Maschinelles Lernen lüftet Geheimnisse, die sich in einem ganzen Erdkatalog versteckt haben
Das Erdbeobachtungsprogramm Copernicus der EU erfasst aus zahlreichen Quellen kontinuierliche, automatisierte und umfangreiche Daten zum Zustand des Planeten, unter anderem aus Satellitenbildern sowie durch Boden- und Luftsensoren. Zwar sind die Daten für verschiedene Bereiche von der Katastrophenhilfe bis zur Umweltplanung unglaublich wertvoll, aufgrund ihrer schieren Menge ist es jedoch für eine einzelne Person unmöglich, sie zu untersuchen.
Maschinelles Lernen
Künstliche Intelligenz (KI) kann einige Analysen automatisieren, während sie Petabytes an Daten durchsucht, um relevante und wichtige Informationen zu finden. Das EU-finanzierte Projekt PerceptiveSentinel hat einen intermediären Erdbeobachtungdienst entwickelt, der den Nutzen der Copernicus-Daten für nachgeschaltete Anwenderinnen und Anwender erschließen soll. „Maschinelles Lernen hat sich bewährt, die entsprechenden Instrumente sind jedoch nicht auf die Komplexität der Erdbeobachtungsdaten zugeschnitten“, sagt Projektkoordinator Grega Milcinski. „Die Technologien für maschinelles Sehen sind so optimiert, dass sie menschliche Gesichter sowie Katzen in den sozialen Medien erkennen können, jedoch keine multispektralen und multitemporalen Satellitendaten.“ Mithilfe der Integration von Datenverarbeitungsabläufen und bekannten Instrumenten wie TensorFlow von Google und LightGBM von Microsoft haben der wissenschaftliche Leiter Anze Zupanc und seine Kollegen eo-learn entwickelt. Die quelloffene Software kombiniert maschinelles Lernen mit Erdbeobachtung und wurde für den Umfang und die Komplexität der Copernicus-Daten kreiert.
Kommerzieller Bereich
Noch vor Projektende übernahm das niederländische Satellitennavigationsunternehmen TomTom einen Teil der Arbeit und nutzte ihn für die eigene interne Forschung. Mit der Software konnten sie nach Aussage von Milcinski: „einige Milliarden Quadratkilometer an Satellitendaten eigenhändig verarbeiten, um ein globales Produkt für die Nutzer zu schaffen.“ PerceptiveSentinel erzielt durch die Nutzung der eo-learn-Software sogar bereits Erträge, wobei der Umsatz im 2021 endenden Geschäftsjahr voraussichtlich die Marke von 1 Mio. EUR überschreiten wird. Hauptabnehmerinnen und -abnehmer sind Datenwissenschaftlerinnen und Datenwissenschaftler aus der Forschung sowie der Wirtschaft. Das Projekt konnte bisher mehr als 26 000 Downloads verzeichnen. Über 182 Entwicklerinnen und Entwickler haben darüber hinaus ihren eigenen Zweig von eo-learn konzipiert. „Wir kennen natürlich nicht alle Nutzer, da die Software quelloffen zur Verfügung steht, sodass sie jeder nutzen kann wie er möchte, ohne uns Bescheid zu geben“, erklärt Milcinski. „Es gibt auch viele Nutzer, deren Namen wir aus Gründen der Vertraulichkeit nicht nennen dürfen.“
Enge Zusammenarbeit
PerceptiveSentinel wurde im Rahmen des Horizont 2020-Programms unterstützt und vom Sinergise-Labor für Geoinformationssysteme in Slowenien koordiniert. „Dank der Förderung konnten wir die bestmöglichen Ressourcen einsetzen und das Projekt vorantreiben“, so Milcinski weiter. „Auch die Partner waren wichtig, da sie Beiträge geleistet haben, die über unser Fachwissen hinausgehen. Eine derart enge Zusammenarbeit hätte es ohne das Projekt wahrscheinlich nicht gegeben.“ Wie er sagt, gaben die öffentlichen Mittel dem Team die Motivation, die Software quelloffen zu veröffentlichen, was sich als voller Erfolg erwies. Daraus ist eine Gemeinschaft rund um die eo-learn-Software entstanden, die immer mehr Mitglieder gewinnt, von denen sich viele in zahlende Kundinnen und Kunden verwandelt haben. Die Arbeit an eo-learn geht weiter, sowohl durch das PerceptiveSentinel-Team als auch Tausende Drittnutzerinnen und -nutzer, die sich am quelloffenen Projekt beteiligen. „Wir sind überzeugt, dass die Ergebnisse noch viele Jahre lang Früchte tragen werden“, so Milcinski abschließend.
Schlüsselbegriffe
PerceptiveSentinel, Perceptive, Sentinel, Copernicus, Erde, Beobachtung, maschinelles, Lernen, eo-learn, Satellit
