Erkennung von Objekten auf Dächern und Identifizierung von Freiflächen
Die aktuelle Klimakrise erfordert ein Überdenken der Planungspolitik durch die Verwaltungen, was das Gesicht unserer Städte und Dörfer verändern wird. Die Nutzung von Dächern stellt einen wichtigen Faktor zur Bewältigung der Herausforderungen des energetischen und ökologischen Wandels dar. Dadurch kann der Flächenverbrauch kompensiert und die Nutzung von Gebäuden optimiert werden. Die Begrünung von Dächern trägt zur Verringerung von Hitzeinseln und zur Erhaltung des Gefüges der Biodiversität in der Stadt bei. Außerdem sind Dächer ein Schlüsselraum für eine lokale Solarproduktion mit geringen Auswirkungen auf unsere Landschaften. Die Kenntnis der tatsächlichen Dachbelegung ist daher eine strategische Herausforderung für die Priorisierung von Planungen. Derzeit ist die Erfassung der freien Dachflächen und der Menge an bereits vorhandenen Solar- und Pflanzenanlagen, die für die Bewertung des Installationspotenzials erforderlich sind, jedoch nicht sehr genau.
Das Ziel dieses Projekts in Zusammenarbeit mit dem Kanton Genf ist die genaue Erfassung vorhandener Objekte und die Identifizierung freier Flächen auf Dächern. Die Endprodukte liegen in Form von Vektorschichten vor. Im Rahmen des Projekts wurden drei Methoden getestet, um das Vorhandensein von Hindernissen auf Dächern zu bestimmen.
- Klassifizierung von Dachflächen nach ihrer Belegung: Eine statistische Analyse der Intensität und Rauheit der LiDAR-Punktwolken ermöglicht die Klassifizierung von Dachflächen in die Kategorien „belegt”, „potenziell frei” und „undefiniert” durch einen Random Forest.
- Segmentierung von LiDAR-Daten: Die Methode zielt darauf ab, Hindernisse zu identifizieren, die über die Dachschrägen hinausragen. Die RANSAC- und DBSCAN-Algorithmen der Open3D-Python-Bibliothek werden eingesetzt, um die Punkte in der Wolke zu separieren, die zu Dachschrägen und potenziellen Objekten gehören.
- Bildsegmentierung: Diese Methode, die auf einem Deep-Learning-Modell basiert, identifiziert potenzielle Objekte auf Dächern in Bildern. Die Tools „Segment Anything Model” (SAM) und „segment-geospatial” werden dabei eingesetzt.
Bei den verwendeten Daten handelt es sich um LiDAR-Punktwolken und True Orthophotos, welche vom Staat Genf im Jahr 2019 erworben wurden, sowie um den Dachschrägen-Layer, der 2023 vom LITG veröffentlicht wird. Für 122 Gebäude wurde eine Feldwahrheit der auf den Dächern vorhandenen Objekte erstellt.
Die Objekterkennungsfähigkeit der Segmentierungsmethoden ist mit einem f1-Wert zwischen 0,75 und 0,76 zufriedenstellend, allerdings weist die mittlere IoU mit 0,37 bis 0,40 noch Optimierungspotenzial auf. Die LiDAR-Segmentierung erzeugt Erfassungen, die nach Ansicht der Fachexperten in einigen Fällen nicht den Anforderungen entsprechen. Zudem ist sie nicht in der Lage, Objekte mit geringer Höhe (sehr nah am Boden) zu identifizieren.
Die Bildsegmentierung wurde von den Experten als zufriedenstellend bewertet, allerdings werden aufgrund von Farbabweichungen falsche Erkennungen produziert und die Anwendung erfordert einen hohen Computeraufwand, wenn sie in großem Maßstab eingesetzt werden soll.
Die Methode zur Klassifizierung der Belegung von Dachschrägen ist schließlich zuverlässig, da sie eine Gesamtgenauigkeit von ~0,84 erreicht. Ein weiterer Vorteil ist, dass sie nur geringe Computerressourcen benötigt. Die ausgewählte Methode wurde entwickelt, um auf der Ebene des Kantons Genf angewendet zu werden und einen Hinweis auf die potenziell freien Dachflächen für die Entwicklung neuer Infrastrukturen zu liefern.
Die Methode sowie die detaillierten Ergebnisse sind auf unserer technischen Website abrufbar.
Der Quellcode des Projekts kann auf GitHub eingesehen werden.