RAPPORT: Fagleg rapport frå prosjektet Grøn Laser Søre Sunnmøre

Transkript

1 RAPPORT: Fagleg rapport frå prosjektet Grøn Laser Søre Sunnmøre

2 RAPPORT: Fagleg rapport frå prosjektet Grøn Laser Søre Sunnmøre Emne Frå Til Kopi til Fagleg rapport frå prosjektet Grøn laser søre Sunnmøre (GLaSS) med erfaringar og råd for framtidig kartlegging Prosjektgruppa Dato Prosjektleiar Prosjektgruppa Viktige støttespelarar Samandrag Prosjekteigar Birte Noer Borrevik Styringsgruppa: Herman Iversen, Erik Perstuen, Per Erik Opseth Hilde Sande Borck Antonio Alexandre Fraga Dias, Arild Holm, Geir Gunleiksrud, Jon Moe, Nicolien Haasbroek, Øyvind Tappel Christian Malmquist, Håkon Dåsnes, Cathrine Jacobsen Sunde, Swen Roemer, Boele Kuipers, Geir Arne Hjelle, Tony Wåhlén Denne faglege rapporten frå GLaSS-prosjektet samlar dei erfaringane som er gjort med fullskala innsamling av data frå kystsona med grøn laser på søre Sunnmøre. Teknologien for kartlegging med laser på grunt vatn gjev per i dag ikkje ein heildekkande kartlegging. Grøn laser gjev ikkje returar frå mørk botn, og i denne kartlegginga er dekninga like under halvparten av det planlagde sjøarealet. Der vi får data er punkttettleiken høg, ein når djup godt under kravet på 5 meter under sjøkartnull og kvaliteten er god samanlikna med eksisterande datasett. Det er fortsatt mykje å hente når det gjeld god og effektiv klassifisering av laserdata i sjø, og her har prosjektet medverka til viktig utvikling på området. Det er mindre å hente på å forbetre måten kartlegginga med grøn laser blir utført på. I staden bør ein vurdere kartlegging med fleire type supplerande sensorar, slik som hyperspektral, for å få effektiv kartlegging av kystsona. Datasettet frå prosjektet er tilgjengelig via portalen høydedata.no. Der er også data frå laserskanning i Nasjonal detaljert høydemodel (NDH) og data frå sjømåling med multistråle-ekkolodd for området tilgjengeleg. Der kan ein sjå at GLaSS-prosjektet til dels har klart å dekke gapet mellom eksisterande modellar for sjøbotn og land, spesielt i enkelte øyområde. 2

3 Innhald 1. Innleiing Bakgrunn Mål og avgrensing Hovudpunkta i rapporten Datafangst i kystsonen med grøn laser Utlyse konkurranse og kravspesifikasjon Estimat av kostnad Kravspesifikasjon Evaluering av tilbod Gjennomføring av datafangst Periode og tid Siktedjup og vasstand Utfordringar i datafangsten Dataproduksjon hos leverandør Avtalte endringar i kravspesifikasjonen Testflyging på høgvatn Klassifisering «No data»-polygon Referansenivå og leveringsmetode Leveranse Dataflyten i Kartverket Kvalitetskontroll av data Dataforvalting i to system Dataforvaltning i høydedata.no Dataforvalting i sjødivisjonen sine system Terrengmodellar Vurdering av dataleveransen med fokus på terrengdata Dekning og punkttettleik Vurdering av dekning Vurdering av punkttettleik Kvalitet nøyaktigheit Vurdering av nøyaktigheit frå leverandør Samanlikning av laserdata og nyare sjømålingsdata Visuell vurdering av nivå for laserdata frå kartlegginga på høg- og lågvatn Kvalitet klassifisering Terrengdata på land Terrengdata i sjø Vurderinga til leverandøren Feilklassifisering grunna flytting av tørre punkt Vanskeleg å skilje terrenget frå vassoverflata i skvalpesona

4 Bruk av eiga klasse som fangar opp variasjon nærme botnen Saumlause data Råd for framtidig kartlegging av kystsona Kva kan laserdata frå kystsona brukast til? Korleis kartlegge for å få betre data i framtida Utnytte teknologien betre ved lågare flyhøgder Utfordringar med manglande retur frå mørk botn Ta i bruk supplerande og alternativ teknologi Vidare arbeid Vidare arbeid med GLaSS-data For å ta i bruk laserdata i sjødivisjonen Referansar Liste over vedlegg

5 1. Innleiing Denne rapporten utgjer den faglege rapporten som er ein av leveransane i prosjektet «Grøn laser søre Sunnmøre». Bakgrunn, mål og avgrensing er ein kortfatta oppsummering av prosjektavtale og prosjektplan Bakgrunn Gjennom kartleggingsprosjektet «Marine grunnkart Søre Sunnmøre» fekk denne regionen eit unikt kunnskapsgrunnlag om sjøområda. I dei marine grunnkarta blei detaljerte djupnedata gjort fritt tilgjengeleg saman med geologiske data. Dette har også gjort regionen svært godt eigna for å teste ut og vise fram ny prosjekt og resultat, og Kartverket har difor hatt fleire satsingar i regionen. Gjennom prosjektet Grøn laser søre Sunnmøre (GLaSS) ønska Kartverket å bidra til kunnskapsgrunnlaget i regionen ved å fylle gapet ein har mellom detaljerte, frigjevne djupnedata i sjø og detaljerte terrengdata på land Mål og avgrensing Prosjektet har hatt i oppgåve å gjennomføre ein storskala datainnsamling med luftboren laser for kystområda på søre Sunnmøre som vist i Figur 1. Datainnsamlinga skulle gjennomførast av ekstern leverandør og resultere i ein dataleveranse til Kartverket med: - God nok kvalitet til å fylle datagapet i eksisterande terrengmodell (ned til 5 meter under sjøkartnull) - Ferdig prosesserte og klassifiserte data - Intensitetsverdiar (brukbare for eksterne interessentar) Leveransane frå prosjektet er: - Terrengmodell - Fagleg rapport som dokumenterer erfaringane og gjev nødvendig grunnlag for vurdering av og gjennomføring av kartlegging av andre område (dette dokumentet) Andre krav og avgrensingar sett til prosjektet: - Samarbeid med andre prosjekt - Kunne inkludere sjømåling - Samarbeid med produksjon slik at data kan gå inn i produksjonslinja 1.3. Hovudpunkta i rapporten Denne rapporten gjev ei kort oversikt over kva som er gjort i prosjektet, med fokus på erfaringar og råd for seinare kartleggingsprosjekt. Det blir referert til andre dokument for detaljar der dette er relevant, samt til vedlegg der ein også har laga ei sjekkliste som summerer opp mange av råda gjeve her. Kapittel 2 tek føre seg datafangsten utført av ekstern leverandør frå utlysing av konkurransen til ferdig leveranse. Det nære samarbeidet har ført til viktig kompetansebygging både hos Kartverket og leverandør, spesielt knytt til klassifiseringsarbeidet, og har blant anna resultert i viktige endringar i spesifikasjonen undervegs i kartlegginga. Ein skisserer vidare i kapittel 3 dataflyten i Kartverket frå datamottak og -kontroll, til forvalting og formidling av terrengmodellar. Dette er i stor grad nybrotsarbeid der ein lært mykje og samla viktig kompetanse, sjølv om det står att ein del arbeid dersom slik kartlegging skal settast i produksjon. Det er gjort eit viktig arbeid med å legge høydedata.no til rette for å kunne presentere ein terrengmodell der batymetriske laserdata og sjømålingsdata inngår saman med laserdata frå Nasjonal detaljert høydemodell (NDH), samt for å importerer batymetriske sjømålingsdata i løysinga. Prosjektgruppa har vidare gjort ei vurdering av kvaliteten til dataleveransen (utover kontrollen mot kravspesifikasjonen) som er presentert i kapittel 4. Konklusjonen er at der ein har fått data har ein data av god kvalitet ned til djup godt under kravet, men at dekninga er flekkvis. Mørk botn og vegetasjon gjev datatap i litt over halvparten av sjøarealet ein ønskja å dekkje. 5

6 Rapporten avsluttar med ein kortfatta vurdering av kva kartlegging med grøn laser kan brukast til og kva ein bør sjå vidare på. Grøn laser aleine er ikkje eigna for heildekkande kartlegging av typisk norsk kystsone, men potensialet er stort dersom ein ser på kombinasjonar av ulike metodar. Ein bør også vurdere kor eigna eit aktuelt område er basert på flyfoto, samt informasjon om kva type vegetasjon som er forventa der ein ser mørke felt. All kartlegging i kystsona bør skje i samarbeid med aktuelle brukarar av data som har interesse av informasjon utover terrengdata. 2. Datafangst i kystsonen med grøn laser Erfaringane frå den fullskala datafangsten innanfor prosjektavgrensinga markert med blått i Figur 1, frå utlysing av konkurranse til leveranse av data til Kartverket, er nærmare diskutert her. Dei viktigaste kontrollspørsmåla ved framtidig kartlegging er også samla i sjekklista i vedlegg C. Prosjektavgrensinga er basert på 5 meters djupnekurver (referert til sjøkartnull) der denne er definert, elles er 10 meters djupnekurve brukt. Vidare har ein tatt med 50 meter inn på land. Total areal som skulle kartleggast er 92 kvadratkilometer der 56 kvadratkilometer er sjøareal. Figur 1: Prosjektavgrensinga (blått) på søre Sunnmøre med eksisterande terrengmodell i sjø (gråtonar) 6

