Schnelle Gebäudeschadenskartierung nach Katastrophen aus Satelliten- und Drohnenbildern

Nach einem Erdbeben, einer Flut, einem Sturm oder einem Konflikt müssen Einsatzkräfte binnen Stunden wissen, welche Gebäude und Stadtteile am stärksten betroffen sind. Analysten vergleichen Bilder vor und nach dem Ereignis traditionell von Hand, was bei großen Gebieten Tage dauert. Deep-Learning- Veränderungserkennung bewertet jedes Gebäude vor und lässt menschliche Analysten die Karte prüfen, korrigieren und veröffentlichen. Das Ergebnis ist ein schnelleres, einheitlicheres erstes Lagebild; es ersetzt keine Überprüfung vor Ort.

Problem & Nutzen

• Heute: Der Rapid-Mapping-Dienst des EU-Krisenmanagementdienstes Copernicus (CEMS), UNOSAT und die Internationale Charta „Space and Major Disasters" beauftragen Satelliten; anschließend digitalisieren Analysten die Schäden von Hand und veröffentlichen Bewertungskarten, typischerweise Stunden bis Tage nach der Aktivierung [1][2][3]. Große Ereignisse (die Erdbeben in der Türkei und in Syrien 2023) übersteigen die manuelle Kapazität.
• KI-Nutzen: Triage sehr großer Gebiete, einheitliche Bewertung, schnelle Neuberechnung bei neuen Bildern und eine priorisierte Liste, wo Analysten zuerst hinschauen sollten. Versicherer nutzen dieselben Karten, um Schäden zu schätzen und Regulierer zu steuern (Portfolio-Exponierung gegenüber beschädigten Gebäuden).
• Benchmarks, keine Garantien: Der xBD-Datensatz (xView2-Wettbewerb) liefert Bilder vor/nach dem Ereignis mit Gebäudepolygonen und vier Schadensklassen über mehrere Katastrophenarten [4]. Modelle lokalisieren Gebäude gut; die mittleren Klassen (gering/schwer) bleiben am schwierigsten und am wenigsten verlässlich.

Varianten

• Katastrophenschutz / humanitär: Bewertungskarten im CEMS-Stil, UNOSAT-Produkte, Rotes Kreuz / HOT.
• Versicherung & Rückversicherung: Ereignisfläche mit dem Portfolio verschneiden, parametrische Auslöser, Einsatz von Regulierern (siehe PRED-010, AGENT-014, VIS-023).
• Drohnenbasierte lokale Kartierung: Orthomosaike unter 10 cm und Schrägansichten für Fassaden- und Dachschäden durch Feuerwehren oder Kommunen (siehe VIS-003).
• Hochwasserspezifisch: SAR-Überflutungsausdehnung plus Gebäudeexponierung statt struktureller Bewertung (PRED-027).
• Überwachung von Konfliktschäden: menschenrechtliche und humanitäre Dokumentation (z. B. UNOSAT); siehe die Abgrenzung zu Verteidigung und ISR unter Risiken.
• Privatnutzung: keine realistische; Verbraucher verlassen sich auf öffentliche Karten.

So funktioniert es

1. Ereignisauslöser (Shake Map / Flutwarnung / CEMS-Aktivierung)
2. Bildbeauftragung & -beschaffung (Archiv vor dem Ereignis + danach, optisch und SAR)
3. Koregistrierung & Orthorektifizierung (Subpixel-Ausrichtung ist entscheidend)
4. Gebäudegrundrisse (offene Grundrisse oder Segmentierungsmodell)
5. Vorher-/Nachher-Änderungsmodell (Siamese / Zwei-Strom-Segmentierung oder ViT, Schadensklasse je Gebäude)
6. Aggregation je Gebäude und je Block, Unsicherheitswert
7. Validierung durch Analysten (Human-in-the-Loop, Korrekturen, Ortskenntnis)
8. Schadenskarte + Statistik veröffentlicht; Berichte aus Feld/Drohne/Boden fließen zurück

• Schadensmodell: Ein Siamese-Encoder erhält Kacheln vor und nach dem Ereignis; ein Kopf sagt die Gebäudemaske und eine Schadensklasse voraus. Typische Gewinner von xView2 nutzten Ensembles im U-Net-/ResNet-Stil; neuere Arbeiten verwenden Encoder von Foundation-Modellen (z. B. Geodaten-Foundation-Modelle) und SAR-/optische Fusion.
• Mensch-in-der-Schleife (Human-in-the-Loop): Analysten prüfen Gebäude mit geringer Konfidenz und mittlerem Schadensgrad; die Veröffentlichung einer amtlichen Bewertungskarte bleibt in der Verantwortung der Analysten.
• VLMs können bei schrägen Drohnenfotos helfen und textliche Lagezusammenfassungen erzeugen, sind aber für die strukturelle Bewertung einzelner Gebäude aus Senkrechtaufnahmen von Satelliten nicht zuverlässig.

Datenaufbereitung

Bilder sind nach einer Katastrophe schnell verfügbar, brauchbare Trainings- und Referenzdaten jedoch nicht.

• Daten und Ort: Satelliten-, Luft- und Drohnenbilder vor dem Ereignis in Copernicus, bei kommerziellen Anbietern oder in Behördenarchiven; Gebäudegrundrisse und Katasterdaten in GIS-Systemen und offenen Datenportalen; Listen versicherter Objekte in Schaden- oder Policensystemen; Einsatzberichte auf Papier, Telefonen und Dateifreigaben.
• Typische Lücken: nicht passende Aufnahmedaten, Wolken und Blickwinkel, fehlende oder veraltete Gebäudegrundrisse, wenige gelabelte Beispiele europäischer Gebäudetypen, uneinheitliche Schadensskalen, personenbezogene Daten in Adressen und Eigentümerangaben sowie Zugriffsbeschränkungen für sensible Orte.
• Aufbereitungsschritte: Bildpaare vor und nach dem Ereignis zusammenstellen, koregistrieren und kacheln, Grundrisse ausrichten, eine dokumentierte Schadensskala übernehmen, Labels aus früheren Bewertungen und Einsatzberichten gewinnen, aus historischen Ereignissen einen Evaluationsdatensatz aufbauen und Adressdaten trennen oder pseudonymisieren. Bereiten Sie die Pipeline vor einem Ereignis vor, nicht währenddessen.
• Werkzeuge: GDAL und QGIS, offene Modell-Repositories, ein Labeling-Werkzeug, eine Geodatenbank.
• Anteil am Aufwand: hoch, typischerweise 50-60 Prozent.

Hilfreiche Bausteine: PREP-005, PREP-019, PREP-020, PREP-022 und PREP-025.

Umsetzungswege

Welcher Weg für wen

• Öffentliche Hand (Katastrophenschutz, Kommunen, Hilfsorganisationen): Weg B auf souveräner EU-Cloud, weil Vergaberegeln und Souveränität EU-gehostete Dienste begünstigen (zum Beispiel Copernicus-basierte Pipelines) und offene Modell-APIs mit bestehenden GIS-Systemen kombiniert werden können.
• Großunternehmen (Versicherer, Rückversicherer, Schadenregulierer): Weg B, weil die Schadenskarten in Schaden- und Portfoliosysteme einfließen müssen und Cloud-APIs bei Spitzenereignissen skalieren, ohne eigene GPU-Kapazität zu besitzen.
• Entwickler (Geodaten-Anbieter, Forschungsteams): Weg C, weil Segmentierungsmodelle mit offenen Gewichten und eigene Pipelines auf HW3 Kontrolle geben und die Grundlage für eigenes Training in Weg D sind.

