K├╝nstliche Neuronale Netze: Datenanalyse im k├╝nstlichen Gehirn mit EFTAS

Fernerkundungsdaten beantworten verschiedenste Fragestellungen ├╝ber alle Branchen hinweg. In der Energieversor- gung und Rohstoffnutzung helfen sie beispielsweise, Ressourcen zu erschlie├čen, aber auch die Umwelt bei deren Erschlie├čung zu schonen. Im Umweltmonitoring analysieren sie Pflanzenbest├Ąnde und machen ÔÇô wenn n├Âtig ÔÇô auf Erhaltungsma├čnahmen aufmerksam. In der Agrarwirtschaft k├Ânnen sie bei der Ertragsmaximierung und ├Âkologischen Kultivierung helfen. Und in der Agrarverwaltung erm├Âglichen sie gro├čfl├Ąchige Kontrollprozesse. Viele Analysen dieser Daten werden durch manuelle Verfahren von speziell geschulten Mitarbeitern durchgef├╝hrt. Dass man heutzutage solches Handwerk auch unterst├╝tzt von K├╝nstlicher Intelligenz durchf├╝hren und damit wesentlich schneller zu Ergebnissen kommen kann, zeigt ein Beispiel f├╝r Agrarsubventionskontrollen. In diesem Aufgabengebiet pr├╝ft die EFTAS Fernerkundung Technologietransfer GmbH mit ihrem Integrierten Verwaltungs- und Kontrollsystem (InVeKoS), ob Landwirte tats├Ąchlich gem├Ą├č deren Antragstellung anbauen.

Basis f├╝r die InVekoS-Kontrolle sind Luft- und Satellitenbilder. F├╝r die F├Ąlle, die mit Fernerkundungsdaten jedoch nicht eindeutig zu bewerten sind, werden sogenannte schnelle Feldkontrollen durchgef├╝hrt, bei denen Mitarbeiter vor Ort die Anbaukulturen erfassen und ihre Ergebnisse mit Fotos dokumentieren. So entstehen j├Ąhrlich mehrere 10.000 Landschaftsfotos und Nahaufnahmen. In der Qualit├Ątssicherung m├╝ssen die Ergebnisse der Erfasser mit den Fotoaufnahmen am PC verifiziert werden. Bei der Auswertung steht also zun├Ąchst die Frage im Raum, was ├╝berhaupt auf den aufgenommenen Bildern zu sehen ist: Gerste beispielsweise, Weizen oder Roggen. Dazu m├╝ssen anhand verschiedener Merkmale im Bild Argumente f├╝r und wider die jeweilige Anbauart gesammelt werden, um dann zu einem belastbaren Ergebnis zu kommen. Diese Routinearbeit wird bei der EFTAS inzwischen nicht mehr alleine durch die Interpretation der Mitarbeiter, sondern in gro├čen Teilen durch ein k├╝nstliches Neuronales Netz (NN) geleistet. Das NN st├╝tzt sich bei der Analyse auf lernf├Ąhige Algorithmen, die ├╝ber Deep-Learning (DL)-Verfahren ihre Erkennungsgenauigkeit verbessern.

Der Natur nachempfunden

Deep Learning ist eine Teildisziplin des Machine Learnings (ML) ÔÇô zu Deutsch: Maschinelles Lernen ÔÇô und integraler Bestandteil der K├╝nstlichen Intelligenz (KI). Machine Learning bef├Ąhigt Computer, selbstst├Ąndig zu lernen und anhand mathematischer und statistischer Verfahren Muster zu erkennen ÔÇô wie etwa solche bestimmter Anbaugruppen in der Landwirtschaft. ÔÇ×Das Machine Learning ist in der GeoIT prinzipiell nicht neuÔÇť, sagt Dr. Cordt B├╝ker, Produktionsleiter bei EFTAS. In der Fernerkundung werden zur Bilddatenklassifikation etwa Verfahren wie Support Vector Machines und Random Forest Methoden eingesetzt. ÔÇ×Die Verfahren zerlegen Datenbest├Ąnde in hierarchische Strukturen, also Entscheidungsb├Ąume, oder ermitteln ├ähnlichkeiten zwischen den Datens├Ątzen ├╝ber VektorauswertungenÔÇť, erkl├Ąrt B├╝ker. ÔÇ×EFTAS realisiert seit Jahren solche ML-basierten Klassifikationen im Umweltmonitoring.ÔÇť Der Ansatz der NN basiert aber nicht nur auf rein mathematischen Theorien, sondern ahmt die Funktionsweise des menschlichen Gehirns nach. Die k├╝nstlichen Neuronen sind dabei Recheneinheiten. Sie analysieren die Fotos der schnellen Feldkontrollen anhand einer bestimmten Struktur. Die Analyse wird dazu in Abfolgen beliebig vieler Layer, also Ebenen, organisiert. Die Recheneinheit des ersten Layers analysiert beispielsweise die Farben oder Kanten auf dem Landschaftsfoto oder der Nahaufnahme. In jedem Neuron pr├╝ft der Algorithmus des NN, ob ein bestimmter, gewichteter Schwellenwert erreicht wird. Je nach Ergebnis wird eine Information als wichtig oder unwichtig eingestuft. Diese Gewichtung bestimmt dabei gleichzeitig deren Einfluss auf den weiteren Verlauf der Analyse. ÔÇ×├ähnlich wie ein EFTAS-Mitarbeiter gelangt das NN durch die Anpassung der Kriterienbewertung dann zu einem Ergebnis, um welche Anbauart es sich im analysierten Bild handeltÔÇť, erkl├Ąrt B├╝ker.

