Automatic building extraction plays a crucial role in many fields such as urban planning, disaster management, 3D building modeling, land evaluation, and updating GIS databases. Clustering is a data analysis method aimed at finding patterns and similar structures within the data. This method is often used to simplify information extraction in large datasets and holds significant importance, especially in fields like machine learning, data mining, and image analysis, serving as a fundamental tool in data analysis processes. Lidar is a remote sensing method that measures the distance from its location to the Earth's surface using pulsed laser and provides three-dimensional information about the shape and form of the Earth's surface. Lidar offers the advantage of obtaining three-dimensional data with less effort compared to traditional data sources. However, automatic building extraction from Lidar data remains a complex issue due to the inherent nature of the data. In this study, automatic building extraction from Lidar data was conducted using clustering-based approaches with the recommended methodology for point cloud processing and analysis. Specifically, the K-Means and Fuzzy C-Means clustering methods were applied to datasets containing different numbers of buildings. The results indicated that both K-Means and Fuzzy C-Means methods produced similar results. It was observed that the proximity, arrangement, and geometric structure of the point data played a significant role in the accuracy of the clustering methods.
Lidar K-Means fuzzy C-Means building extraction point clouds
Otomatik bina çıkarımı, kentsel planlama, afet yönetimi, 3 boyutlu (3B) bina modelleme, arazi değerlemesi ve Coğrafi Bilgi Sistemleri (CBS) veri tabanlarının güncellenmesi gibi birçok alanda önemli bir rol oynamaktadır. Bu uygulamalarda, özellikle şehirlerin büyümesi ve gelişmesi ile birlikte bina yerleşimleri giderek karmaşık hale gelmektedir. Bu karmaşıklık, geleneksel yöntemlerle bu verilerin elde edilmesini ve güncellenmesini zorlaştırmaktadır. Kümeleme, veri içindeki desenleri ve benzer yapıları bulmayı amaçlayan bir veri analizi yöntemidir. Bu yöntem, genellikle büyük veri kümelerinde bilgi çıkarmayı basitleştirmek için kullanılır. Özellikle makine öğrenimi, veri madenciliği ve görüntü analizi gibi alanlarda, veri analizi süreçlerinde büyük bir öneme sahiptir. Veri analizi, verilerdeki önemli bilgileri çıkarmak ve bu bilgileri anlamak için temel bir araçtır. Lidar, darbeli lazer kullanarak kendi konumundan Dünya'nın yüzeyine olan mesafeyi ölçen ve Dünya'nın şekli ve formu hakkında üç boyutlu bilgi sunan bir uzaktan algılama yöntemidir. Hava Lidar verileri, özellik çıkarma, arazi modelleme ve Sayısal Yüzey Modeli oluşturma gibi uygulamalar için birçok araştırmacı tarafından kullanılmaktadır. Lidar, geleneksel veri toplama yöntemlerinden farklı olarak daha az iş gücü ile üç boyutlu veri oluşturma imkanı sağlar. Ancak Lidar verileri üzerinden otomatik bina çıkarımı, verinin doğası gereği karmaşık bir konudur. Bu çalışmada, Lidar verilerinden otomatik bina çıkarımı, nokta bulutu işleme ve analizi için önerilen yöntemlerle gerçekleştirilmiştir. Özellikle, K-Ortalamalar ve Bulanık C-Ortalamalar kümeleme yöntemleri, farklı bina sayıları içeren veri setlerine uygulanmıştır. Sonuçlar, K-Ortalamalar ve Bulanık C-Ortalamalar yöntemlerinin benzer sonuçlar ürettiğini göstermektedir. Nokta verilerinin yakınlığı, düzeni ve geometrik yapısı, kümeleme yöntemlerinin daha doğru sonuçlar üretmesinde önemli bir etken olduğu gözlenmiştir.
Lidar K-Ortalamalar bulanık C-Ortalama bina çıkarımı nokta bulutu
Birincil Dil | Türkçe |
---|---|
Konular | Fotogrametri ve Uzaktan Algılama |
Bölüm | Araştırma Makaleleri |
Yazarlar | |
Erken Görünüm Tarihi | 17 Aralık 2023 |
Yayımlanma Tarihi | 31 Aralık 2023 |
Gönderilme Tarihi | 13 Eylül 2023 |
Yayımlandığı Sayı | Yıl 2023 Cilt: 5 Sayı: 2 |
Türkiye LiDAR Dergisi