Viac

Existuje spôsob, ako transformovať uzlový bod OSM na referenčný systém GPS automobilu?

Existuje spôsob, ako transformovať uzlový bod OSM na referenčný systém GPS automobilu?


Mám pripevnené auto s GPS (WGS84) a fotoaparátom (ktorý strieľal na cestu). Chcel by som vedieť, že existuje spôsob, ako dostať transformáciu z uzla OSM na karteziánsku súradnicu GPS pripevnenú na vozidle? Aby som mohol ľahko premietnuť súradnicu GPS do súradnice obrázku (z fotoaparátu).

Neviem, či je to problém priradenia mapy, pretože sa mi nechce zhodovať s trajektóriou (napríklad https://mapmatching.3scale.net/), ale chcem iba dostať uzol vedľa automobilu a potom urobte transformáciu medzi týmito dvoma.

Máš nápad?


Najskôr by som previedol OSM na tvarový súbor, uľahčuje jeho používanie a chráni pred „čiernymi škvrnami“.

Na úvod je potrebné uviesť trochu kódu:

// GDALAllRegister (); // Novšie verzie neoddeľujú OGR od GDAL // ČÍTAJTE http://www.gdal.org/ogr_apitut.html ĎALŠIE INFORMÁCIE char * BasePath = ""; // VYPLNITE CELU CESTA K TVARU SUBORU OGRRegisterAll (); OGRDataSource * hDS = NULL; OGRSFDriver * Driver = NULL; hDS = OGRSFDriverRegistrar :: Open (BasePath, FALSE, & Driver); OGRLayer * Layer = hDS-> GetLayerByName ("Polyline"); OGRSpatialReference * LayerSR = Layer-> GetSpatialRef (); OGRSpatialReference WGS84 = OGRSpatialReference (0); WGS84.importFromEPSG (4326); // TAM JE KDE EPSG: ČÍSLA PRICHÁDZAJÚ // vytvorte geometriu dotazu, preto musí byť YourX, YourY v rovnakom priestorovom odkaze // ako údaje osm. Toto obmedzuje vrátené funkcie iba na tie, ktoré sa nachádzajú blízko X, Y OGRPoint pt; pt.setX (YourX); pt.setY (VašeY); pt.assignSpatialReference (LayerSR); OGRGeometry * QueryGeom = pt.Buffer (SutableDistance); // urobi buffer bodu Layer-> SetSpatialFilter (QueryGeom); // teraz vrstva vráti iba pretínajúce sa prvky ... Layer-> ResetReading (); // inicializácia int pCnt = Layer-> GetFeatureCount (); if (pCnt> 0) {OGRFeature * pFeat; while ((pFeat = Layer-> GetNextFeature ())! = NULL) {OGRGeometry * pGeom = pFeat-> GetGeometryRef (); // získať geometriu pre funkciu ... pGeom-> transformTo (& WGS84); // Teraz je geometria vo WGS84 // PREČÍTAJTE si http://stackoverflow.com/questions/18747370/how-to-extract-vertexes-of- geometries-in-esri-shapefiles-using-ogr-library-with // O ZÍSKANÍ 'NÓDOV' V TOMTO RIADKU}}

Po rozdelení priamky na vrcholy je pytagorejský nájsť najbližší vrchol. Potrebujete vedieť, ktorým smerom ste sa rozhodli rozhodnúť, aká je ďalšia (so smerom čiary alebo proti nej) ... aby ste dosiahli rozumné vzdialenosti, musíte premietnuť oba body do premietaného súradnicového systému ako UTM, Lamberts nebo Albers ... ich parametre závisia od toho, kde sa nachádzate, ale o tom, ktoré parametre sú najvhodnejšie, môže rozhodnúť matematický vzorec.


Polička

Knižnica NCBI. Služba Národnej lekárskej knižnice, Národných inštitútov zdravia.

Institute of Medicine (USA) Výbor pre Iniciatívu Nadácie Roberta Wooda Johnsona pre budúcnosť ošetrovateľstva, pri Institute of Medicine. Budúcnosť ošetrovateľstva: zásadné zmeny, pokrok v zdraví. Washington (DC): National Academies Press (USA) 2011.


Vnútorný ultrazvukový pozičný systém založený na TOA pre internet vecí

S rozvojom internetu vecí sa informácie o polohe vnútorných objektov stávajú dôležitejšími pre väčšinu aplikačných scenárov. Tento príspevok predstavuje ultrazvukový systém určovania polohy v interiéri, ktorý umožňuje dosiahnuť presné polohovanie objektov pohybujúcich sa v interiéroch na úrovni centimetrov. Na vytvorenie celého systému sú potrebné vysielacie uzly, prijímacie uzly a ovládací terminál displeja. Systém je založený na technológii dlhodobého určovania polohy, ktorá využíva prístupový mechanizmus multiplexovania kódového delenia. Počet prijímacích uzlov nie je nijako obmedzený, pretože systém pracuje v režime hore-vysielanie-dole-prijímanie. Poloha prijímacieho uzla sa zistí na základe ultrazvukovej technológie určovania rozsahu času príchodu. Na presné určenie polohy musia byť najmenej štyri alebo päť vysielacích uzlov. Pracovný polomer nebude menší ako 5 metrov, ak je výška väčšia ako 3 metre. Systém používa širokopásmový pseudonáhodný šumový signál nazývaný Gold sekvencie na viacužívateľskú identifikáciu a meranie rozsahu šikmosti. Príspevok najskôr stručne predstavuje populárne metódy ultrazvukového určovania polohy v interiéroch, potom popisuje teóriu navrhovaného algoritmu a poskytuje výsledky simulácie. V článku je uvedená aj praktická implementácia a experimentálne výsledky, ktoré umožňujú preskúmať správnosť prístupu a jeho praktickosť.

1. Úvod

S príchodom Internetu vecí (IoT) [1] bude mať väčšina každodenných objektov (vecí) na svete výpočtové a bezdrôtové komunikačné schopnosti s jedinečnou identitou (ID) a adresou internetového protokolu (IP). Vo väčšine aplikácií IoT potrebujeme poznať polohu (presne alebo približne) vecí, ktoré sa pripájajú k sieti [2, 3]. Získanie informácií o polohe vecí je v mnohých aplikáciách veľmi dôležité a označuje sa ako Location Based Service (LBS). V komerčných aplikáciách LBS popisuje službu s pridanou hodnotou, ktorá poskytuje informácie o polohe objektu s podporou platformy Geographic Information System (GIS). Informácie o polohe sa dajú získať aj pomocou rádiovej siete mobilného telekomunikačného operátora alebo externou metódou určovania polohy. LBS slúži na dva účely: po prvé na určenie polohy mobilného zariadenia alebo používateľa, po druhé na poskytovanie ďalších informačných služieb týkajúcich sa polohy.

Signál globálneho pozičného systému (GPS) je vo vnútorných prostrediach zvyčajne nedosiahnuteľný, čo si vyžaduje technológiu určovania vnútornej polohy na presné určenie polohy objektu v interiéroch. Technológia určovania polohy v interiéroch sa používa ako doplnok alebo alternatíva systému GPS, kde je signál satelitov GPS slabý, keď sa dostane na zem, ale nemôže preniknúť do budovy.

Určovanie polohy v interiéroch je veľmi užitočné v mnohých aplikáciách, ako je napríklad verejná bezpečnosť a núdzové situácie, sprievodca polohovaním, sociálny dopyt, dopyt po propagácii trhu a veľké dátové aplikácie. Pokiaľ ide o verejnú bezpečnosť a núdzové reakcie, aplikácie, ako sú požiarne katastrofy a záchranári, by boli veľmi účinné, ak by bolo možné obete katastrofy presne lokalizovať v budove do podoby poschodia alebo čísla miestnosti. V každodennom živote môže LBS pomôcť pri zisťovaní polohy osobného automobilu na podzemnom parkovisku alebo umiestnenia mlieka v supermarkete. Poloha v interiéri môže pomôcť pri hľadaní najbližšej reštaurácie vo veľkom nákupnom centre a spôsobe, ako sa tam dostať.

Polohovaním v interiéri sa rozumie proces určovania polohy objektov vo vnútornom prostredí. V mnohých prípadoch sa pri určovaní polohy v interiéri využíva bezdrôtová komunikácia, umiestnenie základňovej stanice, inerciálny navigačný systém a rôzne podobné techniky. Medzi bežné technológie určovania polohy v interiéroch patria [4–6] bezdrôtové pripojenie Fidelity (WiFi), Bluetooth, infračervené žiarenie, vysokofrekvenčné pásmo (RF), ultra široké pásmo (UWB), rádiofrekvenčná identifikácia (RFID), ZigBee a ultrazvuk prijímaného signálu (RSS). . Autori v [4, 5] sumarizujú tieto bežné metódy určovania polohy v interiéroch a hodnotia ich z hľadiska presnosti, pokrytia, nákladov a zložitosti určovania polohy, ako je uvedené v tabuľke 1. Tieto technológie sú tiež dôležité pre výskum bezdrôtových sietí senzorov [7–9 ].

Technika navrhovaná v [10] je založená na metóde polohovania na základe rozsahu s využitím fyzickej vrstvy ZigBee. Autori študovali klasický prípad, ktorý ukazuje, že počiatočná presnosť polohy hrá dôležitú úlohu pri presnom určovaní polohy v interiéri. Cotera a kol. [11] použili trilateračné algoritmy, ktoré využívajú odhad rozsahu rádiových frekvencií a ich prístup vedie k presnosti ± 10 centimetrov, s celkovým počtom ± 4,09 centimetra. Autori v [12] študovali niekoľko metód bezdrôtového umiestňovania v bezdrôtových lokálnych sieťach (WLAN) založených na technológii RSS a študovali vhodné výberové kritérium pre veľkosť mriežky a zníženie prístupového bodu (AP). Metóda váženého priemeru (WAT) [13] je tiež založená na RSS, kde je presnosť lepšia ako tradičné metódy, ale stále je rádovo jeden meter. Veľkosti databázy požadované pre fázu učenia, ako aj pre fázu odhadu rýchlo rastú s rastúcim počtom oblastí pokrytia siete a počtom prístupových bodov. Prístup spektrálnej kompresie [14] významne znížil veľkosť databázy tak pre učenie systému, ako aj pre odhad. Zheng a kol. [15] navrhli vnútorný 3D pozičný systém, ktorý využíva lacné nožné snímače MEMS (Micro Electro Mechanical System). V tomto prístupe je odchýlka odhadu rozsahu asi 1% a odhadované chyby súradníc sú pod jedným percentom z celkovej prenosovej vzdialenosti. Zhuang a kol. [16] navrhujú prístup integrácie s dvoma filtrami pre polohovanie v interiéroch pomocou senzorov MEMS. Výsledky experimentu ukázali, že metóda má presnosť asi niekoľkých metrov, a to aj napriek zlepšeniu v presnosti určovania polohy a výpočtovej efektívnosti.

Okrem toho, aby sa optimalizoval rozsah pokrytia a presnosť polohovania, Domingo-Perez a kol. [17] navrhli optimálnu metódu nasadenia senzorov pre lokalizáciu v interiéroch. Autori v [18] navrhli metódu pasívneho určovania polohy prijatím špeciálnych charakteristík systému MIMO (Multiple Input Multiple Output), kde cieľ nemusí mať pozičné zariadenie. Systém môže dosiahnuť presnosť asi 1 meter. V nemocničnom prostredí Haute et al. [19] vyhodnotili systém s jedným kotviacim uzlom v každých dvoch miestnostiach. Prijatím prístupu pomocou odtlačkov prstov výskum poukazuje na to, že presnosť určovania polohy je asi 1,21 metra a presnosť určenia miestnosti je asi 98%.

Vyššie uvedené technológie umiestňovania zohľadňujú vnútornú štruktúru vnútorného prostredia. Presnosť určovania polohy medzi rôznymi metódami má veľké rozdiely. Na dosiahnutie vysokej presnosti určovania polohy sú najvhodnejšie tri technológie ako ZigBee a ultrazvuk. Technológia ZigBee a RF technológia štandardne udržujú presnosť určenia polohy až na metrové stupnice, zatiaľ čo ultrazvuková technológia môže poskytovať presnosť v rozmedzí centimetrov.

Zvyšok tohto príspevku je usporiadaný nasledovne: Oddiel 2 poskytuje krátke predstavenie populárnych metód ultrazvukového určovania polohy v interiéroch. Teória navrhovaného algoritmu je popísaná v časti 3 a výsledky simulácie sú uvedené v časti 4. Na preskúmanie správnosti prístupu a jeho praktickosti je v časti 5 popísaná praktická implementácia a experimentálne výsledky. Na záver oddiel 6 poskytuje záver a niekoľko poznámok k ďalšej práci.

2. Súvisiace práce

V porovnaní s neaakustickými metódami diskutovanými vyššie môžu akustické alebo ultrazvukové metódy dosiahnuť vyššiu presnosť umiestňovania v interiéroch s nižšími nákladmi. Ultrazvukový pozičný systém je podobný radarovým a sonarovým systémom, obsahuje hlavne tri časti: prenosový modul, prenosový kanál a modul prijímača. Frekvencia ultrazvukových vĺn použitých v interiérovom pozičnom systéme je hlavne asi 40 kHz [20], čo môže byť úzkopásmový signál alebo širokopásmový signál. Typické ultrazvukové lokalizačné systémy zahŕňajú hlavne: metódu aktívneho netopiera, metódu kriketu a metódu delfínov. Kriketová metóda má nižšie náklady. Túto metódu vyvinul Massachusetts Institute of Technology v Spojených štátoch.

Lindo a kol. [21] zaviedli dve metódy syntézy viacpásmových kriviek pre ultrazvukové systémy určovania polohy v interiéroch. Horizontálna chyba ich výsledkov je pod 35 cm. S prenosnou mriežkou majákov a niekoľkými pevnými kotvami De Angelis a kol. [22] navrhli ultrazvukový pozičný systém, ktorý v systéme 7 majákov vykazuje presnosť polohovania subcentimetra v rozsahu až 4 m. Prístup navrhnutý v [23] využíva takmer ultrazvukový zvuk (17 kHz) s chybami menšími ako asi 2 cm v hlučnom prostredí. Rozsah umiestnenia je do jedného štvorcového metra. Na zvýšenie presnosti odhadu rozsahu používajú autori v práci [24], ktorí používajú techniku ​​krížovej korelácie, prijímací signál a referenciu uloženú v pamäti. S prihliadnutím na možnosť straty ultrazvukového polohovacieho signálu na základe merania inerciálnych jednotiek (IMU) literatúra [25] navrhla kombinovanú metódu lokalizácie pohyblivého cieľa, ktorá využíva rozšírený Kalmanov filter (EKF) a Least Squares Support Vector Machine ( LS-SVM). Pri výskume systému určovania polohy v interiéroch je dôležitá aj energetická stratégia [26–28]. Je to hlavne preto, že uzly použité v systéme môžu byť vo väčšine prípadov napájané iba batériou.

Ultrazvukový systém určovania polohy v interiéri (IPS) je možné klasifikovať podľa nasledujúcich rôznych kritérií: (i) Na základe prenosu a príjmu signálu môže byť IPS prenášaný hore-vysiela-dole-prijímaný alebo hore-prijímaný-dole-prenášaný (ii) Na základe vzdialenosti meracie techniky možno IPS klasifikovať ako systémy Time of Arrival (TOA) a Time Difference of Arrival (TDOA) (iii) Na základe synchronizácie uzlov existujú synchronizačný systém transceivera a asynchronizačný systém transceiveru.

Všeobecne má ultrazvukový pozičný systém nielen lepšiu presnosť určovania polohy ako vysokofrekvenčný systém, ale má aj nižšie náklady.

Pre systém hore-vysielať-dole-prijímať stropné uzly vysielajú ultrazvukový signál, pozemné uzly prijímajú ultrazvukový signál, podobne ako funguje systém GPS na určovanie polohy pre systém hore-prijímať-dole-vysielať, stropné uzly prijímajú ultrazvukový signál signál prenášaný pozemným uzlom, podobne ako v satelitnom pozičnom systéme Beidou. Metóda TOA musí do prenosového signálu pridať špeciálnu časovú značku a na výpočet súradníc cieľového priestoru použiť čas príchodu signálu. Na druhej strane metóda TDOA nepotrebuje časovú značku, môže priamo vypočítať polohu priestoru cieľa cez časový rozdiel následných vysielaní.

3. Teória systému

Náš navrhovaný ultrazvukový pozičný systém využíva technológiu TOA range na zistenie polohy prijímacieho uzla. Náš systém sa skladá z troch typov uzlov: riadiaci uzol, vysielací uzol a prijímací uzol, ako je znázornené na obrázku 1.

V ultrazvukovom lokalizačnom systéme sú najdôležitejšie uzly kotviace uzly a mobilné uzly. Kotvové uzly sú zvyčajne pripevnené na streche, zatiaľ čo mobilné uzly sa pohybujú s cieľom. Keď systém pracuje, môžu byť vysielané signály vysielané buď z kotviaceho uzla alebo z mobilného uzla, čo zodpovedá prijímaču buď mobilný uzol alebo kotviaci uzol. Prvá situácia sa nazýva režim hore-vysielať-dole-prijímať a druhá situácia sa nazýva režim hore-prijímať-dole-vysielať. Oba dva režimy môžu dosiahnuť funkciu určovania polohy. Systém, ktorý sa tu spomína, používa vzor hore-vysielanie-dole-prijímanie. Uzly vysielača sú namontované na strope v prednastavených polohách a prenášajú ultrazvukové signály. Zatiaľ čo uzol prijímača prijíma ultrazvukové signály z uzlov vysielača a vypočítava samotnú polohu. Potom pošle informáciu o polohe do uzla konzoly cez WiFi modul.

Algoritmus určovania polohy používa na určenie súradníc uzla mobilného prijímača metódu sférickej križovatky. Predpokladajme, že systém má

uzly vysielača, kde sú súradnice každého uzla vysielača

. Na výpočet súradníc uzla prijímača vytvoríme nasledujúcu množinu sférických rovníc (rovnica (1)) s polohou a šikmou vzdialenosťou medzi každým uzlom vysielača a prijímača:

kde sú vypočítané vzdialenosti technikou TOA.

Potom môžeme odhadnúť polohu uzla prijímača pomocou metódy najmenších štvorcov, ako je znázornené v (2):

kde sú odhadované hodnoty () a prechodné parametre

Odhadovaná hodnota by mala byť navyše daná nasledujúcou rovnicou (4) a výber kladných a záporných hodnôt by mal byť v súlade so skutočnou situáciou.

Presnosť určenia polohy úzko súvisí s geometriou uzlov vysielača a uzla prijímača. Chyba pri určovaní polohy v dôsledku geometrie sa nazýva PDOP (Position Dilution of Precision). PDOP je trojrozmerný faktor presnosti polohy. Pre lepšiu presnosť určovania polohy by mala byť hodnota PDOP malá.

kde VDOP znamená vertikálne zriedenie presnosti a HDOP znamená horizontálne zriedenie presnosti. HDOP je druhá odmocnina druhej mocniny Latitude DOP (LaDOP) plus druhá mocnina DOP (LoDOP) druhá mocnina:

V systéme hore-vysiela-dole-prijímajte počet prijímacích uzlov nie je obmedzený a operáciu polohovania vykonávajú prijímacie uzly, takže dopyt po zdrojoch je viac pre prijímacie uzly v porovnaní s uzlami vysielača. Systém je vhodný pre lokalizačné a navigačné integračné služby.

Rýchlosť ultrazvukových vĺn závisí od teploty okolia. Je potrebné korigovať rýchlosť zvuku vzhľadom na teplotu, aby sa zabezpečila vysoká presnosť merania rozsahu sklonu (úroveň od centimetra po subcentimeter).

kde je teplota prostredia (° C), rýchlosť zvuku je asi 344 m / s pri 20 ° C.

Uzlom konzoly môže byť akékoľvek zariadenie (mobilné telefóny alebo počítače), ktoré má prístup k sieti WiFi. Po inštalácii softvéru na určovanie polohy v interiéri môže používateľ zobraziť polohu priestorových súradníc pohybujúceho sa objektu v reálnom čase a dokonca si uvedomiť plánovanie a správu cieľovej trajektórie.

4. Simulácia

Viacnásobný prístup k médiu môže byť úspešný, iba ak sú signály prenášané rôznymi používateľmi v signálnom priestore navzájom kolmé: Frekvenčný viacnásobný prístup (FDMA) je vo frekvenčnej doméne kolmý. Časové delenie Viacnásobný prístup TDMA je v časovej oblasti kolmý. a CDMA s viacnásobným prístupom s kódovým delením sú v charakteristických vlnových tvaroch používateľov kolmé. S ortogonálnymi kódmi môže CDMA dosiahnuť viacuživateľské polohovanie v rovnakom čase, zatiaľ čo pri použití rovnakého frekvenčného pásma je účinnosť polohovania najvyššia. Zlatá sekvencia je najbežnejším kódom používaným v systéme CDMA.

V našej simulácii a našej implementácii systém používa signál širokopásmového pseudonáhodného šumu (PRN), sekvenciu zlata na viacužívateľskú identifikáciu (CDMA) a meranie šikmej vzdialenosti. To pomáha zvládnuť viac používateľov a zlepšiť presnosť určovania polohy.

Náš typický scenár simulácie aplikácie je znázornený na obrázku 2: minimálne štyri uzly vysielača sú nainštalované na strope, rovnomerne rozmiestnené po obvode kruhu s polomerom 0,5 metra a súradnice sú (0, 0,5, 3), (0, -0,5; 3) a (0,5; 0; 3); (-0,5; 0; 3). Súradnice majú štandardnú odchýlku (STD) 1 cm a uzol prijímača je na súradnici (0,1, 0,2, 0).

Výsledky simulácie 1000-krát experimentov v Monte Carle sú znázornené na obrázkoch 3 a 4. Červená hviezdička „

„V grafoch označuje skutočnú polohu uzla prijímača, zelené bodky predstavujú výsledky z 1000 simulácií a modré znamienko plus predstavuje priemer z odhadovanej polohy 1000-krát. Štyri výsledky simulácie zodpovedajú odhadu rozsahu so štandardnými odchýlkami 1 cm, 2 cm, 5 cm a 10 cm.


Prinášame prediktívne analýzy so silou Neo4j

Agero je lídrom v oblasti cestnej asistencie za posledných 40 rokov. Veľa z ich podnikania závisí od umiestnenia - umiestnenie zákazníkov, prediktívne umiestnenie poskytovateľov služieb, sledovanie polohy a cesty - rýchlosť na ktorejkoľvek ceste a bezpočet ďalších dátových bodov. Hneď ako si Agero uvedomilo podstatu svojich pripojených údajov, obrátili sa k moci Neo4j.

Spoločnosť používa databázu grafov na vytvorenie priestorového pluginu otvoreného zdroja pomocou dát crowdsourcingu OpenStreetMap (OSM) na zisťovanie meniacich sa jazdných a jazdných podmienok, analýzu dynamických podmienok pre vývoj trendov, predpovedanie potenciálnych dôsledkov týchto trendov a zvyšovanie bezpečnosti vodičov a riadenia vozidla. skúsenosti.

Dátová štruktúra OSM je založená na hierarchických dátach, ktoré pozostávajú z uzlov (zemepisná šírka a dĺžka), spôsobov (zbierka uzlov) a vzťahov. Spoliehajúc sa na jedinečné ID uzlov a vzťahy medzi týmito uzlami, sú schopné poskytnúť vodičom jazdné podmienky v reálnom čase.

Prečo si teda spoločnosť vybrala práve Neo4j? Kvôli protokolu Bolt, uloženým procedúram a možnostiam doplnkov poskytuje & # 8211, ktoré spoločnosti Agero umožnilo jednoduché rozhranie s databázou grafov pomocou ich existujúcich procesov a programovacích jazykov.

Plná prezentácia: Prediktívne analýzy cestnej premávky s využitím sily Neo4j

Blake Nelson: O čom si dnes povieme, je to, ako Agero využíva Neo4j na vytváranie prediktívnych analýz vozoviek pre vodičov a ich súvisiace servisné spoločnosti:

Som riaditeľom, zakladateľom a vlastníkom malej firmy na vývoj softvéru Waveonics. Spolupracujem so spoločnosťou Agero na projekte, ktorý čoskoro ukončíme, a budem hovoriť niečo o skúsenostiach ako malý obchod s partnerstvom s priemyselnou elektrárňou.

Agero je popredný poskytovateľ bezpečnostných, bezpečnostných a informačných služieb v oblasti bezpečnosti vozidiel a vodičov, zatiaľ čo spoločnosť Waveonics je spoločnosť zameraná na vývoj softvéru a poradenstvo. Spoločne využívame Neo4j na vytvorenie priestorového pluginu otvoreného zdroja pomocou dát crowdsourced OpenStreetMap (OSM) na zisťovanie meniacich sa jazdných podmienok a jazdných podmienok, analýzu dynamických podmienok pre vývoj trendov, predpovedanie potenciálnych dôsledkov týchto trendov a zlepšovanie bezpečnosti vodičov a vodičských skúseností .

Podmienky jazdy sú dynamické, pretože na ne majú vplyv faktory ako počasie, premávka a stavba. Teraz máme schopnosť zhromažďovať a analyzovať údaje od našich zákazníkov, aby sme začali využívať lepšiu prediktívnu analýzu a strojové učenie. To nám umožňuje robiť predpovede a úpravy s cieľom zvýšiť bezpečnosť zážitku z jazdy.

Dostali ma, aby som pomohol analyzovať rôzne technológie databáz grafov. Prejdeme si náš prípad použitia, naše skúsenosti s Neo4j, niektoré problémy, s ktorými sme sa stretli, a flexibilitu prostredia.

Agero: Líder v oblasti cestnej pomoci

Deve Palakkattukudy: Agero podniká v oblasti cestnej asistencie posledných 40 rokov:

Pomáhame predplatiteľom v prípade, že sa im pokazí auto, či bude potrebovať opravu, alebo či dôjde k nehode vodiča. Prepojujeme výrobcov automobilov, poisťovacie spoločnosti, predajcov, finančné inštitúcie a odťahové spoločnosti, aby sme mohli poskytovať cestnú asistenciu a komplexné služby riadenia nehôd.

Za posledných 40 rokov sme lídrom v odbore cestnej asistencie a máme viac ako 9,5 milióna expedícií ročne - ako v prípade cestnej asistencie, tak aj v oblasti riadenia nehôd. Poskytujeme servis u viac ako 75% nových osobných automobilov, čo je jedno z každých 20 automobilov na cestách.

Podporujeme viac ako 350 rozhraní API, z ktorých väčšina je verejne dostupných, a sme priekopníkom špičkových telematických riešení, ktoré sa v súčasnosti inštalujú do automobilov vyššej triedy. Náš technický tím dnes pracuje na telematickej platforme novej generácie s údajmi, ktoré zhromažďujeme zo senzorov mobilných telefónov, a v súčasnosti dokážeme predvídať nehody.

Spoliehame sa na údaje, ktoré sme zhromaždili za posledných 40 rokov, z ktorých veľké množstvo je založené na polohe - poloha našich zákazníkov, prediktívne polohy našich poskytovateľov služieb, sledovanie polohy a cesty - a rýchlosť na ktorejkoľvek ceste. Všetky tieto údaje sú spätne spojené s našim zákazníkom. Hneď ako sme si uvedomili súvislosť našich údajov, obrátili sme sa k sile Neo4j v našom agregáte Agero.

Využívanie údajov z otvoreného zdroja na zabezpečenie prediktívnej analýzy

Nelson: Pracujeme s 85 miliónmi vodičov a ročne vypravíme takmer 10 miliónov hovorov. Tieto údaje môžeme skombinovať s údajmi, ktoré zhromažďujeme zo senzorov v mobilných telefónoch ľudí, aby sme zistili nehodu takmer v reálnom čase. Pomocou rovnakého senzora mobilného telefónu dokážeme porozumieť aj cestovným modelom.

Pomocou týchto analýz môžeme začať robiť predpovede a určovať, ako ich spätne sprostredkovať našim hlavným klientom: poisťovniam, poskytovateľom služieb a finančným spoločnostiam. A Agero je lepidlo, ktoré drží vodiča spolu so všetkými spoločnosťami, ktoré im predávajú.

Zameriavame sa predovšetkým na cesty, cestovanie a navigáciu - ako teda získať údaje, ktoré potrebujeme na vyplnenie databázy? Údaje využívame pomocou crowdsourcingu, podobne ako údaje používa Waze - malá spoločnosť zakúpená spoločnosťou Google.

Tento otvorený zdroj dát s hromadným prístupom vkladá obrovské množstvo používateľov z celého sveta od inžinierov, profesionálov z oblasti GIS, mapárov a humanitárnych pracovníkov. Ak potrebujete získať informácie o tom, ako reagovať na tajfún alebo hurikán, kde ich nájdete a ako môžete efektívne nasadiť pomoc?

Naše údaje pochádzajú z otvorených databáz GIS databáz, ako sú napríklad otvorené databázové zdroje vládnych sčítaní ľudu z miestnych zdrojov, ktoré zahŕňajú vlastníctvo nehnuteľností, geografické hranice, cesty atď. A existujúce mapy s nízkou technologickou úrovňou. Všetky tieto zdroje sa spájajú pri vytváraní OSM, takže ide o bohatú množinu dát, ktoré máme k dispozícii. A toto je prípad použitia, o ktorom plánujeme diskutovať.

Hierarchia: dátová štruktúra OneStreetMap

OSM je postavené na hierarchii informácií. Začíname bodmi, ktoré sú našimi uzlami a ktoré sú na najnižšej úrovni. Pozostávajú z zemepisnej šírky a dĺžky, z ktorých každý pozostáva z globálne jedinečného ID spolu so značkami, ktoré sú vlastnosťami kľúč - hodnota.

Pretože tieto značky pochádzajú z externých zdrojov, mohlo by ísť doslova o čokoľvek - čo môže byť aj negatívum. Je napríklad diaľnica napísaná diaľnica alebo H-W-Y? Znamenajú pre nás to isté sémanticky, ale je ťažšie ich efektívne zachytiť v rámci dátového modelu.

Na vrchole uzlov máme usporiadané sekvencie uzlov vo forme & # 8220way, & # 8221 alebo trasy. Pozostávajú z ID # 8220way & # 8221 a sekvencie ID # 8220node & # 8221, ktoré môžu obsahovať značky, ktoré sú vlastnosťami kľúč - hodnota. Sú koordinovanou postupnosťou bodov GPS, ktorou môže byť čokoľvek, od krátkej oblasti vozovky alebo vlakových trás po riečne cesty alebo cyklotrasy. Môžete teda začať popisovať určité oblasti a regióny, rýchlostný limit v týchto oblastiach atď.

Úplne najvyššou sémantikou je vzťah # 8220, ktorý by mohol odkazovať na množinu uzlov zemepisnej šírky a dĺžky, organizačnú sekvenciu „8220ways“, o ktorej sme práve hovorili, alebo by sa mohol odkazovať na subreláciu. Táto logika začína stavať polygóny - alebo oblasti - napríklad hranice mesta, mesta, jazera alebo kancelárskeho parku. To poskytuje bohaté sémantické informácie a v rámci OpenStreetMap ich budujeme po jednotlivých úrovniach.

Testovanie údajov

Takto to vyzerá v XML:

Máme jedinečné ID uzla, polohu zemepisnej šírky a dĺžky a potom prípadne značku, pár kľúč - hodnota alebo organizáciu. Tu sme dostali GPS, ktoré predstavuje polohu dopravnej značky, a potom máme & # 8220ways & # 8221 s odkazom - ktorý kvôli jasnosti nazývajú ND (odkazy na uzly) - ktorý ukazuje späť na predchádzajúci ID uzla v súbore. Potom máme vzťahy dole v dolnej časti, kde odkazujeme späť na akýkoľvek predchádzajúci spôsob alebo uzol vzťahu:

1 Cabot Road # 4 je kancelárske miesto pre spoločnosť Agero, kúsok od Bostonu. Oranžovo zvýraznená oblasť v dolnej časti je Revere Beach Parkway a predstavuje iba časť cesty. Úplne dole je uvedených niekoľko uzlov, ktoré existujú v diaľnici & # 8220way & # 8221, a všetky tieto jedinečné identifikátory môžu byť súčasťou viacerých spôsobov.

Naše údaje nám tiež hovoria, že máme križovatku medzi Revere Beach Parkway a Brainard Avenue. Naše páry kľúč - hodnota, ktoré sa stali referenčnými, pochádzajú z databázy MassGIS a ukazujú, že šírka cesty je 30,2 metra.

To má značnú mieru rozsahu a zložitosti. Môžu to byť cesty, chodníky, cyklotrasy, vodné toky, rieky, vlakové trate a čokoľvek, čo by zaujímalo niekoho, kto mapuje.

Dáta sú tiež neuveriteľne dynamické. Napríklad snímka spred pár týždňov ukazuje, že za daný deň bolo 1,2 milióna dodatkov, 302 000 úprav a 120 000 vymazaní. Len v Severnej Amerike máme takmer jednu miliardu uzlov bodov zemepisnej šírky a dĺžky, viac ako 60 miliónov & # 8220ways & # 8221 (postupnosť súvisiacich uzlov), 330 miliónov tagov (vlastnosti uzlov a spôsobov) a 972 000 & # 8220relations & # 8221 (medzi cestami a uzlami). Počet používateľov a prispievateľov tiež neustále rastie.

Každý z nich má určitú kombináciu informácií - napríklad stav povrchu vozovky a jej rýchlostný limit - aby sme mohli pochopiť, čomu čelia naši vodiči a ako im najlepšie slúžiť.

Aj v oblastiach, kde nemáme informácie v databáze, môžeme analyzovať údaje, ktoré máme o povrchových podmienkach, dennom čase a počasí, aby sme mohli inteligentne predpovedať, aká by mala byť efektívna rýchlosť. Ak z toho uvidíme mimoriadne hodnoty, možno pracujeme s nebezpečným vodičom.

Ak sa pozriete na našu oranžovú cestu, máme asi pol tucta rôznych spôsobov OSM, ktoré sú prepojené, pretože jeden meter cesty sa môže líšiť od nasledujúceho metra cesty.

Voľba Neo4j

Prečo sme sa teda rozhodli pre prechod na databázu grafov? Pretože cesty sú grafy:

Niekde začneme, niekam ideme, ideme po vozovke a stáčame ju do úsekov. Keď pochopíme informácie o polohe pochádzajúce od našich používateľov pri jazde v aute, môžeme zistiť informácie zo snímača a GPS.

