Was versteckt Russland unter falschen Wäldern?
Auf den ersten Blick wirkt nichts ungewöhnlich an dem Bild des Waldes vor Kronstadt, der historischen Hafenstadt Russlands. Zu sehen sind etwas Infrastruktur, Seen, Wiesen und Wald. Das Satellitenbild stammt von Yandex, dem beliebtesten Kartendienst Russlands. Doch während Yandex den Ort so zeigt wie oben, sieht er bei anderen Diensten ganz anders aus: Wo bei Yandex ein ruhiges Waldstück liegt, zeigen andere Anbieter eine Raketenstellung des Militärs.
Im August 2026 deckte der finnische Sender Yle auf, warum die Stellung auf der Karte nirgends zu finden war: Yandex hatte Wald aus einem anderen Teil desselben Satellitenbilds kopiert und über die Raketenstellung gelegt. Dass sensible Orte versteckt werden, ist an sich nicht ungewöhnlich – auf Kartendiensten werden sie meist verpixelt. Das verbirgt Details, doch wer genau hinsieht, erkennt trotzdem, dass dort etwas ist. Da westliche Geheimdienste ohnehin eigene Satellitendaten nutzen, bleibt unklar, vor wem die Stellung bei Yandex versteckt werden sollte. In diesem Fall bewirkte der falsche Wald das Gegenteil von Schutz.
Verwischte Spuren werden zu Hinweisen
Verschleierungen auf Karten haben Rechercheure schon früher zu fehlenden Puzzleteilen geführt. 2020 recherchierten Alison Killing, Christo Buschek und Megha Rajagopalan zur Masseninternierung von Uiguren in Xinjiang. Sie bemerkten, dass Baidu, Chinas führender Kartendienst, bestimmte Gebiete mit leeren grauen Kacheln überdeckte – und dass sich diese Masken rund um bekannte Lager häuften. Buschek machte aus der Kartenanomalie ein Werkzeug, um Standorte möglicher Internierungslager zu sammeln. Das Team analysierte Zehntausende maskierte Kacheln und glich jede mit Satellitenbildern anderer Anbieter ab. So stießen sie auf mehr als 260 Anlagen, die sie für Internierungslager und Zwangsarbeitsstätten hielten. Die Recherche wurde 2021 mit dem Pulitzer-Preis ausgezeichnet.
Der falsche Wald von Yandex ist eine ähnliche Kartenanomalie – nur für das menschliche Auge schwerer zu erkennen. Deshalb wollten wir wissen, ob eine Maschine sie entdeckt.
Was unsere Analysewerkzeuge fanden – und was nicht
Gemeinsam mit unserem Partner Decision Labs haben wir ein Werkzeug gebaut, das die Yandex-Bilder automatisch analysiert. Im ersten Durchlauf schlugen die Detektoren für KI-Manipulationen nicht an. Sie sind auf Deepfakes und andere Fälschungen mit generativer KI trainiert. Ein von Hand kopiertes Stück ist eine ältere, einfachere Art der Fälschung – für diese Detektoren sieht der geklonte Wald ganz normal aus. Zwei andere Methoden, angewandt auf ausgewählte Bilder, funktionierten dagegen:
1. Tie-Point-Matching. Die Software sucht Tausende kleine, markante Stellen im Bild heraus – etwa den Rand einer Baumkrone oder eine Lücke zwischen zwei Bäumen – und prüft, ob sie doppelt vorkommen. In einem natürlichen Wald finden sich immer einige Doppelgänger, doch sie liegen zufällig verstreut, in allen Richtungen und in allen Abständen. Ein kopiertes Stück verhält sich anders: Jede passende Stelle in der Kopie liegt in genau demselben Abstand und in genau derselben Richtung zu ihrem Zwilling – als hätte jemand den Wald auf Papier abgepaust und über die Karte geschoben. Diese gemeinsame Verschiebung ist der Fingerabdruck von Kopieren und Einfügen. Im Yandex-Bild fand die Software drei solche Fälle: drei Paare identischer Flächen. Doch Wald sieht überall ähnlich aus – zwei ähnliche Stellen allein beweisen wenig.
2. Embeddings. Diese Methode nutzt GeoEmbeddings, ein KI-Modell, das jedes kleine Quadrat des Bildes in eine numerische Zusammenfassung seines Aussehens übersetzt. Ähnlich aussehende Quadrate erhalten ähnliche Werte und werden auf der Karte in derselben Farbe markiert. Rund um Kronstadt leuchten die kopierten Flächen in passenden Farben auf, was den Befund stützt. Für sich genommen beweist diese Methode weniger, denn auch echter Wald wiederholt sich, und viele unberührte Quadrate sehen ebenfalls gleich aus. Am nützlichsten ist sie als zweite Meinung neben dem Tie-Point-Matching.
In der Demo zeigen die Markierungen A und B nur die Richtung einer Übereinstimmung, nicht, welches Stück das Original ist. Jeder Befund muss zudem mit anderen Satellitenbildern oder Quellen abgeglichen werden, wie der Open-Source-Rechercheur Benjamin Strick in seinem jüngsten Video erklärt.
Gemeinsam mit Vertical52 hat Decision Labs eine interaktive Demo gebaut, die direkt im Browser läuft – so kannst du die Übereinstimmungen selbst nachvollziehen. Probier das Werkzeug aus und melde dich bei uns. Die Detektoren stammen aus dem Projekt VeriSat. Wir bleiben an dem Thema dran und entwickeln weiter.
Du arbeitest mit Satellitenbildern und vermutest, dass ein Ort manipuliert wurde? Wir bei Vertical52 helfen gern: Melde dich, dann analysieren wir deine Bilder und unterstützen deine Recherche.
