AI kartografieert informele nederzettingen wereldwijd vanaf lage-resolutie satellietbeelden

Een nieuw deep learning-model kan informele nederzettingen automatisch detecteren en karteren met behulp van lage-resolutie satellietbeelden. Het kan classificeren hoe het spectrum van een informele nederzetting eruitziet, op een kosteneffectieve manier.

De urgente noodzaak voor kartering

Bijna een kwart van de wereldwijde stedelijke bevolking woont in informele nederzettingen — locaties die afgeknoten zijn van stedelijke infrastructuur en basisdiensten. De meeste huizen in deze gebieden voldoen niet aan bouwregels en liggen in ecologisch en geografisch gevaarlijke regio's.

Het karteren van deze regio's kan NGO's helpen degenen in nood beter te bedienen. Dit zou lokalen in staat stellen op een significante manier te evolueren en een betere kwaliteit van leven te bereiken. Het karteren van dergelijke gebieden is echter een uitdagende taak die veel toegewezen menselijke en financiële middelen vereist.

Om dergelijke uitdagingen aan te pakken, heeft een internationaal team onderzoekers een deep learning-systeem gebouwd dat informele nederzettingen automatisch kan detecteren en karteren met behulp van satelliet- en luchtfoto's die gratis beschikbaar zijn. Het neemt satellietbeelden als invoer (in ruwe gebruikersformaat) en levert een getrainde classifier die binaire kaarten genereert met informele nederzettingsgebieden.

Kosteneffectieve, machine learning-gebaseerde benaderingen

Onderzoekers ontwikkelden en valideerden twee machine learning-methoden om informele nederzettingen te identificeren en te karteren. Één is kosteneffectief, de ander is kostprohibitief maar essentieel voor het verwerken van contextuele informatie. Samen kunnen deze methoden classificeren hoe het spectrum van een informele nederzetting eruitziet.

De eerste methode gebruikt computationeel efficiënte Canonical Correlation Forests (een decision tree ensemble-methode voor classificatie en regressie) om het spectrale signaal van informele nederzettingen te leren van lage-resolutie satellietbeelden.

De tweede methode gebruikt een convolutioneel neuraal netwerk met zeer hoge-resolutie satellietbeelden om fijnere kenmerken te extraheren. Het team heeft de generalisatie van de voorgestelde methoden aangetoond om informele nederzettingen niet alleen in lokale regio's, maar wereldwijd te identificeren.

Referentie: arXiv:1901.00861

De convolutionele neurale netwerken zijn getraind op lage-resolutie, hoge-resolutie en zeer hoge-resolutie satellietbeelden, met behulp van 8 NVIDIA Tesla V100 GPU's met elk 16 GB geheugen. Aangezien het bereiken van zeer hoge resolutie wat duur is, bedachten de onderzoekers een kosteneffectieve benadering die lage-resolutie satellietbeelden gebruikt.

Formele en informele nederzettingen in Kibera, Nairobi | Met dank aan de onderzoekers

Het team heeft twee benchmarks voor informele nederzettingen vrijgegeven voor lage-resolutie en zeer hoge-resolutie satellietbeelden, met bijbehorende ground truths. Ze hebben ook alle broncode en modellen op GitHub beschikbaar gesteld.

Vanwege de verschillen in informele nederzettingen over de wereld en onzekerheden binnen de grond, kan dit systeem extreem nuttig zijn voor het testen van transfer learning en meta-learning technieken. Onderzoekers plannen Bayesiaanse technieken toe te passen om onzekerheden te karakteriseren via probabilistische modellen.

Bovendien kan een vierkante kilometer informele nederzettingen meer dan 129.000 mensen huisvesten. Dus elke pixel kan 13 mensen vertegenwoordigen. Dergelijke berekeningen kunnen regeringen en NGO's echt helpen begrijpen hoeveel hulp geleverd moet worden en hoeveel infrastructuur nodig is.

Onderzoekers werken momenteel met UNICEF samen om aanvullende ground truth data en annotaties voor informele nederzettingen te verzamelen.