DE102020122010B4

DE102020122010B4 - Verfahren und system zur bestimmung einer beschaffenheit einer geografischen linie

Info

Publication number: DE102020122010B4
Application number: DE102020122010.3A
Authority: DE
Inventors: Sascha Klement; Florian Hartmann; Stefan Matlage
Original assignee: Bareways GmbH
Current assignee: Bareways GmbH
Priority date: 2020-08-24
Filing date: 2020-08-24
Publication date: 2023-05-04
Anticipated expiration: 2040-08-25
Also published as: JP2023543385A; US20230177795A1; EP4200806A1; WO2022042904A1; IL300297A; DE102020122010A1

Abstract

Verfahren (100) zum Bestimmen einer oder mehrerer Beschaffenheiten einer geografischen Linie, GL, oder ihrer Umgebung, wobei das Verfahren (100) aufweist:Erfassen (S1, S2) von georeferenzierten Erdbeobachtungsdaten (S1, S2), die eine oder mehrere sich räumlich überlappende Bildebenen (106) repräsentieren, die aus einer Luft- oder Weltraumperspektive eine bestimmte Region von Interesse, ROI (105), der Erdoberfläche abdecken, wobei die ROI (105) die GL enthält;geometrisches Transformieren (S4 bis S7) der georeferenzierten Beobachtungsdaten, zumindest teilweise, in ein lokales internes Bezugssystem (115) der GL innerhalb der ROI (105), um eine Abbildung der georeferenzierten Beobachtungsdaten auf entsprechende Koordinaten innerhalb des lokalen internen Bezugssystems der GL zu erhalten; undAuswerten (S8) der abgebildeten Erdbeobachtungsdaten, wie sie im lokalen internen Bezugssystem der GL repräsentiert sind, gemäß einem Klassifikationsschema, um daraus Auswertungsdaten zu erhalten, die eine Klassifizierung einer oder mehrerer Eigenschaften der GL oder ihrer Umgebung gemäß einer oder mehrerer Beschaffenheiten der GL repräsentieren;wobei das Erfassen der georeferenzierten Erdbeobachtungsdaten einen oder mehrere der folgenden Schritte aufweist:- Erfassen von georeferenzierten Erdbeobachtungsdaten, die eine oder mehrere der Bildebenen (210, 220) repräsentieren, wobei jede dieser Bildebenen (210, 220) Bilder repräsentiert, die die ROI (105) in einem jeweils unterschiedlichen Spektralbereich des elektromagnetischen Spektrums abdecken;- Erfassen georeferenzierter Erdbeobachtungsdaten, die eine oder mehrere Datenebenen (230 bis 260) als weitere Bildebenen repräsentieren, wobei jede dieser Datenebenen (230 bis 260) jeweils sensorische Messungen oder Vorhersagen einer oder mehrerer lokaler Beschaffenheiten der GL oder ihrer Umgebung innerhalb der ROI (105) repräsentiert;- Erfassen georeferenzierter Erdbeobachtungsdaten, die eine oder mehrere vorverarbeitete Bildebenen repräsentieren, die aus einer Kombination von zwei oder mehreren dieser Ebenen (210, 220) oder Datenebenen (230 bis 260) resultieren.

Description

Die vorliegende Erfindung bezieht sich auf das Gebiet der Bildverarbeitung und insbesondere auf das Gebiet der Extraktion und Klassifizierung von Merkmalen aus Bildern, um Bedingungen entlang geografischer Linien zu klassifizieren und zu überwachen. Konkret bezieht sich die Erfindung auf ein Verfahren und ein System zur Bestimmung einer Beschaffenheit einer geografischen Linie, z.B. einer Transportlinie - wie einer Straße, insbesondere einer nicht asphaltierten Straße oder einer Eisenbahnlinie - oder einer Grenzlinie.
Typische Beispiele für landgestützte Transportlinien, die in praktisch jedem Land der Welt zu finden sind, sind Straßen. Konkret ist die Mehrheit der Straßen weltweit nicht asphaltiert. Während offizielle Zahlen nur für einige wenige Länder vorliegen, gehen die Schätzungen insgesamt bis zu 80 %. Obwohl dieser Prozentsatz negativ mit dem Entwicklungsstand eines bestimmten Landes korreliert, ist selbst in einigen der wohlhabendsten und am weitesten entwickelten Länder eine beträchtliche Anzahl von Straßen nicht asphaltiert.
Der aktuelle Zustand solch nicht asphaltierter Straßen hängt stark von der aktuellen Jahreszeit und dem Wetter, der Vegetation und der Häufigkeit der Nutzung ab. Schnee, Eis, Überschwemmungen, Erdrutsche und die ständige Belastung durch (Schwer-) Fahrzeuge können diese Straßen monatelang unpassierbar machen. Auch wenn es auf diesen Straßen viel weniger Verkehr gibt, ist das Unfallrisiko viel höher als in städtischen Gebieten. Diese Transportlinien sind jedoch gleichzeitig unerlässlich, da 50 % der Weltbevölkerung an solchen Straßen leben. Ihre Qualität ist ein Leistungsindikator für die wirtschaftliche Entwicklung und eine Voraussetzung für den Tourismus und die Zugänglichkeit zur Infrastruktur für abgelegene Gemeinden, z.B. zu Krankenhäusern, Schulen und Märkten.
Während nicht asphaltierte Straßen am anfälligsten für die oben genannten Probleme sind, können auch andere Transportlinien, insbesondere asphaltierte Straßen, von Problemen wie Alterung des Asphalts, Schlaglöchern, geologische Phänomene und überwuchernde Vegetation betroffen sein, die schwer vorhersehbare Instandhaltungsarbeiten erfordern und kostspielige Verzögerungen oder Schäden verursachen und sogar Menschenleben kosten können, z.B. wenn unzureichend gewartete Brücken einstürzen. Zumindest einige dieser Probleme können auch für andere Transportlinien relevant sein, z.B. Eisenbahnlinien oder Wassertransportlinien entlang von Flüssen, Pipelines oder Stromleitungen.
Um noch einmal auf Straßen als nicht einschränkende Beispiele für geografische Linien zu verweisen: Die Bewertung der Straßenoberflächenqualität und des sie umgebenden Raums in ländlichen Regionen ist im Vergleich zu Ballungsräumen mit mehreren zusätzlichen Schwierigkeitsgraden verbunden.
Zunächst ist anzumerken, dass diese Straßen in der Regel weniger häufig benutzt werden als Straßen und Wege in Großstädten oder Hauptverkehrsstraßen. Darüber hinaus sind Überwachungssysteme, die sich auf eine Qualitätsbewertung vor Ort mit regelmäßigen Aktualisierungen stützen, aus technischen oder wirtschaftlichen Gründen normalerweise nicht durchführbar. Die technische Ausrüstung, das Personal und die Finanzierung beschränken die Straßeninstandhaltungsmaßnahmen auf Maßnahmen, die nach bestimmten Katastrophen oder Unfällen ergriffen werden oder eine langfristige Infrastrukturplanung beinhalten. Daher werden in absehbarer Zukunft für die meisten ländlichen Transportlinien, insbesondere für nicht asphaltierte Straßen, aktuelle Informationen, die „vor Ort“ gesammelt werden, aufgrund der Art des dargestellten Problems wahrscheinlich nicht verfügbar sein.
Zweitens hängt die Qualität der Beurteilung der Straßenoberfläche stark von der Analyse der historischen Daten ab, d.h. für die Beurteilung des aktuellen Zustands ist es wichtig zu wissen, wie viel Niederschlag auf eine Region von Interesse in den letzten Stunden, Tagen oder Wochen niedergegangen ist. Neben der Niederschlagsmenge (Regen, Schnee, jede Kombination davon) können auch andere Wetterparameter wie Temperatur und Wind eine Verschlechterung der Straßenqualität oder langfristige Erosionsprobleme verursachen.
Drittens wird die Qualität und der Zustand einer Straße nicht nur durch das beeinflusst, was direkt auf der befahrbaren Straßenoberfläche vorhanden ist, sondern auch durch Form, Zustand und Ereignisse in der Nähe der Straße, wie z.B. überwuchernde Vegetation, Erdrutsche, Lawinen, Steinschläge oder Sturzfluten. Einige dieser Probleme haben eine sehr lokale Reichweite im Bereich von Metern - wie die Form des Straßenrandes oder die Menge der Vegetation neben der Straße - während andere eine Reichweite von mehreren Kilometern haben können, wie zum Beispiel katastrophale Erdrutsche oder Überschwemmungen. Daher werden Systeme zur Ableitung des aktuellen Zustands und der Situation auf bestimmten Straßenabschnitten in der Regel Daten aus einem breiteren räumlichen Bereich enthalten, um verlässliche Informationen liefern zu können.
Die Nutzung multispektraler Satellitenbilder reicht von unzähligen zivilen Anwendungen wie geografische Kartierung, Stadtplanung, Präzisionslandwirtschaft, Verkehrsmanagement bis hin zur Überwachung der Umweltverschmutzung und Analyse des Klimawandels. Gegenwärtig, d.h. im Jahr 2020, liefern Satellitensysteme mit mittlerer Auflösung typischerweise Bilddaten mit einer Auflösung von bis zu 10 m x 10 m pro Pixel und einer Wiederholungszeit zwischen 3 und 6 Tagen (z.B. Copernicus Sentinel 2, betrieben von der Europäischen Weltraumorganisation), während Systeme mit sehr hoher Auflösung typischerweise eine Auflösung von bis zu 30 cm x 30 cm pro Pixel liefern. Noch höhere Auflösungen lassen sich mit Luftbildern von Drohnen oder Flugzeugen erzielen. Bilder mit mittlerer Auflösung ermöglichen das Erfassen und Klassifizieren von Straßen und Vegetation, während hochauflösende Systeme sogar Fahrbahnmarkierungen und einzelne Bäume auflösen können.
Im Allgemeinen stellen Satellitenbetreiber die Daten als orthorektifizierte Bilder zur Verfügung. Daher transformieren sie die Rohbilddaten, um topografische Variationen der Erdoberfläche und die Neigung des Satelliten oder Luftbildsensors, der zur Aufnahme des Bildes verwendet wurde, zu berücksichtigen. Satellitenbilder liefern typischerweise Intensitätswerte für das visuelle Spektrum (rot, grün und blau), aber oft sind auch andere spektrale Komponenten enthalten, die für den Menschen nicht sichtbar sind, aber dennoch Informationen über die beobachtete Region liefern (z.B. Infrarot und Radar). Landbedeckungsklassen wie „städtisch“, „Vegetation“ oder „Wasser“ haben jeweils eine charakteristische Spektralantwort, und dementsprechend wurden Indizes wie der „Normalized Difference Vegetation Index“ (NDVI) entwickelt, um entsprechende Analysen zu standardisieren. Solche Indizes fassen spektrale Informationen aus verschiedenen Bändern zusammen, um die Beurteilung von Merkmalen am Boden zu vereinfachen.
Satellitenbilder wurden in übermäßigem Maße zur Klassifizierung der Landbedeckung und der Vegetation für die Präzisionslandwirtschaft oder zur Analyse des Klimawandels verwendet. Bekannte Verfahren zur Analyse solcher Satellitenbilder haben gemeinsam, dass sie auf klassischen Bildern mit rechtwinkligen Rastern basieren, die die Erde von oben als zusammenhängende Region beobachten. Vorverarbeitungstechniken können angewandt werden, um die Neigung des Satelliten, atmosphärische Verzerrungen oder die Höhe zu berücksichtigen, mit dem Ziel, Bildverzerrungen und andere Bildartefakte so gut wie möglich zu reduzieren. So stellt jedes Pixel im Bild Merkmale so dar, als ob sie von einer Kamera direkt von oben (Zenit) gesehen würden.
Typischerweise sind diese Bilder georeferenziert, d.h. ihre Pixel sind auf ein geografisches Koordinatensystem ausgerichtet und werden in Bezug auf dieses ausgedrückt, z.B. in Koordinaten, die sich auf Längen- und Breitengrade beziehen, oder in Universelle Transversale Mercator (UTM)-Koordinaten. In anderen Szenarien kann die native Orientierung des Satelliten verwendet werden, um aufwendige Vorverarbeitungsschritte zu vermeiden. Allerdings sind Transportlinien, seien sie nun künstlich angelegt, wie Straßen oder Eisenbahnlinien oder Kanäle, oder natürlich, wie Flüsse, im Allgemeinen nicht auf gemeinsame geografische Koordinatensysteme ausgerichtet.
Darüber hinaus wurde eine Mehrzahl von Verfahren zur Klassifizierung von Straßenoberflächen vorgeschlagen, die auf fahrzeuggeführten Sensoren basieren, um die Traktion zu bewerten oder die Federung zu optimieren. Solche Systeme wurden vorgeschlagen, um Aquaplaning zu reduzieren, einen Fahrbahnzustand zu bestimmen, winterliche Straßenoberflächenbeschaffenheiten zu klassifizieren oder die Straßenoberflächenrauigkeit mithilfe von Reifensensoren zu klassifizieren.
US 2007/0014488 A1 beschreibt Systeme und Verfahren zur automatischen Zusammenführung von Vektorbildern und Kartenbildern.
US 2015/0206025 A1 beschreibt ein Verfahren zum Identifizieren und Extrahieren eines linearen Objekts aus einem Bild.
CN 108305277 A beschreibt ein auf geraden Linien basierendes Verfahren zur Kopplung von Bildern mit unterschiedlichen Quellen. Das Verfahren umfasst die Schritte des Extrahierens von Liniencharakteristiken eines Referenzbildes und Liniencharakteristiken eines Abtastbildes, und der Verwendung der Liniencharakteristiken als Elemente der Bildkopplung verschiedener Quellen.
US 2017/0084037 A1 beschreibt Systeme und Verfahren zur Erzeugung von Georeferenzinformationen in Bezug auf Luftbilder.
