Detailansicht
Einsatz von GeoAI zur Optimierung urbaner digitaler Zwillinge
semantische Anreicherung und automatisierte Klassifikation von Gebäuden in urbanen 3D-Modellen
Elias Kriegl
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Geowissenschaften, Geographie und Astronomie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Kartographie und Geoinformation
Betreuer*in
Andreas Riedl
DOI
10.25365/thesis.81188
URN
urn:nbn:at:at-ubw:1-13790.32324.771781-5
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Diese Arbeit widmet sich der Synthese von Urbanen Digitalen Zwillingen (UDZ) und GeoAI (künstliche Intelligenz im Bereich der Geoinformation). Angesichts der fortschreitenden Urbanisierung und der damit einhergehenden Herausforderungen für Städte und urbane Räume gewinnen UDZ zunehmend an Bedeutung, da sie das Potenzial bieten, die enormen Datenmengen einer Stadt zu managen, zu analysieren und anschaulich zu visualisieren. Nach einer präzisen Begriffsdefinition und einer Analyse des aktuellen Forschungsstands werden zunächst die Unterschiede zwischen UDZ und verwandten Systemen herausgearbeitet. Anschließend werden UDZ in vier Phasen unterteilt: (Datenakquise, Datenverarbeitung, Simulation & Analyse sowie Visualisierung) und entlang dieser Phasen genau untersucht. In diesen Phasen werden jeweils Chancen und Herausforderungen identifiziert. In der Synthese werden die Stärken der GeoAI mit diesen Herausforderungen und Chancen in Verbindung gebracht. Im Mittelpunkt der Arbeit steht ein praxisorientierter Ansatz, um UDZ mithilfe von Machine Learning (ML) semantisch anzureichern. Am Beispiel der oberösterreichischen Landeshauptstadt Linz werden Gebäude automatisiert einer von fünf Gebäudekategorien zugeordnet. Grundlage hierfür bildet der in Europa etablierte INSPIRE-Standard. Um das optimale ML-Modell zu bestimmen, wurden sowohl verschiedene Attributkombinationen als auch unterschiedliche Modellvarianten und Parametereinstellungen systematisch getestet. Mit der finalen Kombination aus mehreren ML-Modellen und der optimalen Attributauswahl wird eine Genauigkeit von fast 90 % erreicht. Die Ergebnisse zeigen, dass eine KI-gestützte, semantische Anreicherung von Gebäudedaten mit vertretbarem Aufwand und auf Basis allgemein verfügbarer Geodaten realisierbar ist. Die entwickelte Methode ist flexibel, lässt sich problemlos wiederholen und erweitern und kann unter bestimmten Voraussetzungen auch auf andere Städte übertragen werden. Die Überführung der Ergebnisse ins CityGML-Format ermöglicht zudem die Integration in gängige 3D-Viewer und urbane Datenplattformen.
Abstract
(Englisch)
This thesis is dedicated to the synthesis of Urban Digital Twins (UDT) and GeoAI (artificial intelligence in the field of geoinformation). In light of ongoing urbanization and the associated challenges for cities and urban areas, UDTs are gaining increasing importance, as they offer the potential to manage, analyze, and vividly visualize the enormous amounts of data generated by a city. After a precise definition of terms and an analysis of the current state of research, the differences between UDTs and related systems are first elaborated. Subsequently, UDTs are divided into four phases (data acquisition, data processing, simulation & analysis, and visualization) and these phases are examined in detail. For each phase, specific opportunities and challenges are identified. In the synthesis, the strengths of GeoAI are linked to these challenges and opportunities. The core of the thesis is a practice-oriented approach to semantically enrich UDTs using machine learning (ML). Using the example of the Upper Austrian capital Linz, buildings are automatically assigned to one of five building categories. The basis for this is the INSPIRE standard, which is widely used in Europe. To determine the optimal ML model, various attribute combinations as well as different model variants and parameter settings were systematically tested. With the final combination of several ML models and the optimal selection of attributes, an accuracy of almost 90% is achieved. The results show that AI-supported semantic enrichment of building data is feasible with reasonable effort and based on generally available geodata. The developed method is flexible, can be easily repeated and extended, and, under certain conditions, can also be transferred to other cities. Converting the results into the CityGML format also enables integration into common 3D viewers and urban data platforms.
Schlagwörter
Schlagwörter
(Deutsch)
GeoAI Urbaner Digitaler Zwilling Smart Cities Machine Learning 3D-Stadtmodelle
Autor*innen
Elias Kriegl
Haupttitel (Deutsch)
Einsatz von GeoAI zur Optimierung urbaner digitaler Zwillinge
Hauptuntertitel (Deutsch)
semantische Anreicherung und automatisierte Klassifikation von Gebäuden in urbanen 3D-Modellen
Paralleltitel (Englisch)
The use of GeoAI to optimise urban digital twins
Paralleluntertitel (Englisch)
semantic enrichment and automated classification of buildings in urban 3D models
Publikationsjahr
2026
Umfangsangabe
145, xix Seiten : Illustrationen
Sprache
Deutsch
Beurteiler*in
Andreas Riedl
Klassifikation
38 Geowissenschaften > 38.03 Methoden und Techniken der Geowissenschaften
AC Nummer
AC17892807
Utheses ID
80678
Studienkennzahl
UA | 066 | 856 | |