URBAN.KI stellt sechs thematische Arbeitsbereiche und zwei Querschnittsbereiche ins Zentrum der Arbeit, wobei es bei zweien explizit um Geodaten geht, vor allem um die KI-basierte Auswertung von Luftbildern und Fernerkundungsdaten. Quelle: URBAN.KI

Im Mittelpunkt stehen Herausforderungen wie Klimawandel, demografische Veränderungen oder die Digitalisierung. Die Initiative fungiert als zentrale Plattform, auf der Kommunen gemeinsam mit Forschungseinrichtungen, wie der Westfälischen Hochschule, den Fraunhofer Instituten für intelligente Analyse- und Informationssysteme IAIS und für Offene Kommunikationssysteme FOKUS, dem Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) und dem PROSOZ Herten praxisnahe KI-Lösungen entwickeln.

Projektkoordinator Prof. Dr. Tobias Urban beschreibt den Ansatz der Initiative so: „In URBAN.KI hat sich ein Nukleus aus Spitzenforschung gepaart mit kommunaler Expertise zusammengefunden, um Herausforderungen, denen Kommunen und Landkreise derzeit gegenüberstehen, praxisnah und KI-basiert zu erforschen und zu lösen“.

Initiiert von der Stadt Gelsenkirchen und gefördert durch das Bundesministerium für Wohnen, Stadtentwicklung und Bauwesen (BMWSB) im Rahmen der Modellprojekte Smart Cities (MPSC) wird URBAN.KI an der Westfälischen Hochschule von einem interdisziplinären Team und Partnern umgesetzt.

Thematische Struktur

Die Initiative fokussiert auf sechs thematische Arbeitsbereiche und zwei Querschnittsbereiche. In diesen Bereichen werden Anwendungen für Stadtplanung, Verkehrssteuerung, Umwelt- und Klimaschutz, Gebäudeverwaltung, Bevölkerungsschutz und die Digitalisierung von Verwaltungsprozessen entwickelt. Im Mittelpunkt steht die bessere Nutzung vorhandener Daten und deren automatisierte Auswertung, um Entscheidungsprozesse zu unterstützen und Abläufe zu vereinfachen.

Zwei übergreifende Bereiche schaffen die technische und organisatorische Basis für die Umsetzung der Vorhaben. Dabei geht es einerseits um den Aufbau einheitlicher und sicherer Dateninfrastrukturen, die eine verlässliche Verarbeitung und Nutzung kommunaler Informationen ermöglichen. Andererseits stehen Fragen der IT-Sicherheit, des Datenschutzes und der Regelkonformität im Mittelpunkt. Diese Komponenten begleiten die Projekte und sichern deren Umsetzung ab. Auf dieser Grundlage entstehen spannende Anwendungsfälle.

Geodaten und Luftbilder

Geodaten und Luftbilder finden besondere Beachtung. Sie bieten nach Angaben von Urban KI enorme Chancen für smarte Städte, es fehlen jedoch flexible und schnelle Lösungen zur effizienten Auswertung. Der Kreis Unna setzt mit dem Use Case „Universelle KI-Engine für Luftbild-Auswertungen“ genau hier an. In diesem Projekt liegt der Fokus auf der Entwicklung einer universellen, KI-gestützten Plattform zur effizienten Auswertung von Luftbildern, die URBAN.KI gemeinsam mit der WH-geospaital lab sowie dem DFKI aufbaut.

Die Anwendung soll es Kommunen ermöglichen, die Auswertung von Luftbildern ohne Unterstützung von externen Dienstleistern zu erstellen. Derzeit entwickelt das Team die Benutzeroberfläche, wählt passende Technologien aus und erstellt eine begleitende Framework-Dokumentation, die Aufbau, Funktionen und Einsatzmöglichkeiten der KI-Engine praxisnah beschreibt.

Flächenmanagement

Im Bereich Flächenmanagement stehen Klimawandel, Starkregen und Hitzeinseln im Mittelpunkt. Urban KI arbeitet an einer automatisierten Erfassung versiegelter Flächen, Gründächern und Solaranlagen. Künftig soll eine KI Luftbilder und Fernerkundungsdaten auswerten und verschiedene Oberflächenarten automatisch klassifiziert.

Die Idee stammt aus dem Kreis Recklinghausen und wird derzeit gemeinsam von mehreren Ruhrgebietsstädten, dem Regionsverband Ruhr sowie Niedersachsen Ruhr umgesetzt. Gemeinsam bereiten sie die Datengrundlage für ein sogenanntes „Foundation Model“ vor. Dabei handelt es sich um eine KI, die automatisierte Erkennung und Klassifikation von Versieglungsflächen, Gründächern und Solaranlagen ermöglicht und die perspektivisch auch für andere Anwendungsfälle genutzt werden kann.

