Barkóczi Norbert Gábor1 – Bertalan László2 – Szabó Gergely3
1 PhD-hallgató, Debreceni Egyetem, Természetföldrajzi és Geoinformatikai Tanszék, norbert.barkoczi@gmail.com
2 egyetemi tanársegéd, Debreceni Egyetem, Természetföldrajzi és Geoinformatikai Tanszék, bertalan@science.unideb.hu
3 egyetemi adjunktus, Debreceni Egyetem, Természetföldrajzi és Geoinformatikai Tanszék, szabo.gergely@science.unideb.hu
Abstract: Flume experiments are common tools in investigations of fluvial geomorphology. There is often a need to capture the actual phase of fluvial surface development. Terrestrial laser scanner was used as reference data and compared to three different type of photogrammetric model. The three type were based on three different camera type (Panasonic, GoPro, Xiaomi). Furthermore we investigated the software processing levels and the processing time. The results showed that an accurate surface model can be created even from smartphone imagery, however the higher processing parameters not always lead to higher accuracy.
Bevezetés
A folyóvizes terepasztali kísérletek kiemelt fontosságú eleme a felszínfejlődés stádiumainak lehető legrészletesebb rögzítése. A mikrodomborzat felvételezésére ma már számos hatékony és gyors eljárás létezik. A leggyakoribbak ezek közül mérőállomással készített változat (Bertalan L. 2013), a lézer-alapú térszkenneres módszer (Bertalan et al. 2016a; Chow et al. 2010), a fényképekből generált fotogrammetriai módszer (Barkóczi et al. 2016; Bertalan – Szabó 2014; Kiss et al 2015; Pirkhoffer et al. 2014), vagy az Xbox Kinect (Bertalan et al. 2016b) szenzorral létrehozott kísérleti modellek. Az eredmények helyes kiértékeléséhez ismernünk kell az egyes eszközök, módszerek és ezek alkalmazási módja közti különbségeket. A felmérés során több eszközzel is rögzítettük a folyóvizes terepasztal állapotát. A viszonyítási alapként használt nagypontosságú térszkenneres felmérés mellett, három különböző kamera típussal készültek felvételek. Külföldi kutatások a közeli-fotogrammetriai módszerekről, és azok alkalmazásáról a fluviális geomorfológiában születtek korábban (Bertin et al. 2016), vagy az ún. structure-from-motion technikán alapú fotogrammetriai kutatások szintén (Westoby et al.
2012; Woodget et al. 2015).
Célunk a térszkenner által létrehozott referencia pontfelhőhöz viszonyítva meghatározni az egyes kamerák által készített fényképeken alapuló digitális felszínmodellek (DFM) magassági pontosságát. Továbbá a kamera típusok mellett a szoftveres feldolgozás paraméterezései szintjei közti eltéréseket kívánjuk bemutatni.
A feldolgozási szintek futási idejét, és az azokhoz tartozó átlagos modellpontosságot hasonlítjuk össze.
Anyag és módszer
A vizsgálat során a Természetföldrajzi és Geoinformatikai Tanszék folyóvizes laboratórium terepasztalának felszíne került felmérésre, FARO Focus 3D típusú térszkenner segítségével. A szkenner által készített nagy sűrűségű pontfelhő szolgáltatta a referencia felületet a fotogrammetriai módszerrel létrehozott adatokhoz.
A folyóvizes laboratórium felvételezése során 3 különböző típusú kamera került felhasználásra. Az első egy cserélhető objektíves, tükörreflexes Panasonic G6 típusú fényképező gép volt. A kamera 16 Mp-es képeket készít. A második kamera a GoPro Hero 3+ Black Edition kis formátumú akció kamera, amely 12 Mp-es képeket készít. A harmadik eszköz egy okostelefon gyári fényképezője a Xiaomi Redmi Note 2. Mindhárom eszközzel egységesen 18 kép készült a felszínről, kb. 3-3,5 méteres távolságból. Az átfedő digitális felvételek fotogrammetriai feldolgozásra kerültek. A felmérés során lézeres mérőállomással 15 GCP helyzetét rögzítettük, az adatok méter alapú lokális koordináta rendszerben kerültek meghatározásra.
