Estimating the solar potential of roof areas suitable for photovoltaic panels can be aided by artificial neural networks identifying roof segments and their orientation in remote sensing imagery. A primary factor limiting the performance of such neural networks is the availability of training data, which is commonly generated in a time-consuming manual labeling process. In this project, a method was developed that uses roof positional information from existing semantic 3D city models to generate datasets of orthophoto crops of buildings with roof segment labels. The method was applied to create a large dataset of more than 120 000 samples from buildings in urban and rural regions in Bavaria. A convolutional neural network (CNN) was trained on this and four other, smaller datasets, including one consisting of more than 1800 manually labeled samples of a Bavarian town created from Google satellite imagery. This allowed a detailed performance comparison with respect to source, quality and amount of the data, and identification of benefits and drawbacks of training data derived from 3D city models. Overall, the results indicate a clear improvement in segmentation performance when the CNN is trained on the extended dataset. However, the CNNs also showed a considerable degree of specialization on the data source they were trained on: While the extended dataset did help the CNN’s ability to generalize to images from a different data source (Google satellite imagery) to a limited extent, the strongest improvements were seen with aerial images from the same source. This and other findings discussed in this report offer potential for further investigations.     «

Estimating the solar potential of roof areas suitable for photovoltaic panels can be aided by artificial neural networks identifying roof segments and their orientation in remote sensing imagery. A primary factor limiting the performance of such neural networks is the availability of training data, which is commonly generated in a time-consuming manual labeling process. In this project, a method was developed that uses roof positional information from existing semantic 3D city models to gen...     »

Die Schätzung des Solarpotenzials von Dachflächen, die sich für Fotovoltaikanlagen eignen, kann unterstützt werden durch künstliche neuronale Netze, die Dachsegmente und deren Ausrichtung in Fernerkundungsbildern erkennen Bildmaterial. Ein Hauptfaktor, der die Leistung solcher neuronaler Netze einschränkt, ist die Verfügbarkeit von Trainingsdaten, die üblicherweise in einem zeitaufwändigen manuellen Beschriftungsprozess erzeugt werden. In diesem Projekt wurde eine Methode entwickelt, die die Positionsinformationen von Dächern aus bestehenden semantischen 3D-Stadtmodellen verwendet, um Datensätze von Orthofotoausschnitten von Gebäuden mit Dachsegment beschriftet. Die Methode wurde angewandt, um einen großen Datensatz mit mehr als 120 000 Beispielen von Gebäuden in städtischen und ländlichen Regionen Bayerns. Ein Faltungsneuronales Netz (CNN) wurde auf diesem und vier weiteren, kleineren Datensätzen trainiert, darunter einem, der aus mehr als 1800 manuell beschrifteten Mustern einer bayerischen Stadt, die aus Google-Satellitenbildern erstellt wurden. Dies ermöglichte einen detaillierten Leistungsvergleich in Bezug auf Quelle, Qualität und Menge der Daten und die Identifizierung der Vor- und Nachteile von Trainingsdaten, die aus 3D-Stadtmodellen Stadtmodellen. Insgesamt zeigen die Ergebnisse eine deutliche Verbesserung der Segmentierungsleistung wenn das CNN auf dem erweiterten Datensatz trainiert wird. Allerdings zeigten die CNNs auch eine erhebliche Spezialisierung auf die Datenquelle, mit der sie trainiert wurden: Während der erweiterte Datensatz die Fähigkeit der CNNs zur Generalisierung auf Bilder aus einer anderen Datenquelle (Google (Google-Satellitenbilder) in einem begrenzten Ausmaß half, wurden die stärksten Verbesserungen bei Luftbildern aus derselben Quelle. Diese und andere in diesem Bericht diskutierte Erkenntnisse bieten Potenzial für für weitere Untersuchungen.     «

Die Schätzung des Solarpotenzials von Dachflächen, die sich für Fotovoltaikanlagen eignen, kann unterstützt werden durch künstliche neuronale Netze, die Dachsegmente und deren Ausrichtung in Fernerkundungsbildern erkennen Bildmaterial. Ein Hauptfaktor, der die Leistung solcher neuronaler Netze einschränkt, ist die Verfügbarkeit von Trainingsdaten, die üblicherweise in einem zeitaufwändigen manuellen Beschriftungsprozess erzeugt werden. In diesem Projekt wurde eine Methode entwickelt, die die...     »