Más

¿Hay alguna forma de transformar un punto OSM de nodo en el sistema GPS de referencia de un automóvil?


Tengo un coche con GPS (WGS84) y una cámara (que filmaba la carretera) fijada en él. Me gustaría saber si hay alguna manera de obtener la transformación de un nodo OSM a la coordenada cartesiana de GPS fijada en el automóvil. Para poder proyectar fácilmente la coordenada del GPS en la coordenada de la imagen (de la cámara).

No sé si esto es un problema de coincidencia de mapas porque no quiero hacer coincidir una trayectoria (como, por ejemplo, https://mapmatching.3scale.net/) pero solo quiero obtener el nodo al lado del automóvil y luego tener la transformación entre los dos.

Tienes una idea ?


En primer lugar, convertiría OSM en un shapefile, lo hace más fácil de usar y protege contra 'puntos negros'.

Aquí hay un poco de código para comenzar:

// GDALAllRegister (); // Las versiones más recientes no separan OGR de GDAL // LEA http://www.gdal.org/ogr_apitut.html PARA OBTENER MÁS INFORMACIÓN char * BasePath = ""; // LLENAR LA RUTA COMPLETA PARA DAR FORMA AL ARCHIVO OGRRegisterAll (); OGRDataSource * hDS = NULL; OGRSFDriver * Driver = NULL; hDS = OGRSFDriverRegistrar :: Open (BasePath, FALSE y Driver); OGRLayer * Layer = hDS-> GetLayerByName ("Polilínea"); OGRSpatialReference * LayerSR = Layer-> GetSpatialRef (); OGRSpatialReference WGS84 = OGRSpatialReference (0); WGS84.importFromEPSG (4326); // ESTE ES DONDE EPSG: LOS NÚMEROS SON ÚTILES // cree una geometría de consulta, YourX, YourY debe estar en la misma referencia espacial // que los datos de osm. Esto limita las características devueltas a las que están cerca del punto X, Y OGRPoint; pt.setX (YourX); pt.setY (YourY); pt.assignSpatialReference (LayerSR); OGRGeometry * QueryGeom = pt.Buffer (SutableDistance); // crea un búfer del punto Layer-> SetSpatialFilter (QueryGeom); // ahora la capa solo devolverá las características que se cruzan… Layer-> ResetReading (); // inicializar int pCnt = Layer-> GetFeatureCount (); if (pCnt> 0) {OGRFeature * pFeat; while ((pFeat = Layer-> GetNextFeature ())! = NULL) {OGRGeometry * pGeom = pFeat-> GetGeometryRef (); // obtén la geometría para la característica… pGeom-> transformTo (& WGS84); // Ahora la geometría está en WGS84 // LEER http://stackoverflow.com/questions/18747370/how-to-extract-vertexes-of- geometrías-en-esri-shapefiles-using-ogr-library-with // ACERCA DE OBTENER LOS 'NODOS' EN ESTA LÍNEA}}

Después de haber dividido la línea en vértices, es pitagórico encontrar el vértice más cercano. Necesita saber hacia dónde se dirige para decidir cuál es el siguiente (con la dirección de la línea o en su contra) ... para obtener distancias sensibles, necesitaría proyectar ambos puntos a un sistema de coordenadas proyectadas como UTM, Lamberts o Albers ... los parámetros para estos dependen de dónde se encuentre, pero una fórmula matemática puede decidir qué parámetros son los más apropiados.


Estante para libros

Estantería NCBI. Un servicio de la Biblioteca Nacional de Medicina, Institutos Nacionales de Salud.

Comité del Instituto de Medicina (EE. UU.) De la Iniciativa de la Fundación Robert Wood Johnson sobre el futuro de la enfermería, en el Instituto de Medicina. El futuro de la enfermería: liderar el cambio, promover la salud. Washington (DC): National Academies Press (Estados Unidos) 2011.


Un sistema de posicionamiento ultrasónico para interiores basado en TOA para Internet de las cosas

Con el desarrollo de Internet de las cosas, la información de posición de los objetos interiores se vuelve más importante para la mayoría de los escenarios de aplicación. Este documento presenta un sistema ultrasónico de posicionamiento en interiores, que puede lograr un posicionamiento preciso a nivel de centímetros de objetos que se mueven en interiores. Los nodos transmisores, los nodos receptores y el terminal de control de visualización son necesarios para constituir todo el sistema. El sistema se basa en una tecnología de posicionamiento de línea base larga que utiliza un mecanismo de acceso de multiplexación por división de código. No hay límite para el número de nodos receptores ya que el sistema funciona en el modo de transmisión ascendente y descendente. El posicionamiento de un nodo receptor se basa en la tecnología de medición ultrasónica del tiempo de llegada. Para determinar con precisión el posicionamiento, debe haber al menos cuatro o cinco nodos transmisores. El radio de trabajo no será inferior a 5 metros cuando la altura sea superior a 3 metros. El sistema utiliza una señal de ruido pseudoaleatorio de banda ancha denominada secuencias Gold para la identificación multiusuario y la medición del rango inclinado. El documento primero ofrece una breve introducción de los métodos populares de posicionamiento ultrasónico en interiores y luego describe la teoría del algoritmo propuesto y proporciona los resultados de la simulación. Para examinar la corrección del enfoque y su practicidad, la implementación práctica y los resultados experimentales también se proporcionan en el documento.

1. Introducción

Con el advenimiento de Internet de las cosas (IoT) [1], la mayoría de los objetos (cosas) del día a día en el mundo tendrán capacidades de computación y comunicación inalámbrica con identidad única (ID) y dirección de Protocolo de Internet (IP). En la mayoría de las aplicaciones de IoT, necesitamos conocer la posición (exacta o aproximadamente) de las cosas que se unen a la red [2, 3]. Obtener la información de posición de las cosas es muy importante en muchas aplicaciones, y se conoce como Servicio basado en ubicación (LBS). En aplicaciones comerciales, LBS describe un servicio de valor agregado que proporciona información sobre la posición de un objeto con el apoyo de la plataforma del Sistema de Información Geográfica (GIS). La información de posición también se puede adquirir a través de la red de radio del operador de telecomunicaciones móviles o un método de posicionamiento externo. LBS tiene dos propósitos: primero, determinar la ubicación de un dispositivo móvil o usuario; segundo, proporcionar otros servicios de información relacionados con la ubicación.

La señal del Sistema de posicionamiento global (GPS) generalmente es inalcanzable en ambientes interiores, lo que hace necesario tener una tecnología de posicionamiento interior para determinar con precisión la posición de un objeto en interiores. La tecnología de posicionamiento en interiores se utiliza como un auxiliar o una alternativa del GPS, donde la señal de los satélites GPS es débil cuando llega a la tierra pero no puede penetrar un edificio.

El posicionamiento en interiores es muy útil en muchas aplicaciones, como seguridad pública y respuesta a emergencias, guía de posicionamiento, demanda social, demanda de promoción del mercado y aplicaciones de datos de gran tamaño. Para aplicaciones de seguridad pública y respuesta a emergencias, como incendios, desastres y rescates, los trabajadores de rescate serían altamente efectivos si las víctimas del desastre se pudieran localizar con precisión, dentro del edificio con la granularidad de un piso o un número de habitación. En la vida cotidiana, LBS puede ayudar a identificar la ubicación del automóvil de una persona en un estacionamiento subterráneo o la ubicación de la leche en un supermercado. El posicionamiento en interiores puede ayudar a encontrar el restaurante más cercano en un gran centro comercial y la forma de llegar allí.

El posicionamiento en interiores se refiere al proceso de determinar la posición de los objetos en un entorno interior. En muchos casos, el posicionamiento en interiores hace uso de la comunicación inalámbrica, la ubicación de la estación base, el sistema de navegación inercial y una variedad de técnicas similares. Las tecnologías comunes de posicionamiento en interiores incluyen [4–6] Fidelidad inalámbrica (WiFi), Bluetooth, infrarrojos, radiofrecuencia (RF), banda ultra ancha (UWB), identificación por radiofrecuencia (RFID), ZigBee y ultrasonido de intensidad de señal recibida (RSS) . Los autores en [4, 5] resumen estos métodos comunes de posicionamiento en interiores y los evalúan con respecto a la precisión, cobertura, costo y complejidad del posicionamiento como se muestra en la Tabla 1. Estas tecnologías también son importantes para la investigación de redes de sensores inalámbricos [7-9 ].

La técnica propuesta en [10] se basa en un método de posicionamiento basado en rangos utilizando la capa física de ZigBee. Los autores estudiaron un caso clásico que muestra que la precisión de la posición inicial juega un papel importante en el posicionamiento preciso en interiores. Cotera y col. [11] aplicaron algoritmos de trilateración que utilizan la estimación del rango de radiofrecuencia y su enfoque da como resultado una precisión de ± 10 centímetros, con un total de ± 4.09 centímetros. Los autores en [12] estudiaron varios métodos de posicionamiento en interiores de redes de área local inalámbrica (WLAN) basados ​​en la tecnología RSS y estudiaron el criterio de selección apropiado para el tamaño de la red y la reducción del punto de acceso (AP). El método Weighted Average Tracker (WAT) [13] también se basa en RSS, donde la precisión es mejor que los métodos tradicionales, pero todavía es del orden de un metro. Los tamaños de la base de datos necesarios tanto para las fases de aprendizaje como para las de estimación crecen rápidamente a medida que aumentan las áreas de cobertura de la red y el número de puntos de acceso. El enfoque de compresión espectral [14] ha reducido significativamente el tamaño de la base de datos tanto para el aprendizaje del sistema como para la estimación. Zheng y col. [15] propuso un sistema de posicionamiento 3D para interiores que utiliza sensores MEMS (Micro Electro Mechanical System) montados en el pie de bajo costo. En este enfoque, la desviación de la estimación del rango es de aproximadamente el 1% y los errores de coordenadas estimados están por debajo del uno por ciento de la distancia de transmisión total. Zhuang y col. [16] proponen un enfoque de integración de dos filtros para el posicionamiento en interiores con sensores MEMS. Los resultados del experimento mostraron que el método tiene una precisión de unos varios metros, a pesar de las mejoras tanto en la precisión de posicionamiento como en la eficiencia computacional.

Además, para optimizar el rango de cobertura y la precisión de posicionamiento, Domingo-Perez et al. [17] propuso un método de despliegue de sensores óptimo para la localización en interiores. Los autores en [18] propusieron un método de posicionamiento pasivo mediante la adopción de características especiales del sistema MIMO (Multiple Input Multiple Output) donde el objetivo no necesita llevar un dispositivo de posicionamiento. El sistema puede alcanzar una precisión de aproximadamente 1 metro. En un entorno hospitalario, Haute et al. [19] evaluó un sistema con un nodo de ancla en cada dos habitaciones. Al adoptar el enfoque de huellas dactilares, la investigación señala que la precisión de posicionamiento es de aproximadamente 1,21 metros y la precisión de determinación de la habitación es de aproximadamente el 98%.

Las tecnologías de posicionamiento mencionadas anteriormente tienen en cuenta la estructura interior del ambiente interior. La precisión de posicionamiento entre diferentes métodos tiene una gran variación. Para lograr una alta precisión en el posicionamiento, tres tecnologías de rango como ZigBee y ultrasónico son las más apropiadas. Normalmente, la tecnología ZigBee y la tecnología RF mantienen la precisión de posicionamiento hasta la escala del metro, mientras que la tecnología ultrasónica puede proporcionar precisión dentro del rango de centímetros.

El resto de este documento está organizado de la siguiente manera: La sección 2 ofrece una breve introducción de los métodos populares de posicionamiento ultrasónico en interiores. La teoría del algoritmo propuesto se describe en la Sección 3 y los resultados de la simulación se proporcionan en la Sección 4. Para examinar la corrección del enfoque y su practicidad, la Sección 5 describe la implementación práctica y los resultados experimentales. Finalmente, la Sección 6 proporciona la conclusión y algunas observaciones para el trabajo futuro.

2. Trabajo relacionado

En comparación con los métodos no acústicos discutidos anteriormente, los métodos acústicos o ultrasónicos pueden obtener una mayor precisión en el posicionamiento en interiores con un costo menor. El sistema de posicionamiento ultrasónico es similar a los sistemas de radar y sonar, e incluye principalmente tres partes: un módulo de transmisión, un canal de transmisión y un módulo receptor. La frecuencia de la onda ultrasónica utilizada en el sistema de posicionamiento interior es principalmente de unos 40 kHz [20], que puede ser una señal de banda estrecha o una señal de banda ancha. Los sistemas de localización ultrasónicos típicos incluyen principalmente: método de murciélago activo, método de cricket y método de delfín. Entre estos, el método del cricket tiene un costo menor. Este método fue desarrollado por el Instituto de Tecnología de Massachusetts de Estados Unidos.

Lindo y col. [21] presenta dos métodos de síntesis de formas de onda multibanda para sistemas ultrasónicos de posicionamiento en interiores. El error horizontal de sus resultados es inferior a 35 cm. Con una rejilla portátil de balizas y algunas anclas fijas, De Angelis et al. [22] propuso un sistema de posicionamiento ultrasónico, que, en un sistema de 7 balizas, exhibe una precisión de posicionamiento subcentimétrica en un rango de hasta 4 m. El enfoque propuesto en [23] utiliza un sonido casi ultrasónico (17 kHz) con errores de menos de aproximadamente 2 cm en un entorno ruidoso. El rango de posicionamiento está dentro de un metro cuadrado. Para aumentar la precisión de la estimación del rango, los autores en el artículo [24] que aplican la técnica de correlación cruzada utilizan la señal de recepción y la referencia almacenada en la memoria. Teniendo en cuenta la posibilidad de pérdida de la señal de posicionamiento ultrasónica, basada en la medición de unidades inerciales (IMU), la literatura [25] propuso un método combinado de ubicación de objetivos móviles, que utiliza un filtro de Kalman extendido (EKF) y una máquina vectorial de soporte de mínimos cuadrados ( LS-SVM). En la investigación del sistema de posicionamiento en interiores, la estrategia energética [26-28] también es importante. Esto se debe principalmente a que los nodos utilizados en el sistema solo pueden ser alimentados por batería en la mayoría de los casos.

El sistema ultrasónico de posicionamiento en interiores (IPS) se puede clasificar utilizando los siguientes criterios diferentes: (i) Según la transmisión y recepción de la señal, el IPS puede ser ascendente-transmitir-descender-recibir o ascender-recibir-descender-transmitir (ii) Basado en la distancia técnicas de medición, IPS se puede clasificar como sistemas de hora de llegada (TOA) y sistema de diferencia horaria de llegada (TDOA). (iii) Basado en la sincronización de nodos, hay un sistema de sincronización de transceptor y un sistema de asincronización de transceptor.

En general, el sistema de posicionamiento ultrasónico no solo tiene una mejor precisión de posicionamiento que el sistema de radiofrecuencia, sino que también tiene un costo menor.

Para el sistema de transmisión ascendente y descendente, los nodos del techo transmiten una señal ultrasónica, los nodos de tierra recibieron una señal ultrasónica, similar al funcionamiento del sistema de posicionamiento GPS para el sistema de transmisión ascendente y descendente, los nodos del techo reciben el ultrasonido señal transmitida por el nodo de tierra, similar al sistema de posicionamiento por satélite Beidou. El método TOA necesita agregar la marca de tiempo especial en la señal de transmisión y usar el tiempo de llegada de la señal para calcular las coordenadas del espacio objetivo. Por otro lado, el método TDOA no necesita el sello de tiempo, puede calcular directamente la posición espacial del objetivo a través de la diferencia de tiempo de las transmisiones posteriores.

3. Teoría del Sistema

Nuestro sistema de posicionamiento ultrasónico propuesto adopta la tecnología de rango TOA para encontrar la posición del nodo receptor. Nuestro sistema consta de tres tipos de nodos: nodo de control, nodo transmisor y nodo receptor, como se muestra en la Figura 1.

