Projektbericht, der u.a. Angaben zu möglichen Änderungen und Anpassungen an den Zielen, dem Zeitplan, dem Budget oder den Ressourcen enthält. Inhalt sind außerdem Angaben zum aktuellen Stand des Projekts einschließlich der erreichten Ziele, der verbleibenden Aufgaben, der Herausforderungen und Risiken. Die Dokumente sind die Entscheidungsgrundlage für das weitere Vorgehen im Projekt.

Ziel des Arbeitspakets ist die Projektkoordinierung und Organisation im Allgemeinen. Mit Hilfe des AP gilt es eine effektive und effiziente Durchführung des Projektes zu gewährleisten. Die Koordination umfasst die bei Verbundvorhaben übliche Koordinierung zwischen den Projektpartnern (inkl. assoziierten Projektpartnern), aber auch mit dem Projektträger selbst. Zu den wesentlichen Aufgaben gehören:

• Abschluss und Überwachung der Einhaltung einer Kooperationsvereinbarung im Projektverbund (inkl. der assoziierten Partner).
• Einhaltung der Projektdurchführung gemäß dem Zeitplan und der Fristen.
• Überwachung der technischen und methodischen Überwachung im Projekt.
• Teilnahme an Veranstaltungen des Projektträgers. Es sind drei Statustreffen (Kick-off-, Status-, Abschlussveranstaltung) vorgesehen. Für den Projektkoordinator sind zusätzlich Lenkungskreise im Anschluss an jede Konferenz vorgesehen sowie drei weitere Lenkungskreissitzungen, die voraussichtlich digital durchgeführt werden.
• Pflege des Berichtswesens gegenüber dem Projektträger und Fördermittelgeber.
• Gewährleistung der Kommunikation zwischen den Partnern.
• Planung und Durchführung eines 14-tägigen Austauschformats (TechBoard-Meetings) in Form von Online-Meetings.
• Organisation und Durchführung eines finalen Projektmeetings an der TU München (2025).
• Bereitstellung einer digitalen Austauschplattform für relevante Projektdaten zwischen den Projektpartnern.

Es werden aktuelle Publikationen und Initiativen systematisch aufgearbeitet und aktuelle Forschungsergebnisse mit hohem Anwendungspotenzial identifiziert. Die Projektpartner tragen gemeinsam den Forschungsstand in den einzelnen Bereichen (Datenformate/Schnittstellen, Datenqualität Terrestrisches Laserscanning, Datenanalyse Terrestrisches Laserscanning und webbasierter Datenvisualisierung) zusammen und evaluieren vorhandene Daten. Auf Grundlage des aktuellen Standes der Technik werden zusammen mit den assoziierten Partnern detaillierte Benutzeranforderungen an das zu entwickelnde System innerhalb eines Workshops erarbeitet. Diese Anforderungen werden in einem Report zusammengefasst und fließen als konzeptionelle Feinjustierung in die weitere Entwicklung mit ein.

Im Rahmen dieses Arbeitspaketes wird die entwickelte Technologie innerhalb einer Testmessung im Mittelrheintal zusammen mit den assoziierten Partnern DB Netz und GD RLP implementiert. Das Arbeitspaket beinhaltet die Studie zu einem geeigneten Messgebiet im Mittelrheintal. Die Partner werden einen geeigneten Teststandort für die Systementwicklungen auswählen und darüber berichten. Bei der Auswahl eines Teststandorts werden die technische und die wirtschaftliche Realisierbarkeit des Systems mit den örtlichen Gegebenheiten und den möglichen Herausforderungen, die sich aus den lokalen Geländebedingungen ergeben, abgewogen. Die Aufgabe umfasst auch die Identifizierung von Langzeitüberwachungsparametern, die an den Teststandorten relevant sind und die Anforderungen an das Überwachungssystem definieren.

Das Messgebiet soll unter Berücksichtigung der Benutzeranforderungen aus AP 2 und einer Ortsbesichtigung vor Ort ausgewählt werden. Für die Definition eines geeigneten Messgebietes sind unter anderem Kartierungen von geologisch gefährdeten Bereichen hinzuzuziehen. Das Messsystem selbst wird unter Zuhilfenahme der DB Netz AG und des Geologischen Dienstes RLP in Betrieb genommen und es wird eine kontinuierliche Datenerfassung (7x24h) durch die DMT gewährleistet. Um eine Datenerfassung zeitnah nach Projektstart zu ermöglichen, wird auf das bestehende System der DMT zurückgegriffen (Czerwonka-Schröder & Gaisecker, 2022 und Gaisecker & Schröder, 2022). Das System wird durch die DMT betrieben.

