Geri Dön

LİDAR verileri ile SAM üretiminde farklı arazi türlerine göre performans araştırması

Performance research according to the different terrain types in SAM production with LİDAR data

PDF İndir

  1. Tez No: 439370
  2. Yazar: NURAY BAŞ
  3. Danışmanlar: PROF. DR. HİLAL GONCA COŞKUN
  4. Tez Türü: Doktora
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2016
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Geomatik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 128

Özet

Bu doktora tez çalışması kapsamında çalışma alanı olarak, Türkiye'nin Doğu Anadolu Bölgesinde yer alan Artvin İli, Borçka ve Ardanuç ilçelerindeki ormanlık alanlar seçilmiştir. Bu alanlar içerisinde yapay ve doğal oluşum şekli ve farklı coğrafi özellikte (konum, bitki örtüsü, eğim) 4 adet test bölgesi seçilmiştir. Seçilen bu test bölgelerinin her biri üzerinde 11 adet örnek alan belirlenmiştir. Bu örnek alanlar bina, elektrik direği, yol, araba v.b. gibi yapay oluşumlar ile şev, orman, uçurum v.b gibi doğal oluşum şekillerini içermektedir. Bu tez çalışmasına literatür araştırması yapılarak başlanılmış olup Hava LiDAR (Light Detection and Ranging) teknolojisi ile ilgili Türkiye'de ve Dünyada filtreleme ve Sayısal Arazi Modeli (SAM) oluşturulması konusunda yapılan çalışmalara yer verilmiştir. Uygulama için LiDAR teknolojisi ile elde edilmiş nokta bulutu verisi kullanılarak SAM üretmek amacıyla farklı doğal ve yapay oluşum şekli içeren, farklı arazi kategorilerindeki filtreleme sonuçlarına ilişkin uygulamalar yapılmıştır. Filtreleme işlemi öncesinde gerçek yeryüzü sınıfına ait olmayan alçak ve yüksek noktaların (hatalı) veriden ayıklanması için bir metodoloji geliştirilmiştir. Bu noktaların veriden çıkarılması ve yeryüzü sınıflandırılması işlemi için Uyumsal Düzensiz Üçgen Ağı (UDÜA) yöntemi kullanılmıştır. Parametre değerleri olarak alçak ve yüksek nokta çıkarımı için arama yarıçapı parametresi, yeryüzü sınıflandırması için ise iterasyon açısı parametresi kullanılmıştır. Uygulamanın ilk aşamasında Terra Solid (Soinien, 2015) LiDAR yazılımına ait veri işleme araçları ve diğer veriler (ortofoto ve Google Earth) kullanılarak çalışma alanının referans veri seti oluşturulmuştur. İkinci adımda, ham veri analizi yapılmıştır. Bunun için yükseklik şeması ve veri dağılım modeli oluşturularak bir yardımcı model yaratılmıştır. Bu yardımcı model vasıtasıyla gerçek yeryüzüne ait yükseklik değerleri içerisinde yer alan hatalı yüksekliklere ilişkin noktalar ham veriden çıkarılarak işlem performansında bir artış sağlanmıştır. Üçüncü adımda ise UDÜA yöntemine göre arama yarıçapı parametresi kullanılarak alçak ve yüksek noktaların çıkarımına ilişkin hata yüzdeleri hesaplanmıştır. Hata yüzdelerinin hesaplanmasında iki çeşit hata türü belirlenmiştir. Oluşturulan referans veride, veriye ait nokta olup işlem sonucunda veri dışı olarak belirlenen noktaların tüm noktalara oranı I.Tip hata olarak adlandırılmıştır. Referans veride, veriye ait olmadığı halde işlem sonucunda veriye ait gibi gösterilen noktaların tüm noktalara oranı ise II.Tip hata olarak adlandırılmıştır. Karşılaştırma işlemi referans veriye göre yapılarak işlemin performansı hata yüzdelerine bağlı olarak test edilmiştir. Yeryüzü sınıflandırılması işleminde ise, üçgen tepeleri arasındaki açı ve mesafe kriterleri kullanılmıştır. Uygulama her bir test bölgesinde seçilmiş bulunan 11 adet örnek alan üzerinde yapılmıştır. Filtreleme için uygun açı eşikleri tanımlanmış, her bir açı değeri için I.Tip ve II.Tip hata yüzdeleri hesaplanmıştır. Bu işlemde de gerçek yeryüzüne ait olan noktaların