AmoKI: Autonomes Abgrabungsmonitoring für ein nachhaltiges Flächenmanagement

Umfangreiche Kohleabbauaktivitäten gelten als schädlich für die Umwelt, da sie zu Abholzung, Bodendegradation und Luftverschmutzung führen. Staatliche Maßnahmen zur Überwachung dieser Gruben erfordern zeitnahe Verfahren, die unter anderem Vor-Ort-Besuche umfassen. Mit dem AmoKI-Projekt, in Zusammenarbeit mit dem Institut für Mineraltechnik der RWTH Aachen und dem Geologischen Dienst NRW sowie gefördert durch das BMBF, verfolgt dida das Ziel, diese Monitoring-Prozesse zu beschleunigen und zu automatisieren.

Eine zentrale Ressource für unsere Arbeit sind öffentlich verfügbare Geodaten von Geobasis NRW, die wertvolle topografische und geologische Datensätze unter Open-Data-Lizenzen bereitstellen. Diese Datensätze umfassen hochauflösende Luftbilder und digitale Geländemodelle, die durch offene Satellitendaten wie die multispektralen Bilder der Sentinel-2-Satelliten ergänzt werden können. dida wird seine Erfahrung aus früheren Computer-Vision-Projekten wie Automatischen Erkennung von Kleinbergbau, Identifikation von Minenschutthalden und Klassifizierung der Kulturpflanzenart nutzen, bei denen sich Machine-Learning-Ansätze bereits als nützlich für Klassifikationsaufgaben mit Satellitenbildern erwiesen haben. Ziel ist es, Echtzeiteinblicke zu gewinnen, die sonst von menschlichen Fachkräften manuell erfasst werden müssten.

Eine wesentliche Herausforderung bei der Verarbeitung von Satellitenbildern ist der Mangel an Tiefeninformationen - in manchen Fällen enthalten die Bilder einfach nicht genügend Daten, um sinnvolle Vorhersagen über das Volumen der Mine zu treffen. Darüber hinaus ist die Berechnung des Volumens selbst dann nicht immer einfach, wenn das Modell die Tiefe und Ausdehnung der Mine genau vorhersagen kann - häufig werden dafür Informationen aus der Bergbaugenehmigung sowie weiteres lokales Fachwissen benötigt. Zudem müssen natürlich vorkommende Artefakte in Luft- und Satellitenbildern (wie Wolken, geringe Auflösung und störende Objekte) berücksichtigt werden, um eine Verfälschung der Ergebnisse zu vermeiden.

Unser Ansatz konzentriert sich auf die Automatisierung der Erkennung und Bewertung von Bergbauaktivitäten. Wir setzen maschinelle Lernalgorithmen ein, die offene Geodatensätze von Geobasis NRW sowie hochauflösende Luftbilder und Satellitendaten analysieren. Diese Modelle erstellen präzise Vorhersagen über die topografische Struktur der Minen und können genutzt werden, um Volumenveränderungen im Zeitverlauf zu berechnen. Durch die Automatisierung von Teilen des Workflows verringern wir die Abhängigkeit von manuellen Vor-Ort-Inspektionen und bieten eine sicherere, effizientere und schnellere Möglichkeit, kritische Veränderungen zu erkennen. Unsere Methoden können zudem erweitert werden, um Umweltindikatoren wie Vegetationsverlust, Geländeänderungen und mögliche Verschmutzungsmarker zu identifizieren, sodass rechtzeitige Gegenmaßnahmen ergriffen werden können.

Um eine breite Zugänglichkeit unseres Projekts zu gewährleisten, werden wir eine Frontend-Demo erstellen, die zeigt, wie die Modelle Vorhersagen treffen - ähnlich unserer ASMSpotter-Demo.

Das Kernmodell dieses Projekts ist ein Monokulares Tiefenschätzungsmodell, das Objekte in einem einzelnen Bild analysiert und deren Entfernung zur Kamera bestimmt. In unserem Fall handelt es sich bei den verwendeten Bildern um Luft- und Satellitenbilder und die Objekte sind Merkmale der Landschaft (Bäume, Hügel, Häuser, Minen usw.) sowie der Boden selbst. Die Vorhersage der Entfernung zur Kamera entspricht somit der Höhe des Geländes, auch bekannt als Digitales Höhenmodell (DEM). Obwohl bereits ausgefeilte Tiefenschätzungsmodelle existieren, sind sie stark darauf ausgerichtet, Vorhersagen für Standardfotografien mit Menschen, Verkehr und anderen Alltagsszenen zu treffen - mit anderen Worten: Sie sind nicht darauf trainiert, Vorhersagen auf Basis von Satellitendaten zu machen. Wir werden eine Auswahl dieser vortrainierten Modelle mit unseren eigenen Luft- und Satellitenbilddatensätzen feinabstimmen, um sie besser an unser spezifisches Problem anzupassen.

Vortrainierte Modelle bieten eine solide Ausgangsbasis für die monokulare Tiefenschätzung, erfordern jedoch Finetuning, um präzise Ergebnisse zu liefern.

Um einige der in der Herausforderungen-Sektion genannten Probleme zu lösen, haben wir uns entschieden, mehrere Datenquellen und multiskalige Vorhersagen zu integrieren. Hochauflösende Luftbilder bieten beispielsweise eine detaillierte Ansicht der Landschaft und ermöglichen Vorhersagen über lokale Höhenänderungen, können jedoch eine Referenzhöhe vermissen lassen. Diese Bilder können mit Referenzhöhen aus den Sentinel-2-Satelliten ergänzt werden, um eine Grundlage für die Vorhersagen zu schaffen. Alternativ kann durch multiskaliges Training zunächst eine Referenzhöhe auf Basis von hochauflösenden Daten geschätzt werden, die auf eine niedrigere Auflösung herunterskaliert wurden. Diese ersten Vorhersagen können dann durch die Verarbeitung von zunehmend höher aufgelösten Bildern verfeinert werden.

Wenn Sie mit uns über dieses Projekt sprechen möchten, kontaktieren Sie uns gerne und wir melden uns im Anschluss für ein unverbindliches Erstgespräch.