Wie KI von IBM der ESA hilft, uns besser vor Extremwetter zu schützen
IBM arbeitet mit der ESA daran, Satellitendaten in ein Frühwarnsystem für den Planeten zu verwandeln. IBM-Experte Juan Bernabé-Moreno erklärt, wie wichtig Open Source dabei ist.
IBM arbeiten mit der ESA und der NASA daran, Satellitendaten in ein Frühwarnsystem für den Planeten zu verwandeln. IBM-Experte Juan Bernabé-Moreno (rechts) erklärt, wie wichtig dabei eine Open-Sourc-Anbindung ist.
Foto: BM
Für die ESA scheint 2025 ein richtig gutes Jahr zu werden: Die europäische Raumfahrtagentur feierte am 30. Mai ihren 50. Geburtstag, am heutigen 27. November erhielt sie auf der ESA-Ministerratskonferenz in Bremen mit 22,1 Mrd. € einen Rekordetat (5,4 Mrd. € aus Deutschland), und bei der Nasa-Mondmission dürfen drei Europäer mitfliegen. Da geht schon mal unter, dass die ESA auch auf anderem Gebiet gut unterwegs ist – und zwar handfest nutzbringend für uns alle. Nämlich bei der Erdbeobachtung.
Als US-Präsident Donald Trump mitten im August die Nasa anwies, Abschaltpläne für das Orbiting Carbon Observatory (OCO) zu entwickeln, wurde klar, wie gut es ist, dass die ESA bereits schon lange auf eigene Satelliten für die Erdbeobachtung setzt – und diese auch fortführt. Jetzt liefert das europäische Copernicus-Programm heute schon täglich Dutzende Terabyte an Bildern und Messreihen über die Sentinel-Satelliten. Ohne automatisierte, KI-basierte Auswertung würden die aber nur viele Pixel für schöne Bilder liefern – aber wenig Erkenntnis.
Wie sich der Nutzen aus diesen Erdbeobachtungsdaten erheblich steigern lässt, stellten IBM und ESA Ende letzter Woche (21. November 2025) in den IBM Research Labs im schweizerischen Rüschlikon vor. In einem Blogbeitrag vom 25. November erklärt IBM, wie der US-Technologiekonzern und die ESA ein multimodales KI-Modell so optimiert haben, dass sich die Vorbereitung auf Naturkatastrophen und die Reaktion darauf verbessert. Zusätzlich veröffentlichen beide ein Open-Source-Paket, das die Erstellung von Geodatensätzen und die Anpassung von KI-Modellen an die aktuellsten Informationen vereinfacht. Die Erdbeobachtung wird auf eine breitere Basis gestellt.
In diesem Beitrag lesen Sie,
- wie KI heute mit Erdbeobachtungsdaten arbeitet – von Copernicus-Satelliten bis zu Klimamodellen,
- welche Rolle IBM in den Projekten von ESA und Nasa spielt,
- warum der Open-Source-Gedanke ganz wichtig ist, damit die Systeme leisten können, was sie leisten sollen,
- und wie sich die Nutzung von KI in der Erdbeobachtung in den letzten Jahrzehnten entwickelt hat.
Inhaltsverzeichnis
- Wie sich KI in der Erdbeobachtung entwickelt hat
- KI in der Erdbeobachtung: Von vielen Einzweck-Modellen zu einem Foundation Model
- Multimodalität: Wenn die KI mehr sieht als nur ein Bild
- „Thinking“ im Modell: Wie eine KI vor der Antwort noch einmal „nachdenkt“
- Foundation-Modelle, die aufs Handy passen: IBMs: Tiny-Familie machts mögich
- Offene Datensätze für seltene Extremwetter: Impact Dataset und Community
- Detaillierte Berichte zu Extremwetter bereichern das KI-Modell
- Rollenverteilung: Was IBM einbringt – und was ESA und Nasa
Wie sich KI in der Erdbeobachtung entwickelt hat
Was passiert eigentlich bei so einer Erdbeobachtung? Zuerst wird von verschiedenen Satelliten jede Menge Daten gesammelt, bei Copernicus sind es mehrere Dutzend Terabyte täglich, die T-Systems in seinen Rechenzentren verwaltet. So nimmt ein Copernicus-Satellit die Landschaft der Erdoberfläche in mehreren Spektralbändern auf – sichtbar, infrarot, kurzwellige Infrarotbereiche. Ein anderer zieht später nach und tastet die gleiche Region mit Mikrowellen ab, die auch durch Wolken dringen. Hinzu kommen Höhenmodelle, Bodenfeuchte, Klimaanalysen, Textdaten über Landnutzung – ein riesiger geospatialer Datenmix.
