Hodnocení přesnosti leteckého laserového skenování pro tvorbu digitálních modelů povrchů

Transkript

1 Mendelova univerzita v Brně Lesnická a dřevařská fakulta Ústav geoinformačních technologií Hodnocení přesnosti leteckého laserového skenování pro tvorbu digitálních modelů povrchů Bakalářská práce Akademický rok: 2010/2011 Václav Kočtař

2

3

4 Prohlašuji, že jsem bakalářskou práci na téma: Hodnocení přesnosti leteckého laserového skenování pro tvorbu digitálních modelů povrchů zpracoval sám a uvedl jsem všechny použité prameny. Souhlasím, aby moje bakalářská práce byla zveřejněna v souladu s 47b Zákona č. 111/1998 Sb., o vysokých školách a uložena v knihovně Mendelovy zemědělské a lesnické univerzity v Brně, zpřístupněna ke studijním účelům ve shodě s Vyhláškou rektora MZLU o archivaci elektronické podoby závěrečných prací. Autor kvalifikační práce se dále zavazuje, že před sepsáním licenční smlouvy o využití autorských práv díla s jinou osobou (subjektem) si vyžádá písemné stanovisko univerzity o tom, že předmětná licenční smlouva není v rozporu s oprávněnými zájmy univerzity a zavazuje se uhradit případný příspěvek na úhradu nákladů spojených se vznikem díla dle řádné kalkulace. V Brně, dne:

5 Děkuji vedoucímu Ing. Tomáši Mikitovi, Ph.D za výborné odborné vedení, především za čas a ochotu, které mi věnoval. Poděkování patří také Ing. Miloši Cibulkovi za konzultování praktických postupů. Spolu s panem Mikitou mě naučili používat technologie, ke kterým bych se stěží při studiích dostal do styku, a rozšířili tak praktické znalosti v geoinformačních systémech. V neposlední řadě bych také rád poděkoval rodině a přátelům za podporu ve studiu. "Novým zdrojem síly nejsou peníze v rukou několika lidí, ale informace v rukou mnoha lidí" John Naisbitt, Megatrends

6 Jméno posluchače: Václav Kočtař ABSTRAKT Bakalářské práce: Hodnocení přesnosti leteckého laserového skenování pro tvorbu digitálních modelů povrchů Práce se zabývá přesností zaměření porostu laserovým leteckým snímkováním. Měření probíhalo na 4 experimentálních plochách, které modelovaly různé situace v porostní skladbě i vertikálního uspořádání porostu. Do hodnocení vstupovaly všechny dřeviny na plochách včetně výchovných v podúrovni. Analýzy byly provedeny nástroji softwaru ESRI ArcGIS 10 a software nadstavby LIDAR Analyst od Leica Geosystems. Porovnání bylo provedeno na základě přesných geodetických měření. Klíčová slova: LiDAR, geoinformační systémy, interpolace, filtrace, porostní výška ABSTRACT Bachelor thesis: Evaluation of the accuracy of airborne laser scanning for create digital elevation models The work deals with accuracy of targeting stand of airborne laser scanning. Measurement conducted on 4 experimental areas, which represent various situations in stand structure and vertical structure stand. Into the assessment on areas entered all of trees including nurse species in sub-canopy. Analyses were made of software tools in ArcGIS 10 produced by ESRI and extensions LIDAR Analyst produced by Leica Geosystems. Comparison was made on the basis of accurate geodetic measurements. Keywords: LiDAR, geoinformation systems, interpolation, filtering, stand height

7 OBSAH ÚVOD... 8 CÍL PRÁCE LETECKÉ LASEROVÉ SKENOVÁNÍ LIDAR PŘESNOST LASEROVÉHO SKENOVÁNÍ ZPRACOVÁNÍ DAT METODIKA EXPERIMENTÁLNÍ PLOCHY Severní Rokle Svah Útěchov POSTUP TERÉNNÍCH ŠETŘENÍ ZPRACOVÁNÍ DAT Interpolační metody Filtrační metody LIDAR ANALYST VÝSLEDKY HODNOCENÍ BODOVACÍ SYSTÉM HODNOCENÍ JEDNOTLIVÝCH PLOCH CELKOVÉ HODNOCENÍ METOD DISKUZE ZÁVĚR SUMMARY SEZNAM POUŽITÉ LITERATURY SEZNAM POUŽITÝCH SYMBOLŮ A ZKRATEK SEZNAM OBRÁZKŮ SEZNAM TABULEK SEZNAM PŘÍLOH... 53

8 MENDELU v Brně, Lesnická a dřevařská fakulta 8 ÚVOD V poslední době s rozvojem lesnických technologií roste poptávka po kvalitnějších datech o porostu, zvlášť po těch, které pořizováním nezatěžují ekonomiku lesního hospodářství. Cílem zůstává najít technologii, která je rychlá, levná a poskytuje přesné výsledky. V 70. letech 20. století se začal vyvíjet přístroj pro snímání povrchu vysíláním laserových paprsků, tzv. LiDAR, jehož vývoj prodělal do současnosti ohromný pokrok. V poslední době jsme schopni z těchto paprsků na základě intenzity odrazu schopni zjistit, o jaký povrch se jedná a jestli se jedná o první nebo poslední odraz. Vyvíjí se jednak samotný přístroj a jeho metody použití. Dochází také k rychlému vývoji technologie zpracování pořízených geoprostorových dat pomocí GIS. To sebou nese i mírná negativa. Buď nesprávné použití analýzy, nebo nedokonalý algoritmus může výsledky zkreslit. Dnes se touto problematikou zabývá spousta společností po celém světě, které vyvíjí nové softwarové produkty sloužící ke zkvalitnění vyhodnocování dat. Letecké laserové skenování dnes pomáhá nejen v lesnictví. Jeho velké využití je v disciplínách, kde je potřeba přesných dat získaných současně ve velkém měřítku. Například ve stavebnictví, geografii, geodézii, kartografii, fotogrammetrii, ale i při zjišťování stavu životního prostředí, změny klimatu, půdní eroze, terénních pohybů. Zastání má také u navrhování cestních sítí, inženýrských sítí, melioračních prvků, vodních děl, aj. Geoinformační technologie v současnosti zaostávají oproti vývoji samotného LiDARu. Ještě stále jsme neodkryly ani setinu ledovce. Ještě nemůžeme s naprostou jistotou říci, že umíme vyhotovit naprosto přesný model povrchu porostu vystihující jeho charakter a přitom geobody povrchu porostu jsme byli schopni pořídit už v 70. letech minulého století. Tudíž cílem v nynější době je i zkvalitnit současně známé technologické postupy.

9 MENDELU v Brně, Lesnická a dřevařská fakulta 9 CÍL PRÁCE Cílem této bakalářské práce bylo zhodnotit metody zpracování geoprostorových dat pořízených leteckým laserovým skenováním. Přesněji se jednalo o metody a nástroje softwaru ArcGIS vytvořeného společností ESRI a softwaru LIDAR Analyst vytvořeného společností Leica Geosystems Geospatial Imaging, který byl nadstavbou pro ArcGIS. Cílem bylo určit co nejpřesnější a také co možná nejspolehlivější metodu, která by v budoucnosti sloužila k vyhodnocování geoprostorových bodů na podobných lokalitách a jejich situací, jako u námi zvolených modelových situací na experimentálních plochách. Výsledným výstupem by měla být rychlá, přesná a uživatelsky přesná analýza.

