Suite

LiDAR (.las) au DEM en terre nue : espacement moyen des points et taille des cellules ?

LiDAR (.las) au DEM en terre nue : espacement moyen des points et taille des cellules ?


J'utilise ArcGIS 10.1 pour générer un DEM (terre nue) à partir du jeu de données LAS. Pour ce faire, j'utiliseDernier jeu de données vers rastercomme décrit sur le site Web d'Esri.

J'ai lu ici et là sur le Web que la taille de cellule du raster en sortie doit être définie sur une valeur correspondant à l'espacement moyen des points LAS; ailleurs, ils suggèrent d'utiliser une valeur qui est trois fois l'espacement moyen des points.

Maintenant, puisque je souhaite produire un DEM de terre nue (c'est-à-dire avec uniquement des retours au sol), je me demande si la taille de la cellule doit être définie à l'espacement moyen des points de l'ensemble de données LAS , etc), ou exclusivement des points de masse ?

Sur la base de l'ArcGISinformations sur le fichier de pointsoutil (exemple), j'ai réussi à obtenir des statistiques pour chaque classe LiDAR. L'espacement moyen (ensemble de données complet) est de 1,5 m, tandis que pour les points au sol seulement est de 0,67.

Une idée du problème ?


Cela dépend vraiment de ce que vous allez faire ici. Si votre objectif est de faire des mesures précises, vous souhaiterez que l'espacement de la grille soit plus petit, autour de l'espacement moyen des points de l'ensemble de données. Si cela fait partie d'un processus de création d'orthophotos ou d'analyse de bassins versants, ou de toute autre tâche nécessitant un modèle de terrain plus généralisé, vous souhaiterez que l'espacement soit plus grand.

De plus, si vous avez filtré les données sur les points au sol, UTILISEZ-LES ! Vous pouvez ignorer les autres classifications.

Trois fois la taille de l'espacement des points est généralement considérée comme une bonne idée pour la généralisation car elle permet à la cellule de grille trois points de faire la moyenne à une valeur théoriquement cohérente. Dans ma profession, parfois, lorsque je produis des orthophotos, j'autorise une taille de grille énorme, souvent 8 à 12 fois la taille de l'espacement des points.

Mon point (heh) est: il n'y a pas de bonne ou de mauvaise façon de produire un modèle de terre nue. Bien sûr, il y a parfois des spécifications (et si c'est l'un de ces cas, je vous suggère de ne pas tenir compte de tout ce que je dis et de suivre les spécifications), mais produire ce dont vous avez besoin pour répondre à votre problème peut être totalement heuristique.

Voulez-vous un modèle plus rigide, probablement plus précis avec des bords plus durs sur lesquels vous pouvez modéliser le terrain avec plus de précision ? Utilisez un espacement plus petit. Voulez-vous un modèle de terrain plus général, plus lisse, moins précis, mais qui montre les caractéristiques globales du terrain d'une grande zone ? Utilisez un grand espacement.

Il s'agit en grande partie d'essais et d'erreurs. C'est la beauté de ce genre de choses : c'est à peu près 30 % de science et 70 % d'art.


Je travaille au sein d'une équipe de production qui acquiert le LiDAR et génère des DEM pour plusieurs agences gouvernementales, dont l'USGS. Il est courant de voir des spécifications qui limitent la taille des cellules à au moins l'espacement nominal des impulsions (NPS) de l'ensemble du projet (tous les points). Par exemple, si le NPS était de 2 m pour un ensemble de données, nos dérivés LiDAR ne devaient pas être inférieurs à 2 m. Le raisonnement derrière cela est que lorsque la taille de la cellule est inférieure au NPS, il y a une interpolation considérable des valeurs entre les points connus. Cela crée à son tour un ensemble de données moins que précis.

EDIT : NPS défini

Une bonne définition dans ce document :

L'espacement nominal des impulsions (NPS) fait référence à l'espacement moyen des points d'un ensemble de données LiDAR généralement acquis en zigzag avec un espacement variable des points le long de la trajectoire et de la trajectoire transversale. Le NPS est une estimation et non un calcul exact ; des procédures standard sont en cours de développement par ASPRS pour les calculs NPS


À des fins de comparaison, j'ai produit deux DEM de terre nue en utilisant comme valeur de taille de cellule dans un cas la valeur moyenne du point de l'ensemble de données LiDAR, dans l'autre cas l'espacement moyen des seuls points au sol (arrondi : c'était 0,668, j'ai entré le valeur 1, obtenant ainsi un DEM avec une résolution de 1 m).

La procédure a été réalisée via ArcGISDernier jeu de données vers Rasteroutil.

Je note une nette différence en faveur du deuxième DEM. En me concentrant sur la même portion du paysage, je constate une amélioration des détails et de la qualité de la représentation du terrain. Donc, je suis très content du deuxième DEM.


LASmoons : Olumese Efeovbokhan

Contexte:
Les modèles hydrologiques nécessitent diverses données d'entrée pour la cartographie de la vulnérabilité aux inondations. Une donnée d'entrée importante pour la cartographie de la vulnérabilité aux inondations est le DTM sur lequel le flux est acheminé. Les MNT sont générés à l'aide de la cartographie, de l'arpentage au sol, de la photogrammétrie aérienne numérique, du SAR interférométrique (InSAR), du LiDAR, entre autres moyens. La précision des MNT à haute résolution minimise les erreurs qui peuvent émaner des données d'entrée lors de la réalisation de la modélisation hydrologique, en particulier dans les petits bassins versants construits. Cette recherche implique l'application de la photogrammétrie aérienne numérique pour générer des nuages ​​de points qui peuvent ensuite être utilisés pour la cartographie de la vulnérabilité aux inondations.

But:
Consolider les gains antérieurs de l'utilisation de LAStools pour générer les DTM requis pour la cartographie de la vulnérabilité aux inondations. L'adéquation de ces MNT sera ensuite validée pour l'analyse de la vulnérabilité aux inondations. Ces résultats seront comparés à d'autres MNT afin de déterminer l'incertitude associée à l'utilisation de tels MNT pour la cartographie de la vulnérabilité aux inondations.

Données:
+
Nuage de points de photogrammétrie haute résolution et DSM pour l'île de Lagos, Ikorodu et Ajah Nigeria
– – – images obtenues avec un vol de drone Ebee Sensefly
– – – Nuage de points de photogrammétrie généré avec Photoscan par AgiSoft
+ données pluviométriques
+ nuage de points classé LiDAR avec une résolution de 1 impulsion par mètre carré obtenu pour la zone d'étude du gouvernement de l'État de Lagos

Traitement LAStools:
1) tuile grand nuage de points de photogrammétrie en tuiles avec tampon [lastile]
2) marque un ensemble de points dont la coordonnée z est un certain centile de celle de leurs voisins [lasthin]
3) supprimer les points bas isolés de l'ensemble des points marqués [lasnoise]
4) classer les points marqués en sol et non sol [lasground]
5) tirez les points au-dessus et au-dessous du sol [cils]
6) créer un modèle numérique de terrain (MNT) à partir de points au sol [las2dem]
7) fusionner et ombrager des DTM raster individuels [blast2dem]


1. INTRODUCTION

Des cartes précises des failles de surface de l'Holocène aident les développeurs à éviter de construire dans des zones de sol perturbé le long des failles et fournissent des informations sur la tectonique régionale. Ces failles ont des origines profondes dans la formation du golfe du Mexique (Sheets, 1971). Ils semblent également avoir été récemment réactivés en raison du prélèvement humain d'eaux souterraines et de pétrole (Holzer, 1984).

