KI-Modell nutzt Physik zur automatischen Korrektur von Fernerkundungsdaten

Turbulenzen, Temperaturschwankungen, Wasserdampf, Kohlendioxid, Ozon, Methan und andere Gase absorbieren, reflektieren und streuen das Sonnenlicht, wenn es durch die Atmosphäre strömt, von der Erdoberfläche reflektiert wird und von einem Sensor auf einem Fernerkundungssatelliten erfasst wird. Dadurch werden die vom Sensor empfangenen Spektraldaten verzerrt.

Wissenschaftler wissen dies und haben mehrere Möglichkeiten entwickelt, um den störenden Einfluss der Atmosphäre auf Fernerkundungsdaten zu berücksichtigen.

„Dieses Problem ist so alt wie die Luftbildfotografie“, sagt James Koch, ein Datenwissenschaftler am Pacific Northwest National Laboratory (PNNL), der eine neue Methode zur Lösung des Problems entwickelt hat. Dabei kommt ein Zweig der künstlichen Intelligenz zum Einsatz, das sogenannte physikalisch fundierte maschinelle Lernen, und verbessert nebenbei auch die Möglichkeiten der Fernerkundung.

Koch präsentierte ein Papier, in dem er sein physikbasiertes maschinelles Lernframework beschreibt, auf der Internationales Symposium für Geowissenschaften und Fernerkundung in Athen, Griechenland, 7.–12. Juli. Diese Arbeit ist Teil der Fernausnutzungsfunktion von PNNL und wurde vom Laboratory Directed Research and Development-Portfolio des National Security Directorate unterstützt.

Wissenschaftler können das Problem der atmosphärischen Verfälschung lösen, weil sie die Physik verstehen, wie die Atmosphäre das Sonnenlicht verzerrt, wenn es durch die Atmosphäre hindurchgeht. Dadurch können sie den Einfluss der Atmosphäre aus den vom Sensor erfassten Daten entfernen. Dieser Prozess wird als atmosphärische Korrektur bezeichnet.

Um eine atmosphärische Korrektur durchführen zu können, ist im Allgemeinen ein atmosphärisches Transmissionsprofil erforderlich. Das Profil ist eine Darstellung der Eigenschaften und Zusammensetzung der Atmosphäre in verschiedenen Höhen und zeigt, wie Licht bei verschiedenen Wellenlängen mit einer Atmosphäre interagiert.

Der Prozess der Erstellung eines atmosphärischen Transmissionsprofils ohne Vorkenntnisse ist der Bereich, in dem Kochs KI-Technik möglicherweise bahnbrechende Veränderungen mit sich bringt.

Heutzutage basieren viele Anwendungen zur atmosphärischen Korrektur auf handelsüblichen Tools, die generische, statistikbasierte atmosphärische Profile verwenden. Diese Tools reichen für zeitkritische Aufgaben wie die Überwachung von Katastropheneinsätzen aus und sind bei der Kartierung großer Flächen kosteneffizient. Anwendungen, bei denen hohe Genauigkeit von größter Bedeutung ist, wie etwa die Zielerkennung, erfordern die daten- und rechenintensive Erstellung hochpräziser Profile.

Physikbasiertes maschinelles Lernen

Um die Pipeline für maschinelles Lernen zu trainieren und auszuwerten, verwendete Koch einen Datensatz mit beschrifteten Luftaufnahmen von Cook City, Montana, der Autos und Stoffstücke mit bekannten Spektralsignaturen enthält. Er verwendete 112 davon, also 0,05 % der verfügbaren Bilder der Szene, und führte die Trainingsläufe auf einem Laptop mittlerer Preisklasse durch.

Das trainierte Modell kann Pixel aus jeder Spektralszene verwenden, um ein atmosphärisches Transmissionsprofil abzuleiten und automatisch eine atmosphärische Korrektur durchzuführen. Der Kern des Ansatzes ist eine Reihe von Differentialgleichungen, die beschreiben, wie sich das Sonnenlicht verändert, wenn es durch die Atmosphäre strömt, von einem Ziel reflektiert wird, wieder durch die Atmosphäre aufsteigt und auf einen Sensor trifft.

„Die Einschränkung der Differentialgleichung, also das physikalisch fundierte maschinelle Lernen, ist das Geheimrezept dafür, dass das Ganze gut funktioniert“, sagte Koch. „Durch seine Konstruktion kann dieses Modell eine Vorhersage liefern, die der Physik erster Ordnung genügt.“

Zusätzlich zu einer Leistung, die im mittleren Bereich zwischen den Standardmodellen und dem High-Fidelity-Ansatz liegt, ist Kochs Rahmenwerk bidirektional: Es kann sowohl den Einfluss der Atmosphäre aus einer von einem entfernten Sensor erfassten Spektralszene entfernen als auch Rückschlüsse darauf ziehen, wie ein Material auf der Erde aussehen würde, wenn es durch eine bestimmte Atmosphäre abgebildet würde.

„Einige Dinge werden hervorgehoben oder ausgeblendet, je nachdem, wo man sie beobachtet“, erklärte Koch. „Das ist kein One-Stop-Shop. Man muss dort herumstochern und herumstochern, wo die Dinge am ergiebigsten sind.“

Von der Forschung zur realen Welt

Die Fernerkundung wird für verschiedenste Aufgaben eingesetzt, von Dürre- und Vegetationsindizes, die Veränderungen der photosynthetischen Aktivität und des Wassergehalts im Zeitverlauf verfolgen, bis hin zur Erkennung von Methanfahnen, Aktivitäten auf ausländischen Militärstützpunkten und Personenverkehr an Grenzübergängen.

Abhängig von Faktoren wie Zeit, Kosten und verfügbaren Daten werden für unterschiedliche Szenarien unterschiedliche Ansätze zur atmosphärischen Korrektur angewendet.

PNNL-Praktikant Luis Cedillo, ein Student der University of Texas El Paso, präsentierte ein Konferenzposter bei SPIE Verteidigung und kommerzielle Sensorik 2024 in National Harbor, Maryland, über die Verwendung der physikalisch fundierten maschinellen Lerntechnik zur Überwachung der Gesundheit von Küstenökosystemen. Er nutzte die maschinelle Lernpipeline, um gemeinsam das Profil der Atmosphäre und der Küstengewässer zu erlernen und so eine neue Möglichkeit zu erschließen, den Zustand von Korallenriffen von Satelliten aus zu verfolgen.

Die Forscher verfeinern ihren Ansatz derzeit im Hinblick auf Anwendungen, bei denen die Datenmenge begrenzt ist, aber eine hohe Wiedergabetreue erforderlich ist, wie etwa bei der Zielerkennung.

„Der Hauptvorteil besteht darin, dass wir mit einer begrenzten Datenmenge eine hohe Genauigkeit erreichen können und dabei nicht auf viel Vorwissen angewiesen sind, etwa darüber, wo sich der Sensor befand oder wo die Sonne stand“, sagte Koch. „Wir lernen diese Dinge im Handumdrehen.“

„Ich habe einiges von dem, was die Fachexperten in diesem High-End-Bereich tun, übernommen und in eine Pipeline für maschinelles Lernen integriert, damit ich diesen Prozess auf datengestützte Weise durchführen kann“, sagte Koch. „Dies ist ein Mittelweg, wenn eine höhere Genauigkeit erforderlich ist, wir aber nicht unbedingt über alle Ressourcen verfügen, um alle mit der Atmosphäre verbundenen Eigenschaften zu identifizieren. Wir verwenden die verfügbaren Daten.“

Zur Verfügung gestellt vom Pacific Northwest National Laboratory

ph-tech