Unser Kunde

Überwachung von urbanen Veränderungen

Ein Algorithmus zur Bildsegmentierung unterstützt nachhaltige Stadtplanung.

Input:Satelliten-Radarbilder
Output:    Horizontale Ausdehnung und vertikale Veränderung von Städten
Ziel:Urbanes Wachstum günstig und regelmäßig überwachen

Ausgangspunkt

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.

Am Beispiel von drei Metropolen in Westafrika (Accra, Lagos, Luanda) untersuchte dida, 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.

Lagos, Nigeria. Fehlende Müllabfuhr ist nur eines von vielen Problemen in schnell wachsenden Städten.

Lagos, Nigeria. Fehlende Müllabfuhr ist nur eines von vielen Problemen in schnell wachsenden Städten.

Accra, Ghana. Drohnenaufnahmen wie diese zeigen die Stadt zwar hoch aufgelöst, sind jedoch für große Gebiete teuer.

Accra, Ghana. Drohnenaufnahmen wie diese zeigen die Stadt zwar hoch aufgelöst, sind jedoch für große Gebiete teuer.

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.

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

Wir hatten die Möglichkeit, in diesem Projekt durch die ESA auf hochauflösende Satellitendaten wie RapidEye (5 Meter/Pixel), TerraSAR-x (3 Meter) und TanDEM-X-Daten (12 Meter) zuzugreifen. Wir erstellten zwei getrennte Machine Learning-Modelle; beide Modelle basieren auf TerraSAR-X-Daten als Datenquelle. Die Zieldaten sind...

  • für die horizontale Segmentierung: binäre Labels, die aus RapidEye-Daten generiert wurden

  • für die vertikale Ausdehnung: TanDEM-X-Daten

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.

Horizontale Ausdehnung für verschiedene Teile von Lagos (Nigeria):

Vertikale Höhenkarten von Lagos:

Wolf Winkler

Principal Consultant - AI, Automation and Digital Innovation

wolf.winkler@dida.do

Technische Details

Hintergrund

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.

Unsere Lösung

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. Wir entschieden, dass wir eine höhere räumliche Auflösung gegenüber der zeitlichen Frequenz bevorzugten. Es boten sich zwei Optionen: TerraSAR-X StripMap und Sentinel-1. Dar TerraSAR-X die höhere Auflösung bietet, wählten wir es als primäre Datenquelle für beide Aufgaben.

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 Ausdehnung wählten wir eine U-Net-Netzwerkarchitektur. Für die vertikale Ausdehnung wählten wir den relativ neuartigen Im2Height-Ansatz.

Während wir zeigen konnten, 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 stärker verrauscht und fehleranfällig. Der wahrscheinlichste 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.

Wenn Sie noch mehr zu diesem Projekt erfahren wollen, lesen Sie unseren Blogpost!

Eingesetzte Technologien

Backend: Python, PyTorch, PyTorch-Lightning, NumPy, Rasterio

Infrastructure: GCloud (Training), Git, tensorboard

Karten zur horizontalen Ausdehnung von Lagos von 2011 bis 2019:

Horizontale Ausdehnung für verschiedene Teile von Lagos:

Vertikale Höhenkarten von Lagos:

KI-News jedes Quartal

Erhalten Sie Nachrichten über Machine Learning und Neuigkeiten rund um dida.

Erfolgreich angemeldet.

Gültige Email-Adresse benötigt.

Email-Adresse bereits registriert.

Etwas ist schiefgelaufen. Bitte versuchen Sie es nochmal.

Mit dem Klick auf "Anmelden" erklären Sie sich mit unserer Datenschutzerklärung einverstanden.

dida Logo