AKADEMIN FÖR TEKNIK OCH MILJÖ Avdelningen för industriell utveckling, IT och samhällsbyggnad Mätosäkerhet vid digital terrängmodellering med handhållen laserskanner Undersökning av den handhållna laserskannern ZEB-REVO Amanda Gustafsson & Olov Wängborg 2018 Examensarbete, Grundnivå (kandidatexamen), 15 hp Lantmäteriteknik Lantmätarprogrammet, teknisk inriktning Handledare: Yuriy Reshetyuk Examinator: Stig-Göran Mårtensson Bitr. examinator: Ulrika Ågren
77
Embed
Mätosäkerhet vid digital terrängmodellering med handhållen ...hig.diva-portal.org/smash/get/diva2:1216431/FULLTEXT01.pdf · används därför ofta (Hubacek, Kovarik & Kratochvil,
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
AKADEMIN FÖR TEKNIK OCH MILJÖ Avdelningen för industriell utveckling, IT och samhällsbyggnad
Mätosäkerhet vid digital terrängmodellering med handhållen laserskanner
Undersökning av den handhållna laserskannern ZEB-REVO
Amanda Gustafsson & Olov Wängborg
2018
Examensarbete, Grundnivå (kandidatexamen), 15 hp Lantmäteriteknik
Enligt HMK-Höjddata (2017) och Hubacek et al. (2016) är laserdata det vanligaste
utgångsmaterialet för höjddata, där flygburen laserskanning (FLS) beskrivs som en
effektiv metod för att samla in höjddata över större områden som kan användas vid
framställning av både yt- och markmodeller. HMK-Höjddata (2017) förtydligar att
när avståndet till sensorn ökar, avtar punkttätheten, vilket genererar högre
mätosäkerhet. TLS eller annan geodetisk mätning kan användas för mindre områden
eller där det ställs högre krav på lägesosäkerheten och det är inte ovanligt att
metoderna kombineras för att uppnå önskat resultat (HMK-Höjddata, 2017).
2
Sveriges höjdmodell är framtagen med hjälp av FLS (Lantmäteriet, 2016). För en
varierad terräng kan höjdmodellen förväntas ge en osäkerhet i höjd på omkring 0,2
m, där osäkerheten bland annat kan bero på att vegetation hindrar laserstrålarna från
att nå ända ner till marken (Lantmäteriet, 2011). Osäkerheten kan jämföras med
Tjeckiens nya nationella höjdmodell (DMR 5G), som även den tagits fram genom
FLS och där Hubacek et al. (2016) utförde en studie för att verifiera angivna
osäkerheter (0,18 m för öppen terräng och 0,30 m för skogsterräng). Genom
geodetiska mätningar kom författarna fram till att höjdmodellens osäkerhet
överensstämde med de angivna, till och med gav testerna något bättre resultat för
skogsterräng. Med handhållen laserskanner (HLS) bör mer data kunna samlas in på
ett hållbart sätt för ett mindre område och dessutom på kortare tid i jämförelse med
mätningar utförda med TLS eller totalstation som kräver fler uppställningar för att
få motsvarande data. Från tidigare studier (avsnitt 1.3) framgår det att HLS verkar
vara en lovande metod med många fördelar men som ännu inte kan mätas med den
låga osäkerhet som TLS kan åstadkomma. Däremot saknas det studier om hur
mätningar med HLS ställer sig mot mätningar med FLS. Därför är det av högsta
intresse att göra en fördjupning för i vilken utsträckning HLS kan användas och om
HLS i vissa skeden kan ersätta eller komplettera mer tidskrävande metoder som
t.ex. FLS, vilket kommer undersökas i och med denna studie.
1.2 Syfte
Syftet med studien är att utvärdera möjligheterna att använda och tillämpa
mätningar från HLS för framställning av en digital terrängmodell (DTM) i
skogsterräng. Främsta fokus är att se hur låg osäkerhet en DTM kan erhålla med
hjälp av mätningar med en HLS i jämförelse med FLS. Studien begränsas till
praktiskt utförande och kvantitativ metod. Området för studien, vilken är beläget
strax utanför Gävle, begränsades till ett ca 2000 m2 stort område för att undvika
påverkan av kringliggande snö och säkerställa att den bestämda tidsramen för arbetet
inte överskrids. För att kunna jämföra de båda metoderna och de framställda
DTM:ernas osäkerheter gjordes mätningar med totalstation som referensdata.
Forskningsfrågor som har behandlats i studien:
Hur låg osäkerhet kan erhållas för en DTM skapad genom mätningar med
HLS i jämförelse med FLS-mätningar?
Vilka för- respektive nackdelar finns det med användandet av HLS i
jämförelse med FLS?
Förhoppningen innan studiens utförande var att HLS-mätningarna med simultaneuos
localization and mapping (SLAM) algoritmer kunde generera en likvärdig DTM, sett
till osäkerheten, som FLS-mätningarna.
3
1.3 Tidigare studier
1.3.1 Mobil laserskanning
Tyagur och Hollaus (2016) skriver att laserskanning har blivit en allt mer använd
teknik för att samla in tredimensionell data, vilket ofta används för att skapa
DTM:er eller andra ytmodeller. Författarna skriver även att FLS har mer eller
mindre blivit en standardmetod för att samla in topografisk data för skapandet av
DTM:er. Dock menar författarna att det finns begränsningar med FLS när det
kommer till att fånga de många detaljerna för t.ex. ett skogsområden. I studien
använder författarna mobil laserskanning (MLS), i form av en laserskanner monterad
på en bil. Författarna beskriver MLS som en snabb och noggrann metod för att samla
in data för ett område, i detta fall för ett skyddat naturreservat. Genom några
kontrollpunkter inmätta med totalstation kunde den genomsnittliga vertikala
osäkerheten sättas till omkring 0,1 m för DTM skapad med MLS mätningar. I likhet
med studien av Tyagur och Hollaus (2016) användes MLS även i denna studie för att
samla in detaljrik data för ett skogsområde på ett effektivt sätt som sedan
genererades till en DTM. Till skillnad från Tyagur och Hollaus (2016) användes HLS
istället för en laserskanner monterad på ett fordon, för att samla in ytterligare data
från fler vinklar och på så vis täcka hela området av intresse.
Lehtola et al. (2017) menar även de att MLS är en lovande teknik och gör i studien
jämförelser mellan flera olika mobila laserskanningssystem för att därefter göra en
sammanställning av samtliga systems styrkor respektive svagheter. Liang et al.
(2014) använder en viss typ av MLS, närmare bestämt personburen laserskanner
(PLS). Författarna beskriver att största fördelen med MLS är att metoden kan samla
in data på kortare tid i jämförelse med TLS. PLS kan även komma åt mer
svårtillgängliga platser och samla in ytterligare data av intresse (Liang et al., 2014).
Författarna skriver att bortsett ifrån en laserskanningsenhet ingår även GNSS och
inertial measurment unit (IMU) i PLS-enheten. Studien visade på goda möjligheter
att i framtiden använda PLS som metod för skogsinventering men att TLS
fortfarande ger lägre osäkerhet (Liang et al., 2014). Främsta orsaken till PLS:ens
osäkerhet tros bero på bristande GNSS-signaler som försämrar resultatet och är
något som måste utvecklas för framtida användning (Liang et al., 2014). Författarna
ger förslag på andra tillämpningar av PLS än bara skogsinventering, t.ex.
dokumentering av skogsområden som vandringsleder för rekreation. Istället för att
fokusera på inventering har denna studie koncentrerat på framställning av DTM. På
grund av svagheterna med GNSS-mätning i skog användes SLAM-algoritmer för
punktmolnsregistrering.
4
1.3.2 Simultaneous localization and mapping (SLAM)
Qian et al. (2017) har undersökt hur en integration av tekniken SLAM med
GNSS/inertial navigation system (INS) kan göras för att positionera instrument i
svårtillgängliga områden såsom skog. I studien användes MLS för att kartera ett
skogsområde. Positionering med GNSS/INS anses i dessa fall vara otillräckligt på
grund av förlorade signaler och flervägsfel, men en integrering av SLAM anses vara
både en effektiv och hållbar metod utan extra kostnader för hårdvaruteknik. I
studien av Qian et al. (2017) testas två olika metoder för SLAM-integration, en som
stödjer sig på rörelsens riktning samt en metod baserad på rörelsens riktning och
hastighet. Studien visar att den första SLAM-metoden som endast stödjer sig på
rörelsens riktning ger en horisontell postitionsnoggrannhet på 0,13 m, vilket är en
förbättring med 70% mot traditionell positionsmätning med GNSS/INS. För den
andra SLAM-metoden som stödjer sig på både rörelsens riktning och hastighet, så
kunde en positionsnoggrannhet på 0,06 m beräknas, vilket är en förbättring på 86%
mot traditionell positionsmätning med GNSS/INS (Qian et al., 2017).
1.3.3 Handhållen laserskanning
I likhet mellan studierna (Bauwens, Bartholomeus, Calders & Lejeune, 2016; James
& Quinton, 2014; Ryding, Williams, Smith & Eichhorn, 2015) har MLS i form av
HLS använts utomhus. James och Quinton (2014) beskriver TLS som en vanlig
metod för att samla in topografisk data men att metoden har begränsningar när det
kommer till att samla in täckande data för mer komplexa miljöer på ett effektivt
sätt. Författarna skriver att geomorfologiska studier ofta hanterar någon typ av
höjddata och när det gäller kilometervisa områden används ofta FLS men för mindre
områden (tio, hundratals meter) används idag ofta TLS som kan vara en tidskrävande
metod för att samla in önskad data. Författarna uttrycker att HLS verkar vara en
lovande metod för att samla in önskad data för ett mindre men komplext område. I
studien jämfördes bl.a. mätningar med HLS (ZEB1) mot mätningar med TLS (Riegl
VZ-1000) för ett mer komplext utformat område. Utifrån mätningarna kunde
författarna konstatera att HLS är en betydligt snabbare metod vad gäller insamling av
data. Enligt författarna tar SLAM-registreringen ungefär lika lång tid som
datainsamlingen men punktmolnet kan behöva vidare bearbetning. Än så länge kan
HLS inte generera en DTM med lika låg osäkerhet som TLS men kan ändå användas
och möjliggöra för fler typer av geomorfologiska tillämpningar, dessutom kan det
vara ett kostnadseffektivt alternativ (James & Quinton, 2014). Bauwens et al.
(2016) skriver att det finns begränsningar med att använda GNSS i skogen men att
en HLS inte är beroende av GNSS då en HLS använder SLAM-algoritmer som ger en
bättre registrering av punktmolnet. För att optimera SLAM-registreringen utfördes
mätningar efter ett planerat mönster för att täcka hela området med god punkttäthet
och avsluta mätningen med att sluta slingan (Bauwens et al., 2016).
5
Författarna (Dewez et al., 2017; James & Quinton, 2014) framhäver dock att även
SLAM-registrering har vissa begränsningar. Metoden kräver väldefinierade objekt
för att registreringen ska vara möjlig, om objekten är glest utspridda kan SLAM-
registreringen ha för få objekt att registrera punktmolnet efter. Bauwens et al.
(2016) menar att en annan svaghet är att HLS har en högre stråldivergens som leder
till något osäkrare resultat, strålarna kan t.ex. inte penetrera låg vegetation på
samma sätt som TLS gör.
Dewez et al. (2017) konstaterar att HLS:en ZEB-REVO använder SLAM-algoritmer
för att navigera utan att behöva tillgången till GNSS. Författarna har testat
instrumentet både inomhus och utomhus där resultatet renderade i att skannern inte
kunde skanna ett avstånd på mer än 7,5 m utomhus för 99 % av punkterna. Inomhus
kunde skanningsavståndet dock uppnå specifikationerna från tillverkaren på 30 m.
Dewez et al. (2017) redogör även att punktmoln skannade från ZEB-REVO har en
median punkttäthet på 1 punkt per 21 mm och att ZEB-REVO har en relativ
osäkerhet på 1/10000 (3 mm/30,20 m). Ytterligare tekniska specifikationer för
instrumentet finns i avsnitt 3.1.1 i denna rapport (tabell 1).
6
2 Teoretisk bakgrund
Mer detaljerade beskrivningar kring betydande begrepp och moment som ingår i
denna studie kommer tas upp här i teoridelen. Avsnitt 2.1 och 2.2 är en allmän
fördjupning för att separera begrepp och förtydliga studiens omfattning. Medan
avsnitt 2.3 översiktligt behandlar tekniken bakom SLAM. Slutligen ger avsnitt 2.4
och 2.5 en mer djupgående beskrivning av två viktiga delmoment som ingår i
studiens mätningsmetod.
2.1 Terminologi för höjdmodeller
Utöver DTM finns det ytterligare två benämningar på tredimensionella modeller av
jordens yta. Nämligen DEM, som är en förkortning av engelskans digital elevation
model (digital höjdmodell) och DSM som också kommer från engelskans digital
surface model (digital ytmodell). Efterföljande stycke kommer därmed att sortera i
begreppen och ange de vanligt förekommande definitionerna av dem.
DEM fungerar som ett samlingsbegrepp för höjder som digitalt eller matematiskt
presenteras i en modell motsvarande en topografisk yta. DSM innehåller
information om marken samt andra fasta objekt som finns på marken som
exempelvis vegetation, byggnader m.m. DTM däremot avser endast själva markytan
utan information om övriga objekt. Höjddata och därmed modellerna kan lagras på
olika sätt. Antigen som raster, vektor eller triangular irregular network (TIN)
(INSPIRE TWG-EL, 2012; Mårtensson, 2016). Där TIN utgår från
kontrollpunkter, brytlinjer och stopplinjer som placeras på ett representativt sätt för
terrängen. Mellan inmätta punkter skapas därefter trianglar (INSPIRE TWG-EL,
2012; SIS-TS 21144:2016 avsnitt 9.2)
I och med denna studie kommer ett utsnitt av laserdata, som ligger till grund för
Sveriges höjdmodell, att användas för att skapa en DTM i form av en TIN-modell.
Detta för att möjliggöra kontroll och jämförelsen mellan resultaten från flygburen
respektive handhållen laserskanning. Då fokus för denna studie är att utvärdera
användningen av HLS jämfört med FLS för skapandet av DTM.
2.2 Olika metoder för laserskanning
Laserskanning går ut på att en sändare i instrumentet skickar ut en laserstråle,
närmare bestämt en elektromagnetisk energi. Om laserstrålen träffar ett objekt
reflekteras en del av strålen tillbaka till instrumentets mottagare som då registrerar
den returnerade signalen. Resultatet av mätningarna blir ett punktmoln som kan få
koordinater i ett referenssystem genom georeferering (Reshetyuk, 2017).
Laserskanningstekniken kan tillämpas på flera olika sätt genom olika metoder.
7
Med terrester laserskanning (TLS) menas markburen laserskanning, vilket går ut på
att en laserskanner placeras på ett stativ som är placerad över önskad position på
marken. Vid skanning med TLS kan det behövas fler uppställningar av instrumentet
för att kunna täcka hela objektet av intresse. Vid varje uppställning skapas ett eget
punktmoln med internt koordinatsystem, för att möjliggöra georeferering av dessa
punktmoln måste de först sättas ihop till ett punktmoln, vilket kallas för registrering
(Reshetyuk, 2017).
Principen att använda laser för att göra avståndsmätningar är densamma oberoende
och laserskanningen är flygburen eller terrester. Dock kan FLS användas för mer
omfattande mätningar än TLS som är mer lämplig för skanning av mindre, specifika
objekt som t.ex. byggnader, tunnlar. Ett FLS-system består av en laserskanner, en
GNSS, ett tröghetssystem samt en kontrollenhet som monteras i/på ett flygplan
eller helikopter. Laserskanningssystemets uppgift är att skicka ut och registrera
returnerade laserstrålar. Med hjälp av GNSS och tröghetssystemet bestäms
laserskannerns position och läge när skanningen ägde rum. Det är mycket viktigt att
alla enheter är noggrant synkroniserade för att undvika fel, vilket är en av
kontrollenhetens uppgift att se över, dessutom lagras all data i kontrollenheten
(Lantmäteriet m.fl., 2013).
Tröghetssystemet mäter ständigt accelerationer och vinkelhastigheter för att
bestämma laserskanningssensorns position och riktning. Både acceleration och
vinkelmätningarna görs i tre riktningar vinkelrätt mot varandra. Detta för att
inmätta punkter ska få korrekta koordinater (Lantmäteriet m.fl., 2013).
En laserskanner kan även monteras på andra rörliga (mobila) föremål än flygplan
som till exempel på fordon (Tyagur & Hollaus, 2016), eller de kan också vara
personburna i en ryggsäck (Liang et al., 2014). De kan också vara handhållen
(Bauwens et al., 2016; Dewez et al., 2017; James & Quinton, 2014; Ryding et al.,
2015). Mobila laserskannrar innehåller förutom själva laserskannern även ett system
för att positionering och orientering. Detta system kommer vanligen i form av
GNSS och IMU (Ryding et al., 2015). Positions- och orienteringssystemet är i likhet
med tröghetssystemet FLS använder. Den handhållna laserskannern ZEB-REVO
använder istället tekniken SLAM och IMU för positionering (GeoSLAM Ltd., 2017).
8
2.3 SLAM
SLAM är en förkortning av engelskans simultaneous localization and mapping och är
en process (algoritm) som har till syfte att skapa en karta över ett okänt område i
vilken en mobil robot (enhet) samtidigt vistas i. Detta görs genom att enheten tar
hjälp av olika landmärken som finns i området och utifrån dessa landmärken görs
andra observationer. Mätningar i tid, lokalisering och orientering av enheten under
dess rörelse genom området sker relativt landmärkena. Förhållandena mellan varje
landmärke måste stämma överens. SLAM använder främst två typer av matematiska
filter, ”extended Kalman filter” (EKF) och ”Rao-Blackwellised filter”, vilka har till
uppgift att förse observationsekvationerna för SLAM med data (Durrant-Whyte &
Bailey, 2006).
2.4 RUFRIS
Stationsetablering med metoden realtidsuppdaterad fri station (RUFRIS) kan vara
ett alternativ då kända stompunkter inte finns tillgängliga för ett område och
mätning med real time kinematic (RTK) inte anses ge tillräckligt låg osäkerhet. Med
fri station menas att stationen kan etableras över valfri uppställningspunkt. Metoden
för RUFRIS går ut på att en mätstång kombineras med både GNSS och prisma för att
på så vis kunna göra två mätningar samtidigt. Genom etablering med RUFRIS kan
GNSS-mätningar därefter övergå till traditionella mätningar med totalstation (Vium
Andersson, 2012).
Vid fri stationsetablering med RUFRIS beskriver Vium Andersson (2012) att
gemensamma punkter (inmätta med både GNSS och totalstation) bör placeras
utspridda, minst 200 gon, runt stationen där minst 20 % av punkterna bör placeras
vid mätområdets gräns. Osäkerheten på stationsetableringen styrs av antalet
gemensamma punkter som mäts in, men desto fler punkter desto lägre osäkerhet,
antalet ska dock vara minst 15 stycken. Dessa tre riktlinjer för placering av
gemensamma punkter görs för att förbättra skattningen av stationens läge i: plan
(spridning i 200 gon), höjd (≥15 punkter) och orientering (20 % av punkterna i
ytterområdet).
2.5 Kontrollprofiler
Kontroll av DTM (markmodell) görs enligt tekniska specifikationer i SIS-TS
21144:2016 kap. 10 med underliggande avsnitt. Syftet med kontrollen är att se om
eventuella systematiska eller grova fel finns i modellen och dessutom göra en
utvärdering av modellens lägesosäkerhet i höjd.
9
Det finns två olika nivåer för kontroll, 1 och 2. Val av kontrollnivå beror bland
annat på vad avsikten är med användandet av DTM:en. Beroende på val av
kontrollnivå finns det tre olika kontrollutföranden (A, B och C). För kontrollnivå 1
gäller utförande A, vilket ger en översiktlig kontroll. För kontrollnivå 2 gäller
utförande B och C. Där utförande B har som syfte att ge större säkerheten av
modellens bedömda kvalitet. Utförande C gäller för kontroll av undantagsytor.
Kontrollen består i att profiler (punkter på rak linje) mäts in. Antalet profiler som
ska mätas in beror på valt utförande, hur stort område modellen täcker och hur
många marktyper som finns för området. Kontrollprofilerna ska placeras utspridda
över modellen och på ett sådant sätt att de representerar den faktiska marken för
området. Antalet kontrollprofiler för utförande A respektive B beräknas enligt
ekvation 1 respektive 2:
3𝑁 + √𝐴 (1)
5𝑁 + 2√𝐴 (2)
Där N är antalet marktyper och A är områdets area i hektar.
Utförande C kräver minst 4 profiler per objekt, därefter tillkommer fler profiler
beroende på objektets utbredning. Därefter jämförs profilerna med den skapade
DTM:en för att se hur väl de stämmer överens (se avsnitt 3.6 för denna studies
beräkningar).
Utifrån kontrollberäkningarna kan en DTM klassas efter toleranser gällande
användningsområde samt markslag enligt SIS-TS 21144:2016 avsnitt 8.2, tabell 6
respektive 7 (avsnitt 4).
10
3 Metod och material
3.1 Instrument
3.1.1 ZEB-REVO
Instrumentet ZEB-REVO tillsammans med en bärbar dator lånades av företaget
Norsecraft Geo. Instrumentet bestod huvudsakligen av två delar, skanningsenheten
(1,0 kg) och dataloggern. Där all utrustning, tillhörande skannern inklusive laddare
m.m, rymdes i ryggsäcken och vägde då totalt kring 4,1 kg (Figur 1). Med
instrumentet ingick en licens till bearbetningsprogrammet GeoSLAM som
processade insamlad data till ett registrerat punktmoln som gavs i filformaten
.las/.laz (Figur 6). Dessutom erhölls en .ply-fil som innehöll det utförda gångstråket
(Figur 7-8).
Figur 1. Utvalda delar från den handhållna laserskanningsutrusningen, från vänster: huvudkabel, datalogger, laserskanningsenhet, överföringskabel och ryggsäck. Bakgrundsmaterial från Norsecraft Geo.
* Maximalt avstånd inomhus mot objekt med 90 % reflektans.
Avstånd utomhus kan reduceras till 15-20 m beroende på miljö.
11
3.1.2 Övriga instrument och utrustning
För att möjliggöra georeferering av det laserskannande punktmolnet användes sfärer
(figur 3) monterade på stativ. Stativen var försedda med cirkulärprismor Leica
GPR121 (figur 4) i sfärernas ställe. Dessa placerades ut i området och mättes in med
totalstation MS60 (serienummer: 882619). Inför skanningen byttes
cirkulärprismorna ut till sfärerna. För att etablera totalstationen användes en GNSS,
iCON (serienummer: 2677577) med stång och 360-prisma Leica MPR 122.
Ytterligare utrustning som användes för att mäta kontrollprofiler var en stång
försedd med plan fot samt prisma Geodimeter 571126111 (figur 2).
Genom digital avvägning höjdbestämdes även en kontrollpunkt i området, där
instrumentet Leica DNA03 (serienummer: 341852) användes tillsammans med
digital avvägningsstång, flyttpunkter och stativ.
Programvaror som använts för bearbetning och beräkning i studien var Geo
Professional School (version 2016.1.952.67), Terrascan (version 08.11.09.292) och
CloudCompare (version 2.9.1).
Figur 3. Halvsfär (till vänster) och helsfär (till höger).
Figur 4. Cirkulärprisma som användes för att mäta in sfärernas position.
Figur 2. Stång med prisma och plan fot som användes vid inmätning av kontrollprofiler.
12
3.2 Studieområde
För att skanna in marken för ett skogsområde behövde området vara fritt från snö.
Antal eventuella områden för studien begränsades därför på grund av snömängden
som fanns i landet under tillfället. Området som valdes för studien var ett mindre
skogsparti i Valbo utanför Gävle och bestod mestadels av barrskog med något
enstaka lövträd. Vidare bestod landskapet av en större slänt med en brant lutning
intill en asfalterad landsväg. I området fanns även ett större elskåp och en skogsväg
som nyttjades som fasta objekt när skanningen utfördes. Området som skannades in
hade en yta på omkring 2000 m2 (figur 5).
3.3 Laserskanning
Vid insamlingen av data för metoden HLS gjordes först en rekognosering av hur
gångstråket skulle utformas för att täcka området med data. Stativ med sfärer (figur
3) placerades utmed det planerade gångstråket för att möjliggöra georeferering av
punktmolnet. Slingan skapades på ett sådant sätt att början och slut utgick från
samma ställe. Innan mätningens början och avslut placerades skanningsenheten på
ett stabilt underlag där den fick rotera ca 5 varv för att initialisera respektive
verifiera mätningen. Själva skanningen av området tog ca 10 min.
För att skapa punktmolnet över området överfördes insamlad data från
instrumentets datalogger, via en kabel och ett externt USB-minne, till en dator.
Data laddades sedan upp till datorprogrammet GeoSLAM som processade det till ett
registrerat punktmoln, innehållande ca 8,8 miljoner punkter (figur 6). Det tog
ungefär lika lång tid för programmet att processa data som det tog att samla in data.
Figur 5. Studieområdet där mätningarna utfördes.
13
.
För FLS laddades laserdata över det aktuella området ner från Lantmäteriet (2015)
från produkten ”Laserdata vektor”. Laserskanningen av området ägde rum mellan
2015-05-04 och 2015-05-09.
3.4 Mätning
3.4.1 Stationsetablering
RUFRIS användes som stationsetableringsmetod (avsnitt 2.3), där totalstationen
placerades på önskad plats för att möjliggöra fri sikt till samtliga objekt och samtidigt
försäkra att GNSS-mottagaren hade täckning. För att kunna göra jämförelser med
Lantmäteriets data etablerades stationen i samma referenssystem, SWEREF 99 TM
och RH 2000 i höjd. Mätningarna för stationsetableringen med RUFRIS som metod
finns i bilaga E. Under mätningen sattes även reflextejpar upp i området som mättes
in för att kunna förflytta stationen längre upp i området och med hjälp av dessa
etablerades stationen genom fri stationsetablering (bilaga E).
Figur 7. Gångstråk från början (röd färg) till slut (blå färg).
Figur 8. Gångstråk som visar hur mycket data som samlats in. Röd färg indikerar sämre datainsamling och blå indikerar god datainsamling.
Figur 6. Exempel på det registrerade punktmolnet (HLS) från olika perspektiv.
14
En egen kontroll av stationsetableringen gjordes genom att en utmarkerad punkt
mättes in, med ett 360-prisma som fästes på en prismastång, före respektive efter
utförd mätning. Då stationsetableringen gjordes genom metoden RUFRIS krävdes
ytterligare kontroll av höjden på kontrollpunkten. Detta då GNSS, som metoden
RUFRIS använder, endast har en lägesosäkerhet på 10 mm i höjd enligt HMK-
Teknisk rapport 2018:1 (2018). För att kontrollera punktens och därmed även
stationsetableringens höjd gjordes därför en digital avvägning (i form av en slinga)
från en känd höjdfix, via en annan, till den markerade punkten (bilaga F). Genom att
gå från en känd höjdfix till en annan gjordes även en allmän kontroll av de kända
fixarnas höjd innan höjden för den utmarkerade punkten togs fram. Eftersom
avvägningen gjordes vid ett senare tillfälle än resterande mätning gjordes även en
extra inmätning av kontrollpunkten med totalstation, som etablerades efter de
tidigare inmätta reflextejparna i studieområdet. Inmätningen gjordes för att
upptäcka eventuell förflyttning av kontrollpunkten. Resultatet av avvägningen och
kontrollmätningarna redovisas i tabell 6.
3.4.2 Inmätning av sfärer
Utplacerade stativ med sfärer mättes in genom att cirkulärprismor monterades i
sfärens ställe (figur 3 och 4) för att kunna få koordinater över sfärens position.
Höjderna för varje signal (cirkulärprisma samt sfär) mättes också för att kunna få
korrekt höjd inför georefereringen. Detta gjordes med måttband som placerades på
trefoten. Höjden från trefoten till signalens centrum mättes också med måttband
därefter.
3.4.3 Kontrollprofiler
Enligt SIS-TS 21144:2016 avsnitt 10.4.2 och avsnitt 2.5 i denna rapport, beräknades
antalet kontrollprofiler för området till 7 st. Detta genom användandet av
ekvationen för utförande A, där antalet beräknades utifrån två markslagstyper
(skogsmark blandskog och slänt jämn) och en area på 0,2 ha. Kontrollprofilerna
placerades på ett sådant sätt att de var inom räckhåll för totalstationen och rymdes i
området, samtidigt som de representerade markens utformning (figur 9). Mätningen
gjordes genom att prismat (Geodimeter 571126111) sattes fast på stången med plan
fot, på en känd höjd. Därefter mättes 8 raka linjer (en extra profil) in med
totalstationen, vardera minst 20 m långa och innehållande minst 20 punkter.
15
Figur 9. Hur de olika profilerna var placerade över DTM:en. P1-P8 utgör profilerna 1 till 8.
3.5 Bearbetning
3.5.1 Georeferering
Georefereringen av det registrerade punktmolnet gjordes i CloudCompare, vilket
gjordes genom att först modellera varje sfär i punktmolnet. Modelleringen gick till
på så sätt att mittpunkten av varje sfär inledningsvis fastställdes. För helsfärerna
kunde programmet själv hitta mittpunkten genom att först låta programmet
modellera sfären, för att sedan ändra radien för denna och passa in sfären i centralt
läge. För halvsfärerna var det dock tvunget att göra en egen bedömning var
mittpunkten av sfären var, då CloudCompare inte hade möjlighet att modellera
dessa. Halvsfärerna skapades som helsfärerna efter bestämd radie och den bedömda
mittpunktens koordinater för sfären fastställde sfärens position. De modellerade
sfärerna gjordes sedan om till punktmolnsdata, som sammanfogades till det egentliga
punktmolnet från HLS-mätningarna. Efter sammanfogningen importerades en
koordinatfil för det inmätta sfärerna till programmet i form av punkter. Därefter
valdes var och en av sfärerna i punktmolnet ut, för varje markerad sfär i
punktmolnet valdes motsvarande inmätta punkt ut från koordinatfilen. Programmet
beräknade även ett root mean square (RMS) värde över georefereringen (bilaga G).
16
3.5.2 Skapa DTM som TIN
Det första steget för att skapa DTM:enra var att filtrera bort punkter som fanns
ovanför det som representerade marken. Lantmäteriets laserdata för FLS DTM:en
hade redan klassificerat punktmolnet och de aktuella punkterna för endast marken
kunde lätt plockas ut med hjälp av programvaran Terrascan. Då detta punktmoln har
en punkttäthet på 2 m behövdes ingen vidare reducering av punkterna. Därefter
skapades själva DTM:en i form av TIN i programmet Cloudcompare.
Punktmolnet från HLS mätningarna behövde bearbetas mer för att filtrera
punktmolnet, tills det endast avsåg själva marken. För detta användes tillägget med
algoritmen cloth simulation filtering (CSF) i CloudCompare (Zhang et al, 2016).
Algoritmen definierade punkterna som representerade marken och filtrerade bort
resterande punkter. Enligt Zhang et al. (2016) använder algoritmen en inverterad
form av punktmolnet där ett tänkt ”täcke” passas in efter punktmolnets yta och
användarens valda parametrar. De delar av punktmolnet som av tillägget fortfarande
felaktigt ansågs vara markpunkter kunde sedan manuellt avlägsnas. Därefter
reducerades antalet punkter i det filtrerade punktmolnet genom att bestämma
avståndet mellan punkterna, vilket fastställdes till 0,5 m, 1 m och 2 m för HLS.
Detta gjordes för att skapa en DTM med ett relevant antal trianglar men som
fortfarande representerade markytans utformning. Anledningen till att tre olika
DTM:er, med varierande punkttäthet testades, var att utreda huruvida mängden
data påverkade resultat för respektive DTM från HLS. Detta i likhet med Klang och
Burman (2006) som testade hur osäkerheten av höjdmodellen påverkades av olika
punkttäthet. Tillsist gjordes trianguleringen av modellen genom att använda en av
programvarans funktioner för Delauney triangulering som gjorde en bästa
anpassning i alla dimensioner.
3.6 Jämförelse av DTM:er mot kontrollprofiler
Kontrollberäkningen av respektive DTM utfördes enligt SIS-TS 21144:2016 avsnitt
10.8, med underliggande avsnitt. Resultatet från kontrollberäkningarna utgjorde
jämförelsen mellan DTM:erna som har sammanställts i tabell 2-5. Beräkningarna
gjordes stegvis och DTM:erna var för sig. Första steget var att beräkna
höjdskillnaden (Ah) mellan den genererade DTM:en (Th) och de inmätta punkterna i
varje enskild profil (Kh), enligt ekvation (3). Då profilens värde anses vara den sanna
värdet för marken utgör höjdskillnaden en avvikelse. Programvaran Geo användes
för att beräkna fram höjdavvikelserna för samtliga DTM:er (Bilaga A-D).
𝐴ℎ = 𝑇ℎ − 𝐾ℎ (3)
17
Nästa steg var att beräkna medelavvikelsen (Ahm) enligt ekvation 4. Där summan av
höjdavvikelserna (Ahi), från ekvation 3, dividerades med antalet inmätta punkter i
profilen (n).
𝐴ℎ𝑚 =∑ 𝐴ℎ𝑖𝑛𝑖=1
𝑛 (4)
Därefter beräknades höjdavvikelsernas standardavvikelse (Sp) enligt ekvation 5. I
beräkningen ingick värden för varje enskild höjdavvikelse (Ahi) som subtraherades
med medelavvikelsen (Ahm). Differensen kvadrerades och summerades, därefter
dividerades summan med antalet mätpunkter i profilen (n).
𝑆𝑝 = √∑ (𝐴ℎ𝑖−𝐴ℎ𝑚)
2𝑛𝑖=1
𝑛−1 (5)
Resultatet sammanställdes manuellt i tabell 2-5 där värden för min, max, medel-
samt standardavvikelse för varje enskild profil framgår. För att få en helhet över
DTM:ernas avvikelse mot profilerna beräknades även medelavvikelse (Mapt) och
standardavvikelse (Spt) för varje markslagstyp enligt ekvation 6 och 7. Den totala
medelavvikelsen (Mapt) för en viss marktyp beräknades genom att samtliga
höjdavvikelser (Ahi) för respektive profil (tillhörande marktypen) summerades och
dividerades med antalet mätpunkter (n).
𝑀𝑎𝑝𝑡 =∑ 𝐴ℎ𝑖𝑛𝑖=1
𝑛 (6)
Medelavvikelsen (Mapt) för respektive marktyp användes vid beräkningen av
standardavvikelsen för respektive marktyp (Spt) tillsammans med varje profils
höjdavvikelser (Ahi) och antalet mätpunkter (n), allt enligt ekvation 7.
𝑆𝑝𝑡 = √∑ (𝐴ℎ𝑖−𝑀𝑎𝑝𝑡)
2𝑛𝑖=1
𝑛−1 (7)
Samma ekvationer (6 och 7) användes för att beräkna medel- och standardavvikelse
för hela området för ytterligare jämförelse (tabell 2-5 och figur 10).
18
4 Resultat
I detta avsnitt visas resultatet av de jämförelser som gjorts mellan kontrollprofilerna
och DTM:erna som skapats från flygburen respektive handhållen laserskanning. För
varje enskild profil anges minsta (Min) respektive största (Max) avvikelsen som
DTM:en hade gentemot profilerna. Även medelvärdet (Ahm) och standardavvikelsen
(Sp) för höjdavvikelserna anges för varje enskild profil. RMS beräknades också fram
för varje enskild profil, vilket är en annan typ av statistiskt spridningsmått som
bättre visar systematiska fel än standardosäkerhet. Mapt1 visar medelvärdet för
höjdavvikelserna för hela området, medan Spt1 visar standardavvikelsen för hela
området. Därefter beräknades höjdavvikelsernas medelvärde (Mapt2) och
standardavvikelse (Spt2) ut för varje marktyp. Där profil 1 till 3 var belägna på ett
område som ansågs vara slänt (marktyp 15p) och profil 4 till 8 på skogsmark
(marktyp 5), val av marktyper utgick ifrån SIS-TS 21144:2016, avsnitt 6.1, tabell 3.
Området som ansågs vara av marktypen slänt var dock fortfarande beläget i
skogsområdet.
Resultatet av jämförelsen mellan DTM:en för FLS och kontrollprofilerna visas i
tabell 2. För FLS beräknades ett medelvärde på 0,055 m i höjdavvikelse för hela
området med en standardavvikelse på 0,046 m. Höjdavvikelsens medelvärde för
profil 1 till 3 beräknades till 0,057 m där standardavvikelsen var 0,056 m. För profil
4 till 8 beräknades höjdavvikelsen till 0,054 m med en standardavvikelse på 0,041
m.
DTM:en skapad från FLS-data klarar klass 3 enligt SIS-TS 21144:2016 avsnitt 8.2
tabell 6, samt uppfyller kraven för klass E, jämn skogsmark, enligt tabell 7 i samma
avsnitt. Klass 3 avser att markmodellen klarar en maximal avvikelse i höjd på 0,10
m.
Tabell 2. Resultatet från jämförelsen mellan kontrollprofilerna och DTM:en från flygburen laserskanning med data inhämtad från Lantmäteriet (2015). Resultatet redovisas i meter.
För DTM:erna som skapades av laserdata från HLS, med varierande punkttätheter
på 0,5 m, 1 m respektive 2 m, beräknades tre olika resultat fram. I tabell 3 visas
resultaten för DTM:en med en punkttäthet på 0,5 m, där höjdavvikelsens
medelvärde för hela området beräknades till 0,043 m med en standardavvikelse på
0,034 m. För profil 1 till 3 beräknades höjdavvikelsernas medelvärde till 0,047 m,
med en standardavvikelse på 0,032 m för. Profil 4 till 8 fick ett medelvärde på
0,044 m för höjdavvikelserna och en standardavvikelse på 0,036 m.
DTM:en klarar klass 2 enligt SIS-TS 21144:2016 avsnitt 8.2 tabell 6, samt uppfyller
klass E, i tabell 7. Klass 2 avser en maximal medelavvikelse på 0,05 m i höjd.
Tabell 3. Resultatet från jämförelsen mellan kontrollprofilerna och DTM:en från handhållen laserskanning där en punkttäthet på 0,5 m användes. Resultatet redovisas i meter.
Ytterligare reducering av punkttätheten för DTM:en med data från HLS gjordes för
att jämföra 2 m punkttäthet gentemot DTM:en med data från FLS, som även den
hade 2 m punkttäthet. Följande resulterade i ytterligare växande avvikelser som visas
i tabell 5. Höjdavvikelsen för DTM:en med 2 m punkttäthet från HLS beräknades
till 0,087 m i medelvärde med en standardavvikelse på 0,102 m. Även här växte
höjdavvikelsen för de olika marktyperna, där profil 1 till 3 fick en höjdavvikelse på
0,104 m som medelvärde och en standardavvikelse på 0,116 m. För profil 4 till 8
beräknades höjdavvikelsernas medelvärde till 0,078 m med standardavvikelse på
0,094 m.
Resultatet klarar klass 4 enligt SIS-TS 21144:2016 avsnitt 8.2 tabell 6, samt
uppfyller klass E, tabell 7.
Tabell 5. Resultatet från jämförelsen mellan kontrollprofilerna och DTM:en från handhållen laserskanning där en punkttäthet på 2 m användes. Resultatet redovisas i meter.
Figur 10. Sammanställning av samtliga DTM:ers beräknade medel samt standardavvikelse gentemot kontrollprofilerna för hela området och för varje marktyp för sig. Resultatet redovisas i meter.
I Figur 11-12 visas skillnaden mellan DTM:erna skapade med data från FLS med 2 m
punkttäthet respektive HLS med 0,5 m punkttäthet, i en grafisk 3D-vy. HLS-datat
med 0,5 m visar på en mer detaljrik modellering av DTM.
Genomförd studie visar att mätningar med HLS kan jämställas med FLS-mätningar
som mätningsmetod, sett till respektive DTM:s avvikelse mot kontrollprofilerna.
Från både HLS och FLS som mätningsmetod skapades DTM:er med en medel- samt
standardavvikelse på centimeternivå, där skillnaden dem emellan var små.
Det som är viktigt att ha i åtanke när resultatet analyseras är att laserskanningen med
FLS gjordes för tre år sedan, medan skanningen med HLS och inmätningen av
kontrollprofilerna gjordes vid samma tillfälle i och med studien. Men då skillnaderna
mellan DTM:erna är små anses det inte ha någon betydelse i detta fall. Skanningen
av området gjordes utefter rådande väderförhållanden, vilket gjorde att området
begränsades i yta för att undvika att kvarliggande snö skannandes in. Dock kan tjäle
ha funnits kvar i marken och påverkat resultatet, men vid sådant fall förmodligen
ytterst lite. Denna eventuellt påverkande faktor bör också beaktas gällande
kontrollen av höjden på kontrollpunkten som gjordes genom digital avvägning.
Kontrollen gjordes vid ett senare tillfälle efter att den först mättes in, vilket ger en
viss osäkerhet i och med att kontrollpunkten kan ha rört sig. Men kontrollen gav
ändå ett tillfredsställande värde då skillnaden för kontrollpunkten inte var mer än 8
mm från första tillfället. Tidsaspekten mellan mätningarna anses därför inte ha haft
någon större påverkan på resultatet.
Ett orosmoment inför skanningen var om miljön var tillräckligt detaljrik för att få en
lyckad registrering med SLAM-algoritmen, vilket inte blev något problem. Under
skanningen var det svårt att avgöra vilka delområden som blivit skannande och inte.
Det blev inte synliggjort förrän punktmolnet var registrerat av
bearbetningsprogrammet, vilket ansågs vara en nackdel. Önskvärt var att ha en
slinga likt Bauwens et al. (2016) men vilket försvårades väl ute i fält. Vid bedömning
av punktmolnet i efterhand upptäcktes vissa brister och mindre hål i punktmolnet,
där bl.a. vissa sfärer var något ovala eller hade allmänt få punkter. Detta hade kunnat
undvikas genom en bättre planering av skanningens utförande. Där sfärerna
förslagsvis skulle kunna rundas för att få heltäckande data att modellera sfärerna
efter. Detta hade underlättat placeringen av de modellerade sfärerna och eventuellt
resulterat i en bättre georeferering. Insamlad laserdata anses ändå vara
tillfredsställande med tanke på det erhållna slutresultatet.
24
Fördelarna med HLS gentemot FLS är bland annat att skanningen och registreringen
av punktmolnet kan göras mycket snabbt utan omfattande planering. Instrumentet
ZEB-REVO med bearbetningsprogrammet GeoSLAM var dessutom mycket
användarvänligt där mindre förkunskaper krävdes. I likhet med James och Quinton
(2014) kan denna studie endast bekräfta att HLS verkar vara en lovande metod som
är mycket snabb. För denna studie skannandes omkring 2000 m2 på strax under 10
min och bearbetningen till ett registrerat punktmoln gjordes på ungefär lika lång tid.
Om punktmolnet däremot också ska georefereas krävs det en hel del arbete, både
före och efter skanningen, vilket kan vara tidskrävande (speciellt för ett område i
skogsmiljö). Det omfattande arbetet med georeferering av punktmolnet anses vara
en nackdel men som kanske skulle kunna lösas genom att integrera SLAM-
algoritmerna med GNSS, som Qian et al. (2017). RUFRIS som
stationsetableringsmetod kunde användas i denna studie då studieområdet låg intill
en öppen yta, i form av en landsväg. Då RUFRIS använder GNSS-mätningar krävs
det att instrumenten kan få signaler från satelliterna, vilket kan förhindras av t.ex.
träd eller höga byggnader. Detta gör att etableringsmetoden inte kan tillämpas
överallt. Därmed kan mer svårtillgängliga områden behöva göra mer omfattande
mätningar inför skanningen än vad denna studie behövde göra.
Riktlinjerna som anges i avsnitt 2.1, om att använda bl.a. brytlinjer vid framställning
och representation av DTM, var ogenomförbart för denna studie. Anledningen till
detta var att bearbetningen gjordes i CloudCompare, där brytlinjer inte går att skapa
i efterhand. I resultatet har även profilpunkterna 3-4 i profil 1 och punkterna 2-4 i
profil 2 tagits bort från samtliga mätningar. I jämförelsen mellan FLS DTM:en och
kontrollprofilerna hade dessa punkter höga negativa värden som avvek markant från
övriga höjdavvikelser. De höga negativa värdena bidrog till att i profil 1 och 2 fick
höjdavvikelserna ett medelvärde (Ahm) som minskade avsevärt i förhållande till vad
höjdavvikelserna skulle resultera i utan dessa höga negativa värden. Även det slutliga
resultatet (Mapt1) för FLS DTM:en beräknades få en betydande skillnad på grund av
detta. Innan dessa punkter togs bort hade profil 1 för FLS DTM:en en höjdavvikelse
på 0,004 m, vilket ökade till 0,054 m utan punkternas inverkan. Punkternas
negativa värden resulterade i att profil 2 för samma DTM också fick en höjdavvikelse
på 0,004 m, vilket ökade till 0,044 m utan punkterna. I det slutliga resultatet fick
FLS DTM:en ett medelvärde på 0,045 m med punkterna, vilket ökade till 0,055 m
utan dess inflytande. En bedömning gjorde därför att profilpunkterna 3 och 4, samt
2 till 4 för profil 1 respektive 2 inte var representativ för resultatet, varför
punkterna togs bort.
25
I jämförelsen mellan DTM:erna skapade med data från FLS och HLS så levererade
metoderna likvärdiga höjdskillnader i medelvärde för hela området. HLS med 0,5 m
punkttäthet var förvisso ca 1 cm bättre än FLS, men HLS med 1 m punkttäthet gav
en DTM med väldigt likvärdigt resultat gentemot FLS. Det förväntade resultatet
innan studien var att de båda metoderna skulle leverera likvärdiga resultat, vilket de
även gjorde på ett tillfredsställande sätt. Sett till standardavvikelsen så var även här
DTM:en skapad från HLS med 0,5 m punkttäthet ca 1 cm lägre än DTM:en från
FLS. Resultatet för marktyp 15p, dvs. slänt, resulterade i 2 cm lägre
standardavvikelse för HLS med 0,5 m punkttäthet än DTM:en från FLS. DTM:en
med 2 m punkttäthet som skapades från HLS gav dock sämst resultat utav samtliga
DTM:er. Höjdavvikelsernas medelvärde var 0,087 m, där det var som sämst på
marktyp 15p uppkom höjdavvikelsen till 0,104 m och med en standardavvikelse på
0,116 m. I och med att studien endast utgick ifrån åtta kontrollprofiler vid
beräknande av medel- och standardavvikelser kan resultatet, med de relativt små
skillnaderna, inte försäkra statistisk signifikans. Skapandet av DTM från HLS-data
gav bättre resultat när högre punkttäthet av punktmolnet användes. Därmed visar
studien på samma trend som Klang och Burman (2006), att högre punkttäthet kan
generera i en DTM med lägre osäkerhet. HLS kan vara en alternativ metod, men
samtidigt kan laserdata från FLS ändå ge låg osäkerhet för en DTM skapad från
betydligt färre punkter.
I studien av Bauwens et al. (2016) jämfördes b.la. höjdskillnader mellan DTM:er
skapade från mätningar med handhållen laserskanner (ZEB1, vilket är en föregångare
till ZEB-REVO) och terrester laserskanner (FARO Focus 3D 120). Detta gjordes
för tio olika testområden. Där resultatet visade att skillnaderna mellan DTM:erna
kunde uppnå värden lägre än 20 cm för vissa områden. Då ZEB-REVO är en nyare
modell än ZEB1 bör ZEB-REVO åtminstone kunna uppnå liknande osäkerhet som
ZEB1 i jämförelse med TLS (FARO Focus 3D 120). Denna reflektion är dock inget
som vår studie kan bekräfta.
5.1 Vidare studier
En vidare inriktning på denna studie skulle kunna vara att testa samla in FLS-data
med UAS istället för att använda Lantmäteriets. Detta kan vara intressant då UAS
blir en allt mer vanlig metod bland verksamma yrkesmän.
En annan idé för kommande studier skulle kunna vara att utforska hur SLAM-
algoritmen integrerat med GNSS eventuellt skulle kunna förbättra registrering och
georeferering av ett punktmoln. Där studien skulle kunna testa olika detaljrika
områden för att se hur och när teknikerna behöver komplettera varandra.
26
5.2 Hållbar utveckling och etiska aspekter
HLS med instrumentet ZEB-REVO är en tidseffektiv metod som underlättar och
effektiviserar arbetsprocessen. Då metoden HLS är fri från avgaser gör HLS mindre
inverkan på miljön och kan vara en alternativ metod i jämförelse med flygplan eller
andra bränsledrivna fordon. I och med att HLS snabbt kan samla in önskad data för
ett mindre område kan dessutom antalet extra arbetsresor minskas och utsläppen av
avgaser med dem. Då studien använde ny teknik i form av instrumentet ZEB-REVO
kan studien gå under mål nio av 17 för hållbar utveckling (United Nations, u.å.).
Etiska aspekter som togs i beaktning för denna studie var om markägaren hade några
synpunkter på att vi var på dennes mark och gjorde studien. Markägaren
kontaktades varav markägaren godkände vår förfrågan om att tillfälligt få vistas på
marken och även använda det data vi samlade in för studien.
27
6 Slutsats
Utifrån en inledande utvärdering av HLS som mätningsmetod, för framställande av
en DTM i skogsterräng, visar studien på likvärdigt resultat sett till lägesosäkerheten
för vad en DTM med FLS-mätningar kan åstadkomma. I och med det kan slutsatser
dras att FLS är fortsatt bra, effektiv metod att samla in data för att skapandet av
DTM i skogsterräng. Men att HLS kan vara en kompletterande metod om data
saknas för ett mindre område, eller om området i fråga har en utmanande terräng.
Då metoden inte behöver samma omfattande planering och kan utföras mycket
snabbt på bara några minuter. I jämförelse med FLS som mätningsmetod är
enkelheten att samla in data och få ett registrerat punktmoln på en sådan kort tid en
klar fördel för HLS. Medan nackdelarna med HLS är att insamlad data inte blir
synlig förrän efter bearbetningen av punktmolnet och att om punktmolnet ska
georefereras krävs en hel del förberedande samt vidare bearbetning.
