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.
1.3. ABGRENZUNG ZU ANDEREN ARBEITEN 11<br />
1.3 Abgrenzung zu anderen Arbeiten<br />
Unsere Arbeiten zur Ableitung von 3D-Gebäudehypothesen aus GIS-Daten zur Rekonstruktion von Gebäuden<br />
aus Luftbildern und Laser-Daten (Haala & Anders 1996, Haala & Anders 1997) waren unseres Erachtens die<br />
ersten Arbeiten zu dieser Problematik. Die prinzipielle Möglichkeit der automatischen Fortführung von ATKIS<br />
Basis-DLM aus ALK-Daten wurde in den Arbeiten (Anders & Sester 1997, Anders, Sester & Fritsch 1997,<br />
Anders 1997, Sester, Anders & Walter 1998), soweit uns bekannt, erstmals aufgezeigt.<br />
Der in dieser Arbeit vorgestellte Ansatz zur Gruppierung raumbezogener Daten kann als hierarchisches, agglomeratives,<br />
dichtebasiertes Clusterverfahren eingeordnet werden. Ester, Kriegel, Sander & Xu (1996) beschreiben<br />
ebenfalls ein dichtebasiertes Clustering-Verfahren, das jedoch nicht auf Nachbarschaftsgraphen aufbaut,<br />
wie unser Verfahren. Die Autoren definieren, basierend auf einer ɛ-Umgebung, die Begriffe density-reachable<br />
und density-connected, um benachbarte (ähnliche) Objekte und Cluster zu charakterisieren. Das ɛ muss dabei<br />
vorgegeben werden oder kann, unter der Annahme einer räumlichen Verteilung, geschätzt werden.<br />
Wie oben herausgestellt, unterscheiden sich graphbasierte Verfahren von unserem Verfahren im wesentlichen<br />
durch die Art der verwendeten Graphen, die Verwendung von Schwellwerten und der Definition der Clusterdichte,<br />
soweit diese Verfahren die Dichte als Maß für die Ähnlichkeit verwenden. Unseres Wissens nach sind<br />
(Anders, Sester & Fritsch 1999, Anders & Sester 2000, Anders 2001) auch die ersten Veröffentlichungen zur<br />
expliziten Verwendung der Hierarchie der Nachbarschaftsgraphen zum parameterfreien Clustering räumlicher<br />
Objekte. Das graphbasierte Verfahren von Zahn (1971) verwendet nur den minimal spannenden Baum und einen<br />
Schwellwert als Entscheidungskriterium zur Entfernung ”<br />
ungeeigneter“ Graphkanten. Urquhart (1982) untersuchte<br />
den Gabriel Graph (siehe Abschnitt 6.2.5) auf seine Eignung zum Clustering. Das dichtebasierte Verfahren<br />
von Bajcsy & Ahuja (1998) bestimmt, im Gegensatz zu uns, den vollständigen Graphen (siehe Abschnitt 6.1.2).<br />
In den Arbeiten von Jarvis & Patrick (1973) und Eppstein (1998) wird der k-Nächster-Nachbargraph verwendet,<br />
wodurch k als Parameter ins Spiel kommt; in (Jarvis & Patrick 1973) wird noch ein weiterer Schwellwert<br />
für die Gruppierung benachbarter Objekte verwendet. Estivill-Castro & Lee (2002) verwenden die Delaunay-<br />
Triangulation (Abschnitt 6.2.7) und ein spezielles Kriterium zur Entfernung ”<br />
ungeeigneter“ Graphkanten, das<br />
sie als Short-Long-Kriterium bezeichnen. In der Arbeit von van Schröder (2001) wird die gleichmässige Baumzerlegung<br />
verwendet, die, wie der Name schon sagt, einen Baum (siehe Def. 6.1.10) als Graph voraussetzt.<br />
van Dongen (2000) beschreibt ein stochastisches Graph-Clustering-Verfahren, das auf einem Markov-Prozess<br />
aufbaut.<br />
Damit grenzt sich unser Verfahren in folgenden Punkten von bestehenden Arbeiten ab:<br />
• Das gesamte Verfahren benötigt keine Vorgabe oder Schätzung von Parametern und es sind keine Annahmen<br />
über die zugrundeliegende Verteilung der Merkmale der zu gruppierenden Objekte notwendig.<br />
• Die Verwendung mehrerer Arten von Nachbarschaftsgraphen anstelle eines einzelnen Graphen und ihre<br />
explizite Verknüpfung durch die Teilmengenbeziehung ihrer Kantenmengen.<br />
• Die Definition eines Clusters als Kombination äußerer und innerer Kantenmengen ermöglicht eine unscharfe<br />
Modellierung der Clusterdichte.<br />
• Die medianbasierte Definition eines Ähnlichkeitsmaßes zum robusten Vergleich von Clustern.