Automatische Identifizierung von Gebäudetypen basierend auf topografischen Datenbanken – ein Vergleich verschiedener Datenquellen

Daten, Karten und Dienstleistungen der nationalen Vermessungs- und Katasterbehörden enthalten geometrische Informationen über Gebäude, insbesondere Gebäudeflächen. Informationen zum Gebäudetyp sind jedoch oft nicht enthalten. In dieser Arbeit schlagen wir einen datengestützten Ansatz zur automatischen Klassifizierung von Gebäudeflächen vor, der Mustererkennung und maschinelles Lernen nutzt. Mit einem Random Forest-Klassifizierer wird die Eignung von fünf verschiedenen Datenquellen (z.B. topografischen Rasterkarten, Katasterdatenbanken oder digitalen Landschaftsmodellen) hinsichtlich der erzielten Genauigkeiten untersucht. Die Ergebnisse dieser Studie zeigen, dass Gebäudeflächen, die aus topografischen Datenbanken wie digitalen Landschaftsmodellen, Katasterdatenbanken oder 3D-Stadtmodellen gewonnen wurden, mit einer Genauigkeit von 90–95 % klassifiziert werden können. Bei der Klassifizierung von Gebäudeflächen basierend auf topografischen Karten ist die Genauigkeit erheblich geringer (zwischen 76–88 %). Die automatische Klassifizierung von Gebäudeflächen stellt einen wichtigen Beitrag zum Erwerb neuer kleinskaliger Indikatoren zur Siedlungsstruktur dar, wie z.B. Gebäudedichte, Geschossflächenzahl oder Wohn-/ Bevölkerungsdichten. Neben der Bedeutung für die Stadtforschung und -planung sind die Ergebnisse auch für kartografische Disziplinen von Relevanz, wie z.B. Kartenverallgemeinerung, automatisierte Kartierung und Geovisualisierung.