3D Gebäude Rekonstruktion mit InSAR

Die Analyse von Gebäuden in SAR-Daten begann mit der Interpretation der Magnitude-Signatur. Diese wird maßgeblich von der schrägen Szenenbeleuchtung beeinflusst, was zu Verkürzungseffekten (Foreshortening), Überlagerungen (Layover) und Radarschatten führt. Diese Effekte hängen von der Gebäudeform und der Beleuchtunggeometrie ab und prägen das Erscheinungsbild erhöhter Objekte in SAR-Bildern. Frühe Ansätze zur Gebäudeerkennung konzentrierten sich auf diese Phänomene. Parallel dazu wurden SAR-Simulationswerkzeuge entwickelt, um das Verständnis der SAR-Bildgebung zu verbessern und die Interpretationsfähigkeit zu erhöhen. Diese Werkzeuge ermöglichten die Simulation großer Flächen, oft jedoch auf Kosten einer präzisen physikalischen Modellierung. Der technische Fortschritt und die verbesserte räumliche Auflösung führten zu neuen beobachtbaren Effekten an Gebäudepositionen, wie z.B. Fenster und Fassadenstrukturen.

Ähnlich wie bei der SAR-Magnitudesignatur wird die InSAR-Phaseninformation (interferometrische SAR-Signatur) von der Bildgeometrie dominiert, insbesondere durch Layover und Schatten. Die Kohärenz – die zeitliche Stabilität – der beiden SAR-Aufnahmen ist jedoch für die Analyse interferometrischer Phasen noch wichtiger. Frühe Arbeiten konzentrierten sich auf die Entfernung von Rauschen und Artefakten bei der Extraktion von Bäumen und Gebäuden sowie auf die Generierung von Höhenkarten. Die Abbildung bekannter Gebäude in InSAR-Höhen- und Kohärenzdaten sowie Studien zur Identifizierung und Entfernung von Layover-Mischgebieten wurden vorgestellt. Das signifikante Auftreten von Layover in interferometrischen Phasendaten an Gebäuden wurde als „Front Porch“ bezeichnet. Ähnlich wie bei der Magnitude-Analyse folgten Untersuchungen zur Statistik von InSAR-Bildern und zur Simulation interferometrischer Phasen, wobei der Schwerpunkt auf Layover-Bereichen lag. Diese Studien konzentrierten sich hauptsächlich auf die Reproduktion und Analyse von Kohärenzphänomenen, z.B. Kohärenzverlust bei starkem Relief. Ein Vergleich mit realen InSAR-Daten wurde mit neuen hochauflösenden luftgestützten SAR-Sensoren möglich. Diese Daten ermöglichten eine detaillierte Analyse einzelner Gebäude und Gebäudeunterstrukturen und führten zu weiteren Entwicklungen im Bereich der InSAR-Simulation. Das Verständnis des Beitrags verschiedener Streuobjekte war eine Voraussetzung für die Ausnutzung des Layover-Signals. Auch der Einfluss unterschiedlicher Sensorparameter, Gebäudesize, Dachtypen und Streuleistung auf die InSAR-Phasensignatur wurde auf Basis von Simulationen analysiert. Geometrische Optik (GO)-Modellierung, die Reflexionseigenschaften von Objekten berücksichtigt, wurde ebenfalls angewendet.

