Segmentierung informeller Gebäude in Medellín für Bevölkerungsprognosen in durch Hangrutsche gefährdeten Gebieten

Kurzfassung

Um konkrete Informationen über die Anzahl und Verteilung der Personen zu erhalten, die in einer für Naturgefahren anfälligen Region leben, kommen häufig Bevölkerungsdaten zum Einsatz. In informellen Siedlungen sind solche Daten jedoch oftmals schon veraltet, unvollständig oder gar nicht vorhanden. Diese Daten sind zum Beispiel in Medellín, Kolumbien nötig, um die Personenanzahl aller Gebiete, welche von Hangrutschgefahr bedroht sind, abschätzen zu können. In dieser Arbeit wird eine Methode vorgestellt, um die Bevölkerung in den informellen Gebieten Medellíns abzuschätzen, die von Hangrutschgefahr betroffen sind. Hierfür kommt ein Deep Learning Modell zur Instanzsegmentierung der Gebäudeumrisse, in Kombination mit einer anschließenden Abschätzung der Bevölkerung zum Einsatz. Das Deep-Learning Modell Mask R-CNN wird zunächst mit einem Orthophoto und Katasterdaten aus dem Jahr 2021 trainiert, getestet und anschließend auf alle informellen Regionen Medellíns mit Hangrutschungsgefahr angewandt, um die dort gelegenen Gebäudeinstanzen zu detektieren. Anschließend wird eine Methode entwickelt, um die Bevölkerung basierend auf der Größe der vorhergesagten Gebäude abzuschätzen. Bei der Anwendung dieser Methode auf alle von Hangrutschgefahr betroffenen Gebieten werden 41 781 Gebäude, mit einer berechneten Einwohnerzahl von 200 191 erkannt. Das sind etwa 17,2 % mehr als die offiziellen Katasterdaten angegeben, wodurch eine Unterschätzung der Personenanzahl in diesem Bereich deutlich wird. Somit wird die Bedeutung und der Nutzen der Verwendung von Instanz Segmentierungsmodellen zur Bevölkerungsabschätzung als ein Schritt der Risikoanalyse in datenarmen Gebieten deutlich.