Suite

Comment convertir différents formats de données lidar en DTM raster et mesurer la précision de sa position géographique ?

Comment convertir différents formats de données lidar en DTM raster et mesurer la précision de sa position géographique ?


J'essaie de générer un DTM à partir de données lidar et je suis nouveau dans ce domaine.

J'ai différents types de fichiers qui décrivent la même zone (différentes versions) :

  • *.dtm
  • *.xyz
  • *.xyz avec largeur de grille variable (1 à 4 mètres), selon la fiche d'information dont je dispose.

Comment géreriez-vous chaque format de fichier pour obtenir un DTM ? Surtout dans le cas des données XYZ avec une largeur de grille variable, je n'ai aucune idée de ce qu'il faut faire.

Une fois que vous avez le DTM, comment puis-je être sûr de la bonne position géographique du DTM ?

Je veux utiliser le DTM pour analyser le terrain. Quel type de format (du DTM) recommanderiez-vous ?

J'utilise ArcGIS (avec extensions) et préférerais un processus de solution sur cette plate-forme. Cependant, s'il existe une solution open source, c'est bien aussi.


Solutions ArcGIS :

Convertissez les données x,y,z en classe d'entités, puis :

  1. Créez un TIN à l'aide de données x,y,z, puis convertissez-le en raster.

  2. Interpolez les x,y,z au raster.

  3. Utilisez Anudem (topo2raster) pour créer un DEM.

  4. Convertissez le point en raster et définissez simplement une taille de cellule adaptée à vos données x,y,z (généralement uniquement pour les données denses).

Je sortirais un GeoTiff.

x,y,z peuvent être quadrillés, vous pouvez donc utiliser gdal et simplement convertir en un autre format tel que GTIff.
x,y,z peuvent simplement être des données ponctuelles, puis utilisez 1,2,3 ou 4 ci-dessus ou la grille GDAL.

La position devrait être bonne car vous avez x et y. Vous avez juste besoin de connaître le système de coordonnées. Vous pouvez généralement le savoir en regardant les chiffres dans la colonne x,y et en connaissant votre région.

Je m'en voudrais de ne pas vous signaler cette question également.


Comment convertir différents formats de données lidar en DTM raster et mesurer la précision de sa position géographique ? - Systèmes d'information géographique

Ajouter des champs de géoréférencement

Certains jeux de données scientifiques contiennent des champs de latitude et de longitude que vous pouvez ajouter au raster que vous créez. Lorsque vous affichez le raster, ENVI géoréférence le raster à la volée dans la fenêtre Image, en utilisant les informations de latitude et de longitude. Il ne géocorrige pas réellement l'ensemble de données.

Pour ajouter des champs de latitude et de longitude au nouveau raster, cliquez et faites glisser les champs vers le Informations géographiques dossier dans le Raster Builder. Ou, sélectionnez les champs et cliquez sur le bouton. Par exemple:

Noter: Les rasters de latitude et de longitude doivent se trouver dans le même fichier que les données. Vous ne pouvez pas créer un jeu de données raster à l'aide de rasters de latitude et de longitude provenant d'un fichier différent.

Les tableaux unidimensionnels peuvent être utilisés comme ensembles de données de latitude et de longitude. ENVI les étendra automatiquement en grilles de géoréférencement complètes.

Plus d'outils pour créer des rasters

Une fois que vous avez ajouté des champs de données, des métadonnées et des champs de géoréférencement au nouveau raster, vous pouvez organiser et compléter le raster à l'aide des conseils et outils suivants :

  • Pour supprimer des éléments du nouveau raster, sélectionnez les éléments et cliquez sur le bouton Enlever la sélection ou alors Enlever tout bouton.
  • Pour créer un raster composé de jeux de données de différents fichiers du même format, sélectionnez Fichier > Ajouter format Fichierformat est HDF4, HDF5, NetCDF-3, ou alors NetCDF-4. Vous ne pouvez pas créer un ensemble de données composé de champs de données de différents types de fichiers (par exemple, HDF4 et HDF5).
  • Pour renommer un raster, faites un clic droit sur le nom du raster dans Raster Builder et sélectionnez Renommer le raster.

Vous pouvez également utiliser le navigateur de jeu de données pour créer davantage de rasters. Clique le Nouveau raster et suivez les étapes ci-dessus pour ajouter des champs de données, des métadonnées et des champs de géoréférencement au nouveau raster. Pour réorganiser les rasters dans Raster Builder, sélectionnez un raster et cliquez sur le bouton Déplacer vers le haut ou alors Descendre bouton.

