A földmegfigyelés (Earth Observation, röviden EO) célja, hogy bolygónk természeti viszonyait és társadalmi-gazdasági folyamatait digitális térbeli adatokká alakítsuk: képként rögzítsük és tároljuk el, vagy objektumokból álló absztrakt módon dolgozzuk fel és térképszerűen ábrázoljuk - írja a hvg.hu.

Előbbi a raszteres adatok világa, mivel a fotók és szkennelt felvételek négyzet alakú cellákból, vagyis pixelekből épülnek fel. Utóbbi pedig a vektoros adatmodell, amelyben sokféle paraméterrel felruházott pontok, vonalak és poligonok írják le a valóságot. A kettő kombinálása adja a modern térinformatika lényegét: pixelek és vektorok összehangolt elemzését.

A Földet rengeteg digitális szem fürkészi: műholdak, repülők, drónok, járművek és terepi szenzorok egyaránt ömlesztik a térbeli adatokat az informatikai rendszerekbe.

Az így létrejövő „pixelóceánban” azonban emberi erővel képtelenség eligazodni. Például Magyarország területét 1 méter/pixeles terepi felbontással leképezve 93 milliárd pixelnyi digitális adat keletkezik. Nagyobb területek és részletesebb szenzorok esetén az adatmennyiség meredeken növekszik. Ezért automatizálható gépi módszerekre van szükség, hogy hatékonyan tudjuk értelmezni ezt az adatrengeteget.

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

A 4iG Space and Defence Technologies fejlesztési fázisban lévő, alacsony Föld körüli pályán keringő HULEO-műholdkonstellációja nyolc elemből áll majd:

hat elektro-optikai és két radar műholdból. Ezek 1 méter/pixelnél részletesebb, vagyis szuper-nagyfelbontású raszteres felvételeket állítanak elő bolygónk bármely részéről, a nemzetközi megrendelők igényei szerint.

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

A GEO-AI bizonyos szempontból hasonlít a nagy nyelvi alapmodellekhez (mint például a ChatGPT), csak éppen a gépi látás módszereire épül.

A műholdfelvételek hajnalán a szakemberek manuálisan vizsgálták a képeket, majd kézzel jelöltek ki jellegzetes mintaterületeket az algoritmusok tanítása céljából. A térinformatikai szoftverek egy ideje már önállóan végzik a képosztályozást: multispektrális hasonlóság alapján sorolják „kategóriákba” a pixeleket, ám eddig nem igazán értették, amit látnak.

A modern GEO-AI rendszerek már öntanulóak, mivel alapmodelljeik az úgynevezett „előtanulás” során maguknak generálják a tanulási mintákat. Például véletlenszerűen kitakarnak a képből bizonyos részeket, majd megpróbálják ezeket „kitalálni” (rekonstruálni). Ezeket a lépéseket ismételve egyre pontosabban „megértik” a földfelszíni mintázatok jelentését, vagyis kialakul egy nagyon jó általános képük arról, hogyan néz ki a világunk.

Egy másik izgalmas alkalmazási terület az időbeli változások automatikus detektálása.

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

A „szuperfelbontás” technikája pedig a képfeldolgozás határterülete. Itt a mesterséges intelligencia az eredeti (például 1× méteres) pixeleket feljavítja: negyedeli (0,5× méteres cellákra) és a közeli pixeleket figyelembe véve finomítja azokat. Egyes módszerek a képben levő, zajnak tűnő valódi információt használják fel, más eljárások a korábbi öntanulás során megismert formák alapján egészítik ki a részleteket – ha például egy pixelhalmaz repülőre hasonlít, a rendszer megpróbálja „repülőgépszerűvé” alakítani azt. Az árnyalás és kontrasztfokozás pedig optikailag javítja a látványt, így a felhasználó tisztábban látja a terepi viszonyokat.

A szakértők ezután különböző felhasználási célokra, speciális mintaadatokkal „finomhangolják” a rendszert, ami nagyságrendekkel kevesebb időt és manuális munkát igényel, mintha előtanulás nélkül történne. Így egyetlen alapmodellből viszonylag kevés tanítással kialakíthatók olyan finomhangolt modellek, amelyek képesek például hajókat, járműveket vagy épületeket azonosítani a műholdképeken (vagy más típusú logikai egységekre szegmenálják a felvételeket). Erre alapozva pedig akár meg is tudják számolni az autókat egy városban, külön jelölve a teljes bizonyossággal és a csak közepes valószínűséggel beazonosított objektumokat. Tehát ami az ember számára órákig tartana, az a GEO-AI számára csak néhány (tíz)másodperces feladat!

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

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

A specializált szoftverek szerepét egyre inkább a prompt-vezérelt, intelligens felületek veszik át, így a GEO-AI nem csupán a térbeli adatokat dolgozza fel, hanem a nagy nyelvi alapmodellek és a térinformatikai módszerek integrálásával egy új nyelvet kínál a Föld megértéséhez.