Vappuna 2019 Paikkatietokeskus FGI ja Aalto yliopiston MeMo-tutkimusryhmä laserkeilasivat ja loivat 3D-mallin rakastetusta Havis Amanda-patsaasta. Tänä vuonna julkaisemme datan avoimeen jakoon ja haastamme 3D-mallien ja pelimoottoreiden osaajat käyttämään dataamme ja ilahduttamaan etävappukansaa omilla virtuaalivappu-esityksillä!
1st of May (Vappu) 2019, The Finnish Geospatial Research Institure FGI and MeMo research group of Aalto University created a laser scanning pointcloud and 3D model of the beloved Havis Amanda statue in Helsinki. This year we publish the data and challenge the 3D- and game engine wizards to use our data and create their own virtual 1st of May models/videos to cheer up the distantly celebrating Vappu folks!
Kilpailuun osallistutaan jakamalla linkki tehtyyn videoon/malliin Twitterissä, käyttäen hashtagia #pistepilvivappu ja tägäämällä @fgi_nls ja @pointcloudfi, aikaa on 3.5.2020 klo 12 asti!
Osallistua voi myös lähettämällä linkin sähköpostitse projektikoordinaattori Annukka Pekkariselle (etunimi.sukunimi@maanmittauslaitos.fi).
Parhaan työn tekijöille luvassa rahassa mittaamatonta arvostusta ja myös pieni palkinto!
COMBAT/Pointcloud julkaisee voittajatyön nettisivuilla ja Twitterissä 4.5.2020!
You can participate by sharing a link to your work in Twitter, using hashtag #pistepilvivappu and tagging @fgi_nls and @pointcloudfi, by noon 3rd of May 2020!
You can also participate via e-mail by sending your link to Project coordinator Annukka Pekkarinen (firstname.lastname@nls.fi)
The winner receives honor, immeasurable in money, as well as a price!
COMBAT/Pointcloud project will publish the winning work at this website and Twitter on 4th of May 2020!
Paikkatietokeskus FGI:n Kaukokartoituksen ja Fotogrammetrian tutkimusryhmillä on pitkä kokemus lentolaserkeilausmenetelmien kehittämisestä metsäteollisuuden tarpeisiin. Metsien inventointi koko Suomen mittakaavassa voidaan nykyisin toteuttaa lentolaserkeilauksen avulla. Tällä hetkellä koko Suomen metsät inventoidaan lentolaserkeilauksella 5-10 vuoden välein. Lentolaserkeilausmenetelmien kalibroimista varten tarvitaan tarkempia koealamittausmenetelmiä, jotka määrittävät koealoilta puiden sijainnin, runkokäyrän, tilavuuden ja puulajin.
Aiemmissa tutkimuksissa dronelennokilla on lennetty metsän latvuston yläpuolella, n. 50-75 metrin korkeudella maan pinnasta. Tällä tavalla kerätty pistepilvidata mallintaa tarkasti puiden latvuston ja maan pinnan, mikä mahdollistaa muun muassa puiden korkeuden ja latvuksen tilavuuden määrittämisen erittäin tarkasti. Puun runkojen mittaaminen on kuitenkin hankalaa latvuksen yläpuolelta ja vaatii jopa satoja tuhansia euroja maksavia äärimmäisen tarkkoja laserkeilaimia. Tällöinkin puun runkokäyrän mittaustarkkuus on parhaimmillaankin luokkaa 15-40 %, kun vastaava luku maasta käsin tehtävän laserkeilauksen tapauksessa on noin 5-10 %.
Dronella lentämistä kokeiltiin nyt latvuston alapuolella, runkojen seassa n. 2-5 metrin korkeudella. Videokameran ja radiolähettimen avulla ohjaus pystyttiin suorittamaan VR-lasit päässä ilman näköyhteyttä lennokkiin. Tutkimus osoitti, että droneen kiinnitetyllä laserkeilaimella oli mahdollista kerätä laadukasta pistepilvidataa puiden rungoista noin 10 metrin korkeudelle asti.
