In de geomatica is het mogelijk om de locatie van ieder punt in de ruimte weer te geven in een puntenwolk. Grote vraag is hoe je de enorme hoeveelheid data die dat oplevert zodanig ordent en classificeert, dat ze ook bruikbaar zijn. Haicheng Liu stelt in zijn promotieonderzoek nD-PointCloud voor als beste methode voor representatie van ruimtelijke gegevens.

3D-scanners kunnen ruimtes en oppervlakken scannen en weergeven in de vorm van puntenwolken, die enorme hoeveelheden informatie vertegenwoordigen. Ieder punt staat niet alleen voor een coördinaat op de kaart, maar kan ook een classificatie hebben. Een punt op een muur is bijvoorbeeld anders dan een punt in een vloer. Het is zelfs mogelijk een totaal andere dimensie eraan te koppelen, zoals tijd, of attributen als stroomrichting en stroomsnelheid. Gezamenlijk levert dat enorme bergen data op. Zo vergt het pakweg een biljard punten om de kaart van Nederland nauwkeurig in 3D weer te geven. Hoe je de weg vindt in die brei van data, die verwijzen naar vele dimensies (nD)? De punten indelen op ‘Level of Importance’ is stap één. “Je moet een selectie maken, anders kan de computer het niet behappen”, legt Liu uit. “Een nD-PointCloud kan deze selectie vertalen naar een algemene representatie van ruimtelijke gegevens.”

Nauwkeuriger en sneller

Ordenen van data uit een puntenwolk gebeurt met een systeem voor databasemanagement. Punten worden daarin als file opgeslagen. Er is een buitengewoon goede index nodig – bijvoorbeeld een boomstructuur – om die miljarden punten te kunnen selecteren voor gebruik. Nadeel van databasemanagementsystemen is dat ze zijn ontwikkeld voor het oplossen van 2D of 3D problemen, niet voor multidisciplinaire (nD) gegevensindexering. Daarom zijn dynamische verschijnselen, zoals overstromingsprognoses, maar ook details uit datasets, er niet eenvoudig mee in kaart te brengen. “Met mijn nD-PointCloud oplossing kan dat wel, want deze is niet afhankelijk van een uniforme distributie van de punten”, vertelt Liu. “Een innovatief nD-histogram beschrijft waar de punten zich bevinden in de ruimte en zorgt ervoor dat de ruimte slimmer wordt ontleed. De nauwkeurigheid verbetert daardoor sterk.”

Naar zijn eigen schattingen gaat de innovatieve methode bovendien tien keer sneller.

Continuïteit

De innovatieve aanpak van Liu zorgt ook voor continuïteit in het ‘Level of Importance’. Dat is goed te zien bij inzoomen op één stukje van 3D kaart. De belangrijkste punten worden daarbij veel soepeler uit het geheel gelicht. Het gebeurt niet als een los blok, zoals bij bestaande oplossingen, maar als onderdeel van het geheel. Liu ontwikkelde er een speciaal selectie-algoritme voor.

Zijn innovatieve methode maakt het tenslotte ook mogelijk hele specifieke objecten uit een 3D kaart te lichten. Landmeetkundigen waren ook hier tot op heden aangewezen op het uitlichten van een rechthoek van punten. Uiteraard is dat een weinig accurate methode als het studieobject een kronkelende weg of rivier is. Een zogenoemde polytope-query kan een dergelijk object wel los bekijken. Deze maakt het ook eenvoudiger om andere perspectieven te bekijken of overstromingsrisico’s inzichtelijk te maken. “Het is niet langer noodzakelijk om punten één voor één te selecteren”, zegt Liu. “Ingewikkelde vragen kun je op die manier wel honderd keer zo snel oplossen.”

Dat kan niet alleen van pas komen bij complexe landschappelijke vraagstukken, maar ook bij de ontwikkeling van andere nieuwe it-oplossingen, zoals nieuwe 3D navigatiesystemen. Liu: “Hightech oplossingen, zoals cloud computing-platforms, kunnen de oplossing die we hebben gevonden een boost geven. Daardoor kunnen veel meer gebruikers gaan profiteren.”

Gepubliceerd: juni 2022

Meer informatie

Haicheng Liu

/* */