Exploring the potential of AlphaEarth and TESSERA embeddings for Fine-scale Local Climate Zone Mapping: A case study across five cities in Switzerland

Stellen Sie sich vor, Sie versuchen, eine Karte einer Stadt zu zeichnen, aber anstatt nur zu zeigen, wo sich Parks und Gebäude befinden, möchten Sie genau zeigen, wie sich die Stadt gegenüber dem Wetter „anfühlt“. Fühlt sich eine Straße wie ein heißer Ofen an, weil dort hohe, enge Gebäude stehen? Oder fühlt sie sich wie eine kühle Brise an, weil es dort viele Bäume gibt? In der wissenschaftlichen Welt nennt man das die Kartierung von Lokalen Klimazonen (Local Climate Zones, LCZ).

Lange Zeit hatten Wissenschaftler einen „ersten Entwurf“ dieser Karten. Stellen Sie es sich wie ein Foto mit niedriger Auflösung vor, bei dem jedes Pixel so groß wie ein Fußballfeld (100 Meter) ist. Es ist nützlich für den Überblick, aber wenn man das Klima eines bestimmten Viertels oder einer einzelnen Straße verstehen möchte, ist dieses Foto zu unscharf.

Dieses Paper ist wie ein Team von Wissenschaftlern, das versucht, dieses unscharfe, fußballfeldgroße Foto in ein gestochen scharfes High-Definition-Bild (10 Meter pro Pixel) zu verwandeln – für fünf große Schweizer Städte: Bern, Basel, Genf, Lausanne und Zürich.

So sind sie dabei vorgegangen, unter Verwendung einiger kreativer Analogien:

1. Die drei „Augen“, die auf die Stadt blicken

Um diese hochauflösenden Karten zu erstellen, haben die Forscher nicht nur mit einem Paar Augen auf die Stadt geschaut. Sie haben drei verschiedene „Super-Vision“-Werkzeuge getestet, um zu sehen, welches am besten in der Lage ist, eine unscharfe Referenzkarte in eine scharfe zu übersetzen:

• Das klassische Auge (S1S2): Dies ist die traditionische Methode. Sie betrachtet die Stadt mit Standard-Satellitenbildern (Sentinel-1 und Sentinel-2). Es ist, als würde man durch ein klares Fenster in die Stadt schauen, aber man muss viel Arbeit leisten (Wolken entfernen, Farben anpassen), bevor man überhaupt etwas deutlich sehen kann.
• Das „Patchwork“-Auge (AlphaEarth): Dies ist ein neues KI-Tool von Google. Stellen Sie sich vor, es betrachtet die Stadt nicht Pixel für Pixel, sondern betrachtet kleine „Patches“ oder Nachbarschaften zur gleichen Zeit und lernt die Textur eines ganzen Blocks. Es ist wie ein Quilter, der das Muster eines ganzen Stoffabschnitts versteht, anstatt nur einen einzelnen Faden.
• Das „Zeitreisen“-Auge (TESSERA): Dies ist ein weiteres neues KI-Tool. Anstatt nur eine Momentaufnahme zu betrachten, sieht es den „Film“ der Stadt über das ganze Jahr hinweg. Es versteht, wie sich die Stadt mit den Jahreszeiten verändert – wenn Bäume grün werden, wenn Schnee schmilzt und wie der Boden im Sommer im Vergleich zum Winter aussieht. Es erstellt eine „Zeitkapsel“ aus Daten.

2. Der „schlaue Maler“ (Das KI-Modell)

Die Forscher verwendeten eine spezielle Art von KI namens Attention U-Net. Denken Sie an diese KI als einen sehr klugen Maler, dem eine unscharfe, niedrig aufgelöste Skizze (die Referenzkarte) gegeben wird und der die Aufgabe hat, ein High-Definition-Meisterwerk zu malen.

