AI4GNSSR: Künstliche Intelligenz für GNSS-Reflektometrie
Künstliche Intelligenz (KI) umfasst verschiedene Anwendungsbereiche, darunter z.B. die Verarbeitung von Sprache, Computer Vision und Datenanalyse. Jüngste Entwicklungen, wie OpenAI's ChatGPT, haben die Fähigkeit der KI gezeigt, Texte zu verstehen und zu generieren, was z.B. den Kundenservice, Texterstellung für verschiedene Bereiche und vieles mehr revolutioniert hat. Diese Fortschritte verdeutlichen das Potenzial der KI, auch die Datenverarbeitung und -interpretation in verschiedenen Bereichen nicht nur in den Geowissenschaften zu verbessern.
Das Projekt AI4GNSSR (Künstliche Intelligenz für GNSS-Reflektometrie: Innovative Fernerkundung von Ozean und Atmosphäre) wird von Helmholtz AI gefördert und ist ein Gemeinschaftsprojekt mit dem Institut für Methodik der Fernerkundung des Deutschen Zentrums für Luft- und Raumfahrt DLR. AI4GNSSR ist ein innovatives Forschungsprojekt, das KI nutzt, um die Verarbeitung von GNSS-Reflektometrie (GNSS-R)-Messungen aus dem Weltraum zur Überwachung von Ozeanen und Atmosphäre zu verbessern. GNSS-R beinhaltet die Nutzung von Signalen des Globalen Navigationssatellitensystems (GNSS), nachdem sie von der Erdoberfläche reflektiert wurden. Dabei werden umfangreiche Datensätze mit einzigartigem Potenzial für die Erdbeobachtungmittels KI erzeugt.
Wichtige Ergebnisse von AI4GNSSR werden sein:
- Neue geophysikalische GNSS-R-Datenprodukte,
- Verbesserte Qualität bestehender Datenprodukte, wie z.B. Windgeschwindigkeit über Ozeanen, insbesondere bei extremen Wetterbedingungen,
- Empirische Verfeinerung bestehender theoretischer physikalischer Modelle im Bereich der neuartigen GNSS-Reflektometrie.
Das Projekt verspricht bahnbrechende Fortschritte in der Fernerkundung, indem es genauere und zuverlässigere Daten zur Überwachung der Ozeane und der Atmosphäre der Erde liefert. Durch die Integration modernster KI-Techniken zielt AI4GNSSR darauf ab, die Möglichkeiten der GNSS-R für die Fernerkundung und Erdsystemforschung deutlich zu erweitern.
Referenzen
Asgarimehr, M., Arnold, C., Weigel, T., Ruf, C., & Wickert, J. (2022). GNSS reflectometry global ocean wind speed using deep learning: Development and assessment of CyGNSSnet. Remote Sensing of Environment, 269, 112801.
Arabi, S., Asgarimehr, M., Kada, M., & Wickert, J. (2023). Hybrid CNN-LSTM Deep Learning for Track-Wise GNSS-R Ocean Wind Speed Retrieval. Remote Sensing, 15(17), 4169.
Zhao, D., Heidler, K., Asgarimehr, M., Arnold, C., Xiao, T., Wickert, J., ... & Mou, L. (2023). DDM-Former: Transformer networks for GNSS reflectometry global ocean wind speed estimation. Remote Sensing of Environment, 294, 113629.
Kontakt
