Veranstaltungsprogramm

Eine Übersicht aller Sessions/Sitzungen dieser Tagung.
Bitte wählen Sie einen Ort oder ein Datum aus, um nur die betreffenden Sitzungen anzuzeigen. Wählen Sie eine Sitzung aus, um zur Detailanzeige zu gelangen.

 
Sitzungsübersicht
Session
S09: Geoinformatik I
Zeit:
Donnerstag, 08.03.2018:
16:00 - 17:30

Chair der Sitzung: Jan-Henrik Haunert
Chair der Sitzung: Bernhard Höfle
Ort: Audimax

Zeige Hilfe zu 'Vergrößern oder verkleinern Sie den Text der Zusammenfassung' an
Präsentationen

Bestimmung von Ortspositionen unter Nutzung von freien globalen Daten

T. Brinkhoff

Jade Hochschule Oldenburg, Deutschland

Die Positionierung von Orten in webbasierten Karten ist teilweise unbefriedigend: Bei einer Betrachtung beispielsweise von indischen Dörfern oder chinesischen Gemeinden (Townships) in Google Earth liegt das Ortssymbol oftmals über unbesiedelten Gebieten. Ursache sind qualitativ unzureichende offene globale Datenbasen (wie z.B. GeoNames) und vereinfachte Ansätze zur Ableitung der Position (z.B. der Verwendung des Schwerpunkts einer administrativen Fläche oder des Mittelpunkts von dem minimal umgebenden Rechteck). Daraus leitet sich die nachfolgende Fragestellung ab: Wie kann über freie, möglichst global vorliegenden Daten eine Ortsposition bestimmt werden, die möglichst zentral im Siedlungsgebiet liegt.

In (Brinkhoff 2016) wurde ein Verfahren vorgestellt, das erlaubt, aus OpenStreetMap-Daten im globalen Maßstab Siedlungsflächen abzuleiten. Dazu werden Landnutzungsflächen, eine Auswahl von Straßen und Gebäudeinformationen zusammengeführt. Eine vorläufige Evaluation hat gezeigt, dass die resultierenden Siedlungsflächen eine recht gute Qualität aufweisen, allerdings Industrieflächen oftmals fehlen. Letzteres ist allerdings für die hier verfolgte Aufgabe kein Manko, da ein Ortssymbol i.d.R. nicht über Industriegebieten positioniert werden sollte. Alternativ steht seit Anfang 2017 der „Global Urban Footprint“ zur Verfügung, der aus SAR-Daten der TanDEM-X-Mission abgeleitet worden ist (Esch et al., 2013).

Auf dieser Basis kann ein Algorithmus skizziert werden, der aus Siedlungsflächen und frei verfügbaren administrativen Grenzen von Orten die Ortspositionen ableitet:

  1. Die beiden Datensätze werden mit einander verschnitten.
  2. Die größte Schnittfläche pro Ort wird bestimmt.
  3. In diese Fläche wird zentriert die Ortsposition gelegt.

Bei diesem zunächst einfachen Ansatz stellen sich aber folgende Herausforderungen:

  • Für die Bestimmung der Ortsposition existieren Ansätze, die exakt oder approximativ das visuelle Zentrum bestimmen, u.a. unter Nutzung von Voronoi-Diagrammen, Polygon-Skeletten, Quadtrees und inversen Puffern. Allerding weisen bei beiden genannten Datenquellen die Siedlungsflächen eine Vielzahl von kleinen und größeren Löchern auf, die eine direkte Nutzung dieser Ansätze faktisch unmöglich machen.
  • Sowohl die Siedlungsflächen als auch frei verfügbare administrative Grenzen weisen Lageabweichungen von der tatsächlichen Situation auf. Dadurch kann das Resultat insbesondere bei Orten mit kleinen Siedlungsflächen, die an einen Ort grenzen, der eine große, an die Ortsgrenzen reichende Siedlungsfläche aufweist, verfälscht werden.

In diesem Beitrag wird der grundsätzliche Ansatz vorgestellt, Lösungsstrategien für die beiden genannten Probleme entwickelt und das Verfahren unter Nutzung von realen Daten evaluiert.

(Brinkhoff 2016) Brinkhoff T.: „Open Street Map Data as Source for Built-up and Urban Areas on Global Scale“, XXIII Congress of the International Society for Photogrammetry and Remote Sensing 2016, Prague, Czech Republic. In: The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLI-B4, 2016, 557-564; doi:10.5194/isprs-archives-XLI-B4-557-2016

(Esch et al., 2013) Esch, T., Marconcini, M. et al., 2013. „Urban Footprint Processor – Fully Automated Processing Chain Generating Settlement Masks From Global Data of the TanDEM-X Mission“. IEEE Geoscience and Remote Sensing Letters, 10(6), 2013, 1617-1621.


Generalisierung mittels Deep Learning (CNN) am Beispiel der Straßenextraktion aus GPS-Trajektorien

F. Thiemann, S. Cakir, F. Politz

Leibniz Universität Hannover, Deutschland

Convolutional Neural Networks (faltende neuronale Netze, CNN) werden erfolgreich für die semantische Klassifikation und Objektdetektion in Bildern eingesetzt. In Form von Autoencodern können solche Netze die wesentlichen Merkmale der Eingangsdaten erlernen und diese zur Dimensionsreduktion bzw. zum Komprimieren der ursprünglichen Eingangsdaten nutzen. Dabei werden unwesentliche Merkmale unterdrückt. Diese Eigenschaft von Autoencodern legt nahe, dass sie auch zur Generalisierung im kartographischen Sinne verwendet werden können.

Simo-Serra et. al (2016) haben bereits gezeigt, dass CNN zum Vereinfachen von groben Skizzen verwendet werden können. Die Autoren nutzen ein CNN mit Autoencoder-Architektur. Anstatt die Originalbilder als Eingangs- und Zieldaten zu nutzen, verwenden sie vereinfachte Bilder als Zieldaten für das Training des Autoencoders. Das Ziel unserer Arbeit war es, diesen Ansatz für die Extraktion des Straßennetzes aus GPS-Trajektorien zu testen. Als Eingangsdaten für das CNN werden aus den Trajektorien Heatmaps erzeugt. Als Zieldaten haben wir das zugrundeliegende Straßennetz gerastert.

Für das Training des Netzes werden weitgehend fehlerfreie Zieldaten benötigt. Eine direkte Verwendung von bestehenden Straßendatensätzen wäre nur dann möglich, wenn das Straßennetz oft genug und vollständig befahren wurde. Anderenfalls müssen die nicht befahrenen Straßenteile aus den Zieldaten herausgelöscht werden. Um die Korrektheit der Trainingsdaten zu gewährleisten, haben wir zunächst Kfz-Trajektorien auf dem OSM-Straßennetz von Hannover simuliert. Später haben wir versucht Zieldaten zu realen Fahrrad-Trajektorien zu generieren, was uns jedoch nicht in der benötigten Genauigkeit gelang.

Außerdem haben wir das trainierte Modell der simulierten Kfz-Trajektorien auf reale Trajektorien von Radfahrern übertragen. Wie zu erwarten, zeigte sich, dass das trainierte Netz einige Schwierigkeiten hatte, diese korrekt abzubilden. Bei der Simulation der Trajektorien wurde nicht berücksichtigt, dass sich das Spurwahlverhalten von Radfahren und Autofahrern unterscheidet.

Weitere Untersuchungen beschränkten sich daher auf Kfz-Trajektorien. Das Generalisierungsergebnis konnte durch Lernen auf einem gemischten Datensatz aus echten und simulierten Daten verbessert werden. Weitere Verbesserungen sind durch feiner aufgelöste Raster und größere Trainingsdatensätze mit realen Trajektorien und dazu passenden Zieldaten zu erwarten.


Simulation von Menschenmengen im urbanen Umfeld

A. Meinert1,2, S. Hahmann1, S. Kopf2, P. Brausewetter1

1Fraunhofer IVI, Fraunhofer-Institut für Verkehrs- und Infrastruktursysteme, Dresden; 2Hochschule für Technik und Wirtschaft Dresden

Die Simulation von Fußgängern und Menschenmengen besitzt eine große Relevanz in der Planung von Veranstaltungen und baulichen Anlangen. Typische Simulationsszenarien sind Evakuierungen und die realitätsnahe Modellierung des Verhaltens von Fußgängern in Städten als Bestandteil von Verkehrssimulationen.

Der Beitrag gibt zunächst einen Überblick über die existierenden physikalisch-mathematischen Modelle. Hierbei werden Partikel- bzw. Agenten-basierte Modelle (z.B. Helbing und Molnár 1995), fluiddynamische bzw. gaskinetische Modelle (z.B. Kormanová 2013) und zelluläre Automaten (z.B. Schadschneider et al. 2009) beschrieben und miteinander verglichen. Große Verbreitung hat das sogenannte „Social-Force Model“ (Helbing et al. 2001, Helbing et al. 2005) erlangt, das bereits teilweise empirisch validiert werden konnte (Johansson 2009). Des Weiteren werden im Beitrag aktuell existierende frei verfügbare Softwarelösungen und Programmbibliotheken für die Simulation von Fußgängern hinsichtlich deren Vor- und Nachteile für verschiedene Einsatzszenarien verglichen.

