Entwicklung einer Machine-Learning-basierten Qualitätssicherungsstrategie für die LoD2-Dachformen der 3D-Gebäudemodelle der BVV

Im Rahmen dieser Bachelorarbeit wurde – in Kooperation mit dem LDBV – eine Machine-Learning (ML)-basierte Strategie zur Qualitätssicherung von LoD2-Dachformen in den 3D-Gebäudemodellen der Bayerischen Vermessungsverwaltung (BVV) entwickelt. Angesichts der wachsenden Bedeutung präziser 3D-Modelle für städtische Anwendungen ist eine zuverlässige Klassifikation von Dachformen entscheidend. Ziel der Arbeit war die automatische Klassifikation von Dachtypen auf Basis von CityGML-Daten.

Als Eingangsdaten dienten unter anderem die absolute Gebäudehöhe, die niedrigste Traufhöhe, die Anzahl der Dachflächen, die Dachorientierung und die Dachneigung. Zur Vorhersage der acht häufigsten Dachformen wurde ein Random-Forest-Modell in Python implementiert, das die Dachformen auf Basis der vorliegenden Daten schätzt und auf den verwendeten Testdaten eine Genauigkeit von 89 % erreicht.

Die Klassifikationsergebnisse werden in einer CSV-Tabelle exportiert, die für jeden Datensatz die ID, die vorhergesagte Dachklasse, die tatsächliche Dachklasse und den Konfidenzwert enthält. Datensätze mit geringer Konfidenz können so gezielt manuell überprüft und nachbearbeitet werden. Die Ergebnisse dieser Arbeit tragen zur Optimierung städtischer 3D-Modelle bei und bieten Potenzial für Anwendungen in Bereichen wie Stadtplanung, Energieeffizienz, Umwelt- und Katastrophenschutz sowie in der Versicherungs-, Energie- und Navigationstechnik. Die Arbeit liefert somit wertvolle Impulse für zukünftige Entwicklungen im Bereich der digitalen Stadtmodelle.