Mobilität

Einer von neun Anwendungsfällen ist die Verkehrssteuerung. Dazu soll beispielsweise die Ergänzung des ÖPNV durch ein On-Demand-Verkehrsangebot untersucht werden. Quelle: URBAN.KI

Auch die Mobilität in ländlichen Regionen ist ein Thema bei URBAN.KI: Im April 2024 führte der Landkreis Osnabrück in drei Kommunen einen On-Demand-Verkehr als Ergänzung des ÖPNV ein. Die daraus gewonnenen Betriebsdaten werden als Grundlage für die gezielte Planung der Mobilitätsvariante dienen. URBAN.KI arbeitet bei diesem Prototypenprojekt mit dem Deutschen Forschungszentrum für Künstliche Intelligenz und dem Fraunhofer IAIS zusammen.

Energie

Mit SmartEnergie setzt der Landkreis Wittmund den Fokus auf die kommunalen Herausforderungen rund um die Energiewende. Eine KI-gestützte Energieberatung soll bei der Bearbeitung der vielen Anfragen zu Energie- und Klimaschutzthemen die Prozesse beschleunigen und vereinfachen. Da die meisten kommunalen Stellen personell kaum in der Lage sind, der wachsenden Nachfrage gerecht zu werden, analysiert hier eine KI relevante Richtlinien und Datenquellen, um automatische Antwortvorschläge zu generieren. Langfristig soll ein KI-gestützter Chatbot Anfragen selbstständig bearbeiten. Gemeinsam mit dem Fraunhofer IAIS und Fraunhofer FOKUS schafft der Landkreis Wittmund derzeit die technische Grundlage. Ein zentrales Element ist eine Vektor-Datenbank, die Inhalte in Form von Zahlenreihen speichert und dadurch semantische Zusammenhänge zwischen Fragen sowie Antworten erkennt.

Bevölkerungsschutz

In Schwerte entsteht unter dem Projektnamen „AirGuardAI“ ein KI-gestütztes System für den Bevölkerungsschutz. Ziel des Projektes ist es, in Katastrophenfällen wie Bränden oder Chemieunfällen schneller reagieren zu können. Die Technologie soll Schadstoffausbreitungen vorhersagen, Warnsysteme verbessern und Einsatzkräfte gezielt unterstützen. Die Leitung hat das Robotiklabor Gelsenkirchen der Westfälischen Hochschule.

Digitale Inklusion

Nicht zuletzt widmet sich URBAN.KI auch dem Thema digitale Inklusion. In Leipzig wird ein KI-gestützter Chatbot entwickelt, der Menschen mit Einschränkungen den Zugang zu städtischen Informationen erleichtern wird. Komplexe Kartendienste werden dabei so aufbereitet, dass sie per Sprach- oder Texteingabe bedienbar sind. Informationen zu barrierefreien Wegen, öffentlichen Toiletten und Notfallpunkten werden sich so künftig deutlich einfacher abrufen lassen. Das Vorhaben, umgesetzt von Fraunhofer FOKUS und dem DFKI, macht deutlich, wie wichtig inklusive und zugängliche digitale Angebote für lebenswerte Städte sind.

www.urban-ki.de

Der Beitrag URBAN.KI: Initiative fördert Nutzung von KI in Kommunen auch im Bereich Geodaten erschien zuerst auf Business Geomatics.

Die DLR-Wissenschaftler Steffen Dietenberger (links) und Marlin Müller machen Aufnahmen mit einer Drohne von der Wurster Die Drohnenaufnahmen dienen als Datengrundlage für 3D-Modelle und Grafiken mit geografischen Koordinaten.
Quelle: DLR

26.04.2024 – Der Schutz küstennaher Infrastrukturen ist das Kernthema des Projekts RESIKOAST (Resiliente Versorgungsinfrastruktur und Warenströme im Kontext küstennaher Extremwetterereignisse). In dem 2023 gestartetem Projekt forscht das Deutsche Zentrum für Luft- und Raumfahrt (DLR) daran, wie der Ausfall kritischer Infrastrukturen wie Energienetze oder Seehäfen verhindert und die Versorgung der Bevölkerung nach solchen Ereignissen weiterhin gewährleistet werden kann. Am 24. April 2024 erhob das DLR Daten an der Wurster Nordseeküste. Die Geoinformatiker Marlin Müller und Steffen Dietenberger vom DLR-Institut für Datenwissenschaften ließen dazu eine Drohne fliegen, die zentimetergenaue Fotos vom Deich, der Küstenlinie sowie des Dei

chvorlandes mit den dort vorhanden Lahnungsfeldern und Salzwiesen aufnahm. Die Untersuchungsgebiete umfassen einen Deichabschnitt südlich von Dorum Neufeld sowie das schwimmende Moor bei Sehestedt am Jadebusen. Anschließend werden die Forscher auch 3D-Daten aus den aufgenommenen Einzelbildern generieren.

