{"id":9299,"date":"2024-07-25T13:29:54","date_gmt":"2024-07-25T11:29:54","guid":{"rendered":"https:\/\/eurocc.nscc.sk\/?p=9299"},"modified":"2024-10-21T14:33:00","modified_gmt":"2024-10-21T12:33:00","slug":"mapovanie-polohy-a-vysky-stromov-v-pointcloud-datach-ziskanych-pomocou-lidar-technologie","status":"publish","type":"post","link":"https:\/\/eurocc.nscc.sk\/en\/mapovanie-polohy-a-vysky-stromov-v-pointcloud-datach-ziskanych-pomocou-lidar-technologie\/","title":{"rendered":"Mapping Tree Positions and Heights Using PointCloud Data Obtained Using LiDAR Technology<\/strong>"},"content":{"rendered":"\n
\n
\n
\n
\n

<\/p>\n\n\n\n

<\/p>\n\n\n\n

Mapovanie polohy a v\u00fd\u0161ky stromov v PointCloud d\u00e1tach z\u00edskan\u00fdch pomocou LiDAR technol\u00f3gie<\/strong><\/p>\n\n\n\n

Cie\u013eom spolupr\u00e1ce medzi N\u00e1rodn\u00fdm superpo\u010d\u00edta\u010dov\u00fdm centrom (NSCC) a firmou SKYMOVE, v r\u00e1mci projektu N\u00e1rodn\u00e9ho kompeten\u010dn\u00e9ho centra pre HPC, bol n\u00e1vrh a implement\u00e1cia pilotn\u00e9ho softv\u00e9rov\u00e9ho rie\u0161enia pre spracovanie d\u00e1t z\u00edskan\u00fdch technol\u00f3giou LiDAR (Light Detection and Ranging) umiestnen\u00fdch na dronoch.<\/p>\n<\/div><\/div>\n\n\n\n

<\/p>\n<\/div>\n\n\n\n

\n
\"\"<\/a><\/figure><\/div><\/div>\n<\/div>\n\n\n\n

Zber d\u00e1t<\/strong><\/p>\n\n\n\n

LiDAR je inovat\u00edvna met\u00f3da dia\u013ekov\u00e9ho merania vzdialenosti, ktor\u00e1 funguje na princ\u00edpe v\u00fdpo\u010dtu doby \u0161\u00edrenia impulzu laserov\u00e9ho l\u00fa\u010da odrazen\u00e9ho od objektov. LiDAR vysiela sveteln\u00e9 impulzy, ktor\u00e9 zasiahnu zem, alebo dan\u00fd objekt, a vr\u00e1tia sa sp\u00e4\u0165, kde s\u00fa zachyten\u00e9 senzormi. Meran\u00edm \u010dasu n\u00e1vratu svetla LiDAR ur\u010d\u00ed vzdialenos\u0165 bodu, v ktorom sa laserov\u00fd l\u00fa\u010d odrazil. <\/p>\n\n\n\n

LiDAR dok\u00e1\u017ee vysiela\u0165 100- a\u017e 300 000 impulzov za sekundu, pri\u010dom z ka\u017ed\u00e9ho metra \u0161tvorcov\u00e9ho povrchu zachyt\u00ed nieko\u013eko desiatok a\u017e stoviek impulzov, v z\u00e1vislosti od konkr\u00e9tneho nastavenia a vzdialenosti sn\u00edman\u00e9ho objektu. T\u00fdmto sp\u00f4sobom sa vytv\u00e1ra tzv. mra\u010dno bodov (PointCloud) pozost\u00e1vaj\u00face, potenci\u00e1lne, z mili\u00f3nov bodov. Modern\u00fdm vyu\u017eit\u00edm LiDAR-u je zber d\u00e1t zo vzduchu, kde sa zariadenie umiest\u0148uje na drony, \u010d\u00edm sa zvy\u0161uje efektivita a presnos\u0165 zberu d\u00e1t. Na zber d\u00e1t v tomto projekte boli pou\u017eit\u00e9 drony od spolo\u010dnosti DJI, hlavne dron DJI M300 a Mavic 3 Enterprise (obr. 1). Dron DJI M300 je profesion\u00e1lny dron navrhnut\u00fd pre r\u00f4zne priemyseln\u00e9 aplik\u00e1cie a jeho parametre umo\u017e\u0148uj\u00fa, aby bol vhodn\u00fdm nosi\u010dom pre LiDAR.<\/p>\n\n\n\n

Dron DJI M300 bol vyu\u017eit\u00fd ako nosi\u010d pre LiDAR zna\u010dky Geosun (obr. 1). Ide o strednorozsahov\u00fd, kompaktn\u00fd syst\u00e9m s integrovan\u00fdm laserov\u00fdm skenerom a syst\u00e9mom na ur\u010dovanie polohy a nato\u010denia. Vzh\u013eadom na pomer medzi r\u00fdchlos\u0165ou zberu a kvalitou d\u00e1t boli d\u00e1ta sn\u00edman\u00e9 z v\u00fd\u0161ky 100 m nad povrchom, \u010d\u00edm je mo\u017en\u00e9 zosn\u00edma\u0165 za pomerne kr\u00e1tky \u010das aj v\u00e4\u010d\u0161ie \u00fazemia v posta\u010duj\u00facej kvalite.<\/p>\n\n\n\n