Musíme to zmapovať naspäť na skutočné cesty, aby sme porozumeli chovaniu vodiča a vlastnostiam cesty. Ako budú jazdiť na danom mieste? Je to bezpečné? Mali by sme ich presmerovať, ak rokujeme s flotilou, cestovaním alebo poskytovateľmi služieb?

Každý z týchto segmentov - ktoré sú hranami medzi uzlami - má vlastnosti, ktoré chceme reprezentovať. Neo4j nám dáva schopnosť dať vlastnosti na tieto hrany a vzťahy medzi ich uzlami. To je oveľa jednoduchšie v modeli databázy grafov ako v našom modeli relačnej databázy.

Boltov protokol

Keď sme videli možnosti, ktoré boli poskytované v Neo4j, videli sme, aké užitočné by pre nás mohli byť databázy grafov. Prvý prichádza v podobe protokolu Neo4j & # 8217s Bolt, ktorý v súčasnosti obsahuje natívne ovládače pre Python, Java, Javascript a .NET.

Naši vedci v oblasti dát pracujú s programami strojového učenia, ktoré obsahujú štandardné algoritmy, z ktorých väčšina sa vykonáva v Pythone. Mnoho našich vývojárov pracuje aj v prostredí Java a pre naše webové stránky máme v JavaScripte spustených viac platforiem. Ale všetky máme podporu prostredníctvom natívneho protokolu Neo4j Bolt.

Schopnosť priniesť nástroj ako Neo4j, ktorý ľahko zapadá do vývoja, ktorý vyvíjame, je pre nás obrovským plusom. Môžeme ho tiež použiť na bohaté modelovanie našich údajov, pretože sa hodí pre náš prípad použitia a umožňuje nám prístup k našim údajom spôsobom, ktorý už fungujeme.

Uložené procedúry

Uložené procedúry sú pre nás ďalšou veľkou výhrou. Veľká časť našej práce má investigatívny charakter, pretože sa vždy snažíme dozvedieť viac z prichádzajúcich údajov.

Naši vedci v oblasti údajov vytvárajú algoritmy. Ak chceme zvýšiť výkon, môžeme tieto algoritmy presunúť do uložených procedúr. Spracovanie môžeme posunúť bližšie k údajom a získať výkon skôr zo servera než z klienta. Takže vyvíjame nášho klienta a migrujeme na server podľa pokynov našich výkonnostných tímov.

Možnosti doplnkov: Rtree a GeoHash

Neo4j má tiež funkciu technickej podpory doplnkov. Pracujem s doplnkom Neo4j Spatial, ktorý má natívnu podporu pre import údajov OpenStreetMap a vytvára index založený na Rtree.

RTree je spôsob vyváženia geolokácií. Vzhľadom na zemepisné šírky a dĺžky zistíte ohraničujúce políčko pre záujmovú entitu a rozdelíte svet na obdĺžniky. Vyrovnáte tak rozdelenie položiek do týchto obdĺžnikov:

Máte minimalizáciu ohraničujúcich polí a potom s deťmi postavíte strom. Keď prechádzate po strome k niektorému z týchto ohraničovacích rámčekov, ak nájdete svoje zaujímavé miesto, začnete prehľadávať deti, či máte menší a rafinovanejší ohraničujúci rámček.

Bohužiaľ, Rtrees nedosahujú dobré výsledky v rozsahu, najmä v najhorších scenároch. Ak sa údaje, ktoré prinášate, neustále menia, v ohraničujúcich poliach môžete skončiť s presahmi. Niekedy je potrebné strom rozdeliť a znovu vyvážiť, čo vyžaduje veľa opätovného spracovania.

Ďalším spôsobom, ako môžete indexovať, je GeoHash, ktorý vám umožní vziať dvojrozmernú zemepisnú šírku a dĺžku a rozdeliť ju na jednorozmerný bitový reťazec. Berieme svet a delíme ho na & # 8220cells & # 8221 - najskôr pomocou zemepisnej dĺžky, aby sme určili, na ktorej strane sveta sa nachádzate, vľavo alebo vpravo. Ak & # 8217re napravo, dostanete 1 a ak & # 8217re zľava, získate 0:

Ďalej sa rozdelíte podľa zemepisnej šírky. Ak ste na sever, dostanete 1 a ak na juh, dostanete 0:

Môžeme sa štiepiť ďalej, až kým sa nedostaneme na akúkoľvek úroveň podrobnosti, s ktorou chceme pracovať.

Keď rozdelíme veci, veci, ktoré sú si navzájom blízke, budú v rovnakom ohraničovacom poli a budú mať teda rovnaký predchádzajúci bitový reťazec, takže môžete skončiť s niečím takýmto:

Beriete zemepisnú šírku a dĺžku, pokračujete v rozdeľovaní sveta na polovicu a nakoniec skončíte s trochou špagátu. Ak vezmeme našu polohu tu na (37,7, -122,41), umiestni nás to priamo na GraphConnect.

Keď to rozdelíme viackrát, skončíme dlhou nezvládnuteľnou bitovou šnúrkou. Ale ak to vezmete a postavíte postavy s piatimi bitmi súčasne, kódujú ho # 8211 base 32, získate niečo lepšie čitateľného.

Takže pôjdeme z zemepisnej šírky a dĺžky do nášho bitového reťazca v zakódovanej základni 32 a pre náš región vymyslíme 9q8yy s určitou mierou variantov. Podľa toho, aká dlhá je šnúrka, dostanete menšiu ohraničujúcu skrinku. S kratšou šnúrkou získate väčšiu ohraničujúcu skrinku. Všetko, čo robíme, je rozdeľovanie a malé posúvanie, takže je to pekné a rýchle kódovanie, ktoré nás zavedie z dvojrozmerného do jednorozmerného.

A rovnako rýchlo to zvrátime:

Rovnakými krokmi v opačnom poradí môžeme prejsť z jednorozmernej do dvojrozmernej. Vezmite našu základňu 32, vložte ju do našej bitovej struny a potom - s vedomím, že každý druhý bit má význam buď pre zemepisnú šírku alebo dĺžku - môžeme vypočítať vytiahnutím bitov a prestavbou našej zemepisnej šírky a dĺžky.

Je však potrebné pamätať na to, že tieto súradnice nie sú skutočným bodom - predstavujú ohraničujúci rámček, takže sú tam určité chyby. Čím dlhší reťazec, tým menšia chyba, takže ide o kompromis.

Tieto údaje môžeme tiež použiť na určenie blízkosti:

Takmer všetko, čo sa okolo nás nachádza, bude v tomto ohraničovacom poli alebo v jednom z okolitých ohraničujúcich rámov - čo znamená iný reťazec. Bude to v jednej z týchto deviatich oblastí a ohraničujúce políčka zmenšíme tak, že povrázok predĺžime o niečo dlhšie alebo naopak. Toto je neuveriteľne flexibilný kódovací mechanizmus.

Pomocou technológie grafov môžeme tento reťazec vyhľadať naozaj rýchlo. Ak zostavíme strom GeoHash pomocou nášho reťazca, môžeme dať identifikáciu každému zo vzťahov medzi uzlom v našom strome. Sledujeme reťazec nadol v grafe a končíme pri liste, ktorý predstavuje San Francisco:

Aby sme našli miesta, ktoré sú blízko nás, buď zostúpime k rovnakému uzlu, alebo budeme mať GeoHash jedného zo susedov a rýchlo sa vydáme po tejto ceste, až kým sa nedostaneme na koniec a potom odbočíme.

Takto to vyzerá, keď to vložíme do Neo4j:

Pre týchto päť reťazcov GeoHash mám rovnakých predchodcov pre reťazec znakov a nakoniec na poslednom kóde urobím Y alebo W a rozvetvím sa. Pre poslednú časť reťazca máme jedinečný znak a potom dostaneme naše listové uzly. Ďalej vezmem každý z mojich listových uzlov a vytvorím vzťah k zaujímavému spôsobu OSM.

Keď načítam informácie z OpenStreetMap a pozriem sa na každý zo spôsobov, môžem určiť, s ktorými oblasťami GeoHash sa bude tento spôsob pretínať, a potom ich priradiť k reťazcu GeoHash v mojom strome.

Takže keď hľadám ovládač na základe pozičného čítania (zemepisná šírka, zemepisná dĺžka), môžem pomocou GeoHash zistiť, kde je ovládač, zakódovať tento GeoHash, kráčať po mojom strome a dostať sa na listový uzol, ktorý ma bude smerovať k množine spôsobov OpenStreetMap, ktorá mi je najbližšia. Môžem to urobiť aj pre rovnováhu susedov.

Takto získam rýchly spôsob, ako zistiť, kde je vodič založený na údajoch GPS. V rámci nejakého čítania chýb z GPS cez budovy alebo čipy v jeho mobilnom zariadení môžem zistiť, čo & # 8217s v rámci tejto blízkosti, na základe toho, aké veľké som vytvoril moje oblasti GeoHash.Dokážem spojiť svoje indexovanie regiónu so skutočnými údajmi v rovnakom grafe bez akejkoľvek skutočnej nejasnosti v tom, čo spracovávam.

Prečo databáza grafov Neo4j?

Pretože mám Neo4j, ktorý má schopnosť otvoreného zdroja, a pretože mám možnosť vstúpiť a vytvoriť svoje vlastné uložené procedúry alebo upraviť existujúce uložené procedúry, ktoré sú tam pre Neo4j Spatial plugin, môžem vylepšiť existujúci Rtree - ktorá nefunguje tak, ako to potrebujem - a vylepšiť ju iným spôsobom, ako indexovať a vyhľadávať moje informácie.

Naše prostredie je dostatočne bohaté na to, aby predstavovalo zložitosť a vzťahy z OpenStreetMap medzi mojimi firemnými zákazníkmi, poskytovateľmi služieb a 85 miliónmi ľudí na cestách, ktorí sú spojení s mojou technológiou - a všetky tieto spojil pomocou známych dátových vzťahov.

Môžem spustiť analýzu údajov z týchto vzťahov a použiť ich, pretože údaje sú vyladené pre môj prípad použitia. A hoci sa mi výkon Rtree na základe môjho konkrétneho prípadu použitia nepáčil, môžem ho ľahko upraviť.

Môžeme vziať náš usmernený graf spolu s doplnkom Neo4j Spatial, ktorý natívne podporuje dáta OpenStreetMap a prispôsobiť ho pre súbory dát, ktoré sme nahrali. Môžem upraviť indexovanie tak, aby vyhovovalo môjmu prípadu použitia, a môžem závisieť na výkone Boltu, aby som dal svojim dátovým vedcom flexibilitu, aby mohli ďalej pracovať s nástrojmi, ktoré majú.

Vývojári spoločnosti Agero s pozadím Java sa môžu do tohto prostredia ľahko presunúť. Môžem optimalizovať svoj výkon tým, že vezmem skunk pracovné algoritmy a - keď ich formalizujú a overujú - môžem ich presunúť do uložených procedúr a zviazať ich s databázou.

Mám otvorený zdrojový kód a podporu komunity od skupín Google a OpenStack, kde môžem získať podporu, a dokážem si vybudovať svoju vlastnú funkcionalitu pomocou možnosti pluginu. Môžem to vyladiť, keď vložíme naše vlastné algoritmy a naše vlastnícke informácie, ktoré nám umožňujú prepojiť našich podnikových a našich riadiacich zákazníkov, s ktorými spolupracujeme. Celá táto flexibilita prostredia je pre nás nesmierne užitočná.

Zaujíma vás, ako používať technológiu grafov vo vašom priemysle?
Stiahnite si tento dokument, Top 5 prípadov použitia databáz grafova zistite, ako využiť silu pripojených údajov pre váš podnik.


Modelovanie

Pre krátku rekapituláciu uvažujeme o softvérovom systéme, ktorý implementuje potrubie troch etáp. Ako prvá etapa ARP fáza počíta niekoľko alternatívnych ciest s obmedzeným prekrývaním. V druhej etape PTDR modul odhaduje predpokladaný čas cesty pre každú alternatívu podľa aktuálnych dopravných podmienok. Nakoniec Zmena poradia etapa si zvolí najlepšiu cestu, po ktorej sa bude riadiť podľa času príchodu a ďalších svojvoľných politík stanovených poskytovateľom navigačných služieb. V tejto časti si popíšeme, ako vymodelovať tri uvažované komponenty tak, aby systém správne dimenzoval a dosiahol požadované QoS a zároveň čo najviac znížil prevádzkové náklady.

Na modelovanie uvažovaného systému možno použiť veľa modelovacích techník. Napríklad G-Net [6] umožňuje zvážiť zdieľané zdroje a dávkové služby. V tejto práci sme uprednostnili použitie techniky formalizmu multiformalizmu [10] na využitie funkcií dvoch rôznych prístupov k modelovaniu, pričom každý z nich je vhodnejší na opísanie rôznych charakteristík rôznych komponentov systému. Konkrétne je opísaný prvý modul navigačnej služby (etapa plánovania alternatívneho smerovania) s prostredím modelovania multi-formalizmu podporovaným JMT [2], ktoré kombinuje viactriedové siete radenia (QN) [11] a farebné zovšeobecnené stochastické Petriho siete (GSPN) [14]. Kombinácia QN a GSPN umožňuje popísať alokáciu prostriedkov aj správanie pri radení procesov. Ostatné dva stupne sú namiesto toho modelované pomocou konvenčných fork / join a ďalších konvenčných komponentov QN, pretože nie sú charakterizované zložitou dávkovou a časovou štruktúrou.

Ak chcete modelovať rôzne typy požiadaviek, prvé smerovanie a presmerovanie, používame dva rôzne typy entít, ktoré sú mapované do dvoch otvorených tried pre to, čo sa týka sieťových primitívov vo fronte, a pre farebné tokeny pri práci s Petriho sieťami. Pre zjednodušenie zápisu budeme v nasledujúcom nazývať tieto rôzne typy entít triedy bez ohľadu na to, že sa týkajú primitívov QN alebo GSPNs.

Modul ARP

Prvá časť ropovodu predstavuje najkomplexnejšiu fázu ropovodu na spracovanie, pretože sa pri implementácii služby spolieha na niekoľko stupňov adaptivity. Obrázok 3 ilustruje navrhovaný model multiformalizmu pre štádium ARP. Skladá sa hlavne z dvoch samostatných a paralelných potrubí na spracovanie, ktoré zdieľajú rovnaké výpočtové zdroje. Ten, ktorý sa používa na obsluhu požiadaviek v prípade normálnej prevádzky, je zobrazený v hornej časti modelu, zatiaľ čo druhý, ktorý sa používa iba v prípade preťaženia systému (špičky požiadaviek) na zníženie čakacej doby pred tým, ako ich obslúži Modul ARP je znázornený v dolnej časti obrázku.

Multiformalizačný model alternatívnej fázy plánovania trasy s rýchlym jazdným pruhom

Miesto Zdroje modeluje počet paralelných servery k dispozícii pre fázu ARP. Počiatočné označenie tohto miesta určuje počet uzlov dostupných v systéme. Špeciálna trieda menom Jadrá je priradený tokenom na tomto mieste: tento typ entít je nevyhnutný na sledovanie počtu zaneprázdnených spracovateľských jednotiek, ktoré zodpovedajú jadrám HPC infraštruktúry. Smerovacie požiadavky prichádzajú do systému z Zdroj uzol, predstavovaný rámčekom S na obrázku 3. Prichádzajúce požiadavky, tu reprezentované Petriho sieťovými tokenmi, sú zaradené do fronty na mieste Prichádzajúce a podávajú sa vždy, keď je k dispozícii aspoň žetón triedy Jadrá je k dispozícii na mieste Zdroje. Získavanie zdrojov je modelované okamžitým prechodom Porcia, ktorý je povolený jedným tokenom tokenu triedy (first ! - ! routing ) alebo (re ! - ! routing ) a jedným tokenom Jadrá trieda. V dôsledku prepálenia prechodu Porcia, nový zákazník s rovnakou triedou ako trieda tokenu získaná z miesta Prichádzajúce sa generuje v (Vidlica_) poradová stanica. Tento uzol, predstavovaný písmenom „K“ obklopeným kruhom, zodpovedá a Vidlička uzol, ktorý rozdelí prichádzajúcu úlohu na dve úlohy, odoslané jednotlivo na dva nekonečné servery, ktoré čakajú na stanice Pravidelné a (Časový limit ), každý reprezentovaný jedným malým kruhom.

Pravidelné servery spracúvajú každú úlohu podľa ich efektívneho rozdelenia času služby, zatiaľ čo servery (Time-out ) sledujú deterministické rozdelenie, ktoré predstavuje termín, do ktorého musí byť úloha dokončená. Oba servery smerujú úlohy do (Join_) stanica, ktorá je znázornená zrkadlovým vzorom v tvare „K“ obklopeným kruhom, ktorý implementuje a Pripojte sa Zložka QN charakterizovaná a Uznášaniaschopné politika: úloha sa považuje za dokončenú, keď je dokončený zlomok úloh, v ktorých bola rozdelená. V takom prípade stačí, aby sa za ukončenú prácu považovala iba jedna z dvoch úloh, čo zodpovedá buď time-outu alebo riadnemu dokončeniu. Druhá dokončená úloha bude po dosiahnutí spojovacieho uzla jednoducho zahodená. Sémantika nekonečného servera dvoch uzlov zaradených do poradia Pravidelné a (Time-out ) je možné použiť, pretože počet serverov vykonávajúcich úlohy je riadený podľa miesta Zdroje. Pracovné miesta s odchýlkou ​​od Pripojte sa stanice sú odoslané Uvoľnenie miesto, umožňujúce Uvoľnenie prechod, ktorý posúva požiadavku na smerovanie do ďalšej fázy ropovodu a obnovuje token z Jadrá trieda v Zdroje miesto. V modeli to predstavuje šípka, ktorá nemá žiadne cieľové uzly: to znamená, že úlohy ukončujúce tento bod budú aj naďalej obsluhované ostatnými fázami systému.

