Universidade Da Coruña

 

Análisis de las características de los datos LiDAR y su integración con otras fuentes de datos

Análisis de indicadores Big Geo-Data sobre viarios urbanos para el diseño dinámico de caminos escolares seguros

eo

move

eo

move

g

g

Análisis de las características de los datos LiDAR y su integración con otras fuentes de datos

Análisis de indicadores Big Geo-Data sobre viarios urbanos para el diseño dinámico de caminos escolares seguros

II Workshop en Gestión y Computación de Datos LiDAR

Santiago de Compostela, 27 de Septiembre de 2018

David Fernández Arango, Alberto Varela García y Luigi Pirelli

Caso de estudio:

Licencia CC BY-SA 4.0

Introducción - Objetivos - Área Estudio - Materiales - Método - Resultados

move

g

eo

http://geomove.es y https://emapic.es

info@emapic.es

Estudio dinámico de la movilidad escolar mediante tecnologías web de geolocalización (SPIP2015-01867).

Análisis de indicadores big geo-data sobre viarios urbanos para el diseño dinámico de caminos escolares seguros. (SPIP2017-02340)

move

g

eo

Geomove Fase I:

Geomove Fase II:

Introducción - OBJETIVOS - Área Estudio - Materiales - Método - Resultados
(Díaz Grandío, 2012)

Caracterizar espacios peatonales en áreas urbanas para establecer rutas escolares óptimas

  • Integrar diferentes fuentes datos
  • Aplicar técnicas de superficie de costes acumulados para cálculo de rutas óptimas
Introducción - OBJETIVOS - Área Estudio - Materiales - Método - Resultados
(Díaz Grandío, 2012)
(Varela García, 2013)

Caracterizar espacios peatonales en áreas urbanas para establecer rutas escolares óptimas

Introducción - Objetivos - ÁREA ESTUDIO - Materiales - Método - Resultados
Introducción - Objetivos - Área Estudio - MATERIALES - Método - Resultados

Optech MMS

https://pdal.io/
Introducción - Objetivos - Área Estudio - MATERIALES - Método - Resultados
https://gitlab.com/cartolab/geomove_pipelines
Introducción - Objetivos - Área Estudio - Materiales - MÉTODO - Resultados

Pendientes

Bordillos

Otros...

Pasos peatones

Obstáculos para sillas ruedas

Obstáculos para peatones

MMCoruna_023_S1.laz    +    MMCoruna_023_S2.laz

Merge sensor 1 and sensor 2 data

Classify ground and not ground

Filter ground:

    * Normal Z filter

    * K-Distance filter

    * PMF filter

Create MDE

Create Intensity ground raster

Fill empty ground cells by interpolating with neighboring values. txt

Create wheelchair obstacles raster

Wheelchair_obstacles.tif

Introducción - Objetivos - Área Estudio - Materiales - MÉTODO - Resultados

Input: MMCoruna_023_S1.laz

Output: out_1_ground_and_hag.las

Introducción - Objetivos - Área Estudio - Materiales - MÉTODO - RESULTADOS

Segmentar suelo/no suelo

  • Cargar datos *.laz

  • Seleccionar por NumberOfReturns [1:1]

  • Filtro ELM (Chen, 2012)

Output: out_3_a_normals_filter.las

  • Seleccionar Classification[2:2]

  • Calcular NormalZ (knn=30)

  • Seleccionar normalZ [0:0.6] Classification ->1

  • Seleccionar normalZ ! [0:0.6] Classification ->2

  • Merge suelo / no suelo

  • Escribir fichero

Input: out_2_outlier_filter.las

Filtro Normales Z

Introducción - Objetivos - Área Estudio - Materiales - MÉTODO - RESULTADOS

Normal Z Filter

Output: out_3_b_kdistance_filter.las

Input: out_3_a_normals_filter.las

  • Seleccionar Classification [2:2]

  • KDistance (k=300)

  • Seleccionar puntos KD >1 -> classification = 1

  • Seleccionar puntos KD <1 -> classification = 2

  • Merge puntos suelo / no suelo

  • Escribir fichero

Filtro K-Distance

Introducción - Objetivos - Área Estudio - Materiales - MÉTODO - RESULTADOS

Output: out_3_c_PMF_filter.las

Input: out_3_b_KDistance_filter.las

  • Seleccionar Classification [2:2]

  • PMF. Segmentar suelo / no suelo

  • Escribir fichero

Progressive Morphological Filter

Introducción - Objetivos - Área Estudio - Materiales - MÉTODO - RESULTADOS

MDE

Introducción - Objetivos - Área Estudio - Materiales - MÉTODO - RESULTADOS
gdal_fillnodata.py -md 12 -b 1 -of GTiff <out_5_Z_heights.tif> <Z_heights_filled.tif>
1- Rellenar celdas del raster mediante gdal.fillnodata
2- Crear una máscara adaptada al área de estudio mediante gdal.translate
gdal_translate -projwin 547284.875 4801507.66 547504.835 4801352.5 -ot Float32 -of GTiff <building_mask.tif>  <clipped_extent.tif>
3- Multiplicar Z_heights_filled.tif por clipped_extent.tif para generar un ráster adaptado a la máscara correrspondiente
gdal_calc --calc "A*B" --format GTiff --type Float32 --outfile out_7_Z_height_masked_ground.tif> -A <Z_heights_filled.tif> --A_band 1 -B <clipped_extent.tif> --B_band 1

Interpolación - Vecinos más cercanos

Introducción - Objetivos - Área Estudio - Materiales - MÉTODO - RESULTADOS

  • Calcular HAG

  • Seleccionar HAG [0.05 : 2.20] -> Clasification = 1

  • Escribir fichero en GTiff con malla 18cm

  • Cortar tiff con máscara edificaciones

    • gdal_calc --calc "A*B" --format GTiff --type Float32 --outfile <out_10_wheelchair_obstacles_masked.tif> -A <out_8_wheelchair_obstacles_raster.tif> --A_band 1

      -B <clipped_extent.tif> --B_band 1

Obstáculos para sillas ruedas

Introducción - Objetivos - Área Estudio - Materiales - MÉTODO - RESULTADOS

Otros resultados...

Identificación pasos peatones

Delimitación acera / calzada

Identificación obstáculos para peatones y usuarios de sillas ruedas

Mejoras para QGIS

Problemas encontrados

Empleo adecuado de filtros

Puntos con más de un retorno

Zonas de Sombra

¿Qué queda por hacer?

  • Mejorar identificación bordillos y rampas
  • Automatizar pipelines en QGIS
  • Crear superficies de costes-desplazamiento
  • Crear superficie de costes acumulados e identificar caminos óptimos
  • Migrar el algoritmo CDC de GvSIG a QGIS

En este proyecto:

En futuras investigaciones:

  • Optimizar algoritmos actuales
  • Completar zonas sombra:
    • Mediante backpack LiDAR
    • Mejorando algoritmo interpolación
    • Otros sistemas captura datos

Gracias

Geomove II. Análisis de indicadores Big Geo-Data sobre viarios urbanos para el diseño dinámico de caminos escolares seguros

  • Alumnos, profesores y demás personal laboral de los centros educativos colaboradores
  • Ministerio del Interior
  • DGT
  • Stop Accidentes
  • UDC
  • Ferrotrans
  • tGIS
  • GAC

http://geomove.es y https://emapic.es

info@emapic.es

Universidade Da Coruña

 

move

g

eo

move

g

eo

Análisis de las características de los datos LiDAR y su integración con otras fuentes de datos by David Fernández Arango, Alberto Varela García and Luigi Pirelli is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Análisis de las características de los datos LiDAR y su integración con otras fuentes de datos.

By cartolab

Source: darango

Análisis de las características de los datos LiDAR y su integración con otras fuentes de datos.

II Workshop Red Tecnoloxías LiDAR e Información Xeoespacial (TLIX). Santiago de Compostela. 27 Septiembre 2018.

  • 364

More from cartolab

  • Copy of Análisis de las características de los datos LiDAR y su integración con otras fuentes de datos.
    cartolab
    293