Früher wurden solche Daten oft getrennt ausgewertet: ein Algorithmus, der die Landbedeckung berechnete, hier, eine Flutkarte dort. „Bisher wurde KI in der Erdbeobachtung meist sehr spezifisch eingesetzt: Für jede Aufgabe, für jeden Use Case wurde ein eigenes Modell trainiert“, erklärt Juan Bernabé-Moreno, Direktor IBM Research Europe für Irland und Großbritannien sowie Gastprofessor für Quantenanwendungen und Intelligente Systeme an der Ludwigs-Maximilian-Universität München (LMU).
Laut Bernabé-Moreno funktionierten die KI-basierten Use Cases so, dass man ein paar Bilder genommen hat, dann ein Modell trainierte und darauf zum Beispiel eine Maske erstellen konnte, die den Bereich markiert, wo es Überflutungen gibt: „Das war wirksam, aber kleinteilig und schwer skalierbar. Was wir gemacht haben, ist: Wir haben ein Foundation Model gebaut. Als Model bedeutet das: Erstmal kümmern wir uns nicht um Use Cases, sondern wir fokussieren uns darauf, eine KI-Darstellung der Daten zu erstellen.“
KI in der Erdbeobachtung: Von vielen Einzweck-Modellen zu einem Foundation Model
In diesem Jahr haben ESA und IBM die nächste Stufe eingezogen: ein sogenanntes Foundation Model für Erd- und Klimadaten namens Terramind. Mit der Nasa hatte IBM schon 2024 Prithvi-weather-climate entwickelt. Diese KI-Modelle sollen nicht nur Pixel zählen, sondern „verstehen“, was auf der Erde passiert – von Dürren über Waldbrände bis zu urbanen Hitzeinseln. Terramind & Co. gehen wesentliche Schritte weiter:
- Sie führen verschiedene Datenarten (Modalitäten) in einem Modell zusammen – optische Bilder, Radar, Topografie, Vegetationsparameter, Koordinaten, Textbeschreibungen.
- Sie lernen die Zusammenhänge zwischen diesen Modalitäten und können sie wechselseitig ergänzen.
- In der Praxis sieht das so aus: Aus einem optischen Satellitenbild lassen sich synthetische Radaraufnahmen und gleich dazu eine Landnutzungskarte erzeugen – ein Beispiel für die „Any-to-any“-Fähigkeit des Modells.
KI-Modelle wie Terramind markieren in der Erdbeobachtung einen Übergang: weg von vielen spezialisierten Insellösungen, hin zu wenigen sehr großen Grundmodellen, die danach für konkrete Aufgaben angepasst werden. Technisch bedeutet das: Es wird ein sehr großer Encoder trainiert, der Strukturen, Muster und Zusammenhänge in Satellitenbildern weltweit lernt – ohne zunächst auf einen bestimmten Anwendungsfall festgelegt zu sein. „Dieses Vortraining bildet so etwas wie das ‚Grundverständnis‘ der KI für die Erde“, sagt Bernabé-Moreno.
Wichtig ist dabei auch, wie Trainingsdaten zusammengestellt werden. Klassische Datensätze neigen dazu, bestimmte Regionen oder Klimazonen zu überrepräsentieren – etwa gemäßigte Breiten mit guter Datenabdeckung. Andere Regionen, etwa in Afrika oder polaren Zonen, bleiben unterrepräsentiert. Das führt zu Verzerrungen in den Modellen. „Wir haben die Daten gut sortiert und wir haben Größenklassen zu Klimazonen genommen, damit das Modell über alle Klimazonen hinweg lernt.“
Multimodalität: Wenn die KI mehr sieht als nur ein Bild
Mit dem ersten Foundation Model war die Grundlage gelegt. In den vergangenen zwei bis drei Jahren hat das Team aus IBM-Experten mit Forschungsteams der ESA und der Nasa diese Ansätze weiterentwickelt und dabei einen entscheidenden Schritt gemacht: weg von reinen Bildmodellen, hin zu multimodalen Modellen. Die KI verarbeitet also:
- optische Satellitenbilder unterschiedlicher Plattformen,
- Höhenmodelle (Elevation Data),
- und Textinformationen, etwa Lagebeschreibungen oder Metadaten.
Entscheidend ist dabei nicht nur, dass mehrere Datenquellen zusammenkommen, sondern dass das Modell die Beziehungen zwischen diesen Modalitäten tatsächlich lernt: „Wir haben eine sehr moderne Architektur, in der wir auch die Korrelation zwischen den Modalitäten gelernt haben“, erklärt Bernabé-Moreno.
