DLR Portal
Home|Sitemap|Kontakt|Barrierefreiheit Impressum und Nutzungsbedingungen Datenschutz Cookies & Tracking |English
Sie sind hier: Home:IMF:Abteilung: EO Data Science:Team: Big Data Analytics
Erweiterte Suche
Earth Observation Center
DFD
IMF
Abteilung: Atmosphären-Prozessoren
Abteilung: EO Data Science
Team: Big Data Analytics
Team: Visual Learning and Reasoning
Abteilung: Experimentelle Verfahren
Abteilung: Photogrammetrie und Bildanalyse
Abteilung: SAR-Signalverarbeitung
Services
Technologie
Anwendungen und Projekte
Satellitendaten
Mediathek
News / Archiv
Blogs + Features
Drucken

Team: Big Data Analytics



Das überwiegend forschungsorientierte Team beschäftigt sich mit der Entwicklung neuer Algorithmen zur verbesserten Informationsgewinnung aus Fernerkundungsdaten aktueller, sowie zukünftiger Erdbeobachtungsmissionen. Zu den Zielmissionen gehören insbesondere TerraSAR-X, TanDEM-X, die mögliche Nachfolgemission von TerraSAR-X, Tandem-L und EnMAP.

Derzeit arbeitet das Team an folgenden Themen:

Sparse Earth Observation

Dünnbesetzte (engl. „sparse“) Signale treten in vielen Bereichen der Fernerkundung auf. Die Eigenschaft „Sparsity“ lässt sich beispielsweise nutzen, um eine höhere Auflösung oder die gleiche Auflösung bei weniger Abtastwerten zu gewinnen, als vom klassischen Nyquist-Shannon-Abtasttheorem verlangt. Dabei lässt sich auf Theoreme und Algorithmen der in der Mathematik derzeit intensiv bearbeiteten Theorie des Compressive Sensing zurückgreifen.

Zu den im Team behandelten Anwendungsgebieten dieser Theorie gehören

  • SAR-Tomographie,
  • Bildfusion und
  • Verarbeitung hyperspektraler Daten.

Im Bereich der SAR-Tomographie konnte durch die a priori gemachte Annahme über dünnbesetzte Informationen in den Daten bereits eine Auflösungsverbesserung um den Faktor 25 erzielt werden. Ein Ergebnis dieser Arbeit ist die in Abb. 1 dargestellte Punktwolke von Berlin, welche durch die Anwendung von tomographischer SAR-Rekonstruktion auf einen hochaufgelösten TerraSAR-X Spotlight Bildstapel berechnet wurde. Mehr Informationen zu diesem Thema, sowie weitere Anwendungsbeispiele und Publikationen finden Sie auf unserer Sparse-EO-Website (siehe Link rechts).

Abb. 1: Punktwolke berechnet aus TomoSAR Rekonstruktion von TerraSAR-X Bildstapeln von Berlin. Farbkodierung bezieht sich auf die Höhe.

Nichtlokale Filterkonzepte (Engl.: non-local filter concepts)

Rauschreduktion ist ein elementarer Bestandteil in der Verarbeitungskette von Erdbeobachtungsdaten. Die Umsetzung erfolgt in der Regel mit klassischen lokalen Filtern. Ein Beispiel für die Grenzen lokaler Filter ist die Verarbeitung von SAR und InSAR Daten durch Multi-Look-Verfahren, welche grundsätzlich eine Reduktion der räumlichen Auflösung mit sich bringen. Dieses und weitere Erdbeobachtungsprobleme motivieren die Verwendung nichtlokaler Filter, welche in natürlicher Weise die hohe Redundanz in bildhaften Fernerkundungsdaten nutzen.

Die Anwendungen des Teams umfassen

  • InSAR-Filterung und
  • Entrauschung hyperspektraler Daten.

Abb. 2 zeigt erste Ergebnisse der InSAR-Filterung. Gezeigt ist der Vergleich zwischen einem mittels nichtlokalen Filter erhaltenen digitalen Höhenmodell (DEM) mit einem Bodenrasterabstand von 6m und einem Standard 12m TanDEM-X DEM.

 Abb. 2a: TanDEM-X digitales Höhenmodell des Tagebaugebiets Hambach mit einem Bodenrasterabstand von 12m (Standardprodukt)   Abb. 2b: TanDEM-X digitales Höhenmodell des Tagebaugebiets Hambach mit einem Bodenrasterabstand von 6m (Ergebnis mit nichtlokalem Filter – sichtbar auch die starke Rauschreduktion)
Abb. 2a: TanDEM-X digitales Höhenmodell des Tagebaugebiets Hambach mit einem Bodenrasterabstand von 12m (Standardprodukt)
 
Abb. 2b: TanDEM-X digitales Höhenmodell des Tagebaugebiets Hambach mit einem Bodenrasterabstand von 6m (Ergebnis mit nichtlokalem Filter – sichtbar auch die starke Rauschreduktion)

Robuste Schätzer

In vielen Fernerkundungsverfahren treten systembedingt nichtmodellierte (z.B. nicht-normalverteilte) Störungen und eine nicht vernachlässigbare Anzahl von Ausreißern auf. Daher entwickelt und verwendet das Team robuste Schätzer in den Bereichen

  • Objektrekonstruktion aus SAR-Tomographie-Punktwolken,
  • Deformationsüberwachung nicht-urbaner Gebiete basierend auf interferometrischen SAR- Datenstapeln,
  • nichtlineare Entmischung hyperspektraler Daten und
  • Dimensionsreduktion hyperspektraler Daten.

Dargestellt in Abb. 3 ist ein aktives Vulkangebiet (Stromboli, Italien), welches sich geschätzt bis zu 20cm pro Jahr deformiert.

Abb. 3: Geschätzte lineare Langezeitdeformation des Vulkans Stromboli in Italien, farbkodiert in cm/Jahr

Neue und verbesserte Verfahren zur Gewinnung von Geoinformationen aus Erdbeobachtungsdaten haben zum Ziel, die wertvolle Satelliteninfrastruktur optimal zu nutzen und wichtige Beitrag zu liefern für

  • eine bessere Unterstützung kartographischer Applikationen,
  • Ressourcenmanagement,
  • zivile Sicherheit,
  • Katastrophenhilfe, sowie für
  • Planungs- und Entscheidungshilfen
  • neue Sensor- und Missionskonzepte

Kontakt
Anja Rösel
Deutsches Zentrum für Luft- und Raumfahrt e.V. (DLR)

Institut für Methodik der Fernerkundung
, EO Data Science
Weßling

Tel.: +49 8153 28-4330

Copyright © 2023 Deutsches Zentrum für Luft- und Raumfahrt e.V. (DLR). Alle Rechte vorbehalten.