GeoAI

Der Begriff GeoAI beschreibt die Integration von künstlicher Intelligenz (Artificial Intelligence, AI) mit Geodaten, raumbezogener Wissenschaft und räumlichen Technologien, was ein besseres Verständnis von Zusammenhängen und die Lösung räumlicher Probleme ermöglicht. GeoAI umfasst die Anwendung von herkömmlichen KI-Techniken zur Generierung räumlicher Daten, indem mittels Extraktion, Klassifizierung und Erkennung Informationen aus strukturierten und unstrukturierten Daten gewonnen werden. Gleichzeitig umfasst GeoAI auch den Einsatz von räumlich expliziten KI-Techniken, die zum Lösen räumlicher Probleme durch die Analyse räumlicher Daten konzipiert sind. Dazu zählen u. a. Techniken zum Erkennen von Mustern und zum Treffen von Vorhersagen sowie Raum-Zeit-Vorhersagen.

Schlüsselkonzepte

Die folgenden Begriffe sind für das Verständnis von GeoAI in ArcGIS Pro wesentlich.

• Räumliche Analyse: Beschreibt die Untersuchung von Positionen, Attributen und Beziehungen in räumlichen Daten durch verschiedene Techniken. Diese können von einfachen Überlagerungen bis hin zu erweiterten räumlichen Statistiken und Analysen reichen.
• Künstliche Intelligenz (KI): Die Fähigkeit einer Maschine (z. B. eines Computers), Aufgaben zu übernehmen, bei denen üblicherweise menschliche Intelligenz wie die Wahrnehmung von Sinneseindrücken, logisches Denken und Lernvermögen erforderlich ist. KI-Anwendungen sind bereits zu einem festen Bestandteil unseres Alltags geworden: als intelligente Assistenten auf Mobilgeräten, für Empfehlungen in Social-Media-Feeds, beim autonomen Fahren und in Robotern. KI umfasst sowohl maschinelles Lernen als auch Deep Learning.
• Maschinelles Lernen (ML): Ein Teilgebiet der KI, das verschiedene Techniken umfasst, mit denen Computer ohne explizite Programmierung Datenmuster erlernen und Wissen generieren können. ML-Techniken sind in der Regel statistische Methoden oder datengesteuerte Algorithmen, mit denen Probleme in Bezug auf Klassifizierung, Cluster-Bildung und Vorhersage (z. B. Regression/Zeitserienvorhersage) gelöst werden. Sie können sich ML als einen der Ansätze, mit denen künstliche Intelligenz erreicht wird, vorstellen.
• Deep Learning (DL): Eine Unterform des maschinellen Lernens, bei der trainierbare und maschinell angelernte Algorithmen in Form von künstlichen neuronalen Netzwerken verwendet werden. Die mehrschichtige Architektur dieser Netzwerke orientiert sich an der Funktionsweise des menschlichen Gehirns. Der Mensch lernt anhand einer ineinander verschachtelten Hierarchie von Konzepten und begreift so seine Umgebung. Sie können die Funktionsweise von DL-Algorithmen mit der des menschlichen Gehirns vergleichen: Der Computer lernt komplexe Muster und Konzepte, indem er einfachere Konzepte zusammenfügt. Unverarbeitete Eingabedaten werden durch verschiedene Schichten des Netzwerks analysiert, wobei jede Schicht die Definition von immer komplexeren Merkmalen und Mustern in den Daten lernt und begreift.

GeoAI ist in Form verschiedenster Geoverarbeitungs- und Analysewerkzeuge in die gesamte ArcGIS-Systemlandschaft integriert. ML-Algorithmen werden in ArcGIS zum Analysieren von räumlichen Daten für die Cluster-Bildung, Vorhersage (Klassifizierung und Regression) und Raum-Zeit-Vorhersage eingesetzt. Deep Learning wird in ArcGIS für die Generierung von Geodaten aus Sensordaten einschließlich Fernerkundungsdaten und Punktwolken eingesetzt. Dazu werden Techniken und Werkzeuge für die Pixelklassifizierung und Bildsegmentierung, die Objekterkennung und Feature-Extraktion, die Objektverfolgung, die Änderungserkennung sowie die Bildsimulation genutzt. Weiterhin findet Deep Learning zum Generieren von Geodaten aus unstrukturiertem Text mittels verschiedener NLP-Techniken (Natural Language Processing) Anwendung. Für die Analyse räumlicher Daten zum Treffen von Vorhersagen und Zeitserienvorhersagen kann Deep Learning ebenfalls verwendet werden. Viele der größten Herausforderungen unserer Zeit erfordern jedoch die Kombination von GeoAI mit anderen leistungsstarken räumlichen Analysetechniken, um diese Herausforderungen besser zu verstehen und effektive Maßnahmen zu ergreifen.

Problemlösung

GeoAI kann in einer Vielzahl von Anwendungsbereichen eine wichtige Rolle bei der Lösung räumlicher Probleme spielen.

