KI für Umweltplanung, Klimaschutz & Klimafolgenanpassung

Die Erhebung von geographisch referenzierten Informationen hat stark zugenommen, mit regelmäßigen Erfassungen durch Satelliten, Flugzeuge, Drohnen und Straßenbefahrungen. Diese Daten enthalten vielfältige Informationen, die durch Methoden der KI, insbesondere des Maschinellen Lernens, ausgewertet werden können. Dadurch lassen sich Prozesse wie die Aktualisierung von Katasterdaten und die Generierung von Zustandskarten automatisieren, was im Erhaltungsmanagement wichtig ist. Die KI-basierte Auswertung ermöglicht auch die Erkennung von Nutzungs- und Vegetationsarten sowie Versiegelungsflächen kommunaler Liegenschaften, die für klima- und umweltbezogene Analysen relevant sind.

Kompetenzspektrum: Die Initiative bietet umfassende Kompetenzen in den Bereichen Machine Learning, Computer Vision und Geoinformatik. Es unterstützt Forschungsprojekte zur Ermittlung von Informationen aus Fernerkundungsdaten und anderen Geodaten, zur Qualitätsmessung der Ergebnisse, zur Aggregation und zur Optimierung der Verfahren.

Werkzeuge und Anwendungen: Die Hochschule verfügt über eine Palette von Werkzeugen zur Analyse von Fernerkundungsdaten:

• Umrechnung von Bild- und Laserdaten in Orthobilder
• Vortrainierte Modelle zur Erkennung von Versiegelungsflächen aus Luftbildaufnahmen
• Erkennung von Fahrbahnzuständen bzw. Fahrbahnmarkierungen aus urbanen Digitalen Zwillingen

Forschungsthemen

1. Automatisierte Extraktion von Informationen aus Fernerkundungsdaten:

1. • Aufbau und Training von KI-Modellen zur Aktualisierung und Verifizierung von Katasterdaten (z.B. Verkehrszeichen, Straßenlaternen, Bäume)
   • Generierung von Daten zum Erhaltungsmanagement städtischer Assets (z.B. Fahrbahnzustände)
   • Ermittlung klimarelevanter Informationen
   • Optimierung bestehender Anwendungen zur Extraktion und Aggregation von Fahrbahnmarkierungen, Fahrbahnzuständen und Versiegelungsflächen
   • Training von Vision-Transformer-Modellen zur Identifikation gewünschter Objekte auf Bildern aus natürlichen Textanfragen

2. Niederschwelliges Mobile Mapping und Real-Time-Rendering von 3D-Stadtmodellen:

1. • Entwicklung eines kostengünstigen, rein bildbasierten Mobile-Mapping-Verfahrens auf Basis von NeRF-Technologie bzw. Gaussian Splatting
   • Effizientes Rendering von 3D-Stadtmodellen
   • Optimierung für den Einsatz auf kommunalen Fahrzeugen