ALBERT

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2018 , 1. EINLEITUNG 1.1. Motivation 1.2. Zielsetzung 1.3. Wissenschaftlicher Beitrag 1.4. Gliederung der Arbeit 2. STAND DER WISSENSCHAFT 2.1. Klassifikation von Einzelbildern 2.2. Multitemporale Klassifikation 2.2.1. Steigerung der Klassifikationsgenauigkeit 2.2.2. Detektion von Veränderungen 2.3. Klassifikation von Bilddaten mit Zufallsfeldern 2.4. Zufallsfelder in der Fernerkundung 2.5. Diskussion 3. GRUNDLAGEN 3.1. Merkmale 3.1.1. Merkmalsextraktion 3.1.2. Merkmalsselektion 3.2. Graphische Modelle für die Bildanalyse 3.2.1. Grundlagen der Wahrscheinlichkeitstheorie 3.2.2. Graphische Modelle zur Modellierung von Wahrscheinlichkeiten 3.2.3. Markov Random Fields 3.2.4. Conditional Random Fields 3.2.5. Inferenz 3.3. Bewertungskriterien 4. CRF ZUR KLASSIFIKATION MULTITEMPORALER BILDDATEN UNTERSCHIEDLICHER AUFLÖSUNG 4.1. Multitemporale Klassifikation von Bildern identischer Auflösung 4.2. Multitemporale Klassifikation von Bildern unterschiedlicher Auflösung 4.3. Assoziationspotential 4.4. Räumliches Interaktionspotential 4.5. Zeitliches Interaktionspotential 5. EXPERIMENTELLE UNTERSUCHUNGEN 5.1. Strategie 5.2. Daten und Klassen 5.3. Merkmalsextraktion 5.4. Merkmalsselektion 5.5. Maximale Merkmalsskala für das Assoziationspotential 5.6. Parameter des räumlichen Interaktionspotentials 5.7. Evaluation der Klassifikationsgenauigkeit feiner Strukturen 5.8. Multitemporale Klassifikation von Fernerkundungsdaten mit einheitlicher Auflösung 5.9. Multitemporale Klassifikation von Daten unterschiedlicher Auflösung ohne Veränderungen der Landbedeckung 5.10. Multitemporale Klassifikation von Daten unterschiedlicher Auflösung mit Veränderungen der Landbedeckung 6. SCHLUSSBETRACHTUNG UND AUSBLICK 7. LITERATUR

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2019 , Inhaltverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis 1 Einführung 1.1 Anlass und Ziel der Arbeit 1.2 Überblick über den Stand der Forschung 1.3 Methodische Überlegung der Arbeit und Arbeitsschritte 2 Folgen der demografischen Entwicklung für die Grundschulen 2.1 Demografische Entwicklung in Deutschland 2.2 Auswirkung der demografischen Entwicklung auf den Bestand der Grundschulen in Niedersachsen 2.3 Folgerungen für die Arbeit 3 Auslastung der Grundschulen 3.1 Gesetzliche Rahmenbedingungen für die Auslastung der Schule 3.2 Literaturmeinung zur Definition der unterausgelasteten Schule 3.3 Definition der unterausgelasteten Schulen in dieser Arbeit 4 Einzugsbereiche der Grundschulen 4.1 Gesetzliche Rahmenbedingungen des Einzugsbereiches einer Grundschule 4.2 Literaturmeinung zur Ermittlung eines Einzugsbereiches einer Grundschule 4.3 Ermittlung des Einzugsbereiches einer Schule in der Arbeit 4.3.1 Zuordnung der Schüler eines Ortsteils 4.3.2 Varianten des Einzugsbereiches 4.3.3 Mehrere Schulen in einem Ortsteil 4.4 Gruppierung der Grundschulen 4.4.1 Kriterien der Gruppierung der Grundschulen 4.4.2 Überlappungen der Gruppen 5 Bewertung der Zuordnungen der Schüler zu der Schulen 5 .1 Bewertungsmethoden der Schulen 5.2 Bisherige Literaturmeinung zur Bewertung der Schulen 5.3 Nutzwertanalysen zu Zuordnungen der Schüler zu den Schulen einer Gruppe 5.3 .1 Demografische Kriterien 5.3.2 Ökonomische Kriterien 5.3.3 Ökologische