In the past decade efforts to develop spatial data infrastructures (SDIs) have migrated from the initial “top-down” national approaches to “bottom-up” and cross jurisdictional efforts at the sub-national level. Although national SDI developments are fundamental to building the SDI culture and policy, it is sub-national and local SDI development that will deliver the immediate benefits to citizens and the community. In countries which have highly decentralised federations of states such as Australia, United States and Canada, the challenge is how to co-ordinate the literally thousands of often small local government jurisdictions which are important contributors to state and local SDIs. In recent years, a number of co-operative spatial data sharing partnerships between local and state government have emerged in various countries around the world. These partnerships are relatively new initiatives that have been established to facilitate more effective sharing of spatial data between organisations, but also as a mechanism to contribute to SDI development. To maximise the benefits from these partnerships it is essential to understand the factors that contribute to their successful operation and sustainability. Therefore, the focus of this research is to understand these collaborative arrangements so that future data sharing initiatives can be improved and sustained.

Straßen-Knoten-Netze als modelliertes Abbild der Straßeninfrastruktur bilden die Grundlage für eine Vielzahl von Diensten und Anwendungen. Die Verortung von Fahrzeugen, aber auch die Verkehrsumlegung, basieren darauf. Die Ermittlung optimaler Routen und die Visualisierung der Verkehrslage werden ermöglicht. Die resultierenden Anforderungen an das Netzabbild sind vielfältig und deren Bewältigung mit nicht unerheblichem Aufwand verbunden. Kernpunkte sind Genauigkeit, Aktualität und Flächendeckung. Ferner werden geringe Kosten bei dessen Erstellung angestrebt. Als Ergänzung zu manueller Digitalisierung und der Erfassung durch Messfahrzeuge mit hochpräziser Ortung stellt die Nutzbarmachung von Mehrwerten aus Floating Car Systemen einen viel versprechenden Ansatz dar. Vorgestellt wird ein Verfahren, welches mittels eines vektorbasierten Ansatzes Straßen-Knoten-Netze aus Floating Car Daten ermittelt. / Node-edge-networks representing road infrastructure are base for various applications and services. Georeferencing of vehicles as well as traffic assignment are based on. Routing and traffic conditions visualisation become possible. Requirements concerning precision, topicality and area coverage of road network image are caused by. Low costs are aspired as well. Utilisation of additional benefits from floating car systems is a promising approach, supplementing common technologies like manual digitalisation or capturing road trajectories by special equipped probe vehicle. A vector based method aggregating positions information of floating car to process road infrastructure images will be presented.

Straßen-Knoten-Netze als modelliertes Abbild der Straßeninfrastruktur bilden die Grundlage für eine Vielzahl von Diensten und Anwendungen. Die Verortung von Fahrzeugen, aber auch die Verkehrsumlegung, basieren darauf. Die Ermittlung optimaler Routen und die Visualisierung der Verkehrslage werden ermöglicht. Die resultierenden Anforderungen an das Netzabbild sind vielfältig und deren Bewältigung mit nicht unerheblichem Aufwand verbunden. Kernpunkte sind Genauigkeit, Aktualität und Flächendeckung. Ferner werden geringe Kosten bei dessen Erstellung angestrebt. Als Ergänzung zu manueller Digitalisierung und der Erfassung durch Messfahrzeuge mit hochpräziser Ortung stellt die Nutzbarmachung von Mehrwerten aus Floating Car Systemen einen viel versprechenden Ansatz dar. Vorgestellt wird ein Verfahren, welches mittels eines vektorbasierten Ansatzes Straßen-Knoten-Netze aus Floating Car Daten ermittelt. / Node-edge-networks representing road infrastructure are base for various applications and services. Georeferencing of vehicles as well as traffic assignment are based on. Routing and traffic conditions visualisation become possible. Requirements concerning precision, topicality and area coverage of road network image are caused by. Low costs are aspired as well. Utilisation of additional benefits from floating car systems is a promising approach, supplementing common technologies like manual digitalisation or capturing road trajectories by special equipped probe vehicle. A vector based method aggregating positions information of floating car to process road infrastructure images will be presented.