Ziel des Projekts war es, die Genauigkeit und Aktualität der Kartierung von Bahnlärm zu verbessern, indem die Extraktion wichtiger Infrastrukturelemente, insbesondere von Schallschutzwänden (SSW), aus hochauflösenden Satelliten- und Luftbildern automatisiert wurde. Das technische Herzstück der Arbeit war eine Deep-Learning-Pipeline, die Sentinel-2-, Digital Orthophoto (DOP)-, Digital Surface Model (DOM)- und Digital Terrain Model (DGM)-Daten aufnimmt, sie zu einem zusammengesetzten nDOM fusioniert und hochmoderne Segmentierungsmodelle anwendet, um SSW-Fußabdrücke zu identifizieren. Die Fusionsstrategie kombinierte die Höheninformationen aus dem DGM mit der Oberflächenreflexion aus dem DOM und der Orthofototextur aus dem DOP und ermöglichte so die Generierung eines reichhaltigeren Merkmalssatzes für die nachfolgende Klassifizierung. Die Beschriftung der Bodenwahrheitsdaten wurde in einer QGIS-Umgebung durchgeführt, wobei die SSW-Grenzen manuell abgegrenzt wurden. Um den Aufwand für die Beschriftung zu skalieren und die Qualität zu gewährleisten, wurde im Rahmen des Projekts ein Google Kubernetes Engine (GKE)-Cluster eingesetzt, der die Arbeitslast auf mehrere Arbeitsknoten verteilte und eine Webschnittstelle für Prüfer bereitstellte, um die Beschriftungen zu validieren und zu korrigieren. Der annotierte Datensatz wurde dann verwendet, um verschiedene Backbone-Architekturen zu trainieren und zu evaluieren, darunter ResNet-, Swin Transformer- und Vision Transformer (ViT)-Varianten, in Kombination mit selbstüberwachten Pre-Training-Methoden wie Masked Auto-Encoding (MAE) und Distributed Instance-wise Recognition (DINO). Die Optimierung der Hyperparameter erfolgte durch eine Rastersuche über Lernraten, Stapelgrößen und Patch-Größen, wobei die beste Konfiguration anhand der Validierungsleistung ausgewählt wurde. Die Bewertungsmetriken umfassten die mittlere durchschnittliche Präzision (mAP) und die Überschneidungsrate (IoU), die anhand einer Testmenge berechnet wurden, die alle deutschen Bundesländer umfasste. Die Ergebnisse, die in Tabelle 7 des Berichts zusammengefasst sind, zeigen, dass das ViT-basierte Modell mit MAE-Pretraining die höchste mAP erreichte und die ResNet-Baseline deutlich übertraf. Die Segmentierungsgenauigkeit reichte aus, um nachgelagerte Arbeitsabläufe zur Lärmkartierung zu unterstützen, so dass die EBA zuverlässigere Expositionskarten erstellen und Lücken in bestehenden SSW-Inventaren identifizieren konnte. Neben dem primären Anwendungsfall der Lärmkartierung wurden im Rahmen des Projekts mehrere zusätzliche Anwendungen identifiziert, die von der automatisierten Bestandsaufnahme profitieren könnten, darunter die Notfallplanung, die Standortwahl für erneuerbare Energien, die Navigation von Landmarken und das Vegetationsmanagement. Die automatisierte Pipeline ist daher ein vielseitiges Werkzeug für eine Reihe von Akteuren, die am Management der Eisenbahninfrastruktur beteiligt sind.

Die Zusammenarbeit zwischen den Partnern basierte auf einer von den Interessengruppen geleiteten Phase der Bedarfsanalyse, gefolgt von einer iterativen Entwicklung und Validierung. Das deutsche Eisenbahnbundesamt (EBA) leitete das Projekt und koordinierte die Datenbereitstellung von DB InfraGO und anderen nationalen und lokalen Behörden. Das Deutsche Zentrum für Schienenverkehrsforschung (DZSF) steuerte Fachwissen im Bereich Eisenbahnbetrieb und Lärmmodellierung bei, während die Europäische Weltraumorganisation (ESA) Sentinel-2-Bilder und technische Unterstützung bei der Verarbeitung von Satellitendaten lieferte. An dem Projekt waren auch akademische Partner beteiligt, die ihre Forschungsexpertise in den Bereichen Computer Vision und maschinelles Lernen einbrachten, sowie Partner aus der Industrie, die die Cloud-Infrastruktur und die Werkzeuge für die Kommentierung zur Verfügung stellten. Während des gesamten Projekts erleichterte eine projektunterstützende Arbeitsgruppe (PAK) die Kommunikation zwischen dem technischen Team und den Endnutzern und stellte sicher, dass die entwickelten Lösungen den betrieblichen Anforderungen entsprachen. Das Projekt wurde in mehreren Phasen durchgeführt, beginnend mit der Befragung von Interessengruppen und der Literaturrecherche, über die Datenfusion und die Modellschulung bis hin zur Validierungs- und Einsatzphase. Im Bericht wird zwar keine Finanzierungsquelle genannt, aber die Beteiligung nationaler Behörden und die Verwendung von ESA-Daten lassen vermuten, dass die Initiative durch öffentliche Forschungsmittel unterstützt wurde. Das Ergebnis ist ein robustes, skalierbares System, das die Qualität der Lärmkartierung im Schienenverkehr verbessert und eine Grundlage für künftige Anwendungen im Eisenbahninfrastrukturmanagement bietet.