Erste Arbeiten konzentrierten sich auf die Extraktion von Gebäude-Footprints, Höhe und Position mithilfe eines maschinellen Sehens-Ansatzes durch Anpassung von Ebenen an Range-Bilder. Die Datensegmentierung erfolgte mittels eines Region-Growing-Ansatzes basierend auf InSAR-Höhendaten. Die segmentierten Bereiche entsprechen Ebenen von Dach, Wand oder Boden. Dieser Ansatz wurde an Daten eines relativ dicht bebauten Stadtgebiets demonstriert und mit Ergebnissen von LIDAR-Daten verglichen. Nachteile wie Layover-, Schatten- und Okklusionseffekte sowie eine Unterschätzung des Gebäude-Footprints wurden genannt. Weitere Ansätze kombinieren Intensitäts- und interferometrische Höhendaten während des Region-Growing-Prozesses. Dabei wird die Schattensegmentierung zur Unterstützung der Gebäudehöhen- und Formextraktion aus InSAR-Daten eingesetzt. Eine Energiefunktion mit Höhen- und Amplitudenbeschränkungen wird berechnet, deren Minimierung potenzielle Gebäudehöhe und -ausdehnung liefert. Ein anschließender Regularisierungsschritt entfernt Streifungen in Azimutrichtung, um lineare Gebäudekanten zu erzielen. Ein anderer Ansatz verwendet die interferometrische Kohärenz für die anfängliche Segmentierung von Intensitätswerten und die gewichtete Höhenberechnung. Die resultierende Tiefenkarte wird nachbearbeitet, um Unter- oder Übersegmentierungen zu reduzieren. Beide Ansätze eignen sich zur Rekonstruktion großer und komplexer Gebäude beliebiger Form, da kein spezifisches Gebäudemodell angenommen wird. Für kleine Gebäude versagt das Region-Growing jedoch aufgrund fehlender homogener Segmente in Magnitude- und interferometrischen Höhendaten. Die Untersuchung von Multi-Aspekt-Daten resultiert aus dem hohen Interesse an der Erkennung und Rekonstruktion dicht bebauter Gebiete mit hoher Vollständigkeit. Okklusion und Überlappungseffekte zwischen erhöhten Objekten (z.B. Gebäude und Bäume) verhindern hohe Erkennungsraten basierend auf Einzelaspekt-Daten. Die Fusion von Multisensor- oder Multi-Aspekt-Daten wird untersucht, da ein abgebildetes Objekt in Multi-Aspekt- und Multisensor-Daten unterschiedliche radiometrische und geometrische Eigenschaften aufweist. Die Fusion von Objekt-Informationen erfolgt meist auf einer höheren semantischen Ebene als auf Pixel-Ebene.

Um die Herausforderungen der Gebäude-Rekonstruktion in dicht bebauten Gebieten zu bewältigen, insbesondere die durch Okklusionseffekte verursachten Lücken, wird ein neuer Ansatz mit Multi-Aspekt-Daten vorgestellt. Als ersten Schritt werden aus den InSAR-Daten primitive Gebäudeobjekte extrahiert. Dies geschieht separat für jeden Aspekt, wobei sowohl die Magnitude- als auch die interferometrische Phasensignatur genutzt werden. Die Verwendung von Multi-Aspekt-Daten ist entscheidend, da einzelne Blickwinkel oft nur unvollständige Informationen liefern. Die Extraktion der Primitiven erfolgt auf Basis der charakteristischen Muster in Magnitude und Phase, die von verschiedenen Gebäudeteilen, wie z.B. Wände, Dächer und Ecken, hervorgerufen werden. Diese einzelnen, aus verschiedenen Perspektiven gewonnenen, Primitiven bilden die Grundlage für die nachfolgende Fusion und die Erstellung von Gebäudehypothesen. Die Qualität der extrahierten Primitiven ist essentiell für die Genauigkeit des späteren 3D-Modells. Fehler in diesem Schritt können sich in den folgenden Verarbeitungsschritten ausweiten und die Rekonstruktion negativ beeinflussen.

