Cross-View-Geolokalisierung am VIS: Drei aktuelle Arbeiten
1 August 2026
Wenn ein Hurrikan, ein Waldbrand oder eine Überschwemmung zuschlägt, kommen die ersten brauchbaren Bilder selten von einem Satelliten. Sie kommen von Menschen vor Ort, die innerhalb von Minuten Fotos und Beiträge hochladen: eingestürzte Dächer, überflutete Straßen, blockierte Zufahrten. Was bei diesen Bildern fast immer fehlt, ist eine Ortsangabe. Nur etwa ein Prozent aller Tweets war überhaupt jemals mit einem Geotag versehen, und dieser Anteil ist nach der Abschaffung des präzisen Geotaggings im Jahr 2019 weiter gesunken. Ohne Koordinaten lässt sich ein Foto nicht auf einer Karte verorten - und was sich nicht verorten lässt, kann kein Rettungsteam leiten.
Ein Ausweg ist die Cross-View-Geolokalisierung: Man nimmt ein bodennahes Foto und vergleicht es mit einer Datenbank georeferenzierter Satellitenbilder, um den Ort der passenden Kachel zu bestimmen. Die Schwierigkeit besteht darin, dass die beiden Aufnahmen visuell kaum etwas gemeinsam haben. Die eine entsteht senkrecht aus dem Orbit in einheitlichem Maßstab, die andere auf Augenhöhe, schräg und auf das gerichtet, was die aufnehmende Person für alarmierend hält. Drei Arbeiten des VIS und seiner Kooperationspartner aus dem vergangenen Jahr befassen sich jeweils mit einem anderen Teil dieses Problems.
Ein Zwischenschritt. Statt eines direkten Vergleichs führt die erste Arbeit eine dritte Perspektive zwischen beiden ein: panoramische Street-View-Aufnahmen. Diese sind bodennah wie das Foto, aber georeferenziert wie die Satellitenkachel. Das Team stellte MultiIan zusammen, einen Datensatz rund um Hurrikan Ian in Florida und Kuba. Dafür wurden mehrere Tausend Bilder von Crowdsourcing-Plattformen und aus sozialen Medien gesammelt. Bei Beiträgen ohne Geotag wurde ein großes Sprachmodell eingesetzt, um den Ort aus dem Text zu extrahieren. Häufig genügte eine Bildunterschrift, die eine Straßenecke oder ein Wahrzeichen nennt; uneindeutige Fälle wurden manuell geprüft. Zwei Matching-Strategien wurden entwickelt und miteinander verglichen. Die Arbeit erschien im International Journal of Geographical Information Science, verfasst von Wenping Yin, Fabian Deuser, Ziqi Liu, Jiaqi Wei, Xuanshu Luo, Martin Werner, Hao Li und Yong Xue.
Ein zweiter Zwischenschritt und mehr Katastrophentypen. Nachdem gezeigt wurde, dass eine Zwischenperspektive hilft, stellt sich die naheliegende Folgefrage: Hilft eine zweite noch mehr, und bleibt davon etwas übrig, wenn sich der Katastrophentyp ändert? SAGINGeo, erschienen im IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, ergänzt die Street-View-Ebene um Aufnahmen aus Drohnenhöhe. Satelliten-, Luft- und Bodenperspektive lassen sich dadurch gemeinsam in einer geteilten Repräsentation lernen, statt paarweise verglichen zu werden. Dafür war ein Datensatz nötig, den es bislang nicht gab. SAGINDisaster umfasst Hurrikane, Tornados, Überschwemmungen und Waldbrände in den kontinentalen USA und auf Hawaii. An mehr als zweitausend Standorten werden alle vier Perspektiven kombiniert, insgesamt 118.000 Bilder. Die Drohnenansichten wurden aus 3D-Kartendaten erzeugt, da echte Flüge über so viele vergangene Katastrophen nicht möglich sind. Die Arbeit wurde von Wenping Yin, Fabian Deuser, Jiancheng Jiang, Ziqi Liu, Xuanshu Luo, Zhedong Zheng, Martin Werner, Hao Li und Yong Xue verfasst.
Wissen, wann der Antwort nicht zu trauen ist. Beide vorgenannten Ansätze liefern eine einzige Koordinate und nichts weiter. Im Rettungskontext ist das problematisch: Eine selbstsicher falsche Antwort kann ein Team in die falsche Straße schicken, und sie lässt sich nicht von einer richtigen unterscheiden. Die dritte Arbeit, erschienen im ISPRS Journal of Photogrammetry and Remote Sensing, verändert die Ausgabe des Modells. Statt eines einzelnen Punktes erzeugt ProbGLC eine Wahrscheinlichkeitsverteilung über den Globus, zusammen mit einem Wert, der die anfängliche Mehrdeutigkeit des Bildes beschreibt. Manche Fotos sind einfach nicht lokalisierbar - etwa eine Trümmerwand, ein überflutetes Feld oder ein Gebiet ohne Beschilderung und ohne Skyline - und das Modell kann dies nun einräumen, anstatt falsch zu raten. Bilder, bei denen das Modell sicher ist, können direkt in eine Krisenkarte einfließen, während der Rest für eine menschliche Auswertung oder für eine klarere Drohnenaufnahme markiert werden kann. Die Autoren sind Hao Li, Fabian Deuser, Wenping Yin, Steffen Knoblauch, Wufan Zhao, Filip Biljecki, Yong Xue und Wei Huang.
Zusammengenommen zeichnen die drei Arbeiten eine durchgehende Linie: erstens das Matching überhaupt möglich machen, zweitens es über verschiedene Katastrophentypen hinweg tragfähig halten und drittens das Modell im Umgang mit seiner eigenen Unsicherheit ehrlich machen. Der letzte Punkt dürfte in der Praxis am schwersten wiegen. Ein Foto nur auf zweihundert Kilometer genau zuzuordnen hilft niemandem, der auf Hilfe wartet - und zu wissen, dass man noch nicht angekommen ist, ist ebenso wichtig wie die Schätzung selbst.
Diese Forschung entstand in Zusammenarbeit mit der China University of Mining and Technology, der Technischen Universität München, der National University of Singapore, der Universität Heidelberg, der Wuhan University, der University of Macau, der HKUST (Guangzhou), der Tongji University, dem University College London und dem Shandong Territorial and Spatial Planning Institute.
Triple-objective cross-view geolocalization of disaster-related VGI: the case of Hurricane Ian
Wenping Yin, Fabian Deuser, Ziqi Liu, Jiaqi Wei, Xuanshu Luo, Martin Werner, Hao Li, Yong Xue
SAGINGeo: A Space-Aerial-Ground Integrated Framework for VGI Geolocalization in Multi-Disaster Scenarios
Wenping Yin, Fabian Deuser, J. Jiang, Ziqi Liu, Xuanshu Luo, Zhedong Zheng, Martin Werner, Hao Li, Yong Xue
Towards generative location awareness for disaster response: A probabilistic cross-view geolocalization approach
Hao Li, Fabian Deuser, Wenping Yin, Steffen Knoblauch, Wufan Zhao, Filip Biljecki, Yong Xue, Wei Huang
