Maritimes Lagebild: Dark Vessels, AIS-Spoofing und Schattenflotte erkennen

Schiffe schalten ihr Automatic Identification System (AIS) ab oder fälschen es, um Sanktionsumgehung, illegale Fischerei oder das Verweilen in der Nähe von Kabeln zu verbergen. KI macht aus Bahndaten Verhaltensanomalien und gleicht sie mit Radar- und optischen Satellitendetektionen ab, sodass Analysten sehen, welche Schiffe anwesend, aber stumm sind. Das Ergebnis ist eine nach Rang geordnete, belegte Beobachtungsliste statt manuellen Kartenlesens.

Problem & Nutzen

• Heute: Behörden und Compliance-Teams beobachten AIS-Lagebilder und Listen der Hafenstaatkontrolle. AIS wird vom Schiff selbst gemeldet und kann abgeschaltet, gefälscht (falsche Positionen, kopierte Identitäten) oder in der Nähe von Transferzonen unterbrochen werden. Die Abdeckung durch Satelliten-AIS ist lückenhaft, und die manuelle Prüfung tausender Lücken ist nicht machbar.
• KI-Nutzen: Gelernte Bahnmodelle trennen gewöhnliche Lücken (schlechte Abdeckung, Gerätefehler) von verdächtigen; die Schiffserkennung auf SAR-Bildern findet Schiffe ohne AIS-Treffer; Graphanalysen verknüpfen Identitätswechsel, Eigentümer und Flaggenwechsel.
• Warum jetzt: Im Januar 2026 warnten vierzehn europäische Küstenstaaten, dass Tanker ohne gültige Flagge und Dokumente als staatenlos behandelt und beschlagnahmt werden können, und verknüpften das Problem ausdrücklich mit Sanktionsumgehung [9]. Eine Auswertung von Daten von Global Fishing Watch ergab, dass AIS-Ausfälle in der Ostsee von einigen hundert im Jahr 2022 auf mehrere tausend pro Jahr stiegen, wobei Schiffe, die Russland zugeordnet werden, deutlich häufiger lange Lücken aufwiesen als europäische [2]. Kommerzielle Anbieter ergänzen inzwischen optische Konstellationen, um Schiffe unabhängig von AIS zu erkennen [3].
• Eine verlässliche öffentliche Zahl zur Erkennungspräzision über Anbieter hinweg gibt es nicht; vergleichen Sie immer in Ihrem eigenen Gebiet und Zeitraum.

Varianten

• Öffentliche Stelle (Küstenwache, Marine, Fischereikontrolle): arbeitet innerhalb der nationalen/EU-Seeüberwachung; die integrierten Dienste der EMSA (SafeSeaNet AIS, CleanSeaNet Satellitenradar) und die gemeinsame EU-Umgebung für den Informationsaustausch (CISE) tauschen Daten zwischen Behörden aus [4].
• Sanktions-Compliance (Banken, Händler, Rohstoffeinkäufer, P&I-Clubs): Gegenparteien und Frachtschiffe prüfen; Überschneidung mit ANOM-016.
• Seeversicherer und Charterer: Zeichnung von Rumpf- und Ladungsrisiken, Prüfung von Reisen.
• Überwachung illegaler, nicht gemeldeter Fischerei (IUU): Analyse von Fischereiaufwand und Lücken, z. B. Global Fishing Watch.
• Schutz kritischer Unterwasserinfrastruktur: Risiko durch Verweilen und Ankerschleppen in der Nähe von Kabeln und Pipelines (Ostsee, Nordsee), Betreiber und Behörden.
• Verbindung zu GNSS-Störungen: Das Fälschen von Positionsbestimmungen wird in ANOM-038 behandelt; hier liegt der Schwerpunkt auf dem gemeldeten Kurs des Schiffs.

