Identyfikacja zbiorników wodnych, jako obiektów BDOT10k, w zbiorze danych lotniczego skaningu laserowego z wykorzystaniem algorytmu alpha shape

• Autorzy: Mendela M. , Borkowski A.

Warianty tytułu

EN

The identification of water bodies as BDOT10k objects in a laser scanning point cloud by means of an alpha-shaped algorithm

• Języki publikacji: PL

Abstrakty

PL

Lotnicze skanery laserowe (ALS) wykorzystują najczęściej wiązkę światła z zakresu bliskiej podczerwieni, która absorbowana jest przez wodę. Powoduje to występowanie pustych obszarów (brak odbić promienia laserowego), pozbawionych punktów, w zbiorze danych skaningu laserowego. Detekcja konturów zbiorników wodnych w zbiorze danych skaningu laserowego może być zatem rozumiana jako identyfikacja obrysu obszarów pozbawionych punktów. Tak rozumiana detekcja zbiorników może być wykorzystana do aktualizacji i zasilania Bazy Danych Obiektów Topograficznych 1:10 000 (BDOT10k). Do detekcji zbiorników wodnych wykorzystano w pracy współrzędne x, y punktów klasy grunt, uprzednio sklasyfikowanej chmury punktów, o gęstości nominalnej 4 pkt/m2. Automatyczną identyfikację konturu zbiornika wykonano z wykorzystaniem algorytmu α-shape. Eksperymenty numeryczne wykonano dla 16 zestawów danych testowych (zbiorników wodnych). Ocenę dokładności identyfikacji konturów wykonano na podstawie porównania z ortofotomapą cyfrową o terenowej wielkości piksela 0,10 m. Na podstawie pomierzonych maksymalnych wartości odchyłek stwierdzono, że przeciętnie zbiorniki wodne zostały zidentyfikowane w 95%, a dla 62% obiektów testowych zidentyfikowano kontur ze 100% skutecznością. Ponadto wykorzystany algorytm posiada pewien mechanizm odpornościowy – eliminuje pojedyncze przypadkowe punkty na powierzchni zbiornika. Zaproponowana metoda może stanowić dodatkowe źródło zasilania BDOT, zwłaszcza dla zbiorników wodnych, których brzeg porośnięty jest roślinnością i trudno identyfikowalny na ortofotomapie.

EN

Airborne laser scanners (ALS) usually rely on a near-infrared light beam which is absorbed by water. This produces empty areas with no points in the LiDAR dataset (gaps, laser shot dropouts). Detecting the boundaries of bodies of water in a LiDAR dataset can thus be seen as the identification of boundaries of empty areas. The method for the identification of water bodies could be used to update and supply the Database of Topographic Objects (BDOT10k). The x, y co-ordinates of ground laser points of the previously classified LiDAR point cloud of the 4 points/m2 nominal density were used to detect bodies of water. The automatic identification of bodies of water was performed by the means of an α-shaped algorithm. Numerical experiments were conducted for 16 tested sites, which were bodies of water. The accuracy of boundary identification was evaluated by comparing the results with those seen on orthophotos with a pixel size of 0.10 m. Based on the maximum deviation values of the measured results, it has been shown that bodies of water were identified on average with 95% accuracy and the boundaries of 62% of the tested sites were delineated with 100% efficiency. Furthermore, the studied algorithm has a featured mechanism that enables it to eliminate single, random points distributed on the surface of a body of water. The proposed method can be used as an additional source of BDOT10k, especially for bodies of water whose banks are covered with vegetation which are difficult to identify on orthophotos.

Słowa kluczowe

PL

zbiorniki wodne; identyfikacja; lotniczy skaning laserowy; dane topograficzne; baza danych Obiektow Topograficznych; algorytm alpha shape; ekstrakcja

EN

water reservoir; identification; airborne laser scanning; topographical database; extraction

• Wydawca: -
• Czasopismo: Acta Scientiarum Polonorum. Geodesia et Descriptio Terrarum
• Rocznik: 2013
• Tom: 12
• Numer: 4
• Opis fizyczny: s.13-26,rys.,tab.,bibliogr.

Twórcy

autor

Mendela M.

