Análisis de la movilidad escolar en áreas urbanas

eo

move

eo

move

g

g

Tratamiento de nubes de puntos LiDAR con PDAL

Caso de estudio:

David Fernández Arango, Alberto Varela García y Luigi Pirelli

Licencia CC BY-SA 4.0

Madrid. 20 de Octubre de 2018

Universidade Da Coruña

 

move I

g

eo

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 I

g

eo

Geomove Fase I:

Geomove Fase II:

(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
(Díaz Grandío, 2012)
(Varela García, 2013)

Área estudio

Materiales

Método

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

Input: MMCoruna_023_S1.laz

Output: out_1_ground_and_hag.las

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

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

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

MDE

Interpolación con vecinos más cercanos

  • Calcular HAG

  • Seleccionar HAG [0.05 : 2.20] -> Classification = 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

Otros resultados

Identificación pasos peatones

Delimitación acera / calzada

Pendientes

Rugosidad

Mejoras para QGIS

Mejoras para QGIS. Provider PDALtools

Mejoras para QGIS. Plugin Geomove

Muchas gracias

Si quieres participar en Geomove puedes registrar tu colegio pinchando aquí o contactar con nosotros en: 

Tratamiento de nubes de puntos con PDAL. Caso de estudio: Geomove by David Fernández Arango, Alberto Varela García and Luigi Pirelli is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Tratamiento de nubes de puntos LiDAR con PDAL. Caso de uso Geomove

By darango

Tratamiento de nubes de puntos LiDAR con PDAL. Caso de uso Geomove

Geocamp. Madrid. 20 Octubre 2018.

  • 1,083