Post-graduate course MINV12 / 2006
3D remote sensing of forests
All material © by either Juha Hyyppä, Ilkka Korpela or Markku Poutanen

Special assignments - descriptions I  , II , III , IV
Special assignments - Examples by teachers
Basic exercises and lecture material
Palaute - Feedback
Muutettu viimeksi 2.5.2006 . MINV12 on 5 op laajuinen kurssi pääaine- ja jatko-opiskelijoille. Kurssin sisällöstä vastaavat MMT Ilkka Korpela ja professori Juha Hyyppä geodeettiselta laitokselta. Kurssi koostuu viikon intensiivijaksosta, jonka aikana luennoidaan ja harjoitellaan tietokoneilla. Tämän jälkeen opiskelijat suorittavat pareittain 4 kpl erikoisharjoituksia, jotka raportoidaan, ja raportit arvostellaan. Kurssin tavoitteena on saada syvällinen käsitys laserkeilauksen ja fotogrammetristen menetelmien mahdollisuuksista metsänmittauksessa.
MINV12  is a post-graduate course in forest inventory, which gives the student an insight into the potential of laser scanning and photogrammetric methods when applied in the mapping and measurement of forests and trees for forestry. The course is taught by Dr Ilkka Korpela and professors Juha Hyyppä and Markku Poutanen from the Finnish Geodetic Institute.

Erikoisharjoitukset / special assignments - opettajien esimerkkikoodia / examples by teachers

EH I  Laserkeilauksella tuotetun maastomallin tarkkuus puustoltaan ja topografialtaan erilaisissa kohteissa  Evaluation of the accuracy of a lidar-DTM produced automatically in targets of varying vegetation and topography. Puoliautomaattinen apuväline maapisteidenmittaamiseen, Semiautomatic stereo-matching tool for measuring ground points
 EH II Latvojen etsiminen laserdatasta, laserpohjainen inventointi, Esimerkki B "Parametrisella latvusmallilla".  Finding individual trees using sparse lidar data. Using characteristics of the lidar height distribution function in estimation of stand variables.
EH III Puiden latvapisteiden puoliautomaattinen 3D paikantaminen ilmakuvilta lidar-pintamalleja hyödyntäen. 3D positioning of tree tops using multiple image-matching in a 3D search space delineated by using lidar surface models
EH IV Puustotunnusten parametrinen estimointi lidar pisteiden avulla Evaluation of a set of published regression equations (Suvanto et al. 2005, Metsätieteen aikakausikirja) that can be used for estimating stand volume (m3/ha), basal area (m2/ha), stem number, mean diameter and mean height of trees.
   
Etätyöntekijöille KUVAMITT-ohjelman dll-tiedostot Win32:n \system32\ -hakemistoon Required dll-files of KUVAMITT-program

INTENSIIVIJAKSO / Intensive period 2.3.06-8.3.06 
Lectures, basic exercises and introduction of special assignments

TO 2.3.2006
Ohjelma ja johdantoa / Program and introduction, Korpela

Lidarluennot / Lectures with emphasis in lidar, Hyyppä. Luennot artikkelimuodossa:  1,   2,  3,   4,  5

3D koordinaatistot / Lecture on 3D coordinate systems, Prof. Markku Poutanen
- Luentokalvot Lecture notes
- Koordinaatit, korkeus, kartat ja GPS -artikkeli   Notes on "coordinates, elevation, maps and GPS"
- Osia GPS-kirjasta (satelliittipaikannus) Selected parts of text-book in satellite positioning
- Julkisen hallinnon suositukset 153 ja 154 The Public Administration Recommendations
PE 3.3.2006
Luennot / Lectures with emphasis in photogrammetry, Korpela
Fotogrammetrian perusteita I Sensorimalleista, yksikuvamittaus, eteenpäinleikkaus, ilmakuvaus. Sensor models, monoscopic measurements, forward ray intersection, aerial photography
Fotogrammetrian perusteita II Ilmakuvien ulkoinen orientointi, pisteen fotogrammetrinen määritystarkkuus  Solving the exterior orientation of aerial images, Determination of the expected 3D accuracy of photogrammetric observations
Perusharjoitukset / Basic exercises, Korpela
Visual Basic kieli ja kehitysympäristö -tutustuminen  Becoming acquainted with the Visual Basic programming language and environment
Ilmakuvien ulkoinen orientointi Ilmakolmiointi sädekimpputasoitusta käyttäen; suoran georefereointitiedon käyttö Bundle block adjustment, Use of direct georeferencing in aerial triangulation by bundle block adjustment

 MA 6.3.2006
Luennot  / Lectures, Korpela
Fotogrammetrian perusteita III Stereonormalisointi, fotogrammetrian automatisaatiosta., Ilmakuvien kamera-kohde-aurinko geometria, radiometriasta, ilmakuvatulkinta  Normalizing aerial images for stereo viewing, automation of the photogrammetric tasks, image-object-sun geometry of aerial views, radiometry of aerial images, visual interpretation of aerial images
 Metsäsovellukset YPNIT -menetelmistä, referenssimittaukset maastossa,  YPNIT-potentiaali, puoli-autom. latvojen paikannus ilmakuvat + lidar
Single tree remote sensing (STRS) - methods & potential of, acquisition of reference data in the field, automatic 3D positioning of tree tops in aerial views using lidar for setting geometric constraints

Perusharjoitukset / Basic exercises, Korpela
Pisteen fotogrammetrisen määrittämisen tarkkuus  Monte-Carlo simulaattori, havaintovirheet kuvilla, maastossa, kuvien mittakaava, lukumäärä ja peitot The accuracy of photogrammetric observations: Monte-Carlo simulation of aerial photography, ground control point measurements, image measurements of triangulation points and image measurements of new 3D points. Total error budget and effects of observation errors in the image and object spaces, effects of the number of images, image overlay-% and image scale. Effects of systematic errors in direct sensor orientation.
 Ilmakuvien laskeminen steronormaalitapauksiksi Stereomalli, anaglyfistereo, mallien peitto-% + polttoväli (kantasuhde)
 Rectifying aerial images into stereo pairs (normalization for stereo), effects of image overlap: 20/40/60/80-% and focal length (15/23 & 21/23).

