Rechercher
  • Charlie Wijnberg

Tests de précision LiDAR basés sur drone


LiDAR on a VTOL drone

Depuis 15 mois, 3DroneMapping travaille sur son système LiDAR basé sur un drone. Il y a eu d'énormes changements sur le marché des capteurs INS et LiDAR et ces capteurs sont maintenant beaucoup moins chers, plus précis et plus petits que jamais. Mais surtout, le logiciel s'est tenu au courant des changements sur le petit marché LiDAR et a offert des outils très utiles pour obtenir les meilleurs résultats absolus de ces petits capteurs.



Comme les unités LiDAR à semi-conducteurs sont de plus en plus courantes, il est désormais très possible de les placer dans des environnements plus difficiles. Bien qu'ils doivent toujours être propres et non exposés à des vibrations extrêmes, aux CEM et à l'eau, ils sont beaucoup plus robustes. De plus, les avions de transport lourd sont de plus en plus populaires ces jours-ci, car la charge utile standard pour un LiDAR et un imageur se situe entre 1,2 et 1,6 kg.

Alors pourquoi le LiDAR est-il si important en tant que charge utile pour les levés aériens ? Principalement en raison de la capacité du LiDAR à "voir" à travers la végétation. Il existe également d'autres facteurs tels que:

  • Couverture d'andain accrue

  • Réduction du temps de capture des données

  • Temps de traitement réduit

  • Facilité de classification au sol

  • Fiabilité de la classification au sol

Voici quelques exemples qui comparent les nuages ​​de points basés sur LiDAR à ceux générés à partir de la photogrammétrie standard (images uniquement ou PhoDAR)

Pointcloud from images
Pointcloud from images
Pointcloud from LiDAR
Pointcloud from LiDAR
LiDAR vs photogrammetry
LiDAR in pink, tiepoints in blue
LiDAR from a drone
LiDAR in pink, tiepoints in blue
Drone based LiDAR
LiDAR in pink, tiepoints in blue. Blue giving false results on water

Comme on peut le voir, le LiDAR offre une très bonne couverture sur les zones à végétation dense. Les champs cultivés (dans ce cas, le maïs) ont été un énorme casse-tête pour les photogrammètres lorsqu'ils n'utilisaient que des images pour déterminer le MNT. Comme ce type de photogrammétrie ne peut mesurer que ce qu'il "voit", souvent le sol n'est pas visible et donc pas pris en compte. Beaucoup plus de points au sol sont étudiés à partir du LiDAR et aident à déterminer où se trouvent réellement les niveaux naturels du sol.

Dans certains cas, la réflexion des surfaces réfléchissantes telles que l'eau peut amener le logiciel de photogrammétrie à créer des dépressions ou des pointes dans les nuages ​​de points à partir d'images. Le plus souvent, c'est le cas, ceux-ci ne sont pas classés comme du bruit car il y a des points voisins qui sont générés pour créer une pseudo-surface.


Les capteurs LiDAR ne nécessitent qu'environ 35 à 25 % de chevauchement latéral. Les angles de saisie des données ne nécessitent pas de grands chevauchements (à moins qu'un étalonnage ne soit effectué). Cela signifie que beaucoup moins de distance doit être parcourue pour la capture de données de la même zone. L'exemple ci-dessous concerne 50 ha à 120 m AGL. La couverture LiDAR n'est que de 6,99 km, mais l'utilisation d'un appareil photo 48 MP avec un objectif de 35 mm prendrait 17,39 km pour obtenir la même couverture (à 65 % de chevauchement latéral).

LiDAR flight planning
LiDAR flight planning
PhoDAR flight planning
PhoDAR flight planning

Le temps de traitement dépend vraiment du matériel et des logiciels utilisés et des flux de travail en place. Les conclusions de notre bureau sont que le temps de traitement automatisé (génération de points de liaison, alignements, extraction de données brutes, etc.) est très similaire pour les zones de 1000 ha et plus. Mais il y a une réduction massive de l'édition et de la classification manuelles lors de l'utilisation des données LiDAR. Ici, très peu d'interventions manuelles sont nécessaires et les temps de traitement ne représentent que 3 % de ceux requis pour nettoyer les données PhoDAR.

Les données LiDAR peuvent être affinées par un logiciel d'ajustement de bande. Ce logiciel prend en considération certaines dérives dans les mesures de l'INS, les imprécisions des capteurs et les problèmes de réflectance. Tout cela est calculé et le bloc ajusté en conséquence. Les résultats d'un tel ajustement peuvent être spectaculaires et certainement aider à suivre les routines de classification et d'identification du bruit.