Si vous cliquez sur le Rasters ouverts bouton, tous les rasters sous le Raster Builder seront ajoutés au gestionnaire de calques et affichés dans la fenêtre Image. Ce ne sont que des rasters temporaires. Pour enregistrer les rasters sur le disque, ne cliquez pas sur Rasters ouverts encore. Voir Créer des métafichiers ENVI dans la section suivante pour plus d'instructions.


1. Introduction

[2] Nous présentons ici le premier modèle numérique de terrain lunaire (MNT) quasi mondial avec à la fois une résolution latérale généralement 1 km et une précision verticale 10 m. Le modèle a été dérivé via une analyse stéréo-photogrammétrique du chevauchement stéréo croisé des images de la caméra grand angle (WAC) de la caméra orbiteur de reconnaissance lunaire (LROC) [ Robinson et al., 2010 ].

[3] Les modèles topographiques existants des surfaces des planètes et des satellites ont été dérivés de mesures altimétriques laser ainsi que du traitement photogrammétrique de données d'images stéréo. En 1994, des caméras embarquées sur la sonde Clementine [ Nozette et al., 1994 ] ont collecté un ensemble de données d'images numériques mondiales qui ont permis des mesures topographiques à des échelles de 200 à 1 000 m [ Cook et al.[ Zuber et al., 1994 ]. Par la suite, un modèle global représentant le Unified Lunar Control Network 2005 (ULCN 2005) a été produit à partir des données Clementine et des anciens réseaux de points de contrôle [ Archinal et al., 2006 ], qui, cependant, ne représente pas un MNT raster global dense. L'altimètre laser (LALT) à bord de la mission japonaise Selene (2007-2009, [ Araki et al., 2009 ]) a fourni le premier modèle global de topographie lunaire pour toutes les latitudes avec des écarts longitudinaux allant jusqu'à 10 km aux basses latitudes. La communauté scientifique lunaire attend également avec impatience les résultats DTM plus ou moins globaux du Selene LISM TC (Lunar Imager/Spectrometer Terrain Camera) et la littérature respective à ce sujet. Au moment de notre analyse et de notre rédaction, ces données n'étaient pas disponibles. Les premières évaluations stéréo-photogrammétriques de l'imagerie de la mission chinoise Chang'E-1 (2007-2009) indiquent le potentiel de dérivation de MNT avec une résolution horizontale 500 m et une précision verticale de 100-400 m [ Wu et al., 2011 ], mais des publications détaillées sur ces ensembles de données sont actuellement en attente. L'altimétrie laser Chang'E-1 a donné une précision verticale de ∼30 m, mais avec un espacement latéral de >7 km [ Ping et al., 2009 ]. Les produits les plus récents de Lunar Reconnaissance Orbiter (LRO) Données altimétriques LOLA [ Smith et al., 2010 ], comprenant des mesures altimétriques laser tous les 10 à 20 m le long de la trajectoire, sont considérées comme la référence topographique actuelle de la Lune. Il se compose de plus de trois milliards de prises de vue uniques (état de la version de mars 2011 du système de données planétaires (PDS), http://pds-geosciences.wustl.edu/missions/lola.htm, le dernier ensemble de données LOLA disponible au moment de écriture) et un ensemble de données maillées supplémentaires, avec une précision absolue élevée (∼1 m vertical et ∼30 m latéral [ Smith et al., 2011 ]). Néanmoins, des écarts longitudinaux de basse latitude de plus de 4 km existent.

[4] Chaque mois de la mission LRO, la caméra grand angle Lunar Reconnaissance Orbiter Camera (LROC) (WAC) [ Robinson et al., 2010 ] fournit des données d'image se chevauchant avec une résolution au sol moyenne de 75 m/pixel au nadir et une couverture stéréo transversale substantielle (> 50% des orbites suivantes) de presque toute la surface lunaire. Les variations de l'éclairement entre deux ensembles de données d'orbites ultérieures (∼2 h/orbite) sont aussi faibles que 1°. En ce qui concerne la couverture, l'acquisition d'images presque globale sous différentes conditions d'éclairage au cours de chaque mois promet un degré élevé d'exhaustivité et de redondance. Dans l'ensemble, les données stéréo WAC constituent une source de données idéale pour la dérivation d'informations topographiques à haute résolution grâce à un traitement d'image stéréo systématique. En complément des ensembles de données d'altimétrie laser qui fournissent des élévations précises le long de tracés de type profil, un ensemble de données topographiques plus contigu peut être attendu du traitement stéréo-photogrammétrique des données d'image LROC WAC.