Nach der separaten Extraktion der primitiven Gebäudeobjekte aus den einzelnen Aspekten erfolgt deren Fusion in einem gemeinsamen Koordinatensystem. Dieser Schritt ist entscheidend, um die aus verschiedenen Blickwinkeln gewonnenen Informationen zu einem kohärenten Bild zusammenzufügen und Lücken in der Rekonstruktion zu schließen. Die Fusion der Primitiven erfolgt auf Basis geometrischer Beziehungen und Ähnlichkeiten der Merkmale. Dieser Prozess ist nicht trivial, da die einzelnen Aspekte unterschiedlich stark von Layover- und Schatteneffekten beeinflusst sein können und die geometrische Genauigkeit der Daten eine Rolle spielt. Auf Basis dieser fusionierten Multi-Aspekt-Merkmale werden dann im nächsten Schritt Gebäudehypothesen generiert. Dies geschieht durch einen Gruppierungsschritt, der geometrische und radiometrische Ähnlichkeiten der Primitiven berücksichtigt. Das Ergebnis dieses Schrittes ist eine Menge von Gebäudehypothesen, die jeweils eine mögliche 3D-Geometrie eines Gebäudes repräsentieren. Diese dienen als Grundlage für die anschließende Simulation und den Vergleich mit den gemessenen InSAR-Daten.

Die generierten Gebäudehypothesen werden nun verwendet, um simulierte InSAR-Phasen zu erzeugen. Diese simulierten Phasen werden dann mit den gemessenen, gefilterten InSAR-Phasen verglichen. Der Vergleich dient der Bewertung der Güte der jeweiligen Hypothese und ihrer Übereinstimmung mit den realen Messdaten. Ein wichtiger Aspekt ist dabei die Filterung der gemessenen Phasen, um das Signal-Rausch-Verhältnis zu verbessern und den Vergleich mit den simulierten Phasen zu optimieren. Die Filterung soll dabei charakteristische Merkmale der Gebäude, wie z.B. Layover- und Schattenbereiche, möglichst gut erhalten. Die Korrelation zwischen den simulierten und gefilterten gemessenen Phasen wird als Maß für die Übereinstimmung verwendet. Basierend auf diesem Korrelationsniveau wird entschieden, ob die Gebäudehypothesen weiterverarbeitet werden oder nicht. Im Falle einer niedrigen Korrelation wird die Hypothese verworfen oder durch neue Iterationen verfeinert. Schließlich werden die verbliebenen, zusammengesetzten Gebäudehypothesen aktualisiert, und die endgültige Dachgeometrie wird bestimmt.

Basierend auf den fusionierten Multi-Aspekt-Merkmalen, die aus den Magnitude- und Phaseninformationen der InSAR-Daten gewonnen wurden, werden Gebäudehypothesen generiert. Dieser Schritt beinhaltet einen Gruppierungsprozess, der geometrische und radiometrische Ähnlichkeiten zwischen den extrahierten Primitiven auswertet. Die Primitiven, die zuvor aus den einzelnen Aspekten extrahiert und in einem gemeinsamen Koordinatensystem zusammengeführt wurden, werden nun zu komplexeren Objekten gruppiert. Dieser Gruppierungsprozess ist entscheidend, da er die Grundlage für die Erstellung plausibler 3D-Gebäudemodelle bildet. Die Genauigkeit der Hypothesegenerierung hängt stark von der Qualität der vorherigen Schritte ab, insbesondere der korrekten Extraktion und Fusion der Primitiven. Die Anzahl und die Art der generierten Hypothesen beeinflussen die Rechenzeit und die Qualität des Endergebnisses. Ein effizienter Gruppierungsalgorithmus ist daher wichtig, um sowohl Genauigkeit als auch Rechenzeit zu optimieren.

