Projekt Beschreibung

Deep Learning im Rahmen von Satellitenbilderkennung zur Erstellung von Windkraftanlagen-Katastern

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 Windr√§der gebaut und es ist damit eines der f√ľhrenden Bundesl√§nder 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 unterst√ľtzen. Diese Informationen k√∂nnen angesiedelte Energieerzeuger bei der Fl√§chenplanung von Neuanlagen benutzen.

Datensätze

Die verwendeten Satellitenbilder stammen aus der Esri World Imagery Datenbank und bestehen aus 280.000 einzelne Bildkacheln, welche je eine Fl√§che von 1 km¬≤ abdecken. Zus√§tzlich enthalten sie die entsprechenden Geo-Metadaten. Daraus wurden ein Trainingsdatensatz mit 500 Bildern und ein Validierungsdatensatz mit 200 Bildern ausgew√§hlt, welche circa 200 Windr√§der unterschiedlicher Art und Sichtbarkeit abdecken. F√ľr beide Gruppen wurden Polygone der Windr√§der erstellt anhand derer das Modell trainiert werden konnte.

Herausforderungen und Lösungen

Die Bilder mussten zun√§chst vorverarbeitet und normalisiert werden. Die Erstellung der Trainingsdaten musste daraufhin mit viel manuellem Aufwand durchgef√ľhrt werden. Die Windr√§der wurden daf√ľr h√§ndisch 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 f√ľr Segmentierungsaufgaben mit geringer Trainingsdatenmenge bew√§hrt hat.

Das so trainierte Modell wurde dann noch so lange weiter kalibriert, bis die bestm√∂gliche Vorhersagegenauigkeit f√ľr 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 geh√∂rt.

Projektergebnis

Mit dem entwickelten Deep Learning-Modell wurde erfolgreich ein Kataster mit rund 3.300 identifizierten Windr√§dern f√ľr das Bundesland Nordrhein-Westfalen erstellt. Dieses Kataster wurde auch als Layer in ArcGIS Pro erfasst und steht nun als Kartenmaterial in der Software zur Verf√ľgung. Im n√§chsten Schritt kann das Modell auch auf andere Bundesl√§nder √ľbertragen oder sogar f√ľr ein weltweites Windkraftanlagenregister eingesetzt werden

Kategorie

GEO AI
Deep Learning Object Detection
Spatial temporal Analysis
Computer Vision

Technologien

Deep Learning
U-Net
ArcGIS Pro

Download

Social Sharing

Weitere Use Cases dieser Kategorie

Alle Use Cases im √úberblick

Kontakt

Stefanie Supper
CEO