Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "Aerial Laser Scanning" wg kryterium: Temat


Wyświetlanie 1-2 z 2
Tytuł:
Cycle paths design based on aerial laser scan data
Projektowanie ścieżek rowerowych na podstawie danych z lotniczego skaningu laserowego
Autorzy:
Bacior, S.
Gniadek, J.
Piech, I.
Stachowicz, J.
Powiązania:
https://bibliotekanauki.pl/articles/100230.pdf
Data publikacji:
2017
Wydawca:
Uniwersytet Rolniczy im. Hugona Kołłątaja w Krakowie
Tematy:
aerial laser scanning
digital terrain model
cycle paths
cycle route
longitudinal profile
lotniczy skaning laserowy
Numeryczny Model Terenu
ścieżka rowerowa
profil podłużny
Opis:
Development of cycle routes in Poland is a frequently discussed topic. This type of infrastructure may be designed using a variety of methods. Manual planning of new cycle paths based on aerial laser scan data is relatively quick and also precise. The ALS technique can provide the required accuracy of design map in terms of elevation measurements. It is worth noting that only a few years ago studies indicated that elevation measurements were less accurate when using this particular technique [Hejmanowska, Warchoł 2010]. The designer has a detailed insight into the studied area. He may easily assess the terrain and choose the optimal location for the given object. Planning the route course and its elevation variability is simple when using a Digital Terrain Model. The first stage of the present study analyses the rules that apply to bicycle route design and the area covered by the study. The course of the new cycle path was planned in such a way as to connect the most important places in towns as well as places of tourist interest. The resultant route is 1.8 km long and runs along the main road. Development of DTM and its visualizations were performed mainly on the basis of two point clouds provided by the Geodetic and Cartographic Documentation Center. The initial works were performed in MicroStation PowerDraft V8i software. In the next stage, a 3D visualization of the model was generated with the use of Surfer 11 program. Based on that, a longitudinal profile of the route was created.
Rozwój tras rowerowych w Polsce jest często poruszanym tematem. Projektowanie tego typu infrastruktury może być wykonane różnymi sposobami. Ręczne planowanie nowych ścieżek rowerowych w oparciu o dane z lotniczego skaningu laserowego odbywa się stosunkowo szybko, a zarazem dokładnie. Technika ALS jest w stanie zagwarantować wymagane dokładności mapy projektowej w zakresie pomiaru wysokościowego. Warto zwrócić uwagę, że jeszcze kilka lat temu badania wykazywały mniejszą dokładność pomiaru wysokości tą techniką [Hejmanowska, Warchoł, 2010]. Projektant ma szczegółowy wgląd w badany obszar. Łatwo może dokonać oceny terenu i wybrać optymalne położenie projektu. Bazując na wykonanym Numerycznym Modelu Terenu można w prosty sposób zaplanować przebieg trasy oraz określić jej zróżnicowanie wysokościowe. W pierwszym etapie opracowania dokonano analizy zasad obowiązujących przy projektowaniu tras rowerowych oraz obszaru badań. Zaplanowano przebieg nowej ścieżki tak, aby łączyła najważniejsze punkty miejscowości oraz obiekty turystyczne. W efekcie powstała trasa o długości 1,8 km biegnąca wzdłuż głównej drogi. NMT oraz jego wizualizację dokonano głównie na podstawie dwóch chmur punktów pochodzących z Centralnego Ośrodka Dokumentacji Geodezyjnej i Kartograficznej. Opracowanie rozpoczęto w programie MicroStation PowerDraft V8i. W kolejnym etapie opracowano trójwymiarową wizualizację modelu w programie Surfer 11. Na jego podstawie stworzono profil podłużny powstałej trasy.