Les failles considérées dans cet article font partie d'une population de centaines de failles qui recoupent les sédiments du Pléistocène et de l'Holocène sur la plaine côtière entre Beaumont et Victoria (Verbeek, 1979). Verbeek a estimé que plus de 10 % de ces failles ont été actives au cours du XXe siècle. Ces failles appartiennent à un système régional de failles descendant jusqu'au bassin le long des côtes du Texas et de la Louisiane.

Houston, Texas, se trouve dans la large marge passive du bassin océanique du golfe du Mexique (Fig. 1). L'extension du golfe du Mexique a commencé avec le rifting du Trias (Salvador, 1991) suivi de l'expansion des fonds marins au cours du Jurassique moyen (Bird et al., 2005). Les dépôts dans la région nord-ouest de la côte du golfe ont entraîné la progradation de la marge du plateau continental dans le bassin du golfe du Mexique tout au long du Crétacé et du Cénozoïque (Winker, 1982). Les dépôts paléogènes étaient principalement dans la région du sud du Texas, mais les dépôts néogènes se sont concentrés sur l'est du Texas et le sud de la Louisiane (Williamson, 1959). La région des failles de croissance les plus actives se situe près de la marge progressive du plateau. La marge du plateau de progradation de l'Oligocène se trouvait dans la région de Houston. La faille se produit actuellement à Houston, mais à un rythme plus lent qu'à la marge du plateau.

1.1 Fautes de Houston

De nombreuses failles de surface actives dans la région de Houston ont été cartographiées avant notre étude (par exemple, Clanton et Amsbury, 1975 Heuer, 1979 Verbeek et al., 1979 O'Neill et Van Siclen, 1984 Shaw et Lanning-Rush, 2005). La figure 2 montre les failles de surface actives que nous avons étudiées à l'aide de données lidar. Les taux de déplacement local sur des failles individuelles peuvent atteindre jusqu'à trois centimètres par an (Norman, 2005). Parce qu'il n'y a pas d'épicentres de tremblements de terre enregistrés dans la région de Houston, le mouvement des failles par fluage sismique est inféré. Le mouvement des failles de Houston présente une variabilité spatiale et temporelle (Mastroianni, 1991). Les mouvements sur des failles actives ont causé des dommages aux bâtiments, aux pipelines, aux puits de pétrole et d'eau, aux conduites d'égout, aux lignes électriques et aux routes. Dans certains cas, les emplacements des défauts sont restés inconnus jusqu'à ce que le glissement accumulé entraîne des dommages importants. L'entretien continu des bâtiments a, dans certains cas, minimisé les dommages causés par des défauts actifs.

Les emplacements de nombreuses failles de surface actives dans la région de Houston ne sont pas publiés, principalement parce que certaines données sont exclusives (c. De plus, la menace de poursuites judiciaires limite la publication. La principale responsabilité légale est que l'absence d'un défaut sur une carte peut être interprétée à tort comme indiquant qu'un défaut n'est pas présent. Contrairement à la loi californienne Alquist-Priolo (Hart et Bryant, 1997), le Texas et Houston manquent de réglementation concernant la construction dans les zones de faille. Dans certaines zones où l'emplacement des failles a été reconnu, le terrain le long de la faille a été laissé ouvert, souvent comme parc ou comme bassin de rétention des eaux pluviales.

1.2 Tectonique régionale

De nombreuses failles de surface de Houston ont été corrélées avec des failles souterraines (Heuer, 1979 Sheets, 1979 Van Siclen, 1967). Verbeek et al. (1979) ont reconnu que ces défauts sont des défauts de croissance. Des failles descendant jusqu'à la côte, représentant une extension dans le bassin, dominent et définissent une tendance régionale du sud-ouest au nord-est (Sheets, 1971). Des failles de surface antithétiques à Houston se trouvent en face des sections les plus actives des failles le long de la côte (Norman, 2005). Beaucoup de ces failles antithétiques sont actuellement actives.

La plupart (80 %) des failles de la région de Houston se produisent sur des dômes de sel (Norman, 2005). Beaucoup sont des failles radiales (Verbeek et Clanton, 1978) et sont généralement courtes et forment couramment des grabens. Les dômes de sel et les failles directement associées prédominent dans la partie sud-est de la région. L'association des failles radiales et des dômes de sel est bien connue et facilement comprise (Schultz-Ela et al., 1994).

Les failles de la zone nord-ouest de Houston expriment la tendance régionale et font l'objet de notre étude. Il existe trois principaux systèmes de failles dans cette zone : le système de failles Hockley-Conroe, le système de failles Addicks et le système de failles Long Point-Eureka Heights (figures 2 et 3). Le système de failles Hockley-Conroe s'étend bien au-delà du comté de Harris, où nous disposons de données. L'interférence des modèles de drainage avec les escarpements de faille empêche l'identification claire d'une continuation nord-est de la faille dans le comté de Harris sur les images lidar. Le système de failles d'Addicks s'étend du réservoir Barker vers le nord-est en direction de l'aéroport intercontinental de Bush. La faille antithétique active de Lee se trouve au sud-est de l'aéroport, ce qui suggère qu'une continuation active du système de failles d'Addicks traverse le coin nord-ouest de l'aéroport. La faille de Long Point est l'une des failles les plus actives de la région de Houston et est probablement la faille la plus étudiée de la région.

La tectonique du sel pourrait également jouer un rôle important dans l'activité des failles dans la région nord-ouest de Houston. Dans ce modèle (Jackson et al., 2003), le retrait du sel crée un espace d'hébergement supplémentaire dans le mur suspendu, les soudures au sel permettant le glissement par gravité.

1.3 Affaissement

L'affaissement de surface à Houston peut être lié à plusieurs causes, notamment le retrait d'eau, le compactage des sédiments et les failles de surface. L'abandon du lotissement Brownwood illustre l'importance de l'affaissement dans la région de Houston (Coplin et Galloway, 1999). Le lotissement Brownwood a été construit à la fin des années 1930. Initialement, les altitudes étaient d'environ 3 m au-dessus du niveau de la mer, mais à la fin des années 1970, un affaissement de plus de 2,5 m s'était produit. Le lotissement était sujet à de fréquentes inondations. L'affaissement dans cette zone était lié au prélèvement d'eau souterraine pour les usines pétrochimiques le long du Houston Ship Channel et pour la ville de Baytown. De récentes mesures InSAR (radar interférométrique à synthèse d'ouverture) (Stork et Sneed, 2002) confirment la réduction de l'affaissement dans la zone du Houston Ship Channel et l'affaissement en cours dans la zone du réservoir Addicks à l'ouest de Houston.

