1  

Terrain Modeling of Cape Cod National Seashore 

 

By 

 

Tiffany‐Lane Davis 

 

 

A MAJOR PAPER SUBMITTED IN PARTIAL FULLFILLMENT OF THE REQUIREMENTS FOR THE DEGREE OF MASTER OF ENVIRONMENTAL SCIENCE AND MANAGEMENT 

UNIVERSITY OF RHODE ISLAND 

 

DATE: May 13, 2011 

 

MAJOR PAPER ADVISOR: Dr. Peter August 

MESM TRACK: Spatial Analyst and Remote Sensing   

2  

I. Introduction 

  The Geographic Information System (GIS) is “a system of spatially referenced information, 

including computer programs that acquire, store, manipulate, analyze, and display data” (Maune, 2007). 

This technology is constantly progressing, producing more detailed, reliable data. One example of 

improvement is in the form of the remotely sensed lidar elevation data. These data are being integrated 

more and more for a wide range of uses, including for the National Park Services inundation and storm 

surge modeling as they project future management practices during global climate changes.  

  The purpose of this technical paper is to systematically work through the methods involved in 

processing lidar data to establish a workflow that can be reproduced by others that would like to use 

this high accuracy information. The first section of this paper establishes the background information of 

climate change and lidar followed by the step by step methods used to create a digital elevation model 

(DEM) from raw lidar data. The final sections address assessing the DEM’s accuracy and using it for 

bathtub modeling. This paper can be utilized by anyone who needs to process lidar. 

A. Climate Change 

In 1990, the Intergovernmental Panel on Climate Change (IPCC) predicted that the global average 

temperature would increase between 0.15 degrees Celsius and 0.3 degrees Celsius each decade until 

2005. The actual temperature increase per decade has been 0.2 degrees Celsius, supporting the 

predictions and the concern about further temperature increases (IPCC, 2007).   

  There are two very serious manifestations of climate change; sea level rise and the increase in 

the frequency and intensity of storms. Sea level rise will gradually cause permanent inundation of low 

lying areas, while higher category storms will bring with them larger storm surges. Storm surge has the 

potential to cause damaging floods that can wipe out infrastructure and habitat. The rising 

temperatures are predicted to cause an increase in the number of category 4 and 5 hurricanes in the 

3  

Atlantic Ocean (Bender et al., 2010). Given recent events, such as Hurricane Katrina’s nine meter storm 

surge, this is a topic of great concern.  

  While the global average temperature is increasing within the predicted rate, the sea level is 

rising faster than the IPCC anticipated (Rahmstorf et al., 2007). Scenarios modeled in 1990 predicted a 

rise of approximately 2mm/year when the actual rise has been approximately 3.3mm/year (Rahmstorf 

et al., 2007). There are many potential consequences resulting from this magnitude of seal level rise. 

Coastal communities with houses along the shore will have to revise local zoning to prohibit shoreline 

development and families with houses within the zone of rising water will have to relocate. Habitats in 

low elevations will change and wildlife will need to adapt. Many management decisions will have to take 

sea level rise into consideration. 

 

 

 

     

Figure 1. Sea level rise between 1993 and 2005. This shows that actual sea level rise has been higher, on average, than even the predicted IPCC scenarios for this time (German Advisory Council on Global Change, 2006). 

4  

 

Figure 2. Warmer temperatures will increase the number of storms and their intensity (Bender et al., 2010). 

 

B. National Park Service 

The National Park Service is dedicated to protecting the United States’ natural resources (NPS, 

2011). Their focus ranges from wildlife to infrastructure "...to promote and regulate the use of 

the...national parks...which purpose is to conserve the scenery and the natural and historic objects and 

the wild life therein and to provide for the enjoyment of the same in such manner and by such means as 

will leave them unimpaired for the enjoyment of future generations" (NPS, 2011). As the climate 

changes, sea level rise and storm surge have become a concern for their coastal national parks, including 

Cape Cod National Seashore (CACO). Management practices will be different in areas where sea level 

rise is imminent and historic artifacts may need to be moved to more secure locations. Without credible 

information about where the high risk areas are, it is difficult to focus future management activities. 

5  

C. Monumentation project 

The Monumentation project is a collaborative effort between the National Park Service and the 

University of Rhode Island. The project encompasses the Northeastern coastal national parks and 

monuments of national importance including Cape Cod National Seashore, Assateague, Acadia, Fire 

Island National Seashore, Gateway, Colonial, Boston Harbor Islands, George Washington National 

Monument, Elis Island, Statue of Liberty National Monument (August et al., 2010). Each park has a list of 

sentinel sites that denote places of the highest concern over the entire park. These points are developed 

by the NPS and are top priority for risk assessment. They include locations of historic ruins, buildings, 

and artifacts, National Park Service headquarters, lighthouses, habitat restoration and study sites, and 

beaches. 

  Cape Cod National Seashore (CACO) is the first national park that is being assessed for areas at 

risk for sea level rise and storm surge. New England has been impacted by a number of hurricanes, most 

notably The Great New England Hurricane of 1938 (CoM, 2011). This was a category 5 storm that 

downgraded to a category 3 as it made landfall and brought with it storm surges of 10 to 12 feet (CoM, 

2011). Also known as the “Long Island Express,” this hurricane caused 8 feet of flooding in a number of 

towns on the Cape (CoM, 2011). Hurricane Edna in 1954 and Hurricane Bob in 1991 also caused severe 

damage with gusts of 120 to 125mph. There have been a number of other hurricanes that have hit New 

England’s coastal communities as well (CoM, 2011). With a rich hurricane history, there is cause for 

concern with the predictions of what is to come with climate changes. As with all National Parks, Cape 

Cod National Seashore is being preserved for its unique combination of historical and ecological 

significance. Consisting of a many low lying areas, including beach and wetlands, and surrounded by 

ocean and bay, this 44,600 acre Massachusetts peninsula is at risk from climate change impacts (NPS, 

2010).   

  A Digital Elevation Model (DEM) will be created from a terrain database built from lidar data for 

6  

Cape Cod National Seashore. Once the terrain is created, scenarios of sea level rise and storm surge can 

be modeled to determine which areas of CACO will be at risk in the future. The purpose of modeling for 

these conditions is to provide the NPS with the information necessary to make management decisions 

based on the hypothesized environmental conditions in the future.  

D. What is lidar and how does it work? 

The term lidar is an acronym for Light Detection and Ranging. Lidar is a type of remote sensing 

that provides highly accurate elevation data. The collection process includes a plane with an instrument 

that sends laser light pulses to the earth and measures the time the reflected light from the lasers 

returns to the instrument. This results in a dense array of elevation measurements (Wehr and Lohr, 

1999). The sensor also maintains a detailed record of the area sampled using GPS satellites which allow 

it to establish an X and Y coordinate with each point of elevation (NOAA, 2008).  Because of the way the 

data are collected, the resulting datasets are extremely dense, thus providing the ability to create high 

resolution maps. The rapid data collection system also allows the same area to be re‐sampled efficiently 

(NOAA, 2008). This is useful for observations of shoreline changes and similar change analysis studies. 

  Lidar makes flood modeling possible because of its high accuracies, especially when compared 

to the National Elevation Dataset (NED), which is the current best available nationwide elevation data. 

The accuracy of the NED varies across the nation but, on average, has an accuracy of 2.44 meters (244 

centimeters). Lidar data are accurate at 15 to 30 centimeters, but can have relative accuracies even 

higher than that on hills, banks, and dunes (NOAA, 2008). From these dense and accurate datasets, 

elevation maps with much higher detail can be created and used to model inundation risk from sea level 

rise and storm surge (NOAA, 2008). 

Before inundation modeling can take place, the current lidar data for the area must be 

processed into a raster grid and analyzed for accuracy. This paper will present a methodology to assess 

7  

the coverage of the park data, create a terrain, export it into a raster, adjust for local tides, and then 

evaluate the level of accuracy provided by lidar compared with true elevation points so that the same 

process may be repeated for the rest of the parks in the Monumentation project.  

E. Creating a terrain and grid 

  There are a number of things to consider when creating a terrain model and, eventually, a grid. 

First, it is important to know what the extent is of the lidar data that you are working with (ESRI, 2008). 

Another vital piece of information is the point density. Also called the average point spacing or posting 

density, this information is vital for building a terrain (ESRI, 2008). The ArcGIS system needs to know the 

point spacing in order to create the various products. This step will be covered in the processing steps 

later. It is imperative that you know the outputs that you are creating and the desired resolution of the 

raster dataset that will be used to create them. It is also important to know the extent and format of the 

output rasters. If the extent of the study area is large you may also need to consider splitting up the lidar 

data into a number of sections (ESRI, 2008). In this workflow, a tiling system will have to be developed 

and might consist of town or watershed boundaries depending on the purpose of the final raster. 

Depending on the application, tiled data can be used alone or mosaiced together to cover a larger area 

(ESRI, 2007). 

  Another factor to consider is whether or not to use breaklines. These linear features contain 

known z‐values and provide more detail to the DEM (Maune, 2007). Breaklines are often one of the 

deliverables supplied by the company that collected the lidar. The Cape Cod data used in this 

assessment did not come with breaklines. However, Roland Duhaime from the Environmental Data 

Center at the University of Rhode Island had previously created a DEM for the entire state of 

Massachusetts and provided access to the breaklines he used to create it.  

 

 

8  

F. Terms to know  

Definitions were taken primarily from the Digital Elevation Model Technologies and Applications: The DEM Users Manual , “Lidar 101: An Introduction Lidar Technology, Data, and Applications” provided by NOAA, and lidar training from ESRI online resources.  Accuracy – The closeness of an estimated value to a standard or accepted (true) value of a particular quantity. With the exception of Continuously Operating Reference Stations (CORS), assumed to be known within zero errors relative to established datums, the true location of 3‐D spatial coordinates of other points are not known, but only estimated. Furthermore, the accuracy of estimated positions can only be estimated.  

