Visualisierung unsicherer Felder
Zusammenfassung
Fast alle Daten, die wir visualisieren wollen, sind in gewisser Art und Weise mit Unsicherheit behaftet, z.B. durch ungenaue Messverfahren oder Unsicherheiten in der Datenerhebung. Deshalb ist es wichtig zu wissen, wie groß diese Unsicherheit ist und wo genau sie in den Daten vorkommt. Andernfalls würden wir es riskieren, Entscheidungen zu treffen, welche auf Daten basieren, auf die wir uns eigentlich nicht verlassen können. Deswegen ist es wichtig unser Wissen über die Unsicherheit in unsere Visualisierung zu integrieren.
Wir verfolgen zur Zeit 2 Ansätze zur Visualisierung von Unsicherheiten.
- Der Diskrete Ansatz
- Der Kontinuierliche Ansatz
Statt der klassischen Berechnung von Stromlinien einzelner Partikel berechnen wir Partikelverteilungen. Die Flow Map wird in einer sogenannten Übergangsmatrix (Stichwort: zeitdiskrete Markov Ketten) gespeichert. Diese Übergangsmatrix wird dann zur Visualisierung der stationären Zustände von Partikelverteilungen im Feld genutzt (z.B. mittels einer Colormap).
Ein großes Problem bei gridbasierten unsicheren Daten stellt die Interpolation dieser Daten dar. Es stellt sich die Frage, wie können wir die unsicheren Werte zwischen den Gitterpositionen "am besten" schätzen. Wenn wir von einem normalverteilten Fehler der Daten ausgehen, bieten die sogenannten Gaußprozesse eine Möglichkeit zur Lösung dieser Frage. Durch ihre fundierte mathematische Basis ermöglichen sie es uns, etablierte Visualisierungsalgorithmen (welche auf Interpolation basieren) mit wenig Änderungen auf unsicheren Daten anzuwenden.
Assistenten: |
Publikationen:
- Analysis of Streamline Separation at Infinity Using Time-Discrete Markov Chains, 2012
- On the Interpolation of Data with Normally Distributed Uncertainty for Visualization, 2012