Themenvorschläge

Nachfolgend sind Vorschläge für mögliche Abschlussarbeiten aufgeführt. Wir sind darüber hinaus offen für Vorschläge und eigene Ideen. In diesem Fall wenden Sie sich am Besten an Prof. Iwaszczuk.

Mögliche Themen

Thema	Kurzbeschreibung	Abschlussart	Ansprechpartner
Sentinel 2 Superresolution	Die HVBG nutzt für die Modellierung der Landschaft hochauflösende (0,2m/px) Luftbilder („Orthophotos“), die alle 2 Jahre angefertigt werden sowie Sentinel-2 Satellitenbilder (10m/px), welche oft monatlich zur Verfügung stehen. Mit Hilfe eines KI gestützten Verfahrens sollen Hybridprodukte (bspw. 5m/px, 1m/px: „Superresolution Sentinel-2“) erzeugt werden, welche eine hohe räumliche Auflösung mit einer hohen Aktualität verbinden. Inhalt der Arbeit ist die Entwicklung eines Verfahrens, die Evaluation der Ergebnisse (Fehlerrate, Halluzinationen, etc.) und die Ableitung von Handlungsmöglichkeiten für die HVBG. Für die Analysen kann das KI-Rechencluster der HVBG genutzt werden.		Lara Weber, Katrin Krzepek Themenvorschlag vom Hessischen Landesamt für Bodenmanagement und Geoinformation www.hvbg.hessen.de
Unterscheidung nasser und trockener Moorflächen	Die Unterscheidung vernässter und trockener Moorbereiche ist in der Landschaftsmodellierung von besonderem Interesse. Auf Basis der in der Hessischen Verwaltung für Bodenmanagement und Geoinformation (HVBG) genutzten Luftbilder ist eine verlässliche Einteilung von Moorflächen nicht möglich. Ziel der Arbeit ist die Entwicklung eines KI-basierten Verfahrens, mit dem aus satellitengestützten Radarfernerkundungsdaten (Sentinel-1, ggf. auch in Kombination mit optischen Systemen) verlässliche Informationen zum Zustand der Moore abgeleitet werden. Für die Analysen kann das KI-Rechencluster der HVBG genutzt werden.		Lara Weber, Katrin Krzepek Themenvorschlag vom Hessischen Landesamt für Bodenmanagement und Geoinformation www.hvbg.hessen.de
Detektion von Erdfällen mit Machine Learning	Erdfälle sind geologische Phänomene, die insbesondere in karstgefährdeten Gebieten auftreten und durch plötzliches Absinken der Erdoberfläche erhebliche Risiken für Infrastruktur und Bevölkerung darstellen. Ihre frühzeitige Detektion ist daher von großer Bedeutung für das Umwelt- und Risikomanagement. Im Rahmen des Projekts Umwelt 4.0 wurden bereits Bodenbewegungen in Hessen, insbesondere Hangrutschungen, mithilfe von Machine-Learning-Methoden detektiert und segmentiert. Diese Abschlussarbeit baut auf diesen Arbeiten auf und erweitert den Ansatz für die Detektion von Erdfällen. Ein zentraler Bestandteil der Arbeit ist die Erstellung geeigneter Trainingsdaten, einschließlich der Segmentierung von bereits bekannten Erdfällen. Anschließend soll ein Machine-Learning-Modell trainiert und auf das Bundesland Hessen angewendet werden, mit dem Ziel, bisher unbekannte Erdfälle zu identifizieren. Vorkenntnisse in Bildverarbeitung und Machine Learning sind von Vorteil.	Master	Lara Weber
