FK 08 Fakultät für Geoinformation
Refine
Document Type
- Article (3)
- Bachelor Thesis (1)
Has Fulltext
- yes (4)
Is part of the Bibliography
- yes (4)
Keywords
- Fotogrammetrie (2)
- Lidar (2)
- Dreidimensionales Modell (1)
- Forstwirtschaft (1)
- Geoinformationssystem (1)
- Geophysik (1)
- Luftbildauswertung (1)
- Sensitivitätsanalyse (1)
Institute
Die Möglichkeiten, ein 3D-Modell eines Gebäudes zu erstellen, sind vielfältig. Je nach Sensorart und Auswertesoftware erfreuen sich die neusten Technologien nicht nur im kommerziellen, sondern auch im privaten Bereich immer größerer Beliebtheit. Neben der Objektaufnahme mittels Laserscanning, findet die digitale Bildaufnahme mit photogrammetrischer Auswertung vermehrt Anwendung. Die Photogrammetrie wird gerne an schwer zugänglichen Orten herangezogen, da die Bildaufnahme mittels Drohnen aus der Luft erfolgen kann. Viele Faktoren wie die unterschiedlichen Kombinationen von Aufnahmeparameter, Sensoreigenschaften, Software und Vorgehensweise beeinflussen das Ergebnis hinsichtlich der Genauigkeit und der Detaillierung. Während bei der Genauigkeit die geometrische Präzision betrachtet wird, gibt die Detaillierung Auskunft über die inhaltliche Dichte und geometrische Auflösung. In dieser Arbeit wird ein 3D-Modell von Schloss Wolfstein in Freyung erstellt und bezüglich der inneren und der äußeren Genauigkeit analysiert. Die Bildaufnahme erfolgt mit zwei verschiedenen Drohnen, die über einen integrierten Global Navigation Satellite System (GNSS)- Positionierungssensor verfugen, mit dem für jedes Bild die Position der Aufnahme bestimmt wird. Diese Information wird verwendet, um das 3D-Modell zu georeferenzieren. Die photogrammetrische 3D-Rekonstruktion erfolgt mit dem Programm 3DF Zephyr und wird in vier Phasen unterteilt. Angefangen mit der Berechnung der dünnen Punktwolke, gefolgt von der dichten Punktwolke über die Oberflächenrekonstruktion bis zur finalen Texturierung entsteht das fertige 3D-Modell. Für die Validierung werden Referenzdaten aus dem Amtlichen Liegenschaftskatasterinformationssystem (ALKIS) und einer tachymetrischen Fassadenaufnahme verwendet. Aufgrund von dichter Vegetation um das Schloss fehlen stellenweise Bilddaten des Gebäudes, weswegen das erzeugte 3D-Modell an den entsprechenden Stellen Löcher und verschwommene Kanten aufweist. Im Gegensatz dazu konnten gut sichtbare Bereiche fehlerfrei rekonstruiert werden. Zur Bewertung der inneren Genauigkeit des Modells wird mit der dichten rekonstruierten Punktwolke eine Fehleranalyse auf Grundlage der Ausgleichungsrechnung durchgeführt. Die Standardabweichung der Punktwolke wird nur für die sichtbaren Bereiche des Modells berechnet und liegt zwischen 0,71 cm und 3,10 cm. Die äußere Genauigkeit bewertet die Qualität der geographischen Lage, welche mit der GNSS-Positionierung (mit GPS, Galileo und GLONASS) berechnet wird und sich in Rotation, Translation und Skalierung unterteilen lässt. Unter Verwendung der Ausgleichungsrechnung werden die genannten Parameter von der dichten Punktwolke in Bezug auf die Referenzdaten ermittelt. Die Punktwolke ist in Bezug auf die Referenzdaten im Durchschnitt um 0,092 gon nach links verdreht. Außerdem ist die Punktwolke um 20,6 cm nach Osten und um 103,8 cm nach Norden verschoben. Die Berechnung der Skalierung ergibt eine durchschnittliche Längendifferenz der beiden Datensätze von 0,057m bei einer Gesamtlänge von 22,65m, was einer Abweichung von 0,25% entspricht. Die Gebäudeseiten sind in der Punktwolke kürzer als in den tachymetrischen Referenzdaten. Die innere Genauigkeit der Rekonstruktion liegt mit bis zu 3 cm Standardabweichung in dem gleichen Genauigkeitsbereich bzw. in einem besseren Genauigkeitsbereich als die amtlichen Referenzdaten, wenn es sich bei den Gebäudekoordinaten um < 30 cm Koordinaten handelt. Die Ergebnisse zeigen, dass ein 3D-Modell mit im Vergleich zur Tachymetrie oder zum Laserscanning billigen Mitteln im Zentimeterbereich mit Ausnahme der Translation rekonstruiert werden kann. Dank der automatisierten Verfahren wird diese Genauigkeit auch von Amateuren erreicht. Damit schließlich auch die Translationsabweichung minimiert werden kann, bietet sich eine Transformation des 3D-Modells mit zwei Gebäudeecken an, mit denen das 3D-Modell lagerichtig in der UTM Zone 32 abgebildet wird. Da sich die Abweichungen der Rotation und der Skalierung in Bezug auf die Gebäudegröße im Genauigkeitsbereich <3 cm befinden, können diese in die Transformation mit einfließen. Somit sind für die Berechnung Redundanzen vorhanden, die das Ergebnis zusätzlich bekräftigen. Eine passpunktfreie photogrammetrische 3D-Rekonstruktion ist jedoch für die digitale Visualisierung eines Objektes völlig ausreichend, da es sich meistens um ein einzelnes Objekt handelt, das ohne räumlichen Bezug dargestellt wird.
