Erkennungsmethoden und Bewertungskennzahlen für den Erhaltungszustand der gemauerten Großen Mauer von Peking

Warum der Zustand der Großen Mauer heute wichtig ist

Die Große Mauer ist mehr als ein Postkartenmotiv; sie ist ein ingenieurtechnisches Problem des 21. Jahrhunderts. Über zerklüftete Berge um Peking gespannt, werden ihre Ziegel- und Steinabschnitte langsam von Witterung, Pflanzenbewuchs und starkem Tourismus angefressen. Eine Abschnitte für Abschnitte manuelle Inspektion durch Menschen allein ist bei diesem Umfang unmöglich. Diese Studie zeigt, wie Drohnen, satellitenähnliche Bildgebung und künstliche Intelligenz zusammenarbeiten können, um die Mauer automatisch zu scannen und mit einer Note zu bewerten, wie gut jeder Teil erhalten ist — so dass Restauratoren entscheiden können, wo gehandelt werden sollte, bevor Schäden irreversibel werden.

Vier Arten, wie eine Mauer versagen kann

Um Computern beizubringen, wie „gesund“ und „ungesund“ aussehen, mussten die Forschenden zunächst einfache, praxisnahe Schadenskategorien festlegen. Sie unterteilten die gemauerte Große Mauer in Peking in vier sichtbare Zustände. Im ersten ist die Mauer weitgehend intakt, oft dank früherer Reparaturen und regelmäßiger Kontrollen. Der zweite zeigt lokale Defekte — fehlende Ziegel, Risse oder gebrochene Steine — während die Hauptstruktur noch steht. Der dritte wird von Vegetation dominiert, bei dem Pflanzenwurzeln in das Mauerwerk eindringen und es auseinanderdrücken. Der vierte ist am schwersten: große Einstürze von Türmen und Mauerabschnitten, die nur noch niedrige Reste hinterlassen. Diese Kategorien verwandeln ein komplexes Konservierungsproblem in eine Reihe klarer visueller Muster, die Computer lernen können zu erkennen.

Aufbau eines digitalen Zwillings über Hunderte Kilometer

Mit diesen vier Zuständen im Gepäck erstellte das Team eine umfangreiche digitale Momentaufnahme der Großen Mauer. Mithilfe von Drohnenflügen und dreidimensionalen Modellen sammelten sie Bildmaterial, das mehr als 500 Kilometer Mauer rund um Peking abdeckt, und destillierten daraus über 300 Kilometer hochwertiger Orthophotos — Luftbilder, so korrigiert, dass Distanzen und Winkel auf dem Bildschirm den Gegebenheiten vor Ort entsprechen. Fachleute zogen dann präzise Umrisse um beschädigte Bereiche und kennzeichneten sie nach den vier Kategorien. Ein dreistufiger Prüfprozess verglich diese Labels mit Reparaturakten und Expertenurteilen. Das Ergebnis ist ein detaillierter Datensatz mit 3.408 Bildkacheln, jeweils 512 × 512 Pixel, versehen mit geografischen Koordinaten und Versionshistorie — im Grunde eine nachverfolgbare, zoombare Karte des Zustands der Mauer.

Ein schlankes KI‑Modell die Risse der Mauer lesen lehren

Das Kernstück der Studie ist ein neues Computer‑Vision‑Modell namens MEP‑deep, entwickelt, um subtile Schadensmuster in diesen Bildern zu erkennen und dabei leicht genug zu bleiben, um auf bescheidener Hardware zu laufen. Aufgebaut auf einer kompakten neuronalen Netzwerkarchitektur, die ursprünglich für Smartphones entworfen wurde, fügt das Modell zwei „Aufmerksamkeits“-Module hinzu, die ihm helfen, sich auf das Wesentliche zu konzentrieren. Das eine passt an, wie stark unterschiedliche Bildmerkmale gewichtet werden, sodass Signale von Rissen und fehlenden Ziegeln sich vom Hintergrund abheben. Das andere betrachtet räumliche Anordnungen von Mustern, wodurch das System beispielsweise einen natürlichen Felsen von einem ehemals zur Mauer gehörenden Stein unterscheiden kann. Getestet nicht nur am Datensatz der Großen Mauer, sondern auch an einem internationalen Standard‑Benchmark für Stadtbilder, übertraf das Modell mehrere etablierte Verfahren leicht, aber konstant — und das bei deutlich geringerem Ressourcenbedarf.

Farben auf einer Karte in verwertbare Bewertungen verwandeln

Beschädigte Bereiche zu erkennen ist nur die halbe Geschichte; Verwalter brauchen außerdem eine Zahl, die zusammenfasst, wie ein Mauerabschnitt dasteht. Die Forschenden entwickelten deshalb ein Bewertungssystem, das auf dem Anteil der Schadensarten innerhalb eines Abschnitts basiert. Bereiche mit mehr intaktem Mauerwerk erhalten höhere Werte, während Abschnitte, die von Einsturz oder starkem Bewuchs dominiert werden, stärker abgewertet werden. Ein mathematischer „Verfalls“-Term sorgt dafür, dass schon kleine Zunahmen schwerer Schadensarten den Wert deutlich senken, um deren überproportionalen Einfluss auf Sicherheit und Authentizität abzubilden. Durch den Vergleich von Bewertungen, die aus menschlichen Labels berechnet wurden, mit denen aus den Modellvorhersagen an mehreren restaurierten Abschnitten zeigten die Forschenden, dass das automatisierte System das Expertenurteil ausreichend gut annähern kann, um vor Ort zu priorisieren, wo als Erstes nachgesehen werden sollte.

Was das für die Zukunft der Großen Mauer bedeutet

Kurz gesagt verwandelt diese Arbeit die gemauerte Große Mauer von Peking in einen lebendigen Datensatz, der über die Zeit überwacht werden kann. Anstatt auf offensichtliche Einstürze zu warten, können Denkmalpfleger Drohnenflüge und das MEP‑deep‑Modell nutzen, um aktuelle Schadenskarten und Gesundheitswerte für lange, schwer zugängliche Mauerabschnitte zu erzeugen. Die Autorinnen und Autoren räumen ein, dass noch genauere, rechenintensivere KI‑Modelle existieren, doch ihr schlanker Ansatz ist praxisnah für den Feldeinsatz und lässt sich weiter verbessern. Über China hinaus könnte dieselbe Kombination aus klaren visuellen Kategorien, sorgfältig aufgebauten Datensätzen und effizienter KI helfen, andere lange, empfindliche Kulturstätten zu schützen — von antiken Grenzbefestigungen bis zu historischen Kanälen — indem verstreute Steine in verwertbare Informationen verwandelt werden.

Zitation: Liu, F., Wang, Z., Zhang, Z. et al. Identification methods and evaluation metrics for the condition of the Beijing masonry Great Wall. npj Herit. Sci. 14, 122 (2026). https://doi.org/10.1038/s40494-026-02392-z

Schlüsselwörter: Erhaltung der Großen Mauer, Denkmalüberwachung, Fernerkundung, Tiefes Lernen, Erkennung struktureller Schäden