In einer Forschungsarbeit entwickelt das i3mainz, Institut für Raumbezogene Informations- und Messtechnik, eine KI-basierte Methode für die kombinierte Auswertung von Satellitendaten und lokalen Drohnendaten. Damit gewinnt das Forschungsinstitut der Hochschule Mainz erstmals detaillierte und flächendeckende Daten für die Temperaturentwicklung in Städten.
Während sommerlicher Hitzewellen können sich Temperaturen innerhalb einer Stadt bereits auf wenigen Metern deutlich unterscheiden. Eine schattige Straße unter Bäumen bleibt vergleichsweise kühl, während benachbarte Asphaltflächen, Parkplätze oder Dächer Wärme speichern und abstrahlen. Für Stadtplanung und Klimaforschung wird das Verständnis dieser lokalen Wärmeverteilungen aber immer wichtiger – vor allem aus städtebaulicher, energetischer oder gesundheitlicher Perspektive.
Eine Quelle sind dabei Satellitenmissionen. Der Satellit Landsat-8 liefert Temperaturinformationen global und über lange Zeiträume, allerdings nur mit einer geringen Auflösung. Ein einzelner thermaler Pixel von Landsat umfasst rund 900 Quadratmeter, hat also eine ungefähre Seitenlänge von 30 Metern. Daten unterschiedlicher Flächenarten, die auf dieser Fläche meist bestehen (etwa Straße, Vegetation, Gebäude oder Wasseroberfläche), werden so mit einem einheitlichen Wert angezeigt.
Kombinierte Analyse in einem Workflow
„Die Grundidee der Studie war daher, eine KI darauf zu trainieren, genau jene feinen Temperaturmuster zu rekonstruieren, die in den grob aufgelösten Satellitendaten selbst verborgen bleiben“, sagt Studienleiterin Mahdiyeh Fathi. Neben den thermalen Landsat-8-Aufnahmen wurden daher hochaufgelöste optische Satellitenbilder der PlanetScope-Mission (Auflösung von etwa drei Metern) und thermale Drohnenaufnahmen, die mit einer DJI Mavic 3T aufgenommen wurden (Auflösung im Zentimeterbereich) herangezogen.
Jede dieser Datenquellen besitzt eigene Stärken. Landsat ermöglicht die kontinuierliche großräumige Temperaturbeobachtung. PlanetScope liefert detaillierte räumliche Informationen über Straßen, Vegetationsgrenzen oder Gebäudestrukturen. Die Drohnenaufnahmen dienen schließlich als hochpräzise thermale Referenzdaten, anhand derer sichtbar wird, wie reale kleinräumige Temperaturmuster tatsächlich aussehen.
Für die Auswertung wurde das KI basierte Super-Resolution-Verfahren genutzt. Das Modell lernt, wie hochaufgelöste Temperaturmuster mit grob aufgelösten Satellitentemperaturen und detaillierten optischen Strukturen zusammenhängen.
Eine besondere Rolle spielt dabei die Verwendung sogenannter Kolmogorov–Arnold Networks (KANs). „Während viele moderne KI-Modelle auf sehr große und rechenintensive neuronale Netze setzen, verfolgen KANs einen vergleichsweise effizienten Ansatz“, sagt Fathi. Trotz geringerer Komplexität können sie komplexe Zusammenhänge modellieren. „Dadurch eignen sie sich besonders für praxisnahe geographische Anwendungen, bei denen Rechenressourcen oder große Trainingsdatensätze nicht unbegrenzt verfügbar sind“, beschreibt die Photogrammetrie-Expertin.
Innovativ daran ist die kombinierte Auswertung innerhalb eines Workflows. Straßen, Vegetationsflächen, Dachkanten und kleinräumige Wärme-Hotspots werden damit deutlich besser erkennbar. „Temperaturübergänge erscheinen schärfer und realistischer. Gleichzeitig stimmen die rekonstruierten Temperaturmuster viel besser mit den hochaufgelösten Drohnenaufnahmen überein“, so Fathi. So sei auch eine wesentlich differenziertere Interpretation urbaner Klimaprozesse möglich, etwa bei Kühlungseffekten von Vegetation. Letztlich mache die Studie auch deutlich, dass KI thermale Satellitendaten wesentlich informativer machen kann als bisher.
Für weitere Anwendungsbereiche nutzbar
Die Forscher:innen betonen, dass es viele Anwendungsmöglichkeiten des Verfahrens gibt. In der Landwirtschaft beispielsweise können detaillierte Temperaturinformationen helfen, Trockenstress oder Wasserbedarf frühzeitig zu erkennen. Im Umweltmonitoring unterstützen sie Analysen von Vegetationszuständen oder Landdegradation. Auch für Katastrophenmanagement und Klimaforschung ergeben sich neue Möglichkeiten.
„Die Arbeit verdeutlicht einen grundlegenden Wandel innerhalb der Fernerkundung. Fortschritte entstehen heute nicht mehr ausschließlich durch neue Sensoren, sondern zunehmend durch intelligentere Verfahren zur Kombination und Interpretation vorhandener Daten“, beschreibt Fathi.
www.i3mainz.hs-mainz.de
Vergleich verschiedener Datenquellen zur KI-basierten thermalen Super-Resolution:
Vergleich verschiedener Datenquellen zur KI-basierten thermalen Super-Resolution. Hier das hochaufgelöste RGB-Luftbild des Untersuchungsgebiets. Quelle: i3mainz
Ursprüngliche Land oberflächentemperatur (LST) aus Landsat-Daten mit grober räumlicher Auflösung. Quelle: i3mainz
Die durch das KI-Modell rekonstruierte hochaufgelöste Temperaturkarte (KAN) des Untersuchungsgebiets. Quelle: i3mainz
Das durch die thermale UAV-Aufnahmen als hochaufgelöste Referenzdaten (Ground Truth) dargestellte Untersuchungsgebiet. Die Ergebnisse verdeutlichen, dass die KI-basierte Super-Resolution kleinräumige Temperaturstrukturen deutlich
präziser abbilden kann als die ursprünglichen Satellitendaten. Quelle: i3mainz