A szoftveres feldolgozás során az Agisoft Photoscan különböző paramétereit is vizsgáltuk. A felvételek összekapcsolása, és a pontfelhő létrehozása során 5 különböző paramétert adhatunk meg. A legfinomabb (highest) paraméter a felvételek eredeti felbontásával (1/1) dolgozik, a második (high) paraméter a felvételeket x és y irányban is felére (1/2) skálázza, a harmadik (medium) paraméter már az eredeti felbontása negyedével (1/4) dolgozik, míg a legdurvább (lowest) az eredeti felvételeket 16-szorosan csökkenti le (1/16). E különböző paraméterekkel a létrejövő pontfelhő részletességét, térbeli felbontását szabályozhatjuk. Az átfedő képek alapján a szoftver kapcsoló pontokat keres, majd ezek alapján létrehozza a ritka és sűrű pontfelhőt. A 15 GCP alapján meghatározásra került a lokális koordináta rendszer, majd *.tif formátumban exportáltuk a kész felszínmodelleket.
A térszkenner által létrehozott pontfelhő adatait *.las formátumba alakítottuk, majd SAGA GIS szoftverben pont típusú shape fájllá konvertáltuk. Az eredeti pontfelhő több mint 10 millió pontot tartalmazott, ezek egy kis szeletét, 2279 db1 véletlenszerű pontot választottunk ki a felszínmodellek pontosságának meghatározása céljából.
Az egyes felszínmodellek magassági adatait tartalmazó pixel értékeit lekérdezve és attribútum táblába gyűjtve dolgoztuk fel. A felbontás csökkenés növekedésével egyenes arányban nő a térbeli felbontás (1. táblázat). Ezzel szintén egyenes arányban növekszik a felszínmodell alapjául szolgáló pontfelhő sűrűsége is.
A térszkenner által létrehozott pontfelhő részletén és a Xiaomi telefon képeiből készített felszínmodellen jól kirajzolódnak a kísérlet során előállított folyóvízi
1 Xiaomi telefonnal készült felvételek közül az 1/16 felbontás csökkentéssel készült modell validálása
Kamera Mp Felbontás
csökkenés DFM felbontása
(mm/pixel) Pontfelhő sűrűsége (pont/m2) Panasonic 16
1/16 13 6199
1/8 6 24763
1/4 3 98915
1/2 1,6 396296
1 0,8 1587260
GoPro 12
1/16 25 1635
1/8 12 6808
1/4 6 27508
1/2 3 108736
1 1,5 426890
Xiaomi 10
1/16 16 4186
1/8 8 17436
1/4 4 69777
1/2 1,9 279853
1 1 1135940
1. táblázat A használt kamera típusok, és az elért térbeli felbontások
felszínformák, úgy mint hátravágódó völgyek, meanderező medrek, övzátonyok és hordalékkúpok (1. ábra). A magasabb fekvő régiókban a folyó mély, bevágódó völgyeket hozott létre, majd a középső területek kanyargó, meanderező mozgást végzett. A pontfelhőből egyenletesen a területen elosztva lettek kiválasztva a véletlenszerű ellenőrző pontok.
Eredmények
A három különböző kamera típus és az öt eltérő szoftveres paraméter eredményeként 15 különböző felszínmodellt hoztunk létre. A 2. ábrán látható e felszínmodellek néhány leíró statisztikája. Az átlagos hibák tekintetében a GoPro-val készült modellek közül az 1/1-es modell értéke a legalacsonyabb (1,3 cm). E kamerával készült modellek közül a legmagasabb az 1/16-os modell, 2,3 cm-es átlagos hibával. A Xiaomi telefon által készült modellek közül a legalacsonyabb 1,4 cm-es átlagos hibával bír, még a 1/16-os modell 3,8 cm-el. A Panasonic kamera egyes modelljei közt alig tapasztalható különbség, 1,9–2,1 cm közötti átlaggal bírnak.
