HFTor - HfT Open Repository (Hochschule für Technik Stuttgart)
Not a member yet
404 research outputs found
Sort by
Automated Land Use/Land Cover Refinement for Multispectral Satellite Imagery
Get PDFReliable methods for land-use/land-cover segmentation are necessary to efficiently monitor changes on the face of the planet. State-of-the-art segmentation results can be achieved by combining deep learning methods with multispectral satellite imagery. While a significant body of previous research focuses on improving the underlying model architectures, datasets are oftentimes considered static. Nevertheless, the quality of the results relies heavily on accurate and up-to-date training data. The high cost of labeling images often necessitates the reuse of outdated labels, which can lead to significant inaccuracies due to environmental changes. For example, the plowing of a field or drying of grass will significantly alter the appearance of the labeled classes in the image, potentially confusing a model in its training and impeding the subsequent identification of these classes. While it is correct that a plowed field is still a field, a deep learning model might be confused by the fact that some areas showing exposed soil are considered fields, while others are not; the refinement of the labels based on image data simply improves the agreement of the labels with the image data, therefore guiding the learning process. This effect is relevant to most datasets that combine satellite imagery with land-use/land-cover labels that were not generated for the exact same point in time. Even short temporal differences on the order of days between the observation timestamp of a satellite image and the validity timestamp of the corresponding label information may show label discrepancies due to natural and human-caused effects as those described above.
This work introduces a data-driven approach to refine erroneous pixel-wise labels in multi-spectral satellite imagery for the task of land-use/land-cover segmentation. Our method leverages satellite image data to correct the corresponding class labels for the effects described above. Namely, we compute the Normalized Differential Vegetation Index (NDVI) for each satellite image and compare it to the corresponding land-use/land-cover label masks; the labels of image areas that are supposed to be covered by classes "cropland" or "grassland" are altered to class "bare/sparse vegetation" if the NDVI is below a certain threshold, thereby assuming that the area has recently lost its vegetation due to some unknown process. An updated label dataset is generated with this method, which is used in the subsequent training and evaluation of a deep learning model.
We evaluate our approach based on the ben-ge dataset (Mommert et al. 2021), which combines Sentinel-2 satellite imagery from the BigEarthNet dataset (Sumbul et al. 2019) that was primarily acquired in 2017 and 2018 with ESA WorldCover land-use/land-cover labels that were generated for the year 2021, leading to significant discrepancies in some dataset samples - foremost in areas that are being utilized agriculturally. Out of 11 classes present in the ESA WorldCover schema, 8 are present in the ben-ge dataset, 3 ("shrubland", "bare/space vegetation" and "herbaceous wetland") of which cover less than 1% of all pixels in the dataset. As our model, we use a U-Net (Ronneberger et al. 2015) backbone, which we train to predict land-use/land-cover segmentation masks from the satellite imagery. To evaluate our method, we compare F1 scores from an ensemble of three independent training runs (we report mean and standard deviation across the three runs) based on the original ben-ge labels and an ensemble based on the refined labels; both datasets use the same train/validation/test split.
Experimental results show that the removal of erroneous labels significantly improves the overall segmentation performance and for some classes in particular. Test dataset macro F1-scores (un-weighted mean F1 across all classes) increase from 59%+-1% (model trained and evaluated on original ben-ge labels) to 65%+-1% (model trained and evaluated on refined labels), while micro F1-scores (ignoring classes altogether) and weighted F1-scores (weighted by support) increase marginally (91.5%+-0.4% to 92.1%+-0.3%, and 91.4%+-0.4% to 91.8%+-0.3%, respectively). More interestingly, the F1-scores for the "bare/sparse vegetation" class increase from 34%+-6% to 94.3%+-0.1%, enabling a significantly more confident segmentation for this class; this improvement is largely driven by the much higher support of this class (0.017% of original ben-ge labels and 4.5% of refined labels belong to this class). While the identification of the "grassland" class (93.5%+-0.3% to 94.2%+-0.3%) improves, we see a drop in performance for the "cropland" class (76%+-1% to 61%+-2%), which we attribute to the much lower support of this class after the refinement (7.3% of all pixels to compared to 4.2%). An analysis of the confusion matrices based on the original ben-ge and refined datasets shows that confusion between different classes is significantly reduced.
A qualitative analysis of the model output supports our quantitative evaluation results: the model shows a much better agreement between the visual appearance of satellite images and the corresponding labels. Furthermore, the model displays much more confidence in the identification of "bare/sparse vegetation" areas, which represents one of the smallest classes in the original ben-ge labels. The re-labeling of "bare/sparse vegetation" areas now allows for a highly confident identification of such areas, which is not possible based on the original labels.
Our proposed method enables the identification and correction of mislabeled areas in land-use/land-cover datasets, particularly in highly dynamic land cover types like croplands and grasslands. The method does not require additional data and uses only minimal resources to improve the results of the trained deep learning model. Utilizing other band indices, this method may be extended to correct other effects in order to provide more reliable land-use/land-cover monitoring
Schlussbericht zum Vorhaben INSPIRER: Forschungsprogramm zur Mensch-Technik-Interaktion: „Technik zum Menschen bringen“
Get PDFDas Projekt INSPIRER zielte darauf ab, Augmented Reality (AR) zur interaktiven Bürgerbeteiligung in der Stadtplanung einzusetzen. Durch eine standortbezogene Visualisierung von Planungsentwürfen konnten Bürger*innen geplante Veränderungen direkt vor Ort erleben. Der entwickelte AR-Client mit einem innovativen Point Cloud Matching-Tracking-System ermöglichte eine präzise Platzierung und Stabilisierung virtueller Inhalte ohne GPS.
Im Rahmen des Projekts wurde ein 3D-Stadtmodell-Server entwickelt, der Bestands- und Entwurfsdaten verwaltet. Dies erlaubte die nahtlose Integration von Stadtplanungsmodellen in AR-Anwendungen. Ein zentraler Anwendungsfall war die Visualisierung eines geplanten Kreisverkehrs in Fellbach, wobei die AR-App es ermöglichte, das 3D-Design des neuen Stadtbereichs direkt vor Ort zu erleben.
Die Forschungsergebnisse wurden evaluiert und zeigen, dass AR-basierte Beteiligungsformate das Verständnis und die Akzeptanz von Stadtplanungsprozessen erheblich verbessern können. Die entwickelte Technologie wurde veröffentlicht und als Open Access zugänglich gemacht, um zukünftige Entwicklungen in der digitalen Bürgerbeteiligung zu unterstützen
Hybride Partizipation für eine bürgergetragene Energiewende
No full textEs gibt kaum Beispiele für eine bürgergetragene urbane Energiewende zu Positive Energy Districts (PEDs). Trotz verfügbarer Energiesimulationstools bleibt die Anpassung an PEDs für Kommunen schwierig, was das EU-Ziel von 100 PEDs bis 2025 hemmt. DigiTwins4PEDs schließt diese Lücke durch innovative Forschung und partizipative Prozesse, bei denen Bürger*innen und Interessengruppen in Co-Design, Co-Creation und Co-Learning einbezogen werden. Hybride Partizipation und Urban Digital Twins (UDT) fördern Beteiligung und ermöglichen Bürger*innen, die lokale Energiewende aktiv mitzugestalten
Technisch- Wirtschaftliche Betrachtung einer Wasserstoff- Erzeugungs- und Rückverstromungsanlage mit Speicher im Rahmen fluktuierender Strompreise
Get PDFDer im Rahmen der Energiewende essenzielle Ausbau Erneuerbarer Energien setzt eine deutliche Steigerung der Flexibilität des Stromnetzes voraus, um Versorgungssicherheit und Systemstabilität langfristig gewährleisten zu können. Eine mögliche Lösung bildet die Erzeugung von Wasserstoff per Elektrolyse zu Zeiten mit hohem Anteil an EE- Strom bzw. geringen Börsenstrompreisen, einer Speicherung dieses Wasserstoffes in Kavernen und einer Rückverstromung zu Zeiten mit möglichst niedrigem Angebot an EE bzw. erhöhten Börsenstrompreisen.
Die vorliegende Arbeit untersucht, wie dieser Ansatz im Rahmen der ansteigenden Strompreisvolatilität wirtschaftlich gestaltet werden kann und welche Rolle dieser im zukünftigen Energiesystem einnimmt. Die betrachteten Parameter der Wirtschaftlichkeitsanalyse umfassen die Wahl und Dimensionierung der Komponenten, die Anzahl der Betriebsstunden und die Relation von elektrischem Energieinput zu elektrischem Ener-gieoutput. Eine Variation der gesetzten Parameter wird anhand der Betrachtung und Auswertung verschiedener Szenarien untersucht.
Unter den angenommenen Rahmenbedingungen wird in der Analyse durch hohe Sys-temverluste und fixe Kosten ausschließlich Verlust erzielt. Das Hauptoptimierungspotenzial liegt in der Verringerung der Fixkosten, der Steigerung geringer Strompreisstunden sowie der Erhöhung des Gesamtwirkungsgrades. Durch Kombination mehrerer Optimierungsmaßnahmen kann für das Investitionsjahr 2040 ein Gewinn generiert wer-den. Da eine deutliche Erhöhung der optimalen Betriebsstundenanzahl sich als schwer umsetzbar darstellt, ist das vorgestellte strommarktbasierte Modell vorrangig zur An-wendung in Dunkelflauten attraktiv. Durch die Möglichkeit der langfristigen Speicherung von Strom kann das System einen wichtigen Beitrag zur zukünftigen Versorgungssicherheit mit geringem Anteil fossiler Kraftwerke leisten
Small-Scale Hybrid Participation and Heat Mitigation Measures by Active Bottom Surface Cooling—Need for an Integrated Framework to Improve Well-Being
No full textRising urban temperatures due to climate change, limited green spaces, and dense urban areas impact public health and human well-being, highlighting the need for innovative grey infrastructure solutions where conventional green spaces are not feasible. This study aims to bridge the gap between objectively measured and perceived benefits of urban heat mitigation by combining social and technological methods within socio-ecological systems. First, a literature review of 759 articles, with 64 meeting the review criteria, and a bibliometric analysis examined the recent extensive research on participation and the connections between participation, resilience, and sustainability. Second, a chain of evidence as a qualitative method demonstrated how Active Bottom Surface Cooling (ABSC) can enhance outdoor thermal comfort (OTC). This emphasised the importance of participatory innovation and novel cooling technologies for urban resilience: hybrid (digital and analogue) participation can raise the awareness, acceptance, and effectiveness of such technical innovations. It revealed the need for an integrated framework, leveraging synergies: (1) community engagement tailors solutions to urban needs, (2) adaptability ensures effectiveness across diverse settings, (3) improved thermal comfort enhances citizen well-being, and (4) resilience strengthens the climate change response. By conceptualising cities as urban systems, the integrated framework fosters reciprocal socio-ecological benefits between people, nature, and the environment. Through hybrid participation and ABSC, it boosts community engagement, OTC, and well-being for sustainable urban development
A proposal to update and enhance the CityGML Energy Application Domain Extension
No full textAbstract. The CityGML Energy Application Domain Extension (ADE), released in 2018, offers an open and standardised data model to facilitate multi-scale Urban Energy Modelling applications. The Energy ADE is based on and extends CityGML 2.0 and has been already used in several national and international projects, mainly focusing on the simulation and computation of the building energy performance based on the integration of semantic 3D city models and other sources of information. The technological innovations (e.g. the release of CityGML 3.0 in 2021) and experiences and feedback collected since its release have contributed to forge several new ideas to improve and update the Energy ADE. Since 2024, work has been going on to harmonise and implement such ideas, towards a so-called Energy ADE 2.0. This paper provides an overview of the development process of the conceptual model so far, and presents a selection of the major changes and improvements that have been made to the original data model of Energy ADE
Pro.La-Fellbach : Produktive Landschaften, Potenzialstudie zum Ressourcenverbrauch und Synergien zwischen Gewerbe und Landwirtschaft anhand des IBA’27-Projektes „Agriculture meets Manufacturing“, Fellbach : Schlussbericht
Get PDFIm Rahmen des Forschungsprojekts "Pro.La-Fellbach" wurden Wasserpotenziale in Gewerbegebieten und mögliche Synergien mit angrenzender Landwirtschaft am Beispiel des Fellbacher IBA’27-Projektgebiets analysiert. Ziel war es, nachhaltige Strategien zur Wassernutzung und Klimaanpassung zu entwickeln, insbesondere im Hinblick auf die Speicherung und Nutzung von Regen- und Abwasser.
Dabei wurde in einem ersten Schritt der Regenwasserhaushalt des bestehenden Gewerbegebietes betrachtet. Die Ergebnisse zeigen, dass das untersuchte Gewerbegebiet zu 67 % versiegelt ist, was zu hohen Abflussmengen und einer geringen Verdunstungs- sowie Versickerungsrate führt. Durch eine Kombination aus Begrünungs- und Entsiegelungsmaßnahmen könnte der Abfluss um bis zu 32 % reduziert und der Wasserhaushalt in Richtung eines naturnahen Zustands verbessert werden. Hierfür sind unterschiedliche Begrünungs- und Retentionsmaßnahmen notwendig.