yeryüzü harici nokta olarak gösterilmesi hatası I.Tip hata; yeryüzü harici noktaların gerçek yeryüzüne ait nokta gibi gösterilmesi hatası ise II.Tip hata olarak tanımlanmıştır. Yeryüzü sınıflandırma işleminin ardından sonuçlara ilişkin SAM oluşturulmuştur. İşlemde LiDAR verisinin yoğun nokta bulutu yapısı özelliğinde olması ve özellikle büyük projelerde hesap zorluğu oluşturması bir dezavantaj olarak değerlendirildiğinden grid yöntemi tercih edilmiştir. Grid yapıya dönüşümde Ters Mesafe Ağırlıklı (IDW (Invers Distance Weighted)), Ordinary Kriging (OK), Radyal Bazlı Fonksiyon (RBF (Radial Based Fonction)) ve Yerel Polinom (LPI (Local Polinomial Interpolation)) Enterpolasyon yöntemleri kullanılmıştır. Bu yöntemlerin her biri çalışmanın başında seçilen farklı özellikteki arazi gruplarında test edilmiştir. Her bir yöntemin başarısı enterpolasyon işleminden önceki LiDAR noktalarının yükseklik değerleri ile enterpolasyon işleminden sonraki LiDAR noktalarının yükseklik değerleri arasındaki farklardan hesaplanan Karesel Ortalama Hata (KOH) değerleri kullanılarak test edilmiştir. Çalışmada ayrıca çalışma alanındaki değişik arazi sınıflarında (açık alan, çalılık, yerleşim v.b) yapılan Gerçek Zamanlı Kinematik (RTK), Küresel Konumlama Sistemi (GPS) ölçümleri ile elde edilen Yer Kontrol Noktaları (YKN) kullanılarak LiDAR noktalarının düşey doğruluğu tespit edilmiştir. Çalışmanın geneli değerlendirildiğinde; binlerce nokta bulutundan oluşan LiDAR verisinden hatalı noktaların ayıklanması işleminde parametre seçimi işlem sonucunu büyük oranda etkilemiş fakat doğru sonuç için, yalnızca filtreleme yöntemi yeterli olmamıştır. Bunun yanında kullanıcının yapacağı manuel editleme işlemine de ihtiyaç bulunmaktadır. Bunun için manuel editlemeyi azaltacak ilave yöntemlerin geliştirilmesi gereklidir. Benzer olarak gerçek yeryüzü sınıfını oluşturmak için yapılan filtreleme işleminde de, parametre değerlerine göre işlem sonucu değişmiş ve farklı arazi kategorilerinde farklı sonuçlar elde edilmiştir. Ayrıca; SAM üretmek için grid yapıya dönüştürülen ve enterpolasyon işlemi uygulanan sınıflanmış veri için farklı arazi kategorilerinde farklı KOH sonuçları elde edilmiştir. Aynı zamanda LiDAR noktalarının düşey doğruluğu da, arazi kategorilerindeki farklılıklar bakımından, enterpolasyon işlemlerinden elde edilen KOH sonuçları ile paralellik göstermiştir. Bu test işleminde de açık alanlardaki düşey doğruluk arazi örtüsünün yoğun olduğu yerlere göre daha prezisyonlu elde edilmiştir. Uygulanan enterpolasyon yöntemleri ise sonuçlar üzerinde kurallı bir farklılık meydana getirmemiştir. Sonuç olarak; LiDAR verilerinin global ölçekte ve bu çalışmada seçilen test alanında olduğu gibi ulaşılması zor alanlarda koordinat bilgisini elde etmedeki kolaylığı nedeniyle gerçek yeryüzünü oluşturmak için bir seçenek olabileceği değerlendirilmektedir. Fakat sınıflandırma işleminde kullanılan parametre değerleri farklı arazi kategorilerinde farklı sonuçlar verdiği için, çıplak alan, yoğun bitki örtüsüne sahip (tamamiyle orman) alan, seyrek orman, eğimli arazi gibi doğal oluşumlar ile araba, yol, elektrik direği v.b yapay oluşumlar olarak gruplandırma yapılarak farklı arazi yapılarında farklı parametre değerleri seçilmelidir. Alçak ve yüksek nokta çıkarımında parametreler yoluyla yapılan filtreleme işleminin tek başına yeterli olmaması nedeniyle ham veri üzerinden yükseklik şeması ve veri dağılım modeli oluşturularak gerçek yükseklik değerlerine göre oldukça bariz yüksekte ve alçakta bulunan noktalar çıkarıldıktan sonra filtreleme yöntemi uygulanmalıdır.