Die 4D-Geoinformation hat eine unvermeidbare Ungenauigkeit. AP 4 hat das Ziel, die zugehörige Messunsicherheit zu reduzieren, sodass in AP 5 und AP 6 verlässliche Analysen durchgeführt werden können. AP 4 gliedert sich in fünf Arbeitsschritte.

• Laserscanner sind wie alle Messinstrumente nur mit einer begrenzt hohen Genauigkeit gefertigt und der Messprozess selber führt auch zu Veränderungen, z.B. durch sich aufwärmende Bauteile (Medic et al. 2020a, Janßen et al. 2020). Dies führt zu systematischen Abweichungen, die temperatur- und zeitabhängig kalibriert werden müssen (Medic et al. 2022b). Wir entwickeln eine auf den verwendeten Laserscanner zugeschnittene Methode zur Kalibrierung der Konstruktionsabweichungen unter kontrollierten Bedingungen, um auch wiederkehrende Muster in den Kalibrierabweichungen erkennen und durch geeignete Funktionen eliminieren zu können. Des Weiteren entwickeln wir Methoden angelehnt an Holst et al. (2018) und Medic et al. (2019), um hochfrequentere Kalibrierrestabweichungen in-situ im Feld zu minimieren, um eine noch höhere Messgenauigkeit zu erzielen.
• Bei der Messung mit Laserscannern über Distanzen von einigen hundert Metern führen atmosphärische Turbulenzen zu raumzeitlich variablen Messabweichungen von bis zu einigen Dezimetern (Friedli 2020). Wir entwickeln eine Methodik, die den Einfluss der Refraktion basierend auf Messungen zu im Messvolumen verteilten Prismen quantifiziert und anschließend auf die Punktwolke abhängig von der lokalen Topographie überträgt. Aufgrund der zeitlich hochaufgelösten Betrachtung werden wiederkehrende Refraktionsmuster, z.B. mit KI-Methoden wie neuronaler Netze, erlernt und in der Punktwolke größtmöglich reduziert, wobei wir – angepasst an das aktuelle Gefahrenpotential – einen Kompromiss zwischen Genauigkeit und naher-Echtzeitfähigkeit des Systems anstreben. Unvermeidliche Pfeilerbewegungen des Laserscanners führen zu zeitlichen Variationen in der Ausrichtung und des Koordinatensystems zwischen den verschiedenen Messepochen und somit zu einem instabilen Referenzrahmen (Georeferenzierung). Zur Analyse dieser Effekte und zur Separierung von tatsächlichen Hangbewegungen binden wir einerseits Zusatzsensorik (Messungen auf Prismen, Neigungssensoren montiert am Messpfeiler) ein, was sich in der Vergangenheit als mögliche Option erwiesen hat (Schröder et al. 2022). Andererseits nutzen wir die Methode nach Yang und Schwieger (2022) zur Aufdeckung stabiler Messbereiche in den Punktwolken, um eine qualitativ hochwertige Georeferenzierung auch rein basierend auf den Laserscans zu ermöglichen. Anschließend kombinieren wir die beiden Methoden der Georeferenzierung, sodass zeitliche und räumliche Instabilitäten in der Georeferenzierung bestmöglich über alle Epochen hinweg minimiert werden.
• Wir filtern die nun vorliegenden Laserscans, um störende, nicht relevante Artefakte bzw. Objektveränderungen im Messgebiet (Vegetation, Schneefall, Tiere, o.ä.) zu reduzieren. Dafür entwickeln wir Methodiken, um die für die jeweiligen Artefakte charakteristischen raumzeitlichen Muster in der Punktwolke zu identifizieren (z.B. höhere rückgestreute Intensität bei Schneefall, lokal begrenzte Anomalien durch Tiere) und lokal abzugrenzen. Je nach Häufigkeit der auftretenden Phänomene und demzufolge der Menge an geeigneten Trainingsdaten greifen wir dabei entweder auf KI-Methoden (z.B. neuronale Netze) oder auf schon lang etablierte Verfahren der digitalen Bildverarbeitung (z.B. K-means Clustering) zurück. Anschließend tracken wird diese Muster über die Zeit. Nach der Identifikation dieser Bereiche eliminieren wir die zugehörigen Artefakte aus der Punktwolke und interpolieren das Signal an diesen lokalen Ausschnitten unter Zuhilfenahme der in AP 4.3 identifizierten stabilen Messbereiche.
• Wir integrieren alle entwickelten Methoden kontinuierlich in die open source Software py4dgeo, die auf die Analyse von 4D-Punktwolken spezialisiert ist.

