利用 FoldingNet 自编码器模型对 CityGML 建筑数据集进行地理空间分组

对原本复杂的数据集而言，可解释的数值表示或潜在信息更便于分析与研究。这些表示有助于识别簇与离群点、评估相似数据点，以及探索与插值数据。三维（3D）建筑模型数据集在各种底面形状、不同屋顶类型、墙体、高度和体积方面具有内在复杂性。传统上，对相似建筑或 3D 形状分组需要将它们已知的属性与形状度量相互匹配。然而，这需要获取大量此类属性以计算相似性。相比之下，本研究利用自编码器以固定大小向量形式计算形状信息，可借助距离度量进行比较与分组。本研究使用 3D 自编码器“FoldingNet”从获取的 LoD 2 CityGML 数据集中生成每栋建筑的潜在表示。通过数据集重建、潜在分布可视化与层次聚类方法进一步分析自编码器所得嵌入的有效性。虽然聚类给出了建筑形态类型的整体视角，但其未包含聚类中的地理空间信息。因此，构建了一个地理空间模型，利用嵌入向量中的余弦相似度方法迭代地寻找建筑的地理分组。以德国勃兰登堡州和柏林州为例对该方法进行测试。输出以语义拓扑簇和地理分组的形式提供了建筑形态的详细概览。该方法对复杂分析（如大型城市模拟、城市形态研究、能源分析或建筑存量评估）有益且可扩展。