PDF-Download - Deutsche Geodätische Kommission

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