L'interaction entre les failles de surface de Houston et la subsidence est complexe et mal comprise. Holzer et Gabyrsch (1987) trouvent une corrélation temporelle entre le prélèvement d'eau souterraine et la quantité de glissement de faille. Kreitler (1976) trouve que les failles compartimentent la subsidence. L'association des dépressions de subsidence à l'échelle kilométrique dans la région de Houston avec des failles actives n'a pas été bien établie (O'Neill et Van Siclen, 1984). Paine (1993) attribue un affaissement accru depuis le Pléistocène dans toute la région côtière du Texas au retrait de pétrole et de gaz puisque l'utilisation des eaux souterraines est absente dans de nombreuses régions. L'isostasie glaciaire joue également un rôle (Gonzalez et Tornqvist, 2006). Dokka (2006) attribue la subsidence à des facteurs tectoniques sur la côte de la Louisiane.


LiDAR (.las) au DEM en terre nue : espacement moyen des points et taille des cellules ? - Systèmes d'information géographique

2017 USACE FEMA Topobathy Lidar DEM : côte est de la Floride, Florida Keys et comté de Collier

Service océanique de la NOAA, Office for Coastal Management (OCM)

Ces données ont été collectées par l'USACE au nom de la FEMA dans le cadre des efforts d'intervention d'urgence post-ouragan Irma pour évaluer les altitudes au-dessus et au-dessous de l'eau le long de la côte de la Floride.

20170918 20170920 20170921 20170922 20170923 20170924 20170925 état du sol

Au besoin -82,175 -79,567 30,924 24,328 Catégorie de sujet ISO 19115 élévation Catégories de sujets ISO 19115 élévation imagesBaseCartesTerreCouverture lieu océans Mots-clés des sciences de la Terre du GCMD v7 OCÉANS > BATHYMETRIE/TOPOGRAPHIE DES FONDS MARINS > TOPOGRAPHIE DES FONDS MARINS OCÉANS > BATHYMETRIE/TOPOGRAPHIE DES FONDS > BATHYMETRIE SCIENCE DE LA TERRE > OCÉANS >PROCESSUS CTIER > ÉLÉVATION CTIÈRE TERRE SOLIDE > GÉOMORPHOLOGIE > FORMES/PROCESSUS CTIERS OCÉANS > PROCESSUS CTIER > ÉLÉVATION CTIÈRE SURFACE DU TERRAIN > TOPOGRAPHIE> ÉLÉVATION DU TERRAIN DIMENSIONS HUMAINES > UTILISATION DES TERRES/COUVERTURE DES TERRES > CLASSES D'UTILISATION DES TERRES Rien Bathymétrie/Topographie Bathymétrie Topographie Modèle numérique de terrain (MNT) Modèle numérique d'élévation (MNE) 1mRaster Terre Nue LAS classé Centre technique conjoint d'expertise en bathymétrie aéroportée par lidar (JALBTCX) Quartier Mobile IWG-OCM Programme national de cartographie côtière (NCMP) Corps des ingénieurs de l'armée américaine (USACE) Lidar d'imagerie cartographique des zones côtières (CZMIL) Après l'ouragan Irma Mots-clés du centre de données GCMD v7 DOD/USARMY/USACE/SAM/MOBILE/OPJ/JALBTCX > Département de la Défense Armée des États-Unis Corps des ingénieurs de l'armée des États-Unis Quartier Mobile Branche des données spatiales Centre d'expertise technique conjoint de bathymétrie aéroportée par lidar Mots-clés de l'instrument GCMD v7 LIDAR > DÉTECTION DE LA LUMIÈRE ET TÉLÉGLAGE Thésaurus de la découverte CoRIS Informations géographiques > Lidar Thésaurus du thème CoRIS SCIENCE DE LA TERRE > Océans > Bathymétrie/Topographie des fonds marins > Bathymétrie SCIENCE DE LA TERRE > Surface terrestre > Topographie> Altitude du terrain Catalogue de récolte NOAA NOS CoRIS

Mots-clés d'emplacement GCMD v7

EMPLACEMENT VERTICAL > SURFACE DU TERRAIN

EMPLACEMENT VERTICAL > PLANCHER DE MER

Système d'information sur les noms géographiques

BASSIN OCÉANIQUE > Océan Atlantique > Océan Atlantique Nord > Floride

PAYS/TERRITOIRE > États-Unis d'Amérique > Floride

BASSIN OCÉAN > Océan Atlantique > Golfe du Mexique > Floride

PAYS/TERRITOIRE > États-Unis d'Amérique > Floride

US 228-252-1131 228-252-1121 228-252-1133 [email protected] 8h00 - 17h00 du lundi au vendredi

https://coast.noaa.gov/htdata/lidar2_z/geoid12b/data/6330/supplemental/fl2017_usace_fema_irma_m6330.kmz
Ce graphique montre la couverture lidar pour l'acquisition lidar de Topobathy en 2017 le long de la côte est de la Floride, dans le comté de Keys et Collier après l'ouragan Irma.
kmz La reconnaissance du Joint Airborne Lidar Bathymetry Technical Center of eXpertise (JALBTCX) serait appréciée dans toute publication ou produit dérivé. Microsoft Windows 7 Version 6.1 (Build 7601) Service Pack 1 Esri ArcGIS 10.1.0.3035 Ces données ne sont pas attribuées. Aucun Ces données ne sont pas attribuées. Lors de l'inspection et du contrôle qualité du nuage de points lidar, les différences d'altitude entre les lignes de vol étaient conformes aux spécifications du capteur CZMIL. Cet ensemble de données couvre l'étendue spatiale des données topographiques lidar obtenues au cours de cette enquête.

Données topographiques CZMIL - Compilées pour répondre à une précision horizontale de 1 m à un niveau de confiance de 95 %. Données bathymétriques CZMIL - Compilées pour répondre à une précision horizontale de 3,5 + 0,05d m à un niveau de confiance de 95%, d est la profondeur. Données topographiques CZMIL - Compilées pour atteindre une précision verticale de 19,6 cm à un niveau de confiance de 95 %. Données bathymétriques du FOV peu profond CZMIL - Compilées pour répondre à la précision verticale SQRT((0,25^2) +((0,0075d)^2)) m à un niveau de confiance de 95%, d est la profondeur. Données bathymétriques FOV profondes CZMIL - Compilées pour répondre à la précision verticale SQRT((0,30^2) +((0,013d)^2)) m à un niveau de confiance de 95%, d est la profondeur.

