Onbemande luchtvaartuigen om s
theoretische ontwikkelingen en pr
Promotie-onderzoek
Volgens de laatste schattingen van
de VN woont meer dan 60% van
de stedelijke bevolking van Afrika
in sloppenwijken. Wereldwijd zijn
er veel projecten en investeringen
om de erbarmelijke toestand in
sloppenwijken te verbeteren.
Eén van de grootste obstakels voor
dergelijke projecten is het tekort
aan ruimtelijke data.
42
Geo-Info
2018-6
Door Caroline Gevaert,
George Vosselman, Claudio Persello,
en Richard Sliuzas
Er is weinig informatie omtrent de huidige bebou
wing, toegankelijkheid met betrekking tot het
wegennetwerk en gevaarlijke gebieden. Onbe
mande luchtvaartuigen (UAV's), of drones, kunnen
hiervoor een oplossing bieden. Ze kunnen namelijk
luchtfoto's nemen met een hogere resolutie
tegen lagere kosten dan beelden van satellieten of
bemande luchtvaartuigen.
Een recent promotieonderzoek bij de Universi
teit Twente Faculteit ITC werd gewijd aan het
onderzoeken in hoeverre deze nieuwe technologie
geschikt is om sloppenwijkverbeteringsprojecten
te ondersteunen. Het werk omvat hoe kunstma
tige intelligentie algoritmes aangepast kunnen
worden, met behoud van nauwkeurigheid, aan
de kenmerken van data afkomstig van drones,
ondanks de complexe kenmerken en structuren
van sloppenwijken. Door samenwerking in een
daadwerkelijk project in Kigali, Rwanda was het
ook mogelijk na te gaan in hoeverre drones in de
praktische behoeftes van deze projecten kunnen
voorzien, zowel als de maatschappelijke impact van
het gebruik van drones.
Het eerste gedeelte van dit proefschrift onder
zoekt het gebruik van automatische classificatie
modellen. Deze modellen beginnen vaak met het
definiëren van attributen die het mogelijk maken
om verschillen tussen de classificaties (gebouwen,
vegetatie, enz.) te onderscheiden. Bij het onderzoek
werd aangetoond dat synergiën tussen 2D- en
3D-attributen afkomstig van drones erg belangrijk
zijn gezien de complexe kenmerken en structuren
van sloppenwijken. Bijvoorbeeld, daken zijn vaak
gemaakt van golfplaten van verschillende kleuren
(2D-attribuut), maar het dak zelf is wel planair
(3D-attribuut). Verder werden de classificatie
algoritmes aangepast om beter om te gaan met de
statistische verschillen tussen de 2D- en 3D-data.
Hoge nauwkeurigheid van classificatie
Support Vector Machine (SVM) is een succesvolle
classificatiemethode. Echter SVM maakt gewoonlijk
gebruik van een enkele kernelfunctie om de gelijke
nis tussen monsters te bepalen. Multiple Kernel
Learning (MKL) gebruikt, daarentegen, verschil
lende kernelfuncties voor verschillende groepen
attributen. Zo kan men subtiele gelijkenissen en
verschillen vastleggen. Dit onderzoek presenteert
een algoritme dat automatisch attributen in
toepasselijke groepen onderverdeelt en de gepaste
kernelfunctie parameters bepaalt. Door het gebruik
van 2D- en 3D-attributen en aangepaste algoritmes
kan een classificatienauwkeurigheid van boven de
1 behaald worden (zie figuur 1).
Het is belangrijk goede monsters te verkrijgen
voor classificatie algoritmes om de modellen de
juiste patronen te laten leren. Het verkrijgen van
deze monsters is vaak duur en vereist handmatig
werk. Onderzoek toont echter aan hoe bestaande
ruimtelijke data gebruikt kan worden om voorbeel
den te verkrijgen voor de classificatiemodellen.
De bestaande data bevatten vaak fouten door
veranderingen in het landschap en verplaatsingen
door het digitaliseren van beelden die verplaatst
zijn of een lagere resolutie hebben. Experimenten
bewijzen echter dat imperfecte etiketten toch
gebruikt kunnen worden. Door een iteratief
proces worden steeds onbetrouwbare monsters
weggenomen uit de training dataset. Zo blijven
er alleen betrouwbare monsters over om het
classificatiemodel af te stemmen. Een nauwkeurig
heid boven de 90% kan worden verkregen, ook al
hadden 30% van de initiële monsters een verkeerd
etiket. Deze werkwijze kan gebruikt worden om
herhaalde UAV-beelden te classificeren in projecten
die frequente beeldopnames vereisen en om de
kwaliteit van manuele digitaliserings-campagnes te
verifiëren en verbeteren.
Ook hoogtemodellen zijn te verkrijgen
Niet alleen kaarten, maar ook hoogtemodellen zijn
een belangrijke bron van informatie ter onder
steuning van stedelijke verbeteringsprojecten.
Beelden van onbemande luchtvaartuigen kunnen
een digitaal oppervlaktemodel (DSM) opleveren,
terwijl veel ruimtelijke ontwikkelingsprojecten
juist een digitaal terreinmodel (DTM) nodig
hebben. Daarom werd er ook geanalyseerd hoe
DTM's verkregen kunnen worden in moeilijke
omstandigheden, zoals de dichte bebouwing en
steile hellingen die kenmerkend kunnen zijn voor
sloppenwijken. Een methode werd ontwikkeld die
eerst met een eenvoudige regel begint om onder
scheid te maken tussen pixels die waarschijnlijk
terrein- en bovengrondse objecten te represente
ren. Deze voorbeelden worden dan gebruikt om
een innovatief kunstmatig intelligentiemodel te
verfijnen, dat dan gebruikt kan worden om de hele
DSM te classificeren. Deze voorgestelde methode
werkte duidelijk beter dan twee referentie
DTM-extractiemethodes, ondanks de moeilijke
omstandigheden en elimineert tegelijkertijd de eis
om dure monsters te verkrijgen.