Zuwendungsgeber: BMWK
Förderkennzeichen: 50EE2301
Projektträger: DLR Raumfahrtagentur
Förderzeitraum: 01.01.2023 – 31.12.2024

Müllkriminalität stellt in vielen Ländern der Europäischen Union und weltweit ein ernstes Problem dar, das mit negativen Folgen für die Umwelt und Gesundheit sowie mit hohen Kosten für die Beseitigung und das Aufspüren der Verursacher einhergeht. Schätzungen zufolge kostet Müllkriminalität die EU-Mitgliedstaaten jährlich 72 Milliarden Euro an Sanierungskosten und entgangenen Einnahmen (https://ec.europa.eu/commission/presscorner/detail/en/IP_12_18) . Dementsprechend hat die Europäische Kommission in ihrem Plan für "EU-Maßnahmen zur Verbesserung der Einhaltung von Umweltvorschriften und der Verwaltungspraxis" der Bekämpfung von illegaler Müllverbringung Priorität eingeräumt und schlägt ausdrücklich die Nutzung von weltraumgestützten Aufklärungsdaten wie z.B. Daten der Copernicus Missionen vor (s. Maßnahme 8 in Tabelle 2 in „COM/2018/010 final“: https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=COM:2018:0010:FIN).

Während die fernerkundliche Erkennung von Müllstandorten bisher meist auf teuren, räumlich sehr hoch auflösenden, multispektralen Satellitenbildern oder auf Flugzeug-gestützten Bilddaten beruhte und mit hohem manuellem Arbeitsaufwand verbunden war, bieten Sentinel-1 (S-1) und Sentinel-2 (S-2), PRISMA und in Zukunft auch EnMAP und CHIME neue Möglichkeiten für die globale Erkennung von Müllkippen auf häufig wiederkehrender und kostenloser Datenbasis, wodurch sie für eine breite Gemeinschaft neuer Nutzer wie Umweltbehörden und Polizeien (Strafverfolgung der Umweltkriminalität) weltweit, insbesondere in Entwicklungsländern, erschwinglich wird. Neben der Verfügbarkeit neuer Satellitendaten wurden mit Deep Learning (insbesondere Convolutional Neural Networks (CNNs)) auch neue Methoden in der Fernerkundung etabliert, die in vielen anderen Anwendungsbereichen die erzielbaren Klassifikationsgenauigkeiten im Vergleich zu den klassischen Klassifikationsmethoden und der ersten Generation von Machine Learning Methoden um 20-30 % auf häufig über 90% verbessern konnten (Russakovsky et al. 2015).

Unser Projektziel ist daher die Entwicklung von freien Software-Tools - basierend auf kostenlosen Satellitendaten - zur Kartierung von illegalen Müllkippen, einschließlich Plastikmüllansammlungen, als Teil der EnMAP-Box Software für die Nutzung in der Wissenschaft, Lehre, Verwaltung und Wirtschaft. Besonders die im vorgeschlagenen Projekt erstmalige Verwendung von hyperspektralen Satellitendaten zur Materialcharakterisierung auf Müllverdachtsflächen in Kombination mit einer vorgeschalteten, CNN-basierten, flächendeckenden Suche nach Verdachtsflächen basierend auf den räumlich höher aufgelösten Kanälen des S-2 Sensors (synergistische Nutzung) unter Berücksichtigung des räumlichen Kontextes könnte in diesem innovativen Anwendungsfeld den Durchbruch zur vollständigen Automatisierung und der Erreichung von Klassifikationsgenauigkeiten > 90% darstellen.

Das beantragte Projekt wird ein neues innovatives Anwendungsfeld für die synergetische Nutzung von hyperspektralen EnMAP-, PRISMA- und CHIME-Daten mit räumlich höher aufgelösten, multispektralen Daten (z.B. Sentinel-2, PlanetScope) erschließen. Die fernerkundungsbasierte Detektion, Monitoring und Charakterisierung von illegalen Müllkippen sowie die Überwachung von offiziellen Mülldeponien birgt das Potenzial, als Dienstleitung oder automatischer Downstream-Service entwickelt zu werden.

Mit dem vorgeschlagenen Projekt werden folgende Nachhaltigkeitsziele (sustainable development goals (SDGs)) der Vereinten Nationen unterstützt:

• Verringerung gesundheitlicher Risiken durch Müllkippen (SDG 3: Gesundheit und Wohlergehen)
• Verbesserung der Ressourcennutzung (SDG 11: Nachhaltige Städte und Gemeinden)

Reduzierung von Müllablagerungen und Einträgen von Schadstoffen in die Umwelt (SDG 12: Nachhaltige Konsum- und Produktionsmuster sicherstellen, SDG 15: Leben an Land)