“Töö teema kasvas välja sellest, et MaRu kaardistamise osakonnal puudub seni metoodika, mis annaks kiire ning täpse ülevaate hoonestuse muutustest,” selgitas Jõgiste oma uurimistöö tagamaid. “Sealt tekkis idee tuvastada muudatusi MaRu aerolaserskaneerimise andmetest.”

Magistritöö eesmärgiks oli treenida süvaõppe algoritmiga kaks hoonestuse muudatuste tuvastamise mudelit — üks suurema ja teine väiksema punktitihedusega punktipilvede põhjal. Lisaks võrdles autor treenitud algoritme olemasolevate lahendustega.

Hollandi eeskuju andis innustust

Uurimistöö käigus katsetas Jõgiste erinevaid olemasolevaid lahendusi. “Peale mitmeid teste andis Hollandi Twente ülikoolis koostatud algoritm kõige paremad tulemused,” märkis ta. Kuna lähtekoodid olid avalikult kättesaadavad ning koostatud Pythoni programmeerimiskeeles, otsustas Jõgiste kasutada sarnast metoodikat, mida ta kohandas Eesti andmetele.

Töö jagunes kahte etappi: esmalt tehti algandmete eeltöötlus ning loodi treening- ja testandmed, seejärel kasutati treeningandmeid süvaõppe algoritmi õpetamiseks. “Tulemusi hindasin nii statistiliste mõõdikute kui ka visuaalse analüüsi abil ning võrdlesin neid ka vabavara CloudCompare’i tööriistadega,” kirjeldas Jõgiste oma metoodikat.

Mudelid vajavad veel täiendamist

Kuigi lõputöö eesmärgid said täidetud, tunnistas Jõgiste, et süvaõppemudelid pole veel laialdaseks kasutuseks valmis. “Kuigi visuaalsest analüüsist selgus, et mudelid leidsid reaalsed muudatused võrdlemisi edukalt, siis statistiliste mõõdikute põhjal ei suuda algoritmid veel edukalt tuvastada ehitatud ja lammutatud hoonete klasse” tõdes ta.

Probleemi põhjusena tõi autor välja andmestiku tasakaalustamatuse, kus valdav osa punktidest kuulus mittemuutunud alade ja hoonete alla ning väike osa punktidest oli seotud hoonete ehituse ja/või lammutamisega.

Ülesobitamise (ingl. overfitting) vältimiseks peab tulevikus enne algoritmide treenimist tagama treeningandmetes võimalikult võrdse klassifikatsioonilise jaotuse. Treeningandmete ettevalmistus nõuab aga palju manuaalset tööd ja seeläbi aega.

Siiski on töö tulemustest autori hinnangul praktilist kasu. “Kuigi süvaõppe algoritm vajab veel täiendamist, on eeltöötluse algoritmi võimalik esmaseks hoonestuste muudatuste kaardistamiseks efektiivselt kasutada,” märkis Jõgiste, kes plaanib oma uurimistööd kindlasti jätkata.

“Sügisel on plaanis alustada süvaõppe algoritmi treenimist MaRu uue lidariga mõõdistatud punktipilvedega. Eeldatavasti peaks see muudatuste tuvastamise täpsust oluliselt tõstma, kuid seoses uute punktipilvede oluliselt suuremate andmemahtudega võib treenimisprotsess võtta oluliselt kauem aega,” selgitas Jõgiste, kes plaanib lisaks uurida ka 3D-vektormudelitel põhinevaid võrdlusmeetodeid.

Gert Jõgiste õppis TalTechi ehituse ja arhitektuuri instituudis teedeehituse ja geodeesia õppekaval.

Artikkel ilmus esmakordselt portaalis Ehitusleht.ee 3.11.2025.