Integrative Super-Resolution von Sentinel-2-Satellitendaten für 2D-und 3D-Zersiedelungsanalysen

Aktiv
Beispielhafter Vergleich eines Satellitenbildes, des dazugehörigen DSM, den Ergebnissen aus den durchgeführten Experimenten (BatchSize und Anzahl der Augmentationen) und der absoluten Differenz zwischen bester Vorhersage und Original-DSM Johannes Hassler, CC BY SA 4.0

In dem Projekt werden geometrische und radiometrische 2D- und 3D-Veränderungen von städtischen Strukturen analysiert. Als Grundlage dienen Sentinel-2-Satellitendaten. Ziel ist es, Informationen über die Zersiedelung von städtischen Gebieten zu gewinnen.

Motivation

Das Projekt ist in folgende Schritte unterteilt:

  1. Entwicklung einer Deep Learning (DL)-basierten Superauflösung für optische Satellitenbilder (z. B. Sentinel-2-Daten)
  2. Entwicklung eines DL-basierten Algorithmus zur direkten Höhenextraktion (3D) aus einzelnen optischen Satellitenbildern (2D) und Erzeugung von Digital Surface Model (DSM)-Daten
  3. Integration von Netzen zur Superauflösung und Höhenextraktion, um direkt hochauflösende 2D- und 3D-Informationen zu erhalten
  4. Entwicklung eines Algorithmus zur Messung und Darstellung der statistischen Daten des Veränderungsgrades (z. B. Fläche, Volumen, Höhe usw.)
  5. Richtungskarte von Veränderungen in Bezug auf die städtischen Wohngebiete vorschlagen

Aktivitäten

Eine Vorstudie zur Extraktion eines Höhenmodells auf der Grundlage eines einzigen (monokularen) Sentinel-2-Satellitenbildes ist in Arbeit. Ihr liegt ein Deep-Learning-Algorithmus (Unet++-Architektur) zugrunde, den Johannes Hassler im Rahmen seiner Masterarbeit Image to Height - Schätzung der Einwohnerdichte in mitteleuropäischen Städten aus Satellitenbildern unter Verwendung von Methoden des maschinellen Lernens entwickelt hat. Das Diagramm (Abb. 1) zeigt die Struktur und ein Beispielergebnis für die monokulare Vorhersage der Tiefe (Höhe).

Das Verfahren wurde weiter analysiert, um die Höhe der einzelnen Gebäude zu bestimmen und so die Bevölkerungsgröße in Abhängigkeit von der Fläche und dem Volumen der Gebäude zu schätzen . Drei Szenarien wurden getestet, um die Korrelationen zwischen dem RGB-Sentinel-Bild, dem geschätzten Höhenmodell und dem kombinierten RGB- und Höhenmodell mit den Bevölkerungswerten herauszufinden (Abb. 2).