跨国建筑类型与功能的预测
机器学习
2024-09-17 v1
摘要
建筑类型的专业知识，例如建筑功能信息，对诸多能源应用至关重要。然而，针对欧洲许多地区缺乏包含此类信息的大规模逐户数据集。本文首次探讨了是否可仅依据跨国范围内可获得的开放GIS数据集，在欧洲范围内预测建筑类型和功能类别。我们在由OpenStreetMap(OSM)建筑构成的大规模图数据集上训练了图神经网络(GNN)分类器。为高效利用大规模图进行训练，我们采用局部子图。图变换模型在将建筑分类为9个类别时实现了0.754的高Cohen's Kappa系数，在将建筑分类为住宅与非住宅类别时实现了0.844的非常高Cohen's Kappa系数。实验结果表明，我们的工作对文献作出了三个核心新贡献：首先，我们展示了仅使用包含2D建筑形状、土地利用、城市化程度和国家信息的多源数据集，即可实现跨国建筑分类，并将OSM标签用作ground truth。其次，我们的结果表明，考虑建筑邻域上下文信息的GNN模型在预测性能方面优于仅考虑单个建筑且忽略邻域的模型。最后，我们表明，使用GNN在局部子图上进行训练比标准GNN在建筑分类任务中效果更好。
引用
@article{arxiv.2409.09692,
title = {Predicting building types and functions at transnational scale},
author = {Jonas Fill and Michael Eichelbeck and Michael Ebner},
journal= {arXiv preprint arXiv:2409.09692},
year = {2024}
}