Optimalisering av satellittbildeanalyse gjennom bruk av HPC
Den europeiske romfartsorganisasjonen (ESA) har utviklet Sentinel-2, et jordobservasjonssystem med to satellitter som kontinuerlig samler inn høyoppløselige optiske bilder av jordas overflate.
Satellittdataene har en rekke bruksområder, som f.eks. til overvåking av jordarealer og observesjon av endringer over tid. Dataene gjør det mulig å vurdere jorderosjon, avskoging, vannkvalitet og landbruksproduktivitet. Dette er nyttig for en rekke brukere, inkludert klimaforskere, landbrukssektoren, myndigheter og private selskaper som utvikler nye tjenester og applikasjoner basert på dataene.
Her kan du lese om hvordan vår søsterorganisasjon i Estland, NCC Estonia, hjalp bedriften KappaZeta med å utnytte superdatamaskinberegninger til utvikling av landbruksapplikasjoner.
Problemet: Hvordan nøyaktig identifisere og maskere skyer og skyggeområder fra satellittbilder?
Prosjektet hadde som mål å forbedre brukervennligheten av data fra Sentinel-2 ved å bruke kunstig intelligens (KI) til å detektere og filtrere ut sky- og skyggeområder slik at det blir enklere å analysere bildedataene.
KappaMask er et åpen prosjekt tilgjengelig på GitHub.
Tekniske utfordringer:
Hovedutfordringen var å utvikle et nøyaktig og effektivt system for å identifisere skyer og skyggeområder, og sikre at den gjenværende dataen kunne brukes effektivt. Å trene en KI-modell for dette formålet krevde betydelige beregningsressurser, inkludert store mengder GPU-minne og raske CPUer for å behandle dataene hurtig.
Løsningen: Et nevralt nettverk og kunstig intelligens
KappaZeta utviklet et smart verktøy kalt KappaMask, som bruker KI til å detektere skyer og skyggeområder spesielt for Sentinel-2-data. Her brukes et stort nevralt nettverk (CNN) for å dele opp bildene i segmenter. Denne modellen ble trent ved hjelp av superdatamaskiner ved Universitetet i Tartu, slik at den kunne lære raskere og detektere skyer med nøyaktig.
Hvorfor bruke superdatamaskinberegninger (HPC) og tilhørende tjenester?
Beregningskraften fra superdatamaskiner var avgjørende for at dette prosjektet ble vellykket. Ved å utnytte kraftige GPUer og CPUer fra Universitetet i Tartus HPC-senter, kunne treningen av KappaZetas modell akselereres betydelig. Mer data kunne behandles parallelt. Denne kraftige databehandlingen var viktig for å gjøre skydeteksjonen mer nøyaktig og effektiv, noe som gjorde applikasjonen deres mer konkurransedyktig.
Illustrasjonen som tilhører denne saken er fremstilt ved hjelp av kunstig intelligens.
Problemet og løsningen som er beskrevet her kommer fra en use case gjennomført av vår søsterorganisasjon, Det nasjonale kompetansesenteret for HPC i Estland. Du kan lese mer om denne use case på side 40-42 i denne samlingen av europeiske use case:
Her hjemme har vi hjulpet agri-tech start-up DigiFarm med deres KI-modell, som også er basert på bilder fra Sentinel-2. De har trent et dypt nevralt nettverk til å identifisere feltgrenser mellom jorder og forskjellige elementer på åkrene, som f.eks. kort, vann og trær.
Ved hjelp av tilgang til superdatamaskinen LUMI oppnådde de ekstraordinære resultater, og veien fra testing til lanseringsklart produkt ble forkortet med ca. 6 måneder.
Les mer om DigiFarm her:
Dette prosjektet mottar finansiering fra Forskningsrådet i Norge og European High-Performance Computing Joint Undertaking (JU) under tilskuddsavtale nr. 101101903. JU mottar støtte fra Digital Europe Programme og Tyskland, Bulgaria, Østerrike, Kroatia, Kypros, Tsjekkia, Danmark, Estland, Finland, Hellas, Ungarn, Irland, Italia, Litauen, Latvia, Polen, Portugal, Romania, Slovenia, Spania, Sverige, Frankrike, Nederland, Belgia, Luxembourg, Slovakia, Norge, Tyrkia, Republikken Nord-Makedonia, Island, Montenegro, Serbia.