Webbapplikation för segmentering av hustak baserat på region growing

(1)

AKADEMIN FÖR TEKNIK OCH MILJÖ

Avdelningen för datavetenskap och samhällsbyggnad

Webbapplikation för segmentering av hustak baserat på region growing

Albin Hallén

2020

Examensarbete, Grundnivå (kandidatexamen), 15 hp Datavetenskap

IT-systemutveckling - mot geografiska informationssystem Handledare: Goran Milutinovic

(2)

(3)

Förord

Stort tack till min handledare Goran Milutinovic, som bidragit med värdefull vägled- ning och stöd genom hela arbetet.

(4)

(5)

Sammanfattning

Behovet av energi ökar konstant, och de fossila bränslena är både skadliga för miljön och inte heller föreviga. Detta ställer större krav på produktionen av förnybar energi. I Sverige produceras förnybar energi relativt bra, men solkraften är inte ut- nyttjad tillräckligt. Planeringsfasen i detta är väldigt stor, och kommer med stor san- nolikhet behöva effektiviseras de närmaste åren. Flera olika metoder används idag, man utgår oftast från geografiska data i form av ortofoton. Flertalet arbeten har tidigare lyckats att korrekt segmentera takytor, för att sedan användas som underlag.

De arbeten som lyckats med detta, har ofta gjort det i sådana program att det blir svårt för privatpersoner att ta del av informationen. Informationen innefattar en ut- förlig utvärdering av ett taks potential för solkraft. Detta arbete har inte hittat någon liknande implementation i form av webbtjänst där denna process är semi-automatisk, det vill saga på Internet, vilket är den mest använda plattformen. I detta arbete undersöks därför hur takytor kan segmenteras och ritas ut i en webbapplikation med tillhörande karta, på ett nästan helt automatiserat sätt med bildbehandling. Detta med hjälp av algoritmen region growing på ortofoton.

Resultatet produceras av flertalet tester på varierande konstruktioner och färger på tak. Validering av testresultaten sker helt visuellt, efter utritning i karta. I de flesta testfallen har algoritmen på ett korrekt sätt lyckats identifiera och segmentera delar av taket, men inte i något fall ansetts ha lyckats segmentera ett helt tak på ett korrekt vis. Detta berodde till stor del på att inte fler typer av data än ortofoton var till- gängliga, samt störningar i de bilder som användes i form av skuggning. Resultatet visar att metoden kan fungera på ett bättre sätt, med tillgång till mer data och vidare utveckling av bildbehandlingen. Samt visar hur denna typ av operation enkelt kan in- tegreras i en webbkarta.

Nyckelord: Solcellsplanering, förnybar energi, region growing, ortofoto, hustak

(6)

(7)

Abstract

The need for energy is constantly increasing, and fossil fuels are both harmful and neither everlasting. This puts higher demand on the production of renewable energy. In Sweden the production of renewable energy is relatively good, however the solar power is not utilized enough. The planning phase for the purpose of solar installation is a lengthy process, and will over the coming years need to be more efficient. Several different methods are used for planning today, with the help of geo- graphic data in the form of ortophotos. Multiple studies today have successfully achieved the segmentation of roofs, which then is used in this process. The studies that have achieved this, has used software that is not widely available to private indi- viduals and thus the information regarding precise solar potential assesments are un- available to them. This study has not found a similar implementation which operates in a semi-automatic manner as a webservice, on the Internet which is the most used platform. Therefore this study will investigate how roofs can be segmented and drawn on a map in a web application, in an automated manner with image processing. This is accomplished using the region growing algorithm.

The result is produced by a number of tests on a variation of roof designs and colors.

Validation of the results are done visually, when the segmentation is drawn onto the map. In most cases the algorithm has not been able to correctly identify and segment parts of the roof, and in no case has been successful to segment an entire roof. This was largely because of lack of data, and shadow disturbance in the images used. The result shows the method could work in a better way, using more data and develop- ing the image processing further. It also shows how easily this type of method can be integrated with a webmap.

Keywords: Solar planning, renewable energy, region growing, ortophoto, roof

(8)

(9)

Innehållsförteckning

Förord... i

Sammanfattning... iii

Abstract ... v

1 Introduktion ... 1

1.1 Syfte ... 3

1.2 Frågeställning ... 3

1.3 Avgränsning ... 4

1.4 Förväntningar ... 4

2 Teori ... 5

2.1 Segmentering av objekt i flygfoton ... 5

2.1.1 Edge detection... 6

2.1.2 Detektion med LIDAR ... 7

2.1.3 Region growing algoritm ... 9

3 Metod ... 11

3.1 Data ... 11

3.1.1 Programvara och bibliotek ... 11

3.2 Applikation ... 12

3.3 Segmentering av hustak ... 13

3.3.1 Förbehandling ... 13

3.3.2 Segmentering ... 14

3.3.3 Efterbehandling ... 16

3.4 Validering av resultat ... 16

4 Resultat ... 18

4.1 Bildbehandlingsprocess ... 20

4.2 Testobjekt 1 ... 20

5 Diskussion ... 23

5.1 Problem ... 24

6 Etik och hållbar utveckling ... 25

6.1 Etiska aspekter ... 25

6.2 Hållbar utveckling... 25

7 Slutsatser ... 26

8 Framtida studier ... 27

Referenser ... 28

(10)

(11)

1 Introduktion

Global uppvärmning och utsläpp av växthusgaser genom användandet av fossila bränslen har en stor negativ påverkan på naturen och klimatet [1]. Under de senaste 50 åren har energiproduktionen ökat markant, vilket även indikerar en fortsatt ök- ning framåt. Detta med tanke på befolkningsökning, elektrifiering av transport- och industrisektorn med mera. Även det privata användandet har ökat med cirka 100%

sedan början på 70-talet [2]. Dessa trender och indikationer, i samband med fossila bränslens begränsade tillgång, kräver en omställning till förnybara energikällor [1].

I Sverige produceras ungefär hälften av all energi redan av förnybara källor, vilket bör anses som bra. Utvinning av energi genom vindkraftverk har ökat 3500% under de senaste tjugo åren. År 2018 producerades i Sverige mycket energi från förnybara källor, närmare 60%. Dock stod solkraften det året för mindre än 1% av all energi producerad [3]. Som med vindkraften, pekar statistik på att solkraften troligtvis kommer att följa den kraftiga utvecklingen [4, Tabell 1].

Omställningen till förnybar energi kan komma att vara en kostsam process, men i Sverige finns investeringsstöd att tillgå. Utan en stor startkostnad med hjälp av inve- steringsstödet, finns en stor chans att det leder till lönsamhet sett till den el som fak- tiskt produceras [5]. Lönsamhet är inte enbart ekonomisk, utan även för klimatet samt självständighet, d.v.s. man är inte beroende av t.ex. andra länder för energi [6].

Det är oundvikligt att fler och fler förnybara energikällor kommer att nyttjas i ökade omfattning. De flesta är måna om miljön och kommer vilja bidra till en mer hållbar elproduktion och därmed kommer solceller att bli mer och mer vanligt på privat- ägda hus. De flesta kommer troligtvis att placeras på tak, då väggmonterade solceller inte genererar lika mycket energi, och därmed är mindre lönsamt för den som väljer att investera [5]. Man kan redan se denna trend slå igenom i Sverige, då antalet små solcellsanläggningar har ökat kraftigt [4, Tabell 1]. Med små solcellsanläggningar menas sådana som har en effekt på mindre än 20 kilowatt, dessa är oftast privatägda och placerade på hustak [7].

