Neuartige statistische Lernmethoden verbessern Analyse von Erdbeobachtungssatellitendaten
„Die aktuellen Ansätze können nicht effizient mit den spezifischen Eigenschaften der Fernerkundungsdaten umgehen“, so Gustau Camps-Valls, Koordinator des EU-finanzierten Projekts SEDAL und Professor für Elektrotechnik an der Universität Valencia. „Dieses Problem verschärft sich beim Betrieb der Copernicus-Sentinel-Dienstleistungen noch weiter und wir sehen uns nun der dringenden Notwendigkeit gegenüber, die erheblichen Mengen komplexer, heterogener, strukturierter Daten aus mehreren Quellen zu verarbeiten und zu verstehen, die bei der Überwachung der rasanten Änderungen anfallen, die auf der Erde bereits stattfinden.“
Algorithmen und Verfahren zur Verbesserung der Modellierung und des Verständnisses des Erdsystems
Insgesamt zielt SEDAL darauf ab, die nächste Generation der maschinellen Inferenzverfahren zur Analyse von Erdbeobachtungsdaten einzuführen. Das Projekt wird fortgeschrittene Regressionsmethoden entwickeln, um die Effizienz und Prognosegenauigkeit zu verbessern, Unsicherheitsfaktoren angemessen zu quantifizieren, physikalisches Wissen über das Problem zu codieren und selbsterklärende Modelle zu erlangen, die aus empirischen Daten abgeleitet sind. „Bessere Vorhersagemodelle sind jedoch nicht genug – wir wollen dank der Erdbeobachtungsdaten mehr über die kausalen Zusammenhänge lernen, damit wir aktuelle Modelle mit Beobachtungen oder Testhypothesen vergleichen können“, erklärt Camps-Valls. „Es handelt sich um einen spannenden Forschungsbereich, der noch in den Kinderschuhen steckt, aber mit neuen Methoden und einigen schwachen Annahmen können wir falsche Korrelationen verwerfen und lernen, wie das System tatsächlich funktioniert und sich letztendlich verändern wird.“ Bislang hat das Team von SEDAL viele neue Algorithmen entwickelt, die auf vorherigem Wissen aufbauen und den grundlegendsten Gesetzen der Physik entsprechen. Diese Modelle verbessern die Vorhersage von Ernteerträgen, überwachen den Zustand der Vegetation, Atmosphäre und Gewässer und erkennen und charakterisieren Veränderungen und Anomalien besser, zum Beispiel aufgrund von Störungen wie Hitzewellen und Dürren. Die Modelle können nun Informationen, die von verschiedenen Sensoren stammen, miteinander verbinden und auf aktuelle Big-Data-Szenarien hochskalieren. „Kausalitäten nur aus Erdbeobachtungsdaten abzuleiten, ist ein schwierigeres und ehrgeizigeres Ziel, für das wir Algorithmen entwickelt haben, die uns ermöglichen könnten, Kausalzusammenhänge festzustellen“, fährt Camps-Valls fort.
Beobachtungsprodukte für alle
Mehrere Einrichtungen, Unternehmen und Anwenderinnen und Anwender haben Interesse an den von SEDAL entwickelten Instrumenten gezeigt. Die Universität Valencia hat enge Verbindungen zu der Europäischen Weltraumorganisation und der Europäischen Organisation für die Nutzung von meteorologischen Satelliten aufgebaut, um das Beste aus den Konzepten und Instrumenten von SEDAL zur Verbesserung der Erdüberwachung herauszuholen. Die Universität hat außerdem mehrere Methoden in der Google-Cloud-Plattform implementiert, um die Modelle effizient hochzuskalieren. „Seien es geografische und meteorologische Einrichtungen oder Nichtregierungsorganisationen, von diesen Entwicklungen wird eine wesentlich umfangreichere Gemeinschaft profitieren“, fügt Camps-Valls hinzu. „Diese Gemeinschaft nutzt und übernimmt eine höhere Genauigkeit bei der Schätzung wichtiger essenzieller Klimavariablen wie der Temperatur, des Chlorophyllgehalts oder der Bodenfeuchtigkeit, glaubhaftere Unsicherheitsschätzungen und -fehler sowie bessere Erklärungsmodelle mit maschinellem Lernen.“ „Die langfristige Vision von SEDAL besteht darin, Neuland zu beschreiten und die Forschung in Richtung von Algorithmen zu lenken, die Wissen aus Erdbeobachtungsdaten ableiten können. Es soll ein Sprungbrett zum ehrgeizigeren langfristigen Ziel sein, maschinelles Denken auf den vom Menschen verursachten Klimawandel anzuwenden“, schließt Camps-Valls.
Schlüsselbegriffe
SEDAL, Erdbeobachtung, Klima, Erdbeobachtungsdaten, Algorithmen, Modelle mit maschinellem Lernen, Fernerkundung
