Verfügbarkeit: Künstliche Intelligenz in Geodäsie und Geoinformatik

Künstliche Intelligenz in Geodäsie und Geoinformatik: Potenziale und Best-Practice-Beispiele

Gespeichert in:

Bibliographische Detailangaben
Weitere Verfasser:	Grunau, Wilfried (HerausgeberIn)
Format:	Buch
Sprache:	German
Veröffentlicht:	Berlin Wichmann [2022]
Schriftenreihe:	VDV-Schriftenreihe
Schlagworte:	Künstliche Intelligenz Geodäsie Geoinformatik Datenfusion Deep Learning Geoinformation Neuronale Netze Vermessung Aufsatzsammlung
Online-Zugang:	Inhaltsverzeichnis
Beschreibung:	244 Seiten Illustrationen, Diagramme, Karten (farbig)
ISBN:	9783879077175

Internformat

MARC


LEADER	00000nam a2200000 c 4500
001	BV047516951
003	DE-604
005	20230316
007	t
008	211018s2022 gw a\|\|\| \|\|\|\| 00\|\|\| ger d
016	7		\|a 1241201013 \|2 DE-101
020			\|a 9783879077175 \|c pbk. \|9 978-3-87907-717-5
035			\|a (OCoLC)1268933893
035			\|a (DE-599)DNB1241201013
040			\|a DE-604 \|b ger \|e rda
041	0		\|a ger
044			\|a gw \|c XA-DE-BE
049			\|a DE-355 \|a DE-188 \|a DE-634 \|a DE-B768 \|a DE-92 \|a DE-29 \|a DE-1028 \|a DE-1050 \|a DE-898 \|a DE-20 \|a DE-11 \|a DE-573n
084			\|a RB 10109 \|0 (DE-625)142220:12619 \|2 rvk
084			\|a RB 10105 \|0 (DE-625)142220:14183 \|2 rvk
084			\|a RB 10104 \|0 (DE-625)142220:12617 \|2 rvk
084			\|a ZI 9075 \|0 (DE-625)156700: \|2 rvk
084			\|a BAU 902f \|2 stub
084			\|a 910 \|2 23sdnb
245	1	0	\|a Künstliche Intelligenz in Geodäsie und Geoinformatik \|b Potenziale und Best-Practice-Beispiele \|c Wilfried Grunau (Hrsg.)
264		1	\|a Berlin \|b Wichmann \|c [2022]
300			\|a 244 Seiten \|b Illustrationen, Diagramme, Karten (farbig)
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
490	0		\|a VDV-Schriftenreihe
650	0	7	\|a Künstliche Intelligenz \|0 (DE-588)4033447-8 \|2 gnd \|9 rswk-swf
650	0	7	\|a Geodäsie \|0 (DE-588)4020202-1 \|2 gnd \|9 rswk-swf
650	0	7	\|a Geoinformatik \|0 (DE-588)7571300-7 \|2 gnd \|9 rswk-swf
653			\|a Datenfusion
653			\|a Deep Learning
653			\|a Geoinformation
653			\|a Neuronale Netze
653			\|a Vermessung
655		7	\|0 (DE-588)4143413-4 \|a Aufsatzsammlung \|2 gnd-content
689	0	0	\|a Geodäsie \|0 (DE-588)4020202-1 \|D s
689	0	1	\|a Geoinformatik \|0 (DE-588)7571300-7 \|D s
689	0	2	\|a Künstliche Intelligenz \|0 (DE-588)4033447-8 \|D s
689	0		\|5 DE-604
700	1		\|a Grunau, Wilfried \|0 (DE-588)139793135 \|4 edt
710	2		\|a Herbert-Wichmann-Verlag (Karlsruhe) \|0 (DE-588)2011721-8 \|4 pbl
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, E-Book \|z 978-3-87907-718-2 \|w (DE-604)BV048390426
856	4	2	\|m DNB Datenaustausch \|q application/pdf \|u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032917696&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
999			\|a oai:aleph.bib-bvb.de:BVB01-032917696

Datensatz im Suchindex

_version_	1804182859518312448
adam_text	INHALTSVERZEICHNIS VORWORT ............................................................................................................ 5 1 EINFUEHRUNG IN DIE KUENSTLICHE INTELLIGENZ UND DAS MASCHINELLE LERNEN ................................................................ 15 RIBANA ROSCHER UND LUKAS DREES 1.1 WAS IST KUENSTLICHE INTELLIGENZ? ................................................................................. 15 1.2 MASCHINELLES LERNEN ................................................................................................ 16 1.2.1 DAS GENERELLE FRAMEWORK ......................................................................................... 16 1.2.2 TAXONOMIE DES MASCHINELLEN LERNENS .................................................................... 18 1.2.3 UEBERWACHTES UND UNUEBERWACHTES LERNEN ................................................................ 18 1.2.4 GENERATIVES UND DISKRIMINATIVES LERNEN ................................................................. 19 1.3 KUENSTLICHE NEURONALE NETZE ..................................................................................... 20 1.3.1 AUFBAU UND FUNKTIONSWEISE ..................................................................................... 20 1.3.2 LERNEN EINES NEURONALEN NETZWERKMODELLS ............................................................. 21 1.3.3 ARTEN VON NEURONALEN NETZEN ................................................................................... 21 2 KI UND DIE POTENZIALE FUER DIE GEODAESIE - EINE BESTANDSAUFNAHME .................................................................... 25 WILFRIED GRUNAU 2.1 PROBLEMSTELLUNG UND RELEVANZ ................................................................................. 25 2.1.1 METHODIK ................................................................................................................... 26 2.2 UMFFAGEERGEBNISSE ................................................................................................... 27 2.2.1 IST DIE GEODAESIE FUER KI VORBEREITET? ........................................................................ 27 2.2.2 NUTZUNGSBEREICHE VON KI IN DER GEODAESIE .............................................................. 33 2.2.3 KI IM DIREKTEN ARBEITSUMFELD .................................................................................. 36 2.2.4 METHODISCHE KL-WERKZEUGE .................................................................................... 39 2.2.5 WEITERBILDUNGSBEDARF ............................................................................................... 41 2.3 ZUSAMMENFASSUNG .................................................................................................... 43 2.3.1 KERNAUSSAGEN UND HANDLUNGSEMPFEHLUNGEN .......................................................... 43 2.3.2 REFLEKTION UND FAZIT ................................................................................................. 43 3 MIT DEEP LEARNING UND AMTLICHEN DATEN ZUR LANDESWEITEN DETEKTION VON GEBAEUDEN UND GEBAEUDEVERAENDERUNGEN 47 ROBERT ROSCHLAUB, CLEMENS GLOCK, KARIN MOEST, QINGYU LI, STEFAN AUER UND XIAO XIANG ZHU 3.1 EINFUEHRUNG ................................................................................................................ 47 3.2 DL-BASIERTE ARCHITEKTURMODELLE UND DEREN VERGLEICH ........................................... 49 INHALTSVERZEICHNIS 3.3 IMPLEMENTIERTE NETZWERKARCHITEKTUR ........................................................................ 50 3.3.1 AUSGEWAEHLTES NETZWERK ........................................................................................... 50 3.3.2 INTEGRIERTER ENTSCHEIDUNGSBAUM ............................................................................... 52 3.3.3 NOTWENDIGE TRAININGSLAEUFE (EPOCHEN) ................................................................... 54 3.4 VALIDIERUNG DER UNTERSUCHUNGSERGEBNISSE .............................................................. 59 3.4.1 AUSWIRKUNG VON TRAININGSDATEN .............................................................................. 59 3.4.2 AUSWERTUNG AN EINEM VERMESSUNGSAMT (ADBV) .................................................. 62 3.5 SCHLUSS ....................................................................................................................... 65 4 VOLLAUTOMATISCHE SEGMENTIERUNG VON 2D UND 3D MOBILE-MAPPING-DATEN ZUR ZUVERLAESSIGEN MODELLIERUNG VON OBER-FLAECHENSTRUKTUREN MITTELS DEEP LEARNING .................... 69 ALEXANDER REIFERER 4.1 EINLEITUNG ................................................................................................................... 69 4.2 MATERIALIEN UND METHODEN ....................................................................................... 71 4.2.1 MOBILES KARTIERUNGSSYSTEM UND DATEN ................................................................... 71 4.2.2 PROZESSKETTE ................................................................................................................ 72 4.3 ERGEBNISSE .................................................................................................................. 75 4.3.1 REFERENZ-DATENSATZ ................................................................................................... 75 4.3.2 EVALUIERUNG ............................................................................................................... 76 4.4 SCHLUSSFOLGERUNGEN ................................................................................................... 80 5 KL-BASIERTE REKONSTRUKTION VON HOEHENMODELLEN AUS EINZELNEN LUFT UND SATELLITENBILDERN ........................................... 83 MICHAEL SCHMITT 5.1 EINFUEHRUNG ................................................................................................................. 83 5.1.1 HINTERGRUND: REKONSTRUKTION VON HOEHENMODELLEN IN DER FERNERKUNDUNG ............ 83 5.1.2 DIE ANFAENGE DER EINZELBILDHOEHENREKONSTRUKTION .................................................... 