Projektbeschreibung
Erklärbare KI-Pipelines für Copernicus Big-Data
Das EU-finanzierte Projekt DeepCube nutzt Fortschritte bei der künstlichen Intelligenz (KI) und semantischen Netzen aus, um das Potenzial der aus Copernicus gewonnenen Big-Data zu entfesseln. DeepCube hat zum Ziel, Probleme mit erheblichen gesellschaftlich-ökologischen Auswirkungen anzugehen und unser Verständnis der mit dem Klimawandel zusammenhängenden Erdprozesse auszuweiten. Das Projekt wendet IKT-Technologien wie den Erdsystem-Datenwürfel, den semantischen Würfel, die Hopsworks-Plattform und ein Visualisierungshilfsmittel auf dem neuesten Stand der Technik an und integriert diese in eine offene interoperable Plattform, die in Cloud-Infrastrukturen und Hochleistungsrechner eingesetzt werden kann. DeepCube wird Deep-Learning-Architekturen entwickeln, die auch mit nicht konventionellen Daten umgehen können, Hybridmodellierung für datengestützte KI-Modelle anwenden, die die Gesetze der Physik einhalten, und die Blackbox des Deep Learnings zugänglich machen, indem sie die KI und entsprechende Kausalitäten erklären.
Ziel
DeepCube leverages advances in the fields of AI and semantic web to unlock the potential of big Copernicus data. DeepCube is impact driven; our objective is to address new and ambitious problems that imply high environmental and societal impact, enhance our understanding of Earth’s processes, correlated with Climate Change, and feasibly generate high business value.
To achieve this we bring mature and new ICT technologies, such as the Earth System Data Cube, the Semantic Cube, the Hopsworks platform for distributed DL, and a state-of-the-art visualisation tool tailored for linked Copernicus data, and integrate them to deliver an open and interoperable platform that can be deployed in several cloud infrastructures and HPC, including DIAS environments.
We then use these tools to develop novel DL pipelines to extract value from big Copernicus data. We implement a shift in the use of AI pipelines. DeepCube 1) develops novel DL architectures that extend to non-conventional data and problems settings, such as interferometric SAR, social network data, and industrial data, 2) introduces a novel hybrid modeling paradigm for data-driven AI models that respect physical laws, and 3) opens-up the DL black box through Explainable AI and Causality. We showcase these in five Use Cases (UC), two business, two on earth system sciences, and one for humanitarian aid. These are:
UC1: Forecasting localized extreme drought and heat impacts in Africa,
UC2: Climate induced migration in Africa,
UC3: Fire hazard short-term forecasting in the Mediterranean,
UC4a: Automatic volcanic deformation detection and alerting and UC4b: Deformation trend change detection on PSI time-series for critical infrastructure monitoring,
UC5: Copernicus services for sustainable and environmentally-friendly tourism.
Wissenschaftliches Gebiet
Schlüsselbegriffe
Programm/Programme
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenUnterauftrag
H2020-SPACE-2020
Finanzierungsplan
RIA - Research and Innovation actionKoordinator
11810 Athina
Griechenland