Weg A — Kaufen (Standardsoftware)

• Öffentliche Dienste (kostenlos): Copernicus EMS Rapid Mapping (Aktivierung durch autorisierte Nutzer, EU) [1], UNOSAT [2], Internationale Charta [3]. Eine Kommune oder NGO sollte diese anfordern, statt selbst etwas aufzubauen.
• Kommerzielle Analysen: Maxar (Vantor) mit Bildern des Open Data Program für große Ereignisse [5], Planet, Airbus Defence and Space (EU), ICEYE (Finnland, EU, SAR), Esri ArcGIS (Werkzeuge zur Schadensbewertung) und Sentinel Hub (Sinergise, Slowenien, EU; jetzt Teil von Planet).
• Versicherung: spezialisierte Anbieter von Katastrophenmodellen und Geodaten (z. B. Verisk, Nearmap) verkaufen Schadensanalysen nach Ereignissen; prüfen Sie EU-Abdeckung und Datenverarbeitung.
• A wählen, wenn: Sie Ergebnisse für ein Ereignis brauchen, statt ein eigenes Modell zu besitzen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Bildzugang: Sentinel Hub / APIs des Copernicus Data Space Ecosystem (EU) [6], STAC-Kataloge, APIs von Planet und Maxar, ICEYE-Tasking-API.
• Rechenleistung: verwaltete GPU-Inferenz in EU-Cloud-Regionen; Google Earth Engine oder Microsoft Planetary Computer für die Archivverarbeitung.
• Orchestrierung: ereignisgesteuerte Pipeline (Airflow / Argo), Ergebnisse in GIS (ArcGIS, QGIS Server, GeoServer) und eine Webkarte.
• B wählen, wenn: Sie Versicherer, Versorger oder Behörde mit wiederkehrendem Bedarf und einem GIS-Team sind.

Weg C — Selbst betreiben (Open Source)

• Modelle: Lösung des Erstplatzierten bei xView2 und weitere offene xBD-Baselines; Segmentierungs-Frameworks (PyTorch, segmentation-models-pytorch, TorchGeo); Geodaten-Foundation-Modelle (IBM/NASA Prithvi, Clay) als Basis für das Feintuning.
• Stack: GDAL, rasterio, STAC, QGIS, PostGIS; OpenDroneMap für Drohnen-Orthomosaike.
• Hardware: HW3 (eine GPU mit 48 GB) verarbeitet ein Ereignis in Stadtgröße in Stunden; HW2 genügt für Kacheln von einigen hundert km2, wenn die Bilder gekachelt werden.

Weg D — Eigenes Training

Oft nötig: xBD wird von US-Ereignissen und einigen globalen Ereignissen dominiert, mit wenigen europäischen Gebäudetypen, Dachformen (z. B. Mauerwerk gegenüber Holz) und Sensoreigenschaften. Mit einigen tausend lokal gelabelten Gebäuden aus früheren CEMS-Produkten feintunen (veröffentlichte Bewertungsvektoren sind eine nützliche Label-Quelle) und nach Ereignis statt nach zufälligen Kacheln evaluieren, um Datenleckage zu vermeiden. Auf xBD vortrainieren und dann an Sensor und Region anpassen.

Stand der Technik (2026)

• xBD / xView2 bleibt der Standard-Benchmark; spätere Datensätze (z. B. BRIGHT, ein multimodaler optisch-SAR-Benchmark für Gebäudeschäden) erweitern die abgedeckten Sensoren und Ereignisse [4][7].
• Fusion aus optischen und SAR-Daten ist der wichtigste praktische Fortschritt: SAR funktioniert durch Wolken und bei Nacht, was bei Stürmen und Fluten zählt; SAR allein ist aber schwach bei der Bewertung einzelner Gebäudeschäden.
• Foundation-Modelle (Prithvi, Clay und andere) verringern den Bedarf an gelabelten Daten für neue Regionen.
• Praxis: CEMS und UNOSAT nutzen KI als Vorabprüfung mit Validierung durch Analysten.
• Grenzen und Fehlerbilder: Senkrechtaufnahmen zeigen Dächer, nicht Fassaden, daher werden Pfannkuchen-Einsturz (Pancake) oder Einsturz weicher Geschosse sowie Schäden im Inneren übersehen; Blickwinkel und Schatten unterscheiden sich zwischen Bildern vor und nach dem Ereignis; Rauch, Wolken und Trümmer verwirren Modelle; mittlere Schadensgrade sind selbst zwischen menschlichen Analysten uneinheitlich; Modelle, die auf einer Katastrophenart trainiert wurden, übertragen sich schlecht auf eine andere (Erdbeben gegenüber Flut gegenüber Waldbrand). Berichtete Benchmark-Werte sollten bei einem neuen Ereignis nicht erwartet werden.

