GIS & KI: Mit GeoAI Objekte in Bildern intelligent erkennen

Windräder, Masten, Solarzellen – Karten schaffen auf einen Blick Klarheit, wo sich Objekte befinden; und ermöglichen Analysen. Doch der Weg dorthin war bisher zeitaufwendig. Kann KI Abhilfe schaffen?

„KI löst bald schon alle Fragen.“ Der Mensch als Knowledge Worker wird obsolet.“ Keine Frage: Das Trendthema Künstliche Intelligenz spaltet die Gemüter. Für die einen effizienter Heilsbringer, der von monotonen Tätigkeiten befreit; für die anderen Konkurrenz des täglich Brot.

Doch was kann Künstliche Intelligenz heute schon alles? Auf was kommt es beim Einsatz von KI an? Und: Warum ist vieles bei genauerem Hinsehen gar kein Hexenwerk. Dieser Beitrag beantwortet anhand der Anwendung von Deep Learning auf digitalen Karten ein paar zentrale Fragen rund um Artificial Intelligence.

Klicken, bis die Finger taub sind

Luftbilder kommen in vielen Bereichen zum Einsatz – beispielsweise, wenn Polizei und Feuerwehr Lagebilder verwenden oder die Forst- und Landwirtschaftsbetriebe ihre Flächen überblicken wollen. Doch bis aus solchen Luftbildern aussagekräftige Karten werden, die als Analysegrundlage dienen, klicken sich viele Anwender nicht selten die Finger wund.

Der Grund: Objekte wie Windräder, Hochspannungsmasten oder Solarzellen mussten bisher manuell markiert werden. Sie können sich vorstellen: Hier kommt einiges zusammen. Wollten Städte beispielsweise die Gesamtfläche von Grünflächen, Wasserkörper oder versiegelte Flächen für ihre Region herausfinden – mussten Anwender unter Umständen stundenlang Polygone auf eine Hintergrundkarte zeichnen.

Monotone Workflows erledigt die Maschine

Was viele Anwender bisher nicht wissen: Dank Künstlicher Intelligenz lässt sich die Objekt- und Flächenerkennung auf digitalen Karten heute automatisieren.

Tech Facts
Möglich macht das Ganze die Anwendung von Machine-Learning-Algorithmen, welche ein Teilaspekt der KI sind. Kommen diese für die Beantwortung räumliche Fragestellungen zum Einsatz, sprechen wir von GeoAI.

Darunter fallen neben Deep-Learning- auch klassische Machine-Learning-Anwendungen. Machine-Learning-Funktionen kommen übrigens seit Jahren in modernen Geoinformationssystemen wie ArcGIS zum Einsatz – beispielsweise bei dichtebasierenden Clusteranalysen oder geografisch gewichteten Regressionsanalysen.

Rechenpower als KI-Booster

Eines ist heute neu: Während KI-Funktionen noch vor wenigen Jahren Anwendern mit rechenstarken Computern vorbehalten waren, laufen – dank zunehmender Rechenleistung – relativ komplexe Deep Neural Networks heute nicht nur auf Hochleistungsrechnern, sondern sogar auf dem Smartphone.

Besonders deutlich wird das am Beispiel von Computer Vision. Computer Vision ist der Teilaspekt von Machine Learning. Er beschreibt, wie Maschinen Bilddaten interpretieren. Wir alle kennen diese Technologie aus Anwendungen wie der Gesichtserkennung oder Krebsvorsorge auf Röntgenbildern. Hierzu stehen verschiedene, über mehrere Layer arbeitende neuronale Netze – daher die Bezeichnung „Deep“ – zur Verfügung. Diese werden oft an Alltagsobjekten und Tieren, wie Hunde und Katzen, trainiert.

Vier GeoAI-Anwendungsfälle

Aber nicht nur Hunde und Katzen erkennt die Technologie. Auch bei der Anwendung auf Luftbildern spielt die Computer Vision im GIS heute ihre Stärken aus. Vier Anwendungsbereiche stechen hervor:

Image Classification

Image Classification ordnet ein gesamtes Bild einer bestimmten Kategorie zu. So kann ein Modell beispielsweise trainiert werden, nach einem Hurrikan beschädigte von unbeschädigten Häusern zu unterscheiden.

Object Detection

Object Detection beschreibt die Erkennung von einzelnen Objekten in einem Bild. Dieser Bereich von Computer Vision lässt sich nutzen, um Objekte wie Windräder, Hochspannungsmasten oder Palmen in Luftbildaufnahmen zu erkennen und zu verorten.

Image Segmentation

Bei Image Segmentation wird jeder Pixel des eingehenden Bildes einer Klasse zugeordnet. So lässt sich zum Beispiel eine Landnutzungsklassifizierung über mehrere Klassen vornehmen oder Solarzellen können als einzelne Klasse gegenüber anderen Werten identifiziert werden. Im Gegensatz zur Object Detection ist das Ergebnis kein lokalisiertes Objekt, sondern eine identifizierte Fläche in einem Raster.

Instance Segmentation

Die sogenannte Instance Segmentation führt die Object Detection noch einen Schritt weiter. Sie extrahiert die erkannten Objekte als Feature aus dem Bild. So lassen sich beispielsweise Häuser auf Luftbildern nicht nur als solche erkennen, sondern auch noch die Gebäudeumrisse als Polygon Feature extrahieren.

Ersetzt KI den Menschen?

Für die Erkennung bestimmter Objekte setzt KI auf abstrahierte Formen und Merkmale wie Striche, Falten oder Kreise, die erst im trainierten Kontext als das Fell und die Augen eines Hundes interpretiert werden. Dass es hier zu Verwechslungen kommen kann, liegt auf der Hand. Denn, wie bei allem im Leben, spielt der richtige Kontext eine entscheidende Rolle.

So kann sich die Technologie bei Bildern, die ähnlich aussehen, aber in einem ganz anderen Kontext vorkommen, schon mal irren. Solche Fälle bezeichnet man übrigens als „Adversarial Images“.

Tipp: Spezifisch trainierte Modelle geben Daten heute mit einer bestimmten statistischen Sicherheit zurück. Ergebnisse, bei denen sich das Modell nicht sehr sicher ist, sollten daher unbedingt manuell überprüft werden. Lösungen wie ArcGIS ermöglichen Anwendern hier zu differenzieren.

Fazit

Keine Frage: Künstliche Intelligenz lernt immer mehr dazu. Doch welche Ergebnisse die Technologie liefert, und wie sie eingesetzt wird, obliegt immer noch dem Menschen. Spezifische Anwendungsfälle wie die Objekterkennung in Bildern verdeutlichen, dass KI das Potenzial hat, den Mitarbeiter von monotonen Tätigkeiten zu befreien, was Freiraum für strategische Aufgaben freischaufelt.

Ebenso wird deutlich: Auch wenn die Leistungen solcher KI-Algorithmen manchmal überraschen, ist bei genauerem Hinsehen Künstliche Intelligenz gar nicht zwingend so schlau, wie man zuerst denkt – insbesondere, wenn der Kontext mehrdeutig ist.

Löst KI nun alle Fragen? Nein! Trotz des KI-Hypes sind Organisationen gut beraten, einen Schritt zurückzutreten und sich auf das eigentliche Problem zu besinnen. Ob dieses effizienter mit oder ohne KI gelöst werden kann, hängt vom spezifischen Anwendungsfall ab.

Erfahren Sie in diesem kostenfreien E-Book, wie Sie mit KI und Location Intelligence mehr aus Ihren Daten machen.

• Raumbezogene Daten im Fokus
• KI-basierte Datenanalysen
• Inspirierende Case Studies