Ziel des Vorhabens ist die Entwicklung einer Methodik zur semantischen 3D-Rekonstruktion urbaner Szenen aus SAR- und optischen Fernerkundungsdaten. Diese setzt sich zusammen aus modernen Ansätzen des maschinellen Lernens und der Multi-Sensor-Datenfusion. Konkret soll ein Verfahren entwickelt werden, dass Multi-Task-Learning für eine simultane Schätzung von Landbedeckung und städtischer Topographie aus einzelnen Satellitenbildern mit einer klassischen SAR-optischen Stereo-Rekonstruktion in iterativer Weise kombiniert. Dieses iterative Vorgehen hat mehrere Vorteile: Zum einen wird die aus Einzelbildern der beiden Sensormodalitäten rekonstruierte Topographie mittels präziser Stereomessungen regularisiert, zum anderen werden die Sensor-spezifischen Höhenkarten durch die Stereozuordnung präzise zueinander koregistriert und georeferenziert. Die Kombination von SAR- und optischen Daten hat weiterhin den Vorteil, dass bei urbanen Strukturen sowohl vertikale als auch horizontale Flächen kartiert werden können, so dass eine echte semantische 3D-Repräsentation des städtischen Zielgebiets entsteht. Die Übertragbarkeit der im
Rahmen des Vorhabens entwickelten Ansätze wird anhand ausgewählter Studiengebiete und Datensätze experimentell evaluiert werden. Es wird erwartet, dass das Vorhaben Beiträge zu einer flexibleren Nutzung von Multi-Sensor-Satellitendaten zur ganzheitlichen Analyse urbaner Gebiete liefert.