Die Ableitung des Landbedeckungsmodells (LBM-DE) mittels Deep Learning
Derivation of the land cover model (LBM-DE) using deep learning
Patrick Merita, Gabriel Cevallos, Julia Holzner, Michael Wurm
Durch schnelle Entwicklungen im Hardwarebereich und die Möglichkeit zur Prozessparallelisierung rücken Deep-Learning-Verfahren zunehmend in den Fokus der Wissenschaft. Hierbei hat sich die semantische Segmentierung von Landbedeckung mittels Encoder-Decoder-Ansätzen als besonders leistungsfähig etabliert. Auf Basis des Landbedeckungsmodells Deutschland (LBM-DE) des Jahres 2021 wurde für das Bundesland Schleswig-Holstein evaluiert, inwieweit ein vortrainiertes Modell auf RapidEye-Daten zur Klassifizierung von PlanetScope-Daten genutzt werden kann. Mit klassenspezifischen F1-Scores von bis zu 0,95 zeigt sich das große Potenzial für die Ableitung von Landbedeckung mit Ansätzen der künstlichen Intelligenz.
Rapid developments in hardware and the possibility of process parallelization are bringing deep learning methods increasingly into the scientific spotlight. Semantic segmentation of land cover using encoder-decoder approaches has established as particularly powerful. With the land cover information of the Land Cover Model Germany (LBM-DE) of 2021 for the federal state of Schleswig-Holstein, it was evaluated to what extent a pretrained model on RapidEye data can be used to classify PlanetScope data. With class-specific F1-scores of up to 0.95, the great potential for deriving land cover with artificial intelligence approaches is evident.
Schlüsselwörter: Künstliche Intelligenz, Deep Learning, Fernerkundung, semantische Segmentierung, Residual Network 50, Feature Pyramid Network
Keywords: Artificial intelligence, deep learning, remote sensing, semantic segmentation, Residual Network 50, Feature Pyramid Network
DOI: 10.14627/gis.Science.2025.3.3
Download PDF