Gemeinsame Bausteine & Kombinationen

• Gleiche Bausteine (remote-sensing, segmentation, 3d-vision): VIS-021 allgemeine Veränderungserkennung, VIS-038 EO-Compliance, VIS-061 InSAR-Bodenbewegung, VIS-049 EO-Verifikation (wo vorhanden).
• Kombinationen: Drohnen-Nahaufnahmen über VIS-003 und VIS-023; Hochwasservorhersage PRED-027 als Auslöser; Portfolio-Auswirkung PRED-010, Schadenbearbeitung AGENT-014 und Betrugsprüfung ANOM-003.
• Gemeinsame Infrastruktur: ein STAC-Katalog plus GPU-Inferenzdienst bedient alle EO-Anwendungsfälle.

Aufwand, Kosten & Kennzahlen

• Weg A: Stunden bis zur Aktivierung kostenloser Dienste; kommerzielle Analysen pro km2 oder im Abo.
• Weg B: 3-6 Monate für eine ereignisbereite Pipeline mit GIS-Integration.
• Weg C/D: 6-12 Monate einschließlich Labeling, ereignisbasierter Validierung und Übungen; Bildlizenzen (sehr hohe Auflösung) sind meist die wichtigsten laufenden Kosten.
• Kennzahlen: Zeit vom Ereignis bis zur ersten Bewertungskarte, F1 je Klasse auf zurückgehaltenen Ereignissen, Übereinstimmung auf Gebäudeebene mit Analysten-/Feldreferenz, Anteil der Gebäude mit manuellem Prüfbedarf, pro Stunde abgedeckte Fläche.

Menschen & Veränderung

Beziehen Sie die Geschäftsleitung und die Leitung von Katastrophenschutz, Schadenbearbeitung oder GIS früh ein; sie entscheiden über Mandate und Budget. Analysten und Einsatzteams sind die Endanwender, und lokale Einsatzkräfte sollten helfen, die Schadensskala festzulegen und Karten zu validieren. Die IT stellt GIS-Integration und Rechenleistung bereit, Datenverantwortliche (Vermessungsämter, Bildanbieter) gewähren Zugang, und Recht bzw. Compliance klären die Haftung für falsche Bewertungen, Bildlizenzen und die Beschaffung.

Datenschutz: Karten auf Gebäudeebene lassen sich mit Bewohnern verknüpfen, beteiligen Sie daher die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten; eine Datenschutz-Folgenabschätzung (DSFA) ist wahrscheinlich, wo Karten mit Adressen oder Schadendaten kombiniert werden, und mit jedem Cloud- oder Bildverarbeiter ist ein Auftragsverarbeitungsvertrag (AVV) nötig. Betriebsrat: abhängig vom Einzelfall. Die Analyse von Gebäuden überwacht keine Beschäftigten, doch Fallbearbeitungssysteme, die die Leistung der Nutzer in Schaden- oder Krisenteams protokollieren, lösen §87 Abs. 1 Nr. 6 BetrVG aus; informieren Sie den Betriebsrat oder den Personalrat nach §90 Abs. 1 Nr. 3, da sich der Arbeitsablauf ändert.

KI-Kompetenz: Unterstützen Sie Analysten mit Schulungen zu Konfidenz, Auflösungsgrenzen und typischen Fehlern wie Schäden, die nur am Dach sichtbar sind (Art. 4 KI-Verordnung (AI Act)). Pilotieren Sie an einem vergangenen Ereignis, vergleichen Sie mit der Referenz vor Ort und führen Sie vor einem echten Einsatz eine Live-Übung durch. Typische Sorgen: falsche Karten, die Hilfe fehlleiten oder Ansprüche ablehnen; begegnen Sie ihnen, indem Sie die Ausgabe als Triage und Priorisierung behandeln und ein Mensch vor jeder Entscheidung über Hilfe oder Zahlung prüft.

