Machine Learning voor aut
op lucht- en satellietfoto's
Student in beeld
Vorig jaar was ik als masterstudent
Business Analytics met een
achtergrond in de wiskunde,
informatica en Machine Learning op
zoek naar een stageplek. Ik had geen
kennis van het geo-domein en had
al helemaal niet verwacht nu een
artikel voor Geo-info te schrijven.
Dit artikel is een resultaat van mijn
stage bij Readar, een bedrijf dat
zich specialiseert in data-extractie
uit ruw beeldmateriaal zoals
luchtfoto's. Daarnaast is voor deze
stage samengewerkt met sio.global
(kortweg 510), het data-team van het
Nederlandse Rode Kruis. 510 heeft
als doel humanitaire hulpverlening
wereldwijd te verbeteren door het
gebruik van data. Tijdens mijn stage
heb ik gekeken in hoeverre Machine
Learning in staat is gebouwen te
detecteren op lucht- en satellietfoto's.
48
Geo-Info I 2019-5
Door Bernard Bronmans
Waarom Machine Learning?
Machine Learning, een subdomein van
kunstmatige intelligentie, heeft de laatste
tijd grote ontwikkelingen doorgemaakt,
onder andere door de sterk toegenomen
rekenkracht van computers. Hierdoor
doen toepassingen gebaseerd op Machine
Learning hun intrede in allerlei andere ken
nisdomeinen, waaronder de geo-wereld. De
potentiële kracht van de koppeling tussen
Machine Learning en GIS is groot, zeker bij
Remote Sensing data. Remote Sensing levert
vaak grote hoeveelheden ruwe data op die
eerst verwerkt moet worden om er bruik
bare data uit te halen voor GIS-doeleinden.
Een voorbeeld: Gemeenten zijn bronhouder
van de basisregistraties BAG (Basisregistratie
Adressen en Gebouwen) en BGT (Basis
registratie Grootschalige Topografie). Het
bijkarteren van deze bronnen gebaseerd op
recente luchtfoto's is een proces dat meestal
handmatig uitgevoerd wordt, wat tijdrovend
en niet goedkoop is. Readar vroeg mij om te
kijken of dit proces deels geautomatiseerd
kan worden.
Vanuit 510 kwam een vergelijkbare vraag
voor het Missing Maps project dat door
510 ondersteund wordt. Bij Missing Maps
brengen vrijwilligers met behulp van satel-
lietbeelden een gebied in kaart ter onder
steuning voor humanitaire hulpverlening,
zowel proactief als reactief. Voorbeelden
hiervan zijn het in kaart brengen van slop
penwijken in een rivierdelta met een groot
overstromingsrisico en het zo snel mogelijk
karteren van gebouwen en wegen wanneer
een aardbeving heeft plaatsgevonden in een
inadequaat gekarteerd gebied.
Elk van de bovengenoemde karterings-
projecten vereist een unieke afweging
tussen de snelheid, kosten en kwaliteit van
het karteringsproces. Uiteraard zijn er vele
Figuur 1 - Mask R-CNN voorspellingen op 31 cm resolutie satellietbeeld van Mongu, Zambia (bron: QGIS screenshot).
