Stadtmodellrekonstruktion mit SAR

Die Arbeit behandelt die Herausforderungen der dreidimensionalen Oberflächenmodellierung urbaner Gebiete mittels Synthetic Aperture Radar Interferometrie (InSAR). Im Gegensatz zu optischen Verfahren ermöglicht InSAR die Datenerfassung unabhängig von Tageszeit und Bewölkung, was besonders in zeitkritischen Szenarien wie Katastrophenhilfe oder militärischen Aufklärungsmissionen von Vorteil ist. Die Dissertation konzentriert sich auf die Überwindung von Layover- und Schatteneffekten, die durch die seitwärts gerichtete Abbildungsgeometrie entstehen. Hierfür werden verbesserte InSAR-Verarbeitungsstrategien untersucht, die sowohl Multi-Aspekt- als auch Multi-Baseline-Daten nutzen. Die Verwendung von luftgestütztem SAR steht im Mittelpunkt, da nur diese Sensoren die Erfassung hochkohärenter Single-Pass-Daten aus nahezu beliebigen Blickwinkeln erlauben. Die Motivation liegt in der Notwendigkeit, schnell und zuverlässig 3D-Modelle urbaner Gebiete zu erstellen, insbesondere in Situationen, in denen eine schnelle Datenakquisition essentiell ist, etwa bei der Reaktion auf Naturkatastrophen oder in militärischen Einsätzen. Der Fokus liegt auf der Entwicklung von Methoden, die diese Limitationen der traditionellen InSAR-Verfahren überwinden und die Genauigkeit der 3D-Modellierung steigern.

Der aktuelle Stand der Technik in der InSAR-basierten 3D-Rekonstruktion urbaner Gebiete wird beleuchtet. Herkömmliche InSAR-Verfahren leiden unter den geometrischen Artefakten Layover und Schatten, die zu Informationsverlusten führen. Frühere Ansätze versuchten, diese Probleme durch Bildanalysetechniken zu lösen, die auf geometrischen Näherungen, Gebäudemerkmalen und Bildverarbeitungsmethoden basierten. Die Verwendung von Daten aus mehreren Blickrichtungen (Multi-Aspekt) wurde als vielversprechender Ansatz erkannt, um die durch Schatten verdeckten Informationen zu ergänzen. Weiterhin wird die Entwicklung der SAR-Tomographie (TomoSAR) als Methode zur dreidimensionalen Bildgebung erwähnt. Die meisten TomoSAR-Methoden benötigen jedoch große Datenmengen, die mit Repeat-Pass-Plattformen erfasst werden müssen. Dies ist teuer und zeitaufwendig, was den Vorteil von SAR in zeitkritischen Szenarien, wie z.B. bei der Katastrophenhilfe, einschränkt. Die Dissertation schlägt daher neue Ansätze vor, die die Nachteile der Repeat-Pass-Methoden umgehen und die Verwendung von Single-Pass-Daten ermöglichen, um hochgenaue und zeitnahe 3D-Modelle urbaner Gebiete zu erzeugen.

Dieser Abschnitt beschreibt die Entwicklung zweier neuartiger Algorithmen zur adaptiven Kovarianzmatrixschätzung für luftgestützte Single-Pass Multi-Baseline InSAR-Datenstapel. Diese Algorithmen sind speziell darauf ausgelegt, die Herausforderungen zu bewältigen, die sich aus der typischerweise geringen Anzahl an gleichzeitig erfassten Bildern (drei bis sechs) ergeben. Der erste Algorithmus nutzt die Hauptkomponentenanalyse (PCA) um die Informationen des Datenstapels zu konzentrieren und dann ein Thresholding Verfahren, um homogene Pixel zu identifizieren. Der zweite Algorithmus verwendet eine probabilistische Methode, um die statistische Homogenität von Pixeln zu bestimmen. Im Gegensatz zu bestehenden Methoden, die hauptsächlich Amplitudeninformationen nutzen, berücksichtigt dieser Ansatz die gesamte komplexe Information (Amplitude und Phase), um eine präzisere und unverzerrte Schätzung der Kovarianzmatrix zu ermöglichen. Dadurch wird die Qualität der InSAR-Daten verbessert und die Genauigkeit der nachfolgenden 3D-Rekonstruktion erhöht. Die Effizienz und Adaptivität der Algorithmen werden sowohl mit simulierten als auch mit realen Daten bewertet.

