Zeitschrift für Fernerkundung und GIS

Abstrakt

Eine Klassifizierung mittels maschinellem Lernen zur Identifizierung von Häusern, die zum Laden von Elektrofahrzeugen geeignet sind, anhand von Fernerkundungsbildern

James Flynn, Giannetti

In den letzten zehn Jahren haben sich Deep Convolutional Neural Networks (DCNNs) als leistungsstarkes Werkzeug zur Klassifizierung von Fernerkundungsbildern herausgestellt. In diesem multidisziplinären Artikel demonstrieren wir eine neuartige Anwendung des maschinellen Lernens im Bereich der Fernerkundung, indem wir einen Arbeitsablauf entwickeln, um städtische Gebiete auf Wohnimmobilien zu untersuchen, die sich zum Laden von Elektrofahrzeugen eignen. Ein Fine-Tuning-Transfer-Learning-Ansatz wird als neue Methode zur Analyse von Fernerkundungsbilddaten vorgestellt. Ein einzigartiger Datensatz aus Google Street View-Bildern aus mehreren britischen Städten wird zum Trainieren von drei neuronalen Netzwerken verwendet, die miteinander vergleichen können, und stellt den ersten Versuch dar, Wohneinfahrten anhand von Straßenbildern mithilfe von maschinellem Lernen zu klassifizieren. Beim Testen des vollständigen Arbeitsablaufs in zwei städtischen Gebieten erreicht das gesamte System Genauigkeiten von 87,2 % bzw. 89,3 %. Dieser Proof of Concept demonstriert eine vielversprechende neue Anwendung von Deep Learning im Bereich der Fernerkundung, georäumlichen Analyse und Stadtplanung.