Aj keď sú v skutočnosti zavedené politiky škálovania na vydávanie žiadostí o získanie zdrojov od poskytovateľa HPC v prípade nadmernej frekvencie príchodov, v časovom rámci medzi požiadavkou a skutočným pridelením zdrojov by prichádzajúce požiadavky mohli nasýtiť všetky dostupné čerpacie stanice zvýšením času odozvy systému nad prijateľná hranica. Aby sme sa dostali k tomuto problému, zavedieme rýchle spracovanie jazdných pruhov paralelne s hlavným plynovodom, aby sme tieto problémy vyriešili. Rýchly pruh vypočíta jednu najkratšiu cestu a vráti ju používateľovi bez ďalšieho spracovania. Táto konkrétna cesta sa vyberie vždy, keď počet zákazníkov čakajúcich vo fronte ARP prekročí danú prahovú hodnotu, inak sa uprednostňuje hlavný kanál. Toto správanie pri vysokom zaťažení modeluje model Preťaženie okamžitý prechod, ktorý je povolený vždy, keď je vyznačený Prichádzajúce miesto dosiahne prahovú úroveň n bez ohľadu na ich pôvodnú triedu. Prah n je parameter, ktorý je potrebné doladiť v závislosti od rýchlosti príchodu a servisných časov. Aby sa zabránilo nadmerným výkyvom vo výbere trás nepretržitým prepínaním medzi týmito dvoma alternatívami, systém čaká, aby mal k dispozícii dostatok zdrojov na obsluhu dávky n pracovných miest vždy, keď sa dosiahne hranica. Toto je modelované pomocou oblúka hmotnosti n (žetóny Jadrá trieda), ktorá spája miesto Zdroje k prechodu Preťaženie. Navyše, aby sa po dosiahnutí prahovej hodnoty zabránilo úlohám sledujúcim cestu ľahkého nákladu, an inhibičný oblúk hmotnosti n úlohy (buď triedy služieb (prvá ! - ! trasa ) alebo (re ! - ! trasa )) spája miesto Prichádzajúce k prechodu Porcia. Potom sa pracovné miesta presmerujú na Rýchlo miesto, ktoré má obsluhovať nekonečný server Rýchlo časovaný prechod. Po dokončení spracovania úlohy úloha opustí systém, reaguje na čakajúceho používateľa, a token s Jadrá triedy je obnovená na mieste Zdroje.

Na kvantitatívne znázornenie účinku rýchleho pruhu zobrazuje obrázok 4 čas odozvy modulu ARP pri zvyšovaní počtu požiadaviek nad hodnotu použitú na dimenzovanie infraštruktúry. Najmä infraštruktúra bola prispôsobená pre mieru požiadaviek ( lambda = 100

[požiadavka / s] ). Ako sa dalo očakávať, zvýšením počtu žiadostí za sekundu zaznamenávame rastúce percento žiadostí vybavovaných serverom rýchly pruh. Líši sa chovanie času odozvy. Zostáva menej ako 1 sekundu až do ( lambda = 1300

[požiadavka / s] ) a potom dramaticky rastie. Toto je bod, v ktorom už ani služba rýchleho pruhu nedokáže zvládnuť veľké zaťaženie a systém je nevyhnutne nasýtený. Upozorňujeme však, že tento jav sa vyskytuje iba vtedy, keď je prichádzajúce zaťaženie viac ako 13-krát väčšie ako miera príchodu, pre ktorú bolo dimenzované. Všimnite si, že v oblasti stredného ťažkého zaťaženia, to znamená s (100 & lt lambda & lt1300 ), sa priemerný čas odozvy znižuje: k tomu dochádza, pretože rýchlej ceste je doručený väčší zlomok požiadaviek. Upozorňujeme, že používatelia využívajúci rýchlu cestu majú k dispozícii odpovede s nižšou kvalitou: s týmto dizajnom, ako sa zvyšuje zaťaženie, sa privilégiá systému zrýchľujú nad kvalitou, čo poskytuje lepší výkon na úkor efektívnosti navrhovaných trás.

Scenár preťaženia systému prispôsobeného na podporu ( lambda = 100 ). Zelenou farbou vykreslíme čas odozvy systému ako plnú čiaru. Oranžovou farbou vykreslíme ako bodkovanú čiaru mieru požiadaviek smerovaných do rýchleho pruhu, aby sme zvládli nadmerné pracovné zaťaženie

Fázy PTDR a zmeny poradia

Ďalšie dva stupne sú oproti stupňu ARP jednoduchšie. Alternatívne cesty objavené v etape ARP sa v skutočnosti preposielajú do modulu PTDR, aby sa vypočítal odhad doby cesty pre každú z nich. Pretože tento proces je možné vykonávať paralelne, je modelovaný jednoduchým modelom frontu fork-and-join. Každé ARP riešenie predovšetkým produkuje k alternatívnych trás a potom sa objaví k paralelné úlohy, z ktorých každý spúšťa algoritmus PTDR na inej časti riešenia pochádzajúcej z predchádzajúcej fázy. Ľavá časť obr. 5 zobrazuje zodpovedajúci model Fork – join. Najmä úlohy prichádzajúce do tejto fázy (reprezentované šípkou, ktorá nezačína od žiadneho uzla) sú vidlicovo rozmiestnené k úlohy pre každú úlohu pomocou (Fork_) stanica. Všetky vygenerované úlohy sa posielajú do frontu M / M / c, ktoré obsluhujú úlohy podľa Poissonovho procesu rýchlosti (1 / S_). (Pripojiť_) stanica potom platí a Štandardné pripojenie stratégia čakať na všetky k-úlohy, ktoré sa majú dokončiť, a potom sa úlohy presmerujú do fázy zmeny poradia (reprezentovaná šípkou, ktorá nemá žiadny cieľový uzol).

Fázy PTDR a zmeny poradia

Fáza doobjednávania, ktorá je zobrazená na pravej strane obr. 5, je najrýchlejšou a najľahšie modelovateľnou fázou. V tomto kroku sa uplatňujú ľubovoľné pravidlá triedenia podľa zásad poskytovateľa služieb. Napríklad cesty môžu byť penalizované, ak pretekajú cez centrum mesta alebo v blízkosti nejakej udalosti mesta. Táto fáza je modelovaná ako Poissonov proces rýchlosti (1 / S_). Preto používame jednoduchú stanicu M / M / c na spracovanie úloh prichádzajúcich z modulu PTDR a vracajúcich konečnú odpoveď zákazníkom služieb. Ukončenie procesu je modelované uzlom umývadla, ktorý predstavuje štvorec s čiernym kruhom vo vnútri. Uzol, v ktorom sú úlohy obsluhované rýchlym pruhom, pretože vracajú jedinú alternatívu a nepotrebujú prejsť fázou PTDR a zmena poradia, sa okamžite končí podľa vzoru záchytného uzla zobrazeného v pravom dolnom rohu obr. 3.


Výsledky

20 Podľa mnohých definícií sa deti a mládež označujú ako osoby vo veku 3 - 24 rokov (EC / CE n.d., UN DESA n.d.). Ďalej sa výrazy „deti a mládež“ alebo „mladí ľudia“ vzťahujú iba na vybrané podskupiny tejto spoločenskej skupiny: malé deti (vo veku 3 - 5 rokov), deti stredného veku (vo veku 6 - 8 rokov), staršie deti (vo veku 9-12) a tínedžeri (vo veku 13-18 rokov). Vylúčení sú dospelí (vo veku 18 - 24 rokov). Je to okrem iného z toho dôvodu, že noví dospelí sú v mnohých ohľadoch podobné dospelým (napr. Ich fyzický a duševný vývoj, plnoletosť, vysokoškolské vzdelanie a / alebo pracovná sila). V tabuľke 2 sú stručne popísané záujmové podskupiny v kontexte tejto práce spolu s požiadavkami na vybranú infraštruktúru.

Tabuľka 2: Deti a mládež: príslušné podskupiny a ich charakteristiky vrátane požiadaviek na vybranú infraštruktúru

Zdroj: ACT n.d., CNV4ME 2014, Haimovici a kol. 2015, Saridar Masri 2017

21 Existuje značné množstvo informácií o mestskej infraštruktúre súvisiacej s deťmi a mládežou. Pre mesto Salzburg existuje určitá literatúra a online zdroje, ktoré poskytujú prehľad o potrebách cieľovej skupiny, pokiaľ ide o mestskú infraštruktúru. Príkladom sú výsledky získané v rámci projektu YouthMap5020 (pozri napr. Hennig 2014, Hennig a Vogler 2016), ako aj v rade iniciatív mestských úradov v Salzburgu týkajúcich sa detí a mládeže (pozri napr. MSS 2017, web mapa mesta Salzburg: https://maps.stadt-salzburg.at).

22 Na základe Chawla (2002, 2016), UNICEF (2017) a White (1997) mestskú infraštruktúru súvisiacu s deťmi a mládežou možno rozdeliť do siedmich kategórií, ktoré sa týkajú rôznych skupín aktivít a požiadaviek: (1) vzdelávanie a starostlivosť o amp , (2) mobilita, (3) hra a amp šport, (4) kultúrne aktivity, (5) stretávanie a stretávanie sa, (6) bezpečnostné prvky a (7) digitálne prepojenie. V tabuľke 3 je uvedený výber typov prvkov patriacich do týchto kategórií.

Tabuľka 3: Výber typov mestských prvkov relevantných pre deti a mládež so zameraním na mesto Salzburg

Zdroj: Einfalt 2013, Hennig 2014, Hennig a Vogler 2016, Humphry a Pihl 2016, Leden et al. 2006, Thomson 2013, UNICEF 2017


CIS301 v konečnom znení

Elektronický obchod zostáva najrýchlejšie rastúcou formou obchodu v porovnaní s fyzickými maloobchodnými predajňami, službami a zábavou. Sociálny, mobilný a miestny obchod sa stali najrýchlejšie rastúcou formou elektronického obchodu.

Šírka ponúk elektronického obchodu rastie, najmä v ekonomike služieb, ako sú sociálne siete, cestovanie, zábava, maloobchod s odevmi, šperky, spotrebiče a bytové doplnky.

Online demografia nakupujúcich sa rozširuje tak, aby zodpovedala bežným kupujúcim.

Čisté obchodné modely elektronického obchodu sa ďalej zdokonaľujú, aby sa dosiahla vyššia úroveň ziskovosti, zatiaľ čo tradičné maloobchodné značky, ako sú Walmart, Sears, JCPenney, L.L.Bean a Macy's, používajú elektronický obchod na udržanie svojej dominantnej maloobchodnej pozície. Spoločnosť Walmart, najväčší maloobchodný predajca na svete, sa rozhodla myslieť to s elektronickým obchodom vážne a v rámci úsilia v oblasti elektronického obchodu prevziať spoločnosť Amazon investíciou viac ako 1 miliarda dolárov (pozri prípadovú štúdiu končiacu kapitolou).

Malé podniky a podnikatelia naďalej zaplavujú trh elektronického obchodu, často využívajú infraštruktúru vytvorenú priemyselnými gigantmi, ako sú Amazon, Apple a Google, a čoraz viac využívajú cloudové výpočtové zdroje.

Mobilný elektronický obchod sa v USA rozbehol vďaka lokalizačným službám a sťahovaniu zábavy, vrátane elektronických kníh, filmov, hudby a televíznych programov. Mobilný elektronický obchod vygeneruje v roku 2017 viac ako 170 miliárd dolárov.

Bezdrôtové pripojenie na internet (Wi-Fi, WiMax a 4G smartfóny) rýchlo rastie.

Výkonné inteligentné telefóny a tablety umožňujú prístup k hudbe, surfovaniu po webe a zábave, ako aj hlasovú komunikáciu. Podcasting a streamovanie vzlietajú ako médiá na distribúciu videa, rádia a obsahu generovaného používateľmi.

Mobilné zariadenia sa rozširujú o nositeľné počítače, ako sú hodinky Apple Watch a Fitbit.

S poklesom cien prenosu sa v domácnostiach a podnikoch posilňuje základňa širokopásmového internetu.

Aplikácie a stránky sociálnych sietí, ako sú Facebook, Twitter, LinkedIn, Instagram a ďalšie, sa snažia stať hlavnou novou platformou pre elektronický obchod, marketing a reklamu. Facebook má 1,65 miliardy používateľov na celom svete a 222 miliónov v Spojených štátoch (Facebook, 2016). Sociálne siete využíva sto deväťdesiat miliónov Američanov, čo je asi 70 percent populácie používateľov internetu.

Internetové modely výpočtovej techniky, ako sú aplikácie pre smartphony, cloudové výpočty, softvér ako služba (SaaS) a databázový softvér, výrazne znižujú náklady na webové stránky elektronického obchodu.

Nastupujú nové obchodné modely

Viac ako 70 percent internetovej populácie sa pripojilo k sociálnej sieti online, vytvorilo blogy a zdieľalo fotografie a hudbu. Tieto stránky spoločne vytvárajú online publikum také veľké ako televízne publikum, ktoré je atraktívne pre obchodníkov. V roku 2017 bude sociálna sieť predstavovať odhadom 28 percent času online.Sociálne stránky sa stali hlavnou bránou k internetu v správach, hudbe a čoraz viac aj v produktoch.

Tradičný reklamný priemysel je narušený, pretože online reklama rastie dvakrát rýchlejšie ako televízna a tlačená reklama, spoločnosti Google, Yahoo a Facebook zobrazujú takmer 1 bilión reklám ročne.

Webové stránky elektronického obchodu so službami na požiadanie, ako sú Uber a Airbnb, rozširujú obchodný model tvorcu trhu o nové oblasti ekonomiky.

Noviny a iné tradičné médiá preberajú online interaktívne modely, ale strácajú príjmy z reklamy pre online hráčov napriek tomu, že si získavajú online čitateľov. New York Times prijíma platobné rozhranie pre svoje online vydanie a darí sa mu získavať viac ako 1 milión predplatiteľov, pričom ročne rastie o 15 percent. Vydávaniu kníh sa darí vďaka rastu elektronických kníh a neustálej príťažlivosti tradičných kníh.


Ortorektifikácia optických obrazov KOMPSAT pomocou rôznych základných referenčných údajov a posúdenia presnosti.

Za posledných niekoľko desaťročí sa na sledovanie geografických udalostí od globálnych katastrof až po zmeny podnebia a životného prostredia používali rôzne obrázky zo satelitov na pozorovanie Zeme. Vďaka rýchlemu rozvoju satelitnej technológie sa rozsah aplikácií satelitných snímok neustále rozširuje. Najmä obrazy s vysokým rozlíšením zo satelitov s nízkou obežnou dráhou sa používajú v aplikáciách od detekcie zmien po analýzu príčin. Satelitné snímky s nízkou obežnou dráhou sa často používajú na generovanie rôznych tematických máp založených na vysokom priestorovom rozlíšení, aj keď je šírka pozorovania malá. V minulosti sa tradičné mapovanie uskutočňovalo na základe leteckých snímok, ale v posledných rokoch sa v oblasti kartografie široko používajú satelitné snímky s vysokým rozlíšením. Na využitie satelitných snímok na mapovanie a presnú detekciu zmien je však potrebná vysoká presnosť polohy.

Pretože väčšinu prijatých satelitných snímok nie je možné použiť okamžite, je potrebné vykonať ďalší krok spracovania.

Najzákladnejším postprocesingom na úrovni používateľa je geometrická korekcia. Geometrická korekcia satelitných snímok je dôležitým krokom k zlepšeniu využitia dát. Napríklad, aby sa zistila zmena medzi dvoma obrázkami, malo by sa vykonať základné prispôsobenie polohy medzi obrázkami. Typickým spôsobom opravy efektov geometrického skreslenia je použitie bodov pozemnej kontroly (GCP). Problém s týmto typom korekcie však je, že vyžaduje veľa meraní v teréne. Všeobecne možno GCP pre korekciu satelitného obrazu s vysokým rozlíšením získať z prieskumu GPS alebo presných referenčných údajov, existujú však obmedzenia týkajúce sa získania veľkého počtu GCP týmto spôsobom. V ideálnom prípade je model, ktorý využíva GCP, najpresnejší z hľadiska geometrickej korekcie.

Spolu s výskytom satelitných snímok s vysokým rozlíšením bolo modelovanie senzorov veľmi dôležitou témou výskumu vo fotogrametrii. Technológia súvisiaca s mapovaním sa začala rýchlo rozvíjať spustením modelu SPOT-1 v roku 1986 [1]. V minulosti sa na opravu satelitných snímok metódou push-broom široko používali modely fyzických senzorov, ale v súčasnosti sa bežne používa satelitné snímky s vysokým rozlíšením Rational Function Model (RFM) s Rational Polynomial Coefficients (RPC). RFM je najobľúbenejšou metódou geometrickej korekcie na ortorektifikáciu obrázkov vo vysokom rozlíšení. RPC poskytujú kompaktné znázornenie geometrie zem-obraz, čo umožňuje fotogrametrické spracovanie bez potreby fyzického modelu kamery. Pretože sú však RPC generované satelitnými orbitálnymi informáciami a modelom kamery, obsahujú rôzne predsudky zo satelitu. Preto, aby bolo možné vygenerovať presnú mapu založenú na vysokej presnosti polohy, je potrebné takéto skreslenie vylúčiť. Bolo vyvinutých veľa metód na zdokonalenie RPC s cieľom zlepšiť presnosť polohy satelitných snímok s vysokým rozlíšením [2-8].