7 2.1. Utlyse konkurranse og kravspesifikasjon Kartlegginga vart utlyst som ein open anbodskonkurranse etter del I og III i føreskrifta i to rundar. Alle dokument knytt til utlysingane er arkiverte, sjå [1] og [2]. Anbodskonkurransen blei første gong kunngjort i DOFFIN/TED med krav til datafangst før og leveranse av data innan Alle tilboda i denne konkurransen låg utanfor dei økonomiske rammene som prosjektet då hadde, sjølv med reduksjon av omfanget på 25% slik det var opna for. Det enda difor med totalforkasting av alle tilbod i konkurransen. Andre gongs utlysing av konkurransen blei kunngjort i DOFFIN/TED , no med krav til gjennomført datafangst innan og leveranse av data innan Omfanget av kartlegginga var det same, men ein hadde fått utvida økonomiske rammer (blant anna sidan prosjektet no gjekk over to budsjettår) og gjort andre grep i form av opsjonar og prismodellar Estimat av kostnad Dette var første gongen Kartverket gjorde ein fullskala kartlegging av kystsona med laser, og ein hadde difor lite grunnlag for å estimere kostnaden. Informasjon og kompetanse frå kartlegginga i NDH samt frå pilotprosjektet med grøn laser, TopoBaty 2014, vart nytta til å estimere kostnad før den første utlysinga. Dette estimatet viste seg å vere for lågt. Erfaringane frå andre runde er at følgande tiltak viste seg å ha liten eller ingen effekt: - Dele inn i to prisklassar - Opsjon om å kunne redusere punkttettleiken for heile eller delar av område Det blei forsøkt delt inn i to prisområde basert på at korridorflyging langs fjordane potensielt var meir krevjande enn øyområde der kartlegginga er meir heildekkande og likare tradisjonell kartlegging på land. Effekten av to prisklassar viste seg å vere minimal då prisane blei sett tilnærma lik for begge. Opsjonen der Kartverket kunne velje å redusere punkttettleiken for heile eller delar av område hadde ikkje noko effekt. Alle tilbydarar gav same pris for kartlegging med krav til 2 klassifiserte bakkepunkt i sjø som for kartlegging med krav til 4 klassifiserte bakkepunkt. Bakgrunnen er at flyhøgda, og dermed talet på striper, vil vere den same for dei to kartleggingane dersom ein skal kunne sikre data ned til den djupna som var kravd. Prismodell der ein berre betalar for område/celler som oppfyller krav til punkttettleik vart også diskutert i tidlige fasar, men valt bort. Dette fordi ein såg at det kunne ha uheldige følgjer for klassifisering og generelt ville vere vanskeleg å handtere og kontrollere Kravspesifikasjon Kravspesifikasjonen tok utgangspunkt i eksisterande spesifikasjonar og standardar som er i bruk ved laserkartlegging på land. I kravspesifikasjonen er det difor berre spesifisert det som er spesielt for dette prosjektet, som inkluderer kva krav som gjeld i sjø/under vassflata, sjå Vedlegg 1 i Konkurransegrunnlaget [3]. Vurderingane av krava stilt spesielt for batymetriske laserdata er tatt med der dette naturleg høyrer heime gjennom rapporten, og erfaringane er samla i sjekklista som er utarbeida, sjå Vedlegg C. Klassar knytt til batymetriske lasermålingar er utvikla i samarbeid med laserteamet til NDH-prosjektet og er/blir tatt inn i oppdatert produktspesifikasjonen for FKB-laser Evaluering av tilbod Det vart gjort eit større arbeid for å sette opp gode kriterier og evalueringsmatriser, men ein har ikkje fått testa ut desse i praksis. Første utlysinga førte til total forkasting, og difor inga evaluering. Ved andre gongs utlysing kom det fire tilbod der to var kvalifiserte. Av desse blei eit avvist på grunn av vesentlege manglar ved tilbodet. Tilbodet som stod att vart vurdert og det vart kontrollert at alle krav var oppfylt, men evalueringsmatrisene blei ikkje nytta. 7

8 2.2. Gjennomføring av datafangst Alle detaljane om utført kartlegging er dokumentert i laserrapporten frå TerraTec [4] der ein også finn informasjon om sensoren og systema rundt. Sjå Figur 2 for ein illustrasjon av Optech Titan som har tre kanalar, ein grøn, ein raud og ein nær infraraud. Figur 2: Kartlegginga blei utført med Optech Titan som har tre kanalar med ulike bølgjelengder Avvik under datainnsamlinga er også skildra i laserrapporten. Avvika som dreier seg om manglande overlapp (og eit par små gap i data), samt nokre manglande bilete, blei tidleg rapportert til Kartverket. Ingen av avvika vart vurdert som vesentlege og er difor ikkje omtalt nærmare her Periode og tid Oppstart av kartlegginga var planlagt i februar, men blei utsatt grunna problem med utstyret. Klarmelding vart gjeve 7. april Kravet til at kartlegginga skulle vere gjennomført seinast 15. april vart ved klarmelding utvida sidan alle målingar av siktedjup tyda på gode forhold. Siktedjupet var i heile innsamlingsperioden så godt at Kartverket ikkje hadde grunn til å stanse kartlegginga. Kartlegginga gjekk føre seg i perioden frå 13. april til 14. juli Som vist i Figur 3, var det eit opphald i kartlegginga frå 2. mai fram til 17. juni. Leverandøren ønska å ta ei pause i innsamlinga i mai for å gå gjennom data og sikre seg at ein nådde det ønske djupet. I samband med dette hadde ein også ein klarerande dialog mellom leverandør og Kartverket om forventingane til data, spesielt med tanke på heildekkande kartlegging og klassifisering. Hovudkartlegginga vart avslutta i juni, men eit par problematiske område innerst i Vanylvsfjorden fekk ein først kartlagt 14. juli. Det er gjennomført 28 økter med kartlegging fordelt på 18 dagar. Lengda på ei økt er i hovudsak bestemt av overlappande tidsrom med låg vasstand og dagslys, og går difor frå ein times tid til opp mot 6 timar, med eit snitt på rett over 3 timar. Snittet for kartlegging per dag er på 5 timar. 1 1 Tala er basert på tidspunkt for start og slutt gjeve i laserrapporten [4]. Desse tidene inneheld også noko flyging til og frå. Ser ein på tidspunkta for start og slutt rapportert i «ukesrapporter», finn ein at kartleggingstida per økt går frå 10 minutt og opp til 4 timar, med eit snitt på 2 timar. Snittet for kartlegging per dag blir her 3 timar. 8

9 Figur 3: Tid brukt (timar) per økt og per dag med kartlegging Totalt har ein samla inn data langs 1950 stripekilometer fordelt på 1010 striper. Til samanlikning har eit typisk prosjekt med same sensoren for kartlegging av skog i Finland 2400 striper som dekkjer kilometer. Dei mange korte stripene i kartlegging langs kystsona slik som her, gjev også mange svingar og mykje tid er brukt på å snu. Totalt har ein flydd 2700 kilometer, så rundt ein tredjedel er flyging for å komme inn på neste stripe Siktedjup og vasstand Målingar i og ved prosjektområdet av siktedjup viser at siktedjupet har vore minimum 8 meter. Målingane er gjort i open sjø og ein må anta at siktedjupet ikkje nødvendigvis har vore like godt som dette i heile prosjektområdet heile tida. For nærmare detaljar om målingane, sjå vedlegg A. I følgje kravspesifikasjonen skulle vanskelege område skannast på lågast mogeleg vasstand og følgande alltid skulle vere oppfylt: Vasstand ved skanning + 5 meter < 1 Secchi-djup observert i området Ved siktedjup på minimum 8 meter, vil all kartlegging på vasstand under 3 meter over sjøkartnull vere innanfor kravet. Basert på dette kravet aleine, kunne ein difor ha gjennomført kartlegginga nesten utan å ta omsyn til vasstanden. I dette prosjektet har all kartlegging blitt gjennomført på vasstand som ikkje overstig middelvatn, det vil seie, på vasstand mindre enn 1,2 meter over sjøkartnull. Kravet til siktedjup for å oppfylle kravspesifikasjonen er då minimum 6.2 meter, noko som har vore oppfylt i heile perioden. Vasstanden ved kartlegging har også noko å seie for korleis marin vegetasjon (tareskog) påverkar resultatet. Difor er det ikkje berre siktedjup som avgjer kva vasstand som bør vere godkjent Utfordringar i datafangsten Gjennom rapportane, dialogen undervegs og dei faglege samlingane, har ein etablert at leverandøren har gjort det ein kan for å ha god nok dekning der forholda ikkje var spesielt problematiske. Det har vore dyktige operatørar på prosjektet som har vurdert forhold og kvalitet undervegs, slik at ein i liten grad har samla dårlege data, og nokre striper er også flydd på ny. Ein har vidare vore nøye på å halde seg innanfor periodar med låg vasstand, sjå vedlegg A for kontroll av dette. Området er prega av utfordrande terreng med tidvis bratte fjell. Det meste av området klarte ein å kartlegge frå planlagt høgde på rundt 400 meter 2, men eit par stadar måtte ein legge nye planer med 2 Ved ein feil vart første flyplan basert på ellipsoidiske høgder slik at ein flaug rundt 40 meter lågare enn planlagt og fekk difor mindre overlapp enn planlagt. 9

