iCity 2: Space4iCity

Durch die Entwicklung urbaner digitaler Zwillinge entstehen Geo-Datenräume, mit denen vielfältige Planungs-, Entscheidungs- und Wirtschaftsprozesse optimiert oder erst möglich werden. Amtliche Geoinformation wie das Amtliche Liegenschaftskataster Informationssystem ALKIS bildet dabei eine wesentliche Grundlage. In den vergangenen Jahren sind immense Sensordatenbestände aus lokalen, zeitlich sehr hoch aufgelösten Messungen zum Monitoring des urbanen Raums, bspw. in den Bereichen Umwelt (Luftqualität, Stadtklima) und Verkehr, hinzugekommen. Parallel dazu werden im Copernicus-Programm der ESA satellitengestützte Erdbeobachtungsdaten in immer höherer räumlicher und zeitlicher Auflösung als Open Data bereitgestellt.

Obwohl viele dieser Daten auch für kommunale Anwendungen relevant sind, werden sie in diesem Kontext kaum genutzt. Dies liegt i.d.R. an der im Vergleich zu flugzeug- und drohnengestützter Datenerhebung deutlich geringeren räumlichen Auflösung der Erdbeobachtungsdaten. Auf der anderen Seite haben diese Daten eine im Vergleich wesentlich höhere zeitliche Auflösung, da Satelliten ein Gebiet etwa einmal pro Woche erfassen, während Befliegungskampagnen im mehrjährigen Abstand durchgeführt werden.

Die wissenschaftlichen Ziele und Fragestellungen lassen sich wie folgt zusammenfassen:

• Ist es möglich, die räumliche Auflösung satellitengestützter Messungen der Oberflächentemperatur mit Hilfe von KI-Tools und bodengebundenen Messungen zu erhöhen?
• Ist KI dazu in der Lage, Grünflächen im städtischen Bereich zu erkennen und zu charakterisieren?
• Können Erdbeobachtungsdaten die Datenbasis eines urbanen digitalen Zwillings derart verbessern, dass CFD-Simulationen des Stadtklimas signifikant bessere Ergebnisse liefern?

Um Erdbeobachtungsdaten für kommunale Anwendungen nutzbringend einzusetzen, muss daher insbesondere das Problem der im Vergleich geringen räumlichen Auflösung der Satellitendaten gelöst werden. Hierzu sollen Deep-Learning-Methoden entwickelt bzw. neuronale Netze trainiert werden, um eine räumliche Disaggregation der Daten zu realisieren. Zum Training und zur Validierung sollen die in iCity bereits vorliegenden Sensordaten genutzt werden. Anhand der beiden Anwendungsfälle „urbane Hitzeinseln“ und „Stadtgrün“ soll das Konzept überprüft werden. Die aus den Erdbeobachtungsdaten extrahierten Informationen sollen in einer Stadtklimasimulation genutzt werden, um den Mehrwert der Daten für die Prognose des Stadtklimas zu evaluieren.

Um diese wissenschaftlichen Fragestellungen zu beantworten, sollen folgende Ergebnisse erzielt werden:

• Die Zusammenstellung von Satelliten-Zeitreihendaten des Großraumes Stuttgart: Landsat (thermisches Band) und Sentinel-2 (Bänder B, G, R, NIR) und Aufbereitung der Daten
• Training und Evaluation Neuronaler Netzwerke zur Disaggregation von Oberflächentemperaturdaten (Landsat + Sentinel-2)
• Training und Evaluation Neuronaler Netzwerke zur Charakterisierung von Vegetation im Stadtgebiet (Sentinel-2)
• Integration der Daten in einen urbanen digitalen Zwilling und vergleichende Simulation des Stadtklimas mit und ohne aus Erdbeobachtungsdaten extrahierten Informationen