گردش کار برای کمی سازی خودکار ساختار و دینامیک انبار ساختمان آلمان با استفاده از داده های فضایی رسمی

خلاصه

دانش ساختمان آلمان تا حد زیادی بر اساس داده های سرشماری و آمار ساخت و ساز سالانه است. علیرغم گستره وسیع داده های آماری، آنها از نظر تفکیک زمانی، موضوعی و مکانی محدود هستند و از این رو تمامی الزامات برنامه ریزی و تحقیق فضایی را برآورده نمی کنند. در این مقاله، ما یک گردش کار جدید را برای یکپارچه سازی داده ها توصیف می کنیم که امکان کمی سازی ساختار و پویایی سهام ساختمان ملی را با تجزیه و تحلیل داده های جغرافیایی معتبر فراهم می کند. گردش کار پیشنهادی به طور مثال برای کل کشور آلمان توسعه، آزمایش و نشان داده شده است. ما از محصولات داده های جغرافیایی معتبر در سراسر کشور و معمولاً در دسترس مانند ردپای ساختمان و داده های آدرس حاصل از کاداستر املاک و اطلاعات کاربری زمین از مدل منظر دیجیتال استفاده می کنیم. مراحل پردازش عبارتند از (1) پیش پردازش داده. (2) محاسبه ویژگی های ساختمان. (3) غنی سازی معنایی ساختمان با استفاده از درخت طبقه بندی. (4) تقاطع با واحدهای فضایی. و در نهایت (5) کمی سازی و تجسم نقشه برداری از ساختار ساختمان و دینامیک. با اعمال گردش کار برای داده های جغرافیایی معتبر آلمانی، می توان کل ساختمان را با 48 میلیون چند ضلعی در سطوح مختلف در مقیاس توصیف کرد. تقریباً یک سوم کل موجودی ساختمان ها را ساختمان های خارجی تشکیل می دهند. رویکرد روش‌شناختی نشان می‌دهد که 62 درصد از ساختمان‌های مسکونی به صورت مجزا، 80 درصد نیمه مجزا و 20 درصد خانه‌های پلکانی هستند. رویکرد و پایگاه داده جدید برای مدل‌سازی شهری و انرژی، تحلیل جریان مواد، ارزیابی ریسک و مدیریت تسهیلات بسیار ارزشمند خواهد بود. (2) محاسبه ویژگی های ساختمان. (3) غنی سازی معنایی ساختمان با استفاده از درخت طبقه بندی. (4) تقاطع با واحدهای فضایی. و در نهایت (5) کمی سازی و تجسم نقشه برداری از ساختار ساختمان و دینامیک. با اعمال گردش کار برای داده های جغرافیایی معتبر آلمانی، می توان کل ساختمان را با 48 میلیون چند ضلعی در سطوح مختلف در مقیاس توصیف کرد. تقریباً یک سوم کل موجودی ساختمان ها را ساختمان های خارجی تشکیل می دهند. رویکرد روش‌شناختی نشان می‌دهد که 62 درصد از ساختمان‌های مسکونی به صورت مجزا، 80 درصد نیمه مجزا و 20 درصد خانه‌های پلکانی هستند. رویکرد و پایگاه داده جدید برای مدل‌سازی شهری و انرژی، تحلیل جریان مواد، ارزیابی ریسک و مدیریت تسهیلات بسیار ارزشمند خواهد بود. (2) محاسبه ویژگی های ساختمان. (3) غنی سازی معنایی ساختمان با استفاده از درخت طبقه بندی. (4) تقاطع با واحدهای فضایی. و در نهایت (5) کمی سازی و تجسم نقشه برداری از ساختار ساختمان و دینامیک. با اعمال گردش کار برای داده های جغرافیایی معتبر آلمانی، می توان کل ساختمان را با 48 میلیون چند ضلعی در سطوح مختلف در مقیاس توصیف کرد. تقریباً یک سوم کل موجودی ساختمان ها را ساختمان های خارجی تشکیل می دهند. رویکرد روش‌شناختی نشان می‌دهد که 62 درصد از ساختمان‌های مسکونی به صورت مجزا، 80 درصد نیمه مجزا و 20 درصد خانه‌های پلکانی هستند. رویکرد و پایگاه داده جدید برای مدل‌سازی شهری و انرژی، تحلیل جریان مواد، ارزیابی ریسک و مدیریت تسهیلات بسیار ارزشمند خواهد بود. (3) غنی سازی معنایی ساختمان با استفاده از درخت طبقه بندی. (4) تقاطع با واحدهای فضایی. و در نهایت (5) کمی سازی و تجسم نقشه برداری از ساختار ساختمان و دینامیک. با اعمال گردش کار برای داده های جغرافیایی معتبر آلمانی، می توان کل ساختمان را با 48 میلیون چند ضلعی در سطوح مقیاس مختلف توصیف کرد. تقریباً یک سوم کل موجودی ساختمان ها را ساختمان های خارجی تشکیل می دهند. رویکرد روش‌شناختی نشان می‌دهد که 62 درصد از ساختمان‌های مسکونی به صورت مجزا، 80 درصد نیمه مجزا و 20 درصد خانه‌های پلکانی هستند. رویکرد و پایگاه داده جدید برای مدل‌سازی شهری و انرژی، تحلیل جریان مواد، ارزیابی ریسک و مدیریت تسهیلات بسیار ارزشمند خواهد بود. (3) غنی سازی معنایی ساختمان با استفاده از درخت طبقه بندی. (4) تقاطع با واحدهای فضایی. و در نهایت (5) کمی سازی و تجسم نقشه برداری از ساختار ساختمان و دینامیک. با اعمال گردش کار برای داده های جغرافیایی معتبر آلمانی، می توان کل ساختمان را با 48 میلیون چند ضلعی در سطوح مختلف در مقیاس توصیف کرد. تقریباً یک سوم کل موجودی ساختمان ها را ساختمان های خارجی تشکیل می دهند. رویکرد روش‌شناختی نشان می‌دهد که 62 درصد از ساختمان‌های مسکونی به صورت مجزا، 80 درصد نیمه مجزا و 20 درصد خانه‌های پلکانی هستند. رویکرد و پایگاه داده جدید برای مدل‌سازی شهری و انرژی، تحلیل جریان مواد، ارزیابی ریسک و مدیریت تسهیلات بسیار ارزشمند خواهد بود. و در نهایت (5) کمی سازی و تجسم نقشه برداری از ساختار ساختمان و دینامیک. با اعمال گردش کار برای داده های جغرافیایی معتبر آلمانی، می توان کل ساختمان را با 48 میلیون چند ضلعی در سطوح مختلف در مقیاس توصیف کرد. تقریباً یک سوم کل موجودی ساختمان ها را ساختمان های خارجی تشکیل می دهند. رویکرد روش‌شناختی نشان می‌دهد که 62 درصد از ساختمان‌های مسکونی به صورت مجزا، 80 درصد نیمه مجزا و 20 درصد خانه‌های پلکانی هستند. رویکرد و پایگاه داده جدید برای مدل‌سازی شهری و انرژی، تحلیل جریان مواد، ارزیابی ریسک و مدیریت تسهیلات بسیار ارزشمند خواهد بود. و در نهایت (5) کمی سازی و تجسم نقشه برداری از ساختار ساختمان و دینامیک. با اعمال گردش کار برای داده های جغرافیایی معتبر آلمانی، می توان کل ساختمان را با 48 میلیون چند ضلعی در سطوح مختلف در مقیاس توصیف کرد. تقریباً یک سوم کل موجودی ساختمان ها را ساختمان های خارجی تشکیل می دهند. رویکرد روش‌شناختی نشان می‌دهد که 62 درصد از ساختمان‌های مسکونی به صورت مجزا، 80 درصد نیمه مجزا و 20 درصد خانه‌های پلکانی هستند. رویکرد و پایگاه داده جدید برای مدل‌سازی شهری و انرژی، تحلیل جریان مواد، ارزیابی ریسک و مدیریت تسهیلات بسیار ارزشمند خواهد بود. می توان کل ساختمان را با 48 میلیون چند ضلعی در سطوح مقیاس مختلف توصیف کرد. تقریباً یک سوم کل موجودی ساختمان ها را ساختمان های خارجی تشکیل می دهند. رویکرد روش‌شناختی نشان می‌دهد که 62 درصد از ساختمان‌های مسکونی به صورت مجزا، 80 درصد نیمه مجزا و 20 درصد خانه‌های پلکانی هستند. رویکرد و پایگاه داده جدید برای مدل‌سازی شهری و انرژی، تحلیل جریان مواد، ارزیابی ریسک و مدیریت تسهیلات بسیار ارزشمند خواهد بود. می توان کل ساختمان را با 48 میلیون چند ضلعی در سطوح مقیاس مختلف توصیف کرد. تقریباً یک سوم کل موجودی ساختمان ها را ساختمان های خارجی تشکیل می دهند. رویکرد روش‌شناختی نشان می‌دهد که 62 درصد از ساختمان‌های مسکونی به صورت مجزا، 80 درصد نیمه مجزا و 20 درصد خانه‌های پلکانی هستند. رویکرد و پایگاه داده جدید برای مدل‌سازی شهری و انرژی، تحلیل جریان مواد، ارزیابی ریسک و مدیریت تسهیلات بسیار ارزشمند خواهد بود.

کلید واژه ها:

سهام ساختمان ; طبقه بندی ساختمان ; داده های جغرافیایی معتبر

1. معرفی

داده های جغرافیایی در زمینه های مختلف جامعه ضروری است و در عین حال نیاز به حفاظت از داده ها و تقاضا برای داده های با وضوح بالا را در نظر می گیرد (ر.ک. [ 1 ، 2] ).]). با توجه به مجموعه داده‌های جغرافیایی ارجاع‌شده بزرگ در ساختمان‌ها، این سوال مطرح می‌شود: کدام اشکال پردازش و تجزیه و تحلیل داده‌ها برای ایجاد بینش جدید در بخش مسکونی و همچنین بخش ساختمان‌های غیرمسکونی مناسب‌تر هستند؟ در حالی که داده های قابل توجهی در مورد موجودی ساختمان های مسکونی جمع آوری شده است، بسیاری از کشورهای اروپایی دارای پایگاه داده کافی در مورد کل موجودی ساختمان های غیر مسکونی نیستند. علاوه بر تعداد ساختمان‌ها و مناطق ردپا، محققان حوزه‌های مختلف به داده‌های قوی در مورد قدمت و کاربری ساختمان‌ها، سازه‌های مالکیت، کیفیت و وضعیت ساختمان و همچنین ویژگی‌های دینامیکی مرتبط نیاز دارند [ 3 ، 4 ، 5 ، 6 ، 7 ، 8 ،9 ]. علاوه بر این، سهام ساختمان با توجه به چالش‌های بهره‌وری منابع، تأثیر تغییرات آب و هوا، خطر فزاینده خطرات طبیعی و تلاش‌ها برای کاهش انتشار CO2 به کانون بحث‌های سیاسی تبدیل _{شده‌اند} . به منظور اطمینان از اینکه تصمیمات در مورد سهام ساختمان مبتنی بر تجربی است، داده های خاص در مورد کل موجودی و همچنین اطلاعاتی در مورد توزیع فضایی ویژگی های ساختمان انتخاب شده مورد نیاز است.

در این راستا، هدف این مقاله ارائه یک رویکرد روش‌شناختی جدید برای یکپارچه‌سازی داده‌ها است که محصولات داده‌های جغرافیایی رایج در دسترس را در نظر می‌گیرد و یک پایگاه داده جدید ایجاد می‌کند. داده های پردازش شده اجازه می دهد تا ساختار و پویایی سهام ساختمان ملی را تا سطح بالایی از جزئیات توصیف کند. به ویژه، امکان تعیین کمیت کل موجودی ساختمان های مسکونی و غیر مسکونی را فراهم می کند. بنابراین، از مطالعات آینده در مورد سهام ساختمان و همچنین سیستم های نظارت و فرآیندهای تصمیم گیری سیاسی در دراز مدت پشتیبانی می کند.

این مقاله به شرح زیر سازماندهی شده است. بخش 2 بررسی مختصری از کار مرتبط را برای تعیین کمیت کل موجودی ساختمان و توزیع فضایی آن ارائه می دهد. بخش 3 یک نمای کلی از محصولات داده ساختمان رسمی با تمرکز بر آلمان ارائه می دهد. در بخش 4 ، منطقه مورد مطالعه و مجموعه داده های مورد استفاده ارائه شده است. گردش کار، که به مراحل تشکیل دهنده آن تقسیم شده است، در بخش 5 و به دنبال آن نتایج نمونه در بخش 6 آورده شده است . در نهایت، بخش 7 و بخش 8 بحث و خلاصه ای از گردش کار ارائه شده را ارائه می کنند در حالی که برخی از زمینه ها برای تحقیقات آینده شناسایی می شوند.

2. کارهای مرتبط

بررسی‌های آماری جامع اغلب با تخمین‌های مدل تقریبی تکمیل می‌شوند تا میزان موجودی ملی ساختمان‌ها و همچنین تغییرات در این مورد را تعیین کنند. طیف وسیعی از داده های جغرافیایی و سنجش از دور موجود به ندرت استفاده می شود و سپس فقط برای تجزیه و تحلیل در سطوح شهری یا منطقه ای استفاده می شود. در ادامه، تلاش‌های قبلی در جمع‌آوری داده‌ها و همچنین رویکردهای مختلف برای غنی‌سازی معنایی داده‌های جغرافیایی برای نظارت دقیق‌تر بر انبار ساختمان را مورد بحث قرار می‌دهیم.

2.1. رویکردهای قبلی برای تعیین کمیت سهام ساختمان

در گذشته، رویکردهای مختلفی برای تعیین کمیت موجودی ساختمان ملی (تعداد ساختمان ها و کل مساحت ساخته شده) تلاش شده است [3 ، 9 ، 10 ، 11 ، 12 ، 13 ] . این را می توان به این واقعیت نسبت داد که بیشتر کشورها هنوز یک بررسی جامع از ساختمان ها انجام نمی دهند ([ 14 ، 15 ، 16 ]). با جمع‌آوری خالص افزایش سالانه موجودی، می‌توان سهام ساختمان ملی را به خوبی بازسازی کرد. با این حال، بدون آگاهی از اندازه مطلق سهام، چنین فرآیندهای تجمعی نمی توانند ارقام قابل اعتمادی را برای کل سهام ارائه دهند (به عنوان مثال، [ 17]]). بر اساس طیف وسیعی از شاخص‌ها برای بخش ساختمان (به عنوان مثال، میانگین فضای اداری یا فضای تولید به ازای هر کارمند و همچنین فضای قابل استفاده برای هر تخت بیمارستانی یا به ازای هر دانش‌آموز/دانش‌آموز)، پارامترهای اساسی کل موجودی ساختمان‌ها را می‌توان کمی کرد. با استفاده از رویکرد مبتنی بر شاخص با این حال، چنین شاخص هایی برای تحقیق پیچیده هستند و از نظر مکانی آنقدر ناهمگن هستند که فقط می توان تخمین های نسبتاً نادرستی انجام داد. استفاده از روش های برون یابی بسیار ساده شده (به عنوان مثال، برای تعیین ارزش دارایی، روابط با سهام مسکن) تنها می تواند برخی برآوردهای اولیه اولیه را ایجاد کند [ 18 ]. با استفاده از داده های مرجع دشوار کامپایل، تلاشی نیز برای تعیین ذخایر ساختمانی ناشناخته قبلی در سطح منطقه ای/محلی انجام شده است [ 1 ، 11 ،12 ، 13 ]. در این زمینه، روش‌های آماری چند متغیره نیز در برخی موارد برای کشف وابستگی‌های متقابل مهم بین سهام و سایر اشکال داده استفاده شده است (ساخت معادلات مدل، ر.ک. [ 19 ]).