An implementation of uncertainty analysis (UA) and quantitative global sensitivity analysis (SA) is applied to the non-linear inversion of gravity changes and three dimensional displacement data which were measured in and active volcanic area. A didactic example is included to il lustrate the computational procedure. The main emphasis is placed on the problem of extended Fourier amplitude sensi tivity test (E-FAST). This method produces the total sensi tivity indices (TSIs), so that all interactions between the un known input parameters are taken into account. The possible correlations between the output an the input parameters can be evaluated by uncertainty analysis. Uncertainty analysis re sults indicate the general fi between the physical model and the measurements. Results of the sensitivity analysis show quite different sensitivities for the measured changes as they relate to the unknown parameters of a physical model for an elastic-gravitational source. Assuming a fi ed number of ex ecutions, thirty different seeds are observed to determine the stability of this method.
In forest ecology, a snag refers to a standing, partly or completely dead tree, often missing a top or most of the smaller branches. The accurate estimation of live and dead biomass in forested ecosystems is important for studies of carbon dynamics, biodiversity, and forest management. Therefore, an understanding of its availability and spatial distribution is required. So far, LiDAR remote sensing has been successfully used to assess live trees and their biomass, but studies focusing on dead trees are rare. The paper develops a methodology for retrieving individual dead trees in a mixed mountain forest using features that are derived from small-footprint airborne full waveform LIDAR data. First, 3D coordinates of the laser beam reflections, the pulse intensity and width are extracted by waveform decomposition. Secondly, 3D single trees are detected by an integrated approach, which delineates both dominate tree crowns and understory small trees in the canopy height model (CHM) using the watershed algorithm followed by applying normalized cuts segmentation to merged watershed areas. Thus, single trees can be obtained as 3D point segments associated with waveform-specific features per point. Furthermore, the tree segments are delivered to feature definition process to derive geometric and reflectional features at single tree level, e.g. volume and maximal diameter of crown, mean intensity, gap fraction, etc. Finally, the spanned feature space for the tree segments is forwarded to a binary classifier using support vector machine (SVM) in order to discriminate dead trees from the living ones. The methodology is applied to datasets that have been captured with the Riegl LMSQ560 laser scanner at a point density of 25 points/m2 in the Bavarian Forest National Park, Germany, respectively under leaf-on and leaf-off conditions for Norway spruces, European beeches and Sycamore maples. The classification experiments lead in the best case to an overall accuracy of 73% in a leaf-on situation and 71% in a leaf-off situation, if we assess the classification results using 5-fold cross-validation method with the help of reference data acquired by the field surveying.
In this paper, we present an integrated strategy to comprehensively evaluate the feature relevance of point cloud and image data for classification of trees and vehicles in urban scenes. First of all, point cloud and image data are co-registered by backprojection with available orientation parameters if necessary. After that, all data points are grid-fitted into the raster format in order to facilitate acquiring spatial context information per pixel/point. Then, various spatial-statistical and radiometric features can be extracted using a cylindrical volume neighborhood. Classification results as labeled pixels can be acquired from the classifier, and after appropriate refinements we obtain the objects of trees and vehicles. Compared to other methods which have assessed the classification and relevance simultaneously using a single classifier, we first introduce AdaBoost classifier combined with contribution ratio to provide both classification results and measures of feature relevance, and then utilize Random Forest classifier to evaluate and compare the feature relevance from a more independent viewpoint. In order to confirm the accuracy and reliability of classification and feature relevance results, we consider not only characteristics of the classifiers itself, but also errors of data co-registration and alterable parameters. We apply the procedure to two different datasets. In the dataset requiring co-registration a-priori, the AdaBoost classifier even achieves a great accuracy of 96.99% for trees and 83.45% for vehicles. The quantitative results of feature relevance assessment highlight the most important features for classification of tree covers and vehicles, such as NDVI, LiDAR intensity, planarity and entropy. By comparative analysis of the two independent approaches, the reliable and consistent feature selection for classification of trees and vehicles from LiDAR and image data could be validated and achieved, being unrelated to the classifiers.