Mit den neuen Fortschritten in der Erdbeobachtungstechnologie hat sich Zugang zu multispektralen und hyperspektralen Daten aus verschiedenen Missionen erheblich verbessert. Dies eröffnet uns neue Möglichkeiten zur Überwachung der Land- und Forstwirtschaft, von aquatischen Ökosystemen oder Städten. Allerdings bringen diese Fortschritte jedoch auch Herausforderungen, z. B. bei der effektiven Verarbeitung der riesigen Datenmengen, mit sich. Daher konzentriert sich das "Effiziente KI"-Team auf die Entwicklung von Methoden und Algorithmen, die kosteneffizient, zeitnah und rechnerisch praktikabel sind, um gesellschaftliche Herausforderungen im Zusammenhang mit der Erdbeobachtung anzugehen.
Herausforderungen und Forschungsschwerpunkte:
Szenarien aus den Bereichen Umweltsicherheit, Katastrophenhilfe, Ernährungssicherheit, usw. sind oft einzigartig und vorranging zu behandeln. Es fehlt oft an ausreichenden Grundlagen und Zeit, um maßgeschneiderte Datenverarbeitungspipelines zu entwickeln. Dies treibt die KI-Modellierungsbemühungen immer mehr in Richtung domänenunabhängiges und Label-unabhängiges Lernen, um effektiv und schnell Ergebnisse aus den umfangreichen EO-Daten zu extrahieren.
Für den weiteren Nutzen der entwickelten AI4EO-Lösungen sind außerdem automatisiertes maschinelles Lernen und Optimierungen für eingeschränkte Datenverarbeitungsumgebungen (z. B. on-board processing) wichtige Schwerpunkte unseres Teams. In Anbetracht dieser Herausforderungen und Schwerpunktbereiche umfassen unsere Hauptforschungsthemen:
Schwach-überwachtes, unüberwachtes und selbstüberwachtes Lernen
Suche nach neuronalen Architekturen (Neural Architecture Search)
Eingebettete KI für On-board Anwendungen
Multimodales Lernen für heterogene EO- und weitere Daten
Anwendungsbereiche:
Wir nutzen EO-Daten und KI-Methoden zur Überwachung von Landbedeckung und Landnutzungsänderungen, um nachhaltige Managementpraktiken zu unterstützen. Wir können z. B. die oberirdische Biomasse abschätzen, die für die Bewertung der Kohlenstoffvorräte und die Überwachung der Auswirkungen des Klimawandels entscheidend ist. Durch das Monitoring von Waldschäden können wir zudem unerlaubten Holzeinschlag, die Ausbreitung von Krankheiten und andere Störungen des Ökosystems aufdecken. Die Analyse der Bodeneigenschaften hilft uns, die landwirtschaftliche Produktivität und die Umweltbedingungen zu bewerten. Durch den Einsatz von AI4EO für die Ernährungssicherheit können wir unter anderem die Gesundheit von Nutzpflanzen überwachen und die Ernteerträge effektiv vorhersagen. Wir überwachen auch die städtische Entwicklung, um Veränderungen und ihre Auswirkungen auf die Umwelt und den Menschen zu verfolgen und so Informationen über nachhaltiges Wachstum zu erhalten. Darüber hinaus ermöglicht die Identifizierung von Anomalien auf der Erdoberfläche eine frühzeitige Warnung vor Umweltveränderungen oder möglichen Naturkatastrophen. Schließlich umfasst unsere Arbeit zur Verbesserung der Katastrophenresilienz auch zeitnahe KI-Analysen von EO-Daten für Ereignisse wie Überschwemmungen, Erdbeben und Stürme.
Kollaborationen und Auswirkungen:
Wir arbeiten bei der Entwicklung von Methoden und Anwendungen eng mit zahlreichen internationalen Partnern zusammen und erhalten Zuschüsse von nationalen und internationalen Agenturen wie der Helmholtz-Gemeinschaft, der Europäischen Weltraumorganisation (ESA) und der EU. Diese Kooperationen ermöglichen es uns, ein breites Spektrum an Fachwissen und Ressourcen zu nutzen und so die Qualität und den Umfang unserer Forschung zu verbessern. Darüber hinaus sind wir bestrebt, unser Know-how über Lizenzvereinbarungen an die Industrie weiterzugeben. Dies hilft nicht nur bei der praktischen Umsetzung unserer Forschungsergebnisse, sondern vergrößert auch die Gesamtwirkung unserer Beiträge in realen Anwendungen und fördert eine nachhaltigere Umwelt.
Enhancing Contrastive Learning with Positive Pair Mining for Few-shot Hyperspectral Image Classification.
Braham, Nassim Ait Ali, et al.
Bild: 1/5, Credit:
IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing (2024)
