Aplicaciones LIDAR

Aplicaciones del lídar
Antonio Ruiz
[email protected]
Unidad de Fotogrametria
Aplicaciones del lidar
 DTM alta precisión
 DTM en zonas de costa
 DTM en zonas de bosque. Medida de la altura de la
vegetación. Detección de árboles individuales
 Cálculos de volumen en pantanos, minas a cielo abierto y
vertederos
 Modelos 3D de ciudades
 Cartografía de líneas eléctricas, oleoductos, carreteras, vías
férreas
 Estudios de erosión, deslizamientos...
Aplicacions de l’escombrat làser
DTM d’alta precisió
DSM classificat
Detecció de canvis
Càlculs de volum
Estudi de recursos hídrics
Realitat virtual i rendering
Processos cartogràfics
Aplicacions forestals
Inundacions
Recobriment territorial
Model d’alçada de la vegetació (CHM) i model
d’edificis
Construccions il·legals
Monitoratge de la costa
Embassaments, pedreres, abocadors
Càlcul de gruixos de neu
Models vectorials d’edificis, vegetació…
Restitució assistida amb punts lídar
Conversió cartografia 2D - 3D
Corbes de nivell (a zones forestals)
Ortofoto
Detecció d’arbres
Càlculs biomassa i C fixat
Combinació lídar +
multiespectral
Mapes forestals d’usos del sol
Corridor mapping
Controls agrícoles
Cartografía de línies elèctriques
Construcció de carreteres, ferrocarril, oliductes...
DTM preciso
DTM de Catalunya
Guipúzcoa 2005 y 2008
Lidar de costa
60 pasadas, ~450 km
Volado octubre-noviembre 2008 (3 sesiones)
Change monitoring: Nova Icària beach
Volume
(m3)
Area
(m2)
Loss
7478 11826
Gain
4393 12810
January 17, 2009: 22880 m2
November 3, 2008: 23817 m2
http://www.ortoxpres.cat/client/icc/index.html?sIdioma=en
Euregeo,
A. Ruiz.
Munich
Enero
June
2009
12, 2009
6
Penetración en la vegetación
Los lidar de huella pequeña pueden penetrar entre los huecos de
la vegetación
Detectan también el suelo si la vegetación no es demasiado densa
Proporcionan puntos a distintos niveles de la cubierta vegetal
Emitted
pulse
0
First echo
Second echo
Last echo
t
Aplicación de la tecnología LIDAR al
estudio de la cubierta vegetal
Antonio Ruiz
Institut Cartogràfic de Catalunya
Marc Coromines, Ester Blanco
Centre Tecnològic Forestal de Catalunya
Parámetros de vuelo
Ter
Foix
25/3/02
10 y 13/4/03
Velocidad del avión (m/s)
62
62
Semiángulo de barrido (º)
5
10
Frecuencia de barrido (Hz)
42
22
Frecuencia del pulso láser (Hz)
25000
25000
Altitud sobre el terreno (m)
2300
2300
Solapamiento entre pasadas (%)
50
50
Divergencia del haz (mrad)
0.2
0.2
Anchura de pasada (m)
402
811
2
1
Fecha de vuelo
Densidad (puntos/m2)
Estudios realizados
Dos estudios:
2. detección de pies, comparación orto
3. determinación de parámetros de individuos y
comparación con medidas en campo
Datos 1er estudio
 Cuenca del rio Ter
 Parcela A: Quart (Gironès)
Cultivo de Platanus x hispanica
Gran homogeneidad
Distribución regular de los pies
DTM, DSM y diferencia
DSM
DTM
CHM
Superficie
arbolada
Identificación de los árboles
Se genera el modelo de altura de la vegetación
Se invierte el signo de la h y el modelo se analiza
como una cuenca hidrográfica utilizando el método
de acumulación de flujo
Identificación automática de árboles
Cada cuenca es un árbol
Se supone que el centroide coincide con el
pie
Se pueden medir diámetros y áreas de copa
Especie
Lidar
Ortofoto
Sobreestimación
A Platanus x
hispanica
337
306
110 %
B
107
86
124 %
Pinus
pinea
2º Estudio. Datos
Cuenca del río Foix
3
Todas de Pinus halepensis
2
Parcela
X UTM
Y UTM
# pies
1
386286
4568226
12
2
385167
4570077
10
3
383922
4571613
11
1
Medidas de campo
Medidas de los individuos
Altura de los árboles y altura de la base de la copa
Diámetro normal (DBH)
Diámetro de copa (sobre 2 ejes)
Fracción de cabida cubierta (4 medidas sobre 2 ejes). Medidas en un
punto medio entre el pie y los extremos de copa.
Medidas de la parcela
Área basimétrica
Tipo de copa (comprimida, desplegada o equilibrada)
Distribución de los árboles (agrupados, uniforme)
Estructura: regular o irregular
Altura de los árboles
15
Altura de campo (m)
14
13
12
11
10
Parcela 1
Parcela 2
9
Parcela 3
8
8
9
10
11
12
13
14
Altura LIDAR (m)
Diferencia campo - lidar
Parcela
Parcela
N
Media (m)
Sigma
0.78
1
12
0.62
0.74
Y = 0.80 x + 2.87
0.71
2
10
0.81
1.11
Y = 1.19 x – 1.27
0.55
3
11
0.56
1.09
Total
33
0.66
0.96
Recta
R2
1
Y = 0.77 x + 3.10
2
3
Área de copa
70
Área de campo (m2)
60
50
40
30
Parcela 1
20
Parcela 2
10
Parcela 3
0
0
5
10
15
20
25
30
35
40
45
Área lidar (m2)
Parcela
Recta
R2
1
Y = 1.03 x + 0.33
0.54
2
Y = 0.99 x + 0.59
0.80
3
Y = 0.84 x + 2.95
0.73
50
Combined Use of LIDAR & QuickBird Data
for the Generation of Land Use Maps
Oriol Viñas, Antonio Ruiz*, Roger Xandri, Vicenç
Palà & Roman Arbiol
ICC Remote Sensing Dep. & * Geodesy Dep.
Motivation
Experience the contribution of the following data /
techniques to Land Use/Cover generation:
 LIDAR
 Satellite High Resolution Optical imagery
 Object oriented classification tools (eCognition)
Study Area
Map sheet 807 (Chillón)
between Ciudad Real,
Badajoz and Córdoba.
The area consists basically
of dry farming land:




39% forest
28% “dehesas”
14% meadows
13% herbaceous
crops
LIDAR data
 Lidar sensor: Optech ALTM 3025
 Aircraft: Partenavia P68-C Observer
 Acquisition data: December 13, 2004
 21 parallel strips with 30% overlap + 2 transversal strips
 Control points with 2-3 cm. accuracy
 LS adjustment to obtain an elevation offset for each lidar
strip
LIDAR survey parameters
Parameter
Setting
Velocity (knots)
135
FOV (degrees)
34
Scan frequency (Hz)
19
Pulse repetition (Hz)
25,000
Height above ground (m)
2300
Strip overlap (%)
30
IFOV (mrad)
0.2
Point distance along track (m)
1.8
Point distance across track (m)
2.1
Footprint diameter (m)
0.46
Multispectral data
 Quickbird:
26/01/2005 (p0002 and p0003)
23/02/2005 (p0001)
 Spectral bands:
Channel 1: 450 nm-520
Channel 2: 520 nm-600
Channel 3: 630 nm-690
Channel 4: 766 nm-900
nm
nm
nm
nm
(blue)
(green)
(red)
(near infrared)
LIDAR process
 Ground and non-ground point classification
 Manual editing by trained operators
TerraScan
 Generation of a terrain TIN
+
 CQ: Field measurements vs. TIN
 Grid DTM from TIN (GSD=2m)
TerraModeler
 Grid DSM from first echoes (GSD=2m)
 Generation of CHM with trees and buildings height:
Using Arc/Info hydrological analysis tools
Each tree corresponds to a sink or local minimum on DTM-DSM
Each crown corresponds to the area draining to each sink
LIDAR TIN model accuracy
Test
Area
Vegetation
N
Mean of
differences
(m)
Sigma
(m)
RMS
(m)
1
Grass
20
0.001
0.044
0.043
2
Olive trees
16
0.067
0.043
0.079
3
Grass
20
-0.009
0.046
0.046
4
Grass
19
-0.008
0.084
0.083
5
Grass
19
-0.039
0.048
0.061
6
Olive trees
21
0.066
0.029
0.072
115
0.012
0.064
0.065
Total
Data processing & classification
