GEODETSKI VESTNIK | 65/4 | GEODETSKI VESTNIK UDK 528=863 ISSN 0351-0271 EISSN 1581-1328 Letnik 65, št. 4, str. 501–704, Ljubljana, december 2021. Izidejo štiri številke na leto. Naklada te številke: 1200 izvodov. Prosto dostopno na spletnem naslovu: http://www.geodetski-vestnik.com. Vol. 65, No. 4, pp. 501–704, Ljubljana, Slovenia, December 2021. Issued four times a year. Circulation: 1,200 copies. Free on-line access at http://www.geodetski-vestnik.com. IF JCR (2020): 0,551 IF SNIP (2020): 0,417 Geodetski vestnik je odprtodostopna revija. Recenzirani objavljeni clanki so indeksirani in povzeti v: Social Sciences Citation Index (SSCI) Social Scisearch (SSS) in Journal Citation Reports/Social Sciences Edition (JCR/SSE) Geodetski vestnik je indeksiran in povzet tudi v bibliografskih zbirkah: GEOBASE(TM), ICONDA – International Construction Database, DOAJ – Directory of Open Access Journals, SCOPUS, COBISS, Civil Engineering Abstracts, GeoRef, CSA Aerospace & High Technology Database, Electronics and Communications Abstracts, Materials Business File, Solid State and Superconductivity Abstracts, Computer and Information Systems, Mechanical & Transportation Engineering Abstracts, Water Resources Abstracts, Environmental Sciences Izdajanje Geodetskega vestnika sofinancira: Javna agencija za raziskovalno dejavnost Republike Slovenije. Geodetski vestnik je vpisan v razvid medijev na Ministrstvu za kulturo Republike Slovenije pod zaporedno številko 526. Geodetski vestnik is an open access journal. The reviewed papers are indexed and abstracted in: Social Sciences Citation Index (SSCI) Social Scisearch (SSS) and Journal Citation Reports/ Social Sciences Edition (JCR/SSE) Indexed and abstracted is also in those bibliographic data bases: GEOBASE(TM), ICONDA – International Construction Database, DOAJ – Directory of Open Access Journals, SCOPUS, COBISS, Civil Engineering Abstracts, GeoRef, CSA Aerospace & High Technology Database, Electronics and Communications Abstracts, Materials Business File, Solid State and Superconductivity Abstracts, Computer and Information Systems, Mechanical & Transportation Engineering Abstracts, Water Resources Abstracts, Environmental Sciences Geodetski vestnik is partly subsidized by the Slovenian Research Agency. Geodetski vestnik is entered in the mass media register at the Ministry of Culture of the Republic of Slovenia under No. 526. | 501 | | 65/4| GEODETSKI VESTNIK Copyright © 2021 Geodetski vestnik, Zveza geodetov Slovenije GLAVNA IN ODGOVORNA UREDNICA dr. Anka Lisec Univerza v Ljubljani, Fakulteta za gradbeništvo in geodezijo, Slovenija Jamova cesta 2, SI-1000 Ljubljana Tel.: +386 1 4768 560 e-naslov: urednik@geodetski-vestnik.com PODROCNI UREDNIKI Sandi Berk, urednik rubrike strokovne razprave dr. Božo Koler, podrocni urednik za inženirsko geodezijo dr. Mojca Kosmatin Fras, podrocna urednica za fotogrametrijo dr. Klemen Kregar, podrocni urednik za geodezijo dr. Božena Lipej, podrocna urednica za upravljanje in evidentiranje nepremicnin dr. Krištof Oštir, podrocni urednik za daljinsko zaznavanje in geoinformatiko dr. Bojan Stopar, podrocni urednik za satelitsko geodezijo in geofiziko dr. Alma Zavodnik Lamovšek, podrocna urednica za nacrtovanje in urejanje prostora MEDNARODNI UREDNIŠKI ODBOR dr. Ivan R. Aleksic (Univerza v Beogradu, Gradbena fakulteta, Beograd, Srbija) dr. Janja Avbelj (Eumetsat, Darmstadt, Nemcija) dr. Branislav Bajat (Univerza v Beogradu, Gradbena fakulteta, Beograd, Srbija) dr. Tomislav Bašic (Univerza v Zagrebu, Fakulteta za geodezijo, Zagreb, Hrvaška) dr. Giuseppe Borruso (Univerza v Trstu, DEAMS, Trst, Italija) Miran Brumec (Inženirska zbornica Slovenije) dr. Raffaela Cefalo (Univerza v Trstu, Oddelek za inženirstvo in arhitekturo, Trst, Italija) dr. Vlado Cetl (EK, Skupno raziskovalno središce, Ispra, Italija) dr. Joep Crompvoets (KU Leuven, Public Governance Institute, Leuven, Belgija) dr. Marjan Ceh (Univerza v Ljubljani, Fakulteta za gradbeništvo in geodezijo, Ljubljana, Slovenija) dr. Walter Timo de Vries (Tehniška univerza München, München, Nemcija) dr. Urška Demšar (Univerza St. Andrews, Velika Britanija) dr. Samo Drobne (Univerza v Ljubljani, Fakulteta za gradbeništvo in geodezijo, Ljubljana, Slovenija) mag. Erna Flogie Dolinar (Geodetska uprava RS, Ljubljana, Slovenija) dr. Thomas Kalbro (Kraljevi inštitut KTH, Stockholm, Švedska) dr. Dušan Kogoj (Univerza v Ljubljani, Fakulteta za gradbeništvo in geodezijo, Ljubljana, Slovenija) dr. Žiga Kokalj (ZRC SAZU, Inštitut za antropološke in prostorske študije, Ljubljana, Slovenija) dr. Miran Kuhar (Univerza v Ljubljani, Fakulteta za gradbeništvo in geodezijo, Ljubljana, Slovenija) dr. Reinfried Mansberger (Univerza za naravoslovne in biotehniške vede, IVFL, Dunaj, Avstrija) dr. Leiv Bjarte Mjűs (Visoka šola v Bergnu, Bergen, Norveška) dr. Gerhard Navratil (Tehniška univerza na Dunaju, Dunaj, Avstrija) Tomaž Petek (Geodetska uprava RS, Ljubljana, Slovenija) dr. Dušan Petrovic (Univerza v Ljubljani, Fakulteta za gradbeništvo in geodezijo, Ljubljana, Slovenija) dr. Alenka Poplin (Iowa State University, College of Design, Ames, Iowa, ZDA) dr. Andrea Podör (Univerza Óbuda, Székesfehérvár, Madžarska) dr. Anton Prosen (Ljubljana, Slovenija) dr. Dalibor Radovan (Geodetski inštitut Slovenije, Ljubljana, Slovenija) dr. Fabio Remondino (Fondazione Bruno Kessler, 3DOM, Trento, Italija) dr. Miodrag Roic (Univerza v Zagrebu, Fakulteta za geodezijo, Zagreb, Hrvaška) dr. Balázs Székely (Univerza Eötvösa Loránda, Budimpešta, Madžarska) dr. Bojan Šavric (ESRI Ltd, Redlands, Kalifornija, ZDA) dr. Maruška Šubic Kovac (Univerza v Ljubljani, Fakulteta za gradbeništvo in geodezijo, Ljubljana, Slovenija) dr. Joc Triglav (Geodetska uprava RS, Murska Sobota, Slovenija) dr. Mihaela Triglav Cekada (Geodetski inštitut Slovenije, Ljubljana, Slovenija) dr. Arvo Vitikainen (Univerza, Aalto, Finska) dr. John C. Weber (Grand Valley State College, Department of Geology, Allendale, Michigan, ZDA) dr. Klemen Zakšek (Rosen Group, Lingen, Nemcija) | 502 | GEODETSKI VESTNIK | 65/4 | EDITOR-IN-CHIEF Anka Lisec, Ph.D. University of Ljubljana, Faculty of Civil and Geodetic Engineering, Slovenia Jamova cesta 2, SI-1000 Ljubljana, Slovenia Phone: +386 1 4768 560 E-mail: editor@geodetski-vestnik.com FIELD AND SUB-FIELD EDITORS Sandi Berk, editor for the section Professional Discussions Božo Koler, Ph.D., field editor for Engineering Geodesy Mojca Kosmatin Fras, Ph.D., field editor for Photogrammetry Klemen Kregar, Ph.D., field editor for Survaying Božena Lipej, Ph.D., field editor for Real Estate Management and Recording Krištof Oštir, Ph.D., field editor for Remote Sensing and Geoinformatics Bojan Stopar, Ph.D., field editor for Satelite Geodesy and Geophysics Alma Zavodnik Lamovšek, Ph.D., field editor for Spatial Planning INTERNATIONAL EDITORIAL BOARD Ivan R. Aleksic, Ph.D. (University of Belgrade, Faculty of Civil Engineering, Belgrade, Serbia) Janja Avblej, Ph.D. (Eumetsat, Darmstadt, Germany) Branislav Bajat, Ph.D. (University of Belgrade, Faculty of Civil Engineering, Belgrade, Serbia) Tomislav Bašic, Ph.D. (University of Zagreb, Faculty of Geodesy, Zagreb, Croatia) Giuseppe Borruso, Ph.D. (University of Trieste, DEAMS, Trieste, Italy) Miran Brumec (Slovenian Chamber of Engineers) Raffaela Cefalo, Ph.D. (University of Trieste, Department of Engineering and Architecture, Trieste, Italy) Vlado Cetl, Ph.D. (EC, Joint Research Centre, Ispra, Italy) dr. Joep Crompvoets (KU Leuven, Public Governance Institute, Leuven, Belgium) Marjan Ceh, Ph.D. (University of Ljubljana, Faculty of Civil and Geodetic Engineering, Ljubljana, Slovenia) Walter Timo de Vries, Ph.D. (Technical University of Munich, München, Germany) Urška Demšar, Ph.D. (University of St. Andrews, St. Andrews, Scotland, United Kingdom) Samo Drobne, Ph.D. (University of Ljubljana, Faculty of Civil and Geodetic Engineering, Ljubljana, Slovenia) Erna Flogie Dolinar, M.Sc. (Surveying and Mapping Authority of the Republic of Slovenia, Ljubljana, Slovenia) Thomas Kalbro, Ph.D. (Royal Institute of Technology, Stockholm, Sweden) Dušan Kogoj, Ph.D. (University of Ljubljana, Faculty of Civil and Geodetic Engineering, Ljubljana, Slovenia) Žiga Kokalj, Ph.D. (ZRC SAZU, Institute of Anthropological and Spatial Studies, Slovenia) Miran Kuhar, Ph.D. (University of Ljubljana, Faculty of Civil and Geodetic Engineering, Ljubljana, Slovenia) Reinfried Mansberger, Ph.D. (University of Natural Resources and Life Sciences, IVFL, Vienna, Austria) Leiv Bjarte Mjűs, Ph.D. (Bergen University College, Bergen, Norway) Gerhard Navratil, Ph.D. (Vienna Technical University, Vienna, Austria) Tomaž Petek (Surveying and Mapping Authority of the Republic of Slovenia) Dušan Petrovic, Ph.D. (University of Ljubljana, Faculty of Civil and Geodetic Engineering, Ljubljana, Slovenia) Alenka Poplin, Ph.D. (Iowa State University, College of Design, Ames, Iowa, USA) Andrea Podör, Ph.D. (Óbuda Univerity, Székesfehérvár, Hungary) Anton Prosen, Ph.D. (Ljubljana, Slovenia) Dalibor Radovan, Ph.D. (Geodetic Institute of Slovenia, Ljubljana, Slovenia) Fabio Remondino, Ph.D. (Fondazione Bruno Kessler, 3DOM, Trento, Italy) Miodrag Roic, Ph.D. (University of Zagreb, Faculty of Geodesy, Zagreb, Croatia) Balázs Székely, Ph.D. (Eötvös Loránd University, Budapest, Hungary) Bojan Šavric, Ph.D. (ESRI Ltd, Redlands, California, USA) Maruška Šubic Kovac, Ph.D. (University of Ljubljana, Faculty of Civil and Geodetic Engineering, Ljubljana, Slovenia) Joc Triglav, Ph.D. (Surveying and Mapping Authority, Murska Sobota, Slovenia) Mihaela Triglav Cekada, Ph.D. (Geodetic Institute of Slovenia, Ljubljana, Slovenia) Arvo Vitikainen, Ph.D. (Alto University, Finland) John C. Weber, Ph.D. (Grand Valley State College, Department of Geology, Allendale, Michigan, USA) Klemen Zakšek, Ph.D. (Rosen Group, Lingen, Nemcija) Copyright © 2021 Geodetski vestnik, Association of Surveyors of Slovenia | 503 | | 65/4| GEODETSKI VESTNIK IZDAJATELJ Zveza geodetov Slovenije Zemljemerska ulica 12, SI-1000 Ljubljana, Slovenija e-naslov: info@geodetski-vestnik.com IZDAJATELJSKI SVET mag. Gregor Klemencic, predsednik Zveza geodetov Slovenije mag. Erna Flogie Dolinar, Zveza geodetov Slovenije dr. Anka Lisec, glavna in odgovorna urednica Sandi Berk, urejanje rubrike Strokovne razprave dr. Mojca Foški, tehnicno urejanje in oblikovanje TEHNICNO UREJANJE IN OBLIKOVANJE dr. Mojca Foški, e-naslov: mojca.foski@fgg.uni-lj.si Barbara Trobec, e-naslov: barbara.trobec@fgg.uni-lj.si dr. Teja Koler Povh, e-naslov: teja.povh@fgg.uni-lj.si LEKTORIRANJE Manica Baša UREJANJE SPLETNIH STRANI dr. Klemen Kozmus Trajkovski e-naslov: web@geodetski-vestnik.com TISK SIMPRO d.o.o., Brezovica DISTRIBUCIJA mag. Janez Goršic, e-naslov: janez.gorsic@fgg.uni-lj.si TRŽENJE (OGLASNO TRŽENJE) Zveza geodetov Slovenije Zemljemerska ulica 12, SI-1000 Ljubljana e-naslov: zveza.geodetov.slovenije@gmail.com NAVODILA AVTORJEM http://www.geodetski-vestnik.com PUBLISHER Association of Surveyors of Slovenia Zemljemerska ulica 12, SI-1000 Ljubljana, Slovenia e-mail: info@geodetski-vestnik.com PUBLISHING COUNCIL Gregor Klemencic M.Sc, president and Erna Flogie Dolinar, M.Sc., the Association of Surveyors of Slovenia Anka Lisec, Ph.D., editor-in-chief Sandi Berk, editor of the section Professional Discussions Mojca Foški, Ph.D., technical editor and design TECHNICAL EDITOR AND DESIGN Mojca Foški, Ph.D., e-mail: mojca.foski@fgg.uni-lj.si Barbara Trobec, e-mail: barbara.trobec@fgg.uni-lj.si Teja Koler Povh, Ph.D., e-mail: teja.povh@fgg.uni-lj.si SLOVENE PROOFREADING Manica Baša WEB PAGE EDITING Klemen Kozmus Trajkovski, Ph.D. e-mail: web@geodetski-vestnik.com PRINT SIMPRO d.o.o., Brezovica DISTRIBUTION Janez Goršic, M.Sc., e-mail: janez.gorsic@fgg.uni-lj.si MARKETING (ADVERTISING) Association of Surveyors of Slovenia Zemljemerska ulica 12, SI-1000 Ljubljana, Slovenia e-mail: zveza.geodetov.slovenije@gmail.com INSTRUCTIONS FOR AUTHORS http://www.geodetski-vestnik.com | 504 | VSEBINA CONTENTS UVODNIK | EDITORIAL Anka Lisec NAVDIHUJOCE INSPIRING 507 Gregor Klemencic SRECA, ZDRAVJE IN DUŠEVNI MIR HAPPINESS, GOOD HEALTH, AND PEACE OF MIND 511 RECENZIRANI CLANKI | PEER-REVIEWED ARTICLES Melita Ulbl, Andraž Muhic 513 UPORABA SREDNJIH MER ZA POJASNJEVANJE CEN NA TRGU NEPREMICNIN THE USE OF MEAN VALUES FOR REPORTING REAL ESTATE PRICES Gregor Cok, Samo Drobne, Gašper Mrak, Mojca Foški, Alma Zavodnik Lamovšek 533 VPLIV CENTRALIZACIJE DELOVNIH MEST IN POSLOVNIH SUBJEKTOV NA PROSTORSKI RAZVOJ THE IMPACT OF THE CENTRALISATION OF WORKPLACES AND BUSINESS ENTITIES ON SPATIAL DEVELOPMENT Simon Šanca, Krištof Oštir, Alen Mangafic 559 ZAZNAVANJE STAVB Z UPORABO NEVRONSKIH MREŽ, UCENIH S PRENOSOM ZNANJA BUILDING DETECTION WITH CONVOLUTIONAL NETWORKS TRAINED WITH TRANSFER LEARNING Robert Klinc, Uroš Jotanovic, Klemen Kregar 594 OBLAKI TOCK ZA UPORABO V INFORMACIJSKIH MODELIH GRADENJ (BIM) POINT CLOUDS FOR USE IN BUILDING INFORMATION MODELS (BIM) STROKOVNE RAZPRAVE | PROFESSIONAL DISCUSSIONS Sandi Berk 615 ITRS-SI – BREZPLACNI PROGRAM ZA TRANSFORMACIJE MED SLOVENSKIMI IN MEDNARODNIMI TERESTRICNIMI REFERENCNIMI SESTAVI ITRS-SI – A FREEWARE TOOL FOR TRANSFORMATIONS BETWEEN THE SLOVENIAN AND INTERNATIONAL TERRESTRIAL REFERENCE FRAMES Matevž Ahlin 622 URADNI PODATKI O DEJANSKI RABI ZEMLJIŠC AUTHORITATIVE LAND COVER DATA Andreja Švab Lenarcic 630 ZELO VISOKOLOCLJIVI SATELITSKI POSNETKI KOT DOPOLNILA K DRŽAVNIM ORTOFOTOM (DOF) VERY HIGH-RESOLUTION SATELLITE IMAGES AS SUPPLEMENTS TO STATE ORTHOPHOTOS Miran Ferlan, Anka Lisec, Jernej Tekavec, Miran Janežic, Helena Žnidaršic, Samo Drobne 638 IZZIVI RAZVOJA INFORMACIJSKE REŠITVE V PODPORO UPRAVLJANJU NEPREMICNIN JAVNIH INŠTITUCIJ CHALLENGES OF INFORMATION SOLUTION DEVELOPMENT IN SUPPORT OF PUBLIC INSTITUTIONS’ FACILITY MANAGEMENT Joc Triglav 646 KATASTRSKE IZMERE V PREKMURJU – ZGODOVINSKI ZAPISI CADASTRAL MEASUREMENTS IN PREKMURJE – HISTORICAL NOTES Dušan Kogoj 654 STALNA RAZSTAVA ZBIRKE GEODETSKIH INSTRUMENTOV NA FAKULTETI ZA GRADBENIŠTVO IN GEODEZIJO UNIVERZE V LJUBLJANI PERMANENT EXHIBITION OF SURVEYING INSTRUMENTS COLLECTION AT THE FACULTY OF CIVIL AND GEODETIC ENGINEERING, UNIVERSITY OF LJUBLJANA NOVICE IZ STROKE | NEWS FROM THE FIELD 663 DRUŠTVENE NOVICE | NEWS FROM SOCIETIES RAZNO | MISCELLANEOUS DIPLOME IN MAGISTERIJI NA ODDELKU ZA GEODEZIJO UL FGG, OD 1. 8. 2021 DO 31. 10. 2021 NAJAVA 50. GEODETSKEGA DNE Slika na naslovnici: Logotip poletne šole Opazovanje Zemlje in umetna inteligenca v gozdarstvu, ki so jo med 20. in 24. septembrom organizirali Evropska vesoljska agencija, Ministrstvo za gospodarski razvoj in tehnologijo Republike Slovenije in Fakulteta za gradbeništvo in geodezijo Univerze v Ljubljani. © Copernicus Sentinel, obdelava UL FGG in ZRC SAZU, ozadje Aleš Zdešar. NAVDIHUJOCE INSPIRING Anka Lisec glavna in odgovorna urednica | Editor-in-chief Dragi bralci in bralke Geodetskega vestnika! Navdihujoce je prebirati vsebino letošnje praznicne decembrske številke! Prinaša mnogo kakovostnih prispevkov iz znanosti in stroke, pa tudi porocila z zanimivih strokovnih in društvenih dogodkov. Upam, da boste v zimskih dneh našli cas za njeno listanje. Verjamem, da se bo za vsakogar našlo kaj zanimivega. V prvi številki Geodetskega vestnika letnika 2014, ko sem prevzela vlogo glavne in odgovorne urednice, sem s kanckom negotovosti pisala o »prvih korakih«. Z veseljem ugotavljam, da je Geodetski vestnik ohranil in celo okrepil vlogo medija za deljenje najnovejših raziskovalnih dognanj, razvojnih dosežkov in novosti v stroki – tako v Sloveniji kot tudi širše v mednarodnem prostoru. Mednarodna vpetost revije je v dobi globalizacije in internacionalizacije izrednega pomena, saj se v sodobnem svetu vse pogosteje srecujemo z družbenimi izzivi, ki niso omejeni na eno državo, regijo. Naj jih omenim le nekaj: cezmejna mobilnost in promet, turizem, varovanje okolja, podnebne spremembe, upravljanje tveganj, ukrepanje ob elementarnih nesrecah in podobno niso izzivi, omejeni na državo, am-pak so mednarodni izzivi in zahtevajo mednarodno sodelovanje. Za našo stroko je poleg tega velik izziv izredno hiter tehnološki razvoj – še pred desetimi leti so mnogi nejeverno zmajevali z glavo ob razpravah, da bi lahko satelitski podatki postali pomemben vir uradnih prostorskih podatkov ... Da ne omenjam možnosti zajemanja podatkov za topografsko modeliranje z daljinsko vodenimi letalniki ali mobilnimi terestricnimi sistemi! Za uspešno spopadanje s takšnimi izzivi ne smemo ostati le tihi opazovalci. Lahko smo pomemben dejavnik v preoblikovanju stroke in s tem tudi v ustvarjanju sodobnega sveta. Pri vseh teh izzivih upam, da Geodetski vestnik vidimo kot pomemben medij za izmenjavo informacij med raziskovalci, ob hkratni vlogi pomembnega prenašalca novega znanja v javne službe in gospodarstvo. Mednarodna vpetost Geodetskega vestnika je zahtevala in še zahteva, da objavljamo raziskovalne clanke tudi v angleškem jeziku. Tako na eni strani zagotovimo odmevnost rezultatov domacih raziskovalcev, na drugi strani pa ponudimo širši mednarodni strokovni javnosti možnost, da izjemne raziskovalne rezultate deli z nami. A pri tem smo poskusili ostati zvesti tudi slovenskemu jeziku. Vcasih se sploh ne zavedamo, kako pomembna sta negovanje jezika in razvoj strokovne terminologije v maternem jeziku. V spominu mi veckrat odmevajo besede eminentnega profesorja iz tujine, ki je dejal, da obstajajo trije kljucni pogoji za samostojnost in razvoj stroke v posamezni državi ter mednarodno konkurencnost. To so: (i) kakovosten izobraževalni in raziskovalni program, (ii) kakovostna strokovna revija in (iii) razvita gospodarska dejavnost. Ob zakljucku osemletnega vodenja uredništva Geodetskega vestnika ne morem mimo njegove tradici­onalne vloge. Geodetski vestnik je namrec od vsega zacetka, ki sega v daljno leto 1953, pomemben z vidika informiranja širše strokovne javnosti o novostih v stroki in društveni dejavnosti. Z vašo pomocjo nam je uspelo ohraniti pomembno društveno-informativno vlogo vestnika. Ta vidik je bil od nekdaj eden pomembnih temeljev naše uredniške ekipe, ceravno ni veliko znanstvenih revij, ki vkljucujejo te rubrike. Prepricana sem, da je ravno vsebinska pestrost Geodetski vestnik še bolj približala bralcem in piscem zanimivih vrstic. Zahvaljujem se vsem vam, ki ste sodelovali in pomagali pri nastajanju posameznih številk Geodetskega vestnika! S skupnimi prizadevanji in mocmi smo skrbeli za njegovo dobro »kondicijo«. Tako smo skupaj poskrbeli, da lahko z dobrimi obcutki predamo delo ekipi, ki prihaja za krmilo uredništva. Novi uredniški ekipi želim prenesti popotnico, ki sem jo konec leta 2013 dobila od svojega predhodnika, dr. Antona Prosena, glavnega in odgovornega urednika Geodetskega vestnika v obdobju 2003–2013. Ravno on je najbolj zaslužen za to, da je Geodetski vestnik postal priznana mednarodna revija in hkrati ostal povezovalni clen v naši stroki v Sloveniji: »Naslednikom svetujem: bodite dovolj odgovorni do preteklih generacij in dedišcino spoštujte, jo bogatite in razvijajte.« Navdih išcite v priložnostih, ki se ponujajo naši stroki – ni jih malo! V imenu uredništva in v svojem imenu vam ob tej priložnosti, tokrat še v vlogi glavne in odgovorne urednice Geodetskega vestnika, želim lepe praznike in vse dobro v letu 2022! Dear Readers of Geodetski vestnik, How inspiring it is to read this years' festive December issue of the journal. You will be able to find numerous high-quality scientific and professional papers, as well as reports from numerous interesting professional and societal events. Confident there is something for everybody, I hope you will devote a few cold winter hours to its pages. In 2014, when I became the editor-in-chief of the journal, I wrote, with a slight sense of insecurity, about ‘the first steps’. I am glad to observe that Geodetski vestnik has retained and even strengthened its role as a publication that spreads the latest scientific knowledge, developments, and professional achievements – in Slovenia and internationally. In the age of globalisation and internationalisation, firm connections among international players are of utmost importance – modern societies pose challenges that are not limited to one country or to one region. Allow me to mention only a few: cross-border mobility and transport, tourism, environmental protection, climate change, risk management, natural disaster management, and similar do not pose challenges for individual countries. They are international by character and call for international coope­ration. Another major challenge for our profession is extremely rapid technological development. As recently as ten years ago, many were shaking their heads in disbelief at the mention that satellite data might become an important source of official spatial data, let alone the possibility of data capture for topographic models with unmanned aerial vehicles or mobile terrestrial systems. One does not handle such challenges merely as a silent bystander. We can be an important driving force in the transforma­tion of the profession, also in the creation of a modern world. Considering all the above-mentioned challenges, I hope that we appreciate Geodetski vestnik as a vital means for the exchange of information between scientists, plus an effective channel for the transfer of current knowledge into public services and the private sector. International engagement of Geodetski vestnik continues to call for the publication of professional papers in English. This enables the spread of national scientific results, and a wider international professional public is given an opportunity to share their scientific achievements with us. At the same time, we have also strived to remain loyal to the Slovene language. Sometimes we are not fully aware how important it is to nurture one's language and the development of professional terms in the mother tongue. I often recall the words of an eminent professor from another country, who maintained that there are three key conditions for an independence and the development of a profession in its country and its international competitiveness: (i) a high-quality educational and research programme; (ii) a high-quality professional journal, and (iii) well-developed economic activity. As my eight years as the editor of Geodetski vestnik are coming to their end, I cannot avoid the mention of its traditional role. From the very beginning, which stretches back into 1953, Geodetski vestnik has been important for informing the wider professional public and providing it with news from the field and its societies. You have helped us retain an important role for the functioning of professional societies. Not many scientific journals include such themes; nevertheless, they have always been a very important foundation of our editorial policy. I am positive that the rich subject matter of Geodetski vestnik substan­tially contributes to bringing the journal even closer to the readers and authors of refreshing submissions. I would like to express my sincere thanks to everybody who has contributed and made every single issue of the journal a reality. Geodetski vestnik has remained ‘fit as a fiddle’ only thanks to our collective endeavours and our combined strength. Everybody has taken care that we can pass the work to a new editorial team with confidence. I would like to pass on to a new editorial team words of farewell, which I received from my predecessor, Anton Prosen, Ph.D., who held the position of editor-in-chief from 2003 to 2013. He deserves the greatest credit for making Geodetski vestnik a reputable international journal, which remained a unifying force in our professional field in Slovenia: ‘Here is a piece of advice to my successors: retain a sufficient level of responsibility towards preceding generations and cherish your heritage, enriching and developing it.’ Search for inspiration in opportunities presenting itself in our profession – there are ample. Allow me to use this opportunity and, for the last time as the editor-in-chief of Geodetski vestnik, to say goodbye with the best wishes for the festive season and 2022! SRECA, ZDRAVJE HAPPINESS, GOOD HEALTH, IN DUŠEVNI MIR AND PEACE OF MIND Gregor Klemencic predsednik Zveze geodetov Slovenije | president of the Association of Surveyors of Slovenia Obcutek imam, da sem ravno koncal uvodnik za prvo številko Geodetskega vestnika v letošnjem letu, že je tu zadnja letošnja številka. Hitro smo se znašli v praznicnem decembru, mesecu, ki nam prinaša radost, veselje, upanje. Vse to še kako potrebujemo v teh zahtevnih casih, ko nam primanjkuje pozitivne energije in optimizma. December je tudi cas, ko naredimo inventuro svojega dela na poslovnem in oseb­nem podrocju. Vsak pri sebi imamo gotovo veliko ciljev, ki jih želimo doseci v enem letu. Doseci na sebi lasten nacin, ko se pri premagovanju ovir za njihovo uresnicitev bogatimo in krepimo. S tem rastemo in se veselimo vsakega uspeha. Toliko bolj, ce cilj ni dosežen na prevec lahek nacin in nas z vsemi svojimi izziv izpopolni. Preprican sem, da so bili letošnji cilji malo drugacni, nekaj posebnega. Tudi njihovo doseganje je od nas zahtevalo drugacno izbiro poti. Poleg službenih in ostalih poslovnih obveznostih casi, v katerih živimo, prinašajo veliko posebnih okolišcin predvsem na osebnem podrocju. Še posebej vsem, ki imamo mlajše šoloobvezne otroke. Nepredvidljive situacije iz tedna v teden terjajo od nas veliko prilagajanja in usklajevanja dnevnih obveznosti. Ob tem tako dolgo trajajocem obdobju negotovosti prav obcudujem otroke, kako so kljub otroški ranljivosti že mocni in pozitivno razmišljajoci. Pri nas odraslih je vse prevec pesimizma in družbene razdvojenosti, zato bi se morali v takih casih marsicesa nauciti od otrok. Se bolj povezati kot družba in krepiti medsebojne odnose, enako, kot se otroci veselijo preživljanja skupnega casa v šoli in vrtcu. Leto 2022 je pred vrati. Tudi vanj vstopamo z novim upanjem in pricakovanji, kaj nam bo prineslo. V geodetski stroki bo rodilo veliko novega, predvsem pa poslovnih izzivov in priložnosti, ki jih bomo morali izkoristiti. Nekaj posebnega bo tudi zato, ker bomo praznovali jubilejni, že 50. Geodetski dan. Dogodka se veselim z neizmerno željo, da nam bodo razmere naklonjene in nam bodo omogocale izvedbo v živo. Verjamem, da je to želja vseh nas in da je dovolj mocna, da nam to uspe. Prisrcno vas vabim, da se ga udeležite in jubilej zaznamujete tudi s svojo prisotnostjo. Obstaja cudovit, skrivnosten zakon narave, v skladu s katerim tri reci, po katerih v življenju najbolj hrepenimo – sreco, zdravje in duševni mir – pridobimo le tako, da jih nekomu podarimo. V letu, ki prihaja, jih podarite tudi vi. Naj bo leto 2022 cim bolj zdravo, poživljajoce, srecno, povezovalno in uspešno tudi za vas. With the still fresh impression that my editorial for this year's first issue of Geodetski vestnik was just finished, I am writing the one for the last issue in 2021. With its festive season, which brings joy, happi­ness, and hope, December has suddenly arrived. These are demanding times – they require much positive energy and optimism, and we definitely need all of the above. December is also when one makes an inventory of their professional and personal endeavours. Undoubtedly, everybody sets themselves goals they want to achieve in a year. Everybody chooses their path, each with different obstacles, which only enrich and strengthen us by our overcoming them. This is how one grows; this is how one enjoys every success. This is even more true if the goal is not attained too easily and our expectations are fulfilled. I am positive that this year's goals were slightly different, that they were special. We had to pursue changed paths to reach them. Present times do not pose only professional and business challenges – they have also left a deep mark in our personal lives. This has been especially true for people with school-age children. The situation has been unpredictable and volatile, which calls for a great deal of flexibility and skilful handling of day-to­day chores. One cannot help but admire the children and the strength and positive attitudes they have cultivated throughout this long period of uncertainty. Pessimism and social divisions are too widespread among grown-ups; perhaps we should start learning from our children. We should connect as a society and strengthen our relations, like the children who look forward to spending their time together in a school or a nursery. The year 2022 is here. We are entering it with high hopes, eagerly expecting what it may bring. Much new will be born in the surveying profession, bringing numerous business challenges and plenty of oppor­tunities for us to seize. In particular, it will be special because our Surveyors' Day is celebrating its 50th anniversary. I am really looking forward to the event, fervently wishing the situation be favourable and will allow in-person meetings. I believe that we share the same desire, and hope is strong enough to bear fruit. You are cordially invited to attend and enhance the visibility of the anniversary with your presence. A wonderful and mysterious law of nature stipulates that there are three things we strive for in our lives – happiness, good health and peace of mind. There is only one guarantee to gain them – by giving to others. Be among the givers in the coming year. I wish that your 2022 will be healthy, invigorating, happy and consolidating. UPORABA SREDNJIH MER THE USE OF MEAN VALUES ZA POJASNJEVANJE CEN NA FOR REPORTING REAL ESTATE TRGU NEPREMICNIN PRICES Melita Ulbl, Andraž Muhic UDK: 332.6/.7 Klasifikacija prispevka po COBISS.SI: 1.04 Prispelo: 27. 4. 2021 Sprejeto: 19. 9. 2021 IZVLECEK Pravilno in nedvoumno porocanje o stanju trga nepremicnin je ena glavnih zahtev za zagotavljanje njegove preglednosti. Pri tem je poseben izziv porocanje o cenah nepremicnin, ki se realizirajo na trgu. V ta namen se praviloma uporabljajo srednje vrednosti cen nepremicnin, kjer pa morata tako porocevalec kot bralec dobro poznati zakonitosti posameznih vrst srednjih vrednosti na eni strani ter posebnosti heterogenosti nepremicninskega trga na drugi strani. V prispevku predstavljamo posebnosti posameznih mer srednjih vrednosti, ki se lahko uporabljajo v ta namen. Predstavljena je tudi problematika neupoštevanja vplivov vseh lastnosti nepremicnin na njihovo ceno. Te posebnosti so tudi podrobneje analizirane in predstavljene na primeru trga stanovanjskih hiš v Sloveniji. Namen prispevka je predstaviti dileme, s katerimi se srecujemo v Sloveniji pri porocanju o cenah nepremicnin na trgu, s tem pa tudi predstavljamo rešitve, ki jih bo Geodetska uprava RS zacela uvajati v svojih porocilih o trgu nepremicnin. DOI: 10.15292/geodetski-vestnik.2021.04.513-532 PROFESSIONAL ARTICLE Received: 27. 4. 2021 Accepted: 19. 9. 2021 ABSTRACT The proper and unambiguous reporting of the real estate market is one of the main requirements for ensuring its transparency. Reporting on the prices of real estate realised on the market is a special challenge here. For this purpose, averages are generally used, requiring both the reporter and the reader to be well acquainted with the rules of individual types of averages on the one hand and the specificities and heterogeneity of the real estate market on the other. In this paper, we present the specifics of individual mean values that can be used for this purpose. These characteristics are analysed in more detail and presented in the case of the Slovenian housing market. The purpose of this paper is to present the dilemmas faced in Slovenia when reporting on real estate prices on the market and present the solutions that the Surveying and Mapping Authority of the Republic of Slovenia will begin to introduce in its reports on the real estate market. KLJUCNE BESEDE KEY WORDS mediana, povprecje, aritmeticna sredina, geometrijska sredina, median, average, geometric mean, real estate market, trg nepremicnin, hiše houses 1 UVOD Pri porocanju o stanju trga nepremicnin se mnogokrat srecujemo z izzivi, kako jasno in nedvoumno predstaviti znacilnosti trga nepremicnin (Gloudemans, 1999). Pri porocanju o cenah nepremicnin na nepremicninskem trgu se uporabljajo razlicne statisticne metode analize podatkov, predvsem navedba srednjih vrednosti, kot so aritmeticna sredina (op. uporablja se tudi termin povprecje), mediana in geometrijska sredina (IAAO, 2017). Ob tem pa niso upoštevani vplivi lastnosti nepremicnin na ceno. Najpogosteje je upoštevana le lokacija kot najpomembnejši parameter, vendar še ta le v okviru vecjih obmocij (celotna mesta). Ostali pomembni vplivi (predvsem velikost in starost, površine pripadajocih zemljišc) so navedeni le v obliki srednjih mer. V Sloveniji je na voljo nekaj portalov (npr. Finance, 2020), ki navajajo povprecne cene posamezne vrste nepremicnin v nekem obdobju. Informacije, po kolikšni ceni so na nekem obmocju dostopne posame­zne vrste nepremicnin, so torej izredno zanimive za širšo javnost. Najvec podatkov o trgu nepremicnin navajajo porocila o nepremicninskem trgu Geodetske uprave RS, ki periodicno izhajajo od leta 2007. To je najbolj obširna in pregledna zbirka porocil o dogajanju na trgu nepremicnin v Sloveniji (GURS, 2018). Podlaga za izdelavo porocil so pregledane transakcije nepremicnin ter obdelani podatki o teh tran­sakcijah, za kar je zadolžena Geodetska uprava RS (Portal množicnega vrednotenja nepremicnin, 2021). Pri porocanju o cenah nepremicnin na trgu se tudi Geodetska uprava RS srecuje z vrsto dilem, kako najbolj kakovostno predstaviti znacilnosti realiziranih cen. Tako imenovana povprecna cena nepremicnin naj bi pomenila ceno nepremicnin, za katero naj bi bila voljan kupec in voljan prodajalec pripravljena skleniti kupoprodajni posel za nepremicnino na nekem obmocju v nekem obdobju (Nagode, 1999; Okroglic, 2004). Na podlagi tega cilja izbiramo najustreznejšo mero srednje vrednosti, pri cemer zaradi porazdelitve cen kupoprodajnih poslov naletimo na številne ovire. Mnogi avtorji (Ulbl, Štembal in Smodiš, 2016; Ohnishi et al., 2010) navajajo, da tako cene kot tudi najemnine za nepremicnine niso porazdeljene po normalni porazdelitvi, zato se aritmeticna sredina, geometrijska sredina in mediana razlikujejo. V prispevku se osredotocamo na možnosti uporabe razlicnih vrst srednjih mer v ta namen. Najprej podrobno predstavljamo osnovne statisticne metode in srednje vrednosti, ki jih lahko uporabljamo pri porocanju o cenah nepremicnin na trgu. Obravnavane srednje mere nato na primeru stanovanjskih hiš v Sloveniji podrobneje predstavimo, pri cemer je glavni namen predvsem predstaviti posebnosti posameznih srednjih mer – tudi z vidika posebnosti samega trga. Do nedavnega se je v porocilih kot srednja mera za ceno nepremicnin najpogosteje navajala aritmeticna sredina oziroma utežena aritmeticna sredina. Podrobnejše analize porazdelitev cen nepremicnin pa v povezavi z vsebino in namenom pojasnjevanja napovedujejo nekatere spremembe, kar posebej obravnavamo pri predstavitvi rezultatov in v sklepnih ugotovitvah. 2 NAJPOGOSTEJŠE SREDNJE VREDNOSTI V tem poglavju podrobneje predstavljamo pojem normalne porazdelitve ter najpogostejše mere sre­dnjih vrednosti, ki se uporabljajo v statistiki. Srednje vrednosti nadalje predstavljamo na primeru trga stanovanjskih hiš v Sloveniji, ki smo ga izbrali za razpravo o primernosti uporabe srednjih vrednosti cen pri porocanju o trgu nepremicnin. Heterogenost trga nepremicnin ter ustreznost uporabe mer srednjih vrednosti za cene posebej obravnavamo za obmocje Ljubljane. Srednje vrednosti spadajo med najpomembnejše statistike in veliko povedo o populaciji. Kadar je vzorec slucajen, izracunamo izbrano mero centralne tendence in iz nje sklepamo na srednjo vrednost populacije. Med najpogostejše srednje vrednosti spadajo povprecje oziroma aritmeticna sredina, mediana, modus in geometrijska sredina. Pri srednjih vrednostih, predvsem pri aritmeticni sredini, obstaja velika nevarnost, da jih uporabimo takrat, ko to ni ustrezno (Košmelj, 2007). Povprecje je najpogosteje racunana mera srednje vrednosti. Nacin izracunavanja povprecja je odvisen od vrste podatkov. Na izracun povprecja vplivajo vse vrednosti spremenljivke. Za izracun povprecja so v uporabi trije nacini izracunavanja: aritmeticna sredina, ki je najpogosteje enacena z izrazom povprecje, geometrijska sredina in harmonicna sredina (Košmelj, 2007). Aritmeticna sredina se uporablja predvsem pri simetricno porazdeljenih podatkih. Izjemno velike oziroma majhne vrednosti, imenovane osamelci, mocno vplivajo na vrednost aritmeticne sredine. Ce so v podatkih osa­melci, je smiselno aritmeticno sredino izracunati z osamelci in brez njih (modificirano). Izracunamo jo po enacbi: 1 n x = n . i = 1 xi (1) Geometrijska sredina se izracuna po enacbi: 1 n n cg = (. xi ) (2) i = 1 Pri tem je bistveno, da morajo biti vse vrednosti spremenljivke pozitivne. Logaritem geometrijske sredine je enak aritmeticni sredini logaritmiranih vrednosti (Košmelj, 2007). Harmonicna sredina vrednosti x1, x2, ... , xn se izracuna po enacbi (Košmelj, 2007): 11 1 . 1 n 1 .- 1 n , ,..., oziroma H =.·. .= (3) i = 11 1 xx 2 xn . n xi . . in = 1 x i Mediana razdeli vse vrednosti spremenljivke, razvršcene po velikosti, na dva dela, polovica je nižjih, druga polovica pa višjih od mediane. Mediana ni obcutljiva za posamezne vrednosti spremenljivk, dokler je vrednost spremenljivke na isti strani mediane (Košmelj, 2007). Modus predstavlja najpogosteje pojavljajoco se vrednost spremenljivke. Mogoce ga je dolociti pri soraz­merno velikem vzorcu, en vzorec ima lahko vec kot en modus (Košmelj, 2007). Veliko lastnosti v naravi se porazdeljuje po normalni ali Gaussovi porazdelitvi. Vse srednje vrednosti pri normalno porazdeljenih podatkih podajo podoben rezultat, pri majhnih odstopanjih od normalne porazdelitve so razlike minimalne, kadar pa je odstopanje od normalne porazdelitve vecje, nastajajo tudi vecje razlike med srednjimi vrednostmi. Modus se za pojasnjevanje podatkov pojavlja najmanj, zato ga v nadaljevanju opušcamo. Harmonicna sredina se najpogosteje uporablja za izracun povprecja koeficientov (Košmelj, 2007), zaradi cesar za potrebe pojasnjevanja cen nepremicnin ni primerna. Zato bomo tudi to srednjo mero v nadaljevanju opustili. Za približno normalno porazdeljene podatke je najustreznejša mera srednje vrednosti aritmeticna sredina. O samih podatkih med srednjimi vrednostmi aritmeticna sredina obicajno pove najvec, saj na izid povprecja vpliva vsaka posamezna vrednost, medtem ko na mediano vpliva le odnos vrednosti glede na mediano. Vedno se pojavlja vprašanje, katera srednja mera je ustreznejša. Zaradi tega je velika želja po podatkih, ki so normalno porazdeljeni. 3 UPORABA SREDNJIH VREDNOSTI NA PODROCJU TRGA STANOVANJSKIH HIŠ V prispevku posebej obravnavamo uporabo srednjih vrednosti za porocanje o cenah na trgu stanovanjskih hiš v Sloveniji. Stanovanjske hiše s svojimi lastnostmi so izredno heterogene, kar se odraža tudi na hete­rogenosti trga nepremicnin, s tem pa tudi na cenah, ki se realizirajo na trgu (Ulbl et al., 2021). Podatki o trgu nepremicnin, to je o cenah stanovanjskih hiš, so podatki, s katerimi razpolaga Geodetska uprava RS v okviru sistema množicnega vrednotenja nepremicnin. Za namen tega prispevka smo izbrali transakcije oziroma realizirane cene stanovanjskih hiš na obmocju celotne Slovenije za obdobje med letoma 2015 in 2020. Skupno je bilo upoštevanih 15.662 prodaj hiš, ki so v Evidenci trga nepremicnin oznacene kot tržne. Slika 1 prikazuje porazdelitev cen hiš na obmocju celotne Slovenije za obdobje med letoma 2015 in 2020, pri cemer je zaradi lažjega prikaza iz izrisa odstranjenih 21 prodaj hiš s cenami, višjimi od 1.000.000 EUR. Upoštevanih je 15.662 prodaj hiš, ki so v Evidenci trga nepremicnin oznacene kot tržne. Slika 1: Porazdelitev cen nepremicnin (prikazane so le cene hiš, nižje od 1.000.000 EUR). Slika 2: Porazdelitev logaritma cen hiš. Na sliki je prikazano, da verjetnostna funkcija za cene hiš nima oblike Gaussove krivulje. Porazdelitev je asimetricna v desno z zelo dolgim repom, kar je posledica nekaj prodaj hiš z izredno visokimi cenami. Takšni mocno odstopajoci podatki se v statistiki imenujejo osamelci (angl. outliers). Ob podrobnem vpogledu v podatke je bilo med analiziranimi podatki 18 hiš s ceno, višjo od 1.000.000 EUR, najvišja izmed cen je znašala nekaj vec kot 3.000.000 EUR. Iz takšnega grafa je težko prebrati ustrezno mero srednje vrednosti. Slika 1 nakazuje, da bi cena hiš lahko bila porazdeljena lognormalno, zato poglejmo še porazdelitev logaritma cene. Iz slike vidimo, da bi bil logaritem cen lahko porazdeljen normalno, posledicno je cena porazdeljena lognormalno. Glede na porazdelitev bi bila ustrezna mera sredine aritmeticna sredina logaritma cene, ki se izracuna po (Košmelj, 2007): ”= 1 . n ln ci , (4) I = 1 n kjer je ci cena i-te hiše, n število prodaj n = 15.662 ter ” aritmeticna sredina logaritma cen. Aritmeticna sredina logaritma cen predstavlja logaritmirano geometrijsko sredino cen. Za izracun ge­ometrijske sredine cen hiš je treba aritmeticno sredino logaritmov cen še eksponirati (Košmelj, 2007): n ln c n ”. i i = 1 n c = e = en =. ci . (5) g i = 1 Porazdelitev spremenljivke cena vpliva na ustrezen izbor srednje vrednosti. Zaradi oblike porazdelitve, predvsem pa izredno dolgega repa oziroma nekaj izredno visokih cen aritmeticna sredina ni srednja mera, ki bi ustrezno pojasnjevala cene nepremicnin na nekem obmocju. Izracun povprecja je ustrezen pri normalno porazdeljenih podatkih. Pri normalno porazdeljenih podatkih sta mediana in aritmeticna sredina tisti srednji meri, ki sta si po vrednostih zelo blizu. Preglednica 1 navaja srednje mere cen hiš za kupoprodajne posle, sklenjene med letoma 2015 in 2020. Preglednica 1: Srednje mere cen hiš v obdobju 2015–2020 Opazimo lahko, da je aritmeticna sredina kar za 25 % višja od mediane, medtem ko sta si mediana in geometrijska sredina po vrednostih zelo blizu. Pri podrobnem vpogledu v podatke je le 39 % prodaj hiš višjih, kar 61 % prodaj pa nižjih od povprecja. Slika 3 prikazuje histogram cen skupaj s prikazom srednjih mer. Slika 3: Porazdelitev cen nepremicnin s srednjimi merami (prikazane so le cene hiš, nižje od 1.000.000 EUR; zeleno: aritmeticna sredina, rdece: mediana, modro: geometrijska sredina). Za lažjo ponazoritev prikazujemo še podatke za cene, nižje od 500.000 EUR (slika 4). Število podatkov s takšno ceno znaša 15.534, torej 128 oziroma 0,8 % manj. Za lažji prikaz so prikazani rezultati za cene (slika 4) ter za logaritmirane cene (slika 5). Slika 4: Porazdelitev cen hiš s cenami, nižjimi od 500.000 EUR, s srednjimi merami (zeleno: aritmeticna sredina, rdece: mediana, modro: geometrijska sredina). Slika 5: Porazdelitev logaritma cen hiš s cenami, nižjimi od 1.000.000 EUR, s srednjimi merami (zeleno: aritmeticna sredina, rdece: mediana, modro: geometrijska sredina). Slika 5 veliko bolj simetricno prikazuje logaritmirane cene s sredinami kot slika 4. Na vsako stran od sre­ dnjih vrednosti sta dodani še crti, ki prikazujeta 33.333 EUR ter 300.000 EUR. Crti sta simetricni glede na mediano. Opazimo lahko, da je levo od leve crte veliko vec podatkov (torej podatkov s ceno, nižjo od 33.333 EUR) kot tistih s ceno, višjo od 300.000 EUR. Vpliv izlocanja ekstremnih cen na srednje mere prikazuje preglednica 2, v kateri so navedeni število podatkov ter srednje mere cen za vse kupoprodajne posle. V naslednji vrstici so srednje mere cen za hiše, katerih cene so bile nižje od 1.000.000 EUR, v zadnji vrstici pa so navedene srednje mere cen za hiše, katerih cene so bile nižje od 500.000 EUR. Preglednica 2: Primerjava srednjih vrednosti Nabor podatkov Število podatkov Mediana (v EUR) Aritmeticna sredina (v EUR) Geometrijska sredina (v EUR) Cena < 1.000.000 EUR 15.644 100.000  123.100  96.300  Za podatke brez upoštevanih ekstremno visokih cen hiš se mediana ne spremeni (100.000 EUR), geo­metrijska sredina se za cene, nižje od 500.00 EUR, spremeni za 1.500 EUR, medtem ko se aritmeticna sredina zniža za 5.200 EUR. Z neupoštevanjem 128 oziroma 0,8 % vseh prodaj se aritmeticna sredina zniža kar za 4,2 %, geometrijska sredina pa le za 1,6 %. Pri cenah, nižjih od 1.000.000 EUR, ugotovi-mo, da le 18 odstranjenih prodaj zniža aritmeticno sredino za 1,4 %, vpliv na geometrijsko sredino je minimalen (0,3 %), a pokaže se. Vidimo torej, da vsaka prodaja vpliva na aritmeticno in geometrijsko sredino, medtem ko se je v konkretnem primeru mediana izkazala kot popolnoma neobcutljiva za iz­locitev nekaj najvišjih cen, kar ni popolnoma ustrezno. Neobcutljivost mediane za izlocitev 128 enot (15.662–15.534) je posledica velikega števila enot v vzorcu. Vidimo tudi, da odstranitev le nekaj vrednosti iz vzorca premocno vpliva na spremembo aritmeticne sredine. Slika 5 pojasnjuje, zakaj je geometrijska sredina nižja od mediane. V prodajah je vec hiš s ceno, nižjo ali enako tretjini mediane cen (leva crna crta), kot tistih, katerih cena je trikrat višja od mediane (desna crna crta). Opazimo lahko torej rahlo asimetricnost v levo, kar vpliva na to, da je geometrijska sredina nekoliko nižja od mediane. V nadaljevanju bo predstavljena problematika slovenskega trga nepremicnin, ki je izrazito heterogen, kar povzroca velike težave pri porocanju le o srednjih merah cen, to pa zanima predvsem kupce in prodajalce nepremicnin, ki so najpogostejša populacija bralcev porocil o trgu nepremicnin. Zaradi tega je treba pri porocanju o srednjih merah cen opredeliti obmocja, na katerih stojijo nepremicnine, s cim bolj homo-genimi lastnostmi, vendar zadostnim številom realiziranih prodajnih poslov. Žal pa je v Sloveniji takšnih obmocij malo, saj v urejanju prostora že dlje ne obstaja sistemski pristop k izgradnji sosesk, tipskih hiš, nizov vrstnih hiš in je raven mobilnosti premajhna. 4 HETEROGENOST TRGA HIŠ Stanovanjski trg je edinstven trg, saj je vsaka hiša unikatna. Hiše imajo edinstveno lokacijo, dolgo ži­vljenjsko dobo in pogosto zahtevajo razmeroma velike kapitalske naložbe. Poleg tega je ponudba hiš na trgu omejena, trg sloni na pomanjkanju informacij, proces transakcij je pocasen. Dodatno so v proces transakcije vpletene številne stranke (Lind in Persson, 2015). Ker na trg hiš vstopajo obicajna gospodinj­stva, ki o njem vedo premalo, se transakcijska cena pogosto razlikuje od tržne vrednosti (Persson, 2015). Slovenski trg nepremicnin, še posebej hiš, je izredno heterogen, tako glede lokacije, parametrov lastnosti pripa­dajocega zemljišca in kakovosti same stavbe (Ulbl et al., 2021). Formalno gledano, pod lokacijo prištevamo lego nepremicnine, ki je v podatkovni zbirki dolocena v državnem koordinatnem sistemu, sicer pa je to parameter, ki v splošnem najbolj vpliva na ceno nepremicnine (Orford, 1999; Peterl, 2017). Lastnosti pripadajocega zem­ljišca so velikost in ustreznost oblike zemljišca, ki pripada posamezni hiši, in sicer je to lahko ena ali skupek vec parcel. V zemljiškem katastru je le podatek o parceli, na kateri stoji stavba, in njeni površini. Podatka o stavbi pripadajocemu zemljišcu ni, prav tako opisno ni podanega podatka o ustrezni obliki parcele za razlicne namene. Slika 6 prikazuje parceli 2133 in 2132, ki sta v lasti istega lastnika. Parcela 2132 tako služi kot dvorišce k hiši, ki leži na parceli 2133, kar iz evidenc avtomatsko izredno težko zaznamo. Površina parcele velikokrat pove premalo o kakovosti parcele. Slika 6 prikazuje primer parcelne strukture obmocja stanovanjskih hiš. Parcela 2143 ima površino 261 m2, parcela 2130/3 pa 283 m2. Površini parcel se ne razlikujeta bistveno, bistveno pa se razlikujeta njuni obliki, saj je parcela 2139 dolga približno 40 metrov in široka približno 6,5 metra, parcela 2130/3 pa dolga približno 19 metrov (na eni strani 17 metrov, na drugi strani pa 21 metrov) in široka približno 15 metrov. Opazimo lahko, da so oblike stavb na obeh parcelah bistveno razlicne, kar narekuje oblika same parcele. Stavba na parceli 2143 je vrstna, medtem ko je stavba na parceli 2130/3 samostojna z bistveno vecjim tlorisom. Stavba na parceli 2130/3 je bila leta 2014 prodana za 227.000 EUR, stavba na parceli 2143 pa leta 2015 za le 76.000 EUR. Opazimo lahko bistveno razliko v ceni, kar je lahko posledica lastnosti stavbe ali lastnosti parcele. Slika 6: Izsek prikaza parcelne strukture. Slika 7 prikazuje hiši na parcelah 2143 in 2130/3. Hiša na parceli 2130/3 je bila nedokoncana novo­ gradnja, hiša na parceli 2143 pa je iz leta 1928. Leta 2011 je bila prodana tudi parcela št. 2131 (danes 2131/1, 2131/2, 2131/3) velikosti 684 m2 za 162.000 EUR, torej za 237 EUR/m2. Slika 7: Levo: hiša na parceli 2143, desno: hiša na parceli 2130/3. Ce bi za parcelo 2143 upoštevali takšno vrednost (237 EUR/m2) za zemljišce, bi bilo samo zemljišce vredno skoraj 62.000 EUR. Slika 8 prikazuje indekse cen za zemljišca za gradnjo stavb za to obdobje. Iz grafa lahko sklepamo, da so cene zemljišc v obdobju od leta 2011 do leta 2014 padle za 20 %. Ce to upoštevamo, bi vrednost parcele 2143 leta 2014 znašala približno 190 EUR /m2 oziroma 50.000 EUR. Tako bi za samo hišo ostalo 26.000 EUR. Izkaže se, da je pri prodaji hiše na parceli 2143 prevladala oblika parcele in potencial, ki ga parcela ima. Cena, ki jo lahko pripišemo zemljišcu, torej ne more do-segati cene, za katero je bila sklenjena kupoprodajna pogodba za parcelo 2131. Na parceli 2131 sta bili zgrajeni dve samostojni hiši za trg, cesar parcela 2143 ne omogoca, saj ima neprimerno obliko, dodatna omejitev pa je, da je to vmesna vrstna hiša, ki omogoca najvec rekonstrukcijo. Slika 8: Indeks cen za zemljišca za gradnjo stavb. Drug primer (slika 9) prikazuje prodaji hiš s pripadajocimi parcelami. Parcela 517 je velika 413 m2, parcela 534 pa meri 195 m2. Slika 9: Prikaz dveh prodaj hiš. Hiša na parceli 534 je bila zgrajena leta 1925 in ima površino 107,6 m2 (polovica dvojcka), hiša na par-celi 517 pa je bila zgrajena leta 1926 in meri 386,6 m2. Slika 10 kaže, da sta hiši v podobnem kakovostnem stanju. Njuni ceni se bistveno razlikujeta, saj za hišo na parceli 534 znaša 192.000 EUR, na parceli 517 pa 550.000 EUR. Velikega dela razlike v ceni, ki znaša 358.000 EUR, ne moremo pripisati lastnostim obstojecih stavb. Ce bi upoštevali vrednost novogradnje s 1.400 EUR/m2 ter amortizacijo hiš po Rossu . 1 . A 2 A .. (Polajnar, 2006), ki znižanje vrednosti hiše zaradistarosti upoštevaz enacbo W =. ·. 2 + ..· 100% = 94% 2 DD .. .. (W – zmanjšanje vrednosti v odstotkih, A – starost stavbe, D – življenjska doba stavbe; A = 1925 oziroma 1926, D = 100), bi vrednost stavbe na parceli 534 (velikost stavbe 107,6 m2) ocenili na 1.400 EUR/m2 · 107,6 m2 · (100 % – 94 %) = 9.000 EUR, vrednost stavbe na parceli 517 (velikost stavbe 386,6 m2) pa 32.500 EUR. Razlika znaša 23.500 EUR. Razlika v vrednostih stavb, dolocenih po množicnem vredno­tenju (EMV, 2021), znaša 84.500 EUR (stavba na parceli 534 ima brez pripadajocega zemljišca vrednost 115.500 EUR, stavba na parceli 517 pa 200.000 EUR). Nobena izmed teh vrednosti se ne približa razli­ki v cenah hiš, torej 358.000 EUR. Ce bi upoštevali, da bi razlika v ceni samih stavb znašala kar 100.000 EUR, bi razliko 258.000 EUR pripisali vrednosti pripadajocega zemljišca. Razlika v velikosti zemljišca znaša 218 m2, kar bi pomenilo skoraj 1.183 EUR/m2, to pa je veliko. Ugotovimo lahko, da je vsak m2 zemljišca s parcelno številko 517 vreden vec kot vsak m2 zemljišca s parcelno številko 534. To je posledica vecjega potenciala zemljišca s parcelno številko 517 v primerjavi s potencialom parcele 534. Na podlagi vsega navedenega lahko ugotovimo, da je velika razlika v ceni predvsem med samostojni-mi in vrstnimi hišami. To je obicajno povezano tudi z obliko parcel in posledicno potencialom, ki ga takšna nepremicnina ponuja. Vrstne hiše je najpogosteje mogoce le popolnoma obnoviti, medtem ko je pri samostojnih hišah mogoca tudi rušitev in zgraditev nove ali rekonstrukcija in dograditev stavbe v vecstanovanjske stavbe. Vse to je povezano tudi s prostorskim planom, ki to omogoca ali onemogoca. V nadaljevanju si bomo pogledali še nekaj statistik nepremicninskega trga za hiše v Ljubljani. 