Automatisierte 3D-Visualisierung von Geoinformation zur Unterstützung der Feuerprävention im mediterranen Raum

Transkript

1 Automatisierte 3D-Visualisierung von Geoinformation zur Unterstützung der Feuerprävention im mediterranen Raum Harald STELZL, Hannes RAGGAM, Oliver SACHERER, Alexander ALMER Zusammenfassung Die Bereitstellung von Grundlagendaten für Entscheidungsprozesse im Katastrophenmanagement wird immer häufiger mittels Fernerkundungsmethoden bewerkstelligt. Dabei sind nicht nur die Genauigkeit und Verfügbarkeit der Daten, sondern auch die einfache und kostengünstige Auswertung ein wichtiger Aspekt. Daher kommt der Automatisierung verschiedenster Prozesse in der Datenaufbereitung und Analyse eine immer größere Bedeutung zu. Dieser Beitrag zeigt, wie Grundlagendaten für Gebiete, in denen bestehende Karten und Geodaten nur in geringem Ausmaß zur Verfügung stehen, mittels Fernerkundungsmethoden automatisiert gewonnen und visualisiert werden. Dabei wird eine durchgehende Produktionsschiene von der Geländemodellerstellung über die Georeferenzierung und Klassifikation bis hin zur automatisierten 3D-Visualisierung von Testgebieten im mediterranen Raum beschrieben. Hauptschwerpunkt dieses Beitrags ist die 3D-Visualisierung der potentiellen Risikogebiete zur Unterstützung der örtlichen Planungsbehörden. 1 Einleitung Viele Aufgaben im Bereich der Vegetationskartierung und des Katastrophenmanagements werden mit Hilfe professioneller GIS- und Fernerkundungstechnologien bewältigt. Die Verwaltung großer Vektor- und Rasterdatenmengen, welche die Basis für die Ableitung verschiedenster Planungsparameter darstellen, erfolgt in professionellen Geoinformationssystemen. Diese ermöglichen auch die Darstellung in zweidimensionaler aber nur selten in dreidimensionaler Form. Die Geodaten-Visualisierung unterstützt sowohl Wissenschaftler, Zivilschutzgruppen als auch Entscheidungsträger bei der Datenanalyse, der Planung von Schutzmaßnahmen und bei generellen Entscheidungsprozessen. Im Bereich der Feuerprävention im mediterranen Bereich spielt ein Monitoring der Vegetationssituation eine grundlegende Rolle, wobei z.b. die daraus ableitbare Biomasse einen Hauptindikator für die Risikoeinschätzung von Waldbränden darstellt. Im Rahmen des von der EU geförderten Forschungsprojektes FIREGUARD (Monitoring Forests at the Management Unit Level for Fire Prevention and Control) werden für Testgebiete in Portugal und Griechenland mittels Fernerkundungsmethoden Biomassedaten ermittelt. Diese stehen sowohl den Forstverwaltungen als auch den lokalen Feuerwehren zur Verfügung, können aber auch in regionalübergreifende Informationssysteme eingebaut werden. Dabei kommt der Visualisierung dieser Ergebnisse eine bedeutende Rolle zu, da nicht nur 2D-Darstellungen, wie z.b. Vegetationskartierungen zum Einsatz kommen, sondern auch photorealistische 3D-Ansichten und Animationen, welche die aktuellen wie mögliche zukünftige Situationen in den betroffenen Gebieten anschaulich darstellen.