10 MENDELU v Brně, Lesnická a dřevařská fakulta 10 1 LETECKÉ LASEROVÉ SKENOVÁNÍ Lidé se už od pradávna se snažili poznávat krajinu, ve které žili, z důvodu jejich životních potřeb. V prvé řadě bylo potřeba znát okolí kvůli výskytu a migracím živočichů, pro plánování kočovných výprav za potravou a také pro strategické tahy při válečných konfliktech s okolními kmeny. V průběhu těchto věků se stala znalost okolního terénu naprostou nezbytností, dokonce šancí člověka na přežití. Když se podíváme do minulosti, zjistíme, že lidstvo svým charakterem je dobyvatel. Válka, kořist, ovládané území s potenciální potravou, podmaněná robota byla denním chlebem. Hlavně ve středověku v dobách válečných tažení, byla znalost krajiny rozhodující. S dokonalejší armádou přicházely i dokonalejší průzkumy Země. Časy před první světovou válkou se můžou pyšnit zavedením leteckého průzkumu Země. Za zakladatele je považován Gaspard-Félix Tournachon, známější pod pseudonymem Nadar, který už v roce 1858 z balónu pozoroval a snímkoval Paříž [1]. V mezidobí světových válek se dokonce letecké snímkování krajiny stalo jedním z hlavních prvků pro tvorbu map. Ovšem éra dálkových průzkumů Země vyvrcholila v období studené války použitím špionážním letadel U-2 a posléze zaváděných družicových systémů jako byl Landsat, Nimus nebo novější RADARSAT a UARS, jenž poskytly přesnější informace pro vojenské, vědecké i civilní účely. Velké zdokonalení pak přišlo se zavedením fourierovy transformace, což je matematická metoda, která dovoluje analyzovat průběh libovolného signálu a převést jej na součet sinusových signálů vhodných frekvencí a amplitud. Používá se např. pro převedení řešení diferenciálních rovnic na řešení algebraických rovnic nebo pro frekvenční analýzu časově proměnných signálů. [1,2] Letecké laserové skenování započalo v průběhu 70. let. První aplikace byla omezena na jednoduché použití, kterým se stanovila výška letu letadla použitím pouze jednoho světelného pulsu. V roce 1980 s příchodem globálních navigačních systémů GPS byly vytvořené vysoce výkonné systémy LiDAR (Light Detection and Ranging), které dokázali v rámci souřadnicového systému určit absolutní prostorovou polohu bodu. Hlavní předpoklad pro vznik LiDARu byl moderní laserový profiler vyvinutý na univerzitě ve Stuttgartu v letech [3]. Pokrok v inerciálních navigačních systémech (INS) a jejich postupný přechod z vojenské sféry do komerční dále poskytl pro laserové skenování dostatečně přesnou metodu pro měření orientací. [4,5]

11 MENDELU v Brně, Lesnická a dřevařská fakulta 11 Dnes se LiDAR využívá v mnoha oborech jako je kartografie, geografie, archeologie, seismologie, geodézie, dále pak v lesnictví, dálkovém průzkumu Země, atmosférické fyzice, u pozemních mapování i ve stavebnictví. V některých disciplínách získává i svou nezastupitelnou pozici. Jeho vývoj je ale přímo úměrný na vývoji geoinformačních technologií, které zpracovávají laserem získané signály a vytvářejí z nich plnohodnotné geoprostorové body v příslušných formátech upotřebitelných pro další software. [3,5] V lesnictví nastupuje éra využívání LiDARu pro měření výšek stromů a měření množství biomasy v porostu [6], kdy na základě zpracování v softwarových nástrojích jsme schopni tyto hodnoty vylišit s poměrně velkou přesností. Dále je možnost ho využít s velkou přesností na DMT pod zápojem korun stromů, což může být nápomocno pro plánování těžebních zásahů, plánování odvozních linek od pařezu až po odvozní místo a pro navrhování erozních opatření na exponovanějších místech [5,7]. 1.1 LiDAR LiDAR jako akronym vychází z anglických slov Light Detection and Ranging, což je typické i pro už podvědomě známý akronym RADAR ( Radio Detection and Ranging ). V literatuře se ovšem můžeme setkat i s jinými označeními pro použití LiDAR technologií při leteckém průzkumu. Nejtypičtější je označení ALS Airborne laser scanning, v českém přepise pak LLS ( Letecké laserové skenování ). Dalšími mohou být například Light Intensification Direction and Ranging nebo Laser-Instrument Distance and Range. Zejména pak v geodetické praxi se setkáváme s označením laserové skenování či laserový skener. [4] Princip LiDARu je v pravé podstatě jednoduchý. Z emitoru vyšleme paprsek určitým směrem k povrchu, tam se odrazí a vrací se s intenzitou charakterizující typ povrchu k detektoru, který jej vyhodnotí a spočítá čas, čímž určí i polohu bodu, od kterého byl paprsek odražen. Jako emitory používáme buď pevnolátkové rubínové lasery, nebo modernější Nd:YAG. V komerčním využití se spíše uplatňují pak diodové, které jsou dostupnější a snadněji implementované do systémů. Jako detektor se používají na světlo citlivé diody, které jsou sladěny na stejnou vlnovou délku spolu s emitorem. Je tu možnost u některých systémů emitor přeladit na jinou vlnovou délku pro napodobení multispektrálního průzkumu, kdy můžeme o povrchu zjistit více informací, ale musí se také přeladit detektor. [4]

12 MENDELU v Brně, Lesnická a dřevařská fakulta 12 Dalším nezbytným komponentem pro vedení paprsku je optická mechanika, která paprsky dokáže koncentrovat do jednoho svazku a hranolem navést do daného směru. Tak i potom přijímat odražený paprsek k zrcadlu, kde je svazek zachytáván a směrován k detektoru. To vše je řízeno kontrolní jednotkou, která vyhodnocuje směr, kterým hranol paprsek vyslal, a dobu jakou paprsek letěl k povrchu a nazpět jakou vzdálenost urazil. Vedení paprsku je zabezpečeno rotujícím zrcadlem, které paprsek vychyluje v příčném směru, celkový záběr pak definuje zorné pole (FOV). V praxi to bývá mezi 20-30, některé systémy dokážou výjimečně až 70. Využívá se principu jak oscilujícího nebo rotačního zrcadla, dále i použití optického vlákna nebo eliptického skeneru. [4,8] Aby se zaznamenala přesná prostorová poloha bodu, kde se paprsek odrazil, je třeba znát i přesný směr, kterým byl paprsek vyslán. U letadel je tato situace komplikovanější než u pozemních průzkumů, kde máme možnost i čas vyrovnat zařízení do vodorovné polohy a počítat s nulovým sklonem emitoru. Je třeba využít technologií IMU (Inertial Measurement Unit) gyroskopu a akcelerometru. Gyroskop obsahuje setrvačník, který zachovává polohu své osy své rotace v inerciálním prostoru. Přesnost pak závisí na udržení rychlosti otáček setrvačníku. Tento fyzikální jev spočívá v tom, že rychle rotující těleso se snaží udržet osu otáčení ve směru gravitačního zrychlení. Soustava gyroskopů je pak schopna velmi přesně určit náklony systému k tížnici. Akcelerometr jako funkce času a rychlosti je pak schopna zaznamenávat jakékoliv zrychlení systému a pak zpětným porovnáním času zrychlení dopočítat přesnou polohu zaměřeného bodu. [4,8] Pro připojení bodu do souřadnicového systému pak slouží GPS stanice využívající metody DGPS. Princip spočívá v tom, že na známém geodetickém bodě umístíme referenční stanici, která v zápětí komunikuje s GPS stanicí v letadle. Pro zpřesnění a zrychlení zaměření náklonu letadla se umisťují na letadlo zpravidla 3 stanice. Funkce GPS spočívá také v synchronizaci času všech jednotek systému. [4,9] Posledním a nejdůležitějším prvkem na palubě letadla je řídí jednotka, která jednak synchronizuje všechna zařízení, aby na sebe vzájemně bezchybně v měření navazovala, ale také v sobě má hodiny, které jsou pilířem pro správné určení bodu. Paprsek je vyslán v určitém momentu a v jiném je přijat zpět s určitou intenzitou. Na základě směru a času vyslání, času a intenzitě přijetí pak spočítá přesnou prostorou polohu bodu. [4,8] Při dopadu paprsku na zemský povrch se může chovat různě, buď se odrazí celý, nebo jeho neodražená část může pokračovat do nižších etáží. Když se odrazí od první etáže, mluvíme