Im Herbst 2023 hatten die beiden Wissenschaftler aus Jena bereits Daten des gleichen Gebiets gesammelt. Nun können sie diese mit den aktuellen Daten vergleichen. Veränderungen der Küstenlinie, der Höhe und Beschaffenheit des Deichs sowie die Vegetation auf dem Deich können sie so automatisiert entdecken. Der Vorteil im Projekt ist, das verschiedenen Datenquellen zur Verfügung stehen. Das DLR verfügt auch über eine Vielzahl an Erdbeobachtungsdaten von Flugzeugen und Satelliten, um Bodenbewegungen langfristig zu beobachten. Mithilfe der Drohnenaufnahmen erstellen die Forscher auch sogenannte Orthomosaike. Bei solchen Bildern ist jeder Pixel genau mit geographischen Koordinaten verknüpft. So können diese Bilddaten mit Satellitendaten oder anderen Aufnahmen aus der Luft zusammengeführt werden. Solche Daten könnten auch für den örtlichen Deichverband von Interesse sein. Eine mögliche Zusammenarbeit wird derzeit ausgelotet.

Höhenmodell der Wurster-Nordseeküste, das auf zentimetergenauen Drohnendaten basiert.
Quelle: DLR

Unterstützung bei Extremwetterereignissen

Hintergrund von RESIKOAST ist der Klimawandel, der die Nord- und Ostseeküsten wie auch die angrenzenden Regionen vor neue Herausforderungen stellt. Neben einem wahrscheinlichen Anstieg des Meeresspiegels rechnen Klimaforschende mit einer steigenden Zahl an Extremwetterereignissen wie Sturmfluten, Stürmen oder Starkregen.

„Das Ziel des Projekts RESIKOAST ist, die DLR-Kompetenzen aus den Bereichen Sicherheit, Raumfahrt und Verkehr zu bündeln. Dadurch wollen wir Szenarien ableiten, die es lokalen Behörden erlauben bei Extremwetterereignissen flexibel zu reagieren. Logistikketten sowie die Versorgung der Bevölkerung sollen jederzeit sichergestellt sein“, sagt RESIKOAST-Projektleiter Dr. Jens Kahlen vom DLR-Institut für den Schutz terrestrischer Infrastrukturen aus Sankt Augustin. Besonders küstennahe Städte müssen sich zukünftig auf klimawandelbedingte Wetterereignisse wie Sturmfluten einstellen.

3D-Modell-des-Deichvorlands-der-Wurster-Nordseekueste. Veränderungen können durch automatisierten Abgleich mit Daten aus dem Jahr 2023 automatisch erkannt werden.
Quelle: DLR

Um die großen Datenmengen aus satellitenbasierten Erdbeobachtungsdaten automatisiert verarbeiten zu können, entwickeln die Forschenden KI-basierte Algorithmen. Anwendungsfälle sind zum einen die Beobachtung vom Wetter und der Auswirkung auf die Infrastrukturen, zum anderen soll es darum gehen, mögliche Folgen schneller vorauszusagen und den entsprechenden Akteuren Handlungsempfehlungen zu geben. „Ein Beispiel dafür wäre, kurzfristige Wettervorhersagen zu verbessern, so dass bei einer sich ankündigenden Sturmflut, die Hafen-Betreiber frühzeitig einen Hinweis erhalten. So hätten sie ausreichend Zeit, um Lösungen zu finden, wie die Anbindung an das Schienennetz weiterhin funktioniert und die Logistikkette erhalten bleibt“, so Kahlen. Das DLR bündelt in dem Projekt verschiedene Kompetenzen. Beteiligte sind DLR-Institute für den Schutz terrestrischer Infrastrukturen, den Schutz maritimer Infrastrukturen, Datenwissenschaften, Methodik der Fernerkundung, Verkehrssystemtechnik, Fahrzeugkonzepte, Hochfrequenztechnik und Radarsysteme, Softwaretechnologie, KI-Sicherheit sowie das Deutsche Fernerkundungsdatenzentrum.

Im nächsten Schritt des Projekts wird mit Behörden und anderen Forschungseinrichtungen ein Planspiel für die Stadt Bremerhaven erarbeitet.

www.dlr.de

Der Beitrag DLR-Projekt RESIKOAST: KI-basierte Auswertung von Drohnen- und Satellitendaten erschien zuerst auf Business Geomatics.

Die KI-Software von Spleenlab nennt sich VISIONAIRY und sorgt unter anderem für die Echtzeit-Kalibrierung von Sensordaten autonomer Fahrzeuge.
Quelle: Spleenlab GmbH

