Student in beeld
50
Geo-Info I 2019-5
met individuele, niet-overlappende objec
ten. Deze aanname is valide voor vrijstaande
gebouwen maar levert uitdagingen op bij
geschakelde panden met visueel identieke
daken. Dit is vooral zichtbaar in dichtbe
volkte gebieden zoals de stad Equitos in
Peru (zie figuur 2) en bij rijtjeshuizen in
Nederland (zie figuur 3). Voor de use case
van 510 in rurale gebieden is dit echter geen
probleem: De projectgebieden van Missing
Maps die nog niet op een gewenst detail- of
nauwkeurigheidsniveau gekarteerd zijn,
bestaan namelijk voor een groot deel uit
dunbevolkte, rurale gebieden in ontwik
kelingslanden met voornamelijk vrijstaande
gebouwen. Om ook in dichtbevolkte
gebieden zoals Nederland automatische
gebouwdetectie uit te kunnen voeren, heb
ik een tweede Machine Learning model
geïmplementeerd en getraind.
Gebouwdetectie Nederland
Het tweede model dat ik heb geïmple
menteerd, genaamd U-net, maakt geen
Figuur 3 - Links: 10 cm resolutie luchtfoto van rijtjeshuizen in Nederland. Midden: Mask R-CNN voorspellingen.
gebouw vanaf 12,5% (blauw) tot 100% (donkerrood).
Figuur 4 - U-net voorspellingen uit de test dataset omgezet naar sterk versimpelde vectordata. Een oranje omtrek indiceert een voorspelling die overlapt met
een of meerdere geometrieën uit de BAG of BGT, waar een rode omtrek geen overlap symboliseert.
