Статья посвящена исследованию возможности применения методов машинного обучения для решения задачи классификации зданий и сооружений по их функциональному назначению на основе геопространственных данных. Обозначена проблема определения типа зданий и сооружений в реальных условиях с ограниченными исходными данными. Рассмотрены существующие подходы к решению задачи классификации объектов. Создан новый набор данных, включающий около 66 тыс. объектов различной функциональной принадлежности на территории Российской Федерации. Рассмотрены этапы подготовки данных, выделения признаков и процесс нормализации геометрий объектов на карте. Проведены эксперименты с использованием методов машинного обучения, в том числе методов искусственного интеллекта. Результаты исследований показывают, что максимальная точность классификации с использованием графовой нейронной сети составляет 83 %, что делает предложенный подход перспективным для практических применений в геоинформационных системах. Выявлен ряд факторов, снижающих точность классификации, связанных с недостаточностью геометрической информации и особенностями форм зданий определенных категорий в условиях реальной застройки. Приведены рекомендации по повышению точности классификации путем оптимизации архитектуры нейронных сетей и расширения набора признаков. Таким образом, статья предлагает эффективный подход к автоматизированной классификации зданий и сооружений, основанный на анализе геометрических свойств и окружающей среды, который может существенно облегчить процессы проектирования и управления инфраструктурой.
The article is devoted to the study of the possibility of using machine learning methods to solve the problem of classifying buildings and structures by their functional purpose based on geospatial data. The problem of determining the buildings and structure types in real conditions with limited initial data is outlined. Existing approaches to solving the problem of classifying objects are considered. A new dataset was created, which includes about 66 thousand objects of various functional affiliations in the territory of the Russian Federation. The stages of data preparation, feature extraction and the process of normalizing the objects’ geometries on the map are considered. Experiments were conducted using machine learning methods, including artificial intelligence methods. The research results show that the maximum classification accuracy using a graph neural network is 83%, which makes the proposed approach promising for practical applications in geographic information systems. A number of factors have been identified that reduce the classification accuracy associated with the insufficiency of geometric information and the shape details common for buildings of certain categories in real development conditions. Recommendations are given for improving the classification accuracy by optimizing the neural network architecture and expanding the feature set. Thus, the article proposes an effective approach to the automated classification of buildings and structures based on the analysis of geometric properties and the environment, which can significantly facilitate the processes of design and infrastructure management.
The authors declare that there are no conflicts of interest present.