Die generierten Gebäudehypothesen dienen als Eingabe für eine InSAR-Simulation. Dieser Schritt ermöglicht den Vergleich der simulierten Phasen mit den tatsächlich gemessenen Phasen aus den InSAR-Daten. Die Simulation erzeugt synthetische InSAR-Phasen basierend auf den geometrischen Parametern der Hypothesen (z.B. Dachform, Höhe, Ausrichtung). Ein wichtiger Aspekt ist die Berücksichtigung relevanter Parameter wie Wellenlänge, Baseline und Blickwinkel, um die Simulation möglichst realistisch zu gestalten. Die simulierten Phasen dienen als Referenz, um die Genauigkeit der Hypothesen zu evaluieren. Abweichungen zwischen simulierten und gemessenen Phasen deuten auf mögliche Ungenauigkeiten oder Fehler in den Hypothesen hin und liefern somit wichtige Informationen für die nachfolgende Verfeinerung. Die Simulation ist ein rechenintensiver Schritt, insbesondere bei komplexen Szenarien und einer hohen Anzahl von Hypothesen.

Um den Vergleich zwischen simulierten und gemessenen Phasen zu optimieren, wird eine Filterung der gemessenen Phasen durchgeführt. Diese Filterung zielt darauf ab, Rauschen und Artefakte in den InSAR-Daten zu reduzieren, ohne dabei wichtige Gebäudemerkmale zu zerstören. Die Wahl des geeigneten Filters ist entscheidend und hängt von den Eigenschaften der InSAR-Daten und der gewünschten Genauigkeit ab. Es wird darauf geachtet, Layover- und Schattenbereiche möglichst gut zu erhalten. Nach der Filterung werden die simulierten und die gefilterten gemessenen Phasen miteinander verglichen. Der Korrelationsgrad zwischen beiden dient als Maß für die Übereinstimmung und damit als Gütekriterium für die jeweilige Gebäudehypothese. Ein hoher Korrelationsgrad deutet auf eine gute Übereinstimmung zwischen Hypothese und Realität hin, während ein niedriger Korrelationsgrad auf Ungenauigkeiten in der Hypothese hindeutet und eine weitere Verfeinerung erfordert. Die Korrelationsanalyse ist daher ein wesentlicher Schritt im iterativen Verfeinerungsprozess.

Basierend auf der Korrelationsanalyse zwischen simulierten und gemessenen Phasen werden die Gebäudehypothesen aktualisiert. Hypothesen mit niedrigem Korrelationsgrad werden entweder verworfen oder weiter verfeinert. Dieser Verfeinerungsprozess ist iterativ und kann mehrere Durchläufe umfassen. In jedem Durchlauf werden die Gebäudehypothesen angepasst und die Simulation sowie die Korrelationsanalyse wiederholt, bis ein Konvergenzkriterium erfüllt ist. Dieses Kriterium kann z.B. eine maximale Anzahl an Iterationen oder ein Schwellenwert für den mittleren quadratischen Fehler zwischen simuliertem und realem Höhenmodell sein. Schließlich werden die verbliebenen, plausiblen Gebäudehypothesen zusammengefügt, und die endgültige Dachgeometrie wird bestimmt. Das Ergebnis ist ein 3D-Gebäudemodell, das die geometrischen Eigenschaften des Gebäudes möglichst genau repräsentiert. Die Genauigkeit dieses Modells hängt von der Qualität der InSAR-Daten, der gewählten Parameter und der Leistungsfähigkeit der verwendeten Algorithmen ab.

Die Wellenlänge des verwendeten SAR-Sensors beeinflusst die Gebäudeerscheinung maßgeblich. Ein Vergleich von Daten des luftgestützten MEMPHIS-Sensors (Ka-Band) und des spaceborne TerraSAR-X-Sensors (X-Band) zeigt deutliche Unterschiede in den Magnitudesignaturen desselben Industriegebäudes. Diese Unterschiede werden neben der Wellenlänge auch durch das Signal-Rausch-Verhältnis (SNR), den Blickwinkel und die Auflösung beeinflusst. Eine eindeutige Zuordnung von Signaturänderungen zu einzelnen Parametern ist schwierig, da sich einige Effekte aus der Interaktion zwischen Sensorparametern, Verarbeitungsparametern und Gebäudeparametern ergeben. Das SNR, ein wichtiger Faktor für die Detektierbarkeit von Gebäudemerkmalen, variiert zwischen den Sensoren und beeinflusst die Qualität der extrahierten Informationen. Eine höhere Auflösung ermöglicht detailliertere Gebäudeinformationen, während eine niedrigere Auflösung zu einer Verschmierung von Details führen kann. Die Wellenlänge bestimmt die Eindringtiefe in das Material und somit die Art der Rückstreuung und die erkennbaren Strukturen an der Gebäudeoberfläche.