(12)

Tabell 1. Antal nätanslutna solcellsanläggningar 2016-2019 [4].

År Antal

2016 8543

2017 12885

2018 21535

2019 37656

Även om vindkraften har visat sig väldigt givande, är solkraften i större grad tillgäng- lig för privatpersoner [3,4]. Det gäller även för stadsmiljöer, där hustak är den ideala platsen för placering av solpaneler, eftersom taket är mest exponerat för sol. Många tidigare studier har fokuserat på extrahering av hustak och används som en grund för utvärdering av dessa tak. Med ett korrekt segmenterat tak finns möjlighet att t.ex.

skapa en 3D-modell, eller kombineras med höjddata för att beräkna ett taks lutning för att sedan utvärderas. Med utvärdering menas en mätbar undersökning där man undersöker potentialen för framställning av energi genom användandet av solpaneler. Vid manuell segmentering finns en risk att hustak inte representeras rätt och kan därmed resultera i en felaktig utvärdering. Flertalet studier använder sig av geografiska informationssystem (GIS) för extrahering av hustak, samt utvärdering av de ex- traherade takytornas solenergipotential. I en tidigare studie, har man mest fokuserat på att visa detta för beslutstagare, stadsplanerare och professionella investerare [8,9].

Det påpekas dock att framtida studier även bör innefatta samma process, fast inrik- tad mot privatpersoner och enskilda hushåll [9].

Flertalet studier visar att det är väldigt viktigt att kunna utvärdera både eventuell produktion av el samt var solpaneler bör installeras [8,9]. En viktig faktor som bör tas i åtanke är skuggning, vilket drastiskt kan påverka produktionen av energi [10].

Man bör också ha i åtanke sådana hinder som gör det omöjligt att installera solpaneler på grund av exempelvis skorstenar eller takfönster [11].

En slutsats som kan dras ifrån de hinder som finns, är att ett stort antal solpaneler in- nebär en hög energiproduktion. Det blir därmed viktigt att utvärderingen av platsen där en installation av solpaneler kan placeras, kan göras snabbt och effektivt [12].

Detta kräver en automatisk process för extrahering av hustak, samt utvärdering av dess eventuella produktion för att snabbt kunna bilda en uppfattning.

(13)

Samtidigt påpekas betydelsen som planeringsarbetet har för den som investerar, samt vikten av visuell demonstration [9], men tillgång till GIS är inte alltid given för privatpersoner. Därmed måste detta data distribueras av t.ex. leverantör med till- gång till sådan mjukvara. En tidigare studie visar även att en webbkarta och dess funktioner har utvecklats markant under de senaste tjugo åren då funktioner hos komplexa GIS-system har adapterats, och har visat sig vara ett effektivt verktyg för stadsplanering och kartläggning av infrastruktur inom andra områden än solceller.

Webbkartor kan numera byggas för att t.ex. göra utförliga analyser eller modelle- ring av spatiala data [13]. Samtidigt är tillgängligheten till internet mycket hög och har många användare [14].

I en artikel beskrivs processen för stadsplanering med hänsyn till installation av solpaneler. Det är många krav och faktorer som måste tas i åtanke [15]. Likt tidigare studier pekar detta på att tidsaspekten måste kortas ned för den planering som sker i processen.

Slutsatser man kan dra från tidigare studier är att solcellsplanering kräver en hel del planering. Detta baserat på de faktorer som direkt påverkar ett hustaks energipot- ential med solceller och måste has i åtanke vid utvärdering. Arbetsbördan för t.ex.

de som planerar eller elbolagen som levererar blir större då efterfrågan ökar väldigt mycket. Med det sagt behöver det inte nödvändigtvis bli svårare för elbolag att leve- rera, men tidsaspekten blir allt mer påtaglig. Denna slutsats kan man dra då den re- dovisade ökningen av antal anläggningar troligtvis kommer att fortsätta i samma takt [4, Tabell 1].

1.1 Syfte

Detta arbete syftar till att undersöka och utveckla en metod som möjliggör att delar av planeringsprocessen för solceller kan automatiseras, men att arbetet ska kunna bedrivas i en webbapplikation. Arbetet kommer som tidigare metoder att använda sig av geografiska data, i form av ortofoton för att testa och verifiera den metod som utvecklas. Metoder från tidigare studier kommer att undersökas och anpassas på ett sådant sätt att det kan användas i kombination med en interaktiv karta, med mål att det kommer kunna användas som underlag för fortsatt utveckling eller beräkning av area på takytor. Allt detta för att främja och underlätta planeringen så mycket som möjligt av solcellsanläggningar på hustak.

1.2 Frågeställning

Detta arbete har som uppgift att undersöka och svara på följande frågeställning:

– Hur kan man utifrån ett ortofoto över ett hus, på ett enkelt sätt segmentera takytan baserat på etablerade metoder?

(14)

1.3 Avgränsning

Med solkraft finns det en hel del parametrar att ta hänsyn till som kan påverka ett taks potential för solceller. Exempel på sådana parametrar är lutning på tak, solljus och hinder på taket. Detta arbete kommer dock endast att fokusera på segmenteringen av hustak. Den geografiska data i form av ortofoton som används är begränsad till ett område i Gävle kommun.

1.4 Förväntningar

Arbetet förväntas sluta i en applikation som på ett nästan helt automatiserat sätt, kan från ett ortofoto rita ut ett hustak i en webbkarta. Detta medför en uppfattning av hur många solcellspaneler som kan få plats på taket. Det är ett steg i processen med att automatisera hela planeringsprocessen. Med denna typ av applikation är målet att planeringen av solcellsanläggningar ska underlättas.

(15)

2 Teori

Design på olika typer av hustak kan skilja sig mycket åt. Dock utgår nästan alla konstruktioner ifrån några grundprinciper. Tak har ofta skarpa hörn vilket underlättar när de ska identifieras i bilder och man kan använda sig av olika metoder för att hitta just kanter i bilder [16].

2.1 Segmentering av objekt i flygfoton

För segmentering och identifiering i flygfoton används endast RGB-bilder, i detta fall kan man bara använda sig av informationen i de olika banden. I en tidigare studie har man börjat med förbehandling, där man transformerat om RGB till HSI (Hue Saturation Intensity), för att på ett bättre sätt kunna avgöra objekts tillhörighet baserat på färg. För att bestämma tillhörighet och gruppera olika objekt, användes en region growing algoritm, där man utgår ifrån en s.k. seed, eller startpunkt. Det är en godtycklig punkt, som sätter parametrarna för gruppering av punkter. Paramet- rarna här är HSI-värdena, där algoritmen iterativt kollar mot grannar till seed-punkten. Om grannarna till seed-punkten ligger inom intervallet, som definierar en till- låtbar avvikelse, för HSI-värden som är liknande seed-punkten läggs dessa till i samma grupp [17].

I samma studie användes även statiska parametrar som tröskelvärden för att exklu- dera skuggade områden. För att förfina och ta bort mindre områden, användes morfologiska öppnings- och stängningsfilter. Eftersom HSI-värden användes för att gruppera områden, kunde tak ibland segmenteras i två olika delar beroende på faktorer som solljus, vilket påverkar färg i bilden. För att korrigera detta användes ett morfo- logisk dilationsfilter, vilket gjorde att närliggande grupper slogs ihop, för att sedan kombineras med deras ursprungliga form för att skapa en realistisk representation av taket [17].

