@Sat
Wir vereinfachen das Erstellen von Trainingsdatensätzen.
Welche gesellschaftliche Herausforderung adressiert euer Prototyp?
Satellitendaten werden immer zugänglicher und KI-Modelle immer fortschrittlicher. Es fehlt jedoch an einer einfachen Lösung für Geoinformatiker*innen, Trainingsdatensätze für diese KI-Modelle aus den Satellitendaten zu generieren. Diese Hürde wollen wir abbauen und dabei eine effiziente und dennoch flexible Lösung anbieten.
Wie geht ihr das Problem an?
Wir wollen Python nutzen, um eine einfache Anbindung an die bestehenden Libraries sentinelhub (zum Abfragen von Satellitendaten) und tensorflow (zum Erstellen einer KI) zu ermöglichen. Aus den abgefragten Satellitendaten werden einheitlich aufgelöste Bilder resampled und in einem nächsten Schritt von Datenlücken und Wolkenabdeckung befreit.
An wen richtet sich euer Tool?
Die Zielgruppe für das @Sat-Projekt sind Student*innen, Forscher*innen und Einzelpersonen aus den Bereichen Geoinformatik und Raumfahrttechnik, die KI-basierte Satellitendatenanalyse erweitern und verbessern wollen. Auch Personen, die nur begrenzte Programmierkenntnise besitzen, sollen durch die Verwendung von JupyterLab dazu befähigt werden, schnell und effizient Trainingsdatensets für ihre KI-Modelle zu erstellen.