Genauigkeitsuntersuchung und Klassifikation von ULS-Punktwolken des Laserscanners DJI Zenmuse L2

Die zunehmende Verfügbarkeit kostengünstiger UAV-LiDAR-Systeme ermöglicht eine hochauflösende 3D-Datenerfassung, wirft jedoch Fragen zur Transparenz der Prozessierung und zur Qualität der erzeugten Punktwolken auf. Diese Arbeit untersucht daher die geometrische Genauigkeit und Klassifikation von ULS-Punktwolken des Laserscanners DJI Zenmuse L2.

Ziel ist die Analyse der inneren und äußeren Genauigkeit in Abhängigkeit ausgewählter Prozessierungsparameter der Software DJI Terra sowie die Bewertung der Übertragbarkeit einer Random-Forest-basierten semantischen Segmentierung. Die Datengrundlage bildet eine UAV-Befliegung mit dem Quadrokopter DJI M350 RTK und dem DJI Zenmuse L2 Laserscanner (Flughöhe 60m, Fluggeschwindigkeit 5 m/s, Querüberlapp 60%, 8 Flugstreifen). Als Untersuchungsgebiet dient das Versuchsgut Roggenstein im Landkreis Fürstenfeldbruck. Die Rohdaten wurden mit variierenden Prozessierungsparametern und unterschiedlichen Passpunktkonfigurationen ausgewertet (Prozessierungen „rogg_1“ bis „rogg_11“).

Das Messrauschen wurde auf Basis von ca. 16.000 Punkten als RMS-Wert relativ zu einer ebenen horizontalen Referenzfläche bestimmt und beträgt 1,9 cm (ohne „Smoothing“) bzw. 0,6 cm (mit „Smoothing“). Der Parameter „Optimize Accuracy“ eliminiert zudem einen mittleren systematischen Höhenfehler zwischen benachbarten Flugstreifen von etwa 3 cm fast vollständig und verbessert damit den Spurausgleich deutlich. Ohne Verwendung von Passpunkten (rogg_3) ergibt sich an 10 mittels RTK-GNSS eingemessenen Prüfpunkten eine mittlere Höhenabweichung von 5,4 cm (Standardabweichung 6,3 cm). Bei Einbindung von Passpunkten (rogg_9) reduziert sich die mittlere Höhenabweichung in den Passpunkten auf 0,0 cm (Standardabweichung 2,7 cm).

Zur semantischen Segmentierung wurde zunächst ein Random-Forest-Klassifikator basierend auf dem frei verfügbaren gelabelten 3D-Benchmark-Datensatz „Hessigheim 3D“ trainiert und optimiert. Anschließend wurde das generierte Modell verwendet, um die Punktwolke im Untersuchungsgebiet zu klassifizieren. Insgesamt liefert das Modell konsistente Ergebnisse auf 6 Klassen.