omatische
gebouwdetectie
2019-5 I Geo-Info
49
Figuur2 - Links: 30 cm resoiutie sateiiietbeeid van Equitos Peru. Rechts: Onbewerkte Mask R-CNN voorspeiiingen. Het getai bij eike voorspeiiing weerspiegeit
een niet-genormaiiseerde mate van zekerheid van de voorspeiiing.
factoren die deze eigenschappen van het
karteringsproces beïnvloeden, maar de
keuze tussen handmatig of automatisch
karteren is een invloedrijke factor hierin.
Het mag duidelijk zijn dat het inzetten van
Machine Learning voor het karteringsproces
tot een grote snelheidswinst zal leiden en
in het geval van betaalde diensten ook tot
flinke kostenbesparingen; de hamvraag is
echter of er een afdoende kwaliteitsniveau
te behalen valt. Om een beeld hiervan te
krijgen, volgen hieronder enkele resultaten
van mijn stage.
Gebouwdetectie wereldwijd
In eerste instantie heb ik een Machine
Learning model genaamd Mask R-CNN
geïmplementeerd dat individuele objecten
op beeldmateriaal detecteert. Om het model
te trainen om gebouwen te herkennen, is
gebruikt gemaakt van een geprepareerde
dataset. Deze dataset [1] bevat ±1,5 miljoen
geometrieën van een kadastrale database
uit Californië, Verenigde Staten in combinatie
met bijbehorende ±2100 km2 31 cm resolutie
satellietfoto's (Worldview-3).
Dit model is vervolgens toegepast op 31 cm
resolutie satellietfoto's van een divers aantal
locaties wereldwijd waar het 510 team van
het Rode Kruis interesse in heeft. Zie figuur 1
voor voorspellingen op beelden van de stad
Mongu in Zambia. Hiervoor werd in onge
veer drie kwartier een gebied van 64 kmh
geanalyseerd, waarmee 17.800 gebouwen
werden gedetecteerd. Als verificatiedataset
is OpenStreetMap gebruikt. De niet-geveri-
fieerde OpenStreetMap data is door vrijwil
ligers gekarteerd gebaseerd op verschillende
satellietfoto's. Ongeveer 60 procent van de
29.000 gebouwen in OpenStreetmap werd
gedetecteerd, waarbij 98% van alle gemaakte
voorspellingen inderdaad een gebouw
bevatte volgens OpenStreetMap ("98%
nauwkeurigheid"). Kleine gebouwen bleken
een stuk lastiger te detecteren dan grote; de
gemiddelde detectieratio stijgt naar 70, 80 en
90 procent respectievelijk als gebouwen met
een horizontaal dakoppervlakte kleiner dan
10 m2 20 m2 of 40 m2 genegeerd worden.
Eén van de aannames van het gebruikte
Mask R-CNN model is dat het te maken krijgt