Nur so wird ein Effekt möglich, den inzwischen die meisten Menschen durch die Chatbots der großen KI-Sprachmodelle kennen: Generierung. Heißt: Die KI kann aus einer Modalität andere ableiten. „Mit einer Modalität, also mit einem Bild, kann ich die anderen neuen Modalitäten generieren. Im Bereich der Erdbeobachtung war das sehr neu. Terramind ist das erste Modell, das diese Korrelationen abbildet und generieren kann“, betont Bernabé-Moreno im Gespräch mit VDI nachrichten und ingenieur.de.
Ganz praktisch heißt das: Sollten zu einem Gebiet nur bestimmte Daten vorliegen (etwa ein optisches Bild), dann kann das Modell fehlende Modalitäten approximieren (z. B. ein Höhenmodell oder eine textuelle Beschreibung). Das erhöht die Robustheit in Regionen mit lückenhafter Datenlage – etwa in dünn besiedelten Gebieten oder in politisch schwer zugänglichen Regionen.
„Thinking“ im Modell: Wie eine KI vor der Antwort noch einmal „nachdenkt“
IBM nutzt diese Generierungsfähigkeit nicht nur zum Füllen von Lücken, sondern dann, wenn das Modell auf eine konkrete Frage antworten soll. Die KI wird so designt, dass sie vor einer Entscheidung zusätzliche Modalitäten erzeugt und einbezieht. „Wir simulieren ein bisschen, wie ein Mensch denkt. Ein Mensch denkt in unterschiedlichen Dimensionen, nicht nur in einer Dimension. Wir wollen, dass das Modell alle möglichen Modalitäten immer nutzt. Damit steigt die Genauigkeit und steigt die Performance des Modells“, so Bernabé-Moreno.
Dafür hat das Team sogar einen eigenen Begriff geprägt: „Thinking“. Das Modell generiert sich die anderen Modalitäten, bevor es eine Antwort gibt. „Da ist ein bisschen ‚Thinking‘ mit dabei. Und damit ist diese Antwort um einiges akkurater.“ Für Ingenieurinnen und Ingenieure bedeutet das: Statt einer klassisch deterministischen Berechnungspipeline – Eingangsdaten rein, ein Modell, Ergebnis raus – entsteht ein mehrstufiger KI-Prozess. Der verschafft sich vor der eigentlichen Auswertung zusätzliche Perspektiven. Geht es bei der Erdbeobachtung nachher um so wichtige Dinge wie Katastrophenvorhersage, Infrastrukturplanung oder Ressourcennutzung (beispielsweise für Rohstoffketten und Industrieprojekte wie Batterieproduktion) erhöht das die Vertrauenswürdigkeit für die Ergebnisse.
Foundation-Modelle, die aufs Handy passen: IBMs: Tiny-Familie machts mögich
Foundation-Modelle sind rechenintensiv. Das gilt für das Training, aber auch für den späteren Einsatz. Daher wären wohl viele Organisationen wie Verwaltungen, mittelständische Unternehmen, Forschungsgruppen dadurch praktisch ausgeschlossen von der Nutzung dieser KI-Tools. Ein wichtiger Grund, warum IBM intensiv daran arbeitet, quasi Kleinausgaben zu schaffen: „Tiny“-Familie nennt der US-Konzern das:
„Wir haben sehr stark in die Komprimierung des Modells investiert, die sogenannte ‚Tiny-Familie‘. Man kann diese Tiny-Modelle auch auf Büro-Hardware packen. Man kann das auf ein iPhone bringen“, so Bernabé-Moreno. Ein prägnantes Beispiel ist das Projekt zur Elefantenerkennung in Afrika, das bei den Rangern direkt auf einem Smartphone läuft.
Eine noch größere Tragweite dieser Kleinausgaben sieht Bernabé-Moreno für die Entwickler: „Sie sind letztendlich diejenigen, die primär diese Modelle nutzen. Und sie sind dann nicht mehr durch Hardware limitiert. Mit konventionellen Laptops und im Browser können sie diese Modelle weiterentwickeln.“ Statt dass KI-gestützte Erdbeobachtung nur in großen Rechenzentren großer Konzerne stattfindet, wird sie also auf normaler Hardware nutz- und anpassbar. Das öffnet den Raum für spezialisierte Anwendungen – etwa zur Analyse von Lieferkettenrisiken, Standortfaktoren oder Umweltauflagen für große Industrieprojekte, einschließlich Batteriefabriken und ihrer Rohstoffketten. Alles denkbar.
