GIS és Távérzékelés a közlekedési adatnyerésben Lovas Tamás Fotogrammetria és Térinformatika Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem
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
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
Adatnyerési eljárások Földi felmérés Szög és távolságmérés, tahimetria GPS Távérzékelés Egyéb adatforrások Térképek Adatbázisok
Távérzékelés fogalma Adatnyerés közvetlen fizikai kapcsolat nélkül Távérzékelés Fotogrammetria Fernerkundung Photogrammetrie Remote Sensing Photogrammetry Airborne / spaceborne imagery
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.
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.
Fotogrammetria e/h Előnyök Nagy felbontás: 15-30 cm Magas fokú tervezhetőség 3D koordináták Hátrányok Időjárás-függő Drága Relatíve bonyolult utófeldolgozás Szakember-igény
Űrfelvételek Tematikus térképező holdak, multispektrális rendszerek: Landsat TM, Spot, IRS Nagyfelbontású űrfelvételek IKONOS QuickBIRD
Űrfelvételek e/h Előnyök Jó felbontás: 50-60 cm (autók, sávok ) Nagy területi lefedettség egy képpel (felesleges adatok ) Gazdag tematikus tartalom (ms képek) Hátrányok Időjárás-függő Drága Visszatérési idő Szakember-igény
Űrfelvételek multispektrális képek kiértékelésének alapelve
Radar Elektromágneses hullám; távolságmérés (idő), visszavert impulzus amplitúdója Doppler-hatás RAR, SAR, SLR, SRTM
Radar
Radar
Radar e/h Előnyök Nagy adatgyűjtési terület Jó pontosság Időjárás-független Hátrányok Utófeldolgozás igénye Drága Szakember-igény
LiDAR Komponensek: Hordozó GPS/INS Földi GPS állomás Szenzor
LiDAR Lézerszkenner Légi: Optech, Toposys, LH systems Földi: Leica, Riegl Működési módok Forgó/oszcilláló tükrös Fix érzékelő-soros
LiDAR
LiDAR
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
LiDAR többszörös vissza-verődés
LiDAR - intenzitás
Távérzékelés Magyarországon Űrfelvételek I. Landsat TM, SPOT Teljes lefedettség Állandó frissítés Tematikus térképezés Növényzet állapot felmérés: NÖVMON Parcella-azonosítás: MePAR
Távérzékelés Magyarországon Űrfelvételek II. Kutatási célok Pilot projekt IKONOS képek alkalmazására a topográfiai térképek helyesbítésére Budapest, Hungary, Quickbird, DigitalGlobe Inc.
Távérzékelés Magyarországon Projektek I. CORINE program Coordination of Information on the Environment, EU projekt: Környezeti információk gyűjtése 28 ország felszínborítottsági információk (méretarány: 1:100 000, terület: 44 M km 2 ) Landsat TM & SPOT képek 5 nagy csoport: mesterséges felszín, mezőgazdasági területek, erdészeti és fél-természetes területek, mocsarak és vizek
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
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
Távérzékelés Magyarországon Projektek IV. EUROSTAT projekt Budapest agglomerációjának térképezésére Nagyfelbontású űrfelvételek (IRS-1C and COSMOS KVR-1000 78 település digitális kataszteri térképe A CORINE felszínborítottsági technológia kiterjesztése
Közlekedési-távérzékelési projekt: NCRST National Consortium for Remote Sensing in Transportation DOT, NASA, Amerikai egyetemek India, Kína, Magyarország, Németország (DLR)
Magyar NCRST kapcsolat Évek óta tartó együttműködés az Ohio State University (OSU) és a BME között kutatási együttműködés, cserediák program, ösztöndíjasok, vendégkutatók, stb. 2002 Szeptember 12-15: Workshop on Commercial Remote Sensing and Spatial Information Technology Applications to Transportation, BME, Budapest, Magyarország (20-25 idegen és 30-35 helyi résztvevő) 2003 Szeptember 11-13: Workshop on Transportation and Mobility: Strategic Initiatives using Remote Sensing and Geographic Information Systems, Hyderabad, India
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
LiDAR adatok Jellemzők 10-15 cm függőleges pontosság (1σ) 25-50 cm vízszintes pontosság 0.2-10 pont/m 2 Intenzitás adatok Kiegészítő információk hiányában a LiDAR nem lehet 100%-os alternatívája a képi adatnyerésnek
Járművek szegmentálása Küszöbölés (Thresholding) Élkeresés (Edge detection)
Járművek modellezése 4-6 paraméter 4 magassági érték, hosszúság, szélesség
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
PCA - input adatok Input mátrix Input width length height 1 height 2 height 3 height 4 vehicle 1 11,593 1,86989 0,89778 1,015 1,311 1 vehicle 2 5,6668 2,06594 1,214 1,47167 1,28 0,80667 vehicle 3 5,02204 1,52535 1,07 1,032 1,314 1,01 vehicle 4 5,06704 1,72203 1,0225 1,156 1,31 1,15667 vehicle 5 7,132 1,65917 0,908 0,95167 1,335 1,022 vehicle 6 7,19549 1,49809 0,88 1,022 1,18 1,09333 vehicle 7 6,24139 1,4401 0,8925 1,048 1,218 0,855 vehicle 8 7,63799 1,71511 1,164 1,47 1,17 0,8 vehicle 9 7,33981 1,3761 0,8125 1,092 1,394 1,05 vehicle 10 8,27906 1,13185 0,66 1,042 1,26 0,868..................... Kovariancia mátrix Covariance 39,37538021 2,76355 2,11644 2,52759 2,61772 2,42456 2,763549394 0,37774 0,25459 0,30277 0,30101 0,30118 2,116438358 0,25459 0,3955 0,41189 0,37508 0,35995 2,527591252 0,30277 0,41189 0,5019 0,46588 0,44912 2,617724908 0,30101 0,37508 0,46588 0,48967 0,46483 2,424561423 0,30118 0,35995 0,44912 0,46483 0,49256
PCA - számítás Sajátértékek, sajátvektorok Eigvals 0,017798 0,027119 0,092336 0,127612 1,176573 40,19131 eigvec 1 eigvec 2 eigvec 3 eigvec 4 eigvec 5 eigvec 6 0,98951-0,1387-0,0395 0,003-0,0058-0,005 0,07052 0,2222 0,9642-0,103 0,06519 0,03359 0,05496 0,42963-0,1602-0,7128-0,4342 0,30016 0,06563 0,5107-0,1578-0,225 0,49749-0,6418 0,06781 0,48717-0,1345 0,33399 0,44533 0,65582 0,063 0,49865-0,0096 0,56494-0,6011-0,2584 40,1913 1,17657 0,12761 0,09234 0,02712 0,0178 Információtartalom 96,5377 2,82608 0,30652 0,22179 0,06514 0,04275 96,5377 99,3638 99,6703 99,8921 99,9573 100
PCA - transzformáció Főkomponens transzformáció Output=Sajátvektorok mátrixa * Input Results 11,8712 0,84885 6,05398 1,972 5,35621 1,77287 5,4291 1,92443 7,44148 1,41552 7,49 1,35487 6,53177 1,39264 7,96902 1,54138 7,63687 1,39714 8,51683 0,9655...... = eigvec 1 eigvec 2 0,98951-0,1387 0,07052 0,2222 0,05496 0,42963 * 0,06563 0,5107 0,06781 0,48717 0,063 0,49865 Input width length height 1 height 2 height 3 height 4 vehicle 1 11,593 1,86989 0,89778 1,015 1,311 1 vehicle 2 5,6668 2,06594 1,214 1,47167 1,28 0,80667 vehicle 3 5,02204 1,52535 1,07 1,032 1,314 1,01 vehicle 4 5,06704 1,72203 1,0225 1,156 1,31 1,15667 vehicle 5 7,132 1,65917 0,908 0,95167 1,335 1,022 vehicle 6 7,19549 1,49809 0,88 1,022 1,18 1,09333 vehicle 7 6,24139 1,4401 0,8925 1,048 1,218 0,855 vehicle 8 7,63799 1,71511 1,164 1,47 1,17 0,8 vehicle 9 7,33981 1,3761 0,8125 1,092 1,394 1,05 vehicle 10 8,27906 1,13185 0,66 1,042 1,26 0,868.....................
Jármű osztályozás 6 paraméter 4 paraméter
Alak modellezés Jármű profilok, mint új input adatok a PCA-hoz Profil meghatározás szempontjai Pontsűrűség Hossztengely menti felbontás Hibaszűrés Profil simítás
Profilok Személyautó MPV kamion
Profil-simítás
Profil hibák Durva hibák Jármű oldaláról visszaverődött pontok Többutas terjedés Utófeldolgozási hibák
Profil korrekció Jó korrekció Hibás korrekció
Profil alapú osztályozás
Jármű osztályozás 6 paraméter 4 paraméter
Osztályozási módszerek Szabály-alapú osztályozó Legrövidebb távolság módszere Neurális hálózat alapú osztályozó Módszerek összehasonlítása
Jármű felismerés Szabály-alapú osztályozó
Jármű felismerés Szabály-alapú osztályozó A egyenes: 0.5 3 y = aax+ ba = x+ 15 3 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
Jármű felismerés Legrövidebb távolság módszere
Jármű felismerés Neurális hálózat 3-4-1-es szerkezet 1. 2. 3.
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 %)
Osztályozás finomítása földi lézerszkennelés Főbb különbségek a légi alkalmazáshoz képest Pontsűrűség Pontosság Platform (statikus) Felhasználási terület
Osztályozás finomítása
Osztályozás finomítása
Osztályozás finomítása
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
Sebességbecslés - adatfúzió v m-s m V= V cosθ L
Forgalomszámlálás - UAV
Egyéb távérzékelési módszerek a közlekedési adatnyerésben LiDAR snapshot Dinamikus információk: digitális kamera +IR kamera
Közlekedési alkalmazások Osztályozás (járművek kategorizálása) Járműszámlálás Sebességbecslés Vészhelyzet és torlódás monitoring
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
GIS - közlekedésbiztonság Közlekedési adatok tematikus térképezése Közlekedési szabályok Vészhelyzet térképezés Útviszonyok Időjárási viszonyok (ábra: Balaton környéki jeges utak)
GIS - közlekedésbiztonság Közlekedési korlátozások térképezése Súlykorlátozás Sebességkorlátozás Időtartam-korlátozás Stb.
GIS - közlekedésbiztonság Veszélyes helyek térképezése
GIS GPS: adatok feldolgozása Pontok koordinátái, idő: φ, λ, h, t, Transzformáció (EOV): X, Y, Z, Levezetett adatok: sebesség, gyorsulás, oldalgyorsulás stb.
GIS GPS: útvonal
GIS GPS: elemzés
GIS GPS: mérés városi környezetben
GIS GPS: kanyon effektus
GIS GPS pontosság, műholdak száma
GIS GPS eltérő irányban lévő műholdak
GIS GPS azonos útszakasz, más időpont
GIS Fotogrammetria: városmodell
GIS GPS: műhold árnyékolás
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
GIS Járműdinamikai szenzorok magassági térkép
GIS Járműdinamikai szenzorok lejtéstérkép
GIS Járműdinamikai szenzorok sebességtérkép
GIS Járműdinamikai szenzorok gyorsulási térkép
GIS Járműdinamikai szenzorok sofőr vezetési stílusa
GIS Járműdinamikai szenzorok nyomaték-térkép
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
Köszönöm a figyelmet! Lovas Tamás tlovas@mail.bme.hu