- AutorIn
- Dr. Robert Hecht
- Titel
- Automatische Klassifizierung von Gebäudegrundrissen
- Untertitel
- Ein Beitrag zur kleinräumigen Beschreibung der Siedlungsstruktur
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:14-qucosa-151601
- Schriftenreihe
- IÖR-Schriften
- Bandnummer
- 63
- Datum der Verteidigung
- 10.06.2013
- ISBN
- 978-3-944101-63-7
- Abstract (DE)
- Für die Beantwortung verschiedener Fragestellungen im Siedlungsraum werden kleinräumige Informationen zur Siedlungsstruktur (funktional, morphologisch und sozio-ökonomisch) benötigt. Der Gebäudebestand spielt eine besondere Rolle, da dieser die physische Struktur prägt und sich durch dessen Nutzung Verteilungsmuster von Wohnungen, Arbeitsstätten und Infrastrukturen ergeben. In amtlichen Geodaten, Karten und Diensten des Liegenschaftskatasters und der Landesvermessung sind die Gebäude in ihrem Grundriss modelliert. Diese besitzen allerdings nur selten explizite semantische Informationen zum Gebäudetyp. Es stellt sich die Frage, ob und wie genau eine automatische Erkennung von Gebäudetypen unter Nutzung von Methoden der Geoinformatik, der Mustererkennung und des maschinellen Lernens möglich ist. In diesem Buch werden methodische Bausteine zur automatischen Klassifizierung von Gebäudegrundrissen vorgestellt. Im Kern werden Fragen beantwortet zu den Datenanforderungen, der Gebäudetypologie, der Merkmalsgewinnung sowie zu geeigneten Klassifikationsverfahren und den Klassifikationsgenauigkeiten, die abhängig von Eingangsdaten, Siedlungstyp und Trainingsdatenmenge erzielt werden können. Der Random-Forest-Algorithmus zeigte die höchste Flexibilität, Generalisierungsfähigkeit und Effizienz und wurde als bestes Klassifikationsverfahren identifiziert. Die Arbeit leistet einen wichtigen Beitrag zur Gewinnung kleinräumiger Informationen zur Siedlungsstruktur. Die entwickelte Methodik ermöglicht ein breites Anwendungsspektrum in der Wissenschaft, Planung, Politik und Wirtschaft (u. a. Stadt- und Regionalplanung, Infrastrukturplanung, Risikomanagement, Energiebedarfsplanung oder dem Geomarketing).
- Abstract (EN)
- Building data are highly relevant for the small-scale description of settlement structures. Spatial base data from National Mapping and Cadastral Agencies describe the buildings in terms of the geometry but often lack semantic information on the building type. Here, methods for the automatic classification of building footprints are presented and discussed. The work addresses issues of data integration, data processing, feature extraction, feature selection, and investigates the accuracy of various classification methods. The results are of scientific, planning, policy and business interest at various spatial levels.
- Freie Schlagwörter (DE)
- Gebäudetyp
- Freie Schlagwörter (EN)
- Urban Geography, Cartography, Geographic Information System, Classification, Building Data, Settlement Structure, Settlement Pattern, Pattern Recognition, Machine Learning
- Klassifikation (DDC)
- 550, 710
- Klassifikation (RVK)
- RB 10912
- Normschlagwörter (GND)
- Stadtgeographie, Siedlungsstruktur, Geoinformationssystem, Stadtplanung, Klassifikation, Kartographie, Mustererkennung, Maschinelles Lernen
- GutachterIn
- Prof. Dr. phil. habil. Manfred F. Buchroithner
- Prof. Dr. habil. Nguyen Xuan Thinh
- Prof. Dr.-Ing. habil. Dirk Burghardt
- BetreuerIn
- Prof. Dr. phil. habil. Manfred F. Buchroithner
- Verlag
- Leibniz-Institut für ökologische Raumentwicklung e. V. (IÖR), Dresden
- Rhombos-Verlag, Berlin
- Den akademischen Grad verleihende / prüfende Institution
- Technische Universität Dresden, Dresden
- URN Qucosa
- urn:nbn:de:bsz:14-qucosa-151601
- Veröffentlichungsdatum Qucosa
- 23.09.2014
- Dokumenttyp
- Dissertation
- Sprache des Dokumentes
- Deutsch
- Lizenz / Rechtehinweis
- Inhaltsverzeichnis
Vorwort .................................................................................................. I Danksagung ......................................................................................... III Kurzfassung und Thesen ....................................................................... V Abstract and Theses ............................................................................. IX Inhaltsverzeichnis ................................................................................ XV 1 Einleitung ............................................................................................ 1 2 Grundlagen zur Siedlungsstruktur .................................................... 11 3 Methodische Grundlagen der Mustererkennung .............................. 57 4 Forschungsstand .............................................................................. 95 5 Konzeptionelle Vorüberlegungen .................................................... 113 6 Mögliche Datenquellen zum Gebäudegrundriss .............................. 127 7 Entwicklung des Verfahrens ........................................................... 143 8 Ergebnisse und Diskussion ............................................................. 201 9 Schlussfolgerungen und Ausblick .................................................... 259 Literatur ............................................................................................. 275 Abkürzungsverzeichnis ...................................................................... 311 Abbildungsverzeichnis ....................................................................... 320 Tabellenverzeichnis ........................................................................... 323 Anhang A Datengrundlagen zur Siedlungsstruktur ......................................... 327 B Gebäudetypologie .......................................................................... 343 C Merkmale ........................................................................................ 349 D Entwicklung des Klassifikators ........................................................ 365 E Genauigkeitsuntersuchung ............................................................. 375 F Exemplarische Anwendung von BFClassTool ................................... 395