Abstrait

Le balayage laser aéroporté (ALS) est une technologie de télédétection connue pour son applicabilité à la gestion des ressources naturelles. En quantifiant la structure tridimensionnelle de la végétation et du terrain sous-jacent à l'aide de la technologie laser, l'ALS a été largement utilisée pour améliorer les connaissances géospatiales dans les domaines de la foresterie et de l'écologie. Les descriptions structurelles de la végétation fournissent un moyen d'estimer une gamme d'attributs écologiquement pertinents, tels que la hauteur, le volume et la biomasse aérienne. Le traitement efficace d'ensembles de données volumineux, souvent techniquement complexes, nécessite des algorithmes et des logiciels dédiés. La promesse continue de l'ALS en tant qu'outil pour améliorer la compréhension écologique dépend souvent d'outils, de méthodes et d'approches créés par les utilisateurs. En raison de la prolifération de l'ALS parmi les communautés universitaires, gouvernementales et du secteur privé, associée aux exigences pour répondre à une demande croissante de données ouvertes et accessibles, la communauté ALS reconnaît l'importance des logiciels libres et open source (FOSS) et le l'importance des workflows définis par l'utilisateur. Nous décrivons ici la philosophie derrière le développement du package lidR. Mis en œuvre dans l'environnement R avec un backend C/C++, lidR est un logiciel gratuit, open source et multiplateforme créé pour permettre des flux de travail de traitement simples et créatifs pour les communautés forestières et écologiques à l'aide des données ALS. Nous passons en revue les algorithmes actuels utilisés par la communauté des chercheurs et, ce faisant, sensibilisons aux succès et aux défis actuels associés à la paramétrisation et aux approches de mise en œuvre communes. Grâce à une description détaillée du package, nous abordons les considérations clés et la philosophie de conception qui permet aux utilisateurs de mettre en œuvre des outils définis par l'utilisateur. Nous discutons également des choix d'algorithmes qui rendent le package représentatif de «l'état de l'art» et nous mettons en évidence certaines limitations internes à travers des exemples d'écarts de temps de traitement. Nous concluons que le développement d'applications comme lidR est d'une importance fondamentale pour développer des outils ALS transparents, flexibles et ouverts pour assurer non seulement des flux de travail reproductibles, mais aussi pour offrir aux chercheurs l'espace créatif nécessaire au progrès et au développement de la discipline.


Enregistrements de données

Dépôt de données

Le jeu de données Geomorpho90m est un ensemble de couches quadrillées stockées sous forme de fichiers GeoTIFF. Il est dérivé du MERIT-DEM de 90 m et a une étendue mondiale (60°–85° de latitude N), incluant tous les continents à l'exception de l'Antarctique. Des sous-ensembles des 26 variables géomorphométriques peuvent être visualisés sur OpenLandMap WebGIS 61 sous les couches thématiques « Relief/Géologie ». Ces couches peuvent également être téléchargées sous forme de trois produits différents :

à 100 m de résolution, sous Equi7, téléchargeable sur le référentiel Spatial-Ecology 14 .

90 m), sous WGS84, téléchargeable sur le référentiel OpenTopography 15 .

250 m), sous WGS84, téléchargeable sur le référentiel PANGEA 16 .

Nomenclature des fichiers

Le nom du fichier identifie : l'abréviation de la variable géomorphométrique (voir Tableau 1), la résolution spatiale, la source DEM (MERIT) et le système de tuilage, au sein de la structure suivante :

variable abreviation_resolution_DEM source layer_tiling system.format

Les couches sous la projection Equi7 sont considérées comme contenant les valeurs les plus fiables en raison d'une distorsion géographique minimale. Pour notre jeu de données Geomorpho90m, nous utilisons le système de tuilage T6 et la nomenclature des tuiles (plus d'informations sur le github 38 Equi7) ​​proposé par Bauer-Marschallinger et al. 36 . Nous encourageons les utilisateurs à utiliser la projection Equi7 en particulier pour les études à l'échelle continentale ou mondiale.

Vous trouverez ci-dessous deux exemples de noms de couches sous Equi7 :

tri_100M_MERIT_AF_006_066.tif: couche montrant l'indice de rugosité du terrain à une résolution spatiale de 100 m en Equi7 issu du MERIT-DEM en Afrique avec la position de tuile 006_066.

rugueux-magnitude_100M_MERIT_AF_006_066.tif: couche montrant la rugosité multi-échelle maximale au même endroit (position de tuile 006_066).

La majorité des utilisateurs utilisent le système de référence géodésique WGS84, et nous avons donc reprojeté les couches d'Equi7 à WGS84 à 3 secondes d'arc (

90 m) grain spatial. Ici, nous avons utilisé le système de tuilage implémenté dans l'ensemble de données MERIT-DEM (plus d'informations sur le site Web de MERIT 18 ). Chaque tuile couvre une étendue de 5 × 5 degrés (6000 × 6000 cellules), tandis que le nom de la tuile décrit la position du pixel inférieur gauche de la couche.

Voici deux exemples de noms de couches sous WGS84 :

pente_90M_MERIT_s30e125.tif: couche montrant la pente à une résolution spatiale de 3 secondes d'arc dans le WGS84 provenant du MERIT-DEM en Australie avec la position de tuile s30e125.

aspect_90M_MERIT_s30e125.tif: couche montrant l'aspect à l'emplacement identique de la pente_90M_MERIT_s30e125.tif.

De plus, chaque couche géomorphométrique à une résolution spatiale de 3 secondes d'arc et 100 m a été stockée sous forme de virgule flottante 32 bits (type de données Float32) pour une précision maximale, permettant le calcul d'autres variables personnalisées (par exemple, coefficient de variation) ou pour agréger les couches à des résolutions spatiales plus grossières pour les modèles environnementaux à grande échelle.

Pour la visualisation OpenLandMap WebGIS 61, nous avons reprojeté les couches d'Equi7 à WGS84 (EPSG:4326 code 35 ) avec une résolution spatiale de 7,5 secondes d'arc (

250 m), stocké sous forme d'entier 16 bits (le facteur d'échelle de type de données Int16 ou UInt16 est signalé dans les métadonnées GeoTIFF) pour permettre un rendu de visualisation rapide.


Source d'information

Voici une liste des exemples de données qui seront utilisés dans ce workflow. Ces données peuvent varier en profondeurs de bits, généralement 16 bits ou flottantes, signées ou non signées.

Ce flux de travail suppose que le gestionnaire de données utilise des données internes stockées localement.

GTOPO est un jeu de données d'altitude global avec une résolution de 30 secondes d'arc (environ 1 km), disponible en téléchargement sur http://www1.gsi.go.jp/geowww/globalmap-gsi/gtopo30/gtopo30.html.

La mission de topographie radar de la navette (SRTM) consiste en des données d'élévation à une échelle quasi mondiale, acquises à partir de la navette spatiale, pour générer la base de données topographique numérique haute résolution la plus complète de la Terre.

Le National Elevation Dataset (NED) a été créé par l'USGS pour les États-Unis. Les données NED sont disponibles à l'échelle nationale à des résolutions de 1 seconde d'arc (environ 30 mètres, NED 30) et 1/3 seconde d'arc (environ 10 mètres, NED 10).

Les données Lidar peuvent provenir de diverses sources. Dans ce cas particulier, les données sont fournies par l'Oregon Metro Regional Land Information System (RLIS) et peut être utilisé pour fournir à la fois un DTM et un DSM.


Créer un DEM

La création d'un DEM comporte trois étapes cruciales pour générer des résultats acceptables : la création d'images épipolaires, la correspondance d'images et le géocodage DEM.

  • Création d'images épipolaires : La création d'images épipolaires est une étape de traitement essentielle dans l'extraction DEM. La géométrie épipolaire décrit la contrainte géométrique entre deux images de trame d'une paire stéréo. Il représente le fait qu'un point de masse et les deux centres optiques se trouvent sur le même plan. Cela signifie que pour un point donné dans une image, son point conjugué dans l'autre image doit se trouver sur une ligne connue dans la deuxième image. En créant des images épipolaires, l'espace de recherche pour trouver des points d'image correspondants dans la correspondance automatique d'images est réduit. Pour plus d'informations sur la création d'images épipolaires à utiliser avec l'assistant d'extraction DEM, consultez Générer des images épipolaires.
  • Correspondance d'images : La correspondance d'images trouve les points conjugués sur les images gauche et droite qui correspondent à la même caractéristique au sol. La sortie de la procédure d'appariement d'images est appelée une image de parallaxe, dans laquelle la différence de coordonnées x (le long des lignes épipolaires) entre l'image gauche et droite est stockée et est utilisée pour construire le DEM. Ainsi, la qualité de la correspondance d'image détermine en grande partie la qualité du DEM de sortie.
  • Géocodage DEM : Le géocodage DEM reprojette le DEM de la projection épipolaire vers une projection cartographique en sortie et les unités que vous spécifiez. Cette étape implique le remplissage des pixels défaillants et le rééchantillonnage à un espacement de pixels que vous spécifiez. Lorsque vous fournissez des points de contrôle au sol (GCP), vous pouvez calculer l'orientation absolue du modèle de terrain calculé à cette étape.

GéoTIFF

Norme OGC GeoTIFF est une norme de mise en œuvre de l'OGC ® . GeoTIFF est basé sur le format TIFF et est utilisé comme format d'échange pour les images raster géoréférencées. GeoTIFF est largement utilisé dans les systèmes de données des sciences de la Terre de la NASA.

Jusqu'à récemment, il n'y avait aucune spécification à jour pour le format de fichier GeoTIFF. L'Open Geospatial Consortium (OGC) a publié la version 1.1 de la norme OGC GeoTIFF en septembre 2019. La version 1.1 est rétrocompatible avec la spécification GeoTIFF 1.0 originale de 1995.

Il existe d'autres formats de fichiers scientifiques bien établis au sein de la communauté de la NASA, par exemple HDF5 et netCDF. Cependant, il existe un intérêt et une demande continus pour le format de fichier GeoTIFF, principalement en tant que format de distribution d'images de photographies satellitaires ou aériennes, mais également pour d'autres types de données telles que les données Digital Elevation Model (DEM) et les données Digital Ortho Quadrangle.

Statut

GeoTIFF 1.1 est une norme approuvée par la NASA pour les systèmes de données des sciences de la Terre.

Dépôt Open Geospatial Consortium GeoTIFF
Contient le texte de spécification et les problèmes signalés et/ou à l'étude pour la prochaine version.

  • libgeotiff - Cette bibliothèque est conçue pour permettre l'extraction et l'analyse des répertoires de clés GeoTIFF, ainsi que la définition et l'installation de clés GeoTIFF dans de nouveaux fichiers. libgeotiff sert de base à de nombreux autres logiciels capables de lire ou d'écrire des fichiers GeoTIFF.
  • geotiff.js - Lisez les métadonnées (géospatiales) et les données brutes des tableaux à partir d'une grande variété de types de fichiers TIFF (géo) différents.
  • rasterio - Rasterio lit et écrit GeoTIFF et d'autres formats et fournit une API Python basée sur des tableaux N-D.

Recommandations d'utilisation de la communauté des sciences de la Terre de la NASA

Forces

Le format de fichier GeoTIFF est largement utilisé dans le monde entier. Les DAAC de la NASA fournissent des données au format GeoTIFF comme le font d'autres fournisseurs de données de sciences de la Terre de la NASA. Il existe un support logiciel solide sous la forme de la bibliothèque open source libgeotiff et du package Geospatial Data Abstraction Library (GDAL). De nombreux produits commerciaux SIG et logiciels d'analyse de données spatiales prennent en charge la lecture et l'écriture de données GeoTIFF.

La communauté du cloud computing des sciences de la Terre développe un moyen d'optimiser les fichiers GeoTIFF à utiliser dans les flux de travail du cloud computing. Les fichiers GeoTIFF optimisés pour le cloud (COG) adhèrent à la spécification GeoTIFF afin que tous les logiciels et flux de travail antérieurs puissent utiliser des fichiers COG.

Faiblesses

Alors que le format GeoTIFF offre une énorme quantité d'interopérabilité, comme en témoigne son utilisation généralisée au sein de la NASA et ailleurs, il y a place pour une discussion plus approfondie sur la façon d'augmenter l'interopérabilité. Les travaux sur ce sujet se poursuivent au sein du groupe de travail sur l'interopérabilité des ensembles de données (DIWG) de la NASA dans le cadre de l'effort plus large du groupe de travail sur le système de données des sciences de la Terre au sein de la NASA ESDIS.

Applicabilité

Le format de fichier GeoTIFF a été développé principalement comme format de distribution pour les images satellites ou aériennes ainsi que pour d'autres types de données telles que les données du modèle numérique d'élévation (DEM) et les données numériques ortho quadrangle.

Limites

GeoTIFF n'est pas nécessairement adapté à tous les types de données. Il existe d'autres formats de fichiers scientifiques bien établis au sein de la communauté de la NASA, par exemple HDF5 et netCDF, qui sont approuvés pour une utilisation dans les systèmes de données des sciences de la Terre de la NASA.

GeoTIFF n'est pas adapté pour stocker des structures de données multidimensionnelles complexes ni pour stocker des données vectorielles avec de nombreux attributs ou informations topologiques.


L'effet des paramètres définis par l'utilisateur sur la précision du DTM—développement d'un modèle hybride

Les paramètres définis par l'utilisateur (densité de points, interpolation et taille de pixel) ont une grande influence sur la précision du modèle numérique de terrain (MNT). Par conséquent, la méthode d'interpolation optimale (IM) et la taille de pixel appropriée doivent être utilisées pour créer une surface continue. La taille des pixels ou la résolution spatiale ont tendance à être un compromis entre le nombre d'échantillons et la taille de la zone d'étude, de sorte que l'ensemble de données d'entrée est souvent dévalué. Dans cet article, les auteurs proposent une nouvelle approche méthodologique de production de MNT (hybride DTM—HDTM) à partir d'un jeu de données d'aéro-photogrammétrie. Deux approches différentes de la production de DTM sont présentées : l'habituelle (UDTM) et l'hybride (HDTM). HDTM est basé sur la restructuration et l'affinement de l'ensemble de données d'entrée en générant des courbes de niveau, en déterminant la méthode d'interpolation optimale et en sélectionnant la résolution spatiale appropriée. L'objectif est de développer un MNT qualitatif tout en minimisant la dévaluation des données d'entrée et la propagation des erreurs. La précision des différents MI pour UDTM a été examiné dans une analyse comparative de six paramètres statistiques en appliquant une validation croisée, en mettant l'accent sur le paramètre d'erreur quadratique moyenne (RMSE). Quatre méthodes différentes de sélection de la résolution spatiale optimale ont été testées pour le même modèle. Le UDTM et HDTM générés ont été comparés par l'évaluation de la précision intérieure, extérieure et visuelle et par le succès des performances de paramètres hydrologiques spécifiques : (1) accumulation de débit - en appliquant un concept d'ADN développé et (2) bassin versant - en calculant le volume et la surface 3D. La valeur de référence pour l'évaluation de la précision extérieure était le DTM LiDAR aéroporté à haute résolution (LDTM). Il a été constaté que le krigeage ordinaire (OK) était le meilleur IM (RMSE, 1,9893 m). La résolution spatiale de UDTM a été calculé en combinant deux variantes de la méthode d'analyse de la configuration des points et s'est avéré être de 19 m. D'autre part, la méthode de la complexité du terrain a été utilisée pour définir la résolution spatiale de HDTM (3 mètres). HDTM obtenu de meilleurs résultats que UDTM dans tous les aspects de l'évaluation de la précision. La précision extérieure de HDTM était meilleur de 1,483 m (RMSE). Enfin, les résultats du concept d'ADN appliqué ont montré qu'un flux généré à partir de HDTM avait une erreur quadratique moyenne horizontale (HRMSE) inférieure de 2,587 m à celle du cours d'eau généré à partir de UDTM.

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


Le panneau RPC Refinement signale diverses statistiques d'erreur pour les GCP individuels et l'ensemble du modèle RPC. Le tableau sous l'onglet GCP répertorie les coordonnées de la carte, la hauteur au-dessus de l'ellipsoïde WGS-84 et les coordonnées de l'image pour chaque GCP. Voici quelques champs avec des statistiques d'erreurs prévues pour chaque point :

  • Erreur X : La différence d'abscisse (en mètres) entre le GCP et l'emplacement de l'image. Les valeurs peuvent être positives ou négatives.
  • Erreur Y : La différence d'ordonnées (en mètres) entre le GCP et l'emplacement de l'image. Les valeurs peuvent être positives ou négatives.
  • Erreur Z : La différence en mètres entre le Hauteur valeur du GCP et de la hauteur DEM correspondante au-dessus de l'ellipsoïde WGS-84.
  • Ampleur de l'erreur : en mètres. Les valeurs sont toujours positives.

Ces statistiques d'erreur ne représentent pas une précision absolue, en référence aux emplacements au sol. Au lieu de cela, ils sont relatif à la précision des GCP utilisés pour l'estimation de la précision. Le Centre commun de recherche (2008) recommande que les GCP soient au moins trois fois (cinq fois est recommandé) plus précis que la spécification cible pour l'image orthorectifiée. Par exemple, si la spécification cible est de 2,5 mètres RMSE, les GCP doivent avoir une précision relative de 0,8 mètre RMSE ou mieux.

Précision horizontale

Le Précision horizontale La valeur sous l'onglet GCPs est l'erreur quadratique moyenne horizontale (RMSE), calculée comme suit :

Le Erreur X et Erreur O les valeurs de chaque GCP sont signalées dans le panneau RPC Refinement.

Le Précision horizontale La valeur changera selon que vous choisissez ou non de calculer tous les GCP sous l'onglet Statistiques.

Les options Statistiques GCP sous l'onglet Statistiques vous permettent de choisir comment le Précision horizontale prédit la précision de l'image orthorectifiée.

  • Tous: Précision estimée à l'aide des GCP d'ajustement et des GCP indépendants.
  • Ajustement des GCP : Précision estimée en utilisant uniquement les RPC d'ajustement.
  • GCP indépendants : La précision estimée en utilisant uniquement des GCP indépendants.

Avec un ou deux GCP d'ajustement, les RPC sont ajustés à l'aide d'une translation d'espace image. Avec trois GCP d'ajustement ou plus, les RPC sont ajustés à l'aide d'un RST d'espace d'image.

Les statistiques suivantes sont liées à la précision horizontale :

    CE95 : L'erreur type circulaire au niveau de confiance de 95 % :

Voir FGDC (1998) pour plus de détails. Pour obtenir la valeur CE95 la plus précise, vous devez disposer d'au moins 20 GCP.

Précision verticale

Le RMSE Z valeur est calculée comme suit. Le Erreur Z les valeurs de chaque GCP sont signalées dans le panneau RPC Refinement.

Le LE95 La valeur est la différence (en mètres) entre l'altitude mesurée par GCP et l'altitude DEM avec un décalage de géoïde facultatif. Elle est également connue sous le nom d'erreur linéaire au niveau de confiance de 95 % :

Seuils de valeurs aberrantes

Utilisez les options de la Superposition d'erreur liste déroulante pour définir le seuil auquel les GCP aberrants sont identifiés dans l'image de superposition d'erreur.

  • 3 x RMSE [X ou Y] : Par défaut, les zones blanches dans la superposition d'erreurs représentent les GCP avec trois fois la valeur RMSE X ou alors RMSE Y valeur. Ces GCP sont signalés par une icône ou . Les icônes vertes représentent les GCP qui seront utilisés pour ajuster le modèle RPC. Ces points sont appelés ajustement Les GCP et sont marqués d'un réticule vert dans l'affichage de l'image. Les icônes grises représentent les GCP qui ne seront pas utilisés pour ajuster le modèle RPC. Ces points sont appelés indépendant Les GCP et sont marqués de losanges gris dans l'affichage de l'image.
  • Défini par l'utilisateur: Vous pouvez définir votre propre seuil au lieu d'accepter la valeur par défaut (qui est trois fois la valeur RMSE X ou alors RMSE Y valeur). Entrez une valeur d'amplitude d'erreur, en mètres, dans le champ Au seuil domaine. Les GCP avec des valeurs d'amplitude d'erreur supérieures au seuil seront marqués comme des zones blanches brillantes.

Changer le GCP Statistiques les options changeront les résultats aberrants.

Les références

Comité fédéral des données géographiques, 1998 : Normes de précision de la position géospatiale Partie 3 : Norme nationale pour la précision des données spatiales, FGDC-STD-007.3-1998. Washington, D.C. : Comité fédéral des données géographiques. http://www.fgdc.gov/standards/projects/FGDC-standards-projects/accuracy/part3/chapter3. Consulté le 08 janvier 2011.

Centre commun de recherche, Institut pour la protection et la sécurité du citoyen. Lignes directrices pour les meilleures pratiques et le contrôle de la qualité de l'imagerie orthographique, numéro 3.0, v.20/10/2008.