2005–2009年Drôme河（法國）無人機遙感的正射影像和數字高程模型數據集

2005–2009年Drôme河（法國）無人機遙感的正射影像和數字高程模型數據集
作者：崔丹丹　張耀南　科瑞斯特•米歇爾　赫夫•派戈
2019年7月12日

本作品收錄於《中國科學數據》

崔丹丹, 張耀南, 科瑞斯特•米歇爾, 赫夫•派戈. 2005–2009年基於SfM法國Drôme河無人機遙感的正射影像和數字高程模型[J/OL]. 中國科學數據, 2019, 4(3). (2019-03-21). DOI: 10.11922/csdata.2018.0032.zh.

摘要&關鍵詞

摘要：近年來，出現一種低成本、高效率獲取高分辨率三維數據的新型攝影測量方法，被稱為運動與結構重建（SfM，Structure from Motion）。SfM作為數字測量領域最新且最為重要的進步，直到2011年才被應用於地球科學領域中。使用該方法生成各種高質量的正射影像圖（DOM，Digital Orthophoto Map）、三維點雲和數字高程模型（DEM，Digital Elevation Model）可用來檢測地形變化，並以此推斷冰川、河流、沿海、地震、滑坡、火山等環境的動態過程。本文基於法國德龍河（Drôme River）2005–2009年無人機（UAV，Unmanned Aerial Vehicle）影像的數據，利用新型的SfM攝影測量方法，快捷地獲取高精度的DOM和DEM，並通過檢查點將數據與差分全球定位系統測量數據，再進行殘差統計，誤差為0.13–0.23 m。利用歷史存檔無人機影像結合最新SfM攝影測量方法獲得的數據集，為描述河流地形地貌特徵提供了高精度數據，有助於對河流地貌進行監測和變化分析。

關鍵詞：河流遙感；運動與結構重建；無人機；正射影像；數字高程模型

Abstract & Keywords

Abstract: In the past few years, a new low-cost, efficient photogrammetry mapping method called structure from motion (SfM) was applied to the high-spatial resolution three-dimensional topographic data collection. As the latest and a very significant advance in digital surveying, SfM has only been applied to the geosciences to produceDOM, three-dimensional (3D) point clouds,and DEM since 2011. SfM-derived products have been used to detect topographical changes and hence to infer dynamic processes in glacial, fluvial, coastal, hillslope, dryland, volcanic, and shallow underwater environments. In this study, historical imagery archives of 2005 – 2009 acquired from a UAV are processed by using SfM to create hyper-spatial resolution DOM and DEM. A statistical analysis indicates that the results have an overall accuracy of about 0.13 – 0.23m. Precise and detailed data obtained from UAV imagery and SfM photogrammetry are essential for describing fluvial geomorphology and also helpful to detect, monitor and predict fluvial geomorphic processes.

Keywords: fluvial remote sensing; UAV; SfM; DOM; DEM

數據庫（集）基本信息簡介

數據庫（集）名稱	2005–2009年法國Drôme河的DOM和DEM數據集
數據作者	崔丹丹、科瑞斯特•米歇爾、赫夫•派戈、張耀南
數據通信作者	張耀南（yaonan@lzb.ac.cn）
數據時間範圍	2005–2009年
地理區域	地理範圍包括北緯44°37′10″–44°39′40″，東經5°25′00″–5°26′50″。其中研究區域為：Drôme河長5 km河段。
空間分辨率	DOM：0.1 m，DEM：0.2 m/0.3 m
數據量	5.56 GB
數據格式	*.tif
數據服務系統網址	http://www.sciencedb.cn/dataSet/handle/639
基金項目	寒旱區環境演變研究「科技領域雲」的建設與應用（XXH13506），國家自然科學基金「基於建模框架的生態水文模型構建與參數模擬」（91125005），中國科學院寒區旱區環境與工程研究所冰川凍土特殊學科點（J1210003）。
數據庫（集）組成	數據集由兩部分數據組成，一是DOM數據，二是DEM數據，共10個數據文件。以2006年數據為例，DOM數據名為2006-DOM.tif，DEM數據名為2006-DEM.tif。

