Hintergrund
Stadtplanungsbehörden beschäftigen eine Reihe von GIS-Experten, die Erfahrung im Umgang mit GIS-Software wie ArcGIS haben. Für die langfristige Infrastrukturplanung ist eine sehr hohe Auflösung auf Gebäudeebene erforderlich. Aus diesem Grund werden Drohnen- oder LIDAR-Aufnahmen aus Befliegungen angeschafft. Da Befliegungen aber sehr kostenintensiv sind, werden diese Flüge je nach den verfügbaren finanziellen Mitteln alle zwei bis zehn Jahre durchgeführt. Dies ist aufgrund der Wachstumsdynamik dieser Städte unzureichend.
Satellitendaten bieten zwar eine geringere räumliche Auflösung, sind aber aufgrund der höheren Zeitfrequenz, komplementär. In der Praxis werden häufig Bing und Google Maps verwendet. Die Zeitintervalle dieser Bilder unterscheiden sich jedoch, da z.B. Google Maps wolkenfreie Bilder zusammenfügt, sobald sie verfügbar sind. Darüber hinaus ist die Aktualisierungshäufigkeit für Länder außerhalb Nordamerikas und Europas eher gering, was dazu führt, dass die Bilder in anderen Geografien weniger aktuell sind.
Unsere Lösung
Da optische Daten und Höhendaten Nachteile in Bezug auf Wolkenbedeckung und Aktualisierungsintervalle haben, haben wir beschlossen, eine Lösung auf der Grundlage von Radardaten mit der höchstmöglichen zeitlichen und räumlichen Auflösung zu entwickeln. Die Untersuchungen und Gespräche mit GIS-Experten im Vorfeld haben gezeigt, dass Stadtplaner in erster Linie mit sehr hochauflösenden Daten wie Drohnenbildern arbeiten und ihre Analyse von sich ausdehnenden städtischen Gebieten derzeit etwa einmal pro Jahr oder alle zwei Jahre durchführen. Wir entschieden, dass wir eine höhere räumliche Auflösung gegenüber der zeitlichen Frequenz bevorzugten. Es boten sich zwei Optionen: TerraSAR-X StripMap und Sentinel-1. Dar TerraSAR-X die höhere Auflösung bietet, wählten wir es als primäre Datenquelle für beide Aufgaben.
Alle Satellitendaten wurden vorprozessiert, um sie für die Einspeisung in ein Machine Learning-Modell vorzubereiten.