83 5.1.3 MODERNE EINZELBILD-TIEFENSCHAETZUNG IN DER COMPUTERGESTUETZTEN BILDANALYSE .... 84 5.1.4 UEBERTRAGUNG AUF DIE FERNERKUNDUNG ........................................................................ 84 5.2 PRINZIP DER KL-BASIERTEN HOEHENREKONSTRUKTION AUS EINZELBILDERN .......................... 85 5.2.1 TIEFE KUENSTLICHE NEURONALE NETZWERKE ZUR BILDAUSWERTUNG ................................... 85 5.2.2 KL-MODELLE ZUR REKONSTRUKTION VON HOEHEN AUS EINZELBILDERN .............................. 88 5.3 AKTUELLES POTENZIAL .................................................................................................... 91 5.4 SCHLUSSFOLGERUNGEN ................................................................................................... 93 6 EIN DEEP-LEARNING-ANSATZ ZUR KLASSIFIKATION VON BRANDFLAECHEN IN SENTINEL-2-AUFNAHMEN ....................................... 95 LISA KNOPP, MARC WIELAND, MICHAELA RAETTICH UND SANDRO MARTINIS 6.1 EINLEITUNG ................................................................................................................... 95 6.2 DATEN .......................................................................................................................... 96 6.2.1 SATELLITENDATEN ............................................................................................................ 96 8 INHALTSVERZEICHNIS 6.2.2 REFERENZDATENSATZ .................................................................................................. 97 6.2.3 UNABHAENGIGE VALIDIERUNGSDATEN ........................................................................... 98 6.3 METHODIK ................................................................................................................. 98 6.3.1 NETZARCHITEKTUR ....................................................................................................... 99 6.3.2 TRAINING DES CNNS ................................................................................................. 100 6.3.3 BEURTEILUNG DER KLASSIFIKATIONSGUETE ...................................................................... 101 6.4 ERGEBNISSE ............................................................................................................... 102 6.5 DISKUSSION ............................................................................................................... 107 6.6 FAZIT UND AUSBLICK ................................................................................................. 109 7 ANWENDUNG VON KUENSTLICHEN NEURONALEN NETZEN IM RAHMEN EINER ROUTINEMAESSIGEN ECHTZEIT BAUWERKSUEBERWACHUNG .................................................................. 111 BORIS RESNIK 7.1 EINFUEHRUNG .............................................................................................................. 111 7.2 VORBEREITUNG VON ................................................................................................... 112 7.3 ANWENDUNG VON ERSTELLTEN MODELLEN BEIM MONITORING ....................................... 115 7.4 GEMEINSAME KNN-ANALYSE FUER MEHRERE SENSOREN .............................................. 117 7.5 KONTROLLE EINER DURCHBIEGUNG MIT EINEM KNN ................................................... 119 7.6 KONTROLLE VON FUNDAMENTNEIGUNGEN MIT EINEM KNN ......................................... 121 7.7 FAZIT UND AUSBLICK ................................................................................................. 123 8 SILVI-NET - EIN CNN-BASIERTER ANSATZ ZUR KOMBINIERTEN KLASSIFIKATION VON BAUMARTEN UND TOTHOLZ AUS 2D UND 3D-DATEN ............................................................................................ 125 SEBASTIAN BRIECHLE 8.1 ZUSAMMENFASSUNG ................................................................ 125 8.2 EINLEITUNG ................................................................................................................ 126 8.2.1 KONVENTIONELLE ANSAETZE ......................................................................................... 126 8.2.2 DEEP-LEARNING-BASIERTE ANSAETZE ........................................................................... 127 8.2.3 GRUNDIDEE VON SILVI-NET ........................................................................................ 127 8.3 MATERIALIEN .............................................................................................................. 128 8.3.1 UNTERSUCHUNGSGEBIET .............................................................................................. 128 8.3.2 DATENERFASSUNG UND-VORVERARBEITUNG ................................................................... 128 8.3.3 REFERENZDATEN .......................................................................................................... 128 8.4 METHODIK ................................................................................................................. 130 8.4.1 GENERIERUNG DER EINGANGSBILDER ............................................................................ 131 8.4.2 DL-BASIERTE MERKMALSEXTRAKTION .......................................................................... 131 8.4.3 MLP-BASIERTE BAUMARTENKLASSIFIKATION ................................................................. 132 8.4.4 BASELINE-METHODE .................................................................................................. 132 9 INHALTSVERZEICHNIS 8.5 EXPERIMENTE UND ERGEBNISSE .................................................................................. 132 8.5.1 MASKIEREN DER MS-BILDER ........................................................................................ 132 8.5.2 BAUMARTENKLASSIFIKATION .......................................................................................... 133 8.6 DISKUSSION ................................................................................................................ 135 8.6.1 BEWERTUNG VON SILVI-NET ......................................................................................... 