< Terug naar vorige pagina

Project

Detecteren, connecteren en karakteriseren van drainagegrachten uit data van LiDAR-luchtopnames

Kunstmatig aangelegde drainage netwerken in het landschap zijn het resultaat van de constant geleverde inspanningen van boeren om het land te optimaliseren voor landbouw. Grachten rond en in landbouwpercelen en langs wegen zijn structurele elementen in het landschap die een rol spelen bij overstromingsbeheer en biogeochemische cycli. Verder zijn het ecologische hotspots en verbeteren ze de connectiviteit in het landschap. Ruimtelijke modellen die de neerslagafvoer relatie, overstromingsniveaus of waterkwaliteit voorspellen, vertrouwen in toenemende mate op ruimtelijke data over drainagenetwerken. Om het vertrouwen in de modelvoorspellingen te vergroten, zijn meer complete en gedetailleerde invoergegevens over dit netwerk vereist. Deze gedetailleerde invoergegevens omvatten de locatie en de karakteristieken van het volledige drainage netwerk, inclusief de kleinere waterlopen, zoals grachten.

Hydrografische referentiedata ontbreken in het bijzonder gegevens over grachten. De opkomst van LiDAR-luchtopnames met een hoge ruimtelijke resolutie en nauwkeurigheid bieden de mogelijkheid om innovatieve methoden te ontwikkelen voor het detecteren en karakteriseren van grachten. De algemene doelstelling van deze thesis is om geautomatiseerde methoden te ontwikkelen en te evalueren voor de detectie van grachten en het extraheren van hun morfologische kenmerken. De meest recente (2014/2015) verworven LiDAR-puntenwolkgegevens en hun afgeleide digitale hoogtemodellen (DHM) werden gebruikt in combinatie met multispectrale luchtopnames. De ontwikkelde methoden laten toe om functionele grachten in agrarische en grachten in voormalig agrarische gebieden te detecteren en karakteriseren.

De detectie van grachten werd op twee verschillende manieren benaderd. De eerste methode is gebaseerd op het raster DHM door relatieve hoogtekenmerken te berekenen. De tweede methode is gebaseerd op de originele LiDARpuntenwolken en getrainde random forest classifiers. De resultaten van beide detectiemethoden hadden een volledigheid van respectievelijk 95% en 97% en dit met een positienauwkeurigheid van 0.4m. De op het DHM gebaseerde methode bleek eenvoudiger en minder tijdrovend om te implementeren en vereist geen trainingsgegevens. Een nadeel van beide methoden is dat er geen rekening wordt gehouden met de hydrologische connectiviteit.

Grachtennetwerken kunnen verbonden zijn met bijvoorbeeld duikers, maar kunnen door slecht onderhoud ook geblokkeerd worden. Omdat er geen geografische aanvullende gegevens over duikers beschikbaar waren, werd de waarschijnlijkheid van kandidaat-netwerksegmenten om echte verbindende
segmenten te zijn, berekend met een logistisch regressiemodel. De onafhankelijke variabelen zijn afgeleid van de kenmerken van de centrumlijnen van de gracht en van hun topografische kenmerken op basis van het DHM. Met het logistische regressiemodel kon 69% van de oorspronkelijk foutieve ontbrekende verbindingen in het netwerk worden verbonden. Het aantal netwerkfragmenten werd gereduceerd met 71%, wat het referentienetwerk goed benadert.

Dwarsdoorsnedes van grachten werden op een geautomatiseerde manier gemodelleerd met behulp van de nauwkeurig gedetecteerde centrumlijnen van
het grachtennetwerk. De profielen in dwarsdoorsnede zijn gemodelleerd door de LiDAR-punten te extraheren die het profiel vormen en splines te gebruiken. De aanwezigheid van water en vegetatie beïnvloeden de extractie van de dwarsdoorsnedes. Niettemin waren de geëxtraheerde breedten sterk gecorreleerd
met de referentieobservaties (R² = 0.87, ME = −0.15m). De extractiemethode bleek robuust en de waterstanden werden met succes bepaald.

Het potentieel en de beperkingen van de ontwikkelde methoden voor het modelleren van water- en nutriëntenafvoer uit landbouw werd geanalyseerd voor
een groot stroomgebied (285km²) in West-Vlaanderen door gebruik te maken van het Nutriënt Emissie Model (NEMO). De ontwikkelde methoden werden
toegepast op het gebied om de hydrografische referentiedata bij te werken met de locatie van grachten en de werkelijke drainagediepte. De totale dichtheid van het input drainagenetwerk is daardoor toegenomen van 1.5 km/km² tot 4 km/km². De oorspronkelijk vastgestelde drainagediepte van 0.9m werd vervangen door een ruimtelijk variabele drainagediepte. De resultaten van het NEMO-model toonden aan dat voor de stroomafwaartse gebieden zowel de relatieve bijdrage van de grondwaterafvoer tot de totale waterafvoer en de nitraatconcentraties in het oppervlaktewater van de rivier het meest gevoelig zijn voor de lengte van het drainagenetwerk. Voor het bovenstrooms gebied zijn de relatieve afvoer van grondwater en de totale nitraatconcentratie het meest gevoelig voor de drainagedieptes van de riviercellen, zowel voor de oorspronkelijke als de bijgewerkte lengte van het netwerk.

Waar de hydrografische referentiegegevens onvolledig zijn – of fouten bevatten – kunnen de gegevens worden bijgewerkt met de voorgestelde methoden met behulp van LiDAR- en multispectrale luchtopnames. De identificatie van gebieden met overmatige afvoer van water en nutriënten met ruimtelijke hydrologische modellen kan daardoor ook worden verbeterd.

Datum:16 jan 2015 →  16 jan 2019
Trefwoorden:LiDAR, Ditch, DEM, Cross-section, Point cloud, Network
Disciplines:Bodemwetenschappen, uitdagingen en vervuiling, Landbouw, land- en landbouwbedrijfsbeheer
Project type:PhD project