Siehe GUIDE-005, GUIDE-009, GUIDE-008 und GUIDE-004.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Einstufung hängt vom Einsatz ab. Die reine Schadenskartierung von Gebäuden fällt im Allgemeinen nicht unter eine Kategorie von Anhang III, doch Systeme, die als Sicherheitskomponenten im Management kritischer Infrastruktur oder zur Entsendung/Priorisierung von Notfall-Ersteinsatzdiensten genutzt werden (Anhang III, Nummer 5 Buchstabe d), können hochriskant sein; bewerten Sie je Einsatz. Der Einsatz bei Versicherern zur Schadenschätzung von Gebäuden ist nicht die in Anhang III genannte Risikobewertung und Preisbildung bei Leben und Gesundheit, prüfen Sie aber Schadenentscheidungen, die Einzelpersonen betreffen.
• Art. 5: Keine verbotene Praxis betrifft die Gebäudeschadenskartierung. Nicht auf die Identifizierung oder Verfolgung von Personen aus Bildern ausweiten; der Einsatz in Konfliktgebieten und durch das Militär gehört zu VIS-051 und liegt für militärische Zwecke außerhalb des Anwendungsbereichs der KI-Verordnung (Art. 2 Abs. 3).
• DSGVO: Sehr hochauflösende Bilder und Drohnenaufnahmen können Personen und über Adressen Hauseigentümer erkennen lassen; mit einer Immobilie verknüpfte Schadensgrade werden zu personenbezogenen Daten. Nutzen Sie Rechtsgrundlagen für Aufgaben im Notfall (Art. 6 Abs. 1 Buchst. e), minimieren Sie, machen Sie Personen und Kennzeichen bei Veröffentlichung unkenntlich und begrenzen Sie die Freigabe auf Adressebene.
• Weitere Vorschriften: Regeln für den Drohnenbetrieb (EU 2019/947), nationale Katastrophenschutzgesetze, Lizenzbedingungen der Bilder (kommerzielle Bilder beschränken oft die Weitergabe), Datenpolitik von Copernicus.
• Risiken: falsche Schadensgrade lenken Rettung oder Hilfe fehl; falsche Kennzeichnung als „unbeschädigt" verzögert Hilfe; die Veröffentlichung von Schäden auf Adressebene kann Plünderungen ermöglichen oder Gebiete stigmatisieren. Gegenmaßnahmen: Unsicherheitskarten, deutliche Kennzeichnung als „vorläufig", Freigabe durch Analysten und Rückmeldung aus der Überprüfung vor Ort.

Erste Schritte

1. Als autorisierter CEMS-Nutzer registrieren (oder die nationale Anlaufstelle finden) und Beispiele für Bewertungsprodukte früherer Aktivierungen durchsehen.
2. xBD herunterladen und eine offene Baseline an einem vergangenen Ereignis in Ihrer Region ausführen, um die Fehlerbilder kennenzulernen.
3. Einen gelabelten Testsatz von 500-1000 Gebäuden aus veröffentlichten CEMS-Vektoren für Ihre eigenen Ereignisse aufbauen.
4. Eine STAC-basierte Bildpipeline (Copernicus Data Space) und ein Archiv vor Ereignissen für zentrale Regionen einrichten.
5. Eine Planübung durchführen: Auslöser, Bilder, Modell, Prüfung durch Analysten, Veröffentlichung, in einer Zielzeit.

Quellen

1. Copernicus Emergency Management Service, Rapid Mapping — https://emergency.copernicus.eu/
2. UNOSAT (UNITAR) — https://unosat.org/
3. International Charter Space and Major Disasters — https://disasterscharter.org/
4. Gupta et al., xBD: A Dataset for Assessing Building Damage from Satellite Imagery (2019) — https://arxiv.org/abs/1911.09296
5. Maxar (Vantor) Open Data Program — https://registry.opendata.aws/maxar-open-data/
6. Copernicus Data Space Ecosystem — https://dataspace.copernicus.eu/
7. Chen et al., BRIGHT: multimodal optical-SAR building damage dataset — https://arxiv.org/abs/2501.06019
8. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj