Leibniz Universität Hannover zur zentralen Website
Konstruktiver Ingenieurbau
Wasser und Umwelt
Geodäsie und Geoinformatik
Weitere Einrichtungen
Kontakt

Mit Künstlicher Intelligenz vom Luftbild zur Karte

GeoWerkstatt-Projekt des Monats Juni 2018

Projekt:  Klassifikation von Landbedeckung und Landnutzung mit Convolutional Neural Networks

Forschende:  Landesamt für Geoinformation und Landesvermessung Niedersachsen, Landesamt für Vermessung und Geoinformation Schleswig - Holstein, Landesamt für innere Verwaltung Mecklenburg - Vorpommern, apl. Prof. Dr. techn. Franz Rottensteiner, Prof. Dr. - Ing. Christian Heipke

Geodatenbanken der Landnutzung enthalten Informationen mit hohem Nutzen für verschiedene Nutzergruppen, insbesondere für die städtische Bauplanung und das Baumanagement. Je höher der Detaillierungsgrad, sowohl hinsichtlich der Größe geometrischer Einheiten als auch der Vielfalt der Landnutzungsklassen, desto mehr Anwendungen sind möglich. Durch städtisches Wachstum und Landnutzungsumwandlung sind solche Geodatenbanken jedoch schnell veraltet. Eine Lösung könnte die automatische Aktualisierung für großflächige Landnutzungsdatenbanken sein.

Der Begriff Landnutzung zeigt die sozio-ökonomische Funktion eines Grundstücks auf (z.B. Wohngebiet, Ackerland).  Landbedeckung hingegen beschreibt das physikalische Material der Erdoberfläche (z.B. Gras, Asphalt). Ein komplexes Landnutzungsobjekt kann also verschiedene Landbedeckungselemente enthalten, eine spezifische Landbedeckung Teil verschiedener Landnutzungsobjekte sein.

Im Allgemeinen ist die Zuordnung von Klassen zu Bildpixel eine Klassifikation der Landbedeckung, während die Zuordnung von Klassen zu größeren räumlichen Einheiten, typischerweise durch Polygone dargestellt, eine Klassifikation der Landnutzung ist. In unserem Projekt dienen hochauflösende Luftbilder als Datenquelle, aus denen Information zur Landbedeckung sowie Landnutzung extrahiert werden.

Über Convolutional Neural Networks (CNN) erzielen wir hochwertige Ergebnisse. CNNs sind künstliche neuronale Netzwerke, die seit einigen Jahren sehr erfolgreich für die maschinelle Bildverarbeitung, z.B. zur Gesichtserkennung, eingesetzt werden. In unserem Projekt wird in der ersten Phase die Landbedeckung durch ein CNN klassifiziert, das semantische Informationen zur Verfügung stellt. Anschließend werden die Luftbilder mitsamt den semantischen Informationen in ein anderes CNN übertragen, um Klassenlabel für Polygone (Landnutzung) zu erhalten. Dieser Prozess ist in Abbildung 1 dargestellt. Auf diese Weise lassen sich auf Basis von Informationen zur Landbedeckung automatisch aktuelle Informationen zur Landnutzung generieren.

Abbildung 1: Klassifikation der Landbedeckung und Landnutzung