Rilievo fotogrammetrico con velivolo UAV finalizzato

alla produzione del Canopy Height Model della foresta

di Vallombrosa.

Tutor aziendale:

Prof. Gherardo Chirici

Dott.ssa Francesca Giannetti Candidato:

Dott. Luca Caliciotti

Anno accademico 2014/2015

Master di II livello in Sistemi Informati Territoriali e Telerilevamento (SITT).

Stage presso il

geoLAB - Laboratorio di Geomatica - Dipartimento di Gestione dei Sistemi

Agrari, Alimentari e Forestali. Università degli Studi di Firenze

Tutor universitario:

Prof. Riccardo Salvini

La fotogrammetria e le scienze forestali

2

Scopi ed applicazioni della fotogrammetria:

-sostituzione del rilievo topografico con la visione

stereoscopica da fotografia (Laussedat A., 1864;

Scheimpflug, 1898) per la creazione di carte

topografiche

-fotointerpretazione del paesaggio

Metodo di campionamento basato su aree di

saggio circolari (AdS) randomizzate.

Interpolazione statistica per determinare la

biomassa legnosa dell’intero bosco.

Creazione degli inventari forestali nazionali

(1985, 2005, 2015).

Obiettivi del lavoro

3

1. Applicare il metodo

fotogrammetrico a foto riprese da

velivolo UAV (Unmanned Aerial

Vehicle) su un’area boschiva per la

creazione di un modello della

superficie, DSM, da cui poter

estrarre l’altezza della vegetazione,

Canopy Height Model o CHM.

2. Costruire un modello di stima

della provvigione di biomassa

legnosa.

Area di studio

4

Estensione =1.270,00 ha.

Dislivello = 550-1430 m slm.

Gestita dal Ufficio Territoriale per la Biodiversità di Vallombrosa del Corpo Forestale dello Stato.

SIC (direttiva 91/43/CEE) "Foresta di Vallombrosa e Foresta di Sant'Antonio"

Dati di partenza

• DSM, DTM e ortofoto LIDAR con pixel di 1 m. Il volo è stato realizzato tra il 4 e l’8 maggio 2015, con una densità di punti di circa 4 impulsi a m2 e un’acquisizione in modalità fullwaveform. S.R.: WGS84 UTM 32 N

• DTM cartografico regionale derivante dalla carta tecnica regionale 1:10.000 disponibile sul portale sul portale geoscopio. Passo 10 m. S.R.: Monte Mario fuso Ovest

• Database delle Aree di Saggio (AdS) dislocate nella foresta di Vallombrosa.

5

Metodi, strumenti e procedure

eBee, UAV ad ala fissa della senseFly.

Dotato di GPS e IMU interni.

Volo realizzato dalla società Menci il 24/06/2015.

6

Fotocamera equipaggiata:

Canon PowerShot ELPH 110 HS. Fotocamera di

tipo compatto RGB, da 16.1 milioni di pixel

Software per l’elaborazione delle immagini, con

algoritmi Structure from Motion (SfM)

I fotogrammi

7

116 foto dotate di coordinate X, Y, Z riferite al centro di presa dello scatto. La risoluzione è

180 dpi (dot per inch) e una profondità del singolo pixel di 24 bit.

Le dimensioni delle immagini sono 4608 x 3456 px.

Parametro Valore

Accuratezza Elevata

Selezione della coppia

di foto

In base alle coordinate

geografiche

Key point (punti

individuati su ogni

foto)

40.000

Tie point 1.000

Orientamento, interno ed esterno, dei fotogrammi e costruzione del

modello 3D.

