Maailma visuaalivalmistajan näkökulmasta Haasteita ja motivointia projektille
Esityksen sisältö Laaja-alaiset tietokannat ja niiden rakentaminen Geospesifinen ja geotyyppinen tietokanta Lähtömateriaaliongelmia Kaupungin mallintaminen Rakennukset Maankäyttö Mihin tulevaisuudessa pitäisi pyrkiä?
Laaja-alaiset tietokannat ja niiden rakentaminen Mallinnettava maailma on aivan liian kompleksi kaiken kattamiseksi Aina mietittävä käyttötarkoitusta ja sen tarpeita Eri mallinnusstrategioita Geospesifinen tietokanta Geotyyppinen tietokanta Edellisten yhdistelmä Maailman hahmottaminen tunnistettavina piirrekokonaisuuksina auttaa hahmottamaan mallinnustasoa Itsenäisiä piirteitä; vesistöt ja maa-alueet, eri kasvillisuusvyöhykkeet, luonnolliset korkeusvaihtelut Korreloivia piirteitä; ihmisen rakentama ympäristö, maaseutu, kaupunkiympäristö. Näiden välillä on yhteyksiä. Usein maailmaan lisätään täytemateriaalia, joka loogisesti istuu ympäristöönsä. Generointi hyödyntää olemassa olevaa tietoa.
Geospesifinen tietokanta Tarkka alueen kattava satelliitti-/ilmakuva Tarkka rakennustieto (jalanjälki, muoto, julkisivu) Kasvusto (puut, pensaat, viheralueet) Käsiteltävä tietomassa valtavan suuri, hankala saada ja kallis Käytännössä nämä ovat hyvin pieniä alueita Kuva: Windows Live Local
Geotyyppinen tietokanta Geotyyppinen maailma Tietokanta esittää piirteitä, joilla alueita tunnistetaan koulutustarkoituksessa. - Tieverkko, kaupunki- ja korttelialueet Osa tiedosta on tarkkaa kartoitettua materiaalia, osa ehkä aivan keksittyä. Kuvan yövalaistus on generoitu heuristisin säännöin Kuva: Insta SimCore IG
Lähtömateriaaliongelmat Rakennusten aineisto Asioiden kuvaustavat, semanttinen luokittelu, koordinaatistot, datan luotettavuus Kokonaan puuttuva aineisto Tarkan aineiston kova hinta Rakennustiedolle ei ole vielä laajaa julkista käyttötarvetta (vrt. tievektorit) Maankäytön aineisto Eroja valtioiden välillä tai luokkia on liian vähän Ison yhtenäisen aineiston hinta usein kynnyskysymys
Rakennusten mallintaminen tietokantaan Suurimmassa osassa käyttötapauksia riittää subjektiivinen rakennuksen mallintaminen Summittainen jalanjälki Lähekkäisten rakennusmassojen kokosuhteet ja sijainti toisiinsa nähden Rakennuksen summittainen korkeus Rakennuksen päävärit (seinä/katto) Julkisivun selkeät piirteet, ikkunoiden rytmitys Tarpeet: Tehokkaat automaattiset työkalut jalanjäljen ja korkeustiedon tuottamiseen Tarpeen vaatiessa nopea subjektiivinen julkisivun mallinnus Tulos on vektoridataa, joka voidaan parametrisoida ja pakata tehokkaasti Kuva: Fontus Ltd. 2005 (Pasila) - puhdas vektoriesitys
Rakennusten piirteiden löytäminen Pohjauduttava satelliittikuvaan ja olemassa olevan vektori-/ rasteriaineiston hyödyntämiseen! Satelliittikuvien saatavuus nykyisellään jo hyvä. Siedettävällä kustannuksella jo alle metrin resoluutiota. Tunnistettavia piirteitä: jalanjälki korkeus kattoväri Tunnistuksen luotettavuusarvo! Kuva: Google Maps (Pariisi)
Maankäytön luokittelu Isot karttafirmat tarjoavat melko hyvää luokiteltua dataa suurilta alueilta. Toimittaja hoitaa yleensä materiaalin sovitussa koordinaatistossa Tietokannan rakentajan haasteita Geospesifinen: luokittelun tarkentaminen alueellisesti Geotyyppinen: maisemaan istuvan geotyyppisen aineiston lisääminen maiseman rikastamiseksi
Haasteita tutkijoille Datafuusio olemassa olevalla datalla (satelliittikuva, rasteridata, vektoriaineisto) Nopea kuvapohjainen rakennusten tunnistaminen Rakennusten pohjamuoto ja sijainti edes summittaisesti Nopeat subjektiivisen mallinnuksen työkalut Älykäs julkisivun mallintaminen Tuottavat vektoridataa rasterin sijaan Kuva: Insta SimCore IG Henkilökohtainen kaupunkinavigointi yleistyy Opastus 3D-näkymillä Paikannus voi olla tukiasemapohjaista, 100 m tarkkuus riittää Vektorimuotoinen tiedon esittäminen Dynaaminen mallien generointi Datan skaalaus eri päätelaitteille