Überprüft von 
Nach dem Erdbeben von 1906 setzte George Lawrence Drachen ein, um die Verwüstung aus der Luft zu erfassen, was den ersten Versuch darstellte, Katastrophen aus der Vogelperspektive zu beobachten.
Während sich die Technologie von Drachen zu Flugzeugen und schließlich zu Satelliten weiterentwickelt hat, ist das grundlegende Ziel dasselbe geblieben: die Erfassung von Geodaten, um die Merkmale der Erde für die Bewertung von Katastrophen, die Umweltüberwachung und mehr zu verstehen.
Während sich die Welt auf den eskalierenden Klimawandel und die ökologischen Herausforderungen konzentriert, bietet die Verschmelzung von Technologie und Datenerkenntnissen Lösungswege.
Eine auf künstlicher Intelligenz (KI) basierende Zusammenarbeit zwischen zwei Branchenriesen – IBM und NASA – soll unsere Fähigkeit, die Dynamik unseres Planeten zu verstehen und darauf zu reagieren, neu definieren und könnte das Katastrophenmanagement, die Umweltüberwachung und die Anpassung an den Klimawandel neu gestalten.
Wann und wo werden Geodaten verwendet?
Geodaten spielen eine zentrale Rolle im Katastrophenmanagement, das die Phasen der Vorbereitung, Reaktion und Erholung umfasst. Bei Ereignissen wie Erdbeben, Überschwemmungen und Waldbränden erleichtern Geodaten in Echtzeit die Schadensbeurteilung, die Identifizierung der betroffenen Regionen und die effiziente Planung von Hilfsmaßnahmen.
Bei der Umweltüberwachung dienen Geodaten als Indikator für Veränderungen, indem sie die Abholzung von Wäldern, das Wachstum von Städten und klimabedingte Veränderungen verfolgen.
Diese Daten ermöglichen es den politischen Entscheidungsträgern, nachhaltige Strategien zu formulieren, empfindliche Ökosysteme zu schützen und Ressourcen effektiv zu verwalten.
Zur Bekämpfung des Klimawandels werden Geodaten eingesetzt, um Emissionen, Temperaturschwankungen und den Anstieg des Meeresspiegels zu überwachen. Diese Informationen fließen in die Entwicklung von Strategien ein, die darauf abzielen, diese Auswirkungen abzumildern und sich an sie anzupassen.
In Krisenzeiten spielen Geodaten eine entscheidende Rolle bei der humanitären Hilfe, indem sie helfen, betroffene Regionen zu kartieren, das Ausmaß der Schäden zu bewerten und die Hilfsmaßnahmen zu koordinieren.
KI für die Analyse von Geodaten nutzen
Obwohl Geodaten bei Aufgaben wie dem Katastrophenmanagement, der Umweltüberwachung und der Klimabeobachtung eine zentrale Rolle spielen, stellt die komplexe Natur von Geodatenbildern die manuelle Interpretation vor erhebliche Schwierigkeiten.
Die zunehmende Verbreitung von Satelliten und Drohnen hat zu einem Anstieg der Geodaten geführt, wodurch die manuelle Analyse ineffektiv, zeitaufwändig und in Bezug auf die Skalierbarkeit unpraktisch geworden ist.
Diese Situation wird noch dadurch verschärft, dass es an fähigen Fachleuten für die Durchführung dieser Analysen mangelt, was zu Verzögerungen führt.
Darüber hinaus können menschliche Analysten mit begrenzten Kapazitäten und subjektiven Sichtweisen konfrontiert sein, was zu Ungenauigkeiten und unterschiedlichen Ergebnissen führt.
Diese Analysten können auch Schwierigkeiten haben, den Kontext vollständig zu erfassen, was die Präzision ihrer Entscheidungen beeinträchtigt.
Inzwischen hat die KI die bemerkenswerte Fähigkeit erlangt, riesige Mengen von Bilddaten in großem Umfang schnell zu verarbeiten.
Dank dieser Fähigkeit ist KI in der Lage, Datenströme in Echtzeit zu analysieren, was insbesondere in Szenarien, die schnelle Reaktionen erfordern, wie z. B. im Katastrophenmanagement, von entscheidender Bedeutung ist.
Die Fähigkeit der KI, komplexe Muster zu erkennen, trägt dazu bei, die der menschlichen Interpretation innewohnende Subjektivität abzuschwächen, was einheitliche und präzise Ergebnisse gewährleisten kann.
Durch das Verständnis der komplexen Zusammenhänge in Geodaten kann die KI bessere Entscheidungen treffen.
Darüber hinaus trägt das Potenzial der KI, die Abhängigkeit von Experten zu verringern, zur Demokratisierung der Geodatenanalyse bei und ermöglicht es auch Personen ohne Fachkenntnisse, anspruchsvolle Analysen in diesem Bereich durchzuführen.
Die Herausforderung der KI für die Geodatenanalyse
Obwohl KI für geografische Anwendungen sehr vielversprechend ist, wird ihre Effektivität durch die Knappheit und die hohen Kosten begrenzt, die mit der Beschaffung hochwertiger Geodaten verbunden sind.
