Uebersat: Raum-zeitliche Übertragbarkeit satellitenbasierter KI-Modelle

• 

  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.

• Informationen

  Projektleitung: Hanna Meyer, Edzer Pebesma (IfGI) [en]
  Team@GEOI: Marvin Ludwig, Jonathan Bahlmann, Hanna Meyer, Edzer Pebesma
  Finanzierung: BMWi
  Laufzeit: 2021 - 2023

• Publikationen

  Peer-Review Artikel

  • Ludwig M, Moreno-Martinez A, Hölzel N, Pebesma E, Meyer H. 2023. ‘Assessing and improving the transferability of current global spatial prediction models.’ Global Ecology and Biogeography 00: 1–13. doi: https://doi.org/10.1111/geb.13635.
  • Meyer H, Pebesma E. 2022. ‘Machine learning-based global maps of ecological variables and the challenge of assessing them.’ Nature Communications 13. doi: 10.1038/s41467-022-29838-9.
  • Mila C, Mateu J, Pebesma E, Meyer H. 2022. ‘Nearest neighbour distance matching leave-one-out cross-validation for map validation.’ Methods in Ecology and Evolution n/a. doi: 10.1111/2041-210X.13851.
  • Meyer H, Pebesma E (2021): Predicting into unknown space? Estimating the area of applicability of spatial prediction models. Methods in Ecology and Evolution 2021. doi: 10.1111/2041-210X.13650.

  Konferenzartikel

  • Ludwig M, Bahlmann J, Pebesma E, Meyer H. 2022. ‘Developing Transferable Spatial Prediction Models: a Case Study of Satellite Based Landcover Mapping.’ Contributed to the ISPRS, Nice. doi: 10.5194/isprs-archives-XLIII-B3-2022-135-2022.
  • Meyer H, Pebesma E. 2021. ‘Estimating the Area of Applicability of Remote Sensing-Based Machine Learning Models with Limited Training Data.’ Contributed to the IEEE International Geoscience and Remote Sensing Symposium IGARSS, Brussels, Belgium. doi: 10.1109/IGARSS47720.2021.9553999.

• Abschlussarbeiten

  Thalis Goldschmidt: Development of an interactive web tool to improve the understanding of spatial prediction models and their quality assessment. B.Sc. Geoinformatik.

  Lucas Casuccio: Optimizing the allocation of field samples for remote sensing and machine learning-based crop classification models by assessing the area of applicability. M.Sc. Geospatial technologies.

  Vinotha Kumar: Development of a Transferable Machine Learning Model for Crop Type Mapping. M.Sc. Geoinformatik.