KI4KI – CODE-DE-Lab

Künstliche Intelligenz für klimaresilientes Infrastrukturmonitoring

Zeichen des fortschreitenden Klimawandels sind überall auf der Welt spürbar. In Deutschland lässt sich der Klimawandel durch zunehmende Extremwetterereignisse erkennen. Die klimatischen Veränderungen können auch Stauanlagen unter Stress setzen, die aufgrund von Temperatur- und Stauspiegeländerungen saisonalen Schwankungen unterliegen.

Im Rahmen des BMWK-Verbundvorhaben, „KI4KI – Künstliche Intelligenz für Klimaresilientes Infrastrukturmonitoring“, zwischen der Friedrich-Schiller-Universität Jena und dem Ruhrverband wurde ein KI-basierter Ansatz mit der Persistent Scatterer Interferometrie (PSI)-Methodik kombiniert, um die Belastung verschiedener Talsperren durch die sich ändernden klimatischen Bedingungen besser einschätzen zu können.

Um sicherzustellen, dass die zu beobachtenden Staubauwerke des Ruhrverbands auch im Radarbild sichtbar sind, wurden neuartige Instrumente – elektronische Corner-Reflektoren (ECR) – auf den Mauern und Dämmen der Möhne-, Sorpe-, Verse-, Bigge- und Listertalsperre angebracht. Zusätzlich wurden die Zeitreihen verschiedener Satellitensensoren kombiniert (z.B. X- und C-Band). Die Anwendung dieser Multi-Sensor-Fusion mit anschließender Segmentierung von Stauanlagenbereichen ermöglicht eine räumliche und zeitliche Verdichtung der Bewegungsinformation.

KI4KI_1

Die Zeitreihen wurden mit Hilfe von Ressourcen der EO-lab-Cloud-Plattform prozessiert. Durch den Einsatz von Methoden des maschinellen Lernens und Deep Learning wurden die Temperatur und der Wasserstand im Stausee als die wesentlichen Treiber der Bewegungen identifiziert. Bewegungsvorhersagen im Fall einer Veränderung dieser Parameter können mit verschiedenen Modellen erstellt werden. Diese fortschrittlichen Ansätze eröffnen neue Möglichkeiten für eine effektive Überwachung, Risikobewertung und Schutzmaßnahmen, um die Widerstandsfähigkeit unserer Infrastrukturen gegenüber Umwelteinflüssen zu stärken.

KI4KI_1

Genauere Informationen zum Projekt und den zugehörigen Ansprechpartnern sind unter folgenden Links zu finden:

Aktuelle Ergebnisse zum Projekt und Beschreibungen zur Vorgehensweise sind in folgenden Publikationen zusammengefasst:

Jänichen, J., Ziemer, J., Wolsza, M., Klöpper, D., Weltmann, S., Wicker, C., ... & Dubois, C. (2025). Towards Operational Dam Monitoring with PS-InSAR and Electronic Corner Reflectors. Remote Sensing, 17(7), 1318. https://doi.org/10.3390/rs17071318
Ziemer, J., Jänichen, J., Wicker, C., Klöpper, D., Last, K., Kalia, A., ... & Dubois, C. (2025). Assessing the Feasibility of Persistent Scatterer Data for Operational Dam Monitoring in Germany: A Case Study. Remote Sensing, 17(7), 1202. https://doi.org/10.3390/rs17071202
Ziemer, J., Stein, G., Wicker, C., Jänichen, J., Klöpper, D., Last, K., ... & Dubois, C. (2025). Enhancing the Prediction of Dam Deformations: A Novel Data-Driven Approach. Remote Sensing, 17(6), 1026. https://doi.org/10.3390/rs17061026