Influence of Scanning Geometry on the ULS Point Cloud quality

Abstract

Použití UAV LiDAR umožňuje pořizovat přesná a podrobná mračna bodů zemského povrchu. Při určování prostorové přesnosti každého jednotlivého bodu hraje zásadní roli vyhodnocení zdrojů nejistoty, jako jsou parametry přímého georeferencování (GNSS, IMU), atmosférické vlivy, předzpracování dat nebo geometrie skenování. Vzhledem k obrovskému množství shromážděných bodů a variabilitě skenovaného povrchu je důležité zvážit, jaké procento bodů přesně reprezentuje zemský povrch, a také pochopit podíl šumu a jeho změny v závislosti na geometrii skenování. Cílem této práce je identifikovat šum v datech pořízených ze skalního ledovce a posoudit vliv geometrie skenování na výskyt šumu. Tato studie pracuje s vysoko hustotním ULS bodovým mračnem (1200 bodů/m2 ) pořízeným na kamenném ledovci "Äußeres Hochebenkar" (AHK) v Ötztalských Alpách v Rakousku původně za účelem sledování změn povrchu. Velký objem dat (147 milionu bodů) představuje velkou výzvu pro jejich zpracování. Za účelem eliminace systémových chyb bylo nad celkovým počtem 29 letových pásů nejdříve provedeno dodatečné slícování pásů. Následně byly vypočteny vybrané atributy skenovací geometrie (skenovací vzdálenost, skenovací úhel, incidenční úhel, sklonitost, vzájemná orientace trajektorie a expozice svahu apod.). Pro detekci šumu byly otestováno 5...

The use of UAV LiDAR allows for the acquisition of precise and detailed point clouds of the Earth's surface. Evaluating sources of uncertainty, such as direct georeferencing parameters (GNSS, IMU), atmospheric effects, data preprocessing, or scanning geometry, play a crucial role in determining the spatial accuracy of each individual point. With the vast amount of points collected and the variability of the scanned surface, it is important to consider what percentage of points accurately represent the Earth's surface, as well as understanding the noise fraction and how it varies with the scan geometry. The objective of this thesis is to identify noise in data captured from a rock glacier and to assess the impact of scanning geometry on the occurrence of noise. This study analyses a high-density ULS point cloud (1200 points/m2) acquired on the "Äußeres Hochebenkar" (AHK) stone glacier in the Ötztal Alps, Austria. The large volume of data (147 million points) poses a great challenge for its processing. To eliminate system errors, additional strip merging was first performed over a total of 29 flight strips. Subsequently, selected scan geometry attributes (scan distance, scan angle, incidence angle, slope, relative orientation of trajectory and slope exposure, etc.) were calculated. Five algorithms...