Zozbieran\u00e9 d\u00e1ta boli geolokalizovan\u00e9 v s\u00faradnicovom syst\u00e9me S-JTSK (EPSG:5514) a Baltskom v\u00fd\u0161kovom syst\u00e9me po vyrovnan\u00ed (Bpv), pri\u010dom s\u00faradnice s\u00fa ud\u00e1van\u00e9 v metroch alebo metroch nad morom. Okrem lidarov\u00fdch d\u00e1t bola s\u00fa\u010dasne vykonan\u00e1 aj leteck\u00e1 fotogrametria, ktor\u00e1 umo\u017e\u0148uje tvorbu tzv. ortofotomozaiky. Ortofotomozaiky poskytuj\u00fa fotografick\u00fd z\u00e1znam sk\u00famanej oblasti vo vysokom rozl\u00ed\u0161en\u00ed (3 cm\/pixel) a s polohovou presnos\u0165ou do 5 cm. Ortofotomozaika bola pou\u017eit\u00e1 ako podklad pre vizu\u00e1lne overenie pol\u00f4h jednotliv\u00fdch stromov.<\/p>\n\n\n

\n
\"\"<\/a>
Obr\u00e1zok 1. Dron DJI M300 (v\u013eavo) a LiDAR zna\u010dky Geosun (vpravo).<\/figcaption><\/figure><\/div>\n\n\n

<\/p>\n\n\n\n

Klasifik\u00e1cia d\u00e1t<\/strong><\/p>\n\n\n\n

Nosn\u00fdm datasetom, ktor\u00fd vstupoval do automatickej identifik\u00e1cie stromov, bolo lidarov\u00e9 mra\u010dno bodov vo form\u00e1te LAS\/LAZ (nekomprimovan\u00e1 a komprimovan\u00e1 forma). LAS s\u00fabory s\u00fa \u0161tandardizovan\u00fdm form\u00e1tom pre ukladanie lidarov\u00fdch d\u00e1t navrhnut\u00fd tak, aby zabezpe\u010dil efekt\u00edvne ukladanie ve\u013ek\u00e9ho mno\u017estva bodov\u00fdch d\u00e1t s presn\u00fdmi 3D s\u00faradnicami. LAS s\u00fabory obsahuj\u00fa inform\u00e1cie o polohe (x, y, z), intenzite odrazu, klasifik\u00e1cii bodov a \u010fal\u0161ie atrib\u00faty, ktor\u00e9 s\u00fa nevyhnutn\u00e9 pre anal\u00fdzu a spracovanie lidarov\u00fdch d\u00e1t. V\u010faka svojej \u0161tandardiz\u00e1cii a kompaktnosti sa LAS s\u00fabory \u010dasto pou\u017e\u00edvaj\u00fa v geod\u00e9zii, kartografii, lesn\u00edctve, urbanistickom pl\u00e1novan\u00ed a mnoh\u00fdch \u010fal\u0161\u00edch oblastiach, kde je potrebn\u00e1 detailn\u00e1 a presn\u00e1 3D reprezent\u00e1cia ter\u00e9nu a objektov.<\/p>\n\n\n\n

Mra\u010dno bodov bolo potrebn\u00e9 najsk\u00f4r spracova\u0165 do takej podoby, aby na \u0148om bolo mo\u017en\u00e9 \u010do najjednoduch\u0161ie identifikova\u0165 body jednotliv\u00fdch stromov alebo veget\u00e1cie. Ide o proces, pri ktorom sa ka\u017ed\u00e9mu bodu v mra\u010dne bodov prirad\u00ed ur\u010dit\u00e1 trieda, \u010di\u017ee hovor\u00edme o klasifik\u00e1cii.<\/p>\n\n\n\n

Na klasifik\u00e1ciu mra\u010dna bodov je mo\u017en\u00e9 pou\u017ei\u0165 viacero n\u00e1strojov. V na\u0161om pr\u00edpade sme sa, vzh\u013eadom na dobr\u00e9 sk\u00fasenosti, rozhodli pou\u017ei\u0165 softv\u00e9r Lidar360 od spolo\u010dnosti GreenValley International [1]. V r\u00e1mci klasifik\u00e1cie mra\u010dna bodov boli jednotliv\u00e9 body mra\u010dna klasifikovan\u00e9 do nasledovn\u00fdch tried: neklasifikovan\u00e9 (1), povrch (2), stredn\u00e1 veget\u00e1cia (4), vysok\u00e1 veget\u00e1cia (5), budovy (6). Na klasifik\u00e1ciu bola vyu\u017eit\u00e1 met\u00f3da strojov\u00e9ho u\u010denia, ktor\u00e1 po natr\u00e9novan\u00ed na reprezentat\u00edvnej tr\u00e9novacej vzorke dok\u00e1\u017ee automaticky klasifikova\u0165 body \u013eubovo\u013en\u00e9ho vstupn\u00e9ho datasetu (obr. 2).<\/p>\n\n\n\n

Tr\u00e9novacia vzorka je vytvoren\u00e1 manu\u00e1lnym klasifikovan\u00edm bodov mra\u010dna do jednotliv\u00fdch tried. Na \u00fa\u010dely automatizovanej identifik\u00e1cie stromov s\u00fa pre tento projekt podstatn\u00e9 hlavne triedy povrch a vysok\u00e1 veget\u00e1cia. Av\u0161ak, pre \u010do najlep\u0161\u00ed v\u00fdsledok klasifik\u00e1cie vysokej veget\u00e1cie je vhodn\u00e9 zaradi\u0165 aj ostatn\u00e9 klasifika\u010dn\u00e9 triedy. Tr\u00e9novacia vzorka bola tvoren\u00e1 s\u00faborom viacer\u00fdch men\u0161\u00edch oblast\u00ed z cel\u00e9ho \u00fazemia a zah\u0155\u0148ala v\u0161etky typy veget\u00e1cie, \u010di u\u017e listnat\u00e9 alebo ihli\u010dnat\u00e9, a taktie\u017e r\u00f4zne typy budov. Na z\u00e1klade vytvorenej tr\u00e9novacej vzorky boli n\u00e1sledne automaticky klasifikovan\u00e9 zvy\u0161n\u00e9 body mra\u010dna. Kvalita tr\u00e9novacej mno\u017einy m\u00e1 preto podstatn\u00fd vplyv na v\u00fdsledn\u00fa klasifik\u00e1ciu cel\u00e9ho \u00fazemia.<\/p>\n\n\n\n