135 8.6.2 VERGLEICHBARE ARBEITEN ........................................................................................... 136 8.7 SCHLUSSFOLGERUNGEN ................................................................................................. 136 9 DIE ANWENDUNG VON DEEP LEARNING AUF PUNKTWOLKEN, DARGESTELLT AM BEISPIEL DER AUTOBAHNINFRASTRUKTUR DEUTSCHLANDS 141 FRANCIE KASTL UND SID HINRICHS 9.1 PUNKTWOLKEN - VIEL POTENZIAL, WENIG AUSSCHOEPFUNG ........................................... 141 9.1.1 PUNKTWOLKEN - ERST EINMAL NUR VIELE PUNKTE ......................................................... 141 9.1.2 EINFUEHRUNG IN DIE 3D-PUNKTWOLKEN-TECHNOLOGIE ................................................ 142 9.1.3 POINTLY - DIE PLATTFORM ZUR SCHNELLEREN TRAININGSDATENGENERIERUNG ................... 143 9.2 3D DEEP LEARNING IN DER PRAXIS: MOEGLICHKEITEN, WEICHENSTELLUNGEN UND HERAUSFORDERUNGEN ................................................................................... 145 9.2.1 MOEGLICHKEITEN ZUR ANWENDUNG VON KI AUF 3D-DATEN ........................................ 145 9.2.2 WEICHENSTELLUNGEN FUER DIE UMSETZUNG VON DEEP-LEARNING-ANWENDUNGEN AUF PUNKTWOLKEN ....................................................................................... 146 9.2.3 HERAUSFORDERUNGEN .................................................................................................. 147 9.3 DEEP LEARNING FUER DIE AUTOBAHNINFRASTRUKTUR ....................................................... 148 9.3.1 VOM BESTAND ZUR PLANUNGSGRUNDLAGE ................................................................... 148 9.4 DIE AUTOMATISCHE KLASSIFIZIERUNG DER AUTOBAHN-PUNKTWOLKEN ........................... 150 9.5 DIE AUTOMATISCHE ERSTELLUNG VON CAD-LINIEN AUS AUTOBAHN-PUNKTWOLKEN ....... 152 9.6 ZUSAMMENFASSUNG UND AUSBLICK ........................................................................... 155 10 KI@VERWALTUNG - ZWEI KI-ANWENDUNGSBEISPIELE AUS DEM LANDESAMT FUER VERMESSUNG UND GEOINFORMATION SCHLESWIG-HOLSTEIN ............................................................................ 159 RALPH SCHMIDT, CHRISTIAN LUCAS, ANDRE DITTRICH, DANIEL BARON, TIM GATTINGER UND THOMAS WAGNER 10.1 EINLEITUNG ............................................................................................................... 159 10.2 KI4FORST - WALDMONITORING MIT SATELLITENDATEN UND KI .................................... 159 10.2.1 EINLEITUNG ............................................................................................................... 159 10.2.2 EINGANGSDATEN UND VORPROZESSIERUNG .................................................................. 160 10.2.3 METHODIK KLASSIFIKATION ........................................................................................ 162 10.2.4 METHODIK VERAENDERUNGSDETEKTION UND VITALITAETSANALYSE ..................................... 164 10.2.5 ERGEBNISSE .............................................................................................................. 164 10.2.6 PRAESENTATIONSKOMPONENTE DANORD ...................................................................... 167 10.2.7 FAZIT UND AUSBLICK ................................................................................................ 168 10 INHALTSVERZEICHNIS 10.3 K14GEOSEDA - KL-BASIERTE GEOREFERENZIERUNG VON FACHDATENBESTAENDEN ZUR SEMANTISCHEN DATENINTEGRATION ............................................................... 169 10.3.1 EINLEITUNG .............................................................................................................. 169 10.3.2 EINGANGSDATEN UND DATENANALYSE ......................................................................... 170 10.3.3 HEURISTISCHE VORPROZESSIERUNG UND AUFLOESUNG EINDEUTIGER ADRESS ZUORDNUNGEN ............................................................................................. 170 10.3.4 AUFLOESUNG MEHRDEUTIGER UND KOMPLEXER ADRESSZUORDNUNGEN .......................... 171 10.3.5 PRAEDIKTION SEMANTISCHER SPALTENTYPEN ................................................................. 171 10.3.6 SYSTEMARCHITEKTUR UND BEREITSTELLUNG ................................................................. 173 10.3.7 FAZIT UND AUSBLICK ................................................................................................ 174 11 KI IN DER IMMOBILIENBEWERTUNG - EIN WICHTIGER BEREICH DER GEODAESIE ...................................................................................... 177 CHRISTIAN SAUERBORN 11.1 ZUSAMMENFASSUNG ................................................................................................. 177 11.2 EINLEITUNG .............................................................................................................. 177 11.3 DER AKTUELLE IMMOBILIENMARKT - WARUM SIND IMMOBILIENWERTE HEUTE INTERESSANTER DENN JE? .............................................................................. 178 11.4 TECH IN DER DEUTSCHEN IMMOBILIENWIRTSCHAFT ...................................................... 180 11.4.1 KL-IMMOBILIENBEWERTUNG ..................................................................................... 180 11.4.2 DIE YYGROUND TRUTH DER KL-IMMOBILIENBEWERTUNG: KAUFPREISE ......................... 181 11.4.3 GENAUIGKEIT UND VERLAESSLICHKEIT STATISTISCH BERECHNETER SCHAETZWERTE ............... 182 11.5 AKTUELLE ANWENDUNGSBEREICHE ............................................................................ 182 11.5.1 BEST PRACTICE: KUNDENGEWINNUNG/LEADGENERIERUNG/CUSTOMER RETENTION ........ 183 11.5.2 BEST PRACTICE: IMMOBILIEN-TEILVERKAUF ............................................................... 185 11.5.3 BEST PRACTICE: INVESTOREN UND BESTANDSHALTER ...................................................... 186 11.5.4 TRANSPARENZ FUER ALLE: SCOPERTY ............................................................................. 189 11.6 INTERNATIONALE SKALIERUNG ..................................................................................... 190 12 AUSWERTUNG VON NOTARIELLEN KAUFURKUNDEN MIT MASCHINELLER SPRACHVERARBEITUNG ................................................ 