TreeSatAI

Hintergrund: Künstliche Intelligenz (KI) braucht verlässliche Trainingsdaten als Fundament. Kognitive Systeme laufen nicht per Plug and Play. Ganz im Gegenteil fordern solche Anwendungen viel menschliche Vorarbeit, um die KI lauffähig zu machen. 

Problemstellung: Dazu ist die Einspeisung geeigneter valider Trainingsdaten heute der zentrale Bottleneck und nicht mehr wie in der Vergangenheit die Verfügbarkeit ausreichend vorhandener Ausgangsdaten. Im Anwendungsbereich der satellitengestützten Erdbeobachtung stehen die Nutzer vor der gleichen Herausforderung. 

Zielsetzung/Lösungsansatz: Fernerkundungsdaten aus diversen Raumfahrtmissionen sowie Geodaten über den Zustand der Umwelt stehen zunehmend kostenfrei dem Nutzer in immensem Umfang zur Verfügung. Der Boom von Social Media Plattformen, wie Flickr oder Open Street Map eröffnen zudem Zugang zu weiteren textlichen oder bildlichen Informationen über die Umwelt. Die Beschaffung qualitativ und quantitativ hochwertiger Trainingsdaten zum Lernen der Algorithmen ist immer noch die größte Herausforderung, an der bislang viele KI-Erdbeobachtungsanwendungen scheitern oder nur kleinräumig anwendbar sind.

Kernarbeiten des Projektes: Das übergeordnete Ziel von TreeSatAI ist die Entwicklung von KI-Methoden für das Monitoring von Wäldern und Baumbeständen auf lokaler, regionaler und globaler Skala. Auf Basis frei zugänglicher Geodaten verschiedener Quellen (u.a. Fernerkundung, Administration, Social Media, Mobile App, Monitoring-Bibliotheken, offene Bilddatenbanken) werden Prototypen für die Deep Learning basierte Extraktion und Klassifikation von Baum- und Bestandsmerkmalen für vier verschiedene Anwendungsfälle aus dem Bereich Forst-, Naturschutz- und Infrastrukturmonitoring entwickelt. 

Verwertungspotenzial: Dazu wird die Entwicklung innovativer Dienstleistungen von drei KMUs mit dem Know-how von drei Forschungsinstitutionen unterstützt