Die räumliche Baseline in InSAR-Konfigurationen, bestehend aus entlang- und quer zur Flugrichtung verlaufenden Komponenten, ist entscheidend für die interferometrische Phasensignatur von Gebäuden. Die quer zur Flugrichtung verlaufende Komponente bestimmt die eindeutige Reichweite, also die maximale Höhendifferenz, die in den Phasendaten ohne Phasenentfaltung detektierbar ist. Ein Beispiel zeigt, wie die eindeutige Reichweite mit zunehmender Basinenlänge abnimmt. Bei der MEMPHIS-Konfiguration beträgt die eindeutige Reichweite für die kürzeste Baseline von 2 cm ca. 190 m, während sie für die längste Baseline von 14 cm auf 27 m sinkt. Eine längere quer zur Flugrichtung verlaufende Baseline führt zu einem geringeren interferometrischen Höhenfehler, da bei Annahme von Phasenrauschen als entscheidender Faktor die Standardabweichung der Höhen abnimmt. Diese Abhängigkeit zwischen Baseline-Länge und Höhenfehler muss bei der Planung von InSAR-Messungen und der anschließenden Dateninterpretation berücksichtigt werden, um die Genauigkeit der Höheninformationen zu gewährleisten.

Die Bildauflösung hat einen starken Einfluss auf die Detailtreue der Gebäudeerscheinung in InSAR-Daten. Höhere Auflösungen ermöglichen die Erkennung kleinerer Details wie z.B. Fenster oder Fassadenstrukturen. Der Vergleich von luftgestützten und spaceborne Daten zeigt die Unterschiede in der Auflösung und deren Einfluss auf die Interpretation der Gebäudesignaturen. Die verwendete Fensterfunktion (Apodisierungsfunktion) beeinflusst die Signalverarbeitung und damit das Erscheinungsbild der Gebäude in den InSAR-Bildern. Beispielsweise führen verschiedene Fensterfunktionen wie Kaiser- und Hamming-Fenster zu unterschiedlichen Nebenkeulen-Unterdrückungen und beeinflussen somit die Darstellung von Details und die Genauigkeit der Gebäudeextraktion. Die Auswahl der optimalen Fensterfunktion ist ein wichtiger Aspekt der Datenverarbeitung und hängt von den spezifischen Anforderungen der Anwendung ab. Die Bildauflösung und die Fensterfunktion wirken in Kombination mit anderen Parametern auf die Güte der extrahierten Gebäudemerkmale.

Die Filterung der gemessenen InSAR-Phasen dient der Verbesserung des Vergleichs mit den simulierten Phasen und somit der Genauigkeit der Gebäudehypothesen. Konventionelle Multilook-Filterung liefert akzeptable Ergebnisse für große homogene Flächen, zerstört aber charakteristische Phasensignaturen, insbesondere Layover-Bereiche, besonders bei großen Filterfenstern. Diese Flächenfilter sind ungeeignet, wenn die Gebäudeorientierung nicht mit der Sensoreinflugrichtung übereinstimmt. Ein Beispiel veranschaulicht dies: Bei flugparalleler Orientierung werden Layover-Rampe und Dachkanten durch die Mittelung über alle Pixelwerte abgeschwächt. Bei nicht-paralleler Ausrichtung verstärkt sich dieser Effekt, da nicht nur die in der Filtermaske berücksichtigten Phasewerte gemittelt werden. Die Ergebnisse hängen zudem von der Gebäudesize und der Filterfenstergröße ab, wobei eine kritische Zunahme des Glättungseffekts insbesondere bei kleinen Gebäuden beobachtet wird. Um dieses Problem zu adressieren, werden orientierte Filter verwendet, die nur Pixelwerte entlang der Gebäudeorientierung mitteln, wodurch die Unschärfe von Objektstrukturen reduziert wird. Die Bestimmung der optimalen Orientierung kann jedoch durch ein hohes Rauschen erschwert werden. Die Verwendung der tatsächlichen Orientierung aus externen GIS-Daten oder aus anfänglichen Gebäudehypothesen kann die Filterung verbessern.

