Mobil LiDAR Nokta Bulutlarından Enerji Nakil Hatlarının Doğrusal Olmayan Modellerle Kestirimi

Abstract

Mobil LiDAR üç-boyutlu (3B) nokta bulutu verileri hareketli platformlar üzerinden tarama sistemleri ile temin edilmektedir. Özellikle koridor haritalama işlemleri için yoğun veriler önemli bir yer tutmaktadır. Enerji nakil hatları (ENH) ve güzergahlarının, kentsel alanlardaki dağıtım ve iletim hatlarının sürekli gözetim altında tutulması hem güvenlik hem de enerji kesintilerinin önüne geçilmesi açısından gereklidir. Mobil LiDAR nokta bulutları yoğun veri sağlayarak 3B ENH’yi tespit etme kabiliyetine sahip, ancak yoğun nokta bulutlarının işlenmesi ve enerji hatlarına yakın nesnelerden gelen gürültülü noktalar gibi farklı nedenlerle istenilen hassas veri temininde zorluklar yaşanabilmektedir. Bu problemlerin minimize edilmesi amacıyla bu çalışmada, iki temel adım önerilmiştir. İlk aşamada nokta bulutlarının temsil edilmesinde yoğun nokta bulutu verilerinin voksel tabanlı algoritmayla seyreltilmesi, aday ENH noktalarının sınıflandırılması ve tespiti, ikinci aşamada ise tespit edilen bu aday hat noktalarının mesafe temelli algoritmayla kümelendirilerek her hat için doğrusal olmayan modellerin kestirilmesidir. Önerilen metodoloji ve mobil LiDAR teknolojisi, ülkemizdeki ENH’lerin envanter verisinin toplanması, yapılaşma ve bitki örtüsü risklerinin azaltılmasına katkı sağlayarak mühendislik maliyetlerinde ekonomik kazançlar sağlama potansiyeline sahiptir. ENH envanter yönetimi, iletim hatları altında kontrolsüz yapılaşmanın engellenmesi, bitki örtüsü risk azaltma ve mühendislik ölçmeleri açısından, mobil LiDAR teknolojisi yaklaşımı, özellikle kentsel alanlarda daha uygun ve yoğun veri ile daha az operatör ihtiyacına gerek duymaktadır.

Keywords

• Mobil LiDAR
• Lazer Tarama
• Nokta Bulutu
• Enerji Nakil Hattı
• Regresyon Model

Thanks

Bu çalışmanın gerçekleşmesinde arazide ölçme asistanlığını ve RIEGL VMX-450 sistemini sağlayan Koyuncu LiDAR Harita Firmasına (http://www.lidarharita.com/) desteklerinden dolayı teşekkürlerimi sunarım. Bu çalışmada kullanılan R kodlarına ve test verisine (https://github.com/mzeybek583/ENHR) sayfasından erişilebilir.

Prediction of Power Transmission Lines from Mobile LiDAR Point Clouds with Nonlinear Models

Abstract

Mobile LiDAR three-dimensional (3D) point cloud data is provided by scanning systems over mobile platforms. High-density data has a significant role, especially for corridor mapping operations. Continuous surveillance of power transmission lines (PTL) and routes, distribution, and transmission lines in urban areas is necessary for security and energy cuts prevention. Mobile LiDAR point clouds have the ability to detect 3D PTL by providing density data. Still, difficulties may be experienced in obtaining the desired precision for different reasons, such as processing dense point clouds with low accuracy and acquiring noisy points from objects close to power lines. To minimize these problems, two essential steps are proposed in this study. The first stage is the resampling of dense point cloud data with a voxel-based algorithm, the multi-class classification, and the detection of candidate PTL points. In the second stage, each line's nonlinear models are estimated by clustering these candidate line points with a distance-based algorithm. The proposed methodology and mobile LiDAR technology can provide economic gains in engineering costs by collecting inventory data on PTL, reducing construction and vegetation risks. In terms of PTL inventory management, prevention of uncontrolled construction under transmission lines, vegetation risk reduction, and engineering measurements, the mobile LiDAR technology approach requires more convenient and dense data and fewer operator needs, especially in urban areas.

Keywords

• Mobile LiDAR
• Laser Scanning
• Point Cloud
• Power Transmission Lines
• Regression Model

References

1. Arastounia M (2015). Automated Recognition of Railroad Infrastructure in Rural Areas from LIDAR Data. Remote Sensing, 7 (11).
2. Bruce P, Bruce A & Gedeck P (2020). Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python: O'Reilly Media.
3. Contributors P (2018). PDAL Point Data Abstraction Library. doi:10.5281/zenodo.2556738
4. Demir S (2013). Elektrik Enerjisi İletimi ve Dağıtımı: Anadolu Üniversitesi Yayını No: 2786.
5. Ekercin S & Üstün B (2004). Uzaktan Algılamada Yeni Bir Teknoloji: Lidar. Jeodezi ve Jeoinformasyon Dergisi, 91, 34 - 38.
6. Erbaş M (2016). LiDAR Verilerinden Enerji Nakil Hatlarının Otomatik Tespit Edilmesi Çalışmaları. Harita Dergisi, (156).
7. Ester M, Kriegel H-P, Sander J & Xu X (1996). Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. Paper presented at the Kdd
8. Everitt B S & Hothorn T (2010). A Handbook of Statistical Analyses Using R: CRC.

9. Guan H, Yu Y, Li J, Ji Z & Zhang Q (2016). Extraction of power-transmission lines from vehicle-borne lidar data. International Journal of Remote Sensing, 37 (1), 229-247.
10. McLaughlin R A (2006). Extracting transmission lines from airborne LIDAR data. Ieee Geoscience and Remote Sensing Letters, 3 (2).
11. Muş E (2019). Lidar Verileri Kullanılarak Enerji Nakil Hatlarının ve Hatlara Risk Oluşturan Yüksek Obje Konumlarının Otomatik Olarak Belirlenmesi. Yüksek Lisans Tezi. Karadeniz Teknik Üniversitesi Trabzon.
12. Perperoglou A, Sauerbrei W, Abrahamowicz M & Schmid M (2019). A review of spline function procedures in R. BMC Med Res Methodol, 19 (1), 46.
13. Rusu R B & Cousins S (2011). Point cloud library (pcl). 2011 IEEE international conference on robotics and automation.
14. Sefercik U G, Karakış S & Atalay C (2018). Yüksek Konum Doğruluklu Nokta Bulutu Sağlayan Hava Kaynaklı Lazer İHA Üretimi ve Veri Kalitesinin Değerlendirmesi. Paper presented at the VII. Uzaktan Algılama-Cbs Sempozyumu (Uzal-Cbs 2018), Eskişehir.
15. Sevgen E & Canaz S (2016). Elektrik Nakil Hattının Hava LiDAR Verilerinden Çıkarılması. Paper presented at the 6. Uzaktan Algilama-Cbs Sempozyumu (Uzal-Cbs 2016), Adana.
16. Şenel T, Cengiz M, Savaş N & Terzi Y (2014). Çoklu Doğrusal Regresyonda Model Seçiminde Genelleştirilmiş Toplamsal Modellerin Kullanımı. Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 2, 217 - 227.
17. Team R C (2019). R: A Language and Environment for Statistical Computing.
18. Zhang R Z, Yang B S, Xiao W, Liang F X, Liu Y & Wang Z M (2019). Automatic Extraction of High-Voltage Power Transmission Objects from UAV Lidar Point Clouds. Remote Sensing, 11 (22).