Auf Basis der in AP 4 vorverarbeiteten Messdaten analysiert AP 5 die Daten hinsichtlich raumzeitlicher Veränderungen. Geometrische Merkmale (engl.: Features) ermöglichen die hochaufgelöste, zuverlässige und statistisch gesicherte Ableitung von Geschwindigkeits- und Beschleunigungsfeldern in Form von raumzeitlichen Vektoren. AP 5 gliedert sich in vier Arbeitsschritte.

• Aus den Messdaten werden digitale Höhenmodelle abgeleitet und darauf basierend geometrische Merkmale bzw. Features extrahiert unter Nutzung des SIFT- oder KAZE-Algorithmus. Durch die Betrachtung von zwei Messepochen können diese Features anschließend über das Feature-Tracking verfolgt werden, woraus dann 3D-Vektorfelder abgeleitet werden. Mögliche Methoden können in Anlehnung an Holst et al. (2021) implementiert werden. Problematisch ist hierbei der hohe Anteil an Fehldetektionen zu sehen, sodass spezielle Filtermethoden zur Homogenisierung zu implementieren sind, z.B. unter Nutzung lokaler Histogramm-Analysen. Generell können aus dieser Methodik aufgrund der Betrachtung von lediglich zwei Epochen nur Distanzfelder berechnet werden, nicht jedoch valide Geschwindigkeiten oder Beschleunigungen abgeleitet werden.
• Die Erweiterung zum 4D-Feature-Tracking zur Ableitung raumzeitlich hochaufgelöster Vektorfelder gelingt über die Einbindung mehrerer Messepochen, sodass eine zuverlässige Ableitung der schadensrelevanten Charakteristika (Geschwindigkeiten, Beschleunigungen, Bewegungsrichtungen) gelingt. Hierfür wird die räumliche Histogramm-Analyse um eine zeitliche Analyse ergänzt, sodass einerseits Ausreißer herausgefiltert werden und andererseits lokale Anomalien im Bewegungsverhalten nicht unentdeckt bleiben. Hierfür untersuchen wir verschiedene mehrdimensionale Filterungs- und Glättungsalgorithmen: So könnte ein Kalman-Filter das Bewegungsverhalten in naher Echtzeit beschreiben. Eine darauf aufbauende Rauch-Tung-Striebel-Glättung könnte das Bewegungsverhalten zwar mit einer höheren Genauigkeit parametrisieren und prädizieren, jedoch nur mit einer gewissen Latenzzeit, deren Länge von der Homogenität des Bewegungsverhaltens abhängt. Diese Unterschiede gilt es methodisch aufzuarbeiten.
• Wir evaluieren die Methodik des 4D-Feature-Trackings und der raumzeitlichen Filterung einerseits anhand einer Kreuzvalidierung, indem wir das Verhalten auf Basis nur einer Teilmenge des vorhandenen Datensatzes prädizieren und mit den realen Daten vergleichen. Andererseits nutzen wir Monte-Carlo-Simulationen und simulieren in diesem Rahmen mögliche Bewegungsmuster, sodass wir durch den Vergleich verschiedener Methoden zuverlässige Schlussfolgerungen ziehen können. Das Ziel dieser Evaluierung ist es, unabhängig von den aus dem Tracking und der Filterung bereits abgeleiteten Genauigkeitsmaßen, zum einen orts- und zeitveränderliche Signifikanzgrenzen für die parametrisierten Bewegungsfelder zu quantifizieren und zum anderen die Sensitivität der Ergebnisse hinsichtlich Bewegungsrichtung und Bewegungsgeschwindigkeit / -beschleunigung zu bestimmen.
• Wir integrieren alle entwickelten Methoden kontinuierlich in die open source Software py4dgeo.