Ces données ont été recueillies à l'aide du système CZMIL. Il est détenu et exploité par le U.S. Army Corps of Engineers (USACE). Le système collecte des données lidar topobathy à 10 kHz et des images RVB à 2 Hz. Un scanner de lignes hyperspectrales CASI-1500 est également intégré au système. Les informations sur la position, la vitesse et l'accélération de l'avion sont collectées grâce à une combinaison d'équipements Novatel et POS A/V 510. Tous les flux de données brutes sont transférés au bureau pour téléchargement et traitement dans le logiciel Hydro Fusion de CZMIL. Les données de position de l'avion sont traitées à l'aide du logiciel POSPac et les résultats sont combinés avec les données lidar pour produire des positions 3D pour chaque prise de vue lidar. Lors de l'inspection et de l'AQ/CQ dans les progiciels Fledermaus et PFM_ABE, les données anormales sont signalées comme non valides et le bit retenu est activé. Le logiciel PFM_ABE convertit ensuite toutes les données valides des hauteurs ellipsoïdales en hauteurs orthométriques sur la base du modèle GEOID12B de NGS et exporte les données lidar valides sous la forme d'une série de fichiers LAS non classés.

US 228-252-1121 228-252-1131 228-252-1133 [email protected] 8h00 - 17h00 du lundi au vendredi

Les fichiers LAS sont importés dans le module TerraScan V13 au sein de Microstation V8i, classent les données topobatiques valides en points au sol (2) et points non classés (1), et points bathymétriques valides (29). Une fois la macro terminée, les résultats de la classification sont soumis à un contrôle qualité et tous les points mal classés sont édités manuellement. Dans les zones de végétation dense, les points de terre nue peuvent être mal classés en raison de l'incapacité du laser à pénétrer la canopée et à atteindre la terre nue. Dans ces zones, JALBTCX utilise par défaut la surface "au sol" de l'algorithme au lieu de reclasser manuellement ces points. Ils sont répartis en une série de boîtes de livraison de 1 km, un fichier LAS classifié par boîte. Le format du fichier est LAS version 1.2. Les données sont classées en 1 (données topographiques non au sol valides), 2 (données topographiques au sol valides) et 29 (données bathymétriques valides).

US 228-252-1121 228-252-1131 228-252-1133 [email protected] 8h - 17h du lundi au vendredi

Les données classées en tant que points au sol (2) et points bathymétriques (29) dans les fichiers las sont converties en une grille en générant un réseau irrégulier triangulé (TIN), puis en extrayant les élévations des nœuds de la grille de la surface TIN. Le point d'origine de la grille est situé à une position horizontale dont la valeur est divisible de manière égale par la résolution de grille de 1 m de sorte que les rasters des levés ultérieurs aient des limites de cellules communes. JALBTCX utilise Quick Terrain Modeler V8 pour effectuer cette opération en utilisant les paramètres suivants "Triangulation adaptative, Max Z", "Max Sample Excursion - 30000", "Max Triangle Side - 30000", "Rayon - aucun", "Tolérance - 1", et "Paramètres de mosaïque Aligner sur la grille (développer)". La grille est exportée à partir de Quick Terrain Modeler en tant que fichier de grille ESRI ASCII Z. À l'aide d'un script python interne dans ESRI ArcMap V10.2, le fichier de grille ASCII Z est converti en un fichier raster au format tif dont la projection est définie comme "The North American Datum of 1983 (2011)". Le raster est ensuite multiplié par un raster de masque de 1 m correspondant, une image de masque produite à partir du produit 1mGrid de JALBTCX, pour supprimer les zones interpolées où la couverture de données n'existe pas.

US 228-252-1121 228-252-1131 228-252-1133 [email protected] 8h - 17h du lundi au vendredi

Le NOAA Office for Coastal Management (OCM) a reçu les données au format tif de JALBTCX. Les fichiers raster de terre nue étaient espacés de 1 m de grille. Les données étaient en coordonnées géographiques et les altitudes NAVD88 en mètres. OCM a copié les fichiers raster dans la base de données et https à des fins de stockage et d'approvisionnement de Digital Coast.


Northern Walker Lane, Californie Ensemble de données lidar aéroporté

Aperçu

L'U.S. Geological Survey (USGS) Geological Hazards Science Center (Golden, CO) a coordonné l'acquisition de

198 kilomètres carrés de données aéroportées Light Distance and Ranging (Lidar) et de modèles dérivés de la terre nue pour soutenir les études de failles actives dans la Northern Walker Lane (frontière Californie-Nevada). Les failles étudiées comprennent d'ouest en est les systèmes de failles de la vallée de la Mohawk, de la vallée de Grizzly, du lac Honey et de la vallée de Warm Springs. Les spécifications de l'acquisition ont suivi les recommandations de R. Haugerud et al. dans une spécification proposée pour les relevés lidar dans le nord-ouest du Pacifique (2008). Les données ont été acquises par Airborne Solutions Inc. Le fournisseur a signalé une densité de tir moyenne de 15 à 17 points/m 2 et le fournisseur a fourni des modèles d'élévation numériques en terre nue et de premier retour avec un espacement des cellules de 0,25 m 2 . Projet PI : Ryan Gold.


LiDAR (.las) au DEM en terre nue : espacement moyen des points et taille des cellules ? - Systèmes d'information géographique

Atelier 3 Partie 1 : Traitement des données LiDAR

Ce laboratoire comporte quatre tâches distinctes qui vous présenteront le processus de conversion des retours LiDAR bruts en données SIG utilisables. Les tâches 1 à 3 traitent des étapes de base du traitement des données LiDAR dans ArcGIS. La tâche 4 traite de la visualisation 3D des données LiDAR.

Passez un peu de temps à explorer les fonctionnalités présentées dans cet atelier : c'est le meilleur moyen de vous familiariser à la fois avec le logiciel et les données. Utilisez le système d'aide pour en savoir plus sur les différentes options. Si vous avez une question, demandez.

Tapez les réponses à toutes les questions à la fin de chaque tâche, joignez tous les documents et cartes demandés.

Les fichiers utilisés dans Lab 3 (les deux parties 1 & amp 2) sont dans le I:ÉtudiantsInstructeursGeoffrey_DuhGEOG4593Lab3 dossier. Veuillez copier les données du labo dans votre espace de travail local avant de commencer le labo.

Tâche 1 – Gestion des données LiDAR dans ArcGIS (cours en ligne ESRI)

La première tâche consiste à apprendre les fonctionnalités ArcGIS pour la gestion des données LiDAR à l'aide du cours en ligne d'ESRI. Plus précisément, vous allez créer une géodatabase fichier pour stocker et afficher des données ponctuelles provenant de fichiers LiDAR las. Vous utiliserez plusieurs outils ArcGIS pour effectuer cette tâche. Les données de laboratoire peuvent être téléchargées depuis ESRI ou depuis le dossier Lab 3 de l'instructeur.

