Flybåren laserskanning: påvirkning av vegetasjon i ulike årstider på bakkepunkttetthet og resulterende terrengform

Abstract

NORSK: Målet med oppgaven er å finne ut hvor mange bakkepunkter man får i forskjellige typer vegetasjon ved ulike årstider og hvordan dette påvirker terrengformen man genererer ved bruk av TIN og/eller raster. Dette vil bli undersøkt med forskjellige skanneparametere og varierende terrengform i ulike vegetasjonstyper. Vi vil også finne nøyaktigheten på disse punktene og terrengformen ved å sammenligne data vi får med GNSS/totalstasjon i felt. Det vil utarbeides analyser og statistikk av utvalgte interesseområder slik at vi kan finne frem til hvordan data endres mellom disse i ulike årstider. Nøyaktigheten vil vurderes opp mot spesifikasjon fra oppdragsgiver og FKB-laser spesifikasjon. Det vil også gjøres vurderinger på hvilke avvik som er mest aktuelle i forhold til vår problemstilling underveis. Disse vurderingene gjøres på grunnlag av beregninger av snitt og standardavvik i de ulike datasettene og interesseområdene.

ENGELSK: The goal of the bachelor project is to see how many laser ground point returns we get in varying types of the vegetation, from two particular seasons, and how this will affect the height model generated by TIN or raster. This effect will be analyzed in different types of vegetation, with changing terrain shape and with several scanning parameters. We are going to find the accuracy for those points and the height model, by comparing the data we get from field measurements done with GNSS and total station. We will develop analysis and statistics from specific interest areas so we can find how the data change and are affected in different seasons. The accuracy will be compared to specifications from the contracting company and from FKB-laser specifications determined by the Norwegian Mapping Authority. During the project we will consider what deviations are most relevant to our research question. These assessments will be done on a basis of calculations of median and standard deviations in the different datasets and interest areas.