كليدواژه :
سيستمهاي لايدار موج پيوسته , تجزيهي امواج بازگشتي , توليد ابر‌نقاط , توليد ويژگيهاي لايدار
چكيده فارسي :
در سالهاي اخير، سيستمهاي جاروبكنندهي ليزري (لايدار) تبديل به يكي از قدرتمندترين ابزار به منظور اندازه گيريهاي مربوط به سطح زمين و مدل سازي آن تبديل شدهاند. با ظهور سيستمهاي ماهوارهاي و هوايي لايدار، امكان استخراج اطلاعات و پارامترهاي مرتبط با ساختار عمودي عوارض، به خصوص درختان، فراهم شد، در حالي كه قبلتر، اين كار بوسيله ي دادههاي غيرفعال سنجش از دوري مانند تصاوير امكان پذير نبود. ابر نقاط حاصل از اين سنجنده ها، اطلاعات دقيقي را از ويژگيهاي هندسي و فيزيكي عوارض موجود در مسير حركت ليزر و توزيع عمودي آنها ارائه مي كند. از كاربردهاي مربوط به اين سيستمها ميتوان به كاربرد آنها در جنگلداري و اندازهگيري پارامترهاي جنگل، بدست آوردن مدل رقومي زمين با دقت ارتفاعي بالا، تعيين عمق درياها و تعيين ضخامت يخهاي قطبي، مدل سازي ساختمانهاي شهري، شناسايي پلها و خطوط برق، نقشهبرداري خطوط ساحلي و معادن روباز و طبقهبندي پوششهاي زميني اشاره كرد. به دليل اينكه خروجي سنجنده هاي لايدار اوليه (سيستمهاي لايدار گسسته) صرفا ابر نقطه بوده است، محدوديتهايي در برخي از كاربردهاي آن وجود دارند. براي مثال تشخيص گونه هاي درختي و استخراج درختان منفرد در جنگلهاي متراكم با استفاده از اين دادهها بسيار مشكل و در بسياري از موارد امكانپذير نبودهاست. از سال 2004، سيستمهاي تجاري جاروبكنندهي ليزري هوايي جديدي با نام سيستمهاي لايدار موج پيوسته ظاهر شد. با امكان ثبت اطلاعات موج پيوستهي بازگشتي به طور كامل توسط جاروب كننده هاي لايدار در سالهاي اخير، ضمن برطرف كردن بخشي از نقاط ضعف سيستمهاي گسستهي لايدار مانند تراكم پايين نقاط، با دراختيار گذاشتن خصوصيات موج برگشتي نظير دامنه و شدت قلههاي ثبت شده، امكان تفكيك و استخراج تكدرختان در جنگلهاي متراكم، طبقه بندي گونه هاي مختلف درختي و طبقه بندي عوارض با دقت بالاتري فراهم شد. يكي از چالشهاي مربوط به اين دادهها، نحوهي تجزيه امواج بازگشتي و استخراج ابر نقاط و اطلاعات اضافي مربوط به اين داده ها است. اگرچه در ايران تحقيقات به نسبت خوبي بر روي استفاده از دادههاي لايدار گسسته و كاربرد آنها در مديريت جنگل و مدلسازي ساختمانهاي شهري صورت گرفته است، ولي به جرات ميتوان گفت هنوز داده هاي لايدار موج پيوسته و نحوه ي پردازش و تجزيهي آنها يك موضوع ناشناخته است كه از مهمترين دلايل آن ميتوان به در دسترس نبودن اين دادهها، عدم شناخت كافي به ماهيت اين نوع داده ها، كمبود نرمافزارهاي مربوط به پردازش آنها و در اختيار قرار ندادن روشهاي پردازش اين داده ها توسط شركتهاي سازندهي آن اشاره كرد. اين تحقيق بر آن است تا نحوه ي استخراج اطلاعات از داده هاي خام موج پيوسته ي لايدار هوابرد را به صورت عملي نشان دهد و نتايج حاصل از استخراج اطلاعات از داده هاي موج پيوسته را با ابر نقطه ي حاصل از سيستم لايدار مقايسه كند.
چكيده لاتين :
In recent years, Light Detection and Ranging (LiDAR) systems, as one of the active remote sensing laser technology, have become one of the most promising tools for measurements of Earth surface and its modeling. With the advent of airborne and satellite LiDAR systems, it has been possible to extract information and parameters related to the vertical structure of the targets, especially trees, while earlier, this was not possible by the use of passive remote sensing data such as multispectral images. Point cloud generated by this sensors provides precise information of the targets on the laser path and their vertical distribution. Some of the applications of these systems are forest management, measurement of forest parameters, Digital Terrain Model generation, sea depth determination, the polar ice thickness determination, 3D city modeling, bridge and power line detection, costal mapping, open cast mapping and land cover classification. Due to the fact that the output of primary LiDAR systems (discrete LiDAR systems) is merely point cloud and is less associated with the intensity recorded for them, there are some limitations in some of its applications such as tree species classification and single tree detection especially in densely forested areas. Since 2004, new commercial airborne laser scanners, namely full waveform LiDAR Systems, have appeared. In recent years, recording the full waveform LiDAR data by these systems has made it possible to rectify some of the weaknesses of the discrete LiDAR systems such as low density of generated point cloud and their limitation in classification tasks; these systems made it possible to classify different tree species and classify targets more precisely by providing features of return waveforms such as amplitude and intensity of return pulses. One of the challenges related to these data is how to decompose return waveforms and generate point cloud and additional information related to waveforms. A great deal of research has been done on using discrete LiDAR data and its applications in forest management and 3D city modeling in Iran; However, full waveform LiDAR data, the process of decomposing LiDAR waveforms to point cloud and different decomposition methods are still unknown. Some of the most important reasons for this matter are unavailability of these data, lack of enough knowledge about the nature of this type of data, Lack of software especially free ones for processing them and the lack of information from commercial firms producing LiDAR sensors. In this research LiDAR waveforms of a forested area have been investigated and it has been tried to show how to decompose raw full waveform LiDAR data to 3D point cloud and extract information and features related to each return waveform. In addition in this research, the results of point cloud generated from full waveform LiDAR data is compared with point cloud acquired from LiDAR sensor to show how the density of LiDAR point cloud can be increased by full waveform analysis. Finally, the generated LiDAR point cloud is visualized based on its extracted features such as amplitude, width, intensity and number of return to show their application in clustering and classification tasks.