So funktioniert es

1. AIS (terrestrisch + Satellit) ──► Bereinigung, Deduplizierung, Spurbildung SAR / optische / RF-Detektionen ──► Schiffserkennung (CNN/Transformer) ──┐ ▼ Zuordnung: Detektion ↔ AIS-Spur (probabilistischer Abgleich) ▼ Verhaltensmerkmale: Lücken, Geschwindigkeits-/Kurssprünge, unmögliche Positionen, Verweilen, Begegnungen (STS), Hafenanläufe und Tiefgangänderungen, Identitätswechsel (MMSI/IMO/Name) ▼ Anomaliemodelle (Isolation Forest / Autoencoder / Sequenzmodelle) + Regeln + Graph-Risiko ▼ Risikowert
2. Prüfung durch Analysten (Karte + Belege)
3. Beauftragung (Tip-and-Cue, neue Bilder)
4. Fall / Bericht

• Erkennung: Objektdetektoren auf Sentinel-1-SAR (klassische Detektoren mit konstanter Falschalarmrate, heute Deep-Learning-Modelle) markieren Schiffe; solche ohne AIS-Signal in einem Zeit-/Raumfenster sind „dunkel“ (dark).
• Spoofing-Erkennung: physikalische Prüfungen (Geschwindigkeit über Grund gegenüber Positionsänderung), Abgleich mit der Empfängergeometrie und mit unabhängiger RF-Geolokalisierung, doppelte MMSI an zwei Orten.
• Entitätsauflösung (Entity Resolution): Graph- und Embedding-Verfahren verknüpfen Schiffe, die umbenannt, umgeflaggt wurden oder die Identität eines anderen Schiffs verwenden.
• Tip-and-Cue: Anomalien lösen die Beauftragung höher aufgelöster Bilder aus.
• Rolle des LLM: Belege zusammenfassen, Recherchen in negativen Medienberichten und Registern, Berichte entwerfen; niemals der Detektor.
• Mensch-in-der-Schleife (Human-in-the-Loop): Analysten bestätigen jeden Fall; jede Durchsetzung (Entern, Listung, Versagen des Versicherungsschutzes) ist eine menschliche Entscheidung.

Datenaufbereitung

Die Daten umfassen terrestrische und Satelliten-AIS-Positionen, Schiffsregister und Eigentümerdatenbanken, Hafenanlauf- und Sanktionslisten, Satellitenbilder oder SAR-Detektionen sowie Wetter- und Routendaten. In einem Unternehmen kommen sie als Anbieter-Feeds oder API-Abonnements, in Compliance-Tabellen und in KYC- oder Zeichnungsakten an; Behörden ergänzen Radar- und Nachrichtenquellen.

Typische Lücken: AIS-Lücken durch Abdeckungsgrenzen statt durch Absicht, gefälschte oder doppelte Kennungen (MMSI, IMO), uneinheitliche Schiffsnamen und Eigentümerketten, nicht gelabelte historische Fälle und Lizenzgrenzen für die Weitergabe von Anbieterdaten. Zugriffsrechte für sensible Quellen müssen klar sein.

Schritte der Aufbereitung: Feeds und Lizenzen inventarisieren (PREP-001, PREP-005), Schiffsidentitäten deduplizieren und auflösen, Compliance-Tabellen in saubere, tabellarische Strukturen umwandeln (PREP-011), Fallkategorien wie Lücke, Spoofing und Ship-to-Ship-Transfer festlegen (PREP-019), Labels aus früheren Untersuchungen gewinnen (PREP-020) und mit Analysten Bewertungsmengen aufbauen (PREP-018). Werkzeuge: Python, Geodatenbanken wie PostGIS, Bibliotheken zur Entitätsauflösung.

Grober Anteil am Aufwand: etwa 50 Prozent, dominiert von Entitätsauflösung und Lizenzfragen. Siehe auch DATA-003 und GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• Großunternehmen (Versicherer, Reedereien und Handelshäuser): Weg A, weil ausgereifte Produkte der maritimen Aufklärung mit globalen AIS- und Satellitendaten existieren und der Datenstrom nicht günstig nachgebaut werden kann.
• Öffentliche Hand (Küstenwachen, Behörden, Ministerien): Weg B in einer souveränen EU- oder deutschen Cloud, die lizenzierte AIS-Feeds mit eigener Analytik kombiniert, während eingestufte oder beschränkte Daten in kontrollierten Umgebungen bleiben.
• Entwickler: Weg C, da Open-Source-Werkzeuge für Geodaten und Graphen sowie lizenzierte oder öffentliche AIS-Daten den Bau eigener Detektoren erlauben, wobei im großen Maßstab HW3 nötig ist.