WO 2018/061010 A1 beschreibt ein computergestütztes Verfahren, das die Verwendung von mindestens einem Hardware-Prozessor zum Einstellen eines digitalen dreidimensionalen Stadtmodells umfasst, indem eine Vielzahl von digitalen Bilddateien empfangen wird und für jede die anfänglichen Kameraparameter berechnet werden, jede in eine von einer Vielzahl von Kartenkacheln segmentiert wird, die sich gegenseitig überlappen, und für jede Kartenkachel eine Struktur aus der Bewegungsanalyse (SFM) berechnet wird. Das Verfahren umfasst ferner für mindestens eine Kartenkachel die Berechnung einer Ausrichtungstransformation, die auf der iterativen Berechnung einer Diskrepanzbewertung der Überlappungen zwischen dieser Kartenkachel und den SFM-Werten von umgebenden Kartenkacheln basiert; für mindestens eine Kartenkachel das Erzeugen eines transformierten SFM-Datenwerts auf der Grundlage der Ausrichtungstransformation; und für mindestens eine Kartenkachel das Berechnen eines dreidimensionalen (3D) Stadtmodells dieser Kartenkachel auf der Grundlage der transformierten SFM-Werte.
US 6 694 064 B1 beschreibt ein computerimplementiertes Verfahren zur Identifizierung eines Verbindungspunktpaares (TPP) zur Verwendung bei der Ausrichtung mehrerer digitaler Bilder zur Bildung eines Mosaikbildes, wobei die digitalen Bilder mindestens einen überlappenden Bereich enthalten.
Es ist eine Aufgabe der vorliegenden Erfindung einen verbesserten Ansatz zur Bestimmung einer Beschaffenheit einer geografischen Linie bereitzustellen. Insbesondere ist es wünschenswert, die Effizienz, Effektivität, Genauigkeit und Fehlerrate der Überwachung einer oder mehrerer Beschaffenheiten einer geografischen Linie zu verbessern.
Eine Lösung für diese Aufgabe stellt die Lehre der unabhängigen Ansprüche dar. Verschiedene bevorzugte Ausführungsformen der vorliegenden Erfindung werden durch die Lehre der abhängigen Ansprüche bereitgestellt.
Ein erster Aspekt der Erfindung betrifft ein, insbesondere computerimplementiertes, Verfahren zur Bestimmung einer oder mehrerer Beschaffenheiten einer geografischen Linie, GL, oder ihrer Umgebung. Das Verfahren weist auf: (i) Erfassen von georeferenzierten Erdbeobachtungsdaten, die eine oder mehrere räumlich überlappende Bildebenen repräsentieren, die aus einer Luft- oder Weltraumperspektive heraus eine bestimmte Region von Interesse, ROI, der Erdoberfläche abdecken, wobei die ROI die GL enthält; (ii) geometrisches Transformieren der georeferenzierten Beobachtungsdaten, zumindest teilweise, in ein lokales internes Bezugssystem der GL innerhalb der ROI, um eine Abbildung der georeferenzierten Beobachtungsdaten auf entsprechende Koordinaten innerhalb des lokalen internen Bezugssystems der GL zu erhalten; und (iii) Auswerten der abgebildeten Erdbeobachtungsdaten, wie sie im lokalen internen Bezugssystem der GL repräsentiert sind, gemäß einem Klassifikationsschema, um daraus Auswertungsdaten zu erhalten, die eine Klassifizierung einer oder mehrerer Eigenschaften der GL oder ihrer Umgebung gemäß einer oder mehrerer Beschaffenheiten - wie physikalische, chemische oder biologische Beschaffenheiten - der GL repräsentieren.
Dabei weist das Erfassen der georeferenzierten Erdbeobachtungsdaten einen oder mehrere der folgenden Schritte auf: (i-1) Erfassen von georeferenzierten Erdbeobachtungsdaten, die eine oder mehrere der Bildebenen repräsentieren, wobei jede dieser Bildebenen Bilder repräsentiert, die die ROI in einem jeweils unterschiedlichen Spektralbereich des elektromagnetischen Spektrums abdecken; (i-2) Erfassen von georeferenzierten Erdbeobachtungsdaten, die eine oder mehrere Datenebenen als weitere Bildebenen repräsentieren, wobei jede dieser Datenebenen jeweils sensorische Messungen oder Vorhersagen, beispielsweise Simulationsergebnisse von einer oder mehreren lokalen Beschaffenheiten der GL oder ihrer Umgebung innerhalb der ROI, repräsentiert; (i-3) Erfassen von georeferenzierten Erdbeobachtungsdaten, die eine oder mehrere vorverarbeitete Bildebenen repräsentieren, die aus einer Kombination von zwei oder mehreren der genannten Bildebenen der Variante (i-1) oder Datenebenen der Variante (i-2) resultieren.
Dementsprechend kann das Verfahren als ein hoch entwickeltes Messverfahren zur Messung einer oder mehrerer, insbesondere physikalischer (z.B. meteorologischer, georäumlicher, geomorphologischer, geologischer, elektromagnetischer), chemischer oder biologischer Beschaffenheiten der GL angesehen werden, wobei ein oder mehrere Messergebnisse, die durch die Auswertungsdaten repräsentiert werden, auf der Grundlage eines Satzes gemessener georeferenzierter Erdbeobachtungsdaten, z.B. Daten, die von einem oder mehreren Bildsensoren (z.B. satelliten- oder flugzeuggestützt) erzeugt werden, und optional weiterer Sensordaten bestimmt werden. Zusätzlich zu den aktuellen Messwerten für diese Beschaffenheiten können auch deren zeitliche Entwicklung und damit zusammenhängende Maße, z.B. Jahresmittel (z.B. für die geeignete Abbildung von Permafrostböden), bestimmt werden.
Sowohl die Verwendung von zwei oder mehreren der Bildebenen pro Variante (i-1) oder die Ergänzung dieser Bildebene(n) mit einer oder mehreren der Datenebenen gemäß den Varianten (i-2) oder (i-3) ermöglicht insbesondere die Erweiterung des Bereichs möglicher Arten von Auswertungen oder ihrer jeweils erreichbaren Qualität und Genauigkeit.
Der Begriff „geografische Linie“, wie er hier verwendet wird, bezieht sich insbesondere auf eine Linie, d.h. eine längere gerade oder gekrümmte kontinuierliche, überwiegend eindimensionale geometrische Struktur auf der Erdoberfläche. Eine geografische Linie kann künstlich (z.B. eine Straße, ein Eisenbahngleis, eine Hochspannungsleitung, ein Damm, eine Brücke, ein Kanal, eine Pipeline oder eine Grenzlinie) oder natürlich, z.B. ein Fluss, sein. Konkret kann eine geografische Linie eine Transportlinie sein, d.h. eine Linie, die eine Verkehrsinfrastruktur bildet oder Teil einer Verkehrsinfrastruktur ist, z.B. für den Transport von Gütern, Personen oder Energie. Eine geografische Linie kann einem Abschnitt eines komplexeren Netzes entsprechen, das mehrere geografische Linien aufweist, wie z.B. ein Straßennetz mit mehreren miteinander verbundenen Straßen, ein Eisenbahnsystem mit mehreren miteinander verbundenen Eisenbahnlinien oder ein Pipelinesystem mit mehreren miteinander verbundenen Pipelinezweigen.
Der Begriff „Umgebung“ einer geografischen Linie, wie er hier verwendet wird, bezieht sich insbesondere auf die unmittelbare Nachbarschaft der geografischen Linie, typischerweise im Bereich von weniger als einem Meter bis zu einigen hundert Metern, gemessen in einer Richtung senkrecht zur Richtung der Linie an einem beliebigen Punkt auf dieser Linie.
Der Begriff „Beschaffenheit einer geografischen Linie“ und ähnliche Ausdrücke, wie sie hier verwendet werden, beziehen sich insbesondere auf einen festgestellten oder feststellbaren Zustand, insbesondere einen aktuellen Zustand der geografischen Linie an einem oder mehreren Orten auf der Linie. Konkret kann jeder Zustand oder jede Beschaffenheit eine physikalische, chemische oder biologische Beschaffenheit der geografischen Linie oder eine Kombination von zwei oder mehreren derselben sein, wobei diese Beschaffenheit oder diese Kombination von Beschaffenheiten durch Bildanalyse oder durch einen oder mehrere geeignete Sensoren detektiert werden kann. Ohne Einschränkung sind die physikalischen oder chemischen oder biologischen Eigenschaften eines Straßenbelags, z.B. Asphalt, die Lage und die Ausdehnung von Schlaglöchern in einer Straße, geologische Phänomene und überwuchernde Vegetation, das Geschehen von Erdrutschen, Lawinen, Steinschlag oder Sturzfluten, wenn und soweit sie eine geografische Linie beeinträchtigen, Beispiele für eine Beschaffenheit oder eine Kombination von Beschaffenheiten einer geografischen Linie.
Der Begriff „erfassen“ von Daten, z.B. georeferenzierter Erdbeobachtungsdaten, bezieht sich insbesondere auf (i) das Erzeugen dieser Daten durch die „erfassende“ Einheit selbst, z.B. mittels eines oder mehrerer Sensoren oder durch Ableitung aus Eingabedaten, oder (ii) den Erhalt dieser Daten von einer externen Datenquelle.
Der Begriff „georeferenzierte Referenzgeometrie“, wie er hier verwendet wird, bezieht sich auf eine Geometrie, z.B. wie sie durch entsprechende Daten repräsentiert wird, die in Form eines geografischen Koordinatensystems definiert oder ausgedrückt ist, wie z.B. Längen- und Breitengrad oder UTM-Koordinaten. Insbesondere und ohne Einschränkung ist eine Geometrie einer bestimmten Straße, wie sie durch eine als Referenz dienende elektronische Karte repräsentiert wird, wie z.B. eine elektronische Karte, die auf Kartendaten für Autonavigationssysteme oder Karten- oder Navigationsanwendungen auf einem Computer oder handgehaltenem Gerät, z.B. Smartphone oder Tablet-Computer, basiert, eine georeferenzierte Referenzgeometrie. Gleiches gilt natürlich auch für entsprechende Referenzgeometrien anderer geografischer Linien, z.B. für Eisenbahnlinien, Grenzlinien, Flüsse usw., die insbesondere auch durch entsprechende Kartendaten oder andere georeferenzierte Geometriedaten repräsentiert werden können.
Der Begriff „Lokales internes Bezugssystem der Geografischen Linie (GL)“, wie er hier verwendet wird, bezieht sich insbesondere auf ein Bezugssystem, wie z.B. ein Koordinatensystem, das sich in der Regel von einem georeferenzierten Bezugssystem unterscheidet. Die geografische Linie liegt im lokalen internen Bezugssystem und wird darin als Linie einer vorbestimmten ausgewählten Geometrie, die insbesondere eine Gerade sein kann, repräsentiert. Wenn es sich bei der geografischen Linie um eine Straße handelt, wird ein solches Bezugssystem oft als „Straßen-Raum“ bezeichnet. Dementsprechend kann eine GL, die eine Begrenzungslinie in einem geografischen Bezugssystem (geografisches Koordinatensystem) ist, in dem z.B. Längen- und Breitengrad als Koordinaten oder UTM-Koordinaten verwendet werden, als Gerade in ihrem lokalen internen Bezugssystem repräsentiert werden. Zum Beispiel können in dem lokalen internen Bezugssystem die Koordinaten eines gegebenen Ortes auf der GL aufweisen: (i) eine erste Koordinate, die eine Entfernung dieses Punktes von einem vordefinierten Bezugspunkt auf der Linie darstellt, wobei die Entfernung entlang des Weges der Linie gemessen wird (z.B. Straßenkilometer), und (ii) eine zweite Koordinate, die eine Entfernung des gegebenen Punktes von einer (physikalischen oder virtuellen) Mittellinie der GL ausdrückt, die entlang einer Geraden gemessen wird, die durch den gegebenen Punkt in einer Richtung senkrecht zur GL verläuft.
Der Begriff „Klassifikationsschema“, wie er hier verwendet wird, bezieht sich insbesondere auf ein Schema zur Klassifizierung einer oder mehrerer Beschaffenheiten einer geografischen Linie nach einer Menge von Klassen. Als Beispiel und ohne Einschränkung können sich solche Klassen auf unterschiedliche physikalische Beschaffenheiten beziehen, z.B. Vorhandensein oder Fehlen von Straßenbelag, Schlaglöchern, Eis oder Schnee, Steinen oder anderen Elementen einer Straßenoberfläche, auf unterschiedliche Grade des Überwuchses der Vegetation über eine bestimmte GL, auf aktuelle Wind- oder Niederschlagsbedingungen usw.
Die Begriffe „erster“, „zweiter“, „dritter“ und dergleichen werden in der Beschreibung und in den Ansprüchen zur Unterscheidung zwischen ähnlichen Elementen und nicht unbedingt zur Beschreibung einer sequenziellen oder chronologischen Reihenfolge verwendet. Es ist davon auszugehen, dass die auf diese Weise verwendeten Begriffe unter geeigneten Umständen austauschbar sind und dass die hier beschriebenen Ausführungsformen der Erfindung in anderen als den hier beschriebenen oder illustrierten Reihenfolgen funktionieren können.
Wenn in der vorliegenden Beschreibung und den Ansprüchen der Begriff „aufweisen“ oder „einschließen“ verwendet wird, schließt er andere Elemente oder Schritte nicht aus. Wird ein unbestimmter oder bestimmter Artikel verwendet, wenn auf ein einzelnes Substantiv Bezug genommen wird, z.B. „einer“, „eine“, „ein“ oder „der”, „die”, „das“, so schließt dies den Plural dieses Substantivs ein, sofern nicht ausdrücklich etwas anderes angegeben ist.
Ferner bezieht sich „oder“, sofern nicht ausdrücklich etwas anderes angegeben ist, auf ein inklusives oder und nicht auf ein exklusives oder. Zum Beispiel wird eine Bedingung A oder B durch eine der folgenden Bedingungen erfüllt: A ist wahr (oder vorhanden) und B ist falsch (oder nicht vorhanden), A ist falsch (oder nicht vorhanden) und B ist wahr (oder vorhanden), und sowohl A als auch B sind wahr (oder vorhanden).
