Bolygónk természeti viszonyait és társadalmi-gazdasági folyamatainak digitális térbeli adatokká alakítását célozza a földmegfigyelés (Earth Observation, röviden EO). Ennek során az információt képként rögzítjük és tároljuk el, vagy objektumokból álló absztrakt módon dolgozzuk fel és térképszerűen ábrázoljuk.

Az első módszer a raszteres adatok világába tartozik, mivel a szkennelt felvételek és fotók négyzet alakú cellákból – pixelekből - épülnek fel. Második esetben viszont a vektoros adatmodellről van szó, amelyben a valóságot sokféle paraméterrel felruházott pontok, vonalak és poligonok írják le. A modern térinformatika velejét a kettő kombinálása, azaz a pixelek és vektorok összehangolt elemzése adja.

Hazánk 93 milliárd pixelben

Bolygónk felszínét rengeteg digitális szem vizslatja: műholdak, repülők, drónok, járművek és terepi szenzorok egyaránt ontják az informatikai rendszerekbe a térbeli adatokat. Emberi erővel azonban már képtelenség eligazodni az így keletkező „pixelóceánban”.

Vegyük példának Magyarország területét! 1 méter/pixeles terepi felbontással leképezve 93 milliárd pixelnyi digitális adatról beszélünk. Nagyobb területek és részletesebb szenzorok esetén az adatmennyiség dinamikusan növekszik. Ennek az adatrengetegnek a hatékony értelmezéséhez automatizálható gépi módszerekre van szükség.

Ezzel foglalkozik a téradatokra fókuszáló mesterséges intelligencia, röviden GEO-AI gyorsan fejlődő szakterülete. A nyers téradatokból értékes térbeli információkat állít elő szinte automatikusan, melyek segítik a kutatókat, döntéshozókat, térségi és ágazati tervezőket, valamint a katasztrófavédelmi, rendvédelmi és honvédelmi műveletek irányítóit egyaránt.

A 4iG Space and Defence Technologies fejlesztés alatt álló, alacsony Föld körüli pályán keringő HULEO-műholdkonstellációja nyolc elemből áll össze majd: két radar és hat elektro-optikai műholdból. Ezek 1 méter/pixelnél részletesebb, vagyis szuper-nagyfelbontású raszteres felvételeket készítenek bolygónk bármely részéről, a nemzetközi megrendelők kívánságai szerint.

A műholdas adatok elemzése a HUSAT Adatközpontban zajlik majd, GEO-AI módszerekkel. Az elektro-optikai űrfelvételek multispektrális módon, több különböző hullámhossz-tartományban rögzítik a napfény visszaverődését a felszínről, lehetővé téve, hogy a rendszer figyelembe vegye a látható fénytartományon kívüli információkat is. Ennek révén különbséget lehet tenni például aszfalt és háztető, vagy lombhullató erdő és fenyőerdő között, sőt az egészséges és a beteg gabonatábláknak is eltér a spektrális „lenyomata”. A radar-felvételek mintázatát pedig főként a felszín anyaga, érdessége és nedvessége befolyásolja. A felvételek felhőborítás esetén is elkészíthetők.

A londoni Waterloo Station látványa szuper-nagyfelbontású elektro-optikai műholdképen és radar-űrfelvételen (forrás: European Space Imaging, Umbra Lab Inc.)

GEO-AI, röviden

A GEO-AI bizonyos szemszögből hasonlít a nagy nyelvi alapmodellekhez (mint például a ChatGPT), azonban a gépi látás módszereire alapul.

A műholdfelvételek kezdetén a szakemberek manuálisan vizsgálták át a képeket, majd kézzel jelöltek ki jellegzetes mintaterületeket az algoritmusok tanítása érdekében. A térinformatikai szoftverek egy ideje már önállóan végzik a képosztályozást: multispektrális hasonlóság alapján rendezik „kategóriákba” a pixeleket. Ám a közelmúltig nem igazán értették, amit látnak.

