Forschung: KI generierte 3D-Stadtkarten mit Höhenprofil

Prof. Michael Schmitt von der Universität der Bundeswehr München (UniBw M) und sein Team haben ein KI-System entwickelt, das aus einem Synthetic Aperture Radar (SAR)-Bild dreidimensionale Stadtkarten erstellt. Diese Technologie könnte künftig bei der Katastrophenbewältigung nützlich sein.

Nach einer Katastrophe, etwa einem Erdbeben, werden oft schnelle und zuverlässige Informationen über den Zustand von Gebäuden benötigt. Das SAR2Height-Verfahren, das Prof. Schmitt, Professor für Erdbeobachtung an der Fakultät für Luft- und Raumfahrttechnik der UniBw M, mit seinem Team entwickelt hat, ist in solchen Situationen eine nützliche Ressource.

Funktionsweise des SAR2Height-Verfahrens

Das SAR2Height-Verfahren nutzt Reflexionen von Radarsignalen, die ein SAR-Satelliten zur Erdoberfläche sendet. Dabei bietet die Radartechnik gegenüber der klassischen optischen Satellitenfernerkundung den Vorteil, dass die Signale Wolken, Nebel und teilweise sogar Rauch durchdringen. Das bedeutet, dass Bilder immer dann gemacht werden können, wenn man sie braucht – und nicht nur dann, wenn die Bedingungen perfekt sind. Durch die Bewegung des Satelliten wird eine größere Antenne simuliert, was zu einer besseren (Boden-) Auflösung führt und Bilder von hoher Qualität ermöglicht, in denen mehr Details erkennbar sind als mit konventioneller Radartechnik. Obwohl SAR-Bilder zweidimensional sind und aufgrund von Effekten wie Radar-Layover schwer zu interpretieren sein können, hat das Team von Prof. Schmitt ein KI-System entwickelt, das diese Bilder in Höhenkarten umwandelt.

Prof. Schmitt erklärt, dass die Umwandlung eines Satellitenbilds in Höheninformationen komplex sei. Das Team nutzte SAR-Bilder von 51 Städten, die der TerraSAR-X-Satelliten lieferte, sowie hochwertige Höhenkarten, die größtenteils durch LiDAR-Vermessungen erstellt wurden. Mit diesen Daten konnten sie eine Zuordnung von Pixel zu Pixel zwischen den Höhenkarten und den SAR-Bildern vornehmen und ein neuronales Netz trainieren.

Prof. Schmitt weist aber darauf hin, dass das Modell noch nicht perfekt sei. Es hat Schwierigkeiten, die Höhe von Wolkenkratzern genau vorherzusagen und sei hauptsächlich auf nordamerikanische und europäische Städte trainiert worden. „Viele Städte in Entwicklungsländern verfügen nicht über regelmäßige LiDAR-Flüge, die repräsentative Trainingsdaten geliefert hätten“, erklärt Prof. Schmitt. LiDAR steht für „Light Detection and Ranging“ und es handelt sich dabei um eine Fernerkundungstechnologie, die berechnet, wie lange es dauert, bis das Licht auf ein Objekt oder eine Oberfläche trifft und zurückreflektiert wird. Die Entfernung wird dann anhand der Lichtgeschwindigkeit berechnet.

Darüber hinaus hängt die Genauigkeit der Vorhersagen des SAR2Height-Verfahrens von der Aktualität der im Training verwendeten LiDAR-Daten ab. Denn wenn die LiDAR-Referenzdaten und die SAR-Bilder nicht zeitgleich aufgenommen wurden, füttert man die KI mit falschen Informationen. Dies ist aufgrund der großen Menge an Trainingsdaten letztlich kein gravierendes Problem, kann aber zu Genauigkeitsverlusten führen. Ähnlich verhält es sich bei Wolkenkratzern: Dichte Wolkenkratzerviertel wie in Manhattan gibt es nicht so oft auf der Welt. Auch den Eiffelturm zum Beispiel gibt es nur einmal. Das Modell kann hier also während des Trainings einfach nicht genügend Erfahrung mit solchen Objekten sammeln.