Ontwikkeling van een methode voor het genereren van een DTM van een beek met UAV-gebaseerde SfM en LiDAR-puntenwolk

Waarom het in kaart brengen van rivierbodems ertoe doet

Rivieren doen veel meer dan alleen water vervoeren. Hun kanalen, zandbanken en oevers beheersen overstromingen, creëren leefgebieden voor dieren en bepalen hoe vervuiling zich stroomafwaarts verplaatst. Toch is het verrassend lastig om een nauwkeurige kaart van de rivierbodem en het omliggende terrein te krijgen, vooral in ondiepe, met vegetatie gevulde beken waar boten, sonar en mensen met meetstokken moeite hebben om overal te komen. Deze studie laat zien hoe laagvliegende drones, laserscanners en slimme computerfilters kunnen samenwerken om gedetailleerde “naakte-aarde”-kaarten van een Koreaanse beek te maken, en zo een veiliger, sneller en vollediger beeld geven van de verborgen vorm van rivieren.

Nieuwe ogen in de lucht boven een complex beekstelsel

De onderzoekers richtten zich op een traject van 2,8 kilometer van de Bokha-beek in Icheon, Zuid-Korea, een landschap van kronkelende kanalen, zandbanken, overstromingsvlakten en hoge oeverbomen. Traditionele veldmetingen daar zouden traag en gevaarlijk zijn en niet elke bocht en kuil vastleggen. In plaats daarvan gebruikte het team twee soorten drones. De ene droeg een laserscanner (LiDAR) die lichtpulsen uitzendt en meet hoe lang ze erover doen om terug te kaatsen, waardoor een dichte wolk van 3D-punten ontstaat die door loof heen naar de grond kan doordringen. De andere vloog met een multispectrale camera en gebruikte een techniek genaamd structure from motion (SfM), waarmee veel overlappende foto’s worden samengevoegd tot een andere 3D-puntenwolk. Samen boden deze complementaire beelden dichte dekking van zowel de begroeide oevers als het ondiepe, relatief heldere kanaal.

Water scheiden van land en grond van rommel

Ruwe 3D-puntenwolken leggen alles vast: bladeren, takken, gebouwen, ruis in de lucht en reflecties op bewegend water. Om alleen het echte terrein te modelleren, moeten deze extra punten worden verwijderd. Het team onderscheidde eerst water van land met een eenvoudige kleur-gebaseerde indicator, de Normalized Difference Water Index, die vergelijkt hoe helder elke pixel verschijnt in het groene en nabij-infrarode deel van het spectrum. Pixels met waarden boven een gekozen drempel werden als water gemarkeerd. In landgebieden kregen LiDAR-punten de voorkeur omdat laserpulsen tussen bladeren door naar de bodem kunnen glippen. In watergebieden, waar LiDAR meestal aan het oppervlak reflecteert en geen diepte ‘ziet’, vertrouwden de onderzoekers in plaats daarvan op de foto-gebaseerde SfM-gegevens, die soms kenmerken van de rivierbodem kunnen volgen door ondiep, relatief helder water.

Drie digitale bezems op de proef stellen

Vervolgens kwam de moeilijkere stap: vegetatie en andere niet-grondobjecten weghalen terwijl de echte vorm van oevers en bedding behouden bleef. Het team vergeleek drie veelgebruikte “digitale bezems”, oftewel grondfilters. De cloth simulation filter stelt zich een flexibel laken voor dat over een omgekeerde puntenwolk wordt gedrapeerd en behandelt het laken als de grond. De progressive TIN-filter bouwt geleidelijk een maasoppervlak op vanuit lage punten en voegt meer toe als ze aan hoogte- en hellingsregels voldoen. De simple morphological filter (SMRF) erodeert en dilateert herhaaldelijk het oppervlak, waardoor hoge objecten zoals struiken en bomen worden weggesneden. Voor elke methode testten de onderzoekers vele parameterinstellingen, afgestemd op LiDAR op land en SfM in water, en controleerden vervolgens het resulterende terrein aan de hand van 11 zorgvuldig gemeten dwarsprofielen die met traditionele meetinstrumenten waren genomen.

De beste overeenkomst met de echte rivier vinden

Nauwkeurigheid werd beoordeeld met behulp van het gemiddelde en de wortelgemiddelde kwadratische afwijkingen tussen de gemodelleerde en de gemeten hoogtes. Wanneer LiDAR en SfM afzonderlijk werden gebruikt, presteerde de foto-gebaseerde methode overall beter omdat deze gedeeltelijk de ondergedompelde bodem kon vastleggen die LiDAR miste. Maar het duidelijkste beeld ontstond wanneer de twee datasets werden gecombineerd: LiDAR voor het land, SfM voor het water, beide schoongemaakt met geoptimaliseerde filters. Van de drie algoritmen gaf SMRF de beste algehele prestaties, met fouten van slechts ongeveer 16 tot 21 centimeter over het gehele gebied. Het blonk uit in het verwijderen van dichte struikgroei en hoge bomen terwijl het scherpe kenmerken zoals kleine terrassen en steile oevers behield, die cruciaal zijn voor realistische overstromings- en leefgebiedmodellen, al onderschatte het soms iets de hoogtes in waterrijke zones.

Wat dit betekent voor rivieren en hun omgeving

In praktische termen levert de studie een geteste werkwijze om rommelige dronemetingen om te zetten in nauwkeurige naakte-aarde-kaarten van kleine, ondiepe beken. Door automatisch water van land te scheiden en laser- en fotogegevens slim te combineren, overwint de methode veel blinde vlekken van oudere met boten of vanaf de grond uitgevoerde inventarisaties. De auteurs wijzen SMRF aan als het meest betrouwbare algemene filter voor dit soort gemengde riviercorridors, terwijl ze opmerken dat een andere methode, de cloth simulation filter, bijzonder stabiel is in lastige watergebieden met slechte punten. Samen kunnen deze inzichten ingenieurs en ecologen helpen betere overstromingsmodellen te bouwen, herstelprojecten te plannen en bij te houden hoe rivieren in de loop van de tijd veranderen, en dat alles met minder risico en kosten in het veld. Naarmate groenere lasersystemen en verbeterde verwerking zich verspreiden, zou deze benadering hoge-resolutie-kaartering van rivierbodems tot een standaardinstrument voor waterbeheer kunnen maken.

Bronvermelding: Gou, J., Lee, H., Park, J. et al. Development of a stream DTM generation methodology using UAV-based SfM and LiDAR point cloud. Sci Rep 16, 5178 (2026). https://doi.org/10.1038/s41598-026-35473-x

Trefwoorden: rivierkaarten, drone-onderzoek, LiDAR, digitaal terreinmodel, beekecologie