13 MENDELU v Brně, Lesnická a dřevařská fakulta 13 o tzv. prvním odraze. V ideálním případě se to týká povrchu korun stromů, ale skutečnost je taková, že mezerami v korunách dopadá paprsek k zemi a první odraz může nastat u nižších etáží nebo terénu, čímž se může zkrestlit charakter reliéfu porostu. Pokračující paprsek, z části už odražený, pokračuje k místu dalšího odrazu tzv. druhý odraz. Vše pokračuje až k místu posledního odrazu, kde končí dráha vyslaného paprsku. Skutečnost napovídá, že první odraz může být i poslední. Pronikání paprsků mezerami v korunách stromů přináší sebou pozitiva i negativa. Pozitivní je, že můžeme získat představu o zemském povrchu i pod zápojem korun stromů. To je zajištěno různou intenzitou odraženého paprsku. Negativem ale zůstává odražený paprsek od nižších etáží porostu. Vytváří se tak shluk bodů, jenž není charakteristický pro tvar porostu, a může při nevhodně zvolené analýze zkreslovat výstupy. Na obrázku č. 1 použitého ze studie zabývající se přesností zaměření zemského povrchu pod zápojem jehličnatého porostu je zřetelné, jak vypadá pronikání paprsků do etáží porostu kde se nachází první a kde poslední odraz. Poloměr válce na obrázku má 3,81m. [7] Obr. 1: Pronikání laserových paprsků do porostu [7] Obr. 2: Určení prostorové polohy bodů metodou DPGS [9]

14 MENDELU v Brně, Lesnická a dřevařská fakulta Přesnost laserového skenování Pro výpočet prostorových souřadnic měřeného podrobného bodu je nutné zkombinovat všechna měřená data z ALS, INS a GPS. Využívá se obecné rovnice, do které se implementují naměřená data ze všech 3 prvků a vektoru laserového paprsku, který je pro každý skener vyjádřen individuálně. Obr. 3: Matematický model pro výpočet prostorové polohy měřeného bodu [4] jsou souřadnice podrobného bodu v rámci lokálního souřadnicového systému jsou souřadnice navigačního systému v rámci lokálního souřadnicového systému interpolovaná matice rotace pro náklon platformy v aktuálním čase (stav b ) rotační matice mezi INS a ALS (stav S ) vektor laserového paprsku počáteční souřadnicový posun mezi stavy b a S je měřená vzdálenost (m) Obr. 4: Vyjádření vektoru u oscilujícího a rotujícího zrcadla [6] je úhel paprsku od osy laserové jednotky sin 0 cos Tak jako každá metoda i ALS systémy se potýkají s nepřesnostmi a chybami, z nichž některé jsou odstranitelné, některé ne. Dělíme je do několika kategorií, mnohé lze opravit post-processingem, pouze pár je třeba vyřešit ještě před letem. Mezi hlavní řadíme: [4] - chyba laseru jedná se o chyby buď vnitřních hodin, kdy dojde ke zpoždění vyslání pulsu a tím zkreslení i celého výpočtu, nebo detektoru. Musíme uvážit, že paprsek vyslaný urazí poměrně velkou vzdálenost, a navíc povrch, kde se odráží, nemusí mít velkou odrazivost. Tedy paprsek se vrací s velmi slabou intenzitou. Dle stu-

15 MENDELU v Brně, Lesnická a dřevařská fakulta 15 die od E. P. Baltaviase [8] je výkon impulsu vyslaného k povrchu zhruba 2kW na 750m výšky letu, navrácený paprsek však má intenzitu pouze 2,4x10-6 W. Když klesne pod prahovou hodnotu, měření je zatíženo šumem, když se naopak odrazí od povrchu s vysokým albedem, vzniká velice světlý bod, který se v post-processingu jeví jako vznášející. - atmosférický model atmosférická refrakce způsobuje zakřivení paprsku, přičemž odchylka zůstává přímo úměrná velikosti úhlu α. Komerční systémy většinou své modely na odstranění této odchylky nezveřejňují. - chyby hodin. Pro přesné zaměření bodu je nejdůležitější přesné měření času. Hodiny jsou většinou kalibrovány na 0,05 až 0,2ns, což vypovídá o přesnosti v délce 15mm. [10] - chyba skeneru je většinou vytvořena špatně přečteným úhlem vektoru paprsku s tížnicí na zrcadle. Tato přesnost se pohybuje okolo 0,02. Dalším zařízením kódovým měřítkem je možno tuto přesnost zvýšit na 0, Torze může vznikat zrychlením či zpomalením oscilujícího zrcadla. V pravé podstatě se jedná o zkrut vzájemné posunutí rovnoběžných vrstev o určitý úhel. Tato chyba nemění vlastní měření, ale její následek je v systematické chybě o poloze bodu na terénu. - chyba GPS je závislá na provozních podmínkách počtu družic na oběžné dráze v zorném poli přijímací stanice, nastavení referenční stanice či kontinuálnosti měření při letu. S měřením GPS je nejlepší začít ještě před vzletem, abychom mohli případné nesrovnalosti odstranit. - chyby INS způsobené díky gravimetrickým změnám. Jednou z nejvýznamnějších chyb ALS systémů je nesprávné určení vztahů mezi skenerem a INS při rektifikaci systému. - chyby integrace řídící a kontrolní jednotky projevující se v posunech času pro přesné určení polohy bodu musí všechna měření vztažena k jedné časové ose. Přesnost výsledného DEM je závislá jak na množství pořízených geobodů, tak i na kvalitě nástroje, který pro tvorbu použijeme. Dle studie Hyyppä [9] je schopnost LiDARu zaměřit výšku koruny stromů do 1m směrodatné odchylky za použití velmi rychle pulzujícího laseru. DMT pak bylo se standardní odchylkou chybou 22cm na lesních plochách, směrodatnou odchylkou 15cm. S rostoucím sklonem také rostla chyba, téměř 40 cm na 40 % sklonu. To vše se zařízením TopoSys-1, které garantuje přesnost v horizontální rovině do 1m. Dle