Ein Maximum-Likelihood-basiertes Verfahren für die SAR-Tomographie wird vorgestellt, das Layover-Effekte durch die simultane Verarbeitung von Multi-Baseline-Daten reduziert. Im Gegensatz zu herkömmlichen TomoSAR-Methoden, die auf spektralen Schätzverfahren beruhen und durch die Rayleigh-Auflösung begrenzt sind, wird hier ein Verfahren vorgeschlagen, das diese Limitation überwindet. Ein weiterer wichtiger Beitrag ist die Entwicklung eines Maximum-Likelihood-Rahmens zur simultanen Fusion von Multi-Aspekt und Multi-Baseline InSAR-Daten. Dieser Ansatz berücksichtigt die Korrelationen zwischen den verschiedenen Bildern und ermöglicht die effiziente Nutzung redundanter Informationen. Zusätzlich wird eine Voxelraum-basierte Fusion von 3D-Punktwolken aus Multi-Aspekt InSAR oder TomoSAR vorgeschlagen. Diese Methoden erlauben die Generierung umfassender 3D-Oberflächenmodelle, wobei der Vergleich von TomoSAR und Multi-Aspekt-Multi-Baseline InSAR-Interferometrie (MAMBInSAR) zeigt, dass TomoSAR echte 3D-Punktwolken inklusive Fassadeninformationen generiert, während MAMBInSAR 2.5D-Höhenmodelle liefert.

Die entwickelten Methoden wurden anhand von simulierten und realen Daten des MEMPHIS-Sensors (Millimeterwave Experimental Multifrequency Polarimetric High-resolution Interferometric System) des Fraunhofer FHR evaluiert. MEMPHIS ist ein experimentelles System, das im Ka- und W-Band arbeitet. Die Ergebnisse zeigen, dass sowohl die adaptive Kovarianzmatrixschätzung als auch die Maximum-Likelihood-TomoSAR und die MAMBInSAR Verfahren eine hohe Genauigkeit bei der 3D-Rekonstruktion urbaner Gebiete erreichen, mit Genauigkeiten von unter 1 Meter. Der Einfluss verschiedener Parameter, wie z.B. die Anzahl der Bilder im Datenstapel und die Rauschlevel, wird untersucht. Der Vergleich mit existierenden Methoden zeigt die Vorteile der entwickelten Ansätze, insbesondere in Bezug auf die Robustheit und die Fähigkeit, feine Details zu erhalten. Die Analyse der Ergebnisse auf realen Daten beinhaltet eine detaillierte Fehleranalyse und die Diskussion potenzieller Verbesserungen. Als Testgebiet diente ein Ausschnitt des Museumsviertels in München.

Die Arbeit adressiert die Limitationen bestehender Verfahren zur Kovarianzmatrixschätzung in der InSAR-Prozessierung, insbesondere im Kontext von hoch aufgelösten Bildern urbaner Gebiete. InSAR-Daten sind oft durch Speckle-Rauschen beeinträchtigt, welches die zuverlässige Schätzung der Kovarianzmatrix erschwert. Traditionelle Methoden, wie die Verwendung von fest definierten Boxcar-Fenstern, funktionieren in heterogenen Szenarien wie Städten nicht zufriedenstellend. Diese Ansätze basieren auf der Annahme statistischer Homogenität benachbarter Pixel, die in urbanen Gebieten oft nicht erfüllt ist. Die Folge sind Verzerrungen bei der Schätzung der Kovarianzmatrix und eine verminderte Genauigkeit der daraus abgeleiteten Höhenmodelle. Hoch aufgelöste InSAR-Daten urbaner Bereiche benötigen daher sophisticatedere, adaptive Methoden zur Kovarianzmatrixschätzung. Der Bedarf an solchen adaptiven Methoden wird durch die Notwendigkeit einer unverzerrten Schätzung der Kovarianzmatrizen für eine zuverlässige Verarbeitung von InSAR-Daten unterstrichen. Die Arbeit konzentriert sich auf die Entwicklung von Algorithmen, die diese Anforderungen erfüllen, besonders für die oft mit luftgestützten Plattformen gewonnenen Single-Pass Multi-Baseline InSAR Datenstapel.

