Βαθυμετρία από οπτικούς αισθητήρες UAV Δ. Σκαρλάτος και Π. Αγραφιώτης
topo@drone 11/2018, ΕΜΠ Χαρτογράφηση παράκτιων περιοχών με Α/Φ Περιοχές ιδιαίτερου, περιβαλλοντικού, πολιτιστικού, οικονομικού, οικιστικού, αναπτυξιακού κλπ, ενδιαφέροντος Η ζώνη ενδιαφέροντος δεν περιορίζεται μόνο στην ξηρά αλλά εκτείνεται και στα αβαθή της θάλασσας Η χαρτογράφηση (δημιουργία DSM και ορθοφωτογραφίας) μέσω φωτογραμμετρίας και οπτικών αισθητήρων, περιορίζεται στο τμήμα της στεριάς, λόγω διάθλασης Η δημιουργία ορθοφωτογραφίας στην στεριά είναι τυποποιημένη διαδικασία, αλλά για τον πυθμένα χρειάζεται φωτογραμμετρία δύο μέσων Δ. Σκαρλάτος και Π. Αγραφιώτης 2
topo@drone 11/2018, ΕΜΠ Γεωμετρικοί μέθοδοι προσδιορισμού βάθους Ηχοβολιστικοί από πλωτά μέσα Sonar (χαμηλή πυκνότητα σημείων) Side scan sonar (σχετικά υψηλή πυκνότητα σημείων, ακριβή μέθοδος) Καθόλου εικονιστικό προϊόν LiDAR από εναέρια μέσα Υψηλή πυκνότητα σημείων Καλή ακρίβεια Υπόκειται σε διάθλαση και οι κατασκευαστές το διορθώνουν εσωτερικά Χωρίς εικονιστικό προϊόν εκτός εάν συνοδεύεται από οπτικούς αισθητήρες Ακριβό, ακόμα και για μεγάλες εκτάσεις Δ. Σκαρλάτος και Π. Αγραφιώτης 3
Ιερό δισκοπότηρο Χρήση UAV και εφαρμογή φωτογραμμετρίας δύο μέσων, διότι: Οικονομική λύση συλλογής δεδομένων Υψηλή πυκνότητα βυθομετρικών σημείων με καλή ακρίβεια (στη ξηρά, αποδεδειγμένα) Εικονιστικό προϊόν, όπου απεικονίζεται το είδος και η μορφολογία του πυθμένα, βλάστηση, κλπ Βυθομετρία ακριβείας, αναλόγως διαύγειας νερού ως 13μ topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 4
topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 5
Διάρθρωση ανακοίνωσης Μέρος Α Τα σοβαρά προβλήματα ακρίβειας που δημιουργεί η διάθλαση Μέρος Β Παρουσίαση μέθοδου αντιμετώπισης του προβλήματος η οποία μπορεί πολύ εύκολα να εφαρμοστεί στη σύγχρονη φωτογραμμετρική ροή εργασιών που κάνει χρήση τεχνικών SfM-MVS topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 7
H επίδραση της διάθλασης στις αεροφωτογραφίες Η γεωμετρία της φωτογραμμετρίας δύο μέσων, στην περίπτωση στερεοσκοπικών εικόνων Οι ακτίνες δεν τέμνονται στο φαινόμενο σημείο C αλλά σε μεγαλύτερο βάθος από αυτό, έχοντας ταυτόχρονα και μικρή οριζοντιογραφική μετατόπιση topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 9
Βυθομετρικές καμπύλες Κίτρινες σωστές Κόκκινες λάθος topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 10
Εκτίμηση επίδρασης διάθλασης στο βάθος Ο αληθής πυθμένας (με μπλε), Ο φαινόμενος (με πράσινο) και η διαφορά τους (με κόκκινο) (βασισμένοι στο Sensfly SwingletCAM σενάριο, με 100m υψος πτήσης και 80% επικάλυψη) topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 11
Διόρθωση της α/φωτογραφίας Για τη διόρθωση, υιοθετείται πως η εστιακή απόσταση cc mixed στις περιπτώσεις της φωτογραμμετρίας δύο μέσων, εκφράζεται από τη σχέση: cc mixed =(P air n air +Pwater nwater) c air (Αgrafiotis P. and Georgopoulos A, 2015) To % του νερού και του αέρα μεταξύ της κάμερας και του σημείου αποτύπωσης, είναι άγνωστο εφόσον είναι άγνωστο το βάθος topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 12
Διαφορική διόρθωση της εστιακής απόστασης Δημιουργία διορθωμένου κανάβου με επανατοποθέτηση κάθε σημείου σύμφωνα με το υπολογισμένο Cmixed Επανασύσταση εικόνας topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 13
topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 14
topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 15
Διάγραμμα ροής προτεινόμενης μεθοδολογίας Δ. Σκαρλάτος και Π. Αγραφιώτης topo@drone 11/2018, ΕΜΠ 16
Εφαρμογή και επαλήθευση με LiDAR Αμαθούντα Αγία Νάπα topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 17
Εφαρμογή και επαλήθευση με LiDAR Αμαθούντα Αγία Νάπα topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 18
Στοιχεία πτήσεων, εικόνων και επεξεργασίας για τις δύο περιοχές Test site Photos Average height [m] GSD [m] RMSX [m] RMSY [m] Control points RMSZ [m] Reprojection error on all points (pixel) Reprojection error in control points Total number of tie points SfM-MVS Dense points Coverage area [sq Km] Amathounta 182 103 0.033 0.0277 0.0333 0.0457 0.645 1.48 28.5K 17.3M 0.37 Agia Napa 383 209 0.063 0.0503 0.0474 0.0736 1.106 0.76 404K 8.5M 2.43 topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 19
Διαθέσιμα δεδομένα ελέγχου (LiDAR) Test site Number of LiDAR points used Lidar points density [points/m2] Average pulse spacing [m] LiDAR flight height [m] Accuracy [m] Amathouda 6.030 0,4-960 0.1 Agia Napa 1.288.760 1,1 1,65 960 0.1 topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 20
Περιοχές ελέγχου και επαλήθευσης Αμαθούντα Αγία Νάπα topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 21
Συγκρίσεις νεφών σημείων UAV και LiDAR: Αμαθούντα Σημεία χωρίς διόρθωση διάθλασης VS LiDAR Σημεία με διόρθωση διάθλασης VS LiDAR topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 22
Συγκρίσεις νεφών σημείων UAV και LiDAR: Αγία Νάπα Σημεία χωρίς διόρθωση διάθλασης VS LiDAR Σημεία με διόρθωση διάθλασης VS LiDAR topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 23
Σύγκριση μηκοτομών πυθμένα topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 24
Συγκρίσεις μηκοτομών πυθμένα 1/2 topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 25
Συγκρίσεις μηκοτομών πυθμένα 2/2 topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 26
Συμπεράσματα 1/2 Στα παραπάνω σχήματα είναι ξεκάθαρο πως όσο αυξάνεται το βάθος, τόσο αυξάνεται το σφάλμα στον υπολογισμό του βάθους (ανευ διόρθωσης διάθλασης). Οι συγκρίσεις αυτές καθιστούν σαφές πως το φαινόμενο της διάθλασης δεν μπορεί να αγνοηθεί σε τέτοιου είδους εφαρμογές Στις συγκεκριμένες εφαρμογές, το μέσο σφάλμα των αρχικών σημείων αγγίζει τα 0.40m στην Αμαθούντα και τα 2.23m στην Αγία Νάπα. Στην Αμαθούντα, το 30% των αρχικών σημείων που ελέγχθηκαν παρουσιάζουν απόκλιση 0.60-1.00m ενώ στην Αγία Νάπα, το ίδιο ποσοστό σημείων παρουσιάζει διαφορές 3.00-6.00m. topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 27
Συμπεράσματα 2/2 Διαφορές μεταξύ των μηκοτομών ελέγχου, μεταξύ των δεδομένων LiDAR και στο τελικό point cloud, οφείλονται κυρίως στην υφή της εικόνας στα συγκεκριμένα σημεία (αμμώδης πυθμένας κλπ), στα φύκια και σε θολά νερά Στις περισσότερες περιπτώσεις, τα αποτελέσματα της 3ης και της 4ης επανάληψης του αλγορίθμου διόρθωσης είναι σχεδόν όμοια Τα διορθωμένα point clouds και στις δύο περιπτώσεις εμφανίζουν σφάλματα μικρότερα των 0.15m στο Ζ για το 80% των σημείων topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 28
Βασικά σημεία Η διάθλαση του νερού στις λήψεις με UAV, είναι πηγή έντονου σφάλματος και δεν πρέπει να αγνοείται Ειδικά σε χαμηλές λήψεις Δημιουργεί τόσο οριοζοντιογραφικά όσο και (κυρίως) υψομετρικά σφάλματα Η προτεινόμενη μέθοδος αντιμετωπίζει επιτυχώς το πρόβλημα σε εικονιστικό (και όχι γεωμετρικό-αναλυτικό) επίπεδο Άρα ιδανική για SfM & MVS επιλύσεις Είναι επαναληπτική, άρα προσεγγιστική Δεν λειτουργεί όταν ο πυθμένας δεν έχει texture Χρειάζεται ιδιαίτερη προσοχή στις καιρικές συνθήκες και την ώρα πτήσης Παραμένουν ερωτηματικά σχετικά με την βαθμονόμηση της φωτομηχανής και την κατανομή των φ/σ topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 29
Ευχαριστούμε: Το ΤΧΚ Κύπρου για την παραχώρηση δεδομένων LiDAR Το τμήμα Αρχαιοτήτων Κύπρου για τις άδειες πτήσεις και την μερική χρηματοδότηση Την Δρ. Ε. Σαββίδου για την συμβολή στην επεξεργασία δεδομένων Όλους εσάς για την προσοχή σας www.photogrammetric-vision.weebly.com Twitter @PhVisLab Τα εργασία που παρουσιάστηκε έχει δημοσιευτεί στο άρθρο: Skarlatos, D., & Agrafiotis, P. (2018). A Novel Iterative Water Refraction Correction Algorithm for Use in Structure from Motion Photogrammetric Pipeline. Journal of Marine Science and Engineering, 6(3), 77. topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 30
http://3d-underwater.cut.ac.cy/ topo@drone 11/2018, ΕΜΠ Δ. Σκαρλάτος και Π. Αγραφιώτης 31