Dementsprechend weist das Verfahren gemäß dem zweiten Aspekt ein effektives, normalerweise nichtlineares, geometrisches Transformieren von georeferenzierten Erdbeobachtungsdaten aus einem globalen Raum auf, wobei sich die Beobachtungsdaten auf eine Region von Interesse beziehen, die eine GL von Interesse abdeckt, in ein lokales internes Bezugssystem dieser GL, um eine entsprechende Ansicht (z.B. Bild oder kombinierter Stapel verschiedener Bilder) der GL in diesem lokalen Bezugssystem zu erhalten. Insbesondere kann dieses lokale Bezugssystem und die Art und Weise der Darstellung der GL darin eine sehr geeignete und leicht zu verwendende Grundlage für eine normalisierte Darstellung (z.B. ein normalisierter Straßen-Raum) von GLs bilden, was besonders vorteilhaft für nachfolgende Klassifizierungsschritte oder Vergleiche mit anderen GL-bezogenen Daten sein kann, z.B. Vergleiche zwischen den jeweiligen Beschaffenheiten von zwei oder mehr verschiedenen GLs oder zwischen den jeweiligen Beschaffenheiten derselben GL, jedoch zu unterschiedlichen Zeitpunkten. Darüber hinaus erlaubt das Verfahren aufgrund des Transformierens die Verwendung verschiedener unterschiedlicher Erdbeobachtungsdaten (insbesondere Bilddaten) als Input, insbesondere unabhängig von der jeweiligen Orientierung oder Auflösung, mit der diese Daten erfasst wurden. Die aus der Klassifikation resultierenden Auswertungsdaten können in vielen verschiedenen Anwendungen eingesetzt werden, wie im Weiteren näher erläutert wird.
Insbesondere kann die Verwendung von Erdbeobachtungsdaten, wie z.B. Satellitenbildern, den Mangel an Daten über die Straßenoberflächenqualität in ländlichen Gebieten ausgleichen, wo keine ausreichenden am Boden gewonnenen Daten zur Verfügung stehen. Das Verfahren gemäß dem zweiten Aspekt bietet somit eine kanonische Möglichkeit, Satellitenbilder und optional auch ergänzende Daten zu verwenden, um eine normalisierte Ansicht auf Straßenabschnitte und andere geografische Linien zu erhalten.
Ein zusätzlicher Vorteil des Verfahrens kann dadurch erreicht werden, dass ansonsten unverbundene Bildregionen auf der Grundlage der Geometrie der Transportlinie in zusammenhängende Regionen transformiert werden können. Dies kann ansonsten nicht offensichtliche räumliche und zeitliche Muster aufzeigen. Darüber hinaus erfordern einige Verfahren wie das maschinelle Lernen Eingabedaten mit einer einheitlichen Struktur, die sich ebenfalls aus diesem Verfahren ergibt, wobei Daten mit unterschiedlicher Dimensionalität in den begradigten Straßen-Raum projiziert werden können.
Im Weiteren werden bevorzugte Ausführungsformen des Verfahrens beschrieben, die beliebig miteinander oder mit anderen Aspekten der vorliegenden Erfindung kombiniert werden können, es sei denn, eine solche Kombination ist ausdrücklich ausgeschlossen oder technisch unmöglich.
In einigen Ausführungsformen weist das geometrische Transformieren der georeferenzierten Beobachtungsdaten, zumindest in Teilen, in das lokale interne Bezugssystem der GL auf: (i) Definieren einer Mehrzahl von Kontrollpunkten innerhalb der ROI an verschiedenen Positionen entlang der GL; (ii) Bestimmen eines jeweiligen lokalen Zellgitters für jeden Kontrollpunkt, das eine begrenzte lokale räumliche Nachbarschaft dieses Kontrollpunktes abdeckt, wobei der resultierende Satz von lokalen Zellgittern das lokale interne Bezugssystem der GL definiert; und (iii) geometrisches Transformieren der Beobachtungsdaten, zumindest in Teilen, in das lokale interne Bezugssystem der GL, um eine Abbildung der Beobachtungsdaten auf den Satz von lokalen Zellgittern der Kontrollpunkte zu erhalten. Dieser Ansatz ist insofern besonders flexibel, als das lokale interne Bezugssystem durch eine Kombination der lokalen Zellgitter definiert wird, von denen jedes unabhängig voneinander optimiert werden kann, insbesondere im Hinblick auf seine Orientierung relativ zu seinem entsprechenden Kontrollpunkt. Darüber hinaus ist der Ansatz auch sehr effizient, da der Satz lokaler Zellgitter insgesamt nicht die gesamte GL abdecken muss, sondern nur einen Teil davon abdecken kann, wie z.B. einen Satz ausgewählter Segmente der GL innerhalb der ROI und ihrer jeweiligen Nachbarschaften, so dass die Gesamtdatenmenge der transformierten Beobachtungsdaten effektiv begrenzt werden kann und insbesondere geringer sein kann als die der ursprünglichen georeferenzierten Beobachtungsdaten, die die ROI abdecken. Während eines oder mehrere der lokalen Zellgitter ein rechteckiges Muster aufweisen können, sind auch andere Formen möglich, z.B. hexagonale Zellen in einem entsprechenden hexagonalen Gitter. Tatsächlich weist der Begriff „lokale Zellgitter“, wie er hier verwendet wird, sogar die Möglichkeit auf, dass ein lokales Zellgitter eine oder mehrere Zellen aufweist oder aus einer oder mehreren Zellen besteht, die durch Zwischenräume voneinander getrennt sind, z.B. mehrere nicht miteinander verbundene kreisförmige Zellen, die in einem bestimmten Muster angeordnet sind.
In einigen verwandten Ausführungsformen weist das Verfahren ferner die Verkettung der einzelnen Zellgitter der Kontrollpunkte auf, um eine Datenrepräsentation eines begradigten, insbesondere regelmäßigen Gesamtzellgitters zu bilden, das das lokale interne Bezugssystem der GL definiert, in dem die einzelnen Zellgitter der Kontrollpunkte in einer begradigten, gleichgerichteten Weise in einer Reihenfolge angeordnet sind, die der Reihenfolge der Kontrollpunkte entlang der GL entspricht. Dies hat den Vorteil, ein besonders einfaches, kompaktes und leicht handhabbares Bezugssystem zu schaffen. Insbesondere ermöglicht es eine besonders einfache normalisierte Darstellung der transformierten Beobachtungsdaten oder der resultierenden Auswertungsdaten, insbesondere für die oben genannten Zwecke des Vergleichs solcher Daten mit anderen jeweils repräsentierten Daten.
In einigen dieser Ausführungsformen erfolgt die Auswertung der jeweiligen Erdbeobachtungsdaten auf der Grundlage der Darstellung der Erdbeobachtungsdaten, wie sie auf dem begradigten Gesamtzellgitter abgebildet sind. Dies bedeutet, dass nicht nur das Endergebnis auf der Basis des begradigten Gesamtzellgitters repräsentiert wird, sondern dass auch die eigentliche vorhergehende Auswertung der transformierten Beobachtungsdaten (und optional zusätzlicher Sensordaten) bereits auf der Basis des begradigten Gesamtzellgitters durchgeführt wird. Dadurch werden die Einfachheit und Effizienz des Auswerteprozesses weiter verbessert, da typischerweise begradigte Bezugssysteme mit weniger Aufwand gehandhabt werden können als die meisten anderen Arten von Bezugssystemen, z.B. gebundene Bezugssysteme. Insbesondere lassen sich begradigte Bezugssysteme sehr leicht durch einfache und speichereffiziente Datenstrukturen wie Tabellen oder Matrizen repräsentieren.
In einigen Ausführungsformen ist mindestens eines der lokalen Zellgitter so definiert, dass es eine oder mehrere der folgenden Eigenschaften aufweist: (i) Anisotrope Anordnung von mindestens einer Untermenge der Zellen innerhalb des lokalen Zellgitters; (ii) die Breiten oder Höhen oder Abstände der Zellen variieren zwischen mindestens einer Untermenge der Zellen innerhalb des lokalen Zellgitters; (iii) eine Orientierung von mindestens einer Untermenge der Zellen innerhalb des lokalen Zellgitters ist auf die lokale Orientierung der GL gemäß ihrer georeferenzierten Referenzgeometrie an dem Kontrollpunkt ausgerichtet, der dem lokalen Zellgitter entspricht. Allen diesen spezifischen Varianten (i) bis (iii) ist gemeinsam, dass sie eine optimale Anpassung der zugehörigen lokalen ein oder mehreren Zellgitter an die spezifische individuelle Geometrie der GL und die gewünschte Art der Bewertung, die in den Auswertungsdaten widergespiegelt werden sollen, ermöglichen. Wenn z.B. die GL in der Nähe eines bestimmten ersten Kontrollpunktes stark gekrümmt ist, könnte das Zellgitter für diesen ersten Kontrollpunkt so definiert werden, dass es eine ganz andere Orientierung, Variation der Zellabmessungen und anisotrope Anordnung der Zellen innerhalb dieses lokalen Zellgitters aufweist als das Zellgitter für einen zweiten Kontrollpunkt, der sich an einer anderen Stelle der GL befindet, wo die GL eher gerade ist.
In einigen Ausführungsformen stellen die georeferenzierten Erdbeobachtungsdaten einen oder mehrere Bildpunktwerte pro Bildpunkt eines Original-Bildpunktgitters dar, das die mindestens eine Bildebene abdeckt. Darüber hinaus weist das geometrische Transformieren der georeferenzierten Beobachtungsdaten die Bestimmung von mindestens einem Zellwert für jede Zelle des lokalen Zellgitters auf der Grundlage einer Aggregation einer Untermenge der Bildpunktwerte, die mit einem Bereich der ROI korrespondieren, der von der jeweiligen Zelle des lokalen Zellgitters abgedeckt wird, auf. Dies ist ein besonders effektives Mittel, das eine hohe Flexibilität und die Möglichkeit bietet, das Transformieren optimal an die gewünschte Art der Auswertung anzupassen. Darüber hinaus ermöglicht die Verwendung einer Mehrzahl von Bildpunktwerten pro Bildpunkt noch genauere oder komplexere Auswertungen, einschließlich Auswertungen, die sich auf die Kombination von mehr als zwei Bildpunktwerten pro Bildpunkt stützen, um zugehörige Auswertungsdaten für diesen Bildpunkt oder eine umgebende Region um ihn herum zu bestimmen.
Insbesondere weist in einigen dieser Ausführungsformen das Aggregieren der Untermenge der Bildpunktwerte eine oder eine Kombination von mindestens zwei der folgenden Operationen auf: (i) Mitteln der Bildpunktwerte aller Bildpunkte, die sich vollständig innerhalb der entsprechenden Zelle des lokalen Zellgitters befinden; (ii) Mitteln der Bildpunktwerte aller Bildpunkte, die mit dem Bereich der ROI überlappen, der von der entsprechenden Zelle des lokalen Zellgitters abgedeckt wird, wobei jeder Bildpunktwert entsprechend der Größe seiner Überlappung mit dieser Zelle des lokalen Zellgitters gewichtet wird; (iii) gewichtetes Mitteln der Bildpunktwerte, wobei Bildpunkte, die näher an der Mitte der Zelle des lokalen Zellgitters liegen, höhere Gewichte erhalten als Bildpunkte, die weiter entfernt von der Mitte der Zelle liegen; (iv) Bestimmen des Medians, des Minimums und/oder des Maximums der Bildpunktwerte unter den Bildpunktwerten, die von der entsprechenden Zelle des lokalen Zellgitters abgedeckt werden; (v) Bestimmen der Bildpunktwerte, die ein spezifisches Perzentil der Verteilung der Bildpunktwerte innerhalb der entsprechenden Zelle des lokalen Zellgitters repräsentieren; (vi) Bestimmen eines oder mehrerer eines Bereichs, einer Standardabweichung, einer Varianz oder jeder anderen Funktion höherer Ordnung, die Merkmale der Verteilung der Bildpunktwerte innerhalb der Zelle des lokalen Zellgitters erfasst; (vii) Bestimmen eines Histogramms, das die Verteilung der Bildpunktwerte innerhalb der Zelle des lokalen Zellgitters darstellt. Das Ergebnis der Aggregation kann ein Einzelwert oder eine Datenstruktur sein, je nach Art der Operation, die angewendet wird. Beispielsweise wird das Histogramm gemäß Variante (vii) typischerweise durch eine Datenstruktur repräsentiert, die mehrere Werte aufweist, während ein Mittel von Punktwerten gemäß einer der Varianten (i) bis (iii) typischerweise durch einen einzigen Wert repräsentiert wird.
In einigen Ausführungsformen wird mindestens eines der lokalen Zellgitter durch einen Satz von Gitterparametern definiert, und das Verfahren weist ferner die Bestimmung mindestens eines der Gitterparameter auf der Grundlage eines Prozesses auf, der maschinelles Lernen in Verbindung mit der Kreuzvalidierung von Zwischenergebnissen der während des maschinellen Lernprozesses erhaltenen Auswertungsdaten mit Referenzparameterdaten beinhaltet, die bekannte korrekte Klassifikationen der betreffenden einen oder mehreren Eigenschaften der GL oder ihrer Umgebung gemäß der einen oder mehreren Beschaffenheiten repräsentieren. Diese Ausführungsformen ermöglichen insbesondere eine automatische Definition, ja sogar eine dynamische Anpassung oder Variation der lokalen Zellgitter mit Hilfe des maschinellen Lernprozesses. Dabei dienen die Daten der Referenzparameter als Trainingsdaten im Sinne eines überwachten Lernens für den maschinellen Lernprozess.