Özet (Çeviri)

In this doctoral thesis, forestry areas located in Borçka and Ardanuç districts of Artvin City of Turkey's East Anatolian Region were selected as study area. In this areas, four test zones were chosen having man-made and natural structures and different geographical features (position, vegetation, slope). Eleven sampling sectors were identified in each one of these four zones. These sampling sectors involved man-made objects like buildings, lampposts, roads, cars and natural terrain objects like chamfers, forests, etc. This thesis study has been started with a literature research and studies related with Airborne LiDAR (Light Detection and Ranging) technology on either filtering or Digital Terrain Model (DTM) production, performed in Turkey and in the World were mentioned. As a result of analysing this studies, no application was encountered giving 100% accuracy on either elimination of faulty points before the classification process or real ground classification processes. So, revealing the advantages and disadvantages of these studies which take part in the literature, with different researches and the applications made over different terrain categories will constitute an important resource for LiDAR users. For the execution, applications were made concerning filtering results in different featured terrain groups with the purpose of Digital Terrain Model (DTM) production, using point cloud data acquired with LiDAR technology. Before filtering process, a metodology was realized in order to extract low and high points (faulty) from the data which were not belong to the real ground class. Adaptive Triangulated İrregular Network (ATIN) method was used for extraction of these points and ground classification process. Search window parameter for low and high point extraction and iteration angle parameter for ground classification were used as parameter values. In the first step of the execution, reference data set of study area was generated by means of data processing tools of TerraSolid (Soinien, 2015) LiDAR software and other externel data (orthophotos and Google Earth). In the second step, raw data analysis was carried out seperately for all test areas. For this, an external model was created by making elevation histogram graph and data distrubition model. Through this external model, an increase was obtained in process performance by extracting the faulty elevation points in the elevation values belonging to true surface from the raw data. In the third step, error percentages related with the extraction of low and high points were calculated by using searching window parameters according to ATIN method. Two types of error were identified in calculation of error percentages. The ratio of the points, belonging to the data in the reference model but determined as out of data after process, to the whole of the points was named as Type I Error. The ratio of points not belonging to the data in the reference model but determined as in the data after process, to the whole of the points was named as Type II Error. Performance of the process was tested depending upon the error percentages by making comparison according to the reference model. For ground classification process, angle and distance criteria between triangle peaks were used. Application was made over 11 samples selected in each of the test zones. Type I and Type II error percentages were calculated for each of the angle values of which proper angle thresholds for filtering were described. In this process also, the error of definition of true surface points as non-ground points was named Type I Error; and the error of definition of non-ground points as true surface was named as Type II Error. Generally, for all samples, Type I Error gave higher values compared with Type II Error according to the classification results. Besides, an increase occured in error amounts in the areas including dense surface coverings along with the low objects having complex structure. For example, while most amount of Type I Error occured in sparse forest areas where LiDAR beams are reaching hardly to the ground; most amount of Type II Error occured in the areas where there are lower objects on the ground like cars. SAM was created related to the results after ground filtering process. In this process, grid method was preferred, as it may be a disadvantage that the LiDAR data has a characteristic of dense point volume and it creates calculation difficulty in especially large-scale projects. Inverse Distance Weighting (IDW), Ordinary Kriging (KO), Radial Basis Function (RBF) and Local Polynomial (LP) interpolation methods were used in transforming into grid structure. Each of these methods were tested in different type of terrain groups, over 11 sampling areas identified for classification process. Success of each of the methods was tested by using Root Mean Square Error (RMSE) values calculated from the differences between the elevation values of the LiDAR points before and after the interpolation process. As a result, generally, a regular increase or decrease did not occured between interpolation methods. Differences occured mostly in sampling areas. Highest RMSE, alike ground classification results, occured in dense forest, sample-9 and sparse forest, sample-10. Second grade highest error rate occured in sample-11 (cliff-valley). Error rates increased in those samples, because ground structure presents radical changes in cliff-valley area and vegetation is stiff in dense forest. Besides, for sparse forest, because the situation that the LiDAR beams are hardly reaching ground through the spaces between the trees increased the error rate. RMSE values in the areas including dense vegetation cover, occured higher compared with the bare earth terrain. Lowest RMSE values occured in sample-3 (cars), sample-5 (transformer equipment), sample-7 (road) and then sample-4 (lamp-post). For sample-6 (chamfer), alike ground filtering results, while lower error rates occured compared with the areas having dense surface cover like dense and sparse forest; higher error rates occured compared with open terrain (cars, road). RMSE in scrub (sample-8) gave approximately the same accuracy with chamfer; while it gave power accuracy compared with car, building and transformer equipment. This result shows that slope effect is higher than the effect of artificial objects on the ground in error amount, while lower than the vegetation effect. When it comes to building samples, more errors occured, as compared with road, car, transformer equipment and less errors occured as compared with steep and dense vegetation areas along with chamfer and scrub areas. In the study, also the vertical accuracy of the LiDAR points were determined by means of the Ground Control Points (GCP) acquired by Real Time Kinematik (RTK) Global Positioning System (GPS) measurements performed over the various terrain classes (open terrain, bush, settlement, etc). According to the RMSE results, maximum vertical error occured in bush type surface cover with 0.42m, while minimum vertical error occured predictably in open and plain area with 0.20m. Rather close results were obtained in terms of vertical error, for all other terrain calsses except bush type surface cover. In the study, also Fundamental Vertical Accuracy (FVA), Suplementary Vertical Accuracy (SVA) and Consoludated Vertical Accuracy (CVA) calculations were made, which were drawn attention by ASPRS (2014) standards. As a result, FVA value for open area class was calculated as 0.39m and CVA value for other terrain classes was calculated as 0.66m. In other word, Fundamental Vertical Accuracy in open area was obtained with more precision than Consoludated Vertical Accuracy obtained for medium and dense vegetation covered terrain classes. Evaluating the whole study; it was understood that the correct parameter selection substantially effects the results in the procees of extracting incorrect points from the LiDAR data consisted of thousands of point clouds, but only the filtering method had not been sufficient for producing correct results. Besides this, user's manuel editing is also needed. For this reason, additional methods should be developed which will decrease the need for manual editing. Likewise, in the filtering process which was performed in order to generate the real ground class; different results were obtained in different types of terrain, besides parameter selection. Moreover, different RMSE values were obtained in different types of terrain for the data interpolated and transformed into grid structure in order to produce DTM. But, performed interpolation methods did not form symmetrical effect in the results. Besides that, vertical error values (RMSE) occured in the elevation of the LiDAR points differed according to the terrain types. Consequently, it was assessed that the LiDAR data should be an option for its easiness on acquiring coordinat information in global scale and in the areas difficult to reach as it was in the selected test zone in this study. But, because the parameter values used in classification process give different results for different terrain types; different parameter (iteration angle) values should be selected in different terrain structures by grouping data into natural structures like open terrain, dense vegetated area (completely forest), sparse forest, slopy terrain and man-made structures like cars, roads, lamposts, etc. It was understood that, it is not possible to obtain a 100% correct result in one step, on extracting faulty points from the LiDAR data. Development of additional methods are recommended like elevation histogram graph and data distrubition model, in such a manner that will get access to most coreect result and will decrease manuel editing. Moreover; for a high precision classification process, iteration angle values compatible with each of the terrain categories identified in general terrain structure which includes heterogeneous areas and sudden changes in terrain elevation are recommended. But, when we take a look at the whole of the application area generally; this type of data should need to be processed (classified) at one heat, depending upon our aim of application. In this case, angle values of 17° and/or 18° are recommended, which give average values for all samples.

