Multispektral laserskanning : en revolusjon innenfor klassifisering av arealtyper og objekter?

Abstract

Flybåren laserskanning har i løpet av de siste tiårene blitt en ideell datainnsamlingsmetode for kartlegging, modellering og romlig analyse. Høyoppløselige og nøyaktige laserskannere har gjenskapt terreng og overflater i form av punktskyer. Mangel på spektralinformasjon har vært en svakhet ved klassifisering av objekter og arealtyper i slike punktskyer. Tidligere laserskannere har ikke vært i stand til å samle inn spektralinformasjon, som derfor har kommet fra fly- og satellittbilder. I 2014 lanserte Teledyne Optech den flybårne laserskanneren Optech Titan. Ved å ta i bruk tre laserkanaler med forskjellig bølgelengde, kunne laserskanneren samle inn spektralinformasjon direkte i punktskyen. Denne oppgaven fokuserer på tilleggsverdiene multispektrale laserdata gir i klassifiseringssammenheng. To datasett fra Optech Titan har blitt analysert. Disse er produsert av Terratec AS. Ulike kombinasjoner av laserkanalene har blitt brukt i klassifisering av objekter og arealtyper. Sammenligninger av klassifiseringsresultater basert på multi-, dual- og monospektrale egenskaper er gjort for å finne tilleggsverdier i multispektral klassifisering. Random Forest og Support Vector Machine er blant flere klassifiseringsmetoder brukt for et optimalt resultat. Resultatene bekrefter at det finnes tilleggsverdi i multispektral laserskanning. Typiske overflater som gress, mark, grus, asfalt, jorder, skog og vann kunne med multispektrale egenskaper klassifiseres med 82,2% nøyaktighet (kappa = 0,80), i motsetning til 75,4% (kappa = 0,69) med monospektrale egenskaper. Mer nyanserte overflater kunne også klassifiseres bedre multispektralt. Det er i hovedsak overflater med lik geometri og monospektralt utseende som skiller seg fra hverandre når tre laserkanaler brukes i multispektral klassifisering. Optech Titan har stort potensiale til å forbedre tradisjonelle klassifiseringsmetoder.

Over the past few decades, airborne laserscanning (ALS) has become an ideal data-acquisition method for modelling, mapping and spatial analysis. With high resolution and accuracy, laserscanners have been creating terrain- and surface models from point clouds. But the lack of spectral information in point clouds has weakened object- and landcover classification accuracy. Previous laserscanners has not been able to acquire spectral information. This has rather been acquired from aerial and satellite imagery. In 2014, Teledyne Optech introduced Optech Titan. Combining three laser channels with different wavelengths, the scanner could acquire spectral information directly from the point cloud. This thesis is concerned with the additional value that multispectral laser data brings to classification performance. Two sets of point cloud data produced by Terratec AS have been analyzed. Combinations of features from three channels have been used for objects and landcover classification. Additional values are found by comparing results from different classifications based on multi-, dual-, and monospectral features. Random Forest and Support Vector Machine are among several classification methods used to optimize the results. The results confirm that additional value exists in multispectral laserscanning. Common surfaces like grass, soil, gravel, asphalt, fields, forest and water where correctly classified with accuracy by 82,2% (kappa = 0,80), compared to 75,4% (kappa = 0,69) when using only monospectral features. More specific surfaces were also classified more accurate with multispectral features. It’s mainly surfaces with equal geometry and monospectral appearance that improves in classification when three laser channels are used. Optech Titan has great potential to improve traditional classification methods.