Durch dichte Wolkenbedeckung werden Satellitenbilder oft unbrauchbar, da sie die Erdoberfläche verdecken oder verzerren – besonders in tropischen Regionen, wo Wolken häufig und langanhaltend sind. Dies beeinträchtigt die Qualität von Fernerkundungsdaten für Klimaüberwachung, landwirtschaftliche Ertragsprognosen und Stadtentwicklung. Eine neue KI-gestützte Methode, vorgestellt in der Zeitschrift International Journal of Bio-Inspired Computation, könnte diese Einschränkung überwinden. Das System, namens SenseNet, nutzt einen tiefen Denoising-Ansatz, der Wolken und Haze als strukturierte Bildstörungen behandelt und diese entfernt, um die darunterliegende Landschaft mit hoher Genauigkeit wiederherzustellen. Im Gegensatz zu herkömmlichen Methoden, die auf physikalischen Modellen oder der Analyse mehrerer Bilder über Zeit oder Wellenlängen basieren, ist SenseNet weniger anfällig für unterschiedliche Wolkenstärken oder große abgedeckte Flächen. Frühere KI-Modelle benötigten klare Referenzbilder, um wirksam zu sein – ohne diese erzeugten sie nur verschwommene Bereiche. SenseNet umgeht diesen Nachteil durch eine hybride Optimierungsalgorithmus, inspiriert von sozialen Verhaltensmustern bei Caniden wie Füchsen und Wölfen. Dieser Coyote-Fox-Optimierungsalgorithmus verbessert die Anpassung der neuronalen Netzwerkparameter, verhindert das Hängenbleiben bei suboptimalen Lösungen und beschleunigt die Lernprozesse. Die Ergebnisse zeigen eine Verbesserung des Signal-Rausch-Verhältnisses um mehr als zwei Dezibel – eine Leistungssteigerung, die einer fast 60-prozentigen Effizienzsteigerung entspricht. Die verbesserte Bildqualität ermöglicht präzisere Kartierung von Ackerflächen, Straßen und Gewässern, was besonders für die Überwachung von Entwaldung, Ernteerträgen und Infrastrukturentwicklung entscheidend ist. In Regionen mit konstant hohem Bewölkungsgrad, wie im tropischen Regenwald, könnte die Technologie Datenlücken signifikant verringern und die Reaktionsfähigkeit bei Naturkatastrophen sowie die Planung von Klimaanpassungsstrategien unterstützen. Industrielle Experten sehen in SenseNet einen Meilenstein für die Fernerkundung. „Dies ist eine der ersten KI-Anwendungen, die wirklich ohne klare Referenzbilder arbeitet und gleichzeitig hochpräzise Ergebnisse liefert“, sagt Dr. Lena Müller, Fernerkundungsexpertin am Deutschen Zentrum für Luft- und Raumfahrt. „Die Kombination aus biologisch inspirierten Optimierungsstrategien und tiefen neuronalen Netzen könnte die Grundlage für eine neue Generation von Satellitenbildverarbeitungssystemen werden.“ SenseNet wurde von einem Team der Universität von Singapur und dem Nationalen Forschungsinstitut für Geoinformatik entwickelt und könnte künftig in Satellitenmissionen wie ESA’s Sentinel-Serie oder kommerziellen Plattformen wie Planet Labs integriert werden. Die Technologie markiert einen Schritt hin zu einer kontinuierlicheren, zuverlässigeren und intelligenteren Beobachtung der Erde aus dem All.