Benzer Tezler

  1. Tez No

    510451

    Nokta bulutu verilerinin yerel geoit modellerinin değerlendirilmesinde kullanılması üzerine bir inceleme

    An investigation on the use of point cloud data in evaluation of local geoid models

    EMRAH ÖZÖGEL

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SERDAR EROL

  2. Tez No

    430358

    İha tabanlı 3 boyutlu nokta bulutlarında zemin üstü nokta filtreleme algoritmalarının ve sam üretme yöntemlerinin karşılaştırılması

    Comparison of the ground filtering and dtm generation algorithms on uav-based 3D point clouds

    ÇİĞDEM ŞERİFOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    Mühendislik BilimleriKaradeniz Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    DOÇ. DR. OĞUZ GÜNGÖR

  3. Tez No

    597916

    Tam dalga Lidar verileri ile bitki örtüsü sınıflandırma olanaklarının araştırılması

    Research on possibilities of vegetation classification by using full waveform Lidar data

    AYŞE BUŞRA KURTAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Jeodezi ve FotogrametriYıldız Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. NACİ YASTIKLI

  4. Tez No

    467186

    Taşkın modellemede LiDAR verisi ile performans analizleri

    Performance analyses with with LiDAR data in flood modelling

    HAKAN ÇELİK

    Doktora

    Türkçe

    Türkçe

    2017

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. HİLAL GONCA COŞKUN

  5. Tez No

    726580

    Channel detection and tracking from lidar data in complicated terrain

    Karmaşık arazilerde lidar verilerini kullanarak kanal izlemesi ve tespiti

    AZAR ARGHAVANIAN

    Doktora

    İngilizce

    İngilizce

    2022

    CoğrafyaOrta Doğu Teknik Üniversitesi

    Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı

    PROF. DR. UĞUR MURAT LELOĞLU

    PROF. DR. SEVDA ZUHAL AKYÜREK

Geri Dön