KI prognostiziert Schäden aus lückenhaften Satellitendaten

Ein Forscherteam um Professor In Ho Cho von der Seoul National University hat ein neuartiges KI-Verfahren entwickelt, das die Abschätzung von Stadtschäden nach Natur- und Katastrophenfällen erheblich beschleunigt. Die Studie, veröffentlicht in Scientific Reports, kombiniert ingenieurwissenschaftliches Fachwissen mit datenwissenschaftlichen Ansätzen, um strukturelle Zerstörung selbst aus unvollständigen Satellitenbildern rasch zu berechnen. Angesichts zunehmender Klimarisiken und komplexer Infrastrukturen ist eine sofortige Schadenslagebeurteilung für Rettungseinsätze und Wiederaufbauplanungen entscheidend. Herkömmliche KI-Modelle scheitern oft an fehlenden Trainingsdaten und starkem Rechenaufwand, besonders wenn Satellitenaufnahmen unmittelbar nach Ereignissen durch Wolken, Rauch oder Niederschlag verdeckt sind. Das neue Framework umgeht diese Hürden, indem es sogenanntes Scientific AI mit einer statistischen Imputationsmethode verbindet. Anstatt auf aufwendiges Modelltraining zu setzen, analysiert das System vor- und nachgelagerte Satellitendaten gemeinsam mit offenen Geodaten. Ein zentrales Element ist die Bildentropie, die Unordnung oder strukturelle Veränderungen in der Umwelt quantifiziert. Durch statistische Rekonstruktion fehlender Pixelabschnitte lassen sich Lücken in den Aufnahmen schließen, ohne dass Daten pauschal ersetzt oder verworfen werden. Die Validierung an verschiedenen Katastrophenszenarien, darunter ein schwerer Taifun und ein Flächenbrand, belegt die Effizienz des Ansatzes. Selbst bei einer Abdeckung von mehr als fünfzig Prozent der Aufnahmen durch Wolken oder Rauch lag die Abweichung bei der Schadensvorhersage für städtische Gebäude unter fünf Prozent. Da keine phasenweise Neustrukturierung der Trainingsdaten erforderlich ist, lässt sich das System unmittelbar nach Eintritt eines Ereignisses einsetzen. Dies beschleunigt die Priorisierung von Rettungskräften, Sicherheitsinspektionen und langfristigen Infrastrukturmanagementstrategien erheblich. Die Autoren betonen, dass die Integration physikalischer Modelle in algorithmische Prozessierungen nicht nur die Genauigkeit steigert, sondern auch Ressourcen spart. Professor Cho erwartet zudem Anwendungen jenseits von Katastrophenschutzszenarien, etwa bei der Zustandsbewertung alternder Bauwerke, der maschinenbildbasierten Leistungsdiagnose von Schiffen und Flugzeugen sowie in defensiven Analysekontexten. Die Zusammenarbeit umfasst neben der Seoul National University Forscher der Iowa State University und des U.S. Air Force Research Laboratory. Das entwickelte Framework markiert einen Schritt hin zu resilienteren, datengestützten Entscheidungsprozessen im urbanen Raum und demonstriert, wie Ingenieurwissenschaften und moderne KI-Landschaften synergetisch für kritische Infrastrukturfragen nutzbar gemacht werden können.