4.1 Trg stanovanjskih hiš v Ljubljani Preglednica 3 navaja osnovne statistike cen za obmocje Ljubljane. To je obmocje naselja Ljubljana (slika 12), ki je na podlagi vrednostnih con prilagojeno trgu stanovanjskih hiš. Osnovne statistike so zaokrožene na 1.000 EUR. Preglednica 3: Osnovne statistike pogodbenih cen hiš za obmocje Ljubljane po letih Leto Število Geometrijska sredina (v EUR) Aritmeticna sredina (v EUR) Minimalna cena (v EUR) Prvi kvartil (v EUR) Mediana (v EUR) Tretji kvartil (v EUR) Maksimalna cena (v EUR) 2016 242 212.000 247.000 50.000   165.000 205.000 275.000 3.000.000 2017 235 225.000 254.000 37.000  170.000 225.000 285.000 1.601.000 2018 214 264.000 312.000 64.000  200.000 260.000 328.000 3.143.000 2019 232 275.000 301.000 83.000  215.000 270.000 353.000 1.465.000 2020 192 298.000 322.000 88.000  231.000 290.000 389.000 1.115.000 Slika 11 kaže na rast cen hiš za obmocje Ljubljane med letoma 2015 in 2020. Preglednica 3 in slika 11 kažeta, da je variabilnost cen izjemno velika. Tako je bilo 50 % vseh cen leta 2015 v intervalu med 143.000 EUR in 255.000 EUR, leta 2020 pa v intervalu med 231.000 EUR in 389.000 EUR. Cene za leto 2020 so znašale med 88.000 EUR in 1.115.000 EUR, kar je izjemno veliko. To kaže, da je obmo-cje Ljubljane preveliko, saj je variabilnost cen za to obmocje tako velika, hiše na obmocju pa izjemno heterogene, da ugotovitve o cenah hiš brez upoštevanja dodatnih dejavnikov, ki vplivajo na ceno hiš, niso smiselne. V tej študiji želimo prikazati problematiko navajanja srednjih mer cen brez upoštevanja ostalih vplivov, saj se v porocilih o trgu nepremicnin navajajo le srednje mere lastnosti in cen nepre-micnin. Zaradi tega hedonska analiza, ki bi upoštevala še ostale vplive na ceno hiš, za te potrebe ni ustrezna. Tako bomo poskusili ostale vplive minimizirati in s tem zmanjšati heterogenost podatkov z oblikovanjem cim bolj homogenih sosesk, kar pa je za slovenski trg nepremicnin skoraj nemogoce, saj je izredno heterogen. Za te potrebe v nadaljevanju obmocje Ljubljane razdelimo na štiri dele glede na oddaljenost od središca (slika 12). Preglednica 4 prikazuje število prodanih hiš, mediane velikosti pripadajocih zemljišc, mediane let izgradnje in mediane površin delov stavb po letih prodaje. Preglednica 4: Mediane lastnosti prodanih hiš za obmocje Ljubljane po letih za obdobje 2015–2020 2016 242 324 1965 166,0 2017 235 302 1969 176,0 2018 214 386 1967 176,0 2019 232 348 1967 185,9 2020 192 389 1968 200,8 Med leti opažamo podobno strukturo prodaj hiš. Mediana velikosti zemljišc se giblje med 302 m2 in 389 m2, mediana let izgradnje prodanih hiš je med 1965 in 1969. Zanimivo je, da površine prodanih hiš po letih rastejo. Predvidevamo, da je to posledica v zadnjih letih natancnejše kontrole velikosti stavb ob pregledu kupoprodajnih poslov in popravkov zaradi napak v evidentiranih površinah. Melita Ulbl, Andraž Muhic | UPORABA SREDNJIH MER ZA POJASNJEVANJE CEN NA TRGU NEPREMICNIN | THE USE OF MEAN VALUES FOR REPORTING REAL ESTATE PRICES | 513-532 | Preglednica 5 in slika 13 prikazujeta osnovne statistike za cene za razlicne lokacije znotraj Ljubljane. Preglednica 5: Osnovne statistike za cene hiš za obmocja v Ljubljani za leto 2020 Obmocje Število Geometrijska sredina (v EUR) Aritmeticna sredina (v EUR) Minimalna cena (v EUR) Prvi kvartil (v EUR) Mediana (v EUR) Prvi kvartil (v EUR) Maksimalna cena (v EUR) Obmocje 2 30 354.000 396.000 150.000 261.000 350.000 469.000 1.115.000 Obmocje 3 67 313.000 331.000 145.000 242.000 305.000 404.000 625.000 Obmocje 4 94 271.000 288.000 88.000 224.250 270.000 345.000 750.000 Najvišje cene hiš so v obmocju CENTER. Vse srednje mere padajo od centra Ljubljane proti obrobju. Opazimo lahko, da je variabilnost cen na razlicnih obmocjih razlicna. Bližje centru je variabilnost vecja. Poglejmo še statistike za cene v letih od 2015 do 2020 za vsa štiri obmocja. Srednje vrednosti za obmocje Obmocje 2 se med seboj razlikujejo (preglednica 6). Aritmeticna sredina znaša 371.000 EUR, geometrijska sredina 299.000 EUR, mediana pa 284.000 EUR. Razlika med me-diano in aritmeticno sredino znaša kar 87.000 EUR, kar pomeni, da je aritmeticna sredina od mediane vecja za vec kot 30 %. Zaradi tega bo v nadaljevanju Obmocje 2 razdeljeno na vec lokacij, znotraj katerih se pricakuje bolj homogena struktura cen hiš. Preglednica 6: Osnovne statistike za cene hiš za štiri obmocja v Ljubljani za obdobje 2015–2020 Obmocje Število Geometrijska sredina (v EUR) Aritmeticna sredina (v EUR) Minimalna cena (v EUR) Prvi kvartil (v EUR) Mediana (v EUR) Tretji kvartil (v EUR) Maksimalna cena (v EUR) Obmocje 2 224 299.000 371.000 50.000 215.000 284.000 405.000 3.143.000 Obmocje 3 513 255.000 278.000 36.500 200.000 260.000 335.000 900.000 Obmocje 4 583 203.000 222.000 30.000 156.000 210.000 270.000 750.000 2.000.000 EUR, desno: brez obmocja CENTER za cene do 1.000.000 EUR. 4.2 Delitev obmocja 2 Obmocje 2, to je lokacijo, ki je najmanj oddaljena od strogega središca, razdelimo na pet obmocij (slika 15), za katera pricakujemo cim bolj homogeno populacijo hiš. Obmocje 20 predstavlja Rožno dolino in Mirje, obmocje 21 predstavlja obmocje Spodnje Šiške, ob-mocje 22 južni del Bežigrada, obmocje 23 del Rakovnika, del pod Golovcem, Nove poljane, Vodmat, Šmartinko, obmocje 24 pa Trnovo in Prule. Opazimo, da so površine zemljišc najmanjše na obmocjih 22 in 23, prav tako so hiše na teh obmocjih nekaj manjše kot na obmocjih 20 in 21. Za obmocje 23 velja še, da so stavbe najstarejše. Opazimo lahko, da so si kvartilni razmiki za leta izgradnje (slika 18) za vsa obmocja zelo podobni; edino obmocje 24 kaže na novejše stavbe. Vse navedeno se lahko odraža v nižji ceni hiš na obmocjih 22 in 23. Preglednica 7: Opisne statistike za cene na petih obmocjih v obmocju 2 za obdobje 2015–2020 Analiticno obmocje Število Geometrijska sredina (v EUR) Aritmeticna sredina (v EUR) Minimalna cena (v EUR) Prvi kvartil (v EUR) Mediana (v EUR) Tretji kvartil (v EUR) Maksimalna cena (v EUR) Obmocje 21 19 252.000 294.000 70.000 153.000 308.000 408.000 560.000 Obmocje 22 71 250.000 268.000 65.000 208.000 260.000 320.000 620.000 Preglednica 8: Mediane površin zemljišc, površin delov stavb in let izgradnje za obmocje 2 za obdobje 2015–2020 Obmocje Število Mediana površine zemljišca Mediana površine dela stavbe Mediana leta izgradnje Obmocje 21 19 466 209,0 1950 Obmocje 22 71 235 180,0 1960 Slika 16: Grafikon kvantilov za cene in cene/m2 po petih obmocjih znotraj obmocja 2. Slika 16 in preglednica 7 prikazujeta, da so med petimi obmocji znotraj obmocja 2 cene razlicne. Tudi variabilnost je razlicna. Najmanjša je variabilnost v cenah za obmocji 22 in 23. Ce izvzamemo osamelce, gre za najbolj homogeni obmocji glede cen hiš. Na obmocju 23 je en osamelec, ki mocno vpliva na aritmeticno sredino na tem obmocju. Gre za prodajo hiše za ekstremno visoko ceno, ki znaša 3.143.000 EUR, kar je bila med ustreznimi prodajami najvišja cena za hišo v obdobju med letoma 2015 in 2020 v Ljubljani. Ta hiša je velika skoraj 900 m2, zgrajena leta 2017 in ima pripadajoce zemljišce veliko kar 3.106 m2. Ostale srednje vrednosti so za ti obmocji zelo podobne (preglednica 7, slika 19, slika 20). Za obmocji 20 in 24 opažamo, da je aritmeticna sredina bistveno vecja od geometrijske sredine in mediane (od 16 % do 29 %), mediana in geometrijska sredina pa se med sabo razlikujeta za od 5 do 9 %. Aritmeticna sredina (439.000 EUR) je pri obmocju 24 vecja celo od 75. centila, ki znaša 431.000 EUR. Slika 19 in slika 20 prikazujeta vse transakcije za posamezno obmocje. Slika 19 in slika 20 prikazujeta razloge za razlike v srednjih merah. Odstopanje aritmeticne sredine od mediane in geometrijske sredine opazimo za obmocja 20, 23 in 24. Na vseh treh obmocjih opazimo osamelec, zaradi katerega je aritmeticna sredina precej višja od mediane in geometrijske sredine. Pri ob-mocju 21 je aritmeticna sredina manjša od mediane. Slika 19 kaže, da je to posledica nekaj zelo nizkih cen hiš na tem obmocju (celo pod 100.000 EUR). Obmocje 21 kaže, da bi bile cene na tem obmocju lahko nekoliko višje kot na obmocjih 22 in 23. Zanima nas, ali je to posledica lokacije ali morda lastnosti prodanih hiš. Najprej si oglejmo vpliv površine zemljišc, ki pripadajo hišam, na cene hiš. Preglednica 9: Srednje mere cen po obmocjih in razredih velikosti zemljišca 0 < zemljišce = 200 geometrijska sredina (v EUR) 252.000 134.000 205.000 163.000 290.000 0 < zemljišce = 200 mediana (v EUR) 282.000 130.000 208.000 188.000 290.000 0 < zemljišce = 200 aritmeticna sredina (v EUR) 274.000 155.000 218.000 182.000 290.000 200 < zemljišce = 400 število 14 5 19 19 9 200 < zemljišce = 400 geometrijska sredina (v EUR) 260.000 173.000 233.000 202.000 276.000 200 < zemljišce = 400 mediana (v EUR) 231.000 165.000 260.000 201.000 300.000 200 < zemljišce = 400 aritmeticna sredina (v EUR) 274.000 192.000 246.000 207.000 286.000 400 < zemljišce = 600 število 21 8 14 10 8 400 < zemljišce = 600 geometrijska sredina (v EUR) 461.000 337.000 302.000 238.000 373.000 400 < zemljišce = 600 mediana (v EUR) 420.000 378.000 286.000 232.000 384.000 400 < zemljišce = 600 aritmeticna sredina (v EUR) 545.000 367.000 306.000 269.000 382.000 600 < zemljišce = 800 število 13 1 7 3 1 600 < zemljišce = 800 geometrijska sredina (v EUR) 535.000 400.000 353.000 381.000 1.863.000 600 < zemljišce = 800 mediana (v EUR) 510.000 400.000 380.000 480.000 1.863.000 600 < zemljišce = 800 aritmeticna sredina (v EUR) 569.000 400.000 361.000 403.000 1.863.000 800 < zemljišce število 12 2 3 4 3 800 < zemljišce geometrijska sredina (v EUR) 754.000 408.000 452.000 534.000 622.000 800 < zemljišce mediana (v EUR) 760.000 410.000 480.000 343.000 630.000 800 < zemljišce aritmeticna sredina (v EUR) 911.000 410.000 470.000 1.013.000 625.000 Preglednica 9 drugace kot preglednica 7 ne izkazuje vecjih razlik med srednjimi vrednostmi cen. Opažamo, da so si vse tri srednje vrednosti zelo podobne. Najvecja je razlika med aritmeticno sredino ter mediano in geometrijsko sredino le za zemljišca, vecja od 800 m2, za obmocji 20 in 23. Na visoko aritmeticno sredino pri obmocju 23 vpliva ekstremna cena za hišo na tem obmocju, katere znacilnosti so bile predhodno že predstavljene. Melita Ulbl, Andraž Muhic | UPORABA SREDNJIH MER ZA POJASNJEVANJE CEN NA TRGU NEPREMICNIN | THE USE OF MEAN VALUES FOR REPORTING REAL ESTATE PRICES | 513-532 | Ugotovimo lahko (preglednica 9), da so srednje mere cen mocno odvisne od velikosti zemljišc. Vecja, kot so zemljišca, višja je cena hiš. Ce primerjamo te rezultate, ugotovimo, da so cene zelo primerljive na obmocjih 21, 22 in 23. Preglednica 7 navaja, da bi med temi tremi obmocji lahko bile razlike v cenah. Najvecje razlike nakazuje mediana (224.000 EUR za obmocje 23, za obmocje 21 pa kar 308.000 EUR), manjša je razlika za geometrijsko sredino (za obmocje 21 znaša 252.000 EUR, za obmocje 23 pa 227.000 EUR). Srednje mere za obmocje 22 so med srednjimi vrednostmi za obmo-cje 21 in obmocje 23. Preglednica 9 kaže, da so srednje mere cen za obmocje 22 za zemljišca, manjša od 400 m2, ter za zemljišca, vecja od 800 m2, vecje kot za obmocje 21, nekaj višje so v obmocju 21 srednje mere cen za zemljišca, velika med 400 in 800 m2, kot za obmocje 22. Ker na obmocju 22 prevladujejo hiše z zemljišci, manjšimi od 200 m2, je srednja vrednost vseh cen na tem obmocju nižja. Podobno tudi za obmocje 23 prevladujejo hiše na zemljišcih, manjših od 400 m2, kar posledicno pomeni nižjo srednjo ceno za to obmocje glede na obmocje 21, kjer prevladujejo zemljišca, velika med 400 in 600 m2. Na podlagi teh rezultatov ugotavljamo moc vpliva osamelcev na aritmeticno sredino. Vidimo, da aritme­ticna sredina ni primerna srednja mera za pojasnjevanje cen na nekem obmocju. Dodatno nas zanima vpliv leta izgradnje in površine dela stavbe na ceno hiše. Slika 21 prikazuje cene hiš glede na lokacijo, velikost zemljišca, leto izgradnje in površino dela stavbe. Slika 21 kaže, da so najnižje cene dosegle stare majhne hiše (prevladujejo manjše od 100 m2) na majhnih zemljišcih (do 300 m2), ki se nahajajo predvsem na lokacijah obmocje 21, obmocje 22 in obmocje 23. Tako nizka cena za lokaciji obmocje 20 in 24 je izjema. Najvišje cene so dosegle velike nove hiše, ki so predvsem na lokacijah obmocje 20 in 24, z izjemo najvišje transakcije v Ljubljani z izredno velikim pripadajocim zemljišcem (že omenjena). Crte, ki predstavljajo vpliv lokacije glede na velikost zemljišca, kažejo, da cena za vse lokacije raste z velikostjo zemljišca, pri tem pa so cene na lokacijah obmocje 20 in 24 primerljive in višje kot na lokacijah obmocje 21, 22 in 23. Preglednica 10 prikazuje cene na m2 velikosti hiše ter mediano in geometrijsko sredino leta izgradnje hiš v po­sameznem razredu velikosti zemljišca. S tem želimo preveriti tudi vpliv velikosti in letnice izgradnje hiše na rezultate. Preglednica 10: Srednje mere cen na m2 površine hiše po obmocjih in razredih velikosti Obmocje 20 Obmocje 21 Obmocje 22 Obmocje 23 Obmocje 24 0 < zemljišce = 200 število 9 3 28 10 1 0 < zemljišce = 200 geometrijska sredina (v EUR) 1.800,00 1.390,00 1.480,00 1.190,00 2.420,00 0 < zemljišce = 200 mediana (v EUR) 1.650,00 1.260,00 1.460,00 1.220,00 2.420,00 0 < zemljišce = 200 aritmeticna sredina (v EUR) 1.870,00 1.440,00 1.560,00 1.210,00 2.420,00 0 < zemljišce = 200 mediana leta izgradnje 1962 1960 1960 1932 1771 0 < zemljišce = 200 geometrijska sredina leta izgradnje 1963 1959 1956 1942 1771 200 < zemljišce = 400 število 14 5 19 19 9 200 < zemljišce = 400 geometrijska sredina (v EUR) 1.650,00 1.100,00 1.670,00 1.480,00 1.690,00 200 < zemljišce = 400 mediana (v EUR) 1.610,00 1.110,00 1.720,00 1.500,00 1.840,00 200 < zemljišce = 400 aritmeticna sredina (v EUR) 1.720,00 1.140,00 1.790,00 1.530,00 1.740,00 600 < zemljišce = 800 mediana leta izgradnje 1960 1958 1960 1929 1962 600 < zemljišce = 800 geometrijska sredina leta izgradnje 1956 1949 1955 1936 1958 400 < zemljišce = 600 število 21 8 14 10 8 400 < zemljišce = 600 geometrijska sredina (v EUR) 1.800,00 1.480,00 1.380,00 1.220,00 1.820,00 400 < zemljišce = 600 mediana (v EUR) 1.840,00 1.520,00 1.450,00 1.190,00 1.890,00 400 < zemljišce = 600 aritmeticna sredina (v EUR) 1.890,00 1.530,00 1.430,00 1.260,00 1.880,00 400 < zemljišce = 600 mediana leta izgradnje 1946 1939 1950 1937 1957 400 < zemljišce = 600 geometrijska sredina leta izgradnje 1948 1944 1948 1945 1958 600 < zemljišce = 800 število 13 1 7 3 1 600 < zemljišce = 800 geometrijska sredina (v EUR) 1.990,00 1.430,00 1.480,00 1.740,00 2.930,00 600 < zemljišce = 800 mediana (v EUR) 2.160,00 1.430,00 1.640,00 1.960,00 2.930,00 600 < zemljišce = 800 aritmeticna sredina (v EUR) 2.080,00 1.430,00 1.530,00 1.850,00 2.930,00 600 < zemljišce = 800 mediana leta izgradnje 1956 1956 1961 1936 2009 600 < zemljišce = 800 geometrijska sredina leta izgradnje 1952 1956 1956 1939 2009 800 < zemljišce število 12 2 3 4 9 800 < zemljišce geometrijska sredina (v EUR) 2.430,00 2.000,00 1.480,00 1.540,00 3.020,00 800 < zemljišce mediana (v EUR) 2.690,00 2.050,00 1.430,00 1.310,00 3.160,00 800 < zemljišce aritmeticna sredina (v EUR) 2.670,00 2.050,00 1.480,00 1.770,00 3.140,00 800 < zemljišce mediana leta izgradnje 1928 1932 1934 1923 1982 800 < zemljišce geometrijska sredina leta izgradnje 1934 1931 1932 1939 1973 Preglednica 10 in slika 22 kažeta na povezanost med velikostjo zemljišca in ceno na m2 površine dela stavbe. Kot lahko opazimo, za vecino lokacij velja, da je za majhna zemljišca cena/m2 površine dela stavbe vecja kot za površine zemljišc okrog 300 m2, nato pa zacne cena/m2 z velikostjo pripadajocega zemljišca rasti. Ponovno se izkaže, da je cena hiš na obmocjih 20 (Rožna dolina in Mirje) in 24 (Trnovo, Prule) najvišja, obmocja 21 (Spodnja Šiška), 22 (Bežigrad) in 23 (Šmartinka, Vodmat, Nove poljane, pod Golovcem) pa so primerljiva. Nekoliko višje cene bi lahko bile za obmocje 22 (Bežigrad), vendar pri vecjih pripadajocih zemljišcih ni povecanja cen, kot je to za obmocji 21 in 23, ceprav so bile na tem obmocju prodane novejše hiše kot na obmocjih 21 in 23. 5 SKLEP Številni nepremicninski portali oziroma mednarodne agencije objavljajo le mediane cen, pri cemer poja­snjujejo, da povprecja niso ustrezna mera, predvsem zaradi mocnega vpliva ekstremnih cen na rezultate. Objave geometrijskih sredin nismo zasledili, kar je najbrž posledica težjega razumevanja te srednje mere za širšo populacijo. V preteklih porocilih o nepremicninskem trgu smo navajali povprecja cen. Podrobnejša obravnava srednjih vrednosti na nacin, predstavljen v tem prispevku, poraja vprašanja o izbiri najustreznejše srednje mere, ki bo temeljila na strokovnih podlagah in bo hkrati dovolj pojasnjevalna za širši krog uporabnikov. Ne glede na to, katera mera bo izbrana za prikaz srednjih vrednosti v prihodnje, bodo v prehodnem obdob­ju zaradi casovne sledljivosti v porocilih o trgu nepremicnin objavljene tudi povprecne cene. Mediana je zelo dobra mera za predstavljanje srednje vrednosti, saj ne upošteva osamelcev, ki so na podrocju prodaj nepremicnin pogosto prisotni in lahko mocno kvarijo koncno sliko. Po drugi strani pa mediana ni najboljša mera zaradi neupoštevanja vseh vrednosti, kar se je izkazalo pri odstranitvi velikega števila najvišjih transakcij, pri cemer se mediana ni spremenila. Dodatno je geometrijska sredina obcutljiva za izlocitev posamezne vrednosti, predvsem najvišjih. To je zelo dobrodošlo, predvsem pri velikem številu podatkov. V takšnih primerih posamezni osamelci bistveno ne vplivajo na rezultat geometrijske sredine, kar se pokaže kot težava pri povprecju. Pri majhnem številu podatkov osamelec lahko premocno vpliva tudi na geometrijsko sredino. Vzorcna mediana je velikokrat prava izbira, ker je odporna proti osamelcem in ucinkovitejša pri porazdelitvah, ki odstopajo od normalne porazdelitve. Pri majhnih vzorcih je prav zato mediana izredno ucinkovita mera srednje vrednosti, medtem ko je pri vecjih vzorcih lognormalno porazdeljenih podatkov ustreznejša geometrijska sredina (Snedecor in Cochrain, 1967). Pri srednjih merah za kupoprodajne cene je tako mnogokrat kot srednja vrednost smiselna geometrijska sredina, predvsem kadar se poroca o podatkih na vecjem obmocju (npr. za celotno Slovenijo) oziroma za manjša obmocja z vecjo kolicino kupoprodajnih poslov. Pri uporabi srednjih mer za manjša obmocja oziroma manjšo kolicino podatkov pa je velikokrat bolj smiselna uporaba mediane. V izracune je vedno smiselno vkljuciti vec srednjih vrednosti in pregledati razlike med njimi. Vecja razlika med srednjimi vrednostmi lahko nakazuje na napake v podatkih, nehomogena obmocja ali potrebo po dodatni delitvi podatkov v bolj homogene strukture, tako s stališca lokacije kot tudi kakovostnih parametrov nepremicnin. Ker kupce in prodajalce nepremicnin, kot najpogostejše bralce porocil o trgu nepremicnin, najbolj zanima srednja mera cen na nekem obmocju, se porocila obicajno ne poglabljajo v razloge za nižje ali višje cene. Za te potrebe je smiselno, da se porocanje izvaja loceno za cim bolj homogene strukture nepremicnin. Torej je za porocanje smiselno oblikovati obmocja porocanja, znotraj katerih obstaja podobna parcelna struktura, podobna starost in velikost ter posledicno cen hiš, ki pa morajo dodatno zagotavljati zadostno kolicino prodajnih poslov. Žal pa je v Sloveniji takšnih obmocij malo, saj nacini urejanja prostora že dlje nimajo sistemskega pristopa k izgradnji sosesk, tipskih hiš, nizov vrstnih hiš in je raven mobilnosti premajhna. Pri relativno homogenih obmocjih izbira srednje mere med mediano in geometrijsko sredino ne sme bistveno vplivati na vrednost izbrane srednje mere. Pri tem je treba opozoriti, da se pri takšnem porocanju ne upošteva mikrolokacija ter ostale lastnosti prodanih nepremicnin, zaradi cesar je sklepanje o cenovnih gibanjih na podlagi srednjih mer cen neustrezno. Vec o tem v Ulbl in sod. (2021). Viri in literatura: Federal Reserve Bank of St. Louis. ASPUS. https://fred.stlouisfed.org/series/ASPUS, pridobljeno 10. 3. 2021. ETN (2021). Evidenca trga nepremicnin. Ljubljana: Geodetska uprava RS, https:// www.mvn.e-prostor.gov.si/evidence/evidenca-trga-nepremicnin, pridobljeno 10. 4. 2021 Finance (2020). Evropska primerjava cen stanovanj: kako draga je Ljubljana? Gloudemans, R. J. (1999). Mass Appraisal of Real Property. Chicago: International Association of Assesing Officers. GURS (2015). Metodološka pojasnila k periodicnim porocilom. Razlicica 3.2. Ljubljana: Geodetska uprava RS. https://www.mvn.e-prostor.gov.si/fileadmin/user_upload/MVN/Dokumenti/ Porocila/Metodoloska_pojasnila_k_periodicnim_porocilom_3_2.pdf, pridobljeno 13. 4. 2021. GURS (2018). Porocilo o slovenskem nepremicninskem trgu za I. polletje 2018. Ljubljana: Geodetska uprava RS. IAAO. (2017). Standard on Mass Appraisal of real Property. Kansas City: International Association of Assessing Officers. Košmelj, K. (2007). Uporabna statistika. Ljubljana: Univerza v Ljubljani, Biotehniška fakulteta. https://repozitorij.uni-lj.si/IzpisGradiva.php?lang=slv&id=17699, pridobljeno 13. 4. 2021. Lind, H., Persson, E. (2015). Fastighetsmarknad och marknadsanalys. Stockholm: Fastighetsnytt Förlags AB. Nagode, P. (1999). Vrednotenje nepremicnin za potrebe obdavcenja v Slovenija. Magistrsko delo. Ljubljana: Univerza v Ljubljani, Ekonomska fakulteta. Ohnishi, T., Mizuno, T., Shimizu, C., Watanabe, T. (2011). On the Evolution of the House Price Distribution, Columbia Business School, Center of Japanese Economy and Business. https://academiccommons.columbia.edu/item/ac:135362, pridobljeno 13. 4. 2021. Okroglic, M. (2004). Davek na nepremicnine in metode množicnega vrednotenja nepremicnin v Sloveniji. Diplomsko delo. Ljubljana: Univerza v Ljubljani, Ekonomska fakulteta. Orford, S. (1999). Valuing the Build Environment. Bristol: Ashgate Publishing Ltd. Persson (2015). Fastighetsvärdering. Stockholm: Fastighetsnytt Förlags AB. Peterl, S. (2017). Smooth Spatial and Time Effect Models to Forcast House Prices in Sydney. Master thesis. Graz: Graz University of Technology. Snedecor, G. W., Cochran, W. G. (1967): Statistical Methods, sixth edition. Iowa State University Press Ulbl, M., Štembal, R., Smodiš, M. (2016). Razvojni model množicne ocene vrednosti tržnih najemnin za pisarne. Geodetski vestnik, 60 (4), 627–643. DOI: https:// doi.org/10.15292/geodetski-vestnik.2016.04.627-643 Ulbl, M., Verbic, M., Lisec, A., Pahor, M. (2021). Predlog za izboljšavo množicnega vrednotenja nepremicnin v Sloveniji na podlagi pristopa generaliziranih aditivnih modelov. Proposal of real estate mass valuation in Slovenia based on generalised additive modelling approach. Geodetski vestnik, 65 (1), 46–81. DOI: https:// doi.org/10.15292/geodetski-vestnik.2021.01.46-81 Ulbl M., Muhic A. (2021). Uporaba srednjih mer za pojasnjevanje cen na trgu nepremicnin. Geodetski vestnik, 65 (4), 513-532. DOI: https://doi.org/10.15292/geodetski-vestnik.2021.04.513-532 Mag. Melita Ulbl, univ. dipl. inž. geod. Andraž Muhic, mag. inž. geod. geoinf. Geodetska uprava Republike Slovenije, OGU Maribor Geodetska uprava Republike Slovenije Ulica Heroja Tomšica 2, SI-2000 Maribor Zemljemerska ulica 12, SI-1000 Ljubljana e-naslov: melita.ulbl@gov.si e-naslov: andraz.muhic@gov.si VPLIV CENTRALIZACIJE THE IMPACT OF THE DELOVNIH MEST IN CENTRALISATION OF POSLOVNIH SUBJEKTOV NA WORKPLACES AND BUSINESS PROSTORSKI RAZVOJ ENTITIES ON SPATIAL DEVELOPMENT Gregor Cok, Samo Drobne, Gašper Mrak, Mojca Foški, Alma Zavodnik Lamovšek UDK: 331.5:711.4(497.4) Klasifikacija prispevka po COBISS.SI: 1.01 Prispelo: 10. 3. 2021 Sprejeto: 18. 9. 2021 IZVLECEK Prispevek odgovarja na vprašanje, kakšna sta dejanski obseg in prostorska razporeditev delovnih mest ter poslovnih subjektov v slovenskem prostoru. Raziskava je bila izdelana v treh fazah. V prvi fazi smo z analizo števila delovnih mest po obcinah v obdobju 2005–2019 ugotovili trend njihove rasti in upadanja. V drugi fazi smo preverili obseg in razporeditev poslovnih subjektov glede na lokacijo v prostoru. Raziskavo smo zakljucili s podrobnejšo analizo poslovnih subjektov v osrednjeslovenski statisticni regiji. Razporedili smo jih glede na: lego v Mestni obcini Ljubljana (MOL), primestnih in ostalih obcinah v regiji ter pokazali tudi stanje poslovnih subjektov glede na sektor dejavnosti. Ugotovili smo mocan trend narašcanja delovnih mest in poslovnih subjektov, še posebej v MOL in nekaterih drugih mestnih obcinah, nikakor pa ne v vseh središcih nacionalnega in regionalnega pomena. Vse navedeno nakazuje, da obstojeca praksa umešcanja dejavnosti v fizicni prostor ne sledi strateškim usmeritvam prostorskih aktov. Slovenija se tako srecuje z vse mocnejšo centralizacijo, kar spremljajo številni že poznani in novi izzivi pri nacrtovanju urbanega prostora. KLJUCNE BESEDE DOI: 10.15292/geodetski-vestnik.2021.04.533-558 SCIENTIFIC ARTICLE Received: 10. 3. 2021 Accepted: 18. 9. 2021 ABSTRACT The paper presents the results of a study to define the current size and location of workplaces and business entities in the area. The research was conducted in three stages. In the first step, the analysis of the size and distribution of workplaces according to the municipalities in the Republic of Slovenia for the 2007-2019 period was carried out. In the second step, the size and distribution of business entities in the space were examined. In the third step, a more detailed analysis was carried out in the test area of the Osrednjeslovenska statistical region, based on: the location in Ljubljana Urban Municipality (hereinafter referred to as MOL), in the municipalities directly bordering MOL and in the other municipalities of the Osrednjeslovenska statistical region. At this stage we also focused on the sector of activity of business entities. A strong upward trend in workplaces was found in only a few major urban centres along the motorway junction, especially in MOL. The same applies to the concentration of business entities. All this suggests that the existing practice of planning activities in physical space does not follow the strategic orientations of spatial acts, which could better control the spatial processes and their consequences. KEY WORDS SI | EN delovna mesta, poslovni subjekti, centralizacija, raba prostora, workplaces, business entities, centralisation, land use, prostorski razvoj, osrednjeslovenska statisticna regija, Slovenija spatial development, Osrednjeslovenska statistical region, Slovenia 1 INTRODUCTION Slovenia’s spatial development is defined in various strategic documents (SRS 2030, 2017; SPRS, 2004; Osnutek SPRS 2050, 2020), which have been dealing with sustainable development for decades, mainly on the basis of strengthening the polycentric urban network. The reports on spatial development (As­sessment of Spatial Development, 2001; Report, 2016) show opposing trends despite the considered decisions. Reinforcements of spatial development can only be observed in areas of some urban centres (Nared et al., 2016). It is most evident in the area of Ljubljana as the capital of Slovenia and the other two national centres of international importance (Koper, Maribor; SPRS, 2004). Numerous administrative, educational, business and other functions are located in these three cities, which encourages extensive daily commuting from the surrounding area. Their spatial effects are also felt in other areas, e.g.: business travel, mobility of pupils and students and mobility of the popula­tion due to the need for specialized public services. Moreover, very evident is also the demographic growth of these cities their municipalities, (less present in the surroundings of Maribor) and at the same time the rural areas are becoming increasingly less populated (Nared et al., 2019), as is the general motorisation of the population (more than 554 cars/1000 inhabitants; SORS, 2021), an inadequate or inefficient public transport system (Tiran et al., 2021), an inadequate transport infrastructure and, consequently, inefficient traffic regulation systems. Among these, daily commuting is the most evident, especially in the area of the Osrednjeslovenska statistical region, where 80,600 workers arrive and only 19,700 of them leave the area daily (Regions in figures, 2018). The data show that the trends shown by previous research on commuting in Slovenia are unchanged (Bole and Gabrovec, 2012). The survey (PNZ) conducted in 2016 also points to a relatively low percentage of public transport use, as among the respondents an average of only 8% of daily commuters use means of public transport and 74% of them use a car. Thus, despite the construction of the motorway junction in recent decades and the continuous improve­ment of urban transport systems, we are still confronted with congestion in transport infrastructure, particularly at the level of regional centres (MzI, 2018), which is reflected in increased traffic flows as well as suburbanisation (Dhval et al., 2021) and the resulting negative impacts on the health and envi­ronment, which is also a consequence of the development of economic activities that did not follow the guidelines of sustainable spatial development (Kušar, 2012, p. 116). Among the fundamental reasons for this situation is the current conflict in the planning of urban func­tions and the urban transport system (Kozlak and Wach, 2018). In many cities, the pace of demographic, economic and administrative expansion as well as other influences such as natural geography on the one hand, and knowledge and governance on the other, are outpacing the financial and spatial capacity to develop the accompanying infrastructure, and are therefore having a major impact on the pace of development and the distribution of spatial activities, as well as on land-use planning (Gu and Chen, 2017). Thus, despite the implementation of the principles of sustainable development (ESDP, 1999), after two decades we are still confronted with the consequences of inconsistencies between the strategic orientations, the outlined objectives and the actual spatial development. However, as early as the first half of the twentieth century (Burges’ model of urban land use of 1925), it became clear that strategic planning of spatial activities (Herala, 2003) and their accessibility are crucial for the efficiency of urban systems. The current principles of mobility (Cairns et al., 2008; Litman, 2020) and the sustainable development also emphasize the importance of an integrated approach to balancing needs in urban environments (Horner and Murray, 2003). The most important transformations of the conventional urban transport system were caused by the motorisation of transport at the beginning of the 20th century (Clark, 1958). Development strategies must therefore aim not only to promote more flexible forms of land-use planning and the location of activities, but also various forms of sustainable mobility. The decentralisation of workplaces and the possibility to work from home (Stern, 2021) will make it possible to reduce daily commuting to towns and cities, while reducing the negative impact of transport. The urban transport system still faces the challenge of regulating the existing situation (Furchtlehner and Licka, 2019). On one hand, we are experiencing the phenomenon of empty streets, which is a consequence of general social mobility, modern living and working culture and the rise of shopping centres. On the other hand, we are experiencing the development of unconventional city streets, having the form of modern business and shopping streets oriented towards people in the newly emerging urban centres of cities and other settlements (Mehta, 2009). At the same time, car traffic is being reduced or eliminated completely in urban centres, in order to bring the space closer to a wider range of users. In Slovenia, too, we are confronted with two opposing processes in the current planning of urban transport systems. When renovating historic streets, we follow the current trends of sustainable design (Pignar, 2015) and give priority to “street life and events on the street”, tourism and trade. In doing so we preserve their original character and implement measures to reduce car traffic. At the same time, we want to meet the growing demand for urban bypasses, access roads and other city roads that are increasingly congested as the amount of (mainly passenger) traffic increases. The biggest traffic congestion usually occurs during morning and afternoon rush hours, when people commute to and from work (DARS, 2019), and in the afternoons in larger shopping centres. It is daily commuting, besides the freight transport, that causes the worst congestions in the entire urban transport system (MzI, 2018); from access roads to main and other city roads, and above all it requires large areas for stationary traffic. In this paper we present the analysis of the current situation which, according to statistical and other data (SORS, 2020a; SORS, 2020b; AJPES, 2019), shows the increasing centralisation of workplaces and business entities in the main employment centres, leading to an increase in daily commuting. We answer the following research questions: 1. What is the spatial distribution of workplaces in Slovenia, what is the trend of their change and does their distribution follow the concept of a polycentric urban network (SPRS, 2004)? 2. What is the spatial distribution of business entities in Slovenia? Is there a correlation between the number of workplaces and the business entities? 3. What is the size and spatial distribution of business entities in terms of sector of activity and loca­tion, focusing mainly on the Osrednjeslovenska statistical region and on the City Municipality of Ljubljana (hereinafter referred to as MOL)? Although the direct effects of the described situation are usually first seen on the congestion of trans­port infrastructure, the problem is much more complex and needs to be addressed on a broader scale. Therefore in conclusion it is worth pointing out possible systemic solutions for the decentralization of workplaces and business entitites. 2 RESEARCH METHODS AND DATA The research was carried out based on publicly accessible data (SORS, 2020a; SORS, 2020b) and other public databases (AJPES, 2019), processed with an applicable software tool (ArcGIS). Methodologically, the previously set questions were followed. Firstly, we conducted the analysis of the number of workplaces in Slovenian municipalities in the period 2007-2019 (SORS, 2020b). First, the number of workplaces in Slovenian municipalities for 2019 (SORS, last available data) is shown, and then the trend of change in the number of workplaces in a municipality for the whole period 2007-2019 or for the period since the establishment of a particular municipality is added. The trend was classified into six (6) classes according to the Jenks method (the method finds the places of maximum data densification), which can be defined as follows: strong growth, growth, weak growth, weak decline, decline, strong decline. In addition, with regard to the number of workplaces in a municipality for 2019, the difference in the relative number of workplaces in a municipality in comparison to Slovenia in 2007-2019 was calculated (expressed as percentage point for municipalities with at least 1% of workplaces in 2019. Based on the results obtained and comparison with other relevant studies in Slovenia (e.g. Pogacnik et. al., 2011; Nared et al. 2016; Report, 2016), we assessed whether their distribution follows the concept of the adopted polycentric urban network (SPRS, 2004). Secondly, we checked the size and spatial distribution of business entities using the database of all registered business entities in Slovenia in year 2019 (AJPES, 2019), which also contains the location of registration of each business entity. Business entities were also checked in order to observe in which municipalities their number represents at least 1% of all business entities in Slovenia. The results of the described steps are then compared descriptively. The results of the two steps were compared descriptively and with the Pearson correlation coefficient between the number of workplaces and the number of business entities in all city municipalities and all municipali­ties that have at least 1% of workplaces or business entities in relation to the total number of workplaces or business entities in Slovenia. We also calculated the number of workplaces and business entities per 1000 inhabitants. The size of business entities is also important, and they divided into micro (0-9 employees), small (10-49 employees), medium (50-249 employees) and large (over 250 employees) enterprises (SORS, 2020a). In this context, it is important to point out an inadequacy of the database used (AJPES, 2019), as the registration procedure allows business entities to register an activity at one address but actually carry it out at another. Similarly, in the case of employee registration, larger companies register all their employees at one address, although they actually work in company units that may be spread across the country. Therefore, the results of the analysis do not fully reflect the actual situation, as already pointed out by Cok et al. (2020), who even assume that it is not just a negligible proportion of non-compliant locations. In addition, the AJPES database does not provide sufficient quality data on business entities size and num­ber of employees, so we obtained these data from the SORS website (SORS, 2020a). It should be noted that there are also differences between the two databases, but these should not have a significant impact on the results obtained. Despite the shortcomings identified, mainly of the AJPES database, we conclude that the combination of the two databases is sufficiently suitable for the needs of the research work. Thirdly, an even more detailed analysis of business entities in the Osrednjeslovenska statistical region was conducted. The business entities were redistributed according to (a) the location in MOL, the mu­nicipalities directly bordering MOL and in the other municipalities of the Osrednjeslovenska statistical region, and (b) the sector of activity. For this purpose, we have considered the available data on activities from the Decree on the Standard Classification of Activities (SKD, 2010), we grouped all registered business entities by sectors of activity based on our own redistribution (Cok et al., 2020): – primary sector (agriculture, hunting, forestry, fishing, mining, oil and gas), – secondary sector (production - processing and construction), – tertiary sector (all services that are not services of general interest (ESPON SeGI, 2013), including information and communication technologies, transport, trade, tourism) and – quaternary sector (services of general interest: public administration, health, justice, culture, edu­ cation, science, social care). In conclusion, based on the findings, we provide some orientations for more sustainable spatial develop­ment, which arise also from (1) the needs of an aging society (Cernic Mali and Marot, 2019), (2) the increasing digitalisation of society, which allows an appropriate decentralization of workplaces in the public sector, and (3) the spatial possibilities of living environment that already allow the organization of numerous workplaces in the form of work at home or from home (Cok and Furman Oman, 2019). 3 RESULTS 3.1 Extent and the trend of change of workplaces in Slovenia from 2007 to 2019 The changes in the number of workplaces were observed in the period from 2007, before the economic crisis, to 2013, when the economic crisis was at its peak, and between 2013 and 2019, when the eco­nomic situation in Slovenia was constantly improving. The declining and/or growing trend is presented separately for both periods and synthetically for 2007-2019. Figure 1 shows the number of workplaces by municipalities in Slovenia in 2019 and the difference in the relative number of workplaces in percentage points in the municipality compared to Slovenia in the period 2007-2019. From the point of view of the urban network, those municipalities with at least 1% of all workplaces in Slovenia are particularly interesting. There are only 14 such municipalities (Table 1). In the period 2007-2019, the concentration of workplaces in Slovenia increased the most in MOL, by 2.13 percentage points. It also increased in the urban municipality of Novo mesto, but only by 0.23 percentage points. On the other hand, the concentration of workplaces decreased the most in the urban municipality of Maribor, by 0.84, in the urban municipality of Velenje, by 0.59, and in the urban mu­nicipality of Murska Sobota, by 0.44 percentage points. However, it is interesting to note that the trend of increasing concentration of workplaces does not occur in all city municipalities in Slovenia or in all centres of national or regional importance according to the SPSR (2004). As it appears, the concentra­tion of workplaces in most centres of national importance is declining. The results of the analysis also show (Table 1) that at the peak of the financial crisis in 2013, the number of workplaces fell in all the above-mentioned municipalities or at least in MOL. Compared to the work-places analysis by Bole (2011) for the period 2000-2009, the number of workplaces in 2013 (760,131) has fallen to almost the same level as the number of workplaces in 2000 (756,426). Figure 1: The number of workplaces in a municipality in 2019 and the difference in the relative number (percentage points) of workplaces in a municipality compared to Slovenia in the period 2007-2019 (data source: SORS, 2020a; own presentation). A comparison of the relative number of workplaces in a municipality in relation to the total number of all workplaces in Slovenia shows the concentration of workplaces mainly in MOL and in the urban mu­nicipality of Maribor. In 2019 MOL had more than 26.5% of all workplaces in Slovenia and the urban municipality of Maribor had 7.1%. Thus, both municipalities together provided more than one third of all workplaces in Slovenia. The difference in the relative number of workplaces in the period 2007­2013 was negative for most of the observed municipalities (the concentration of workplaces decreased), positive for MOL, where the concentration of workplaces increased by as much as 1.9 percentage points, and in the city municipalities of Novo mesto, Koper, Domžale and Krško. In the period 2013-2019, the trend of increasing concentration of workplaces increased the most in MOL (by 0.25 percentage point), while it decreased the most in the urban municipality of Murska Sobota (by 0.26 percentage point). The highest concentration of workplaces in MOL was created during the financial crisis (2007-2013) and much less later (2013-2019). On the other hand, in the urban municipality of Novo mesto workplaces were concentrated mainly after the crisis (2013-2019). In contrast, the concentration of workplaces in the city municipalities of Maribor, Velenje and Kranj decreased mainly during the crisis (2007-2013), while the concentration of workplaces in the city municipalities of Velenje, Murska Sobota, Nova Gorica and Celje decreased steadily throughout the period under review (2007-2019) (Table 1, Figure 2). Table 1: The number of workplaces and the difference in relative number of workplaces (percentage points) in 2007, 2013 and 2019 in municipalities in Slovenia with at least 1% of workplaces in 2019 (SORS data source, 2020; own calculation). Difference Difference Difference State/municipality No. of No. of No. of Share of of of of (urban municipality is workplaces workplaces workplaces workplaces workplaces workplaces workplaces marked as MO) 2007 2013 2019 2019 (%) 2007-2013 2013-2019 2007-2019 MO Ljubljana 199,966 199,785 232,065 26.53 1.88 0.25 2.13 MO Maribor 64,723 54,438 61,708 7.06 -0.74 -0.11 -0.84 MO Celje 30,325 27,224 30,165 3.45 -0.12 -0.13 -0.25 MO Novo mesto 22,215 21,136 25,734 2.94 0.07 0.16 0.23 MO Kranj 24,949 22,178 25,318 2.89 -0.13 -0.02 -0.15 MO Koper/Capodistria 23,101 21,841 25,233 2.89 0.05 0.01 0.07 MO Velenje 20,076 15,820 16,270 1.86 -0.37 -0.22 -0.59 MO Nova Gorica 15,991 13,884 14,768 1.69 -0.13 -0.14 -0.26 MO Ptuj 12,371 11,135 13,104 1.50 -0.04 0,03 -0,01 MO Murska Sobota 15,184 12,708 12,349 1.41 -0.18 -0.26 -0.44 Domžale 10,774 10,072 11,857 1.36 0.01 0.03 0.04 Škofja Loka 8,900 8,072 9,966 1.14 -0.02 0.08 0.05 Figure 2: The difference in relative number of workplaces (percentage points) in the periods 2007-2013 and 2013-2019 in munici­palities with more than 1% of workplaces in Slovenia in 2019 (data source: SORS, 2020; own calculation and presentation). On the basis of the above results (Figure 1), we note that there was a significant concentration of workplaces in Slovenia during the reporting period, especially in the area of MOL and in neigh-bouring municipalities (Dol pri Ljubljani, Ivancna Gorica, Grosuplje, Škofljica, Ig, Brezovica), and to a much lesser extent in some municipalities along the motorway network (npr. Lukovica, Slovenske Konjice), which, on the one hand, makes it more attractive locations for new businesses entities, thereby concentrating workplaces and allowing workers to commute faster between major employment centres (see also Bole, 2011). The concentration of workplaces is also increasing in the municipalities of Cerklje na Gorenjskem, Komenda and Šencur, which indicates a consequent weakening of Kranj.This additionally confirmed the findings of reports on spatial development (Assessment of spatial development, 2001; Report, 2016) and some previous studies (e.g. Nared et al., 2016) on the increasing centralisation of MOL, which itself provides more than a quarter of all workplaces in Slovenia. All other urban centres are far behind (in second place is the urban municipality of Maribor with just over 7% of all workplaces in Slovenia). We can state that the situation is in a strong contradiction with the strategic objectives of sustainable spatial development, which has been addressed for decades in practically all relevant (spatial) development documents at state level. 3.2 Size and spatial distribution of business entities Similar to the results of the analysis of the distribution of workplaces, the analysis of the spatial distribution of business entities (Figure 3) clearly shows the centralisation in the areas of larger employment centres (Figure 4), especially in MOL, which, like the number of workplaces, is dominated by the number of business entities (44,249) and accounts for 21.8% of all business entities in Slovenia. This is followed by Maribor with 6.0%, Koper with 3.2%, Celje with 2.9% and Kranj with 2.7% of all business entities. All other major employment centres account for between 1.0% and 2.0% of all business entities in Slovenia (Nova Gorica in Domžale with 1.9%, Novo mesto with 1.6%, Kamnik in Ptuj with 1.3%, Piran in Velenje with 1.2%, Radovljica, Slovenska Bistrica, Krško, Murska Sobota in Brežice wtih 1.1% and Škofja Loka, Žalec in Izola with 1.0% business entities). There are 20 of these centres, as opposed to 14 centres in more than 1% of workingplaces. Among the more important (city) municipalities, Slovenj Gradec has the lowest share of business entities (0.8%). An even smaller share of business entities is located in municipalities whose urban centres play an important role as part of conurbations in the proposed network of urban centres in Slovenia (Ravne na Koroškem, Dravograd, Šempeter, Vrtojba, Brežice, etc.; Model of SPRS 2050, 2018). Regardless of the trend of growth or decline of workplaces, the highest concentration of business enti­ties in 2019 was recorded in the areas of the MOL and City Municipality of Maribor, followed by the City Municipalities of Koper, Kranj and Celje, while in other municipalities with a centre of national importance (SPRS, 2004) the number of business entities does not exceed 5,000 (e.g. City Municipali­ties of Novo mesto and Nova Gorica).The data also show that 155 (73% of the 212 municipalities in Slovenia) have less than 1,000 business entities. Figure 3: Number of business entities in a municipality; displayed are the 20 municipalities with more than 1% of business entities and 14 municipalities with more than 1% of workplaces in Slovenia (data source: AJPES, 2019; own calculation and presentation). The data also show a strong correlation between the number of workplacces and the number of business entities both in the selected 20 municipalities (Pearson coefficient R=0.99, indicating a very strong correlation between these two variables) and in all Slovenian municipalities (R=0.98). However, these data do not tell us much about the size of the enterprises, since both a smaller number of larger business entities can provide more workplaces and, conversely, a larger number of smaller business entities can provide fewer less wokrplaces. According to the SORS data (2020b), in all Slovenian municipalities over 90% of enterprises are micro (0-50 employees), followed by small (10-49 employees), medium (50-249 employees) and large (over 250 employees). The latter are also the most numerous in MOL with 145 (0.33%) out of 44,249 business entities, while the share of large enterprises in the country is only 0.18%. Other large employers are in City Municipalities of Velenje with 0.42% (but only 10 business entities), Novo mesto with 0.31%, Murska Sobota with 0.27%, Celje with 0.26%, Maribor with 0.25%, Krško with0.25% and Slovenska Bistrica with large companies accounting for 0.24% of all companies in the municipality. Since the results confirm that the number of workplaces and the number of business entities in the municipalities are not strictly proportional for all municipalities, we also calculated the number of business enti­ties per 1000 inhabitants in Slovenian municipalities (Figure 4). This analysis also showed that the municipalities with at least 1% of the total business entities in the country are also the municipali­ties with the most large companies. Figure 4: The comparison between the number of business entities and workplaces per 1,000 inhabitants and the total number of business entities (the dotted line) in municipalities with at least 1% of business entities in relation to the total number of business entities in Slovenia (data source: AJPES, 2019; SORS, 2020; own calculation and presentation). 3.3 Results of a more detailed analysis of the distribution of business entities in the Osrednjeslovenska statistical region In Slovenia, the Osrednjeslovenska statistical region stands out the most. It contains 85,359 or 33.2% of all business entities in Slovenia (AJPES, 2019), which together provide 293,647 workplaces and employ 35.8% of the working population (SORS, 2020a). The largest share is represented by business entities in the tertiary sector (74.2%), followed by business entities in the quaternary (17.6%) and secondary (7.8%) sectors, while in the primary sector they account for only 0.4% (Table 2). In terms of activity, the tertiary and quaternary sectors thus strongly dominate, with a 91.8% share of all business entities in the Osrednjeslovenska statistical region. Table 2: The number and the share of business entities by sectors of activity in the Osrednjeslovenska statistical region in comparison to Slovenia. Slovenia Osrednjeslovenska statistical region  Share of activity in individual Sector of activity No. of business No. of business Share (%) Share (%) sector in relation entities entities to the whole B - secondary 26,611 10.4 6671 7.8 25.0 C - tertiary 180,465 70.2 63,374 74.2 35.1 The Osrednjeslovenska statistical region lags behind in the primary sector with only 0.4% of the total number of these activities (1.1% in Slovenia). The secondary sector accounts for 25.0% of all business entities in Slovenia. However, the shares of business entities in the tertiary (35.1%) and quaternary (31.6%) sectors show a strong bias towards service activities such as ICT, transport and trade, and services of general interest (ESPON SeGI, 2013). A further analysis was carried out to examine in more detail the distribution of business entities within the region (Figure 5) and to verify whether the concentration of business entities is indeed highest in MOL. Figure 5: The distribution of business entities in MOL, in the municipalities directly bordering MOL and in other municipalities in the Osrednjeslovenska statistical region. A more detailed division of the spatial distribution of the business entities in the Osrednjeslovenska statistical region illustrates the considerable concentration within MOL. This density decreases rapidly by location of the municipality in a statistical region (Table 3). 65.8% of all the business entities in the region are present in MOL, in the municipalities directly bordering MOL this proportion is much lower (21%), and in all other municipalities in the region there are only 12.9% of business entities. Table 3: The distribution of business entities in municipalities in the Osrednjeslovenska statistical region. municipalities directly bordering MOL 18,441 21.6 all other municipalities in the region 10,998 12.9 Total 85,359 100.0 Thus, a centralization of business and administration can be observed in MOL (21.8% of all business entities in Slovenia), followed by the City Municipality of Maribor (6.0%) with a large gap. All other municipalities, which are relatively large employment centres in their statistical regions, are even further Gregor Cok, Samo Drobne, Gašper Mrak, Mojca Foški, Alma Zavodnik Lamovšek | VPLIV CENTRALIZACIJE DELOVNIH MEST IN POSLOVNIH SUBJEKTOV NA PROSTORSKI RAZVOJ | THE IMPACT OF THE CENTRALISATION OF WORKPLACES AND BUSINESS ENTITIES ON SPATIAL DEVELOPMENT | 533-558 | behind. This process is logically accompanied by daily commuting with all its environmental impacts, as the largest employment centres have a larger number of workplaces than the active population (compare with Bole, 2008, p. 56-57). 4 CONCLUSIONS Literature study (Bole, 2011; Bole and Gabrovec, 2012) and conducted analysis of the distribution of workplaces and business entities in Slovenia has shown that we have been confronted with the problem of centralisation for a long time. The survey for the period 2007-2019 has shown a trend of workplace growth especially in MOL (for 2.13 percentage points), and to a lesser extent in Novo mesto (for 0.23 percentage points) and Koper (for 0.07 percentage points), while in city municipalities, and in national and regional centres the number of workplaces has been decreasing. When it comes to the spatial distribution of business entities, the highest concentration for 2019 was recorded in the areas of MOL and the urban municipality of Maribor, followed by the city municipali­ties of Koper, Kranj and Celje. Among the statistical regions, Osrednjeslovenska statistical region stands out the most as it counts for 33.2% of all business entities (Table 3), which together employ more than one third of the total working population in Slovenia. In terms of activities, the tertiary and quaternary sectors dominate with a share of 91.8% of business entities in MOL and 88.6% in Slovenia. At the same time, it is important to note that the available data (AJPES and SORS) are not sufficient to show how many people are actually employed in these activities. Moreover, the location of business entities should be linked to the location of residence, daily commuting and migration. In this way, the addressed issues and their impact on spatial development can be explained more comprehensively. We can conclude that during the transition period MOL and its surrounding municipalities have utilised their comparative advantages (both before, during and after the crisis) in terms of their geostrategic and transport location, the presence of most state institutions, planned investments in business zones and housing, etc., which generally increases interest in the economy, education and life in this environment. On one hand, the situation (Assessment of Spatial Development, 2001; Report, 2016) certainly shows a deviation from the strategic orientations of a polycentric and balanced spatial development (SPRS, 2004), on the other hand an insufficient implementation of the current spatial legislation (ZUreP-2, 2017) and an insufficient control of spatial processes. With poor or insufficient public transport and a population oriented towards mobility by private car, the burden on the transport system increases (negative environmental and health impacts) including the intertwined road network and street system in cities. Solutions to these types of problems often focus on solving transportation problems through ad hoc and partial projects rather than a systemic approach of coordinated spatial location of activities that would provide more successful, spatially appropriate, and cost-effective solutions in the long term. We proposed three key suggestions for systemic measures that can significantly influence future spatial development: – use existing areas already equipped with municipal services for entrepreneurial activities (Kušar, 2012), but otherwise focuses development on decentralization of workplaces (and business entities) from urban centres to rural areas. In this way, the problem of accessing services of general interest and day care facilities for the aging population in rural areas (Cernic Mali and Marot, 2019) would be solved, while at the same time the transport system would be relieved at the expense of reducing daily commuting in major urban centres, especially in Ljubljana, – use the benefits of digitalisation of society, which, if properly organized, will enable the decentrali­zation of workplaces in the public sector, and – enable the organization of numerous workplaces in the form of work at home or from home (Cok, 2019), given that the spatial possibilities already allow this, as has been demonstrated in the current period of the coronavirus crisis. This situation also calls for a rethinking of spatial development in areas such as housing affordability, the effectiveness of inter-municipal competition, and the special position of cities as agglomeration economies (Stern, 2021). Slovenia already has the appropriate instruments to implement the proposed measures within the exist­ing strategic development documents (SPRS, 2004; SRS 2030, 2016, etc.) and in the spatial legislation (ZUreP-2, 2017) or within the mechanisms of spatial planning and implementation legislation. On the basis of the above-mentioned facts, we can conclude that, despite the principles of sustainable development and the adopted direction of polycentric spatial development, Slovenia has been confronted with an apparent trend of centralisation, mainly in the MOL area, which raises two fundamental questions: Are we able to regulate current trends in spatial development, and do we even want harmonious spatial development? Acknowledgement The authors acknowledge the financial support from the Slovenian Research Agency for the partial co-financing of the research programme Geoinformation Infrastructure and Sustainable Spatial Develop­ ment of Slovenia ((P2-0227). Literature and references: AJPES (2019). Slovenian Business Register. Ljubljana: Agency of the Republic of Slovenia for Public Legal Records and Related Services. https://www.ajpes.si/ fipo/default.asp, accessed 12. 11. 2019. Assessment of Spatial Development (2001). Assessment of Spatial Development, Government of the Republic of Slovenia. Ljubljana: Ministry of the Environment and Spatial Planning. Bole, D. (2008) Ekonomska preobrazba slovenskih mest. Geografija Slovenije 19. http://giam2.zrc-sazu.si/sites/default/files/9789612540906.pdf, accessed 22. 07. 2021 Bole, D. (2011). Changes in employee commuting: a comparative analysis of employee commuting to major Slovenian employment centers from 2000 to 2009. Acta geographica Slovenica, 51 (1), 93–108 Bole, D., Gabrovec, M. (2012). Daily commuters in Slovenia. Geografski vestnik, 84 (1), 171–185, http://zgs.zrc-sazu.si/Portals/8/Geografski_vestnik/vestnik-84­ 1-bole-gabrovec.pdf, accessed 20. 7. 2021. Cairns, S., Sloman, L., Newson, C., Anable, J., Kirkbride, A., Goodwin, P. (2008). Smarter Choices: Assessing the Potential to Achieve Traffic Reduction Using ‘Soft Measures’. Transport Reviews, 28 (5), 593–618. DOI: https://doi. org/10.1080/01441640801892504 Clark, C. (1958). Transport: Maker and Breaker of Cities. The Town Planning Review, 28 (4), 237–250. https://www.jstor.org/stable/40101624, accessed 5. 12. 2019. Cernic Mali, B., Marot, N. (2019). Izzivi zagotavljanja storitev splošnega pomena za starejše v težje dostopnih podeželskih obmocjih: primer Idrijsko-Cerkljanskega. Bovec: Slovenski regionalni dnevi 2019. Cok, G., Furman Oman, M. (2019). Delo na domu kot prostorski pojav: arhitekturni in urbanisticni vidik regulacije dela na domu. Igra ustvarjalnosti, 7, 38–45. DOI: https://doi.org/10.15292/IU-CG.2019.07.038-045 Cok, G., Mrak, G., Zavodnik Lamovšek, A. (2020). Analiza prostorne distribucije poslovnih subjekata u Sloveniji. Prostor: znanstveni casopis za arhitekturu i urbanizam, 28 (1), 76–87. DOI: https://doi.org/10.31522/p.28.1(59).4 DARS (2019). Izhodišca urejanja ljubljanskega avtocestnega obroca in vpadnih cest. Izvršilni povzetek. Ljubljana: Press conference of the Ministry of Infrastructure. https://www.dars.si/Content/doc/medijsko-sredisce/lj_obroc_pobuda_ povzetek.pdf, accessed 15. 7. 2021 Dhval, H. P., Himanshu, J. P. (2021) A review literature about urban sprawl: causes, impact and method of controlling. Internationa Journal of research in Engineering and Science, 9 (1), 73–78. https://www.ijres.org/papers/Volume-9/Issue-1/2/ L0901027378.pdf, accessesd 19. 7. 2021 ESDP (1999). European Spatial Development Perspective: Towards Balanced and Sustainable Development of the Territory of the European Union. Luxembourg: Committee on Spatial Development. European Commission. ESPON SeGI (2013). Indicators and Perspectives for Services of General Interest in Territorial Cohesion and Development. Aplied Research. Final Report. Executive Summary. ESPON & Royal Institute of Techology (KTH). Furchtlehner, J., Licka, L. (2019). Back on the Street: Vienna, Copenhagen, Munich, and Rotterdam in focus. Journal of Landscape Architecture, 14 (1), 72–83. DOI: https://doi.org/10.1080/18626033.2019.1623551 Gu, H., Chen, Y. (2017) The spatial distribution characteristic of enterprises in Beijing Chaoyang CBD. Advances in Economics, Business and Management Research. 37, pp. 1009–1021. International Conference on Transformations and Innovations in Management (ICTIM-17). DOI: https://doi.org/10.2991/ictim-17.2017.59 Herala, N. (2003). Regulating Traffic with Land Use Planning. Sustainable Development, 11, 91–102. DOI: https://doi.org/10.1002/sd.209 Horner, M. W., Murray, A. T. (2003). A multi-objective approach to improving regional jobs-housing balance. Regional Studies, 37, 135–146. DOI: https://doi.org/10. 1080/0034340022000057514 Kozlak, A., Wach, D. (2018). Causes of traffic congestion in urban areas. Case of Poland, SHS Web of Conferences 57, 01019. Kušar, S. (2012). Usmeritve za trajnostni prostorskih razvoj obmocij proizvodnih dejavnosti. Revija za geografijo – Journal for Geography, 7 (1), 115–130. https:// dk.um.si/Dokument.php?id=123734, accessed 20. 7. 2021. Litman, T. (2020). Land Use Impacts on Transport. How Land Use Factors Affect Travel Behavior, Victoria Transport Policy Institute. Mehta, V. (2009). Look Closely and You Will See, Listen Carefully and You Will Hear: Urban Design and Social Interaction on Streets. Journal of Urban Design, 14 (1), 29–64. DOI: https://doi.org/10.1080/13574800802452658 Model SPRS 2050 (2018). Model prostorskega razvoja Slovenije 2050. Dinal report. Ljubljana: Assessment of Spatial Development. MzI (2018). Pobuda za državno prostorsko nacrtovanje za ureditev ljubljanskega avtocestnega obroca in vpadnih cest ter predlog dopolnjujocih ukrepov reševanja prometne problematike. Ljubljana: Ministry of Infrastructure of he Republic of Slovenia, PNZ svetovanje projektiranje d.o.o., LUZ d.d. Nared, J., Bole, D., Breg Valjavec, M., Ciglic, R., Cernic Istenic, M., Goluža, M., Kozina, J., Lapuh, L., Razpotnik Viskovic, N., Repolusk, P., Rus, P., Tiran, J. (2016). Policentricno omrežje središc in dostopnost prebivalstva do storitev splošnega in splošnega gospodarskega pomena. Final report. Ljubljana: ZRC SAZU. Nared, J., Repolusk, P., Cernic Istenic, M., Trobec, A., Zavodnik Lamovšek, A., Drobne, S., Foški, M., Mrak, G., Rozman, U. (2019). Celovita demografska naaliza s projekcijami za podeželska in urbana obmocja. Final report. Ljubljana: ZRC SAZU and University of Ljubljana, Faculty of Civil and Geodetic Engineering. Osnutek SPRS 2050 (2020). Gradivo za javno razpravo o osnutku SRPS 2050. Ljubljana: Ministry of the Environment and Spatial Planning. PNZ (2016). Priprava in izvedba ankete po gospodinjstvih o prometnih navadah prebivalcev na nivoju Republike Slovenije, Ljubljana: PNZ. Pignar, U. (2015). Kreativno preoblikovanje ulicnih prostorov. Primer zacasne ureditve Koroške ceste v Mariboru. Project work. Maribor: University of Maribor, Faculty of Civil Engineering, Transportation Engineering and Architecture. Pogacnik, A., Foški, M., Drobne, S., Konjar., M., Lipar, P., Brilly, M., Žura, M., et al. (2011). Analiza stanja, razvojnih teženj ter usmeritev za strateški prostorski razvoj Slovenije. Ljubljana: University of Ljubljana, Faculty of Civil and Geodetic Engineering and School of Economics and Business, Inštitut za prostorski razvoj, University of Maribor, Faculty of Civil Engineering, Transportation Engineering and Architecture. Region in figures (2018). Statistical portrait of Slovenian regions. Ljubljana: SORS. Report (2016). Spatial Development Report. Ljubljana: Ministry of the Environment and Spatial Planning. SKD (2010). Decree on the Standard Classification of Activities, Klasifikacije, št. 11. Ljubljana: Statistical Office of the Republic of Slovenia. http://www.stat.si/ Klasje/Klasje/Tabela/5531, accessed 5. 12. 2019. SORS (2020a) Si-stat: Enterprises by municipalities, year, measures and number of persons employed. Ljubljana: Statistical Office of the Republic of Slovenia. https://pxweb.stat.si/SiStatData/pxweb/en/Data/-/1418810S.px/table/ tableViewLayout2, accessed 17. 7. 2021. SORS (2020b). Si-stat: demographic and work area. Ljubljana: Statistical Office of the Republic of Slovenia. https://pxweb.stat.si/SiStat, accessed 12. 5. 2020. SORS (2021). Registered road vehicles, Slovenia, 2020. Ljubljana: Statistical office of the Republic of Slovenia. https://www.stat.si/StatWeb/news/Index/9389, accessed 12. 5. 2020. SPRS (2004). Odlok o strategiji prostorskega razvoja Slovenije. Official Gazette of the Republic of Slovenia No 76/2004. SRS 2030 (2017). Strategija razvoja Slovenije 2040 [Development Strategy of Slovenia 2040]. Ljubljana: Government of the Republic of Slovenia. https:// www.gov.si/assets/vladne-sluzbe/SVRK/Strategija-razvoja-Slovenije-2030/ Strategija_razvoja_Slovenije_2030.pdf, accessed 12. 3. 2018. Stern, S. M. (2021) Untransit: remote work and the transformation of zoning. DOI: https://doi.org/10.2139/ssrn.3800412 Tiran, J., Ciglic, R., Hrvatin, M., Gabrovec, M. (2021). Analiza kakovosti storitev in konkurencnost JPP ter predlogi možnih izboljšav. Ljubljana. https://www. care4climate.si/_files/1446/Analiza-kakovosti-storitve-in-konkurencnosti-JPP­ ter-predlogi-moznih-izboljsav_FINAL_v3.pdf, accessed 17. 7. 2021. ZPNacrt (2007). Zakon o prostorskim nacrtovanju [Spatial Planning Act]. Official Gazette of the Republic of Slovenia No 33 /2007. ZUreP-2 (2017). Zakon o urejanju prostora [Spatial Management Act]. Official Gazette of the Republic of Slovenia No 61/2017. Cok G., Drobne S., Mrak G., Foški M., Zavodnik Lamovšek A. (2021). The impact of the centralisation of workplaces and business entities on spatial development. Geodetski vestnik, 65 (4), 533-558. DOI: https://doi.org/10.15292/geodetski-vestnik.2021.04.533-558 VPLIV CENTRALIZACIJE DELOVNIH MEST IN POSLOVNIH SUBJEKTOV NA PROSTORSKI RAZVOJ OSNOVNE INFORMACIJE O CLANKU: GLEJ STRAN 533 1 UVOD Prostorski razvoj Slovenije je opredeljen v razlicnih strateških dokumentih (SRS 2030, 2017; SPRS, 2004; Osnutek SPRS 2050, 2020), ki se že desetletja usmerjajo v trajnostni razvoj, predvsem na podlagi krepitve policentricnega urbanega omrežja. Porocili o stanju v prostoru (Ocena stanja, 2001; Porocilo, 2016) pa kljub sprejetim odlocitvam izkazujeta nasprotne trende. Krepitev prostorskega razvoja je opazna le na obmocjih nekaterih urbanih središc (Nared et al., 2016). Najocitnejša je zlasti na obmocju Ljubljane kot prestolnice in v preostalih dveh nacionalnih središcih mednarodnega pomena (Koper, Maribor; SPRS, 2004). V ta tri mesta so se umestile številne poslovne, upravne, izobraževalne in druge funkcije, ki vzpodbujajo obsežno dnevno delovno mobilnost iz ožjega in širšega zaledja. Njihove prostorske vplive zaznamo tudi na drugih podrocjih, kot so: poslovna potovanja, mobilnost šolske mladine in študentov ter mobilnost prebivalstva zaradi potreb po specializiranih storitvah. Evidentna je tudi demografska rast teh mest in naselij, pripadajocih mestnim obcinam, in obcin v njihovem ožjem zaledju (manj prisotno v okolici Maribora) ob hkratnem praznjenju podeželskega prostora (Nared et al., 2019), splošna motorizacija pre­bivalstva (vec kot 554 avtomobilov na tisoc prebivalcev; SURS, 2021), nezadosten oziroma neucinkovit sistem javnega potniškega prometa (Tiran et al., 2021), nezadostna prometna infrastruktura in posledicno neucinkoviti režimi prometne regulacije. Med navedenimi najbolj izstopa dnevna delovna mobilnost, zlasti na obmocju osrednjeslovenske statisticne regije, v katero dnevno prihaja 80.600 delovno aktivnih oseb, iz nje pa jih odhaja le 19.700 (Regije v številkah, 2018). Podatki kažejo, da se trendi, ki jih kažejo predhodne raziskave dnevne delovne mobilnosti v Sloveniji, ne spreminjajo (Bole in Gabrovec, 2012). V letu 2016 (PNZ) izvedena anketa opozarja tudi na relativno nizek odstotek uporabe javnega potniškega prometa, saj ga med anketiranimi v povprecnem delovnem dnevu uporablja le 8 % dnevnih vozacev na delo, 74 % pa jih uporablja osebni avtomobil. Tako se, kljub izgradnji avtocestnega križa v minulih desetletjih in nenehnemu izboljševanju mestnih prometnih sistemov, še vedno srecujemo s preobremenjenostjo prometne infrastrukture, zlasti na ravni regionalnih središc (MzI, 2018). Ta se zrcali tako v povecanju prometih tokov kot v suburbanizaciji (Dhval et al., 2021) ter posledicnih negativnih vplivih na zdravje in okolje, kar je tudi posledica razvoja gospodarskih dejavnosti, kar ne sledi usmeritvam trajnostnega prostorskega razvoja (Kušar, 2012, 116). Med temeljne razloge za takšno stanje spada zlasti dosedanja konfliktnost pri nacrtovanju urbanih funkcij in mestnega prometnega sistema (Kozlak in Wach, 2018). Hitrost demografske, poslovne in upravne širitve ter drugi vplivi, kot so naravnogeografske danosti na eni ter znanje in upravljanje na drugi strani, namrec mocno vplivajo na hitrost razvoja in distribucijo dejavnosti v prostoru ter nacrtovanje njegove rabe (Gu in Chen, 2017). Tako se kljub uresnicevanju nacel trajnostnega razvoja (ESDP, 1999) po dveh desetletjih v prostoru še vedno srecujemo z neskladjem med strateškimi usmeritvami, zacrtanimi cilji in dejanskim prostorskim razvojem. Pa vendar je že v prvi polovici dvajsetega stoletja (Burgesov model urbane rabe prostora iz leta 1925) pos­talo jasno, da je za ucinkovitost urbanih sistemov kljucnega pomena prav strateško nacrtovanje dejavnosti v prostoru (Herala, 2003) in njihova prometna dostopnost. Tudi aktualna nacela mobilnosti (Cairns et al., 2008; Litman, 2020) in trajnostnega razvoja poudarjajo pomen celostnega pristopa k uravnoveša­nju potreb v urbanih okoljih (Horner in Murray, 2003). Kljucne preobrazbe je konvencionalni mestni prometni sistem doživel z motorizacijo v zacetku 20. stoletja (Clark, 1958), zato morajo biti strategije razvoja usmerjene ne le v spodbujanje prožnejših oblik nacrtovanja rabe prostora in razmestitve dejavnosti, temvec tudi v razlicne oblike trajnostne mobilnosti. Z decentralizacijo delovnih mest in možnostjo dela od doma (Stern, 2021) bo omogoceno zmanjševanje dnevne delovne mobilnosti v mesta ob hkratnem zmanjševanju negativnih vplivov prometa na zdravje ljudi in okolje. Mestni prometni sistem se namrec še vedno srecuje z izzivi regulacije obstojecega stanja (Furchtlehner in Licka, 2019). Na eni strani smo prica fenomenu izpraznjenih ulic, kar je posledica splošne družbene mobilnosti oziroma sodobne kulture bivanja in dela ter razmaha nakupovalnih središc. Na drugi strani pa smo prica razvoju alternative konvencionalni mestni ulici z javnim programom v obliki novodobne poslovne in nakupovalne ulice, umešcene v nastajajoca urbana težišca mest in drugih naselij (Mehta, 2009). Vzporedno se predvsem v mestnih središcih izvaja proces zmanjševanja in ukinjanja motornega prometa za ponovno približevanje tega prostora širšemu spektru uporabnikov. Tudi v Sloveniji se pri aktualnem nacrtovanju mestnih prometnih sistemov srecujemo z obema nasprotnima procesoma. Na podrocju prenove historicnih ulic sledimo aktualnim trendom trajnostnega oblikovanja (Pignar, 2015) in dajemo prednost »ulicnemu življenju in dogajanju na ulici«, turizmu in trgovini. Pri tem ohranjamo njihov izvorni znacaj in izvajamo ukrepe za zmanjševanje motornega prometa. Hkrati želimo zadovoljiti vse vecje potrebe po pretocnosti mestnih obvoznic, vpadnic in drugih mestnih cest, ki z narašcajocim (predvsem osebnim) prometom postajajo vse bolj obremenjene. Obremenjenost cest je praviloma najvecja v jutranjih in popoldanskih konicah (DARS, 2019), ko se ljudje vozijo na delo in z dela ter popoldne tudi v vecja nakupovalna središca. Ugotavljamo, da je prav dnevna delovna mobilnost tista, ki poleg tovornega prometa generira najvec prometa v celotnem mestnem prometnem sistemu (MzI, 2018), pri cemer je odvisna predvsem od razmestitve poslovnih subjektov in delovnih mest v prostoru. V prispevku bomo zato prikazali analizo stanja, ki po statisticnih in drugih podatkih (SURS, 2020a; SURS, 2020b; AJPES, 2019) izkazuje vse vecjo centralizacijo delovnih mest in poslovnih subjektov v vecjih zaposlitvenih središcih, kar povzroca tudi narašcanje dnevne delovne mobilnosti. Odgovorili bomo na naslednja raziskovalna vprašanja: 1. Kakšna je prostorska razporeditev delovnih mest v Sloveniji, kakšen je trend njihovega spreminjanja in ali njihova razporeditev sledi konceptu policentricnega urbanega omrežja (SPRS, 2004)? 2. Kakšna je prostorska razporeditev poslovnih subjektov v Sloveniji in ali obstaja korelacija med šte­vilom delovnih mest in številom poslovnih subjektov? 3. Kakšen je obseg in razporeditev poslovnih subjektov v prostoru glede na sektor dejavnosti in lokacijo, s poudarkom na osrednjeslovenski statisticni regiji in Mestni obcini Ljubljana (v nadaljevanju MOL)? Gregor Cok, Samo Drobne, Gašper Mrak, Mojca Foški, Alma Zavodnik Lamovšek | VPLIV CENTRALIZACIJE DELOVNIH MEST IN POSLOVNIH SUBJEKTOV NA PROSTORSKI RAZVOJ | THE IMPACT OF THE CENTRALISATION OF WORKPLACES AND BUSINESS ENTITIES ON SPATIAL DEVELOPMENT | 533-558 | Ceprav je neposreden vpliv prikazanega stanja najprej viden na obremenjenosti prometne infrastrukture, pa je težava bistveno kompleksnejša in jo je treba obravnavati širše, na kar bomo opozorili v zakljucku ter predlagali nekatere možne sistemske rešitve za decentralizacijo delovnih mest in poslovnih subjektov. 2 METODE DELA IN PODATKI Raziskava je bila izvedena na podlagi javno dostopnih (SURS, 2020a; SURS, 2020b) in drugih zbirk javnih podatkov (AJPES, 2019), ki smo jih obdelali s programskim orodjem (ArcGIS). Metodološko smo sledili zastavljenim vprašanjem in v prvem koraku izvedli analizo števila delovnih mest po obcinah RS v obdobju 2007–2019 (SURS, 2020b). Najprej smo prikazali število delovnih mest po obcinah RS za leto 2019 (SURS, zadnji razpoložljivi podatki), nato pa dodali trend spreminjanja števila delovnih mest v obcini za celotno obdobje 2007–2019 oziroma za obdobje, odkar je posamezna obcina nastala. Trend smo razvrstili v šest (6) razredov po Jenksovi metodi (metoda poišce mesta najvecje zgostitve podatkov), ki jih lahko opredelimo kot: mocna rast, rast, šibka rast, šibek padec, padec, mocan padec. Dodatno smo glede na število delovnih mest v obcini za leto 2019 izracunali razliko relativnega števila delovnih mest v obcini glede na Slovenijo (izraženo v odstotnih tockah) v letih 2007–2019 za obcine z najmanj 1 % delovnih mest leta 2019. Na podlagi dobljenih rezultatov in primerjave z drugimi relevantnimi študijami v Sloveniji (npr. Pogacnik et al., 2011; Nared et al., 2016; Porocilo, 2016), smo ocenili, ali njihova razporeditev sledi konceptu sprejetega policentricnega urbanega omrežja (SPRS, 2004). V drugem koraku smo preverili obseg in razporeditev poslovnih subjektov po prostoru na podlagi podat­kovne baze vseh registriranih poslovnih subjektov v Sloveniji za leto 2019 (AJPES, 2019), ki vkljucuje tudi lokacijo registracije vsakega poslovnega subjekta. Tudi za poslovne subjekte smo preverili, v katerih obcinah njihovo število predstavlja vsaj 1 % glede na skupno število poslovnih subjektov v Sloveniji. Rezultate obeh korakov smo med seboj primerjali opisno in s Pearsonovim koeficientom korelacije med številom delovnih mest in številom poslovnih subjektov v vseh mestnih obcinah in vseh obcinah, ki imajo vsaj 1 % delovnih mest oziroma vsaj 1 % poslovnih subjektov glede na skupno število delovnih mest oziroma poslovnih subjektov v Sloveniji. Prav tako smo izracunali število delovnih mest in poslovnih subjektov na tisoc prebivalcev. Pomembna je tudi velikost poslovnih subjektov, ki jih delimo na mikro (0–9 zaposlenih), majhna (10–49 zaposlenih), srednja (50–249 zaposlenih) in velika (nad 250 zaposlenih) podjetja (SURS, 2020a). Pri tem velja opozoriti na pomanjkljivost uporabljene podatkovne baze (AJPES, 2019), saj postopek registracije omogoca, da poslovni subjekti dejavnost prijavijo na enem naslovu, izvajajo pa jo na drugem. Podobno je s prijavo zaposlenih, saj vecji gospodarski subjekti vse zaposlene prijavijo na enem naslovu, ceprav dejansko delajo v poslovalnicah, ki so lahko razporejene po celotni državi. Rezultati analize zato ne odražajo v celoti dejanskega stanja, na kar je opozoril že Cok s sodelavci (2020), pri cemer je celo predpostavljal, da ne gre zgolj za zanemarljiv delež neskladnih lokacij. Poleg tega podatkovna baza AJPES ne vsebuje dovolj kakovostnih podatkov o velikosti poslovnih subjek­tov niti o številu zaposlenih, zato smo te podatke pridobili s spletne strani SURS (2020a). Pri tem velja opozoriti, da med obema podatkovnima bazama obstajajo tudi razlike, za katere pa ocenjujemo, da ne vplivajo bistveno na dobljene rezultate. Kljub ugotovljenim pomanjkljivostim, predvsem podatkovne Gregor Cok, Samo Drobne, Gašper Mrak, Mojca Foški, Alma Zavodnik Lamovšek | VPLIV CENTRALIZACIJE DELOVNIH MEST IN POSLOVNIH SUBJEKTOV NA PROSTORSKI RAZVOJ | THE IMPACT OF THE CENTRALISATION OF WORKPLACES AND BUSINESS ENTITIES ON SPATIAL DEVELOPMENT | 533-558 | baze AJPES, pa ugotavljamo, da je kombinacija obeh podatkovnih zbirk dovolj primerna za potrebe raziskovalnega dela. V tretjem koraku smo izvedli še podrobnejšo analizo poslovnih subjektov v osrednjeslovenski statisticni regiji ter jih razporedili glede na: (a) lokacijo v MOL, primestnih obcinah (sem smo uvrstili vse obcine, ki neposredno mejijo na MOL) in ostalih obcinah v osrednjeslovenski statisticni regiji ter (b) sektor dejavnosti. V ta namen smo glede na razpoložljive podatke o dejavnosti iz standardne klasifikacije dejavnosti (SKD, 2010) vse registrirane poslovne subjekte združili po sektorjih dejavnosti na podlagi lastne razporeditve (Cok et al., 2020): – primarni sektor (kmetijstvo, lov, gozdarstvo, ribištvo, rudarstvo, nafta in plin), – sekundarni sektor (proizvodnja – predelava in gradbeništvo), – terciarni sektor (vse storitve, ki niso splošnega pomena, tudi informacijsko-komunikacijske tehno­logije, promet, trgovina, turizem) in – kvartarni sektor (storitve splošnega pomena (ESPON SeGI, 2013): javna uprava, zdravstvo, sodstvo, kultura, izobraževanje, znanost, socialno skrbstvo). V sklepu na podlagi ugotovljenega stanja podajamo nekaj usmeritev za bolj trajnosten prostorski razvoj, ki izhajajo tudi iz: (1) potreb starajoce se družbe (Cernic Mali in Marot, 2019), (2) vse vecje digitalizacije družbe, kar ob ustrezni organizaciji omogoca decentralizacijo delovnih mest tudi v javnem sektorju, in (3) iz prostorskih možnosti bivalnega okolja, ki že sedaj omogocajo organizacijo številnih delovnih mest v obliki dela na domu ali od doma (Cok in Furman Oman, 2019). 3 REZULTATI 3.1 Obseg in trend spreminjanja delovnih mest v Sloveniji v obdobju 2007–2019 Spreminjanje števila delovnih mest smo spremljali v obdobju med letom 2007, ki predstavlja izho­dišcno stanje pred zacetkom gospodarske krize, in letom 2013, ko je bila gospodarska kriza najbolj izrazita, ter med letoma 2013 in 2019, ko se je gospodarsko stanje v državi stalno izboljševalo. Trend upadanja in/ali rasti je prikazan loceno za obe obdobji in sintezno za obdobje 2007–2019. Slika 1 prikazuje število delovnih mest po obcinah Slovenije leta 2019 in razliko relativnega števila delovnih mest v odstotnih tockah v obcini glede na Slovenijo v letih 2007–2019. Z vidika urbanega omrežja so še posebej zanimive obcine, ki imajo vsaj 1 % vseh delovnih mest v Sloveniji. Takšnih je le 14 (preglednica 1). V obdobju 2007–2019 se je koncentracija delovnih mest v Sloveniji najbolj povecala v Mestni obcini Ljubljana (MOL), in sicer za 2,13 odstotne tocke. Povecala se je tudi v Mestni obcini Novo mesto, vendar le za 0,23 odstotne tocke. Na drugi strani se je koncentracija delovnih mest najbolj zmanjšala v Mestni obcini Maribor, za 0,84, v Mestni obcini Velenje, za 0,59, in v Mestni obcini Murska Sobota, za 0,44 odstotne tocke. Zanimivo je, da se trend povecanja koncentracije delovnih mest ne pojavlja niti v vseh mestnih obcinah v Sloveniji niti v vseh središcih nacionalnega pomena in regionalnega pomena glede na SPSR (2004). Kot ugotavljamo, se koncentracija delovnih mest v vecini središc nacionalnega pomena pravzaprav zmanjšuje. Gregor Cok, Samo Drobne, Gašper Mrak, Mojca Foški, Alma Zavodnik Lamovšek | VPLIV CENTRALIZACIJE DELOVNIH MEST IN POSLOVNIH SUBJEKTOV NA PROSTORSKI RAZVOJ | THE IMPACT OF THE CENTRALISATION OF WORKPLACES AND BUSINESS ENTITIES ON SPATIAL DEVELOPMENT | 533-558 | Slika 1: Število delovnih mest v obcini leta 2019 in razlika relativnega števila delovnih mest v odstotnih tockah v obcini glede na Slovenijo v letih 2007–2019 (vir podatkov: SURS, 2020a; lastni prikaz). Rezultati analize prav tako kažejo (preglednica 1), da se je število delovnih mest na vrhu financne krize, v letu 2013, v vseh navedenih obcinah znižalo, toda najmanj v MOL. V primerjavi z analizo delovnih mest, ki jo je Bole (2011) izdelal za obdobje 2000–2009, je število delovnih mest (760.131) v letu 2013 padlo skoraj na enako raven števila delovnih mest (756.426) v letu 2000. Primerjava relativnega števila delovnih mest v obcini glede na skupno število vseh delovnih mest v Slove­niji pa izkaže koncentracijo delovnih mest predvsem v MOL in Mestni obcini Maribor. V MOL je bilo v letu 2019 vec kot 26,5 % vseh delovnih mest v Sloveniji, v Mestni obcini Maribor pa 7,1 %. V obeh obcinah je bilo torej skupaj vec kot tretjina delovnih mest v Sloveniji. Razlika relativnega števila delovnih mest v letih 2007–2013 je bila za vecino obravnavanih obcin negativna (koncentracija delovnih mest se je zmanjšala), pozitivna je bila v MOL, kjer se je koncentracija delovnih mest povecala kar za 1,9 odstotne tocke, v mestnih obcinah Novo mesto in Koper ter v obcinah Domžale in Krško. V letih 2013–2019 se je trend povecevanja koncentracije delovnih mest spet najbolj povecal v MOL (za 0,25 odstotne tocke), najbolj pa se je zmanjšal v Mestni obcini Murska Sobota (za 0,26 odstotne tocke). Najvecja koncentracija delovnih mest se je v MOL zgodila med financno krizo (2007–2013) in precej manj kasneje (2013–2019). Nasprotno se v Mestni obcini Novo mesto delovna mesta koncentrirajo predvsem po krizi (2013–2019). Na drugi strani se je koncentracija delovnih mest v mestnih obcinah Maribor, Velenje in Kranj zmanjšala predvsem med krizo (2007–2013), medtem ko se je koncentracija Gregor Cok, Samo Drobne, Gašper Mrak, Mojca Foški, Alma Zavodnik Lamovšek | VPLIV CENTRALIZACIJE DELOVNIH MEST IN POSLOVNIH SUBJEKTOV NA PROSTORSKI RAZVOJ | THE IMPACT OF THE CENTRALISATION OF WORKPLACES AND BUSINESS ENTITIES ON SPATIAL DEVELOPMENT | 533-558 | delovnih mest v mestnih obcinah Murska Sobota, Nova Gorica in Celje enakomerno zmanjševala v celotnem obravnavanem obdobju (2007–2019) (preglednica 1, slika 2). Preglednica 1: Število delovnih mest in razlika relativnega števila delovnih mest v odstotnih tockah v letih 2007, 2013 in 2019 po obcinah Slovenije z najmanj 1 % delovnih mest leta 2019 (vir podatkov: SURS, 2020; lasten izracun). Razlika Razlika Razlika Število Število Število Delež (%) Država/mestna obcina-delovnih delovnih delovnih delovnih delovnih delovnih delovnih MO/obcina* mest mest mest mest 2007 mest 2013 mest 2019 mest 2019 2007–2013 2013–2019 2007–2019 Slovenija 819.376 760.131 874.592 100 0 0 0 MO Ljubljana 199.966 199.785 232.065 26,53 1,88 0,25 2,13 MO Maribor 64.723 54.438 61.708 7,06 –0,74 –0,11 –0,84 MO Celje 30.325 27.224 30.165 3,45 –0,12 –0,13 –0,25 MO Novo mesto 22.215 21.136 25.734 2,94 0,07 0,16 0,23 MO Kranj 24.949 22.178 25.318 2,89 –0,13 –0,02 –0,15 MO Koper 23.101 21.841 25.233 2,89 0,05 0,01 0,07 MO Velenje 20.076 15.820 16.270 1,86 –0,37 –0,22 –0,59 MO Nova Gorica 15.991 13.884 14.768 1,69 –0,13 –0,14 –0,26 MO Ptuj 12.371 11.135 13.104 1,50 –0,04 0,03 –0,01 MO Murska Sobota 15.184 12.708 12.349 1,41 –0,18 –0,26 –0,44 Domžale 10.774 10.072 11.857 1,36 0,01 0,03 0,04 Škofja Loka 8.900 8.072 9.966 1,14 –0,02 0,08 0,05 Slika 2: Razlika relativnega števila delovnih mest v odstotnih tockah v letih 2007–2013 in 2013–2019 v obcinah z vec kot 1 % delovnih mest v Sloveniji leta 2019 (vir podatkov: SURS, 2020; lasten izracun in prikaz). Gregor Cok, Samo Drobne, Gašper Mrak, Mojca Foški, Alma Zavodnik Lamovšek | VPLIV CENTRALIZACIJE DELOVNIH MEST IN POSLOVNIH SUBJEKTOV NA PROSTORSKI RAZVOJ | THE IMPACT OF THE CENTRALISATION OF WORKPLACES AND BUSINESS ENTITIES ON SPATIAL DEVELOPMENT | 533-558 | Na podlagi prikazanih rezultatov (slika 1) ugotavljamo, da so se v Sloveniji delovna mesta v obrav­navanem obdobju obcutno zgošcevala predvsem na obmocju MOL in v primestnih obcinah (Dol pri Ljubljani, Ivancna Gorica, Grosuplje, Škofljica, Ig, Brezovica), v precej manjšem deležu pa še v nekaterih obcinah ob avtocestnem križu (na primer Lukovica, Slovenske Konjice), ki krepi privlac­nost za umešcanje novih poslovnih subjektov in s tem zgošcanje delovnih mest ter hitrejše dnevno potovanje delavcev med vecjimi zaposlitvenimi središci (glej tudi Bole, 2011). Zgošcevanje delovnih mest je tudi v obcinah Cerklje na Gorenjskem, Komenda in Šencur, iz cesar lahko sklepamo na po­sledicno slabitev Kranja. S tem smo dodatno potrdili ugotovitve porocil o stanju v prostoru (Ocena stanja, 2001; Porocilo, 2016) in predhodno izdelanih študij (npr. Nared et al., 2016) o vse mocnejši centralizaciji MOL, ki sama zagotavlja vec kot cetrtino vseh delovnih mest v Sloveniji. Vsa ostala urbana središca mocno zaostajajo za njo. Na drugem mestu je mestna obcina Maribor s komaj nekaj vec kot 7 % vseh delovnih mest v Sloveniji. Ugotovimo lahko, da se stanje v prostoru mocno razhaja z naceli trajnostnega prostorskega razvoja, ki se že desetletja vkljucujejo v tako rekoc vse relevantne (prostorske) razvojne dokumente na državni ravni. 3.2 Obseg in razporeditev poslovnih subjektov v prostoru Slika 3: Število poslovnih subjektov v obcini; izpostavljenih je 20 obcin z vec kot 1 % poslovnih subjektov in 14 obcin z vec kot 1 % delovnih mest v Sloveniji (vir podatkov: AJPES, 2019; lasten izracun in prikaz). Podobno kot rezultati analize razporeditve delovnih mest tudi analiza razporeditve poslovnih subjektov v prostoru (slika 3) jasno kaže na centralizacijo na obmocjih vecjih zaposlitvenih središc (slika 4), zlasti v MOL, kjer prav tako kot število delovnih mest prevladuje število poslovnih subjektov (44.249) in Gregor Cok, Samo Drobne, Gašper Mrak, Mojca Foški, Alma Zavodnik Lamovšek | VPLIV CENTRALIZACIJE DELOVNIH MEST IN POSLOVNIH SUBJEKTOV NA PROSTORSKI RAZVOJ | THE IMPACT OF THE CENTRALISATION OF WORKPLACES AND BUSINESS ENTITIES ON SPATIAL DEVELOPMENT | 533-558 | predstavlja 21,8 % vseh poslovnih subjektov v Sloveniji. Sledijo obcine Maribor s 6,0 %, Koper s 3,2 %, Celje z 2,9 % in Kranj z 2,7 % vseh poslovnih subjektov. Vsa ostala vecja zaposlitvena središca pa imajo med 1,0 % in 2,0 % vseh poslovnih subjektov v Sloveniji (Nova Gorica in Domžale 1,9 %, Novo mesto 1,6 %, Kamnik in Ptuj 1,3 %, Piran in Velenje 1,2 %, Radovljica, Slovenska Bistrica, Krško, Murska Sobota in Brežice 1,1 % ter Škofja Loka, Žalec in Izola 1,0 % poslovnih subjektov). Teh središc je 20, v primerjavi s 14 središci z vec kot 1 % delovnih mest. Med pomembnejšimi (tudi mestnimi) obcinami ima Slovenj Gradec najmanj poslovnih subjektov (0,8 %). Še manjši delež poslovnih subjektov imajo obcine, katerih urbana središca imajo pomembno vlogo kot del somestij v predlaganem omrežju urbanih središc Slovenije (Ravne na Koroškem, Dravograd, Šempeter, Vrtojba, Brežice idr.; Model SPRS 2050, 2018). Tako smo ne glede na trend rasti oziroma upada delovnih mest za leto 2019 evidentirali najvecjo kon­centracijo poslovnih subjektov na obmocjih MOL in Mestne obcine Maribor, sledijo jima mestne obcine Koper, Kranj in Celje, medtem ko v ostalih obcinah s središcem nacionalnega pomena (SPRS, 2004) število poslovnih subjektov ne presega 5.000 (na primer v mestnih obcinah Novo mesto in Nova Gorica). Podatki tudi kažejo, da ima kar 155 obcin (73 % od 212 v Sloveniji) manj kot tisoc poslovnih subjektov. Slika 4: Primerjava med številom poslovnih subjektov in delovnih mest na tisoc prebivalcev ter skupnim številom poslovnih subjektov (crtkano) v obcinah z najmanj 1 % poslovnih subjektov glede na skupno število poslovnih subjektov v Sloveniji (AJPES, 2019; SURS, 2020; lasten izracun in prikaz). Podatki tudi kažejo na mocno korelacijo med številom delovnih mest in številom poslovnih subjektov tako v navedenih obcinah (Pearsonov koeficient R = 0,99, kar kaže na zelo mocno odvisnost med tema dvema spremenljivkama) kot na splošno v vseh obcinah v Sloveniji (R = 0,98). Kljub temu pa ti podatki ne povedo veliko o velikosti podjetij, saj lahko manjše število vecjih poslovnih subjektov zagotavlja vec delovnih mest in nasprotno, vecje število manjših poslovnih subjektov zagotavlja manjše število delovnih mest. Po podatkih SURS (2020b) za leto 2019 je v vseh slovenskih obcinah nad 90 % mikro podjetij (0–9 zaposlenih), sledijo majhna (10–49 zaposlenih), srednja (50–249 zaposlenih) in velika podjetja (nad 250 zaposlenih). Slednjih je ponovno najvec v MOL, 145 (0,33 %) od 44.249 poslovnih subjektov, medtem ko je delež velikih podjetij v državi le 0,18 %. Drugi vecji zaposlovalci so še v obcinah Velenje Gregor Cok, Samo Drobne, Gašper Mrak, Mojca Foški, Alma Zavodnik Lamovšek | VPLIV CENTRALIZACIJE DELOVNIH MEST IN POSLOVNIH SUBJEKTOV NA PROSTORSKI RAZVOJ | THE IMPACT OF THE CENTRALISATION OF WORKPLACES AND BUSINESS ENTITIES ON SPATIAL DEVELOPMENT | 533-558 | z 0,42 %, Novo mesto z 0,31 %, Murska Sobota z 0,27 %, Celje z 0,26 %, Maribor z 0,25 % in Krško ter Slovenska Bistrica z 0,24 % velikih podjetij od vseh podjetij v obcini. Ker rezultati potrjujejo, da število delovnih mest in število poslovnih subjektov v obcinah nista za vse obcine premosorazmerna, smo izracunali še število poslovnih subjektov na tisoc prebivalcev v slovenskih obcinah (slika 4). Tudi ta analiza je pokazala, da so obcine z najmanj 1 % od vseh poslovnih subjektov v državi tudi obcine z najvec velikimi podjetji. 3.3 Rezultati podrobnejše analize razporeditve poslovnih subjektov v osrednjeslovenski statisticni regiji V Sloveniji med vsemi regijami najbolj izstopa osrednjeslovenska statisticna regija. V njej je 85.359 ozi­roma 33,2 % vseh poslovnih subjektov v državi (AJPES, 2019), ki skupaj zagotavljajo 293.647 delovnih mest in zaposlujejo 35,8 % delovno aktivnega prebivalstva (SURS, 2020a). Najvecji delež predstavljajo poslovni subjekti terciarnega sektorja (74,2 %), sledijo poslovni subjekti kvartarnega (17,6 %) in se­kundarnega (7,8 %) sektorja, v primarnem sektorju pa jih je zgolj 0,4 % (preglednica 2). Po dejavnosti tako mocno prevladujeta terciarni in kvartarni sektor z deležem kar 91,8 % vseh poslovnih subjektov v osrednjeslovenski statisticni regiji. Preglednica 2: Število in delež poslovnih subjektov po sektorjih dejavnosti na obmocju osrednjeslovenske statisticne regije in v primerjavi s celotno Slovenijo. Slovenija Osrednjeslovenska statisticna regija  Sektor delež dejavnosti v posameznem št. poslovnih št. poslovnih dejavnosti delež (%) delež (%) sektorju glede na celotno Slovenijo subjektov subjektov (%) B – sekundarne 26.611 10,4 6671 7,8 25,0 C – terciarne 180.465 70,2 63.374 74,2 35,1 Podatki kažejo mocno koncentracijo poslovnih subjektov v osrednjeslovenski statisticni regiji tudi po sektorjih dejavnosti. V primerjavi s podatki za celo Slovenijo (preglednica 2) osrednjeslovenska statisticna regija v primarnem sektorju zaostaja, saj je tovrstnih dejavnosti v obcini le 0,4 % (v Sloveniji 1,1 %). V sekundarnem sektorju je 25,0 % vseh poslovnih subjektov v Sloveniji. Deleža poslovnih subjektov v terciarnem (35,1 %) in kvartarnem (31,6 %) sektorju pa kažeta mocno naravnanost v storitvene dejav­nosti, kot so IKT, promet in trgovina ter storitvene dejavnosti splošnega pomena (ESPON SeGI, 2013). Z dodatno analizo smo ugotavljali še podrobnejšo razporeditev poslovnih subjektov v regiji (slika 5) in preverili, ali je koncentracija poslovnih subjektov res najvecja v MOL. Podrobnejša clenitev prostorske razporeditve poslovnih subjektov na obmocju osrednjeslovenske stati­sticne regije ponazarja obcutno koncentracijo v MOL. Ta zgostitev se glede na lego obcine v statisticni regiji hitro zmanjšuje (preglednica 3) proti njenemu robu. Na obmocju MOL je prisotnih 65,8 % vseh poslovnih subjektov v regiji, v primestnih obcinah (obcine, ki neposredno mejijo na MOL) je ta delež že obcutno nižji (21 %), v vseh ostalih obcinah regije pa je zgolj 12,9 % poslovnih subjektov v regiji. Gregor Cok, Samo Drobne, Gašper Mrak, Mojca Foški, Alma Zavodnik Lamovšek | VPLIV CENTRALIZACIJE DELOVNIH MEST IN POSLOVNIH SUBJEKTOV NA PROSTORSKI RAZVOJ | THE IMPACT OF THE CENTRALISATION OF WORKPLACES AND BUSINESS ENTITIES ON SPATIAL DEVELOPMENT | 533-558 | Slika 5: Razporeditev poslovnih subjektov v osrednjeslovenski statisticni regiji v MOL, primestnih obcinah (obcine, ki nepos­redno mejijo na MOL) in vseh ostalih obcinah v regiji. Preglednica 3: Razporeditev poslovnih subjektov po obcinah na obmocju osrednjeslovenske statisticne regije. Osrednjeslovenska statisticna regija Število poslovnih subjektov Delež poslovnih subjektov (%) Primestne obcine 18.441 21,6 Ostale obcine v regiji 10.998 12,9 Skupaj 85.359 100,0 Tudi podatki o razporeditvi poslovnih subjektov potrjujejo centralizacijo osrednjega dela Slovenije. Tako smo prica izoblikovanju poslovne in upravne centralizacije v MOL (21,8 % vseh poslovnih subjektov v Sloveniji), ki ji z velikim zaostankom sledi Mestna obcina Maribor (6,0 %). Vse ostale obcine, ki so sicer razmeroma velika zaposlitvena središca (obcine) v svojih statisticnih regijah, pa zaostajajo še bolj. Ta proces razumljivo spremljajo tudi dnevne migracije z vsemi vplivi na okolje, saj najvecja zaposlitvena središca (obcine) ponujajo vec delovnih mest od števila delovno aktivnega prebivalstva v obcini (prim. Bole, 2008, 56–57). 4 SKLEP Študij literature (Bole, 2011; Bole in Gabrovec, 2012) ter analiza razmestitve delovnih mest in poslov­nih subjektov v Sloveniji sta pokazala, da se s težavo centralizacije srecujemo že dlje. V raziskavi smo za obdobje 2007–2019 ugotovili trend narašcanja delovnih mest še posebej v MOL (za 2,13 odstotne Gregor Cok, Samo Drobne, Gašper Mrak, Mojca Foški, Alma Zavodnik Lamovšek | VPLIV CENTRALIZACIJE DELOVNIH MEST IN POSLOVNIH SUBJEKTOV NA PROSTORSKI RAZVOJ | THE IMPACT OF THE CENTRALISATION OF WORKPLACES AND BUSINESS ENTITIES ON SPATIAL DEVELOPMENT | 533-558 | tocke), nekoliko manj pa tudi v Mestni obcini Novo mesto (za 0,23 odstotne tocke) in Mestni obcini Koper (za 0,07 odstotne tocke) in nasprotno upadanje koncentracije delovnih mest v ostalih mestnih obcinah ter državnih in regionalnih središcih. Tudi na podrocju razporeditve poslovnih subjektov smo za leto 2019 najvecjo koncentracijo evidentirali na obmocjih MOL in Mestne obcine Maribor, sledijo jima mestne obcine Koper, Kranj in Celje. Med statisticnimi regijami najbolj izstopa osrednjeslovenska, saj je v njej kar 33,2 % vseh poslovnih subjektov (preglednica 3), ki skupaj zaposlujejo vec kot tretjino vsega delovno aktivnega prebivalstva v Sloveniji. Po dejavnostih prevladujeta terciarni in kvartarni sektor z deležem kar 91,8 % poslovnih subjektov v MOL in 88,6 % v Sloveniji. Hkrati je treba opozoriti na pomanjkljivosti dostopnih podatkov (AJPES in SURS), iz katerih ne moremo natancno razbrati, koliko oseb je v teh dejavnostih dejansko zaposlenih. Dodatno pa bo treba lokacijo poslovnih subjektov in delovnih mest povezati z lokacijo bivanja, dnevno delovno mobilnostjo ter selitvenimi gibanji prebivalstva. Tako bosta obravnavna problematika in njen vpliv na prostorski razvoj pojasnjena celovitejše. Sklepamo lahko, da so v obdobju tranzicije prav MOL in primestne obcine izkoristile svoje primerjalne prednosti (pred in med krizo ter po njej) na podrocju geostrateške in prometne lege, prisotnosti vecine državnih institucij, nacrtnega vlaganja sredstev v razvoj poslovnih con in stanovanjsko gradnjo ipd., kar v splošnem dviguje interes za poslovanje, izobraževanje in bivanje v tem okolju. Stanje v prostoru (Ocena stanja, 2001; Porocilo, 2016) vsekakor kaže na koncentracijo delovnih mest in poslovnih subjektov le v nekaterih urbanih središcih ter na odklon od strateških usmeritev policentricnega in uravnoteženega prostorskega razvoja, ki teži h krepitvi vseh središc nacionalnega in regionalnega pomena (SPRS, 2004). Tovrstno stanje je lahko tudi posledica izvajanja veljavne prostorske zakonodaje (ZPNacrt, 2007 in ZUreP-2, 2017) in premajhnega nadzora nad posameznimi prostorskimi procesi. Ob slabem oziroma nezadostnem javnem potniškem prometu in usmerjenosti prebivalstva v zagotavljanje mobilnosti z oseb­nim avtomobilom se povecuje obremenitev prometnega sistema (negativni vplivi na okolje in zdravje), vkljucno s povezanim sistemom vozlišc in ulic v mestih. Reševanje tovrstne problematike je pogosto usmerjeno v reševanje prometne problematike s parcialnimi ad hoc projekti, ne pa s sistemskim pristo-pom usklajenega umešcanja dejavnosti v prostoru, ki bi omogocil uspešnejše, prostorsko primernejše in dolgorocno cenejše rešitve. Naj navedemo le tri kljucne predloge sistemskih ukrepov, ki lahko pomembno vplivajo na prihodnji prostorski razvoj. Tako je treba: – izkoristiti obstojeca, komunalno že opremljena obmocja poslovnih dejavnosti (Kušar, 2012), sicer pa razvoj usmeriti v decentralizacijo delovnih mest (in poslovnih subjektov) iz mestnih središc na podeželska obmocja. Tako lahko rešimo težavo dostopnosti do storitev splošnega pomena in storitev dnevne oskrbe za potrebe starajocega se prebivalstva na podeželju (Cernic Mali in Marot, 2019), ob hkratnem razbremenjevanju prometnega sistema na racun zmanjševanja dnevne delovne mobilnosti v vecja urbana središca, še posebej Ljubljano; – izkoristiti prednosti digitalizacije družbe, kar ob ustrezni organizaciji omogoca decentralizacijo delovnih mest tudi v javnem sektorju, in – omogociti organizacijo primernih delovnih mest v obliki dela na domu ali od doma (Cok in Furman Oman, 2019), saj prostorske možnosti to omogocajo že sedaj, kot se je pokazalo tudi v sedanjem Gregor Cok, Samo Drobne, Gašper Mrak, Mojca Foški, Alma Zavodnik Lamovšek | VPLIV CENTRALIZACIJE DELOVNIH MEST IN POSLOVNIH SUBJEKTOV NA PROSTORSKI RAZVOJ | THE IMPACT OF THE CENTRALISATION OF WORKPLACES AND BUSINESS ENTITIES ON SPATIAL DEVELOPMENT | 533-558 | kriznem obdobju zaradi koronavirusa. Nastali položaj terja tudi razmislek o prostorskem razvoju na podrocjih, kot so dostopnost stanovanj, ucinkovitost medlokalne konkurence in poseben položaj mest kot aglomeracijskih gospodarstev (Stern, 2021). Za implementacijo predlaganih ukrepov ima Slovenija že sedaj na voljo ustrezne instrumente v obstojecih strateških razvojnih dokumentih (SPRS, 2004; SRS 2030, 2016 idr.) in prostorski zakonodaji (ZPNacrt, 2007 in ZUreP-2, 2017) oziroma z mehanizmi prostorskih planskih in izvedbenih aktov. Na podlagi navedenega lahko torej ugotovimo, da v Sloveniji, kljub nacelom trajnostnega razvoja in sprejete usmeritve policentricnega prostorskega razvoja, še vedno opažamo ocitno centralizacijo predvsem na obmocju MOL, kar izpostavlja dve temeljni vprašanji: ali smo sploh sposobni regulirati aktualne prostorsko-razvojne trende in ali si skladen prostorski razvoj sploh želimo? Zahvala Avtorji prispevka se zahvaljujejo Javni agenciji za raziskovalno dejavnost Republike Slovenije za delno sofinanciranje študije iz državnega proracuna v okviru raziskovalnega programa Geoinformacijska in-frastruktura in trajnostni prostorski razvoj Slovenije (P2-0227). Viri in literatura Glej stran 545. Cok G., Drobne S., Mrak G., Foški M., Zavodnik Lamovšek A. (2021). Vpliv centralizacije delovnih mest in poslovnih subjektov na prostorski razvoj. The impact of the centralisation of workplaces and business entities on spatial development. Geodetski vestnik, 65 (4), 533-558. DOI: https://doi.org/10.15292/geodetski-vestnik.2021.04.533-558 doc. dr. Gregor Cok, univ. dipl. arh. Univerza v Ljubljani, Fakulteta za gradbeništvo in geodezijo Jamova cesta 2, SI-1000 Ljubljana e-naslov: gregor.cok@fgg.uni-lj.si doc. dr. Samo Drobne, univ. dipl. inž. geod. Univerza v Ljubljani, Fakulteta za gradbeništvo in geodezijo Jamova cesta 2, SI-1000 Ljubljana e-naslov: samo.drobne@fgg.uni-lj.si asist. dr. Gašper Mrak, univ. dipl. arh. Univerza v Ljubljani, Fakulteta za gradbeništvo in geodezijo Jamova cesta 2, SI-1000 Ljubljana e-naslov: gasper.mrak@fgg.uni-lj.si viš. pred. dr. Mojca Foški, univ. dipl. inž. geod. Univerza v Ljubljani, Fakulteta za gradbeništvo in geodezijo Jamova cesta 2, SI-1000 Ljubljana e-naslov: mojca.foski@fgg.uni-lj.si doc. dr. Alma Zavodnik Lamovšek, univ. dipl. arh. Univerza v Ljubljani, Fakulteta za gradbeništvo in geodezijo Jamova cesta 2, SI-1000 Ljubljana e-naslov: alma.zavodnik@fgg.uni-lj.si ZAZNAVANJE STAVB Z UPORABO NEVRONSKIH MREŽ, UCENIH S PRENOSOM ZNANJA BUILDING DETECTION WITH CONVOLUTIONAL NETWORKS TRAINED WITH TRANSFER LEARNING Simon Šanca, Krištof Oštir, Alen Mangafic UDK: 681.511.4:004.8 Klasifikacija prispevka po COBISS.SI: 1.01 Prispelo: 3. 8. 2021 Sprejeto: 3. 11. 2021 DOI: 10.15292/geodetski-vestnik.2021.04.559-593 SCIENTIFIC ARTICLE Received: 3. 8. 2021 Accepted: 3. 11. 2021 SI | EN Rezultati klasifikacije stavb na ortofotu se uporabljajo kot vir za vzdrževanje katastra stavb. V zadnjih letih se za klasifikacijo stavb v svetu vse bolj uveljavljajo metode globokega ucenja z uporabo konvolucijskih nevronskih mrež. V raziskavi predstavimo primer samodejne klasifikacije stavb z uporabo lastnih podatkovnih zbirk, izdelanih iz barvnih bližnje infrardecih ortofotov (BIR-R-G) in barvnih ortofotov (R-G-B). Preizkusili smo detekcijo stavb z uporabo preducenih uteži podatkovnih zbirk Microsoft Common Objects in Context (MS COCO) in ImageNet. Za detekcijo stavb smo uporabili Mask Region Convolutional Neural Network (Mask R-CNN). Namen raziskave je preizkusiti uporabniško vrednost globokega ucenja za detekcijo stavb z uporabo preducenih uteži na podatkih drugega barvnega prostora s ciljem izgradnje klasifikacijskega modela brez ponovnega ucenja. Building footprint detection based on orthophotos can be used to update the building cadastre. In recent years deep learning methods using convolutional neural networks have been increasingly used around the world. We present an example of automatic building classification using our datasets made of colour near-infrared orthophotos (NIR­R-G) and colour orthophotos (R-G-B). Building detection using pretrained weights from two large scale datasets Microsoft Common Objects in Context (MS COCO) and ImageNet was performed and tested. We applied the Mask Region Convolutional Neural Network (Mask R-CNN) to detect the building footprints. The purpose of our research is to identify the applicability of pre-trained neural networks on the data of another colour space to build a classification model without re-learning. KLJUCNE BESEDE KEY WORDS globoko ucenje, konvolucijske nevronske mreže, klasifikacija deep learning, convolutional neural networks, classification stavb, Mask R-CNN, detekcija objektov, segmentacija objektov, of buildings, Mask R-CNN, object detection, object samodejna klasifikacija segmentation, automatic classification 1 INTRODUCTION Image classification aims to recognise and name geographical objects and phenomena on the Earth’s surface (Veljanovski et al., 2011). Classification extracts the essential classes (objects) of interest from an image, e.g., roads, forests, crops, water areas, ships, aircraft or buildings. Automatic recognition and classification of buildings from aerial or high-resolution satellite imagery is an important research topic in photogrammetry and remote sensing (Zhu et al., 2017). Rapid advances in computer vision and deep learning using deep convolutional neural networks, and free access to remote sensing data are enabling the development of new methods for automatic building classification. There are many online tasks and competitions that use deep learning methods to classify buildings using satellite or aerial imagery automatically. Examples of such competitions are the DeepGlobe Buildings Extraction Challenge1, the SpaceNet Building Extraction Challenge2, the crowdAI Mapping Challenge3, etc. Deep learning relies on feedforward, multi-layer neural networks. A specific example of artificial neural networks for image classification and segmentation are convolutional neural networks. A simplified example of a convolutional neural network contains three basic layers that can be repeated. These are (1) convolutional layers, (2) pooling layers and (3) fully connected layers (Goodfellow et al., 2016). A deep neural network consists of many such layers, which make it capable of recognising detailed patterns and shapes in an image. Each layer of a neural network has a distinctive task. The convolutional layer is a combination of multiple filters moving across the image, combining higher-level information into a two-dimensional activation matrix. The convolutional layers progressively reduce the spatial resolution of the activation matrices to reduce the computational complexity of the neural network while also increasing the field of view of each filter. The fully connected layer acts as a classifier that returns a clas­sification vector based on the extracted feature set values, which is used to determine the membership of a particular class (Šanca, 2020). One of the most successful convolutional neural networks for object detection is Mask R-CNN (He et al., 2017) (Mask Regional Convolutional Neural Network), which can achieve high accuracy in building classification (Šanca, 2020). Mask R-CNN was developed by Facebook AI Research (FAIR) in 2017. It is a deep convolutional neural network used for object detection, semantic segmentation and instance segmentation. Object detection with Mask R-CNN consists of two parts. The first part generates a suggestion of the area where the object should be located in the input image. The second part detects the object and assigns it a probability of belonging to a class, displays its position, and assigns an object mask. More details on Mask R-CNN can be found in the papers by He et al., (2017) and Abdulla (2017). A detailed overview of the theory and application of deep learning in remote sensing is presented by Zhu et al. (2017). Most of the previous research based on the use of deep learning for automatic building detection uses high spatial resolution satellite imagery as the data source. In a study of automatic build­ing detection, Shetty and Mohan (2018) used WorldView-2 satellite imagery. They used panchromatic imagery with a spatial resolution of 0.46 m to learn and test the Faster R-CNN neural network model. They found that using convolutional neural networks allows the detection of buildings of different shapes 1 http://deepglobe.org 2 https://spacenetchallenge.github.io/ 3 https://www.crowdai.org/challenges/mapping-challenge with an accuracy of 88%, compared to the support vector machine (SVM) method. Using a large dataset of Google Earth imagery, Wen et al. (2019) researched the building detection capabilities of Faster R-CNNs. They compared the backbone architectures of VGG and ResNet101 when using Mask R-CNN and Faster R-CNN. In the proposed solution, Mask R-CNN was enhanced with a rotation matrix for building detection. The worst accuracy was achieved with Faster R-CNN-VGG (70%), the best with the proposed solution Mask R-CNN-VGG (91%). The other two solutions Faster R-CNN-ResNet101 and Mask R-CNN-ResNet101 achieve identical accuracies of 91%. Further, they also compared the results of semantic building segmentation with Mask R-CNN. The proposed method achieved an accuracy of 91%, and the conventional method Mask R-CNN-Resnet101 achieved an accuracy of 91%. Based on the study, they concluded that promising results can be achieved by using a large and complex build­ing dataset and applying Mask R-CNN. Using the DeepGlobe dataset, Zhao et al. (2018) proposed an improved Mask R-CNN solution enhanced with a boundary recognition algorithm. Their proposed solution achieves more accurate results in building recognition and in detecting the footprints of the identified buildings than the baseline Mask R-CNN solution. Compared to satellite imagery, aerial imagery has higher spatial resolution but fewer spectral bands. Using aerial imagery more complex objects can be identified with higher accuracy. Examples of build­ing recognition datasets built from aerial imagery are the Massachusetts Buildings Dataset4 (Mnih, 2013), Inria Aerial Image Labeling Dataset5 (Maggiori et al., 2017), and AIRS Automatic Mapping of Buildings Dataset6 (Chen et al., 2019). Research to date using aerial imagery and Mask R-CNN achieves high building detection accuracy. Ji et al. (2019) researched building changes using the Wu­han Building Change Detection Dataset. The proposed building detection solution consists of two convolutional neural networks; (1) a building recognition network based on Mask R-CNN and a Multi-Scale Fully Convolutional Network (MS-FCN), and (2) a building change detection network. The solution was tested in the Christchurch study area in New Zealand, comparing the 2011 and 2016 study areas. Both proposed solutions achieved high classification accuracies of over 89% for object classification and over 93% for pixel-based building classification. MS-FCN performed slightly better in building edge detection compared to Mask R-CNN. Building detection from aerial images using Mask R-CNN has been addressed in (Zhou et al., 2019), investigating the ability to identify buildings by varying the value of the anchor box parameter and the problem of segmenting the exact footprint of building edges. They compared two proposed solutions: (1) Mask R-CNN-S with a smaller anchor box and (2) Mask R-CNN-L with a larger anchor box. They found that the building detection results are better using the solution with a smaller anchor box, as it identifies smaller buildings and buildings with more detailed contents. They conclude with an important observation: Mask R-CNN is suitable for building detection, as classical convolutional neural networks do not preserve detailed spectral information when detecting objects, leading to poorer results. Another important finding is the importance of the anchor box parameter, which significantly impacts the quality of recognition of both small and larger, spectrally diverse objects. We present the results of the studies mentioned above in Table 1. 4 https://www.cs.toronto.edu/~vmnih/data/ 5 https://project.inria.fr/aerialimagelabeling/ 6 https://www.airs-dataset.com/ Table 1: Comparison of Faster R-CNN, Mask R-CNN and MS-FCN Neural network Method used Data Spatial resolution [m] Accuracy [%] Study Faster R-CNN-VGG Rotation matrix for building recognition aerial R-G-B 0.26 70 Wen et al. (2019) Mask R-CNN-VGG Rotation matrix for building recognition aerial R-G-B 0.26 91 Wen et al. (2019) Faster R-CNN­Resnet101 Rotation matrix for building recognition aerial R-G-B 0.26 91 Wen et al. (2019) Mask R-CNN­Resnet101 Rotation matrix for building recognition aerial R-G-B 0.26 91 Wen et al. (2019) Mask R-CNN boundary regularisation algorithm satellite R-G-B 0.5 88 Zhao et al. (2018) Mask R-CNN SVM aerial R-G-B 0.3 90 Ji et al. (2019) MS-FCN SVM aerial R-G-B 0.3 84 Ji et al. (2019) Mask R-CNN-S small anchor box aerial R-G-B 0.5 85 Zhou et al. (2019) Mask R-CNN-L large anchor box aerial R-G-B 0.5 81 Zhou et al. (2019) The Geodetic Institute of Slovenia carries out the automatic classification of buildings annually to update the spatial databases of the Surveying and Mapping Authority of the Republic of Slovenia and perform spatial monitoring for the Ministry of Environment and Spatial Planning. Currently, the classification of buildings is carried out using machine learning methods, object-based classification using support vector machines and random forest, where the digital surface model is also a key piece of information. This paper aims to test a new method for building detection using deep learning, entirely independent of the use of a digital surface model, on two new building datasets. Two building datasets were produced as part of the research, using DOF050 colour orthophotos (R-G-B) and DOF050IR colour infrared orthophotos (NIR-R-G) from 2019 with a spatial resolution of 0.5 m. Colour infrared orthophotos reveal a different perspective of the terrain, as objects with high reflectance in the infrared spectrum (e.g. healthy vegetation) are shown in red, while objects with high reflectance in the red spectrum are shown in green and objects with high reflectance in the blue-green spectrum are shown in blue (Oštir, 2006). The main advantage of using colour infrared orthophotos is that it is easier to distinguish buildings from vegetation based on the spectral signature alone. We prepared the building datasets in the MS COCO format (Lin et al., 2014), which represents the training instances of buildings in JavaScript Object Notation (JSON). This way of annotation is fast and transparent, so we used it to create the building dataset. We trained eight different building classification models using the pre-trained weights of the MS COCO and ImageNet datasets (Deng et al., 2009). We performed transfer learning because Mask R-CNN relies on it to train and generalize models on new custom datasets faster. We validated the performance of the trained models on a selected test sample of buildings in Slovenia and evaluated each model by computing evaluation metrics. We were particularly interested in how well Mask R-CNN identifies buildings, how good the identified building masks are, and whether the proposed method presents a potential for further application. Simon Šanca, Krištof Oštir, Alen Mangafic | ZAZNAVANJE STAVB Z UPORABO NEVRONSKIH MREŽ, UCENIH S PRENOSOM ZNANJA | BUILDING DETECTION WITH CONVOLUTIONAL NETWORKS TRAINED WITH TRANSFER LEARNING | 559-593 | 2 STUDY AREA AND DATA DESCRIPTION A key element of a successful deep learning building classification model is a well-designed dataset with many labelled training features. The study area for the construction of the two building datasets is shown in Figure 1 — the area of 1,387 km2 contains 98,425 registered buildings as of 28. 3. 2020. The building typology is primarily rural except for Murska Sobota, which has an urban building typology. Roofs are of different shapes and colours, with red, brown and dark grey or black roofing predominating. Many of the roofs used in the training examples also contain solar panels. The area was chosen because of personal knowledge and because it includes a wide variety of roofs that contribute to the detail of the building dataset. Figure 1: Map of the study area for the creation of the building dataset. 3 METHODS In this chapter, we present the methodology for the creation of the building dataset. First, we define the building class, then create the training samples and their overview for the study area shown in Figure 1. 3.1 Definition of building class The aim of the building cadastre is to register all buildings in the Republic of Slovenia. The concept of a building and part of a building is defined in ZEN (ZEN - Official Gazette of the Republic of Slovenia No. 47/06). The data on buildings and parts of buildings is described in the National Topographic Model (DTM) (GURS, 2020), which is defined by the law (Article 11 ZDGRS - Official Gazette of the Republic of Slovenia No. 25/14 and No. 61/17). A building is defined as an object permanently located in one place (Boguszewski et al., 2020). An example of a correct and considered building footprint is presented in Figure 2 on the left. Tall buildings pose a problem as the building footprint obtained from the building cadastre do not spatially coincide with the buildings. Such examples have been excluded from the dataset. Figure 2: Examples of correct training samples (left) and incorrect training samples (right). 3.2 Methodology for the creation of the building dataset The building dataset creation flowchart is presented on Figure 3. Each step is further explained below. Figure 3: Deep learning dataset creation flowchart. The building cadastre used to create the training samples was cleaned before the actual production of the dataset. We removed the building footprints which are, according to the generalised land use (MOP, 2020) located in: (1) manufacturing areas, (2) transport infrastructure areas and networks, (3) commu­nication infrastructure areas and (4) energy infrastructure areas. Before the filtering, there were 98,425 footprints in the study area. First, 1,271 footprints were eliminated, which mainly included large industrial buildings. These were excluded because they are too large and cannot be adequately represented with 128 x 128 px patches. We also excluded buildings whose spectral properties are equivalent to transport infrastructure, mainly roads and transformers, as the outlines of these are too small for the algorithm to detect the transformer mask and compute the image coordinates of the created masks. Buildings located in areas of energy, communication and transport infrastructure are atypical. We wanted to create a data­set that is as balanced as possible and has as few outliers as possible. After the data cleaning process, we calculated the new centroids from the inspected and cleaned building footprints, which were then used to prepare the training patches. 3.3 Overview of sample images and building masks By manually inspecting the training features, we improve the quality of the dataset, which leads to better building detection results. The most typical errors are building footprints that cover meadows, fields and shadows. This is due to the non-updated nature of the building cadastre. For the study area with 98,425 building footprints, we detected 8,226 cases of such errors, representing 8% of all footprints. We did not consider the erroneous building footprints in the production of the sample images and binary masks. After reviewing the produced sample images and binary masks, we obtained 58,000 training examples to create the building dataset. Some examples of the most typical errors are shown in Figure 4. Figure 4: Examples of incorrect building footprints. The most typical errors are footprints that cover meadows, fields and shadows. Examples of partially overlapping footprints and building are un useful. The dataset was split 80/20, with 80% of the training samples used for learning and 20% for validation. We created building masks and sample building patches of 128 x 128 px from the newly computed building centroids. Each building is represented in the dataset with a mask and a corresponding sample image. After that, we converted the dataset to MS COCO format, which, as mentioned, uses JSON annotation. In the first step, we labelled the locations of all the sample patches and the corresponding binary masks according to the building class. In the second step, we converted the sample and the build­ing masks patches into the JSON annotation used by the MS COCO dataset. The detailed procedure is further described in Šanca (2020). 3.4 Transfer learning from pre-trained neural networks Neural networks for specific computer vision tasks have already been built and trained on large datasets such as ImageNet (Deng et al., 2009) and MS COCO. The pre-trained weights of these datasets are accessible to the users, who can reuse these weights to better adapt the weights when training a neural network on their own dataset. An example of such learning is called transfer learning. Transfer learn­ing works by initialising already trained model weights to adapt the weights better when training the network on another dataset. When extracting features from images, we use the neural network head and train only the new classifier to optimise the previously trained filter weights for new tasks on the second dataset; thus, the model training process requires much less time (Ramon et al., 2019). To train a Mask R-CNN neural network, we can use the pre-trained weights of two large-scale datasets, i.e., MS COCO and ImageNet. Simon Šanca, Krištof Oštir, Alen Mangafic | ZAZNAVANJE STAVB Z UPORABO NEVRONSKIH MREŽ, UCENIH S PRENOSOM ZNANJA | BUILDING DETECTION WITH CONVOLUTIONAL NETWORKS TRAINED WITH TRANSFER LEARNING | 559-593 | The MS COCO dataset is one of the leading datasets for object detection and semantic segmentation. It contains annotations for various problems: (1) object detection, (2) keypoint detection, (3) stuff segmentation, (4) pan-optic segmentation, and (5) image captioning. It contains 91 image categories, of which 82 categories have more than 5,000 labelled image examples. The total number of labelled training examples of the MS COCO collection is 2.5 million on 328,000 images (Lin et al., 2014). ImageNet is considered the largest dataset for state-of-the-art object recognition, containing more than 15 million manually annotated high-resolution images, organised according to the WordNet hierarchy into 22,000 classes. ImageNet supports: (1) object classification, (2) object detection and (3) single object localisation (Deng et al., 2009). Mask R-CNN consists of two parts: (1) a convolutional backbone architecture used for feature extraction over an entire image, and (2) the network head for classification, bounding box recognition and mask prediction, that is applied separately for each Region of Interest (RoI) (Zhao, et al., 2018). The two backbone architectures of Mask R-CNN are ResNet101, which contains 101 convolutional layers for object detection, and a Feature Pyramid Network (FPN), which performs multiscale feature extraction from the input image (Šanca, 2020). We used the same hyperparameters to train all the models, and we reduced the learning rate by a factor of 10 for the models whose weights were fine-tuned. The learning hyperparameters are given in Table 2, and we set them based on previous research studies. All hyperparameters listed in Table 2 are described in more detail in (Šanca, 2020). Table 2: Hyperparameter values used in model learning Name of the hyperparameter Value image shape 128 learning rate 0.001 and 0.0001 batch size 1,000 number of repetitions per epoch (steps per epoch) 1,000 number of validation steps 50 backbone architecture ResNet-101 anchor box size (8, 16, 32, 64, 128) number of proposed regions per image 32 The models were trained on a computer with the following specifications: – CPU: Intel(R) Core (TM) i9-9900X CPU @ 3.50GHz, – Memory: 64 GB RAM, DDR4 (4 x 16 GB DIMM DDR4 Synchronous 2400 MHz), – Graphics card: NVidia GeForce RTX 2080 SUPER. Figure 5: Mask R-CNN architecture for the building detection case. The input image passes through a convolutional neural network (CNN) that extracts features in the first step. In the second step, the region proposal network randomly suggests regions in the input image based on predictions generated according to a defined class in the dataset. The higher-level information is merged into lower-level information using the RoiAlign layer, which acts as a merging layer and is split into two parts. In the first part, the RoiAlign results are moved over the fully connected layers to predict the object class and compute the image field regression. In the second part, the RoiAlign results are moved across the convolutional layers of the neural network head and then across all the layers of the neural network, creating a pixel mask for each region of interest (ROI) and segmenting the image pixel by pixel according to the identified class. In this study, we compare the performance of eight classification models; the results are presented in Table 3. Table 3: Trained models on the NIR-R-G and R-G-B datasets. Model name Dataset Layers used for learning Number of epochs Used weights Learning rate Learning time [h] M2 NIR-R-G heads 100 ImageNet 0.001 40 M3 NIR-R-G all layers 200 MS COCO 0.0001 42 M4 NIR-R-G all layers 200 ImageNet 0.0001 44 M5 R-G-B heads 100 MS COCO 0.001 37 M6 R-G-B heads 100 ImageNet 0.001 39 M7 R-G-B all layers 200 MS COCO 0.0001 43 M8 R-G-B all layers 200 ImageNet 0.0001 44 The number of epochs indicates the number of passes of the entire training dataset through Mask R­CNN. For models M1, M2, M5, M6 we trained only the head layer of the neural network, for models: M3, M4, M7, M8 we trained all the layers of the neural network. The learning rate represents the step size in the computation of the gradient of the loss function, which is iteratively minimised during neural network training. We choose a suitable learning rate to avoid underfitting/overfitting (Šanca, 2020). The model training process is illustrated in Figure 6. Simon Šanca, Krištof Oštir, Alen Mangafic | ZAZNAVANJE STAVB Z UPORABO NEVRONSKIH MREŽ, UCENIH S PRENOSOM ZNANJA | BUILDING DETECTION WITH CONVOLUTIONAL NETWORKS TRAINED WITH TRANSFER LEARNING | 559-593 | Figure 6: Flowchart of models trained for building detection. Models: M3, M4 and M7, M8 are fine-tuned models up to 100 epochs after training the neural network head. Building detection was performed separately with each model. 4 RESULTS AND EVALUATION We evaluated the performance of transfer learning based on the loss function of the training process. We did not consider the loss function of the validation process to assess the stability of the model because on a large proportion of the training pairs, the building footprints from the building cadastre are inconsist­ent. The trained model successfully predicts a building where there is no footprint, which is detected by the validation process as a misclassified object. We decided to validate the performance of the models by calculating evaluation metrics (section 4.1). We validated the performance of the building classifica­tion models on a selected test area outside the training dataset area. We chose 300 examples to test the performance of the trained models, considering the criterion of roof diversity, in particular roof colour and shape, presence of solar panels on the roof, shadows, etc. We first compare the trained models with each other and then compare the obtained M3 and M4 results with the building cadastre. We present the building detection results in figures, where we compare the predictions of all the trained models on the NIR-R-G. We compare the resulting building footprints with the building cadastre. 4.1 Loss functions after transfer learning and comparison of models We present an example of building detection with the MS COCO (R-G-B) pre-trained model, which we used to initialise our weights when training on our own dataset, in Figure 7. As expected, building detection without transfer learning on the constructed building dataset is incorrect. The MS COCO or ImageNet base model only randomly suggests spatial fields. Mask R-CNNs multi-task loss function is the sum of the classification loss, bounding box loss and the mask loss. We are most interested in the mask loss for the building detection case, as it represents a measure of the accuracy of the building mask classification. In Figure 8, we see that the overall loss function after transfer learning of the MS COCO model is minimally better than the loss function of the ImageNet model. This is also true across the individual loss functions for classification, regression and masking. The loss func­tion minimises during training and stabilises towards the end of it (after about 65 training epochs), which means there is no need for further training. The value of the loss function for the Mask R-CNN (Mask loss) class does not change much during the training process. This is because we only have a single class in the building dataset that is predicted at detection. Only the loss functions during the training phase are shown. Simon Šanca, Krištof Oštir, Alen Mangafic | ZAZNAVANJE STAVB Z UPORABO NEVRONSKIH MREŽ, UCENIH S PRENOSOM ZNANJA | BUILDING DETECTION WITH CONVOLUTIONAL NETWORKS TRAINED WITH TRANSFER LEARNING | 559-593 | Figure 7: Example of building detection with a basic, not yet re-trained MS COCO model. Figure 8: Training loss functions for M1 and M2 on the NIR-R-G dataset. For both models, we trained the heads of the neural network for 100 epochs. After the fine-tuning, the values of the loss functions are further reduced, except for the loss function for the mask, which always stabilises at the start and does not improve, which means that the footprints of the identified buildings do not change noticeably in detection. Figure 9: Training loss functions for M3 and M4 on the NIR-R-G dataset. For both models, we trained all the layers of the neural network for 100 epochs. The results of the building detection with the trained models on BIR-G-R are shown in Figures 10, 11 and 12. The M3 and M4 models recognise smaller buildings, but the footprints of the recognised buildings remain very similar compared to M1 and M2. Fine-tuning with training all the layers of the Mask R-CNN is important in improving the prediction accuracy. Still, it is not crucial for improving the footprints of the recognised buildings compared to the footprints obtained by training the neural network head alone. Figure 12: Detection results of buildings with M3 and M4 and comparison with the building cadastre. Figure 13 shows the training loss functions of M5 and M6 trained on R-G-B, and Figure 14 shows the loss functions of M7, M8 trained on R-G-B. It can be seen that the loss functions of the R-G-B models are approximately the same as the loss functions of the NIR-R-G models. Figure 13: Training loss functions M1 (green) and M2 (blue) on the R-G-B dataset. For both models, we trained the heads of the neural network for 100 epochs. We were also interested in the difference between the performance of the models trained on the NIR-R-G and R-G-B datasets. We show the results of building detection with the R-G-B models in Figure 15. The differences between M1, M2 NIR-R-G and M5, M6 R-G-B are also minimal when recognising building footprints. This is also true for the fine-tuned models M3, M4 and M7, M8. Compared to the NIR-R-G orthophotos, the building detection results on R-G-B are slightly better because the base model is trained on MS COCO dataset R-G-B images of everyday life. In both cases, transfer learning from weights pre-trained on MS COCO or ImageNet datasets turns out to be an efficient solution compared to training models from scratch. Figure 15: Example of M7 building detection on an R-G-B orthophoto. 4.2 Performance of learned models We evaluate the performance of the trained classification models in machine learning based on testing patches. Building classification is an example of binary classification, where a confusion matrix represents the prediction performance. Predicted Actual Correctly classified cases fall into True Positive (TP) and True Negative (TN). Misclassified cases belong to False Negative (FN) and False Positive (FP). The prediction results are used to calculate evaluation metrics to assess the performance of the building detection models. The equations used to calculate the evaluation metrics are taken from (Fetai, et al., 2021). Accuracy represents the proportion of correct predictions over all model predictions for binary classification. The equation is simplified as: TP + TN TP + TN accuracy = : = (1) TP + FP + TN + FN All cases Recall measures the proportion of correctly predicted cases out of all positive cases: TP recall = (2) TP + FN The combined precision and recall metric is defined by the F1 score and is used when you only want to show one metric for the performance of a model: 2 · accuracy recall · F 1 = (3) accuracy + recall We counted the proportion of correctly and incorrectly identified buildings for the trained models and calculated evaluation metrics. The results are shown in Table 2. Table 4: Evaluation of the performance of the building classification models. M2 NIR-R-G ImageNet 243 0 43 14 0.8100 0.9455 0.8725 M3 NIR-R-G MS COCO 296 0 3 1 0.9867 0.9966 0.9916 M4 NIR-R-G ImageNet 294 0 4 2 0.9800 09932 0.9866 M5 R-G-B MS COCO 249 0 36 15 0.8300 0.9432 0.8830 M6 R-G-B ImageNet 244 0 41 15 0.8133 0.9421 0.8730 M7 R-G-B MS COCO 298 0 1 1 0.9933 0.9967 0.9950 M8 R-G-B ImageNet 296 0 1 2 0.9867 0.9933 0.9900 The trained models are very similar in terms of building detection performance. The 200 epoch models (M3, M4 and M7, M8) are more successful in identifying the footprints of buildings and identifying buildings even at the edge of the sample patches. M1, M2 and M5, M6 fail to recognise mainly small buildings or buildings partially covered by vegetation. Simon Šanca, Krištof Oštir, Alen Mangafic | ZAZNAVANJE STAVB Z UPORABO NEVRONSKIH MREŽ, UCENIH S PRENOSOM ZNANJA | BUILDING DETECTION WITH CONVOLUTIONAL NETWORKS TRAINED WITH TRANSFER LEARNING | 559-593 | 5 CONCLUSION AND DISCUSSION This paper presents a building detection process with Mask R-CNN, from dataset creation to building detection for eight models. We trained the models by transferring knowledge from the weights pre-trained on MS COCO and ImageNet datasets. We compared the performance of building classification using R-G-B orthophotos and NIR-R-G colour infrared orthophotos. The dataset produced for deep learning building detection has a potential for further use. It can be further extended to the whole country and possibly used for future building data retrieval and building database maintenance. The obtained results confirm that Mask R-CNN is useful and suitable for building classification as also claimed by related research (Ji et al., 2019) and (Zhou et al., 2019). In Slovenia, this is, to our knowledge, the first example of deep learning-based building detection. It is also the first case of applying transfer learning from models trained on MS COCO and ImageNet datasets, containing only R-G-B images of everyday objects, to a building dataset made from R-G-B and NIR-R­G orthophotos. The success of transfer learning from one domain to another domain demonstrates the flexibility of this type of networks. We claim that transfer learning is an effective method for updating models that have been trained on different data. Training models from scratch is a time-consuming pro­cess that allows building better models. Applying transfer learning to such models using new data of the same colour space would allow faster and more efficient model updating and, above all, faster training. With the experience gained, we have some suggestions for improving further research. The first example of improvement is producing building masks of more regular shapes with a footprint detection algo­rithm, as Zhao et al., (2018) stated. The identified building masks can be vectorised in the next step and integrated into a GIS. The dataset can be enhanced by combining a colour infrared orthophoto and a normalised digital surface model (nDSM), which would separate the roofs from the terrain in the data creation process. The dataset could be extended to include buildings across Slovenia, allowing the model to be trained over the whole country. ACKNOWLEDGEMENTS The research was partly carried out within the applied research project L2-1826, co-funded by the Slo­venian Research Agency, the Geodetic Administration of the Republic of Slovenia and the Ministry of Defence, and the research programme P2-0406 and project J2-9251, funded by the Slovenian Research Agency. Many thanks also to the Department of Civil Engineering at Western Norway University of Applied Sciences for partially funding the research. Literature and references: Abdulla, W. (2017). Mask R-CNN for object detection and instance segmentation on doi.org/10.3390/rs13112077. Keras and TensorFlow. Chen, Q., Wang, L., Yifan, W., Guangming, G., Zhiling, W. S. (2019). Aerial Imagery https://github.com/matterport/Mask_RCNN, accessed 17. 3. 2020. for Roof Segmentation: A Large-Scale Dataset towards Automatic Mapping of Buildings. 147 (07), 42–55. Boguszewski, A., Batorski, D., Ziemba-Jankowska, N., Zambrzycka, A., Dziedzic, T. (2020). LandCover.ai: Dataset for Automatic Mapping of Buildings, Woodlands Crésson, R. (2018). Orfeo Toolbox meets TensorFlow. https://github.com/remicres/ and Water from Aerial Imagery. ArXiv. otbtf, accessed 13. 4. 2020. Fetai, B., Racic, M., Lisec, A. (2021). Deep Learning for Detection of Visible Land Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., Fei-Fei, L. (2009). ImageNet: a Large-Scale Boundaries from UAV Imagery. Remote Sensing. 13 (11): 2077. DOI: https:// Hierarchical Image Database. IEEE Conference on Computer Vision and Pattern Recognition, 248–255. DOI: https://doi.org/10.1109/CVPR.2009.5206848 Oštir, K. (2006). Daljinsko zaznavanje. Ljubljana, Založba ZRC, ZRC SAZU. Goodfellow, I., Bengio, Y., Courville, A. (2016). Deep Learning. Boston, MIT Press. Geodetska Uprava RS (2020). Zbirka topografskih podatkov (DTM). https://www.e­ prostor.gov.si/fileadmin/struktura/DTM_objektni_katalog.pdf, accsessed 13. 4. 2020. Grigillo, D. (2010). Samodejno odkrivanje stavb na visokolocljivih slikovnih virih za potrebe vzdrževanje topografskih podatkov [Automatic building detection from high resolution imagery for maintenance of topographic data]. Doctoral dissertation. Ljubljana: University of Ljubljana. http://drugg.fgg.uni-lj.si/781/, accessed 25. 4. 2020. Grizonnet, M., Michel, J., Poughon, V., Inglada, J., Savinaud, M., Cresson, R. (2018). Orfeo ToolBox: Open source processing of remote sensing images. Open Geospatial Data, Software and Standards. 2. DOI: https://doi.org/10.1186/ s40965-017-0031-6 He, K., Gkioxari, G., Dollár, P., Girshick, R. (2017). Mask R-CNN. 2017 IEEE International Conference on Computer Vision (ICCV), 2980–2988. DOI: https://doi. org/10.1109/iccv.2017.322 Ji, S., Yanyun, S., Lu, M., Zhan, Y. (2019). Building Instance Change Detection from Large-Scale Aerial Images using Convolutional Neural Networks and Simulated Shapes. Remote Sensing, 11 (11), 1343–1363. DOI: https://doi.org/10.3390/ rs11111343 Lin, T. Y., Maire, M., Belongie, S., Bourdev, L., Girshik, R., Hays, J., Perona, P., Ramanan, D., Zitnick, C. L., Dollár, P. (2014). Microsoft COCO: Common Objects in Context. Computer Vision and Pattern Recognition, pp. 740–755. Maggiori, E., Tarabalka, Y., Charpiat, G., Alliez, P. (2017). Can semantic labeling methods generalize to any city? The Inria aerial image labeling benchmark. 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2017, 3226–3229. DOI: https://doi.org/10.1109/IGARSS.2017.8127684 Mnih, V. (2013). Machine Learning for Aerial Image Labeling. Doktorska disertacija. Toronto: University of Toronto. https://www.cs.toronto.edu/~vmnih/docs/ Mnih_Volodymyr_PhD_Thesis.pdf, accessed 8. 10. 2021. MOP (2020). Dostop do podatkov o prostorskih aktih. https://dokumentipis.mop.gov.si/javno/veljavni/tematski_zbirni_sloji/gnrp_opis. pdf, accessed 14. 4. 2020. MS COCO (2014). COCO Data Format. http://cocodataset.org/#format-data, accessed 1. 4. 2020. Racic, M. (2019). Kategorizacija uporabe zemeljske površine na podlagi multispektralnih slik [Categorisation of land use based on multispectral imagery]. Master thesis. Ljubljana: University of Ljubljana. https://repozitorij. uni-lj.si/IzpisGradiva.php?lang=slv&id=110064, accessed 17. 3. 2020. Šanca, S. (2020). Samodejna klasifikacija stavb z globim ucenjem [Automatic classification of buildings with deep learning]. Master thesis. Ljubljana: University of Ljubljana. https://repozitorij.uni-lj.si/Dokument.php?id=135433&lang=slv, accessed 20. 11. 2020. Shetty, A. R., Mohan, B. (2018). Building Extraction in High Spatial Resolution Images Using Deep Learning Techniques. Computational Science and Its Applications – ICCSA 2018. Melbourne, Springer. Veljanovski, T., Kanjir, U., Oštir, K. (2011). Objektno usmerjena analiza podatkov daljinskega zaznavanja. Geodetski vestnik, 55 (4), 665–668. DOI: https://doi. org/10.15292/geodetski-vestnik.2011.04.665-688 Wen, Q., Jiang, K., Wang, W., Liu, Q., Guo, Q., Li, L., Wang, P. (2019). Automatic Building Extraction from Google Earth Images under Complex Backgrounds Based on Deep Instance Segmentation Network. Sensors, 19 (2), 333–349. DOI: https:// doi.org/10.3390/s19020333 Zakon o državnem geodetskem referencnem sistemu (ZDGRS) [National Land Survey Reference System Act]. Official Gazette of the Republic of Slovenia No 25/2014 and 61/2017. Zakon o evidentiranju nepremicnin (ZEN) [Real Estate Records Act]. Official Gazette of the Republic of Slovenia No 47/2006 and amendments. Zhao, K., Kang, J., Jung, J., Sohn, G. (2018). Building Extraction from Satellite Images Using Mask R-CNN with Building Boundary Regularization. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Salt Lake City, 2018, pp. 2242–2424. DOI: https://doi.org/10.1109/ CVPRW.2018.00045 Zhou, K., Chen, Y., Smal, I., Lindenbergh, R. (2019). Building Segmentation from Airborne VHR Images using Mask R-CNN. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 42 (2), 151–161. DOI: https://doi.org/10.5194/isprs-archives-XLII-2-W13-155-2019 Zhu, X., T., Devis, M., Lichao, X., Gui-Song, Z., Liangpei, X., Feng, Fraundorfer, F. (2017). Deep Learning in Remote Sensing: A Comprehensive Review and List of Resources. IEEE Geoscience and Remote Sensing Magazine, 5, 8–36. DOI: https://doi.org/10.1109/MGRS.2017.2762307 Šanca S., Oštir K., Mangafic A. (2021). Building detection with convolutional networks trained with transfer learning. Geodetski vestnik, 65 (4), 559-593. DOI: https://doi.org/10.15292/geodetski-vestnik.2021.04.559-593 ZAZNAVANJE STAVB Z UPORABO NEVRONSKIH MREŽ, UCENIH S PRENOSOM ZNANJA OSNOVNE INFORMACIJE O CLANKU: GLEJ STRAN 559 1 UVOD Namen klasifikacije podob je razpoznavanje in poimenovanje geografskih objektov in pojavov na ze­meljskem površju (Veljanovski et al., 2011). S klasifikacijo iz podobe izlušcimo bistvene razrede (objekte), ki nas zanimajo, recimo ceste, gozdove, poljšcine, vodna obmocja, ladje, letala ali stavbe. Samodejna pre­poznava in klasifikacija stavb iz letalskih posnetkov ali visokolocljivih satelitskih posnetkov je pomembna tema raziskav na podrocju fotogrametrije in daljinskega zaznavanja (Zhu et al., 2017). Hiter napredek na podrocju racunalniškega vida in globokega ucenja z uporabo globokih konvolucijskih nevronskih mrež ter prosti dostop do podatkov daljinskega zaznavanja omogoca razvoj novih metod za samodejno klasifikacijo stavb. Na spletu najdemo veliko nalog in tekmovanj, ki uporabljajo metode globokega ucenja za samodejno klasifikacijo stavb z uporabo satelitskih ali letalskih posnetkov. Primeri takih tekmovanj so DeepGlobe Buildings Extraction Challange7, SpaceNet Building Extraction Challenge8, crowdAI Mapping Challenge9 idr. Globoko ucenje za modeliranje podatkov uporablja usmerjene, vecslojne nevronske mreže. Specificen primer umetnih nevronskih mrež za klasifikacijo in segmentacijo slik so konvolucijske nevronske mreže. Poenostavljen primer konvolucijske nevronske mreže vsebuje tri osnovne sloje, ki se lahko ponavljajo. To so: (1) konvolucijski sloji (angl. convolutional layers), (2) združevalni sloji (angl. pooling layers) in (3) polno povezani sloji (angl. fully connected layers) (Goodfellow et al., 2016). Globoko nevronsko mrežo sestavlja veliko takih slojev, zaradi cesar je sposobna prepoznati podrobne vzorce in oblike na sliki. Vsak sloj nevronske mreže ima znacilno nalogo. Konvolucijski sloj je kombinacija veckratnih filtrov, ki se premikajo cez sliko, in združuje višje nivojske informacije v dvodimenzionalno aktivacijsko matriko. Prostorsko locljivost aktivacijskih matrik postopoma zmanjšujejo združevalni sloji, da se zmanjša racunska kompleksnost nevronske mreže in hkrati povecuje vidno polje posameznega filtra. Polno povezani sloj deluje kot klasifikator, ki na podlagi pridobljenih vrednosti nabora znacilk vrne klasifikacijski vektor, na podlagi katerega se doloci pripadnost nekemu razredu (Šanca, 2020). Ena izmed uspešnejših konvolucijskih nevronskih mrež za detekcijo objektov je Mask R-CNN (He et al., 2017) (angl. Mask Regional Convolutional Neural Network), s katero lahko dosežemo visoko tocnost klasifikacije stavb (Šanca, 2020). Mask R-CNN so razvili pri Facebook AI Research (FAIR) leta 2017. Gre za globoko konvolucijsko nevronsko mrežo, ki se uporablja za detekcijo objektov (angl. object detection), semanticno segmentacijo (angl. semantic segmentation) ter segmentacijo primerov (angl. instance segmenta­tion). Detekcijo objektov z Mask R-CNN sestavljata dva dela, v prvem se generira predlog obmocja, kjer 7 http://deepglobe.org 8 https://spacenetchallenge.github.io/ 9 https://www.crowdai.org/challenges/mapping-challenge naj bi se objekt nahajal na vhodni sliki, v drugem se objekt zazna in se zanj doloci verjetnost pripadnosti razredu, prikaže se položaj objekta in doloci njegova maska. Vec podrobnosti o Mask R-CNN najdemo v prispevkih He et al. (2017) in Abdulla (2017). Podroben pregled teorije in uporabe globokega ucenja v daljinskem zaznavanju predstavijo Zhu et al. (2017). Vecina dosedanjih raziskav, ki temeljijo na uporabi globokega ucenja za samodejno detekcijo stavb, kot vir podatkov uporablja satelitske posnetke visoke prostorske locljivosti. Pri študiji samodejne detekcije stavb sta Shetty in Mohan (2018) uporabila podatkovno množico satelitskega sistema WorldView-2. Za ucenje in testiranje modela z nevronsko mrežo Faster R-CNN sta uporabila pankromatske posnetke prostorske locljivosti 0,46 metra. Ugotovila sta, da uporaba konvolucijskih nevronskih mrež omogoca detekcijo stavb razlicnih oblik s tocnostjo 88 %, v primerjavi z metodo podpornih vektorjev (angl. support vector machines), kjer je bila dosegljiva tocnost detekcije 88,3 %. Z uporabo velike podatkovne zbirke posnetkov Google Earth so Wen et al. (2019) raziskovali zmožnosti detekcije stavb s Faster R-CNN. Primerjali so hrbtni arhitekturi VGG in ResNet101 pri uporabi Mask R-CNN in Faster R-CNN. Pri predlagani rešitvi so Mask R-CNN nadgradili z rotacijsko matriko za detekcijo stavb. Najslabšo tocnost so dosegli s Faster R-CNN-VGG (70 %), najboljšo s predlagano rešitvijo Mask R-CNN-VGG (91 %). Ostali dve rešitvi Faster R-CNN-ResNet101 in Mask R-CNN-ResNet101 dosegata identicni tocnosti 91 %. V nadaljevanju so primerjali tudi rezultate semanticne segmentacije stavb z Mask R-CNN, kjer predlagana metoda doseže tocnost 91 %, navadna metoda Mask R-CNN-Resnet101 pa tocnost 91 %. Na podlagi raziskave ugotovijo, da se z uporabo velike in kompleksne podatkovne zbirke stavb in uporabo Mask R-CNN lahko dosežejo obetavni rezultati. Z uporabo podatkovne zbirke DeepGlobe so Zhao et al. (2018) predlagali izboljšano rešitev Mask R-CNN, ki so jo nadgradili z algoritmom prepoznave mej. Njihova predlagana rešitev doseže natancnejše rezultate pri prepoznavi stavb in zaznavanju obrisov prepoznanih stavb kot osnovna rešitev Mask R-CNN. Letalski posnetki imajo v primerjavi s satelitskimi posnetki visoko prostorsko locljivost, a manj spektralnih kanalov. Podatkovne zbirke na podlagi letalskih posnetkov omogocajo prepoznavo kompleksnejših ob-jektov z višjo tocnostjo. Primeri podatkovnih zbirk za prepoznavo stavb, izdelanih iz letalskih posnetkov, so: Massachusetts Buildings Dataset10 (Mnih, 2013), Inria Aerial Image Labeling Dataset11 (Maggiori et al., 2017), AIRS Automatic Mapping of Buildings Dataset12 (Chen et al., 2019). Dosedanje raziskave z uporabo letalskih posnetkov in Mask R-CNN dosegajo visoko tocnost detekcije stavb. V prispevku Ji et al. (2019) so raziskovali spremembe stavb s podatkovno zbirko Wuhan Building Change Detec­tion. Predlagano rešitev za detekcijo stavb sestavljata dve konvolucijski nevronski mreži: (1) mreža za prepoznavo stavb, ki deluje na osnovi Mask R-CNN in MS-FCN (angl. Multi-Scale Fully Convolutional Network), ter (2) mreža za odkrivanje sprememb stavb. Rešitev so preizkusili na študijskem obmocju Christchurcha v Novi Zelandiji, kjer so primerjali obmocji iz let 2011 in 2016. Obe predlagani rešitvi sta dosegli visoko tocnost klasifikacije, in sicer nad 89 % pri objektni klasifikaciji in nad 93 % pri pikselski klasifikaciji stavb. MS-FCN je bil v primerjavi z Mask R-CNN nekoliko boljši pri detekciji robov stavb. Z detekcijo stavb iz letalskih posnetkov z uporabo Mask R-CNN so se ukvarjali (Zhou et al., 2019). Raziskovali so zmožnost prepoznave stavb s spreminjanjem vrednosti parametra sidrnega 10 https://www.cs.toronto.edu/~vmnih/data/ 11 https://project.inria.fr/aerialimagelabeling/ 12 https://www.airs-dataset.com/ polja (angl. anchor box) in problem segmentacije natancnih obrisov robov stavb. Primerjali so dve predlagani rešitvi: (1) Mask R-CNN-S z manjšim sidrnim poljem in (2) Mask R-CNN-L z vecjim sidrnim poljem. Ugotovili so, da so rezultati detekcije stavb boljši z uporabo rešitve z manjšim sidrnim poljem, saj ta prepozna manjše stavbe in stavbe z bolj podrobno vsebino. Zakljucijo s pomembno ugo­tovitvijo, da je Mask R-CNN primerno za detekcijo stavb, saj klasicne konvolucijske nevronske mreže ne ohranijo podrobne spektralne informacije pri detekciji objektov, kar privede do slabših rezultatov. Druga pomembna ugotovitev je pomen parametra sidrnega polja, ki pomembno vpliva na kakovost prepoznave manjših objektov ter vecjih, spektralno raznolikih objektov. Zbrane rezultate navedenih raziskav predstavljamo v preglednici 1. Preglednica 1: Primerjava karakteristik in metod preteklih raziskav s Faster R-CNN, Mask R-CNN in MS-FCN Nevronska mreža Uporabljena metoda Podatki Prostorska locljivost [m] Tocnost [%] Študija Faster R-CNN­VGG rotacijska matrika za prepoznavo stavb letalski R-G-B 0,26 70 Wen et al. (2019) Mask R-CNN­VGG rotacijska matrika za prepoznavo stavb letalski R-G-B 0,26 91 Wen et al. (2019) Faster R-CNN­Resnet101 rotacijska matrika za prepoznavo stavb letalski R-G-B 0,26 91 Wen et al. (2019) Mask R-CNN­Resnet101 rotacijska matrika za prepoznavo stavb letalski R-G-B 0,26 91 Wen et al. (2019) Mask R-CNN algoritem regularizacije mej satelitski R-G-B 0,5 88 Zhao et al. (2018) Mask R-CNN podporni vektorji letalski R-G-B 0,3 90 Ji et al. (2019) MS-FCN podporni vektorji letalski R-G-B 0,3 84 Ji et al. (2019) Mask R-CNN-S majhno sidrno polje letalski R-G-B 0,5 85 Zhou et al. (2019) Mask R-CNN-L veliko sidrno polje letalski R-G-B 0,5 81 Zhou et al. (2019) Geodetski inštitut Slovenije na letni ravni izvaja samodejno klasifikacijo stavb z namenom posodabljanja prostorskih evidenc Geodetske uprave Republike Slovenije in monitoringa prostora za Ministrstvo za okolje in prostor. Klasifikacija stavb se izvaja z metodami strojnega ucenja, z objektno klasifikacijo, in sicer z uporabo podpornih vektorjev (angl. support-vector machines) in nakljucnih gozdov (angl. random forest), kjer je kljucni podatek tudi digitalni model površja. Namen prispevka je preizkus nove metode detekcije stavb z uporabo globokega ucenja na dveh lastno izdelanih podatkovnih zbirkah stavb, ki sta popolnoma neodvisni od uporabe digitalnega modela površja. V okviru raziskave smo izdelali dve podatkovni zbirki stavb, in sicer z uporabo barvnih ortofotov DOF050 (R-G-B) in z uporabo barvnih bližnjih infrardecih ortofotov DOF050IR (BIR-R-G) prostorske locljivosti 0,5 metra iz leta 2019. Z uporabo barvnih bližnje infrardecih ortofotov dobimo drugacno predstavo o Simon Šanca, Krištof Oštir, Alen Mangafic | ZAZNAVANJE STAVB Z UPORABO NEVRONSKIH MREŽ, UCENIH S PRENOSOM ZNANJA | BUILDING DETECTION WITH CONVOLUTIONAL NETWORKS TRAINED WITH TRANSFER LEARNING | 559-593 | terenu, saj so predmeti z visoko odbojnostjo v infrardecem spektru (npr. zdrava vegetacija) prikazani z rdeco barvo, medtem ko so predmeti z mocno odbojnostjo v rdecem spektru prikazani zeleno in pred­meti z mocno odbojnostjo v modrozelenem spektru prikazani modro (Oštir, 2006). Glavna prednost uporabe barvnih bližnje infrardecih ortofotov je predvsem, da lahko že na podlagi spektralnega podpisa lažje locimo stavbe od vegetacije. Podatkovni zbirki stavb smo zapisali v formatu MS COCO (Lin et al., 2014), ki ucne primerke stavb predstavi z zapisom JSON (angl. JavaScript Object Notation). Tak nacin oznacevanja je hiter in pregleden, zato smo ga uporabili pri izdelavi podatkovne zbirke stavb. Naucili smo osem razlicnih modelov klasi­fikacije stavb z uporabo preducenih uteži podatkovnih zbirk MS COCO in ImageNet (Deng et al., 2009). Uporabili smo ucenje s prenosom znanja, ker ga uporablja Mask R-CNN, da se modeli, uceni na podatkovni zbirki uporabnika, hitreje generalizirajo. Uspešnost naucenih modelov smo preverili na izbranem testnem vzorcu stavb v Sloveniji in vsak model ovrednotili z izracunom evalvacijskih metrik. Zanimalo nas je predvsem, kako uspešno Mask R-CNN prepozna stavbe, kako kakovostne so prepoznane maske stavb in ali predlagana metoda ponuja možnosti za nadaljnjo uporabo. 2 ŠTUDIJSKO OBMOCJE IN OPIS PODATKOV Kljucni element uspešnega modela klasifikacije stavb z globokim ucenjem je kakovostno izdelana podat­kovna zbirka z velikim številom oznacenih ucnih primerov. Študijsko obmocje za izdelavo dveh podat­kovnih zbirk stavb je prikazano na sliki 1. Predstavlja obmocje pomurske in severovzhodne podravske regije. Obmocje velikosti 1387 km2 vsebuje 98.425 evidentiranih stavb na dan 28. 3. 2020. Tipologija stavb je vecinoma ruralna, z izjemo Murske Sobote, ki ima urbano tipologijo stavb. Strehe so razlicnih oblik in barv, prevladuje kritina rdece, rjave in temno sive ali crne barve. Veliko ucnih primerov streh vsebuje tudi soncne kolektorje. Obmocje smo izbrali zaradi dobrega poznavanja, in ker vsebuje širok nabor raznovrstnih streh, ki prispevajo k podrobnosti podatkovne zbirke stavb. Slika 1: Prikaz študijskega obmocja za izdelavo podatkovne zbirke stavb. 3 METODE V poglavju predstavimo metodologijo za izdelavo podatkovne zbirke stavb. Najprej opredelimo razred stavba, cemur sledi izdelava ucnih vzorcev in njihov pregled za prikazano študijsko obmocje na sliki 1. 3.1 Opredelitev razreda stavba Namen katastra stavb je evidentiranje vseh stavb v Republiki Sloveniji. Pojem stavbe in dela stavbe opre­deljuje ZEN (Uradni list RS, št. 47/06). Podatki, ki se vodijo o stavbah in njihovih delih, so opisani v Zbirki topografskih podatkov (DTM) (GURS, 2020). DTM je zakonsko pokrit z 11. clenom ZDGRS (Uradni list RS, št. 25/14 in 61/17). Stavbo opredelimo kot objekt, ki je trajno na enem mestu (Bogusze­wski et al., 2020). Primer pravilnega in upoštevanega obrisa stavbe je predstavljen na levi strani slike 2. Visoke stavbe pomenijo težavo, saj maska stavbe, pridobljena iz katastra stavb, ne sovpada s stavbo na posnetku. Takih stavb pri pripravi podatkovne zbirke nismo upoštevali. Slika 2: Primeri pravilnih (levo) in nepravilnih (desno) ucnih vzorcev stavb. 3.2 Metodologija izdelave podatkovne zbirke stavb Korake izdelave podatkovne zbirke stavb za globoko ucenje prikazuje diagram poteka na sliki 3, vsak posamezni korak je podrobneje opisan v nadaljevanju. Slika 3: Diagram poteka izdelave podatkovne zbirke stavb za globoko ucenje. Kataster stavb, ki smo ga uporabili za izdelavo ucnih vzorcev stavb, smo pred samo izdelavo pocistili. Izlocili smo obrise stavb, ki se po generalizirani podrobni namenski rabi prostora (MOP, 2020) na- Simon Šanca, Krištof Oštir, Alen Mangafic | ZAZNAVANJE STAVB Z UPORABO NEVRONSKIH MREŽ, UCENIH S PRENOSOM ZNANJA | BUILDING DETECTION WITH CONVOLUTIONAL NETWORKS TRAINED WITH TRANSFER LEARNING | 559-593 | hajajo na: (1) obmocjih proizvodnih dejavnosti, (2) obmocjih in omrežjih prometne infrastrukture, (3) obmocjih komunikacijske infrastrukture in (4) obmocjih energetske infrastrukture. Pred izlocanjem je bilo na študijskem obmocju 98.425 obrisov stavb. Najprej smo izlocili 1271 obrisov stavb, med katere spadajo predvsem vecji industrijski objekti. Te smo izlocili zato, ker so objekti preveliki in jih ne moremo ustrezno predstaviti na vzorcni sliki velikosti 128 x 128 pikslov. Izlocili smo še stavbe, ki se po spektralnih lastnostih enacijo s prometno infrastrukturo, predvsem s cestami in transformatorji, saj so obrisi teh premajhni, da bi algoritem masko transformatorja zaznal in ji izracunal slikovne koordinate izdelanih mask. Stavbe, ki so na obmocjih energetske, komunikacijske in prometne infrastrukture, so netipicne. Želeli smo izdelati podatkovno zbirko, ki je cim bolj uravnotežena in ima cim manj osamelcev. Iz pregledanih in pocišcenih obrisov stavb smo izracunali nove centroide ter jih uporabili pri pripravi vzorcnih slik in binarnih mask. 3.3 Pregled vzorcnih slik in mask stavb Z rocnim pregledom ucnih primerkov izboljšamo kakovost podatkovne zbirke, kar vpliva na boljše re-zultate detekcije stavb. Najznacilnejše napake pri obrisih stavb so mešanje s travniki, njivami in sencami. Razlog za to je neposodobljenost katastra stavb. Za študijsko obmocje z 98.425 obrisi stavb smo odkrili 8226 primerov takih napak, kar predstavlja 8 % vseh obrisov. Napacnih obrisov stavb nismo upoštevali pri izdelavi vzorcnih slik in binarnih mask. Po pregledu izdelanih vzorcnih slik in binarnih mask smo pridobili 58.000 ucnih primerov za izdelavo podatkovne zbirke stavb. Nekaj primerov najbolj znacilnih napak prikazujemo na sliki 4. Slika 4: Primeri napacnih obrisov stavb. Najznacilneše napake so mešanje s travniki, njivami in sencami. Tudi primeri delnega prekrivanja obrisa in stavbe niso uporabni. Podatkovno zbirko smo razdelili v razmerju 80/20, kjer smo 80 % ucnih primerov uporabili za ucenje in 20 % za validacijo. Nato smo iz novo izracunanih centroidov stavb izdelali maske stavb in vzorcne slike stavb velikosti 128 x 128 pikslov. Vsaka stavba je v podatkovni zbirki predstavljena z masko in pripadajoco vzorcno sliko. Po tem smo podatkovni zbirki pretvorili v zapis MS COCO, ki, kot receno, za oznacitev ucnih primerov uporablja zapis JSON. V prvem koraku smo oznacili lokacije vseh vzorcnih slik in pripadajocih binarnih mask glede na razred stavba, v drugem koraku smo pretvorili vzorcne slike in maske stavb v zapis JSON, ki ga uporablja podatkovna zbirka MS COCO. Podrobnosti o samem postopku je predstavil Šanca (2020). Simon Šanca, Krištof Oštir, Alen Mangafic | ZAZNAVANJE STAVB Z UPORABO NEVRONSKIH MREŽ, UCENIH S PRENOSOM ZNANJA | BUILDING DETECTION WITH CONVOLUTIONAL NETWORKS TRAINED WITH TRANSFER LEARNING | 559-593 | 3.4 Prenos znanja iz preducenih nevronskih mrež Nevronske mreže so za specificne naloge racunalniškega vida že izdelane in naucene na vecjih podatkovnih zbirkah, kot sta ImageNet (Deng et al., 2009) in MS COCO. Te so dostopne uporabnikom, ki uteži lahko uporabijo za ucenje novih modelov na podlagi lastne podatkovne zbirke. Primer takega ucenja imenujemo ucenje s prenosom znanja ali preneseno ucenje (angl. transfer learning). Preneseno ucenje deluje z iniciali­zacijo že naucenih uteži modela z namenom boljšega prilagajanja uteži pri ucenju na drugi podatkovni zbirki. Pri pridobivanju znacilk iz slik uporabimo glavo nevronske mreže in ucimo le novi klasifikator, da se predhodno naucene uteži filtrov optimizirajo za nove naloge na podlagi druge podatkovne zbirke, s tem proces ucenja modelov zahteva precej manj casa (Ramon et al., 2019). Pri ucenju nevronske mreže Mask R-CNN lahko uporabimo preducene uteži dveh velikih podatkovnih zbirk, to sta MS COCO in ImageNet. Podatkovna zbirka MS COCO je vodilna podatkovna zbirka za detekcijo in segmentacijo objektov, vsebuje anotacije za razlicne probleme: (1) detekcijo objektov (angl. object detection), (2) detekcijo kljucnih tock (angl. keypoint detection), (3) segmentacijo objektov (angl. stuff segmentation), (4) pan-opticne segmen­tacije (angl. panoptic segmentation) in (5) opisovanja slik (angl. image captioning). Vsebuje 91 slikovnih kategorij, od teh ima 82 kategorij vec kot 5000 oznacenih primerov slik. Skupno število oznacenih ucnih primerov zbirke MS COCO je 2,5 milijona na 328.000 slikah (Lin et al., 2014). ImageNet velja za najvecjo podatkovno zbirko nasploh, vsebuje vec kot 15 milijonov rocno oznacenih slik visoke locljivosti, ki so kategorizirane po hierarhiji WorldNet v 22.000 razredov. ImageNet omogoca: (1) klasifikacijo objektov (angl. object classification), (2) detekcijo objektov (angl. object detection) in (3) lokalizacijo posameznih objektov (angl. single object localisation) (Deng et al., 2009). Mask R-CNN sestavljata dva dela: (1) konvolucijska mreža, namenjena pridobivanju znacilk iz slik, in (2) glava nevronske mreže, namenjena klasifikaciji, prepoznavi slikovnega polja in napovedi maske prepoznanega objekta, ki se napove loceno za vsak objekt ali interesno obmocje (angl. Region of Interest) (Zhao et al., 2018). Mask R-CNN sestavljata dve hrbtni arhitekturi, in sicer ResNet101, ki vsebuje 101 konvolucijskih slojev za klasifikacijo objektov in FPN (angl. Feature Pyramid Network), ki iz podobe pridobiva znacilke razlicnih meril (Šanca, 2020). Pri ucenju vseh modelov smo uporabili enake hiper­parametre, edino hitrost ucenja smo zmanjšali za 10-kratno vrednost pri modelih, katere uteži smo fino ucili. Hiperparametre za ucenje podajamo v preglednici 2, nastavili smo jih na podlagi pregledanih preteklih raziskavah. Vsi našteti hiperparametri v preglednici 2 so podrobneje opisani v (Šanca, 2020). Preglednica 2: Uporabljene vrednost hiperparametrov pri ucenju modelov Ime hiperparametra Vrednost velikost slike za ucenje (angl. image shape) 128 x 128 px hitrost ucenja (angl. learning rate) 0,001 in 0,0001 velikost serij (angl. batch size) 1000 število ponovitev na epoho (angl. steps per epoch) 1000 število ponovitev validacije (angl. validation steps) 50 hrbtna arhitektura (angl. backbone architecture) ResNet-101 velikost sidrnih polj (angl. anchor box) (8, 16, 32, 64, 128) Modele smo ucili na racunalniku z naslednjimi specifikacijami: – centralna procesna enota: Intel(R) Core(TM) i9-9900X CPU @ 3.50GHz, – pomnilnik: 64 GB RAM, DDR4 (4X 16 GB DIMM DDR4 Synchronous 2400 MHz), – graficna kartica: NVIDIA GeForce RTX 2080 SUPER. Slika 5: Arhitektura Mask R-CNN za primer detekcije stavb. V prvem koraku vhodna slika potuje skozi konvolucijsko nevronsko mrežo (CNN), ki pridobiva znacilke. V drugem koraku mreža za predlog regij nakljucno predlaga regije na vhodni sliki, na podlagi katere se ustvarijo napovedi glede na opredeljen razred v podatkovni zbirki. Višjenivojske informacije se združujejo v nižjenivojske z uporabo sloja RoiAlign, ki deluje kot združevalni sloj in se razdeli v dva dela. V prvem delu se rezultati RoiAlign premikajo cez polno povezane sloje, na podlagi katerih se napove razred objekta in izracuna regresija slikovnega polja. V drugem delu se rezul­tati RoiAlign premikajo cez konvolucijske sloje glave nevronske mreže in potem cez vse sloje nevronske mreže, tako se ustvari pikselska maska za vsako regijo interesa (angl. region of interest) in se slika segmentira po pikslih glede na prepoznan razred. V raziskavi primerjamo uspešnost osmih ucenih modelov za klasifikacijo stavb, predstavljeni so v preglednici 3. Preglednica 3: Nauceni modeli na podatkovni zbirki BIR-R-G in R-G-B Ime modela Podatkovna zbirka Uporabljeni sloji za ucenje Število epoh Uporabljene uteži Hitrost ucenja Cas ucenja [h] M2 BIR-R-G glavni sloji 100 ImageNet 0,001 40 M3 BIR-R-G vsi sloji 200 MS COCO 0,0001 42 M4 BIR-R-G vsi sloji 200 ImageNet 0,0001 44 M5 R-G-B glavni sloji 100 MS COCO 0,001 37 M6 R-G-B glavni sloji 100 ImageNet 0,001 39 M7 R-G-B vsi sloji 200 MS COCO 0,0001 43 M8 R-G-B vsi sloji 200 ImageNet 0,0001 44 Število epoh pomeni število ponovitev prehoda celotne podatkovne zbirke cez Mask R-CNN. Pri mod-elih M1, M2, M5, M6 smo ucili glavo nevronske mreže (angl. head layers), pri modelih M3, M4, M7, M8 vse sloje nevronske mreže (angl. all layers). Hitrost ucenja predstavlja velikost koraka pri izracunu gradienta funkcije izgube, ki se med ucenjem nevronske mreže iterativno minimizira. Pri ucenju si izber-emo primerno hitrost ucenja, da se izognemo premajhnemu ali prekomernemu prileganju uteži (angl. underfitting/overfitting) (Šanca, 2020). Postopek ucenja modelov prikazujemo na sliki 6. Slika 6: Diagram poteka ucenja modelov za detekcijo stavb. Modeli M3, M4 in M7, M8 so fino uceni modeli še 100 epoh po ucenju glave nevronske mreže. Detekcijo stavb smo izvedli loceno z vsakim modelom. 4 REZULTATI IN NJIHOVO OVREDNOTENJE Uspešnost prenosa znanja smo ocenili na podlagi skupne funkcije izgube v procesu ucenja. Skupne funkcije izgube validacijskega procesa nismo upoštevali za ocenjevanje stabilnosti modela, saj je na velikem deležu ucnih parov obris stavb iz katastra stavb nekonsistenten, zato ucen model uspešno napove stavbo, kjer ni obrisa, kar validacijski proces zazna kot napacno klasificiran objekt. Odlocili smo se, da bomo validacijo uspešnosti modelov opravili z izracunom evalvacijskih metrik (poglavje 4.1). Uspešnost modelov klasifikacije stavb smo preverili na izbranem testnem obmocju izven obmocja podatkovne zbirke za ucenje. Izbrali smo 300 primerov za testiranje uspešnosti ucenih modelov, pri tem smo upoštevali kriterij raznolikosti streh, predvsem barvo in obliko strehe, pris­otnost soncnih kolektorjev na strehi, sence ipd. Najprej primerjamo naucene modele med sabo in potem še dobljene rezultate M3 in M4 s katastrom stavb. Rezultate detekcije stavb predstavimo na slikah, kjer primerjamo napovedi vseh naucenih modelov na BIR-R-G. Dobljene obrise stavb primerjamo s katastrom stavb. 4.1 Funkcije izgube po prenosu znanja in primerjava modelov Primer detekcije stavb s preducenim modelom MS COCO (R-G-B), ki smo ga uporabili za inicializacijo naših uteži pri ucenju na lastni podatkovni zbirki, predstavljamo na sliki 7. Kot pricakovano je detekcija stavb brez prenosa znanja na izdelani podatkovni zbirki stavb napacna. Osnovni model MS COCO ali ImageNet le nakljucno predlaga prostorska polja. Simon Šanca, Krištof Oštir, Alen Mangafic | ZAZNAVANJE STAVB Z UPORABO NEVRONSKIH MREŽ, UCENIH S PRENOSOM ZNANJA | BUILDING DETECTION WITH CONVOLUTIONAL NETWORKS TRAINED WITH TRANSFER LEARNING | 559-593 | Slika 7: Primer detekcije stavb z osnovnim, še ne naucenim modelom MS COCO. Slika 8: Prikaz funkcij izgube ucenja za M1 in M2 na podatkovni zbirki BIR-R-G. Pri obeh modelih smo ucili glavne sloje nevronske mreže v trajanju 100 epoh. Skupna funkcija izgube Mask R-CNN je vsota klasifikacijske izgube, izgube slikovnega polja in izgube maske. Za primer detekcije stavb nas najbolj zanima izguba maske, saj ta predstavlja mero za natancnost klasifikacije maske stavbe. Na sliki 8 vidimo, da je skupna funkcija izgube po prenosu znanja modela MS COCO minimalno boljša od funkcije izgube modela ImageNet. To velja tudi po posameznih funkcijah izgube za klasifikacijo, regresijo in masko. Pri ucenju se funkcija izgube minimizira in proti koncu ucenja stabilizira (približno po 65. epohi ucenja), kar pomeni da ni potrebe po daljšemu ucenju. Vrednost funkcije izgube za razred Mask R-CNN (angl. mask loss) se med ucenjem ne spreminja veliko. Razlog za to je, da imamo v podatkovni zbirki stavb le en sam razred, ki se napoveduje pri detekciji. Prikazane so funkcije izgube le v fazi ucenja. Pri finem ucenju uteži se vrednosti funkcij izgube dodatno zmanjšajo, razen funkcije izgube za masko, ki že na zacetku stabilizira in se med ucenjem ne izboljšuje vec, kar pri detekciji pomeni, da se obrisi prepoznanih stavb izrazito ne spreminjajo. Slika 9: Prikaz funkcij izgube ucenja za M3 in M4 na podatkovni zbirki BIR-R-G. Pri obeh modelih smo ucili vse sloje nevronske mreže v trajanju 200 epoh. Rezultati detekcije stavb z ucenimi modeli na BIR-G-R so prikazani na slikah 10, 11 in 12. Modela M3 in M4 prepoznata manjše stavbe, a obrisi prepoznanih stavb v primerjavi z M1 in M2 ostajajo zelo podobni. Fino ucenje uteži z ucenjem vseh slojev Mask R-CNN se je izkazalo kot pomembno pri izboljšanju tocnosti napovedi, ampak ni kljucnega pomena za izboljšanje obrisov prepoznanih stavb v primerjavi z obrisi, ki jih dobimo le z ucenjem glave nevronske mreže. Na sliki 13 so prikazane funkcije izgube ucenja M5 in M6, ucenih na R-G-B, in na sliki 14 funkcije izgube M7, M8, ucenih na R-G-B. Vidimo, da so funkcije izgube R-G-B modelov približno enake kot funkcije izgube BIR-R-G modelov. Zanimala nas je tudi razlika med uspešnostjo modelov, ki smo jih naucili na podatkovni zbirki BIR-R-G in R-G-B. Rezultate detekcije stavb z modeli R-G-B prikazujemo na sliki 15. Razlike med modeloma M1, M2 BIR-R-G in modeloma M5, M6 R-G-B so minimalne tudi pri prepoz­navanju obrisov stavb. To velja tudi za fino ucene modele M3, M4 in M7, M8. V primerjavi z ortofoti BIR-R-G so rezultati detekcije stavb na R-G-B nekoliko boljši, ker je osnovni model od MS COCO, ucen na barvnih slikah iz vsakdanjega življenja (R-G-B). V obeh primerih ucenja se izkaže, da je prenos znanja iz preducenih uteži podatkovne zbirke MS COCO ali ImageNet ucinkovita rešitev v primerjavi z ucenjem modelov iz zacetka. Simon Šanca, Krištof Oštir, Alen Mangafic | ZAZNAVANJE STAVB Z UPORABO NEVRONSKIH MREŽ, UCENIH S PRENOSOM ZNANJA | BUILDING DETECTION WITH CONVOLUTIONAL NETWORKS TRAINED WITH TRANSFER LEARNING | 559-593 | 4.2 Uspešnost naucenih modelov Uspešnost ucenih modelov klasifikacije v strojnem ucenju ovrednotimo na podlagi vzorcnih slik za testiranje. Klasifikacija stavb predstavlja primer binarne klasifikacije, pri kateri uspešnost napovedi predstavimo z matriko zamenjav. Pravilno klasificirani primeri spadajo v pravilno pozitivne TP (angl. true positive) in pravilno negativ­ne TN (angl. true negative). Napacno klasificirani primeri spadajo med napacno negativne FN (angl. false negative) in napacno pozitivne FP (angl. false positive). Rezultate napovedi uporabimo za izracun evalvacijskih metrik, s katerimi ovrednotimo uspešnost modelov detekcije stavb. Uporabljene enacbe za izracun evalvacijskih metrik smo povzeli po Fetai et al. (2021). Tocnost (angl. accuracy) predstavlja delež pravilnih napovedi glede na vse napovedi modela, pri binarni klasifikacije se enacba poenostavi: TP + TN TP + TN tocnost = : = (1) TP + FP + TN + FN številovsehtestnih primerov Priklic (angl. recall) pove delež pravilno napovedanih primerov glede na vse pozitivne primere: priklic = TP (2) TP + FN Združeno metriko natancnosti in priklica definira mera F1 (angl. F1 score), uporabimo jo, ko želimo prikazati samo eno mero za uspešnost modela: 2 · tocnost c · priklic F 1 = (3) tocnost c · priklic Za ucene modele smo prešteli delež pravilno in napacno prepoznanih stavb in izracunali evalvacijske metrike. Rezultate prikazujemo v preglednici 4. Preglednica 4: Ovrednotenje uspešnosti klasifikacije stavb po modelih Podatkovna zbirka Uteži TP TN FP FN Tocnost Priklic Mera F1 M2 BIR-R-G ImageNet 243 0 43 14 0,8100 0,9455 0,8725 M3 BIR-R-G MS COCO 296 0 3 1 0,9867 0,9966 0,9916 M4 BIR-R-G ImageNet 294 0 4 2 0,9800 0,9932 0,9866 M5 R-G-B MS COCO 249 0 36 15 0,8300 0,9432 0,8830 M6 R-G-B ImageNet 244 0 41 15 0,8133 0,9421 0,8730 M7 R-G-B MS COCO 298 0 1 1 0,9933 0,9967 0,9950 M8 R-G-B ImageNet 296 0 1 2 0,9867 0,9933 0,9900 Nauceni modeli so si po uspešnosti detekcije stavb zelo podobni. Modeli, uceni 200 epoh (M3, M4 in M7, M8), so bolj uspešni predvsem pri prepoznavi natancnih obrisov stavb in pri prepoznavi stavb tudi na robu vzorcnih slik. M1, M2 in M5, M6 ne prepoznajo majhnih stavb ali stavb, ki so delno prekrite z vegetacijo. Simon Šanca, Krištof Oštir, Alen Mangafic | ZAZNAVANJE STAVB Z UPORABO NEVRONSKIH MREŽ, UCENIH S PRENOSOM ZNANJA | BUILDING DETECTION WITH CONVOLUTIONAL NETWORKS TRAINED WITH TRANSFER LEARNING | 559-593 | 5 SKLEP IN RAZPRAVA V clanku smo predstavili postopek detekcije stavb z Mask R-CNN od izdelave podatkovne zbirke do detekcije obrisov stavb za osem modelov. Modele smo ucili s prenosom znanja iz preducenih uteži podat­kovnih zbirk MS COCO in ImageNet. Primerjali smo uspešnost klasifikacije stavb pri uporabi ortofotov R-G-B in barvno bližnje infrardecih ortofotov BIR-R-G. Izdelana podatkovna zbirka, namenjena pre­poznavi stavb z globokim ucenjem, ponuja možnosti za nadaljnjo uporabo, ker se lahko dodatno razširi na obmocje celotne države in se mogoce v prihodnosti uporablja za iskanje in vzdrževanje podatkov o stavbah. Dobljeni rezultati potrjujejo, da je Mask R-CNN uporaben in primeren za klasifikacijo stavb, kar trdijo tudi sorodne raziskave (Ji et al., 2019, in Zhou et al., 2019). V Sloveniji je to po našem poznavanju prvi primer detekcije stavb z globokim ucenjem in prav tako prvi primer uporabe prenosa znanja iz podatkovnih zbirk MS COCO in ImageNet, ki vsebujeta le R­G-B slike vsakdanjih predmetov, v podatkovno zbirko stavb, izdelano iz R-G-B in BIR-R-G ortofotov, katere slike so predstavljene s povsem drugacne perspektive. Uspešnost prenosa ucenja iz ene domene v drugo kaže na fleksibilnost tovrstnih mrež. Na podlagi tega lahko trdimo, da je prenos ucenja ucinkovita metoda za posodabljanje modelov, ki so ucenih na razlicnih podatkih. Ucenje modelov od zacetka je dolgotrajen proces, ki omogoca izgradnjo boljših modelov. Uporaba prenosa znanja na takih modelih z uporabo novih podatkov enakega barvnega prostora bi omogocila hitro in ucinkovitejše posodabljanje modelov in predvsem hitrejše ucenje. S pridobljenimi izkušnjami imamo nekaj predlogov za izboljšave nadaljnje raziskave. Prvi primer izboljšav je izdelava prepoznanih mask stavb pravilnejših oblik z algoritmom detekcije obrisov, kot navajajo Zhao et al. (2018). Prepoznane maske stavb lahko v naslednjem koraku vektoriziramo in s tem omogocimo integracijo v geografski informacijski sistem. Podatkovno zbirko lahko nadgradimo s kombinirano uporabo barvnega bližnje infrardecega ortofota in normiranega digitalnega modela površja (nDMP), s katerim bi že pri pripravi podatkov locili strehe od reliefa. Podatkovno zbirko lahko razširimo tako, da bi vsebovala stavbe celotne Slovenije, s cimer bi model ucili na obmocju celotne države. ZAHVALA: Raziskava je bila delno opravljena v okviru aplikativnega raziskovalnega projekta L2-1826, ki ga sofi­nancirajo Javna agencija za raziskovalno dejavnost Republike Slovenije, Geodetska uprava Republike Slovenije in Ministrstvo za obrambo, ter raziskovalnega programa P2-0406 in projekta J2-9251, ki ju financira Javna agencija za raziskovalno dejavnost Republike Slovenije. Hvala tudi Oddelku za gradbeništvo Hűgskulen pć Vestlandet za delno sofinanciranje raziskave. Literatura in viri: Glej str. 575. Šanca S., Oštir K., Mangafic A. (2021). Zaznavanje stavb z uporabo nevronskih mrež, ucenih s prenosom znanja. Building detection with convolutional networks trained with transfer learning. Geodetski vestnik, 65 (4), 559-593. DOI: https://doi.org/10.15292/geodetski-vestnik.2021.04.559-593 Simon Šanca, mag. inž. geod. geoinf. Hűgskulen pć Vestlandet Inndalsveien 28, NO-5063 Bergen, Norveška e-naslov: simon.sanca@hvl.no prof. dr. Krištof Oštir, univ. dipl. inž. fiz. Univerza v Ljubljani, Fakulteta za gradbeništvo in geodezijo Jamova cesta 2, SI-1000 Ljubljana, Slovenija e-naslov: kristof.ostir@fgg.uni-lj.si Alen Mangafic, mag. prost. nacrt. Geodetski inštitut Slovenije Jamova cesta 2, SI-1000 Ljubljana, Slovenija e-naslov: alen.mangafic@gis.si SI | EN OBLAKI TOCK ZA UPORABO POINT CLOUDS FOR USE IN V INFORMACIJSKIH MODELIH BUILDING INFORMATION GRADENJ (BIM) MODELS (BIM) Robert Klinc, Uroš Jotanovic, Klemen Kregar UDK: 004.76:624 DOI: 10.15292/geodetski-vestnik.2021.04.594-613 Klasifikacija prispevka po COBISS.SI: 1.02 REVIEW ARTICLE Prispelo: 20. 9. 2021 Received: 20. 9. 2021 Sprejeto: 6. 12. 2021 Accepted: 6. 12. 2021 IZVLECEK Oblaki tock se vse pogosteje uporabljajo za pridobivanje podatkov za informacijsko modeliranje gradenj. Upravljalci starejših objektov si prizadevajo za centralizacijo informacij. Dokumentacija o strojnih inštalacijah, cevovodih, elektricni opremi in preteklih posegih je pogosto shranjena na dislociranih medijih, vecinoma še vedno na papirju. Oblak tock je v procesu pretvorbe snovnega v digitalni svet izhodišce, v katerem so podatki o snovnem svetu zajeti na razlicne nacine, kot so fotogrametrija, terestricno ali aerolasersko skeniranje. Rocno modeliranje BIM za upravljanje, vzdrževanje in nadaljnjo uporabo je zamudno, napake so pogoste, zato želimo v izogib napakam proces avtomatizirati. Pojavlja se vse vec samostojnih programov in dodatkov za obstojece programe, ki omogocajo avtomatizirano, hitro in natancno modeliranje iz oblakov tock. V clanku predstavljamo rezultate raziskave o možnostih za avtomatizacijo izdelave BIM-modelov iz oblakov tock. Rezultat je polavtomatski postopek modeliranja BIM-elementov iz oblakov tock, ki smo ga preizkusili na konkretnih primerih modeliranja posameznih elementov (sten, cevi in stebrov). Ugotavljamo, da je kljub avtomatizaciji za ustvarjanje kakovostnih modelov še vedno potrebna visoka stopnja uporabniške interakcije. ABSTRACT The use of point clouds in extracting data for building information modelling (BIM) has become common recently. Managers of older buildings are working to centralise information. Documentation about mechanical installations, plumbing, electricity, and previous interventions is often stored on scattered media, frequently still on paper. In the transformation of the material world into the digital world, the point cloud is the starting point, containing information about the material world obtained by various means such as photogrammetry, terrestrial or aerial laser scanning. Manual BIM modelling for management, maintenance and future use is a time-consuming and error-prone process. We would like to automate this process and avoid these errors. Recently, there have been developed an increasing number of stand-alone programmes and add-ons that provide automated, fast, and more accurate modelling based on point cloud data. In this paper we present an investigation into the possibilities for automating the creation of BIM models from point cloud data. The result is a semi-automated process for modelling individual BIM elements, which we have tested on specific examples of modelling individual elements (walls, pipes, and columns). We note that despite the automation of the process, a high level of user interaction is still required to produce good quality models. KLJUCNE BESEDE KEY WORDS terestricno lasersko skeniranje, BIM, oblak tock, samodejna Terrestrial laser scanning, BIM, point cloud, automatic object identifikacija objektov, delovni postopek od-skeniranja-do-BIM identification, scan-to-BIM workflow 1 INTRODUCTION Current advances in remote sensing are enabling increasingly accurate and content-rich spatial data to be captured in the form of point clouds resulting in the digital equivalent of the material world. Captured point clouds rarely represent the final product, so several commercial programs have appeared on the market in recent years that allow computer-aided design (CAD) and building information modelling (BIM) based on these data. The use of point clouds in data collection for BIM is becoming increasingly popular. The process of converting captured laser scan data into BIM models is commonly referred to as scan-to-BIM. The industry standard is to manually feed laser scan data into BIM software (Wang, Guo and Kim, 2019). Scan-to-BIM is therefore a manual process carried out by skilled modellers who read the point cloud and manually construct all of the scene's key components (Bassier, Mattheuwsen and Vergauwen, 2019). For large-scale projects with numerous construction elements and complex geometries, such an appro­ach is time-consuming and error-prone, that is why research has been focusing on semi-automatic and automated scan-to-BIM approaches (Wang et al., 2019). Recently, more and more stand-alone programs and add-ons for existing programs are emerging that allow automated, fast, and more accurate modelling based on raw point cloud data. The working principle of these programs and add-ons is mostly based on shape detection algorithms that simplify the work and reduce the role of the user in the whole process. 1.1 Motivation Point clouds represent unstructured and semantically empty groups of points that often exhibit noise and similar imperfections that arise during the data collection. While people can visualize point clouds rather well, problems arise when converting this simple point data into information-rich models. To identify and process shapes that can be encountered in a built environment, robust algorithms are needed. These algorithms must be able to combine simple points into meaningful objects and semanti­cally enrich them so that they have an assigned role in the digital environment. Software vendors promise simplifications in data processing and exchange, as well as different levels of automation in modelling based on captured point clouds. To test these claims, we examined point cloud datasets and state-of-the-art software capable of modelling point clouds. With them, we created models in which individual building blocks represent structural elements (walls, columns, beams). The paper begins by presenting methods for point cloud acquisition. This is followed by a discussion of point cloud recording formats, point cloud processing workflows, and an overview of point cloud modelling software. Finally, the workflow for modelling BIM from point clouds is presented and the results are summarised. 2 METHODS FOR CAPTURING POINT CLOUDS The point cloud is a common expression for a large group of 3D points which includes at least coordinates of points (usually in a Cartesian orthogonal coordinate system). Additional attributes such as scanning Robert Klinc, Uroš Jotanovic, Klemen Kregar | POINT CLOUDS FOR USE IN BUILDING INFORMATION MODELS (BIM) | OBLAKI TOCK ZA UPORABO V INFORMACIJSKIH MODELIH GRADENJ (BIM)| | 594-613 | SI | EN reflection intensity or RGB colour value of points may also be included. Point clouds can be obtained through laser scanning or photogrammetry. The latter is gaining more and more popularity due to a huge increase in the availability of drones (Unmanned Aerial Vehicles) and increasingly advanced image processing methods. 2.1 Laser scanning Classical surveying instruments also known as total stations can perform contactless range measurements and record directions. The essential difference between classical surveying instruments and laser scanners is the speed. Total stations are meant for measuring individual points with aiming while laser scanners measure points in the defined field of view with a defined density without aiming. Three main principles are used for range measurements in laser scanners. Impulse or “time-of-flight” scanners determine the range through the measurement of time between sending and receiving the light impulses (Hunter et. al., 2003; Abellán et. al., 2006). Phase-shift scanners are more accurate since they observe the shift between emitted and received light waves, but they are slower and can’t handle very long ranges (Heritage and Large, 2009). The third type are a triangulation scanners which use the CCD camera on the fixed base with a laser emitter (Franca et al., 2005). Laser scanners can be attached to different platforms. When scanning from the ground, attached to a tripod, we talk about terrestrial laser scanners. For airborne laser scanning from aeroplanes or helicopters we use the term aero laser scanning and for scanners attached to ground vehicles like cars and trains we use the term mobile aerial laser scanning. 2.2 Photogrammetry Due to a huge increase in the availability of drones (UAV) and increasingly advanced image processing methods in recent years another manner of point cloud collection appeared. Human can perceive depth with two eyes. The same principle is used in photogrammetry. Two images of the same object collected from two different locations in space, contain the depth information about the object. Finding identical object points in the images, knowing the camera calibration parameters and using central projection equations allows for 3D object points estimation (Grigillo et al., 2015; Mongus et al., 2013; Triglav Cekada, 2017). The images as raw data for photogrammetric point cloud production can be collected with a camera from hand or attached to a mobile device. Nowadays far most popular is capturing from UAV. For good results, we have to provide images from as diverse positions and directions as possible (Fras et al., 2020). 3 POINT CLOUD RECORDING FORMATS Many different format types for point cloud recording are available on the market due to different ways of capturing data and hardware. The problem arises with processing programs that can usually import and export only a few format types. The supply on the market is large and increasingly interconnected. Standardization that promote data interoperability has taken of in recent years (Pirotti, 2019). The data is written in either ASCII or binary formats, some types allow both. The ASCII record is based on a binary basis and writes characters with seven bits. The most common formats with ASCII format are .xyz, .obj, .pts and .asc. In a binary system, numbers are written with a mantissa and an exponent. Such files are much more compact (4-6 bytes per number) and contain more information. The most common formats with binary are .fls, .pcd, .las. The third type formats are written as a combination of both methods. The most common formats for combo format are .ply, .fbx, and .e57. Table 1: List of point cloud record formats (summarized from cloudcompare.org) Format Suffix Binary / ASCII Nr. of point clouds in a single file SBF .sbf Binary 1 ASCII .asc, .txt, .xyz, .neu, .pts ASCII 1 LAS .las Binary 1 E57 .e57 Mixed format >1 PTX .ptx ASCII >1 FARO .fls,*.fws Binary >1 DP .dp Binary >1 PCD .pcd Binary >1 PLY .ply ASCII or binary 1 OBJ .obj ASCII 1 VTK .vtk ASCII 1 STL .stl ASCII 1 OFF .off ASCII 1 FBX .fbx ASCII or binary 1 OUT(Bundler) .out ASCII 1 PV .pv Binary 1 PN .pn Binary 1 SOI .soi ASCII >1 POV .pov ASCII or binary >1 ICM .icm ASCII or binary 1 Geo-Mascaret .georef ASCII 1 Currently, the most widely used data exchange formats are LAS and E57. For aerial laser scanning LAS format is most commonly used. It can be compressed and saved as LAZ. LAS is an open, binary format specified by the American Society for Photogrammetry and Remote Sensing (ASPRS). It can also be used for terrestrial laser scanner data by ignoring unused fields. The E57 file format is a compact, vendor-neutral format for storing point clouds, images, and metada­ta produced by any 3D imaging system. The E57 format was developed by the Data Interoperability sub-committee of the ASTM E57 Committee on 3D Imaging Systems. E57 is a more general format suitable for storing data from various sources. However, in areas where the E57 and LAS formats overlap, they have different solutions to the same problems. 4 POINT CLOUD PROCESSING 4.1 Visualization and organization Visualisation of a point cloud is generally the first step in end-user needs after capturing the data. Vi­sualization enables visual inspection of captured data, verification of object coverage, possible shadows, holes and adequacy of scanning density. Two main principles have been established for point clouds visualization: raster images and point-based rendering. The first is more suitable for displaying generally flat objects, such as the surface of the earth seen from an aircraft at aerial laser scanning. Point-based rendering provides 3D data viewing on a flat 2D screen, where the perception of the third spatial component is provided by interactive rotation and scaling of 3D data. The raw data of a 3D point cloud is generally written as a long list of coordinates along with some additional attributes. To perform further processing it is useful to equip the data with appropriate data structure. It allows to access the data faster and more efficiently in vicinity of the area being processed. 4.2 Segmentation and classification Point clouds are often used solely for visualization or simple measurements of lengths, angles, and are­as. For more advanced applications, segmentation and classification methods might be required. For example: using point clouds, we can capture and segment long road sections (Clode et al., 2004; Boyko and Funkhouser, 2011), forensically review accidents (Laefer and Pradhan, 2006), and capture cultural heritage buildings (Pu and Vosselman, 2009). The measured objects are often large and complex, so it is necessary to segment the obtained data in a meaningful way. There are some basic strategies to tackle these tasks. Their combinations, adaptations and new methods are emerging constantly. Basic strategies are edge detection (Rabani et al., 2006; Castillo et al., 2013; Grilli et al., 2017), region growing (Besl and Jain, 1988), Hough transformation (Hough, 1962; Kiryati et al., 1991, Xu et al., 1990, Fernandes et al., 2008), RANSAC (Fischler and Bolles, 1981). Advanced strategies using artificial intelligence principles are unsupervised clustering (Morsdorf et al., 2004; Sam-path et.al., 2006; Zhu and Shahzad, 2014), super-voxelization and pre-segmentation (Papon et al., 2013) and deep learning-based segmentation (Zhu et al., 2017), which can be further divided into multiview based segmentation (Boulch in sod., 2018), voxel-based segmentation (Riegler et al., 2017; Wang et al., 2017) and point-based segmentation (Qi et al., 2017). 5 POINT CLOUD PROCESSING SOFTWARE OVERVIEW The initial stages of point cloud processing are usually done automatically using special algorithms, while the final processing is always done manually. Captured point clouds can be imported directly into the BIM modelling software bypassing this pre-processing, resulting in a manual redrawing of the geometry and the addition of information that can be derived from the point cloud or other sources. The basic functionality of a program for processing point cloud data is a powerful algorithm that allows fast operations using all the hardware capabilities of the computer. When such an algorithm (along with basic segmentation tools) is integrated into software for modelling BIM, point clouds can be used as a reference for manual modelling of components of the BIM model. Table 2: An overview of the essential features of point cloud modelling and workflow software. Exchange formats Software Strengths Weaknesses Import Export CloudCompare Revit As-Built Cloudworx EdgeWise - Algorithms for working with point clouds (calculating normals, segmentation) - Freely available - BIM modelling - Simple user interface - Qualitative analysis - Collision detection - Modelling of sloping walls- Programming interface for many programs (Bentley, Navisworks, Solidworks) - View 360° photos - Qualitative analysis and clash detection - Maximum level of automation (building skeleton) - Simple user interface - Collision detection - Qualitative analysis .e57 .e57 .las .las .pts .pts .flw .obj .ptg .ply .zfs .stl .dp .pcd - Few exchange formats - Not adapted to stand­alone modelling on point .e57 .pts clouds .e57 .e57 - Programming interface for Revit only .pts .flw .fls .pts .flw .fls .fws .fws .e57 .pts .las - Cluttered user interface .prj .e57 .ptg .pts .ptx .dp .zfc .e57 .pts - Programming interface for Revit only .dp .fls .rcp .e57 .pts .ptg .zfs In the following, we present some of the well-established software solutions that allow working with the point clouds. The features of established software solutions that allow working with point clouds and the exchange formats they support are summarized in Table 2. 6 PROPOSED SCAN-TO-BIM WORKFLOW Automated modelling from point clouds has appeared in the literature in recent years (Antova et al., 2016; Antova and Tanev, 2020; Bassier et al., 2019; Patraucean et al., 2015; Rodríguez-Moreno et al., 2018; Son, Kim and Turkan, 2015; Wang et al., 2019). The whole process of transforming the material world into BIM models is done in several steps: – In the first step, spatial data is acquired using a laser scanner or photogrammetric methods. At this point, the captured and raw point cloud can be the final product or, as in our case, it can serve as the basis for further work. – The second step is to process the point cloud for further work. In this study, we used CloudCompare and Recap software to segment, classify, crop, and remove noise from the point cloud. – The processed point cloud forms the basis for the third step, in which we prepare the cut-outs before modelling the walls in the chosen modeller. For this purpose, we used Revit. This step is optional and can be omitted when modelling columns, pipes and beams. – In the fourth step, we select the reference points, which are mandatory for the algorithms used to determine and spatially position the elements. For this purpose, we used the software As-Built within the Revit environment. – In the last step, we control the element, perform a graphical control of the deviation of the element from the point cloud and detect possible collisions. If the results are poor, we can return to step 4 and repeat the selection of reference points, or we can go to step 2 of the processing and continue working on the point cloud. The final result is an accurate model based on the point clouds. For the modelling, we used Autodesk Revit software and Faro's automated modelling add-on As-Built which serves as an extension to the base software. We chose this add-on because it supports automatic modelling by selecting a few reference points. The structured user interface makes it easier to work within a single assembly. Figure 1 below shows the entire modelling workflow. Figure 1: IDEF0 diagram of conversion from the material world to BIM model. Since most of the main steps in converting point clouds into a BIM model are specific to each task and resulting BIM elements, the workflows are presented through the individual use cases below. The modelling of walls, beams, columns, and pipes is divided into separate sections explaining the process of selecting reference points and placing elements, as well as the overall analysis within each step. The process of spatial data acquisition has not been covered in detail as it is beyond the scope of this study. Leica BLK360 imaging scanner was used for this study. Out of three available density settings, we have used the middle one (10 mm at 10 m) that produces ~18 million points per setup. Before modelling, the point cloud must be adjusted and prepared. More on the theory behind was expla­ined in Section 4. We start with the process of data preparation and point cloud processing, followed by model preparation, which is crucial for high quality and accurate wall models. 6.1 Modelling of walls Point cloud processing In the case of wall modelling, the basis is an edge detection algorithm that extracts the edges of each element from the prepared view and displays them as a skeleton. The point cloud is thus mapped from three to two dimensions and the points of the point cloud are mapped to pixels. To improve edge de­tection, it is useful to specify the elements that should be visible in the modelling process. We want to have as little noise and shadows caused by objects in space as possible. Model pre-processing Each floor should be designed to minimise superfluous objects and noise that could interfere with al­gorithms and user modelling. A portion of the point cloud is cut at the desired height. To avoid points on the floor, the cut-out is done above the floor of each floor. After some experiments with different point clouds, it has been found that the best height for the lower part of the cut-out is 1.5 m and for the upper part 2 m. This avoids the various objects including chairs, tables, sinks and radiators. Some objects, such as cupboards, that are as high as the room are difficult to avoid in this part of the process. On the other hand, windows and parapet walls will be captured at this cut-out height. It is important to be aware when working that the perfect case may not be achieved. Figure 2 shows two cut-outs at different heights, both 30 cm thick. On the left, the lower cut-out is at 1.8 m, where the skeleton of the rooms and some cupboards can be seen. This cut-out makes the room view more transparent. The right cut-out has a height of 1.2 m and contains much more distracting objects. In addition to the height, the thickness of the cut-out is also important. The larger the thickness, the more points from the cloud are shown, which in the case of a less accurate laser image can result in more noise that interferes with detection and reduces modelling accuracy. On the other hand, too few points do not show the whole situation. There is no ideal recipe for determining the thickness of the cut and its heights; in any case, it is necessary to know the full image of the scanned area and to adjust the parameters accordingly. Each cloud can be further cropped and cleaned of noise in the manipulation software, thus improving the usability even further. Figure 2: Comparison of an edited (left) and unedited (right) point cloud. From the prepared view, a modelling base can be prepared. The algorithm converts the selected view from 3D spatial points into a 2D image, which serves as the basis for automated modelling. The image can be embedded in any view or used as a final product, serving as a rough schematic. Combined with well-prepared cut-outs and settings, a good quality basis for automated wall modelling can be produced. Reference points selection The upper storey of the modelled wall must be determined, or its height if the top floor limit is not specified. In places where data is missing, the wall can also be defined based on a single recorded side. If only one side of the wall is visible due to obstacles, it can still be modelled. This option proves to be very useful in cases where the laser scans were taken within a single room and there are no connexions to other rooms. In the next step, we choose the start and end points of the wall. The algorithm works based on the user's selection of two or more points to serve as a reference for detection. Since walls are linear elements, two points are sufficient to detect them in well-prepared point clouds. In cases where more noise and surrounding objects are present and the software is not able to detect the course and thickness of the wall with two fixed points, it can be assisted by selecting more points. Element placement Interrupted laser beams, noise or shadows do not significantly affect detection, which is important in indoor environments where furniture covers a certain part of the wall and does not need to be moved during the scan. Interruptions due to openings such as doors and windows do not affect the positio­ning of the wall, as a few points are sufficient for the software to calculate the direction, position and thickness of the wall. Point clouds may contain objects in the room that obscure the walls at the time of scanning, and which cannot always be satisfactorily removed during processing. In Figure 3, we can see how the cabinet doors cause interruptions in the point cloud. In this case, we defined two points on either side of the wall to locate it in space. The algorithm also connects the wall at the breakpoints, creating a continuous wall in the program. In Figure 3, the path of the wall is shown in orange. Figure 3: Detection and placement of a wall on a floor surface obstructed by a cabinet. Another example is interruptions due to shadows in laser imaging. Figure 4 shows a situation where, at the time of scanning, a door obscured half of the wall and caused a shadow in the point cloud. Based on this situation, we know that the wall continues even at the point where the points were not scanned. The algorithm assembles the wall into a complete whole and determines its thickness based on the known portion that is fully visible on the left. The course of the wall is shown in orange in Figure 4. Figure 4: Detection and placement of a wall on a floor surface with interruptions due to shadows. If the wall is covered by objects along its entire length and their configuration does not require them to be moved during the scan, we can use a detection algorithm based on a single visible surface. In this case, a short, uncovered section of the wall on the left side was used to determine the direction and thickness. The solid orange line in Figure 5 shows the side from which the wall is determined, while the dashed line represents an approximation based on the visible portion on the left side. Robert Klinc, Uroš Jotanovic, Klemen Kregar | POINT CLOUDS FOR USE IN BUILDING INFORMATION MODELS (BIM) | OBLAKI TOCK ZA UPORABO V INFORMACIJSKIH MODELIH GRADENJ (BIM)| | 594-613 | Figure 5: Detection and placement of a wall based on a single visible wall surface. Deviation analysis Based on the deviation analysis, the user can identify different categories of modelling errors, which are divided into three groups for better understanding: positional, geometric and orientation errors: – Positional errors can occur when there are constant values of misalignment along the entire wall. For example, if there are positive deviations on one side of the wall and negative deviations on the other side, the wall model is misaligned. In this case, it the wall would need to be replaced or repositioned. – If the thickness of the wall model is incorrect, it is a geometric error. This error can be detected if the deviation values on both sides are positive, which means that the wall model is undersized. Negative values on both sides mean that the wall model is too thick. The solution to such a geometric error would be to correct the thickness. – An orientation error can be detected when the misalignment values increase or decrease from one side of the wall to the other. In this case, the wall model is rotated and need to be aligned. Figure 6 shows the analysis of point deviations concerning the modelled wall. Figure 6: Graphical representation of the analysis of point deviations concerning the modelled wall. In all this, the location quality of the point cloud also plays an important role. Despite sufficient point density, the quality and correct placement of the point cloud in space must be guaranteed. It must not be rotated in any direction or otherwise distorted. 6.2 Modelling of pipes Point cloud processing Modelling pipes in space does not require the same preparation as modelling pf walls; it is sufficient to isolate the pipes in question from other objects. Due to vertical and horizontal paths and overlapping, it is difficult to represent pipes in 2D, so they are treated as a spatial problem in 3D. Reference points selection After selecting the start and end points of the pipe, the selected points are used to determine the path of the pipe on a reference point cloud, as shown in Figure 7. Figure 7: Selection of reference points on the point cloud for pipe placement. In many cases, the point cloud is not ideal because pipes are located at the corners of walls and are close to walls or overlap due to interference. A laser scanner in practice rarely captures all sides of the pipes due to occlusion. This lack of data must be carefully considered in modelling if good results are to be achieved. Element placement If the pipe is below the ceiling and the top of the pipe is not visible due to the location of the data capture, the accessible half can still be used to determine the radius, complete the pipe and position it accurately in space. Figure 8 shows the accuracy of the positioned pipe model within the incomplete reference point cloud. In some places the noise is minimal, but in this case, it is not significant enough to interfere with the automatic algorithms and affect the accuracy of the detection. In several cases, we have successfully created pipe models with incomplete data. Figure 8: Modelling a pipe with half the known points. If the pipe is in a corner, the laser scanner can only detect a quarter of its diameter. By selecting two points on the reference point cloud, it is possible to precisely define and position the pipe model in space. Similar to the first example, we successfully placed the element in space despite the incomplete data. The Figure 9 shows the pipe model within the point cloud. Figure 9: Modelling a pipe with a quarter of the known points. Unfortunately, there are also cases where algorithms fails. The room had two insulated pipes under the ceiling that broke at the knee several times (Figure 10: left). Due to the heavy noise, it was not possible to automatically determine the diameter and location of the pipes (Figure 10: right). In such cases, the solution is manual modelling, which is not as fast and accurate as semi-automatic modelling. Figure 10: View of two pipes in the room. No noise is visible in the left image. The right image shows a cross-section of the pipe in which noise can be seen. The pipes in the room must be connected to form a meaningful whole. The software analyses all existing element families and determines the variable parameters that can be used for the connections. When importing additional families that were not included in the original analysis, the additional pipes are analysed again. To connect separate parts, it is necessary to mark the free ends of the pipes to be con­nected. The selected ends of the pipes are colour coded to visually distinguish them from the rest of the pipes. In Figure 11, the arrows indicate the selected ends of the pipes to be joined. Based on the input points lying perpendicular to each other, the software selects a knee piece with a fitting radius that exactly fits the point cloud. Deviation analysis The algorithms in the previous subsection aim to find and model connections that are as similar as possible to the point cloud we are starting from. However, after the modelling is complete, in most cases the model still does not satisfy the required consistency conditions. As each component is modelled separately, minor discrepancies and inconsistencies occur because the components are not connected into a complete whole. This is the case when components are positioned at wrong angles, parts protrude or gaps exist between them. The software transparently flags these inconsistencies. The correction algo­rithm changes the position of the raw axis (it iterates through the elements until the internal conditions are met: the tolerance between joints or the number of iterations at each joint). It moves the axis only minimally and rotates the connections between the pipes, resulting in an accurately connected model. If the algorithm does not find a result within the specifications, the precision of the iteration parameters must be slightly reduced to achieve the connection of the individual elements into a complete whole. This leads to slightly worse, but still acceptable results. Perfect joints between pipes are important for the analysis of the flow through them. As with the walls in the previous subsection, the accuracy of the model can be determined relative to a reference point cloud for the pipes and their joints. In Figure 12, the light green colour indicates the positions on the element that differ from the point cloud by a few millimetres. Despite imperfect point clouds containing some shadows and noise, we can create BIM models with the maximum accuracy that we can control throughout the process. 6.3 Modelling of beams and columns Point cloud processing The workflow for modelling columns or beams is similar to that for modelling pipes. As with pipes, it is not necessary to create a 2D template for columns and beams before starting. It is sufficient to clip the parts of the point clouds to be modelled and temporarily isolate them from the environment so that they do not interfere with the spatial representation of the user and the modelling algorithm. Reference points selection First, the type of element to be modelled must be selected. When selecting a column, the lower and upper levels must be selected. When selecting a beam, only the lower plane can be specified. To model the element, two reference points are selected in the point cloud to represent the beginning and end of the element. Based on the cross-section of the point cloud, the automatic algorithm searches the element library for the element that best matches the cross-section. Once the comparison is complete, a pop-up window is displayed with the best matching element according to the selected points in the point cloud. Element placement If the point cloud in some areas is too sparse, we can use the part of the element where the point cloud is more dense. The type and dimensions of the steel section are specified along its axis. If we, for example, know the width of the two webs and their distance from each other, we can determine the dimensions of the flange. The Figure 13 shows an example of a steel I-section with half of the flange missing due to obstacles in the capturing process. The distance and angle between the acquisition source and the steel profile always result in slightly poorer data quality. The points are much sparser and not all parts are captured due to obstructions. Of course, we may not know the dimensions of the top flange, but we do know the dimensions of the web and the bottom flange. The program uses the known dimensions to determine the missing ones if they match the known ones. Starting from the two selected points, the program determines the dimensions and the position of the element in space. 7 DISCUSSION AND CONCLUSIONS In nature, buildings and walls are not always perpendicular and parallel to each other, and this must be considered when modelling the actual situation. As explained before, Leica BLK360 imaging scanner with density set to 10 mm at 10 m was used for this study. According to our experience, this density setting results in the best balance between accuracy and size of the point cloud for our task. At the time of data collection, there are many obstacles in buildings that cause shadows and noise. Mo­dern BIM software tools have the advantage of using algorithms that use reference points to determine the dimensions of elements and place them in the point cloud. This allowed us to model walls that were largely obscured by the shadows of other objects - based on known data, modern tools predict and complete the path of the walls. The quality of the model was checked during the modelling process and the results were displayed graphically at the end of the run. The dimensions of the features and their spatial location were determined using a reference point cloud with millimetre accuracy. The main limitations of the existing algorithms were irregular and sloping walls and walls with variable thickness that the software could not detect and locate. The main problem in modelling pipes and their joints is that pipes in rooms are often intertwined and overlapping, so not everything can be detected in situ. The software, therefore, interpolates the diame­ter of the pipes and places them accurately within the known data. In this way, we can determine the pipe diameters and locate them accurately in space, even if only half or a quarter of the pipe has been captured. With such software support, the process is significantly shortened. Not only is less time spent collecting all the data in the field, but the modelling phase is also shortened. In the examples, it has been shown that the speed of modelling is not at the expense of the accuracy of the model. In addition to the modelling, the software allows the quality of the model to be checked against a reference point cloud and the various deviations to be displayed graphically. The spatial accuracy and dimensions of the models were determined to the nearest millimetre compared to the reference point cloud. The problem manifested itself in the form of noise in the acquired data. In our cases, the noise distorted the shape of the pipe so that the software could not detect and identify the pipe. It should also be noted that this method only covers the outer geometry of the pipes. In most cases, the inner diameter is equally impor­tant or even more important. When modelling columns and beams, the data capture problem is that it is usually impossible to capture seamless data due to overlap and shadowing. For concrete columns, two sides are often captured, while for steel beams, only the webs or flanges are captured. By selecting reference points within the point cloud, the data is analysed and the types of columns and beams are determined. In the first case, the programme was used to determine the dimensions of the columns where the webs were captured but the flange was missing. In the second case, the situation was similar, where a web and one flange were known. Automation makes the workflow faster and the determination of the elements more accurate. However, it is important to be aware that using automated algorithms to fill in missing data can also lead to erroneous results. Therefore, it is important to keep checking intermediate steps and to control the final result. The strengths of the approach studied lie in the accuracy and increased speed of data processing and modelling. The recurrent and ongoing analysis of the quality of the models created leads to better re­sults. On the other hand, there are some problems that still need to be solved. Most of them are related to software vendors, as interdisciplinary integration of file formats is not yet mature or even missing. Instead, the major software vendors rely on proprietary file formats and lock users into selective software ecosystems. They are also passive and slow to evolve their software to work with point clouds. On the other hand, there are gaps in methods and algorithms for automatic identification of objects. One such example is non-typical structural elements, which currently need to be modelled manually. Typical structural elements also currently require a lot of user interaction. Nevertheless, we found a certain level of automation that allows users to identify objects faster and more accurately, which is confirmed by similar examples in the literature. The automated approach allows for greater speed and accuracy than manual modelling, as ClearEdge3D has confirmed with similar examples (ClearEDge3D, n.d.). Despite the use of a different programme, final results were 60% faster than traditional manual modelling with similar workflows. The accuracy of the automated BIM point cloud conversion process compared to a manual process has also been demonstrated in similar examples by several researchers over the years comparing the qualitative results of the same features modelled ma­nually and automatically (Macher, Chow and Fai, 2019; Patraucean et al., 2015, Qu and Sun, 2015,). The current workflow is semi-automated, where the user triggers automatic processing by selecting a set of elements and reference points within the cloud. Full automation, where the software would semantically identify specific building parts from the point cloud without user interaction, is not currently possible. The closest thing to this is ClearEdge3D's EdgeWise software, which allows automatic modelling of the wall skeleton of buildings. However, accuracy is still poor and the result is a schematic building model rather than a detailed BIM model. The leading software vendors (Autodesk, Bentley Systems and Nemetschek Group) are currently slow to develop interfaces for working with point clouds in their software. The most promising path to full automation appears to be through deep-learning algorithms that use large databases to identify individual elements within a point cloud, locate them spatially, integrate them, and perform quality control throughout the process. Despite advances in deep learning algorithms, the theoretical limitations of extracting information from point clouds remain. For example, despite new algorithms, it will not be possible to extract non-geometric information to further improve the model because semantic enrichment (e.g., material of the element, type of element, internal structure, internal geometry) of the modelled geometric features is even more challenging and requires more manual input, additional input data (besides point clouds), and even more advanced methods. Further research in this area needs to focus on improved automation of the workflow leading to less interaction with the user. This will undoubtedly need to be achieved through better algorithms and artificial intelligence approaches (e.g. Deep Learning). Last but not least, software vendors will need to follow the advances and develop solutions that enable the entire workflow from capture to final model. This would allow the AEC industry to benefit and evolve from point clouds. Literature and references: Abellán, A., Vilaplana, J.M., Martínez, J. (2006). Application of a long-range Terrestrial Laser Scanner to a detailed rockfall study at Vall de Núria (Eastern Pyrenees, Spain). Engineering Geology 88, 136–148. DOI: https://doi.org/10.1016/j. enggeo.2006.09.012 Antova, G., Kunchev, I., Mickrenska-Cherneva, C. (2016). Point clouds in BIM. In IOP Conference Series: Earth and Environmental Science (Vol. 44, p. 042034). IOP Publishing. DOI: https://doi.org/10.1088/1755-1315/44/4/042034 Antova, G., Tanev. V. (2020). Creation of 3D Geometry in Scan-to-CAD/BIM Environment. In IOP Conference Series: Earth and Environmental Science (Vol. 609, p. 012085). IOP Publishing. DOI: https://doi.org/10.1088/1755­1315/609/1/012085 Autodesk. (n.d.-a). Autodesk ReCap. Autodesk. https://www.autodesk.com/products/ recap/features Autodesk. (n.d.-b). Autodesk Revit Software. Autodesk. https://www.autodesk.com/ products/revit/overview Bassier, M., Mattheuwsen, L., Vergauwen, M. (2019). BIM RECONSTRUCTION: AUTOMATED PROCEDURAL MODELING FROM POINT CLOUD DATA. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-2-W17, 53–60. Copernicus GmbH. DOI: https:// doi.org/10.5194/isprs-archives-XLII-2-W17-53-2019 Besl, P. J., Jain, R. C. (1988). Segmentation through variable-order surface fitting. IEEE Transactions on Pattern Analysis and Machine Intelligence, 10 (2), 167–192. DOI: https://doi.org/10.1109/34.3881 Boulch, A., Guerry, J., Le Saux, B., Audebert, N. (2018). SnapNet: 3D point cloud semantic labeling with 2D deep segmentation networks. Computers & Graphics 71, 189–198. DOI: https://doi.org/10.1016/j.cag.2017.11.010 Boulch, A., Marlet, R. (2012). Fast and Robust Normal Estimation for Point Clouds with Sharp Features. Computer Graphics Forum 31, 1765–1774. Boyko, A., Funkhouser,T. (2011). Extracting roads from dense point clouds in large scale urban environment. ISPRS Journal of Photogrammetry and Remote Sensing 66, S2–S12. DOI: https://doi.org/10.1016/j.isprsjprs.2011.09.009 Castillo, E., Zhao, H. (n.d.). Point Cloud Segmentation via Constrained Nonlinear Least Squares Surface Normal Estimates 6. ClearEDge3D. (n.d.). Case studies. ClearEdge3D website: https://www.clearedge3d. com/resources/ ClearEdge3D. (n.d.). EdgeWise. ClearEdge3D. https://www.clearedge3d.com/ edgewise Clode, S., Kootsookos, P., Rottensteiner, F. (2004). The Automatic Extraction of Roads from LIDAR data. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences. 35. CloudCompare (Version 2.X). (n.d.). CloudCompare. http://www.cloudcompare.org/ Faro. (n.d.). As-Built Software. Faro. https://www.faro.com/en/Products/Software/ As-BuiltTM-Software Fernandes, L.A.F., Oliveira, M.M. (2008). Real-time line detection through an improved Hough transform voting scheme. Pattern Recognition 41, 299–314. DOI: https:// doi.org/10.1016/j.patcog.2008.04.007 Fischler, M. A., Bolles, R. C. (1981). Paradigm for Model model fitting with applications to image analysis and automated cartography. Graphics and Image Processing, 24 (6), 381–395. DOI: https://doi.org/10.1145/358669.358692 Franca, J. G. D. M., Gazziro, M. A., Ide, A. N., Saito, J. H. (2005). A 3D scanning system based on laser triangulation and variable field of view. IEEE International Conference on Image Processing 2005, 1, I–425. DOI: https://doi.org/10.1109/ icip.2005.1529778 Fras, M. K., Drešcek, U., Lisec, A., Grigillo, D. (2020). Analysis of the impacts on the quality of UAV photogrammetric products. Geodetski vestnik, 64 (4), 489–507. DOI: https://doi.org/10.15292/geodetski-vestnik.2020.04.489-507 Fuetterling, V., Lojewski, C., Pfreundt, F. J. (2014). High-performance Delaunay triangulation for many-core computers. High-Performance Graphics 2014, HPG 2014 - Proceedings, January, 97–104. https://doi.org/10.2312/hpg.20141098 Grigillo, D., Ozvaldic, S., Vrecko, A., Fras, M. K. (2015).Vektorizacija poteka daljnovodnih vodnikov s houghovo transformacijo iz podatkov aero- in terestricnega laserskega skeniranja. Geodetski vestnik, 59 (2), 246–261. DOI: https://doi.org/10.15292/ geodetski-vestnik.2015.02.246-261 Grilli, E., Menna, F., Remondino, F., 2017. A review of point clouds segmentation and classification algorithms. Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci. XLII-2/W3, 339–344. DOI: https://doi.org/10.5194/isprs-archives­XLII-2-W3-339-2017 Heritage, G.L., Large, A.R.G. (Eds.) (2009). Laser scanning for the environmental sciences. Wiley-Blackwell, Chichester, UK ; Hoboken, NJ. DOI: https://doi. org/10.1002/9781444311952 Hough, P.V.C. (1962). Method and means for recognizing complex patterns, U.S. Patent 3,069,654, Dec. 18, 1962. Huber, D. (2011). The ASTM E57 file format for 3D imaging data exchange. In Beraldin, J.A., Cheok, G.S., McCarthy, M.B., Neuschaefer-Rube, U., Baskurt, A.M., McDowall, I.E., Dolinsky, M. (Eds.), Presented at the IS&T/SPIE Electronic Imaging, San Francisco Airport, California, USA, p. 78640A. Hunter, G., Pinkerton, H., Airey, R., Calvari, S. (2003). The application of a long-range laser scanner for monitoring volcanic activity on Mount Etna. Journal of Volcanology and Geothermal Research 123, 203–210. DOI: https://doi. org/10.1016/s0377-0273(03)00036-2 Kiryati, N., Eldar, Y., Bruckstein, A.M. (1991). A probabilistic Hough transform. Pattern Recognition 24, 303–316. DOI: https://doi.org/10.1016/0031­3203(91)90073-e Laefer, D.F., Koss, A., Pradhan, A. (2006). The Need for Baseline Data Characteristics for GIS-Based Disaster Management Systems. J. Urban Planning and Development 132, 115–119. DOI: https://doi.org/10.1061/(asce)0733­9488(2006)132:3(115) Leica. (n.d.). CloudWorx Digital Reality Plugins for CAD. Leica. https://leica­geosystems.com/products/laser-scanners/software/leica-cloudworx Macher, H., Chow, L., Fai, S. (2019). automating the verification of heritage building information models created from point cloud data. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-2/W9, 455–460. DOI: https://doi.org/10.5194/isprs-archives-XLII­2-W9-455-2019 Maturana, D., Scherer, S. (2015). VoxNet: A 3D Convolutional Neural Network for real-time object recognition. In2015 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Presented at the 2015 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), IEEE, Hamburg, Germany, pp. 922–928. DOI: https://doi.org/10.1109/IROS.2015.7353481 Mongus, S., Triglav Cekada, M., Žalik, B. (2013). The Analysis of an Automatic Method for Digital Terrain Model. Geodetski vestnik, 57 (2), 245–259. DOI: https://doi. org/10.15292/geodetski-vestnik.2013.02.045-259 Morsdorf, F., Meier, E., Kötz, B., Itten, K.I., Dobbertin, M., Allgöwer, B. (2004). LIDAR-based geometric reconstruction of boreal type forest stands at single tree level for forest and wildland fire management. Remote Sensing of Environment 92, 353–362. DOI: https://doi.org/10.1016/j.rse.2004.05.013 Papon, J., Abramov, A., Schoeler, M., Worgotter, F. (2013). Voxel Cloud Connectivity Segmentation - Supervoxels for Point Clouds, in: 2013 IEEE Conference on Computer Vision and Pattern Recognition. Presented at the 2013 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), IEEE, Portland, OR, USA, pp. 2027–2034. DOI: https://doi.org/10.1109/cvpr.2013.264 Patraucean, V., Armeni, I., Nahangi, M., Yeung, J., Brilakis, I., Haas, C. (2015). State of research in automatic as-built modelling. Advanced Engineering Informatics, 29 (2), 162–171. DOI: https://doi.org/10.1016/j.aei.2015.01.001 Pirotti, F. (2019). Open software and standards in the realm of laser scanning technology. Open Geospatial Data, Software and Standards, 4 (1). DOI: https:// doi.org/10.1186/s40965-019-0073-z PointCab. (n.d.). PointCab. PointCab. https://pointcab-software.com/en/ Pu, S., Vosselman, G. (2009). Knowledge based reconstruction of building models from terrestrial laser scanning data. ISPRS Journal of Photogrammetry and Remote Sensing 64, 575–584. DOI: https://doi.org/10.1016/j.isprsjprs.2009.04.001 Qi, C.R., Yi, L., Su, H., Guibas, L.J. (2017). PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space. Rabbani, T. (2005). Efficient hough transform for automatic detection of cylinders in point clouds 6. Remondino, F., El-Hakim, S. (2016). Image-based 3D Modelling: A Review. The Photogrammetric Record, 21(115), 269–291. Riegler, G., Ulusoy, A.O., Geiger, A. (2017). OctNet: Learning Deep 3D Representations at High Resolutions. In: 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Presented at the 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), IEEE, Honolulu, HI, pp. 6620–6629. DOI: https:// doi.org/10.1109/cvpr.2017.701 Rodríguez-Moreno, C., Reinoso-Gordo, J. F., Rivas-López, E., Gómez-Blanco, A., Ariza-López, F. J., Ariza-López, I. (2018). From point cloud to BIM: An integrated workflow for documentation, research and modelling of architectural heritage. Survey Review, 50 (360), 212–231. DOI: https://doi.org/10.1080/00396265. 2016.1259719 Sampath, A., Shan, J. (2010). Segmentation and Reconstruction of Polyhedral Building Roofs From Aerial Lidar Point Clouds. IEEE Transactions in Geoscience and Remote Sensing 48, 1554–1567. DOI: https://doi.org/10.1109/tgrs.2009.2030180 Son, H., Kim, C., Turkan, Y. (2015). Scan-to-BIM - An Overview of the Current State of the Art and a Look Ahead. Presented at the 32nd International Symposium on Automation and Robotics in Construction, Oulu, Finland. DOI: https://doi. org/10.22260/ISARC2015/0050 Ullman, S. (1979). The interpretation of structure from motion. Proceedings of the Royal Society of London. 203 (1153), 405–426. DOI: https://doi.org/10.1098/ rspb.1979.0006 Triglav Cekada, M. (2017). Fotogrametricni in lidarski oblaki tock. Geografski vestnik, 89 (1), 115–129. DOI: https://doi.org/10.3986/GV89106 Vosselman, G., Maas, H.-G. (2010). Airborne and terrestrial laser scanning. Whittles Publishing; CRC Press. Wang, Q., Guo, J., Kim, M.-K. (2019). An Application Oriented Scan-to-BIM Framework. Remote Sensing, 11 (3), 365. DOI: https://doi.org/10.3390/rs11030365 Wang, P.-S., Liu, Y., Guo, Y.-X., Sun, C.-Y., Tong, X. (2017). O-CNN: octree-based convolutional neural networks for 3D shape analysis. ACM Transactions in graphics, 36, 1–11. DOI: https://doi.org/10.1145/3072959.3073608 Woo, H., Kang, E., Wang, S., Lee, K.H. (2002). A new segmentation method for point cloud data. International Journal of Machine Tools and Manufacture 42, 167–178. DOI: https://doi.org/10.1016/s0890-6955(01)00120-1 Xu, L., Oja, E., Kultanen, P. (1990). A new curve detection method: Randomized Hough Transform (RHT). Pattern recognition letters 11, 8. Zhao, R., Pang, M., Liu, C., Zhang, Y. (2019). Robust Normal Estimation for 3D LiDAR Point Clouds in Urban Environments. Sensors 19, 1248. DOI : https://doi. org/10.3390/s19051248 Zhu, X.X., Tuia, D., Mou, L., Xia, G.-S., Zhang, L., Xu, F., Fraundorfer, F. (2017). Deep Learning in Remote Sensing: A Comprehensive Review and List of Resources. IEEE Geoscience and Remote Sensing Magazine. 5, 8–36. DOI: https://doi. org/10.1109/MGRS.2017.2762307 Klinc R., Jotanovic U., Kregar K. (2021). Point clouds for use in building information models (BIM). Geodetski vestnik, 65 (4), 594-613. DOI: https://doi.org/10.15292/geodetski-vestnik.2021.04.594-613 Assist. prof. Robert Klinc, PhD University of Ljubljana Faculty of Civil and Geodetic Engineering Jamova cesta 2, SI-1000 Ljubljana, Slovenia e-mail: robert.klinc@fgg.uni-lj.si Uroš Jotanovic, MSc GEO2 d.o.o. Vojkova 45, SI-1000 Ljubljana, Slovenia e-mail: jotanovic.uros@gmail.com Asist. Klemen Kregar, PhD University of Ljubljana Faculty of Civil and Geodetic Engineering Jamova cesta 2, SI-1000 Ljubljana, Slovenia e-mail: klemen.kregar@fgg.uni-lj.si | 614 | ITRS-SI – BREZPLACNI ITRS-SI – A FREEWARE TOOL PROGRAM ZA FOR TRANSFORMATIONS TRANSFORMACIJE BETWEEN THE SLOVENIAN MED SLOVENSKIMI AND INTERNATIONAL IN MEDNARODNIMI TERRESTRIAL REFERENCE TERESTRICNIMI FRAMES REFERENCNIMI SESTAVI Sandi Berk 1 UVOD V prejšnji številki Geodetskega vestnika je bil objavljen clanek o casovno odvisnih transformacijah med slovenskimi in mednarodnimi terestricnimi referencnimi sestavi (Berk in Medved, 2021). Na Geodetski upravi Republike Slovenije smo pripravili brezplacni program ITRS-SI, ki omogoca izvedbo teh transfor­macij. Program je objavljen med aplikacijami na portalu Prostor. Skupaj z uporabniškim prirocnikom je dosegljiv na spletnem naslovu (https://www.e-prostor.gov.si/fileadmin/DPKS/Transformacije_ETRS89/ Aplikacije/ITRS-SI.zip). Program ITRS-SI omogoca transformacije med slovenskimi realizacijami ETRS89 in realizacijami ITRS. Podpira datoteke s koordinatami tock v najpogosteje uporabljanih besedilnih formatih (*.crd, *.csv, *.txt in *.xyz). Kratka predstavitev programa, ki sledi, je povzeta po uporabniškem prirocniku (Berk, 2021). 2 TERESTRICNI REFERENCNI SESTAVI Podprti so aktualni slovenski (ETRS89/D96-17) in mednarodni terestricni referencni sestav (ITRF2014) ter sestavi, ki so pomembni za povezavo med njima (ETRS89/D17 in ITRF2000) oziroma kot ogrodja slovenskih realizacij ETRS89 (ITRF2005 in ITRF2008). Vsi ti terestricni referencni sestavi temeljijo na GRS80 (Moritz, 2000). ETRS89/D17 ... je zadnja slovenska realizacija ETRS89 in temelji na EUREF GNSS-izmeri iz leta 2016 s srednjo epoho izmere 2016,75 (Berk in sod., 2018 in 2020). Izracun je bil predstavljen in potrjen na simpoziju EUREF 2018 v Amsterdamu. Ogrodje realizacije je IGb08/ETRF2000. V izracun je bilo vkljucenih 46 EUREF-tock, 16 stalnih postaj omrežja SIGNAL ter 7 takrat delujocih stalnih postaj kombinirane geodetske mreže 0. reda. Ta realizacija ni bila uveljavljena v praksi, saj bi prinesla prevelike spremembe koordinat tock; namesto nje je bila uporabljena pragmaticna rešitev D96-17 (spodaj). Vendar pa je D17 pomemben vezni clen med dosedanjimi staticnimi in tudi prihodnjo realizacijo ETRS89, ki bo predvi­doma temeljila na (pol)kinematicnem geodetskem datumu (Medved in sod., 2018). ETRS89/D96-17 ... je pragmaticna rešitev za poenotenje in izboljšanje kakovosti koordinat v obstojecih pasivnih in ak­tivnih GNSS-mrežah, ki temelji na vseh dosedanjih slovenskih realizacijah ETRS89. Upošteva dejanske spremembe v fizicnem prostoru in prinaša uskladitev koordinat v in med mrežami EUREF-tock, omrež­jem SIGNAL in kombinirano geodetsko mrežo 0. reda, in sicer tako, da so spremembe koordinat tock, vkljucenih v predhodni realizaciji ETRS89 (D96 EUREF in D96 SIGNAL), najmanjše možne (Berk in sod., 2020). Koordinate v D96-17 so v omrežju SIGNAL v rabi od 1. 1. 2020. ITRF2000 ... je realizacija ITRS, ki temelji na tehnologijah vesoljske geodezije: GPS, VLBI, LLR, SLR in DORIS. Za dolocitev geodetskega datuma je bilo uporabljenih 50 skrbno izbranih tock, razporejenih po vsej ze­meljski obli. Referencna epoha ITRF2000 je 1997,0 (Altamimi in sod., 2002). IGS-produkti so temeljili na ITRF2000 (razlicica IGS00) od 2. 12. 2001 (GPS-teden 1143) do 4. 11. 2006. ITRF2005 ... je realizacija ITRS, ki temelji na GPS, VLBI, SLR in DORIS. V izracun je bilo vkljucenih 608 tock na 338 lokacijah, za dolocitev datuma pa je bilo uporabljenih skrbno izbranih 70 tock, razporejenih po vsej zemeljski obli. Referencna epoha ITRF2005 je 2000,0 (Altamimi in sod., 2007). IGS-produkti so temeljili na ITRF2005 (razlicica IGS05) od 5. 11. 2006 (GPS-teden 1400) do 16. 4. 2011. V ITRF2005 je bil izveden izracun Mini EUREF GPS-izmere iz leta 2007, na katerem temeljijo prvotno dolocene koordinate omrežja SIGNAL – D96 SIGNAL (Berk in sod., 2020). ITRF2008 ... je realizacija ITRS, ki temelji na GPS, VLBI, SLR in DORIS. V izracun je bilo vkljucenih 934 tock na 580 lokacijah, za dolocitev datuma pa je bilo uporabljenih skrbno izbranih 179 tock, razporejenih po vsej zemeljski obli. Referencna epoha ITRF2008 je 2005,0 (Altamimi in sod., 2011). IGS-produkti so temeljili na ITRF2008 (razlicica IGS08) od 17. 4. 2011 (GPS-teden 1632) do 28. 1. 2017. V IGb08/ ITRF2008 je bil izveden izracun EUREF GNSS-izmere iz leta 2016, na katerem temelji aktualen slo­venski terestricni referencni sestav – D96-17 (Berk in sod., 2020). ITRF2014 ... je realizacija ITRS, ki temelji na GPS, GLONASS, VLBI, SLR in DORIS. V izracun je bilo vklju-cenih 1499 tock na 975 lokacijah, za dolocitev datuma pa je bilo uporabljenih skrbno izbranih 127 tock na 125 lokacijah, razporejenih po vsej zemeljski obli. Referencna epoha ITRF2014 je 2010,0 (Altamimi in sod., 2016). IGS-produkti temeljijo na ITRF2014 (razlicica IGS14) od 29. 1. 2017 (GPS-teden 1934). 3 TRANSFORMACIJE KOORDINAT IN VEKTORJEV HITROSTI Neposrednih datumskih transformacij med terestricnimi referencnimi sestavi, na katerih temeljijo trans-formacije s programom ITRS-SI, je pet in so prikazane na sliki 1. Slika 1: Datumske transformacije med terestricnimi referencnimi sestavi. Transformacije koordinat temeljijo na linearni razlicici Burša-Wolfove formule, ki jo predpisuje IERS-kon­vencija. Za parametre rotacijske matrike je uporabljena PV-konvencija, ki jo je skladno z ISO 19111 sprejela tudi Mednarodna zveza za geodezijo. Enacbe za transformacije naprej (praviloma v smeri iz ITRS v ETRS89) je podal EUREF (Altamimi, 2018). Poleg datumskih transformacij med terestricnimi referencnimi sestavi se izvajajo še transformacije koordinat med razlicnimi epohami, tako da locimo štiri tipe transformacij, in sicer med: – dvema epohama iste realizacije terestricnega referencnega sistema, – dvema realizacijama ITRS (na primer ITRF2000 . ITRF2014), – odgovarjajocima realizacijama ETRS89 in ITRS (ETRF2000 . ITRF2000) in – dvema realizacijama ETRS89 (D96-17 . D17). Za izvedbo obratnih transformacij so uporabljeni isti (izvorni) transformacijski parametri in stroge enacbe transformacij ter po potrebi iterativni postopki, ki zagotavljajo povratnost transformacij (Berk in Medved, 2021). Tako je absolutna koordinatna napaka po transformaciji iz izvornega v ciljni in nazaj v izvorni referencni sestav manjša od 2 nm (0,000000002 m). Kakovost transformiranih koordinat in vektorjev hitrosti tock je torej odvisna predvsem od kakovosti njihovih izvornih koordinat in vektorjev hitrosti. 4 VHODNI PODATKI ZA TRANSFORMACIJO Program ITRS-SI podpira naslednje oblike vhodnih datotek: – CRD-datoteke (tudi VEL-datoteke; koordinate in vektorji hitrosti v formatu Bernese), – CSV-datoteke (MS DOS, loceno z vejico ali s podpicjem), – TXT-datoteke (MS DOS, loceno s tabulatorji ali presledki, tudi PRN-datoteke) in – XYZ-datoteke (tudi ASC-datoteke). Izvorne (vhodne) koordinate in pripadajoci vektorji hitrosti morajo biti v globalnem kartezicnem koor­dinatnem sistemu; pretvorbe koordinat iz krivocrtnih geodetskih (., ., h) ali iz ravninskih koordinat, kombiniranih z elipsoidno višino (e, n, h), v geocentricne kartezicne koordinate in obratno lahko izvedete na primer s programom ETRS89-SI (Berk, 2020). Pricakovan vrstni red v vhodnih datotekah je X, Y, Z za geocentricne kartezicne koordinate in vX, vY, vZ za pripadajoce komponente vektorjev hitrosti tock. Razen ko gre za formatiran zapis z vnaprej dolocenimi širinami stolpcev (za crd- in vel-datoteke gl. Dach in sod., 2015, str. 726–731), so locila med koordina­tami in/ali drugimi atributi tock tabulatorji in/ali presledki (txt-, prn- in xyz-datoteke) oziroma vejica in/ali podpicje (csv- in asc-datoteke). Locilo pri koordinatah je decimalna pika, pogojno tudi decimalna vejica – ce vejica ni uporabljena že kot locilo med atributi tocke. Program prepozna tudi koordinate tock, ki so podane v narekovajih, na primer ‘4194424.11’, »4194424.11« in podobno. Program ITRS-SI je namenjen transformacijam koordinat tock v Sloveniji, vendar je definicijsko ob-mocje transformacije v horizontalnem smislu razširjeno na obmocje celotne Evrope (-32° = . = +70° in +34° = . = +82°), v vertikalnem smislu pa vkljucuje celotno Zemljino skorjo kot tudi atmosfero (-100 km = h = +100 km). Omejeno je tudi definicijsko obmocje pripadajocih vektorjev hitrosti tock, kate­rih komponente ne smejo biti manjše od -1 m/yr in ne vecje od 1 m/yr. Koordinate in komponente vektorja hitrosti vsake tocke program preveri pred izvedbo transformacije; morebitne tocke, ki so zunaj definicijskega obmocja transformacije, pa v izhodno datoteko samo prepiše. 5 UPORABA PROGRAMA ITRS-SI Program ITRS-SI je bil razvit v okolju MS Visual Studio 2017, v programskem jeziku Visual C++. Program zahteva operacijski sistem MS Windows, ki je novejši od Windows XP. Posebna namestitev ni potrebna. Ob zagonu programa se odpre pogovorno okno (slika 2), v katerem izberete: – realizacijo ETRS89, – realizacijo ITRS, – cas dolocitve ITRS-koordinat, – smer transformacije, – poreklo vektorjev hitrosti in – vhodno datoteko za transformacijo. Program ohrani vhodne datoteke nespremenjene. Imena izhodnih datotek sestavi iz imen vhodnih datotek, pri cemer je ime razširjeno z dodatkom, ki oznacuje izbrani ciljni terestricni referencni sestav. Program tvori tudi istoimensko datoteko s porocilom o izvedeni transformaciji s pripono ».rep« (iz angl. report). Vanjo zapiše osnovne podatke o izvedeni transformaciji/pretvorbi koordinat, in sicer: – datum in cas izvedbe transformacije, – imeni vhodne in izhodne datoteke koordinat, – izvorni in ciljni terestricni referencni sestav, – datum in cas dolocitve ITRS-koordinat (univerzalni koordinirani cas), – postopek izracuna (izvedene korake transformacije), – poreklo vektorjev hitrosti in – število transformiranih tock. Slika 2: Pogovorno okno programa ITRS-SI. Koordinate tock v izhodnih datotekah niso zaokrožene; ne glede na mesto decimalne vejice/pike so vedno podane s 16 števkami; izjema so crd-datoteke, kjer je zapis koordinat formatiran in omejen s petimi decimalnimi mesti (tj. na 0,01 mm). Velja pravilo, da so rezultat izvedene transformacije v iz­hodni datoteki samo koordinate tock, ce so bili izbrani nicelni vektorji koordinat (v ETRF2000). Da dobimo v izhodni datoteki tudi vektorje hitrosti, morajo biti ti podani tudi v vhodni datoteki. Da pa so ti pri transformaciji tudi dejansko upoštevani, programu poveste z izborom vektorjev hitrosti iz vhodne datoteke (v pogovornem oknu programa, gl. sliko 2). Program ITRS-SI je sicer namenjen predvsem transformacijam med slovenskimi in mednarodnimi terestricnimi referencnimi sestavi, vendar pa ga lahko uporabite tudi za transformacijo koordinat in vektorjev hitrosti med: – dvema epohama izbrane realizacije ITRS, – dvema epohama dveh razlicnih realizacij ITRS in – zadnjima slovenskima realizacijama ETRS89. Te transformacije izvedete v dveh korakih (slika 3), torej z dvema zaporednima izvedbama transformacije; podrobnosti so na voljo v uporabniškem prirocniku programa ITRS-SI (Berk, 2021). Med dvema slovenskima realizacijama ETRS89 in štirimi realizacijami ITRS, ki jih podpira program ITRS-SI, je 16 razlicnih casovno odvisnih transformacij – s poljubno epoho dolocitve koordinat v izbra­ni realizaciji ITRS. Poleg tega je s programom mogoce (v dveh korakih) izvesti še 18 razlicnih casovno odvisnih transformacij, kjer sta tako izvorni kot tudi ciljni sestav ali slovenski realizaciji ETRS89 ali pa realizaciji ITRS. Slika 3: Število korakov transformacije s programom ITRS-SI. 6 SKLEP Aktualni slovenski terestricni referencni sestav (D96-17) je realizacija evropskega terestricnega referencnega sistema (ETRS89), ki je vpet na Zemljo kot planet v geodetskih tockah na obmocju Evrope. Mednarodni terestricni referencni sistem (ITRS) je seveda realiziran z vpetjem v geodetskih tockah po vsej zemeljski obli. Oba sistema sovpadata v epohi 1989,0. Zaradi delovanja tektonike pa se odnosi med njima s casom spreminjajo. Ker so tirnice GNSS-satelitov dolocene v aktualni realizaciji ITRS (trenutno ITRF2014), moramo za dolocitev položaja tocke z GNSS-tehnologijo poznati odnose med aktualnima državnim in mednarodnim terestricnim referencnim sestavom. Prav tako je to (vse bolj) pomembno pri natancni na­vigaciji, koordinatne razlike v obeh sestavih se namrec s casom povecujejo. Na obmocju Ljubljane bodo v letu 2037 te razlike presegle en meter (Berk in Medved, 2021). Glede na to, da se aktualna realizacija ITRS (ITRF2014) in aktualna realizacija WGS84 (G1762) ujemata s centimetrsko tocnostjo, lahko program ITRS-SI uporabljate tudi za transformacije med slovenskim terestricnim referencnim sistemom in WGS84. Transformiramo koordinate tock in pripadajoce vektorje hitrosti. Ker slednjih obicajno ne poznamo – izjema so vec let delujoce GNSS-postaje –, lahko transformacijo izvedemo tudi ob privzemu nicelnih vektorjev hitrosti v ETRF2000. To v praksi pomeni, da ozemlje Slovenije geotektonsko obravnavamo kot stabilen del Evrope. Takšna predpostavka bi pri transformaciji koordinat, dolocenih z metodo PPP, prinesla napake, ki na obmocju Ljubljane trenutno (konec leta 2021) znašajo okoli enega centimetra (Berk in Medved, 2021). Program ITRS-SI omogoca izvedbo transformacij med dvema slovenskima (D96-17 in D17) in štirimi mednarodnimi terestricnimi referencnimi sestavi (ITRF2000, ITRF2005, ITRF2008 in ITRF2014). Slednje povezujejo casovno odvisne transformacije za 34 razlicnih parov izvornega in ciljnega sestava (slika 3). S program ITRS-SI so vse te transformacije dostopne za ceno nekaj klikov. Literatura in viri: Altamimi, Z. (2018). Relationship and Transformation between the International and the European Terrestrial Reference Systems. EUREF Technical Note 1, Version June 28, 2018. IAG Reference Frame Subcommission for Europe (EUREF), 11 str. http:// etrs89.ensg.ign.fr/pub/EUREF-TN-1.pdf, pridobljeno 2. 11. 2021. Altamimi, Z., Collilieux, X., Legrand, J., Garayt, B., Boucher, C. (2007). ITRF2005: A New Release of the International Terrestrial Reference Frame Based on Time Series of Station Positions and Earth Orientation Parameters. Journal of Geophysical Research: Solid Earth, 112 (B9), B09401. DOI: https://doi. org/10.1029/2007JB004949 Altamimi, Z., Collilieux, X., Métivier, L. (2011). ITRF2008: An Improved Solution of the International Terrestrial Reference Frame. Journal of Geodesy, 85 (8), 457–473. DOI: https://doi.org/10.1007/s00190-011-0444-4 Altamimi, Z., Rebischung, P., Métivier, L., Collilieux, X. (2016). ITRF2014: A New Release of the International Terrestrial Reference Frame Modeling Nonlinear Station Motions. Journal of Geophysical Research: Solid Earth, 121 (8), 6109–6131. DOI: https://doi.org/10.1002/2016JB013098 Altamimi, Z., Sillard, P., Boucher, C. (2002). ITRF2000: A New Release of the International Terrestrial Reference Frame for Earth Science Applications. Journal of Geophysical Research: Solid Earth, 107 (B10), 2214. DOI: https:// doi.org/10.1029/2001JB000561 Berk, S. (2020). Program ETRS89-SI: Transformacije koordinat med slovenskimi realizacijami ETRS89. Uporabniški prirocnik. Razlicica 1.0. Ljubljana: Geodetska uprava Republike Slovenije.https://www.e-prostor.gov.si/fileadmin/DPKS/ Transformacije_ETRS89/Aplikacije/ETRS89-SI_prirocnik.pdf, pridobljeno 2. 11. 2021. Berk, S. (2021). Program ITRS-SI: Transformacije med slovenskimi realizacijami ETRS89 in realizacijami ITRS. Uporabniški prirocnik. Razlicica 1.0. Ljubljana: Geodetska uprava Republike Slovenije. https://www.e-prostor.gov.si/ fileadmin/DPKS/Transformacije_ETRS89/Aplikacije/ITRS-SI_prirocnik.pdf, pridobljeno 2. 11. 2021. Berk, S., Medved, K. (2021). Transformacije med slovenskimi in mednarodnimi terestricnimi referencnimi sestavi. Geodetski vestnik, 65 (3), 361–384. DOI: https://doi.org/10.15292/geodetski-vestnik.2021.03.361-384 Berk, S., Sterle, O., Medved, K., Komadina, Ž., Stopar, B. (2018). Computation of the EUREF Slovenia 2016 GNSS Campaign. Symposium of the IAG Reference Frame Subcommission for Europe (EUREF 2018, Amsterdam), letn. 28. http://www. euref.eu/symposia/2018Amsterdam/01-03-p-Berk.pdf, pridobljeno 2. 11. 2021. Berk, S., Sterle, O., Medved, K., Stopar, B. (2020). ETRS89/D96-17 – rezultat GNSS-izmere EUREF Slovenija 2016. Geodetski vestnik, 64 (1), 43–67. DOI: https:// doi.org/10.15292/geodetski-vestnik.2020.01.43-67 Dach, R., Lutz, S., Walser, P., Fridez, P. (2015). Bernese GNSS Software. Version 5.2. User manual. Bern: Astronomski inštitut Univerze v Bernu. http://www.bernese. unibe.ch/docs/DOCU52.pdf, pridobljeno 2. 11. 2021. Medved, K., Berk, S., Sterle, O., Stopar, B. (2018). Izzivi in dejavnosti v zvezi z državnim horizontalnim koordinatnim sistemom Slovenije. Geodetski vestnik, 62 (4), 567–586. DOI: https://doi.org/10.15292/geodetski-vestnik.2018.04.567-586 Moritz, H. (2000). Geodetic Reference System 1980. Journal of Geodesy, 74 (1), 128–133. DOI: https://doi.org/10.1007/S001900050278 Sandi Berk, univ. dipl. inž. geod. Geodetska uprava Republike Slovenije, Urad za geodezijo Zemljemerska ulica 12, SI-1000 Ljubljana e-naslov: sandi.berk@gov.si URADNI PODATKI O AUTHORITATIVE LAND COVER DEJANSKI RABI ZEMLJIŠC DATA Matevž Ahlin 1 UVOD Podatek o dejanski rabi zemljišca je eden kljucnih za mnoge uporabnike prostorskih podatkov o zemljišcih. V preteklosti smo imeli v zemljiškem katastru podrobne podatke o rabi zemljišc (glej tudi Zakon o ze­mljiškem katastru, 1974), z novo zakonodajo (ZENDMPE, 2000, in ZEN, 2006) se je predvidelo, da se ti podatki ukinejo. Vzporedno z namero o ukinitvi tako imenovane »katastrske rabe« je najprej nastala nova evidenca o dejanski rabi zemljišc, namenjena predvsem kmetijski politiki (Lisec, Pišek in Drobne, 2013). V preteklih letih so postopoma nastajale in še nastajajo dodatne evidence o dejanski rabi zemljišc, tako da danes razpolagamo s podatki (op. vse evidence še niso vzpostavljene): – o dejanski rabi kmetijskih in gozdnih zemljišc (Pravilnik o evidenci dejanske rabe kmetijskih in gozdnih zemljišc, 2008); – o rabi vodnih zemljišc (Zakon o vodah, 2002 in spremembe; Pravilnik o podrobnejšem nacinu dolocanja meje vodnega zemljišca celinskih voda, 2018; glej tudi Mivšek et al., 2012); – o dejanski rabi zemljišc javne cestne in javne železniške infrastrukture (Zakon o evidentiranju de­janske rabe zemljišc javne cestne in javne železniške infrastrukture, 2018, in Pravilnik o evidentiranju dejanske rabe zemljišc javne cestne in javne železniške infrastrukture, 2019); – o dejanski rabi poseljenih zemljišc v Evidenci stavbnih zemljišc (Zakon o urejanju prostora, 2017; Pravilnik o metodologiji za masovni zajem poseljenih zemljišc, 2020). Do nedavnega so lahko uporabniki dostopali do podatkov o dejanski rabi zemljišc samo pri posameznih upravljavcih tako imenovanih maticnih evidenc. Vpogled v podatke o dejanski rabi zemljišc teh razlicnih evidenc na enem mestu ni bil omogocen, zaradi cesar je bila uporaba podatkov omejena, pripis podatkov o dejanski rabi posamezni parceli pa nemogoc. Na podlagi 23a. clena Zakona o spremembah in dopolnitvah Zakona o evidentiranju nepremicnin (ZEN -A, 2018) je Geodetska uprava Republike Slovenije (v nadaljevanju: geodetska uprava) vzpostavila sistem, ki omogoca prevzem podatkov o dejanski rabi iz maticnih evidenc dejanske rabe razlicnih upravljavcev in izdelavo skupnega podatkovnega sloja o dejanski rabi zemljišc. Od 1. aprila 2020 ima geodetska uprava skupni podatkovni sloj dejanske rabe zemljišc, v katerem so zbrani in prikazani podatki o dejanski rabi zemljišc iz evidence dejanske rabe kmetijskih in gozdnih zemljišc, evidence vodnih zemljišc, evidence dejanske rabe zemljišc javne cestne in javne železniške infrastrukture, evidence stavbnih zemljišc (podatki o poseljenih zemljišcih) ter evidence tlorisov stavb. Vrste dejanskih rab zemljišc in njihove šifre, podatke in pogoje prevzema, nacin usklajevanja podatkov o dejanski rabi, nacin dolocitve obmocij neplodnih zemljišc in obmocij nedolocene rabe ter nacin pripisa podatkov za posamezno zemljiško parcelo so urejeni z uredbo (Uredba o dejanskih rabah zemljišc, 2018) in drugimi podzakonskimi akti. Na podlagi vsakodnevnega prevzemanja podatkov v sistem zemljiškega katastra, kar se izvede s prostorskim presekom skupnega podatkovnega sloja o dejanski rabi zemljišc z zemljiškokatastrskim nacrtom, se izracunajo in pripišejo deleži površin posameznega razreda dejanske rabe zemljišc za vsako parcelo. 2 PODATKI O DEJANSKI RABI ZEMLJIŠC V ZEMLJIŠKEM KATASTRU Podatek o dejanski rabi zemljišc, ki ga geodetska uprava shranjuje v zemljiškem katastru, je prevzet iz drugih evidenc. To pomeni, da se podatek prevzame iz razlicnih maticnih evidenc ter pripravi za shranje­vanje in prikaz v zemljiškem katastru. Za vzdrževanje podatkov o dejanski rabi zemljišc je sicer odgovoren upravljavec vsake maticne evidence posebej, kot to dolocajo zakoni in podzakonski akti, predstavljeni v uvodnem delu. Nekoliko vecje spremembe so bile uvedene s 1. aprilom 2020. Pred tem datumom se je za pripis podatkov o dejanski rabi zemljišc za zemljiške parcele uporabljal samo zvezni podatkovni sloj dejanske rabe zemljišc, ki ga je pripravilo in vzdrževalo ministrstvo za kmetijstvo, gozdarstvo in prehrano – tako imenovana evidenca dejanske rabe kmetijskih in gozdnih zemljišc. Podatki so se prevzemali v tej obliki, ker preostali upravljavci maticnih evidenc o dejanski rabi zemljišc še niso imeli zajetih podatkov ali pa ti še niso bili pripravljeni tako, da bi jih bilo mogoce prevzeti v zemljiški kataster. Od 1. aprila 2020 geodetski upravi podatke o dejanski rabi zemljišc za izdelavo skupnega podatkovnega sloja o dejanski rabi zemljišc posredujejo upravljavci maticnih evidenc dejanske rabe zemljišc, ki so navedeni v nadaljevanju clanka. Naloga geodetske uprave je iz prejetih podatkov posameznih maticnih evidenc izdelati skupni podatkovni sloj dejanske rabe zemljišc in na njegovi podlagi pripisati podatke o dejanski rabi zemljišc za vsako parcelo, evidentirano v zemljiškem katastru. Skupni podatkovni sloj dejanske rabe zemljišc ni vec zvezen, saj se zgodi, da na posameznih obmocjih nihce od upravljavcev maticnih evidenc ni dolocil podrobne dejanske rabe. Koncni rezultat je izdelek, ki ga uporablja širok krog uporabnikov, tako fizicne kot pravne osebe, razlicni državni organi, organi lokalnih skupnosti, projektantska podjetja ipd. Proces izdelave in vzdrževanja skupnega podatkovnega sloja o dejanski rabi zemljišc ter pripisa podatka o dejanski rabi za vsako parcelo je kompleksen in v njem sodelujejo razlicni akterji. Priprave na implemen­tacijo novega sistema so potekale vec kot eno leto, delovanje sistema se je v testnem okolju preizkušalo dva meseca. Šele nato je bila rešitev prenesena v produkcijsko okolje, rezultati (podatki o dejanski rabi zemljišc za posamezno parcelo) pa na voljo uporabnikom v distribucijskem okolju geodetske uprave. Pravno podlago, ki je omogocila navedene spremembe nacina vodenja, podajajo: – Zakon o evidentiranju nepremicnin, ki doloca, da se v katastru shranjujejo podatki o dejanskih rabah zemljišc (ZEN, 2006, Uradni list RS, št. 47/2006, 65/2007 – odl. US, 79/2012 – odl. US, 61/2017 – ZAID, 7/2018, 33/2019 in 54/2021 – ZKN), – Uredba o dejanskih rabah zemljišc (Uradni list RS, št. 43/2018, 35/2019 in 54/2021 – ZKN) in – Pravilnik o evidentiranju podatkov v zemljiškem katastru (Uradni list RS, št. 48/2018, 51/2018 – popr., 35/2019 in 54/2021 – ZKN). 3 PREVZEM PODATKOV O DEJANSKI RABI ZEMLJIŠC V okviru tako imenovanega sistema skupne dejanske rabe zemljišc se izvajajo naslednji procesi: – replikacija podatkov iz maticnih evidenc dejanske rabe zemljišc, kar pomeni prevzem podatkov iz maticnih evidenc in prenos v podatkovne baze geodetske uprave; – kontrola podatkov maticnih evidenc ob replikaciji in sporocanje napak upravljavcem, – proces izdelave skupnega podatkovnega sloja o dejanski rabi zemljišc, – prostorski presek skupnega podatkovnega sloja podatkov o dejanski rabi zemljišc z zemljiškokata­strskim nacrtom, – priprava podatkov za izracun katastrskega dohodka, – replikacija rezultatov v distribucijsko okolje geodetske uprave in – replikacija rezultatov v distribucijsko okolje ministrstva za javno upravo. 3.1 Replikacija podatkov iz maticnih evidenc dejanske rabe zemljišc Maticne evidence o dejanski rabi zemljišc se po dogovorjenih postopkih enkrat na teden (v noci s petka na soboto) replicirajo v sheme na produkcijski bazi informacijskega okolja geodetske uprave. Podatki so organizirani kot vektorski podatkovni sloji z atributnimi podatki maticnih evidenc: – dejanske rabe kmetijskih in gozdnih zemljišc, za katero je zadolženo Ministrstvo za kmetijstvo, gozdarstvo in prehrano Republike Slovenije, – dejanske rabe vodnih zemljišc, za katero je zadolžena Direkcija Republike Slovenije za vode, – dejanske rabe zemljišc javne cestne in javne železniške infrastrukture, za katero je zadolžena Direkcija Republike Slovenije za infrastrukturo, – dejanske rabe poseljenih zemljišc, za katero je zadolženo Ministrstvo za okolje in prostor Republike Slovenije, – dejanske raba stavb, to so tlorisi stavb, za katero je zadolžena Geodetska uprava Republike Slovenije, in – dejanske rabe neplodnih zemljišc, ki pa nima dolocenega upravljavca. 3.2 Kontrola podatkov maticnih evidenc ob replikaciji in sporocanje napak upravljavcem Pred samo izgradnjo skupnega podatkovnega sloja dejanske rabe zemljišc se v tako imenovanih prestage oziroma zacasnih podatkovnih tabelah izvede kontrola prejetih podatkov posameznih maticnih evidenc. Kontrolira se vec parametrov, ki so razdeljeni v pet skupin glede na poslovna pravila. To so geometrija sloja, nedopustnost prekrivanja obmocij dejanskih rab v maticni evidenci (izjema so podatki o rabi ce­stnih in železniških zemljišc, kjer so prekrivanja dovoljena), preverjanje pravilnosti šifriranja podatkov o dejanski rabi zemljišc in pravilnosti šifriranja položajne natancnosti ter preverjanje enolicnosti identi­fikatorja (ID) maticne evidence. Ce je pri podatkovnem sloju maticne evidence v katerikoli skupini vec kot dvajset napak, se ta podatkovni sloj maticne evidence ne prevzame, saj bi napake povzrocile veliko težav za celotno podatkovno zbirko dejanske rabe zemljišc. Za tedensko kreiranje skupnega podatkovnega sloja o dejanski rabi zemljišc se zato v takem primeru uporabi zadnji prevzeti podatkovni sloj maticne evidence. Napake se zapišejo v tabelo napak in ta se replicira v podatkovne baze ministrstva za javno upravo, kjer so ti podatki na voljo upravljavcem. Tam je dostopna upravljavcem maticnih evidenc kot pomoc pri odpravi napak na izvoru podatkov, to je v maticnih evidencah. 3.3 Proces izdelave skupnega sloja o dejanski rabi zemljišc Proces izdelave skupnega podatkovnega sloja o dejanski rabi zemljišc se zacne s pretvorbo šifer dejanskih rab zemljišc maticnih evidenc v šifre, ki so predvidene s sistemu zemljiškega katastra. V maticnih evidencah poznamo 65 štirimestnih šifer podrobnejših razredov oziroma vrst dejanskih rab zemljišc. V zemljiškem katastru ni podatkov o podrobnejših dejanskih rabah zemljišc, razen tistih, ki so doloceni v 4. clenu Zakona o ugotavljanju katastrskega dohodka (2016). Zato imamo v zemljiškem katastru zgolj dvajset dvomestnih šifer za razrede oziroma vrste dejanske rabe zemljišc in rabo s šifro 90 (nedolocena raba). Oba šifranta sta objavljena kot prilogi k Uredbi o dejanskih rabah zemljišc (2018). Zaradi izjeme v pravilih, ki dopušca prekrivanje obmocij z razlicnimi podatki o rabi zemljišc posameznih razredov rab zemljišc v podatkovnem sloju maticne evidence dejanske rabe cestnih in železniških zemljišc, se najprej izvede prostorski presek geometrije (poligonov) v tem podatkovnem sloju, sledi prostorski presek podatkovnega sloja z vsemi ostalimi prevzetimi podatkovnimi sloji maticnih evidenc in na koncu še s podatkovnim slojem neplodnih zemljišc. Ta podatkovni sloj se ne spreminja in je definiran kot skupek poligonov, ki predstavljajo prostor na obmocjih nad 800 metri nadmorske višine in nimajo dolocenega drugega razre­da dejanske rabe zemljišc. Na obmocju prostorskega prekrivanja poligonov razlicnih maticnih evidenc nastane nov samostojen poligon, tako imenovani poligon hkratne rabe, za katerega se evidentira podatek o dejanski rabi vseh poligonov maticnih evidenc, ki se med seboj prekrivajo (hkratne rabe se v javnem vpogledu prikažejo s šifro 99). Sosednji poligoni z isto rabo se ne združujejo. Na obmocjih, kjer podatki o dejanski rabi zemljišc niso bili doloceni, ostanejo vrzeli, zaradi cesar skupni podatkovni sloj dejanske rabe zemljišc ni zvezen za celotno Slovenijo (slika 1). Slika 1: Prikaz podatkov skupnega podatkovnega sloja o dejanski rabi v programu Q-GIS. Bele površine oziroma vrzeli pres-tavljajo rabo s šifro 90 (nedoloceno). 3.4 Prostorski presek skupnega podatkovnega sloja o dejanski rabi zemljišc z zemljiškokatastrskim nacrtom Prostorski presek skupnega podatkovnega sloja o dejanski rabi zemljišc z zemljiškokatastrskim nacrtom (ZKN) se izvaja na dnevni ravni. Ob upoštevanju pravil 36. clena Pravilnika o evidentiranju podatkov v zemljiškem katastru (2018) je rezultat preseka tabela s podatki o razredu oziroma vrsti dejanske rabe zemljišc in z deleži površine za posamezno vrsto dejanske rabe zemljišc na parceli. Podatki o dejanski rabi zemljišc se vpišejo za posamezno parcelo ali pa se že vpisani podatki o dejanski rabi v zemljiškem katastru spremenijo: – ce je površina parcele s podatkom o dejanski rabi, ki še ni vpisan na parceli, vecja od 1,5 x vpovršina_ parcele ali – ce se že vpisani podatek o dejanski rabi zemljišc spremeni za obmocje, vecje od 1,5 x vpovršina_parcele. Ob neizpolnjevanju teh pogojev se podatki za površine tako imenovanih hkratnih dejanskih rab ne vpišejo na parcelo, ampak se prištejejo površini parcele s podatkom o dejanski rabi zemljišc zemljiškega katastra na parceli, ce je ta enaka eni od hkratnih dejanskih rab zemljišc. Ce sta dve ali vec hkratnih dejanskih rab zemljišc enaki dejanskim rabam zemljišc na parceli, se površina hkratne dejanske rabe zemljišc razdeli in se v enakih deležih pripiše vsem enakim dejanskim rabam zemljišc zemljiškega katastra. 3.5 Podatki za izracun katastrskega dohodka V sistemu izdelave skupnega podatkovnega sloja dejanske rabe zemljišc se pripravi poseben podat­kovni sloj, ki se uporablja pri izracunu katastrskega dohodka. Postopek za pripis podatkov o dejanski rabi zemljišc za posamezno parcelo za izracun katastrskega dohodka je podoben kot pri prostorskem preseku skupnega podatkovnega sloja dejanske rabe zemljišc z zemljiškokatastrskim nacrtom, a z nekaj posebnostmi. Za izracun katastrskega dohodka se uporabijo samo podatki zemljišc kmetijske in gozdne dejanske rabe, ki se prostorsko presekajo s podatkovnim slojem obmocij posebnih režimov in podatkovnim slojem rastišcnih koeficientov. Vse podatke posreduje ministrstvo za kmetijstvo, gozdarstvo in prehrano. Rezultati prostorskih presekov navedenih podatkovnih slojev in ZKN se za­pišejo na parcelo. Casovna dinamika vzdrževanja podatkov za izracun katastrskega dohodka je enaka kot dinamika vzdrževanja podatkov o dejanski rabi zemljišc. Prostorski preseki podatkovnih slojev se izvajajo enkrat tedensko, dnevno pa se izvaja pripis podatkov in izracun katastrskega dohodka zaradi sprememb podatkov parcel. 3.6 Replikacija rezultatov v distribucijsko okolje geodetske uprave Skupni podatkovni sloj dejanske rabe zemljišc, tabela rezultatov prostorskega preseka skupnega podatkovnega sloja dejanske rabe z ZKN (veljavno stanje) in tabela rezultatov prostorskega preseka skupnega podatkovnega sloja dejanske rabe z ZKN (zgodovinsko stanje) se replicirajo na distribucijsko omrežje vsak dan od ponedeljka do sobote. Distribucijsko okolje zagotavlja uporabnikom izdajo veljavnega stanja skupnega podatkovnega sloja dejanske rabe zemljišc in podatkov parcel, vkljucno z dejansko rabo zemljišc za posamezno parcelo. 3.7 Replikacija rezultatov v distribucijsko okolje ministrstva za javno upravo Vsi prej našteti podatkovni sloji in podatki o napakah se replicirajo še v distribucijo, ki je zagotovljena na stre­žnikih ministrstva za javno upravo. Ta sistem je namenjen izkljucno upravljavcem maticnih evidenc podatkov dejanske rabe zemljišc in omogoca, da upravljavci maticnih evidenc na enem mestu pridobijo podatke za obdelovanje in usklajevanje svoje maticne evidence z drugimi maticnimi evidencami dejanskih rab zemljišc. 3.8 Distribucija za splošne uporabnike V distribucijskem omrežju so podatki o dejanski rabi vkljuceni v naslednjih aplikacijah (slika 2 in slika 3): – PREG za vse uporabnike (geometricni-prostorski in atributni vpogled v tabelo veljavnega stanja), – javni vpogled v podatke (geometricni-prostorski in atributni vpogled v tabelo veljavnega stanja), – osebni vpogled v podatke (geometricni-prostorski in atributni vpogled v tabelo veljavnega stanja). Slika 2: Skupni podatkovni sloj dejanske rabe zemljišc v javnem pregledovalniku. Slika 3: Izpis atributnih podatkov o parceli v javnem pregledovalniku. Skupni podatkovni sloj dejanske rabe zemljišc in pripis podatkov o rabi za posamezno parcelo sta ob registraciji uporabniku prosto dostopna tudi prek spletne aplikacije e-Geodetski podatki, ki jo najdemo na povezavi https://egp.gu.gov.si/egp (slika 4). Slika 4: Spletna stran e-Geodetski podatki. Geometricni podatki (prostorski podatki) skupnega podatkovnega sloja dejanske rabe zemljišc se v obliki datoteke *.shp nahajajo v sklopu 11. Zemljiški kataster. Podatki so posodobljeni enkrat tedensko, zaradi velikega obsega pa so na voljo v dveh stisnjenih datotekah zip. Podatke o dejanski rabi parcele (atributni podatki) je mogoce pridobiti v sklopu 12. Register nepremicnin in so dostopni v obliki zapisa *.csv. Do-stopno je stanje zadnjega tedenskega posodabljanja podatkov skupne dejanske rabe zemljišc s parcelami. 4 SKLEP Sedanji nacin prevzemanja podatkov o dejanski rabi zemljišc v zemljiški kataster se uporablja že vec kot leto in pol in ga predvideva tudi nov Zakon o katastru nepremicnin (2021), ki bo uveljavljen aprila 2022. Upravljavci maticnih evidenc dejanske rabe zemljišc svoje evidence stalno dopolnjujejo in usklajujejo. Tako je v skupnem podatkovnem sloju dejanske rabe zemljišc vse manj vrzeli (raba 90 – nedoloceno). Kakovost in popolnost skupnega podatkovnega sloja dejanske rabe zemljišc se izboljšuje, prav tako skupni podatkovni sloj vse bolje kaže dejansko rabo prostora za raznovrstne uporabnike teh podatkov. Literatura in viri: GURS (2019). Metodologija izdelave skupnega sloja dejanske rabe z dne 14. 10. 2019. Ljubljana: Geodetska uprava RS. Lisec, A., Pišek, J., Drobne, S. (2013). Suitability analysis of land use records of agricultural and forest land for detecting land use change on the case of the Pomurska statistical region = Analiza primernosti evidence rabe kmetijskih in gozdnih zemljišc za dolocanje sprememb rabe zemljišc na primeru pomurske statisticne regije. Acta geographica Slovenica, 53 (1), 70–90. DOI: https://doi. org/10.3986/AGS53104 Mivšek, E., Pegan Žvokelj, B., Kete, P., Globokar, T. (2014). Dejanska raba vodnih zemljišc in zemljiški kataster. Geodetski vestnik 56 (4), 663–673. DOI: https:// doi.org/10.15292/geodetski-vestnik.2012.04.663-673 Pravilnik o evidenci dejanske rabe kmetijskih in gozdnih zemljišc. Uradni list RS, št. 122/2008, 4/2010 in 110/2010. infrastrukture. Uradni list RS št. 3/2019. Pravilnik o evidentiranju podatkov v zemljiškem katastru. Uradni list RS št. 48/2018, 51/2018, 35/2019, 54/2021. Pravilnik o metodologiji za masovni zajem poseljenih zemljišc. Uradni list RS, št. 8/2020. Pravilnik o podrobnejšem nacinu dolocanja meje vodnega zemljišca celinskih voda. Uradni list RS, št. 58/2018. Uredba o dejanskih rabah zemljišc. Uradni list RS št. 43/2018, 35/2019, 54/2021. Zakon o evidentiranju dejanske rabe zemljišc javne cestne in javne železniške infrastrukture. Uradni list RS, št. 13/2018. Zakon o ugotavljanju katastrskega dohodka. Uradni list RS, št. 63/2016. Zakon o urejanju prostora. ZUReP-2. Uradni list RS, št. 61/2017. Pravilnik o evidentiranju dejanske rabe zemljišc javne cestne in javne železniške Zakon o vodah. Uradni list RS, št. 67/2002, 2/2004 – ZZdrI-A, 41/2004 – ZVO-1, 57/2008, 57/2012, 100/2013, 40/2014, 56/2015 in 65/2020. Zakon o zemljiškem katastru. Uradni list SRS, št. 16/1974, 42/1986, Uradni list RS, št. 52/2000 – ZENDMPE in 47/2006 – ZEN. ZEN (2006). Zakon o evidentiranju nepremicnin. Uradni list RS, št. 47/2006, 65/2007 – odl. US, 79/2012 – odl. US, 61/2017 – ZAID, 7/2018, 33/2019 in 54/2021 – ZKN. ZEN-A (2018). Zakon o spremembah in dopolnitvah Zakona o evidentiranju nepremicnin. Uradni list RS, št. 7/2018. ZENDMPE (2000). Zakon o evidentiranju nepremicnin, državne meje in prostorskih enot. Uradni list RS, št. 52/2000, 87/2002 – SPZ in 47/2006 – ZEN. ZKN (2021). Zakon o katastru nepremicnin. Uradni list RS, št. 54/2021. Matevž Ahlin, univ. dipl. inž. geod. Geodetska uprava RS Zemljemerska ulica 12, SI-1000 Ljubljana e-naslov: matevz.ahlin@gov.si ZELO VISOKOLOCLJIVI VERY HIGH-RESOLUTION SATELITSKI POSNETKI KOT SATELLITE IMAGES AS DOPOLNILA K DRŽAVNIM SUPPLEMENTS TO STATE ORTOFOTOM (DOF) ORTHOPHOTOS Andreja Švab Lenarcic 1 UVOD Razlicni uporabniki prostorskih podatkov vsakodnevno uporabljamo digitalne ortofote za raznovrstne namene: kot bazicni podatkovni sloj v aplikacijah geografskih informacijskih sistemov (GIS), za pro-storsko planiranje in planiranje del na terenu, za zajem podatkov o rabi zemljišc, za zajem podatkov o gozdnih in trajnih nasadih, za pomoc pri simulacijah in vizualizacijah prostora in dogodkov v prostoru, za kontrolo pravilnosti lokacije raznih objektov idr. Ker se državni ortofoto (DOF) v Sloveniji v zad­njem obdobju vzdržuje v triletnem ciklu, so podatki za posamezne naloge premalo ažurni. Zato bomo v tej razpravi obravnavali možnosti zgostitve casovne vrste ortofotov z zelo visokolocljivimi satelitskimi posnetki. Kakšne so njihove lastnosti, koliko jih je na voljo, kje in kako lahko pridemo do njih? Pri tem se bomo usmerili zgolj na najpogostejši nacin uporabe DOF, to je DOF kot vizualno podlago oziroma sliko pod drugimi podatkovnimi sloji. 2 PRIMERNOST SATELITSKIH POSNETKOV KOT DOPOLNIL DOF Satelitski posnetki so, enako kot letalski posnetki, daljinsko zaznani prostorski podatki. Podatki so torej zajeti na daljavo, le da nosilna platforma ni letalo, ampak satelit. Gre torej za zelo podobno metodo snemanja, le razdalja od platforme do zemeljske površine je pri satelitih vecja. Ko beremo o satelitskih posnetkih, vedno naletimo na izraze, kot so spektralna locljivost, radiometricni popravki ipd. Pri tem se zna zgoditi, da se nam zdijo zapleteni, kar nas odvrne od njihove uporabe. V resnici pa imajo letalski posnetki enake lastnosti, le da jih obicajnemu uporabniku DOF-a ni treba poznati. Ce torej dobimo »na mizo« primerno obdelane satelitske posnetke, res ni razloga, da jih ne bi uporabili. Kljub temu je dobro poznati vsaj osnovne lastnosti satelitskih posnetkov, zato jih na kratko poglejmo z vidika primerjave z ortofotom. Osnovne opredelitve povzemamo po Oštirju (2006). Prostorska locljivost pri rastru pomeni velikost piksla oziroma velikost najmanjšega predmeta, ki ga na posnetku lahko zaznamo. Za lažjo predstavo sta na sliki 1 prikazana dva posnetka z razlicno pro-storsko locljivostjo. Posnetek Pleiades (na sliki levo) ima velikost piksla 0,5 metra, posnetek SPOT (na sliki desno) pa 1,5 metra. Ker na Geodetski upravi Republike Slovenije (GURS) DOF uporabljamo vecinoma kot vizualno podlago za prikaz drugih uradnih prostorskih podatkov, je prostorska locljivost dopolnilnih slojev odlocilnega pomena pri njihovi uporabnosti. Razvidne morajo biti podrobnosti, kot so posamezne manjše hiše, dograditve, vrste rabe idr. DOF s svojo locljivostjo 0,5 metra (in 0,25 metra) ta pogoj izpolnjuje. Na prikazanem posnetku SPOT želenih podrobnosti ne razberemo vec. Zato bomo v nadaljevanju razprave obravnavali zgolj satelitske posnetke, ki imajo prostorsko locljivost vsaj 1 meter. Navzgor po kakovosti prostorske locljivosti nismo omejeni, je pa locljivost, višja od 0,1 metra, vsaj za sedanjo uporabo na Gursu nesmiselna in zagotovo neekonomicna. Slika 1: Manjše obmocje v Budimpešti: levo posnetek Pleiades (0,5 m) (Pleiades, 2021), desno SPOT (1,5 m) (SPOT, 2021). Prostorsko locljivost vsaj 1 meter ali višjo danes dosegajo naslednji satelitski posnetki: GeoEye-1 (0,4 m), WorldView-2 (0,5 m), WorldView-3 (0,3 m), WorldView-4 (0,3 m), Pleiades (0,5 m), Pleiades Neo (0,3 m), SuperView1 oziroma Gaojing-1 (0,5 m), TripleSat (0,8 m), Geosat (0,8 m), Kompsat-3 (0,6 m), SkySat (0,7 m), BlackSky (0,9 m), OVS-3 (0,9 m) ter Deimos-2 (1 m). Spektralna locljivost je natancnost sistema pri opazovanju elektromagnetnega valovanja razlicnih valovnih dolžin. Spektralna locljivost je višja, ce sistem opazuje predmete v vec ozkih spektralnih kanalih. Poe-nostavljeno: v kolikor vec »barvah sistem snema«, toliko višjo spektralno locljivost ima. Letalski podatki za DOF so zajeti v štirih spektralnih kanalih: rdecem (R), zelenem (G), modrem (B) in bližnje infrardecem (NIR). GURS kot vizualni prikaz uporablja skoraj izkljucno tako imenovano sliko v pravih barvah (angl. true color image), to je prikaz s kanali RGB. Zato bi za satelitske posnetke, ki bi dopolnjevali DOF, zadošcala spektralna locljivost teh treh kanalov. Razen satelita WorldView-1, ki zajema podatke samo s PAN (crno­belim) kanalom, vsi navedeni sateliti snemajo tako s PAN kot tudi z vsaj štirimi barvnimi kanali (RGBNir). Naj omenimo, da visoka spektralna locljivost pomeni veliko dodano vrednost pri spektralnih analizah. V tej razpravi smo se omejili na vizualni prikaz. Ce vas zanima kaj vec o spektralnih lastnostih, v branje vabi clanek Pticji pogled z druge perspektive (Švab Lenarcic, 2020). Casovna locljivost pove, kako pogosto lahko snemamo iste dele Zemlje oziroma koliko casa pretece med dvema zaporednima snemanjema. DOF v Sloveniji trenutno pridobivamo na tri leta. Ker želimo s satelitskimi posnetki casovno vrsto zgostiti, morajo biti izbrani satelitski posnetki posneti pogosteje, vsaj na eno do dve leti oziroma v letih, ko DOF na nekem obmocju ni izdelan. Tudi tukaj zelo visoka casovna locljivost ni problematicna, je pa zopet najverjetneje nesmiselna. Posnetkov v praksi obicajno ne potrebujemo pogosteje kot enkrat mesecno. Teoreticna casovna locljivost vseh zgoraj navedenih satelitskih posnetkov je povprecno dva dni! V praksi pa vsi sateliti še zdalec ne snemajo vseh obmocij na Zemlji tako pogosto. Ce upoštevamo posnetke z nicelno oziroma nizko stopnjo oblacnosti ter dovolj majhnim kotom snemanja, je pokritost vseh obmocij v Sloveniji vsaj en posnetek na leto, kar je pogosteje kot DOF. Radiometricna locljivost pove, kako dobro sistem locuje majhne razlike v energiji valovanja oziroma koliko razlicnih sivin (barv) lahko poda. Izražamo jo v bitih, tako je na primer 8-bitna, 11-bitna ... Za vizualno podlago je dovolj, ce so vrednosti odboja podane v razponu med 0 in 255, saj cloveško oko težko zazna višjo locljivost. Takšnemu razponu ustreza 8-bitna radiometricna locljivost. Vsi satelitski posnetki, ki jih navajamo, to radiometricno locljivost celo presegajo. Predobdelava posnetkov je postopek odstranitve nepravilnosti in pomanjkljivosti posnetkov, ki ga izvajamo pred njihovo nadaljnjo obdelavo, kot sta analiza in interpretacija. Predobdelava sestoji iz ra­diometricnih popravkov, pri katerih skušamo odpraviti nepravilnosti v delovanju senzorja in odstraniti vpliv atmosferskih šumov, ter geometricnih popravkov, ki vkljucujejo odstranjevanje popacenja zaradi geometrije snemanja in ortorektifikacijo. Radiometricni popravki so obicajno pri komercialnih satelitskih posnetkih že izvedeni. Posnetki so (lahko) pripravljeni tako, da jih uporabnik takoj uporabi. Poleg tega za vizualni pregled posnetka niso bistvenega pomena. Od geometricnih popravkov je treba omeniti predvsem kakovost ortorektifikacije. Za DOF, izdelan po letu 2017, je zahtevana geometricna tocnost predpisana v skladu s standardom ASPRS, in sicer 1,21 metra, s stopnjo zaupanja 95 %. V praksi ocenjujemo, da DOF položajno ne odstopa za vec kot 0,2 metra. Vse obravnavane satelitske posnetke lahko dobimo ortorektificirane, a pri vecini ne gre za ortorektifikacijo na ravni DOF-a. Proizvajalci vecinoma uporabljajo model reliefa z nizko locljivostjo in posnetke geolocirajo s tocnostjo nekaj pikslov, kar pomeni, da zagotavljajo položajno tocnost od štiri do deset metrov. Vecinoma je položajna tocnost višja od navedene. Vsekakor moramo kakovost geolokacije satelitskih posnetkov upoštevati – še posebej pri njihovi skupni uporabi z drugimi sloji prostorskih podatkov (sliki 2 in 3). Slika 2: Primer geometricne tocnosti satelitskega posnetka. Prostorsko ujemanje podatkov katastra stavb (oranžni poligoni) in hišnih številk (zelene tocke) (oboje eGP, 2021) in podatkovnega sloja Google Satellite (Google, 2021a) je zelo dobro. Ker obmocje Slovenije ni zvezno pokrito s satelitskimi posnetki istega ponudnika in istega datuma, si v praksi pomagamo z mozaicenjem, krpanjem. Mozaicenje iz posameznih posnetkov navidezno ustvari enega samega. Na sliki 3 so na primer posnetki treh razlicnih datumov, zelo verjetno tudi razlicnih satelitskih sistemov. Dobro je, da je s posnetki prekrito celotno obmocje, žal pa so zaradi radiometricne neusklajenosti vidni prehodi (razlicne barve). Na detajlu slike 3 je razvidno tudi, da geometricna tocnost žal lahko odstopa tudi nekaj metrov. Slika 3: Mozaik posnetkov treh razlicnih datumov. Razvidna je radiometricna in geometricna neusklajenost med posnetki. Vir mozaika: Google Earth Pro (Google, 2021b). Mozaiki so v glavnem namenjeni vizualni interpretaciji posnetkov. Najlažje je uporabiti mozaik, ki ga je izdelal ponudnik. Izdelava v lastni režiji zahteva nekaj vec znanja s tega podrocja. Zelo visokolocljivi satelitski posnetki so torej glede na njihovo prostorsko, spektralno, predvsem pa casovno locljivost zelo primerni kot dopolnilni podatki podatkom DOF. Tudi njihova geometricna predobdelava je za vecino rab zadovoljiva, zato bi jih bilo vsekakor smiselno uporabiti pri vsakdanjem delu. Ampak kako lahko do njih dostopamo? Je to prezapleteno za obicajnega uporabnika in ali niso ti posnetki zelo dragi? Na ta vprašanja odgovorimo v naslednjem poglavju. 3 DOSTOPNOST SATELITSKIH POSNETKOV Res je, zelo visokolocljivi satelitski posnetki so komercialni, torej placljivi. Vendar pa obstajajo nacini dostopa, kjer je brezplacno na voljo za ogled omejen nabor posnetkov. Vse vec je tudi možnosti prenosa izbranega posnetka za manjše obmocje za minimalni financni strošek. V nadaljevanju so podani najpo­gostejši in najenostavnejši nacini dostopa do podatkov, ki jih pri delu uporabljam tudi sama. 3.1 Splošen brezplacni ogled posnetkov v znanih aplikacijah Slika 4: Ukaz za prikaz zgodovinskih posnetkov v aplikaciji Google Earth Pro. S casovnim drsnikom lahko izbiramo prikaz posnetkov razlicnih datumov. Slika 5: Levo zgoraj: DOF 2019 (eGP, 2021). Ostalo: casovna vrsta posnetkov, ki so na voljo v Google Earth Pro za del obmocja Murske Sobote za obdobje od marca 2019 do septembra 2021 (Google Earth Pro, 2021). Kadar želimo preveriti stanje na terenu in je DOF zastarel (na primer, da nas zanima, ali so pred pol leta res porušili neko hišo), imamo možnost brezplacnega ogleda posnetkov v znanih aplikacijah, kot so Google Zemljevidi (Google Maps), Google Zemlja (Google Earth), Google Earth Pro, Mapbox, Esri World Imagery, Bing Maps, HERE Maps, USGS Earth Explorer, Apple Maps in druge. Vsaka ima svoje prednosti in slabosti. Za potrebe vpogleda v posnetke predlagam Google Zemljevide in Google Earth Pro. Google Zemljevidi (Google Maps, 2021) je prosto dostopna spletna aplikacija s prostorskimi podatki in zemljevidi, med drugim tudi satelitskimi posnetki. Slednji niso posodobljeni v realnem casu, vendar po zagotovilu ponudnika niso starejši od treh let. V tej aplikaciji podrobni podatki (metapodatki) o posnet­kih niso na voljo. Google Zemljevidi so zaposlenim na Gursu že znani in jih že uporabljajo pri delu. Prav tako s pridom izkoristijo v aplikacijo integrirane ulicne vpoglede/fotografije (Google Street View), ki so velikokrat zelo dobrodošla informacija o stanju na terenu. Žal so za vecino Slovenije na voljo vpogledi iz leta 2013. Sveže (v prejšnjih letih zajete) vpoglede že vsi nestrpno pricakujemo. Google Earth Pro (Google Earth Pro, 2021) si je treba v nasprotju z Googlovimi Zemljevidi prenesti na racunal­nik kot namizni program. Prenos je brezplacen. Google Earth Pro ima v primerjavi z Google Zemljevidi veliko naprednejših funkcij, na primer uvoz in izvoz podatkov GIS, merjenje razdalj, risanje poligonov, oznacevanje lokacij idr. Za namen, ki ga opisujemo v tej razpravi, pa je najpomembnejši ogled zgodovinskih posnetkov. Klik na ikono »Ura« (slika 4) odpre drsnik, kjer lahko izbiramo iz casovne vrste posnetkov razlicnih datumov. Ti posnetki so zelo visokolocljivi in vecinoma posneti veliko pogosteje, kot je izdelan DOF. Za razlicna obmocja naše države je na voljo razlicno število posnetkov ob razlicnih datumih. Za primer so na sliki 5 prikazani izseki posnetkov obmocja Murske Sobote, kjer je od marca 2019 do septembra 2021 na Google Earth Pro na voljo kar enajst posnetkov. V primerjavi z DOF (na sliki levo zgoraj) njihova prostorska locljivost ne zaostaja, zato ga posnetki zaradi višje casovne locljivosti pomembno dopolnjujejo. 3.2 Uporaba spletnih storitev in vticnikov v GIS-aplikacijah Za uporabnike GIS-aplikacij (QGis, ArcGIS ipd.) sta najbolj prakticna vnos posnetkov prek spletnih kartografskih storitev WMS/WMTS ali uporaba vticnikov OpenLayer Plugin in Quick Map Services ter atlasa ArcGIS Living Atlas, kjer imamo poleg bogatega nabora drugih kart na voljo tudi mozaike in druge hibridne karte satelitskih posnetkov razlicnih ponudnikov. Bistvo odprtja podatkovnega sloja v GIS-apli­kaciji je kombinacija podatkovnega sloja s podatki drugih evidenc (primer na sliki 2). Za GURS bi bilo idealno, ce bi imeli v pregledovalniku novega informacijskega sistema možnost vpogleda v zgodovinske zelo visokolocljive satelitske posnetke, ki so na nekem obmocju na voljo. 3.3 Ogled/prenos placljivih posnetkov na razlicnih platformah Zelo visokolocljivi satelitski posnetki praviloma niso brezplacni. Brezplacno so na ogled v zgoraj nave-denih aplikacijah ali pa so prek spletnih storitev in vticnikov na voljo le v zelo omejenem številu. Cetudi nam je to velikokrat dovolj, se morda lahko zgodi, da bi potrebovali cisto svež posnetek ali posnetek iz dolocenega casovnega obdobja. Na zacetku obstoja satelitskih posnetkov je bilo mogoce kupiti le celoten posnetek. Posledicno je bila cena nakupa zelo visoka, datoteka zelo velika, poleg tega je bilo pravilo-ma treba posnetek predobdelati. Danes je nakup posnetkov enostavnejši. Na voljo je vse vec spletnih platform, ki uporabnikom omogocajo, da izberejo geografsko obmocje, za katero želijo kupiti satelitski posnetek, navedejo želeno casovno okno, vrsto in stopnjo obdelave posnetka, stopnjo oblacnosti ipd. Veliko platform omogoca tudi razlicne analize, ki jih je mogoce izvesti nad podatki. Od enostavnih, kot je izracun spektralnega indeksa, do zapletenejših, kot je objektna segmentacija stavb. Na sliki 6 je primer nakupa posnetka za manjši del naselja v spletni platformi Land Viewer (Land Viewer, 2021). Z ustreznim orodjem izberemo želeno obmocje, vrsto posnetka (v tem primeru Pleiades) in casovno okno, nato pa glede na predogled in osnovne metapodatke izberemo posnetek. Ko placamo (enostaven postopek spletnega placila), se v platformi odpre izbran posnetek, ki ga lahko shranimo. Slika 6: Nakup posnetka v spletni platformi Land Viewer. Kot je razvidno s slike 6, je bila cena nakupa prikazanega obmocja 1,35 USD (1,19 EUR), kar je do-segljivo za vsak žep. Z vecanjem obmocja se cena sicer sorazmerno zvišuje, a še vedno znaša le okrog 50 EUR za obmocje srednje velikega mesta. Land Viewer seveda ni osamljena platforma za pridobitev cenovno dostopnih zelo visokolocljivih satelitskih posnetkov. Dobro uveljavljene so tudi platforme UP42 (UP42, 2021), z možnostjo uporabe odprtih kod za razlicne prostorske analize, Maxar DigitalGlobe (Maxar, 2021), OneAtlas Living Library (OneAtlas, 2021), SecureWatch (SecureWatch, 2021), Apollo Mapping (Apollo Mapping, 2021), po novem pa lah­ko zelo visokolocljive posnetke kupimo tudi na platformi SentinelHub (SentinelHub, 2021), platformi slovenskega podjetja Sinergise. 4 SKLEP Ali lahko zelo visokolocljivi satelitski posnetki uspešno dopolnjujejo DOF? Lahko. Ali lahko do njih enostavno dostopamo? Lahko. Tudi brezplacno? Lahko. Ali naj pri svojem delu uporabim te posnetke, kadar potrebujem vecjo ažurnost? O tem ni dvoma. Vseeno je treba opozoriti, da brezplacni podatkovni sloji, kot so podatki ponudnika Google, niso dopustni kot uradni podatkovni sloji pri izdelavi kart. Pri morebitnem izdajanju podatkov je obvezno navesti vir podatka. Vzemite si cas, spoznajte se s posnetki in izvedenimi izdelki, izgubite morebitni strah pred »novimi« tehnologijami, ki nezadržno pronicajo v vse pore našega dela. Satelitska snemanja zemeljskega površja so podrocje, ki v zadnjih letih bliskovito napreduje. Tovrstnih satelitskih sistemov je vse vec, njihove lastnosti se izboljšujejo, podatkov je vse vec, njihove cene se znižujejo, dostop do podatkov in tudi analiz je vse enostavnejši. Uporabimo te posnetke in izvedene izdelke vsaj za vizualno ozadje. Ko se bomo z njimi bolje »spoznali«, pa si bomo zagotovo zaželeli izkoristiti njihov polni potencial. Naj vas za konec malce razvnamem z nekaj podrocji, kjer so se daljinsko zaznani posnetki že izkazali kot nepogrešljiv podatkovni sloj: kartiranje posledic naravnih nesrec in analiza škode, sledenje sezonskim pojavom, kmetijstvo (spre­mljanje vrste in stanja poljšcin, vlage tal, kontrola upravicenosti subvencij), odkrivanje invazivnih vrst rastlin, spremljanje stopnje razrašcanja in ucinkovitosti zatiranja, študija dinamike razvoja in procesov v gozdovih, lociranje mestnih toplotnih otokov, opazovanje morskih površin (nadzor ribolova, naftnih izlivov, nezakonitih plovil), kartiranje neformalnih naselij, opazovanje arheoloških najdišc, analiza zgo­ dovinske pokrajine … Ste za? Literatura in viri: Apollo Mapping (2021). Spletna aplikacija Apollo Mapping. https://apollomapping. com/, pridobljeno 17. 11. 2021. eGP (2021). Portal Prostor – e-Geodetski podatki. Geodetska uprava Republike Slovenije, https://egp.gu.gov.si/egp/, pridobljeno 18. 6. 2021. Google (2021a). Podatkovni sloj Google Satellite, prikazan v QGIS, pridobljeno 18. 6. 2021. Google (2021b). Podatkovni sloj Google Satellite, prikazan v Google Earth Pro, pridobljeno 12. 11. 2021. Google Maps (2021). Aplikacija Google Maps. https://www.google.com/maps/, pridobljeno 17. 11. 2021. Google Earth Pro (2021). Namizni program Google Earth Pro, pridobljeno 17. 11. 2021. Land Viewer (2021). Spletna platforma Land Viewer, dostopna na https://eos.com/ lv/, pridobljeno 17. 11. 2021. Maxar (2021). Spletna aplikacija Maxar DigitalGlobe. https://discover.digitalglobe. com/, pridobljeno 17. 11. 2021. OneAtlas (2021). Spletna aplikacija OneAtlas Living Library. https://oneatlas.airbus. com/service/living-library, pridobljeno 17. 11. 2021. Oštir, K. (2006). Daljinsko zaznavanje. Ljubljana: Založba ZRC. DOI: https://doi. org/10.3986/9789612545215. Pleiades (2021). Pleiades. https://www.intelligence-airbusds.com/imagery/ constellation/pleiades/, pridobljeno 5. 10. 2021. SecureWatch (2021). Spletna aplikacija SecureWatch. https://www.digitalglobe. com/products/securewatch?utm_source=blog&utm_medium=organic, pridobljeno 17. 11. 2021. SentinelHub (2021). Spletna aplikacija SentinelHub. https://www.sentinel-hub.com/, pridobljeno 17. 11. 2021. SPOT (2021). SPOT. https://www.intelligence-airbusds.com/imagery/constellation/ spot/, pridobljeno 5. 10. 2021. Švab Lenarcic, A. (2020). Pticji pogled z druge perspektive. Geodetski vestnik, 64 (3), 423–429. http://www.geodetski-vestnik.com/64/3/gv64-3_svab.pdf, pridobljeno 11. 11. 2021. UP42 (2021). Spletna aplikacija UP42. https://up42.com/, pridobljeno 17. 11. 2021. dr. Andreja Švab Lenarcic, univ. dipl. inž. geod. Obmocna geodetska uprava Murska Sobota Murska Sobota, Lendavska ulica 18, SI-9000 Murska Sobota e-naslov: andreja.svab-lenarcic@gov.si IZZIVI RAZVOJA CHALLENGES OF INFORMACIJSKE REŠITVE V INFORMATION SOLUTION PODPORO UPRAVLJANJU DEVELOPMENT IN SUPPORT NEPREMICNIN JAVNIH OF PUBLIC INSTITUTIONS’ INŠTITUCIJ FACILITY MANAGEMENT Miran Ferlan, Anka Lisec, Jernej Tekavec, Miran Janežic, Helena Žnidaršic, Samo Drobne 1 UVOD Kakovostni in celoviti podatki o pravnih in fizicnih lastnostih nepremicnin so izrednega pomena za upravljanje nepremicnega premoženja. Države dejavno razvijajo rešitve za kakovosten javni zemljiški oziroma nepremicninski informacijski sistem. Slednjega lahko opredelimo kot sistem za najpodrobnejše pravno-administrativno strukturiranje prostora ter upravljanje mej pravic, omejitev in obveznosti na nepremicninah ter sistem za zajemanje, vzdrževanje, analize in posredovanje podatkov o nepremicninah in pravicah na njih (Enemark, 2008; Zupan et al., 2014). V zadnjem desetletju je na mednarodni ravni zaznati velik napredek pri poenotenju usmeritev na podrocju sistema javne nepremicninske administra­cije. Leta 2012 je bil med drugim sprejet mednarodni standard na podrocju zemljiške administracije LADM (ISO, 2012), ki je utemeljen na izhodišcih vizije katastra s konca prejšnjega stoletja (Kaufmann in Steudler, 1998). Novejše razvojne usmeritve na podrocju sistema zemljiške oziroma nepremicninske administracije naslavljajo izzive prostorskih informacijskih sistemov v treh (3D) ali štirih (4D) razsežno­stih, ki omogocajo celovito upravljanje podatkov o nepremicninah in podporo odlocanju pri upravljanju nepremicnin (Ellul et al., 2018; Cemellini et al., 2020; Norado et al., 2020; Tekavec, Ceh in Lisec, 2021). Smernice na podrocju upravljanja nepremicnin v evropskem in širšem prostoru v povezavi s Slovenijo je obravnavalo vec avtorjev (Lipej, 2001; Kupic, Mivšek in Kogovšek, 2001; Zupan et al., 2014; Lipej, 2015; Drobež et al., 2016; Tekavec et al., 2021). Uradne nepremicninske evidence pa žal pogosto ne zagotavljajo celovitih informacij o stanju nepremic­nin, ki so potrebne za sprejemanje odlocitev pri njihovem upravljanju in rabi. To je velik izziv predvsem za institucije, ki upravljajo vec nepremicnin. Take organizacije pogosto nimajo dobrega pregleda nad celotnim fondom nepremicnin, s katerimi razpolagajo, predvsem pa manjkajo pomembni podatki o nepremicninah, ki so kljucni za upravljanje z njimi. Vecji lastniki nepremicnin lahko sicer razvijejo lasten nepremicninski informacijski sistem, ki omogoca shranjevanje, arhiviranje, posodabljanje in analiziranje dokumentacijskega gradiva in podatkov o nepremicninah, s katerimi upravljajo. V Sloveniji se lastniki, ki imajo v lasti in/ali upravljanju vec nepremicnin, spopadajo z velikimi izzivi že pri sami vzpostavitvi podatkovne zbirke in vzdrževanju temeljnih podatkov o pravnih in fizicnih lastnostih nepremicnin, saj ni mogoce enostavno prevzemati podatkov za množico nepremicnin iz uradnih nepremicninskih evidenc. Pri tem imamo v mislih predvsem podatke javnih registrov zemljiškega katastra in katastra stavb ter jav­ne podatkovne zbirke registra nepremicnin Geodetske uprave Republike Slovenije (GURS) in podatke zemljiške knjige, ki je javna knjiga v okviru sodnega sistema. Med vecje lastnike oziroma upravljavce nepremicnin v Republiki Sloveniji štejemo tudi številne javne institucije, kot so ministrstva, ki se zaradi omejenega dostopa do informacij, kljucnih za sprejemanje odlocitev, prav tako spopadajo z velikimi izzivi pri upravljanju nepremicnin ter nacrtovanju dejavnosti in investicij. Ministrstvo za pravosodje Republike Slovenije (MP RS) je s ciljem zasnove sodobnega nepremicninskega informacijskega sistema v podporo odlocanju pri upravljanju nepremicnin razpisalo in sofinanciralo ciljni raziskovalni projekt CRP z naslovom Vzpostavitev vecnamenske evidence podatkov o nepremicninah in prostorskega informacijskega sistema za nepremicnine v lasti Republike Slovenije in v upravljanju Ministrstva za pravosodje (NEPIS-MP). Namen tega prispevka je predstaviti glavne rezultate projekta. To so izzivi in izhodišca za vzpostavitev sodobnega nepremicninskega informacijskega sistema MP RS. Projekt, ki je potekal med 1. 11. 2019 in 31. 10. 2021, sta izvajala Fakulteta za gradbeništvo in geodezijo Univerze v Ljubljani (koordinatorka) in Geodetski inštitut Slovenije (glej Drobne et al., 2021). 2 IZHODIŠCA ZA ZASNOVO NEPREMICNINSKEGA INFORMACIJSKEGA SISTEMA Nepremicnine v lasti ali upravljanju se pogosto obravnavajo kot sestavni del poslovnih potreb organizacije za opravljanje njenih kljucnih poslovnih dejavnosti in so nujen sestavni del poslovnega oziroma financnega procesa nacrtovanja organizacije. Glavni izzivi upravljanja nepremicnin, kar velja tudi za nepremicnine v državni lasti, so povezani z izboljšanjem kakovosti delovnega okolja, dostopnostjo, zmanjšanjem stro­škov vzdrževanja stavb ali obvladovanjem negativnih vplivov na okolje, kot so poraba energije, emisije in odpadki. Na splošno obsega upravljanje nepremicnin celovito obravnavo nepremicnine kot entitete v prostoru, vkljucno z vzdrževanjem stavb, gradnjo, funkcionalnostjo in ustreznimi podpornimi storitvami. Kompleksnost celovitega upravljanja nepremicnin ter razvoj sodobne, tehnološko povezane družbe nujno zahteva poznavanje obstojecega stanja procesov in podatkov ter razumevanje strateškega nacrtovanja in razvoja informacijskih rešitev. Raznolikost deležnikov in njihovih pricakovanj dodatno pogojuje razvoj pametnih informacijskih rešitev, ki so sposobne medsebojne povezave in izmenjave podatkov. Infor­matizacija upravljanja nepremicnin zagotavlja podatkovno podlago za ucinkovito odlocanje, podporo procesom in pomoc (znanje) v izvedbi: – Podatkovna podlaga za ucinkovito odlocanje v praksi pomeni dostop do osnovnih (zakonodajno predpisanih) in vseh drugih podatkov, potrebnih za odlocanje, s hkratnim dostopom do metapodatkov. – Podpora procesom v obliki vodenja procesnih podatkov in stanj posameznega procesa; v ta sklop spadajo tudi vse statisticne poizvedbe in poslovne poizvedbe za boljše upravljanje. – Pomoc (znanje) v operativni izvedbi pomeni izboljšanje uporabniške izkušnje z dodatnimi pojasnili in razlogi ob posameznem izvedenem dejanju. V osnovi lahko procese celovitega upravljanja nepremicnin delimo na: – procese nacrtovanja izgradnje, ki obsegajo vse procese od trenutka odlocitve o izgradnji do prip­ravljene ustrezne dokumentacije za gradnjo; z namenom pridobivanja dovoljenj, soglasij se razvijejo ustrezni informacijski protokoli izmenjave podatkov; – procese graditve in spremljanja gradnje oziroma pridobivanja nepremicnine, ki vsebujejo vse procese, povezane s samo gradnjo in njenim nadzorom, ter hkrati vse faze in podatke v procesih nepremicninskih transakcij (nakup, prodaja itd.); – procese izkorišcanja in vzdrževanja, ki obsegajo procese, povezane z zasedenostjo, morebitnim oddajanjem, opremljenostjo in vzdrževanjem itd.; – procese investicij, ki so procesi, povezani z znatnim povecanjem življenjske dobe objekta, njegove vrednosti objekta in/ali uporabnosti; – podporne storitve, ki so storitve in procesi, povezani z varnostnimi shemami, zašcito osebnih po­datkov, nacinom vzdrževanja podatkov, kontrolo kakovosti in arhiviranjem zgodovine po procesih in virih. 