AI4Sentinels - Deep Learning für die Anreicherung von Sentinel-Satellitenbildern

Abstract

Das Ziel des Vorhabens war die Entwicklung innovativer wissenschaftlicher Ansätze zur Aufbereitung von Erdbeobachtungsdaten der Copernicus-Satellitenmissionen Sentinel-1 und Sentinel-2 für großflächige Kartierungs- und Monitoringanwendungen. Dabei sollte vor allem das Potenzial der Kombination von Datenfusion und domänenspezifischer Ansätze des Deep Learning ausgelotet werden. Konkret sollten im Rahmen des Projektes Softwarelösungen für die Umwandlung von Sentinel-1-SAR-Bildern in künstliche optische Bilder und die rechnerische Entfernung von Wolken in multispektralen Sentinel-2-Bildern entwickelt werden. Die so entstandenen neuartigen Datenprodukte helfen Endnutzern beispielsweise, Aufgaben kontinuierlichen Monitorings oder schrittweiser Veränderungsdetektion flexibler, robuster und ohne Datenausfall zu implementieren. Das Vorhaben trug dazu bei, analyse-fertige Copernicus-Satellitendaten für wichtige Endnutzeranwendungen wie schrittweise Veränderungsdetektion und kontinuierliches Monitoring bereitzustellen. In methodischer Hinsicht wurde insbesondere der Vorteil der nun verfügbaren großen Datenmengen und aktueller Innovationen im Bereich des Deep Learning zum Entwurf speziell angepasster Datenfusionsverfahren genutzt. Dies stellte eine wissenschaftlich hochinteressante Ausgangssituation dar, die insbesondere auch ein großes Potenzial für einen Transfer in operationale Prozessketten zur Optimierung von Endnutzeranwendungen bereithält.

Eine erste konkrete Anwendung haben die angereicherten Sentinel-Daten im Rahmen des ERC-geförderten (HORIZON 2020) Projekts "So2Sat" gefunden. Das Ziel dieses Projekts war es, die globale Urbanisierung auch und insbesondere auf Basis von Sentinel-Daten zu kartieren, wobei ein Schwerpunkt auf Entwicklungsländern lag. Die künstlichen, aus Sentinel-1-SARDaten generierten optischen Bilder bzw. die von Wolken befreiten Sentinel-2-Bilder stellen eine wichtige Datengrundlage für die Zielerreichung von So2Sat dar, so dass das hier beantragte Vorhaben indirekt einen Beitrag zur Erreichung der UN Sustainable Development Goals 1 (Verringerung von Armut) und 11 (nachhaltige Städte) leistet.

Die genutzten und entwickelten Verfahren haben ausschließlich Forschungs- und Entwicklungscharakter. Die Antragsteller haben bereits in der Vergangenheit innovative Algorithmen zur Informationsextraktion aus Satellitendaten publiziert und das Feld Deep Learning in der Fernerkundung wesentlich mitgeprägt. Die vorhandenen Kompetenzen wurden nun genutzt, um das Informationspotential der Daten der Copernicus-Missionen Sentinel-1 und Sentinel-2 bestmöglich auszunutzen. Wie die einschlägigen wissenschaftlichen Konferenzen der jüngeren Vergangenheit zeigen, ist dies ein zurzeit breit diskutiertes Thema, das noch viel zusätzlicher Forschungsarbeit bedarf.