GMV hat SD4EO erfolgreich abgeschlossen, eine Forschungsinitiative in Zusammenarbeit mit der ARTEC-Gruppe der Universität Valencia, die durch das FutureEO-Programm der Europäischen Weltraumorganisation finanziert wird.

Das Projekt „Synthetische Daten für die Erdbeobachtung“ hatte zum Ziel, den Nutzen der Integration von physikalischen und KI-basierten synthetischen Daten in Erdbeobachtungsanwendungen zu demonstrieren. SD4EO konzentrierte sich auf zwei Arten von Simulationen:

• Physikalisch basiertes Rendering Die ARTEC-Gruppe verwendete die Unity-Grafik-Engine, um realistische synthetische Bilder zu erzeugen, indem sie das Lichtverhalten und die Sensoreigenschaften genau simulierte.
• KI-gesteuerte Simulation GMV implementierte fortschrittliche bedingte Diffusionsmodelle, die mit einer statistischen Zufallsverteilung beginnen und iterativ durch Einschränkungen geformt werden, so dass sich die Merkmale weiterentwickeln und dem Zielbild oder -signal ähneln.

Die synthetischen Daten wurden mit realen EO-Daten in KI-gesteuerte Analysepipelines integriert, um deren Potenzial zur Leistungssteigerung bei Anwendungen zur Zielkategorisierung zu untersuchen:

1. Kategorisierung der Anbauflächen. Durch die Integration synthetischer Daten wurde die Klassifizierungsleistung im Allgemeinen beibehalten oder leicht verbessert. Die Kombination von synthetischen Daten seltener Pflanzen (Hafer und Luzerne) mit realen EO-Daten ergab die höchste Genauigkeit, was die Effektivität von gezielten synthetischen Daten bei der Bewältigung von Klassifizierungsaufgaben für mehrere Klassen unterstreicht.
2. Kategorisierung der Siedlungen. Durch die Integration wurde die Gesamtleistung bei der Erkennung bebauter Gebiete verbessert. Vielversprechende Ergebnisse, die nur mit synthetischen Daten erzielt wurden, rechtfertigen weitere Untersuchungen, insbesondere wenn echte EO-Daten schwer zu beschaffen sind.
3. Überwachung von Fotovoltaikanlagen. Die Modellleistung verbesserte sich im Allgemeinen, wobei die besten Ergebnisse bei Verwendung von sowohl physischere als auch KI-basierter Datensätze erzielt wurden. Die Ergebnisse deuten darauf hin, dass eine angemessene Menge synthetischer Daten die Leistung des Modells verbessern kann, wobei die ideale Menge von der Datenverteilung und dem Datenvolumen abhängt.

Diese vielversprechenden Ergebnisse bilden die Grundlage für weitere Untersuchungen, einschließlich der Verfeinerung der synthetischen Daten und zusätzlicher Experimente, um ihre Vorteile bei EO-Anwendungen besser zu verstehen. Die simulierten Datensätze und Werkzeuge wurden öffentlich zugänglich gemacht, um weitere Forschung und Entwicklung zu fördern:

• Generierte synthetische Daten sind auf Zenodo verfügbar.
• Code zur Erzeugung der physikalisch basierten Daten und der KI-basierten Daten ist auf GitHub verfügbar.

Die Abbildung unten zeigt Beispiele für die generierten physikalischen und KI-basierten synthetischen Daten für die Anwendungsfälle.