Erfassung und Bewertung urbaner Nachhaltigkeit mit Fernerkundung	Nachhaltigkeit von Städten ist ein komplexes und vielfältiges Thema, das neben ökologischen Aspekten auch soziale und ökonomische Komponenten beinhaltet. Viele dieser Faktoren lassen sich mithilfe von Fernerkundungsdaten quantifizieren. Satellitenbasierte Beobachtungen ermöglichen beispielsweise die Erfassung von Vegetationsbedeckung, Gründächern, urbanen Wärmeinseln oder Flächenversiegelung. Ziel dieser Abschlussarbeit ist die Entwicklung eines Fernerkundungs-basierten Frameworks zur Bewertung der urbanen Nachhaltigkeit. Hierfür sollen geeignete Indikatoren aus Satellitenbilddaten abgeleitet und zu einem kombinierten Nachhaltigkeitsscore zusammengeführt werden. Der thematische Fokus kann je nach eignem Interesse angepasst werden. Grundkenntnisse in Fernerkundung sowie Programmierkenntnisse in Python sind von Vorteil.	Master	Lara Weber
Segmentierung seltener Klassen mit Hilfe von Basismodellen aus 2D-Bildern	Klassifizierung und Segmentierung sind grundlegende Aufgaben im Bereich der Fernerkundung und Bildanalyse. Zu diesem Zweck werden häufig Modelle des maschinellen Lernens verwendet, die mit einem Trainingsdatensatz trainiert wurden. Die typischen Klassen eines Trainingsdatensatzes sind: Gebäude, Straßen, Wälder, Landwirtschaft, …. Aber was passiert mit bisher unbekannten Gebieten und Objekten? Im Falle von Naturkatastrophen hätten diese Modelle mit zerstörten Gebäuden, überfluteten Gebieten, verschlammten Straßen oder verbrannten Wäldern zu kämpfen. Bei der Arbeit mit Bildern von Naturkatastrophen, wie dem Ahrtal-Hochwasser im Jahr 2021, müssen diese ungewöhnlichen Gebiete mit Hilfe eines bereits trainierten maschinellen Lernmodells identifiziert werden. In dieser Arbeit soll ein Modell mit bereits verfügbaren Tools an neue Objekte angepasst werden. Es sind Programmierkenntnisse in Python und Matlab von Vorteil.	Master	Kevin Qiu und Rewanth Ravindran mit Ko-Betreuung durch das Fraunhofer IOSB
Bestimmung von Baumparametern mittels LiDAR-3D-Punktwolken	Die Methoden des Machine Learnings verändern die Möglichkeiten der Fernerkundung für verschiedene Umweltanwendungen – von der Überwachung der Abholzung von Wäldern bis hin zur Erkennung von Rissen im Polareis. Durch das Aufkommen des Laserscannings (LiDAR) mittels Drohnen ist die Qualität der Details in den Daten in städtischen, landwirtschaftlichen oder forstwirtschaftlichen Kontexten höher als je zuvor. 3D-Punktwolken aus LiDAR-Daten und Modelle des Machine Learnings stellen eine sehr leistungsfähige Kombination dar, mit der sich nützliche Informationen wie die Segmentierung von Baumkronen oder die Schätzung der Biomasse von Stämmen und Ästen mit relativ hoher Genauigkeit ermitteln lassen. Bevor das Modell für den jeweiligen Zweck eingesetzt werden kann, muss es trainiert werden, indem es mit gelabelten Trainingsdaten gefüttert wird. Die Erzeugung von Trainingsdaten durch die händische Kartierung von Hunderten von Baumkronen in Luftbildern ist zeitaufwändig, arbeitsintensiv und lästig. Aber welche anderen Möglichkeiten gibt es, wenn nicht genügend Trainingsdaten für die Erstellung eines neuen Modells vorhanden sind? Können wir bereits vorhandene Universal-Modelle, die für die Bildsegmentierung entwickelt wurden (siehe SAM von Meta AI), für unsere Anwendungen nutzen? Können wir diese Modelle mit Hilfe bestehender Methoden minimal anpassen, so dass wir eine bessere Genauigkeit bei der Schätzung der Baumparameter erzielen? Dies sind Fragen, die in dieser Masterarbeit adressiert werden sollen. (Betreuung auf Englisch)	Master	Rewanth Ravindranund Kevin Qiu mit Ko-Betreuung durch das Fraunhofer IOSB


Stand: 30.01.2026