Supper & Supper GmbH - The Data Engineers
Data Science
Use Cases
Deep Learning im Rahmen von Satellitenbilderkennung
zur Erstellung von Windkraftanlagen-Katastern

Laden Sie hier unseren Anwendungsfall zur Satellitenbilderkennung herunter.

Projektziel

Erneuerbare Energien gewinnen als klimaschonende Art der Stromerzeugung immer mehr an politischer, wirtschaftlicher und auch gesellschaftlicher Bedeutung. Als Vorreiter im Kampf gegen den globalen Klimawandel investiert Deutschland sehr stark in erneuerbare Energien, insbesondere Windenergie. Von 2016 bis 2017 wurden in Nordrhein-Westfalen etwa 300 neue Windräder gebaut und es ist damit eines der führenden Bundesländer im Bau neuer Windenergieanlagen.
 
Ziel des Projekts war es, das Bundesministerium Nordrhein-Westfalen bei der Erstellung von Windradkatastern mitsamt Standort und Typ der Anlagen zu unterstützen. Diese Informationen können angesiedelte Energieerzeuger bei der Flächenplanung von Neuanlagen benutzen.

Datensätze

Die verwendeten Satellitenbilder stammen aus der Esri World Imagery Datenbank und bestehen aus 280.000 einzelne Bildkacheln, welche je eine Fläche von 1 km² abdecken. Zusätzlich enthalten sie die entsprechenden Geo-Metadaten. Daraus wurden ein Trainingsdatensatz mit 500 Bildern und ein Validierungsdatensatz mit 200 Bildern ausgewählt, welche circa 200 Windräder unterschiedlicher Art und Sichtbarkeit abdecken. Für beide Gruppen wurden Polygone der Windräder erstellt anhand derer das Modell trainiert werden konnte.

Herausforderungen & Lösungen

Die Bilder mussten zunächst vorverarbeitet und normalisiert werden. Die Erstellung der Trainingsdaten musste daraufhin mit viel manuellem Aufwand durchgeführt werden. Die Windräder wurden dafür händisch in dem Tool ArcGIS Pro (Esris Professional GIS Tool) als georeferenzierte Polygone markiert. Der Algorithmus wurde dann mit daraus generierten Bildmasken trainiert. Das verwendete Deep Learning-Modell basiert auf der U-Net-Architektur, welches sich für Segmentierungsaufgaben mit geringer Trainingsdatenmenge bewährt hat.
 
Das so trainierte Modell wurde dann noch so lange weiter kalibriert, bis die bestmögliche Vorhersagegenauigkeit für den Datensatz erreicht wurde. Die letzte Schicht des neuronalen Netzes gibt eine Bildmaske mit einer pixelweisen Vorhersage zur Wahrscheinlichkeit aus, ob ein Pixel zu einem Windrad gehört.

Projektergebnis

Mit dem entwickelten Deep Learning-Modell wurde erfolgreich ein Kataster mit rund 3.300 identifizierten Windrädern für das Bundesland Nordrhein-Westfalen erstellt. Dieses Kataster wurde auch als Layer in ArcGIS Pro erfasst und steht nun als Kartenmaterial in der Software zur Verfügung. Im nächsten Schritt kann das Modell auch auf andere Bundesländer übertragen oder sogar für ein weltweites Windkraftanlagenregister eingesetzt werden.
 
Des Weiteren kann das erstellte Windradlayer mit aktuellen Windgeschwindigkeitsdaten und mit Layern zur durchschnittlichen Windgeschwindigkeit zusammengeführt werden und so zur Unterstützung der Raumplanung neuer Windradstandort beitragen.