En el sistema de localización por ultrasonidos, los nodos más importantes son los nodos de anclaje y los nodos móviles. Los nodos de anclaje generalmente se fijan en el techo, mientras que los nodos móviles se mueven con el objetivo. Cuando el sistema está funcionando, las señales de transmisión se pueden emitir desde el nodo de anclaje o desde el nodo móvil, correspondiente al receptor puede ser el nodo móvil o el nodo de anclaje. La primera situación se denomina modo ascendente-transmitir-descendente-recibir y la segunda situación se denomina modo ascendente-recibir-descendente-transmitir. Ambos dos modos pueden lograr la función de posicionamiento. El sistema mencionado aquí utiliza un patrón de transmisión ascendente y descendente. Los nodos transmisores están montados en el techo en posiciones preestablecidas y transmiten señales ultrasónicas. Mientras que el nodo receptor recibe las señales ultrasónicas de los nodos transmisores y calcula la posición en sí. Luego envía la información de posición al nodo de la consola a través del módulo WiFi.

El algoritmo de posicionamiento utiliza un método de intersección esférica para determinar las coordenadas del nodo del receptor móvil. Suponga que el sistema tiene

nodos transmisores donde se encuentran las coordenadas de cada nodo transmisor

. Para calcular las coordenadas del nodo receptor, formamos el siguiente conjunto de ecuaciones esféricas (ecuación (1)) con la posición y la distancia oblicua entre cada nodo transmisor y receptor:

donde están las distancias calculadas con la técnica TOA.

Luego, podemos estimar la posición del nodo receptor utilizando el método de mínimos cuadrados, como se muestra en (2):

donde están los valores estimados de () y los parámetros intermedios

Además, el valor estimado debe estar dado por la siguiente ecuación (4), y la elección de valores positivos y negativos debe estar de acuerdo con la situación real.

La precisión del posicionamiento está estrechamente relacionada con la geometría de los nodos transmisores y el nodo receptor. El error de posicionamiento debido a la geometría se denomina Dilución de precisión de posición (PDOP). PDOP es un factor de precisión de posición tridimensional. Para una mejor precisión de posicionamiento, el valor de PDOP debe ser pequeño.

donde VDOP significa Dilución Vertical de Precisión y HDOP significa Dilución Horizontal de Precisión. HDOP es la raíz cuadrada del cuadrado de latitud DOP (LaDOP) más el cuadrado de longitud DOP (LoDOP):

En el sistema de transmisión ascendente y descendente, el número de nodos receptores no está restringido y la operación de posicionamiento la realizan los nodos receptores, por lo que la demanda de recursos es mayor para los nodos receptores en comparación con los nodos transmisores. El sistema es adecuado para servicios de integración de ubicación y navegación.

La velocidad de las ondas ultrasónicas depende de la temperatura ambiente. Es necesario corregir la velocidad del sonido con respecto a la temperatura para garantizar una alta precisión en la medición del rango inclinado (centímetro a subcentímetro).

donde es la temperatura ambiente (° C) la velocidad del sonido es de aproximadamente 344 m / sa 20 ° C.

El nodo de la consola puede ser cualquier equipo (teléfonos móviles u ordenadores) que pueda acceder a la red WiFi. Después de instalar el software de posicionamiento en interiores, el usuario puede ver la posición de las coordenadas espaciales del objeto en movimiento en tiempo real e incluso realizar la planificación y gestión de la trayectoria del objetivo.

4. Simulación

El acceso múltiple a un medio solo puede tener éxito si las señales transmitidas por diferentes usuarios son ortogonales entre sí en el espacio de la señal: El acceso múltiple por división de frecuencia (FDMA) es ortogonal en el dominio de la frecuencia El acceso múltiple por división del tiempo TDMA es ortogonal en el dominio del tiempo y CDMA de acceso múltiple por división de código es ortogonal en las formas de onda características de los usuarios. Con los códigos ortogonales, el CDMA puede lograr el posicionamiento multiusuario al mismo tiempo mientras usa la misma banda de frecuencia, la eficiencia de posicionamiento es la más alta. La secuencia de oro es el código más común utilizado en el sistema CDMA.

En nuestra simulación y nuestra implementación, el sistema utiliza señal de ruido pseudoaleatorio de banda ancha (PRN), secuencia Gold para identificación multiusuario (CDMA) y medición de distancia inclinada. Esto ayuda a manejar más usuarios y a mejorar la precisión de posicionamiento.

Nuestro escenario típico de simulación de aplicación se muestra en la Figura 2: al menos cuatro nodos transmisores están instalados en el techo, distribuidos uniformemente en la circunferencia de un círculo de radio de 0.5 metros, y las coordenadas son (0, 0.5, 3), (0, −0,5, 3) y (0,5, 0, 3), (−0,5, 0, 3), respectivamente. Las coordenadas tienen una desviación estándar (STD) de 1 cm y el nodo receptor está en la coordenada (0.1, 0.2, 0).

Los resultados de la simulación de 1000 veces de los experimentos de Monte-Carlo se muestran en las Figuras 3 y 4. El asterisco rojo "

”En los gráficos marca la posición real del nodo receptor, los puntos verdes representan los resultados de 1000 simulaciones y el signo más azul representa la media de la posición estimada de 1000 veces. Los cuatro resultados de la simulación corresponden a la estimación del rango con desviaciones estándar de 1 cm, 2 cm, 5 cm y 10 cm.


Impulsando el análisis predictivo con el poder de Neo4j

Agero ha sido el líder de la industria en asistencia en carretera durante los últimos 40 años. Gran parte de su negocio depende de las ubicaciones: la ubicación de los clientes, las ubicaciones predictivas de los proveedores de servicios, las ubicaciones de seguimiento y las carreteras, la velocidad en una carretera determinada y otros innumerables puntos de datos. Tan pronto como Agero se dio cuenta de la naturaleza de sus datos conectados, recurrió al poder de Neo4j.

La compañía está utilizando la base de datos de gráficos para crear un complemento espacial de código abierto utilizando datos de OpenStreetMap (OSM) de colaboración colectiva para detectar cambios en las condiciones de la carretera y la conducción, analizar las condiciones dinámicas para desarrollar tendencias, predecir las posibles consecuencias de esas tendencias y mejorar la seguridad del conductor y la conducción. experiencia.

La estructura de datos de OSM se basa en datos jerárquicos que constan de nodos (ubicaciones de latitud y longitud), caminos (una colección de nodos) y relaciones. Al basarse en ID de nodo únicos y las relaciones entre estos nodos, pueden proporcionar a los conductores condiciones de conducción en tiempo real.

Entonces, ¿por qué la empresa eligió Neo4j? Debido al protocolo Bolt, los procedimientos almacenados y las capacidades de complementos, proporciona & # 8211, lo que ha permitido a Agero interactuar fácilmente con la base de datos de gráficos utilizando sus procesos y lenguajes de programación existentes.

Presentación completa: Manejo de análisis predictivo de carreteras con el poder de Neo4j

Blake Nelson: De lo que vamos a hablar hoy es de cómo Agero usa Neo4j para crear análisis predictivos de carreteras para conductores y sus empresas de servicios relacionadas:

Soy el director, fundador y propietario de Waveonics, una pequeña empresa de desarrollo de software. He estado trabajando con Agero en un proyecto que revisaremos en breve, y voy a hablar un poco sobre la experiencia como una pequeña empresa asociada con una potencia de la industria.

Agero es un proveedor líder de servicios de información, protección y seguridad para vehículos y conductores, mientras que Waveonics es una empresa de consultoría y desarrollo de software. Juntos, estamos aprovechando Neo4j para crear un complemento espacial de código abierto utilizando datos de OpenStreetMap (OSM) de colaboración colectiva para detectar cambios en las condiciones de conducción y carreteras, analizar condiciones dinámicas para desarrollar tendencias, predecir las posibles consecuencias de esas tendencias y mejorar la seguridad del conductor y la experiencia de conducción. .

Las condiciones de conducción son dinámicas porque se ven afectadas por factores como el clima, el tráfico y la construcción. Ahora tenemos la capacidad de recopilar y analizar datos de nuestros clientes para comenzar a emplear mejores análisis predictivos y aprendizaje automático. Esto nos permite hacer predicciones y ajustes para aumentar la seguridad de la experiencia de conducción.

Me contrataron para ayudar a analizar diferentes tecnologías de bases de datos de gráficos. Repasaremos nuestro caso de uso, nuestra experiencia con Neo4j, algunos de los problemas que hemos encontrado y la flexibilidad del entorno.

Agero: líder de la industria en asistencia en carretera

Deve PalakkattukudyAgero ha estado en el negocio de asistencia en carretera durante los últimos 40 años:

Ayudamos a los suscriptores si su automóvil se descompone, si su automóvil necesita una reparación o si un conductor tiene un accidente. Conectamos a los fabricantes de automóviles, compañías de seguros, concesionarios, instituciones financieras y compañías de remolque para que podamos brindar asistencia en la carretera y servicios de gestión de accidentes de extremo a extremo.

Hemos sido el líder de la industria en el negocio de asistencia en carretera durante los últimos 40 años, y tenemos más de 9,5 millones de despachos por año, tanto para asistencia en carretera como para gestión de accidentes de viaje. Damos servicio a más del 75% de los automóviles de pasajeros nuevos, que es uno de cada 20 automóviles en la carretera.

Admitimos más de 350 API, la mayoría de las cuales están disponibles públicamente, y hemos sido pioneros en soluciones telemáticas de vanguardia que actualmente se están instalando en automóviles de alta gama. Hoy en día, nuestro equipo de ingenieros está trabajando en una plataforma telemática de próxima generación con datos que recopilamos de los sensores de los teléfonos móviles, y actualmente somos capaces de predecir accidentes.

Confiamos en los datos que hemos recopilado durante los últimos 40 años, una gran cantidad de los cuales se basan en la ubicación: la ubicación de nuestros clientes, las ubicaciones predictivas de nuestros proveedores de servicios, las ubicaciones de seguimiento y las carreteras, y la velocidad en una carretera determinada. Todos estos datos se conectan a nuestro cliente. Tan pronto como nos dimos cuenta de la naturaleza conectada de nuestros datos, recurrimos al poder de Neo4j en nuestro motor Agero.

Uso de datos de código abierto para impulsar el análisis predictivo

Nelson: Estamos trabajando con 85 millones de conductores y enviando casi 10 millones de llamadas al año. Podemos combinar estos datos con los datos que recopilamos de los sensores de los teléfonos móviles de las personas para detectar un accidente casi en tiempo real. También podemos comprender los patrones de viaje utilizando el mismo sensor de teléfono celular.

Al utilizar estos análisis, podemos comenzar a hacer predicciones y determinar cómo retroalimentarlas a nuestros principales clientes: compañías de seguros, proveedores de servicios y compañías financieras. Y Agero es el pegamento que mantiene unido al conductor con todas las empresas que les están vendiendo.

Nos enfocamos principalmente en las carreteras, los viajes y la navegación, entonces, ¿cómo obtenemos los datos que necesitamos para completar la base de datos? Usamos datos de fuentes colaborativas, de manera similar a la forma en que Waze, una pequeña empresa comprada por Google, usa los datos.

Estos datos de código abierto y de colaboración colectiva son introducidos por una gran cantidad de usuarios de todo el mundo, desde ingenieros, profesionales de SIG, mapeadores y personal humanitario. Si necesita obtener información sobre cómo reaccionar ante un tifón o un huracán, ¿dónde puede encontrarlo y cómo puede implementar la asistencia de manera efectiva?

Nuestros datos provienen de bases de datos SIG, bases de datos de código abierto, como las bases de datos de censos gubernamentales y # 8217s, datos de código abierto de fuentes locales que incluyen propiedad de propiedad, límites geográficos, carreteras, etc. y mapas de baja tecnología existentes. Todas estas fuentes se unen para crear OSM, por lo que es un rico conjunto de datos que tenemos a nuestra disposición. Y este es el caso de uso que planeamos discutir.

La jerarquía: estructura de datos de OneStreetMap

OSM se basa en una jerarquía de información. Comenzamos con puntos, que son nuestros nodos, que se encuentran en el nivel más bajo. Estos consisten en latitud y longitud, cada uno de los cuales consta de un ID único global junto con etiquetas que son propiedades de valor-clave.

Debido a que estas etiquetas provienen de fuentes externas, podrían ser literalmente cualquier cosa, lo que también puede ser una desventaja. Por ejemplo, ¿una autopista se escribe autopista o H-W-Y? Significan lo mismo para nosotros semánticamente, pero es más difícil capturar eso dentro del modelo de datos de manera efectiva.

En la parte superior de los nodos tenemos una secuencia ordenada de nodos en forma de & # 8220way, & # 8221 o ruta. Estos consisten en ID & # 8220way & # 8221 y una secuencia de ID & # 8220node & # 8221, que pueden tener etiquetas que son propiedades de valor-clave. Son una secuencia coordinada de puntos GPS que pueden ser cualquier cosa, desde una pequeña región de carreteras o vías de tren hasta vías fluviales o carriles para bicicletas. Entonces puede comenzar a describir ciertas áreas y regiones, el límite de velocidad en esas áreas, etc.

La semántica superior es la & # 8220relation, & # 8221 que podría referirse a un conjunto de puntos de nodo de latitud / longitud, una secuencia de organización de las & # 8220ways & # 8221 que acabamos de discutir, o podría hacer referencia a una subrelación. Esta lógica comienza a construir polígonos, o áreas, como los límites de una ciudad, un lago o un parque de oficinas. Esto proporciona una rica información semántica, y la construimos nivel por nivel dentro de OpenStreetMap.

Poniendo los datos a prueba

A continuación se muestra cómo se ve esto en XML:

Tenemos el ID de nodo único, una posición de latitud / longitud y luego posiblemente una etiqueta, un par clave-valor u organización. Aquí tenemos un GPS que representa la posición de una señal de tráfico y, además, tenemos & # 8220ways & # 8221 con una referencia, a la que llaman ND para mayor claridad (referencias de nodo), que apuntan a una anterior. ID de nodo en el archivo. Después de eso, tenemos las relaciones en la parte inferior, donde nos referimos a cualquier forma o nodo de relación anterior:

1 Cabot Road # 4 es la ubicación de la oficina de Agero, en las afueras de Boston. El área resaltada en naranja en la parte inferior es Revere Beach Parkway y representa solo una sección de la carretera. En la parte inferior tenemos una serie de nodos que existen en el & # 8220way, & # 8221 y todos estos ID únicos pueden ser parte de múltiples formas.

Nuestros datos también nos dicen que tenemos una intersección entre Revere Beach Parkway y Brainard Avenue. Nuestros pares clave-valor, que resultan ser una referencia, provienen de la base de datos de MassGIS y muestran que el ancho de la carretera es de 30,2 metros de ancho.

Esto tiene bastante escala y complejidad. Los caminos pueden ser carreteras, senderos, ciclovías, vías fluviales, ríos, vías de tren y cualquier cosa que sea de interés para alguien que esté cartografiando.

Los datos también son increíblemente dinámicos. Por ejemplo, una instantánea de hace un par de semanas muestra que para un día determinado hubo 1.2 millones de adiciones, 302,000 modificaciones y 120,000 eliminaciones. Solo en América del Norte tenemos cerca de mil millones de nodos de puntos de latitud / longitud, más de 60 millones de & # 8220ways & # 8221 (secuencia de nodos relacionados), 330 millones de etiquetas (propiedades de nodos y caminos) y 972.000 & # 8220relations & # 8221 (entre caminos y nodos). El número de usuarios y contribuyentes también ha aumentado de manera constante.

Cada uno tiene alguna combinación de información, como las condiciones de la superficie de una carretera y su límite de velocidad, para que podamos comprender a qué se enfrentan nuestros conductores y cómo servirles mejor.

Incluso en áreas donde no tenemos información en la base de datos, podemos analizar los datos que tenemos sobre el estado de la superficie, la hora del día y el clima para hacer predicciones inteligentes sobre cuál debería ser la velocidad efectiva. Si vemos valores atípicos de eso, es posible que estemos trabajando con un controlador inseguro.

Si observa nuestra carretera naranja, tenemos alrededor de media docena de vías OSM diferentes que están conectadas porque un metro de carretera puede variar del siguiente metro de carretera.

Elegir Neo4j

Entonces, ¿por qué decidimos hacer la transición a una base de datos de gráficos? Porque las carreteras son gráficos:

Empezamos por algún lado, vamos a algún lado, seguimos la calzada y la convertimos en tramos. Como entendemos la información de ubicación que proviene de nuestros usuarios mientras conducen sus automóviles, podemos recoger la información del sensor y del GPS.

