Subactivitatea 1.2 [302449]

Subactivitatea 1.2

Elaborarea și realizarea soluției noi pentru tehnologia

„controlul statistic al calității datelor LIDAR”

LIVRABILUL L 1

[anonimizat]

– final 28.02.2018 –

1 Februarie 2018 – 28 Februarie 2018

Livrabil realizat de

SC PROSIG EXPERT SRL

Numele persoanelor care au contribuit la implementarea activității

[Se va completa și semna documentul final]

Lista de distribuție

[Se va completa în funcție de distribuția efectivă a documentului]

Versiuni

[Se va completa pentru fiecare versiune]

CUPRINS

1. INTRODUCERE 5

1.1 Proiectul: SISTEM RAPID DE MONITORIZARE ȘI CARTARE INTERACTIVĂ 5

1.2 Proprietatea intelectuală 5

1.3 Scopul Documentului 5

1.4 Structura documentului 6

1.5 Acronime 6

1.6 Documente anexe 7

1.7 Lista de figuri 7

1.8 Lista de tabele 8

1.9 Bibliografie 9

2. STUDII / ANALIZE / EXPERIMENTĂRI / INTERPRETĂRI / CONCLUZII REFERITOARE LA SOLUȚIILE TEHNOLOGICE SIMILARE (IDENTIFICATE LA NIVEL INTERNAȚIONAL) 10

2.1 Sisteme LIDAR 10

2.1.1 Scurt istoric privind domeniul științific LIDAR 10

2.2 Principii și tehnologii generale de obținere a datelor LIDAR 13

2.2.1 Tipuri de echipamente LIDAR 15

2.2.2 Tehnologia principială a sistemelor LIDAR 17

2.2.2.1 Performanțele elementare ale sistemelor Laser 17

2.2.2.2 Fluxul tehnologic al unui sistem LIDAR 18

2.2.2.3 Tipuri de LIDAR în funcție de informațiile conținute în fascicolul reflectat 19

2.2.3 Componentele unui sistem LIDAR 21

2.2.3.1 Subsistemul de măsurare 22

2.2.3.2 Subsistemul de exploatare/punctare (scanare) 23

2.2.3.3 Sistemul de poziționare și orientare 24

2.2.3.4 Stocarea datelor 24

2.2.4 Tehnici de detecție în cadrul sistemelor LIDAR 24

2.2.4.1 Baleierea de tip spot și de tip matrice 25

2.3 [anonimizat] 26

2.3.1 Principiul scanării cu laser aerian 29

2.3.2 Geometria sistemului de scanare 31

2.3.3 Testarea preciziei altimetrice 33

2.3.4 Testarea distribuție normale 34

2.3.4.1 Metode de grupare și clasificare a datelor statististice 34

2.3.4.2 Analiza-grafică a distribuției 38

2.3.4.3 Testarea compatibilității distribuției erorilor cu Distribuția 2 39

2.3.4.1 [anonimizat] 41

2.3.5 [anonimizat] 48

2.3.5.1 Caracteristici tehnice 48

2.3.5.2 Avantaje și dezavantaje 54

2.4 [anonimizat] 56

2.4.1 Caracteristici geometrice 56

2.4.2 Caracteristici radiometrice 58

2.4.3 Condiții de înregistrare și formate specifice 61

2.4.3.1 Formatul de date LAS 61

2.4.3.2 Formatul de date LAZ 72

2.5 Descrierea operațiunilor pentru controlul statistic 74

2.5.1 Controlul statistic al calității datelor LIDAR 74

2.5.1.1 Eroare 75

2.5.1.2 Colectarea 75

2.5.1.3 Spațierea Nominală a Pulsurilor (NPS) 76

2.5.1.4 Frecvența 77

2.5.1.5 Histograma și poligonul frecvențelor 78

2.6 Descrierea metodelor de lucru 79

2.6.1 Pregătirea datelor 79

2.6.2 [anonimizat] 79

2.7 Specificații de programare pentru controlul statistic al calității datelor lidar 83

2.7.1 Principii și algoritmi pentru controlul statistic 83

2.7.2 Specificații de programare pentru validarea statistică a MNT 85

3. CONCLUZII 91

INTRODUCERE

Proiectul: [anonimizat] European de Dezvoltare Regională prin Programul Operațional Competitivitate 2014 – 2020, contract de finanțare 124 / 16.09.2016 încheiat cu Autoritatea Națională pentru Cercetare Științifică și Inovare în calitate de Organism Intermediar (OI), în numele și pentru Ministerul Fondurilor Europene (MFE) în calitate de Autoritate de Management (AM) pentru Programul Operațional Competitivitate.

Obiectivul proiectului este dezvoltarea de produse și procese noi, în scopul producției și comercializării. Obiectivele specifice și rezultatele proiectului sunt: dezvoltarea noilor produse „harta topografică digitală în structura GIS”, „reprezentarea realistică a unei arii geografice” și „raport privind identificarea și cuantificarea schimbărilor de peisaj”, dezvoltarea noului proces tehnologic pentru realizarea noilor produse și asigurarea condițiilor tehnice și de proprietate intelectuală pentru introducerea în producție și comercializarea noilor produse.

Proprietatea intelectuală

În conformitate cu Anexa 1 „Condiții Specifice” la contractul de finanțare, pct. d) „Condiții Specifice Programului Operațional”, al. (10) „Dreptul de proprietate / utilizare a rezultatelor și echipamentelor”: orice rezultate sau drepturi legate de acestea, inclusiv drepturi de autor și / sau orice alte drepturi de proprietate intelectuală și / sau industrială, obținute în executarea sau ca urmare a executării acestui Contract de Finanțare vor fi proprietatea PROSIG EXPERT SRL.

Scopul Documentului

Prezentul document „Descrierea operațiunilor, instrumentelor și metodelor de lucru privind controlul statistic al calității datelor LIDAR” reprezintă unul din cele trei livrabile ce se vor realiza în cadrul subactivității 1.2 Elaborarea și realizarea soluției noi pentru tehnologia „controlul statistic al calității datelor LIDAR”.

Prezentul document împreuna cu celelalte două livrabile ale subactivității 1.2 (respectiv pachet de programe software pentru „controlul statistic al calității datelor LIDAR” și clasele de „puncte LIDAR verosimile” și „puncte LIDAR anomalii” obținute prin clasificarea experimentală a unui nor LIDAR) conțin și descriu know-how-ul aferent soluției noi pentru tehnologia „controlul statistic al calității datelor LIDAR”.

Structura documentului

În prima parte a livrabilului se vor prezenta atât studii / analize / experimentări / interpretări / concluzii (după caz) referitoare la soluțiile tehnologice similare (identificate la nivel internațional) cât si principalele etape necesare pentru „controlul statistic al calității datelor LIDAR”, urmând ca în continuare etapele să fie detaliate pe faze / operațiuni / scheme privind procedurile de lucru.

Documentul va aborda soluția tehnologică atât dintr-o perspectivă teoretică – științifică cât și tehnico-aplicativă. Fiind rezultatul unei activități de cercetare industrială, documentul nu va fi (în mod obligatoriu) structurat ca o descriere a unui proces tehnologic.

Abordarea ca „proces tehnologic” se va realiza ulterior în cadrul activității C.3 „Activități de inovare” a proiectului.

Pe parcursul implementării a subactivității 1.2, atât structura documentului cât și conținutul capitolelor acestuia se vor putea modifica / completa / îmbunătății în funcție de rezultatele obținute în cadrul activităților de cercetare-industrială, astfel versiunea finală a prezentului document va conține know-how-ul aferent noii soluții „controlul statistic al calității datelor LIDAR” (varianta finală rezultată în urma desfășurării activității de cercetare industrială).

Acronime

Documente anexe

Lista de figuri

Figura 1. Albert Einstein 11

Figura 2. Exemplu de laser microscopic (stânga) și unul gigantic (dreapta). 12

Figura 3. Laserul ELI de la Măgurele – în dezvoltare 12

Figura 4. Spectrul electromagnetic și lungimea de undă pentru laser 13

Figura 5. Tipuri de suprafețe de reflexie: a)lucios, b)difuz, c) mixt; 14

Figura 6. Reflectanța solului, apei și vegetației mixte 14

Figura 7. LIDAR-ul pentru fizica norului (Cloud Physics Lidar – CPL) și datele înregistrate 15

Figura 8. ICESat echipat cu GLAS Sistem Laser pentru Geoștiințe și principul de funcționare 15

Figura 9. Diferite Ceilometre LiDAR (mira la sol în dreapta) 16

Figura 10. Modul de operare precum și datele satelitului CALIPSO 16

Figura 11. Structura de bază a sistemului LIDAR 17

Figura 12. Fluxul unui sistem LIDAR 18

Figura 13. Ansamblu de monitorizare LIDAR a particulelor generate de o emisie vulcanică 20

Figura 14. Sinteză a tipurilor actuale de LIDAR – Prof. Dr. Valeriu FILIP 21

Figura 15. Reprezentarea schematică a sistemului LIDAR 22

Figura 16. Sistem de scanare cu oglindă oscilatoare 23

Figura 17. Colectarea datelor LiDAR aeriane 26

Figura 18. Geometria și componentele unui sistem ALS (Airborne laser scanning) 27

Figura 19. Achiziția datelor LIDAR aeriene și fluxul de lucru 28

Figura 20. Modul de lucru cu tehnologia LiDAR 29

Figura 21. Scanerul LiDAR și componentele GNSS, IMU, ECEF – Sistemul Cartezian Geocentric coordonatele sistemului 32

Figura 22. Geometria sistemului de scanare laser aeropurtat-adaptare 33

Figura 23. Extragere valori altitudini 34

Figura 24. Asimetria negativă a erorilor 38

Figura 25. Reprezentarea diferențelor altimetrice pentru cele două seturi de date 41

Figura 26. Regresia liniara pentru o populație statistică 42

Figura 27. Intervale de încredere pentru predicție 43

Figura 28. Distribuția normală 44

Figura 29. Calcul valori aberante 45

Figura 30. Determinare valoare excepțională 46

Figura 31. Determinarea unei singure valori 46

Figura 32. Selectarea punctelor ce trebuie eliminate 47

Figura 33. Statistici descriptive 48

Figura 34. Tipuri de Multi-rotor 49

Figura 35. Single-rotor (elicopter) 49

Figura 36. Fixed-wing (aeroplan) 50

Figura 37. Fixed-wing Hybrid (aeroplan hibrid) 50

Figura 38. Timpul parcurs a unui fascicul laser 52

Figura 39. Exemplu de spațiere diferită în aceeași scanare Lidar 56

Figura 40. Spațieri neomogene la scanări multiple 57

Figura 41. Puncte Lidar colorate RGB (detaliu) 58

Figura 42. Puncte Lidar colorate RGB (ansamblu 59

Figura 43 Vizualizarea informației de intensitate normalizată 60

Figura 44. Vizualizarea gradientului de intensitate 60

Figura 45. Formatul de date WKT: st. – WGS84, SRID 4326 și dr. – UTM, SRID 2029 71

Figura 46.Reprezentarea diferențelor altimetrice ale setului de date 75

Figura 47. Distribuția erorilor la măsurarea repetată a unei mărimi (x’ – valoarea reală) 77

Figura 48.Histrograma și poligonul frecvențelor 78

Figura 49- Interpretarea grafică a probabilității 78

Figura 50. Seturi de puncte ce aparțin diverselor tipuri 79

Figura 51- Aproximarea unei distribuții 80

Figura 52. Proprietăți diferite ale suprafeței de bază prin clasificare 80

Figura 53. Reprezentarea terenului legatura cu procesul stochastic 81

Figura 54.Determinarea distanței în funcție de răspunsurile diferitelor tipuri de vegetație 82

Figura 55.Distribuția erorilor verticale 83

Figura 56. Dispunerea celulelor de eșantionare peste un nor de puncte Lidar 86

Figura 57. Dispunerea celulelor de eșantionare pe suprafața terenului – vedere laterală 87

Figura 58. Principii de căutare a următoarei celule valide 88

Figura 59. Direcții de căutare următoarea celulă nevalidată 89

Figura 60. Erori de poziționare relativă 92

Figura 61. Zbor LIDAR în zona Pantelimon fără erori relative de poziționare 92

Figura 62. Zona Pantelimon Est, acoperire între benzi fără erori relative 93

Figura 63. Calculul și vizualizarea parametrilor statistici 94

Figura 64. Date statistice calculate în LIDAR-Tools 94

Figura 65. Calcule statistice în LIDAR-Tools 95

Figura 66. LIDAR-Tools 95

Figura 67.Vizualizarea punctelor neverosimile în LIDAR-Tools (fișier LAS avion) 96

Figura 68. Vizualizarea punctelor neverosimile, fișier LAS din zona Pantelimon 97

Figura 69. Identificarea punctelor neverosimile 97

Lista de tabele

Tabelul 1. Gruparea unităților după caracteristica numerică discretă X 35

Tabelul 2 Modelul grupării pe intervale de variație a caracteristicii x 37

Tabelul 3. Erorile altitudinilor LiDAR 39

Tabelul 4. Testarea rezultatelor distribuției altimetrice 40

Tabelul 5. Caracteristici tehnice UAV 51

Tabelul 6. Caracteristici tehnice Sisteme LiDAR 52

Tabelul 7. Caracteristici tehnice scanere LiDAR 53

Tabelul 8. Caracteristici tehnice senzori IMU 54

Tabelul 9. Avantaje și dezavantaje tipuri de drone 56

Tabelul 10. Structura fișierelor LAS, versiunea actuală 1.4 62

Tabelul 11. Descrierea blocului Public Header – formatul de date LAS 64

Tabelul 12. Componența sectorului de date VLR – formatul de date LAS 65

Tabelul 13. Descrierea formatelor 0-5 pentru înregistrarea datelor 67

Tabelul 14. Codurile de clasificare a punctelor – formatele 0-5 67

Tabelul 15. Descrierea formatelor 5-10 pentru înregistrarea datelor 69

Tabelul 16. Codurile de clasificare a punctelor – formatele 5-10 70

Tabelul 17. Descrierea sectorului de date Extended Variable Length Records – EVRLs 70

Tabelul 18. Tabel comparativ privind performanța de compresie pentru diferite formate 73

Bibliografie

National Geospatial-Intelligence Agency, NGA STANDARDIZATION DOCUMENT: Light Detection and Ranging (LIDAR) Sensor Model Supporting Precise Geopositioning, Version 1.1, NGA.SIG.0004_1.1, 2011-08-01

J.Angelo BERALDIN, Françoise BLAIS, Uwe LOHR, Aiborne and Terrestrial Laser Scanning, 2010, pag.20-30

Nicolae Fotescu, Teoria erorilor de măsurare și metoda celor mai mici pătrate, Institutul de Construcții București – Ediția 1975

Barnett V. and Lewis T. (1980). Outliers in Statistical Data. John Wiley and Sons, Chichester, New York, Brisbane, Toronto.

Grubbs F.E. (1950). Sample criteria for testing outlying observations. Ann. Math. Stat. 21, 27-58.

Iglewicz B. and Hoaglin D. (1993). "Volume 16: How to Detect and Handle Outliers", The ASQC Basic References in Quality Control: Statistical Techniques, Edward F. Mykytka, Ph.D., Editor.

International Organization for Standardization (1994). ISO 5725-2: Accuracy (trueness and precision) of measurement methods and results—Part 2: Basic method for the determination of repeatability and reproducibility of a standard measurement method, Geneva.

Snedecor G. W. and Cochran W. G. (1989). Statistical Methods, Eighth Edition, Iowa State University Press.

STUDII / ANALIZE / EXPERIMENTĂRI / INTERPRETĂRI / CONCLUZII REFERITOARE LA SOLUȚIILE TEHNOLOGICE SIMILARE (IDENTIFICATE LA NIVEL INTERNAȚIONAL)

Sisteme LIDAR

LIDAR (Light Detection And Ranging) se referă la un sistem radar care funcționează la frecvențe optice care utilizează un laser ca sursă de fotoni (Kamerman). Există mai multe varietăți de LIDAR în funcțiune, îndeplinind misiuni diferite. Unele sisteme, cum ar fi LIDAR de scanare hidrografică (SHOALS) și pentru Compact Hydrographic Airborne Rapid Total Survey (CHARTS) folosesc lungimi de undă care sunt optime pentru colectarea batimetrică de mică adâncime și alte date necesare pentru detectarea obstacolelor din calea navigației. Altele, inclusiv majoritatea sistemelor COTS, cum ar fi Optech 3100 și ALS50 Leica, se concentrează pe cartografierea topografică și sunt folosite pentru a face o hartă sau o imagine 3D a unor locații de pe Pământ.