10 flyhøgde på meter. Dette gjeld innerst på sørsida av Vanylvsfjorden, mellom Kjøde og Vanylven, samt mellom Borgundvåg og Honningsvågen lengst vest på Stadlandet. Prosjektgruppa kjenner ikkje til at det før oppstart av prosjektet var vurdert kor utfordrande det er å fly i dette området på den optimale høgda for flyboren lasermåling som typisk er meter. Dette er truleg ei vurdering ein i større grad bør gjere i før ein set i gang kartleggingsprosjekt. Før ein starta kartlegginga var det vurdert at verneområde for fugl kunne sette grenser for kor lågt ein kunne fly og i kva tidsrom. Det vart derimot tidleg avklart at det ikkje var slike restriksjonar for flyging på 400 meter eller høgare. Mørk botn var ikkje uventa ein utfordring og det har vore ein del diskusjon rundt kva tidspunkt på året som er best eigna med tanke på vekstsesong for tareskog. Det er blitt avklart at tareskog er fleirårig med ein vekstsyklus som gjer at taren ikkje er venta å gje mindre problem ved kartlegging på seinvinteren enn elles på året Dataproduksjon hos leverandør Prosessen som dei innsamla data går gjennom hos leverandør er her kortfatta summert opp. Fleire detaljar om enkelte steg kan ein finne i TerraTec sin rapport [4]. 1. Prosessering av navigasjonsløysinga: Terrapos og tett kopling mellom IMU og GNSS. PPP. Overgang ITRF2017 til ETRS89 2. Generering av punktsky: Navigasjonsdata + rådata. Våte punkt skilt ut og påført korreksjon for gangtid i vatn 3. Kvalitetssjekk: Alle sensorar brukt. Kontroll av punkttettleik og dekning, og kor djupt ein kjem med batymetrisk sensor. 4. Georeferering for å sikre korrekt plassering. Kontroll av systematiske feil. Stripejustering. Justering og/eller kontroll mot kjentpunkt. Globalt skift til ønska referansenivå etter stripejustering. 5. Klassifisering: Først med automatiske metodar, deretter manuell gjennomgang. Klassifisering for seg av våte og tørre punkt. Først etter at klassifiseringa er ferdig, blir det endra klasse på tørre punkt som er del av sjøbotn. 6. Leveranse til kunde Avtalte endringar i kravspesifikasjonen Ei testflyging utført i oktober danna grunnlag for den avtalte prøveleveransen tidleg Datakontroll blei delvis gjennomført for denne leveransen, med hovudvekt på dei etablerte landbaserte testane via portalen til høydedata.no. Basert på erfaringane frå prøveleveransen og diskusjon på fagleg samling i juni 2017, blei det avtalt fleire endringar som er nærmare skildra her. Difor blei det avtalt å gjere ein ny prøveleveranse av eit nytt testområde i august, noko som gav grunnlag for enkelte ny endringar. Frist for hovudleveransen har blitt utsatt i fleire omgangar, først frå 1/9 til 29/9 basert på at kartlegginga gjekk til midten av juli. Deretter kom det ønske om vidare utsetting til 25/10 for å kunne oppretthalde best mogeleg kvalitet ved å ikkje utvide gruppa som jobba med klassifiseringa. Kartverket godtok dette mot ei utvida fagleg samling etter leveranse, samt ein utvida rapportering om utfordringar med prosjektet og metoden. Den utvida faglege samlinga i november 2017 danna grunnlag for nærmare utprøving og forbetring av automatisk klassifisering, slik skildra i TerraTec sin evalueringsrapport [5] Testflyging på høgvatn Den første avtalte endringa var å gjennomføre ein test der ein kartla eit lite område både på lågvatn (som del av den ordinære kartlegginga) og i tillegg på høgvatn. Både fagfolk hos TerraTec og Kartverket var interessert i dette, basert på ulike problemstillingar slik som: - Effekten av vegetasjon i sjøen: Dersom ein har tareskog som legg seg på lågvatn, men står og vaiar på høgvatn. - Kunne samanlikne mot ein fasit kartlagt med same sensor: Bruke tørre punkt i tørrfallsona ved kartlegging på lågvatn som fasit for kartlegginga av same område på høgvatn. 10

11 Basert på samarbeid med prosjektet Felles referanseramme blei eit testområde ved Tjuvholmane valt. For dette området blei det også utført sjømåling. Dermed kunne ein også bruke dette testområdet til å samanlikne laserdata og sjømålt data relatert til ellipsoiden. Kartlegginga vart utført i ein springperiode, slik at skilnaden på vasstanden ved låg- og høgvatn var nær optimal. Eit område med små holmar og lite sandbotn vart valt basert på ønskjer frå fagfolk i Kartverket. Det var såleis ein kalkulert risiko at ein ville få typisk flekkvis dekning av laserdata for dette området Klassifisering I dette prosjektet var det i utgangspunktet avtalt at alle terrengdata på land og i sjø skulle leverast i klasse 2. Vidare skulle klasse 7 brukast til støy, klasse 9 for vassoverflata og klasse 1 for uklassifisert. I etterkant av første prøveleveranse blei dette endra basert på følgande oppklaringar, erfaringar og utvikling: - Våte og tørre punkt blir handtert separat i alle stega fram til leveranse, og kan difor lett leverast i separate klassar. - På land ønskjer ein ikkje at punkt frå den grøne kanalen blir levert fordi det introduserer ein del støy. - I sjø ønskjer ein ikkje at steinar og formasjonar skal kome i uklassifisert. Dette er viktig informasjon om terrenget, spesielt med tanke på navigasjon. Desse ønskjer ein difor at er med i ein av terrengklassene (stein eller sjøbotn) - Eigen klasse for uklassifiserte punkt i vasskolonnen er nyttig. Då slepp ein rare problem i overflatemodellane sidan desse skal ha med uklassifiserte data på land. - Produktspesifikasjonen for FKB-laser var under utvikling der klassar for batymetriske data alt var eit tema - Ved bruk av eigen klasse for vassoverflate for batymetriske prosjekt, vil ein kunne handtere desse data betre i høydedata.no saman med andre laserdata. Bruk av klasse 9 (vatn) ville ført til at data på sjøbotnen blei maskerte. Tabell 1: Endeleg liste over klassar brukt for laserdata i GLaSS-prosjektet Nummer Skildring 1 Uklassifisert 2 Bakke 7 Støy 17 Bru 25 Stein 26 Sjøbotn 27 Vassoverflate (batymetriske prosjekt) 29 Marin vegetasjon 30 IHO objekt (her brukt for alle menneskeskapte objekt) 31 Ikkje botn (uklassifiserte punkt i vasskolonnen) Sidan klassifiseringa tek utgangspunkt i kva som er vått og tørt ved innsamlingstidspunktet, og det vil vere ulik vasstand for ulike stadar/striper, var det nødvendig med flytting av punkt. Ein blei her einige om å flytte alle tørre datapunkt som låg utanfor kystkonturen til dei tilhøyrande «våte» batymetriske klassane, som vist i Tabell 2. 11

12 Tabell 2: Flytting av punkt i tørrfallssona Tørre punkt utanfor kystkonturen av typen Klassifisert som Deretter flytta til Terrengdata Klasse 2 Klasse 26 Uklassifisert Klasse 1 Klasse 31 Kartverket leverte ein kystkontur til dette formålet, men som skildra i rapportane [4] og [5], vart denne ikkje brukt fordi den ikkje var ein slutta polygon. Det blei i staden nytta ein eldre kystkontur frå FKB-vann etter avtale med Kartverket. Erfaringane er her at ei flytting er nødvendig, men at dette ikkje var den beste måten å gjere dette på, sjå forslag til forbetring av dette i kapittel «No data»-polygon Kravet til punkttettleik var 4 punkt klassifiserte som sjøbotn per kvadratmeter for område på djup ned til 5 meter under sjøkartnull 3 der forholda ikkje var spesielt problematiske. Vidare skulle ein dokumentere kva forhold som var årsaka problema for alle områda der denne punkttettleiken ikkje var oppfylt. Dokumentasjonen som er kravd her er noko meir enn ein generell vurdering av kva som gjer at ein ikkje alltid får returar der ein ventar det. Det vart difor etablert at dokumentasjonen skulle leverast i form av eit datasett omtalt som «no data»-polygon der kvar polygon har ein kategori som seier noko om kva som er problemet. Bilete frå innsamlingstidspunktet gjev også eit godt bilete av kva som er årsaka for kvart enkelt område eller tilfelle. Metoden brukt for å generere datasettet med «no data»-polygon er som følgjer: - Alle celler på 1x1 meter utan punkt klassifisert som sjøbotn eller stein er funne - Celler som inneheld laserpunkt klassifisert som «marin vegetasjon» har automatisk fått kategorien vegetasjon - Det er så gjort ei vurdering av djup i området rundt for å finne celler som skal ha kategori «siktedjup». Dette er der det er for djupt til å kunne forvente returar (og djupare enn kravet) - Bileta er deretter brukt til å manuelt markere områda der cellene skal ha kategoriane «mørk botn», «turbulent vann» eller «objekt». - Mørk botn er brukt der ein ikkje har anna forklaring Referansenivå og leveringsmetode Leveransen var bestilt med ellipsoidiske høgder og tenkt levert via portalen til høydedata.no der alle laserdata for Nasjonal detaljert høydemodell blir levert. Sidan høydedata.no berre godtar NN54 og NN2000 som høgdereferanse måtte data konverterast til NN2000 om dei skulle inn der. Endring av høydedata.no slik at den kunne handtere ellipsoidiske høgder vart diskutert, men dette vart ikkje prioritert i denne omgang. TerraTec tok på seg å levere i to høgdesystem. Det vart difor avtalt at laserdata skulle leverast både via portalen til høydedata.no med NN2000 som vertikal referansesystem, og via ftp-server med høgder gjeve til ellipsoiden Leveranse Sjølv om Kartverket kom til at bør-kravet om leveranse av ASCII-filer med positive høgder til sjøkartnull ikkje var nødvendig, førte endringane skildra over til at ein likevel hadde to versjonar av leveransen, levert på to ulike måtar. Dette fungerte greitt, men generelt er det anbefalt å unngå leveransar i fleire referansesystem og/eller system. 3 Ned til 3 meter under sjøkartnull var definert som SKAL-krav, medan ned til 5 meter under sjøkartnull var eit BØR-krav som leverandøren i sitt tilbod sa dei ville oppfylle. 12