Weg A — Kaufen (Standardsoftware)

• Plattformen für maritime Analytik: Windward (Maritime AI), Kpler (MarineTraffic, mit optischer Detektion von Airbus [3]), Spire Maritime, S&P Global Sea-web, Lloyd's List Intelligence, Pole Star (UK), Orbital EOS und Unseenlabs (Frankreich, RF-Detektion; EU), ICEYE und Capella (SAR-Daten), Airbus und Planet (optisch), HawkEye 360 (RF-Geolokalisierung), Starboard Maritime Intelligence. EU-Behörden erhalten EMSA-Dienste in der Regel kostenfrei [4].
• A wählen, wenn: Sie ein Compliance-, Versicherungs- oder Behördenteam ohne Ingenieure für Fernerkundung sind; prüfen Sie Datenlizenz, Gebietsabdeckung, Export von Belegen und DSGVO-Bedingungen (siehe unten).

Weg B — Auf Cloud-KI-Diensten aufbauen

• Daten-APIs: Global Fishing Watch APIs (Ereignisse: Lücken, Begegnungen, Verweilen, Hafenbesuche; Schiffsidentität) für nichtkommerzielle Nutzung [5]; Copernicus Data Space für Sentinel-1/2 (EU); kommerzielle AIS-/SAR-APIs der oben genannten Anbieter.
• Rechenleistung: Cloud in EU-Regionen für Anomalie-Pipelines; LLMs (Claude, Mistral, GPT, Gemini) für Analysten-Copiloten und Berichtsentwürfe mit strukturierten Ausgaben.
• B wählen, wenn: Sie Dateningenieure haben und eigene Regeln oder die Integration in das interne Fallmanagement brauchen.

Weg C — Selbst betreiben (Open Source)

• Stack: Apache Kafka/Flink oder Spark für AIS-Datenströme, PostGIS oder Apache Sedona, DuckDB/Parquet; scikit-learn/PyOD für Anomaliemodelle, PyTorch für Sequenzmodelle; SNAP/ESA-Toolboxen und Sentinel-1-Daten für SAR; Neo4j oder Memgraph für Eigentümergraphen.
• Erkennungsmodelle: offene Lösungen aus der xView3-Challenge zur maritimen Detektion (SAR, Schwerpunkt Dark Vessels) [6] und offene Objektdetektoren (YOLO-Familie, DETR), auf SAR feingetunt; offene Daten von Global Fishing Watch.
• Hardware: HW3 für die Inferenz auf SAR-Szenen und für Sequenzmodelle; HW1 für reine AIS-Regeln.
• Aufwand: ein Spezialistenteam über mehrere Monate.

Weg D — Eigenes Training

Lohnt sich für Behörden mit eigenen gelabelten Detektionen und bestätigten Vorfällen: SAR-Schiffsdetektoren je Sensor feintunen, Bahn-Sequenzmodelle je Seegebiet trainieren. Nötig sind tausende verifizierte Ereignisse; Labels sind knapp, daher sind halbüberwachtes Lernen und Augmentierung durch synthetisches Spoofing üblich.

Stand der Technik (2026)