Dataset Profile

Title	A dataset of DOM and DEM of the Drôme River (2005 – 2009)
Data corresponding author	Zhang Yaonan (yaonan@lzb.ac.cn）
Data authors	Cui Dandan, Kristell Michel, Hervé Piégay, Zhang Yaonan
Time range	2005 – 2009
Geographical scope	44°37′10″–44°39′40″N, 5°25′00″–5°26′50″E (a 5 km reach in Drôme River)
Spatial resolution	DOM: 0.1 m, DEM: 0.2 m/0.3 m
Data volume	5.56 GB
Data format	*.tif
Data service system	<http://www.sciencedb.cn/dataSet/handle/639>
Sources of funding	Informatization Program of the Chinese Academy of Sciences: Construction and application of technology cloud on studies of environmental evolution in the cold region (XXH13506); National Natural Science Foundation of China (91125005); Incubation Foundation for Special Disciplines of the National Science Foundation of China (J1210003).
Dataset composition	The dataset consists of two parts of data, one for DOM and the other for DEM. It comprises ten data files in total. Take data of the year 2006 as an example – the data files are recorded as 2006_DOM.tif and 2006 _DEM.tif.

引 言

近年來計算機視覺和傳統攝影測量技術的融合發展，帶來了運動結構恢復（SfM，Structure from motion）這一新型的地形測量技術。該方法僅需要目標物體多視角照片，利用高效的特徵匹配算法從照片中精確、快速、高效地獲取重疊區域的高質量三維地形數據。自2011年，SfM開始應用於地球科學領域。精確的地形信息在河流地貌研究領域有十分重要的作用^[1][2]。多數遙感影像的分辨率難以滿足對中小尺度河流（河寬＜200 m）地貌特徵的研究^[3]。SfM與其他常規數字測量方法（如全站儀、差分全球定位系統、激光掃描等）相比，因其成本低、速度快、能提供真正的三維信息，具有無法取代的優勢，而應用於河流地貌形態變化監測和沉積物預算的研究中^{[4][5][6][7][8][9]}。目前在河流地貌研究方面，SfM為三維遙感的強大補充，通過無人機遙感獲取高分辨率影像，結合SfM處理獲得高精度地形數據，構建高質量DEM對河流地貌進行定量研究和變化分析^[10][11][12]。

本文結合生產實踐，利用2005–2009年無人機遙感系統對Drôme河岸環境現狀進行遙感測量的高分辨率影像歷史數據，基於SfM這種適合大眾使用的三維地形數據處理技術進行河流地貌的DOM和DEM構建，並與差分全球定位系統測量數據進行比較，對存檔的無人機影像衍生產品的精度進行分析，充分發揮數據應用潛力。

1 數據採集和處理方法

1.1 研究區域

德龍河（Drôme River，圖1）位於阿爾卑斯山南部，在法國東南部，屬於羅訥河（Rhône）的左支流，河道全長110 km，流域面積1640 km2。本文選取Drôme河長5 km的河道為研究河段（study reach），河道寬度在10–200 m之間，河床主要是由疏鬆砂岩、礫石和卵石構成，河道寬而淺，彎曲度小，沿河沒有堤壩，河道不固定，遷移迅速^[13]，河道兩岸植被茂密。

圖片

圖1 研究區域

1.2 數據的獲取及處理

無人機影像生成DOM和DEM主要流程如圖2所示。

圖片

圖2 無人機影像生成DOM和DEM主要流程圖

本次研究無人機影像數據是法國國家科學研究中心（CNRS，Centre National de la Recherche Scientifique）在2005–2009年對Drôme河進行無人機遙感監測獲取的影像。本數據是利用無人機（Pixy Drone）系統搭載高清相機，獲取的覆蓋整個研究區域的高度重疊、高分辨率、真彩色數碼影像，影像格式為JPEG。飛行日期、飛行高度（航高）、影像數量、傳感器、控制點和檢查點等相關數據採集時的信息，參見表1。

表1 數據採集和處理的相關信息

時間	2005/05/23-27	2006/05/15-19	2007/05/21-25	2008/09/29-30	2009/06/16-19
傳感器	Canon G5	Canon G5	Canon G5	Canon G9	Sony DSLR-A350
影像分辨率（cm）	7.2	4.8	4.5	6.4	5.6
焦距（mm）	7.2	7.2	8	7.4	30,35
影像數量	563	647	982	387	365
航高（m）	200	134	197	271	373
控制點數量	230	380	150	70	120
檢查點數量	89	104	96	29	35
DOM分辨率（m）	0.1	0.1	0.1	0.1	0.1
DEM分辨率（m）	0.2	0.2	0.2	0.3	0.3
X誤差（m）	0.06	0.07	0.08	0.08	0.08
Y誤差（m）	0.07	0.08	0.08	0.09	0.1
Z誤差（m）	0.09	0.17	0.14	0.16	0.19
誤差（m）	0.13	0.2	0.18	0.2	0.23

飛行實驗前，沿着河流走廊均勻布設標記點，標記為50×50 cm的紅色明亮區域。在野外使用天寶RTK5800，通過接收高精度實時差分信號，獲取它們的空間坐標。這些標記點中，選擇一部分位置在圖像上清晰可辨的點作為地面控制點來配准圖像，剩餘點作為檢查點對數據產品進行質量評估。

Agisoft Photoscan軟件是無人機影像利用SfM方法構建具有地理坐標的3維模型的專業軟件，Verhoever^[14]詳細介紹了相關算法。本文採用該軟件，主要處理流程如下（圖2）：（1）為了保證影像數據處理精度，對影像進行初步質量檢測，剔除畸變嚴重、模糊、異常和不在研究區域的影像，將預處理後的無人機遙感影像導入PhotoScan。（2）計算重疊影像匹配點，估計每張影像的位置，生成稀疏點雲。（3）導入具有精確地理坐標的地面控制點，將數據從圖像空間坐標系變換為現實世界空間坐標系，進一步對模型進行優化並獲取相機和稀疏點雲的真實空間位置。（4）計算深度信息，生成密集點雲。（5）生成帶有空間地理坐標信息的DOM和DEM，輸出時可以調整分辨率大小^[15]和投影類型，輸出數據的分辨率參考表1，投影類型為RGF93_Lambert_93。

2 數據樣本描述

本數據集研究區域為Drôme河在Luc-en-Diois和 Recoubeau-Jansac間長5 km的河道及其周圍地貌環境。數據集由兩部分數據組成，一是DOM，二是DEM，共10個Geotiff格式數據文件，地理坐標係為RGF93_Lambert_93，數據的空間分辨率和誤差可以參見表1。DOM的空間分辨率為0.1 m，能清晰顯示出河道和植被等相關地貌，像素深度為8位整型。DEM數據像素深度為32位浮點型，不同年份數據空間分辨率略有差別，為0.2 m或0.3 m，具體參照表1。整個區域高程值在480–580 m之間。以2006年數據為例，DOM數據名為2006_DOM.tif，DEM數據名為2006_DEM.tif，數據結果如圖3所示。

圖片

圖3 DOM和DEM（以2006年數據為例）

3 數據質量控制和評估

本文數據集主要通過以下手段進行質量控制：

1. 數據源質量控制。為生成高質量的數據，對無人機影像進行檢查和篩選，確保高質量的影像覆蓋整個研究區並具有較高重疊度。

2. 處理過程中質量控制。無人機影像採用目前可用的、主流商業SfM軟件AgiSoft Photoscan專業版進行處理，同時加入分布均勻、數量足夠、精度高的地面控制點，作為地理參考，對點雲模型進行配准和優化。

3. 數據質量評估。選取部分標記點作為檢查點，統計檢查點在X（經度）、Y（緯度）、Z（高度）方向上均方根誤差（RMSE，Root Mean Square Error）和整體誤差（表1），通過檢查點處誤差的統計分析，可以對DOM和DEM數據誤差有清楚的認識。

4 數據價值

由無人機影像衍生的DOM和DEM數據集可以用於製圖、河流地貌特徵可視化和定量分析，作為其他數據的背景圖像。數據具有較高的空間分辨率，可以分析河岸森林植被覆蓋情況，也可以作為一種生態模型、水文模型的參數來確定植被生產力，生物量和流域分析等。同區域不同時相的地形數據產品結合，可以精確掌握河道動態變化信息，分析河道內泥沙運移的變化量，洲灘的沖淤，對河流地貌進行監測和變化分析。

5 數據使用方法和建議

2005–2009年法國Drôme河DOM和DEM數據集可在ArcGIS、PhotoScan、SuperMap、ENVI、ERDAS等常用的GIS與遙感軟件中讀取和操作。

參考文獻

1. WOODGET A S, CARBONNEAU P E, VISSER F, et al. Quantifying submerged fluvial topography using hyperspatial resolution UAS imagery and structure from motion photogrammetry[J]. Earth Surface Processes and Landforms, 2015, 40(1): 47-64.
2. PIEGAY H, KONDOLF G M, MINEAR J T, et al. Trends in publications in fluvial geomorphology over two decades: A truly new era in the discipline owing to recent technological revolution?[J]. Geomorphology, 2015, 248: 489-500.
3. GILVEAR D, BRYANT R. Analysis of aerial photography and other remotely sensed data[J]. Red, 2003, 600(5.8): 23.
4. NOTEBAERT B, VERSTRAETEN G, GOVERS G, et al. Qualitative and quantitative applications of LiDAR imagery in fluvial geomorphology[J]. Earth Surface Processes and Landforms, 2009, 34(2): 217-231.
5. THOMA D P, GUPTA S C, BAUER M E, et al. Airborne laser scanning for riverbank erosion assessment[J]. Remote sensing of Environment, 2005, 95(4): 493-501.
6. FONSTAD M A, MARCUS W A. High resolution, basin extent observations and implications for understanding river form and process[J]. Earth Surface Processes and Landforms, 2010, 35(6): 680-698.
7. MORETTO J, DELAI F, RIGON E, et al. 2012. Assessing short term erosion-deposition processes of the Brenta River using LiDAR surveys[J]. WIT Transactions on Engineering Sciences 73, 149-160.
8. CAVALLI M, TAROLLI P, MARCHI L, et al. 2008. The effectiveness of airborne LiDAR data in the recognition of channel-bed morphology[J]. Catena, 73(3): 249-260.
9. MCKEAN J, ROERING J. Objective landslide detection and surface morphology mapping using high-resolution airborne laser altimetry[J]. Geomorphology, 2004, 57(3-4): 331-351.
10. MIŘIJOVSKÝ J, LANGHAMMER J. Multitemporal monitoring of the morphodynamics of a mid-mountain stream using UAS photogrammetry[J]. Remote Sensing, 2015, 7(7): 8586-8609.
11. TAMMINGA A D, EATON B C, HUGENHOLTZ C H. UAS‐based remote sensing of fluvial change following an extreme flood event[J]. Earth Surface Processes and Landforms, 2015, 40(11): 1464-1476.
12. DIETRICH J T. Riverscape mapping with helicopter-based Structure-from-Motion photogrammetry [J]. Geomorphology, 2016, 252: 144-157.
13. TOONE J, RICE S P, PIÉGAY H. Spatial discontinuity and temporal evolution of channel morphology along a mixed bedrock-alluvial river, upper Drôme River, southeast France: Contingent responses to external and internal controls[J]. Geomorphology, 2014, 205: 5-16.
14. VERHOEVEN G. Taking computer vision aloft-archaeological three-dimensional reconstructions from aerial photographs with photoscan[J]. Archaeological prospection, 2011, 18(1): 67-73.
15. 魏占玉, 何宏林, 高偉. 基於SfM方法的高密度點雲數據生成及精度分析[J]. 地震地質, 2015, 37(2): 636-648.

數據引用格式

崔丹丹, 科瑞斯特•米歇爾, 赫夫•派戈, 張耀南. 2005–2009年法國Drôme河的正射影像和DEM數據集[DB/OL]. Science Data Bank, 2018. (2018-07-31). DOI: 10.11922/sciencedb.639.