Sistemele LIDAR topografice, în general, măsoară timpul de deplasare, între o emisie de puls laser și atunci când întoarcerea reflectată este primită, și de a folosi aceasta pentru a calcula distanța până la obiectele întâlnite de impulsul emis. Prin combinarea unei serii de aceste intervale cu alte informații, cum ar fi localizarea platformei (dronei), situația spațială (attitude) a dronei este generată o scena tridimensională (3D) a zonei de interes. Adesea, această scenă este stocată ca o serie de coordonate 3D, {X, Y, Z}, pentru fiecare întoarcere, care reprezintă un punct din nor. Au fost elaborate mai multe variante ale sistemelor LIDAR. Acest capitol oferă o prezentare generală a tehnologiei și oferă cititorului o perspectivă suficientă în tehnologia utilizată pentru a înțelege modelul senzorului fizic descris mai târziu în acest studiu.

Scurt istoric privind domeniul științific LIDAR

Domeniul științific în care se încadrează achiziția datelor LIDAR este denumit teledetecție. Există două tipuri principale de teledetecție: teledetecție pasivă și teledetecție activă.

Senzorii pasivi detectează radiația naturală care este emisă sau reflectată de obiecte sau zone învecinate acestora. Lumina de la Soare (radiația solară) reflectată este cea mai comună sursă de radiație măsurată de senzorii pasivi. Cel mai cunoscut exemplu de senzori pasivi sunt imaginile.

Teledetecția activă presupune emiterea de energie care să scaneze obiecte și arii după care un senzor detectează și măsoară radiația reflectată sau împrăștiată înapoi de la țintă. RADAR-ul și LIDAR-ul sunt cele mai cunoscute exemple de teledetecție activă.

Teledetecția face posibilă strângerea de date din arii inaccesibile sau periculoase; permite monitorizarea despăduririlor Amazoniene periculoase; caracteristicilor ghețarilor în Arctica sau Antarctica și adâncimea la coastă sau în largul mărilor și oceanelor. Permite prin platformele orbitale și măsurătorile de la sol urmărirea fenomenelor atmosferice extreme de mai scurtă sau lungă durată, precum El Nino, dar și starea și compoziția atmosferei pe arii extinse, la nivel global.

Teledetecția laser (Laser Remote Sensing (LRS)) în termeni generali descrie tehnica prin care se obțin informații despre sisteme aflate la distanță mare, cu ajutorul laserului. Această tehnică este cunoscută cel mai mult ca și LiDAR, iar tehnica teledetecției este echivalentul radarului pentru domeniul luminii vizibile.

Laserul este un dispozitiv care generează sau amplifică lumina la fel cum un tranzistor sau un tub electronic cu vid generează sau amplifică semnale electronice la frecvențe audio, radio sau în domeniul microundelor.

Cuvântul LASER reprezintă acronimul expresiei din limba engleza: ,,Light Amplification by Stimulated Emission of Radiation” ceea ce semnifică:,,amplificarea luminii prin emisia stimulată a radiației”.

Primul laser funcțional a fost construit de Theodor Maiman în 1960 și avea ca mediu activ un cristal sintetic de rubin pompat cu pulsuri.

Primul laser cu gaz a fost construit de fizicianul iranian Ali Javan în 1960, folosind un amestec de heliu și neon, care producea un fascicul cu lungimea de undă de 1,15 μm (infraroșul apropiat), spre deosebire de laserii actuali cu He-Ne care emit în general în domeniul vizibil, la 633 nm.

România a fost a patra țară din lume în care s-au realizat laseri în urma unor cercetări întreprinse de un colectiv condus de Ion I. Agârbiceanu (fiul scriitorului Ion Agârbiceanu). Rezultatul lor a fost raportat în 1961.

În imaginile următoare din Figura 2 sunt prezentate câteva tipuri de laseri. Un exemplu de laser microscopic (stânga) și unul gigantic (dreapta).

Figura 2. Exemplu de laser microscopic (stânga) și unul gigantic (dreapta).

România va dezvolta cel mai puternic LASER din istorie la cel mai mare centru științific internațional din estul Europei – ELI Nuclear Physics, într-o colaborare cu Cehia și Ungaria. Cu un puternic impact pozitiv, economic și social acesta va deschide noi oportunități pentru știință, tehnologie și social, acesta va deschide noi oportunități pentru știință, tehnologie și industrie, punând UE în fața economiilor mondiale concurente. Prima facilitate de cercetare paneuropeană se va numi Extreme Light Infrastructure (ELI) și va fi construită la Măgurele, lângă București. Aici se vor dezvolta tehnologii superioare celor de la CERN. Dintre cele trei țări implicate în prima parte a proiectului, în România se vor investi cel mai mult, 280 de milioane de euro, în Cehia – 260 mil. euro, iar în Ungaria 180 mil. euro. ELI – Măgurele va funcționa cu peste 300 de cercetători români (ingineri, tehnicieni, etc.) din cadrul institutelor de la noi, dar va atrage și mulți cercetători străini. Facilitatea va include cea mai puternică sursă LASER din lume (10 petawatts) și mai multe laboratoare pentru dezvoltarea diferitelor utilizări. Străinii vor veni la Măgurele pentru experimente posibile numai aici și mulți studenți români vor fi atrași spre cercetare.

Figura 3. Laserul ELI de la Măgurele – în dezvoltare

Principii și tehnologii generale de obținere a datelor LIDAR

Radiația electromagnetică (inclusiv lumina) manifestă proprietățile undelor și particulelor. Aceasta este caracterizată de lungimea de undă, frecvență și intensitate.

Ecuația (1) exprimă lumina formată din fotoni care nu au masă dar au energia E invers proporțională cu lungimea de unda λ.

unde h=constanta Planck(6,6262 10-34Js) și c=viteza luminii(299.792.458 m/s).

Figura 4 descrie clasificarea radiației electromagnetice în funcție de lungimea de undă.

Figura 4. Spectrul electromagnetic și lungimea de undă pentru laser

Spectrul vizibil se află între lungimile de undă 400nm și 700nm. Intervalul laser se întinde între zona infraroșu și ultraviolet al spectrului electromagnetic. Lumina este emisă pe traiectorii diferite; când aceasta atinge obiectul, o parte din radiația electromagnetică este reflectată de suprafața acestuia.

Raportul dintre radiația reflectată și cea primită de suprafață definește reflecția. O suprafață reflectă (Rλ), transmite (Tλ) și/sau absoarbe (Aλ) energia (E) radiației incidente (Iλ) primită. Acest fenomen este exprimat prin relația din ecuația (2).

unde λ=lungimea de undă a radiației electromagnetice.

O suprafață care reflectă radiația incidentă într-o singură direcție departe de sursă iar unghiul de reflexie este egal cu unghiul de incidență, se numește suprafață lucioasă (Figura 5.a). Suprafața lucioasă nu reflectă radiația în aceeași direcție cu sursa. Acest tip de reflexie are loc când rugozitatea suprafeței este mai mică decât lungimea de undă a radiației incidente.

Figura 5. Tipuri de suprafețe de reflexie: a)lucios, b)difuz, c) mixt;

În mediu înconjurător, acest tip de reflexie se găsește la suprafața apelor stătătoare sau pe suprafețele sticloase (gheața fără sedimente). Al doilea tip de reflexie este reflexia difuză sau reflexia Lambert (Figura 5.b).

Reflectivitatea depinde de unghiul de incidență și de rugozitatea suprafeței expuse. Acest tip de reflexie are loc când rugozitatea suprafeței este mai mare ca lungimea de undă a radiației incidente permițând reflectarea în toate direcțiile. În realitate, majoritatea suprafețelor din mediu înconjurător au reflexie mixtă (Figura 5.c).

Pentru majoritatea suprafețelor, cu cât crește unghiul de incidență cu atât crește cantitatea de lumină reflectată. Acest efect este pronunțat pentru suprafețele reflectoare sau lucioase (exemplu: la răsărit sau apus când lumina soarelui lovește suprafața apei). Din ecuația (2) reiese că gradul de reflexie depinde de lungimea de undă.

Figura 6. Reflectanța solului, apei și vegetației mixte

Suprafețele absorb anumite părți ale spectrului electromagnetic reflectând în același timp la anumite lungimi de undă (Figura 6). Rezultatele absorbției și reflectanței sunt culorile pe care le vedem în spectrul vizibil.

Tipuri de echipamente LIDAR

În următoarele paragrafe vom prezenta câteva tipuri de lasere, funcționalitatea și utilizarea acestora dar și cei mai importanți parametrii tehnici.

LIDAR-ul de fizica norului (Cloud Physics Lidar – CPL) este un LIDAR de retroîmprăștiere care operează la trei lungimi de unda: 1064, 532 și 355 nm. Acest LIDAR detectează cu rezoluție spațială și temporală ridicată nori cirrus și aerosoli. Astfel se obțin: imagini de secțiuni timp-înălțime; straturi de nor și de aerosol; adâncimea optică a norilor; straturi de aerosol; limitele planetelor – PBL (Planetary Boundary Layer); profile ale extincției.

Figura 7. LIDAR-ul pentru fizica norului (Cloud Physics Lidar – CPL) și datele înregistrate

GLAS (Geoscience Laser Altimeter System – Sistem de altimetrie laser pentru geoștiințe) este primul LiDAR pentru observații globale continue asupra Pământului. Este la bordul satelitului ICESat (Ice Cloud and Elevation Satellite) și face observații atmosferice unice care includ: topografia ghețarilor, proprietățile norilor și cele atmosferice, înălțimea și grosimea straturilor de nori. Toate aceste observații și măsurători sunt folosite în prevederea vremii și estimările fenomenelor climatice.

Figura 8. ICESat echipat cu GLAS Sistem Laser pentru Geoștiințe și principul de funcționare

Ceilometrul este un mini-LiDAR care folosește o dioda laser de 910 nm care transmite pulsuri de 10 kHz la un interval de 2 secunde. Poate fi folosit în poziție verticală sau inclinat la 12 grade. Ceilometrul este folosit în prognoze meteorologice locale și în analiza consistenței, a dimensiunilor și a naturii norilor. De asemenea poate fi utilizat în aproprierea aeroporturilor situate în zone vulcanice pentru măsurarea norilor de cenușă vulcanică, în vederea evitării daunelor aeronautice.

Figura 9. Diferite Ceilometre LiDAR (mira la sol în dreapta)

LiDAR-ul de la bordul satelitului CALIPSO (Cloud Aerosol Lidar and Infrared Pathfinder Satellite Observation) lansat în 28 Aprilie, 2006. Modul de operare precum și datele satelitului CALIPSO sunt prezentate în diferite feluri în imaginile următoare. Imaginile de la satelitul Calipso arată secțiuni prin straturi de aerosol (Figura 10 dreapta, imaginea din mijloc), acoperirea cu nori (imaginea de sus) și datele de la LiDAR-ul de pe un avion obținute la același moment de timp (imaginea de jos).

Figura 10. Modul de operare precum și datele satelitului CALIPSO

Tehnologia principială a sistemelor LIDAR

Sursele continue de lumină, cum ar fi lămpile cu xenon, se folosesc extensiv în monitorizarea atmosferică pe distanțe de sute de metri. Sistemele moderne laser au însă avantaje net competitive față de acest tip de surse:

puteri mari la lungimi de undă specifice sau variabile de la UV până la IR,

pulsuri scurte de la micro până la picosecunde,

divergența mică a fascicolului care permite astfel transportul energiei optice pe distante mari.

Printr-un senzor LiDAR, un număr de elemente independente sunt integrate într-un singur dispozitiv care generează date critice de navigare ce variază împreună cu poziționarea precisă în condiții de siguranță. Tehnologia LiDAR are capabilități de detectare a obstacolelor asupra unui câmp larg de vedere și este un interpret de top pentru evitarea unor soluții greșite de interpretare. Spre exemplu, LiDAR este tehnologia de vârf în industria automobilelor pentru evitarea coliziunilor și de asemenea pentru vehiculele aeriene și terestre fără pilot (UAV).

Performanțele elementare ale sistemelor Laser

Divergența unui sistem laser tipic este de 0.5 mR, dar, dacă se dorește reducerea acestei divergențe, atunci O1 poate fi un dispozitiv de lărgire a diametrului fascicolului emis și care deci produce o reducere a divergenței.

Sistemul optic O2 poate conține o simplă lentilă sau un telescop sofisticat cu apertură mare, după cum distanța de măsură este de sute de metri sau de ordinul kilometrilor. Cum viteza luminii este de aproximativ 300 m/µs atunci pulsul este primit înapoi de la o distanță de 150 m după 1 µs de la emisie. Informația obținută din analiza întârzierii este unul din punctele forte ale LiDAR-lui, iar rezoluția spațială DR = tpc/2 este definită de durata pulsului tp. Rezultă, deci, că o durată a pulsului de 1 ns are o rezoluție spațială de minimum 15 cm.

Fluxul tehnologic al unui sistem LIDAR

Ecuația de principiu a LIDAR-ului este reprezentată de relația (3).

unde Plas este puterea luminii emise a laserului, R este distanța până la țintă (împrăștiator), C este un factor de calibrare al instrumentului, care conține proprietățile de propagare ale radiației laser prin O1 și O2, (R) este coeficientul de retroîmprăștiere (care conține între altele și concentrația împrăștiatorilor la distanța R) iar T(R) coeficientul de transmisie pe distanța R. Acest coeficient, de tipul Lambert-Beer, se poate determina prin relația din ecuația (4).

Unde e(r) este coeficientul de extincție a luminii pe distanța R.

Eliminarea fondului de zgomot este una din problemele legate de achizițiile datelor LiDAR. Aceasta este modalitatea prin care se pot elimina fluxurile mari de fotoni solari care produc un fond foarte intens în detector. Acest fond este în mod obișnuit diminuat prin deschiderea detectorului pentru intervale de timp foarte scurte (pe durata pulsului) și prin mărirea raportului semnal/zgomot în acest interval prin filtrarea către detector numai a lungimii de undă cerute (cea a laserului). Această operațiune se realizează folosind filtre și monocromatoare.

O alta problemă în realizarea determinărilor LiDAR este modalitatea de a achiziționa date calitative prin calibrarea LIDAR-ului. Nu se pot folosi proceduri de calibrare obișnuite, din cauza faptului că țintele sunt depărtate, și deci trebuie folosiți parametri interni pentru a efectua măsurători cantitative. Prin urmare, pentru măsurători la distanță, sunt necesare raportul sau diferența a două semnale (unul din ele fiind semnalul de calibrare).

Standardul de calibrare poate fi de mai multe feluri:

temporizarea precisă a pulsului laser sau a intervalului de timp dintre două evenimente;

semnalul Raman cvasi-constant al apei (pentru determinări LiDAR acvatice);

semnalul Raman al azotului (pentru măsurători LiDAR în atmosferă).

Tipuri de LIDAR în funcție de informațiile conținute în fascicolul reflectat

Atunci când un obiect, care poate fi un nor, emisiile unui coș de fum, etc., interceptează fascicolul laser, el generează un fascicol reflectat. Acesta poate fi un semnal fără specificație (semnătură) chimică, cum este cazul în împrăștierea Rayleigh sau Mie de către aerosoli în atmosferă: lungimile de undă emise și reflectate sunt aceleași (fenomene elastice).

Semnalul reflectat poate fi însă și cu specificitate chimică, așa cum este situația împrăștierii Raman sau a Fluorescenței, induse prin iradiere laser. În aceste cazuri, lungimea de undă reflectată este diferită (de obicei deplasată spre roșu) față de cea a fascicolului emis. Semnalul reflectat conține întotdeauna informații despre obiectul împrăștiator, permițând astfel analizarea fizică și chimică a obiectului de la distanță. În paragrafele următoare vom descrie pe scurt fiecare tip de LiDAR, în funcție de fascicolul reflectat.

LiDAR cu împrăștiere Mie

Aerosolii, cum ar fi particulele de poluanți, ca și vaporii de apă sau cristalele de gheață din nori, pot fi detectați prin împrăștiere elastică Mie, în care semnalul împrăștiat are aceeași lungime de undă ca și cel emis de laser (las). Acest semnal este comparat cu semnalul Raman detectat pe azot (etalon) la o frecvență vecină (N). Concentrația aerosolului este proporțională cu Pdet(las)/Pdet(N).

