KI kartiert globale informelle Siedlungen aus Satellitenbildern mit niedriger Auflösung

Ein neues Deep-Learning-Modell kann informelle Siedlungen automatisch erkennen und kartieren, indem es Satellitenbilder mit niedriger Auflösung nutzt. Es kann klassifizieren, wie das Spektrum einer informellen Siedlung aussieht – auf kosteneffiziente Weise.

Hintergrund: Informelle Siedlungen

Fast ein Viertel der weltweiten städtischen Bevölkerung lebt in informellen Siedlungen – Gebieten, die von städtischer Infrastruktur und grundlegenden Diensten abgeschnitten sind. Die meisten Häuser in diesen Gebieten entsprechen nicht den Bauvorschriften und liegen in umwelt- und geographisch gefährdeten Regionen.

Die Kartierung dieser Regionen kann NGOs helfen, Bedürftige besser zu versorgen. Dies würde Einheimischen ermöglichen, sich erheblich weiterzuentwickeln und eine bessere Lebensqualität zu erlangen. Die Kartierung solcher Gebiete ist jedoch eine Herausforderung und erfordert viele engagierte menschliche und finanzielle Ressourcen.

Um solche Herausforderungen anzugehen, hat ein internationales Forscherteam ein Deep-Learning-System entwickelt, das informelle Siedlungen automatisch mit Satelliten- und Luftbildern erkennen und kartieren kann, die kostenlos verfügbar sind. Es nimmt Satellitenbilder als Eingabe (im Rohformat) und liefert einen trainierten Klassifikator, der binäre Karten mit informellen Siedlungsgebieten erzeugt.

Kosteneffiziente, ML-basierte Ansätze

Forscher entwickelten und validierten zwei maschinelle Lernmethoden zur Identifizierung und Kartierung informeller Siedlungen. Eine ist kosteneffizient, die andere kostenintensiv, aber essenziell für die Verarbeitung kontextueller Informationen. Zusammen können diese Methoden klassifizieren, wie das Spektrum einer informellen Siedlung aussieht.

Die erste Methode nutzt computereffiziente Canonical Correlation Forests (ein Decision-Tree-Ensemble-Verfahren für Klassifikation und Regression), um das spektrale Signal informeller Siedlungen aus Satellitenbildern mit niedriger Auflösung zu lernen.

Die zweite Methode nutzt ein Convolutional Neural Network mit sehr hochauflösenden Satellitenbildern, um feinere Merkmale zu extrahieren. Das Team demonstrierte die Generalisierung der vorgeschlagenen Methoden, um informelle Siedlungen nicht nur in lokalen Regionen, sondern global zu identifizieren.

Referenz: arXiv:1901.00861

Die Convolutional Neural Networks werden auf Satellitenbildern mit niedriger, hoher und sehr hoher Auflösung trainiert, wobei 8 NVIDIA Tesla V100 GPUs mit jeweils 16 GB Speicher zum Einsatz kommen. Da sehr hohe Auflösung teurer ist, entwickelten Forscher einen kosteneffizienten Ansatz mit niedrig aufgelösten Satellitenbildern.

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

Das Team veröffentlichte zwei Benchmarks für informelle Siedlungen für niedrig und sehr hoch aufgelöste Satellitenbilder mit begleitenden Ground-Truth-Daten. Sie stellten auch den gesamten Quellcode und die Modelle auf GitHub bereit.

Aufgrund der Unterschiede informeller Siedlungen weltweit und Unsicherheiten in den Ground-Truth-Daten könnte dieses System extrem nützlich sein, um Transfer Learning und Meta-Learning-Techniken zu testen. Forscher planen, bayessche Techniken anzuwenden, um Unsicherheiten über probabilistische Modelle zu charakterisieren.

Zudem könnte ein Quadratkilometer informeller Siedlungen mehr als 129.000 Menschen beherbergen. Damit könnte jedes Pixel 13 Menschen repräsentieren. Solche Berechnungen könnten Regierungen und NGOs wirklich helfen zu verstehen, wie viel Hilfe bereitgestellt und wie viel Infrastruktur erforderlich ist.

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