<\/p>\n\n\n

\n
\"\"<\/a>

Obr\u00e1zok 2. Uk\u00e1\u017eka mra\u010dna bodov oblasti zafarben\u00e9ho pomocou ortofotomozaiky (v\u013eavo) a pomocou pr\u00edslu\u0161nej klasifik\u00e1cie (vpravo) v programe CloudCompare.<\/figcaption><\/figure><\/div>\n\n\n

Segment\u00e1cia d\u00e1t<\/strong><\/p>\n\n\n\n

Klasifikovan\u00e9 mra\u010dno bodov bolo n\u00e1sledne segmentovan\u00e9 pomocou softv\u00e9ru CloudCompare [2]. Segment\u00e1cia vo v\u0161eobecnosti znamen\u00e1 rozdelenie klasifikovan\u00fdch d\u00e1t na men\u0161ie celky \u2013 segmenty, ktor\u00e9 sp\u013a\u0148aj\u00fa spolo\u010dn\u00e9 charakteristick\u00e9 vlastnosti. Pri segment\u00e1cii vysokej veget\u00e1cie bolo cie\u013eom priradi\u0165 jednotliv\u00e9 body ku konkr\u00e9tnemu stromu.<\/p>\n\n\n\n

Na \u00fa\u010dely segment\u00e1cie stromov bol pou\u017eit\u00fd plugin TreeIso v softv\u00e9rovom bal\u00edku CloudCompare, ktor\u00fd automaticky rozpozn\u00e1va stromy na z\u00e1klade r\u00f4znych v\u00fd\u0161kov\u00fdch a polohov\u00fdch krit\u00e9ri\u00ed (obr. 3). Celkov\u00e1 segment\u00e1cia sa sklad\u00e1 z troch krokov:<\/p>\n\n\n\n

    \n
  1. Sp\u00e1janie bodov, ktor\u00e9 s\u00fa bl\u00edzko seba, do segmentov a odstra\u0148ovanie \u0161umu.<\/li>\n\n\n\n
  2. Sp\u00e1janie susedn\u00fdch segmentov bodov do v\u00e4\u010d\u0161\u00edch celkov.<\/li>\n\n\n\n
  3. Zlo\u017eenie jednotliv\u00fdch segmentov do celku, ktor\u00fd tvor\u00ed jeden strom.<\/li>\n<\/ol>\n\n\n\n

    V\u00fdsledkom je kompletn\u00e1 segment\u00e1cia vysokej veget\u00e1cie. Tieto segmenty sa n\u00e1sledne ulo\u017eia do jednotliv\u00fdch LAS s\u00faborov a pou\u017eij\u00fa sa na n\u00e1sledn\u00e9 spracovanie pre ur\u010denie polohy jednotliv\u00fdch stromov. Ve\u013ek\u00fdm nedostatkom tohto n\u00e1stroja je, \u017ee pracuje len v s\u00e9riovom re\u017eime, \u010di\u017ee dok\u00e1\u017ee vyu\u017ei\u0165 len jedno CPU jadro, \u010do zna\u010dne limituje jeho pou\u017eitie v HPC prostred\u00ed.<\/p>\n\n\n\n

    \"Obr\u00e1zok,<\/a>
    Obr\u00e1zok 3. Segmentovan\u00e9 mra\u010dno bodov v programe CloudCompare pou\u017eit\u00edm plugin modulu TreeIso.<\/figcaption><\/figure>\n\n\n\n

    Ako alternat\u00edvnu met\u00f3du na segmentovanie sme sk\u00famali aj vyu\u017eitie ortofotomozaiky dan\u00fdch oblast\u00ed. Pomocou met\u00f3d strojov\u00e9ho u\u010denia sme sa pok\u00fasili identifikova\u0165 jednotliv\u00e9 koruny stromov na sn\u00edmkach a na z\u00e1klade takto ur\u010den\u00fdch geolokaliza\u010dn\u00fdch s\u00faradn\u00edc identifikova\u0165 pr\u00edslu\u0161n\u00e9 segmenty v LAS s\u00fabore. Na detekciu kor\u00fan stromov z ortofotomozaiky bol pou\u017eit\u00fd model YOLOv5 [3] s predtr\u00e9novan\u00fdmi v\u00e1hami z datab\u00e1zy COCO128 [4]. Tr\u00e9ningov\u00e9 d\u00e1ta pozost\u00e1vali z 230 sn\u00edmok, ktor\u00e9 boli manu\u00e1lne anotovan\u00e9 pomocou n\u00e1stroja LabelImg [5]. Tr\u00e9novacia jednotka pozost\u00e1vala z 300 epoch, sn\u00edmky boli rozdelen\u00e9 do s\u00e1d po 16 vzoriek a ich ve\u013ekos\u0165 bola nastaven\u00e1 na 1000×1000 pixelov, \u010do sa uk\u00e1zalo ako vhodn\u00fd kompromis medzi v\u00fdpo\u010dtovou n\u00e1ro\u010dnos\u0165ou a po\u010dtom stromov na dan\u00fd v\u00fdsek. Nedostato\u010dn\u00e1 kvalita tohto pr\u00edstupu bola obzvl\u00e1\u0161\u0165 markantn\u00e1 pre oblasti s hustou veget\u00e1ciou (zalesnen\u00fdch oblast\u00ed), ako je zn\u00e1zornen\u00e9 na obr\u00e1zku 4. Domnievame sa, \u017ee to bolo sp\u00f4soben\u00e9 nedostato\u010dnou robustnos\u0165ou zvolenej tr\u00e9novacej sady, ktor\u00e1 nedok\u00e1zala dostato\u010dne pokry\u0165 r\u00f4znorodos\u0165 obrazov\u00fdch d\u00e1t (obzvl\u00e1\u0161\u0165 pre r\u00f4zne vegetat\u00edvne obdobia). Z t\u00fdchto d\u00f4vodov sme segment\u00e1ciu z fotografick\u00fd d\u00e1t \u010falej nerozv\u00edjali a s\u00fastredili sme sa u\u017e iba na segment\u00e1ciu v mra\u010dne bodov.<\/p>\n\n\n

