Kwaliteit MLM

Afhankelijk van de snelheid waarmee het voertuig zich verplaatst, is met MLM een horizontale resolutie te behalen van 1 meetpunt per cm2, ofwel 10.000 meetpunten per m2. Het maximale meetbereik bedraagt circa 100 meter vanaf het voertuig. In een MLM-puntenwolk zijn nagenoeg alle objecten en vormen in de buitenruimte te herkennen en op te meten. Dit varieert in schaalgrootte van de voegen in trottoir-verharding tot boomkruinen en gevels. Eventueel is met een statische laser bij te meten om zo een completer beeld te krijgen van de situatie op plaatsen waar de auto niet kan komen. Minder punten Om met een MLM-dataset simulaties voor het hydraulisch functioneren van het bebouwde gebied uit te voeren moet over het algemeen het aantal punten verminderd worden. De huidige rekenmodellen (zoals InfoWorks, Sobek/D-Hydro en 3Di) kunnen de enorme hoeveelheid MLM-punten namelijk niet verwerken. Vermindering van het aantal punten betekent een verlies aan kwaliteit ten opzichte van de oorspronkelijke data en van het verkregen maaiveldmodel. Dit verlies is echter beperkt; een stoeptegel hoeft niet met 900 punten beschreven te worden (10.000 punten/m2) om een betrouwbaar beeld van de hoogte te krijgen. Variatie in resolutie Door de grote hoeveelheid punten in een MLM-dataset is wel variatie aan te brengen in de (horizontale) ruimtelijke resolutie van de datapunten. Zo zijn punten weg te laten waar deze weinig informatie toevoegen, zoals de 900 punten van een vlakke stoeptegel van 30 x 30 cm. Waar punten waardevol zijn, kunnen ze behouden blijven, zoals stoep- randen en lokale verhogingen of verzakkingen. Met behulp van filtersoftware is op basis van een vooraf gedefinieerde betrouwbaarheid van de maaiveldbeschrijving een kleiner puntenbestand te genereren. Dit wordt overigens ook gedaan bij het gebruik van MLM en AHN samen. Hierbij worden eerst beide datasets gecombineerd en vindt daarna de filtering plaats. Gebruik bestaande gegevens Bij de filtering zijn bestaande gegevens te gebruiken, zoals eerdere hoogtebestanden. Maar dit is alleen verstandig als deze minimaal net zo nauwkeurig zijn als de nieuwe data. Deze kunt u bijvoorbeeld als startdata gebruiken om het maaiveld te bepalen. Op basis van de al bekende punten kan de software binnen op te geven grenzen bepalen welke punten uit de nieuwe dataset passen bij de bekende punten, om zo een opgeschoond maaiveldmodel te genereren.