Necesitamos mapear esto de regreso a donde están las carreteras reales para que podamos entender el comportamiento del conductor y las propiedades de la carretera. ¿Cómo conducirán en ese lugar? ¿Es seguro? ¿Deberíamos desviarlos si estamos tratando con la flota, los viajes o los proveedores de servicios?

Cada uno de estos segmentos, que son bordes entre los nodos, tiene propiedades que queremos representar. Neo4j nos da la capacidad de poner propiedades en estos bordes y las relaciones entre sus nodos. Eso es mucho más fácil de hacer en el modelo de base de datos de gráficos que en nuestro modelo de base de datos relacional.

Protocolo de perno

Cuando vimos las capacidades que se estaban brindando en Neo4j, vimos cuán útil podría ser para nosotros la base de datos de gráficos. El primero viene en forma de protocolo Bolt de Neo4j & # 8217s, que actualmente incluye controladores nativos para Python, Java, Javascript y .NET.

Nuestros científicos de datos trabajan con programas de aprendizaje automático que incluyen algoritmos estándar, muchos de los cuales se realizan en Python. Muchos de nuestros desarrolladores también trabajan en Java y tenemos varias plataformas que se ejecutan en JavaScript para nuestras páginas web. Pero tenemos soporte para todos estos a través del protocolo nativo Neo4j Bolt.

La capacidad de incorporar una herramienta como Neo4j que se adapte fácilmente a la forma en que desarrollamos es una gran ventaja para nosotros. También podemos usarlo para modelar abundantemente nuestros datos porque se ajusta a nuestro caso de uso y nos permite acceder a nuestros datos de una manera en la que ya operamos.

Procedimientos almacenados

Los procedimientos almacenados son otra gran ventaja para nosotros. Gran parte de nuestro trabajo es de naturaleza investigativa, porque siempre buscamos aprender más de los datos que ingresan.

Nuestros científicos de datos están creando algoritmos y, si queremos aumentar el rendimiento, podemos trasladar estos algoritmos a procedimientos almacenados. Podemos mover el procesamiento más cerca de los datos y obtener la energía del servidor en lugar del cliente. Así que desarrollamos a nuestro cliente y migramos al servidor según lo proporcionen nuestros equipos de rendimiento.

Capacidades de complementos: Rtree y GeoHash

Neo4j también tiene una capacidad de tecnología de complementos. Trabajo con el complemento espacial Neo4j, que tiene soporte nativo para importar datos de OpenStreetMap y crea un índice basado en Rtree.

RTree es una forma de equilibrar las geolocalizaciones. Dadas las latitudes y la longitud, calcula el cuadro delimitador para la entidad de interés y divide el mundo en rectángulos, equilibrando la asignación de las entradas en esos rectángulos:

Tienes la minimización de los cuadros delimitadores y luego construyes un árbol con los niños. Mientras camina por el árbol en busca de cualquiera de estos cuadros delimitadores, si encuentra su punto de interés, comience a buscar en los niños para ver si puede tener un cuadro delimitador más pequeño y refinado.

Desafortunadamente, Rtrees no funciona bien a escala, particularmente en los peores escenarios. Si los datos que ingresa cambian continuamente, puede terminar con superposiciones en los cuadros delimitadores. A veces es necesario dividir y reequilibrar el árbol, lo que requiere mucho reprocesamiento.

Otra forma de indexar es con GeoHash, que le permite tomar una latitud y longitud bidimensionales y dividirla en una cadena de bits unidimensional. Tomamos el mundo y lo dividimos en & # 8220células & # 8221 - primero a través de la longitud para determinar en qué lado del mundo se encuentra, el izquierdo o el derecho. Si está a la derecha, obtiene un 1, y si está a la izquierda, obtiene un 0:

A continuación, divide por latitud. Si estás en el norte, obtienes un 1 y si estás en el sur, obtienes un 0:

Podemos seguir dividiéndonos hasta que lleguemos al nivel de granularidad con el que queramos trabajar.

A medida que separamos las cosas, las cosas que están cerca unas de otras estarán en el mismo cuadro delimitador y, por lo tanto, tendrán la misma cadena de bits anterior, por lo que puede terminar con algo como esto:

Tomas la latitud y la longitud, continúas dividiendo el mundo por la mitad y terminas con una cadena de bits. Si tomamos nuestra ubicación aquí en (37.7, -122.41), nos ubica en GraphConnect.

Cuando lo dividimos un montón de veces, terminamos con una cadena de bits larga e inmanejable. Pero si toma eso y construye caracteres con cinco bits a la vez & # 8211 la codificación en base 32 & # 8211 obtiene algo que & # 8217 es más legible.

Así que pasamos de la latitud y la longitud a nuestra cadena de bits codificada en base 32, y obtenemos 9q8yy para nuestra región con cierta cantidad de variante. Dependiendo de la longitud de la cadena, obtendrá un cuadro delimitador más pequeño. Con una cuerda más corta, obtienes un cuadro delimitador más grande. Todo lo que estamos haciendo es dividir y cambiar bits, por lo que es una codificación rápida y agradable que nos lleva de bidimensional a unidimensional.

Y podemos revertirlo casi con la misma rapidez:

Podemos pasar de una dimensión a dos dimensiones siguiendo los mismos pasos a la inversa. Tome nuestra base 32, póngala en nuestra cadena de bits y luego, sabiendo que todos los demás bits tienen significado para la latitud o la longitud, podemos calcular extrayendo los bits y reconstruyendo nuestra latitud y longitud.

Pero es importante recordar que estas coordenadas no son el punto real; representan un cuadro delimitador, por lo que hay una cierta cantidad de error allí. Cuanto más larga sea la cadena, menor será el error, por lo que es una compensación.

También podemos utilizar estos datos para determinar la cercanía:

Casi todo lo que está a nuestro alrededor estará en este cuadro delimitador, o en uno de los cuadros delimitadores circundantes, lo que significa una cadena diferente. Va a estar en una de esas nueve áreas, y hacemos que los cuadros delimitadores sean más pequeños haciendo que la cadena sea un poco más larga o viceversa. Este es un mecanismo de codificación increíblemente flexible.

Podemos buscar esa cadena muy rápidamente usando tecnología de gráficos. Si construimos un árbol GeoHash usando nuestra cadena, podemos poner identificaciones en cada una de las relaciones entre el nodo en nuestro árbol. Seguimos la cadena por el gráfico y terminamos en la hoja que representa a San Francisco:

Para encontrar ubicaciones que estén cerca de nosotros, o vamos a bajar al mismo nodo, o vamos a tener un GeoHash de uno de los vecinos y seguir rápidamente por ese camino, hasta que lleguemos al final y luego nos ramificamos.

Así es como se ve cuando lo ponemos en Neo4j:

Para estas cinco cadenas GeoHash, tengo los mismos predecesores para la cadena de caracteres y, finalmente, en el último código, tengo una Y o una W y me ramifico. Tenemos un carácter único para el último de la cadena y luego obtenemos nuestros nodos hoja. A continuación, tomo cada uno de mis nodos hoja para formar una relación con la forma OSM de interés.

A medida que extraigo la información de OpenStreetMap y miro cada una de las formas, puedo determinar con qué regiones de GeoHash se intersecarán de esa forma y luego asociarlas de esa forma con la cadena GeoHash en mi árbol.

Entonces, cuando estoy buscando un controlador basado en una lectura posicional (latitud, longitud), puedo usar GeoHash para determinar dónde está el controlador, codificar ese GeoHash, caminar por mi árbol y llegar a un nodo de hoja que me va a señalar al conjunto de formas de OpenStreetMap más cercanas a mí. También puedo hacer eso por el equilibrio de los vecinos.

Esto me brinda una forma rápida de ver dónde se encuentra el controlador según las lecturas del GPS. Dentro de algunos errores de lectura del GPS a través de edificios o chips en su dispositivo móvil, puedo averiguar qué hay dentro de esa cercanía en función del tamaño de mis regiones GeoHash.Puedo vincular mi indexación de la región con los datos reales en el mismo gráfico sin ninguna confusión real de lo que estoy procesando.

¿Por qué la base de datos de gráficos de Neo4j?

Debido a que tengo Neo4j que & # 8217 es una capacidad de código abierto, y debido a que tengo la capacidad de entrar y crear mis propios procedimientos almacenados o modificar los procedimientos almacenados existentes que están allí para el complemento espacial Neo4j, puedo mejorar el Rtree existente - que no funciona como lo necesito, y lo mejora con una forma diferente de indexar y buscar mi información.

Nuestro entorno es lo suficientemente rico como para representar la complejidad y las relaciones de OpenStreetMap entre mis clientes corporativos, proveedores de servicios y los 85 millones de personas en el camino que están vinculadas con mi tecnología, y unir a todos a través de relaciones de datos conocidas.

Puedo ejecutar análisis sobre los datos de esas relaciones y usarlos porque los datos están ajustados para mi caso de uso. Y aunque no me gustó el rendimiento de Rtree en función de mi caso de uso particular, puedo modificarlo fácilmente.

Podemos tomar nuestro gráfico dirigido junto con el complemento espacial Neo4j que admite de forma nativa los datos de OpenStreetMap y personalizarlo para los conjuntos de datos que hemos subido. Puedo modificar la indexación para que se ajuste a mi caso de uso, y puedo depender del rendimiento de Bolt para brindar a mis científicos de datos la flexibilidad de continuar trabajando con las herramientas que tienen.

Los desarrolladores de Agero con experiencia en Java pueden moverse fácilmente a este entorno. Puedo optimizar mi rendimiento tomando algoritmos de trabajo skunk y, a medida que se formalizan y validan, puedo moverlos a procedimientos almacenados y vincularlos a la base de datos.

Tengo código de fuente abierto y el soporte de la comunidad de Google Groups y OpenStack al que puedo acudir para obtener soporte, y puedo crear mi propia funcionalidad con la capacidad del complemento. Puedo ajustar esto cuando ponemos nuestros propios algoritmos y nuestra información patentada que nos permite conectar nuestra empresa y nuestros clientes impulsores con los que estamos trabajando. Toda esta flexibilidad del entorno es de gran ayuda para nosotros.

¿Tiene curiosidad por utilizar la tecnología gráfica en su industria?
Descargue este documento técnico, Los 5 casos de uso principales de bases de datos de gráficosy descubra cómo aprovechar el poder de los datos conectados para su empresa.


Modelado

Para resumir brevemente, estamos considerando un sistema de software que implemente una tubería de tres etapas. Como primera etapa, ARP stage calcula una serie de rutas alternativas con superposición limitada. En la segunda etapa, PTDR El módulo estima el tiempo de viaje esperado para cada alternativa, de acuerdo con las condiciones actuales del tráfico. Finalmente, Reordenar stage elige la mejor ruta a seguir de acuerdo con la hora de llegada y otras políticas arbitrarias establecidas por el proveedor de servicios de navegación. En esta sección, describiremos cómo modelar los tres componentes considerados para dimensionar correctamente el sistema y lograr la QoS deseada mientras se reducen tanto como sea posible los costos de funcionamiento.

Se pueden utilizar muchas técnicas de modelado para modelar el sistema considerado. Por ejemplo, G-Net [6] permite considerar recursos compartidos y servicios por lotes. En este trabajo, hemos preferido utilizar una técnica de modelado multiformalismo [10] para explotar las características de dos enfoques de modelado diferentes, cada uno más adecuado para describir las diferentes características de los diversos componentes del sistema. En particular, el primer módulo del servicio de navegación (la etapa de planificación de enrutamiento alternativo) se describe con el entorno de modelado multiformalismo soportado por JMT [2], que combina redes de colas (QN) de clases múltiples [11] y estocástico generalizado coloreado. Redes de Petri (GSPN) [14]. La combinación de QN y GSPN permite describir tanto la asignación de recursos como el comportamiento de cola de la ejecución de los procesos. En cambio, las otras dos etapas se modelan utilizando la horquilla / unión convencional y otros componentes QN convencionales, ya que no se caracterizan por una estructura compleja de lotes y tiempos de espera.

Para modelar los diferentes tipos de solicitudes, primer enrutamiento y reenrutamiento, utilizamos dos tipos diferentes de entidades, que se asignan en dos clases abiertas para lo que concierne a las primitivas de la red de cola, y tokens de colores cuando se trata de redes de Petri. Para simplificar la notación, a continuación, llamaremos a estos diferentes tipos de entidades clases independientemente del hecho de que se refieran a primitivas QN o GSPN.

Módulo ARP

La primera parte de la canalización representa la etapa más compleja de la canalización de procesamiento, ya que se basa en varios grados de adaptabilidad en la implementación del servicio. La Figura 3 ilustra el modelo de multiformalismo propuesto para la etapa ARP. Está compuesto principalmente por dos tuberías de procesamiento separadas y paralelas que comparten los mismos recursos computacionales. El utilizado para atender solicitudes en el caso de operación normal se muestra en la parte superior del modelo, mientras que el segundo que se emplea solo en caso de sobrecarga del sistema (picos de solicitudes) para reducir el tiempo de espera antes de que sean atendidas por el El módulo ARP está representado en la parte inferior de la figura.

El modelo multiformalismo de la etapa de planificación de rutas alternativas con carril rápido

Lugar Recursos modela el número de paralelos servidores disponible para la etapa ARP. La marcación inicial de este lugar determina la cantidad de nodos disponibles en el sistema. Una clase especial llamada Núcleos Se asigna a los tokens en este lugar: este tipo de entidades es necesario para realizar un seguimiento del número de unidades de procesamiento ocupadas, que corresponde a los núcleos de la infraestructura HPC. Las solicitudes de enrutamiento llegan al sistema desde el Fuente nodo, representado en el cuadro S en la Fig. 3. Las solicitudes entrantes, aquí representadas por tokens de red de Petri, se colocan en cola en su lugar Entrante y se sirven siempre que al menos una muestra de clase Núcleos está disponible en su lugar Recursos. La adquisición de recursos se modela mediante una transición inmediata Servicio, que está habilitado por un token de la clase (first ! - ! routing ) o (re ! - ! routing ) y un token de Núcleos clase. Como resultado del disparo de transición Servicio, un nuevo cliente con la misma clase que la clase del token adquirido en el lugar Entrante se genera en el (Fork_) puesto de espera. Este nodo, representado con una "K" en forma de círculo, corresponde a una Tenedor nodo, que divide el trabajo entrante en dos tareas, enviadas, respectivamente, a las dos estaciones de cola de servidores infinitos Regular y (Tiempo muerto ), cada uno representado con un solo círculo pequeño.

Regular los servidores procesan cada tarea de acuerdo con su distribución efectiva del tiempo de servicio, mientras que los servidores (Time-out ) siguen una distribución determinista que representa el plazo antes del cual se debe completar una tarea. Ambos servidores enrutan tareas al (Join_) estación, que se representa con un patrón en forma de "K" reflejado rodeado por un círculo, que implementa un Entrar Componente QN caracterizado por un Quórum política: el trabajo se considera completado cuando se ha completado una fracción de las tareas en las que se ha dividido. En este caso, basta con que se complete solo una de las dos tareas para considerar el trabajo terminado, lo que corresponde a un tiempo muerto o a una finalización regular. La segunda tarea completada, simplemente se descartará al llegar al nodo de unión. La semántica del servidor infinito de los dos nodos de cola Regular y (Time-out ) se puede utilizar, ya que la cantidad de servidores que ejecutan las tareas se controla por lugar Recursos. Trabajos que salen de Entrar la estación se envían en Lanzamiento lugar, habilitación Lanzamiento transición que mueve la solicitud de enrutamiento a la siguiente etapa de canalización y restaura un token de Núcleos clase en Recursos lugar. En el modelo, esto está representado por una flecha que no tiene ningún nodo de destino: el significado es que los trabajos que salen de este punto continuarán siendo atendidos por las otras etapas del sistema.

