anpassung ellipsoide und so

Berechnungen.py

@@ -393,7 +393,7 @@ class ENU:
     """
 
     @staticmethod
-    def berechne_schwerpunkt_fuer_enu(berechnungen, dict_xyz: dict) -> tuple:
+    def berechne_schwerpunkt_fuer_enu(berechnungen: Any, dict_xyz: dict) -> tuple:
         """
         Berechnet die ENU-Referenz (B0, L0) aus dem Schwerpunkt gegebener XYZ-Koordinaten.
 
@@ -413,7 +413,7 @@ class ENU:
 
 
     @staticmethod
-    def berechne_R0_ENU(berechnungen, B: float, L:float) -> np.ndarray:
+    def berechne_R0_ENU(berechnungen: Any, B: float, L:float) -> np.ndarray:
         """
         Erzeugt die 3×3-Rotationsmatrix R0 für die Transformation von XYZ nach ENU.
 

Netzqualitaet_Genauigkeit.py

@@ -13,11 +13,12 @@ class Genauigkeitsmaße:
 
         Die Klasse stellt Methoden zur Verfügung für:
 
-        - Berechnung der a-posteriori Standardabweichung der Gewichtseinheit σ̂₀
+        - Berechnung der a posteriori Standardabweichung der Gewichtseinheit σ̂₀
         - Berechnung des Helmertschen Punktfehlers (2D/3D),
-        - Berechnung der Standardellipse (Helmertschen Fehlerellipse),
+        - Berechnung der Standardellipsoide,
-        - Berechnung der Konfidenzellipse auf Basis eines Konfidenzniveaus (alpha) mit Skalierung über die F-Verteilung,
+        - Berechnung der Konfidenzellipsoide auf Basis eines Konfidenzniveaus (alpha) mit Skalierung über die F-Verteilung,
-        - Berechnung von Konfidenzellipsen im lokalen ENU-System durch Transformation von Qxx → Qxx_ENU,
+        - Berechnung der Konfidenzellipsen auf Basis eines Konfidenzniveaus (alpha) mit Skalierung über die F-Verteilung,
+        - Berechnung von Konfidenzellipsen im lokalen ENU-System durch Transformation von Qxx zu Qxx_ENU,
           inkl. Ausgabe/Export tabellarischer Ergebnisse.
         """
 
@@ -27,7 +28,7 @@ class Genauigkeitsmaße:
         """
         Berechnet die a-posteriori Standardabweichung der Gewichtseinheit σ̂₀.
 
-        Die a-posteriori Standardabweichung dient als Qualitätsmaß für die
+        Die a posteriori Standardabweichung dient als Qualitätsmaß für die
         Ausgleichung nach der Methode der kleinsten Quadrate. Dabei beschreibt
         r die Redundanz (Freiheitsgrade).
 
@@ -55,7 +56,7 @@ class Genauigkeitsmaße:
         Berechnet den Helmertschen Punktfehler (2D/3D) anhand der Standardabweichungen der Koordinaten der Punkte.
 
         Aus der Kofaktor-Matrix der Unbekannten Qxx werden die Kofaktoren punktweise ausgelesen. Durch Multiplikation
-        mit der a-posteriori Standardabweichung der Gewichtseinheit σ̂₀ werden die Standardabweichungen je Koordinate
+        mit der a posteriori Standardabweichung der Gewichtseinheit σ̂₀ werden die Standardabweichungen je Koordinate
         (σx, σy, σz) sowie der Helmert'sche Punktfehler σP berechnet:
 
         Die Punktzuordnung erfolgt über die Symbolnamen der Unbekanntenliste.
@@ -108,7 +109,7 @@ class Genauigkeitsmaße:
                 continue
         helmert_punktfehler = pd.DataFrame(daten, columns=["Punkt", "σ̂x", "σ̂y", "σ̂z", f"σ̂P_{dim}D"])
         mittel_sP = helmert_punktfehler[f"σ̂P_{dim}D"].mean()
-        print(f"Mittlerer Helmert-Punktfehler über alle Punkte: {mittel_sP:.4f} [m]")
+        print(f"Mittlerer Helmert-Punktfehler über alle Punkte: {mittel_sP:.6f} [m]")
         display(HTML(helmert_punktfehler.to_html(index=False)))
         helmert_punktfehler.to_excel(r"Netzqualitaet\Standardabweichungen_Helmertscher_Punktfehler.xlsx",index=False)
         return helmert_punktfehler
@@ -118,7 +119,7 @@ class Genauigkeitsmaße:
     @staticmethod
     def standardellipsoid(Qxx: np.ndarray, sigma0_apost: float, unbekannten_liste: list) -> pd.DataFrame:
         """
-        Berechnet Achsenlängen des Fehlerellipsoids (a, b, c) sowie den 2D-Richtungswinkel θ aus Qxx und σ̂₀ a posteriori.
+        Berechnet das Standardellipsoid aus Qxx und σ̂₀ a posteriori.
 
         Für jeden Punkt wird aus der Kofaktor-Matrix der Unbekannten Qxx die 3×3-Submatrix
         der Koordinaten (X, Y, Z) gebildet. Daraus werden zunächst die Standardabweichungen
@@ -129,8 +130,9 @@ class Genauigkeitsmaße:
         - Halbachse b aus dem mittleren Eigenwert,
         - Halbachse c aus dem kleinsten Eigenwert.
 
-        Zusätzlich wird zur zweidimensionalen Darstellung ein Richtungswinkel θ in der X/Y-Ebene
+        Die Orientierung des Ellipsoids im Raum wird über die zugehörigen Eigenvektoren bestimmt.
-        aus den Kovarianzanteilen (qxx, qyy, qyx) berechnet (Winkel in gon).
+        Aus der Modalmatrix M, bestehend aus den sortierten Eigenvektoren, werden die drei Eulerwinkel α, β und γ
+        berechnet.
 
         Die Punktzuordnung erfolgt über die Symbolnamen der Unbekanntenliste.
         Die Ergebnisse werden tabellarisch ausgegeben und in eine Excel-Datei exportiert.
@@ -141,7 +143,7 @@ class Genauigkeitsmaße:
         :type sigma0_apost: float
         :param unbekannten_liste: Liste der Unbekannten.
         :type unbekannten_liste: list
-        :return: Tabelle mit Standardabweichungen (σx, σy, σz), Ellipsoid-Halbachsen (a, b, c) und Richtungswinkel θ je Punkt.
+        :return: Tabelle mit Standardabweichungen, Ellipsoid-Halbachsen, Eulerwinkel.
         :rtype: pandas.DataFrame
         """
 
@@ -170,35 +172,44 @@ class Genauigkeitsmaße:
 
                 # Eigenwertzerlegung
                 eigenwerte, eigenvektoren = np.linalg.eigh(Q_sub)
-                eigenwerte = np.sort(eigenwerte)[::-1]
+                reihenfolge = np.argsort(eigenwerte)[::-1]
+                eigenwerte = eigenwerte[reihenfolge]
+                eigenwerte = np.clip(eigenwerte, 0.0, None)
+                M = eigenvektoren[:, reihenfolge]
+                if np.linalg.det(M) < 0:
+                    M[:, 2] *= -1
 
-                # Halbachsen
+                # Halbachsen des Standardellipsoids
                 s_a = sigma0_apost * np.sqrt(eigenwerte[0])  # Große Halbachse a
                 s_b = sigma0_apost * np.sqrt(eigenwerte[1])  # Mittlere Halbachse b
                 s_c = sigma0_apost * np.sqrt(eigenwerte[2])  # Kleine Halbachse c
 
-                # Richtungswinkel theta in gon:
+                # Eulerwinkel aus M
-                qyx = Q_sub[1, 0]
+                beta = np.arcsin(-M[2, 0])
-                qxx = Q_sub[0, 0]
+                alpha = np.arctan2(M[2, 1], M[2, 2])
-                qyy = Q_sub[1, 1]
+                gamma = np.arctan2(M[1, 0], M[0, 0])
-                t_gon = 0.5 * np.arctan2(2 * qyx, qxx - qyy) * (200 / np.pi)
+                alpha_gon = (alpha * 200 / np.pi)% 400.0
-                if t_gon < 0:
+                beta_gon = (beta * 200 / np.pi)% 400.0
-                    t_gon += 200
+                gamma_gon = (gamma * 200 / np.pi)% 400.0
 
                 daten.append([
-                    pid, float(sx), float(sy), float(sz),
+                    pid,
-                    float(s_a), float(s_b), float(s_c), float(t_gon)
+                    float(sx), float(sy), float(sz),
+                    float(s_a), float(s_b), float(s_c),
+                    float(alpha_gon), float(beta_gon), float(gamma_gon)
                 ])
             except:
                 continue
-        standardellipsoid = pd.DataFrame(daten, columns=["Punkt", "σ̂x [m]", "σ̂y [m]", "σ̂z [m]", "Halbachse a [m]", "Halbachse b [m]", "Halbachse c [m]", "θ [gon]"])
+        standardellipsoid = pd.DataFrame(daten, columns=["Punkt", "σ̂x [m]", "σ̂y [m]", "σ̂z [m]", "Halbachse a [m]", "Halbachse b [m]", "Halbachse c [m]", "α [gon]", "β [gon]", "γ [gon]"])
-        standardellipsoid["σ̂x [m]"] = standardellipsoid["σ̂x [m]"].astype(float).round(4)
+        standardellipsoid["σ̂x [m]"] = standardellipsoid["σ̂x [m]"].astype(float).round(6)
-        standardellipsoid["σ̂y [m]"] = standardellipsoid["σ̂y [m]"].astype(float).round(4)
+        standardellipsoid["σ̂y [m]"] = standardellipsoid["σ̂y [m]"].astype(float).round(6)
-        standardellipsoid["σ̂z [m]"] = standardellipsoid["σ̂z [m]"].astype(float).round(4)
+        standardellipsoid["σ̂z [m]"] = standardellipsoid["σ̂z [m]"].astype(float).round(6)
-        standardellipsoid["Halbachse a [m]"] = standardellipsoid["Halbachse a [m]"].astype(float).round(4)
+        standardellipsoid["Halbachse a [m]"] = standardellipsoid["Halbachse a [m]"].astype(float).round(6)
-        standardellipsoid["Halbachse b [m]"] = standardellipsoid["Halbachse b [m]"].astype(float).round(4)
+        standardellipsoid["Halbachse b [m]"] = standardellipsoid["Halbachse b [m]"].astype(float).round(6)
-        standardellipsoid["Halbachse c [m]"] = standardellipsoid["Halbachse c [m]"].astype(float).round(4)
+        standardellipsoid["Halbachse c [m]"] = standardellipsoid["Halbachse c [m]"].astype(float).round(6)
-        standardellipsoid["θ [gon]"] = standardellipsoid["θ [gon]"].astype(float).round(3)
+        standardellipsoid["α [gon]"] = standardellipsoid["α [gon]"].astype(float).round(3)
+        standardellipsoid["β [gon]"] = standardellipsoid["β [gon]"].astype(float).round(3)
+        standardellipsoid["γ [gon]"] = standardellipsoid["γ [gon]"].astype(float).round(3)
         display(HTML(standardellipsoid.to_html(index=False)))
         standardellipsoid.to_excel(r"Netzqualitaet\Standardellipsoid.xlsx", index=False)
         return standardellipsoid
@@ -206,29 +217,30 @@ class Genauigkeitsmaße:
 
 
     @staticmethod
-    def konfidenzellipsoid(Qxx: np.ndarray, sigma0_apost: float, unbekannten_liste: list, R: int, ausgabe_erfolgt: bool) -> tuple[pd.DataFrame, float]:
+    def konfidenzellipsoid(Qxx: np.ndarray, sigma0_apost: float, unbekannten_liste: list, R: int) -> tuple[pd.DataFrame, float]:
         """
-        Berechnet die Konfidenzellipsoid für Punkte aus Qxx und einem Konfidenzniveau.
+        Berechnet das Konfidenzellipsoid aus Qxx, σ̂₀ a posteriori und einem Konfidenzniveau.
 
-        Auf Basis der Kovarianz-Matrix der Unbekannten Qxx und der a-posteriori
+        Auf Basis der Kovarianz-Matrix der Unbekannten Qxx und der a posteriori
         Standardabweichung der Gewichtseinheit σ̂₀ werden für jeden Punkt die Parameter
         des Konfidenzellipsoids berechnet. Das Konfidenzniveau wird mittels einer Eingabe
-        über alpha festgelegt (Standard: 0.05 für 95%).
+        über alpha festgelegt.
 
-        Für jeden Punkt wird die 3×3-Submatrix der Koordinaten (X, Y, Z) aus Qxx gebildet.
+        Für jeden Punkt wird die 3×3-Submatrix der Koordinaten aus Qxx gebildet.
         Über eine Eigenwertzerlegung dieser Submatrix werden die drei Hauptachsen des
-        Fehlerellipsoids bestimmt. Die Halbachsen des Konfidenzellipsoids ergeben sich aus:
+        Ellipsoids bestimmt. Die Halbachsen des Konfidenzellipsoids ergeben sich aus:
 
         - Aₖ: große Halbachse des Konfidenzellipsoids,
         - Bₖ: mittlere Halbachse des Konfidenzellipsoids,
         - Cₖ: kleine Halbachse des Konfidenzellipsoids,
 
-        unter Verwendung eines Faktors aus der F-Verteilung in Abhängigkeit vom
+        unter Verwendung eines Faktors aus der F-Verteilung in Abhängigkeit vom Konfidenzniveau und den Freiheitsgraden.
-        Konfidenzniveau und den Freiheitsgraden.
+        Die Orientierung des Ellipsoids im Raum wird über die zugehörigen Eigenvektoren bestimmt.
+        Aus der Modalmatrix M, bestehend aus den sortierten Eigenvektoren, werden die drei Eulerwinkel α, β und γ
+        berechnet.
 
         Die Punktzuordnung erfolgt über die Symbolnamen der Unbekanntenliste.
-        Optional wird die Tabelle ausgegeben und als Excel-Datei exportiert, abhängig von
+        Optional wird die Tabelle ausgegeben und als Excel-Datei exportiert.
-        ausgabe_erfolgt.
 
         :param Qxx: Kofaktor-Matrix der geschätzten Unbekannten.
         :type Qxx: np.ndarray
@@ -238,8 +250,6 @@ class Genauigkeitsmaße:
         :type unbekannten_liste: list
         :param R: Redundanz (Freiheitsgrade) für die F-Verteilung.
         :type R: int
-        :param ausgabe_erfolgt: Steuert, ob eine Ausgabe/Dateischreibung erfolgen soll (False = Ausgabe).
-        :type ausgabe_erfolgt: bool
         :return: Tabelle der Konfidenzellipse je Punkt, verwendetes alpha.
         :rtype: tuple[pandas.DataFrame, float]
         """
@@ -274,36 +284,137 @@ class Genauigkeitsmaße:
 
                 # Eigenwertzerlegung
                 eigenwerte, eigenvektoren = np.linalg.eigh(Q_sub)
-                eigenwerte = np.sort(eigenwerte)[::-1]
+                order = np.argsort(eigenwerte)[::-1]
+                eigenwerte = eigenwerte[order]
+                eigenwerte = np.clip(eigenwerte, 0.0, None)
+                M = eigenvektoren[:, order]
+                if np.linalg.det(M) < 0:
+                    M[:, 2] *= -1
 
                 # Halbachsen des Konfidenzellipoid
                 A_K = k * sigma0_apost * np.sqrt(eigenwerte[0])
                 B_K = k * sigma0_apost * np.sqrt(eigenwerte[1])
                 C_K = k * sigma0_apost * np.sqrt(eigenwerte[2])
 
-                # Richtungswinkel theta in gon:
+                # Eulerwinkel aus M
-                qyx = Q_sub[1, 0]
+                beta = np.arcsin(-M[2, 0])
-                qxx = Q_sub[0, 0]
+                alpha_ = np.arctan2(M[2, 1], M[2, 2])
-                qyy = Q_sub[1, 1]
+                gamma = np.arctan2(M[1, 0], M[0, 0])
-                t_gon = 0.5 * np.arctan2(2 * qyx, qxx - qyy) * (200 / np.pi)
+
-                if t_gon < 0:
+                alpha_gon = (alpha_ * 200.0 / np.pi) % 400.0
-                    t_gon += 200
+                beta_gon = (beta * 200.0 / np.pi) % 400.0
+                gamma_gon = (gamma * 200.0 / np.pi) % 400.0
 
                 daten.append([
-                    pid, float(sx), float(sy), float(sz),
+                    pid,
-                    float(A_K), float(B_K), float(C_K), float(t_gon)
+                    float(sx), float(sy), float(sz),
+                    float(A_K), float(B_K), float(C_K),
+                    float(alpha_gon), float(beta_gon), float(gamma_gon)
                 ])
 
             except:
                 continue
 
-        konfidenzellipoid = pd.DataFrame(daten, columns=["Punkt", "σ̂x [m]", "σ̂y [m]", "σ̂z [m]", "Halbachse a_k [m]", "Halbachse b_k [m]", "Halbachse c_k [m]", "θ [gon]"])
+        konfidenzellipoid = pd.DataFrame(daten, columns=["Punkt", "σ̂x [m]", "σ̂y [m]", "σ̂z [m]", "Halbachse a_k [m]", "Halbachse b_k [m]", "Halbachse c_k [m]", "α [gon]", "β [gon]", "γ [gon]"])
-        if ausgabe_erfolgt == False:
+        konfidenzellipoid["σ̂x [m]"] = konfidenzellipoid["σ̂x [m]"].astype(float).round(6)
+        konfidenzellipoid["σ̂y [m]"] = konfidenzellipoid["σ̂y [m]"].astype(float).round(6)
+        konfidenzellipoid["σ̂z [m]"] = konfidenzellipoid["σ̂z [m]"].astype(float).round(6)
+        konfidenzellipoid["Halbachse a_k [m]"] = konfidenzellipoid["Halbachse a_k [m]"].astype(float).round(6)
+        konfidenzellipoid["Halbachse b_k [m]"] = konfidenzellipoid["Halbachse b_k [m]"].astype(float).round(6)
+        konfidenzellipoid["Halbachse c_k [m]"] = konfidenzellipoid["Halbachse c_k [m]"].astype(float).round(6)
+        konfidenzellipoid["α [gon]"] = konfidenzellipoid["α [gon]"].astype(float).round(3)
+        konfidenzellipoid["β [gon]"] = konfidenzellipoid["β [gon]"].astype(float).round(3)
+        konfidenzellipoid["γ [gon]"] = konfidenzellipoid["γ [gon]"].astype(float).round(3)
         display(HTML(konfidenzellipoid.to_html(index=False)))
         konfidenzellipoid.to_excel(r"Netzqualitaet\Konfidenzellipoid.xlsx", index=False)
         return konfidenzellipoid, alpha
 
 
+
+    @staticmethod
+    def konfidenzellipsen(Qxx: np.ndarray, sigma0_apost: float, unbekannten_liste: list, r_gesamt: int) -> pd.DataFrame:
+        """
+            Berechnet Konfidenzellipsen für Punkte aus der Kofaktor-Matrix Qxx.
+
+            Für jeden Punkt werden aus der 2×2-Submatrix der Koordinaten die Parameter der Konfidenzellipse bestimmt.
+            Grundlage ist die a posteriori Standardabweichung der Gewichtseinheit sowie ein Konfidenzniveau, das über
+            die Irrtumswahrscheinlichkeit α festgelegt wird.
+
+            Die Halbachsen der Konfidenzellipse werden aus den Eigenwerten der Kovarianzmatrix berechnet.
+            Der Skalierungsfaktor ergibt sich aus der F-Verteilung.Der Richtungswinkel θ wird aus dem
+            Eigenvektor der großen Halbachse bestimmt und in gon ausgegeben.
+
+            Die Punktzuordnung erfolgt über die Symbolnamen der Unbekanntenliste.
+
+            :param Qxx: Kofaktor-Matrix der geschätzten Unbekannten.
+            :type Qxx: numpy.ndarray
+            :param sigma0_apost: a posteriori Standardabweichung der Gewichtseinheit.
+            :type sigma0_apost: float
+            :param unbekannten_liste: Liste der Unbekannten.
+            :type unbekannten_liste: list
+            :param r_gesamt: Redundanz (Freiheitsgrade) des Netzes.
+            :type r_gesamt: int
+            :return: Tabelle der Konfidenzellipsen je Punkt.
+            :rtype: pd.DataFrame
+            """
+
+        # Irrtumswahrscheinlichkeit alpha
+        alpha_input = input("Irrtumswahrscheinlichkeit α wählen (z.B. 0.05, 0.01) [Standard=0.05]: ")
+        if alpha_input.strip() == "":
+            alpha = 0.05
+        else:
+            alpha = float(alpha_input)
+        print(f"→ Verwende alpha = {alpha} (Konfidenz = {(1 - alpha) * 100:.1f}%)")
+
+        Qxx = np.asarray(Qxx, float)
+        daten = []
+        namen_str = [str(sym) for sym in unbekannten_liste]
+
+        punkt_ids = [n[1:] for n in namen_str if n.upper().startswith("X")]
+
+        # Faktor für die Konfidenzellipe (F-Verteilung)
+        k2 = float(np.sqrt(2.0 * f.ppf(1.0 - alpha, 2, r_gesamt)))
+
+        for pid in punkt_ids:
+            try:
+                idx_1 = next(i for i, n in enumerate(namen_str) if n.upper() == f"X{pid}".upper())
+                idx_2 = next(i for i, n in enumerate(namen_str) if n.upper() == f"Y{pid}".upper())
+
+                index = [idx_1, idx_2]
+                Q_sub = Qxx[np.ix_(index, index)]
+
+                # Standardabweichungen
+                sigma1 = sigma0_apost * np.sqrt(Q_sub[0, 0])
+                sigma2 = sigma0_apost * np.sqrt(Q_sub[1, 1])
+
+                # Eigenwertzerlegung 2D
+                eigenwerte, eigenvektoren = np.linalg.eigh(Q_sub)
+                reihenfolge = np.argsort(eigenwerte)[::-1]
+                eigenwerte = eigenwerte[reihenfolge]
+                eigenwerte = np.clip(eigenwerte, 0.0, None)
+                eigenvektoren = eigenvektoren[:, reihenfolge]
+
+                # Halbachsen der Konfidenzellipse
+                a = k2 * sigma0_apost * np.sqrt(eigenwerte[0])
+                b = k2 * sigma0_apost * np.sqrt(eigenwerte[1])
+
+                # Winkel aus Eigenvektor der großen Halbachse
+                v = eigenvektoren[:, 0]
+                t_gon = (np.arctan2(v[1], v[0]) * (200.0 / np.pi)) % 400.0
+
+                daten.append([pid, float(sigma1), float(sigma2), float(a), float(b), float(t_gon)])
+
+            except StopIteration:
+                continue
+
+        Konfidenzellipse = pd.DataFrame(daten, columns=[
+            "Punkt", "σ̂x [m]", "σ̂y [m]",
+            "Halbachse a_k [m]", "Halbachse b_k [m]", "θ [gon]"
+        ])
+        return Konfidenzellipse
+
+
+
     @staticmethod
     def konfidenzellipsen_enu(a: float, b: float, ausgabe_parameterschaetzung: dict, liste_unbekannte: list, ausgleichungsergebnis: dict, sigma0apost: float, r_gesamt: int) -> tuple[pd.DataFrame, np.ndarray]:
         """
@@ -312,7 +423,7 @@ class Genauigkeitsmaße:
         Die Funktion transformiert zunächst die Kofaktor-Matrix der Unbekannten Qxx
         in ein East-North-Up-System (ENU) bezogen auf den Schwerpunkt der verwendeten
         Punkte (B0, L0). Anschließend wird auf Basis der transformierten Matrix die
-        Konfidenzellipse über die Funktion "konfidenzellipsoid" bestimmt.
+        Konfidenzellipse über die Funktion "konfidenzellipsen" bestimmt.
         Zum Schluss werden Spaltennamen an die ENU-Notation angepasst, Werte gerundet,
         tabellarisch ausgegeben und als Excel-Datei exportiert.
 
@@ -347,31 +458,29 @@ class Genauigkeitsmaße:
         print(
             f"ENU-Referenz (Schwerpunkt): B0={Einheitenumrechnung.Einheitenumrechnung.rad_to_gon_Decimal(B0):.8f} rad, L0={Einheitenumrechnung.Einheitenumrechnung.rad_to_gon_Decimal(L0):.8f} rad")
 
-        # 2) Konfidenzellipoid im ENU-System
+        # 2) Konfidenzellipsen im ENU-System
-        Konfidenzellipse_ENU, alpha = Genauigkeitsmaße.konfidenzellipsoid(
+        Konfidenzellipse_ENU = Genauigkeitsmaße.konfidenzellipsen(
             Qxx_enu,
             sigma0apost,
             liste_unbekannte,
-            r_gesamt,
+            r_gesamt
-            ausgabe_erfolgt = True
         )
 
         # 3) Spaltennamen anpassen
         Konfidenzellipse_ENU = Konfidenzellipse_ENU.rename(columns={
             "σ̂x [m]": "σ̂E [m]",
             "σ̂y [m]": "σ̂N [m]",
-            "σ̂z [m]": "σ̂U [m]",
+            "Halbachse a_k [m]": "Halbachse a_k_EN [m]",
+            "Halbachse b_k [m]": "Halbachse b_k_EN [m]",
             "θ [gon]": "θ_EN [gon]"
         })
 
         # 4) Runden und Anzeigen
         Konfidenzellipse_ENU["σ̂E [m]"] = Konfidenzellipse_ENU["σ̂E [m]"].round(6)
         Konfidenzellipse_ENU["σ̂N [m]"] = Konfidenzellipse_ENU["σ̂N [m]"].round(6)
-        Konfidenzellipse_ENU["σ̂U [m]"] = Konfidenzellipse_ENU["σ̂U [m]"].round(6)
+        Konfidenzellipse_ENU["Halbachse a_k_EN [m]"] = Konfidenzellipse_ENU["Halbachse a_k_EN [m]"].round(6)
-        Konfidenzellipse_ENU["Halbachse a_k [m]"] = Konfidenzellipse_ENU["Halbachse a_k [m]"].round(4)
+        Konfidenzellipse_ENU["Halbachse b_k_EN [m]"] = Konfidenzellipse_ENU["Halbachse b_k_EN [m]"].round(6)
-        Konfidenzellipse_ENU["Halbachse b_k [m]"] = Konfidenzellipse_ENU["Halbachse b_k [m]"].round(4)
+        Konfidenzellipse_ENU["θ_EN [gon]"] = Konfidenzellipse_ENU["θ_EN [gon]"].round(3)
-        Konfidenzellipse_ENU["Halbachse c_k [m]"] = Konfidenzellipse_ENU["Halbachse c_k [m]"].round(4)
-        Konfidenzellipse_ENU["θ_EN [gon]"] = Konfidenzellipse_ENU["θ_EN [gon]"].round(4)
 
         display(HTML(Konfidenzellipse_ENU.to_html(index=False)))
 
@@ -406,12 +515,11 @@ class Plot:
         Die Funktion visualisiert das geodätische Netz im East-North-Up-System (ENU) mit Plotly.
         Dabei werden:
 
-        - Beobachtungen als Verbindungslinien zwischen Punkten dargestellt (als separate Traces/Legenden-Einträge),
+        - Beobachtungen als Verbindungslinien zwischen Punkten dargestellt,
-        - Konfidenzellipsen je Punkt (Halbachsen und Richtungswinkel),
+        - Konfidenzellipsen je Punkt,
         - Netzpunkte mit Punkt-ID und Koordinaten im Hover-Text angezeigt.
 
         Die Ellipsen werden zur besseren Sichtbarkeit mit dem Faktor "skalierung" vergrößert.
-        Der Richtungswinkel wird in gon erwartet und intern nach Radiant umgerechnet.
         Zusätzlich wird eine PNG-Grafik über "plot.write_image(...)" exportiert.
 
         :param Koord_ENU: Dictionary der Punktkoordinaten im ENU-System.
@@ -484,9 +592,9 @@ class Plot:
             if pid not in Koord_ENU:
                 continue
 
-            a = float(row["Halbachse a_k [m]"]) * skalierung
+            a = float(row["Halbachse a_k_EN [m]"]) * skalierung
-            b = float(row["Halbachse b_k [m]"]) * skalierung
+            b = float(row["Halbachse b_k_EN [m]"]) * skalierung
-            theta = float(row[theta_col]) * np.pi / 200.0  # gon->rad
+            theta = float(row["θ_EN [gon]"]) * np.pi / 200.0
 
             ex = a * np.cos(t)
             ey = b * np.sin(t)