Belvízelöntések térképezését és a belvizképződés modellezését megalapozó térbeli adatgyűjtés

1. Belvízelöntések térképezését és a belvizképződés modellezését megalapozó térbeli adatgyűjtés Szatmári József 1 – Szijj Nándor 2 – Mucsi László 1 – Van Leeuwen Boudewijn 1 – Tobak Zalán 11 SZTE – Természeti Földrajzi és Geoinformatikai Tanszék, szatmari@geo.u-szeged.hu2 Carto-Hansa Kft. ügyvezető igazgató, info@cartohansa.hu FÉNYKÉP, TÉRKÉP,   FÉNY - TÉR – KÉP Székesfehérvár, 2010. október 14.

2. Tartalom • Belvíz jelenség • Térbeli adatgyűjtés – Mintaterületek • Domborzatmodellek, alkalmazás • Modellezés: Mesterséges neurális hálózatok (ANN) • Keretrendszer: ANN – GIS kapcsolata • Eredmények • Következtetések

3. Február 2010 Március 2005 Március 2006 A belvíz probléma 2010. június 8. 2010. szept. 28. www.vizugy.hu

4. Belvizek kialakulásában szerepet játszó egyedi hatások a. talajtani okok (pl. talajtípus, gyenge vezetőképesség, agrotechnikai gondok), b. domborzati tényezők (pl. zárt depressziók, időszakos domborzati formák), c. geomorfológiai okok (pl. hordalékkúpok pereme, talajvízáramlás), d. hidrogeológiai okok (talajvíz- és rétegvíz-áramlások), e. területhasználati okok (beépítettség, vonalas infrastruktúrák hatása), f. éghajlati okok (talajfagy szerepe, párolgás, vízmérleg, vegetáció), g. társadalmi-politikai okok (pl. csatornarendszerek vegyes kezelése, nem megfelelő karbantartása, politikai határ, közigazgatási határ), h. műszaki (pl. csatornarendszerek), technológiai, vízkormányzási gondok

5. A belvíztérképezés módszertanának kialakítása • A térképezés légi távérzékeléses módszerei • Mobil, térinformatikai rendszerre alapozott terepi térképezés • Digitális terepmodellek készítése és alkalmazhatóságának vizsgálata az országos és regionális operatív belvízvédekezésben

6. Mintaterületek • - Belvíz előfordulások • - Kutatási előzmények • - Reptér közelsége • 70 km2 • Kiválasztás kritériumai:

7. Mintaterületek kiválasztása Székkutas Batida Tápairét www.cartohansa.hu

8. Munkaterületek meghatározása Batida – Tápairét - Székkutas www.cartohansa.hu

9. RepülésSzeged,2009.11.19. Hansa-Luftbild GmbH www.cartohansa.hu

10. Repülési paraméterek Repülőgép Cessna 404 D-IDOS Repülési sebesség 65 m/s Relatív repülési magasság 1500 m Repülés dátuma 2009.11.19 Lézeres mérés paraméterei Mérőeszköz ALTM 3100 (Optech/Toronto) Lézermérési frekvencia 70 000 Hz Max. szkennelési szög ± 18 fok Szkennelési frekvencia 35 Hz Sortávolság 725 m Sorszélesség 250 m Átfedés 250 m Pontmérés sűrűsége 1,4 pont/m² LézerszkennelésMűszaki paraméterek és eszközök www.cartohansa.hu

11. LézerszkennelésPontadatbázis kiértékelése 1. • Koordinátatranszformáció (Lineáris transzformáció 1km-es rácsban, azonos pontok felhaszn.) • ETRS89 ellipszoidi magassággal -> HD72 Balti magassággal - EHT • A mérőeszköz koordinátáinak kiszámítása (dGPS) -TTC • Megbízhatóság 1-2 cm, • Lézerpontok koordinátáinak (x,y,z) számítása -ASDA • Rendszerkalibrálás • Kalibrációs területek ellenőrzésével • Keresztsorok mérésével • Mérési pontosság analizálása (két ellenőrzési területre): www.cartohansa.hu

12. LézerszkennelésPontadatbázis kiértékelése 2. • Lézerpontok automatikus osztályozása -TerraScan • A talaj- és egyéb pontok szoftveres szétválasztása • Az automatikus osztályozás interaktív ellenőrzése – GVE, PRO600,TE • Változtatandó pontok statisztikája: • Az összes „utolsó visszaverődésű” talajpontok száma: 94.947.061 (100%) • Ebből interaktívan másik osztályba sorolt pontok száma: 37.411 (0,04%) • Modellszámítás (interpoláció) - SCOP • A talajpontok 1m-es rácspont-sűrűségre történő átszámolása és a domborzatmodell letisztázása, • 1kmx1km-es „csempékre” osztás www.cartohansa.hu

13. Mérési eredmények bemutatásaaz utolsó visszaverődésekből leválogatott tereppontok www.cartohansa.hu

14. Mérési eredmények bemutatásadigitális terepmodell 1 méteres rácsként lézeres mérés modellszámításából „3D-s” ortofotó www.cartohansa.hu

15. Országos DDM és lézermérés összehasonlítása www.cartohansa.hu

16. Repülési paraméterek Repülőgép Cessna 404 D-IDOS Repülési sebesség 65 m/s Relatív repülési magasság 1500 m Repülés dátuma 2009.11.19 Digitális kamera paraméterei Mérőeszköz Digital Mapping Camera -DMC Pixel méret (felbontás) 12 µ Max. látószög 69.2 fok Érzékelési tartomány Színes és közel-infravörös (RGB+IR) Sortávolság 1450 m Sorok közötti átfedés 30% Soron belüli átfedés 60% Pixel méret a terepen 15 cm Sztereo légifelvételezés Műszaki paraméterek és eszközök www.cartohansa.hu

17. Sztereo légifelvételezés és feldolgozásIllesztőpontok mérése

18. Mérési eredmények bemutatása- Tápairétélvonalak mérése sztereofotogrammetriai eljárással www.cartohansa.hu

19. Mérési eredmények bemutatásaélvonalak mérése sztereofotogrammetriai eljárással www.cartohansa.hu

20. Dombozatmodell végterméke Rácspontok és élek együtt >> teljesség

21. VégeredményTIN formátumban

22. Alkalmazás - Régészet Gorzsa: tell - földvár

23. Alkalmazás - Régészet

24. ModellezésBelvíz-elemzés- más megközelítések - • Lineáris statisztikai módszerek • Klasszifikáció • Pálfai képlet: Komplex Belvíz-veszélyeztetettségi Mutatónak= (176 – 2.3* TALAJVÍZ – 40* TALAJ – 1.8*RELIEF – 5.1* FÖLDHASZNÁLAT – 3.8* FÖLDTAN)* HUMI /20

25. Tréning adatok (input / output) Importálás Mátrix → tömb konverzió Neurális hálózat Tréning Szimuláció input adata Szimuláció Szimuláció eredménye Exportálás Tömb → mátrix konverzió ArcGIS Matlab Keretrendszer

26. 18 km 6 km LIDAR DDM → Lokális depressziók

27. Cessna 172 CIR képek • Légifelvételezés saját képkészítő rendszerrel • 2010. március 24. , június 9. – 2. belvízvédekezési fokozat • Repülési magasság: 2000 m • Σ 895 kép - mozaikolás • 3 sáv: zöld – vörös - közel infravöros • 62 cm térbeli felbontás 860 m 640 m

28. CIR képek

29. Terepi felmerésMobil GIS eszközökkel • 2010. március 25. • 2010. április 29.

30. Tréning Tréning adatok (input / output) A tréning adatok előfeldolgozásának lépései CIR képek CIR – zöld CIR - vörös CIR - NIR Terepi felmérés (poligon) Terepi felmérés (raszter) Digitális domborzat modell Fill eszköz Fill és DEM különbsége Újra-osztályozás

31. GIS – ANN kapcsolata (Tréning) Python Betanított Neurális Hálózat ArcGIS Matlab

32. GIS – ANN kapcsolata (Szimuláció) Python ArcGIS Eredmény Neurális hálozat ArcGIS Matlab Python

33. Eredmények Validáció vizsgálat Tréning eredmény: R = 0.74 A déli (A) tréning terület a GPS-es felméréssel és az északi (B) szimulációs terület

34. Következtetések A keretrendszer működik, a neurális hálózatok alkalmazhatók a belvízelemzésben is • Könnyen bővíthető több bemeneti adatréteggel • További dinamikus komponensek • Könnyen bővíthető ANN beállításokkal • Validáció vizsgálat (terepi adattal, össze-hasonlítás a klasszikus osztályozásokkal) • Számítási teljesítmény

35. Köszönjük a figyelmet ! szatmari@geo.u-szeged.hu SZTE TTIK Természeti Földrajzi és Geoinformatikai Tanszék Carto-Hansa Kft.www.cartohansa.hu