# Satellitenbilder mit KI auswerten: Bildanalyse und GeoAI KI macht aus Satellitenbildern Informationen: Ein Modell lernt an gelabelten Beispielen, wie ein Objekt, eine Landbedeckungsart oder eine Veränderung aussieht, und findet solche Muster dann automatisch in großen Gebieten. Typische Aufgaben sind Objektzählung, Klassifizierung der Landbedeckung und Veränderungserkennung. Modelle brauchen Beispiele, die zu Ihrer Region und Ihrem Sensor passen, und ihre Ergebnisse müssen geprüft werden. ## So funktioniert es Ein Satellitenbild ist ein Raster aus Messwerten. KI-Modelle lernen an gelabelten Beispielen, welche Muster in diesem Raster für ein Gebäude, ein Schiff, ein Feld oder eine Kahlfläche stehen. Satelliten bieten heute einen einheitlichen, globalen Blick auf Wälder, Ozeane und wachsende Städte. Ohne Verarbeitungsketten, die Pixelwerte in Informationen für Entscheider:innen übersetzen, haben die Bilder jedoch wenig Wert. Maschinelles Lernen, insbesondere Deep Learning, ist zunehmend Teil dieser Ketten [1]. Die Modelle lösen einige wiederkehrende Aufgaben: ### Objekte erkennen und zählen Weil täglich große Mengen an Bildern aufgenommen werden, sind die automatische Erkennung und Segmentierung von Objekten in der Erdbeobachtung ein ständiger Bedarf [2]. Ein Beispiel: Das Framework DeepSolar nutzte Deep Learning, um in Satellitenbildern Solaranlagen in den 48 zusammenhängenden Bundesstaaten der USA zu lokalisieren und ihre Größe zu schätzen [3]. Wie sich das für die Solarenergie nutzen lässt, beschreibt der Anwendungsfall [Dachflächen für Photovoltaik finden](https://leto.space/de/anwendungsfaelle/solarpotenzial-daecher/). ### Klassifizierung Das Modell ordnet jedes Pixel oder jede Fläche einer Klasse zu, etwa Wald, Wasser, Ackerland oder versiegelter Boden. ### Veränderungserkennung Das Modell vergleicht Bilder verschiedener Zeitpunkte und markiert, was sich verändert hat, zum Beispiel neue Gebäude oder gerodeten Wald. ### Foundation Models Diese Modelle werden mit selbstüberwachtem Lernen auf großen Datensätzen vortrainiert und anschließend per Fine-Tuning auf eine bestimmte Aufgabe abgestimmt. Ein Beispiel ist Prithvi, 2023 von NASA und IBM frei veröffentlicht und mit Bildern aus Harmonized Landsat and Sentinel-2 trainiert. Das Modell wurde bereits für die Kartierung von Überschwemmungen und die Erkennung von Brandflächen eingesetzt [4]. **Abbildung:** Drei Aufgaben an derselben Szene: Die Objekterkennung findet und zählt Objekte, die Klassifizierung ordnet jeden Bereich einer Klasse zu, und die Veränderungserkennung vergleicht zwei Aufnahmen. Ein Foundation Model wird auf großen Datensätzen vortrainiert, per Fine-Tuning mit Beispielen Ihrer Aufgabe abgestimmt und dann in Ihrer Region getestet. Schematische Szene. KI läuft auch an Bord von Satelliten. Das 2020 gestartete ESA-Experiment Φsat-1 hat als erstes gezeigt, dass sich KI auf diese Weise für die Erdbeobachtung nutzen lässt: Es filterte unbrauchbare Bilder bereits im Orbit aus, sodass nur verwertbare Daten zur Erde gesendet wurden [5]. ## Welche Daten für welche Aufgabe | Aufgabe | Beantwortete Frage | Typische Bilddaten | | ----------------------------------- | --------------------------------------------------------------- | ----------------------------------------------------------------------------- | | Objekte erkennen und zählen | Wo sind die Objekte, und wie viele gibt es? | Optische Bilder mit sehr hoher Auflösung, zum Beispiel Pléiades Neo mit 30 cm | | Klassifizierung | Was bedeckt den Boden in jedem Bereich? | Optische Bilder wie Sentinel-2 mit 10 m | | Veränderungserkennung | Was hat sich zwischen zwei Zeitpunkten verändert? | Zeitreihen desselben Sensors | | Fine-Tuning eines Foundation Models | Lässt sich ein vortrainiertes Modell an meine Aufgabe anpassen? | Bilddaten, die den Trainingsdaten des Modells ähneln | Welche Objekte ein Modell finden kann, hängt von der Pixelgröße ab. Sentinel-2 erfasst seine feinsten Kanäle mit 10 m [6]. Das reicht für Felder und Waldbestände, aber nicht für Autos oder kleine Bauwerke. Pléiades Neo nimmt panchromatische Bilder mit 30 cm auf [7]. ## Was Sie erhalten - **Listen erkannter Objekte** mit Position und Anzahl, je Standort und Datum [2]. - **Klassifizierte Karten**, zum Beispiel von überschwemmten Flächen oder Brandflächen [4]. - **Hinweise auf Veränderungen**, die zu den Orten führen, an denen etwas Neues entstanden oder verschwunden ist. - **Informationen statt Pixelwerten**, erzeugt von einer Verarbeitungskette, die mit jedem neuen Bild laufen kann [1]. ## Grenzen **Grenzen** - **Die Trainingsdaten müssen passen:** Objekte sehen je nach Region anders aus, ebenso in Bildern unterschiedlicher Sensoren, optisch oder Radar, und unterschiedlicher Plattformen. Fehlende oder knappe Labels sind eine bekannte Grenze von Deep Learning in der Erdbeobachtung \[2]. Ein Modell, das anderswo trainiert wurde, muss an Ihrer Region und Ihren Bilddaten getestet werden. - **Pixelgröße:** Was die Bilddaten nicht auflösen, kann auch ein Modell nicht finden. Gleichen Sie die Pixelgröße mit dem kleinsten Objekt ab, das Sie erkennen müssen, bevor Sie Bilddaten und Modell wählen. - **Ergebnisse brauchen eine Prüfung:** Jedes Modell macht Fehler. Bevor ein Ergebnis in eine Entscheidung einfließt, gleichen Sie es mit Referenzdaten ab, denen Sie vertrauen, und prüfen Sie auch im laufenden Betrieb weiterhin Stichproben. ## So unterstützen wir Sie Ob ein fertiger Dienst, eine Plattform oder ein eigenes Modell passt, hängt von Ihrer Frage ab. In einem [Strategieprojekt](https://leto.space/de/beratung/strategie/) klären wir, welche Frage das Modell beantworten muss, wie genau es sein muss und welche Bilddaten es braucht. Anschließend formulieren wir die Anforderungen für die Auswahl eines Anbieters. Spacegraph, unsere Discovery-Plattform, hat Marktplatzkategorien für Objekterkennung und -zählung sowie für Veränderungserkennung. Für Teams, die eigene Kompetenzen aufbauen möchten, bietet die LETO Academy den Kurs [„GeoAI: Deep Learning für die Erdbeobachtung“](https://academy.leto.space/de/courses/geoai-earth-observation) an, für Fortgeschrittene, nur auf Einladung und mit Übungen in Python. [LETO Academy](https://academy.leto.space): Unsere Selbstlernkurse zu KI, digitalen Kompetenzen und weltraumgestützten Lösungen auf Deutsch und Englisch, teils frei zugänglich, teils nur auf Einladung. [Kompetenzen und Workshops](https://leto.space/de/beratung/workshops/) ## Verwandte Anwendungsfälle - [Globale Lagerflächen analysieren](https://leto.space/de/anwendungsfaelle/lagerflaechen-analyse/): Die Aktivität auf Lagerflächen als Grundlage für die Planung von Lieferketten. - [Landnutzung und Siedlungsentwicklung verfolgen](https://leto.space/de/anwendungsfaelle/landnutzung/): Veränderungserkennung, angewandt auf Flächenverbrauch und Versiegelung. - [Waldzustand und Entwaldung überwachen](https://leto.space/de/anwendungsfaelle/waldmonitoring/): Warnmeldungen zu Kahlflächen und geschwächten Waldbeständen. ## Häufige Fragen ### Was ist GeoAI? GeoAI bezeichnet die Anwendung von maschinellem Lernen auf Geodaten wie Satelliten- und Luftbildern. Satellitendaten haben wenig Wert ohne Verarbeitungsketten, die Pixelwerte in Informationen für Entscheider:innen übersetzen. Maschinelles Lernen, insbesondere Deep Learning, ist zunehmend Teil dieser Ketten [1]. ### Müssen wir ein eigenes Modell trainieren? Nicht immer. Foundation Models wie Prithvi, 2023 von NASA und IBM frei veröffentlicht, sind auf großen Datensätzen vortrainiert und lassen sich anschließend per Fine-Tuning auf eine bestimmte Aufgabe abstimmen [4]. Auch das Fine-Tuning braucht Beispiele für Ihre Aufgabe, und das Ergebnis muss in Ihrer Region getestet werden. ### Wie starten wir ein Pilotprojekt mit KI für Satellitenbilder? Legen Sie eine Frage fest, die das Modell beantworten soll, etwa wie viele Objekte eines Typs auf einer Reihe von Standorten stehen, und stellen Sie eine Sammlung von Beispielen zusammen, denen Sie vertrauen, um die Ergebnisse zu prüfen. Vergleichen Sie dann einen bestehenden Dienst mit einem Modell, das an Ihre Daten angepasst ist. ## Quellen 1. [Artificial Intelligence to Advance Earth Observation: A review of models, recent trends, and pathways forward (Tuia, Schindler, Demir, Zhu et al.), IEEE Geoscience and Remote Sensing Magazine, 2024-09-09](https://doi.org/10.1109/MGRS.2024.3425961) 2. [Remote Sensing Object Detection in the Deep Learning Era: A Review (Gui, Song, Qin and Tang, Remote Sensing 16, 327), Remote Sensing (MDPI), 2024-01-12](https://doi.org/10.3390/rs16020327) 3. [DeepSolar: A Machine Learning Framework to Efficiently Construct a Solar Deployment Database in the United States (Yu et al., Joule 2, 2605 to 2617), Joule, 2018-12-19](https://doi.org/10.1016/j.joule.2018.11.021) 4. [IBM Research and NASA IMPACT release open-source geospatial foundation model on Hugging Face, NASA Earthdata, 2023-08-03](https://www.earthdata.nasa.gov/news/blog/ibm-research-nasa-impact-release-open-source-geospatial-foundation-model-hugging-face) 5. [Φsat (mission page), European Space Agency (ESA), abgerufen am 2026-10-08](https://www.esa.int/Applications/Observing_the_Earth/FutureEO/Phsat) 6. [Sentinel-2 mission, European Space Agency (ESA), SentiWiki, abgerufen am 2026-10-06](https://sentiwiki.copernicus.eu/web/s2-mission) 7. [Pléiades Neo, European Space Agency (ESA), Earth Online, abgerufen am 2026-10-06](https://earth.esa.int/eogateway/missions/pleiades-neo) Seite: