EuroCrops (BMWI/DLR)
EuroCrops ist ein Datensatz zur automatischen Vegetationsklassifikation aus multispektralen und multitemporalen Satellitendaten, annotiert mit offiziellen LIPS-Meldedaten aus Ländern der Europäischen Union, kuratiert von der Technischen Universität München und der GAF AG. Das Projekt wird von der Deutschen Raumfahrtagentur im DLR im Auftrag des BMWI (Bundesministerium für Wirtschaft und Energie) gefördert. Dieser Datensatz ist für Forschungszwecke öffentlich zugänglich, mit der Idee, bei der Subventionskontrolle von landwirtschaftlichen Selbstdeklarationen zu helfen.
Global Earth Monitor (H2020)
Das Projekt Global Earth Monitor stellt sich der Herausforderung der kontinuierlichen Überwachung großer Gebiete auf nachhaltige und kostengünstige Weise. Das Ziel des Projekts ist die Etablierung eines neuen disruptiven Verwertungsmodells für Erdbeobachtungsdaten, welches die Nutzung der Copernicus-Daten drastisch verbessern wird.
PreTrainAppEO (BMWi/DLR)
Ziel des Projekts PreTrainAppEO ist es, den Einsatz von KI im Bereich der Erdbeobachtung und Fernerkundung attraktiver und effizienter zu machen, indem eine Methodik entwickelt wird, die den Ansatz vortrainierter KI-Modelle nutzt, um eine Generalisierbarkeit auf verschiedene Standardanwendungen in diesem Bereich zu erreichen.
KIMoDIs: Intelligente Monitoringalgorithmen zur automatisierten Datenauswertung und -plausibilisierung (BMBF)
Ziel des Teilprojekts ist es, innovative daten-getriebene sowie hybride Modellierungsansätze zu entwickeln, mit derer Hilfe Grundwasserstände und Versalzungsgrade aus Erdbeobachtungsdaten abgeleitet oder in Form von Prognosen prädiziert werden können. Hierzu sollen ebenso Kreislaufmodelle erstellt werden, um Transportprozesse zu identifizieren und zu quantifizieren.
Knowledge Distillation from Big Administrative Data (KnowDisBAD)
Die erstaunliche Leistung von Deep-Learning-Modellen hat die Nachfrage nach mehr Trainingsdaten geweckt, um bessere Modelle zu trainieren. Eine oft übersehene Datenquelle stammt aus dem öffentlichen Dienst, wo große Mengen an Verwaltungsdaten gesammelt wurden. Diese Verwaltungsdaten bieten eine große Vielfalt an Wissen, wie z. B. landwirtschaftliche Daten und Parkstatistiken, die in Labels für die Vegetationsklassifizierung und Trainingsdaten für die Verkehrsprognose umgewandelt werden können. Eine große Herausforderung bei der Ausschöpfung des vollen Potenzials von Verwaltungsdaten ist jedoch ihr uneinheitliches Format, das eine Anpassung und Harmonisierung der Daten erfordert. Zu diesem Zweck schlagen wir die Verwendung großer Sprachmodelle vor, um Informationen aus verschiedenen Verwaltungseinrichtungen zu extrahieren und gebrauchsfertige Daten zu erstellen.