Detailergebnis zu DOK-Nr. 79914
Automatische Kurvenidentifizierung für große Gebiete anhand der Mittelleitlinien von Straßen im geografischen Informationssystem (Orig. engl.: Automatic horizontal curve identification for large areas from geographic information system roadway centerlines)
| Autoren |
I. Bejleri X. Xu D. Brown S. Srinivasan N. Agarwal |
|---|---|
| Sachgebiete |
0.11 Datenverarbeitung 1.5 Straßendatenbank 5.10 Entwurf und Trassierung |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2675, H. 12, 2021, S. 1088-1105, 16 B, 1 T, 34 Q. - Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
Die Geometrie von Straßenkurven ist für verschiedene Disziplinen von entscheidender Bedeutung, insbesondere für die Verkehrssicherheit, da sie stark mit Verkehrsunfällen korreliert. Bemerkenswerterweise enthalten herkömmliche GIS-Straßenmittellinien, obwohl sie in aktuellen Geodatenbanken grundlegend und allgegenwärtig sind, keine Kurvenverzeichnisse. In der Studie wird eine verbesserte Methode zur automatischen Kurvenerkennung vorgestellt, die GIS-Straßenmittelstreckennetze als Datenquelle verwendet. Durch die Analyse jedes Scheitelpunkts der Netzgeometrie identifiziert diese Methode die Kurven durch die Erkennung von Abweichungen von geraden Linien unter Verwendung eines Schwellenwerts für den Scheitelpunkt-Abweichungswinkel. Im Gegensatz zur Literatur, die einen statischen Schwellenwert verwendet, entwickelt diese Methode einen dynamischen Schwellenwert und wendet ihn an, indem sie zwei Variablen berücksichtigt: die Fahrbahngeschwindigkeit und die Scheiteldichte der Mittellinie. Die Methode ist in der Lage, sich mithilfe des sogenannten "k-means clustering" selbst anzupassen, um eine ungleichmäßige Digitalisierung der Mittellinie zu kompensieren. Die Methode kann auch spiralförmige Übergänge erkennen und ist in der Lage, die Komplexität von Straßennetzen mit zwei Mittellinien zu bewältigen. Die Prüfung und Validierung der Methode erfolgte an einem großen Datensatz durch Anwendung einer Kombination aus Anpassungsmetrik und visueller Prüfung. Die Ergebnisse zeigen, dass diese Methode die Genauigkeit der Kurvenidentifizierung verbessert und eine breitere Anwendbarkeit für die Kurvenidentifizierung unter Verwendung von GIS-Mittellinien verschiedener Darstellungen und Digitalisierungsqualität in großen Gebieten bietet.