V súčasnosti Kórejský letecký výskumný ústav (KARI) ponúka rôzne optické snímky zo série Korea Multipurpose Satellite (KOMPSAT). Presnosť umiestnenia KOMPSAT-2 na systémovej úrovni je 80 m (CE90 alebo kruhová chyba 90%). Priemerná horizontálna presnosť umiestnenia štandardných obrázkov KOMPSAT-2 od roku 2007 do začiatku roku 2009 bola asi 38 m (CE90) [9], bolo však možné zlepšiť presnosť umiestnenia pomocou GCP [10, 11]. Podobne je možné povedať, že pri modeloch KOMPSAT-3 a KOMPSAT-3A je presnosť umiestnenia štandardných obrázkov bez GCP 70 m (CE90), ale túto presnosť je možné zlepšiť použitím referenčných údajov o zemi [12-14]. Obrázky KOMPSAT s vysokou presnosťou umiestnenia postprocesingom sa dajú veľmi efektívne využiť pri výrobe rôznych tematických máp. Ako už bolo spomenuté vyššie, zlepšenie presnosti polohy postprocesingom si vyžaduje referenčné materiály a nie je vždy možné získať vysoko kvalitné súbory údajov. Ďalej existuje potreba efektívnejšieho spôsobu spracovania veľkého množstva obrazových údajov. Preto je potrebné študovať metódy na zlepšenie presnosti umiestnenia štandardných obrázkov KOMPSAT na základe rôznych referenčných údajov o zemi. V tejto štúdii sme uskutočnili experiment na ortorektifikáciu optických obrazov KOMPSAT pomocou rôznych základných referenčných súborov údajov a analyzovali sme rozdiel presnosti podľa referenčných údajov.

2. Kórejský viacúčelový satelit

Spoločnosť KARI vyvinula rôzne satelity v súlade so strednodobými a dlhodobými plánmi Kórey pre vesmírny rozvoj.

Program KOMPSAT sa uskutočňoval s cieľom uspokojiť národný dopyt po satelitných snímkach s vysokým rozlíšením a získať pokrokovú satelitnú technológiu.

KOMPSAT-1 fungoval pozoruhodne dobre 8 rokov na svojej slnečnej synchrónnej obežnej dráhe po úspešnom štarte 21. decembra 1999. V prístroji KOMPSAT1 boli tri snímače, ktorého hlavným snímačom bola elektrooptická kamera (EOC) na pozorovanie krajiny. Priestorové rozlíšenie EOC bolo 6,6 m a poskytovalo iba panchromatické snímky. Vo februári 2008 spoločnosť KOMPSAT-1 ukončila činnosť.

Tabuľka 1 popisuje hlavné špecifikácie systému KOMPSAT, ktoré sa majú použiť v tejto štúdii. KOMPSAT-2 bol prvý satelit s vysokým rozlíšením v Kórei a od svojho spustenia 28. júla 2006 funguje normálne. Multispektrálna kamera (MSC), palubná kamera systému KOMPSAT-2, poskytuje 1 m panchromatický obraz a 4 m multispektrálny obraz so štyrmi pásmami v dolnom pozorovacom stave. Šírka riadku je 15 km v nominálnej nadmorskej výške 685 km. KOMPSAT-2 pracuje s miestnym časom stúpajúceho uzla o 10:50 hod. Až doteraz bol KOMPSAT-2 široko používaný na generovanie geopriestorových informácií a rôznych tematických máp na základe vysokého priestorového rozlíšenia [15].

KOMPSAT-3 bol uvedený na trh 18. mája 2012 v nadväznosti na KOMPSAT-2. Ciele misie KOMPSAT-3 sú poskytovať nepretržité pozorovanie Zeme po KOMPSATe 2 a uspokojovať národné potreby optických obrazov s vysokým rozlíšením požadovaných pre Geografický informačný systém (GIS) a ďalšie pozemské, environmentálne, poľnohospodárske a oceánografické monitorovacie aplikácie. Nadmorská výška misie KOMPSAT-3 je 685 km. Miestny čas stúpajúcich uzlov je 13:30. V nominálnej nadmorskej výške misie s nadirovým ukazovaním poskytuje Advanced Earth Imaging Sensor System (AEISS) 0,7 m panchromatické a 2,8 m multispektrálne snímky nasnímané na šírku 16 km. Na rozdiel od KOMPSAT-2 má KOMPSAT 3 rôzne zobrazovacie režimy, ako je napríklad jednopásmové stereofónne zobrazovanie, viacbodové zobrazovanie a zobrazovanie vo veľkej oblasti.

KOMPSAT-3A, ktorý je veľmi podobný ako KOMPSAT-3, bol uvedený na trh 25. marca 2015. KOMPSAT-3A bol vyvinutý na poskytovanie snímok vo vyššom rozlíšení znížením nadmorskej výšky na 528 km. AEISS-A, hlavný fotoaparát prístroja KOMPSAT-3A, poskytuje 0,55 m panchromatický obraz a 2,2 m multispektrálny obraz. KOMPSAT-3A má tiež kameru pre stredné infračervené snímanie s priestorovým rozlíšením 5,5 m.

Existuje aj KOMPSAT-5, ktorý poskytuje obrazy radaru syntetickej apertúry (SAR), ale v tejto štúdii sa nimi nebudeme zaoberať.

3.1. Študijná oblasť. V tejto štúdii sa oblasť štúdie líši podľa údajov o použití a experiment so spracovaním obrazu sa uskutočnil v štyroch regiónoch Južnej Kórey. S cieľom analyzovať vplyv referenčného bodu a typu digitálneho výškového modelu (DEM) na ortorektifikáciu bola vybraná študovaná oblasť rozdelením na širokú oblasť, mestskú oblasť a vidiecku oblasť.

Obrázok 1 zobrazuje celkovú plochu tejto štúdie. Plocha štúdie 1 je asi 100 000 [km2]. V Južnej Kórei tvoria asi 63% celej krajiny lesy, takže tam nie je veľa rovín. Kórea je navyše geograficky obklopená morom, pričom asi 2 900 ostrovov je rozmiestnených v Západnom a Južnom mori. Pokus o ortorektifikáciu obrázkov KOMPSAT-2 pomocou všeobecných GCP bol vykonaný v študijnej oblasti 1. Ďalej bola vykonaná ortorektifikácia pomocou čipov GCP, ktorá bola vykonaná vo forme obrazového čipu, v južnej časti Kórejského polostrova, kde mestská, lesná, riečna a poľnohospodárska pôda sú rozdelené rovnomerne. Ako je znázornené na obrázku 1, študovaná oblasť 2 pokrýva päť provincií s celkovou rozlohou približne 9 400 [km2]. Študijnou oblasťou 3 je mesto Daejeon, jedna z hlavných metropolitných oblastí v Kórei. Uskutočnili sme experiment s cieľom analyzovať vplyv pozemných referenčných údajov na korekciu obrazu v študovanej oblasti 3. Poslednou študovanou oblasťou je vidiecka oblasť nachádzajúca sa na juhozápadnej strane polostrova, ako je znázornené na obrázku 1. Tu sme analyzovali presnosť ortoobrazu optických obrazov KOMPSAT.

3.2. Množiny údajov. Na vykonanie experimentov s korekciou obrazu KOMPSAT pre širokú škálu študovaných oblastí sa použilo množstvo údajov. Údaje použité v štúdii možno rozdeliť na obrázky KOMPSAT a základné referenčné údaje. V prípade snímok KOMPSAT, ktoré sú najdôležitejšími údajmi v tejto štúdii, boli použité všetky snímky zo satelitov KOMPSAT-2, KOMPSAT3 a KOMPSAT-3A, ktoré sú v súčasnosti v prevádzke. Obrázok 2 zobrazuje rôzne typy obrázkov KOMPSAT použitých v štúdii. Najskôr sa vybralo 947 snímok KOMPSAT úrovne 1R, ktoré sa získali od roku 2007 do roku 2014, ako je to znázornené na obrázku 2 (a). Na obrázku 2 (b) bolo 50 obrázkov KOMPSAT-2 použitých pre experimenty korekcie obrazu založené na GCP čipoch. Snímky KOMPSAT-3 a KOMPSAT-3A znázornené na obrázkoch 2 (c) a 2 (d) sa použili na analýzu výsledkov ortorektifikácie rôznymi pozemnými referenčnými údajmi.

Pozemné referenčné údaje sú veľmi dôležitým faktorom pri zlepšovaní presnosti polohy satelitného obrazu. Pozemné referenčné údaje použité v tejto štúdii boli rozdelené na DEM a GCP. Na spracovanie georeferencovaného satelitného obrazu je potrebný DEM, aby sa odstránili plošné skreslenia spôsobené zmenami v teréne. Boli použité dva typy DEM. Najskôr sa DEM pre celý juhokórejský región vygeneroval pomocou digitálnych topografických máp v mierke 1: 5000, ktoré vytvoril Kórejský národný geografický informačný inštitút (NGII). Výsledok analýzy vertikálnej (z) presnosti pomocou 318 kontrolných bodov získaných z prieskumu Global Positioning System (GPS) bol asi 1,66 m (RMSE, Root Mean Square Error). Druhý DEM bol získaný z misie Shuttle Radar Topography Mission (SRTM), ktorá vyplnila medzeru v dátach s rozlíšením 1 oblúková sekunda (30 m). SRTM DEM je všeobecne známy svojou konzistenciou a celkovou presnosťou v globálnom meradle [16]. Vertikálna presnosť SRTM DEM však závisí od krajinnej pokrývky [17]. Vďaka vlastnostiam pásma SRTM C je presnosť výšky SRTM z oblasti nízkej vegetácie oveľa lepšia ako špecifikácia úlohy SRTM. Na vyhodnotenie presnosti SRTM DEM použitého v tejto štúdii bolo použitých celkom 318 kontrolných bodov. Výsledkom bola vertikálna presnosť 5,17 m (RMSE).

GCP pre ortorektifikáciu snímok KOMPSAT boli extrahované a použité z leteckých ortofotosnímok, ktoré mali priestorové rozlíšenie 0,25 ma horizontálnu presnosť menšiu ako 1 m (RMSE). Použili sme tiež GCP čipy, ktoré sa extrahovali každé 3 km z presne korigovaných 1 m panchromatických obrázkov. Čipy GCP s horizontálnymi (x, y) a výškovými (z) informáciami boli vytvorené okolo Južnej Kórey a veľkosť čipu je 128 x 128 pixelov. OpenStreetMap (OSM) sa použil na analýzu možnosti ortorektifikácie pomocou údajov z otvoreného zdroja. V posledných rokoch sa OSM stal najpopulárnejším open source údajom. Pretože údaje OSM môže upravovať ktokoľvek, presnosť umiestnenia sa v jednotlivých regiónoch líši. Pred použitím tohto zdroja sme preto vykonali vyhodnotenie presnosti niektorých vzorových údajov OSM pre domáce aj zámorské oblasti. Obrázok 3 zobrazuje výsledky prekrývania dvojice obrazov OSM s digitálnou topografickou mapou v mierke 1: 5 000 a obrázkom Google Earth na ľahké vyhodnotenie presnosti polohy údajov OSM vizuálnou kontrolou. Štandardná horizontálna presnosť pre digitálnu topografickú mapu v mierke 1: 5000 je [+ alebo -] 3,5 m, zatiaľ čo očakávaná presnosť je menšia ako [+ alebo -] 2,0 m [18]. Všeobecne NGII vytvorila digitálnu topografickú mapu v mierke 1: 5000 prostredníctvom leteckej fotogrametrie na základe leteckých snímok asi 10

20 cm. Obrázok Google Earth z údolia Napa v USA má veľmi vysoké rozlíšenie niekoľko centimetrov. Ako je znázornené na obrázku 3, údaje OSM poskytujú iba stredové čiary ciest, ale sú dobre porovnané so stredmi ciest existujúcej digitálnej mapy a obrázka aplikácie Google Earth.

3.3. Spracovanie dát. Pre mnoho aplikácií je presnosť polohy satelitných snímok rovnako dôležitá ako priestorové rozlíšenie. Spravidla však RPC poskytované so satelitnými snímkami nespĺňajú presnosť požadovanú používateľom. Používatelia musia preto túto presnosť vylepšiť ďalším spracovaním pomocou rôznych referenčných údajov. Pre túto štúdiu sa ortorektifikácia optických obrazov KOMPSAT uskutočnila pomocou procesu zobrazeného na obrázku 4.

Táto štúdia je rozdelená na dve časti. Najskôr sa uskutočnila ortorektifikácia obrazov KOMPSAT-2 pomocou GCP a 5 m DEM. Vstup GCP bol zaregistrovaný dvoma spôsobmi. GCP extrahované z leteckých ortofotosnímok (0,25 m) boli manuálne rovnomerne rozmiestnené po celom obraze (študovaná oblasť (a)) a čipy GCP boli zaregistrované metódou párovania (študijná oblasť (b)). Druhý experiment používal rôzne zdroje riadiacich bodov a pomocou DEM sa zisťoval vplyv pozemných referenčných údajov na ortorektifikáciu snímok KOMPSAT s vysokým rozlíšením submetra. Za týmto účelom sa vykonala ortorektifikácia snímok KOMPSAT-3 a KOMPSAT3A pomocou relatívne presných referenčných údajov a známych údajov z otvoreného zdroja (napr. OSM a SRTM DEM) v študijných oblastiach (c) a (d).

S výskytom satelitných snímok s vysokým rozlíšením sa stala bežnou korekcia obrazu pomocou RPC. Pre túto štúdiu sa geometrické modelovanie uskutočňovalo na základe RPC poskytnutých k obrázkom. Ako však už bolo spomenuté, mala by sa zlepšiť presnosť RPC. RPC môžu byť rafinované priamo alebo nepriamo. Metódy priameho zdokonalenia upravujú samotné pôvodné RPC, zatiaľ čo metódy nepriameho zdokonaľovania nezmenia pôvodné RPC. Priame zušľachťovanie je všeobecne najbežnejšie používanou metódou. Priame spresnenie možno rozdeliť na kompenzáciu skreslenia a polynomiálny model. Predchádzajúce štúdie ukázali, že metóda kompenzácie skreslenia má o niečo lepšiu presnosť ako polynomiálny model [8]. V prípade KOMPSATU bolo vykonaných veľa štúdií na zlepšenie presnosti polohy pomocou metódy kompenzácie skreslenia [11,19, 20].

Model úpravy bloku RPC použitý v tejto štúdii je definovaný v obrazovom priestore. Model je definovaný takto [4]:

Riadok = [DELTA] p + p ([phi], lambda], h) + [eL] Ukážka = [DELTA] r + r ([phi], lambda], h) + [ [S]. (1)

Čiara a Vzorka sú súradnice obrazového bodu zodpovedajúce GCP. [DELTA] p a [DELTA] r sú nastaviteľné funkcie vyjadrujúce rozdiely medzi nameranou a nominálnou čiarou a vzorové súradnice GCP pre obrázok. p ([phi], lambda], h) a r ([phi], lambda], h) sú obrazové súradnice vypočítané pomocou poskytnutých RPC. [E] a [E] sú náhodné nepozorovateľné chyby.

[matematický výraz nie je reprodukovateľný]. (2)

[a], [a], [a],. a [b], [b], [b],. sú parametre úpravy obrázka. Niektoré satelity môžu vyžadovať afinnú transformáciu nasledovne:

[DELTA] p = [a0] + [aS] x vzorka + [a] L] x línia [DELTA] r = [a0] + [b. s] x Ukážka + [bL] x riadok. (2)

Zber kontrolných bodov pomocou čipov GCP a OSM sa uskutočňoval metódou párovania. Mnoho štúdií o automatickej geometrickej korekcii bolo založených na metódach zhody. Ako výsledok boli predstavené rôzne algoritmy na porovnávanie obrázkov medzi obrázkami a vektormi medzi obrázkami [20 - 23]. Známe algoritmy porovnávania, ako napríklad Normalized Cross Correlation (NCC) a Fast Fourier Transform (FFT), už boli použité v niektorých softvéroch na spracovanie obrazu. V tejto štúdii sa porovnávanie pre automatický zber GCP uskutočňovalo pomocou softvéru, ktorý implementoval metódu párovania fáz FFT. Funkcia fázovej korelácie [24] je daná vzťahom

kde 0 = [0,1] - [0,2] a [F.s-1] () degraduje inverznú Fourierovu transformáciu. Funkcia [e.sup.j0] teda predstavuje fázu krížového výkonového spektra. Priestorový posun medzi týmito dvoma záplatami je odvodený zhody obrázkov na základe fázovej korelácie v doméne 2D Fourierovej transformácie. V prípade zhody vektorov sú kandidátske GCP umiestnené na vrcholoch línií (napr. Križovatiek) a prijímajú svoju zemnú súradnicu.