De hecho, si bien existen políticas de escalado para emitir solicitudes de adquisición de recursos del proveedor de HPC en caso de una tasa de llegadas excesiva, dentro del período de tiempo entre la solicitud y la asignación de recursos real, las solicitudes entrantes podrían saturar todas las estaciones de servicio disponibles al aumentar el tiempo de respuesta del sistema más allá umbral aceptable. Para abordar este problema, introducimos un procesamiento de carril rápido en paralelo a la tubería principal para resolver estos problemas. El carril rápido calcula una ruta más corta y la devuelve al usuario sin ningún procesamiento adicional. Esta ruta en particular se elige siempre que el número de clientes que esperan en la cola de ARP excede un umbral determinado; de lo contrario, se prefiere la canalización principal. Este comportamiento de carga pesada está modelado por el Sobrecarga transición inmediata, que se habilita siempre que el marcado del Entrante el lugar alcanza el nivel del umbral norte independientemente de su clase original. Umbral norte es un parámetro que debe ajustarse en función de la tasa de llegada y los tiempos de servicio. Para evitar fluctuaciones excesivas en la selección de las rutas al realizar continuamente cambios entre las dos alternativas, el sistema espera tener suficientes recursos disponibles para servir un lote de norte trabajos siempre que se alcance el umbral. Esto está modelado por el arco de peso. norte (fichas de Núcleos clase) que conecta el lugar Recursos A la transición Sobrecarga. Además, para evitar que los trabajos sigan la ruta de carga ligera cuando se alcanza el umbral, arco inhibidor de peso norte trabajos (de clases de servicio (primero ! - ! ruta ) o (re ! - ! ruta )) conecta el lugar Entrante A la transición Servicio. Luego, los trabajos se envían al Rápido lugar para ser atendido por el servidor infinito Rápido transición cronometrada. Cuando se completa el procesamiento del trabajo, el trabajo sale del sistema, respondiendo a un usuario en espera y un token con el Núcleos la clase se restablece en su lugar Recursos.

Para mostrar cuantitativamente el efecto de la vía rápida, la Fig. 4 muestra el tiempo de respuesta del módulo ARP al aumentar el número de solicitudes por encima del valor utilizado para dimensionar la infraestructura. En particular, la infraestructura se ha diseñado para una tasa de solicitud ( lambda = 100

[req / s] ). Como se esperaba, al aumentar el número de solicitudes por segundo, vemos un porcentaje creciente de solicitudes atendidas por el carril rápido. Diferente es el comportamiento del tiempo de respuesta. Permanece por debajo de 1 segundo hasta ( lambda = 1300

[req / s] ), y luego, crece dramáticamente. Este es el punto en el que el servicio de la vía rápida ya no puede hacer frente a la carga pesada y el sistema se satura inevitablemente. Sin embargo, tenga en cuenta que este fenómeno ocurre solo cuando la carga entrante es más de 13 veces mayor que la tasa de llegada para la que fue dimensionada. Tenga en cuenta que en la región de carga pesada intermedia, es decir, con (100 & lt lambda & lt1300 ), el tiempo de respuesta promedio disminuye: esto ocurre porque una fracción mayor de solicitudes se atiende con el carril rápido. Tenga en cuenta que los usuarios atendidos por la vía rápida reciben respuestas de menor calidad: con este diseño, a medida que aumenta la carga, el sistema privilegia la velocidad sobre la calidad, dando un mejor rendimiento a expensas de la efectividad de las rutas sugeridas.

Escenario de sobrecarga de un sistema diseñado para admitir un ( lambda = 100 ). En verde, trazamos el tiempo de respuesta del sistema como una línea continua. En naranja, trazamos la tasa de solicitudes enrutadas al carril rápido para hacer frente a la carga de trabajo excesiva como una línea de puntos.

PTDR y etapas de reordenamiento

Las otras dos etapas son más simples con respecto a la etapa ARP. De hecho, las rutas alternativas descubiertas en la etapa ARP se envían al módulo PTDR para calcular una estimación del tiempo de viaje en cada una de ellas. Dado que este proceso se puede realizar en paralelo, se modela con un modelo de cola de bifurcación y unión simple. En particular, cada solución ARP produce k rutas alternativas, y luego se genera en k Tareas paralelas cada una ejecutando el algoritmo PTDR en una parte diferente de la solución proveniente de la etapa anterior. La parte izquierda de la Fig. 5 muestra el modelo de unión en horquilla correspondiente. En particular, los trabajos que llegan a esta etapa (representados por una flecha que no comienza en ningún nodo) se bifurcan en k tareas para cada trabajo por el (Fork_) estación. Todas las tareas generadas se envían a una cola de M / M / c, sirviendo tareas de acuerdo con un proceso de Poisson de tasa (1 / S_). (Entrar_) la estación, entonces, aplica un Unión estándar estrategia para esperar a todos los k-tareas para completar, y luego reenvía los trabajos a la etapa de reordenamiento (representada por una flecha que no tiene ningún nodo de destino).

PTDR y etapas de reordenamiento

La etapa de reordenación, que se muestra en el lado derecho de la Fig. 5, es la etapa más rápida y fácil de modelar. En este paso, se aplican reglas de clasificación arbitrarias de acuerdo con las políticas del proveedor de servicios. Por ejemplo, los caminos pueden ser penalizados si fluyen a través del centro de la ciudad o cerca de algún evento de la ciudad. Esta etapa se modela como un proceso de Poisson de tasa (1 / S_). Por lo tanto, empleamos una estación M / M / c simple que procesa los trabajos que llegan del módulo PTDR y devuelven una respuesta final a los clientes del servicio. La terminación del proceso está modelada por el nodo sumidero, representado por un cuadrado con un círculo negro en su interior. Nodo que los trabajos que están siendo atendidos por el carril rápido, ya que devuelven una única alternativa y no necesitan pasar por el PTDR y la etapa de reordenamiento, terminan inmediatamente según lo modelado por el nodo sumidero que se muestra en la esquina inferior derecha de la Fig.3.


Resultados

20 Según muchas definiciones, los niños y los jóvenes se describen como personas de entre 3 y 24 años (EC / CE n.d., UN DESA n.d.). A continuación, los términos `` niños y jóvenes '' o `` jóvenes '' se refieren solo a subgrupos seleccionados de este grupo social: niños pequeños (de 3 a 5 años), niños de rango medio (de 6 a 8 años), niños mayores (de 9-12) y adolescentes (13-18 años). Se excluyen los adultos emergentes (de 18 a 24 años). Esto se debe, entre otras razones, a que los adultos emergentes son en muchos aspectos similares a los adultos (por ejemplo, su desarrollo físico y mental, ser mayor de edad, haber ingresado a la educación superior y / o la fuerza laboral). En la Tabla 2, se describen brevemente los subgrupos de interés en el contexto de este trabajo, junto con las demandas de infraestructura seleccionadas.

Tabla 2: Niños y jóvenes: subgrupos relevantes y sus características, incluidas las demandas de infraestructura seleccionadas

Fuente: ACT n.d., CNV4ME 2014, Haimovici et al. 2015, Saridar Masri 2017

21 Existe una cantidad considerable de información sobre infraestructura urbana relevante para niños y jóvenes. Para la ciudad de Salzburgo, existen algunas publicaciones y recursos en línea que brindan información sobre las necesidades del grupo objetivo con respecto a la infraestructura urbana. Un ejemplo son los resultados obtenidos en el proyecto YouthMap5020 (ver, por ejemplo, Hennig 2014, Hennig y Vogler 2016), así como en una serie de iniciativas relacionadas con la infancia y la juventud de las autoridades municipales de Salzburgo (ver, por ejemplo, MSS 2017, web mapa de la ciudad de Salzburgo: https://maps.stadt-salzburg.at).

22 Según Chawla (2002, 2016), UNICEF (2017) y White (1997), la infraestructura urbana relevante para niños y jóvenes se puede dividir en siete categorías que se relacionan con diferentes grupos de actividades y demandas: (1) educación y atención , (2) movilidad, (3) juegos y deportes, (4) actividades culturales, (5) reunirse y pasar el rato, (6) elementos relacionados con la seguridad y (7) estar conectado digitalmente. La Tabla 3 enumera una selección de tipos de elementos que pertenecen a estas categorías.

Tabla 3: Selección de tipos de elementos urbanos relevantes para niños y jóvenes, centrándose en la ciudad de Salzburgo

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


CIS301 final

El comercio electrónico sigue siendo la forma de comercio de más rápido crecimiento en comparación con las tiendas físicas, los servicios y el entretenimiento. El comercio social, móvil y local se ha convertido en las formas de comercio electrónico de más rápido crecimiento.

La amplitud de las ofertas de comercio electrónico crece, especialmente en la economía de servicios de redes sociales, viajes, entretenimiento, ropa al por menor, joyas, electrodomésticos y muebles para el hogar.

La demografía en línea de los compradores se amplía para coincidir con la de los compradores normales.

Los modelos de negocio de comercio electrónico puro se refinan aún más para lograr niveles más altos de rentabilidad, mientras que las marcas minoristas tradicionales, como Walmart, Sears, JCPenney, L.L.Bean y Macy's, utilizan el comercio electrónico para mantener sus posiciones minoristas dominantes. Walmart, el minorista más grande del mundo, ha decidido tomarse en serio el comercio electrónico y enfrentarse a Amazon con una inversión de más de mil millones de dólares en sus iniciativas de comercio electrónico (consulte el estudio de caso que finaliza el capítulo).

Las pequeñas empresas y los emprendedores continúan inundando el mercado del comercio electrónico, a menudo aprovechando las infraestructuras creadas por gigantes de la industria, como Amazon, Apple y Google, y aprovechando cada vez más los recursos informáticos basados ​​en la nube.

El comercio electrónico móvil ha despegado en los Estados Unidos con servicios basados ​​en la ubicación y descargas de entretenimiento, incluidos libros electrónicos, películas, música y programas de televisión. El comercio electrónico móvil generará más de $ 170 mil millones en 2017.

Las conexiones inalámbricas a Internet (Wi-Fi, WiMax y teléfonos inteligentes 4G) crecen rápidamente.

Potentes teléfonos inteligentes y tabletas brindan acceso a música, navegación web y entretenimiento, así como comunicación de voz. El podcasting y el streaming despegan como medios para la distribución de video, radio y contenido generado por el usuario.

Los dispositivos móviles se expanden para incluir computadoras portátiles como los rastreadores Apple Watch y Fitbit.

La base de la banda ancha de Internet se fortalece en los hogares y las empresas a medida que caen los precios de la transmisión.

Las aplicaciones y sitios de redes sociales como Facebook, Twitter, LinkedIn, Instagram y otros buscan convertirse en una nueva plataforma importante para el comercio electrónico, el marketing y la publicidad. Facebook tiene 1.650 millones de usuarios en todo el mundo y 222 millones en Estados Unidos (Facebook, 2016). Ciento noventa millones de estadounidenses utilizan las redes sociales, aproximadamente el 70 por ciento de la población de usuarios de Internet.

Los modelos informáticos basados ​​en Internet, como las aplicaciones para teléfonos inteligentes, la computación en la nube, el software como servicio (SaaS) y el software de base de datos, reducen en gran medida el costo de los sitios web de comercio electrónico.

SURGEN NUEVOS MODELOS DE NEGOCIO

Más del 70 por ciento de la población de Internet se ha unido a una red social en línea, ha creado blogs y ha compartido fotos y música. Juntos, estos sitios crean una audiencia en línea tan grande como la de la televisión que resulta atractiva para los especialistas en marketing. En 2017, las redes sociales representarán aproximadamente el 28 por ciento del tiempo en línea.Los sitios sociales se han convertido en la principal puerta de entrada a Internet en cuanto a noticias, música y, cada vez más, productos.

La industria de la publicidad tradicional se ve interrumpida a medida que la publicidad en línea crece dos veces más rápido que la publicidad impresa y en televisión. Google, Yahoo y Facebook muestran casi 1 billón de anuncios al año.

Los sitios de comercio electrónico de servicios a pedido, como Uber y Airbnb, extienden el modelo de negocio del creador de mercado a nuevas áreas de la economía.

Los periódicos y otros medios tradicionales adoptan modelos interactivos en línea, pero están perdiendo ingresos publicitarios para los jugadores en línea a pesar de ganar lectores en línea. The New York Times adopta un muro de pago para su edición en línea y logra captar más de 1 millón de suscriptores, con un crecimiento del 15 por ciento anual. La publicación de libros prospera debido al crecimiento de los libros electrónicos y al atractivo continuo de los libros tradicionales.


Ortorrectificación de imágenes ópticas KOMPSAT utilizando diversos datos de referencia terrestre y evaluación de precisión.

Durante las últimas décadas, se han utilizado varias imágenes de satélites de observación de la Tierra para monitorear eventos geográficos que van desde desastres globales hasta cambios climáticos y ambientales. Debido al rápido desarrollo de la tecnología satelital, la gama de aplicaciones de las imágenes satelitales se expande continuamente. En particular, las imágenes de alta resolución de satélites de órbita baja se están utilizando en aplicaciones que van desde la detección de cambios hasta el análisis de causas. Las imágenes de satélite de órbita baja se utilizan ampliamente para generar varios mapas temáticos basados ​​en alta resolución espacial, aunque el ancho de observación es estrecho. En el pasado, la cartografía tradicional se realizaba a partir de fotografías aéreas, pero en los últimos años, las imágenes de satélite de alta resolución se han utilizado ampliamente en el campo de la cartografía. Sin embargo, se requiere una alta precisión de ubicación para utilizar imágenes de satélite para el mapeo y la detección precisa de cambios.

Dado que la mayoría de las imágenes de satélite recibidas no se pueden utilizar inmediatamente, se debe realizar un paso de procesamiento adicional.

El posprocesamiento más básico a nivel de usuario es la corrección geométrica. La corrección geométrica de las imágenes de satélite es un paso importante para mejorar la utilización de los datos. Por ejemplo, para detectar un cambio entre dos imágenes, se debe realizar una coincidencia de posición básica entre imágenes. Una forma típica de corregir los efectos de distorsión geométrica es utilizar puntos de control de suelo (GCP). Sin embargo, el problema con este tipo de corrección es que requiere muchas mediciones de campo in situ. En general, los GCP para la corrección de imágenes satelitales de alta resolución se pueden obtener a partir de un levantamiento GPS o datos de referencia precisos, pero existen restricciones para obtener una gran cantidad de GCP de esta manera. Idealmente, un modelo que utiliza GCP es el más preciso en términos de corrección geométrica.

Junto con la aparición de imágenes de satélite de alta resolución, el modelado de sensores ha sido un tema de investigación muy importante en fotogrametría. La tecnología relacionada con la cartografía comenzó a desarrollarse rápidamente con el lanzamiento de SPOT-1 en 1986 [1]. En el pasado, los modelos de sensores físicos se usaban ampliamente para corregir imágenes de satélite de barrido, pero el Modelo de Función Racional (RFM) con Coeficientes Polinomiales Racionales (RPC) ahora se usa comúnmente con imágenes de satélite de alta resolución. RFM ha sido el método de corrección geométrica más popular para ortorrectificar imágenes de alta resolución. Los RPC proporcionan una representación compacta de la geometría del suelo a la imagen, lo que permite el procesamiento fotogramétrico sin requerir un modelo de cámara físico. Sin embargo, dado que los RPC se generan mediante información orbital de satélite y un modelo de cámara, contienen varios sesgos del satélite. Por lo tanto, para generar un mapa preciso basado en una alta precisión de ubicación, es necesario eliminar dicho sesgo. Se han propuesto muchos métodos para el refinamiento de RPC con el fin de mejorar la precisión de la ubicación de imágenes de satélite de alta resolución [2-8].

Actualmente, el Instituto de Investigación Aeroespacial de Corea (KARI) ofrece una variedad de imágenes ópticas de la serie de Satélites Multipropósito de Corea (KOMPSAT). La precisión de ubicación de KOMPSAT-2 en el nivel del sistema es de 80 m (CE90, o error circular del 90%). La precisión de ubicación horizontal promedio de las imágenes estándar KOMPSAT-2 desde 2007 hasta principios de 2009 fue de aproximadamente 38 m (CE90) [9], pero fue posible mejorar la precisión de ubicación utilizando GCP [10, 11]. De manera similar, con KOMPSAT-3 y KOMPSAT-3A, la precisión de ubicación de imágenes estándar sin GCP es de 70 m (CE90), pero esta precisión se puede mejorar utilizando datos de referencia terrestre [12-14]. Las imágenes KOMPSAT con alta precisión de ubicación mediante posprocesamiento se pueden utilizar de manera muy eficiente en la producción de varios mapas temáticos. Sin embargo, como se mencionó anteriormente, mejorar la precisión de la ubicación mediante el posprocesamiento requiere materiales de referencia y no siempre es posible obtener conjuntos de datos de alta calidad. Además, existe la necesidad de una forma más eficaz de procesar grandes cantidades de datos de imágenes. Por lo tanto, es necesario estudiar métodos para mejorar la precisión de la ubicación de las imágenes estándar KOMPSAT basadas en varios datos de referencia terrestre. En este estudio, realizamos un experimento para ortorrectificar imágenes ópticas KOMPSAT utilizando varios conjuntos de datos de referencia terrestre y analizamos la diferencia de precisión de acuerdo con los datos de referencia.