AP 6 entwickelt neue Methoden und Tools, um relevante Änderungsinformation aus den in AP 4 und AP 5 bearbeiteten Daten automatisch zu extrahieren. Dabei sollen verschiedene Änderungsarten des Geländes (z.B. Steinschlag-Events, Bewegungen oder Erosionsprozesse) vollautomatisch erkannt und zeitlich wie räumlich abgegrenzt werden.

AP 6 gliedert sich in fünf Arbeitsschritte: (6.1) Als Grundlage wird eine Methode implementiert, die benutzerdefinierte Änderungstypen (z.B. Steinschlagmuster) mit entsprechenden Schwellenwerten durch eine regelbasierte Klassifikation erkennen kann. Es ist geplant, über sogenannte Templates, die von den Usern in den vorhandenen Daten ausgewählt werden können, die verschiedenen Änderungstypen zu parametrisieren. Die Auswahl der Schwellenwerte soll durch Machine Learning (v.a. Random Forest Klassifikation und Regression) unterstützt und vereinfacht werden. (6.2) Um Nahe-Echtzeit in der Informationsextraktion zu erzielen, werden die Daten hierarchisch analysiert, sodass zeitaufwändige Berechnungen nur mehr in Teilen durchgeführt werden müssen, ohne die Informationsqualität zu verringern. Die hierarchische Approximation wird über ein vorgegebenes Regelwerk durchgeführt. (6.3) Ausgewählte KI-Methoden des Machine Learning (ML), insbesondere Deep Learning (DL), auf 3D-/4D-Punktwolken (z.B. Siamese kernel point convolution deep networks, Gélis et al. 2023) werden für die Klassifikation von Änderungen im Gelände trainiert und in ihrer Performance evaluiert. Dafür kann der Heidelberger LiDAR-Simulator HELIOS++ zur schnellen Erstellung von sehr großen synthetischen Trainingsdaten eingesetzt werden (Winiwarter et al. 2022a, 2022b). (6.4) Zusammen mit den Erkenntnissen aus AP 4 und AP 5 werden adaptive Aufnahme-Workflows zur Steuerung des PLS abgeleitet. Adaptiv bedeutet, dass die Datenaufnahme vom System nach definierten Regeln und auf Basis der bereits aufgenommenen Daten angepasst werden kann, sodass Änderungen schließlich genauer erkannt und besser klassifiziert werden können. Dies kann die räumliche Auflösung und Ausdehnung wie auch den zeitlichen Abstand der Aufnahme betreffen. (6.5) Die Methoden des AP 6 werden kontinuierlich in die Software py4dgeo integriert und getestet.

Für die Durchführung von AP 6 wird eine hochqualifizierte Person aus der (Geo-)Informatik benötigt, die sowohl Kenntnisse in der 4D-Punktwolkenanalyse als wie auch im Machine Learning verfügt. Die Methodenentwicklung und Open-Source Integration sind sehr zeitintensiv und beinhalten für jede Komponente jeweils eine Konzeptions-, Implementierungs-, Test- und Evaluierungsphase. Konzeption und Evaluierung werden zusammen mit den Stakeholdern durchgeführt, Implementierung und Test in Abstimmung mit den Projektpartnern.

AP 7 entwickelt neue Methodiken und Tools für die Visualisierung der erkannten Geländeänderungen aus AP 5 und AP 6 für die Verwendung durch Enduser*innen und zur Unterstützung von Entscheidungsfindungen durch Stakeholder. Ziel ist es, die großen Datenmengen von PLS-Systemen auf die für die User*innen relevante Aspekte zu reduzieren, ohne wichtige auftretende Ereignisse im Untersuchungsgebiet dabei zu verlieren.

