// SCINEXX — SPAZIO & SCIENZA
KI rekonstruiert Satellitenbilder trotz dichter Wolkendecke
Dichte Wolken verdecken auf optischen Satellitenbildern oft große Teile der Erdoberfläche. Ein neu entwickeltes KI-Modell ergänzt solche Bildbereiche in Vergleichstests genauer als mehrere spezialisierte Verfahren und verwandelt auch Radaraufnahmen in fotoähnliche Ansichten. Die erzeugten Bilder sind allerdings berechnete Rekonstruktionen und keine direkten Messungen des verborgenen Geländes.
Daejeon (Südkorea). Wolken können die Sicht von Erdbeobachtungssatelliten auf Wälder, Felder und Städte vollständig versperren. Gerade bei der Beobachtung von Überschwemmungen oder Waldbränden entstehen dadurch Lücken, obwohl aktuelle Bilder besonders wichtig wären.
Anders als gewöhnliche Kameras erfassen Radarsatelliten die Erdoberfläche mithilfe reflektierter Mikrowellen und können sie deshalb auch nachts oder durch Wolken hindurch abbilden. Allerdings lassen sich ihre oft körnigen Helligkeitsmuster nicht so unmittelbar lesen wie optische Aufnahmen.
Forscher des Korea Advanced Institute of Science and Technology (KAIST) um Prof. Munchurl Kim haben nun untersucht, ob ein großes generatives KI-Modell beide Probleme bearbeiten kann. Das Verfahren namens GeoCore-9B soll verdeckte optische Bilder ergänzen und Radardaten in Bilder übersetzen, die gewöhnlichen Satellitenfotos ähneln.
Für das Training nutzte das Team den Datensatz Git-10M mit rund 10,5 Millionen Satellitenbildern und zugehörigen Beschreibungen. Das bildgenerierende Kernmodell besitzt rund neun Milliarden einstellbare Parameter und wurde neu auf Erdbeobachtungsdaten trainiert, statt von einem bereits auf Alltagsfotos trainierten Bildgenerator auszugehen.
Zusätzlich verarbeitet GeoCore-9B die geografischen Koordinaten und die Bodenauflösung der Aufnahme. Letztere gibt an, welche Entfernung am Boden ein einzelner Bildpunkt abdeckt. Bei einem Meter Bodenauflösung entspricht ein Pixel ungefähr einem Quadratmeter Fläche, bei 32 Metern einem deutlich größeren Geländeabschnitt.
Eine weitere Trainingsvorgabe vermittelt dem Modell typische räumliche Strukturen. Dafür dient eine bereits auf Satellitenbilder spezialisierte KI als Vergleichsmaßstab, etwa für den Verlauf von Straßen und die Grenzen landwirtschaftlicher Flächen. Bei der späteren Bilderzeugung wird diese zusätzliche KI nicht mehr benötigt.
Anschließend passten die Wissenschaftler das Grundmodell mit einem vergleichsweise kleinen zusätzlichen Trainingsschritt für die Entfernung von Wolken an. Auf dem Testdatensatz Sen2-MTC erzeugte es Bilder, die den wolkenfreien Referenzaufnahmen in mehreren Messgrößen stärker ähnelten als die Ergebnisse bisheriger Spezialverfahren.
Bei einem Maß für strukturelle Bildähnlichkeit erreichte GeoCore-9B den Wert 0,799, während das stärkste Vergleichsverfahren auf 0,709 kam. Je näher dieser Kennwert an eins liegt, desto größer ist die gemessene Übereinstimmung. Bei einem anderen Qualitätsmaß lag dagegen ein spezialisiertes Modell noch knapp vorn.
„Weil wir der KI Aufnahmeort und tatsächliche Geländegröße jedes Satellitenbildes vermittelten, kann ein einziges Modell mehrere Aufgaben wie Wolkenentfernung und Bildumwandlung übernehmen“, erklärt Prof. Munchurl Kim.