2 Harald Stelzl, Hannes Raggam, Oliver Sacherer und Alexander Almer 2 Datengrundlagen Für die Vegetationsanalyse sowie für die Landschaftsvisualisierung mittels Fernerkundungsdaten bieten sich hochauflösende Bilddaten der Sensoren Ikonos und Quickbird an. Die aus diesen Bilddaten zunächst herzuleitenden Datengrundlagen bestehen in digitalen Geländemodellen, welche die Vegetationsoberfläche mit möglichst hoher Genauigkeit beschreiben sollen, in georeferenzierten multispektralen Bilddaten sowie in einer Klassifikation der Bodenbedeckung. Als Werkzeuge zur Generierung dieser Datengrundlagen stehen die am Institut für Digitale Bildverarbeitung - JOANNEUM RESEARCH entwickelten Software-Pakete RSG (Joanneum Research, 2003) für Geländemodellgenerierung und Georeferenzierung bzw. IMPACT für die Landnutzungsklassifikation zur Verfügung. Für die vorliegende Problemstellung wurden Oberflächen-Geländemodelle aus stereoskopischen Ikonos-Bilddaten hergeleitet, deren nominelle Bildpunktauflösung 1 Meter beträgt, und welche in ein und dem selben Überflug durch Verschwenken des Sensors nach vorwärts bzw. rückwärts aufgenommen werden. Durch die hohe Auflösung ist auch ein hoher Detailreichtum für die hergeleiteten Oberflächenmodelle möglich. Für die vorliegenden Daten wurde mittels Kontrollpunkten beispielsweise eine Lage- und Höhengenauigkeit im Bereich von 1 bis 2 Metern erzielt. Abb. 1 zeigt einen Ausschnitt des aus Ikonos-Stereodaten generierten Oberflächenmodells in grauwertkodierter Darstellung. Die Möglichkeit, Vegetationsoberflächen zu rekonstruieren, wird hier aufgezeigt, da sich Waldflächen und Baumgruppen als hellere Bildbereiche deutlich von der Umgebung abheben. Zur Klassifikation sowie zur weiterführenden 3D-Visualisierung wurden panchromatische bzw. multispektrale Quickbird-Bilddaten mit einer Bodenauflösung von 0.6 bzw. 2.4 Metern verwendet. Diese wurden zunächst mit dem generierten Oberflächen-Modell auf eine Ausgabepixelgröße von jeweils 0.6 Metern georeferenziert. In weiterer Folge wurden diese Daten durch eine Datenfusion ( pan sharping ) verschnitten, woraus sich auflösungsverbesserte multispektrale Quickbird-Daten mit einer Bildpunktauflösung von 0.6 Metern ergaben. Ein entsprechender Ausschnitt dieser Daten ist in Abb. 2 dargestellt. Abb. 1: Oberflächen-Geländemodell Abb. 2: Entzerrte Quickbird-Daten Basierend auf dieser Datenfusion wurde eine Klassifikation mit insgesamt 18 verschiedenen Klassen durchgeführt und ein Grauwertbild mit entsprechenden diskreten Werten erzeugt.

3 Automatisierte 3D-Visualisierung von Geoinformation 3 Automatisierte 3D-Visualisierung Die in Kapitel 2 beschriebenen Ergebnisse waren unter anderem das Ausgangsmaterial für die Erstellung von 3D-Landschaftsmodellen und damit für die 3D- Visualisierung der Situation vor Ort bzw. für die Simulation von Veränderungen. Somit konnten neben Plänen und statistischen Auswertungen direkt auch photorealistische 3D-Ansichten und Animationen für Entscheidungsprozesse bei den Forstverwaltungen erzeugt werden. Nachfolgend werden Beispiele für das griechische Testgebiet Anopolis auf Kreta beschrieben (Übersicht s. Abb. 3). Abb. 3: 3D-Ansicht von Anopolis erstellt aus DGM und multispektraler Quickbird Szene 3.1 Aufbau von künstlichen Ökosystemen Grundlage für die 3D-Visualisierung der Interessensgebiete war der Aufbau eines vollständigen 3D-Landschaftsmodells aus den Fernerkundungsdaten sowie weiterer Geoinformation (vgl. Almer, Stelzl (2002)). Für die Texturierung wurde eine Objektdatenbank aufgebaut, welche alle benötigten Vegetationsarten wie Bäume, Sträucher oder Wiesen, aber auch sämtliche vorkommende Bodenbedeckungen, wie Lehm, Schotter oder Erdboden enthält. Die Objektdatenbank ermöglichte die Kombination einzelner Objekte zu künstlichen Ökosystemen, um Verteilungen, wie etwa Mischwälder, nachzubilden. Der Aufbau dieser Datenbank, sowie die darauf aufbauende 3D- Visualisierung erfolgte in der Animationssoftware Visual Nature Studio 2 (VNS) der amerikanischen Firma 3D Nature. Als künstliche Objekte können hier sowohl echte 3D- Objekte als auch 2D-Bilder eingesetzt werden. Vegetationsarten sind durch 2D-Objekte durchaus gut zu simulieren und sparen vor allem an Renderzeit. Dabei werden die 2D- Bilder auf dem Boden stehend immer zur Sichtachse der Kamera gedreht und durch Schattierungen eine Pseudo-3D-Darstellung erreicht. Objekte, wie Häuser, Brücken oder Dämme, müssen als echte 3D-Objekte (z.b.: aus Lightwave-3D, Maya, etc.) eingesetzt werden, um eine realistische Darstellung zu gewährleisten (vgl. 3D Nature (2003)). Im Rahmen des Projektes FIREGUARD mussten 2D-Texturen für die ortspezifische Vegetation großteils komplett aufgebaut werden, da die in VNS vorhandenen Texturen für

4 Harald Stelzl, Hannes Raggam, Oliver Sacherer und Alexander Almer die Visualisierung mediterraner Vegetation nicht passend waren. Aus entsprechenden Fotos der örtlichen Vegetation (Bäume und Sträucher) wurden einzelne Objekte in Adobe Photoshop freigestellt und in die Objektdatenbank der Visualisierungssoftware integriert. Dabei war auf eine ausreichende Auflösung dieser Fotos und eine exakte Freistellung (scharfe Abgrenzung zum Hintergrund) zu achten. Auf diese Weise wurden Objekte für künstliche Ökosysteme wie Zypressenwälder, Pinienwälder, Ahornwälder, verschiedenste Gebüschformationen, etc. geschaffen. Um diese Ökosysteme realistisch zu gestalten, wurden auch der Boden und das Unterholz entsprechend modelliert. Für alle benötigten Boden- Klassen (Lehm, Schotter, Erdboden, etc.) wurden 2D-Texturen aus Fotos in Kombination mit speziellen Texturvorschriften erstellt. So konnten beispielsweise realistische Schottertexturen aus verschiedener Schotterfotos, welche durch fraktales Rauschen miteinander kombiniert wurden, erzeugt werden. Um eine unebene Bodenstruktur besser modellieren zu können, wurde außerdem Bump Mapping eingesetzt. Zusätzliches Unterholz für die künstlichen Wälder wurde wiederum durch Integration von 2D-Bildern der Unterholzvegetation (Buschwerk, Gräser, etc.) in die modellierten Wald-Ökosysteme erreicht D-Visualisierung basierend auf Rasterklassifikationen Basierend auf den generierten künstlichen Ökosystemen wurde ein Schema entwickelt, mit dem die Ergebnisdaten aus der Klassifikation gemeinsam mit den erstellten Geländemodellen in den Visualisierungsprozess eingebunden wurden. Dabei wurden jeder Klasse das entsprechende künstliche Ökosystem zugewiesen. Da die Klassifikationen im Rasterformat vorlagen, wurde die Zuweisung über den der Klasse eindeutig zugeordneten Grauwert bewerkstelligt. Wurden einmal alle in einem Gebiet vorkommenden Ökosysteme künstlich nachgebildet, ist nun sofort eine automatische Generierung beliebiger 3D- Ansichten und virtueller Überflüge möglich. Die nachfolgenden Abbildungen zeigen eine Gegenüberstellung einer 3D-Ansicht mit der Klassifikation als Textur und einer fertigen 3D-Visualisierung mit künstlichen Ökosystemen. Abb. 4: 3D-Ansicht mit der im Programm IMPACT erstellten Klassifikation Abb. 5: 3D-Ansicht mit künstlichen Ökosystemen Die automatisierte Visualisierung erfolgt maßstabstunabhängig, da für Detailansichten auch die feinen Unterholz-Texturen gerendert werden, wie Abb. 6 zeigt.

5 Automatisierte 3D-Visualisierung von Geoinformation Abb. 6: 3D-Detailansicht Weiters kann auch jede Veränderung in einem Gebiet, welche sich in einer aktualisierten Klassifikation wiederspiegelt, sofort visualisiert werden, ohne neue Modellierungen vornehmen zu müssen. Diese Veränderungen können natürlich auch Planungsmaßnahmen sein, welche zusätzlich zur Klassifikation eingebunden werden D-Visualisierung basierend auf Vektordaten Die automatisierte Visualisierung von Veränderungen kann aber mit Auswertungen oder Klassifikationsergebnissen in Vektorform noch wesentlich effizienter eingesetzt werden. Betrachtet man die Möglichkeit, sämtliche Klassifikationsdaten zu attributieren (z.b. in shape-files), liegt es nahe, in der 3D-Visualisierung direkt auf diese Attribute zuzugreifen. Um dies im Rahmen des Projektes FIREGUARD zu testen, wurde neben der Rasterklassifikation auch eine visuelle Auswertung in ArcView erstellt. Dabei wurden Flächen gleicher Bodenbedeckung mit Polygonen eingegrenzt und diese mit Werten für die Attribute Vegetationsart, -höhe und -dichte versehen. Genau diese Attributwerte wurden nun in der Animationssoftware über Rechenregeln mit den Objekten in der Datenbank verknüpft. Damit ergab sich ein wesentlich mächtigeres Werkzeug zur automatisierten Visualisierung als mit Rasterklassifikationen. Die Verteilung und Skalierung künstlicher Objekte beim Aufbau der Ökosysteme erfolgte nun nicht im Rahmen der Vorverarbeitung (s. Kap. 3.1), sondern automatisiert durch Zugriff auf die Attribute in den shape-files. Jede

6 Harald Stelzl, Hannes Raggam, Oliver Sacherer und Alexander Almer Änderung, welche in den Geodaten durchgeführt wurde, konnte somit sofort visualisiert werden. Änderungen der Polygonausdehnungen oder Änderungen der Baumhöhen wurden automatisch in das 3D-Modell übernommen. Die Rechenzeit für eine aktualisierte 3D- Ansicht betrug lediglich wenige Minuten. Die nachfolgenden Abbildungen zeigen die Änderungen in der 3D-Landschaft auf Grund der Änderung der Baumhöhe in den shapefiles. Abb. 7: Baumhöhe Pinien: bis 6 m Abb. 8: Baumhöhe Pinien: bis 10 m Somit ist die direkte 3D-Visualisierung jeder Veränderung, welche sich dann in der Rasterklassifikation oder in den Vektorattributen wiederspiegelt, sofort durchführbar und kann den beteiligten Entscheidungsträgern zur Verfügung gestellt werden. 4 Ausblick Die beschriebene Vorgangsweise bietet eine generelle Schnittstelle zwischen Bearbeitung und 3D-Visualisierung von Geoinformation. Somit wird eine Automatisierung des Visualisierungsprozesses geschaffen, welche es ermöglicht, Erhebungs- und Analyseergebnisse entsprechend anschaulich zu präsentieren. Wesentlich dabei ist, dass nach der Erstellung der Grundlagendaten (DGM, Georeferenzierung, Klassifikation) und nach Aufbau der benötigten Objektdatenbanken (künstliche Ökosysteme) jeder Ausschnitt und jede Veränderung in einem Gebiet ohne Mehraufwand sofort visualisiert werden kann. Damit wird den Forstverwaltungen ein innovatives Werkzeug zur Planung und Entscheidungsfindung im Bereich der Feuerprävention zur Verfügung gestellt. 5 Literatur 3D Nature (2003): Visual Nature Studio 2. 3D Nature, LLC, 5740 Olde Wadworth, Suite C, Arvada, CO, USA Almer A., Stelzl H. (2002): Multimedia Visualisation of Geoinformation for Tourism Regions based on Remote Sensing Data. ISPRS - Technical Commission IV/6, ISPRS Congress Ottawa, 8-12 July Joanneum Research (2003): RSG in ERDAS IMAGINE. Software Documentation Ver RSG Release 4.6. JOANNEUM RESEARCH Graz.