Εξόρυξη πληροφορίας από 3d μοντέλα πόλης με τη χρήση γράφων για την υποστήριξη της διαδικασίας λήψης αποφάσεων στο χωρικό σχεδιασμό

Abstract

The existence of a huge amount of information, which is available in the form of images and 3D models of the city, was the main motivational point for the preparation of this thesis dissertation. The main aim is to utilize this huge amount of information for the benefit of spatial planning. In recent decades, 3D city models seem to have been used primarily for visualization purposes. However, nowadays 3D city models have become very important tools that are used in a variety of applications in many different areas. The main objective of this research was to develop a methodology for the analysis of 3D city models and in particular the automatic clustering and classification of them, focusing on the successful identification of building structures belonging to a 3D city model. The detection of the building structures is carried out at the level of detail LOD1, which it focuses on building primitives identification. Hence, this thesis is aiming to develop a holistic open source tool that can support both the production of a 3D city model and its analysis. The tool which is implemented is pointed to be used and support the decision-making process in spatial planning. The proposed methodology (developed) for the automatic clustering and classification of the 3D city model is based on a data structure called graph along with the graph mining algorithms. The usage of the graph data structure for the buildings' identification of a 3D city model is the main novelty of this research. Most of the existing approaches are using supervised machine learning methods such as neural networks or deep learning techniques. This research proposes a non-supervised methodology by using the graph data structure. This approach has significant advantages such as the automation of building' identification process, the fast and efficient detection of the building structures, as shown by an extensive experimental process. Furthermore, the proposed methodology does not require the existence of a set of training data as in methodologies based on supervised learning methods. To sum up, the outputs of this thesis could be used for the benefit of spatial planning as an additional tool in the planning and decision-making process. The spatial planner engineer will be able to produce a 3D model of a city or a part of it that needs study. Then, by using the proposed methodology, the spatial engineer will be able to automatically detect the building structures that are located in the study area. After the successful identification of the building structures, the engineer will get as output many useful information like the number of building structures that are included in the 3D city model, buildings' heights as well as their position in the space. Thus, the proposed methodology and the tool will give to the spatial planner engineer a more realistic picture of the study environment and consequently helping him in the process of planning and decision making.

Η ύπαρξη τεράστιου όγκου πληροφορίας, ο οποίος βρίσκεται διαθέσιμος σε μορφή εικόνων αλλά και 3D μοντέλων πόλης, και οι πιθανοί τρόποι αξιοποίησή του αποτέλεσε το βασικό κίνητρο για την εκπόνηση αυτής της διδακτορικής διατριβής. Ο βασικός στόχος ήταν η αξιοποίηση αυτού του τεράστιου όγκου πληροφορίας προς όφελος των πρακτικών και εφαρμογών του χωρικού σχεδιασμού. Τις τελευταίες δεκαετίες, τα 3D μοντέλα πόλης φαίνεται να έχουν χρησιμοποιηθεί κατά κύριο λόγο για οπτικοποίηση. Ωστόσο, σήμερα έχουν γίνει πολύ σημαντικά εργαλεία και χρησιμοποιούνται σε μια πληθώρα εφαρμογών που αφορούν ολοένα και περισσότερους τομείς. Πιο συγκεκριμένα, ο βασικός στόχος της έρευνας ήταν η ανάπτυξη μιας μεθοδολογίας για την ανάλυση των 3D μοντέλων πόλης και συγκεκριμένα για την αυτόματη ομαδοποίηση και κατηγοριοποίηση τους, εστιάζοντας στην επιτυχή αναγνώριση των κτιριακών δομών που ανήκουν μέσα σε ένα 3D μοντέλο πόλης. Ο εντοπισμός των κτιριακών δομών πραγματοποιείται σε επίπεδο λεπτομέρειας LOD1, δηλαδή εστιάζει στον εντοπισμό κτιριακών όγκων (building primitives). Γενικότερος στόχος της έρευνας είναι η ανάπτυξη και παραγωγή ενός ολοκληρωμένου εργαλείου ανοιχτού λογισμικού που είναι δυνατόν να υποστηρίξει τόσο την παραγωγή ενός 3D μοντέλο πόλης όσο και την ανάλυση του. Το εργαλείο που αναπτύχθηκε μπορεί να χρησιμοποιηθεί και να υποστηρίξει τη διαδικασία λήψης απόφασης στο χωρικό σχεδιασμό. Η μεθοδολογία η οποία αναπτύχθηκε για την αυτόματη ομαδοποίηση και κατηγοριοποίηση βασίζεται στη δομή δεδομένων που καλείται γράφος καθώς και των τεχνικών εξόρυξης πληροφορίας από γραφήματα. Η εισαγωγή της έννοιας του γράφου αποτελεί την καινοτομία της έρευνας που παρουσιάζεται στη συνέχεια. Οι περισσότερες, αν όχι όλες οι προσεγγίσεις, χρησιμοποιούν μεθόδους υπολειπόμενης μάθησης, όπως είναι τα νευρωνικά δίκτυα. Στην έρευνα αυτή προτείνεται μια μεθοδολογία μη-επιβλεπόμενης μάθησης κάνοντας χρήση της δομής του γράφου. Αυτή η πρόσεγγιση φέρει σημαντικά πλεονεκτήματα, όπως είναι η αυτοματοποίηση της διαδικασίας, ο αποτελεσματικός και γρήγορος εντοπισμός των κτιριακών δομών, όπως αποδεικνύεται και από την εκτενή πειραματική διαδικασία που ακολουθήθηκε. Επιπρόσθετα, η μεθοδολογία που προτείνεται δεν απαιτεί την ύπαρξη ενός συνόλου δεδομένων εκπαίδευσης, όπως στις μεθοδολογίες που βασίζονται σε μεθόδους επιβλεπόμενης μάθησης. Συνοψίζοντας, τα αποτελέσματα αυτής της έρευνας, θα μπορούσαν να χρησιμοποιηθούν προς όφελος του χωρικού σχεδιασμού ως ένα επιπλέον εργαλείο κατά τη διαδικασία λήψης αποφάσεων στο σχεδιασμό. Ο σχεδιαστής-μηχανικός θα μπορεί πλέον να δημιουργήσει ένα 3D μοντέλο της πόλης ή ενός τμήματος αυτής που χρήζει μελέτη. Στη συνέχεια, με τη χρήση της προτεινόμενης μεθοδολογίας, θα μπορεί να εντοπίσει αυτόματα τις κτιριακές δομές οι οποίες βρίσκονται στην περιοχή που επιλέχθηκε. Μετά από τον επιτυχή εντοπισμό των κτιριακών δομών, ο σχεδιαστής-μηχανικός θα έχει διαθέσιμες πληροφορίες σχετικά με τον αριθμό των κτιριακών δομών που υπάρχουν, τα ύψη τους, καθώς και τη θέση τους μέσα στο χώρο. Με αυτό τον τρόπο θα έχει στη διάθεσή του μια πιο ρεαλιστική εικόνα του περιβάλλοντος μελέτης και κατ' επέκταση ένα πρόσθετο και σημαντικό βοηθητικό εργαλείο που μπορεί να χρησιμοποιηθεί κατά τη διαδικασία του σχεδιασμού και της λήψης αποφάσης.