Konkret repräsentieren in einigen Ausführungsformen die Datenebenen, die die jeweiligen sensorischen Messungen oder Vorhersagen einer oder mehrerer lokaler Beschaffenheiten der GL oder ihrer Umgebung innerhalb der ROI repräsentieren, eine oder mehrere der folgenden: (a) Niederschlag, (b) Intensität oder Wellenlänge der lokalen Strahlung, (c) Temperatur, (d) Luftdruck, (e) Windstärke oder -richtung, (f) wenn zumindest in einem Abschnitt der ROI die GL eine wasserbasierte geografische Linie ist: Geschwindigkeit und Richtung der Wasserströmung; (g) wenn zumindest in einem Abschnitt der ROI die GL eine geografische Linie auf dem Land ist, die für ein Landfahrzeug zugänglich ist: Vibration, Orientierung, Geschwindigkeit, Beschleunigung oder irgendein anderer Fahrzeugparameter, der von einem oder mehreren fahrzeuggestützten Sensoren gemessen wird und Einblick in bestimmte Beschaffenheiten der Transportlinie geben kann; (h) wenn die GL eine Transportlinie ist: die Verwendungshäufigkeit der Transportlinie, der Wartungszustand der Transportlinie oder die Zeit seit dem letzten Wartungsintervall, ein Alter oder eine Beschaffenheit der Oberfläche der Transportlinie; (i) Klimazone, (j) Klimaprofile, (k) erwartete Temperaturen oder Niederschläge, (I) Anfälligkeit für unerwartete Ereignisse wie Unfälle, Naturkatastrophen, Überschwemmungen, Erdrutsche, Lawinen, Sturmschäden, Tornados, Hurrikane, Taifune, (m) elektromagnetische Felder, z.B. Signalstärke von Mobilfunknetzen, die die GL abdecken. Dies ermöglicht eine sehr große Bandbreite unterschiedlicher Auswertungen, je nachdem, welche Arten von Messungen oder Vorhersagen aus den oben genannten ausgewählt werden, und dementsprechend entsprechend positive Auswirkungen auf die erreichbare Qualität und Genauigkeit der resultierenden Auswertungsdaten.
In einigen Ausführungsformen weist das Verfahren das Ausrichten der jeweiligen Geometrie der GL in der einen oder mehreren durch die Erdbeobachtungsdaten repräsentierten Bildebenen mit einer georeferenzierten Referenzgeometrie der GL auf, um einen kombinierten Bildstapel zu bilden, wobei mindestens zwei der Bildebenen in den Stapel integriert sind, wobei jede dieser Bildebenen ein jeweiliges digitales Bild in einer gegebenen jeweiligen räumlichen Auflösung darstellt, wobei sich die räumlichen Auflösungen von mindestens zwei dieser Bildebenen voneinander unterscheiden, zumindest in einem überlappenden Bereich, wodurch sich ein kombinierter Bildstapel mit mehreren Auflösungen ergibt. Die Verwendung einer solchen Orientierung der jeweiligen Geometrien der GL ermöglicht eine besonders einfache, effiziente und zuverlässige Art und Weise der Durchführung des geometrischen Transformierens, da die jeweiligen Bilddaten der Ebenen des Stapels durch Projektion direkt in das lokale interne Bezugssystem der GL transformiert werden können. Darüber hinaus ermöglichen die mehreren unterschiedlichen Auflösungen eine hohe Effizienz des Verfahrens, insbesondere im Hinblick auf die Begrenzung der zu verarbeitenden Datenmenge und damit die Steigerung der Leistungsfähigkeit des Verfahrens bei gleichzeitiger Beibehaltung der gewünschten Genauigkeit. Dies kann insbesondere dadurch erreicht werden, dass selektiv entweder eine höhere oder eine niedrigere der verfügbaren Auflösungen für verschiedene Ebenen verwendet wird, insbesondere in Abhängigkeit von der Auswirkung einer bestimmten Auswahl auf die Fähigkeit, eine jeweils erforderliche Genauigkeit einer gewünschten Art der Auswertung zu erreichen.
In einigen Ausführungsformen weist das Verfahren ferner die Anwendung eines Datenkompressionsprozesses auf, um die räumliche Auflösung einer gegebenen Bildebene zu reduzieren, wobei der Datenkompressionsprozess das Erzeugen von zwei oder mehr Unterebenen der Bildebene durch Neuabtasten mindestens eines Bereichs der Bildebene mit einer jeweils niedrigeren räumlichen Auflösung als ihrer ursprünglichen räumlichen Auflösung aufweist, unter Beibehaltung oder Neuabtasten der räumlichen Auflösung mindestens eines anderen Bereichs der Bildebene, so dass, wenn die Unterebenen überlappt werden, um gemeinsam eine kombinierte Mehrfachauflösungsdarstellung der Bildebene zu definieren, die durchschnittliche Auflösung der kombinierten Mehrfachauflösungsdarstellung niedriger ist als die ursprüngliche Auflösung der Bildebene. Anstatt oder zusätzlich zu einer unterschiedlichen Auflösung über verschiedene Bildebenen hinweg wird daher gemäß diesen Ausführungsformen eine Datenkompression innerhalb einer selben Bildebene angewendet. Dies kann vorteilhaft genutzt werden, um die Effizienz des Verfahrens weiter zu steigern, z.B. im Hinblick auf die Geschwindigkeit der Datenverarbeitung und die Speichereffizienz des Verfahrens.
Insbesondere ist in einigen dieser Ausführungsformen die geringere räumliche Auflösung, mit der mindestens ein Bereich der Bildebene neu abgetastet wird, eine Funktion des Abstands des Bereichs von der GL. Insbesondere kann die räumliche Auflösung bei größeren Abständen niedriger und bei kleineren Abständen höher sein. Auf diese Weise kann die erreichbare Genauigkeit für Auswertungen, die sich auf die GL selbst oder ihre unmittelbare Nachbarschaft beziehen, höher gewählt werden als für weiter entfernte Bereiche in der Umgebung der GL. Beispielsweise könnte es wichtig sein, Vegetation, die die GL überwächst, mit einer hohen Genauigkeit zu erfassen, während das Erfassen von Einzelheiten einer Vegetation, die weiter entfernt von der GL liegt, weniger relevant sein könnte, so dass die Vorteile der Kompression gegenüber der Notwendigkeit einer hohen Auflösung an diesen entfernten Orten dominieren könnten.
In einigen der Ausführungsformen, in denen Unterebenen verwendet werden, weist das Überlappen der Unterebenen das Aggregieren der Werte von räumlich überlappenden Bildpunkten verschiedener Unterebenen nach einem vorgegebenen Aggregationsverfahren auf, um einen Bildpunktwert eines Bildpunktes zu erhalten, der in der resultierenden kombinierten Mehrfachauflösungsdarstellung einen räumlichen Bereich darstellt, der den überlappenden Bildpunkten der verschiedenen Unterebenen entspricht. Insbesondere können eine oder mehrere der verschiedenen oben genannten Aggregationsverfahren in Verbindung mit Ausführungsformen, die ein Aggregieren von Untermengen von Bildpunktwerten aufweisen, auch hier angewandt werden.
Darüber hinaus werden in einigen der Ausführungsformen, in denen Unterebenen verwendet werden, die Bildpunkte einer ersten der Unterebenen lokal auf die jeweilige lokale Orientierung der GL an oder in der Nähe des jeweiligen Bildpunktes ausgerichtet, während die Bildpunkte einer zweiten der Unterebenen vor der Kompression zu einer regelmäßigen Orientierung der Bildpunkte in der gegebenen Bildebene korrespondieren. Dies hat den Vorteil, dass trotz des durch die Kompression verursachten Verlusts an Bildinformation die relevantesten Bildinformationen, z.B. Bildinformationen, die sich auf die GL oder ihre unmittelbare Umgebung beziehen, in ausreichend hoher Auflösung und in einer optimierten Orientierung, die dem Verlauf der GL entspricht, verfügbar bleiben. Die resultierende bearbeitete Bildebene kann entweder selbst als die gewünschte komprimierte Version der ursprünglichen Bildebene verwendet werden oder stattdessen nur als Zwischenbild verwendet werden, das dann weiter bearbeitet, insbesondere begradigt wird, wie unten diskutiert, um eine endgültige komprimierte Version der ursprünglichen Bildebene zu erhalten.
Dementsprechend weist das Überlappen und Aggregieren der Werte der sich räumlich überlappenden Bildpunkte verschiedener Unterebenen in einigen Ausführungsformen die Erzeugen der kombinierten Mehrfachauflösungsdarstellung der Bildebene auf, so dass die Orientierung der resultierenden Bildpunkte dieser Darstellung bei allen diesen Bildpunkten gleich ist (d.h. aus dieser Operation resultiert eine begradigte, komprimierte Mehrfachauflösungsbildebene).
In einigen Ausführungsformen weist das Verfahren ferner die Durchführung einer oder mehrerer der folgenden Operationen auf der Grundlage der Auswertungsdaten auf: (i) Festlegen einer Navigations- oder Informationsausgabe eines Fahrzeugnavigationssystems; (ii) Steuern eines dynamischen Verkehrszeichens; (iii) Einstellen eines oder mehrerer konfigurierbarer technischer Parameter eines Fahrzeugs oder eines anderen Transportsystems; (iv) Auslösen eines Wartungs- oder Inspektionsprozesses in Bezug auf die GL; (v) Vorhersagen eines zukünftigen Zustands der geografischen Linie oder ihrer Umgebung.
Insbesondere im Falle der Variante (i) kann sich die Ausgabe des Fahrzeugnavigationssystems darauf beziehen, dass eine bestimmte Route als bevorzugte Route oder als ausgewählte Route für Navigationszwecke aus einer Mehrzahl möglicher Routen, die zu einem bestimmten Ziel führen, ausgewählt wird. Im Falle der Variante (ii) könnte das dynamische Verkehrszeichen speziell ein Zeichen sein, das anzeigt, ob ein bestimmter Straßenabschnitt befahren werden darf oder nicht, oder ein Warnzeichen, das je nach seiner aktuellen Konfiguration zwei oder mehr verschiedene Warnstufen oder - kategorien signalisieren kann, die auf der Grundlage der Auswertungsdaten gesteuert, d.h. ausgewählt werden können. Im Falle der Variante (iii) können sich der eine oder die mehreren konfigurierbaren technischen Parameter spezifisch auf eine jeweils bestimmte Aufhängungskonfiguration des Fahrzeugs oder Transportsystems beziehen. Im Falle der Variante (iv) könnte der Wartungs- oder Inspektionsprozess spezifisch durch eine entsprechende Signalisierung ausgelöst werden, z.B. um das Wartungspersonal entsprechend zu informieren, oder diese Prozesse könnten sogar voll- oder teilautomatisierte Prozesse sein, die durch ein entsprechendes Auslösesignal automatisch ausgelöst werden.
Ein zweiter Aspekt der vorliegenden Erfindung betrifft ein Datenverarbeitungssystem, das so konfiguriert ist, das Verfahren des ersten Aspekts auszuführen. Das Datenverarbeitungssystem kann speziell mithilfe eines oder mehrerer Computerprogramme so konfiguriert werden, das Verfahren gemäß dem ersten Aspekt auszuführen. Zusätzlich oder alternativ kann die Konfiguration ganz oder teilweise durch entsprechende Hardware implementiert sein.
Ein dritter Aspekt der vorliegenden Erfindung betrifft ein Computerprogramm oder ein Computerprogrammprodukt, das Befehle enthält, die, wenn sie auf einem Datenverarbeitungssystem gemäß dem zweiten Aspekt der Erfindung ausgeführt werden, das System veranlassen, das Verfahren gemäß dem ersten Aspekt der Erfindung auszuführen.
Das Computerprogramm (Produkt) kann insbesondere in Form eines Datenträgers ausgeführt werden, auf dem ein oder mehrere Programme zur Durchführung des Verfahrens gespeichert sind. Vorzugsweise handelt es sich dabei um einen Datenträger, wie z.B. eine CD, eine DVD oder ein anderes optisches Medium oder ein Flash-Speichermodul. Dies kann vorteilhaft sein, wenn das Computerprogrammprodukt als Einzelprodukt unabhängig von der Prozessorplattform, auf der das eine oder die mehreren Programme ausgeführt werden sollen, gehandelt werden soll. In einer anderen Implementierung wird das Computerprogrammprodukt als Datei auf einer Datenverarbeitungseinheit, insbesondere auf einem Server, bereitgestellt und kann über eine Datenverbindung, z.B. das Internet oder eine dedizierte Datenverbindung, wie z.B. ein proprietäres oder lokales Netzwerk, heruntergeladen werden.
Das System des zweiten Aspekts kann dementsprechend über einen Programmspeicher verfügen, in dem das Computerprogramm gespeichert ist. Alternativ kann das System auch so eingerichtet sein, dass es über eine Kommunikationsverbindung auf ein extern, z.B. auf einem oder mehreren Servern oder anderen Datenverarbeitungseinheiten, verfügbares Computerprogramm zugreift, insbesondere um mit ihm Daten auszutauschen, die während des Ablaufs der Ausführung des Computerprogramms verwendet werden oder Ausgaben des Computerprogramms repräsentieren.
Die oben im Zusammenhang mit dem Verfahren des ersten Aspekts beschriebenen Erläuterungen, Ausführungsformen und Vorteile gelten entsprechend auch für die anderen Aspekte der Erfindung.
Figurenliste
Weitere Vorteile, Merkmale und Anwendungen der vorliegenden Erfindung sind in der folgenden detaillierten Beschreibung und den beigefügten Figuren beschrieben, wobei

1 schematisch eine beispielhafte Ausführungsform eines Verfahrens nach der vorliegenden Erfindung veranschaulicht;
2 einen beispielhaften kombinierten Bildstapel mit begradigten Ebenen veranschaulicht;
3 einen Satz einer beispielhaften Ausgabe möglicher Auswertungsergebnisse des Verfahrens aus 1 oder 5 veranschaulicht;
4 schematisch ein Datenkompressionsverfahren für eine Bildebene, das bestimmten Ausführungsformen des Verfahrens der vorliegenden Erfindung entspricht, veranschaulicht;
5 ein detailliertes Flussdiagramm zeigt, das eine Ausführungsform eines Verfahrens gemäß der vorliegenden Erfindung veranschaulicht, wobei das Verfahren insbesondere (i) eine Modellerstellungsphase zur Optimierung eines parametrisierten Modells des Verfahrens und (ii) eine Modellanwendungsphase zur Anwendung des optimierten Modells als Instanziierung des Verfahrens aufweist, um tatsächlich eine Bestimmung von Auswertungsdaten durchzuführen, die eine Klassifizierung einer oder mehrerer Eigenschaften der GL oder ihrer Umgebung gemäß einer oder mehrerer Beschaffenheiten der GL repräsentieren; und
6 verschiedene beispielhafte Ausführungsformen der Untergitter 111 veranschaulicht.

