Updating the Danish Elevation Model with UAV data
Authors
Larsen, Henrik Brændskov ; Madsen, Nina Stahl
Term
4. semester
Publication year
2017
Submitted on
2017-06-02
Pages
162
Abstract
Dette projekt undersøger, om data fra ubemandede luftfartøjer (UAV'er, droner) kan bruges til at foretage lokale opdateringer af Dansk Højdemodel (DK-DEM), den nationale digitale model over terrænhøjder. Vi fandt, at to elementer er afgørende for en opdateringsalgoritme: at opdage hvor højder har ændret sig, og at kategorisere dronernes punktsky (en tæt samling af 3D-punkter) for at skelne mellem terræn og ikke-terræn. Da UAV-data viste flere kvalitetsproblemer, prioriterede vi at udvikle en kvalitetsvurdering og en metode til ændringsdetektion. Kvalitetsvurderingen fjerner afvigere ved robust at tilpasse et plan til UAV-punkterne og vurdere tilpasningen med statistiske mål. Ændringsdetektionen sammenligner højder fra DK-DEM og UAV-data og vurderer forskellene ud fra den samlede kvalitet, opsummeret som en standardafvigelse. I afprøvninger fjernede kvalitetsvurderingen effektivt afvigere og forbedrede datasættets samlede præcision. Ændringsdetektionen fandt terrænændringer med tilfredsstillende resultater. Da der ikke er gennemført en kategorisering, er der dog stadig problemer med ikke-terrænobjekter, og de udviklede metoder skal derfor ses som dele af, og ikke en fuld, opdateringsalgoritme.
In this project, we explore whether data from unmanned aerial vehicles (UAVs, or drones) can be used to make local updates to the Danish Elevation Model (DK-DEM), the national digital map of ground heights. We found that two elements are crucial for an update algorithm: detecting where heights have changed and categorizing the drone point cloud (a dense set of 3D points) to separate terrain from non-terrain. Because the UAV data showed several quality issues, we prioritized developing a data quality assessment and a change-detection method. The quality assessment removes outliers by robustly fitting a plane to the UAV points and evaluating the fit with statistical measures. The change detection compares elevations from DK-DEM and the UAV data and evaluates the differences using their combined quality, summarized as a standard deviation. In tests, the quality assessment successfully removed outliers and improved the overall precision of the UAV dataset. The change detection identified terrain changes with satisfactory results. However, since no categorization was implemented, issues related to non-terrain objects remain, so the developed methods should be seen as components of, rather than a complete, update algorithm.
[This abstract was generated with the help of AI]
Keywords
Documents