13 Enkeltbileta vart ikkje lasta opp via ftp eller levert via høydedata.no. Desse blei levert på ein disk sendt til Kartverket der alle datasetta var samla. Denne disken vil Kartverket oppdatere med siste leveranse av laserfilene. Tabell 3: Oversikt over filene i leveransen frå leverandør Data Namnsetting Format Metadata Dekningsoversikt GLaSS Grønn Laser Søre Sunnmøre 2017_Prosjektavgrensning.sos SOSI Flystripe Homogenitet Kontrollflater Grønn Laser Søre Sunnmøre 2017_Flystripe.sos GLaSS Grønn Laser Søre Sunnmøre 2017_Homogenitet.rar GLaSS Grønn Laser Søre Sunnmøre 2017_Kontrollflater.sos Datasett Laserdata punktsky Namn etter kartbladinndeling etterstandard i FKB-Laser Bilete Laserdata test ved høg- og lågvatn ved Tjuvholmane «No data»-polygon Rådata navigasjon Fulloppløyseleg enkeltbilete Linjenummer_Dato_biletenamn LLLL_YYYYMMDD_XXXXX.jpg SOSI SOSI LAZ-filer 4 LAZ-filer ESRI database og shape Mosaikk (GSD 10 cm) Som for LAZ-filene ECW og GeoTiff Rapport Prosjektrapport pdf Evalueringsrapport Jpg pdf 3. Dataflyten i Kartverket Her følger ei oversikt over dataflyten i Kartverket for dette prosjektet. Det har i stor grad vore nybrotsarbeid der ein har tatt tak i utfordringane etter kvart som dei har dukka opp. Prosjektet har ikkje sett på dataflyt vidare i produksjonslinja til sjødivisjonen Kvalitetskontroll av data Før ein set i gang med kvalitetskontrollen har ein sjekka at det er fornuftige data ein har fått, og at alt er med, spesielt med tanke på metadata og tilleggsbestillingar utover laserdata. I GLaSS-prosjektet har ein som første steg i kvalitetskontrollen teke utgangspunkt i dei same kvalitetssjekklistene som laserteamet for NDH nytter i høydedata.no. Her blir det rapportert i eit Excel-ark som blir delt med TerraTec for kommenatar og svar. Dette er normalt ein iterativ prosess der feil blir retta og kontrollert på ny. Fylas og andre verktøy som NDH-teamet nyttar, var ikkje justert for nye klassar så her har vi i stor grad måtte lage eigne alternative kartlag med lastools for å vurdere kvaliteten. Plot av tettleik og skyggerelieff har blitt vurdert saman med no-data polygon for å gjere ei vurdering av kvaliteten. Desse rasterlaga har så blitt lese inn i qgis for å gjere endelig kontroll. 4 LAZ-filene med høgder gjeve til ellipsoiden er koda med ukjent VREF. 13

14 Caris BASE Editor blei også brukt for å kontrollere kva vi har fått og for samanlikning med eksisterande batymetriske datasett der vi har overlapp. Det er laga eit utkast til sjekkliste for kontroll av laserdata ved bruk av Caris, sjå vedlegg B, men denne er ikkje testa eller ferdig utvikla Dataforvalting i to system Laserdata frå GLaSS-prosjektet blir forvalta både i eksisterande system for laserdata og i eksisterande systemet for djupnedata Dataforvaltning i høydedata.no Punktskydata i form av.laz transformert til NN2000 og relevant metadata har blitt lagt inn i høydedata.no. Her har dei relevante mottakskontrollane som gjeld for NDH blitt køyrd før prosjektet vart publisert. Høydedata.no har blitt justert for å kunne handtere batymetriske data: - Klasselista er utvida med dei nye klassane for batymetriske prosjekt - Havoverflata vert ikkje prepopulert som for standard laserprosjekt - Punktettleik blir vist for grid med oppløysning på 1x1m (standard er 10x10m grid) Ingen djupnedataprosjekt som vert lagt inn i høydedata.no vil oppdatere nasjonal detaljert høgdemodell. Høydedata.no vil generere alle prosjektlag som for andre laserprosjekt. Laserdata frå GLaSS-prosjektet kan lastast fritt ned via høydedata.no Dataforvalting i sjødivisjonen sine system Det er oppretta eit måleoppdrag i Hybas-databasen som heiter GLASS. Det er lagt inn ein del metadata og tekst frå laserrapporten [4]. I «Oppdrag» er mange felt slik som sensor, type klassifisering og software tomme, men informasjonen er tilgjengeleg via teksten frå laserrapporten. «Grense måleoppdrag» er laga og lese inn for heile GLaSS-område. Det er ikkje gjort kvalitetskontroll av om polygonen avgrensar det faktiske datasettet. «No data»-polygonane har ein ikkje klart å lese inn. Alle GLaSS-data er samla på eit oppdrag. Dette er stort i areal for kystnære data i Hybas-samanheng. Ved uthenting av data må ein hente ut alle data av den enkelte datatypen, sjå Tabell 4 for oversikt over kva data som er arkivert som kva type i digitalarkivet. Tabell 4: Oversikt over data arkivert i digitalarkivet Datatype i digitalarkivet Loggdata Vasskolonne Caris Prochome GLaSS-data som er arkivert som dette LAZ-filer inkludert test på høg- og lågvatn, posisjonsdata Enkeltbileta Mosaikkbileta,.csar (terrengmodellar), metadata, rapportar og shape filer Grense måleoppdrag og rapportar 3.3. Terrengmodellar Prosjektgruppa ynskja å nytta høydedata.no for å samla all tilgjengeleg data i området. Med denne tilnærminga får vi òg meir innsikt og erfaring i kva som krevjast for å kunne tilby djupnedata i liknande tenester. Totalt 43 måleoppdrag med djupnedata er konvertert og lese inn. Prosessen består av i hovudsak 3 steg: 1. Identifisering og tilgjengeleggjering av dei avgraderte måleoppdraga som inngår i prosjektområdet. Vidare konvertering av binære neptune filer til ascii wgs84 *.txt. 2. Ved bruk av FME, transformere data til UTM32N, endre frå positive djupner (positive nedover) til negative høgder. I den same prosessen blir *.txt filene konvertert til *.laz. 14

15 Figur 4: Skisse av FME-prosessen. 3. Det blir gjort ein skalering på LAZ-filene til centimeternivå, med 2 desimalar. For kvart loddskot blir det tilført «point source» slik at ein kan identifisera datasettet. Konvertering av djupnedata frå sjøkartnull til NN2000 ved bruk av programmet fxtranslas og modell utvikla av prosjektet Felles referanseramme for sjø og land. Alle data blir slått saman før innlesinga av data i høydedata. For generering av terrengmodell (DTM) i høydedata blir først metoden «Triangulate with Natural Neighbor Interpolation» nytta, og om denne feilar, blir hòl fylt med metoden «Bin with Average Value». Datasetta inneheld berre ein klasse og difor vil overflatemodelen (DOM) vere lik terrengmodellen 5. Oppløysning på prosjektgrid vert bestemt frå punkttettleik ut frå følgande tabell: data: 0 <= punkttettleik < 2 gjev 1m Grid 2 <= punkttettleik < 4 gjev 0.5m Grid 4 <= punkttettleik gjev 0.25m Grid Prosjektet er lagt inn i høydedata med 5pkt/m2. Metadata ligg i prosjektrapport saman med datasettpolygon. Data vil ikkje kome med i nasjonal høgdemodell. Ein kan laste ned DTM i tilgjengeleg oppløysning frå høydedata, saman med punktsky og grid. Ein kan og nytta løysninga i ein WMS teneste. 4. Vurdering av dataleveransen med fokus på terrengdata Leveransen frå leverandør inneheld laserdata som punksky, bilete enkeltvis og som mosaikk, samt tilhøyrande metadata og datasett som vist i Tabell 3. Vurderingane av dataleveransen som følgjer her fokuserer på terrengdata i form av dekning, kvalitet og klassifisering. Vurderinga i dette kapittelet har fokus på klassifiserte terrengdata, men det er viktig å ta med seg at datasettet inneheld mykje meir informasjon om kvart enkelt punkt. Blant anna har kvart punkt informasjon om innsamlinga slik som kva kanal (grøn, raud eller nær infraraud) og stripe det høyrer til. I kapittel 5.1 ser vi litt nærmare på kva datasetta kan brukast til, og her er informasjon om intensiteten og kva retur eit punkt er (einaste, første av mange, ein av mange, siste) viktig. Alle laserpunkta har også fått ein RGB-verdi basert på bilete som er tatt under kartlegginga, noko som er nyttig både for visualisering og for å hente ut meir informasjon. 5 DOM vil også vere lik DTM for sjøbotn for alle prosjekt der dei baytmetriske laserklassene er brukt, sidan høydedata ikkje brukar uklassifiserte data i sjø (klasse 31 i) til å lage overflatemodel. 15