Um die lokalen Gewerbetreibenden für die Möglichkeiten klimatischer Anpassungen zu sensibilisieren, wurde ein frei zugängliches digitales Tool „Urban-Water-Potentials.de“ entwickelt. Das interaktive Tool ermöglicht es, Informationen zu einzelnen Parzellen bzw. zum gesamten Gewerbegebiet in Fellbach abzurufen. Die bereitgestellten Daten umfassen Angaben zum Versiegelungsgrad, zur Nutzung, zum Regenwasserhaushalt (Menge an Niederschlägen, Verdunstung und Ableitung), zu Trinkwasserbedarfen und Abwasseraufkommen sowie zu den resultierenden Kosten für den Bezug bzw. die Einleitung von Regen- und Abwasser in die Kanalisation. Über einen einfach konzipierten Szenarienmanager können verschiedene Begrünungsszenarien getestet und hinsichtlich ihrer Auswirkungen auf den Wasserhaushalt sowie der resultierenden Kosten untersucht werden.
In einem weiteren Schritt wurden die Wasserbedarfe der angrenzenden Landwirtschaft in Abhängigkeit unterschiedlicher Klimasituationen („trockenes Jahr“, „regenreiches Jahr“ etc.) simuliert und mit einem potenziellen Angebot an nutzbaren Regen- und Abwassermengen aus dem Gewerbegebiet abgeglichen. Da Angebot und Nachfrage an Regenwasser zeitlich nicht synchron verlaufen, wurden unterschiedliche Speichervolumina in der Simulation berücksichtigt. Die Ergebnisse zeigen, dass ein Regenwassertransfer die Wasserproblematik in der Landwirtschaft während trockener und heißer Perioden nicht vollständig lösen kann. Für die Deckung der in Trockenzeiten auftretenden „Regenwasserlücken“ wären im Projektgebiet in Fellbach Speichervolumina von über 36.000 m³ erforderlich, während in normalen Jahren lediglich Speicher mit einer Größe von 4.000 m³ ausreichen würden.
Aus diesem Grund wurde im weiteren Projektverlauf die Nutzung von behandeltem Grau- und Abwasser aus dem Gewerbegebiet zur Deckung dieser „Regenwasserlücken“ untersucht. Dabei wurde festgestellt, dass die Nutzung gewerblichen Abwassers allein nicht ausreicht, um den hohen Bewässerungsbedarf in heißen und trockenen Zeiten zu decken.
Zusammenfassend hat das Projekt gezeigt, dass in typischen deutschen Gewerbegebieten ein erheblicher Klimaanpassungsbedarf besteht. Die klimatischen Herausforderungen können durch gezielte Maßnahmen hin zu einem naturnahen Wasserhaushalt bewältigt werden. Darüber hinaus erscheint es sinnvoll, separate Regenwassertrennkanäle zu errichten, um das theoretisch große Potenzial des Regenwasserteilstroms aus Gewerbegebieten mittelfristig nutzbar zu machen. Die tatsächliche Umsetzbarkeit hängt jedoch von verschiedenen örtlichen Faktoren ab, wie Topografie, Bodenbeschaffenheit, Altlasten und den Wasserbedarfen im Umfeld. Neben einer teilweisen Nutzung in der Landwirtschaft könnten auch umfassende Versickerungsmaßnahmen zur Grundwasserneubildung sowie zur Speisung lokaler Gewässer beitragen.
