Hyperspektrale Bildgebung ist keine neue Technologie, aber ihr Einsatz am taktischen Netzwerkrand — in einer UAV-Nutzlast, einem fahrzeugmontierten Pod oder einem tragbaren Sensor — stellt eine vergleichsweise neue Ingenieurherausforderung dar. Eine Standard-RGB-Kamera liefert drei Zahlen pro Pixel; ein hyperspektraler Sensor liefert Hunderte, wobei jede die reflektierte Energie in einem schmalen Spektralbereich repräsentiert. Genau das macht hyperspektrale Daten für militärische ISR-Anwendungen operativ wertvoll — und zugleich rechnerisch extrem anspruchsvoll unter den Leistungs- und Bandbreitenbeschränkungen des taktischen Randes.
Was ist hyperspektrale Bildgebung — im Vergleich zu multispektral und RGB
RGB-Kameras erfassen drei breite Spektralbänder. Multispektrale Kameras erweitern dies auf 4–20 Bänder. Hyperspektrale Sensoren unterscheiden sich grundlegend: Sie erfassen zusammenhängende Bänder mit einer Auflösung von 5–10 nm im VNIR-Bereich (400–1000 nm) oder VNIR/SWIR (bis 2500 nm). Ein VNIR-Sensor mit 5 nm Auflösung über 400–1520 nm liefert 224 Bänder pro Pixel.
Das Ergebnis einer hyperspektralen Aufnahme ist ein Datenwürfel: ein dreidimensionales Array mit zwei räumlichen und einer spektralen Achse. Chlorophyll in lebender Vegetation erzeugt einen charakteristischen Reflexionssprung zwischen 700 und 740 nm — die sogenannte Rote Kante. Synthetische Tarnfarbe fehlt dieses Merkmal vollständig. Gestörter Boden hat eine andere Feuchtigkeitsabsorptionssignatur als ungestörter. Keiner dieser Unterschiede ist im RGB sichtbar.
Die Einschränkung ist das Volumen. RGB 640×480 bei 8 Bit/Kanal ergibt ~0,9 MB/Frame; ein 224-Band-Sensor bei 12 Bit ergibt ca. 3,4 MB/Frame, was bei 30 fps über 100 MB/s ergibt.
Sensoreigenschaften und Datenvolumen
Hyperspektrale Sensoren für luftgestützte ISR teilen sich in zwei Erfassungsarchitekturen: Pushbroom (erfasst eine räumliche Zeile pro Frame, baut das Bild während des Plattformvorschubs auf) und Snapshot (erfasst das gesamte Sichtfeld gleichzeitig). Pushbroom ist der Standard für luftgestützte Hochauflösungsarbeit.
Ein typischer taktischer BLOS-Link in einer degradierten Umgebung kann 1–5 Mbps nützlichen Durchsatz für Aufklärungsdaten aufrechterhalten. Die Lücke zwischen 100 MB/s Rohdaten und diesem Link — etwa Faktor 100 — ist das grundlegende Argument für Edge-Verarbeitung: Die Daten müssen von der Rohsensorausgabe zu einem kleinen Satz geolokalisierter Erkennungen reduziert werden, bevor sie das Funkgerät berühren.
Warum am Netzwerkrand verarbeiten
Latenz. Taktische ISR-Aufgaben erfordern häufig Maßnahmen innerhalb von Minuten nach der Erkennung. Die Übertragung von 100 MB/s Rohdaten an ein Verarbeitungszentrum und das Warten auf Ergebnisse fügt Dutzende von Sekunden hinzu — bei operativem Tempo macht das die Erkenntnisse irrelevant.
Kommunikationsausfälle. Ein UAV in einer gestörten elektromagnetischen Umgebung kann seinen Datenlink vollständig verlieren. Die Edge-Verarbeitungspipeline läuft weiter, klassifiziert und protokolliert CoT-Ereignisse lokal und synchronisiert sich nach Wiederherstellung der Verbindung.
Linkbudget-Einschränkungen. Edge-verarbeitete Erkennungen verbrauchen einige Kilobit pro Minute statt Megabit pro Sekunde, sodass der Link für Befehlsverkehr, Telemetrie und andere Sensordatenströme verfügbar bleibt.
Dimensionsreduktion auf dem Gerät
Der erste und folgenreichste Schritt jeder hyperspektralen Edge-Pipeline ist die Dimensionsreduktion: der 224-Band-Spektralvektor pro Pixel wird auf 8–16 Komponenten reduziert, die die diskriminierenden Informationen behalten. Ohne dies kann kein moderner Edge-Prozessor Echtzeit-Betrieb aufrechterhalten.
Hauptkomponentenanalyse (PCA) ist die am weitesten verbreitete Methode. Die Transformationsmatrix 224×12 (für K=12) wiegt ~10,8 KB in float32. Die Anwendung erfordert nur eine Matrixmultiplikation pro Pixel — auf ARM-Prozessoren mit NEON SIMD läuft dies effizient in einer engen Schleife.