· Accédez à http://training.esri.com et cliquez sur "My Training." Cliquez sur "My Virtual Campus Training." Si vous possédez déjà un compte Esri Global, connectez-vous à l'aide de votre nom d'utilisateur et de votre mot de passe. Si vous ne le faites pas, cliquez sur "Créer un nouveau compte."

· Saisissez votre code d'accès au cours à 14 chiffres dans la case "Démarrer un nouveau cours Web" et cliquez sur "Go."

· Votre cours sera ajouté à votre liste de "Cours en cours". Cliquez sur le titre du cours pour commencer.

Veuillez utiliser le code d'accès au cours que l'instructeur a envoyé à la liste de diffusion de la classe pour suivre le cours en ligne "Gestion des données Lidar dans ArcGIS 10". Utilisez les données et les informations que vous avez acquises dans le cours pour répondre aux questions ci-dessous.

1. Utilisez les informations de la table attributaire de la sortie de l'outil d'information sur le fichier de points (c'est-à-dire PffileInfo) et l'équation dont nous avons discuté dans le cours pour compléter le tableau ci-dessous. Assurez-vous de remplir les bonnes unités pour l'espacement des points et les colonnes de zone de forme. Veuillez montrer votre équation de calcul de la densité de points.

Densité de points (point par mètre carré)

2. Résumez les types d'utilisation des terres/d'occupation des sols dans lesquels se trouvent ces vides et expliquez pourquoi ces vides se produisent. Insérez des captures d'écran de vos multipoints vides et de vos couches raster (c'est-à-dire FirstReturn_Bare et Raster_Void) en superposant les photos aériennes pour illustrer votre résumé.

Tâche 2 – Importer des données LiDAR prétraitées

Cette tâche consiste à importer des points de données LiDAR prétraités (c'est-à-dire filtrés) dans un jeu de données SIG que vous pouvez manipuler dans votre application SIG (dans ce cas, ArcGIS). L'objectif de ce processus est de générer des modèles d'élévation numériques stockés sous forme de grilles raster. L'ensemble de données utilisé dans cette tâche couvre une zone différente de l'ensemble de données utilisé dans la tâche 1. En outre, les données ont été converties en valeurs x, y, z stockées au format Dbase dbf. Il s'agit d'un exemple de la façon dont vous importeriez des points LiDAR dans ArcGIS.

1. Ajoutez le fichier "LiDAR_Returns_Bare_Earth_0503.dbf" à ArcMap et affichez son contenu. Ce sont les retours LiDAR "terre nue" (surface) pour une petite zone de Portland. Le tableau contient les coordonnées X/Y/Z des retours en pieds Stateplane. L'attribut X est X_COORD, l'attribut Y est Y_COORD et la valeur Z (ou altitude) est Z_VALUE.

2. Ouvrez ArcMap. Aller à Fichier/Ajouter des données – Ajouter des données XY. Naviguez jusqu'à la terre nue dbf. Assurez-vous que le spécifié Champ X, Champ Y et Z Domaine sont corrects. Vous devrez également définir la projection des données. Clique le Éditer bouton, cliquez Sélectionner pour sélectionner un système de coordonnées prédéfini et accédez au système de coordonnées "projeté" correct. Voici les détails :

Projection Stateplane : NAD 1983 HARN (Pieds, Intl et US), Oregon North FIPS Zone 3601, International feet

3. Cliquez sur le d'accord bouton. Les points seront ajoutés à la carte (cela peut prendre quelques secondes). Activez le calque (il faudra une minute ou deux pour dessiner). Il s'agit d'une couche ArcGIS "event table". Effectuez un zoom avant sur la couche et utilisez l'outil Identifier pour cliquer sur quelques points. Une couche de table d'événements est une représentation temporaire et non permanente de données géographiques à partir de coordonnées définies dans une table. Il persistera avec le document MXD (ce qui signifie que si vous enregistrez le document ArcMap, vous enregistrerez la couche qu'il contient). Cependant, il est lié à la table DBASE d'origine, vous ne pouvez donc pas modifier l'emplacement ou supprimer la table d'origine. Vous pouvez créer des données SIG permanentes à partir d'une couche de table d'événements en cliquant avec le bouton droit sur la couche et en sélectionnant Données – Exporter les données. Vous n'avez pas besoin d'utiliser des calques de points permanents pour cette tâche, mais vous les utiliserez dans une tâche ultérieure. Suivez les étapes ci-dessus pour créer des fichiers de couche permanents pour les deux jeux de données LiDAR.

4. Répétez les étapes 1 à 3 pour les coordonnées LiDAR "first return" dans le "LiDAR_Returns_First_Return_0503.dbf" dans le même répertoire que les retours de terre nue. Remarque : il y a plus de points dans cet ensemble de données – cela prendra plus de temps à dessiner.

1. Combien y a-t-il de points dans l'ensemble de données "first return" et "bare earth" ? Quels sont les nombres moyens estimés de points par mètre carré pour chaque ensemble de données ? (Astuce : la zone est rectangulaire. Faites attention à vos unités.)

2. Effectuez un zoom avant sur une zone relativement petite et comparez les retours de terre nue avec les premiers retours. De nombreux retours de terre nue figurent également dans le premier jeu de données de retour. Pourquoi?

Tâche 3 – Créer un TIN et un DEM à partir des retours LiDAR

La deuxième tâche consiste à convertir les retours LiDAR en un modèle de réseau triangulé irrégulier (TIN), puis en un "modèle numérique d'élévation" (DEM) raster de la surface à l'aide des retours LiDAR de terre nue. Le DEM est généralement la représentation finale de la surface dérivée des points LiDAR. Le format raster est un moyen beaucoup plus efficace de stocker les grands modèles d'altitude complexes dérivés des données LiDAR (le TIN est le plus souvent supprimé après la création du DEM). Encore une fois, il existe de nombreuses façons de le faire, et certaines vous offrent beaucoup plus de contrôle sur la triangulation résultante que d'autres. Il s'agit d'un exemple de la façon dont vous créeriez un TIN et un DEM avec les outils ArcGIS 3D Analyst standard. Notez que les prochaines tâches seront effectuées sur les retours de terre nue uniquement.

1. Ouvrez ArcMap s'il n'est pas déjà ouvert. Assurez-vous que le 3D L'extension Analyst est activée.

2. Allumez le 3DAlyst barre d'outils.

3. Démarrez le Créer un NIF outil. Définissez les "LiDAR_Returns_Bare_Earth_0503 Events" comme classe d'entités en entrée.

4. Réglez le Source de hauteur à Z_Value. La Z_Value est l'altitude de chaque point au-dessus du niveau de la mer. Nous créons ce TIN à partir de "points de masse". Quitter le Valeur de la balise champ en tant que "<Aucun>".

