PDF-Download - Deutsche Geodätische Kommission

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