PARAMETRO VALORE

lunghezza focale nominale (mm) c 4

larghezza dell'immagine - pixel w 4608

altezza dell'immagine - pixel h 3456

dimensione del pixel (mm) ps 0.00133853

lunghezza focale asse x (pixel) cx 3261.42

lunghezza focale asse y (pixel) cy 3261.42

lunghezza focale asse (mm) c 4.365508513

coordinata x del punto principale

(pixel) ppx 2248.63

coordinata y del punto principale

(pixel) ppy 1824.67

distorsione radiale simmetrica -

normalizzato k1 -0.0441187

distorsione radiale simmetrica -

normalizzato k2 0.0375182

distorsione radiale simmetrica -

normalizzato k3 -0.0136347

distorsione tangenziale asimmetrica -

normalizzato t1 0.0065819

distorsione tangenziale asimmetrica -

normalizzato t2 -0.00307832

Certificato di calibrazione della fotocamera

Parametri impostati per l’estrazione dei tie

point (Lisein et al, 2013, Puliti et al, 2015)

9

Sparce cloud o

nuvola dei tie point

formata 20,730

punti. Vista Top su

Cloud Compare.

10

Posizionamento dei GCP e ottimizzazione del modello.

11

Dense Cloud formata da

19.675.732 punti.

Vista top su Cloud Compare.

Vista frontale su

Cloud Compare.

Video di

navigazione della

Dense Cloud

12

LasGrid.

Dim. Pixel = 1 m.

estensione:

166,67 ha.

perimetro: 7380

m.

Dislivello: 1062 –

1469 m slm.

Digital Surface Model o DSM

Canopy Height Model o CHM

Il DTMCTR è stato

ricampionato ad un

passo di 1 m per

essere coerente con

i DSM.

Altri CHM ottenuti:

• CHMLIDAR=

DSMLIDAR -

DTMLIDAR

• CHMeBee/CTR =

DSMeBee –

DTMCTR

• CHMLIDAR/CTR =

DSMLIDAR –

DTMCTR

CHMeBee= DSMeBee – DTMLIDAR Dislivello medio di 17 m

Modellazione statistica volta alla stima della provvigione legnosa

14

1. Average (m)

2. Maximum (m)

3. Minimum (m)

4. Population Std. Dev. (m)

5. Range (m)

6. Sample Std. Dev. (m)

7. Total (m)

8. Totale complessivo (m)

15

Studio di regressione dei parametri estratti dal CHMeBee con il Volume

R2 = 0,43 R2 = 0,47

R2 = 0,44 R2 = 0,44

16

Studio di regressione dei parametri estratti dal CHMLIDAR con il Volume

R2 = 0,51 R2 = 0,48

R2 = 0,52 R2 = 0,52

17

Studio di regressione dei parametri estratti dal CHMeBee/CTR con il Volume

Parametro R2 Equazione

Average R² = 0,1718 y = 0,0115x + 5,9601

Maximum R² = 0,1884 y = 0,0124x + 12,081

Minimum R² = 0,1378 y = 0,0099x + 0,7792

Population Std Dev R² = 0,0185 y = 0,0005x + 2,3331

Range R² = 0,0228 y = 0,0025x + 11,302

Sample Std Dev R² = 0,0185 y = 0,0005x + 2,3353

Total R² = 0,1732 y = 6,1786x + 3152,7

Totale complessivo R² = 0,1734 y = 6,216x + 3187,5

Studio di regressione dei parametri estratti dal CHMLIDAR/CTR con il Volume

Parametro R2 Equazione

Average R2 = 0.2571 y = 21.515x + 243.8

Maximum R2 = 0.2943 y = 20.011x + 94.637

Minimum R2 = 0.0579 y = -14.665x + 654.85

Population Std Dev R2 = 0.0535 y = 36.105x + 467.94

Range R2 = 0.3746 y = 20.08x + 160.35

Sample Std Dev R2 = 0.0535 y = 36.07x + 467.94

Total R2 = 0.2601 y = 0.0405x + 242.36

Totale complessivo R2 = 0.2605 y = 0.0403x + 241.22

18

Creazione dei modelli di stima

Operatore statistico

Liner model

Modello Variabili predittorie df (degree of

freedom) BIC

mod1 = V ~ Average + Maximum + Total + Totale.complessivo 6 461.1648

mod2 = V ~ Average + Maximum + Total 5 458.2976

mod3 = V ~ Average + Maximum 4 461.7019

mod4 = V ~ Average 3 460.7436

mod5 = V ~ Average * Maximum + Total + Totale.complessivo 7 463.4759

mod6 = V ~ Average + Maximum + Total * Totale.complessivo 7 463.7649

mod7 = V ~ Average + Maximum * Total + Totale.complessivo 7 463.479

mod8 = V ~ Average * Maximum * Total + Totale.complessivo 10 471.0499

mod9 = V ~ Average + Maximum * Total * Totale.complessivo 10 465.9889

mod10 = V ~ Average * Maximum + Total 6 460.5515

mod11 = V ~ Average + Maximum * Total 6 460.5535

mod12 = V ~ Average * Maximum * Total 9 467.7455

mod13 = V ~ Maximum + Total + Totale.complessivo 5 464.29

mod14 = V ~ Maximum + Total 4 461.705

mod15 = V ~ Maximum + Totale.complessivo 4 461.7051

mod16 = V ~ Average + Total 4 460.1442

mod17 = V ~ Average + Totale.complessivo 4 459.3778

mod18 = V ~ Average + Total + Totale.complessivo 5 459.145

mod19 = V ~ Average + Maximum + Totale.complessivo 5 458.3716

Volume = -88.37 -761.42*(Average) + 38.59*(Maximum) +1.41*(Total)

19

Test di mod2: Volumi predetti ~ Volume campionati

AdS V V predetti da mod2

1 852.38 792.99

2 238.68 580.78

3 201.60 231.09

5 625.00 659.42

8 943.16 626.44

9 532.89 723.42

11 260.67 609.18

13 676.23 753.34

15 415.80 761.87

16 571.93 518.52

17 729.95 905.63

18 514.51 595.87

21 627.90 422.48

22 731.96 520.16

24 961.41 703.00

25 154.21 272.27

26 669.65 439.90

30 844.56 708.99

32 313.81 315.00

35 428.42 619.15

41 223.88 115.97

42 257.76 450.79

43 1468.40 1283.93

44 685.44 862.16

46 687.57 642.58

47 494.78 669.53

49 313.69 232.74

50 396.67 590.88

64 946.82 706.71

66 911.00 774.45

68 1013.26 692.10

69 396.29 481.04

72 893.38 741.20

RMSE% = 31.75648

0

200

400

600

800

1000

1200

1400

1600

0 200 400 600 800 1000 1200 1400 1600

V p

red

etti

da m

od

2 m

3

V m3

V predetti ~ V

retta y = x

20

Correlazione tra CHMeBee e CHMLIDAR

Total eBee ~ Total LIDAR

Tota

l eB

ee m

Total LIDAR m

y = 0.9864x - 2033

R² = 0.8666

Totale complessivo eBee ~ Totale complessivo LIDAR

To

tale

co

mp

less

ivo

eB

ee m

Totale complessivo LIDAR m

y = 0.9856x - 2042.4

R² = 0.8666

Sample Std Dev eBee ~ Sample Std Dev LIDAR

y = 0.3473x + 0.7551

R² = 0.4628

Sa

mp

le S

td D

ev e

Bee

m

Sample Std Dev LIDAR m

Population Std Dev eBee ~ Population Std Dev LIDAR

y = 0.3473x + 0.7544

R² = 0.4628

Po

pu

lati

on

Std

Dev

eB

ee m

Population Std Dev LIDAR m

Maximum eBee ~ Maximum LIDAR

Maximum LIDAR m

Ma

xim

um

eB

ee m

y = 0.859x - 2.217

R² = 0.8484

Average eBee ~ Average LIDAR

Average LIDAR m

Av

era

ge e

Bee

m

y = 0.9899x - 3.8861

R² = 0.8681

Conclusioni

• Il metodo fotogrammetrico accoppiato a software SfM

applicato ad un ambiente forestale ad elevata pendenza

(0-80°)

• Generazione di un CHMeBee correlato con il CHMLIDAR

(R2= 0,86)

• DTMCTR (pixel = 10m) ha portato ad una degradazione

dell’informazione contenuta nel DSMeBee/DSMLIDAR

(pixel = 1m)

• Il modello di stima della provvigione legnosa Mod2 ha

un valore di RMSE % = 31,75

21

22

Grazie per l’attenzione