• Multisensor-Fusion (AIS + SAR + optisch + RF) ist der Standardansatz; der xView3-Benchmark zeigte, dass Deep-Learning-Modelle Dark Vessels in SAR im großen Maßstab erkennen [6].
• Foundation Models für Bahndaten und selbstüberwachte Sequenzmodelle verbessern die Klassifikation von Lücken und Spoofing gegenüber rein regelbasierten Ansätzen.
• Kommerzielle Konstellationen (SAR und optisch unter 2 m Auflösung) verkürzen die Wiederholzeiten; Tip-and-Cue ist bei führenden Anbietern im Einsatz [3].
• Grenzen: SAR hat Probleme mit kleinen oder hölzernen Schiffen, rauer See und Küstenstörungen (Clutter); Lücken zwischen Überflügen bedeuten, dass ein Schiff zwischen zwei Überflügen durchschlüpfen kann; legitime AIS-Lücken sind häufig (Lücken in der Satellitenabdeckung, Gerätefehler, Sicherheitsgründe); regionale GNSS-Störungen erzeugen falsche Spoofing-Warnungen; gelabelte Referenzdaten (Ground Truth) sind knapp, daher sind berichtete Genauigkeiten schwer vergleichbar. Risikowerte sind als Hinweise zu behandeln, nicht als Beweis.

Gemeinsame Bausteine & Kombinationen

• Bildpipeline: teilt Stacks für Fernerkundung und Detektion mit VIS-021 und VIS-051 (Bereitstellung der Inferenz auf HW3).
• Anomalie-Werkzeugkasten: Zeitreihen-/Bahnmodelle werden mit ANOM-005 und ANOM-011 geteilt.
• Kombinieren mit: ANOM-016 (Sanktions- und Eigentümerprüfung markierter Schiffe), ANOM-038 (GNSS-Spoofing als Störfaktor), ANOM-011 (Risiko bei Lieferanten und in der Logistik), Graphanalysen für Eigentümernetzwerke.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis zur Einrichtung; Abopreise abhängig von Gebiet, Datenfeeds und Nutzerplätzen.
• Weg B: 3–6 Monate; Kosten getrieben von Lizenzen für Satellitendaten und Speicher.
• Weg C/D: 6–12+ Monate mit Spezialisten; der Bilderwerb dominiert die Kosten.
• Kennzahlen: Präzision der von Analysten bestätigten Warnungen, Anteil geklärter Dark-Detektionen, Zeit von der Lücke bis zur Warnung, Abdeckung/Wiederholzeit der Beobachtungsgebiete, Fehlalarmrate je Analystenstunde, Anzahl der Fälle, die zu Maßnahmen führen.

Menschen & Veränderung

Beziehen Sie die Geschäftsleitung für Risikobereitschaft und Sanktionspolitik ein, die Leitung von Compliance oder Betrieb als Verantwortliche, Analysten als Endanwender, IT und IT-Sicherheit für Feeds und beschränkte Umgebungen, Recht und Compliance für Sanktionsrecht, Vertrags- und Haftungsfragen sowie Datenanbieter (Lieferanten) für Lizenzen. Die Datenschutzbeauftragte bzw. der Datenschutzbeauftragte wird benötigt, wenn Besatzungs- oder Eigentümerdaten verarbeitet werden; Schiffsbahnen allein sind in der Regel keine personenbezogenen Daten, natürliche Personen als Eigentümer und Besatzungen aber schon, daher sind die Rechtsgrundlage zu prüfen und ein AVV (Art. 28 DSGVO) zu schließen.

Betriebsrat: im Regelfall nein, da das System Schiffe analysiert und nicht das Verhalten von Beschäftigten. Wird die Arbeit der Analysten einzeln protokolliert und bewertet, würde §87 Abs. 1 Nr. 6 BetrVG gelten, und §90 Abs. 1 Nr. 3 verlangt weiterhin rechtzeitige Unterrichtung, wo sich Arbeitsabläufe ändern. Behörden beteiligen gegebenenfalls den Personalrat.

