Univerza v Ljubljani Fakulteta za gradbeništvo in geodezijo Jamova 2, p.p. 3422 1115 Ljubljana, Slovenija telefon (01) 47 68 500 faks (01) 42 50 681 fgg@fgg.uni-lj.si PODIPLOMSKI ŠTUDIJ GEODEZIJE Kandidatka: ANDREJA ŠVAB LENARČIČ, univ.dipl.inž.geod. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti Magistrsko delo št.: 47 Use of lidar data for land cover classification Master of Science Thesis No.: 47 Komisija za zagovor: Mentor: izr.prof.dr. Krištof Oštir Predsednik komisije: izr.prof. dr. Bojan Stopar Članica: doc.dr. Mojca Kosmatin Fras Članica: dr. Tatjana Veljanovski, znanst.sodel. ZRC SAZU Datum zagovora: 2009 Ljubljana, februar 2009 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, FGG. Odd. za geodezijo, Geodetska smer. STRAN ZA POPRAVKE, ERRATA Stran z napako Vrstica z napako Namesto Naj bo II Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. III Mag.d. Ljubljana, UL, FGG. Odd. za geodezijo, Geodetska smer. IZJAVA O AVTORSTVU Podpisana ANDREJA ŠVAB LENARČIČ izjavljam, da sem avtorica magistrskega dela z naslovom: »UPORABA LIDARSKIH PODATKOV ZA KLASIFIKACIJO POKROVNOSTI«. Ljubljana, 30.01. 2009 Andreja Švab Lenarčič Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, FGG. Odd. za geodezijo, Geodetska smer. IV BIBLIOGRAFSKO – DOKUMENTACIJSKA STRAN IN IZVLEČEK UDK: 528.8:711.14(043.3) Avtor: Andreja Švab Lenarčič, univ. dipl. inž. geod. Mentor: izr. prof. dr. Krištof Oštir Naslov: Uporaba lidarskih podatkov za klasifikacijo pokrovnosti Obseg in oprema: 135 str., 9 pregl., 2 graf., 101 sl., 12 en., 2 pril. Ključne besede: pokrovnost, lidar, intenziteta Izvleček Ker večina kart pokrovnosti v Sloveniji zadošča zgolj analizam na ravni države oz. statistične regije, sem v nalogi skušala izdelati tudi karto za uporabo na lokalni ravni. Pri tem sem kot vir uporabila različne podatke lidarskega snemanja, kot so višina, intenziteta in standardna deviacija višine. Potrdila sem dejstvo številnih raziskovalcev, da je intenziteta opazovanega objekta odvisna od vrste dejavnikov in zato precej težka za interpretacijo. Po njeni preučitvi in nekaterih izboljšavah sem z njo kljub vsemu zelo dobro izločila kategorije trava, njive in asfalt. Za izločitev dreves in stavb uporaba intenzitete žal ni nudila ustreznih rezultatov, zato sem iz lidarskih podatkov izračunala standardno deviacijo višin, ki se je za izločitev teh dveh kategorij izkazala kot zelo uspešna. V sklopu naloge sem na osnovi samostojnih lidarskih podatkov uspela izdelati kakovostno karto pokrovnosti lokalnega območja, ki loči pet osnovnih kategorij, po potrebi pa bi jih lahko ločili tudi več. Ko je metodologija izdelave karte znana, lahko karto izdelamo povsem avtomatsko, z minimalnim naporom in stroški. Pri tem dobimo karto zelo dobre položajne in tematske natančnosti. Prednosti takšnih kart so uporabnost za lokalne študije, hiter in cenovno ugoden način pridobitve sloja, časovna usklajenost podatkov, objektivna določitev pokrovnosti, možnost uporabe v GIS, možnost prilagoditve sloja za specifične študije, možnost pogostega osveževanja sloja ter možnost prikaza karte v trirazsežnem prostoru. Slabost je, da je karta uporabna zgolj za študije na lokalni ravni, saj velika količina točkovnih podatkov zahteva zahtevno strojno in programsko opremo. Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, FGG. Odd. za geodezijo, Geodetska smer. V BIBLIOGRAPHIC – DOCUMENTALISTIC INFORMATION AND ABSTRACT UDC: 528.8:711.14(043.3) Author: Andreja Švab Lenarčič Supervisor: Associate Professor Krištof Oštir, Ph.D. Title: Use of lidar data for land cover classification Notes: 135 p., 9 tab., 2 graph., 101 fig., 12 eq., 2 ann. Key words: land cover, lidar, intensity Abstract While the majority of land cover maps of Slovenia is intended to serve analyses at the level of country or statistical region, the thesis discusses how to create a map that could serve local projects as well, by processing various lidar data, such as elevation, intensity and standard deviation. Observations of several researchers have been confirmed: the intensity of the observed object depends on many factors and is therefore not easy to interpret. The categories of grass, field and asphalt could nevertheless be classified distinctively by carefully studying the problem and implementing various improvements. The use of intensity alone, however, could not extract trees and buildings, so standard deviation of hight was calculated from the lidar data, which has actually proved very successful. On the basis of independent lidar data, a three dimensional high quality land cover map of local area has been successfully generated, which distinguishes five basic categories, although more detailed sub-categories could be introduced as well, if necessary. Once the methodology is determined, products can be generated fully automatically, with minimal effort and costs. What is even more important, the resulting maps are of very high position and thematic accuracy. Advantages of such maps are their usefulness for local studies, prompt and cost-friendly method of layer acquisition, time adjustment of data, objective land cover identification, GIS use possibility, possibility of layer adjustment for specific studies, possibility of frequent layer updating, and last but not least, the possibility of three dimensional map display. There is also one main disadvantage: the map is useful merely for the study on a local level, since the huge quantity of point data requires very powerful hardware and software technology. Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, FGG. Odd. za geodezijo, Geodetska smer. VI ZAHVALA Iskreno se zahvaljujem vsem, ki so mi pomagali pri izdelavi moje magistrske naloge. Še posebej pa se zahvaljujem: - mentorju izr. prof. dr. Krištofu Oštirju za nesebično pomoč in usmerjanje pri izdelavi naloge, - ustanovam, ki so mi omogočile uporabo podatkov (Znanstvenoraziskovalni center Slovenske akademije znanosti in umetnosti, Inštitut za antropološke in prostorske študije, Geoin d.o.o. ter Mestna občina Maribor, Urad za komunalo, promet, okolje in prostor, Služba za geografski informacijski sistem in obdelavo podatkov), - sorodnikom in prijateljem, ki so me vzpodbujali pri delu in mi stali ob strani. Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. VII KAZALO VSEBINE 1 UVOD ............................................................................................................................ 1 2 PRIMERJAVA RAZLIČNIH KART POKROVNOSTI IN RABE TAL V SLOVENIJI ............................................................................................................................... 4 2.1 Osnovne definicije ........................................................................................................ 4 2.2 Vrsta rabe v Zemljiškem katastru .............................................................................. 4 2.3 Dejanska raba zemljišč ................................................................................................ 7 2.4 Zbirka dejanske rabe zemljišč (GURS) ...................................................................... 9 2.5 CORINE ...................................................................................................................... 12 2.6 Statistični GIS pokrovnosti tal .................................................................................. 14 2.7 Karta pokrovnosti (ZRC SAZU) ............................................................................... 16 2.8 Ugotovitve .................................................................................................................... 19 3 ZRAČNO LASERSKO SKENIRANJE – LIDAR .................................................. 20 3.1 Osnove metode ZLS ................................................................................................... 20 3.2 Zajem podatkov z merskim sistemom ZLS .............................................................. 21 3.3 Interakcija laserskega pulza s površjem .................................................................. 25 3.4 Zajemanje odbojev ..................................................................................................... 27 3.5 Tehnične lastnosti merskega sistema ZLS ............................................................... 33 3.6 Obdelava podatkov ..................................................................................................... 34 3.7 Natančnost trirazsežnih koordinat laserskih točk ................................................... 38 3.8 Uporaba ZLS v praksi ................................................................................................ 42 4 INTENZITETA ODBOJA LASERSKEGA ŽARKA ............................................. 44 4.1 Opredelitev intenzitete odbitega laserskega žarka .................................................. 44 4.2 Enačba radarja ........................................................................................................... 45 4.3 Vrednosti merjene intenzitete .................................................................................... 47 4.4 Prečni prerez odbitega laserskega žarka .................................................................. 49 4.5 Podoba intenzitete podatkov ZLS ............................................................................. 51 4.6 Različne uporabe intenzitete odboja ......................................................................... 56 VIII Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 5 UPORABLJENI PODATKI IN PROGRAMSKA OPREMA ............................... 59 6 KLASIFIKACIJA POKROVNOSTI ....................................................................... 65 6.1 Začetna klasifikacija .................................................................................................. 65 6.2 Razdelitev podatkov na višinske pasove .................................................................. 67 6.3 Uvedba standardne deviacije (STD) ......................................................................... 75 6.4 Uvedba funkcij združi in presej ................................................................................ 86 6.5 Uporaba klasifikacije lidarskih podatkov pri sencah BDOF1 ............................... 92 6.6 Uvedba načinov izboljšav, ugotovljenih s podrobnejšo analizo lidarskih podatkov 93 6.7 Klasifikacija vode ..................................................................................................... 104 6.8 Omejitve klasifikacije lidarskih podatkov zaradi strukture pokrovnosti .......... 107 6.9 Uporabnost klasifikacije lidarskih podatkov v praksi .......................................... 108 7 ZAKLJUČEK ........................................................................................................... 112 8 POVZETEK ............................................................................................................. 117 9 SUMMARY .............................................................................................................. 119 VIRI ....................................................................................................................................... 121 PRILOGE ............................................................................................................................. 129 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. IX KAZALO PREGLEDNIC Preglednica 1: Pravilne razdalje do objektov ter odstopanja (v m) pri različnih metodah zaznave pulza (Wagner et al., 2007) ......................................................................................... 30 Preglednica 2: Tipični parametri sistemov ZLS, ki so trenutno na voljo (Briese, 2007). . ....... 34 Preglednica 3: Nekateri tehnični podatki o podatkih BDOF1.. ................................................ 64 Preglednica 4: Nekateri tehnični podatki o lidarskih podatkih (Pavlek, 2007).. ...................... 64 Preglednica 5: Vrste objektov glede na višino objekta ............................................................. 71 Preglednica 6: Faktor popravka za posamezno serijo. . ............................................................ 97 Preglednica 7: Statistika intenzitete na strehi stavbe... ............................................................. 98 Preglednica 8: Statistika intenzitete na izbranem območju.. .................................................. 102 Preglednica 9: Nekatere lastnosti kart pokrovnosti.. .............................................................. 109 X Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. KAZALO GRAFIKONOV Grafikon 1: Odvisnost intenzitete od absolutnega kota snemanja. . ......................................... 96 Grafikon 2: Statistika vrednosti intenzitete glede na serije ...................................................... 97 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. KAZALO SLIK Slika 1: Zajem podatkov v misiji zračnega laserskega skeniranja (ALTM, 2007). . ................ 20 Slika 2: Vzorci skeniranja (a, b, c) (Kukko, 2007)... ................................................................ 25 Slika 3: Več odbojev enega laserskega žarka na drevesu (TopoSys, 2007).. ........................... 27 Slika 4: Oddan in vrnjen pulz. Prikazane so točke zaznave pulza posameznih metod ter časi med oddanim in sprejetim pulzom. Črtasta horizontalna linija določa prag, uporabljen za metodi praga in težišča (Wagner et al., 2007). . ........................................................................ 29 Slika 5: Zgoraj od leve proti desni so prikazani odboji od naslednjih predmetov: a - pšenično polje; b - drevo, grmovje in tla; c - nagnjena streha. Spodaj: Odbiti signal ter točke sprožitve pulzov pri različnih metodah (vertikalni profili, združeni s konvolucijo) (Wagner et al., 2007). .................................................................................................................................................. 29 Slika 6: Celoten odboj žarka, zaznan z valovnim laserjem (Flood, 2001). . ............................. 30 Slika 7: Vplivi oblike površja na sprejet odziv (Jutzi in Stilla, 2006).. .................................... 31 Slika 8: Primera zveznega odziva (Hug, 1997). . ...................................................................... 31 Slika 9: Primer sestavljenega valovnega odtisa (Nayegandhi, 2006) ....................................... 33 Slika 10: Oblak točk prvega (črne točke) in zadnjega odboja (rdeče točke) (Donoghue et al., 2007).. ....................................................................................................................................... 35 Slika 11: Levo – digitalni model površja, desno – digitalni model reliefa (Briese, 2007).......36 Slika 13: Levo – ortofoto, desno – rezultat klasifikacije na osnovi lidarskih podatkov (Nardinocchi, 2003)... ............................................................................................................... 38 Slika 14: Model stavb (levo) in model vegetacijskega pokrova (desno) (Andersen, 2007) ..... 38 Slika 15: Odboji znotraj enega odtisa (Kukko, 2007). . ............................................................ 40 Slika 17: Skica geometrije zajema lidarskih točk (Wagner, 2005). . ........................................ 45 Slika 21: Oblak točk (a) in razdelitev na višinske sloje (b) (Popescu, 2007)... ........................ 53 Slika 22: Multispektralna podoba QuickBird (a) ter podobe intenzitete glede na višinski razpon (b) (Popescu, 2007) ....................................................................................................... 53 Slika 23: Dejanska (a) in v podatkih zapisana (b) razporeditev tarč znotraj odtisa. . ............... 54 Slika 25: Točke enega pasu (levo) in točke dveh prekrivajočih se pasov (desno) (Shin, 2007). .................................................................................................................................................. 55 Slika 34: Oblak točk lidarskega snemanja (levo) ter prikaz nekaterih atributov (desno) ......... 62 Slika 35: Od leve proti desni: intenziteta, DMR in DMP ......................................................... 63 XII Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. Slika 36: BDOF1 Slivnice (levo) ter barvna podoba intenzitete Slivnice (desno). . ................ 65 Slika 37: Klasifikacija BDOF1 (levo) in klasifikacija podobe intenzitete (desno) .................. 67 Slika 38: Od leve proti desni: DMR, DMP, višine območja MB 3. . ....................................... 68 Slika 39: Razdelitev točk na talne (zelene točke) in netalne (rdeče točke). Desno je prikazan izsek leve podobe.. ................................................................................................................... 68 Slika 40: Točke glede na red odboja ter vrsto (talne, netalne)... .............................................. 69 Slika 41: Od leve proti desni: BDOF1; talne točke (vijolične) in netalne točke (rumene); točke, višje od 1 m. . ................................................................................................................. 69 Slika 42: Objekti, višji od 0,5 m, 1 m, 2 m in 3 m (od leve proti desni) .................................. 70 Slika 43: Na podlagi BDOF1 prikazani objekti, višji od 0.5 m, 1 m, 2 m, 3 m (od leve proti desni).. ...................................................................................................................................... 70 Slika 44: Prikaz objektov glede na njihovo višino ................................................................... 71 Slika 45: Objekti, višji ali nižji od 1 m. . .................................................................................. 72 Slika 46: Ročno vektorizirana oblika strehe (levo) ter rastrirana streha (desno).. ................... 73 Slika 47: Podoba objektov z višino nad 1 m (rumeno) ter primerjava teh objektov z vektorizirano streho in rasteriziranim poligonom.. .................................................................. 73 Slika 48: Od leve proti desni: BDOF1, prvotna klasifikacija BDOF1 in prvotna klasifikacija intenzitete.. ............................................................................................................................... 74 Slika 49: Od leve proti desni: klasifikacija BDOF1 in intenzitete po razdelitvi na višine. ..... 74 Slika 50: Točke, zajete v pasu 5 m ter njihov profil. . .............................................................. 75 Slika 51: Statistični podatki višine izbranih točk na območju drevesa (levo) in strehe (desno). .................................................................................................................................................. 76 Slika 52: Točke dela območja MB 2 pod mrežo z velikostjo celice 1.5 m.. ............................ 77 Slika 53: Barvna podoba vseh vrednosti STD (levo) in vrednosti STD za objekte, višje od 1 m (desno).. .................................................................................................................................... 78 Slika 54: Razdelitev dreves (zeleno) in stavb (rdeče) glede na vrednost STD.. ...................... 79 Slika 55: Stavbe po STD (levo), filtrirane s filtrom večine (sredina) in s filtrom največje vrednosti (desno).. .................................................................................................................... 80 Slika 56: Klasifikacija intenzitete po višinski razdelitvi (levo) ter na osnovi STD in filtriranja (desno) ...................................................................................................................................... 81 Slika 57: Levo – vse točke (rdeče) in talne točke (modro); desno – netalne točke. . ............... 82 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. XIII Slika 58: Podoba STD objektov, višjih od 1 m, pri uporabi vseh točk (levo) ter zgolj netalnih točk (desno). . ............................................................................................................................ 82 Slika 59: Primerjava netalnih točk (rdeče) ter točk reda edini (modre). . ................................. 83 Slika 60: Podoba STD območja MB 1 za objekte, višje od 1 m, pri velikosti pikslov 1 m, 1,5 m in 2 m (po vrsti).. .................................................................................................................. 84 Slika 61: Izsek podob na sliki 60 .............................................................................................. 84 Slika 62: Klasifikacija dreves na osnovi STD na območju MB 2.. .......................................... 85 Slika 63: Stavbe po STD, filtriranje stavb ter prikaz stavb na BDOF1 (območje MB 3). . ...... 86 Slika 64: Stavbe, dobljene na osnovi STD (levo) ter učinek fukcije združi (sredina) ter presej (desno). . .................................................................................................................................... 87 Slika 65: Prvotno filtrirane stavbe (levo) ter filtriranje po uporabi funkcij združi in presej (desno). . .................................................................................................................................... 88 Slika 66: Stavbe po STD (levo), prvotno filtrirane stavbe (sredina) ter uporaba funkcij združi in presej (desno). . ..................................................................................................................... 88 Slika 67: Ročno vektorizirane stavbe v vektorski (levo) in rastrski (desno) obliki. . ............... 89 Slika 68: Stavbe iz lidarskih podatkov (levo) ter stavbe iz BDOF1 (desno) na ročno izločenih stavbah.. .................................................................................................................................... 89 Slika 69: Združitev stavb in dreves s tlemi ............................................................................... 90 Slika 70: Končna podoba klasifikacije na osnovi lidarskih podatkov (levo) in podatkov BDOF1 (desno). . ...................................................................................................................... 91 Slika 71: Klasifikacija BDOF1, ki vključuje sence (levo) ter podoba, kjer so sence nadomeščene s klasifikacijo lidarskih podatkov (desno). . ....................................................... 92 Slika 72: Točke glede na kot snemanja. . .................................................................................. 94 Slika 73: Linije enakih višin na strehi stavbe (levo), podoba intenzitete (sredina) ter izsek nekaj vrednosti intenzitete (desno).. ......................................................................................... 95 Slika 74: Izsek vrednosti intenzitete strehe točk serije 1, 2 in 3 (od leve proti desni). . ........... 96 Slika 75: Od leve proti desni: BDOF1, prvotna podoba intenzitete, popravljena podoba intenzitete .................................................................................................................................. 98 Slika 76: Prikaz kotov snemanja na območju MB3 (levo – vsi koti, desno – koti manjši od 4°). .................................................................................................................................................. 99 Slika 77: Intenziteta točk, prikazanih glede na red odboja... .................................................. 100 Slika 78: Edini odboj (rdeče) ter več odbojev pulza (modro). . .............................................. 100 XIV Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. Slika 79: Točke, obarvane glede na isti GPS čas (isti pulz). . ................................................ 101 Slika 80: Primerjava intenzitete točk edinega odboja in točk več odbojev. . ......................... 101 Slika 81: Levo: podoba intenzitete, izdelana na osnovi prvotnih točk reda prvi in edini; desno: podoba intenzitete, izdelana na osnovi prvotnih točk reda edini ter popravljenih točk reda prvi. ................................................................................................................................................ 102 Slika 82: Levo: podoba intenzitete objektov višjih od 1 m, izdelana na osnovi prvotnih točk reda prvi in edini; desno: podoba intenzitete objektov višjih od 1 m, izdelana na osnovi prvotnih točk reda edini ter popravljenih točk reda prvi.. ...................................................... 103 Slika 83: Levo: podoba intenzitete objektov nižjih od 1 m, izdelana na osnovi prvotnih točk reda prvi in edini; desno: podoba intenzitete objektov nižjih od 1 m, izdelana na osnovi prvotnih točk reda edini ter popravljenih točk reda prvi.. ...................................................... 103 Slika 84: Območja vode v Mariboru.. .................................................................................... 104 Slika 85: Podoba, obarvana glede na število točk (levo) ter podoba intenzitete (desno). ..... 105 Slika 86: Od leve proti desni: BDOF1, klasifikacija na osnovi BDOF1 in njeno filtriranje. 105 Slika 87: BDOF1 jezera (levo) ter klasifikacija vode in senc na osnovi BDOF1 (desno)..... 106 Slika 88: Od leve proti desni: klasifikacija vode iz BDOF1; klasifikacija vode iz lidarskih podatkov; združeno.. .............................................................................................................. 106 Slika 89: Prikaz oblaka točk glede na višino (levo) ali na vrsto točk tla oz. netla (desno).... 129 Slika 90: Prikaz oblaka točk glede na intenziteto (levo) ali na red odboja (desno).. ............. 130 Slika 91: Trirazsežen oblak točk.. .......................................................................................... 130 Slika 92: Prikaz profila oblaka točk.. ..................................................................................... 130 Slika 93: Barvni oz. črnobeli DMR. . ..................................................................................... 131 Slika 94: Plastnice.. ................................................................................................................ 131 Slika 95: Različna trirazsežna pogleda DMR s traso kolesarske proge.. ............................... 133 Slika 96: BDOF1 na trirazsežnem DMR. . ............................................................................. 133 Slika 97: Točke vzpenjače nad traso kolesarske proge.. ........................................................ 134 Slika 98: DMP na območju kolesarske proge.. ...................................................................... 134 Slika 99: BDOF1 na DMP na območju kolesarske proge. . ................................................... 134 Slika 100: DMP, popravljen s klasifikacijo. . ......................................................................... 135 Slika 101: Trirazsežni model trase kolesarske proge.. ........................................................... 135 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. KAZALO PRILOG Priloga A: Programska oprema za obdelavo podatkov Priloga B: Izdelava trirazsežnega modela kolesarske proge XVI Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. OKRAJŠAVE IN SIMBOLI ARSO Agencija Republike Slovenije za okolje BDOF1 barvni digitalni ortofoto načrt merila 1 : 5000 CCD Angl. Charge – Coupled Detector. Slikovni detektor, sestavljen iz integriranega vezja z mrežo povezanih svetlobno občutljivih elementov. Vsak izmed slednjih naboj, ki je odvisen od intenzitete vpadne svetlobe, prenese prek svojih sosedov na zunanje vezje, ki ustvari podobo. CLC Corine Land Cover – evropski projekt za izdelavo karte pokrovnosti CORINE COorRdination of INformation on the Environment oz. koordinacija informacij o stanju okolja DGPS angl. differential global positioning system - diferencialni sistem globalnega določanja položaja DKN digitalni katastrski načrt DMP digitalni model površja DMR digitalni model reliefa DMR20 digitalni model reliefa merila 1:20000 DMV digitalni model višin DOF digitalnih ortofoto načrt DOF1 digitalni ortofoto načrt v merilu 1:1000 DOF5 digitalni ortofoto načrt v merilu 1:5000 DTK25 državna topografska karta merila 1:25000 DTN5 digitalni topografski načrt merila 1:5000 EEA Evropska agencija za okolje EMV elektromagnetno valovanje GERK grafična enota rabe kmetijskih gospodarstev GIS geografski informacijski sistem GJI gospodarska javna infrastruktura GK-KS Gauss Kruegerjev koordinatni sistem GURS Geodetska uprava Republike Slovenije JRC Joint Research Centre - Skupni raziskovalni center Evropske Komisije Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. XVII LS laserski skener MKGP Ministrstvo za kmetijstvo, gozdarstvo in prehrano MOPE Ministrstvo za okolje, prostor in energijo RGB Red, Green, Blue – barvni prostor, prikazan v barvah rdeča, zelena in modra SURS Statistični urad Republike Slovenije SZPP sistem zbirk prostorskih podatkov TIN Triangulated irregular network – nepravilna trikotniška mreža WGS 84 World geodetic system – svetovni geodetski sistem, določen leta 1984; najbolj razširjen geocentrični koordinatni sistem. ZENDMPE Zakon o evidentiranju nepremičnin, državne meje in prostorskih enot ZLS zračno lasersko skeniranje ZRC SAZU Znanstvenoraziskovalni center Slovenske akademije znanosti in umetnosti ZUreP-1 Zakon o urejanju prostora XVIII Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. SLOVAR MANJ ZNANIH BESED IN TUJK Opise spodaj navedenih manj znanih besed in tujk sem črpala iz virov: Oštir, 2006, Wikipedia, 2008 in Slovar slovenskega knjižnega jezika, 2008. absorpcija Angl. absorption. Zmanjšanje jakosti elektromagnetnega valovanja pri gibanju v snovi. Absorpcijo določajo dielektrične lastnosti materiala in je močno odvisna od valovne dolžine. atribut Angl. attribute. Lastnost predmeta ali pojava, kateri koli imenovani detajl, ki opredeljuje, klasificira ali izraža stanje izbranega predmeta. barvni prostor RGB Angl. RGB colour space. Koordinatni sistem, ki barvne odtenke podaja z osnovnimi barvami, to je rdečo, zeleno in modro (red, green, blue). bližnja infrardeča Angl. near infrared light. Elektromagnetno valovanje z valovnimi svetloba dolžinami tik nad rdečim delom vidne svetlobe, to je med 0,7 µm in 2 µm. buffer Vplivna cona. daljinsko Angl. remote sensing. Znanost pridobivanja informacij o površju zaznavanje Zemlje, ne da bi z njo prišli v neposredni stik. Pri tem zaznavamo in zapisujemo odbito ali sevano elektromagnetno valovanje, ga obdelujemo, analiziramo in uporabimo v različnih aplikacijah. detektor Angl. detector. Naprava, ki meri prisotnost in intenziteto elektromagnetnega valovanja. Detektor prek optičnega sistema opazuje valovanje določenega dela površja pri izbrani valovni dolžini. digitalizacija Angl. digitalization. 1. Postopek pretvorbe analognega podatka v digitalno obliko. 2. Postopek ustvarjanja rastrske ali vektorske predstavitve podatkov v geografskih informacijskih sistemih. digitalni model Angl. digital relief model. Računalniška predstavitev glavnih lastnosti reliefa reliefa določenega območja. Digitalni model reliefa ne vsebuje le prikaza površja samega, ampak tudi njegov opis z nakloni, ekspozicijo ter plastnicami, padnicami, točkami vrhov ter z drugimi značilnimi Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. XIX digitalni model višin divergenca žarka filter filtriranje geoidna ondulacija georeferenciranj e GIS (geografski informacijski sistem) GPS (sistem globalnega pozicioniranja) črtami in točkami. Angl. digital elevation model. Računalniška predstavitev višin na določenem območju, preprostejši približek zapisa digitalnega modela reliefa. Največkrat je zapisan kot dvorazsežna celična mreža z višinami kot atributi. Kot razširjanja žarka. Angl. filter. 1. Optična naprava, ki izbira valovne dolžine. 