Группа ученых из Сколтеха и исследовательского института FBK (Италия) представила методику, позволяющую создавать 4D-модели зданий с помощью исторических карт и машинного обучения. Используя новую методику, можно не только предсказывать высоту зданий на основе их геометрических параметров, данных о районе и категории здания, но и получать более полную информацию о различных явлениях и изменениях в городской среде, сыгравших важную роль в формировании современного облика наших городов. Результаты исследования опубликованы в журнале MDPI Applied Sciences.
Наиболее важным источником информации для анализа изменений в городской застройке являются исторические карты. Однако на таких картах трехмерный мир представлен в двухмерном пространстве, которое лишь отражает главные особенности городской среды, не учитывая пространственную информацию и в частности данные о высоте зданий. В приложениях для 3D/4D-моделирования городской среды на основе исторических данных отсутствие информации о высоте зданий – главная проблема, не позволяющая добиться требуемой точности в представлении, анализе, визуализации и моделировании объемного пространства.
Ученые из Сколтеха и отдела 3DOM института FBK в Тренто исследовали возможности решений на основе машинного обучения по определению высоты зданий при помощи исторических карт местности.
Разработанный метод протестировали на четырех исторических картах Тренто (1851, 1887, 1908 и 1936 гг.) и Болоньи (1884 и 1945 гг.), на которых отражены наиболее существенные изменения в городской застройке за последние столетия, и восстановили динамические 4D-версии этих городов.
«Разработанная нами методика обучения и предсказания, протестированная на исторических данных, оказалась эффективной и перспективной для целого ряда других приложений. Пока для предсказания используется небольшое число характерных признаков, но в ближайшее время мы планируем обобщить методику для решения реальных задач в условиях отсутствия данных о высотах рельефа местности. Разработанные при помощи этой методики модели позволят восполнить нехватку геопространственных данных при исследовании исторических и труднодоступных ландшафтов», – рассказывает аспирант Сколтеха и FBK в Тренто Эмре Оздемир.
Источник изображений: Farella, E.M.; Özdemir, E.; Remondino, F. 4D Building Reconstruction with Machine Learning and Historical Maps. Appl. Sci. 2021, 11, 1445. https://doi.org/10.3390/app11041445
Источник информации и фото: Сколтех
