Bruk av moderne fotogrammetri for å generere terrengmodell i ukjent område

Abstract

Oppgavens hensikt er å utnytte dagens metode for datainnsamling med drone for å bestemme en god modell utenfor området man kan plassere bakkekontrollpunkter (GCP) i. Modellen må bestemmes på en slik måte at resultatet i ukjent område kan benyttes uten kontroll. Problemstillingen er formulert: Hvordan kan vi optimalisere retning, størrelse og form av kjent område og hvor mange GCP’er trengs for å oppnå høyest mulig nøyaktighet i et ukjent område? Hvor langt utenfor kjent område oppnår vi gode resultater ved bruk av en forbrukerdrone? For å løse problemet har vi selv drevet datafangst hvor vi har brukt en DJI Phantom 4 Pro V2 drone til å fotografere ett området på 260 x 200 meter. I området har det vært plassert ut 100 GCP’er som er innmålt med totalstasjon. Ved å bruke disse til ulike kombinasjoner av GCP og kontrollpunkter har vi sett på hvordan vi kan plassere disse i ett område for å oppnå god kvalitet i et tilstøtende utilgjengelig område. Det benyttes i oppgaven en forsøksbasert tilnærming til problemet, ved at problemet deles opp og problemets 4 gitte elementer, retning, størrelse, form og antall GCP’er. Disse danner grunnlag for hver sine forsøk. Ved å endre få parametere i hver test og med mange testutvalg oppnår vi et sammenligningsgrunnlag som kan benyttes for utvelgelse basert på trend og avviksnivå i kontrollpunktene. Når man har et avlangt AOI ser vi at det vil være fordelaktig å bestemme den lengste siden. Har man mulighet til å tilpasse utplasseringen av GCP’er i en vinkelform, slik at en langside og en kortside bestemmes, er dette en form på kjent område som er mer fordelaktig. Ved å bestemme langsiden til AOI med 25 % av totalt areal oppnår vi resultater i ukjent område til grunnrissavvik under 1,5 x GSD ved omtrent 120 meter, og høydeavvik under 1,5 x GSD ved 60 meter utenfor kjent område. Når vi bestemmer AOI med en vinkelform, hvor det plasseres GCP’er på langsiden og kortsiden oppnår vi grunnrissavvik under 2 x GSD ved ca. 180 meter, og høydeavviket holdes under 1,5 x GSD ved en avstand på omtrent 80 meter fra det kjente området. Det er ved testens metode for datainnsamling mulig å bestemme ukjent terreng 100-200 meter med et avviksnivå tilsvarende og/eller bedre enn kvalitetsgjengivelsen annen litteratur forventer oppnådd i områder med bakkekontrollpunkter. Forutsetningen for lavt avvik på de lengste avstandene er å plassere bakkekontrollpunktene i en vinkelformasjon i ytterkant av AOI. Ett av de viktigste funnene i denne oppgaven er GCP-bildemarkeringens påvirkning. Vi ser at antallet GCP-bildemarkeringer gir store utslag i avviksnivået til resultatene og vil derfor anbefale alle som skal utføre lignede forsøk eller som jobber med fotogrammetri å markere GCP’ene i flest mulig bilder.

The intention of this bachelor’s thesis is to utilize modern methods of UAV based data acquisition to create a terrain model of an area where it is not possible to place Ground Control Points (GCP). The model must be created in a way so the results will be of a quality so it may be used without the control one would normally need. The problem is formulated: How can we optimize direction, size and form of an area which are available to place GCP’s and how many GCP’s is needed to achieve the best possible accuracy in a neighbouring area where there is no way to place GCP’s? How far from the area with GCP’s can we achieve good results using a consumer grade drone? To solve the problem, we used a drone of the type DJI Phantom 4 Pro V2 as our tool to photograph an area of 260 x 200 meters. In this area we placed 100 GCP’s which was measured using a total station, and by using different combinations of these points as GCP and Check Points (CP) we have studied how we can place these in a limited area and still achieve high accuracy in a neighbouring area (from now on called unknown area). Throughout this thesis there has been a trial-based approach where the problem is split up in four parts. These parts are defined as direction, size, shape, and number of GCP’s, and establish the basis for 4 different trials. By only changing a few parameters in each trial and by using multiple levels of elimination we achieve a good basis for comparison which can be used in a selection of the best datasets based on trends and error levels in the control points. The trials reveal that when dealing with a rectangular Area Of Interest (AOI) it will be advantageous to be able to place GCP’s along one of the longest sides. If it is possible to place the GCP’s in an angular or “L” shape, where the GCP’s are placed in one long side and one short side of the AOI this is even more advantageous. By placing GCP’s along the longest side of AOI in an area that cover of 25% of the total AOI, we achieve results in the unknown area where the horizontal error is less than 1,5 x GSD at a distance of around 120 meters from the known area where the GCP’s are placed and the vertical error is less than 1,5 GSD at a distance of 60 meters from the known area. When the GCP’s are placed in an angular or “L” shape occupying a total of 25% of the total area of the AOI we observe that the horizontal errors in the unknown area is less than 2 x GSD at a distance of about 180 meters from the known area where the GCP’s are placed .We also observe that the vertical error is less than 1,5 x GSD to a distance of around 80 meters from the from the known area. The methods of data acquisition used in this thesis shows that it is possible to create a model of the terrain of an unknown area 100-200 meters outside the known area where the GCP’s are placed with an accuracy of the same level or better than described in many papers where GCP’s have been evenly spread in the AOI. The prerequisite for small errors on the long distances is that the GCP’s are placed in an angular shape in the AOI. One of the most important findings in this thesis is the importance and impact of the number of images used to mark the GCP’s. We make an observation towards the end of the paper where we discover the importance of this and therefore, we would advise everyone doing similar research or who are working with UAV based photogrammetry to mark GCP’s in as many images as possible to achieve the best results possible.