Im Katastrophenfall, zum Beispiel nach einem Erdbeben, Tsunami oder Sturm, müssen Entscheidungen getroffen werden, wie die Ressourcen der Katastrophenhilfe eingesetzt werden. Dafür ist es notwendig, dass Entscheidungsträger möglichst gut über den entstandenen Schaden und dessen räumliche Verteilung informiert werden.

Fernerkundungsmethoden spielen eine wichtige Rolle in dieser Aufgabe, da sie großflächige Aufnahmen zur Verfügung stellen ohne dass sich Gutachter vor Ort in Gefahr bringen müssen.
Besonders attraktiv sind Synthetic Aperture Radar (SAR) Aufnahmen, weil diese unabhängig von Lichtverhältnissen und Wetterbedingungen aufgenommen werden können und hochauflösende Daten liefern.

Radardaten bringen aber auch einige Schwierigkeiten mit sich. Die Funktionsweise eines Radarsensors unterscheidet sich entscheidend von dem eines optischen Sensors, weshalb SAR Bilder schwieriger
zu interpretieren sind als optische Bilder. Außerdem fehlen oft hochauflösende Aufnahmen, die kurze Zeit vor einer Katastrophe aufgenommen wurden, denn der Sensor muss für die Aufnahme von Bildern mit höchster Auflösung längere Zeit auf das Ziel ausgerichtet bleiben und eine dauerhafte, flächendeckende Aufnahme ist nicht möglich. Für sogenannte change detection Methoden, die Unterschiede zwischen Aufnahmen von vor der Katastrophe und nach der Katastrophe festellen, fehlen deshalb Referenzdaten, die im Fall optischer Bilder deutlich öfter vorhanden sind.

Simulationsprogramme können eingesetzt werden um synthetische Daten zu generieren und so die fehlenden Daten künstlich zur Verfügung stellen. Simulationen ermöglichen es, change detection Methoden einzusetzen, auch wenn keine SAR Aufnahmen von vor der Katastrophe zum Vergleich vorliegen. Machine Learning basierte Methoden benötigen oft große Mengen Trainingsdaten. Hier können Simulationen nützlich sein, da simulierte Daten günstiger und besser kontrollierbar im Bezug auf nötige Parameter, verschiedene Ansichten des gleichen Objektes und weiterer Merkmale sind.

In diesem Vortrag wird der Simulator RaySAR vorgestellt, welcher von Stefan Auer in seiner Dissertation [1] an der TU München entwickelt und später zusammen mit dem Quellcode frei veröffentlicht wurde.
Damit ist RaySAR eine attraktive Alternative zu kommerziellen und anderen akademischen Simulatoren und erlaubt es den Nutzern den Quellcode zu lesen und zu bearbeiten. Es werden außerdem Ansätze betrachtet, wie RaySAR in der Detektion von Gebäudeschäden zum Einsatz kommen kann und wie der Simulator im Rahmen der Masterarbeit des Vortragenden weiterentwickelt wird.

[1] Auer, Stefan Josef. 3D synthetic aperture radar simulation for interpreting complex urban reflection scenarios. Diss. Technische Universität München, 2011.