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
Semantic LiDAR SLAM for Forest Inventory	Traditional forest inventory relies on manual measurements that are time-consuming and costly. This thesis integrates a semantic segmentation module into a LiDAR SLAM pipeline running on a backpack/handheld mobile mapping system to enable automatic detection and parameter extraction of individual trees (position, DBH, height, crown volume) in real time or near-real time. The student will collect field data in a local forest, develop or adapt a semantic SLAM approach, and validate extracted tree parameters against reference measurements. The work contributes to scalable, efficient forest monitoring workflows. Skills needed: Point cloud processing, ROS/robotics background or strong programming skills, interest in environmental applications.	Master	Dr.-Ing. Samer Karam
LiDAR-Visual SLAM for Handheld Mobile Mapping	LiDAR-based SLAM systems perform well in structured environments but struggle in scenarios where LiDAR geometry becomes ambiguous — long featureless corridors, open fields, repetitive vegetation, or low-feature indoor spaces. Cameras, by contrast, provide rich texture and appearance information that can complement LiDAR precisely where it fails. This thesis investigates the integration of visual information into the existing open-source LiDAR odometry/SLAM pipeline of the Mandeye handheld system to create a loosely coupled LiDAR-visual SLAM framework, with tight coupling explored as an optional extension if time permits. The student will identify failure modes of the current LiDAR-only pipeline, integrate camera-based features or a visual odometry front-end, and systematically evaluate the improvement in localization accuracy and map consistency across a range of challenging environments. Knowledge of SLAM, ROS, and Python/C++ is advantageous. Familiarity with the Mandeye system or open-source LiDAR SLAM frameworks (e.g., KISS-ICP, Fast-LIO) is a plus.	Master	Dr.-Ing. Samer Karam
Digital Twin Generation for Conflict-Damaged Cultural Heritage Sites	Irreplaceable cultural heritage sites — temples, old city quarters, archaeological ruins — have been devastated by recent conflicts in the Middle East and elsewhere. This thesis develops a complete pipeline for creating a high-fidelity digital twin of a heritage site using UAV photogrammetry combined with terrestrial laser scanning or close-range photogrammetry. The resulting 3D model will be semantically enriched, stored in a structured geospatial format, and made navigable in an open 3D viewer. The thesis will reflect on the methodological and ethical dimensions of remote heritage documentation and its role in post-conflict memory and reconstruction. Skills needed: Photogrammetry, 3D point cloud/mesh processing, interest in heritage or humanitarian geomatics.	Master	Dr.-Ing. Samer Karam
GeoAI for Post-Conflict Damage Assessment and Reconstruction Planning	Millions of buildings across conflict-affected regions remain unassessed, leaving reconstruction planners without the evidence base they need. Geospatial AI offers a path to rapid, scalable damage intelligence from satellite and UAV imagery at a fraction of the cost of manual surveying. The aim of this thesis is to develop and evaluate a GeoAI workflow for multi-class urban damage assessment using pre- and post-event imagery. The student will curate or adapt training datasets, train and fine-tune deep learning models (e.g., CNNs or vision transformers), and produce damage maps that can feed directly into GIS-based reconstruction planning tools. The thesis bridges state-of-the-art AI methods with real humanitarian decision-making needs. The focus will be on one or two selected damage classes and a clearly defined study area, ensuring depth over breadth. Knowledge of machine learning, remote sensing, and Python is advantageous.	Master	Dr.-Ing. Samer Karam
LiDAR-Based Localization for Outdoor Mobile Robots in GNSS-Denied Environments	Modern outdoor robots rely heavily on GNSS for absolute positioning, but GNSS signals can be unavailable, jammed, or spoofed in urban canyons, forests, tunnels, or conflict zones. This thesis investigates LiDAR-based alternatives for achieving reliable absolute localization without satellite signals, using map-matching, place recognition, or terrain-referenced methods. The student will implement and evaluate selected algorithms on existing datasets or data collected with a mobile mapping system, benchmarking performance in terms of localization accuracy, robustness, and computational cost under challenging real-world conditions. Knowledge of robotics, SLAM, and Python/C++ is advantageous.	Master	Dr.-Ing. Samer Karam
UAV and Terrestrial LiDAR Fusion for 3D Forest Mapping	UAV-based LiDAR captures upper canopy structures efficiently, while terrestrial or backpack LiDAR provides detailed information about trunks and understory vegetation. Combining both systems can enable vertically complete 3D forest reconstruction. The aim of this thesis is to investigate fusion strategies between UAV and terrestrial LiDAR data for forest mapping applications. The work may include point cloud registration, semantic feature extraction, georeferencing, and evaluation of forest structure parameters. Knowledge of LiDAR processing and Python/C++ is advantageous.	Master	Dr.-Ing. Samer Karam
Multi-Sensor Mobile Mapping for 3D Digital Twin Generation	Digital twins require accurate and up-to-date geospatial information from multiple sensing platforms such as LiDAR, cameras, GNSS, and IMUs. Mobile mapping systems provide an efficient way to capture high-resolution spatial data for urban and infrastructure applications. The aim of this thesis is to investigate multi-sensor workflows for generating digital twins from mobile mapping data. Possible tasks include sensor fusion, georeferencing, semantic segmentation, 3D reconstruction, and visualization. Knowledge of photogrammetry, computer vision, or point cloud processing is advantageous.	Master	Dr.-Ing. Samer Karam
Geospatial Intelligence Platform for City Reconstruction Monitoring	Reconstruction after large-scale disasters or conflicts requires continuous, evidence-based monitoring across an entire country — yet most affected nations lack the geospatial infrastructure to support this. This thesis designs and prototypes a regional-scale geospatial monitoring platform concept, integrating satellite change detection and OpenStreetMap data" — with UAV and SAR as optional additions into a unified spatial database with a web-based visualization dashboard. AI-driven change detection algorithms will be used to automatically identify newly damaged or reconstructed structures over time. The student will define data models, develop the integration workflow, build a functional prototype for a selected region, and evaluate its suitability as a decision-support tool for government ministries and international reconstruction agencies. The design will be informed by UN-IGIF principles for regional-scale geospatial infrastructure. Skills needed: Spatial databases (PostGIS), web GIS or dashboard development, remote sensing, systems thinking.	Master	Dr.-Ing. Samer Karam
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.		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.		Katrin Krzepek Themenvorschlag vom Hessischen Landesamt für Bodenmanagement und Geoinformation www.hvbg.hessen.de
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