2. El satélite multipropósito de Corea

El KARI ha desarrollado varios satélites de acuerdo con los planes a medio y largo plazo de Corea para el desarrollo espacial.

El programa KOMPSAT se ha llevado a cabo para satisfacer la demanda nacional de imágenes satelitales de alta resolución y para adquirir tecnología satelital avanzada.

KOMPSAT-1 operó notablemente bien durante 8 años en su órbita sincrónica con el sol después de su exitoso lanzamiento el 21 de diciembre de 1999. Había tres sensores en KOMPSAT1, su sensor principal era una cámara electroóptica (EOC) para observar la tierra. La resolución espacial del EOC fue de 6,6 my proporcionó solo imágenes pancromáticas. En febrero de 2008, KOMPSAT-1 cesó sus operaciones.

La Tabla 1 describe las principales especificaciones de KOMPSAT que se utilizarán en este estudio. KOMPSAT-2 fue el primer satélite de alta resolución en Corea y ha estado operando normalmente desde su lanzamiento el 28 de julio de 2006. La Cámara Multiespectral (MSC), la cámara a bordo de KOMPSAT-2, proporciona una imagen pancromática de 1 my una Imagen multiespectral de 4 m con cuatro bandas en la condición de visualización del nadir. El ancho de la franja es de 15 km a la altitud nominal de 685 km. KOMPSAT-2 opera con una hora local de nodo ascendente de 10:50 a.m. Hasta ahora, KOMPSAT-2 ha sido ampliamente utilizado para generar información geoespacial y varios mapas temáticos basados ​​en alta resolución espacial [15].

KOMPSAT-3 se lanzó el 18 de mayo de 2012, como continuación de KOMPSAT-2. Los objetivos de la misión de KOMPSAT-3 son proporcionar observación continua de la tierra después de KOMPSAT 2 y satisfacer la necesidad nacional de imágenes ópticas de alta resolución requeridas para el Sistema de Información Geográfica (GIS) y otras aplicaciones de monitoreo terrestre, ambiental, agrícola y oceanográfico. La altitud de la misión de KOMPSAT-3 es de 685 km. La hora local de los nodos ascendentes es 13:30 a.m. A la altitud nominal de la misión con apuntamiento al nadir, un Sistema de Sensor de Imágenes Terrestres Avanzadas (AEISS) proporciona imágenes pancromáticas de 0,7 m y multiespectrales de 2,8 m tomadas a un ancho de 16 km. A diferencia de KOMPSAT-2, KOMPSAT 3 tiene varios modos de imagen, como imágenes estéreo de un solo paso, imágenes multipunto e imágenes de área amplia.

KOMPSAT-3A, que es muy similar a KOMPSAT-3, se lanzó el 25 de marzo de 2015. KOMPSAT-3A se desarrolló para proporcionar imágenes de mayor resolución al reducir la altitud a 528 km. La AEISS-A, la cámara principal de KOMPSAT-3A, proporciona una imagen pancromática de 0,55 my una imagen multiespectral de 2,2 m. KOMPSAT-3A también tiene una cámara para imágenes de infrarrojos medios con una resolución espacial de 5,5 m.

También existe KOMPSAT-5 que proporciona imágenes de radar de apertura sintética (SAR), pero no lo discutiremos en este estudio.

3.1. Área de estudio. En este estudio, el área de estudio es diferente según los datos de uso, y el experimento de procesamiento de imágenes se realizó en cuatro regiones de Corea del Sur. Para analizar el efecto del punto de referencia y el tipo de Modelo Digital de Elevación (DEM) sobre la ortorrectificación, se seleccionó el área de estudio subdividiéndola en área amplia, área urbana y área rural.

La Figura 1 muestra el área total de este estudio. El área de estudio 1 es de aproximadamente 100.000 [km2]. En Corea del Sur, alrededor del 63% de todo el país es bosque, por lo que no hay muchas llanuras. Además, Corea está geográficamente rodeada por el mar, con unas 2.900 islas distribuidas en el Mar del Oeste y el Mar del Sur. El experimento de ortorrectificación de las imágenes KOMPSAT-2 mediante GCP generales se realizó en el área de estudio 1. A continuación, se realizó una ortorrectificación con chips GCP, que se realizó en forma de chip de imagen, en la parte sur de la península de Corea donde Las tierras urbanas, forestales, fluviales y agrícolas se distribuyen uniformemente. Como se muestra en la Figura 1, el área de estudio 2 cubre cinco provincias, con un área total de aproximadamente 9.400 [km2]. El área de estudio 3 es la ciudad de Daejeon, una de las principales áreas metropolitanas de Corea. Realizamos un experimento para analizar la influencia de los datos de referencia del suelo en la corrección de la imagen en el área de estudio 3. La última área de estudio es un área rural ubicada en el lado suroeste de la península como se muestra en la Figura 1. Aquí analizamos la precisión de la ortoimagen de las imágenes ópticas de KOMPSAT.

3.2. Conjuntos de datos. Se utilizó una variedad de datos para realizar los experimentos de corrección de imagen KOMPSAT para una amplia gama de áreas de estudio. Los datos utilizados en el estudio se pueden dividir en imágenes KOMPSAT y datos de referencia terrestre. En el caso de las imágenes KOMPSAT, que son los datos más importantes de este estudio, se utilizaron imágenes de KOMPSAT-2, KOMPSAT3 y KOMPSAT-3A, los satélites que se encuentran actualmente en funcionamiento. La figura 2 muestra los diferentes tipos de imágenes KOMPSAT utilizadas en el estudio. Primero, se seleccionaron 947 imágenes de KOMPSAT nivel 1R, que fueron adquiridas de 2007 a 2014, como se muestra en la Figura 2 (a). En la Figura 2 (b), se utilizaron 50 imágenes de KOMPSAT-2 para los experimentos de corrección de imagen basados ​​en chips GCP. Las imágenes KOMPSAT-3 y KOMPSAT-3A representadas en las Figuras 2 (c) y 2 (d) se utilizaron para analizar los resultados de la ortorrectificación mediante varios datos de referencia terrestres.

Los datos de referencia terrestre son un factor muy importante para mejorar la precisión de ubicación de una imagen de satélite. Los datos de referencia terrestre utilizados en este estudio se dividieron en DEM y GCP. Se necesita un DEM para procesar una imagen de satélite georreferenciada para eliminar las distorsiones planas causadas por las variaciones del terreno. Se utilizaron dos tipos de DEM. Primero, el DEM para toda la región de Corea del Sur se generó utilizando mapas topográficos digitales de escala 1: 5000 que fue creado por el Instituto Nacional de Información Geográfica (NGII) en Corea. El resultado de analizar la precisión vertical (z) utilizando 318 puntos de control obtenidos del levantamiento del Sistema de posicionamiento global (GPS) fue de aproximadamente 1,66 m (RMSE, error cuadrático medio de la raíz). El segundo DEM se obtuvo de Shuttle Radar Topography Mission (SRTM) que llenó un vacío en los datos a una resolución de 1 segundo de arco (30 m). En general, el SRTM DEM es conocido por su consistencia y precisión general a escala mundial [16]. Sin embargo, la precisión vertical del SRTM DEM depende de la cobertura del suelo [17]. Debido a las características de la banda C del SRTM, la precisión de la altura del SRTM desde un área de vegetación baja es mucho mejor que la especificación de la misión SRTM. Se utilizó un total de 318 puntos de control para evaluar la precisión del SRTM DEM utilizado en este estudio. Como resultado, la precisión vertical fue de 5,17 m (RMSE).

Los GCP para la ortorrectificación de las imágenes KOMPSAT se extrajeron y utilizaron de ortofotos aéreas que tenían una resolución espacial de 0,25 my una precisión horizontal de menos de 1 m (RMSE). También utilizamos chips GCP, que se extrajeron cada 3 km a partir de imágenes pancromáticas de 1 m corregidas con precisión. Se crearon chips GCP con información horizontal (x, y) y de elevación (z) en Corea del Sur, y el tamaño del chip es de 128 x 128 píxeles. Se utilizó OpenStreetMap (OSM) para analizar la posibilidad de ortorrectificación utilizando datos de código abierto. En los últimos años, OSM se ha convertido en el dato de código abierto más popular. Dado que cualquier persona puede modificar los datos de OSM, la precisión de la ubicación es diferente para cada región. Por lo tanto, antes de usar esta fuente, realizamos una evaluación de precisión en algunos datos de muestra de OSM para regiones nacionales y extranjeras. La Figura 3 muestra los resultados de superponer un par de imágenes OSM con un mapa topográfico digital a escala 1: 5000 y una imagen de Google Earth para evaluar fácilmente la precisión de la ubicación de los datos OSM mediante inspección visual. La precisión horizontal estándar para el mapa topográfico digital de escala 1: 5000 es [+ o -] 3,5 m, mientras que la precisión esperada es menor que [+ o -] 2,0 m [18]. En general, NGII produjo un mapa topográfico digital de escala 1: 5000 mediante fotogrametría aérea basado en las fotografías aéreas de aproximadamente 10

20 centímetros. La imagen de Google Earth de Napa Valley, EE. UU., Tiene una resolución muy alta de varios centímetros. Como se muestra en la Figura 3, los datos de OSM proporcionan solo las líneas centrales de las carreteras, pero coinciden bien con los centros de las carreteras del mapa digital existente y la imagen de Google Earth.

3.3. Procesamiento de datos. Para muchas aplicaciones, la precisión de la ubicación de las imágenes de satélite es tan importante como la resolución espacial. Sin embargo, en general, los RPC proporcionados con las imágenes de satélite no cumplen con la precisión requerida por el usuario. Por lo tanto, los usuarios deben mejorar esta precisión mediante un procesamiento adicional utilizando varios datos de referencia. Para este estudio, la ortorrectificación de imágenes ópticas KOMPSAT se realizó mediante el proceso que se muestra en la Figura 4.

Este estudio se divide en dos partes. En primer lugar, se realizó la ortorrectificación de las imágenes de KOMPSAT-2 utilizando GCP y DEM de 5 m. La entrada de GCP se registró de dos formas. Las GCP extraídas de las ortofotos aéreas (0,25 m) se distribuyeron manualmente de manera uniforme a lo largo de la imagen (área de estudio (a)) y los chips de GCP se registraron mediante el método de emparejamiento (área de estudio (b)). El segundo experimento utilizó varias fuentes de puntos de control, y se realizó un DEM para investigar el efecto de los datos de referencia del suelo para la ortorrectificación de imágenes KOMPSAT de alta resolución submétricas. Para este propósito, la ortorrectificación para las imágenes KOMPSAT-3 y KOMPSAT3A se llevó a cabo utilizando datos de referencia relativamente precisos y datos de fuente abierta bien conocidos (por ejemplo, OSM y SRTM DEM) en las áreas de estudio (c) y (d).

Con la aparición de imágenes de satélite de alta resolución, la corrección de imágenes mediante RPC se ha vuelto común. Para este estudio, se realizó un modelado geométrico basado en los RPC proporcionados con las imágenes. Sin embargo, como se mencionó anteriormente, se debe mejorar la precisión de los ERT. Los ERT pueden refinarse directa o indirectamente. Los métodos de refinamiento directo modifican los propios RPC originales, mientras que los métodos de refinamiento indirecto no cambian los RPC originales. En general, el refinamiento directo es el método más utilizado. El refinamiento directo se puede clasificar en compensación de sesgo y modelo polinomial. Estudios anteriores han demostrado que el método de compensación de sesgo tiene una precisión ligeramente mejor que el modelo polinomial [8]. En el caso de KOMPSAT, se han realizado muchos estudios para mejorar la precisión de la posición utilizando el método de compensación de sesgo [11, 19, 20].

El modelo de ajuste de bloques RPC utilizado en este estudio se define en el espacio de la imagen. El modelo se define de la siguiente manera [4]:

Línea = [DELTA] p + p ([phi], [lambda], h) + [[epsilon] .sub.L] Muestra = [DELTA] r + r ([phi], [lambda], h) + [ [épsilon] .sub.s]. (1)

Línea y Muestra son las coordenadas del punto de la imagen correspondiente a los GCP. [DELTA] py [DELTA] r son las funciones ajustables que expresan las diferencias entre la línea medida y nominal y las coordenadas de muestra de los GCP para una imagen. p ([phi], [lambda], h) y r ([phi], [lambda], h) son las coordenadas de la imagen calculadas utilizando los RPC proporcionados. [[epsilon] .sub.L] y [[epsilon] .sub.s] son ​​errores aleatorios no observables.

[expresión matemática no reproducible]. (2)

[a.sub.0], [a.sub.s], [a.sub.L],. y [b.sub.0], [b.sub.S], [b.sub.L],. son los parámetros de ajuste de la imagen. Algunos satélites pueden requerir una transformación afín de la siguiente manera:

[DELTA] p = [a.sub.0] + [a.sub.S] x Muestra + [a.sub.L] x Línea [DELTA] r = [b.sub.0] + [b.sub. s] x Muestra + [b.sub.L] x Línea. (2)

La recolección de puntos de control usando chips GCP y OSM se llevó a cabo mediante el método de emparejamiento. Muchos estudios sobre la corrección geométrica automática se han basado en métodos de emparejamiento. Como resultado, se han presentado varios algoritmos para la correspondencia de imagen a imagen y de vector a imagen [20-23]. Los algoritmos de coincidencia bien conocidos, como la correlación cruzada normalizada (NCC) y la transformada rápida de Fourier (FFT), ya se han aplicado a algunos programas de procesamiento de imágenes. En este estudio, el emparejamiento para la recopilación automática de GCP se realizó utilizando un software que implementó el método de emparejamiento de fase FFT. La función de correlación de fase [24] viene dada por

donde 0 = [0.sub.1] - [0.sub.2] y [F-1] () degrada la transformada de Fourier inversa. La función [e.sup.j0] representa así la fase del espectro de potencia cruzada. El desplazamiento espacial entre los dos parches se deriva de la correspondencia de imágenes basada en la correlación de fase en el dominio de la transformada de Fourier 2D. En el caso de la coincidencia de vectores, los GCP candidatos se ubican en los vértices de las líneas (por ejemplo, intersecciones) y reciben su coordenada terrestre.

Se aplicó la fusión de imágenes basada en la técnica High-Pass Filter Additive (HPFA) para generar imágenes KOMPSAT multiespectrales de alta resolución. Al principio, el HPFA se utilizó para reducir el volumen de datos y aumentar la resolución espacial de los datos de imágenes Landsat, pero más tarde también se utilizó para la fusión de imágenes [25]. Primero, produjimos la imagen filtrada de paso alto. Se creó un núcleo de filtro de convolución de paso alto y se usó para filtrar los datos de entrada de alta resolución. El tamaño del kernel de paso alto es una función del tamaño relativo de los píxeles de entrada. Un tamaño de kernel adecuado es aproximadamente el doble de la relación de resolución de los pares de imágenes [25, 26]. El siguiente paso fue agregar la imagen filtrada de HP a la imagen multiespectral:

[Fusión de HPF] = [Muestreo de MS] + ([PANHPF] x W), (5)

donde [HPF.sub.fusion] es una imagen multiespectral de alta resolución fusionada y [MS.sub.resampling] es una imagen multiespectral de baja resolución que se volvió a muestrear al tamaño de píxel de una imagen pancromática de alta resolución. [PAN.sub.HPF] es la imagen pancromática filtrada por HP. La ponderación se determina de la siguiente manera:

donde W es el multiplicador de ponderación para el valor de la imagen pancromática filtrada por HF y SD (MS) es la desviación estándar de la banda multiespectral de baja resolución a la que se agrega la imagen pancromática filtrada por HP. SD ([PAN.sub.HPF]) es la desviación estándar de la imagen pancromática filtrada por HP. M es un factor de modulación para determinar la nitidez de la imagen de salida. Ajustamos empíricamente el valor M para mejorar la nitidez mediante la mejora del límite de la imagen. Se realizó un estiramiento lineal como último paso.

