Drei in Zusammenarbeit mit dem Helmholtz-Institut Freiberg für Ressourcentechnologie, einem Institut des Helmholtz-Zentrums Dresden-Rossendorf (HZDR), durchgeführte Studien zeigen deutliche Fortschritte bei der Überwachung von Bergbaugebieten.
Die Forscher plädieren für einen ethisch orientierten Einsatz künstlicher Intelligenz (KI) zur Erdbeobachtung im Sinne des Umweltschutzes und der Katastrophenvorsorge. Darüber hinaus haben sie ein KI-gestütztes Modell entwickelt, das auch Daten aus Fernerkundung einbezieht. Das könnte einen großen Schritt für die Erdbeobachtungsgemeinschaft bedeuten.
Die Studien wurden veröffentlicht auf der arXiv Preprint-Server und im IEEE-Transaktionen zur Musteranalyse und maschinellen Intelligenz.
„MineNetCD – Ein Benchmark für die globale Erkennung von Veränderungen im Bergbau auf Fernerkundungsbildern“ ist der Titel einer umfassenden Studie, die von einer internationalen Forschergruppe unter Beteiligung des Helmholtz-Instituts Freiberg für Ressourcentechnologie (HIF) geleitet wurde. Im Mittelpunkt der Studie steht die Erkundung und Überwachung von Bergbaugebieten mithilfe von Fernerkundungsbildern.
Der neu entwickelte Datensatz „MineNetCD,“ basiert auf über 70.000 bitemporalen hochauflösenden Fernerkundungsbildpaaren von 100 Bergbaustandorten weltweit.
Diese Bilder ermöglichen zusammen mit dem vorgeschlagenen einheitlichen Rahmenwerk zur Änderungserkennung, das über 13 erweiterte Änderungserkennungsmodelle integriert, eine detaillierte Bestandsaufnahme und Analyse der durch den Bergbau verursachten Änderungen.
„Zum ersten Mal steht uns ein globaler Benchmark zur Überwachung von Bergbauaktivitäten zur Verfügung. Die entwickelten Algorithmen erweisen sich als leistungsstarke Werkzeuge für Forscher und Entwickler bei der Überwachung globaler Bergbauaktivitäten“, erklärt Professor Pedram Ghamisi, Leiter der Gruppe für maschinelles Lernen in der Explorationsabteilung des HIF.
Ein zentraler Bestandteil der Studie ist das ChangeFFT-Modell, das Bergbauplanern eine spezielle Messmethode – die sogenannte Fast Fourier Transformation – zur Nutzung von Fernerkundungsbildern zur Verfügung stellt. Dies ermöglicht eine detaillierte Analyse kritischer Spektralkomponenten und die Erkennung von Änderungen bis auf Pixelebene. Gleichzeitig wird eine höhere Genauigkeit und Effizienz bei der Verarbeitung großer Datensätze erreicht.
„Der offene Zugang zu MineNetCD und dem ChangeFFT-Modell soll die globale Forschungsgemeinschaft unterstützen und zur Entwicklung nachhaltiger Bergbaupraktiken beitragen“, erklärt Professor Ghamisi den Vorteil des innovativen Datensatzes.
Die Studie hat eine hervorragende Fähigkeit zur Unterscheidung von Veränderungen anhand bitemporaler Fernerkundungsbilder unter Verwendung der MineNetCD-Methode gezeigt. Dadurch ist es möglich, kontinuierlich genauere Karten zur Änderungserkennung zu erstellen.
„MineNetCD ist eine robuste Lösung zur Erkennung bergbaubedingter Veränderungen, die für Umweltverträglichkeitsprüfungen in der Bergbauindustrie anhand von Geodaten von entscheidender Bedeutung ist“, betont Professor Ghamisi. „Wir glauben, dass dies einen Maßstab für Fortschritte im nachhaltigen Bergbau setzt.“
Verantwortungsvolle KI für die Erdbeobachtung
Zu den neuen Möglichkeiten, Fernerkundungsbilder im Bergbau einzusetzen, gehört der zunehmende Einsatz von Künstlicher Intelligenz (KI). In der aktuellen Studie „Verantwortungsvolle KI zur Erdbeobachtung„, betont ein internationales Forschungsteam die Notwendigkeit, entsprechende ethische und verantwortungsvolle Praktiken einzubeziehen.
„KI hat das Potenzial, bedeutende Fortschritte bei der Analyse von Erdbeobachtungsdaten zu erzielen, insbesondere in Bereichen wie Klimawandel, Entwaldung und Naturkatastrophen. Der Einsatz dieser Technologien birgt jedoch auch Risiken, wie algorithmische Verzerrungen, mangelnde Transparenz und das Potenzial, soziale Ungleichheiten zu verschärfen“, erklärt Professor Pedram Ghamisi, der an der internationalen Studie federführend beteiligt war.
Die Forscher betonen die Bedeutung von Techniken zur Eindämmung solcher Voreingenommenheiten und argumentieren, dass die verwendeten KI-Modelle nicht nur leistungsfähig, sondern auch sozial und ethisch interpretierbar und verantwortbar sein müssen.
Professor Ghamisi erklärt: „Dazu gehören eine sorgfältige Datenerhebung und -aufbereitung, die Entwicklung von Modellen, die den Einfluss von Verzerrungen minimieren, sowie eine enge Zusammenarbeit mit den Beteiligten, um ihre Bedürfnisse und Anliegen in den Entwicklungsprozess einzubeziehen.“
Die Studie plädiert daher für den vorrangigen Einsatz transparenter und verständlicher KI-Systeme.
„Der Einsatz interpretierbarer maschineller Lernmodelle und erklärbarer KI-Techniken soll sicherstellen, dass Benutzer einen KI-basierten Entscheidungsprozess verstehen können. Dies ist eine Voraussetzung für den Aufbau von Vertrauen in die Ergebnisse“, stellen die Autoren fest.
Sie fordern außerdem einen interdisziplinären Ansatz, der die Zusammenarbeit zwischen Fachleuten, KI-Forschern und relevanten Interessengruppen stärkt: „Ziel ist es sicherzustellen, dass innovative Fernerkundungstechnologien immer im Einklang mit grundlegenden gesellschaftlichen und ökologischen Prioritäten entwickelt und eingesetzt werden.“
SpectralGPT: Ein KI-basiertes Modell für Fernerkundungsbilder
ChatGPT ist vielen als KI-gestützte Kommunikationsplattform bekannt. Eine solche trainierte Plattform gibt es mittlerweile auch für Fernerkundungsbilder, genannt SpectralGPT. Diese wurde in einer Studie mit dem Titel „SpectralGPT: Grundlagenmodell für spektrale Fernerkundung“, die von einer internationalen Forschungsgruppe in Zusammenarbeit mit dem HIF durchgeführt wurde.
SpectralGPT ist das erste universelle Fernerkundungs-Grundmodell, das in einem progressiven Trainingsverfahren mit über einer Million Bildern unterschiedlicher Größe, Auflösung, Zeitreihen und Regionen trainiert wird. Dieser Ansatz ermöglicht die vollständige Nutzung umfangreicher Fernerkundungs-Big-Data und wird anhand einer Vielzahl von visuellen Aufgaben getestet.
Professor Ghamisi sagt: „Der Schwerpunkt von KI-Algorithmen hat sich im Laufe der Zeit zwischen modellzentrierter und datenzentrierter Ausrichtung verschoben. Sich nur auf einen Aspekt zu konzentrieren, reicht jedoch nicht aus. Stattdessen muss ein ausgewogener Schwerpunkt sowohl auf Datenqualität als auch auf Modellinnovation gelegt werden, was KI-Experten und Fachexperten zusammenbringen würde.“
„Vielleicht treten wir gerade in das Zeitalter datenmodellzentrierter Ansätze ein. Der Aufstieg grundlegender Modelle wie unseres bahnbrechenden SpectralGPT und anderer Modelle von Microsoft, IBM, NASA, ESA und anderen im Bereich der Erdbeobachtung könnte ein Beleg für diesen Trend sein.“
Er fügt hinzu: „Diese Modelle sind ein Schritt in Richtung des seit langem gehegten Traums der Erdbeobachtungsgemeinschaft, eine Vielzahl von Anwendungen mit einem einzigen Modell abzudecken.“
Weitere Informationen:
Danfeng Hong et al, SpectralGPT: Spectral Remote Sensing Foundation Model, IEEE-Transaktionen zur Musteranalyse und maschinellen Intelligenz (2024). DOI: 10.1109/TPAMI.2024.3362475
Pedram Ghamisi et al, Verantwortliche KI für die Erdbeobachtung, arXiv (2024). DOI: 10.48550/arxiv.2405.20868
Weikang Yu et al, MineNetCD: Ein Benchmark für die globale Erkennung von Veränderungen im Bergbau auf Fernerkundungsbildern, arXiv (2024). DOI: 10.48550/arxiv.2407.03971