Die Dissertation präsentiert zwei neuartige Algorithmen zur adaptiven Multilooking von luftgestützten Single-Pass Multi-Baseline InSAR-Datenstapeln, die typischerweise nur aus einer geringen Anzahl gleichzeitig erfasster Bilder (drei bis sechs) bestehen. Dies steht im Kontrast zu existierenden Ansätzen wie DespecKS, die für Datenstapel mit mindestens acht Bildern konzipiert sind. Der erste Algorithmus nutzt die Hauptkomponentenanalyse (PCA) um die relevanten Informationen im Datenstapel zu konzentrieren. Ein gefilterte Version der ersten Hauptkomponente wird verwendet, um statistisch homogene Pixel-Nachbarschaften zu identifizieren, woraus dann die komplexe Kovarianzmatrix geschätzt wird. Der zweite Algorithmus basiert auf einer probabilistischen Methode. Im Unterschied zu anderen Filtern, die hauptsächlich auf Amplitudenwerten basieren, wird hier die gesamte komplexe Information (Amplitude und Phase) zur Homogenitätsbestimmung verwendet. Dies minimiert das Risiko, dass die Phaseninformation von Objekten mit ähnlichen Amplituden wie der Hintergrund verloren geht. Die beiden Algorithmen zielen darauf ab, die Limitationen bestehender Methoden zu überwinden und eine effiziente und robuste Schätzung der Kovarianzmatrix auch bei kleinen Datenstapeln zu gewährleisten.

Die Schätzung der initialen Kovarianzmatrix erfolgt robust, um den Einfluss einzelner Pixel mit starkem Speckle-Rauschen zu minimieren. Ein M-Schätzer wird verwendet, um potenzielle Verzerrungen zu reduzieren. Die Algorithmen basieren auf zwei Parametern, die manuell eingestellt werden müssen: Die Freiheitsgrade (ν) für die robuste Schätzung der initialen Kovarianzmatrix und der Schwellenwert (ε_pdf) für die Wahrscheinlichkeitsdichte, um die Zugehörigkeit eines Pixels zur gleichen statistischen Verteilung wie der Mittelpunkt zu bestimmen. Die optimalen Parametereinstellungen werden mithilfe von Monte-Carlo-Simulationen ermittelt, wobei simulierte Daten unter Berücksichtigung des multiplikativen Speckle-Rauschmodells und zusätzlichen thermischen Rauschens generiert werden. Die Simulationen ermöglichen die Analyse der Filtereffizienz in Abhängigkeit von Rauschpegel und der Anzahl der Bilder im Stapel. Ziel ist es, optimale Parameter zu finden, die eine hohe Filtereffizienz und Detailerhaltung gewährleisten. Die Bestimmung der optimalen Parameter ist wichtig, um die Leistungsfähigkeit der Algorithmen zu maximieren und eine zuverlässige Schätzung der Kovarianzmatrizen zu gewährleisten.

Die Effizienz und Adaptivität der entwickelten Algorithmen werden anhand von simulierten und realen Daten des MEMPHIS-Sensors evaluiert. Als Maß für die Filtereffizienz werden die Standardabweichung (STD), der Speckle Suppression Index (SSI) und der Speckle-to-Signal Power Ratio Improvement (SMPI) verwendet. Die Ergebnisse zeigen, dass die vorgeschlagenen Algorithmen (PCA-TV und probabilistischer Filter) eine vergleichbare Filtereffizienz zum optimalen Boxcar-Filter erzielen, jedoch im Gegensatz dazu die wichtigen Details der Bilder erhalten. Der DespecKS-Algorithmus zeigt aufgrund der geringen Anzahl von Bildern im Stapel eine geringere Effizienz. Der probabilistische Ansatz erweist sich als besonders robust und detailerhaltend für unterschiedliche Stapelgrößen, da er auf der multidimensionalen Wahrscheinlichkeitsdichtefunktion jedes Pixels basiert. Während der PCA-TV Filter bei wenigen Bildern Schwächen zeigt, liefert der probabilistische Ansatz auch hier gute Ergebnisse. Obwohl der probabilistische Ansatz rechenintensiver ist, bietet er aufgrund seiner global einstellbaren Parameter und der Unabhängigkeit von der Stapelgröße eine hohe Benutzerfreundlichkeit und Automatisierung.

Die Dissertation präsentiert ein Maximum-Likelihood-basiertes Verfahren für die SAR-Tomographie, welches speziell auf die Herausforderungen der dreidimensionalen Bildgebung urbaner Gebiete eingeht. Im Gegensatz zu traditionellen TomoSAR-Methoden, die auf spektralen Schätzverfahren beruhen und durch die Rayleigh-Auflösung begrenzt sind, umgeht dieser Ansatz diese Limitation. Die Methode basiert auf einer Maximum-Likelihood-Schätzung, die die Kohärenzmatrix der Messdaten nutzt, um die Höhen der verschiedenen Streuer innerhalb einer Auflösungzelle zu bestimmen. Anstatt einer eindimensionalen Suche wie bei herkömmlichen Methoden, wird hier eine mehrdimensionale Optimierung durchgeführt, wobei die Anzahl der Streuer (Modellordnung) ein wichtiger Parameter ist. Die automatische Modellordnungsselektion stellt eine kritische Komponente des Verfahrens dar, da sie die Höhenauflösung begrenzt. Der Vorteil des vorgeschlagenen Maximum-Likelihood-Ansatzes liegt in der Möglichkeit, auch eng beieinander liegende Streuer zu trennen, selbst bei einer begrenzten Anzahl von Antennen und kurzen Basisliniengrößen, wie sie bei Single-Pass-Systemen typisch sind. Dies ermöglicht eine verbesserte Layover-Separation und damit eine genauere 3D-Rekonstruktion urbaner Szenen.

Neben der TomoSAR-Methode wird ein Maximum-Likelihood-basiertes Verfahren zur Fusion von Multi-Aspekt InSAR-Daten vorgestellt. Das Ziel ist die Kombination von Informationen aus verschiedenen Blickrichtungen (Aspekten), um die durch Radarschatten bedingten Informationslücken zu schließen. Der Ansatz basiert auf einer neuen Methode zur Multi-Aspekt-SAR-Bildregistrierung, welche die radargrammetrische Geometrie und die geodätische Ausgleichsrechnung nutzt. Diese Registrierung dient sowohl der Amplitudenbildfusion als auch als Vorverarbeitungsschritt für die Höhenrekonstruktion. Die Fusion der InSAR- oder TomoSAR-Daten kann mittels konventionellem Forward Geocoding oder einem statistischen Schätzverfahren unter Verwendung von Backward Geocoding erfolgen. Das entwickelte Verfahren für die simultane Fusion von Multi-Baseline-Daten aus mehreren Aspekten berücksichtigt Korrelationen zwischen den Bildern, was besonders für Single-Pass Multi-Baseline InSAR-Datenstapel wichtig ist. Die resultierende Höheninformation liegt in Form eines flächendeckenden 2,5D-Höhenmodells vor. Zusätzlich wird eine Voxelraum-basierte Fusion von 3D-Punktwolken aus Multi-Aspekt InSAR oder TomoSAR vorgeschlagen.

Die rückwärts gerichtete Geocoding-basierte 3D-Rekonstruktion aus InSAR-Daten wird im Rahmen der Maximum-Likelihood-Schätzung formuliert. Aufbauend auf der Arbeit von Eineder & Adam (2005) wird ein allgemeiner Ansatz für die gemeinsame Likelihood-Funktion von Multi-Baseline und Multi-Aspekt-Daten entwickelt, der auch Korrelationen zwischen verschiedenen Bildern aus demselben Aspekt berücksichtigt. Dies ist essentiell für Single-Pass Multi-Baseline InSAR-Datenstapel, bei denen die Vernachlässigung dieser Korrelationen zu ungenauen Ergebnissen führt. Die Methode erlaubt maximale Flexibilität und kann auf beliebige interferometrische SAR-Daten angewendet werden, unabhängig von der Anzahl der Basisliniengrößen pro Aspekt oder der Anzahl der Aspekte. Als Zwischenergebnis entsteht ein dicht besetztes probabilistisches Volumenmodell (PVM), das Informationen über die Wahrscheinlichkeit des Auftretens von Streuern an bestimmten Positionen enthält. Die Methode bietet die Möglichkeit, zusätzliche a priori Informationen (z.B. grobe Geländemodelle) in Form von Wahrscheinlichkeitsdichtefunktionen in den Schätzprozess einzubeziehen. Die resultierende 2,5D Höhenkarte kann durch Nachbearbeitungsschritte wie Medianfilterung, Ausreißerentfernung und Lückenfüllung weiter verbessert werden.

Die Dissertation vergleicht die Ergebnisse der Maximum-Likelihood-TomoSAR mit der Multi-Aspekt Multi-Baseline SAR Interferometrie (MAMBInSAR). Beide Methoden wurden auf denselben Datensatz angewendet, der mit dem MEMPHIS-Sensor im Münchner Museumsviertel aufgenommen wurde. Die Ergebnisse zeigen, dass beide Verfahren vergleichbare Resultate liefern, wobei TomoSAR echte 3D-Punktwolken inklusive Fassadeninformationen rekonstruiert, während MAMBInSAR aufgrund seiner rückwärts gerichteten Geocoding-Methode nur 2,5D-Höhenkarten erzeugt. Die Layover-Separation der ML-TomoSAR übertrifft die von WSSF (Weighted Subspace Fitting) für sehr eng beieinander liegende Streuer. Der MEMPHIS-Sensor, ein Single-Pass Multi-Baseline System mit geringer Basisliniengröße, dient als Beispiel für die Grenzen der SAR-Tomographie und die Eignung der entwickelten Methoden für Systeme mit begrenzter Apertur. Die Genauigkeit der Höhenrekonstruktion wird diskutiert, wobei Georeferenzierungsfehler und die Eigenschaften verschiedener Dachmaterialien als Einflussfaktoren berücksichtigt werden. Die erzielten Genauigkeiten liegen unter 1 Meter, was die Eignung der Methoden für zeitkritische Anwendungen belegt.

Die entwickelten Algorithmen zur adaptiven Kovarianzmatrixschätzung wurden sowohl mit simulierten als auch mit realen Daten evaluiert. Die Evaluierung der Filtereffizienz erfolgte anhand der Amplitudenkarte des Masterbildes und des Interferogramms mit der längsten Basisliniengrößenkombination, die aus den Kovarianzmatrizen aller Pixel extrahiert wurden. Die simulierten Daten dienten dazu, die theoretische Filtereffizienz in Abhängigkeit vom Rauschpegel und der Anzahl der Bilder im Stapel zu bestimmen. Die realen Daten stammen vom MEMPHIS-Sensor. Als Bewertungskriterien dienten neben der Filtereffizienz (Standardabweichung, SSI, SMPI) auch die Adaptivität der Filter. Die Adaptivität, also die Fähigkeit, lokale Stationarität für die Kovarianzmatrixschätzung zu gewährleisten, ist quantitativ nur schwer zu erfassen. Daher wurde ein visueller Vergleich der Amplituden- und Phasenbilder durchgeführt, um die Fähigkeit der Filter, feine Bilddetails wie Kanten und Punktstreuer zu erhalten, zu beurteilen. Der Vergleich mit herkömmlichen Boxcar-Filtern und dem DespecKS-Algorithmus zeigte die Vorteile der vorgeschlagenen Methoden hinsichtlich Effizienz und Detailerhaltung, insbesondere bei kleinen Datenstapeln (3-5 Bilder).

Der Maximum-Likelihood-TomoSAR-Algorithmus wurde mit Daten des MEMPHIS-Sensors, einem Single-Pass Multi-Baseline-System mit vier Empfangsantennen und einer kurzen Basisliniengröße, evaluiert. Dies stellte eine kritische Testumgebung dar, da die geringe Elevationsapertur und die begrenzte Anzahl von Abtastungen pro Auflösungzelle die Layover-Separation erschweren. Die Verwendung von Millimeterwellen-SAR wird aufgrund der hohen Sensitivität gegenüber Oberflächenrauigkeit als günstig für die Gültigkeit der Gaußschen Streuungsannahme in städtischen Gebieten angesehen. Die Höhenauflösung des MEMPHIS-Sensors wurde abgeschätzt. Experimente mit realen Daten aus dem Münchner Museumsviertel zeigten eine gute Übereinstimmung der Ergebnisse mit denen des WSSF-Algorithmus (Weighted Subspace Fitting). Die ML-TomoSAR übertraf WSSF jedoch bei der Trennung sehr eng beieinander liegender Streuer. Während beide Methoden durch die Auflösung des a-priori Modellordnungsselektionsschritts begrenzt sind, bricht die Rekonstruktionsgenauigkeit von WSSF bei Höhenunterschieden unter 5 m zusammen. ML-Tomographie hingegen erlaubt die separate Rekonstruktion von Streuern mit Höhenunterschieden unter 5 m, jedoch mit zunehmendem Bias. Die ML-TomoSAR zeichnet sich durch geringere Rechenkosten aus.

Die Ergebnisse der Multi-Aspekt Multi-Baseline SAR Interferometrie (MAMBInSAR) wurden anhand eines Datensatzes aus dem Münchner Museumsviertel analysiert. Die Genauigkeit der Höhenrekonstruktion wurde mit LiDAR-Daten verglichen. Die erzielten Genauigkeiten sind für verschiedene Objekttypen (z.B. Rasenfläche, Dachfläche) unterschiedlich und werden im Detail diskutiert. Die globale mittlere absolute Differenz deutet auf eine relativ geringe Gesamtgenauigkeit hin. Hierfür werden verschiedene Faktoren diskutiert, darunter mögliche Georeferenzierungsfehler in den SAR- und LiDAR-Daten, Unsicherheiten in Layover-Bereichen und die Einflüsse bestimmter Dachmaterialien auf die Messgenauigkeit. Der Einfluss der Wellenlänge und der elektromagnetischen Eigenschaften der Oberflächen auf die Rekonstruktionsgenauigkeit wird ebenfalls angesprochen. A-posteriori-Maßnahmen wie Ausreißerbeseitigung und Höheninterpolation werden für die operationale Gewinnung von DSMs empfohlen. Die Ergebnisse unterstreichen den Nutzen der Multi-Aspekt-Datenfusion, insbesondere zur Reduzierung von Schatteneffekten.

Ein abschließender Vergleich der MAMBInSAR und ML-TomoSAR-Methoden wird durchgeführt. Beide Methoden wurden auf denselben Datensatz angewendet, welcher aus mehreren Flugstreifen über einem Gebiet um das Staatliche Museum Ägyptischer Kunst in München stammt. Die Ergebnisse zeigen eine vergleichbare Genauigkeit beider Methoden. TomoSAR liefert jedoch 3D-Punktwolken mit Fassadeninformationen, während MAMBInSAR 2,5D-Höhenkarten generiert. Die Genauigkeiten liegen unter 1 m. Obwohl optische Stereogrammetrie und Airborne Laserscanning genauere Ergebnisse liefern, beweist die Arbeit die Eignung von Single-Pass SAR Interferometrie für die dreidimensionale Analyse urbaner Gebiete, insbesondere in wetterunabhängigen und zeitkritischen Szenarien. Die Diskussion der Ergebnisse umfasst die möglichen Verbesserungen der Algorithmen und die perspektivische Weiterentwicklung der Methoden, etwa durch die explizite Modellierung von Layover-Effekten.

Die experimentelle Evaluierung der entwickelten Methoden erfolgte sowohl mit simulierten als auch realen Daten. Simulierte Daten ermöglichten die Untersuchung der theoretischen Filtereffizienz in Abhängigkeit von Rauschpegel und Anzahl der Bilder im Datenstapel. Für die Evaluierung mit realen Daten wurde der MEMPHIS-Sensor des Fraunhofer FHR verwendet, ein experimentelles Millimeterwellen-SAR-System. Die Bewertung der Algorithmen umfasste sowohl die Filtereffizienz (bestimmt durch Standardabweichung, Speckle Suppression Index (SSI) und Speckle-to-Signal Power Ratio Improvement (SMPI)) als auch die Adaptivität, also die Fähigkeit, lokale Stationarität für die Kovarianzmatrixschätzung zu gewährleisten. Die Adaptivität wurde visuell anhand der Detailerhaltung in Amplituden- und Phasenbildern beurteilt. Die Ergebnisse zeigten, dass die vorgeschlagenen Verfahren, insbesondere der probabilistische Ansatz, eine hohe Filtereffizienz und Detailerhaltung erreichen und im Vergleich zu bestehenden Methoden wie NL-InSAR und DespecKS, vor allem bei kleinen Datenstapeln, Vorteile bieten. Die Ergebnisse bestätigten die theoretischen Überlegungen der Simulationen.