2.1 Tehnološki izzivi Iskanje tehnoloških rešitev za uporabo v konkretnih primerih se velikokrat izkaže za zelo zahtevno opravilo. Z upoštevanjem aktualnega stanja evidentiranja nepremicnin in rabe podatkov v njihovem upravljanju je ob prenovi procesov smiselno upoštevati preizkušene tehnologije, ki so že v uporabi na podobnih podrocjih in v procese upravljanja prinesejo operativne izboljšave. Predlog uporabe tehnologij pokriva celoten razpon od nacrtovanja podatkovnih struktur do vizualizacije rezultatov (preglednica 1). Preglednica 1: Predlog tehnologij, ki jih je smotrno vkljuciti v nacrtovanje informacijskega sistema. Geografski informacijski sistemi (GIS) in GeoBIM Spremembe v podatkovnih strukturah in njihovih povezavah Skenerji za 3D-zajem in modeliranje podatkov Zajem in modeliranje dodatnih podatkov o objektu upravljanja Tehnologija 5G in internet stvari (IoT) Zajem dodatnih podatkov v stvarnem casu o objektu upravljanja Podatkovna analitika Priporocila in pomoc za boljše upravljanje Izboljšana (obogatena) resnicnost (AR) Vizualizacija podatkov V zadnjih letih je opazen velik tehnološki napredek na podrocjih informacijskega modeliranja grad-nje BIM, katerega podlaga je podrobni 3D-podatkovni model. Razvijajo se tudi tehnologije za zajem in modeliranje 3D-prostorskih podatkov v stavbah (Tekavec, Ceh in Lisec, 2020). 3D-modeliranje notranjosti stavb odpira priložnosti za številne nove aplikacije, kot so zašcita in reševanje, navigacija, registracija pravic, lokacijske storitve, ocenjevanje vrednosti ipd. Uporaba rešitev BIM pri evidentiranju nepremicnin je le uporaba/podaljšanje obstojecih trendov nacrtovanja zgradb. Tehnologija je že dolgo prisotna v nacrtovanju, vendar pa v Sloveniji še ni zaživela. Kljub temu se predvsem pri novogradnjah v prihodnje pricakuje podatkovni model stavbe, skladen s konceptom BIM, ki ga je mogoce nadalje uporabiti v podporo upravljanju nepremicnin. Pri tem se srecujemo z izzivi uporabe podatkov BIM v prostorskih informacijskih sistemih, saj so koncepti modeliranja v okoljih BIM in GIS zelo razlicni (Norado et al., 2020). Na podlagi podatkov državnih evidenc, statisticnih podatkov in lastnih podatkov upravljavca (lastne zbirke upravljanja, podatki senzorjev) je danes mogoce zasnovati ustrezno podatkovno analitiko, ki zagotavlja informacijsko podporo za lažje odlocanje in uvedbo novih agilnih storitev upravljanja nepremicnin – tako na ravni vzdrževanja in investicij v nepremicnine kot na ravni transparentne uporabe nepremicnin. Ob razširjenem modelu stavb, dodatnih podatkih v stvarnem casu (internet stvari) in podatkovni analitiki se tako imenovana obogatena resnicnost izkaže kot zanimiva rešitev za lažje iskanje in pregled zbranih podatkov in analiz, vse pomembnejšo vlogo pa ima ta tehnologija tudi pri upravljanju nepremicnin (Chen et al., 2020). 2.2 Izzivi podatkovnega modeliranja Sodoben nepremicninski informacijski sistem upravljavca vec nepremicnin predvsem zahteva rešitev, ki sloni na tehnologiji geografskih informacijskih sistemov – GIS. Glavna prednost takega pristopa je, da so vsi (prostorski) nepremicninski podatki predstavljeni v enotnem prostorskem referencnem sistemu, kar omogoca njihovo povezovanje z drugimi prostorskimi podatkovnimi nizi v istem referencnem ko­ordinatnem sistemu. Prostorska podatkovna zbirka, kot del takega nepremicninskega informacijskega sistema, tako vkljucuje geometricne (prostorsko in geometrijsko opredeljene) in opisne podatke o nepremicninah. Za predstavitev konceptualnega in logicnega modela informacijskega sistema s podat­kovnega in procesnega vidika priporocamo uporabo standardnega jezika za modeliranje UML (angl. Unified Modelling Language), ki med drugim doloca standardne diagrame za predstavitev razlicnih vidikov informacijskega sistema. 2.3 Izzivi procesnega modeliranja Modeliranje postopkov, ki jih mora podpirati sodoben nepremicninski informacijski sistem in na temelju katerih se bo tak sistem posodabljal in uporabljal, mora temeljiti na protokolu za ucinkovit popis upo­rabniške izkušnje in prednosti, ki jih takšen pristop prinaša. Z modeliranjem postopkov ugotovimo in opredelimo zahteve, tako da jih lahko vsi, ki bodo sistem uporabljali oziroma imeli nanj vpliv, razumejo in se z njimi strinjajo. Modeliranje postopkov služi kot pomoc pri nacrtovanju sistema in izbiri najpri­mernejše izvedbe. Nove tehnologije ter izredno hitra digitalna preobrazba spreminjajo tudi nacin samega modeliranja. V preteklosti se je proces modeliranja najpogosteje izvajal premocrtno v nekem zaprtem, znanem razvojnem okolju. Danes hiter razvoj narekuje spremembe v nacinu dela, kar vodi k agilnejšim metodam, ki v ospredje postavljajo koncnega uporabnika. Dodaten razmislek zahteva podatkovna pod-laga, vezana na razlicne podatkovne vire. 3 ZASNOVA NEPREMICNINSKEGA INFORMACIJSKEGA SISTEMA IN PILOTNI PRIMER Pri zasnovi vecnamenskega nepremicninskega informacijskega sistema s prostorsko podatkovno zbirko o nepremicninah v lasti Republike Slovenije in v upravljanju MP RS (NEPIS-MP) smo posebno pozornost namenili: (i) ustvarjanju podatkovne zbirke in opredelitvi njene strukture, (ii) vzdrževanju podatkovne zbirke, (iii) zagotavljanju integritete podatkov, (iv) izvajanju transakcij ter (v) zagotavljanju razpoložlji­vosti in varnosti podatkov. Zasnova nepremicninskega informacijskega sistema sloni na zamisli o morebitnim prihodnjim spremem­bam prilagodljivem modelu podatkovne zbirke. Pri tem je treba lociti med procesom zacetne vzpostavitve nepremicninskega informacijskega sistema in vzdrževanjem. Pri vzpostavitvi nepremicninskega infor­macijskega sistema smo predvsem izhajali iz podatkov uradnih nepremicninskih evidenc upravljavca. Poleg uradnih podatkov predvideva podatkovna zbirka dodatne podatke, ki so kljucni za vzdrževanje nepremicnin, in sicer te podatke delimo na (slika 1): – podatke o stavbah, kot so energetska ucinkovitost, kulturna dedišcina, potresna varnost ipd.; – podatke o procesih vzdrževanja; – podatke o investicijah. Slika 1: Zasnova nepremicninskega informacijskega sistema v podporo upravljanju nepremicnin. Slika 2: Funkcionalnost nepremicninskega informacijskega sistema – primer pregledovanja opisnih podatkov. Temeljna enota nepremicninskega informacijskega sistema je nepremicnina. Ta je lahko sestavljena iz vec delov, v osnovi pa je lahko nepremicninska enota parcela, stavba ali del stavbe, ki je nadalje sestavljen iz prostorov. Za vsako od prostorskih enot, ki sestavljajo nepremicninsko enoto, so v informacijskem sistemu predvideni opisni podatki oziroma atributi uradnih podatkovnih zbirk ali pa lastnih zbirk upravljavca. Skladno s konceptualnim modelom smo za nepremicnine, ki jih upravlja MP RS in so v lasti Republi­ke Slovenije, skupno 348 delov stavb, vzpostavili podatkovno zbirko, v katero smo vkljucili podatke uradnih nepremicninskih evidenc, informacijski sistem pa vsebuje tudi vse funkcionalnosti geografskih informacijskih sistemov (slika 2). Posebno pozornost smo namenili procesom, ki so vezani na spremembe nepremicninskih entitet – bo­disi zaradi transakcij ali pa zaradi novih gradenj. Pri razlicnih transakcijah se upravljavci nepremicnin vedno znova srecajo z izzivi prevzemanja uradnih nepremicninskih podatkov, kjer informacijske rešitve še zdalec niso prijazne za neposredno povezovanje ali pretok podatkov. Za nove gradnje pa je treba raz­viti sistematicno rešitev, da se podrobni podatki o delih stavb (BIM) evidentirajo v nepremicninskem informacijskem sistemu v obliki 3D-podatkovnih modelov. 3.1 Pilotni primer uporabe izbranega procesa Modeliranje funkcionalnosti programskih rešitev je proces, ki je namenjen preverjanju predhodno dolocenih konceptov in idej delovanja programske opreme. S samim modeliranjem se doloca nacin interakcije uporabnika s sistemom, ravno tako se detajlneje dolocijo vhodni in izhodni podatki ter os-tali parametri delovanja. Rezultat takšnega procesa je model (angl. mock-up), ki omogoca (interaktivni) vpogled v dejansko uporabo pred fazo kodiranja programske rešitve. Za modeliranje so na voljo razlicna (komercialna) orodja, ki predstavijo želeno vsebino z diagrami, vizualizacijami itd. Za modeliranje smo uporabili odprtokodno orodje Bootstrap, ki omogoca hitro modeliranje uporabniških vmesnikov. Rezultat je interaktivna (spletna) predstavitev, ki omogoca prvi (konceptualni) vpogled v predvidene funkcionalnosti informacijske rešitve. Izhodišca za modeliranje so bila: – izdelati osnovno ogrodje, v katero bodo vkljuceni razlicni moduli; – idejni prikaz razlicnih metod prikaza podatkov z upoštevanjem vplivov novih tehnologij zajema, analitike in vizualizacije podatkov; – detajlnejša izdelava procesa (podatkovna in procesna podpora) najema in vseh njegovih faz (slika 3). Slika 3: Primer zasnove vmesnika za spremljanje najemnih pogodb. 4 SKLEP V prispevku smo izpostavili trenutne izzive za upravljavce vec nepremicnin, tudi javnih institucij, pri vzpostavitvi ucinkovitega informacijskega sistema v podporo upravljanju nepremicnin. V sklepu pou­darjamo predvsem ugotovitve, ki so vezane na uradne nepremicninske evidence države. Nepremicninski informacijski sistem je dinamicno okolje, podvrženo mnogim spremembam, ki vklju-cujejo nove metode evidentiranja, povezovanje z ostalimi zbirkami, spremembe v standardih in stopnji urejenosti podatkov itd. Poleg novega informacijskega sistema katastra nepremicnin, s katerim upravljavci še niso podrobno seznanjeni, se v državni upravi aktivno izvajajo projekti razvoja povezanih informacijskih sistemov, kot so e-Prostor, Krpan, Gospodar, ki naj bi prispevali k standardizaciji in vecji vecopravilnosti uporabe podatkov. Iz tega sledijo opozorila, vezana na aktualne težave informacijskih sistemov. Sedanje informacijske rešitve katastrov in zemljiške knjige ne omogocajo samodejnega prevzemanja in posodabljanja podatkov. Novi Zakon o katastru nepremicnin (ZKN, 2021) naj bi prinesel mnogo sprememb tudi z vidika informacijskega sistema katastrov, tako se med drugim uvaja enotni sistem ka­tastra nepremicnin. Kako hitro se bodo lahko upravljavci nepremicnin s svojimi informacijskimi sistemi prilagodili novemu sistemu, je odvisno predvsem od prijaznosti novih rešitev do takih uporabnikov. Sicer za obstojece javne nepremicninske podatkovne vire velja, da so sicer prosto dostopni, a za zdaj prinašajo veliko omejitev glede samodejnega prevzemanja/uporabe uradnih podatkov v nepremicninskih informacijskih sistemih razlicnih upravljavcev nepremicnin. Upamo, da bodo nove informacijske rešitve ponudile primerne odgovore na te izzive. Za konec naj omenimo še izzive glede neustrezne podrobnosti modeliranja stavb v uradnih nepremicnin­skih evidencah. Obstojeci etažni nacrti, ki se izdelajo in na Gursu shranijo v podatkovno zbirko katastra stavb, ne zagotavljajo dovolj podatkov za 3D-podatkovno modeliranje in kakovostno informacijsko pod-poro odlocanju pri upravljanju nepremicnin. Za kakovostne 3D-modele stavb je treba pridobiti/izdelati podrobnejše podatkovne nize. Slednji lahko slonijo na informacijskem modeliranju stavb (BIM), a je treba opredeliti vsebino BIM za namene uporabe teh podatkov v 3D-nepremicninskih podatkovnih zbirkah. Zahvala Projekt V2-1946 z naslovom Vzpostavitev vecnamenske evidence podatkov o nepremicninah in prostorskega informacijskega sistema za nepremicnine v lasti Republike Slovenije in v upravljanju Ministrstva za pravo­sodje (NEPIS-MP) sta financirala Javna agencija za raziskovalno dejavnost Republike Slovenije (ARRS) in Ministrstvo za pravosodje RS (MP) v okviru projektnega razpisa Ciljni raziskovalni program »CRP 2019« v letu 2019. Vir in literatura: Cemellini, B., van Oosterom, P., Thompson, P., de Vries, M. (2020). Design, development Drobež, P., Grigillo, D., Lisec, A., Kosmatin Fras, M. (2016). Remote sensing data as and usability testing of an LADM compliant 3D Cadastral prototype system. a potential source for establishment of the 3D cadastre in Slovenia. Geodetski Land use Policy, 98. DOI: https://doi.org/10.1016/j.landusepol.2019.104418 vestnik, 60 (3), 392–422. DOI: https://doi.org/10.15292/geodetski­ vestnik.2016.03.392-422 Chen, K., Yang, J., Cheng, J. C. P., Chen, W., Ting Li, C. (2020). Transfer learning enhanced AR spatial registration for facility maintenance management. Automation in Drobne, S., Janežic, M., Lisec, A., Žnidaršic, H., Ferlan, M., Tekavec, J., Oštir, K., Construction, 113. DOI: https://doi.org/10.1016/j.autcon.2020.103135 Trobec, B., Fetai, B., Primožic, E., Tic, K. (2021). Vzpostavitev vecnamenske evidence podatkov o nepremicninah in prostorskega informacijskega sistema za nepremicnine v lasti Republike Slovenije in v upravljanju Ministrstva za pravosodje (NEPIS-MP). Koncno porocilo, 29. oktober 2021. Ellul, C., Stoter, J., Harrie, L., Shariat, M., Behan, A., Pla, M. (2018). Investigatinf the State of Play of GeoBIM across Europe. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLII4/W10. DOI: https://doi.org/10.5194/isprs-archives-XLII-4-W10-19-2018 Enemark, S. (2008). Land management in support of the millennium development goals. Property Management. Emerald Group Publishing Limited, 26 (4). DOI: https://doi.org/10.1108/pm.2008.11326daa.001 ISO (2012). ISO 19152:2012: Geographic information – Land Administration Domain Model (LADM). Geneva, Switzerland, 118 str. https://www.iso.org/ standard/51206.html, pridobljeno 5. aprila 2020. Kaufmann, J., Steudler, D. (1998). Cadastre 2014: A Vision for Future Cadastral System, FIG Publication. Rüdlingen in Bern: International Federation of Surveyors (FIG). https://www.fig.net/resources/publications/figpub/cadastre2014/translation/ c2014-english.pdf, pridobljeno 12. novembra 2020. Kupic, A., Mivšek, E., Kogovšek, A. (2001). Pregled razvoja digitalnih baz zemljiškega katastra v zadnjem desetletju. Geodetski vestnik, 45 (3), 191–201. Lipej, B. (2001). Usmeritve pri upravljanju z nepremicninami v evropskem in širšem prostoru. Geodetski vestnik, 45 (3), 181–190. DOI: https://doi.org/10.15292/ geodetski-vestnik.2015.02.262-274 Lipej, B. (2015). Benchmarking sistemov za upravljanje nepremicnin. Geodetski vestnik, 59 (2), 262–274. http://www.dlib.si/?URN=URN:NBN:SI:DOCLDYISL5V Noardo, F., Harrie L., Arroyo Ohori, K., Biljecki, F., Ellul, C., Krijnen, T., Eriksson, H., Guler, D., Hintz, D., Jadidi, M. A., Pla, M., Sanchez, S., Soini, V. P., Stouffs, R., Tekavec, J., Stoter, J. (2020). Tools for BIM-GIS integration (IFC georeferencing and conversions) – results from the GeoBIM benchmark 2019. ISPRS international journal of geo-information, 9, 1–33. DOI: https://doi.org/10.3390/ijgi9090502 Tekavec, J., Ceh, M., Lisec, A. (2021). Indoor space as the basis for modelling of buildings in a 3D Cadastre. Survey review, 53 (380), 464–475. DOI: https:// doi.org/10.1080/00396265.2020.1838761 Tekavec, J., Pogorelcnik, E., Kržan, A., Lisec, A. (2021). Towards 3D-Real property cadastre in Slovenia. V: E. Kalogianni, A. Abdul-Rahman, P. Oosterom, M. van Johannes (ur.), Proceedings, 7th International FIG Workshop on 3D Cadastres, 11–13 October 2021, New York, United States. Copenhagen: International Federation of Surveyors. str. 263–274. DOI: https://doi.org/10.4233/ uuid:4d69d151-e0f3-4c16-af13-787d93f83e33 Zupan, M., Lisec, A., Ferlan, M., Ceh, M. (2014). Razvojne usmeritve na podrocju zemljiškega katastra in zemljiške administracije. Geodetski vestnik, 58 (4), 710–723. DOI: https://doi.org/10.15292/geodetski-vestnik.2014.04.710-723 viš. pred. Miran Ferlan, univ. dipl. inž. geod. Univerza v Ljubljani, Fakulteta za gradbeništvo in geodezijo Jamova cesta 2, SI-1000 Ljubljana e-naslov: miran.ferlan@fgg.uni-lj.si izr. prof. dr. Anka Lisec, univ. dipl. inž. geod. Univerza v Ljubljani, Fakulteta za gradbeništvo in geodezijo Jamova cesta 2, SI-1000 Ljubljana e-naslov: anka.lisec@fgg.uni-lj.si asist. dr. Jernej Tekavec, univ. dipl. inž. geod. Univerza v Ljubljani, Fakulteta za gradbeništvo in geodezijo Jamova cesta 2, SI-1000 Ljubljana e-naslov: jernej.tekavec@fgg.uni-lj.si Miran Janežic, univ. dipl. inž. geod. Geodetski inštitut Slovenije Jamova cesta 2, SI-1000 Ljubljana e-naslov: miran.janezic@gis.si Helena Žnidaršic, univ. dipl. inž. geod. Geodetski inštitut Slovenije Jamova cesta 2, SI-1000 Ljubljana e-naslov: helena.znidarsic@gis.si doc. dr. Samo Drobne, univ. dipl. inž. geod. Univerza v Ljubljani, Fakulteta za gradbeništvo in geodezijo Jamova cesta 2, SI-1000 Ljubljana e-naslov: samo.drobne@fgg.uni-lj.si KATASTRSKE IZMERE V CADASTRAL MEASUREMENTS PREKMURJU – ZGODOVINSKI IN PREKMURJE – HISTORICAL ZAPISI NOTES Joc Triglav 1 UVOD Na 49. Geodetskem dnevu, ki je bil 16. septembra letos v Kopru (Geodetski dan, 2021), so bila v uvo­dnem delu v prispevku z naslovom Kataster v Prekmurju – pogled v zgodovino in pogled naprej (Triglav, 2021) predstavljena nekatera kljucna dejstva in podatki o katastru v Prekmurju od njegovega nastanka do današnjih dni. Predstavljen je bil zgodovinski okvir katastra v Prekmurju, s poudarkom na prvi katastrski izmeri, ki se je tam izvedla med letoma 1856 in 1865. Z nekaj primeri je bilo ponazorjeno, kako je zaradi neupoštevanja temeljne vloge katastra kakovost katastrskih podatkov v slabem stoletju po prvi izmeri pristala na samem dnu uporabnosti. Kataster je postal neuporaben in potrebne so bile nove katastrske izmere. V osrednjem delu prispevka je bil zato kronološko predstavljen potek izvajanja novih katastrskih izmer (slika 1) in komasacij (slika 2) na obmocju današnje Geodetske pisarne Murska Sobota. Slika 1: Pregledna karta razvrstitve katastrskih obcin na obmocju današnje Geodetske pisarne Murska Sobota po casovnih obdobjih glede na cas izvedbe novih izmer. Izdelala: Andreja Švab Lenarcic, vir podatkov: OGU Murska Sobota. Na podlagi vprašanj geodetskih kolegov v dneh po Geodetskem dnevu bodo v nadaljevanju s pomocjo vpogleda v primera ohranjenih zgodovinskih zapisov nekatera pomembna dejstva o zgodovini katastra v Prekmurju dodatno osvetljena. Slika 2: Pregledna karta izvajanja komasacij na obmocju današnje Geodetske pisarne Murska Sobota po casovnih obdobjih. Izdelala: Andreja Švab Lenarcic, vir podatkov: OGU Murska Sobota. 2 ZGODOVINSKI ZAPISI O arhivskih zakladih iz Murske Sobote je bil pred leti v Geodetskem vestniku že objavljen prispevek, pripravljen v casu selitve OGU Murska Sobota na novo lokacijo (Triglav, 2015). Takrat smo pri zbiranju gradiv za selitev v enem od pozabljenih predalov našli tudi nekaj pisne korespondence med vodstvom Geodetske uprave LRS/SRS in vodjem Katastrskega urada Murska Sobota iz prvih dveh desetletij po 2. svetovni vojni, to je iz obdobja, ko je v slovenski geodetski službi postopoma dozorelo spoznanje, da so za normalno delovanje države ter za vzpostavitev pravilnih temeljnih razmerij med lastniki nepremicnin in državo v celotnem Prekmurju nujno potrebne nove katastrske izmere. Izmed takratnih dokumentov sta v nadaljevanju predstavljena prepisa (delov) dveh zapisov, ki nazorno opisujeta zgodovinske razloge za takratno stanje v katastru v Prekmurju, utemeljitev predlogov za izvedbo celovite nove katastrske izmere in strokovna potrditev pravilnosti odlocitve za nove izmere. 3 LETO 1959 – SKUPNO POROCILO GU LRS IN KU MS Prvi predstavljeni zapis je skupno informativno komisijsko porocilo z dne 7. 11. 1959, ki sta ga v imenu komisije zapisala geodet Matija Klaric z Geodetske uprave LRS in geodet Matija Horvat, vodja Kata-strskega urada Murska Sobota (Informativno porocilo, 1959). Kljucni izsek iz porocila je prikazan na sliki 3. (Op. p.: Zapis izvirnika porocila je dostopen v digitalni pdf-obliki kot priloga k clanku v spletni razlicici Geodetskega vestnika.) Iz porocila je razvidno, da je komisija na katastrskem uradu Murska Sobota izvedla primerjavo stanja, ki ga izkazujejo nacrti nove izmere, s stanjem, ki ga izkazujejo stari nacrti graficne izmere. Komisija je ugotovila (cit.): »S primerjavo stanja na vec listih je ugotovljeno, da se nanovo posneti detajl bistveno razlikuje od prikaza detajla na starih nacrtih. Razlike obstojajo v konturah skoraj vseh parcel, obstojajo pa tudi ogromne razlike v številu parcel, kakor tudi pogoste radikalne spremembe mej katastrskih obcin. Primerjava je izvršena na listih v katastrskih obcinah Selo, Križevci, Kukec. Nesoglasje je preko 80%. Le redki so primeri, da se posamezne parcele po obliki na oko približno ujemajo. Ce je dozdevno ujemanje zares zadovoljivo, bi se lahko ugotovilo šele s povecavo ali pomanjšavo (obeh) nacrtov na isto merilo. Ker pa je soglasje tako neznatno, povecava oziroma pomanjšava na ta nacin ne pride v poštev, temvec se lahko šteje, da je izmera nanovo edina možna in pravilna rešitev za vskladitev katastra s stanjem na terenu.« (Konec citata) Slika 3: Izsek iz skupnega informativnega porocila komisije (Informativno porocilo, 1959) z dne 7. 11. 1959, ki sta ga za komisijo zapisala geodeta Matija Klaric z Geodetske uprave LRS in Matija Horvat, vodja Katastrskega urada Murska Sobota. Porocilo komisije potrjuje pravilnost odlocitve geodetske službe za izvedbo novih izmer v Prekmurju. Vir: Arhiv OGU Murska Sobota. Celotno porocilo dostopno na: http://www.geodetski-vestnik.com/images/Priloga_1_Informativ­ no_porocilo_1959.pdf Ugotovitve komisije so bile torej jasne in so utemeljile upravicenost nadaljevanja izvajanja novih izmer v Prekmurju. Iz ohranjenega arhiva takratnega dopisovanja med Geodetsko upravo LRS in Katastrskim uradom Murska Sobota so razvidni stalni obojestranski napori za skrbno planiranje in izvedbo novih izmer. Nastajali pa so obcasni zastoji v izvajanju, predvsem iz organizacijskih, kadrovskih in financnih razlogov. Število katastrskih obcin je bilo namrec veliko in je obseg dela pomenil velik zalogaj za geodetsko službo na republiški in lokalni ravni. Hkrati je bilo potrebno usklajeno sodelovanje z zemljiško knjigo, da je bil z razgrnitvami na terenu za vse nove izmere cim bolj sproti uradno vzpostavljen ne samo novi kataster, temvec nastavljena tudi nova zemljiška knjiga. Usklajevanje je bilo naporno, a pristojni organi napak iz celo stoletje dolgega neusklajenega vodenja katastra in zemljiške knjige enostavno niso smeli ponoviti. Zgodovinska lekcija teh napak je bila namrec prehuda in zelo draga, posledice napak pa zelo težke ovire za normalno delovanje upravne in sodne oblasti na republiški in lokalni ravni, pri cemer seveda ne smemo zanemariti negativnih posledic neurejenosti katastra in zemljiške knjige za lastnike nepremicnin v Prekmurju, za samo pokrajino in za družbo kot celoto. 4 LETO 1966 – DOPIS KU MS NA GU SRS Obcasno je bilo treba ob pripravi planskih dokumentov vsakokratnim pristojnim službam na republiški ravni ponoviti opis zgodovinskih razlogov in utemeljitev za nujnost nadaljevanja in dokoncanja izvedbe novih izmer v Prekmurju. Geodetska uprava LRS oziroma kasneje SRS (po letu 1965) je tudi na podlagi takih utemeljitev pridobivala soglasja ministrstev ter zakonodajnih in izvršnih oblasti za zagotovitev re-publiških proracunskih sredstev za izvedbo novih izmer. Enako velja za napore obcinskega katastrskega urada za zagotovitev obcinskih proracunskih sredstev. Primer takega opisa stanja katastra v Prekmurju je v nadaljevanju predstavljen z dopisom vodje katastrskega urada Murska Sobota vodstvu Geodetske uprave SRS. Zapis je v arhivskem dokumentu slabo berljiv, zato je za trajno in berljivo ohranitev njegove vsebine v nadaljevanju objavljen prepis zapisa v celoti. Izsek iz izvirnika dopisa je razviden na sliki 4. (Op. p.: Zapis izvirnika dopisa je dostopen v digitalni pdf-obliki kot priloga clanka v spletni razlicici Geodetskega vestnika.) Dopis vodje Katastrskega urada Murska Sobota Geodetski upravi SRS ima torej naslednjo vsebino (cit.): »SKUPŠCINA OBCINE KATASTRSKI URAD MURSKA SOBOTA Številka: 23-1966 Datum: 19/3-1966 GEODETSKA UPRAVA SRS, L J U B L J A N A ZADEVA: Dostava podatkov o novi izmeritvi zemljišc. ZVEZA: vaša št. 45/C-8/1-1966 z dne 9/3-1966­ Na obmocju sedanje obcine Murska Sobota /s 135 katastrskimi obcinami, 69.000 hektarji, 282.000 parcelami in 44.000 posestnimi listi/ je ob osvoboditvi leta 1945 obstojal zelo raznolik kataster zemljišc. Po okupaciji v letu 1941 s strani Madžarov je od takratne Katastrske uprave v Murski Soboti bil katastrski operat radi svojevrstnega nacina evidence katastra s strani Madžarov raznešen: Tehnicni del /katastrski nacrti s parcelnimi zapisniki/ na Madžarsko na zemljemersko nadzorništvo v Sombathelj, a pisemski del operata pa na sedeže tedanjih upravnih obcin. Ob osvoboditvi se je posrecilo pretežni del operata najti in pripeljati nazaj v Mursko Soboto, docim je pisemski del elaborata bil tekom vojnih dogodkov v 21 katastrskih obcinah unicen. Po osvoboditvi leta 1945 je bilo stanje sledece: a) Katastrski nacrti: za 20 katastrskih obcin so obstojali nacrti v merilu 1:2880 v letih med obema vojnama izvršene nove izmere ali tehnicne reambulacije. Nova izmera teh k.o. je bila naslonjena na budimpeštanski koordinatni sistem in je bila izvajana z ortogonalno metodo brez stabilizacije poligonskih tock. Za te katastrske obcine je bila naložena tudi nova zemljiška knjiga in se je soglasje med dejanskim stanjem, katastrom in zemljiško knjigo vseskozi vzdrževalo in se tudi sedaj vzdržuje. Za ostalih 115 katastrskih obcin so obstojali katastrski nacrti prvotne graficne izmere iz leta 1859–1860 v merilu 1:2880, ki pa se niso vzdrževali in se poznejše spremembe niso vrisovale. Tako so ti nacrti prakticno neuporabni. Od teh katastrskih obcin je še v poznejših letih 1868–1913 bila izvršena komasacija zemljišc in tako so prvotni katastrski nacrti za te katastrske obcine povsem neuporabni, a nacrtov izvršene komasacije pa urad ne poseduje, temvec le neke nepopolnjene kopije istih, ki se pa tudi niso vzdrževale. Ob izvršeni komisijski primerjavi stanja, ki ga izkazujejo nacrti poznejše nove izmere s stanjem, ki ga izkazu­jejo stari nacrti graficne izmere in v kateri komisiji so sodelovali tov. direktor Geodetske uprave KOŠIR, ing. GOLJA, KLARIC Matija in šef Katastrskega urada Murska Sobota HORVAT Matija je bilo dne 7.11.1959 ugotovljeno, da se posnetki detajla nove izmere bistveno razlikujejo od prikaza detajla na starih nacrtih in to nesoglasje presega 80%. Ob tej priliki je ugotovljeno, da je izmera nanovo edina možna in pravilna rešitev za vskladitev katastra s stanjem na terenu. Za novo izmero je še preostalo sedaj 35 katastrskih obcin s 15.000 hektarji. b) Pisemski del katastrskega operata: od 135 katastrskih obcin obmocja urada je obstojal ob osvoboditvi v letu 1945 le za 20 k.o. reden katastrski operat. Od ostalih 115 katastrskih obcin z operatom madžarskega sistema je pa tekom vojnih dogodkov, kot že receno, bil isti za 21 katastrskih obcin unicen. Radi prehoda obdavcitve dohodka od zemljišc v letu 1953 na katastrsko osnovo je bil izvršen po posebnih komisijah na osnovi obstojecih katastrskih podatkov popisni kataster s takozvanimi zacasnimi posestnimi listi, katerega je vzdrževala davcna uprava. Obenem se je pristopilo k obnovi katastrskega operata deloma s popisom in s takozvano administrativno revizijo katastra, ki naj služi za davcno osnovo vse dotlej, dokler ne bo na osnovi nove izmere izgotovljen redni katastrski operat, deloma pa se je pristopilo k novi izmeri zemljišc po posameznih katastrskih obcinah. Vse to se je moralo priceti urejevati radi velike neskladnosti pisemskega dela katastra z dejanskim stanjem. Pisemski del katastrskega operata je baziral namrec na madžarskem katastru. Ta je bil izgotovljen na osnovi podatkov graficne izmere iz leta 1859–1860 potom administrativne revizije v letu 1909–1913. To je bil neke vrste popisni kataster, ki je obstojal iz posestnih listov, vsotnika posestnih listov in parcelnega zapisnika. Spremembe so se vodile po posestnih listih. Oštevilcenje parcel v posestnih listih ni bilo identicno z obstojeci-mi katastrskimi nacrti in so tako parcele v posestnih listih bile le fiktivne. Tak kataster je služil le v fiskalne namene in se ni vodil tehnicno, ker se spremembe niso vrisovale v katastrske nacrte kot je že to bilo omenjeno. Svojo pot je zopet ubrala zemljiška knjiga, ki se je zacela osnivati po izvršenih prvotnih izmerah po letu 1860. Zemljiška knjiga ni prevzela katastrskih nacrtov, temvec si je na osnovi istih naredila svoje, v tehnicnem oziru zelo slabe, veckrat samo krokije brez kakega merila. Oštevilcenje parcel v zemljiški knjigi ni identicno s kata­strskimi nacrti, temvec je povsem svoje. Tako imamo oštevilcenje parcel v katastrskih nacrtih z enimi številkami, v posestnih listih z drugimi in v zemljiški knjigi s tretjimi. Prepisi lastništva vsled dedovanja in drugih pogodb so se vršili in se še vršijo po katastrskih obcinah brez nove izmere po lastninskih deležih. Tako imamo npr. v k.o. Vidonci v zemljiškoknjižnem vložku 46 delež 3/4768-ink, v vložku št. 177 delež 5229/95256-ink, v vložku št. 178 pa delež 1146/196800-ink. Vsled mocnega naravnega prirastka in vsled nacina prehajanja lastništva na dedice, to je da vsak otrok dobi ali podeduje svoj delež v vsaki parceli, se je posest v naravi fizicno delila, v zemljiški knjigi in katastru pa se je vodila po deležih oziroma fiktivnih parcelah. Ta nacin vodenja zemljiške knjige jasno ne more biti v skladu s katastrom in z druge strani z dejanskim stanjem in je tako postalo to nesoglasje veliko. Radi tega se z rednim vzdrževanjem katastra ni moglo odpraviti nesoglasja med dejanskim stanjem, katastrom in zemljiško knjigo, temvec se je isto nesoglasje spremenilo v nevzdržno. Radi tega je bilo potrebno priceti in je potrebno nadaljevati z edinim nacinom odprave tega nesoglasja, tj. z novo izmero zemljišc. 2) Za obmocje katastrskih obcin Pordašinci in Tešanovci je stanje sledece: Za k.o. Pordašinci je bila v letu 1909 izvršena komasacija zemljišc. Na tej osnovi je bil naložen novi katastrski operat in zemljiška knjiga v letu 1912. Ta urad poseduje reprodukcijo nacrta izvršene komasacije in je na tej osnovi izvršena v letu 1956 tehnicna revizija katastra za to obcino. Tako je vzpostavljeno soglasje med dejanskim stanjem, katastrom in zemljiško knjigo in radi tega zaenkrat ni potrebe po novi izmeri v tej katastrski obcini. Merilo = 1:2880. Za k.o. Tešanovci je bila izvršena nova izmera v letih 1936–1941 in to z ortogonalno metodo v budimpeštanskem koordinatnem sistemu. Nacrti so v merilu 1:2880. Na tej osnovi je bil izdelan novi katastrski operat in nova zemljiška knjiga ter se vzdržuje soglasje med dejanskim stanjem, katastrom in zemljiško knjigo. Stabilizacija poligonskih tock je izvršena z betonskimi kamni s podzemnim centrom, od katerih še vecina na terenu obstoja. Za potrebe izdelave osnovne državne karte bi se višinski podatki zamogli dobiti v k.o. Tešanovci z naknadnim višinomerstvom po klasicnem nacinu ali pa aerofotogrametricno. Ravno tako za k.o. Pordašinci. 3) Tukajšnji urad nima evidence, za katere katastrske obcine z novo izmero je višinsko upodabljanje bilo izvršeno, a za katere ni bilo, to pa iz razloga, ker katastrski urad ne prejme reprodukcij katastrskih nacrtov s plastnicami, temvec le one brez njih. Dodatno se vrši višinsko upodabljanje za sledece katastrske obcine: Cepinci, Neradnovci, Lucova, Adrijanci, Peskovci, Gornji Petrovci, Stanjevci, Cankova, Gerlinci in Korovci. 4) Podatki nove izmere se najbolj povoljno odražajo pri urbanizaciji, novogradnjah, podružbljanju zemljišc ter arondacijah zemljišc družbenega sektorja kakor tudi, da zadovolje obcane z ozirom na pravilno podlago pri predpisih prispevkov dohodkov od kmetijske dejavnosti. V katastrskih obcinah, kjer nova izmera še ne obstoja, ne moremo nuditi vsem navedenim koristnikom zadovoljujocih podatkov in se to ne odraža povoljno za katastrsko službo. V praksi je na vsak nacin cutiti vecjo uporabnost podatkov nove izmeritve napram starim podatkom graficnega porekla. Na obmocju nove izmeritve s fotogrametricno metodo zaenkrat ni obcutiti pomanjkanja višinskih podatkov, morda to iz razloga, ker je fotogrametricna metoda uporabljena na tukajšnjem obmocju v nižinskih predelih. Šef Katastrskega urada Matija Horvat« (konec cit.) Slika 4: Izsek iz dopisa vodje Katastrskega urada Murska Sobota z dne 19. 3. 1966, naslovljenega na Geodetsko upravo SRS, ki povzema kljucna dejstva o starih in novih katastrskih izmerah v Prekmurju (Dopis KU MS, 1966). Vir: Arhiv OGU Murska Sobota. Celotna priloga dostopna na: http://www.geodetski-vestnik.com/images/Priloga_2_Dopis_1966.pdf 5 ZAKLJUCEK V clanku predstavljena zgodovinska zapisa o katastru v Prekmurju dodatno odstirata tancico v zgodo­vinska dejstva. Pomagata nam razumeti temeljno vlogo katastra in izjemen pomen skrbnega sprotnega in kakovostnega vzdrževanja katastrskih podatkov z novimi dejstvi. Ti zgodovinski zapisi potrjujejo, da se brez medsebojno usklajenega vzdrževanja katastra in zemljiške knjige, brez skrbno medsebojno usklajenega delovanja obeh pristojnih služb evidenca tako katastra kot zemljiške knjige hitro spremeni v povsem neuporabno zmešnjavo podatkov. To dejstvo vsekakor ne velja le za Prekmurje, temvec za vso Slovenijo in seveda tudi širše v mednarodnem prostoru. V Prekmurju se je to dejstvo na obsežni prakticni izkušnji stoletja dolgega obdobja nedoumljivo neurejenih evidenc celotne pokrajine le razkrilo v vsej svoji neverjetni nedomišljenosti. Raziskovanje globljih vzrokov te nedomišljenosti bi po trdnem prepricanju avtorja pokazalo, da so zanjo še najmanj odgovorni takratni geodeti, gotovo pa je k njej bistveno prispevalo neupoštevanje geodetske stroke in geodetske metodologije dela s strani upravne in sodne veje vsakokratnih oblasti. Za optimisticni zakljucek lahko vsaj zapišemo, da nam je geodetom poznavanje te zgodovine v trajen opomin, kako se evidence nikakor ne smejo voditi ... ter dodamo še dobro mero veselja in ponosa nad novimi izmerami in komasacijami, ki so bile v Prekmurju izvedene od sredine 20. stoletja naprej. Te izmere in komasacije so neprecenljiv geodetski zaklad za vse posamezne lastnike nepremicnin in družbo kot celoto. Utrinke vpogleda v to, s kakšnimi napori in odrekanji je ta zaklad nastajal, ponuja na primer opis izvajanja novih izmer v Prekmurju, ki ga je pred dobrim desetletjem na podlagi lastnih izkušenj v tej reviji lepo povzel geodet Peter Svetik (Svetik, 2010). Ta zaklad nas geodete še danes iz leta v leto strokovno bogati ter nas zavezuje in spodbuja h kakovostnemu delu, nam vsem skupaj pa tlakuje trdno pot v prostorsko urejeno družbo! Literatura in viri: Dopis KU MS (1966). Spis KU št. 23-1966 z dne 19. 3. 1966. Arhiv OGU Murska Sobota. Triglav, J. (2015). Arhivi – skriti zakladi iz Murske Sobote. Geodetski vestnik, 59 (3), 609–618. http://www.geodetski-vestnik.com/59/3/gv59-3_triglav.pdf, Geodetski dan (2021). https://www.primorsko-geodetsko-drustvo.si/49-geodetski­ pridobljeno 10. 11. 2021. dan/, pridobljeno 10. 11. 2021. Triglav, J. (2021). Kataster v Prekmurju – pogled v zgodovino in pogled naprej. https:// Svetik, P. (2010). Geodeti ob petkih in svetkih: Utrinki z meritev v Prekmurju, 1., 2. in 3. www.primorsko-geodetsko-drustvo.si/wp-content/uploads/2021/09/03_ del. Geodetski vestnik, 54 (1, 2, 3), 156–159, 362–367, 563–566. http://www. GD49_I_1-Kataster_v_Prekmurju-Joc_Triglav_compressed.pdf. Prispevek za geodetski-vestnik.com/54/1/gv54-1_141-159.pdf, http://www.geodetski­ 49. Geodetski dan, Koper, 16. 9. 2021, pridobljeno 10. 11. 2021. vestnik.com/54/2/gv54-2_338-368.pdf, http://www.geodetski-vestnik. com/54/3/gv54-3_556-576.pdf, pridobljeno 10. 11. 2021. Informativno porocilo (1959). Spis KU št. 06-154/1959 z dne 7. 11. 1959. Arhiv OGU Murska Sobota. dr. Joc Triglav, univ. dipl. inž. geod. Obmocna geodetska uprava Murska Sobota Murska Sobota, Lendavska ulica 18, SI-9000 Murska Sobota e-naslov: joc.triglav@gov.si STALNA RAZSTAVA ZBIRKE GEODETSKIH INSTRUMENTOV NA FAKULTETI ZA GRADBENIŠTVO IN GEODEZIJO UNIVERZE V LJUBLJANI PERMANENT EXHIBITION OF SURVEYING INSTRUMENTS COLLECTION AT THE FACULTY OF CIVIL AND GEODETIC ENGINEERING, UNIVERSITY OF LJUBLJANA Dušan Kogoj Najboljše stvari v življenju se zgodijo nakljucno. Le zacutiti in prepoznati moramo. In sprejeti. In se prepustiti toku. Potem se vse uredi samo ... Slika 1: Vabilo na razstavo – avla (levo) in razstava v IV. nadstropju (desno) (foto: doc. dr. Dejan Grigillo). Nakljucja Stalno razstavo Zbirke geodetskih instrumentov UL FGG smo slovesno odprli 30. septembra 2021. Bil je prijeten dogodek, cutiti je bilo eno samo pozitivno energijo. Takole sem razložil: Šest let nazaj je naša fakulteta pod Alminim vodstvom obnovila prostore v IV. nadstropju. Licne vitrine so kar vabile, da jim vdihnemo vsebino. Na videz nepomemben obisk pri Andreju na Geoservisu zacne pisati zgodovino nastajanja urejene zbirke geodetskih instrumentov UL FGG. Telefonski klic, prijateljski dogovor in Rudi 30. 9. 2016 na teodolitu s stativom ev. št. 7 Carl Eduard Kraft & Sohn 1867 pokaže svoje restavratorsko znanje. Navdušenje zacrta pot. Brskanje po zaprašenih škatlah v depojih fakultete le še poveca radovednost in ustvari željo po ... narediti nekaj lepega, koristnega, vrednega. »Za uspeh vsakega projekta so potrebni: ljudje, cas in denar.« (Friderich Hrbek BEV) Ljudje smo tu, cas bomo našli. Denar? Razumevanje dekana Matjaža, Violete in upravnega odbora je bilo navdušujoce. Hvala Urški za nesebicno pomoc. Vse gre kot po maslu. Spomladi 2018 so vitrine polne. Instrumenti so restavrirani, ocišceni, popisani in urejeni za ogled. Prav takrat je nastajala Janezova, Boštjanova in Jocova knjiga Geodetski instrumenti in oprema na Slo­venskem (2017). Nedim iz Sarajeva je za Geodetski vestnik in Geodetski glasnik neutrudno pripravljal clanke o geodetski merski tehniki. Dopolnjevanje vsebin predmeta Geodetski merski sistemi zahteva dodatna védenja o razvoju geodetske merske tehnike. Vse to je resno vzpodbudilo dokoncno željo po postavitvi zbirke geodetskih instrumentov UL FGG na ogled, pripravljeno geodetsko strokovno in z ustrezno vsebino v obliki stalne razstave. Magistrska naloga Dominika Mlakarja in Martina iz Tehniškega muzeja Slovenije z vpisom zbirke v evidenco Kronos razblinita še zadnje dvome. Robi ustvari virtualno zbirko, Gašper predlaga zasnovo in oblikuje opise. Matejine fotografije so krasne. Vzpodbuda in podpora Simone ter preostalih clanov katedre za geodezijo dajejo dodatno energijo. Sabaha doda še zadnje podrobnosti. Kako nam igra srce, da je to, kar vidimo, prebiramo, obcudujemo, zdaj tu. Iskrena hvala vsem. Joc mi je ob tej priložnosti v elektronskem sporocilu zapisal: »Ob taki razstavi in instrumentih, ki so na ogled, sem izjemno ponosen, da sem slovenski geodet in da sem diplomiral in doktoriral na FGG.« Zbirka Slika 2: Postavitev razstave – instrumenti v vitrinah in opisi (foto: doc. dr. D. Grigillo). Petra Kregar je za revijo GEA zapisala: »Oddelek za geodezijo na Fakulteti za gradbeništvo in geodezijo Univerze v Ljubljani (UL FGG) hrani zbirko geodetskih instrumentov. Zbirko, ki velja za pomemben prispevek k zgodovini geodezije in ohranitvi tehniške kulturne dedišcine v Sloveniji, je sestavil in sistematicno uredil prof. dr. Dušan Kogoj, ki je s sode­lavci zasnoval tudi sodobno virtualno zbirko na spletni strani https://zbirka.fgg.uni-lj.si/. Zbirko sestavljajo instrumenti, ki so se skozi cas uporabljali pri študiju geodezije na Univerzi v Ljubljani, ko so z leti zastareli in so jih nadomestili novi, pa so se nabrali v razlicnih depojih na fakulteti. Za posamezne, predvsem starejše geodetske instrumente zgodovina nakupa in podrobnosti uporabe niso znani. Najstarejši eksponat je star 170 let. Predmeti v zbirki izvirajo iz obdobja od sredine 19. do zacetka 21. stoletja.« Slika 3: Postavitev razstave – instrumenti v vitrinah in opisi (foto: doc. dr. D. Grigillo). Zbirka je bila predstavljena na nacionalni televiziji: https://4d.rtvslo.si/arhiv/porocila/174812499. Iz uvodnega opisa povzemam: Vec kot polovica instrumentov v zbirki je bila obnovljena, nekateri najstarejši so popolnoma restavrirani. Obsežno in natancno delo je opravil upokojeni inženir Rudi Vidic, ki se je še med 30-letnim službovanjem v podjetju Kern v Švici ob svojem rednem delu specializiral za restavriranje starih merilnih instrumentov. Vidic je instrumente skrbno ocistil, jih v dobrem letu in pol restavriral ter pripravil za razstavo. Tehniški muzej Slovenije je predmete zbirke vpisal v svoje evidence v okviru podatkovne zbirke Kronos. Tako je zbirka geodetskih instrumentov UL FGG vkljucena v evidenco nacionalnega muzeja, ki je maticen za zbirke s podrocij znanosti in tehnike v Republiki Sloveniji. Vpis zbirke ima tudi simbolicen pomen, saj je bila v evidenco pri Tehniškem muzeju Slovenije vpisana prav v letu 2019, ko smo praznovali stoletnico Univerze v Ljubljani in stoletnico študija geodezije v Sloveniji. Muzejski predmeti Zbirka UL FGG obsega vec kot 110 muzejskih predmetov od tega je 78 merskih instrumentov ter do-datno okrog 30 manjših predmetov (kartirni pribor, enostavne merske priprave ...). Vecina instrumentov je razstavljenih v prostorih fakultete in si jih je mogoce brezplacno ogledati. Instrumenti so razdeljeni na štiri glavne vrste terestricnih geodetskih instrumentov. V zbirki je trenutno 29 teodolitov, 24 nivelirjev, 11 tahimetrov in 7 razdaljemerov. Dodano je 5 topografskih garnitur oziroma kipreglov in 2 sekstanta. Instrumenti so zbrani v skupine po proizvajalcih, 19 jih je in razvršceni so po letih izdelave oziroma serijskih številkah. Slika 4: Restavrirani instrumenti, popisani in sistematicno shranjeni v vitrinah (foto: doc. dr. D. Grigillo). Zbirko spremljajo opisi geodetskih instrumentov, ki so nastali v okviru magistrske naloge Dominika Mlakarja , mag. inž. geod. geoinf. https://repozitorij.uni-lj.si/IzpisGradiva.php?id=110724&lang=slv. Pri popisu so vsak instrument pregledali, ocenili njegovo stanje in spoznali njegovo delovanje. Opis instrumenta obsega razlago glavnih znacilnosti in navedbo podrobnejših tehnicnih lastnosti. V nadaljevanju predstavljamo nekaj najzanimivejših instrumentov iz zbirke. Opise povzemamo iz virtualne zbirke (https://zbirka.fgg.uni-lj.si/seznam): Zbirka hrani dva instrumenta proizvajalca E. Kraft & Sohn, ki je, kot zanimivost, bil glavni dobavitelj geodetskih instrumentov pri gradnji avstrijskih železnic, opremo pa so dobavljali tudi za projektiranje in gradnjo Sueškega prekopa. Najstarejši eksponat zbirke, ki se skriva pod evidencno številko 30, je nivelir brez daljnogleda iz leta 1850 (https://zbirka.fgg.uni-lj.si/instrument/30). Na sredini dolgega ravnila je namešcena nivelacijska libela z elevacijskim vijakom. Namesto daljnogleda sta nitna križa vpeta na posebna kovinska okvirja. Ob nitnem križu je tanka reža za opazovanje. Skozi režo na enem nosilcu viziramo preko niti, vpetih v drugem nosilcu. Instrument je bil leta 2016 restavriran – delno lakiran, vgrajeni sta bili novi niti (slika 5). Slika 5: Nivelir E. Kraft & Sohn, ser. št. 143, evid. št. 30 (foto: Mateja Urbas). Slika 6: Neuhöfer & Sohn Wien, ser. št. 8644, evid. št. 15 (foto: Mateja Urbas). Nivelir s horizontalnim krogom z evidencno številko 15 (https://zbirka.fgg.uni-lj.si/instrument/15) proizvajalca Neuhöfer & Sohn Wien cesarsko-kraljevega dvornega mehanika, sicer najbolj znanega po izdelavi busol, je bil narejen okrog leta 1890. Njegova posebnost je mikrometer Stampfer & Starke, ki sta ga Simon Stampfer in Christoph Starke izumila leta 1836. Ta izum so zacele kasneje uporabljati vse finomehanicne delavnice takratne avstro-ogrske monarhije. Z zasukom elevacijskega vijaka spremenimo nagib vizurne osi. Z mikrometrom na osnovi velikosti zasuka vijaka dolocimo spremembo nagiba vizure. Instrument omogoca natancno opticno merjenje dolžin. Konstanta enote mikrometra je 300. Podoben instrument opisuje Branko Korošec v svoji knjigi Naš prostor in cas v projekciji na strani 190, imenuje ga »razdaljemer«. To je nenavadno poimenovanje, saj se je instrument uporabljal predvsem kot nivelir, merjenje dolžin in detajlna izmera pa sta bila drugotnega pomena. Instrument je bil leta 2016 restavriran, ocišcen in lakiran. Nivelacijski libeli smo zamenjali uniceno cev, razdelba libele ni originalna (slika 6). Podjetje Rudolf & August Rost na Dunaju je bilo ustanovljeno leta 1988 in je delovalo do leta 2007, ko jih je prevzelo podjetje Leica Geosystems iz Švice. Rudolf se je izucil v matematicno-finomehanicnih delavnicah Starke & Kammerer. Podjetje je izdelovalo vse vrste geodetskih instrumentov in opreme. Zbirka hrani tri stare teodolite tega proizvajalca in nivelir s horizontalnim krogom, ki je bil izdelan okoli leta 1900 (https://zbirka.fgg.uni-lj.si/instrument/8). Za zagotavljanje horizontalne vizure skrbi obrnljiva libela, pritrjena na daljnogled, ki ga je mogoce sneti. Nitke, napete na kovinski okvir v okularju, zagota­vljajo standarden Reichenbachov nitni križ. Lepo so vidni korekcijski vijaki nitnega križa. Horizontalni krog dopolnjuje instrument in ga spreminja v tahimeter, ki omogoca detajlno polarno izmero na tere­nih manjših nagibov. Instrument je bil leta 2016 popolnoma restavriran. Po oceni restavratorja je eden najlepših v zbirki UL FGG (slika 7). Slika 7: R & A Rost Wien, ser. št. 3572, evid. št. 8 (foto: Mateja Urbas). Slika 8: Pistor & Martins Berlin, ser. št. 302, evid. št. 46 (foto: Mateja Urbas). Edini instrument proizvajalca Pistor & Martins Berlin v zbirki je odsevni krog (angl. prismatic circle) (https://zbirka.fgg.uni-lj.si/instrument/46). Instrument, podoben sekstantu, je bil izdelan v 50. letih 19. stoletja in je eden najstarejših v zbirki UL FGG. Omogoca izmero kota med Soncem in obzorjem, z dodatnimi podatki iz almanaha in znanim trenutkom položaja Sonca dolocimo geografski položaj. Pri izvajanju meritev ga držimo za lesen rocaj. Instrument je bil leta 2017 popolnoma restavriran (slika 8). Eden zanimivejših eksponatov v zbirki je teodolit Starke & Kammerer Wien, evidencna številka 20 (https://zbirka.fgg.uni-lj.si/instrument/20). Izdelali so ga okrog leta 1900 in ga originalno poimenovali nivelir-teodolit, na daljnogled pritrjena reverzibilna nivelacijska libela namrec omogoca natancno nive­liranje. Trije med seboj podobni modeli teodolitov, ki so jih izdelovali pri podjetju Starke & Kammerer ob prelomu stoletja, so zanimivo opisani v železniški enciklopediji (http://www.zeno.org/Roell-1912/K/ roell-1912--101-0074). Ta model teodolita je najkompleksnejši od vseh. Od enostavnega modela se raz­likuje predvsem po natancnosti citanja razdelbe horizontalnega kroga. S skalnimi mikroskopi je mogoce ceniti tretjino intervala nonija, locljivost so tako povecali za trikrat. Instrument je bil leta 2016 v celoti restavriran in je res lepo ohranjen (slika 9). Podrobnejši opis prav tega instrumenta najdete na http:// www.geodetski-vestnik.com/62/1/gv62-1_napoved3.pdf. Leta 1851 je mehanik Otto Fennel ustanovil svoje podjetje. Pred tem je znanje pridobival v takrat zelo znani delavnici Breihaupt & Sohn v Kasslu. Podjetje se je razvilo v eno prepoznavnejših v svetu. Geo-detske instrumente so izdelovali do leta 1968, danes pa tradicijo njihovih izdelkov nadaljuje nemško podjetje geoFENNEL. Znani so bili tudi po izdelavi prvih avtoredukcijskih tahimetrov, ki so delovali po principu (tehnologije) Hammer-Fennel. Slika 9: Starke & Kammerer Wien, ser. št. 10111, evid. št. 20 Slika 10: Tahimeter Otto Fennel & Söhne Kassel, ser. št. 16401, (foto: Mateja Urbas). evid. št. 18 (foto: Mateja Urbas). Pod evidencno številko 18 zbirka hrani enega prvih avtoredukcijskih tahimetrov na svetu podjetja Otto Fennel & Söhne Kassel (https://zbirka.fgg.uni-lj.si/instrument/18). Izdelali so ga ob koncu 19. stoletja, že na pogled je nekaj posebnega in je eden najvrednejših v zbirki UL FGG. Nima vertikalnega kroga, saj deluje na drugacen nacin kot klasicni trinitni tahimetri. Tehnologija avtoredukcijskega merjenja dolžin in višinskih razlik Hammer-Fennel je bila prav za tak instrument prvic opisana 29. marca 1902 v švicarskem glasilu gradbene stroke Sweizerische Bauzeitung (http://doi.org/10.5169/seals-23341). Namesto nitnega križa polovico zornega polja prekriva diagram z osnovno in distancno nitjo ter višinskimi nitmi. Oddaljenost distancne in višinske niti od osnovne niti se spreminja z višinskim kotom opazovanja (nagibom vizurne osi). Sprememba je usklajena tako, da je mogoce na podlagi odcitkov na tahimetricni lati neposredno/takoj izra-cunati horizontalno dolžino in višinsko razliko. Instrument je bil leta 2016 popolnoma restavriran (slika 10). Pod evidencno številko 11 zbirka hrani precizni teodolit Ertel & Sohn München (https://zbirka.fgg. uni-lj.si/instrument/11). Edini instrument tega proizvajalca v zbirki je eden izmed najbolj izpopolnje­nih teodolitov svojega casa. Izdelan je bil v zacetku dvajsetega stoletja. Izstopa po svoji kompleksnosti in natancnosti merjenja horizontalnih smeri. Horizontalni krog premera kar 18 centimetrov ter citanje razdelbe na dveh diametralnih mestih z vijacnim mikroskopom (nem. Schraubenmikroskop) z mikrome­trskim vijakom zagotavljata neverjetno locljivost mehanskega nacina dolocanja odcitka 1‘‘. Teodolit se je uporabljal še v 60. letih za merjenje v trigonometricnih mrežah nižjih redov. Leta 2016 je bil popolnoma restavriran in lakiran, izdelana sta bila nov okvir za zaslonko in novo zrcalo jahalne libele (slika 11) Številcno najbolje zastopano v zbirki geodetskih instrumentov UL FGG je podjetje Carl Zeiss Jena. Zbirka hrani kar 23 eksponatov, v depojih fakultete pa caka na uvrstitev na seznam še kar nekaj Zeis­sovih instrumentov. Podjetje VEB Carl Zeiss Jena ima dolgo in bogato zgodovino. Ustanovljeno je bilo leta 1846 in je ob razlicnih preoblikovanjih obstajalo do leta 2001, ko je postalo del koncerna Trimble. Zeissovi geodetski instrumenti so bili kakovostni, predvsem pa veliko cenejši kot instrumenti, proizvedeni na Zahodu, zato je fakulteta po 2. svetovni vojni vecinoma kupovala instrumente prav tega proizvajalca. Nekateri so še vedno v uporabi za pedagoško delo. ser. št. 32156, evid. št. 11 (foto: Mateja Urbas). Sledi opis predstavnika res posebnih tahimetrov, ki so se izdelovali v 50. in 60. letih prejšnjega stoletja. Avtoredukcijski tahimeter z bazo so izdelali leta 1960 (https://zbirka.fgg.uni-lj.si/instrument/52). Izhaja iz obdobja, ko so mrzlicno iskali nacin, kako izboljšati natancnost opticnega merjenja dolžin. Instrument omogoca merjenje horizontalnih smeri, zenitnih razdalj in dolžin. Dolžino dolocimo na osnovi pravoko­tnega paralakticnega trikotnika s stalnim paralakticnim kotom in spremenljivo bazo na stojišcu. Prizmo, ki zagotavlja stalni kot, po kovinskem vodilu premikamo z razdelbo. V okularju opazujemo dvojno sliko ciljne tocke. Prizmo premikamo tako dolgo, dokler sliki ne sovpadata – koincidirata. Na razdelbi odcitamo položaj prizme, ki s pretvorbo v ustrezno enoto neposredno pomeni horizontalno dolžino do merjene tocke. Instrument je v stanju, kot je bil ob prenehanju uporabe, in je skoraj kot nov (slika 12). Podjetje Kern, ustanovljeno leta 1819, velja za najstarejše podjetje švicarske opticno-finomehanicne industrije. Med geodeti je znano po vrhunskih merskih instrumentih in številnih inovativnih rešitvah. Obstajalo je do leta 1991, ko ga je prevzela Leica. Pod evidencno številko 87 je evidentiran precizni razdaljemer Kern ME 5000 iz leta 1988 (https:// zbirka.fgg.uni-lj.si/instrument/87). Legendarni precizni razdaljemer so v podjetju Kern izdelovali do leta 1990. Zaradi visoke cene je njegova proizvodnja trajala le desetletje. Razdaljemer predstavlja referenco pri natancnosti geodetskih elektronskih razdaljemerov. Na obmocju takratne Jugoslavije je bil to edini primerek, instrumenta si niso privošcile niti visokošolske ustanove v bogatejših zahodnih državah. Cena instrumenta brez dodatne opreme je bila ob nakupu približno 120.000 CHF (leta 2021 je to 153.000 EUR). Instrument je geodetom na Oddelku za geodezijo omogocal številne mednarodne povezave. Z njim so merili komparatorske baze in precizne mreže tudi na Hrvaškem, v Italiji in Avstriji, skupne izkušnje pa so si redno izmenjevali s kolegi s Tehniške univerze v Münchnu. Instrument je v stanju, kot je bil ob prenehanju uporabe, in je še popolnoma funkcionalen (slika 13). Eno najbolj znanjih podjetij, zastopanih v zbirki, je Wild Heerbrugg, kasneje Leica Geosystems. Leta 1921 ga je ustanovil Heinrich Wild, ki je za svoje znanstvene dosežke na podrocju razvoja geodetske merske tehnike leta 1930 prejel castni doktorat. Leta 1988 se mu je pridružilo podjetje Kern, leta 1990 pa še Leica – takrat se je tudi preimenovalo v Leica Geosystems. Wildovi instrumenti so znani po vrhunski izdelavi, odpornosti proti poškodbam in visoki natancnosti. V zbirki je evidentiranih in opisanih 12 instrumentov tega proizvajalca. Wildov sekundni teodolit T2 je verjetno najbolj legendaren model opticnih teodolitov vseh casov. Prav ta model je pokazal smer razvoja geodetskih instrumentov vse do najsodobnejših. V razlicnih izvedbah (T2, NT2, T21, T210, T2L, T2 MIL, T2 mod.) so ga proizvajali kar 70 let, od 1926. do 1996.). Zaradi majhnih dimenzij, robustne konstrukcije in velike natancnosti se je uporabljal za tako rekoc vsa geodetska dela. Številne generacije študentov geodezije na UL FGG iz druge polovice prejšnjega stoletja so si ga za vedno zapomnile kot legendo. Instrument ima konstrukcijo sodobnih teodolitov, ki jo je Heinrich Wild patentiral leta 1921 z modelom Zeiss Th1 in jo kasneje dokoncno uveljavil prav z modelom Wild T2. Sestavljajo jo cilindricna os vpetja v snemljivo podnožje, krogelni ležaji, stekleni krogi in citanje z mikroskopom na enem mestu. Instrument s serijsko številko 35362 (https://zbirka.fgg.uni-lj.si/instrument/23) je bil izdelan leta 1954, leta 2016 je bil ocišcen in delno lakiran (slika 14). Pod evidencno številko 64 se skriva digitalni nivelir Leica Wild NA 3000 (https://zbirka.fgg.uni-lj.si/ instrument/64). Digitalni nivelir, izdelan leta 1992, je naslednik legendarnega prvega digitalnega nivelirja Wild NA 2000, ki ga je švicarski proizvajalec predstavil leta 1990. Ta je bil mejnik v razvoju geodetske merske tehnologije, saj je eden tistih instrumentov, ki so oznacevali zacetek obdobja multisenzorike v geodetski merski tehniki. H. Ingensand je z uporabo digitalne tehnologije obdelave slik prvi rešil težavo popolne avtomatizacije postopka niveliranja – dolocitve odcitka na lati. Instrument je v stanju, kot je bil ob prenehanju uporabe. Ce boste slucajno ali nacrtno obiskali Ljubljano, vas kolegi z Oddelka za geodezijo Fakultete za grad-beništvo in geodezijo Univerze v Ljubljani vljudno vabijo, da si razstavo ogledate v živo. Priskrbijo tudi strokovno vodenje. izr. prof. dr. Dušan Kogoj Univerza v Ljubljani, Fakulteta za gradbeništvo in geodezijo Jamova cesta 2, SI-1000 Ljubljana e-naslov: dusan.kogoj@fgg.uni-lj.si NOVICE IZ STROKE NEWS FROM THE FIELD NOVICE GEODETSKE UPRAVE REPUBLIKE SLOVENIJE KONFERENCA STALNEGA ODBORA ZA KATASTER PRI EU (PERMANENT COMMITTEE FOR CADASTRE – PCC) Geodetska uprava Republike Slovenije (GURS) je 10. in 11. novembra 2021 organizirala skupno kon­ferenco Stalnega odbora za kataster pri Evropski uniji (Permanent Committee for Cadastre – PCC) ter Skupine za kataster in zemljiške knjige – CLR KEN, ki deluje pri EuroGeographicsu. Zasedanje je bilo organizirano v okviru predsedovanja Slovenije Evropskemu svetu in je zaradi epidemije covida-19 pote­kalo kot virtualni dogodek. Glavna tema konference je bila vloga državnih geodetskih uprav v programu odpornosti in okrevanja. Slovenija kot predsedujoca EU v tej polovici leta predseduje tudi odboru PCC, in sicer to vlogo opravlja nacionalna geodetska uprava. Šestmesecni program predsedovanja Slovenije Svetu Evropske unije temelji na štirih prednostnih nalogah. Pod sloganom »Skupaj. Odporna. Evropa.« si Slovenija v obdobju predsedovanja prizadeva za: – okrevanje EU in krepitev njene odpornosti, – razmislek o prihodnosti Evrope, – krepitev pravne države in evropskih vrednot ter – povecevanje varnosti in stabilnosti v EU. Sedanje obsežne zdravstvene izredne razmere zaradi pandemije covida-19 so prizadele vse države clanice, ki se ne morejo ustrezno odzvati same, zato je potreben skupni odziv na ravni EU. Nacionalne katastrske in kartografske organizacije v EU niso bile izjema glede vpliva pandemije. Ker je Slovenija izpostavila krepitev odpornosti Evropske unije kot eno njenih glavnih prednostnih nalog, je bila na podlagi navedenih dejstev tudi dolocena tema tokratnega dogajanja, in sicer vloga državnih geodetskih uprav v programu odpornosti in okrevanja. Organizacijo dogodkov in gostiteljstvo je prevzela Geodetska uprava Republike Slovenije ob pomoci EuroGeographicsa, natancneje skupine za kataster in zemljiške knjige CLR KEN ter sekretariata PCC. Podanih je bilo petnajst predstavitev, povezanih z vlogo geodetskih uprav v programu za odpornost in okrevanje. Predstavitve so objavljene na spletni strani združenja EuroGeographics. Konference sta se udeležila 102 strokovnjaka iz 34 držav. Pred samim dogodkom so bili udeleženkam razposlani vprašalniki glede vloge, ki jo imajo nacionalne ustanove, pristojne za kataster, v programu odpornosti in okrevanja. EU bo v prvem polletju 2022 predsedovala Francija, zato sta bila na dogodku v živo na Geodetski upravi Republike Slovenije prisotna tudi predstavnika francoske organizacije, pristojne za kataster. Prevzela sta zastavo predsedovanja PCC, ki jima jo je izrocil Tomaž Petek. Slika 1: Prevzem zastave predsedovanja PCC (vir: GURS). POLLETNO POROCILO O SLOVENSKEM TRGU NEPREMICNIN ZA LETO 2021 V prvi polovici letošnjega leta je bilo število sklenjenih kupoprodajnih poslov na slovenskem nepremic­ninskem trgu nekoliko manjše kot v drugi polovici lanskega leta oziroma v prvi polovici leta 2019. Cene stanovanjskih nepremicnin so obcutno poskocile. Visoko rast cen stanovanjskih nepremicnin po eni strani poganja veliko povpraševanje, ki ga vzpodbujajo nizke obrestne mere in dostopnost bancnih posojil, po drugi strani pa omejena ponudba novogradenj. Nizke obrestne mere spodbujajo tako nakupe nepremicnin za lastno uporabo kot naložbene nakupe in investicije v gradnjo stanovanjskih enot za tržno prodajo. Na višanje cen stanovanjskih nepremicnin vse bolj vplivajo tudi vse višje cene zemljišc za gradnjo, posredno pa tudi rast gradbenih stroškov, ki je posledica globalnega zviševanja cen transporta in gradbenih materialov zaradi pandemije. Visoke cene stanovanj povzrocajo tudi nadaljnjo rast povpraševanja po zazidljivih zemljišcih in vse mocnejšo stanovanjsko gradbeno ekspanzijo. Ta je najocitnejša v Ljubljani, kjer je obseg trenutne in nacrtovane stanovanjske novogradnje že primerljiv s tistim pred krizo leta 2008. Tako rekoc povsod po Sloveniji ponudba novih stanovanj kljub temu, da na trg postopoma prihaja vse vec novogradenj, še vedno zaostaja za povpraševanjem. Zaustavitve rasti cen stanovanjskih nepremicnin pa ni pricakovati, dokler ponudba novih stanovanj ne bo presegla povpraševanja in se ne bo cas njihove prodaje bistveno podaljšal oziroma dokler se ne bodo zacele kopiciti zaloge neprodanih stanovanj. Za zdaj se vecina novozgrajenih stanovanj v najvecjih mestih in turisticnih krajih kljub rekordnim cenam proda, še preden so zgrajena. Porocilo je dostopno na Portalu množicnega vrednotenja. Slika 2: Polletno porocilo o slovenskem nepremicninskem trgu za leto 2021 (vir: GURS). 7.SLOVENSKI DAN INSPIRE Spletna konferenca z naslovom Nove perspektive na podrocju nacionalne infrastrukture za prostorske in-formacije je potekala v torek, 16. novembra 2021. Slovenski dan INSPIRE je vsakoletni dogodek, ki ga organizira geodetska uprava kot nacionalna kontaktna tocka za vzpostavljanje infrastrukture za prostorske informacije v Sloveniji. Slovenska infrastruktura za prostorske informacije je del evropske infrastrukture za prostorske informacije, ki je opredeljena z direktivo INSPIRE. Na letošnjem dnevu INSPIRE je bil govor o stanju na podrocju infrastrukture za prostorske informacije, aktivnostih, ki se izvajajo glede na osnovno casovnico direktive INSPIRE, o izkušnjah in znanju upravljavcev prostorskih podatkov ter o pogledu v prihodnost. Kako Evropa gleda na nadaljnji razvoj in implementacijo direktive INSPIRE, v katero smer se bo razvijala nacionalna prostorska podatkovna infrastruktura in kakšne so nove perspektive (ponovne) uporabe INSPIRE, so bila osnovna vprašanja, ki so jih obravnavali povabljeni predavatelji. V drugem delu konference je bil predstavljen projekt EO4GEO, katerega namen je izboljšati stanje in znanje na podrocju uporabe geoprostorskih informacij z zagotavljanjem prosto dostopnih baz znanja, orodij in drugih gradiv. V mednarodnem konzorciju, ki izvaja projekt, so aktivna tudi slovenska podjetja. V okviru 7. slovenskega dneva INSPIRE je nastala tudi brošura z naslovom Nove perspektive direktive INSPIRE, ki je peta po vrsti. V njej je zbranih nekaj kljucnih iniciativ in projektov, ki vkljucujejo upo­rabo prostorskih podatkov in podatkovne infrastrukture. Brošuro in ostala gradiva 7. slovenskega dneva INSPIRE lahko najdete na Slovenskem geoportalu, video vsebine pa na YouTube kanalu eProstor. Slika 3: Brošura Nove perspektive direktive INSPIRE (vir: GURS). ZASEDANJE EVROPSKEGA REGIONALNEGA ODBORA ZN ZA GLOBALNO UPRAVLJANJE PROSTORSKIH INFORMACIJ V dneh 13. in 14. oktobra 2021 je bilo izvedeno osmo redno plenarno zasedanje Evropskega regionalnega odbora Združenih narodov (ZN) za globalno upravljanje prostorskih informacij (UN GGIM Evropa). Zasedanje je zaradi pandemije covida-19 že drugic potekalo prek spleta. Na njem je sodelovalo 116 udeležencev iz 36 držav clanic OZN na obmocju geografske Evrope ter predstavniki 15 mednarodnih organizacij. Poleg rednih tem, povezanih z dopolnitvijo in sprejemom programa dela za obdobje do leta 2022, in potrjevanja novih clanov izvršilnega odbora je bila glavnina zasedanja namenjena predstavitvi dopolnjene strategije UN GGIM Evropa. Razprava je bila namenjena tudi pripravam na izvedbo prihodnjih nalog in izzivom, ki so pred UN GGIM do priprave porocila za Ekonomsko-socialni svet OZN (ECOSOC), ki bo v zacetku leta 2022. Od tega porocila in njegovega sprejetja na ECOSOC je namrec odvisna tudi prihodnja oblika delovanja UN GGIM na svetovni ravni. Udeleženci osmega plenarnega zasedanja so se seznanili tudi z implementacijo prirocnika za izvajanje integriranega okvira prostorskih informacij (IGIF) ter porocilom o enajstem plenarnem zasedanju UN GGIM na globalni ravni. Prav tako so bili udeležencem predstavljeni rezultati dela, ki ga izvajajo delovne skupine v okviru UN GGIM Evropa. V sklepnem delu zasedanja je generalni direktor geodetske uprave Tomaž Petek, ki je trenutno predsedujoci v izvršilnem odboru UN GGIM Evropa, izpostavil pomen trenutnega obdobja, ko se hkrati pripravlja porocanje ECOSOC-u o opravljenem delu v preteklih desetih letih, sprejemajo strategije in odpirajo nove naloge za delo v prihodnjih letih. Samo s skupnim in povezanim delovanjem organov javne uprave, ki v državah clanicah OZN upravljajo zbirke prostorskih podatkov, bo mogoce izpolniti cilj UN GGIM Evropa, in sicer omogociti ucinkovitejše upravljanje in razpoložljivost prostorskih informacij v Evropi ter njihovo povezovanje z drugimi informacijami, ki temeljijo na uporabniških potrebah in zahtevah. ZAKON O KATASTRU NEPREMICNIN Zakon o katastru nepremicnin (Uradni list RS, št. 54/2021) predvideva deset podzakonskih aktov in objavo priporocil za evidentiranje tipskih stavb. V Uradnem listu RS so bili že objavljeni naslednji podzakonski predpisi: 1. Pravilnik o evidenci državne meje (Uradni list RS, št. 118/2021) 2. Pravilnik o potrdilih iz katastra nepremicnin in registra naslovov (Uradni list RS, št. 11820/21) 3. Pravilnik o podrobnejšem nacinu oštevilcevanja in oznacevanja stanovanj in poslovnih prostorov (Uradni list RS, št. 118/2021) 4. Pravilnik o nacinu vpisa in izbrisa upravljavcev v kataster nepremicnin (Uradni list RS, št. 118/2021) 5. Pravilnik o katastrskih obcinah (Uradni list RS, št. 139/2021) 6. Pravilnik o Komisiji za strokovno presojo v katastrskih postopkih (Uradni list RS, št. 153/21) 7. Uredba o dejanskih rabah zemljišc (Uradni list RS, št. 1732021) 8. Pravilnik o podrobnejši vsebini registra prostorskih enot (Uradni list RS, št. 173/2021) Pripravljen je tudi že Pravilnik o izpitu za bonitiranje zemljišc in o pooblastilu za bonitiranje, sprejetje pricakujemo v prvi polovici decembra. V pripravi je Pravilnik o vodenju podatkov katastra nepremicnin, ki bo najobsežnejši, saj bo vkljuceval podrocje parcel, stavb in delov stavb. Vanj bo treba vkljuciti tudi evidentiranje vseh novih entitet, ki jih predvideva Zakon o katastru nepremicnin (obmocja služnosti, obmocja stavbnih pravic, sestavine delov stavb in ostalo). Priprava osnutka je predvidena za december, januarja pa sledita najprej strokovna, nato pa medresorska obravnava. Vsi podzakonski predpisi se zacnejo uporabljati 4. aprila 2022, hkrati z zacetkom uporabe novega Zakona o katastru nepremicnin, do takrat se uporabljajo obstojeci podzakonski predpisi. Do zacetka uporabe Zakona o katastru nepremicnin bomo na spletnih straneh geodetske uprave objavili tudi posodobljena priporocila za evidentiranje tipskih stavb. Vir: GURS NOVICE FAKULTETE ZA GRADBENIŠTVO IN GEODEZIJO UNIVERZE V LJUBLJANI NOVO VODSTVO UL FGG Na Fakulteti za gradbeništvo in geodezijo pri Univerzi v Ljubljani je bilo letos volilno leto. S 1. oktobrom 2021 je vodenje fakultete za štiriletni mandat prevzela prof. dr. Violeta Bokan Bosiljkov, profesorica in raziskovalka s podrocja gradbeništva, ki je prva ženska na tem mestu v stoletni zgodovini naše fakultete. Na mesto predstojnice Oddelka za geodezijo je bila izvoljena izr. prof. dr. Anka Lisec, njen namestnik pa je doc. dr. Aleš Marjetic. Vir: Fakulteta za gradbeništvo in geodezijo Univerze v Ljubljani SPREMNA BESEDA K ODPRTJU RAZSTAVE OBNOVLJENIH GEODETSKIH INSTRUMENTOV NA FGG Slika 1: Geodetski instrumenti na Oddelku za geodezijo so bila stalnica terenskih vaj (levo) in raziskovalnega dela (desno) (vir: arhiv UL FGG). Fakulteta za gradbeništvo in geodezijo Univerze v Ljubljani kot naslednica Naravoslovno-tehniške fakul­tete, ustanovljene leta 1919, že vec kot sto let iz roda v rod predaja in nadgrajuje spretnosti geodetskih merjenj. Za to poslanstvo je nujno potrebna geodetska merska oprema, katere jedro so geodetski instru­menti. Ker je fakulteta javna ustanova in njena sredstva niso neposredno podvržena tržnim pravilom, se dogaja, da stari instrumenti, ki so jih nadomestile novejše izvedbe, obležijo po policah arhivov v nedrjih stavbe na Jamovi cesti 2 v Ljubljani. V zadnjem stoletju se je tako nabralo kar nekaj instrumentov, ki so s starostjo pridobivali na vrednosti – ne uporabni, temvec estetski in zgodovinski. V vsaki generaciji uciteljev na naši ustanovi se najdejo posamezniki, katerih zanimanja segajo dlje in širše kot zgolj njihove pogodbeno predpisane obveznosti akademskega udejstvovanja. Vcasih imajo taki posamezniki poleg tehniških znanj, ki jih poucujejo, tudi globoko izražen cut za lepo in za pomen na­rodove preteklosti. Takšen splet okolišcin je pred kratkim privedel do dogodka, ki ga kanim na kratko ocrtati v pricujocih vrsticah. Izr. Prof. Dušan Kogoj je skupaj z zvestim dolgoletnim laborantom mag. Janezom Goršicem iz prašnih arhivov fakultete izbrskal vse generacije starinskih geodetskih instrumentov, ki so jih in jih nekatere še dandanes uporabljamo v ucnem procesu na fakulteti. Najstarejši najdeni instrumenti, ki so bili izdelani okrog leta 1850, so bili bržda stari že ob ustanovitvi fakultete, toda v ranih dneh naše univerze reci vendarle niso zastarele tako hitro kot danes. Od najstarejših mehanskih instrumentov, pri delu s katerimi je nemara zahtevalo vec casa njihovo postavljanje kot samo merjenje, do skoraj modernih, s katerimi smo se še pred komaj nekaj leti s sošolci ucili opticnega centriranja in odpravljanja pretega libele v dveh simetralnih legah. Slika 2: Utrinki z odprtja zbirke na UL FGG. Profesor Kogoj in laborant Goršic sta torej iz arhiva odbrala primerke najlepših in najzanimivejših in-strumentov: teodolitov, nivelirjev, tahimetrov, razdaljemerov, kipreglov (kaj za … je že to?) in sekstantov. Instrumente je nato restavriral – torej ocisti, razstavil, ponovno ocistil, obnovil in nazaj sestavil – gospod Rudolf Vidic, upokojeni finomehanik iz Lesc na Gorenjskem, ki je cvet svojih let prebil zaposlen v Švici, kjer ga je starejši kolega v podjetju Kern uvedel v svet lepot starinskih geodetskih instrumentov. Ob posluhu vodstva fakultete in zavedanju pomena obnovljenih starih instrumentov se je na hodnikih fakultete našel prostor za licne vitrine, v katerih bodo odslej nastanjeni obnovljeni in polepšani instrumenti. Vendar to še ni vse. Žlahtna lastnost starejših profesorjev je, da k svojemu delu privabijo mlade kolege ter tako svoje znanje prenašajo proti vecnosti. Pod mentorstvom prof. Kogoja je Dominik Mlakar, mag. inž. geod. geoinf., do potankosti opisal vse instrumente, njihove lastnosti, znacilnosti in uporabnost. Sledila je izdelava tablic z opisi, ki bodo krasile instrumente pri njihovem zadnjem pocitku, za kar je poskrbel asist. dr. Gašper Mrak. Hkrati so pod vodstvom doc. dr. Robija Klinca izdelali spletno stran, prek katere si je zbirko mogoce ogledati tudi z drugih koncev našega geoida. V cetrtek, 30. septembra, je na hodniku geodetskega nadstropja v stavbi fakultete potekal prisrcen dogodek z zakusko, na katerem so prof. Kogoj in kolegi ob prisotnosti zainteresirane javnosti (med dru­gim iz Tehniškega muzeja Slovenije) slovesno odprli stalno razstavo, ki bo v cast in ponos prihodnjim generacijam geodetov na naši šoli. Za Fakulteto za gradbeništvo in geodezijo Univerze v Ljubljani zapisal: asist. dr. Klemen Kregar, e-naslov: klemen.kregar@fgg.uni-lj.si USPEŠNA 10. POLETNA ŠOLA EVROPSKE VESOLJSKE AGENCIJE Med 20. in 24. septembrom je na Fakulteti za gradbeništvo in geodezijo Univerze v Ljubljani potekala poletna šola oziroma intenzivni izobraževalni tecaj na temo Opazovanje Zemlje in umetna inteligenca v gozdarstvu (angl. Earth Observation and Artificial Intelligence for Forestry) Evropske vesoljske agencije (ESA). Po lanski odpovedi so se organizatorji dogodka, to sta bila poleg Evropske vesoljske agencije še Ministrstvo za gospodarski razvoj in tehnologijo Republike Slovenije in Fakulteta za gradbeništvo in geodezijo Univerze v Ljubljani, odlocili, da bo izvedba 10. poletne šole ESA s podrocja opazovanja Zemlje v hibridni obliki. Vsekakor je bil to velik izziv za organizatorje, veseli pa, da se je vecina od 50 udeležencev, ki so prihajali iz 22 držav, poletne šole v Ljubljani udeležila v živo. Vsebina predavanj in delavnic je vsako leto oblikovana za izbrano tematsko podrocje uporabe daljinskega zaznavanja. Ciljno obcinstvo so mladi strokovnjaki, predvsem magistrski in doktorski študenti in študentke, podoktorski raziskovalci in raziskovalke ter mladi razvijalci in razvijalke v podjetjih, ki že imajo solidno znanje na podrocju daljinskega zaznavanja, (geo)informatike in/ali geoprostorske podatkovne analitike. Tema letošnje poletne šole je bila napredna obdelava opticnih in radarskih podatkov satelitov za opazovanje Zemlje, in sicer predvsem za aplikacije v gozdarstvu. Po besedah Espna Voldna, predstavnika Evropske vesoljske agencije in koordinatorja Oddelka za znanost, aplikacije in nove tehnologije na podrocju opazovanja Zemlje (angl. Earth Observation Science, Applications and Future Technologies Department), so se v Esi namenoma odlocili za aplikacije v gozdarstvu, saj je Slovenija ena izmed evropskih držav z najdaljšo tradicijo sistemskega gos-podarjenja z gozdovi in izjemnimi raziskovalci na podrocju aplikacij daljinskega zaznavanja v gozdarstvu. V okviru petdnevnega intenzivnega usposabljanja so se teoreticna predavanja prepletala s prakticnim delom na podrocju naprednih obdelav satelitskih podatkov. Udeleženci so pridobili znanja za razlicna podrocja uporabe satelitskega daljinskega zaznavanja v gozdarstvu, kot so detekcija in spremljanje raz­sežnosti gozdnih požarov, vetrolomov in drugih elementarnih nesrec v gozdovih, ocenjevanje obsega škode zaradi gozdnih škodljivcev ali golosekov, casovno spremljanje lesne biomase in zdravja vegetacije ipd. Poleg izjemnih predavateljev iz Središca Evropske vesoljske agencije za opazovanje Zemlje ESRIN (Frascati, Italija) so bili v program vkljuceni eminentni profesorji, razvijalci in raziskovalci z ETH Zürich (Švica), Univerze Atene (Grcija), Raziskovalnega centra VTT (Finska), Univerze Jena (Nemcija), Skupnega evropskega raziskovalnega središca JRC (Italija), razvojnega podjetja SIRS (Francija) ter iz laboratorija JPL ameriške vesoljske agencije NASA (ZDA). Slika 1: Pozdravni govor Espna Voldna (levo) in dr. Magdelene Fitrzyk (desno) iz Evropske vesoljske agencije (foto: Hana Jošic). Slika 2: Uvodno predavanje koordinatorja dogodka prof. dr. Krištofa Oštirja s Fakultete za gradbeništvo in gedeodezijo Univerze v Ljubljani (foto: Hana Jošic). Dogodek so s predavanji in prakticnim usposabljanjem obogatili slovenski strokovnjaki s podrocja daljinskega zaznavanja in umetne inteligence. Tako so bili v program vkljuceni strokovnjaki s Fakultete za gradbeništvo in geodezijo Univerze v Ljubljani, znanstvenoraziskovalnega centra ZRC SAZU, Goz­darskega inštituta, podjetja Sinergise ter Instituta Jožef Stefan. Poleg izjemno bogate vsebine je bila poletna šola lepa priložnost za mreženje odlicnih mladih razvijalcev in raziskovalcev na eni strani ter eminentnih uveljavljenih strokovnjakov na drugi strani. Odzivi vseh vpletenih kažejo, da je vzpostavljena mreža lahko zacetek aktivnega mednarodnega sodelovanja na po­drocju opazovanja Zemlje. Vec informacij: https://landtraining2021.esa.int/ in https://eo4society.esa.int/ Slika 3: Udeleženci poletne šole pri obdelavi satelitskih podatkov (foto: Jernej Tekavec). Za Fakulteto za gradbeništvo in geodezijo Univerze v Ljubljani zapisala: izr. prof. dr. Anka Lisec, e-naslov: anka.lisec@fgg.uni-lj.si NOVICE IZ NEWS FROM GEODETSKIH DRUŠTEV PROFESSIONAL SOCIETIES NOVICA ZVEZE GEODETOV SLOVENIJE, MEDNARODNE DEJAVNOSTI NOVO UREDNIŠTVO GEODETSKEGA VESTNIKA Sliki 1 in 2: Naslovnica prve številke Geodetskega vestnika letnika 58 (2014), ko je glavna in odgovorna urednica postala dr. Anka Lisec (levo), ter naslovnica prve številke Geodetskega vestnika letnika 63 (2019), ko se je Zveza geodetov Slovenije odlocila za barvni tisk (desno). Od 1. januarja 2022 bosta urejanje Geodetskega vestnika prevzela dr. Dušan Petrovic v vlogi glavnega urednika in doc. dr. Miran Kuhar v vlogi odgovornega urednika, oba s Fakultete za gradbeništvo in geodezijo Univerze v Ljubljani. V obdobju od 1. januarja 2014 do 31. decembra 2021 je uredništvo Geodetskega vestnika vodila dr. Anka Lisec, prav tako s Fakultete za gradbeništvo in geodezijo Univerze v Ljubljani, in sicer v vlogi glavne in odgovorne urednice. Dr. Anka Lisec je skupaj z ekipo podrocnih urednikov in mednarodnega uredniškega odbora uvedla kar nekaj novosti in s tem dvignila kljucno strokovno publikacijo geodetske stroke v Sloveniji na še višjo raven. Ob koncu uredniška dela se dr. Anki Lisec v imenu Zveze geodetov Slovenije iskreno zahvaljujem za ves trud, cas, energijo in požrtvovalnost. Opravljenega je bilo resnicno veliko dela, katerega rezultat je viden in spoštovan od vseh nas geodetov, domace in tuje strokovne javnosti. Velika zahvala tudi vsem clanom mednarodnega uredniškega odbora, podrocnim urednikom in osta­lim sodelavcem, ki sooblikujete Geodetski vestnik. Želim in upam, da boste tudi v prihodnje aktivno sodelovali in s tem pripomogli k še kakovostnejši vsebini in prepoznavnosti našega strokovnega glasila. Novima glavnemu in odgovornemu uredniku želim obilo pozitivne energije in tvornega sodelovanja pri prihajajocih izzivih. Za Zvezo geodetov Slovenije zapisal: mag. Gregor Klemencic, e-naslov: zveza.geodetov.slovenije@gmail.com TRADICIONALNI POHOD PO JADRANSKIH OTOKIH – CIOVO Izvršni odbor Ljubljanskega geodetskega društva nadaljuje izvedbo zastavljenega programa. Aktualni koronavirus žal ostaja med nami in tako zaradi objektivnih omejitev ostaja tudi stalno prisotna možnost odpovedi ali spremembe zadanih ciljev. Clani izvršnega odbora zato še naprej išcemo najvarnejše poti za druženje. Ob izpolnjevanju veljavnih PCT-pogojev in z veliko medsebojnega zaupanja o odgovornem ravnanju udeležencev smo uspešno in brez kakšnih neljubih posledic izvedli lani odpadli tradicionalni pohod po otokih Jadrana. Prvi postanek smo naredili v jutranjih urah v mestu Knin, od koder smo zatem krenili na ogled žal bolj suhega izvira reke Krke (slap Krcic). Zatem smo se odpravili na ogled svetovno znane­ga Roškega slapa na tej reki ter se z ladjico podali do pravoslavnega samostana Krka, kjer smo obiskali tamkajšnje katakombe, oglede pa zakljucili s kosilom ob samem slapu. Žal nas je vso pot spremljal presenetljivo nizek vodostaj. Po nastanitvi v Trogirju smo se drugi dan podali na pohod po otoku Ciovo in vrh Rudine osvojili z dveh strani (po daljši in krajši razlicici), obiskali znano plažo Labadusa in sprali prah v prijetno toplem morju ter si zvecer ogledali stari del mesta Trogir. Na dan povratka smo si na polotoku Rogoznica ogledali znamenito Zmajevo jezero, se po­tem ustavili še na šibeniškem polotoku Solaris in se sprehodili do stare beneške trdnjave sv. Ni-kole, ki brani vhod v pristanišcni zaliv, ter oglede sklenili v Skradinu s kosilom ob reki Krki. Slika 1: Udeleženci po osvojitvi vrha Rudine. Program smo, ob izrazih zadovoljstva vseh 45 udeležencev, izvedli v celoti – cestitamo odgovornemu organizatorju Janiju Dottiju. Slika 2: Še dva utrinka z našega izleta – ob jezercu Zmajevo oko (Rogoznica). Izvršni odbor je sicer takoj pristopil k organizaciji še ene dejavnosti, ekskurzije na Goli otok in Grgur z nekdanjim zapornikom gospodom Radovanom Hrastom, ki pa je – ob polno zasedenem avtobusu in navkljub trikrat prestavljenemu terminu – za letos žal odpovedana zaradi neustreznih vremenskih razmer. Vabljeni predvidoma v pomladi naslednje leto! Za Ljubljansko geodetsko društvo Fotografije: Miha Muck, Helena Kokalj, Milan Brajnik Zapisal: Milan Brajnik, e-naslov: milan.brajnik@gis.si VODENI OGLED PO MESTNEM SREDIŠCU LJUBLJANE Covid-19 je žal postal vsakodnevno in najveckrat prisotno pogovorno »geslo«, ki se mu ne moremo izogniti niti pri društvenih aktivnostih in seveda niti pri zapisih na to temo v Geodetskem vestniku. V želji po obuditvi clanskih srecanj ter s tem osebne izmenjave izkušenj in pogledov, kar v stroki že mocno pogrešamo, si izvršni odbor Ljubljanskega geodetskega društva vztrajno prizadeva za uresnicitev zastavljenega programa. Grožnja za okužbo s koronavirusom žal ostaja med nami, ob vrsti neznank in z nepredvidljivim razvojem ter dinamiko. Prav zaradi objektivnih omejitev pri ustaljenih in clanom že »domacih« aktivnostih, stalno prisotne možnosti odpovedi ali spremembe zastavljenih ciljev in tudi zaradi skrajne možnosti ponovnega popolnega zastoja društvenega dela, clani izvršnega odbora išcemo najvarnejše in s tem zanesljivejše poti za druženje. Misel o skupnem sprehodu po ulicah mesta, v katerem je sedež našega društva, se nekaterim še danes zdi smešna. Tudi sam kot aktualni predsednik društva sem slišal, pravzaprav zavestno preslišal, te posmehljive besede in danes lahko z veseljem ugotovim, da je bila odlocitev pravilna in aktivnost uspešno izvedena. Zadovoljni udeleženci smo, navkljub obcasno škripajocih, slabo delujocih tehnicnih pripomockih za radijski prenos glasovne razlage, v varni medsebojni razdalji izvedeli veliko novega iz zgodovine našega lepega mesta. Slika 1: Udeleženci na zbornem mestu pred nekdanjimi srednjeveškimi mestnimi vrati oziroma pod obzidjem. Izkorišcam priložnost in vsem dvomljivcem toplo priporocam tak »spominsko osvežitveni« voden spre-hod, morda pa ga kdaj celo skupaj ponovimo po spremenjeni, bolj obdobno usmerjeni trasi, kdo ve!? Ne verjamem, da vsi vemo, zakaj nas je udeležence vodic pognal v taktu Radetzkyjeve koracnice in zakaj bi morali biti temu generalu nekdanje monarhije hvaležni vsi Ljubljancani, od kod izvira ime Cekino­vega gradu in kje stoji, od kod izvira tradicija zbiranja in tudi glasnega izražanja mnenj na današnjem Prešernovem trgu, ali s katerega okna je zapeljive poglede delila Primceva Julija. Bojim se celo, da med geodeti najdemo koga, ki ne ve, kje poiskati obeležje simbolne Geodetske tocke povezovanja oziroma tako imenovane univerzalne mestne geodetske tocke in zakaj smo ga v okviru Zveze geodetov Slovenije slovesno postavili prav mrzlega decembra 2017!? Že na zbornem mestu smo bili udeleženci opozorjeni na pregovorno skromnost in varcnost mešcanov (in tudi naroda), na sprehodu pa potem veckrat spoznali, s cim se premalo postavljamo v primerjavi s pogostimi navedbami »prvovrstnih« zgodovinskih tujih znamenitosti. Ob pogledu na mednarodno priznano arhitekturno zapušcino dobro znanega arhitekta Plecnika smo se seznanili še z mojstrovinami drugih njegovih stanovskih kolegov. Vodic nas je ob zgodovinski opredelitvi opozarjal na podrobnosti, ki jih ob vsakodnevnem hitenju obicajno spregledamo. Opozarjal nas je na obseg, umestitev in vpliv nekdanjih objektov oziroma mesta samega, pa seveda je navajal razloge in vrstni red kasnejših ureditev. Danes vsem znana dejstva je predstavil v luci nekdanjega dogajanja oziroma razumevanja in tako še poudaril razloge, velicino in pomembnost tedanjih odlocitev kot tudi izstopajocih osebnosti, ki so jih sprejele ali nanje vplivale. Slika 2: Ob obeležju geodetske tocke povezovanja. V želji, da ne bi z izborom navedb neupraviceno zapostavil katero od teh velicin, se bom omejil zgolj na potešitev radovednosti z odgovori na nekaj v besedilu zastavljenih vprašanj. Maršal Radetzky ni bil le uspešen branitelj avstro-ogrske monarhije pred romansko grožnjo. Castni mešcan Ljubljane je postal zaradi ureditve zasebnega parka ob Tivolskem dvoru, ki ga je družbeno odgovorno odprl mešcanom za javno uporabo. Park se je raztezal tudi do današnjega Cekinovega gradu (dvora), ki je dobil ime po poslo­venjeni izgovorjavi priimka nekdanjih madžarskih lastnikov. Resne proteste na nekdanjem Marijinem trgu pa je sprožila prav postavitev spomenika pesniku Prešernu, po katerem je trg poimenovan danes, predvsem zaradi za tedanje nazore nezaslišano pohujšljive gole muze. Ali je bila ta izdelana z mislijo na »dicno gospodicno« Primcevo, ni dokazljivo, je pa Primceva Julija živela v hiši na drugem koncu današnje Stritarjeve ulice nasproti današnje mestne hiše in je na Marijin trg prihajala še po tedaj enojnem (sre­dinskem) delu današnjega Tromostovja. Clani društva smo na sprehodu obiskali tudi obeležje oziroma univerzalno mestno geodetsko tocko, ki je bila na križišcu Slovenske in Cankarjeve ceste postavljena 23. decembra 2017 – tocno 200 let po tem, ko je avstrijski cesar Franc I. podpisal Zakon o zemljiškem davku, s katerim se je zacela sistematicna izmera vseh dežel avstrijskega dela nekdanje monarhije. . Slika 3: Sprehajalci smo bili ves cas pod budnim nadzorom »celinske mornarice«. Ce smo si dominantni grajski kompleks nad mestom med sprehodom ogledovali od dalec, smo potek nekdanjega mestnega obzidja beležili »na terenu«. Od blizu smo preverili trdnost še stojecega nekdanjega stražnega stolpa, ki je bil kasneje vkljucen v stavbo, zgrajeno na temeljih omenjenega obzidja. Izvedeli smo, kako je bil »recikliran« (veckrat ponovno uporabljen) gradbeni material nekdanjih obrambnih sis-temov, pa tudi kasnejših gradenj, katerih dele danes srecujemo in poznamo v novi vlogi, a brez vedenja, da so že služili drugje. Sprehodili smo se po ulici, ki je »varcno« zapolnila prazen prostor na mestu kar dvakrat uporabljenega zašcitnega jarka. Jarek je bil izkopan pred vzhodnim zidom rimske Emone in kasneje obnovljen na istem mestu pred mestnim obzidjem na zahodni strani srednjeveškega mesta. Ob Gradašcici smo se poklonili nekdanjim pridnim pericam, ki jim je delovno mesto nazadnje projektiral sam mojster Plecnik, ter za zakljucek obiskali še najbližje staremu mestnemu jedru odkrito kolišce nekda­njih prebivalcev jezera na obmocju današnjega Ljubljanskega barja (žal tokrat bobra nismo uzrli, smo pa nutrije, ki so ga uspešno izpodrinile – spomin na ostrozobo ploskorepo žival pa ostaja v Jalnovi knjigi). Medtem ko smo že utrjeni clani društva brusili pete, si je podmladek izbral udobnejši nacin spoznavanja ljubljanskih carov z vodne perspektive. Med osvežitvijo možganskih spominskih zapisov o mestnih zna­menitostih so s plovnimi artikli (danes modernim supom sta uspešno konkurirala tradicionalna kanuja) preverili, ali imamo v Ljubljani res najvecji slovenski otok (društvena osvojitev njegovega vrha nas še caka!). Za zakljucek smo bili udeleženci nagrajeni s prijetnim druženjem, ki je bilo zaradi razmaknjenega omizja ustrezno glasnejše, smo pa si bili edini, da bi takšno srecanje veljalo ponoviti. Dve uri sta zadošcali zgolj za rahlo odstiranje skritih draguljev našega glavnega mesta – nova vprašanja že išcejo odgovore ... Za Ljubljansko geodetsko društvo Fotografije: Miha Muck, Gregor Žnidaršic, Milan Brajnik, Zapisal: Milan Brajnik, e-naslov: milan.brajnik@gis.si TRADICIONALNI IZLET STAREJŠIH CLANOV LJUBLJANSKEGA GEODETSKEGA DRUŠTVA 30. SEPTEMBRA Po dveh letih smo se starejši clani Ljubljanskega geodetskega društva zopet zbrali na tradicionalnem izletu, nacrtovano je bilo vandranje po Gorenjski, in sicer obisk Tržica, Begunj in Radovljice. Kot obicajno smo se udeleženci ob 8. uri zjutraj dobili na parkirišcu na Dolgem mostu v Ljubljani, kjer nas je cakal avtobus. Na pot smo se odpravili tocno, še nekaj clanic in clanov smo pobrali v Vižmarjah. Celotna skupina je štela 22 clanov. Ker so še vedno izjemne razmere zaradi covida-19, smo morali upoštevati vsa priporocila NIJZ in pogoje PCT (preboleli, cepljeni, testirani), v zaprtih prostorih in na avtobusu je bila tudi obvezna uporaba zašcitne maske. Pogumni in željni druženja smo se vseeno odlocili za izlet. Ob prihodu v Tržic nas je pricakala lokalna vodnica. Najprej smo si ogledali staro mestno jedro in slišali veliko zgodb o razvoju mesta. Leta 1492 je cesar Friderik III. povzdignil takratni Tržic iz vasi v trg. Od leta 1985 je mesto zavarovano kot kulturni spomenik. V požaru leta 1811 je bilo unicenih vec kot dvesto hiš in delavnic. Takrat so ob obnovi izdali poseben predpis, s katerim so uvedli obvezno namestitev kovinskih vrat in polken, ki so postala prava evropska posebnost. Vse stavbe imajo še naslednje skupne znacilnosti: portale, okrašene z rozetami z letnico izdelave in zacetnicami hišnega gospodarja ter božjim ocesom, v katerem je hišna številka, okenske okvirje iz zelenega peraškega kamna, kovane okenske mreže, firbc okno, sušilne odprtine na strehi za sušenje kož, platna, lanu in nogavic, kovane ograje, obcestne kamne opestnike ter srednjeveški tloris z delavnico, skladišcem in prehodno vežo v pritlicju. Najbolj znamenite stavbe so župnijska cerkev Marijinega oznanjenja, Mallyjeva hiša, muzej v Zgornji kajži, Kurnikova hiša, cerkev sv. Jožefa, grad Neuhaus, Devova hiša, Holzapflova hiša in fužina Germovka. Nadaljevali smo z ogledom skrbno prenovljene Kurnikove hiše, ki je rojstna hiša tržiškega ljudskega pesnika Vojteha Kurnika (1826–1886), danes pa gosti etnološki muzej. Stoji na levem bregu Tržiške Bi-strice v mestnem jedru Tržica. V pritlicju je v ambientni muzejski postavitvi predstavljena bivalna kultura Tržicanov v drugi polovici 19. stoletja in prvi polovici 20. stoletja. Ena od pritlicnih sob je namenjena Vojtehu Kurniku in prikazuje njegovo življenje ter literarno delo, v zgornjem nadstropju pa so tri sobe, namenjene obcasnim razstavam (predvsem tistim, ki predstavljajo lokalno dedišcino). Stavba, s katero upravlja Tržiški muzej, je bila dom vec generacij kolarjev in nazadnje šivilje Marije Kurnik (pranecakinje Vojteha Kurnika). Zgrajena je bila ob koncu 18. stoletja, obnovljena pa po požaru, ki je leta 1811 unicil del Tržica. Zanimivo je tudi, da ima hiša belo in crno kuhinjo, lepo krušno pec, v kateri se pece tržiška flika. Pripravlja se iz ploskega krušnega testa, ki je bogato premazano s kislo smetano, posoljeno in posuto s kumino, po želji so mu dodani še ocvirki. Nad štedilnikom visi prticek z zanimivim in poucnim vezenim besedilom: Kdor pridno dela in lakomen ni, lahko brez vsega bogastva živi. Slika 1: Sprehod po starem mestnem jedru Tržica. Naša pot se je nadaljevala v Tržiški muzej. Prostore ima v nekdanji Pollakovi barvarni in usnjarni v starem fužinsko-obrtniškem delu Tržica ob še ohranjenih vodnih rakah. Ustanovljen je bil leta 1955 za predstavitev razvoja obrti in poznejše industrije v tem mestu. Posebno zanimivi so prikazi cevljarstva in obuvanja, izdelave usnja, slavnih tržiških nogavic, izdelave modro tiskanega blaga in smucarske tradi­cije. Viri kažejo, da je Tržic zibelka sodobnega smucanja. V muzeju imajo celo mizarsko mizo ali ponk za izdelavo lesenih smuci. Za razvoj smucarskega muzeja je po mnenju vodnice najbolj zaslužen prof. Jože Rakovec. Po ogledu smo se odpravili z avtobusom v Dolžanovo sotesko, da nas organizatorji izleta pogostijo z res dobrim krofom, ki smo ga lahko zalili z domacimi pijacami. Pot smo nadaljevali po panoramski cesti pod Dobraco do Begunj. Tu nas je pricakala lokalna turisticna vodnica gospa Tina Hiti. Najprej smo krenili na ogled gradu Kamen, danes le še mogocne razvaline na tesnem grebenu, ki zapira dolino Drage. V 12. stoletju so ga zgradili grofje Ortenburški, kasneje so bili lastniki Celjski grofje, od leta 1436 dalje pa Lambergi. Grofje so grad opustili v 18. stoletju, ko so se preselili v udobnejši Katzenstein v središcu vasi. Najstarejši je kvadraten romanski stolp na severozaho­dnem delu. Kasneje je bil nasproti njega sezidan gotski bivalni palacij s prostori v štirih etažah. V 16. stoletju je bil med njima zgrajen še osrednji renesancni palacij z notranjim dvorišcem. Južno pobocje pod gradom je bilo namenjeno terasastim vrtovom, na spodnjem delu pa je bil kompleks gospodarskih poslopij z mlinom in žago. Zvedeli smo še, da so nekoc tu gojili postrvi. Grad je ruševina tudi zato, ker so starega podrli, da so iz tega materiala gradili cerkev v Begunjah in druge objekte. Slika 2: Ob zmaju iz petelinjega jajca, ki naj bi bil po legendi Slika 3: Obiskovalci izleta zvesto poslušamo vodnico Tino odgovoren za nastanek mesta Tržic, je priljubljeno Hiti, ki razlaga zgodovino gradu Kamen. zbirališce za obiskovalce, tudi naša skupina je tu pricakala avtobus, ki nas je odpeljal novim dogodivšcinam naproti. Po ogledu gradu oziroma njegove ruševine smo se odpeljali v središce Begunj in se ustavili pred domacijo Avsenik. Sledil je ogled muzeja Avsenik. Zbirka v prenovljenem muzeju je doživeta pripoved casa, v katerem sta ustvarjala Vilko in Slavko Avsenik. Postavljena je v treh ravneh. Zacetni je posvecen Vilku in Slavku Avseniku, sledi graficni prikaz celotne zgodovine ansambla z zgodbami posameznih clanov, posebno mesto pa ima skladba Na Golici. Glasbeni in video posnetki so multimedijski – z zasloni na dotik. Na ogled so postavljene prve Avsenikove plošce, še nikoli objavljene fotografije iz zakulisja snemanj in tudi fotografije družine Avsenik. Pomembno mesto zaseda vseh 31 zlatih, dve platinasti in ena diamantna plošca ter državna odlikovanja in odlikovanja iz tujine. Ogledali smo si tudi glasbene instrumente, ki so bili v lasti clanov ansambla: dve harmoniki Slavka Avsenika, dve trobenti Franca Koširja, klarineta Vilka Ovsenika in Albina Rudana ter orglice Lea Ponikvarja. Zanimiv je tudi pogled na dolg seznam avtorskih skladb Vilka in Slavka Avsenika. V zgornjem nadstropju smo se sprehodili skozi spominski sobi, posveceni družini Avsenik skozi cas, z ohranjenim starim pohištvom. V muzejski dvorani smo si ogledali dokumentarni film o razvoju fenomena glasbe Avsenik. Po obisku muzeja in kratkem odmoru s kavico v Gostilni in restavraciji Avsenik smo se odpravili v Ra-dovljico. Zaceli smo z ogledom grajskega parka, ki stoji pred vstopom v staro mestno jedro Radovljice. Je blizu edinega mestnega hotela v Radovljici, Grajskega dvora, ki je stvaritev znanega arhitekta Vurnika. Posebno zanimivi v parku so gabrov drevored in edinstveno oblikovane kovinske svetilke. Grajski park je ostanek nekdanjega grašcinskega barocnega vrta, ki ga je dala urediti rodbina Thurn-Valsassina v 17. in 18. stoletju. Grašcinski vrt je bil prvotno povezan z grašcino v starem mestnem jedru. Najprej le z lesenim hodnikom, kasneje pa so zgradili nasip, ki je še vedno uporaben. Mešcani in okolicani so vrt imenovali Paradiž (limone, pomarance). V parku lahko vidimo ostanke nekdanjega zidu, ki ga je obdajal, in spomenik padlim v NOB. V vzhodnem delu parka je lipov nasad z obeliski. Pot smo nadaljevali do Vurnikove hiše nedalec stran od starega mestnega jedra. Preprosto kmecko hišo krasi kip Marije z detetom v vogalni niši. Kip je kopija originala, ki ga hrani Narodna galerija v Ljubljani, izdelal pa ga je Janez Vurnik mlajši. Ivan Vurnik je z ženo Heleno Kottler Vurnik po vrnitvi iz Ljubljane leta 1957 živel v tej hiši vse do svoje smrti. Na Ivana in Heleno, ki je umrla že nekaj let po prihodu v Radovljico, spominja okrogel mozaik s Kristusovim monogramom na vhodnem portalu. Življenje in delo arhitekta Vurnika je na kratko predstavil kolega udeleženec izleta. Vrtnikova hiša za zdaj ni odprta za javnost. Sledil je obisk starega mestnega jedra. Pri vstopu vanj nas je pricakal poznosrednjeveški obrambni jarek, ki je bil v zadnjih letih obnovljen. Osrednji mestni trg na obeh straneh obdajajo lepo vzdrževane srednjeveške in renesancne mešcanske stavbe. Pomembne so naslednje: rojstna hiša Antona Tomaža Linharta, ogled je mogoc le od zunaj, Vidiceva hiša iz leta 1634, Lectarjeva hiša, v kateri je najstarejša radovljiška gostilna, grašcina, cerkev sv. Petra, župnišce z renesancnimi in barocnimi freskami na procelju, Malijeva hiša, Šivceva hiša, spomenik Josipini Hocevarjevi, ki ga je leta 1908 izklesal domacin Josip Pavlin, in srednjeveški vodnjak, ki so ga odkrili med arheološkimi izkopavanji ob obnovi mestnega jedra in nanj opozarja oznaka v tleh. Zaradi pomanjkanja casa si nam ni uspelo ogledati grašcine, v pritlicju katere je glasbena šola, v prvem nadstropju pa cebelarski muzej, ki prikazuje dedišcino slovenskega cebelarstva. Tu je tudi muzejska predstavitev življenja in dela Antona Tomaža Linharta. V Malijevi hiši je od 18. stoletja obratovala strojarska delavnica. Hišo krasi na stebre oprt pomol nad vhodnimi vrati. Klop med stebri so v preteklosti uporabljali tudi za sramotilni steber. Procelje na Šivcevi hiši na zunanji strani krasi freska iz 17. stoletja. V stanovanjskem prostoru je porocna dvorana. Spodnja mestna vrata vodijo proti Savi in naprej v Lipniško dolino. Ogled smo sklenili z ogledom cerkve sv. Petra, razstave slikarskih del, ki prikazujejo razvoj Radovljice skozi cas, in spomenika dr. Cenetu Avguštinu, ki ima velike zasluge, da je mestno jedro ohranjeno in obnovljeno ter v njem potekajo kulturne in glasbene prireditve. Ob koncu obiska Radovljice smo se poslovili od naše izredno prijazne in vsevedne vodnice z željo, da bi nas še kdaj vodila po Gorenjskem. Nadaljevali smo vožnjo do lovskega doma v Mostah pri Žirovnici, kjer smo imeli obilno pozno kosilo in se zadržali v prijetnem kramljanju do vecera. V Ljubljano smo se vrnili polni lepih vtisov in veseli, da smo se spet srecali s kolegicami in kolegi. Po prihodu na parkirišce Dolgi most smo se prijazno poslovili z željo, da ostanemo zdravi in da se spet srecamo, tako na Krimu kot na tradicionalnem izletu starejših geodetov. Vsi udeleženci izleta se iskreno zahvaljujemo organizatorjem za odlicno izvedbo. Miloš že nekaj let prepušca organizacijo izletov upokojenih clanov LGD-ja našemu mlajšemu kolegu Stanetu Drenšku. Tako mu je zaradi nostalgije, ki jo ima na vojna leta, ta izlet predlagal že lani. Letos je zamisel zaživela in doživeli smo nekaj nepozabnega. Drugo leto zopet na svidenje! Za Ljubljansko geodetsko društvo: fotografije: Miloš Šuštaršic zapisala: Milena in Anton Prosen, e-naslov: milenapros@gmail.com in prosenanton@gmail.com 4.SKUPNI IZLET PRIMORSKEGA IN CELJSKEGA GEODETSKEGA DRUŠTVA, KOCEVSKO IN BELA KRAJINA, SEPTEMBER 2021 Koncno! Po dveh letih se le zberemo v naši potujoci knjižnici in po malo zahtevnejši logistiki v Ljubljani poberemo še zadnje bralce. Kar takoj zacnemo s prebiranjem kultne knjige 50 odtenkov…, barva se tokrat spreminja od brezbarvne prek rumene do precej temne. Prvi cilj izleta (ce odštejemo aktivno branje) je ogled Bunkerja Škrilj. Do njega nas iz Kocevske Reke, ki je bila štirideset let zaprta za oci javnosti in kjer je veljal samovoljen režim vladanja, odpeljejo pokritih ust (obvezne maske) in zavezanih oci (da ne vidimo, kam nas peljejo). Bunker je dolgo veljal za eno najvecjih državnih skrivnosti in je odprl vrata javnosti šele pred nekaj leti, da si lahko obiskovalci ogledajo prosto-re, ki so dolga leta burili domišljijo. Zgraditi ga je dal tedanji predsednik Tito v dobi grožnje s hladno vojno med Jugoslavijo in Rusijo, in objekt je ohranjen v skoraj enakem stanju kot pred sedemdesetimi leti. Osemdeset metrov pod površjem, petsto metrov hodnikov in šest podzemnih sob z lastnim vodnim zajetjem in dvema generatorjema za proizvodnjo elektricne energije bi omogocil bivanje ob morebitnem atomskem napadu, v njem pa bi brez zunanje pomoci lahko preživeli tudi do sto dni. Namenjen je bil za telekomunikacijo bunkerja Gotenica. Globoko pod zemljo bi vrvelo in dobra dva ducata ljudi bi v treh izmenah skrbela, da bi bilo slovensko politicno vodstvo, ki bi prebivalo kakšnih deset kilometrov stran, seznanjeno z vsem, kar bi moralo vedeti. Na sreco ni nikoli služil svojemu namenu. Sliki 1 in 2: Utrinki s skupnega izleta Primorskega in Celjskega geodetskega društva. Mešanih obcutkov se odpeljemo iz mracne polpreteklosti proti reki Kolpi. Šofer Branko mojstrsko zvozi ozke ovinke do gostišca Madronic v Prelesju. Tu se nam pridruži lokalni vodic Peter, cisto slucajno po stroki – geodet. Tako lahko vsi skupaj preidemo na bolj strokovno literaturo. Postrežejo nam odlicne postrvi, pripravljene na tradicionalni domaci nacin, nato pa že hitimo na rafting. Zapeljejo nas skoraj do Spodnje Bilpe, posedemo po colnih in odveslamo po »divjih« vodah te najtoplejše slovenske reke. Danes sicer temperatura vode ni prav visoka, a nas to ne ovira pri kopanju in izvajanju drugih vragolij. Kar težko se poslovimo od prelepe kolpske doline in se s precejšnjo zamudo pripeljemo v Metliko. Po nastanitvi v hotel Bela krajina že hitimo do Hiše vin Pecaric, kjer nas sprejmeta Polona in Martin. Polona je bila nedolgo nazaj še uciteljica slovenšcine, njena pesniška, romanticna duša se lepo dopolnjuje z Mar-tinovim znanjem pridelovanja vrhunskih vin. Kar nekaj jih poskusimo, skupaj s Poloninimi zgodbami, domacimi narezki in pogaco nas kar ponesejo po Beli krajini. Za namecek domaca muzikanta že uglašu­jeta harmoniko in kontrabas. Vecer se ob veselih melodijah tako raztegne v noc in že krepko proti jutru. Nedeljsko jutro vecina zacne z otroško in mladinsko literaturo, a kaj hitro smo na resnejši prozi na av-tobusu. Vožnja do vasice Griblje namrec ni prav dolga. Tu nas caka traktor z vpreženim vozom. Odpelje nas cez vas in polja do crede belokranjskih in solcavskih pramenk, med katerimi izstopa zvezda »vecera«, ovca Silvija. Pod budnim ocesom »magistra znanosti ovcjih ved« bomo v naslednjih urah spoznavali Belo krajino in nacin življenja ovac ter tekmovali v zabavnih igrah. Najprej nas povsem neprimerno napravljene mestne ljudi preoblecejo v kmecko opravo (halje, klobuke, škornje), razdelijo v skupine in tekma se lahko zacne. Ocitno sama obleka še ne naredi pastirja, saj se nam ovce po kaki uri razbežijo na sosednji pašnik. Nam pa ostanejo le še teoreticna vprašanja o njihovem poznavanju in oglašanju. Oboroženi z ogromno novega znanja za konec za vsak slucaj vseeno pokukamo še v domaco knjižnico. Pa ne za dolgo, urnik je natrpan in caka nas kosilo. Privošcimo si ga na turisticni kmetiji Matkovic v Gornji Lokvici. Gospa nas sprejme v tradicionalni beli belokranjski noši in s pogaco. Tudi ona z zano­som pove nekaj besed o prelepi Beli krajini. Po kosilu si še ne privošcimo pocitka, pred nami je najtežja preizkušnja tega vikenda. Šola. Pa ne šola kar tako, temvec šola Bistra buca v Radovici. Pod strogim vodstvom ucitelja Jožeta Matekovica se v idilicni hiši preselimo v leto 1957. Na izjemno hudomušen in zabaven nacin se še dodatno spoznamo z Belo krajino, njeno zgodovino in pomembnimi osebami. Gromkega smeha ni ne konca ne kraja in spricevalo, ki ga prejmemo ob koncu, je opozorilo, da bo treba razred ponavljati! Z najvecjim veseljem!  Šola je nastala kot ideja Tonija Gašperica, znamenitega belokranjskega humorista, pisca, kulturnega delavca in cloveka, ki je na obmocju Bele krajine zaslužen za mnogo inovativnih idej. Po obnavljanju naucene snovi v šolski knjižnici se odpeljemo na ogled geodetske tocke 0. reda v Pri­lozje. To je ena od šestih tock državne geodetske mreže, postavljene med letoma 2013 in 2016, ki so približno enakomerno razporejene po celotnem ozemlju Slovenije. Mreža povezuje in nadgrajuje doslej najvišje redove teresticne, nivelmanske in gravimetricne mreže. Tocko sestavlja dvometrski steber, ki stoji na temeljni plošci, povezani s trdno podlago in zasuti z zemljo. Na vrhu stebra sta namešceni dve GNSS-anteni za sprejem satelitskih signalov, v omarici v notranjosti so merilni instrumenti, ob vznožju stebra pa so stabilizirane še štiri tocke, vkljucno z referencno višinsko tocko (reperjem) za nivelmansko izmero in meritve težnega pospeška. Slika 5: Pred staro šolo v Radovici. Navdušeni nad vsem osvojenim znanjem se snidemo v domaci potujoci knjižnici in pricnemo z vraca­njem proti domu. Žal nas vecerni mrak prikrajša še za zadnje presenecenje – obisk koruznega labirinta ob poti, a se zato ne poslovimo nic manj navdušeni. Zahvala vsem udeležencem, vodicki Sandri in šoferju Branku za veliko dobre volje, turisticni agenciji Ideja turizem iz Sežane za potrpljenje in trud, da smo kljub skromni udeležbi izpeljali ekskurzijo, in lokalni agenciji Bravina, da ste nam Belo krajino naredili nepozabno! Za Primorsko geodetsko društvo in Celjsko geodetsko društvo: fotografije: iz arhiva udeležencev strokovne ekskurzije zapisala: Mojca Krivec, »uradna dopisnica« s skupnih izletov PGD in CGD | 686 | IN MEMORIAM STANETU CERARJU V SLOVO 1962–2021 Mnogo prezgodaj nas je zapustil naš direktor, sodelavec in kolega Stane Cerar. Da bi opisali, kakšen je bil in kaj je poosebljal, bi potrebovali celo množico presežnikov, ki bi jih težko strnili. Lahko bi se izrazili, da je bil Stane med geodeti pravi gentleman, clovek stare šole. Imel je spoštljiv odnos do vseh, starih in mladih, prijaznih in nadutih, do partnerjev in tudi konkurentov. Vedno je poudarjal, da je treba mlade vzpodbujati in motivirati, starejše pa spoštovati in se po njih zgledovati. Odlikovala ga je lastnost, da je s svojo mirnostjo in pragmaticnostjo znal ljudi povezovati in ne razdvajati. Njegova strokovna pot se je zacela s študijem geodezije na Fakulteti za arhitekturo, gradbeništvo in geode-zijo v Ljubljani. Po opravljeni diplomi se je zaposlil na Geodetskem zavodu Slovenije, kjer je že od samega zacetka kazal velik strokovni potencial. Kot vsak zacetnik je bil tudi Stane najprej deležen dela na terenu in opravljanja geodetskih meritev. Kmalu je napredoval na Inštitut Geodetskega zavoda, kjer se je veliko posvecal programiranju in razvoju programov za geodetska racunanja. Bil je med pionirji pri digitalizaciji geodetskih podatkov, razvil je programsko opremo za nastavitev topografske baze Ljubljane, geodetskim upravam v Sloveniji in na Hrvaškem pa je pomagal pri zacetku digitalizacije zemljiškokatastrskih nacrtov. Leta 2007, ko je bil Geodetski zavod Slovenije prodan, je moral Stane in še nekaj njegovih kolegov obrniti nov list v svojem življenju. Ustanovili so Geodetsko družbo, ki jo je sestavljala pisana skupina mlajših in starejših ter nadobudnih in zagnanih geodetov. Najbolj zagnan med njimi je bil ravno Stane, saj je bil alfa in omega vsega, kar je nastajalo na novo. Bil je prisoten v vseh porah podjetja in je vecino svojega casa preživel ravno tam, med nami. Za Staneta služba ni bila zgolj služba, ampak nekaj, pri cemer lahko pokaže svoje znanje, strokovnost, svojo predanost, kreativnost, svojo nesebicnost. Vedno nam je govoril, da že pridobljeno znanje ni dovolj, temvec da je treba neprestano iskati širino v razmišljanju in znanju, imeti pred seboj napredek in razvoj, zato nam je v podjetju rad omogocil dodatna izobraževanja. Težave zanj niso bile težave, temvec izzivi, da se najdejo primerne rešitve. Vedno mu je bila na prvem mestu strokovnost in kakovost, pa cetudi na racun manjšega zaslužka. Zaradi vsega navedenega je bil prav posebej ponosen na plod lastnega znanja in razvoja Geodetske družbe, to je geodetski program GeoPro. Vsi, ki smo bili deležni Stanetove prisotnosti, smo se od njega lahko veliko naucili. Kadar smo bili negotovi in v dilemi, je bil Stane naš angel varuh, saj nas je znal opogumiti, nas motivirati in pravilno usmeriti. Sedaj pa je prišel cas, da tudi Stane dobi pomoc svojega angela varuha, ki ga bo za vedno spremljal in cuval. Dragi Stane, hvala ti za vse. Pocivaj v miru. Vsi tvoji sodelavci iz Geodetske družbe DIPLOME IN MAGISTERIJI NA ODDELKU ZA GEODEZIJO UL FGG OD 1. 8. 2021 DO 31. 10. 2021 MAGISTRSKI ŠTUDIJSKI PROGRAM DRUGE STOPNJE GEODEZIJA IN GEOINFORMATIKA Zvonimir Bano Sanacija geodetske mreže v Luki Koper Mentor: izr. prof. dr. Tomaž Ambrožic Somentor: doc. dr. Oskar Sterle URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=132387 Žan Belšak Primerjalna analiza vrednotenja stavbnih zemljišc po zakonih o množicnem vrednotenju nepremicnin iz leta 2006 in leta 2017 Mentorica: izr. prof. dr. Maruška Šubic Kovac Somentor: mag. Tomaž Cerne URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=132385 Lucija Dragovan Analiza uporabnosti termografije v arheologiji Mentor: prof. dr. Krištof Oštir Somentor: doc. dr. Žiga Kokalj URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=130582 Tomaž Gnidovec Vzvratno inženirstvo na primeru tradicionalnega slovenskega plovila Batela Mentor: doc. dr. Tilen Urbancic URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=128880 Veronika Grabrovec 3D modeliranje samostana Jurklošter iz fotogrametricnega oblaka tock Mentor: doc. dr. Dejan Grigillo Somentor: doc. dr. Klemen Kozmus Trajkovski URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=130862 Anže Gracar Dolocitev debeline snežne odeje letalnice v Planici na osnovi primerjave fotogrametricnih 3D modelov Mentor: doc. dr. Klemen Kozmus Trajkovski Somentorica: asist. Neža Ema Komel URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=130861 Jan Jež Funkcionalne regije srednješolskega izobraževanja v Sloveniji Mentor: doc. dr. Samo Drobne URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=131138 Nataša Jožef Študija možnosti evidentiranja služnostne pravice v katastru nepremicnin Mentorica: izr. prof. dr. Anka Lisec Somentor: viš. pred. dr. Miran Ferlan URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=131141 Anja Kržan Analiza možnosti uvedbe 3D-katastra v Sloveniji z vidika 3D-modeliranja stavb Mentorica: izr. prof. dr. Anka Lisec Somentor: asist. dr. Jernej Tekavec URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=131512 Žiga Maroh Metode vizualizacije digitalnega modela reliefa z uporabo ArcGIS Pro rastrskih funkcij Mentor: prof. dr. Krištof Oštir Somentorja: doc. dr. Žiga Kokalj, mag. Guenter Doerffel URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=132382 Aljaž Peklaj Celosten postopek izdelave georeferenciranega oblaka tock Velike dvorane Županove jame Mentor: doc. dr. Aleš Marjetic Somentorja: doc. dr. Dejan Grigillo, doc. dr. Polona Pavlovcic Prešeren URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=130860 Blaž Petovar Primerjava razlicnih modelov geoida na obmocju Slovenije Mentor: doc. dr. Miran Kuhar Somentorja: doc. dr. Božo Koler, asist. Klemen Ritlop URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=130260 Luka Pretnar Lasersko skeniranje industrijskega objekta Mentor: izr. prof. dr. Tomaž Ambrožic Somentor: asist. dr. Klemen Kregar URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=132389 David Puric Kontrola vodil sedežnice v NC Planica Mentor: doc. dr. Tilen Urbancic URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=130261 Anja Šinkovec Analiza kakovosti direktnega georeferenciranja daljinsko vodenega letalnika z metodama RTK in PPK Mentorica: doc. dr. Polona Pavlovcic Prešeren Somentor: doc. dr. Klemen Kozmus Trajkovski URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=131125 Filip Viler Vzpostavitev sistema za neposredno georeferenciranje daljinsko vodenega letalnika Mentor: prof. dr. Bojan Stopar Somentorica: doc. dr. Polona Pavlovcic Prešeren URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=129074 UNIVERZITETNI ŠTUDIJSKI PROGRAM PRVE STOPNJE GEODEZIJA IN GEOINFORMATIKA Sebastjan Bohinec Klasicna izmera kontrolne mreže tock na ljubljanskem avtosejmu Mentor: izr. prof. dr. Tomaž Ambrožic Somentor: izr. prof. dr. Dušan Kogoj URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=131144 Nina Crnigoj Analiza višin planinsko zanimivih vrhov in drugih znacilnih tock v Sloveniji Mentor: doc. dr. Dušan Petrovic Somentorja: doc. dr. Polona Pavlovcic Prešeren, Andrej Stritar URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=130469 Andraž Furlan Tehnicni, pravni in financni vidiki uporabe daljinsko vodenih letalnikov za namene geodetske dejavnosti Mentor: doc. dr. Dejan Grigillo Somentor: doc. dr. Klemen Kozmus Trajkovski URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=131516 Juš Gašparic Projekt izdelave karte pohodniške poti po Kamniški Bistrici Mentor: doc. dr. Dušan Petrovic Somentorja: doc. dr. Klemen Kozmus Trajkovski, Grega Ugovšek URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=130314 Selvedina Hušidic Uporaba Helmertove transformacije v ravnini v geodetski izmeri Mentor: doc. dr. Miran Kuhar Somentor: asist. Klemen Ritlop URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=131515 Žiga Kobale Dolocitev višinske transformacijske ploskve na izbranih obmocjih Slovenije Mentor: doc. dr. Božo Koler Somentor: doc. dr. Tilen Urbancic URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=131513 Sanja Kodrin Predlog prostorskega razvoja podeželskega naselja Mentorica: doc. dr. Alma Zavodnik Lamovšek Somentor: asist. dr. Gašper Mrak URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=131443 Tinkara Langus Vpliv sestave fotogrametricnega bloka na tocnost aerotriangulacije Mentor: doc. dr. Dejan Grigillo Somentorica doc. dr. Polona Pavlovcic Prešeren URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=131131 Marta Lipoglavšek Izdelava kart igrišca Golf Grad Otocec Mentor: doc. dr. Dušan Petrovic URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=131684 Veljko Miljkovic Izmera veslaške proge na Bledu Mentor: izr. prof. dr. Tomaž Ambrožic Somentorica: doc. dr. Polona Pavlovcic Prešeren URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=131135 Gašper Oder Pregled tehnologij in zasnova samovozecega avtomobila Mentor: prof. dr. Krištof Oštir Somentor: asist. dr. Jernej Tekavec URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=130865 Nika Struna Izmera kretniške zveze kretnic številka 8 in 9 na železniški postaji Breg Mentor: doc. dr. Božo Koler Somentor: doc. dr. Tilen Urbancic URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=130863 Ida Šelih Kontrola stabilnosti geodetske mreže na Letalnici bratov Gorišek Mentor: doc. dr. Božo Koler Somentor: doc. dr. Tilen Urbancic URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=131143 Matej Vesel Uporaba satelitskih sistemov GPS, GLONASS, Galileo in Beidou v geodetski izmeri Mentor: prof. dr. Bojan Stopar Somentor: doc. dr. Oskar Sterle URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=131514 Adna Vukalic Izdelava turisticne karte jezera Jasna in okolice Mentor: doc. dr. Dušan Petrovic Somentor: doc. dr. Klemen Kozmus Trajkovski URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=130470 VISOKOŠOLSKI STROKOVNI ŠTUDIJSKI PROGRAM PRVE STOPNJE TEHNICNO UPRAVLJANJE NEPREMICNIN Andraž Erculj Dolocanje nihanja gladine Bohinjskega jezera Mentor: izr. prof. dr. Tomaž Ambrožic Somentor: doc. dr. Aleš Marjetic URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=130864 Veronika Lavric Upoštevanje starih katastrskih elaboratov ob katastrski izmeri Mentor: viš. pred. dr. Miran Ferlan URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=131137 Rok Maver Pregled stanja tock državnih trigonometricnih mrež na obmocju Žužemberka Mentor: izr. prof. dr. Dušan Kogoj Somentorica: doc. dr. Mihaela Triglav Cekada URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=131145 Katjuša Potocnik Vpliv epidemije covid-19 na trg stanovanjskih nepremicnin v Gorenjski statisticni regiji Mentorica: izr. prof. dr. Maruška Šubic Kovac URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=129905 Nejc Slemenšek Problem bocne refrakcije v predoru Mentor: izr. prof. dr. Tomaž Ambrožic Somentor: asist. Gašper Štebe URL: https://repozitorij.uni-lj.si/IzpisGradiva.php?id=129005 Vir: Univerza v Ljubljani, Fakulteta za gradbeništvo in geodezijo UL FGG Za študijski referat: Teja Japelj 30 let 40 mio parcel v produkciji 4 države 30 years 40 mil cadastral parcels in production 4 countries GEODETSKI VESTNIK Si študent/ka UL FGG, absolvent/ka ali pa si že diplomiral/a? Pridruži se Alumni klubu FGG, ki predstavlja strokovno in družabno sticišce generacij, ki so uspešno zakljucile študij na UL FGG. Hkrati, ko boš clan/ica Alumni kluba FGG, boš tudi del široke mreže vseh alumnov UL. GEODETSKI VESTNIK Milan Brajnik, predsednik www.lgd.si Geodetski vestnik je odprtodostopna revija, ki izhaja štirikrat letno v tiskani in spletni razlicici. V Geodetskem ve­stniku objavljamo recenzirane znanstvene in strokovne clanke, pregledne clanke, strokovne razprave ter druga podobna dela s podrocij geodezije, geodetske izmere, daljinskega zaznavanja, fotogrametrije, geoinformatike, prostorske podatkovne infrastrukture in prostorskega podatkovnega modeliranja, sistemov v podporo odlocanju v prostoru, upravljanja zemljišc in prostorskega planiranja. Kot glasilo Zveze geodetov Slovenije objavljamo tudi novice v geodetski stroki, kar vkljucuje novosti državne geodetske uprave, novosti nacionalnih in mednarodnih strokovnih združenj, porocila o projektih in dogodkih, sporocila clanom zveze in podobne zapise. Vec informacij o reviji in navodila za pripravo prispevkov najdete na spletni strani revije www.geodetski-vestnik.com. Geodetski vestnik is an open access journal, issued quarterly in print and online versions. It publishes double-blind peer-reviewed academic and professional articles, reviews, discussions, and related works from the fields of ge­odesy, land surveying, remote sensing, photogrammetry, geoinformatics, spatial data infrastructure and spatial data modelling, spatial decision support systems, land management, and spatial planning. As the bulletin of the Association of Surveyors of Slovenia, the journal also publishes news in the surveying profession, including news from the surveying and mapping authority of Slovenia, news from national and international professional societies, reports on projects and events, communications to members, and similar reports. More information about the journal and instructions for authors is available at www.geodetski-vestnik.com. | 704 | GEODETSKI VESTNIK ISSN 0351-0271 | EISSN 1581-1328 | | letn./Vol. 65 | št./No. 4 | str./pp. 501–704 | RECENZIRANI CLANKI | PEER-REVIEWED ARTICLES Melita Ulbl, Andraž Muhic UPORABA SREDNJIH MER ZA POJASNJEVANJE CEN NA TRGU NEPREMICNIN THE USE OF MEAN VALUES FOR REPORTING REAL ESTATE PRICES Gregor Cok, Samo Drobne, Gašper Mrak, Mojca Foški, Alma Zavodnik Lamovšek VPLIV CENTRALIZACIJE DELOVNIH MEST IN POSLOVNIH SUBJEKTOV NA PROSTORSKI RAZVOJ THE IMPACT OF THE CENTRALISATION OF WORKPLACES AND BUSINESS ENTITIES ON SPATIAL DEVELOPMENT Simon Šanca, Krištof Oštir, Alen Mangafic ZAZNAVANJE STAVB Z UPORABO NEVRONSKIH MREŽ, UCENIH S PRENOSOM ZNANJA BUILDING DETECTIONWITH CONVOLUTIONAL NETWORKSTRAINEDWITHTRANSFER LEARNING Robert Klinc, Uroš Jotanovic, Klemen Kregar OBLAKI TOCK ZA UPORABO V INFORMACIJSKIH MODELIH GRADENJ (BIM) POINT CLOUDS FOR USE IN BUILDING INFORMATION MODELS (BIM) ....ˆ..°ˆ ..°..ˆ