Bei der Qualit├Ątssicherung der ÔÇ×Schnellen FeldkontrollenÔÇť setzt EFTAS k├╝nstliche Neu- ronale Netze ein, welche die Landschaftsfo- tos und Nahaufnahmen analysieren.

Bei der Qualit├Ątssicherung der ÔÇ×Schnellen FeldkontrollenÔÇť setzt EFTAS k├╝nstliche Neu- ronale Netze ein, welche die Landschaftsfo- tos und Nahaufnahmen analysieren.

ÔÇ×Je h├Ąufiger ein Mitarbeiter verschiedene Variationen von Weizenfeldern gesehen hat, desto besser kann er zu einem richtigen Ergebnis kommenÔÇť, betont B├╝ker. Der Mitarbeiter erkennt etwa Abweichungen durch Perspektivwechsel, andere Lichtverh├Ąltnisse oder jahreszeitliche Bedingungen und kann so die Kriterien f├╝r seine Schlussfolgerung neu gewichten. Das Deep Learning ahmt dieses Vorgehen nach, indem Trainingsdaten wiederholt das NN durchlaufen. Die Ergebnisse werden anschlie├čend jeweils mit dem hinterlegten korrekten Ergebnis der Trainingsdaten verglichen und das NN kann dadurch seine Gewichtungen und Schwellenwerte f├╝r den n├Ąchsten Durchlauf anpassen. Es lernt.

Modifikation vortrainierter Neuronaler Netze

Zur Klassifikation von Bilddaten setzt EFTAS Convolutional Neuronal Networks (CNN) ein, bei denen durch eine Vorverarbeitung einzelne Sektoren des Bildes im Neuronalen Netz analysiert werden. Das EFTAS CNN baut bei der Analyse auf vortrainierte Neuronale Netze auf, die ├╝ber freie Bibliotheken bezogen werden k├Ânnen und bereits auf bestimmte Bildeigenschaften wie Kanten oder Farben trainiert wurden. Das Unternehmen hat diese vortrainierten Neuronalen Netze f├╝r seine Analysen in Teilen modifiziert und durch weitere Layer erg├Ąnzt.

ÔÇ×Das entwickelte EFTAS CNN zur Erkennung von Feldfr├╝chten auf Landschaftsfotos und Nahaufnahmen hat seine Aufgabe inzwischen so gut gelernt, dass f├╝r 13 Anbaugruppen eine Genauigkeit von ├╝ber 90 Prozent erreicht werden konnteÔÇť, berichtet der EFTAS-Produktionsleiter. Das CNN wird nun auch im operativen Gesch├Ąft des Unternehmens eingesetzt. ÔÇ×Das Verfahren dient der Qualit├Ątssicherung der FotosÔÇť, erkl├Ąrt B├╝ker. Die Verifizierung der vom Kartierer erfassten Anbaukultur durch das Foto ist dabei ein zentraler Aspekt. ÔÇ×├ťber die CNN-Auswertung konnten wir den Prozess bei der Auswertung von rund 50.000 Fotos um etwa 30 Prozent beschleunigenÔÇť, so der EFTAS Produktionsleiter. Aktuell implementiert EFTAS dar├╝ber hinaus vielversprechende CNN, die auch Monitoring-Verfahren zur Auswertung von Satellitendaten-Zeitreihen unterst├╝tzen.

Mit der Anwendung von NN ist allerdings noch keine K├╝nstliche Intelligenz per Definition erreicht. Intelligenz zeichnet sich nicht nur durch Lernen aus, sondern auch durch die F├Ąhigkeit, das Gelernte sinnvoll einzusetzen. In KI-Systemen arbeiten DL-Algorithmen also zusammen mit Verfahren zur Logik und wissensbasierten Entscheidungen. Von solchen Systemen ist die Branche in der operativen Fernerkundung noch ein gutes St├╝ck entfernt. ÔÇ×Der momentane Hype um das Machine Learning in der GeoIT sollte also nicht suggerieren, dass in naher Zukunft jede raumbezogene Fragestellung ├╝ber eine Knopfdruck-Datenanalyse realisiert wirdÔÇť, so B├╝ker. Die bestehenden Potentiale will EFTAS Schritt f├╝r Schritt seri├Âs erschlie├čen. (vb)

www.eftas.com