Detection of favelas in Brazil using texture parameters and machine learning

Kurzfassung

Laut Zahlen der Vereinten Nationen lebt knapp ein Drittel der weltweiten urbanen Bevölkerung in Slums. Durch zunehmende Verstädterung wird sich die Zahl in Zukunft drastisch erhöhen, 2030 könnten bis zu 2 Milliarden Menschen in Slums leben. Am Beispiel von Brasilien, in dem Favelas ein bedeutendes stadtpolitisches Thema sind, wird in dieser Masterarbeit untersucht, ob es möglich ist mittels maschineller Lernverfahren und Textur-Parametern Favelas auf Satellitenbildern zu erfassen. Die weiteren Forschungsschwerpunkte dieser Arbeit befassen sich mit dem Einfluss der Kernelgröße auf die Genauigkeit und ferner dem Einfluss unterschiedlicher Sensoren und der Morphologie der Untersuchungsgebiete Rio de Janeiro und Sao Paulo auf die Klassifikationsergebnisse. Der Klassifikationsansatz verwendet dabei den Random Forest Classifier und aus Sentinel 2, CBERS 2B HRC als auch Orbview 3 abgeleitete Textur Parameter nach Haralick. Die Ergebnisse zeigen, dass sowohl Favelas mit einer charakteristischen Slum-Morphologie, als auch Unterschiede in der Morphologie der unterschiedlichen Siedlungsstrukturen der Untersuchungsgebiete erfasst werden könne. Jedoch stellt die hohe Diversität an unterschiedlichen Favelas und häufig auftretende Mischformen zwischen regulären Siedlungsformen und Favelas eine Herausforderung sowohl für die Klassifikation, als auch für eine objektive Auswertung der Ergebnisse dar. Die Arbeit zeigt darüber hinaus, dass die Klassifikationsgenauigkeiten mit zunehmender Kernelgröße steigen, was auf einen Glättungseffekt zurückzuführen ist. Signifikante Unterschiede in Abhängigkeit von der Stadt und dem Sensor unterstreichen außerdem, dass es wichtig ist, Sensoren zu wählen, die die Morphologie einer Stadt in für den Klassifikationsansatz ausreichender Form darstellen können.