    \n
    \"\"<\/a>
    Obr\u00e1zok 4. Segmentovanie stromov v ortofotomozaike pomocou n\u00e1stroja YOLOv5. Obr\u00e1zok ilustruje probl\u00e9m detekcie jednotliv\u00fdch stromov v pr\u00edpade hustej veget\u00e1cie (s\u00favisl\u00e9ho porastu).<\/figcaption><\/figure><\/div>\n\n\n

    Aby sme naplno vyu\u017eili mo\u017enosti superpo\u010d\u00edta\u010da Devana, nasadili sme v jeho prostred\u00ed kni\u017enicu lidR [6]. T\u00e1to kni\u017enica, nap\u00edsan\u00e1 v jazyku R, je \u0161pecializovan\u00fd n\u00e1stroj ur\u010den\u00fd na spracovanie a anal\u00fdzu lidarov\u00fdch d\u00e1t, poskytuje rozsiahly s\u00fabor funkci\u00ed a n\u00e1strojov pre \u010d\u00edtanie, manipul\u00e1ciu, vizualiz\u00e1ciu a anal\u00fdzu LAS s\u00faborov. S kni\u017enicou lidR je mo\u017en\u00e9 efekt\u00edvne vykon\u00e1va\u0165 \u00falohy ako filtrovanie, klasifik\u00e1cia, segment\u00e1cia a extrakcia objektov priamo z mra\u010dien bodov. Kni\u017enica tie\u017e umo\u017e\u0148uje interpol\u00e1ciu povrchov, vytv\u00e1ranie digit\u00e1lnych modelov ter\u00e9nu (DTM) a digit\u00e1lnych modelov povrchu (DSM) a v\u00fdpo\u010det r\u00f4znych metrick\u00fdch parametrov veget\u00e1cie a \u0161trukt\u00fary krajiny. V\u010faka svojej flexibilite a v\u00fdkonnosti je lidR popul\u00e1rnym n\u00e1strojom v oblasti geoinformatiky a je z\u00e1rove\u0148 vhodn\u00fdm n\u00e1strojom pre pr\u00e1cu v HPC prostred\u00ed, ke\u010f\u017ee v\u00e4\u010d\u0161ina funkci\u00ed a algoritmov je plne paralelizovan\u00e1 v r\u00e1mci jedn\u00e9ho v\u00fdpo\u010dtov\u00e9ho uzla, \u010do umo\u017e\u0148uje naplno vyu\u017e\u00edva\u0165 dostupn\u00fd hardv\u00e9r. V pr\u00edpade spracovania ve\u013ek\u00fdch datasetov, ke\u010f v\u00fdkon alebo kapacita jedn\u00e9ho v\u00fdpo\u010dtov\u00e9ho uzla u\u017e nie je posta\u010duj\u00faca, m\u00f4\u017ee by\u0165 rozdelenie datasetu na men\u0161ie \u010dasti, a ich nez\u00e1visl\u00e9 spracovanie, cesta k vyu\u017eitiu viacer\u00fdch v\u00fdpo\u010dtov\u00fdch HPC uzlov s\u00fa\u010dasne.<\/p>\n\n\n\n

    V kni\u017enici lidR je dostupn\u00e1 funkcia locate_trees(), ktor\u00e1 dok\u00e1\u017ee pomerne spo\u013eahlivo identifikova\u0165 polohu stromov. Na z\u00e1klade zvolen\u00fdch parametrov a algoritmu funkcia analyzuje mra\u010dno bodov a identifikuje polohu stromov. V na\u0161om pr\u00edpade bol pou\u017eit\u00fd algoritmus lmf pre lokaliz\u00e1ciu zalo\u017een\u00fa na maxim\u00e1lnej v\u00fd\u0161ke [7]. Algoritmus je plne paralelizovan\u00fd, tak\u017ee dok\u00e1\u017ee efekt\u00edvne spracova\u0165 relat\u00edvne ve\u013ek\u00e9 zvolen\u00e9 oblasti v kr\u00e1tkom \u010dase.<\/p>\n\n\n\n

    Takto ur\u010den\u00e9 polohy stromov sa daj\u00fa n\u00e1sledne pou\u017ei\u0165 v algoritme silva2016 na segment\u00e1ciu vo funkcii segment_trees() [8]. T\u00e1to funkcia segmentuje pr\u00edslu\u0161n\u00e9 n\u00e1jden\u00e9 stromy do osobitn\u00fdch LAS s\u00faborov (obr. 5), podobne ako plugin modul TreeIso v programe CloudCompare. N\u00e1sledne sa takto segmentovan\u00e9 stromy v LAS s\u00faboroch pou\u017eij\u00fa na \u010fal\u0161ie spracovanie, konkr\u00e9tne na ur\u010denie polohy jednotliv\u00fdch stromov, napr\u00edklad pomocou klastrovacieho algoritmu DBSCAN [9].<\/p>\n\n\n

    \n
    \"\"<\/a>
    Obr\u00e1zok 5. Polohy stromov zisten\u00e9 pomocou algoritmu „lmf“ (v\u013eavo, \u010derven\u00e9 body) a pr\u00edslu\u0161ne segmenty stromov ur\u010den\u00e9 algoritmom silva2016 (vpravo), pomocou kni\u017enice lidR. 
    <\/figcaption><\/figure><\/div>\n\n\n