Măsurători bazate pe împrăștierea Mie au fost făcute cu multe stații LiDAR din lume pentru monitorizarea erupțiilor vulcanice care pompează cantități enorme de aerosoli în troposferă și stratosferă.

LiDAR cu împrăștiere Rayleigh

LiDAR cu împrăștiere Raman

Spre deosebire de împrăștierea Mie, împrăștierea Raman inelastică poate furniza informații despre natura chimică a împrăștiatorului. În efectul vibrațional Raman, fotonul incident este absorbit de o moleculă care trece într-o stare virtuală instabilă, urmând să se dezexcite prin emisia unui foton caracteristic, deplasat spre roșu (deplasarea Stokes), într-un nivel de vibrație fundamental. Astfel, fotonul împrăștiat este deplasat cu o valoare caracteristică a gazului absorbant. Concentrația cerută a gazului este comparată cu semnalul Stokes al moleculelor de azot pentru calibrare internă. Aceste molecule Raman sunt de obicei foarte distincte.

Dificultatea principală legată de efectul Raman este că este un principiu foarte slab, semnalul Raman fiind cu aproximativ trei ordine de mărime mai puțin intens decât cel al împrăștierii Rayleigh pe aceeași moleculă. Prin urmare, LIDAR-ul Raman este util numai în situațiile în care sunt disponibile lasere cu intensitate mare, sau când se monitorizează constituenți majori în atmosferă, cum ar fi apa, CO2, SO2 sau O3.

LiDAR cu fluorescență

În LIDARul cu fluorescență laserul este acordat pe anumite absorbții de tranziție din speciile atmosferice, acvatice sau terestre. Lumina de fluorescență este detectată în receptor și comparată (ca și în cazul LIDAR-ului Raman) cu semnalul Raman al azotului, putându-se obține astfel rezultate cantitative. Multe molecule, în particular un număr de molecule aromatice, prezintă fluorescența eficientă după iradiere UV. De aici și folosirea frecventă a acestei tehnici în detecția poluanților petrochimici pe suprafețe marine.

Folosind un laser cu azot (337 nm) într-un sistem LIDAR, de exemplu pe o platformă aeriană, se poate diferenția clar semnalul de fluorescență al petelor de petrol între 400 nm și 500 nm, în contrast cu semnalul Raman al apei la aproximativ 380 nm. Într-o anumită măsură se pot distinge chiar diversele tipuri de petrol prin amprenta lor de florescență și deci se poate identifica proveniența petrolului respectiv.

Radiația incidentă este absorbita de electroni prin excitarea acestora pe nivele energetice superioare. Dezexcitarea duce la emisia unei lungimi de undă similare (împrăștiere elastică). În afară de aceste procese, energia se poate disipa între nivelele superioare și prin relaxare vibrațională. Dezexcitările ulterioare produc fotoni de lungime de undă mai mare și formează radiația de fluorescentă.

O sinteză a tipurilor de LiDAR dezvoltate la ora actuală în lume a fost realizată de către Prof. Dr. Valeriu FILIP (profesor în cadrul Facultății de Fizică a Universității București). Schema realizată de către acesta este prezentată în figura Figura 14 de mai jos:

Figura 14. Sinteză a tipurilor actuale de LIDAR – Prof. Dr. Valeriu FILIP

Componentele unui sistem LIDAR

Cu toate că există mai multe variante ale sistemelor LIDAR, aceste sisteme constau în general dintr-un set similar de componente de bază (Figura 12), care includ: subsistemul care variază (emițător laser, receptor laser), scanare / punctare a subsistemului, subsistemul de poziționare și orientare, sistemul de controler și de stocare a datelor (Brenner, Liadsky și Wehr).

Toate aceste componente sunt critice pentru dezvoltarea unui set de date 3D. În plus, atunci când dezvoltăm modelul fizic al unui sistem LIDAR, multe dintre aceste componente au propriile lor sisteme de coordonate așa cum este detaliat mai târziu într-un alt capitol al acestui studiu. După cum este arătat în Figura 15, un sistem LIDAR este alcătuit din mai multe sub-componente, care trebuie să lucreze împreună pentru a genera un set de date. Calitatea și densitatea produsului de ieșire depinde de funcționarea și setările subsistemelor.

Figura 15. Reprezentarea schematică a sistemului LIDAR

Sistemul de control, după cum sugerează și numele, este utilizat pentru a oferi utilizatorului o interfață pentru componentele sistemului și de a coordona funcționarea acestora. Acesta permite operatorului să specifice setările senzorilor și pentru a monitoriza funcționarea subsistemelor. Fiecare dintre aceste componente esențiale ale sistemelor LIDAR sunt prezentate și descrise schematic în Figura 15.

Subsistemul de măsurare

Componenta cheie care definește LIDAR ca un sistem unic este subsistemul de măsurare a distanțelor variabile. Acest subsistem este format din componente suplimentare, inclusiv un emițător laser și un receptor electro-optic. Transmițătorul cu laser generează fasciculul laser și emite energia laserului din sistem, care este apoi îndreptată spre sol de către alte subsisteme. Pot exista mai multe componente pe traseul optic al energiei laser care se transmite, inclusiv un comutator de transmisie, extensoare laterale, precum și un telescop optic de ieșire, pentru a enumera doar câteva (Kamerman). Există mai multe tipuri de laser, care ar putea fi utilizate pentru sistemele LIDAR dar care au în comun un singur tip cu neodymium-doped yttrium aluminum garnet (Nd:YAG).

Sistemele LIDAR funcționează la o varietate de lungimi de undă, cele mai frecvente fiind 1064 nm (infraroșu apropiat) pentru scanere topografice și 532 nm (verde) pentru scanere batimetrice. Scanere terestre folosesc adesea lungimi de undă mai mari (aprox. 1500 nm) pentru a maximiza siguranța ochilor. Alegerea lungimii de undă cu laser depinde de o varietate de factori, printre care: caracteristica mediului măsurat, proiectarea sistemului în ansamblu, sensibilitatea detectoarelor utilizate, siguranța ochilor și proprietățile backscattering ale țintei (Wehr). În plus față de lungimea de undă a laserului, puterea laserului este de asemenea un aspect important în ceea ce privește siguranța ochilor. Receptorul electro-optic captează energia laser care este împrăștiată sau reflectată de țintă și focalizează energia pe un detector fotosensibil folosind optica de formare a imaginii. Marcajele de timp ale luminii transmise și detectate sunt apoi utilizate pentru a calcula intervalul de timp scurs și, prin urmare, distanța.

Subsistemul de exploatare/punctare (scanare)

Pentru a genera o acoperire a unei arii țintă, sistemele LIDAR trebuie să măsoare intervale de locații multiple în zona de interes. Acoperirea unui singur câmp vizual instantaneu (IFOV) a sistemului nu este, în general adecvată pentru a satisface această nevoie. Prin urmare, o combinație de mișcare și de punctare a sistemului platformei este utilizată pentru a dezvolta acoperirea la sol a unei scene. În acest studiu se vor descrie unele dintre conceptele de vizare și de scanare, care sunt utilizate în sistemele LIDAR curente. Una dintre cele mai comune metode de a direcționa energia laserului spre sol se face printr-un mecanism de scanare.

Un mecanism de scanare popular este o oglindă oscilantă, care se rotește în jurul unei axe printr-un anumit unghi specificat (unghiul de vizualizare nadiral) care controlează direcția liniei de vedere al energiei laserului spre sol. Oglinda nu se rotește complet în jurul axei, dar pendulează înainte și înapoi prin accelerare și decelerare, deoarece scanează dintr-o parte în alta. Oglinzile oscilatorii sunt în general configurate să scaneze perpendicular pe direcția de zbor a platformei, generând o lățime de bandă în direcția transversală traiectoriei de zbor și care permite mișcarea platformei pentru a crea o acoperire sensul traiectoriei de zbor. Oglinzile oscilatorii creează un model de scanare sinusoidală pe teren așa cum se arată în .

Figura 16. Sistem de scanare cu oglindă oscilatoare

Sistemul de poziționare și orientare

Informația obținută de scanerul de baleiere nu este suficientă pentru a genera un nor de puncte tridimensional sau o imagine 3D. În plus, în afară de a ști cât de departe este obiectul și unghiurile de punctare ale senzorului (în raport cu el însăși), trebuie să știm, de asemenea, în cazul în care a fost localizată platforma care transportă senzorul și modul în care acesta a fost orientat pentru fiecare impuls de intrare. Această informație este măsurată si înregistrată de către sistemul de poziționare și orientare. Sistemul de poziționare și orientare este format din două subsisteme principale, GNSS/GPS și IMU.

GNSS-ul este folosit pentru a înregistra pozițiile platformei (dronei) dintr-un interval de timp specificat. În timp ce există mai multe metode de a dezvolta coordonatele GNSS, preciziile asociate cu LIDAR necesită, în general, o metodă precisă, cum ar fi post-procesare diferențială cu o stație de bază statică sau utilizarea de actualizări diferențiale în timp real. Pentru seturile de date mai exacte, constrângeri stricte sunt plasate pe stația de bază GNSS și pe separarea inițială admisibilă între stația de bază GNSS și receptorul cinematic de pe platformă. Orientarea platformei este măsurată printr-o unitate de măsură inerțială IMU (Inertial Measurement Unit) care folosește giroscoape și accelerometre pentru a măsura orientarea platformei în timp. Atât GNNS-ul și datele IMU sunt, în general, înregistrate în timpul zborului. GNNS -ul și soluția IMU vor fi combinate (în general, într-o etapă de postprelucrare) pentru a genera traiectoria și situația spațială a dronei în timpul colectării de date.

Stocarea datelor

Rândul de date brute LIDAR include fișiere de la GNSS, IMU, unitatea emițătoare și receptoare a laserului care variază, și eventual alte componente ale sistemului. Chiar și în stare brută, sistemele LIDAR pot genera cantități mari de date. Datorită cantităților de date, seturile de date sunt stocate adesea cu sistemul și descărcate după colectare. Unitatea de stocare a datelor este utilizată pentru a stoca datele din toate componentele sistemului.

Tehnici de detecție în cadrul sistemelor LIDAR

În general, în sistemele de detecție a LIDAR-ului, există două tehnici de detecție utilizate. Acestea sunt de detecție directă și detecție coerentă. Într-o formă de detecție direct (în mod liniar), receptorul convertește revenirea în mod direct la o tensiune sau curent, care sunt proporționale cu puterea optică de intrare. Receptoarele posibile includ Avalanche Photo Diode (DAP) și Photo Multiplier Tubes (PMT). Detectoarele LIDAR (APDS și altele) pot fi, de asemenea, operate într-un mod de contorizare a fotonilor. Atunci când folosim contorizarea (numărarea) fotonică, detectorul este sensibil la foarte puțini fotoni și chiar la fotoni individuali, așa cum este valabil într-un sistem de numărare Geiger a fotonilor, detectorul fiind sensibil la fotoni individuali.

Circuitul electronic asociat cu receptorul produce o măsurare corespunzătoare în momentul în care un curent este generat dintr-un foton de intrare, rezultând într-o măsurătoare directă de timp de zbor. Detecția coerentă a semnalului optic primit este amestecat cu un oscilator local printr-un mixer heterodyne înainte de a fi focusat pe elementul fotosensibil. Operația de amestecare convertește informația într-o bandă îngustă de bază care reduce semnalul de zgomot în comparație cu filtrul optic folosit în abordarea de la detecția directă. Îmbunătățirea rezultantei SNR poate fi substanțială și în cazul sistemelor de detectare a perturbațiilor atmosferice. În plus față de metodele descrise mai sus, unele sisteme folosesc tehnici de detectare alternative. O astfel de tehnică folosește proprietățile de polarizare a energiei pentru a determina raza de acțiune. Deoarece acest studiu este menit să se concentreze pe modelul geometric al senzorului LIDAR pentru drone, acesta nu va detalia toate posibilele tehnici de detecție existente.

Baleierea de tip spot și de tip matrice

Este important de notat că tehnicile de scanare cu laser conduc la diverse geometrii ale receptorului de colectare a datelor. În general, majoritatea sistemelor LIDAR comerciale funcționează pe un principiu în care pentru un singur impuls de ieșire, un număr mic de intervale (între 1 și 5) sunt înregistrate pentru energia care se întoarce pe același vector al liniei de vedere (Figura 16).

Primirea și înregistrarea a mai mult de un interval de timp pentru un impuls dat este adesea menționată ca”Multiple Returns”. Primul interval măsurat de la un impuls dat se referă adesea la“First Return”si ultimul la“Last Return”. Pentru pulsul următor, sistemul de punctare a schimbat vectorul liniei de vedere, și sunt înregistrate celelalte numere suplimentare de intervale. Această metodă (punctul de scanare) este în general asociată cu sistemele de mod liniar în cazul în care energia este axată pe o suprafață mică pe sol și un mare semnal de întoarcere este obligat să înregistreze o revenire și se calculează un interval. Cu toate acestea, există alte sisteme (de numărare de fotoni și altele), care răspândesc o putere mai mare de energie de ieșire pentru a ilumina o zonă mai mare de pe teren și de a folosi un detector cadru de matrice pentru a măsura un interval pentru fiecare pixel al matricei. Aceste sisteme de scanare (de tip cadru) necesită rezistență scăzută a semnalului de întoarcere și sute de înregistrări sau chiar mii de intervale pe puls de ieșire. Există argumente pro și contra pentru ambele sisteme de scanare LIDAR, care nu vor fi dezbătute în acest capitol.

Fiecare tip de senzor are atribute particulare atunci când vine vorba de geo-poziționare. De exemplu, scanerul aeropurtat la fața locului va necesita mai multe impulsuri laser care acționează în calitate de observații independente pentru a oferi o acoperire de zonă și de a genera o imagine 3D, la fel ca un scanner whiskbroom. Cu toate acestea, unii senzori de tip matrice pot genera o imagine 3D cu un singur impuls obținând o amprentă la sol similară cu câmpul vizual obținut într-o imagine optică și având un model geometric similar. Alte sisteme necesită agregarea mai multor interogări pentru a genera imaginea 3D.

Principii generale și baza fizico-matematică privind controlul statistic al datelor LIDAR

La începutul anilor 1970, sistemele LiDAR aeropurtate erau capabile să măsoare distanțele dintre aeronave și țintele terestre la o precizie mai mică de 1m. Cu toate acestea, sistemele altimetru cu laser nu au fost utilizate pe scară largă pentru cartografiere topografică exactă în principal din două motive.

Pentru o cartografiere precisă trebuie să se țină seama de poziția verticală a aeronavei care să fie cunoscută la un nivel de precizie comparabil cu capacitatea de măsurare a sistemului LiDAR. De asemenea, poziția orizontală a spotului pe teren (amprenta laser) ar trebui, de asemenea, să fie cunoscută. Deși a doua cerință este mai puțin stringentă, mijloacele pentru a determina ambele aspecte pentru zone mai mari, cu o calitate suficientă, nu au fost disponibile la acea perioadă. Au fost efectuate cercetări pentru a determina altitudinea aeronavei prin înregistrarea datelor de presiune cu un altimetru-barometru aneroid precis de aeronavă și accelerometre verticale.

Controlul orizontal este un proces greoi deoarece este făcut după zbor prin intermediul fotografiilor cu indicarea orei (time-tagged) și rareori prin intermediul IMU. Odată cu disponibilitatea înregistrărilor GPS-ului, la sfârșitul anilor 1980 a fost elaborată o metodă care permite înregistrarea precisă a poziției și orientării pe zone mai mari.

Figura 17. Colectarea datelor LiDAR aeriane

Astfel, cu introducerea tehnologiei GNSS diferențiale (DGNSS tehnică de corecție folosită pentru a îmbunătăți calitatea datelor de localizare – colectate cu ajutorul receptoarelor sistemului global de navigație prin satelit (GNSS)), poziția scanerului a devenit cunoscută prin coordonatele orizontale și verticale din gama submetru. Îmbunătățirile tehnologiei DGNSS împreună cu filtrarea Kalman și utilizarea IMU au furnizat suficientă precizie de la începutul anilor 1990. Așadar precizia standard a datelor altimetrice a devenit ±10 cm în înălțime și ±50 cm în poziție. Până la sfârșitul anilor 1980, măsurătorile telemetrice se realizau cu dispozitive laser (laser profiler) care furnizau impulsuri laser, dar nu aveau mecanism de scanare. La începutul anilor 1990, aceste dispozitive (profiler) au fost înlocuite de dispozitive de scanare care generau între 5000 și 10000 de impulsuri laser pe secundă în acel moment. În prezent, ratele de impuls cu laser ajung la 300 kHz, însă, în funcție de tipul mecanismului de scanare, 100% din rata impulsului instrumentului, poate să nu fie cu adevărat disponibilă pe teren.