In Bezug auf 1 weist eine beispielhafte Ausführungsform 100 eines Verfahrens des ersten Aspekts der vorliegenden Erfindung einen Schritt S1 der Gewinnung georeferenzierter Erdbeobachtungsdaten auf, die Luftbilddaten aufweisen, die von einer oder mehreren Drohnen 101, Flugzeugen 102 oder Satelliten 103 oder anderen Vorrichtungen, die multispektrale Beobachtungsdaten der Erde 104, insbesondere ihrer Oberfläche, aufzeichnen können, gewonnen wurden.
In einem weiteren Schritt S2 wird eine bestimmte Region von Interesse (ROI) 105 ausgewählt, z.B. ein bestimmter Ort, eine rechteckige Region, ein bestimmtes Land, ein Bundesland, eine Stadt oder eine beliebig geformte Region oder eine beliebige Kombination/Vereinigung solcher Regionen, die auch nicht zusammenhängend sein können. Die weitere Verarbeitung der gewonnenen Beobachtungsdaten wird sich auf diese ROI konzentrieren. Auf diese Weise wird ein Stapel von 106 mehrfachen Bildebenen (jede Bildebene bildet ein Bild) erhalten, wobei insbesondere jede Bildebene einem jeweils zugehörigen Spektralband entsprechen kann, so dass der Stapel insgesamt mehrere Spektralbänder in verschiedenen Bildebenen aufweist. Beispielsweise würde eine typische RGB-Bildebene drei Kanäle enthalten. Satellitenbilder können zusätzliche Infrarotbänder enthalten, z.B. bieten die Sentinel-2-Satellitenbilder 12 Bänder. Aktive Sensoren - Radar oder Lidar - mit einer aktiven Signalemissionskomponente können eine oder mehrere zusätzliche Bildebenen unabhängig von den natürlichen Lichtquellen bereitstellen. Zusätzlich können diese Bildebenen vorverarbeitete Bilder enthalten, die durch die Kombination von Bilddaten aus verschiedenen Kanälen oder durch Vorverarbeitungsverfahren zur Gewinnung digitaler Höhenmodelle erzeugt wurden. Der Bildstapel kann Bilder aus derselben Quelle enthalten, z.B. aus einem bestimmten Satellitensystem, die aber zu unterschiedlichen Zeitpunkten (Zeitreihen) aufgenommen wurden, oder sogar aus unterschiedlichen Quellsystemen, z.B. aus unterschiedlichen Satellitensystemen oder flugzeug- oder drohnengestützten Erdbeobachtungssystemen. Weitere Bildebenen des Stapels 106 können Datenebenen sein, die Sensordaten repräsentieren, die von anderen Sensoren als Bildsensoren erfasst wurden, z.B. landgestützten Sensoren oder sogar fahrzeuggestützten Sensoren, wie z.B. Vibrationssensoren.
In einem weiteren Schritt S3 werden eine oder mehrere georeferenzierte geografische Linien GL oder Netze 107 von GLs, wie z.B. Straßennetze (oder andere Transportliniennetze oder geografische Begrenzungen), mit dem georeferenzierten Bildstapel 106 ausgerichtet, um einen kombinierten Bildstapel 108 zu erhalten. Das Transportliniennetz kann (a) manuell erhalten werden, z.B. durch einen Operator, der die Geokoordinaten der zu bewertenden Transportlinie definiert, (b) aus bestehenden Datenbanken wie „OpenStreetMaps“, (c) über jedes Bildverarbeitungsverfahren, das Vektordaten aus Bildern ableitet, oder (d) über automatisch aufgezeichnete Fahrzeug-GPS-Spuren (oder Galileo oder Glonass etc.). Das Transportliniennetz kann durch einen Graphen definiert werden, der aus einer Reihe von Knoten (definiert durch ihre Breiten- und Längenkoordinaten auf dem Globus) und ihren Verbindungen besteht. Obwohl dies der häufigste Fall ist, schließt dies andere Arten der Liniendefinition wie Bezierkurven, Splines oder andere parametrische Kurven nicht aus.
2 zeigt einen beispielhaften kombinierten Bildstapel 200 (d.h. eine beispielhafte Instanziierung des oben besprochenen kombinierten Bildstapels 108), der aus sechs verschiedenen Bildebenen 210 bis 260 besteht. Der kombinierte Bildstapel 200 wurde bereits in Schritt S3 in Bezug auf eine GL ausgerichtet, für die eine Bewertung nach Verfahren 100 durchgeführt werden soll. Als Beispiel kann Ebene 210 ein Bild im visuellen Teil des elektromagnetischen Spektrums repräsentieren, z.B. ausgedrückt im RGB-Farbraum oder einem anderen für diesen Spektralbereich geeigneten Farbraum. Die Bilddaten von Ebene 210 können von einem Satellitensystem, z.B. Landsat oder Sentinel, geliefert worden sein. Ebene 220 kann ein Höhen-/Topologiebild repräsentieren, das von einem digitalen Höhenmodell geliefert wurde und durch die Kombination von Bilddaten aus verschiedenen Kanälen, z.B. auch aus einem Radarkanal, erzeugt worden sein. Die weitere Ebene 230 kann ein Bild repräsentieren, das eine räumliche Verteilung der Vegetation und optional die Art der Vegetation für die abgedeckte Region (ROI) zeigt. Eine weiterer Ebene 240 kann ein Bild repräsentieren, das die Art der Oberfläche in der ROI an den verschiedenen Stellen der ROI anzeigt. Diese Ebene kann insbesondere aus der Bildanalyse der Ebene 210 oder durch die Kombination von Daten aus mehreren Bildebenen und/oder anderen Datenquellen, wie z.B. Bodensensoren, abgeleitet werden, z.B. zur Bestimmung der Art der Oberfläche der GL selbst, insbesondere wenn die GL eine Straße ist. Ebene 250 kann Verdunstungsdaten über die gesamte ROI repräsentieren, die besonders für die Erkennung von Eigenschaften der Umgebung einer GL relevant sein können, z.B. für Gebiete, die mit Wald, Wiesen, Flüssen, Seen, Schnee usw. bedeckt sind. Ebene 260 kann Wetterdaten für die ROI repräsentieren, z.B. Daten zur Niederschlagsvorhersage. Weitere Ebenen können z.B. historische Wetterdaten für die ROI repräsentieren. Dementsprechend wird darauf hingewiesen, dass eine Bildebene (kurz „Ebene“) nicht auf die Repräsentation eines optischen Bildes beschränkt ist, sondern auch andere Daten repräsentieren kann, die zur Charakterisierung eines Zustands der ROI verwendet werden können. Bei diesen Daten kann es sich um Daten handeln, die direkt von einem oder mehreren Bildsensoren oder anderen Sensoren geliefert werden, oder sie können nur aus solchen Sensordaten abgeleitet werden, z.B. durch Berechnung und/oder durch die Kombination von zwei oder mehreren verschiedenen Arten von Eingabedaten, z.B. zwei oder mehreren anderen Bildebenen, um die Daten für die betreffende Bildebene abzuleiten.
Unter erneuter Bezugnahme auf 1 weist das Verfahren 100 ferner einen Schritt S4 auf, bei dem für jedes zusammenhängende Liniensegment 110 des Netzes 107, d.h. für mindestens eine GL im Netz 107, eine Stichprobe von Kontrollpunkten 109 definiert wird, z.B. durch Auswahl gleichverteilter Punkte auf dem Liniensegment 110. Je nach Anwendungsfall können andere Stichprobenpläne vorteilhaft sein. Wenn z.B. die zu überwachende GL intrinsische Kontrollpunkte enthält, kann man diese vorhandenen Kontrollpunkte anstelle eines mathematischen Stichprobenplans verwenden. Ein typisches Szenario wäre die Überwachung von Hochspannungsfreileitungen, bei der Kontrollpunkte 109 an den Standorten der Sendemasten/Strommasten beprobt werden könnten.
In einem Schritt S5 wird ein jeweiliges Untergitter 111 an jedem Kontrollpunkt 109 platziert, wobei die Orientierung des jeweiligen Untergitters von der lokalen Orientierung der GL an diesem Kontrollpunkt 109 bestimmt wird. Insbesondere können die Untergitter 111 als regelmäßige lineare Gitter definiert werden, die in einer Richtung senkrecht zur Bahn der GL entsprechend des georeferenzierten Bezugssystems der Bilddaten angeordnet sind. Die erfasste spektrale Variabilität und visuelle Komplexität der Umgebung der zu überwachenden GL wird durch die Gitterparameter (Anzahl der Zellen, Breite und Höhe jeder Zelle) der Untergitter 111 und die Anzahl der Kontrollpunkte 109 gesteuert.
In einer beispielhaften Ausführungsform werden diese Parameter über eine Benutzerschnittstelle empfangen. Sie können also aufgrund von Expertenwissen in einem bestimmten Bereich manuell ausgewählt werden. In einer anderen Beispielimplementierung können diese Parameter durch maschinelles Lernen und Kreuzvalidierungsverfahren optimiert werden, d.h. ein Verfahren wird mit verschiedenen Parametersätzen trainiert und die Ergebnisse mit bekannten Referenzdaten verglichen (überwachtes Lernen). Der Parametersatz, der die beste Genauigkeit erzielt, kann dann als endgültiges Modell gewählt werden. In einer weiteren beispielhaften Ausführungsform werden mehrere Parametersätze kombiniert und gleichzeitig für ein bestimmtes Vorhersageverfahren verwendet. Auf diese Weise erhält man an jedem Kontrollpunkt 109 einen Bildstapel mit mehreren Auflösungen. Ein typisches Beispiel könnte die Überwachung von Straßen sein, bei der ein hochauflösendes Gitter in der Lage ist, bestimmte Straßenmarkierungsmuster zu erkennen, während Gitter mit geringerer Auflösung Vegetationsmerkmale neben der Straße erfassen.
In einem Prozess, der die weiteren Schritte S6 und S7 aufweist, wird der Bildstapel nun geometrisch in ein lokales internes Bezugssystem der GL transformiert. Zu diesem Zweck werden in Schritt S6 in jedem Untergitter 111 Bildmerkmale aus den Quellbildern 112 mithilfe einer geeigneten Aggregationsfunktion 114 über den Bildbereich, in dem sich die Quellbilder 112 mit dem jeweiligen Untergitter 111 überlappen, aggregiert, um entweder einen Einzelwert oder eine Datenstruktur für jede Gitterzelle 113 des jeweiligen Untergitters 111 zu erhalten.
Typische geeignete Aggregationsfunktionen 114 sind (a) das Mitteln der Pixelintensitäten aller Pixel des jeweiligen Quellbildes 112, die sich vollständig innerhalb einer Zelle 113 des Untergitters 111 befinden, (b) das Mitteln der Pixelintensitäten aller Pixel des jeweiligen Quellbildes 112, die sich mit der Zelle 113 überlappen, modifiziert durch den prozentualen Raumanteil, den sie zur Zelle beitragen, (c) gewichtete Mittelung der Pixel-Intensitäten, wobei Pixel in der Mitte der Zelle 113 höhere Gewichte erhalten als Pixel, die sich am Rand befinden, (d) mittlere, minimale und maximale Intensitäten, (e) Intensitäten, die ein bestimmtes Perzentil der Intensitätsverteilung innerhalb der Zelle 113 repräsentieren, z.B. zur Berücksichtigung von Ausreißern, (f) Bereich, Standardabweichung, Varianz oder jede andere Funktion höherer Ordnung, die Merkmale der Intensitätsverteilung innerhalb der Zelle 113 erfasst, (g) Histogramme der Intensitäten, (h) Histogramme der Orientierungen oder andere Bildmerkmale. Die beiden letzteren sind Sonderfälle, da sie die Dimensionalität des Ausgaberaums (z.B. Straßen-Raum) erhöhen, aber eine detailliertere Charakterisierung ermöglichen. Während dies eine nicht erschöpfende Liste möglicher Verfahren zur Merkmalsextraktion ist, könnten andere für spezielle Anwendungsfälle vorteilhaft sein.
Die Untergitter 111 können anisotrop sein, d.h. Breite und Höhe der Gitterzellen sind möglicherweise nicht gleich, um abzubilden, dass bestimmte Merkmale von Transportlinien bei seitlichem Abstand von der Mitte der Transportlinie stark variieren, aber entlang der Transportlinie größtenteils gleich bleiben. Darüber hinaus können die Untergitter 111 nicht äquidistant sein, d.h. Breite und Höhe der Gitterzellen können variieren, um z.B. eine stärkere Glättung abzubilden, wenn sie weiter von einer Transportlinie entfernt sind. Auch andere Variationen zwischen den Zellen sind möglich.