(16)

2.1.1 Kantigenkänning (edge detection)

Kantigenkänning (eng. edge detection), används inom flera olika studieområden.

Det finns ingen generell algoritm, utan matematiska operationer appliceras på en bild, där kanter definieras baserat på kontrastskillnader mellan bildens pixlar [18, 19, 20]. Kanter kan definieras som systematiska variationer av intensitetsvärden i en bild, och kan definieras som konturer av ett objekt i en bild. Under en väldigt lång tid har tekniker för kantigenkänning förbättrats av olika forskare. De metoder som används idag kräver även någon typ av förbehandling utav bilden, där man försöker eliminera pixelbrus i bilder. Tekniken är mycket beroende av hur bra bilden man analyserar är; är inte kvaliteten bra och det finns störningar reflekteras detta i resultatet. Till exempel, finns det inte tillräckligt med kontrast mellan olika objekt i en bild, kommer inte kanterna att identifieras på rätt sätt jämfört med verkligheten.

[20].

Med det sagt krävs det oftast mycket förbehandling för att säkerställa att resultatet korrekt kan baseras på hur bilden är representerad i verkligheten, utan eventuella störningar som kan finnas som inte på ett korrekt sätt representerar verkligheten.

Något som också bör ses som en nackdel är att det kräver mycket högupplösta bilder, på ett sådant sätt att man har tillräckligt med information för att nå ett bra resultat [20].

En metod som ofta används är Canny, som är en väl erkänd metod för kantigenkän- ning. Dock behöver den kompletteras med en algoritm för att kunna söka ut intressanta områden. I ett arbete för detektering av vägar med hjälp av kanter, itererade man genom alla kanter som genererats av Canny. Sedan behölls bara kanter, som hade en likadan parallell linje, för att kunna identifiera endast kanterna för vägar [18].

Tillsammans med höjddata kan man på ett ganska säkert sätt urskilja just takkanter, ifrån andra skarpa kanter i ett ortofoto. Denna studie baserades på Line Segment Detector metoden som är en kantigenkännings algoritm för att hitta raka linjeseg- ment i bilder. Med hjälp av metoden har tidigare forskning på ett bra sätt lyckats att urskilja takets form samt att identifiera vissa hinder som kan definieras med skarpa kanter. En nackdel med denna teknik är att man måste kombinera höjddata med ett ortofoto för att vara säker på att endast tak identifieras, och inte andra objekt. För att implementera denna teknik finns tillgång till öppna API bibliotek [19].

(17)

Vidare kan kantigenkänning användas som efterbehandling, där man redan har iden- tifierat objekt och vill göra en mer precis bedömning av dem identifierade objektens form [21].

2.1.2 Detektion med LIDAR

LIDAR är en teknik som använder sig utav laserskanning. Flygplan eller andra luft- burna fordon skannar områden med hjälp av laser, som egentligen bara är ljus som reflekteras i jordens yta. När ljusstrålarna har bearbetats av skannern kan man från väglängderna i det reflekterade ljuset som registrerats få fram längd från skannern till en specifik punkt. Följden av detta blir att man kan bestämma en punkts höjd relativt till skannern och därmed få fram en höjd på det objekt där lasern har fångat ljus ifrån. När denna data sedan kombineras med tvådimensionella data, till exempel inmätta koordinater från en GPS, kan man generera en tredimensionell modell över det skannade området [22]. Tidigare forskning menar att denna typ av data inte alltid är tillgänglig och vill man samla in denna kostar det oftast mycket pengar [23].

I en studie för extrahering av hustak användes LIDAR data som man sedan utvinner en DSM (Digital Surface Model) från. En DSM är en höjdmodell som beskriver ytan av det som kan ses uppifrån, det vill säga byggnader, trädkronor med mera. Den beskriver alltså inte jordens yta utan den absolut högsta ytan av all bebyggelse samt vegetation på jorden [24]. En DSM genereras från ett LiDAR dataset, även kallat punktmoln. DSM-modellen genereras genom att interpolera punkterna i LiDAR data [25].

I ovan nämnda artikel föreslås användandet av DSM samt en algoritm för att sam- manfoga punkter i en DSM-modell till separerade objekt. För att generera DSM- modellen användes i studien nearest-neighbor som interpoleringsmetod, då den metoden behåller höjddata på ett bra sätt utan för mycket ändringar. Det förlitar man sig på när man vill extrahera objekt, då man vill ha skarpa skillnader i höjd för att enkelt kunna segmentera olika objekt [25].

(18)

I ovan nämnda studies fall är endast hustak intressanta och därmed kan man relativt enkelt eliminera en stor del utav DSM-modellen, då punkter i modellen över jordy- tan är dem enda intressanta. Detta kräver dock en tillförlitlig terrängmodell (DTM).

I artikeln används en brytpunkt på tre meter, där man förutsätter att alla punkter med höjd lägre än detta inte är del av hustak. Vidare segmenteras objekt genom en rekursiv algoritm, som går igenom potentiellt intressanta punkter över tröskelvärdet sett till höjd. Sedan grupperas punkter med närhet till varandra, med ungefär samma höjdvärden till ett objekt. Algoritmen baseras på Markov Random Field, som är en statistisk modell med sammanhängande variabler som används som vikter för att ut- värdera data. I artikeln användes variabler som storleken av objekt, rektangulära former och parallella linjer. Arbetet resulterade i en väl fungerade algoritm och i nittio procent av fallen segmenterades hustak korrekt [25].

Även om man använder sig av LiDAR data och kan utesluta ointressanta områden med hjälp av höjd, lämnar det kvar objekt som trädkronor eller annan hög vegetation [26].

För detta kan man använda sig av NDVI (Normalized Difference Vegetation Index), som är en bandkombination som baseras på det röda och nära infraröda banden i en bild [27]. Våglängder i det röda bandet, absorberas starkt av vegetation, och således kan vegetation lätt urskiljas i det bandet. För det nära infraröda bandet, avger växt- lighet höga värden i det bandets våglängder. Dock är detta inte helt pålitligt, då det kan skilja sig starkt beroende på mängden av klorofyll i vegetation. Hälsosam vegetation innehåller mycket klorofyll, och avger därmed högre spektral reflektans [27].

Det ställer även krav på att man har tillgång till det nära infraröda bandet, vilket inte är fallet. Om man använder sig av LiDAR data är detta ofta inkluderat.

En annan teknik som använts är att man utgår från taknocken eller de kanter som finns på taket. Med denna metod används Random Sample Consensus (RANSAC), som i detta fall används som en linjedetektor för att identifiera alla kanter på taket.

Metoden används för att ta fram punkter baserat på distans, men som exkluderar avvikande punkter baserat på riktning av grannar. Utifrån dessa kanter/nockar kan man sedan estimera vilka andra linjer som är takets yttre kanter. Denna metod har visat sig väldigt användbar när man hanterar komplexa takkonstruktioner med många olika vinklar. Författarna menar att det inte räcker med endast flygfoton för denna typ av segmentering, utan det kräver LiDAR data när man vill ha detaljerad

(19)

En annan märkbar fördel av att använda sig av LiDAR data är att man kan ta vara på höjdattributet. Med hjälp av höjden kan man beräkna riktning i horisontalplanet, t.ex. nordväst samt lutning på taket. Det ger även förutsättning för att skapa tredi- mensionella modeller av taket. Utifrån perspektivet om hur många solcellspaneler som kan få plats på ett tak, kan man med informationen om lutning på taket få en mer exakt beräkning för arean [26].