    Detekcia kme\u0148ov stromov pomocou klastrovacieho algoritmu DBSCAN<\/strong><\/p>\n\n\n\n

    Na ur\u010denie polohy a v\u00fd\u0161ky stromov v jednotliv\u00fdch LAS s\u00faboroch z\u00edskan\u00fdch segment\u00e1ciou sme pou\u017eili r\u00f4zne pr\u00edstupy. V\u00fd\u0161ka jednotliv\u00fdch stromov bola z\u00edskan\u00e1 na z\u00e1klade z-ov\u00fdch s\u00faradn\u00edc pre jednotliv\u00e9 LAS s\u00fabory ako rozdiel minim\u00e1lnej a maxim\u00e1lnej s\u00faradnice mra\u010dien bodov. Ke\u010f\u017ee jednotliv\u00e9 v\u00fdseky z mra\u010dna bodov obsahovali v niektor\u00fdch pr\u00edpadoch aj viac ako jeden strom, bolo potrebn\u00e9 identifikova\u0165 po\u010det kme\u0148ov stromov v r\u00e1mci t\u00fdchto v\u00fdsekov.<\/p>\n\n\n\n

    Kmene stromov boli identifikovan\u00e9 na z\u00e1klade klastrovacieho algoritmu DBSCAN, pracuj\u00faceho s nasledovn\u00fdmi nastaveniami: maxim\u00e1lna vzdialenos\u0165 dvoch bodov v r\u00e1mci jedn\u00e9ho klastra (= 1 meter) a minim\u00e1lny po\u010det bodov v jednom klastri (= 10). Poloha ka\u017ed\u00e9ho identifikovan\u00e9ho kme\u0148a bola n\u00e1sledne z\u00edskan\u00e1 na z\u00e1klade x-ov\u00fdch a y-ov\u00fdch s\u00faradn\u00edc geometrick\u00fdch stredov (centroidov) klastrov. Identifik\u00e1cia klastrov pomocou DBSCAN algoritmu je ilustrovan\u00e1 na obr\u00e1zku 6.<\/p>\n\n\n

    \n
    \"\"<\/a>
    Obr\u00e1zok 6. V\u00fdseky z mra\u010dna bodov, PointCloud-u (st\u013apec v\u013eavo) a pr\u00edslu\u0161n\u00e9 detegovan\u00e9 klastre vo v\u00fd\u0161ke 1-5 metrov (st\u013apec vpravo).<\/figcaption><\/figure><\/div>\n\n\n

    Zistenie v\u00fd\u0161ky stromov pomocou interpol\u00e1cie povrchov<\/strong><\/p>\n\n\n\n

    Ako alternat\u00edvnu met\u00f3du na ur\u010denie v\u00fd\u0161ok stromov sme pou\u017eili tzv. Canopy Height Model (CHM). CHM je digit\u00e1lny model, ktor\u00fd predstavuje v\u00fd\u0161ku stromovej ob\u00e1lky nad ter\u00e9nom. Tento model sa pou\u017e\u00edva na v\u00fdpo\u010det v\u00fd\u0161ky stromov v lese alebo inom vegeta\u010dnom poraste. CHM sa vytv\u00e1ra od\u010d\u00edtan\u00edm digit\u00e1lneho modelu ter\u00e9nu (DTM) od digit\u00e1lneho modelu povrchu (DSM). V\u00fdsledkom je mra\u010dno bodov alebo raster, ktor\u00fd zobrazuje v\u00fd\u0161ku stromov nad povrchom ter\u00e9nu (obr. 7).<\/p>\n\n\n\n

    Ak teda pozn\u00e1me s\u00faradnice polohy stromu, pomocou tohto modelu m\u00f4\u017eeme jednoducho zisti\u0165 pr\u00edslu\u0161n\u00fa v\u00fd\u0161ku objektu (stromu) v danom bode. V\u00fdpo\u010det tohto modelu je mo\u017en\u00e9 jednoducho uskuto\u010dni\u0165 pou\u017eit\u00edm kni\u017enice lidR pomocou funkci\u00ed grid_terrain(), ktor\u00e1 vytv\u00e1ra DTM, a grid_canopy(), ktor\u00e1 po\u010d\u00edta DSM.<\/p>\n\n\n

    \n
    \"\"<\/a>
    Obr\u00e1zok 7. Canopy Height Model (CHM) pre sk\u00faman\u00fa oblas\u0165 (na osiach X a Y s\u00fa uveden\u00e9 s\u00faradnice v metroch), v\u00fd\u0161ka ka\u017ed\u00e9ho bodu v metroch je reprezentovan\u00e1 pomocou farebnej \u0161k\u00e1ly.<\/figcaption><\/figure><\/div>\n\n\n