Scanarea cu laser aeropurtat este în prezent o tehnică obișnuită pentru generarea modelelor 3D de calitate superioară (modele digitale de elevație) ale terenului (Figura 18) care vor prezenta principiul și componentele scanării cu laser aeropurtat.

Figura 18. Geometria și componentele unui sistem ALS (Airborne laser scanning)

Caracteristicile acestei tehnici de măsurare cu laser aerian sunt disponibile comercial și sunt operaționale, precum și preciziile și limitările. Caracteristicile specifice de calibrare, prelucrare a datelor obținute și de generare a produselor sunt prezentate de Lemmens (2009).

Prelucrarea datelor constă din parcurgerea a patru etape, exemplificate în Figura 19:

Achiziția datelor aeriene-scanner, IMU, și GNSS

Procesarea distanțelor cu laser, a datelor GNSS și IMU pentru a generarea norului de puncte LiDAR (modificat de Harding, 2006).

Generarea norului de puncte clasificat

Generarea modelului digital al elevațiilor (Modelul digital al terenului – MDT, Modelul digital al vegetației sau al suprafețelor – MDS).

Figura 19. Achiziția datelor LIDAR aeriene și fluxul de lucru

Principiul scanării cu laser aerian

Scanarea cu laser aeropurtat se face dintr-un avion, un elicopter sau UAV (Unmanned Aerial Vehicle – Vehicul Aerian fără Pilot sau dronă). Tehnica se bazează pe două componente principale: un sistem de scanare cu laser care măsoară distanța până la un punct pe teren iluminat de laser și cuplul GNSS/IMU pentru a măsura exact poziția și orientarea sistemului. Sistemele active bazate pe scanarea cu laser sunt relativ independente de lumina Soarelui. Pot fi acționate în timpul zilei sau în timpul nopții. Această caracteristică este un avantaj considerabil al scanării cu laser aeropurtat, în comparație cu alte metode de cartografiere a terenurilor.

Componentele de bază și modul de lucru ale unui scaner cu laser aeropurtat sunt prezentate în (Figura 18 și Figura 20).

Figura 20. Modul de lucru cu tehnologia LiDAR

Ansamblul scanerului conține laserul, mecanismele de scanare și componentele optice. Sistemul laser (un sistem de măsurare cu impulsuri în timpul zborului), montat într-o cavitate din fuzelajul aeronavei, care trimite continuu impulsuri spre teren în timp ce aeronava zboară. În funcție de viteza aeronavei și înălțimea de zbor, tehnologia actuală permite densități ale măsurătorilor între 0,2 și aproximativ 50 puncte/m2. Ansamblele moderne cu scaner sunt echipate cu un compensator al ruliului pentru a compensa înclinarea transversală a aeronavei. Această caracteristică ajută la evitarea golurilor care ar putea apărea între benzi adiacente datorită dereglării ruliului. Compensarea ruliului permite suprapunerea liniilor de zbor ce sunt planificate să fie mai mici și, prin urmare, oferă un avantaj economic.

Antena GNSS aeropurtată: Acest dispozitiv este o antenă cu frecvență dublă care înregistrează semnale GNSS la o rată de eșantionare de 2 Hz. Antena este montată într-o poziție vizibilă în partea superioară a aeronavei, oferind o deschidere suficientă spre sateliții GNSS.

Unitate de măsurare inerțială (IMU): IMU este fixată direct pe scanerul laser sau aproape de acesta pe o platformă de studiu stabilă. De obicei, aceasta înregistrează datele de accelerare și de poziție la o rată de eșantionare de 200 Hz. Datele de accelerare pot fi utilizate pentru a susține interpolarea poziției platformei pe traiectoria GNSS, în timp ce datele de poziție sunt utilizate pentru a determina orientarea platformei. Combinarea datelor GNSS și IMU permite reconstruirea rutei de zbor (traiectorie aeriană) la o precizie mai bună de 10 cm.

Unitatea de control și înregistrare a datelor: acest dispozitiv este responsabil cu sincronizarea timpului și controlul întregului sistem. Înregistrează intervale (distanțe variabile) și poziția colectate de scaner, IMU și GNSS. Scanerele moderne cu laser, care generează până la 300.000 de impulsuri laser pe secundă, produc aproximativ 20 gigabiți (Gb) de intervale pe oră, în timp ce datele GNSS și IMU totalizează numai aproximativ 0,1 gigabit (Gb) pe oră.

Operator IT: acesta are rolul de a realiza comunicarea cu unitatea de control () și înregistrare a datelor pentru a configura parametrii misiunii și a monitoriza performanța sistemului în timpul studiului.

Sistem de gestionare a zborului: acesta este un mijloc pentru pilot de a prezenta liniile de zbor planificate anterior, care oferă suport pentru acesta în vederea finalizării misiunii.

Scanerul laser aeropurtat este completat de o stație GNSS la sol. Stația la sol servește ca o stație de referință pentru calculul GNSS diferențial off-line (DGPS). GNSS diferențial este esențial pentru compensarea efectelor atmosferice care împiedică determinarea poziției exacte și pentru realizarea preciziei decimetrice. În scopul de a face față diferitelor condiții atmosferice, distanța dintre aeronavă și stația GNSS la sol nu trebuie să depășească 30 km (deși, uneori, precizia adecvată este atinsă pentru distanțe mai lungi). În prezent, mai multe țări operează cu rețele de stații GNSS permanente, prin urmare, de multe ori nu este nevoie să fie configurată o stație proprie.

Scanerele laser aeropurtate sunt adesea completate de un sistem cu aparat de fotografiat digital de mărime medie. Datele provenite din imagini fotografiate simultan cu distanțele măsurate pot susține în mod semnificativ interpretarea datelor, în cazurile în care este dificil să se recunoască obiecte numai din prelucrarea datelor. De obicei, datele imagine oferă o rezoluție spațială mai bună și constituie o bază pentru prelucrarea norilor de puncte 3D integrate și a datelor imagine. Camera fotografică și unitatea de înregistrare sunt separate. Locația optimă pentru aparatul de fotografiat este pe placa de bază a ansamblului scanerului pentru că atunci înregistrările existente IMU pot fi partajate pentru georeferențiere. O IMU separată va fi necesară dacă dimensiunile ansamblului de scanare nu permit includerea unui aparat de fotografiat și a unui ansamblu cu scanner pe aceeași platformă de studiu.

Geometria sistemului de scanare

În timp ce natura majorității misiunilor de scanare laser terestre permite operarea într-un sistem local de coordonate, caracterul sistemului de scanare laser aeropurtat necesită implicarea unui „sistem global”, precum și mai multe sisteme intermediare. Relațiile (5), (6), (7) oferă o imagine de ansamblul sistemelor de referință utilizate împreună cu abrevierile lor respective (ID-uri sistem). Toate sistemele sunt definite ca sisteme carteziene. Relațiile dintre scanerul laser și senzorii de navigație sunt prezentate schematic în Figura 21 și vor fi definite de relațiile următoare.

În acest caz matricele din ecuațiile (5), (6), (7) descriu rotația în sens orar și axa xj – pozitivă.

Forma analitică a matricei de rotație R derivată din parametri este:

Figura 21. Scanerul LiDAR și componentele GNSS, IMU, ECEF – Sistemul Cartezian Geocentric coordonatele sistemului

Unde:

rSCA – vectorul (distanța) dintre scaner și punctul de la sol, sistem de referință al scanerului;

rGIM – vectorul dintre centrul de baleiere al oglinzii și sistemul de rferință cardanic;

rINSIMU – vector dintre IMU (Inertial Measurement Unit-Unitatea de Măsurare Inerțială) și centrul de baleiere și rotație-sistem de referință al platformei;

rGNSS – vector dintre antena GNSS (Global Navigation Satellite Systems-Sistem Satelitar de Navigație) și IMU- sistem de referință al platformei;

rECEF – vector de la originea ECEF (Sistem de coordonate geocentric) la centrul de fază al antenei GNSS -sistem de referință ECEF (obsevațiile GNSS);

rEP – vector de la originea ECEF la punctul de la sol (P) în sistemul de referință ECEF;

MSEN – matricea de rotație de transformare a vectorului dintre sistemul de referință al scanerului și sistemul de referință al senzorului (unghiurile scanării)

MGIM – matricea de rotație de transformare a vectorului dintre sistemul de referință al senzorului și sistemul de referință cardanic (unghiurile de baleiere);

MPLA – matricea de rotație de transformare a vectorului dintre sistemul de referință cardanică și sistemul de referință al platformei (unghiurile de aliniere a axelor optice);

MVER – matricea de rotație de transformare a vectorului dintre sistemul de referință al platformei și sistemul de referință vertical-local (observații IMU);

MELL – matricea de rotație de transformare a vectorului dintre sistemul de referință vertical-local și sistemul de referință tangențial-elipsoidal;

MECEF – matricea de rotație de transformare a vectorului dintre sistemul de referință tangențial-elipsoidal (NED, Nort-East-Down) și sistemul de referință ECEF;

În este definit un sistem operațional tipic (ALT – Airborne Laser Terrain), componentele sale principale și parametrii de funcționare.

Figura 22. Geometria sistemului de scanare laser aeropurtat-adaptare

Testarea preciziei altimetrice

Precizia verticală exprimată prin abaterea standard trebuie calculată pe baza diferențelor de altitudini normale ∆hi dintre altitudinea Hi a punctelor provenite din modelul TIN (LiDAR), Figura 23, și altitudinile punctelor de referință Hi provenite din profilele transversale, folosind formula aferentă abaterii standard σh (ecuația (11)).

Figura 23. Extragere valori altitudini

Aceste diferențe dintre altitudini pot fi mai mici sau mai mari decât anumite specificații ale furnizorilor de date. Astfel este de așteptat ca în orice zonă a unui proiect, condițiile locale să impună cerințe mai stricte. Excluderea anumitor valori/greșeli în funcție de distribuția măsurătorilor se poate face apelând la anumite teste statistice.

Valoarea medie pe altitudini se calculează cu relația (10):

iar pentru calculul erorii medii pătratice se folosește relația (11):

Testarea distribuție normale

Metode de grupare și clasificare a datelor statististice

Gruparea și clasificarea statistică sunt principalele metode prin care se realizează trecerea de la datele primare, culese printr-o metodă oarecare și sistematizate sub formă matriceală. Aceste metode evidențiază legătura dintre latura cantitativă și cea calitativă a fenomenelor studiate, cu ajutorul lor se poate face o anumită clasificare primară care să conducă la formarea anumitor grupe sau clase de entități omogene din punct de vedere statistic. Dacă gruparea și clasificarea datelor statistice nu este făcută corect nu pot fi observate deosebirile calitative existente în structura datelor statistice.

Criteriile în funcție de care se efectuează structurarea colectivității se numesc caracteristicii de grupare/clasificare.

Cu cât gradul de de complexitateal fenomenelor analizate este mai mare, cu atât este mai greu să se realizeze grupe/clase omogene.

Grupările simple se obțin atunci când separarea datelor se face după o singură caracteristică de grupare, aceasta poate fi însoțită agregare/centralizarea numărului de valori individuale ale caracteristicii cu care caracteristica de grupare a intrat în interdependență. (Error! Reference source not found.)

Tabelul 1. Gruparea unităților după caracteristica numerică discretă X

(sursa:Isaac-Maniu Al. ș.a.Statistica Teoretică și Economică-Editura ,,Tehnica,,-1994 pg.45)

Grupările combinate sunt efectuate după două sau mai multe caracteristici. Realizarea acestei grupări presupune alegerea unei caracteristici de grupare, iar apoi, în funcție de variația valorilor sale individuale, unitățile colectivității se separă pe grupe/clase. După aceasta fiecare grupă/clasă

În funcție de variația caracteristicii grupările statistice se clasifica în grupări pe variante și grupări pe intervale de variație. Grupările pe variante se folosesc în cazul în care o caracteristică numerică are număr redus de variante.

Elementele din Tabelul 1 au următoarele semnificații:

xi-varianta i a caracteristicii x;

ni-numărul de unități la care s-a înregistrat varianta xi

Pentru efectuarea grupării pe intervale egale de variație este necesar ca numărul de grupe să se stabilească în funcție de mărimea amplitudinii variației A. Amplitudinea variației valorilor individuale ale caracteristicilor de grupare se calculează cu relația (12)

Unde Xmin= min( x1 , x2.,……. xn) și Xmin= max( x1 , x2.,……. xn) semnifică cea mai mică și cea mai mare valoare din setul de date .

Numărul de grupe r ce se formează trebuie să fie direct proporțional cu mărimea amplitudinii, acesta se poate calcula și cu relația lui Sturges (13).

unde n numărul de unități din colectivitatea în care se regăsește caracteristica X. În baza formulei lui Sturges se poate forma următoarea grupare de valori astfel:

Cu ajutorul determinării amplitudinii variației și a numărului de grupe stabilit se determină mărimea intervalului de grupare h cu relația (14)

unde h mărimea intervalului de grupare ; r – numărul intervalelor de grupare.De regulă h se alege număr întreg, rotunjit în plus în cazul unui număr zecimal; dacă se rotunjește în minus se pierd informații.

Gruparea pe intervale de variație a caracteristicii numerice X se regăsește în Tabelul 2

Tabelul 2 Modelul grupării pe intervale de variație a caracteristicii x

(sursa:Isaac-Maniu Al. ș.a.Statistica Teoretică și Economică-Editura ,,Tehnica,,-1994 pg.45)

În aceste cazuri pot să apară ambiguități, deoarece este posibil să avem anumite valori individuale egale cu limita inferioară sau cu cea superioară a intervalului. Astfel relația (15)

se poate elimina și putem conveni să păstrăm limita inferioară și să eliminăm limita superioară, deci conform coloane A (Tabelul 2) avem xi>xiinf iar limitele xisup și xi+1inf cu i=1

Lungimea intervalelor de grupare hi ( )este ;

Închiderea intervalelor se face pe baza ipotezei că lungimea primului interval este egală cu lungimea intervalului următor, iar lungimea ultimului interval este egală cu cea a intervalului precedent; repartizarea amplitudinii variației pe intervale de grupare trebuie să se facă astfel:

Limitele intervalelor să se exprime prin numere rotunde;

Să se formeze un număr de intervale pentru obținerea informațiilor suficient de analitice;

Intervalele să permită cînd este cazul să se poată regrupa datele fără reluarea operației de grupare sau divizarea intervalelor;

Fiecare interval să cuprindă un număr suficient de mare de valori individuale care să faciliteze interpretarea statistică a frecvențelor;

În cazul în care se urmărește structurarea colectivității după două sau mai multe caracteristici numerice sau se dorește analiza modului de apariție se folosește gruparea combinată.

Importanța grupării combinate constă în faptul că metoda se pretează pentru un număr mare de caracteristici luate în considerare, dar și prin structura succesivă a colectivității după variabile interdependente.

Distribuția normală a erorilor altimetrice se testează în două etape. În subcapitolele următoare se vor detalia etapele și principul de lucru pentru depistarea erorilor.

Analiza-grafică a distribuției

Prima etapă este reprezentată de analiza distribuției erorilor. În este reprezentată asimetria negativă a erorilor:

Figura 24. Asimetria negativă a erorilor

Coeficientul de asimetrie reprezintă asimetria față de distribuția normală. Histograma arată că erorile nu au o distribuție normală. Dacă valoarea coeficientului de asimetrie se încadrează în intervalul (-0.3;+0.3) aceasta este moderată și, în consecință indicatorii tendinței centrale caracterizează în mod corect colectivitatea, adică sunt reprezentativi pentru aceasta.

Testarea compatibilității distribuției erorilor cu Distribuția 2

Conform testului 2, o distribuție urmărește distribuția normală dacă condiția χ2test < χ2critic este respectată. Testul 2 se bazează pe 70 de erori (Tabelul 3) prezentate în histograma din . După cum este prezentat în Tabelul 4, erorile au fost împărțite în k = 8 clase, cu intervale de clasă egale Δ = 0.1307m, cu media = 0.1305m, abaterea standard σh = 0.223m și frecvențele absolute ale erorilor ni.

Parametrul statistic se calculează conform relației (17),

unde υ=7 reprezintă numărul gradelor de libertate iar α =0.95 nivel de încredere.

Tabelul 3. Erorile altitudinilor LiDAR

Testarea rezultatelor distribuției altimetrice

În Tabelul 4 sunt prezentate prezentate rezultatele cu privire la testarea distribuției altimetrice.

Tabelul 4. Testarea rezultatelor distribuției altimetrice

Cu pi și npi din , funcția de distribuție normală poate fi calculată cu relația (18).

Funcția de repartiție – unde este valoarea densității de distribuție, parametrul poate fi calculat după cum urmează:

unde – verificarea normalității unei variabile aleatoare.

Relația (20) reprezintă verificarea parametrilor pi și npi:

în care ni și npi sunt frecvențele observate și preconizate;

Intervalele extreme pot influența în mod negativ rezultatul parametrilor statistici. Distribuția erorilor altimetrice are o asimetrie negativă, dar este apropiată de distribuția normală.

Datorită faptului că datele provin din seturi de date cu precizii diferite, testul raportează valoarea preciziei pentru setul combinat, Figura 25.

Figura 25. Reprezentarea diferențelor altimetrice pentru cele două seturi de date

Pentru poziționarea și integrarea lucrărilor ce influențează capacitatea de scurgere a albiilor, se vor realiza măsurători topografice clasice la sol pentru realizarea infrastructurii transversale (poduri, podețe, praguri, subtraversări, etc.) și longitudinale (diguri, drumuri, căi ferate, etc.).

Pentru o analiză comparativă a evaluării preciziei datelor altimetrice provenite din scanarea laser aeriană se poate folosi algoritmul pentru distribuția normală descris în termeni Microsoft Excel.

Densitatea punctelor este un parametru important în studiile de evaluare a calității datelor LiDAR. O densitate mare ce acoperă terenul cât mai bine ajută la extragerea de informații dar necesită și timp și resurse mai mari. În acest sens pentru un studiu comparativ al preciziilor datelor LiDAR vom elabora o aplicație care să evalueze precizia altimetrică în funcție de diverși parametri.

Aplicația ar trebui să poată compara două seturi de date, altitudini ale punctelor necesare realizării profilelor transversale determinate prin măsurători clasice, iar celălalt set de date să conțină altitudini (tehnologia LiDAR) pentru aceleași puncte determinate printr-o interpolare Kernel în norul de puncte. Această metodă de interpolare determină poziția punctului în funcție de distanță, unde ponderea este egală cu inversul pătratului distanței.

Utilizarea unor metode statistice folosind Software-ul XLSTAT

XLSTAT a inițiat în anul 1995, în scopul de a face o analiză completă a datelor și oferă soluții statistice puternice. Compatibilitatea XLSTAT cu toate versiunile Microsoft Excel, utilizate în prezent îl face destul de accesibil (algoritmii utilizați folosesc limbajul C++). Algoritmii sunt rezultatul multor ani de cercetare a mii de statisticieni, matematicieni, oameni de știință din întreaga lume. Interfața ușor de utilizat, facilitează folosirea unor metode statistice care ar putea necesita ore de formare cu alte software-uri. Software-ul se bazează pe aplicația Visual Basic pentru interfață și pe C++ pentru calcule matematice și statistice. (website www.xlstat.com)

Regresia liniară

Printre tehnicile ce determină gradul de corelare între două variabile (altitudini normale/referință Hi[m] și altitudini LiDAR Hi[m]) se află regresia liniară, cu valori între -1 și 1.

Parametrii empirici determinați trebuie să fie verificați (prin teste) dacă sunt sau nu reprezentativi pentru folosirea polinoamelor sau suprafețele de regresie.

Prin acest procedeu de determinare a liniei de regresie în eșantion se urmărește să gasească valorile lui a și b pentru ca valorile estimate ale variabilei dependente (y), sa fie cât mai apropiate de valorile observate (y-dreapta să treacă cât mai aproape de toate puctele observate). Această metodă de regresie ne permite compararea a două metode de măsurare (tehnologia clasică și tehnologia LiDAR), ,.

Figura 26. Regresia liniara pentru o populație statistică

R2-coeficientul de determinație, cu cât acest indicator este mai apropiat de 1 cu atât valorile reprezintă mai bine modelul, există o relație liniară între variabile.

Figura 27. Intervale de încredere pentru predicție

Testul Grubbsʹ – folosit pentru depistarea erorilor grosolane

Grubbs (1950, 1969, 1972) a dezvoltat mai multe teste pentru a determina dacă cea mai mare valoare sau cea mai mică valoare (testul Grubbs) sunt valori aberante. Testul Grubbs’ poate fi folosit pentru a testa prezența unui valorilor aberante și poate fi utilizat pentru date ce sunt distribuite normal (cu excepția valorilor extreme) . În statistică, o valoare aberantă este o valoare înregistrată pentru o anumită variabilă, care pare neobișnuită (mai mică sau mai mare decât celelalte valori observate). Se pot distinge două tipuri de valori aberante:

o valoare aberantă poate fi pur și simplu legată de o eroare de citire (pe un instrument de măsurare), o eroare de tastare, sau un eveniment special care a perturbat fenomenul observat, astfel încât un punct nu poate fi comparabil cu setul de observații. În astfel de cazuri, trebuie fie corectate greșelile, dacă este posibil, sau să fie eliminată observația pentru a evita ca aceasta să perturbe analizele care sunt planificate (analize descriptive, modelare, predicții).

Atunci când există valori aberante în date, în funcție de stadiul studiului, trebuie să le identificăm, eventual cu ajutorul testelor, semnalându-le în rapoarte (tabele sau reprezentări grafice), sau să fie eliminate prin utilizarea unor metode în măsură să identifice aceste valori.

Figura 28. Distribuția normală

Pentru aceasta este necesar să se ordoneze în mod crescător valorile, se va calcula statistica G și se verifică cu Gcritic

Pentru a putea să identificăm potențialele valori aberante trebuie calculate scorurile Z, pentru care se folosește relația ), unde acestea sunt afișate de XLSTAT pentru setul de simulări în vederea obținerii statisticii G precum și încheierea testului.

Odată ce intervalul de acceptare este setat (-1.96 și 1.96 pentru un interval de 95%), orice valoare care este în afară este considerată suspectă. Cu toate acestea știm că dacă avem 100 de valori, este normal din punct de vedere statistic pentru a avea 5 în afara acestui interval. Mai mult, se poate arăta că pentru un anumit n, cel mai mare scor z este cel dat de:

Iglewicz și Hoaglin (1993) recomandă utilizarea unui scor " z " modificat pentru a identifica mai bine valorile aberante:

unde:

MAD = Abaterea Medie Absolută, iar intervalul acceptat este [-3.5;3.5], oricare ar fi n (Figura 29)

Figura 29. Calcul valori aberante

Testul Grubbsˈ poate fi folosit și pentru a testa prezența unei singure valori excepționale și pot fi utilizate date care sunt normal distribuite (cu excepția valorilor aberante) ,.

Figura 30. Determinare valoare excepțională

Figura 31. Determinarea unei singure valori

Tehnologia scanării laser aeropurtată LIDAR asigură o rețea densă de puncte tridimensionale. Această tehnologie este capabilă de a obține rapid informații tridimensionale despre anumite suprafețe de interes. Principalele avantaje ale folosirii acestei tehnologii este rapida colectare a datelor și o precizie ridicată privind profilul terenului.

Analiza unei clase implică construirea unei subgrupe pe baza raspunsurilor observate pentru un set de variabile. Cazul în care într-un set de date s-a efectuat o etichetare a categoriilor ,,Acoperire Teren,, vrem să cunoaștem eroarea altitudinii în funcție de categoria de acoperire a terenului. Astfel utilizând XLSTAT-LG-statistic, putem estima două structuri diferite de date (teren-clasic/LiDAR) și elimină punctele ce depășesc acuratețea verticală impusă, .

Figura 32. Selectarea punctelor ce trebuie eliminate

Prin utilizarea statisticilor descriptive pentru variabilele selectate putem obține: numărul de observații, numărul de valori lipsă, media, abaterea standard, minimul și maximul din n măsurători,

Figura 33. Statistici descriptive

Sistemul LIDAR-DRONĂ

Caracteristici tehnice

Drona (aeronavă fără pilot – UAV) este un aparat de zbor fără pilot la bordul ei, aceasta fiind ghidată prin radio telecomandă sau prin centrul de control de la sol. Drona poate fi pilotată manual, semi-autonom sau autonom.

În acest subcapitol se vor prezenta doar tipuri de drone care au capacitatea de a putea integra un sistem LiDAR complet (GPS+IMU+LiDAR).

Dronele se împart în mai multe categorii în funcție de platformă:

Multi-rotor – este un vehicul aerian motorizat cu mai multe aripi rotative, care poate decola și ateriza pe verticală și a cărui susținere și mișcare este asigurată de mai mult de două elice care se rotesc în jurul axelor verticale. Principala caracteristică este aterizarea pe un spațiu redus și menținerea în aer într-un punct fix. Sustentația sa se bazează pe momentul forței produs de elice.

La rândul lor dronele Multi-rotor se împart în mai multe categorii:

QuadCopter – are 4 rotoare montate pe un cadru simetric, fiecare braț este montat de obicei la 90ș. Două dintre rotoare se rotesc în sensul acelor de ceasornic, iar celelalte două în sens invers. Acesta este cel mai popular dintre multi-rotoare.

HexaCopter – are 6 rotoare montate la 60ș pe un cadru simetric. Trei dintre rotoare se învârt în sensul acelor de ceasornic, iar celelalte trei în sens invers. HexaCopter-ul este foarte similar QuadCopter-ului, dar oferă o capacitate mai mare de ridicare cu cele două rotoare suplimentare. Există, de asemenea, îmbunătățiri în redundanță, în cazul în care un rotor eșuează, aeronava poate să rămână suficient de stabilă pentru a ateriza în siguranță.

OctoCopter – are 8 rotoare. Este similar QuadCopter-ului și HexaCopter-ului dar cu o mai mare capacitate de ridicare și cu o redundanță mai mare. Cu toate acestea, numărul mai mare de rotoare necesită mai multă energie ceea ce reflectă un timp de zbor mai scăzut.

Figura 34. Tipuri de Multi-rotor

Single-rotor (elicopter) – este un vehicul aerian motorizat cu aripă rotativă, care poate decola și ateriza pe verticală și a cărui susținere și mișcare este asigurată de o elice care se rotește în jurul axei verticale. Principala caracteristică este că poate ateriza pe un spațiu redus și se poate menține în aer într-un punct fix. Sustentația se bazează pe momentul forței produs de elice.

Figura 35. Single-rotor (elicopter)

Fixed-wing (aeroplan) – este un vehicul aerian motorizat prevăzut cu o suprafață portantă fixă. Sustentația aeroplanului este asigurată de forța portantă, de natură aerodinamică, această forță portantă fiind dezvoltată pe aripi, iar viteza de deplasare fiind asigurată de unul sau mai multe motoare.

Figura 36. Fixed-wing (aeroplan)

Fixed-wing Hybrid (aeroplan hibrid) – este un vehicul aerian motorizat prevăzut cu o suprafață portantă fixă și cu mai multe aripi rotative care poate decola și ateriza asemenea Multi-rotor-ului și Single-rotor-ului dar sustentația este asigurată de forța portantă asemenea aeroplanului.

Figura 37. Fixed-wing Hybrid (aeroplan hibrid)

Tabelul 5. Caracteristici tehnice UAV

Un sistem LiDAR este compus din trei elemente, și anume:

scaner LiDAR

sistem de navigație (GNSS)

unitate de măsurare inerțială (IMU).

Principiul de bază al scanării laser este următorul: senzorul emite un puls laser în teren într-o direcție predefinită și primește fasciculul laser reflectat. Cunoscând viteza luminii și timpul pe care îl parcurge fasciculul, distanța obiectului se poate calcula (a se vedea Figura 38).

Figura 38. Timpul parcurs a unui fascicul laser

Sistemul de Poziționare Globală asigură informații geografice precise în ceea ce privește poziția senzorului LiDAR, iar sistemul de măsurare inerțial (IMU) înregistrează orientarea a aceluiași senzor la aceea poziție.

Pentru a beneficia de o acuratețe bună a datelor obținute cu sistemul Lidar este necesar ca drona să poată fi operată în mod autonom prin waypoint-uri, astfel operatorului îi rămâne să planifice traiectoria de zbor a zonei de interes.

Tabelul 6. Caracteristici tehnice Sisteme LiDAR

Tabelul 7. Caracteristici tehnice scanere LiDAR

Tabelul 8. Caracteristici tehnice senzori IMU

Avantaje și dezavantaje

Sistemele Multi-rotor sunt opțiunea cea mai avantajoasă atât ca preț și manevrabilitate oferind un bun control asupra preciziei aeronavei fiind perfecte pentru zboruri fotogrammetrice și scanări LiDAR pe suprafețe mici până în 50 ha.

Dezavantajul multi-rotoarelor este durata mică de zbor ajungând până la 20-30 min cu Sistemul LiDAR fiind nepotrivite pentru suprafețe mai mari de 50 ha.

Tehnologia multi-roatoarelor s-a îmbunătățit în decursul ultimilor ani fiind limitate la tehnologia actuală a bateriilor putând transporta o încărcătură utilă destul de mare dar în schimbul timpului de zbor mult mai scurt.

Pentru a oferi o redundanță, în cazul în care un rotor eșuează, pentru a ateriza în siguranță, este nevoie de cel puțin 5 rotoare. De aceea cea mai bună variantă de tip Multi-rotor pentru un sistem LiDAR este HexaCopter-ul.

În timp ce un sistem multi-rotor are mai multe rotoare pentru a putea sta în aer, sistemul single-rotor are numai unul singur plus un rotor la coadă pentru a controla direcția sa.

Un elicopter single-rotor beneficiază de avantajul unei eficiențe mai bună decât un multi-rotor. În aerodinamică, eficiența este dată de următoarea regulă: cu cât lama rotorului este mai mare și rotirea ei este mai lentă cu atât acest sistem este mai eficient. De aceea un QuadCoper este mai eficient decât un OctoCopter. În general eficiența multi-rotoarelor este dată de mărimea elicelor.

Sistemul single-rotor permite montarea lamelor foarte lungi fiind mai mult ca o aripă care se rotește decât o elice, oferind o eficiență mai mare.

Avantajele sistemului single-rotor sunt date de capabilitatea mare a încărcăturii și durata mare de zbor, iar dezavantajele fiind costul destul de ridicat, complexitatea sistemului, vibrațiile și pericolul lamelor fiind mult mai mare.

Dronele cu aripă fixă (Fixed-wing) utilizează o aripă ca un avion obișnuit pentru a oferi portanță. Datorită acesteia, energia este mult mai eficientă decât a celorlalte tipuri de drone. Din acest motiv, acest sistem poate acoperii suprafețe mult mai mari. Pentru o durată și mai mare de zbor este posibilă utilizarea motoarelor termice ca sursă de energie atingând chiar si 12 ore.

Principalul dezavantaj al unei drone cu aripă fixă este că aceasta nu poate sta într-un loc fix. Un alt dezavantaj îl constituie decolarea și aterizarea mult mai dificilă având nevoie de o pistă sau o rampă de lansare pentru a le putea ridica de la sol și de o parașută pentru a ateriza în condiții de siguranță. Alt dezavantaj este costul mai mare.

Sistemul hibrid cu aripă fixă (Fixed-wing Hybrid) este rezultatul contopirii sistemului cu aripă fixă cu cel de tip multi-rotor acesta având avantajul de a decola și ateriza pe verticală nemaiavând nevoie de pistă sau rampă de lansare.

Tabelul 9. Avantaje și dezavantaje tipuri de drone

Date LIDAR – caracteristici

Caracteristici geometrice

Datele Lidar se caracterizează prin densitatea de puncte obținute care poate varia de la 1 punct /m2 până la aproape 200 puncte pe m2, puncte care se identifică prin 3 coordonate spațiale X,Y, Z și o valoare de timp care reprezintă momentul înregistrării. Frtecvent această valoare de timp nu se mai păstrează, esențial fiind doar coordonatele spațiale.

Datele Lidar se grupează în așa zisul nor de puncte, respectiv o aglomerare de puncte. Distanța între puncte este variabilă și depinde de modul de scanare, dintr-o bandă sau mai multe, dar și de caracteristicile obiectului scanat. Obiectele inclinate cum sunt acoperisurile reflectă mai puține puncte înapoi spre senzor și atunci spațierea este mai mare.

Figura 39. Exemplu de spațiere diferită în aceeași scanare Lidar

Astfel, este posibil (Figura 39) ca la o singură scanare spațierea și implicit densitatea punctelor să difere în funcție de obiect. Spațierea mai mică este pe teren iar spațierea mai mare este pe acoperișul înclinat al unei case.

