Quelle: ETH Zürich.

20. April 2022 – Seit letztem Jahr befinden wir uns in der UN-​Dekade für die Wiederherstellung von Ökosystemen (engl. «UN Decade on Ecosystem Restoration»). Die Initiative hat sich zum Ziel gesetzt, bis 2030 die Degradation der Ökosysteme aufzuhalten, ihr vorzubeugen und bereits entstandene Schäden, wenn möglich zu beheben. Für solche Vorhaben benötigen die Akteure präzise Grundlagen wie zum Beispiel Vermessungen und Karten des Bestands. Ralph Dubayah, Leiter der «Global Ecosystem Dynamics Investigation (GEDI)»-​Mission der NASA erklärt in einem Interview: «Wir wissen schlicht nicht, wie hoch die Bäume weltweit sind. […] Wir brauchen globale Karten davon, denn wenn wir Bäume fällen, setzen wir CO₂ in die Atmosphäre frei, und wir wissen nicht, um wie viel es sich handelt.»

Auf die Analyse und Aufbereitung ebensolcher Umweltdaten spezialisiert ist das EcoVision Lab am ETH-​Departement für Bau, Umwelt und Geomatik, das 2017 von ETH-​Professor Konrad Schindler und UZH-​Professor Jan Dirk Wegner gegründet wurde. Im Lab entwickeln die Forscher Machine-​Learning-Algorithmen, die es ermöglichen, großflächige Umweltdaten automatisch zu analysieren. Einer dieser Forscher ist Nico Lang. In seiner Doktorarbeit hat er einen Ansatz – basierend auf neuronalen Netzwerken – entwickelt, um aus optischen Satellitenbildern die Vegetationshöhe ableiten zu können. Daraus konnte er die erste Vegetationshöhen-​Karte erstellen, welche die gesamte Erde abdeckt (engl. «Global Canopy Height Map»).

Ein Novum ist zudem die hohe Auflösung der Karte: Dank Langs Arbeit können Nutzer*innen bis zu 10×10 Meter an jedes Waldstück der Erde heranzoomen, um die Baumhöhe abzulesen. Eine solche Vermessung der Wälder könnte in Zukunft insbesondere im Umgang mit dem CO₂-​Ausstoß wegweisend sein, denn die Baumhöhe ist ein wichtiger Indikator für die Biomasse und die Menge an gespeichertem Kohlenstoff. «Etwa 95 Prozent der Biomasse im Wald sind im Holz und nicht in den Blättern. Daher hängt die Biomasse stark mit der Höhe zusammen», klärt Konrad Schindler, Professor für Photogrammetrie und Fernerkundung, auf.

Trainiert mit Laserscanning-​Daten aus dem Weltraum
Doch wie liest ein Computer die Baumhöhe von einem Satellitenbild ab? «Da wir nicht wissen, nach welchen Mustern der Computer Ausschau halten muss, um die Höhe zu schätzen, lassen wir ihn die optimalen Bildfilter selbst lernen», sagt Nico Lang. Daher zeigt er seinem neuronalen Netzwerk Millionen von Beispielen: Als Input dienen die Bilder der zwei Copernicus Sentinel-​2-Satelliten der Europäischen Weltraumorganisation (ESA). Diese Satelliten nehmen alle fünf Tage jeden Ort der Erde mit einer Auflösung von 10×10 Metern pro Pixel auf. Es sind die qualitativ besten Bilder, die zurzeit öffentlich zugänglich sind.

Daneben muss dem Algorithmus die korrekte Antwort – das heißt die Baumhöhe aus Space-​Lasermessungen der NASA GEDI-​Mission – zur Verfügung gestellt werden. «Die GEDI-​Mission liefert global verteilte, punktuelle Daten der Vegetationshöhe zwischen dem 51. nördlichen und südlichen Breitengrad, sodass der Computer im Trainingsprozess viele verschiedene Vegetationstypen sieht», erklärt Nico Lang. Mit Input und Antwort kann sich der Algorithmus die Filter für Textur-​ und Spektralmuster selbst aneignen. Ist das neuronale Netzwerk erst einmal trainiert, kann es die Baumhöhen aus den mehr als 250.000 Bildern (etwa 160 Terabyte Daten), die für die globale Karte notwendig sind, automatisch schätzen.

In der Fachterminologie nennt sich Langs neuronales Netzwerk Convolutional Neural Network (CNN). Die «Convolution» – zu Deutsch Faltung – ist eine mathematische Operation, bei welcher der Algorithmus die 3×3 Pixel großen Bildfilter über das Satellitenbild gleiten lässt und dadurch Informationen über Helligkeitsmuster im Bild erhält. «Der Trick dabei ist, dass wir die Bildfilter stapeln und der Algorithmus dadurch Kontextinformationen erhält, da er von jedem Pixel bereits Informationen über die Nachbarpixel hat», erläutert Konrad Schindler. Dadurch ist es dem EcoVision Lab erstmalig gelungen mit einer Satellitenkarte auch Baumhöhen von bis zu 55 Meter zuverlässig einzuschätzen.

Weil diese neuronalen Netzwerke mit ihren vielen Schichten «tief» sind, spricht man auch von «Deep Learning». Diese Methode läutete vor rund 10 Jahren eine große Revolution in der Bildverarbeitung ein. Der Umgang mit der schieren Menge an Daten, die dazu nötig ist, ist jedoch nach wie vor eine große Herausforderung: Um die globale Vegetationshöhen-​Karte zu berechnen, bräuchte ein leistungsstarker Rechner allein drei Jahre. «Zum Glück haben wir Zugriff auf den ETH-​Hochleistungsrechencluster, sodass wir nicht drei Jahre auf die Berechnung der Karte warten mussten», lacht Nico Lang.

Transparenz durch Abschätzung der Unsicherheiten
Nico Lang bereitete denn nicht nur ein CNN auf diese Aufgabe vor, sondern gleich mehrere – ein sogenanntes Ensemble – davon. «Ein wichtiger Aspekt für uns war, den Nutzer*innen auch die Unsicherheit der Schätzung mitzuliefern», sagt er. Die insgesamt fünf neuronalen Netzwerke wurden unabhängig voneinander trainiert, wobei jedes seine eigene Schätzung der Baumhöhen angibt.

«Sind alle Modelle einer Meinung, ist die Antwort auf Basis der Trainingsdaten eindeutig. Kommen die Modelle zu unterschiedlichen Antworten, bedeutet dies, dass es eine höhere Unsicherheit in der Schätzung gibt», erklärt Nico Lang. In die Modellierung fließen auch Unsicherheiten in den Daten selbst mit ein: Ist ein Satellitenbild beispielsweise dunstig, ist die Unsicherheit grösser, als wenn die atmosphärischen Verhältnisse gut sind.

Grundlage für zukünftige ökologische Forschung
Dank ihrer hohen Auflösung bietet Langs globale Karte Einblick in interessante Details: «Wir konnten bereits spannende Muster entdecken», erzählt Konrad Schindler. «In den Rocky Mountains beispielsweise wird die Forstwirtschaft in fixen Quadraten betrieben und auch der Regenwald formt interessante Strukturen, die nicht zufällig sein können.» Nun sei es Ökolog*innen möglich, die aufgenommenen Muster und Daten weltumfassend zu interpretieren.

Damit die Forschung weitergeführt werden kann, werden die Karte sowie der Source Code öffentlich zugänglich sein. Erste Interessenten haben sich bereits gemeldet: Walter Jetz, Professor an der Yale Universität, möchte die Global Canopy Height Map zur Biodiversitätsmodellierung nutzen. Doch auch für Regierungen, Verwaltungen und NGOs könnte die Karte interessant sein. «Dank Sentinel-​2 könnte man alle fünf Tage die Vegetationshöhen neu berechnen und hätte so ein Monitoring, um die Regenwaldabholzung zu beobachten», meint Nico Lang.

Darüber hinaus sei es nun auch möglich, regionale Erkenntnisse wie die Eigenschaft von tropischen Blätterdächern als klimatischer Puffer zu wirken, global zu validieren. Gekoppelt mit dem High Carbon Stock Approach, der wertvolle Wälder für Kohlenstoffspeicherung und Biodiversität klassifiziert, ist die Vegetationshöhen-​Karte eine wichtige Grundlage für die Erhaltung und Stärkung der Ökosysteme. Gemäß Langs Berechnungen befindet sich bloß auf 5 Prozent der Landmasse Vegetation von mehr als 30 Metern Höhe und nur 34 Prozent davon stehen in geschützten Gebieten.

Da die GEDI-​Mission im Jahr 2023 beendet werden soll, bietet Langs neu entwickelter Ansatz die Möglichkeit auch zukünftig Vegetationshöhen zu kartieren. Allerdings wäre eine Verlängerung der GEDI-​Mission, über die zurzeit auch international in Mediencall_made diskutiert wird, wichtig, um die Daten mit zukünftigen Satellitenmissionen wie der ESA Biomass Mission abzugleichen und das Modell auf Veränderungen zu kalibrieren.

Originalpublikation:
ETH: https://ethz.ch/de/news-und-veranstaltungen/eth-news/news/2022/04/neuronales-netzwerk-kann-baumhoehen-von-satellitenbildern-ablesen.html
arXiv: https://arxiv.org/abs/2204.08322

Diskutieren Sie mit im Raumcon-Forum:

• Planet Erde

Der Beitrag Neuronales Netzwerk kann Baumhöhen von Satellitenbildern ablesen erschien zuerst auf Raumfahrer.net.

Quelle: Universität Bonn.

11. Februar 2022 – Veränderungen auf der Erde können heute nahezu in Echtzeit beobachtet werden, denn viele Satelliten im Weltall sind mit Kameras und Sensoren genau dafür ausgestattet. Sei es der Rückgang von Gletschern, ein Ölteppich auf dem Meer, ein aufziehender Wirbelsturm, oder wie erst kürzlich vor der Küste Tongas, der Ausbruch eines (Unterwasser-) Vulkans – die Erde wandelt ihre Gestalt und Satelliten schauen dabei zu.

Seit September 2021 gibt es an der Universität der Bundeswehr München eine neue Professur am Institut für Raumfahrttechnik und Weltraumnutzung (ISTA), die Professur für Erdbeobachtung. Prof. Michael Schmitt beschäftigt sich hier mit der Auswertung von Erdbeobachtungsdaten zur Gewinnung von Geoinformationen.

Die Erdbeobachtung liefert Informationen darüber, welche Art der Landbedeckung wo vorliegt, sie dient der geometrischen und topografischen Erkundung der Erde. Seine Forschungsschwerpunkte sind unter anderem die satelliten- und flugzeuggestützte Erdbeobachtung, die Bildverarbeitung, Signalverarbeitung und maschinelles Lernen zur Informationsextraktion sowie die Fusion unterschiedlicher Erdbeobachtungsdaten. Diese Schwerpunkte werden in einem aktuellen Forschungsprojekt verbunden und angewandt. Das durch die Deutsche Forschungsgemeinschaft geförderte Projekt „Kartierung und Interpretation von Wildnis aus dem Weltraum / MapInWild“ startete Ende 2021 und soll bis 2024 eine Karte über die Natürlichkeit der Erde bereitstellen.

Wie natürlich ist die Erde (noch?): MapInWild
Das Ziel des Projektes MapInWild ist es, eine Natürlichkeitskarte der Erdoberfläche zu erstellen. Anhand eines Index wird die Erde bewertet und in Kategorien von sehr natürlich bis kaum natürlich unterteilt. Als ersten Schritt auf dem Weg zu dieser Karte fusionieren Prof. Schmitt und sein Team verschiedene Daten, die es bereits gibt, zum Beispiel aus Satellitendaten, dem freien Kartendienst „OpenStreetMap“ oder der Landbedeckungskarte der ESA. Die Definition von Natürlichkeit mag teilweise unterschiedlich gesehen werden, doch im Falle des Forschungsprojektes bedeutet Natürlichkeit die Abwesenheit von menschlichen Einflüssen. Im Natürlichkeitsindex wird klassifiziert nach Art der Landbedeckung (zum Beispiel Wald oder Stadt), Nähe zur nächstgelegenen Straße, beziehungsweise Zeit bis man diese erreichen würde, Licht aus künstlichen Lichtquellen und Bevölkerungsdichte. Diese Daten werden zunächst aus bereits vorhandenen Karten und Beobachtungen zusammengetragen.

Bisher wurde der Natürlichkeitsindex exemplarisch für drei europäische Regionen erstellt: Bayern als Beispiel für eine dicht besiedelte Region mit nur wenigen ausgewiesenen Schutzgebieten, Schottland als Region mit mittlerer Bevölkerungsdichte und einer größeren Anzahl an abgelegenen Gebieten und die finnische Region Lappland als Beispiel für eine dünn besiedelte Region mit vielen Schutzgebieten.

Im Projekt soll nun eine neue Methode mithilfe von Künstlicher Intelligenz (KI) entwickelt werden, die aus Satellitendaten direkt den Natürlichkeitsindex erstellen kann. Diese Methode wird zu viel schnelleren Ergebnissen führen als bisherige Techniken, da nur noch ein einziges aktuelles Bild benötigt wird. Damit wäre es jederzeit möglich, aktuelle Aussagen über die Natürlichkeit eines bestimmten Ortes auf der Welt zu treffen. Dies kann besonders bei Beobachtungen zum Klimawandel hilfreich sein. Durch die Beobachtung aus dem All könnten beispielsweise der Rückgang von Eisflächen oder die Vergrößerung von Wüstengebieten genau und in Echtzeit aufgezeichnet werden. Oder es könnten Flächen ausgemacht werden, die einen zukünftigen Nationalpark beherbergen können.

Nachvollziehbare KI
Neben der Entwicklung der Methode zum satellitenbildgestützten Natürlichkeitsindex steht das Projekt noch auf einem zweiten Pfeiler, der in Kooperation mit Prof. Ribana Roscher von der Universität Bonn umgesetzt wird. Es soll nachvollziehbar gemacht werden, wie die KI ihre Entscheidungen trifft. KI kommt bereits in vielen Projekten zum Einsatz, doch meist wissen die Benutzerinnen und Benutzer nur, welche Daten sie zur Verfügung stellen, nicht was die KI mit ihnen macht und wie sie sie beurteilt. Das soll bei MapInWild anders sein. Die Forschenden wollen herausfinden, warum die gelernten Wildniskartierungs-Modelle zu spezifischen Entscheidungen kommen. Das Projekt trägt damit zur methodischen Weiterentwicklung von übertragbaren Verfahren des maschinellen Lernens mit wenigen und fehlerbehafteten Trainingsdaten und deren Interpretierbarkeit bei.

MapInWild:
MapInWild: Kartierung und Interpretation von Wildnis aus dem Weltraum

Diskutieren Sie mit im Raumcon-Forum:

• Planet Erde

Der Beitrag Satelliten beobachten Veränderungen der Natur erschien zuerst auf Raumfahrer.net.