16 MENDELU v Brně, Lesnická a dřevařská fakulta 16 studie Stephena E. Reutebucha [7] byla dosažena přesnost v rámci DMT modelu území pod zápojem lesního porostu v rozmezí 22 až 24 cm a průměrnou kvadratickou odchylkou 32cm. 1.3 Zpracování dat Když máme pořízená data z LiDARu, zjistíme, že data jsou nepřehledná a mnohdy ani nevypovídají o struktuře reliéfu. Někdy se paprsek odrazí od předmětu, který není součástí zemského povrchu. Může se jednat o auto, dům, strom, a také člověka. V závislosti na tom, co očekáváme z výsledků (reliéf terénu včetně stromů nebo model terénu) musíme data vhodně filtrovat. Na trhu je dnes mnoho software zabývajících se takovými filtracemi. Zároveň s filtrací je potřeba i klasifikovat body na základě intenzity do tříd, čímž takové filtraci napomůžeme, aby dokázala vylišit různé typy snímaného povrchu. K filtrování můžeme použít buď morfologických filtrů, které se snaží optimálně zrekonstruovat objekt a tak ho i pak definovat, nebo filtrací na základě sklonu, které porovnávají zda bod leží na terénu či nikoliv. Možno je také použít lineární predikce (metoda nejmenších čtverců), která je spíš statistickou interpolační metodou. V celkovém záběru nemůžeme říci, který z filtračních algoritmů je nejvhodnější. Například statistická interpolace lineární predikcí je vhodnější v exponovanějších terénech, naopak morfologické filtry jsou lepší pro modelování budov i za cenu měkčího průběhu výsledného modelu. Ve velkém měřítku je lepší použít filtrací s možností dynamické změny, které vhodnou implementací na jednotné typy povrchu podávají kvalitativně lepší výsledky. [4] Při klasifikování rozeznáváme zpravidla 3 třídy: vegetace, budova, terén. Mezi další patří vysoká či nízká vegetace, komunikace, výšková vedení, ale také hrubé chyby a body pod terénem [11]. Klasifikaci provádíme na základě odrazivosti laserových měření nebo podle spektrálních vlastností získaných pomocí digitální komory. U vegetace pak při rozeznávání na nízkou či vysokou bereme v potaz hranici 1 3m, kde je třeba eliminovat případné artefakty lidi, auta, aj. [4] Z výstupů je pak patrné i využití v lesnictví. Za použití vhodné filtrační analýzy a velkého množství bodů, můžeme získat rozumnou představu o výškách korun stromů s relativní odchylkou, kterou je třeba rozumně eliminovat, což dokázali studie Erika Neasseta [4]. Studie národní univerzity Thaiwanu [12] dokázaly použitelnost LiDAR technologií pro mapování polygonů horizontálního pokrytí koruny stromů v rámci DEM. Studie se zaměřuje na body do 2m povrchu jako na budoucí kandidáty zápoje koruny. Ty byly vylišeny s

17 MENDELU v Brně, Lesnická a dřevařská fakulta 17 přesností 88%. Naopak větším problémem se jeví zjištění špičky stromu, zvláště u jehličnanů. Snímané body nemusí být v takové hustotě, aby pokryly špičky takových extrémních převýšení jako je špička smrku. Dle studie v z národního parku Bavorský les v Německu [5] je zřejmé, že přesnost zaměření výšky stromu se pohybuje v rozmezí 0,07 až 1,4m. V současné době je na trhu řada komerčních software i nadstaveb. Nejčastější je použití výstupů pro tvorbu 3D DMT, což je jednoduší než snímaní jednoho místa dvěma fotografiemi pro stereometrické fotogrammetrické zobrazení objektu. DMT se takové hodí pro spektrální korekci družicových a leteckých snímků, kde dochází k deformaci vlivem zastínění nebo různým sklonem vzhledem ke Slunci. LiDAR data můžeme upotřebit i pro vytváření obrysových map, 3D modelů, diferenční modely získané rozdíly DMT a DEM (diferencovaná výška objektů), mapování vedení liniových objektů (silnice, železnice, elektrická vedení) nebo vegetace. U vegetace se využívá biometrických analýz. Jelikož paprsek při výšce letu 500m má velikost stopy okolo 30cm, je schopen se z částí odrážet od vegetace, ale i zbylým fragmentem paprsku pronikat do nižších etáží porostu. Pomocí ALS systémů jsme schopni i mapovat pobřeží a to na základě použití spektrálních vlnových délek. Infračervené záření je vodou pohlcované, tím jsme schopni získat polohu hladiny (například záplavovou čáru při povodních), zelené a modré záření voda nepohlcuje, proto jsme schopni zjistit polohu dna. K tomuto účelu je možno použít tzv. DIAL Differential Absorbtion Lidar, který vysílá současně paprsky v zeleném, modrém a červeném spektru, čímž můžeme mapovat pobřeží teoreticky až do hloubky 50m u průzračné vody. [2,4] Mezi nejvýznamnější společnosti na trhu zabývající se LiDAR technologiemi řadíme Leica Geosystems se svým přístrojem ALS50 s polohovou přesností 1m a výškovou 15cm. Mezi dalšími jsou také společnost IGI, která vytvořila LiteMapper obsahující veškeré komponenty pro měření včetně GPS a IMU, Optech s ALTM 3100 nebo SHOALS. A v neposlední řadě společnost TopoSys se systémem FALCON II, který má mimo jiné i multispektrální digitální skener pracující v RGB a NIR pásmu. Ze software pak nejvýznamnějšími jsou BLUH, SCOP++ a TerraScan. [2,4] V rámci metodiky této bakalářské práce byl zvolen pro práci software ArcGIS 10, který v sobě nese taky nástroje, které jsou schopny zpracovávat oklasifikovaná data. Zvláště pak interpolační nástroje. Ve spolupráci s nadstavbou Lidar Analyst od Leica Geosystems pro ArcGIS jsme schopni pak velice rychle a efektivně data vyhodnotit z LAS formátu a od geobodu po výsledný layout pracovat v jednom programu.

18 MENDELU v Brně, Lesnická a dřevařská fakulta 18 2 METODIKA Pro vyhodnocení přesnosti měření výšek stromů použitím laserového leteckého skenování bylo třeba si položit několik otázek. Jakým postupem hodnotit, co hodnotit a kde to hodnotit? Ale také třeba otázka, jaké řešení a postupy pro další měření jsme schopni vyvodit z výsledků. Pro zvolení správné metodiky bylo třeba se zamyslet na jednou vážnou věcí. Každý z členů, který vstupuje do hodnocení, má svoje relativní odchylky. LiDAR sice snímá geobody s téměř 100% přesností, ale naproti tomu jich snímá velké množství a ne všechny mají vhodnou polohu pro počítačové zpracování. Mnohdy LiDAR zachytí větev v nižší etáži porostu a do měření už vstupuje geobod s polohou, která nevypovídá o výšce a charakteru porostu. Tyto body bylo třeba vhodně vyfiltrovat, aby na měření neměly velký vliv. Dalším členem vstupujícím do hodnocení je měření výšek a poloh stromů. Měření výškoměřem je velice relativní věc. Nejpřesnější je strom pokácet a pásmem změřit jeho výšku. Tato metoda, kterou by se zpětně změřila výška pokácených stromů, je velice efektivní pro svou přesnost, ale kvůli možným zpětným měřením na stejné lokalitě je nevhodná. Výškoměr buď může změřit laserem větvičky trochu blíže, nebo dál než je špička stromu, a změřená výška už může být odlišná od skutečné. Nejčastější chyby při výškovém měření v praxi vznikají nedokonalým měřením, při tzv. nadměřování, kdy zdánlivě míříme laserem na špičku stromu, ale přitom laser zaměřuje mnohem výše. Při větším úhlu, který svírá paprsek s vodorovnou plochou (blížící se 90, tj. stojíme blízko stromu), může nadměření o pár stupňů zkreslit výšku o mnoho metrů. Posledním členem s výraznou relativní odchylkou je samotná počítačová analýza. Je třeba velice vhodně volit jaký typ analýzy, jaký nástroj a s jakými parametry použijeme k interpretaci výsledků. Nástroj má pevně stanoven algoritmus, jakým vytvoří výsledná data, proto záleží jen na nás, který nástroj použijeme a jak nastavíme jeho parametry. Při uvážení všech možných výhod i nevýhod spojených s vyhodnocováním geodat, bylo třeba použít více metod a sledovat, jak se budou v určitých situacích chovat. A v posledním kroku celého šetření mračno výsledků nějak interpretovat. V pravé podstatě bylo třeba vytvořit výsledek z výsledků, a to tak, aby nám podal informaci, jak a za jakých podmínek

