Klasifikace zástavby pro účely kartografické generalizace státního mapového díla
Classification of built-up areas for cartographic generalization of state map series
diplomová práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/118357Identifikátory
SIS: 209719
Kolekce
- Kvalifikační práce [19614]
Autor
Vedoucí práce
Oponent práce
Bayer, Tomáš
Fakulta / součást
Přírodovědecká fakulta
Obor
Kartografie a geoinformatika
Katedra / ústav / klinika
Katedra aplikované geoinformatiky a kartografie
Datum obhajoby
22. 6. 2020
Nakladatel
Univerzita Karlova, Přírodovědecká fakultaJazyk
Čeština
Známka
Výborně
Klíčová slova (česky)
generalizace zástavby, klasifikace, strojové učení, neuronové sítě, ZABAGED, Data50Klíčová slova (anglicky)
generalization of built-up areas, classification, machine learning, neural networks, ZABAGED, Data50Tato diplomová práce se zabývá tématem automatické klasifikace zástavby. Hlavním cílem této diplomové práce bylo navrhnout algoritmus pro identifikaci typů zástavby pro účely kartografické generalizace. Pro účely této diplomové práce bylo vymezeno celkem šest typů zástavby s ohledem na rozdílnou generalizaci jednotlivých typů na ZM 50. První část navržené metody je představována algoritmem pro segmentaci budov do shluků založeného na využití již generalizované cestní sítě a algoritmu DBSCAN. Dílčím cílem této diplomové práce bylo porovnat klasifikátory z oblasti strojového učení a neuronových sítí a zároveň porovnat klasifikátory využívající popisných charakteristik s klasifikátory využívajících vizuální posouzení. Výsledné klasifikace byly zhodnoceny pomocí dat z ručně vybrané trénovací množiny a též pomocí algoritmu porovnávající výsledný typ zástavby s typem kartografické reprezentace využité pro znázornění zástavby na ZM 50. Celá metoda byla implementována v jazyce Python zejména s využitím knihoven Arcpy, Scikit-learn a Tensorflow. Testování probíhalo nad prvky z databází ZABAGED a Data50. Klíčová slova: Generalizace zástavby, Klasifikace, Strojové učení, Neuronové sítě, ZABAGED, Data50
This diploma thesis deals with the topic of automatic classification of buildings. The main goal of this diploma thesis was to design an algorithm for the identification of building types for the purposes of cartographic generalization. For the purposes of this diploma thesis, a total of six types of development were defined with respect to different generalization of individual types on ZM 50. The first part of the proposed method is represented by an algorithm for segmenting buildings into clusters based on the use of already generalized road network and DBSCAN algorithm. The partial goal of this diploma thesis was to compare classifiers from the field of machine learning and neural networks and at the same time to compare classifiers using descriptive characteristics with classifiers using visual assessment. The resulting classifications were evaluated using data from a manually selected training set and using an algorithm comparing the resulting type of development with the type of cartographic representation used to represent the development on ZM 50. The whole method was implemented in Python using Arcpy, Scikit-learn and Tensorflow libraries. Testing took place on elements from the ZABAGED and Data50 databases. Keywords: Generalization of built-up areas, Classification, Machine learning,...