6 veranschaulicht konkret einen Satz 600 verschiedener exemplarischer Ausführungsformen von Untergittern 111. Konkret veranschaulichen die 6(a) und (b) Beispiele von Elementen einer ersten Kategorie („regulär“) der Untergitter 610 bzw. 620, wobei die einzelnen Zellen 615, 625 in regelmäßiger Reihenfolge angeordnet sind, wie z.B. eine eindimensionale Matrixanordnung 610 oder eine zweidimensionale Matrixanordnung 620, wobei jeweils alle Zellen 615, 625 die gleiche Form, Größe und Orientierung und den gleichen Abstand (Mitte-Mitte) zu ihren jeweiligen Nachbarzellen aufweisen. 6c veranschaulicht beispielhaft ein Untergitter 630 einer zweiten Kategorie („anisotrop“), das dadurch gekennzeichnet ist, dass Form und Größe der verschiedenen Zellen 635 variieren können. Insbesondere im Falle der rechteckigen Zellen 635 können ihre Breite und Höhe über die Gesamtheit der Zellen im Untergitter variieren. Die 6d und 6e zeigen beispielhaft die Untergitter 640 bzw. 650 einer dritten Kategorie („nicht-lückenlos“) („Non-Gapless“), die dadurch gekennzeichnet ist, dass zumindest einige der Zellen des Untergitters beabstandet angeordnet sind. In 6d sind die Zellen äquidistant angeordnet, während in 6e die Abstände zwischen benachbarten Zellen variieren können („nichtäquidistant“). Weitere Ausführungsformen von Untergittern 111 können durch die gleichzeitige Implementierung von zwei oder mehr der oben genannten Beispiele erreicht werden (sofern sie sich nicht widersprechen). Zum Beispiel kann der zweidimensionale Aspekt der Anordnung 620 mit einer der Ausführungsformen 630, 640 und 650 gemischt werden, um entsprechende zweidimensionale Versionen der Zellanordnungen gemäß den jeweiligen Ausführungsformen 630, 640 bzw. 650 zu definieren.
Nochmals auf 1 Bezug nehmend, werden im nachfolgenden Schritt S7 die erhaltenen Werte für jede Zelle 113 in jedem Untergitter 111 in ein regelmäßiges Gitter 115 gelegt (z.B. ein begradigter Straßen-Raum, wenn die GL einer Straße entspricht), so dass sich für jede Ebene ein geometrisch transformiertes begradigtes Bild der GL und ihrer Umgebung ergibt, das zur weiteren Verarbeitung und zu Visualisierungszwecken verwendet werden kann. Konkret definiert das reguläre Gitter 115 das lokale interne Bezugssystem der GL, und die Positionen der einzelnen Zellen des Gitters 115 können als Koordinaten dieses lokalen internen Bezugssystems betrachtet werden.
Verfahren 100 weist ferner einen Auswerteschritt S8 auf, bei dem der Stapel transformierter, begradigter Bilder der GL und ihrer Umgebung mittels Anwendung eines Klassifikationsschemas ausgewertet wird, um Auswertungsdaten zu erhalten, die eine Klassifizierung einer oder mehrerer Eigenschaften der GL oder ihrer Umgebung gemäß einer oder mehrerer Beschaffenheiten - z.B. physikalischer, chemischer oder biologischer Beschaffenheiten - der GL repräsentieren.
3 veranschaulicht beispielhaft Auswertungsdaten, die sich aus der Durchführung des Verfahrens der vorliegenden Erfindung, z.B. des Verfahrens aus 1 oder 5, ergeben können und sich auf mehrere unterschiedliche Klassifikationen in Bezug auf eine GL in Form einer Straße beziehen. Im Beispiel bezieht sich das Klassifizieren u.a. auf eine Art der Fahrbahndecke, eine Neigung der Straße, eine Überschwemmungsgefahr, eine Lawinengefahr, einen Überwucherungsindex (der einen Vegetationsstand angibt, der die Straße überwuchert, vgl. beispielhafte Auswertungsdaten 116 in 1), eine Ebenheit der Fahrbahnoberfläche, eine Lufttemperatur und eine Fahrbahnoberflächentemperatur entlang der Straße. In 3 erstreckt sich die räumliche Ausdehnung der GL, d.h. des zusammenhängenden Straßensegments von Interesse, im RGB-Bild oben in 3 von links nach rechts, und die verschiedenen unten dargestellten Datenzeilen sind entsprechend angeordnet.
Daher ist das Verfahren von 1 (das Gleiche gilt für das Verfahren von 5, das unten besprochen wird) so konfiguriert, dass es einen normalisierten Bildstapel liefert, der eine oder mehrere Bildebenen aufweist, und zwar in Bezug auf die geografischen Linien (GL) von Interesse, so dass diese GLs immer gerade erscheinen und von links nach rechts entlang der horizontalen Mittellinie des normalisierten Bildes verlaufen. Andere Anordnungen der Untergitter werden ebenfalls abgedeckt, z.B. die Anordnung der Untergitter Zeile für Zeile, so dass die Straße zu einer Spalte im Bild wird. Der Fachmann wird bei der Auswahl eines geeigneten Speicher-Layouts, einer geeigneten CPU-Architektur und eines geeigneten Dateisystems den neuesten Stand der Technik berücksichtigen, z.B. kann die Speicherung jeder Bildebene in einer einzigen Datei bei bestimmten Dateisystemen einen erheblichen Overhead verursachen. Das oben genannte Verfahren kann in Software oder mit dedizierter Hardware, z.B. Halbleiterchips, implementiert werden.
4 zeigt ein Bildkompressionsverfahren 400, das insbesondere in Verbindung mit einem der Verfahren 100 aus 1 oder 500 aus 5 verwendet werden kann, um Bilddaten zu komprimieren, die eine Originalbildebene 410 repräsentieren. Insbesondere kann das Verfahren 400 zur GL-fokussierten Kompression von Satellitenbildern verwendet werden.
In diesem Szenario werden Luft- oder Satellitenbilder, die eine ROI abdecken, in einem auf Irrelevanz-Reduktion basierenden Ansatz verarbeitet, bei dem der Schwerpunkt auf denjenigen Bildpunkten (Pixeln) der Originalbildebene 410 liegt, die die ROI repräsentieren, die zu einer GL von Interesse gehört. Im vorliegenden Beispiel wurde die GL von Interesse als eine bestimmte Transportlinie innerhalb eines Transportliniennetzes 411, z.B. Straßennetz, ausgewählt, das in Bild 410 repräsentiert ist. Der Verdichtungsprozess von 4 hängt jedoch nicht von der Auswahl einer spezifischen GL mit dem Transportliniennetz 411 ab, sondern bezieht sich vielmehr auf die gesamte ROI und damit auf das gesamte Transportliniennetz 411 und seine Umgebung.
Im vorliegenden Beispiel wird jede GL (Transportlinie) aus dem Originalbild 410 mit dem oben erwähnten Verfahren zur Transportlinien-Begradigung mit mehreren Auflösungsstufen dicht abgetastet, z.B. kann die GL selbst mit der nativen Auflösung 430 gespeichert werden, die unmittelbare Umgebung mit der Hälfte der nativen Auflösung 440, usw. Somit wird jedes Satellitenbild durch ein niedrig aufgelöstes Basisbild und eine Reihe von höher aufgelösten GL-bezogenen Bildern repräsentiert. Konkret werden in diesem Beispiel die Pixel, die das Transportliniennetz 411 selbst repräsentieren, mit der oben erwähnten Technik (vgl. 1) unter Einbeziehung von Untergittern dicht abgetastet, und zusätzlich wird die räumliche Auflösung der umgebenden Pixel in Abhängigkeit von den Quer- und Längsabständen dieser umgebenden Pixel in Bezug auf ein Referenzpixel, z.B. ein Pixel 431, das Teil eines Transportliniennetzes ist, variiert. Beispielsweise können die Transportlinienpixel 431 mit der nativen Auflösung des Originalbildes 410 gespeichert werden, die Pixel 441, die die unmittelbare Umgebung des Transportliniennetzes 411 repräsentieren, können mit einer reduzierten Abtastrate, z.B. mit der Hälfte der nativen Auflösung, unterabgetastet werden, und noch weiter entfernte Pixel 421 können mit einer noch niedrigeren Auflösung abgetastet werden, und so weiter. Dabei kann jede der verschiedenen Auflösungen einer zugehörigen Unterabtastebene entsprechen, die aus dem Originalbild 410 mit der jeweiligen Auflösung abgetastet wird. Schließlich wird dem Stapel der Unterabtastungsebenen ein Basisbild mit sehr niedriger Auflösung 420 hinzugefügt.
Auf diese Weise können mehrere verschiedene Lösungen angewandt werden, um gemeinsam eine neu abgetastete Version des Originalbildes 410 darzustellen. Die Orientierung des Pixelrasters des Basisbildes 420 kann insbesondere der des Originalbildes 410 entsprechen (und eher nicht dem Pfad der GL entsprechen). Die Fenster für die native Auflösung und die Unterabtastung jeder Unterabtastungsebene 420, 430, 440 und die Gesamtzahl der Unterabtastungsebenen 420, 430, 440 stellen die Parameter dar, die den Grad der Irrelevanzreduktion durch dieses Kompressionsverfahren 400 steuern.
Die entstehende Datenstruktur komprimiert die Originaldaten 410 auf effektive Weise, die typischerweise große Mengen irrelevanter Informationen enthalten, in Bezug auf den Anwendungsschwerpunkt, der sich nur auf die Bereiche der Originaldaten 410 ausrichtet, die GLs enthalten, indem die Informationsdichte sukzessive reduziert wird, je weiter die Datenpunkte von diesen GL-zentrierten Bereichen von Interesse entfernt sind.
Um aus den verschiedenen Einzelebenen 420, 430 und 440 ein einzelnes komprimiertes, begradigtes Mehrfachauflösungsbild 460 zu rekonstruieren, wird das niedrig aufgelöste Basisbild 420 mit allen GL-fokussierten Unterabtastungsebenen 430 und 440, die zunehmende native Auflösungen aufweisen, überlagert, um ein Zwischenbild 450 zu rekonstruieren, das nur in den Bereichen der GLs und ihrer unmittelbaren Umgebung eine hohe Detailgenauigkeit aufweist, während in den Bereichen mit geringer GL-Dichte nur eine grobe Detailgenauigkeit erhalten bleibt.
Dann wird das gewünschte komprimierte, begradigte Mehrfachauflösungsbild 460 wiederhergestellt, indem jede der überlagerten 420, 430, 440 Ebenen des Zwischenbildes 450 kombiniert werden, um für jedes Pixel des Bildes 460 jeweils einen einzigen Pixelwert zu bestimmen und auf das Pixelraster abzubilden, wodurch ebenfalls eine Begradigung erreicht wird. Insbesondere kann die Orientierung des Pixelgitters von Bild 460 die gleiche sein wie die des Basisbildes 420. Einige Bereiche des Zwischenbildes 450 können durch Pixel aus verschiedenen Ebenen 420, 430 oder 440 abgedeckt sein. In diesem Fall ist eine anwendungsspezifische Kombinationsfunktion anzuwenden, z.B. der Median, das Mittel oder das gewichtete Mittel der beitragenden Pixel der Unterabtastungsebenen 420, 430 und 440, um einen einzelnen Pixelwert für jedes Pixel von Bild 460 zu bestimmen.
Dieses Szenario ermöglicht sehr hohe Kompressionsraten, so dass die Speicherung ursprünglich großer Datenmengen auf speicherbeschränkten Systemen möglich wird, die Übertragung solcher Daten über Kanäle mit begrenzter Bandbreite wie z.B. zellulare Netzwerke ermöglicht wird und der Speicherbedarf von Algorithmen, die auf maschinelles Lernen ausgerichtet sind, reduziert wird, wodurch die Anwendung auf speicherbeschränkten Systemen möglich wird. Insbesondere in geografischen Regionen, z.B. ländlichen Regionen, mit einer geringen Dichte von GLs, z.B. von Transportliniennetzen, ermöglicht dies sehr hohe Kompressionsraten, so dass die Speicherung solcher Bilder auf einem Gerät oder ihre Übertragung über zellulare Netze möglich wird, ohne dass die wesentlichen Informationen über das Transportliniennetz verloren gehen.
Die oben beschriebenen Verfahren und Prozesse können insbesondere im Zusammenhang mit maschinellem Lernen oder Mustererkennungsframeworks eingesetzt werden. Ein Beispiel hierfür ist in 5 dargestellt, das eine Ausführungsform eines modellbasierten Verfahrens 500 gemäß der vorliegenden Erfindung veranschaulicht, wobei das Verfahren insbesondere aufweist: (i) eine Modellerstellungsphase zur Optimierung eines parametrisierten Modells des Verfahrens 100 aus 1 und (ii) eine Modellanwendungsphase zur Anwendung des Modells als Instanziierung des Verfahrens 100 aufweist, um tatsächlich eine Bestimmung von Auswertungsdaten durchzuführen, die eine Klassifizierung einer oder mehrerer Eigenschaften der GL oder ihrer Umgebung gemäß einer oder mehrerer Beschaffenheiten einer GL repräsentieren.
Nun wird auf die Modellerstellungsphase des Verfahrens 500 Bezug genommen, bei der in einem ersten Schritt 505 Bilder erfasst und in einer Datenbank oder einem Dateisystem („Bilddatenbank“) gespeichert werden. Die Bilder können z. B. ähnlich wie der Bildstapel 200 aus 2 sein, wie oben beschrieben.
In einem weiteren Schritt 510 werden GL-Geometrien aus offenen oder proprietären Datenquellen, z.B. elektronischen Kartendaten einer ROI von Interesse, in der sich die GL befindet, erfasst und in einer Datenbank oder einem vergleichbaren System („GL-Datenbank“) gespeichert. Dieser Schritt 510 kann optional die Erweiterung der erworbenen GL-Merkmale durch andere sensorische Eingaben oder Vorhersagen, z.B. Simulationsergebnisse, in Bezug auf bestimmte GL-Segmente beinhalten. Wenn es sich bei der GL beispielsweise um eine Straße handelt, können sich solche anderen sensorischen Eingaben oder Vorhersagen, ohne darauf beschränkt zu sein, auf Sensordaten beziehen, die (a) Vibration, Orientierung, Geschwindigkeit, Beschleunigung oder jeden anderen Fahrzeugparameter repräsentieren, die von einem oder mehreren fahrzeuggestützten Sensoren gemessen werden und Einblick in bestimmte Transportlinienbeschaffenheiten geben können, (b) Messungen von straßennahen Wettersensoren zur Temperatur-, Niederschlag- und Luftdruckmessung, (c) Häufigkeit der Nutzung der Transportlinie (d) Wartungszustand der Transportlinie oder Zeit seit dem letzten Wartungsintervall (e) Alter und Beschaffenheit der Oberfläche (f) Klimazone, Klimaprofile, erwartete Temperaturen und Niederschläge (g) Anfälligkeit für unerwartete Ereignisse wie Unfälle, Naturkatastrophen, Überschwemmungen, Erdrutsche, Lawinen, Sturmschäden, Tornados, Hurrikane, Taifune; h) elektromagnetische Felder, z.B. zelluläre Netzabdeckung (solche Daten können z. B. durch sensorische Beurteilung der Netzabdeckung, z. B. mit Testgeräten im Feld, oder durch Simulation erzeugt werden).
Der Begriff „Merkmal“, wie er hier verwendet wird, bezieht sich auf einen bestimmten messbaren Zustand einer GL oder eines GL-Segments. Eine nicht einschränkende Reihe von Beispielen für verschiedene Merkmale, wie z.B. die Art des Straßenbelags, eine Neigung der GL (z.B. Straße oder Eisenbahnlinie) usw., sind in 3 dargestellt, wie oben diskutiert.
In einem weiteren Schritt 515 werden die Begradigungsparameter für einen nachfolgenden Bildbegradigungs-/Normalisierungsschritt 520 entweder (i) durch Empfang entsprechender Parameterdaten über eine Schnittstelle, z.B. eine Benutzerschnittstelle, oder (ii) durch systematische Auswertung definiert. Im letzteren Fall (ii) wird eine Anzahl von Parametersätzen verwendet, um ein bestimmtes Zielmerkmal (d.h. eine bestimmte Art von Zustand der GL) vorherzusagen, und auf der Grundlage eines Vergleichs mit bekannten Referenzbilddaten, die eine unabhängig gesammelte und/oder verifizierte korrekte Information für dieses Merkmal beschreiben, wird schließlich der geeignetste Parametersatz ausgewählt. Ein solcher Parametersatz kann insbesondere Parameter aufweisen, die sich auf die Anzahl der Pixel, ihre Größe, Anordnung und Orientierung beziehen. Der Begradigungsschritt 520 erzeugt einen Satz von Bildpatches, die in einem Dateisystem oder einer Datenbank („Patch-Datenbank“) gespeichert sind, und kann insbesondere die Anwendung des Kompressionsverfahrens 400 von Fig. 400 auf mindestens eine der Bildebenen der in Schritt 505 erfassten Bilder aufweisen.
Der Begriff „Bildpatch“ oder kurz „Patch“, wie er hier verwendet wird, bezieht sich insbesondere auf ein begradigtes Bild eines durchgängigen Abschnitts einer verwandten GL. Konkret ist das Ergebnis 115 des Schrittes S7 von 1 ein Bildpatch oder es kann auch ein Satz von zwei oder mehr separaten Bildpatches sein, wobei sich jede Bildseite auf einen bestimmten durchgängigen Abschnitt einer betrachteten GL bezieht. Wenn zusätzlich zu den Bilddaten auch Sensordaten zur Vorhersage des Zielmerkmals verwendet werden, kann das Konzept eines „Bildpatches“ zu einem „begradigten GL-Datagramm“ erweitert werden, das zusätzlich zu dem einen oder mehreren Bildpatches auch eine oder mehrere Ebenen von Sensordaten enthält, die dieselbe GL oder dasselbe GL-Segment abdecken. Der Einfachheit halber werden die folgenden Schritte nur in Bezug auf Bildpatches beschrieben, während die gleichen Konzepte auch auf begradigte GL-Datagramme angewendet werden können.
Abhängig vom gewünschten Anwendungsfall wird in einem Schritt 525 ein abzubildendes oder vorherzusagendes Zielmerkmal ausgewählt. In einem weiteren Schritt 530 wird dann ein Mustererkennungsverfahren verwendet, um ein Modell abzuleiten. Sie wählt eine Untermenge der zuvor in der Patch-Datenbank gespeicherten Patches zum Training aus und validiert die Ergebnisse bezüglich einer vorgehaltenen Untermenge. Die Modellparameter beschreiben eine Funktion, die ein beliebiges Bildpatch auf das Zielmerkmal abbildet. Die Modellparameter können beispielsweise Parameter, z.B. Gewichte, eines künstlichen neuronalen Netzes oder Regressionswerte in einem Regressionsanalyseprozess bilden, die als mathematischer Rahmen oder als Grundlage des Modells dienen. Nachdem die Modellparameter in Schritt 530 bestimmt worden sind, ist das dadurch repräsentierte etablierte Modell anwendungsbereit.
Nun wird auf die Modellanwendungsphase des Verfahrens 500 Bezug genommen, bei der diese Phase damit beginnen kann, zunächst in einem Schritt 540 eine geografische Region von Interesse (ROI) zu definieren, in einem weiteren Schritt 545 die entsprechenden Bilder zu erfassen und in der GL-Datenbank die Daten zu einer bestimmten gewünschten GL oder einem GL-Segment innerhalb der ROI, z.B. einem bestimmten Transportlinien-Segment, zu finden. Damit stehen alle Informationen zur Verfügung, um in einem weiteren Schritt 555 die Bildbegradigung mit dem gleichen Parametersatz („Begradigungsparameter“) wie in Schritt 520 der Modellerstellungsphase durchzuführen. Das Zielmerkmal wird dann in einem weiteren Schritt 560 unter Verwendung der relevanten erhaltenen ein oder mehreren Bildpatches und der gespeicherten Modellparameter vorhergesagt. Das Ergebnis in Form entsprechender Auswertungsdaten kann dann in einem Schritt 565 ausgegeben werden, z.B. zur Visualisierung oder als Input für optionale weitere Verarbeitungsschritte, z.B. zur Ableitung von Steuersignalen für die Steuerung einer darauf basierenden Vorrichtung, wie z.B. eines dynamischen Verkehrszeichens oder einer Schranke.
Die Erfindung kann für eine Mehrzahl von unterschiedlichen Anwendungen genutzt werden. Beispielsweise und ohne Einschränkung kann sie im Zusammenhang mit den folgenden Anwendungen und damit zusammenhängenden Implementierungen der Erfindung verwendet werden (vgl. 3):

In einer Implementierung wird für jede GL oder jedes GL-Segment über einen bestimmten Zeitraum ein Wetterprofil bestimmt. Sie könnte (a) eine Bildebene einer Live-Wettervorhersage verwenden, um abzubilden, wie viel Regen, Schnee oder Wind in den nächsten Minuten, Stunden oder Tagen erwartet wird, (b) eine Schätzung auf der Grundlage historischer Daten abgeben, wie das Wetter in einer bestimmten Zeit des Jahres sein wird, d.h. sie könnte saisonale Wetterphänomene entlang einer GL, z.B. einer Straße, abbilden. Auf diese Weise würden zur Routenplanung und Navigation straßensegmentspezifische Wetterrisikoinformationen zur Verfügung gestellt werden, um Gefahrensituationen zu vermeiden.

Eine andere Implementierung würde es ermöglichen, den Instandhaltungsbedarf für bestimmte Transportstreckenabschnitte zu bewerten. Es hat sich gezeigt, dass die spektralen Informationen von Straßenoberflächen wie Asphalt oder Beton je nach Alter und Degradationszustand erheblich variieren, d.h. Instandhaltungsmaßnahmen könnten bei Überschreiten eines bestimmten Schwellenwertes ausgelöst werden.
Eine weitere Implementierung würde die Lage und Schwere von Katastrophen berücksichtigen. In einigen Ländern sind sehr detaillierte Informationen über die Orte von Fahrzeugunfällen verfügbar. Dies ermöglicht es, jedem Straßensegment oder Bildpatch ein Unfallrisikoniveau zuzuordnen, und würde es ermöglichen, vorherzusagen, ob andere Regionen für die gleichen Risiken anfällig sind, z.B. kann eine Allee in der Nähe der Straße ein höheres Risiko tödlicher Unfälle repräsentieren als baumfreie Straßen. Das gleiche Verfahren ist auf Fälle von Naturkatastrophen anwendbar. Fast jede Katastrophe, die Menschenleben fordert, wird von den lokalen Behörden erfasst. Die Nutzung von Wetterinformationen, Höhendaten und Katastrophenorten im Bildstapel würde es ermöglichen, auf andere Transportlinien hinzuweisen, die für die gleiche Art von Katastrophen anfällig sein könnten. So könnte die vorliegende Erfindung sogar die Planung neuer Transportlinien unterstützen, indem sie das Risiko von Katastrophen entlang der geplanten Route abschätzt.
In einer weiteren Implementierung könnte das Verfahren zur Bewertung des zu erwartenden Bewegungsumfangs entlang oder über eine Transportlinie hinweg eingesetzt werden. Bewegung würde als ein oder mehrere Vektoren für jeden Patch definiert und könnte Bewegungsinformationen wie Wind, Verkehr oder Wasserfluss beschreiben.
Während oben mindestens eine beispielhafte Ausführungsform der vorliegenden Erfindung beschrieben wurde, ist anzumerken, dass es dazu eine große Anzahl von Varianten gibt. Darüber hinaus wird darauf hingewiesen, dass die beschriebenen beispielhaften Ausführungsformen nur nicht einschränkende Beispiele dafür veranschaulichen, wie die vorliegende Erfindung umgesetzt werden kann, und dass es nicht beabsichtigt ist, den Umfang, die Anwendung oder die Konfiguration der hier beschriebenen Vorrichtungen und Verfahren einzuschränken. Vielmehr liefert die vorstehende Beschreibung dem Fachmann Konstruktionen zur Umsetzung mindestens einer beispielhaften Ausführungsform der Erfindung, wobei zu verstehen ist, dass verschiedene Änderungen der Funktionalität und der Anordnung der Elemente der beispielhaften Ausführungsform vorgenommen werden können, ohne von dem durch die beigefügten Ansprüche und ihre rechtlichen Äquivalente definierten Gegenstand abzuweichen.
Bezugszeichenliste

GL: geografische Linie, z.B. eine Transportlinie, wie eine Straße
100: beispielhafte Ausführungsform eines Verfahrens zur Bestimmung einer oder mehrerer Beschaffenheiten einer geografischen Linie, GL, oder ihrer Umgebung
101: Drohne
102: Flugzeug
103: Satellit
104: Erde, insbesondere Erdoberfläche
105: Region von Interesse, ROI
106: Bildstapel
107: georeferenzierte Referenzgeometrie der GL, z.B. Straßennetz aus elektronischer Karte
108: kombinierter Bildstapel ausgerichtet an der Referenzgeometrie der GL
109: Kontrollpunkt
110: durchgängiges GL-Segment, identisch mit der GL im vorliegenden Beispiel
111: Untergitter
112: Bildmerkmale (z.B. Pixelwerte) von georeferenzierten Quellbildern aus dem Bildstapel
113: Gitterzelle
114: Aggregationsfunktion
115: begradigtes Bild mit regelmäßigem Gitter
116: Auswertungsdaten
200: kombinierter Bildstapel ausgerichtet an der Referenzgeometrie der GL
210: RGB-Bildebene
220: Höhe-/Topologie-Bildebene
230: Vegetationsbildebene
240: Bildebene zur Darstellung des Oberflächentyps
250: Verdunstungsbildebene
260: Niederschlagsvorhersage-Bildebene
300: exemplarische Ausgabe möglicher Auswertungsergebnisse des Verfahrens aus 1 oder 5
400: Kompressionsverfahren
410: Originalbild, d.h. Originalbildebene
411: GL-Netz, z.B. Transportliniennetz
412: Schneefreier Boden
413: Wald
414: schneebedeckter Boden
420: Basisbild mit niedriger Auflösung
421: Bildpunkt (Pixel) eines Basisbildes mit niedriger Auflösung
430: natives, hochauflösendes Bild der GL
421: Bildpunkt (Pixel) eines Basisbildes mit hoher Auflösung
440: reduzierte Auflösung, z.B. halbe Auflösung, Bild der unmittelbaren GL-Umgebung
441: Bildpunkt (Pixel) eines Bildes mit reduzierter Auflösung
450: Zwischenbild mit Mehrfachauflösung, das sich aus der Überlagerung der Bilder 420, 430 und 440 ergibt
460: komprimiertes begradigtes Mehrfachauflösungsbild
500: Verfahren zum Erstellen und Anwenden eines parametrisierten Modells eines Verfahrens zur Bestimmung einer oder mehrerer Beschaffenheiten einer geografischen Linie, GL, oder ihrer Umgebung
505-565: Verfahrensschritte des Verfahrens 500
600: verschiedene beispielhafte Ausführungsformen von Untergittern
610: regelmäßiges, eindimensionales Untergitter
615: Zellen des Untergitters 610
620: regelmäßiges, zweidimensionales Untergitter
625: Zellen des Untergitters 620
630: anisotropes eindimensionales Untergitter
635: Zellen des Untergitters 630
640: nicht lückenloses, äquidistant beabstandetes eindimensionales Untergitter
645: Zellen des Untergitters 640
650: nicht lückenloses, nicht äquidistant beabstandetes eindimensionales Untergitter
655: Zellen des Untergitters 650

Claims

Verfahren (100) zum Bestimmen einer oder mehrerer Beschaffenheiten einer geografischen Linie, GL, oder ihrer Umgebung, wobei das Verfahren (100) aufweist: Erfassen (S1, S2) von georeferenzierten Erdbeobachtungsdaten (S1, S2), die eine oder mehrere sich räumlich überlappende Bildebenen (106) repräsentieren, die aus einer Luft- oder Weltraumperspektive eine bestimmte Region von Interesse, ROI (105), der Erdoberfläche abdecken, wobei die ROI (105) die GL enthält; geometrisches Transformieren (S4 bis S7) der georeferenzierten Beobachtungsdaten, zumindest teilweise, in ein lokales internes Bezugssystem (115) der GL innerhalb der ROI (105), um eine Abbildung der georeferenzierten Beobachtungsdaten auf entsprechende Koordinaten innerhalb des lokalen internen Bezugssystems der GL zu erhalten; und Auswerten (S8) der abgebildeten Erdbeobachtungsdaten, wie sie im lokalen internen Bezugssystem der GL repräsentiert sind, gemäß einem Klassifikationsschema, um daraus Auswertungsdaten zu erhalten, die eine Klassifizierung einer oder mehrerer Eigenschaften der GL oder ihrer Umgebung gemäß einer oder mehrerer Beschaffenheiten der GL repräsentieren; wobei das Erfassen der georeferenzierten Erdbeobachtungsdaten einen oder mehrere der folgenden Schritte aufweist: - Erfassen von georeferenzierten Erdbeobachtungsdaten, die eine oder mehrere der Bildebenen (210, 220) repräsentieren, wobei jede dieser Bildebenen (210, 220) Bilder repräsentiert, die die ROI (105) in einem jeweils unterschiedlichen Spektralbereich des elektromagnetischen Spektrums abdecken; - Erfassen georeferenzierter Erdbeobachtungsdaten, die eine oder mehrere Datenebenen (230 bis 260) als weitere Bildebenen repräsentieren, wobei jede dieser Datenebenen (230 bis 260) jeweils sensorische Messungen oder Vorhersagen einer oder mehrerer lokaler Beschaffenheiten der GL oder ihrer Umgebung innerhalb der ROI (105) repräsentiert; - Erfassen georeferenzierter Erdbeobachtungsdaten, die eine oder mehrere vorverarbeitete Bildebenen repräsentieren, die aus einer Kombination von zwei oder mehreren dieser Ebenen (210, 220) oder Datenebenen (230 bis 260) resultieren.