Ein wichtiger Aspekt von GeoAI ist die Anwendung von herkömmlichen KI-Techniken zur Generierung räumlicher Daten, indem mittels Extraktion, Klassifizierung und Erkennung Informationen aus strukturierten und unstrukturierten Daten gewonnen werden. Dazu gehören Tabellendaten, Fernerkundungsdaten, wie z. B. Raster, Bilddaten, LIDAR-Punktwolken und Videos, und sogar Textdaten. Zu den Anwendungsfällen der Geodatengenerierung zählen u. a. das Suchen von Objekten in Bilddaten und ihre Katalogisierung, das Erstellen von 3D-Daten aus LIDAR-Informationen und das Extrahieren von Positionsinformationen aus unstrukturiertem Text für die anschließende Geokodierung. ArcGIS umfasst zudem verschiedene vortrainierte Deep-Learning-Modelle, mit denen einige der zeitaufwändigsten und ressourcenintensivsten Trainingsschritte verschlankt werden können. In vielen Workflows ist es sinnvoll, den bisher langwierigen Prozess der Extraktion und Erzeugung von räumlichen Daten mithilfe von Deep Learning zu automatisieren, da sich häufig der Zeit- und Arbeitsaufwand deutlich verringern lässt. Derart gewonnene Geodaten können auch als wertvolle Eingabewerte für nachfolgende Workflows – vom Geodatenmanagement bis hin zu erweiterten räumlichen Analysen von Mustern und Beziehungen – dienen.

Beispiel für den Einsatz von Deep Learning zur automatisierten Feature-Extraktion aus Bilddaten

Der zweite wichtige Aspekt von GeoAI ist der Einsatz von ML- und DL-Techniken, darunter räumlich expliziter Statistiktechniken, zur Geodatenanalyse. Anwendungsfälle sind u. a. das Erkennen von Mustern sowie das Treffen von Vorhersagen und Raum-Zeit-Vorhersagen. Die Nutzung neu entwickelter ML- und DL-Werkzeuge in Kombination mit räumlichen Daten bietet Anwendern neue Alternativen bei der Erkundung komplexer Problemgebiete. Durch den Einsatz von ML-Methoden mit räumlichen Daten sowie den direkten Einbezug von räumlich expliziten Modellen, die einen geographischen Aspekt (Ort, Form, Nachbarschaft etc.) berücksichtigen, in den Algorithmus lassen sich effizientere Modelle erstellen. Des Weiteren lässt sich so häufig eine genauere und realitätsgetreuere Abbildung der zu modellierenden Gegebenheiten erzielen. Diese Techniken lassen sich zur Ressourcenzuweisung auf Grundlage relevanter räumlicher Muster, zum Ermitteln von Trends und Abweichungen in Raum und Zeit sowie zum Berücksichtigen von räumlichen Beziehungen bei Vorhersagen und Zeitserienvorhersagen nutzen.

Beispiel für Methoden des maschinellen Lernens, die auf räumliche Daten angewendet werden

Zuletzt ist zu bedenken, dass die Werkzeuge, in denen GeoAI-Konzepte Anwendung finden, am besten funktionieren, wenn sie durch gewissenhaft arbeitende Analysten und Data Scientists eingesetzt werden. Wie auch bei anderen Werkzeugen muss der Analyst ein umfassendes Verständnis des Problems besitzen sowie den Ehrgeiz, eine Analyse zu iterieren und zu optimieren. Zudem muss er dem Entscheidungsträger, für den das Informationsprodukt bestimmt ist, den Prozess transparent darlegen. Diese Prinzipien ändern sich durch den Einsatz von GeoAI nicht. Vielmehr ist eine sorgfältige Analyse wichtiger denn je. ArcGIS Pro bietet eine leistungsstarke Oberfläche für die Ausführung von GeoAI-Werkzeugen, zum Bewerten der Ergebnisse sowie für die wirkungsvolle und zuverlässige Kommunikation mit Projektbeteiligten.

Weitere Informationen

Weitere Informationen finden Sie in den folgenden Ressourcen.

• Geodatengenerierung und Informationsextraktion
  • Einführung in Deep Learning
  • Deep Learning in ArcGIS Pro
  • Vortrainierte ArcGIS-Modelle
  • Toolset "Klassifizierung und Mustererkennung" (Toolbox "Image Analyst")
  • Toolset "Deep Learning" (Toolbox "Image Analyst")
  • Toolset "Punktwolke" (Toolbox "3D Analyst")
  • Toolset "Textanalyse" (Toolbox "GeoAI")
  • Grundlagen der interaktiven Objekterkennung
• Problemlösung durch räumliche Analyse
  • Cluster-Bildung und Mustererkennung
    • Toolset "Cluster-Zuordnung" (Toolbox "Spatial Statistics")
    • Toolset "Analyse von Raum-Zeit-Mustern" (Toolbox "Space Time Pattern Mining")
    • Toolset "Multidimensionale Analyse" (Toolbox "Image Analyst")
  • Vorhersage
    • Toolset "Modellierung von räumlichen Beziehungen" (Toolbox "Spatial Statistics")
    • Toolset "Feature- und Tabellenanalyse" (Toolbox "GeoAI")
    • Toolset "Multidimensionale Analyse" (Toolbox "Image Analyst")
  • Zeitserienvorhersage
    • Toolset "Zeitserienvorhersage" (Toolbox "Space Time Pattern Mining")
    • Toolset "Zeitserien-KI" (Toolbox "GeoAI")
    • Toolset "Multidimensionale Analyse" (Toolbox "Image Analyst")