Na generovanie multispektrálnych obrázkov KOMPSAT s vysokým rozlíšením sa použila fúzia obrazu založená na technike High-Pass Filter Additive (HPFA). Na začiatku sa HPFA používal na zníženie objemu dát a zvýšenie priestorového rozlíšenia obrazových údajov Landsat, neskôr sa však používal aj na fúziu obrazov [25]. Najskôr sme vytvorili hornopropustný filtrovaný obrázok. Bolo vyvinuté jadro filtra vysokého rozlíšenia konvolucie a použité na filtrovanie vstupných údajov s vysokým rozlíšením. Veľkosť hornopriepustného jadra je funkciou relatívnych veľkostí vstupných pixelov. Primeraná veľkosť jadra je približne dvojnásobná oproti rozlíšeniu obrazových párov [25, 26]. Ďalším krokom bolo pridať HP filtrovaný obrázok do multispektrálneho obrazu:

[HPF.sub.fusion] = [MS.sam.resampling] + ([PAN.sub.HPF] x W), (5)

kde [HPF.sub.fusion] je kondenzovaný multispektrálny obraz s vysokým rozlíšením a [MS.sub.resampling] je multispektrálny obraz s nízkym rozlíšením, ktorý bol prevzorkovaný na veľkosť pixelov panchromatického obrazu s vysokým rozlíšením. [PAN.sub.HPF] je HP filtrovaný panchromatický obraz. Váženie sa určuje takto:

kde W je váhový multiplikátor pre hodnotu HF filtrovaného panchromatického obrazu a SD (MS) je štandardná odchýlka multispektrálneho pásma s nízkym rozlíšením, do ktorého sa pridáva HP filtrovaný panchromatický obraz. SD ([PAN.sub.HPF]) je štandardná odchýlka HP filtrovaného panchromatického obrazu. M je modulačný faktor na určenie ostrosti výstupného obrazu. Hodnotu M sme empiricky upravili, aby sme zvýšili ostrosť zvýšením hranice obrázka. Ako posledný krok sa uskutočnilo lineárne natiahnutie.

4. Výsledky experimentu a diskusia

4.1. Výsledky ortorektifikácie obrázkov KOMPSAT pomocou GCP a čipov GCP. Test spracovania dát sa uskutočnil iba na tých fúznych obrazoch, ktoré boli spracované multispektrálnymi obrazmi s vysokým rozlíšením metódou HPFA. V prípade študijnej oblasti 1 bolo modelovanie na ortorektifikáciu vykonávané skôr blokovými jednotkami ako jednotlivými obrazovými jednotkami, pretože bolo možné spracovať veľa obrazov KOMPSAT-2. GCP boli distribuované rovnomerne s priemerom 7 - 10 bodov na obrázok. Ako ortofotomontované body (OCP) sa použilo najmenej 6 bodov extrahovaných z leteckého ortofoto s priestorovým rozlíšením 0,25 m. Hodnoty nadmorskej výšky (z) GCP a OCP sa extrahovali z DEM (5 m) a použili sa. Obrázok 5 zobrazuje výsledky modelovania pre 947 obrázkov KOMPSAT-2. Aj keď sa vyskytli hrubé chyby, celková presnosť modelovania bola dobrá. Priemerná hodnota RMSE GCP a OCP bola 1,31 pixela, respektíve 1,41 pixela.

Na základe výsledkov modelovania boli ortoobrazy KOMPSAT-2 generované pomocou 5 m DEM, ako je znázornené na obrázku 6 (a). Potom sme na vygenerované ortoobrazy prekryli digitálnu topografickú mapu v mierke 1: 5 000, aby sme vizuálne skontrolovali ich kvality. Obrázok 6 (b) zobrazuje výsledok prekrývania sa s digitálnou topografickou mapou v mierke 1: 5000 na porovnanie presnosti medzi obrázkami zľava doprava a zhora dole. Zistili sme, že vrstvy mapy boli dobre zosúladené s ortoobrazmi.

Presnosť vygenerovaných ortoobrazov bola vyhodnotená pomocou 843 nezávislých kontrolných bodov (ICP) získaných pomocou GPS prieskumu. Obrázok 7 zobrazuje planimetrickú presnosť farebných ortoobrazov KOMPSAT-2 1 m generovaných v tejto štúdii. Okrem snímok s hrubými chybami bola planimetrická presnosť 1,43 m (RMSE). Ako je znázornené na obrázku 7, chyby v smeroch x a y boli rovnomerné a väčšinou do [+ alebo -] 3 m.

Obrázok 8 zobrazuje výsledky modelovania 50 obrázkov KOMPSAT-2 v študovanej oblasti 2 pomocou čipov GCP. V priemere bolo pomocou čipovej zhody zhromaždených asi 52 GCP za obrázok. Priemerná RMSE výsledku modelovania bola 1,59 pixelov. Väčšina hodnôt bola nižšia ako 2 pixely, s výnimkou horských snímok, kde boli hodnoty o niečo vyššie. Upozorňujeme, že presnosť modelovania bola nižšia ako v prípade manuálneho zadávania GCP, ako v študijnej oblasti 1.

Ortoobrazy generované pomocou GCP čipov a 5 m DEM sú znázornené na obrázku 9. Na posúdenie presnosti generovaných ortoobrazov sa použilo 63 ICP, ako je to znázornené na obrázku 9 (a). Chyby v smeroch x a y boli veľmi jednotné a planimetrická presnosť bola 1,40 m (RMSE). Tieto výsledky ukazujú, že nie je žiadny významný rozdiel v presnosti ortoobrazu generovaného manuálnym zadaním GCP v študovanej oblasti 1. Ako je však znázornené na obrázku 9, nebolo možné získať dostatočné množstvo ICP, takže presnejšia analýza bola obmedzená.

Na prekonanie tohto problému bola vykonaná ďalšia analýza presnosti pomocou 190 OCP, ktoré boli extrahované z leteckých ortofotosnímkov (0,25 m). Maximálne zvyšky boli o niečo vyššie ako predchádzajúce výsledky, ale celková presnosť bola veľmi podobná.

Rovnaké metódy sa použili aj na KOMPSAT-2 na ortorektifikáciu. Na spracovanie obrázkov KOMPSAT-3 a KOMPSAT-3A v študovanej oblasti 3 bola použitá obrazová fúzia a výsledky boli analyzované. Aby bolo možné modelovať obrázky KOMPSAT-3 aj KOMPSAT-3A, na každý obrázok sa použilo 8-9 GCP. Zhruba 24 kontrolných bodov na obrázok bolo zozbieraných v priemere porovnaním čipov. Priemerná hodnota RMSE využívajúca GCP v obrazoch KOMPSAT-3 aj KOMPSAT-3A bola menej ako 0,35 pixelov, ale v prípade použitia čipov GCP bola priemerná hodnota RMSE o niečo väčšia ako 2,0 pixelov. Presnosť ortoobrazov generovaných pomocou 5 m DEM sa analyzovala pomocou OCP. Výsledkom analýzy presnosti pomocou asi 18 bodových OCP na obrázok bolo potvrdenie, že obrázky KOMPSAT3 a KOMPSAT-3A založené na GCP mali presnosť menšiu ako 1 m, zatiaľ čo ortorektifikované obrázky založené na čipe GCP mali na objednávke planimetrickú presnosť. 1,5 m. Obrázok 10 zobrazuje výsledky generovania ortoobrazov KOMPSAT-3 a KOMPSAT-3A.

4.2. Výsledky ortorektifikácie založené na rôznych referenčných údajoch. Aby sme kvantitatívne vyhodnotili vplyv pozemných referenčných údajov na korekciu satelitného obrazu s rozlíšením submetra, vykonali sme ortorektifikáciu pomocou snímok KOMPSAT-3 a KOMPSAT-3A študovanej oblasti 3. Na modelovanie obrazu boli použité GCP, čipy GCP a OSM a výsledok modelovania obrázkov KOMPSAT-3 a KOMPSAT-3A s použitím 9 a 11 GCP bol menší ako 0,4 pixelov (RMSE). Výsledok modelovania pomocou čipov GCP mal presnosť rádovo 2 pixely (RMSE). Zistilo sa, že tento výsledok bol o 0,5 pixela presnejší ako OSM. Okrem toho bol počet kontrolných bodov zhromaždených zhodou v oboch prípadoch asi 50. Generovali sme ortoobrazy KOMPSAT-3 a KOMPSAT3A pomocou 5 m DEM, ako je to znázornené na obrázku 11, a pomocou OCP sme vyhodnotili planimetrickú presnosť ortoobrazov. V prípade OSM bola presnosť modelovania podobná výsledku pri použití čipov GCP, ale presnosť ortoobrazu bola najnižšia pri hodnotení presnosti pomocou OCP. Obrázok 12 zobrazuje výsledky prekrytia ortoobrazu generovaného pomocou údajov OSM a OSM na vyhodnotenie presnosti vizuálnou kontrolou. Nebolo ľahké rozlíšiť tieto dva súbory údajov vizuálnou kontrolou.

Ďalšie experimenty sme vykonali krížením údajov. Tabuľka 2 ukazuje údaje použité v obidvoch prípadoch na generovanie ortoobrazov KOMPSAT-3 v študovanej oblasti 3. Boli vykonané experimenty na vyhodnotenie presnosti ortoobrazov podľa horizontálnych a vertikálnych údajov. Prípad 1 bol zameraný na analýzu presnosti ortoobrazov podľa kvality kontrolného bodu (x, y). Prípad 2 sa použil na analýzu účinku DEM.

Najskôr bola presnosť modelovania pre čipy GCP typu 1 a OSM 2,33 pixelov a 2,54 pixelov. Presnosť vygenerovaných ortoobrazov sa analyzovala pomocou 29 OCP a bola 1,27 ma 2,54 m. Na druhej strane, v prípade 2, ktorý používal rôzne DEM, bola presnosť modelovania rovnaká pri 2,64 pixeloch. Planimetrická presnosť ortoobrazov bola 2,54 m pre 5 m DEM a 2,91 m pre 30 m DEM. V prípade 30 m DEM nebol rozdiel presnosti pre rovnú plochu veľký v porovnaní s 5 m DEM, ale zistilo sa, že v hornatom teréne sa vyskytuje rozdiel 5-6 m. Obrázok 13 zobrazuje výsledky analýzy planimetrickej presnosti v prípade 1 a 2.

Obrázok 14 porovnáva presnosť ortoobrazov podľa použitých údajov. Pomocou vizuálnej kontroly bolo ľahké identifikovať rozdiely v obidvoch prípadoch. Na obrázku 14 je písmeno (b) najpresnejšie v porovnaní s ortofotosnímkami (a) a (d) najmenej. Aj keď je presnosť ortoobrazu pomocou otvorených údajov (napr. OSM a SRTM DEM) na obrázkoch 13 a 14 nízka, je zrejmé, že presnosť určenia polohy sa dá výrazne zlepšiť v porovnaní s neopraveným obrázkom na obrázku 15. Pretože otvorené údaje môže získať a používať ktokoľvek, je možné ľahko vylepšiť presnosť umiestnenia existujúceho obrázka pomocou jednoduchej metódy porovnávania obrázkov.

V mnohých aplikáciách je presnosť polohy satelitných snímok rovnako dôležitá ako priestorové rozlíšenie. Len málo satelitov však má presnosť požadovanú používateľmi, takže je potrebné ďalšie spracovanie. Na zlepšenie presnosti polohy satelitných snímok s vysokým rozlíšením je často potrebných veľa času a peňazí na kontrolné body, DEM a podobne. Vysoko kvalitné pozemné referenčné údaje tiež nie sú vždy k dispozícii. Aby bolo možné využiť optické obrazy KOMPSAT pre aplikácie ako GIS, je potrebné tieto obrázky ortorektifikovať. Preto sme pre túto štúdiu a s aktualizovanými RPC vykonali ortorektifikáciu obrázkov KOMPSAT pomocou rôznych údajov a vyhodnotili výsledky. Najlepšia bola planimetrická presnosť ortoobrazov KOMPSAT-2 generovaných z GCP s horizontálnou a vertikálnou presnosťou 1 m (RMSE) a 2 m (RMSE). Avšak ortoobrazy generované porovnaním s existujúcimi opravenými obrázkami, ako sú čipy GCP, mali tiež dostatočnú presnosť. Tiež sme zistili, že planimetrická presnosť ortoobrazov KOMPSAT-3 a KOMPSAT-3A generovaných pomocou GCP a čipov GCP bola 1 m (RMSE) a 15 m (RMSE). Aj keď kvalitné GCP a DEM majú veľký vplyv na generovanie ortoobrazov, nie je vždy možné získať vysoko kvalitné súbory údajov, a preto bola v tejto štúdii vykonaná ortorektifikácia pomocou OSM a SRTM DEM (30 m). Analyzovali sme dostupnosť údajov otvoreného zdroja na korekciu obrazu, aj keď presnosť polohy bola v porovnaní s GCP a čipmi GCP slabá. Ortoobrazy generované pomocou OSM a 30 m DEM mali presnosť rádovo 3 m (RMSE). Zistilo sa však, že v hornatom teréne má maximálnu chybu asi 6 m (RMSE). V budúcnosti predstavíme efektívnejšiu metódu korekcie obrázkov KOMPSAT, ktorá využíva vylepšené techniky párovania obrázkov a väčšiu rozmanitosť údajov.

Autori vyhlasujú, že pri publikovaní tohto článku nedochádza ku konfliktu záujmov.

[1] E. Kruck, „Fotogrametrické mapovanie snímok SPOT pomocou programu BINGO v systéme PHOCUS“, International Achieves of Photogrammetry and Remote Sensing (Commission III), zv. 27, č. B3, str. 405-414,1988.

[2] C. V Tao a Y. Hu, „Komplexná štúdia modelu racionálnych funkcií pre fotogrametrické spracovanie“, „Photogrammetric Engineering and Remote Sensing, vol. 67, č. 12, str. 1347-1357, 2001.

[3] C. S. Fraser a H. B. Hanley, „Kompenzácia odchýlky v racionálnych funkciách pre satelitné snímky Ikonos,“ Photogrammetric Engineering and Remote Sensing, vol. 69, č. 1, s. 53-57, 2003.

[4] J. Grodecki a G. Dial, „Bloková úprava satelitných snímok s vysokým rozlíšením opísaná v Rational Polynomials,“ Photogrammetric Engineering and Remote Sensing, vol. 69, č. 1, s. 59-68, 2003.

[5] K. Di, R. Ma a R. X. Li, „Racionálne funkcie a potenciál pre dôsledné zotavenie modelu senzora“, „Photogrammetric Engineering and Remote Sensing, vol. 69, č. 1, s. 33-41, 2003.

[6] C. V. Tao, Y. Hu a W. Jiang, „Fotogrametrické využitie snímok IKONOS na mapovacie aplikácie“, International Journal of Remote Sensing, vol. 25, č. 14, s. 2833-2853, 2004.

[7] J. Wang, K. Di a R. Li, „Hodnotenie a zlepšenie presnosti geopozície stereofónnych snímok IKONOS“, Journal of Surveying Engineering, roč. 131, č. 2, s. 35-42, 2005.

[8] Z. Xiong a Y. Zhang, „Všeobecná metóda na zdokonalenie RPC pomocou pozemných riadiacich informácií,“ Photogrammetric Engineering and Remote Sensing, vol. 75, č. 9, s. 1083-1092, 2009.

[9] D. Seo, J. Yang, D. Lee a H. Lim, „Analýza charakteristík presnosti mapovania KOMPSAT-2“, v zborníku

60. medzinárodného astronautického kongresu, IAC-09.B1.I.13, s. 1-10, Daejeon, Kórejská republika, október 2009.

[10] S. Sunier, B. Collet a A. Mambimba, „Nová misia tretej strany, hodnotenie kvality: misia KOMPSAT-2,“ GAEL Consultant, s. 1-20, 2008.

[11] JK Nowak Da, Costa., A A. Walczynska, „Testovanie geometrickej kvality obrazových dát kompsat-2 získaných na testovacom mieste JRC maussane pomocou softvéru diaľkového snímania ERDAS LPS a PCI GEOMATICS,“ vedecké a technické správy JRC ( EUR 24542 EUR), s. 1-36, 2010.

[12] SI Imaging Services Co., LTD, „Špecifikácie produktu KOMPST-3A: príručka k obrazovým údajom (verzia 1.0)“, s. 1-51, 2016.

[13] SI. Imaging and Co. SI Imaging Services, „Špecifikácie produktu KOMPST-3: príručka k obrazovým údajom (verzia 2.0)“, s. 1-59, 2017.

[14] D. Seo, J. Oh, C. Lee, D. Lee a H. Choi, „Geometrická kalibrácia a validácia kamery Kompsat-3A AEISS-A,“ Sensors (Switzerland), vol. 16, č. 10, článok č. 1776, 2016.

[15] H. Lee, J. Ru a Y. Yu, „Extrahovanie vysoko kvalitných tematických informácií pomocou satelitných snímok s vysokým rozlíšením“, Journal of the Korean Society for Geospatial Information Science, roč. 18, č. 1, s. 73-91, 2010.

[16] G. Sun, K. J. Ranson, V. I. Kharuk a K. Kovacs, „Validácia výšky povrchu z misie radarovej topografie pomocou kyvadlového laserového výškomeru,“ Remote Sensing of Environment, zv. 88, č. 4, s. 401-411, 2003.

[17] JR Santillan a M. Makinano-Santillan, „Vertikálne hodnotenie presnosti globálnych DEMS s rozlíšením 30 M ALOS, ASTER a SRTM nad severovýchodným Mindanao na Filipínach“ v zborníku 23. medzinárodného archívu fotogrametrie, diaľkového snímania a Kongres priestorových informačných vied, ISPRS 2016, s. 149 - 156, cze, júl 2016.

