In allen Spezialbereichen des IMF für die drei Technologien Synthetic Aperture Radar (SAR), optische Bilderkennung und atmosphärische Spektrometrie haben Algorithmen zur Verbindung der Sensortechnologien, z.B. für die Datenfusion, in den letzten Jahren immer mehr an Bedeutung gewonnen. Darüber hinaus ist die Fernerkundung mit den Daten der Sentinel-Satelliten und in Zukunft auch der Tandem-L Satelliten unumkehrbar in der Big Data Ära angekommen. Dies erfordert nicht nur neue technologische Ansätze, um die großen Datenmengen zu verwalten (wie es am DFD erfolgt), sondern auch neue Analysemethoden.
In diesem Zusammenhang werden Methoden aus der Data Science und der künstlichen Intelligenz, wie maschinelles Lernen, unverzichtbar. Insbesondere Deep Learning hat in dem Bereich der künstlichen Intelligenz in den letzten Jahren das Feld revolutioniert. Um diesen Entwicklungen Rechnung zu tragen, ist Data Science in der Erdbeobachtung einer der Forschungsfokusse des IMF.
Unsere Vision lautet daher:
Die meisten operationalen Datenprozessoren für die Erdbeobachtungsmissionen sind modellbasierte Algorithmen. Im letzten Jahrzehnt haben wir Algorithmen für die folgenden Bereiche entwickelt:
Wir arbeiten weiter an der Entwicklung moderner Signalverarbeitungsalgorithmen für die Zukunft.
Unser aktueller Fokus liegt dabei besonders auf der Entwicklung künstlicher Intelligenz für multimodale Daten, georeferenzierte Fernerkundungsdaten, Bildern aus Zeitreihenaufnahmen und large-scale Daten.
Das beinhaltet die Kombination von SAR und optischen Bildern, die Kombination von InSAR und optischen 3D-Punktwolken sowie die Kombination von polarimetrischem SAR, Multi- und Hyperspektralbildern und LiDAR für Klassifikationsprobleme und viele weitere Anwendungen.
Wir haben jahrzehntelange Erfahrung im Data Mining und Knowledge Discovery für Fernerkundungsdaten. Für die Zukunft streben wir ein vollständiges Ökosystem aus der Entwicklung von Algorithmen, deren Skalierung auf HPC sowie deren Anwendung auf geowissenschaftliche Fragestellungen an. Dies erfordert die Implementierung von hoch performantem Programmcode, der auf HPC Systemen ausführbar ist, die Verwendung von modernen Datenstrukturen für die Fernerkundung, wie beispielsweise der Datacube, und der Bereitstellung von benutzerfreundlichen Plattformen.
Diese unkonventionellen Daten beinhalten Bilder aus der Straßenperspektive, wie Google Street View, Nachrichten aus sozialen Medien sowie Bilder von Micro- und Nanosatelliten, zum Beispiel Planet Data.
Die Abteilung besteht aus zwei Teams:
Wir teilen unsere Vision mit dem Lehrstuhl für Signalverarbeitung in der Erdbeobachtung an der Technischen Universität München, der auch von Xiaoxiang Zhu geleitet wird. Weitere Details siehe Link rechts ...