文献

J-GLOBAL ID：201902243939762155   整理番号：19A0739182

建築フットプリントとLIDARポイント雲分類による3D都市モデルの創造:機械学習アプローチ【JST・京大機械翻訳】

Creating 3D city models with building footprints and LIDAR point cloud classification: A machine learning approach

著者 (2件)： Park Yujin (Department of City and Regional Planning, The Ohio State University, 275 West Woodruff Av., Columbus, OH 43210, USA) ,  Guldmann Jean-Michel (Department of City and Regional Planning, The Ohio State University, 275 West Woodruff Av., Columbus, OH 43210, USA)
資料名： Computers, Environment and Urban Systems  (Computers, Environment and Urban Systems)
巻： 75  ページ： 76-89  発行年： 2019年 
JST資料番号： H0226B  ISSN： 0198-9715  CODEN： CEUSD5  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 建物フットプリントベクトルデータとLiDAR(ライト検出とRanging)ポイントクラウドのようなオープン地球空間データの利用可能性の増加は,低コストで大規模3D都市モデルを作り出す機会を提供した。しかし,建物の高さを推定するための建物フットプリントを有する非分類点雲を用いることは,データセットとそれらの統合の両方における潜在的誤差と異常のために誤った結果をもたらす可能性がある。フットプリント内の点のいくつかは,屋根以外の無関係な物体をしばしば反映し,高さ推定におけるバイアスをもたらし,それらをフィルタするための系統的方法を開発した研究はほとんどない。本論文では,建物高さ推定のための屋根点のみを抽出するLiDAR点分類法を提案した。LiDARポイントは,ポイント,フットプリント,および近隣ベースの特徴によって特徴付けられて,ランダムフォレスト(RF)アルゴリズムによって,4つのクラス,屋根,壁,地上,および高い異常値に分類される。Columbus,Ohioにおける15577試料点の間の正確に分類された点の割合は96.5%である。この分類を異なる建物タイプ(商業,住宅,スカイスクレーパ,および小さな建設)に対して別々に実施することは,全体の精度を著しく変化させない。フットプリントベースの特徴はクラスを正しく予測するのに最も寄与する。498の建物のサンプルに基づく高さ検証結果は,(1)分類されたポイントによる平均または中間の高さを用いることは,計算した高さと地面の真実の間の差異を最小化し,(2)RF法は以前の分類アプローチよりも地面の真実に非常に近い結果をもたらす。いくつかの結果をGoogle Earth 3D画像とArcSceneを用いて3Dフォーマットで可視化した。Copyright 2019 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *都市モデル ,  画像 ,  可視化 ,  屋根 ,  異常値 ,  照明 ,  フィルタ ,  アルゴリズム ,  *機械学習 ,  地球 ,  *三次元 ,  *LIDAR ,  *フットプリント ,  惑星
準シソーラス用語： *レーザレーダ ,  グーグルアース ,  ランダムフォレスト , 【Automatic Indexing@JST】

著者キーワード (6件)： 3D都市モデル ,  詳細1+のレベル ,  フットプリントの構築 ,  ライダ点分類 ,  ランダムフォレスト ,  検証

分類 (2件)： 交通調査  (TB01031B) ,  写真測量,空中写真  (RC02040D)

タイトルに関連する用語 (10件)： 建築 ,  フットプリント ,  LIDAR ,  ポイント ,  雲 ,  分類 ,  3D ,  都市モデル ,  創造 ,  機械学習