[18] H. G. Park, „Štúdia o stanovení kórejských štandardov presnosti digitálnej mapy na konštrukciu a využitie presných geopriestorových informácií“, Journal of the Korean Society of Surveying Geodesy Photogrammetry and Cartography, zv. 31, č. 6, s. 493-502, 2013.

[19] J. Oh a C. Lee, „Automatizovaná kompenzácia skreslenia racionálnych polynomiálnych koeficientov satelitných snímok s vysokým rozlíšením na základe topografických máp“, ISPRS Journal of Photogrammetry and Remote Sensing, vol. 100, s. 14-22, 2015.

[20] J. H. Oh, D. C. Seo a C. N. Lee, „Výsledok testu na presnosť polohy beta testovacích obrázkov Kompsat-3A,“ Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, zv. 34, č. 2, s. 133-142, 2016.

[21] P. Pehani, K. Cotar, A. Marsetic, J. Zaletelj a K. Ostir, „Automatické geometrické spracovanie optických satelitných údajov s veľmi vysokým rozlíšením na základe vektorových ciest a ortofotosnímkov“, Remote Sensing, vol. 8, č. 4, článok č. 343, 2016.

[22] M. Gianinetto a M. Scaioni, „Automatizovaná geometrická korekcia údajov z satelitného prijímača s vysokým rozlíšením“, „Photogrammetric Engineering and Remote Sensing, vol. 74, č. 1, s. 107-116, 2008.

[23] S. Leprince, S. Barbot, F. Ayoub a J.-P. Avouac, „Automatická a presná ortorektifikácia, spoločná registrácia a subpixelová korelácia satelitných snímok, aplikácia na merania deformácie zeme“, IEEE Transactions on Geoscience and Remote Sensing, zv. 45, č. 6, s. 1529-1558, 2007.

[24] C. D. Kuglin a D. C. Hines, „Metóda zarovnávania obrazu fázovej korelácie“, v zborníku z medzinárodnej konferencie o kybernetickej spoločnosti, str. 163-165, 1975.

[25] U. G. Gangkofner, P. S. Pradhan a D. W. Holcomb, „Optimizing the high-pass filter addition technique for image fusion“, Photogrammetric Engineering and Remote Sensing, vol. 74, č. 9, s. 1107-1118, 2008.

[26] P. S. Chavez ml., S. C. Sides a J. A. Anderson, „Porovnanie troch rôznych metód na zlúčenie multirezolučných a multispektrálnych údajov. Landsat TM a SPOT panchromatic,“ Photogrammetric Engineering and Remote Sensing, vol. 57, č. 3, str. 295-303, 1991.

Kwangjae Lee, Eunseon Kim a Younsoo Kim

National Satellite Operation & amp Application Center, Korea Aerospace Research Institute, 169-84 Gwahak-ro, Yuseong-gu, Daejeon 34133, Kórejská republika

Korešpondencia by mala byť adresovaná na adresu Kwangjae Lee [email protected]

Prijaté 26. apríla 2017 Prijaté 19. júna 2017 Publikované 8. augusta 2017

Titulok: OBRÁZOK 1: Umiestnenie študovaných oblastí.

Titulok: OBRÁZOK 2: Register obrázkov študovaných oblastí.

Titulok: OBRÁZOK 3: Výsledky prekrytia údajov OSM ((a) prekrytie OSM (žltá čiara) a digitálna topografická mapa v mierke 1: 5000 (červená čiara) v kórejskom Daejeone a (b) prekrytie OSM (čierna čiara) a Obrázok Google Earth).

Titulok: OBRÁZOK 4: Vývojový diagram experimentu so spracovaním údajov na ortorektifikáciu.

Titulok: OBRÁZOK 5: Modelový výsledok obrázkov KOMPSAT-2 pomocou GCP a OCP.

Titulok: OBRÁZOK 6: Generovanie farebných ortoobrazov KOMPSAT-2 1 m v študijnej oblasti 1 (a) a vizuálna kontrola pomocou digitálnej topografickej mapy v mierke 1: 5000 (b).

Titulok: OBRÁZOK 7: Bodový graf planimetrických chýb v ortorektifikovanom obraze KOMPSAT-2 (1 m farebný) vyrobeného pomocou GCP a 5 m DEM.

Titulok: OBRÁZOK 8: Výsledok modelovania 50 obrázkov KOMPSAT-2 pomocou čipov GCP.

Titulok: OBRÁZOK 9: Distribúcia ICP v testovacej oblasti 2 (a) a rozptyl grafu planimetrických chýb v ortorektifikovanom obraze KOMPSAT-2 (1 m farba) vyrobenom pomocou GCP čipov a 5 m DEM (b).

Titulok: OBRÁZOK 10: Generovanie ortoobrazov KOMPSAT-3 (0,7 m farebne) a KOMPSAT-3A (0,55 m farebne) pomocou čipov GCP a 5 m DEM v štúdii

Titulok: OBRÁZOK 11: Distribúcia OCP v študijnej oblasti 4 (a) a výsledky analýzy planimetrickej presnosti (b).

Titulok: OBRÁZOK 12: Prekrytie ortoobrazov KOMPSAT a údajov OSM (a, c) a vizuálna kontrola pomocou zväčšovacích obrázkov (b, d).

Titulok: OBRÁZOK 13: Výsledky planimetrickej presnej analýzy v prípade 1 (a) a 2 (b).

Titulok: OBRÁZOK 14: Porovnanie presnosti ortoobrazu podľa použitých údajov. Titulok: Obrázok 15: Porovnanie planimetrickej presnosti pomocou digitálnej topografickej mapy v mierke 1: 5000 ((a) neopravený obraz KOMPSAT-3 a (b) ortoobraz KOMPSAT-3 vygenerovaný pomocou OSM a 30 m DEM).


5.4 Používanie referenčného systému súradníc UTM

UTM (Univerzálny priečny obchodník) súradnicový systém používa skôr jednotky metrov ako stupne. Umožňuje nám reprezentovať priestorové rozsahy pomocou „metrických“ dvojrozmerných štvorcov mriežky. Aby sme mohli mapovať z latlong na UTM súradnice, musíme vedieť, kde na Zemi zhruba zodpovedá bod. Svet je predstavovaný v podobe sérií zón, vyznačených trochu ako časové pásma, vo vertikálnych „pásmach“, ktoré sa rozprestierajú po celom svete.

Pásmam sa prideľujú číselné kódy podľa systému EPSG, ktoré sa dajú určiť zo súradníc zemepisnej šírky a dĺžky takto:

Môžeme definovať nový projekčný reťazec, ktorý identifikuje UTM CRS a príslušnú zónu pomocou súradníc od východiskového bodu našej trasy:

5.4.1 Použitie st_transform na projekčné transformácie

Našu cestu môžeme transformovať na novú projekciu pomocou funkcie sf :: st_transform ():

Pozrime sa teraz na naše súradnice v tejto projekcii:

Vidíme, že hodnoty X a Y boli transformované z ich pôvodných hodnôt zemepisnej šírky a dĺžky do súradníc UTM v metroch.

Čo sa stane, ak sa teraz vykreslia súradnice?

Vyzerá ten tvar povedome?

Ak vykreslíme tri grafy vedľa seba s vertikálnym zarovnaním, uvidíme, ako si „geo citlivý“ graf a graf UTM zhruba navzájom zodpovedajú, zatiaľ čo pozdĺžny graf je rôzne proporcionálny:

Funguje to, ale je bolestivé podstúpiť určité pohyby, aby ste zistili, že existuje lepšia cesta?

5.4.2 Použitie súboru ggplot2 :: coord_sf na vykreslenie projekcií

Transformácia súradníc z jedného CRS na druhý je problém, bolo by oveľa jednoduchšie, keby sme mohli odovzdať súradnice zemepisnej šírky a dĺžky do dátového rámca v jednotkách stupňov a nechať mapu mapovať vhodným smerom.

Stáva sa, že môžeme. Nastavením ggplot2 :: coord_sf (crs) môžeme vynútiť, aby graf používal vhodnú projekciu:

K dispozícii je široká škála projekcií, ale tieto dve sú možno najpohodlnejšie kvôli ich známosti a rozšírenému použitiu.

5.4.3 Export údajov o trase ako dátového rámca

Pre pohodlie môže byť užitočné exportovať údaje o trase ako dátový rámec, ktorý obsahuje súradnice Latlong aj UTM. Vybrať si takúto cestu by však vyžadovalo vytvorenie vhodného formátu dátového rámca napríklad na zápis do súboru CSV, ako aj prostriedky na primeranú analýzu týchto údajov.


Referencie

Rawat P, Deep Singh K, Chaouchi H, Bonnin J-M: Bezdrôtové senzorové siete: prieskum o najnovšom vývoji a potenciálnych synergiách. J. Superpočítač 2013, 1-48. doi: 10,1007 / s11227-013-1021-9

Toor Y, Muhlethaler P, Laouiti A: Ad hoc siete vozidiel: aplikácie a súvisiace technické problémy. IEEE komunik. Surv. Tútor 2008, 10(3):74-88.

Hartenstein H, Laberteaux KP: Výukový prieskum o dopravných sieťach ad hoc. IEEE komunik. Mag 2008, 46(6):164-171.

Boukerche A, Oliveira HA, Nakamura EF, Loureiro AA: Automobilové siete ad hoc: nová výzva pre systémy založené na lokalizácii. Comput. Commun 2008, 31 (12): 2838-2849. 10.1016 / j.comcom.2007.12.004

Li F, Wang Y: Smerovanie v sieťach ad hoc pre vozidlá: prieskum. IEEE Veh. Tech. Mag 2007, 2(2):12-22.

Luo J, Hubaux J-P: Prieskum výskumu v komunikácii medzi vozidlami. V Zabudovaná bezpečnosť v automobiloch. Berlin Heidelberg: Springer 2006: 111-122.

Cseh C: Architektúra protokolu vyhradenej krátkej vzdialenosti (DSRC). V Konferencia o automobilovej technológii, 1998. VTC 98. 48. IEEE, roč. 3. 1998, Ottawa: IEEE 18. - 21. mája 1998: 2095-2099.

Zhu J, Roy S: MAC pre komunikáciu na krátku vzdialenosť v inteligentnom dopravnom systéme. IEEE komunik. Mag 2003, 41 (12): 60-67. 10.1109 / MCOM.2003.1252800

Cheng L, Henty BE, Stancil DD, Bai F, Mudalige P: Mobilné meranie úzkopásmového kanálu medzi vozidlami a charakteristika frekvenčného pásma vyhradenej komunikácie krátkeho dosahu (DSRC) 5,9 GHz. IEEE J. Vyberte. Oblasti komunik 2007, 25(8):1501-1516.

Kenney JB: Štandardy vyhradenej komunikácie krátkeho dosahu (DSRC) v Spojených štátoch. Proc. IEEE 2011, 99(7):1162-1182.

Zmena a doplnenie 6: Bezdrôtový prístup v automobilových prostrediach (WAVE), časť 11, IEEE Standard 802.11p, IEEE Standard 802.11p http://standards.ieee.org/findstds/standard/802.11p-2010.html

Jiang D, Delgrossi L: IEEE 802.11 p: Smerom k medzinárodnému štandardu bezdrôtového prístupu v prostredí vozidiel. V Konferencia automobilových technológií IEEE 2008. VTC jar 2008. Singapur 11. - 14. mája 2008: 2036-2040.

Regan MA, Oxley J, Godley S, Tingvall C: Inteligentné dopravné systémy: otázky bezpečnosti a ľudských faktorov, č. 01/01 (Royal Automobile Club of Victoria (RACV) Ltd., 2001) ,. Monash University, Austrália, 2001

Inteligentná doprava ETSI. Inteligentné dopravné systémy. Prístup k 11. marcu 2014 http://www.etsi.org/technologies-clusters/technologies/intelligent-transport

Ghandour AJ, Fawaz K, Artail H: Záruky poskytovania údajov v preťažených sieťach ad hoc s využitím kognitívnych sietí. V 7. medzinárodná konferencia IEEE Wireless Communications and Mobile Computing Conference (IWCMC). Istanbul 4. - 8. júla 2011: 871-876.

Federálna komunikačná komisia: Správa o úlohách v oblasti politiky frekvenčného spektra pracovnej skupiny pre efektivitu spektra. 2002.

McHenry MA: Zhrnutie projektu merania obsadenosti spektra NSF. Správa o spoločnom spektre. . http://www.sharedspectrum.com/

Federálna komunikačná komisia: správa pracovnej skupiny pre politiku frekvenčného spektra. ET Docket (02-135) 2002, 215.

Zhao Q, Sadler BM: Prieskum prístupu k dynamickému spektru. IEEE Signal Processing Mag 2007, 24(3):79-89.

Patil K, Prasad R, Skouby K: Prieskum celosvetových kampaní na meranie obsadenosti spektra pre kognitívne rádio. V Medzinárodná konferencia IEEE 2011 o zariadeniach a komunikáciách (ICDeCom). Mesra 24. - 25. februára 2011: 1-5.

Federálna komunikačná komisia: Druhé memorandové stanovisko a poriadok vo veci nelicencovanej prevádzky v pásmach televízneho vysielania (ET Docket č. 04-186) a dodatočného spektra pre nelicencované zariadenia do 900 MHz a v pásme 3 GHz (ET Docket č. 02-380) ( FCC 10-174). Washington, D.C., september 2010.

Mitola III J, Maguire Jr GQ: Kognitívne rádio: tvorba softvérových rádií osobnejším. IEEE Pers. Commun 1999, 6(4):13-18. 10.1109/98.788210

Mitola III J: Kognitívne rádio pre flexibilnú mobilnú multimediálnu komunikáciu. V IEEE International Workshop on Mobile Multimedia Communications, 1999. (MoMuC’99). San Diego 15. - 17. novembra 1999: 3-10.

Mitola III J: Kognitívne rádio: architektúra integrovaného agenta pre softvérovo definované rádio. Dizertačná práca. Dizertačná práca, Royal Inst. Technol. (KTH), Štokholm, Švédsko, s. 271–350 (2000)

Haykin S: Kognitívne rádio: bezdrôtová komunikácia posilnená mozgom. IEEE J. Vyberte. Oblasti komunik 2005, 23(2):201-220.

Akyildiz IF, Lee W-Y, Vuran MC, Mohanty S: Nová generácia / prístup dynamickým spektrom / kognitívne rádiové bezdrôtové siete: prieskum. Comput. Netw 2006, 50 (13): 2127-2159. 10.1016 / j.comnet.2006.05.001

Wyglinski AM, Nekovee M, Hou T: Kognitívna rádiová komunikácia a siete: Princípy a prax. Akademický 2009.

Di Felice M, Doost-Mohammady R, Chowdhury KR, Bononi L: Inteligentné rádiá pre inteligentné vozidlá: kognitívne dopravné siete. IEEE Veh. Tech. Mag 2012, 7(2):26-33.

Pagadarai S, Wyglinski A, Vuyyuru R: Charakterizácia voľných UHF televíznych kanálov pre dynamický prístup k automobilovému spektru. V 2009 Konferencia automobilových sietí IEEE (VNC). Tokio 28. - 30. októbra 2009: 1. – 8.

Di Felice M, Chowdhury KR, Bononi L: Kooperatívna správa spektra v kognitívnych sieťach ad hoc pre vozidlá. V Konferencia automobilových sietí IEEE 2011 (VNC). Amsterdam november 2011: 47-54, 14–16.

Li H, Irick DK: Kolaboratívne snímanie spektra v kognitívnych rádiových dopravných sieťach ad hoc: šírenie viery na diaľnici. V 71. konferencia automobilových technológií IEEE 2010 (VTC 2010 - jar). Tchaj-pej 16. - 19. mája 2010: 1.-5.

Tsukamoto K, Omori Y, Altintas O, Tsuru M, Oie Y: O výbere kanála s priestorovým vedomím v multi-hopovej komunikácii medzi vozidlami s dynamickým spektrom prístupu. V Konferencia 70. konferencie automobilových technológií IEEE 2009 (VTC 2009 - jeseň). Anchorage 20. - 23. septembra 2009: 1. – 7.

Kim W, Gerla M, Oh SY, Lee K, Kassler A: CoRoute: nový kognitívny protokol smerovania vozidiel ľubovoľnou cestou. Bezdrôtová komunikácia Mobile Comput 2011, 11 (12): 1588 - 1602. 10,1002 / š. 12231

Wang XY, Ho P-H: IEEE Trans. Veh. Technol. 2010, 59(4):1936-1948.

Niyato D, Hossain E, Wang P: Optimálna správa prístupu ku kanálu s podporou QoS pre kognitívne dopravné siete. IEEE Trans. Mobile Comput 2011, 10(4):573-591.

Akyildiz IF, Lee W-Y, Chowdhury KR: CRAHNs: Kognitívne rádiové ad hoc siete. Siete ad hoc 2009, 7 (5): 810-836. 10.1016 / j.adhoc.2009.01.001

Technická komisia ISO 204 WG16: Inteligentné dopravné systémy - komunikačný prístup pre pozemné mobily (CALM) - architektúra. 2010.