16 4.1. Dekning og punkttettleik Kva dekningsgrad ein kjem fram til, kjem an på kva ein brukar som areal som skal dekkast. Det er naturleg å fokusere på bestilt areal i sjø, men som vist under, er det fleire måtar å sjå på dette også. Det er likevel utan tvil at grøn laser gjev ein flekkvis dekning der ein i dette prosjektet har dekt under halvparten av det planlagde sjøarealet, men at ein har svært god punkttettleid i områda som er dekt Vurdering av dekning Det er levert eit eige datasett som viser kor ein ikkje har klassifiserte terrengpunkt i sjø (klassane sjøbotn eller stein). Dette er levert som eit sett av «no data»-polygon som er kategorisert med truleg årsak for at ein ikkje har data her. Tabell 5 viser kor store areal ein har utan data, fordelt på dei ulike kategoriane av «no-data», samt kva prosent dette utgjer av sjøarealet ein skulle kartlegge. Her ser vi at vi ikkje har data for nærmare to tredjedelar av det totale sjøarealet som skulle dekkast i prosjektet. Tabell 5: Oversikt over areal utan god nok dekning Type "no-data" Areal Del av planlagt sjøareal Objekt 0,1 km 2 0,2 % Turbulent 1,2 km 2 2,4 % Vegetasjon 3,7 km 2 7,1 % Siktedjup (for djupt) 3,9 km 2 7,6 % Mørk botn 24,6 km 2 47,9 % Totalt areal utan data 33.7 km 2 65,2 % Det planlagde sjøarealet (55,8 kvadratkilometer) er basert på kystkonturen og prosjektavgrensinga frå utlyst konkurranse 6. Prosjektavgrensinga følger i hovudsak 5 meters djupnekurve, men i enkelte delar av området har ein ikkje datagrunnlag godt nok til at det eksisterer ei 5 meters kurve, og der har 10 meter lege til grunn. Merk at det vil vere områder djupare enn 5 meter som ligg innanfor djupnekurva på 5 meter, sidan djupnekurvene garanterer at det utanfor kurva er djupare. Noko av dette arealet er kategorisert med «siktedjup» i oversikta over manglande dekning. Vidare vil ein også kunne diskutere om ein også har dekning der ein har klassifiserte punkt som vegetasjon, sidan denne type utfordring også gjeld andre kartleggingsmetodar slik som multistråleekkolodd. Det er verdt å merke seg at nærmare halvparten av arealet ein ønska kartlagt ikkje har dekning der grunnen er mørk botn eller ukjent. TerraTec har i sin evalueringsrapporten [5] sett nærmare på kva del av areala innanfor bør-kravet til dekning ned til 5 meter under sjøkartnull og skal-kravet om 3 meters djup som har dekning. Basert på dei delane av prosjektområdet der det er overlapp med batymetriske data Kartverket har frå tidlegare har dei estimert kva del av det planlagde sjøarealet som er djupare enn 5 og 3 meter. Ved å sjå bort frå desse områda, kjem ein til ei dekning på 44% av sjøarealet ned til 5 meter under sjøkartnull og 49% av sjøarealet ned til 3 meter under sjøkartnull. Statistikk basert på punkttettleik per kvadratmeter utført av prosjektgruppa viser at arealet der ein har minst eit punkt klassifisert som sjøbotn eller stein per kvadratkilometer er på totalt 28,9 kvadratkilometer. Dette tek også med områda der ein har dekning utover det bestilte prosjektområdet som utgjer rundt 7 kvadratkilometer. 6 Arealet er hente frå evalueringsrapporten til TerraTec [5] 16

17 Vurdering av punkttettleik Punkttettleiken av punkt klassifisert som sjøbotn eller stein der ein har dekning er i snitt på 8,9 punkt per kvadratmeter. Dette viser at der ein har fått returar, har ein oppfylt krava til 4 punkt med god margin. I hovudsak har ein enten mange treff eller ingen treff. Figur 5 viser typisk eksempel på punkttettleik av klassifiserte terrengdata i sjø (klassene sjøbotn og stein). Punkttettleiken av klassifiserte terrengpunkt ser ut til å vere lågare enn 4 punkt per kvadratmeter i overgangane mellom der ein har mange punkt og der ein ikkje har returar. Dette kjem truleg i stor grad kome av at klassifiseringa er vanskeleg der ein ikkje har nabopunkt å støtte seg på, og det i overgangane difor blir meir terrengdata som hamnar i uklassifisert. Figur 5: Eksempel på typisk punkttettleik. Her er punkttettleiken lågare enn 4 klassifiserte terrengpunkt for dei raude/oransje (1-3 punkt) og kvite (ingen returar) felta. Eksisterande terrengmodell for land (grå) og sjø (blå) ligg i bakgrunnen Kvalitet nøyaktigheit Her blir det gjeve ei oppsummering av dei vurderingane som er gjort av nøyaktigheit, både av prosjektgruppa og leverandør. I alle vurderingane er det mange feilkjelder som kjem inn, ikkje berre kvaliteten på innsamla laserdata, som gjer det vanskeleg å konkludere med kor god nøyaktigheit ein har. Vurderingane gjev likevel ein indikasjon på god kvalitet Vurdering av nøyaktigheit frå leverandør Laserrapporten [4] frå TerraTec vurderer at prosjektet over land har høg absolutt høgdenøyaktigheit. Nøyaktigheit under vassoverflata er ikkje nærmare vurdert i laserrapporten, men i den samla vurderinga av utført georeferering er det kommentert at ein som venta har lågare nøyaktighet i sjø grunna usikkerheit knytt til forplantinga av lyset under vatnet. 17

18 I evalueringsrapporten [5] har TerraTec utført ein samanlikning for områda der laserdata overlappar med det Kartverket har delt av batymetriske målingar. Sjå kapittel 4.5 i [5] for detaljar. Merk at datasetta Kartverket leverte er referert til sjøkartnull og er modellar basert på ein vekta middelverdi med variabel oppløysing frå 1 til 5 meter. Det er basert på råd frå Kartverket brukt eit vertikalt skift på 1,25 meter for å flytte data til NN2000, og alle intervalla refererer til NN2000. Det er også viktig å merke seg at tørrfall normalt blir lagt av 0,5 meter under sjøkartnull, noko som svarar til rundt 1,8 meters djup i NN2000. Statistikken for høgder i intervallet (-2, -1) og høgare som er gjeve i [5] gjev difor i liten grad informasjon om nøyaktigheit i høgde, men kjem i hovudsak frå andre feilkjelder. Noko av dette vil vere fyllingar som er kome etter at Kartverket har sjømålt og som er feilaktig blitt klassifisert som sjøbotn i laserdata (sjå 4.3.4). Andre feilkjelder er feil klassifiserte laserdata eller horisontal nøyaktighet i samband med overgangar og skrentar. For djup frå 4 meter og djupare viser snittet av differansane at laserdata typisk ligg 7-9 cm lågare enn batymetridata. Standardavviket er her 8-17 cm. For intervallet 3-4 meters djup ligg laserdata i snitt 2 cm lågare med standardavvik på 24 cm, medan for 2-3 meters djup ligg laserdata i snitt 11 cm over og standardavviket har gått opp til 42 cm Samanlikning av laserdata og nyare sjømålingsdata For nyare måleoppdrag kan ein få sjømålte data relatert til ellipsoiden direkte basert på tett kopling og data frå IMU og GNSS-systemet. Det er nokre slike måleoppdrag innanfor prosjektområdet, eit målt spesielt for GLaSS-prosjektet og nokre andre for Kystverket. For desse kan ein gjere ein direkte samanlikning av ellipsoidisk refererte sjømålingsdata med laserdata relatert til ellipsoiden. I tillegg har ein også dei tradisjonelle datasetta frå desse måleoppdraga der data er prosessert og redusert til sjøkartnull ved bruk av observert vasstand frå ein midlertidig vasstandsmåling like ved. Ein har samanlikna flate mot flate for - Laserdata til ellipsoiden og ellipsoidisk refererte sjømålingsdata (ERS-data) - Laserdata konvertert til sjøkartnull og tradisjonelle sjømålingsdata (MBES-data 7 ) til sjøkartnull - Ellipsoidisk referert sjømålingsdata konvertert til sjøkartnull og tradisjonelle sjømålingsdata For konvertering frå ellipsoiden til sjøkartnull er den nye modellen utvikla av prosjektet Felles referanseramme for sjø og land brukt. Konverteringa er gjort i Caris BaseEditor. Samanlikninga er også gjort i Caris BaseEditor og resultata vist her er samanlikning av gridda flater der Shoal Depth True Position (SDTP) med eit grid på 1 meter er brukt. Det er også gjort samanlikning av punktsky mot gridda flate (sjå meir i vedlegg D), men det er ikkje ein eigna måte å samanlikne data på. Det er ikkje mogeleg å gjere ei samanlikning av punktsky mot punktsky i Caris BaseEditor. Det er ikkje så stor overlapp mellom datasetta, så for å få nok punkt til å kunne få ein god statistikk er også punkt frå klasse 31 (ikkje botn) som ligg nærme sjøbotnen blitt tatt med. Som diskutert under klassifisering seinare, er dette punkt som dei automatiske algoritmane meiner har for stor variasjon til sjøbotnen til å skulle vere klassifisert som sjøbotn. At desse punkta her er tatt med, vil påverke statistikken noko. Tabell 6: Statistikk frå samanlikning av laserdata og sjømålte data Laserdata mot ERS-data Laserdata mot MBES-data ERS-data mot MBES-data Snitt (m) Standardavvik (m) Snitt (m) Standardavvik (m) Snitt (m) Standardavvik (m) 1 0,069 0,632-0,069 0,634-0,15 0, ,163 1,232 0,158 1,231-0,017 0,071 Nummera i tabellen viser til desse måleoppdraga: 1: nhs-2017-s-r : nhs-2017-k-r MBES = MultiBeam EccoSounder 18

