Paikkatiedoilla koulutetun GAN-verkoston kuvasta-kuvaan muunnos arkkitehti- ja kaupunkisuunnittelun työkaluna
Vuorio, Voitto (2025)
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2025061222806
https://urn.fi/URN:NBN:fi:amk-2025061222806
Tiivistelmä
Kaupunkisuunnittelu hyödyntää yhä enemmän digitaalisia työkaluja monimutkaisten suunnitteluprosessien tukemiseksi. Opinnäytetyössä kehitettiin prototyyppisovellus arkkitehti- ja kaupunkisuunnittelun avuksi toimeksiantona arkkitehtitoimisto Ark Brut Oy:lle. Tavoitteena oli tutkia generatiivisen tekoälyn soveltuvuutta visuaaliseen rakennussijoitteluun ja tuottaa yksinkertainen työkalu. Työssä käytettiin EU:n avoimen datan direktiivin (2019/1024/EU) tukemaa MML:n aineistoa. Prototyyppisovellukseen koulutettiin Pix2Pix-arkkitehtuurin mukainen generatiivinen kilpaileva verkko (GAN) kuvasta-kuvaan muunnoksen suorittamiseen. Aineisto koostui tonttien rajaviivoista ja niitä vastaavista rakennuksista.
Koulutettu malli tuotti rakennusten jalanjälkiä tonttien rajojen sisälle vaihtelevalla tarkkuudella. Tulokset osoittivat, että malli oppi sijoittamaan yksinkertaisia geometrisia muotoja rajojen läheisyyteen, mutta muotojen yksityiskohtien generoinnissa oli haasteita. Sovellus osoitti potentiaalia alustavassa visualisoinnissa, mutta käytännön hyöty edellyttäisi jatkokehitystä, kuten laajempaa monipuolisempaa tietojoukkoa ja jälkikäsittelymenetelmiä. Urban planning increasingly utilizes digital tools to support complex design processes. In this thesis, a prototype application was developed to assist architectural and urban planning as a commission for the architectural firm Ark Brut Oy. The objective was to investigate the suitability of generative artificial intelligence and to produce a simple tool that achieves visualization, where buildings are fit into plot boundaries. The work utilized open geospatial data from the National Land Survey of Finland, the availability of which is supported by the EU’s Open Data Directive (2019/1024/EU).
In the prototype application, a generative adversarial network (GAN), specifically the Pix2Pix architecture, was used to perform an image-to-image translation. The model was trained on a dataset of image pairs consisting of plot boundaries and corresponding buildings from the matching area, collected from the National Land Survey’s APIs. The results showed that the model learned to place simple geometric shapes near plot boundaries, but the precision and detail remained limited. The application demonstrated potential for preliminary visualization, but its practical utility requires further development, such as a broader, more complex dataset and more refined post-processing methods.
Koulutettu malli tuotti rakennusten jalanjälkiä tonttien rajojen sisälle vaihtelevalla tarkkuudella. Tulokset osoittivat, että malli oppi sijoittamaan yksinkertaisia geometrisia muotoja rajojen läheisyyteen, mutta muotojen yksityiskohtien generoinnissa oli haasteita. Sovellus osoitti potentiaalia alustavassa visualisoinnissa, mutta käytännön hyöty edellyttäisi jatkokehitystä, kuten laajempaa monipuolisempaa tietojoukkoa ja jälkikäsittelymenetelmiä.
In the prototype application, a generative adversarial network (GAN), specifically the Pix2Pix architecture, was used to perform an image-to-image translation. The model was trained on a dataset of image pairs consisting of plot boundaries and corresponding buildings from the matching area, collected from the National Land Survey’s APIs. The results showed that the model learned to place simple geometric shapes near plot boundaries, but the precision and detail remained limited. The application demonstrated potential for preliminary visualization, but its practical utility requires further development, such as a broader, more complex dataset and more refined post-processing methods.