Characterizing urban surface cover and structure with airborne lidar technology

Abstract

Urban and landscape planners are becoming increasingly aware of the potential of light detection and ranging (lidar) technology to produce height and structural information over large geographic areas in both an economic and time-efficient fashion. In urban environments where the structural complexity is high, for example, lidar is seen as a critical and innovative dataset to improve the characterization of both vegetation and building attributes. Using a small-footprint, first- and last-return lidar dataset of Vancouver, Canada, we demonstrate the potential to derive a suite of attributes important for describing the interactions of the urban surface and atmosphere in weather forecasting, air pollution, and urban dispersion modelling. Two levels of attributes were defined. First, primary attributes such as building shape, size, and location and tree classification were calculated. Building extent and size were computed using an object-based approach based on connectivity and height rules. The classification of tree crown areas was derived from the location of last-return data, filtered to remove the incidence of last returns caused by the interaction of the lidar beam with building edges, and height rules. Validation showed that building areas derived from lidar compared well with aerial photography estimates (r² = 0.96, p < 0.001, n = 98). The percentage difference between estimates was equal to 16% (n = 83) when buildings were discriminated from the surrounding features. However, the percentage difference between estimates increased to 35% (n = 98) when commission errors were considered, as lidar often overestimated building areas due to closely spaced buildings (gaps less than 1–2 m) not being separated. Similarly, the height and area of lidar-extracted trees were highly correlated with field-based measurements (r² = 0.84 and 0.76, respectively, p < 0.001, n = 50). Once these primary attributes were derived, we demonstrate the extraction of a number of secondary attributes including building mean height, normalized building volume, building wall surface area, and interelement spacing. Of significance, this research has shown that lidar can provide spatially detailed estimates of urban structure and cover which characterize the aerodynamic and energetic properties of urban areas.

Les planificateurs du milieu urbain et du paysage sont de plus en plus conscients du potentiel des données lidar (« light detection and ranging ») pour dériver de l’information sur la hauteur et la structure au-dessus des grands espaces géographiques tant du point de vue économique que de l’efficacité en terme de temps de travail. Dans les environnements urbains où la complexité structurelle est grande, par exemple, les données lidar sont perçues comme constituant un ensemble de données essentielles et innovatrices pour améliorer la caractérisation des attributs de la végétation et des bâtiments. À l’aide d’un ensemble de données de premiers et de derniers retours lidar à faible empreinte de Vancouver, Canada, nous démontrons le potentiel de ces données pour dériver une série d’attributs importants permettant de décrire les interactions de la surface urbaine et de l’atmosphère dans le contexte de la prévision météorologique, de la pollution de l’air et de la modélisation de la dispersion urbaine. Deux niveaux d’attributs ont été définis. Premièrement, on a calculé les attributs primaires tels que la forme, la dimension et la localisation des bâtiments de même que réalisé la classification des arbres. L’étendue et la dimension des bâtiments ont été calculées à l’aide d’une approche orientée objet basée sur des règles de connectivité et de hauteur. La classification de la surface des couronnes d’arbres a été dérivée à partir de la localisation des données des derniers retours, filtrées pour éliminer l’influence des derniers retours engendrés par l’interaction du faisceau lidar avec les arêtes des bâtiments, ainsi qu’à partir des règles de hauteur. La validation a montré que les superficies des bâtiments obtenues des données lidar se comparaient favorablement aux estimations dérivées des photographies aériennes (r²= 0,96, p < 0,001, n = 98). La différence en pourcentage entre les estimations était égale à 16 % (n = 83) lorsque les bâtiments étaient déterminés par rapport aux caractéristiques environnantes. Cependant, la différence en pourcentage entre les estimations augmentait à 35 % (n = 98) quand les erreurs de commission étaient prises en considération étant donné que le lidar surestimait souvent les superficies des bâtiments lorsque ceux-ci étaient trop rapprochés (espace de < 1–2 m) les uns des autres pour pouvoir les séparer. De la même manière, la hauteur et la surface des arbres dérivées des données lidar étaient hautement corrélées avec les mesures de terrain (r² = 0,84 et 0,76 respectivement, p < 0,001, n = 50). Une fois que ces attributs primaires ont été dérivés, nous réalisons l’extraction d’un certain nombre d’attributs secondaires incluant : la hauteur moyenne, le volume normalisé et la surface murale des bâtiments et l’espacement entre les éléments. Fait significatif, cette recherche a montré que les données lidar peuvent fournir des estimations spatialement détaillées de la structure et du couvert en milieu urbain permettant ainsi de caractériser les propriétés aérodynamiques et énergétiques des zones urbaines.[Traduit par la Rédaction]