• Uniwersytet Przyrodniczy we Wrocławiu, Wrocław

autor

Borkowski A.

• Instytut Geodezji i Geoinformatyki, Wydział Inżynierii Kształtowania Środowiska i Geodezji, Uniwersytet Przyrodniczy we Wrocławiu, ul.Grunwaldzka 53, 50-357 Wrocław

Bibliografia

• Berus T., Bielawski B., Kowalski P., Olszewski R., Pilich-Kolipińska A., 2012. Koncepcja systemu rozpowszechniania i wymiany wiedzy o georeferencyjnej bazie danych. Roczniki Geomatyki, Tom X, Zeszyt 3(53), 27-36.
• Bielawski B., 2013. Krajowy system zarządzania bazą danych obiektów topograficznych (KSZB- DOT) [w:] Olszewski R., Gotlib D., Rola bazy danych obiektów topograficznych w tworzeniu infrastruktury informacji przestrzennej w Polsce, Warszawa. Główny Urząd Geodezji i Kartografii.
• Borkowski A., Jóźków G., 2012. Accuracy Assessment of Building Models Created from Laser Scanning Data. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol. XXXIX-B3, 253-258.
• Edelsbrunner H., Krikpatick D.G., Seidel R., 1983.On the shape of a set of points in a plane. IEEE Trans. Inform. Theory, IT-29, 551-559.
• Hoefle B., Vetter M., Pfeifer N., Mandlburger G., 2009. Water Surface Mapping from Airborne Laser Scanning Using Signal Intensity and Elevation Data. Earth Surface Processes and Land- forms, vol. 34, 1635-1649.
• Kowalski M., 2013. Zastosowanie technologii lotniczego skaningu laserowego na przykładzie projektu Informatyczny System Osłony Kraju przed nadzwyczajnymi zagrożeniami (ISOK). Przegląd Geodezyjny, LXXXV, Nr 11, 9-12.
• Mandal D.P, Murthy C.A., 1997. Selection of alpha for alpha-hull in R2. Pattern Recognition, vol. 30, No 10, 1759-1767.
• Marmol A., Buczek A., 2013. Tworzenie i aktualizacja BDOT10k - źródła danych geometry­cznych i opisowych [w:] Olszewski R., Gotlib D., Rola bazy danych obiektów topograficznych w tworzeniu infrastruktury informacji przestrzennej w Polsce, Warszawa. Główny Urząd Geodezji i Kartografii.
• Mathworks, 2013. http://www.mathworks.com/matlabcentral/fileexchange/28851-alpha-shapes, funkcja alphavol.m, autor Jonasa Lundgren (dostęp 20.12.2013).
• Nath R.K., Deb S.K., 2010. Water-Body Area Extraction from High Resolution Satellite Images- An Introduction, Review, and Comparison. International Journal of Image Processing (IJIP), vol. 3(6), 353-372.
• Sobczyk M., 2002. Statystyka. PWN Warszawa.
• Steuer H., Schaffler U., Gross A., 2011. Detection of standing water bodies in LiDAR data. Proceedings of Earth Observations of Global Changes EOGC 2011, Munich, 1-4.
• Vosselman G., Maas, H-G., 2010. Airborne and terrestrial laser scanning. Whittles Publishing, Dunbeath.
• Wang K., Zhu Y., 2010. Recognition of water bodies from remotely sensed imagery by using neural network. International Journal of Image Processing, vol. 3(6), 265-384.
• Wu H., Liu Ch., Zhang Y., Sun W., Li W., 2013. Building a water feature extraction model by in­tegrating areal image and lidar point clouds. International Journal of Remote Sensing, vol. 34, DOI: 10.1080/01431161.2013.823674
• Zhang Y., Wu L., Lin W., Zhao J., 2010. Automatic water body extraction based on Lidar data and areal images. Geomatics and Information Science of Wuhan University, vol. 35, 936-940.
• Xie Ch., Zhang J., Huang G., Zhao Z., Wang J., 2008. Water Body Information Extraction from High Resolution Airborne SAR Image with Technique of Imaging in Different Directions and Object-Oriented. International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences, vol. 37, 165-168.