193 JOHANNES EILER 12.1 EINLEITUNG .............................................................................................................. 193 12.2 METHODISCHE GRUNDLAGEN ..................................................................................... 193 12.2.1 GRUNDLEGENDE BEGRIFFE ......................................................................................... 193 12.2.2 MATHEMATISCHE GUETEKRITERIEN ............................................................................... 194 12.2.3 WORTVEKTOREN .................... 195 12.2.4 EIGENNAMENERKENNUNG ......................................................................................... 195 12.2.5 BEZIEHUNGSERKENNUNG .......................................................................................... 195 12.3 INFORMATIONSRUECKGEWINNUNG AUS NOTARIELLEN KAUFURKUNDEN .............................. 196 12.3.1 B ILDVERARBEITUNG UND T EXTERKENNUNG .................................................................. 196 12.3.2 NEURONALE NETZE BEI DER ERZEUGUNG VON WORTVEKTOREN ..................................... 196 12.3.3 EIGENNAMENERKENNUNG ......................................................................................... 198 11 INHALTSVERZEICHNIS 12.3.4 ERKENNUNG VON BEZIEHUNGEN ZWISCHEN EIGENNAMEN ......................................... 198 12.4 ERGEBNISSE .............................................................................................................. 199 12.4.1 DATENGRUNDLAGE ..................................................................................................... 199 12.4.2 NAMED ENTITY RECOGNITION ................................................................................... 199 12.4.3 RELATION EXTRAKTION ............................................................................................... 200 12.5 DISKUSSION .............................................................................................................. 201 12.5.1 DATENGRUNDLAGE ..................................................................................................... 201 12.5.2 DIGITALE BIIDVERARBEITUNG UND TEXTERKENNUNG .................................................... 201 12.5.3 MASCHINELLE SPRACHVERARBEITUNG .......................................................................... 201 12.6 AUSBLICK UND EINSATZ IN DER PRAXIS ....................................................................... 202 13 GEO DATA SCIENCE FUER DIE ENERGIEWENDE AM BEISPIEL DER STANDORTBEWERTUNG FUER KLEINWINDENERGIEANLAGEN .................... 203 SASCHA KOCH, MORITZ ELBESHAUSEN, THERESA GRAVENHORST UND MARVIN SCHNABEL 13.1 EINLEITUNG ............................................................................................................... 203 13.2 BEGRIFFSBILDUNG ..................................................................................................... 204 13.2.1 KLEINWINDENERGIEANLAGEN ...................................................................................... 204 13.2.2 STANDORTFAKTOREN FUER KLEINWINDENERGIEANLAGEN .................................................. 205 13.2.3 AKZEPTANZKRITERIEN FUER KLEINWINDKRAFTANLAGEN ................................................... 207 13.3 GIS-BASIERTE ERMITTLUNG DES WINDPOTENZIALS URBANER STANDORTE ........................ 209 13.3.1 FRAGESTELLUNG UND UNTERSUCHUNGSGEBIET ............................................................. 209 13.3.2 DATENGRUNDLAGE UND DATENVORVERARBEITUNG ........................................................ 210 13.3.3 GIS-BASIERTE ANALYSE AUS HINDERNISSICHT ............................................................ 211 13.3.4 GIS-BASIERTE ANALYSE AUS STANDORTSICHT ............................................................... 213 13.3.5 BEWERTUNG DER ERGEBNISSE ..................................................................................... 213 13.4 KLASSIFIKATION POTENZIELLER URBANER STANDORTE FUER KLEINWINDKRAFTANLAGEN ........ 214 13.4.1 FRAGESTELLUNG UND UNTERSUCHUNGSGEBIET ............................................................. 214 13.4.2 DATENGRUNDLAGE UND DATENVORVERARBEITUNG ........................................................ 215 13.4.3 STANDORTKLASSIFIKATION MIT MACHINE LEARNING ..................................................... 217 13.4.4 BEWERTUNG DER ERGEBNISSE ..................................................................................... 217 13.5 FAZIT UND AUSBLICK ................................................................................................ 218 14 SMART DIGITAL REALITY BEI HEXAGON MITTELS EINSATZ KUENSTLICHER INTELLIGENZ ..................................................................... 223 BERNHARD METZLER, JOHANNES MAUNZ UND MARTINA BEKROVA 14.1 EINFUEHRUNG ............................................................................................................. 223 14.2 SENSOREN ZUR DATENERFASSUNG ................................................................................ 224 14.3 PUNKTWOLKEN-KLASSIFIKATION .................................................................................. 226 14.3.1 TECHNOLOGIE ............................................................................................................ 226 14.3.2 ANWENDUNGEN ........................................................................................................ 227 12 INHALTSVERZEICHNIS 14.4 KUENSTLICHE INTELLIGENZ IN DER FERNERKUNDUNG ...................................................... 230 14.4.1 TECHNOLOGIE ........................................................................................................... 230 14.4.2 ANWENDUNGEN ....................................................................................................... 231 14.5 AUSBLICK UND POTENZIAL ........................................................................................ 233 ABUERZUNGSVERZEICHNIS ................................................................................. 235 HERAUSGEBER UND AUTORENVERZEICHNIS .................................................... 239 STICHWORTVERZEICHNIS ................................................................................... 243 13
