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.
1. Chen W., Zhou Yu., Wu Q., Chen G., Huang X., Yu B. Urban Building Type Mapping Using Geospatial Data: A Case Study of Beijing, China. Remote Sensing. 2020;12(17). https://doi.org/10.3390/rs12172805
2. Gummidi S.R.Bh., Mao R., Lanau M., Liu G. Developing an Urban Resource Cadaster for Circular Economy. In: Circular Economy for Buildings and Infrastructure: Principles, Practices and Future Directions. Cham: Springer; 2024. P. 83–95. https://doi.org/10.1007/978-3-031-56241-9_6
3. Xie Ju., Zhou J. Classification of Urban Building Type from High Spatial Resolution Remote Sensing Imagery Using Extended MRS and Soft BP Network. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2017;10(8):3515–3528. https://doi.org/10.1109/JSTARS.2017.2686422
4. Li J., Huang X., Tu L., Zhang T., Wang L. A Review of Building Detection from Very High Resolution Optical Remote Sensing Images. GIScience & Remote Sensing. 2022;59(1):1199–1225. https://doi.org/10.1080/15481603.2022.2101727
5. Иващенко А.В., Головнин О.К., Головнина А.А., Додонова Е.А. Комбинированная геоинформационная многослойная пространственно-временная модель. Информатика и автоматизация. 2025;24(2):684–711. https://doi.org/10.15622/ia.24.2.12
6. Баранова И.В., Гилин С.В. Гибридный алгоритм распознавания строений на спутниковых снимках на основе метода жука и алгоритма исключения областей. Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика. 2024;13(2):56–76. https://doi.org/10.14529/cmse240204
7. Галеев Д.Т., Мирошниченко С.Ю. Применение искусственных нейронных сетей для решения задачи выделения зданий на аэрокосмических изображениях. В сборнике: Оптико-электронные приборы и устройства в системах распознавания образов и обработки изображений. Распознавание-2019: сборник материалов XV Международной научно-технической конференции, 14–17 мая 2019 года, Курск, Россия. Курск: Юго-Западный государственный университет; 2019. С. 64–66.
8. Hecht R., Meinel G., Buchroithner M. Automatic Identification of Building Types Based on Topographic Databases – A Comparison of Different Data Sources. International Journal of Cartography. 2015;1(1):18–31. https://doi.org/10.1080/23729333.2015.1055644
9. Lu X., Li H., Xu Yo., Liu J., Chen Zh. Measuring the Similarity Between Shapes of Buildings Using Graph Edit Distance. International Journal of Digital Earth. 2024;17(1). https://doi.org/10.1080/17538947.2024.2310749
10. Yan X., Ai T., Yang M., Yin H. A Graph Convolutional Neural Network for Classification of Building Patterns Using Spatial Vector Data. ISPRS Journal of Photogrammetry and Remote Sensing. 2019;150:259–273. https://doi.org/10.1016/j.isprsjprs.2019.02.010
11. Yan X., Ai T., Yang M., Tong X. Graph Convolutional Autoencoder Model for the Shape Coding and Cognition of Buildings in Maps. International Journal of Geographical Information Science. 2021;35(3):490–512. https://doi.org/10.1080/13658816.2020.1768260
12. Hu Ya., Liu Ch., Li Zh., Xu Ju., Han Zh., Guo J. Few-Shot Building Footprint Shape Classification with Relation Network. ISPRS International Journal of Geo-Information. 2022;11(5). https://doi.org/10.3390/ijgi11050311
13. Kang J., Körner M., Wang Yu., Taubenböck H., Zhu X.X. Building Instance Classification Using Street View Images. ISPRS Journal of Photogrammetry and Remote Sensing. 2018;145:44–59. https://doi.org/10.1016/j.isprsjprs.2018.02.006
14. Roussel R., Jacoby S., Asadipour A. Robust Building Identification from Street Views Using Deep Convolutional Neural Networks. Buildings. 2024;14(3). https://doi.org/10.3390/buildings14030578
15. Huang Yu., Zhuo L., Tao H., Shi Q., Liu K. A Novel Building Type Classification Scheme Based on Integrated LiDAR and High-Resolution Images. Remote Sensing. 2017;9(7). https://doi.org/10.3390/rs9070679
16. Игнатьев А.В., Гилка В.В., Матыцына Д.А. Автоматическое распознавание типа застройки для системы экологического мониторинга. Инженерный вестник Дона. 2020;(1). URL: http://www.ivdon.ru/ru/magazine/archive/N1y2020/6266
17. Рязанов С.С., Кулагина В.И. Обзор российских и иностранных источников мультиспектральных снимков для создания систем агроэкологического мониторинга. Российский журнал прикладной экологии. 2024;(2):4–18. https://doi.org/10.24852/2411-7374.2024.2.04.18
18. Bandam A., Busari E., Syranidou Ch., Linssen J., Stolten D. Classification of Building Types in Germany: A Data-Driven Modeling Approach. Data. 2022;7(4). https://doi.org/10.3390/data7040045
19. Lehner A., Blaschke Th. A Generic Classification Scheme for Urban Structure Types. Remote Sensing. 2019;11(2). https://doi.org/10.3390/rs11020173
20. Михеева Т.И., Головнин О.К., Елизаров В.В. Стандарт дислокации и визуализации геообъектов на электронной карте в среде ITSGIS. В сборнике: Современные проблемы безопасности жизнедеятельности: интеллектуальные транспортные системы и ситуационные центры, 27–28 февраля 2018 года, Казань, Россия. Казань: Центр инновационных технологий; 2018. С. 261–269.
21. Смолев А.М., Михеева Т.И., Золотовицкий А.В. Методы моделирования адресного плана в рамках геоинформационной системы. В сборнике: ИТ & Транспорт: сборник научных статей: Том 24. Самара: ИнтелТранС; 2023. С. 4–13.
22. Зуев В.Н. Обнаружение аномалий сетевого трафика методом глубокого обучения. Программные продукты и системы. 2021;(1):91–97. https://doi.org/10.15827/0236-235X.133.091-097
23. Лыгин В.С., Сирота А.А., Головинский П.А. Регуляризация процесса обучения графовых нейронных сетей методом распространение меток. Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2024;(3):92–101. https://doi.org/10.17308/sait/1995-5499/2024/3/92-101
