Mobile-Menu

Datensatz zur Analyse von Überschwemmungen und Waldbränden IBM und ESA veröffentlichen Open-Source-KI-Modelle

Von Ulrike Ostler 5 min Lesedauer

Anbieter zum Thema

IBM Research

IBM und die European Space Agency, ESA, haben bereits vorhandene multimodale -Modelle anhand eines neu entwickelten Datensatzes optimiert. Das soll dazu beitragen, sich besser auf Naturkatastrophen vorbereiten und darauf reagieren zu können.

Der „Impact Mesh“-Datensatz von IBM und ESA ist die erste globale multimodale und multitemporale Sammlung von Bildern, die extreme Überschwemmungen und Waldbrände des vergangenen Jahrzehnts dokumentieren.(Bild: IBM/ESA)
Der „Impact Mesh“-Datensatz von IBM und ESA ist die erste globale multimodale und multitemporale Sammlung von Bildern, die extreme Überschwemmungen und Waldbrände des vergangenen Jahrzehnts dokumentieren.
(Bild: IBM/ESA)

Im vergangenen Jahr wüteten in Bolivien Waldbrände, die eine Fläche von der Größe Griechenlands verwüsteten, Tausende von Menschen vertrieben und großen Verlusten an Ernten und Vieh führten. Als Ursache der Brände gelten gemeinhin Landrodungen, das Abbrennen von Weideland und eine schwere Dürre während des wärmsten Jahres seit Beginn der Aufzeichnungen.

Die Waldbrände in Bolivien sind nur eines von Hunderten extremer Überschwemmungs- und Waldbrandereignissen, die in einem neuen globalen, multimodalen Datensatz mit der Bezeichnung „Impact Mesh“ erfasst sind. Dieser wurde in der vergangenen Woche von IBM Research in Europa und der Europäischen Weltraumorganisation (ESA) als Open Source veröffentlicht.

Der Datensatz ist zudem multitemporal - das heißt: Er enthält Momentaufnahmen von überfluteten oder von Bränden betroffenen Gebieten vor und nach einem Ereignis. Das Filmmaterial wurde im Laufe des vergangenen Jahrzehnts von den Erdumlaufbahnsatelliten „Copernicus Sentinel-1“ und „Sentinel-2“ aufgenommen.

Eine Analyse von Satellitenbildern zeigt unter Verwendung des optimierten IBM-ESA-Modells von das Ausmaß der Brandnarben, die ein Waldbrand auf Korfu, Griechenland, im Jahr 2023 hinterlassen hat. (Bild: IBM/ESA)
Eine Analyse von Satellitenbildern zeigt unter Verwendung des optimierten IBM-ESA-Modells von das Ausmaß der Brandnarben, die ein Waldbrand auf Korfu, Griechenland, im Jahr 2023 hinterlassen hat.
(Bild: IBM/ESA)

Um ein klareres Bild der Veränderungen auf Landschaftsebene zu erhalten, wird jedes der Extremereignisse im Datensatz durch drei Arten von Beobachtungen dargestellt – optische Bilder, Radarbilder und eine Höhenkarte des betroffenen Gebiets. Wenn Sturmwolken und Rauchwolken die optischen Sensoren daran hindern, das Ausmaß von Überschwemmungen und Waldbränden aus dem Weltraum zu erfassen, können Radarbilder und die Höhendaten des Geländes helfen, das Ausmaß des Geschehens zu verdeutlichen.

Die heutigen geospatialen Foundation Models werden anhand von Rohdaten aus Satellitenaufnahmen für einen bestimmten Ort und Zeitpunkt als Abstraktion der physischen Welt vorab trainiert, anhand von multitemporalen Vorher-Nachher-Bildern, wie es bei den „Prithvi“-Modellen von IBM und der NASA der Fall war, oder anhand von Daten unterschiedlicher Modalitäten, wie bei dem zugrunde liegenden „Terra Mind“-Modell von IBM und der ESA.

Dieses wurde Anfang dieses Jahres im Rahmen des Future EO-Programms der ESA veröffentlicht. Der Impact Mesh-Datensatz wurde entwickelt, um diese Ansätze miteinander zu verbinden und die Auswirkungen von Überschwemmungen und Bränden deutlicher hervorzuheben.

