Lexikon der Fernerkundung

Maschinelles Lernen (ML)

Maschinelles Lernen (ML) ist ein Teilgebiet der künstlichen Intelligenz (KI), das in vielen Bereichen unseres Lebens immer häufiger anzutreffen ist. Maschinelles Lernen ermöglicht es Maschinen, Aufgaben selbständig zu lösen und intelligent auszuführen. Dafür imitieren sie das menschliche Lernen.

Intelligente Programme sind in vielen Berufsfeldern und auch im Alltag zu finden, hier vor allem bei der Nutzung von Diensten großer IT-Unternehmen wie z. B. Google, Apple, Amazon oder Facebook. Diese Programme lernen aus den verfügbaren Daten und erkennen Gesetzmäßigkeiten.

Maschinelles Lernen (ML) bezweckt die Generierung von 'Wissen' aus 'Erfahrung', indem Lernalgorithmen aus Beispielen ein komplexes Modell entwickeln. Das Modell kann anschließend auf neue, potenziell unbekannte Daten derselben Art angewendet werden. Damit kommt das Maschinelle Lernen ohne manuelle Wissenseingabe oder explizite Programmierung eines Lösungswegs aus.

So lernen Maschinen, indem sie aus vorliegenden Beispieldaten Muster erkennen, daraus Modelle entwickeln und dieses Wissen auf neue, ihnen bisher unbekannte Situationen anwenden. Je größer und aussagekräftiger die Datenmenge, desto besser lernen sie.

Immer wenn Prozesse zu kompliziert sind, um sie analytisch zu beschreiben, aber genügend viele Beispieldaten – etwa Sensordaten, Bilder oder Texte – verfügbar sind, bietet sich Maschinelles Lernen an. Mit den gelernten Modellen können Vorhersagen getroffen oder Empfehlungen und Entscheidungen generiert werden – ganz ohne im Vorhinein festgelegte Regeln oder Berechnungsvorschriften.

ML-Anwendungen oder »lernende Maschinen« sind nicht nur auf physische Geräte und Roboter beschränkt, sondern können auch rein digitale Anwendungen in IT-Systemen sein, wie verschiedene Arten von 'Robos' und Bots. ML-Techniken und KI-Anwendungen sind dabei, sämtliche Branchen und Lebensbereiche nachhaltig zu beeinflussen. Intelligente Programme sind in vielen Berufsfeldern und auch im Alltag zu finden, hier vor allem bei der Nutzung von Diensten großer IT-Unternehmen wie z. B. Google, Apple, Amazon oder Facebook. Diese Programme lernen aus den verfügbaren Daten und erkennen Gesetzmäßigkeiten.

In Expertenkreisen wird ML als Schlüsseltechnologie für moderne KI-Techniken gesehen, weshalb insbesondere im ökonomischen Kontext KI und ML oft synonym verwendet werden. Maschinelles Lernen und insbesondere das sogenannte Deep Learning (DL) eröffnen völlig neue Möglichkeiten in der automatischen Sprachverarbeitung, Bildanalyse, medizinischen Diagnostik, Prozesssteuerung, dem Data Mining und dem Kundenmanagement.

Die internationale ML-Forschung adressiert insbesondere das Anwendungsfeld Bild- und Videoverarbeitung und -analyse. Dabei handelt es sich um die Verarbeitung visueller Daten (z. B. von optischen Sensoren, Kamerasystemen oder Bildern). Dies ermöglicht es einer Maschine, Objekte, Szenen und Aktivitäten in der Umgebung wahrzunehmen und zu identifizieren. Ein Computer-Vision-System erfasst, verarbeitet und analysiert Bilder, um numerische oder symbolische Informationen zu erzeugen. Die traditionelle Herangehensweise, bei der in möglichst kleinen Teilschritten, wie dem Erkennen von Linien und Texturen, Bilder berechnet und analysiert werden, um anschließend die Merkmale mit bekannten Objekten auf wahrscheinliche Übereinstimmungen zu vergleichen, wurde in den letzten Jahren durch das tiefe Lernen in Künstlichen Neuronalen Netzen (KNN) überholt. Deep Learning ermöglicht die Verarbeitung visueller Daten mit einer höheren Genauigkeit und Zuverlässig keit in einem einzigen Schritt (end-to-end). Damit konnten bei Bildklassifikation, Objekterkennung und Bildsegmentierung im Maschinellem Sehen erhebliche Fortschritte erzielt werden.

Einsatz in der Fernerkundung

Im Bereich der Fernerkundung kommen ML-Verfahren seit etwa drei Jahrzehnten zum Einsatz. Hierbei werden aus der Fülle vorhandener Bilddaten von verschiedenen Fernerkundungssensoren problemspezifische Informationen gewonnen, die eine Beurteilung des Zustands und der Veränderung der Landoberfläche ermöglichen. ML-Verfahren können als „Universale Funktionsapproximatoren“ betrachtet werden, die in der Lage sind, beliebige Daten zu verknüpfen, um daraus rechentechnisch effizient Zusammenhänge, Rückschlüsse und Vorhersagen abzuleiten. Dabei kommen unterschiedliche Ansätze des Lernens zum Einsatz. Generell wird zwischen überwachtem Lernen und unüberwachtem Lernen unterschieden.

Sollen die Zusammenhänge zwischen vorgegebenen Eingabedaten (z. B. Fernerkundungsdaten) und den abzuleitenden Ausgabedaten (z. B. Klassifizierungsergebnisse) anhand von Beispieldaten (Trainingsinformationen) erlernt werden, spricht man von überwachtem Lernen. Dies beinhaltet die meisten Verfahren zur Klassifizierung und Zusammenhangsanalyse (Regression). Stellvertretend können hier Maximum-Likelihood-Klassifizierung, Support Vector Machine, Random Forest, Partielle-Kleinste-Quadrate-Regression oder künstliche neuronale Netze genannt werden. Deep Learning stellt die derzeit fortgeschrittenste Implementierung eines künstlichen neuronalen Netzes dar.

Das unüberwachte Lernen nutzt keine Lernvorgaben. Daher können die Algorithmen nicht trainiert werden. Hier werden die Verfahren des Data Mining genutzt, um bestimmten Ähnlichkeitskriterien genügende Strukturen aus den Fernerkundungsdaten zu extrahieren, die in einem zweiten Schritt mit thematischer Bedeutung verknüpft werden können. Beispiele für unüberwachtes ML sind alle Clusterverfahren (z. B. K-means) und Dimensionsreduktionsverfahren (z. B. Hauptkomponentenanalyse) sowie auch unüberwacht lernende künstliche neuronale Netze.

Maschinelles Lernen hat einen festen Platz in den Algorithmen zur Auswertung von Fernerkundungsdaten. Es wird in fast allen Bereichen zur Klassifizierung, Quantifizierung und Modellierung von Oberflächenparametern angewendet. Neben verbesserten Sensordaten tragen neue Entwicklungen im Bereich des ML dazu bei, die Genauigkeit der Fernerkundungsergebnisse zu erhöhen und initiieren neue Fernerkundungsprodukte für vielfältige Anwendungen in unserer modernen Gesellschaft.

Die Sektion 'Fernerkundung' am Deutschen GeoForschungsZentrum GFZ hat beispielsweise einen auf der Auswertung von Satellitenbildern basierenden Maschinellen-Lern-Algorithmus entwickelt, der die Überwachung von Vulkanen automatisieren soll. Damit könnten potentiell alle weltweit gefährlichen Vulkane überwacht werden. (GFZ) Weitere Einsatzbereiche betreffen die Klassifizierung von Wolken, Schnee, Schatten, Wasser und klarem Himmel im Zusammenhang mit der sog. Atmosphärenkorrektur, die Erfassung und Quantifizierung von Bodeneigenschaften, das Biodiversitätsmonitoring oder die satellitengestützte Schätzung der Brutto-Primärproduktivität.

Zukünftige Arbeiten am GFZ zielen beispielsweise auf die Entwicklung von Algorithmen zur Verarbeitung von Big-Data-Fernerkundungsdaten ab, wie sie im Rahmen des EU/ESA-Copernicus-Programms bereits heute bereitgestellt werden. Hier gilt es insbesondere sogenannte Emulatoren zu entwickeln, die rechentechnisch aufwendige und komplexe Modelle einfach und effizient nachbilden können. Damit lassen sich sehr hohe Rechengeschwindigkeiten erzielen, die zur Verarbeitung der großen Datenmengen dringend benötigt werden. (Segl 2018)

Weitere Informationen:

Pfeil nach linksMASLupeIndexMaschinelles SehenPfeil nach rechts