Voor overstromingsmodellen, bosbeheer, zonnescans en nog veel meer toepassingen hebben we nauwkeurige 3D data nodig. Hiervoor wordt vaak LiDAR-data ingezet, zoals in Nederland het AHN-2 bestand. Maar deze data is kostbaar om in te winnen en vaak al enkele jaren oud. Karto kan nauwkeurige 3D data uit luchtfoto’s rekenen. Wat is het verschil?

De methode

Luchtfoto’s worden al jarenlang gebruikt om gebouwen en wegen in 3D in te meten. Hiervoor worden overlappende foto’s over elkaar gelegd, een techniek die vergelijkbaar is met hoe je met je ogen diepte kunt zien (stereobeeld). Om de hoogte van een punt te bepalen zoeken we dit op in twee foto’s en door het verschil in perspectief is nu de hoogte uit te rekenen.

Als we nu alle punten in de twee foto’s aan elkaar kunnen matchen kunnen we de hoogte van alle pixels bepalen. Sinds 2005 is dit mogelijk door een techniek die semi-global matching wordt genoemd. Nu bijna 10 jaar verder kunnen we met krachtige hardware en verder ontwikkelde software dit in de praktijk brengen. Karto heeft een pipeline opgezet om snel 3D-modellen op te bouwen over gebieden van honderden vierkante kilometers.

Om de data te valideren vergelijken we de resultaten met LiDAR of in goed Nederlands: laserhoogtedata. LiDAR-data wordt opgenomen met speciale laserscanners. Waar de hoogte bij luchtfoto’s indirect wordt afgeleid door pixels aan elkaar te matchen meet een laserscanner direct de afstand van het meetpunt tot de scanner, die zich in dit geval in een vliegtuig bevindt. Doordat de positie en stand van het vliegtuig bekend is kan nu direct het coördinaat van de reflectie worden bepaald in 3D (x,y,z).

Testgebied

Voor deze test heeft Karto een puntenwolk gegenereerd uit luchtfoto’s voor 40 km2 in de gemeente Wormerland, Noord-Holland. De gebruikte luchtfoto’s zijn in 2014 ingewonnen met een Ultracam XP camera, een grondresolutie van 10cm en een overlap tussen de individuele foto’s van 60% voorwaarts en 40% zijwaarts. Ter validatie is hetzelfde proces uitgevoerd met de luchtfoto’s uit 2013, de resultaten hiervan komen overeen met de resultaten over 2014.

Puntdichtheid

Hoe meer meetpunten, hoe meer detail er in de data zichtbaar is. Met één meetpunt per vierkante meter kun je de hoogte van een dak bepalen, met 10 meetpunten per vierkante meter kun je de hoogte van de nok van een schuin dak bepalen en met 100 meetpunten per vierkante meter kun je het hele dak inclusief schoorstenen nauwkeurig inmeten.

Voor Nederland is LiDAR-data beschikbaar via de AHN-2 dataset met een puntdichtheid van 8-12 punten per vierkante meter. Voor enkele zeer kleine gebieden zoals de binnenstad van Rotterdam is LiDAR-data van 30 punten per vierkante meter beschikbaar.

Omdat we voor elke pixel een hoogte bepalen verkrijgen we bij luchtfoto’s met 10cm grondresolutie 100 meetpunten per vierkante meter. Luchtfoto’s van 10cm resolutie zijn voor heel Nederland beschikbaar. Luchtfoto’s met een nog hogere resolutie van 5 of zelfs 2,5 cm zijn echter geen uitzondering. Met foto’s van 2.5cm is het mogelijk puntenwolken te genereren van 1600(!) punten per vierkante meter.

Door dit grote verschil in puntdichtheid is in de puntenwolken uit luchtfoto’s veel meer detail zichtbaar dan in de LiDAR puntenwolken.

Nauwkeurigheid

Om de nauwkeurigheid van de puntenwolken uit luchtfoto’s te bepalen is deze data vergeleken met de hoogte van het AHN-2 bestand. Het AHN-2 bestand is uitgebreid getoetst op kwaliteit en vormt daardoor een betrouwbare basis voor de vergelijking. Het gemiddelde verschil in hoogte tussen de twee datasets is minder dan 1 cm met een standaardafwijking van 5 cm. Dit is gelijk aan de nauwkeurigheid van het AHN-2 bestand.

Als we de hoogteverschillen nauwkeuriger bekijken zijn subtiele systematische effecten zichtbaar in de data waarbij er tussen de randen van foto’s kleine hoogteverschillen optreden (tot 10cm). Dit wijst er op dat er nog kleine afwijkingen in de positionering van de foto’s aanwezig zijn. Omdat er geen patronen zichtbaar zijn die wijzen op onnauwkeurigheden in de LiDAR data (typisch zichtbaar in de vorm van vliegstroken) is voor deze dataset de conclusie te trekken dat de LiDAR puntenwolk nauwkeuriger is dan de puntenwolk uit luchtfoto’s, echter zijn de verschillen niet groot.

Meten onder vegetatie

Een belangrijke eigenschap van LiDAR is dat de uitgezonden laserpulsen ook bij vegetatie gedeeltelijk de grond bereiken. Hierdoor kan de ondergrond van bossen en akkers ingemeten worden. Bij puntenwolken uit luchtfoto’s moet de ondergrond in meerdere foto’s zichtbaar zijn. De verwachting is dat puntenwolken uit luchtfoto’s in begroeid gebied minder goede modellen van de ondergrond opleveren dan dat dit met LiDAR mogelijk is.

Het resultaat

Aan de hand van normale luchtfoto’s kan Karto puntenwolken genereren die als basis dienen voor vele toepassingen van nauwkeurige 3D data zoals overstromingsmodellen, 3D stadsmodellen en zonnescans.

De door Karto gegenereerde puntenwolken uit luchtfoto’s kenmerken zich door:

  1. Zeer hoge puntdichtheid: doordat voor elke pixel een hoogte wordt bepaald zijn puntenwolken met 100 tot wel 1600 punten per vierkante meter mogelijk;
  2. Goede basis voor kartering: Door de hoge puntdichtheid is er erg veel detail in de puntenwolken aanwezig waarmee gemakkelijk gekarteerd kan worden;
  3. Nauwkeurig: Met de gebruikte luchtfoto’s wordt een nauwkeurigheid bereikt van 5cm (1-sigma). De nauwkeurigheid is afhankelijk van de kwaliteit van de positionering van de luchtfoto’s. De gebruikte luchtfoto’s en kwaliteit van de positionering is kenmerkend voor ‘normale’ 10 cm luchtfoto’s.
  4. Kostenefficiënt: Omdat de puntenwolken kunnen worden opgebouwd uit bestaande luchtfoto’s zijn de kosten minimaal. Ook bij het uitvoeren van een nieuwe fotovlucht zullen de kosten lager blijven dan bij het uitvoeren van een speciale LiDAR vlucht.

Toepassingen

Puntenwolken uit luchtfoto’s kunnen gebruikt worden voor alle toepassingen waarbij 3D informatie nodig is en waarbij het onderwerp van de studie zichtbaar is vanuit de lucht.