Acest aspect ar putea fi utilizat în procedurile de scanare dacă ar exista siguranța că datele au fost obținute printr-o singură trecere. Acest fapt este mai rar pentru sistemele de tip dronă unde trecerile succesive peste aceeași suprafață de teren sunt mai frecvente.

În acest caz, când există mai multe treceri cu sistemul de scanare peste aceeași zonă, spațierea între puncte devine neomogenă, respectiv vor exista porțiuni, petice de teren în care punctele se aglomereaza chiar la câțiva centimetri unele de altele și zone în imediata apropiere unde distanța dintre puncte poate ajunge la 10cm sau mai mult. (Figura 40)

Figura 40. Spațieri neomogene la scanări multiple

Spațierea este un parametru statistic pentru că ea va caracteriza printr-o valoare medie întreg norul de puncte.

Valoarea acestui parametru statistic este foarte utilă în generarea automată de parametri de clasificare.

Densitatea este un alt parametru statistic important și se calculează pe unitatea de suprafață. Așa cum a remarcat și operatorul de experimentare și validare, atât densitatea cât și spațierea sunt niște parametri care variază și în funcție de clasa de obiecte. Acesti parametri se pot calcula global sau pe anumite clase. Interesante sunt însă doar valorile pe clasele GROUND și DSM.

Pe de altă parte clasa GROUND este inclusă în clasa DSM și atunci aceste clase nu pot coexista în același proces. Referitor la acest aspect se va avea în vedere o procedură oarecare de separare a acestor clase în fișiere diferite.

Caracteristici radiometrice

În mod frecvent datele LIDAR se înregistrează simultan cu înregistrări fotografice pentru ca acestea să poată prelua și culoarea obiectului fotografiat (Figura 41 și Figura 42)

Figura 41. Puncte Lidar colorate RGB (detaliu)

Figura 42. Puncte Lidar colorate RGB (ansamblu

Astfel, fiecare punct are atașat și un set de trei valori întregi între 0 – 255 reprezentând culorile pe cele trei benzi Roșu(Red), Verde(Green) și Albastru (Blue). Aceste valori pot fi utilizate și ele ca informații suplimentare în procesele de clasificare.

O altă valoare radiometrică pe care punctele LIDAR o au atașată și de care se poate beneficia de asemeni în procesele de clasificare este Intensitatea.

Intensitatea este o măsură a gradului de reflectanță a suprafeței obiectului scanat, respectiv indică puterea semnalului recepționat. Intensitatea este o valoare cuprinsă între 1 și 65536.

Pentru vizualizarea acestei informații se folosesc însă doua valori calculate cu formulele de mai jos:

I = (Ip – Imin)/Imax (Figura 43)

și (29)

Ig = (Ip – Imin)/(Imax – Imin) (Figura 44)

Unde I este intensitatea normalizată pentru vizualizare

Ig este gradientul de Intensitate, Imin este Intensitatea minimă, Imax este Intensitatea maximă

Figura 43 Vizualizarea informației de intensitate normalizată

Figura 44. Vizualizarea gradientului de intensitate

Condiții de înregistrare și formate specifice

Formatul de date LAS

Pentru a utiliza date LIDAR este necesar a cunoaște în detaliu modul de formare și componența fișierelor de tip LAS, cel mai uzual format în cadrul acestor tipuri de date. Formatul de fișier LAS este un format public pentru schimbul de date tridimensionale (X, Y, Z) între utilizatorii de date. Formatul de fișiere LAS a fost creat pentru schimbul de date LIDAR, dar poate fi utilizat cu succes și pentru interschimbul de înregistrări mari de nori de puncte. Acest format este o alternativă fiabilă la formatele de date proprii anumitor softuri, care nu pot asigura interoperabilitate între diverși utilizatori (cu alte tipuri de softuri), precum și la fișierele generice ASCII. Fișierele generice ASCII prezintă două probleme majore și anume: performanța scăzută în citirea unor volume mari de date tridimensionale și dimensiunea ridicată a fișierului generat în astfel de situații. O altă problemă a acestui tip de fișiere este faptul că în momentul conversiei datelor brute LIDAR, datele specifice acestuia se pierd. În aceste condiții, formatul LAS este mai mult decât util în achiziții de date LIDAR și în interoperabilitatea cu aceste date.

Formatul de date LAS a evoluat de la versiunea 1.1 până la versiunea actuală 1.4, ce cuprinde date combinate de la date laser pentru determinări X, Y, Z până la înregistrări GPS, IMU, valori RGB (intensități de culoare) sau alte atribute. Scopul realizării acestui tip de format de date a fost de a furniza un format universal care să fie utilizat de diferite echipamente LIDAR și softuri de specialitate, în vederea asigurării interoperabilității. Autoritatea care a elaborat și care menține acest tip de format de date, este denumită The American Society for Photogrammetry & Remote Sensing (ASPRS). Standardul este menținut de către comisiile din cadrul organizației conduse de către consiliul Director ASPRS.

În conformitate cu standardul formatului LAS, toate datele stocate în acest tip de fișier sunt în formatul little-endian. Arhitectura fișierului în formatul little-endian are ca și efect citirea/scrierea directă a mai multor seturi (multi-byte) de date LAS, reordonarea byte-lor nefiind necesară (excepție făcând echipamentele ce au la bază formatul big-endian). Un sistem little-endian are proprietatea că aceeași valoare poate fi citită din memorie la lungimi diferite (8 biți, 16 biți, 32 biți, etc.), fără a utiliza diferite adrese (chiar și atunci când sunt impuse restricții de aliniere). Cu toate că această proprietate little-endian este rar utilizată în mod direct de către programatori la nivel înalt, este adesea folosită de optimizatorii de cod precum și de către programatori limbaj de asamblare. Intel este unul dintre cei mai cunoscuți producători de echipamente ce folosesc arhitectura little-endian, atât pentru procesoarele x86 cât și pentru cele x86-64, utilizarea acestei arhitecturi fiind cunoscută în industria IT ca și "convenția Intel".

Fișierul de date LAS versiunea 1.4 este un fișier conceput pe o structură de date de 64 biți, spre deosebire de versiunea precedentă de 32 biți, versiunea LAS 1.3.

Compatibilitatea versiunilor anterioare (LAS 1.1-1.3), fiind fișiere bazate pe o structură de 32 biți, presupune duplicarea anumitor câmpuri de date, pentru a ajunge la o structură pe 64 biți (câmpurile Legacy xx, unde xx reprezintă denumirea câmpului). Compatibilitatea fișierelor LAS 1.4 cu versiunile anterioare se realizează în limita volumului maxim de date al fișierelor pe 32 de biți (232-1= 4294967295, denumit și UINT32_MAX), caz în care trebuie să se mențină corelația dintre câmpurile Legacy și echivalentele acestora. În cazul în care fișierul de date în format 1.4 depășește ca și valoare de date structura fișierelor de 32 de biți, câmpurile de tipul Legacy vor fi setate cu zero. Compatibilitatea este asigurată în principiu de softuri specializate în a lucra cu date LIDAR.

Structura fișierelor LAS 1.4 conține în următoarea ordine: un bloc-antet de date generale (public header block), date de tipul Variable Length Records (VLRs), înregistrări de puncte, precum și date de tipul Extended Variable Length Records (EVLRs). Fișierele de tip LAS sunt fișiere binare ce conțin mai multe tipuri de date (Tabelul 10)

Tabelul 10. Structura fișierelor LAS, versiunea actuală 1.4

Pentru o mai bună înțelegere a formatului de date LIDAR, LAS 1.4, în cele ce urmează vom detalia cele patru blocuri (sectoare) de date și câmpurile din care se compun.

Sectorul de date Public Header:

Tabelul 11. Descrierea blocului Public Header – formatul de date LAS

Sectorul de date Variable Length Records (VLR):

Blocul de date din Public Header Block, poate fi urmat de un număr nedefinit de variabile VLR, dar în conformitate cu cele definite în câmpul Offset to Point Data și respectiv în câmpul Number of Variable Length Records (Tabelul 12).

Tabelul 12. Componența sectorului de date VLR – formatul de date LAS

Sectorul de date Point Data Records:

Începutul sectorului de date pentru punctele înregistrate este definit în Public Header. Toate seturile de puncte înregistrate trebuie să fie de același tip cu cel definit în antetul fișierului prin câmpul Point Data Record Format. Atributele fiecărui punct, care nu sunt completate cu date specifice, trebuie completate cu zero (sau echivalentul acestuia, în funcție de tipul fiecărui tip de dată). În ultimul raport LAS Specification (version 1.4-R13, 2011) al American Society for Photogrammetry & Remote Sensing, aceasta definește în formatul actual LAS 1.4 un număr de unsprezece tipuri de înregistrări ale datelor punctelor. Formatele de date (denumite în articolele de specialitate Point Data Record Format) sunt numerotate de la 0 la 10. Toate cele 11 formate sunt accesibile în formatul 1.4, dar sunt preferate ultimele formate elaborate, și anume formatele 6-10. În tabelul de mai jos sunt detaliate formatele 0-5 și diferențele dintre acestea.

Tabelul 13. Descrierea formatelor 0-5 pentru înregistrarea datelor

Unul din cele mai importante câmpuri ale formatelor de înregistrare este reprezentat de clasificarea fiecărei înregistrări (fiecărui punct determinat). Există două tipuri de clasificări de date, una pentru formatele 0-5 și una pentru formatele 6-10. Elaborarea codului oficial de clasificare este realizată de către American Society for Photogrammetry & Remote Sensing (ASPRS), existând și alte clasificări cu mici diferențe. În Tabelul 14 este descris modul de clasificare disponibil pentru formatele de date 0-5, elaborat de către ASPRS:

Tabelul 14. Codurile de clasificare a punctelor – formatele 0-5

Formatele pentru înregistrarea datelor de la 0-5 sunt formate de date bazate pe o structură de 20 de octeți și au fost create pentru versiunile mai vechi de LAS (versiunile 1-3). Pentru versiunile mai noi (1.3, 1.4) au fost create formatele de înregistrare numerotate de la 6-10. Spre deosebire de formatele 0-5 care sunt structurate pe 20 de octeți, aceste formate sunt bazate pe o structură de 30 de octeți, ceea ce permite înregistrarea mai multor informații cum sunt: mai multe reîntoarceri ale undei, o clasificare mai detaliată, valori ale unghiului de scanare mai precise, etc.

Formatul de înregistrare date numărul 6 este formatul de bază pentru formatele 7-10. Structura acestuia pe 30 octeți (bytes) permite suportul pentru 15 reîntoarceri ale pulsului de undă, 256 de clase pentru clasificare, o mai mare precizie pentru unghiul de scanare (până la 30.000 de valori cu pasul de 0.006 grade), dar și obligativitatea câmpului de timp GPS.

Tabelul 15. Descrierea formatelor 5-10 pentru înregistrarea datelor

După cum s-a menționat anterior, în câmpul destinat clasificării datelor înregistrate se poate completa unul dintre cele 256 de tipuri de coduri. Semnificația acestor coduri, conform definiției ASPRS, este prezentată în tabelul de mai jos. În tabel sunt prezentate și diferențele ce au survenit față de clasificarea destinată formatelor de înregistrare de date numerotate de la 0-5.

Tabelul 16. Codurile de clasificare a punctelor – formatele 5-10

Formatul fiecărui câmp, precum și dimensiunea alocată acestuia, în octeți sunt specificate în întregime în fișierul ASPRS pentru definirea acestui format de date (Las Specification, Version 1.4-R13).

Sectorul de date Extended Variable Length Records (EVLRs):

Înregistrările de lungime variabilă (EVRLs) sunt în esență identice cu sectorul de date VLR, singura deosebire fiind memoria alocată pentru fiecare câmp: 8 octeți în loc de 2. Numărul EVRLs este specificat în antetul fișierului, în prima secțiune a acestuia. Câmpul EVRLs are o mărime de 60 de octeți, după cum se poate vedea în tabelul centralizator de mai jos:

Tabelul 17. Descrierea sectorului de date Extended Variable Length Records – EVRLs

Pentru utilizatorii care doresc să păstreze compatibilitatea cu versiunile mai vechi, aceștia trebuie să utilizeze doar sectorul de date VRL. În cazul în care această compatibilitate nu este importantă, utilizatorii pot folosi și sectorul de date EVRLs pentru a defini variabile ce nu au fost definite în VRL sau pentru a le actualiza pe acelea, fără a fi nevoie de rescrierea datelor punct.

Sistemul de coordonate de referință (CRS) este unul din parametrii importanți ce trebuie setat în sectorul de date VRL sau EVRLs. Pentru păstrarea compatibilității cu versiunile anterioare, definirea acestuia trebuie realizată în sectorul VRL. În cazul în care păstrarea compatibilității nu este esențială, definirea sau actualizarea datelor CRS se poate face și în secțiunea EVRLs. Pentru definirea CRS se poate utiliza atât structura GeoTIFF, cât și structura WKT (Well Know Text). Structura GeoTIFF este folosită pentru definirea CRS în sectorul de date VLR dar și în sectorul EVRLs. În schimb, structura WKT poate fi utilizată pentru definirea CRS doar în sectorul EVRLs. Formatele de înregistrare de la 0-5 pot utiliza ca și structură atât GeoTIFF cât și WKT, pe când formatele de înregistrare 6-10 pot utiliza doar formatul mai nou, WKT. Utilizând formatul WKT, definirea CRS presupune descrierea datumului, a geoidului asociat, a sistemului de coordonate utilizat dar și a proiecției sistemului de coordonate.

Definirea CRS prin structura WKT se face cu ajutorul specificațiilor Open Geospatial Consortium (OGC). În conformitate cu articolul OGC, mai multe tipuri de entități pot fi scrise în formatul WKT (Well Know Text), ceea ce permite diferitelor clase de obiecte să fie stocate în baze de date și transmise între diferite programe pe baza acestei interoperabilități. Formatul WKT are la bază o interfață denumită „Simple Features” care ajută la mărirea acestei interoperabilități. În WKT descrierea sistemelor de coordonate și referință se realizează prin utilizarea unui identificator (număr întreg) SRID, incluzând și referirea la codurile EPSG.

Figura 45. Formatul de date WKT: st. – WGS84, SRID 4326 și dr. – UTM, SRID 2029

Baza de date European Petroleum Survey Group (EPSG) este o colecție geodezică ce conține seturi de date cu definiții ale sistemelor de coordonate de referință dar și cu transformări de coordonate între diversele CRS. Conform articolului OGC, EPSG este o autoritate în privința sistemelor de coordonate, una dintre cele mai cunoscute în privința identificatorului SRID. Baza de date a EPSG SRID este din 2005 menținută de International Association of Oil & Gas Producers (OGP) prin comitetul Surveying & Positioning.

Definirea CRS se poate realiza și prin structura GeoTIFF, aceasta conținând de asemenea descrierile sistemelor de coordonate, datumuri, elipsoizi, sisteme de proiecție – folosind codurile și baza de date EPSG, identificatorul fiind unul de tip GeoKeyDirectoryTag. Această înregistrare cheie definește identificatorul sistemului de coordonate într-un sistem tip matrice. Diferența între cele două formate WKT și GeoTIFF este dată de interoperabilitatea mult mai mare a formatului WKT, formatul GeoTIFF putând a fi citit doar de către programele care au implementată această structură.

În plus, în sectorul de date VRL (sau EVRLs) se pot defini și alte seturi de date, pe lângă sistemul de referință și coordonate, și anume: Clasiffication Lookup, Text Area Description, Extra Bytes, Superseded, Waveform Packet Descriptor, Waveform Compresion Type, Number of Samples, Temporal Samples Spacing, Digitizer Gain, Digitizer Offset. Câmpurile caracteristice doar pentru secțiunea EVRLs sunt: Waveform Data Packets, LAS Domain Profile și LAS Domain Profile Description. De reținut este faptul că secțiunea EVRLs poate conține un volum de date mult mai mare decât VRLS. Câmpul Extra Bytes este utilizat pentru a păstra compatibilitatea la rescrierea fișierelor pe structura de 32 biți (din 64 biți, versiunea LAS 1.4), datele stocate în plus pe structura de 64 de biți fiind copiate în acest câmp, păstrând astfel înregistrările.

