Author Archives: Djoerd van Velzen

Met satellietbeelden bedrijfsgebouwen herkennen

| 6 oktober 2019

Eerste resultaten maken zichtbaar dat bedrijfsgebouwen uit satellietbeelden herkend kunnen worden.

  1. INTRODUCTIE

Dit onderzoek gaat na welke mogelijkheden satellietdata bieden om bedrijfsgebouwen te signaleren. Hiermee kan een clustering van bedrijfsgebouwen herkend worden om deze als bedrijventerreinen te duiden. In Nederland zijn dergelijke datasets beschikbaar, maar in veel andere Europese landen niet. Remote sensing data kan daarom interessant aangezien het een uitgebreide, doch bondige, kijk kan geven op het te onderzoeken fenomeen. Tegelijkertijd vinden ontwikkelingen snel plaats en zijn deze dusdanig omvangrijk, dat deze middels veldwerk nooit zo adequaat kunnen worden bijgehouden (Richards & Jia, 2006; Griffiths, Hostert, Gruebner & Van der Linden, 2010).

Om de mogelijkheden kritisch te kunnen beoordelen, wordt uitgegaan van een bekende situatie. Wanneer deze valide is, kan worden beoordeeld in hoeverre het opportuun is voor andere landen.

Dit onderzoek bestaat uit de volgende doelstellingen:

  • Landsat 8 data prepareren en visueel interpreteren op vorm, omvang, patronen, ruimtelijke resolutie en dergelijke;
  • Het maken, het tonen en het onderling vergelijken van diverse composities om bedrijfsgebouwen zo duidelijk mogelijk weer te geven;
  • Reflectiewaarden van verschillend landgebruik grafisch weergeven om hun spectrale gevoeligheid middels te bestuderen;
  • Aan de hand van aanvullende datasets de resultaten toetsen.

Uit de doelstelling kan de volgende centrale vraagstelling geformuleerd worden:

In hoeverre is het mogelijk om door middel van Landsat 8 data bedrijfsgebouwen te kunnen herkennen?

Het resultaat van dit onderzoek is een kritische reflectie voor het gebruik van raster data ten aanzien van de bestaande vector datasets, waarmee bedrijfsgebouwen in vorm en functie duidelijk herkenbaar zijn.

  1. ONDERZOEKSGEBIED EN DATAGEBRUIK

Op basis van Raspe, Weterings, Geurden-Slis & Van Gessel (2012) is het studiegebied bepaald. Een divers gebied ter grootte van circa 900 km2, samengesteld uit verschillende COROP-regio’s die in figuur 1 zichtbaar zijn.

Figuur 1: De COROP regio’s van Nederland (bron: Raspe, Weterings, Geurden-Slis & Van Gessel, 2012)

De downloadbare satellietbeelden van USGS Glovis in WGS84 kunnen beoordeeld worden aan de hand van de volgende resoluties (Powell, Pflugmacher, Kirschbaum, Kim & Cohen, 2007):

  • Ruimtelijk;
  • Spectraal;
  • Tijdelijk;
  • Radiometrisch;

De 30m resolutie behoort tot een middelmatige resolutie welke geschikt is om onder andere landgebruik te bestuderen (Gao, Masek, Wolfe & Huang, 2010; Blackett, 2014). Gekozen is voor een bedekkingsgraad van maximaal 20% om een zo helder mogelijk beeld te krijgen. Tevens is gekozen voor de zomerperiode, aangezien het bladgroen zich het beste manifesteert en daarmee het meest herkenbare beeld oplevert (Hansen, Williams & Adjei, 2015).

 

Figuur 2: Landsat 8 OLI/TIRS C1 Level-1 op 17 september 2014 (bron: USGS Glovis, 2018)

Een natuurlijk kleurenpatroon afbeelding wordt verkregen door de banden 4, 3 en 2 samen te voegen, zoals afgebeeld wordt in figuur 3 (Barsi, Lee, Kvaran, Markham & Pedelty, 2014). De eerste output was erg donker. Er is geëxperimenteerd met het verhogen van de waarden van de saturatie (5), de helderheid (50) en het contrast (5) om een zo natuurlijk mogelijk beeld te verkrijgen (Chiang, Hsia, Peng & Lien,  2014).

Figuur 3: een natuurlijk kleurenpatroon beeld van het studiegebied (bron: auteur)

Op basis van aspecten van visuele interpretatie worden de volgende constateringen gedaan (Dalsted & Queen, 1999):

  • De zichtbaarheid van de Haarlemmermeerpolder met zijn orthogonale verkavelingspatroon. Bedrijfsgebouwen hebben ook, weliswaar kleiner, veelal een orthogonale vorm;
  • Veel gebieden met bedrijfsgebouwen slaan wit uit, zoals het havengebied van Amsterdam en het veilingterrein in Rijnsburg. Echter slaan diverse kassengebieden en zandgronden ook wit uit;
  • Ondanks een verhoogde helderheid is het onderscheid tussen verschillende typen bedrijfsgebouwen met bepaalde wit- en grijswaarden moeilijk te maken;
  • Textuurverschillen van bedrijfsgebouwen zijn vanwege de middelmatige resolutie niet te maken, zoals materiaalgebruik en dakvorm;
  • Wanneer er ingezoomd wordt, zijn clusteringen van bedrijfsgebouwen zichtbaar maar ontbreekt het aan ruimtelijke resolutie om vast te stellen dat het hier om een verzameling van individuele panden gaat.

In figuur 4 wordt hierop verder ingegaan door het bodemgebruik van Nederland vanuit een vectorbestand te visualiseren (CBS, 2008). Doelbewust zijn bedrijventerrein en glastuinbouwgebieden afwijkend van kleur dan normaal gesproken gebruikelijk is. Geel en wit kleurgebruik zorgen ervoor dat deze helder naar voren komen, zelfs wanneer objecten klein zijn en gefragmenteerd voorkomen.

Figuur 4: het bodemgebruik van het studiegebied (bron: auteur)

 Op basis van figuur 4 en in vergelijking met figuur 3 wordt het volgende geconstateerd:

  • In Katwijk, Roelofarendsveen en Aalsmeer grenzen bedrijventerreinen en glastuinbouw aan elkaar, een nuance die in figuur 3 niet te maken was;
  • Verkavelingsvormen en nuances in bodemgesteldheid zijn daarentegen weer beter te onderscheiden in figuur 3;
  • Wanneer figuur 3 en 4 met elkaar vergeleken worden, wordt duidelijk dat glastuinbouw een hogere uitstraling heeft dan bedrijfsgebouwen;

Het bestuderen van de reflectiewaarden is wenselijk om glastuinbouw en bedrijfsgebouwen deugdelijk te kunnen extraheren uit satellietbeelden.

  1. VALSE KLEUREN COMPOSITIES      

Het gebruik van kleuren in remote sensing is zowel visueel als wetenschappelijk relevant. Voor de volledigheid wordt in figuur 5 de aanduidingen gegeven voor de spectrale banden van Landsat 8.

Figuur 5: Spectrale banden van Landsat 8 (bron: Acharya & Yang, 2015)

In figuur 3 werd al een voorbeeld gegeven van een natuurlijke kleuren compositie. Wanneer de blauwe band ontbreekt, kan een ander beeld gegenereerd worden door de bijna infrarood met rood en groen te combineren. Dit is een tradtioneel valse kleuren compositie, die in figuur 6 zichtbaar is (Patra, Shekhar, Solanki, Ramachandran & Krishnan, 2006). Acharya & Yang (2015) onderstrepen dit door te constateren dat het een van de meest gebruikte combinatie is om de mate van begroeiing aan het aardoppervlak te meten. Verschillen in roodtinten hebben te maken met de gezondheid van de begroeiing, maar ook of het om bos of grasland gaat.

Figuur 6: een traditioneel valse kleuren compositie (bron: auteur)

Studies met betrekking tot de gebouwde omgeving zijn vooral actueel op het gebied van bebouwingsdichtheid in relatie tot een stedelijk hitte-eiland (Yuan & Bauer, 2007). Om na te gaan welke compositie het meest geschikt is om bedrijfsgebouwen te herkennen, wordt in figuur 7 bruikbaar overzicht om in een oogopslag inzichtelijk te maken wat de gemiddelde reflectiewaarden zijn voor vegegatiesoorten (a), grondsoorten (b) en niet-natuurlijke materialen (c) (Nidamanuri & Ramiya, 2014).

