Raum-zeitliche Übertragbarkeit satellitenbasierter KI-Modelle (Uebersat)

Grunddaten zu diesem Projekt

Art des Projektes: Gefördertes Einzelprojekt
Laufzeit: 01.04.2021 - 31.03.2023

Beschreibung

Methoden der KI werden zunehmend im Kontext der satellitenbasierten Erdbeobachtung eingesetzt um raum-zeitliche Umweltinformationen zu generieren, beispielsweise im Kontext des Monitorings von Landnutzung, Biodiversitätsmustern oder Klimaveränderungen. Dabei werden KI-Modelle in der Regel auf Basis von lokalen Mess-/Aufnahmepunkten trainiert, um anschließend Vorhersagen für einen größeren Raum und/oder einen neuen Zeitpunkt zu machen für den keine Referenzdaten zur Verfügung stehen.Die übertragbarkeit der Modelle auf neuen Raum und/oder neue Zeitpunkte wird allerdings in aktuellen KI-Anwendungen kaum hinterfragt und Modelle werden weit über die geographische Position der Trainingsorte hinaus angewandt. Insbesondere in heterogenen Landschaften kann sich der neue geographische Raum jedoch erheblich in seinen Umwelteigenschaften von den Trainingsdaten unterscheiden. Das ist problematisch, da maschinelle Lernverfahren zwar sehr komplexe Zusammenhänge abbilden können, allerdings nicht in der Lage sind zu extrapolieren. Vorhersagen auf neue Räume und/oder Zeitpunkte die sich in ihren Eigenschaften von den Trainingsdaten abheben sind daher als sehr unsicher zu bewerten, und die Erfassung des Geltungsbereichs der Modelle somit unabdingbar.Das vorliegende Vorhaben zielt darauf ab neue Methoden zur Analyse und Verbesserung der übertragbarkeit von satellitenbasierten KI-Modellen in Raum und Zeit zu entwickeln und diese Anwendern verfügbar zu machen. Die neuen Methoden sollen somit eine deutliche Qualitätssteigerung von erdbeobachtungsbasierten Informationsprodukten durch den Einsatz innovativer KI-Verfahren liefern und sich in existierende und geplante Cloud-basierte Prozessierungsketten integrieren lassen, um datengetriebene Anwendungen zu optimieren und zuverlässigere Monitoringergebnisse zu liefern.

Stichwörter: Künstliche Intelligenz; KI; Landschaftsökologie; Geoinformatik