„PreTrainAppEO“ - ein gemeinsames BMWI Forschungsprojekt von dida und TU München LMF

Seit Mai 2021 arbeitet dida zusammen mit dem Lehrstuhl für Methodik der Fernerkundung (LMF) der Technischen Universität München (TUM) an einem vom Bundesministerium für Wirtschaft und Energie (BMWI) geförderten Projekt „PreTrainAppEO“. Das Projekt wird mit einem Betrag von 199 Tsd. EUR gefördert und ist auf den Zeitraum von zwei Jahren ausgelegt. Die Bezeichnung „PreTrainAppEO“ steht für Pre-Training Applicability in Earth Observation (Anwendbarkeit von vortrainierten KI-Modellen in der Erdbeobachtung).

Erdbeobachtung und Fernerkundung sind aufgrund des technologischen Fortschritts im Bereich Raumfahrt und Aufnahmetechnik sowie Sensorik zu einem wichtigen Bestandteil von beispielsweise Transport- und Versorgungssektoren sowie Geowissenschaften und Meteorologie geworden. Gleichzeitig gewinnt der Einsatz von Methoden des maschinellen Lernens (ML) bei der Analyse und Auswertung von Bild- und Sensordaten zunehmend an Bedeutung. Dies wird auch durch einige unserer Projekte sehr deutlich:
ASMSpotter, CropClass, Schätzung der verfügbaren Fläche für Photovoltaik-Anlagen, 4D Urban Insights, DWD Clouds.

Obwohl sich ML-Ansätze durch eine sehr hohe Leistungsfähigkeit und Genauigkeit auszeichnen, ist ihre Performanz auf den spezifischen Anwendungsfall und Trainingsdatensatz beschränkt. Dies hat zur Folge, dass der Trainingsaufwand und die Beschaffung großer Datensätze für jeden neuen Anwendungsfall wiederholt werden muss, was zu hohen Kosten in der Anwendungsentwicklung führt. Leider - im Gegensatz zu bereits etablierten vortrainierten KI-Modellen wie ResNet oder VGG, die auf dem generischen Bilddatensatz ImageNet basieren - sind derzeit keine vortrainierten KI-Modelle für Satellitendaten oder Erdbeobachtungsanwendungen vorhanden.

Umso mehr freuen wir uns, ein Teil von "PreTrainAppEO" zu sein. Das Ziel dieses Projektes ist es, den Einsatz von KI im Bereich der Erdbeobachtung und Fernerkundung attraktiver und effizienter zu machen, indem eine Methodik entwickelt wird, die den Ansatz vortrainierter KI-Modelle nutzt, um eine Generalisierbarkeit auf verschiedene Standardanwendungen in diesem Bereich zu erreichen.