SARista - Methoden Künstlicher Intelligenz zur Einordnung von Bodenverformungsprozessen auf Grundlage von Satellitendaten

Abstract

Das Vorhaben "SARista Aufstockung" verfolgte das Ziel, innovative KI-Methoden für die Analyse von SAR-Daten zu entwickeln und prototypisch für die Überwachung kritischer Infrastrukturen einzusetzen. Während Phase 1 noch auf InSAR und atmosphärischer Korrektur basierte, verlagerte sich der Schwerpunkt in Phase 2 auf die Nutzung modernster Foundation Models und Large Vision Models. Damit wurden neue Wege für die Änderungserkennung und Anomalieerkennung erschlossen, die über klassische Ansätze hinausgehen. Wesentliche Ergebnisse sind die erfolgreiche Anpassung generischer KI-Architekturen an SAR-Daten, die Erstellung neuer Benchmark-Datensätze (SkyCap, SkySAL) sowie die Entwicklung eines Software-Prototyps zur Anomalieerkennung und Visualisierung. Diese Resultate stellen sowohl einen wissenschaftlich-technischen Fortschritt dar als auch eine Grundlage für zukünftige Produkte und Dienstleistungen von LiveEO. Darüber hinaus leistete das Projekt einen wichtigen Beitrag zur Wettbewerbsfähigkeit von KMU im Bereich Erdbeobachtung, stärkte die Resilienz kritischer Infrastrukturen und förderte den digitalen Standort Deutschland. Die enge Einbindung in die Fachcommunity durch Präsentationen und Workshops erhöhte zusätzlich die Sichtbarkeit und Anschlussfähigkeit der Ergebnisse. Insgesamt konnte gezeigt werden, dass modernste KI-Methoden erfolgreich auf SAR-Daten angewendet und produktnah umgesetzt werden können. Damit trägt das Vorhaben unmittelbar zur Umsetzung der Ziele der BMWK-Förderlinie KI4KMU bei. Datei-Upload durch TIB