    Porovnanie v\u00fdsledkov<\/strong><\/p>\n\n\n\n

    Pre porovnanie dosiahnut\u00fdch v\u00fdsledkov vy\u0161\u0161ie pop\u00edsan\u00fdmi pr\u00edstupmi sme sa zameriavali na oblas\u0165 Petr\u017ealky v Bratislave, kde u\u017e boli vykonan\u00e9 manu\u00e1lne merania pol\u00f4h a v\u00fd\u0161ok stromov. Z celej oblasti (pribli\u017ene 3500×3500 m) sme vybrali reprezentat\u00edvnu men\u0161iu oblas\u0165 o rozmeroch 300×300 m (obr. 2). Z\u00edskali sme tak v\u00fdsledky pre plugin modul TreeIso v programe CloudCompare (CC), pri\u010dom sme pracovali na PC v prostred\u00ed Windows, a v\u00fdsledky pre algoritmy vo funkci\u00e1ch locate_trees() a segment_trees() pomocou kni\u017enice lidR  v HPC prostred\u00ed superpo\u010d\u00edta\u010da Devana. Polohy stromov sme n\u00e1sledne kvalitat\u00edvne a kvantitat\u00edvne vyhodnotili pomocou algoritmu Munkres (Hungarian Algorithm) [10] na optim\u00e1lne p\u00e1rovanie. Algoritmus Munkres, tie\u017e zn\u00e1my ako Ma\u010farsk\u00fd algoritmus, je efekt\u00edvny algoritmus na n\u00e1jdenie optim\u00e1lneho p\u00e1rovania v bipartitn\u00fdch grafoch. Jeho pou\u017eitie pri p\u00e1rovan\u00ed stromov s manu\u00e1lne ur\u010den\u00fdmi polohami stromov znamen\u00e1 n\u00e1jdenie najlep\u0161ej zhody medzi identifikovan\u00fdmi stromami z lidarov\u00fdch d\u00e1t a ich zn\u00e1mymi polohami. N\u00e1sledne pri ur\u010den\u00ed vhodnej hranice vzdialenosti v metroch (napr\u00edklad 5 m) potom vieme kvalitat\u00edvne zisti\u0165 po\u010det presne ur\u010den\u00fdch pol\u00f4h stromov. V\u00fdsledky s\u00fa spracovan\u00e9 pomocou histogramov a percentu\u00e1lne ur\u010duj\u00fa spr\u00e1vne polohy stromov v z\u00e1vislosti od zvolenej hranice presnosti (obr. 8). Zistili sme, \u017ee obe met\u00f3dy dosahuj\u00fa pri hranici vzdialenosti 5 metrov takmer rovnak\u00fd v\u00fdsledok, pribli\u017ene 70% spr\u00e1vne ur\u010den\u00fdch pol\u00f4h stromov. Met\u00f3da pou\u017eit\u00e1 v programe CloudCompare vykazuje lep\u0161ie v\u00fdsledky, resp. vy\u0161\u0161ie percento pri ni\u017e\u0161\u00edch prahov\u00fdch hodnot\u00e1ch, \u010do odzrkad\u013euj\u00fa aj pr\u00edslu\u0161n\u00e9 histogramy (obr. 8). Pri porovnan\u00ed oboch met\u00f3d navz\u00e1jom dosahujeme a\u017e pribli\u017ene 85% zhody pri prahovej hodnote do 5 metrov, \u010do poukazuje na kvalitat\u00edvnu vyrovnanos\u0165 oboch pou\u017eit\u00fdch pr\u00edstupov. Kvalitu dosiahnut\u00fdch v\u00fdsledkov ovplyv\u0148uje hlavne presnos\u0165 klasifik\u00e1cie veget\u00e1cie v bodov\u00fdch mra\u010dn\u00e1ch, preto\u017ee pr\u00edtomnos\u0165 r\u00f4znych artefaktov, ktor\u00e9 s\u00fa nespr\u00e1vne klasifikovan\u00e9 ako veget\u00e1cia, skres\u013euje fin\u00e1lne v\u00fdsledky. Algoritmy na segment\u00e1ciu stromov nedok\u00e1\u017eu vplyv t\u00fdchto artefaktov eliminova\u0165.<\/p>\n\n\n

    \n
    \"\"<\/a>
    Obr\u00e1zok 8. Histogramy v\u013eavo zobrazuj\u00fa po\u010det spr\u00e1vne identifikovan\u00fdch stromov v z\u00e1vislosti od zvolenej prahovej hodnoty vzdialenosti v metroch (hore CC met\u00f3da a dole lidR met\u00f3da). Grafy vpravo ukazuj\u00fa percentu\u00e1lnu \u00faspe\u0161nos\u0165 spr\u00e1vne identifikovan\u00fdch pol\u00f4h stromov v z\u00e1vislosti od pou\u017eitej met\u00f3dy a od zvolenej prahovej hodnoty vzdialenosti v metroch.<\/figcaption><\/figure><\/div>\n\n\n

    Anal\u00fdza paralelnej efektivity algoritmu locate_trees() v kni\u017enici lidR<\/strong><\/p>\n\n\n\n

    Na zistenie efektivity paraleliz\u00e1cie h\u013eadania vrcholov stromov v kni\u017enici lidR, pomocou funkcie locate_trees(), sme dan\u00fd algoritmus aplikovali na rovnak\u00e9 \u0161tudovan\u00e9 \u00fazemie s r\u00f4znym po\u010dtom CPU jadier \u2013 1, 2, 4 a\u017e po 64 (maximum HPC uzla). Aby sme zistili, \u010di je dan\u00fd algoritmus citliv\u00fd aj na ve\u013ekos\u0165 probl\u00e9mu, otestovali sme ho na troch \u00fazemiach s r\u00f4znou ve\u013ekos\u0165ou \u2013 300×300, 1000×1000 a 3500×3500 metrov. Dosiahnut\u00e9 \u010dasy s\u00fa zobrazen\u00e9 v Tabu\u013eke 1 a \u0161k\u00e1lovate\u013enos\u0165 algoritmu je zn\u00e1zornen\u00e1 na obr\u00e1zku 9. V\u00fdsledky ukazuj\u00fa, \u017ee \u0161k\u00e1lovate\u013enos\u0165 algoritmu nie je ide\u00e1lna. Pri pou\u017eit\u00ed pribli\u017ene 20 jadier CPU kles\u00e1 efektivita algoritmu na pribli\u017ene 50%, pri pou\u017eit\u00ed 64 jadier CPU je efektivita algoritmu u\u017e len na \u00farovni 15-20%. Efektivitu algoritmu ovplyv\u0148uje aj ve\u013ekos\u0165 probl\u00e9mu – \u010d\u00edm v\u00e4\u010d\u0161ie \u00fazemie, t\u00fdm men\u0161ia efektivita, aj ke\u010f tento efekt nie je a\u017e tak v\u00fdrazn\u00fd. Na z\u00e1ver m\u00f4\u017eeme kon\u0161tatova\u0165, \u017ee na efekt\u00edvne vyu\u017eitie dan\u00e9ho algoritmu je vhodn\u00e9 pou\u017ei\u0165 16-32 CPU jadier a vhodn\u00fdm rozdelen\u00edm dan\u00e9ho sk\u00faman\u00e9ho \u00fazemia na men\u0161ie \u010dasti dosiahnu\u0165 maxim\u00e1lne efekt\u00edvne vyu\u017eitie dostupn\u00e9ho hardv\u00e9ru. Pou\u017eitie viac ako 32 CPU jadier s\u00edce u\u017e nie je efekt\u00edvne, ale umo\u017e\u0148uje \u010fal\u0161ie ur\u00fdchlenie v\u00fdpo\u010dtu.<\/p>\n\n\n

