Геоморфология и палеогеография, 2023, T. 54, № 3, стр. 150-164

Способ корегистрации цифровых моделей высот для получения гидрологически корректного представления земной поверхности

С. В. Харченко 12*

1 Московский государственный университет имени М.В. Ломоносова, географический факультет
Москва, Россия

2 Институт географии РАН
Москва, Россия

* E-mail: xar4enkkoff@yandex.ru

Поступила в редакцию 28.05.2022
После доработки 01.11.2022
Принята к публикации 22.12.2022

Аннотация

При создании цифровых моделей высот по данным аэрофотосъемки с БПЛА для их применения в численном моделировании (гидрологическом, эрозионном и др.) возникает проблема корегистрации данных отдельных съемок, которые могут быть произведены в разное время суток, сезоны или даже годы, что затрудняет пространственную привязку данных. Существующие алгоритмы корегистрации обычно осуществляют статистическую подгонку облаков точек или растровых моделей. Такой подход нарушает гидрологическую корректность итоговых данных – возникают артефакты вроде различных уступов и швов. Предлагаемый подход базируется на поиске изолинии “нулевой ошибки” высот, по которой и происходит сшивка отдельных сцен съемки. Поиск этой линии осуществляется как по немодифицированным моделям высот, так и при разделении их на “ведущую” и “ведомые”; последние подвергаются геометрической коррекции. Как критерии качества слияния моделей высот использованы: 1) статистические распределения крутизны (коэффициент ранговой корреляции на ведущей и ведомой моделях), т.е. параметра, влияющего на результаты моделирования стока воды, наносов, устойчивости склонов и т.д., 2) мера постоянства геометрической структуры микроводосборов. Алгоритм апробирован на трех участках, расположенных в равнинных, низкогорных и среднегорных условиях. Во всех примерах показана высокая эффективность методики – по линиям швов полностью отсутствуют артефакты корегистрации. При этом методика построена таким образом, что геометрическая модификация ведомых моделей высот не приводит к существенному искажению их морфологии – средняя крутизна в подавляющем числе случаев не отклоняется более чем на 1° в сравнении с исходными данными, ранговая корреляция крутизны (отвечающая постоянству ее пространственного распределения) меняется в разных случаях в интервале 0.9–0.99 (при среднем значении 0.96), коэффициенты геометрического сходства сеток микроводосборов на объединенных моделях высот показывают во всех случаях даже большие значения (1.09), нежели на исходных данных без какой-либо коррекции (0.98) в областях их взаимного перекрытия.

Ключевые слова: беспилотные летательные аппараты, цифровая модель высот, морфометрический анализ рельефа, водосбор, крутизна поверхности

Список литературы

  1. Beyer R.A., Alexandrov O., Moratto Z.M. (2014). Aligning terrain model and laser altimeter point clouds with the Ames Stereo Pipeline // Lunar and Planetary Science Conference. No. 1777. P. 2902.

  2. Debella-Gilo M., Kääb A. (2011). Sub-pixel precision image matching for measuring surface displacements on mass movements using normalized cross-correlation // Remote Sensing of Environment. Vol. 115. No. 1. P. 130–142. https://doi.org/10.1016/j.rse.2010.08.012

  3. Gafurov A. (2021). The methodological aspects of constructing a high-resolution DEM of large territories using low-cost UAVs on the example of the Sarycum aeolian complex, Dagestan, Russia // Drones. Vol. 5. No. 1. P. 7. https://doi.org/10.3390/drones5010007

  4. Hackney C., Clayton A. (2015). Unmanned Aerial Vehicles (UAVs) and their application in geomorphic mapping // Geomorphological Techniques (Eds. Clarke L., Nield J.M.). London, GB: British Society of Geomorphology. P. 1–12.

  5. Hargrove W.W., Hoffman F.M., Hessburg P.F. (2006). Mapcurves: a quantitative method for comparing categorical maps // Journal of Geographical Systems. Vol. 8. No. 2. P. 187–208. https://doi.org/10.1007/s10109-006-0025-x

  6. James M.R., Chandler J.H., Eltner A. et al. (2019). Guidelines on the use of structure-from-motion photogrammetry in geomorphic research // Earth Surface Processes and Landforms. Vol. 44(10). P. 2081–2084. https://doi.org/10.1002/esp.4637

  7. Kaiser A., Erhardt A., Eltner A. (2018). Addressing uncertainties in interpreting soil surface changes by multitemporal high-resolution topography data across scales // Land degradation & development. Vol. 29(8). P. 2264–2277. https://doi.org/10.1002/ldr.2967

  8. Kenward T., Lettenmaier D.P., Wood E.F., Fielding E. (2000). Effects of digital elevation model accuracy on hydrologic predictions // Remote Sensing of Environment. Vol. 74(3). P. 432–444. https://doi.org/10.1016/S0034-4257(00)00136-X

  9. Leitão J.P., De Vitry M.M., Scheidegger A., Rieckermann J. (2016). Assessing the quality of digital elevation models obtained from mini unmanned aerial vehicles for overland flow modelling in urban areas // Hydrology and Earth System Sciences. Vol. 20. No. 4. P. 1637–1653. https://doi.org/10.5194/hess-20-1637-2016

  10. Li H., Deng Q., Wang L. (2017). Automatic co-registration of digital elevation models based on centroids of subwatersheds // IEEE Transactions on Geoscience and Remote Sensing. Vol. 55. No. 11. P. 6639–6650. https://doi.org/10.1109/TGRS.2017.2731048

  11. Niitsuma H., Maruyama T. (2010). Sum of absolute difference implementations for image processing on FPGAs // 2010 International Conference on Field Programmable Logic and Applications. P. 167–170.

  12. Nuth C., Kääb A. (2011). Co-registration and bias corrections of satellite elevation data sets for quantifying glacier thickness change // The Cryosphere. Vol. 5. P. 271–290. https://doi.org/10.5194/tc-5-271-2011

  13. Psarakis E., Evangelidis G. (2005). An Enhanced Correlation-Based Method for Stereo Correspondence with Sub-Pixel Accuracy // 10th IEEE International Conference on Computer Vision (ICCV), Oct 2005, Beijing, China. P. 907–912. https://doi.org/ff10.1109/ICCV.2005.33f

  14. R Core Team (2021). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria [Электронный ресурс]. Режим доступа: https://www.r-project.org (дата обращения: 01.01.2022).

  15. Revuelto J., López-Moreno J.I., Alonso-González E. (2021). Light and shadow in mapping alpine snowpack with unmanned aerial vehicles in the absence of ground control points // Water Resources Research. Vol. 57. No. 6. P. e2020WR028980. https://doi.org/10.1029/2020WR028980Sergeikharchenko/rhydrodemcoreg: The R tool for DEMs coregistration with keeping of hydrologically correctness [электронный ресурс]. Режим доступа: https://github.com/sergeikharchenko/rhydrodemcoreg (дата обращения: 01.04.2022).

  16. Shean D.E., Alexandrov O., Moratto Z.M. et al. (2016). An automated, open-source pipeline for mass production of digital elevation models (DEMs) from very high-resolution commercial stereo satellite imagery // ISPRS J. Photogramm. Remote Sens. Vol. 116. P. 101–117. https://doi.org/10.1016/j.isprsjprs.2016.03.012

  17. Śledź S., Ewertowski M.W., Piekarczyk J. (2021). Applications of unmanned aerial vehicle (UAV) surveys and Structure from Motion photogrammetry in glacial and periglacial geomorphology // Geomorphology. Vol. 378. P. 107620. https://doi.org/10.1016/j.geomorph.2021.107620

  18. Walker J.P., Willgoose G.R. (1999). On the effect of digital elevation model accuracy on hydrology and geomorphology // Water Resources Research. Vol. 35 (7). P. 2259–2268. https://doi.org/10.1029/1999WR900034

  19. Woodrow K., Lindsay J.B., Berg A.A. (2016). Evaluating DEM conditioning techniques, elevation source data, and grid resolution for field-scale hydrological parameter extraction // Journal of hydrology. Vol. 540. P. 1022–1029. https://doi.org/10.1016/j.jhydrol.2016.07.018

  20. Zhengyou Zh. (1994). Iterative point matching for registration of free-form curves and surfaces // International Journal of Computer Vision. No. 13 (12). P. 119–152.

Дополнительные материалы отсутствуют.