2. Računska operacija, ki poudari ali zakrije elemente z določeno frekvenco na podobi. Angl. filtering. Metode obdelave podob, ki upoštevajo prostorske razsežnosti podatkov (upoštevajo sosede). S filtriranjem lahko odstranimo šum na satelitskih posnetkih, zgladimo ali poudarimo meje med homogenimi območji in podobno. Pri tem opazujemo spremembe v intenziteti, ki so večinoma postopne in le redko nenadne, in govorimo o »prostorski frekvenci«. Geoidna ondulacija oziroma geoidna višina (n) je višinska razlika (razdalja vzdolž normale) med referenčnim elipsoidom in Geoidom. Angl. georeferencing. Tudi geokodiranje ali georegistracija; postopek izvajanja geometrijskih popravkov in vpenjanja daljinsko zaznanih podob v koordinatni sistem. Način določanja prostorskih koordinat objektov in pojavov v prostoru, ki predstavlja obstoj ustreznega koordinatnega sistema. Angl. Geographic information system. Sistem za zajemanje, shranjevanje, vzdrževanje, obdelavo, povezovanje, analiziranje in predstavitev prostorskih geokodiranih podatkov. GIS sestavljajo strojna oprema, sistemska in namenska strojna oprema, uporabniške aplikacije, zbirke prostorskih podatkov ter vzdrževalci in uporabniki. Angl. global positioning system. Sistem za globalno določanje lege, ki temelji na tehnologiji vesoljske radijske navigacije. Sistem je začelo leta 1973 vzpostavljati ameriško obrambno ministrstvo, danes pa ga XX Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. hiperspektralni skener barvni prostor HSI informacija informacijski razred INS (inercialno navigacijski sistem) intenziteta interpolacija interpretacija interpretacijski ključ kalibracija kategorija sestavlja 27 satelitov. To mu omogoča natančno in zanesljivo določanje položaja kjer koli na zemeljski obli. Angl. hyperspectral scanner. Skener, ki podatke zajema v več sto kanalih hkrati. Angl. HSI colour space. Koordinatni sistem, ki barvne odtenke podaja z intenziteto, barvo in nasičenostjo. Angl. information. Miselni pomen, ki ga ljudje pripisujejo podatkom z znanimi uporabljenimi načini njihove interpretacije in predstavitve. Skupina podatkov z atributi, ki dajejo enako informacijo. Angl. inertial navigation system. Sistem, ki omogoča določanje položaja in navigacijo z uporabo optičnih ali mehanskih naprav, kot so žiroskopi – vrtavke, ki so vrtljive okoli treh, med seboj pravokotnih osi. Angl. intensity. Izraz intenziteta uporabljamo na mnogih področjih (fizika, fotometrija, radiometrija, matematika…), vendar se njen pomen lahko močno razlikuje. V nalogi se uporablja v kombinaciji z laserskim žarkom in v splošnem predstavlja jakost odbitega signala. Podrobneje je opisana v nalogi (poglavje 4). Približna vrednost funkcije znotraj obsega znanih nepovezanih vrednosti neodvisne spremenljivke. Angl. interpretation. Postopek, pri katerem posebej izurjen operater (interpretator) opazuje podobe in iz njih pridobiva informacije. Angl. interpretation key. Lastnost ali kombinacija lastnosti, ki omogočajo prepoznavanje predmetov na podobi. Angl. calibration. 1. Tudi usmerjanje; postopek preverjanja ustreznosti delovanja senzorja (ali druge naprave). 2. Postopek, pri katerem vrednosti na podobi povežemo s fizičnimi količinami, kot so npr. odbojnost, geometrija ali faza. Kar ima v okviru kake razporeditve, razdelitve enake, podobne značilnosti; skupina, vrsta, razred (SSKJ). Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. XXI klasifikacija klasifikacijski ključ koherentnost laser lidar lidarski podatki LS modeliranje monokromatskost mozaičenje multispektralni Angl. classification. Eden najpomembnejših korakov pri obdelavi daljinsko zaznanih podob, ki predstavlja povezavo med daljinskim zaznavanjem in geografskimi informacijskimi sistemi. S klasifikacijo iz rastrske podobe dobimo kvantitativen sloj, ki ga lahko uporabimo v analizah. Pri klasifikaciji gre za prepoznavanje predmetov na zemeljski površini na osnovi njihovih – praviloma spektralnih – lastnosti. Z dogovorom določen način, sistem, po katerem se kaj rešuje (kdaj in zakaj neko območje spada v točno določeno kategorijo). Ravna svetlobna fronta v eni sami valovni dolžini. Angl. light amplification by stimulated emission of radiation (ojačitev svetlobe s spodbujano emisijo sevanja). Laser je naprava, ki z izkoriščanjem prehodov med energijskimi stanji molekul ali atomov ustvarja žarek elektromagnetnega valovanja, ponavadi v ultravijoličnem, vidnem ali infrardečem delu spektra. Značilnosti laserske svetlobe so velika intenziteta, enakomerna porazdelitev intenzitete po preseku žarka, majhna divergenca, koherentnost in značilna valovna dolžina. Angl. lidar. Okrajšava za light detection and ranging oziroma svetlobno zaznavanje in merjenje razdalj. Gre za tehnologijo, podobno radarski, ki omogoča določanje razdalje do objektov ali površin z merjenjem časa potovanja laserskega impulza. Lidar uporablja laserje, ki delujejo v vidnem ali bližnje infrardečem delu elektromagnetnega spektra. Z njim lahko pridobivamo natančne podatke o obliki zemeljskega površja, na primer za izdelavo digitalnega modela višin. Oblak točk, dobljen z lidarskim snemanjem. Laserski skener. Prenos lastnosti, značilnosti raziskovanega predmeta na podoben predmet, narejen po določenih pravilih. Prikaz svetlobe le v eni barvi. Sestavljanje razdeljenih območij nazaj v celoto. Posnetek, kjer senzorji na satelitih zaznavajo več različnih, med seboj XXII Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. satelitski posnetek nadzorovana klasifikacija nenadzorovana klasifikacija normalizacija ortofoto ortorektifikacija piksel podoba pokrovnost ločenih delov spektra svetlobe. Angl. supervised classification. Oblika klasifikacije posnetkov, pri kateri operater določi učne vzorce, program (algoritem) pa ustvari njihove spektralne podpise. Piksle na podobi nato z uporabo različnih tehnik razdeli glede na podane vzorce, pri čemer lahko nekateri piksli ostanejo neklasificirani. Angl. unsupervised classification. Oblika klasifikacije, pri kateri piksle razporedimo v razrede glede na njihovo »naravno« združevanje v spektralnem prostoru. Pri nenadzorovani klasifikaciji v prvem koraku ne potrebujemo informacij o opazovanem površju, v drugem koraku pa moramo razrede prepoznati. Postopek predobdelave podob, ki odpravi vpliv različne osvetlitve zaradi oblike površja in s tem olajša primerjavo podob. Gre za umetno odstranitev senc na podobah z upoštevanjem digitalnega modela višin. Pretvorjena, prevzorčena fotografija v izdelek z geometrijskimi značilnostmi določene kartografske projekcije. Dodelitev določenega položaja (x, y, z), relativno glede na koordinatno mrežo. Angl. pixel. Tudi slikovni element (pixel, picture element); najmanjši – praviloma kvadratni – del podobe. Piksel podaja sivo ali barvno vrednost določenega dela površja, izraženo s številčno vrednostjo. Angl. image. Tudi slika; digitalna predstavitev podatkov daljinskega zaznavanja v obliki matrike slikovnih elementov oziroma pikslov. Podoba lahko predstavlja odbojnost ali lastno sevanje površja in je – odvisno od števila kanalov – eno ali večrazsežna. Izraz poleg tega zajema tudi vse rezultate obdelav, od predobdelave prek izboljšanja in transformacij do klasifikacije, modeliranj in simulacij. V najkrajšem pomenu je podoba vsaka slika v rastrski obliki. Pojem je širši od posnetka, ki je predstavitev resničnosti, kot jo je zajel senzor. Pokrovnost (land cover) je konkretna stvarnost, ki pokriva površje zemlje, in jo lahko neposredno opazujemo, na primer gozd, travnik… Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. XXIII POS predobdelava preklasifikacija prevzorčenje pulzni laser raba tal radiometrična ločljivost raster rastriranje refleksija Position and orientation measuring system - sistem za orientacijo in pozicioniranje. Predobdelava obsega postopke, ki pripravijo podatke za nadaljnjo analizo, ponavadi z namenom odpravljanja ali zmanjševanja sistematičnih napak. Sprememba iz ene kategorije v drugo. Angl. resampling. Izračun vrednosti novih pikslov z upoštevanjem starih, praviloma pri geometrijski transformaciji podobe. Matriko nove podobe dobimo iz vrednosti na stari, tako da upoštevamo položaj pikslov in uporabimo enega od interpolacijskih algoritmov (najpogosteje metodo najbližjega soseda, bilinearno interpolacijo ali kubično konvolucijo). Pri prevzorčenju pride običajno do izgube oziroma spremembe vhodnih podatkov. Laser, kjer razdaljo določamo z merjenjem časa t, ki preteče od oddaje signala do sprejema na zemeljskem površju odbitega (istega) signala. Raba tal (land use) je namen, za katerega ljudje izkoriščajo neko zemljišče, s poudarkom na njegovi funkcijski vlogi v ekonomskih aktivnostih, na primer industrija, rekreativne površine idr. Je abstraktna in je včasih ne moremo objektivno določiti niti s podrobnim ogledom. Število vrednosti, ki predstavljajo interval, na katerem so predstavljene odbojne vrednosti za določen del spektra (interval 0-255 = 8 bitov/piksel). Angl. raster. Oblika zapisa podatkov, pri kateri vrednosti podajamo v središčih ali ogliščih pravilne kvadratne mreže. Vrednosti so podane z matrikami številčnih vrednosti. Točnost rastrske predstavitve je odvisna od velikosti mrežnih celic, ki jo sestavljajo. V mrežnem zapisu vedno podajamo podobe daljinskega zaznavanja, pogosto pa tudi modele višin ali druge interpolirane spremenljivke. Prikaz vektorskih podatkov v obliki mreže, kjer vsaka celica v mreži vsebuje svojo vrednost. Odboj. XXIV Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. segmentacija skener spektralni odziv standardna deviacija standardni odklon topologija transmisija valovni laser zlivanje ločljivosti zračno lasersko skeniranje (ZLS) Angl. segmentation. Postopek delitve podobe na homogena območja (množice sosednjih pikslov). Segmentacija je praviloma prvi korak predmetno usmerjene klasifikacije. Angl. scanner. Snemalni sistem, ki opazuje površje z detektorji, ki imajo majhno vidno polje. Senzor s premikanjem detektorjev po površini Zemlje ustvarja dvorazsežne podobe. Snemanje poteka točko za točko, vrstico za vrstico, kombinacija gibanja detektorjev (ponavadi zasuka) in gibanje platforme pa ustvarja dvorazsežno podobo. Glavni vrsti skenerjev sta prečni in vzdolžni. Tudi spektralni podpis (angl. spectral signature). Opis načina odboja elektromagnetnega valovanja na predmetu v odvisnosti od valovne dolžine. Statistični kazalec za merjenje statistične razpršenosti enot. Glej standardna deviacija. Geometrija, ki se ukvarja z invariantami pri zveznih preslikavah. Topološki atributi podajajo povezanost, sosedstvo in vsebovanje geografskih objektov. Prepust. Laser, kjer razdaljo določamo z določitvijo faznih razlik med oddanim in sprejetim signalom. Povečanje prostorske ločljivosti multispektralnega kanala na ločljivost pankromatskega kanala. ZLS je metoda daljinskega zaznavanja, s katero pridobivamo trirazsežne informacije o objektih na zemeljskem površju in o površju samem, ne da bi bili v stiku z njim. Za zajem površja in objektov na njem se uporablja laserski skener, ki je vgrajen v dno nosilca tj. helikopterja ali letala. Za določitev tridimenzionalnih koordinat zajetih točk v referenčnem koordinatnem sistemu moramo poznati položaj in orientacijo senzorja v trenutku oddaje vsakega laserskega pulza ter čas potovanja laserske svetlobe od vira do objekta in nazaj. Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 1 1 UVOD Že precej stoletij je znano, da moramo biti za uspešno načrtovanje in gospodarjenje z zemljišči seznanjeni z njihovo pokrovnostjo in rabo tal. Prva je opazovan fizični pokrov na površju Zemlje, druga pa socialno ekonomska funkcija površine Zemlje in predstavlja funkcionalno koriščenje prsti za poljedeljske in industrijske namene ter za gradnjo stanovanj. Raba tal in pokrovnost sta bili zanimivi že fevdalcem, ko so želeli dobiti čim višje dajatve, zelo aktualni pa sta tudi danes, ko npr. načrtujemo prostorske posege ter spremljamo posledice globalnega segrevanja. Ker večina odločitev temelji na vizualni predstavi, so ljudje od nekdaj želeli pokrovnost in rabo tal vizualizirati, jih prikazati na kartah. Prve karte so bile za današnji čas sicer skromne, z napredkom tehnologije pa so se izboljševale. Že od začetka so dobro služile namenu, pravi razcvet pa je povzročila tehnologija GIS, ki je uporabnost teh kart v kombinaciji z drugimi kartami eksponentno povečala. Različni nameni uporabe so prinesli izdelavo različnih kart iste tematike. Za celotno območje Slovenije obstaja nekaj kart rabe tal oz. pokrovnosti v digitalni obliki. Narejene so bile na podlagi različnih virov in z različnimi metodami. Zaradi različnih namenov se razlikujejo njihova kakovost, podrobnost ter opredelitve in število kategorij. Pomembna razlika je v času, ki je bil potreben za njihovo izdelavo, v številu ljudi, ki so sloj izdelovali, in potrebnih finančnih sredstvih. Razlikujejo se tudi formati zapisa, saj so nekatere karte v rastrskem in druge v vektorskem zapisu. Za pridobitev predstave o kartah pokrovnosti, ki so na voljo v Sloveniji, sem v začetnem poglavju naloge predstavila osnovne značilnosti najpomembnejših kart na to tematiko. Vedela sem, da se karte med seboj razlikujejo in da večinoma zadoščajo zgolj analizam na ravni države oz. statistične regije. Ker poleg državne uporabnosti pokrovnost vse bolj zavzema mesto kot pomembna osnova za razne lokalne projekte, sem v nalogi skušala izdelati karto pokrovnosti, ki bi bila primerna tudi za tovrstne projekte (zahteva po kar se da majhni enoti kartiranja), njena izdelava bi bila hitra in ekonomsko sprejemljiva, metodologija izdelave pa odprta za možnost prilagoditve sloja za specifične študije (prilagoditev razredov, velikosti najmanjše enote). Poleg hitre izdelave karte sem želela uporabiti vir podatkov, ki ga brez večjih težav znova pridobimo (zaradi možnosti pogostih časovnih primerjav). Poleg omenjenih lastnosti mora biti karta uporabna v sistemih GIS ter združljiva z drugimi 2 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. prostorskimi podatki. Osnovni vir, ki bi lahko zadostil takšni karti pokrovnosti, so barvni digitalni ortofoto načrti merila 1:1000 (v nadaljevanju BDOF1). Poleg teh pa danes vse večji potencial kažejo prostorski podatki lidarskega snemanja. Izboljšanje naprav globalnega pozicioniranja in inercialnih navigacijskih sistemov, ki smo mu bili priča na prelomu tisočletja, je omogočilo razvoj lidarskega snemanja oziroma zračnega laserskega skeniranja (ZLS). Izraz lidar je okrajšava za LIght Detection And Ranging oziroma svetlobno zaznavanje in merjenje razdalj. Osnovni princip tehnologije je, da na podlagi izhodiščnega položaja, smeri in merjenja časa potovanja laserskih pulzov do opazovanih objektov, določimo podatke o trirazsežnem položaju objektov. S prvimi projekti spoznavamo prednosti ZLS pred fotogrametrijo, ki so v večji gostoti zajetih točk, boljši višinski natančnosti, v zmožnosti prodiranja v vegetacijo in s tem zajema točk na tleh itd. Meritve ZLS zaradi uporabe aktivnega senzorja niso odvisne od časa zajema, t. j. od dnevne svetlobe, kot tudi niso obremenjene s sencami. Prav tako na zajem ne vplivajo vremenske razmere – oblaki. Lidar s svojimi pridobljenimi podatki o višinah trenutno predstavlja najbolj natančno tehniko za izdelavo digitalnih modelov višin, vse več pa se uporablja tudi v geologiji, gozdarstvu, arheologiji, mobilnih telekomunikacijah, atmosferski fiziki, idr. Poleg prostorske lokacije opazovanega objekta pa lidar beleži tudi intenziteto odbitega signala od tega objekta. Intenziteta opazovanega objekta sicer nudi dodano vrednost podatku o trirazsežnem položaju (služi predvsem kot vizualni prikaz opazovanih objektov), vendar je odvisna od vrste dejavnikov in je precej težka za interpretacijo. Zato se je številni uporabniki ZLS v interpretaciji izogibajo ali pa jo uporabljajo precej pavšalno, kar uporabniku ne more nuditi ustrezne pomoči. Zadnjih nekaj let zato mnogi znanstveniki testirajo in analizirajo vrednosti intenzitete, da bi določili vrste in vplive motečih faktorjev in zapisali najprimernejši model odbojnosti, ki bi omogočal vsaj takšno kalibracijo surovih podatkov intenzitete, da bi le-ti nudili zadovoljivo uporabo. Odkrili so že nekaj tehnik za osnovno izboljšavo intenzitete, ki je po popravkih, poleg lažje prostorske predstave o izmerjenih točkah, nudila precejšnjo pomoč tudi pri različnih interpretacijah podatkov (Hu et al., 2004; Song et al., 2002, Donoghue et al., 2007). Če ne kot samostojni podatek, pa vsaj v kombinaciji z drugimi podatki, ne nujno lidarskimi (Brenner et al., 2002; Lutz et al., 2003; Tao and Yasuoka, 2001). Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. 3 Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. Ker je uporaba intenzitete zaenkrat še vedno zelo omejena, je namen moje naloge dobro preučiti lastnosti intenzitete lidarskih odbojev ter določiti nadaljnje možnosti njene uporabe v interpretaciji podatkov. Osnovni namen naloge je torej pridobiti podrobno karto pokrovnosti, izdelano na osnovi lidarskih podatkov in BDOF1. Samostojno in v njunih medsebojnih kombinacijah, pri čemer bi poleg intenzitete lidarskega snemanja poskušala uporabiti tudi druge lidarske podatke. Zaradi želje po hitri pridobitvi karte, čim manjšemu številu potrebnih interpretatorjev ter veliki odprtosti karte za prilagoditev specifičnim študijam, sem za izdelavo karte uporabila kar se da avtomatizirano metodologijo. Kot že povedano, sem v nalogi najprej primerjala različne karte pokrovnosti in rabe tal v Sloveniji. Temu sledi opis metode zračnega laserskega skeniranja ter lastnosti lidarskih podatkov, zlasti intenzitete. Osrednji del naloge se začne z opisom uporabljenih podatkov ter programske opreme in se po korakih nadaljuje z opisom metode klasifikacije pokrovnosti in njenih značilnosti. Kot dodatek sta v prilogi opisani programska oprema za obdelavo podatkov ter praktična uporaba klasifikacije lidarskih podatkov – izdelava trirazsežnega modela kolesarske proge. 4 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 2 PRIMERJAVA RAZLIČNIH KART POKROVNOSTI IN RABE TAL V SLOVENIJI Namen primerjave je na enem mestu predstaviti osnovne značilnosti najpomembnejših kart rabe oz. pokrovnosti tal za območje celotne Slovenije. Takšen nabor podatkov omogoča lažjo izbiro ustrezne karte za določen namen. Cilj primerjave je bil preučiti ustrezno literaturo in bolj nazorno opisati lastnosti vsake karte ter omogočiti njihovo neposredno primerjavo. S tem razlogom sem vsako posamezno karto najprej splošno predstavila, nato opisala metodologijo njene izdelave ter navedla njeno kakovost in uporabnost. Navedene prednosti in slabosti posameznih kart so moje osebno mnenje. 2.1 Osnovne definicije Raba tal Raba tal (land use) je namen, za katerega ljudje izkoriščajo neko zemljišče, s poudarkom na njegovi funkcijski vlogi v ekonomskih aktivnostih, na primer industrija, rekreativne površine idr. Je abstraktna in je včasih ne moremo objektivno določiti niti s podrobnim ogledom (Oštir, 2006). Pokrovnost Pokrovnost (land cover) je konkretna stvarnost, ki pokriva površje Zemlje, in jo lahko neposredno opazujemo, na primer gozd, travnik… (Campbell, 1996). Kategorija Kar ima v okviru kake razporeditve, razdelitve enake, podobne značilnosti; skupina, vrsta, razred (SSKJ). 2.2 Vrsta rabe v Zemljiškem katastru Opis: Vrsta rabe se vodi kot opisni podatek, vezan na osnovne enote zemljiškega katastra – parcele in parcelne dele. Namen: Prostorski prikaz lege parcel, parcelnih delov ter nanje vezanih opisnih podatkov za potrebe vodenja in vzdrževanja evidence Zemljiškega katastra. Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 5 Uporaba: Geodetski operativi služijo podatki pri geodetskih postopkih, posameznim resorjem občinske in državne uprave pa kot podlaga za vodenje politike gospodarjenja s prostorom, varovanja okolja, vrednotenja in obdavčevanja nepremičnin, upravljanju z objekti prometne in komunalne infrastrukture, itd. Lastnik: Geodetska uprava Republike Slovenije (v nadaljevanju GURS) Datum: Prvič se je digitalni katastrski načrt (DKN) vzpostavil 01.01.1992. Od takrat naprej se karta (vsaj v položajnem smislu) vzdržuje dnevno. Osnovni princip: Za vsak parcelni del se na terenu določi vrsta rabe glede na klasifikacijski ključ. Viri: Vir podatkov za vzpostavitev prvotnega digitalnega stanja so bili zemljiškokatastrski načrti različnih meril. Za vzdrževanje baze so vir terenske meritve, terenski ogledi in upravni postopki za spreminjanje katastrske kulture in namembnosti. Klasifikacija: Zemljiški kataster na dveh nivojih loči 4 skupne vrste rabe (katastrske kulture, zemljišča pod gradbenimi objekti, zelene površine in nerodovitna zemljišča) in 37 vrst rabe. Klasifikacijski ključ: GURS za vsak posamezen katastrski okraj z odločbo določi osnove za katastrsko klasifikacijo. Merilo kartiranja: Osnovno kartiranje je potekalo v različnih merilih, odvisno od lokacije. Najpogostejša merila so bila 1:2880, 1:1440, 1:2500, 1:1000. Najmanjša enota kartiranja: Strnjen zemljiški kos istega lastnika oziroma uporabnika se uvrsti v vrsto rabe glede na dejansko rabo, če dosega ali presega 200 m2, razen za izjeme. Predobdelava: Vzpostavitev digitalne evidence zemljiškega katastra, določitev vzorčnih parcel. Interpretacija: Pravilnik določa, da se vrste rabe zemljišč ugotavljajo ob izvajanju zemljiško katastrske izmere in ob vzdrževanju zemljiškega katastra neposredno na zemljišču ter posredno na podlagi podatkov aerosnemanja in drugih tehničnih podatkov, ki zagotavljajo pravilnost uvrščanja zemljišč v vrste rabe. Poobdelava: Poobdelava ni potrebna. Položajna natančnost: Relativna natančnost (med objekti) ustreza grafični natančnosti (0,2 mm · merilo načrta). Absolutna natančnost znaša med 2 m in lahko tudi do 50 m. 6 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. Tematska natančnost: Šifra vrste rabe na parcelnih delih je 80 % natančna. Enak odstotek je pravilno določenih katastrskih razredov. Časovna natančnost: Permanentno vzdrževanje. Logična usklajenost: Usklajenost med lokacijsko in pisno bazo je 99 %. Sloj je 95 % topološko urejen. Popolnost: Podatki so vzpostavljeni za skoraj vso Slovenijo. Prikaz dejanskega stanja: Na vrsto rabe, vezano na določeno parcelo, se ne moremo popolnoma zanesti. Zanesljivost je premajhna, da bi lahko karti zaupali in se nanjo pri pomembnih analizah naslanjali. Težavo predstavlja tudi relativno veliko položajno odstopanje parcel od dejanskega stanja, kar posledično pomeni položajno odstopanje vrste rabe. Način osveževanja: Vzdrževanje opravlja občinski geodetski organ na prijavo lastnika oziroma uporabnika in po uradni dolžnosti (revizija naj bi se izvedla na vsakih 15 let). Zahtevnost izdelave: Celoten postopek vzpostavitve baze in njenega vzdrževanja je zelo dolgotrajen. Zahteva veliko ljudi, ki to bazo vsak dan več ur dnevno vzdržujejo. Celotna nova izdelava baze je v kratkem času ekonomsko in časovno nerealna. Napake – vzroki: Zastarelo stanje katastra zaradi zgodnje vzpostavitve, velikih sprememb v načinu kmetijske obdelave zemljišč in gospodarskih pogojev, klasične in neracionalne tehnologije za vzdrževanje katastrske klasifikacije… Napake položaja katastra so posledica metod izmere in inštrumentarija v zgodovini ter digitalizacije prvotnih grafičnih načrtov. Napake – odprava: Zaradi zgoraj opisanih pomanjkljivosti se je država odločila posodobiti zemljiški kataster (Lipej, 2001; 226-227). Steklo je več državnih projektov na območju evidentiranja nepremičnin. Nezadostno kakovost izdelanega DKN v položajnem smislu sistemsko odpravljajo. Povezljivost z drugimi zbirkami: Slaba usklajenost sloja s sloji, ki niso bili pridobljeni na osnovi DKN. Prednosti: Majhna enota zajema; vrsta rabe je vezana na parcelo in s tem na lastništvo; vrsta rabe je zanesljivo določena (če je ažurna); vrsta rabe je na pozidanih območjih zelo natančno razdeljena; klasifikacijski ključ je narejen za vsak okraj posebej, kar pomeni upoštevanje naravnih značilnosti posameznih okrajev. Slabosti: Neažurnost vrste rabe; slaba položajna natančnost; vezanost vrste rabe na parcele, ne na dejansko stanje; slaba povezljivost z drugimi zbirkami, ki niso vezane na DKN; dolg in Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 7 drag postopek določanja vrste rabe na parceli (obvezen terenski pregled); stalno, (ne-) sistematično zaostajanje pri registraciji številnih sprememb vrste rabe. 2.3 Dejanska raba zemljišč Opis: Karta dejanske rabe zemljišč prikazuje stanje pokrovnosti tal, kot je v naravi. Vsako, s poligonom omejeno območje rabe, predstavlja strnjeno zemljišče z eno vrsto rabe, določeno na osnovi vnaprej dogovorjenih pravil. Namen: Vzpostavitev prostorske podatkovne baze o rabi kmetijskih zemljišč, opredelitev postopkov vzdrževanja ter pripis podatkov o rabi kmetijskih zemljišč parcelam iz zemljiškega katastra. Uporaba: Administrativni nadzor subvencijskih vlog, pomoč pri vzpostavljanju katastrov trajnih nasadov, registra kmetijskih gospodarstev in GERK, izvajanje drugih nalog s področja vodenja kmetijske politike. Lastnik: Ministrstvo za kmetijstvo, gozdarstvo in prehrano (MKGP). Datum: Pilotski projekt je potekal v letih 1996-1997. V letih 1998-1999 je potekala nadgradnja, razvoj informacijskega sistema MKGP. Leta 2004 so izdali priročnik za izobraževanje in dokončno izdelali sloj dejanske rabe. Osnovni princip: Dejanska raba se določa na osnovi vnaprej dogovorjenih pravil, s pomočjo katerih se na osnovi vizualne interpretacije digitalnih ortofoto posnetkov, neodvisno od lastnika zemljišč, razmejujejo posamezne osnovne vrste rabe. Viri: Podatki so bili pridobljeni na osnovi digitalnih ortofoto načrtov v merilu 1:5000 (DOF5). Vir za določitev dejanske rabe so bile tudi terenske kontrole, kot pomoč pa so v dvoumnih situacijah služile tudi topografske karte, digitalni model reliefa, obvestila uporabnikov, itd. Klasifikacija: Karta na drugem nivoju loči 21 kategorij rabe tal, na prvem nivoju pa: kmetijska zemljišča, gozdna in ostala poraščena zemljišča, pozidana in sorodna zemljišča, odprta zamočvirjena zemljišča, suha odprta zemljišča s posebnim rastlinskim pokrovom, odprta zemljišča brez nepomembnega rastlinskega pokrova ali z njim in vode. Klasifikacijski ključ: Klasifikacijski ključ je del interpretacijskega ključa, ki ga je zelo podrobno določilo MKGP. 8 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. Merilo kartiranja: 1:5000 Najmanjša enota kartiranja: Pravilnik določa, da je najmanjša površina zajema za vodo 10 m2, za pozidana in sorodna zemljišča pa 25 m2. Za kategorije kmetijskih zemljišč znašajo predpisane najmanjše površine od 25 m2 (rastlinjak), preko 500 m2 (hmeljišče, vinograd, oljčnik in ostali trajni nasadi) in 1000 m2 (vse ostale kategorije kmetijskih zemljišč) do 5000 m2 (kmetijska zemljišča znotraj pozidanih površin in gozda ter ostala nekmetijska zemljišča). Predobdelava: Priprava interpretacijskega ključa. Interpretacija: Podatki se zajemajo s fotointerpretacijo DOF5, pri čemer je treba strogo upoštevati interpretacijski ključ. Po potrebi se uporabijo tudi dodatni podatki oz. terenski ogled. Poobdelava: Preverjanje kakovosti interpretacije in topologije, nato prenos v evidenco. Položajna natančnost: 1 m. Tematska natančnost: 95 % glede na interpretacijski ključ. Časovna natančnost: Vzdrževanje bo predvidoma v sedemletnih ciklusih. Logična usklajenost: Lokacijska in pisna baza sta logično usklajeni, območja so definirana s topološko pravilnimi poligoni. Popolnost: Podatki o dejanski rabi so vzpostavljeni za 100 % Slovenije. Prikaz dejanskega stanja: Karta dejanske rabe tal je trenutno najbolj natančen enotni vir dejanske rabe tal za celotno ozemlje Slovenije, čeprav podatki niso povsem ažurni. Način osveževanja: Podatki se prenašajo v evidenco sukcesivno, glede na obnavljanje podatkov s posnetki iz zraka ter glede na priglašene spremembe nosilca kmetijskega gospodarstva ali drugega uporabnika podatkov. Zahtevnost izdelave: Za projekt izdelave rabe tal takšne ali podobne kvalitete je za večje območje (npr. celotno državno ozemlje) potrebno izjemno veliko finančnih sredstev in vloženega dela. Za operacije s podatki tolikšne natančnosti za večja območja je treba imeti zelo zmogljivo računalniško opremo. Napake – vzroki: Predvidevamo, da je bila največja ovira za večjo zanesljivost končnih podatkov slabo poznavanje terena, ki ga je interpretator kabinetno obdeloval (Petek, 2005). Napake so lahko tudi posledica neažurnosti. Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 9 Povezljivost z drugimi zbirkami: Kategorij v podatkovnih zbirkah dejanske rabe tal in zemljiškega katastra ni mogoče neposredno primerjati (Petek, 2005). Prednosti: Lokacijsko natančni; možnost uporabe v GIS; precej ažurni; interpretacijski ključ je zelo podrobno definiran (interpretacija je možna skoraj brez napak); zelo podrobno določena dejanska raba (majhne površine zajema). Slabosti: Niso časovno primerljivi (različni datumi zajema posameznih posnetkov, uporabljenih kot vir); težave na stikih (zaradi subjektivne interpretacije ima ista raba tal na dveh posnetkih različen atribut); nova izdelava baze je v kratkem časovnem terminu ekonomsko in časovno nerealna; vsebuje dejanske rabe, za katere MKGP ni pristojen. 2.4 Zbirka dejanske rabe zemljišč (GURS) Opis: Zbirka dejanske rabe zemljišč je del zbirke dejanske rabe prostora, kamor spada tudi zbirni kataster gospodarske javne infrastrukture. Dejanska raba prostora je poleg zbirke upravnih aktov in zbirke pravnih režimov del sistema zbirk prostorskih podatkov (SZPP), ki ga je predpisal Zakon o urejanju prostora (ZUreP-1). Hkrati je dejanska raba zemljišč del zbirke podatkov o nepremičninah, ki jih je predpisal Zakon o evidentiranju nepremičnin, državne meje in prostorskih enot (ZENDMPE). Zbirka dejanske rabe zemljišč združuje vse podrobnejše zbirke podatkov, ki jih vodijo pristojna ministrstva. Osnovno izhodišče projekta je, da dejanska raba zemljišč prikazuje dejansko stanje v naravi. Namen: Glavni namen podatkov o dejanski rabi zemljišč je dopolnitev topografskih podatkov. Podatki bodo služili za primerjavo med planskim in obstoječim stanjem zemljišč. Uporabni bodo pri vrednotenju zemljišč, ker se bodo vodili skupaj z zemljiškim katastrom in bo možno njihove podatke izkazati na parcelo. V veliko pomoč bodo tudi ministrstvu za kmetijstvo, gozdarstvo in prehrano pri podeljevanju subvencij. Poleg tega je zbirka podatkov stično mesto podatkov različnih sektorjev, kar pomeni, da bo možno preko njene vzpostavitve uskladiti metodologijo za jasno razmejitev različnih kategorij dejanske rabe zemljišč. Podatki o dejanski rabi zemljišč bodo eden izmed kazalcev razvoja okolja. Uporaba: Zbirka se trenutno še ne uporablja, uporabljala pa se bo v skladu z njenim namenom. Pravilnik o vsebini in načinu vodenja zbirke podatkov o dejanski rabi prostora določa, da dejanska raba zamenja vrsto rabe v zemljiškem katastru. Trenutno se podatki na 10 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. osnovi istega pravilnika vodijo neodvisno od parcel, v prihodnosti pa bodo podatki zadostili tudi zahtevi, da so meje določene tudi tako, da je mogoče podatke izkazovati po parcelah. Lastnik: Skupni lastnik celotne zbirke dejanske rabe zemljišč je Geodetska uprava Republike Slovenije (GURS), lastniki posameznih podatkov so Ministrstvo za kmetijstvo, gozdarstvo in prehrano (MKGP), Ministrstvo za okolje, prostor in energijo (MOPE) ter Agencija RS za okolje (ARSO). Datum: Projekt se je začel leta 2004 in se še ni končal, zato zbirka še ni vzpostavljena. Osnovni princip: Osnovni princip je spojitev določenih evidenc resornih ministrstev, odprava nesoglasij ter pretvorba na nivo parcele. Viri: Zbirka je v osnovi zamišljena tako, da bodo vir podatkov DOF5 (pozidana zemljišča), DTN5 (vodna zemljišča) ter evidenca rabe MKGP (ostalo). Klasifikacija: V Pravilniku o vsebini in načinu vodenja zbirke podatkov o dejanski rabi prostora so določene osnovne vrste dejanske rabe zemljišč: kmetijska zemljišča, gozdna zemljišča, vodna zemljišča, pozidana zemljišča, neplodna zemljišča. Podvrste so določene glede na vir, iz katerega so določeni podatki prevzeti. Klasifikacijski ključ: Evidenca rabe zemljišč MKGP je izdelana na osnovi interpretacijskega ključa MKGP (glej poglavje o omenjeni evidenci), pozidana zemljišča se bodo v nadaljevanju vodila predvidoma na podlagi katastra stavb, gospodarska javna infrastruktura (GJI) se bo prevzela iz Katastra GJI, vode pa bodo predali vodarji. Merilo kartiranja: Za vse evidence je bilo merilo kartiranja 1:5000. Najmanjša enota kartiranja: Najmanjša enota kartiranja je določena po enakem ključu kakor pri Dejanski rabi zemljišč MKGP, le pozidana zemljišča so podrobneje definirana (16 m2). Predobdelava: Izdelava posameznih evidenc. Za namen tega projekta je bilo potrebno v celoti po novem postopku zajeti pozidana zemljišča, ostale evidence so že obstajale. Interpretacija: Meje območij dejanske rabe zemljišč v posameznih evidencah so se evidentirale s topološko pravilnimi poligoni, ki se med seboj ne sekajo in neprekinjeno prekrivajo območje Republike Slovenije. Pri združitvi vseh evidenc v eno je prišlo do neustreznega sekanja poligonov. Manjša neskladja je GURS odstranil pretežno avtomatsko, večja pa posredoval pristojnim ministrstvom. Poobdelava: Podatke je treba preoblikovati tako, da se izkazujejo na parcelo natančno. Ta naloga ni enostavna, saj položaji parcel precej odstopajo od dejanskega stanja (od DOF, na Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 11 podlagi katerega je izdelan sloj dejanske rabe). GURS se problema zaveda in ga že rešuje skozi procese transformacij katastra. Položajna natančnost: 1 m. Tematska natančnost: 95 % glede na interpretacijski ključ. Časovna natančnost: Permanentno vzdrževanje (glede na spremembe in z evidenčnimi vpisi). Logična usklajenost: Podatki so topološko urejeni, ni nepravilnih prekrivanj in lukenj. Popolnost: Podatki o dejanski rabi so vzpostavljeni za vso Slovenijo. Prikaz dejanskega stanja: Predvidoma bo to baza, ki bo najbolje prikazovala dejansko pokrovnost tal za celotno ozemlje Slovenije. Način osveževanja: Permanentni prevzem evidence dejanske rabe zemljišč, spremembe v primeru ugotovitve neujemanja z dejanskim stanjem, spremembe na zahtevo lastnika ali uporabnika parcele (ZENDMPE, 14. člen). Zahtevnost izdelave: Ves trud je zajet v posameznih zbirkah, dodaten čas zahteva združitev različnih evidenc, določanje neskladij in koordinacija med posameznimi ministrstvi. Povezljivost z drugimi zbirkami: Trenutno se položajno slabo ujema z bazo, v kateri se mora po zakonodaji voditi, to je z digitalnim zemljiškim katastrom. Po vzpostavitvi zbirke bo z drugimi zbirkami povezljiva. Prednosti: Prikazovala bo podrobno dejansko stanje v naravi; dejansko rabo tal bo možno prikazati na parcelo natančno; možno bo določanje lastništva; posamezne podatke bodo posredovala ministrstva, ki so za to pristojna; na enem mestu bodo zbrani in vsebinsko usklajeni uradni podatki različnih ministrstev. Slabosti: Trenutna nezmožnost določanja dejanske rabe na parcelo natančno; podatki se nanašajo na precej dolgo časovno obdobje (1997-2000), zato ne omogočajo časovne primerjave; ažuriranje bo prinašalo precejšnje stroške, porabo časa, delovne sile in organizacijske koordinacije; različne interpretacije dejanske rabe zemljišč med pristojnimi ministrstvi; različni načini vodenja podatkov na pristojnih ministrstvih; zapleten postopek obveščanja ministrstev ob vsaki spremembi osnovnih podatkov; nekatera ministrstva ne vodijo podatkov o dejanski rabi zemljišč za katera so pristojna. 