Künstliche Intelligenz zeichnet den menschlichen Fußabdruck auf unserem Planeten nach
Erdbeobachtungsdaten liefern Informationen über die Oberfläche, Atmosphäre und die Ozeane der Erde. Die Daten werden in der Regel von verschiedenen Quellen und Plattformen mittels Fernerkundungstechnologien wie Satelliten, Flugzeugen, Drohnen und bodengestützten Sensoren erfasst. Erdbeobachtungsdaten sind entscheidend für das Verständnis und die Überwachung der Umwelt, des Wetters, der Klimaveränderungen und der Landnutzung auf der Erde. Um die Ziele für nachhaltige Entwicklung der Vereinten Nationen zu erreichen und eine bessere sowie nachhaltige Zukunft für alle zu schaffen, sind genauere Messungen von Umweltindikatoren, einschließlich Landnutzung und Bodenbedeckung, erforderlich. Zur Erfassung von Veränderungen, die ein umfassendes Bild der die Landoberfläche verwandelnden Aktivitäten abzeichnen, z. B. Stadterweiterung und Entwaldung, sind die räumliche Auflösung und zeitliche Frequenz dieser Messungen äußerst wichtig.
Einsatz von künstlicher Intelligenz zur Kartierung der Landbedeckung und -nutzung
Um die Überwachungsprozesse zu verbessern und die Auswirkungen des Menschen auf unseren Planeten zu verstehen, hat das EU-finanzierte Projekt RapidAI4EO Fernerkundung mit Fortschritten im Bereich der künstlichen Intelligenz kombiniert. So sollte die Kartierung von Aktualisierungen der Landbedeckung automatisiert werden, um zeitnah Informationen zu erhalten und auf diese Weise zu einer effektiven Umweltverwaltung und Nachhaltigkeit beizutragen. „Unser Ziel war die Lieferung von Lösungen für die kontinuierliche Überwachung und Kartierung, um uns besser auf die möglichen Folgen menschlicher Aktivitäten auf den Planeten und sein Klima vorzubereiten“, erklärt die technische Koordinatorin Annett Wania von Planet Labs. Damit Modelle der künstlichen Intelligenz Veränderungen schnell erkennen können, müssen sie anhand von Bildsequenzen trainiert werden, die in kurzen Abständen und von verschiedenen Sensoren aufgenommen wurden. Es gab keinen Datensatz, der all diesen Anforderungen entsprach. Daher hat das RapidAI4EO-Konsortium den RapidAI4EO-Korpus aufgebaut – einen Trainingsdatensatz mit Satellitenbildern zu etwa einer halben Millionen Orten in ganz Europa.
Eine neue detaillierte Quelle von Landbildern
Die Bilder für den RapidAI4EO-Korpus stammen aus der öffentlichen Konstellation Sentinel-2 von Copernicus und aus dem kommerziellen Bildprodukt Planet Fusion. Das RapidAI4EO-Korpus mit Satellitenbildern zu dichten Zeitreihen ist das wichtigste Projektergebnis und steht der gesamten Forschungsgemeinschaft auf dem Gebiet der Fernerkundung über Source Cooperative zur Verfügung, dem neuen cloudbasierten Datenveröffentlichungsprogramm von Radiant Earth. Dieser detaillierte Bilddatensatz bietet beispiellose Einblicke in die räumlichen und zeitlichen Merkmale der Landnutzung und Landbedeckung auf dem Kontinent. Gleichzeitig ist er eine unschätzbare Ressource für das Training von Algorithmen des maschinellen Lernens und des Deep Learning, mit denen das volle Potenzial kombinierter Datenquellen ausgeschöpft werden kann. Der RapidAI4EO-Korpus stellt durch die multimodalen sowie mehrfach aufgelösten Bilder, die geografisch vielfältigen Stichproben und die dichten Zeitreihen eine bessere Wahl für Erdbeobachtungsaufgaben dar. Mit dem Korpus konnten Forschende Lösungen für die Kartierung der Landbedeckung und die Erkennung von Veränderungen finden, welche die räumliche Auflösung des Verzeichnisses CORINE-Landbedeckung um das 10- bis 20-Fache übertreffen und eine vierteljährliche Aktualisierung ermöglichen.
Auf dem Weg zu stärker integrierten Lösungen für die Landkartierung
Insgesamt hat das Projekt RapidAI4EO bemerkenswerte Fortschritte bei der Weiterentwicklung von Methoden und Prototypen für die Landüberwachung erreicht. Dazu wurden die neuesten Trends im maschinellen Lernen und Datenströme von mehreren Satellitenkonstellationen ausgenutzt. Die im Rahmen von RapidAI4EO entwickelten Methoden und Prototypen dienen als grundlegende Bausteine, die kombiniert und integriert werden können, um effizientere, verbesserte und ausbaufähige Kartierungslösungen zu schaffen. Diese können den unterschiedlichen Bedürfnissen und Anforderungen der Nutzenden gerecht werden. „Wenn die Stärken der einzelnen Methoden ausgenutzt und ihre ergänzenden Funktionen gebündelt werden, kann ein umfassendes und robustes Landüberwachungssystem eingerichtet werden, das mehr Genauigkeit, Aktualität und Skalierbarkeit bietet“, betont Wania. Die Bereitstellung kontinuierlicher Beobachtungs- und Kartierungskapazitäten birgt ein enormes Potenzial für das Verständnis und die Bewältigung der möglichen Folgen menschlicher Aktivitäten auf die Erde und ihr Klima.
Schlüsselbegriffe
RapidAI4EO, Erdbeobachtungsdaten, Satellitenbilder, Landnutzung, Landbedeckung, Erkennung von Veränderungen, KI, künstliche Intelligenz, maschinelles Lernen, Deep Learning