Technická komisia ISO 204 WG16: Inteligentné dopravné systémy - komunikačný prístup pre pozemné mobily (CALM) - M5 ,. ISO 21215

Technická komisia ISO 204 WG16: Inteligentné dopravné systémy - komunikačný prístup pre pozemné mobilné telefóny (CALM) - siete bez protokolu IP - Časť 1: protokol rýchlej siete a transportnej vrstvy (FNTP). ISO 29281-1: 2013

Technická komisia ISO 204 WG16: Inteligentné dopravné systémy - komunikačný prístup pre pozemné mobily (CALM) - Správa staníc ITS - Časť 5: Rýchly reklamný protokol (FSAP) ,. ISO 24102-5: 2013

ETSI ES 202 663 v1.1.0 .: Inteligentné dopravné systémy (ITS), európsky profilový štandard pre vrstvu riadenia fyzického a stredného prístupu inteligentných dopravných systémov pracujúcich vo frekvenčnom pásme 5 GHz.

Sevlian R, Chun C, Tan I, Bahai A, Laberteaux K: Charakterizácia kanálu pre automobilovú komunikáciu DSRC 700 MHz. J. Electr. Comput. Angl 2010, 2010: 40.

Jakubiak J, Koucheryavy Y: Najmodernejšie a výskumné výzvy pre VANET. V 5. konferencia o komunikácii a sieťach spotrebiteľov v rámci IEEE, 2008. CCNC 2008. Las Vegas 10. - 12. januára 2008: 912-916.

Chen S: Prístup k dynamickému spektru vozidiel: využitie kognitívneho rádia pre automobilové siete, Ph.D. Diplomová práca, Worcester Polytechnic Institute. 2012.

Chen ZD, Kung H, Vlah D: Ad hoc prenos bezdrôtových sietí cez pohybujúce sa vozidlá po diaľniciach. V Zborník z 2. medzinárodného sympózia ACM o mobilných sieťach ad hoc a výpočtových zosilňovačoch, Long Beach. New York: ACM 2001: 247-250.

Niculescu D, Nath B: Špedícia založená na dráhe a jej aplikácie. V Zborník z 9. výročnej medzinárodnej konferencie o mobilných počítačoch a sieťach, San Diego. New York: ACM 2003: 260-272.

Bose P, Morin P, Stojmenović I, Urrutia J: Smerovanie so zaručeným doručením v bezdrôtových sieťach ad hoc. Bezdrôtové siete. 2001, 7(6):609-616.

Lee J-H, Ernst T: Problémy s bezpečnosťou IPv6 v kooperatívnych inteligentných dopravných systémoch. Comput. J 2013, 56 (10): 1189-1197. 10.1093 / comjnl / bxs006

Lee J-H, Ernst T: Otázky bezpečnosti komunikácie IPv6 v kooperatívnych inteligentných dopravných systémoch (poster). V Konferencia automobilových sietí IEEE 2011 (VNC). Amsterdam 14. - 16. novembra 2011: 284-290.

Lee J-H, Ernst T, Bonnin J: Medzivrstvová architektúra na zabezpečenie IPv6 ITS komunikácie: príklad zmeny pseudonymu. V Tretí medzinárodný seminár IEEE 2011 o dizajne viacerých vrstiev (IWCLD). Rennes november 2011: 1-6.

Lee J-H, Ernst T, Ma X: Analýza výkonu zabezpečených správ Beacon pre GeoNetworking. Secur. Comm. Netw 2011. doi: 10,1002 / s.396

Mitola J: Softvérová rádiová architektúra. IEEE komunik. Mag 1995, 33(5):26-38. 10.1109/35.393001

Mitola J: Softvérové ​​rádio. New York: Wiley 2000.

Tuttlebee WH: Softvérové ​​rádio: Počiatky, ovládače a medzinárodné perspektívy. New York: Wiley 2002.

Dillinger M, Madani K, Alonistioti N: Softvérové ​​rádio: architektúry, systémy a funkcie. New York: Wiley 2005.

Jondral FK: Softvérovo definované rádio: základy a vývoj v kognitívne rádio. EURASIP J. Wirel. Commun. Netw 2005, 2005(3):275-283.

Arslan H: Kognitívne rádio, softvérovo definované rádio a adaptívne bezdrôtové systémy. Londýn: Springer 2007.

Wang B, Liu KR: Pokrok v kognitívnych rádiových sieťach: prieskum. IEEE J. Sel. Top. Podpísať. Proces 2011, 5(1):5-23.

Newman TR, Rajbanshi R, Wyglinski AM, Evans JB, Minden GJ: Aplikácia pre mobilnú sieť. 2008, 13 (5): 442-451. 10.1007 / s11036-008-0079-8

Chen S, Wyglinski AM, Pagadarai S, Vuyyuru R, Altintas O: Analýza uskutočniteľnosti prístupu dynamického spektra vozidiel pomocou modelu teórie čakania. IEEE komunik. Mag 2011, 49(11):156-163.

Chen S, Vuyyuru R, Altintas O, Wyglinski AM: Výučba v sieťach prístupu k automobilovému dynamickému spektru: príležitosti a výzvy. V Medzinárodné sympózium IEEE o inteligentných systémoch spracovania a komunikácie signálov (ISPACS). Chiang Mai 7. - 9. decembra 2011: 1-6.

Chen S, Wyglinski AM: Efektívne využitie spektra prostredníctvom optimalizácie medzi vrstvami v distribuovaných kognitívnych rádiových sieťach. Comput. Comm 2009, 32 (18): 1931-1943. 10.1016 / j.comcom.2009.05.016

Jha SC, Rashid MM, Bhargava VK, Despins C: Stredná kontrola prístupu v distribuovaných kognitívnych rádiových sieťach. Bezdrôtová komunikácia 2011, 18(4):41-51.

Jha SC, Phuyal U, Rashid MM, Bhargava VK: Návrh OMC-MAC: oportunistický viackanálový MAC s poskytovaním QoS pre distribuované kognitívne rádiové siete. IEEE Trans. Bezdrôtová komunikácia 2011, 10(10):3414-3425.

Chen S, Vuyyuru R, Altintas O, Wyglinski AM: O optimalizácii prístupových sietí k dynamickému spektru vozidiel: automatizácia a výučba v mobilných bezdrôtových prostrediach. V Konferencia automobilových sietí IEEE 2011 (VNC). Amsterdam 14. - 16. novembra 2011: 39 - 46.

Hassan K, Gautier R, Dayoub I, Radoi E, Berbineau M: Neparametrické snímanie slepého spektra s viacerými anténami predpovedaným prahom vlastného čísla. 2012 Medzinárodná konferencia IEEE o komunikácii (ICC) 2012, 1634-1629.

Kharbech S, Dayoub I, Simon E, Zwingelstein-Colin M: Slepý digitálny modulačný detektor pre systémy MIMO cez vysokorýchlostné železničné kanály. V Komunikačné technológie pre vozidlá. Heidelberg: Springer 2013: 232-241.

Hassan K, Dayoub I, Hamouda W, Berbineau M: Automatické rozpoznávanie modulácie pomocou vlnkovej transformácie a neurónových sietí v bezdrôtových systémoch. EURASIP J. Adv. Sig. Pr. 2010. doi: 10.1155 / 2010/532898

Hassan K, Dayoub I, Hamouda W, Nzeza CN, Berbineau M: Slepá digitálna modulácia identifikácie pre priestorovo korelované MIMO systémy. IEEE Trans. Bezdrôtová komunikácia 2012, 11(2):683-693.

Simon E, Khalighi M: Iteratívny odhad Soft-Kalmanovho kanálu pre rýchle časovo premenlivé kanály MIMO-OFDM. Bezdrôtová komunikácia IEEE. Lett 2013, 2(6):599-602.

Akyildiz IF, Lo BF, Balakrishnan R: Kooperatívne snímanie spektra v kognitívnych rádiových sieťach: prieskum. Phys. Commun 2011, 4 (1): 40-62. 10.1016 / j.phycom.2010.12.003

Min AW, Shin KG: Vplyv mobility na snímanie spektra v kognitívnych rádiových sieťach. V Zborník kurzov z roku 2009 ACM o kognitívnych rádiových sieťach, Peking, Čína. New York: ACM 2009: 13-18.

Fawaz K, Ghandour A, Olleik M, Artail H: Zvyšovanie spoľahlivosti bezpečnostných aplikácií v sieťach vozidiel ad hoc prostredníctvom implementácie kognitívnej siete. V 17. medzinárodná konferencia IEEE o telekomunikáciách (IKT). Dauha 4. - 7. apríla 2010: 798-805.

Borota D, Ivkovic G, Vuyyuru R, Altintas O, Seskar I, Spasojevic P: Na oneskorenie na spoľahlivé zistenie dostupnosti kanála v kooperatívnych prostrediach vozidiel. V 73. konferencia o automobilových technológiách IEEE (jar VTC). Jokohama 15. - 18. mája 2011: 1-5.

Di Felice M, Chowdhury KR, Bononi L: Analýza potenciálu kooperatívnej kognitívnej rádiovej technológie pri komunikácii medzi vozidlami. V Bezdrôtové dni IFIP 2010 (WD). Benátky 20. - 22. októbra 2010: 1.-6.

Doost-Mohammady R, Chowdhury KR: Návrh kognitívnych rádiových dopravných sietí s asistenciou databázy spektra. V 7. medzinárodná konferencia ICST o kognitívnych rádiových bezdrôtových sieťach a komunikáciách (CROWNCOM) 2012. Štokholm 18. - 20. júna 2012: 1.-5.

Ghandour AJ, Fawaz K, Artail H, Di Felice M, Bononi L: Zlepšenie doručovania správ o bezpečnosti vozidiel implementáciou kognitívnej siete vozidiel. Siete ad hoc 2013, 11 (8): 2408-2422. 10.1016 / j.adhoc.2013.06.005

Khabbaz M, Assi C, Ghrayeb A: Modelovanie a analýza komunikačných systémov vozidla a infraštruktúry založených na DSA. IEEE Trans. Intell. Doprava. Syst 2013, 14(3):1186-1196.

Yang C, Fu Y, Zhang Y, Xie S, Yu R: Schéma prístupu k energeticky účinnému hybridnému spektru v kognitívnych sieťach ad hoc pre vozidlá. IEEE komunik. Lett 2013, 17(2):329-332.

Chowdhury KR, Felice MD: SEARCH: smerovací protokol pre mobilné kognitívne rádiové ad-hoc siete. Comput. Commun 2009, 32 (18): 1983-1997. 10.1016 / j.comcom.2009.06.011

Cacciapuoti AS, Caleffi M, Paura L: Reaktívne smerovanie pre mobilné kognitívne rádiové siete ad hoc. Siete ad hoc 2012, 10 (5): 803-815. 10.1016 / j.adhoc.2011.04.004

Laufer R, Dubois-Ferriere H, Kleinrock L: Multirate anypath routing in wireless mesh networks. V IEEE INFOCOM 2009. Rio de Janeiro 19. - 25. apríla 2009: 37-45.

Devarapalli V, Wakikawa R, Petrescu A, Thubert P: Protokol základnej podpory siete (NEMO). 2005.

Arkko J, Perkins C, Johnson D: Podpora mobility v IPv6. 2011.

Gundavelli S, Leung K, Devarapalli V, Chowdhury K, Patil B: Proxy mobile IPv6. RFC 5213, august (2008)

Lee J-H, Ernst T: Ľahká sieťová mobilita v rámci PMIPv6 pre dopravné systémy. IEEE Syst. J 2011, 5(3):352-361.

Lee J-H, Ernst T, Chilamkurti N: Analýza výkonu mobilnej siete založenej na PMIPv6 pre inteligentné dopravné systémy. IEEE Trans. Veh. Technol 2012, 61(1):74-85.

Lee J-H, Singh KD, Bonnin J-M, Pack S: Vykladanie mobilných dát: prístup hostiteľa k distribuovanej mobilite. IEEE Internet Comput 2014, 18(1):20-29.

De Nardis L, Guirao M-D: Dizajn kognitívnych rádiových sietí zohľadňujúci mobilitu: výzvy a príležitosti. V 2010 IEEE Proceedings of the Fifth International Conference on Cognitive Radio Oriented Wireless Networks & amp Communications (CROWNCOM). Cannes 9. - 11. júna 2010: 1-5.

Lee W-Y, Akyildiz IF: Správa mobility so zameraním na spektrum v kognitívnych rádiových bunkových sieťach. IEEE Trans. Mobile Comput 2012, 11(4):529-542.

Wang T, Song L, Han Z: Koaličné hry s grafom pre populárnu distribúciu obsahu v kognitívnych rádiových VANET. IEEE Trans. Veh. Technol 2013, 62 (8): 4010-4019. http://dx.doi.org/10.1109/TVT.2013.2245353

CORRIDOR: Kognitívne rádio pre železnice prostredníctvom opätovného použitia dynamického a oportunistického spektra. Prístup k 11. marcu 2014. http://corridor.ifsttar.fr

Haziza N, Kassab M, Knopp R, Harri J, Kaltenberger F, Agostini P, Berbineau M, Gransart C, Besnier J. V NET4CARS 2013, 5. medzinárodný seminár o komunikačných technológiách pre vozidlá, Lille, 14. - 15. mája 2013. Heidelberg: Springer 2013: 84-95.

Amanna A, Gadhiok M, Price MJ, Reed JH, Siriwongpairat W, Himsoon T: Kognitívne rádio železnice. IEEE Veh. Tech. Mag 2010, 5(3):82-89.

CORNET, kognitívna rádiová sieť testované. Prístup k 11. marcu 2014. http://cornet.wireless.vt.edu

Gadhiok M, Amanna A, Price MJ, Reed JH: Metakognícia: zvýšenie výkonu kognitívneho rádia. V Prvá medzinárodná multidisciplinárna konferencia IEEE 2011 o kognitívnych metódach v informovaní o situácii a podpore rozhodovania (CogSIMA). Miami, Beach 22. - 24. februára 2011: 198 - 203.

Amoroso A, Marfia G, Roccetti M, Pau G: Kreatívne testovacie postele pre výskum VANET: nová metodika. V Konferencia o komunikácii a sieťach spotrebiteľov IEEE 2012 (CCNC). Las Vegas 14. - 17. januára 2012: 477-481.

Marfia G, Roccetti M, Amoroso A, Gerla M, Pau G, Lim J-H: Kognitívne automobily: výstavba kognitívneho ihriska pre testovacie ihriská VANET. V Zborník referátov zo 4. medzinárodnej konferencie o kognitívnom rádiu a pokročilom riadení spektra v Barcelone, 26. - 29. októbra 2011. New York: ACM 2011: 29: 1-29: 5.

Výskumné pracovisko otvoreného prístupu pre bezdrôtové siete novej generácie (ORBIT). WINLAB, Rutgersova univerzita. Prístup k 11. marcu 2014 http://www.orbit-lab.org

Chowdhury KR, Di Felice M, Akyildiz IF: TP-CRAHN: transportný protokol pre kognitívne rádiové ad-hoc siete. V IEEE INFOCOM 2009. Rio de Janeiro 19. - 25. apríla 2009: 2482-2490.

Singh KD, Bonnin J-M, Ros D: Optimalizácia TCP cez kognitívne rádiové siete pre vlaky. V 12. medzinárodná konferencia IEEE 2012 o ITS telekomunikáciách (ITST). Tchaj-pej 5. - 8. novembra 2012: 678-682.

Zhang G, Xu Y, Wang X, Tian X, Liu J, Gan X, Yu H, Qian L: Kapacita multicastu pre VANET so smerovou anténou a obmedzeniami oneskorenia. IEEE J. Vyberte. Oblasti komunik 2012, 30(4):818-833.

Singh KD, Ksentini A, Marienval B: Nástroj na meranie kvality zážitku pri kódovaní videa SVC. V Medzinárodná konferencia o komunikácii IEEE 2011 (ICC). Kjóto 5. - 9. júna 2011: 1.-5.

Singh KD, Hadjadj-Aoul Y, Rubino G: Odhad kvality zážitku pre adaptívne streamovanie videa HTTP / TCP pomocou H. 264 / AVC. V Konferencia o komunikácii a sieťach spotrebiteľov IEEE 2012 (CCNC). Las Vegas 14. - 17. januára 2012: 127 - 131.

Deep Singh K, Piamrat K, Park H, Viho C, Bonnin J-M: Optimalizácia QoE pre škálovateľné video multicast cez WLAN. V 24. medzinárodné sympózium IEEE 2013 o osobnej vnútornej a mobilnej rádiovej komunikácii (PIMRC). Londýn 8. - 11. septembra 2013: 2131-2136.

Altintas O, Nishibori M, Oshida T, Yoshimura C, Fujii Y, Nishida K, Ihara Y, Saito M, Tsukamoto K, Tsuru M, Oie Y, Vuyyuru R, Al Abbasi A, Ohtake M, Ohta M, Fujii T, Chen Si, Pagadarai S, Alexander Wyglinski M: Demonštrácia komunikácie medzi vozidlami cez biele miesto televízora (ukážkový papier). V Konferencia automobilových technológií IEEE 2011 (VTC jeseň). San Francisco 5. - 8. septembra 2011: 1-3.

Rzayev T, Shi Y, Vafeiadis A, Pagadarai S, Wyglinski AM: Implementácia automobilovej sieťovej architektúry podporujúcej prístup dynamického spektra. V Konferencia automobilových sietí IEEE 2011 (VNC). Amsterdam 14. - 16. novembra 2011: 33 - 38.

SUMO: Simulácia mestskej mobility. Prístup k 11. marcu 2014. http://sumo-sim.org