KI kann jetzt informelle Siedlungen in der Welt erkennen und kartieren

• Ein neues auf Deep Learning basierendes Modell kann mithilfe von Satellitenbildern mit niedriger Auflösung automatisch informelle Siedlungen erkennen und kartieren.
• Es kann auf kostengünstige Weise einordnen, wie das Spektrum einer informellen Siedlung aussieht.

Fast ein Viertel der urbanen Weltbevölkerung lebt in informellen Siedlungen – Orten, die von der städtischen Infrastruktur und Grundversorgung abgeschnitten sind. Die meisten Häuser in diesen Gebieten entsprechen nicht den Bauvorschriften und sie befinden sich in umwelt- und geografisch gefährlichen Regionen.

Die Kartierung dieser Regionen kann NGOs helfen, den Bedürftigen besser zu helfen. Dies würde es den Einheimischen ermöglichen, sich erheblich weiterzuentwickeln und eine bessere Lebensqualität zu erlangen. Die Kartierung solcher Gebiete ist jedoch eine anspruchsvolle Aufgabe und erfordert viele engagierte personelle und finanzielle Ressourcen.

Um solchen Herausforderungen zu begegnen, hat ein internationales Forscherteam ein auf Deep Learning basierendes System entwickelt, das informelle Siedlungen mithilfe von kostenlos verfügbaren Satelliten- und Luftbildern automatisch erkennen und kartieren kann. Es verwendet Satellitenbilder als Eingabe (im Raw-User-Format) und bietet einen trainierten Klassifikator, der binäre Karten mit informellen Siedlungsgebieten generiert.

Kosteneffektive, auf maschinellem Lernen basierende Ansätze

Die Forscher haben zwei auf maschinellem Lernen basierende Methoden entwickelt und umfassend validiert, um Informationssiedlungen zu identifizieren und abzubilden. Das eine ist kosteneffektiv, und das andere ist kostenintensiv, aber für die Verarbeitung kontextbezogener Informationen unerlässlich. Zusammen können diese Methoden einordnen, wie das Spektrum einer informellen Siedlung aussieht.

Die erste Methode verwendet recheneffiziente Canonical Correlation Forests (eine Entscheidungsbaum-Ensemble-Methode zur Klassifizierung und Regression), um das Spektralsignal informeller Siedlungen aus Satellitenbildern mit niedriger Auflösung zu lernen.

Bei der zweiten Methode wird ein neuronales Faltungsnetzwerk mit sehr hochauflösenden Satellitenbildern verwendet, um granulare Merkmale des Suchers zu extrahieren. Das Team hat die Verallgemeinerung der vorgeschlagenen Methoden demonstriert, um informelle Siedlungen nicht nur in lokalen Regionen, sondern weltweit zu identifizieren.

Referenz: arXiv:1901.00861

Die Convolutional Neural Networks werden auf Satellitenbildern mit niedriger Auflösung, hoher Auflösung und sehr hoher Auflösung trainiert, wobei 8 NVIDIA Tesla V100 GPUs mit jeweils 16 GB Speicher verwendet werden. Da es etwas teuer ist, eine sehr hohe Auflösung zu erreichen, haben die Forscher einen kostengünstigen Ansatz entwickelt, bei dem Satellitenbilder mit niedriger Auflösung verwendet werden.

Formelle und informelle Siedlungen in Kibera, Nairobi | Mit freundlicher Genehmigung der Forscher 

Das Team hat zwei informelle Siedlungsbenchmarks für Satellitenbilder mit niedriger und sehr hoher Auflösung mit begleitenden Ground Truths veröffentlicht. Sie haben auch den gesamten Quellcode und die Modelle auf GitHub bereitgestellt.

Aufgrund der Unterschiede in den informellen Siedlungen auf der ganzen Welt und der Unsicherheiten vor Ort könnte dieses System äußerst nützlich sein, um Transfer- und Meta-Lerntechniken zu testen. Die Forscher planen, Bayessche Techniken anzuwenden, um Unsicherheiten mithilfe von Wahrscheinlichkeitsmodellen zu charakterisieren.

Darüber hinaus könnten auf dem ein Quadratkilometer großen Gebiet informeller Siedlungen mehr als 129.000 Menschen beherbergen. Somit könnte jedes Pixel 13 Personen darstellen. Diese Art von Berechnungen könnten Regierungen und NGOs wirklich helfen zu verstehen, wie viel Hilfe bereitgestellt werden muss und wie viel Infrastruktur benötigt wird.

Lesen Sie:KI kann jedes Gebäude in den USA präzise kartieren

Forscher arbeiten derzeit mit UNICEF zusammen, um zusätzliche Ground-Truth-Daten und Anmerkungen für informelle Siedlungen zu sammeln.