KI-gesteuerte Entwicklung des neuen offenen Gebäudedatensatzes enthüllt

Im Jahr 2021 startete das Google Research Africa-Team Open Buildings, einen Open-Source-Datensatz, der Gebäudefußabdrücke im Globalen Süden mit Hilfe von KI und hochauflösenden Satellitenbildern kartiert. Ihr Ziel war ziemlich einfach: eine große Lücke in den Daten über Bevölkerung und Dichte in Entwicklungsländern zu schließen. Jetzt, mit der dritten Version, umfasst der Datensatz Polygone für unglaubliche 1,8 Milliarden Gebäude, verteilt auf 58 Millionen km² in Afrika, Süd- und Südostasien, Lateinamerika und der Karibik.

Viele Akteure, von Regierungen über die UN bis hin zu Forschern und gemeinnützigen Organisationen, haben Open Buildings genutzt, um die Bevölkerungsgröße und -verteilung besser zu verstehen. Dies hat ihnen geholfen, Dinge wie Impfkampagnen und Katastrophenhilfe besser zu planen. Außerdem hat es Google Maps verbessert, indem Millionen von Gebäuden hinzugefügt wurden, die zuvor nicht kartiert waren.

Das Team, das in Ghana ansässig ist, aber Mitglieder in Städten wie Tel Aviv und Zürich hat, hat sich zum Ziel gesetzt, das Projekt noch nützlicher zu machen. „Wir sind immer im Hackathon-Modus, probieren neue Ideen aus und gehen Herausforderungen an“, sagt Abdoulaye Diack, Programm-Manager bei Google Research. „Mit dem ursprünglichen Datensatz konnten wir nicht zeigen, wie sich Gebiete im Laufe der Zeit verändern – er war statisch. Und das war etwas, das unsere Partner wirklich wollten.“

Kommerzielle Anbieter von Satellitenbildern konzentrieren sich meist auf Gebiete, die profitabel sind, und lassen etwa 40 % der Welt, hauptsächlich den Globalen Süden, ohne regelmäßige hochauflösende Abdeckung. Manche abgelegenen Orte und informellen Siedlungen werden überhaupt nicht abgedeckt. Die Open-Source-Bilder des Sentinel-2-Satelliten der Europäischen Weltraumorganisation, der alle fünf Tage ein globales Bild aufnimmt, galten als zu niedrig aufgelöst für die Gebäudeverfolgung.

Aber das Team dachte, dass dies vielleicht nicht so ein großes Problem ist, und hat es ausprobiert.

Zuerst haben sie einen einzelnen niedrig aufgelösten Frame von Sentinel-2 in ihr Modell eingespeist und es gebeten, Gebäudepolygone zu zeichnen. „Es war schwierig, aber wir sahen Potenzial“, sagt Abdoulaye. „Also haben wir dem Modell gesagt, es solle uns nur die Gebäudemasken geben – binäre Pixel-Daten, die mit bestimmten Orten verknüpft sind. Es hat ganz gut funktioniert, und wir dachten: ‚Hey, das können wir machen.‘“

Nach einem Jahr der Modellanpassung haben sie letzten Monat den Open Buildings 2.5D Temporal Dataset veröffentlicht. Er deckt die Jahre 2016 bis 2023 ab und bietet eine jährliche Momentaufnahme der Gebäudepresenz und -anzahl im Globalen Süden sowie Gebäudehöhen. Dies zeigt, wie Städte sich durch Entwicklung, Katastrophen und andere Faktoren verändern. Nutzer können eine Region auswählen, durch die Jahre blättern und zusehen, wie die Welt in einer farbenfrohen Darstellung von Formen wächst und schrumpft.

„Bis 2050 könnten etwa 2,5 Milliarden weitere Menschen in Städte ziehen, hauptsächlich im Globalen Süden. Dieser Datensatz könnte ein Wendepunkt für Regierungen und Organisationen sein, die mit diesem Wachstum umgehen“, sagt Olivia Graham, Produktmanagerin bei Google Research. „Wenn eine Stadt plant, wo sie wesentliche Dienstleistungen wie Gesundheitsversorgung und Bildung oder Infrastruktur wie Wasser- und Energieversorgung platzieren soll, zeigt dieser Datensatz, welche Gebiete schnell wachsen.“

Am 28. September 2018 löste ein massives Erdbeben der Stärke 7,4 vor der Küste Indonesiens einen Tsunami aus, der etwa 1,5 Millionen Menschen auf Sulawesi betraf. Der Datensatz zeigt, wie das bebaute Gebiet nach der Katastrophe von der Küste zurückwich. Sie können es in unserer interaktiven Earth Engine-App ausprobieren.

Sie können auch den Bau von Neu-Kairo, Ägypten, in der Demo des Open Buildings 2.5D Temporal Dataset sehen.

Wie hat das Team es geschafft, ihr Modell dazu zu bringen, die unscharfen Satellitenbilder von Sentinel-2 zu lesen und Gebäude sicher zu erkennen? Sie begannen damit, die Dinge zu schärfen.

„Wir haben ein Lehrer-Schüler-Modell verwendet, um die niedrig aufgelösten Bilder zu ‚super-resolvieren‘ und die Gebäudefußabdrücke herauszuziehen“, sagt Krishna Sapkota, Software-Ingenieur bei Google Research. „Das Lehrermodell lernt, Gebäude in hochauflösenden Bildern zu erkennen und gibt dem Schülermodell Labels. Das Schülermodell, das den Datensatz tatsächlich erstellt, lernt aus der Ausgabe des Lehrers. Es kann dann niedrig aufgelöste Bilder von Sentinel-2 nehmen und erraten, wie eine höher aufgelöste Version aussehen würde.“

Das Lehrermodell gibt dem Schülermodell hochauflösende Trainingslabels, das dann die Gebäudepresenz aus niedrig aufgelösten Bildern erkennt.

Um die Details für Gebäudefußabdrücke zu erhalten, verwendet das Modell bis zu 32 Frames von Sentinel-2-Bildern eines Ortes für jede Vorhersage. Jeder Frame ist leicht unterschiedlich, dank der kleinen Zeitlücke zwischen den Aufnahmen, was die Auflösung steigert – ähnlich wie Pixel-Telefone mehrere Aufnahmen für schärfere Bilder verwenden.

Im Gegensatz zum ursprünglichen Datensatz, der präzise polygonale Umrisse von Gebäuden lieferte, verwendet der neue temporale Datensatz Rasterdaten für Gebäudefußabdrücke. Er sagt auch Gebäudehöhen voraus, die für die Schätzung der Bevölkerungsdichte entscheidend sind, mit einem Fehler von nur 1,5 Metern, also weniger als einem Stockwerk.

Vor der offiziellen Veröffentlichung wurde der temporale Datensatz mit vertrauenswürdigen Partnern wie der ugandischen gemeinnützigen Organisation Sunbird AI geteilt. „Etwa 73 % der Ugander haben keinen Strom, und Sunbird AI hat unsere ursprüngliche Datenbank genutzt, um der Regierung zu helfen, herauszufinden, wo Mikronetze oder Solarpaneele platziert werden sollen“, sagt Olivia. „Mit dem neuen Datensatz schauen sie sich Jinja und Fort Portal an, erstellen Visualisierungen, die Stadträten helfen, zu sehen, wo das Wachstum schnell voranschreitet, und ihre Pläne anzupassen. Es zeigt, wie beide Datensätze Teil eines größeren Werkzeugkastens sein können, um eine Bevölkerung und ihre Veränderungen zu verstehen.“

Die gleiche Neugier, die zum temporalen Datensatz geführt hat, treibt das Team an, ihn weiter zu verbessern.

„Ich lebe in Ghana und sehe die Auswirkungen, die unsere Arbeit hat und haben kann“, sagt Abdoulaye. „Viele Orte hier kämpfen mit Ressourcen, was zu Datenlücken mit großen Konsequenzen führt. Teil eines Teams zu sein, das daran arbeitet, das zu beheben und einen Unterschied zu machen, ist eine echte Ehre.“