Fotogrametria UAV — od nalotu do produktu pomiarowego

Fotogrametria UAV odtwarza geometrię sceny z wielu nakładających się obrazów i wiąże ją z układem współrzędnych. Dron jest tylko nośnikiem sensora; dokładność produktu powstaje z całego łańcucha: specyfikacji, geometrii nalotu, kamery i czasu ekspozycji, pozycji środków rzutów, punktów kontrolnych, algorytmu bundle adjustment, modelu powierzchni, ortorektyfikacji oraz niezależnej kontroli. Niski GSD nie gwarantuje małego błędu położenia, tak jak duża liczba zdjęć nie kompensuje słabej geometrii.

Produkt należy zdefiniować przed startem. Ortofotomapa, chmura punktów, DSM, DTM, siatka 3D, objętość hałdy i model elewacji elewacji budynku wymagają innych ujęć, kontroli i kryteriów. Jeżeli celem jest pomiar, raport musi rozdzielić rozdzielczość, precision/repeatability i accuracy względem niezależnego odniesienia.

Spis treści#

Produkty i wymagania
Model kamery
GSD
GSD a dokładność
Overlap i sidelap
Geometria blokowa
Nadir, oblique i cross-grid
Wysokość nad terenem
Prędkość, ekspozycja i motion blur
Rolling shutter
Ostrość, przysłona i ISO
Kalibracja geometryczna kamery
Stabilność i temperatura
Geotag, RTK i PPK
Lever arm i synchronizacja
GCP i checkpoints
Rozmieszczenie punktów
Układ odniesienia i wysokości
Tie points i SfM
Bundle adjustment
Dense cloud i mesh
DSM, DTM i klasyfikacja
Ortofotomapa
Objętości i przekroje
Kontrola jakości
RMSE, bias i percentyle
Błędy przestrzenne
Powtarzalne kampanie
OpenDroneMap
Archiwizacja i provenance
Minimalna procedura terenowa
Typowe błędy

Produkty i wymagania#

Najczęstsze produkty:

orthomosaic — obraz zredukowany do zadanej geometrii mapowej;
sparse/dense point cloud — punkty 3D z kolorem i jakością;
DSM — wysokość widocznej powierzchni: gruntu, roślin, dachów;
DTM — model terenu po klasyfikacji/usunięciu obiektów;
mesh/textured model — powierzchnia 3D, ważna przy elewacjach/obiektach;
contours/cross-sections — produkty wyprowadzone z wysokości;
volume — różnica powierzchni względem base plane/surface;
change map — różnica dwóch epok po poprawnej coregistration;
reflectance mosaic — produkt radiometryczny z kamery multispektralnej.

Specyfikacja powinna zawierać:

area + CRS + vertical datum + target GSD + horizontal/vertical accuracy
+ completeness + output format + temporal requirement + QA method

Wymaganie „ortofoto 2 cm” jest niejednoznaczne: może oznaczać pixel size 2 cm, nie accuracy 2 cm. Trzeba podać RMSE/inną miarę, liczbę i niezależność checkpoints, treatment outliers, obszary low confidence i sposób raportowania.

Aktualne standardy ASPRS 2024 definiują klasy i metody raportowania positional accuracy dla danych geoprzestrzennych, w tym dodatki dotyczące UAS.[1] W projekcie należy stosować dokładną wersję standardu i nie mieszać reguł z wydaniem 2014/2023.

Model kamery#

W idealnym modelu pinhole punkt 3D jest rzutowany:

x = f X/Z
y = f Y/Z

W praktyce dochodzą:

principal point;
focal length w pikselach/mm;
radial distortion k1, k2, k3...;
tangential/decentering distortion p1, p2...;
affinity/skew;
rolling shutter;
refraction/port w kamerach specjalnych;
crop/digital stabilization;
zmiana focus/zoom/temperature.

Interior orientation opisuje kamerę, exterior orientation — pozycję i orientację każdego zdjęcia. Bundle adjustment estymuje część tych wielkości z tie points i kontroli.

