-
OpenData4InfMon: Monitoring mit GNSS-Sensorik und Open DataDie alternde Infrastruktur auf dem Landweg, der Schiene und dem Wasser erfordert bedeutende Ressourcen für die Sicherstellung der Betriebssicherheit. Das Monitoring von Deformationen, insbesondere an Brückenbauwerken und anderen wichtigen Infrastrukturen, verursacht durch Alterung, Materialermüdung und langsam (auch klimabedingt) verlaufende Bodenbewegungen, ist derzeit sehr kostenintensiv. Es gilt daher, massenhaft einsetzbare und kosteneffiziente Analyseverfahren anhand von Open Data Quellen kombiniert mit lokaler GNSS-Sensorik zu entwickeln und zu evaluieren, die es bisher nicht gibt. Im Projekt sollen Möglichkeiten der strengen Fusion von freien GNSS- und Radardaten sowie 3D-Stadtmodellen und Verkehrswegeplänen zum Zweck der besseren Beurteilung von Deformationen an Bauwerken in Kombination mit lokal installierter Sensorik untersucht werden, insb. an Infrastrukturen wie Bahntrassen, Energie-Leitungstrassen und (Brücken-) Bauwerken. Der Mehrwert der Daten wird insbesondere durch KI-Analysen und raumzeitliche Parameterschätzung in Kombination mit lokalen GNSS-Daten generiert.Leitung: Prof. Dr.-Ing. Ingo Neumann, Dr.-Ing. Mohammad OmidalizarandiTeam:Jahr: 2023Förderung: Bundesministerium für Digitales und Verkehr (BMDV)Laufzeit: 03/2023 – 08/2024
![]()
![]()
-
Großflächige InSAR-Deformationsüberwachung mittels realitätsnaher, simulationsbasierter Training eines Deep-Learning-ModellsDie großräumige Überwachung von Landoberflächenverformungen mittels interferometrischem Synthetic-Aperture-Radar (InSAR) erfordert eine zuverlässige Erkennung von Veränderungen in langfristigen Verformungstrends. Die genaue Erkennung von Wendepunkten (Change Points, CP) stellt jedoch aufgrund der komplexen Eigenschaften von InSAR-Zeitreihen, darunter saisonale und quasi-periodische Komponenten sowie Rauschen, nach wie vor eine Herausforderung dar. Klassische statistische Methoden und viele bestehende Deep-Learning-Ansätze stützen sich auf restriktive Annahmen oder Trainingsdaten, die reale InSAR-Zeitreihen nicht vollständig abbilden, was zu einer eingeschränkten Generalisierungsfähigkeit und Skalierbarkeit für großräumige operative Anwendungen führt. Diese Studie konzentrieren sich auf den Einsatz von Deep-Learning-Modellen, um der Herausforderungen zu begegnen.Leitung: Prof. Dr.-Ing. Ingo Neumann, Dr.-Ing. Mohammad OmidalizarandiTeam:Jahr: 2024Förderung: DAAD Research GrantLaufzeit: 10/2024 - 09/2027
![]()
![]()
© GIH
Forschungsprojekte von Kourosh Shahryarinia, M. Sc.
Letzte Änderung: 27.03.26
