Es ist eine der grossen technischen Herausforderungen unserer Zeit, den "Datenschatz" zu heben, welcher in der Flut von Erdbeobachtungsdaten verborgen ist. Datenwürfel organisieren alle Pixel einer Datenquelle systematisch in Raum und Zeit, und bilden damit einen Eckpfeiler für analyse-bereite Daten. Aber welche Analysen? Sicherlich nicht mehr nur ein einzelner Sensor oder Satellit, vielmehr wird Datenfusion mehr und mehr zum Alltag - und somit rückt Datenföderation aus diversen, verteilten Quellen in den Blickpunkt. Wie passt hier KI ins Schema, mit seinen mächtigen Möglichkeiten der Analyse?

In dieser Präsentation geben wir einen kondensierten Überblick zum Stand der Standardisierung und der Technik und zeigen aktuelle Forschungsfragen auf. Mit diesem Überblick wird das Feld bereitet für die folgenden Spezialvorträge.

Currently, earth observation data are generally retrieved, analyzed, and stored by different governmental agencies or commercial businesses in Taiwan. The phenomena of "data silos" are the major obstacle for data exploration and reuse which causes significant duplicated procurements on satellite image, aerial photo and UAV missions.

In our talk we present the Taiwanese datacube vision, current development, and the benefits arising.

In diesem Vortrag stellen wir das jüngst gestartete Projekt DynAWI vor. In DynAWI verbinden wir Methoden der künstlichen Intelligenz und des Maschinellen Lernens mit Systemen zur Bereitstellung und Prozessierung von Geodaten, um aktuelle, räumlich und zeitlich hoch aufgelöster thematischer Karten von Agrarwetterindices für die Landwirtschaft zu erstellen. Die Agrarwetterindices werden mit kontinuierlichen Meßdaten aus dem Gelände validiert, um die Unsicherheiten der Indices zu bestimmen und darzustellen. Am Beispiel von Dürre/Trockenheit, Spätfrost und Bodenerosion durch Wasser werden an zahlreichen Standorten Agrarwetterindikatoren (AWI) identifiziert und Modelle für regionsspezifische raumzeitliche Prognosen von Extremwettersituationen entwickelt.

Aufgrund der großen Datenmenge einbezogener Erdbeobachtungsdaten (insbesondere Sentinel-2, Witterungsdaten) und der Komplexität der Analysen nutzen wir die Datacube-Technologie, um diese "Big Data" in der Umsetzung von Prozessketten managen zu können. Wir streben an, die resultierenden Datenwürfel-Dienste in die GAIA-X-Umgebung zu integrieren. Die technischen Anforderungen hierfür werden innerhalb des deutschen GAIA-X Hubs (Agriculture, Geoinformation) abgestimmt.

DynAWI ist ein Verbundvorhaben von Julius Kühn-Institut, Universität Augsburg, rasdaman GmbH, Soilution GbR und AtmoScience GmbH und wird durch Mittel des Bundesministeriums für Ernährung und Landwirtschaft gefördert.

The talk will describe a software ecosystem used for the analysis of environmental data as a result of the DPS4ESLAB EFRE project, where data cubes play a central role to organize and render accessible relevant gridded data in the alps, including satellite and ground station data as well as modelled datasets from the climate domain. Examples from the analysis demonstrate how the different data streams can be combined into meaningful research outputs applied in mountain environments such as the European Alps.

In this talk we will look into the combination of AI and datacubes with a specific perspective on the kind of new services and its uses bring along. H2020 CENTURION will integrate spatio-temporal Earth datacubes and automated AI as a Service platforms, based on open standards and common clients and tools. Further, it will provide software development platform as a service, integrating popular AI libraries and platforms based on Python.

CENTURION mobilizes its own thematic data sets together with the complete Copernicus SAR and Multispectral data offerings of several DIASs, contributing satellite missions, climate variables, plus a series of further thematic data and EO assets. All these become available for direct mix and match, processed either locally or location-transparent in the EarthServer federation. AI methods give consistent and easy access to combination of EO Analysis-Ready Data and AI analytics methods, making exploitation easy to experts and non-expert users alike. Additionally, CENTURION will facilitate the creation of the new tools, unleashing the combined potential of Analysis Ready Data and AI analytics as a Service platform. A wide spectrum of use cases in agriculture, forestry, maritime and hydrology domains will show practical advantages of the scalable CENTURION analytics.

Was wäre möglich, wenn wir bestehende Rasterdaten mit Echtzeit-Daten von Sensoren geschmeidig zusammenfügen könnten, um ein zeitgenaues Bild von unserer Welt zu bekommen?

Während INSPIRE schon viel beigetragen hat, um Europäische GeoDaten in einer harmonisierten Form verfügbar zu machen, war diese Datenfreude bisher hauptsächlich auf Vektordaten beschränkt; die Bereitstellung von Rasterdaten war aufgrund von technischen Inkonsistenzen schwer bis unmöglich. Im Rahmen des INSPIRE Good Practice for Coverages wurden diese Mängel behoben und der Weg geebnet für die harmonisierte Bereitstellung von diversen Rasterdaten über Europa mittels WCS.

Komplementär dazu stehen Sensor Daten, die uns Aufschluss geben ob aktuellen Ereignissen; Für die Bereitstellung solcher Daten hat OGC hat die SensorThings API (STA) definiert. Ähnlich wie bei Rasterdaten sind die darunter liegenden Datenmodelle höchst generisch, können also ein breites Spektrum an aktuelle Messungen bereitstellen. Während diese Technologie üblicherweise im IOT Bereich vorzufinden ist, konnten wir zeigen, wie gut sie sich für weitere Anwendungsfelder wie Demographie oder Covid-Fälle und -Maßnahmen eignet. SensorThings API ist jetzt über den INSPIRE Good Practice Mechanismus ein akzeptierter INSPIRE Download Service.

Wirklich spannend werden diese Technologien jedoch in der Zusammenführung. Man denke an die letzten Überflutungen - was hätte man voraussagen bzw. vorsehen können wenn all diese Daten interoperabel verfügbar gewesen wären?

Entscheidungen im Gewässermanagement zeigen häufig langfristige Auswirkungen von höher ökonomischer und ökologische Relevanz. Messdaten sind immer der Schlüssel für jegliche fundierte Bewertungen, beim behördlichen Monitoring von Binnen- und Küstengewässern, und auch zur Bewertung von wasserbaulichen Maßnahmen wie Dredging-Aktivitäten oder in der Planung oder Bewirtschaftung von Staudämmen.

Traditionelle In-situ-Meßdaten sind jedoch teuer und in vielen Gewässern von begrenzter Repräsentativität ansgesichts sehr eingeschränkter zeitlicher und räumlicher Aufnahmemöglichkeiten.

Satellitengestützte Daten zur Wasserqualität bieten signifikante Mehrwerte für behördliche und industrielle Kunden. In den vergangenen Jahren ist sowohl die Messgenauigkeit- dank vollphysikalischer Datenanalytik - , wie auch die räumlich-zeitliche Auflösungsfähigkeit - dank der Vielzahl an neuen Satelliten - signifikant gestiegen.

Damit die Vielfalt an Daten und deren Integration nicht zum Problem für Nutzer wird, hat EOMAP in den vergangenen Jahren web-basierte Zugangs-Applikationen entwickelt, die sowohl einen einfachen Datenzugang wie auch einfache Anpassung an die sehr unterschiedlichen Kundenbedürfnisse unterstützt. Im Backend des eoPortals für Gewässerkunden nutzen wir die rasdaman-Datenbank für einen effizienten nutzergesteuerten Zugriff auf unterschiedlich skalierte Rasterdaten. Im Vortrag werden wir die einfachen Zugriffsmöglichkeiten und den Zugewinn an fundierter Information mit der neuen Applikation an Anwendungsbeispielen diskutieren.

There is evidence that some agriculture and environmental directives and regulations have an extra intrinsic complexity because they convey the well-recognized and hard-to-capture "multiple functions" and dynamic behavior. Therefore, any well-supporting geospatial decision support tool requires a mix of many different qualities on both static and dynamic, time-variant data.

LANDSUPPORT is an advanced-stage EU H2020 project developing a Web-based Spatial Decision Supporting System for soil and landscape offering 100 operational, trans-disciplinary analysis tools addressing agriculture, environment, and climate change. It centers around rasdaman-enabled datacubes, an extensible computational processing ecosystem, and advanced GPU support. Decision makers get direct access to critical, accurate, complete, and up-to-date spatial data held in multiple, disparate data stores. Project activities are carried out on all geographical and governance scales, from European level to national and regional / local scale exemplarily in Italy, Hungary, and Austria. The LANDSUPPORT vision is reconciling agriculture and environment, showing that the sustainable management of "land as a resource". Ultimately, the free, open-access LANDSUPPORT GeoSpatial Decision Support System (S-DSS) aims at supporting land use policies across Europe.