2.1.3 Region growing algoritm

I väldigt många arbeten som använder sig av LiDAR eller ortofoton som primär da- takälla, används en algoritm som heter region growing. Algoritmen har i flerparten av tidigare studier visat sig som en pålitlig metod för extrahering av hustak i flygfoton i 2D [9], [10], [17], [26].

Algoritmen är en pixelbaserad metod för att kunna gruppera ihop pixlar baserat på deras likhet, exempelvis intensitetsvärden. Likheten av pixlar i bilder fastställs av algoritmen där det kan finnas olika toleransvärden baserat på vilka faktorer som utvär- deras t.ex. färg. Det talar om för algoritmen, hur pass exakt eller lös tillhörigheten bör vara för att två eller flera pixlar ska kunna grupperas tillsammans [29].

Algoritmen börjar alltid med en eller flera seed-punkter, vilket är den pixel som algoritmen utgår ifrån. Fortsatt går algoritmen över de närliggande pixlar till seed- punkten, och fortsätter till dess att det inte finns fler grannar som bör vara i samma grupp, baserat på den satta toleransen t.ex. intensitetsvärden. Pixlar som klassats att tillhöra samma grupp som seed-punkten, läggs i en kö för att i nästa iteration använ- das som seed-punkt. I arbetet som beskriver denna process, valde forskarna att an- vända sig av kriterier som höjd, riktning och magnitud. Magnitud i detta fall var ett värde tilldelat alla pixlar, baserat på ett Sobel filter som användes i olika riktningar, där det högsta värdet valdes [30].

I en annan studie har man även fokuserat på segmentering med hjälp av färginform- ation i bilder. I studien använde man sig av RGB-bilder som med hjälp av region growing algoritmen kunde grupperas utifrån dess färg. Vidare applicerade man även kontroll av former på dem objekt som segmenterats, för att endast behålla de former man var intresserad av [31].

För val av seed-punkter, kan man först förbehandla bilden och maskera ut områden som inte är intressanta, för att sedan välja en helt slumpad seed-punkt baserat på den binära bild som genererats [28]. För maskeringen kan man exempelvis använda sig av höjddata, eller bandkombinationer som NDVI för att utesluta vissa områden i bilden [26], [27].

(20)

(21)

3 Metod

I detta avsnitt beskrivs data och vilka metoder som används för att försöka uppnå den frågeställning arbetet har.

3.1 Data

För att testa och utveckla behövdes kartdata. Data hämtades via Sveriges Lantbruks- universitet (SLU) i form av högupplösta ortofoton, samt höjddata. De ortofoton som finns att tillgå har en upplösning på 0,25m per pixel, vilket bör underlätta bildbehandlingsprocessen med att utläsa hustak från ett ortofoto. Mindre pixelstorlek, d.v.s. högre upplösning är alltid att föredra, då det bidrar med mer information vilket gynnar eventuella beräkningar.

Det data som användes är ett område över orten Hille, i Gävle kommun. Området som data täcker är cirka sex kvadratkilometer stort och innehåller varierande typer av hus och tak. Flera olika testfall kommer därmed att kunna produceras av applikationen på olika takkonstruktioner.

För att data ska kunna användas i applikationen, behövs ett sätt för att kunna förse applikationen med kartbilder. När data levererades från SLU, var det i formatet TIFF och georefererat i SWEREF99TM, som är Sveriges nationella referenssystem.

Den ursprungliga datan innehöll ingen platsinformation, därför krävdes en konverte- ring till formatet GeoTIFF för att kunna inkapuslera georefereringen i en och samma fil. Utan georeferering, innehåller bilden ingen information var innehållet i bilden är i relation till verkligheten.

3.1.1 Programvara och bibliotek

Primärt användes PHP och JavaScript som programmeringsspråk, vilka är populära och väletablerade val för webbutveckling. Detta möjliggör att applikationen kan an- vändas på internet och nå en bred publik på flera olika plattformar.

För ytterligare underlättande av arbetet användes Laravel som ramverk för allt back- end arbete. Det används för att utveckla webbsidor och innehåller färdiga kodmallar för att snabbt och enkelt kunna underlätta arbetsbördan. En filosofi hos grundarna är att sådant arbete som är vanligt förekommande inom just webbutveckling från bör- jan ska vara på plats när ett nytt projekt påbörjas. Därmed sparas mycket tid och blir en ideal del i detta arbete [32]. I samband användes Vue som ramverk för allt arbete som innefattar JavaScript, HTML och CSS. Vue är ett ramverk för synligt webbinne- håll och innefattar HTML, JavaScript och CSS [33]. En av fördelarna med att an- vända ett ramverk som Vue är att strukturen för all kod blir tydligt och följer ett ob- jektorienterat desginmönster.

(22)

För allt kartinnehåll användes i huvudsak Leaflet som primärt JavaScript bibliotek för att visa och manipulera innehåll. Leaflet är ett av de största kartbiblioteken för Java- Script och beskrivs som enkelt och användbart samtidigt som det ger bra prestanda.

De delar av arbetet som innefattar bildbehandling utvecklades i Python. För Python finns ett open-source bibliotek som heter OpenCV, vilket innehåller flera använd- bara och färdiga metoder. Det finns mycket likheter mellan OpenCV och de metoder som återfinns i MATLAB. Dock är MATLAB mer komplett och viss egen utveckling av metoder gjordes i Python.

För att kunna visa bilderna i kartan, användes GeoServer som i en tidigare studie vi- sats vara ett bra och praktiskt verktyg för att kunna publicera data, då det är open- source samt är användarvänligt [34]. Genom Geoserver möjliggörs användandet av Web Map Service (WMS). WMS är en standard som är utvecklad av Open

Geospatial Consortium (OGC), och används för att kunna dela kartbilder över Hy- pertext Transfer Protocol (HTTP) [35]. Alltså replikeras ett beteende av en standar- diserad WMS-tjänst, men är begränsad till ett mindre område än normal utsträck- ning som exempelvis ett land eller kontinent.

3.2 Applikation

Det första steget i arbetet innefattade utveckling av webbkarta med Leaflet. Ut- vecklingen gjordes i enlighet med Leaflets dokumentation samt standarder för kart- innehållet, bland annat WMS. För ytterligare effektivisering av arbetet användes fär- diga exempel som ett stöd från Leaflets dokumentation. I ett första steg utvecklades allt som visas i klienten, det vill säga det som användaren interagerar med. En grundtanke i all utveckling som behandlar klienten är att alla metoder som används ska stödjas i de största webbläsarna, samt på flera plattformar. Till exempel Android och iOS.

En faktor som togs i åtanke under utvecklingen av applikationen var användarvänlig- het. Denna applikation är tänkt att användas av en bredare publik, som kanske inte besitter väldigt mycket kunskap när det gäller GIS eller erfarenhet av sådana pro- gramvaror. Därmed har alla visuella element samt funktioner gjorts så pedagogiska som möjligt, då det ska vara lätt att använda en karta i en webbapplikation [36].

