Automatisation in der urbanen Geodatenerfassung Zwei aktuelle Beispiele aus der Fernerkundungspraxis

Transkript

1 Automatisation in der urbanen Geodatenerfassung Zwei aktuelle Beispiele aus der Fernerkundungspraxis Geotag Münsterland Heiner Rößmann E F T A S Fernerkundung Technologietransfer GmbH Oststraße Münster

2 Gliederung Motivation Beispiel 1: Fortführung eines Versiegelungs- und Gebäudedatenbestandes Beispiel 2: System zur automatischen 3D-Rekonstruktion von Gebäudemodellen Fazit

3 Warum Automatisation in der Geodatenerfassung? finanzielle Gründe knappe Haushaltsmittel Umkämpfte Marktsituation/ kostengünstige Produktion im Ausland Qualitätsgründe Homogenität und Vollständigkeit der Arbeitsergebnisse

4 Change Detection Versiegelungs- und Gebäudedatenbestand Objektschlüssel Dachfläche Straße, Fahrweg, Gehweg private Verkehrsfläche (begehbar) private Verkehrsfläche (befahrbar)

5 Change Detection Datenpflege Befliegung Georeferenzierung des Bildmaterials Ableitung von Orthophotos Datenfortführung Visueller Vergleich der Orthophotos mit Versiegelungsdaten zur Ermittlung der Fortführungsfälle photogrammetrische Erfassung der Änderung und Übernahme in den Versiegelungsdatensatz

6 Change Detection Vergleich der aktuellen OP mit Versiegelungsdaten S sehr zeitaufwändig!

7 Change Detection Problem: Detektion sämtlicher Änderungen

8 Change Detection Change Detection: Als Veränderungsdetektion werden Verfahren in der Fernerkundung bezeichnet, die Analysen bzgl. Veränderungen des Oberflächenzustandes der Erde durchführen.

9 Change Detection Segmentierung der Orthophotos Zerlegung in spektral homogene Bereiche grenzscharfe Abbildung von Objekten Einsatz eines normalisierten Oberflächenmodell Verwendung einer Übersegmentierung

10 Change Detection Segmentierung der Orthophotos

11 Change Detection Klassifikation Eingruppierung der Bildelemente in Klassen Gebäude, Verkehrsfläche, versiegelte Bodenflächen, sonstige Bodenfläche, hoher Schatten, bodennaher Schatten, hohe Vegetation, niedrige Vegetation, vegetationsarme Fläche Klassifikation erfolgt auf der Grundlage der spektralen Eigenschaften des normalisierten Oberflächenmodells geometrischer Merkmale

12 Change Detection Spektrale Merkmale Vegetationsindex (NDVI) kann nicht eingesetzt werden stattdessen wird ein modifizierter Grünindex gerechnet VI Grün ( ) Grün Rot Blau ( ) Grün Rot Blau, mit 1 2

13 Change Detection Klassifizierung Orthophoto

14 Change Detection Klassifizierung ndom

15 Change Detection Klassifizierung überlagertes Orthophoto

16 Change Detection Klassifizierung Klassifizierungsergebnis Klasse Gebäude (hoch/niedrig) Verkehrsfläche Versiegelung (rot/grau) sonstiger Boden hoher Schatten Schatten (bodennah) hohe Vegetation (Baum) niedrige Vegetation vegetationsarme Fläche Farbe

17 Change Detection Klassifizierung Change Detectionergebnis

18 Change Detection Ergebnis des Change-Detection-Prozesses Es werden alle Veränderungen erkannt im Gebäudebestand > 80 m² bei der Bodenversiegelung > 150 m² Fehlklassifikationen infolge spektraler Ähnlichkeit von unbelaubten Bäumen und Dachstrukturen Lagedifferenzen zwischen GIS-Daten und OP Umklappeffekte im OP

19 Change Detection Filterung vermeintlicher Gebäudeerweiterungen

20 Change Detection Filterung von Baumkronen

21 Change Detection Nachgeordneter Filterprozess Für den Ergebnisdatensatz aus dem Change-Detection- Verfahren werden für jedes Polygon Umfang (U) Fläche (A) Kompaktheit K1 (A/U²) Kompaktheit K2 (A/U) berechnet und Fehldetektionen mit geeigneten Schwellwerten bestimmt.

22 Change Detection Ergebnis: (Größe des Stadtgebietes ca. 100 km²) Change Detection Datensatz 2010/2012 neue Gebäude Gebäudeabgang neue versiegelte > 80 m² > 50 m² Flächen > 150 m² CD Datensatz (Rohwerte) CD Datensatz gefiltert verifizierte Polygone Der visuelle Vergleich kann durch das CD-Verfahren vollständig abgelöst werden. Gleichzeitig wird eine hohe Erkennungsquote erreicht.

23 Entwicklungsprojekt HABIS HABIS (Hybrid Automatic Building Interpretation System) Das hybride System zur automatischen 3D-Rekonstruktion von Gebäuden

24 Einführung Warum 3D-Gebäudemodelle? Städte und Gemeinden Stadt-und Raumplanung Stadtmarketing Tourismus, Mobilfunkunternehmen Planung der Funknetze Hersteller von Navigationssystemen Realitätsähnliche Abbildung auf dem Navigationsdisplay zur Erleichterung der Navigation

25 Aktuelle Themen Versiegelungskataster Solarkataster

26 Neuer hybrider Ansatz zur Automatisierung Nutzung verschiedenartiger Datenquellen: 3D-Punktwolken (z.b. LIDAR) Stereoskopische Luftbilder mit hoher Auflösung ALK/ALKIS-Gebäudegrundrisse DGM

27 Das Verfahren Vorprozessierung Grobklassifizierung Hypothesen der Dachmodelle mit Bewertung Luftbildbasierte Verifikation der Hypothesen Finale Klassifizierung und Ausgleichung 3D-Gebäude Bestimmung von Dachaufbauten 3D-Rekonstruktion des Gebäudes Datenausgabe (CityGML, KML)

28 Grobklassifizierung

29 Verifikation der Dachhypothesen Kantenextraktion

30 Verifikation der Dachhypothesen

31 Verifikation der Dachhypothesen

32 Verifikation der Dachhypothesen Luftbildperspektiven

33 Verifikation der Dachhypothesen Kantenbewertung

34 Dachaufbauten

35 Dachaufbauten

36 Schornsteine

37 Schornsteine

38 Fazit: Beide Projekte sind Beispiele für eine intelligente Automatisation in der Geodatenerfassung. Es gibt noch eine Vielzahl von Ideen, die im Rahmen der Beispielprojekte umgesetzt werden sollten.

39 Vielen Dank für Ihre Aufmerksamkeit!