به طور کلی می‌توان گفت که رویکردهای نام‌برده در کشورهای مختلف فقط برای برآورد غیرمستقیم کل موجودی ساختمان‌ها خدمت می‌کنند. معمولاً اعتبار اعداد به دست آمده غیرممکن است زیرا هیچ داده مرجعی برای مقایسه در دسترس نیست. از سوی دیگر، داده‌های جغرافیایی یک رویکرد جدید و امیدوارکننده برای تخمین کل موجودی‌ها و همچنین طبقه‌بندی ساختمان‌ها به زیر کلاس‌ها ارائه می‌دهد. بانک های داده برداری آژانس های ملی نقشه برداری و کاداستر (NMCA) اطلاعاتی را در مورد آدرس ها، ردپاها و همچنین جزئیات استفاده برای هر ساختمان ارائه می دهند. هندسه ها با بازرسی در محل یا ارزیابی تصاویر هوایی یا ماهواره ای تعیین می شوند. برخی از کشورها همچنین یک ثبت مالیات دارند که امکان توصیف بیشتر ساختمان ها را با توجه به مساحت طبقه استفاده شده فراهم می کند [ 20 , 21]].

سیستم‌های رصد زمین امروزی پتانسیل‌های جدیدی را برای جمع‌آوری اطلاعات و داده‌های موجود در ساختمان باز می‌کنند. روش‌های فتوگرامتری و سنجش از دور امکان بازسازی هندسه‌های دوبعدی و سه‌بعدی اشیاء را با پردازش تصاویر ماهواره‌ای از سرویس‌هایی مانند Ikonos، Quickbird، GEOEye-1 یا WorldView-2 (به عنوان مثال، [22، 23 ، 24 ، 25 ] ) می‌دهند . یک نمای کلی از استخراج ساختمان مبتنی بر تصویر از تصاویر هوایی و ماهواره ای را می توان در [ 26 ، 27 ، 28 ، 29 یافت.]. با این حال، چنین داده‌های تصویری به تنهایی معمولاً برای بازسازی مداوم ساختمان‌ها کافی نیستند، زیرا نرخ تشخیص چنین رویکردهای سنجش از دور اغلب کمتر از 90٪ است (به عنوان مثال، [22، 30 ] ) . تشخیص کاملاً خودکار، کارآمد و دقیق ساختمان‌ها تنها از زمان ایجاد کنسرو لیزری هوابرد (ALS) امکان‌پذیر بوده است. با ترکیب تصاویر و داده های LiDAR، نرخ تشخیص را می توان به بیش از 90٪ افزایش داد [ 31 ، 32 ، 33]. با این حال، در حال حاضر، داده‌های مربوط به LiDAR مربوط به ساختمان فقط برای شهرهای بزرگ در دسترس است و در اکثر کشورها اصلاً چنین مجموعه داده‌ای وجود ندارد. البته، استفاده از ساختمان را نمی توان مستقیماً با استفاده از چنین تکنیک های سنجش از دور تشخیص داد. علاوه بر هندسه، ویژگی های سازه ای مانند اندازه، ارتفاع، شکل ساختمان و همچنین نوع سقف قابل تعیین است. سپس می توان از این اطلاعات برای تعیین شکل احتمالی استفاده استفاده کرد (به بخش بعدی مراجعه کنید).

2.2. غنی سازی معنایی ردپای ساختمان

داده‌های مربوط به ردپای ساختمان‌ها اطلاعاتی در مورد تعداد ساختمان‌ها ارائه می‌دهند، اما نمی‌توانند به طور مستقیم در طبقه‌بندی نوع ساختمان (مثلاً کلاس‌های کاربری، طبقات سنی و غیره) کمک کنند. بنابراین، در چند سال گذشته، روش هایی برای طبقه بندی خودکار ساختمان ها با تجزیه و تحلیل ویژگی های ساختمان به دست آمده از تصاویر سنجش از دور و داده های توپوگرافی توسعه داده شده است. با توجه به جهت گیری اساسی آنها، چنین روش هایی را می توان به رویکردهای مبتنی بر دانش (“بالا به پایین”) و مبتنی بر داده (“پایین به بالا”) تقسیم کرد (ر.ک. [34] ) . رویکردهای داده محور از فرآیندهای یادگیری ماشینی برای آموزش خودکار طبقه بندی کننده بر روی نمونه داده های آموزشی استفاده می کنند. چنین روش‌های آموزشی شامل رویکردهای خوشه‌بندی بدون نظارت مانند الگوریتم حداکثرسازی انتظارات است [ 35 ،36 ، 37 ] یا فرآیندهای طبقه بندی نظارت شده شناسایی الگو و یادگیری ماشین (به عنوان مثال، [ 34 ، 38 ، 39 ، 40 ]). در حالی که رویکردهای داده محور در حال افزایش محبوبیت هستند، تلاش های قبلی ماهیت آزمایشی داشته و صرفاً در سطح شهری اعمال شده است. یکی از چالش هایی که هنوز باید بر آن غلبه کرد، قابلیت انتقال محدود به دلیل عوامل منطقه ای است (ر.ک. [ 34 ، 38 ]).

در رویکردهای مبتنی بر دانش، ساختمان‌ها با استفاده از یک سیستم مبتنی بر قانون که توسط متخصص در فرآیند مدل‌سازی اغلب از طریق آزمون و خطا ایجاد شده است، به انواع خاصی طبقه‌بندی می‌شوند. دانش اغلب به شکل درخت تصمیم سلسله مراتبی یا شبکه ای نمایش داده می شود که هم توسط متخصصان و هم توسط رایانه ها قابل درک است. یک مجموعه از قوانین، برای مثال، قوانینی است که توسط [ 41 ] برای طبقه‌بندی ساختمان‌ها به شش طبقه (خانه وسطی در یک ردیف، خانه انتهایی در یک ردیف، خانه مستقل، دو زیر سقف، آپارتمان و ویژه ) با در نظر گرفتن کاداستر املاک هلند، آدرس مختصات و قطعات ساختمانی. همچنین در مطالعه [ 42 ]، ایجاد ردپای (OS ^MasterMap®) با آدرس ها همبستگی دارند تا یکی از پنج کلاس (جداشده، نیمه جدا، تراس، مسطح، طبقه بندی نشده) را مشخص کنند. رویکرد مشابهی که از OS MasterMap ^® نیز استفاده می کند در [ 43 ] توضیح داده شده است. در اینجا، شش نوع مختلف ساختمان مسکونی (جداشده، نیمه مستقل، تراس دار، مزون، آپارتمان مستقل، آپارتمان contig) برای لندن بزرگ شناسایی شده است. در زمینه تعمیم نقشه، Rainsford و همکاران. [ 44 ] فرآیندی را بر اساس تطبیق الگو توسعه داد که در آن نه فرم ساختمانی با استفاده از حروف لاتین به عنوان جهت متمایز می شوند. رویکردهای هستی شناختی بیشتر برای غنی سازی معنایی پایگاه های داده توپوگرافی دیجیتال توسط [ 45 و 46 ارائه شده است.]. در دومی، مدل‌سازی هستی‌شناختی با یک مدل استنتاج بیزی، یعنی رویکردهای مبتنی بر دانش و داده‌محور ترکیب می‌شود. در کنار داده‌های کاداستر، رویکردهای طبقه‌بندی ساختمان مبتنی بر قانون نیز برای نقشه‌های توپوگرافی دیجیتال در مقیاس 1:25 k [ 47 ]، داده‌های سنجش از دور [ 48 ] یا اطلاعات جغرافیایی داوطلبانه، مانند پلتفرم OpenStreetMap [ 49] اعمال شده است. ].

3. تعریف ساختمان و بازنمایی در پایگاه های داده ژئوتوپوگرافی

رویکردهای مختلفی برای نقشه برداری ساختمان ها در داده های مکانی وجود دارد. در ادامه، مفهوم ساختمان را تعریف می‌کنیم قبل از اینکه به بحث در مورد بازنمایی ساختمان‌ها در پایگاه‌های اطلاعاتی ژئوتوپوگرافی از آژانس‌های ملی نقشه‌برداری و کاداستر (NMCAs) بپردازیم. در نهایت، محصولات Geodata رسمی معتبر آلمان به طور مفصل معرفی می شوند، زیرا آنها به عنوان یک بستر آزمایشی برای توسعه گردش کار عمل می کنند.

3.1. تعریف ساختمان

ساختمان ها با توجه به رشته و دیدگاه پژوهشی انتخاب شده به طور متفاوتی تعریف می شوند. به عنوان مثال، دستورالعمل اتحادیه اروپا در مورد عملکرد انرژی ساختمان ها تعریف زیر را به عنوان “ساختمان مسقف دارای دیوارها، که برای آن از انرژی برای تنظیم آب و هوای داخلی استفاده می شود” ارائه می دهد [50 ] . طبق دفتر آمار کمیسیون اروپا (یورواستات)، ساختمان یک ساختمان سقفی است که: می تواند به طور جداگانه استفاده شود. برای مقاصد دائمی ساخته شده است؛ می تواند توسط افراد وارد شود. برای محافظت از افراد، حیوانات یا اشیاء مناسب یا در نظر گرفته شده است. ساختمان ها لزوما نیازی به دیوار ندارند. داشتن سقف برای آنها کافی است، اما باید مرزبندی وجود داشته باشد که خصوصیت فردی ساختمان را تشکیل می دهد تا جداگانه استفاده شود…» [ 51]]. ساختمان های مجزا یا به صورت آزاد هستند و یا توسط دیوارهای آتش از ساختمان های مجاور جدا می شوند. حداقل، ساختمان های فردی باید یک سیستم دسترسی جداگانه (ورودی) داشته باشند. این نکته مهم است زیرا به ما اجازه می دهد تا با فرض مطابقت بین ورودی ساختمان و مختصات ساختمان، تعداد ساختمان ها را در آمار و کاداستر مرتبط کنیم. تعریف ساختمان Eurostat که در بالا ذکر شد، مشابه تعریفی است که توسط اداره آمار فدرال آلمان (DESTATIS) استفاده می شود، تفاوت اصلی این است که Eurostat شامل ساختمان های زیرزمینی است و DESTATIS شامل ساختمان های زیرزمینی نمی شود.

ساختمان ها را می توان بیشتر به عنوان مسکونی یا غیر مسکونی طبقه بندی کرد. در صورتی که حداقل نیمی از مساحت کف مفید برای سکونت استفاده شود، ساختمان مسکونی محسوب می شود. برعکس، اگر بیش از نیمی از مساحت طبقه به اهداف غیر مسکونی اختصاص داده شود، ساختمان به عنوان غیر مسکونی طبقه بندی می شود [ 51]]. ساختمان‌های مسکونی بر اساس تعداد خانه‌ها و شکل زندگی طبقه‌بندی می‌شوند (به عنوان مثال، ساختمان‌های یک‌مسکونی، ساختمان‌های دو و بیشتر مسکونی و محل سکونت برای جوامع). علاوه بر این، ساختمان‌های غیرمسکونی با توجه به شکل کاربری به انواع مختلفی تقسیم می‌شوند، مانند هتل‌ها و ساختمان‌های مشابه، ساختمان‌های اداری، ساختمان‌های عمده‌فروشی و خرده‌فروشی، ساختمان‌های ترافیکی و ارتباطی، ساختمان‌ها و انبارهای صنعتی، سرگرمی‌های عمومی، ساختمان های آموزشی، بیمارستانی یا مراقبت های سازمانی و سایر ساختمان های غیر مسکونی [ 51 ]. البته، گونه‌شناسی‌های ساختمانی جایگزینی وجود دارد که از معیارهایی مانند اندازه و شکل مورفولوژیکی، سن ساختمان یا مصالح استفاده می‌کنند [ 7 ، 9 ،52 ].

3.2. نمایش ساختمان در داده های توپوگرافی دیجیتال

ساختمان‌ها در داده‌های فضایی دیجیتال به روش‌های مختلفی نمایش داده می‌شوند، برای مثال به عنوان داده‌های نقطه‌ای (داده‌های آدرس)، داده‌های چند ضلعی دوبعدی (کاداستر املاک) یا به‌عنوان یک نمایش سه‌بعدی (مدل شهر سه‌بعدی). مهم ترین منابع داده، پایگاه داده های توپوگرافی دیجیتال هستند که توسط آژانس های ملی نقشه برداری و کاداستر (NMCAs) ارائه می شوند. هندسه های ساختمان به روش های مختلفی به دست می آیند. NMCA ها معمولاً ردپای هندسی ساختمان ها را با استفاده از بررسی های پلان سنجی در مقیاس بزرگ شامل اندازه گیری های میدانی و/یا تکنیک های فتوگرامتری ثبت می کنند. امروزه، فناوری‌های سنجش از راه دور، به‌ویژه اسکن لیزری هوابرد (LiDAR) و تصاویر دیجیتالی هوایی، بازسازی بسیار کارآمد هندسه را ممکن می‌سازد. یک منبع اضافی از داده های تاریخی در مورد ساختمان ها، نقشه ها و نقشه های توپوگرافی دیجیتال یا اسکن شده است.

با توجه به ردپای ساختمان دوبعدی، دو شکل اصلی نمایش را می توان از نظر معنایی و هندسی متمایز کرد: نمایش واحد ساختمان و نمایش منطقه ساختمان ( شکل 1 ). برای مثال، در سنجش از دور، ردپای ساختمان با تکنیک‌های پردازش تصویر (مثلاً از LiDAR یا تصاویر هوایی) استخراج می‌شود. ژئو اجسام به دست آمده از این طریق یک ساختمان واحد یا گروهی از ساختمان های مجاور را نشان می دهند ( شکل 1ب). این نوع اخیر از مدل‌سازی، نمایش منطقه ساختمان نامیده می‌شود. همچنین در نقشه‌های توپوگرافی، ساختمان‌ها معمولاً به صورت مناطق سیاه جامد و بدون تقسیم‌بندی دقیق به تصویر کشیده می‌شوند. در پایگاه‌های اطلاعاتی کاداستر دیجیتال NMCA، ساختمان‌ها در یک ساختمان واحد مدل‌سازی می‌شوند. هر ژئو شی یا یک ساختمان مجزا یا یک ساختمان منفرد نیمه جدا یا پلکانی از یک مجموعه ساختمانی را نشان می دهد.