Offene Datensätze für seltene Extremwetter: Impact Dataset und Community
Eine weitere Grenze klassischer KI im Bereich der Erdbeobachtung ist die Verfügbarkeit guter Trainingsdaten für Extremereignisse. Klimawandel sorgt dafür, dass Ereignisse wie Starkregen, Überflutungen oder Waldbrände häufiger und oft an ungewohnten Orten auftreten. „Leider haben wir im Moment immer häufiger Extremwetter-Events, die Wetterkatastrophen wie Überflutungen oder Brände verursachen. Fünf Jahren hatten wir so etwas nicht – und jetzt ist es fast jede zweite Woche im Sommer“, so Bernabé-Moreno.
Nur: Nimmt man die bisherigen Datensätze aus der Erdbeobachtung, dann kommen Extremwetterereignisse, die öfter und oft an ungewohnten Orten auftreten kaum oder gar nicht darin vor. Es sind einfach im Vergleich zur gesamten Datenmenge zu wenig Daten vorhanden. Trainiert man mit diesen Datensätze die Modelle ist klar, warum diese bisher kaum weder Überflutungen in bislang trockenen Regionen kennen noch Waldbrände in hochpolaren oder nordischen Gebieten in der heutigen Häufung.
Detaillierte Berichte zu Extremwetter bereichern das KI-Modell
Um diese Lücke zu schließen, baut IBM gemeinsam mit Partnern auf Daten des Emergency-Management-Teams von Copernicus auf. Dort werden Katastrophenereignisse detailliert dokumentiert – mit Satellitenbildern, Analysen, Beschreibungen der betroffenen Gebiete und zeitlichen Verläufen. Das Copernicus-Team macht eine ausführliche Analyse, notiert, was getroffen wurde, es schreibt darüber, macht unterschiedliche Auflösungen über die Zeit. Man hat also sehr lange Reports pro Katastrophe. Und diese lassen sich mit Terramind nutzen, auch wenn es kein Beobachtungsdatensatz ist. Aus diesem Rohmaterial wurde dann ein strukturierter Datensatz geschaffen: „Wir haben alles genommen, wir haben es super sortiert und wir haben es der Öffentlichkeit gegeben. ImpactMesh heißt dieser Open-Source-Ansatz“, ist Juan Bernabé-Moreno hörbar stolz.
Wie IBM mit KI-Modellen die Anpassung an den Klimawandeln in Kenia unterstützt, erklärt Juan Bernabé-Moreno hier:
Entscheidend ist, dass nicht nur der Datensatz selbst, sondern auch die Werkzeuge zur fortlaufenden Aktualisierung bereitgestellt werden: „Wir haben auch die Tools Open Source zur Verfügung gestellt, um so einen Datensatz immer frisch zu halten, also mit den neuesten Events.“ So soll eine Art lebende Datenbasis für Extremwetterereignisse werden, die von der Community weiter gepflegt wird: „Im Moment gab es immer eine Lücke zwischen dem, was man machen möchte, und den Tools. Jetzt stellen wir die Werkzeuge öffentlich zur Verfügung. Damit erhoffen wir uns, dass die neuen Modelle viel mehr und viel besser diese Extremwetterereignisse darstellen können – einfach, weil mehr Daten durch diese öffentliche Verfügbarkeit reinkommen.“ Das wäre für alle wichtig, die mit kritischen Infrastrukturen arbeiten, Energieversorgung, Logistik oder industriellen Großprojekten. Es geht um Standort- und Risikomodelle, die heute Extremereignisse explizit berücksichtigen müssen – für Fabriken, Transportkorridore oder die Lagerung und Produktion von Lithium-Ionen-Batterien.
Rollenverteilung: Was IBM einbringt – und was ESA und Nasa
Im Zentrum der Zusammenarbeit zwischen IBM und der ESA steht eine klare Aufgabenteilung zwischen technischer KI-Expertise seitens IBM und wissenschaftlicher Expertise seitens der ESA. Das Ziel ist ausdrücklich, keine beliebigen „Black-Box-KI-Modelle“ zu bauen, sondern wissenschaftlich tragfähige Modelle für die Erde: „Was wir machen, ist sehr speziell. Wir wollen unsere Erde verstehen – das Wetter und was auf der Oberfläche passiert. Dafür braucht man beim Entwickeln dieser KI-Tools viel mehr Wissenschaft in den Teams“, so Bernabé-Moreno. „KI trifft in diesen Projekten wissenschaftliche fundierte Forschung. Wir wollen daher, dass Wissenschaft die ganzen Modelle von vorneherein mitprägt. Welche Daten braucht es? Was bedeuten diese Daten? Wie kann man mit den Daten am besten arbeiten? Welche Tools braucht ein Wissenschaftler, um später mit ihnen zu arbeiten?“
Ein Beitrag von:
