OSINT-Experiment: Ort eines Baum-Videos aus Flugzeug-Sound bestimmt




Ein OSINT-Autor ermittelte den genauen Aufnahmeort und das Aufnahmedatum eines zufälligen Baum-Videos nur anhand von Flugzeug-Sound, ADS-B-Daten und einem Spektrogramm.
Ein auf YouTube veröffentlichtes OSINT-Experiment zeigt, wie ein zufälliges Video von Bäumen über den Sound vorbeifliegender Flugzeuge den genauen Aufnahmeort und die Aufnahmezeit bestimmen kann.
Die einzigen Eingangsdaten waren:
- Das Video wurde irgendwo in den USA aufgenommen.
- Das Aufnahmedatum war 09/08/2026.
Mit nur diesen Daten konnte der Autor am Ende einen bestimmten Pfosten in New York identifizieren, an dem eine Straßenkamera hing, mit der das Video aufgenommen wurde.
Am besten sieht man sich das Video selbst an, aber hier ist eine Erklärung, wie es gemacht wurde.
Das Bild im Video half nicht weiter, also arbeitete der Autor nur mit dem Ton. Er öffnete das Audio in einem Spektrogramm und vergrößerte die niedrigen Frequenzen. Dort fand er zwei kaum sichtbare Bögen: So klingt ein vorbeifliegendes Propellerflugzeug, dessen Ton zunächst höher und dann niedriger ist — der Doppler-Effekt. Zwischen den Bögen vergingen 920 Sekunden. Danach lud er ADS-B-Daten herunter — Koordinaten, Höhe und Zeit jedes Flugzeugs über den USA an diesem Tag — und filterte alle Jet-Modelle heraus.
Anschließend legte er das Gebiet um die Flugrouten mit einem Punktraster im Abstand von 200 m ab. Für jeden Punkt berechnete er, in welcher Sekunde dort der Moment der größten Nähe des Flugzeugs hörbar wäre. Der Schall braucht Zeit, um den Boden zu erreichen, und die Entfernung zum Flugzeug wurde entlang einer Geraden unter Berücksichtigung des darunterliegenden Geländes berechnet. Die Form des Bogens lieferte zwei weitere Hinweise: Wie stark der Ton abfällt, zeigt die Geschwindigkeit des Flugzeugs, und wie schnell er abfällt, zeigt die Entfernung zu ihm. Der letzte Filter war Stille: 15 Minuten zwischen den Vorbeiflügen durfte kein Flugzeug überfliegen, was Punkte in der Nähe von Flughäfen ausschloss. Nach allen Filtern blieben etwa 15.000 Punkte übrig.
Um einen Punkt auszuwählen, nutzte er, dass reale Bögen ungleichmäßig sind: Ein Flugzeug dreht, beschleunigt und bremst. Für jeden Punkt simulierte er anhand der tatsächlichen Trajektorie jedes Flugs, welchen Bogen eine Person genau dort hören würde, korrigiert um die Schallverzögerung. Das Modell wurde auf das Spektrogramm gelegt, und die Bewertung bestand darin, wie genau es auf die reale Linie passte. Den zweiten Bogen passte er nicht an; seine Position relativ zum ersten wird nur durch die Trajektorie bestimmt. Für diesen Schritt wurde das Raster auf 100 m verfeinert.
Ein Paar von Flügen erzielte deutlich mehr Punkte als die anderen: Die Modelle lagen fast perfekt auf beiden Bögen. Zur Überprüfung nahm er aus derselben Aufnahme einen dritten, völlig unhörbaren Bogen und suchte nur anhand dieses Bogens und der Aufnahmezeit. Der erste Platz ging erneut an denselben Punkt. Er öffnete ihn in Google Street View am Ufer in Oyster Bay (New York) und verglich die Silhouette der Bäume mit dem Bildausschnitt: ein Baum in Form des Buchstabens V, eine spitze Krone oben, ein runder Wuchs. Alles passte, und an einem nahegelegenen Pfosten hing dieselbe Überwachungskamera.
Ich bin sicher, dass Claude dieses Ergebnis leicht wiederholen könnte, wenn man ihm das Video geben würde.
Warum das wichtig ist
AnalyseDieser Fall zeigt, wie offene Flugverkehrsdaten und akustische Analyse zufällige Aufnahmen in präzise Geolokalisationsnachweise verwandeln können. Für Privatsphäre und Sicherheit ist es eine Erinnerung, dass auch Videos ohne Metadaten identifizierende Signale enthalten können.
In der Community diskutieren
Teile deine Fragen und Erkenntnisse mit Entwicklern
Verwandt im Ökosystem
Praktische Leitfäden, Terminologie und Agenten-Skills
Hermes-Profil: OSINT-Analyst und Deep-Web-Recherche
OSINT-Analystenprofil Hermes: Mehrstufige Internetsuche, Verifizierung von Primärquellen, Wettbewerbsintelligenz und Faktencheck.
5-stufige Prompt-Kette zur Online-Überprüfung von Informationen
Schritt-für-Schritt-OSINT-Prompt-Kette mit fünf Schritten zur Überprüfung von Online-Informationen: Planung, E-Mail-Audit, Cross-Search nach Nicknames, Faktencheck und abschließender Bericht.
Monte-Carlo-Baumsuche für Agenten (MCTS)
Ein algorithmischer Ansatz zur Planung von Aktionen durch KI-Agenten, der heuristische Suche, Bewertung von Zwischenzuständen und Backtracking kombiniert, um optimale Lösungen in hochkomplexen Suchräumen zu finden.
Digitale Signatur für Fotos und Videos (C2PA / Content Credentials)
Internationaler offener Standard zur Kennzeichnung von Mediendateien (C2PA / Content Credentials). Die Technologie bettet eine kryptografisch signierte Herkunftsgeschichte in digitale Fotos, Illustrationen und Videos ein: Sie zeigt auf, mit welcher Kamera die Aufnahme erstellt oder welches KI-Modell die Datei generiert hat, und macht so unbemerkte Fälschungen unmöglich.