Künstliche Intelligenz für die Erstellung von CityGML Modellen und VR Visualisierung

Research output: Book/ReportCommissioned reportpeer-review

Abstract

Die Entwicklung von 3D-Stadtmodellen ermöglicht die Integration von Stadt- und Gebäudeebene in ein einziges Modell, das sowohl semantische als auch geometrische Informationen enthält. Diese Modelle können verwendet werden, um Stakeholdern wie politische Entscheidungsträger, Stadtplanern, Energieversorgern und Energielieferanten sowie Bürgern bei Entscheidungen zu unterstützen sowie die Kommunikation und Öffentlichkeitsarbeit zu verbessern. Die höchste Form der Visualisierung in diesem Bereich ist der Einsatz von Virtual Reality (VR) Technologie. CityGML ist ein internationaler, weit verbreiteter Standard des Open Geospatial Consortiums zur Modellierung, Speicherung und dem Austausch von 3D-Stadtmodellen; das Open Geospatial Consortiums betrachtet die Verbindung von Virtual Reality und CityGML als eine der größten Herausforderungen der Forschung und Entwicklung im Bereich von 3D-Stadtmodellen. Im Projekt KityVR wurden zwei zentrale Forschungsaspekte in diesem Zusammenhang adressiert. (i) Wie kann Virtual Reality als die höchste Form der Visualisierung im Bereich von 3D-Stadtmodellen eingesetzt werden? Welche Use-Cases gibt es für Virtual Reality im Bereich von 3D-Stadtmodellen? (ii) Die Modellierung der energietechnischen Struktur von größeren urbanen Einheiten ist von einem Mangel an beschreibenden Eingabedaten geprägt. In vielen Fällen sind Datensätze nicht vollständig oder bestimmte Anwendungsfälle erfordern zusätzliche Informationen, die nicht im entsprechenden Datenmodell dargestellt werden. In diesen Fällen ist ein "Enrichment" des ursprünglichen Datensatzes notwendig, um alle erforderlichen Daten zur Verfügung zu stellen. Machine Learning und statistische Methoden sind in diesem Kontext vielversprechend: Fehlende Informationen werden anhand anderer Attribute und heuristischen Ansätzen berechnet.

Ergebnisse und Schlussfolgerungen
Resultate einer ExpertInnenbefragung zeigen, dass die Datenakquise der zeitintensivste Teil der Forschung ist (im Median 40% der gesamten Projektlaufzeit). Mehr als 80% der ExpertInnen verwenden Methoden für Data Enrichment; Ansätze mit Gebäudearchetypen werden von 75% verwendet, statistische Methoden von 50% und Machine Learning Methoden von 36% der Befragten. ExpertInnen erwarten das größte Potential für Machine Learning im Bereich Datenenrichment und Analyse von Inputdaten. Drei Hauptbereiche für Anwendungen im Kontext von Datenenrichment konnten identifiziert werden: Parameterableitung bzw. das Ersetzen fehlender Daten, die Erstellung präziserer Gebäudearchetypen, sowie die Bildanalyse.
Im Projekt wurde die Simulations-Pipeline SHP2SIM entwickelt, die es ermöglicht, basierend auf 2D Gebäudeinformationen direkt Simulationsmodelle zu erstellen.
Zusätzlich wurden in einem Review-Paper verschiedene Anwendungsfälle von VR sowie deren Stärken und Schwächen analysiert. Weiteres wurde VR für zwei verschiedene Anwendungen im Bereich von Gebäuden und Städten realisiert; dabei wurden Simulationsergebnisse in VR visualisiert.

Ausblick
Die Tatsache, dass (i) die Datenverfügbarkeit im Bereich City Information Modelling nach wie vor eingeschränkt ist, und (ii) über 95% der Arbeiten im Bereich City Information Modelling nicht reproduzierbar sind, zeigt, dass es hier klare politische Vorgaben und eine Veränderung der Gesetzeslage notwendig sind, und andererseits die Wissenschaftsgemeinschaft die Qualität der eigenen Forschung kritisch hinterfragen muss.
Original languageGerman
Place of PublicationWien
PublisherBundesministerium für Klimaschutz, Umwelt, Energie, Mobilität, Innovation und Technologie (BMK)
Number of pages48
Publication statusSubmitted - Mar 2022

Publication series

NameBerichte aus Energie- und Umweltforschung
PublisherBMK

ASJC Scopus subject areas

  • Artificial Intelligence
  • Human-Computer Interaction
  • Building and Construction
  • Architecture

Cite this