Cost-Sensitive Active Learning mit Fernerkundungsdaten zur Abschätzung der Gebäudevulnerabilität bei Hochwasser und Erdbeben

Abstract

In dieser Arbeit wird der Einsatz von Active Learning (AL) zur effizienten Charakterisierung von Gebäuden mit Hilfe von aus Fernerkundungsdaten gewonnenen Merkmalen untersucht. Bei AL wird basierend auf bisherigem Wissen (in Form von gelabelten Samples) ein vorläufiges Modell zur Klassifikation einer Zielvariablen gebildet; eine Query-Funktion fragt in einem iterativen Prozess gezielt bei einem Experten diejenigen Samples als zusätzliche Trainingsdaten an, die den größten Informationsgewinn versprechen. Im Gegensatz zu vielen Aufgabenstellungen mit nur einer Zielvariable (Single-Task AL), bei denen AL eingesetzt wird, liegen im betrachteten Anwendungskontext Abschätzung der Gebäudevulnerabilität bei Hochwasser und Erdbeben zwei Besonderheiten vor: Erstens ist eine Vielzahl von gleichzeitig zu klassifizierenden Zielvariablen interessant (Multi-Task AL); zweitens ist die Erfassung mancher Eigenschaften zeit- und kostenintensiv, so dass bei der Auswahl der anzufragenden Samples der erwartete Aufwand berücksichtigt werden sollte (Cost-Sensitive AL). Entsprechend wird eine leistungsfähige Single-Task AL-Technik, die Samples nach Unsicherheit und Vielfalt anfragt, zunächst für Multi-Task AL erweitert. Hierbei werden verschiedene Strategien, die auf abwechselnder Auswahl bzw. auf Rang-Kombination basieren, evaluiert. Schließlich wird als weiteres Auswahlkriterium eine Kostenkomponente hinzugefügt, wobei der Zeitaufwand anhand der Entfernungen auf dem Straßennetz unter Berücksichtigung unterschiedlicher Reisegeschwindigkeiten (mit dem Auto / zu Fuß) realitätsnah abgeschätzt und die Tourplanung als Problem des Handlungsreisenden optimiert wird. Die experimentelle Untersuchung anhand zweier Anwendungsszenarios im Kölner Stadtgebiet im Hinblick auf insgesamt fünf Zielvariablen zeigt, dass die entwickelten und eingesetzten Multi-Task-Strategien bessere Klassifikationsergebnisse erzielen als zufällige Sample-Auswahl und dass durch Cost-Sensitive Multi-Task AL vergleichbare Genauigkeit mit geringerem Zeit- und Kostenaufwand bzw. in gegebenem Zeitbudget bessere Klassifikationsergebnisse erreicht werden können als mit Query-Funktionen, die bei der Auswahl die erwarteten Kosten nicht berücksichtigen.