Einbindung von künstlicher Intelligenz in die Erdbeobachtung: der Beginn einer neuen Ära der Klimareaktion
Herkömmliche Architekturen des maschinellen Lernens sind nicht geeignet, um die Probleme der Erdbeobachtung zu lösen. Im Rahmen des EU-finanzierten Projekts DeepCube werden innovative Lösungen für diese Problematik eingeführt. Durch den Einsatz fortschrittlicher KI und Technologien des semantischen Web erschließt das DeepCube-Team die riesigen offenen Daten, die täglich von den Sentinel-Satelliten des Erdbeobachtungsprogramms Copernicus produziert werden, um wichtige ökologische und gesellschaftliche Herausforderungen im Zusammenhang mit dem Klimawandel zu bewältigen. „Unser Schwerpunkt geht über die standardmäßigen Klassifizierungsanwendungen der Computervision hinaus und konzentriert sich auf die quantitative Schätzung von Variablen, die mit geophysikalischen und biologischen Prozessen zusammenhängen“, erklärt Projektkoordinator Ioannis Papoutsis.
Fortschrittliche KI-Technologien sind die Rettung
Die DeepCube-Forschung zielt auf bestimmte wichtige Erdbeobachtungsprobleme im Zusammenhang mit der Interaktion von Biosphäre, Atmosphäre und Anthroposphäre. Dazu gehören die Vorhersage der Auswirkungen von Dürre und Hitze und das Verständnis der klimabedingten Migration in Afrika, die Vorhersage der Waldbrandgefahr in Mittelmeerregionen, die Überwachung von Infrastrukturen auf Bodeninstabilität und die Bewertung der Umweltauswirkungen des Tourismus. Um diese komplexen Probleme zu lösen, wird im Rahmen von DeepCube eine Mischung aus datengesteuertem Deep Learning und physikalischer Modellierung verwendet, wodurch ein einzigartiger gemischter Ansatz entsteht, der die Grenzen der herkömmlichen KI überschreitet. „Die Einbeziehung von Fachwissen und physikalischen Gesetzen bei gleichzeitiger Verringerung von Unsicherheiten hilft dabei, die Ökosystemdynamik nach Ereignissen wie Dürren zu verstehen“, erklärt Papoutsis. Das DeepCube-Team verwendet auch erklärbare KI und kausale KI in seinen Deep-Learning-Pipelines (eine Abfolge von Schritten, die Daten verarbeitet, tiefe neuronale Netzwerkarchitekturen entwirft, Modelle schult und Vorhersagen mit Deep-Learning-Techniken erstellt). „Erklärbare KI öffnet die ‚Blackbox‘ des Deep Learning und hilft zu verstehen, warum bestimmte Vorhersagen gemacht werden. Wenn wir diese Technik beispielsweise bei der Vorhersage der Waldbrandgefahr anwenden, können wir die wichtigsten Faktoren ermitteln, die die Modellvorhersagen beeinflussen“, erklärt Papoutsis. Kausale KI, eine weitere Schlüsselkomponente, hilft, die Zusammenhänge zwischen Ursache und Wirkung in Modellen zu verstehen. Das ist von entscheidender Bedeutung, wenn es um Themen wie klimabedingte Vertreibung geht, bei denen die Zusammenhänge zwischen Konflikten, Dürre und Vertreibung ermittelt und quantifiziert werden müssen.
Modernste Technologien zur Unterstützung von KI-Pipelines
Die Anwendungen von DeepCube stützen sich auf Technologien, die die Erstellung von KI-Pipelines unterstützen. Dazu gehören der Earth System Data Cube, ein einheitlicher Datensatz mit wichtigen Erdsystemvariablen, und der Semantic Data Cube, der den Earth System Data Cube semantisch anreichert. Darüber hinaus erweitert DeepCube Hopsworks, eine Open-Source-KI-Plattform, die verteiltes Deep Learning unterstützt. Das Projekt bietet auch Visualisierungstools wie Sextant für die Interaktion mit verknüpften Geodaten und eine Webplattform für die Extraktion visueller Konzepte aus Social-Media-Strömen. Letztendlich stellt die DeepCube-Plattform eine integrierte Umgebung für Fachleute für Erdbeobachtung und KI bereit, um Wertschöpfungsketten aus Rohdaten aus der Erdbeobachtung und anderen Bereichen zu erstellen. Diese anpassungsfähige Plattform kann in verschiedenen Cloud-Computing-Umgebungen verwendet werden, und alle genannten Technologien teilen sich darin Ressourcen und definieren Datenflüsse in einer einheitlichen Lösung.
Förderung der Wissenschaft durch frei zugängliche Forschung und globale Partnerschaften
Das DeepCube-Team hat wesentliche Beiträge zur wissenschaftlichen Gemeinschaft geleistet, indem es hoch relevante Forschungsergebnisse veröffentlicht und seine Deep-Learning-Modelle, Codes, Datensätze und Ontologien als frei zugängliche Assets zur Verfügung gestellt hat. Insbesondere veröffentlichten die Forschenden „Hephaestus“, einen einzigartigen, manuell kommentierten Datensatz von Sentinel-1-Interferogrammen für die Entwicklung von Frühwarndiensten für vulkanische Unruhe. Im Rahmen ihrer Forschungsarbeiten zur Vorhersage von Waldbrandgefahren haben die Forschenden „mesogeos“ veröffentlicht, einen Tagesdatenwürfel für die Entwicklung von Modellen zur Vorhersage der Brandgefahr im Mittelmeerraum für den nächsten Tag. Das DeepCube-Team bezieht auch die direkten Nutzenden in die Gestaltung und Bewertung seiner Dienstleistungen ein, um die Wirkung zu maximieren. Die Arbeit über die klimabedingte Migration wird in Zusammenarbeit mit dem Internal Displacement Monitoring Centre (Beobachtungszentrum für Binnenvertreibung) entwickelt und hat das Interesse von NRO und internationalen Organisationen wie UNICEF, dem Welternährungsprogramm und dem Entwicklungsprogramm der Vereinten Nationen geweckt. Sein in Zusammenarbeit mit der griechischen Feuerwehr entwickelter Dienst zur Vorhersage der Brandgefahr hat auch das Interesse der Initiative „AI for Good“ der Internationalen Fernmeldeunion geweckt.
Schlüsselbegriffe
DeepCube, Deep Learning, erklärbare KI, Erdbeobachtung, Copernicus, kausale KI, künstliche Intelligenz