Überwachung von Veränderungen in Satellitendaten mittels Methoden der künstlichen Intelligenz und paralleler Programmierung

Im Bereich der Fernerkundung werden pro Jahr viele Petabyte an Satellitendaten gesammelt. Die aktuellen Entwicklungen und Fortschritte im Bereich der künstlichen Intelligenz (KI) erleichtern die automatisierte Analyse solcher riesigen Datenmengen und ermöglichen somit neue Anwendungen in diversen Bereichen wie z.B. in der Landwirtschaft oder im Kontext des Infrastrukturmanagements. Die Anwendung entsprechender KI-Modelle auf globaler Ebene (z.B. weltweit) kann sehr rechen- und somit zeit- und kostenintensiv werden, so dass einzelne Analysen Wochen, Monate oder sogar Jahre benötigen können. Dieses Projekt zielt auf die Entwicklung hocheffizienter paralleler Implementationen von KI-Methoden ab, um in Satellitendaten sichtbare Veränderungen automatisiert zu erkennen und zu überwachen (z.B. Abholzung von Waldbeständen in entlegenen Regionen der Welt). Kooperation mit der Universität Kopenhagen (Cosmin Oancea und Marcos Vaz Sallies). Unterstützt durch den Independent Research Fund Denmark (DFF).

DeepCrop: Quantifizierung von Kohlenstoffbeständen mittels Deep Learning

Aktuelle Entwicklungen in den Bereichen des Deep Learnings und drohnengestützter Lidar-Scanner ermöglichen eine bessere Einschätzung der Kohlenstoffbestände von Ökosystemen. Angesichts der steigenden Nachfrage nach Biomasse zielt das DeepCrop-Projekt auf eine präzisere Abschätzung der oberirdischen Biomasse sowie der Kapazität von Kohlenstoffsenken ab. Im Rahmen des Projekts soll die Expertise von Geowissenschaftlern und Informatikern gebündelt werden, um neuartige Verfahren zu entwickeln, welche die automatisierte Verarbeitung großer Mengen an Lidar-Daten ermöglichen. Das Projekt wird in Kooperation mit der Universität Kopenhagen (Katerina Trepekli, Thomas Friborg, Christian Igel) durchgeführt. Teile des Projekts werden durch die Villum Foundation und durch das Data+-Programm der Universität Kopenhagen unterstützt.