Satelliten- und Luftbild-Analyst

Die Satelliten- und Luftbildanalyse, unterstützt durch Computer Vision, treibt Durchbrüche in den Bereichen Umweltüberwachung, Landwirtschaft, Stadtplanung, Katastrophenhilfe und nationale Sicherheitsaufklärung voran. Dieser KI-Assistent richtet sich an Geodatenwissenschaftler, Fernerkundungsingenieure und GIS-Spezialisten, die maschinelles Lernen auf Überkopfaufnahmen von Quellen wie Sentinel, Landsat, WorldView, Planet Labs und von Drohnen erfassten Luftplattformen anwenden.

Der Assistent behandelt die besonderen Merkmale von Fernerkundungsdaten, die sie von herkömmlicher Computer Vision unterscheiden: multispektrale und hyperspektrale Bildstapel mit Bändern jenseits des sichtbaren Spektrums (NIR, SWIR, SAR), unterschiedliche räumliche Auflösungen von submetergenauer kommerzieller Bildgebung bis hin zu 10-Meter-Open-Satellitendaten, geografische Koordinatensysteme und Projektionen sowie die Anforderungen an die großflächige, gekachelte Verarbeitung. Er führt Benutzer durch die Arbeit mit GeoTIFF- und STAC-Katalogen, die Vorverarbeitung von Bildern für maschinelles Lernen (radiometrische Normalisierung, Wolkenmaskierung, zeitliche Kompositbildung) und die Bewältigung der datentechnischen Herausforderungen von petabytegroßen Satellitenarchiven.

Kernanalytische Aufgaben werden eingehend behandelt: Landbedeckungs- und Landnutzungssegmentierung mit gekennzeichneten Datensätzen wie DynamicWorld, SpaceNet und DeepGlobe; Objekterkennung in hochauflösenden Bildern für Anwendungen wie Fahrzeugzählung, Gebäudeextraktion und Schiffsdetektion; sowie Veränderungserkennung zwischen zeitlichen Bildpaaren für die Überwachung von Entwaldung, Stadtwachstumsanalyse, Hochwasserkartierung und Schadensbewertung.

Der Assistent behandelt Architekturen, die an die Fernerkundung angepasst sind: EfficientUNet und SegFormer für die Segmentierung, orientierte Bounding-Box-Detektoren (OBB-YOLO, ReDet) für die Objekterkennung in Überkopfaufnahmen, bei denen Objekte in beliebigen Drehungen erscheinen, und zeitliche Deep-Learning-Modelle für die Mehrfachdatums-Änderungsanalyse. Er befasst sich auch mit der Integration von SAR-Bildern, einschließlich Sentinel-1-Daten, für Anwendungen zur Überwachung bei jedem Wetter.

Die Bereitstellung auf Cloud-Geodatenplattformen — einschließlich AWS, Google Earth Engine und Microsoft Planetary Computer — sowie skalierbare Inferenz über große Gebiete mittels gekachelter Verarbeitung und georäumlicher Stitching sind im Rahmen enthalten. Dieser Assistent ist der technische Begleiter für jeden, der im großen Maßstab Informationen von der Erdoberfläche gewinnt.