Der „Attention“-Teil (Aufmerksamkeit) ist wie die Brille des Malers, die ihm hilft, sich auf die wichtigsten Details zu konzentrieren. Wenn der Maler eine Gruppe hoher Gebäude sieht, sagen ihm die Brillen: „Pass hier besonders auf; das ist eine dichte Stadtzone.“ Wenn er einen Fluss sieht, sagen die Brillen: „Konzentriere dich hier; das ist Wasser.“

3. Die drei Experimente

Das Team führte drei verschiedene Tests durch, um zu sehen, wie gut ihr „schlauer Maler“ funktioniert:

• Experiment 1: Die Multi-City-Challenge. Sie trainierten den Maler darauf, alle fünf Städte gleichzeitig unter Verwendung der „Fußballfeld“-Referenzkarten (100 m) zu erkennen.
  • Ergebnis: Das „Zeitreisen“-Auge (TESSERA) war der beste Maler. Es erzeugte die schärferen Karten. Das klassische Auge war okay, aber das Patchwork-Auge (AlphaEarth) hatte etwas mehr Schwierigkeiten mit der Vielfalt der verschiedenen Städte.
• Experiment 2: Der High-Resolution-Test. Sie konzentrierten sich nur auf Bern, wo sie eine etwas schärfere Referenzkarte (78 m statt 100 m) hatten.
  • Ergebnis: Mit einer besseren Skizze zu Beginn wurden alle Maler besser. Das „Zeitreisen“-Auge (TESSERA) gewann immer noch, aber das Patchwork-Auge (AlphaEarth) holte auf und machte fast genauso gut. Das klassische Auge war immer noch das schwächste.
• Experiment 3: Der Zeitreise-Test. Sie trainierten den Maler mit Daten aus dem Jahr 2024 und ließen ihn die Stadt des Jahres 2025 malen, ohne ihn neu zu trainieren.
  • Ergebnis: Das war knifflig. Eine Stadt verändert sich jedes Jahr leicht (Bäume wachsen, das Wetter verschiebt sich). Das klassische Auge (S1S2) war am stabilsten; es geriet nicht in Panik, wenn sich das Jahr änderte. Das „Zeitreisen“-Auge (TESSERA) war gut, reagierte aber etwas empfindlicher auf die Veränderungen. Das Patchwork-Auge (AlphaEarth) war am meisten verwirrt, als sich das Jahr änderte.

4. Die wichtigsten Erkenntnisse

• Die Magie der „Embeddings“: Die Studie fand heraus, dass die Verwendung dieser neuen KI-Tools (TESSERA und AlphaEarth) wie ein vorgefertigtes „Smart-Kit“ ist. Man muss nicht wochenlang damit verbringen, die rohen Satellitenfotos selbst zu bereinigen und vorzubereiten. Die KI hat die harte Arbeit, die Daten zu verstehen, bereits erledigt.
• TESSERA ist der Star: Das Werkzeug, das den „saisonalen Film“ der Stadt betrachtet (TESSERA), erstellte konsistent die genauesten Karten, insbesondere beim Blick auf verschiedene Arten von Städten.
• Der Flaschenhals: Selbst mit den besten Werkzeugen hängt die Qualität der fertigen Karte stark von der Qualität der „Skizze“ (der Referenzdaten) ab, mit der sie begonnen haben. Wenn die Referenzkarte unscharf ist, hat auch die fertige Malerei ihre Grenzen. Die Forscher fanden heraus, dass eine schärfere Referenzkarte (wie die 78-m-Karte für Bern) einen riesigen Unterschied machte.
• Zeit ist knifflig: Obwohl die neuen KI-Tools leistungsstark sind, reagieren sie empfindlich auf die Jahreszeit. Ein Modell, das auf einer Sommerstadt trainiert wurde, könnte durch eine Winterstadt verwirrt werden, sofern es nicht spezifisch darauf trainiert wurde, mit diesen Veränderungen umzugehen.

Zusammenfassung

Dieses Paper beweist, dass wir fortschrittliche KI-„Super-Augen“ nutzen können, um unscharfe, alte Klimakarten in scharfe, detaillierte Leitfäden auf Straßenniveau zu verwandeln. Das bisher beste Werkzeug ist TESSERA, da es die saisonalen Veränderungen der Stadt versteht. Auch wenn es noch Herausforderungen damit gibt, wie die Karten mit verschiedenen Jahren oder seltenen Stadttypen umgehen, öffnet dieser Ansatz die Tür zu detaillierten Klimakarten für Städte auf der ganzen Welt, ohne dass Menschen jeden einzelnen Straßenabschnitt ausfahren müssen, um Messungen vorzunehmen.