5. Spécifiez un emplacement de fichier et un nom pour le TIN de sortie. Étant donné que la sortie est au format de couverture ArcInfo, le nom doit comporter 13 caractères ou moins. Vous pouvez indiquer qu'il s'agit du TIN de terre nue dans le nom du fichier (par exemple, tin_be). Définissez la référence spatiale de la même manière que les données LiDAR d'entrée.

6. Cliquez sur d'accord pour créer le NIF. Cela va prendre du temps. Zoomez sur une zone plus petite et explorez le modèle (les zones plus petites se dessinent beaucoup plus rapidement). Faites un clic droit sur le calque et sélectionnez Propriétés. Allez au Symbologie onglet et appuyez sur le Ajouter bouton. Ajoutez quelques moteurs de rendu différents pour explorer les différentes options de symbolisation TIN.

7. Démarrez le TIN vers raster outil. Spécifiez le TIN de terre nue que vous avez créé comme Saisir le TIN. Définissez le type de données de sortie sur FLOAT, la méthode sur LINEAR et la distance d'échantillonnage sur "CELLULE 5." Quitter Facteur Z comme 1 (c'est la quantité d'exagération verticale). Spécifiez un emplacement de fichier et un nom pour l'image raster en sortie. Étant donné que la sortie est au format ArcInfo GRID, le nom doit comporter 13 caractères ou moins. Vous pouvez indiquer qu'il s'agit du DEM de terre nue dans le nom du fichier (par exemple, dem_be).

8. Cliquez sur d'accord pour créer le DEM. Une fois terminé, effectuez un zoom arrière sur toute l'étendue du DEM. Faites un clic droit sur le calque et sélectionnez Propriétés. Allez au Symbologie et explorez les différentes options de symbolisation et de classification.

9. Répétez les étapes des tâches 2 et 3 pour convertir le LiDAR_Returns_First_Return _0503.dbf en DSM (par exemple, dsm_fr).

1. Quelles sont les valeurs d'altitude maximales et minimales dans le DEM ? Pourquoi sont-ils différents du modèle TIN ?

2. Vous avez spécifié une taille de cellule de "5" lors de la création du DEM et du DSM. Que représente cette valeur ? Pourquoi "5" est une valeur appropriée pour ces données LiDAR ? (Astuce : vous devez connaître les valeurs d'espacement des points pour les première et dernière données de retour.)

3. Comparez visuellement le DEM de terre nue et le premier DSM de retour. Quel est le la taille de la structure "en dôme" juste à l'ouest des réservoirs de stockage ?

Tâche 4 – Visualiser les données en 3D

Cette tâche consiste à visualiser les données que vous avez créées jusqu'à présent en 3D. Nous utiliserons ArcScene ArcGIS pour cette tâche. Ce n'est pas le meilleur logiciel de visualisation 3D, mais il fait (généralement) le travail.

1. Enregistrez votre MXD et fermez ArcMap.

2. Ouvrez ArcScene (dans le menu Démarrer de Windows sous ArcGIS).

3. Ajoutez le DEM de terre nue créé dans la tâche 2.

4. Cliquez avec le bouton droit sur le calque, sélectionnez Propriétés, puis sélectionnez le Hauteurs de base languette. Clique sur le Flotter sur une surface personnalisée et sélectionnez le DEM dans le menu déroulant. Cela rendra le DEM en 3D en utilisant les valeurs d'altitude des pixels raster.

5. Cliquez sur Résolution raster et entrez 10 dans Taille de cellule X et Taille de cellule Y. C'est la résolution à laquelle ArcScene généralisera le DEM (pour le rendre plus rapide). Si vous vouliez que le DEM soit rendu à sa pleine résolution, vous entreriez 5 pour chaque valeur.

6. Cliquez sur le Le rendu languette. Sous Effets, vérifier Ombrez les caractéristiques de la zone par rapport à la position de la lumière de la scène. Faites également glisser le Amélioration de la qualité slider bar a bit to the right, so that the slider sits about 2/3 of the way to "high" (to improve the quality of the rendering).

7. Click the Symbologie tab. Select a more colorful Color Ramp.

9. Repeat steps 1 through 8 with the first return DSM.

1. Note that the model has some irregularities on the southern edge. What are some possible ways to remove these kinds of edge issues when generating an elevation model?

2. Play around with the Raster Resolution layer property (in the Base Heights languette). Set it to the maximum resolution (5). For which model does it make the most difference visually? Pourquoi?

3. Where is this area in Portland? (Hint: Use RLIS data on the I drive to figure it out.)

Export a view of the full first return DSM from ArcScene (File – Export Scene – 2D). Print out a copy and turn it in with your lab report.


LiDAR (.las) to bare-earth DEM: average points spacing and cell size? - Systèmes d'information géographique

Point cloud digital data Additional Contact Information: Airborne Imaging Suite 130, 885 42nd Avenue SE, Calgary, Alberta T2G 1Y8 Catégorie de sujet ISO 19115élévation

Canada 604 591 4657 604 591 8693 mfosler at surrey dot ca Contact via telephone or e-mail CITY OF SURREY Matt Osler, P. Eng.

CITY OF SURREY CITY OF SURREY Use Only CITY OF SURREY

The purpose of this dataset is to provide CITY OF SURREY with a copy of the entire survey in nearly raw form and provide the ability for users to customize the dataset for specific applications through re-processing into suitable formats.

The following LiDAR specific metadata elements are not part of the FGDC Geospatial Metadata Standard, but FGDC recommendation is to include such elements as part of the Supplemental Information: Data Provider: Airborne Imaging / Acquired under: Contract # 1372, / Method of Capture: LiDAR / Flight Altitude (above ground level, metres): 1000 / Acquisition Flight Speed (knots): 120 / Missions associated with this tile: 7913102a, , / LiDAR tiling system: All data is tiled using the native UTM Zone coordinates. Each tile is named using the coordinates of the lower left corner of the tile. For this project the tiles are 500m x 500m and named as follows. The first 4 digits of the Easting coordinate and the first 5 digits of the Northing coordinate. For example: 6345_65343. Presence of snow in dataset: Season Dependent / Snow Depth: None. Average point density for this tile (based on approximately 500m x 500m sq tile. If tile is not completely filled with data APD will appear lower than actual): 31.56 points per square metre. / Tile colums: 520 Tile rows: 520 20130411 4:56 20130411 10:35 ground condition

None planned 510490 511010 5448510 5447990 79.23 Be: 98.9 Fe: 194.57 metres be_5105_54480 CITY OF SURREY - Surrey

Raster digital data – 1m grid Arc binary Bare Earth

For further information on processing: See metadata corresponding to point cloud 5105_54480.las ff_5105_54480 CITY OF SURREY - Surrey

Raster digital data – 1m grid Arc binary, Full Feature using TIN from the first returns

