Satellitenbildanalyse mittels Machine Learning

Machine Learning bzw. maschinelles Lernen ermöglicht die Identifizierung von Mustern in Daten auf Basis von Algorithmen, die jeden Faktor nach seinem Einflussgrad klassifizieren, indem sie den Prozess kontinuierlich lernen und verbessern

Die Künstliche Intelligenz (AI) konzentriert sich auf die Erforschung eines breiten Spektrums von Konzepten wie Schlussfolgern, Wissensrepräsentation, Planung, Lernen oder Sprachverarbeitung, unter anderem; all dies mit dem Ziel, die Funktionen zu imitieren, die wir Menschen ausführen können. Die Künstliche Intelligenz ist ein multidisziplinäres Feld, das sich aus dem Wissen der Informatik, Mathematik, Ingenieurwissenschaften, Psychologie oder sogar Philosophie und Linguistik speist.

Das maschinelle Lernen bzw. Machine Learning (Machine Learning) ist ein Teilgebiet der Künstlichen Intelligenz (AI) und zielt als solches auf die Entwicklung von Mechanismen bzw. Algorithmen ab, die menschliche kognitive Funktionen nachahmen. Machine Learning (ML) hat in den letzten Jahrzehnten stark an Bedeutung gewonnen und sich zunehmend verselbstständigt, da es zwar ebenfalls Algorithmen nutzt, um Computer aus Daten-Inputs lernen zu lassen, zugleich aber einen charakteristischen didaktischen Ansatz verfolgt, der Geräten eine eigene Autonomie verleiht.

Machine Learning zeichnet sich bei der Erkennung und Klassifizierung von Mustern in der Bilderkennung aus und ermöglicht unzählige Anwendungsfälle: Inspektion und Instandhaltung von Assets und Anlagen, Erkennung und Analyse von Datenmustern aus Lieferketten zur Routenoptimierung und Flotten– sowie Lagerverwaltung, Automatisierung der Qualitätsprüfung in Logistikzentren durch Erkennung und Aussortierung von Sendungen mit Schäden und Verschleiß sowie Unterstützung der Entscheidungsfindung bei Standortwahl, Klassifizierung und Management von Logistikzentren.

Die Entdeckung neuer Muster in Daten hat das Potenzial, jedes Unternehmen zu revolutionieren

Die vom Machine Learning (ML) eingesetzten Algorithmen arbeiten kontinuierlich an der Erkennung neuer Muster in Daten; das ist die Fähigkeit, mit der wir Computer ausstatten, um Aufgaben auszuführen, die grundsätzlich ein gewisses Maß an menschlicher Intelligenz erfordern.

Die Algorithmen analysieren die Daten mithilfe eines restriktionsbasierten Modells und über Iterationen, um das grundlegende Set an Faktoren mit der höchsten Prognosegenauigkeit zu finden: die Schlüsselfaktoren, die Lagerbestände modulieren, Qualitätsindikatoren in einem Service, Produktionsplanung, Nachfrageprognose, Management und Verwaltung des Gütertransports, Distributionsnetze sowie Routenoptimierung und deren Konsolidierung, Analyse von Anbauflächen oder klimawandelbedingten Auswirkungen, Klassifizierung von Vegetationsbedeckungen, räumliche Modellierung und Erkennung in Luftbildern.

Die Fortschritte der Künstlichen Intelligenz sind kontinuierlich, insbesondere im Bereich des Machine Learning, und zeigen außergewöhnliche Entwicklungen, die Anwendungen ermöglichen, die bis vor Kurzem noch unerreichbar waren.

Machine Learning für die Analyse von Satellitenbildern

Maschinelles Lernen ist vereinfacht gesagt ein intelligenter Prozess, der aus einem Datensatz „lernen“ und daraus Vorhersagen ableiten kann.

Auf Bilder angewendet, die von Satelliten aufgenommen wurden, lässt es sich nicht nur nutzen, um zu analysieren, wie sich Oberflächen im Zeitverlauf verändern, sondern auch, um kleine Objekte oder Merkmale in Bildserien, die große Gebiete abdecken, deutlich schneller und präziser zu lokalisieren und zu identifizieren als selbst der erfahrenste Experte.

Die zwei wichtigsten Eigenschaften, die die Wahrnehmung von Satellitenbildern bestimmen, sind die Auflösung und die Frequenz der verwendeten Bilder. Die Verfügbarkeit von Satellitenbildern steigt täglich, und die angebotenen Metriken verbessern sich entsprechend, wodurch sich das Spektrum an Möglichkeiten für Anwendungen erweitert, die Lösungen für Aktivitäten und Unternehmen aller Art liefern.

Abschließend sind Geoinformationssysteme (GIS) ein sehr interessantes Werkzeug in den letzten Schritten der räumlichen Analyse mittels Machine Learning, da ihre Algorithmik auf Mechanismen der Geodatenanalyse angewendet werden kann, um ergänzende Informationen zu den erzielten Ergebnissen bereitzustellen. So lassen sich beispielsweise mit der Implementierung einer GIS-Management-Software georeferenzierte Bilder visualisieren, einschließlich der vom Machine-Learning-Algorithmus vorgenommenen Klassifizierung.

Klassifizierung von Satellitenbildern mit Deep Learning

Ein Teilgebiet, das in jüngerer Zeit aus dem Machine Learning hervorgegangen ist, ist Deep Learning. Es stützt sich auf künstliche neuronale Netze, die von Computern erzeugt werden und auf der Funktionsweise biologischer Neuronennetze basieren, um die Arbeitsweise des menschlichen Gehirns bei der Lösung von Problemen nachzuahmen – hauptsächlich anhand von drei Logiken:

• Klassifizierung: Vektoralgorithmen, die Klassifizierungsschichten für die unterschiedlichen Oberflächen erzeugen.
• Clustering: Verarbeitung großer Mengen punktueller Daten; Erkennung von Häufungen bestimmter Einheiten, um sie getrennt von der verstreuten Stichprobe zu analysieren.
• Vorhersagealgorithmen: in zahlreichen Analysebereichen einsetzbar; sie liefern Schlussfolgerungen, die von technischem Personal interpretierbar sind, das die Komponenten definiert und speist, die das vorherzusagende Ergebnis beeinflussen.

In einem tiefen neuronalen Netz gibt es – ähnlich wie beim menschlichen – Neuronen, die auf Reize reagieren und über Schichten miteinander verbunden sind.

In der ersten Schicht, der Eingabeschicht, werden die Daten als Input aufgenommen, die das neuronale Netz speisen, und die letzte Ausgabeschicht ist das sichtbare Ergebnis des Netzes. Die Zwischenschichten, deren Ein- und Ausgabewerte uns unbekannt sind, werden als verdeckte Schichten bezeichnet: Das Konzept des Deep Learning hat seinen Ursprung in der Verwendung einer großen Anzahl verdeckter Rechenschichten in neuronalen Netzen.

Die Entwicklung der Datenanalyse von Machine Learning hin zu Deep Learning wurde vor allem durch die Ausweitung der folgenden Entwicklungen ermöglicht:

• Big Data: Mit der Demokratisierung des Internets, der Verbreitung des Internets der Dinge (IoT) wie der Implementierung von Sensoren sowie der exponentiellen Zunahme von Satelliten, die weltweit täglich Bilder aufnehmen, verfügen wir heute über eine enorme Datenmenge.
• Rechenkapazität: Durch die Entwicklung der Cloud und der Grafikprozessoren (GPUs), die die parallele Verarbeitung von Tausenden Aufgaben schnell und kostengünstig ermöglichen, sind die verfügbaren Rechenressourcen enorm.
• Verbesserungen der Algorithmen: Als Antwort auf einige der dringendsten Anforderungen beim Training tiefer neuronaler Netze konnten Forschende Verbesserungen an Algorithmen und Netzwerkarchitekturen beitragen. Dadurch verbessern sich die erzielten Ergebnisse im Vergleich zu einfacheren Algorithmen schnell.

Konvolutionale neuronale Netze ermöglichen die einfache Klassifizierung von Bildern.

Eine Art neuronaler Netze, die konvolutionalen neuronalen Netze CNN (Convolutional Neural Networks), ermöglichen eine sehr effiziente Bildanalyse, indem sie Pixelgruppen auswerten und Muster finden, die dem entsprechenden Label zugeordnet werden. Sobald der Algorithmus mit einer ausreichenden Anzahl von Bildern trainiert wurde, ist das Deep-Learning-Modell bereit, sich neuen, zuvor nicht klassifizierten Bildern zu stellen – eine sehr leistungsfähige Lösung, um schnell und einfach Informationen aus unseren Daten zu gewinnen.

Anwendungen von Deep Learning in der geografischen Analyse

Ein Bereich der Künstlichen Intelligenz, in dem Deep Learning besonders hervorsticht, ist die Computer Vision bzw. maschinelle Bildverarbeitung – also die Fähigkeit von Computern, „zu sehen“.

Die hohe Geschwindigkeit, mit der Drohnen-, Luft- oder Satellitenbilder erzeugt werden, macht ihre Klassifizierung und Analyse zur Ergebnisgewinnung mit analogen Methoden unmöglich.

Bei Baitech entwickeln wir alle notwendigen Prozesse für eine umfassende Datenanalyse und konzipieren maßgeschneiderte Lösungen durch eine optimale Kombination aus Datenquellen und Technologien für die Verarbeitung und Visualisierung geografischer Informationen, die Erkennung und Klassifizierung von Objekten, Merkmalen und Ereignissen.

Als Anwendungen für den Sektor der Inmologistik ermöglicht die Analyse von Satellitenbildern in Kombination mit Deep-Learning-Techniken und Advanced Analytics zur Integration weiterer ergänzender Datenquellen (digitale Kartografie, Grundbuch, Kataster usw.):

• Automatische Identifizierung verfügbarer Parzellen.
• Erkennung von Veränderungen an einer Immobilie oder von Änderungen an Parzelle, Perimeter oder Zufahrten.
• Identifizierung der Merkmale einer Immobilie durch Erkennung relevanter Assets wie Gebäude, Pools, Parkplätze, Zäune, Schuppen, Flächengrößen, Formen usw.
• Bewertung von Schäden nach Naturkatastrophen oder menschengemachten Ereignissen.

Use Case im Inmologistik-Sektor: Identifizierung von Lagerflächen

Ausgehend vom Bedarf eines internationalen Logistikdienstleisters, die besten Standorte und Anlagen zu finden, um Lager in der Nähe von Gebieten mit massiver Distribution zu erwerben, entwickelte Baitech eine Suchlösung über Satellitenbilder in Verbindung mit Katasterdaten zur Identifizierung von Parzellen und Gebäuden, klassifiziert nach Kaufpotenzial.

Mithilfe von Algorithmen zur Messung der Quadratik von Flächen von Parzellen und Lagerhallen sowie der Analyse von Satellitenbildern und Katasterinformationen wurden diese nach Größe, Geometrie, Symmetrie, Lage und Preis pro m2 kategorisiert.