ASSESSING THE MEASUREMENT QUALITY OF UAV-BORNE LASER SCANNING IN STEEP AND SNOW-COVERED AREAS
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3098779Utgivelsesdato
2023Metadata
Vis full innførselSamlinger
Sammendrag
Overvåkning av snøskred i de norske fjellene har stort potensial for å forebygge katastrofer, som for eksempel snøskred over offentlige veier, og for å informere skiløpere om farlige løyper. Bruk av en ubemannet flyvende enhet (UAV) med en laserskanner kan samle inn punkter i sanntid. Disse kan brukes for å oppdage endringer i snødybde som potensielt kan brukes til å overvåke snøskredrisiko. Et gjenværende problem er å bestemme kvaliteten til punktskydataene i bratte og snødekte områder. Denne oppgaven foreslår en metode for å vurdere kvaliteten på punktskydataene og undersøker påvirkningen av flyparametere, hastighet og høyde over bakkenivå, på målenøyaktigheten.
Takmodeller brukes som kontrollplan for å etterligne bratte områder og for å enkelt kunne finne ønskede punkter for ytterligere feilanalyse. Sanntidsposisjonene til kontrollplanene er målt og to plan er konstruert for å sammenligne punktene over og under takmodellene. Avstandene fra punktene til kontrollplanene brukes til å undersøke medianen og absolutt avvik i forhold til medianen. Videre brukes den absolutte avstanden til å finne det aritmetiske gjennomsnittet, standardavviket og kvadratisk gjennomsnittlig feil. Til slutt konstrueres planlikninger fra UAV-samlede punkter, som ligger i nærheten av dette planet. Dette gjøres ved hjelp av segmentering med \textit{random sample consensus} (RANSAC) og de konstruerte planene sammenlignes med takmodellene. Vinkelen, volumet og midtpunktforskjellen beregnes mellom de to planlikningene fra grenseverdiene til avgrensningsboksene. Disse parameterne gir nøkkelinnsikt i påliteligheten til punktskydataene.
Sammenligningen avslører håndgripelige posisjonsdata og de påvirkningene varierende flyhastighet og høyde har på nøyaktigheten. Selv om varierende flyhastighet ikke viser noen signifikant endring mellom nøyaktighetsmålingene, påvirkes antall samlede punkter betydelig av både hastighet og høyde. Det er observert at målte punkter er konsentrert nær toppen av takmodellene. Som et resultat av dette er volumet beregnet fra de RANSAC-konstruerte planene, betydelig lavere enn takmodellvolumet. Den konstruerte takmodellen fra RANSAC som samsvarer mest med volumet under takmodellen er bare 50% av forventningen: 0,030 m i stedet for 0,060 m. Undersøkelsene av inneliggende punkter viser at flere punkter samles over takmodellplanene enn under. Standardavviket til inneliggende punkter ligger mellom 0,011 m og 0,023 m, og den kvadratisk gjennomsnittlige feilen mellom 0,060 m og 0,019 m. Undersøkelsene avslører klare indikasjoner på pålitelighet ved bruk av UAV for overvåking av bratte og snødekte områder, uten støtte fra referansepunkter for å korrigere posisjonene. Avalanche monitoring in the Norwegian mountains has great potential for preventing catastrophes, such as avalanches affecting public roads, and for informing hikers about dangerous paths. Using an unmanned aerial vehicle (UAV) borne laser scanner to collect point clouds in real-time for snow depth change detection can potentially be used to monitor avalanche risks. The remaining issue is to determine the quality of the point cloud data in steep and snow-covered areas. This thesis suggests a protocol for assessing the quality of the point cloud data and investigates the impact of key flight parameters, speed and altitude above ground level, on measurement accuracy.
Roof models are utilised as control planes to emulate steep areas and for easy extraction of collected point for further error analysis. The real-time positions of the control planes are derived and a plane is constructed to be compared with the collection of points above and below the roof models. The distances of the points to the control planes are used to investigate the median and median absolute deviation. Further, the absolute distance is used to find the arithmetic mean, standard deviation and root mean square error of the distances. Lastly, inliers and plane equations are constructed from the UAV-collected point clouds using random sample consensus (RANSAC) segmentation for comparison with the dimensions of the roof model. The angle, volume and mid-point difference is calculated between the two plane equations from the boundaries of the bounding boxes. These parameters provide key insight into reliability of the point cloud data.
The comparison reveals tangible position data and the impacts of flight speed and altitude on accuracy. Although varied flight speed shows no notable change in the error measures, the amount of points collected is significantly effected by both speed and altitude. Notably, point coverage is concentrated near the top of the roof models. As a result, the model volume calculated from the RANSAC-constructed plane that most closely matches the volume under the roof model is only 50% of the expectation: 0.030 m instead of 0.060 m. The RANSAC-derived plane equations are compared with the roof model planes. The investigations of the inliers shows more points are collected above the roof model planes than under. The standard deviations of the inliers are between 0.011 m and 0.023 m, and the root mean square error is between 0.060 m and 0.019 m. The investigations reveal clear indications of UAVs reliability for monitoring steep and snow-covered areas, without support from reference points to correct the positions.