در تنظیم یک مدل برای تعیین کمیت سهام ساختمان، تمایز بین این دو شکل از نمایندگی بسیار مهم است. در مطالعه موردی ارائه شده، ما به تعریف ساختمان مبتنی بر آدرس اشاره می‌کنیم، زیرا این همان تعریفی است که در انتشارات آماری استفاده می‌شود.

4. مطالعه موردی و داده های ورودی

4.1. منطقه مطالعه

قلمرو ملی جمهوری فدرال آلمان بیش از 357000 کیلومتر ^مربع را پوشش می دهد و بین عرض های جغرافیایی 47 درجه شمالی و 55 درجه شمالی و طول جغرافیایی 5 درجه شرقی و 16 درجه شرقی قرار دارد. سیستم حکومتی آلمان در سه سطح عمل می کند: دولت فدرال ( Bund )، 16 ایالت فدرال ( Länder ) (به شکل A1 مراجعه کنید ) و بیش از ده هزار شهرداری ( Gemeinden ). با جمعیتی در حدود 81 میلیون نفر، آلمان پرجمعیت ترین کشور عضو اتحادیه اروپا است و یکی از بزرگترین اقتصادهای جهان را دارد که بر اساس برابری قدرت خرید اندازه گیری می شود. هم تراکم جمعیت و هم تراکم ساختمان به طور کلی در ایالت های غربی بیشتر از ایالت های شرقی است، به استثنای برلین [ 1] .].

اگر به روندهای بخش ساختمان در 25 سال گذشته نگاه کنیم، اقدامات ساخت و ساز در ساختمان های موجود سهم دائمی در افزایش حجم کار ساختمانی در بیشتر مناطق اروپایی را داشته است. با میانگین ارزش سالانه 228.5 میلیارد یورو [ 53 ]، بخش ساخت و ساز آلمان بزرگترین بخش در اروپا است و به تثبیت تقاضا برای کل اتحادیه اروپا کمک می کند. در مقایسه بین المللی، آلمان به دلیل نقش برجسته خود در زمینه اقدامات نگهداری سهام شناخته شده است [ 54 ]. در برابر این پس زمینه، سهام ساختمان آلمان در مقاله به عنوان مثال مرجع برای نشان دادن کاربرد گردش کار توسعه یافته استفاده می شود.

4.2. داده های ورودی

NMCA ها در اروپا داده های فضایی جامعی را در سراسر کشور در مورد ساختمان ها با مدل سازی صریح ساختمان های منفرد ارائه می دهند. الزامات برای مدل‌سازی ساختمان‌ها در اتحادیه اروپا توسط دستورالعمل‌های INSPIRE، که تعریف و طبقه‌بندی ساختمان‌ها تا حدی بر اساس طبقه‌بندی Eurostat از انواع سازه‌ها است و از آن اقتباس شده است، تعیین می‌شود [55 ] .

جدیدترین و جامع ترین محصولات داده در سطح آلمان، «چند ضلعی های ساختمان رسمی آلمان» (نام محصول HU-DE) و داده های آدرس به عنوان «مختصات خانه رسمی آلمان» (نام محصول HK-DE) هستند. این محصولات از استانداردهای مربوط به قالب‌های داده‌ها و محتوای تعیین‌شده توسط کمیته کاری مقامات نقشه‌برداری استان‌های جمهوری فدرال آلمان (AdV) پیروی می‌کنند و توسط Zentrale Stelle für Hauskoordinaten und Hausumringe (ZSHH) در سراسر کشور توزیع می‌شوند. برای مقامات دولتی و موسسات علمی، نسخه کمی متفاوت از این داده ها توسط آژانس فدرال نقشه برداری و ژئودزی (BKG) ارائه شده است. در کنار HU-DE و HK-DE، آژانس مجموعه داده ای از مختصات آدرس به نام «مختصات آدرس جغرافیایی مرجع» (نام محصول GA) را ارائه می دهد.) که یک نسخه توسعه یافته از HK-DE است.

در مطالعه موردی ارائه شده از محصولات HU-DE، GA و ATKIS استفاده می کنیم که در زیر معرفی می شوند. برای جبران این واقعیت که HU-DE حاوی هیچ گونه اطلاعات انتسابی در مورد کاربری ساختمان نیست و به دلیل دسترسی محدود به داده های کاداستر در سراسر کشور (به عنوان مثال، سیستم اطلاعاتی معتبر کاداستر املاک و مستغلات (ALKIS))، داده های کاربری زمین از توپوگرافی معتبر آلمانی سیستم اطلاعات کارتوگرافی (ATKIS) به عنوان جایگزین استفاده می شود.

4.2.1. چند ضلعی های ساختمان رسمی آلمان (HU-DE)

HU-DE یک مجموعه داده چند ضلعی است که شامل بیش از 50 میلیون ردپای ساختمان‌ها با ارجاع جغرافیایی است که از سیستم اطلاعاتی کاداستر املاک معتبر (ALKIS) مقامات نقشه‌برداری و نقشه‌برداری فدرال ایالات آلمان مشتق شده است. ALKIS ثبت رسمی کلیه قطعات زمین و ساختمان ها در آلمان است که توسط مقامات منطقه ای کاداستر تولید و به طور مداوم به روز می شود. با توجه به توضیحات فرمت داده ها، HU اشیایی به شکل چندضلعی های جغرافیایی مرجع هستند که خطوط هندسی ساختمان را توصیف می کنند. با توجه به مشخصات محصول، اینها هیچ گونه هندسه طراحی، سقف، یا ساختمان زیرزمینی را شامل نمی شوند و هیچ گونه اطلاعات مربوط به کاربری ساختمان، مالکیت یا قدمت ساختمان ارائه نمی کنند [56 ]]. اشیا فقط یک فیلد مشخصه دارند که کلید رسمی شهرداری (AGS) است.

4.2.2. داده‌های آدرس جغرافیایی (GA)

GA یک مجموعه داده نقطه ای است که موقعیت مکانی همه ساختمان ها در سراسر آلمان را با آدرس ها تعریف می کند. این داده یک نسخه توسعه یافته از محصول داده HK-DE [ 57 ] مختصات رسمی ساختمان با شامل آدرس های شخص ثالث از شرکت پست آلمانی Deutsche Post direkt GmbH است.و با یکپارچه سازی مراجع اداری (به عنوان مثال، کلید شهرداری، نام خیابان ها، و غیره). منبع اصلی داده، کاداستر املاک و مستغلات ALKIS ایالات آلمان است که یک شماره خانه رسمی به بسته ها و ساختمان های اصلی اختصاص می دهد. به ساختمان های بیرونی ممکن است یک شماره شبه (داخلی) اختصاص داده شود. با بررسی های میدانی، شماره خانه رسمی به ورودی ساختمان ارجاع داده می شود. در مورد پروژه‌های ساختمانی برنامه‌ریزی‌شده و در حال اجرا، مختصات آدرس فقط می‌تواند به قطعات زمین اختصاص داده شود. یک ویژگی کیفیت خاص، دقت موقعیتی آدرس را توصیف می کند ( جدول 1 ). تصویری از هر دو منبع داده مربوط به ساختمان در شکل 2 آورده شده است ، یک نمای کلی از مشخصات داده در جدول 2 ارائه شده است .

4.2.3. داده های کاربری زمین (ATKIS)

چند ضلعی ساختمان یا مجموعه داده‌های نقطه آدرس، اطلاعاتی درباره ساختمان‌ها ارائه نمی‌دهند، که در عوض از ATKIS Basis-DLM گرفته شده است. ATKIS جامع ترین مدل شی ساختار استفاده از زمین و توپوگرافی در آلمان است. در معنای محدودتر، ATKIS یک مدل منظره دیجیتال (DLM) است و در عین حال به عنوان پایه ای برای نقشه های توپوگرافی دیجیتال و همچنین مدل های دیجیتال زمین (DTM) و عکس های ارتوفوتی دیجیتال (DOP) عمل می کند. مدل انتزاعی ATKIS چشم انداز را به طور کامل (یعنی بدون شکاف) و بدون همپوشانی با استفاده از نقاط، خطوط و چندضلعی ها توصیف می کند. خطوط توپوگرافی مانند خیابان‌ها، مسیرهای پیاده‌روی و رودخانه‌ها شبکه‌ای را تشکیل می‌دهند که شبکه‌های آن توسط چند ضلعی‌های مورد استفاده واقعی پر شده است. اطلاعات کاربری زمین در گروه‌های شی [ 58 ] مدل‌سازی می‌شود :

41000 شهرک
42000 حمل و نقل
43000 پوشش گیاهی
44000 آب

اصل تسلط برای تعریف نوع استفاده از مش اعمال می شود، به عنوان مثال، استفاده غالب از نظر ناحیه به کل مش اختصاص داده می شود. توجه به این نکته حائز اهمیت است که اطلاعات کاربری ساختمان اختصاص داده شده به این مش ها با سطح معینی از تعمیم همراه است. 14 نوع شی مورد استفاده در این تجزیه و تحلیل وجود دارد، موارد زیر به عنوان مرتبط ترین انواع در زمینه استفاده از ساختمان ذکر شده است، همانطور که توسط رمزگذاری نشان داده شده است (نمونه هایی از گروه شی حل و فصل گرفته شده است):

کاربری مسکونی (AX_41001) – بیش از نیمی از مساحت مشبک مورد استفاده برای مسکن
استفاده مختلط (AX_41006) – بدون نوع استفاده غالب در مش
مصارف صنعتی و تجاری (AX_41002) – بیش از نیمی از مساحت توری مورد استفاده برای تجارت یا صنعت
استفاده ویژه (AX_41007) – بیش از نیمی از مساحت توری اختصاص داده شده به استفاده ویژه (به عنوان مثال، بیمارستان، مدرسه)

5. گردش کار

گردش کار برای کمی سازی خودکار ساختار و دینامیک در شکل 3 نشان داده شده است . این شامل چندین مرحله است: (1) پیش پردازش داده. (2) محاسبه ویژگی های ساختمان. (3) غنی سازی معنایی. (4) تقاطع با واحدهای فضایی. و در نهایت (5) کمی سازی ساختار و دینامیک ساختمان بر اساس واحدهای فضایی تعریف شده. مراحل پردازش (1) تا (4) برای هر نقطه زمانی انجام می شود در حالی که (5) از نتایج برای هر نقطه پردازش استفاده می کند. همانطور که در بخش 4 ذکر شدهیچ اطلاعات معنایی در مورد نوع ساختمان (یعنی جدا، نیمه جدا یا ردیف) برای ردپای ساختمان در دسترس نیست. با استفاده از داده‌های کمکی مانند داده‌های آدرس و مدل منظر دیجیتال از ATKIS، مجموعه‌ای از ویژگی‌های ساختمان که ویژگی‌های ساختمان‌ها را توصیف می‌کنند برای یک طبقه‌بندی مبتنی بر قانون مشتق شده‌اند. تمام مراحل پردازش در یک جعبه ابزار در ArcGIS 10.3 (مجوز پیشرفته) با استفاده از اسکریپت های Python ( www.python.org ) پیاده سازی می شوند. این در زیر با جزئیات بیشتر توضیح داده شده است.

5.1. پیش پردازش داده ها

مبنای یک کمی سازی قوی از موجودی ساختمان یک مجموعه داده با مدل سازی همگن ساختمان ها و بدون همپوشانی یا هر گونه ناسازگاری دیگری است. به خصوص هنگامی که مجموعه داده های منابع مختلف با هم ترکیب می شوند، باید انتظار تفاوت هایی را داشت. بستگی به میزان این ناسازگاری ها و ارتباط آنها و نحوه برخورد با چنین مسائلی دارد. با در نظر گرفتن تجزیه و تحلیل سهام ساختمان، داده های جغرافیایی باید امکان کمی سازی ساختمان ها را از نظر تعداد و مساحت فراهم کند. بنابراین، باید با توجه به مشخصات داده‌ها و نسخه‌های قانونی نهایی، نحوه نمایش ساختمان‌ها و وجود محدودیت‌های اندازه ممکن برای طبقه‌بندی غیرساختمان‌ها تعریف شود. بازرسی بصری و خودکار داده‌های اصلی خطاهایی را در توپولوژی و معناشناسی (همپوشانی‌ها، چند ضلعی‌های غیرسازنده، چندضلعی‌های غیر معمول) نشان داد. رویکرد خودکار عمومی برای آماده سازی چند ضلعی های ساختمان با حذف همپوشانی ها آغاز می شود، فرآیندی که می تواند منجر به چند ضلعی های جدید اضافه شده و هندسه های غیرساختمانی شود. در نتیجه، حذف غیرساختمان ها مبتنی بر آستانه به دنبال آن است. به طور خلاصه، مشکلات یافت شده با مراحل پیش پردازش زیر حذف می شوند:

(آ): حل ناسازگاری های توپولوژیکی
(ب): حذف چند ضلعی های کوچک
(ج): حذف چند ضلعی های غیر معمول

5.1.1. حل ناسازگاری های توپولوژیکی

یک مجموعه داده برداری از نظر توپولوژیکی سازگار باید عاری از هر گونه همپوشانی چند ضلعی باشد زیرا این امر می تواند منجر به تخمین بیش از حد موجودی ساختمان از نظر تعداد و مساحت شود. به منظور تجزیه و تحلیل مجاورت چند ضلعی، ابزار ArcGIS PolgonNeighbors_analysis (PNA) برای ایجاد جدولی از جفت های چند ضلعی مجاور (منبع-چند ضلعی و همسایه-چند ضلعی) با آماری در مورد مساحت همپوشانی آنها استفاده می شود. در رابطه با مناطق

{Unknown node type: font}_{Unknown node type: font} Unknown node type: font {Unknown node type: font}_{Unknown node type: font}

از چند ضلعی های درگیر، ناحیه همپوشانی

{Unknown node type: font}_{Unknown node type: font}

می توان برای مشخص کردن نوع همپوشانی به صورت زیر استفاده کرد:

Sliver-مساحت همپوشانی برابر یا کوچکتر از 5% کوچکترین ناحیه چند ضلعی درگیر:

$نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت$
تکراری – مساحت همپوشانی برابر یا بزرگتر از 95٪ کوچکترین ناحیه چند ضلعی درگیر، اگر تفاوت بین نواحی چند ضلعی درگیر کمتر از 5٪ باشد (تکراری ها لزوماً یکسان نیستند):

$نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت$
همپوشانی‌های پیچیده – همپوشانی مناطقی که بخشی از کلاس‌های بالا نیستند

ناسازگاری های توپولوژیکی شناسایی شده به طور خودکار در یک رویکرد دو مرحله ای حذف می شوند ( شکل 4 را ببینید). در ابتدا، اتحادی از همه چند ضلعی ها محاسبه می شود که به وسیله آن تمام نقاط تقاطع بین چند ضلعی های همپوشانی به عنوان گره های جدید مناطق همپوشانی ایجاد می شود. در مجموعه داده حاصل، نواحی همپوشانی به چند ضلعی های منفرد تقسیم می شوند و به صورت تکراری روی یکدیگر قرار می گیرند. شناسه های این چند ضلعی ها با تجزیه و تحلیل همسایه چند ضلعی شناسایی می شوند و نیمی از آنها برای حذف انتخاب می شوند. در مرحله دوم، نیمه دیگر انتخاب شده و در چند ضلعی مجاور با طولانی ترین حاشیه مشترک جمع می شود. هندسه ها در طول حذف همپوشانی تغییر می کنند و ممکن است چند ضلعی های جدید ایجاد شود. این بیشتر زمانی اتفاق می افتد که همپوشانی های پیچیده حذف شوند. مراحل زیر به حداقل رساندن هرگونه اثرات منفی این تغییرات هندسی کمک می کند.

