3D Мониторинг роста городов

Автоматизированное измерение третьего аспекта роста городов является важнейшим требованием для будущего городского планирования и мониторинга. Бортовой лидар все чаще используется для получения регулярных данных о времени в городских районах. Текущие решения игнорируют конкретные потребности градостроителей, сложны в управлении и не в состоянии решить проблему мониторинга 3D роста городов с течением времени в масштабе строительства. Для решения нынешних проблем в качестве комплексного инструмента были разработаны два возможных решения.

Технические сложности

Градостроители хотят, чтобы автоматически оценить все три измерения и моделировать изменения здания, их следы и абсолютную информацию о высоте в течение долгого времени, чтобы контролировать рост и точно предсказать закономерности изменений. Для мониторинга изменений зданий с течением времени с использованием бортовых лидарных данных существует два возможных решения для обработки данных:

Решение 1. Классификация зданий с использованием временных лидарных наборов данных и определение изменений извлеченных из них зданий. Для этого решения были протестированы два подхода: подход на основе пикселей с использованием алгоритма машинного обучения, известного как машины опорных векторов (SVM), и подход на основе точек с использованием инструмента ERDAS.
Решение 2: применение алгоритма обнаружения изменений на временной лидар наборов данных и определения того, является ли или не произошли изменения в классе здания. Для этого решения применяются два пиксельных алгоритма: SVM и Дифференцирование изображений.

В этой статье тестируется, какое из этих двух возможных решений является предпочтительным и какое решение способно наилучшим образом определить изменения в величине высот здания.

Обработка данных

Для исследования решений требуются, по крайней мере, двухвременные бортовые лидарные наборы данных. В ходе этого исследования использованные наборы данных были собраны в 2005 и 2008 годах в кампусе университета нового Южного Уэльса (СОООН) в Сиднее, Австралия. Лидарные данные обычно представлены точками; однако они также могут быть преобразованы в пиксели, содержащие информацию XYZ точек в пикселях. Результирующие растровые данные называются цифровой моделью поверхности (DSM). DSM набора данных лидара UNSW охватывает простые, наклонные и сложные городские сцены с различными размерами городских объектов (Рисунок 1).

бортовой лидар над КАМПУСОМ UNSW в 2005 году (слева) по сравнению с 2008 годом (справа).
Рисунок 1: бортовой лидар над КАМПУСОМ UNSW в 2005 году (слева) по сравнению с 2008 годом (справа).

Перед применением любого алгоритма требуется предварительная обработка. Удаление выбросов из наборов данных является ключевой задачей подготовки как для классификации зданий (решение 1), так и для обнаружения изменений (решение 2). В этом случае выбросы могут быть получены в процессе измерения (шум измерения) или представлять собой точки высоты, которые не способствуют процессу обнаружения изменений в городских зданиях. Наблюдаются выбросы в наборе данных 2008 год-строительных машин, таких как башенные краны (Рис. 2).

башенные краны как шум, который будет удален из набора данных лидара 2008 года на этапе подготовки данных
Рисунок 2: башенные краны как шум, который будет удален из набора данных лидара 2008 года на этапе подготовки данных.

Для решения 1, СВМ применяется как в 2005 и 2008 баз данных. Кроме того, использовался инструмент точечной классификации в программном обеспечении ERDAS. Для решения 2 разностное изображение и SVM использовались на пикселях временного ряда.

Результаты

Исследование показало, что решение 1 с использованием строительной классификации лидарных данных временных рядов для мониторинга трехмерного роста городов является трудоемким, громоздким, сложным для неспециалистов и менее точным, чем при использовании алгоритма обнаружения изменений. Как показано на рис. 3, классификация зданий по SVM за 2005 год свидетельствует о значительном несоответствии между дорогами и зданиями на наклонной местности, что является результатом классификации границ зданий по деревьям. Это соответствует предыдущим экспериментам авторов в той же области. Эту проблему, вероятно, можно устранить путем добавления данных аэрофотосъемки и укладки результирующих слоев RGB в качестве дополнительных слоев для метода SVM. Поскольку временные аэрофотоснимки отсутствовали, дальнейшая работа по улучшению результатов SVM с использованием дополнительных изображений была невозможна.

классификация строительных данных 2005 лидар через СВМ
Рисунок 3: классификация строительных данных 2005 лидар через СВМ.

Затем инструмент классификации в ERDAS был протестирован на пригодность для точечного подхода для решения 1 (Классификация зданий). Алгоритм в ERDAS требует ряда параметров, которые должны быть заданы в интерактивном режиме до получения наилучшего результата для исследуемой области (Таблица 1). Выбранные пороговые значения параметра, нет проблемы классификации между дорог и сооружений на наклонной местности. Однако визуальное сравнение классифицированных зданий еще показали некоторые расхождения между результатами неизменной точки здания (рис. 4 и 5). Еще одна несогласованность прослеживается в уровне ошибок пропусков в двух наборах данных, который в 2005 году был выше, чем в 2008 году. Эта несогласованность является важным вопросом для определения объемных элементов и расчета пространственно-временного изменения объема зданий в пикселях городской территории за определенный промежуток времени.

построение точек, извлеченных из данных лидара 2005 года и классифицированных объектно-ориентированным методом в ERDAS
Рисунок 4: построение точек, извлеченных из данных лидара 2005 года и классифицированных объектно-ориентированным методом в ERDAS.
построение точки, извлеченные из 2008 лидарных данных и группировки объектов на основе метода компании erdas
Рис. 5. построение точки, извлеченные из 2008 лидарных данных и группировки объектов на основе метода компании erdas.
точки эпюры, извлеченные из лидарных данных 2008 года, и группировка объектов на основе метода erdas компании
Рис. 5. точки эпюры, извлеченные из лидарных данных 2008 года, и группировка объектов на основе метода erdas компании.
Параметр Порог
Минимальный наклон 30°
Смещение плоскости 1 м
Минимальная высота 0 м
Минимальная площадь 100 м2
Максимальная область 10 000 м2
Шероховатость 0,3 м

Таблица 1: параметры, используемые в ERDAS

Решение 2 (обнаружение изменений) использование дифференцирования изображений менее сложно, чем описанная выше процедура, однако при использовании этого метода возникают такие проблемы, как высокий уровень шума, который вызывает значительный «эффект соли и перца». Для метода SVM, применяемого к решению 2, отсутствует извлечение величины изменения высоты. Построение границ и отсутствующие данные также приводят к ошибкам, влияющим на результаты разностного анализа DSM.

Интеграция Двух Методов

Учитывая преимущество SVM, дающего меньший эффект соли и перца, и преимущество метода разностного изображения для обеспечения величины изменения высоты, их интеграция будет решать обе проблемы, как показано на рисунке 6. Для этого решения, дополнительные пост-обработки рекомендуется определить, что обнаруженные изменения принадлежат к определенному классу; здания, растительность, дороги и т. д. В зависимости от цели исследования может потребоваться удалить все ненужные элементы. Например, если 3D-изменения зданий важны для исследований устойчивости, все другие классы должны быть удалены из интегрированного результата.

Вывод

После обработки комплексного результата градостроители смогут определить изменения в величине высот зданий, а не общую менее точную оценку, используя любой из традиционных методов отдельно. Точные вертикальные изменения позволяют разработчикам политики оценивать соотношения «масса пустот» и «здания к зеленому пространству», что, следовательно, увеличивает применение воздушного лидара для застроенной среды.

Ссылки на литературу

Shirowzhan, S., 2016, ‘Spatial and temporal pattern analysis of 3D urban development using airborne lidar’, PhD thesis, University of New South Wales, Sydney, Australia.

Shirowzhan, S. and J. Trinder, 2017. Building Classification from Lidar Data for Spatio-temporal Assessment of 3D Urban Developments. Procedia Engineering, DOI:10.1016/j.proeng.2017.04.308

Trinder J. C. and, M. Salah 2011 Support Vector Machines: Optimization and Validation for Land Cover Mapping Using Aerial Images and Lidar Data, Presented to 34th ISRSE Sydney, Australia 10-15 April 2011, www.isprs.org/proceedings/2011/ISRSE-34/211104015Final00895.pdf

Источник: GIM

Add a Comment

Ваш e-mail не будет опубликован. Обязательные поля помечены *

Этот сайт использует Akismet для борьбы со спамом. Узнайте как обрабатываются ваши данные комментариев.