A modern GEO-AI rendszerek már öntanulóak, hiszen alapmodelljeik az úgynevezett „előtanulás” során maguknak hozzák létre a tanulási mintákat. Például véletlenszerűen letakarnak a képből egyes részeket, ezután pedig megpróbálják ezeket „kitalálni” (rekonstruálni). Ezeket a lépéseket ismételve egyre pontosabban „megértik” a földfelszíni mintázatok jelentését, azaz kialakul egy nagyon jó általános képük arról, hogyan néz ki a világunk.

Következő lépésként a szakértők különböző felhasználási célokból, speciális mintaadatokkal „finomhangolják” a rendszert. Ez nagyságrendekkel kevesebb időt és manuális munkát igényel, mintha előtanulás nélkül történne. Így egyetlen alapmodellből alapvetően kevés tanítással kialakíthatók azok a finomhangolt modellek, amelyek képesek például épületeket, hajókat vagy járműveket azonosítani a műholdképeken (vagy más típusú logikai egységekre szegmenálják a felvételeket). Erre alapozva pedig megszámolhatóvá válnak az autók egy városban, külön jelölve a teljes bizonyossággal és a csak közepes valószínűséggel beazonosított objektumokat.

Vagyis ami az ember számára órákig tartana, az a GEO-AI számára csak néhány (tíz)másodperces feladat!

Automatikus autó-felismerés eredménye űrfelvétel alapján (forrás: ESRI)

Szuperfelbontás és változás-észlelés

Egy további érdekes alkalmazási terület az időbeli változások automatikus detektálása. Ha egy adott térségben bozóttűz, árvíz, vezeték-sérülés, illegális építési tevékenység vagy hulladékdeponálás történik, a korábbi és a friss felvételek összehasonlításával a változáskereső algoritmus észleli a különbséget. Ezek a megoldások például a katasztrófavédelem, az építésügy, a vízgazdálkodás vagy akár a környezet-monitorozás számára lesznek kulcsfontosságúak a közeljövőben.

A „szuperfelbontás” technikája pedig a képfeldolgozás határterülete. Ebben az esetben a mesterséges intelligencia az eredeti (például 1 x 1 méteres) pixeleket feljavítja: negyedeli (0,5 x 0,5 méteres cellákra) és a közeli pixeleket figyelembe véve finomítja azokat. Egyes módszerek a képben levő, zajnak látszó valódi információt használják fel, más eljárások viszont a korábbi öntanulás során megismert formákra alapulóan egészítik ki a részleteket. Ha például egy pixelhalmaz repülőre hasonlít, a rendszer megpróbálja „repülőgépszerűvé” alakítani azt. Az árnyalás és kontrasztfokozás optikailag javítja a látványt, azaz a felhasználó tisztábban láthatja a terepi viszonyokat.

Szuperfelbontás eredménye egy repülőgép példáján (forrás: Airbus)

Chatelés a térképpel

A GEO-AI jövőképe már napjainkban körvonalazódik: olyan térinformatikai következtető rendszerek jelennek meg, amelyekkel szöveges promptok révén lehet kommunikálni.

Például a Google Earth AI alkalmazásban a felhasználó egyszerűen beírhatja: „Mutasd meg a hurrikán nyomvonalát, és számold ki, hány százalékban sérültek meg a lakóházak az érintett településeken!” A mesterséges intelligencia ezt követően különböző adatbázisokból lekérdezi a szükséges téradatokat, feldolgozza a képeket, majd vizuálisan és számszerűen is választ ad.

A specializált szoftverek szerepét egyre inkább a prompt-vezérelt, intelligens felületek váltják ki, ezáltal a GEO-AI már nem kizárólag a térbeli adatokat dolgozza fel, hanem a nagy nyelvi alapmodellek és a térinformatikai módszerek integrálásával egy új nyelvet nyújt a Föld megértéséhez.

A cikk elkészítésében együttműködő partnerünk volt a 4iG Űr és Védelmi Technológiák Zrt.

Fotók: 4iG