Im Rahmen der Zusammenarbeit werden unterschiedliche Anwendungsfälle systematisch analysiert und methodische Bausteine für eine skalierbare KI-Pipeline zur Verarbeitung multispektraler Daten der Sentinel-Satelliten des EU-Copernicus-Programms entwickelt und validiert.
Ein besonderer Fokus liegt auf der Konzeption und Erprobung geeigneter Machine-Learning-Methoden zur Integration, Modellierung und Interpretation der heterogenen Datenströme.
Fragestellung
Wie lassen sich Satellitendaten, Messdaten und Fachwissen so verbinden, dass Veränderungen von Flächen, Vegetation und Böden zuverlässig erkannt und für Menschen nachvollziehbar dargestellt werden?
Vorgehen
Sentinel-2 liefert alle paar Tage Aufnahmen in dreizehn Spektralbändern – vom sichtbaren Licht bis ins kurzwellige Infrarot. Wir untersuchen verschiedene Anwendungsfälle systematisch, bereiten die Daten zu Zeitreihen auf und erproben Verfahren des maschinellen Lernens, die die heterogenen Datenströme zusammenführen, modellieren und interpretieren. Das Video zeigt eine solche Zeitreihe über Chemnitz-Adelsberg.
Warum Erklärbarkeit hier zählt
Wer auf Grundlage von Satellitendaten entscheidet – über Bewirtschaftung, Schutzmaßnahmen oder Planung –, muss wissen, worauf ein Ergebnis beruht. Deshalb verbinden wir die Modelle mit Fachwissen über Landschaft und Vegetation und machen sichtbar, welche Daten zu welcher Aussage führen.
Forschungsthema: Erklärbare KI →Stand und Ausblick
Methodische Bausteine werden entwickelt und an ausgewählten Gebieten validiert. Die Pipeline ist skalierbar angelegt und soll auf weitere Regionen in Sachsen und andere Fragestellungen übertragbar sein.