Beginn: Ab sofort

Erstbetreuer: Prof. Dr. Heisenberg

Zweitbetreuer: M.Sc. Sven Wöhrle

Niveau: Masterarbeit

Problemstellung:

Satellitenbilder, z. B. vom Sentinel-2-Satelliten, können als Input für Deep-Learning-Modelle verwendet werden, die darauf trainiert wurden, Szenen zu klassifizieren oder bestimmte Klassen zu segmentieren. Allerdings ist die Bewölkung ein großes Problem, da sie die Bilder verdunkeln und die Daten verfälschen kann. Dies beeinträchtigt in der Folge die Verwendbarkeit der Daten für die Modellierung.

Ansatz:

Generative Modelle wie Generative Adversarial Networks (GANs) wurden bereits erfolgreich zur Imputation fehlender Daten in Bildern eingesetzt. Ein GAN könnte daher so trainiert werden, dass es die Satellitendaten dort, wo sie von Wolken bedeckt sind, korrigiert und interpoliert, wodurch die Vollständigkeit der Daten verbessert wird.

Weitere Informationen folgen in Kürze...

Der Kontext:

Ziel des AI4SusCo-Projekts ist die Entwicklung eines auf künstlicher Intelligenz basierenden Klassifizierungssystems für entwaldungsfreien Kaffee. Viele Kaffeeanbauregionen sind jedoch stark bewölkt. Für diese Arbeit wird ein Zeitreihendatensatz aus multispektralen Sentinel-2-Bildern, Sentinel-1- und Palsar-Radardaten bereitgestellt, der auch wolkenbedeckte Bilder von Brasilien enthält. Die Radarsatelliten können Wolken durchdringen, aber Sentinel-1 ist teilweise seit 2021 nicht mehr verfügbar, und bei Palsar fehlen an manchen Stellen einige Monate.

Aufgaben der Masterarbeit:

Erforschung moderner Methoden zur Imputation und Interpolation fehlender Daten.

Trainieren Sie ein GAN zur Imputation von Satellitendaten, die aufgrund von Bewölkung oder aus technischen Gründen fehlen, und zur Verbesserung von Wolkenschatten und halbtransparenten Wolkenpixeln aus einem Multi-Satelliten- und Multi-Temporalen-Datensatz.

Evaluierung der Leistung des GAN zur Verbesserung der Bildqualität für schattige Bereiche, halbtransparente Wolken und weitere Artefakte sowie imputierte Bereiche.

Interessiert?

Wenn Sie sich für Deep-Learning-Methoden und die Entwicklung von GAN-Modellen interessieren und einen Beitrag zur nachhaltigen Entwicklung der Kaffeeindustrie und zum Erhalt des Regenwaldes leisten möchten, dann laden wir Sie ein, uns per E-Mail zu kontaktieren, um ein ausführliches Gespräch zu diesem Thema zu führen.