Hieruit kan opgemaakt worden dat de golflengten veel minder synchroon zijn aan elkaar dan bij vegetatie- en grondsoorten. De banden 7 en 8 bevatten een grotere bandbreedte aan golflengten waardoor, afgaand op figuur 5, niet-natuurlijke materialen scherper weergegeven worden. Hierdoor is gekozen voor een arbitraire kleuren compositie die bestaat uit de banden 1, 8 en 7 en is in figuur 8 weergegeven. Door de maximale stretch waarde op 100% te zetten in plaats van de 98%, ontstaat een relatief donkerder beeld waar juist de oppervlakten met hogere reflectiewaarden als lichtgevend goud zichtbaar worden.

Figuur 7: uiteenlopende gemiddelde reflectiewaarden (bron: Nidamanuri & Ramiya, 2014)

Figuur 8: een arbitraire kleurencompositie (bron: auteur)

In de figuren 9a, 9b en 9c zijn uitsneden gemaakt van het studiegebied om de composities beter met elkaar te kunnen vergelijken, waaruit geconstateerd kan worden (Albertz, 2007):

  • Dat het onderscheid van water en groen het beste is in 9b, gelet op het patroon van het water linksonder in beeld in het Spaarnwoude/houtrak;
  • Dat de scherpte van de afbeelding wordt vergroot door het gebruik van de banden 5 t/m 9, in figuur 9a ontbreken deze banden en is de afbeelding beduidend minder scherp dan de overige twee;
  • Dat figuur 9c dusdanig scherper is dat veel meer verschil van vormen van objecten kunnen worden waargenomen, zoals silo’s en bedrijfsgebouwen.

Figuur 9a: uitsnede Amsterdamse havens in RGB = 4, 3, 2 (bron: auteur)

Figuur 9b: uitsnede Amsterdamse havens in RGB = 5, 4, 3 (bron: auteur)

Figuur 9c: uitsnede Amsterdamse havens in RGB = 1, 8, 7 (bron: auteur)

  1. GESUPERVISEERDE CLASSIFICATIE

Een van de belangrijkste onderdelen van remote sensing is het verkrijgen van data die informatie geeft over het landgebruik van een gebied, die vervolgens op een kaart weergegeven kan worden (Al-Doski, Mansor & Shafri, 2013). Er zijn diverse methoden om informatie te verkrijgen, waarbij hier wordt ingegaan op gesuperviseerde classificatie. De analist verzameld afdoende pixels met daarin kwantitatieve gegevens over reflectiewaarden, ook wel trainen genoemd, om diverse landgebruik te kunnen onderscheiden (Richards, 1993; Jensen, 2005). Alvorens getraind kan worden, dient de afbeelding op bepaalde vlakken gecorrigeerd te worden voor gebruik.

De volgende typen landgebruik worden onderscheiden:

  • Glastuinbouw
  • Wegen
  • Water
  • Bos
  • Natuurlijk terrein kaal
  • Natuurlijk terrein begroeid
  • Woongebied
  • Bedrijventerrein

In figuur 7 is duidelijk te zien dat natuurlijke en niet-natuurlijke materialen beduidend andere reflectiewaarden hebben en tevens een ander verloop van de golflengten, maar tegelijkertijd sommige waarden van golflengten dicht bij elkaar liggen.

Op basis van dit gegeven zijn meer categorieën gekozen om zoveel mogelijk onderscheid te kunnen maken dat past bij het daadwerkelijke landgebruik. Zeker bij niet-natuurlijke materialen zijn de reflectiewaarden minder eenduidig. Neem bijvoorbeeld woningbouw: het dak is plat of schuin en kan opgebouwd zijn uit bitumen, betonnen dakpannen of keramische dakpannen. Op basis van lokale kennis en streetview, zijn in totaal 26 gebieden als training input gebruikt met minimaal twee per type landgebruik

Figuur 10a: volledige spectrale responscurve (bron: auteur)

Figuur 10b: spectrale responscurve ingezoomd (bron: auteur)

Hieruit volgen de spectrale responscurves die weergegeven zijn figuren 10a, welke volledig weergegeven is en 10b, waarbij ingezoomd is om de verschillen in waarden beter te kunnen waarnemen. Banden zijn weergegeven door middel van verticale stippellijnen.

Conclusies ten aanzien van de figuren 10a en 10b (Aggarwal, 2003; Kotthaus, Smith, Wooster & Grimmond, 2014; Herold, Roberts, Gardner & Dennison, 2004; Bierwirth, Lee & Burne, 1993):

  • De reflectiewaarden voor gezonde vegetatie, zoals bos en natuurlijk terrein begroeid, hebben een kenmerkende ‘’piek en dal’’ configuratie. In het zichtbare gedeelte wordt veel geabsorbeerd en in het bijna infrarood gedeelte is juist een hoge reflectie te zien;
  • De reflectiewaarden van name natuurlijk terrein kaal, en in mindere mate bedrijventerrein, blijven alsmaar stijgen en zijn tussen band 6 en 7 zelfs gelijk aan die van glastuinbouw;
  • Wegen zijn veelal opgebouwd uit donkere koolstof materialen, waardoor deze over het algemeen een relatief lagere reflectiewaarde kennen dan de meeste niet-natuurlijke materialen;
  • Spectrale verwarring en overlappingen zijn een veelvoorkomend fenomeen bij niet-natuurlijke materialen, doordat de bestandsdelen van het niet-natuurlijke materialen in meer of mindere mate met elkaar overeenkomen;
  • Spectrale verwarring kan deels ontstaan, doordat bijvoorbeeld water op platte daken blijft staan na een flinke regenbui waardoor het desbetreffende bedrijfsgebouw een relatief lagere reflectiewaarde kent. Bij glastuinbouw die vol staan met planten kan hetzelfde effect optreden;
  • Niet alleen bedrijfsgebouwen hebben een plat dak van bitumen, maar ook benzinestations, schuren, uitbouwen van een woningen, winkelcentra, etc.
  • Water heeft een opvallend vlakke lijn en is kenmerkend voor ondiep water;
  1. GROUND TRUTHING DOOR HET GEBRUIK VAN AANVULLENDE DATA

In figuur 11 wordt een kaart met landgebruik weergegeven, gebaseerd op de gesuperviseerde classificatie. Garrity (2009) stelt dat het concept van ground truthing veelgebruikte methode is om op afstand verzamelde data te verifiëren aan de hand van veldwerk. De uitkomsten van de classificatie kunnen nog verder onderscheiden worden in de mate waarin deze passend of nauwkeurig zijn (Ruppert, Hussain & Müller, 1999).

Figuur 11: landgebruik op basis van gesuperviseerde classificatie (bron: auteur)

Er wordt op twee wijzen geverifieerd in hoeverre de gesuperviseerde classificatie overeenkomt met andere databronnen:

  1. Door het gebruik van polygonen op basis van de landelijke informatie IBIS bedrijventerreinen;
  2. Door het gebruik van de BAG waar gefilterd wordt op panden met een industriefunctie groter dan 0 m2.

Op basis van de eerste methode worden in figuur 12 voorbeelden gegeven waarvan de gesuperviseerde classificatie als succesvol beschouwd wordt:

Figuur 12: Voorbeelden van bedrijventerreinen die herkend worden uit satellietbeelden (bron: auteur)

In figuur 13 worden voorbeelden gegeven waarvan de gesuperviseerde classificatie minder succesvol is gebleken:

Figuur 13: Voorbeelden van bedrijventerreinen die minder makkelijk herkend worden uit satellietbeelden (bron: auteur)

In figuur 14 wordt een vergelijking tussen panden en pixels gemaakt tussen een succesvolle en minder succesvolle classificatie door gebruik te maken van de industriefunctie van de BAG (paars) in vergelijking met de bedrijventerrein (geel):

Figuur 14: Vergelijking tussen panden met industriefunctie en supergeclassificeerde data (bron: auteur)

Conclusies ten aanzien de nauwkeurigheid en passendheid van de classificatie (Ruppert, Hussain & Müller, 1999):

  • De oppervlakte en de clustering van industriepanden hebben grote invloed op de juiste classificatie, mede doordat de Landsat 8 een middelmatige resolutie heeft;
  • Het centrum van Amsterdam kent een hoge bebouwingsdichtheid en is in functie zeer gevarieerd, waardoor er spectrale verwarring ontstaat;
  • Spectrale verwarring op bedrijventerreinen betreffen vooral wegen, woongebied en glastuinbouw, waardoor sommige panden met industriefunctie verkeerd worden geclassificeerd.
  • Een weg wordt pas geclassificeerd wanneer deze een behoorlijke oppervlakte heeft;
  1. CONCLUSIE

De vraagstelling die centraal stond is als volgt:

 In hoeverre is het mogelijk om door middel van Landsat 8 data bedrijfsgebouwen te kunnen herkennen?