Das Unternehmen Spleenlab mit den Standorten in Saalburg-Ebersdorf und Jena meldet ein erfolgreiches Geschäftsjahr 2023. Das 2018 gegründete Unternehmen ist auf KI-Software spezialisiert und fokussiert auf das Einsatzgebiet teil- und vollautonomer Mobilität, insbesondere für unbemannte Luft- und Bodenfahrzeuge. Im Dezember 2023 hat es eine neue Finanzierungsrunde in Höhe eines mittleren 7-stelligen Betrages abgeschlossen. Zu den größten Investoren zählen die GIWA Holding GmbH & Co. KGaA und die bm|t beteiligungsmanagement thüringen GmbH. Weiterhin konnte das Unternehmen 2023 die Zahl der Kunden verdoppelt. 14 Neueinstellungen sorgen für einen Stamm an Mitarbeiter:Innen von nunmehr 36. Für das US-Unternehmen DroneUp liefert Spleenlab mit seiner Software für autonome Präzisionslandungen beispielsweise den entscheidenden KI-Baustein zur vollautomatisierten Lieferung per Drohne vom Logistikzentrum zum Kunden. In Zusammenarbeit mit dem deutschen Drohnenhersteller Quantum Systems wurde eine revolutionäre KI-Technologie zur Serienreife gebracht, welche erstmals weltweit die Navigation beim autonomen Flug ohne GPS-Signal ermöglicht. Zu den weiteren Kunden gehören unter anderem Volocopter, Valeo, Aerialloop, die größte Airline für Drohnenlieferungen in Südamerika, die Diehl Gruppe und die Deutsche Bahn. Im Automotive-Sektor liefert Spleenlab einem der weltweit führenden Unternehmen für fahrerloses Fahren sowie einem marktbeherrschenden OEM für selbstfahrende Trucks in den USA zusammen Sicherheitstechnologie. Mit der Audi AG wurde ein Konzept für unterstütztes Fahren durchgeführt. Diese Integration eröffnet durch die Verwendung der VISIONAIRY KI-Software nach Angaben des Unternehmens eine völlig neue Dimension von Anwendungsmöglichkeiten für sicheres, hochautomatisiertes und assistiertes Fahren. Zusätzlich wurde der asiatische Raum erstmals mit Intempora und dSpace als Technologieanbieter und Partner bedient.

www.spleenlab.com

Der Beitrag Startup Spleenlab wächst mit KI-Software für Drohnen erschien zuerst auf Business Geomatics.

Albert Füracker, Staatsminister der Finanzen und für Heimat (StMFH) will die zentralisierte Struktur bei den IT-Dienstleistungen in Bayern auch in Zukunft fortführen.
Quelle: StMFH

Der Freistaat Bayern stellt sich in Bezug auf die Etablierung von Cloud-Infrastrukturen und Künstlicher Intelligenz (KI) für die Öffentliche Verwaltung weiter zukunftsgerichtet auf. Dabei werden die in den letzten Jahren aufgebauten zentralen Strukturen weiter ausgebaut.

In Bayern erachtet man einen verantwortungsvollen Einsatz von KI als notwendig, um eine schlanke und effiziente Verwaltung nachhaltig zu sichern. Wie Automatisierung überhaupt, steht die KI im Besonderen auf der Agenda des Finanzministeriums. Man will pragmatische Ansätze wählen und gezielt auf konkrete Mehrwerte hinarbeiten. Albert Füracker, Staatsminister der Finanzen und für Heimat (StMFH): „Wir müssen die Nutzungshürden weiter senken, um die Digitalisierung kleinerer Prozesse und des Büroalltags abzuschließen sowie KI-assistierte Prozesse zu ermöglichen.“

Bisher hat der Freistaat Bayern positive Erfahrungen mit KI im Finanzressort gesammelt, beispielsweise im Bereich der Vermessungsverwaltung, bei der Identifizierung von Neubauten oder der automatisierten Auswertung von Satellitenbildern.

„Dort wird erkennbar, dass Künstliche Intelligenz längst eine Gegenwartstechnologie ist und in der Verwaltung klare Mehrwerte schaffen kann“, so Füracker. Ob der kommende AI Act der Europäischen Union in diesem Umfeld die erhoffte zusätzliche Rechtssicherheit beim Einsatz von KI schafft, bleibe deshalb abzuwarten.

Das StMFH verfolgt wie bei dem Thema Cloud einen behördenübergreifenden Ansatz. Im Rahmen einer Expertengruppe werden Leitfäden für den KI-Einsatz erstellt und Bedarfe gebündelt. Ziel ist es auch die Anforderungen der Nutzer abzustimmen, Nutzungshürden für KI zu senken und zentrale Angebote des IT-DLZ abzuleiten. Das IT-DLZ wird in seiner Rolle als Cloud-Service-Provider auch hier eigene Infrastrukturen sowie public Cloud-Infrastrukturen als zentrale Dienste zur Verfügung stellen.

Das IT-DLZ ist in Bayern zentraler IT-Dienstleister, der als Rückgrat der Digitalisierung der Bayerischen Staatsverwaltung fungiert und zukünftig auch das Thema KI bedient.
Quelle: StMFH

Cloud bei IT-DLZ aufgehangen

Die staatlichen IT-Strukturen im Freistaat haben in den letzten Jahren einen umfassenden Konsolidierungs- und Optimierungsprozess durchlaufen. Mit dem IT-DLZ wurde ein zentraler IT-Dienstleister etabliert, der als Rückgrat der Digitalisierung der Bayerischen Staatsverwaltung fungiert. Mehr als 1.200 Betriebszentren wurden aufgelöst, Dienste standardisiert und zentral in einer leistungsfähigen Rechenzentrumsstruktur zur Verfügung gestellt.

Diesen Kurs will der Freistaat Bayern auch bei der aktuellen Verwaltungsdigitalisierung und der Cloudtransformation fortsetzen.

Das IT-DLZ hat sich schon früh mit Cloud-Technologie auseinandergesetzt und sein Angebot immer wieder erweitert. Das bayerische Kabinett beschloss 2021 die hybride Cloud-Strategie „BayernServer – schlagkräftige und zukunftsfähige IT für den Freistaat“. Die IT-DLZ erschließt seitdem private als auch public Cloud-Infrastrukturen für die Behörden des Freistaats. Mit dem bayerischen Digitalplan wird der Umbau des IT-DLZ zum Cloud Server Provider bzw. Cloud Broker konsequent fortgeführt.

Vor allem werden Infrastrukturen für die private Cloud ausgebaut. Dort können cloud-native Anwendungen zum Ablauf kommen, die aus strategischen oder rechtlichen Gründen rein in staatlicher Hand betrieben werden sollen. „Neben dieser souveränen Ressource wird der Zugang der Staatsverwaltung zu diversen anderen externen Cloudinfrastrukturen vom IT-DLZ aus zentral erschlossen werden“, erläutert Füracker.

Das IT-DLZ kooperiert auch mit verschiedenen nationalen Cloud-Anbietern. Aktuell besteht eine enge Kooperation mit Microsoft. „Aber natürlich können auch die großen weltweit agierenden Cloud-Anbieter perspektivisch und schrittweise erschlossen werden“, sagt Füracker. Auch die derzeit im Aufbau befindliche deutsche Verwaltungscloud (DVC) spielt eine Rolle. Nicht zuletzt pilotiert das Finanzministerium auch im Bereich sogenannter souveräner Clouds, wie beispielsweise die Cloud der Firma DELOS, die den Anforderungen des Datenschutzes und der IT-Sicherheit in besonderer Weise Rechnung tragen.

www.stmfh.bayern.de

Der Beitrag Bayern: Freistaat zentralisiert Cloud-Kompetenz im IT DLZ erschien zuerst auf Business Geomatics.

Radardaten werden mit Hilfe von Maschine Learning und einem physikalischen Modell ausgewertet, um den Wasserkreislauf etwa für Überschwemmungen zu prognostizieren. Quelle ZU Wien

Wie genau sich der Wasserkreislauf ändert, ist bisher nicht genüg erforscht und damit noch unklar. Er ist ein komplexes System, regional können sich ganz unterschiedliche Veränderungen zeigen: In manchen Regionen wird es trockener, in anderen steigt die Regenmenge, Extremwetterereignisse ändern und verschieben sich.

Pionierarbeit für Forscher

Das internationale Pilotprojekt, finanziert von der Europäischen Weltraumbehörde ESA, geleitet vom italienischen National Research Council und unter Begleitung der TU Wien, wird zunächst ein digitaler Zwilling der Hydrosphäre erstellt. Der Wasserkreislauf und die relevanten mit ihm verbundenen Phänomene werden dort physikalisch korrekt am Computer nachgebildet. Damit soll sich simulieren lassen, wie eine ganz bestimmte Region auf hydrologische Veränderungen reagiert. Nicht nur Katastrophen wie Überschwemmungen sondern auch schleichende Veränderungen im Wasserhaushalt, die z.B. durch höhere Temperaturen verursacht werden, sollen räumlich detaillierter vorhergesagt werden als bisher.

Entscheidend dafür sind Satellitendaten. Ein Team der TU Wien sorgte dafür, dass speziell Radarsatellitendaten über den Wasserkreislauf nun in hervorragender räumlicher Auflösung zur Verfügung stehen – ein wesentliches Schlüsselelement für die Zuverlässigkeit des Vorhersagesystems.

Digitaler Zwilling ist die Basis

Das Konzept des „digitalen Zwillings“ spielt in der Industrie schon lange eine wichtige Rolle: Ein kompliziertes System, zum Beispiel eine Produktionsanlage, wird physikalisch exakt am Computer nachgebildet. Man kann diesem System dann am Computer beliebige Bedingungen vorgeben, und es wird sich genauso verhalten wie auch in der Wirklichkeit. Ähnlich wie beim Flugsimulator, in dem man neuartige Flugmanöver am Computer ausprobieren kann, lässt sich so gefahrlos vorhersagen, was in einer speziellen Situation geschehen wird.

„Genau so ein digitaler Zwilling entsteht nun für das globale Wassersystem“, erklärt Dr. Mariette Vreugdenhil vom Department für Geodäsie und Geoinformation der TU Wien, die den Anteil der TU Wien an dem ESA Projekt geleitet hat. Wenn für große Gebiete, im Idealfall den ganzen Globus, räumlich hochaufgelöste Daten für die Validierung und laufende Verbesserung von Computersimulationen zur Verfügung stehen, dann lässt sich mit höherer Treffsicherheit sagen, welche Effekte sich unter bestimmten Bedingungen zeigen werden – bis hin zu Überflutungen oder Hangrutschungen an einem ganz bestimmten Ort.