    \n
    \"\"<\/a>
    Obr\u00e1zok 9. Zr\u00fdchlenie (SpeedUp) algoritmu lmf vo funkcii locate_trees() kni\u017enice lidR v z\u00e1vislosti od po\u010dtu CPU jadier (NCPU<\/sub>) a ve\u013ekosti \u0161tudovan\u00e9ho \u00fazemia (v metroch).<\/figcaption><\/figure><\/div>\n\n\n

    Z\u00e1vere\u010dn\u00e9 zhodnotenie<\/strong><\/p>\n\n\n\n

    Zistili sme, \u017ee pre dosiahnutie dobr\u00fdch v\u00fdsledkov je extr\u00e9mne d\u00f4le\u017eit\u00e9 spr\u00e1vne nastavenie parametrov pou\u017eit\u00fdch algoritmov, ke\u010f\u017ee po\u010det a kvalita v\u00fdsledn\u00fdch pol\u00f4h stromov s\u00fa od nich ve\u013emi z\u00e1visl\u00e9. Na z\u00edskanie \u010do najpresnej\u0161\u00edch v\u00fdsledkov je vhodn\u00e9 vybra\u0165 reprezentat\u00edvnu \u010das\u0165 sk\u00famanej oblasti, manu\u00e1lne zisti\u0165 polohy stromov a n\u00e1sledne nastavi\u0165 parametre pr\u00edslu\u0161n\u00fdch algoritmov. Takto optimalizovan\u00e9 nastavenia m\u00f4\u017eu n\u00e1sledne by\u0165 pou\u017eit\u00e9 na anal\u00fdzu celej sk\u00faman\u00e9 oblasti.<\/p>\n\n\n\n

    Kvalitu v\u00fdsledkov ovplyv\u0148uje taktie\u017e mno\u017estvo in\u00fdch faktorov, ako napr\u00edklad ro\u010dn\u00e9 obdobie, ktor\u00e9 m\u00e1 vplyv na hustotu veget\u00e1cie, alebo hustota stromov v danej oblasti a druhov\u00e1 variabilita veget\u00e1cie. Kvalitu v\u00fdsledkov ovplyv\u0148uje aj kvalita klasifik\u00e1cie veget\u00e1cie v mra\u010dne bodov, preto\u017ee pr\u00edtomnos\u0165 r\u00f4znych artefaktov, ako s\u00fa \u010dasti budov, cesty, dopravn\u00e9 prostriedky a in\u00e9 objekty, m\u00f4\u017ee n\u00e1sledne negat\u00edvne skresli\u0165 v\u00fdsledky, ke\u010f\u017ee pou\u017eit\u00e9 algoritmy na segment\u00e1ciu stromov nedok\u00e1\u017eu tieto artefakty v\u017edy spo\u013eahlivo odfiltrova\u0165.<\/p>\n\n\n\n

    Z h\u013eadiska efektivity v\u00fdpo\u010dtov m\u00f4\u017eeme kon\u0161tatova\u0165, \u017ee pou\u017eitie HPC prostredia poskytuje zauj\u00edmav\u00fa mo\u017enos\u0165 n\u00e1sobn\u00e9ho ur\u00fdchlenia vyhodnocovacieho procesu. Na ilustr\u00e1ciu m\u00f4\u017eeme uvies\u0165, \u017ee spracovanie, napr\u00edklad, celej sk\u00famanej oblasti Petr\u017ealky (3500×3500 m) trvalo na jednom v\u00fdpo\u010dtovom uzle HPC syst\u00e9mu Devana pribli\u017ene 820 sek\u00fand, pri vyu\u017eit\u00ed v\u0161etk\u00fdch (t.j. 64) CPU jadier. Spracovanie danej oblasti v programe CloudCompare na v\u00fdkonnom PC,  pri pou\u017eit\u00ed jedn\u00e9ho CPU jadra, trvalo pribli\u017ene 6200 sek\u00fand, \u010do je asi 8-kr\u00e1t pomal\u0161ie.<\/p>\n\n\n\n

    Pln\u00e1 verzia \u010dl\u00e1nku SK<\/a>
    Pln\u00e1 verzia \u010dl\u00e1nku EN<\/a><\/p>\n\n\n\n

    Autori<\/strong>
    Mari\u00e1n Gall – N\u00e1rodn\u00e9 superpo\u010d\u00edta\u010dov\u00e9 centrum
    Michal Mal\u010dek – N\u00e1rodn\u00e9 superpo\u010d\u00edta\u010dov\u00e9 centrum
    Lucia Demovi\u010dov\u00e1 – Centrum spolo\u010dn\u00fdch \u010dinnost\u00ed SAV v. v. i., organiza\u010dn\u00e1 zlo\u017eka V\u00fdpo\u010dtov\u00e9 stredisko
    D\u00e1vid Mur\u00edn – SKYMOVE s. r. o.
    Robert Straka – SKYMOVE s. r. o. <\/p>\n\n\n\n

