Utveckling av en metodik för DTM-generering i vattendrag med UAV-baserad SfM och LiDAR-punktmoln

Varför kartläggning av flodbottnar är viktig

Floder gör långt mer än att bara transportera vatten. Deras fåra, sandbankar och stränder styr översvämningar, skapar livsmiljöer för djur och påverkar hur föroreningar rör sig nedströms. Ändå är det förvånansvärt svårt att få en exakt karta över flodbotten och närliggande mark, särskilt i grunda, vegetationsfyllda vattendrag där båtar, ekolod och mätpersonal med stolpar har svårt att nå. Den här studien visar hur lågflygande drönare, laserskannrar och smarta datorfilter kan samverka för att bygga detaljerade ”bar mark”-kartor över ett koreanskt vattendrag och därigenom erbjuda en säkrare, snabbare och mer komplett bild av flodernas dolda form.

Nya ögon i luften över ett komplext vattendrag

Forskarna koncentrerade sig på en 2,8 kilometrar lång sträcka av Bokha-bäckenet i Icheon, Sydkorea — ett landskap av slingrande kanaler, sandbankar, översvämningsslätter och höga strandskogar. Traditionella mätningar där skulle vara långsamma, farliga och oförmögna att fånga varje vridning och sänka. Istället använde teamet två typer av drönare. Den ena bar en laserskanner (LiDAR) som skickar ut ljuspulser och mäter hur lång tid det tar innan de reflekteras tillbaka, vilket ger ett tjockt moln av 3D-punkter som kan tränga igenom lövverket till marken. Den andra flög med en multispektralkamera och använde en teknik kallad structure from motion (SfM), som sammanfogar många överlappande foton till ett annat 3D-punktmoln. Tillsammans gav dessa kompletterande vyer tät täckning av både de vegetationsklädda bankerna och den grunda, till stora delar klara kanalen.

Att skilja vatten från land och mark från störning

Råa 3D-punktmoln registrerar allt: löv, grenar, byggnader, brus i luften och reflektioner på krusigt vatten. För att modellera endast den verkliga terrängen måste dessa extrapoäng tas bort. Teamet särskilde först vatten från land med en enkel färgbaserad indikator kallad Normalized Difference Water Index, som jämför hur ljus varje pixel är i grönt och nära‑infrarött spektrum. Pixlar med värden över en vald gräns markerades som vatten. I landområden favoriserades LiDAR-punkter eftersom laserpulser kan glida mellan löven till jorden. I våtmarksområden, där LiDAR mest reflekteras vid ytan och inte ”ser” djupet, förlitade sig forskarna istället på foto-baserade SfM-data, som ibland kan följa funktioner på flodbottnen genom grunt, relativt klart vatten.

Att testa tre digitala sopor

Därefter följde det svårare steget: att skrubba bort vegetation och andra icke-markobjekt samtidigt som den verkliga formen på bankerna och bottnen bevarades. Teamet jämförde tre allmänt använda ”digitala sopor”, eller markfilter. Cloth simulation-filter tänker sig ett flexibelt ark som draperas över ett upp-och-ner-vänt punktmoln och behandlar arket som marken. Progressive TIN-filter bygger gradvis upp en nätyta från låga punkter och lägger till fler om de passar höjd- och lutningsregler. Det enkla morfologiska filtret (SMRF) eroderar och expanderar ytan upprepade gånger och trimar bort höga objekt som buskar och träd. För varje metod testade forskarna många parameterinställningar, anpassade för LiDAR på land och SfM i vatten, och kontrollerade sedan den resulterande terrängen mot 11 noggrant uppmätta tvärsnitt tagna med traditionella mätinstrument.

Att hitta bästa matchningen mot den verkliga floden

Noggrannheten bedömdes med hjälp av medel- och root-mean-square-differenser mellan de modellerade och uppmätta höjderna. När LiDAR och SfM användes var för sig presterade fotobaserade metoden bättre överlag eftersom den delvis kunde fånga den nedsänkta botten som LiDAR missade. Men den tydligaste bilden uppstod när de två datasetten kombinerades: LiDAR för land, SfM för vatten, båda rengjorda med optimerade filter. Bland de tre algoritmerna gav SMRF den bästa totala prestandan, med fel i storleksordningen endast 16 till 21 centimeter över hela området. Det var särskilt bra på att ta bort täta buskage och höga träd samtidigt som skarpa strukturer som små terrasser och branta bankkanter bevarades — viktiga för realistiska modeller av översvämningar och livsmiljöer — även om det ibland något underskattade höjder i vattenområden.

Vad detta betyder för floder och deras grannar

I praktiska termer levererar studien ett testat recept för att omvandla röriga drönarmätningar till exakta bar mark-kartor av små, grunda vattendrag. Genom att automatiskt skilja vatten från land och smart sammanföra laser- och fotodata övervinner metoden många av blinda fläckar hos äldre båt- eller markbaserade undersökningar. Författarna pekar ut SMRF som det mest pålitliga allmänt användbara filtret för denna typ av blandad flodkorridor, samtidigt som de noterar att en annan metod, cloth simulation-filter, är särskilt stabil i svåra vattenområden med dåliga punkter. Tillsammans kan dessa insikter hjälpa ingenjörer och ekologer att bygga bättre översvämningsmodeller, planera restaureringsprojekt och följa hur floder förändras över tid — allt med mindre risk och kostnad i fält. När grönare lasersystem och förbättrad bearbetning sprids kan detta tillvägagångssätt göra högupplöst flodbotskartläggning till ett standardverktyg för vattenvårdsförvaltning.

Citering: 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

Nyckelord: flodkartläggning, drönarundersökning, LiDAR, digitalt terrängmodell, ström-ekologi