Darüber hinaus erfordert das Trainieren von Modellen auf großflächigen, hochauflösenden Geodaten erhebliche Rechenressourcen.
Dies stellt eine besondere Herausforderung dar, wenn man bedenkt, dass die NASA bis 2024 250.000 Terabyte an Daten aus neuen Missionen für Wissenschaftler und Forscher freigeben will.
Das Training von KI-Modellen auf solch umfangreichen Datensätzen ist mit hohen Kosten und Umweltauswirkungen verbunden – doch die Vorteile könnten die Kosten überwiegen.
Was ist ein Foundation Model in der KI?
Ein praktikabler Ansatz zur Bewältigung der oben genannten Herausforderungen besteht darin, ein Foundation Model für Geodaten zu erstellen.
Ein Foundation Model in der KI ist ein vortrainiertes Modell, das auf einem großen Datensatz mit selbstüberwachtem Lernen trainiert wird, um allgemeine Muster und Merkmale aus den Daten zu lernen. Dieses Allzweckmodell dient als Grundlage für die Entwicklung speziellerer und verfeinerter Modelle.
Bei der Erstellung eines spezialisierten KI-Modells für eine bestimmte Aufgabe oder einen bestimmten Bereich wird das Basismodell mit einem kleineren, aufgabenspezifischen Datensatz verfeinert oder fein abgestimmt. Dieser Prozess ermöglicht es dem Modell, das während des Vortrainings gewonnene Wissen zu nutzen und es für eine bestimmte Aufgabe zu verfeinern.
Die Verwendung eines Basismodells beschleunigt den Entwicklungsprozess, minimiert die für ein spezielles KI-Training erforderlichen Daten und Kosten und steigert die Leistung des Modells durch sein vorhandenes Wissen.
Dieser Ansatz hat sich in verschiedenen KI-Anwendungen durchgesetzt und ermöglicht die Erstellung leistungsfähiger und effektiver Modelle bei geringerem Zeit- und Ressourcenbedarf für das Training.
IBMs Geospatial Foundational Model
IBM hat kürzlich in Zusammenarbeit mit der NASA ein Foundation Model auf der Grundlage von Geodaten entwickelt.
Die Hauptziele sind die Verringerung der Abhängigkeit von umfangreichen Geodaten, die Senkung der Trainingskosten und die Verringerung der Umweltauswirkungen des Trainings von KI-Modellen.
Das Modell wurde auf der Grundlage von harmonisierten Landsat-Sentinel-2-Satellitendaten (HLS) trainiert, die ein Jahr lang den gesamten amerikanischen Kontinent abdeckten, und durchlief einen intensiven Trainingsprozess sowie eine weitere Feinabstimmung mit markierten Daten für Aufgaben wie die Kartierung von Überschwemmungen und Brandnarben.
Durch dieses Training hat das Modell eine bemerkenswerte Verbesserung von 15 % gegenüber aktuellen Methoden gezeigt, die mit nur der Hälfte der normalerweise erforderlichen Menge an markierten Daten erreicht wurde.
Durch weitere Verfeinerung kann dieses grundlegende Modell für verschiedene Aufgaben wie die Überwachung der Abholzung, die Vorhersage von Ernteerträgen und die Erkennung von Treibhausgasen eingesetzt werden.
Um einen breiteren Zugang und die Anwendung von KI zu fördern, ist das Modell über Hugging Face, eine renommierte Open-Source-KI-Modellbibliothek, zugänglich. Diese Demokratisierung soll zu neuen Innovationen in der Klima- und Geowissenschaft anregen.
Im Juli stellte IBM watsonx vor, eine hochmoderne KI- und Datenplattform, die Unternehmen die skalierbare und beschleunigte Anwendung fortschrittlicher KI mit zuverlässigen Daten erleichtern soll.
Als Erweiterung dieser Bemühungen wird eine geschäftsorientierte Version des Geomodells, die in IBM watsonx integriert ist, in den kommenden Monaten über die IBM Environmental Intelligence Suite (EIS) zugänglich sein.
Das Fazit
Die Zusammenarbeit von IBM mit der NASA hat zu einem grundlegenden KI-Modell für Geodaten geführt, das Herausforderungen im Katastrophenmanagement, der Umweltüberwachung und der Stadtplanung angeht.
Diese KI-Lösung bietet verbesserte Genauigkeit und Konsistenz und überwindet die mit der manuellen Analyse von Geodaten verbundenen Komplexitäten.
Trotz des Potenzials der KI bleiben Hindernisse wie Datenknappheit und hohe Kosten bestehen. Das IBM-Modell, das auf Landsat-Sentinel-2-Daten trainiert wurde, hat mit nur der Hälfte der beschrifteten Daten deutliche Verbesserungen gegenüber bestehenden Methoden gezeigt.
Diese Innovation, die über Hugging Face zugänglich ist, demokratisiert georäumliche Erkenntnisse und verspricht neue Fortschritte bei klima- und erdwissenschaftlichen Anwendungen.
