Automatisierte Auswertung von Satelliten- und Sensorbildern Geografische Strukturen erkennen: Unterstützung bei humanitären Notlagen durch maschinelle Lernverfahren

Zusammenfassung

Im Rahmen dieses Projekts wurde das Potenzial maschineller Lernverfahren ermessen, wenn es darum geht, geografische Strukturen zu erkennen und die Zahl Zwangsvertriebener bei humanitären Notlagen zu schätzen. Die Koordination humanitärer Hilfe bei Naturkatastrophen oder in Konfliktsituationen gestaltet sich oft als komplex, da nur wenige Daten bei der Planung zur Verfügung stehen. Satelliten- oder Sensorbilder können wichtige Erkenntnisse über die Zustände vor Ort bieten, insbesondere in Gebieten, zu denen nur erschwerter Zugang besteht. Anhand diverser experimenteller Studien in Flüchtlingsunterkünften in Afrika und im Nahen Osten wurde bei diesem Projekt untersucht, ob der Einsatz von Algorithmen einen innovativen Ansatz bei der Datenverarbeitung darstellen kann. 

Resultate

Die Ergebnisse dieser Studie zeigen, dass maschinelle Lernverfahren eine innovative Methode sind, um bei humanitären Notlagen genaue Schätzungen von Zwangsvertriebenen zu erhalten und um geografische Strukturen zu erkennen. Jedoch können sich die Bilder verschiedener Sensoren in ihrer Beschaffenheit unterscheiden, was eine automatisierte Auswertung erschwert. Dennoch sind maschinelle Lernverfahren eine optimale Ergänzung zu Analysten, die derzeit Satelliten- und Sensorbilder noch manuell auswerten. Dieser innovative Ansatz bei der Datenverarbeitung hat gezeigt, dass Algorithmen und maschinelle Lernverfahren die Bemühungen um schnelle und zielgerichtete Hilde bei humanitären Notlagen unterstützen können. Es besteht die Möglichkeit, dass dieser Ansatz bei humanitärer Hilfsarbeit weltweit verfolgt werden kann. 

(Bild: © UN Global Pulse)