Dit verkennende onderzoek biedt interessante aanknopingspunten om bedrijfsgebouwen te kunnen herkennen op grotere schaal alsmede in het buitenland. Eerste resultaten laten zien dat ondanks de middelmatige resolutie van de Landsat 8 data het mogelijk is om clusters bedrijfsgebouwen te herkennen die overeenkomen met de BAG en de IBIS bedrijventerreinen. Experimenten met verschillende kleurencomposities laten zien dat talloze (onderzoeks)doeleinden gediend kunnen worden, maar ook dat verschillende vormen en objecten beter zichtbaar worden. Ondanks de aanknopingspunten laten het kaartbeeld van het eindresultaat en de spectrale responscurve zien dat in de bebouwde omgeving de nodige tekortkomingen bestaan voor multispectrale satellieten (Herold & Roberts, 2006).

Wanneer de multispectrale satelliet de enige beschikbare bron is, kan een verbeterslag kan gemaakt worden door in plaats van 26 trainingsgebieden maar liefst 100 trainingsgebieden te gebruiken. Een vergelijking op temporele resolutie kan ook gemaakt worden, door dezelfde methodiek te reproduceren, waarmee de reflectiewaarden van de trainingsgebieden met elkaar vergeleken kunnen worden.

Roberts, Quattrochi, Hulley, Hook & Green (2012) suggereren dat de classificatie van landgebruik in de gebouwde omgeving verbeterd kan worden door het gebruik van hyperspectrale satellietdata, welke een hogere ruimtelijke resolutie hebben en meer spectrale banden om het juiste onderscheid te maken.

Kortom: clusters van bedrijfsgebouwen extraheren uit satellietbeelden om bedrijventerreinen te herkennen is een heel uitdagend proces. De eerste resultaten laten zien dat de nodige verbeteringen aangebracht kunnen worden. Desalniettemin is het onderzoek waardevol gebleken, aangezien het aantoont dat bedrijfsgebouwen en bedrijventerreinen wel degelijk herkend kunnen worden.

  1. LITERATUUR

Abdelaziz, R., El-Rahman, Y. & Wilhelm, S. (2018). Landsat-8 data for chromite prospecting in the Logar Massif, Afghanisatan. Heliyon, 4(2), 1-18.

Abdelaziz, R. & Merkel, B. (2012). Analytical and numerical modeling of flow in a fractured gneiss aquifer. Journal of water resource and protection, 4, 657-662.

Acharya, T. & Yang, I. (2015). Exploring Landsat 8. International journal of IT, engineering and applied sciences research, 4(4), 4-10.

Aggarwal, S. (2003). Principles of remote sensing. Satellite remote sensing and GIS application in agricultural meteorology, 23-38.

Albertz, J. (2007). Einführung in die Fernerkundung. Grundlagen der Interpretation von Luft und Satellitenbildern. Darmstadt: Wissenschaftliche Buchgesellschaft.

Al-Doski, J., Mansor, S. & Shafri, H. (2013). Image classification in remote sensing. Journal of environmental and earth science, 3(10), 141-147.

Barsi, J., Lee, K., Kvaran, G., Markham, B. & Pedelty, A. (2014). The spectral response of the landsat-8 operational land imager. Remote sensing, 6, 10232-10251.

Bierwirth, P., Lee, T. & Burne, R. (1993). Shallow see-floor reflectance and water depth derived by unmixing multispectral imagery. Photogrammetric engineering & remote sensing, 59(3), 331-338.

Blackett, M. (2014). Early analysis of landsat-8 thermal infrared sensor imagery of volcanic activity. Remote sensing, 6, 2282-2295.

Butler, K. (2013). Band combinations for landsat 8. Geraadpleegd op 27 november 2018, via: https://www.esri.com/arcgis-blog/products/product/imagery/band-combinations-for-landsat-8/

CBS (2008). Bestand bodemgebruik. Den Haag: Centraal Bureau voor de Statistiek.

Chiang, J., Hsia, C., Peng, H. & Lien, C. (2014). Color image enhancement with saturation adjustment method. Journal of applied science and engineering, 17(4), 341-352.

Congedo, L. (2018). Semi-Automatic classification plugin documentation. Geraadpleegd op 30 november 2018, via: https://media.readthedocs.org/pdf/semiautomaticclassificationmanual-it/latest/semiautomaticclassificationmanual-it.pdf

Dalsted, K. & Queen, L. (1999). Interpreting remote sensing data. Geraadpleegd op 17 november 2018, via: http://www.ipni.net/publication/ssmg.nsf/0/2D9C31FB57D733CF852579E500776714/$FILE/SSMG-26.pdf.

Gao, F., Masek, J., Wolfe, R. & Huang, C. (2010). Building a consistent medium resolution satellite data set using moderate resolution imaging spectroradiometer products as reference. Journal of applied remote sensing, 4, 1-22.

Garrity, G. (2009). Ground truth. Standards in genomic sciences, 1, 91-92.

Griffiths, P., Hostert, P., Grueber, O. & Linden, S. van der (2010). Mapping megacity growth with multi-sensor data. Remote sensing of environment, 114(2), 426-439.

Herold, M. & Roberts, D. (2006). Multispectral satellites – imaging spectrometry – LIDAR: spatial – spectral tradeoffs in urban mapping. International journal of geoinformatics, 2(1), 1-13.

Herold, M., Roberts, D., Gardner, M. & Dennison, P. (2004). Spectrometry for urban area remote sensing development analysis of a spectral library from 350 to 2400 nm. Remote sensing environment, 91, 304-319.

Hansen, C., Williams, G. & Adjei, Z. (2015). Long-term application of remote sensing chlorophyll detection models: jordanelle reservoir case study. Natural resources, 6, 123-129.

Jensen, J. (2005). Introductory digital image processing. Upper Saddle River: Prentice Hall.

Kotthaus, S., Smith, T., Wooster, M. & Grimmond, C. (2014). Derivation of an urban materials spectral libary through emittance and reflectance spectroscopy. ISPRS journal of photogrammetry and remote sensing, 94, 194-212.

Nidamanuri, R. & Ramiya, A. (2014). Spectral identification of materials by reflectance spectral libary search. Geocarto international, 29(6), 609-624.

Patra, S., Shekher, M, Solanki, S., Ramachandran, R. & Krishnan, R. (2006). A technique for generating natural colour images from false colour composite images. International journal of remote sensing, 27(14), 2977-2989.

Peters, J. (2015). The many band combinations of landsat 8. Geraadpleegd op 27 november 2018, via: https://www.harrisgeospatial.com/Learn/Blogs/Blog-Details/ArtMID/10198/ArticleID/15691/The-Many-Band-Combinations-of-Landsat-8

Powell, S., Pflugmacher, D., Kirschbaum, A., Kim, Y. & Cohen, W. (2007). Moderate resolution remote sensing alternatives: a review of landsite-like sensors and their applications. Journal of applied remote sensing, 1, 1-16.

Prishchepov, A., Radeloff, V., Dubinin, M. & Alcantara, C. (2012). The effect of landsat ETM/ETM+ image acquisition dates on the detection of agricultural land abandonment in Eastern Europe. Remote sensing of environment, 126(10), 195-209.

Quinn, J. (2001). Band combinations. Geraadpleegd op 27 november 2018, via: http://web.pdx.edu/~nauna/resources/10_BandCombinations.htm

Raspe, O. Weterings, A., Geurden-Slis, M. & Van Gessel, G. (2012). De ratio van ruimtelijk-economisch topsectorenbeleid. Den Haag: PBL/CBS.

Richards, J. & Jia, X. (2006). Remote sensing digital image analysis. Berlin: Springer-Verlag.

Richards, J. (2013). Remote sensing digital image analysis. Berlin: Springer-Verlag.

Roberts, D., Quattrochi, D., Hulley, G., Hook, S. & Green, R. (2012). Synergies between VSWIR and TIR data fort he urban environment: an evaluation of the potential for the hyperspectral infrared imager (HyspIRI) decadal survey misson. Remote Sensing of Environment, 117(15), 83-101. 

Ruppert, G., Hussain, M. & Müller, H. Accuracy assessment of satellite image classification depending on training sample. Austrian journal of statistics, 4, 195-201.

Salas, E., Valdez, R. & Michel, S. (2017). Summer and winter habitat suitability or Marco Polo argali in southeastern Tajikistan: a modeling approach. Heliyon, 3(11), 1-25.

USGS Glovis (2018). Global land survey. Geraadpleegd op 18 november 2018, via: https://glovis.usgs.gov/app?fullscreen=0

Wang, Z. & Li, Q. (2017). Thermodynamic characterisation of urban nocturnal cooling. Heliyon, 3(4), 1-17.

Bloemkoolwijken over de brug helpen

| 1 januari 2019

Een studie naar verval en vernieuwingsmogelijkheden in Buytenwegh Zoetermeer

Deze planologische studie geeft inzicht in verval en vernieuwingsmogelijkheden in Bloemkoolwijken. De aanleiding van deze studie is voortgekomen uit het besef dat tijdens de levenscyclus van woonwijken zich fysieke, sociale en economische ontwikkelingen voordoen, waarvan vermoed wordt dat deze leiden tot achteruitgang en verval van de wijk. Op deze ontwikkelingen moet gereageerd worden door problemen te signaleren en adequate vernieuwingsmogelijkheden SMART te formuleren. Om deze ontwikkelingen voor te blijven, is een structuur van periodieke monitoring gewenst in Bloemkoolwijken.

Wanneer dit niet tijdig op een adequate wijze wordt gedaan, krijgen gemeenten met Bloemkoolwijken, zoals Zoetermeer, te maken met vergaande vervalprocessen, die lastig te keren zijn. Bloemkoolwijken zijn in de periode 1970-1985 gebouwd met een stedenbouwkundig ideaal. Evidente voorbeelden van vervalprocessen die in deze studie besproken worden, zijn: woningen met een slecht energielabel, een slechte kwaliteit van de openbare ruimte die uitnodigt tot vandalisme en vervuiling en afnemende betrokkenheid van bewoners met hun buurt.

In Bloemkoolwijken moet heel anders worden ingegrepen dan bij oude herstructureringswijken waar sloop en nieuwbouw werd toegepast om wijkproblemen op te lossen.

Na achtereenvolgens stadsvernieuwing, stedelijke vernieuwing, grote stedenbeleid en de wijkaanpak, is het noodzakelijk dat nu beleid wordt geformuleerd om Bloemkoolwijken te ondersteunen. Bloemkoolwijken vervullen namelijk een belangrijke maatschappelijke functie in de volkshuisvesting en (ver)dienen daarom op orde te zijn.

Airborne Laser Scanning om veranderingen van gebouwen te detecteren

| 7 december 2018

Door verbeterde puntendichtheid van ALS data kunnen veranderingen in gebouwde omgeving gedetecteerd worden.

INTRODUCTIE

Deze literatuur review gaat in op de actieve vorm van remote sensing [1], namelijk: LiDAR. LiDAR staat afgekort voor light detection and ranging, waarmee bedoeld wordt dat een lichtpuls gebruikt wordt om te detecteren en afstanden te bepalen [2,3]. Concreet betekent dit dat hoogwaardige ruimtelijke data van objecten wordt verzameld met een drie-dimensionale (x, y en z) component binnen een relatief kort tijdsbestek [4-6].

Er zijn twee platformen om deze data te verzamelen: vanaf de grond en vanuit de lucht [7]. Laser scanning vanuit de lucht heeft zich ontwikkeld tot de standaard methode om nauwkeurige en betrouwbare data te verkrijgen waaruit hoogtemodellen afgeleid kunnen worden [8].

In tegenstelling tot luchtfotografie kenmerkt Airborne Laser Scanning (ALS) zich door de volgende voordelen [9]:

  • Het kan worden gebruikt zonder externe lichtbron en ongeacht het bodemtype;
  • In vergelijkbare omstandigheden is LiDAR in staat fijnmaziger en daarmee nauwkeuriger metingen te verrichten;
  • Wanneer een GPS station aanwezig is om de locatie te verifiëren, hoeft dit niet meer ter plekke gecontroleerd te worden

Vanaf de eeuwwisseling begon ALS de traditionele luchtfotografie als ondersteunende methode bij studies te vervangen. Belangrijk om te noemen is dat LiDAR mogelijk werd gemaakt door de ontwikkeling van de GPS (Geographic Positioning System) in de jaren 80 in combinatie met de ontwikkeling van de IMU (Inertial Measurement Unit) en toegenomen computerkracht in de jaren 90. Het concept laser en laser scanning dateert namelijk al uit de jaren 60 [10]. De ontwikkelingen liepen parallel aan de toepassingsmogelijkheden. In het begin ging het vooral om topografische toepassingen en bosbouw [11], maar daaropvolgend ontdekten bedrijven dat traditionele methoden konden worden vervangen [6].

Pas sinds 10 à 15 jaar is het vanwege de toegenomen frequentie van laser scanners [12] mogelijk om de toepassingen binnen de gebouwde omgeving te vergroten. In eerste instantie om gebouwcontouren in beeld te brengen of te modelleren [13-16], maar ook om veranderingen in de gebouwde omgeving te monitoren [17-19]. Met name het automatiseringsproces binnen de laatstgenoemde ontwikkeling maakt het interessant om na te gaan in hoeverre LiDAR visuele interpretatie en handmatige handelingen kunnen vervangen, zodat waardevolle informatie adequater kan worden ingezet.

Om te beginnen worden bondig de technische principes van Airborne Laser Scanning uitgelegd. Vervolgens wordt specifiek ingegaan op de mogelijkheden die ALS biedt voor het detecteren van veranderingen in de gebouwde omgeving aan de hand van cases. Daarop worden de voor- en nadelen besproken van ALS voor deze toepassingsmogelijkheid en in het licht geplaatst van ontwikkelingen in de afgelopen 15 jaar. Case studies dienen dit te verduidelijken. Tot slot worden de conclusies weergegeven, waarbij constateringen gedaan worden voor toekomstige ontwikkelingen.

TECHNISCHE PRINCIPES VAN AIRBORNE LASER SCANNING

Nu het concept van ALS kort is toegelicht, worden in dit hoofdstuk de technische aspecten van ALS uitgelegd om duidelijk te maken hoe ruimtelijke data verkregen wordt. In de basis bestaan ALS system uit vier hoofdcomponenten [4,20]:

  • De laser scanner
  • De GPS
  • De IMU
  • Een computer

De laser scanner bestaat uit een zender en ontvanger. Tijdens het vliegen over land worden laserpulsen in het bijna infrarode spectrum uitgezonden om maximale reflectie van het aardoppervlak of objecten terug te krijgen [21]. De terugkerende laserpulsen worden opgeslagen door de ontvanger. Om alle teruggekomen laserpulsen te koppelen aan een locatie is het ALS system uitgerust met een GPS en IMU. Deze componenten moeten als geïntegreerd geheel worden gezien. Zoals in figuur 1 te zien is, zorgen ze gezamenlijk voor de positie en de hoogte alsmede de pitch (x-as), yaw (y-as) en roll (z-as) van het vliegend platform waarmee de positie en oriëntatie kan worden bepaald [11].

Figuur 1. Schematische illustratie van een ALS systeem

De hoek en de vluchthoogte bepalen bijvoorbeeld de zogeheten baanbreedte van het gescande gebied wanneer het vliegtuig in een bepaalde richting vliegt [22]. Om zo’n compleet mogelijk beeld te verkrijgen en fouten te verwijderen wordt het gebied meerdere malen ingescand, waarbij overlapping plaatsvindt van meestal minimaal 50%. Meestal ontstaat er een Z-vormig patroon van scannen op het aardoppervlak, zoals in figuur 1 te zien is, doordat de scanner van links naar rechts scant die loodrecht is aan de vliegroute. Figuur 2 laat zien dat vliegpatronen kunnen verschillen afhankelijk van de manier van scannen [23].

