ForschungMobilität
Anpassung von Gebäudegrundrissen aus Lidardaten an ALK-Daten

Anpassung von Gebäudegrundrissen aus Lidardaten an ALK-Daten

Leitung:  Politz, Sester
Jahr:  2020
Ist abgeschlossen:  ja

Die Landesvermessungsbehörden führen in regelmäßigen Abständen Befliegungen durch, in denen mittels Airborne Laser Scanning (ALS) das Landesgebiet erfasst wird. Aus den hierbei gewonnenen Daten werden unter Anderem Gebäudegrundrisse extrahiert, welche mit den Daten des amtlichen Liegenschaftskatasters (ALKIS) abgeglichen werden sollen, um die Datenbank zu aktualisieren. Aufgrund von verschiedenen Erfassungsmethoden, Fehlereinflüssen und unterschiedlichen Aktualitätsständen kann es dazu kommen, dass die Lage von Gebäudegrundrissen in den beiden Datensätzen nicht übereinstimmt. Die Arbeit befasste sich mit der Bestimmung von homogenen Verschiebungsvektoren zwischen in Vektorformat aufbereiteten ALS- und ALKIS-Datensätzen. Ziel dieser Arbeit war es, eine höhere Übereinstimmung einzelner Objekte nach der Verschiebung zu erreichen. Zunächst wurden korrespondierende Objekte mittels Nächster-Nachbar-Suche einander zugeordnet und über die Distanz der jeweiligen Zentroide evaluiert. Des Weiteren wurde die Zuordnung über die Eckpunkte verfeinert, die die korrespondierenden Objekte einer Flächenähnlichkeitsprüfung und einer weiteren Distanzprüfung unterzog. Für die Objektpaare, die die Prüfungen bestanden haben, wurden zunächst die Verschiebungen je Objekt berechnet, ehe diese in unterschiedlichen Methoden über den globalen Mittelwert oder verschiedene Clustermethoden (K-Means, Mean-Shift, DBSCAN) aggregiert wurden. Für Objekte, die diese Untersuchungen nicht bestanden haben, wurden die dazugehörigen Verschiebungsvektoren im Anschluss über Interpolation bestimmt. Hierbei wurde Inverse Distance Weighting und die Bestimmung der jeweiligen Clusterzugehörigkeit als Interpolationsmethoden untersucht. Die Arbeit zeigte, dass durch die angebrachten Verschiebungen eine bessere Überlappung der beiden Datensätze erzielt werden konnte. Die untersuchten Clustermethoden waren zum Teil im Stande, systematische, lokale Fehler aufzuzeigen. Für Datensätze mit einer hohen Ausgangsüberlagerung konnte keine Verbesserung erzielt werden.