Veröffentlicht am 21. Juli 2025

CLASSIFY - Dachbegrünungen

Automatische Erkennung von Dachbegrünungen und Vegetationstypen. Begünstigte Verwaltungen: Kanton Zürich und Kanton Genf.

Kontext

Aufgrund der globalen Erwärmung leiden viele Stadtzentren zunehmend unter den Auswirkungen von Hitzeinseln. Städtische Vegetation wird dabei als wichtiger Faktor anerkannt, der zur Abkühlung der Temperatur in urbanen Gebieten beiträgt. Die Untersuchung von Dachbegrünungen trägt dazu bei, die Grünkapazität einer Stadt zu ermitteln und zukünftige Massnahmen zur Gestaltung des städtischen Raums zu planen. Um Dachbegrünungen in grossem Massstab genau zu identifizieren und zu quantifizieren, muss aber zunächst eine (halb-)automatische Verarbeitung entwickelt werden.

In Zusammenarbeit mit den Fachexperten des AWEL (Amt für Abfall, Wasser, Energie und Luft - Luft, Klima und Strahlung) des Kantons Zürich und des OCAN (Office cantonal de l'agriculture et de la nature) des Kantons Genf zwei Lösungsschritte identifiziert: die Erkennung von Dachbegrünungen und die Bestimmung des Vegetationstyps.

In diesen Kantonen wurden bereits ähnliche Arbeiten durchgeführt. Eine von der Stadt Zürich zwischen 2013 und 2015 durchgeführte Studie untersuchte über 140 Dächer und deren Vegetation. In Genf existiert der GIS-Layer der Dachbedeckung seit 2009 und wurde kürzlich aktualisiert (2019 und 2021). Allerdings sind diese Prozesse noch nicht automatisiert und/oder nicht umfassend. Aus diesem Grund wandten sich die Kantone an das STDL, um gemeinsam nach einer innovativen Lösung zu suchen.

Methodik

In diesem Projekt hat das Swiss Territorial Data Lab (STDL) Data Science eingesetzt, um aus Luftbildern Informationen über Dachbegrünung und Vegetationstyp abzuleiten. Von klassischen Ansätzen der Bildanalyse bis hin zu neueren Deep-Learning-Methoden wurden verschiedene Strategien nach dem neuesten Stand der Technik in Betracht eingesetzt.

Allerdings kann keine (halb-)automatisierte Vorhersage ohne einen Kontrolldatensatz, den sogenannten Ground Truth, verifiziert werden. Die vorhandenen Daten müssen vorher aufgelistet, aufbereitet und eventuell durch zusätzliche Beispiele ergänzt werden. Die Fachexperten der Kantone ZH und GE haben mehr als 4000 Dächer überprüft und klassifiziert, indem sie die Situation anhand von Luftbildern beurteilten.

In der ersten Phase des Projekts führte das STDL einen Random Forest und eine logistische Regression durch, um die Dächer anhand von Luftbildern in «kahl» und «begrünt» zu klassifizieren.

Der zweite Schritt betraf die Klassifizierung des Vegetationstyps. Um diese Aufgabe zu erfüllen, wurde ein Deep-Learning-Algorithmus entwickelt. Der Algorithmus ist eine Anpassung des DeepLabV3-Modells, welches sein ASPP-Modul (Atrous Spatial Pyramid Pooling) wiederverwendet und das Ausgangssignal verarbeitet, um eine Bildklassifizierung durchzuführen. Das Modell wurde für die verschiedenen Vegetationsklassen trainiert.

Ergebnisse

In der ersten Phase erzielte die Kombination aus Random-Forest- und logistischer Regressionsmethode einen Wert von 0,84 bei der Recall der Vegetationsklasse und einen F1-Score von 0,86 für beide Klassen.

In der zweiten Phase erzielte der Deep-Learning-Algorithmus folgende Recall-Werte: 0,91 bei der Erkennung von Dächern ohne Vegetation, 0,77 bei Terrassendächern, 0,91 bei begrünten Dächern, 0,63 / 0,78 / 0,55 bei Dächern mit spontaner / extensiver / intensiver Vegetationsbedeckung.

Das Projekt konnte für das gesamte Gebiet der beiden Kantone in Produktion gehen und die entsprechenden GIS-Layer wurden geliefert.

Dokumentierte Ressourcen

Alle Arbeiten des STDL werden unter einer offenen Lizenz veröffentlicht und wir ermutigen Sie, diese in Ihren Projekten zu verwenden.

• Technische Dokumentation des Projekts

  Green roofs: automatic detection of green roofs and vegetation type from aerial imagery

• Quellcodes

  • Machine learning: GitHub - Classification by machine learning of bare and green roofs based on orthophotos and building footprint
  • Deep learning: GitHub - Binary and multiclass classification by deep learning of bare and green roofs based on orthophotos and building footprint

Zurück zur Startseite von STDL