19 MENDELU v Brně, Lesnická a dřevařská fakulta 19 je určitá analýza vhodná k řešení různých situací. Zároveň interpretací výsledků dokázat přesnost či nepřesnost leteckého laserového skenování porostů. 2.1 Experimentální plochy Pro měření byly vybrány 4 experimentální plochy výzkumného polygonu na území Školního lesního podniku Masarykův les Křtiny, polesí Vranov, v katastrálním území Útěchov, okres Brno město, kraj Jihomoravský. Plochy byly vybrány tak, aby byly dostupné pro klasické geodetické měření. Porosty na plochách jsou smíšené. Převažující dřevinou je buk (Fagus sylvatica L.). Porosty byly zařazeny do 3. a 4. věkové třídy (stáří 60 80let). Data z leteckého laserového skenování pro hodnocení přesnosti poskytla firma Geodis Brno na základě dohody o spolupráci mezi Geodis Brno, spol. s.r.o. a Lesnickou a dřevařskou fakultou Mendelovy univerzity v Brně. Letecké laserové skenování bylo provedeno laserem ALS50-II firmy Leica Geosystems. Tento typ laseru je vybaven kmitajícím zrcadlem s maximálním počtem odezev (ech) čtyři. Teoretická přesnost určení délky tímto přístrojem je 10 cm. Přibližná výška letu byla 1395 m. [13] Obr. 5: Lokalizace experimentálních ploch [14]

20 MENDELU v Brně, Lesnická a dřevařská fakulta Severní Plocha č. 1 s pracovním názvem Severní byla vybrána na základě stejnoměrného kmenovitého vzrůstu, s minimálním procentem výchovných dřevin. Její umístění je nejsevernější a také nejvyšší ze všech ploch. Leží v nadmořské výšce průměrně 499m. Její povrch je rovinný s jednou malou strží, která výrazně ovlivňuje průměrnou sklonitost. Terénní převýšení na ploše je pouze 3,83m a průměrná sklonitost 14,95%. Plocha má čtvercový tvar a její rozloha je 2500m 2. Porost na ní je převážně ve stejné výšce a je stejnověký. Na lokalitě roste celkem 75 stromů. Největší procento výškového zastoupení (72%) je mezi 30 až 40m. Dominantní druhové zastoupení náleží buku (Fagus sylvatica L.), a to v 89%. Příměs tvoří převážně Borovice lesní (Pinus sylvestris L.), dále Smrk ztepilý (Picea abies (L.) Karsten) a Modřín opadavý (Larix decidua Mill.). Obr. 6: Druhové zastoupení dřevin na ploše č. 1 Obr. 7: Výškové zastoupení dřevin na ploše č. 1 Obr. 8: Vizualizace plochy č. 1

21 MENDELU v Brně, Lesnická a dřevařská fakulta Rokle Plocha č. 2 Rokle má nejkomplikovanější charakter reliéfu ze všech ploch. Její nejnižší část tvoří poměrně strmá a dlouhá rokle, kterou protéká potok. Průměrná nadmořská výška plochy je 466m a převýšení z nejvyšších do nejnižších míst plochy je 28,5m. Nejvíce na ploše převažuje expozice východní, jelikož pravý břeh potoka zaujímá větší část plochy. Ale ani západní expozice na levém břehu není zanedbatelná. Průměrná sklonitost terénu je 42%. Velkým extrémům v převýšení v rokli napovídá i fakt, že některé části jsou erozně ohrožené sesuvy půdy. Plocha má tvar obdélníku o stranách 50m a 150m. Její plocha je tedy 7500m 2. Porost je převážně stejnověký, největší procento stromů dorůstá výšky mezi 25. a 35. metrem. V druhové skladbě dominuje habr (Carpinus betulus) s bukem (Fagus sylvatica). Obr. 9: Druhové zastoupení dřevin na ploše č. 2 Obr. 10: Výškové zastoupení dřevin na ploše č. 2 Obr. 11: Vizualizace plochy č. 2

22 MENDELU v Brně, Lesnická a dřevařská fakulta Svah Třetí plochou je plocha označená pracovně Svah. Jak už pojmenování napovídá většina plochy je ukloněná severně až severovýchodně v rovnoměrném sklonu o průměru 31%. Průměrná nadmořská výška plochy je 484m a její převýšení je 19,5m. Tvar plochy je čtvercový (50x50m), tedy její rozloha je 2500m 2. Na ploše roste celkem 135 stromů, které mají svou patrovitostí zastoupení v téměř každém metru výšky. Nejvyšších procentních zastoupení dosahují stromy v 25 až 35m výšky. Dominantní na ploše je opět buk (Fagus sylvatica L.) a to v 63%. Zastoupení ostatních dřevin je zde už nemalé. Modřín (Larix decidua Mill.) zaujímá 2. místo v procentním zastoupení, a to v 22%. Ostatními zástupci dřevin jsou smrk (Picea abies (L.) Kersten) a borovice (Pinus sylvestris L.) Obr. 12: Druhové zastoupení dřevin na ploše č. 3 Obr. 13: Výškové zastoupení dřevin na ploše č. 3 Obr. 14: Vizualizace plochy č. 3

23 MENDELU v Brně, Lesnická a dřevařská fakulta Útěchov Plocha s pořadovým číslem 4 Útěchov se nachází nejjižněji ze všech ploch. Je také i poměrně vzdálená od skupinky ploch 1, 2 a 3 (cca 1,5km). Její nadmořská výška je v průměru nejnižší (440m). Je pozvolně ukloněná na východní stranu rovnoměrným sklonem o průměru 13%. Převýšení z nejvyššího do nejnižšího místa činí 6,8m. Porost na lokalitě je druhovou skladbou nejpestřejší ze všech ploch. Největší zastoupení má modřín (Larix decidua Mill.) a to v 39%. Další významnou dřevinnou je buk (Fagus sylvatica L.) zastoupeném v 26%. Na ploše Útěchov jako na jediné vstupuje do měření s poměrně významným procentuelním zastoupením v 7% douglaska (Pseudotsuga menziesii (Mirbel) Franco). K ostatním dřevinám, zde v měření výjimečným, které tu rostou, patří dub (Quercus sp.), habr (Capinus betulus L.) a lípa (Tilia sp.). Obr. 15: Druhové zastoupení dřevin na ploše č. 4 Obr. 16: Výškové zastoupení dřevin na ploše č. 4 Obr. 17: Fotografie plochy č. 4 Útěchov

24 MENDELU v Brně, Lesnická a dřevařská fakulta Postup terénních šetření Aby byly všechny experimentální plochy co nejlépe ohodnoceny, bylo třeba udělat přesné a podrobné geodetické měření povrchu, zaměřit polohu všech stromů a následně změřit jejich výšku. Prvním krokem bylo vybrání vhodných míst pro experimentální plochy a následné vytyčení rohů. Plochy byly tedy čtyři, tři o rozloze 2500m 2 (50x50m) a jedna o rozloze 7500m 2 (150x50m). Plochy jsou rozmanité jak svým reliéfem, tak i složením porostu, který je na nich obhospodařováván. Umístění ploch je znázorněno na mapě na konci první podkapitoly (obr. 5). V druhém kroku bylo rohy třeba stabilizovat a připojit k souřadnicovému systému S-JSTK, následně taky připojit po vyrovnání k baltskému výškovému systému. K tomu bylo použito totální stanice Topcon GTS 105N, s úhlovou přesností 1,5mgon a délkovou přesností ±2mm + 2ppm. Teodolit svou přesností splňuje nevyšší kategorii v přesnosti teodolit triangulační v třídě přesnosti 1. Tím se zabezpečilo správné geometrické vytyčení plochy. Následně byly rohy prostorově umístěny do S-JSTK dvoufrekvenčním přijímačem GPS/GLONASS HiPer Pro od firmy Topcon. Metoda zaměření byla statická, s dobou observace přibližně 30min. Následně v počítači postprocesingem v programu Topcon Tools byly body zpracovány s průměrnou polohovou a výškovou chybou 6cm. [13] Třetím terénním krokem bylo tachymetrické zaměření totální stanicí Topcon GPT-9003M s úhlovou přesností 1mgon a délkovou přesností ±2mm + 2ppm. Tento elektronický tachymetr splňoval nároky na přesnost podrobných tachymetrických měření. Tímto byly získány souřadnicové body a polohy jednotlivých stromů, které byly zároveň vstupními daty pro další výpočty. [13] Posledním čtvrtým krokem bylo změření výšek jednotlivých stromů. K tomu se využil výškoměr Vertex Laser VL400 od firmy Haglöf. Výšky stromu byly zaměřeny opakovaně ve třech měřeních z různých míst, a následně z nich byl udělán aritmetický průměr. Zde je třeba opět podotknout problematiku nadměřování. Opakované měření s následným průměrováním zamezilo, aby do zpracování dat nevstupovala nesmyslná data. Směrodatná odchylka získaných hodnot z jednoho stromu nepřesahovala hodnotu 3,4m a celkový průměr ze směrodatných odchylek se pohybuje okolo 0,9m, což se dá hodnotit při měření výšek stromů pozitivně.

25 MENDELU v Brně, Lesnická a dřevařská fakulta Zpracování dat Jelikož v době hodnocení škola nevlastnila vhodný software schopný roztřídit, odfiltrovat a oklasifikovat data z LLS, tak na základě dohody o spolupráci již zmíněné v předchozí kapitole pomohla firma Geodis Brno, spol. s.r.o. poskytnutím již oklasifikovaných dat pořízený z LLS. Data byla již vytříděná do textového souboru na základě intenzity odrazu. Software ArcGIS sice vlastní nástroje, které by měly být schopny ze souboru LAS vytřídit a oklasifikovat data, ale bohužel tato technologie zatím není natolik propracovaná, aby se dala využít v praxi. Pro dané hodnocení odchylek v přesnosti měření výšek porostu bylo zapotřebí bodů z prvního až n-tého odrazu mimo odraz poslední. Z klasifikovaných dat bylo využito bodů s klasifikací v LAS 5 (hight vegetation) a 9 (water). Zobrazením geobodů v ArcScene se ověřila vhodnost použití dat pro následné výpočty, jelikož obě dvě kategorie informovali o porostu a jeho charakteru. [12] Data po převedení do shapefilu byly ořezány hranicemi polygonových shapefilů výzkumných ploch nástrojem Clip. Tím byly získány body jen na polygonech, které měly být šetřeny. Celkový počet geobodů získaných z LLS vstupujících do měření byl Průměrná pokryvnost na experimentálních plochách tedy byla 4,67b/m 2, vážený průměr na 1m 2 byl 3,77b/m 2. Tachymetrickým měřením bylo zaměřeno celkem 3229 geoprostorových bodů, z čehož 659 bylo patou kmene stromu, tedy průměrně na 1m 2 bylo 0,05 stromu. Podrobně o jednotlivých plochách pojednává tabulka č. 1. Už na první pohled bylo zřejmé, že LLS poskytuje velice podrobné informace o georeliéfu a výškách porostu. Rozložení bodů není rovnoměrné, je soustředěno do podélných řad s rozestupy okolo 1m. Tab. 1: Geoprostorové body vstupující do zpracování dat v GIS počet bodů b/m 2 počet LAS 5 LAS 9 stromů stromů/m 2 plocha 1 "Severní" , ,03 plocha 2 "Rokle" , ,04 plocha 3 "Svah" , ,06 plocha 4 "Útěchov" , ,07 vážený průměr (výsledná hodnota vztažena k čtvercové ploše 50x50) , ,04

26 MENDELU v Brně, Lesnická a dřevařská fakulta 26 Pro vyhodnocení bodů bylo využito dvou pracovních postupů. V prvním body nejprve posloužily jako vstupní data pro interpolační nástroje. Tím byly získány surové rastrové modely, které se svým vzhledem nepodobají povrchu lesního porostu. Modely jsou unikátní pro další postupy tím, že obsahují velké množství záhybů a mnoho informací, jak situace vypadá v daném místě s určitou přesností, tou bylo 0,1 pixelu. I u těchto surových modelů byla extrakcí hodnot vyhodnocena přesnost vzhledem k výškám stromů v porostu změřeným výškoměrem. Blíže jsou tyto nástroje popsány v kapitole Modely vytvořené interpolačními nástroji bylo třeba pro další modelaci povrchu porostu vhodně filtrovat. K tomu byl použit nástroj Focal Statistics, který umí filtrovat rastrové soubory na základě námi zvolených parametrů. Blíže je popsán v kapitole o filtračních metodách. Druhým pracovním postupem bylo přímé filtrování z vektorových souborů bez použití interpolačních nástrojů. K tomuto účelu posloužil nástroj Point Statistics. Ten umí na základě námi zvolených parametrů vyhodnotit data a vytvořit výsledný rastrový model povrchu. Podrobněji je popsán v kapitole Ze všech rastrových modelů bylo třeba získat hodnotu v místě, kde byla geodeticky zaměřena poloha kmene stromu. Tím by se v jednom bodě o souřadnicích X a Y získaly tři hodnoty o rozdílných Z souřadnicích. Jedna informuje o místě paty kmene v prostoru, druhá o místě zaměřené výšky stromu výškoměrem a poslední jako výstupní hodnota z analýz při zpracování modelu povrchu porostu zaměřeného LLS. K tomu byl využit nástroj Extract Values to Points. Vyhodnocení přesnosti pak spočívá v porovnávání zjištěných Z souřadnic zaměřených výškoměrem a z výstupů interpolací a filtrací dat z LLS. K tomu se nejvíce hodí MS Excel, kde v tabulkách můžeme hodnotit ze získaných dat zároveň směrodatnou odchylku, průměrnou odchylku, medián hodnot a maximální hodnotu, a pro lepší vizualizaci výsledků použít grafy. Všechny analýzy, jak interpolační tak filtrační, a následné extrakce hodnot, byly provedeny nástroji v ESRI ArcGIS 10.

27 MENDELU v Brně, Lesnická a dřevařská fakulta Interpolační metody IDW Inverse distance weighting Tento nástroj svým algoritmem interpoluje vektorová bodová data metodou inverzních vzdáleností. Výsledná hodnota v daném bodě je vždy závislá na počtu vstupních hodnot určených k interpolování. Model neukáže lokální extrémy (ostré hřbety, příkré strže a údolí) s takovou přesností, protože se jedná o průměr ze vstupních hodnot; lokální maximum a lokální minimum je zkresleno průměrováním. Nejlepších výsledků je dosahováno při hustém sponu vstupních dat. Simulovaná plocha se tak nejvíce přiblíží reálné podobě. V případě, že vstupními daty jsou chaoticky rozptýlené body v prostoru, jako v našem případě při modelování povrchu porostu na základě geobodů získaných z LLS, je i výsledný obraz interpolace velmi komplikovaný (viz.obr.18). Body jsou v úvahu brány všechny jako body povrchu, tedy téměř všechny se účastní interpolované plochy. Pokud se v analýze vyskytnou body totožné s X a Y souřadnicí a rozdílnou Z souřadnicí, jsou body považovány za duplicitní, a tím za shodné. Nástroj pak bere v úvahu bod bližší okolním bodům. Výsledný rastr z interpolace povrchu porostu pomocí nástroje IDW je pak velmi vhodný jako vstup pro fokální statistiku s použitím nízkofrekvenčního průměrového filtru. [10] KRIGING Metoda vážené inverzní vzdálenosti (IDW) a Spline metody jsou označovány jako deterministické interpolační metody, protože jsou přímo založeny na okolí naměřených hodnot nebo na určitých matematických vzorcích, které určují hladkost výsledného povrchu. Druhou rodinou interpolačních nástrojů využívající geostatistické metody je Kriging. Tato technologie je založena na statistických modelech, které zahrnují autokorelace. Vhodným výběrem vstupních hodnot vytvoří poměrně přesnou modelaci povrchu a také míru této přesnosti. [10,15] Kriging předpokládá, že vzdálenost nebo směr orientací mezí body vyjadřuje prostorová korelace, která může být používána pro vysvětlení rozdílů v povrchu. Kriging se hodí pro matematické funkce na určitý počet bodů, nebo pro všechny body do určité vzdálenosti, pro stanovení hodnoty výstupu u každé lokality. Kriging je vícestupňový proces. Zahrnuje průzkumnou statistickou analýzu dat, variogram modelování, tvorbu povrchu, a volitelně zkoumá rozdílnosti povrchu. Tento typ interpolační analýzy je často používán v pedologii