Kriterien 5.3.4 Qualitative Kriterien eines Schulstandortes 6 Fallstudie Landkreis Holzminden 6.1 Landkreis Holzminden 6.2 Auslastungsquote der Grundschulen im Landkreis Holzminden 6.3 Einzugsbereiche der Schulen im Landkreis Holzminden 6.3.1 Grundschule Lauenförde 6.3.2 Grundschule Ottenstein 6.4 Optimale Gruppierungen von Grundschulen im Landkreis Holzminden 6.5 Nutzwerte der Aufteilungen der Schüler der Gruppen im Landkreis Holzminden 6.5.1 Demografische Nutzwertanalyse 6.5.2 Ökonomische Nutzwertanalyse 6.5.3 Ökologische Nutzwertanalyse 6.5.4 Qualitative Nutzwertanalyse 6.5.5 Diskussion des Gesamtergebnisses 6.6 Validierung der Ergebnisse durch Gegenüberstellung von amtlichen und neuen Einzugsbereichen 7 Fazit und Ausblick 8 Literaturverzeichnis Anhang 1 Anhang 1.1 Grundschule am Sollingtor Anhang 1.2 Grundschule Polle Anhang 1.3 Grundschulen Holzminden Stadt Anhang 1.4 Grundschule Hehlen Anhang 1.5 Grundschule Bevem Anhang 1.6 Grundschule Bodenwerder Anhang 1.7 Grundschule Neuhaus im Solling Anhang 1.8 Grundschule im Forstbachtal Anhang 1.9 Grundschule Kirchbrak Anhang 1.10 Grundschule am Nordsolling Deensen Anhang 1.11 Grundschule Hagentorschule Stadtoldendorf Anhang 1.12 Grundschule Eschershausen Anhang 1.13 Grundschule Delligsen Anhang 1.14 Grundschule Halle Anhang 1.15 Grundschule Grünenplan Anhang 2 Anhang 3 Sortierung der Ortsteile der Überlappungsgebiete Anhang 4 Anhang 4.1 Gruppe Hehlen - Kirchbrak - Halle - Bodenwerder Anhang 4.1.1 Demografische Nutzwertanalyse Anhang 4.1.2 Ökonomische Nutzwertanalyse Anhang 4.1.3 Ökologische Nutzwertanalyse Anhang 4.1.4 Qualitative Nutzwertanalyse Anhang 4.2 Gruppe Holzminden Stadt und Bevem Anhang 4.2.1 Demografische Nutzwertanalyse Anhang 4.2.2 Ökonomische Nutzwertanalyse Anhang 4.2.3 Ökologische Nutzwertanalyse Anhang 4.2.4 Qualitative Nutzwertanalyse Anhang 4.3. Gruppe Lauenförde, Boffzen und Neuhaus im Solling Anhang 4.3.1 Demografische Nutzwertanalyse Anhang 4.3.2 Ökonomische Nutzwertanalyse Anhang 4.3.3 Ökologische Nutzwertanalyse Anhang 4.3.4 Qualitative Nutzwertanalyse Anhang 4.4 Gruppe Polle und Ottenstein Anhang 4.4.1 Demografische Nutzwertanalyse Anhang 4.4.2 Ökonomische Nutzwertanalyse Anhang 4.4.3 Ökologische Nutzwertanalyse Anhang 4.4.4 Qualitative Nutzwertanalyse Anhang 4.5 Gruppe Delligsen und Grünenplan Anhang 4.5.1 Demografische Nutzwertanalyse Anhang 4.5.2 Ökonomische Nutzwertanalyse Anhang 4.5.3 Ökologische Nutzwertanalyse Anhang 4.5 .4 Qualitative Nutzwertanalyse

Note: 1 Einleitung 1.1 Motivation 1.2 Zielsetzung 1.3 Gliederung 2 Verwandte Arbeiten 2.1 Grundbegriffe 2.1.1 Raumbezogene Objekte 2.1.2 Ähnlichkeit 2.1.3 Relation 2.1.4 Schema 2.2 Data-Matching 2.2.1 Klassifikation von Zuordnungsverfahren auf Objektebene 2.2.2 Herausforderungen bei der Objektzuordnung 2.2.3 Ausgewählte, merkmalsbasierte Verfahren 2.2.4 Ausgewählte, relationale Verfahren 2.3 Schema-Matching 2.3.1 Klassifikation von Zuordnungsverfahren auf Schemaebene 2.3.2 Herausforderungen bei der Zuordnung auf Schemaebene 2.3.3 Ausgewählte Schema-Matching-Verfahren im geographischen Kontext 3 Grundlagen 3.1 Ähnlichkeitsmaße 3.1.1 Geometrische Ähnlichkeit 3.1.2 Topologische Ähnlichkeit 3.1.3 Semantische Ähnlichkeit 3.2 Relationstypen 3.2.1 Relationen auf Objektebene 3.2.2 Relationen auf Schemaebene 