Since mono-temporal spectral data does not permit to
identify the different herbaceous covers for the area
then, the analysis was directed to evaluate the
classification possibilities in relation to the use of:
• DTHM, which allows to identify
 urban vs. bare soil,
 woodland vs. herbaceous cover
• Density of trees inside homogeneous landscape
units (textural process) that allows to identify:
 meadows, dehesas and forest
Data processing & classification
 First phase:
fine segmentation (level 1)
high resolution cartography of trees and buildings.
 Second phase:
rough segmentation (level 3)
low resolution cartography according to tree density
 Third phase:
intermediate segmentation (level 2)
final land use/cover cartography
Segmentation levels
First Phase Classification
 Performed in Level 1 segmentation
 Inputs
• DTHM
• Brightness
• NDVI
 Output:
• 6 categories,
• distinguishing vegetation types by height,
• distinguishing buildings from bare soil
First Phase Classification
Second Phase Classification
 Performed in Level 3 segmentation
 Inputs are variables derived from level 3 and level 1
segmentations:
• Tree’s density
# high trees
• Predominance =
# low trees
 Output:
• 7 classes = (3 tree’s density categories x
2 predominance categories) +
1 category for density < 20 trees/ha
Second Phase Classification
Third Phase Classification
 Performed in Level 2 segmentation
 Inputs:
• NDVI
• Brightness
• Categories from First and Second Phase
 Output:
• 3 forest categories according to density
• 4 scrubland categories (3 according to density + low scrubland)
• Meadow, Olive trees, bare soil, buildings
• herbaceous (with or without active vegetal cover)
Third Phase Classification
Conclusions
 Potential classification innovations are analyzed with
respect to the use of:
• Lidar
• High resolution multispectral imagery: Quickbird
• eCognition
 Essential contribution of DTHM layer. Discrimination
between urban areas, bare earth and roads improves.
Tree’s shadows, that use to be mistaken as urban areas,
appear now as forested areas
 Classification of high resolution images requires textural
and contextual analysis (and also very good geocoding)
Agriculture application
Classification of 3 tree species
Oriol Viñas, Antonio Ruiz*, Vicenç Palà & Roman
Arbiol
CASI images
13.3.07
19.7.07
Species classification with DMC images & lidar
2 epochs of DMC images
(4 channels)
olive trees
carob trees
almond trees
>10 m points
Accurate orthorectification
Traditional CIR
ortophoto
Segmentation of
the trees
Rectification with
DSM *
* Each tree is modelled as a generalized cylinder
Coef de penetración y percentiles
# ground
IP =
# total
Los percentiles de puntos en
altura describen la estructura
vertical de la vegetación
garrofer
Variables calculadas: h, S, PI, <z>, σz, cvz, <I>, σI, cvi, p5, p10, p15,
p20, p25, p35, p50, p90
Percentiles
Relative heights of the 10, 35, 50 & 90% percentiles
Training and classified trees
almond trees
carob trees
olive trees
Resultados clasificación
% aciertos DMC 1m CASI 2m Lidar
enero+julio marzo+julio enero
Olivos
Todos
92
91
92
91
Almendros
100
94
66
98
Algarrobos
77
60
58
74
Global
91
85
78
89
Confusion matrix
Olive
Carob
Almond
Sum
Olive
93
10
0
103
Carob
8
33
0
41
Almond
0
0
47
47
101
43
47
191
Sum
DMC 1m, 2 epochs
Olive Carob Almond
Sum
Olive
93
16
14
123
Carob
7
25
2
34
Almond
1
2
31
34
101
43
47
191
Sum
15 lidar variables
Estimaciones de biomasa
Algoritmo de Andersen, McGaughey & Reutebuch, 2005
CHM
Densidad
combustible
(kg/Ha)
Canopy Fuel Estimator (CFE) , USDA Forest Service
Forestry applications
Some tree level variables can be measured better with lidar
than in field. Exhaustively, without sampling
Stand level parameters are better estimated: biomass, fixed C,
timber volume
Lidar is currently used in Scandinavian countries for regional
inventories
Land use maps are improved with canopy height and tree
density classification
Variables computed from multiple echoes lidar are not enough
to distinguish species
Celda RPC
Celdas Rich Photorealistic Contents
(RPC)
El mismo objeto se ha fotografiado
300-600 veces cambiando el azimut
Los programas de rendering
muestran la foto correspondiente al
observador
25 $/árbol en www.archvision.com
Modelos de realidad virtual con celdas RPC
LIDAR APPLICATIONS TO ROCK
FALL HAZARD ASSESSMENT IN
VALL DE NÚRIA
Marc Janeras1, Maria Navarro1, Georgina Arnó1,
Antonio Ruiz2, Wolfgang Kornus2, Julià Talaya2
1
RSE Aplicaciones Territoriales, S.A.
C/ Entença, 95, 3er 2a 08015 Barcelona
Tel. 0034 932289253 www.rsesa.com
2
Institut Cartogràfic de Catalunya
Parc de Montjuïc 08038 Barcelona
Tel. 0034 935671500 www. Icc.es
Observaciones realizadas
7 pasadas paralelas + 1 transversal
sobre campo de control con
semiángulo de 7º
El barrido casi vertical reduce las
áreas ocultas en el fondo
Observaciones realizadas
Se añadieron pasadas con barrido de
20º para obtener más puntos sobre
las paredes. Obsérvese el cambio
de ancho de pasada con la altitud
del terreno.
Riegl LMS-Z210
■Rango: de 2 a 350 m
■Precisión: 25 mm
■Frecuencia media: 9333 puntos/s
■Divergencia del haz: 3 mrad (30 cm a
100 m)
■Barrido
 Vertical: 0-80º
 Horizontal: 0-333º
■Resolución angular
 0.036º horizontal
 0.018º vertical
Reigl LMS
Datos lidar terrestre estático
Las zonas que todavía presentaron oclusiones se barrieron con LIDAR terrestre: 5
estacionamientos estáticos
Rellenado de huecos en los datos
Modelo 3D de superficie
Esllavissades
Estudi del cremallera de Núria i de
Montserrat
Starting point
Impact above the cover of
Fénech tunnel
Vegetation affected by
avalanche
Queralbs to Núria way
Simulació amb
model lídar 2x2
Núria, 3 de Març de 2003
Volúmenes en embalses, minas y vertederos
La superficie a medir es muy pequeña. Hay que combinar
estos vuelos con otros y volar varios proyectos en el mismo
día.
Margalef
Nieve acumulada
3.2 m
2.8
2.4
2.0
1.6
1.2
0.8
0.4
0m
Vall de Núria
Ortofoto
Levantamiento monoscópico con lídar y foto
Clasificación de edificios
Detección automática de cambios
Octubre 2005
Detección automática de cambios
Noviembre 2006
Confirmación de cambios
Modelos vectoriales
Representación
de fronteras
Modelos vectoriales
Barcelona, 2.5 puntos/m2
Generalización de modelos con restricciones
topológicas
Salou 11 punts/m2
Classification of Lidar Points - 69
TerraSolid
Bathymetric lidar
Time difference provides
sea depth p = ∆t ·c / 2
Optech
Maximum depth
 Max reachable depth pm depends
on diffuse attenuation coef k
 ps is Secchi depth
2 ps < pm < 3 ps
absorption – scattering
 Max 50-70 m in very clean water
Test area
Test de Mataró
Prueba hecha con Hawk Eye II, el 18/3/2006
Altitud
300 m
Densidad de puntos
0.3 puntos/m2 batimétrico
Frecuencia de pulsos
3.7 puntos/m2 topográfico
4000 Hz batimétrico
Número de pasadas
64000 Hz topográfico
6+1
Anchura de pasada
105 m
Solapamiento entre pasadas
30 %
Velocidad
76 m/s, 149 nudos
Productivity
20 km2/h
Results
Mataró harbour
Maximum depth reached: 22 m
Resultados
Precision achieved: 17 cm (1 sigma) at 6-7 m depth.
Comparison with 25 echo sounding points
Mobile lidar
Riegl LMS-Z210
Results in an urban environment
Façanes amb lídar terrestre
Cartografía de líneas eléctricas
 Interesa obtener la distancia mínima de los cables al suelo
y a la vegetación. También podemos obtener la distancia
mínima a edificios
 Hay que clasificar los puntos como pertenecientes al
terreno, a la vegetación, a los cables, a las torres y a los
edificios
 Se ajusta un modelo de catenaria para cada cable
 Se obtiene un mapa y un listado con todos los puntos
demasiado próximos a las catenarias y otro de puntos a
distancia mínima para cada clase de objeto
 Se puede analizar la caída de árboles
Cartografía de líneas eléctricas
Ejemplo: Línea de media tensión entre Collbató y
Olesa de Montserrat (Les Planes)
Perfil línea eléctrica
Ejemplo: Línea de media tensión entre Collbató y
Olesa de Montserrat (Les Planes)
Sección línea eléctrica
Parámetros que hay obtener
Torres: coordenadas, orientación brazos, altura y tipo
Cables: coordenadas puntos de suspensión, comba para
una temperatura dada
DTM en un corredor
Líneas eléctricas que se cruzan
Vectorización de construcciones y carreteras
Vegetación y distancias mínimas
Tower vectorization
from TerraSolid
A. Ruiz. Enero 2009
Modelo de catenarias
( )
a  xa − xa 
y =  e + e  = a cosh x
a

2
a
Detección de objetos peligrosos
Detección de objetos peligrosos
Detección de objetos peligrosos




La lista inicial de objetos peligrosos debe ser revisada
Los puntos de torre deben estar correctamente clasificados
Se puede considerar la caída de árboles
Se debe considerar:
 la temperatura y viento en el momento de la medida
 la corriente en el momento de la medida
 el balanceo si hay viento
 la elongación de los cables si transportan corriente
máxima a otra temperatura ambiente
 la elongación si hay hielo
Distancias mínimas al suelo
El punto de mínima distancia depende de la temperatura y la
corriente
Es diferente para cada cable
Distancias mínimas al suelo
Parámetros de vuelo
 Mejor utilizar helicóptero: velocidad ~ 100 km/h
 Altitud 150 m aprox.
 Anchura de la pasada 80-90 m
 Densidad transversal muy alta: footprints solapados
 Se vuela en visual pero hay que llevar una plan de vuelo
con las torres numeradas e indicando en qué torres hay
giros, hacia dónde y qué características se cruzan
(carreteras, ríos...)
Lidar de onda completa
Riegl
Muestreo a < 3 ns
Señal reflejada por la vegetación
Ejemplo de respuesta de la vegetación a 532 nm (Nilsson 1996)
Digitalización del eco y análisis de onda
Resultados para un árbol caducifolio
echo
signal
alongprofile
profile
discrete
return
echo waveforms
25 waveforms
integrated
© GeoConsult 2004
Perfil en bosque caducifolio
camera image
DSM
© GeoConsult 2004
Full waveform
Waveform data stored in separate read-only files
 easy to support different manufacturer specific formats
TerraScan uses flightline number and time stamp of a laser point to find waveform
data
 trajectory specifies waveform files for that flight pass
Full waveform
Ventajas de la onda completa
Generación de puntos adicionales
 El usuario puede seleccionar el área donde necesita más puntos (p.e. el
cable de una línea eléctrica)
 El software analiza las señales muestreadas y utiliza una función para
conseguir más puntos
Generación más exacta de puntos:
 El usuario selecciona un área y una lógica específica según el material
donde se ha producido la reflexión
 El software genera nuevos puntos o modifica las coordenadas de los
puntos extraidos por el sistema
 Se puede emplear la anchura (duración) del eco como un atributo
adicional para la clasificación
Generación de más puntos
Nubes de puntos obtenidas a partir de
ecos múltiples (centro) y con onda completa (derecha)
Parrish, 2007
Bibliografia
■Ruiz, A. Aportación del lídar aerotransportado al cálculo de cambios en las playas tras temporales.
Revista Catalana de Geografia, 2009; 14(37).
■Ruiz , A., Viñas, O., Domingo, A. and Marco, V. Tree Species Classification from Aerial Images and Lidar
in Agricultural Areas. Int. Geomatic Week. Barcelona, 3-5.3.2009
■Marturià, J., Oller, P., Ruiz, A., Martínez, P.: Avaluació dels recursos hídrics emmagatzemats en forma de
neu amb l’ús de tècniques lidar. 3a Jornada Tècnica de neu i allaus, Betren, Val d'Aran. 18-20.6.2008.
■Viñas, O., Ruiz, A., Xandri, R., Palà, V., Arbiol, R. Combined use of lidar and Quickbird data for the
generation of land use maps. ISPRS Mid-term Symposium 2006 "Remote Sensing: From Pixels to
Processes", Enschede, The Netherlands, 8-11.05.2006.
■Kaartinen H., Hyyppä J., Gülch E., Hyyppä H., Matikainen L., Vosselman G., Hofmann A.D., Mäder U.,
Persson Å., Söderman U., Elmqvist M., Ruiz A., Dragoja M., Flamanc D., Maillet G., Kersten T., Carl J.,
Hau R., Wild E., Frederiksen L., Holmgaard J., Vester K. ''Accuracy of 3D city models: EuroSDR
comparison''. ISPRS Workshop "Laser scanning 2005". 12-14.9.2005, Enschede (The Netherlands).
■Kaartinen H., Hyyppä J., Gülch E., Hyyppä H., Matikainen L., Vosselman G., Hofmann A.D., Mäder U.,
Persson Å., Söderman U., Elmqvist M., Ruiz A., Dragoja M., Flamanc D., Maillet G., Kersten T., Carl J.,
Hau R., Wild E., Frederiksen L., Holmgaard J., Vester K. ''EuroSDR BUILDING EXTRACTION
COMPARISON''. ISPRS Workshop "High-Resolution Earth Imaging for Geospatial Information". 1720.5.2005, Hannover (Germany).
■Ruiz, A., Coromines, M, Blanco, E. Aplicación de la tecnología lidar al estudio de la cubierta vegetal. 4º
Congreso Forestal Español. 26-30.9.2005, Zaragoza, Spain.
■Kornus, W., Ruiz, A. ''Strip Adjustment of LIDAR Data''. ISPRS Workshop "3-D Reconstruction from
Airborne Laser-Scanner and InSAR data; 8-10.10.2003, Dresden (Germany).
■Ruiz, A., Kornus, W. ''Experiencias y aplicaciones del LIDAR''. V Geomatic Week, 11-14.2.2003,
Barcelona