Das Potenzial von Erdbeobachtungsdaten erschließen
Die Erhebung von Erdbeobachtungsdaten nimmt dank Satelliten, In-situ-Sensoren und unter anderem Bürgerwissenschaft, exponentiell zu. Diese Daten, die aus mehreren Quellen stammen, liegen auch in verschiedenen Daten-, Zeit- und Raumformaten vor, wodurch es selbst für technische Fachleute immer schwieriger wird, wichtige Informationen schnell, effektiv und wirtschaftlich zu analysieren. Im Rahmen des EU-finanzierten Projekts EO4EU wird eine zentrale Anlaufstelle angestrebt, um die Entdeckung und Verarbeitung von Erdbeobachtungsdaten zu erleichtern. Durch die Konsolidierung riesiger Datenmengen von Erdbeobachtungsdatenanbietern extrahieren die maschinellen Lernmodelle dynamisch Muster und Erkenntnisse, die den Nutzenden über verbesserte Benutzeroberflächen und erweiterte Realität leicht zugänglich sind.
Ökosystem für EO4EU-Daten
Die EO4EU-Plattform führt historische Daten aus frei zugänglichen Datensätzen, Echtzeitdaten von intelligenten tragbaren Geräten, mobilen Anwendungen und IoT-Sensoren sowie Daten und Dienste von globalen und europäischen Cloud-basierten Plattformen zusammen. Zu den Cloud-basierten Plattformen gehören Copernicus, Galileo/EGNOS, GEOSS (Globales Erdbeobachtungssystem der Systeme), DestinE (Destination Earth) und das Europäische Zentrum für mittelfristige Wettervorhersage. Nutzende können auf Rohdaten aus der Erdbeobachtung zugreifen, eine Abfrage der Quellen in natürlicher Sprache durchführen und die verfügbaren Datensätze anhand ihrer Beschreibung prüfen. „EO4EU bietet Nutzenden den Zugriff auf genau die Informationen, die sie für ihre Forschungs-, Analyse- und Entscheidungsprozesse benötigen“, bemerkt Projektkoordinator Efstathios Chadjiefthymiadis von der Nationalen und Kapodistrianischen Universität Athen.
Maschinelles Lernen und Wissensgraphen unterstützen die ganzheitliche Verarbeitung von Erdbeobachtungsdaten
Das maschinelle Lernen unterstützt die dynamische Beschriftung und Komprimierung enormer Mengen von Erdbeobachtungsdaten, wodurch der Zeit- und Kostenaufwand für die manuelle Beschriftung erheblich verringert wird. Die EO4EU-Plattform stützt sich auf die neuesten Fortschritte bei den Methoden des unbeaufsichtigten Lernens und kann selbst aus großen, unmarkierten Datensätzen nützliche Informationen gewinnen. Diese fließen in nachgelagerte Aufgaben ein, um aufgabenspezifische Modelle zu lernen. EO4EU nutzt Wissensgraphen zur Integration heterogener und verteilter Erdbeobachtungsdatenquellen, wodurch der Bedarf an komplexer Datenverarbeitung verringert und die Entwicklungszeit für neue Anwendungen der Erdbeobachtung verkürzt wird. Mit der Fusions-Engine können Nutzende Datensätze aus verschiedenen räumlich-zeitlichen Momentaufnahmen kombinieren. „Der generische Charakter der Plattform wäre ohne die Datenabstraktion und die einheitliche Behandlung, die durch Wissensgraphen gefördert wird, nicht realisierbar. Durch die Verknüpfung verschiedener Datensätze, Theorien und Modelle erleichtern Wissensgraphen die bereichsübergreifende Analyse und ein ganzheitliches Verständnis des Erdsystems und seiner miteinander verbundenen Prozesse“, so Chadjiefthymiadis.
Erweiterte Realität/Extended Reality und Nutzung
EO4EU verfügt über eine übersichtliche Oberfläche mit personalisierten Dashboards, einer intelligenten Suchmaschine sowie Datenvisualisierung, -analyse und -interpretation. Nutzende können auch ihren eigenen Code schreiben und ihn mit minimalem Aufwand ohne Server ausführen. Schließlich bietet EO4EU mit seiner Schnittstelle für erweiterte Realität/Extended Reality ein immersives Erlebnis. Diese sind über ein einfaches Registrierungsverfahren frei zugänglich. Die Plattform wurde in sieben Anwendungsfällen erprobt. Der Anwendungsfall Meeresüberwachung beispielsweise nutzt eine ETL-Datenintegrationspipeline (Extract-Transform-Load), die kontinuierlich Wetterdaten erhebt und sie mit Betriebsdaten von Schiffen integriert, um den Treibstoffverbrauch und die Routenführung zu optimieren. „Diese ETL-Pipeline hilft, Modelle zu trainieren, die den Kraftstoffverbrauch genau vorhersagen. Die Vorhersagen werden in Echtzeit genutzt, um alternative, umweltfreundliche Routen vorzuschlagen und die Einhaltung gesetzlicher Vorschriften zu gewährleisten. Außerdem haben wir ein faltendes neuronales Netz entwickelt, um die Meeresbedingungen zu überwachen und Wetterphänomene in Echtzeit vorherzusagen“, bemerkt Chadjiefthymiadis. Das Projektteam von EO4EU hat mit seiner zentralen Anlaufstelle die das Auffinden, den Zugang und die Wiederverwendung von Erdbeobachtungsdaten und -analysen erleichtert einen unschätzbaren Beitrag dazu geleistet, dass Erdbeobachtungsdaten auffindbar, zugänglich, interoperabel und wiederverwendbar sind. Durch das Projekt wird wesentlich dazu beitragen, das Umweltwissen auf lokaler und EU-Ebene zu erweitern.
Schlüsselbegriffe
EO4EU, Wissensgraphen, Erdbeobachtung, Extended Reality, maschinelles Lernen, KI, Datenfusion, openEO
