Durch die Entwicklung urbaner digitaler Zwillinge entstehen Geo-Datenr?ume, mit denen vielf?ltige Planungs-, Entscheidungs- und Wirtschaftsprozesse optimiert oder erst m?glich werden. Amtliche Geoinformation wie das Amtliche Liegenschaftskataster Informationssystem ALKIS bildet dabei eine wesentliche Grundlage. In den vergangenen Jahren sind immense Sensordatenbest?nde aus lokalen, zeitlich sehr hoch aufgel?sten Messungen zum Monitoring des urbanen Raums, bspw. in den Bereichen Umwelt (Luftqualit?t, Stadtklima) und Verkehr, hinzugekommen. Parallel dazu werden im Copernicus-Programm der ESA satellitengestützte Erdbeobachtungsdaten in immer h?herer r?umlicher und zeitlicher Aufl?sung 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 r?umlichen Aufl?sung der Erdbeobachtungsdaten. Auf der anderen Seite haben diese Daten eine im Vergleich wesentlich h?here zeitliche Aufl?sung, da Satelliten ein Gebiet etwa einmal pro Woche erfassen, w?hrend Befliegungskampagnen im mehrj?hrigen Abstand durchgeführt werden.

Die wissenschaftlichen Ziele und Fragestellungen lassen sich wie folgt zusammenfassen:

• Ist es m?glich, die r?umliche Aufl?sung satellitengestützter Messungen der Oberfl?chentemperatur mit Hilfe von KI-Tools und bodengebundenen Messungen zu erh?hen?
• Ist KI dazu in der Lage, Grünfl?chen im st?dtischen Bereich zu erkennen und zu charakterisieren?
• K?nnen 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 r?umlichen Aufl?sung der Satellitendaten gel?st werden. Hierzu sollen Deep-Learning-Methoden entwickelt bzw. neuronale Netze trainiert werden, um eine r?umliche Disaggregation der Daten zu realisieren. Zum Training und zur Validierung sollen die in iCity bereits vorliegenden Sensordaten genutzt werden. Anhand der beiden Anwendungsf?lle ?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 Gro?raumes Stuttgart: Landsat (thermisches Band) und Sentinel-2 (B?nder B, G, R, NIR) und Aufbereitung der Daten
• Training und Evaluation Neuronaler Netzwerke zur Disaggregation von Oberfl?chentemperaturdaten (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