Gränssnittet utvecklades med hjälp av Bootstrap-ramverket som är ett modernt sätt att designa webbsidor och är ett av de mest använda biblioteken för just webbut-

(23)

För att underlätta mer för användaren och hur den navigerar i kartan användes i detta fall geocoding. Geocoding är en funktion som översätter en fysisk adress eller plats till koordinater. Dessa koordinater kan sedan användas för att enkelt navigera användaren till en plats av intresse i kartan. Detta med minimal input från använda- ren [37]. Detta är speciellt användbart i en karta som endast innehåller ortofoton där inga etiketter förekommer med t.ex. gatunamn.

I detta arbete används fördefinierade adresser, som man som användare kan välja ifrån. Anledning till att detta implementerades är att området som kartan visar är begränsat och därmed blir det svårt vid sökning med fritext om man inte är bekant med det specifika området för denna studie. Dessa lagras på servern och visas i en lista som användaren får välja från. Det utgör även grunden för att exportera den bild, som kommer att behandlas för att kunna segmentera hustaket vid just den po- sitionen. Detta på grund av att det skapar förutsättning att huset är helt i bild på kartan, samt att en bra skalnivå är satt. Det begränsar inte användaren från att panorera eller zooma själv utan är en form av defensiv design för att säkerställa att bildbehandling kan skötas med hela hustaket i bild.

I detta steg skapades även den koppling mellan kartan och bildbehandlingen som sker i Python, med hjälp av metoder i PHP. I både PHP och Python omvandlas data för att kunna tolkas av båda programspråken.

3.3 Segmentering av hustak

I detta kapitel beskrivs metoden som används för att extrahera hustak ur den bild som exporteras av webbkartan till servern. Den primära algoritmen som används är region growing som beskrivs i kapitel 2. Metoden har i enligt Lingfors et al. [10] vi- sat sig vara ett bra och beprövat tillvägagångssätt för segmentering av hustak i 2D.

3.3.1 Förbehandling

För att undvika störningar och eventuellt brus i bilderna vidtogs vissa åtgärder med bildbehandling för att ta eliminera dessa. Det är vanligt att bilder någonstans under dess framställningsprocess blir ändrade, och oönskad information uppstår [38]. För att ta bort dessa störningar används median filter, som har visat sig vara en effektiv metod för det i tidigare studier [30]. För median filter, finns ett antal storlekar på filtermatrisen som man kan använda för att applicera filtret. I detta arbete användes ett 3x3 filter, som applicerades på de individuella banden. Även 5x5 samt 7x7 i storlek på filtermatrisen testades men gjorde ytterst lite skillnad. För storleken 7x7 kunde ibland vissa suddiga delar uppstå.

(24)

För snabbare och mer effektiv beräkning skalades alla bilder ner till storlek

256x256. Denna storlek resulterade i liknande segmentering som större bilder men gjorde så att beräkningshastigheten förbättrades. Samma operation utförs även på den valda seed-punkten för att bildkoordinater ska stämma överens med hur dem är valda i den ursprungliga bilden i kartan.

Ett problem hos flygfoton är att det kräver goda omständigheter, ofta kan det före- komma störningar på grund av väderförhållanden som gör att fotona påverkas. Ett sådant fall är skuggor som kan uppstå beroende på solens position när bilden är ta- gen, eller skuggor från träd nära huset som direkt kan påverka färgen hos bilderna [17]. För att motverka dessa mörka delar som uppstått på grund av skuggor konver- terades bilderna från RGB till YUV. YUV formatet innehåller ljushet i bilden i Y- bandet [39]. För att undvika takytor som kan vara skuggade, applicerades histogram- utjämning på Y-bandet, för att bättre distribuera ljusheten i bilden. Efter detta kon- verterades bilden tillbaka till RGB-formatet.

3.3.2 Segmentering

Segmenteringsmetoden använder sig som tidigare nämnt av algoritmen region growing. För att gruppera pixlar med liknande egenskaper i form av färg, börjar algoritmen med en startpunkt [17]. I detta arbete tas kartan till hjälp, där användaren själv får markera ut en startpunkt. Detta för att säkerställa att rätt region kan identifieras. Val av fel startpunkt kan resultera i oönskade resultat, då algoritmen är kri- tiskt beroende av en spatialt korrekt startpunkt i förhållande till taket.

Utifrån startpunkten itererar algoritmen över startpunkten och dess grannar, i detta fall åtta, det vill säga i både diagonal och rät riktning som kan ses i Fig. 1. När grannar med liknande färg har hittats, läggs dessa i en kö för att sedan kunna undersökas på samma sätt som startpunkten. Likhet i färg anges med ett toleransvärde, som appliceras på det röda, gröna och blåa bandet. Om grannpixelns värden i de enskilda banden faller inom intervallet för toleransvärdet i förhållande till startpunkten, läggs dessa till i bilden.

(25)

s

)

± T, f

b

(x

s

y

s

) ± T ] 255, 0 }

(1)

Det toleransvärde som användes var resultatet av ett flertal tester, med varierande toleransvärden. Målet är att den segmenterade ytan ska täcka hustaket maximalt, men samtidigt inte översegmenteras. I detta fall var även en viss översegmentering att föredra, som eventuellt kan exkluderas i en efterbehandling. Med hjälp av tester som kan ses i Fig. 2 drogs slutsatsen att ett toleransvärde av 0.21 användes.

Figur 2. Tester av olika toleransvärden, baserat på bild över hus till vänster i figuren.

(26)

3.3.3 Efterbehandling

När taket har segmenterats med hjälp av algoritmen kan den innehålla vissa hål beroende på objekt som förekommer på taket. Till exempel en skorsten eller takfönster, där färgen skiljer sig från den färg som i majoritet förekommer [17]. För att ta bort dessa oönskade objekt, används ett morfologiskt stängningsfilter. Filtret är en dilat- ion (D), följt av en erosion (E) med struktureringselementet S, se (2). För detta ar- bete testades olika struktureringselement i olika storlek med en kvadratisk form. Ef- tersom denna metod användes för att stänga små hål, drogs slutsatsen att andra former på struktureringselementet inte var nödvändiga då inget specifikt objekt söktes.

D

s

(A) = (A ⊖ S) S’, E

s

= (A ⊕ S) S’ (2)

Eftersom endast den omskrivande formen av taket behövs i detta fall, appliceras Canny-filtret för kantigenkänning på den binära bilden. Vidare används inbyggda metoder i OpenCV biblioteket för att extrahera de pixlar i bilden, där kanterna skär i varandra. Den använda metoden var findContours, där det viktiga argumentet som skickas till metoden är approximationsmetoden för konturer, som representerar ob- jektets omskrivande form. I vissa bilder kunde antalet vertex-punkter vara väldigt många beroende på segmentering, därför blev det viktigt att endast vertices som re- presenterade den absolut omskrivande formen användes, för att minska datamäng- den. På sådant sätt blir mängden pixlar mer hanterbar, för att kunna göras om till ett format som går att använda i kartan för utritning.

3.4 Validering av resultat

Målet med algoritmen är att kunna rita ut den omskrivande formen för hustak på kartan. Eftersom tillgång till kartan som tydligt visar hustak i fokus samt ritar ut det segmenterade området, gör det lätt att utvärdera. Detta också tack vare att bilderna är väldigt högupplösta. Därför görs validering av resultatet rent visuellt. Ett alterna- tiv hade varit att segmentera takytor manuellt, för att sedan jämföra träffbilden gentemot den segmenterade yta som produceras av algoritmen. Detta hade även kunnat ge en bra uppfattning, men hade även behövt kombineras med bilder för att på ett bra sätt kunna uppfattas. Vid segmentering av ytor är det visuella ytterst viktigt, då det blir svårt att bilda sig en uppfattning om det förekommer över- eller un-

(27)

(28)

4 Resultat

I detta kapitel redovisas resultat av webbapplikationen och resultat som genererats utifrån tester där algoritmen använts på flera olika hustak.