Accuracyz– The NSSDA reporting standard in the vertical component that equals the linear uncertainty value, such that the true or theoretical vertical location of the point falls within that linear uncertainty value 95‐percent of the time. Accuracyz = 1.96 x RMSEz  Consolidated Vertical Accuracy (CVA) is, like the FVA (below), a measure of the accuracy at the 95% level. It is a measure of the entire data set; all the points collected in the various ground types are used together.  Fundamental Vertical Accuracy (FVA) – also referred to as accuracyz, is the accuracy value for bare earth points at a certain confidence level. In this case it is the 95% confidence level and could be phrased as “95% of the bare earth points meet the specified accuracy level.” This statistic provides information on the quality of the data collection parameters (global quality) because it describes only the bare earth points, which have not been processed for classification. It is calculated using RMSE x 1.96 and requires a normal distribution, which most bare earth points follow. If it is not normally distributed, the Supplemental Vertical Accuracy technique is used.  Root Mean Square Error (RMSE) is a statistical measure of variability. The value is calculated directly from the difference between the ground control points and the lidar elevation and is typically between 5 and 30 centimeters. The formula for this is the square root of ∑(Zn – Z’n)

2 /N, where: 

• Zn is the set of N z‐values (elevations) being evaluated from the DEM • Z’n is the known elevation • N is the number of checkpoints  • n is the ID number of each checkpoint from 1 through N 

 Vertical Accuracy – The measure of the positional accuracy of a dataset with respect to a specified vertical datum. The vertical accuracy reporting standard is Accuracyz. 

 Bare Earth – Digital elevation data of the terrain, free from vegetation, buildings, and other man‐made structures. Elevations of the ground. 

 

 

9  

Benchmark – A relatively permanent, natural or artificial, material object bearing a marked point whose elevation above or below an adopted vertical datum is known.  

Permanent Benchmark – A benchmark as nearly permanent in character as is practicable. TheNational Spatial Reference System classifies benchmarks in terms of their “stability,” withStability A being the most stable and Stability D being of questionable stability.   Tidal Benchmark – A benchmark whose elevation has been determines with respect to mean sea level at a nearby tidal gauge. The tidal benchmark is used as a reference for that tide gauge. 

Breakline – A linear feature that describes a change in the smoothness or continuity of a surface.  

Soft Breakline – Ensures that known z‐values along a linear feature are maintained and ensuresthat linear features and polygon edges are maintained in a TIN surface model by enforcing the breaklines as TIN edges. Ex. Pipeline, road centerline, or drainage ditch  Hard Breakline – Defines interruptions in a surface smoothness to define locations of abruptsurface changes. Ex. Streams, shorelines, dams, ridges, building footprints 

Classification – Data that have been processed to define the type of object that the pulses have reflected off; can be as simple as unclassified (i.e., point not defined) to buildings and high vegetation. 

Datum – Any quantity or set of quantities that may serve as a basis for calculation of other quantities 

Horizontal Datum – A geodetic datum specifying the coordinate system in which horizontal control points are located. The North American Datum of 1983 (NAD 83) is the official horizontal datum in the U.S.   Vertical Datum ‐‐ A set of constants defining a height (elevation) system. It is defined by a set of constants, a coordinate system, and points that have been consistently determined by observations, corrections, and computations. The North American Vertical Datum of 1988 (NAVD 88) is the official vertical datum in the U.S.  Mean Higher High Water (MHHW) – The arithmetic mean of the higher high water heights of the tide observed over a specific 19‐year Metonic cycle denoted as the NTDE. Only the higher high water of each pair of high waters of a tidal day is included in the mean.  Tidal Datum – A surface with a designed elevation from which heights or depths are reckoned, defined by a certain phase of the tide. A tidal datum is local, usually valid only for a restricted area about the tide gauge used in defining the datum. 

DEM or Digital Elevation Model – a surface created from elevation point data to represent the topography. Often a DEM is more easily used in a geographic information system (GIS) than the raw point data it is constructed from. This model is created using last return points only. It is meant to just show bare earth without buildings, trees, etc. A DEM can be used for any analysis that strictly needs elevations. 

Digital Surface Model (DSM) – Created with first return lidar, this model will show buildings, trees, and other surfaces, besides ground points, that were collected. This product can be similar to aerial imagery depending on how dense the lidar is. It is meant to show what the surface of the land looks like.  

10  

Digital Terrain Model (DTM) – Similar to a DEM and sometimes is considered the exact same thing. When they are not used to describe the same type of model it is usually to determine the difference between using breaklines and not. A DTM uses breaklines.   File Formats – The following are three examples of formatting in which lidar data are presented. 

ASCII xyz – Acronym for American Standard Code for Information Interchange. The de facto standard for the format of text files containing x, y, and z positional values for elevation points and header lines. Values can be space or comma delimited. Spaces are recommended to avoid confusion with localization or internal numeric formats. The first line encountered where the first three tokens are numeric will be considered the beginning of the point records. 

LAS – The standard industry format for exchanging lidar data is the ASPRS lidar LAS format. LAS is the file extension of a binary file. A LAS file contains information for each point, including the number of returns, intensity, x, y, z positional values, scan direction, and GPS time. LAS files are also quicker to read or load and are best for large lidar datasets. 

TXT – Stands for text file. Lidar data from later years may come in this format. ASCII is a type of text file, but does not have the same extension. The file format for ASCII is .xyz while a text file is .txt. Be aware of this difference when “input file format” is requested. GENERATE must be chosen. Other than this difference, text files can be used exactly the same way as ASCII files.   

First Return – The first significant measurable portion of a return lidar pulse. 

Mass Points – Irregularly spaced points, each with an x/y location coordinate and a z‐value, typically used to form a TIN. When generated manually, mass points are ideally chosen to depict the most significant variation in the slope or aspect of TIN triangles. However, when generated automatically (i.e. by lidar), mass point spacing and pattern depend upon the characteristics of the technologies used to acquire the data.  Point Spacing – how close the laser points are to each other, analogous to the pixel size of an aerial image; also called “posting density.”  

Resolution – the size of the smallest feature that can be represented and detected in a surface or image.  Return Number (First/Last Returns) – Many lidar systems are capable of capturing the first, second, third, and ultimately the “last” return from a single laser pulse. The return number can be used to help determine what the reflected pulse is from (e.g., ground, tree, understory). The most common method  is to classify the data set for points that are considered “bare earth” and those that are not (unclassified).  

Terrain— An ESRI model. A terrain dataset is a multiresolution, TIN‐based surface built from measurements stored as features in a geodatabase. They're typically made from LIDAR, SONAR, and photogrammetric sources. Terrains reside in the geodatabase, inside feature datasets with the features used to construct them.  

Triangulated Irregular Network (TIN) – A set of adjacent, non‐overlapping triangles computed from irregularly spaced points with x/y coordinates and z‐values (mass points).  

11  

II. Sources of Data 

  The lidar data were supplied by Mr. Dennis Skidds from the National Park Service for Cape Cod 

National Seashore. Data were provided for years 1998, 2000, 2002, 2005, and 2007. The following 

provides a general assessment of each year in comparison with the others. 

  Horizontal coordinate systems for all the years were Universal Transverse Mercator (UTM) Zone 

19.  The vertical coordinate system is the North American Vertical Datum of 1988 (NAVD88). This was 

very convenient since the other data used when building the DEM were in the same coordinate systems.  

  Years 1998 and 2000 did not have raw lidar data that could be turned into a terrain. They were 

previously processed and converted to .JPEG and .TIF files. Because rasters were provided for these 

years, I was able to observe that the coverage was not as complete as other years. Therefore, the lidar 

from these years would not have been used for building of a terrain anyways. The images in Figure 3 

below, from 1998 and 2000, show their limited extents. 

  The data from the year 2002 did have lidar data points. These x, y, and z‐values were given in 

text format. These files are usable in the same way that ASCII xyz are. The image below shows the extent 

of the 2002 data. I created this product from the bare earth data using the point to raster tool in order 

to compare its extent to the other years. This area of collection is similar to the years 1998 and 2000 

with most of the data focusing on the shoreline. 

  Years 2005 and 2007 both had raw data in ASCII xyz files. The ASCII formatting is the most up to 

date formatting with the current documentation on how to process raw lidar data. Preferably the data 

would come in .LAS files, but since the data used here were provided from an outside source the .LAS 

files could not be obtained. However, I was reassured that the outputs from the ASCII files were 

comparable to those produced from the .LAS files. The extent of bare earth data for 2007 is even more 

minimal than the previous years, as can be observed in Figure 3. While this year is most current and has 

the highest point density, there were not enough test points that fell within this lidar extent to do an 

12  

accuracy assessment (17 test points within the 2005 extent and 32 within the 2005 extent). Test points 

will be discussed later in the Error Assessment section. 

Figure 3. A comparison of the extents of lidar coverage for each year available. 

The files from 2005 were chosen for this project because this year contains the greatest extent 

of data. All years were flown to contain shoreline data and were not meant for park‐wide analysis. The 

year 2005 covered the most park area of all the years. In terms of ease of processing, this year also 

worked the best. The other years required adjustment and manipulation to make them usable.  I felt the 

2005 data were the best for giving an example of how 

to process lidar data and turn it into a usable DEM.  

  ArcMap Environmental Systems Research 

Institute (ESRI) software version 9.3.1 and 10 were 

used for this project.  Spatial Analyst, 3D Analyst, and 

Conversion Tools were used for processing lidar, the 

Terrain Wizard in ArcCatolog was used to build the 

terrain, and Spatial Analyst was utilized for  

inundation modeling. Figure 4. Lidar extent for 2005. 

13  

Table 1. Basic information from each year of lidar data for Cape Cod National Seashore. 

 

III. Processing Methods  

  The following steps were used for processing the 2005 Cape Cod National Seashore lidar. Since 

this dataset worked without any problems, the following is a best‐case scenario for processing lidar 

data. The data from 2005 also had the greatest extent to work with. There will be a section later to 

mention the issues involved with the 2002 and 2007 data and how they were resolved.  

  Because lidar data are so dense, I recommend that a subset of the data be clipped out in order 

to start becoming comfortable with the upcoming processes. With so many points of data, the program 

starts to slow down. This can be frustrating when you are going through steps that may not actually 

work on the first try or when you are still trying to get comfortable with the process. 

  I chose to put the techniques in step by step format to make it easier to follow as someone is 

completing the task. The steps are broken into two sections. The first is “Assessment of Lidar Coverage 

and Sample Density.” This section is about looking at the lidar data you have and determining how 

complete it is. It is important to do a quality control assessment to detect any holes in the data and 

  

Sensor  ASCII xyz Purpose (as stated in metadata) 

Average Point Spacing (m) 

Horizontal Datum 

Vertical Datum 

Horizontal Positional Accuracy (estimated) 

Vertical Positional Accuracy (estimated) 

1998  ATM  NA   NA  Unknown NAD83 NAVD88  1m  15cm

2000  ATM II  NA   NA  Unknown NAD83 NAVD88   1m  15cm

2002  EAARL  Bare Earth and First Return (.txt) 

 NA  5.442229  NAD83 NAVD88  1m  Unknown

2005  EAARL  Bare Earth and First Return 

Coastal management decisions 

4.501492  NAD83 NAVD88  1m  15cm

2007  SHOALS   Bare Earth, First Return, Bathymetry 

Beach conditions, bathymetry 

1 NAD83 NAVD88   +/‐ 3m +/‐ 30m

14  

establish the coverage of the data before starting to build a terrain. That way, if something does not 

look right in your product, you have something to compare it to. It is also a good idea to know your data 

inside and out rather than just create something blindly, especially if it will be used for important 

modeling or research. This section also involves some information gathering for future steps in building 

a terrain model. The second large section is “Creating Raster DEMs.” This section involves building a 

terrain and converting it to a grid. The steps walk the reader through every tool and field within the 

tools so the best possible DEM can be created from the lidar data.  

  Each section is also broken into the major steps to complete each task. The heading is italicized 

and underlined to indicate that you are entering a new tool or topic for processing lidar. For example, 

Create a Geodatabase and Point File Information are two steps under the Assessment section. Under 

each of these will be bullets about why the step is important and how to complete it. Buttons that you 

will be clicking, text areas that need to be filled in, and boxes that need to be checked will be highlighted 

in bold to draw your attention. Things that are important to be aware of will be called “Note” and will be 

italicized. 

    

 

 

 

 

 

 

 

 

 

15  

The ArcGIS Resource Center geoprocessing blog service and ESRI lidar training were helpful references for creating this section.  A. Assessment of Lidar Coverage and Sample Density  

Data Format It is important to take a look at the files that you are using to create your DEM. Some issues can be taken care of initially to reduce the amount of time wasted processing data that already has problems. Obvious red flags include lengthy headings as well as spaces and odd characters between words. Examples are parentheses and slashes. If you can clean up these titles initially, ArcMap will handle them a lot more smoothly. Sometimes the files will not have headings at all. This was the case for 2005 and did not pose a problem because the columns were ordered as x, y, z and were space delimited. The format was easily processed by ArcMap.  Format of 2005 Cape Cod National Seashore files, which were used to complete the processing methods section (number two in Figure 5). 

• The file format is ASCII xyz 

• No heading titles, but the organization of the data are clearly x, y, and z data 

• Space delimited  

• Note: Open files with WordPad, not NotePad for an easier to read format. Also, due to the extreme volume of numerical data in these files, NotePad is not always capable of displaying so much information. 

  

 

16  

Create a Geodatabase This is an important first step because in order to build a terrain, the data being used for the terrain (lidar points, breaklines, etc) needs to be in a feature dataset. Only when the data are in a feature dataset within a geodatabase is the Build Terrain option even available.  

‐‐Note: You need to know what coordinate system your lidar data are in. So, check the metadata. Also, all data that go into a feature dataset needs to be in the same coordinate system. Be aware of this while managing your data.   

• In ArcCatolog, right click the folder where you want your geodatabase to be stored.  

• New > File Geodatabase o Make sure to name it something meaningful. For example, CACO_Terrain_2005. You don’t 

want to wonder later whether your terrain represents the year 2000 data or 2005. o It is extremely important that you never use blank spaces in any file names, ever, when 

working with ArcGIS 

• Now, right click the file geodatabase you just created and select New Feature Dataset o Name the Feature Dataset. For example: TerrainData o Choose the horizontal coordinate system that your x/y data was collected in: NAD 1983 

UTM Zone 19N, for example o Set your vertical coordinate system for your Z data points: North American Vertical Datum 

1988, for example o Accept the defaults for X, Y, Z, and M tolerance  

 Point File Information This tool is important because we need the point density later when building a terrain.  

• ArcToolbox > 3D Analyst > From File > Point File Information o Browse for Folders if you want ArcMap to read all the ASCII xyz files that you have and give 

you the information for all of them; Browse for File if you only want information for one file   Browse for File is a good way to start if you don’t know what to expect and want to 

do a test run. However, when doing this for building the terrain you need to add all the files for the area. The average point density over the entire area is what we need, not just the average for that one file. “Areas with exclusions for bodies of water or with only partial data will not have as accurate point spacing. The Point File Information is more meaningful when looking at trends in multiple files.” (ESRI, 2008) 

o Since these files are ASCII their suffix is .xyz. This should be filled in for the following:  Input File Format: XYZ  File Suffix: xyz  Note: File Suffix says that it is optional, but becomes mandatory when browsing for a 

folder. 

17  

o Input Coordinate System: optional, but if you know your coordinate system, for example my data is in UTM Zone 19 and NAVD88, you might as well set the projection now so that you don’t have problems with it later 

o Decimal Separator: also optional, but, if your ASCII files use commas rather than decimals to represent the decimal point in coordinates, you will want to select decimal comma instead. 

o Click the OK button and ArcMap will read all of the files in the folder that was selected  Elapsed Time: 59 seconds for 91 files (596MB) 

 The result should be one box representing each file that was read. The boxes represent the extent of the x/y data in the file.   

 Figure 6. Point File Information for 2005 bare earth lidar. 

 Important information that can be viewed in the attribute table: 

• FileName: The title of each file that was read 

• Pt_Count: The number of points that each file contained o The total number of points for my dataset is 21,898,472 to give you an idea of the 

massiveness of what you are working with. This number can be obtained by right clicking the Pt_Count column, selecting statistics, and reading the number next to Sum. 

• Pt_Spacing: The average spacing between all the points in the file 

• Z_Min: The lowest elevation value in each file 

• Z_Max: The highest elevation in each file  

Statistics can be run on each of these values if you would like to see what the trend is over the entire lidar dataset.  

18  

The most important value to obtain, however, is the average point spacing, also called point or posting density, so that we have this number to use in some of the future steps.  

 

• In the attribute table, right click Pt_Spacing and move down to Statistics o The average point spacing for Cape Cod 2005 bare earth is 4.501492 meters (we know it is in 

meters because the coordinate system for these data is UTMs, which is calculated in meters) o Sort Pt_Spacing in ascending order to understand your data better 

 

  In order to get a better feel for where the data has higher or lower point spacing the polygons can be symbolized using a graduated color ramp   

  From this symbolization we can see which areas of Cape Cod National Seashore have better lidar coverage and which might be missing information. 

19  

ASCII 3D To Feature Class The next step is to turn the ASCII files into points that can be seen in ArcMap. 

 

• ArcToolbox > 3D Analyst > Conversion > From File > ASCII 3D to Feature Class o Browse for: folders 

Add the same folder that you used for your Point File Information  This will add all the files for the area you are processing 

o Input File Format: XYZ o Output Feature Class: Name your output feature class something meaningful (For example: 

BE_pts_2005) and make sure you direct it to the Feature Dataset you created in the File Geodatabase. 

o Output Feature Class Type: MULTIPOINT o Z Factor: a multiplier for your data if you know the factor that the data need to be adjusted. 

Could be used to adjust for Mean Higher High Water, but I wanted just a baseline bare earth terrain in its simplest form. This field was left blank 

o Input Coordinate System: Use what the metadata tells you these files are in and don’t forget to tab over to the Z Coordinate System and add that as well 

o Average Point Spacing: Input the number that you calculated from the Point File Information statistics. For example, 4.501492 was the average point spacing for the CACO 2005 bare earth data 

o File Suffix: these files end in .xyz, therefore, enter xyz here o The default decimal separator is fine for me since a decimal point is used in my files, but be 

sure to double check your own files. o Click the OK button and let ArcMap read through all the files.  

 ‐‐Elapsed time: 2 minutes 

 

   

20  

Point to Raster  For a more in depth view of point distribution   

• ArcToolbox > Conversion Tools > To Raster > Point to Raster o Input Feature: The Lidar points you just created from the ASCII 3D to Feature Class tool. 

Example: BE_pts_2005 o Value Field: Doesn’t matter when cell assignment type is set to COUNT  o Output Raster Dataset: Name it what you like (Example: PtToRas_BE05). Send it to your 

geodatabase. Rasters won’t go in your feature dataset. That’s not even an option.  o Cell Assignment Type: COUNT 

This uses the number of points falling in a raster cell as the cell value. Being able to look at this graphically over the extent of the project area is revealing  

o Don’t worry about Priority field o Cellsize: Do not use average point spacing because this leads to cells with no data. Use a 

number several times larger than the average point spacing and small enough to identify gaps. A figure four times the average point spacing is a good number according to ESRI 

My average point spacing is 4.5 therefore my Cellsize is 18 o Click OK 

 ‐‐Elapsed time: 1 minute 10 seconds 

 Symbolize the resulting raster with graduated colors in order to get better acquainted with your data. Set NoData to something that contrasts so those areas will stand out.  

 

21  

Data Area Delineation  An important step to complete before creating a DEM. The product of these steps will give you a clip area for building the terrain model so the interpolation is contained within areas of dense lidar. This diminishes any issues with distant points that cause interpolation to be unreliable along the boundaries of your data.  ‐‐ Note: You should already have your average point spacing from the Point File Information and you also have a raster that you created using the Point to Raster tool  

 

• Spatial Analyst Tools > Conditional > Con tool ‐‐ Any cell that has a value greater than zero will be given one constant value and any NoData cells will be given an alternative value. Since COUNT was used during the Point to Raster tool all cells that contain a point have a positive value and will be given one uniform number. This will allow detection of holes in the data. Holes are not necessarily a bad thing. Many will be bodies of water where you do not want lidar elevation points. However for a vector polygon clip boundary we obviously do not want any holes. 

 o Input Conditional Raster: select the raster that you just made in the Point to Raster section o Expression: optional, was ignored in my case o Input true raster or constant value: 1 

This is the value that all cells with a lidar point within it will be classified as.  o Input false raster or constant value: optional, was ignored in my case. If you want the 

NoData areas to have a specific constant value you could input that here o Output raster: Be sure to name this as a Con tool product. You will need it as an input to the 

next step.  

‐‐ Elapsed time: 6 seconds ‐‐There will probably still be NoData areas in your raster. These will be taken care of in the following steps. 

 

• Spatial Analyst Tools > Generalization > Expand tool ‐‐ This tool causes all cells with data (a code of 1 in our case) to grow outward by a certain increment filling in small interior gaps. 

 o Input raster: use the product from the Con Tool o Output raster: Identify it as an Expand product so you recognize it for the following step o Number of cells: 1 

22  

This tells the system to expand outward by one cell o Zone values: 1 

All cells with a lidar point within it have a cell value of one. Therefore you are telling the system to expand all of these cells, ignoring the NoData areas. 

‐‐ Elapsed time: 3 seconds ‐‐ There may still be NoData areas. These will most likely be larger bodies of water. The next step will take care of them.   

• Spatial Analyst Tools > Generalization > Shrink Tool ‐‐This step is to reverse the negative effects of the Expand tool. When Expand was used the data area grew along its edges too. A clip polygon needs to be a little smaller than the lidar point extent so that when the terrain function tries to interpolate along the edges points can be found on both sides. This is necessary for good z‐value estimation. Shrink will reduce the raster boundary. (ESRI, 2008) 

 o Input raster: use the product from the Expand tool o Output raster: identify it as the Shrink product so it can be used in the next step o Number of cells: 2 

This tells the system to shrink the raster by two cells o Zone values: 1 

Again, all points that contain data have a value of one so those are the cells that we want to shrink 

 ‐‐The result should be a fairly clean raster with edges slightly within the lidar point extent  

       

23  

• ArcToolbox > Conversion Tools > From Raster > Raster to Polygon Tool ‐‐Turn your raster into a vector polygon  

o Input raster: use the product from the Shrink tool 

o Field: optional, was ignored in my case o Output polygon features: Name your new 

polygon o Check simplify polygons box 

Optional, but we want a smooth product not a jagged one. By simplifying, the raster appearance with stair stepped edges is removed. 

 ‐‐Elapsed time: 1 second ‐‐ Double check your polygon for completeness. If you still have holes the next step will fill them in 

 

• Remove Interior Rings from Polygons VBA Script ‐‐Only do this if you still have holes in your polygon. This step may seem completely foreign but is actually very simple 

 o Download  RemoveInteriorRings VB script from ArcScripts online 

(http://arcscripts.esri.com/details.asp?dbid=16019). This will edit out the internal rings leaving just the exterior boundaries. To run the script, follow these steps: 

o Have your polygon feature class output from Raster To Polygon as the first layer in a map document. Drag it to the top of your contents area in ArcMap if you need to. 

o In ArcMap go to Tools > Macros > Visual Basic Editor  There will be a big gray window area and a Project window docked at the left 

   

      

 

Project window

24  

o In the Project window right click your project (it should be your mxd title) > Import File > select the VBA module you downloaded from ArcScripts 

o Run RemoveInteriorRings  

‐‐Go back to ArcMap and refresh your data view ‐‐The result should be a complete polygon without any holes and falls slightly within the boundary of your points. This can now be used as a clip polygon for building terrains.  

            

 

   

25  

B. Creating Raster DEMs 

Point to Raster tool     Can be used if the only source of data is lidar and you want a quick output. This is not the highest quality result but it is good enough for certain purposes. This is not recommended for flood analysis (ESRI, 2008). I did not go this route. You have already been introduced to this tool during the assessment section. The output is not pretty and is probably not what you are looking for as a product. However, these are the steps: 

 

• For DEM use ground points o Value field: Shape to use z values from multipoint vertices o Cell assignment: MIN or MEAN. MIN will bias output heights to local lows while MEAN is 

more general purpose (ESRI, 2008)  For DSM use first return and MAX for cell assign 

 ‐‐Drawback to Point to Raster tool: lots of NoData 

o To reduce impact: increase output cell size or use expression to reduce NoData   

Building terrain dataset Use for high quality results or if you have breaklines ‐‐You should already have a Feature Dataset in your File Geodatabase from the beginning of the previous section. If not then:  

 

• Right click the database that you created earlier and select New > Feature Dataset o Set the vertical and horizontal datum 

Horizontal: NAD 83 Zone 19  Vertical: NAVD 88  Note: All data that goes into this feature dataset must be in the same datum  

 

  ‐‐Import any data you will be using as breaklines and lidar points. Again, these should already be in your feature dataset in your file geodatabase if you have been following through the steps 

 

• Create a terrain o Right click your feature dataset > New > Terrain o In the first window, Select the data that you would like to use to build the terrain including 

the bare earth points, any breaklines, or your clip area. You must also enter the Approximate point spacing (which we determined with the Point File Information tool). 

o  Then click Next. o The next window shows the data you selected and asks about SFType (surface feature type). 

This section wants to know how you would like to use each feature in the terrain.  The lidar feature class should already be set to mass points 

26  

The polygon of your study area should be set to soft clip. Leave it as is. Soft feature choices allow interpolation across it. Therefore, any data outside of the clip area will be used for interpolation, but will not be shown. This will clean up the edges of your terrain.  

If you have a shoreline, ridges, streams, dams, or any other data that depicts an abrupt change in the surface, these will be input as hard features (hard line or hard replace) and will appear as a distinct break in the slope in your terrain. 

If a feature has an attribute field for elevations, it can be selected from the drop down menu under Height Source.  

    

o Click Next, and the following section is about pyramid types  Select Window Size (ESRI Lidar Training, 2009) 

• Point selection method: Moderate 

• Secondary thinning method: Mean o Click Next o The next window is for creating the different pyramid levels. Pyramid levels allow for faster 

viewing of a terrain. Since our final product will be a raster, it is not necessary to be overly concerned about this section. Click Add three times to create three pyramid levels. Accept the default numbers. 

o Click Next and the final window gives a summary of the terrain properties. Look it over, o Then Finish. 

    

27  

Terrain to Raster tool Information for this section was provided by Christopher Damon of URI’s Environmental Data Center. 

 

• 3D Analyst > Conversion > From Terrain > Terrain to Raster o Input Terrain: Select the terrain that you just created o Output Raster: Name the output DEM something meaningful o Output Data Type: FLOAT o Method: NATURAL_NEIGHBORS o Sampling Distance: CELL SIZE, then delete the default and enter the resolution size you want 

your product to be. For example, I created 10m and 5m DEMs o Pyramid Level Resolution: accept the default of 0 because we want to create the DEM from 

the full, un‐thinned terrain. 

 

IV. Troubleshooting  

  Data from 2002 could not be processed following the steps above, initially. However, the issues 

with these text files turned out to be a simple fix. During the steps when “Browse folders” was an 

option, the folder for the bare earth files was chosen. However, I did not realize that there were other 

files in the bare earth 2002 folder. Their presence corrupted the process, understandably. Once the data 

text files were separated from the rest they worked perfectly. One very important thing to keep in mind 

is the “Input File Format” that must be chosen during different steps. Text files, which have the file 

extension of .txt, are neither XYZ nor LAS. Therefore, GENERATE should be chosen from the drop down 

menu in this case.  

  The first problem I came across with the 2007 data is that all the different types of points, bare 

earth, first return, and hydrology, were all in the same ASCII folder. When “Browse for folder” was 

chosen as an input for processing, the product was a mess because the data were combined. This is also 

an easy fix. Double check, before you begin processing lidar, that you have a folder specifically 

containing each type of points. 

   The second, and most troublesome, problem with the 2007 dataset occurred in the headings. 

ArcMap does not handle spaces, parentheses, and slashes when they occur in headings. Headings 

28  

should be as short as possible while still maintaining their meanings and special characters should never 

be used. Therefore, these files need to be cleaned up before being put through the processing steps. 

 

 

V. Error Assessment 

  Even though lidar is the highest accuracy form of elevation data currently available, there are a 

number of forms of error that could occur from the time the lidar data are collected to the processing of 

the final DEM (Webster and Dias, 2005; Liu, 2011). The quality of the lidar data depends on the height of 

the aircraft, the laser beam, the location of the reflected point within the collection swathe, correctly 

functioning Global Positioning Systems, the distance to the GPS ground bases, and the filtering ability of 

the system (Liu, 2011). There are also human errors to be aware of during the manipulation of the lidar 

data. With all these possibilities of error, it is always a good idea to do a quality assessment before 

trusting your DEM’s accuracy, especially when the map could be used for decision making (Congalton 

and Green, 2008).  

  Geodetic control points with known elevations were used to check the accuracy of the Cape Cod 

DEM produced from the lidar data. Geodetic control points, also known as benchmarks or monuments, 

are points that have been surveyed with highly accurate methods (August et al., 2010). These brass 

disks, concrete pillars, and various other materials, are documented by the National Geodetic Survey 

(NGS) and the Department of Transportation (DOT). See Appendix B for some images of examples of 

what brass disc monuments from the U.S. Coast and Geodetic Survey, the National Geodetic Survey, and 

the National Ocean Survey look like.  

Figure 14. An example of an ASCII file from 2007 with long heading titles, parentheses, and slashes that need to be cleaned up. 

29  

  Other points used to check the accuracy of the DEM were supplied by the National Park Service. 

These GPS coordinates were taken on site with a survey grade receiver and were uploaded to the NGS’ 

Online Positioning User Service (OPUS) making the data extremely reliable (NGS, 2011). 

  Sources of elevation information in NGS datasheets vary from very accurate methods to less 

reliable methods. The subset of NGS points that fell within the extent of the Cape Cod lidar had this 

attribute in the data downloaded from the NGS website. Most points were scaled, while others had 

been adjusted, GPS observed, or vertcon adjusted. Benchmarks that are scaled have been recorded off 

of a topographic map and points listed as vertcon have had the “vertcon shift” applied to them (NGS, 

2011). Points with these sources of elevation were deemed not accurate enough to be used for the 

quality assessment of the lidar DEM. Seven out of 42 NGS points were retained for use in the 

assessment because the sources of elevation were adjusted, which means the “direct digital output 

from least squares adjustment of precise leveling” was used, or GPS observed, which indicated the 

elevation was computed from a GPS (NGS, 2011). Both of these methods are considered highly accurate 

(NGS, 2011). 

The NGS Data Sheet

See file dsdata.txt for more information about the datasheet.

DATABASE = ,PROGRAM = datasheet, VERSION = 7.86 1 National Geodetic Survey, Retrieval Date = APRIL 19, 2011 AB2629 *********************************************************************** AB2629 FBN - This is a Federal Base Network Control Station. AB2629 DESIGNATION - CHATHAM LIGHT USCG AB2629 PID - AB2629 AB2629 STATE/COUNTY- MA/BARNSTABLE AB2629 USGS QUAD - AB2629 AB2629 *CURRENT SURVEY CONTROL AB2629 ___________________________________________________________________ AB2629* NAD 83(2007)- 41 40 18.27218(N) 069 56 56.97477(W) ADJUSTED AB2629* NAVD 88 - 12.282 (meters) 40.30 (feet) ADJUSTED AB2629 ___________________________________________________________________ AB2629 EPOCH DATE - 2002.00 AB2629 X - 1,635,860.412 (meters) COMP

30  

AB2629 Y - -4,482,110.949 (meters) COMP AB2629 Z - 4,218,428.828 (meters) COMP AB2629 LAPLACE CORR- 0.11 (seconds) DEFLEC09 AB2629 ELLIP HEIGHT- -15.786 (meters) (02/10/07) ADJUSTED AB2629 GEOID HEIGHT- -28.07 (meters) GEOID09 AB2629 DYNAMIC HT - 12.278 (meters) 40.28 (feet) COMP AB2629 AB2629 ------- Accuracy Estimates (at 95% Confidence Level in cm) -------- AB2629 Type PID Designation North East Ellip AB2629 ------------------------------------------------------------------- AB2629 NETWORK AB2629 CHATHAM LIGHT USCG 0.14 0.10 0.29 AB2629 ------------------------------------------------------------------- AB2629 MODELED GRAV- 980,318.5 (mgal) NAVD 88 AB2629 AB2629 VERT ORDER - FIRST CLASS II AB2629 AB2629.This is a reference station for the CHATHAM 1 AB2629.National Continuously Operating Reference Station (CHT1). AB2629 AB2629.The horizontal coordinates were established by GPS observations AB2629.and adjusted by the National Geodetic Survey in February 2007.  

Figure 15. An example of an NGS datasheet highlighting the elevation source. 

   

    Four points that were used in this assessment were from the Massachusetts Department of 

Transportation. They were downloaded off of their website where they maintain a database for highway 

and bridge construction projects that have occurred across the state (MADOT, 2011). From the attribute 

table, information on where the monument is located, the material that it is set in, its coordinates and its z‐

value can be obtained. Because these markers were used as a survey point for town infrastructure, we can 

be confident that these points are accurate enough to be used for the assessment process.  

    The final set of points that were utilized is a dataset from the National Park Service that has 

been corrected using the Online Positioning User Service (OPUS). OPUS is a service provided by the NGS. It 

uses Continuously Operating Reference Stations (CORS) to correct GPS data that have been collected 

through field work. Data processed through this site are accurate to a few centimeters (NGS, 2011). 

Twenty‐two points that were processed through OPUS across CACO were provided by Mark Adams from 

the NPS. 

31  

 

Figure 16. An example of an OPUS output report with an RMS value of 2 centimeters. 

 

  The American Society for Photogrammetry and Remote Sensing (ASPRS) and Inter‐

Governmental Committee on Surveying and Mapping (ICSM) recommend that the points used in 

assessment should be distributed over all the dominant land cover types within the study area with at 

least 20 points in each category (Liu, 2011). This is due to the fact that lidar has different accuracies 

depending on whether the point is collected in open land, under heavy tree cover, or in sparse 

vegetation (Cowen et al., 2000). For example, Cowen et al. compared the percent of canopy closure with 

the percent of canopy penetration and found a strong relationship between the two; the denser the 

canopy the less bare earth readings are collected. Sometimes lidar will have different levels of returns 

that allow for this type of testing. Some studies, like Hodgson et al.’s (2002) assessment of lidar DEMs 

have a field team collect GPS points in different vegetation such as low grass, high grass, scrub/shrub, 

pine, deciduous, and mixed forest. This study in particular used 1,195 check points (Hodgson et al., 

2002).  The Cape Cod data did not contain multiple types of returns, only bare earth and first return. 

32  

Also, it was not possible to collect points in the field specifically in certain land cover types. In order to 

do a similar test to see what type of land each point from NGS, DOT, and OPUS fell within, the Intersect 

Tool was used to add the MASS GIS Landcover of Barnstable County information to the test points.  

 

 

 

  To assess for accuracy of the Cape Cod data, the Root Mean Square Error (RMSE) was calculated 

using the differences between the checkpoints and the DEM. According to NOAA, this value is usually 

between 5 and 30 centimeters of error for lidar. The Fundamental Vertical Accuracy was calculated. This 

statistic tells us that 95% of the data fall within a certain accuracy level. The procedures used to perform 

this accuracy assessment are described below. 

    

0

2

4

6

8

10

12

Land Use Type at Benchmark Location

Figure 17. The result of the intersection between land use and the test points. Each bar shows how many points, that were used in the assessment, fall in each land use type. 

33  

Extract values to points  In ArcMap version 10, this tool makes it possible to attach the DEM elevation to the accuracy assessment points so that the difference between the two can be calculated.  • Spatial Analyst > Extraction > Extract values to points 

o Input point features: choose the checkpoints that you will be using to assess the DEM o Input raster: select the DEM that you are assessing o Output point features: choose where to put the new point feature class and decide what to 

name it. 

The result is a point feature class that has a new attribute called RASTERVALU. All the other attributes are carried over from the original points and this new field is the elevation of the DEM where that point was located.  

Root mean square error (RMSE):  According to the DEM Users Manual, the formula for calculating the RMSE value is the Square root of ∑(Zn – Z’n)

2 /N, where: 

• Zn is the set of N z‐values (elevations) being evaluated from the DEM o The RASTERVALU field from the output of “extract values to points.” 

• Z’n is the known elevation o The elevations from the NGS, DOT, and OPUS datasets 

• N is the number of checkpoints  

• n is the ID number of each checkpoint from 1 through N 

   

  This formula was run for a DEM made with breaklines and one without to determine whether 

the inclusion of breaklines created a more accurate elevation model. Microsoft Excel was used to do the 

calculations. First, the information was copied from the attribute table in ArcMap and pasted into a 

spreadsheet. When copying directly from an attribute table, highlight the features you want to copy 

then right click in the gray column area to the left of the attributes. The choice “Copy Selected” will be 

available. Be aware that all attributes that are visible will be copied. Turn off the ones you aren’t 

interested in if you don’t want all of them. In my case, columns were deleted in Excel until the accuracy 

assessment points and the corresponding DEM points were left. The formula tools in Excel were then 

used to calculate the difference between those two numbers. The difference was then squared. All the 

squares were summed and the sum was divided by thirty‐two, the total number of points used. The 

square root of this answer was then calculated to produce the final value. 

34  

Fundamental Vertical Accuracy This number tells us that we can be confident that 95% of the points fall within this number.  

•  RMSE x 1.96  

This number was also calculated for a DEM with breaklines and without. The RMSE value that was 

calculated in Excel in the previous step was simply multiplied by 1.96 to produce the FVA value. 

 

VI. Accuracy Discussion 

  The lidar for 2005 was used to create four DEMs in order to assess the accuracy of the dataset. 

DEMs were created with breaklines and without to determine whether or not the additional information 

made a difference in how accurate the product was. The rasters were also created at 10 meter and 5 

meter resolution to determine how much the cell size affects the accuracy.  

  As expected, the root mean square error (RMSE) value was reduced when the resolution of the 

grid was smaller. The smaller cell size produces a more detailed DEM.  In both cases, the DEMs created 

with breaklines had a greater RMSE value. This was a surprising outcome. The assumption is typically 

that the error will be reduced when breaklines are included in a DEM because you are adding features 

with known elevations. This should improve the interpolation.  

Dataset  Resolution  RMSE (m)  FVA (m) Breaklines  10m  0.781263  1.531276 No breaklines  10m  0.778967  1.526775 Breaklines  5m  0.668801  1.310851 No breaklines  5m  0.626898  1.228720 Table 2. Error assessment of different elevation models created from 2005 lidar data. 

   

  When we take a closer look at the actual values that are being compared we can see where 

some of the differences lie. The following table compares the elevations of each test point to the DEM 

value in the 5m rasters made with and without breaklines. Most points have exactly the same value 

35  

whether there are breaklines or not, but three points do vary. The more accurate number is highlighted 

in yellow. Two out of three of the more accurate values are located in the raster that does not have 

breaklines. 

Actual Elevation   Land Use  5m Raster Value with Breaklines 

5m Raster Value without Breaklines 

9.004  Urban Public/Institutional  8.950496 8.95049612.28  Urban Public/Institutional  12.260034 12.26003411.62  Commercial  10.740655 10.7486451.025  Water  0.869884 0.8698846.509  Saltwater Sandy Beach  5.097316 5.09731612.92  Urban Public/Institutional  12.297817 12.29781714.18  Urban Public/Institutional  14.395578 14.39557816.39  Forest  16.133827 16.1338273.559  Saltwater Sandy Beach  2.967559 2.96755913.98  Forest  12.566749 13.73697438.63  Forest  37.70031 37.7003113.73  Forest  13.003966 13.0039667.802  Forest  7.238527 7.23852719.74  Forest  19.471809 19.47180929.43  Low Density Residential  28.571478 28.57147829.49  Forest  29.884832 29.88483234.7  Open Land  34.072594 34.072594

44.08  Forest  43.767624 43.52111141.26  Forest  40.666142 40.66614240.06  Golf Course  40.039433 40.03943325.82  Open Land  25.6579 25.657919.5  Open Land  18.88315 18.88315

7.9573  Forest  7.204743 7.2047433  Transportation  3.097647 3.097647

3.137  Saltwater Sandy Beach  1.133085 1.1330853.079  Urban Public/Institutional  2.920983 2.9209831.74  Transportation  1.515265 1.515265

1.695  Transportation  1.515265 1.5152651.73  Transportation  1.624552 1.624552

32.93  Urban Public/Institutional  32.772331 32.7723311.78  Transportation  1.68254 1.68254

1.746  Transportation  1.68254 1.68254Table 3. A comparison of test points’ actual elevation with the interpolated elevation of a DEM with breaklines and without and the land use associated with that point. The red boxed areas are the only points with a difference between the two DEMs and the yellow highlights which point is more accurate. 

36  

  When the two 5 meter DEMs are visually compared, there are some improvements when 

breaklines are used. Features, like roads and dikes, appear more clear and defined (Figure 18). In this 

aspect, the use of breaklines appears to be a beneficial addition to the DEM. Figure 18 contains the most 

notable change. When zoomed in even further, faint lines from road and shoreline breaklines can be 

observed. Overall, however, there are not many significant differences between the two DEMs. 

   

  While the RMSE values seem high compared to the typical reported accuracies of 15 to 30 

centimeters, this value is actually quite reasonable considering that many of the benchmark checkpoints 

fall within forested land cover (Hodgson et al., 2002). Hodgson et al., in 2002, reported an RMSE value of 

93 centimeters when testing lidar that had been collected during leaf‐on conditions. All calculated RMSE 

values for CACO, whether 5 meter or 10 meter resolution or with or without breaklines, fall below 

Hodgson’s reported number. The 2005 Cape Cod data was flown in May so the leaf cover of deciduous 

trees is still in the beginning stages of development. However, the land use data that was used to 

categorize the points, defines forest as “areas where tree canopy covers at least 50% of the land. Both 

coniferous and deciduous forests belong to this class” (MassGIS, 2009). With forests dominated by pitch 

37  

pine and oak (Eberhardt et al., 2003) on Cape Cod, it is possible that the lidar accuracies could have been 

negatively affected by the presence of many coniferous pine trees and oak regrowth. However, it is also 

possible that a monument labeled as located in a forest is actually set in a small clearing within the 

forest. The minimum polygon size for the Land Cover Land Use data would affect the accuracy of this 

method of classification. Monuments should be field checked in order to be certain of the amount of 

vegetation at the site in order to determine its association with inaccuracies in the DEM. 

VII. Inundation Modeling 

  In order to complete a first run model of inundation, the elevations must be adjusted for local 

Mean Higher High Water.  “It is necessary to adjust the elevations according to the local tide since the 

tidal range in different parts of the world could vary as much as ten meters or as little as a few 

decimeters” (Maune, 2007). The North American Vertical Datum of 1988, that the DEM is referenced to, 

is used for the entire United States. While this is good for a dataset that extends across a broad area, a 

datum specific to the study site is more appropriate when working on a smaller area. More accurate 

flood modeling will be produced when a specific tidal station is used.  

  At each area‐specific tidal datum, there are values available for different levels of tide. The 

NOAA datasheets record the lowest and highest observed water levels, the mean seal level (MSL), the 

mean tide level (MTL), and the North American Vertical Datum (NAVD88). The averages for each tidal 

cycle are also included as Mean Low Water (MLW), Mean Lower Low Water (MLLW), Mean High Water 

(MHW), and Mean Higher High Water (MHHW). Because the topic of concern is flooding of low 

elevations, the number I used to adjust the elevation data was the MHHW. The National Park Service is 

concerned about all land that could possibly be inundated so MHHW will give a conservative, inclusive 

estimate of inundation. 

  The tidal datum at Chatham, MA, in Lydia Cove, was used to adjust the Cape Cod elevation data 

to the local tidal range. The information to perform this adjustment came from NOAA’s website in the 

38  

Tides and Currents section. The station ID is 8447435. This station was chosen because it is the only 

active tidal datum in the Cape Cod area. The Provincetown station contains historic data only. All water 

levels in the NOAA tables are referenced to Mean Lower Low Water, which is set to zero meters. The 

North American Vertical Datum of 1988 is 0.622 meters above MLLW and Mean Higher High Water is 

1.174 meters above MLLW. The difference between the MHHW and NAVD88 is 0.552 meters. Therefore, 

when modeling the different scenarios, 0.552 m must be added to each inundation level.   

  The sea level rise scenarios that were tested were 0.18 meters and 0.59 meters as predicted by 

the Intergovernmental Panel on Climate Change. These numbers do not include ice melt. A rise of one 

meter, a prediction by Rahmstorf that includes an increase in ice melt, was modeled. Storm surges of 

one meter, 4 meters, and 9 meters were chosen for inundation modeling. 

 

Inundation scenario  Adjusted for local tide 

0.18 m  0.732 m 

0.59 m  1.142 m 

1.0 m  1.552 m 

4.0 m  4.552 m 

9.0 m  9.552 m 

 

 

 

 

 

39  

VIII. Steps for Bathtub Modeling for Sea Level Rise and Storm Surge 

Raster Calculator 

• Turn on the Spatial Analyst Toolbar o Right click the empty toolbar area, scroll down to Spatial Analyst, make sure 

its checked off o If your tools are grayed out then go to Tools > Extensions and check the box 

for Spatial Analyst 

• Spatial Analyst > Raster Calculator  

Select points based on elevation Using the raster calculator you will select all cells that are within the range of each sea level rise and storm surge scenario. For each instance where “DEM cells” is mentioned you will select the DEM raster that you built. 

• Sea level rise scenario o Low Rise = 0.732 = DEM cells > 0 and DEM cells <= 0.732 o Moderate Rise = 1.142 m = DEM cells > 0.732 AND DEM cells <= 1.142 o High Rise = 1.552 m = DEM cells > 1.142 AND DEM cells <= 1.552 

• Storm surge scenario o Low Surge = 1.552 = DEM cells > 0 and DEM cells  <= 1.552 o Moderate Surge = 4.552 = DEM cells > 1.552 AND DEM cells <= 4.552 o High Surge = 9.552 = DEM cells > 4.552 AND DEM cells <= 9.552 

 

 

   

40  

IX. Bathtub Modeling Discussion   

  The “extract values to points” tool was used to add the elevation of the lidar DEM to the 

sentinel sites in order to assess them for sea level rise and storm surge. Some of the sites are bodies of 

water and are therefore already inundated. However, the shores of these ponds and rivers and nearby 

marshes may be at risk. There are many restoration projects and biology studies that are occurring in 

these areas. These studies may have to be modified or managed differently depending on whether or 

not they could be further inundated.    

Name  Notes  Elevation  SLR Scenario 

SS Scenario 

Pamet River  Restoration/study  ‐2.053833  Low  Low 

Marindin marker (1)  Highland Center‐ Marindin origin temp marker  43.521111  NA  NA Marindin marker (2)  1880s legacy site ‐ spike in granite boulder  5.097316  NA  High Marindin marker (3)  1880s legacy site ‐ hole in granite boulder  14.395578  NA  NA Marindin marker (4)  1880s legacy site ‐ metal rod flush with ground  7.238527  NA  High 

Herring River     ‐0.600741  Low  Low 

Gull Pond  Kettle pond  1.626182  NA  Moderate 

Great Pond  Kettle pond  ‐2.979404  Low  Low 

Chatam Lighthouse  USCG  11.403806  NA  NA Long Point Lighthouse     1.553608  NA  Moderate Race Point Lighthouse     2.837108  NA  Moderate NACL     40.666142  NA  NA NPS Headquarters ‐ Marconi     16.133827  NA  NA 

Pleasant Bay  Salt marsh transect 1/2inch PVC pipe  0.869884  Moderate  Low 

Life Saving Station garage ruin  Historic site  1.367897  High  Low 

Nauset Lighthouse     17.702675  NA  NA Wood End Lighthouse     2.64648  NA  Moderate Marconi Bathhouse     13.404997  NA  NA 

Hemenway Rock     1.015191  Moderate  Low 

Fort Hill Rock Spike     4.730387  NA  Low  Nauset Coast Guard     12.297817  NA  NA Herring Cove Beach     3.419682  NA  Moderate 

. 

 

   

Table 3. A list of sentinel sites, their elevations, and the scenario of inundation during sea level rise (SLR) and storm surge (SS). For SLR, “Low” indicates a sentinel site is located in an area of low elevation and a sea level rise of 0.732m puts the location at risk, “Moderate” means the point falls between 0.732m and 1.142m, and “High” indicates a high rise scenario at elevations between 1.142m and 1.552m. For SS, “Low” indicates a low storm surge scenario occurring in areas below 1.552m of elevation, between 1.552 and 4.552 is a “Moderate”surge, and a “High” surge area is a point that is above 4.552m and below 9.552m. 

41  

 

 

42  

 

43  

X. Conclusion   

  The lidar data for Cape Cod National Seashore were collected between four and thirteen years 

ago. The main purpose for collection was to track shoreline change. Therefore, the extent of the data for 

each year generally stays on the shore, ocean side, of the national park boundary. This suits the original 

purpose but also limits the amount of flood modeling that can be done on the park. Another interesting 

point about the CACO data is that the 2005 point spacing is approximately 4.5 meters. “Lidar data 

usually have a point spacing (horizontal resolution) of between 1 and 4 meters” (NOAA 2008). With the 

upcoming region‐wide lidar collection project (Northeast Lidar (NELIDAR)) that will cover the coast and 

some inland areas of Maine, New Hampshire, Massachusetts, Rhode Island, Connecticut, and New York, 

the entire Cape will not only be covered, but will also have enhancements that will greatly improve upon 

the current lidar available (NRCS, 2011). These features will include point spacing of one meter and 

vertical accuracy of 9.25cm RMSEz (NRCS, 2011). Having this new information will greatly improve flood 

modeling abilities.  

  The DEMs created in this paper are by no means a final product for use in sea level rise and 

storm surge assessment. While they work for basic bathtub modeling, they are best used as inputs into 

more advanced flood models such as SLOSH (Sea, Lake, and Overland Surges from Hurricanes) and 

SLAMM (Sea Level Affecting Marshes Model). By documenting the steps involved in processing lidar I am 

ensuring that uniform and reliable methods are used for the rest of the parks in the Monumentation 

project.    

Data  

Source 

DOT geodetic control  http://www.mhd.state.ma.us/mhds/ NGS geodetic control  http://www.ngs.noaa.gov/  OPUS corrected points  Mark Adams, NPS Sentinel Sites  Mark Adams, NPS MA breaklines  Roland Duhaime, URI EDC CACO lidar  Dennis Skidds, NPS    

44  

Acknowledgments 

A big thank you goes to Dr. Peter August for introducing me to this project and for being a constant 

source of guidance and reassurance. I would also like to acknowledge Dennis Skidds of the National Park 

Service for access to data, Christopher Damon of the Environmental Data Center for advice on 

processing lidar, and Roland Duhaime for the Massachusetts breakline data. Thank you to the CESU/NPS 

Monumentation project, specifically Nigel Shaw, Michael Bradley, Charles Labash, Angelica 

Murdukhayeva, and Heather Grybas for accepting me on the team. Thank you to Dr. Peter August and 

Dr. Peter Paton for providing me access to the NRS teaching assistantship and webmaster positions 

through which I was able to support myself through the MESM program and thank you to the University 

of Rhode Island for the associated funding. Thank you, Dr. Art Gold for being a great adviser. 

Acknowledgments also go to the MESM program for two great years of learning and growth. Thank you 

to all the friends I have made during this time for their support, friendship, and feedback. A final, huge 

thank you to my fiancé and family who gave me the courage and support I needed to pursue my 

dreams. 

 

   

45  

REFERENCES 

August, P., LaBash, C., Bradley, M., Duhaime, R. 2010. Monumentation Implementation Plan: Assessing Inundation Risk from Sea Level Rise and Storm Surge in Coastal National Parks Using High Accuracy Geodetic Control.   Bender, M.A., Knutson, T.R., Tuleya, R.E., Sirutis, J.J., Vecchi, G.A., Garner, S.T., Held, I.M. 2010. Modeled Impact of Anthropogenic Warming on the Frequency of Intense Atlantic Hurricanes.  Science 22 327 p. 454‐458.  Commonwealth of Massachusetts. New England Hurricanes of Note. http://www.mass.gov/?pageID=eopsmodulechunk&L=3&L0=Home&L1=Public+Safety+Agencies&L2=Massachusetts+Emergency+Management+Agency&sid=Eeops&b=terminalcontent&f=mema_new_england_hurricanes_of_note&csid=Eeops; last accessed April 10 2011  Congalton, R. and K. Green. 2008. Assessing the accuracy of remotely sensed data. CRC Press  Cowen, D. J., Jensen, J. R., Hendrix, C., Hodgson, M. E., and Schill, S. R. 2000. A GIS‐assisted rail construction econometric model that incorporates LIDAR data. Photogrammetric Engineering and Remote Sensing 66 p. 1323–1326.  Eberhardt, R.W., Foster, D.R., Motzkin, G., and Hall, B. 2003. Conservation of Changing Landscapes: Vegetation and Land‐use History of Cape Cod National Seashore. Ecological Applications 13 p. 68‐84.  ESRI. 2008. Lidar Solutions in ArcGIS. ArcGIS Resource Center: Geoprocessing. http://blogs.esri.com/Dev/blogs/geoprocessing/archive/2008/11/06/Lidar‐Solutions‐in‐ArcGIS_5F00_part‐1_3A00_‐Assessing‐Lidar‐Coverage‐and‐Sample‐Density.aspx; last accessed April 20, 2011  ESRI. 2009. Managing Lidar Data in ArcGIS. ESRI Virtual Campus.  ESRI. 2009. Using Lidar Data in ArcGIS. ESRI Virtual Campus.  German Advisory Council on Global Change. 2006. The Future Oceans – Warming  up, Rising High, Turning Sour. Special Report. Berlin.  Hodgson, M.E., Jensen, J.R, Schmidt, L., Schill, S. Davis, B. 2002. An elvauation of LIDAR‐ and IFSAR‐derived digital elevation models in leaf on conditions with USGS Level  1 and Level 2 DEMs.  Remote Sensing of Environment 84 p.295‐308.  Liu, Xiaoye. 2011. Accuracy Assessment of Lidar Elevation Data Using Survey Marks.  Survey Review 43 p. 80‐93 

Maune, David F. 2007. Digital Elevation Model Technologies and Applications: The DEM Users Manual, 2nd Edition. Bethesda, Maryland  National Oceanic and Atmospheric Administration. 2008. Lidar 101: An Introduction Lidar Technology, Data, and Applications. Charleston, SC: NOAA Coastal Services Center. 

46  

http://www.csc.noaa.gov/digitalcoast/data/coastallidar/_pdf/What_is_Lidar.pdf; last accessed April 29, 2011  National Geodetic Survey. OPUS: Online Positioning User Service. http://www.ngs.noaa.gov/OPUS/about.jsp#about; last accessed March 10, 2011  National Geodetic Survey. 2004.  General Guidance and Specifications for Aeronautical Surveys Volume A (Draft Edition). Federal Aviation Administration Airport Surveys. http://www.ngs.noaa.gov/AERO/Genspecs_A/Volume%20A_Attachment%201‐6.pdf; last accessed April 15, 2011 

National Oceanic and Atmospheric Administration (NOAA). NGS. How Superseded Data Were Derived. http://www.ngs.noaa.gov/cgi‐bin/ds_lookup.prl?Item=HOW_SUP_DET; last accessed April 19, 2011 

Natural Resources Conservation Service: Massachusetts. Northeast LIDAR (NELIDAR) Project. http://www.ma.nrcs.usda.gov/technical/lidar/index.html; last access April 21, 2011 

National Park Service. NPS Overview. http://www.nps.gov/news/loader.cfm?csModule=security/getfile&PageID=387483; last accessed April 28, 2011 

National Park Service (NPS). Cape Cod: Nature and Science. http://www.nps.gov/caco/naturescience/index.htm; last accessed April 26, 2011. 

Peng, W., Petrovic, D., and Crawford, C. 2004. Handling Large Terrain Data in GIS. ESRI. Redlands, California.  Rahmstorf, S., Cazenave, A., Church, Hansen, J., Keeling, R., Parker D., and Somerville, R. 2007. Recent climate observations compared to projections. Science 316 p.709.  Webster, Tim L. and George Dias. 2005. An automated GIS procedure for comparing GPS and proximal LIDAR elevations. Computers and Geosciences 32 p.713‐726       

47  

APPENDIX A: LIDAR METADATA  Lidar data information for future reference. 

1998 Contains airborne‐derived lidar elevation data ready for input into a wide range of image‐processing or geographic information systems (GIS) software packages.  The data were processed using LaserMap Software developed by the United States Geological Survey, Center for Coastal and Watershed Studies. The raw data, collected by the NASA Airborne Topographic Mapper (ATM), were obtained from NASA Wallops Flight Facility.  Observations from multiple swaths captured on a single day have been merged.    For more information on the ATM, see:  http://aol.wff.nasa.gov/aoltm.html.    The data are referenced to the NAD‐83 horizontal datum using the GRS‐80 Ellipsoid, and NAVD88 vertical sea‐level datum using the National Geodetic Survey's GEOID99 model.    The data contained on this CD are the result of the LaserMap Level4 conversion to create large map tiles (of size 10km by 10km) at centimeter‐level accuracy with 1‐meter resolution for visual interpretation and regional quantitative analysis.  Each LaserMap Level4 elevation value on this CD is offset by +500 cm, in order to accommodate the need for an unsigned 16‐bit image (i.e., a LaserMap Level4 elevation value of 600 cm is equivalent to an actual elevation value of 100 cm).  The data are in a standard geotiff format (with associated metadata information) for easy ingestion into GIS packages for further analysis.    

  

2000 The lidar (LIght Detection And Ranging) surveys contained on this CD are in grid format and intended for use in ArcGIS 8.x and ArcView 3.x GIS software environments.  If ArcView 3.x is going to be used, one of the following extensions must be loaded in order to view a grid: (1) Spatial Analyst, or (2) 3‐D Analyst.  Another useful extension in ArcView for working with grid data is the "Grid Analyst Extension 1.1" which can be found on this CD (grid_analyst.zip) and is explained further in section II.  The lidar surveys can easily be copied to a hard drive or other media through Windows Explorer or a similar method of copying files.  When doing this, however, it is important to maintain their current file structure.  Each survey is composed of a variety of files that must have their basic location structure sustained.  When first opening the CD, there are folders labeled with the date of each lidar survey in the following format: YYYYMMDD (Y=year, M=month, and D=day).  Within each folder there is a single grid containing the lidar survey and FGDC compliant metadata files in xml and html format.  Copy the needed YYYYMMDD folder and paste them into their desired location.  Keep in mind that problems will arise if the pathname of the lidar grid contains any spaces.  For example "d:\lidar\19981201" will work while "d:\lidar surveys\19981201" will not.  When the surveys are first brought up, the default display attribute is not elevation in meters.  In order to display elevation in meters, change the display attribute to elevation_m in the "Legend Editor".  Also included on this CD are a legend file for ArcView 3.x and a layer file for ArcGIS 8.x.  These are provided as example legends for viewing a lidar survey, and can be changed to apply to specific projects.  To load a legend file in ArcView 3.x: open the theme's legend editor; click on the 'Load' button in the top right corner; and navigate to the location of and choose the sample lidar legend file (parkname_lidar.avl).  To load a layer file in ArcGIS 8.x: add the layer file to the ArcMap data frame like you would add any other dataset; right‐click the layer file name and choose properties; under the "Source" tab click on "Set Data Source"; navigate to and choose a lidar survey; while still in properties, you can change the display name under the "General" tab.  I Tips/Possible Problems If the grids are only showing up as folders in the "Add Theme" window in ArcView 3.x (or if certain aspects of ArcGIS 8.x won't work with the grid), one of the following things may need to be fixed:  (1) In ArcView 3.x, make sure that you have the correct extension loaded (see the first paragraph). (2) Be sure there are no spaces in the pathname of the grid.  To correct this, delete the space or move the YYYYMMDD folder to a new location with no spaces. (3)The file structure, or a file within the YYYYMMDD folder has been altered.  Try deleting the YYYYMMDD folder and re‐loading it onto the computer from the CD. 

48  

(4) In ArcView 3.x, be sure that the "Data Source Type" drop‐down menu is set to "Grid Data Source".  ArcMap version 8.2 has shown some problems with using raster datasets, such as lidar surveys.  An especially consistent problem involves using the identify tool.  Only the pixel value is given when using this tool, so the correct elevation in meters has to be manually calculated.  Additionally, sometimes the tool will give incorrect values for cells when viewing at a large scale (greater than than ('more zoomed in') 1:20,000).  These problems are supposed to be fixed in future versions of ArcGIS software.  II  Extracting a Section of a LIDAR Survey  Each survey contains the entire shoreline of the park.  If you are interested in a more localized dataset (ie, a 10 kilometer stretch of beach) there is a simple way to extract a geographic portion of a survey.  To do this, you will need to install the Grid Analyst Extension ver. 1.1, if it is not already installed.  Copy the grid_analyst.zip file from this CD onto your computer.  Unzip the extension and place the files in your arcview/ext32 folder (there is a brief manual to this extension included in the zip file).    After installing the extension open ArcView, turn on the Spacial Analyst and Grid Analyst extensions, and load up the lidar survey to be clipped.  Under the "Grid Analyst" menu, there are two options for extracting a new grid: (1) "Extract Grid theme using selected Graphics", which extracts all the grid cells located within a selected polygon graphic; and (2)  "Extract Grid theme using Polygon" which extracts the grid cells within a polygon theme.  Both options are similar; so if you do not already have a polygon theme for the section you would like to clip, simply draw a polygon graphic around the section of the LIDAR survey you are interested in.  Keep in mind that these grids are displayed in square cells, so if the graphic or polygon theme you are using contains diagonal lines some cells may be omitted along these lines.    After extraction, a new grid will be created entitled "Extract from asisYYYYMMDD".  This grid is only a temporary file, and will be erased if you delete or cut it from your project.  In order to preserve the extracted grid, select the grid theme and under the "Theme" menu choose "Convert to grid".  Create a new name for the grid, and navigate to the location where it will be saved.  Keep in mind that there can be no spaces in the path name of this location, and once it is placed there the file structure should not be altered.  Delete the "Extract from..." grid, and place your newly created grid into your project.  After completing these steps, the sample legends included on this CD can be used with the extracted grid.  III  Survey Evaluations  These LIDAR surveys were collected with an Airborne Topographic Mapper (ATM II), located on a NASA aircraft.  Such a sensor collects all returns after reflection.  Many inaccurate data cells are removed during pre‐processing, which is done by USGS.  There may be some remaining inaccurate data cells, however, so if you are examining a cell with an extreme elevation value for a barrier island it is probably not the true ground elevation.  You should also keep in mind that the data portrayed in these surveys only reflect the elevation of the top‐most layer; the ATM II does not penetrate vegetation or water. Along the edges of these surveys there may be some straight‐line anomalies consisting of the same exact elevation.  This is created during the initial processing of the surveys, and these areas are interpolated and may be inaccurate.  Be aware that these surveys were collected for the intended purpose of examining the bare earth topography.  19981202  Boundary North ‐ northern edge of the penninsula East ‐ at least 200m east of ocean shore‐zone South ‐ data stops near the 'indefinite boundary' of the National Seashore, as portrayed on the USGS DRG West ‐ mainly just the beach along the southern extent of the seashore, contains entire shoreline for the northern section (the dune area and Provincetown), but has there is a gap inside the shorelines  * There are two 250 meter long gaps in shoreline data points.  The northern gap is located about 23 km down the shoreline from Race Point and the other gap is located about another 10 km down the shoreline.  The reasons for these gaps are being researched and will be either fixed or included in a future release of these data.  20000925  Boundary North ‐ northern edge of the penninsula East ‐ at least 200m east of ocean shore‐zone South ‐ data stops near the 'indefinite boundary' of the National Seashore, as portrayed on the USGS DRG  

49  

(the same boundary as 19981202. West ‐ mainly just the beach along the southern extent of the seashore, contains entire northern section (the dune area and Provincetown)   *There is a six meter gap in data about 24 km down the beach from Race Point.  20000927 Boundary North ‐ northern edge of the penninsula East ‐ at least 200m east of ocean shore‐zone South ‐ data stops near the 'indefinite boundary' of the National Seashore, as portrayed on the USGS DRG West ‐ includes only the shoreline, and near‐shore areas of land.  Most of the dataset is only about 450 meters wide.  *There are two 530 meter long gaps in similar locations to the gaps in the 19981202 dataset. *This dataset includes only the shoreline, and not much of the land area within.  Does not include Long Point.   

  2002 This product was produced by the U.S. Geological Survey (USGS) and contains point elevation data in ASCII format. These files were produced from remotely‐sensed, geographically‐referenced elevation measurements in cooperation with NASA and NPS. Elevation measurements were collected over National Seashores using the NASA Experimental Advanced Airborne Research Lidar (EAARL, a pulsed laser ranging system mounted onboard an aircraft to measure ground elevation and coastal topography. The system uses high frequency laser beams directed at the earth's surface through an opening in the bottom of the aircraft's fuselage. The laser system records the time difference between emission of the laser beam and the reception of the reflected laser signal in the aircraft. The plane travels over the beach at approximately 60 meters per second while surveying from the low‐water line to the landward base of the sand dunes. The EAARL, developed by the National Aeronautics and Space Administration (NASA) located at Wallops Flight Facility in Virginia, measures ground elevation with a vertical resolution of 15 centimeters. A sampling rate of 3 kHz or higher results in an extremely dense spatial elevation data set. Over 100 kilometers of coastline can be easily surveyed within a 3‐ to 4‐hour mission time period. The ability to sample large areas rapidly and accurately is especially useful in morphologically dynamic areas such as barrier beaches. Point data in ASCII text files can be interpolated in a GIS to create a grid or digital elevation model (DEM) of each beach surface. Quick assessment of topographic change can be made following storms comparing measurements against baseline data. When subsequent elevation maps for an area are analyzed, they provide a useful tool to make management decisions regarding coastal development.   FORMAT  The point elevation data are presented in ASCII format. Vertical resolution is in centimeters.  The coordinate system used is Universal Transverse Mercator (UTM) North American Datum of 1983. Vertical elevations are referenced to the North American Vertical Datum of 1988.   ORGANIZATION   The data presented are found within 2x2km geographic tiles.  These data are used to create 2x2km image tiles.  Not all ASCII point files contain the same number of data points, but when gridded to from an image, they contain 2000x2000 1‐meter raster pixels.  Metadata for each image is included on the CD‐ROM.  A separate folder containing quick look maps of gridded data in also included.  * DATA FILE NAMES  The file naming convention for the files is as follows:  nameYYYYx_999e9999n_tt.XXX  where:  name      = the National Seashore/Park identifier. YYYY      = the acquisition date of an image (year). X      = the season (f‐fall, sp‐spring, s‐summer, w‐winter) 999e      = the first three numbers of the Upper left UTM Easting  

50  

9999n      = the first four numbers of the Upper left UTM Northing tt      = the type of data (be=bare earth, fs=first surface) XXX      = data format (tif=geotiff, txt=ASCII) *note: data tiles are 2x2 km.   

  2005 This product was produced by the U.S. Geological Survey (USGS) and contains Digital Elevation Maps (DEMs) in geotiff format. These elevation maps were produced from remotely‐sensed, geographically‐referenced elevation measurements in cooperation with NASA and NPS. Point data in ASCII text files were interpolated in a GIS to create a grid or digital elevation model (DEM) of the surface. Elevation measurements were collected over Cape Cod National Seashore using the NASA Experimental Advanced Airborne Research Lidar (EAARL, a pulsed laser ranging system mounted onboard an aircraft to measure ground elevation and coastal topography. The system uses high frequency laser beams directed at the earth's surface through an opening in the bottom of the aircraft's fuselage. The laser system records the time difference between emission of the laser beam and the reception of the reflected laser signal in the aircraft. The EAARL, developed by the National Aeronautics and Space Administration (NASA) located at Wallops Flight Facility in Virginia, measures ground elevation with a vertical resolution of 15 centimeters. A sampling rate of 3 kHz or higher results in an extremely dense spatial elevation data set. Over 100 kilometers of coastline can be easily surveyed within a 3‐ to 4‐hour mission time period. When subsequent elevation maps for an area are analyzed, they provide a useful tool to make management decisions regarding coastal development.   FORMATS  GEOTIFF: Each image is 2000x2000 pixels.  The horizontal resolution is 1m, vertical resolution is in meters.  The coordinate system used is Universal Transverse Mercator (UTM) North American Datum of 1983. Vertical elevations are referenced to the North American Vertical Datum of 1988.   XYZ: Space delimited ascii files containing x, y, and z coordinates.  These coordinates describe a square grid of 2000x2000 pixels.  The horizontal resolution is 1m, and the vertical resolution is in meters.  The coordinate system used in Universal Transverse Mercator (UTM) North American Datum of 1983.  Vertical elevations are referenced to the North American Vertical Datum of 1988.  ORGANIZATION   The data are presented in 2x2km image tiles.  Metadata for each image is included on the CD‐ROM. Separate folders containing quick look maps in png format are also included.  * DATA FILE NAMES  The file naming convention for the files is as follows:  t_e999999_n9999999_ZZ_NNN_[PRCINFO]_tt.XXX where:  t_e999999               = The upper left coordinate for the UTM Easting n9999999                = The upper left coordinate for the UTM Northing ZZ                      = The UTM Zone Number NNN                     = The Vertical Datum abbreviation (n88 = NAVD88) [PRCINFO]               = Various tags describing the processing parameters and steps tt                      = The type of data (be=bare earth, fs=first surface) XXX                     = Data format (tif=geotiff, xyz=ASCII) *note: data tiles are 2x2 km.  

  

51  

2007  These data were flown between 20070428 and 20070526 by The U.S. Army Corps of Engineers cooperators using a SHOALS‐1000T hydrographic laser flying at 400m altitude, spot spacing 5m x 5m and 1kHz sampling rate. They were acquired from John Winkelman, USACOE by NCBN staff on 20081023 to serve as potential supplemental data to Network geomorphological mapping efforts at CACO. Limitations:  Coast only (not park‐wide).  Dennis Skidds NCBN Data Manager 10/27/08  The U.S. Army Corps of Engineers collects (by themselves and contractors) and maintains Lidar data including orthophotos in coastal areas of the United States and its territories.  The Corps acquires this data in thecourse of performing its mission of Flood Control, Navigation,   Environmental Engineering, and support for the Army and others.  Hydrographic LIDAR datasets were collected using a SHOALS‐1000T at 400m altitude, spot density of 5m x 5m and sampling rate 1kHz. Topo data were also collected with a Leica ALS‐50 sensor at 1600m altitude spot spacing of  1m x 1m spot spacing, and 133kHz sampling rate.  The purpose of this survey was to obtain the existing conditions of the beach and near shore in support of the Joint Airborne LIDAR Bathymetric Technical Center of Expertise National Coastal Mapping Program.  Horizontal_Positional_Accuracy: The data has been collected and compiled to meet the +/‐ 3m (2 sigma) accuracy specification. Vertical_Positional_Accuracy: The data has been collected and compiled to meet the +/‐ 30cm (2 sigma) accuracy specification.  Data were acquired using a SHOALS‐1000T.  Sensor  orientation was measured using a POS AV 410, while  images were acquired at 1Hz using a Duncantech  DT4000 digital camera.  Prior to survey PDOP was  checked and missions planned to avoid PDOP greater  than 3.0. During survey the plane was always within  30km of a GPS ground control point, to provide a good  quality position solution.  Final positions were determined using a post‐processed inertially aided   Kinematic GPS  (KGPS) solution.  GPS ground control data were acquired  at 1Hz.  Topographic Data were also acquired using a Leica ALS‐50 operated by Fugro EarthData.  Processing: SHOALS data were processed using the SHOALS Ground Control  System (GCS). The GCS includes links to Applanix  POSPac software for GPS and inertial processing, and  IVS Fledermaus software for data visualization, 3D editing  and tie‐line analysis. ALS‐50 data were processed the TerraSolid Terrascan software. Applanix POSPac software was used for GPS and inertial processing. All data were processed in NAD83 horizontal and vertical datum. Data were later converted to the NAVD88 vertical datum using the GEOID03 model. Fugro in‐house utilities were used to split the data in to pre‐defined boxes, each covering approximately 5km of shoreline.  ASCII files include Longitude, Latitude,UTM Zone, Easting (UTM), Northing, Elevation, Elevation (NAD83), Date, Time,  Intensity (Topo). 1m Grids were created using Fledermaus and converted to ArcGRID & GeoTIFF formats using ArcGIS. 

       

52  

APPENDIX B: SURVEY MARKERS http://www.ngs.noaa.gov/AERO/Genspecs_A/Volume%20A_Attachment%201‐6.pdf  

 

53