Für die Modellierung der urbanen Umgebung wird die Nutzung der offenen Daten von OpenStreetMap (OSM) untersucht. Im Fokus stehen dabei begehbare Flächen und Wege sowie Hindernisse, die aus den OSM Daten extrahiert werden können. Es wird ein Überblick gegeben, welche Features generell sinnvoll für die Nutzung in Fußgängersimulationen sind (z.B. das Punktfeature Baum als Hindernis) oder von vornerein ausgeschlossen werden können (z.B. das Linienfeature von administrativen Grenzen). Weiterhin wird untersucht, inwiefern semantische Angaben, z.B. die Breite der Straßen auf welchen sich die Fußgänger bewegen, genutzt werden können.

Aus diesen Vorbetrachtungen werden Kriterien für die Implementierung in einem Java-Programm abgeleitet, welches die gefundenen Erkenntnisse demonstriert. Zu diesen Kriterien gehören eine graphische Nutzeroberfläche, Möglichkeiten zur Interaktion (z.B. Import von Daten im WKT/Shape-Format), die Visualisierung der Simulation, Manipulierung von Simulationsparametern, die Anzeige von Simulationsinformationen sowie eine geeignete Schnittstelle, um die Ergebnisse in einem GIS anzeigen zu können.

In der Implementierung werden die Fußgänger vereinfacht als Quadrate visualisiert, welche sich entlang von (individuellen) Zielpunkten durch das urbane Umfeld bewegen. Die simulierten Fußgänger besitzen einen Eigenantrieb, sich mit einer spezifischen Geschwindigkeit in die Richtung der Ihnen zugewiesenen Ziele zu bewegen. Außerdem bestehen abstoßende Kräfte zwischen Fußgängern und Hindernissen, sowie zwischen den Fußgängern untereinander.

Ein weiterer Bestandteil des Beitrags ist ein Plausibilitätstest der Simulationsergebnisse unter Verwendung einer bestehenden Bibliothek für die Fußgängersimulation. Des Weiteren wird die Performance der Simulation, welche Rechenzeiten und Speicherbedarf in Abhängigkeit der Anzahl an modellierten Fußgängern umfasst, untersucht. Die Anwendung soll quelloffen verfügbar gemacht werden.


Prediction of Feed-in Power from Photovoltaics in Local Distribution Networks

M. Elfouly, A. Donaubauer, T. H. Kolbe

Technische Universität München, Deutschland

Due to the shift of power production from highly centralised power plants to decentralised power production with renewable energy, such as photovoltaics, the role of local distribution networks has changed. Originally, these networks were designed to distribute electric power from a centralised source to consumers. However, nowadays, additional loads due to the increasing number of climate-dependent decentralised energy production systems, such as photovoltaics affect the network stability. Thus, network operators need decision support methodology, in order to cope with the network uncertainty. As central part of the decision support system, a small-scale, climate-dependent forecast for feed-in power is required.

In this contribution, a method for feed-in power prediction from photovoltaics, based on georeferenced power production and climate data has been developed.

The method takes into account that photovoltaics’ power production is influenced by various parameters. These parameters vary from geospatial factors, such as location, orientation of the solar panel (inclination angle), geographical location on earth (maximum sun elevation), shadowing caused by local topography, to panel specific parameters, such as brand model (degree of efficiency), solar panel surface area, and panel conditions (dust or dirt cover). Besides, meteorological and temporal factors, such as cloud coverage, temperature, global horizontal irradiance, diffuse horizontal irradiance, clear sky shortwave radiation, shortwave radiation, date (changing sun elevation over the year), and time (changing sun position over each day) play an important role. Within the course of this research, diverse meteorological aspects that play a role in the feed-in power, have been deeply investigated. However, it turned out that an analytical model considering all the afore-mentioned factors would not only be very complex and sophisticated, but also some of the parameters might be unknown.

As a result, an observation-based approach to tackle this issue has been developed. This approach relies on statistical analysis of georeferenced historic power production measurements from photovoltaic systems installed in a local distribution network. By learning the maximum possible power production for each station at a specific point in time, we derived specific attenuation functions for each station along the year. The attenuation accounts for all the influences and the afore-mentioned parameters and therefore makes different stations comparable. Then, statistical analysis and spatial interpolation between the stations has been built, in order to deduce attenuation fields, which show the change of attenuation throughout the day, month, and year within the entire geographical region. Hence, by analysing the historic observations and meteorological data, a correlation function between the attenuation and the various meteorological factors derived from satellite observations, such as cloud cover, solar irradiance could be determined. The resulted correlation function, allows to predict the attenuation field for a specific future point in time from weather forecast. Additionally, the attenuation field allows to predict the feed-in power for a specific station and for a specific future point in time.

The method was implemented in a project funded by the Bavarian Ministry of Economic Affairs in cooperation with the company AED-SICAD, based on a geospatial database system with data from EnBW ODR.



 
Impressum · Kontaktadresse:
Veranstaltung: PFGK18-Tagung
Conference Software - ConfTool Pro 2.6.114
© 2001 - 2018 by H. Weinreich, Hamburg, Germany