PDF-Download - Deutsche Geodätische Kommission
PDF-Download - Deutsche Geodätische Kommission
PDF-Download - Deutsche Geodätische Kommission
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
10 KAPITEL 1. EINLEITUNG<br />
Die manuelle Erfassung von 3D-Stadtmodellen für städtische Gebäudeinformationssysteme, Unternehmen<br />
der Telekommunikation oder für Touristikzwecke (virtuelle Stadtmodelle von Urlaubsorten im Internet) ist<br />
sehr zeit- und kostenintensiv. Eine vollständig automatische und flächendeckende 3D-Rekonstruktion von<br />
Gebäuden aus Luftbildern oder Laserdaten ist bis heute nicht möglich (Förstner 1999). Durch zusätzliche<br />
Informationen aus einem Geoinformationssystem (GIS) lässt sich die Problematik der automatischen Rekonstruktion<br />
erheblich einschränken. In (Brenner 2000) wird ein vollständig automatisches Verfahren zur<br />
flächendeckenden 3D-Rekonstruktion von Gebäuden aus Laserdaten vorgestellt, das als einzige Zusatzinformation<br />
2D-Gebäudegrundrisse benötigt. Die Bereitstellung solch geeigneter Zusatzinformationen gehört zum Fall 1,<br />
der in dieser Arbeit anhand der Erzeugung von 3D-Gebäudehypothesen aus 2D-Gebäudedaten untersucht wird.<br />
Die hierfür verwendeten raumbezogenen Daten stammten aus der automatisierten Liegenschaftskarte (ALK) der<br />
öffentlichen Vermessungsverwaltungen 1 , die Informationen über die Lage und Form von Gebäudegrundrissen,<br />
sowie die Gebäudenutzung enthält. Eine weitere Fragestellung ergab sich dabei zum Nutzen solcher grober 3D-<br />
Gebäudehypothesen als Hintergrundvisualisierung in großen 3D-Stadtmodellen. Den 2. Fall werden wir anhand<br />
der automatischen Ableitung von ATKIS-Daten aus ALK-Daten beschreiben.<br />
Die Untersuchungen der Fälle 1 und 2 führten beide zur grundlegenden Problematik der Gruppierung raumbezogener<br />
Objekte das als Clustering-Problem aufgefasst werden kann und somit zum Gebiet des Spatial Data<br />
Mining gehört. Auf dem Gebiet des Clustering existieren viele Ansätze von denen die meisten direkt oder indirekt<br />
Voraussetzungen über die Verteilung der Daten treffen, Schwellwerte voraussetzen und häufig auch nur<br />
spezielle Clusterformen (konvexe Formen) bestimmen können. Ziel war es nun, ein vollständig parameterfreies<br />
Verfahren zum Clustering räumlicher Objekte zu ermitteln, das es erlaubt, Objektgruppen beliebiger Form<br />
zu bilden. Die so gefundenen Gruppen können dann bei der Modellgeneralisierung oder der kartographischen<br />
Generalisierung (speziell Typisierung) entsprechend weiterverarbeitet werden.<br />
1.2 Aufbau der Arbeit<br />
Zur Motivation für diese Arbeit und zur Einführung in die raumbezogene Clusteranalyse und ihre Anwendungsmöglichkeiten<br />
beschreiben wir zuerst im Kapitel 2 zwei Beispiele der automatischen Interpretation von<br />
GIS-Daten. Im ersten Beispiel zeigen wir die Verwendung von GIS-Daten als Vorinformation zur Bildinterpretation<br />
im Falle der 3D-Gebäuderekonstruktion aus Luftbildern oder Laserdaten. Das zweite Beispiel beschreibt,<br />
anhand der automatischen Ableitung von ATKIS-Daten aus ALK-Daten, die automatische Modellgeneralisierung,<br />
d.h. die Ableitung kleinmaßstäbiger geographischer Daten aus großmaßstäbigen Daten. In beiden Beispielen<br />
stoßen wir auf das Problem der Gruppierung von topologisch unstrukturierten räumlichen Objekten.<br />
In Kapitel 3 gehen wir kurz auf die wesentlichen Aspekte des sogenannten Data Mining ein, um eine Einordnung<br />
der raumbezogenen Clusteranalyse innerhalb der Aufgaben (Methoden) der automatsierten Dateninterpretation<br />
zu geben. Eine detaillierte Beschreibung der Aufgaben und Methoden der Clusteranalyse geben wir dann im<br />
Kapitel 4, um unseren in dieser Arbeit entwickelten Ansatz zur Gruppierung raumbezogener Daten besser<br />
einordnen zu können.<br />
In jedem Clusterverfahren spielt der Vergleich von Daten (Objekten), d.h. die Definition und Berechnung der<br />
Ähnlichkeit oder des Abstands von Objekten, die wesentliche Rolle. In Kapitel 5 gehen wir deshalb ausführlich<br />
auf die Problematik von Ähnlichkeits- oder Distanzmaßen ein und geben ein Distanzmaß für Konzepte einer<br />
Konzepthierarchie an und geben eine Begründung für unsere Wahl der Nachbarschaftsgraphen als Repräsentant<br />
der Ähnlichkeit zwischen Objekten. Da Nachbarschaftsgraphen in unserem Verfahren die wesentliche Rolle<br />
spielen, ist eine ausführliche Beschreibung von Nachbarschaftsgraphen und der von uns verwendeten Graphen<br />
im Kapitel 6 gegeben.<br />
Unser hierarchisches parameterfreies Graph-Clustering (HPGCL) beschreiben wir dann ausführlich in Kapitel 7<br />
und geben dabei unsere Definition eines Clusters, sowie ein medianbasiertes, schwellwertfreies Entscheidungskriterium<br />
zur Vereinigung ähnlicher Cluster. In Kapitel 8 wenden wir dann unser Verfahren auf unterschiedlichen<br />
Daten an und beschreiben die erzielten Ergebnisse. Für die durchgeführten Tests standen künstlich erzeugte<br />
Daten, Daten aus dem Gebäudeinformationssystem des Stadtvermessungsamts Stuttgart, sowie Laserdaten und<br />
Bilddaten zur Verfügung, welche das breite Spektrum des Verfahrens demonstrieren.<br />
Im letzten Kapitel 9 werden dann die erzielten Ergebnisse diskutiert und ein Ausblick auf mögliche zukünftige<br />
Arbeiten angezeigt.<br />
1 In Bayern DFK (Digitale Flurkarte) genannt.