Computer Vision Case Study

Überwachung von urbanen Veränderungen

Tipp: Wechseln Sie zwischen allgemeinen Informationen und einer eher technischen Sicht auf dieses Projekt

Intro

Der Anteil städtischer Bevölkerung, insbesondere in Entwicklungs- und Schwellenländern, wächst schnell. Im Jahr 2050 werden 68% der Weltbevölkerung in Städten leben, im Vergleich zu 55% im Jahr 2018 und 30% im Jahr 1950, wodurch zwischen 2018 und 2050 2,5 Milliarden Stadtbewohner hinzukommen werden. Aus diesem Grund sind "Zukunftsfähige Städte" zu einem wichtigen UN-Ziel für nachhaltige Entwicklung geworden (SDG #11). Gut verwaltete Städte bieten ihren Bürgern Zugang zu grundlegender Infrastruktur, sind wirtschaftliche Machtzentren für Entwicklungsländer und haben einen großen Einfluss auf andere UN SDG-Ziele wie Armutsbekämpfung, Gesundheit und Wohlergehen, hochwertige Bildung, menschenwürdige Arbeit und Wirtschaftswachstum. Am Beispiel von drei Metropolen in Westafrika (Accra, Lagos, Luanda) wurde untersucht, welche Lösung zur Überwachung von Stadtwachstum (horizontale Ausdehnung und Veränderung) und Stadtverdichtung (vertikale Veränderung) auf Basis von Satellitendaten und auf Basis von Machine Learning Algorithmen zur Unterstützung der Stadtplanung technisch umsetzbar ist.

Der Anteil städtischer Bevölkerung, insbesondere in Entwicklungs- und Schwellenländern, wächst schnell. Im Jahr 2050 werden 68% der Weltbevölkerung in Städten leben, im Vergleich zu 55% im Jahr 2018 und 30% im Jahr 1950, wodurch zwischen 2018 und 2050 2,5 Milliarden Stadtbewohner hinzukommen werden. Aus diesem Grund sind "Zukunftsfähige Städte" zu einem wichtigen UN-Ziel für nachhaltige Entwicklung geworden (SDG #11). Gut verwaltete Städte bieten ihren Bürgern Zugang zu grundlegender Infrastruktur, sind wirtschaftliche Machtzentren für Entwicklungsländer und haben einen großen Einfluss auf andere UN SDG-Ziele wie Armutsbekämpfung, Gesundheit und Wohlergehen, hochwertige Bildung, menschenwürdige Arbeit und Wirtschaftswachstum. Am Beispiel von drei Metropolen in Westafrika (Accra, Lagos, Luanda) wurde untersucht, welche Lösung zur Überwachung von Stadtwachstum (horizontale Ausdehnung und Veränderung) und Stadtverdichtung (vertikale Veränderung) auf Basis von Satellitendaten und auf Basis von Machine Learning Algorithmen zur Unterstützung der Stadtplanung technisch umsetzbar ist.

Ausgangslage

Die Stadtplanung in schnell wachsenden Städten ist eine anspruchsvolle Aufgabe, insbesondere unter Ressourcenknappheit. In Lagos (Nigeria), Accra (Ghana) und Luanda (Angola), für die unsere Lösung entwickelt wurde, ist die Bildung von Slums ein großes städtebauliches Problem, da sich immer mehr Menschen in den Randgebieten dieser Städte niederlassen. In diesen Gebieten gibt es keine grundlegende Infrastruktur wie Wasser, Elektrizität oder öffentliche Schulen. Aus diesem Grund möchten Stadtplaner in der Lage sein, das Wachstum der Vorstadtgebiete zu überwachen.

Stadtplanungsbehörden beschäftigen eine Reihe von GIS-Experten, die Erfahrung im Umgang mit GIS-Software wie ArcGIS haben. Für die langfristige Infrastrukturplanung ist eine sehr hohe Auflösung auf Gebäudeebene erforderlich. Aus diesem Grund werden Drohnen- oder LIDAR-Aufnahmen aus Befliegungen angeschafft. Da Befliegungen aber sehr kostenintensiv sind, werden diese Flüge je nach den verfügbaren finanziellen Mitteln alle zwei bis zehn Jahre durchgeführt. Dies ist aufgrund der Wachstumsdynamik dieser Städte unzureichend.

Satellitendaten bieten zwar eine geringere räumliche Auflösung, sind aber aufgrund der höheren Zeitfrequenz, komplementär. In der Praxis werden häufig Bing und Google Maps verwendet. Die Zeitintervalle dieser Bilder unterscheiden sich jedoch, da z.B. Google Maps wolkenfreie Bilder zusammenfügt, sobald sie verfügbar sind. Darüber hinaus ist die Aktualisierungshäufigkeit für Länder außerhalb Nordamerikas und Europas eher gering, was dazu führt, dass die Bilder in anderen Geografien weniger aktuell sind.

Herausforderungen

Stadtplaner benötigen sehr detaillierte Informationen in vertikaler und horizontaler Skala von einzelnen Häusern. Kein aktuelles Satellitenbild bietet jedoch die erforderliche räumliche Auflösung zu vertretbaren Kosten. Aus diesem Grund arbeiten Stadtplaner in Entwicklungsländern unterjährig weitgehend mit Google oder Bing Maps, die hochauflösende Daten liefern, allerdings in unregelmäßigen Abständen. Zusätzlich werden Drohnen und LIDAR-Flüge mit hochauflösenden Bildern (10 - 30 Zentimeter) durchgeführt. Aufgrund von Haushaltszwängen ist dies allerdings nur alle zwei bis zehn Jahre möglich.

Satellitendaten mit geringerer Auflösung, wie z.B. Sentinel-1 (Radar) oder Sentinel-2 (optisch), werden aufgrund der geringen Auflösung, der Wolkenbedeckung sowie des manuellen Aufwands zur kontinuierlichen Analyse dieser Objekte oft vernachlässigt.

Nicht-kommerzielle Satellitendaten wie Sentinel-1, Sentinel-2 oder Landsat-8 mit regelmäßigen Aktualisierungen sind für GIS-Experten Alternativen zur Überwachung von Stadtwachstum und -veränderungen. Aufgrund der geringen räumlichen Auflösung von 10 - 30 Metern und der erforderlichen manuellen Analyse stellt dies jedoch keine praktikable Option für die kontinuierliche Überwachung städtischer Gebiete dar.

Optische Satellitendaten haben den Nachteil, dass die Wolkenbedeckung Beobachtungen in hoher zeitliche Abfolge verhindert, insbesondere in tropischen Regionen wie den für dieses Projekt ausgewählten Städten.

Satelliten-Höhendaten sind schwierig zu geringen Kosten und in hohen Zeitintervallen zu erhalten. TanDEM-x, ASTER- und SRTM-Daten gehören zu den in Betracht zu ziehenden Optionen.

Lösung

Aufgrund der Möglichkeit in diesem Projekt durch die ESA auf hochauflösende Satellitendaten wie RapidEye (5 Meter), TerraSAR-x (3 Meter) und TanDEM-X-Daten (12 Meter) zugreifen zu können, wurden zwei getrennte Machine Learning-Modelle gebaut. Beide Modelle basieren auf TerraSAR-X-Daten als Datenquelle. Die Zieldaten sind binäre Annotationen, die aus RapidEye-Daten für die vertikale Ausbreitung bzw. TanDEM-X-Daten für die horizontale Segmentierung erstellt bzw. generiert wurden.

Ziel des Projektes war es, ein Modell zu trainieren, das die Bebauung bzw. die horizontale Ausdehnung eines Stadtgebietes vorhersagen und die vertikale Höhe auf der Grundlage eines gemessenen DEM-Datensatzes vorhersagen kann.

Für die horizontale Ausbreitung konnte eine hohe Genauigkeit erreicht werden und es konnten sehr genaue Karten erstellt werden, die die Ausdehnung städtischer Gebiete über Zeit darstellen. Die Bestimmung der vertikalen Höhe war jedoch aufgrund der relativ geringen Auflösung anfälliger für Fehler und statistisches Rauschen. Mit höher aufgelösten Satellitendaten zu geringen Kosten könnte eine vertikale Kartierung in den kommenden Jahren machbar werden.

Da optische Daten und Höhendaten Nachteile in Bezug auf Wolkenbedeckung und Aktualisierungsintervalle haben, haben wir beschlossen, eine Lösung auf der Grundlage von Radardaten mit der höchstmöglichen zeitlichen und räumlichen Auflösung zu entwickeln. Die Untersuchungen und Gespräche mit GIS-Experten im Vorfeld haben gezeigt, dass Stadtplaner in erster Linie mit sehr hochauflösenden Daten wie Drohnenbildern arbeiten und ihre Analyse von sich ausdehnenden städtischen Gebieten derzeit etwa einmal pro Jahr oder alle zwei Jahre durchführen. Es wurde entschieden, dass eine höhere räumliche Auflösung gegenüber der zeitlichen Frequenz bevorzugt wird. Da die Optionen TerraSAR-x StripMap und Sentinel-1 waren, wurde TerraSAR-x StripMap als primäre Datenquelle für beide Aufgaben gewählt.

Alle Satellitendaten wurden vorprozessiert, um sie für die Einspeisung in ein Machine Learning-Modell vorzubereiten.

Terra-SAR-x wurde als Input für die Deep Learning-Modelle, RapidEye (für die horizontale Ausdehnung) und TanDEM-X (für die digitale Höhe) als Label oder Ground Truth für die Machine Learning-Modelle verwendet. Für die horizontale Erweiterung wurde eine U-Net-Netzwerkarchitektur gewählt. Für die vertikale Elevation wurde der relativ neuartige Im2Height-Ansatz gewählt.

Während gezeigt werden konnte, dass die horizontale städtische Ausdehnung ziemlich genau vorhergesagt werden kann (F1-Wert von 0,9 auf dem Trainingsdatensatz und 0,8 auf dem Testsatz), waren die Ergebnisse der vertikalen Höhenvorhersagen ziemlich verrauscht und fehleranfällig. Der wahrscheinliche Grund dafür ist, dass die TanDEM-x-Daten eine geringere Auflösung haben als die Auflösung der Eingabedaten, die in der Originalarbeit von Mou und Zhu (2017) verwendet wurde.

Produkt

Karten zur horizontalen Ausdehnung von Lagos von 2011 bis 2019:

Vertikale Höhenkarten von Lagos von 2011 bis 2019:

Karten zur horizontalen Ausdehnung von Lagos von 2011 bis 2019:

Vertikale Höhenkarten von Lagos von 2011 bis 2019:

Mehr Case Studies in Computer Vision

Computer Vision

Automatische Planung von Solaranlagen

Durch kreative Lösungen konnten wir die Planung von Solaranlagen automatisieren.
Unsere Lösung
Computer Vision

Automatische Erkennung von Kleinbergbau

Ein Beispiel wie Machine Learning dazu beiträgt Umweltzerstörungen zu verhindern.
Unsere Lösung