26.05.2024
Подписывайтесь на Telegram-канал по ссылке

Машинное обучение помогает превращать исторические карты в 4D-модели

4D-моделирование зданий с помощью МО

С помощью машинного обучения учёные разработали новый способ 4D-моделирования зданий. Благодаря этому можно будет детально восстанавливать исторические карты и узнавать об изменениях в городской среде. Статью с описанием исследования опубликовал научный журнал MDPI Applied Sciences.

«Используя новую методику, можно не только предсказывать высоту зданий на основе их геометрических параметров, данных о районе и категории здания, но и получать более полную информацию о различных явлениях и изменениях в городской среде, сыгравших важную роль в формировании современного облика наших городов», – пишет пресс-служба.

Одним из важнейших источников информации для анализа изменений в городской застройке служат исторические карты. Однако на таких картах трёхмерный мир представлен в двухмерном пространстве, которое лишь отражает главные особенности городской среды, не учитывая пространственную информацию, в частности, данные о высоте зданий.

В приложениях для 3D/4D-моделирования городской среды на основе исторических данных отсутствие информации о высоте зданий – главная проблема, которая не позволяет добиться высокой точности в представлении, анализе, визуализации и моделировании объёмного пространства.

В новой работе учёные предложили использовать машинное обучение для определения высоты зданий при помощи исторических карт. Новый метод они протестировали на исторических картах итальянских городов: Тренто (1851, 1887, 1908 и 1936 гг.) и Болоньи (1884 и 1945 гг.). В результате учёным удалось восстановить динамические 4D-версии этих городов.

«Разработанная нами методика обучения и предсказания, протестированная на исторических данных, оказалась эффективной и перспективной для целого ряда других приложений. Пока для предсказания используется небольшое число характерных признаков, но в ближайшее время мы планируем обобщить методику для решения реальных задач в условиях отсутствия данных о высотах рельефа местности. Разработанные при помощи этой методики модели позволят восполнить нехватку геопространственных данных при исследовании исторических и труднодоступных ландшафтов», – рассказал один из авторов работы, аспирант Сколковского института науки и технологий и исследовательского института FBK (Италия) Эмре Оздемир.