AI van KAIST vult de grond onder wolken in op satellietbeelden
Onderzoekers van het Zuid-Koreaanse KAIST bouwden een AI-model dat leert hoe de aarde er van bovenaf uitziet, ook met plaats en schaal erbij. Zo kan het wolken van satellietfoto's halen en radarbeelden omzetten in gewone foto's. Dat helpt straks bij rampen en natuurbeheer.
Satellieten maken elke dag miljoenen foto's van de aarde. Daarmee volgen we bossen, akkers, steden en de gevolgen van overstromingen. Maar een gewone camera in de ruimte heeft hetzelfde probleem als jij op een grijze dag: door dikke wolken zie je niets, en 's nachts ook niet. Op elk moment hangt er boven een groot deel van de aarde bewolking.
Er is wel een oplossing: radar. Een radarsatelliet stuurt zelf signalen naar de grond en vangt de weerkaatsing op. Dat werkt door wolken heen en in het donker. Alleen lijken radarbeelden niet op een gewone foto. Ze bestaan uit vlekken en contrasten die zelfs voor kenners lastig te lezen zijn.
Een AI-model dat de aarde kent
Een team van het Korea Advanced Institute of Science and Technology (KAIST) onder leiding van hoogleraar Munchurl Kim heeft een AI-model gebouwd dat beide problemen aanpakt. Het heet GeoCore-9B. Het model maakt beelden, net zoals bekende AI-tekenprogramma's dat doen, maar het heeft alleen satellietbeelden gezien. Het is getraind op ongeveer tien miljoen satellietfoto's van over de hele wereld, elk met een korte beschrijving, zoals "een haven met schepen en loodsen".
Het bijzondere is dat het model bij elke foto ook leerde wáár die genomen is en hoe groot het stuk grond is dat erop staat. Dat is belangrijk, want van bovenaf lijkt een schuurtje soms op een fabriekshal. Wie de schaal kent, maakt die vergissing niet. Andere modellen beginnen meestal bij een AI die op gewone vakantie- en straatfoto's is getraind en passen die daarna aan. KAIST begon vanaf nul met alleen beelden van de aarde.
Tijdens de training kreeg het model ook hulp van een tweede AI die gespecialiseerd is in satellietbeelden. Zo leerde het beter hoe wegen lopen en waar akkers ophouden. Die hulp is alleen nodig tijdens het leren, niet bij het gebruik.
Wolken weg en radar als foto
Daarna leerden de onderzoekers het model met een kleine extra training twee praktische taken. De eerste is wolken verwijderen: het model vult de bewolkte delen van een foto in met hoe de grond eronder er waarschijnlijk uitziet. De tweede is radarbeelden omzetten in beelden die op een gewone foto lijken.
Volgens de onderzoekers deed het model het bij het verwijderen van wolken beter dan bestaande modellen die speciaal voor die ene taak zijn gemaakt, gemeten aan helderheid, kleur en hoe goed de vormen kloppen. Bij het omzetten van radarbeelden scoorde het op een deel van de metingen het best.
De volgende stappen
Het onderzoek staat sinds augustus online als voorpublicatie. Dat betekent dat andere wetenschappers het nog niet formeel hebben beoordeeld. De onderzoekers willen het model nu testen met beelden van meer soorten satellieten en uit meer gebieden. Daarna willen ze het leren voorspellen hoe de grond verandert, bijvoorbeeld door overstromingen, bosbranden of groeiende steden.
Belangrijk om te weten: een ingevulde plek onder een wolk is een goed onderbouwde schatting van het model, geen echte foto. Voor een snel overzicht na een ramp kan dat veel helpen; voor exacte metingen blijven echte waarnemingen nodig.
Wat betekent dit voor de weg naar de singulariteit?
Dit onderzoek laat zien hoe AI-modellen steeds vaker een eigen vakgebied leren kennen, in dit geval het aardoppervlak, in plaats van alleen gewone foto's. Eén model dat de aarde begrijpt, kan meteen voor veel taken worden ingezet. Dat scheelt het bouwen van een apart systeem per taak.
Het mooiste vooruitzicht zit in de combinatie. Een AI die satellietbeelden kan lezen, kan samenwerken met taalmodellen die weten hoe overstromingen ontstaan, hoe landbouw werkt en hoe hulpverlening wordt georganiseerd. Zo'n systeem kan straks bij elk weer zien wat er op aarde gebeurt en direct helpen beslissen waar hulp het hardst nodig is. Daarmee komt een aarde die we voortdurend en helder in beeld hebben een stuk dichterbij.
