Оживленные карты

У одного французского короля был тайный зал, в котором стояли масштабные макеты всех оборонительных сооружений и крепостей государства. Над их изготовлением долгие годы трудились тысячи армейских ветеранов и инвалидов из домов призрения. Теперь макеты стали экспозицией одного из музеев и восполняют недостатки исторических планов крепостей.
Однако и по сей день не макеты, а двумерные карты остаются важнейшим источником информации об изменениях городской застройки. Карта неполноценна, на ней нет, к примеру, данных о высоте зданий. Они отсутствуют и в компьютерных приложениях для трехмерного моделирования городов на основе исторических данных. Это главная проблема, не позволяющая добиться точности визуализации и анализа городского пространства.

Группа ученых из Сколтеха и Исследовательского фонда Бруно Кесслера (Тренто, Италия) под руководством Элизы Фареллы представила новую методику, позволяющую с помощью алгоритмов машинного обучения создавать серии объемных моделей зданий на основе исторических карт. Методика может предсказывать высоту зданий на основе их геометрических параметров, данных о городском районе и строительных категориях. Она дополняет известную информацию об изменениях, которые привели к нынешнему облику различных городов.

Разработанные алгоритмы протестированы на четырех исторических картах Тренто (1851, 1887, 1908 и 1936 годов) и Болоньи (1884 и 1945 годов), отражающих эволюцию застройки этих городов за последние столетия. Исследователи смогли явно восстановить последовательность изменений, то есть создать своего рода 4D-версии городских ландшафтов.

Участник работы, аспирант Сколтеха и Фонда Бруно Кесслера Эмре Оздемир, считает, что новые алгоритмы, протестированные на исторических данных, будут перспективны для многих других приложений. Хотя авторы пока используют лишь небольшое число характерных признаков, в ближайшее время они планируют обобщить методику для более широкого круга задач по восстановлению изменений различных рельефов в условиях недостатка высотных данных. Исследователи надеются, что их новейшие алгоритмы машинного обучения позволят восполнять нехватку информации для самых разнообразных исторических и труднодоступных ландшафтов.

(MDPI Applied Sciences 2021, 11, 1445)