Per l’elaborazione dei dati della serie Emilia e’ stato necessario utilizzare i dati derivanti da un sensore Lidar e separare le riflessioni derivanti dal suolo da quelle su bersagli che si trovino in elevazione sul suolo. Questa applicazione, in termine tecnico “ground-no ground separation” e’ oggetto di numerosi algoritmi sviluppati per il trattamento dati Lidar come per esempio i filtri ETEW (Elevation Threshold with Expand Window), PM (Progressive Morphology), MLS (Maximum Local Slope), IPF (Iterative Polynomial Fitting), ATIN (Adaptative TIN)[75]. La difficolta’ maggiore nell’estrazione di dati topografici dal dato telerilevato e’ maggiore in ambito urbano ed e’ funzione anche del tipo di precisione richiesto (in letteratura l’obbiettivo di precisione soddisfacente risulta essere di ±15cm[76]. Per la serie dati Emilia era richiesto l’impiego di un algoritmo
1. in grado di lavorare sia in ambito urbano che in zone montane forestate 2. non legato a software proprietari
3. inserito in un software che permetta l’esecuzione batch (questa opzione esclude automaticamente l’impiego del software Aldpat [75])
4. la precisione di estrazione del dato DEM inferiore a 0.5 m 5. velocita’ di esecuzione
Dal punto di vista informatico le caratteristiche 2 e 3 sono state soddisfatte dai seguenti algoritmi
1. Multiscale Curvature Algorithm[74]: si tratta di un modello automatico per la discriminazione dei punti di riflessione del laser Lidar da suolo o da vegetazione in un ambiente boschivo. Per l’elab- orazione del dato e’ stato impiegato il programma opensource mcc-lidar reperibile presso http: //sourceforge.net/projects/mcclidar/
2. Thinnig : il metodo, molto semplice, crea un griglia regolare sovrapposta al dato Lidar ed associa ad ogni cella della griglia il valore di quota relativo al punto di riflessione Lidar piu’ basso. Per l’elaborazione del dato e’ stato impiegata impiegata la suite di programma a linea di comando Lastools reperibile presso http://www.cs.unc.edu/~isenburg/lastools/
Per verificare il metodo piu’ valido sono state elaborate due immagini di prova, la prima in ambiente montano mentre la seconda in ambiente urbano
Figura 6.31: Dato originale Lidar ricampionato a passo 0.5 di una scena montana. Serie dati Emilia
L’algoritmo Multi Curvature seleziona in modo ottimale le aree con presenza di alberi e, nonostante alcune imperfezioni relative al passo di campionamento utilizzato in prova, riconosce l’impluvio nascosto dalla vegetazione nel settore Est
Figura 6.32: Esempio di applicazione dell’algoritmo Multi Curvature sulla Fig.6.31. A sinistra estrazione delle aree classificate a quote superiori rispetto al piano campagna. A destra estrazione del dato DEM, in bianco pixel non classificati
Lo stesso si puo’ dire per l’algoritmo di Thinning che fornisce direttamente il dato DTM con dettaglio simile a quello di Multi Curvature,
Figura 6.33: Algoritmo Thin. Estrazione del dato DEM
La seconda immagine di prova, sempre visualizzata mediante il programma lasview dei lastools, riguarda invece una scena urbana
Figura 6.34: Dato originale Lidar ricampionato a passo 0.5 di una scena urbana. Serie dati Emilia
Impiegando il risultato dell’algoritmo Multi Curvature si osserva la presenza di alcuni pixel privi di dati (quadrati bianchi posti nel quadrante Nord Est dell’immagine). Cio e’ dovuto al passo di campionamento scelto (0.5 m) che risulta superiore alla reale risoluzione a terra del dato Lidar che, come vedremo nel capitolo dedicato, risulta essere di circa 0.8 m. In generale si osserva che l’algoritmo Multi Curvature, molto affidabile nell’estrazione del DTM in ambito montano, risulta essere pessimo nell’utilizzo in ambito urbano in quanto non riesce a risolvere le aree con contrasti molto netti in altezza e con impronta a terra molto spigolosa (come accade per gli edifici)
Figura 6.35: Algoritmo Multi Curvature. A destra estrazione del dato DEM da immagine test in area urbana
Migliore risulta il comportamento dell’algoritmo di thinning impiegato sull’immagine di test. Si osserva infatti come il dato DTM estratto risulti praticamente piatto (si tratta di una zona di pianura) ad esclusione di alcuni edifici che non sono stati correttamente rimossi dall’acquisizione originale. Modificando il valore del passo della maglia di elaborazione a valori piu’ elevati, per esempio 10 m, l’algoritmo riesce a ricostruire in modo affidabile il livello del piano campagna.
Figura 6.36: Algoritmo Thin. Estrazione del dato DEM da immagine test in area urbana con maglia a passo di 5 metri
6.6.0.1 Artefatti di elaborazione del dato Lidar
Una limitazione del passaggio dal dato puntuale grezzo contenuto generalmente nei file LAS alla versione raster e’ la perdita di informazioni riguardante le zone in cui il sensore non ha acquisito per mancanza di riflessione da parte del bersaglio, cosa tipica degli specchi d’acqua.
Si prenda un esempio reale derivante dalla serie Emilia di un bersaglio costituito da uno specchio d’acqua contornato da alberi.
Figura 6.37: A sinistra immagine ottica ad alta risoluzione del bersaglio. A destra dati puntuali grezzi dell’acquisizione Lidar (formato LAS). Serie Emilia
Una volta elaborato i dati passando dal formato puntuale a quello raster a risoluzione ad 1 m mediante il metodo di thinning e calcolata la differenza tra DSM e DTM dell’area si ha che la quota del laghetto e’ di circa 14 m al di sopra di quella delle sue sponde
Figura 6.38: Quota relativa DSM-DTM di un punto interno al laghetto = 14.58 m. Serie Emilia
Il dato e’ chiaramente errato e deriva da un artefatto dell’algoritmo di calcolo del DTM. Il problema principale deriva dall’interpolazione dei dati in una area di assenza di segnale Lidar. Il modello DSM ha interpolato i dati tenendo conto dell’ultima informazione disponibile ovvero la quota delle chiome degli alberi che circondano il laghetto ed ha assegnato a tutti i punti interni alla zona di assenza dati la quota degli alberi. Successivamente il modello matematico che estrae l’informazione DTM ha correttamente valutato la quota. Ne risulta quindi che, come differenza, il lago ha una quota di 14 sul piano campagna. Risulta sempre importante elaborando dati Lidar conservare le informazioni relative alle aree non riflettenti per evitare grossolani errori di interpolazione.