Automatische Klassifizierung von Gebäudegrundrissen

Ein Beitrag zur kleinräumigen Beschreibung der Siedlungsstruktur - Bd. 63

Robert Hecht
ISBN: 978-3-944101-63-7
Veröffentlicht: Mai 2014, 1. Auflage, Einband: Broschur, Abbildung und Tabellen: Zahlreiche Tabellen und Abbildungen, 31 davon farbig, Seiten 440, Format 168 x 240, Gewicht 0.8 kg
Lieferzeit: 2-3 Tage
Verfügbarkeit: Auf Lager
43,80 €

Automatische Klassifizierung von Gebäudegrundrissen

Mehr Ansichten

  • Automatische Klassifizierung von Gebäudegrundrissen
  • Automatische Klassifizierung von Gebäudegrundrissen

Details

IÖR Schriften Band 63 · 2014

Robert Hecht

Automatische Klassifizierung von Gebäudegrundrissen

Ein Beitrag zur kleinräumigen Beschreibung der Siedlungsstruktur

Veröffentlicht: Mai 2014, Band 63. Einband: Broschur. Zahlreiche Tabellen und Abbildungen, 31 davon farbig. 440 Seiten. Format 168 x 240. ISBN 978-3-944101-63-7. Preis: 43,80 Euro.

Band 63 der Reihe "IÖR Schriften", herausgegeben vom Leibniz-Institut für ökologische Raumentwicklung e. V. (IÖR) Direktor: Prof. Dr. Dr. h. c. Bernhard Müller, Weberplatz 1, 01217 Dresden Tel.: (0351) 4679-0, Fax.: (0351) 4679-212 eMail: info@ioer.de, Homepage: http://www.ioer.de

Gutachter:

Prof. Dr. phil. habil. Manfred F. Buchroithner
Professur für Kartographie, Institut für Kartographie, Fakultät Umweltwissenschaften, Technische Universität Dresden

Prof. Dr. habil. Nguyen Xuan Thinh
Fachgebiet Raumbezogene Informationsverarbeitung und Modellbildung, Fakultät Raumplanung, Technische Universität Dortmund

Prof. Dr.-Ing. habil. Dirk Burghardt
Professur für Kartographische Kommunikation, Institut für Kartographie, Fakultät Umweltwissenschaften, Technische Universität Dresden

 

Zum Buch

Für die Beantwortung verschiedener Fragestellungen im Siedlungsraum werden kleinräumige Informationen zur Siedlungsstruktur (funktional, morphologisch und sozio-ökonomisch) benötigt. Der Gebäudebestand spielt eine besondere Rolle, da dieser die physische Struktur prägt und sich durch dessen Nutzung Verteilungsmuster von Wohnungen, Arbeitsstätten und Infrastrukturen ergeben. In amtlichen Geodaten, Karten und Diensten des Liegenschaftskatasters und der Landesvermessung sind die Gebäude in ihrem Grundriss modelliert. Diese besitzen allerdings nur selten explizite semantische Informationen zum Gebäudetyp. Es stellt sich die Frage, ob und wie genau eine automatische Erkennung von Gebäudetypen unter Nutzung von Methoden der Geoinformatik, der Mustererkennung und des maschinellen Lernens möglich ist.

In diesem Buch werden methodische Bausteine zur automatischen Klassifizierung von Gebäudegrundrissen vorgestellt. Im Kern werden Fragen beantwortet zu den Datenanforderungen, der Gebäudetypologie, der Merkmalsgewinnung sowie zu geeigneten Klassifikationsverfahren und den Klassifikationsgenauigkeiten, die abhängig von Eingangsdaten, Siedlungstyp und Trainingsdatenmenge erzielt werden können. Der Random-Forest-Algorithmus zeigte die höchste Flexibilität, Generalisierungsfähigkeit und Effizienz und wurde als bestes Klassifikationsverfahren identifiziert.

Die Arbeit leistet einen wichtigen Beitrag zur Gewinnung kleinräumiger Informationen zur Siedlungsstruktur. Die entwickelte Methodik ermöglicht ein breites Anwendungsspektrum in der Wissenschaft, Planung, Politik und Wirtschaft (u. a. Stadt- und Regionalplanung, Infrastrukturplanung, Risikomanagement, Energiebedarfsplanung oder dem Geomarketing).

Building data are highly relevant for the small-scale description of settlement structures. Spatial base data from National Mapping and Cadastral Agencies describe the buildings in terms of the geometry but often lack semantic information on the building type. Here, methods for the automatic classification of building footprints are presented and discussed. The work addresses issues of data integration, data processing, feature extraction, feature selection, and investigates the accuracy of various classification methods. The results are of scientific, planning, policy and business interest at various spatial levels

 

Vorwort

Unsere Siedlungsstrukturen werden vor allem durch den Bestand an Gebäuden mit deren unterschiedlichen Nutzungen geprägt. Gemessen an dem immensen ökonomischen Wert, der Langlebigkeit von Gebäuden und der Bedeutung des Gebäudebestandes für eine nachhaltige Entwicklung ist das Wissen zum Gebäudebestand und dessen räumlicher Verteilung noch viel zu lückenhaft. Neue Anforderungen wie beispielsweise Szenarienanalysen des Klimawandels benötigen jedoch gesicherte Datengrundlagen zum Gebäudebestand, um mögliche Transitionspfade hin zu einer Low-Carbon-Gesellschaft zu beschreiben. Das vorliegende Buch – Dissertationsergebnis von Dr. Robert Hecht – liefert einen Beitrag, diese bestehende Informationslücke zu schließen, in dem es in topographischen Karten bzw. digitalen Geodaten impliziert enthaltene Gebäudeinformationen erschließt und mittels räumlicher Analyse zugänglich macht. Erstmals werden grundlegende und systematische Untersuchungen zur automatischen Erkennung von Gebäudetypen auf Basis ihrer Grundrisse, ihrer Verortung und ihrer Nachbarschaftsbeziehungen vorgelegt. Diese beruhen auf der Nutzung von Methoden der Mustererkennung und des maschinellen Lernens sowie eines Vergleichs verschiedener Klassifikationsverfahren. An praktischen Beispielen werden mit Hilfe von Referenzinformationen erreichbare Klassifikationsgenauigkeiten unter Berücksichtigung verschiedener Eingangsdatenquellen ermittelt und bewertet.

Die Arbeit ist eine ausgezeichnete Grundlage für weitere theoretische und praktische Arbeiten in der Gebäudeklassifikation. Durch die systematische Themenbearbeitung liefert sie dem Leser eine Fülle neuer Detailinformationen. Da das entwickelte Verfahren ausschließlich fortschreibungspflichtige Geobasisdaten verarbeitet, ist es praxistauglich und flächendeckend in Deutschland anwendbar. Darüber hinaus könnten gescannte analoge topographische Karten analysiert werden, was Gebäudebestandsanalysen früherer Zeiten ermöglicht. Allerdings weisen die Untersuchungen auch darauf hin, dass der Random-Forest-Klassifikator umso genauer arbeitet, je besser er auf den jeweiligen regionalen Gebäudebestand trainiert wurde.

Die in dem Buch veröffentlichten Untersuchungsergebnisse und das entwickelte Building Footprint Classification Tool sind ein überaus wichtiger Beitrag hin zu einer Beschreibung der Siedlungsstruktur und deren Entwicklung in Deutschland. Neben Verfahrensentwicklungen ist dieses erklärtes Ziel des Forschungsbereichs „Monitoring der Siedlungs- und Freiraumentwicklung“ des Leibniz-Instituts für ökologische Raumentwicklung. Erste Ergebnisse zum Gebäudebestand sind schon jetzt dem internetbasierten Monitor der Siedlungs- und Freiraumentwicklung (www.ioer-monitor.de) zu entnehmen.

Möge das Buch einen breiten Leserkreis finden und die beginnende Forschung auf diesem hoch interdisziplinären Arbeitsfeld zwischen Kartographie, Geoinformatik, Mathematik, Statistik, Bildverarbeitung, Geographie und Raumwissenschaft nachhaltig befördern.

Dresden, im März 2014

Dr. Gotthard Meinel, Forschungsbereichsleiter, IÖR

 

Kurzfassung und Thesen

Für die Beantwortung wissenschaftlicher und planerischer Fragestellungen im Siedlungsraum werden kleinräumige Informationen zur funktionalen, morphologischen und sozio-ökonomischen Siedlungsstruktur benötigt. Gebäude spielen eine zentrale Rolle, da sie die physische Struktur der Stadt prägen und durch deren Nutzung sich Verteilungsmuster von Wohnungen, Arbeitsstätten und Infrastrukturen ergeben. Trotz ihrer großen Bedeutung stehen der Wissenschaft und Praxis oftmals nur wenig aktuelle, räumlich stark aggregierte oder nur schwer zugängliche Informationen zur Verfügung.

Gebäude werden im Liegenschaftskataster und in topographisch-kartographischen Informationssystemen der Landesvermessung geführt und in Form von Geodaten, Karten und Diensten angeboten. Der erfasste Gebäudegrundriss besitzt allerdings nur selten explizite semantische Informationen zur Gebäudefunktion, Wohnform, Baualter oder der Stockwerkszahl. Bundesweit einheitliche Festlegungen der Arbeitsgemeinschaft der Vermessungsverwaltungen der Länder (AdV) sehen im Liegenschaftskataster lediglich eine funktionale Unterscheidung von „Wohngebäuden“, „öffentlichen Gebäuden“ und „Gebäuden für Industrie und Gewerbe“ zwingend vor. Gebäudedatensätze wie die amtlichen Hausumringe sowie aus Luft-/Satellitenbildern, Laserscannerdaten, Karten und Plänen gewonnene Gebäudeobjekte besitzen hingegen gar keine attributive Beschreibung. Datennutzer sind darum häufig mit der reinen Gebäudegeometrie konfrontiert, auf deren Grundlage zunächst nur wenige Erkenntnisse über die Siedlungsstruktur gewonnen werden können. Zweckmäßig klassifizierte Gebäudegrundrisse erlauben es hingegen, verschiedene siedlungsstrukturelle Indikatoren zu der Bebauungsdichte, der Geschossflächendichte sowie der Anzahl an Wohnungen und Bewohnern unter Nutzung moderner GIS-Technologie abzuleiten und in thematischen Karten zu visualisieren.

In dieser Arbeit werden Methoden zur automatischen Klassifizierung von Gebäudegrundrissen erarbeitet, analysiert und bewertet mit dem Ziel, diese für die gebäudebasierte Analyse der Siedlungsstruktur zu nutzen. Die automatische Klassifizierung der Gebäudegrundrisse erfolgt im Sinne eines datengetriebenen Mustererkennungsansatzes auf Grundlage von Trainingsdaten mit bekannter Klassenzugehörigkeit und objektbeschreibender Merkmale. Im Kern werden methodische Fragen der Datenintegration, der Datenvorverarbeitung, der Merkmalsextraktion und -selektion erörtert sowie verschiedene Klassifikationsverfahren hinsichtlich ihrer Genauigkeit untersucht.

Der aktuelle Forschungsstand belegt, dass nur wenige Arbeiten vorliegen, die den Einsatz von Verfahren der Mustererkennung und des Maschinellen Lernens für die Gebäudeklassifikation verfolgen. Viele Ansätze stützen sich auf wissensbasierte Modelle, die wenig flexibel bzgl. einer Änderung der Datengrundlage oder der Gebäudezielklassen sind. Ferner fehlt es den meisten Ansätzen an einer kritischen Genauigkeitsbetrachtung unter Nutzung unabhängiger Testdaten. Deswegen wurde bei der Entwicklung eines Verfahrens zur automatischen Gebäudeklassifizierung besonderer Wert auf eine hohe Flexibilität, Automation sowie eine zuverlässige Validierung gelegt. Der entwickelte Ansatz beschränkt sich auf die Nutzung ausgewählter topographischer Objekte: den Gebäudegrundrissen, georeferenzierten Gebäudeadressen und den Baublöcken. Damit wird eine flächendeckende Anwendbarkeit des Verfahrens in Deutschland und Ländern mit vergleichbarer Datenlage abgesichert.

Aus der Menge amtlicher Geobasisdaten zum Gebäudegrundriss in Deutschland konnten fünf verschiedene Eingangsdatentypen identifiziert werden, die sich in der Datenstruktur (Raster oder Vektor), der geometrischen Modellierung (Einzelgebäude oder Gebäuderegionen) und dem semantischen Informationsgehalt (mit oder ohne Information zur Gebäudenutzung) unterscheiden. Für jeden Eingangsdatentyp wurde ein umfangreiches Merkmalsset erarbeitet, mit dem Objekte und Relationen auf verschiedenen räumlichen Ebenen (z. B. Einzelgebäude, Gebäudekomplex, Baublock, Umgebung) beschrieben werden. Die Merkmale werden unter Anwendung von Methoden der Bildverarbeitung und der räumlichen Analyse im GIS berechnet. Mit einem filterbasierten Ansatz wurde das Merkmalsset von hochkorrelierten Merkmalen befreit. Zum Training eines Klassifikators wurde eine überwachte Lernstrategie bevorzugt, da die gesuchten Gebäudetypen im Kontext der Siedlungsstrukturanalyse als bekannt vorausgesetzt werden können. Gleichzeitig erlauben überwachte maschinelle Lernverfahren im Gegensatz zu den unüberwachten eine direkte Abschätzung des Vorhersagefehlers, ohne das eine aufwändige Dateninterpretation nötig ist.

Für die Genauigkeitsuntersuchung wurde eine Referenzdatenbank mit über 800 000 Gebäudegrundrissen aufgebaut, für die jeweils der Gebäudetyp entsprechend einer Gebäudetypologie gegeben ist. In der Datenbank sind die Gebäude nach 11 städtebaulichen Typen differenziert. Dabei werden diverse Siedlungstypen (Stadt, Kleinstadt, Dörfer) und verschiedene amtliche Datengrundlagen zum Gebäudegrundriss (DTK25-V, DTK25, ATKIS®, ALK, 3D-Gebäudemodelle) berücksichtigt, was eine differenzierte Bewertung der Genauigkeit möglich macht.

In einer Modellselektion wurden 16 verschiedene überwachte Klassifikationsverfahren anhand ausgewählter Datensätze getestet und deren Generalisierungsfähigkeit mittels 10-facher Kreuzvalidierung geschätzt. Zum Einsatz kamen unter anderem lineare Modelle, nichtparametrische Verfahren, Support Vector Machines, Künstliche Neuronale Netze, Entscheidungsbaumverfahren und Ensemble-Methoden. Der Ensemble-basierte Random-Forest-Algorithmus zeigte die höchste Generalisierungsfähigkeit und Effizienz und wurde als bester Klassifikator ausgewählt. Der Algorithmus besitzt auch aus praktischer Sicht Vorteile gegenüber den anderen Verfahren, da weder Datenskalierung noch Merkmalsselektion zwingend nötig ist, kategoriale Merkmale direkt verarbeitet werden können und dieser Maße bereitstellt, mit dem die Relevanz der Merkmale quantifiziert werden kann.

Nach Auswahl des besten Klassifikationsverfahrens erfolgte eine detaillierte Genauigkeitsuntersuchung auf Grundlage aller Datensätze in der Referenzdatenbank. Durch Berechnung von Konfusionsmatrizen und daraus abgeleiteten Gütemaßen wurde die Genauigkeit nach Eingangsdatentyp und Untersuchungsgebiet differenziert quantifiziert und bewertet. Für Gebäudegrundrisse im Vektormodell, speziell den Gebäuden aus der ALK, dem ALKIS® oder dem ATKIS® Basis-DLM sowie den amtlichen Hausumringen und 3D-Gebäudemodellen, konnte für alle städtischen Gebiete eine Klassifikationsgenauigkeit zwischen 90 % und 95 % erreicht werden. Die Genauigkeit bei Nutzung von Gebäudegrundrissen extrahiert aus digitalen topographischen Rasterkarten war mit 76 % bis 88 % geringer. In einer Simulation wurde gezeigt, dass die Trainingsdatenmenge einen großen Einfluss auf die Genauigkeit besitzt. Eine Herausforderung stellen allerdings regionale baukulturhistorische Differenzen zwischen Städten dar. Versuche eines gegenseitigen Trainierens und Anwendens auf Städte unterschiedlicher regionaler Baukultur legten die Grenzen der Übertragbarkeit eines erlernten Klassifikators offen. Eine überregionale Anwendung des Verfahrens wird deshalb mit einer regionalen Abgrenzung und Erhebung individueller Trainingsdaten einhergehen müssen.

Die automatische Klassifizierung von Gebäudegrundrissen leistet einen wichtigen Beitrag zur Gewinnung von Information für die kleinräumige Beschreibung der Siedlungsstruktur. Neben der Relevanz in den Forschungs- und Anwendungsfeldern der Stadtgeographie und Stadtplanung sind die Ergebnisse auch für die kartographischen Arbeitsfelder der Kartengeneralisierung, der automatisierten Kartenerstellung und der Geovisualisierung relevant.

 

Thesen:

(1) Die Bearbeitung raumwissenschaftlicher und -planerischer Fragestellungen verlangt räumlich und sachlich hochauflösende Information zur Siedlungsstruktur. In der Regel ist derartige Geoinformation nur für größere Städte verfügbar. Für überregionale Anwendungen und vergleichende Untersuchungen fehlt es oftmals an homogenen Geodaten. Problematisch ist, dass flächendeckend verfügbare Geobasisdaten sowie amtliche statistische Daten die Siedlungsstruktur in einer zu geringen thematischen und/oder zu geringen räumlichen Auflösung abbilden.

(2) Gebäudedaten sind hochrelevant für die kleinräumige Beschreibung der Siedlungsstruktur. Digitale Geobasisdaten des Liegenschaftskatasters und der Landesvermessung bilden die Gebäude in ihrem Grundriss ab. Attributive Sachinformationen zur Nutzung, Wohnform, Stockwerkszahl oder zum Baujahr sind in den Daten derzeit nur selten enthalten. Vor diesem Hintergrund ist ein geeignetes Verfahren zur automatischen Klassifizierung der Gebäudegrundrisse nötig, auf deren Grundlage diese Sachinformation abgeschätzt werden kann.

(3) Es steht ein breites Spektrum an Methoden der Mustererkennung und des Maschinellen Lernens zur Verfügung, deren Einsatz für die automatische Klassifizierung von Gebäudegrundrissen bislang nur in wenigen Arbeiten systematisch untersucht wurde. Durch Kombination dieser Methoden mit Techniken der räumlichen Analyse kann ein flexibles Verfahren zur automatischen Klassifizierung von Gebäudegrundrissen entwickelt werden, das für verschiedene Gebäudetypologien und Datengrundlagen anwendbar ist und eine realistische Abschätzung der Klassifikationsgenauigkeit erlaubt.

(4) Für die automatische Klassifizierung von Gebäudegrundrissen werden gebäudebeschreibende Merkmale benötigt. Von Bedeutung sind geometrische, topologische, statistische und semantische Merkmale, die mithilfe der digitalen Bildverarbeitung und der räumlichen Analyse gewonnen werden können. Geometrieinformationen von Baublöcken und Hauskoordinaten sowie weitere Sachinformationen unterstützen die Merkmalsberechnung.

(5) Eine kleinräumige Beschreibung der Siedlungsstruktur verlangt eine differenzierte Sicht auf den Gebäudebestand nach verschiedenen städtebaulichen Kriterien. Bisherige Ansätze zur automatischen Gebäudeklassifikation berücksichtigen oft nur wenige Zielklassen (5 Gebäudetypen und weniger). Mit nichtlinearen Klassifikationsverfahren, insbesondere Ensemble-Methoden, können 11 städtebauliche Gebäudetypen automatisch klassifiziert werden. Ein besonders effizientes Klassifikationsverfahren ist der Random-Forest-Algorithmus. Im Vergleich zu 15 weiteren getesteten Algorithmen des Maschinellen Lernens zeigt dieser die höchste Generalisierungsfähigkeit und die kürzeste Laufzeit.

(6) Die Genauigkeit einer automatischen Gebäudeklassifizierung wurde im Hinblick auf die Anwendung für siedlungsstrukturelle Analysen noch zu wenig empirisch untersucht. Sie hängt von der verwendeten Datengrundlage (Eingangsdatentyp), dem betrachteten Untersuchungsraum (Siedlungstyp), der Anzahl der zur Verfügung stehenden Trainingsobjekte und der Qualität der Datengrundlage ab. Bei der Nutzung von Gebäudegrundrissen aus dem Liegenschaftskataster kann eine deutlich höhere Klassifikationsgenauigkeit erzielt werden als bei der Nutzung von Gebäudegrundrissen, die aus topographischen Rasterkarten extrahiert werden.

(7) Automatisch klassifizierte Gebäudegrundrisse bilden eine wichtige Grundlage für die GIS-gestützte Erhebung und Analyse der Siedlungsstruktur. Durch eine Klassifizierung nach einer zweckgebundenen Gebäudetypologie können unter Annahme gebäudetypischer Kenngrößen und der Nutzung von Methoden der räumlichen Aggregation und Disaggregation verschiedene Indikatoren zur Siedlungsstruktur (u. a. Geschossflächendichte, Wohnungszahl, Einwohnerzahl, Energieverbrauch) abgeleitet werden. Diese Informationen sind auf verschiedenen räumlichen Ebenen für die Wissenschaft, Planung, Politik und Wirtschaft von hohem Interesse.

Inhaltsverzeichnis

Vorwort I

Danksagung III

Kurzfassung und Thesen V

Abstract and Theses IX

Inhaltsverzeichnis XV

1 Einleitung

1.1 Hintergrund 1

1.2 Problemstellung 2

1.3 Forschungsstand 4

1.4 Zielsetzung und Forschungsfragen 6

1.5 Thematische Einordnung 7

1.6 Aufbau der Arbeit 9

 

2 Grundlagen zur Siedlungsstruktur

2.1 Begriffe und Konzepte 11

2.1.1 Raumbegriffe 11

2.1.2 Strukturbegriffe 12

2.1.3 Raumebenen der Siedlungsstruktur. 13

2.1.4 Siedlungsstrukturelle Merkmale 15

2.1.5 Strukturtypen 17

2.1.6 Gebäude als Element des Siedlungsraums 19

2.1.7 Baublock als räumliche Siedlungseinheit 21

2.2 Raumbezogene Modellierung der Siedlungsstruktur 22

2.2.1 Abstraktion der Realität 22

2.2.2 Kartographische Modellbildung 23

2.2.3 Modellbildung in der digitalen Kartographie 25

2.2.4 Geobasisdaten 30

2.2.5 Geofachdaten 33

2.2.6 Geodateninfrastruktur (GDI) 34

2.3 Kartographische Darstellung der Siedlungsstruktur 34

2.3.1 Topographische Karten 34

2.3.2 Thematische Karten 37

2.4 Räumliche Analyse von Siedlungsstrukturen 43

2.4.1 Innerstädtische Gliederung 43

2.4.2 Stadtmorphologische Analyse 46

2.4.3 Computerbasierte Analyse der Siedlungsstruktur 49

 

3 Methodische Grundlagen der Mustererkennung

3.1 Visuelle Wahrnehmung und Bildverstehen 57

3.1.1 Menschliche Wahrnehmung 57

3.1.2 Theorien der visuellen Wahrnehmung 58

3.1.3 Bildverstehen 60

3.2 Mustererkennung und maschinelles Lernen 63

3.2.1 Mustererkennung 63

3.2.2 Maschinelles Lernen 65

3.3 Aufbau eines Mustererkennungssystems 67

3.3.1 Musteraufnahme 68

3.3.2 Vorverarbeitung 68

3.3.3 Merkmalsextraktion 68

3.3.4 Merkmalsselektion 69

3.3.5 Klassifizierung 70

3.3.6 Trainieren, Testen, Validieren 71

3.4 Klassifikationsverfahren 72

3.4.1 Klassifikation via Bayes-Theorem 74

3.4.2 Klassifikation mittels Trennfunktion 79

3.4.3 Fuzzy-Systeme 87

3.5 Bewertung von Klassifikatoren 87

3.5.1 Fehlerrate und Genauigkeit 87

3.5.2 Bewertung der Generalisierungsfähigkeit 87

3.5.3 Strategien der Aufteilung der Lerndaten 89

3.5.4 Bewertung der thematischen Genauigkeit 90

 

4 Forschungsstand

4.1 Allgemeine Aspekte 95

4.1.1 Ziele einer automatischen Klassifizierung der Siedlungsstruktur 95

4.1.2 Datengrundlagen und Methoden 97

4.1.3 Interpretationsebenen 99

4.2 Klassifizierung siedlungsraumbezogener Strukturen 100

 

4.2.1 Abgrenzung und Typisierung von Siedlungsstrukturen 100

4.2.2 Beschreibung städtischer Strukturen 101

4.2.3 Klassifizierung städtischer Strukturen auf Baublockebene 101

4.2.4 Erkennung von Gebäudemustern für die Generalisierung 102

4.3 Klassifizierung individueller Gebäude 103

4.3.1 Bisherige Ansätze nach Klassifikationsstrategie 103

4.3.2 Wissensbasierte Ansätze 105

4.3.3 Datengetriebene Ansätze 107

4.3.4 Kombinierte Ansätze 109

4.4 Bewertung der bisherigen Ansätze 110

 

5 Konzeptionelle Vorüberlegungen

5.1 Ziel der Verfahrensentwicklung 113

5.2 Gebäudeklassifizierung im Kontext der Siedlungsstrukturanalyse 113

5.3 Anforderung an das Verfahren 116

5.3.1 Adaptive Gebäudetypologie 116

5.3.2 Interoperabilität 116

5.3.3 GIS-Kopplung und Nutzerfreundlichkeit 117

5.3.4 Robustheit 117

5.3.5 Genauigkeitsabschätzung 117

5.3.6 Laufzeit 118

5.3.7 Flexibilität 118

5.4 Anforderungen an die Eingangsdaten 119

5.4.1 Gebäuderepräsentation 119

5.4.2 Anforderung an den Abstraktionsgrad 120

5.4.3 Homogenität 121

5.4.4 Metainformationen 121

5.5 Methodische Vorüberlegungen 122

5.5.1 Interpretationsebene 122

5.5.2 Klassifikationsstrategie 122

5.5.3 Merkmalsberechnung 123

5.5.4 Lernverfahren 124

5.6 Konzepte der Modellierung 124

5.6.1 Gebäudegrundrisse im Siedlungsraum 124

5.6.2 Objektbeziehung 126

 

6 Mögliche Datenquellen zum Gebäudegrundriss

6.1 Gebäudegrundrisse aus objektstrukturierten Datenmodellen 127

6.1.1 Gebäudegrundrisse aus der ALK 127

6.1.2 Gebäudegrundrisse aus dem ALKIS® 128

6.1.3 Gebäudegrundrisse aus ATKIS® Basis-DLM 129

6.1.4 Amtliche Hausumringe 130

6.1.5 3D-Gebäudemodelle (3D-Gebäudestrukturen) 130

6.1.6 Gebäudegrundrisse aus OpenStreetMap 131

6.2 Gebäudegrundrisse aus topographischen Karten 132

6.2.1 Gebäuderepräsentation in topographischen Karten 132

6.2.2 Gebäudeextraktion aus gescannten topographischen Karten 134

6.2.3 Maßstabsanforderungen an topographische Karten 134

6.2.4 Scandichte topographischer Karten 135

6.2.5 Topographische Karten der amtlichen Vermessung 136

6.3 Gebäudegrundrisse aus Fernerkundungsdaten 139

6.3.1 Anforderung an die geometrische Auflösung 139

6.3.2 Gebäudeextraktion aus Fernerkundungsdaten 140

 

7 Entwicklung des Verfahrens

7.1 Methodisches Design 143

7.2 Definition einer Gebäudetypologie 145

7.2.1 Kriterien und Gebäudetypologien 145

7.2.2 Gebäudetypologie für siedlungsstrukturelle Analysen 147

7.3 Eingangsdaten 149

7.3.1 Eingangsdaten zum Gebäudegrundriss 149

7.3.2 Definition von Eingangsdatentypen 152

7.3.3 Unterstützende Geometriedaten 153

7.4 Datenaufbereitung 155

7.4.1 Aufbereitung der Eingangsdaten 155

7.4.2 Erfassung von Klassenlabels 158

7.5 Merkmalsberechnung 160

7.5.1 Charakterisierung der Gebäudetypen 160

7.5.2 Merkmalstypen 164

7.5.3 Ebenen der Merkmalsberechnung 169

7.5.4 Methoden der Merkmalsgewinnung 170

7.5.5 Workflow der Merkmalsberechnung 171

 

7.5.6 Merkmale in Abhängigkeit der Eingangsdaten 173

7.5.7 Erkennung kleiner Nebengebäude 174

7.6 Vorverarbeitung der Merkmalsdaten 176

7.6.1 Konsistenzprüfung und Datenbereinigung 177

7.6.2 Skalierung der Merkmale 177

7.6.3 Transformation kategorialer Merkmale 177

7.6.4 Ersetzen fehlender Werte 178

7.7 Merkmalsselektion 178

7.7.1 Filterbasierte Merkmalsreduktion 179

7.7.2 Merkmalsselektion während des Trainings 182

7.8 Entwicklung des Klassifikators 183

7.8.1 Wahl der Klassifikationsverfahren 183

 

 

 

Zusatzinformation

Gewicht 0.800
Lieferzeit 2-3 Tage