Automatische Interpretation von Semantik aus digitalen Karten im World Wide Web

Abstract

Im Internet befindet sich eine sehr große Menge an raumbezogenen Daten, die in Form von Raster- und Vektorkarten unterschiedliche Ausschnitte der Welt darstellen. Die in diesen Karten enthaltenen Informationen sind jedoch nicht automatisch auffindbar, da sie mittels bestimmter Kartenelemente kodiert sind. Ihre Semantik wird erst bei der Interpretation durch einen Betrachter explizit. Die Kar-teninformationen sollen jedoch nicht nur von Menschen, sondern auch von Maschinen interpretiert werden können. Dies erfordert schon die große Menge der zu interpretierenden Daten. Die automati-sche Ableitung der Semantik aus den Karten wird unter dem Begriff Automatische Karteninterpreta-tion zusammengefasst. Es handelt sich dabei also um einen Prozess, der implizites Wissen eines Kar-tenbestandes explizit macht. Hierzu soll die vorliegende Arbeit Lösungen in Form der Karteninterpre-tation anbieten. Die Karteninterpretation dieser Arbeit erfolgt an Vektorkarten, die im Internet zu finden sind. Für die gezielte Suche der Vektorkarten des Internets wird eigens ein Webcrawler entwickelt. Der Webcrawler ist eine Suchmaschine, die speziell nach Vektorkarten sucht. Dazu wird ausschließlich das Shapefile-Dateiformat gesucht, das sich zu einer Art Standardformat im GIS-Umfeld entwickelt hat und in dem die Vektorkarten zumeist abgespeichert sind. Um möglichst viele Shapefiles zu finden, wird die Suche auf Servern betrieben, auf denen die Wahrscheinlichkeit Shapefiles zu finden hoch ist. Diese Server werden zuvor durch Google-Suche nach dem Schlüsselwort „shapefile download“ gefunden. Die Karteninterpretation umfasst Verfahren zur Interpretation der Kartenobjekte, der Kartentypen so-wie des Maßstabs. Zunächst soll das Verfahren zur Interpretation der Objekte einer Karte vorgestellt werden. Hier geht es darum, die Objekte anhand ihrer spezifischen Charakteristika automatisch zu erkennen. Die Ob-jekterkennung basiert auf SOM (Self-Organizing Map), bekannt aus der künstlichen Intelligenz. Die Kartenobjekte werden in Klassen wie beispielsweise Gebäudegrundriss oder Straßennetz gegliedert. Für jede Klasse sollen die ihr jeweils eigenen Merkmale gefunden und in eine der SOM zugängliche Form, hier als Parametervektor, gebracht werden. Die Parametervektoren bilden die Eingabemuster, die in der Lernphase von SOM gelernt werden. Nachdem die Eingabemuster aller Objektklassen von SOM gelernt wurden, wird der Parametervektor für jedes auf der Karte vorliegende Objekt ausgewertet und in die SOM eingegeben. Durch das zunächst erfolgte Lernen der Eingabemuster können die Ob-jekte anhand ihrer jeweils berechneten Parametervektoren der entsprechenden Objektklasse zugeord-net werden. Als weiteres Verfahren soll die Interpretation des Kartentyps vorgestellt werden. Karten sind nach ihrem inhaltlichen Gehalt und Zweck in Kartentypen wie beispielsweise Flusskarten, Straßenkarten, Höhenlinienkarten etc. kategorisiert. Wie bei der Interpretation der Objekte wird auch hierzu die SOM verwandt. Es werden also auch Eingabemuster gelernt, die die geometrischen Merkmale der Karten-typen repräsentieren. Die Merkmale ergeben sich sowohl aus der Struktur der einzelnen Objekte als auch aus der Topologie zwischen den Objekten auf einer Karte. Wird nun eine Karte in die SOM eingegeben, so erkennt die SOM anhand des gelernten Eingabemusters den entsprechenden Kartentyp. Zusätzlich erhält man den Dateinamen der Karten sowie den Inhalt der Webseite, auf welcher die Karte gefunden wurde. So wird in der vorliegenden Arbeit ebenfalls untersucht, inwiefern diese Zusatzin-formationen bei der Interpretation des Kartentyps helfen können. Die automatische Interpretation des Maßstabs ist neben der Interpretation der Kartenobjekte und Kar-tentypen ein weiteres Verfahren, das in der vorliegenden Arbeit diskutiert werden soll. Die Interpreta-tion des Maßstabs wird auf zwei Wegen vorangetrieben: Die Mehrfachrepräsentation und die Detail-lierungsgrade. Im ersten Fall kann der Maßstab aus der entsprechenden Repräsentation hergeleitet werden, da ein identisches Objekt in unterschiedlichen realitätsgetreuen Repräsentationen auf der Karte dargestellt wird. Im zweiten Fall kann der Maßstab aus den Detaillierungsgraden abgeleitet wer-den. Dies basiert darauf, dass die Karten mit verschiedenen Maßstäben unterschiedlich detailliert dar-gestellt werden.

On the Internet there are innumerable spatial data representing different sections of the world in form of raster and vector maps. The information contained in these maps is not automatically discoverable, since it is encoded by means of certain map elements. Its semantics is not explicit unless interpreted by an observer. However, the map information can be interpreted by not only humans but also ma-chines. This already requires the large amount of data to be interpreted. We are going to summarize the automatic derivation of semantics from the maps in terms of automatic map interpretation. It in-volves a process of making the implicit information of a map inventory explicit. For this purpose we present the map interpretation as solutions. The map interpretation of the current study is done with vector maps what can be found on the internet. For the targeted search of vector maps of the internet, a web crawler is specially developed. The web crawler is a search engine that specifically looks for vector maps. For this, exclusively the shapefile format is sought, which has become a standard format in the GIS environment and in which the vector maps are usually stored. In order to find shapefiles as many as possible, the search is carried out on servers where the probability of finding shapefiles is high. These servers were previously found through the keyword “shapefile download” by Google search. The maps interpretation includes methods of interpretation of the map objects, of the map types, and of the map scale. First, we will introduce the method of interpreting the map objects. Our aim is to automatically detect the objects based on their specific characteristics. The object recognition is based on self-organizing map (SOM) that is borrowed from artificial intelligence. The map objects are clas-sified into, for example, building floor plan and road network. Its own characteristics should be found for each class and brought in one of the accessible forms of SOM, in this case, a parameter vector. The parameter vectors form the input patterns that are learned in the training phase of SOM. After the input patterns of all object classes of SOM have been learned, the parameter vector is evaluated for each of the present objects on the map and given to the SOM. By the previously successful learning of the input pattern, the objects can be assigned based on each of their calculated parameter vectors of the corresponding object class. The interpretation of map type is presented as another method. Maps are categorized into different types according to their substantive content and purpose, such as river maps, road maps, contour maps, etc. As for the interpretation of objects, SOM is used here. Hence the input patterns will also be learned which represent the geometric characteristics of the map types. The characteristics arise from both the structure of individual objects and the topology between objects on a map. Now, with a given map in the SOM, the SOM recognizes the appropriate map type according to the learned input pattern. In addition, one obtains the filenames of the maps as well as the content of the website where the map was found. In the present thesis we also investigated how this additional information can help in the interpretation of map type. The automatic interpretation of the map scale is a further method in addition to the interpretation of the map objects and map types, which is discussed in the present thesis. The interpretation of the map scale is implemented in two ways: the multi-representation and the details grade. In the former case, the scale of the relevant representation can be derived, where an identical object in different realistic representations on the map is shown; while in the latter case, the scale is derived from the details grade, on the basis of the fact that maps with different scales are displayed on different levels of details.