Formatul de date LAZ

Platformele de scanare LIDAR colectează cu ușurință date despre elevația terenului sau a suprafețelor, ceea ce a produs o continuă dezvoltare a acestui domeniu. Această dezvoltare a produs implicit și o creștere a densității punctelor achiziționate. După cum s-a menționat formatul LAS este standardul pentru achiziționarea punctelor LIDAR, dar o dată cu creșterea densității punctelor determinate, la fel a crescut și memoria de masă alocată fișierelor LAS în care erau stocate aceste date. O soluție de comprimare a acestor date a fost oferită de către Rapidlasso GmbH prin comprimarea în formatul LAZ. Formatul LAZ oferă o compresie a fișierelor LAS între 7-25% din formatul inițial, fără pierderi de informație. Formatul de conversie a fost premiat de către Geospatial World Forum Technology Innovation Award in LiDAR Processing și foarte apreciat în cadrul conferinței geodezice internaționale, INTERGEO 2012, la secțiunea produse inovative. De menționat este faptul că această compresie a datelor LIDAR este disponibilă momentan doar pentru formatele LAS versiunile 1.1-1.3. Pentru comprimarea fișierelor LAS, echipa de la Rapidlasso GmbH pune la dispoziția utilizatorilor aplicația open-source LASzip. Pentru formatele de date LAS versiunea 1.4 echipa Rapidlasso GmbH promite implementarea cât de curând a unui format de compresie compatibil cu aceasta.

Formatul comprimat de date LIDAR a fost adoptat de multe companii dezvoltatoare de software care lucrează cu date de tip LAS. Printre acestea amintim: Fugro, Riegl, NOAA, COWI, Blom, Watershed Science Inc., Diemo 3D, Euclideon, US Army Corps of Engineers, Blue Marble Geo, Bentley Systems, Terrasolid, Trimble Navigation Limited și mulți alții.

Ca și software-uri de compresie similare LASzip sunt: LizardTech LiDAR Compressor TM (cu formatul de date SID/MrSID) și LASCompression (cu formatul de date LCMP).

Fișierele LAS pot fi comprimate și în formate standardizate precum Zip sau Rar. În articolul LASzip: Lossless compression of LiDAR data, dr. Martin Isenburg realizează o comparație complexă privind comprimarea diferitelor fișiere LIDAR cu diferite soluții software. Tabelul de mai jos, extras din articolul menționat, demonstrează capacitatea softului LASzip în a oferi cea mai bună comprimare pentru fișierele LAS:

Tabelul 18. Tabel comparativ privind performanța de compresie pentru diferite formate

În privința altor softurilor ce pot realiza compresia trebuie să menționăm ca softurile WinZIP (fișiere ZIP), WinRAR (fișiere RAR), gzip, bzip, au dezavantajul că volumul compresiei realizate este un volum mai mare de date, dar mai ales deficiența de a putea utiliza direct fișierul comprimat. Unul dintre marile avantaje ale fișierelor comprimate în formatul LAZ este faptul că se poate lucra cu acestea în softurile de specialitate fără a fi nevoie de decomprimarea acestora. Comprimarea LASzip este de tipul lossless (compresie uniformă a punctelor ca și numere întregi scalate), non-progressive (compresie bazată pe rata de rezoluție, decomprimarea punctelor realizându-se la precizie mare), streaming (compresează/decompresează o fracțiune, apoi citește o alta), order-preserving (păstrează ordinea punctelor în comprimare), și oferă posibilitatea accesului aleatoriu al datelor (random-access).

Aspectele prezentate demonstrează că formatul de compresie LAZ este unul din cele mai bune existente la ora actuală în materie de comprimare a datelor LIDAR. În proiectul actual se va utiliza cu precădere formatele LAS (versiunile 1.2-1.4) și formatul de comprimare LAZ (în privința versiunilor 1.2, 1.3).

Descrierea operațiunilor pentru controlul statistic

În urma revizuirii “Lidar Base Specification (Specificații de Bază Lidar ) Version 1.0 – ASPRS” se introduc clase noi de calitate a datelor Lidar pentru aliniere cu specificațiile tehnice din fotogrametrie, se actualizeaza definiții ale unor termeni specifici și conține elementele unui ghid de utilizare consecventa a seturilor de date lidar. Astfel, LiDAR fiind o tehnologie care evoluează rapid, au apărut modificări și unele schimbări în privința preciziei și rezoluției spațiale, standardele geospațiale de exactitate au fost revizuite de Societatea Americană pentru Fotogrammetrie și Teledetecție (ASPRS), formatele fișierelor standard din industrie au fost extinse, aplicațiile suplimentare pentru lidar au fost acceptate, și au fost obținute progrese importante privind interoperabilitatea datelor culese prin diferite tehnologii. Specificațiile de calitate pentru datele LiDAR revizuite (Version 1.1) sunt furnizate în secțiunea “Changes in Version 1.1.” [6]

Controlul statistic al calității datelor LIDAR

Deoarece mărimea adevărată nu poate fi cunoscută pentru orice mărime fizică, nici eroarea adevărată nu poate fi determinată. Teoria erorilor se ocupă cu estimarea celei mai probabile valori pentru mărimi fizice și cu determinarea gradului de încredere al acestei valori. Pentru estimarea valorii celei mai probabile și a preciziei cu care s-au determinat aceste valori (gradul de credibilitate) sunt utilizate modele matematice bazate pe ipoteza de a reduce erorile apărute în procesul de măsurare.

În cazul oricărei mărimi fizice, erorile induse de diferite cauze se propagă conform legii de propagare, existentă în orice fenomen aleator al naturii și descrisă detaliat de matematicianul german Carl Friedrich Gauss. Ipoteza de propagare a erorilor de măsurare stă la baza modelelor matematice de prelucare, care prevăd că erorile de măsurare trebuie să fie minime pentru obținerea valorii cele mai probabile.

Eroare

Măsurătorile sunt afectate în mod inerent de erori. Cauzele care duc la apariția acestor erori sunt de mai multe feluri: erori induse de instrument, de operator, de condiții atmosferice sau de modelul funcțional aplicat.

Valoarea numerică adevărată a mărimii este xad. Valorile experimentale xexp nu sunt egale cu valoarea adevărată.

Diferența:

este eroarea adevărată rezultată la măsurarea mărimii X.

Astfel o evaluare a preciziei unui set de date obținute cu ajutorul sistemului LiDAR pentru acest studiu o reprezintă cotele punctelor de referință (control).

Figura 46.Reprezentarea diferențelor altimetrice ale setului de date

Colectarea

Conform specificațiilor noului standard ASPRS(2014), sistemul de colectare a datelor Lidar trebuie să fie capabilă de a citi cel puțin trei raspunsuri la un puls laser. Chiar dacă achiziția completă a undei de răspuns este acceptabilă, cu toate acestea, datele formelor de undă sunt considerate ca fiind informații suplimentare. Derivarea și livrarea de multiple citiri distincte este necesara în toate cazurile. Aria zonei de colectare-testare definită (zonă tampon) trebuie să fie de minim de 100 de metri (m) pentru a crea o zonă de proiect (buffer) în care punctele de control să se regăsească în această zonă, iar cele de verificat în afara zonei tampon.

Astfel pentru a crea zona de studiu aferentă punctelor de control determinate cu tehnologia (GNSS+stații totale nivele) este nevoie a se crea o dimensiune convenabilă pentru NSP.

Spațierea Nominală a Pulsurilor (NPS)

Prin urmare, pentru asigurarea unei precizii conforme standardelor, este necesară o NPS de 2 metri sau mai puțin. În funcție de terenul local și condițiile de acoperire a terenului în zona proiectului, poate fi necesară o densitate de puncte mai mare în proiecte specifice. Evaluarea NPS se va face în funcție de fiecare fâșie, doar din datele primei citiri, localizate în interiorul porțiunii geometrice centrale utilizabile (tipic 90 %) a fiecarei fâșii, datele fară conținut acceptabil sunt excluse. NPS se va calcula ca radacină pătrată a ariei medii per punct. Practic NPS este o măsură a densității setului de punte Lidar reprezentînd distanța medie dintre punctele Lidar. Vorbim de medie deoarece ditanța dintre puncte nu este aceiași pe direcția de scanare cu direcția perpendiculară pe aceasta. În plus, pe fâșiile de acoperire această distanță /spațiere /NPS este mai mică determinînd pe aceste zone o precizie de redare a terenului mai mare.

Din această cauză fâșiile de acoperire se pretează cel mai bine pentru materializarea sau determinarea de puncte de control în interiorul acestora. Dar terenul care a fost arat sau altfel modificat nu este acceptabil pentru zone de control. Toate locațiile pe care se determină puncte de control și se utilizează pentru testare trebuie să fie fotografiate prezentând starea solului din zona înconjurătoare. Fiecare tip de acoperire a terenurilor reprezentând 10 la sută sau mai mult din suprafața totală a proiectului trebuie să fie testată și determinată suplimentar obținînd astfel o așa numită SVA (Precizie verticală suplimentară (SVA) <= 36.3 cm, 95%), conform ASPRS(2014).

Punctele de control pentru fiecare evaluare (FVA, AVC, și toate SVAs) trebuie să fie bine distribuite de-a lungul tipului de acoperire a terenurilor, pentru întreaga zonă de proiect, unde:

Precizie verticală fundamentală (FVA) <= 24,5 centimetri (cm) Accuracyz (ACCz), 95 la suta (12,5 cm eroare patratica medie (RMSE) z).

Cerințele minime referitoare la precizia verticală pentru DEM derivat, utilizând metodologia NDEP/

ASPRS sunt enumerate mai jos:

Precizie verticală fundamentală (FVA) <= 24,5 cm ACCz, 95 la suta (12,5 cm RMSEz);

Precizie verticală consolidată (CVA) <= 36.3cm, 95 la sută, și

Precizie verticală suplimentară (SVA) <= 36.3 cm, 95 la sută.

Rezultatul procesului de măsurare este o valoare numerică, atașată la o mărime, care conține informații stochastice. Măsurătorile sunt raportate la un etalon stabilit pe baza unor convenții. Practic, prin măsurătoare se înțelege compararea a două mărimi de aceeași natură din care una este luată drept etalon.

Figura 47. Distribuția erorilor la măsurarea repetată a unei mărimi (x’ – valoarea reală)

Cum am prezentat în subcapitolul 2.3.4, este necesar a se efectua o serie de repartiții ce pot fi: serii empirice (teoretice), unidimensionale și multidimensionale.

În studiul seriilor de repartiție sunt importanți doi indicatori:

indicatorii care exprimă frecvența de apariție a unităților statistice;

indicatorii care exprimă caracteristicile (media, abaterea standard, momente de ordinul k, asimetrie, boltire).

Frecvența

Frecvența reprezintă numărul de unități/măsurători corespunzătoare unei arii sau grupe de măsurători ce se pot obține în urma unei centralizări statistice, respectiv a unei eșantionări spațiale. Putem vorbi de două tipuri de frecvențe:

frecvența absolută – se exprimă în unități concrete de măsură. Se notează cu f(i) sau ni

frecvența relativă – reprezintă raportul dintre frecvența absolută și numărul total de valori (măsurători). Se notează cu f(xi) sau n(xi).

Histograma și poligonul frecvențelor

Histograma și poligonul frecvențelor oferă posibilitatea de a interpreta seria de repartiție ca o funcție matematică în care valoroarea xi depinde de frecvența de apariție a ei.

Figura 48.Histrograma și poligonul frecvențelor

Studiul histogramei și al poligonului frecvențelor ne oferă o metodă grafică de analiză aproximativă a repartiției respective Figura 49.

Figura 49- Interpretarea grafică a probabilității

Descrierea metodelor de lucru

Pregătirea datelor

Datorită faptului că norii de puncte obținuți cu tehnologia LiDAR conțin milioane de puncte ce aparțin diverselor clase, acestea trebuie filtrate și calculate anumite valori caracteristice. Aceste valori trebuie să fie reprezentative pentru o anumită clasă și să reflecte calitatea clasificării.

Prin combinarea diferitelor metode de divizare și postprocesare se poate obține seturi de puncte ce aparțin fie vegetației, solului, supfețelor de apă sau construcții, acoperișuri etc. Norul de puncte trebuie filtrat pentru a elimina punctele inutile ce provin din terenul aflat sub liniile electrice sau vegetația nedorită, păsări s.a.m.d. Tot filtrarea este folosită și pentru a putea reduce dimensiune fișierelor deoarece setul de date necesită o memorie mare de stocare a computerului. Astfel, extragerea DTM din DSM este considerată filtrare, iar clasificarea este diferența între diferite obiecte: clădiri, drumuri, diverse tipuri de vegetație, drumuri, terenuri neproductive etc. Pe lângă determiarea diverselor tipuri de terenuri trebuie să se aibă în vedere extragerea clădirilor, tipuri de vegetație ce constituie caracteristici importante ale terenului. (Figura 50. Seturi de puncte ce aparțin diverselor tipuri)

Figura 50. Seturi de puncte ce aparțin diverselor tipuri

de obiecte (diverse tipuri de vegetație, drumuri, construcții, apă, etc.)

Descrierea metodelor de lucru – algoritmii statistici

În ecest sens sunt importante răspunsurile (vezi Vosselman et al., 2010, pentru exemple de algoritmi de filtrare), unde se specifică importanța schemelor de organizare a datelor pentru a îmbunătăți interacvtivitatea setului de date. Astfel, pentru a obține o descriere cât mai bună și continuă a suprafeței de folosință în funcție de utilizarea terenului putem efectua clasificări 2D sau 3D pentru eșantioanele selectate. În aceste eșantioane parametrii estimați ne dau informații asupra valorilor lipsă, numărul acestora, media și abaterea standard. (Figura 51)

Figura 51- Aproximarea unei distribuții

Aplicarea unei distribuții la un eșantion de date constă, pe lângă alegerea tipului de distribuție, estimarea parametrilor distribuției astfel ca acesta să fie cel mai probabil și statisticile (medie, variație) să corespundă cât mai bine distribuției.

Aplicarea distribuției cubice spline, presupune împărțirea funcției în intervale, astfel ca acestea să aibă caracteristicile colectivității.

Figura 52. Proprietăți diferite ale suprafeței de bază prin clasificare

O evaluare a preciziei modelului dezvoltat se face prin compararea modelului cu rezultatele masurătorilor făcute în teren mai ales dacă achizițiile de date LiDAR din zona țintă provin din teren accidentat.Figura 53

Setul de erori ale sistemului LiDAR este o evaluare cantitativă a surselor de erori aleatoare și sistematice ce participă la poziția (x,y,z) a punctelor și contribuie la acuratețea norului de puncte LiDAR. Pe de altă parte există factori suplimentari care pot afecta acuratețea datelor Lidar, cum ar fi coordonatele incorecte pentru stația GPS de bază, nealinierea sistemului INS cu scanerul LiDAR, sau o eroare umană (gafe). Aceste contribuții cauzează erori sistematice, și pot fi identificate prin control suplimentar.

Figura 53. Reprezentarea terenului legatura cu procesul stochastic

Prin metodele testării diverselor ipoteze statistice, statistica oferă posibilitatea stabilirii cu un grad de probabilitate ales existența sau absența legăturii dintre fenomene.

Figura 54.Determinarea distanței în funcție de răspunsurile diferitelor tipuri de vegetație

Testul Anderson-Darling este folosit pentru a testa dacă un eșantion de date provine de la o distribuție specifică, la intervalul de încredere de 95% indicând faptul că histograma nu este distribuită în mod normal. Histograma pare să aibă forma unei curbe normale de distribuție, cu o ușoară înclinare spre dreapta. Cele două puncte de pe extrema dreaptă a distribuției cu erori în intervalul de 130 cm sunt ambele situate în imediata vecinătate la începutul traseului. Poate că o caracteristică a terenului neatinsă, cum ar fi un bolovan, sau o pasăre a cauzat discrepanța. Eliminarea acestor două puncte permite histogramei să treacă testul pentru normalitate, ceea ce duce la concluzia că eșantionul este distribuit normal. Cu toate acestea, fără o justificare adecvată, punctele pot fi lăsate în setul de date cu concluzia că într-adevăr, setul de date este normal distribuit, Figura 55

Figura 55.Distribuția erorilor verticale

Testul Kolmogorov-Smirnov compară două distribuții, acest test este utilizat pentru compararea a două distribuții empirice. Testul permite constatarea similitudinii distribuțiilor și să fie testată în același timp cu forma și poziția lor pentru care se folosesc cele două ipoteze((32):

Specificații de programare pentru controlul statistic al calității datelor lidar

Principii și algoritmi pentru controlul statistic

Pentru evidențierea unor anomalii în datele LIDAR vom folosi teste statistice care vor pune în evidență punctele izolate și care vor determina discontinuități spațiale suspecte, de exemplu atunci când două benzi nu se suprapun corect din punct de vedere spațial și acest aspect poate apare prin diferențiere pe cotă.

Vom calcula parametri statistici cum ar fi

dispersia globală,

dispersia față de medie,

Dispersiile se vor calcula folosind distanțe între puncte date prin diferite mărimi:

Distanța pe verticală Dv = Z2 – Z1

Distanța în spațiul 3D D = Sqrt( (X2-X1)2+(Y2-Y1)2+(Z2-Z1)2 )

Distanța d de la un punct de coordonate, Xo, Yo, Zo la un plan dat de ecuația Ax+By+Cz+D=0

Pentru a calcula dispersia față de un plan, planul trebuie determinat prin selecția a 3 puncte reprezentative

Ecuația planului ce trece prin trei puncte necoliniare

Rezultă:

x (y2z3-y2z1-y1z3-z2y3+z1y3+y1z2) – x1(y2z3-y2z1-y1z3-2y3+z1y3+y1z2)

+ y (x2z1-x2z3+x1z3+x3z2-x1z2-x3z1) – y1(x2z1-x2z3+x1z3+x3z2-x1z2-x3z1)

+ z (x2y3-x2y1-x1y3-x3y2+x3y1+x1y2) – z1(x2y3-x2y1-x1y3-x3y2+x3y1+x1y2)

Unde : (y2z3-y2z1-y1z3-z2y3+z1y3+y1z2) notăm cu A

(x2z1-x2z3+x1z3+x3z2-x1z2-x3z1) notăm cu B

(x2y3-x2y1-x1y3-x3y2+x3y1+x1y2) notăm cu C

Și -x1A-y1B-z1C = x1(-y2z3+z2y3)+y1(x2z3-x3z2)+z1(x3y2-x2y3) pe care notăm cu D

Ecuația planului va fi:

Ax+By+Cz+D=0

Ecuația dreptei de intresecție a 2 plane

Distanța de la un punct la un plan

Ecuația dreptei prin 2 puncte

x = x1+k (x2-x1)

y = y1+k (y2-y1)

z = z1+k (z2-z1)

Specificații de programare pentru validarea statistică a MNT

Extragerea Modelului Numeric al Terenului dintr-un nor de puncte nu este o operație atât de ușoară pe cât s-ar crede, datorită obiectelor existente pe suprafața acestuia care pot genera confuzii aproape imposibil de evitat.

Statistic vorbind, suprafata terenului se caracterizeaza prin continuitate lină, discontinuitățile sau schimbările de pantă bruște apar doar la linia de demarcație între obiecte și teren sau în munți acolo unde relieful este foarte accidentat.

Din acest motiv, pentru zonele cu relief mai puțin accidentat se pot construi algoritmi statistici, deci care utilizeaza principiile calculului statistic, care să pună în evidență aceste obiecte (masini, construcții, stâlpi, linii electrice, vegetatie)

Continuitatea unui model se exprimă prin panta dată de două puncte succesive, fie aceasta P. Panta se exprimă prin raportul între lungimea orizontală și diferența de cotă dintre cele două puncte.

Cu cât diferența de pantă între două perechi de puncte succesive se schimbă ma mult, cu atât terenul este mai accidentat sau există șansa de apariție a unor obiecte pe teren

Dat fiind numărul mare de puncte într-un nor, nu se pot analiza pantele între punctele adiacente. Pentru a pune în evidență anomaliile din teren, norul de puncte trebuie parcurs pe o grilă de eșantionare, respectiv se setează un pas de eșantionare, egal pe ambele direcții, fie acela E.

Norul de puncte se împarte în celule patrate de latura E dispuse în lungul axelor de coordonate așa cum se arată în figura de mai jos

Figura 56. Dispunerea celulelor de eșantionare peste un nor de puncte Lidar

Pentru evitarea analizei unui număr prea mare de puncte, chiar în cazul în care celulele au dimensiune mică este utilă setarea unei înălțimi a celulei astfel încât punctele de la suprafața solului care depășesc o anumită înălțime fașă de cota minimă a celulei, să fie eliminate. Fie această înălțime h.

Acest procedeu generează pentru fiecare celulă un paralelipiped în spațiul 3D al norului de puncte care urmăresc suprafața pamântului într-un anumit ecart dat de înălțimea fiecăreui paralelipiped.

Figura 57. Dispunerea celulelor de eșantionare pe suprafața terenului – vedere laterală

Folosind aceste celule am dezvoltat un algoritm care generează Modelul Numeric al Terenului și în același timp îl validează prin diferite teste statistice.

Se stabilește pasul de eșantionare E

Se stabilește panta maximă admisă P

Se stabilește ecartul sau înlțimea maximă față de minimul celulei h

Se determină punctul de cotă minimă din nor și celula corespunzătoare setată ca fiind celula curentă, fie aceasta celula (i,j), unde i este numărul liniei de celule și j numărul coloanei, celula 1,1 fiind celula cu X minim și Y maxim, respectiv celula cea mai nordică și cea mai vestică. Astfel cota minimă a celulei (i,j) va fi Zmin(i,j). Toate punctele cu cotă Z < Zmin(i,j) + h se asignează clasei Teren și celula i,j se validează ca Teren printr-un cod de validare CV(i,j)=1.

Se setează variabila Precedent = 1 și se salvează coordonatele celulei validate NL = i și NC = j și se trece la următoarea celulă curentă, o celulă vecină la est de aceata, de exemplu. Dacă nu mai există celule neanalizate, se trece la pasul 8

Dacă există o celulă precedentă, respectiv dacă variabila booleană Precedent = 1 atunci se determină punctul de cotă minimă din celula curentă și se calculează panta P% între celula curentă (i,j) și celula precedentă (NL, NC), respectiv între punctele de cotă minimă din cele două celule.

Dacă panta calculata este < P% impusă ca parametru atunci, în celula curentă, toate punctele cu cotă Z < Zmin(i,j) + h se asignează clasei Teren și celula i,j se validează ca Teren printr-un cod de validare CV(i,j)=1. Dacă panta calculata este > P% impusă ca parametru atunci celula nu se validează dar se generează un punct temporar în centrul celulei cu cota Zc = Zmin(NL, NC) și se trece la pasul 5.

Dacă există o celulă precedentă dar nevalidată, atunci se calculează panta P% între celula curentă (i,j) și celula precedentă (NL, NC) în care cota minimă a celulei precedente se ia ca fiind Zc calculat la pasul 7, practic se calculează panta P% între punctul curent și punctul din celula precedentă, în care coordonatele planimetrice rămân aceleași dar cota, coordonata de altitudine se consideră ca fiind cota ultimei celule validate. În acest fel se evită diminuarea pantei odată cu creșterea distanței între celule validate.

Căutarea celulei următoare.

Pentru eficientizarea algoritmului exxistă mai multe metode de căutare și identificare a unei celule valide din punct de vedere MNT.

Figura 58. Principii de căutare a următoarei celule valide

Dacă celulele sunt continue, căutarea este recomandabil să se facă pe trei direcții, celula din drepta pentru care Xo(i+1, j) = Xo(i,j)+E unde Xo este coordonata X a centrului celulei, apoi celula de la sud, pentru care Yo(i, j+1) = Yo(i,j)-E unde Yo este coordonata Y a centrului celulei, apoi celula de pe direcția S-E, pentru care Xo(i+1, j+1) = Xo(i,j)+E unde Xo este coordonata X a centrului celulei și Yo(i+1, j+1) = Yo(i,j)+E unde Yo este coordonata Y a centrului celulei.

Cum se vede și din Figura 58, acest mod de căutare implică o analiză a conexiunii unei celule cu alte 3 până la 6 alte celule. Cu cât o celulă este mai mare, deci cu cât valoarea E este mai mare cu atât pot fi clasificate eronat mai multe puncte.

O altă metodă este utilizarea de celule cu acoperire și transversală și longitudinală dar aceasta ar îngreuna mult procedurile de calcul.

Mai eficientă ar fi căutarea unei celule vecine după poziția punctului cu cotă minimă în celula respectivă.

Figura 59. Direcții de căutare următoarea celulă nevalidată

Considerăm că punctul de cotă minimă pentru care dorim să calculăm panta P% poate fi într-unul din cele 4 cadrane notate I – IV . Principiul de căutare a unei celule nevalidate din algoritmul anterior se aplică în acest caz doar dacă minimul se află în cadranul III.

În celelalte situații, dacă punctul se află în cadranul II, are loc o singură căutare a unei celule nevalidate, pe aceiași linie cu celula curentă. Iar dacă punctul se află în cadranul IV, vor avea loc doar două căutări pe direcția sudică și estică (Figura 59)

Pentru fiecare cadran aplicăm metode diferite de căutare a următorului punct pentru calculul de pantă, fie acestea metodele I, II, III, IV.

Metoda I

Punctul următor se caută în celula curentă, în celelalte cadrane astfel încât panta calculată să fie maio mică decât panta impusă P%.

Dacă rezultatul este 0, pentru acel punct se aplică metoda III.

Dacă și rezultatul prin metoda III este 0 atunci punctul curent se asignează la Teren împreună cu punctele din celulă care au cota Z < Zmin(i,j) + h și se trece la celula următoare.

Metoda II

Punctul următor se caută în celula (i, j+1) astfel încât panta calculată să fie mai mică decât panta impusă P%.

Dacă rezultatul este 0 atunci punctul curent se asignează la Teren împreună cu punctele din celulă care au cota Z < Zmin(i,j) + h și se trece la celula următoare.

Metoda III

Punctul următor se caută în celula (i, j+1) astfel încât panta calculată să fie mai mică decât panta impusă P%.

Dacă rezultatul este 0 atunci punctul următor se caută în celula (i+1, j+1). Dacă rezultatul este 0 atunci punctul următor se caută în celula (j+1,j) . Dacă rezultatul este 0 punctul curent se asignează la Teren împreună cu punctele din celulă care au cota Z < Zmin(i,j) + h și se trece la celula următoare.

Metoda IV

Punctul următor se caută în celula (i+1, j) astfel încât panta calculată să fie mai mică decât panta impusă P%.

Dacă rezultatul este 0 atunci punctul următor se caută în celula (i-1,j). Dacă rezultatul este 0, punctul curent se asignează la Teren împreună cu punctele din celulă care au cota Z < Zmin(i,j) + h și se trece la celula următoare.

Toate metodele

Pentru toate metodele dacă rezultatul este pozitiv, punctul următor se asignează la Teren, punctul următor devine punctul curent, celula corespunzătoare devine celula curentă și se validează ca teren toate punctele care au cota Z < Zmin(i,j) + h.

CONCLUZII

Datele LIDAR sunt caracterizate prin existența unui volum mare de date care implică abordări speciale pentru prelucrarea lor. În această idee datele LIDAR pentru a fi manipulate trebuie structurate conform metodelor de prelucrare. Acest fapt a impus dezvoltarea a două aplicații orientate pe diferite proceduri de calcul. Aplicația Potree-Prosig este o aplicație orientată pe vizualizarea datelor într-o manieră clară și rapidă chiar pentru date de zeci de milioane de puncte.

Acest fapt este posibil datorită structurii arborescente Potree. Dar această structură este neadecvata operațiilor de selecție, filtrare, clasificare, motiv pentru care s-a construit o alta aplicație LIDAR-Tools care nu permite vizualizări la calitatea primei aplicații dar și implementarea de operații de filtrare și clasificare.

Ambele aplicații permit însă calculul parametrilor statistici care pot valida sau nu calitatea datelor LIDAR.

Parametrii de calitate a datelor LIDAR care trebuie luați în considerare sunt:

– precizia de poziționare absolută

– precizia de poziționare relativă

– densitatea medie de puncte / m2

– spațierea medie între puncte

– procentul de puncte neverosimile

– nivelul de eliminare/ filtrare a punctelor neverosimile

Eliminarea punctelor neverosimile, respectiv a acelor puncte care nu sunt rezultatul direct al scanării unui obiect dar sunt rezultate a unor anomalii fizice, semnale reflectate pe păsări sau semnale cu energie foarte mică se poate face doar în aplicația de filtrare și clasificare Potree-Prosig.

Ceilalți parametri de precizie, densitate și spațiere pot fi evaluați în ambele aplicații.

În urma fazei de experimentare și validare a procedurilor de control statistic s-a stabilit ca acești parametri statistici de densitate și spațiere să fie calculați și pentru clasele teren și DSM (Modelul Numeric al Suprafeței), nu doar global pentru întreg norul de puncte.

Precizia de poziționare absolută este dată de calitatea determinării coordonatelor GPS – RTK ale senzorului LIDAR în timpul zborului. În urma experimentelor au rezultat erori de ordinul a 1m dacă nu se folosește sistemul DGPS – RTK, respectiv dacă nu se utilizează o stație fixă ca bază.

În urma verificărilor de precizie s-a arătat că precizia de determinare absolută în poziționarea pe toate cele trei axe este în jur de 5cm. Pe vreme frumoasă și cu un număr de reperi suficient de mulți se poate obține chiar și precizii mai bune, dar noi considerăm ca fiind suficientă această precizie.

Precizia de poziționare relativă este dată de diferența între treceri consecutive asupra aceleiași zone. Dacă pe zona de acoperire dintre două benzi apar diferențe sistematice între punctele planimetric apropiate, respectiv diferențe semnificative între cotele punctelor apropiate, diferențe care se păstrează între puncte (Figura 60).

Figura 60. Erori de poziționare relativă

Pe zborurile de testare și validare, dar și pe alte zboruri efectuate după calibrarea corectă a sistemului, suprapunerea benzilor este corectă și nu se mai evidențiază nici o eroare de suprapunere, eroarea relativă de poziționare fiind practic eliminată (Figura 61).

Figura 61. Zbor LIDAR în zona Pantelimon fără erori relative de poziționare

Același lucru este foarte bine pus în evidență și pe zona Pantelimon Est în care urma liniilor de zbor este imposibil de pus în evidență suprapunerile dintre benzi, dintre traseele de zbor efectuându-se în același nivel de precizie absolută (Figura 62).

Figura 62. Zona Pantelimon Est, acoperire între benzi fără erori relative

Ceilalți parametri statistici care dau o măsură a calității datelor LIDAR, densitatea și spațierea se determină cel mai bine în aplicația Potree-Prosig (Figura 63).

Figura 63. Calculul și vizualizarea parametrilor statistici

Parametrii de densitate și spațiere se calculează în raport cu limitele zonei, în acest caz densitatea este de aproximativ 94 puncte pe m2 dar și în raport cu suprafața efectivă, unde densitatea reală ajunge la 198 puncte /m2.

În interfața cu datele statistice privind o zonă de la Nord de Cernica sunt calculați și evidențiați mai mulți parametri de calitate dar și parametri de poziționare:

Figura 64. Date statistice calculate în LIDAR-Tools

Figura 65. Calcule statistice în LIDAR-Tools

Figura 66. LIDAR-Tools

Parametrii statistici și funcția de distribuție după valoarea cotei este calculabilă atât în programul LIDAR-Tools varianta online cât și în varianta offline (Figura 65). Aceste valori vor fi utile la parametrizarea algoritmilor de filtrare.

Aplicația LIDAR-Tools elimină eficient așa cum s-a constatat și în procedura de validare, punctele neverosimile. De fapt, punctele nu sunt eliminate efectiv, ele sunt asignate unei clase de puncte denumită standard NOISE (Zgomot).

Figura 67.Vizualizarea punctelor neverosimile în LIDAR-Tools (fișier LAS avion)

În Figura 67 și Figura 68 sunt prezentate două fișiere LAS preluate cu sisteme diferite, avion cu pilot și UAV.

Datele preluate cu avionul cu pilot acoperă o suprafață de 23 ha la o densitate medie de 20 puncte/m2 având un total de 4.67 milioane de puncte la o spațiere medie de 22cm. La această cantitate de date și caracteristici, numărul de puncte neverosimile identificat este de 3179 puncte.

Datele preluate cu sistemul UAV acoperă o suprafață de 40 ha la o densitate medie de 131 puncte/m2 având un total de 52.41 milioane de puncte la o spațiere medie de 11cm. La această cantitate de date și caracteristici numărul de puncte neverosimile identificat este de 199 puncte.

Din analiza acestor informații, rezultă o calitate superioară la sistemul UAV, cu privire la aceste date.

Figura 68. Vizualizarea punctelor neverosimile, fișier LAS din zona Pantelimon

Figura 69. Identificarea punctelor neverosimile