Źródło:
Geomatics, Landmanagement and Landscape; 2017, 2; 21-35
2300-1496
Pojawia się w:
Geomatics, Landmanagement and Landscape
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Data classification based on photogrammetry
Klasyfikacja danych w oparciu o materiały fotogrametryczne
Autorzy:
Piech, Izabela
Żaba, Tadeusz
Jankowska, Aleksandra
Powiązania:
https://bibliotekanauki.pl/articles/100599.pdf
Data publikacji:
2020
Wydawca:
Uniwersytet Rolniczy im. Hugona Kołłątaja w Krakowie
Tematy:
laser scanning
supervised classification
unsupervised classification
aerial image
skaning laserowy
zdjęcie lotnicze
klasyfikacja nadzorowana
klasyfikacja nienadzorowana
Opis:
The aim of the paper was to classify data from aerial laser scanning and CIR digital images, which were orientated, connected and aligned by the Agisoft Photoscan software. Then, in order to distinguish the ground a point cloud was generated. This was to create a correct terrain mesh and, in consequence, an orthophotomap. The next stage is to develop a new point cloud using ArcGIS. The land cover from the images was combined with the ground mapped by LiDAR. New heights were calculated relative to the ground surface height 0. The point cloud was converted into a raster form, providing a normalized Digital Surface Model (nDSM). It was the first element of the output composition, which also consisted of the NIR and RED channels, acquired from the cloud point generated in Agisoft. The colour composition obtained in such way was subjected to four object-oriented and pixel-oriented classification methods: I – ISO Cluster, II – Maximum Likelihood, III – Random Trees, IV – Support Vector Machine. Object grouping is possible due to information stored in the display content. This technique is prompted by human ability of image interpretation. It draws attention to more variables, so effects similar to human perception of reality are possible to achieve. The unsupervised method is based on a process of automatic search for image fragments, which allows assigning them to individual categories by a statistical analysis algorithm. In turn, supervised method uses “training datasets”, which are used to “teach” the program assigning individual or grouped pixels to classes [Benz UC et al., 2004]. The area studied for land development was the Lutowiska municipality, in the Podkarpackie Voivodeship, Bieszczady County. As a result of the classification, 11 classes of terrain features were distinguished: class 0 – road infrastructure, class 1 – roads, class 2 – buildings, class 3 – waters, class 4 – meadows, class 5 – arable lands, class 6 – pastures, class 7 – high vegetation, class 8 – medium vegetation, class 9 – low vegetation, class 10 – quarry. The area of research covers an area of about 28 km2. Aerial images were made in 2015. Field vision and photopoint measurement was carried out in May 2018.
Celem opracowania jest klasyfikacja danych na podstawie lotniczego skaningu laserowego oraz zdjęć cyfrowych CIR. Do opracowania posłużyło oprogramowanie Agisoft Photoscan, w którym dokonano zorientowania, połączenia i wyrównania zdjęć. Następnie wygenerowano z nich chmurę punktów, z której wydzielono grunt. Miało to na celu poprawne utworzenie siatki terenu, a w konsekwencji ortofotomapy. Kolejny etap pracy to utworzenie nowej chmury punktów przy wykorzystaniu programu ArcGIS. Pokrycie terenu ze zdjęć połączono z gruntem z LiDAR. Obliczono nowe wysokości względem powierzchni terenu, któremu nadano wysokość 0. Dokonano konwersji chmury punktów do postaci rastrowej, uzyskując Znormalizowany Numeryczny Model Pokrycia Terenu. Był to pierwszy element kompozycji wyjściowej, która składała się także z kanału NIR oraz RED, pozyskanych z chmury wygenerowanej w Agisoft. Otrzymaną w ten sposób kompozycję barwną poddano czterem metodom klasyfikacji obiektowej i pikselowej: I- ISO Cluster, II- Maximum Likelihood, III- Random Trees, IV- Support Vector Machine. Grupowanie obiektowe jest możliwe dzięki informacji zapisanej w treści zobrazowania. Technika ta wykorzystuje podejście zainspirowane zdolnością interpretacji obrazu przez człowieka. Zwraca uwagę na więcej zmiennych, dzięki czemu można uzyskać efekty zbliżone do postrzegania rzeczywistości przez ludzi. Metoda Unsupervised bazuje na procesie automatycznego wyszukiwania fragmentów obrazu i przyporządkowania ich do poszczególnych kategorii za pomocą algorytmu wykorzystującego analizę statystyczną. Z kolei Supervised wykorzystuje „pola treningowe”, za pomocą których „uczy” program, do której klasy przyporządkować pojedyncze, czy też zgrupowane piksele [Benz U. C. i in., 2004]. Obszarem poddanym analizie jest gmina Lutowiska, w województwie podkarpackim, powiecie bieszczadzkim, na której dokonano analizy zagospodarowania terenu. W wyniku klasyfikacji wyodrębniono 11 klas form terenu: klasa 0- infrastruktura drogowa, klasa 1- drogi, klasa 2- budynki, klasa 3- woda, klasa 4- łąki, klasa 5- grunty orne, klasa 6- pastwiska, klasa 7- roślinność wysoka, klasa 8- średnia roślinność, klasa 9- roślinność niska, klasa 10- kamieniołom. Obszar opracowania stanowi powierzchnię ok. 28 km2. Zobrazowania lotnicze zostały wykonane w 2015r. Wizję terenową oraz pomiar fotopunktów przeprowadzono w maju 2018r.
Źródło:
Geomatics, Landmanagement and Landscape; 2020, 2; 93-110
2300-1496
Pojawia się w:
Geomatics, Landmanagement and Landscape
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-2 z 2

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies