© unsplash/@ianplaytheworld
Analyse von Städtewachstum und Stadtveränderungen
Hintergrund
Der starke Anstieg der städtischen Bevölkerung und das damit verbundene Städtewachstum stellt Behörden und Versorgungsunternehmen vor Herausforderungen, insbesondere in Entwicklungs- und Schwellenländern. Sie müssen für ausreichenden Wohnraum, gute öffentliche Verkehrsmittel und eine angemessene Infrastruktur wie Schulen, Sanitäranlagen, Elektrizität und Abfallwirtschaft sorgen.
Die Planung der Infrastruktur dauert jedoch Jahre oder Jahrzehnte, während der Bevölkerungszustrom für schnell wachsende städtische Gebiete bei Zehn- bis Hunderttausenden pro Jahr liegt. Um die Stadtbevölkerung zu schätzen und den Infrastrukturbedarf schon in früheren Stadien abzuleiten, sollte die Ausdehnung des städtischen Gebiets dauerhaft überwacht werden. Darüber hinaus können im Nachhinein Städtewachstum und Siedlungsbewegungen bestimmten Ereignissen zugeordnet werden, um die zugrunde liegenden Kausalitäten zu verstehen.
Herausforderungen
Die automatisierte Überwachung des städtischen Wandels in Bezug auf Landausdehnung sowie Bebauungshöhe und -dichte kann durch die Verarbeitung von Satellitenbilddaten erreicht werden. Dazu braucht ein Machine Learning (ML) Modell Training mit gelabelten Satellitendaten, um Muster zu erkennen wie z.B. Veränderungen der Landbedeckung und Landnutzung, des Straßennetzes oder der Versiegelung.
Allerdings kann die räumliche Auflösung von Open-Access-Satellitendaten wie Landsat-8, Sentinel-2 und Sentinel-1 zu gering sein, so dass feinere Details schwer zu extrahieren sind, was zu einer schlechten Leistung bei der Vorhersage führt. Dies gilt insbesondere für die Höhenschätzung von städtischen Gebieten. Die Satellitendaten für das Training können aus mehreren offenen Datenquellen entnommen werden, die Daten im sichtbaren und Radarspektrum liefern, die beide zur Analyse des Stadtwachstums verwendet werden können.
Lösungsansatz
Die Lösung für die Überwachung des städtischen Wachstums und Wandels mit Satellitendaten besteht aus zwei Aufgaben: horizontale Segmentierung und vertikale Schätzung. ML-Modelle für Bildsegmentierungsaufgaben sind in der Regel spezielle Convolutional Neural Networks (CNN), wie z.B. U-Net oder Mask R-CNN Algorithmen.
Für die Höhenschätzung von Satellitenbildern kann der Ansatz Im2Height verwendet werden, dessen Architektur aus einem Convolutional Sub-Network und einem Deconvolutional Sub-Network besteht. Diese Methode ist besonders anfällig für Daten mit geringer Auflösung, da der Höhenunterschied zwischen den Pixeln sehr groß sein kann, so dass die richtige Wahl der Datenquelle sehr wichtig ist.
Es sollten auch Daten mit unterschiedlichen Wellenlängenspektren verwendet werden, da sie verschiedene Merkmale enthalten können. Zum Beispiel können Höheninformationen aus den Schatten von Gebäuden abgeleitet werden, die nur im sichtbaren Wellenlängenbereich erkennbar sind. Radardaten bieten sich wiederum für andere Methoden der Höhenschätzung an.