Presentation of thesis of master in Geographic Information System and Remote Sensing

1. 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

2. 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).

3. 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.

4. 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"

5. 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

6. 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)

7. 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.

8. 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. 9
Sparce cloud o
nuvola dei tie point
formata 20,730
punti. Vista Top su
Cloud Compare.

10. 10
Posizionamento dei GCP e ottimizzazione del modello.

11. 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. 12
LasGrid.
Dim. Pixel = 1 m.
estensione:
166,67 ha.
perimetro: 7380
m.
Dislivello: 1062 –
1469 m slm.
Digital Surface Model o DSM

13. 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

14. 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. 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. 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. 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. 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. 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
Vpredettidamod2m3
V m3
V predetti ~ V
retta y = x

20. 20
Correlazione tra CHMeBee e CHMLIDAR
Total eBee ~ Total LIDAR
TotaleBeem
Total LIDAR m
y = 0.9864x - 2033
R² = 0.8666
Totale complessivo eBee ~ Totale complessivo LIDAR
TotalecomplessivoeBeem
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
SampleStdDeveBeem
Sample Std Dev LIDAR m
Population Std Dev eBee ~ Population Std Dev LIDAR
y = 0.3473x + 0.7544
R² = 0.4628
PopulationStdDeveBeem
Population Std Dev LIDAR m
Maximum eBee ~ Maximum LIDAR
Maximum LIDAR m
MaximumeBeem
y = 0.859x - 2.217
R² = 0.8484
Average eBee ~ Average LIDAR
Average LIDAR m
AverageeBeem
y = 0.9899x - 3.8861
R² = 0.8681

21. 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. 22
Grazie per l’attenzione