adam_txt	INHALTSVERZEICHNIS VORWORT . 5 1 EINFUEHRUNG IN DIE KUENSTLICHE INTELLIGENZ UND DAS MASCHINELLE LERNEN . 15 RIBANA ROSCHER UND LUKAS DREES 1.1 WAS IST KUENSTLICHE INTELLIGENZ? . 15 1.2 MASCHINELLES LERNEN . 16 1.2.1 DAS GENERELLE FRAMEWORK . 16 1.2.2 TAXONOMIE DES MASCHINELLEN LERNENS . 18 1.2.3 UEBERWACHTES UND UNUEBERWACHTES LERNEN . 18 1.2.4 GENERATIVES UND DISKRIMINATIVES LERNEN . 19 1.3 KUENSTLICHE NEURONALE NETZE . 20 1.3.1 AUFBAU UND FUNKTIONSWEISE . 20 1.3.2 LERNEN EINES NEURONALEN NETZWERKMODELLS . 21 1.3.3 ARTEN VON NEURONALEN NETZEN . 21 2 KI UND DIE POTENZIALE FUER DIE GEODAESIE - EINE BESTANDSAUFNAHME . 25 WILFRIED GRUNAU 2.1 PROBLEMSTELLUNG UND RELEVANZ . 25 2.1.1 METHODIK . 26 2.2 UMFFAGEERGEBNISSE . 27 2.2.1 IST DIE GEODAESIE FUER KI VORBEREITET? . 27 2.2.2 NUTZUNGSBEREICHE VON KI IN DER GEODAESIE . 33 2.2.3 KI IM DIREKTEN ARBEITSUMFELD . 36 2.2.4 METHODISCHE KL-WERKZEUGE . 39 2.2.5 WEITERBILDUNGSBEDARF . 41 2.3 ZUSAMMENFASSUNG . 43 2.3.1 KERNAUSSAGEN UND HANDLUNGSEMPFEHLUNGEN . 43 2.3.2 REFLEKTION UND FAZIT . 43 3 MIT DEEP LEARNING UND AMTLICHEN DATEN ZUR LANDESWEITEN DETEKTION VON GEBAEUDEN UND GEBAEUDEVERAENDERUNGEN 47 ROBERT ROSCHLAUB, CLEMENS GLOCK, KARIN MOEST, QINGYU LI, STEFAN AUER UND XIAO XIANG ZHU 3.1 EINFUEHRUNG . 47 3.2 DL-BASIERTE ARCHITEKTURMODELLE UND DEREN VERGLEICH . 49 INHALTSVERZEICHNIS 3.3 IMPLEMENTIERTE NETZWERKARCHITEKTUR . 50 3.3.1 AUSGEWAEHLTES NETZWERK . 50 3.3.2 INTEGRIERTER ENTSCHEIDUNGSBAUM . 52 3.3.3 NOTWENDIGE TRAININGSLAEUFE (EPOCHEN) . 54 3.4 VALIDIERUNG DER UNTERSUCHUNGSERGEBNISSE . 59 3.4.1 AUSWIRKUNG VON TRAININGSDATEN . 59 3.4.2 AUSWERTUNG AN EINEM VERMESSUNGSAMT (ADBV) . 62 3.5 SCHLUSS . 65 4 VOLLAUTOMATISCHE SEGMENTIERUNG VON 2D UND 3D MOBILE-MAPPING-DATEN ZUR ZUVERLAESSIGEN MODELLIERUNG VON OBER-FLAECHENSTRUKTUREN MITTELS DEEP LEARNING . 69 ALEXANDER REIFERER 4.1 EINLEITUNG . 69 4.2 MATERIALIEN UND METHODEN . 71 4.2.1 MOBILES KARTIERUNGSSYSTEM UND DATEN . 71 4.2.2 PROZESSKETTE . 72 4.3 ERGEBNISSE . 75 4.3.1 REFERENZ-DATENSATZ . 75 4.3.2 EVALUIERUNG . 76 4.4 SCHLUSSFOLGERUNGEN . 80 5 KL-BASIERTE REKONSTRUKTION VON HOEHENMODELLEN AUS EINZELNEN LUFT UND SATELLITENBILDERN . 83 MICHAEL SCHMITT 5.1 EINFUEHRUNG . 83 5.1.1 HINTERGRUND: REKONSTRUKTION VON HOEHENMODELLEN IN DER FERNERKUNDUNG . 83 5.1.2 DIE ANFAENGE DER EINZELBILDHOEHENREKONSTRUKTION . 83 5.1.3 MODERNE EINZELBILD-TIEFENSCHAETZUNG IN DER COMPUTERGESTUETZTEN BILDANALYSE . 84 5.1.4 UEBERTRAGUNG AUF DIE FERNERKUNDUNG . 84 5.2 PRINZIP DER KL-BASIERTEN HOEHENREKONSTRUKTION AUS EINZELBILDERN . 85 5.2.1 TIEFE KUENSTLICHE NEURONALE NETZWERKE ZUR BILDAUSWERTUNG . 85 5.2.2 KL-MODELLE ZUR REKONSTRUKTION VON HOEHEN AUS EINZELBILDERN . 88 5.3 AKTUELLES POTENZIAL . 91 5.4 SCHLUSSFOLGERUNGEN . 93 6 EIN DEEP-LEARNING-ANSATZ ZUR KLASSIFIKATION VON BRANDFLAECHEN IN SENTINEL-2-AUFNAHMEN . 95 LISA KNOPP, MARC WIELAND, MICHAELA RAETTICH UND SANDRO MARTINIS 6.1 EINLEITUNG . 95 6.2 DATEN . 96 6.2.1 SATELLITENDATEN . 96 8 INHALTSVERZEICHNIS 6.2.2 REFERENZDATENSATZ . 97 6.2.3 UNABHAENGIGE VALIDIERUNGSDATEN . 98 6.3 METHODIK . 98 6.3.1 NETZARCHITEKTUR . 99 6.3.2 TRAINING DES CNNS . 100 6.3.3 BEURTEILUNG DER KLASSIFIKATIONSGUETE . 101 6.4 ERGEBNISSE . 102 6.5 DISKUSSION . 107 6.6 FAZIT UND AUSBLICK . 109 7 ANWENDUNG VON KUENSTLICHEN NEURONALEN NETZEN IM RAHMEN EINER ROUTINEMAESSIGEN ECHTZEIT BAUWERKSUEBERWACHUNG . 111 BORIS RESNIK 7.1 EINFUEHRUNG . 111 7.2 VORBEREITUNG VON . 112 7.3 ANWENDUNG VON ERSTELLTEN MODELLEN BEIM MONITORING . 115 7.4 GEMEINSAME KNN-ANALYSE FUER MEHRERE SENSOREN . 117 7.5 KONTROLLE EINER DURCHBIEGUNG MIT EINEM KNN . 119 7.6 KONTROLLE VON FUNDAMENTNEIGUNGEN MIT EINEM KNN . 121 7.7 FAZIT UND AUSBLICK . 123 8 SILVI-NET - EIN CNN-BASIERTER ANSATZ ZUR KOMBINIERTEN KLASSIFIKATION VON BAUMARTEN UND TOTHOLZ AUS 2D UND 3D-DATEN . 125 SEBASTIAN BRIECHLE 8.1 ZUSAMMENFASSUNG . 125 8.2 EINLEITUNG . 126 8.2.1 KONVENTIONELLE ANSAETZE . 126 8.2.2 DEEP-LEARNING-BASIERTE ANSAETZE . 127 8.2.3 GRUNDIDEE VON SILVI-NET . 127 8.3 MATERIALIEN . 128 8.3.1 UNTERSUCHUNGSGEBIET . 128 8.3.2 DATENERFASSUNG UND-VORVERARBEITUNG . 128 8.3.3 REFERENZDATEN . 128 8.4 METHODIK . 130 8.4.1 GENERIERUNG DER EINGANGSBILDER . 131 8.4.2 DL-BASIERTE MERKMALSEXTRAKTION . 131 8.4.3 MLP-BASIERTE BAUMARTENKLASSIFIKATION . 132 8.4.4 BASELINE-METHODE . 132 9 INHALTSVERZEICHNIS 8.5 EXPERIMENTE UND ERGEBNISSE . 132 8.5.1 MASKIEREN DER MS-BILDER . 132 8.5.2 BAUMARTENKLASSIFIKATION . 133 8.6 DISKUSSION . 135 8.6.1 BEWERTUNG VON SILVI-NET . 135 8.6.2 VERGLEICHBARE ARBEITEN . 136 8.7 SCHLUSSFOLGERUNGEN . 136 9 DIE ANWENDUNG VON DEEP LEARNING AUF PUNKTWOLKEN, DARGESTELLT AM BEISPIEL DER AUTOBAHNINFRASTRUKTUR DEUTSCHLANDS 141 FRANCIE KASTL UND SID HINRICHS 9.1 PUNKTWOLKEN - VIEL POTENZIAL, WENIG AUSSCHOEPFUNG . 141 9.1.1 PUNKTWOLKEN - ERST EINMAL NUR VIELE PUNKTE . 141 9.1.2 EINFUEHRUNG IN DIE 3D-PUNKTWOLKEN-TECHNOLOGIE . 142 9.1.3 POINTLY - DIE PLATTFORM ZUR SCHNELLEREN TRAININGSDATENGENERIERUNG . 143 9.2 3D DEEP LEARNING IN DER PRAXIS: MOEGLICHKEITEN, WEICHENSTELLUNGEN UND HERAUSFORDERUNGEN . 145 9.2.1 MOEGLICHKEITEN ZUR ANWENDUNG VON KI AUF 3D-DATEN . 145 9.2.2 WEICHENSTELLUNGEN FUER DIE UMSETZUNG VON DEEP-LEARNING-ANWENDUNGEN AUF PUNKTWOLKEN . 146 9.2.3 HERAUSFORDERUNGEN . 147 9.3 DEEP LEARNING FUER DIE AUTOBAHNINFRASTRUKTUR . 148 9.3.1 VOM BESTAND ZUR PLANUNGSGRUNDLAGE . 148 9.4 DIE AUTOMATISCHE KLASSIFIZIERUNG DER AUTOBAHN-PUNKTWOLKEN . 150 9.5 DIE AUTOMATISCHE ERSTELLUNG VON CAD-LINIEN AUS AUTOBAHN-PUNKTWOLKEN . 152 9.6 ZUSAMMENFASSUNG UND AUSBLICK . 155 10 KI@VERWALTUNG - ZWEI KI-ANWENDUNGSBEISPIELE AUS DEM LANDESAMT FUER VERMESSUNG UND GEOINFORMATION SCHLESWIG-HOLSTEIN . 159 RALPH SCHMIDT, CHRISTIAN LUCAS, ANDRE DITTRICH, DANIEL BARON, TIM GATTINGER UND THOMAS WAGNER 10.1 EINLEITUNG . 159 10.2 KI4FORST - WALDMONITORING MIT SATELLITENDATEN UND KI . 159 10.2.1 EINLEITUNG . 159 10.2.2 EINGANGSDATEN UND VORPROZESSIERUNG . 160 10.2.3 METHODIK KLASSIFIKATION . 162 10.2.4 METHODIK VERAENDERUNGSDETEKTION UND VITALITAETSANALYSE . 164 10.2.5 ERGEBNISSE . 164 10.2.6 PRAESENTATIONSKOMPONENTE DANORD . 167 10.2.7 FAZIT UND AUSBLICK . 168 10 INHALTSVERZEICHNIS 10.3 K14GEOSEDA - KL-BASIERTE GEOREFERENZIERUNG VON FACHDATENBESTAENDEN ZUR SEMANTISCHEN DATENINTEGRATION . 169 10.3.1 EINLEITUNG . 169 10.3.2 EINGANGSDATEN UND DATENANALYSE . 170 10.3.3 HEURISTISCHE VORPROZESSIERUNG UND AUFLOESUNG EINDEUTIGER ADRESS ZUORDNUNGEN . 170 10.3.4 AUFLOESUNG MEHRDEUTIGER UND KOMPLEXER ADRESSZUORDNUNGEN . 171 10.3.5 PRAEDIKTION SEMANTISCHER SPALTENTYPEN . 171 10.3.6 SYSTEMARCHITEKTUR UND BEREITSTELLUNG . 173 10.3.7 FAZIT UND AUSBLICK . 174 11 KI IN DER IMMOBILIENBEWERTUNG - EIN WICHTIGER BEREICH DER GEODAESIE . 177 CHRISTIAN SAUERBORN 11.1 ZUSAMMENFASSUNG . 177 11.2 EINLEITUNG . 177 11.3 DER AKTUELLE IMMOBILIENMARKT - WARUM SIND IMMOBILIENWERTE HEUTE INTERESSANTER DENN JE? . 178 11.4 TECH IN DER DEUTSCHEN IMMOBILIENWIRTSCHAFT . 180 11.4.1 KL-IMMOBILIENBEWERTUNG . 180 11.4.2 DIE YYGROUND TRUTH " DER KL-IMMOBILIENBEWERTUNG: KAUFPREISE . 181 11.4.3 GENAUIGKEIT UND VERLAESSLICHKEIT STATISTISCH BERECHNETER SCHAETZWERTE . 182 11.5 AKTUELLE ANWENDUNGSBEREICHE . 182 11.5.1 BEST PRACTICE: KUNDENGEWINNUNG/LEADGENERIERUNG/CUSTOMER RETENTION . 183 11.5.2 BEST PRACTICE: IMMOBILIEN-TEILVERKAUF . 185 11.5.3 BEST PRACTICE: INVESTOREN UND BESTANDSHALTER . 186 11.5.4 TRANSPARENZ FUER ALLE: SCOPERTY . 189 11.6 INTERNATIONALE SKALIERUNG . 190 12 AUSWERTUNG VON NOTARIELLEN KAUFURKUNDEN MIT MASCHINELLER SPRACHVERARBEITUNG . 193 JOHANNES EILER 12.1 EINLEITUNG . 193 12.2 METHODISCHE GRUNDLAGEN . 193 12.2.1 GRUNDLEGENDE BEGRIFFE . 193 12.2.2 MATHEMATISCHE GUETEKRITERIEN . 194 12.2.3 WORTVEKTOREN . 195 12.2.4 EIGENNAMENERKENNUNG . 195 12.2.5 BEZIEHUNGSERKENNUNG . 195 12.3 INFORMATIONSRUECKGEWINNUNG AUS NOTARIELLEN KAUFURKUNDEN . 196 12.3.1 B ILDVERARBEITUNG UND T EXTERKENNUNG . 196 12.3.2 NEURONALE NETZE BEI DER ERZEUGUNG VON WORTVEKTOREN . 196 12.3.3 EIGENNAMENERKENNUNG . 198 11 INHALTSVERZEICHNIS 12.3.4 ERKENNUNG VON BEZIEHUNGEN ZWISCHEN EIGENNAMEN . 198 12.4 ERGEBNISSE . 199 12.4.1 DATENGRUNDLAGE . 199 12.4.2 NAMED ENTITY RECOGNITION . 199 12.4.3 RELATION EXTRAKTION . 200 12.5 DISKUSSION . 201 12.5.1 DATENGRUNDLAGE . 201 12.5.2 DIGITALE BIIDVERARBEITUNG UND TEXTERKENNUNG . 201 12.5.3 MASCHINELLE SPRACHVERARBEITUNG . 201 12.6 AUSBLICK UND EINSATZ IN DER PRAXIS . 202 13 GEO DATA SCIENCE FUER DIE ENERGIEWENDE AM BEISPIEL DER STANDORTBEWERTUNG FUER KLEINWINDENERGIEANLAGEN . 203 SASCHA KOCH, MORITZ ELBESHAUSEN, THERESA GRAVENHORST UND MARVIN SCHNABEL 13.1 EINLEITUNG . 203 13.2 BEGRIFFSBILDUNG . 204 13.2.1 KLEINWINDENERGIEANLAGEN . 204 13.2.2 STANDORTFAKTOREN FUER KLEINWINDENERGIEANLAGEN . 205 13.2.3 AKZEPTANZKRITERIEN FUER KLEINWINDKRAFTANLAGEN . 207 13.3 GIS-BASIERTE ERMITTLUNG DES WINDPOTENZIALS URBANER STANDORTE . 209 13.3.1 FRAGESTELLUNG UND UNTERSUCHUNGSGEBIET . 209 13.3.2 DATENGRUNDLAGE UND DATENVORVERARBEITUNG . 210 13.3.3 GIS-BASIERTE ANALYSE AUS HINDERNISSICHT . 211 13.3.4 GIS-BASIERTE ANALYSE AUS STANDORTSICHT . 213 13.3.5 BEWERTUNG DER ERGEBNISSE . 213 13.4 KLASSIFIKATION POTENZIELLER URBANER STANDORTE FUER KLEINWINDKRAFTANLAGEN . 214 13.4.1 FRAGESTELLUNG UND UNTERSUCHUNGSGEBIET . 214 13.4.2 DATENGRUNDLAGE UND DATENVORVERARBEITUNG . 215 13.4.3 STANDORTKLASSIFIKATION MIT MACHINE LEARNING . 217 13.4.4 BEWERTUNG DER ERGEBNISSE . 217 13.5 FAZIT UND AUSBLICK . 218 14 SMART DIGITAL REALITY BEI HEXAGON MITTELS EINSATZ KUENSTLICHER INTELLIGENZ . 223 BERNHARD METZLER, JOHANNES MAUNZ UND MARTINA BEKROVA 14.1 EINFUEHRUNG . 223 14.2 SENSOREN ZUR DATENERFASSUNG . 224 14.3 PUNKTWOLKEN-KLASSIFIKATION . 226 14.3.1 TECHNOLOGIE . 226 14.3.2 ANWENDUNGEN . 227 12 INHALTSVERZEICHNIS 14.4 KUENSTLICHE INTELLIGENZ IN DER FERNERKUNDUNG . 230 14.4.1 TECHNOLOGIE . 230 14.4.2 ANWENDUNGEN . 231 14.5 AUSBLICK UND POTENZIAL . 233 ABUERZUNGSVERZEICHNIS . 235 HERAUSGEBER UND AUTORENVERZEICHNIS . 239 STICHWORTVERZEICHNIS . 243 13
any_adam_object	1
any_adam_object_boolean	1
author2	Grunau, Wilfried
author2_role	edt
author2_variant	w g wg
author_GND	(DE-588)139793135
author_facet	Grunau, Wilfried
building	Verbundindex
bvnumber	BV047516951
classification_rvk	RB 10109 RB 10105 RB 10104 ZI 9075
classification_tum	BAU 902f
ctrlnum	(OCoLC)1268933893 (DE-599)DNB1241201013
discipline	Bauingenieurwesen Vermessungswesen Geographie
discipline_str_mv	Bauingenieurwesen Vermessungswesen Geographie
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>02280nam a2200553 c 4500</leader><controlfield tag="001">BV047516951</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20230316 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">211018s2022 gw a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1241201013</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783879077175</subfield><subfield code="c">pbk.</subfield><subfield code="9">978-3-87907-717-5</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1268933893</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1241201013</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-BE</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-355</subfield><subfield code="a">DE-188</subfield><subfield code="a">DE-634</subfield><subfield code="a">DE-B768</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-29</subfield><subfield code="a">DE-1028</subfield><subfield code="a">DE-1050</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-20</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-573n</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">RB 10109</subfield><subfield code="0">(DE-625)142220:12619</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">RB 10105</subfield><subfield code="0">(DE-625)142220:14183</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">RB 10104</subfield><subfield code="0">(DE-625)142220:12617</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ZI 9075</subfield><subfield code="0">(DE-625)156700:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">BAU 902f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">910</subfield><subfield code="2">23sdnb</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Künstliche Intelligenz in Geodäsie und Geoinformatik</subfield><subfield code="b">Potenziale und Best-Practice-Beispiele</subfield><subfield code="c">Wilfried Grunau (Hrsg.)