28
Referenser
Bauwens, S., Bartholomeus, H., Calders, K. & Lejeune, P. (2016). Forest Inventory with Terrestrial LiDAR: A Comparison of Static and Hand-Held Mobile Laser Scanning. Forests, 7(6). https://doi.org/10.3390/f7060127
Dewez, T. J. B., Yart, S., Thuon, Y., Pannet, P., & Plat, E. (2017). Towards cavity-collapse hazard maps with Zeb-Revo handheld laser scanner point clouds. Photogrammetric Record, 32(160), 354–376. https://doi.org/10.1111/phor.12223
Durrant-Whyte, H., & Bailey, T. (2006). Simultaneous localization and mapping (SLAM): part I The Essential Algorithms. Robotics & Automation Magazine, 2, 99–110. https://doi.org/10.1109/MRA.2006.1638022
GeoSLAM Ltd. (2017). ZEB-REVO user manual v3.0.0 [Broschyr]. Hämtad 8 maj, 2018, från http://download.geoslam.com/docs/zeb-revo/ZEB-REVO%20User%20Guide%20V3.0.0.pdf
HMK-Höjddata. (2017). Handbok i mät- och kartfrågor, Höjddata. Gävle: Lantmäteriet. Hämtad den 1 januari, 2018, från http://www.lantmateriet.se/globalassets/om-lantmateriet/var-samverkan-med-andra/handbok-mat--och-kartfragor/dokument/2017/hmk_hojddata_2017.pdf
HMK-Teknisk rapport 2018:1. (2018). Handbok i mät- och kartfrågor, Teknisk rapport 2018:1:Mät- och lägesosäkerhet vid geodatainsamling – en lathund. Gävle: Lantmäteriet. Hämtad den 14 maj, 2018, från https://www.lantmateriet.se/globalassets/om-lantmateriet/var-samverkan-med-andra/handbok-mat--och-kartfragor/tekn_rapporter/hmk-tr_2018-1_lathund.pdf
Hubacek, M., Kovarik, V., & Kratochvil, V. (2016). ANALYSIS OF INFLUENCE OF TERRAIN RELIEF ROUGHNESS ON DEM ACCURACY GENERATED FROM LIDAR IN THE CZECH REPUBLIC TERRITORY. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLI-B4, 25–30. https://doi.org/10.5194/isprs-archives-XLI-B4-25-2016
INSPIRE Thematic Working Group Elevation. (2012). D2.8.II.1 INSPIRE Data Specification on Elevation – Technical Guidelines. Hämtad 7 maj, 2018, från http://inspire.ec.europa.eu/documents/Data_Specifications/INSPIRE_DataSpecification_EL_v3.0.2.pdf
James, M.R. & Quinton, J.N. (2014). Ultra-rapid topographic surveying for complex environments: the hand-held mobile laser scanner (HMLS). Earth Surf. Process. Landforms, 39, 138-142. https://doi.org/10.1002/esp.3489
Klang, D. & Burman, H. (2006). En ny svensk höjdmodell – Laserskanning, Testprojekt Falun. LMV-rapport 2006:3. Gävle: Lantmäteriet. Hämtad 24 maj, 2018, från https://www.lantmateriet.se/globalassets/kartor-och-geografisk-information/gps-och-matning/geodesi/rapporter_publikationer/rapporter/lmv-rapport_2006_03_laserskanning_falun.pdf
Lantmäteriet. (2011). Rapporter - Höjdmodellens noggrannhet. Gävle: Lantmäteriet. Hämtad den 1 januari 2018 från http://www.lantmateriet.se/globalassets/kartor-och-geografisk-information/hojddata/rapporter/nnh_noggrannhet.pdf
Lantmäteriet m.fl. (2013). Geodetisk och fotogrammetrisk mätnings- och beräkningsteknik. Gävle: Lantmäteriet.
Lantmäteriet. (2015). Laserdata vektor. Hämtad den 13 april, 2018.
Lantmäteriet. (2016). Kvalitetsbeskrivning nationell höjdmodell. Gävle: Lantmäteriet. Hämtad den 15 februari, 2018, från https://www.lantmateriet.se/globalassets/kartor-och-geografisk-information/hojddata/produktbeskrivningar/kvalitetsbeskrivning_nh.pdf
Lehtola, V. V., Kaartinen, H., Nüchter, A., Kaijaluoto, R., Kukko, A., Litkey, P., Honkavaara, E., Rosnell, T., Vaaja, M.T., Virtanen, J-P., Kukela, M., El Issaoui, A., Zhu, L., Jaakkola, A. & Hyyppä, J. (2017). Comparison of the selected state-of-the-art 3D indoor scanning and point cloud generation methods. Remote Sensing, 9(8). https://doi.org/10.3390/rs9080796
Liang, X., Kukko, A., Kaartinen, H., Hyyppä, J., Yu, X., Jaakkola, A. & Wang, Y. (2014). Possibilities of a Personal Laser Scanning System for Forest Mapping and Ecosystem Services. Sensors, 14(1), 1228–1248. https://doi.org/10.3390/s140101228
Mårtensson, S-G. (2016). Geodetisk mätning och beräkning [Kompendium]. Högskolan i Gävle, Akademin för teknik och miljö.
Qian, C., Liu, H., Tang, J., Chen, Y., Kaartinen, H., Kukko, A., Zhu, L., Liang, X., Chen, L. & Hyyppä, J. (2017). An Integrated GNSS/INS/LiDAR-SLAM Positioning Method for Highly Accurate Forest Stem Mapping. Remote Sensing, 9(1). https://doi.org/10.3390/rs9010003
Reshetyuk, Y. (2017). Terrester Laserskanning. Bookboon. Hämtad från https://bookboon.com/se/terrester-laserskanning-ebook
Ryding, J., Williams, E., Smith, M. J., & Eichhorn, M. P. (2015). Assessing handheld mobile laser scanners for forest surveys. Remote Sensing, 7(1), 1095–1111. https://doi.org/10.3390/rs70101095
SIS-TS 21144 (2016). Byggmätning - Specifikationer vid framställning och kontroll av digitala terrängmodeller. Stockholm: SIS Förlag AB.
Tyagur, N. & Hollaus, M. (2016). DIGITAL TERRAIN MODELS FROM MOBILE LASER SCANNING DATA IN MORAVIAN KARST. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLI-B3, 387–394. https://doi.org/10.5194/isprs-archives-XLI-B3-387-2016
United Nations. (u.å). SUSTAINABLE DEVELOPMENT GOALS: 17 GOALS TO TRANSFORM OUR WORLD. Hämtad 19 december, 2017, från United Nations, http://www.un.org/sustainabledevelopment/sustainable-development-goals/
Vium Andersson, J. (2012). Underlag till metodbeskrivning RUFRIS. Hämtad den 28 mars, 2018, från Trafikverket, https://trafikverket.ineko.se/se/metodbeskrivning-rufris
Zhang, W., Qi, J., Wan, P., Wang, H., Xie, D., Wang, X., & Yan, G. (2016). An easy-to-use airborne LiDAR data filtering method based on cloth simulation. Remote Sensing, 8(6). https://doi.org/10.3390/rs8060501