Automatisierte Erkennung der Breiten von Straßenverkehrsflächen und Gehwegen mettels eines Deep Learing Modells

Informationen zu Breiten von Straßenverkehrsflächen und Gehwegen sind für zahlreiche Anwendungen, wie etwa in der Verkehrssicherheitsanalyse, oder der Stadt- und Verkehrsplanung von hoher Relevanz. In vielen Fällen sind solche Breiteninformationen jedoch nicht flächendeckend verfügbar, liegen nur in Teilbereichen vor oder sind nicht offen zugänglich. Eine manuelle Erhebung ist zudem zeit- und kostenintensiv und lässt sich für größere Untersuchungsräume nur schwierig skalieren. Ziel der vorliegenden Arbeit ist es daher, eine Methode zu entwickeln, mit der Breiten von Straßenverkehrsflächen und Gehwegen automatisiert und reproduzierbar bestimmt werden können, um eine effizientere Datengrundlage für räumliche Analysen bereitzustellen.

Hierfür wird ein Deep-Learning-Modell zur semantischen Segmentierung eingesetzt, das Straßenverkehrsflächen und Gehwege selbstständig in hochaufgelösten Luftbildern erkennt. Das Modell wird im Münchner Stadtbezirk Maxvorstadt trainiert und anschließend im Stadtbezirk Schwanthalerhöhe validiert, sodass das Modell nicht nur im Trainingsgebiet, sondern auch unter veränderten räumlichen Bedingungen bewertet werden kann. Das Modell erreicht eine IoU von 78,10 % für Straßenverkehrsflächen, sowie 54,15 % für Gehwege innerhalb des Trainingsgebiets. Innerhalb des Validierungsgebiets wird eine IoU von 48,77 % für Straßenverkehrsflächen und eine IoU von 32,67 % für Gehwege erreicht. Aufbauend auf den vom Modell erzeugten Flächen werden die Breiten in der GIS-Software ArcGIS Pro berechnet und anschließend in einem automatisierten Workflow zusammengefasst. Durch diese Automatisierung ist der Ansatz grundsätzlich auf weitere Gebiete übertragbar und ermöglicht eine flächendeckende Anwendung, ohne dass sämtliche Arbeitsschritte manuell wiederholt werden müssen. Die Breiten weichen im Durchschnitt um −0,80 m bei Straßenverkehrsflächen, sowie um −0,78 m bei Gehwegen im Vergleich zu Referenzdaten ab.