Die regelmässig notwendige Klassifizierung von Landnutzung ist dank einer Studentin der Eidgenössischen Technischen Hochschule Lausanne (EPFL) nun wesentlich weniger aufwändig als bisher. Laut einer Medienmitteilung der Hochschule hat sie einen eigenen Algorithmus für Maschinelles Lernen entwickelt und trainiert, der nicht nur Wälder von anderen Landtypen unterscheiden kann. Valérie Zermattens Algorithmus erkennt stattdessen auch Flüsse, Seen, Camping- und Sportplätze, Friedhöfe, Wasseraufbereitungsstationen, öffentliche Parks, Flughäfen und Dämme. Damit ist er dem vom Bundesamt für Statistik (BFS) entwickelten Algorithmus namens Arealstatistik Deep Learning, kurz ADELE, deutlich überlegen.
Die von ihrem Programm im Rahmen einer Masterarbeit erzeugten Ergebnisse ähneln den vom BFS veröffentlichten offiziellen Daten. Das deute laut der Mitteilung darauf hin, dass es in Zukunft für die Landnutzungsklassifizierung verwendet werden könnte. Der grosse Vorteil liege in der Bearbeitungszeit von Luftbildern, weil deren Klassifizierung in etwa 40 verschiedene Kategorien immer noch grösstenteils von Hand erfolge.
Die gesamte Schweiz wird alle drei Jahre neu aus der Luft fotografiert. Weil die manuelle Kategorisierung so lang dauert, werden die Ergebnisse nur alle sechs Jahre veröffentlicht. Mit dieser Kartierung kann der Landverbrauch besser verfolgt, die Bodendurchlässigkeit überwacht und Zersiedelung bekämpft werden.
„Unser Ziel ist es nicht, den Menschen durch Künstliche Intelligenz zu ersetzen“, so Devis Tuia, einer von Zermattens Doktorvätern an der EPFL. „Der Algorithmus von Valérie wird zwar die Menge an mühsamer Arbeit reduzieren, die manuell erledigt werden muss.“ Doch auch dann bleibe für Menschen noch genügend zu tun – etwa zu erkennen, ob es sich um ein Wohnhaus oder eine Schule, ein Fussballfeld oder eine Wiese handele. mm