AP 7 besteht aus fünf zentralen Arbeitsschritten: (7.1) Relevante Änderungsinformationen werden abgeleitet und dienen als Input für alle weiteren Schritte. Dieser Schritt beinhaltet das Verschneiden der automatisch detektierten Änderungen aus AP 6 mit den vorgegebenen Suchkriterien der User*innen. (7.2) Für den Einsatz in GIS-Programmen und Web-Dashboards werden 2D-GIS-Layer abgeleitet, die die Änderungsgebiete in Überblickskarten kennzeichnen und mit wichtigen Maßzahlen beschreiben (z.B. Änderungsvolumen). GIS-Layer werden mit Zeit- und Sachinformation versehen und in einem GIS-Standardformat geschrieben (z.B. GeoJSON). (7.3) Für den Einsatz in (online) 3D-Viewern (z.B. potree) werden, die Änderungsgebiete und Maßzahlen als 3D-GIS-Datensatz erstellt und für gängige 3D-Webviewer lesbar gemacht. (7.4) Um die Änderungen auch dynamisch in 4D zu visualisieren (also über die Zeit in einem 3D- Viewer), muss eine neue Methodik entwickelt werden, die die reichhaltige 4D-Information übersichtlich und verständlich darstellt, ohne wichtige Information zu verlieren oder zu überfrachten. Erste methodische Ansätze wurden in Winiwarter et al. (2022c) entwickelt, die über Cluster-Verfahren ähnliche räumlich-zeitliche Änderungen gruppieren und visuell verstehbar machen. (7.5) Die Methoden des AP 7 werden kontinuierlich in py4dgeo als neues Visualisierungsmodul integriert und getestet. Die Software py4dgeo wird dabei um ein neues Visualisierungsmodul erweitert.

Für die Durchführung von AP 7 wird eine hochqualifizierte Person benötigt, die sowohl Kenntnisse in der 3D-Datenanalyse und Geoinformatik verfügt. Wie in AP 6, sind die Methodenentwicklung und Open-Source Integration sehr zeitintensiv und beinhalten Interaktion mit den Enduser*innen und Abstimmung mit den Projektpartnern in den verschiedenen Entwicklungsphasen (Konzeption, Implementierung, Test, Evaluation).

Innerhalb dieses Arbeitspakets werden die 4D-Monitoringdaten und Analysen in ein datenbankgestütztes, webbasiertes Informationssystem integriert. Das System dient in erster Linie dazu, die Ergebnisse den assoziierten Partnern und Stakeholdern vorzustellen, die Effizienz und Effektivität von 4D-Monitoringdaten im betrieblichen Umfeld aufzuzeigen.

Zum Arbeitsumfang gehört die Systemkonzipierung und die Erstellung eines initialen, funktionsfähigen Prototyps, der für die Untersuchungen im Projekt eingesetzt und spezifisch um die im Projekt neu entwickelten Funktionen erweitert wird. Dazu gehören u.a. Analyse- und Visualisierungsfunktionen die eine quantitative Bewertung und Identifizierung der am stärksten gefährdeten Bereiche zu ermöglichen.

Die Entwicklung erfolgt in folgenden Schritten: Systemkonzipierung, Erstellung eines Systemprototypen, Integration der Spezialfunktionen aus dem Projekt, final optimierte Entwicklung mit Anwendung bei den assoziierten Partnern. Zusammen mit den Partnern wird das Webtool im Projektverlauf kontinuierlich entwickelt.

Die wissenschaftlichen Ergebnisse des Projekts sollen neues Wissen im Bereich der multitemporalen Datenanalyse von Daten einer permanenten Laserscanningstation generieren, um die Aus- und Weiterbildung von zukünftigen Wissenschaftler*innen und Ingenieur*innen zu unterstützen, sowie vorhandene Methoden, Verfahren und Expertise zur Bewertung von Massenbewegungen und deren Einsatz innerhalb eines Risikomanagements durch die enge Zusammenarbeit mit den Stakeholdern validieren und weiterentwickeln. Ergebnisse des Projektes werden mittels vier Open Access Publikationen veröffentlicht. Algorithmik und Analysetools werden innerhalb der Software py4dgeo integriert und stehen daher als Open Access für die Nutzung und Integration in weiteren Projekten zur Verfügung.

Die Ergebnisse und der Fortschritt des Projektes werden zum einen innerhalb einer Projektwebseite präsentiert. In Absprache mit den Stakeholdern werden relevante Informationen für die Bevölkerung ebenfalls abgeleitet und transparent für die Webdarstellung aufbereitet. Zum anderen soll ein externer Workshop mit Experten aus Ingenieurbüros, Kommunen, Ministerien und Infrastrukturbetreibern stattfinden.

Die DMT zielt darauf ab, die frei verfügbaren Algorithmen innerhalb innovativer Dienstleistungen im Anschluss an das Projekt zu verwerten und dem rasant wachsenden Markt anzubieten. Dafür kann die DMT auf einen großen, bereits existierenden Kundenstamm zurückgreifen und direkt im Anschluss des Projektes mit der Verwertung der im Projekt erzielten Ergebnisse starten.