Künstliche Intelligenz im Bereich Vermessung und Geoinformatik

Künstliche Intelligenz (KI) / engl. Artificial Intelligence (AI) ist mittlerweile allgegenwärtig - auch in Anwendungen der Vermessung und Geoinformatik. KI-Methoden helfen dabei bei der Auswertung großer und komplexer Datensätze, wie beispielsweise Satelliten- und Luftbilder.

In allen Studiengängen des Bereichs Vermessung stellt die Vermittlung der Grundkenntnisse der KI einen zentralen Baustein dar. Grundlagen bilden dabei die Konzepte und Methoden des überwachten und unüberwachten Lernens. Beim unüberwachten Lernen gruppieren Methoden Daten nach Gemeinsamkeiten, beispielsweise nach ähnlichen spektralen Eigenschaften. Dies kann verwendet werden um Bereiche in Bilddaten zu finden, die mit ähnlichen Materialien bedeckt sind. Beim überwachten Lernen werden Modelle darauf trainiert, bereits bekannte Klassen in den Daten zu finden. Hierfür werden der Methode Beispiele gezeigt, basierend auf welchen sie dann ihre Aufgabe erlernt. Solche Methoden kommen in der Klassifizierung von Bild- und anderen Daten vor. Dabei werden sowohl traditionelle Methoden wie Maximum Likelihood, k-Nearest Neighbor und Random Forest vermittelt und verwendet, als auch moderne Neuronale Netze. Das Ziel jeder Lehrveranstaltung ist es, sowohl die theoretischen Grundlagen, als auch praktische Anwendungen, zu vermitteln.

Zur Anwendung von KI-Methoden, insbesondere für das Training von Neuronalen Netzen, werden leistungsfähige Rechner benötigt, welche über geeignete Grafikkarten verfügen. Die passende Infrastruktur wird unter anderem im GeoAI-Labor der HFT Stuttgart den Studierenden zur Verfügung gestellt.
 

Als Beispiel für die erfolgreiche Vermittlung von KI-Methoden im Bereich der Vermessung möchten wir den folgenden Forschungsbeitrag anführen, der in Kooperation mit dem Stadtmessungsamt Stuttgart entstand.

Im Rahmen des Moduls Remote Sensing Studio im Masterstudiengang Photogrammetry and Geoinformatics wurden unterschiedliche Methoden zur Erkennung von Vegetation im Stadtgebiet verglichen. Die Untersuchung verwendet dabei hochauflösende Luftbilddaten des Stadtmessungsamtes Stuttgart, welches uns die Daten freundlicherweise zur Verfügung stellte. Im Rahmen des Moduls wurden die Bilddaten von den Studierenden selbstständig annotiert (um Beispieldaten zu erzeugen) und der gemeinsame Datensatz allen drei Projekten zur Verfügung gestellt. Dabei stellte sich heraus, dass die Ansätze der semantischen Segmentierung und der Objekterkennung für die Erkennung niedriger und hoher Vegetation sehr gut funktionieren. Weiterführende Analysen zeigten ausserdem, dass das Vorhandensein eines Nahinfrarotbandes für die Erkennung der Vegetation nicht sehr wichtig ist und dass die trainierten Modelle auch auf anderen Luftbildern gute Ergebnisse erzielen. Die Ergebnisse dieses Projektes werden auf der Jahrestagung der Deutschen Gesellschaft für Photogrammetrie, Fernerkundung und Geoinformation 2026 in Mainz vorgestellt.