GIS és Távérzékelés a közlekedési adatnyerésben

Átírás

1 GIS és Távérzékelés a közlekedési adatnyerésben Lovas Tamás Fotogrammetria és Térinformatika Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem

2 Tartalom - Térinformatika Adatnyerés Távérzékelési technológiák Légifényképezés Űrfelvételek Aktív szenzorok Hazai távérzékelési projektek Nemzetközi közlekedési, távérzékelési projekt Távérzékelt adatok a közlekedésben Adattárolás Adatelemzés Térinformatikai elemzések GPS adatok térképezése Adatmegjelenítés Tematikus térképek

3 Közlekedési adatok Hagyományos adatnyerési eljárások Távérzékelési adatnyerési eljárások Manuális forgalom számlálás Kamerák LiDAR RADAR Hurokdetektorok Mûholdképek Légifotók Forgalom Vészhelyzet Infrastruktúra Környezet Forgalmi irányítás, adatközlés Csoportos forgalomirányítás Változtatható jelzésképû táblák Rádió, RDS Individuális irányítás Statisztikai adatok Flotta menedzsment Útvonalajánlás Forgalom tervezés Individuális navigációs rendszer GIS Távérzékelés Bemenõ adatok Alkalmazások Megjelenítés

4 Adatnyerési eljárások Földi felmérés Szög és távolságmérés, tahimetria GPS Távérzékelés Egyéb adatforrások Térképek Adatbázisok

5 Távérzékelés fogalma Adatnyerés közvetlen fizikai kapcsolat nélkül Távérzékelés Fotogrammetria Fernerkundung Photogrammetrie Remote Sensing Photogrammetry Airborne / spaceborne imagery

6 Távérzékelés csoportosítás Aktív-passzív szenzorok Optikai szenzorok; fotogrammetria, űrfelvételek Aktív szenzorok; RADAR, LiDAR Platformok Földi; közelfotogrammetria, földi lézerszkenner Légi; légifelvételek, aktív szenzorok Űr; űrfelvételek, aktív szenzorok Adatok Geometria; koordináták, alakok stb. Attribútumok; tulajdonságok, intenzitás stb.

7 Fotogrammetria ISPRS: a tárgyak helyének és alakjának fényképek alapján történő meghatározására szolgáló művészet és tudomány. Termékek: mérőszámok, pl. pontok koordinátái rajzok, pl. térképek képek, pl. átalakított képek, mint az ortofotó.

8 Fotogrammetria e/h Előnyök Nagy felbontás: cm Magas fokú tervezhetőség 3D koordináták Hátrányok Időjárás-függő Drága Relatíve bonyolult utófeldolgozás Szakember-igény

9 Űrfelvételek Tematikus térképező holdak, multispektrális rendszerek: Landsat TM, Spot, IRS Nagyfelbontású űrfelvételek IKONOS QuickBIRD

10 Űrfelvételek e/h Előnyök Jó felbontás: cm (autók, sávok ) Nagy területi lefedettség egy képpel (felesleges adatok ) Gazdag tematikus tartalom (ms képek) Hátrányok Időjárás-függő Drága Visszatérési idő Szakember-igény

11 Űrfelvételek multispektrális képek kiértékelésének alapelve

12 Radar Elektromágneses hullám; távolságmérés (idő), visszavert impulzus amplitúdója Doppler-hatás RAR, SAR, SLR, SRTM

13 Radar

14 Radar

15 Radar e/h Előnyök Nagy adatgyűjtési terület Jó pontosság Időjárás-független Hátrányok Utófeldolgozás igénye Drága Szakember-igény

16 LiDAR Komponensek: Hordozó GPS/INS Földi GPS állomás Szenzor

17 LiDAR Lézerszkenner Légi: Optech, Toposys, LH systems Földi: Leica, Riegl Működési módok Forgó/oszcilláló tükrös Fix érzékelő-soros

18 LiDAR

19 LiDAR

20 LiDAR e/h Előnyök Kiváló 3D pontosság Gyors adatnyerés és feldolgozás Adatfeldolgozás nem igényel szakembert Hátrányok Drága szenzor Tipikusan DEM/DSM generálásra használják; kiegészítő információk hiánya miatt nem helyettesíti a képi távérzékelési technikákat

21 LiDAR többszörös vissza-verődés

22 LiDAR - intenzitás

23 Távérzékelés Magyarországon Űrfelvételek I. Landsat TM, SPOT Teljes lefedettség Állandó frissítés Tematikus térképezés Növényzet állapot felmérés: NÖVMON Parcella-azonosítás: MePAR

24 Távérzékelés Magyarországon Űrfelvételek II. Kutatási célok Pilot projekt IKONOS képek alkalmazására a topográfiai térképek helyesbítésére Budapest, Hungary, Quickbird, DigitalGlobe Inc.

25 Távérzékelés Magyarországon Projektek I. CORINE program Coordination of Information on the Environment, EU projekt: Környezeti információk gyűjtése 28 ország felszínborítottsági információk (méretarány: 1: , terület: 44 M km 2 ) Landsat TM & SPOT képek 5 nagy csoport: mesterséges felszín, mezőgazdasági területek, erdészeti és fél-természetes területek, mocsarak és vizek

26 Távérzékelés Magyarországon Projektek II. Nemzeti termény monitoring és előrejelzés program: Magyar mezőgazdasági távérzékelési program [The Hungarian Agricultural Remote Sensing Program (HARSP)] 1980-ban indult Landsat, IRS-1C/1D, SPOT adatok [Operational crop monitoring and production forecasting program (CROPMON)] 1997-ben indult 9 megye (mezőgazdasági terület 54%-a); extrapolált adatok a többi területre

27 Távérzékelés Magyarországon Projektek III. K+F projekt az ERS-SAR radarképek alkalmazhatóságára Négy fő termés területi becslése egy mezőgazdasági teszt területen Időjárás-független radar (ERS SAR) adatok és optikai űrfelvételek (Landsat TM, IRS-1C) kombinációja 1997-re havonta ERS-SAR adatsor az ESA-tól (European Space Agency) ERS-SAR képekkel árvíz monitoring

28 Távérzékelés Magyarországon Projektek IV. EUROSTAT projekt Budapest agglomerációjának térképezésére Nagyfelbontású űrfelvételek (IRS-1C and COSMOS KVR település digitális kataszteri térképe A CORINE felszínborítottsági technológia kiterjesztése

29 Közlekedési-távérzékelési projekt: NCRST National Consortium for Remote Sensing in Transportation DOT, NASA, Amerikai egyetemek India, Kína, Magyarország, Németország (DLR)

30 Magyar NCRST kapcsolat Évek óta tartó együttműködés az Ohio State University (OSU) és a BME között kutatási együttműködés, cserediák program, ösztöndíjasok, vendégkutatók, stb Szeptember 12-15: Workshop on Commercial Remote Sensing and Spatial Information Technology Applications to Transportation, BME, Budapest, Magyarország (20-25 idegen és helyi résztvevő) 2003 Szeptember 11-13: Workshop on Transportation and Mobility: Strategic Initiatives using Remote Sensing and Geographic Information Systems, Hyderabad, India

31 Közlekedési alkalmazás - LiDAR 90-es években felgyorsult fejlődés, elterjedés Szenzor árak Navigációs rendszerek pontossága Nagy mennyiségű minőségi adatok Automatizált feldolgozás; leszálláskor koordináták Főleg DEM/DSM előállítás, erdészet, városmodellezés

32

33 LiDAR adatok Jellemzők cm függőleges pontosság (1σ) cm vízszintes pontosság pont/m 2 Intenzitás adatok Kiegészítő információk hiányában a LiDAR nem lehet 100%-os alternatívája a képi adatnyerésnek

34 Járművek szegmentálása Küszöbölés (Thresholding) Élkeresés (Edge detection)

35 Járművek modellezése 4-6 paraméter 4 magassági érték, hosszúság, szélesség

36 Főkomponens analízis (Principal Component Analysis PCA) A PCA segítségével összefüggő változókat lehet egymástól független változókba (főkomponensekbe) transzformálni. Cél az adathalmaz dimenziójának csökkentése (megjelenítés, számolás) Itt az input mátrix: kovariancia mátrix

37 PCA - input adatok Input mátrix Input width length height 1 height 2 height 3 height 4 vehicle 1 11,593 1, , ,015 1,311 1 vehicle 2 5,6668 2, ,214 1, ,28 0,80667 vehicle 3 5, , ,07 1,032 1,314 1,01 vehicle 4 5, , ,0225 1,156 1,31 1,15667 vehicle 5 7,132 1, ,908 0, ,335 1,022 vehicle 6 7, , ,88 1,022 1,18 1,09333 vehicle 7 6, ,4401 0,8925 1,048 1,218 0,855 vehicle 8 7, , ,164 1,47 1,17 0,8 vehicle 9 7, ,3761 0,8125 1,092 1,394 1,05 vehicle 10 8, , ,66 1,042 1,26 0, Kovariancia mátrix Covariance 39, , , , , , , , , , , , , , ,3955 0, , , , , , ,5019 0, , , , , , , , , , , , , ,49256

38 PCA - számítás Sajátértékek, sajátvektorok Eigvals 0, , , , , ,19131 eigvec 1 eigvec 2 eigvec 3 eigvec 4 eigvec 5 eigvec 6 0, ,1387-0,0395 0,003-0,0058-0,005 0, ,2222 0,9642-0,103 0, , , , ,1602-0,7128-0,4342 0, , ,5107-0,1578-0,225 0, ,6418 0, , ,1345 0, , , ,063 0, ,0096 0, ,6011-0, ,1913 1, , , , ,0178 Információtartalom 96,5377 2, , , , , , , , , ,

39 PCA - transzformáció Főkomponens transzformáció Output=Sajátvektorok mátrixa * Input Results 11,8712 0, , ,972 5, , ,4291 1, , , ,49 1, , , , , , , , , = eigvec 1 eigvec 2 0, ,1387 0, ,2222 0, ,42963 * 0, ,5107 0, , ,063 0,49865 Input width length height 1 height 2 height 3 height 4 vehicle 1 11,593 1, , ,015 1,311 1 vehicle 2 5,6668 2, ,214 1, ,28 0,80667 vehicle 3 5, , ,07 1,032 1,314 1,01 vehicle 4 5, , ,0225 1,156 1,31 1,15667 vehicle 5 7,132 1, ,908 0, ,335 1,022 vehicle 6 7, , ,88 1,022 1,18 1,09333 vehicle 7 6, ,4401 0,8925 1,048 1,218 0,855 vehicle 8 7, , ,164 1,47 1,17 0,8 vehicle 9 7, ,3761 0,8125 1,092 1,394 1,05 vehicle 10 8, , ,66 1,042 1,26 0,

40 Jármű osztályozás 6 paraméter 4 paraméter

41 Alak modellezés Jármű profilok, mint új input adatok a PCA-hoz Profil meghatározás szempontjai Pontsűrűség Hossztengely menti felbontás Hibaszűrés Profil simítás

42 Profilok Személyautó MPV kamion

43 Profil-simítás

44 Profil hibák Durva hibák Jármű oldaláról visszaverődött pontok Többutas terjedés Utófeldolgozási hibák

45 Profil korrekció Jó korrekció Hibás korrekció

46 Profil alapú osztályozás

47 Jármű osztályozás 6 paraméter 4 paraméter

48 Osztályozási módszerek Szabály-alapú osztályozó Legrövidebb távolság módszere Neurális hálózat alapú osztályozó Módszerek összehasonlítása

49 Jármű felismerés Szabály-alapú osztályozó

50 Jármű felismerés Szabály-alapú osztályozó A egyenes: y = aax+ ba = x C egyenes: x = 4.5 Szabály az osztályra (repülés irányában haladó személyautó): 2.5 ( y < x + 3) AND ( x > 4.5) AND ( y > 0) 15

51 Jármű felismerés Legrövidebb távolság módszere

52 Jármű felismerés Neurális hálózat es szerkezet

53 Eredmények Adatsor (járművek száma) Szabályalapú Hibásan osztályozott járművek (százalék) Legrövidebb távolság Neurális hálózat Ohio (72 jármű) 0 (0 %) 8 (11.1 %) 2 (2.8 %) Ohio + Michigan (87) 2 (2.3 %) 12 (13.8 %) 8 (9.2 %) Ohio + Michigan + Ontario (102) 2 (2 %) 17 (16.7 %) 16 (15.7 %) Adatsor (járművek száma) Szabály-alapú Hibák száma a repülési irány figyelembe vétele nélkül Legrövidebb távolság Neurális hálózat Ohio (72 jármű) 0 (0 %) 4 (5.6 %) 2 (2.8 %) Ohio + Michigan (87) 2 (2.3 %) 8 (9.2 %) 8 (9.2 %) Ohio + Michigan + Ontario (102) 2 (2.3 %) 10 (9.8 %) 14 (13.7 %)

54 Osztályozás finomítása földi lézerszkennelés Főbb különbségek a légi alkalmazáshoz képest Pontsűrűség Pontosság Platform (statikus) Felhasználási terület

55 Osztályozás finomítása

58 Sebességbecslés elméleti alapok Forgalom nagysága Φxi(t i)- Φx0(t 0) M(x i,t 0, t) q = = t t Járműfolyam intenzitása [ ] PM(x,t, t) 1 i lim = xi(t) t 0 t λ

59 Sebességbecslés - adatfúzió v m-s m V= V cosθ L

60 Forgalomszámlálás - UAV

61 Egyéb távérzékelési módszerek a közlekedési adatnyerésben LiDAR snapshot Dinamikus információk: digitális kamera +IR kamera

62 Közlekedési alkalmazások Osztályozás (járművek kategorizálása) Járműszámlálás Sebességbecslés Vészhelyzet és torlódás monitoring

63 Távérzékelési technológiák összehasonlítása Szenzor LiDAR Digitális kamera Platform Repülő Repülő Helikopter Műhold Általános tulajdonságok Területi lefedettség Jó Jó Korlátozott Kitűnő Időbeni lefedettség Korlátozott Korlátozott Kitűnő Gyenge Számítás Járművek leválogatása Egyszerű Nehéz Nehéz Nehéz Járművek osztályozása Egyszerű Lehetséges Lehetséges Korlátozott Járművek követése Nem lehetséges Korlátozott Jó Nem lehetséges Sebességbecslés Korlátozott Jó Kitűnő Nem lehetséges Flow-paraméterek meghatározása Lehetséges Jó Kitűnő Nem lehetséges

64 GIS - közlekedésbiztonság Közlekedési adatok tematikus térképezése Közlekedési szabályok Vészhelyzet térképezés Útviszonyok Időjárási viszonyok (ábra: Balaton környéki jeges utak)

65 GIS - közlekedésbiztonság Közlekedési korlátozások térképezése Súlykorlátozás Sebességkorlátozás Időtartam-korlátozás Stb.

66 GIS - közlekedésbiztonság Veszélyes helyek térképezése

67 GIS GPS: adatok feldolgozása Pontok koordinátái, idő: φ, λ, h, t, Transzformáció (EOV): X, Y, Z, Levezetett adatok: sebesség, gyorsulás, oldalgyorsulás stb.

68 GIS GPS: útvonal

69 GIS GPS: elemzés

70 GIS GPS: mérés városi környezetben

71 GIS GPS: kanyon effektus

72 GIS GPS pontosság, műholdak száma

73 GIS GPS eltérő irányban lévő műholdak

74 GIS GPS azonos útszakasz, más időpont

75 GIS Fotogrammetria: városmodell

76 GIS GPS: műhold árnyékolás

77 GIS Járműdinamikai szenzorok Haszonjármű; MAN F2000 Szenzorok GPS Járműdinamikai szenzorok Célok ABS, ESP, ASR, EBD Fékek, motor-paraméterek, gázpedál-állás költségek csökkentése (üzemanyag, abroncsok, fékek stb.) Biztonság növelése

78 GIS Járműdinamikai szenzorok magassági térkép

79 GIS Járműdinamikai szenzorok lejtéstérkép

80 GIS Járműdinamikai szenzorok sebességtérkép

81 GIS Járműdinamikai szenzorok gyorsulási térkép

82 GIS Járműdinamikai szenzorok sofőr vezetési stílusa

83 GIS Járműdinamikai szenzorok nyomaték-térkép

84 Összefoglalás Távérzékelési technológiákkal nagy mennyiségű, pontos közlekedési adat gyűjthető Az adatokat térinformációs rendszerben feldolgozva új információkat vezethetünk le, az eredményeket szemléletesen ábrázolhatjuk Újabb szenzorokkal és több adatgyűjtési technológia kombinálásával egyre több terület nyílhat meg a távérzékelés előtt

85 Köszönöm a figyelmet! Lovas Tamás tlovas@mail.bme.hu