28 MENDELU v Brně, Lesnická a dřevařská fakulta 28 a geologii právě díky tomu, že dokáže zohlednit směr zkreslení údajů a prostorově korelovat vzdálenosti. [10] Existují dva způsoby krigování: obyčejné a univerzální. Obyčejné krigování je neobecnější a široce využívanou analýzou. Je při nastavování ta výchozí. Předpokládá, že konstatní průměr je neznámý. To je rozumný předpoklad, pokud tam není vědecký důvod k jejímu zamítnutí. Při univerzálním krigování analýza předpokládá, že se již vyskytuje převažující trend v datech (např. převládající směr větru). Tento trend může být modelován deterministickou funkcí, polynomem. Tento polynom se odečte od původních naměřených bodů a autokorelací je modelován z náhodných chyb. Jakmile se takto před předpovědí hodí pro náročné chyby, je přidán zpět do předpovědi. Potom je model schopen poskytnout smysluplné výsledky. Univerzální krigování by mělo být použito pouze tehdy, jakmile známe trend v datech a vědecky ho dokážeme odůvodnit. [10,15] Obr. 18: Vizualizace interpolačních metod

29 MENDELU v Brně, Lesnická a dřevařská fakulta Filtrační metody FOCAL STATISTICS Focal Statistics je nástroj analyzující kontext či kontiguitu okolí. Na základě námi zvolených parametrů vyhodnotí v rastrovém obrazu okolí jednoho bodu. Jedná se tedy o filtrační metodu. Filtace se aplikuje na každou pozici, a to tak, že okno (nastavené parametry) se přesouvá buňka po buňce nad datovou vrstvou. Hodnota každého pixelu se pak mění v souvislosti na hodnotách okolních pixelů. [10] V případě hodnocení dat z LLS, bylo třeba najít vhodnou metodu filtrace, která by ve výsledku nejvíce charakterizovala reliéf porostu. Při hodnocení jsem bral do úvahu 2 metody, u nichž jsem hodnotil přesnost: filtrace na základě průměrných hodnot (low-pass filtr) a filtrace na základě maximálních hodnot (high-pass filtr). Low-pass filtr byl hodnocen, protože dokáže vyhladit snímek a potlačit šum. Používá se k zvýrazňování větších homogenních ploch a redukci menších detailů. Na první pohled se jeví jako by snímek rozmazal. Ale v pravé podstatě u hodnocení LLS eliminuje body lokálních extrémů. Charakterizuje tak obecnou strukturu dat a vytvoří představu o obalové vrstvě porostu. Byly hodnoceny 2 nastavení průměrových low-pass filtru: filtrační okno tvaru kruhu o poloměru 1m a 2m. [10] High-pass filtr byl hodnocen z důvodu vyhledání lokálních extrémů a jejich zvýraznění. Jelikož pata kmene nemusí mít totožné souřadnice X a Y jako špička koruny stromu, bylo třeba lokální maximum (špičku) hledat v určitém okruhu. Byly tedy voleny 2 parametry, podobně jako u low-pass filtru, filtrační okno hledající lokální maximum tvaru kruhu o poloměru 1m a 2m. [10] POINT STATISTICS Podobně jako Focal Statistics, nástroj Point Statistics vyhodnocuje okolí bodů. Aplikuje se přímo na soubor vektorových dat. Jeho parametry, které můžeme nastavit, jsou v podstatě stejné. Princip je založen, na klouzání definovaného okna po datové vrstvě, nejčastěji kruhového. Výstupy rovněž připomínají výsledky z low-pass a high-pass filtrů. Jejich odlišnost je, že rastrový filtr hodnotí celou vrstvu celistvě. Vektorový filtr v místech, kde v definovaném okně není žádný bod, nehodnotí vůbec. Ve výstupu se to projeví trhlinami v povrchu porostu. Jelikož porost nikdy není nepřerušený, dá se říct, že tato analýza by měla být nejvěrohodnějším vyhodnocením geobodů pořízených LLS. [10]

30 MENDELU v Brně, Lesnická a dřevařská fakulta 30 Obr. 19: Vizualizace low-pass filtrů Obr. 20: Vizualizace high-pass filtrů

31 MENDELU v Brně, Lesnická a dřevařská fakulta LIDAR Analyst Společnost Leica Geosystems Geospatial Imaging v nedávné době vytvořila software specializovaný na analyzování dat pořízených z LLS, aby uspokojila poptávku po zkvalitňování a zrychlení zpracování dat a zároveň nebyla narušena přesnost vyhodnocení. Jedná se o program LIDAR Analyst. Ve spolupráci se společností ESRI, která vyvíjí ArcGIS, byla vytvořena firmou VLS Systems Inc nadstavba přímo pro prostředí ArcMapu. Tím, že program je součástí ArcGIS se ušetří mnoho času převáděním souboru dat do jiných formátů. LIDAR Analyst automatizuje sběr hlavních prvků dle 3D modelů povrchu (budovy, lesy, solitérní stromy). [6] Obr. 21: Nadstavba LIDAR Analyst v ArcGIS 10 Přední vlastností LIDAR Analystu je, že během úkonu vytřídění a oklasifikování dat ze souboru LAS dokáže vytvořit současně digitální model povrchu a to z prvního odrazu, druhého odrazu a také rastrový obraz bodů na základě intenzity odrazu. Výsledný obraz trochu připomíná ortofotomapu. Rastrový model intenzity odrazy bych rád zdůraznil, protože software dále nabízí nástroje, kterými lze poměrně snadno získat polygony vymezující hranice lesa, budov, komunikací a lokalizace jednotlivých solitérních stromů. Software také využívá algoritmus, díky němuž poskytne konkrétní informace o lesnaté části. Informuje o počtu stromů, jejich výšce a výčetní tloušťce. Algoritmus není tak variabilní, aby byl spolehlivý ve specifických situacích, počítá s určitým modelovým typem porostu. Proto poskytnutí těchto dat slouží jen k informativním účelům. Dalším významným prvkem nástroje je vytvoření digitální modelu terénu. Soubor LAS obsahuje velké množství bodů prvního odrazu, které dopadají na zem. Tak je jako ArcGIS schopen vytvořit DMT. Jeho výhodou je, že dokáže povrch vyhladit tak, že odečte budovy a lidi, které LiDAR zaznamená taky. Pomocí DMT je schopen i vytvořit obraz vrstevnic.