Bedenken: Fehlalarme können zu ungerechtfertigten Beschuldigungen, blockierter Ladung oder Rufschäden führen. Ein markiertes Schiff ist ein Hinweis, kein Beweis: Analysten prüfen die Belege, dokumentieren Entscheidungen, und nur befugte Beschäftigte handeln. Starten Sie mit einem Pilotprojekt für eine Handelsroute oder ein Analystenteam. Fördern Sie die KI-Kompetenz (Art. 4 KI-Verordnung) zu Lücken im Vergleich zu Spoofing. Siehe GUIDE-008, GUIDE-009 und GUIDE-014.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Einstufung hängt vom Anwender ab. Die rein kommerzielle Prüfung von Schiffen ist in der Regel minimales Risiko. Der Einsatz durch Strafverfolgungs- oder Grenzkontrollbehörden kann unter die Hochrisikokategorien nach Anhang III fallen (z. B. Migrations-/Grenzmanagement, Strafverfolgung) mit den Betreiberpflichten nach Art. 26; KI-Systeme für militärische, Verteidigungs- und nationale Sicherheitszwecke sind vom Anwendungsbereich ausgenommen (Art. 2 Abs. 3) [7]. Auf die Analyse des Schiffsverhaltens trifft kein Verbot nach Art. 5 zu, doch dehnen Sie das System nicht auf biometrische Identifizierung der Besatzung oder auf Profiling von Personen im Stil eines Social Scorings aus, das Art. 5 einschränkt oder verbietet.
• DSGVO: Schiffsdaten sind überwiegend nicht personenbezogen, doch Namen von Eigentümern, Kapitänen und Besatzung, Einzelunternehmer als Eigentümer und die MMSI von Sportbooten können Personen identifizieren; wenden Sie Zweckbindung und Datenminimierung an sowie eine DSFA, wo Einzelpersonen profiliert werden. Der Einsatz durch Behörden kann unter die Richtlinie zur Strafverfolgung (EU) 2016/680 fallen.
• Sanktionsrecht: Listungsentscheidungen beruhen auf rechtlichen Verfahren, nicht auf Modellwerten; Fehlalarme können unschuldigen Betreibern schaden (zu Unrecht verweigerte Leistung).
• Dual Use/Exportkontrolle: Hochauflösende Bilder und RF-Daten können Export- oder Lizenzkontrollen unterliegen; beachten Sie die Lizenzbedingungen.
• Gegenmaßnahmen: menschliche Prüfung, Beweisprotokolle, dokumentierte Schwellenwerte, Prüfungen auf Verzerrung nach Flagge/Region, Red-Team-Tests gegen gezieltes Spoofing, keine operativen Einsatzdetails in weitergegebenen Berichten.

Erste Schritte

1. Das Interessengebiet, die Entscheidung (Screening, Hinweis für die Durchsetzung, Zeichnung) und die akzeptable Fehlalarmrate festlegen.
2. Zwei Anbieter von Weg A für einen historischen Zeitraum mit bekannten Vorfällen (z. B. einen Ostsee-Korridor) pilotieren und die Präzision vergleichen.
3. Mit offenen Daten einen Prototyp bauen: Lückenereignisse von Global Fishing Watch plus Sentinel-1-Szenen [5].
4. Entitätsauflösung und Sanktions-Screening ergänzen (ANOM-016); Analystenablauf und Format der Belege festlegen.
5. Vor dem Produktivstart eine DSFA durchführen und für Behörden eine Prüfung der Einstufung nach der KI-Verordnung.

Quellen

1. heise online — Russian shadow fleet: AIS manipulation has doubled — https://www.heise.de/en/news/Russian-shadow-fleet-AIS-manipulation-has-doubled-11109330.html
2. Aalto University Waterways project note on AIS failures in the Baltic — https://waterways-stn.aalto.fi/?p=6098
3. gCaptain — Kpler expands dark fleet tracking with Airbus satellite deal — https://gcaptain.com/kpler-expands-dark-fleet-tracking-with-airbus-satellite-deal/
4. EMSA — maritime services FAQ (SafeSeaNet, CleanSeaNet, CISE) — https://www.emsa.europa.eu/csn-menu/csn-faq/172.html?start=20
5. Global Fishing Watch — APIs and data — https://globalfishingwatch.org/our-apis/
6. xView3 — dark vessel detection challenge — https://iuu.xview.us/
7. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
8. ESA Safer Maritime Services — https://business.esa.int/projects/sms
9. gCaptain — European nations issue warning to Russia-linked shadow fleet (joint statement of 14 states, 26 Jan 2026) — https://gcaptain.com/european-nations-issue-warning-to-russia-linked-shadow-fleet/