KI-Halluzinationen reduzieren

Von besonders großer Bedeutung sind dabei Daten über die Bodenfeuchte. Daran forscht man an der TU Wien schon seit Jahren: Man nutzt Messergebnisse von Radarsatelliten, die den Erdboden rund um die Uhr untersuchen. Daraus kann man wichtige Informationen über die Eigenschaften des Bodens herausrechnen und letztlich vorhersagen, ob der Boden in einer bestimmten Gegend angesichts kommender Regenfälle noch weiteres Wasser aufnehmen kann oder nicht.

Entscheidend dafür ist allerdings, dass man die räumlichen Gegebenheiten mit sehr hoher Auflösung kennt. „Hohe Auflösung heißt bei uns etwa: Ein Pixel pro Kilometer“, sagt Prof. Wolfgang Wagner, der Leiter des Forschungsbereichs Fernerkundung der TU Wien. „Man verwendet dafür heute oft künstliche Intelligenz. Die trainiert man mit unterschiedlichen Datensätzen und hofft dann, auf diese Weise die Auflösung zu verbessern. Das ergibt zwar schöne Bilder, aber ob die etwas mit der Wirklichkeit zu tun haben, ist oft eine andere Frage.“ Um die Interpretation der Satellitendaten auf ihre Richtigkeit hin besser überprüfen zu können, hat man sich an der TU Wien für eine andere Strategie entschieden: „Wir verfolgen einen rigorosen Ansatz. Unser Modell arbeitet mit physikalischen Formeln, von denen wir wissen, dass sie stimmen.“ Machine Learning kommt unterstützend zum Einsatz, etwa für die Kalibrierung der Parameter, aber die Berechnung der Daten lässt sich klar nachvollziehen und erklären. So kann man sicherstellen, dass die Berechnung eines hochauflösenden Datensatzes auf bekannten Naturgesetzen beruht und es nicht etwa zu einer AI-Halluzination ohne faktische Basis kommt, wie das bei künstlicher Intelligenz auch manchmal zu beobachten ist.

Von der Po-Region in die ganze Welt

Begonnen hat man damit, die Po-Ebene in Italien abzubilden – eine besonders komplexe Region, wie Projektleiter Luca Brocca erklärt: „Wir haben die Alpen, wir haben Schnee, der schwer zu simulieren ist, besonders in unregelmäßigem und komplexem Gelände wie den Bergen. Dann gibt es das Tal mit all den menschlichen Aktivitäten – Industrie, Bewässerung.“ Aufbauend darauf bildete man den gesamten Mittelmeerraum ab.

Das Modell soll letztendlich auf den ganzen Erdball ausgedehnt werden. Außerdem soll es noch weiter verbessert und verfeinert werden. Wünschenswert wäre am Ende eine multidimensionale Abbildung der Hydrosphäre, in der ausgewählte Prozesse mit einer räumlichen Auflösung in der Größenordnung von zehn Metern erfasst werden können. Das Ziel des Projekts ist ein Computermodell, das rechtzeitig auf Gefahren hinweisen kann und auch dazu dient, die Auswirkungen verschiedener menschlicher Eingriffe auf lokaler Ebene zu erklären, sodass man nachhaltige Entscheidungen treffen kann.

„Diese gemeinsamen Bemühungen von Wissenschaft, Raumfahrtbehörden und Entscheidungsträgern versprechen eine Zukunft, in der ein digitaler Zwilling der Erde für die Hydrologie unschätzbare Erkenntnisse für ein nachhaltiges Wassermanagement und die Widerstandsfähigkeit gegen Katastrophen liefern“, sagt Luca Brocca.

https://www.frontiersin.org/journals/science/articles/10.3389/fsci.2023.1190191/full

www.tuwien.at

Der Beitrag Forschungsprojekt: Satellitendaten prognostizieren weltweiten Wasserkreislauf erschien zuerst auf Business Geomatics.

Wie werden 3D-Punktwolken zu Informationen? Diese Frage bewegt weite Teile des Infrastrukturmanagements, denn 3D-Punktwolken sind mittlerweile weit verbreitet und ihr enormer Informationscharakter ist weithin bekannt. Dennoch ist der Schritt vom reinen Datenprodukt zur Nutzung in konkreten Arbeitsprozessen, also der Weg von reinen Daten zu erkenntnisstiftenden Informationen, noch weit.

KI ermöglicht hier jedoch Fortschritte in Siebenmeilenstiefeln. Das nötige Training vorausgesetzt, ermöglichen cloudbasierte KI-Plattformen wie Pointly des gleichnamigen Berliner Unternehmens bereits heute, gängige Bearbeitungsschritte von 3D-Punktwolken (aus beliebigen Datenquellen) zu automatisieren und damit die Arbeitsschritte wesentlich effizienter, schneller und kostengünstiger durchzuführen. In den letzten Jahren hat das Unternehmen bereits in den Bereichen Objekterkennung und Klassifikation für Aufsehen gesorgt. Nun hat das Unternehmen ein Update der Plattform eingeführt, das auf die Vektorisierung von Punktwolken abzielt. „Damit sind große Einsparpotenziale beim Export von CAD-Elementen aus 3D-Punktwolken möglich“ , sagt Dr. Francesco Alaimo, Data Scientist bei Pointly.

Beispiel für Vektorisierung. In der Pointly Plattform lassen sich intuitiv 3D Vektormodelle erzeugen. Quelle: Pointly GmbH

Klassifizieren

3D-Punktwolken sind zunächst einmal Rasterdaten und damit eine Ansammlung von Punktdaten, die zwar eine hohe Informationstiefe besitzen (Farbe, Intensität, Geometrie etc.) aber noch nichts über die Objekte der realen Welt aussagen, die sie repräsentieren. Um aus der Punktwolke, ein Gebäudedach, eine Straßenlaterne oder eine Fahrbahnoberfläche zu extrahieren, muss diese zunächst als bedeutungsvolles Objekt erkannt (identifiziert), dann bestimmt (klassifiziert) und schließlich als Vektormodell für die weitere Verarbeitung aufbereitet werden.
Die manuelle Identifikation und Klassifikation ist bei großen Datensätzen komplex und zeitaufwändig. Das Potential der Künstliche Intelligenz liegt darin, diesen Prozess weitgehend zu automatisieren.

In der Regel wird die KI dazu mit entsprechenden Trainingsdaten trainiert, die den gewünschten Output darstellen, bevor sie dann „selbstständig“ einen Prozess erlernt, der eine automatisierte Vorgehensweise ermöglicht, die korrekt, vollständig und mit wenigen Fehlern arbeitet.
Dabei stellt die Pointly-Plattform bereits effiziente Standard Classifier zur Verfügung, die ausgewählte Objektgruppen automatisch klassifizieren, unter anderem für Airborne Laserscanning (ALS), Highway Scans und Stadtinventuren.
Pointly verfügt über eine ganze Reihe von Standard Classifiern, im Rahmen der Pointly-Services werden aber auch jederzeit Custom Classifier mit individuellen Objektklassen für individuelle Anwendungszwecke trainiert. Das Unternehmen kann dabei aber auch jegliche Art von maßgeschneiderten KI-Pipelines für 3D Punktwolken erstellen.

Quelle: Pointly GmbH

Vektorisierung

Mit der neuen, intuitiven Toolbox können nun Vektordaten direkt in der Punktwolke manuell erzeugt werden. Es stehen die Optionen Punkte, Polylinien und Polygone zur Verfügung. Zusätzlich können den Vektorelementen Attribute (Höhe, Länge etc.) hinzugefügt werden.
„Wie bei der Klassifizierung, ist die manuelle Arbeit der erste Schritt zur Erstellung von Trainingsdaten. Danach lernt die KI, die Vektordaten aus neuen Punktwolken automatisch zu generieren.“, beschreibt Dr. Alaimo.

Beispiel: Digitaler Zwilling aus dem Open Data Datensatz Thüringen.
Ein intensiver Nutzer der Pointly-Technologie ist auch die Stadt München im Rahmen ihrer Smart City Initiativen. Die Pointly Plattform spielt eine entscheidende Rolle bei der Klassifizierung von Airborne LiDAR Daten für dieses Projekt. Als Basismodell diente der ALS Standard Classifier, der für den Leica CityMapper 2 Scanner optimiert wurde. Die Pointly API ermöglichte eine nahtlose Integration mit Azure Blob Storage für die Datenabfrage und -speicherung. „Die Klassifizierung der gesamten Fläche von 500 Quadratkilometern konnte innerhalb von vier Tagen abgeschlossen werden“, berichtet Dr. Francesco Alaimo. Quelle: Pointly GmbH/Open Data Datensatz Thüringen

Beispiel Autobahn GmbH

Ein Proof of Concept (PoC) für die KI-basierte Vektorisierung wurde bereits bei der Autobahn GmbH im Bereich der CAD-Modellgenerierung aus 3D-Punktwolken erbracht. Dabei werden mittels Deep Learning automatisch vektorisierte Strukturen und Geländeformen erzeugt, die aus den Punktwolkendaten als .GeoJson-Datei extrahiert werden.

Die Datenbasis für das Projekt mit der Autobahn GmbH besteht aus hochauflösenden LiDAR-Scans deutscher Autobahnen und manuell erstellten CAD-Modellen. Das trainierte Netz ist in der Lage, Straßenkonturen automatisch zu erkennen und zentimetergenaue CAD-Modelle zu erzeugen. Der Vorteil liegt in der hohen Zeit- und Kostenersparnis gegenüber der manuellen Bearbeitung. Die automatisierte Verarbeitung ermöglicht zudem eine höhere Präzision und Effizienz in Planung, Bau und Instandhaltung der Straßeninfrastruktur.

www.pointly.ai

Der Beitrag Klassifizieren mit KI erschien zuerst auf Business Geomatics.

ATVANTAGE ist Spezialist für Business Integration Software auf Basis etablierter Methodik, offener Standards und verschiedener Hersteller sowie Open Source Plattformen. Bei dem neuen Verfahren hat das Unternehmen auf Computer Vision zurückgegriffen, ein Verfahren, bei dem KI in pixelbasierten Luftbilddaten Strukturen erkennt und diese klassifiziert, etwa für versiegelte Flächen, Hausdächer oder Grünflächen. Ein künstliches neuronales Netz abstrahiert dazu die zusammenhängenden Regionen in einem Luftbild durch Zusammenfassung benachbarter Pixel und ordnet jedem einzelnen Pixel eine Nutzungs- bzw. Befestigungsart zu. Die Objekt- und Flächenerkennung lässt sich dadurch automatisieren.

Mittels KI erkannte versiegelte Flächen auf Luftbildern. Quelle: ATVANTAGE

ATVANTAGE unterscheidet vier Anwendungsbereiche: Zunächst die Image Classification. Sie ordnet ein gesamtes Bild einer bestimmten Kategorie zu. So kann ein Modell beispielsweise trainiert werden, nach einem Hurrikan beschädigte von unbeschädigten Häusern zu unterscheiden.

Mit der Object Detection ist die Erkennung von einzelnen Objekten in einem Bild gemeint. „Dieser Bereich von Computer Vision lässt sich nutzen, um Objekte wie Windräder, Hochspannungsmasten oder Palmen in Luftbildaufnahmen zu erkennen und zu verorten“, sagt Matthias Bauer, CTO Data Analytics & AI bei ATVANTAGE .

Als drittes gibt es die Image Segmentation, bei der jeder Pixel des eingehenden Bildes einer Klasse zugeordnet wird. So lässt sich zum Beispiel eine Landnutzungsklassifizierung über mehrere Klassen vornehmen oder Solarzellen können als einzelne Klasse gegenüber anderen Werten identifiziert werden. „Im Gegensatz zur Object Detection ist das Ergebnis kein lokalisiertes Objekt, sondern eine identifizierte Fläche in einem Raster“, so Bauer.

Der vierte Anwendungsbereich ist die sogenannte Instance Segmentation. Sie führt die Object Detection noch einen Schritt weiter, indem sie die erkannten Objekte als Feature aus dem Bild extrahiert. So lassen sich beispielsweise Häuser auf Luftbildern nicht nur als solche erkennen, sondern auch noch die Gebäudeumrisse als Polygon Feature extrahieren.

Training im Sinne der Semantik

Matthias Bauer, CTO Data Analytics & AI bei ATVANTAGE . Foto privat

In der Lösung von ATVANTAGE wird ein Modell anhand der von Fachkräften eingezeichneten Polygonen trainiert, das automatisch die Art der auf den Luftbildaufnahmen dargestellten Flächen vorhersagt. Diese Aufgabe wird in Computer Vision „semantische Segmentierung“ genannt. „Neu ist hier, dass mehr und mehr künstliche neuronale Netze zum Einsatz kommen, die speziell für diesen Aufgabenbereich trainiert werden. Sie müssen leistungsstark sein, denn Luftbildaufnahmen sind äußerst komplex“, so Bauer.

Die Segmentierung stellt ein Bild auf Pixel-Ebene dar, indem jedes Pixel eines Bildes einer bestimmten Klasse (Nutzung- oder Befestigungsart) zugeordnet wird. Deep Learning kommt zum Einsatz, um eine Zusammenstellung von Pixeln zu erkennen, welche die verschiedenen Klassen bilden.

Es gibt viele semantische Segmentierungsalgorithmen wie U-Net, LinkNet, Mask-R-CNN, FPN, usw. Dabei handelt es sich tiefe künstliche neuronale Netze, welche für einen erfolgreichen Trainingsprozess einen Datensatz mit zwei Informationen benötigen: Einmal ein Rasterbild (Luftbildaufnahme)  und zum zweiten eine Segmentierungsmaske (Shapefile), die das Label für jedes Pixel im Rasterbild enthält.

Der U-Net-Algorithmus besteht aus zwei Teilen: Ein Encoder reduziert schrittweise die räumliche Dimension mit Pooling Layern, während der Decoder sukzessive die Objektdetails und die räumliche Dimension wiederherstellt. „U-Net Architekturen haben sich als überaus nützlich für die Segmentierung verschiedener Anwendungen erwiesen, etwa bei medizinischen Bildern, Straßenansichten oder Satellitenbildern“, so Bauer. Das Ergebnis entstehen GeoTiff-Dateien, die der Fachbereich in sein spezifisches GIS-System einspielen kann, um die Folgeprozesse und Abrechnungsmechanismen zu bedienen. In der Versiegelung sieht X-Integrate nur einen von vielen möglichen Anwendungsbereichen. Ein weiterer ist z.B. die Erkennung potenzieller Flächen für die Aufstellung von Solaranlagen.

www.atvantage.com/

Der Beitrag KI für die Luftbildauswertung erschien zuerst auf Business Geomatics.