12 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 2.5 CORINE Opis: S strani Evropske komisije je bil leta 1985 sprejet program CORINE (COorRdination of INformation on the Environment), katerega namen je bil koordinacija informacij o stanju okolja. Svet Evrope je leta 1990 ustanovil Evropsko agencijo za okolje (EEA) in ji naložil vzpostavitev Evropskega okoljskega monitoringa. V okviru projekta se je izdelala tematska karta pokrovnosti tal, ki ažurno predstavlja realno stanje pokrovnosti kot ga je zaznal satelit, ne glede na morebitno rabo ali pravno stanje. Leta 2000 in 2006 sta sledila projekta Corine Land Cover (CLC) 2000 in 2006 z namenom korekcije baze podatkov iz prejšnjega CLC, nadgradje podatkov ter ugotovitve glavnih sprememb. Namen: Podatki so namenjeni za vsedržavno podatkovno bazo pokrovnosti tal, ki je primerljiva z ostalimi državami v Evropi. Karta je v prvi vrsti namenjena integraciji v geografske informacijske sisteme, kjer lahko na nivoju širšega območja (EU) upravljamo z informacijami o pokrovnosti. Skupaj z informacijami reliefa so le-te temeljne za upravljanje s prostorom in naravnimi viri, zato so kot takšne osnovni vir različnih projektov. Uporaba: Podatkovna baza CLC je podlaga za ekološke in panožne analize na evropski, regionalni in nacionalni ravni, za uporabno se je izkazala tudi na meddržavni ravni (INTERREG projekti, poročanje po EU direktivah). Lastnik: CLC je skupen projekt Evropske agencije za okolje (EEA) in Skupnega raziskovalnega centra Evropske Komisije (Joint Research Centre (JRC)). V Sloveniji so projekt izvajali na Geodetski upravi RS v sodelovanju z Agencijo Republike Slovenije za okolje, Gozdarskim inštitutom Slovenije, Biotehniško fakulteto - Center za pedologijo in varstvo okolja, Inštitutom za geologijo, geotehniko in geofiziko ter podjetjem Gisdata. Datum: Prvi zajem je nastal v letu 1990 (v Sloveniji 1995/1996), drugi v letu 2000 (v Sloveniji marec – november 2003), treji pa leta 2006. Osnovni princip: Delo je potekalo po standardni in zelo natančno definirani metodologiji Corine Land Cover (CLC), ki predvideva vektorizacijo na osnovi vizualne fotointerpretacije satelitske slike. Viri: Satelitski posnetki Landsat TM ter Landsat 7 ETM+ (multispektralni posnetki ločljivosti 25 m ter pankromatski posnetki ločljivosti 12,5 m). Kot dopolnilni vir izdelave karte so posameznim državam služile sektorske baze podatkov, topografske karte in aeroposnetki. Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 13 Klasifikacija: Nomenklatura CORINE land cover je sestavljena iz treh nivojev: prvi nivo (5 razredov) predstavlja glavne kategorije, drugi nivo (15 razredov) za uporabo na kartah meril 1:500.000 in 1:1.000.000 in tretji nivo (44 razredov) za uporabo v projektu CLC (merilo 1:100.000). Klasifikacijski ključ: Klasifikacijski ključ je bil sestavljen iz vrednosti RGB izbranega piksla, ki predstavlja točno določen razred (CORINE). Ker je spektralni podpis prostorsko odvisen, je klasifikacijski ključ služil zgolj kot pomoč. Določanje rabe je moralo temeljiti na prepoznavanju značilnih oblik na površju Zemlje ter upoštevanjem drugih državnih kart, ki se tičejo pokrovnosti. Merilo kartiranja: Merilo kartiranja je 1:100.000. Najmanjša enota kartiranja: Z upoštevanjem teh zahtev je bilo določeno minimalno območje 25 ha, minimalna širina poligona 100 m in najmanjša zaznana sprememba v pokrovnosti 5 ha. Predobdelava: Zbiranje podatkov ter priprava podatkov (ortorektifikacija, geolociranje, prevzorčenje, izboljšava podob, oblikovanje podatkovne baze, vnos podatkov…). Interpretacija: Računalniško podprta fotointerpretacija. Razredi v CORINE niso vezani zgolj na homogen spektralni odziv, zato je metodologija izdelave močno odvisna od zmožnosti interpretatorja podobe. Upoštevati je bilo potrebno zahtevano kakovost interpretacije. Poobdelava: Kontrola posameznih listov (kontrola kod, topologije, geometrije), integriranje (povezovanje posameznih delov v celoto), izročitev podatkovne baze (izvoz podatkov, poročilo, predaja podatkov). Položajna natančnost: Srednja položajna napaka sloja CORINE je 100 m ali manj. Tematska natančnost: Vsaj 85 %. Časovna natančnost: Baza se osvežuje na pet let. Logična usklajenost: Med posameznimi poligoni ni prekrivanj, točke, linije in poligoni se ne podvajajo, centroidi ležijo znotraj poligonov. Popolnost: Lokacijski podatki v digitalni obliki so vzpostavljeni za 100 % Slovenije. Prikaz dejanskega stanja: Karta prikazuje grobo stanje izpred dveh let. Podatki v vsebinskem smislu niso bili popolnoma pravilno interpretirani, dejansko stanje v razdrobljeni Sloveniji pa ukrivlja tudi prevelika velikost najmanjše enote kartiranja. Način osveževanja: Baza se vsakih pet let ponovno izdela po enaki metodologiji. 14 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. Zahtevnost izdelave: Za uporabo pripravljene vire ter celotno metodologijo so pripravili na EEA. Naloga vsake posamezne države je bila, da pravilno interpretira dejansko rabo na njenem območju po predpisani metodologiji. Kljub temu projekt še vedno zahteva nekaj časa in interpretatorjev. Povezljivost z drugimi zbirkami: Zaradi premišljeno določenega merila kartiranja je sloj neposredno primerjiv z drugimi zbirkami, ki so v merilu 1:100.000. Med seboj so primerljivi tudi podatki CORINE posameznih evropskih držav, saj so narejeni po enotni metodologiji in kvalitativno preverjeni s strani ene ustanove. Prednosti: Časovna in prostorska primerljivost na evropski ravni; zagotovljena osvežitev sloja na pet let; sofinanciranje izdelave sloja s strani EU; relativno hitra izvedba; stabilnost kakovosti: nabava podatkov, ortorektifikacija in kontrola kakovosti so centralizirane. Slabosti: Za slovenske razmere prevelika enota kartiranja, veliko število mešanih razredov. 2.6 Statistični GIS pokrovnosti tal Opis: Statistični GIS pokrovnosti tal Slovenije prikazuje prostorsko razporeditev osnovnih kategorij pokrovnosti tal. Namen: Statistični urad Republike Slovenije (SURS) pridobiva podatke o splošni pokrovnosti tal za izpolnjevanje nacionalnih in mednarodnih potreb po teh podatkih. Zbiranje podatkov pomeni izpolnitev zakonskih obveznosti, ki jih ima SURS kot zbiralec in dajalec podatkov po določilih Zakona o državni statistiki. Uporaba: Podatke o pokrovnosti tal uporablja SURS pri izdelavi raznih geografskih analiz in pri izdelavi tematskih kart. Sloj je primeren kot osnova za kartografsko prikazovanje drugih podatkov in tudi za povezovanje pokrovnosti tal z drugimi geografsko lociranimi podatki in ustrezno geomatično analizo prostorskih odvisnosti. Lastnik: Statistični GIS pokrovnosti in rabe tal so izdelali na Oddelku za geomatiko in GIS pri SURS, kateri je tudi lastnik podatkov. Datum: Karta je bila do sedaj izdelana že štirikrat, in sicer v letih 1993, 1997, 2001 in 2005. Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 15 Osnovni princip: Karto pokrovnosti so izdelali s klasifikacijo multispektralnih satelitskih posnetkov ter primerjavo in prekrivanjem rezultata z več pomožnimi zbirkami podatkov. Iz zbranih podatkov so izdelali vektorske sloje. Viri: Satelitski posnetki Landsat ETM, podatki Zajema kmetijske rabe tal (MKGP), evidenca hišnih številk, podatki državnih cest, železnic, odlagališč, kamnolomov in peskokopov. Kot pomožni podatki so bili uporabljeni tudi DMR20, DOF, terenski vzorci ter Državna topografska karta DTK25. Klasifikacija: Klasifikacija je razdeljena na dva nivoja. Na prvem loči 7 kategorij, na drugem pa 19. Prvi nivo tvorijo: gozdnate površine, vse kmetijske površine, pozidane površine, ceste, železnice, odprte površine, vode. Klasifikacijski ključ: Vrsto pokrovnosti so določali na podlagi vadbenih vzorcev, uporabo logičnega filtiriranja ter uporabo drugih baz podatkov o rabi zemljišč oz. pokrovnosti tal. Merilo kartiranja: Uporabljeni podatki so bili zelo različne kakovosti (npr. železniške proge so bile digitalizirane iz kart v merilu 1:50.000, tekoče vode, jezera in zajezitve iz 1:25.000, ceste in gozdni rob iz 1:5.000). Najmanjša enota kartiranja: Najmanjša enota kartiranja kmetijskih, gozdnatih, odprtih površin in voda je 1 ha. Najmanjša enota kartiranja pozidanih površin je povprečna velikost objekta s pripadajočo hišno številko (120 m2). Predobdelava: Zlivanje ločljivosti, georeferenciranje, razrez scen po statističnih regijah, priprava vadbenih vzorcev. Interpretacija: Nadzorovana mehka multispektralna klasifikacija (gozdnate, kmetijske in odprte površine) ter generiranje vplivne cone okrog centroida hišne številke in linijskih podatkov cest in železnic. Poobdelava: Logično filtriranje rezultatov klasifikacije ter dodajanje nekaterih podatkov. Položajna natančnost: Srednja napaka položaja ni večja od 30 m. Tematska natančnost: Povprečna zanesljivost je 86 %. Časovna natančnost: Statistični GIS pokrovnosti tal se izdeluje vsaka štiri leta (prvič 1993). Logična usklajenost: Podatki so topološko urejeni. Med posameznimi kategorijami ni prekrivanj. Popolnost: Podatki zajemajo celotno območje Slovenije. 16 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. Prikaz dejanskega stanja: Karta prikazuje stanje izpred treh let. Podatki v vsebinskem smislu niso bili popolnoma pravilno interpretirani, dejansko stanje v razdrobljeni Sloveniji pa ukrivlja tudi prevelika velikost najmanjše enote kartiranja. Način osveževanja: Podatki se v celoti ponovno izdelajo vsake štiri leta, med tem se ne spreminjajo. Zahtevnost izdelave: Območja pokrovnosti, ki so se določala na podlagi satelitskih posnetkov, so bila določena avtomatsko z nadzorovano klasifikacijo, za kar na SURS niso potrebovali veliko število operaterjev in njihovega časa. Podobno so na časovno komponento vplivali ostali dopolnilni podatki, saj so bili zgolj prevzeti od lastnikov ter pripeti na osnovni sloj pokrovnosti. Povezljivost z drugimi zbirkami: Podatki o pokrovnosti tal so povezljivi z drugimi zbirkami, saj jih SURS uporablja pri izdelavi raznih geografskih analiz in pri izdelavi tematskih kart. Sloj je primeren kot osnova za kartografsko prikazovanje drugih podatkov in tudi za povezovanje pokrovnosti tal z drugimi geografsko lociranimi podatki in ustrezno geomatično analizo prostorskih odvisnosti. Prednosti: Velika površina tal je zajeta na enem satelitskem posnetku (enak čas snemanja); možnost avtomatizirane interpretacije pokrovnosti tal; hitro in cenovno ugodno kartiranje pokrovnosti; možnost časovnih primerjav; zakonsko zagotovljena osvežitev sloja na štiri leta; ni negativnih posledic subjektivne interpretacije; možnost uporabe v GIS. Slabosti: Slaba ločljivost za analize, ki se opravljajo za prostorske enote, manjše od statistične regije; posamezni podatki, ki določajo pokrovnost, so zelo različne kakovosti (npr. kmetijske površine in železnice); možne napake avtomatske klasifikacije in vektorizacije. 2.7 Karta pokrovnosti (ZRC SAZU) Opis: Rastrska karta pokrovnosti Slovenije. Namen: Osnovna karta je bila izdelana za potrebe načrtovanja omrežja mobilne telefonije. Končna karta je nadgradnja osnovne karte in je bila izdelana za namen diplomske naloge. Uporaba: Satelitski podatki omogočajo hiter vpogled v razprostranjenost nekaterih pojavov in procesov na zemeljskem površju od državne, prek regionalne do lokalne ravni (Ramšak, 2004) in so kot takšni primerni za študije na regionalni ali državni ravni. Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 17 Lastnik: Inštitut za antropološke in prostorske študije Znanstvenoraziskovalnega centra Slovenske akademije znanosti in umetnosti (ZRC SAZU). Datum: Karta je bila izdelana leta 2003 na podlagi posnetkov iz let 1999 in 2000. Osnovni princip: Sloj pokrovnosti je bil izdelan s klasično nadzorovano klasifikacijo satelitskih posnetkov. Kot glavni klasifikacijski algoritem je bila uporabljena metoda največje verjetnosti, natančnost je bila povečana z upoštevanjem klasifikacije v dva sloja, omejevanjem z višino in naklonom ter dodatnih slojev. Viri: Osnovni vir so bili satelitski posnetki Landsat TM in ETM+ iz let 1999 in 2000. Kot pomožne podatke so uporabili še: izbrane reke iz vektorskih podatkov slovenskih vodotokov (GURS), vektorske poligone slovenskih vod (GURS) in digitalni model višin s horizontalno ločljivostjo 25 x 25 m (DMV) (Oštir et al., 2000). Za kontrolo so uporabili digitalne ortofoto posnetke (DOF) (GURS) ter podatke o rabi kmetijskih zemljišč v digitalni obliki (MKGP). Klasifikacija: Izvajalci so izbrali kompromis med velikim številom razredov in preprostostjo obdelave ter se odločili za sedem osnovnih kategorij: gozd, grmičevje in zaraščanje, ekstenzivna travniška raba, intenzivna kmetijska raba, pozidana in sorodna zemljišča, voda, odprto. Klasifikacijski ključ: Osnova za določitev vrednosti posameznemu pikslu so bili skrbno izdelani vzorci, določeni na podlagi nenadzorovane klasifikacije, ogleda območja na digitalnem ortofotu ter slojev pokrovnosti posameznih resornih ministrstev. Merilo kartiranja: Merilo kartiranja ni bilo določeno, saj so se vrednosti pikslov določale po v naprej predpisani sistematiki. Najmanjša enota kartiranja: Najmanša enota kartiranja je piksel 25 krat 25 m, kar pomeni območje 625 m2. Predobdelava: Prevzorčenje posnetkov, izločitev oblačnosti, razdelitev območja na kvadrante. Interpretacija: Za začetno pridobitev naravne razporeditve vzorcev so uporabili nenadzorovano klasifikacijo. Dobljenim spektralnim razredom so v nadaljevanju priredili informacijske razrede, ki so jih uporabili kot vzorce za nadzorovano klasifikacijo. Poobdelava: Mozaičenje, preklasifikacija, filtriranje, dodajanje sloja vod iz vektorskih podatkov. 18 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. Položajna natančnost: 25 m. Tematska natančnost: Povprečna tematska natančnost karte presega 92 %, kar je za tovrstne naloge zelo dober rezultat (Foody 2002), zlasti za študije na regionalni ali državni ravni. Časovna natančnost: Podatki se nanašajo na stanje iz leta 2000. Logična usklajenost: Vsakemu pikslu je določena vrednost za vrsto pokrovnosti. Popolnost: Podatki popoloma prekrivajo območje Slovenije. Prikaz dejanskega stanja: Karta prikazuje stanje izpred osmih let. Podatki v vsebinskem smislu niso bili popolnoma pravilno interpretirani, dejansko stanje v razdrobljeni Sloveniji pa ukrivlja tudi prevelika velikost najmanjše enote kartiranja. Način osveževanja: Karta je bila izdelana za enkratni namen. Osveževanje ni predvideno. Zahtevnost izdelave: Glede na relativno dober rezultat so za projekt izdelave karte porabili malo ur in finančnih sredstev. Napake – vzroki: Vzroke za napake lahko iščemo v preveliki generaliziranosti, premalo kakovostni določitvi učnih vzorcev, premalo zahtevni poklasifikaciji in preskromno uporabo dodatnih podatkovnih slojev. Napake – odprava: Na podlagi vzorčnih točk je mogoče sklepati, da bi rezultate lahko izboljšali s kakovostnejšo določitvijo določenih učnih vzorcev ter z zahtevnejšo poklasifikacijo. Kljub temu bi točnost klasifikacije izboljšali le malenkostno (Ramšak, 2004). Povezljivost z drugimi zbirkami: Bistvena lastnost, po kateri se ta sloj razlikuje od drugih, je oblika podatkov. Sloj se namreč vodi v rastrski obliki, ostali sloji pa so v veliki večini vektorski. Vsekakor se kot rastrska podlaga lahko podložijo katerikoli vektorski karti, za potrebe različnih GIS analiz pa jih je mogoče tudi vektorizirati. Prednosti: Velika podrobnost za lokalne in regionalne študije; hiter in cenovno ugoden način pridobitve sloja (velika stopnja avtomatizacije); večina podatkov se nanaša na enak časovni trenutek; upoštevanje pokrajinskih raznolikosti pri klasifikaciji; ni subjektivnih napak interpretatorja; možnost izboljšave sloja z ne preveliko napora; karta prikazuje zgolj pokrovnost in ne pravnih režimov; možnost prilagoditve sloja za specifične študije; možnost prilagoditve razredov po želji naročnika; možnost pogostega osveževanja sloja in s tem kratkoročnih časovnih primerjav; analize z rastri so mnogo bolj enostavne kot z vektorji. Slabosti: Premajhna podrobnost za lokalne študije; nezmožnost neposredne primerjave z drugimi zbirkami; v nekaterih primerih nezmožnost neposredne uporabe v GIS; ni Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. 