Die Geoinformatik ist ein interdisziplinäres Fachgebiet, das sich mit der Erfassung, Verarbeitung, Analyse und Visualisierung von raumbezogenen Informationen beschäftigt. Innerhalb dieser Disziplin finden geographische Informationssysteme (GIS) Anwendung, können aber auch durch Programmiersprachen wie zum Beispiel Python mit Geo-Programmierbibliotheken ergänzt oder auch ersetzt werden. Raumbezogene Daten, auch als Raster- und Vektordaten bekannt, enthalten Informationen über die physischen und anthropogenen Merkmale des Geosystems Erde. Dazu gehören unter anderem die Topographie, die Vegetation, die Fließgewässer sowie die Morphologie der Erde einschließlich der menschlichen Einflussnahme durch Bebauungen und Zerstörungen unterschiedlicher Landschaftseinheiten. Übergeordnet findet die Geoinformatik in vielen Bereichen Anwendung, wie beispielsweise in der Luft- und Raumfahrt, der Landwirtschaft, der Stadtplanung, dem Tourismus, dem Katastrophenmanagement, der Forschung und weiteren Sektoren.
Insbesondere die zunehmende Entwicklung von maschinellen Lernverfahren beeinflusst auch die Geoinformatik, so zum Beispiel durch die Nutzung von Computer Vision Verfahren, also die Fähigkeit von Algorithmen, Bilddaten zu analysieren und darin enthaltene Informationen zu erkennen und einzuordnen. Derartige DL-Verfahren können beispielsweise dazu verwendet werden, Landschaftsklassen innerhalb einer Satellitenbildchronologie automatisch zu segmentieren und damit tiefergehende Informationen über die naturräumlichen Veränderungen unseres Planeten Erde zu erlangen.
Architekturen die in der Satellitenbildsegmentierung Anwendung finden sind zum Beispiel das U-Net (Ronneberger et al., 2015) und das ResNet (He et al., 2015). Nach einem langen und ausgewogenen Training sind mit einem „convolutional neural network“ Trefferquoten über 96% im abschließenden Testverfahren (Tang et al. 2022) keine Seltenheit. Dadurch kann nicht nur die Genauigkeit einer menschlichen Kartierung übertroffen, sondern auch die Dauer deutlich reduziert werden.
Künstliche neuronale Netzte (Ai) werden nicht nur so manche monotone Aufgabe – wie im vorherigen Beispiel genannt – ersetzen und dadurch zu einem sozioökonomischen Wandel unserer Arbeitswelt beitragen (Precht, 2022) sondern können auch Treibhausgasemissionen durch ressourceneffizientere Systeme reduzieren: Von intelligenten Stromnetzen und Transportsystemen hin zur automatischen Produktion in „Smart Cities“ (Clutton-Brock et al., 2021).
Quellen:
Clutton-Brock P., Rolnick D., Donti P.L., Kaack L.H.: Climate Change and AI. Recommendations for Government Action, 2021. https://gpai.ai/projects/responsible-ai/environment/climate-change-and-ai.pdf
Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun: Deep Residual Learning for Image Recognition, 2015.
Ronneberger O., Fischer P., Brox, T.: U-Net: Convolutional Networks for Biomedical Image Segmentation, 2015.
Precht R.D.: Freiheit für alle: Das Ende der Arbeit wie wir sie kannten, 2022.
Yunwei Tang, Fang Qiu, Bangjin Wang, Di Wu, Linhai Jing & Zhongchang Sun: A deep relearning method based on the recurrent neural network for land cover classification, 2022. GIScience & Remote Sensing, 59:1, 1344-1366, DOI: 10.1080/15481603.2022.2115589