4. Resultados del experimento y discusión

4.1. Resultados de ortorrectificación de imágenes KOMPSAT mediante GCP y chips GCP. Se realizó una prueba de procesamiento de datos solo en aquellas imágenes de fusión que fueron procesadas con imágenes multiespectrales de alta resolución por el método HPFA. En el caso del área de estudio 1, el modelado para la ortorrectificación se realizó mediante unidades de bloque en lugar de unidades de imagen individuales porque había muchas imágenes KOMPSAT-2 para procesar. Los GCP se distribuyeron uniformemente, con un promedio de 7-10 puntos por imagen. Al menos 6 puntos extraídos de una ortofoto aérea con una resolución espacial de 0,25 m se utilizaron como puntos de control de ortofoto (OCP). Los valores de altitud (z) de GCP y OCP se extrajeron del DEM (5 m) y se utilizaron. La Figura 5 muestra los resultados del modelado para 947 imágenes KOMPSAT-2. Aunque hubo algunos errores graves, la precisión general del modelado fue buena. El RMSE promedio de GCP y OCP fue de 1,31 píxeles y 1,41 píxeles, respectivamente.

Con base en los resultados del modelado, se generaron ortoimágenes KOMPSAT-2 usando DEM de 5 m como se muestra en la Figura 6 (a). Luego superpusimos el mapa topográfico digital de escala 1: 5000 sobre las ortoimágenes generadas para inspeccionar visualmente sus cualidades. La Figura 6 (b) muestra el resultado de la superposición con el mapa topográfico digital a escala 1: 5000 para comparar la precisión entre las imágenes de izquierda a derecha y de arriba a abajo. Descubrimos que las capas del mapa coincidían bien con las ortoimágenes.

La precisión de las ortoimágenes generadas se evaluó utilizando 843 puntos de control independientes (ICP) obtenidos mediante levantamientos GPS. La Figura 7 muestra la precisión planimétrica de las ortoimágenes de color de 1 m de KOMPSAT-2 generadas en este estudio. A excepción de las imágenes con errores graves, la precisión planimétrica fue de 1,43 m (RMSE). Como se muestra en la Figura 7, los errores en las direcciones xey fueron uniformes y en su mayoría dentro de [+ o -] 3 m.

La Figura 8 muestra los resultados del modelado de 50 imágenes KOMPSAT-2 en el área de estudio 2 usando chips GCP. En promedio, se recopilaron alrededor de 52 GCP por imagen mediante la coincidencia de chips. El RMSE medio del resultado del modelado fue de 1,59 píxeles. La mayoría de los valores estaban por debajo de 2 píxeles, a excepción de las imágenes de montaña donde los valores eran ligeramente superiores. Tenga en cuenta que la precisión del modelado fue menor que en el caso de ingresar manualmente los GCP como en el área de estudio 1.

Las ortoimágenes generadas usando chips GCP y 5 m DEM se muestran en la Figura 9. Para una evaluación de la precisión de las ortoimágenes generadas, se usaron 63 ICP como se muestra en la Figura 9 (a). Los errores en las direcciones xey fueron muy uniformes y la precisión planimétrica fue de 1,40 m (RMSE). Estos resultados muestran que no hay una diferencia significativa con la precisión de una ortoimagen generada al ingresar manualmente los GCP en el área de estudio 1. Sin embargo, como se muestra en la Figura 9, no se pudieron obtener suficientes ICP, por lo que hubo un límite para un análisis más preciso.

Para superar este problema, se realizó un análisis de precisión adicional utilizando 190 OCP que se extrajeron de ortofotos aéreas (0,25 m). Los residuos máximos fueron ligeramente más altos que los resultados anteriores, pero la precisión general fue muy similar.

Los mismos métodos se aplicaron a KOMPSAT-2 para la ortorrectificación. Se utilizó la fusión de imágenes para procesar imágenes de KOMPSAT-3 y KOMPSAT-3A en el área de estudio 3, y se analizaron los resultados. Para modelar imágenes de KOMPSAT-3 y KOMPSAT-3A, se utilizaron de 8 a 9 GCP por imagen. Aproximadamente 24 puntos de control por imagen se recopilaron en promedio mediante la comparación de chips. El RMSE promedio usando GCP en imágenes de KOMPSAT-3 y KOMPSAT-3A fue menor a 0.35 píxeles, pero en el caso de usar chips GCP, el RMSE promedio fue ligeramente mayor a 2.0 píxeles. La precisión de las ortoimágenes generadas con 5 m DEM se analizó utilizando OCP. Como resultado del análisis de la precisión utilizando aproximadamente 18 puntos OCP por imagen, se confirmó que las imágenes KOMPSAT3 y KOMPSAT-3A basadas en GCP tenían una precisión de menos de 1 m, mientras que las imágenes ortorrectificadas basadas en chips GCP tenían una precisión planimétrica en el pedido. de 1,5 m. La Figura 10 muestra los resultados de la generación de ortoimágenes KOMPSAT-3 y KOMPSAT-3A.

4.2. Resultados de la ortorrectificación basados ​​en diferentes datos de referencia. Con el fin de evaluar cuantitativamente la influencia de los datos de referencia del suelo en la corrección de la imagen satelital de resolución submétrica, realizamos una ortorrectificación utilizando imágenes KOMPSAT-3 y KOMPSAT-3A del área de estudio 3. Los GCP, chips GCP y OSM se utilizaron para el modelado de imágenes , y el resultado de modelado de las imágenes KOMPSAT-3 y KOMPSAT-3A usando 9 y 11 GCP fue menor a 0,4 píxeles (RMSE). El resultado del modelado utilizando chips GCP tuvo una precisión del orden de 2 píxeles (RMSE). Se encontró que este resultado era más preciso que OSM en 0,5 píxeles. Además, la cantidad de puntos de control recolectados a través del emparejamiento en ambos casos fue de aproximadamente 50. Generamos ortoimágenes KOMPSAT-3 y KOMPSAT3A usando 5 m DEM como se muestra en la Figura 11 y evaluamos la precisión planimétrica de las ortoimágenes usando OCP. En el caso de OSM, la precisión del modelado fue similar al resultado del uso de chips GCP, pero la precisión de la ortoimagen fue la más baja en la evaluación de precisión con OCP. La Figura 12 muestra los resultados de superponer una ortoimagen generada utilizando datos OSM y OSM para evaluar la precisión mediante inspección visual. No fue fácil diferenciar entre los dos conjuntos de datos mediante una inspección visual.

Realizamos experimentos adicionales cruzando los datos. En la tabla 2 se muestran los datos utilizados en cada caso para la generación de ortoimágenes KOMPSAT-3 en el área de estudio 3. Se realizaron experimentos para evaluar la precisión de las ortoimágenes según los datos horizontales y verticales. El caso 1 tuvo como objetivo analizar la precisión de las ortoimágenes según la calidad del punto de control (x, y). El caso 2 se utilizó para analizar el efecto de los DEM.

Primero, la precisión de modelado para los chips GCP y OSM del Caso 1 fue de 2,33 píxeles y 2,54 píxeles, respectivamente. La precisión de las ortoimágenes generadas se analizó utilizando 29 OCP, y fue de 1,27 my 2,54 m, respectivamente. Por otro lado, en el caso 2 utilizando diferentes DEM, la precisión del modelado fue la misma a 2,64 píxeles. La precisión planimétrica de las ortoimágenes fue de 2,54 m para 5 m DEM y 2,91 m para 30 m DEM. En el caso de DEM de 30 m, la diferencia de precisión para un área plana no fue grande en comparación con DEM de 5 m, pero se encontró una diferencia de 5-6 m para terreno montañoso. La Figura 13 muestra los resultados del análisis de precisión planimétrica en el Caso 1 y el Caso 2.

La figura 14 compara la precisión de las ortoimágenes según los datos utilizados. Fue fácil identificar las diferencias en cada caso con una inspección visual. En la Figura 14, (b) es la más precisa en comparación con las ortofotos aéreas (a) y (d) es la menos precisa. Sin embargo, aunque la precisión de la ortoimagen usando datos abiertos (por ejemplo, OSM y SRTM DEM) es baja en las Figuras 13 y 14, se puede ver que la precisión de la ubicación se puede mejorar en gran medida en comparación con la imagen sin corregir en la Figura 15. Porque Los datos abiertos pueden ser obtenidos y utilizados por cualquier persona, es posible mejorar fácilmente la precisión de la ubicación de la imagen existente a través de un método simple de comparación de imágenes.

En muchas aplicaciones, la precisión de la ubicación de las imágenes de satélite es tan importante como la resolución espacial. Sin embargo, pocos satélites poseen la precisión requerida por los usuarios, por lo que es necesario un procesamiento adicional. Para mejorar la precisión de la ubicación de las imágenes de satélite de alta resolución, a menudo se requiere mucho tiempo y dinero para los puntos de control, DEM y similares. Además, no siempre se dispone de datos de referencia terrestre de alta calidad. Para utilizar imágenes ópticas KOMPSAT para aplicaciones como GIS, es necesario ortorrectificar las imágenes. Por lo tanto, para este estudio y con los RPC actualizados, realizamos la ortorrectificación de imágenes KOMPSAT utilizando varios datos y evaluamos los resultados. La precisión planimétrica de las ortoimágenes KOMPSAT-2 generadas a partir de GCP con una precisión horizontal y vertical de 1 m (RMSE) y 2 m (RMSE), respectivamente, fue la mejor. Sin embargo, las ortoimágenes generadas mediante la coincidencia con las imágenes corregidas existentes, como los chips GCP, también tenían suficiente precisión. También encontramos que la precisión planimétrica de las ortoimágenes KOMPSAT-3 y KOMPSAT-3A generadas con GCP y chips GCP fue de 1 m (RMSE) y 15 m (RMSE), respectivamente. Aunque los GCP y DEM de buena calidad tienen una gran influencia en la generación de ortoimágenes, no siempre es posible obtener conjuntos de datos de alta calidad, por lo que la ortorrectificación se realizó utilizando OSM y SRTM DEM (30 m) en este estudio. Analizamos la disponibilidad de datos de código abierto para la corrección de imágenes, aunque la precisión de la ubicación era deficiente en comparación con los GCP y los chips GCP. Las ortoimágenes generadas usando OSM y 30 m DEM tenían una precisión del orden de 3 m (RMSE). Sin embargo, en terreno montañoso se encontró que tenía un error máximo de aproximadamente 6 m (RMSE). En el futuro, presentaremos un método de corrección más eficiente para imágenes KOMPSAT utilizando técnicas mejoradas de coincidencia de imágenes y una mayor variedad de datos.

Los autores declaran que no existen conflictos de intereses con respecto a la publicación de este artículo.

[1] E. Kruck, "Mapeo fotogramétrico de imágenes SPOT con BINGO en el sistema PHOCUS", Logros internacionales de fotogrametría y teledetección (Comisión III), vol. 27, no. B3, págs. 405-414, 1988.

[2] C. V Tao y Y. Hu, "Un estudio completo del modelo de función racional para el procesamiento fotogramétrico", Ingeniería fotogramétrica y teledetección, vol. 67, no. 12, págs. 1347-1357, 2001.

[3] C. S. Fraser y H. B. Hanley, "Compensación de sesgo en funciones racionales para imágenes de satélite Ikonos", Ingeniería fotogramétrica y percepción remota, vol. 69, no. 1, págs. 53-57, 2003.

[4] J. Grodecki y G. Dial, "Ajuste de bloque de imágenes satelitales de alta resolución descritas por Rational Polynomials", Ingeniería fotogramétrica y percepción remota, vol. 69, no. 1, págs. 59-68, 2003.

[5] K. Di, R. Ma y R. X. Li, "Funciones racionales y potencial para la recuperación rigurosa del modelo de sensor", Ingeniería fotogramétrica y percepción remota, vol. 69, no. 1, págs. 33-41, 2003.

[6] C. V. Tao, Y. Hu y W. Jiang, "Explotación fotogramétrica de imágenes IKONOS para aplicaciones cartográficas", Revista Internacional de Percepción Remota, vol. 25, no. 14, págs. 2833-2853, 2004.

[7] J. Wang, K. Di y R. Li, "Evaluación y mejora de la precisión de geoposicionamiento de las imágenes estereofónicas de IKONOS", Journal of Surveying Engineering, vol. 131, no. 2, págs. 35-42, 2005.

[8] Z. Xiong e Y. Zhang, "Un método genérico para el refinamiento de RPC utilizando información de control terrestre", Ingeniería fotogramétrica y percepción remota, vol. 75, no. 9, págs. 1083-1092, 2009.

[9] D. Seo, J. Yang, D. Lee y H. Lim, "El análisis de las características de precisión del mapeo KOMPSAT-2", en Proceedings

del 60 ° Congreso Astronáutico Internacional, IAC-09.B1.I.13, págs. 1-10, Daejeon, República de Corea, octubre de 2009.

[10] S. Sunier, B. Collet y A. Mambimba, "Nueva misión de terceros, evaluación de la calidad: misión KOMPSAT-2", GAEL Consultant, págs. 1-20, 2008.

[11] JK Nowak Da, Costa. Y A. Walczynska, "Pruebas de calidad geométrica de los datos de imagen de kompsat-2 adquiridos en el sitio de prueba del CCI en maussane utilizando el software de detección remota ERDAS LPS y PCI GEOMATICS", Informes científicos y técnicos del CCI ( EUR 24542 EN), págs.1 a 36, ​​2010.

[12] SI Imaging Services Co., LTD, "Especificaciones del producto KOMPST-3A: manual de datos de imágenes (versión 1.0)", págs. 1-51, 2016.

[13] SI. Imaging and Co. SI Imaging Services, "Especificaciones del producto KOMPST-3: manual de datos de imágenes (versión 2.0)", págs. 1-59, 2017.

[14] D. Seo, J. Oh, C. Lee, D. Lee y H. Choi, "Calibración geométrica y validación de la cámara Kompsat-3A AEISS-A", Sensores (Suiza), vol. 16, no. 10, artículo no. 1776, 2016.

[15] H. Lee, J. Ru y Y. Yu, "Extracción de información temática de alta calidad mediante el uso de imágenes de satélite de alta resolución", Revista de la Sociedad Coreana de Ciencias de la Información Geoespacial, vol. 18, no. 1, págs. 73-91, 2010.

[16] G. Sun, K. J. Ranson, V. I. Kharuk y K. Kovacs, "Validación de la altura de la superficie de la misión de topografía de radar de lanzadera usando altímetro láser de lanzadera", Teledetección del medio ambiente, vol. 88, no. 4, págs. 401-411, 2003.

[17] JR Santillan y M. Makinano-Santillan, "Evaluación de la precisión vertical de los DEMS globales ALOS, ASTER y SRTM de resolución de 30 M sobre el noreste de Mindanao, Filipinas", en Actas de los Archivos Internacionales 23 de Fotogrametría, Percepción Remota y Congreso de Ciencias de la Información Espacial, ISPRS 2016, págs. 149-156, cze, julio de 2016.

[18] H. G. Park, "Estudio sobre el establecimiento de estándares de precisión coreanos de mapas digitales para la construcción y utilización de información geoespacial precisa", Revista de la Sociedad Coreana de Topografía, Geodesia, Fotogrametría y Cartografía, vol. 31, no. 6, págs. 493-502, 2013.

[19] J. Oh y C. Lee, "Compensación de sesgo automatizada de coeficientes polinomiales racionales de imágenes de satélite de alta resolución basadas en mapas topográficos", ISPRS Journal of Photogrammetry and Remote Sensing, vol. 100, págs. 14-22, 2015.

[20] J. H. Oh, D. C. Seo y C. N. Lee, "Un resultado de prueba sobre la precisión posicional de las imágenes de prueba beta de Kompsat-3A", Revista de la Sociedad Coreana de Topografía, Geodesia, Fotogrametría y Cartografía, vol. 34, no. 2, págs. 133-142, 2016.

