Automatische Bodensegmentierung
 
 

Verschmutzte Böden bieten diverse Gesundheitsrisiken. Insbesondere die Belastung mit Blei, Quecksilber und polyzyklischen aromatischen Kohlenwasserstoffen (PAK) mobilisiert derzeit das Bundesamt für Umwelt (BAFU). Für die Prävention und für das Management von Erdverschiebungen bei Bauarbeiten ist es daher notwendig, die Lage potenziell belasteter Böden genau zu kennen.

Aktuell bestehendes Kartenmaterial, auf dem die Bodenbeschaffenheit eingezeichnet ist, ist oft nur parzellengenau und daher in der Nähe von Häusern ungenau (ein Grundstück umfasst oft ein Haus und ein Garten), obwohl dies ein kritischer Ort ist.

Dieses Projekt zielt deswegen darauf ab, eine hochauflösende Karte zu erstellen, auf der potenziell belastete, also unversiegelte Böden wie Ackerland, Rasen oder Lehmboden eingezeichnet sind. Die angestrebte räumliche Auflösung beträgt 1 m . Die Klassifizierung der Böden basiert auf einer automatischen Methode der Bildsegmentierung, die auf Multi-Kanal-Luftbildern (R, G, B) angewendet wird.  

Durch die Erstellung dieser Karte soll...

1. ...der Zeitaufwand der öffentlichen Dienste für die manuelle Identifizierung von Freilandflächen aus Orthofotos reduziert werden.
2. ...das kantonale Inventar potenziell belasteter Böden verbessert werden.
3. ...eine Methodik erarbeitet und getestet werden, die auch in anderen Verwaltungen genutzt werden kann.

Das Projekt wurde unter der Zusammenarbeit des STDL und des Kantons Fribourg durchgeführt.

Ein erster Schritt war die Erstellung einer Feldwahrheit, die aus Bildern bestand, die von Bodenexperten für repräsentative Klassen des Freiburger Territoriums manuell segmentiert wurden.

Dies ermöglichte eine quantitative Bewertung der Deep-Learning-Modelle für die Vorhersage der Bodenbedeckung, die derzeit vom Institut National de l'Information Géographique et Forestière (IGN), der Haute Ecole d'Ingénierie et de Gestion du Canton de Vaud (HEIG-VD) und dem Bundesamt für Statistik (BFS) entwickelt werden.

Anschliessend wurde das von der HEIG-VD entwickelte Modell, das besonders vielversprechende Ergebnisse in städtischen Gebieten zeigte, mit einem Teil der Feldwahrheit trainiert; der Rest wurde für die Auswertung der Ergebnisse beibehalten. In diesem Schritt wurde die Leistung des Modells für den vorliegenden Anwendungsfall und die projektspezifischen Daten optimiert: Bilder mit höherer Auflösung, unterschiedliche Erscheinungsformen der Vegetation aufgrund jahreszeitlicher Unterschiede und ein angepasstes Klassifikationsschema.

Mit dem optimierten Modell können die Bodenklassen auf jeder Swissimage-Kachel abgeleitet werden, wie im folgenden Beispiel.

Wenn Sie mehr erfahren möchten, finden Sie die detaillierte Methodologie des Projekts auf unserer technischen Website und die y-relativen Skripte auf GitHub.