For further information: See metadata corresponding to point cloud 5105_54480.las int_5105_54480 .tif CITY OF SURREY - Surrey

Raster digital data – 1m Intensity Geotiffs – also used in the digitization of the water bodies

For further information: See metadata corresponding to point cloud 5105_54480.las void_ 5105_54480.shp CITY OF SURREY - Surrey

Vector data – void shapefile of 16x16m sizes for Bare Earth

For further information: See metadata corresponding to point cloud 5105_54480.las

Jocelyn Parent Airborne Imaging Processing Manager (403) 215 2960 (403) 243 8681 [email protected] 08:00 – 16:00 NA

Data Collection: The data acquisition phase of the project involves planning flight line coverage, aircraft operations, ground control and calibration as well as logistics for moving personnel and equipment in and out of the project area. Flight line planning is based on existing maps or digital files supplied by the client of the project area. Some of the factors that affect flight planning include ground terrain, location of cities, location of airports, airport flight patterns, etc. Flight lines are plotted on digitized maps so that the coordinates of flight lines can be used in the aircraft’s flight management and navigation system. One of the most important and determining factors of flight operations planning is computing GPS satellite visibility models to determine flight exclusion times when there are not enough GPS satellites to track or the PDOP (Positional Dilution of Precision) values are out of tolerance. Airborne will only collect LiDAR data when it is possible to track a minimum of 6 GPS satellites with a PDOP of less than 3.0. Due to the ever-changing satellite geometry, Airborne Imaging will fly multiple day operations during optimum periods of GPS coverage, weather permitting. GPS Reference Station locations are selected which utilize existing federal geodetic control network, CSRS first order vertical to insure accuracy of the LiDAR survey is maintained. The goal is to locate survey control where the published horizontal coordinates have been determined by GPS observation and orthometric heights (elevations) have been determined by precise differential leveling. Ellipsoidal heights are calculated from accepted orthometric elevations and geoid-ellipsoid separations are determined using the geoid model GRS-80. // A calibration site is an area of survey control that is flown twice during every mission, usually at the beginning of a mission and again when the aircraft returns from a mission. This procedure can identify any systematic issues in data acquisition or failures on the part of the GPS, IMU or other equipment that may not have been evident to the LiDAR operator during the mission. The calibration site is usually selected in a relatively open, tree-less area where several large buildings are located. The buildings used for calibration are surveyed using both GPS and conventional survey methods. A local network of GPS points are established to provide a baseline for conventional traversing around the perimeter of the buildings. The aircraft initially flies over the selected calibration site to collect calibration data for use in post-processing. The aircraft then proceeds to the project area and the operator selects the first flight line to be surveyed. When the aircraft is on line, the operator initiates data collection and stores the data on a removable hard disk drive. A terrain viewer formats and displays the acquired data so that the operator can monitor the data quality in real time. After all flight lines have been completed for the mission, the aircraft returns to the calibration site. This time the calibration site is flown in the opposite direction of the first pass. Flying the site in opposing directions provides the greatest sensitivity in calculating the initial adjustment factors needed in data processing. The operator performs kinematic post-processing of the aircraft GPS data in conjunction with the data collected at the Reference Station in closest proximity to the area flown. Double difference phase processing of the GPS data is used to achieve the greatest accuracy. The GPS position accuracy is assessed by comparison of forward and reverse processing solutions and a review of the computational statistics. Any data anomalies are identified and the necessary corrective actions are implemented prior to the next mission. // // QC Data Collection: Ground truth validation is used to assess the data quality and consistency over sample areas of the project. To facilitate a confident evaluation, existing survey control is used to validate the LiDAR data. Published CSRS survey control, where the orthometric height (elevation) has been determined by precise differential leveling observation, is deemed to be suitable. Ground truth validation points will be collected to establish RMSE accuracies for the LiDAR project. These points must be gathered in flat or uniformly sloped terrain (<20% slope) away from surface features such as stream banks, bridges or embankments. After collection, these points will be used during data processing to test the RMSEz accuracy of the final LiDAR data products. // // Data Processing: Airborne has post-processing methodology designed to use the data from the LiDAR unit , and combines the calibration site and overlap analysis, to create the X,Y,Z raw product. In post-processing, surface values derived from LiDAR data are tested against the known ground surveyed values to determine the correct calibration parameters for each mission. This will immediately identifies any systematic issues in data acquisition, or failures on the part of INS, GPS or other equipment that may not have been evident to the LiDAR survey operator during the mission. In order to eliminate the effects of artifacts left in the bare-earth, the original, raw LiDAR data are processed with an automated, artifact removal technique and then followed up by manual inspection of the data. The raw LiDAR data are processed into tiles conforming to the client’s requirements. These tiles contain points of all-returns from the LiDAR unit and are stored in individual binary files. // Point classification or artifact removal is done using a product by TerraSolid software running on Microstation V8 called TerraScan and TerraModel. The TerraScan software uses macros that are set-up to measure the angles and distances between points to determine what classification a point should be: ground, vegetation, building, other. The angle and distance values in the macros can be varied to be more or less aggressive with the classification of points from ground to vegetation to building by varying the incidence angles and estimated distances among neighboring points. Anything not classified as ground or error is finally placed into a non-ground class. Error points are determined to be either high (spikes) or low (pits) outlier points, often beyond 3-sigma from the rest of the data set. Clouds, birds, pollution, or noise in the data can cause error points, for example. After an automated macro is run, a manual QC effort is made to fine tune the classification of points among the different categories. To better understand areas for improvement, the points that are classified as bare earth are extracted and turned into viewable TIN and grid surfaces. These surfaces are viewed with ArcView software for inspection of areas that appear rough, artificially flattened or cut, no data areas, or have other viewable errors. // In cleaning up ground points, an effort is concentrated in areas where few ground points have been left in the bare earth model and the ground appears rough or lower and flatter than it may be in reality. The scarcity of ground points may be a result from no penetration through a dense vegetation layer, or too aggressive values with the macro. A manual inspection of these areas plays a major role in resolving any issues or irregularities with the bare earth model. A manual effort is also made to make sure that bridges have been removed from the bare earth model or that any special features, determined by the client are correctly identified as ground or non-ground. This special feature list can include: large rock outcrops, piers and docks, levees, construction sites, and elevated roadways. // Both DEM and DTM grids are created. Selecting out all points that have been classified as bare earth, from the TerraScan binary files, and creating a TIN and grid surface creates bare earth grids. Extracting out all non-error points from the TerraScan binary files and creating a TIN and grid surface from the highest elevations create highest surface grids. As grids are created, grid cell locations are set to precisely correspond and register between the DEM and the DTM. Cell easting and northing coordinates are calculated as integer multiples of the cell size, so that adjacent tiles can be merged without re-sampling or pixel-shift. As a final step for data processing, all data are exported as deliverables. Any geographic projections or datum shifts are applied to the final, edited versions of the data. The data are clipped into a tiling scheme, specified by the client, and all files are exported into the format and maximum sizes specified. Upon completion of all exports, files are randomly checked on the deliverable media to ensure transferability and the data are shipped to the client. // // QC Data Processing: Airborne has developed a rigorous and complete process, which does everything possible to ensure data will meet or exceed the technical specifications. Experience dealing with all ranges of difficulty in all types of topographic regions has led to the development of our quality assurance methods. QA/QC procedures are continued through all iterations of the data processing cycle. Data pass through an automated set of macros for initial cleaning, a first edit by a trained technician, and a second review and edit by an advanced processor, and finally exported to a final product. All final products are reviewed for completeness and correctness before delivering to the client. // All final products pass through a six-step QC control check that verifies that the data meet the criteria specified by the client. // // Step 1 - Completeness Review- all GPS, aircraft trajectory, mission information, and ground control files are reviewed and logged into a database // Step 2 - LiDAR data is post processed and calibrated - Data is inspected for flight line errors, flight line overlap, slivers or gaps in the data, point data minimums, or issues with the LiDAR unit or GPS. - This initial inspection is repetitive since point density and data integrity are checked by the field personnel prior to leaving the project site. // Step 3 - Classification of Remaining Points- all remaining points are classified as ground and non-ground features. Any non-regular structures or features like towers, water bodies, bridges, piers, are to be classified into the category specified by the client for these feature types. // Step4 – Quality Controlling the Bare-Earth model. Adjustments are made to fine-tune and fix specific errors. These areas generally involve fixing those areas where the removal of features was too aggressive, particularly along mountaintops, shorelines, or other areas of high percent slope. Vegetation artifacts leave a signature surface that appears bumpy or rough. Spurious vegetation values and remnants from the bare-earth model are removed. // Step 5 – RMSE Comparisons- Both RMSEz and RMSExy are inspected in the classified bare-earth model and compared to project specifications. RMSEz is examined in open, flat areas away from breaks and under specified vegetation categories. Neither RMSEz or RMSExy are compared to orthoimagery or existing building footprints cause these can be skewed. The checkpoints in various land cover types may also be used. A point to point comparison of a recently acquired or existing high confidence ground survey point as from the checkpoints to its nearest neighbor LiDAR laser return point. This is done in the raw data set. The two points must be within a 0.5m radius of each other in open flat areas is made. // Step 6 – Final QC- Deliverables Check- checks for file naming convention, integrity checks of the files, conformance to file format requirements, media readability, and file size limits (if any), and finally reports as completed.