19 Den siste kolonnen i Tabell 6 viser resultata når ein brukar den nye modellen til å konvertere ellipsoidisk refererte sjømålingsdata og tradisjonelt prosesserte sjømålingsdata til sjøkartnull til same referansenivået. I utgangspunktet bør denne feilen vere liten, men for måleoppdrag 1 er det i snitt ein differanse på 15 cm. Dette kan kome frå modellen eller måten Caris BaseEditor gjer transformasjonen, men kan også kome frå feilkjelder knytt til måleoppdraga prosessert enten til ellipsoiden eller sjøkartnull. Dette er ikkje nærmare vurdert her, men det er denne effekten knytt til konverteringa som gjer at kva flate som ligg øvst og nedst av laserdata og sjømålingsdata endrar seg om ein samanliknar data til ellipsoiden eller til sjøkartnull Visuell vurdering av nivå for laserdata frå kartlegginga på høg- og lågvatn Det er berre gjort ei enkel visuell vurdering av datasetta frå testen på høg- og lågvatn ved bruk av TerraView. Det er valt ein profil der sundet mellom to øyer var tørt ved kartlegging på lågvatn, men under vatn ved kartlegginga på høgvatn, sjå Figur 6. Profil (a) er basert på data frå kartlegginga på lågvatn. Her er punkta i sundet klassifisert som sjøbotn (blå) og ikkje som bakke (oransje) fordi alle tørre bakkepunkt utanfor kystkonturen er flytta til sjøbotn før leveranse. Innslaget av vassflate (turkis) i ytterkantane av profilen viser vasstanden ved kartlegginga og bekreftar at sundet var tørt ved kartlegginga. I profil (b) er dei same klassene tatt med for datasettet kartlagt på høgvatn. Her ser ein knapt eit einaste blått punkt, som i første omgang tyder på at ein ikkje har fått returar frå sjøbotn ved kartlegging på høgvatn. Ser vi på profil (c) der også dei uklassifiserte punkta (lys grøn) frå kartlegginga på høgvatn er tatt med, ser vi at ein har godt med treff på (eller nærme) sjøbotnen. Desse punkta har derimot ikkje blitt klassifisert som sjøbotn, og er ein av utfordringane med klassifiseringa som blir diskutert nærmare i seinare kapittel. I denne omgang skal vi derimot gjere ein visuell kontroll av nivået på tørr sjøbotn kartlagt på lågvatn og den uklassifiserte sjøbotnen frå kartlegginga på høgvatn. Når vi samlar dei to datasetta slik profil (d) viser, kan vi på grunn av feilklassifiseringa lett sjå om dei uklassifiserte, lysegrøna punkta fell saman med fasiten som er den blå sjøbotnen frå kartlegginga på lågvatn. Figur 6: Profilar frå kartlegging på låg- og høgvatn med punkt klassifisert som bakke (oransje), vassflate (turkis), sjøbotn (blå) og uklassifisert/ikkje botn (lys grøn) Som Figur 7 viser, ser den lysegrøne, uklassifiserte, sjøbotnen ut til å samanfalle med fasiten kartlagt på lågvatn. Den enkle visuelle kontrollen viser at det ikkje er snakk om store avvik på nivået av sjøbotnen for dei to kartleggingane. Det ser ut til å vere noko meir variasjon i den uklassifiserte sjøbotnen (som også er noko av grunnen til at punkta har hamna i feil klasse). 19

20 Figur 7: Sund ved kartlegging på lågvatn (oppe til venstre), ved kartlegging på høgvatn (oppe til høgre) og begge datasetta samla (nedst) med punkt klassifisert som bakke (oransje), vassflate (turkis), sjøbotn (blå) og uklassifisert/ikkje botn (lys grøn) Den enkle, visuelle kontrollen som er gjort viser at datasetta stemmer godt overeins med tanke på nivå, både for område som var under vatn for begge kartleggingane og for område som diskutert her der deler var tørrlagt under kartlegging på lågvatn. Det er ikkje blitt utført vidare analyser på desse datasetta Kvalitet klassifisering Klassifisering er generelt utfordrande i alle laserprosjekta, og for laserkartlegging i sjø ser ein at dette verkeleg er der det ligg eit stort potensiale for å auke kvaliteten på datasettet. På land har ein gjennom NDH-prosjektet gjort eit større arbeid med å forbetre dei automatiske algoritmane for klassifisering. TerraTec tok utgangspunkt i dei vanlege NDH-rutinane for klassifisering også i dette prosjektet, men som alt diskutert i kapittel 2.4.2, har ein gjort fleire endringar undervegs for å oppnå betre klassifisering. Sjølv med desse endringane, og sjølv om mykje tid blei brukt på manuell gjennomgang av klassifiseringa, ser vi at resultatet av klassifiseringa ikkje er så god som ein skulle ønskje. Mange problemområde og utfordringar er identifiserte gjennom prosjektet, og forsøkt samanfatta av TerraTec i sin evalueringsrapport [5], samt frå prosjektgruppa sitt synspunkt her Terrengdata på land Sidan både spesifikasjon og rutinane nytta til klassifisering er basert på NDH-prosjektet sine krav, forventar ein i utgangspunktet gode resultat på land. Det har ein stort sett fått, sjølv om det i dette prosjektet ikkje vore lagt vekt på klassifisering av data på land, og heller ikkje kontroll av dette. Med tre kanalar og låg flyhøgde, har ein svært mange punkt, og ein såg i prøveleveransen at kravet til kor stor del av punkta på veldefinert flater som er klassifisert som bakkepunkt ikkje var fylt. Dette skuldast i stor grad den grøne kanalen og i tråd med det ein gjer for dei NDH-prosjekta der same sensoren er brukt, blei difor ikkje punkt frå den grøne kanalen levert på land 8. Tørre punkt i tørrfallsona er klassifisert med same rutinar og fokus som data på land, og deretter flytta til tilhøyrande batymetriske klassar. Desse områda burde hatt eit anna fokus, ikkje minst når det gjeld stein og handtering av variasjonen som skjergard og fjære typisk har Terrengdata i sjø Ei utfordring for klassifisering av terrengdata i sjø basert på rutinar utvikla for land, er at ein på land i størst mogeleg grad prøver å trenge ned under alt som stikk opp frå bakken. For sjøbotnen er derimot informasjon om steinen som stikk opp noko av det viktigaste. Algoritmane som er brukt, har blitt tilpasse dette til ein viss grad, men det er likevel noko ymse kvalitet på klassifiseringa. Vi vurderer her klassifiseringa av punkt i sjø som ikkje er vassoverflate, det vil seie terrengdata (klasse 25 stein og klasse 26 sjøbotn), vegetasjon (klasse 29), menneskeskapte objekt (klasse 30 8 Med unntak av dei separate datasetta for testen på høg- og lågvatn 20

21 IHO-objekt) og uklassifisert (klasse 31 ikkje botn/no bottom). Rundt 1/3 av desse punkta er sjøbotn og nærmare 2/3 er uklassifisert. Berre eit fåtal punkt er klassifisert i ein av dei andre klassane. Vurdering av klassifisering av punkt i sjø viser at - Steinklassen er nesten ikkje brukt og gav ikkje det bidraget til terrengdata ein såg for seg. - Mange uklassifiserte punkt kunne bidratt til terrengdata. Samanlikning med overlappande batymetriske data viser at svært mange uklassifiserte punkt ligg nærme sjøbotnen. - Uklassifisert har også mange punkt nærme vassflata, og klassen er difor verken eigna for bruk i overflatemodellar eller for å enkelt kunne omklassifiserast til terrengdata (spesielt ikkje med dagens verkty). - Bruk av mange klassar slik som marin vegetasjon og ein brei tolking av IHO-objekt har liten verdi når det er så pass få punkt. Det er identifisert ei rekke problemområde og identifisert mange mogelege forbetringar der nokre av desse er skildra under Vurderinga til leverandøren Den manuelle gjennomgangen som er gjort i dette prosjektet har vore mykje meir tidkrevjande enn det ein forventa. TerraTec skriv i evalueringsrapporten [5] at det var gangar meir tidkrevjande enn typiske kartleggingsprosjekt på land. Det er difor mykje å hente på utvikling av betre automatiske algoritmar for denne typen data. Det vil truleg fortsatt krevje meir tid enn normalt for manuell gjennomgang av slike prosjekt, men til meir erfaring ein har, til lettare kjenner ein att problemområde der ein må sette inn ekstra innsats. Kort samanfatting av evalueringsrapporten [5]: - Betre automatiske klassifiseringsrutinar kan utviklast ved å bruke: o Informasjon om retur o Intensitetsverdiar (mindre potensiale) o Differansar mellom dei tre kanalane - Bileta bør og kan brukast i større grad under klassifisering - Nokre område, slik som tørrfall, har blitt oversett fordi fokus var på våte punkt - Vurderer å ikkje bruke alle flystriper der desse har ulik vasstand Feilklassifisering grunna flytting av tørre punkt To typar feilklassifisering i hovudleveransen skuldast bruk av kystkontur til å flytte alle tørre punkt i tørrfallsonen til tilsvarande batymetriske klasse slik skildra i Tabell 2. Erfaringane tilseier at ei slik flytting er nødvendig og bør gjerast, men at det bør gjerast på ein smartare måte. Feilklassifiserte terrengdata grunna flytting av tørre punkt Dette skuldast at Kartverket godkjente bruk av kystkontur henta frå FKB-Vann, som viste seg å ikkje vere oppdatert. Det er difor ein del punkt på nyare fyllingar, moloar og kaier som i leveransen er klassifisert som klasse 26 sjøbotn, men som heilt klart høyrer til i klasse 2 bakke. Dette kan ein enkelt unngå ved å sørge for at ein oppdatert kystkontur blir brukt. Feilklassifiserte punkt over vassflata grunna flytting av tørre punkt Når ein flyttar tørre terrengpunkt i tørrfallssona til sjøbotn, er det naturleg å også flytte uklassifiserte punkt i denne sona frå landklassen (1) til sjøklassen (31). Også her er flyttinga gjort av alle punkt i klasse 1 (uklassifisert) som er «utanfor» kystkonturen. Dette har medført at uklassifiserte punkt over vassflata, slik som ei høgspentlinje, også har blitt flytta til klasse 31 (ikkje botn). Dette blir feil, sidan klasse 31 berre skal ha uklassifiserte punkt i vasskolonnen. Vidare blir berre klasse 1 brukt i overflatemodellar, ikkje klasse 31, så desse høgspentlinjene og andre tilsvarande objekt over vassoverflata vil mangle frå overflatemodellane. Dersom det stemmer at det er flytting av uklassifiserte punkt utanfor kystsona som har laga desse problema, kan dette løysast ved å gjere flyttinga smartare. Ein kan sette grensa mellom sjø og land basert på høgde og flytte alle punkt som ligg lågare enn middel lågvatn (som er slik kystkonturen er definert). Dette vil også løyse problemet med utdatert kystkontur ved utbygging, men vil kunne føre til andre utfordringar ein ikkje ser no. Eit anna alternativ kan vere å berre be om å flytte 21

22 terrengpunkta, og ikkje uklassifiserte punkt. Dette kan gje utfordringar i forhold til korleis stein blir handtert, avhengig av korleis utfordringane diskutert under blir løyst Vanskeleg å skilje terrenget frå vassoverflata i skvalpesona Der vassoverflata og bakken møtest, er det vanskeleg å skilje mellom returar frå overflata og frå sjøbotnen. I tillegg er det gjerne også skummande vatn akkurat her. Det er difor naturleg at ein får noko datatap i denne stripa mellom våte og tørre punkt, men det er også potensiale her for å få med meir data. Prosjektgruppa har fleire stadar sett at data klassifisert som vassoverflate ser ut til å vere lagdelt i skvalpesona. Det nedste laget ser då ut til å fylle inn terrengmodellen og det er grunn til å tru at dette er data som burde vore klassifisert som sjøbotn. I tillegg har TerraTec sett eit område ved Stadtlandet der grunn sjøbotnen har blitt tolka som vassoverflate av algoritmane fordi botnen var uvanleg flat akkurat her. Fokus på manuell kontroll av desse områda er ein veg å gå for å hente ut meir data, som ikkje blei prioritert i dette prosjektet. Algoritmane bør også kunne tilpassast basert på at distansen mellom vassoverflata og sjøbotnen blir liten, slik at ein her kan justere reglane for klassifisering. I desse skvalpesonene har ein alt mykje informasjon fordi ein veit at botnen ligg nærme vassoverflata, samt nærme tørre punkt klassifisert som bakke like ved. Ein kan difor tillate meir her. Det vil også vere eit område der det er aktuelt å tillate interpolasjon mellom punkt. Det har ikkje blitt diskutert om problema i skvalpesona kan komme frå mangel på gode nabopunkt. Dersom tørre bakkepunkt nærme skvalpesona ikkje blir brukt, burde kanskje dette utnyttast. Ein kan sjå for seg at alle bakkepunkt i ein buffersone (eller i tørrfallsona) får status som klassifisert sjøbotn før algoritmane blir køyrt i desse områda Bruk av eiga klasse som fangar opp variasjon nærme botnen Vi ser at mykje av problema knytt til klassifisering av data i sjø er knytt til korleis ein tolkar variasjon i datapunkt som ligg nærme kvarandre. Den grøne kanalen gjev denne type utfordring på land der ein samtidig har treff frå dei andre kanalane. I sjø er det andre faktorar som spelar inn, men effekten er noko av det same. Variasjon mellom nabopunkt kan ha ulike grunnar - Kunstig variasjon mellom punkt frå ulike striper ved ulik vasstand. Skuldast blant anna unøyaktigheit i korreksjon av gangtid i sjø med brytning og liknande (sjå [5]). - Naturleg variasjon i sjøbotnen, slik som steinurer, skrentar, naturlege og kunstige kanalar. - Naturleg variasjon som ikkje er del av sjøbotnen. Nabotreff kan vere frå vegetasjon eller andre element i vasskolonnen som ikkje er del av sjøbotnen. Utfordringa er å skilje mellom variasjon (kunstig eller naturleg) mellom punkt som faktisk er på sjøbotnen og variasjon som tyder på at punkta nærme ikkje er del av sjøbotnen. Dette blir gjort i dag også, der ein blant anna klarar å skilje ut ein del vegetasjon. I tillegg ser ein at svært mange punkt hamnar i uklassifisert, medan klassar som stein knapt er brukt. Det burde la seg gjere å samle punkt som har «mistenksam stor variasjon» til nabopunkt klassifisert som sjøbotnen i ein eigen klasse for «nær sjøbotn», i staden for uklassifisert. Her vil også informasjon om kva retur punktet er, kanskje kunne utnyttast meir enn i dag. Den vesentlege skilnaden i forhold til dagens uklassifisert klasse, er at ein slik ny klasse berre vil ha punkt nærme sjøbotnen, og ikkje punkt frå resten av vasskolonnen. Ser ein vidare på denne ideen, vil ein kanskje også kunne bruke dette i skvalpesona. Der ein veit at sjøbotnen er svært nærme vassoverflata, kunne ein bruke vassoverflata, eller nedre del av denne, til å gje øvre estimat på sjøbotnen også her. Ein slik klasse vil nok også vere til hjelpe i tørrfallsona der ein i dag ser at steinar ikkje er blitt med. Dersom ein fortsatt gjer ein flytting av punkt, vil uklassifisert i slike område kunne flyttast til ei slik klasse for «nær botn». For produksjonslinja til sjødivisjonen er eit viktig punkt med ei slik klasse at det må vere lett å ta inn denne saman med sjøbotn, for så å flagge inn eller ut punkt for vidare bruk. 22

23 Ein annan viktig fordel med ei slik klasse er at den vil kunne inngå i overflatemodeller på same måte som uklassifiserte punkt på land gjer. Dersom ein beheld andre klassar som marin vegetasjon og IHOobjekt, kan desse også inkluderast, slik ein kan gjere for bruer og stein på landsida Saumlause data Datasetta frå GLaSS-prosjektet kan ein sjå saman med eksisterande datasett på land og i sjø på høydedata.no, og ein har ikkje laga terrengmodellar for området utover dette. Dekninga av laserdata i kystsona er som alt diskutert, svært flekkete, og ein har data i sjø for under halvparten av områda ein ønska. Der ein har data, er desse av god nok kvalitet til å kunne gje ein god terrengmodell, men ein får ikkje ein saumlaus terrengmodell for heile området. Figur 8: Øyer i Sande kommune med GLaSS-data i blått og områda innanfor prosjektavgrensinga utan data markert i kvitt (til venstre). Saman med eksisterande terrengmodell i sjø (til høgre) og på land (ikkje illustrert her) har ein for desse øyene ein tilnærma saumlaus modell. Grunna den flekkvis dekninga har ikkje prosjektet gjort noko vidare vurdering av terrengmodellane ein får, men vi ser at det er enkelte stadar der modellane er tilnærma saumlause. Figur 8 viser nokre øyer i Sande kommune der ein etter kartlegginga med grøn laser no har tilnærma saumlause modellar. Dekninga var heller ikkje her spesielt bra, som vist til venstre, men dei områda utan data frå GLaSS-prosjektet viser seg å alt vere dekt av tradisjonell sjømåling. 5. Råd for framtidig kartlegging av kystsona Kartlegging av grunne område med laser aleine vil berre gje heildekkande data dersom ein har eit område med lys botn utan noko særleg vegetasjon. For kartlegging der målsetninga primært er sjømåling for tradisjonelle navigasjonsprodukt kan laser vere eit eigna supplement, men vil truleg ikkje vere ein effektiv metode basert på kost/nytte. Kartverket gjev i aukande grad ut terrengdata i sjø til mange ulike kundar der føremåla ikkje er knytt til navigasjon. Eit hovudmål for GLaSS-prosjektet var difor å fylle gapet ein har i dag mellom detaljerte terrengmodellar i sjø og på land. Data frå GLaSS-prosjektet har for deler av området gjeve ein terrengmodell som er «saumlaus nok» til svært mange føremål. Samtidig har laserdata frå kystsonen mange fleire og viktige bruksområde enn saumlaus terrengmodell. Dette er viktig å få fram når ein skal diskutere korleis kartlegging i kystsona skal skje i framtida. Vi har difor prøvd å samle noko av det vi ser er viktig å ha med seg både når ein set måla for kartlegginga og når ein vurderer korleis ein ønskjer at kartlegginga skal gjerast. 23

24 5.1. Kva kan laserdata frå kystsona brukast til? Kystsona manglar i dagens terrengmodellar, og det er i seg sjølv ein viktig grunn til å kartlegge her. Det vil då vere viktig at datasetta er gode nok til å knytte saman eksisterande data frå sjø og land, men dette er ikkje det same som at kartlegginga må vere heildekkande. Som grunnlagsdata vil ein terrengmodell der ein har interpolert over hol i datasettet vere gull verdt samanlikna med ein modell utan informasjon om dei grunne områda i det heile, særleg om ein også får med informasjon om kor datagapa er. Dette vil gjelde bruksområde som matematiske modellar (hav, straum), simuleringar (ulike naturfenomen), men også til dels i planarbeid og visningsverkty. Det skjer stor utvikling i kystsona i dag, og andre brukarar slik som entreprenørar og utbyggarar kan kanskje vere avhengige av fullstendige modellar. Men også her vil alt ein har av gode data bidra til at behovet for ny kartlegging er mindre. Det har vore lite fokus på at kartlegging av kystsona gjev ei mengde informasjon utover terrengdata i seg sjølv. Nokre resultat om bruk av laserdata til kartlegging av naturtypar kan ein finne i ein rapport (sjå [6]) frå Havforskningsinstituttet, Norsk institutt for vannforskning og Norges geologiske undersøkingar. Dette gav lovande resultat, og desse etatane vil også ta i bruk data frå GLaSSprosjektet. I den samanheng har GLaSS-prosjektet hatt ei fagleg samling med fokus på korleis laserdata frå prosjektet best kan brukast vidare og TerraTec har med noko informasjon retta mot dette i evalueringsrapporten [5]. Det er verdt å merke seg at intensitet frå laserdata i sjø kan sjå ut til å gje mindre informasjon enn det ein er vant til frå ekkolodd-data, men at informasjon om kva retur punktet er derimot gjev ein god del informasjon. I dei aller fleste avleidde produkt slik som marine grunnkart og naturtypekartlegging vil flekkvis informasjon vere til nytte, og oftast vere veldig mykje betre enn ingen informasjon. I tillegg vil ein her også ofte kunne seie noko om kva forhold ein har der ein ikkje har fått returar ved laserkartlegging, sidan ein kjenner kva forhold som typisk skapar problem. Særleg vil laserdata vere nyttig i kombinasjon med bileta teke under kartlegginga. Frå desse datasetta kan ein hente ut store mengder informasjon om områda som er kartlagt i dette prosjektet Korleis kartlegge for å få betre data i framtida I dag har kartlegging med batymetrisk laser primært restriksjonar knyt til: - Flyhøgde - Manglande retur frå mørk botn eller vegetasjon - Høg kostnad I tillegg er det per i dag også nokre utfordringar knytt til klassifiseringa av data. Dette er ikkje ein restriksjon for kartleggingsmetoden, men eit symptom på at ein framleis ikkje har så mykje erfaring med klassifisering av batymetriske laserdata. TerraTec rapporterer i [5] om stor grad av læring gjennom dette prosjektet og viser også til planar for vidare utvikling og utforsking på dette området. Fleire forbetringspotensiale er diskutert i kapittel 4.3. Erfaringar knytt til best mogeleg utføring av kartlegginga med teknologien per i dag og utstyret brukt i dette prosjektet er alt skildra i kapittel 2 og samla i sjekklista i vedlegg C. Her ser vi på kva ein kan gjere utover dette for å kartlegge kystsona på ein meir effektiv måte Utnytte teknologien betre ved lågare flyhøgder I flyboren laserkartlegging kan ein auke sjansen for returar ved å senke flyhøgda og ved å auke styrken på laserpulsen. I dette prosjektet er maksimal effekt på laseren brukt, så her må forbetringar i så fall kome frå utvikling av sensorane, noko ein sjølvsagt må følgje med på. For flyhøgde er det i hovudsak to sikkerheitsaspekt som bestemmer kor lågt ein kan fly: Flysikkerheit og sikker avstand frå laserkjelda til eit objekt. For flyboren laser som i dette prosjektet, er det flysikkerheita som gjer at ein må fly på 400 meter. Ved utvikling av bæreplattformer for helikopter for batymetriske lasersystem vil ein derimot vere styrt av sikker avstand for sensoren, som i dag ligg på meter for område der det kan vere menneske. Bruk av drone som bæreplattform kan også bli mogeleg i framtida. Lågare flyhøgde vil kunne gje smalare striper med innsamla data. Det er med andre ord fleire faktorar som må vurderast for å finne den mest effektive måten å samle inn på både med tanke på kvalitet, tid og kostnad. 24

25 Utfordringar med manglande retur frå mørk botn Ved bruk av flyfoto kan ein før oppstart av ei kartlegging vurdere kva dekning ein kan vente seg i eit område. Det kan brukast til å vurdere om kartlegging med grøn laser skal gjennomførast for eit område, eller til å justere prosjektgrensene slik at ein brukar tid og resursar der ein får mest igjen for det. Resultata frå prosjektet viser tydelig at det er lite returar der sjøbotnen er mørk. Ved å prosessere flybilete frå Norgeibilder.no vil det vere mogeleg å lage eit kartlag som viser område der ein kan forvente å få treff med grøn laser. Dette krev at ein har flybilete som er nokolunde homogene og ikkje har for mykje refleksjonar i vassoverflata. Figur 9: Samanlikning av kva ulike flyfoto frå 2016 (venstre) og 2006 (høgre) kan fortelje om fargen på sjøbotnen I Figur 9 ser ein at det er skilnad på kor eigna flyfoto er til dette. Her er prosjektet frå 2016 mindre eigna til å vurdere mørk havbotn enn bileta frå Eit alternativ er å nytte satellittdata frå for eksempel Copernicus-programmet for å få homogene bilete over heile prosjektområdet. Her vil ein òg kunne dra nytte av fleire kanalar som kan gjere det lettare å skilje ut mørk botn og vegetasjon Ta i bruk supplerande og alternativ teknologi Ein annan mogeleg framgangsmåte er å lyse ut ein konkurranse om heildekkande kartlegging utan å spesifisere kva teknologi som skal brukast. Ein må då spesifisere kva krav ein har til datasettet, og desse krava kan ein tenke seg endrar seg med djup eller med kor viktig eit område er. Krava for nokre djup eller område kan då settast slik at grøn laser kan brukast dersom dette blir sett på som effektiv og eigna metode her. På den måten er det opp til industrien å finne den beste løysning til ein rimeleg pris. I dag brukar NVE denne framgangsmåten for å bestille heildekkande kartlegging av elver. Det blir ofte løyst ved at ein først flyg med grøn laser, deretter samlar data med ekkolodd med eit manus basert på dekninga frå laserkartlegginga. I tillegg blir det gjort andre målingar der verken laser eller ekkolodd har gjeve resultat. Hyperspektrale data er ein lovande måte for supplering av batymetrisk laser. TerraTec har gjort nokre eigne testar og sett på eksisterande litteratur, og det ser ut til at hyperspektrale data kan brukast til å finne djup i sjø. Testar så langt viser at det typisk gjev god definisjon av djup for vegetasjon, men gjev dårleg definisjon på sandbotn. Det er difor nærliggande å tru at kombinasjonen grøn laser og hyperspektral sensor kan vere ei god tilnærming for å få heildekkande djupnedata i grunne områder. Heildekkande kartlegging med ulike sensorar vil gje utfordrande krav til korleis datasetta skal settast saman, og for god kontroll på nivå og handtering av datasett med ulike eigenskapar. 25