Satellite Image Analysis

Bei der Analyse von Satellitenbildern werden Informationen aus Erdaufnahmen gewonnen, die von umlaufenden Satelliten erfasst wurden: Dazu gehören die Kartierung der Landbedeckung, das Zählen von Schiffen, Flugzeugen oder Gebäuden, das Messen des Pflanzenzustands und das Erkennen von Veränderungen zwischen zwei Zeitpunkten. Die Satellitenbildanalyse ist ein Teilgebiet der Fernerkundung, zu der auch Aufnahmen von Flugzeugen und Drohnen zählen. Heute nutzt sie Computer Vision (CV) und Deep Learning (DL), um große Mengen an Bildmaterial zu verarbeiten, die kein Analystenteam von Hand auswerten könnte. Allein das Landsat-Programm nimmt die Erde seit 1972 ununterbrochen auf.

Was Satelliten erfassen#

Satellitenbilder unterscheiden sich in vier Arten der Auflösung von gewöhnlichen Fotos:

• Räumliche Auflösung: Die Bodenfläche, die einem Pixel entspricht. Landsat 8 und 9 erfassen die meisten Bänder mit einer Auflösung von 30 m, Sentinel-2 erreicht 10 m. Kommerzielle Satelliten wie WorldView-3, betrieben von Vantor (bis Oktober 2025 unter dem Namen Maxar Intelligence), erreichen etwa 30 cm. Damit lassen sich einzelne Autos erkennen.
• Spektrale Auflösung: Anzahl und Breite der Wellenlängenbänder. Sentinel-2 erfasst 13 Bänder vom sichtbaren Licht bis zum kurzwelligen Infrarot.
• Zeitliche Auflösung: Wie oft derselbe Ort aufgenommen wird. Die aus zwei Satelliten bestehende Sentinel-2-Konstellation nimmt den Äquator alle fünf Tage erneut auf. Die Flotte kleiner Satelliten von Planet erfasst täglich nahezu die gesamte Landoberfläche der Erde mit einer Auflösung von etwa 3 m.
• Radiometrische Auflösung: Wie fein die Helligkeit jedes Pixels aufgezeichnet wird, häufig mit 11 bis 14 Bit im Vergleich zu 8 Bit bei einem Standardfoto.

Zwei weitere Sensortypen erweitern die Messmöglichkeiten von Satelliten. Satelliten für hyperspektrale Bildgebung erfassen Hunderte schmale Bänder. Satelliten mit synthetischem Aperturradar (SAR) wie Sentinel-1 senden Mikrowellenimpulse aus und erfassen deren Echos. So können sie durch Wolken hindurch und bei Nacht sehen. Das macht Radar zu einer wichtigen Quelle für die Kartierung von Überschwemmungen unter einer geschlossenen Sturmdecke. Durch Berechnungen mit den Bändern werden Spektraldaten in physikalische Messwerte umgewandelt: Der normalisierte differenzierte Vegetationsindex, NDVI = (NIR − Red) / (NIR + Red), nähert sich bei dichter, gesunder Vegetation dem Wert 1, da Blätter Nahinfrarotlicht stark reflektieren und rotes Licht absorbieren.

Zentrale Analyseaufgaben#

• Semantische Segmentierung: Kennzeichnet jedes Pixel, um Landbedeckung, Gebäudegrundrisse, Straßen oder das Ausmaß von Überschwemmungen zu kartieren.
• Objekterkennung: Findet und zählt einzelne Objekte wie Schiffe, Flugzeuge, Fahrzeuge und Lagertanks. Aus der Vogelperspektive sind diese Objekte klein, dicht gedrängt und in alle Richtungen ausgerichtet. Detektoren sagen daher oft gedrehte Bounding Boxes voraus, die sich an die Ausrichtung der einzelnen Objekte anpassen.
• Veränderungserkennung: Vergleicht Aufnahmen desselben Ortes aus verschiedenen Zeitpunkten, um Entwaldung, Neubauten oder Schäden durch Katastrophen zu erkennen.
• Szenenklassifizierung: Weist jedem Bildausschnitt ein Label zu, etwa Ackerland, Wald oder Stadtgebiet.

Zu den Erkennungsdatensätzen für Luftbilder gehören DOTA, dessen erste Version 15 Kategorien mit beliebig ausgerichteten Boxen annotiert, und xView, das auf WorldView-3-Bildern mit 0,3 m Bodenauflösung mehr als 1 Million Objekte in 60 Klassen kennzeichnet. Ultralytics YOLO26 Modelle mit orientierten Begrenzungsboxen wurden mit DOTAv1 vortrainiert und sagen für jedes Objekt eine gedrehte Box voraus:

from ultralytics import YOLO

# Ein mit DOTAv1 vortrainiertes YOLO26-Modell für orientierte Boxen (OBB) laden
model = YOLO("yolo26n-obb.pt")

# Objekte in einem Satellitenbild erkennen
results = model("https://ultralytics.com/images/boats.jpg")
result = results[0]

# Das Bild mit einer gedrehten Box um jede Erkennung speichern
result.save(filename="boats_obb.jpg")

Gedrehte Boxen folgen der Fahrtrichtung jedes Schiffs. So erhalten dicht vertäute Boote nicht gemeinsam eine übergroße Box. Geodaten-Basismodelle, die ohne Labels mit großen Archiven vortrainiert wurden, etwa die Prithvi-Modelle von NASA und IBM, die auf harmonisierten Landsat- und Sentinel-2-Daten basieren, werden für Aufgaben wie die Kartierung von Überschwemmungen und Brandschäden mit deutlich weniger gelabelten Beispielen feinabgestimmt.

Von der Rohaufnahme zur Karte#

Ein einzelner Sentinel-2-Kachelausschnitt umfasst in seinen 10-m-Bändern 10.980 × 10.980 Pixel und ist damit viel größer als die Eingabe eines Modells. Er liegt als georeferenzierte Datei vor, etwa als GeoTIFF, dessen Pixel Koordinaten auf der Erde zugeordnet sind. Analysepipelines korrigieren Atmosphäreneinflüsse, maskieren Wolken, teilen die Aufnahme in überlappende Kacheln, führen das Modell auf jeder Kachel aus, führen doppelte Erkennungen zusammen, wenn sich Kacheln überschneiden, und wandeln Pixelpositionen für GIS-Werkzeuge zurück in Kartenkoordinaten. Bibliotheken wie Rasterio lesen und schreiben georeferenzierte Rasterdaten, und die Bildregistrierung richtet Bilder von verschiedenen Zeitpunkten aus, bevor sie verglichen werden.

Analyse von Satelliten- und Luftbildern#

Beide verwenden dieselben Modelle und Aufgaben; sie unterscheiden sich durch die Plattform. Satelliten umkreisen die Erde in Hunderten Kilometern Höhe und nehmen den gesamten Planeten nach einem festen Zeitplan auf. Ihre Archive reichen Jahrzehnte zurück. Flugzeuge und Drohnen fliegen auf Abruf über kleinere Gebiete und erfassen Details im Zentimeterbereich. Das eignet sich für die Inspektion von Dächern, Nutzpflanzen oder Windturbinenblättern. Datensätze zur Erkennung von Objekten in Satellitenbildern umfassen oft beide Quellen; DOTA enthält Satelliten- und Luftbilder.

Anwendungen#

• Landwirtschaft: Kartierung von Nutzpflanzenarten, Ertragsschätzung und NDVI-basierte Überwachung von Pflanzenstress über ganze Regionen hinweg.
• Wälder und Klima: Auf Landsat basierende globale Karten des Baumverlusts mit einer Auflösung von 30 m erfassen die Abholzung Jahr für Jahr.
• Katastrophenhilfe: SAR-Überschwemmungskarten und Schadensbewertungen im Vorher-nachher-Vergleich helfen bei der Planung von Hilfsmaßnahmen. Die Internationale Charta „Weltraum und große Katastrophen“ stellt Einsatzkräften Satellitendaten kostenlos zur Verfügung.
• Stadtplanung: Die Erfassung von Gebäudegrundrissen und die Kartierung von Straßen halten Karten in schnell wachsenden Städten aktuell.
• Überwachung des Seeverkehrs: Eine Studie aus dem Jahr 2024 in Nature, die SAR- und optische Erkennungen mit Schiffsverfolgungsdaten kombiniert, ergab, dass etwa drei Viertel der industriellen Fischereiflotte weltweit nicht öffentlich nachverfolgt werden.