Newsletters

  • Vertrieb kontaktieren

Nutzung von Web Map Service Daten zur Visualisierung und Analyse in geospatialen Anwendungen

Von Alan Hwang, MathWorks und Kelly Luetkemeyer, MathWorks

Das Internet bietet eine stetig wachsende Zahl geographischer Datensätze und Basiskarten. Die richtigen Daten für eine bestimmte Anwendung zu finden kann jedoch schwierig sein. Man muss unter Umständen hunderte von Datenbanken durchforsten oder viele Dateien herunterladen und kombinieren, bevor man den gewünschten Informationsumfang erreicht. Vielleicht findet man sogar eine Webseite, die alle gewünschten Daten auf einmal anbietet, stellt aber dann fest, dass diese nicht öffentlich zugänglich sind. Die Lösung für viele dieser Probleme ist der Web Map Service (WMS), ein vom Open Geospatial Consortium entwickeltes Protokoll zur Bereitstellung geographischer Daten in Form von Bildkarten über das Internet.

Viele staatliche Organisationen wie die US-Weltraumbehörde NASA, die US-Behörde für Ozeanographie und Meteorologie NOAA, die Europäische Weltraumagentur ESA und die US-Behörde für Geographie und Geologie USGS stellen mithilfe des WMS-Protokolls umfangreiche Datensammlungen für die Öffentlichkeit bereit. Zu den Anwendungsgebieten der dort abrufbaren geographischen Datenschichten gehören etwa die Atmosphären- und Meeresforschung, die Öl- und Gasexploration, die Bewirtschaftung natürlicher Ressourcen, Finanzanalysen oder die Städteplanung.

Mit der Mapping Toolbox™ können Anwender geospatiale Rasterdaten finden, WMS-Karten darstellen und abgerufene Daten visualisieren und analysieren. Drei Beispiele dafür werden hier vorgestellt:

Zugriff auf Daten von WMS Servern

Um eine geeignete WMS-Schicht zu finden und anzuzeigen reichen wenige Codezeilen aus. In diesem Beispiel soll das „Blue Marble Next Generation, Global MODIS derived image“ oder kurz die bmng-Schicht auf einem Server des Jet Propulsion Laboratory (JPL) der NASA gefunden werden. Mit der wmsfind-Funktion aus der Mapping Toolbox wird dazu die installierte Datenbank nach Schichten durchsucht, die die Zeichenkette „blue marble“ enthalten. Das Ergebnis ist ein WMSLayer-Array, das mehrere Schichten von mehreren Servern enthält.

layers = wmsfind('blue marble');
jplLayers = layers.refine(...
'jpl','SearchField','serverurl');
bmng = jplLayers.refine('bmng');

Mit der wmsread-Funktion werden diese als RGB-Bild hinterlegten Daten abgerufen und anschließend mit der geoshow-Funktion projiziert und als Karte dargestellt.

[backdrop, R] = wmsread(bmng);
figure, axesm robinson;
geoshow(backdrop, R);
wms_fig1_w.jpg

Abb. 1. Das Blue Marble Image. Daten mit freundlicher Genehmigung von NASA/JPL-Caltech.

 Animation und Analyse von Zeitreihendaten

Für geospatiale Anwendungen müssen oft zeitvariante Datensätze modelliert werden. Mit dem WMS-Protokoll kann man Daten für unterschiedlich lange Zeitspannen abrufen. In diesem Beispiel wird die WMS-Funktionalität zur Erkennung langfristiger Trends in der Verteilung von Meereis eingesetzt. Durch Visualisierung von Trends in Eisflächen-Messungen können Klimatologen die Auswirkungen des Klimawandels auf die Ökosysteme des arktischen Eismeers untersuchen

Zunächst werden die Messdaten zur arktischen Eisdecke heruntergeladen. Die installierte Datenbank enthält viele Datenschichten mit Informationen zu eisbezogenen Datensätzen. Die Suche wird darum auf animierte Daten konzentriert und die Ergebnisse auf eine beim NASA Goddard Space Flight Center hinterlegte Schicht verengt. Der Datensatz enthält Messungen des Meereises von 1979 bis 2004. Zum Herunterladen der Daten verschachtelt man die wmsread-Funktion in eine for-Schleife. Dieser Prozess erzeugt eine 4D-Matrix von Farbbildern, die die mittlere Eisfläche im Monat September von 1979 bis 2004 widergibt.

Das Blue Marble-Bild der NASA/JPL bildet einen geeigneten Referenzhintergrund für die Visualisierung des Meereises an der nördlichen Polkappe. Um die Datensätze quantitativ zu vergleichen, richtet man sie mit der Mapping Toolbox aneinander aus und erzeugt eine flächentreue Lambert-Azimutal-Projektion für einen Ausschnitt von 50° bis 90° N. Dargestellt ist das Meereis in den Jahren 1980, 1999 und 2004. Die Ergebnisse zeigen, wie die Fläche des Meereises innerhalb von 25 Jahren abgenommen hat (Abb. 2).

wms_fig2_w.jpg

Abb. 2. Über das Blue Marble-Bild der NASA/JPL gelegte mittlere Ausdehnung der Meereisdecke im September 1980 (rot), 1999 (gelb) und 2004 (grün). Man erkennt, dass die Eisfläche in 25 Jahren um 15% geschrumpft ist.

Das Bild ist informativ, gibt aber keine quantitative Auskunft über den Rückgang des Meereises seit 1980. Um diese Information zu erhalten, wird mit der areamat-Funktion der Mapping Toolbox die Eisfläche berechnet. Die Auswertung der Ergebnisse ergibt eine Schrumpfung der Eisfläche um etwa 15% in diesem Zeitraum (Abb. 3).

Eine einfache lineare Anpassung demonstriert diesen Abwärtstrend. Für eine genauere Analyse könnte man mehr Daten sammeln und ein Modell erzeugen, das auch jahreszeitliche Effekte berücksichtigt.

wms_fig3_w.jpg

Abb. 3. Mittlere Meereisfläche von 1979 bis 2004. Daten mit freundlicher Genehmigung von NASA/JPL-Caltech.

 Überlagerung von Orthofotos auf digitale Höhenmodelle

Ein Orthofoto ist ein Luftbild, das durch Korrektur von Höhe, Linsenverzerrung und Kamerawinkel einheitlich skaliert wurde und damit die Messung echter Entfernungen ermöglicht. In diesem Beispiel wird ein Orthofoto auf eine 3D-Oberflächendarstellung aus dem National Elevation Dataset (NED) gelegt, einem digitalen Höhenmodell (DEM), das Höhendaten für die USA im Rasterformat enthält und per WMS verfügbar ist. Mit der Mapping Toolbox wird aus dem NED ein Ausschnitt mit der gewünschten geographischen Länge und Breite sowie Bildhöhe und -breite abgerufen und visualisiert (Abb. 4).

wms_fig4_w.jpg

Abb. 4. Digitales Höhenmodell von South San Francisco. Daten mit freundlicher Genehmigung von NASA/JPL-Caltech.

Die installierte Datenbank wird nun nach Schichten des Microsoft® TerraServer durchsucht, auf dem viele Orthofotos und topographische Karten des USGS (United States Geological Survey) zu finden sind. Sobald eine geeignete Schicht gefunden ist, wird ein Kartenausschnitt mit exakt den gleichen Einstellungen abgerufen wie zuvor beim NED. So erhält man ein Orthofoto mit dem gleichen geographischen Ausschnitt und der gleichen Skalierung wie beim NED. Die imshow-Funktion der Image Processing Toolbox™ stellt dieses Bild wie in Abbildung 5 gezeigt dar. Nun kombiniert man Orthofoto und DEM, indem man die Farbdaten des DEM durch die des Luftbildes ersetzt. Weil das Bild vom WMS-Server mit der gleichen Begrenzung und Orientierung übergeben wurde wie das DEM, passen Oberfläche und Bild genau zusammen (Abb. 6).

wms_fig5_w.jpg

Abb. 5. Orthofoto von San Francisco. Vom Microsoft TerraServer abgerufene Daten, mit freundlicher Genehmigung des U.S. Geological Survey.

wms_fig6_w.jpg

Abb. 6. Über ein digitales Höhenmodell gelegtes Orthofoto.

Mit den in der Mapping Toolbox enthaltenen Funktionen zur Geländeanalyse lassen sich die DEM-Daten noch weiter auswerten. Dazu steht beispielsweise ein Viewshed zur Verfügung, eine Analysemethode, die zeigt, welche Teile einer Landschaft ein Beobachter von einem bestimmten Standpunkt aus einsehen kann. Die viewshed-Funktion weist sichtbaren Gebieten einen Wert von 1 zu, allen anderen einen Wert von 0. Hier wird der höchste Punkt im DEM ausgewählt und ein Viewshed berechnet. Legt man dieses Bild nun genau so über das DEM wie zuvor das Orthofoto, dann erkennt man sofort die Bereiche, die nicht einsehbar sind (Abb. 8 rechts).

wms_fig7_w.jpg

Abb. 7. Interaktive Auswahl eines Aussichtspunkts.

Stellt man neben dieses viewshed ein zweites, das von einem willkürlich ausgewählten Punkt im Tal aus berechnet wurde (Abbildung 7), dann wird sofort deutlich, dass hier erheblich größere Bereiche für den Beobachter nicht einsehbar sind. Eine Beobachterposition am höchsten Punkt verbessert die Übersicht über ein Gebiet also erheblich.

wms_fig8_w.jpg

Abb. 8. Viewshed-Berechnungen an einem DEM mit darübergelegtem Orthofoto. Das linke Bild zeigt den Schattenwurf der höheren Geländeanteile auf die tiefer gelegenen. Das rechte Bild zeigt die vom höchsten Punkt aus einsehbaren Bereiche.

Viewshed-Berechnungen sind für viele Anwendungen wichtig. Man kann damit beispielsweise Mobilfunkmasten dort platzieren, wo sie die jeweils größte Netzabdeckung erzielen. Mit der WMS-Funktionalität lässt sich dann zusätzlich die Bevölkerungsdichte abrufen, mit dem Viewshed korrelieren und so die Zahl der Teilnehmer mit Netzzugang optimieren.

 Kombination von Datensätzen

Per WMS bezogene Daten können mit anderen Datensätzen kombiniert werden, um weiterführende Informationen zu gewinnen. In diesem Beispiel werden zwei WMS-Datensätze verknüpft: Die Erdbebenhäufigkeit und die Bevölkerungsdichte. Das Ergebnis gibt Aufschluss darüber, in welchen Gebieten das größte Gefährdungspotenzial durch seismische Aktivität besteht.

Erdbeben-Datenschichten enthalten die Häufigkeit von Erdbeben über einen Zeitraum von 15 Jahren. Abbildung 9 gibt die seismische Aktivität entlang der Plattengrenzen als Zahl registrierter Beben wieder. Gelb bedeutet ein bis zwei Erdbeben, Orange etwa zehn Erdbeben und Rot 50 bis 200 Erdbeben. Diese Häufigkeitsdaten werden nun mit dem zweiten Datensatz kombiniert, der geschätzten Bevölkerungsdichte im Jahr 1995. Abbildung 10 zeigt diese Datenschicht zusammen mit einer Legende für die Farbcodierung.

wms_fig9_w.jpg

Abb. 9. Tektonische Platten (links) und Erdbebenhäufigkeit (rechts) entlang der Plattengrenzen. Mit freundlicher Genehmigung von NASA/Goddard Space Flight Center Scientific Visualization Studio.

wms_fig10_w.jpg

Abb. 10. Bevölkerungsdichte. Daten mit freundlicher Genehmigung von NASA Earth Observations.

