Satellitenbildannotation für AgriTech-KI
Wie Shaip eine Polygonsegmentierung auf Parzellenebene in landwirtschaftlichen Luft- und Satellitenbildern realisierte – von Anbauflächen über Obstgärten und Gewächshäuser bis hin zu Gewässern, Wegen und Waldpufferzonen – und dabei eine sechsschichtige Landintelligenz nutzte –, die als produktionsreifer Datensatz für Präzisionslandwirtschaft und KI in Grundbuchämtern entwickelt wurde.
Projektübersicht
Da sich die Geodaten-KI in Richtung parzellengenauer Ernteüberwachung, automatisierter Katasterkartierung und Automatisierung der Agrarversicherung entwickelt, benötigte der Kunde eine hochpräzise Annotationspipeline, die in der Lage ist, einzelne Landparzellen in riesigen, komplexen Luft- und Satellitenbildern zu segmentieren.
Shaip entwickelte die durchgängige Annotationspipeline, die die Polygonsegmentierung über mehr als neun Landaufteilungstypen, sechsschichtige Landintelligenzattribute, topologische Konsistenz zwischen benachbarten Parzellen und die Behandlung von Grenzfällen abdeckt – und erzeugt so modellfertige Datensätze für die Präzisionslandwirtschaft und die Geodaten-KI.
Schlüsselstats
Anmerkungstyp
Polygon Seg.
Bildquelle
Antenne + Satellit
Landtypen
9+
Attributebenen
6
Challenges
- Segmentierung Hunderte von Paketen pro Rahmen auf riesigen Luft- und Satellitenbildern
- Handhabung unregelmäßige und mehrdeutige Grenzen diese Veränderungen hängen von den Jahreszeiten, dem Wetter und der Landnutzung ab.
- Unterscheidung der getrennten Parzellen nur über schmale Wege oder Bewässerungskanäle
- Management Schattenüberlappung, Geländehöhe und natürliche Merkmale Divisionen
- Aufrechterhaltung topologische Konsistenz zwischen benachbarten Grundstücken
Lösung
Polygon-Parzellensegmentierung
Jedes einzelne in den Luft- und Satellitenbildern sichtbare Grundstück wurde separat mittels präziser Polygonsegmentierung annotiert, wobei die exakten Grenzen jedes einzelnen Feldes, jeder Parzelle oder jedes Grundstücksteils nachgezeichnet wurden. Die Polygondichte wurde so kalibriert, dass die Konturen der organischen Felder ohne unnötigen Eckpunktüberschuss erfasst wurden.
Umfassende Abdeckung der Grundstücksarten
Die Anmerkungen umfassten bewirtschaftete Felder, Brachland oder unbebautes Land, bewässerte versus nicht bewässerte Felder, terrassierte Anbauflächen, Obstgärten und Plantagen, Gewächshäuser und Folientunnel, Gewässer (Bewässerungsteiche und Kanäle), Wege und landwirtschaftliche Straßen, die Parzellen trennen, sowie Wald- oder Vegetationspufferzonen, die an landwirtschaftliche Flächen angrenzen.
6-schichtige Landintelligenzattribute
Jedes Parzelle wurde mit Attributen angereichert, die – sofern identifizierbar – die Anbauart, die Landnutzungsklassifizierung (aktiver Anbau, abgeerntet, Brachland), den Bewässerungsstatus, die Feldgrößenkategorie, die Bodenbeschaffenheit und den saisonalen Zustand umfassen. Diese Mehrattributebene wandelt einen einfachen Datensatz zur Grenzerkennung in ein umfassendes Korpus an Landinformationen um, das die mehrjährige Anbaubeobachtung und Ertragsprognose unterstützt.
Durchsetzung topologischer Konsistenz
Die Annotatoren befolgten strenge topologische Regeln, um eine saubere Ausrichtung benachbarter Parzellengrenzen zu gewährleisten – keine überlappenden Polygone, keine unbeschrifteten Lücken. Diese Konsistenz ist unerlässlich für nachfolgende KI-Anwendungen in den Bereichen Katasterwesen, Versicherung und Wasserressourcenmanagement, die auf präzisen Flächenberechnungen auf Parzellenebene basieren.
Grenzbehandlung
Strenge Richtlinien galten für Parzellen, die lediglich durch schmale Wege oder Bewässerungskanäle getrennt waren, für Parzellen mit überlappenden Schattenbereichen aufgrund von Wolken oder Geländeerhebungen, für durch natürliche Gegebenheiten wie Flüsse und Bergrücken geteilte, fragmentierte Felder sowie für Parzellen mit uneinheitlichen Farben aufgrund von Wachstumsstadien der Pflanzen oder unterschiedlichem Bodenfeuchtigkeitsgehalt. Hochauflösende Zoom-Werkzeuge wurden eingesetzt, um die Grenzen präzise zu verfolgen und gleichzeitig den räumlichen Gesamtkontext zu erhalten.
Projektumfang
| Datensatztyp | Bildquelle | Annotationsmethode | Landtypen | Attribute | Konsistenz |
|---|---|---|---|---|---|
| Aufteilung von landwirtschaftlichen Flächen | Luftbild + Satellit | Polygonsegmentierung | 9+ Partitionstypen | 6 Attributebenen | Topologische Durchsetzung |
Ergebnisse:
- Gegründet a Pipeline zur Polygonsegmentierung auf Parzellenebene für georäumliche landwirtschaftliche KI
- Standardisiert Abdeckung von mindestens 9 Landteilungstypen sich über Felder, Obstgärten, Gewässer, Wege und Pufferzonen erstreckend
- Erfolgreicher Abschluss von 6-schichtige Landintelligenzattribute für Anbau, Bewässerung und saisonalen Kontext
- Gesetzt topologische Konsistenz zwischen benachbarten Parzellen für die stromabwärts gelegene Katastergenauigkeit
- Die Client-Einstellungen wurden aktiviert. Pflanzenüberwachung, Grundbuch, Agrarversicherung, Wasserressourcen und CO2-Gutschriften AI
Insgesamt trug Shaip dazu bei, eine Anforderung an die Geodatenannotation im Satellitenmaßstab in eine strukturierte, produktionsreife Segmentierungspipeline umzuwandeln – eine Pipeline, die in der Lage ist, Präzisionslandwirtschaft, automatisierte Katasterkartierung, Bewertung von Versicherungsansprüchen, Wassermanagement und die Überprüfung von Kohlenstoffgutschriften auf Parzellenebene zu unterstützen.
Shaips Segmentierung auf Parzellenebene beseitigte die Grenzunklarheiten, die die meisten Geodatenannotationen beeinträchtigen. Dank ihrer Regeln zur topologischen Konsistenz generierte unsere KI für Kataster Abdeckungsbereiche, denen wir rechtlich vertrauen konnten.