Kamera nie musi być „metryczna”, ale musi być stabilna i kalibrowalna dla wymaganej dokładności. USGS wskazuje, że konsumenckie/nonmetric cameras mogą dawać dobre wyniki, o ile calibration, control i QA są właściwe.[2]

GSD#

Przy przybliżeniu nad płaskim terenem:

GSD = H · p / f

gdzie:

H — wysokość kamery nad powierzchnią;
p — physical pixel pitch sensora;
f — ogniskowa w tych samych jednostkach.

Jeśli używa się szerokości sensora S_w oraz szerokości obrazu N_w:

p = S_w / N_w
GSD = H · S_w / (f · N_w)

Przykład: H=100 m, pixel pitch 2.4 µm, f=8.8 mm:

GSD ≈ 100 · 2.4e-6 / 8.8e-3 = 0.0273 m/pixel

czyli około 2,7 cm/pixel w centrum, przed uwzględnieniem relief, tilt i distortion.

GSD zmienia się z terenem. Lot na stałej wysokości MSL nad zboczem daje różny GSD i overlap. Oblique imagery ma zmienne GSD w jednym zdjęciu.

GSD a dokładność#

GSD jest sampling distance, nie błędem pozycji. Accuracy zależy od:

geometrii promieni;
tie-point localization;
kalibracji;
texture i blur;
GCP/checkpoint accuracy;
geotag accuracy i weighting;
terrain/occlusion;
block deformation;
CRS/vertical transform;
processing settings.

Produkt może mieć GSD 2 cm i absolute vertical RMSE 10 cm lub więcej. Z drugiej strony feature localization może być subpixel w dobrych warunkach, ale nie usuwa systematycznych błędów bloku.

Raport powinien podawać pixel size osobno od horizontal/vertical errors. Nie wolno opisywać „dokładność 2 cm”, jeśli zmierzono tylko rozmiar piksela.

Overlap i sidelap#

Forward overlap to pokrycie kolejnych zdjęć w linii; sidelap — sąsiednich linii. Minimalne wartości zależą od sceny, wysokości, kamery, blur, roślinności i produktu. Typowe praktyki używają dużego nakładania, lecz nie ma jednej pary procentów gwarantującej wynik.

Większy overlap:

zwiększa liczbę obserwacji tie point;
poprawia redundancję i geometryczne połączenie;
pomaga przy maskach/occlusions;
zwiększa liczbę zdjęć, czas i rolling-shutter correlation;
może nie naprawić słabej geometrii wszystkich ujęć nadir.

Plan należy liczyć z rzeczywistego footprint i wysokości nad powierzchnią. W zakrętach, przy bocznym wietrze i różnicy elevation rzeczywiste pokrycie odbiega od planu.

OpenDroneMap zaleca planowanie overlap odpowiednio do wysokości i sceny oraz podkreśla jakość GCP względem GSD.[3] Należy jednak dobrać parametry do własnego produktu i zweryfikować coverage w terenie.

Geometria blokowa#

Silny blok ma:

wiele promieni przecinających punkt pod różnymi kątami;
linie powiązane tie points;
kontrolę na brzegach i w różnej elevation;
brak długich obszarów bez texture;
zdjęcia łączące oddzielne części;
odpowiednią liczbę obserwacji każdego punktu;
orientacje rozdzielające parametry kamery od deformacji bloku.

Sam nadir grid ma słabą geometrię dla elewacji pionowych i może sprzyjać „doming/bowl” przy nieprawidłowej self-calibration. Cross-grid oraz oblique images zwiększają diversity orientation.

Quality report powinien pokazywać:

number of calibrated images;
keypoints/matches;
rays per point;
reprojection error;
camera uncertainty;
spatial distribution tie points;
areas with few views;
GCP/checkpoint residuals.

Niski reprojection error nie gwarantuje absolute accuracy; blok może być wewnętrznie spójny, lecz zniekształcony/globalnie przesunięty.

Nadir, oblique i cross-grid#

Nadir jest efektywny dla ortofoto i powierzchni poziomych. Oblique poprawia boczne elewacje i geometrię 3D, ale komplikuje GSD i occlusion. Cross-grid dodaje linie pod drugim kierunkiem, pomagając kalibracji i redukując kierunkową słabość.