5.1.2. حذف چند ضلعی های کوچک

برخی از چند ضلعی‌های موجود در مجموعه داده‌ها برای ساختمان بسیار کوچک هستند و ممکن است در واقع نمایانگر سقف‌های بیرون زده، سوله‌های ابزار یا بالکن باشند. بنابراین، تمام چند ضلعی ها با مساحت کمتر از 10 متر ^مربع به عنوان برخی از سازه های غیر ساختمانی شناسایی می شوند. آستانه 10 متر ^مربع از کدهای استاندارد ساختمان و نقشه برداری به دست آمده است، به عنوان مثال، [ 59 ]. چند ضلعی های زیر آن اندازه یا در صورت منفرد بودن به عنوان “غیر ساختمانی” طبقه بندی می شوند یا در چند ضلعی مجاور با طولانی ترین حاشیه مشترک جمع می شوند.

5.1.3. حذف چند ضلعی های غیر معمول

در این آخرین مرحله از پیش پردازش، چند ضلعی های غیر معمول شناسایی و از داده ها حذف می شوند. چند ضلعی های غیر معمول با شکل بسیار باریک و پیچ در پیچ مشخص می شوند. چند ضلعی ها اغلب در مجاورت چند ضلعی های دیگر هستند و زمانی که مساحت آنها کمتر از اندازه معینی باشد، استفاده جداگانه بسیار بعید به نظر می رسد.

شناسایی بر اساس منطقه است

Unknown node type: font

و محیط

Unknown node type: font

از چند ضلعی و معیار مشخصی از فشردگی

{Unknown node type: font}_{Unknown node type: font Unknown node type: font Unknown node type: font}

با استفاده از Iso-Perimeter Quotient (IPQ) به عنوان شاخص شکل [ 60 ]:

نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت

(1)

این مقدار به عنوان ویژگی SHP_IDX ذخیره می شود و پس از تغییرات هندسی در مجموعه داده ها به طور مداوم مجدداً محاسبه می شود. آستانه های تجربی تعیین شده برای

{Unknown node type: font}_{Unknown node type: font Unknown node type: font Unknown node type: font}

Unknown node type: font

به عنوان پایه ای برای شناسایی چند ضلعی های غیر معمول عمل می کند. بر اساس یک هندسه مستطیلی a

{Unknown node type: font}_{Unknown node type: font Unknown node type: font Unknown node type: font}

-مقدار 0.3 دلالت بر نسبت عرض/طول 1-8 دارد (نمونه هایی را در شکل 5 ببینید ). این به عنوان یک شکل غیرعادی برای هندسه یک ساختمان در نظر گرفته شد. با این حال، با توجه به مناطق ساختمانی یا ساختمان های بزرگ، این مقادیر می توانند رخ دهند، بنابراین علاوه بر این، یک آستانه مساحت لازم بود. با ارزیابی هیستوگرام نواحی چند ضلعی برای یک شاخص شکل معین، امکان تعیین حداقل مساحت چند ضلعی وجود داشت که امکان تمایز گروه ها در جمعیت اشکال چند ضلعی غیر معمول را فراهم می کرد (به خط عمودی در شکل 6 مراجعه کنید ) .

بنابراین، چند ضلعی با a

{Unknown node type: font}_{Unknown node type: font Unknown node type: font Unknown node type: font}

ارزش کمتر از 0.3 و مساحت زیر 190 متر ^مربع به عنوان ساختمان های غیر معمول در نظر گرفته می شوند و به چند ضلعی مجاور خود با طولانی ترین حاشیه مشترک تجمیع می شوند. در مورد چند ضلعی های منفرد، این ها در مجموعه داده ها باقی می مانند اما علامت گذاری شده اند.

5.2. ویژگی های ساختمان

در این فرآیند، ساختمان ها با مجموعه ای از ویژگی های ساختمان به عنوان مبنایی برای طبقه بندی توصیف می شوند. برخی از ویژگی ها از طریق تقاطع با داده های نقطه آدرس و داده های کاربری زمین از ATKIS (مثلاً تعداد آدرس ها در چند ضلعی، نوع کاربری زمین) به دست می آیند. برخی از ویژگی های ساختمان از خود مجموعه داده های چند ضلعی ساختمان مشتق شده اند (مثلاً مساحت، تعداد چند ضلعی های مجاور و غیره).

5.2.1. تعیین نوع کاربری زمین

ابتدا، نوع کاربری زمین با پیوستن فضایی داده های چند ضلعی ساختمان با اطلاعات کاربری زمین از مدل منظر دیجیتال ATKIS به دست می آید. برای هر چند ضلعی ساختمان، کد کاربری زمین با استفاده از ابزار SpatialJoin_analysis با “HAVE_THEIR_CENTER_IN” به عنوان گزینه رابطه به دست می آید. از آنجایی که مش های ATKIS توسط محور اشیاء توپوگرافی خطی (به عنوان مثال، محور خیابان) تولید می شوند، بعید است که موقعیت های همپوشانی مبهم بین مش های کاربری زمین و چند ضلعی های ساختمان وجود داشته باشد. با این حال، رابطه الحاق انتخاب شده باید به یک پیوستن بدون ابهام منجر شود. پس از این مرحله، چند ضلعی های ساختمان دارای ویژگی OBJART با کدهای کلاس کاربری زمین ATKIS هستند.

5.2.2. محاسبه تعداد آدرس ها

در مرحله بعد تعداد نقاط آدرس در هر چند ضلعی ساختمان محاسبه می شود. یک تلورانس به منظور تطبیق داده های چند ضلعی ساختمان با داده های نقطه آدرس معرفی شده است. به طور خاص، یک فاصله بافر با استفاده از ابزار SpatialJoin_analysis از ArcGIS با گزینه های “CONTAIN” و “WITHIN_A_DISTANCE” روی 2 متر تنظیم می شود. به منظور کاهش ابهامات، فاصله بافر روی مقدار کمتری نسبت به فاصله بین ساختمان و مرز بسته تنظیم می شود که در کد ساختمان مدل آلمانی مقرر شده است [ 61] .]. بافر فقط به مختصات خارج از چند ضلعی ساختمان اعمال می شود، بنابراین در این فرآیند این مختصات بیرونی از قبل انتخاب و مطابقت داده می شوند. هر یک از این عملیات پیوستن یک ویژگی “Join_Count” را محاسبه می کند به طوری که مجموع این شمارش ها تعداد آدرس های هر ساختمان است. این مقدار در ویژگی ADDNUMB ذخیره می شود که برای جداسازی ساختمان های اصلی از ساختمان های خارجی مفید است.

5.2.3. محاسبه خواص توپولوژیکی

برای شناسایی انواع مورفولوژیکی، یعنی جدا، نیمه جدا یا تراس، تعداد چند ضلعی های مجاور برای هر منطقه ساختمان محاسبه می شود. در اجرای اول، همه همسایگان یک چند ضلعی در نظر گرفته می‌شوند (N_NBR)، در اجرای دوم فقط همسایه‌های بین ساختمان‌های آدرس‌دهی شده محاسبه می‌شوند (N_NBR_ADD). باز هم، این کار با استفاده از تابع PolygonNeighbor_Analysis و ارزیابی جداول نتایج آن انجام می شود. تعداد آدرس در یک چند ضلعی و تعداد همسایگان آدرس دهی شده آن، طبقه بندی انواع مورفولوژیکی و شمارش ساختمان های جداگانه را تعیین می کند (به بخش 3.1 مراجعه کنید ).

5.2.4. محاسبه خواص هندسی

در طول پیش پردازش تغییراتی در هندسه ویژگی‌ها ایجاد می‌شود، بنابراین ویژگی‌های هندسی مانند مساحت شکل و محیط باید بعداً به‌روزرسانی شوند. این به طور خودکار در پایگاه جغرافیایی فایل انجام می شود. پس از اتمام تمام پردازش های هندسی، شاخص شکل (SHP_IDX) به روز می شود. جدول 3 مجموعه ویژگی های مربوطه را نشان می دهد که در درخت تصمیم طبقه بندی استفاده می شود.

5.3. غنی سازی معنایی

پس از محاسبه ویژگی‌ها، داده‌های ردپای ساختمان از نظر معنایی با اطلاعات نوع ساختمان غنی می‌شوند. به منظور اختصاص یک کد کلاس به هر چند ضلعی، یک مجموعه قوانین سلسله مراتبی از پیش تعریف شده اعمال می شود، شکل 7نوع شناسی ساختمان مورد استفاده را نشان می دهد. در ابتدا، تمام ساختمان‌های غیر ساختمانی قبل از طبقه‌بندی ساختمان‌ها بر اساس نوع کاربری زیربنایی زمین (LUT) دور انداخته می‌شوند. اطلاعات تعداد نقاط آدرس به تشخیص ساختمان اصلی و ساختمان خارجی در سطح بعدی کمک می کند. در نهایت، برای ساختمان‌های مسکونی و مختلط، نوع مورفولوژیکی (جدا، نیمه جدا و تراس‌دار) با استفاده از مجموع ADDNUMB (تعداد آدرس‌های همسان) و تعداد چند ضلعی‌های همسایه آدرس‌دهی شده (N_NBR_ADD) متمایز می‌شود. در فرآیند طبقه بندی، فیلد ویژگی CLASS به چند ضلعی های ساختمان اضافه می شود و یک مقدار رشته الفبایی (کد کلاس) ساخته می شود. فرمت کد کلاس “A0000” است. که در آن نویسه اصلی نشان دهنده نوع استفاده از کلاس است و موقعیت های زیر اطلاعاتی در مورد رتبه ساختمان و نوع ریخت شناسی (موقعیت دوم و آخر) ارائه می دهند. در یک تکرار مکان نما به‌روزرسانی روی ویژگی‌ها، فیلدهای محاسبه‌شده قبلی ارزیابی می‌شوند و مقادیر CLASS تعیین می‌شوند. ساخت یک رشته کلاس در این شبه کد ارائه شده است:

الگوریتم 1 ClassCode

1:اگر OBJART در ListOfATKISResidential:

2: استفاده = “R”

3:elif OBJART در ListOfATKISMixed:

4: . #بررسی مکرر کلاس استفاده ATKIS

5: . #(از «R» مسکونی، «M» مخلوط، «I» صنعتی، «S» ویژه استفاده می کند

6: . #عملکرد، «T» حمل و نقل، «O» دیگر)

7:else: usage = “O”

10:اگر ADDNUMB = 0:

11: رتبه = “2” # ساخت و ساز

12:دیگر:

13: رتبه = “1” # ساختمان اصلی

14:

15: در صورت استفاده در [“M”، “W”] و رتبه = “1”:

16: اگر ADDNUMB + N_NBR_ADD > 2:

17: mtype = “3” # نوع مورفولوژیک برای استفاده مسکونی

18:دیگر:

19: mtype = ADDNUMB + N_NBR_ADD

20:

21:دیگر:

22: اگر N_NBR = 0:

23: mtype = 0

24:دیگر:

25: mtype = 1

26:

27:classcode = استفاده + “0” + رتبه + mtype + “0”

28:

29:#مثال: M0130 برای ساختمان اصلی با کاربری مختلط از نوع تراس دار

30: # S0210 برای ساختن جدا نشده از عملکرد ویژه

آخرین مرحله طبقه‌بندی نوع مورفولوژیک، اصلاح چندضلعی‌های انتهای ردیف است. از آنجایی که آنها فقط یک همسایه مخاطب دارند، به عنوان نیمه جدا شناخته می شوند. بنابراین، یک لایه فقط چند ضلعی های تراس دار برای انتخاب چند ضلعی های آدرس دهی نهایی مجاور در لایه اصلی بر اساس مکان استفاده می شود. در نهایت، این چند ضلعی ها به عنوان پلکانی طبقه بندی می شوند و فرآیند طبقه بندی به پایان می رسد.

برای تعیین کمیت بعدی موجودی ساختمان های مسکونی، تنها ساختمان های مورد استفاده مسکونی و مختلط در نظر گرفته می شوند.

5.4. تقاطع با واحدهای فضایی

پس از طبقه بندی، ردپاها به صورت مکانی با واحدهای مرجع فضایی به عنوان مبنایی برای کمی سازی جدولی و تجسم نتایج قطع می شوند. این کار با اتصال فضایی کلیدهای شناسایی واحدهای فضایی مربوطه به ردپاها انجام می‌شود (ارتباط پیوستن “HAVE_THEIR CENTER_IN”) در ابتدا، ردپاها کلید شهرداری AGS (یک کد عددی 8 رقمی) را حمل می‌کنند که امکان استخراج آمار را فراهم می‌کند. در سطح اداری با تقسیم بندی کلیدها، امکان انتخاب در سطوح اداری بالاتر مانند شهرستان ها و ایالت های فدرال وجود دارد. در سال های اخیر تعداد شهرستان ها و شهرداری ها به دلیل اصلاحات اداری کاهش یافته است. در مطالعه موردی، ما از داده‌هایی استفاده می‌کنیم که جدیدترین ساختار شهرداری را منعکس می‌کند (در سال 2015، 11116 شهرداری در آلمان وجود داشت).

انعکاس تغییرات احتمالی در طول زمان واحدهای اداری [ 62 ] مناطق شطرنجی یا شبکه ای در گزارش های آماری محبوبیت پیدا می کنند. در چندین کشور سرشماری های اخیر بر اساس شبکه های شطرنجی جمع آوری شده اند (اتریش، سوئد، هلند). پرکاربردترین نوع شطرنجی مبتنی بر مربع است، اگرچه سایر موارد اولیه هندسی (شش ضلعی، مثلث و غیره) امکان پذیر است. در این مطالعه، شبکه مرجع EEA مربع منظم با اندازه سلول 10 کیلومتر برای اختصاص کدهای سلولی شبکه به هر چند ضلعی ساختمان استفاده شده است ( شکل 8 را ببینید ).

