Integration von UAV-Multisensordaten und maschinellem Lernen für Erde und Umwelt
Die Erdoberfläche unterliegt einem ständigen Wandel. Fortschrittliche, miniaturisierte Sensoren, die in Drohnen integriert sind, haben das Potenzial, Umweltveränderungen effizient zu erfassen und somit die Feldforschung grundlegend zu transformieren. Drohnen sind eine disruptive Technologie, die die entscheidende Lücke zwischen bodengestützten und satellitenbasierten Beobachtungen schließen, indem sie hochauflösende Daten (im Millimeter- bis Zentimeterbereich) über große Flächen (1–10 Quadratkilometer) erfassen. Dennoch bestehen weiterhin zahlreiche Herausforderungen, und es ist eine interdisziplinäre Zusammenarbeit erforderlich, um Probleme wie Datenqualität sowie eine schnelle und effiziente Datenanalyse zu lösen.
Um diese Herausforderungen zu bewältigen, bringen wir interdisziplinäre Expertise aus den Bereichen Photogrammetrie, hyperspektrale Datenverarbeitung, Punktwolkenanalyse, Informationstechnologie sowie robotischer Bildverarbeitung und Deep Learning zusammen. Die Zusammenarbeit basiert auf drei Studien, die sich mit photogrammetrischen, LiDAR- und hyperspektralen, mittels Drohnen erhobenen Daten befassen. Die Datenerhebung erfolgt in Deutschland und Australien und wird anschließend im Rahmen von zwei Forschungsworkshops durch ein breites Expertenteam an den Partneruniversitäten weiterverarbeitet. Es werden neuartige Klassifikationsansätze entwickelt, um die Daten zu analysieren, und in unseren jeweiligen Fachgebieten findet ein gegenseitiger Wissensaustausch statt. Die Untersuchungsgebiete werden nach den Austauschphasen erneut aufgesucht, um sowohl Veränderungen in der Umwelt als auch Verbesserungen in den Arbeitsabläufen zu erfassen.
Das Projekt wird vom Bundesministerium für Bildung und Forschung gefördert und in Zusammenarbeit mit der School of Earth, Atmosphere and Environment, Monash Universität, Australien sowie der Helmholtz-Institut Freiberg für Ressourcentechnologie (HIF), Helmholtz-Zentrum Dresden-Rossendorf (HZDR) durchgeführt.