</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Berlin</subfield><subfield code="b">Wichmann</subfield><subfield code="c">[2022]</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">244 Seiten</subfield><subfield code="b">Illustrationen, Diagramme, Karten (farbig)</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="490" ind1="0" ind2=" "><subfield code="a">VDV-Schriftenreihe</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Geodäsie</subfield><subfield code="0">(DE-588)4020202-1</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Geoinformatik</subfield><subfield code="0">(DE-588)7571300-7</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Datenfusion</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Deep Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Geoinformation</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Neuronale Netze</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Vermessung</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4143413-4</subfield><subfield code="a">Aufsatzsammlung</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Geodäsie</subfield><subfield code="0">(DE-588)4020202-1</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Geoinformatik</subfield><subfield code="0">(DE-588)7571300-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Grunau, Wilfried</subfield><subfield code="0">(DE-588)139793135</subfield><subfield code="4">edt</subfield></datafield><datafield tag="710" ind1="2" ind2=" "><subfield code="a">Herbert-Wichmann-Verlag (Karlsruhe)</subfield><subfield code="0">(DE-588)2011721-8</subfield><subfield code="4">pbl</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, E-Book</subfield><subfield code="z">978-3-87907-718-2</subfield><subfield code="w">(DE-604)BV048390426</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">DNB Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032917696&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="999" ind1=" " ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-032917696</subfield></datafield></record></collection>
genre	(DE-588)4143413-4 Aufsatzsammlung gnd-content
genre_facet	Aufsatzsammlung
id	DE-604.BV047516951
illustrated	Illustrated
index_date	2024-07-03T18:23:25Z
indexdate	2024-07-10T09:14:15Z
institution	BVB
institution_GND	(DE-588)2011721-8
isbn	9783879077175
language	German
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-032917696
oclc_num	1268933893
open_access_boolean
owner	DE-355 DE-BY-UBR DE-188 DE-634 DE-B768 DE-92 DE-29 DE-1028 DE-1050 DE-898 DE-BY-UBR DE-20 DE-11 DE-573n
owner_facet	DE-355 DE-BY-UBR DE-188 DE-634 DE-B768 DE-92 DE-29 DE-1028 DE-1050 DE-898 DE-BY-UBR DE-20 DE-11 DE-573n
physical	244 Seiten Illustrationen, Diagramme, Karten (farbig)
publishDate	2022
publishDateSearch	2022
publishDateSort	2022
publisher	Wichmann
record_format	marc
series2	VDV-Schriftenreihe
spelling	Künstliche Intelligenz in Geodäsie und Geoinformatik Potenziale und Best-Practice-Beispiele Wilfried Grunau (Hrsg.) Berlin Wichmann [2022] 244 Seiten Illustrationen, Diagramme, Karten (farbig) txt rdacontent n rdamedia nc rdacarrier VDV-Schriftenreihe Künstliche Intelligenz (DE-588)4033447-8 gnd rswk-swf Geodäsie (DE-588)4020202-1 gnd rswk-swf Geoinformatik (DE-588)7571300-7 gnd rswk-swf Datenfusion Deep Learning Geoinformation Neuronale Netze Vermessung (DE-588)4143413-4 Aufsatzsammlung gnd-content Geodäsie (DE-588)4020202-1 s Geoinformatik (DE-588)7571300-7 s Künstliche Intelligenz (DE-588)4033447-8 s DE-604 Grunau, Wilfried (DE-588)139793135 edt Herbert-Wichmann-Verlag (Karlsruhe) (DE-588)2011721-8 pbl Erscheint auch als Online-Ausgabe, E-Book 978-3-87907-718-2 (DE-604)BV048390426 DNB Datenaustausch application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032917696&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis
spellingShingle	Künstliche Intelligenz in Geodäsie und Geoinformatik Potenziale und Best-Practice-Beispiele Künstliche Intelligenz (DE-588)4033447-8 gnd Geodäsie (DE-588)4020202-1 gnd Geoinformatik (DE-588)7571300-7 gnd
subject_GND	(DE-588)4033447-8 (DE-588)4020202-1 (DE-588)7571300-7 (DE-588)4143413-4
title	Künstliche Intelligenz in Geodäsie und Geoinformatik Potenziale und Best-Practice-Beispiele
title_auth	Künstliche Intelligenz in Geodäsie und Geoinformatik Potenziale und Best-Practice-Beispiele
title_exact_search	Künstliche Intelligenz in Geodäsie und Geoinformatik Potenziale und Best-Practice-Beispiele
title_exact_search_txtP	Künstliche Intelligenz in Geodäsie und Geoinformatik Potenziale und Best-Practice-Beispiele
title_full	Künstliche Intelligenz in Geodäsie und Geoinformatik Potenziale und Best-Practice-Beispiele Wilfried Grunau (Hrsg.)
title_fullStr	Künstliche Intelligenz in Geodäsie und Geoinformatik Potenziale und Best-Practice-Beispiele Wilfried Grunau (Hrsg.)
title_full_unstemmed	Künstliche Intelligenz in Geodäsie und Geoinformatik Potenziale und Best-Practice-Beispiele Wilfried Grunau (Hrsg.)
title_short	Künstliche Intelligenz in Geodäsie und Geoinformatik
title_sort	kunstliche intelligenz in geodasie und geoinformatik potenziale und best practice beispiele
title_sub	Potenziale und Best-Practice-Beispiele
topic	Künstliche Intelligenz (DE-588)4033447-8 gnd Geodäsie (DE-588)4020202-1 gnd Geoinformatik (DE-588)7571300-7 gnd
topic_facet	Künstliche Intelligenz Geodäsie Geoinformatik Aufsatzsammlung
url	http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032917696&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT grunauwilfried kunstlicheintelligenzingeodasieundgeoinformatikpotenzialeundbestpracticebeispiele AT herbertwichmannverlagkarlsruhe kunstlicheintelligenzingeodasieundgeoinformatikpotenzialeundbestpracticebeispiele

Verfügbarkeit

Es ist kein Print-Exemplar vorhanden.

Fernleihe Bestellen Achtung: Nicht im THWS-Bestand! Inhaltsverzeichnis

MARC

Datensatz im Suchindex

Es ist kein Print-Exemplar vorhanden.

Ähnliche Einträge