Verfahren (100) nach Anspruch 1, bei dem das geometrische Transformieren der georeferenzierten Beobachtungsdaten, zumindest in Teilen, in das lokale interne Bezugssystem der GL aufweist: Definieren einer Mehrzahl von Kontrollpunkten innerhalb der ROI (105) an verschiedenen Positionen entlang der GL; Bestimmen eines jeweiligen lokalen Zellgitters für jeden Kontrollpunkt, das eine begrenzte lokale räumliche Nachbarschaft dieses Kontrollpunktes abdeckt, wobei der resultierende Satz von lokalen Zellgittern das lokale interne Bezugssystem der GL definiert; und geometrisches Transformieren der Beobachtungsdaten, zumindest in Teilen, in das lokale interne Bezugssystem der GL, um eine Abbildung der Beobachtungsdaten auf den Satz von lokalen Zellgittern der Kontrollpunkte zu erhalten.
Verfahren (100) nach Anspruch 2, weiter aufweisend: Verkettung der einzelnen Zellgitter der Kontrollpunkte zur Bildung einer Datenrepräsentation eines begradigten Gesamtzellgitters, das das lokale interne Bezugssystem der GL definiert, wobei die einzelnen Zellgitter der Kontrollpunkte in einer gleichgerichteten, begradigten Weise in einer Reihenfolge angeordnet sind, die der Reihenfolge der Kontrollpunkte entlang der GL entspricht.
Verfahren (100) nach Anspruch 3, bei dem die Auswertung der jeweiligen Erdbeobachtungsdaten auf der Grundlage der Repräsentation der Erdbeobachtungsdaten, wie sie auf dem begradigten Gesamtzellgitter abgebildet sind, durchgeführt wird.
Verfahren (100) nach einem der Ansprüche 2 bis 4, wobei mindestens eines der lokalen Zellgitter so definiert ist, dass es eine oder mehrere der folgenden Eigenschaften aufweist: - Anisotrope Anordnung mindestens einer Untermenge der Zellen innerhalb des lokalen Zellgitters; - die Breiten oder Höhen oder Abstände der Zellen variieren bei mindestens einer Untermenge der Zellen innerhalb des lokalen Zellgitters; - eine Orientierung von mindestens einer Untermenge der Zellen innerhalb des lokalen Zellgitters ist auf die lokale Orientierung der GL gemäß ihrer georeferenzierten Referenzgeometrie an dem Kontrollpunkt ausgerichtet, der dem lokalen Zellgitter entspricht.
Verfahren (100) eines der Ansprüche 2 bis 5, wobei die georeferenzierten Erdbeobachtungsdaten einen oder mehrere Bildpunktwerte pro Bildpunkt eines Original-Bildpunktgitters repräsentieren, das die mindestens eine Bildebene abdeckt; und das geometrische Transformieren der georeferenzierten Beobachtungsdaten die Bestimmung von mindestens einem Zellwert für jede Zelle eines lokalen Zellgitters auf der Grundlage einer Aggregation einer Untermenge der Bildpunktwerte aufweist, die mit einem Bereich der ROI (105) korrespondiert, der von der jeweiligen Zelle des lokalen Zellgitters abgedeckt wird.
Verfahren (100) nach Anspruch 6, wobei das Aggregieren der Untermenge der Bildpunktwerte eine oder eine Kombination von mindestens zwei der folgenden Operationen aufweist: a) Mitteln der Bildpunktwerte aller Bildpunkte, die sich vollständig innerhalb der entsprechenden Zelle des lokalen Zellgitters befinden; b) Mitteln der Bildpunktwerte aller Bildpunkte, die mit dem Bereich der ROI (105) überlappen, der von der entsprechenden Zelle des lokalen Zellgitters abgedeckt wird, wobei jeder Bildpunktwert entsprechend der Größe seiner Überlappung mit dieser Zelle des lokalen Zellgitters gewichtet wird; c) gewichtetes Mitteln der Bildpunktwerte, wobei Bildpunkte, die näher an der Mitte der Zelle des lokalen Zellgitters liegen, höhere Gewichte erhalten als Bildpunkte, die weiter entfernt von der Mitte der Zelle liegen; d) Bestimmen des Medians, des Minimums und/oder des Maximums der Bildpunktwerte unter den Bildpunktwerten, die von der entsprechenden Zelle des lokalen Zellgitters abgedeckt werden; e) Bestimmen der Bildpunktwerte, die ein spezifisches Perzentil der Verteilung der Bildpunktwerte innerhalb der entsprechenden Zelle des lokalen Zellgitters repräsentieren; f) Bestimmen eines oder mehrerer eines Bereichs, einer Standardabweichung, einer Varianz oder einer anderen Funktion höherer Ordnung, die Merkmale der Verteilung der Bildpunktwerte innerhalb der Zelle des lokalen Zellgitters erfasst; g) Bestimmen eines Histogramms, das die Verteilung der Bildpunktwerte innerhalb der Zelle des lokalen Zellgitters darstellt.
Verfahren (100) nach einem der Ansprüche 2 bis 7, wobei mindestens eines der lokalen Zellgitter durch einen Satz von Gitterparametern definiert ist; und das Verfahren (100) ferner das Bestimmen mindestens eines der Gitterparameter auf der Grundlage eines Prozesses aufweist, der maschinelles Lernen in Verbindung mit der Kreuzvalidierung von Zwischenergebnissen der während des maschinellen Lernprozesses erhaltenen Auswertungsdaten mit Referenzparameterdaten beinhaltet, die bekannte korrekte Klassifikationen der betreffenden einen oder mehreren Eigenschaften der GL oder ihrer Umgebung gemäß der einen oder mehreren Beschaffenheiten repräsentieren.
Verfahren (100) nach einem der vorausgehenden Ansprüche, bei dem die Datenebenen (230 bis 260), die die jeweiligen sensorischen Messungen einer oder mehrerer lokaler Beschaffenheiten der GL oder ihrer Umgebung innerhalb der ROI (105) repräsentieren, eine oder mehrere der folgenden Beschaffenheiten repräsentieren: - Niederschlag; - Intensität oder Wellenlänge der lokalen Strahlung; - Temperatur; - Luftdruck; - Windstärke oder -richtung; - wenn die GL zumindest in einem Abschnitt der ROI (105) eine wasserbasierte geografische Linie ist: Geschwindigkeit und Richtung der Wasserströmung; - wenn zumindest in einem Abschnitt der ROI (105) die GL eine landbasierte geografische Linie ist, die für ein Landfahrzeug zugänglich ist: Vibration, Orientierung, Geschwindigkeit, Beschleunigung oder irgendein anderer Fahrzeugparameter, der von einem oder mehreren fahrzeuggestützten Sensoren gemessen wird und Einblick in bestimmte Beschaffenheiten der Transportlinie geben kann; - wenn die GL eine Transportlinie ist: die Nutzungshäufigkeit der Transportlinie, der Wartungszustand der Transportlinie oder die Zeit seit dem letzten Wartungsintervall, ein Alter oder eine Beschaffenheit der Oberfläche der Transportlinie; - Klimazone, Klimaprofile, erwartete Temperaturen oder Niederschläge: - Anfälligkeit für unerwartete Ereignisse wie Unfälle, Naturkatastrophen, Überschwemmungen, Erdrutsche, Lawinen, Sturmschäden, Tornados, Hurrikane, Taifune; - elektromagnetische Felder.
Verfahren (100) nach einem der vorhergehenden Ansprüche, das ferner das Ausrichten (S3) der jeweiligen Geometrie der GL in der einen oder den mehreren durch die Erdbeobachtungsdaten repräsentierten Bildebenen (210-260) mit einer georeferenzierten Referenzgeometrie (107) der GL aufweist, um einen kombinierten Bildstapel (200) zu bilden, wobei mindestens zwei der Bildebenen (210 bis 260) in den Stapel (200) integriert sind, wobei jede dieser Bildebenen (210 bis 260) ein jeweiliges digitales Bild in einer gegebenen jeweiligen räumlichen Auflösung repräsentiert, wobei sich die räumlichen Auflösungen von mindestens zwei dieser Bildebenen (210 bis 260) voneinander unterscheiden, zumindest in einem überlappenden Bereich, wodurch sich ein kombinierter Bildstapel (106) mit mehreren Auflösungen ergibt.
Verfahren (100) nach einem der vorhergehenden Ansprüche, weiterhin aufweisend die Anwendung eines Datenkompressionsprozesses (400), um die räumliche Auflösung einer gegebenen Bildebene (410) zu reduzieren, wobei der Datenkompressionsprozess (400) aufweist: Erzeugen von zwei oder mehr Unterebenen (420, 430, 440) der Bildebene (410) durch Neuabtasten mindestens eines Bereichs der Bildebene mit einer jeweils niedrigeren räumlichen Auflösung als ihre ursprüngliche räumliche Auflösung, unter Beibehalten oder Neuabtasten der räumlichen Auflösung mindestens eines anderen Bereichs der Bildebene (410), so dass, wenn die Unterebenen (420, 430, 440) überlappt werden, um gemeinsam eine kombinierte Mehrfachauflösungsdarstellung (450; 460) der Bildebene (410) zu definieren, die durchschnittliche Auflösung der kombinierten Mehrfachauflösungsdarstellung niedriger ist als die ursprüngliche Auflösung der Bildebene (410).
Verfahren (100) nach Anspruch 11, bei dem die geringere räumliche Auflösung, mit der mindestens ein Bereich der Bildebene (410) neu abgetastet wird, eine Funktion des Abstands des Bereichs von der GL ist.
Verfahren (100) nach Anspruch 11 oder 12, wobei das Überlappen der Unterebenen (420, 430, 440) das Aggregieren der Werte von räumlich überlappenden Bildpunkten von verschiedenen Unterebenen (420, 430, 440) gemäß einem vorbestimmten Aggregationsverfahren aufweist, um einen Bildpunktwert eines Bildpunktes zu erhalten, der in der resultierenden kombinierten Mehrfachauflösungsdarstellung (450; 460) einen räumlichen Bereich repräsentiert, der den überlappenden Bildpunkten der verschiedenen Unterebenen entspricht.
Verfahren (100) nach einem der Ansprüche 11 bis 13, bei dem die Bildpunkte einer ersten der Unterebenen (430, 440) lokal auf die jeweilige lokale Orientierung der GL an oder in der Nähe des jeweiligen Bildpunktes ausgerichtet werden, während die Bildpunkte einer zweiten der Unterebenen (420) vor der Kompression zu einer regelmäßigen Orientierung der Bildpunkte in der gegebenen Bildebene (410) korrespondieren.
Verfahren (100) nach Anspruch 13 oder 14, wobei das Überlappen und Aggregieren der Werte der sich räumlich überlappenden Bildpunkte verschiedener Unterebenen (420, 430, 440) das Erzeugen der kombinierten Mehrfachauflösungsdarstellung (460) der Bildebene aufweist, so dass die Orientierung der resultierenden Bildpunkte dieser Darstellung bei allen diesen Bildpunkten gleich ist.
Verfahren (100) nach einem der vorhergehenden Ansprüche, das ferner die Durchführung einer oder mehrerer der folgenden Operationen auf der Grundlage der Auswertungsdaten aufweist: Festlegen einer Navigations- oder Informationsausgabe eines Fahrzeugnavigationssystems; Steuern eines dynamischen Verkehrszeichens; Einstellen eines oder mehrerer konfigurierbarer technischer Parameter eines Fahrzeugs oder eines anderen Transportsystems; Auslösen eines Wartungs- oder Inspektionsprozesses in Bezug auf die GL; Vorhersagen einer zukünftigen Beschaffenheit der geografischen Linie oder ihrer Umgebung.
Ein Datenverarbeitungssystem, das so konfiguriert ist, dass es das Verfahren (100) nach einem der der Ansprüche 1 bis 16 ausführt.
Ein Computerprogramm, das Befehle enthält, die, wenn sie auf einem oder mehreren Prozessoren eines Systems nach Anspruch 17 ausgeführt werden, das System veranlassen, das Verfahren (100) nach einem der Ansprüche 1 bis 16 auszuführen.
Ein Computerprogrammprodukt in Form eines Datenträgers, auf dem ein Computerprogramm nach Anspruch 18 gespeichert ist.