Herramientas/Tool Index
Detecção de propriedade
Este modelo de aprendizado de máquina usa imagens de satélite de alta resolução como entrada para analisar e identificar edifícios existentes nas cidades.
O objetivo geral do modelo é apoiar os líderes no setor de desenvolvimento urbano e habitação para gerar automaticamente mapas básicos de edifícios existentes em áreas urbanas e assentamentos humanos.
Banco Interamericano de Desenvolvimento
CASOS DE USO:
Este tipo de classificação de estrutura é útil para tarefas de planejamento urbano, como a identificação e planejamento de áreas informais / não planejadas, o projeto e o desenvolvimento de serviços urbanos e para extrapolar dados de toda a cidade, como o número de edifícios e estimativas populacionais.
Para treinar o modelo, foram utilizadas imagens de alta resolução do Programa de Cidades Emergentes e Sustentáveis do BID das seguintes cidades:
- Georgetown, Guyana
- Paramaribo, Suriname
- Belice, Belice
FUNÇÕES
- Analise imagens.
- Treinando um modelo para três cidades latino-americanas, essa automação reduz o tempo necessário para um dia em vez de um mês (manual). Produza um pacote de previsão que pode ser usado para fazer previsões em novas imagens.
- Este modelo de segmentação imobiliária permite prever máscaras raster e polígonos vetorizados a partir de imagens de satélite usando uma abordagem de segmentação semântica.
Este processo atribui uma categoria a cada pixel da imagem. Nesse caso, as categorias utilizadas são 'imóveis' ou 'não imóveis'. Ao permitir uma segmentação que reconhece as características únicas de cada cidade (diferentes padrões de urbanização, diferentes características geográficas, etc.), esta ferramenta é aplicável em vários contextos.
Você pode ver o código aqui: https://github.com/EL-BID/Building-Detection
Esta imagem apresenta resultados para Paramaribo. A cor laranja mostra os edifícios identificados pela maquete. Demorou aproximadamente oito horas para realizar a identificação manual da estrutura no polígono rosa escuro, localizado no canto inferior direito. O modelo consegue realizar a identificação de toda a cidade em apenas uma hora, utilizando como dados de treinamento rótulos gerados pelo crowd-sourcing no Openstreetmap para a área nos polígonos vermelhos.