Die Bewertung der verschiedenen Filteransätze erfolgt anhand numerischer Kennzahlen, die sich nur auf den Gebäudebereich (Layover und Dach) beziehen, um den Einfluss von nicht simulierten Objekten auszuschließen. Die verwendeten Kennzahlen sind die mittlere Differenz (µdiff) zwischen simulierten und gefilterten Phasenbildern, die Standardabweichung der Differenzen (σdiff) und die Kreuzkorrelation (ρ) zwischen gefilterten und simulierten Phasen. µdiff gibt eine mögliche Phasenverschiebung an, σdiff das Glättungsmaß und ρ die Ähnlichkeit zwischen simulierten und gefilterten Daten. Die Ergebnisse zeigen, dass im Vergleich zu Flächenfiltern orientierte Filter eine höhere Kreuzkorrelation und somit eine bessere Übereinstimmung zwischen simulierten und gefilterten Phasen liefern. Insbesondere der GIS-gestützte Filter und ein neuer Filter für Flachdachgebäude erzielen sehr gute Ergebnisse. Die höchste Korrelation (0.83) wird mit dem neuen Filter für Flachdachgebäude erreicht, was auf eine gute Übereinstimmung zwischen Gebäudegeometrie und Filterannahmen hinweist. Diese Methode verbessert die Genauigkeit des Gebäudemodells, insbesondere im Layover- und Dachbereich, und optimiert somit die Grundlage für die weitere Hypotheseverfeinerung.

Der Vergleich simulierter und gefilterter gemessener InSAR-Phasenprofile dient der Validierung des Filteransatzes und der Bewertung der Genauigkeit der Gebäudemodellierung. Die Analyse konzentriert sich auf den Layover-Bereich zwischen Maximum und Eckpunkt, der von Wand- und Bodensignalen beeinflusst wird. Sowohl simulierte als auch gefilterte gemessene Profile zeigen einen ähnlichen Trend, mit einem Phasenwert auf Terrainniveau am Eckpunkt in den simulierten Profilen. Der Vergleich eines simulierten Phasenprofils basierend auf einer realen Gebäudegeometrie mit einem gefilterten, gemessenen Profil zeigt Ähnlichkeiten im Hochwert, der die Position und den absoluten Wert der maximalen Phase wiedergibt. Der kurze Anstieg am Beginn des Layovers ist jedoch nur im simulierten Profil deutlich sichtbar. Der starke Aufwärtstrend im simulierten Profil im Vergleich zum gefilterten gemessenen Profil unterstreicht die Notwendigkeit der Filterung und die Herausforderungen der Modellierung realer Gebäudegeometrien. Die Interpretation der Phasenprofile dient als visuelle Bewertung der Filterleistung und der Genauigkeit des Gebäudemodells.

Die Leistungsfähigkeit des vorgestellten Gebäuderekonstruktionsansatzes wird anhand von zwei interferometrischen Bildpaaren der Stadt Dorsten, Deutschland, demonstriert. Dorsten liegt im Ruhrgebiet und zeichnet sich durch ein dicht bebautes Zentrum und weniger dicht besiedelte Gebiete in der Umgebung aus. Das untersuchte Gebiet umfasst hauptsächlich Wohngebäude, einige kleinere Industriegebäude (z.B. Lagerhallen, Tankstellen) und größere Infrastrukturgebäude (z.B. Schulen, Kirchen). Die Wohngebäude reichen von Einfamilienhäusern mit einer Grundfläche von weniger als 100 m² bis zu Mehrfamilienhäusern mit Grundflächen von über 400 m². Die Dachformen sind sehr unterschiedlich, darunter Flachdächer, Satteldächer, Walmdächer und Pultdächer sowie viele Mischformen. Die meisten Gebäude stehen nicht isoliert, sondern haben viele angrenzende Garagen, Schuppen, Zäune und Mauern. Eine hohe Begrünung ist ebenfalls vorhanden. Die Verwendung von zwei interferometrischen Bildpaaren ermöglicht die Auswertung und den Vergleich der Ergebnisse unter verschiedenen Bedingungen und Blickwinkeln.

Die Ergebnisse der Gebäuderekonstruktion werden anhand von Referenzdaten ausgewertet. Dabei werden die Abmessungen (Breite und Länge) der ermittelten Gebäude-Footprints und die Gebäudehöhen mit den Referenzdaten verglichen. Die Ergebnisse zeigen eine gute Übereinstimmung der Breite und Länge der Fußabdrücke mit den Referenzdaten. Größere Unterschiede treten bei Gebäuden auf, die Teile benachbarter Gebäude überdecken oder durch nahe Bäume in ihrer Erkennbarkeit beeinträchtigt werden. Die ermittelten Gebäudehöhen zeigen eine allgemeine Unterschätzung im Vergleich zu den Referenzdaten, die deutlich größer ist als die Standardabweichung der InSAR-Höhen. Die durchgeführte Nachverarbeitung mit Simulation interferometrischer Phasen und Filterung der gemessenen Phasen verbessert die Ergebnisse bei einigen Gebäuden, was durch höhere Korrelationswerte zwischen simulierten und gefilterten gemessenen Phasen belegt wird. Ein wichtiger Aspekt ist die korrekte Erkennung des Dachtyps. Die Unterscheidung zwischen Flachdach- und anderen Dachtypen ist robust, wenn Doppel-Liniensignaturen vorhanden sind. Die Genauigkeit der Gebäudehöhenbestimmung stellt ein wichtiges Problem dar und wird im Ausblick für zukünftige Verbesserungen diskutiert.

Für zukünftige Verbesserungen wird ein ausgefeilteres Gebäudemodell vorgeschlagen, um komplexere Gebäude rekonstruieren zu können. Eine intensivere Untersuchung der Vorklassifizierung von InSAR-Daten in bewachsene und bebaute Gebiete unter Berücksichtigung saisonaler und konfigurationsbedingter Effekte wird empfohlen. Eine Strategie zur lokalen Entfaltung der Gebäude-Phasensignatur ist notwendig, um Gebäude mit Höhen über der Eindeutigkeitshöhe zu rekonstruieren. Die Extraktion der für die Modellierung nicht-flacher Dächer notwendigen Parameter sollte verbessert werden, um zuverlässigere Ergebnisse zu erhalten. Die Erzeugung von Gebäude-Footprints sollte für alle Konfigurationen optimiert werden. Die Suche nach rechtwinkligen Strukturen, derzeit auf L-, T- und X-Strukturen beschränkt, kann auf H- und U-Formen erweitert werden. Eine verbesserte Verschmelzung überlappender Hypothesen und die Fusion von Multi-Aspekt-Höheninformationen, unter Berücksichtigung der Größe der Bereiche, Unterschiede in der Eindeutigkeitshöhe und Nachbarschaftseffekte, könnten die Höhenbestimmung verbessern. Weitere Tests an verschiedenen Datensätzen mit unterschiedlichen Sensorkonfigurationen und Gebieten sollen die allgemeine Anwendbarkeit des Ansatzes belegen.