Das Projekt wurde federführend durch die Hochschule für Technik Stuttgart (HFT) in Zusammenarbeit mit der Ostbayerischen Technischen Hochschule Amberg-Weiden (OTH), der Stadt Fellbach sowie der Internationalen Bauausstellung 2027 (IBA’27) durchgeführt. Es wurde fachlich und finanziell durch die Deutsche Bundesstiftung Umwelt (DBU) gefördert (Az.: 38396/01). Der vollständige Abschlussbericht kann über die HFT eigene open-access Plattform „HFT Open Repository“ (HFTor) bezogen werden
An OGC API–Based Framework for Scalable and Interoperable Urban Digital Twin Ecosystems: Insights from the OGC Urban Digital Twins Interoperability Pilot
No full textAbstract. Urban Digital Twins are powerful tools designed to replicate and analyze the dynamics of urban environments, supporting more informed planning, management, and decision-making. However, their development is often challenged by issues in data interoperability, system integration, and scalability. This paper explores the pivotal role and technical implementation of new-generation Open Geospatial Consortium (OGC) APIs—Features, 3D GeoVolumes, Tiles, and SensorThings—in fostering seamless, lightweight, and scalable data exchange to overcome these barriers. These modern, RESTful APIs surpass older standards like WFS and WMS by simplifying integration and enhancing compatibility with diverse data sources, such as 3D city models in CityGML, IoT sensor data, and geo-referenced imagery. Through the OGC Urban Digital Twin Interoperability Pilot (UDTIP), the paper illustrates the practical application of these APIs in two use cases: urban traffic noise modeling and Geo-AI analysis. By integrating 3D city models, traffic profiles, sensor data, and imagery, UDTIP enables noise simulation and advanced tasks like object detection and road surface classification. Its modular architecture supports efficient data exchange across vector, raster, sensor, and training datasets, leading to impactful geovisualizations powered by CesiumJS, which renders noise patterns and urban features as 3D Tiles and point clouds. By harnessing OGC standards in the UDTIP, our OGC API powered data integration and visualization framework establishes a robust, interoperable framework for scalable UDTs, delivering actionable insights for urban planning and management while promoting standardized, future-ready digital twin solutions
Nachhaltigkeitsbewertung von Gewerbegebieten - Entwicklung eines KPI-Sets und Untersuchung bestehender Tools anhand zweier Fallbeispiele
Get PDFDie Auswirkungen des Klimawandels sind zunehmend spürbar, weshalb eine nachhaltige Transformation in allen Siedlungsgebieten erforderlich ist. Insbesondere Gewerbegebiete erfordern eine Transformation zu nachhaltigen Gebieten, um ihre Zukunftsfähigkeit sicherzustellen. Um dies effektiv umzusetzen, ist es notwendig, die Nachhaltigkeit von Gewerbegebieten zu quantifizierbar zu erfassen. Ziel dieser Bachelorarbeit ist die Entwicklung geeigneter Key Performance Indicators (KPI), die auf Grundlage öffentlich verfügbarer oder standardisierter Daten automatisiert für Gewerbegebiete in Deutschland ermittelt werden können.
Wesentliche Handlungsfelder, die sowohl für Gewerbe- als auch für Wohngebiete relevant sind, umfassen Klimaschutz, Klimaanpassung, Biodiversität, Flächenressourcen und Mobilität. Die aktuell ermittelbaren Indikatoren wurden anhand zweier Fallstudiengebiete berechnet. Dabei wurde auch das Simulationstool SimStadt hinsichtlich bestehender Lücken analysiert und daraus konkrete Anforderungen abgeleitet, um das Tool für die Anwendung auf Gewerbegebiete zu erweitern.
Die Analyse zeigt, dass die derzeit allgemein zugängliche Datengrundlage zur automatisierten Berechnung der KPIs für Gewerbegebiete stark eingeschränkt ist. Dennoch ermöglicht eine Vereinfachung bei der Wahl der Flächenbezugsgrößen die Bildung sinnvoller KPI, mit denen aufgezeigt werden kann, in welchen Handlungsfeldern spezifische Gewerbegebiete nachhaltiger entwickelt werden müssen. Von den vier KPI, die durch SimStadt ermittelt werden können, liefern aktuell nur zwei KPI plausible Ergebnisse und sind folglich auf Gewerbegebiete derzeit anwendbar. Um die übrigen beiden Workflows ebenfalls zu nutzen, müssen die vorhandenen Bibliotheken zunächst auf Nicht-Wohngebäude erweitert werden. Zukünftig ist es außerdem erforderlich, Python-Skripte und Deep-Learning-Algorithmen zur automatisierten Datenerhebung und -filterung zu entwickeln, um die Ermittlung der weiteren KPIs automatisiert zu ermöglichen
Regaining Control: Enabling Educators to Build Specialized AI Chat Bots with Retrieval Augmented Generation
No full textConversational AI (chat) bots are powerful and helpful tools, but are not suited for the unrestricted use in many classrooms: They may hallucinate, easily veer from the topic of instruction, and are vulnerable to malicious prompting. Retrieval-augmented generation (RAG) is a technique that allows educators to constrain chat bots to a specific area of expertise, reducing hallucinations and vulnerability to mis-use. We are working on a low-code solution that enables tech-savvy educators to build such a RAG-based chat bot system themselves, thus retaining full control over the content and behavior of their bot. We present the first version of this system and promising initial feedback from educators and students on its suitability, reliability and flexibility