در نهایت، از گونه‌شناسی فضایی مناطق برای تعیین واحدهای فضایی استفاده می‌شود. این گونه شناسی ها توسط موسسه فدرال تحقیقات ساختمان، امور شهری و توسعه فضایی (BBSR ( http://www.bbsr.bund.de ) توسعه یافته است.)) و راهی برای منطقه ای کردن کشور بر اساس پارامترهای اجتماعی-جغرافیایی هستند. با تجزیه و تحلیل ارقام جمعیت، می توان مناطق شهری- روستایی را از نظر تعداد مسافران، بخش های اقتصادی و مرکزیت محل کار توصیف کرد. با کلیدهای AGS فوق الذکر، می توان شهرداری ها را به یک نوع منطقه (به عنوان مثال، منطقه روستایی، منطقه با گرایش شهرنشینی، منطقه با ویژگی شهری) مرتبط کرد که به جدول ویژگی ردپاها پیوست می شود. هنگامی که برای تجمیع شهرداری ها بر اساس منطقه آنها استفاده می شود، ترسیم حاصل کمی بزرگتر از سطح شهرستان است. از آنجایی که منطقه‌بندی بر اساس پارامترهای متغیر است، ترسیم‌های حاصل ممکن است در طول زمان تغییر کنند.

5.5. ساختار سهام ساختمان و پویا

در این مرحله، ساختار موجود ساختمان فعلی و تغییرات برای هر نقطه زمانی محاسبه می‌شود که بر اساس هر نوع ساختمان و واحدهای فضایی تعریف‌شده متمایز می‌شود. برای هر چند ضلعی، تعداد ساختمان ها محاسبه می شود. به طور کلی، همه چند ضلعی های بالاتر از آستانه اندازه 10 متر ^مربع به عنوان ساختمان در نظر گرفته می شوند، بنابراین تعداد ساختمان آنها 1 است. تعداد ساختمان ها با جمع کردن تعداد ساختمان ها در هر چند ضلعی به دست می آید. تغییرات موجودی باید در یک منطقه مرجع آماری ثابت محاسبه شود، بنابراین مناطق مرجع اداری یا با ثبات زمانی یکسان هستند. نقشه های شطرنجی برای تجسم توزیع فضایی تغییرات استفاده می شود.

6. نتایج

گردش کار ارائه شده برای چند ضلعی های ساختمان و داده های آدرس سال های 2011-2014 اعمال شد. با توجه به گستردگی داده ها و تنوع روش های ممکن برای بررسی و تحلیل آنها، نتایج ارائه شده تنها می تواند یک عصاره را به تصویر بکشد. نتایج در رابطه نزدیک با مراحل رویه ای گردش کار ارائه شده است. آمار داده های خام و آمار پیش پردازش برجسته شده است. ویژگی های ساختاری و دینامیکی ساختمان آلمانی در مقیاس های فضایی مختلف نشان داده شده است. تغییرات برای بازه زمانی 2012-2014 ارائه شده است و نتایج علاوه بر این با برخی از آمارهای رسمی ساختمان مقایسه شده است [ 63 ].

6.1. آمار داده های خام

اولین بازرسی از داده های خام منجر به برخی آمارهای اساسی در مورد تعداد کل اشیاء و مناطق مربوط به ردپای ساختمان و همچنین تعداد اشیاء جغرافیایی ارجاع شده در طول زمان می شود ( جدول 4 را ببینید ). در سال 2014، حدود 51 میلیون چند ضلعی ساختمانی و حدود 22 میلیون شی ژئو ارجاع داده شده وجود دارد. مجموع کل مساحت ردپای 5765.1 کیلومتر ^مربع و میانگین اندازه ردپا تقریباً 112 متر ^مربع است . هنگامی که به توسعه سالانه نگاه می کنیم، افزایش تعداد اشیاء در همه محصولات داده بازرسی شده آشکار است. میانگین افزایش چند ضلعی های ساختمانی 898.358 ویژگی در سال است، در مقایسه با میانگین رشد سالانه 112.004 مختصات آدرس.

شکل 9 اولین تصور را از مقدار آدرس های جغرافیایی مرجع (GA) در هر ایالت فدرال نشان می دهد. مقدار زیادی از اشیاء را می توان در نوردراین وسفالی، باواریا و بادن وورتمبرگ یافت. مشخص است که ایالت های شهر فدرال با کمترین تعداد مشخص می شوند. با توجه به ویژگی‌های کیفی آدرس‌های جغرافیایی ارجاع‌شده، 95 درصد از مختصات رسمی (کیفیت T از تحلیل حذف شده است) با کیفیت A (مختصات در داخل ساختمان) هستند. تنوع خاصی در وقوع کیفیت های B (مختصات داخل بسته) و R (مختصات داخل بسته بدون ساختمان مربوطه) وجود دارد.

6.2. پیش پردازش آمار

پیش پردازش داده ها ناسازگاری های توپولوژیکی، چند ضلعی های کوچک و چند ضلعی های غیر معمول را شناسایی و برطرف می کند. شکل 10 تناقضات توپولوژیکی در داده های خام سال 2014 را در هر ایالت فدرال نشان می دهد. با توجه به نوع شناسی همپوشانی ها، یک ارزیابی نشان داد که تکه و کمپلکس رایج ترین انواع همپوشانی هستند. به عنوان مثال، بادن-وورتمبرگ (BW) و برمن (HB) بخش بالایی از همپوشانی برش را نشان می دهند. این همپوشانی ها اغلب با ساختمان های پیچیده صنعتی، تجاری یا اداری مرتبط هستند. چنین همپوشانی هایی به ندرت در میان ساختمان های مسکونی یافت می شود.

جدول 5 مقدار چند ضلعی های کوچک و غیر معمول شناسایی شده را نشان می دهد که در مرحله پیش پردازش حذف شده اند. می توان بیان کرد که ناهمگونی های قابل توجهی در نحوه مدل سازی ردپای ساختمان در ایالت های فدرال آلمان وجود دارد. به عنوان مثال، در ایالت هسن (HE) 17٪ از 4.9 میلیون. چند ضلعی های داده خام مساحتی کمتر از 10 متر ^مربع دارند . در مقایسه با سایر ایالات، HE مدلسازی بسیار دقیقی از قطعات ساختمان را نشان می دهد.

تعداد چند ضلعی های شکل غیر معمول به طور قابل توجهی کمتر از تعداد چند ضلعی های کوچک است. به طور خلاصه، سهم چند ضلعی های غیر معمول در همه ایالت های فدرال بیشتر از 1٪ نیست. کل پیش پردازش منجر به کاهش 6.5٪ تعداد کل چند ضلعی ها (از 51,072,807 به 47,741,365) می شود.

6.3. ساختار

با توجه به طرح طبقه بندی سلسله مراتبی ارائه شده (نگاه کنید به شکل 7 )، می توان ساختار سهام ساختمان آلمان را مشخص کرد. طبقات کاربری زمین، ساختمان های اصلی و بیرونی و همچنین ویژگی های مورفولوژیکی را می توان استخراج کرد. تعداد کلاس ها در جدول 6 ارائه شده است. ساختمان های طبقه بندی شده به عنوان کاربری مسکونی یا مختلط بیش از 90 درصد از موجودی را تشکیل می دهند. لازم به ذکر است که طبقه کاربری زمین تنها یک شاخص برای کاربری ساختمان است. کارکردهای ساختمانی عمیق در حال حاضر برای کل آلمان در دسترس نیستند. در مقابل این پس زمینه، عدم قطعیت موضوعی آشکار است. به عنوان مثال، 30.2٪ از کل موجودی ساختمان ها، ساختمان های بیرونی هستند که در یک طبقه کاربری زمین مسکونی قرار دارند. این طبقه توسط گاراژها، سوله ها و ضمیمه های کوچک غالب است.

شکل 11 میزان ساختمان ها و نسبت ساختمان های اصلی و بیرونی را در هر ایالت فدرال نشان می دهد. ساختمان‌های اصلی و ساختمان‌های جانبی طبقه‌بندی می‌شوند، خواه به آن‌ها پرداخته شود یا خیر. نوردراین-وستفالن بزرگترین انبار ساختمان را نشان می دهد (تقریباً 9.5 متر ساختمان: 4 متر اصلی و 5.5 متر ساختمان های جانبی). در بیشتر ایالت‌ها، کمتر از نیمی از ردپاها را می‌توان به عنوان ساختمان‌های اصلی طبقه‌بندی کرد، بخش‌های بالاتر فقط در ایالت‌های شهری برلین (BE)، هامبورگ (HH) و برمن (HB) رخ می‌دهند.

چندین ویژگی از سهام ساختمان آلمان به علاوه در سطح NUTS-2-Regions در شکل 12 نشان داده شده است . شکل 12 a تراکم ساختمان (همه ساختمان ها در نظر گرفته شده) و میزان ساختمان های اصلی و بیرونی را نشان می دهد. تفاوت بین آلمان شرقی و غربی در مورد تراکم ساختمان ها آشکار است. هنگامی که به مناطقی با تراکم ساختمانی بالاتر نگاه می کنیم، تعداد ساختمان های اصلی بیشتر است. در مقابل، مناطق روستایی با ساختمان های بیرونی زیادی مشخص می شوند.

شکل 12 ب همچنین تراکم ساختمان ها و نسبت ساختمان های مسکونی و غیر مسکونی را نشان می دهد (به شکل 8 مراجعه کنید ). این نشان دهنده تفاوت فوق الذکر بین مناطق شهری و روستایی است که دارای بخش بیشتری از ساختمان های مسکونی هستند. مناطقی که بیشترین تراکم ساختمانی را دارند به عنوان مثال عبارتند از: DEA1 (دوسلدورف)، DEA2 (کلن) و همچنین DE71 (دارمشتات از جمله فرانکفورت ماین). شکل 12 c تراکم ساختمان های مسکونی و نسبت انواع ساختمان های مورفولوژیکی را نشان می دهد.

همانطور که انتظار می رود مناطق با تراکم بالا دارای بخش کمتری از ساختمان های مجزا و بخش بیشتری از ساختمان های پلکانی هستند. به طور کلی، 62 درصد از ساختمان های طبقه مسکونی به عنوان مجزا، 18 درصد به عنوان نیمه مستقل و 20 درصد به عنوان تراس محسوب می شوند.

6.4. پویایی شناسی

6.4.1. دینامیک کلاس های استفاده

تغییر ساختمان های اصلی نیز در سطح NUTS-2-Regions در شکل 12 d نشان داده شده است. بیشترین تغییر ساختمان های اصلی در مناطق شهری معمولی مانند راین-روهر، راین-ماین، مونیخ، برلین و هامبورگ بومی سازی شده است. یک توسعه ثابت یا کمی منفی اغلب در مناطق مرزی یا در مناطق معمولی پیرامونی مانند جنگل سیاه بالا مشاهده می شود. تجزیه و تحلیل داده های جغرافیایی همچنین امکان شناسایی نقاط پرت را ارائه می دهد. این نقاط پرت نیاز به بررسی های بیشتر در سطح محلی برای تصمیم گیری در مورد ساختمان های تخریب شده یا تازه ساخته شده دارند. جدول 7تغییر مطلق تعداد ساختمان های مسکونی (شامل کاربری مختلط) و ساختمان های اصلی صنعتی را از سال 2012 تا 2014 نشان می دهد. نرخ رشد ساختمان های صنعتی و تجاری بسیار بیشتر از موجودی مسکونی است. بررسی‌های بیشتر برای دریافت درک عمیق‌تر از مقادیر غیرمعمول (به عنوان مثال، نرخ رشد ساختمان‌های اصلی مسکونی در MV یا نرخ رشد ساختمان‌های صنعتی و تجاری در HB و HH) ضروری است. علاوه بر آمار ساختمان فدرال، نتایج گردش کار مبنای خوبی برای بحث‌های بیشتر در مورد مقادیر غیرمعمول یا شگفت‌انگیز است.

6.4.2. دینامیک انواع مورفولوژیک

نمای دقیق تری از انواع مورفولوژیک در انبار ساختمان های مسکونی فوق الذکر در جدول 8 ارائه شده است . در اینجا، تفاوت سهام از 2012 تا 2014 به درصد سهم در افزایش برای هر نوع مورفولوژیک تقسیم می‌شود. به طور کلی، طبقات ساختمان های مجزا بیشترین سهم را در تغییر سهام دارند. بخش نسبتاً بالای ساختمان‌های مجزا در افزایش سهام در براندنبورگ (BB) را می‌توان به منطقه اطراف برلین نسبت داد. حاشیه شهری پایتخت، منطقه ای با جمعیت رو به رشد و فعالیت ساختمانی بالا است.

6.5. مقایسه با آمار رسمی

برای موجودی ساختمان های مسکونی در سال 2014، مقایسه با آمار رسمی [ 63 ] (بر اساس سرشماری 2011) در جدول 9 آورده شده است . در اکثر ایالت ها، تعداد سهام به دست آمده از داده های جغرافیایی بیشتر از شمارش رسمی است، که بیشترین اختلاف بین هر دو در ایالت براندنبورگ (BB) رخ می دهد. در مجموع، تعداد سهام ساختمان های مسکونی که از داده های جغرافیایی به دست می آید، حدوداً می باشد. 5 درصد بالاتر از موجودی آمار رسمی است.

7. بحث

گردش کار ارائه شده، برای اولین بار، امکان کمی سازی خودکار سهام ساختمان ملی آلمان را از نظر ساختار و دینامیک با استفاده از داده های برداری فضایی توپوگرافی از NMCA ها فراهم می کند. جنبه‌های زیر در رابطه با چند چالش روش‌شناختی و داده‌های مورد استفاده مورد بحث قرار خواهند گرفت: قابلیت عملی/انتقال‌پذیری، توانایی اعتبارسنجی محدود، محدودیت‌های کمی سازی ساختار ساختمان و جنبه‌های کیفیت داده‌های ورودی پویا.

7.1. عملی بودن/قابلیت انتقال

گردش کار پیشنهادی برای کل کشور آلمان توسعه، آزمایش و نشان داده شده است. هنگام طراحی گردش کار، دقت ویژه ای صورت گرفته است که فقط از داده های مشترک جغرافیایی در مورد ساختمان ها، کاربری زمین و آدرس ها استفاده شود. این داده‌ها در زمینه‌ها و مشخصات داده‌های زیرساخت اطلاعات فضایی در جامعه اروپایی (INSPIRE) در اروپا در نظر گرفته می‌شوند و قابلیت اجرا برای سایر کشورهای اروپایی را تضمین می‌کنند. با این حال، این رویکرد می‌تواند در کشورهای دیگر خارج از اروپا که داده‌های قابل مقایسه با کیفیت مناسب در دسترس هستند نیز اعمال شود. این ممکن است نیاز به برخی سازگاری با مدل داده مربوطه (به عنوان مثال، کدهای کاربری زمین) یا تجدید نظر در برخی پارامترهای مدل داشته باشد.

7.2. قابلیت اعتبارسنجی محدود

یک چالش بزرگ، توانایی محدود برای اعتبار بخشیدن به گردش کار پیشنهادی به عنوان یک کل به دلیل فقدان مشاهدات واقعی واقعی است. این رویکرد بر روی داده‌های مکانی معتبر تنظیم می‌شود که اغلب به عنوان خود مرجع در نظر گرفته می‌شوند. ما تصمیم گرفتیم این رویکرد را با مقایسه تعداد موجودی ساختمان های مسکونی با داده های آماری رسمی ارزیابی کنیم. مقایسه تفاوت های کوچک و الگوهای قابل قبولی را هنگام نگاه کردن به ساختار ساختمان نشان می دهد. در مورد ساختمان های غیر مسکونی، هیچ داده آماری رسمی برای مقایسه در دسترس نیست. در این مرحله، تنها می توان به داده های جغرافیایی رسمی و دقت های مشخص شده توسط NMCA ها اعتماد کرد. با این حال، تحقیقات آینده ممکن است بر یک ارزیابی دقت عمیق تمرکز کند که باید با مقایسه با ارتوفوتوهای دیجیتال پشتیبانی شود.64 ] باید در نظر گرفته شود. با توجه به گستردگی منطقه مورد بررسی (در مورد ما در سراسر کشور) و تعداد زیادی ساختمان همزمان، تنها یک رویکرد سیستماتیک بر اساس نمونه های معرف امکان پذیر است.

7.3. محدودیت های کمی سازی سازه ساختمان

رویکرد برای کمی سازی ساختار ساختمان، ویژگی های مختلف ساختمان مانند نوع کاربری زمین، رتبه ساختمان و نوع ریخت شناسی را در نظر می گیرد. یک مجموعه قوانین سلسله مراتبی برای طبقه بندی ساختمان ها به مجموعه ای از طبقات از پیش تعریف شده ایجاد شده است. این رویکرد مبتنی بر دانش از قبل ارقام ملی تقریبی را در مورد ساختار سهام ساختمان ارائه می‌کند، اما بهبود مدل‌های بیشتر ممکن است برای تمایز دقیق‌تر ساختمان‌ها (به عنوان مثال، ساختمان آپارتمان، خانه‌های تک خانواده) امکان‌پذیر باشد. در این زمینه، مجموعه جامع‌تری از ویژگی‌ها، که مجاورت ساختمان‌ها را در نظر می‌گیرد، باید محاسبه و ارزیابی شود.34 ، 38 ، 46 ، 65 ]). علاوه بر این، محصولات داده جدید در آینده در دسترس خواهند بود که حاوی اطلاعات ارتفاع ساختمان و نوع سقف با پوشش کامل هستند (مثلاً مدل ساختمان سه بعدی آلمان). محصولات داده های بهبود یافته و در نظر گرفتن روش های جدید می تواند به توصیف دقیق تر ساختار ساختمان منجر شود.

علاوه بر این، این رویکرد مبتنی بر پارامترهایی است که از مقررات مشتق شده و یا به طور تجربی تعیین می شوند. به طور خاص، انتخاب مقادیر آستانه برای حذف چند ضلعی های کوچک و غیر معمول در پیش پردازش (به عنوان مثال، شاخص شکل، اندازه) بر کل سهام تأثیر می گذارد. به عنوان مثال، آستانه 10 متر ^مربع به عنوان حداقل اندازه برای اشیاء به عنوان ساختمان در نظر گرفته شد. این آستانه از قوانین ساختمان و مقررات قانونی در مورد چگونگی تعریف ساختمان در آمار و نقشه برداری گرفته شده است. با این حال، تأثیر مقادیر آستانه بر روی مقادیر سهام، باید در مطالعات آینده مورد توجه قرار گیرد.

فرض مدل دیگر این است که تنها ساختمان های آدرس دهی شده می توانند ساختمان های اصلی باشند. برای ساختمان های مسکونی، این فرض معتبر به نظر می رسد زیرا هر ساکن خانه معمولا یک آدرس پستی دارد. استثنا چند خانه مسکونی پشتی هستند که ممکن است آدرس جداگانه ای نداشته باشند. برای ساختمان‌های غیر مسکونی، جداسازی ساختمان‌های اصلی و ساختمان‌های جانبی بر اساس آدرس‌ها در حال حاضر مبهم به نظر می‌رسد. تعداد زیادی از ساختمان‌های غیرمسکونی بدون نشانی ممکن است هنوز ویژگی یک ساختمان اصلی با زیرساخت‌های اختصاصی داشته باشند، اما فقط ساختمان‌های مرتبط پستی (مثلاً یک مجتمع صنعتی) هستند. این باید هنگام تفسیر مقادیر ساختمان های غیر مسکونی در نظر گرفته شود.

7.4. محدودیت های کمی سازی دینامیک ساختمان

با نگاهی به نتایج پویایی، تفاوت های زیادی بین ایالت های فدرال مشاهده می شود. به عنوان مثال تغییرات سهام ساختمان های مسکونی به صورت منطقه ای از 0.7٪ تا 4.7٪ متغیر است. تحقیقات بیشتری برای درک بهتر علل و اثرات تغییرات مورد نیاز است. در این زمینه، همچنین باید توجه داشت که انبار ساختمان در معرض تغییرات مستمر ناشی از ساخت و ساز جدید، نوسازی، نوسازی، گفتگو یا تخریب است. در رویکرد ارائه شده در اینجا، پویایی تنها با تغییرات در مجموع مجموع در سطح مناطق مرجع انتخاب شده نشان داده می شود. این نمای ساده در حال حاضر هیچ مقداری از ساخت و سازهای جدید یا تخریب را ارائه نمی دهد. بنابراین، رویکرد باید با معرفی مکانیزمی بهبود یابد که امکان تشخیص تغییر در سطح ساختمان‌های جداگانه را فراهم می‌کند. با این حال، یکی از چالش های بزرگ، تخصیص خودکار ساختمان های همولوگ در مقاطع زمانی مختلف است. با توجه به تغییرات احتمالی نمایش هندسی ساختمان ها، الگوریتم های تطبیق چند ضلعی مناسب برای یک انتساب بدون ابهام لازم است [66 ].

یکی دیگر از چالش های کمی سازی دینامیک موجودی ساختمان، انتخاب یک بازه نظارت معقول (زمان) است. در اکثر ایالت های فدرال آلمان، مالک یک تعهد قانونی برای ثبت اقدامات ساخت و ساز ساختمان ها یا تغییرات در ساختمان هایی با ابعاد معین و بررسی آنها وجود دارد. اما بین یک تا دو سال از ساخت و ساز ساختمان تا بررسی ساختمان تا ثبت در پایگاه داده کاداستر املاک و تا ظهور در مجموعه داده های رسمی چند ضلعی ساختمان آلمان طول می کشد (همچنین رجوع کنید به [67 ]]). در حالی که این سیستم در اکثر ایالت ها کار می کند، ایالت تورینگن مدیریت به روز رسانی کاداستر را تغییر داد و تنها از تصاویر استریو هوایی برای به روز رسانی ساختمان ها به کاداستر استفاده می کند. با چرخه به روز رسانی دو ساله، این سیستم در حال حاضر در مرحله آزمایشی است و بعید نیست که سایر کشورها نیز آن را پیاده سازی کنند. با در نظر گرفتن واقعی بودن داده های ورودی، مجموعه داده با طولانی ترین چرخه به روز رسانی مجموعه داده ATKIS است که برای برخی از ویژگی ها تا پنج سال می باشد. بنابراین، ما یک فاصله نسبتا محافظه کارانه برای نظارت بر توسعه سهام ساختمان 5 ساله یا در صورت در دسترس بودن داده های سالانه با محاسبه مقادیر میانگین 5 ساله و استخراج تفاوت های سالانه پیشنهاد می کنیم.

7.5. جنبه های کیفیت داده های ورودی

دقت هر مدل به شدت به کیفیت داده های ورودی استفاده شده بستگی دارد. رویکرد پیشنهادی بر روی محصولات داده ثانویه نسبتاً جدید (ساخت چند ضلعی ها و داده های آدرس) تنظیم می شود. با توجه به ارائه دهندگان داده، داده ها ممکن است همچنان حاوی برخی خطاها و ناسازگاری ها باشد. بازرسی بصری با استفاده از تصاویر هوایی دیجیتال برخی از مشکلات کیفیت داده را نشان داد که می تواند در ایالت های آلمان و زمان های مختلف متفاوت باشد. به عنوان مثال، ما چند ضلعی های کوچک مانند باغ های زمستانی، بالکن ها، ساختمان های زیرزمینی و غیره را شناسایی کردیم. با توجه به توضیحات مدل مجموعه داده های چند ضلعی ساختمان، این چند ضلعی ها نباید به عنوان ساختمان های جداگانه حساب شوند و در پایگاه داده قرار نگیرند. اکثر اشیا را می توان به طور خودکار در پیش پردازش شناسایی و حذف کرد. با این حال، برخی از چند ضلعی های منفرد شناسایی نشده باقی می مانند. در حال حاضر، این خطا را نمی توان با فقدان داده های مرجع مناسب تعیین کرد. علاوه بر این، مشخص شد که برخی از ساختمان ها به طور کامل در ایالت های فدرال زاکسن و مکلنبورگ-فورپومرن وجود ندارند. این واقعیت می تواند توسط آژانس های نقشه برداری محلی مسئول کاداستر املاک تایید شود. بیشتر چند ضلعی های ساختمانی از دست رفته می توانند به ویژه در مناطقی با فعالیت های ساخت و ساز فعلی رخ دهند. یک شاخص برای تخمین تعداد ساختمان‌های جدید، سهم آدرس‌های جغرافیایی مرجع با کیفیت «B» است (ر.ک. این واقعیت می تواند توسط آژانس های نقشه برداری محلی مسئول کاداستر املاک تایید شود. بیشتر چند ضلعی های ساختمانی از دست رفته می توانند به ویژه در مناطقی با فعالیت های ساخت و ساز فعلی رخ دهند. یک شاخص برای تخمین تعداد ساختمان‌های جدید، سهم آدرس‌های جغرافیایی مرجع با کیفیت «B» است (ر.ک. این واقعیت می تواند توسط آژانس های نقشه برداری محلی مسئول کاداستر املاک تایید شود. بیشتر چند ضلعی های ساختمانی از دست رفته می توانند به ویژه در مناطقی با فعالیت های ساخت و ساز فعلی رخ دهند. یک شاخص برای تخمین تعداد ساختمان‌های جدید، سهم آدرس‌های جغرافیایی مرجع با کیفیت «B» است (ر.ک.جدول 1 ). در سال 2014 سهم این مختصات تقریباً بود. 0.68٪ برای کل مجموعه داده ها، که در واقع مقدار نسبتا کمی از ساختمان ها است.

لازم به ذکر است که آژانس‌های نقشه‌برداری کاداستر آلمان تحت یک فرآیند تغییر مربوط به فرآیندهای مهاجرت از مدل داده‌های ALK آلمان به مدل جدید داده‌های ALKIS [67] هستند . این ممکن است منجر به تغییراتی در داده‌های کاداستر شود، اما به احتمال زیاد کیفیت داده‌ها در آینده بهبود می‌یابد. داده های VGI اغلب استفاده شده از پروژه OpenStreetMap (OSM) در حال حاضر نامناسب هستند. مطالعات قبلی نشان می دهد که کامل بودن ردپای ساختمان در حال حاضر بسیار کم است، به خصوص در مناطق روستایی [ 68 ]. از سوی دیگر، فن و همکاران. [ 69] به مقدار ناچیز ساختمانهای تازه ساخته در OSM اشاره کرد که هنوز در مجموعه داده های رسمی ثبت نشده اند. بنابراین، برای تحقیقات آینده باقی می ماند تا بررسی شود که چگونه داده های OSM می توانند در مدل هایی برای کمی سازی سهام ساختمان به عنوان داده های تکمیلی استفاده شوند.

8. نتیجه گیری

یک گردش کار جدید برای کمی سازی ذخایر ساختمان پیشنهاد شده است که از داده های جغرافیایی معمول در دسترس استفاده می کند. گردش کار شامل مراحل پردازش زیر است: (1) پیش پردازش داده. (2) محاسبه ویژگی های ساختمان. (3) غنی سازی معنایی ساختمان با استفاده از درخت طبقه بندی. (4) تقاطع با واحدهای فضایی. و در نهایت (5) کمی سازی ساختار و دینامیک ساختمان. گردش کار پیشنهادی برای کل کشور آلمان برای سال‌های 2012، 2013 و 2014 به عنوان نمونه توسعه یافته، آزمایش و نشان داده شده است. از ATKIS Base DLM استفاده شده است. امکان تعیین کل موجودی ساختمان (تقریباً 48 میلیون چند ضلعی ساختمان) و توصیف ساختمان‌هایی با ویژگی‌های هندسی و مورفولوژیکی وجود داشت. علاوه بر این، طبقه بندی ساختمان ها بر اساس کاربری زمین و مورفولوژی بر اساس یک طرح طبقه بندی از پیش تعریف شده امکان پذیر بود. تحقیقات بیشتر به منظور غنی سازی ساختمان ها با ویژگی های اضافی مورد نیاز است که امکان تمایز نوع ساختمان دقیق تر را فراهم می کند. یکی دیگر از جنبه های تحقیق می تواند در مورد قابلیت انتقال با اعمال گردش کار به کشورهای دیگر باشد. تحقیقات بیشتر به منظور غنی سازی ساختمان ها با ویژگی های اضافی مورد نیاز است که امکان تمایز نوع ساختمان دقیق تر را فراهم می کند. یکی دیگر از جنبه های تحقیق می تواند در مورد قابلیت انتقال با اعمال گردش کار به کشورهای دیگر باشد. تحقیقات بیشتر به منظور غنی سازی ساختمان ها با ویژگی های اضافی مورد نیاز است که امکان تمایز نوع ساختمان دقیق تر را فراهم می کند. یکی دیگر از جنبه های تحقیق می تواند در مورد قابلیت انتقال با اعمال گردش کار به کشورهای دیگر باشد.

این رویکرد پتانسیل زیادی برای تحقیقات بیشتر در زمینه های مختلف مانند برنامه ریزی فضایی، جغرافیای شهری، اقتصاد سنجی، معماری و مهندسی عمران دارد. این رویکرد می تواند برای حمایت از مطالعه شهرها به عنوان سیستم های پیچیده، مقایسه سیستم های شهری، مطالعه سلسله مراتب شهری و فرآیندهای رشد مورد استفاده قرار گیرد. مطالعات ممکن است بر خودهمبستگی فضایی یا بررسی روابط مقیاس بندی آلومتریک تمرکز کنند. علاوه بر این، از فرآیندهای مدل‌سازی شهری مانند مدل‌سازی جمعیتی یا مدل‌سازی نامتقارن در مقیاس ساختمان‌های جداگانه نیز پشتیبانی می‌کند.

مجموعه داده یکپارچه نیز انواع مختلفی از برنامه های کاربردی را ارائه می دهد. در ابتدا، می تواند به عنوان مبنایی برای نظارت و ارزیابی کمی فضایی ذخایر ساختمانی ملی، منطقه ای و محلی و تغییرات آنها در طول زمان باشد. سنگدانه های مشتق شده را می توان به عنوان مکمل آمار رسمی ساختمان ها استفاده کرد، که تاکنون فقط به صورت ناقص یا در سطح بسیار درشت موجود بوده است. اطلاعات بسیار ارزشمند، به عنوان مثال، تعداد، ویژگی ها و توزیع فضایی ساختمان های غیر مسکونی است که اغلب در داده های آماری رسمی حذف می شوند. علاوه بر این، از مدل سازی انرژی، تجزیه و تحلیل جریان مواد، ارزیابی ریسک و آسیب پذیری و مدیریت تسهیلات پشتیبانی می کند.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

AdV	کمیته کاری مقامات نقشه برداری Laender جمهوری فدرال آلمان
الکیس	سیستم اطلاعاتی کاداستر املاک معتبر
ATKIS	سیستم اطلاعاتی توپوگرافی- کارتوگرافی معتبر
BKG	آژانس فدرال نقشه برداری و ژئودزی
DLM	مدل منظره دیجیتال
DOP	ارتفتو دیجیتال
HK-DE	مختصات مجلس رسمی آلمان
HU-DE	چند ضلعی های ساختمان رسمی آلمان
الهام بخشیدن	زیرساخت اطلاعات مکانی در اتحادیه اروپا
NMCAS	آژانس های ملی نقشه برداری و کاداستر
ZSHH	دفتر مرکزی مختصات ساختمان و ردپای ساختمان

ایالات فدرال:

BB	براندنبورگ
بودن	برلین
BW	بادن-وورتمبرگ
توسط	بایرن
HB	برمن
او	هسن
HH	هامبورگ
MV	مکلنبورگ-فورپومرن
NI	نیدرزاکسن
شمال غربی	نوردراین-وستفالن
RP	راین-فالتز
SH	شلسویگ-هولشتاین
SL	زارلند
SN	ساکسونی
ST	زاکسن-آنهالت
TH	تورینگن

مناطق NUTS-2

کد	NUTS 2 (انگلیسی)	کد	NUTS 2 (انگلیسی)
DE11	اشتوتگارت	DE91	براونشوایگ
DE12	کارلسروهه	DE92	هانوفر
DE13	فرایبورگ	DE93	لونبورگ
DE14	توبینگن	DE94	Weser-Ems
DE21	بایرن علیا	DEA1	دوسلدورف
DE22	بایرن پایین	DEA2	کلن
DE23	فلات بالا	DEA3	مونستر
DE24	فرانکونیای علیا	DEA4	دتمولد
DE25	فرانکونیای میانه	DEA5	آرنسبرگ
DE26	فرانکونیای پایین	DEB1	کوبلنز
DE27	سوابیا	DEB2	تریر
DE30	برلین	DEB3	رنیش هسن-فالتز
DE40	براندنبورگ	DEC0	زارلند
DE50	برمن	DED2	درسدن
DE60	هامبورگ	DED4	کمنیتس
DE71	دارمشتات	DED5	لایپزیگ
DE72	گیسن	DEE0	زاکسن-آنهالت
DE73	کاسل	DEF0	شلسویگ-هولشتاین
DE80	مکلنبورگ-پومرانی غربی	DEG0	تورینگن

پیوست اول

شکل A1. بررسی اجمالی تقسیم اداری آلمان در سطح ایالت های فدرال (برای اسامی ایالت ها به جدول مناطق NUTS در پیوست مراجعه کنید). به عنوان نمونه ای از واحدهای فضایی آماری مورد استفاده در این مقاله، سطح دوم نامگذاری واحدها برای آمار سرزمینی (NUTS 2) نشان داده شده است.