Figuur 2. Schematische illustratie scanpatronen van LiDAR systemen

Aan de hand van figuur 3 kan worden uitgelegd dat het ALS systeem op basis van ranging, oftewel afstand meten, onderverdeeld kan worden in een full-waveform (FW) of discrete return (DR) systeem [4,11,24-27]:

  • Een FW systeem zendt een continue laserpuls uit om binnen gebruikelijke tijdsintervallen van 1 nanoseconde de volledige teruggekaatste energie in de vorm van golflengten te analyseren;
  • Een DR systeem registreert daarentegen enkelvoudige of meervoudige reflecties van de terugkerende laserpuls. De afstand wordt berekend aan de hand van de volgende formule: afstand = (lichtsnelheid van de puls x vliegtijd van de lichtpuls) / 2.

Figuur 3. Conceptueel verschil in discrete return (links) en full-waveform (rechts) LiDAR systemen wanneer over een bos gevlogen wordt

Hoewel geconstateerd wordt dat het DR systeem vanaf de jaren 90 voor zowel bosbouw als commerciële doeleinden meer gebruikt is, zorgt het FW systeem voor veel rijkere data door amplitude en echo-breedte [28]. Concreet betekent dit dat structuur van objecten of van het aardoppervlak kan worden herkend [29], maar ook zijn betere reflectiewaarden van gebouwen beschikbaar die de vorm en de functie van het gebouw beter weergeven [30].

Zoals in figuur 4 te zien is, hangen de toepassingsmogelijkheden van de data nauw samen met de puntdichtheid van de ingewonnen dataset. Naast puntdichtheid bepalen pulsdichtheid en scanningsdichtheid de ruimtelijke resolutie van een dataset [23]. Voor de gewenste toepassingsmogelijkheid is het zoeken naar de optimale balans tussen kwaliteit, precisie en kosten.

Figuur 4. De puntdichtheid in relatie tot het toepassingsmogelijkheden

Puntdichtheid dient niet verward te worden met de dichtheid van terugkerende punten, aangezien dit zeker in het geval van een FW systeem wezenlijk van elkaar verschilt. Terugkerende punten bevatten naast x, y en z coördinaten een beeld van de intensiteit van het terugkomende signaal. Het signaal wordt standaard vastgelegd in 8 of 12 bits, dat respectievelijk waarden kent van 0 – 255 en 0 – 4.095. Het rasterbestand ziet er daarom uit als een zwart-wit luchtfoto [31]. De intensiteit is overigens afhankelijk van de vlieghoogte, laserinstellingen, de reflectie van het object en atmosferische omstandigheden [4]. Om afhankelijkheden te verminderen, kunnen tijdens de vlucht aanvullende luchtfotobeelden gemaakt worden die later gebruikt kunnen worden om de aanvankelijke data te verrijken [32]. Het eerste resultaat van de vlucht wordt geduid als de puntenwolk, maar dit betreft een ruwe dataset die nog niet direct gebruikt kan worden voor analyses. De volgende vijf stappen dienen doorlopen te worden [33]:

  • Georeferentie aan de hand van GPS en IMU metingen;
  • De vliegroute dient geijkt te worden om foutieve meetpunten te detecteren;
  • Groepen van punten met vergelijkbare eigenschappen segmenteren om homogene gebieden te krijgen;
  • Het filteren van bruikbare punten en daarmee informatie, maar ook het classificeren van de punten in bijvoorbeeld woningen, natuurgebieden en water;
  • Het minimaliseren van de benodigde informatie om de gewenste toepassing afdoende te duiden, waardoor de dataset gebruiksvriendelijker wordt.

DISCUSSIE VAN DE TOEPASSINGMOGELIJKHEDEN OM VERANDERINGEN IN DE GEBOUWDE OMGEVING TE DETECTEREN

Voor een lange tijd waren 2D satellietbeelden de voornaamste bron om studies mee uit te voeren. Het nadeel hiervan was dat de resolutie niet afdoende was om op geavanceerde wijze veranderingen waar te nemen. Naast resolutie kennen 2D beelden de volgende tekortkomingen [34-36]:

  • Een grote variabiliteit van cijfers in het spectrum;
  • Een vervorming van perspectief;
  • Een gebrek aan volumetrische informatie.

Met de komst van de derde dimensie in databronnen werden de bovenstaande problemen verholpen, werd de data verrijkt en werd het beter mogelijk veranderingen in de gebouwde omgeving met minder fouten en eenvoudiger interpretatie waar te nemen [12; 37].

In de literatuur van de afgelopen 15 jaar zijn er twee noemenswaardige kenmerken te duiden. Allereerst kan de manier van veranderingen waarnemen grofweg verdeeld worden in twee klassen [38] waarbinnen overigens nog verschil is tussen de software-matige classificatie en menselijke classificatie om het gewenste resultaat te bereiken [39]:

  • Post-classificatie: gebouwen worden specifiek geclassificeerd waarna veranderingen in de classificatie waargenomen worden;
  • Pre-classificatie: de veranderingen in twee datasets worden eerst waargenomen en vervolgens worden deze veranderingen geclassificeerd.

Een ander kenmerk is dat er inmiddels talloze studies zijn geschreven over veranderingen in de gebouwde omgeving, maar dat dit veelal slechts betrekking had op één aspect hieruit zoals gebouwen [37,40] of vegetatie en bomen [41,42].

Tabel 1. Een overzicht van literatuur en bijbehorende methodiek op het gebied van veranderingen in de gebouwde omgeving

Om inzicht te krijgen in de manier van classificeren van veranderingen in de gebouwde omgeving en welk aspect dit behelst, wordt in tabel 1 een overzicht gegeven [38]. Een saillant detail dat geconstateerd kan worden is dat met name Aziatische auteurs sec gebruikmaken van ALS data zonder deze te combineren met satellietbeelden of kaarten. Gezien de enorme toename van zogeheten megalopolissen – een uitgestrekt stedelijk gebied van aaneengesloten grote steden met tientallen miljoenen inwoners –  in Azië in de afgelopen 20 jaar is dit een logisch gevolg [43]. Methoden om veranderingen in de gebouwde omgeving waar te nemen die gestoeld op 2,5D of 2D verliezen te veel informatie om antwoord te krijgen op urbanisatie vraagstukken. Doordat de studies één aspect belichten, ontbreekt tevens de samenhang van verschillende aspecten die de gebouwde omgeving juist zo kenmerkt [38].

De laatste 5 jaar zijn er enkele ontwikkelingen gaande die ervoor zorgen dat machine learning kan worden ingezet om veranderingen in de gebouwde omgeving waar te nemen. Dit komt enerzijds vanwege de explosieve toename en beschikbaarheid van kwalitatief hoogwaardige data, zoals 3D ALS data, waardoor er geschikte trainingsdata ontstaat. Anderzijds vanwege de toenemende kennis en kunde kunnen algoritmen goed toegepast worden [44].

Figuur 5. Het studiegebied: (a) LiDAR data 2007; (b) LiDAR data 2015 en (c) Google Earth luchtfoto

De casus die besproken wordt betreft een gebied dat gelegen is in het district Leopoldstadt in Wenen en is in figuur 5 uitgelicht. Het gebied is met nog geen 5 km2 betrekkelijk klein, maar door de combinatie van kleine oude gebouwen, moderne hoogbouw, sport en recreatie  en een open gebied is het een goede representatie van een diverse stad. Tevens wordt gesteld dat het een van de meest dynamische delen van de stad is [38].

