Vortrainierte Deep Learning-Modelle mit ArcGIS (Teil 2): Land Cover Classification, Sentinel-2

Bereits vortrainierte Deep Learning-Modelle stellen einen dankbaren Einstieg in die komplexe Thematik GeoAI dar und sparen viele Ressourcen. In diesem Blogartikel der mehrteiligen Reihe „Vortrainierte Deep Learning-Modelle mit ArcGIS“ stellen wir das Modell zur Landbedeckung basierend auf Sentinel-2-Daten vor.

Kenntnisse über die Landbedeckung sind wertvoll für die Stadt- und Umweltplanung, das Ressourcenmanagement, für die Erkennung von Landschaftsveränderungen sowie für die Landwirtschaft und anderen Anwendungen, bei denen Informationen über die Erdoberfläche benötigt werden. Jedoch stellt die Klassifizierung der Landbedeckung eine Herausforderung dar und ist mit herkömmlichen Mitteln nur schwer in zufriedenstellender Genauigkeit zu erreichen. Deep Learning-Modelle sind prädestiniert, diese komplexen semantischen Zusammenhänge zu analysieren und Ergebnisse in hoher qualitativer Güte zu liefern.

Das vortrainierte Modell Land Cover Classification (Sentinel-2) steht Ihnen, neben vielen anderen Modellen, kostenfrei im Living Atlas als Deep Learning Package zum Download zur Verfügung. Das Modell kann mit ArcGIS Desktop, ArcGIS Enterprise oder ArcGIS Online und entsprechender Lizenzierung (ArcGIS Image Analyst für ArcGIS Pro, ArcGIS Image Server oder ArcGIS Image für ArcGIS Online) ausgeführt werden.

Als Grundlage für die Generierung der Labels dienten Sentinel-2-Szenen aus dem europäischen und angelsächsischen Raum. Damit wurde ein U-Net-Modell auf 15 Klassen trainiert, gemäß dem Schema der Level-2-Klassen der Corine Land Cover 2018 (CLC). Für das Modell ist eine durchschnittliche Genauigkeit von 82,41 % für die Level 1C-Daten und 84 % für die Level 2A-Daten in Europa und USA zu erwarten.

Die höchsten Genauigkeiten werden bei Wasserflächen, Feuchtflächen an der Küste und Waldflächen erzielt. Heterogene landwirtschaftliche Flächen sind aufgrund ihrer unterschiedlichen Fruchtzusammenstellung und -anordnung, sowie der hohen Varianz in der spektralen Rückstreuung deutlich schwerer zu erkennen.

Abbildung 1: Klassifikationsschema der Corine Land Cover und Klassenzuordnung des Modells „Land Cover Classification (Sentinel-2)“ von Esri Inc.

Betrachten wir die Ergebnisse zusammengefasst auf Level 1 des CLC-Schemas, so erhöht sich hier nochmals die Genauigkeit um rund 9 % auf 90,79 %.

Oft liegen die Eingangsdaten in unterschiedlichster Darreichungsform vor. Besonders unkompliziert ist es, die heruntergeladene Original-Szene mit dem Raster Produkt (rot umrandet in Abbildung 2) aus dem Katalog-Fenster in die Karte zu ziehen. Die Raster Produkt-Datei interpretiert die Metadaten aus der xml-Datei und stellt daraus Rasterfunktionsvorlagen (orange umrandet in Abbildung 2) zur Verfügung. Somit kann mit temporären Band Composites (oder auch „Stacks“), inklusive aller Metadaten, gearbeitet werden.

Abbildung 2: Datenstruktur einer unveränderten Sentinel-2-Szene im Katalog-Fenster von ArcGIS Pro

Bei der Verwendung eines Mosaik Datasets sollte beim Hinzufügen der Raster darauf geachtet werden, dass dies unter Angabe des korrekten Raster Typs geschieht, damit wieder alle Metadaten vorhanden sind.

Liegen die Sentinel-Szenen bereits als dynamischer Image Service vor, ist dies ebenfalls eine komfortable Art und Weise, das Modell auf ein existierendes Bilddatenmangement anzuwenden.

Da es sich bei dem Modell Land Cover Classification (Sentinel-2) um eine pixelbasierte Klassifizierung handelt, muss das entsprechende Werkzeug „Pixel mit Deep Learning klassifizieren“ genutzt werden. Dies ist mit ArcGIS Pro und der Image Analyst Extension oder mit dem Image Server durchführbar.