KI beschleunigt Klassifizierung der Landnutzung

Eine EPFL-Masterstudentin hat gezeigt, dass künstliche Intelligenz eingesetzt werden kann, um den Prozess der Landnutzungsklassifizierung in der Schweiz weiter zu automatisieren, insbesondere für seltene und komplizierte Landkategorien, die bisher manuell klassifiziert wurden. Ein Stück Land im Kanton Wallis diente als Beispiel für ihre Forschung.
Blick auf das Wallis, wo die Fallstudie stattfand. © iStock

Die Schweiz kartiert regelmässig die Landnutzung im Land, um die Verstädterung besser zu verfolgen, die Bodendurchlässigkeit zu überwachen und die Zersiedelung zu bekämpfen. Vermessungsingenieurinnen nehmen alle drei Jahre Luftbilder des Landes auf, aber die Erhebung selbst wird nur alle sechs Jahre veröffentlicht, weil die Klassifizierung der Bilder in rund 40 verschiedene Kategorien immer noch grösstenteils von Hand erfolgt. Um den Prozess zu beschleunigen, hat das Schweizer Bundesamt für Statistik (BFS) einen auf künstlicher Intelligenz (KI) basierenden Algorithmus namens Arealstatistik Deep Learning (ADELE) entwickelt, der effizient zwischen den Wäldern, die ein Drittel des Landes bedecken, und anderen Landtypen unterscheiden kann.

Valérie Zermatten, Masterstudentin in Umwelttechnik an der EPFL, sah das Potenzial, die Automatisierung noch weiter voranzutreiben, und entwickelte im Rahmen ihrer Abschlussarbeit einen eigenen Algorithmus für maschinelles Lernen. Sie trainierte ihren Algorithmus, um seltene und komplexe Landkategorien wie Flüsse, Seen, Campingplätze, Sportplätze, Friedhöfe, Wasseraufbereitungsstationen, öffentliche Parks, Steinbrüche, Eisenbahnzonen, Flughäfen und Dämme zu erkennen.

Verringerung der Fehlerspanne

«Es ist für Maschinen – genau wie für Menschen – schwieriger, diese Seiten richtig zu klassifizieren, weil es weniger Fotos gibt, auf denen die Algorithmen trainiert werden können. Deshalb haben wir unseren Algorithmus so programmiert, dass er bestimmte Arten von Bildern gewichtet, bis die Fehlermarge klein genug ist», sagt Zermatten. Und im Gegensatz zu ADELE war ihr Algorithmus von Anfang an so konzipiert, dass er neben Farbfotos auch Infrarotbilder einbezieht und Höhendaten berücksichtigt, so dass er Grünflächen ohne Vegetation ebenso identifizieren kann wie Landflächen, die weder Vegetation noch Gebäude enthalten. Die von ihrem Programm erzeugten Ergebnisse ähneln den vom BFS veröffentlichten offiziellen Daten, was darauf hindeutet, dass es in Zukunft für die Landnutzungsklassifizierung verwendet werden könnte. Der KI-Code wurde auf einer Open-Source-Plattform zur Verfügung gestellt.

Sie testete ihr Programm auf einer 600 km² grossen Fläche in ihrem Heimatkanton Wallis, die von Chamoson bis Sierre reicht. Der Algorithmus wurde auf 60 000 Luftbildern – darunter allein 3000 Fotos von Weinbergen – trainiert, die auf einer Fläche von 10 000 m² aufgenommen wurden. Die Fotos wurden im Jahr 2020 aufgenommen, aber sie verwendete Landnutzungskategorien aus der Erhebung von 2013-2018, da die neuen Bilder noch klassifiziert werden.

Erleichterung des manuellen Arbeitsaufwands

«Unser Ziel ist es nicht, den Menschen durch künstliche Intelligenz zu ersetzen», sagt Devis Tuia, ausserordentlicher Professor an der EPFL Wallis und einer der Betreuer von Zermattens Dissertation: «Valéries Algorithmus wird zwar die Menge an mühsamer Arbeit reduzieren, die manuell erledigt werden muss, aber für Aufgaben, die von Maschinen nicht zu bewältigen sind, werden weiterhin menschliche Fähigkeiten benötigt.» Und diese menschlichen Aufgaben gebe es reichlich, fügt er hinzu, etwa für die Eingabe der Sekundärdaten, die benötigt werden, um beispielsweise ein Wohnhaus von einer Schule oder ein Fussballfeld von einer Wiese zu unterscheiden.

Für Zermatten war die Erfahrung lehrreich: «Es hat mir sehr viel Spass gemacht, bei Null anzufangen und alles selbst zu entwickeln.» Tuia freut sich darauf, im Herbst mit dem Bundesamt für Landestopografie (swisstopo) zusammenzuarbeiten, das gerade seine Archive für die Öffentlichkeit geöffnet hat – eine wahre Goldgrube für Ingenieurinnen, die sich mit KI und Fernerkundungssystemen beschäftigen.