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
- Filtro Outlier-statistical method (emplea media y desviación estándar)
-
Filtro PMF. Segmenta ground / not ground (Zhang, 2003)
-
Escribir fichero
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.