Figuur 6. De mate van stabiliteit als indicator voor verandering: (a) de stabiliteit in 2007; (b) de stabiliteit in 2015; (c) puntenwolk 2007 om hoogteverschillen te tonen; (d) puntenwolk 2015 om hoogteverschillen te tonen

Hoewel Xu, Vosselman & Oude Elberink [45] tevens het doel hadden veranderingen in de gebouwde omgeving waar te nemen, betroffen de kwalificaties van veranderingen die automatisch konden worden waargenomen van woningen en kantoren slechts ‘’onbekend’’, ‘’onveranderd’’ en ‘’veranderd’’. Door machine learning technieken te voorzien van goede trainingsdata, is het mogelijk veel meer en tevens diepgaander kwalificaties van veranderingen toe te kennen. Opvallend gelet op het feit dat de input data qua nauwkeurigheid van Xu, Vosselman & Elberink [45] met 30 à 40 punten/m2  veel hoger lag dan die van Tran, Ressl & Pfeifer [38] met 10 à 12 punten per m2 terwijl deze datasets temporeel gezien niet veel verschillen. Zonder al te diep in te gaan op de technische kant van de berekeningen, worden op basis van een stabiliteitsformule veranderingen gesignaleerd tussen de twee punten datasets uit 2007 en 2015. Het resultaat hiervan kan worden uitgedrukt in een percentage stabiliteit, waarmee aangegeven wordt in hoeverre punten hetzelfde zijn gebleven. 0% duidt dus op een zekere verandering en 100% op geen verandering, zoals zichtbaar is in figuur 6 [38].

Figuur 7. Verschillen in de gebouwde omgeving van het district Leopoldstadt

De plekken waar veel verandering heeft plaatsgevonden worden als voorbeelddata gebruikt om het systeem slimmer te trainen. De resultaten zijn vervolgens ingezet om voor 2007 bijna 98 miljoen punten en 2015 bijna 118 miljoen punten te classificeren. In figuur 7 wordt inzichtelijk gemaakt waar de verandering heeft plaatsgevonden en welke dit betreft, waarbij in figuur 8 een zij-aanzicht te zien is van de verschillende veranderingen [38]. De resultaten zijn duidelijk zichtbaar en kan voor een ieder dienen als bruikbare informatie over veranderingen van de gebouwde omgeving in het district Leopoldstadt.

Figuur 8. Voorbeelden per classificatie van veranderingen

VOOR- EN NADELEN VAN ALS VOOR HET DETECTEREN VAN VERANDERINGEN IN DE GEBOUWDE OMGEVING

Een eerste uitgangspunt is dat het algemeen geaccepteerd is dat veranderingen waarnemen in de gebouwde omgeving een complex proces is. Vooralsnog is er nog geen enkele benaderingswijze optimaal en generaliseerbaar. Tevens is de mate van automatisering relatief laag te noemen [46]. Hoewel dit reeds 10 jaar geleden geconstateerd werd, zit hier nog steeds een duidelijke kern van waarheid in. Er bestaan namelijk de nodige problemen bij het bepalen van de juiste methode om veranderingen in de gebouwde omgeving waar te nemen. Post classificatie methoden zijn bijvoorbeeld nodig om gedetailleerd veranderingen waar te nemen, meer dan alleen óf er een verandering heeft plaatsgevonden. Parameters als de grootte van het studiegebied en de ruimtelijke resolutie van de datasets spelen een belangrijke rol voor het kiezen van de juiste techniek [47]. Dergelijke variabelen kunnen studieresultaten sterk beïnvloeden. Om de effectiviteit van ALS data te toetsen in relatie tot het vinden van veranderingen in de gebouwde omgeving worden studies vergeleken. Verschil in geografische ligging en tijd zijn belangrijke verschillen in een poging ontwikkelingen op het gebied van data, technieken en kennis zichtbaar te maken.

Figuur 9. Een afbeelding met veranderingen uit een ALS databestand verkregen

In de jaren 90 constateerden Shi & Shibasaki [48] dat het voor dichtbevolkte gebieden in Japan onmogelijk was om nauwkeurige gegevens te verkrijgen om automatisch veranderingen waar te nemen.  Murakami et al. [49] pleitten destijds voor een nieuwe aanpak die op ALS data was gestoeld. Tot die tijd werden conventionele methoden gehanteerd die tijdrovend en kostbaar waren vanwege handmatige interpretatie van veranderingen. Door de komst van ALS data werd het ineens mogelijk om een digitaal oppervlakte model te genereren met een ruimtelijke resolutie van ongeveer 1 m en verticale nauwkeurigheid van 10 cm [50,51]. Vanwege Japanse stedenbouwkundige wetmatigheden in eenheden van 2 m, maakte ALS data het ineens mogelijk om gebouwen duidelijk te onderscheiden waaruit zodoende veranderingen konden worden waargenomen in de stad Minokamo, zoals in figuur 9 te zien is. De witte gedeelten in figuur 8 betreffen gebieden waar de hoogte is toegenomen terwijl grijze gebieden aangeven waar de hoogte is afgenomen.

Enkele jaren later gaan Matikainen et al. [52] een stap verder door na te gaan in hoeverre veranderingen in de gebouwde omgeving automatisch gedetecteerd kunnen worden, met welke nauwkeurigheid dit mogelijk is en bovendien het type verandering te duiden. Een overzicht van de resultaten wordt verkregen in figuur 9. Het studiegebied bevindt zich in Finland ten westen van Helsinki in de gemeente Espoo. De gemiddelde puntendichtheid van de dataset betrof 17 punten per vierkante meter. Merkwaardig is echter dat de data is ingewonnen in mei, waarbij de ene boom wel bladeren heeft en de ander nog niet. In de resultaten van figuur 10  is zichtbaar dat de nauwkeurigheid van grotere gebouwen logischerwijs hoger ligt dan kleinere gebouwen. Hoewel de studie primair geslaagd is in zijn doel, kan het onderscheid in verschillende gebouwen verbeterd worden. Ook ontstaan er fouten bij overlappingen tussen bomen en gebouwen. De eindconclusie is dat er nog onvoldoende methodische kennis aanwezig is om de ALS data ten volle te benutten [52].

Figuur 10. Resultaten van automatische gebouwherkenning (boven) en verandering (onder) van bedrijventerreinen (links), gestapelde woningbouw (midden) en rijwoningen (rechts)

Naast een kennistekort constateren Rutzinger et al. [53] dat de temporele vergelijkbaarheid van ALS data tekortschiet vanwege uiteenlopende factoren zoals vlieghoogte. In tegenstelling tot andere studies, wordt in Innsbruck (Oostenrijk) een vergelijking gemaakt van veranderingen in de gebouwde omgeving in een kort tijdsbestek van 3 maanden in plaats van enkele jaren. Door de tijdspanne te verkleinen, is het beter mogelijk veranderingen in vegetatie waar te nemen maar ook de kleinste voortgang in de sloop of bouw van objecten. De gebruikte data dateert van 2005 en is afkomstig van een discrete return systeem, waardoor verschillen in gebouwen en vegetatie lastig te maken zijn. Een verbeterde methode om vegetatie te herkennen en door gebruik te maken van full-waveform informatie kunnen de resultaten significant verbeterd worden [54].

Figuur 11. Verschil in verkregen nauwkeurigheid van de geteste data

Met de opkomst van full-waveform LiDAR systemen krijgt ALS data veel gedetailleerder en aanvullende informatie over de structuur van het gemeten oppervlak. De aanvullende informatie dragen bij aan een verbeterd algoritme om gebouwen, grond en vegetatie te classificeren zoals te zien is in figuur 11. Aan de hand van de studiegebieden Biberach (Duitsland) en Le Brusquet (Frankrijk) wordt dit zichtbaar gemaakt. Het directe nadeel daarvan is echter weer dat een geavanceerder algoritme meer kennis vereist voor een juiste toepassing [55].

Tabel 2. Een overzichtsmatrix met de nauwkeurigheid van de classificatieresultaten van de datasets uit 2007 en 2015.

Tran, Ressl & Pfeifer [38] laten zien dat een geavanceerder algoritme in de vorm van machine learning kan zorgen voor een flexibel systeem, waarbij in één stap de classificatie van objecten en de desbetreffende veranderingen kunnen worden doorlopen voor twee datasets uit 2007 en 2015. In tabel 2 is een overzicht zichtbaar van deze resultaten. Hierin is te zien dat machine learning bij onveranderde grond (UG) meer dan 95% nauwkeurigheid behaalt, zelfs hoger dan het optimum van Mallet et al. [55]. Hoewel de klassen onveranderde gebouwen (UB), gesaneerd gebouw (LB), nieuw gebouw (NB) en veranderde grond (CG) voor de dataset van 2015 boven de 90% nauwkeurigheid scoren, scoort de klasse nieuwe bomen (NT) met 56,5% relatief laag. Aan de hand van figuur 12 wordt een verklaring hiervoor gegeven. Nieuwe bomen groeien hard en de vorm van bestaande bomen verandert, maar het algoritme herkent dit niet. Zo is te zien dat de nieuwe boom als onveranderde boom wordt herkend.

Figuur 12. Nieuwe bomen zijn gepland op dezelfde locatie als waar de oude bomen stonden, waarbij (a) de puntenwolk voor 2007 en 2015 te zien is en (b) de geclassificeerde veranderingen

Hieruit komt des te meer naar voren dat trainingsdata essentieel is. Echter heeft de trainingsdata bijna een maand werk gekost voor ruim 33 ha. Desalniettemin moeten op dit moment manuren gestoken worden in de ontwikkeling van de trainingsdata anders leidt dit tot een zeer beperkte nauwkeurigheid. Zeker in de context van een complexe stedelijke omgeving met een enorme variëteit van objecten blijft dit misschien wel de grootste uitdaging [38].

DISCUSSIE EN CONCLUSIE MET TOEKOMSTPERSPECTIEVEN

Dit onderzoek gaat kort in op de basisprincipes van Airborne Laser Scanning en er wordt uitgelegd hoe 3D data verkregen kan worden. Ook wordt kenbaar gemaakt welke voordelen dit biedt ten aanzien van 2D satellietbeelden, specifiek voor de toepassing om veranderingen in de gebouwde omgeving zichtbaar te maken. Met name de ontwikkeling op het gebied van de puntdichtheid van de ingewonnen data speelt een belangrijke rol in de mogelijkheden hiertoe. Daarbij zijn puntenwolken die ingewonnen zijn door middel van een full-waveform systeem veelal bruikbaarder dan van een discrete return systeem.

Een opvallend fenomeen van studies in de afgelopen 15 jaar is dat vrijwel elke studie een eigen methode voorstelt om veranderingen in de gebouwde omgeving waar te nemen. De nauwkeurigheid neemt weliswaar met de jaren toe, maar tot op heden is niemand nog in staat zijn resultaten op een veel groter schaalniveau dan een klein deel van een stad te verifiëren dan wel te generaliseren. Ook lopen de resultaten in veranderingen wat betreft gebouwen, grond en vegetatie mank. Verdere integratie en verfijning van de resultaten zijn daarom wenselijk om Airborne Laser Scanning als de nieuwe standaard te laten fungeren om veranderingen in de gebouwde omgeving waar te nemen en te monitoren.

Toekomstige ontwikkelingen liggen in lijn met het wegnemen van bovengenoemde beperkingen. Automatisering speelt daarin een cruciale rol, zowel van het inwinnen van de data en de verwerking ervan. Het gebruik van machine learning is een goed voorbeeld waardoor real-time toepassingen binnen handbereik komen te liggen. Hoewel het verkrijgen van trainingsdata nog relatief veel manuren kost, kan de generaliseerbaarheid, en daarmee de automatisering, van onderzoeksresultaten worden verbeterd door onder andere:

  • Een eenduidiger methode te ontwikkelen;
  • Trainingsdata tussen onderzoekers uit te wisselen, ook vanuit andere disciplines zoals bosbouw die de data verrijkt;
  • Opzettelijk op zoek te gaan naar uitzonderingssituaties, zoals het herkennen van een groene gevel of auto’s die geparkeerd staan bovenop een dak, aangezien hier de meeste winst in nauwkeurigheid te behalen valt;
  • Per land of continent datasets ontwikkelen, aangezien de ruimtelijke ordening, architectuur en stedenbouw karakteristiek zijn en ten grondslag liggen aan eventuele veranderingen in de gebouwde omgeving.

 LITERATUUR

  • Lugari, A. Active and passive remote sensing techniques and artificial neural networks in support of building seismic vulnerability assessment. PhD programme, Tor Vergata University, Rome, July 2014. DOI: 10.13140/2.1.2200.7682
  • Reutebuch, S.; Anderson, H-E.; McGaughey, B. Light detection and ranging (LIDAR): An emerging tool for multiple resource inventory. Journal of Forestry 2005, 6, 286-292.
  • Corona, P.; Cartisano, R.; Salvati, R.; Chirici, G.; Floris, A.; Di Martino, P.; Marchetti, M.; Scrinzi, G.; Clementel, F.; Travaglini, D.; Torresan, C. Airborne Laser Scanning to support forest resource management under alpine, temperate and Mediterranean environments in Italy. European Journal of Remote Sensing 2012, 45, 27-37. DOI: 10.5721/EuJRS20124503
  • Baltsavias, E. Airborne laser scanning: existing systems and firms and other resources. ISPRS Journal of Photogrammetry & Remote Sensing 1999, 54, 164-198. DOI: https://doi.org/10.1016/S0924-2716(99)00016-7
  • Yu, X.; Hyyppä, J.; Holopainen, M. & Vastaranta, M. Comparison of area-based and individual tree-based methods for predicting plot-level forest attributes. Remote Sens. 2010, 2, 1481-1495. DOI: 10.3390/rs2061481
  • Carter, J.; Schmid, K.; Waters, K.; Betzhold, L.; Hadley, B.; Mataosky, R.; Halleran, J. Lidar 101: an introduction to lidar technology, data, and applications. National Oceanic and Atmospheric Administration (NOAA) Coastal Services Center, USA, 2012; pp. 1-76.
  • Curescu, C.; Spilca, M. Aerial and terrestrial lidar equipments for land measurements. Research Journal of Agricultural Science 2009, 3, 43-49.
  • Ackermann, F. Airborne laser scanning – present status and future expectations. ISPRS Journal of Photogrammetry and Remote Sensing 1999, 2, 64-67. DOI: https://doi.org/10.1016/S0924-2716(99)00009-X
  • Geist, T.; Lutz, E.; Stötter, J. Airborne laser scanning technology and its potential for applications in glaciology. International Archives of Photogrammetry, Remote Sensing & Spatial Information Science 2003, 3, 101-106.
  • Shan, J.; Toth, K. Topographic Laser Ranging and Scanning: Principles and Processing, 2nd; CRC Press: Boca Raton, USA, 2018; pp. 1-638.
  • Wehr, A.; Lohr, U. Airborne laser scanning – an introduction and overview. ISPRS Journal of Photogrammetry and Remote Sensing 1999, 54, 68-82. DOI: https://doi.org/10.1016/S0924-2716(99)00011-8
  • Vosselman, G. Analysis of planimetric accuracy of airborne laser scanning surveys. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Science 2008, 37, 99-104.
  • Clode, S.; Kootsookos, P.; Rottensteiner, F. Accurate building outlines from ALS data. In proceedings 12th Australasian Remote Sensing and Photogrammetry Conference, Austrialia, 2004, October 18-22.
  • Sohn, G.; Downman, I. Data fusion of high-resolution satellite imagery and LiDAR data for automatic building extraction. ISPRS Journal of Photogrammetry and Remote Sensing 2007, 62, 43-63. DOI: 1016/j.isprsjprs.2007.01.001
  • Brenner, C. Building reconstruction from images and laser scanning. International Journal of Applied Earth Observation and Geoinformation 2005, 6, 187-198. DOI: https://doi.org/10.1016/j.jag.2004.10.006
  • Rottensteiner, F. Automatic generation of high-quality building models from LIDAR data. IEEE Computer Graphics & Application 2003, 23, 42-50. DOI: 1109/MCG.2003.1242381
  • Matikainen, L.; Hyyppä, J.; Hyyppä, H. Automatic detection of building from laser scanner data from map updating. International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences 2003, 34, 218-224.
  • Vosselman, G.; Gorte, B.; Sithole, G.; Rabbani, T. Recognising structure in laser scanner point clouds. International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences 2004, 46, 33-38.
  • Vu, T.; Matsuoka, M.; Yamazaki, F. LIDAR-based change detection of buildings in dense urban areas. In: Proceedings IEEE International Geoscience and Remote Sensing Symposium, 2004.
  • Lim, K.; Treitz, P.; Wulder, M.; St-Onge, B.; Flood, M. LiDAR remote sensing of forest structure. Progress in Physical Geography. 2003, 27, 88-106. DOI: https://doi.org/10.1191/0309133303pp360ra
  • Ferraz, A.; Bretar, F.; Jacquemoud, S.; Goncalves, G. The role of lidar systems in fuel mapping. INESC Coimbra: Coimbra, Portugal, 2009; pp. 1-37.
  • Diaz, J. Lifting the canopy veil: airborne LiDAR for archeology of forested areas. Imaging Notes Magazine 2001, 26, 31-34.
  • Gatziolis, D.; Andersen, H-E. A guide to lidar data acquisition and processing for the forests of the pacific northwest. USDA: Anchorage, 2008; pp. 1-40. DOI: https://doi.org/10.2737/PNW-GTR-768
  • Wagner, W.; Hollaus, M.; Briese, C.; Ducic, V. 3D vegetation mapping using small-footprint full-waveform airborne laser scanners. International Journal of Remote Sensing 2008, 29, 1433-1452. DOI: https://doi.org/10.1080/01431160701736398
  • Lemmens, M. Airborne Lidar Sensors. GIM International 2009, 2, 16-19.
  • Mallet, C.; Bretar, F. Full-waveform topographic lidar: state-of-the-art. ISPRS Journal of Photogrammetry and Remote Sensing 2009, 64, 1-16. DOI: https://doi.org/10.1016/j.isprsjprs.2008.09.007
  • Wulder, M.; White, J.; Nelson, R.; Naesset, E.; Orka, H.; Coops, N.; Hilker, T.; Bater, C.; Gobakken, T. Lidar sampling for large-area forest characterization: a review. Remote Sensing of Environment 2012, 121, 196-209. DOI: https://doi.org/10.1016/j.rse.2012.02.001
  • Van Leeuwen, M.; Nieuwenhuis, M. Retrieval of forest structural parameters using LiDAR remote sensing. Eur J Forrest Res 2010, 129, 749-770. DOI: https://doi.org/10.1007/s10342-010-0381-4
  • Alexander, C.; Smith-Voysey, S.; Jarvis, C.; Tansey, K. Integrating building footprints and LiDAR elevation data to classify roof structures and visualize buildings. Environ. Urban Syst. 2009. 33, 285-292.
  • Tran, G.; Nguyen, D.; Milenkovic, M.; Pfeifer, N. Potential of full waveform airborne laser scanning data for urban area classification – transfer of classification approaches between missions. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences 2015. 47, 1317-1323. DOI: 5194/isprsarchives-XL-7-W3-1317-2015
  • Balenovic, I.; Alberti, G.; Marjanovic, H. Airborne Laser Scanning – the Status and Perspectives for the Application in the South-East European Forestry. South-East Eur For. 2013, 4, 59-79. DOI: 0.15177/seefor.13-07
  • Nex, F.; Rinaudo, F. Multi-image matching: an ‘’old and new’’ photogrammetric answer to lidar techniques. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences 2008, 47, 621-626.
  • Gajski, D. Osnove laserkog skerniranja iz zraka. Ekscentar 2007, 10, 16-22. DOI: https://doi.org/10.3390/s18020448
  • Lu, D.; Mausel, P.; Brondizio, E.; Moran, E. Change detection techniques. J. Remote Sens. 2004, 25, 2365-2401. DOI: https://doi.org/10.1080/0143116031000139863
  • Chen, G.; Zhao, K.; Powers, R. Assessment of the image misregistration effects on object-based change detection. ISPRS Journal of Photogrammetry and Remote Sensing 2014, 87, 19-27. DOI: https://doi.org/10.1016/j.isprsjprs.2013.10.007
  • Waser, L.; Baltsavias, E.; Ecker, K.; Eisenbeiss, H.; Feldmeyer-Christe, E.; Ginzler, C.; Küchler, M.; Zhang, L. Assessing changes of forest area and shrub encroachment in a mire ecosystem using digital surface models and CIR aerial images. Remote Sensing of Environment 2008, 112, 1956-1968. DOI: https://doi.org/10.1016/j.rse.2007.09.015
  • Matikainen, L.; Hyyppä, J.; Ahokas, E.; Markelin, L.; Kaartinen, H. Automatic detection of buildings and changes in buildings for updating of maps. Remote Sens. 2010, 2, 1217-1248. DOI: https://doi.org/10.3390/rs2051217
  • Tran, T.; Ressl, C. & Pfeifer, N. Integrated change detection and classification in urban areas based on airborne laser scanning point clouds. Sensors, 2018, 18, 448. DOI: https://doi.org/10.3390/s18020448
  • Sathya, R.; Abraham, A. Comparison of supervised and unsupervised learning algorithms for pattern classification. International Journal of Advanced Research in Artificial Intelligence 2013, 2, 34-38. DOI: 10.14569/IJARAI.2013.020206
  • Altuntas, C. Urban area change detection using time series aerial images. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences 2018, 42, 29-34. DOI: https://doi.org/10.5194/isprs-archives-XLII-2-29-2018
  • Bijker, W.; Ardilla, J.; Tolpekin, V. Change detection and uncertainty in fuzzy tree crown objects in an urban environment. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences 2010, 38, 1-6.
  • Zhou, J.; Yu, B.; Qin, J. Multi-level spatial analysis for change detection or urban vegetation at individual tree scale. Remote Sens. 2014, 6, 9086-9103.
  • Arellano, B.; Roca, J. Megalopolis: an essay for the identification of the world urban mega-structures. In proceedings of the 55th European Regional Science Assosiation, Lisbon, Portugal, 27th August 2015. Universitat Politechina De Catalunya: Barcelona, Spain, 2015.
  • Jordan, M.; Mitchell, T. Machine learning: trends, perspectives, and prospects. Science 2015, 349, 255-260. DOI: 10.1126/science.aaa8415
  • Xu, S.; Vosselman, G.; Oude Elberink, S. Detection and classification of changes in buildings from airborne laser scanning data. Remote Sens. 2015, 7, 17051-17076. DOI: https://doi.org/10.3390/rs71215867
  • Jianya, G.; Haigang, S.; Guorui, M.; Qiming, Z. A review of multi-temporal remote sensing data change detection alhorithms. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences 2008, 38, 757-762.
  • Mishra, S.; Shrivastava, P.; Dhurvey, P. Change detection techniques in remote sensing: a review. International Journal of Wireless and Mobile Communication for Industrial Systems 2017, 4, 1-8. DOI: http://dx.doi.org/10.21742/ijwmcis.2017.4.1.01
  • Shi, Z.; Shibasaki, R. Application of wavelet transform based image segmentation and stereo matching for automated house detection from aerial photograph. Journal of the Japan Society of Photogrammetry and Remote Sensing 1995, 34, 36-44. DOI: doi.org/10.4287/jsprs.34.5_36
  • Murakami, H.; Nakagawa, K.; Hasegawa, H.; Shibata, T.; Iwanami, E. Change detection of buildings using an airborne laser scanner. ISPRS Journal of Photogrammetry & Remote Sensing 1999, 54, 148-152. DOI: https://doi.org/10.1016/S0924-2716(99)00006-4
  • Ackermann, F. Airborne laser scanning for elevation models. GIM International Journal for Geomatics 1996, 10, 24-25.
  • Lohr, U. Laserscan DEM for various applications. International Archives of Photogrammetry and Remote Sensing 1998, 32, 353-356.
  • Matikainen, L.; Hyyppä, J.; Kaartinen, H. Automatic detection of changes from laser scanner and aerial image data for updating building maps. Arch. Photogramme. Remote Sens. Spat. Inf. Sci. 2004, 35, 434-439.
  • Rutzinger, M.; Rüf, B.; Höfle, B.; Vetter, M. Change detection of building footprints from airborne laser scanning acquired in short time intervals. Proceedings of the ISPRS Technical Commission VII Symposium, Vienna, Austria, 5-7 July 2010.
  • Rutzinger, M.; Höfle, B.; Hollaus, M.; Pfeifer, N. Object-based point cloud analysis of full-waveform airborne laser scanning data for urban vegetation classification. Sensors 2008, 8, 4505-4528.
  • Mallet, C.; Bretar, F.; Roux, M.; Soergel, U.; Heipke, C. Relevance assessment of full-waveform lidar data for urban area classification. ISPRS Journal of Photogrammetry and Remote Sensing 2011, 66, 71-84.