ترجمه فارسی مقاله پیش بینی انواع ساختمان ها و عملکردها در مقیاس فراملی

چکیده

Building-specific knowledge such as building type and function information is important for numerous energy applications. However, comprehensive datasets containing this information for individual households are missing in many regions of Europe. For the first time, we investigate whether it is feasible to predict building types and functional classes at a European scale based on only open GIS datasets available across countries. We train a graph neural network (GNN) classifier on a large-scale graph dataset consisting of OpenStreetMap (OSM) buildings across the EU, Norway, Switzerland, and the UK. To efficiently perform training using the large-scale graph, we utilize localized subgraphs. A graph transformer model achieves a high Cohen’s kappa coefficient of 0.754 when classifying buildings into 9 classes, and a very high Cohen’s kappa coefficient of 0.844 when classifying buildings into the residential and non-residential classes. The experimental results imply three core novel contributions to literature. Firstly, we show that building classification across multiple countries is possible using a multi-source dataset consisting of information about 2D building shape, land use, degree of urbanization, and countries as input, and OSM tags as ground truth. Secondly, our results indicate that GNN models that consider contextual information about building neighborhoods improve predictive performance compared to models that only consider individual buildings and ignore the neighborhood. Thirdly, we show that training with GNNs on localized subgraphs instead of standard GNNs improves performance for the task of building classification.

چکیده به فارسی (ترجمه ماشینی)

دانش خاص ساختمان مانند نوع ساختمان و اطلاعات عملکرد برای کاربردهای بیشمار انرژی مهم است.با این حال ، مجموعه داده های جامع حاوی این اطلاعات برای خانوارهای انفرادی در بسیاری از مناطق اروپا مفقود شده است.برای اولین بار ، ما بررسی می کنیم که آیا پیش بینی انواع ساختمان و کلاسهای عملکردی در مقیاس اروپایی بر اساس فقط مجموعه داده های GIS باز موجود در سراسر کشورها امکان پذیر است.ما یک طبقه بندی کننده شبکه عصبی نمودار (GNN) را در یک مجموعه داده نمودار در مقیاس بزرگ متشکل از ساختمانهای OpenStreetMap (OSM) در سراسر اتحادیه اروپا ، نروژ ، سوئیس و انگلیس آموزش می دهیم.برای انجام کارآمد آموزش با استفاده از نمودار در مقیاس بزرگ ، از زیرگراف های بومی شده استفاده می کنیم.یک مدل ترانسفورماتور نمودار در هنگام طبقه بندی ساختمانها به 9 کلاس ، به یک ضریب Kappa کوهن بالا 0.754 دست می یابد و ضریب کاپا کوهن بسیار بالا در هنگام طبقه بندی ساختمانها به کلاسهای مسکونی و غیر مسکونی.نتایج تجربی حاکی از سه سهم اصلی در ادبیات است.در مرحله اول ، ما نشان می دهیم که طبقه بندی ساختمان در چندین کشور با استفاده از یک مجموعه داده چند منبع متشکل از اطلاعات مربوط به شکل ساختمان 2D ، کاربری اراضی ، درجه شهرنشینی و کشورها به عنوان ورودی و برچسب های OSM به عنوان حقیقت زمین امکان پذیر است.ثانیا ، نتایج ما نشان می دهد که مدل های GNN که اطلاعات متنی در مورد ساخت محلات را در نظر می گیرند ، عملکرد پیش بینی را در مقایسه با مدلهایی که فقط ساختمانهای فردی را در نظر می گیرند بهبود می بخشد و محله را نادیده می گیرد.ثالثاً ، ما نشان می دهیم که آموزش با GNN در زیرگرافهای موضعی به جای GNN های استاندارد ، عملکرد را برای انجام کار طبقه بندی ساختمان بهبود می بخشد.