Eine neue KI

Von Justine Calma, einer Wissenschaftsreporterin, die über Umwelt, Klima und Energie berichtet und über ein Jahrzehnt Erfahrung verfügt. Sie ist außerdem Moderatorin des Podcasts „Hell or High Water“.

Heute wurde eine einzigartige Karte von erneuerbaren Energieprojekten und Baumbestand auf der ganzen Welt veröffentlicht, die generative KI nutzt, um aus dem Weltraum aufgenommene Bilder wesentlich zu schärfen. Es ist alles Teil eines neuen Tools namens Satlas vom Allen Institute for AI, das von Microsoft-Mitbegründer Paul Allen gegründet wurde.

Das Tool, das zuerst mit The Verge geteilt wurde, nutzt Satellitenbilder der Sentinel-2-Satelliten der Europäischen Weltraumorganisation. Aber diese Bilder geben immer noch einen ziemlich verschwommenen Blick auf den Boden. Die Reparatur? Eine Funktion namens „Super-Resolution“. Im Grunde werden Deep-Learning-Modelle verwendet, um Details, etwa wie Gebäude aussehen könnten, einzugeben und hochauflösende Bilder zu erzeugen.

Derzeit konzentriert sich Satlas auf Projekte im Bereich erneuerbare Energien und Baumbewuchs auf der ganzen Welt. Die Daten werden monatlich aktualisiert und umfassen Teile des Planeten, die von Sentinel-2 überwacht werden. Dazu gehört der größte Teil der Welt mit Ausnahme von Teilen der Antarktis und offenen Ozeanen fernab vom Land.

Es zeigt Solarparks sowie Onshore- und Offshore-Windkraftanlagen. Sie können damit auch sehen, wie sich die Baumkronenbedeckung im Laufe der Zeit verändert hat. Das sind wichtige Erkenntnisse für politische Entscheidungsträger, die Klima- und andere Umweltziele erreichen wollen. Laut dem Allen Institute gab es jedoch noch nie ein so umfangreiches Tool, das der Öffentlichkeit kostenlos zur Verfügung stand.

Laut den Entwicklern ist dies wahrscheinlich auch eine der ersten Demonstrationen der Superauflösung auf einer globalen Karte. Sicherlich gibt es noch ein paar Probleme, die behoben werden müssen. Wie andere generative KI-Modelle ist Satlas immer noch anfällig für „Halluzinationen“.

„Man kann es entweder Halluzination oder schlechte Genauigkeit nennen, aber es wurden Gebäude auf komische Weise gezeichnet“, sagt Ani Kembhavi, leitende Direktorin für Computer Vision am Allen Institute. „Vielleicht ist das Gebäude rechteckig und das Modell könnte denken, es sei trapezförmig oder so.“

Dies könnte an regional unterschiedlichen Architekturen liegen, die das Modell nicht gut vorhersagen kann. Eine weitere häufige Halluzination besteht darin, Autos und Schiffe an Orten zu platzieren, von denen das Modell glaubt, dass sie auf der Grundlage der Bilder, mit denen es trainiert wurde, platziert werden sollten.

Um Satlas zu entwickeln, musste das Team am Allen Institute manuell Satellitenbilder durchforsten, um 36.000 Windkraftanlagen, 7.000 Offshore-Plattformen, 4.000 Solarparks und 3.000 Baumbedeckungsprozentsätze zu kennzeichnen. Auf diese Weise haben sie die Deep-Learning-Modelle darauf trainiert, diese Merkmale selbst zu erkennen. Für eine höhere Auflösung fütterten sie die Modelle mit vielen niedrigaufgelösten Bildern desselben Ortes, die zu unterschiedlichen Zeiten aufgenommen wurden. Das Modell verwendet diese Bilder, um Subpixeldetails in den von ihm generierten hochauflösenden Bildern vorherzusagen.

Das Allen Institute plant, Satlas zu erweitern, um andere Arten von Karten bereitzustellen, darunter eine, die erkennen kann, welche Arten von Nutzpflanzen weltweit angebaut werden.

„Unser Ziel war es, sozusagen ein Grundmodell für die Überwachung unseres Planeten zu schaffen“, sagt Kembhavi. „Und sobald wir dieses Grundmodell erstellt haben, optimieren wir es für bestimmte Aufgaben und stellen diese KI-Vorhersagen dann anderen Wissenschaftlern zur Verfügung, damit diese die Auswirkungen des Klimawandels und anderer Phänomene auf der Erde untersuchen können.“

/ Melden Sie sich für Verge Deals an, um täglich Angebote für von uns getestete Produkte in Ihrem Posteingang zu erhalten.