[21] P. Pehani, K. Cotar, A. Marsetic, J. Zaletelj y K. Ostir, "Procesamiento geométrico automático para datos de satélites ópticos de muy alta resolución basados ​​en carreteras vectoriales y ortofotos", Teledetección, vol. 8, no. 4, artículo no. 343, 2016.

[22] M. Gianinetto y M. Scaioni, "Corrección geométrica automatizada de datos satelitales pushbroom de alta resolución", Ingeniería fotogramétrica y percepción remota, vol. 74, no. 1, págs. 107-116, 2008.

[23] S. Leprince, S. Barbot, F. Ayoub y J.-P. Avouac, "Ortorrectificación, coregistro y correlación de subpíxeles automáticos y precisos de imágenes de satélite, aplicación a las mediciones de deformación del suelo", IEEE Transactions on Geoscience and Remote Sensing, vol. 45, no. 6, págs. 1529-1558, 2007.

[24] C. D. Kuglin y D. C. Hines, "El método de alineación de imágenes de correlación de fase", en Proceedings of the in Proceeding of International Conference on Cybernetics Society, págs. 163-165, 1975.

[25] U. G. Gangkofner, P. S. Pradhan y D. W. Holcomb, "Optimización de la técnica de adición de filtros de paso alto para la fusión de imágenes", Ingeniería fotogramétrica y percepción remota, vol. 74, no. 9, págs. 1107-1118, 2008.

[26] P. S. Chavez Jr., S. C. Sides y J. A. Anderson, "Comparación de tres métodos diferentes para fusionar datos multiresolución y multiespectrales. Landsat TM y SPOT pancromático", Ingeniería fotogramétrica y percepción remota, vol. 57, no. 3, págs. 295-303, 1991.

Kwangjae Lee, Eunseon Kim y Younsoo Kim

Centro Nacional de Operaciones y Aplicaciones de Satélites, Instituto de Investigación Aeroespacial de Corea, 169-84 Gwahak-ro, Yuseong-gu, Daejeon 34133, República de Corea

La correspondencia debe dirigirse a Kwangjae Lee [email protected]

Recibido el 26 de abril de 2017 Aceptado el 19 de junio de 2017 Publicado el 8 de agosto de 2017

Pie de foto: FIGURA 1: Ubicación de las áreas de estudio.

Pie de foto: FIGURA 2: Índice de imágenes de las áreas de estudio.

Leyenda: FIGURA 3: Resultados de superposición de datos OSM ((a) superposición de OSM (línea amarilla) y mapa topográfico digital de escala 1: 5000 (línea roja) en Daejeon, Corea, y (b) superposición de OSM (línea negra) y Imagen de Google Earth).

Leyenda: FIGURA 4: Diagrama de flujo del experimento de procesamiento de datos para ortorrectificación.

Leyenda: FIGURA 5: Resultado del modelado de imágenes KOMPSAT-2 utilizando GCP y OCP.

Pie de foto: FIGURA 6: Generación de ortoimágenes en color KOMPSAT-2 de 1 m en el área de estudio 1 (a) e inspección visual utilizando un mapa topográfico digital de escala 1: 5000 (b).

Leyenda: FIGURA 7: Diagrama de dispersión de errores planimétricos en la imagen KOMPSAT-2 ortorrectificada (1 m de color) producida utilizando GCP y 5 m DEM.

Pie de foto: FIGURA 8: Resultado del modelado de las 50 imágenes KOMPSAT-2 usando los chips GCP.

Leyenda: FIGURA 9: Distribución de ICP en el área de prueba 2 (a) y diagrama de dispersión de errores planimétricos en la imagen KOMPSAT-2 ortorrectificada (1 m de color) producida utilizando chips GCP y 5 m DEM (b).

Leyenda: FIGURA 10: Generación de ortoimágenes KOMPSAT-3 (0,7 m color) y KOMPSAT-3A (0,55 m color) utilizando chips GCP y 5 m DEM en estudio

Leyenda: FIGURA 11: Distribución de los OCP en el área de estudio 4 (a) y resultados del análisis de precisión planimétrica (b).

Pie de foto: FIGURA 12: Superposición de ortoimágenes KOMPSAT y datos OSM (a, c) e inspección visual usando imágenes ampliadas (b, d).

Leyenda: FIGURA 13: Resultados del análisis de precisión planimétrica en el Caso 1 (a) y el Caso 2 (b).

Pie de foto: FIGURA 14: Comparación de la precisión de la ortoimagen según los datos utilizados. Leyenda: Figura 15: Comparación de la precisión planimétrica utilizando un mapa topográfico digital de escala 1: 5000 ((a) imagen sin corregir KOMPSAT-3 y (b) ortoimagen KOMPSAT-3 generada utilizando OSM y 30 m DEM).


5.4 Uso del sistema de referencia de coordenadas UTM

El UTM (Mercator transversal universal) el sistema de coordenadas utiliza unidades de metros en lugar de grados. Nos permite representar extensiones espaciales usando cuadrículas bidimensionales “métricas”. Para mapear desde coordenadas latlong a UTM, necesitamos saber en qué parte de la tierra corresponde aproximadamente un punto. El mundo se imagina en términos de una serie de zonas, delimitadas un poco como zonas horarias, en “bandas” verticales que se extienden alrededor del mundo.

Las bandas reciben códigos numéricos de acuerdo con el sistema EPSG que se pueden determinar a partir de las coordenadas de latitud y longitud de la siguiente manera:

Podemos definir una nueva cadena de proyección que identifique el UTM CRS y una zona apropiada usando las coordenadas desde el punto de inicio de nuestra ruta:

5.4.1 Uso de st_transform para transformaciones de proyección

Podemos transformar nuestra ruta a la nueva proyección usando la función sf :: st_transform ():

Ahora veamos nuestras coordenadas bajo esta proyección:

Vemos que los valores X e Y se han transformado de sus valores originales de latitud y longitud en coordenadas UTM en metros.

¿Qué sucede si grafica las coordenadas ahora?

¿Te suena familiar esa forma?

Si trazamos los tres gráficos uno al lado del otro con una alineación vertical, vemos cómo el gráfico "sensible a la geografía" y el gráfico UTM se corresponden aproximadamente entre sí, mientras que el gráfico de longitud completa tiene proporciones diferentes:

Bueno, funciona, pero es doloroso tener que hacer todo lo posible para hacerlo. ¿Seguro que hay una manera mejor?

5.4.2 Usando ggplot2 :: coord_sf para renderizar proyecciones

Tener la transformación de las coordenadas de un CRS a otro es una molestia, sería mucho más fácil si pudiéramos pasar las coordenadas de latitud y longitud al marco de datos en unidades de grados y dejar que el gráfico se mapee en la dirección adecuada.

Sucede que podemos. Al configurar ggplot2 :: coord_sf (crs), podemos forzar al gráfico a usar una proyección adecuada:

Hay una gran variedad de proyecciones disponibles, pero estas dos son quizás las más convenientes debido a su familiaridad y uso generalizado.

5.4.3 Exportación de los datos de la ruta como un marco de datos

Por conveniencia, puede resultar útil exportar los datos de la ruta como un marco de datos que incluya tanto las coordenadas latlong como las UTM. Sin embargo, tomar una ruta de este tipo requeriría crear un formato de marco de datos apropiado para escribir en un archivo CSV, por ejemplo, así como también un medio para analizar los datos de una manera apropiada.


Referencias

Rawat P, Deep Singh K, Chaouchi H, Bonnin J-M: Redes de sensores inalámbricos: una encuesta sobre desarrollos recientes y sinergias potenciales. J. Supercomputación 2013, 1-48. doi: 10.1007 / s11227-013-1021-9

Toor Y, Muhlethaler P, Laouiti A: Redes ad hoc de vehículos: aplicaciones y problemas técnicos relacionados. IEEE Commun. Surv. Tutor 2008, 10(3):74-88.

Hartenstein H, Laberteaux KP: Un estudio tutorial sobre redes ad hoc vehiculares. IEEE Commun. Revista 2008, 46(6):164-171.

Boukerche A, Oliveira HA, Nakamura EF, Loureiro AA: Redes ad hoc vehiculares: un nuevo desafío para los sistemas basados ​​en la localización. Computación. Comun 2008, 31 (12): 2838-2849. 10.1016 / j.comcom.2007.12.004

Li F, Wang Y: Enrutamiento en redes ad hoc vehiculares: una encuesta. IEEE Veh. Tech. Revista 2007, 2(2):12-22.

Luo J, Hubaux J-P: Una encuesta de investigación en comunicaciones entre vehículos. En Seguridad integrada en automóviles. Berlín Heidelberg: Springer 2006: 111-122.

Cseh C: Arquitectura del protocolo dedicado de comunicaciones de corto alcance (DSRC). En Conferencia de Tecnología Vehicular, 1998. VTC 98. 48th IEEE, vol. 3. 1998, Ottawa: IEEE 18-21 de mayo de 1998: 2095-2099.

Zhu J, Roy S: MAC para comunicaciones dedicadas de corto alcance en un sistema de transporte inteligente. IEEE Commun. Revista 2003, 41 (12): 60-67. 10.1109 / MCOM.2003.1252800

Cheng L, Henty BE, Stancil DD, Bai F, Mudalige P: Medición de canal de banda estrecha de vehículo a vehículo móvil y caracterización de la banda de frecuencia de comunicación de corto alcance dedicada (DSRC) de 5,9 GHz. IEEE J. Seleccione. Áreas Comun 2007, 25(8):1501-1516.

Kenney JB: estándares de comunicaciones dedicadas de corto alcance (DSRC) en los Estados Unidos. Proc. IEEE 2011, 99(7):1162-1182.

Enmienda 6: Acceso inalámbrico en entornos de vehículos (WAVE), Parte 11, Estándar IEEE 802.11p, Estándar IEEE 802.11p http://standards.ieee.org/findstds/standard/802.11p-2010.html

Jiang D, Delgrossi L: IEEE 802.11 p: Hacia un estándar internacional para el acceso inalámbrico en entornos vehiculares. En Conferencia de tecnología vehicular IEEE 2008. VTC Primavera 2008. Singapur, 11 a 14 de mayo de 2008: 2036-2040.

Regan MA, Oxley J, Godley S, Tingvall C: Sistemas de transporte inteligentes: cuestiones de seguridad y factores humanos, no. 01/01 (Royal Automobile Club of Victoria (RACV) Ltd., 2001). Universidad de Monash, Australia, 2001

Transporte inteligente ETSI. Sistemas de transporte inteligentes. Consultado el 11 de marzo de 2014 http://www.etsi.org/technologies-clusters/technologies/intelligent-transport

Ghandour AJ, Fawaz K, Artail H: Garantías de entrega de datos en redes ad hoc vehiculares congestionadas que utilizan redes cognitivas. En 2011 7th International IEEE Wireless Communications and Mobile Computing Conference (IWCMC). Estambul, 4 a 8 de julio de 2011: 871-876.

Comisión Federal de Comunicaciones: Informe de tareas sobre políticas del espectro del Grupo de trabajo sobre eficiencia del espectro. 2002.

McHenry MA: Resumen del proyecto de mediciones de ocupación del espectro NSF. Informe de empresa de espectro compartido. . http://www.sharedspectrum.com/

Comisión Federal de Comunicaciones: Informe del Grupo de trabajo sobre políticas del espectro. ET Expediente (02-135) 2002, 215.

Zhao Q, Sadler BM: Una encuesta sobre el acceso dinámico al espectro. Mag de procesamiento de señales IEEE 2007, 24(3):79-89.

Patil K, Prasad R, Skouby K: una encuesta de campañas de medición de la ocupación del espectro en todo el mundo para radio cognitiva. En Conferencia internacional IEEE 2011 sobre dispositivos y comunicaciones (ICDeCom). Mesra 24-25 de febrero de 2011: 1-5.

Comisión Federal de Comunicaciones: Segundo dictamen y orden en materia de operación sin licencia en las bandas de transmisión de TV (ET Docket No. 04-186) y espectro adicional para dispositivos sin licencia por debajo de 900 MHz y en la banda de 3 GHz (ET Docket No. 02-380) ( FCC 10-174). Washington, D.C. Septiembre de 2010.

Mitola III J, Maguire Jr GQ: Radio cognitiva: hacer que las radios de software sean más personales. IEEE Pers. Comun 1999, 6(4):13-18. 10.1109/98.788210

Mitola III J: radio cognitiva para comunicaciones multimedia móviles flexibles. En Taller internacional IEEE sobre comunicaciones multimedia móviles, 1999. (MoMuC'99). San Diego, 15 a 17 de noviembre de 1999: 3-10.

Mitola III J: Radio cognitiva: una arquitectura de agente integrada para radio definida por software. Disertación. Tesis de doctorado, Royal Inst. Technol. (KTH), Estocolmo, Suecia, págs. 271–350 (2000)

Haykin S: Radio cognitiva: comunicaciones inalámbricas potenciadas por el cerebro. IEEE J. Seleccione. Áreas Comun 2005, 23(2):201-220.

Akyildiz IF, Lee W-Y, Vuran MC, Mohanty S: próxima generación / acceso al espectro dinámico / redes inalámbricas de radio cognitiva: una encuesta. Computación. Red 2006, 50 (13): 2127-2159. 10.1016 / j.comnet.2006.05.001

Wyglinski AM, Nekovee M, Hou T: Comunicaciones y redes de radio cognitivas: principios y práctica. Académico 2009.

Di Felice M, Doost-Mohammady R, Chowdhury KR, Bononi L: Radios inteligentes para vehículos inteligentes: redes cognitivas de vehículos. IEEE Veh. Tech. Revista 2012, 7(2):26-33.

Pagadarai S, Wyglinski A, Vuyyuru R: Caracterización de canales de TV UHF vacantes para acceso vehicular al espectro dinámico. En Conferencia sobre redes de vehículos IEEE 2009 (VNC). Tokio, 28 a 30 de octubre de 2009: 1-8.

Di Felice M, Chowdhury KR, Bononi L: Gestión cooperativa del espectro en redes cognitivas vehiculares ad hoc. En Conferencia de redes de vehículos IEEE 2011 (VNC). Amsterdam, noviembre de 2011: 47-54, 14-16.

Li H, Irick DK: Detección colaborativa del espectro en redes ad hoc cognitivas de radio vehicular: propagación de creencias en la carretera. En 2010 IEEE 71st Vehicular Technology Conference (VTC 2010-Spring). Taipei, 16 a 19 de mayo de 2010: 1-5.

Tsukamoto K, Omori Y, Altintas O, Tsuru M, Oie Y: Sobre la selección de canales con conciencia espacial en las comunicaciones entre vehículos de múltiples saltos de acceso al espectro dinámico. En 2009 IEEE 70th Vehicular Technology Conference Fall (VTC 2009-Fall). Anchorage 20-23 de septiembre de 2009: 1-7.

Kim W, Gerla M, Oh SY, Lee K, Kassler A: CoRoute: un nuevo protocolo cognitivo de enrutamiento vehicular anypath. Comunicaciones inalámbricas Computación móvil 2011, 11 (12): 1588-1602. 10.1002 / wcm.1231

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

Niyato D, Hossain E, Wang P: Gestión óptima del acceso al canal con soporte QoS para redes vehiculares cognitivas. IEEE Trans. Computación móvil 2011, 10(4):573-591.

Akyildiz IF, Lee W-Y, Chowdhury KR: CRAHNs: Redes ad hoc de radio cognitiva. Redes ad hoc 2009, 7 (5): 810-836. 10.1016 / j.adhoc.2009.01.001

Comité Técnico ISO 204 WG16: Sistemas de transporte inteligentes - Acceso a comunicaciones para móviles terrestres (CALM) - Arquitectura. 2010.

Comité Técnico ISO 204 WG16: Sistemas de transporte inteligentes - acceso de comunicaciones para móviles terrestres (CALM) - M5 ,. ISO 21215

Comité Técnico ISO 204 WG16: Sistemas de transporte inteligentes - acceso a comunicaciones para móviles terrestres (CALM) - redes no IP - Parte 1: protocolo de capa de transporte y redes rápidas (FNTP). ISO 29281-1: 2013

Comité Técnico ISO 204 WG16: Sistemas de transporte inteligentes - Acceso a comunicaciones para móviles terrestres (CALM) - Gestión de estaciones ITS - Parte 5: Protocolo de anuncio de servicio rápido (FSAP). ISO 24102-5: 2013

ETSI ES 202663 v1.1.0 .: Intelligent Transport Systems (ITS) Estándar de perfil europeo para la capa de control de acceso físico y medio de los Sistemas de Transporte Inteligentes que operan en la banda de frecuencia de 5 GHz.