منابع

بهنیش، م. ماینل، جی. ترامسن، اس. Dießelmann, M. استفاده از نمایش های Quadtree در تجسم و تجزیه و تحلیل سهام ساختمان. Erdkunde 2013 ، 67 ، 151-166. [ Google Scholar ] [ CrossRef ]
RatSWD. Endbericht der AG “Georeferenzierung von Daten” des RatSWD. Bericht der Arbeitsgruppe und Empfehlung des Rates für Sozial-und Wirtschaftdaten (RatSWD). در دسترس آنلاین: http://ratswd.de/Geodaten/downloads/RatSWD_Endbericht_Geo-AG.pdf (در 4 اوت 2015 قابل دسترسی است).
BPIE. ساختمان های اروپا در زیر میکروسکوپ: بررسی کشور به کشور عملکرد انرژی ساختمان ها. موسسه عملکرد ساختمان اروپا (BPIE). در دسترس آنلاین: http://bpie.eu/publication/europes-buildings-under-the-microscope/ (در 12 مارس 2016 قابل دسترسی است).
کمیسیون اروپایی. اطلاعیه کمیسیون به پارلمان اروپا، شورا، کمیته اقتصادی و اجتماعی اروپا و کمیته مناطق. طرح بهره وری انرژی 2011 ; کمیسیون اروپا: بروکسل، بلژیک، 2011. [ Google Scholar ]
BPIE. بازسازی انبار ساختمان آلمان. موسسه عملکرد ساختمان اروپا (BPIE). در دسترس آنلاین: http://bpie.eu/wp-content/uploads/2016/02/BPIE_Renovating-Germany-s-Building-Stock-_EN_09.pdf (در 13 مارس 2016 دسترسی پیدا کرد).
دیفن باخ، ن. سیشینسکی، اچ. رودنفلز، ام. Clausnitzer، KD Datenbasis Gebäudebestand ; Institut Wohnen und Umwelt (IWU): دارمشتات، آلمان، 2010. [ Google Scholar ]
لوگا، تی. دیفن باخ، ن. بالارس، سی. داسکالاکی، ای. زاورل، ام اس; راکوشک، آ. کورادو، وی. کورگناتی، اس. دسپرتز، اچ. روارتی، سی. و همکاران استفاده از انواع ساختمان برای ارزیابی عملکرد انرژی سهام ساختمان ملی. تجارب موجود در کشورهای اروپایی و رویکرد مشترک – اولین گزارش ترکیبی TABULA. در دسترس آنلاین: http://www.buildup.eu/node/9927 (در 10 مارس 2016 قابل دسترسی است).
کوهلر، ن. استدمن، پی. Hassler، U. تحقیق در مورد سهام ساختمان و کاربردهای آن. ساختن. Res. Inf. 2009 ، 37 ، 449-454. [ Google Scholar ] [ CrossRef ]
استدمن، پی. برونز، منابع انسانی؛ Gakovic، B. استنباط در مورد فرم ساخته شده، ساخت و ساز، و پارچه در انبار ساختمان غیر خانگی انگلستان و ولز. محیط زیست طرح. B طرح. دس 2000 ، 27 ، 733-758. [ Google Scholar ] [ CrossRef ]
Rußig, V. Gebäudebestand in Westeuropa: Fast 17 Mrd. M ² wohn-und nutzfläche, ausgewählte ergebnisse der studie; “EUROPARC—Der bestand an gebäuden in Europa”. Ifo-Schnelldienst 1999 ، 12 ، 13-19. [ Google Scholar ]
کوهلر، ن. هاسلر، یو. Paschen, H. Stoffströme und Kosten im Bereich Bauen und Wohnen. Studie im Auftrag der Enquete Kommission zum Schutz von Mensch und Umwelt des deutschen Bundestages ; Springer: برلین، آلمان، 1999. [ Google Scholar ]
هولتیر، اس. Steadman، J.-P. اسمیت، ام.-جی. نمایش سه بعدی فرم ساخته شده شهری در GIS. محیط زیست طرح. B طرح. دس 2000 ، 27 ، 51-72. [ Google Scholar ] [ CrossRef ]
کوهلر، تی. Schnitzer، B. کاداستر معدن شهری – چالش داده های جغرافیایی. کنگره FIG: درگیر کردن چالش ها – افزایش ارتباط. کوالالامپور، مالزی، 2014. موجود به صورت آنلاین: http://www.fig.net/resources/proceedings/fig_proceedings/fig2014/papers/ts09h/TS09H_schnitzer_koehler_6946.pdf (در 2 اوت 2016 قابل دسترسی است).
ایتارد، ال. Meijer، F. به سوی سهام مسکن اروپای شمالی پایدار . IOS Press: آمستردام، هلند، 2008. [ Google Scholar ]
کوهلر، ن. هاسلر، U. سهام ساختمان به عنوان یک شی تحقیقاتی. ساختن. Res. Inf. 2002 ، 30 ، 226-236. [ Google Scholar ] [ CrossRef ]
Clausnitzer، K.-D.; ایک مایر، بی. یانسن، ک. رود، سی. Steinbach, J. Datenquellen zur Erfassung Statistischer Basisdaten zum Nichtwohngebäudebestand ; Fraunhofer IFAM: برمن، آلمان، 2014. [ Google Scholar ]
گیرگا، م. Erhorn, H. Bestand und Typologie Beheizter Nichtwohngebäude in West-Deutschland ; Teilbericht Nr. 5-14 zum Forschungsprojekt IKARUS; Forschungszentrum Jülich: Jülich، Deutschland، 1993. [ Google Scholar ]
ایتارد، ال. مایجر، اف. Vrins، E. Hoiting, H. Building Renovation and Modernization in Europe: State of the Art Review ; گزارش نهایی ERABUILT دانشگاه صنعتی دلفت: دلفت، هلند، 2008. [ Google Scholar ]
بهنیش، م. Ultsch, A. برآورد تعداد ساختمان ها در آلمان. در پیشرفت در تجزیه و تحلیل داده ها، مدیریت داده ها و هوش تجاری ؛ Fink, A., Lausen, B., Seidel, W., Ultsch, A., Eds. Springer: برلین، آلمان، 2009; صص 311-318. [ Google Scholar ]
Bruhns, H. داده های مالیات بر دارایی برای ساختمان های غیر خانگی در انگلستان و ولز. محیط زیست طرح. B 2000 , 27 , 33-49. [ Google Scholar ] [ CrossRef ]
بلوم، اچ. بوگولاوسکی، آر. Borzachiello، MT; کونا، ا. مارتیرانو، جی. ماسکیو، آی. Pignatelli، F. داده‌های فضایی برای مدل‌سازی نیازهای انرژی موجودی ساختمان: ضمیمه مجموعه مقالات کارگاه: مشارکت‌های شرکت‌کنندگان ؛ یورو 27747; دفتر انتشارات اتحادیه اروپا: بروکسل، بلژیک، 2015. [ Google Scholar ]
لی، دی اس؛ شان، جی. استخراج ساختمان با هدایت کلاس JS Bethel از تصاویر IKONOS. فتوگرام مهندس Remote Sens. 2003 ، 69 ، 143-150. [ Google Scholar ] [ CrossRef ]
دوتا، دی. Serker، K. توسعه موجودی ساختمان های شهری با استفاده از داده های سنجش از دور با وضوح بسیار بالا برای تجزیه و تحلیل ریسک شهری. بین المللی J. Geoinform. 2005 ، 1 ، 109-116. [ Google Scholar ]
جین، ایکس. دیویس، CH استخراج خودکار ساختمان از تصاویر ماهواره‌ای با وضوح بالا در مناطق شهری با استفاده از اطلاعات ساختاری، زمینه‌ای و طیفی. EURASIP J. Adv. فرآیند سیگنال 2005 . [ Google Scholar ] [ CrossRef ]
Aguilar، MA; سالدانا، م.م. تصاویر Aguilar، FJ GeoEye-1 و WorldView-2 برای طبقه‌بندی مبتنی بر شی در محیط‌های شهری. IJRS 2013 ، 34 ، 2583-2606. [ Google Scholar ] [ CrossRef ]
بالتساویاس، EP; گرون، ا. ون گول، ال. استخراج خودکار اجسام دست ساز از تصاویر هوایی و فضایی III . AA Balkema ناشران: Lisse، هلند; ابینگدون، بریتانیا؛ Exton، PA، ایالات متحده آمریکا؛ توکیو، ژاپن، 2001. [ Google Scholar ]
گرون، ا. کوبلر، او. آگوریس، ص. استخراج خودکار اجسام دست ساز از تصاویر هوایی و فضایی . Birkhäuser: بازل، سوئیس، 1995. [ Google Scholar ]
گرون، ا. بالتساویاس، EP; Henricsson, O. استخراج خودکار اشیاء ساخته شده توسط انسان از تصاویر هوایی و فضایی (II) ; Birkhäuser: بازل، سوئیس، 1997. [ Google Scholar ]
مایر، اچ. استخراج خودکار اشیا از تصاویر هوایی – بررسی با تمرکز بر ساختمان ها. محاسبه کنید. Vis. تصویر زیر. 1999 ، 74 ، 138-149. [ Google Scholar ] [ CrossRef ]
شان، جی. لی، SD کیفیت استخراج ساختمان از تصاویر IKONOS. J. Surv. مهندس 2005 ، 131 ، 27-32. [ Google Scholar ] [ CrossRef ]
ماتیکاینن، ال. Hyyppä، J.; آهوکاس، ای. مارکلین، ال. کارتینن، اچ. تشخیص خودکار ساختمان ها و تغییرات در ساختمان ها برای به روز رسانی نقشه ها. Remote Sens. 2010 , 2 , 1217-1248. [ Google Scholar ] [ CrossRef ]
هرموسیلا، تی. رویز، لس آنجلس؛ Recio، JA; Estornell, J. ارزیابی رویکردهای تشخیص خودکار ساختمان با ترکیب تصاویر با وضوح بالا و داده های LiDAR. Remote Sens. 2011 ، 3 ، 1188-1210. [ Google Scholar ] [ CrossRef ]
سون، جی. Dowman, I. ادغام داده های تصاویر ماهواره ای با وضوح بالا و داده های LiDAR برای استخراج خودکار ساختمان. ISPRS J. Photogramm. Remote Sens. 2007 ، 62 ، 43-63. [ Google Scholar ] [ CrossRef ]
هچت، ر. ماینل، جی. Buchroithner، MF شناسایی خودکار انواع ساختمان ها بر اساس پایگاه های داده توپوگرافی – مقایسه منابع داده های مختلف. بین المللی جی. کارتوگر. 2015 ، 1 ، 18-31. [ Google Scholar ] [ CrossRef ]
گیس، سی. تاوبنبوک، اچ. ورم، م. اش، تی. نست، م. شلینگ، سی. Blaschke، T. توصیف مبتنی بر سنجش از دور سازه‌های سکونتگاهی برای ارزیابی پتانسیل محلی گرمای منطقه. Remote Sens. 2011 ، 3 ، 1447-1471. [ Google Scholar ] [ CrossRef ]
نیدهارت، اچ. Sester, M. شناسایی انواع ساختمان ها و خوشه های ساختمان با استفاده از اسکن لیزری سه بعدی و داده های GIS. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2004 ، 35 ، 715-720. [ Google Scholar ]
وردر، اس. کیلر، بی. Sester، M. تفسیر نیمه خودکار ساختمان ها و مناطق سکونتگاهی در داده های فضایی تولید شده توسط کاربر. در مجموعه مقالات هجدهمین کنفرانس بین المللی SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، سن خوزه، کالیفرنیا، ایالات متحده آمریکا، 2 تا 5 نوامبر 2010.
اشتاینیگر، اس. لانگ، تی. بورگاردت، دی. وایبل، آر. رویکردی برای طبقه‌بندی سازه‌های ساختمان شهری بر اساس تکنیک‌های تحلیل متمایز. ترانس. GIS 2008 ، 12 ، 31-59. [ Google Scholar ] [ CrossRef ]
هوانگ، اچ. کیلر، بی. Sester، M. برچسب گذاری استفاده از ساختمان های شهری با تجزیه و تحلیل هندسی و زمینه داده های ردپایی. در مجموعه مقالات بیست و ششمین کنفرانس بین المللی کارتوگرافی (ICC)، درسدن، آلمان، 25 تا 30 اوت 2013.
ورم، م. اشمیت، ا. Taubenböck، H. طبقه بندی انواع ساختمان با استفاده از ویژگی های مبتنی بر شکل و توابع متمایز خطی. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2016 ، 9 ، 1901–1912. [ Google Scholar ] [ CrossRef ]
رنگلینک، ام. ون اوستروم، PJM؛ Quak، CW; Verbree, E. استخراج و طبقه بندی خودکار خانه ها بر روی نقشه کاداستر. در مجموعه مقالات UDMS 2000، بیست و دومین سمپوزیوم مدیریت داده شهری، دلفت، هلند، 11-15 سپتامبر 2000.
اورفورد، اس. رادکلیف، جی. مدل‌سازی انواع خانه‌های مسکونی بریتانیا با استفاده از داده‌های نقشه اصلی سیستم عامل: مقایسه با سرشماری سال 2001. محاسبه کنید. محیط زیست سیستم شهری 2007 ، 31 ، 206-227. [ Google Scholar ] [ CrossRef ]
اسمیت، دی. کروکس، الف. از ساختمان‌ها تا شهرها: تکنیک‌هایی برای تحلیل چند مقیاسی فرم و عملکرد شهری . CASA Working Papers 155; مرکز تحلیل فضایی پیشرفته (UCL): لندن، بریتانیا، 2010. [ Google Scholar ]
رینفورد، دی. تطبیق الگوی Mackaness، WA در پشتیبانی از تعمیم ساختمان‌های روستایی. در پیشرفت در مدیریت داده های مکانی ; Springer: برلین، آلمان، 2002; صص 137-152. [ Google Scholar ]
تامسون، M.-K. اقامت در هستی شناسی – استدلال معنایی بر روی نقشه های توپوگرافی. Ph.D. پایان نامه، کالج دانشگاه لندن، لندن، انگلستان، 2009. [ Google Scholar ]
لوشر، پی. ویبل، آر. Burghardt، D. ادغام مدل‌سازی هستی‌شناختی و استنتاج بیزی برای طبقه‌بندی الگو در داده‌های برداری توپوگرافی. محاسبه کنید. محیط زیست سیستم شهری 2009 ، 33 ، 363-374. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ماینل، جی. هچت، ر. هرولد، اچ. تجزیه و تحلیل موجودی ساختمان با استفاده از نقشه های توپوگرافی و GIS. ساختن. Res. Inf. 2009 ، 37 ، 468-482. [ Google Scholar ] [ CrossRef ]
ورم، م. تاوبنبوک، اچ. راث، ا. Dech, S. ساختار شهری با استفاده از داده های سنجش از دور چندحسی: با مثال شهرهای آلمانی کلن و درسدن. در مجموعه مقالات رویداد سنجش از دور شهری مشترک 2009، شانگهای، چین، 20 تا 22 مه 2009.
فن، اچ. Zipf، A.; Fu, Q. برآورد انواع ساختمان در نقشه خیابان باز بر اساس تجزیه و تحلیل مورفولوژی شهری. در مجموعه مقالات هفدهمین کنفرانس AGILE در علم اطلاعات جغرافیایی، کاستلون، اسپانیا، 3 تا 6 ژوئن 2014.
پارلمان و شورای اروپا دستورالعمل 2010/31/EU پارلمان اروپا و شورای 19 مه 2010 در مورد عملکرد انرژی ساختمان ها. خاموش J. Eur. اتحادیه 2010 ، 18 ، 13-35. [ Google Scholar ]
یورواستات طبقه بندی انواع ساخت و ساز ; یورواستات: لوکزامبورگ، 1998. [ Google Scholar ]
تانیکاوا، اچ. هاشیموتو، S. سهام شهری در طول زمان: تجزیه و تحلیل انبار مواد فضایی با استفاده از 4D-GIS. ساختن. Res. Inf. 2009 ، 37 ، 483-502. [ Google Scholar ] [ CrossRef ]
Bundesinstitut für Bau-، Stadt- und Raumforschung. Die Europäische bauwirtschaft. BBSR-Berichte KOMPAKT . در دسترس آنلاین: http://www.bbsr.bund.de/BBSR/DE/Veroeffentlichungen/BerichteKompakt/2010/DL_8_2010.pdf?__blob=publicationFile&v=2 (در 4 اوت 2016 قابل دسترسی است).
اقتصاد آکسفورد چشم انداز ساخت و ساز جهانی – ساخت و ساز جهانی 2020 ; اقتصاد آکسفورد: لندن، بریتانیا، 2009. [ Google Scholar ]
مرکز تحقیقات مشترک کمیسیون اروپا مشخصات داده INSPIRE برای ساختمان تم داده های مکانی، نسخه 3.0 . مرکز تحقیقات مشترک کمیسیون اروپا: شهر لوکزامبورگ، لوکزامبورگ، 2013. [ Google Scholar ]
Zentrale Stelle Hauskoordinaten und Hausumringe. Datenformatbeschreibung Hausumringe Deutschland (HU-DE)، Zentrale Stelle Hauskoordinaten und Hausumringe (ZSHH)، نسخه 2.2 ; ZSHH: کلن، آلمان، 2015. [ Google Scholar ]
Zentrale Stelle Hauskoordinaten und Hausumringe. Datenformatbeschreibung Hauskoordinaten Deutschland (HK-DE)، Zentrale Stelle Hauskoordinaten und Hausumringe، نسخه 4.0 ; ZSHH: کلن، آلمان، 2015. [ Google Scholar ]
Arbeitsgemeinschaft der Vermessungsverwaltungen. ATKIS-Objektartenkatalog Basis-DLM، نسخه 6.0. در دسترس آنلاین: http://www.adv-online.de/AAA-Modell/Dokumente-der-GeoInfoDok/GeoInfoDok-6.0/ (در 3 اوت 2016 قابل دسترسی است).
Regierung Mecklenburg Vorpommern، Landesbauordnung Mecklenburg-Vorpommern (LbauO، M.-V.). در دسترس آنلاین: http://www.bauordnungen.de/Mecklenburg-Vorpommern.htm (در 3 اوت 2016 قابل دسترسی است).
Ossermann, R. نابرابری ایزوپریمتری. گاو نر صبح. ریاضی. Soc. 1973 ، 84 ، 1182-1238. [ Google Scholar ] [ CrossRef ]
IS-ARGEBAU, Musterbauordnung, Bauministerkonferenz, 2002. در دسترس آنلاین: https://www.bauministerkonferenz.de/lbo/VTMB102.pdf (در 3 اوت 2016 در دسترس است).
شوماخر، U. کروگر، تی. Kaden، M. Gebietsreformen und verwaltungsgrenzen: Zum aufbau einer verwaltungsgebietsgeometrie VG25 aus dem ATKIS base-landschaftsmodell. کارتوگر. نچر. 2013 ، 5 ، 276-282. [ Google Scholar ]
DESTATIS. Gebäude und Wohnungen. لانگ ریهن 1969–2014. آمار Bundesamt در دسترس آنلاین: https://www.destatis.de/DE/ZahlenFakten/Wirtschaftsbereiche/Bauen/Bauen/ (در 3 اوت 2016 قابل دسترسی است).
ISO اطلاعات جغرافیایی — کیفیت داده EN ISO 19157 ; سازمان بین المللی استانداردسازی: ژنو، سوئیس، 2013. [ Google Scholar ]
هن، ا. رومر، سی. گروگر، جی. Plümer, L. طبقه بندی خودکار انواع ساختمان ها در مدل های سه بعدی شهر با استفاده از SVM ها برای غنی سازی معنایی داده های ساختمان با وضوح پایین. GeoInformatica 2012 ، 16 ، 281-306. [ Google Scholar ] [ CrossRef ]
رول، پی. آنتوان، ب. تطبیق خودکار ویژگی‌های ساختمان با سطوح مختلف جزئیات: مطالعه موردی. در مجموعه مقالات بیست و چهارمین کنفرانس بین المللی کارتوگرافی، سانتیاگو، شیلی، 15 تا 21 نوامبر 2009.
بورکهارت، ام. Meinel، G. داده های جغرافیایی پایه دیجیتال “Hausumringe” و “Hauskoordinaten” – خصوصیات و پیش پردازش برای تجزیه و تحلیل سهام ساختمان. فتوگرام فرنرکوند. Geoinf. 2013 ، 6 ، 575-588. [ Google Scholar ]
هچت، ر. کونز، سی. Hahmann, S. اندازه گیری کامل بودن ردپای ساختمان در OpenStreetMap در مکان و زمان. ISPRS Int. J. Geo-Inf. 2013 ، 2 ، 1066-1091. [ Google Scholar ] [ CrossRef ]
فن، اچ. Zipf، A.; فو، س. Neis, P. ارزیابی کیفیت برای ایجاد داده های ردپایی در OpenStreetMap. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 700-719. [ Google Scholar ] [ CrossRef ]

شکل 1. در این کار، انواع مدل‌سازی مختلف از نظر اصطلاحی به شرح زیر متمایز می‌شوند: ( الف ) نمایش واحد ساختمانی از گروهی از ساختمان‌ها (همچنین مجتمع ساختمانی). ( ب ) نمایش منطقه ساختمان از گروهی از ساختمان ها، که با مختصات آدرس نشان داده شده است (Geodata: HU-DE، GA و WMS DOP20 © GeoBasis-DE/BKG 2015).

شکل 2. همپوشانی داده های HU و GA (مختصات با کیفیت “R” و “B” با رنگ قرمز) (Geodata: HU-DE و GA© GeoBasis-DE/BKG 2015).

شکل 3. مراحل پردازش داده ها برای مقاطع زمانی مختلف.

شکل 4. تصویری شماتیک از مراحل حذف همپوشانی برای سه نوع همپوشانی شناسایی شده.

شکل 5. اشکال نمونه ( a ) و چند ضلعی های ساخت داده واقعی ( b ) با شاخص های شکل مربوطه. چند ضلعی های برجسته در داده های واقعی مساحتی کمتر از 190 متر ^مربع دارند (Geodata: HU-DE © GeoBasis-DE/2015).

شکل 6. نمودارهای هیستوگرام نمونه برای مساحت شکل ( محور x -log) چند ضلعی انتخاب شده با شاخص شکل کمتر از 0.3: ( الف ) بادن-وورتمبرگ. ( ب ) بایرن؛ ( ج ) هامبورگ و ( د ) زاکسن. یک چند وجهی قابل مشاهده وجود دارد، حداقل در مساحت 190 متر ^مربع برای آستانه اندازه (که با خط عمودی مشخص شده است) انتخاب شد.

شکل 7. طرح طبقه بندی به عنوان مبنایی برای تعیین کمیت موجودی ساختمان.

شکل 8. تصویر وضعیت ساختمان با کدهای 10 کیلومتری سلول های شبکه EEA ( سبز ) و شهرداری ها ( قرمز ). این کدها به صورت مکانی به چند ضلعی های ساختمان متصل می شوند (Geodata: VG25 و HU-DE © GeoBasis-DE/BKG 2015، شبکه مرجع EEA).

شکل 9. تعداد مختصات آدرس و ویژگی های کیفیت مربوطه. همه ایالت های فدرال طیف کاملی از کیفیت های مختصات A، B و R را منتشر نمی کنند.

شکل 10. تجزیه و تحلیل ناهماهنگی های توپولوژیکی در داده های خام سال 2014.

شکل 11. تعداد ساختمان های اصلی و ساختمان های جانبی در هر ایالت فدرال.

شکل 12. ساختار انبار ساختمان آلمان بر اساس رتبه ساختمان، کاربری ساختمان و نوع مورفولوژیکی که در سطح NUTS2 ( a – c ) و شبکه شطرنجی 10 کیلومتری ( d ) به تصویر کشیده شده است.

جدول 1. مقدار کیفیت مورد استفاده در داده های آدرس جغرافیایی.

جدول 2. خلاصه مشخصات داده های فرمت های داده ساختمان.

جدول 3. ویژگی های ردپای ساختمان پس از غنی سازی معنایی.

جدول 4. آمار ویژگی در داده های خام HU-DE و GA در سال.

جدول 5. تعداد چند ضلعی های کوچک و غیر معمول شناسایی شده در داده های سال 2014.

جدول 6. جدول شمارش طبقات ساختمان با سهم از کل موجودی ساختمان در سال 2014.

جدول 7. تغییر مطلق شمارش ساختمانها در طبقات ساختمانهای مسکونی (شامل کاربری مختلط) و ساختمانهای اصلی صنعتی از سال 2012 تا 2014.

جدول 8. انواع مورفولوژیک و درصد سهم آنها در افزایش موجودی ساختمان اصلی مسکونی از سال 2012 تا 2014.

جدول 9. تعداد کل ساختمان های اصلی مسکونی (شامل کاربری مختلط) در هر ایالت فدرال در سال 2014، در مقایسه با آمار رسمی (DESTATIS).

© 2016 توسط نویسندگان؛ دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC-BY) (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب