Wir erforschen die Nutzung von Fernerkundungsdaten zur Unterstützung von kommunaler Klimaanpassung. Mithilfe von KI-Modellen generieren wir im Forschungsprojekt UrbanGreenEye flächendeckende Daten zur Be- und Entlastung des Stadtklimas und lokalisieren darauf aufbauend Handlungsschwerpunkte.

Schlagwörter

Fernerkundung, Klimaanpassung, Grüne Infrastruktur, Künstliche Intelligenz

Abstract

Klimaanpassung gewinnt als Handlungsfeld der kommunalen Planung zunehmend an Bedeutung. Für eine nachhaltige Stadtentwicklung benötigt es relevante Indikatoren, welche als Entscheidungshilfe und zu Monitorings Zwecken genutzt werden können. Unser Forschungsprojekt UrbanGreenEye hat es sich daher als Ziel gesetzt, Fernerkundungsdaten zur Bestimmung solcher Indikatoren zu nutzen und diese öffentlich bereitzustellen. Diese werden bundesweit für alle Kommunen zur Verfügung gestellt und schaffen somit erstmalig eine national einheitliche Datengrundlage zur Klimaanpassung basierend auf Fernerkundungsdaten.

Die Indikatoren gliedern sich in vier Bereiche: Die (1) thermische Belastung in der Stadt wird durch Oberflächentemperatur, Verschattung und Albedo beschrieben. Zur Ermittlung der (2) thermischen Entlastung werden die Indikatoren Grünvolumen, Beschirmungsgrad, Vitalität sowie die Bodenkühlleistung genutzt. Als Teil der (3) hydrologischen Entlastung werden Daten zur Bodenversiegelung und Versickerungsflächen bereitgestellt. Abschließend wird anhand der generierten Daten eine (4) Defizitanalyse durchgeführt, durch welche besonders belastete Stadtbereiche identifiziert werden. Die Indikatoren bilden somit eine empirische Grundlage zur Fokussierung von städtischen Klimaanpassungsmaßnahmen.

Indikatoren wie Grünvolumen und Bodenversiegelung werden auf Luftbildebene mithilfe von hochaufgelösten digitalen Orthobildern, Oberflächenmodellen und Katasterdaten abgeleitet. Anschließend werden die generierten Vorhersagen als Trainingsdaten für Modelle auf Satellitenebene genutzt um eine bundesweite, jährliche Vorhersage zu ermöglichen. Dazu werden Sentinel-1 und -2 Daten aus dem EU-Copernicus-Programm genutzt. Zur Modellierung werden verschiedene KI-Algorithmen, u. a. Klassifikationsbäume sowie neuronale Netze, angewandt. Andere Indikatoren, wie Oberflächentemperatur und Albedo, werden direkt aus Landsat und Sentinel Satellitendaten abgeleitet.

Für die Defizitanalyse wird die Korrelation und statistische Verteilung der Indikatoren untersucht. Das darauf aufbauende generalisierte lineare Modell, hilft dabei, den Zusammenhang der Indikatoren zu untersuchen. Wird z. B. die Oberflächentemperatur als abhängige Variabel herangezogen, können Aussagen darüber getroffen werden, wie viel zusätzliche Vegetation zur Reduktion der maximalen Sommertemperatur an bestimmten Standorten benötigt wird.

Bisherige Ergebnisse zeigen hohe F1-Score Validierungswerte von 0.93 und R² von 0.98 für die hochaufgelösten Versiegelungs- und Grünvolumen Modelle. Regressionsbaum-Modelle auf Satellitenebene anhand aggregierter Zeitreihen weisen für, z. B. das Grünvolumen Genauigkeiten von R² ~ 0.78 auf. Aktuell untersuchen wir, welche Algorithmen und Aufbereitungen von Zeitreihen die Genauigkeiten erhöhen können. LSTM‑, CNN- und Transformer-Modelle ermöglichen dabei die komplexe Betrachtung von Zeitreihen auf räumlicher und zeitlicher Ebene.