Vor der Zusammenführung beider Datensätze sind zwei Schritte erforderlich. Zunächst werden die Rot-, Grün- und Blaukanäle der WMS-Datenschichten in Intensitäten umgewandelt. Die Daten in diesem Beispiel wurden vom WMS-Server als Farbbild mit einer Legende für die Bevölkerungsdichte übergeben. Mit der Funktion rgb2ind konvertiert man das Farbbild in ein indexiertes, auf einer Farbzuordnungstabelle basierendes Bild. Die dabei erhaltenen Indizes können so angepasst werden, dass sie der Bevölkerungsskala der Legende entsprechen.

Im zweiten Schritt normalisiert man die Maximalwerte beider Datensätze auf 1, um sie bei der Verschmelzung der Bilder sinnvoll gewichten zu können. Die Bevölkerungsdaten reichen von einem bis 10.000 Einwohner je Quadratkilometer und die Erdbebendaten von einem bis 200 Beben in 15 Jahren. Eine Methode zur Verschmelzung der Daten ist die Ansetzung eines einfachen gewichteten Mittelwertes für diejenigen Orte, zu denen Informationen in beiden Datensätzen enthalten sind (Abb. 11).

RiskMetric(lat,lon)=
α×EarthquakeFreq(lat,lon)
+β×PopulationDensity(lat,lon)
wms_fig11_w.jpg

Abb. 11. Idenifizierung besonders gefährdeter Gebiete durch Kombination von Bebenhäufigkeit und Bevölkerungsdichte.

Diese Risikoberechnung lässt sich durch Veränderung der Gewichtungskoeffizienten für die Erdbebenhäufigkeit und die Bevölkerungsdichte optimieren. Dies ist nur der Anfang einer umfassenderen Analyse von Erdbebengebieten. Man kann beispielsweise weitere Schichten einfügen, die Auskunft darüber geben, wie gut die Bevölkerung auf ein Beben vorbereitet ist, wie stabil Gebäude und Strukturen im Gebiet sind und sogar, welchen Einfluss die Tageszeit hat.

RiskMetric(lat,lon)=
F(EarthquakeFreq(lat,lon),
PopulationDensity(lat,lon),
EarthquakeFunding(lat,lon),…)

Durch Kombination verschiedener Datensätze wird die Risikoanalyse so eine Funktion mehrerer Variablen und man kann die Folgen von seismischer Aktivität – etwa die Zahl der zu erwartenden Verletzten oder das Ausmaß struktureller Schäden – genauer abschätzen.

Ausblick

Da immer mehr Organisationen ihre Daten über das Internet zum Abruf bereitstellen, gestalten sich Suche, Sortierung und Abruf dieser Daten zunehmend schwieriger. Tools, mit denen sich relevante Datenschichten gezielt finden und visualisieren lassen, helfen Forschern, Ingenieuren und Wissenschaftlern bei der Analyse und Lösung von Problemstellungen. Dies zeigen die drei hier mit der Mapping Toolbox vorgestellten Beispiele, in denen WMS-Fähigkeiten eingesetzt werden, um Daten für Analysen bereitzustellen, Datensätze zu visualisieren und durch Kombination verschiedener Datensätze neue Einsichten zu gewinnen.

WMS-Unterstützung in der Mapping Toolbox

Die Mapping Toolbox enthält Funktionen, Tools und Dienstprogramme zur Analyse geographischer Daten und zur Erzeugung von Kartendarstellungen. Die neue WMS-Funktionalität erweitert erheblich den Umfang der Daten, auf die die Toolbox zugreifen kann. Sie vereinfacht außerdem die Suche und das Abrufen dieser Daten. Die Mapping Toolbox enthält eine Datenbank mit präqualifizierten WMS-Servern. In diesen Datenbanken kann nach Stichworten, Server-URL, geographischen Koordinaten und weiteren Begriffen gesucht werden. Die für die jeweilige Anwendung am besten geeigneten Daten können anschließend heruntergeladen werden.

Veröffentlicht 2010 - 91814v00

Receive the latest MATLAB and Simulink technical articles.

Related Resources

Latest Blogs