19 Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. primerljivosti na evropski ravni; premajhna tematska natančnost za specifične okoljske analize; kakovost vira je odvisna od vremenskih pogojev. 2.8 Ugotovitve Opisane karte pokrovnosti se med seboj močno razlikujejo. Glavne razlike so v podrobnosti (velikosti enote) zajema, vrstah pokrovnosti, vezanosti na parcele, ažurnosti, položajni in tematski natančnosti, zanesljivosti, možnosti uporabe v GIS, časovni primerljivosti, primerljivosti z drugimi bazami, hitrosti in ceni izvedbe, idr. Vse te razlike so logična posledica namena uporabe baze in na tej osnovi temelječe premišljeno določene metodologije izdelave baze. Tako vsaka baza bolj ali manj uspešno služi svojemu namenu. Izdelavo večine kart (vseh razen karte ZRC SAZU) predpisuje zakonodaja, saj služijo pomembnim analizam in raziskavam na območju države, statistične regije ali občine. Iz enakega razloga je metodologija za njihovo izdelavo natančno definirana in zaprta za razne prilagoditve. Poleg državne uporabnosti pa pokrovnost vse bolj zavzema mesto kot pomembna osnova za razne lokalne projekte, tudi v privatni sferi. V tem primeru mora izdelava karte temeljiti na povsem drugačni metodologiji od večine zgoraj naštetih kart. Karta mora biti v prvi vrsti primerna za kar se da majhno osnovno enoto pokrovnosti, njena izdelava mora biti hitra in ekonomsko sprejemljiva, metodologija izdelave pa odprta za možnost prilagoditve sloja za specifične študije (prilagoditev razredov, velikosti najmanjše enote). Poleg hitre izdelave karte je pri potrebi kratkoročnih časovnih primerjav potrebno zagotoviti tudi vir podatkov, ki ga brez večjih težav znova pridobimo. Poleg omenjenih lastnosti mora biti karta uporabna v sistemih GIS ter združljiva z drugimi prostorskimi podatki. Osnovni vir, ki bi lahko zadostil takšni karti pokrovnosti, so barvni digitalni ortofoto načrti merila 1:1000 (v nadaljevanju BDOF1). Poleg teh pa danes vse večji potencial kažejo prostorski podatki lidarskega snemanja, zato sem jih v nalogi skušala uporabiti kot vir za določitev pokrovnosti. Samostojno in v povezavi z BDOF1. 20 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 3 ZRAČNO LASERSKO SKENIRANJE – LIDAR 3.1 Osnove metode ZLS Zračno lasersko skeniranje (ZLS) je relativno nova, vendar hitro razvijajoča se metoda daljinskega zaznavanja, s katero pridobivamo trirazsežne informacije o površju samem in objektih na zemeljskem površju, ne da bi bili v stiku z njimi. Za zajem se uporablja aktivni senzor tj. laserski skener (LS), ki je nameščen v dno nosila tj. helikopterja ali letala (slika 1). Slika 1: Zajem podatkov v misiji zračnega laserskega skeniranja (ALTM, 2007). Fig. 1: Airborne laser scanning (ALTM, 2007). Laserski vir oddaja lasersko svetlobo proti napravi za odklon žarkov (skener, angl. scanner), od katere se odbije in usmeri proti tlom pod nosilcem. Glede na tip skenerja se na tleh zariše značilen vzorec skeniranja prečno na smer leta. Ko se valovanje na tleh (največkrat) difuzno odbije in en del vrne nazaj v smeri senzorja, lahko detektor LS zazna odboj in registrira čas potovanja žarka. Posredno preko časa potovanja laserske svetlobe (angl. round trip travel time) se meri dvojno razdaljo od senzorja do tal (tarče, na kateri se je žarek odbil). Hkrati se zabeleži še kot odklona žarka na skenerju. Premikanje nosilca sistema v smeri leta pa omogoča zajem točkovnih podatkov v prostoru. Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. 21 Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. Za določitev tridimenzionalnih koordinat zajetih lidarskih točk v referenčnem koordinatnem sistemu pritrjenem na zemljo moramo poznati položaj in orientacijo senzorja LS v trenutku oddaje vsakega laserskega pulza. Položaj je določen s simultanimi meritvami diferencialnega kinematičnega GPS (DGPS, angl. differential global positioning system), orientacija pa z meritvami INS (angl. inertial navigation system) treh kotov zasuka nosilca v prostoru. Tehnologija ne zagotavlja določitve koordinat v realnem času, ampak zahteva dodatno procesiranje podatkov. Po končani zračni misiji se v procesu naknadne obdelave preko časovne informacije združijo podatki laserskih poševnih razdalj (meritve LS) s POS podatki položaja in orientacije (integrirane meritve sistema GPS in INS). Za večjo relativno in absolutno natančnost trirazsežnih lidarskih podatkov se pri izračunu koordinat upoštevajo še kalibracijski podatki merskega sistema ZLS. V postopku georeferenciranja se za vsak odboj laserskega žarka izračunajo trirazsežne koordinate (X, Y, Z) v referenčnem koordinatnem sistemu, ki jih nato uporabimo za izdelavo končnih rezultatov ZLS tj. za digitalni model reliefa, površja, stavb, itd. Ker je količina zajetih podatkov s tehnologijo ZLS ogromna, je za njihovo upravljanje in uporabo v postopkih obdelave (npr. za izračun trirazsežnih koordinat, DMR, itd.) izrednega pomena razvoj zmogljivih ter učinkovitih programov (angl. software). Danes je na voljo že mnogo programskih orodij (TerraSolid, SCOP++, itd.), ki omogočajo visoko stopnjo avtomatizacije postopkov za obdelavo ter analizo lidarskih podatkov. S tem zagotavljajo tudi časovno in stroškovno učinkovitost merske tehnike ZLS ter nadalje veliko število področij uporabe ZLS. 3.2 Zajem podatkov z merskim sistemom ZLS Glavne komponente merskega sistema ZLS, ki delujejo ločeno v samostojnih enotah, in s katerimi pridobimo želene trirazsežne podatke zajetega območja, so: - kompaktni laserski razdaljemer (LIDAR), - naprava za odklon laserskih žarkov ali laserski skener (LS), - inercialni navigacijski sistem INS (krmilno procesna enota) z visoko natančnostjo in - sistem globalnega določanja položaja GPS (sistem pozicioniranja). 22 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. Sistemu ZLS je največkrat dodana še digitalna kamera, ki omogoča simultano zajemanje vidne svetlobe (rezultat so digitalne fotografije, ki jih lahko pretvorimo v ortofoto). Druge komponente merskega sistema so še referenčna GPS postaja na tleh, drugi senzorji po izbiri (digitalni CCD fotoaparat, fotogrametrična kamera), računalnik, operacijski sistem in programi za kontroliranje zajema podatkov med letom, medij za shranjevanje laserskih meritev, podatkov skenerja, podatkov GPS in INS ter alternativnih slikovnih podatkov, programi za planiranje leta in za po-obdelavo podatkov, GPS za navigacijo leta nosilca sistema, komponente za montažo sistema, neobvezno še merilci temperature in vlažnosti (Baltsavias, 1999a). V tem kompleksnem merskem sistemu poteka veliko samostojnih meritev. Najpomembnejše meritve, ki se izvajajo v štirih glavnih komponentah merskega sistema ZLS so: · merjenje razdalje z laserskim razdaljemerom; · merjenje odklona laserskega žarka s skenerjem; · merjenje položaja senzorja s sistemom GPS; · merjenje orientacije senzorja s sistemom INS. Sodobni sistemi laserskega skeniranja so sposobni dodatno izmeriti navpično strukturo površja in višine objektov na terenu, kot so drevesa in zgradbe, saj registrirajo prvi in zadnji odboj pulza (novejši sistemi tudi zvezno). Poleg trirazsežnega položaja lidarskih točk se pri nekaterih sistemih za vsak registriran odboj zabeleži tudi svetlobna intenziteta odbitega laserskega žarka. 3.2.1 Merjenje razdalje Laserski razdaljemer je aktivni senzor, ki za zaznavanje uporablja laserski žarek in omogoča zelo natančno merjenje razdalj. Meritve so osnovane na primerjanju oddanega žarka in dela tega istega žarka, ki ga je po odboju na tarči (terenu ali objektu) zaznal detektor sistema. Laserski razdaljemer vključuje naslednjih šest podsistemov: laser, oddajno in sprejemno optiko, detektor signala (fotodiode), ojačevalec, števec časovnih intervalov in ostale enote za zajem, procesiranje, ocenjevanje, prikaz in shranjevanje potrebne elektronske komponente. Oddajna in sprejemna odprtina sta druga zraven druge, tako da si delita isto optično pot, zato je laserski skener monostatičen sistem. Vsi laserski sistemi na nek način merijo razdaljo med Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 23 senzorjem in tarčo, ki se običajno nanaša na oddaljenost. Laser je kratica za angleške besede Light Amplification by Stimulated Emission of Radiation (ojačitev svetlobe s spodbujano emisijo sevanja), ki natančno opisuje delovanje laserja. Je torej naprava, ki za vir energije uporablja pojav stimulirane emisije in ojačanja svetlobnega sevanja. Lastnosti laserske svetlobe so (Wagner, 2005): · velika moč (intenziteta) pulza, · kratka dolžina pulza in velika hitrost sproščanja pulzov (pulzni laser), · možnost modulacije laserske svetlobe s frekvenco (valovni laser), · pravilna porazdelitev moči (intenzitete) po preseku žarka, · visoka usmerjenost zaradi majhne divergence, · koherentnost v prostoru in času ter · značilna valovna dolžina in dobro definirana frekvenca (monokromatično sevanje). Razdalja (angl. range) je z laserskim razdaljemerom določena posredno in sicer obstajata dva glavna principa, ki tako določata tudi dva tipa laserskih skenerjev. Pri pulznem ali diskretnem laserju razdaljo določamo z merjenjem časa t, ki preteče od oddaje signala do sprejema na zemeljskem površju odbitega (istega) signala. Senzorski sistem oddaja kratke pulze elektromagnetnega valovanja in meri njihove odboje (vsaj enega, lahko tudi do osem). Nekateri sistemi so sposobni zabeležiti tudi intenzivnost odboja, kar omogoča ustvarjanje podobe odbojev. Glede na poznano hitrost svetlobe skozi zrak se določi razdaljo od senzorja do zemeljskega površja in nazaj tj. dvojno razdaljo laser - površje. Diskretni lidar ima nekaj pomembnih prednosti, predvsem visoko prostorsko ločljivost ter možnost povečevanja gostote meritev. Sistemi, ki delujejo na ta način, so zelo razširjeni in zato je snemanje relativno poceni. Največja pomanjkljivost pa so zapleteni algoritmi obdelave velike količine podatkov. Najnovejši sistemi v glavnem uporabljajo diskretne lidarje s trdninskimi laserji z zelo veliko močjo. Laser Nd:YAG, na primer, ki ima dolžino pulza med 10 in 15 ns in valovno dolžino 1,06 µm, ima moč več megawattov. Pri valovnem ali zveznem laserju razdaljo določamo z določitvijo faznih razlik med oddanim in sprejetim signalom, ki se registrira v sistemu po odboju na površju. V tem primeru laserski 24 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. sistem oddaja signal neprekinjeno. Amplituda neprekinjenega signala je sinusno modulirana, tako da lahko na sinusoidi določimo čas začetka in konca meritev. Glavna prednost valovnega lidarja v primerjavi s pulznim je zmožnost beleženja vertikalnega profila predmetov, na katerih je prišlo do odboja. Pomembno poenostavitev pa predstavlja tudi preprostejša podatkovna struktura, tako z vidika shranjevanja kot tudi obdelave. Največja pomanjkljivost valovnega lidarja je manjša prostorska ločljivost. Čeprav omenjena principa uporabljata različni fizikalni količini, oba dejansko merita čas potovanja signala ali časovni interval t med oddajo in sprejemom signala (angl. round-trip time). Ker poznamo hitrost svetlobe, lahko razdaljo iz časovne razlike med oddajo laserskega pulza (za primer vzemimo pulzni laser, saj je njegova uporaba v praksi skoraj izključna) in prejemom odboja izračunamo: 1 R = ×c×t, (1) 2 pri čemer je t čas potovanja valovanja, c hitrost svetlobe in R razdalja med senzorjem in površjem. Oba principa zaznavanja objektov na površju sta podrobneje opisana v nadaljevanju. 3.2.2 Merjenje odklona Naprava za odklon laserskih žarkov (angl. scanner) je elektrooptični sistem, ki usmeri laserski žarek pravokotno na smer leta nosilca in meri njegov odklon. S tem poskrbi za dvodimenzionalni zajem površja, saj z merjenjem razdalj pridobimo le točkovne podatke v smeri leta nosilca. Odklon laserskega žarka (angl. scan angle) definira rotacijo med laserskim žarkom in lasersko napravo. Izmerjen je posredno iz frekvence pulzov (Schenk, 2001, cit. po Triglav, 2004). Medtem ko so si laserski razdaljemeri bolj ali manj podobni, so razlike med skenerji oz. tehnikami skeniranja večje in pomembnejše. Imajo različno porazdelitev zajetih točk in se razlikujejo po vzorcu (angl. scan pattern), ki ga med skeniranjem laserski žarek opiše na površju. Tipi elektrooptičnih komponent, ki se najpogosteje uporabljajo pri zračnem laserskem skeniranju, so (slika 2): - skener z vrtečo prizmo (vzorec a), - skener z nihajočim zrcalom (vzorec b), Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 25 - palmerjev skener (vzorec c), - skener z optičnimi vlakni (angl. fiber scanner). Slika 2: Vzorci skeniranja (a, b, c) (Kukko, 2007). Fig. 2: Scan patterns (a, b, c) (Kukko, 2007). Vzorec skenerja je poleg načina delovanja skenerja odvisen še od smeri in hitrosti leta ter topografije terena. Lidar točke praviloma zajema v enakih kotnih intervalih, razdalja med njihovimi odtisi na površju pa ni konstantna. Zaradi različne geometrije znotraj pasu snemanja (izrazito predvsem pri letalskem snemanju), ustavljanja in pospeševanja na robovih pasu, so lahko točke razporejene zelo »nepravilno«, zato pri lidarju ne govorimo o značilnih razdaljah, ampak le o gostoti točk (meritev) na kvadratni meter. 3.2.3 Merjenje položaja in orientacije Laserski skener meri samo razdalje, pravi položaj odbojnikov pa lahko določimo, če poznamo položaj in usmerjenost senzorja. Za vsak poslani impulz moramo v izbranem koordinatnem sistemu, na primer WGS 84, poznati natančen položaj senzorja in kot gledanja skenerja. Ker z laserjem razdalje brez večjih težav merimo z natančnostjo enega decimetra, mora imeti tolikšno natančnost tudi sistem pozicioniranja. Kot je prikazano na sliki 1, so lidarski sistemi opremljeni z diferencialnim sprejemnikom globalnega pozicioniranja (DGPS) in inercialnim navigacijskim sistemom (INS). Za uspešno geokodiranje lidarskih meritev je treba oba sistema natančno sinhronizirati s skenerjem. 3.3 Interakcija laserskega pulza s površjem Laser odda elektromagnetno valovanje (EMV). Valovanje, ki se v atmosferi ni absorbiralo ali sipalo, lahko doseže zemeljsko površje in z njim interagira. Ko energija pade na površje 26 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. nekega predmeta, lahko pride do treh oblik interakcije: absorpcije, transmisije – prepusta in refleksije – odboja. Za vso vpadno energijo bo prišlo do medsebojnega vpliva s površjem na enega ali več zgoraj naštetih načinov. Deleži vsakega načina so odvisni od valovne dolžine energije ter vrste in stanja predmeta. Z vidika določanja razdalje do predmeta absorpcija in transmisija nista zanimivi, pomemben pa je odboj. Poznamo dva skrajna primera odboja: zrcalni odboj in razpršeni (disperzni) odboj. Ko je površina gladka (valovna dolžina je večja od značilne razdalje na površju), pride pri kontaktu EMV s površino do zrcalnega odboja, kjer se skoraj vsa energija odbije po odbojnem zakonu. Razpršeni odboj se pojavi, ko je površina, na katero pade valovanje, groba (valovna dolžina je približno enaka značilni razdalji na površju). Takrat se valovanje razprši v vse smeri. Realnost je kombinacija obeh odbojev. Lidar oddaja svetlobo vidnega ali bližnje rdečega dela spektra, kar pomeni, da je valovna dolžina pulza majhna v primerjavi z »gladkostjo« površine večine predmetov na površju. Posledično se laserska svetloba od površja večinoma odbija disperzno, kar pomeni, da se del žarka vrne nazaj in zazna v sprejemniku. V nekaj primerih pa lahko pride tudi do zrcalnega odboja (npr. gladka streha avtomobila). V tem primeru laserski žarek načeloma ne pride nazaj do sprejemnika. Če slučajno ta usmerjeni odboj kasneje zadene drug objekt, od katerega se odbije difuzno, ga laserski sistem lahko zazna. Vendar je izmerjena razdalja predolga (angl. multi path) in predstavlja grobo napako. Čeprav absorpcija in transmisija ne omogočata merjenja razdalje, sta pomembni količini pri interpretaciji objektov na površju. V primeru absorpcije je namreč odbiti signal prešibak za zajem (npr. mirne vodne površine). Absorpcija je odvisna od vpadnega kota laserskega žarka in je še posebej močna v primeru pravokotnega vpada na vodno površino. Posledica je nič oz. manj točk laserskega skeniranja na sredini pasu, ki poteka čez vodne površine (Bitenc, 2007). Absorpcija in transmisija tudi neposredno vplivata na intenziteto odbitega signala. Večjo količino signala, kot ga objekt absorbira ali prepusti, manj ga odbije nazaj proti sprejemniku. Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 27 3.4 Zajemanje odbojev 3.4.1 Zajemanje odbojev pulznega laserja Prvi komercialni zračni laserski skenerji so omogočali merjenje časa le enega laserskega žarka, torej se je lahko registriral le en odboj (tarča). V tem primeru je interpretacija odbojnega signala preprosta. Kljub majhni divergenci laserskega žarka pa se lahko na njegovi poti ali znotraj odtisa žarka na tleh pojavijo večkratni odboji (angl. multiple echoes), če: 1. objekti ležijo na različnih višinah; 2. laserski žarek na poti proti površju osvetli druge objekte; 3. so objekti dovolj veliki in/ali imajo dovolj velik koeficient odbojnosti (da se žarek odbije); 4. je laserski žarek dovolj širok (v premeru), da osvetli več objektov. Če je razdalja med tarčami, od katerih se je žarek odbil, večja od dolžine pulza (oz. njenega ekvivalenta v metrih, ki je enak ločljivosti razdalje), je detektor sposoben ločiti odboje med seboj in lahko meri razdaljo do posamezne tarče in po možnosti tudi intenziteto tarče. Večina današnjih LS že lahko registrira več odbojev za vsak oddan laserski pulz – najpogosteje merijo prvi in zadnji odboj signala, nekateri pa tudi do osem ali več. Pričakujemo lahko (slika 3), da se laserski žarek najprej odbije od najvišjih objektov (npr. krošenj dreves, visokonapetostnih daljnovodov, slemen streh), ki se registrirajo v načinu prvi odboj. Najkasneje pa se svetloba odbije od najnižjih površin (npr. deblo drevesa) oziroma od tal in se točke registrirajo v načinu zadnji odboj. Zadnji odboj ne pomeni nujno meritve na terenu. Slika 3: Več odbojev enega laserskega žarka na drevesu (TopoSys, 2007). Fig. 3: Multiple echoes from tree (TopoSys, 2007). 28 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. Z večanjem števila registriranih odbojev enega pulza se povečajo zmožnosti zajema podatkov – dobimo vertikalni profil objekta (npr. drevesa), skozi katerega potuje laserski žarek. S tem v zvezi govorimo o osnovni lastnosti laserskega žarka, da je sposoben prodreti1 vegetacijo in lahko meri višino terena. Količina zajetih podatkov je večja in jih je težje interpretirati. Še zlasti zato, ker je metoda zajemanja odbojev večkrat nepoznana. Zajemanje več odbojev je pomembno predvsem za zajem elektrovoda (žice so na različnih razdaljah) in za pridobivanje podatkov o vegetaciji (volumen gozda, višina in gostota dreves, tip gozda, gostota podrasti itd.), sicer pa merjenje le prvega in zadnjega odboja zadostuje (Katzenbeisser, 1999). Današnji razvoj (najnovejših) senzorjev gre še naprej, v smeri zaznavanja celotnega odbitega valovanja (angl. full-waveform), kar omogoča visoka frekvenca (okoli 250 MHz) beleženja in digitalizacije sprejetega signala. Metode zajemanja odbojev Zaznavanje pulzov temelji na obliki vrnjenega odboja. Naloga detektorja je, da na podlagi neprekinjenega vrnjenega odboja pridobi diskretne, od časa odvisne pulze, ki določajo razdaljo med skenerjem in zaznano tarčo ter s tem lokacijo posamezne tarče. Podrobnosti teh metod, vgrajenih v komercialne sisteme ZLS žal niso znane, zato je v nadaljevanju opisanih nekaj najbolj standardnih (slika 4): · metoda praga (threshold): najbolj osnovna tehnika za zaznavanje pulzov temelji na sprožitvi pulza, ko signal preseže določen prag (mejo), · metoda težišča (centre of gravity): težišče linije odziva nad fiksno določenim pragom, · metoda maksimuma (maximum): zaznava lokalnega maksimuma, · ničla drugega odvoda (zero crossing of the second derivative): zaznava prehoda na linearni kombinaciji časovno spremenjenih oblik signala, · konstantno razmerje (constant fraction): določa ničlo razlike med dušeno in časovno zapoznelo različico signala. Pod pojmom »prodreti« je mišljeno potovanje žarka mimo delov vegetacije, ne skozi njih. Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 29 Slika 4: Oddan in vrnjen pulz. Prikazane so točke zaznave pulza posameznih metod ter časi med oddanim in sprejetim pulzom. Črtasta horizontalna linija določa prag, uporabljen za metodi praga in težišča (Wagner et al., 2007). Fig. 4: Emitted pulse and single-mode return signal for a Gaussian cross section. Also shown are the time differences between corresponding trigger-pulses derived from the emitted and reflected signal. The dashed horizontal line indicates the threshold level used by the threshold and centre of gravity methods (Wagner et al., 2007). Čas, izmerjen med oddanim in sprejetim pulzom, bi moral na tem testnem primeru v vseh primerih biti 60 ns, kar določa razdaljo 9 m. Vendar pa lahko na praktičnem primeru (odboji na sliki 5 ter rezultati v preglednici 1) vidimo, da posamezne metode ne dajejo istih rezultatov. V tem primeru dajo pravilen rezultat samo tri metode. Slika 5: Zgoraj od leve proti desni so prikazani odboji od naslednjih predmetov: a - pšenično polje; b - drevo, grmovje in tla; c - nagnjena streha. Spodaj: Odbiti signal ter točke sprožitve pulzov pri različnih metodah (vertikalni profili, združeni s konvolucijo) (Wagner et al., 2007). Fig. 5: From top left return pulses from: a - wheat field; b -tree, bush and ground; c - titled roof. Bottom: Reflected signal and derived trigger pulses (Wagner et al., 2007). 30 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. Preglednica 1: Pravilne razdalje do objektov ter odstopanja (v m) pri različnih metodah zaznave pulza (Wagner et al., 2007). Table 1: True object distances and range errors (in m) for the different detectors (Wagner et al., 2007). Slika Objekt Razdalja Odvod Max Prag Težišče Razmerje 5 tla 9,0 0,000 0,000 0,045 -0,060 0,000 5 a pšenica 8,4 0,015 - 0,135 - -0,030 tla 9,0 0,045 0,150 - 0,240 - 5 b veja 1 8,0 0,019 -0,131 -0,161 -0,101 0,049 deblo 10,0 -1,250 - - - - veja 2 13,0 0,026 -0,035 -0,049 0,446 - grm 20,0 0,110 - - -0,371 0,230 tla 21,0 0,000 0,060 -0,210 - 0,135 5 c streha 9,0 0,075 -0,150 0,240 -0,135 0,015 Na podlagi rezultatov ugotovimo, da najboljšega, univerzalnega detektorja pulzov ni, saj je učinkovitost metod odvisna od mnogih faktorjev. Na žalost uporabnik nima možnosti izvedeti kako elektronika njegovega sistema dejansko določa lokacijo odbojev, ki jih zaznajo, niti o nobenem popačenju oblike pulza, ki ga je lahko naredila elektronika sprejemnika ali struktura površine, po tem, ko je oddala pulzni odziv. Izdelovalci lidarskih sistemov namreč trdno molčijo o metodah zaznavanja pulzov, ki jih uporabljajo njihovi sistemi (Hug, 2004), čeprav bi lahko bile te informacije zelo uporabne pri nadaljnjih korakih obdelave podatkov. 3.4.2 Zajemanje odboja valovnega laserja Laserska energija se odbija od različnih delov rastlinskega pokrova, iz česar izhaja vrnjen odziv, kjer je amplituda pulza pri določeni višini funkcija oblike rastlinskega pokrova in tal (slika 6). Slika 6: Celoten odboj žarka, zaznan z valovnim laserjem (Flood, 2001). Fig. 6: Return pulse of continuous wave laser (Flood, 2001). Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 31 Medtem ko pulzni laser meri čas prihoda prvega ali zadnjega vrnjenega odboja, zaznava valovni lidar vrnjen signal zelo pogosto in tako shrani celotno obliko vrnjenega odziva. Frekvenca zajemanja vzorcev je 1 GHz, kar pomeni, da je velikost posameznega segmenta samo 15 cm (GeoLas, 2007). Prednost tega principa je, da je vertikalna struktura površja lahko pridobljena zelo natančno. Na sliki 7 so prikazani vplivi različnih oblik površja na obliko odziva (Jutzi in Stilla, 2006): a) oblika oddanega pulza, b) ravna površina, c) nagnjena površina, d) dve površini z rahlo razliko v višini, e) dve površini z veliko razliko v višini, f) naključno porazdeljeni majhni objekti. Slika 7: Vplivi oblike površja na sprejet odziv (Jutzi in Stilla, 2006). Fig. 7: Effects of the surface on the received waveform (Jutzi and Stilla, 2006). Slika 8: Primera zveznega odziva (Hug, 1997). Fig. 8: Examples of waveform pulse (Hug, 1997). 32 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. Na sliki 8 sta prikazana primera zveznega odziva. V obeh primerih črna barva predstavlja odziv na ravnih tleh. Na levi sliki lahko zaznamo nizko vegetacijo, na desni pa razširitev odziva, ki je najverjetneje znak grobe površine tal, teoretično pa lahko nakazuje tudi naklon terena. Prednosti uporabe zveznega sistema lahko povzamemo v (Hug, 2004; Wagner, 2004): - možnost za bolj zanesljive in natančne meritve od diskretnih laserskih sistemov, - možnost lokacije površinskih lukenj z natančnostjo boljšo od premera odtisa, - možnost za razlikovanje neomejenega števila tarč pri vsaki posamezni meritvi, - zaznava višine, oblike, gostote in vertikalne razširitve rastlinskega pokrova, - zaznava več nivojev nizke vegetacije, - zaznava naklona ter s prostim očesom vidnih grobosti terena, - večji uporabnikov nadzor nad procesom interpretacije, - povečana zanesljivost, natančnost ter ločljivost posnetih objektov. Po drugi strani pa zvezna zaznava odziva poveča velikost podatkov za faktor 50 – 200 (Hug, 2004). S tem vzrokom zvezni odziv večkrat shranjujemo v obliki vsote številnih diskretnih odzivov. Za pretvorbo lahko uporabimo katerokoli standardno metodo zaznavanja pulza. Ker pa ima vsaka metoda svoje prednosti in slabosti in se v primeru kompleksne oblike odziva ter velikega šuma praviloma pojavljajo težave, je bila pred nedavnim testirana nova obetajoča metoda srednjega kvadrata razdalje (ASDF) (Wagner, 2007). Vendar pa pridobitev posameznih pulznih odzivov na podlagi celotnega valovnega odziva ne pomeni zgolj zmanjšanja količine podatkov, temveč velikokrat predstavlja pomembno priložnost, da uporabnik uporabi tisto metodo zajema odbojev (ali celo kombinacij več metod), ki mu za določen namen najbolj ustreza. Tako lahko poleg boljših rezultatov pridobi tudi realnejšo sliko o kakovosti le-teh (Wagner, 2004). Možen je tudi obratni princip, in sicer da na podlagi kombinacije več individualnih pulzov z malimi odtisi, definiramo sestavljeno obliko žarka velikega odtisa, kar je obetajoča metoda za opis vertikalne strukture rastlinskih pokrovov (slika 9). Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 33 Slika 9: Primer sestavljenega valovnega odtisa (Nayegandhi, 2006). Fig. 9: Example of composite waveform (Nayegandhi, 2006). 3.5 Tehnične lastnosti merskega sistema ZLS Najpomembnejše tehnične lastnosti, po katerih se lidarji med seboj ločijo, in ki določajo njihov namen oziroma zmogljivost, so naslednje: - Valovna dolžina laserja (?) – ponavadi v pasu med 800 nm in 1100 nm, kjer je odbojnost rastlinstva največja, nevarnost za človekov vid pa najmanjša. Glavna pomanjkljivost omenjenega dela spektra je znatna absorpcija v atmosferi. Za posebne raziskave se uporabljajo tudi druge valovne dolžine (665 nm in 775 nm hkrati za določanje vegetacije, 550 nm za opazovanje topografije vodnih površin, idr.). - Frekvenca laserskih pulzov – navadno med 30 in 200 kHz – skupaj s kotom skeniranja ter višino in hitrostjo leta določa gostoto pulzov (na kvadratni meter). - Premer laserskega žarka ali tudi odtis (footprint) je lahko od nekaj centimetrov do sto metrov, odvisno od višine leta. Premer žarka določa prostorsko ločljivost zabeleženih podatkov. - Moč laserja določa največjo mogočo višino leta (praviloma velikostnega reda kilometra) in s tem širino snemalnega pasu (tipično od nekaj sto metrov do več kot kilometer). V preglednici 2 so poleg omenjenih predstavljene še druge tehnične lastnosti, ki so tipične za 34 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. trenutno obstoječe sisteme ZLS (Briese, 2007). Preglednica 2: Tipični parametri sistemov ZLS, ki so trenutno na voljo (Briese, 2007). Table 2: Tipical parameters of topical ALS systems (Briese, 2007). SPECIFIKACIJA TIPIČNA VREDNOST Valovna dolžina laserja 0,6 \±m - 1,5 |im Trajanje pulza 5 - 15 ns Divergenca laserskega žarka 0,2 - 1 mrad Frekvenca laserskih pulzov 30 – 200 kHz Kot snemanja 14° - 75° Frekvenca skeniranja 25 – 650 Hz Vzorec skeniranja cik-cak, pararelni, eliptični, sinusni Premer laserskega žarka 0,2 - 2 m Število odzivov na pulz 2 – 8 ali celotni odziv Zajem intenzitete DA Višina snemanja 200 - 3000 m Frekvenca GPS 1 – 2 Hz Frekvenca IMU 128 – 1000 Hz Razvoj tehnologije merskega sistema ZLS je usmerjen v čim večjo fleksibilnost in prilagodljivost sistema različnim uporabam ter zahtevam naročnikov kot so zahtevana natančnost, konfiguracija terena, cenovne omejitve, vrsta objektov, ki jih bomo opazovali, zdravstveno - varnostne omejitve glede poškodb oči, itd. Glede na vse te zahteve je treba upoštevati zgoraj navedene tehnične parametre. 3.6 Obdelava podatkov Po snemanju z lidarjem dobimo dve podatkovni zbirki, in sicer podatke o položaju sistema in orientaciji ter podatke o odbojih oziroma razdaljah. Iz obeh podatkov lahko izračunamo položaje točk odboja na površju. Ponavadi jim kot atribut pripišemo red odboja (prvi, drugi… zadnji) in če je mogoče tudi njegovo jakost. Končni rezultat je torej oblak točk, ki predstavljajo odboje na različnih predmetih (slika 10). Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 35 Slika 10: Oblak točk prvega (črne točke) in zadnjega odboja (rdeče točke) (Donoghue et al., 2007). Fig. 10: Point cloud of first (black dots) and last (red dots) return signal (Donoghue et al., 2007). Oblak lidarskih točk je zapisan s tremi prostorskimi koordinatami in praviloma več atributi. Taka oblika zapisa pa ni najbolj primerna za analize, zato je treba lidarske podatke dodatno obdelati. Najpomembnejši koraki postopka obdelave lidarskih podatkov so: filtriranje, rastriranje, klasifikacija in modeliranje. 3.6.1 Filtriranje Pri filtriranju skušamo izločiti vse neželene odboje. Lidar nam nudi podatke o višinah in intenzitetah. Ti dve vrsti podatkov praviloma obravnavamo ločeno, zato poznamo filtriranje višin ter filtriranje intenzitet. Filtriranje višin Oblak lidarskih odbojev prikazuje pulze, ki so se odbili na različnih predmetih. Pri tem gre lahko za odboje na zunanji ovojnici površja, to je na vrhovih vegetacije in stavb, s čimer dobimo tako imenovani digitalni model površja (digital surface model) (slika 11, levo). Do odboja pa lahko pride tudi znotraj predmetov, predvsem vegetacije ali vode, in na tleh. Talni odboji, če do njih seveda pride, podajajo obliko reliefa in omogočajo izdelavo digitalnega modela reliefa (digital elevation model) (slika 11, desno). 36 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. Slika 11: Levo – digitalni model površja, desno – digitalni model reliefa (Briese, 2007). Fig. 11: Left – digital surface model, right – digital elevation model (Briese, 2007). Za odstranjevanje »neželenih« točk – pri meritvah topografskih lastnosti površja so to vsi odboji, ki ne prihajajo od golih tal – uporabljamo različne algoritme, ki temeljijo na matematični morfologiji, iterativnem izločanju točk, segmentaciji ali modeliranju reliefa s celotnim oblakom. Filtriranje je eno izmed najbolj intenzivnih področij raziskav, saj še vedno ne obstaja univerzalna tehnika, ki bi bila primerna tako za urbane površine kot gozdove, tako za ravna kot za strma območja. Kakovost končnih rezultatov je namreč močno odvisna od načina obdelave in zato operaterji lidarskega snemanja poleg nekaterih izdelkov, na primer modelov površja in površin, praviloma posredujejo uporabnikom tudi »surove« podatke. Rezultat filtriranja je digitalni model višin ali površja, zapisan v vektorski, na primer v obliki mreže TIN, ali rastrski obliki, to je v matriki z višino (in jakostjo odboja) kot atributom. Povedati je treba, da posnete točke ne zajemajo celotne površine tal, zato je pri trirazsežnem prikazu površja potrebno uporabiti tudi ustrezno metodo interpolacije. Filtriranje intenzitet Vrednosti intenzitet praviloma prikažemo in obdelujemo v obliki rastrske podobe (podpoglavje 4.6.2). Podatki vsebujejo tudi šum, ki ga skušamo zmanjšati z različnimi filtri, tj. računskimi operacijami, ki poudarijo ali zakrijejo elemente z določeno frekvenco na podobi (Oštir, 2006). Več o filtriranju je zapisano v podpoglavju 6.3. Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 37 3.6.2 Rastriranje Kot že vemo, vsebujejo skenirane točke poleg informacije o položaju 2D tudi informacije o višini ter intenziteti. Večino operacij nad višinami lahko izvajamo (oz. je celo priporočljivo) s prvotnimi, vektorskimi podatki. Drugače je z intenziteto, ki nam do sedaj v prvi vrsti še vedno služi za vizualizacijo zajetih točk. Vizualni prikaz pa je veliko primernejši v rastrski obliki, zato podatke o intenziteti praviloma rastriramo, tj. intenzitete prikažemo v obliki mreže, kjer vsaka celica v mreži vsebuje svojo vrednost intenzitete (slika 12). Poleg vizualizacije so rastrski podatki primernejši za različne namene, kot je npr. prekrivanje z drugimi rastrskimi podobami, razne analize, klasifikacije, druge uporabe v sistemih GIS… Zavedati se moramo, da izbrana tehnika rastriranja pomembno vpliva na končne vrednosti intenzitete, zato za različne namene uporabe rastrske podobe le-to izdelamo na osnovi ustrezne metode interpolacije ter prostorske ločljivosti. Za podrobne analize moramo pred interpolacijo v raster podatke tudi kalibrirati. 3.6.3 Klasifikacija Pomemben korak pri interpretaciji lidarskih podatkov je klasifikacija, pri kateri prepoznamo določene geometrijske strukture ali objekte, na primer zgradbe, ceste, drevesa in podobno (slika 13). Klasifikacija rastrskih podatkov praviloma poteka z enakimi postopki kot obdelava drugih podob daljinskega zaznavanja, upoštevati moramo le veliko ločljivost lidarskih podatkov. Zavedati pa se moramo, da klasične metode klasifikacije nudijo v primeru lidarskih podatkov manj zanesljive rezultate, zato je bila v novejšem času razvita metoda klasifikacije, ki temelji na geometrijskih strukturah (Tóvári, 2004). Slika 12: Interpolacija točk v raster. Fig. 12: Interpolation of points to raster. 38 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. Slika 13: Levo – ortofoto, desno – rezultat klasifikacije na osnovi lidarskih podatkov (Nardinocchi, 2003). Fig. 13:Left – ortophoto, right – classification of lidar data (Nardinocchi, 2003). 3.6.4 Modeliranje Zadnji korak obdelave je modeliranje oziroma posplošenje (generalizacija) klasificiranih predmetov. Z modeliranjem, na primer, dobimo model stavb ali navpične profile vegetacijskega pokrova (slika 14). Slika 14: Model stavb (levo) in model vegetacijskega pokrova (desno) (Andersen, 2007). Fig. 14: Building model (left) and vegetation model (right) (Andersen, 2007). 3.7 Natančnost trirazsežnih koordinat laserskih točk Kot je že znano, z ZLS trirazsežni položaj tarče določimo na podlagi poznane lokacije žarka, poznane smeri žarka ter razdalje senzor – tarča. Kljub na videz enostavnemu postopku, pa je natančnost lokacije (tako položajne, kakor tudi višinske) zapletena funkcija mnogih faktorjev, ki jih lahko združimo v sledeče skupine (Ahokas, 2003): - napake zaradi sistema ZLS, - napake zaradi parametrov zajema, - napake zaradi obdelave podatkov, - napake zaradi značilnosti tarče. Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 39 3.7.1 Napake zaradi sistema ZLS Natančnost položaja senzorja. Odvisna je od GPS strojne opreme, konstelacije GPS satelitov v času merjenja, razporeditve, oddaljenosti in števila uporabljenih referenčnih postaj ter načina in kakovosti naknadne obdelave diferencialnega GPS. Natančnost določitve smeri laserskega žarka. Odvisna je od kakovosti INS, frekvence meritev INS, metode naknadne obdelave in integracije z GPS podatki. Natančnost merjene razdalje. Pri pulznem razdaljemeru je natančnost razdalje v glavnem odvisna od zmožnosti oddajnika in sprejemnika, da prepoznata identično točko na laserskem pulzu – le tako lahko pravilno izmerimo časovni interval. Ta zmožnost je odvisna od velikosti šuma, moči odbitega signala, občutljivosti detektorja ter frekvence, dolžine in oblike pulzov. Odvisna je tudi od natančnosti števca časovnih intervalov, preteklih med oddajo in sprejemom pulza. Merjena razdalja je poleg tega odvisna tudi od metode zaznavanja pulzov (Wagner et al., 2004). Natančnost časovne sinhronizacije. Za pravilno določitev trirazsežnih koordinat morajo biti meritve položaja (GPS), orientacije (INS) in razdalje (laser) sinhronizirane. Če obstaja časovni zamik med temi meritvami, a ga ne poznamo, lahko povzroči napake, ki se v času spreminjajo. 3.7.2 Napake zaradi parametrov zajema V to skupino štejemo napake lokacije tarče, nastale zaradi parametrov zajema, kot so: gostota točk, višina snemanja, kot skeniranja (Ahokas, 2003), divergenca laserskega žarka… Divergenca laserskega žarka. Divergenca laserskega žarka skupaj z višino ter smerjo snemanja določa velikost in obliko laserskega odtisa. V območju odtisa se lahko nahaja več tarč, ki imajo različen trirazsežni položaj (slika 15). Princip določanja lokacije tarče deluje na merjenju razdalje od senzorja do točke na osnovni smeri žarka ("beam nominal direction") (Kukko, 2007). To pomeni, da bodo imele vse tarče, ki ležijo znotraj enega odtisa, takšen 40 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. trirazsežni položaj, kot da bi ležale na osnovni smeri žarka. Posledica je tako napaka položaja kakor tudi napaka višine tarče. Sklepamo lahko, da natančnost položaja tarče ne more biti boljša od polovice premera laserskega odtisa (to je 0,05 – 0,5 m). Slika 15: Odboji znotraj enega odtisa (Kukko, 2007). Fig. 15: Multiple echoes (Kukko, 2007). 3.7.3 Napake zaradi obdelave podatkov Z vidika obdelave lahko na kakovost "osnovnih koordinat" vplivamo z načinom določitve položaja senzorja ter natančnostjo transformacije iz WGS84 v lokalni koordinatni sistem (vključuje popravke geoidne ondulacije, ki imajo lahko velik vpliv glede na potencialno natančnost ZLS). Ko te koordinate dobimo, bomo z vsako nadaljnjo obdelavo podatkov (interpolacijo, filtriranjem, segmentacijo, glajenjem, uravnavanjem podatkov med pasovi…) vplivali na kakovost rezultatov. Primer filtriranja je npr. napaka DMR, ker točke, za katere smo predpostavili, da definirajo tla, dejansko ne predstavljajo tal, temveč npr. vrh trave ali druge nizke vegetacije. Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 41 3.7.4 Napake zaradi značilnosti tarče Vedno več avtorjev v svojih člankih poudarja, da na kakovost lokacije tarč vplivajo tudi značilnosti tarče, kot so naklon terena, gostota rastlinskega pokrova, vrsta materiala tarče (Hodgson, 2004) in usmerjenost tarče glede na smer žarka (Kukko, 2007). Naklon terena. Napaka zaradi naklona terena je posledica divergence laserskega žarka, katere vpliv na natančnost je opisan zgoraj. Višinska in položajna napaka sta namreč medsebojno odvisni in velja ?Z = ?XY · tana, pri čemer je a lokalni nagib terena (slika 16). Napaka položaja torej pomeni tudi napako Slika 16: Napaka višine zaradi napake položaja (Hodgson, 2004). Fig. 16: Height error because of position error (Hodgson, 2004). višine. Različni viri napak različno vplivajo na rezultate meritev in nadalje na izračunane trirazsežne koordinate. Rečemo lahko, da je končna napaka koordinat laserskih točk dana kot kvadratni koren vsote kvadratov napak posameznih vplivov. Na podlagi analiz vseh obstoječih sistemov za ZLS je Briese (2007) prišel do naslednjih rezultatov natančnosti lokacije: - natančnost višine: 0,05 – 0,20 m, - natančnost položaja: 0,1 – 1 m. Pri ZLS je torej načeloma natančnost višine precej boljša od natančnosti položaja. Vendar pa so rezultati dobljeni v idealnih pogojih. Pri realnih primerih, sploh v Sloveniji, ki je terensko razgibana ter gosto poraščena, lahko mnogi zgoraj našteti faktorji to dejstvo hitro spremenijo. Zavedanje in poznavanje motečih faktorjev, ki slabšajo kakovost meritev, omogoča njihovo odpravo ali vsaj zmanjšanje in upoštevanje kakovosti pri nadaljnjih analizah nad podatki. V veliki meri je možno zminimizirati konstantni del napak (natančnost GPS, INS…), uporabiti je možno tudi najustreznejše parametre sistema, medtem ko je variabilni del (topografija, pokritost terena…) precej zahtevnejši. Podatke lahko delno izboljšujemo z metodami, kot je npr. normalizacija dolžine laserskega žarka (Pfeifer, 2007), vendar za celotno odpravo vseh 42 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. vplivov do danes še ni bila odkrita nobena univerzalna metoda. 3.8 Uporaba ZLS v praksi Zaradi sposobnosti laserskega žarka, da prodre vegetacijo, je bil prvoten cilj razvoja laserskega skeniranja topografsko kartiranje terena poraščenega z gozdom. Druga predvidena uporaba, ki prav tako izhaja iz fizikalnih lastnosti LS, je kartiranje območij z nezadostno teksturo in majhnimi kontrasti. Tekom časa se je uporabnost metode ZLS razširila precej bolj, kot je bila prvotno zasnovana in lahko za določeno uporabo predstavlja dopolnjujočo ali konkurenčno metodo ostalim obstoječim tehnikam zajema. Današnji razvoj tehnike ZLS je usmerjen v združevanje z drugimi »bolj tradicionalnimi« senzorji kot so: standardni stereo fotoaparat, digitalni fotoaparat, multispektralni skener ali termalni fotoaparat. Kombinacija več dopolnilnih podatkovnih nizov je obetajoča za raziskavo prepoznavnosti objektov na površju, npr. za izločevanje zgradb, trirazsežno modeliranje mest… Še vedno pa ZLS na nekaterih področjih kot sta gozdarstvo in obalno inženirstvo ponuja prednosti, ki niso dosegljive z nobeno drugo tehnologijo. Najbolj aktivna področja uporabe ZLS, ki so podrobno opisana in predstavljena na internetnih straneh ponudnikov ZLS (Airbornelasermapping, AeroMap, Helica, TopoSys), so: - izdelava DMR za različne izdelke, ki se jih uporablja v GIS in kartografiji, - gozdarstvo (digitalni model krošenj kot razlika višin DMP in DMR, horizontalne in vertikalne informacije o vegetaciji, informacije o terenu in topografiji pod drevesnimi krošnjami, informacije o višini in gostoti dreves, občutno izboljšana spektralna klasifikacija), - obalno inženirstvo (ZLS omogoča zajem slabo kontrastnih obalnih območij kot so peščene plaže, kar je s fotogrametrijo težko oz. nemogoče. Nadalje omogoča neprestano in rutinirano skeniranje hitro spreminjajočega se obalnega okolja in s tem neprekinjeno posodabljanje podatkov brez pretiranih stroškov), - kartiranje koridorjev (hitro in natančno kartiranje linearnih koridorjev nadzemne infrastrukture, kot so energetski vodi, plinovodne cevi, avtoceste itd.), - kartiranje poplavnih območij (na osnovi lidarskega DMR in DMV se glede na pričakovan porast naravne vode zaradi dežja ali topljenja snega izvajajo simulacije poplav), - modeliranje mest (ZLS omogoča natančne meritve višin urbanih objektov in določitev Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. 43 Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. položaja oboda stavb na površju), - odziv na naravno nesrečo in ocenitev škode (ZLS v kratkem času zagotavlja natančne podatke, ki so lahko hitro in neposredno vključeni v urejanje posledic katastrofe, pomagajo oceniti nastalo škodo in so podlaga planiranju po naravni nesreči), - zaščita naravne dediščine – mokrišča in druga težko dostopna območja, - arheologija (hitri pregled večjih za arheologijo pomembnih območij in hkrati pridobitev natančnih podatkov. Razločijo se najmanjše spremembe višin in strukture - tudi pod vegetacijo, ki jih na tleh ne moremo zaznati). Z razvojem tehnologije ZLS in praktičnim obdelovanjem lidarskih podatkov s strani končnih uporabnikov se njena uporaba nenehno spreminja in širi na nova področja. Naj omenim le še merjenje odlagališč industrijskih in strupenih odpadkov (težje dostopna), kamnolomov, dnevnih kopov in drugih območij v gradnji (potrebna visoka natančnost), območij pokritih s snegom in ledom (minimalna tekstura in kontrastnost površja)… Raziskave novih uporab so usmerjene predvsem v področja, kjer bi tehnologija omogočila zmanjšanje stroškov meritev in bi imeli lidarski izdelki večjo dodano vrednost glede na tradicionalne metode. 44 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 4 INTENZITETA ODBOJA LASERSKEGA ŽARKA Glavna pozornost pri preučevanju meritev zračnega laserskega skeniranja je namenjena podatkom položaja in višine skeniranega površja. Poleg teh trirazsežnih informacij (koordinat) pa novejši laserski sprejemniki simultano beležijo še informacijo o intenziteti odbitega laserskega žarka za vsak odboj valovanja. Z meritvami intenzitete dobimo poleg natančne morfologije, ki jo poda trirazsežen oblak lidarskih točk, še semantične podatke o skeniranem območju. Intenziteta se dejansko redko uporablja in predstavlja stranski produkt tehnike ZLS. Poimenovanje te meritve se v različnih virih razlikuje. V angleškem jeziku zasledimo izraze kot so npr. radiance, backscattering amplitude, intensity of the reflectance, ground reflectance. V nalogi govorim o intenziteti odbitega laserskega žarka (krajše: intenziteti). 4.1 Opredelitev intenzitete odbitega laserskega žarka Izraz intenziteta uporabljamo na mnogih področjih (fizika, fotometrija, radiometrija, matematika…), vendar se njen pomen lahko močno razlikuje. V nalogi se uporablja v kombinaciji z laserskim žarkom in v splošnem (Song et al., 2002) predstavlja jakost odbitega signala oziroma razmerje med jakostjo sprejete (Pr) svetlobe na detektorju LS in jakosti iz laserja LS oddane (Pt) svetlobe. Ta definicija sicer fizikalno ni točna, jo je pa glede na nekatera dejstva smiselno uporabiti. Intenziteta je namreč relativna količina2 in ne nujno linearna meritev, informacije o načinu beleženja intenzitete v posameznem lidarskem sistemu so težje dostopne, LS ima monostatično konstrukcijo in s tem enako površino oddajnika in sprejemnika, vrednosti intenzitete pa so brez merske enote. Intenziteta registriranega odboja je namreč izražena z digitalno številko (Coren in Sterzai, 2005) in zavzema vrednosti od 0 (šibak odboj) do 8160 (zelo močan odboj). Velja za meritve iste misije ZLS-ja (višina leta, merski sistem). Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 45 4.2 Enačba radarja S tako imenovano »enačbo radarja«3 lahko izračunamo jakost oz. moč prejetega signala. Slika 17: Skica geometrije zajema lidarskih točk (Wagner, 2005). Fig. 17: Sketch of geometry of lidar data acquisition (Wagner, 2005). Laser vso svojo moč Pt (označena tudi s Pe) enakomerno oddaja skozi oddajno optiko s premerom odprtine Dt v majhnem kotu ß in tako osvetli majhen (individualen) del površine Alaser (slika 17). Če upoštevamo izgubo energije laserskega žarka pri potovanju skozi atmosfero in razmerje med velikostjo odtisa žarka na tleh Alaser (odvisna od vpadnega kota) ter velikostjo tarče dA, dobimo jakost prestreženega signala na tarči. Nekaj signala se z absorpcijo na tarči izgubi (razen če je tarča popolni prevodnik oz. izolator), preostali del pa difuzno odbije. Jakost od tarče odbitega oz. izsevanega signala je odvisna od koeficienta odbojnosti p tarče, le-ta pa je določen z materialom tarče. Vzorec odbitega signala je lahko zelo zapleten. Če se signal odbije enakomerno porazdeljen v stožcu s prostorskim kotom Q in se ta kot na razdalji R (tarča - senzor) prekriva z vidnim poljem sprejemnika, ki ima premer odprtine Dr, je moč prejetega signala dana z enačbo radarja. Ob upoštevanju vseh omenjenih faktorjev in dodatno še ob upoštevanju izgub signala v sistemu LS (t}sis) ter v atmosferi (r}atm) zapišemo končno obliko enačbe moči sprejetega signala (Wagner, 2005): 3 Ker ZLS uporablja merski princip prvič predstavljen pri radarskem daljinskem zaznavanju, je tudi osnovna enačba za izračun moči signala poimenovana po tej tehniki (Jelalian, 1992). 4 Oddajnik in sprejemnik sta zaradi večje preglednosti geometrije zajema prikazana ločeno. Sicer ima LS monostatično konstrukcijo. 5 Velikost tarče je efektivna površina vpada in odboja laserskega žarka na poljubnem objektu, ki leži na poti laserskega žarka proti tlom. 46 Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag.d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. P t 4 r 2 ¦\77-p-dA\-nsis-natm (2) 4it-R ¦ p J y iJ Kjer so: Pr … jakost sprejetega signala (watt); P t … jakost oddanega signala (watt); Dr … premer odprtine sprejemne optike (meter); R … razdalja tarča-senzor (meter); ß … divergenca laserskega žarka (radian); risis … faktor prenosa žarka v sistemu; rjatm … faktor prenosa žarka v atmosferi; Ci … prostorski kot; dA … velikost tarče (kvadratni meter); p … koeficient odbojnosti tarče. Faktorji v prvem oklepaju se nanašajo na laserski skener in faktorji v drugem oklepaju na tarčo. Slednje je zelo težko individualno izmeriti, zato jih združimo v en faktor t.i. prečni prerez odboja laserskega žarka (angl. backscattering cross-section), ki je podrobneje predstavljen v poglavju 4.4. V primeru, ko pade žarek vertikalno na površino tarče (č, = 90°) in se od nje odbije homogeno (dA = Alaser), je velikost tarče določena z enačbo: R • pt dA = Alaser = K--------- (3) 4 Če upoštevamo še, da je odboj laserskega žarka na večini tarč difuzen (Ci = n), se moč signala na sprejemniku LS izračuna po enačbi: P Pt-Dr 4- R2 2 ¦nsis-natm-p (4) Švab Lenarčič, A. 2009. Uporaba lidarskih podatkov za klasifikacijo pokrovnosti. Mag. d. Ljubljana, UL, Fakulteta za gradbeništvo in geodezijo. 47 Iz enačbe (4) je razvidno, da je jakost sprejetega signala (odboja) obratno sorazmerna s kvadratom merjene razdalje (R) in ni več odvisna od divergence laserskega žarka (ß). Če se vpadni kot (?) laserskega žarka na tarčo razlikuje od 90°, se spremeni izraz za izračun velikosti odtisa laserskega žarka in je po Hug in Wehru (1997): P Pt•Dr2-cos^ 4- R2 nsis-