PDF-Download - Deutsche Geodätische Kommission
PDF-Download - Deutsche Geodätische Kommission
PDF-Download - Deutsche Geodätische Kommission
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
109<br />
Kapitel 9<br />
Diskussion und Ausblick<br />
9.1 Zusammenfassung und Beurteilung<br />
In dieser Arbeit befassen wir uns mit der automatischen Interpretation raumbezogener Daten. Aus dem breiten<br />
Spektrum der sich daraus ergebenden Problemstellungen konzentrieren wir uns auf das Problem der Aggregation<br />
von Objekten, das allgemein unter dem Begriff räumliches Clustering bekannt ist. Anhand von zwei<br />
Beispielen zeigen wir die Notwendigkeit solcher Verfahren für die Bildinterpretation und die kartographische<br />
Generalisierung auf.<br />
Allen Cluster-Verfahren ist gemein, dass sie eine geeignete Definition der Nachbarschaft und der Ähnlichkeit von<br />
Objekten benötigen. In heutigen Standardmethoden wird dazu die Angabe von Parametern, wie z.B. Schwellwerte<br />
oder maximale Clusteranzahl, benötigt. Die geeignete Verwendung bestimmter Nachbarschaftsgraphen<br />
und ihrer hierarchischen Beziehung untereinander ermöglicht es uns, ein vollständig parameterfreies Verfahren<br />
zu beschreiben.<br />
Im einzelnen zeigen wir in dieser Arbeit die folgenden Ergebnisse auf:<br />
• Amtliche Katasterdaten (ALK) und Gebäudeinformationssysteme lassen sich hervorragend zur Ableitung<br />
von Vorinformationen für die wissensbasierte Bildinterpretation nutzen. Darüber hinaus zeigen wir, dass<br />
zweidimensionale räumliche Datenbanken mit Hilfe von Wahrscheinlichkeitsmodellen auch sehr gut zur<br />
approximativen, dreidimensionalen Visualisierung von Landschaftsmodellen genutzt werden können.<br />
• Die automatische Ableitung von ATKIS-Daten aus ALK-Daten ist grundsätzlich möglich, was eine effizientere<br />
Erfassung von Basisinformationssystemen unterschiedlicher Maßstäbe ermöglicht.<br />
• Nachbarschaftsgraphen eignen sich hervorragend zur Modellierung der Struktur räumlich verteilter, punkthafter<br />
Objekte. Das von uns vorgestellte Clustermodell baut auf diesen Nachbarschaftsgraphen auf und<br />
modelliert jeden Cluster als eine Menge von inneren Kanten und eine Menge von äußeren Kanten dieser<br />
Graphen. Die innere Kantenmenge sollte dabei so homogen wie möglich bezüglich der Kantenlänge sein.<br />
Der Median dieser Kantenlängen dient uns dabei als Schätzwert für den Erwartungswert der Kantenlänge<br />
und die absolute Medianabweichung (MAD) aller inneren und äußeren Kantenlängen stellt unser einfaches<br />
Unschärfemodell dar. Der Median und die MAD bilden die Basis für unser unscharfes Ähnlichkeitsmodell.<br />
Tests auf verschiedenen Datensätzen bestätigten die Eignung unseres einfachen Modells und die Allgemeinheit<br />
unseres Verfahrens bezüglich der Problemdomäne (Multispektraldaten, Laserdaten, GIS-Daten).<br />
Die Erweiterbarkeit unseres Verfahrens auf verschiedene Skalentypen und polyederförmige Objekte wird<br />
aufgezeigt.<br />
• Die erhoffte generalisierende Wirkung (fein zu grob Segmentierung) der Hierarchie der Nachbarschaftsgraphen<br />
konnten anhand von unseren Tests bestätigt werden. Ebenfalls zeigte es sich, dass unser Verfahren<br />
auch robust gegenüber Rauschen ist, ohne ein explizites Rauschmodell anzuwenden.<br />
• Die Tests ergaben ebenfalls, dass beim hierarchischen Clustering (wiederholte Gruppierung gefundener<br />
Cluster) unser Verfahren eine, bezüglich unserem Modell, eindeutige Grenzzerlegung aufweist, die im allgemeinen<br />
vom Supercluster des Objektraums (ein einziger Cluster aller Objekte) verschieden ist. Dies