Das KI-Programm Chameleon klassifiziert Objekte in Satellitenbildern schneller

Ein neues KI-Programm kann neuronale Netze anhand nur einer Handvoll Bildern trainieren, um in Satelliten- und Drohnendaten schnell neue Objekte wie Meeresschutt, Abholzungsgebiete, städtische Gebiete und mehr zu charakterisieren.

Von Drohnen und Satelliten aufgenommene Bilder liefern Wissenschaftlern eine Fülle von Informationen. Diese Schnappschüsse liefern entscheidende Einblicke in die Veränderungen, die auf der Erdoberfläche stattfinden, beispielsweise in Tierpopulationen, Vegetation, auf der Meeresoberfläche schwimmenden Trümmern und Gletscherbedeckung.

Darüber hinaus können Experten neuronale Netze trainieren, die Bilder in schwindelerregender Geschwindigkeit zu sortieren und einzelne Objekte zu erkennen und zu klassifizieren. „Allerdings kann keines der derzeit verfügbaren KI-Programme sofort von der Erkennung eines Objekttyps auf einen anderen umschalten – etwa von Trümmern auf einen Baum oder ein Gebäude“, sagt Prof. Devis Tuia, Leiter des Labors für Umweltinformatik und Erdbeobachtung der EPFL.

„Heutzutage müssen Programmierer Algorithmen für jeden neuen Objekttyp trainieren, indem sie ihm riesige Mengen an Felddaten zuführen.“ Das wollen Tuia und seine Kollegen zusammen mit Wissenschaftlern der Universität Wageningen (NL), MIT, Yale und dem Forschungszentrum Jülich (D) mit METEOR ändern – einer Chamäleon-Anwendung, die Algorithmen trainieren kann, neue Objekte nach ihrer Entstehung zu erkennen nur eine Handvoll Bilder gezeigt.

Ihr Studium ist veröffentlicht im Tagebuch Kommunikation Erde und Umwelt.

Wenn es darum geht, Bilder zu klassifizieren, können neuronale Netze im Handumdrehen erledigen, wofür Menschen Stunden brauchen würden. Diese Netzwerke werden auf Daten trainiert, die manuell mit Anmerkungen versehen wurden – je mehr Daten in ein neuronales Netzwerk eingespeist werden, desto genauer sind seine Ergebnisse. Beispielsweise können Bäume und Gebäude je nach Standort sehr unterschiedlich aussehen. Das bedeutet, dass den Algorithmen eines neuronalen Netzwerks viele verschiedene Bilder dieser Objekte angezeigt werden müssen, die unter verschiedenen Bedingungen aufgenommen wurden, um sie zuverlässig erkennen zu können.

„Das Problem in der Umweltwissenschaft besteht darin, dass es oft unmöglich ist, einen ausreichend großen Datensatz zu erhalten, um KI-Programme für unsere Forschungsbedürfnisse zu trainieren“, sagt Marc Rußwurm, früher Postdoc an der EPFL und heute Assistenzprofessor an der Universität Wageningen in den Niederlanden. „Das gilt insbesondere dann, wenn wir regionalspezifische Phänomene untersuchen wollen, etwa das Aussterben einer einheimischen Baumart, oder wenn wir Objekte identifizieren wollen, deren Anzahl statistisch gesehen gering, aber weit verstreut ist, etwa Meeresmüll.“

Eine weitere Herausforderung beim Training neuronaler Netze auf Luft- und Satellitenbildern betrifft die große Bandbreite möglicher Bildauflösungen und Spektralbänder sowie die Art des verwendeten Geräts (z. B. von Drohnen und Satelliten). Um dieses Problem zu umgehen, wurde METEOR so konzipiert, dass es anpassungsfähig und meta-lernfähig ist – es nutzt im Wesentlichen Abkürzungen, die auf Aufgaben basieren, die zuvor erfolgreich gelöst wurden, jedoch in anderen Kontexten.

„Wir haben Algorithmen und Methoden entwickelt, die es neuronalen Netzen ermöglichen, die Ergebnisse früherer Einsätze zu verallgemeinern und diese Anpassungsstrategie auf neue Situationen anzuwenden“, sagt Rußwurm. Dank ihres neuartigen Ansatzes benötigt METEOR nur vier bis fünf gute Bilder eines Objekts, um ausreichend zuverlässige Ergebnisse zu liefern.

Um ihre Anwendung zu testen, modifizierten die Entwickler ein neuronales Netzwerk, das darauf trainiert wurde, verschiedene Arten der Landbesetzung auf der ganzen Welt anhand von Bildern verschiedener Regionen zu klassifizieren. Sie ermöglichten es, fünf Erkennungsaufgaben durchzuführen: die Vegetationsbedeckung in Australien zu messen, Abholzungszonen im brasilianischen Tropenwald zu identifizieren, die Veränderungen in Beirut nach der Explosion im Jahr 2020 zu lokalisieren, Meeresmüll zu erkennen und städtische Gebiete in verschiedene Arten der Landnutzung zu klassifizieren ( Industriegebiete, Gewerbegebiete sowie Wohngebiete mit hoher, mittlerer und geringer Dichte) – jeweils unter Verwendung einer kleinen Anzahl hochauflösender Drohnenbilder und RGB-Satellitenbilder je nach Problemstellung.

„Wir haben festgestellt, dass unsere Ergebnisse bei der Anpassung mit METEOR unter Verwendung nur eines kleinen Datensatzes für diese Aufgaben mit denen von KI-Programmen vergleichbar waren, die über längere Zeiträume und mit viel mehr Daten trainiert wurden“, sagt Rußwurm.

Die Forscher werden nun die Basis-KI auf eine Vielzahl von Aufgaben trainieren, damit sie ihre Chamäleonkräfte weiter perfektionieren kann. Dadurch lässt es sich noch einfacher an unzählige Erkennungsaufgaben anpassen. Außerdem möchten sie ihre Anwendung mit einer Benutzeroberfläche kombinieren, damit menschliche Benutzer auf hochwertige Bilder klicken können, die vom neuronalen Netzwerkprogramm vorgeschlagen werden.

„Da das Programm nur wenige Bilder zeigt, ist die Relevanz dieser Bilder sehr wichtig“, sagt Rußwurm.