ML mit Satellitenbildern in der Geo Engine: Eine Operationalisierung von ML-Diensten (fossgis2026)

Die Geo Engine ermöglicht Geoanalysen in der Cloud, von der Definition von Workflows über OGC-Schnittstellen bis zu Python-Notebooks. Der Vortrag zeigt die Erstellung einer Machine-Learning-Anwendung mit Sentinel-2-Bildern und einem ML-Klassifikator in Geo Engine. Es wird demonstriert, wie Modelle ins ONNX-Format transformiert, registriert und in Workflows integriert werden, sowie die Operationalisierung bestehender ML-Modelle wie eine Wolkenmaskierung. Die Geo Engine (www.geoengine.io) ist eine cloud-ready Geoanalyseplattform, die einen einfachen Zugang zu raumzeitlichen Daten und deren Verarbeitung bietet. Sie ermöglicht Nutzern die Durchführung von Analysen durch die Definition von Verarbeitungs-Workflows über OGC-Schnittstellen, browserbasierte interaktive Benutzeroberflächen und ein Python-Paket z.B. für Jupyter Notebooks. Die Plattform unterstützt die Entwicklung und Bereitstellung von Machine-Learning-Anwendungen unter Verwendung von Satellitenbildern, einschließlich Datenerfassung und -vorbereitung, Modelltraining und -optimierung, Modellbereitstellung und -operationalisierung sowie Analyseanwendungen für neue Daten. Der Vortrag zeigt einen umfassenden Ansatz zur Erstellung einer Machine-Learning-Anwendung mit Sentinel-2-Satellitenbildern und einem ML-Classifier, der mit der Geo Engine bereitgestellt wird. Es wird demonstriert, wie trainierte Modelle in das ONNX-Format transformiert, als neue Geo Engine-Operatoren registriert und nahtlos in Workflows integriert werden können, um Analysen an neuen Satellitendaten durchzuführen. Zusätzlich wird gezeigt, wie Geo Engine die Operationalisierung bestehender Machine-Learning-Modelle unterstützt, beispielsweise durch den Import eines Modells zur Wolkenmaskierung mittels Convolutional Neural Networks (CNNs), um wolkenfreie Szenen zu generieren. Dies ermöglicht die Nutzung abgeleiteter Modelle in erweiterten Workflows für komplexere Verarbeitungsketten wie die zeitliche Aggregation von Zeitreihen zu monatlichen Produkten. 2021 haben wir bereits die Grundlagen des Systems auf der FOSSGIS vorgestellt (https://pretalx.com/fossgis2021/talk/UKLUGE/) und Updates in 2022 mit unserer Python-Bibliothek für Jupyter Notebooks sowie Neuerungen in unserem User Interface präsentiert (https://pretalx.com/fossgis2022/talk/JBLB7F/). In 2026 wird der Einsatz von Machine Learning aus verschiedenen Projekten gezeigt. Licensed to the public under https://creativecommons.org/licenses/by/4.0/ about this event: https://pretalx.com/fossgis2026/talk/LKYU7Q/