Anwendungsfall: branchenübergreifend

Satellitenbilder mit KI auswerten

KI macht aus Satellitenbildern Informationen: Ein Modell lernt an gelabelten Beispielen, wie ein Objekt, eine Landbedeckungsart oder eine Veränderung aussieht, und findet solche Muster dann automatisch in großen Gebieten. Typische Aufgaben sind Objektzählung, Klassifizierung der Landbedeckung und Veränderungserkennung. Modelle brauchen Beispiele, die zu Ihrer Region und Ihrem Sensor passen, und ihre Ergebnisse müssen geprüft werden.

Referenz
UC-30
Technologien
  • Künstliche Intelligenz
  • Erdbeobachtung
Branche
Herausforderung
Überwachung von Anlagen und Infrastruktur
Aktualisiert
Herausgeber
LETO SPACE

01Technik

So funktioniert es

Ein Satellitenbild ist ein Raster aus Messwerten. KI-Modelle lernen an gelabelten Beispielen, welche Muster in diesem Raster für ein Gebäude, ein Schiff, ein Feld oder eine Kahlfläche stehen.

Satelliten bieten heute einen einheitlichen, globalen Blick auf Wälder, Ozeane und wachsende Städte. Ohne Verarbeitungsketten, die Pixelwerte in Informationen für Entscheider:innen übersetzen, haben die Bilder jedoch wenig Wert. Maschinelles Lernen, insbesondere Deep Learning, ist zunehmend Teil dieser Ketten Quelle: IEEE Geoscience and Remote Sensing Magazine, 9. September 2024IEEE Geoscience and Remote Sensing MagazineArtificial Intelligence to Advance Earth Observation: A review of models, recent trends, and pathways forward (Tuia, Schindler, Demir, Zhu et al.)9. September 2024Quelle öffnen (öffnet doi.org).

Die Modelle lösen einige wiederkehrende Aufgaben:

Objekte erkennen und zählen

Weil täglich große Mengen an Bildern aufgenommen werden, sind die automatische Erkennung und Segmentierung von Objekten in der Erdbeobachtung ein ständiger Bedarf Quelle: Remote Sensing (MDPI), 12. Januar 2024Remote Sensing (MDPI)Remote Sensing Object Detection in the Deep Learning Era: A Review (Gui, Song, Qin and Tang, Remote Sensing 16, 327)12. Januar 2024Quelle öffnen (öffnet doi.org). Ein Beispiel: Das Framework DeepSolar nutzte Deep Learning, um in Satellitenbildern Solaranlagen in den 48 zusammenhängenden Bundesstaaten der USA zu lokalisieren und ihre Größe zu schätzen Quelle: Joule, 19. Dezember 2018JouleDeepSolar: A Machine Learning Framework to Efficiently Construct a Solar Deployment Database in the United States (Yu et al., Joule 2, 2605 to 2617)19. Dezember 2018Quelle öffnen (öffnet doi.org). Wie sich das für die Solarenergie nutzen lässt, beschreibt der Anwendungsfall Dachflächen für Photovoltaik finden.

Klassifizierung

Das Modell ordnet jedes Pixel oder jede Fläche einer Klasse zu, etwa Wald, Wasser, Ackerland oder versiegelter Boden.

Veränderungserkennung

Das Modell vergleicht Bilder verschiedener Zeitpunkte und markiert, was sich verändert hat, zum Beispiel neue Gebäude oder gerodeten Wald.

Foundation Models

Diese Modelle werden mit selbstüberwachtem Lernen auf großen Datensätzen vortrainiert und anschließend per Fine-Tuning auf eine bestimmte Aufgabe abgestimmt. Ein Beispiel ist Prithvi, 2023 von NASA und IBM frei veröffentlicht und mit Bildern aus Harmonized Landsat and Sentinel-2 trainiert. Das Modell wurde bereits für die Kartierung von Überschwemmungen und die Erkennung von Brandflächen eingesetzt Quelle: NASA Earthdata, 3. August 2023NASA EarthdataIBM Research and NASA IMPACT release open-source geospatial foundation model on Hugging Face3. August 2023Quelle öffnen (öffnet earthdata.nasa.gov).

Drei Aufgaben an derselben Szene: Die Objekterkennung findet und zählt Objekte, die Klassifizierung ordnet jeden Bereich einer Klasse zu, und die Veränderungserkennung vergleicht zwei Aufnahmen. Ein Foundation Model wird auf großen Datensätzen vortrainiert, per Fine-Tuning mit Beispielen Ihrer Aufgabe abgestimmt und dann in Ihrer Region getestet. Schematische Szene.

KI läuft auch an Bord von Satelliten. Das 2020 gestartete ESA-Experiment Φsat-1 hat als erstes gezeigt, dass sich KI auf diese Weise für die Erdbeobachtung nutzen lässt: Es filterte unbrauchbare Bilder bereits im Orbit aus, sodass nur verwertbare Daten zur Erde gesendet wurden Quelle: European Space Agency (ESA), abgerufen am 8. Oktober 2026European Space Agency (ESA)Φsat (mission page)abgerufen am 8. Oktober 2026Quelle öffnen (öffnet esa.int).

02Daten

Welche Daten für welche Aufgabe

AufgabeBeantwortete FrageTypische Bilddaten
Objekte erkennen und zählenWo sind die Objekte, und wie viele gibt es?Optische Bilder mit sehr hoher Auflösung, zum Beispiel Pléiades Neo mit 30 cm
KlassifizierungWas bedeckt den Boden in jedem Bereich?Optische Bilder wie Sentinel-2 mit 10 m
VeränderungserkennungWas hat sich zwischen zwei Zeitpunkten verändert?Zeitreihen desselben Sensors
Fine-Tuning eines Foundation ModelsLässt sich ein vortrainiertes Modell an meine Aufgabe anpassen?Bilddaten, die den Trainingsdaten des Modells ähneln

Welche Objekte ein Modell finden kann, hängt von der Pixelgröße ab. Sentinel-2 erfasst seine feinsten Kanäle mit 10 m Quelle: European Space Agency (ESA), SentiWiki, abgerufen am 6. Oktober 2026European Space Agency (ESA), SentiWikiSentinel-2 missionabgerufen am 6. Oktober 2026Quelle öffnen (öffnet sentiwiki.copernicus.eu). Das reicht für Felder und Waldbestände, aber nicht für Autos oder kleine Bauwerke. Pléiades Neo nimmt panchromatische Bilder mit 30 cm auf Quelle: European Space Agency (ESA), Earth Online, abgerufen am 6. Oktober 2026European Space Agency (ESA), Earth OnlinePléiades Neoabgerufen am 6. Oktober 2026Quelle öffnen (öffnet earth.esa.int).

03Ergebnisse

Was Sie erhalten

04Grenzen

Grenzen

  • Grenze 01

    Die Trainingsdaten müssen passen

    Objekte sehen je nach Region anders aus, ebenso in Bildern unterschiedlicher Sensoren, optisch oder Radar, und unterschiedlicher Plattformen. Fehlende oder knappe Labels sind eine bekannte Grenze von Deep Learning in der Erdbeobachtung Quelle: Remote Sensing (MDPI), 12. Januar 2024Remote Sensing (MDPI)Remote Sensing Object Detection in the Deep Learning Era: A Review (Gui, Song, Qin and Tang, Remote Sensing 16, 327)12. Januar 2024Quelle öffnen (öffnet doi.org). Ein Modell, das anderswo trainiert wurde, muss an Ihrer Region und Ihren Bilddaten getestet werden.

  • Grenze 02

    Pixelgröße

    Was die Bilddaten nicht auflösen, kann auch ein Modell nicht finden. Gleichen Sie die Pixelgröße mit dem kleinsten Objekt ab, das Sie erkennen müssen, bevor Sie Bilddaten und Modell wählen.

  • Grenze 03

    Ergebnisse brauchen eine Prüfung

    Jedes Modell macht Fehler. Bevor ein Ergebnis in eine Entscheidung einfließt, gleichen Sie es mit Referenzdaten ab, denen Sie vertrauen, und prüfen Sie auch im laufenden Betrieb weiterhin Stichproben.

05Nächste Schritte

So unterstützen wir Sie

Ob ein fertiger Dienst, eine Plattform oder ein eigenes Modell passt, hängt von Ihrer Frage ab. In einem Strategieprojekt klären wir, welche Frage das Modell beantworten muss, wie genau es sein muss und welche Bilddaten es braucht. Anschließend formulieren wir die Anforderungen für die Auswahl eines Anbieters. Spacegraph, unsere Discovery-Plattform, hat Marktplatzkategorien für Objekterkennung und -zählung sowie für Veränderungserkennung.

Für Teams, die eigene Kompetenzen aufbauen möchten, bietet die LETO Academy den Kurs „GeoAI: Deep Learning für die Erdbeobachtung“ (öffnet academy.leto.space) an, für Fortgeschrittene, nur auf Einladung und mit Übungen in Python.

LETO Academy

Unsere Selbstlernkurse zu KI, digitalen Kompetenzen und weltraumgestützten Lösungen auf Deutsch und Englisch, teils frei zugänglich, teils nur auf Einladung.

Kurse auf Deutsch und EnglischAcademy-Kurse ansehen (öffnet academy.leto.space)

Kompetenzen und Workshops

06Anwendungsfälle

Verwandte Anwendungsfälle

Häufige Fragen

F1Was ist GeoAI?

GeoAI bezeichnet die Anwendung von maschinellem Lernen auf Geodaten wie Satelliten- und Luftbildern. Satellitendaten haben wenig Wert ohne Verarbeitungsketten, die Pixelwerte in Informationen für Entscheider:innen übersetzen. Maschinelles Lernen, insbesondere Deep Learning, ist zunehmend Teil dieser Ketten Quelle: IEEE Geoscience and Remote Sensing Magazine, 9. September 2024IEEE Geoscience and Remote Sensing MagazineArtificial Intelligence to Advance Earth Observation: A review of models, recent trends, and pathways forward (Tuia, Schindler, Demir, Zhu et al.)9. September 2024Quelle öffnen (öffnet doi.org).

F2Müssen wir ein eigenes Modell trainieren?

Nicht immer. Foundation Models wie Prithvi, 2023 von NASA und IBM frei veröffentlicht, sind auf großen Datensätzen vortrainiert und lassen sich anschließend per Fine-Tuning auf eine bestimmte Aufgabe abstimmen Quelle: NASA Earthdata, 3. August 2023NASA EarthdataIBM Research and NASA IMPACT release open-source geospatial foundation model on Hugging Face3. August 2023Quelle öffnen (öffnet earthdata.nasa.gov). Auch das Fine-Tuning braucht Beispiele für Ihre Aufgabe, und das Ergebnis muss in Ihrer Region getestet werden.

F3Wie starten wir ein Pilotprojekt mit KI für Satellitenbilder?

Legen Sie eine Frage fest, die das Modell beantworten soll, etwa wie viele Objekte eines Typs auf einer Reihe von Standorten stehen, und stellen Sie eine Sammlung von Beispielen zusammen, denen Sie vertrauen, um die Ergebnisse zu prüfen. Vergleichen Sie dann einen bestehenden Dienst mit einem Modell, das an Ihre Daten angepasst ist.

Quellen (7)

  1. IEEE Geoscience and Remote Sensing Magazine, 9. September 2024Artificial Intelligence to Advance Earth Observation: A review of models, recent trends, and pathways forward (Tuia, Schindler, Demir, Zhu et al.) (öffnet doi.org)
  2. Remote Sensing (MDPI), 12. Januar 2024Remote Sensing Object Detection in the Deep Learning Era: A Review (Gui, Song, Qin and Tang, Remote Sensing 16, 327) (öffnet doi.org)
  3. Joule, 19. Dezember 2018DeepSolar: A Machine Learning Framework to Efficiently Construct a Solar Deployment Database in the United States (Yu et al., Joule 2, 2605 to 2617) (öffnet doi.org)
  4. NASA Earthdata, 3. August 2023IBM Research and NASA IMPACT release open-source geospatial foundation model on Hugging Face (öffnet earthdata.nasa.gov)
  5. European Space Agency (ESA), abgerufen am 8. Oktober 2026Φsat (mission page) (öffnet esa.int)
  6. European Space Agency (ESA), SentiWiki, abgerufen am 6. Oktober 2026Sentinel-2 mission (öffnet sentiwiki.copernicus.eu)
  7. European Space Agency (ESA), Earth Online, abgerufen am 6. Oktober 2026Pléiades Neo (öffnet earth.esa.int)

Kontakt

Erkennen, klassifizieren oder Zeitpunkte vergleichen: Sagen Sie uns, was Ihre Bilddaten beantworten sollen.

Lieber persönlich sprechen?

Erzählen Sie unseren Expert:innen von Ihrem Vorhaben. Gemeinsam klären wir, wo Sie stehen, ob Satellitendaten und KI weiterhelfen können und was ein sinnvoller nächster Schritt wäre.

Beide Gespräche sind kostenlos und finden online statt. Den Termin wählen Sie in unserem Buchungskalender.