Applikationen har resulterat i en lättanvänd interaktiv karta, som utgör det största innehållet. För användning av applikationen finns text som beskriver hur segmenteringsfunktionen fungerar, för att instruera användaren. I Fig. 3 visas en översiktlig bild hur applikationen ser ut för användaren. Till vänster i Fig. 3 syns den lista där användaren i ett första steg får välja en adress, som kartan sedan panorerar till baserat på koordinaterna som är kopplade till det adressobjektet.

Figur 3. Översiktlig illustration av webbapplikationen

Test av segmenteringsfunktionen gjordes på 20 olika bilder, som för varje bild inne- höll olika hustak. I Tabell 2 kommenteras resultatet utifrån en visuell bedömning av segmenteringen, när den väl ritats ut på hustaket i kartan. Vidare illustreras alla testresultat från Tabell 2 visuellt i Tabell 3.

(29)

Tabell 2. Utvärdering av resultat från tester

Objekt Kommentar

1 Undersegmenterad

2 Undersegmenterad, skugga

3 Undersegmenterad

5 Viss under/översegmentering

8 Över/undersegmentering

10 Undersegmentering

12 Viss under/översegmentering

Tabell 3. Illustration av samtliga testresultat som redovisas i Tabell 2.

(30)

4.1 Bildbehandlingsprocess

I Fig. 4 kan processen som utförs i bilbehandlingsdelen ses. (1) visar den initiala bilden som exporterats från kartan. (2) visar resultatet av histogramutjämningen som gjordes på Y-bandet i YUR-format. I (3) kan resultatet från algoritmen region growing ses. (4) visar hur bilden ändrats efter det morfologiska stängningsfiltret. (5) visar det slutgiltiga resultatet av bildbehandlingen, där kanterna av det segmenterade området i den binära bilden hittas.

(1) (2) (3) (4) (5) Figur 4. Visualisering av bildbehandlingsprocessen

4.2 Testobjekt 1

Resultatet i Fig. 5 illustrerar hur taket beräknats av bildbehandlingen. I detta fall kan det konstateras ett tydligt fall av undersegmentering, då inte hela takets yta identifierats att tillhöra samma objekt.

(31)

Figur 5. Illustration av utritat tak, testobjekt 1

I Fig. 6 visas resultat på testobjekt 2, där resultatet visuellt kan uppfattas som undersegmentering, eftersom det förekommer en viss skuggning på takets ena sida. Den segmenterade delen är till viss del översegmenterad. Ett hörn av den segmenterade delen har identifierats inkorrekt till följd av ett närliggande träd.

(32)

Resultat av testobjekt 3 i Fig. 7 visar på ett fall av undersegmentering. Den segmenterade delen har till stor del identifierats korrekt.

(33)

5 Diskussion

Resultatet av detta arbete har påvisat hur bildbehandling kan användas för att segmentera takytor i en webbkarta. I de tester som har gjorts har flera fel eller falska identifieringar inträffat. Till stor del har bildbehandlingen presterat bristfälligt, då samtliga testfall resulterat i en icke korrekt segmenterad yta.

För testobjekt 1 illustreras i Fig. 5 ett bra försök till segmentering av taket, dock är den inte komplett. Den bakomliggande faktorn är säkerligen på grund av skuggning i bilden, som gjort att dem delarna av bilden inte faller inom toleransintervallet, för takområdet generellt. Vidare förekommer viss översegmentering som orsakats av oidentifierade objekt som inte verkar tillhöra takkonstruktionen, just på grund av dess avvikande färg. Annars var detta ett av de bättre resultaten, sett till resterande hustak som metoden testats på.

För testobjekt i Fig. 6 påvisas ett tydligt fall av undersegmentering, mycket beroende på skuggning på den icke segmenterade delen av taket. Fortsättningsvis finns ett träd med i bilden, som skuggar alternativt hänger över taket. Detta har i sin tur resulterat i väldigt mörka pixlar, som inte fallit inom toleransintervallet. Även om åtgärder vidtagits för att minska skuggning och fördela ljuset bättre i samtliga bilder, har det inte hjälp i detta fall. Den segmenterade delen innehåller viss översegmente- ring, då den segmenterade ytan inte är orienterad i förhållande till takets egentliga form.

Testobjekt 3, som ses i Fig. 7 var en bild med ett tak med relativt enkel konstrukt- ion. Detta i kombination med att inte många avvikande färger förekommer, bör ha gett bra förutsättningar för en korrekt segmentering av taket. Dock kan man tydligt se avvikande nyanser av takets generella gråaktiga färg, där segmenteringen stannat av. Här förekommer inget fall av skuggning, utan problemet ligger istället hos to- leransvärdena där det ljusa området avviker för mycket för algoritmen. På grund av detta resulterade det i att bara halva taket segmenterades, med viss undersegmentering. I detta fall hade ett högre toleransvärde behövts, för att algoritmen skulle upp- fatta även de mörkare delarna som del av samma hustak.

För en ännu bättre validering hade det visuella resultatet kunnat komplimenteras med en mätbar undersökning. I denna hade man kunnat göra en mätbar jämförelse mellan manuellt segmenterade ytor samt sådana som segmenterats av algoritmen, genom att beräkna träffytan. Det hade gett en mer precis uppfattning om hur den utvecklade algoritmen presterar.

(34)

5.1 Problem

Region growing algoritmen som utvecklats och använts i detta arbete har haft problem med att korrekt segmentera tak, i samtliga testfall. Till detta finns flera orsa- ker, bland annat förbehandling och avsaknad av ytterligare data. Problemet med för- behandling handlar om hur man för varje enskild bild kan hitta ett individuellt to- leransvärde. Tidigare studier har behandlat denna punkt [30], vilket inte var imple- menterat i detta arbete. Dock användes varierande toleransvärden i testfallen baserat på de initiala tester som gjordes i kapitel 3.3.2, men utan lycka. Ökande av tolerans- värden ledde istället till undersegmentering eller översegmentering.

Vidare har skuggade områden av tak varit en kritisk faktor till att taken i flera fall inte korrekt segmenterats. Skuggade områden skapar en sådan stor skillnad i färg, att användandet av högre toleransvärden inte kan garantera ett korrekt resultat. Den applicerade förbehandlingen för att jämna ut ljusheten i bilden, gav inte stora för- ändringar i de fall skuggade områden av tak förekom. Med stor chans finns det andra metoder som presterar bättre för borttagning av skuggor, än den som används i denna studie.

Avsaknaden av data som togs upp ovan innebär att om höjddata hade kunnat använ- das, hade vissa delar i bilden kunnat exkluderas baserat på höjdvärden. I sådant fall hade översegmentering i vissa fall inte spelat sådan stor roll, då dessa ytor under ett visst höjdvärde hade kunnat sättas till falskt i bilden (0). För det skulle en metod be- hövas som på något sätt kan inkapsla data i form av en DSM från ett LiDAR punktmoln, i RGB-bilderna som använts i kartan [25]. I sådant fall har man kunnat säker- ställa att i princip all översegmentering inte inträffar, bortsett från träd. För att ta bort objekt som träd, kan NDVI bandkombinationen används för att filtrera ut träd [27]. Detta bör dock inte leda till en komplett korrekt segmentering i de fall som träd hänger över takytan. Om det inte finns risk för översegmentering bör därmed högre toleransvärden kunna användas för region growing algoritmen. Problemet för detta arbete är att den enda data som var tillgängligt är de bilder som används i kartan i webbapplikationen. Detta hade säkerligen kunnat påverka resultatet avsevärt.

Ytterligare är de segmenterade områden i testfallen väldigt ojämna med avseende på den utritade polygonen, vilket till stor del påverkar resultatet. De utritade linjerna kan upplevas som taggiga, vilket inte i detta arbete hanterades i efterbehandlingen.

Detta är också till följd av att översegmentering sker i olika partier av taket i följd,

(35)

6 Etik och hållbar utveckling

6.1 Etiska aspekter

Arbetet har inte hanterat några personuppgifter. För det data som används följs de angivna reglerna hos källan, där finns vissa begränsningar, bland annat att data endast får användas i studiesyfte och inte distribueras vidare.

6.2 Hållbar utveckling

En stor del utav arbetet går ut på att just bidra till en bättre process för planering av solceller i strävan efter en mer hållbar planet. Solkraft har en stor potential och kan hjälpa till att minska behovet av fossila bränslen och därmed bidra till ett bättre kli- mat.

(36)

7 Slutsatser

Denna studie påvisar svårigheter, samt att bildbehandling inte nödvändigtvis är den korrekta tekniken för utritning av hustak i en webbkarta. Även om de bilder som an- vänds är väldigt högupplösta, innehåller dem fortfarande störningar och för lite information som gör det svårt att enbart förlita sig på bildbehandling. Välbeprövade arbetssätt och metoder har använts, men på ett godtagbart sätt inte lyckats på ett automatiserat vis. Om detta arbetssätt ska fungera är det av väldigt stor vikt att hustaken i bilderna inte påverkas av andra faktorer. Till exempel att skuggor beläg- ger del av taket, vilket gör att skillnader i färg blir påtagligt stor, på ett sådant sätt att det inte identifieras som samma objekt av metoden. Detta är även fallet då det finns träd eller andra objekt i närhet till huset, som eventuellt skuggar eller hänger över taket. Alltså är bilderna för just denna metod direkt avgörande för resultatet.

Visserligen kan delar av metoden stödjas av manuellt stöd, men i detta fall är det inte aktuellt då slutanvändaren kanske inte besitter den kunskap som krävs. Samti- digt var kartan tänkt som ett verktyg som skulle innebära stor enkelhet och minimal ansträngning från användaren. Detta för att enkelt kunna ta snabba beslut och bilda sig en god uppfattning av takets potential för solceller. Med det sagt, var detta arbete bara en del av denna process, då det fortfarande återstår uträkningar som visar potentialen hur mycket energi solceller eventuellt skulle kunna producera.

(37)

8 Framtida studier

För framtida studier kan metoden som presenterats i detta arbete vidareutvecklas, med mer data som utgångspunkt. Detta för att skapa bättre förutsättningar för algoritmen att på ett korrekt sätt segmentera takytor utifrån de bilder som används. Med hjälp av mer data finns även möjlighet till att ett korrekt sätt beräkna takytan. Detta då höjddata kan användas för att beräkna area, med taklutning i åtanke för bästa möj- liga precision. Vidare blir det ytterst intressant att veta hur många solpaneler som kan placeras på taket, för att därmed kunna uppskatta hur mycket solenergi som kan produceras.

Alternativa metoder bör även sökas efter, då kostnaden och därmed tid för beräk- ningar ökar desto mer steg som används i metoden. Som det nämns i Lingfors et al.

[10], kan data om byggnaden används för att markera ut byggnadens hörn. Dock menar dem att byggandens hörn inte nödvändigtvis överensstämmer med takets hörn. Därmed vore det intressant att försöka skapa en sådan datamängd för just hustak, som eventuellt på ett enkelt sätt lagras i en databas. Detta bör medföra en väl- digt snabb utritning av taket, då segmenteringen redan är gjord utan beräkningar i realtid.

(38)

Referenser

[1] S. Khoshnevis Yazdi and B. Shakouri, “Renewable energy, nonrenewable energy consumption, and economic growth,” Energy Sources, Part B Econ. Plan. Policy, vol. 12, no. 12, pp. 1038–1045, Dec. 2017, doi: 10.1080/15567249.2017.1316795.

[2] A. Liljeblad, ”Framtidens elanvändning – en delrapport,” Kungl. Ingenjörsveten- skapsakademien, Stockholm, Sverige, 2016. Accessed: 2020-01-06. [Online].

From: https://www.iva.se/globalassets/info-trycksaker/vagval-el/vagvalel-framtidens-elanvandning-delrapport.pdf

[3] Statistiska Centralbyrån. Elektricitet i Sverige. SCB.se. Accessed: 2020-01-03.

[Online]. From: https://www.scb.se/hitta-statistik/sverige-i-siffror/miljo/elektricitet-i-sverige/

[4] Energimyndigheten, Statistikdatabas, Energimyndigheten, n.d. Accessed: 2020- 05-12. [Online]. From: https://pxexternal.energimyn-

digheten.se/pxweb/sv/N%c3%a4tanslutna%20solcellsanl%c3%a4ggningar/- /EN0123_1.px/?rxid=5e71cfb4-134c-4f1d-8fc5-15e530dd975c

[5] P. Blomqvist & T. Unger, Teknisk-ekonomisk kostnadsbedömning av solceller i Sverige, Profu, Göteborg, Sverige, 2018. Accessed: 2020-01-06. [Online]. From:

https://www.energimyndigheten.se/globalassets/fornybart/solenergi/ovriga-rap- porter/teknisk-ekonomisk-kostnadsbedomning-av-solceller-i-sverige.pdf

[6] A. Bergek and I. Mignon, “Motives to adopt renewable electricity technologies:

Evidence from Sweden,” Energy Policy, vol. 106, pp. 547–559, Jul. 2017, doi:

10.1016/j.enpol.2017.04.016.

[7] J. Berard, Ett år senare – 10 000 fler nätanslutna solcellsanläggnigar, Energimyn-

(39)

[8] M. Bizjak, B. Žalik, and N. Lukač, “Evolutionary-driven search for solar building models using LiDAR data,” Energy Build., vol. 92, pp. 195–203, Apr. 2015, doi:

10.1016/j.enbuild.2015.01.051.

[9] Y. Li, D. Ding, C. Liu, and C. Wang, “A pixel-based approach to estimation of so- lar energy potential on building roofs,” Energy Build., vol. 129, pp. 563–573, Oct.

2016, doi: 10.1016/j.enbuild.2016.08.025.

[10] D. Lingfors, J. M. Bright, N. A. Engerer, J. Ahlberg, S. Killinger, and J. Widén,

“Comparing the capability of low- and high-resolution LiDAR data with application to solar resource assessment, roof type classification and shading analysis,”

Appl. Energy, vol. 205, pp. 1216–1230, Nov. 2017, doi: 10.1016/j.apen- ergy.2017.08.045.

[11] S. Schuffert, T. Voegtle, N. Tate, and A. Ramirez, “Quality Assessment of Roof Planes Extracted from Height Data for Solar Energy Systems by the EAGLE Plat- form,” Remote Sens., vol. 7, no. 12, pp. 17016–17034, Dec. 2015, doi:

10.3390/rs71215866.

[12] A. Bocca, E. Chiavazzo, A. MacIi, and P. Asinari, “Solar energy potential assess- ment: An overview and a fast modeling approach with application to Italy,” Re- newable and Sustainable Energy Reviews, vol. 49. Elsevier Ltd, pp. 291–296, 16- May-2015, doi: 10.1016/j.rser.2015.04.138.

[13] G. Majore, A. Fjodorovs, M. Zake, I. Majors, and M. Kepka, “Integration of Web Map Application and Simulation Modeling Tools for Sustainability Analysis in Regional Development,” in Procedia Computer Science, 2016, vol. 104, pp. 213–

221, doi: 10.1016/j.procs.2017.01.110.

[14] M. Rzeszewski and J. Kotus, “Usability and usefulness of internet mapping plat- forms in participatory spatial planning,” Appl. Geogr., vol. 103, pp. 56–69, Feb.

2019, doi: 10.1016/j.apgeog.2019.01.001.

[15] J. Kanters and M. Wall, “Experiences from the urban planning process of a solar neighbourhood in Malmö, Sweden,” Urban, Plan. Transp. Res., vol. 6, no. 1, pp.

54–80, Jan. 2018, doi: 10.1080/21650020.2018.1478323.

(40)

[16] K. H. Liang, T. Tjahjadi, and Y. H. Yang, “Roof edge detection using Regular- ized Cubic B-Spline fitting,” Pattern Recognit., vol. 30, no. 5, pp. 719–728, May 1997, doi: 10.1016/s0031-3203(96)00121-5.

[17] S. Muller and D.W. Zaum, ”Robust building detection in aerial images, ” pre- sented at the CMRT05 Workshop, Vienna, Austria, Aug. 2005, paper 17 CP 143

[18] W. J. Lin and C. W. Tseng, “Detection of roads in aerial images by using edge in- formation,” in 2012 5th International Congress on Image and Signal Processing, CISP 2012, 2012, pp. 666–670, doi: 10.1109/CISP.2012.6469840.

[19] V. Hron and L. Halounová, “Automatic reconstruction of roof models from build- ing outlines and aerial image data,” Acta Polytech., vol. 59, no. 5, pp. 448–457, 2019, doi: 10.14311/AP.2019.59.0448.

[20] M. Mittal et al., “An efficient edge detection approach to provide better edge con- nectivity for image analysis,” IEEE Access, vol. 7, pp. 33240–33255, 2019, doi:

10.1109/ACCESS.2019.2902579.

[21] Y. Wei, Z. Zhao, and J. Song, “Urban building extraction from high-resolution satellite panchromatic image using clustering and edge detection,” in International Geoscience and Remote Sensing Symposium (IGARSS), 2004, vol. 3, pp. 2008–

2010, doi: 10.1109/igarss.2004.1370742.

[22] What is LIDAR?, National Oceanic and Atmospheric Administration, Apr. 2020.

[Online]. From: https://oceanservice.noaa.gov/facts/lidar.html

[23] S. Lee, S. Iyengar, M. Feng, P. Shenoy, and S. Maji, “Deeproof: A data-driven approach for solar potential estimation using rooop imagery,” in Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2019, pp. 2105–2113, doi: 10.1145/3292500.3330741.

(41)

[25] E. A. Dos Santos Galvanin and A. P. Dal Poz, “Extraction of building roof con- tours from LiDAR data using a Markov-Random-field-based approach,” IEEE Trans. Geosci. Remote Sens., vol. 50, no. 3, pp. 981–987, Mar. 2012, doi:

10.1109/TGRS.2011.2163823.

[26] J. Martín-Jiménez, S. Del Pozo, M. Sánchez-Aparicio, and S. Lagüela, “Multi- scale roof characterization from LiDAR data and aerial orthoimagery: Automatic computation of building photovoltaic capacity,” Autom. Constr., vol. 109, p.

102965, Jan. 2020, doi: 10.1016/j.autcon.2019.102965.

[27] A. K. Bhandari, A. Kumar, and G. K. Singh, “Feature Extraction using Normal- ized Difference Vegetation Index (NDVI): A Case Study of Jabalpur City,” Pro- cedia Technol., vol. 6, pp. 612–621, Jan. 2012, doi: 10.1016/j.protcy.2012.10.074.

[28] H. Fan, W. Yao, and Q. Fu, “Segmentation of Sloped Roofs from Airborne Li- DAR Point Clouds Using Ridge-Based Hierarchical Decomposition,” Remote Sens., vol. 6, no. 4, pp. 3284–3301, Apr. 2014, doi: 10.3390/rs6043284.

[29] S. Sun and C. Salvaggio, “Aerial 3D building detection and modeling from air- borne LiDAR point clouds,” IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., vol. 6, no. 3, pp. 1440–1449, 2013, doi: 10.1109/JSTARS.2013.2251457.

[30] A. Kunte and A. Bhalchandra, “Effective region based segmentation technique for high resolution aerial imagery,” in Proceedings of the 5th International Con- ference on Image and Graphics, ICIG 2009, 2009, pp. 272–275, doi:

10.1109/ICIG.2009.83.

[31] G. Lin, Y. Tang, X. Zou, J. Xiong, and Y. Fang, “Color-, depth-, and shape-based 3D fruit detection,” Precis. Agric., vol. 21, no. 1, pp. 1–17, Feb. 2020, doi:

10.1007/s11119-019-09654-w.

[32] Laravel, ”Introduction”, laravel.com. https://laravel.com/docs/4.2/introduction (Accessed May. 7, 2020).

[33] VueJS, ”Introduction”, vuejs.org. https://vuejs.org/v2/guide/ (Accessed May. 7, 2020).

(42)

[34] F. A. Saputra, S. Reni Dwi Astiwi, and A. Fariza, “A New Method to Publish Spatial Sectoral Data and Spatial Planning in Local Government to Support One Map Policy (Case Study : East Java),” in IES 2019 - International Electronics Symposium: The Role of Techno-Intelligence in Creating an Open Energy System Towards Energy Democracy, Proceedings, 2019, pp. 307–313, doi:

10.1109/ELECSYM.2019.8901538.

[35] Open Geospatial Consortium, ”Web Map Service”, ogc.org.

https://www.ogc.org/standards/wms (Accessed May. 8, 2020)

[36] P. Fu and J. Sun, “GIS in the web era,” in Web GIS: Principles and Applications.

Redlands, CA. USA: Esri Press, 2011, pp. 15-16.

[37] Esri, ”What is geocoding?”, arcgis.com. https://desk-

top.arcgis.com/en/arcmap/latest/manage-data/geocoding/what-is-geocoding.htm (Accessed May. 11, 2020)

[38] Z. Lyu, M. Han, and D. Li, “Denoising of Uncertain Type Noise Images by Spa- tial Feature Classification in Nonsubsampled Shearlet Transform,” IEEE Access, vol. 8, pp. 5009–5021, 2020, doi: 10.1109/ACCESS.2019.2962744.

[39] K. Jiang, A. Li, Y. Su, Z. Cui, and T. Wang, “Adaptive shadow detection using global texture and sampling deduction,” IET Comput. Vis., vol. 7, no. 2, pp. 115–

122, Apr. 2013, doi: 10.1049/iet-cvi.2012.0106.