Kopernikus und die KI

Das Bild des Tages

„Das Bild des Tages“ zeigt den rumänischen Ort Cluj-Napoca, Romania
Bildunterschrift: „Das Bild des Tages“ zeigt den rumänischen Ort Cluj-Napoca, Romania.
Quelle: European Union, Copernicus Sentinel-2 imagery / Link

Das Kopernikus-Netz umfasst rund 10.000 Satelliten, die zum Teil jetzt schon mit KI-ausgestattet sind. Ein solcher Satellit generiert etwa 20 Terabyte an Daten pro Tag, von denen sich allerdings nur ein Teil analysieren lässt. Die geostationären Satelliten umkreisen die Erde in etwa 600 Kilometern Entfernung. Das erscheint zunächst einmal als relativ kurze Distanz, doch die Daten müssen zur Erde gesandt und dort verarbeitet werden.
Wünschenswert wäre es, sie könnten mehr oder minder autonom agieren und sich quasi miteinander verständigen. Dazu braucht es KI-Agenten, erläutert Giuseppe Borghi, seit 2020 Director des ESA Phi Lab.
Für das Training gibt es unter anderem das Programm „Copernicus Observia AI“. Dieses ist seit November als Beta-Version auf der Website des „Land Monitoring Service“ verfügbar. Es handelt es sich um einen durch Künstliche Intelligenz unterstützten Assistenten, der Nutzerinnen und Nutzern dabei hilft, Copernicus-Daten und -Produkte zu finden, zu verstehen und anzuwenden.

Der Assistent bietet unter anderem folgende hilfreiche Funktionen:

- Mehrsprachigkeit: Neben Englisch, können die Fragen auch auf Deutsch (und anderen Sprachen) gestellt werden. Auch die Antworten können auf Deutsch angefordert werden.
- Quellenangaben: Der Copernicus Observia AI gibt genau an, welche Quellen er nutzt. Alle Informationen stammen von vertrauenswürdigen Copernicus-Quellen. Das bedeutet allerdings auch, dass andere Quellen nicht herangezogen werden. Derzeit weist Copernicus Observia AI neben Stärken auch noch deutliche Schwächen auf. Durch die Nutzung und anschließende Bewertung der Chats, kann der Assistent sukzessive verbessert werden.

Der Datensatz passt das frühere Terra-Mind-Modell für die Kartierung von Naturkatastrophen an. In ersten Experimenten haben die Forscher festgestellt, dass Terra Mind die Modelle, die mit einzelnen Sentinel-2-Bildern trainiert wurden, um mindestens 5 Prozent übertreffen konnte. Im April veröffentlichten die Forscher ihr multimodales Terra-Mind-Modell, das zu diesem Zeitpunkt bereits bei gängigen Kartierungsaufgaben auf dem Community-Benchmark „Pangaea“ ein Dutzend anderer Geodatenmodelle übertraf.

Die KI-Analyse von Sentinel-1-Bildern aus dem Jahr 2018 zeigt eine Überschwemmung in einem Pariser Vorort (Farbe Magenta). IBM und die ESA haben ihr „Terra-Mind“-KI-Modell anhand des neuen „Terra Mesh“-Datensatzes verbessert, um Überschwemmungen von bereits vorhandenen Wasserflächen unterscheiden zu können.(Bild: IBM/ESA)
Die KI-Analyse von Sentinel-1-Bildern aus dem Jahr 2018 zeigt eine Überschwemmung in einem Pariser Vorort (Farbe Magenta). IBM und die ESA haben ihr „Terra-Mind“-KI-Modell anhand des neuen „Terra Mesh“-Datensatzes verbessert, um Überschwemmungen von bereits vorhandenen Wasserflächen unterscheiden zu können.
(Bild: IBM/ESA)

Überschwemmungen und Waldbrände machen zusammen fast die Hälfte aller in den letzten zehn Jahren verzeichneten Naturkatastrophen aus, und es gibt Hinweise darauf, dass diese Ereignisse mit der Erwärmung des Erdklimas immer schwerwiegender werden (siehe: Kasten).

Die Währung für Naturkatastophen: Leben

Das Centre for Research on the Epidemiology of Disasters (CRED) und das United Nations Office for Disaster Risk Reduction (UNDRR hatten anlässlich des Internationalen Tages für Katastrophenvorsorge am 13. Oktober 2020 einen Bericht veröffentlicht, der bestätigt, dass extreme Wetterereignisse die Katastrophenlandschaft des 21. Jahrhunderts dominieren. Die Statistiken in diesem Bericht stammen aus der Emergency Events Database (EM-DAT) des Centre for Research on the Epidemiology of Disasters (CRED), in der Katastrophen erfasst werden, bei denen zehn oder mehr Menschen ums Leben gekommen sind, 100 oder mehr Menschen betroffen waren, der Notstand ausgerufen oder internationale Hilfe angefordert wurde.

Der Bericht „Huma Cost of desasters“ stammz aus dem Jahr 2020.(Bild: CRED/ UNDRR)
Der Bericht „Huma Cost of desasters“ stammz aus dem Jahr 2020.
(Bild: CRED/ UNDRR)

Im Zeitraum von 2000 bis 2019 gab es 7.348 registrierte Katastrophenereignisse, die 1,23 Millionen Menschenleben forderten, 4,2 Milliarden Menschen betrafen (viele davon mehr als einmal) und weltweit wirtschaftliche Verluste in Höhe von etwa 2,97 Billionen Dollar verursachten. Dies ist ein starker Anstieg gegenüber den vorangegangenen zwanzig Jahren. Zwischen 1980 und 1999 gab es weltweit 4.212 Katastrophen im Zusammenhang mit Naturgefahren, die etwa 1,19 Millionen Menschenleben forderten, 3,25 Milliarden Menschen betrafen und wirtschaftliche Verluste in Höhe von etwa 1,63 Billionen Dollar verursachten.

Ein Großteil des Unterschieds lässt sich durch eine Zunahme klimabedingter Katastrophen einschließlich extremer Wetterereignisse erklären: von 3.656 klimabedingten Ereignissen (1980–1999) auf 6.681 klimabedingte Katastrophen im Zeitraum 2000 bis 2019. In den zwanzig Jahren davor hat sich die Zahl der schweren Überschwemmungen von 1.389 auf 3.254 mehr als verdoppelt, während die Zahl der Stürme von 1.457 auf 2.034 gestiegen ist. Überschwemmungen und Stürme waren die häufigsten Ereignisse.

Mehr dazu auf der UNDRR-Website

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu RZ- und Server-Technik

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung. Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).

Aufklappen für Details zu Ihrer Einwilligung

Auf Impact Mesh trainierte KI-Modelle könnten für eine Reihe von Anwendungen eingesetzt werden, von der Planung der unmittelbaren Reaktion nach einer Katastrophe bis hin zur Schadensbewertung und der Ermittlung, wo (und wo nicht) etwas wieder aufgebaut werden sollte. Die einzigartige Datenbasis des Datensatzes, die sowohl die Zeit vor als auch nach der Katastrophe abdeckt, könnte auch bei der Erstellung genauerer Risikokarten hilfreich sein.

Die Karte zeigt Überschwemmungen in Australien 2022. Darauf konnte das „Terra-Mind“-Modell von IBM und der ESA, das mit dem „Impact Mesh“-Datensatz optimiert wurde, trotz starker Wolkenbedeckung überschwemmte Gebiete mithilfe der links gezeigten Radarbilder identifizieren.(Bild: IBM/ESA)
Die Karte zeigt Überschwemmungen in Australien 2022. Darauf konnte das „Terra-Mind“-Modell von IBM und der ESA, das mit dem „Impact Mesh“-Datensatz optimiert wurde, trotz starker Wolkenbedeckung überschwemmte Gebiete mithilfe der links gezeigten Radarbilder identifizieren.
(Bild: IBM/ESA)

„Unser Ziel ist es, Forschende und Einsatzkräfte in die Lage zu versetzen, Erdbeobachtungsdaten für eine schnellere und genauere Katastrophenkartierung zu nutzen“, sagte Giuseppe Borghi, Leiter der Φ-Lab-Abteilung der ESA. „Dies ist ein Schritt hin zum Aufbau von Resilienz angesichts eines sich verändernden Planeten.“

Zusätzlich zu Impact Mesh haben IBM und die ESA das Open-Source-Paket „Terra Kit“ veröffentlicht, das es einfacher macht, Geodatensätze zu erstellen und KI-Modelle mit den aktuellsten Informationen abzustimmen. So lässt sich Terra Kit dazu verwenden, die von Impact Mesh zusammengestellte Sammlung kuratierter Daten zu Überschwemmungen und Waldbränden zu erweitern und auch um von Grund auf einen neuen Datensatz zu erstellen.

(ID:50644757)

Weiterführende Inhalte