TI 7.3.2006
Perusharjoitukset ja erikoisharjoitus II Basic exercises and launch of special assignment II, Hyyppä
Matlab-materiaali Matlab-komentokieli, DEM, DSM ja nDSM (CHM) muodostaminen, latvapisteiden haku, korkeusjakaumatunnukset ja puustotunnusten "regressioestimointi"  Introduction to MATLAB, construction of DEM, DSM and CHM from dense and sparse lidar data. Finding tree tops using lidar data. Parametric estimation of stand variables using DTM-normalized lidar elevations and their distribution functions.
Erikoisharjoitus II (dokumentissa lukee "III". Huom! Naessetin menetelmä siirretty erikoisharj. IV)  Special assingment II, Finding individual trees in lidar data & using characteristics of height distribution function of sparse lidar data to estimate stand variables

Perusharjoitukset / Basic exercises , Korpela
 KUVAMITT-ohjelma Yksikuvamittaus, kuvien yhteensovitus, monikuvamittaus, ratkeava ja mahdoton vastinpisteongelma, ilmakuvien kamera-kohde-aurinko -geometria, varjojen liike, ilmakuvatulkintaa aikasarjan avulla, puiden paikannus ja pituusmittaus, visuaalinen puulajitulkinta, maanpinnan korkeuden mittaus ilmakuvilta, latvapisteiden puoliautomaattinen mittaus ilmakuvilta ja lidar-pintamalleja käyttäen.
Using KUVAMITT-program to get familiar with :  Monoscopic photogrammetric measurements, stereo and multiple image-matching, ill-posed  correspondence problems, image-object-sun geometry of aerial views and its effects on the radiometry and geometry of image entities, apparent movement of shadows (objects) in (a multitemporal set of) images, using a time-series of aerial views for monitoring events and changes in the object scape, 3D mapping of trees and determination of tree height using a lidar-based DTM, visual intrepretation of tree species, determination of terrain elevation in aerial images, semi-automatic 3D positioning of tree tops using multiple image-matching in a 3D search space delineated using sparse lidar data.
KE 8.3.2006
KUVAMITT-harjoitus jatkoa, EXCEL-esimerkkitiedostot, Korpela / Basic exercises, continued ; sample XLS-files
Visuaalinen puulajiluokitus; oikeinluokitus-% tulkiten ja arpomalla  Visual species interpretation, determination of the accuracy; accuracy with respect to pure random guesswork
Latvapisteiden manuaalinen mittaus; löytyneiden, löytymättä jääneiden ja valepuiden etsintä/päättely; koealakoordinaattien muunto KKJ/N60:een.
Manual image-matching of 3D tree top positions, assessing the accuracy: matches, omission and commission errors, transforming the local plot-level 3D coordinates into the 3D object space using a similarity transformation
Varjojen liike, kameran liike, kuvasäteiden välinen kulma.
Determining: the apparent movement of shadows, movement of the camera between exposures, angles between camera rays, sun elevation and azimuth angles
Lidar pulssin tulokulma, lidar lennon maanopeus.  Solving the incidence angle of the lidar pulse, solving the ground speed of the lidar apparatus
Erikoisharjoitukset Launch of special assignments I, III and IV , Korpela
Erikoisharjoitus I  Laserkeilauksella tuotetun maastomallin tarkkuus puustoltaan ja topografialtaan erilaisissa kohteissa. Evaluation of the accuracy of  a lidar-DTM in targets with varying vegetation and topography. The DTM was  produced automatically (no editing) by TerraModeler -software
i) Study the accuracy in thinning & mature stands using 10000 tacheometer points ;
ii) Study the spatial pattern of ground hits under varying vegetation;
iii) Evaluation of a lidar-DTM variant generated using a simple gradient-based filtering of ground points;
iv) Evaluation of the accuracy of lidar-DTMs in young stands using large-scale historical aerial images (stands are seen as clear cut areas);
v) Study the effects of DTM errors in the allometric estimation of single tree DBH and volume using Monte Carlo simulation
 Erikoisharjoitus III Puiden latvapisteiden puoliautomaattinen 3D paikantaminen ilmakuvilta lidar-pintamalleja hyödyntäen.  3D positioning of tree tops using multiple image-matching in a 3D search space delineated using sparse lidar data; studying the effects of different parameters, number of images & image scale
Erikoisharjoitus IV  Puustotunnusten estimointi "Naessetin menetelmällä" / regressioestimoinnilla. Evaluation of a set of published regression equations (Suvanto et al. 2005, Metsätieteen aikakausikirja) that can be used for estimating stand volume (m3/ha), basal area (m2/ha), stem number (n/ha), mean diameter (cm, basal area median tree) and mean height of trees (height of the tree with diameter as the basal area median diameter).