SEGMENT- Boden und Nicht-Boden
Automatische Bodensegmentierung. Begünstigte Verwaltungen: Kanton Fribourg, Kanton Waadt und Kanton Basel-Stadt.
Kontext
Verschmutzte Böden bergen diverse Gesundheitsrisiken. Das Bundesamt für Umwelt (BAFU) macht derzeit auf die Belastung mit Blei, Quecksilber und polyzyklischen aromatischen Kohlenwasserstoffen (PAK) aufmerksam. Für die Prävention und für das Management von Erdverschiebungen bei Bauarbeiten ist es daher notwendig, die Standorte potenziell belasteter Böden genau zu kennen.
Aktuell bestehendes Kartenmaterial, auf dem die Bodenbeschaffenheit eingezeichnet ist, ist oft nur parzellengenau und daher in der Nähe von Häusern, wo oft die kritischen Standorte sind, ungenau (ein Grundstück umfasst oft ein Haus mit Umschwung).
Dieses Projekt zielte darauf ab, eine hochauflösende Karte zu erstellen, auf der potenziell belastete, somit unversiegelte Böden wie Ackerland, Rasen oder Lehmboden eingezeichnet sind. Die angestrebte räumliche Auflösung betrug 1 m . Die Klassifizierung der Böden basiert auf einer automatischen Methode der Bildsegmentierung, die auf Multi-Kanal-Luftbildern (R, G, B) angewendet wird.
Durch die Erstellung dieser Karte sollte:
- der Zeitaufwand der öffentlichen Dienste für die manuelle Identifizierung von Freilandflächen aus Orthofotos reduziert werden;
- das kantonale Inventar potenziell belasteter Böden verbessert werden;
- eine Methodik erarbeitet und getestet werden, die auch in anderen Verwaltungen genutzt werden kann.
Das Projekt wurde unter der Zusammenarbeit des STDL und des Kantons Fribourg durchgeführt.
Methodik
Ein erster Schritt war die Erstellung einer Ground Truth, der aus Bildern bestand, die von Fachleute für Bodenfragen für repräsentative Klassen des Freiburger Kantonsgebiets manuell segmentiert wurden.
Dies ermöglichte eine quantitative Bewertung der Deep-Learning-Modelle für die Vorhersage der Bodenbedeckung, die derzeit vom Institut National de l'Information Géographique et Forestière (IGN), der Haute Ecole d'Ingénierie et de Gestion du Canton de Vaud (HEIG-VD) und dem Bundesamt für Statistik (BFS) entwickelt werden.
Anschliessend wurde das von der HEIG-VD entwickelte Modell, das besonders vielversprechende Ergebnisse in städtischen Gebieten zeigte, mit einem Teil der Ground Truth trainiert; der Rest wurde für die Auswertung der Ergebnisse beibehalten. In diesem Schritt wurde die Leistung des Modells für den vorliegenden Anwendungsfall und die projektspezifischen Daten optimiert: Bilder mit höherer Auflösung, unterschiedliche Erscheinungsformen der Vegetation aufgrund jahreszeitlicher Unterschiede und ein angepasstes Klassifikationsschema.
Ergebnisse
Mit dem optimierten Modell können die Bodenklassen auf jeder Swissimage-Kachel abgeleitet werden, wie im folgenden Beispiel.
Nach den bereits recht zufriedenstellenden Ergebnissen des Algorithmus nach der Optimierung mit dem Freiburger Ground Truth waren die Fachexpertinnen und -experten daran interessiert, ihn mit zusätzlichen Beispielen anzureichern, um die Leistung des Modells weiter zu verbessern.
Darüber hinaus hat sich der Kanton Waadt dem Projekt angeschlossen, da er daran interessiert ist, die Möglichkeit eines Bodenmonitorings zwischen zwei aufeinanderfolgenden Erfassungen von SWISSIMAGE 10 cm zu untersuchen. Für diese Anwendung müssen neue Herausforderungen bewältigt werden, die vor allem darin bestehen, zwischen die tatsächlichen Veränderungen von denen, die auf Fehler in der Modellvorhersage zurückzuführen sind.
Um dies zu erreichen, wird das Modell zunächst auf die Ground Truth trainiert, die der Kanton Waadt auf den im Sommer aufgenommenen 10-cm-SWISSIMAGE-Bildern erstellt hat. In der Nachbearbeitung werden dann Informationen wie der Konfidenzwert des Modells, die Art der Klassenveränderungen und geometrische Kriterien verwendet, um ein Produkt zu erhalten, das Auskunft über die tatsächlichen Bodenveränderungen gibt.
Dokumentierte Ressourcen
Alle Arbeiten des STDL werden unter einer offenen Lizenz veröffentlicht und wir ermutigen Sie, diese in Ihren Projekten zu verwenden.
Inhaltsverzeichnis
Zurück zur Startseite von STDL
Swiss Territorial Data Lab
Das Swiss Territorial Data Lab (STDL) wurde im Jahr 2020 im Rahmen der Schweizer Geoinformationsstrategie (SGS) ins Leben gerufen und ist Teil des Aktionsfelds Nr. 5 «Innovationsförderung». Das Lab bietet öffentlichen Verwaltungen einen Raum zum Experimentieren, in dem sie neue Ansätze zur Bewältigung ihrer konkreten Herausforderungen testen können. Das STDL fördert die Zusammenarbeit zwischen Fachexperten und technischen Experten, um gemeinsam effiziente und geeignete Lösungen zu entwickeln.
Office fédéral de topographie swisstopo
Seftigenstrasse 264
3084 Wabern