Wenden Sie verantwortungsbewusste KI-Prinzipien an, wenn Sie Datasets zur Fernerkundung wie Dynamic World erstellen

1. Hinweis

Dynamic World ist ein globales Dataset zur Landnutzung und Bodenbedeckung (Land Use/Land Cover, LULC), das nahezu in Echtzeit aktualisiert wird. Die Karte bietet eine Auflösung von 10 Metern, da sie die Sentinel-2-Konstellation der Europäischen Weltraumorganisation (ESA) und das Copernicus-Programm verwendet, das alle 2 bis 5 Tage ein aktualisiertes globales Bild der Erdoberfläche erstellt. Sie wird mit einem Deep-Learning-Modell, Vertex AI, und Earth Engine, einer Plattform für die raumbezogene Analyse, erstellt. Wissenschaftler, Forscher und Entwickler können damit Veränderungen erkennen, Trends identifizieren und Differenzen zwischen Messgrößen auf der Erdoberfläche quantitativ erfassen.

Die Earth Engine ist ein Tool, das darauf abzielt, das wissenschaftliche Wissen über planetare Prozesse zu erweitern, um Umwelt und Gesellschaft zu fördern. Die kommerzielle Nutzung in der Vorschau mit Google Cloud zielt darauf ab, kritische Nachhaltigkeits- und Klimaprobleme wie Entwaldung, Wassermanagement und nachhaltige Landnutzung zu verstehen und anzugehen.

Hinweis:Die klare Sprache zu Dynamic World und Earth Engine ist ein gängiger Ansatz für verantwortungsbewusste KI, um sich vor einer potenziellen Nutzung aus anderen Gründen als dem beabsichtigten Zweck des gesellschaftlichen Nutzens zu schützen.

In diesem Codelab wenden Sie verantwortungsbewusste Praktiken bei der Generierung von Datasets an, die auf maschinellem Lernen basieren, z. B. Dynamic World.

Lerninhalte

• Best Practices für eine verantwortungsbewusste Anwendung von KI in Fernerkundungs-Apps
• So interpretieren Sie Dynamic World-Vorhersagen visuell in Raum und Zeit.
• Ethische und nachgelagerte gesellschaftliche Auswirkungen berücksichtigen

Voraussetzungen

• Sie wissen, wie Sie in Earth Engine-Apps navigieren.
• Google Chrome, das am besten mit den Earth Engine-Apps funktioniert.

2. Dynamic World Earth Engine-App öffnen

Das Dynamic World-Dataset enthält Vorhersagen für neun LULC-Klassen pro Pixel, wie in dieser Tabelle beschrieben. Die Landnutzung beschreibt, wie Menschen das Land nutzen, während die Landbedeckung das physische Material auf der Erdoberfläche beschreibt.

LULC-Typ	Beschreibung
Wasser	Permanente und saisonale Gewässer
Bäume	Primär- und Sekundärwälder sowie großflächige Plantagen
Gräser	Natürliche Grasflächen, Weiden und Parks
Überflutete Vegetation	Mangroven und andere überflutete Ökosysteme
Erntepflanzen	Reihenkulturen und Reisfelder
Sträucher und Gebüsch	Offene Vegetation mit geringer Dichte, die aus Sträuchern besteht
Bebaute Fläche	Gebäude mit niedriger und hoher Dichte, Straßen und städtische Freiflächen
Unbewachsener Boden	Wüsten und freiliegendes Gestein
Schnee und Eis	Dauerhafte und saisonale Schneedecke

Bilder in diesem Dataset enthalten 10 Bänder: neun Bänder mit geschätzten Wahrscheinlichkeiten für jede der neun LULC-Klassen und ein Klassenlabelband, das die Klasse mit der größten geschätzten Wahrscheinlichkeit angibt. Diese unterschiedlichen Eigenschaften ermöglichen es Nutzern, Analysen über mehrere Zeiträume hinweg durchzuführen und benutzerdefinierte Produkte zu erstellen, die auf ihre Bedürfnisse zugeschnitten sind.

Hinweis:Diese Verwendung von Vorhersagen in Dynamic World wurde einer ethischen Überprüfung unterzogen, bei der die Sicherheit, wissenschaftliche Strenge, Fairness, potenzieller Missbrauch, sozialer Nutzen und in diesem Fall die Einhaltung der KI-Grundsätze von Google bewertet wurden. Falls zutreffend, können Sie in Ihrem ML-Projekt Prüfpunkte einrichten, um zu bewerten, inwieweit die von Ihnen getroffenen technischen Entscheidungen mit dem Leitbild, den Werten oder der ethischen Charta Ihrer Organisation übereinstimmen.

So öffnen Sie die Dynamic World Earth Engine-App:

1. Öffnen Sie einen weiteren Tab in Ihrem Browser.
2. Rufen Sie Dynamic World auf.

Die Karte zeigt das Mosaik im Top1-Modus mit Schummerung bei hohen Zoomstufen.

3. Klicken Sie auf die Karte, um ein Diagramm mit den Klassenwahrscheinlichkeiten im Zeitverlauf aufzurufen.
4. Klicken Sie auf einen Datenpunkt im Diagramm, um eine bestimmte Vorhersage und das zugehörige Sentinel-2-Bild zu laden.
5. Passen Sie im Bereich Ebenen die Ebenen und die Sichtbarkeit an.

3. Dynamic World-Vorhersagen in Brasilien ansehen

Dynamic World umfasst Vorhersagen für alle neun LULC-Klassen und zeigt für jeden Pixel ein einzelnes Top1-Label an. Die reale Welt ist eine Mischung aus vielen LULC-Klassen bei jeder räumlichen Auflösung. In diesem Abschnitt interpretieren Sie Vorhersagen visuell über Raum und Zeit hinweg.

So rufen Sie Dynamic World-Vorhersagen in Brasilien auf:

1. Rufen Sie in Ihrem Browser die Dynamic World EE-App auf.
2. Geben Sie im Feld Orte suchen Sete de Setembro, Brazil ein.

Sie sollten die berechneten Daten von Dynamic World für das indigene Territorium des Volks der Paiter Suruí sehen, das in der Region Sete de Setembro in Rondônia, Brasilien, lebt.

3. Geben Sie im Bereich Dynamische Welt im Feld Startdatum 2016-01-01 und im Feld Enddatum 2022-01-01 ein und klicken Sie dann auf Aktualisieren.

Das Laden der Karte kann einige Minuten dauern, da sie in Echtzeit berechnet wird.

4. Klicken Sie auf eine beliebige Stelle auf der Karte, um ein Diagramm in Echtzeit zu erstellen.

Sie können weiter heranzoomen, um eine schnellere Antwort zu erhalten.

5. Sehen Sie sich das Diagramm an, in dem die Klassenwahrscheinlichkeiten auf der y-Achse und die Zeit auf der x-Achse dargestellt sind.

In diesem Beispiel ist die Vorhersage für die Klasse Top1 vom 1.Januar 2016 bis zum 27.Juli 2017 „Bäume“, was einer Wahrscheinlichkeit von 0,684 bis 0,755 entspricht. Als am 5. September 2017 die nächste Sentinel-2-Szene aufgenommen wurde, war die Vorhersage nicht mehr „Bäume“ und das Signal wurde viel verrauschter.

6. Klicken Sie auf , um das Diagramm zu vergrößern.

Hinweis:Wenn Sie ein verantwortungsbewusstes ML-Dataset generieren möchten, sollten Sie Szenarien planen, wie das Dataset für unbeabsichtigte und sogar schädliche Zwecke angepasst werden könnte. Stellen Sie Fragen wie: „Sind bestimmte Personen, Märkte, Regionen, Nutzersegmente oder Bevölkerungsgruppen im Vergleich zu anderen einem höheren Risiko negativer Folgen durch die Verwendung dieses Datensatzes ausgesetzt?“

4. Glückwunsch

Sie haben gelernt, wie Sie Grundsätze für verantwortungsbewusste KI bei der Erstellung von ML-basierten Datasets wie Dynamic World anwenden.

Weitere Informationen

• Methoden für eine verantwortungsbewusste Anwendung von KI
• Einführung in Dynamic World (Teil 1): Visualisierung und Erstellen von Composites