Automatisierung des Interpretationsprozesses von Luftbildern zur Bestimmung der Art der Strassenbeläge
Alle Strassen und Wege der Schweiz sind im Produkt swissTLM3D, dem topografischen Landschaftsmodell, dargestellt. Die Strassen sind periodisch auf der Grundlage der von swisstopo gesammelten Luftbilder aktualisiert. Die Operatoren werten die 3D-Aufnahme aus und vermessen die Geometrie der Strassen. Sie vervollständigen die Strassen mit Attributen, wobei sie manchmal zusätzliche Informationen verwenden. Diese Arbeit ist zeitaufwendig und schwierig. Deshalb wäre es wünschenswert, die Kapazitäten der Datenwissenschaft zu nutzen, um die Extraktion von Daten über die Strassen zu vereinfachen.
In diesem Projekt untersucht das STDL in Zusammenarbeit mit dem Bereich Topografie bei swisstopo ob es möglich ist, die Belagsart auf Strassen mit einer Breite von 3 bis 10 Metern zu klassifizieren. Die beiden möglichen Belagsarten, „Natur“ und „Hart“, stammen aus dem topografischen Landschaftsmodell swissTLM3D. Das Bundesamt für Statistik und das Bundesamt für Strassen, aber auch die Ingenieurbüros oder die Wander- und Radsport-Webseite verwenden diese Information in ihrer Arbeit.
Eine explorative statistische Analyse wird durchgeführt, um festzustellen, ob überwachte Klassifikationsmethoden die Unterscheidung von Belagsarten ermöglichen würden. Da die Ergebnisse negativ ausfallen, wird eine auf Deep Learning basierende Methode ausprobiert.
Der auf künstlicher Intelligenz basierende Ansatz klassifiziert mehr als 90% der Strassen im Interessengebiet korrekt. Ein grosser Unterschied ist jedoch zwischen den Klassen zu beobachten. Strassen mit künstlichem Belag haben einen F1-Score von 0.938 und Strassen mit natürlichem Belag, von denen es viel weniger gibt, einen F1-Score von 0.375. Mit dieser Leistung wird der Algorithmus den Operatoren, die diese Informationen über den Strassenbelag erfassen, eine grosse Zeitersparnis bringen.
Einen ausführlichen Fachartikel finden Sie auf unserer technischen Website und unsere Entwicklungen auf GitHub.