3.3 Graphentheorie 3.3.1 Graph-Definitionen 3.3.2 Graph-Matching 3.3.3 Graph-Partitionierung / Graph-Cut 3.4 Ganzzahlige lineare Programmierung 4 Entwicklung von Data-Matching-Verfahren für verschiedene Objektgeometrien 4.1 Zuordnung von Polygonobjekten 4.1.1 Geometrischer Parameter 4.1.2 Heterogenitätsparameter 4.1.3 Erzeugung eines kombinierten Ergebnisses für das Schema-Matching 4.2 Zuordnung von unterschiedlichen Objektgeometrien 5 Entwicklung von Schema-Matching-Verfahren basierend auf Instanzdaten 5.1 Formale Problemdefinition 5.1.1 Synthetisches Beispiel 5.2 Einfache Lösungsverfahren 5.2.1 Beschränkung auf 1:1-Zuordnungen (Max-Match) 5.2.2 Beschränkung auf zwei Cluster (Min-Cut) 5.3 Einsatz von Heuristiken 5.4 Einsatz der ganzzahligen linearen Programmierung 5.4.1 Optimierungsziele und Bedingungen 5.4.2 Kombination von Optimierungszielen 5.4.3 Einführung einer festen Clustergröße (MaxScoreHardConstraintFixedSize) 5.4.4 Optimale Lösung ohne Nullcluster (MaxScoreHardConstraintFixedSizeNonEmpty) 5.4.5 Vereinfachtes Programm (MaxScoreHardConstraintFixedSizeUnique) 6 Experimente mit Realdaten und Untersuchungsergebnisse 6.1 Datenquellen und Datenvorverarbeitung 6.1.1 Datenquellen 6.1.2 Testgebiete 6.1.3 Datenvorverarbeitung 6.2 Ergebnisse des Data-Matching 6.2.1 Testgebiet A: ALKIS OSM in Hannover 6.2.2 Testgebiet B: ALKIS ATKIS in Hameln 6.2.3 Testgebiet C: ATKIS GDF in Hannover-Wedemark 6.2.4 Zusammenfassung der Data-Matching-Ergebnisse 6.3 Ergebnisse des Schema-Matching 6.3.1 Testgebiet B: ALKIS ATKIS in Hameln 6.3.2 Testgebiet A: ALKIS OSM in Hannover 6.3.3 Testgebiet C: ATKIS GDF in Hannover-Wedemark 6.3.4 Zusammenfassung aller Schema-Matching-Ergebnisse 7 Zusammenfassung und Ausblick , Kurzfassungen in Deutscher und Englischer Sprache

Note: Enthalten: GeoVisual Analytics / Doris Dransch, Mike Sips und Andrea Unger (S. 21-44)

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2017 , Contents 1 Introduction 1.1 Motivation, research questions and overview 1.1.1 Rainfall estimation at high spatial and temporal resolution 1.1.2 Precipitation estimation with cars 1.1.3 Motion estimation from in-situ sensor data 1.2 Outline 2 Basics 2.1 Precipitation 2.1.1 Resolution, accuracy and precision of precipitation measurements 2.1.2 In-situ point measurements of precipitation by rain gauges 2.1.3 Weather radar 2.2 Wireless Sensor Networks 2.2.1 Modeling sensor networks 2.2.2 Sensor network algorithms and protocols 2.3 Statistics 2.3.1 Basics and notation 2.3.2 Regression 2.3.3 Stochastic processes 2.3.4 Stochastic filtering and the Kalman filter 2.3.5 Geostatistics 2.4 Interpolation methods 2.4.1 Inverse-Distance-Weighted 2.4.2 Ordinary kriging 2.4.3 Regression kriging 2.4.4 Cross-validation for performance assessment 2.5 Optical flow 2.5.1 Optical flow intensity conservation 2.5.2 Gradient-based optical flow 2.5.3 Probabilistic optical flow 3 Related Work 3.1 Quantitative precipitation estimation from rain gauges, weather radar and other data sources 3.1.1 Precipitation estimation with weather radar 3.1.2 Precipitation estimation by interpolation of rain gauges measurements 3.1.3 Geostatistical merging of radar and rain gauge data 3.1.4 Motion-based methods used in nowcasting 3.1.5 New data sources for precipitation estimation 3.2 Decentralized estimation with geosensor networks 3.2.1 Estimation of spatio-temporal field properties with GSN 3.2.2 Object-tracking with GSN 4 Methodology for precipitation intensity estimation at 1-min resolution 4.1 Time-window approach for estimation 4.1.1 Estimation of field motion 4.1.2 Weather radar upsampling 4.1.3 Variogram estimation 4.2 Estimation methods 4.2.1 Spatial rain gauge interpolation methods 4.2.2 Space-time symmetric rain gauge interpolation method 4.2.3 Space-time asymmetric rain gauge interpolation methods 4.2.4 Radar-rain gauge merging methods 4.2.5 Estimation methods solely based on radar 4.3 Summary 5 Methodology for precipitation intensity estimation with car sensors 5.1 Car sensors 5.1.1 Wiper Frequency Sensor 5.1.2 Xanonex optical sensor 5.1.3 Other sensors investigated 5.1.4 Experimental setup and preprocessing 5.2 Theoretical considerations for the calibration of the W-R relationship in the field . 5.3 Dependency between car speed, windscreen angle and sensor readings 5.3.1 Manually-operated windscreen wipers 5.3.2 Automatically-operated windscreen wipers 5.3.3 Xanonex optical sensor 5.4 Summary 6 Methodology for motion estimation with a geosensor network 6.1 Algorithm overview 6.2 Network and field model 6.3 Gradient constraint estimation in the network 6.3.1 Gradient constraint estimation from irregular data 6.3.2 Requirements on node stationarity and sampling synchronicity 6.3.3 Estimation of partial derivative error 6.3.4 Gradient constraint selection and derivation of gradient constraint error 6.4 Temporal coherence: Kalman filter for recursive motion estimation 6.4.1 Estimation of process noise Q 6.4.2 Estimation of measurement noise R 6.4.3 Difference to common Kalman filtering problems 6.5 Algorithm protocol 6.6 Algorithm complexity 6.6.1 Communication complexity 6.6.2 Load balance 6.6.3 Computational complexity of partial derivative estimation 6.6.4 Computational complexity of motion estimation 6.7 Summary 7 Results 7.1 Precipitation intensity estimation at 1-min resolution 7.1.1 Study area and data basis 7.1.2 Performance assessment via cross-validation 7.1.3 Exploratory and visual data analysis 7.1.4 Radar estimation and rain gauge cross-validation results 7.1.5 Summary 7.2 Precipitation intensity estimation with cars 7.2.1 Study area and data basis 7.2.2 Selection of the reference method 7.2.3 Manually-operated windscreen wipers 7.2.4 Automatically-operated windscreen wipers 7.2.5 Xanonex optical rain sensor 7.2.6 Results of experiments on the VW rain track 7.2.7 Summary 7.3 Motion estimation with a geosensor network 7.3.1 Study Area, sensor network and deployment strategies 7.3.2 Error measures 7.3.3 Setting the filter parameters 7.3.4 Results - simulated field 7.3.5 Results - radar field 7.3.6 Summary 8 Summary and discussion of the research hypotheses 8.1 Discussion of research hypotheses 1 and 2: 1-min precipitation intensity estimation 8.2 Discussion of research hypothesis 3: precipitation estimation with cars 8.3 Discussion of research hypothesis 4: decentralized motion estimation 8.4 Outlook 9 Appendix 9.1 Discussion on the 'frozen field' distance function 9.2 Executable Kalman filter equations for the motion estimation algorithm 9.3 Controllability and Observability of the Kalman filter for motion estimation List of Figures List of Tables References

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2018 , 1 Einleitung 1.1 Hintergrund und Problemstellung 1.2 Ziel der Arbeit 1.2.1 Problemstellung: Erfassung von Trajektorien 1.2.2 Problemstellung: Erkennung von Bewegungsmustern in Trajektorien 1.3 Gliederung 2 Grundlagen 2.1 Modellierung von Objektbewegungen 2.2 Erfassung von Trajektorien 2.2.1 GNSS-Tracking 2.2.2 Videobasiertes Tracking 2.2.3 Vergleich des GNSS- und videobasierten Trackings 2.2.4 Weitere Tracking-Verfahren 2.2.5 Probabilistische Modellierung 2.2.6 Viterbi-Algorithmus 2.3 Erkennung von Bewegungsmustern 2.3.1 Data Mining 2.3.2 Filterung und Glättung 2.3.3 Segmentierung 2.3.4 Distanzmaße zur Bestimmung der Ähnlichkeit von Trajektorien 2.3.5 Maschinelles Lernen im Kontext raum-zeitlicher Daten 2.3.6 Sequenzmustererkennung 2.4 Dynamische Programmierung 2.5 Unterschiedliche Varianten der Datenverarbeitung 2.5.1 Zentrale und dezentrale Verarbeitung 2.5.2 Informationsaustausch 3 Stand der Forschung und verwandte Arbeiten 3.1 Erfassung von Trajektorien 3.1.1 Objektdetektion 3.1.2 Objekt-Tracking 3.1.3 Fusion heterogener Detektionen 3.1.4 Kommerzielle Systeme 3.1.5 Diskussion und Fazit 3.2 Mustererkennung in Trajektorien 3.2.1 Erkennung von wiederkehrenden unbekannten Mustern 3.2.2 Diskussion und Fazit 4 Erfassung von Trajektorien - GPS-unterstütztes Kamera-Tracking 4.1 Überblick über den Lösungsansatz 4.2 Sensoren und Eingangsdaten 4.2.1 GPS-Daten 4.2.2 Kameradaten 4.3 Vorverarbeitung 4.4 Fusion der heterogenen Daten 4.4.1 Detektionsbasierte Modellierung 4.4.2 Rasterbasierte Modellierung 4.4.3 Generierung der Trajektorien 4.5 Laufzeit des Algorithmus 4.6 System design 5 Mustererkennung in Trajektorien 5.1 Definition von Bewegungsmustern 5.2 Überblick über das entwickelte Mustererkennungsverfahren 5.3 Trajektorien als Datengrundlage 5.4 Vorverarbeitung 5.4.1 Datenbereinigung 5.4.2 Datenselektion 5.4.3 Datenintegration und Transformation 5.5 Mustererkennung: Clustering-basierter Ansatz 5.5.1 Segmentierung der Trajektorien 5.5.2 Clustering der Trajektorien 5.6 Mustererkennung: Sequenzbasierter Ansatz 5.6.1 Eingangsdaten 5.6.2 Generierung der Sequenzen aus Bewegungen 5.6.3 Bestimmung des Alphabets 5.6.4 Identifikation wiederkehrender Teilsequenzen 5.6.5 Rücktransformation zu Trajektorien 5.7 Laufzeit des Algorithmus 6 Experimente und Evaluation der Erfassung der Trajektorien 6.1 Verwendete Software 6.2 Verwendete Sensoren 6.3 Korrektheit der Zuordnungen 6.3.1 Experiment: 2 Personen 6.3.2 Experiment: Fußballanalyse 6.4 Geometrische Genauigkeit der Trajektorien 6.5 Laufzeit 6.6 Fazit 7 Experimente und Evaluation der Mustererkennung 7.1 Verwendete Software 7.2 Ergebnisverifikation 7.3 Interessantheitsmaß für Bewegungsmuster 7.4 Parameterstudien 7.4.1 Eingabeparameter 7.4.2 Datendichte 7.4.3 Invarianzen 7.5 Experimente auf realen Datensätzen 7.5.1 Beschreibung der Datensätze und Experimente 7.5.2 Experiment 1 - ACM DEBS 2013-Datensatz 7.5.3 Experiment 2 - GPS-Fußball-Datensatz 7.5.4 Experiment 3 - MapConstruction.org 7.5.5 Experiment 4 - Mantelpaviane 8 Zusammenfassung und Ausblick 8.1 Zusammenfassung 8.2 Ausblick Abbildungsverzeichnis Tabellenverzeichnis Literaturverzeichnis Lebenslauf Danksagung