    <\/p>\n\n\n\n

    Zdroje<\/strong>:<\/p>\n\n\n\n

    [1] https:\/\/www.greenvalleyintl.com\/LiDAR360\/<\/p>\n\n\n\n

    [2] https:\/\/github.com\/CloudCompare\/CloudCompare\/releases\/tag\/v2.13.1<\/p>\n\n\n\n

    [3] https:\/\/github.com\/ultralytics\/yolov5<\/p>\n\n\n\n

    [4] https:\/\/www.kaggle.com\/ultralytics\/coco128<\/p>\n\n\n\n

    [5] https:\/\/github.com\/heartexlabs\/labelImg<\/p>\n\n\n\n

    [6] Roussel J., Auty D. (2024). Airborne LiDAR Data Manipulation and Visualization for Forestry Applications.<\/p>\n\n\n\n

    [7] Popescu, Sorin & Wynne, Randolph. (2004). Seeing the Trees in the Forest: Using Lidar and Multispectral Data Fusion with Local Filtering and Variable Window Size for Estimating Tree Height. Photogrammetric Engineering and Remote Sensing. 70. 589-604. 10.14358\/PERS.70.5.589.<\/p>\n\n\n\n

    [8] Silva C. A., Hudak A. T., Vierling L. A., Loudermilk E. L., Brien J. J., Hiers J. K., Khosravipour A. (2016). Imputation of Individual Longleaf Pine (Pinus palustris Mill.) Tree Attributes from Field and LiDAR Data. Canadian Journal of Remote Sensing, 42(5). <\/p>\n\n\n\n

    [9] Ester M., Kriegel H. P., Sander J., Xu X.. KDD-96 Proceedings (1996) pp. 226\u2013231<\/p>\n\n\n\n

    [10] Kuhn H. W., „The Hungarian Method for the assignment problem“, Naval Research Logistics Quarterly, 2: 83\u201397, 1955<\/p>\n\n\n\n


    <\/h5>\n\n\n\n
    \n
    Success-Stories<\/a><\/div>\n<\/div>\n\n\n
    \"\"<\/a> Ke\u010f hmla ne\u010dakane udrie<\/a> 22 Aug<\/span> -<\/span> Ako v\u010das odhali\u0165 hmlu ako \u201enevidite\u013en\u00fa\u201c hrozbu sk\u00f4r, ne\u017e ochrom\u00ed na\u0161e cesty?<\/span><\/div>
    \"\"<\/a> Stop digit\u00e1lnym pochlebova\u010dom<\/a> 16 Aug<\/span> -<\/span> Vedky\u0148a pomocou superpo\u010d\u00edta\u010da prelomila zvyk modelov AI len pr\u00e1zdne chv\u00e1li\u0165 a nau\u010dila ich d\u00e1va\u0165 \u00faprimn\u00fa, kritick\u00fa sp\u00e4tn\u00fa v\u00e4zbu<\/span><\/div>
    \"\"<\/a> Odvr\u00e1ten\u00e1 strana bezplatn\u00fdch hier<\/a> 11 Jul<\/span> -<\/span> Ako slovensk\u00fd t\u00edm s pomocou superpo\u010d\u00edta\u010da vyrie\u0161il r\u00e9bus extr\u00e9mne vz\u00e1cneho spr\u00e1vania hr\u00e1\u010dov<\/span><\/div><\/div>\n<\/div><\/div>\n","protected":false},"excerpt":{"rendered":"

    Cie\u013eom spolupr\u00e1ce medzi N\u00e1rodn\u00fdm superpo\u010d\u00edta\u010dov\u00fdm centrom (NSCC) a\u00a0firmou SKYMOVE, v\u00a0r\u00e1mci projektu N\u00e1rodn\u00e9ho kompeten\u010dn\u00e9ho centra pre HPC, bol n\u00e1vrh a\u00a0implement\u00e1cia pilotn\u00e9ho softv\u00e9rov\u00e9ho rie\u0161enia pre spracovanie d\u00e1t z\u00edskan\u00fdch technol\u00f3giou LiDAR (Light Detection and Ranging) umiestnen\u00fdch na dronoch.<\/p>","protected":false},"author":2,"featured_media":9311,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"templates\/template-full-width.php","format":"standard","meta":[],"categories":[9,1],"tags":[],"_links":{"self":[{"href":"https:\/\/eurocc.nscc.sk\/en\/wp-json\/wp\/v2\/posts\/9299"}],"collection":[{"href":"https:\/\/eurocc.nscc.sk\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/eurocc.nscc.sk\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/eurocc.nscc.sk\/en\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/eurocc.nscc.sk\/en\/wp-json\/wp\/v2\/comments?post=9299"}],"version-history":[{"count":31,"href":"https:\/\/eurocc.nscc.sk\/en\/wp-json\/wp\/v2\/posts\/9299\/revisions"}],"predecessor-version":[{"id":9692,"href":"https:\/\/eurocc.nscc.sk\/en\/wp-json\/wp\/v2\/posts\/9299\/revisions\/9692"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/eurocc.nscc.sk\/en\/wp-json\/wp\/v2\/media\/9311"}],"wp:attachment":[{"href":"https:\/\/eurocc.nscc.sk\/en\/wp-json\/wp\/v2\/media?parent=9299"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/eurocc.nscc.sk\/en\/wp-json\/wp\/v2\/categories?post=9299"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/eurocc.nscc.sk\/en\/wp-json\/wp\/v2\/tags?post=9299"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}