Sevlian R, Chun C, Tan I, Bahai A, Laberteaux K: Caracterización de canal para comunicación vehicular DSRC de 700 MHz. J. Electr. Computación. Eng 2010, 2010: 40.

Jakubiak J, Koucheryavy Y: Estado del arte y desafíos de investigación para las VANET. En 5ª Conferencia sobre redes y comunicaciones para el consumidor de IEEE, 2008. CCNC 2008. Las Vegas, 10 a 12 de enero de 2008: 912-916.

Chen S: Acceso al espectro dinámico vehicular: uso de radio cognitiva para redes de automóviles, Ph.D. Tesis, Instituto Politécnico de Worcester. 2012.

Chen ZD, Kung H, Vlah D: Redes inalámbricas de retransmisión ad hoc sobre vehículos en movimiento en carreteras. En Actas del segundo simposio internacional de ACM sobre redes móviles ad hoc y computación amplificada, Long Beach. Nueva York: ACM 2001: 247-250.

Niculescu D, Nath B: Reenvío basado en trayectoria y sus aplicaciones. En Actas de la Novena Conferencia Internacional Anual sobre Computación Móvil y Redes, San Diego. Nueva York: ACM 2003: 260-272.

Bose P, Morin P, Stojmenović I, Urrutia J: Enrutamiento con entrega garantizada en redes inalámbricas ad hoc.. 2001, 7(6):609-616.

Lee J-H, Ernst T: Problemas de seguridad de IPv6 en sistemas de transporte inteligentes cooperativos. Computación. J 2013, 56 (10): 1189-1197. 10.1093 / comjnl / bxs006

Lee J-H, Ernst T: Problemas de seguridad de las comunicaciones IPv6 en sistemas de transporte inteligentes cooperativos (póster). En Conferencia de redes de vehículos IEEE 2011 (VNC). Amsterdam, 14-16 de noviembre de 2011: 284-290.

Lee J-H, Ernst T, Bonnin J: Arquitectura de capas cruzadas para asegurar la comunicación IPv6 ITS: ejemplo de cambio de seudónimo. En Tercer taller internacional de IEEE 2011 sobre diseño de capas cruzadas (IWCLD). Rennes, noviembre de 2011: 1-6.

Lee J-H, Ernst T, Ma X: Análisis de rendimiento de mensajes de balizas seguros para GeoNetworking. Asegurar. Comm. Red 2011. doi: 10.1002 / sec.396

Mitola J: La arquitectura de radio por software. IEEE Commun. Revista 1995, 33(5):26-38. 10.1109/35.393001

Mitola J: Software de radio. Nueva York: Wiley 2000.

Tuttlebee WH: Radio definida por software: orígenes, impulsores y perspectivas internacionales. Nueva York: Wiley 2002.

Dillinger M, Madani K, Alonistioti N: Radio definida por software: arquitecturas, sistemas y funciones. Nueva York: Wiley 2005.

Jondral FK: radio definida por software: conceptos básicos y evolución a la radio cognitiva. EURASIP J. Wirel. Comun. Red 2005, 2005(3):275-283.

Arslan H: Radio cognitiva, radio definida por software y sistemas inalámbricos adaptativos. Londres: Springer 2007.

Wang B, Liu KR: Avances en las redes de radio cognitivas: una encuesta. IEEE J. Sel. Cima. Firmar. Proces 2011, 5(1):5-23.

Newman TR, Rajbanshi R, Wyglinski AM, Evans JB, Minden GJ: Aplicación de red móvil. 2008, 13 (5): 442-451. 10.1007 / s11036-008-0079-8

Chen S, Wyglinski AM, Pagadarai S, Vuyyuru R, Altintas O: Análisis de viabilidad del acceso al espectro dinámico vehicular a través del modelo de teoría de colas. IEEE Commun. Revista 2011, 49(11):156-163.

Chen S, Vuyyuru R, Altintas O, Wyglinski AM: Aprendizaje en redes de acceso al espectro dinámico vehicular: oportunidades y desafíos. En Simposio internacional IEEE sobre sistemas de comunicaciones y procesamiento inteligente de señales (ISPACS). Chiang Mai, 7 a 9 de diciembre de 2011: 1-6.

Chen S, Wyglinski AM: utilización eficiente del espectro mediante la optimización de capas cruzadas en redes de radio cognitivas distribuidas. Computación. Comm 2009, 32 (18): 1931-1943. 10.1016 / j.comcom.2009.05.016

Jha SC, Rashid MM, Bhargava VK, Despins C: Control de acceso medio en redes de radio cognitivas distribuidas. Comunicación inalámbrica 2011, 18(4):41-51.

Jha SC, Phuyal U, Rashid MM, Bhargava VK: Diseño de OMC-MAC: un MAC multicanal oportunista con aprovisionamiento de QoS para redes de radio cognitivas distribuidas. IEEE Trans. Comunicación inalámbrica 2011, 10(10):3414-3425.

Chen S, Vuyyuru R, Altintas O, Wyglinski AM: Sobre la optimización de las redes de acceso al espectro dinámico vehicular: automatización y aprendizaje en entornos inalámbricos móviles. En Conferencia de redes de vehículos IEEE 2011 (VNC). Amsterdam, 14-16 de noviembre de 2011: 39-46.

Hassan K, Gautier R, Dayoub I, Radoi E, Berbineau M: Detección de espectro ciego de antenas múltiples no paramétricas por umbral de valor propio predicho. Conferencia Internacional de Comunicaciones de IEEE 2012 (ICC) 2012, 1634-1629.

Kharbech S, Dayoub I, Simon E, Zwingelstein-Colin M: Detector de modulación digital ciego para sistemas MIMO sobre canales ferroviarios de alta velocidad. En Tecnologías de comunicación para vehículos. Heidelberg: Springer 2013: 232-241.

Hassan K, Dayoub I, Hamouda W, Berbineau M: Reconocimiento automático de modulación usando transformada de ondas y redes neuronales en sistemas inalámbricos. EURASIP J. Adv. Sig. Pr. 2010. doi: 10.1155 / 2010/532898

Hassan K, Dayoub I, Hamouda W, Nzeza CN, Berbineau M: Identificación de modulación digital ciega para sistemas MIMO correlacionados espacialmente. IEEE Trans. Comunicación inalámbrica 2012, 11(2):683-693.

Simon E, Khalighi M: Estimación iterativa del canal Soft-Kalman para canales MIMO-OFDM rápidos que varían en el tiempo. Comunicaciones inalámbricas IEEE letón 2013, 2(6):599-602.

Akyildiz IF, Lo BF, Balakrishnan R: Detección cooperativa del espectro en redes de radio cognitivas: una encuesta. Phys. Comun 2011, 4 (1): 40-62. 10.1016 / j.phycom.2010.12.003

Min AW, Shin KG: Impacto de la movilidad en la detección del espectro en redes de radio cognitivas. En Actas del Taller de ACM de 2009 sobre redes de radio cognitivas, Beijing, China. Nueva York: ACM 2009: 13-18.

Fawaz K, Ghandour A, Olleik M, Artail H: Mejora de la confiabilidad de las aplicaciones de seguridad en redes ad hoc de vehículos mediante la implementación de una red cognitiva. En IEEE 17th International Conference on Telecommunications (ICT). Doha 4 a 7 de abril de 2010: 798-805.

Borota D, Ivkovic G, Vuyyuru R, Altintas O, Seskar I, Spasojevic P: Sobre la demora para detectar de manera confiable la disponibilidad del canal en entornos vehiculares cooperativos. En IEEE 73a Conferencia de tecnología vehicular (VTC Spring). Yokohama, 15 a 18 de mayo de 2011: 1 a 5.

Di Felice M, Chowdhury KR, Bononi L: Análisis del potencial de la tecnología de radio cognitiva cooperativa en la comunicación entre vehículos. En Días inalámbricos IFIP 2010 (WD). Venecia 20-22 de octubre de 2010: 1-6.

Doost-Mohammady R, Chowdhury KR: Diseño de redes de radio vehiculares cognitivas asistidas por bases de datos de espectro. En 2012 7th International ICST Conference on Cognitive Radio Oriented Wireless Networks and Communications (CROWNCOM). Estocolmo, 18 a 20 de junio de 2012: 1-5.

Ghandour AJ, Fawaz K, Artail H, Di Felice M, Bononi L: Mejora de la transmisión de mensajes de seguridad vehicular mediante la implementación de una red vehicular cognitiva. Redes ad hoc 2013, 11 (8): 2408-2422. 10.1016 / j.adhoc.2013.06.005

Khabbaz M, Assi C, Ghrayeb A: Modelado y análisis de sistemas de comunicación de vehículo a infraestructura basados ​​en DSA. IEEE Trans. Intell. Transporte. Syst 2013, 14(3):1186-1196.

Yang C, Fu Y, Zhang Y, Xie S, Yu R: esquema de acceso al espectro híbrido energéticamente eficiente en redes ad hoc cognitivas vehiculares. IEEE Commun. letón 2013, 17(2):329-332.

Chowdhury KR, Felice MD: SEARCH: un protocolo de enrutamiento para redes ad-hoc de radio cognitiva móvil. Computación. Comun 2009, 32 (18): 1983-1997. 10.1016 / j.comcom.2009.06.011

Cacciapuoti AS, Caleffi M, Paura L: Enrutamiento reactivo para redes ad hoc de radio cognitiva móvil. Redes ad hoc 2012, 10 (5): 803-815. 10.1016 / j.adhoc.2011.04.004

Laufer R, Dubois-Ferriere H, Kleinrock L: enrutamiento anypath de múltiples velocidades en redes de malla inalámbrica. En IEEE INFOCOM 2009. Río de Janeiro, 19 a 25 de abril de 2009: 37-45.

Devarapalli V, Wakikawa R, Petrescu A, Thubert P: Protocolo de soporte básico de movilidad de red (NEMO). 2005.

Arkko J, Perkins C, Johnson D: Soporte de movilidad en IPv6. 2011.

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

Lee J-H, Ernst T: Movilidad de red ligera dentro de PMIPv6 para sistemas de transporte. IEEE Syst. J 2011, 5(3):352-361.

Lee J-H, Ernst T, Chilamkurti N: Análisis de rendimiento de la movilidad de red basada en PMIPv6 para sistemas de transporte inteligentes. IEEE Trans. Veh. Technol 2012, 61(1):74-85.

Lee J-H, Singh KD, Bonnin J-M, Pack S: Descarga de datos móviles: un enfoque de gestión de movilidad distribuida basado en host. Computación de Internet IEEE 2014, 18(1):20-29.

De Nardis L, Guirao M-D: Diseño de redes de radio cognitivas conscientes de la movilidad: desafíos y oportunidades. En 2010 Actas de IEEE de la Quinta Conferencia Internacional sobre Redes Inalámbricas Cognitivas Orientadas por Radio y Comunicaciones de Amplificador (CROWNCOM). Cannes 9-11 de junio de 2010: 1-5.

Lee W-Y, Akyildiz IF: Gestión de la movilidad consciente del espectro en redes de radio celulares cognitivas. IEEE Trans. Computación móvil 2012, 11(4):529-542.

Wang T, Song L, Han Z: juegos de gráficos de coalición para la distribución de contenido popular en VANET de radio cognitiva. IEEE Trans. Veh. Technol 2013, 62 (8): 4010-4019. http://dx.doi.org/10.1109/TVT.2013.2245353

CORREDOR: Radio cognitiva para ferrocarril a través de la reutilización dinámica y oportunista del espectro. Consultado el 11 de marzo de 2014. http://corridor.ifsttar.fr

Haziza N, Kassab M, Knopp R, Harri J, Kaltenberger F, Agostini P, Berbineau M, Gransart C, Besnier J, Ehrlich J, Aniss H: Sistema cooperativo vehicular multitecnología basado en radio definida por software (SDR). En NET4CARS 2013, quinto taller internacional sobre tecnologías de comunicación para vehículos, Lille, 14 a 15 de mayo de 2013. Heidelberg: Springer 2013: 84-95.

Amanna A, Gadhiok M, Price MJ, Reed JH, Siriwongpairat W, Himsoon T: radio cognitiva ferroviaria. IEEE Veh. Tech. Revista 2010, 5(3):82-89.

CORNET, banco de pruebas de redes de radio cognitivas. Consultado el 11 de marzo de 2014. http://cornet.wireless.vt.edu

Gadhiok M, Amanna A, Price MJ, Reed JH: Metacognition: mejorar el rendimiento de una radio cognitiva. En 2011 IEEE Primera Conferencia Internacional Multidisciplinaria sobre Métodos Cognitivos en Conciencia Situacional y Apoyo a la Decisión (CogSIMA). Miami, Beach 22-24 de febrero de 2011: 198-203.

Amoroso A, Marfia G, Roccetti M, Pau G: bancos de pruebas creativos para la investigación VANET: una nueva metodología. En Conferencia de comunicaciones y redes de consumidores de IEEE 2012 (CCNC). Las Vegas, 14-17 de enero de 2012: 477-481.

Marfia G, Roccetti M, Amoroso A, Gerla M, Pau G, Lim J-H: Cognitive cars: construyendo un campo de juego cognitivo para los bancos de pruebas de investigación de VANET. En Actas de la IV Conferencia Internacional sobre Radio Cognitiva y Gestión Avanzada del Espectro Barcelona, ​​26-29 de octubre de 2011. Nueva York: ACM 2011: 29: 1-29: 5.

Banco de pruebas de investigación de acceso abierto para redes inalámbricas de próxima generación (ORBIT). WINLAB, Universidad de Rutgers. Consultado el 11 de marzo de 2014 http://www.orbit-lab.org

Chowdhury KR, Di Felice M, Akyildiz IF: TP-CRAHN: un protocolo de transporte para redes ad-hoc de radio cognitiva. En IEEE INFOCOM 2009. Río de Janeiro, 19 a 25 de abril de 2009: 2482-2490.

Singh KD, Bonnin J-M, Ros D: Optimización de TCP sobre redes de radio cognitivas para trenes. En IEEE 2012 12th International Conference on ITS Telecommunications (ITST). Taipei, 5 a 8 de noviembre de 2012: 678-682.

Zhang G, Xu Y, Wang X, Tian X, Liu J, Gan X, Yu H, Qian L: capacidad de multidifusión para VANET con antena direccional y restricción de retardo. IEEE J. Seleccione. Áreas Comun 2012, 30(4):818-833.

Singh KD, Ksentini A, Marienval B: herramienta de medición de la calidad de la experiencia para la codificación de video SVC. En Conferencia Internacional de Comunicaciones de IEEE 2011 (ICC). Kyoto, 5 a 9 de junio de 2011: 1-5.

Singh KD, Hadjadj-Aoul Y, Rubino G: Estimación de la calidad de la experiencia para transmisión de video HTTP / TCP adaptativa usando H. 264 / AVC. En Conferencia de comunicaciones y redes de consumidores de IEEE 2012 (CCNC). Las Vegas, 14-17 de enero de 2012: 127-131.

Deep Singh K, Piamrat K, Park H, Viho C, Bonnin J-M: Optimización de QoE para multidifusión de video escalable a través de WLAN. En 2013 IEEE 24th International Symposium on Personal Indoor and Mobile Radio Communications (PIMRC). Londres, 8-11 de septiembre de 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: Demostración de las comunicaciones de vehículo a vehículo a través de espacios en blanco de TV (Documento de demostración). En Conferencia de tecnología vehicular de IEEE 2011 (otoño de VTC). San Francisco, 5 a 8 de septiembre de 2011: 1 a 3.

Rzayev T, Shi Y, Vafeiadis A, Pagadarai S, Wyglinski AM: Implementación de una arquitectura de red vehicular que soporte el acceso dinámico al espectro. En Conferencia de redes de vehículos IEEE 2011 (VNC). Amsterdam, 14-16 de noviembre de 2011: 33-38.

SUMO: Simulación de movilidad urbana. Consultado el 11 de marzo de 2014. http://sumo-sim.org