Wie sich Niedersachsen verändert – Satellitenbilder automatisiert auswerten

Projekt: Wie sich Niedersachsen verändert – Satellitenbilder automatisiert auswerten

Forschende: Mirjana Voelsen, Franz Rottensteiner, Christian Heipke

Projektidee: Räumlich-zeitliche Beobachtung und Analyse von Satellitenbildern zur Klassifikation verschiedener Landbedeckungsarten durch den Einsatz von künstlicher Intelligenz.

Die Untersuchung und Analyse der Erdoberfläche stellt eine wesentliche Grundlage für Anwendungen wie Stadtplanung und Navigation dar. Erdbeobachtungssatelliten wie Sentinel-2 der Europäischen Weltraumbehörde ESA umrunden dafür die Erde kontinuierlich und liefern Daten von der Oberfläche. Aus diesen Daten lässt sich dann herauslesen, wie sich die Erdoberfläche über die Zeit hinweg verändert hat.

Ganz so einfach ist das allerdings nicht: Denn die Satellitenbilder müssen zunächst ausgewertet werden. Riesige Datenmengen werden von den Satelliten zur Verfügung gestellt und die Herausforderung liegt darin, diese Daten effektiv zu analysieren.

Daher verwenden wir in diesem Projekt eine spezielle Art von Computermodellen, die als "Neuronale Netze" (NN) bekannt sind. Unser Ziel ist es, mit Hilfe eines solchen Modells die Art der Landoberfläche in Niedersachsen in einer Serie von Satellitenbildern, die zu unterschiedlichen Zeitpunkten aufgenommen wurden, automatisiert zu erkennen.

Ein neuronales Netz funktioniert so, dass es Schichten hat, die nacheinander Informationen verarbeiten. Zuerst nehmen wir die vielen kleinen Bildpunkte, die sogenannten Pixel, auf den Satellitenbildern und fassen sie zu größeren Einheiten zusammen. Das nennen wir "Patch Generierung". Dadurch sparen wir Rechenleistung.

Zusätzlich fügen wir Informationen darüber hinzu, wann die Bilder aufgenommen wurden. Diese Technik nennen wir "Temporale Codierung". Damit kann unser Modell besser verstehen, wie sich die Landschaft über die Jahreszeiten hinweg verändert, zum Beispiel von grünem Frühling zu braunem Herbst. Dies hilft dem neuronalen Netz, genauer zu erkennen, was auf den Bildern zu sehen ist und ob sich die Art der Landoberfläche verändert oder z.B. nur grüne Blätter zu braunen werden.

In unserem Neuronalen Netz gibt es verschiedene Schichten, die wir "Stages" nennen, um die Informationen aus den Satellitenbildern zu verarbeiten. In diesen Stages schauen wir uns zwei Dinge genau an: wie die Objekte auf der Erde zueinander angeordnet sind und wie sie sich im Laufe der Zeit ändern. 

Um herauszufinden, wie Objekte, wie bspw. Gebäude, räumlich zusammenhängen, nutzen wir eine Technik namens "Faltungen" (Convolutions). Das ist wie ein spezieller Filter, der über das Bild läuft und durch die Analyse benachbarter Pixel aufdeckt, welche Muster oder Formen vorhanden sind.

Um zeitliche Veränderungen oder Abhängigkeiten zu erkennen, verwenden wir eine Technik namens "Selbst-Aufmerksamkeit" (Self-Attention). Diese Technik hilft dem Modell zu verstehen, welche Zeitpunkte der Bildreihe wichtig sind, um Veränderungen zu erkennen, die sich im Laufe der Zeit ergeben. Ähnliches macht man, wenn man beispielsweise Fotos sortiert, die in einem Fotoalbum zusammengehören.

Da wir die räumlichen und zeitlichen Informationen getrennt verarbeiten, benötigt das Model insgesamt weniger Rechenleistung. In späteren Schichten, die wir "Decoder-Schichten" nennen, wenden wir noch einmal Faltungen (Convolutions) an und nutzen sogenannte "Upsampling-Schichten". Diese sorgen dafür, dass das Bild wieder seine ursprüngliche Größe bekommt, sodass wir alles scharf und deutlich sehen können.

Am Ende des gesamten Prozesses entsteht für jedes der Eingangs-Satellitenbilder eine Karte, die zeigt, wie die Landoberfläche zu den verschiedenen Zeitpunkten aussah. Auf dieser Karte wird für jeden Pixel angezeigt, zu welcher Art von Landbedeckung, wie etwa Wald, Wiese oder Wasser, er gehört. Ein Beispiel für eine solche Karte ist in Abb.2 gezeigt.