Die Ergebnisse der Maximum-Likelihood-TomoSAR wurden anhand von MEMPHIS-Daten aus dem Münchner Museumsviertel evaluiert. Der MEMPHIS-Sensor stellt aufgrund seiner kurzen Basisliniengröße und der geringen Anzahl an Empfangsantennen eine anspruchsvolle Testumgebung für SAR-Tomographie dar. Die Höhenauflösung des Systems wurde abgeschätzt. Ein Vergleich mit dem WSSF-Algorithmus zeigte eine ähnliche Layover-Separationsfähigkeit, wobei die ML-TomoSAR für eng beieinanderliegende Streuer sogar bessere Ergebnisse lieferte. Die Ergebnisse unterliegen jedoch Einschränkungen durch die Modellordnungsselektion und potentielle Georeferenzierungsfehler. Die Genauigkeit der Höhenrekonstruktion wurde mit LiDAR-Daten verglichen. Größere Fehler wurden auf Georeferenzierungsungenauigkeiten, Layover-Effekte und die Eigenschaften bestimmter Dachmaterialien zurückgeführt. Die Diskussion der Ergebnisse betonte die Notwendigkeit von Nachbearbeitungsschritten wie Ausreißerbeseitigung und Interpolation für eine operationale Anwendung.

Die Analyse der Multi-Aspekt-Datenfusion konzentrierte sich auf die Genauigkeit der Höhenrekonstruktion in komplexen urbanen Umgebungen. Die Ergebnisse zeigen, dass die meisten Bereiche der Szene mit zufriedenstellender Genauigkeit rekonstruiert werden können. Der Vergleich der Genauigkeiten für Rasenflächen und Dachflächen mit Referenzdaten verdeutlichte die Leistungsfähigkeit des Verfahrens. Ein Vergleich mit der Genauigkeit von nicht-urbanen DEMs aus TanDEM-X Daten (Rossi et al., 2012) wurde gezogen. Die globale mittlere absolute Höhendifferenz war jedoch relativ groß, was auf verschiedene Faktoren wie Georeferenzierungsfehler, Layover-Effekte und Materialeigenschaften zurückgeführt wird. Die Vorteile der Multi-Aspekt-Datenfusion wurden durch den Vergleich von Höhenkarten mit verschiedenen Aspektkombinationen verdeutlicht. Der Vergleich zeigte eine signifikante Verbesserung der Flächendeckung und eine Reduktion von Schattenbereichen durch die Multi-Aspekt-Verarbeitung.

Die experimentellen Ergebnisse zeigen, dass die entwickelten Methoden zur 3D-Rekonstruktion urbaner Gebiete mit Single-Pass SAR Interferometrie gute Genauigkeiten unter 1 Meter erreichen. Sowohl die ML-TomoSAR als auch die MAMBInSAR liefern vergleichbare Ergebnisse, wobei TomoSAR 3D-Punktwolken und MAMBInSAR 2,5D-Höhenmodelle erzeugt. Die Multi-Aspekt-Datenfusion verbessert die Ergebnisse signifikant, insbesondere im Hinblick auf die Flächendeckung und die Reduktion von Schatteneffekten. Die Diskussion der Ergebnisse beinhaltet potentielle Verbesserungen der Algorithmen, wie die explizite Modellierung von Layover in MAMBInSAR und die Erweiterung der Modellordnungsselektion in TomoSAR. Die Arbeit zeigt, dass trotz der Limitationen der verwendeten Technologie (z.B. MEMPHIS als experimentelles System), eine präzise 3D-Rekonstruktion urbaner Gebiete mit Single-Pass SAR Interferometrie möglich ist, was insbesondere für zeitkritische Anwendungen von Vorteil ist.