Geospatial Artificial Intelligence (GeoAI) bundelt de krachten van AI met geografie en GIS, zoals bij het voorspellen van criminaliteit, het in kaart brengen van vogelkolonies, digitalisering van het waterbeheer of klimaatadaptatie op lokaal niveau. Met name bij vraagstukken waarbij objecten of gebieden op grote schaal nauwkeurig in kaart moeten worden gebracht bieden Deep Learning-analyses een grote toegevoegde waarde. Immers, het handmatig intekenen van objecten vanuit beelden - zoals het digitaliseren van gebouwgrenzen of het maken van landgebruikskaarten - kan een tijdrovende klus zijn. Deep Learning automatiseert dit proces en reduceert de hoeveelheid handmatig werk sterk.
Het trainen van een Deep Learning-model kan complex zijn - er is veel voorbeelddata nodig, voldoende machine resources en kennis over hoe Deep Learning precies werkt. Door gebruik te maken van kant-en-klare modellen, hoeft u geen tijd en energie te investeren in het handmatig labelen van objecten of het trainen van een Deep Learning-model. In de Levende Atlas zijn nu - naast alle andere beschikbare content - voorgetrainde Deep Learning-modellen beschikbaar in de vorm van zogenaamde Deep Learning Packages (DLPK). Bijvoorbeeld voor het digitaliseren van gebouwgrenzen en wegen, het classificeren van landbedekking, het herkennen van auto’s, maar ook voor het classificeren van bomen in puntenwolken.
Een Deep Learning Package is een item waarin alle intelligentie van een Deep Learning-model is opgeslagen en dat u eenvoudig via een portaal kunt delen met collega’s of andere betrokkenen. Om deze modellen toe te passen gebruikt u de aanwezige geoprocessing tools binnen ArcGIS. In de afgelopen jaren is er de nodige ervaring opgedaan met de bestaande Deep Learning-modellen. Veel lokale overheidsinstanties zijn continu bezig om hun beheergebied goed in kaart te brengen, waaronder ook de aanwezige installaties van zonnepanelen in het kader van de energietransitie.
Ons Deep Learning-model voor zonnepanelen, dat vanaf deze maand beschikbaar is in de Levende Atlas, stelt u in staat om zonnepanelen te detecteren, waarbij ook een nauwkeurige segmentatie plaatsvindt. Dit betekent dat de grenzen van het object inzichtelijk worden gemaakt om als input te gebruiken voor oppervlakte-analyses. De uitkomsten zijn te gebruiken in bijvoorbeeld een monitoringsdashboard. Bekijk de 'How-to: Zonnepanelen detecteren met een Deep Learning-model' over het detecteren van zonnepanelen op hoge resolutie-luchtfoto's met behulp van het nieuwe Deep Learning-model.
Wilt u zelf ook een vliegende start maken met Deep Learning en GeoAI? Met de Kickstart GeoAI helpen de GeoAI-experts van Esri Nederland u om stapsgewijs te ontdekken hoe de toepassing van AI binnen uw GIS-vraagstukken ervoor kan zorgen dat u uw werk slimmer en efficiënter kunt uitvoeren.
- Context en doel - ArcGIS analyseert schuine daken en berekent zonnepotentieel door middel van Deep Learning voor automatische detectie en segmentatie van daken in luchtfoto’s.
- Data en modellen - gebruik gemaakt van voorgetrainde Deep Learning Packages (DLPK) uit de Levende Atlas, met input uit hoge resolutie beelden en puntenwolken.
- Toepassingen - detectie van daken, segmentatie van dakvlakken, classificatie van daktype en berekening van zonnepaneeloppervlaktes voor potentieel-schattingen.
- Proces] - in ArcGIS kunt u geoprocessing tools gebruiken voor modeltoepassing, output interpreteren en resultaten visualiseren in dashboards.
Hoe werkt de detectie van schuine daken en het zonnepotentieel?
De aanpak begint met het toepassen van een Deep Learning-model op hoge resolutie luchtfoto’s. Door automatische objectherkenning wordt elk dak geïdentificeerd en vervolgens gesegmenteerd in exacte dakgrenzen. Deze segmentatie maakt oppervlakteberekeningen mogelijk, waardoor het potentieel aan zonne-energie op elk dak kan worden berekend. De resultaten kunnen vervolgens worden geïntegreerd in monitoringsdashboards voor beleid, planvorming en energietransitieprojecten.
Voordelen van Deep Learning in GeoAI voor zonne-energie
- Automatisering van dakdetectie en dakvlaksegmentatie vermindert handmatig werk aanzienlijk.
- Precieze dakgrenzen leveren betrouwbare oppervlakteberkeningen voor zonnepotentieel.
- Voorgetrainde modellen uit DLPK versnellen de implementatie en verkorten doorlooptijden.
- Interactieve dashboards faciliteren monitoring en besluitvorming op lokaal niveau.
Praktische stappen om aan de slag te gaan
- Open de Levende Atlas en kies een passend Deep Learning Package voor dakdetectie en voxel/ruimte-interpretatie.
- Implementeer het model in ArcGIS via de beschikbare geoprocessing tools.
- Voer detectie en segmentatie uit op de geselecteerde beelddata en genereer dakgrenzen.
- Bereken oppervlakte en potentieel aan zonnestroom per dak, en integreer resultaten in dashboards.
- Gebruik de Kickstart GeoAI voor een begeleide start en ondersteuning van Esri Nederland.