Horizontal accuracy 36cm RMS Airborne Imaging performs a complete calibration on every LiDAR acquisition flight, data is acquired over a calibration site flown with at least two passes in opposite directions before and after the flight. Any error in the attitude of the aircraft (roll, pitch and heading) can be observed and corrected for within system specifications. To statistically quantify the accuracy, we compare the LiDAR elevations with independently surveyed ground points. A GPS mounted truck collects data while driving on an open road. The kinematic positions on the road are post-processed from a nearby base station (common to the aerial survey) to give an accuracy of the ground truth data of 5 cm or better in both the vertical and horizontal. Tile found to meet stated horizontal accuracy Vertical accuracy 4.5 cm RMS Airborne Imaging performs a complete calibration on every LiDAR acquisition flight, data is acquired over a calibration site flown with at least two passes in opposite directions before and after the flight. Any error in the attitude of the aircraft (roll, pitch and heading) can be observed and corrected for within system specifications. To statistically quantify the accuracy, we compare the LiDAR elevations with independently surveyed ground points. A GPS mounted truck collects data while driving on an open road. The kinematic positions on the road are post-processed from a nearby base station (common to the aerial survey) to give an accuracy of the ground truth data of 5 cm or better in both the vertical and horizontal. Tile found to meet stated vertical accuracy


Spatial Data Properties ▼ ►

Axis dimensions properties Dimension type column (x-axis) * Dimension size 34500 * Resolution 1.000000 Meter
Axis dimensions properties Dimension type row (y-axis) * Dimension size 39000 * Resolution 1.000000 Meter
* Cell geometry area * Point in pixel center

* Transformation parameters are available Yes

* Check points are available No

Corner points * Point 675000.000000 5575500.000000 * Point 675000.000000 5614500.000000 * Point 709500.000000 5614500.000000 * Point 709500.000000 5575500.000000
* Center point 692250.000000 5595000.000000

General Information * Pixel depth 32 * Compression type None * Number of bands 1 * Raster format GRID * Source type continuous * Pixel type floating point * No data value -3.4028235e+038 * Has colormap No * Has pyramids Yes


Abstrait

Unmanned aerial vehicles (UAVs) provide a new research tool to obtain high spatial and temporal resolution imagery at a reduced cost. Rapid advances in miniature sensor technology are leading to greater potentials for ecological research. We demonstrate one of the first applications of UAV lidar and hyperspectral imagery and a fusion method for individual plant species identification and 3D characterization at submeter scales in south-eastern Arizona, USA. The UAV lidar scanner characterized the individual vegetation canopy structure and bare ground elevation, whereas the hyperspectral sensor provided species-specific spectral signatures for the dominant and target species at our study area in leaf-on condition. We hypothesized that the fusion of the two different data sources would perform better than either data type alone in the arid and semi-arid ecosystems with sparse vegetation. The fusion approach provides 84–89% overall accuracy (kappa values of 0.80–0.86) in target species classification at the canopy scale, leveraging a wide range of target spectral responses in the hyperspectral data and a high point density (50 points/m 2 ) in the lidar data. In comparison, the hyperspectral image classification alone produced 72–76% overall accuracies (kappa values of 0.70 and 0.71). The UAV lidar-derived digital elevation model (DEM) is also strongly correlated with manned airborne lidar-derived DEM (R 2 = 0.98 and 0.96), but was obtained at a lower cost. The lidar and hyperspectral data as well as the fusion method demonstrated here can be widely applied across a gradient of vegetation and topography to monitor and detect ecological changes at a local scale.


Spatial Data Properties ▼ ►

Axis dimensions properties Dimension type column (x-axis) * Dimension size 31000 * Resolution 5.000000
Axis dimensions properties Dimension type row (y-axis) * Dimension size 47000 * Resolution 5.000000
* Cell geometry area * Point in pixel center

* Transformation parameters are available Yes

* Check points are available No

Corner points * Point 435000.000000 1920000.000000 * Point 435000.000000 2155000.000000 * Point 590000.000000 2155000.000000 * Point 590000.000000 1920000.000000
* Center point 512500.000000 2037500.000000

General Information * Pixel depth 32 * Compression type None * Number of bands 1 * Raster format GRID * Source type continuous * Pixel type floating point * No data value -3.4028235e+038 * Has colormap No * Has pyramids Yes