Minimum-Rausch-Anteil (MNF) ist eine zweistufige Variante, die Rauschen vor der Komponentenberechnung weißt — robuster bei räumlich korrelierten Sensorgeräuschen.
Zufällige Projektionen — eine Gauss'sche Matrix 224×K — benötigen keine Trainingsdaten und eignen sich für schnelle Einsätze, erfordern jedoch typischerweise ein etwas größeres K.
Nach der Reduktion sinkt der Durchsatz von ~3,4 MB/Frame auf ~0,18 MB/Frame (bei K=12) — eine 18-fache Reduktion, die den Datenstrom auf unter 5,5 MB/s bei 30 fps bringt.
Spektralklassifikationsmodelle
Spektralwinkelmapper (SAM) ist der klassische physikalische Ansatz. Vergleicht den reduzierten Vektor mit einer Referenzspektralbibliothek durch den Winkel zwischen ihnen. Benötigt keine Trainingsdaten, ist trivial in der Berechnung.
Support-Vektor-Maschinen (SVM) mit RBF-Kernel auf reduzierten Vektoren — Industriestandard des maschinellen Lernens seit zwei Jahrzehnten. Bei 8–16-dimensionalen Eingaben klassifizieren sie Millionen von Pixeln pro Sekunde auf einem einzelnen CPU-Kern.
1D-CNNs auf Spektralvektoren bieten die höchste Genauigkeit bei höherem Rechenaufwand. Ein kleines faltungsbasiertes Netzwerk mit 3–5 Schichten und 32–64 Filtern. Nach dem Export nach ONNX und Kompilierung (TensorRT für Jetson) reduziert INT8-Quantisierung mit 200–500 Kalibrierungsproben pro Klasse Größe und Inferenzzeit 3–4-fach bei weniger als 2% Genauigkeitsverlust. Felderprobte Genauigkeit: 92–96%.
Tarnungserkennung und Materialidentifikation
Chlorophyll in lebender Vegetation erzeugt die Rote Kante zwischen 700 und 740 nm. Synthetische Tarnung zeigt konsequent eine fehlende oder unterdrückte Rote Kante in VNIR-Daten — getarnte Positionen sind von umgebender Vegetation unterscheidbar, selbst wenn sie auf EO-Bildern visuell identisch erscheinen.
Gestörter Boden von Fahrzeugspuren, Feldstellungen oder vergrabenen Minen erzeugt eine charakteristische Änderung der Feuchtigkeitsabsorptionssignaturen in SWIR-Bändern um 1400 nm und 1900 nm. Dieselkraftstoffrückstände (JP-8) haben charakteristische Kohlenwasserstoff-Absorptionsbänder um 1700 nm.
Integration in das ISR-Lagebild
CoT-Ereignisse (Cursor on Target) sind das primäre Integrationsformat für TAK-basierte Netzwerke. Nach der Identifikation eines Interessengebiets berechnet der Edge-Knoten geografische Koordinaten der Pixel, aggregiert benachbarte Pixel zu Erkennungspolygonen und generiert ein CoT-XML-Ereignis mit Klasse, Konfidenz, Zentroid in WGS84 oder MGRS und Sensor-Knoten-ID. Ereignisse erscheinen innerhalb von Sekunden auf ATAK/WinTAK-Clients.
GeoTIFF-Annotationsebenen dienen der Tiefenanalyse: Die klassifizierte Szene wird in einen taktischen Cloud-Speicher hochgeladen, wo Analysten sie mit anderen Sensorschichten überlagern können.
Multi-Sensor-Fusion korreliert hyperspektrale Erkennungen mit Tracks anderer Systeme — EO-Kameras, automatischer Zielerkennung, Radar — in einem konfigurierbaren räumlich-zeitlichen Fenster.
Wichtige Erkenntnis: Der häufigste Fehler bei hyperspektralen Edge-Einsätzen ist die Behandlung der Dimensionsreduktion als optional. Ein VNIR-Würfel mit 224 Bändern bei 12 Bit/Pixel erzeugt 3,4 MB/Frame bei 640×480 Auflösung. Bei 30 fps sind das über 100 MB/s — kein Edge-Board bewältigt das ohne vorherige Reduktion der Spektraldimension auf 8–16 Komponenten. PCA oder MNF als erste Pipeline-Stufe senkt den Durchsatz auf unter 5 MB/s, bevor ML-Inferenz läuft.
Hyperspektrale Erkennungen in das ISR-Lagebild integrieren
Corvus SENSE nimmt Sensordatenstrome von hyperspektralen und multispektralen Nutzlasten entgegen, führt bordeigene Spektralklassifikation durch und veröffentlicht Erkennungen als CoT-Ereignisse in Echtzeit an Ihr TAK-Netzwerk oder C2-Dashboard.
Diese Analyse wurde von Corvus Intelligence-Ingenieuren erstellt, die unternehmenskritische ISR-Systeme und Feldanwendungen für Verteidigungs- und Regierungsorganisationen entwickeln. Mehr über unser Team →