Medián hibák tekintetében hasonlóak az arányok: a GoPro-val készített modellek 0,4-1 cm közötti hibával terheltek, míg a Xiaomi-val készült modellek 0,5-0,9 cm-es mediánnal bírnak. Még az előző két esetben elmondható, hogy a felbontás fokozatos csökkentésével csökkenek az átlagos hibák, a Panasonic kamerával készült modellek esetén stagnálás figyelhető meg. A négyzetes középhiba (RMSE) tekintetében a némileg magasabb értékeket figyelhetünk meg. Mind a három kamera típus esetén hasonló értékeket kaptunk 3,6–3,8 cm, kivétel ez alól a 1/16-os modellek, ahol rendszerint a legmagasabb az RMS hiba értéke, a Xiaomi felvételek közül az 1/16-os
1. ábra A folyóvizes laboratórium felszínmodellje, és a térszkenner ellenőrző pontjai
Az átlagok mellett külön ábrázoltuk a legnagyobb eltéréseket az egyes modellek esetén (3. ábra). Ez alapján nem alkothatunk egységes képet az egyes szoftveres paraméterekről. A GoPro esetén közel hasonló maximum hibákat tapasztalhatunk 28-29 cm. A Xiaomi modelljei közül az 1/16-os itt is kiemelkedik, 40 cm-es maximum hibájával. A Panasonic esetén pedig az 1/4-es modellnél mértük a legnagyobb hibát 30,1 cm.
A szoftveres feldolgozás egyik fontos tényezője a felszínmodell elkészítésének futási ideje. Az egyes modellek átlagos hibái mellé ábrázoltuk az adott modell feldolgozási idejét, azonos hardveres környezetben (4. ábra). Az 1/16, 1/8 és 1/4-es feldolgozási paraméterek rendszerint néhány percen belül, vagy az alatt lefutottak.
Az 1/2-es felbontás csökkentéssel készült modellek esetén is 1 óra alatti futási időt mértünk. A felbontás csökkentés nélkül (1/1) készült modellek közül volt olyan (Panasonic), ahol több mint 6 óráig számolt a program, annak ellenére, hogy összesen 18 képből álltak a modellek. Továbbá egyedül a GoPro által készült modellek esetén igaz, hogy minél magasabb minőségi paraméterrel futtatjuk le a programot annál pontosabb lesz az eredmény – a másik két kamera típus esetén ez nem igaz.
Összefoglalás
Vizsgálataink kimutatták, hogy a robosztus fotogrammetriai szoftver széles körűen támogatja a különböző kamera típusokat, így akár egy mobiltelefon segítségével is létrehozhatunk relatíve pontos felszínmodelleket. A széles látószöggel
3. ábra Az egyes felszínmodellek maximum hibái
kiugró hibákkal rendelkezik, mint a két másik kameratípus. A Panasonic (MILC) kamerával létrehozott modellek a szoftveres paramétertől függetlenül közel azonos eredményeket hoztak. A felbontás csökkentés tekintetében nem ajánlott az 1/16-os beállítást használni, mivel e modellek esetében lényegesen nagyobb hibákat kaptunk.
A feldolgozási idő és szoftveres paraméter viszonyában pedig nem feltétlenül ajánlott az 1/1-es beállítás, mivel szignifikánsan hosszabb idővel bír, viszont nem feltétlenül kapunk nagyobb pontosságot.
Köszönetnyilvánítás
A kutatást támogatta a Debreceni Egyetem (RH/751/2015). Köszönetünket szeretnénk kifejezni Énekes Gábornak és a Sidex Trade Kft-nek a kutatás alapját képező FARO Focus lézerszkenner rendelkezésünkre bocsátásáért.
Felhasznált irodalom
Barkóczi N. – Szabó G. (2016): Horizontális hiba vizsgálata fotogrammetriai úton előállított ortofotó esetén. In: Balázs B. (szerk.) Az elmélet és a gyakorlat találkozása a térinformatikában: Térinfomatikai Konferencia és Szakkiállítás VII. pp. 63–68.
Bertalan L. (2013): Investigations of fluvial geomorphic processes in laboratory conditions with modern GIS methods. In: Macka, Z., Havlícek, M., Demek, J., Kirchner, K. (szerk.) State of geomorfological research in the year 2013 - Proceedings and excursion guide of the conference. Brno: Institute of Geonics - Academy of Sciences of the Czech Republic, 2013. 97 p.
Bertalan L. – Tóth Cs. A. – Szabó G. (2013): Fluviális felszínfejlődési folyamatok modellezési lehetőségei folyóvizes laboratóriumban – In: Lóki J. (szerk.) Az elmélet
4. ábra A felszínmodellek átlagos hibái és a feldolgozási idő
és a gyakorlat találkozása a térinformatikában: Térinfomatikai Konferencia és Szakkiállítás IV. pp. 111–118.
Bertalan L. – Szabó G. (2014): Fotogrammetria-alapú domborzatmodellezés folyóvizes terepasztalon. In: Balázs B. (szerk.) Az elmélet és a gyakorlat találkozása a térinformatikában: Térinfomatikai Konferencia és Szakkiállítás V. pp. 69–76.
Bertalan, L. – Tóth, Cs.A. – Szabó, G. – Nagy, G. – Kuda, F. – Szabó, Sz. (2016a):
Confirmation of a theory: reconstruction of an alluvial plain development in a flume experiment. Erdkunde 70(3), pp. 271–285.
Bertalan L. – Szeghalmy Sz. – Barkóczi N. – Szabó G. (2016b): Xbox Kinect szenzor alkalmazási lehetőségei a felszínmodellezésben. In: Balázs B. (szerk.) Az elmélet és a gyakorlat találkozása a térinformatikában: Térinfomatikai Konferencia és Szakkiállítás VII. 542 p.
Bertin, S. – Friedrich, H. (2016): Field application of close-range digital photogrammetry (CRDP) for grain-scale fluvial morphology studies. Earth Surface Processes and Landforms 41, pp. 1358–1369.
Chow, J. C. K. – Lichti, D. D. – Teskey, W. F. (2010): Self-Calibration of the Trimble (Mensi) GS200 Terrestrial Laser. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences Vol. 38 (5), pp. 161-166.
Kiss K. – Halmai Á. – Czigány Sz. – Balassa B. – Bugya T. – Lóczy D. – Pirkhoffer E. (2015): Deltatorkolat az alagsorban!? - Kismintás hidromorfológiai vizsgálatok.
In: Boda J. (szerk.) Az elmélet és a gyakorlat találkozása a térinformatikában:
Térinfomatikai Konferencia és Szakkiállítás VI. pp. 217–223.
Pirkhoffer, E. – Halmai, Á. – Czigány, Sz. – Bugya, T., Rábay A. – Bötkös, T. – Nagy, G.
– Balassa, B. – Jancskárné Anweiler, I. – Lóczy, D. (2014): New opportunities for experiments in fluvial geomorphology: the flume PTETHYS. Hungarian Geographical Bulletin 63(4), pp. 425–436.Telbisz T. (2007): Digitális domborzatmodellekre épülő csapadék-lefolyás modellezés. Hidrológiai Közlöny 8(3), pp. 53–59.
Westoby, M.J. – Brasington, J. – Glasser, N.F. – Hambrey, M.J. – Reynolds, J.M. (2012):
‘Structure-from-Motion’ photogrammetry: A low-cost, effective tool for geoscience applications. Geomorphology 179, pp. 300–314.
Woodget, A. S. – Carbonneau, P. E. – Visser, F. – Maddock, I. P. (2015): Quantifying submerged fluvial topography using hyperspatial resolution UAS imagery and structure from motion photogrammetry. Earth Surface Processes and Landforms 40, pp. 47–64.