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

1. Hinweis

Dynamic World ist ein globales LULC-Dataset (Land-Nutzung Landbedeckung), das nahezu in Echtzeit aktualisiert wird. Sie hat eine Auflösung von 10 Metern, da sie die Sternbilder Sentinel-2 der European Space Agency (ESA) und das Copernicus-Programm nutzt, die alle zwei bis fünf Tage ein aktuelles globales Bild der Erdoberfläche erstellen. Sie wird mit einem Deep-Learning-Modell, Vertex AI und der Earth Engine, einer Plattform für raumbezogene Analysen, erstellt. Sie hilft Wissenschaftlern, Forschern und Entwicklern, Veränderungen zu erkennen, Trends zu erkennen und Unterschiede auf der Erdoberfläche zu quantifizieren.

Earth Engine ist ein Tool, das dazu dient, wissenschaftliche Erkenntnisse über die Abläufe auf dem Planeten zu einem ökologischen und sozialen Nutzen zu bereichern. Die kommerzielle Nutzung, in einer Vorabversion von Google Cloud, besagt, dass sein Hauptzweck darin besteht, kritische Nachhaltigkeits- und Klimaprobleme wie Entwaldung, Wassermanagement und nachhaltige Landnutzung zu verstehen und anzugehen.

Hinweis:Die Sprache von Dynamic World und Earth Engine ist ein gängiger verantwortungsbewusster KI-Ansatz, um sich vor einer möglichen Nutzung aus einem anderen als dem beabsichtigten gesellschaftlichen Nutzen zu schützen.

In diesem Codelab wenden Sie verantwortungsbewusste Praktiken beim Generieren von Datasets aus, die auf maschinellem Lernen basieren, z. B. Dynamic World an.

Lerninhalte

• Hier erfahren Sie, wie Sie verantwortungsbewusste KI-Praktiken in Anwendungen zur Fernerkundung anwenden.
• Visuelle Interpretation von „Dynamic World“-Vorhersagen über Raum und Zeit
• Ethische und nachgelagerte gesellschaftliche Auswirkungen reflektieren

Voraussetzungen

• Kenntnisse der Navigation in den Earth Engine-Apps
• Google Chrome, das am besten mit den Earth Engine-Apps funktioniert.

2. Dynamic World Earth Engine App öffnen

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

LULC-Typ	Beschreibung
Wasser	Dauerhafte und saisonale Gewässer
Bäume	Primär- und Sekundärwälder sowie Großplantagen
Gras	Natürliche Graslandschaften, Viehweiden und Parks
Überschwemmte Vegetation	Mangroven und andere überschwemmte Ökosysteme
Erntepflanzen	Reihen- und Reisfelder
Busch und Peeling	Dünne bis dichte offene Vegetation aus Sträuchern
Bebaute Fläche	Gebäude mit geringer und hoher Bevölkerungsdichte, Straßen und städtische Grünflächen
Nackter Boden	Wüsten und freiliegende Felsen
Schnee und Eis	Dauerhafte und saisonale Schneedecke

Die Bilder in diesem Dataset umfassen zehn Bereiche: neun Bereiche mit geschätzten Wahrscheinlichkeiten für jede der neun LULC-Klassen und ein Klassenlabel-Band, das die Klasse mit der größten geschätzten Wahrscheinlichkeit angibt. Diese speziellen Eigenschaften ermöglichen es Nutzern, multitemporale Analysen durchzuführen und maßgeschneiderte Produkte zu erstellen, die auf ihre Bedürfnisse zugeschnitten sind.

Hinweis:Die Verwendung von Vorhersagen in Dynamic World wurde im Rahmen einer ethischen Überprüfung auf Sicherheit, wissenschaftliche Gründlichkeit, Fairness, potenziellen Missbrauch, gesellschaftlichen Nutzen und in diesem Fall auf Einhaltung der KI-Grundsätze von Google bewertet. Falls zutreffend, können Sie in Ihrem ML-Projekt Checkpoints einrichten, um zu bewerten, inwieweit Ihre technischen Entscheidungen zur Mission, den Werten oder der ethischen Chart Ihres Unternehmens passen.

So öffnen Sie die Dynamic World Earth Engine-Anwendung:

1. Öffnen Sie im Browser einen neuen Tab
2. Gehen Sie zu Dynamic World.

Auf der Karte sind Mosaiken im Modus „Top1“ mit Hügeln bei hohen Zoomstufen zu sehen.

3. Klicken Sie auf die Karte, um ein Diagramm anzuzeigen, in dem die Wahrscheinlichkeit einer Klasse im Zeitverlauf dargestellt wird.
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. Prognosen von Dynamic World in Brasilien ansehen

Dynamic World enthält Vorhersagen für alle neun LULC-Klassen und zeigt ein einzelnes Top1-Label für jedes Pixel an. In der Praxis ist das eine Mischung aus vielen LULC-Klassen mit jeder räumlichen Auflösung. In diesem Abschnitt interpretieren Sie Vorhersagen über Raum und Zeit visuell.

So untersuchen Sie Dynamic World-Vorhersagen in Brasilien:

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

Sie sollten dann Computing-Daten für Dynamic World für das indigene Territorium der Paiter Surui sehen, die in der Region Sete de Setembro im brasilianischen Rondônia lebt.

3. Geben Sie im Bereich Dynamic World in das Feld Startdatum den Wert 2016-01-01 und in das Feld Enddatum 2022-01-01 ein und klicken Sie dann auf Aktualisieren.

Das Laden der Karte kann einige Minuten dauern, da die Verarbeitung in Echtzeit erfolgt.

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

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

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

In diesem Beispiel umfasst die Vorhersage der Top1-Klasse vom 1.Januar 2016 bis zum 27.Juli 2017 Bäume, deren Wahrscheinlichkeit zwischen 0,684 und 0,755 liegt. Wenn die nächste Sentinel-2-Szene am 5. September 2017 aufgenommen wird, besteht die Vorhersage nicht mehr aus Bäumen und das Signal wird viel lauter.

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

Hinweis:Wenn Sie ein ML-abgeleitetes Dataset verantwortungsvoll generieren möchten, sollten Sie sich überlegen, wie das Dataset für unbeabsichtigte und sogar schädliche Verwendungszwecke angepasst werden könnte. Stellen Sie Fragen wie: „Ist das Risiko für bestimmte Personen, Märkte, Regionen, Nutzersegmente oder Bevölkerungsgruppen höher als die anderer Personen, die von der Verwendung dieses Datasets negative Folgen haben?“.

4. Glückwunsch

Sie haben gelernt, wie Sie Responsible AI-Prinzipien beim Generieren von ML-abgeleiteten Datasets wie Dynamic World anwenden.

Weitere Informationen

• Verantwortungsbewusste KI-Praktiken
• Einführung in die Dynamic World (Teil 1): Visualisierung und Erstellung von Composites