Pistepilvidatan käsittelyyn ja analysoimiseen tarvitaan myös algoritmeja, joiden avulla datasta saadaan selville mm. puun halkaisija rinnankorkeudella (1.3 m). Tämä tärkeä, puun tilavuuden arviointiin tarvittava mittaus on tähän asti tehty manuaalisesti mittasaksien tai -kaulaimen avulla. Tutkijoiden algoritmeilla tämä mittaus saatiin tehtyä 2-3% tarkkuudella, minkä lisäksi runkokäyrän mittaustarkkuus oli keskimäärin 5%:n luokkaa 1-8 metrin korkeudella. Tarkkuus vastaa laadukkaasti suoritettujen manuaalisten puustonmittausten tarkkuutta ja on samaa luokkaa kuin aiemmat parhaat tulokset, jotka on saavutettu maanpäällisellä tai liikkuvalla laserkeilauksella. Yhdistämällä ja analysoimalla latvuksen alapuolella ja yläpuolella tehdyt dronemittaukset, puiden tilavuuden arviointi saatiin suoritettua jopa hieman tarkemmin kuin perinteisillä, manuaalisilla menetelmillä.
Dronelennokkiin voi laserkeilaimen lisäksi kiinnittää monenlaisia muitakin sensoreita, jotka sopivat metsäteollisuuden erilaisiin tarpeisiin. FGI:n DroneFinland-tutkimusryhmä on kehittänyt hyperspektri-dronelennokkeja ja analyysimenetelmiä mm. hyönteistuhojen kartoitukseen ja metsätalouspuiden booripuutoksen havaitsemiseen ilmasta käsin, lennettäessä latvuston yläpuolella. Tulokset ovat olleet erittäin lupaavia ja ilmastonmuutoksen myötä etenkin tuhohyönteisten levinneisyyskartoitus muuttuu yhä tärkeämmäksi.
Combat-konsortion uusi teknologia tuottaa tarkkaa tietoa jokiympäristöistä ja tulvariskeista – Tutkija Jouni Salmela kertoo tekniikasta ja sen mahdollisuuksista
COMBAT/Pointcloud webinaarissa tutkija Jouni Salmela kertoo, kuinka vedenalaisia kartoitusmenetelmiä ja uutta laserkeilausteknologiaa voi käyttää jokiympäristöjen mallinnukseen ja tulvavesikartoitukseen. Salmela kertoo webinaarissa muun muassa kevättulvan vaikutuksista joen pohjanmuotoihin ja virtausolosuhteisiin sekä tulva-alueiden kartoittamisesta ja tulvamallinnuksesta.
Kuka?
Tohtorikoulutettava Salmela työskentelee Turun yliopiston maantieteen ja geologian laitoksella, vesistö- ja rannikkotutkimuksen ryhmässä. Hänen tutkimuskohteenaan ovat erityisesti hiekka ja savipohjaiset joet, kosteikot ja estuaarit sekä niiden mallintaminen hyödyntäen uusinta kaukokartoitusteknologiaa. Salmelan tutkimusalueet vaihtelevat Lapin erämaasta etelän viljelysvaltaisille alueille.
Salmelan uusin tutkimusjulkaisu ilmestyi alkuvuodesta:
Tutkimuksessa selvitettiin joen pohjanmuotojen muutoksia peräkkäisinä vuosina viiden vuoden aikana. Tarkastelu keskittyi sekä jokiuoman vertikaaliseen muutokseen, että uomassa esiintyviin kohouma-syvänne vuorovaihteluihin. Tutkimus toteutettiin hyödyntäen erilaisia lähikaukokartoitustekniikoita ja virtausmittauksia. Tutkimuksen mukaan virtaamavaihtelulla on merkittävä vaikutus pohjanläheisiin virtausnopeuksiin ja jokiuoman morfologisiin muutoksiin. Voimakkaat virtaamat ylläpitävät kohouma-syvänne vuorovaihtelua ja alhaisilla virtaamilla jokiuoma puolestaan tasoittuu. Virtaaman kasvaessa, pohjanläheiset virtausnopeudet kasvavat voimakkaimmin uoman ulkokaarteissa. Meanderoivan joen dynaamisimmat alueet sijaitsevat meanderikaarteiden läheisyydessä ja uoman muoto ylläpitää kohoumien ja syvänteiden sijaintia. Kohoumien ja syvänteiden koko ja muoto vaihtelevat, mutta niiden sijainti pysyy samana. Peräkkäisten vuosien muutoksissa ei havaittu säännönmukaisuutta, johtuen sekä erilaisista virtaamista vuosien välillä että edeltävän vuoden pohjanmuotojen muutoksista.
