FluoMap: Erstellen von globalen Fluoreszenzkarten aus Satellitendaten mit ML

Gefördert durch die Helmholtz AI
Ansprechpartner: Hanno Scharr

FluoMap verfolgt das Ziel, mit modernsten KI-Methoden Fluoreszenzsignale aus den Messdaten der satelliten- oder flugzeuggestützten bildgebenden Spektrometer DESIS und HyPlant zu extrahieren. Dadurch wird es möglich, globale Fluoreszenzkarten zu erstellen, die eine Schlüsselrolle bei der weltweiten Überwachung des Gesundheitszustands der Vegetation spielen werden.

Fluoreszenz ist ein wichtiger biophysikalischer Parameter, der mit der Bruttoprimärproduktivität von Pflanzen verknüpft ist und die Erkennung von Vegetationsstress in sehr frühen Stadien ermöglicht. Moderne luft- und weltraumgestützte bildgebende Spektrometer bieten ein großes Potenzial in diesem Bereich. Sie sind inzwischen empfindlich genug, um den Effekt der Fluoreszenz überlagert mit Signalantworten von der Erdoberfläche und der Atmosphäre aufzuzeichnen. Zum ersten Mal schlagen wir die Entwicklung eines Machine Learning (ML) Ansatzes vor, um solar-induzierte Fluoreszenzkarten aus bildgebenden Spektrometermessungen über ausgedehnte Gebiete abzuleiten. Dies ist eine Helmholtz-Chance, da für diesen Zweck kombinierte Hyperspektraldaten von einem luftgestützten Sensor (HyPlant) und aus dem Weltraum (DESIS-Sensor auf der ISS) nur den Projektpartnern zur Verfügung stehen. Das vorgeschlagene End-to-End-System ist darauf ausgelegt, Fluoreszenzkarten direkt aus den reinen Messungen abzuleiten, wobei die komplexen atmosphärischen Einflüsse auf das Signal sowie sensorspezifische Unsicherheiten berücksichtigt werden. Um dieses schlecht gestellte Inversionsproblem zu lösen, werden (Tiefe) Neuronale Netze nicht nur mit gemessenen Daten, sondern auch mit simulierten Daten trainiert, die durch physikalische Vorwärtsmodelle berechnet werden. Es wird eine Reihe von Ergebnissen veröffentlicht, die von der wissenschaftlichen Gemeinschaft der Erdbeobachtung genutzt werden können. Nicht nur Helmholtz-Zentren, die derzeit in der Umweltforschung und den Geowissenschaften arbeiten, können von den direkten Ergebnissen dieses Antrags profitieren, sondern das Projekt wird auch wertvolle Erkenntnisse für die Etablierung physikalisch basierter KI-Ansätze in anderen Wissenschaftsbereichen liefern.

Kooperationspartner:

Miguel Pato, Deutsches Zentrum für Luft- und Raumfahrt e.V. (DLR)
Stefan Auer, Deutsches Zentrum für Luft- und Raumfahrt e.V. (DLR)
Uwe Rascher, Forschungszentrum Jülich, IBG-2: Pflanzenwissenschaften