32 MENDELU v Brně, Lesnická a dřevařská fakulta 32 Pro potřeby hodnocení přesnosti měření výšek porostů z výstupů LIDAR Analystu bylo zapotřebí 3 prvků: shapefilů informujících v atributové tabulce o přesných polohách pat kmenů a výšek stromů, dále rastrového obrazu prvního odrazu laserového paprsku a nástroje Extract Points to Values v ArcGIS, kterým do již zmíněného shapefilu exportujeme výšky z rastrového obrazu. Hodnocení proběhlo dvakrát. První bylo z rastrového obrazu tak, jak jej vytvořil LIDAR Analyst. Druhé proběhlo z rastrového obrazu taktéž vytvořeného LIDAR Analystem, ale následně nástrojem Focal Statistics byly v obrazu filtrovány maximální hodnoty v okruhu 2m. Obr. 22: Rastrový obraz intenzity odrazu (LIDAR Analyst)

33 MENDELU v Brně, Lesnická a dřevařská fakulta 33 3 VÝSLEDKY HODNOCENÍ Hlavním výstupem výsledného hodnocení měla být metoda, která je spolehlivá, rychlá a relativně přesná. V hodně případech byly výstupy zkresleny malým množstvím vstupních dat. Například u ploch 3 a 4 bylo téměř šestkrát méně bodů z LLS než u ploch 1 a 2. Také typ porostu hrál velkou roli. Na ploše 4 převládala různorodost porostu, zatímco ostatní plochy byly pokryty více hlavním stejnověkým porostem jak výchovným. I dřevinná příměs vstupovala jako negativní činitel do hodnocení. Pro příklad, u plochy 2 byl častý jev téměř lysý modřín, který vyčníval nad okolní porost o několik metrů. Laserový paprsek tak mnohdy nedopadl na špičku stromu a někdy minul i větvičku a sejmul až spodní etáže. 3.1 Bodovací systém Pro spolehlivé vyhodnocení dat bylo zapotřebí zvolit i vhodnou interpretaci výsledků z analýz. Někdy velké množství informací o odchylkách průměrných a směrodatných, maximech nebo minimech nemusí podat zjevnou informaci, jak která metoda obstála v hodnocení. Proto jsem zvolil starý a osvědčený způsob hodnocení výsledků sportovců v jednotlivých disciplínách soutěží. Každou analýzu jsem nechal soutěžit s ostatními, a podle toho, jak obstála ve zvolených disciplínách, byla spravedlivě ohodnocena. Jelikož celkem do hodnocení vstoupilo 30 analýz, byl i maximálně dosažitelný počet bodů roven 30 a minimální roven 1. O konkrétních disciplínách a o tom, jak která metoda obstála v disciplínách, nejvíce informuje příloha č 5., kde je velká souhrnná tabulka s počty bodů, které metody získaly. V souhrnném hodnocení o celkovém prospěchu mohla metoda získat maximálně 120 bodů z jedné plochy; 30 za nejmenší průměrnou odchylku, 30 za nejnižší maximální odchylku, 30 za nejnižší medián odchylek a 30 za nejnižší směrodatnou odchylku. Ve výsledku, kdyby na všech plochách obstála metoda nejlépe, získá celkem 480 bodů. Mimořádnou situací bylo, kdy například 3 analýzy dosáhly v dané oblasti 3 stejných výsledků. Tak byl dle pořadí získán aritmetický průměr získaných bodů těchto 3 analýz a pak udělen všem 3 stejný.

34 MENDELU v Brně, Lesnická a dřevařská fakulta 34 Modelový příklad: Analýza A, B i C dosáhly hodnot stejných. Při bodování od 1 do 3 by byl aritmetický průměr 2. Všechny analýzy dosáhly 2 bodů. Nebo mezi 30 analýzami dosáhly 4 stejného počtu bodů. Umístily se na místě, což odpovídá hodnocení od 17 do 14 bodů. Aritmetický průměr ze 17, 16, 15, a 14 je 15,5. Všechny 4 analýzy v dané disciplíně získaly 15,5 bodu. Dle bodového hodnocení byly zvlášť hodnoceny analýzy, které se dopustily nejvíce maximálních lokálních chyb. Tady do výsledného hodnocení vstupovala jenom maximální odchylka, která byla hodnocena ze všech 4 ploch. Hodnocena byla i spolehlivost metody. Ta je vyjádřena pomocí samostatného bodového hodnocení 2 zvláštních disciplín, tedy maximálně dosažitelný počet bodů byl 60. První bylo celkové hodnocení s maximálně dosažitelným počtem bodů 480 (výsledné hodnoty z metod ze všech ploch). Všechny metody v této disciplíně byly seřazeny a na základě pořadí dostaly body Druhou specifickou disciplínou byla variabilita získaných výsledků. Tím se sleduje, na kterou analýzu je největší spolehnutí, že v různých situacích dosáhne obdobných výsledků, ať více či méně přesných. Celkový součet bodů (max 120 bodů) je získán celkem ze 4 ploch, tudíž jsou 4 výsledné hodnocení, které by měly být podobné, pokud je daná metoda spolehlivá. Tyto 4 hodnoty byly porovnávány dle směrodatné odchylky těchto výsledků. Menší odchylka dostala vždy větší počet bodů. 3.2 Hodnocení jednotlivých ploch Plocha č. 1 SEVERNÍ Na této ploše převažuje hlavní stejnověký bukový porost. Příměs je minimální, tak se dalo předpokládat, že nebude dosaženo velkých maximálních odchylek, i vzhledem k počtu bodů 5,4 na m 2. Celkem do měření vstupovalo bodů, oklasifikovnaných jako high vegetation s kódem 5 v LAS souboru Na ploše do hodnocení vstoupilo 75 stromů. Nejlépe dopadla metoda s nástrojem Point Statistics (114b.), která hledala lokální maximum v okruhu 2 metrů, s průměrnou odchylkou 5,56m. Za ní se 112b. stojí Focal Statistics, který také hledal maximální hodnoty v okruhu 2m. Stejné metody s okruhem vyhodnocování 1m, se také dobře umístily, ale jejich měření už vykazovalo menší přesnost. Jako třetí za analýzami okolí stojí software LIDAR Analyst s filtrovaným rastrem v ArcGIS, který získal 108b.

35 MENDELU v Brně, Lesnická a dřevařská fakulta 35 Obr. 23: Graf hodnocení plochy č. 1 Plocha č. 2 ROKLE Plocha č. 2 nabízela novou možnost modelové situace, a to náročný terén rokle, kde se stromy uklání směrem ze svahu dolů. Pata kmene se mnohdy nevyskytovala ani v okruhu 2m od špičky stromu po horizontálních osách. Navíc příměs tvoří opět lysé modříny a smrky, které se vyvyšují nad okolní stromy, a tak občas mohly negativně zasáhnout do měření. Celá plocha je poměrně dobře zásobená naměřenými daty z LLS. Celkem do analýz vstoupilo na 7500m 2 plochy bodů, s kódem 5 to bylo bodů. Tedy pokryvnost bodová byla 6,47 bodů/m 2. Na ploše do hodnocení vstoupilo 281 stromů. Nejlépe dopadla metoda použití průměrové fokální statistiky rastrového obrazu interpolační metody Kriging (111b.), definované okno filtrování bylo kruhového tvaru o poloměru 2m. Dosáhla průměrné odchylky 3,47m. Podobně se umístila i stejně nastavená fokální statistika interpolační metody IDW spolu s průměrovou bodovou statistikou opět s okruhem řeší 2m. Je až zarážející jak dopadla metoda hledající lokální maxima v okruhu 2m. Pro tuto plochu se dopustila největšíchyby a i její hodnocení je malé. Taktéž je i poměrně zvláštní jak si své pozice oproti ploše Severní vyměnila metoda LIDAR Analystu, filtrovaný versus nefiltrovaný rastrový obraz.