Obiekty wysokie wymagają:

większego sidelap;
marginesu poza obszarem;
ujęć oblique w różnych azimuth;
uwzględnienia zasłaniania;
bezpiecznej odległości od obiektu;
kontroli na wielu wysokościach, jeśli wymagana jest geometryczna wierność fasady.

Nie należy zmieniać gimbal angle losowo. Plan orientacji powinien dawać coverage i angles intersection zgodne z produktem.

Loty cross-grid wydłużają czas i zmieniają oświetlenie. Przy change detection różnica cieni między seriami może utrudnić matching i interpretację.

Wysokość nad terenem#

Stałe AGL pomaga utrzymać GSD/overlap. Terrain following wymaga wiarygodnego modelu terenu i bezpiecznego clearance. Model planistyczny może nie zawierać nowych obiektów, drzew czy linii.

Plan wysokości uwzględnia:

najwyższy punkt;
regulatory/geofence;
wymagany GSD;
focal length i sensor;
terrain relief;
obstacle clearance;
wind i endurance;
RTK/GNSS quality;
shutter/blur.

W dolinie fixed-wing może nie utrzymać natychmiastowej zmiany AGL. Trzeba sprawdzić climb/descent performance i turning radius.

Jeśli terrain following nie jest dostępne, można podzielić obszar na bloki wysokościowe i połączyć je z odpowiednią zakładką/kontrolą.

Prędkość, ekspozycja i motion blur#

Przemieszczenie obrazu na matrycy w czasie ekspozycji można przybliżyć w ground pixels:

blur_px ≈ v_ground · t_exp / GSD

Dla v=10 m/s, t=1/500 s, GSD=0.025 m/px:

blur ≈ 10 · 0.002 / 0.025 = 0.8 px

To już istotna wartość dla sharp tie points. Należy doliczyć ruch kątowy/gimbal vibration.

Prędkość dobiera się tak, aby:

ekspozycja zamrażała ruch;
trigger interval dawał forward overlap;
kamera zapisywała obrazy bez buffer overflow;
FC utrzymywał linię w wietrze;
platforma nie przekraczała obwiedni.

Auto exposure może wydłużyć czas nad ciemnym obszarem i stworzyć lokalny spadek jakości. Ustawienia powinny mieć limity lub manual control, a metadata zawierać exposure/ISO/aperture.

Rolling shutter#

Rolling shutter odczytuje kolejne wiersze w różnym czasie. Przy ruchu translacyjnym/kątowym geometria obrazu nie odpowiada jednemu centralnemu rzutowi. Skutek rośnie z readout time, rate, wysokością/GSD i słabą stabilizacją.

Środki zaradcze:

global shutter;
krótszy readout/odpowiedni tryb sensora;
mniejsza prędkość i rates;
stabilny gimbal/mount;
rolling-shutter model w bundle adjustment;
dokładny timestamp i trajectory;
cross-grid/oblique geometry;
validation w representative dynamics.

Krótki czas ekspozycji nie usuwa rolling shutter — zamraża każdy wiersz, ale wiersze nadal mają różne chwile.

Electronic image stabilization/cropping może zmieniać intrinsics między klatkami i jest zwykle niepożądane dla metrycznej fotogrametrii.

Ostrość, przysłona i ISO#

Ostrość zależy od:

focus distance i stabilności;
aperture/diffraction;
lens field curvature;
motion/vibration;
JPEG sharpening/compression;
haze i atmosphere;
sensor sampling.

Ustaw focus i zablokuj, jeśli kamera pozwala. Autofocus może wybrać inną płaszczyznę lub zmieniać intrinsics. Zoom również powinien być stały.

Wysokie ISO zwiększa noise i zmniejsza texture quality; zbyt długi shutter zwiększa blur. Aperture dobiera się pod sharpness i depth, nie tylko exposure.

Przed nalotem wykonuje się test sharpness w centrum i narożach oraz serię przy realnym ruchu. Miniatura na ekranie nie ujawnia 1–2 px blur.

Kalibracja geometryczna kamery#

Opcje:

laboratoryjna pre-calibration;
in-situ calibration field;
self-calibration w projekcie;
hybrid: prior + adjustment.

Self-calibration potrzebuje różnorodnej geometrii. Jeśli wszystkie zdjęcia są nadir na płaskim terenie, focal length/distortion mogą korelować z wysokością i deformacją powierzchni.

USGS zaleca zwracać uwagę na GCP distribution, cross-validation i calibration geometry; wytyczne obejmują również test ranges, optimal flight patterns i metadata.[2]

Raport kalibracji:

camera/lens/serial;
resolution/crop;
focus/zoom/aperture;
model distortion;
parameter values/covariance;
dataset geometry;
residual spatial pattern;
date/temperature;
software/version;
valid conditions.

Nie kopiuj kalibracji z innego egzemplarza tylko na podstawie modelu handlowego.

Stabilność i temperatura#

Kamera konsumencka może zmieniać intrinsics z temperaturą, focus i naprężeniem mountu. Stabilność sprawdza się przez powtarzalne kalibracje:

cold/warm;
różne dni;
po uderzeniu/serwisie;
przed/po zmianie focus;
przy representative vibration.

Różnice porównuje się z uncertainty parametrów i wpływem na product accuracy. Jeśli parameter drift jest istotny, stosuje się osobne profile lub in-situ calibration.

Mount powinien być sztywny względem GNSS/IMU, ale izolować wysokie drgania zgodnie z projektem. Luźny gimbal powoduje zmienny boresight/lever arm.

Zdjęcia po starcie mogą być wykonywane po thermal stabilization, jeśli proces kamery tego wymaga.

Geotag, RTK i PPK#

Pozycja kamery może pochodzić z:

standalone GNSS;
onboard RTK;
PPK po locie;
trajectory GNSS/INS;
interpolation flight log;
GCP-only control.

RTK/PPK poprawia exterior position priors, ale nie eliminuje:

błędów czasu;
lever arm;
wrong antenna height;
camera calibration;
rolling shutter;
block deformation;
vertical datum error;
multipath/fix ambiguity;
potrzeby niezależnych checkpoints.

Każdy geotag powinien mieć quality/covariance. Fixed RTK i float nie mogą mieć tych samych wag. PPK wymaga poprawnej bazy/ephemeris, czasu i antenna phase-center.

Direct georeferencing bez GCP może być produkcyjnie użyteczne, ale validation nadal wymaga niezależnej kontroli terenowej, jeśli deklaruje się absolute accuracy.

Lever arm i synchronizacja#

GNSS antenna mierzy swój phase center, a obraz dotyczy projection center kamery. Transformacja:

r_camera_world = r_antenna_world + R_body_to_world · lever_arm_body

Przy obrocie błąd lever arm zmienia się kierunkowo. Boresight określa orientację kamery względem body/INS.

Błąd czasu Δt daje przybliżony błąd pozycji v·Δt i orientacji ω·Δt. Dla 15 m/s, 20 ms oznacza 0,3 m różnicy środków rzutów przed adjustment.

Trigger powinien mieć hardware timestamp albo zmierzoną latency. Polecenie „take photo” nie jest chwilą mid-exposure. Kamera może mieć shutter lag i zmienny buffering.

Kalibracja lever arm/boresight/time offset wymaga dynamicznych danych i niezależnego odniesienia; te parametry mogą być skorelowane.

GCP i checkpoints#

GCP uczestniczy w adjustment/georeferencing. Checkpoint jest niezależny i służy do oceny produktu. Punkt nie może być jednocześnie control i niezależnym check w tym samym rozwiązaniu.

Każdy punkt ma:

identifier;
współrzędne i CRS/datum;
method/instrument;
uncertainty/quality;
target photo;
image measurements;
role GCP/check;
time/condition;
raw observation/reference.

USGS podkreśla, że quality punktów ogranicza ocenianą accuracy i że GCP powinny być dobrze rozłożone planimetrycznie oraz wysokościowo. Wskazuje też cross-validation, gdy pełna liczba niezależnych punktów jest trudna do uzyskania.[2]

Cross-validation punktów jest lepsze niż raportowanie residual GCP jako accuracy, ale nie zastępuje w pełni przestrzennie niezależnych checkpoints, jeśli istnieją systematic block effects.

Rozmieszczenie punktów#

Zasady geometryczne:

brzegi i narożniki;
wnętrze bloku;
różne elevations;
obie strony przerw/obiektów;
poza linią prostą;
widoczność w wielu zdjęciach;
brak ruchomych/niestabilnych powierzchni;
targets odpowiednio duże względem GSD;
checks reprezentujące cały obszar i klasy terenu.

Punkty skupione przy starcie mogą dać dobre lokalne residuals i duże błędy na odległym brzegu. USGS data releases wskazują, że accuracy przy krawędziach degraduje przy braku control/overlap oraz niekorzystnym kącie zdjęć w zakrętach.[4]

Target powinien mieć wyraźny center, kontrast i rozmiar kilku-kilkunastu pikseli zależnie od metody. Zbyt mały jest niejednoznaczny, zbyt duży utrudnia center measurement/transport.

Checkpoints nie powinny być wybierane po obejrzeniu błędów; to selection bias.

Układ odniesienia i wysokości#

Należy jawnie rozdzielić:

geographic vs projected CRS;
ellipsoidal height;
orthometric height;
geoid model;
local site datum;
units/meters/feet;
epoch/datum realization;
axis order.

GNSS często daje height nad ellipsoid, a mapa wymaga orthometric height:

H_orthometric = h_ellipsoidal - N_geoid

Znak i definicja N muszą odpowiadać modelowi. Błąd geoid/datum może dać stały vertical offset, którego bundle adjustment nie naprawi logicznie.

Wszystkie GCP, geotagi, output i checkpoints transformuje się kontrolowanym pipeline z zapisanym EPSG/grid/epoch. Ręczne mieszanie współrzędnych z różnych aplikacji jest częstym źródłem błędów.

Przed processing wykonuje się sanity plot punktów i porównanie znanych odległości/elevation.

Tie points i SfM#

Structure from Motion typowo:

wykrywa features;
opisuje descriptors;
matchuje pary zdjęć;
filtruje geometrycznie outliers;
inicjalizuje kamery/punkty;
rozwija sparse reconstruction;
wykonuje bundle adjustment.

Matching powinien korzystać z planu sąsiedztwa/geotag, ale nie ograniczać się tak mocno, by utracić cross-lines. Repetitive texture, woda, roślinność i ruchome obiekty generują fałszywe matches.

Tie point quality ocenia się przez:

track length;
reprojection residual;
intersection angle;
spatial distribution;
number of views;
robustness across image pairs.

Woda i jednolite dachy mogą nie generować geometrii mimo obecności pikseli w ortofoto. Completeness mask jest konieczna.

Bundle adjustment#

Bundle adjustment minimalizuje reprojection errors, jednocześnie estymując exterior orientations, 3D points i często camera parameters:

min Σ ρ(||x_ij - project(P_i, X_j, θ)||² / σ²)

ρ może być robust loss. Wagi zdjęć/GCP/geotags powinny odpowiadać uncertainty. Nadmiernie małe sigma RTK zmusza model do środków rzutów, które mogą mieć time/lever-arm errors.

Należy monitorować:

condition/correlations;
parameter bounds;
residual patterns w obrazie;
GCP residuals w XYZ;
check residuals oddzielnie;
camera uncertainty;
rejected observations;
scale/orientation constraints.

Niskie RMS reprojection może powstać przez overfitting intrinsics. Porównanie niezależnych checks i stability calibration jest ważniejsze.

Po adjustment nie należy usuwać punktów tylko dlatego, że mają duży residual, bez terenowej/measurement investigation. Outlier policy jest ustalona przed final QA.

Dense cloud i mesh#

Dense matching wyznacza depth dla wielu pikseli. Parametry quality/filtering wpływają na:

density;
noise;
holes;
thin structures;
vegetation;
compute/memory.

Więcej punktów nie oznacza większej accuracy. Miliony skorelowanych punktów z jednej pary obrazów nie są milionem niezależnych pomiarów.

Cloud QA:

density map;
view count;
confidence;
distance to checkpoints/reference surfaces;
noise na płaskich powierzchniach;
completeness;
duplicate surfaces;
edge artifacts;
coordinate precision/scale.

Mesh triangulates cloud; smoothing może usuwać realne detale lub tworzyć pozorną ciągłość przez holes. Parametry mesh muszą być częścią provenance.

DSM, DTM i klasyfikacja#

DSM reprezentuje górną widoczną powierzchnię. DTM wymaga klasyfikacji ground i interpolacji pod roślinnością/obiektami. RGB SfM nie „widzi” gruntu przez gęstą koronę; DTM w tym miejscu jest modelem interpolowanym, nie obserwacją.

Ground classification zależy od:

slope;
point density;
vegetation;
buildings/walls;
cell size;
thresholds;
manual editing.

Raport DTM powinien zawierać ground-point density, voids/interpolation mask i vertical checks na odpowiednich surface classes.

Porównywanie DSM z lidar DTM bez zgodnej definicji surface daje systematyczną różnicę. Produkty muszą mieć te same datums, epoch i grid alignment.

Ortofotomapa#

Orthorectification rzutuje zdjęcia na surface model. Błędy DSM i occlusion powodują:

leaning buildings;
double edges;
seam artifacts;
ghosting ruchomych obiektów;
błędy przy vertical faces;
przesunięcia na stromym terenie.

True ortho wymaga lepszego modelowania visibility i często ujęć oblique. Standardowy ortho nad zabudową może nie odwzorować poprawnie dachów/fasad.

Seamline i color balancing są operacjami wizualnymi; nie poprawiają geometrii. Agresywny blending może ukryć mismatch.

QA ortho:

check coordinates;
straight features;
seamlines;
no-data/holes;
edge quality;
radiometric consistency;
pixel size/CRS;
metadata;
comparison to source/DSM.

Objętości i przekroje#

Volume zależy od surface i base:

V = ∬_A (z_surface - z_base) dA

Niepewność wynika z:

boundary polygon;
base plane/surface;
vertical error;
holes/occlusions;
stockpile sides;
grid resolution;
classification;
coordinate transformation.

Raport powinien pokazywać cut/fill, base method i sensitivity na boundary/base. Porównanie dwóch epok wymaga coregistration; niezależny vertical bias 3 cm na dużej powierzchni może tworzyć dużą pozorną objętość.

Przekroje powinny zawierać uncertainty envelope i informację o interpolation. Visual smooth line nie dowodzi observed surface.

OpenDroneMap dokumentuje workflow i praktyczne uwagi dla volumes/GCP; parametry należy zweryfikować na lokalnym check set.[3]

Kontrola jakości#

QA ma trzy poziomy:

Acquisition: coverage, blur, exposure, RTK status, image count, missing lines, weather, targets.

Adjustment: calibrated images, tie geometry, residual patterns, intrinsics stability, GCP/checks, geotag residuals.

Product: absolute/relative accuracy, completeness, artifacts, CRS/datum, density, grid, seams, metadata.

Checkpoints są niezależne od processing. Pomiar residual:

e_x = x_product - x_reference
e_y = y_product - y_reference
e_z = z_product - z_reference

Należy zachować signs, nie tylko absolute values. Mean residual ujawnia bias.

Kontrola manualna nie zastępuje statystyki, ale wykrywa błędy semantyczne: target źle wskazany, double roof, water artifacts, źle sklasyfikowany grunt.

RMSE, bias i percentyle#

RMSE_x = sqrt(Σ e_x² / n)
RMSE_y = sqrt(Σ e_y² / n)
RMSE_z = sqrt(Σ e_z² / n)
RMSE_r = sqrt(RMSE_x² + RMSE_y²)

Mean/bias:

bias_z = Σ e_z / n

Standard deviation residual po odjęciu średniej mierzy spread, a RMSE łączy bias i spread. Raportuje się oba.

Nie należy automatycznie mnożyć RMSE przez stary współczynnik „95%” bez sprawdzenia standardu i rozkładu. ASPRS Edition 2 Version 2 zmieniło sposób prezentowania accuracy i odchodzi od równoległego raportowania miary 95% jako głównej miary, skupiając się na RMSE oraz uncertainty checkpoints.[1]

Jeśli residuals nie są normalne lub mają outliers, raportuje się median, MAD, percentyles i robust methods zgodnie z wymaganiem. Outliers nie są usuwane bez udokumentowanej przyczyny.

Liczba checkpoints i distribution wpływają na confidence. Mały n daje niestabilny RMSE.

Błędy przestrzenne#

Punkty kontrolne nie powinny być analizowane tylko w tabeli. Tworzy się:

map vectors XY;
color map Z residual;
residual vs elevation/slope;
residual vs distance to nearest GCP;
residual vs edge/interior;
semivariogram/spatial autocorrelation;
class: bare ground, vegetation, roof, road.

Wzór radial/bowl wskazuje calibration/block deformation. Gradient wskazuje tilt/datum/control issue. Duże błędy na brzegach wskazują słabe overlap/control/extrapolation.

Spatially autocorrelated checkpoints nie dają tyle niezależnej informacji co rozproszone. Standard/report powinien uwzględniać rozmieszczenie, nie tylko liczbę.

Area of low confidence powinna być maskowana/oznaczana, nie wypełniana tak samo jak silny blok.

Powtarzalne kampanie#

Change detection wymaga stabilności między epokami:

ten sam CRS/datum/grid;
podobna geometry i GSD;
stała camera calibration/settings;
wspólne stable checkpoints;
podobne lighting/vegetation, jeśli istotne;
independent epoch QA;
coregistration bez usuwania realnej zmiany;
minimum level of detection.

Difference:

Δz = z_t2 - z_t1

Uncertainty obu epok łączy się; małe różnice poniżej detection threshold nie są interpretowane jako zmiana. Jeśli błędy są skorelowane przez wspólną control network, prosty RSS może być niewłaściwy.

USGS wykorzystywał UAS SfM do repeat topographic surveying i porównywał accuracy/precision z niezależnymi ground measurements, podkreślając wyzwania kontroli i przetwarzania.[5]

OpenDroneMap#

OpenDroneMap/WebODM jest otwartym pipeline generującym między innymi point clouds, orthophotos i elevation products. Dla reprodukcji zapisuje się:

wersję/commit/container digest;
wszystkie options;
camera database changes;
GCP file i CRS;
image metadata;
processing logs;
hardware/threads, jeśli wpływa;
output checksums.

Przykładowa struktura GCP musi odpowiadać dokumentacji wersji. Oficjalne docs opisują format oraz użycie punktów.[6]

Processing preset nie jest standardem accuracy. Użytkownik odpowiada za calibration, control, checks i product validation.

Duży projekt dzieli się na submodels/chunks z overlap, lecz merge wymaga wspólnej kontroli i oceny seam/block alignment.

Archiwizacja i provenance#

Archiwum kampanii:

raw images bez modyfikacji;
checksums;
EXIF/XMP/trigger log;
flight path i FC log;
RTK/PPK raw/base/solution;
GCP/check raw survey i target photos;
weather/illumination notes;
camera/lens/serial/settings;
calibration files;
processing manifest/log;
intermediate sparse report;
final products;
QA report;
licenses/access constraints.

Nazwy plików nie powinny być jedynym kluczem. Manifest łączy image ID, capture timestamp, camera, position quality i status.

Nie nadpisuje się EXIF na jedynej kopii. PPK geotags przechowuje się jako pochodny artifact wraz z mapping do raw.

Wyniki powinny mieć metadata: CRS, datum, pixel/cell size, NoData, acquisition date, processing version i accuracy statement.

Minimalna procedura terenowa#

Przed wyjazdem#

Zdefiniuj produkt i accuracy.
Wybierz camera/lens/settings i policz GSD/blur.
Zaplanuj overlap, cross/oblique i margins.
Zaplanuj GCP/checkpoints oraz survey method.
Zweryfikuj CRS/datum/geoid.
Sprawdź pamięć, baterie, trigger, RTK/PPK.
Wykonaj test sharpness/calibration.
Przygotuj checklists i naming.

W terenie#

Rozmieść i zmierz points; przypisz role przed processing.
Zapisz target photos/IDs i uncertainty.
Sprawdź pogodę, wiatr, illumination.
Uruchom bazę/RTK log przed nalotem.
Wykonaj testową linię i sprawdź obraz 1:1.
Zrealizuj nalot z margins.
Sprawdź coverage, exposure, blur, image count i quality.
Powtórz braki przed zwinięciem punktów.
Zapisz ground notes i zmiany.

Po nalocie#

Skopiuj raw i wykonaj checksums.
Zachowaj logs/RTK/PPK.
Zweryfikuj timestamps i geotags.
Uruchom szybki sparse alignment/coverage.
Dopiero potem final processing.
Nie używaj checkpoints jako GCP w final QA.
Raportuj residuals i spatial patterns.
Archiwizuj manifest oraz wynik.

Typowe błędy#

GSD nazwane accuracy.
Overlap z planu, bez kontroli rzeczywistego footprint.
Stałe MSL nad relief i nierówny GSD.
Auto exposure produkujące blur lokalnie.
Krótki shutter uznany za rozwiązanie rolling shutter.
Autofocus/zoom/EIS zmieniające intrinsics.
Wszystkie zdjęcia nadir nad płaską sceną i swobodna self-calibration.
RTK traktowane jako brak potrzeby checkpoints.
Brak lever arm i shutter latency.
Float/fixed geotags z identyczną wagą.
Punkt użyty jako GCP i check jednocześnie.
Checks skupione w centrum lub wybierane po residuals.
Mieszanie height ellipsoidal/orthometric.
Reprojection RMS opisane jako ground accuracy.
GCP residuals opisane jako niezależna accuracy.
Usuwanie outliers bez udokumentowanej przyczyny.
DSM nazwany DTM pod roślinnością.
Orthomosaic wizualnie dobry, lecz bez geometry QA.
Volume bez base-plane sensitivity i vertical uncertainty.
Change map bez coregistration i minimum detection.
Brak wersji pipeline/options i raw archive.

Techniczna fotogrametria UAV jest procesem pomiarowym, nie funkcją „zrób mapę”. Najlepsza kamera i RTK nie naprawią słabej geometrii, a gęsta chmura nie zastąpi niezależnej kontroli. Wiarygodny produkt ma określony układ odniesienia, znaną drogę od ekspozycji do adjustment, kontrolę oddzieloną od kalibracji oraz raport błędów przestrzennych i obszarów, w których model nie ma wystarczającego pokrycia.

Powiązane tematy#

Przypisy#

ASPRS, Positional Accuracy Standards for Digital Geospatial Data, Edition 2 Version 2, 2024.
U.S. Geological Survey, OFR 2023-1033, Guidelines for Calibration of Uncrewed Aircraft Systems Imagery — camera calibration, GCP distribution, cross-validation, radiometry i metadata.
OpenDroneMap Project, OpenDroneMap Documentation — flight planning, overlap, GCP i workflow processing.
USGS, metadata kampanii UAS Sesuit Marsh 2024 — uwagi o ground control, checkpoints, overlap i degradacji krawędzi produktów.
USGS, Fine-resolution repeat topographic surveying of dryland landscapes using UAS-based structure-from-motion photogrammetry — porównanie dokładności i powtarzalności z pomiarami naziemnymi.
OpenDroneMap Project, Ground Control Points documentation — format i wykorzystanie GCP w aktualnym pipeline.
E. Cheng, Drony. Tajniki zdjęć i filmów lotniczych, książka — praktyka kamery, ekspozycji, ruchu i nalotu.
M. LaFay, Drony dla bystrzaków — podstawy operacji lotniczej i fotografowania; materiał pomocniczy z lokalnej biblioteki.

Źródła z centralnego rejestru

USGS OFR 2023-1033: Guidelines for Calibration of Uncrewed Aircraft Systems Imagery [wytyczne techniczne instytucji państwowej]
ASPRS Positional Accuracy Standards for Digital Geospatial Data, Edition 2 Version 2 [aktualny standard branżowy, 2024]
OpenDroneMap Documentation [oficjalna dokumentacja projektu open source]
OpenDroneMap: Ground Control Points documentation [oficjalna dokumentacja projektu open source]
USGS: Fine-resolution repeat topographic surveying with UAS SfM — accuracy and precision [publikacja badawcza USGS]
Eric Cheng, „Drony. Tajniki zdjęć i filmów lotniczych” [książka]
Mark LaFay, „Drony dla bystrzaków” [książka]