© unsplash/@ianplaytheworld

© unsplash/@ianplaytheworld
Regierung & Öffentlicher Sektor

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. Durch ständige Überwachung der städtischen Gebiete kann die Stadtbevölkerung geschätzt und der Infrastrukturbedarf in früheren Stadien abgeleitet 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 kann ein Machine Learning (ML) Modell mit gelabelten Satellitendaten trainiert werden, um Muster zu erkennen, wie z.B. Veränderungen der Landbedeckung und Landnutzung, des Straßennetzes oder der Versiegelung, und um Vorhersagen für neue, ungesehene Satellitenbilder auf der Grundlage früherer Siedlungsmuster zu treffen.

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, die verschiedene Merkmale von hohen Objekten enthalten können, z.B. Schatten von Wolkenkratzern in visuellen Daten im Gegensatz zu Radardaten.

Passende Case Studies

© Anthony Rosset
Computer Vision

Überwachung von urbanen Veränderungen

Ein Algorithmus zur Bildsegmentierung unterstützt nachhaltige Stadtplanung.
Unsere Lösung