Hidrológiai Közlöny, 2020 (100. évfolyam)
2020 / 3. szám
80 Hidrológiai Közlöny 2020. 100. évf. 3. sz. 9. ábra. A becsült pillanatnyi, fajlagos görgetett hordalékhozam tömege egységnyi felületre vetítve (Megjegyzés: A vízszintes beosztás azt mutatja, hogy a kép 384 mm széles területet foglalt magába, valamint az 5 függőleges sáv-kiosztás is fel van tűntetve. A függőleges beosztás az adott képkocka (itt a 890. számú képkocka) adott sávjában éppen mozgásban lévő hordalék (fehér részek) becsült tömegét adja meg, zöld vonallal kiemelve.) Figure 9. The estimated specific bedload in case of Frame 890. showing the mass of moving particles in the given image column (Note: On the horizontal axis the width of the picture (384 mm) and the distribution of 5 vertical bands are presented. The vertical axis shows the estimated mass of the moving sediment (white particles) per unit area in each of the bands (with green colour), in the given video frame (here frame no. 890).) 10. ábra. A görgetett hordalék sebesség-vektormező egy adott pillanatban (Megjegyzés: A felismert minták elmozdulásából és a közben eltelt időből számítva (PIV módszer)) Figure 10. The instantaneous bedload velocity-field calculated with PIV (Note: Calculated from the displacement of identified patterns and the time passed between frames (PIV method)) Végezetül a korábban is használt 5 sávra kiátlagoltuk a területükre eső sebességeket, majd pedig a teljes képre kiszámoltuk a fajlagos görgetett hordalékhozamot és ábrázoltuk annak időbeli alakulását (11. ábra). 11. ábra A fajlagos görgetett hordalékhozam időbeli változása a videófelvétel során, az 1790,6fkm szelvény 3/2 pontjában Figure 11. Time series of the estimated specific bedload for the duration of the video, in point 3/2 of section 1790.6 rkm Mozgóhajós mérések - mederfelszín rekonstrukciója, 3D modell előállítása Az eddig bemutatott módszerek az állóhajós mérések eredményeire lettek alkalmazva, amikor is az éppen kiválasztott függély fölött állt a mérőhajó és onnan eresztettük le a kamerát a mederfenékre. Végeztünk azonban mozgóhajós mérést is, amikor egy adott szelvény mentén vettük fel a medret, annak érdekében, hogy egybefüggő felvételünk legyen a szelvényről és bármelyik pontjából ki tudjunk nyerni képet a mederanyag elemzésre vagy éppen hogy teljesülhessen a nem pontbeli, hanem mezőszerü adatok kinyerése. Egy ilyen szelvénymenti videó azonban másra is felhasználható. Mivel a kamera haladása közben több szemszögből is rögzít egy adott területet, fel lehet építeni a szelvény mederfelszínének 3D modelljét a térinformatikában már ismert, ún. Structure-ffom-motion (SfM) eljárással (Westoby és társai 2012). A módszer lényege itt is az egymást követő képek közös pontjainak meghatározása, azonban bonyolultabb műveletek alapján. Skála- és irányfüggetlen fotometriailag invariáns pont-leírók (Scale Invariant Feature Transform, SIFT) kerülnek használatra, melyek a jellemző pontokat nyerik ki a képekből. Minden ponthoz pozíció, magnitúdó, skála és irány kerül meghatározásra. Ezek után a pontok környezetének vizsgálata és társítása következik. Eredményül egy térbeli, ritka pontfelhőt kapunk a jellemző pontokról (Micheletti és társai 2014, 2015). Következő lépésként a ritka pontfelhő besűrítése következik Irány és Elelyzet Meghatározó (Multi View Stereo [MVS]) módszerek egyikével (pl. Furukawa és Ponce 2010). Ezek a módszerek manapság már igen robosztusak, illetve képesek a kamera paramétereivel (pl. torzítás) is kalkulálni, így hétköznapi okostelefonokkal is létrehozhatók 3D modellek. Ráadásul olcsó, akár ingyenes (pl. internet-alapú) feldolgozó szoftverek is elérhetők, amik szintén könnyen elérhetővé teszik a módszert (pl. OpenDroneMap - WebODM). A 11. ábrán a felmért szelvény egy részlete látható már kész 3D modellként. A vizsgálatokhoz az Agisoft Metashape szoftvert alkalmaztuk (Agisoft LLC 2019), mely képes a fent említett lépések elvégzésére. A cikk benyújtásáig két szelvény részleteinek
