Optimierung der Effizienz von Erdbeobachtungsmodellen mit OlmoEarth v1.1

Die kontinuierliche Weiterentwicklung von Künstlicher Intelligenz (KI) hat in den letzten Jahren erhebliche Fortschritte gemacht und dringt zunehmend in spezialisierte Anwendungsbereiche vor. Ein prominentes Beispiel hierfür ist der Sektor der Erdbeobachtung, in dem Modelle wie OlmoEarth von Allen Institute for AI (AI2) neue Maßstäbe setzen. Mit der Einführung von OlmoEarth v1.1 wird nun eine Familie von Modellen präsentiert, die nicht nur modernste Leistung, sondern auch eine signifikant verbesserte Effizienz verspricht.

Effizienzsteigerung in der Erdbeobachtung durch OlmoEarth v1.1

Die OlmoEarth-Modelle, erstmals im November 2025 veröffentlicht, haben sich als leistungsstarke Grundlage für vielfältige Anwendungen in der Erdbeobachtung etabliert. Sie ermöglichen es Partnerorganisationen, Satellitenbilder im großen Maßstab zu verarbeiten und daraus operative Erkenntnisse zu gewinnen – von der Überwachung von Mangrovenwäldern über die Klassifizierung von Waldverlustursachen bis hin zur Erstellung von Erntekartierungen. Die neueste Iteration, OlmoEarth v1.1, konzentriert sich auf die Optimierung der Effizienz, um diese Technologien noch zugänglicher und kostengünstiger zu gestalten.

Reduzierung der Rechenkosten und Erhalt der Leistung

Ein zentrales Ziel bei der Entwicklung von OlmoEarth v1.1 war die Senkung der Rechenkosten. Dies wurde erreicht, indem die Anzahl der benötigten GPU-Stunden für das Training der Basismodelle um das 1,7-fache und die Multiply-Accumulate Operations (MACs) bei der Inferenz für Sentinel-2-Aufgaben um das 2,9-fache reduziert wurden. Trotz dieser erheblichen Effizienzsteigerungen konnte die Gesamtleistung der Modelle beibehalten oder in einigen Fällen sogar verbessert werden. Dies ist besonders relevant für B2B-Anwendungen, da eine höhere Effizienz direkte Kostenvorteile und eine schnellere Bereitstellung von Ergebnissen mit sich bringt.

Architektur und Trainingsdaten

OlmoEarth-Modelle sind Encoder-Decoder-Vision-Transformer-Modelle, die mittels maskierter Bildmodellierung trainiert werden. Sie verarbeiten multimodale, multitemporale Fernerkundungsdaten. Die Modelle lernen, maskierte Teile des Inputs auf Basis der unmaskierten Bereiche zu rekonstruieren. OlmoEarth v1.1 behält die gleiche Architektur und die gleichen Trainingsdaten wie OlmoEarth v1 bei. Die Verbesserungen liegen in folgenden Bereichen:

• Einzelne Bandsets pro Modalität: Während OlmoEarth v1 Sentinel-2- und Landsat-Daten in mehrere Bandsets (z.B. nach Auflösung) aufteilte, gruppiert v1.1 alle Bänder einer Modalität in einem einzigen Bandset. Dies reduziert die Anzahl der Token erheblich, was zu einer Reduzierung der MACs führt. Um mögliche Leistungseinbußen zu kompensieren, wurden zufälliges Band-Dropout und eine nicht-lineare Projektionsschicht eingeführt.
• Aktualisierte Maskierungsfunktion: Die Maskierungsstrategie von OlmoEarth v1.1 wurde überarbeitet, um den Lernprozess zu optimieren. Insbesondere werden nun alle Kartenmodalitäten als Ziel verwendet, um die dichten Informationsinhalte voll auszuschöpfen. Zusätzlich wurde eine zeitliche Maskierung implementiert, bei der ganze Zeitschritte maskiert werden, um das Modell zu ermutigen, zeitliche Zusammenhänge zu lernen.
• Aktualisierte Verlustfunktion: Die Verlustfunktion wurde angepasst, um "leichte" und "extrem schwierige" negative Beispiele zu eliminieren, die den Trainingsprozess beeinträchtigen können. Dies hilft dem Modell, relevantere Kontraste zu lernen und die Leistung zu steigern.

Leistung und Vergleich

Die Evaluierung von OlmoEarth v1.1 erfolgte anhand derselben Tests wie bei OlmoEarth v1, was einen direkten Vergleich der algorithmischen Änderungen ermöglicht. Die Ergebnisse zeigen, dass OlmoEarth v1.1 in den meisten Fällen mit v1 konkurrenzfähig ist und in einigen Aufgabenbereichen, wie m-bigearthnet, BreizhCrops und PASTIS, sogar eine verbesserte Leistung aufweist. Zwar wurden leichte Rückgänge in bestimmten Aufgaben, wie m-eurosat und CropHarvest, festgestellt, doch die Gesamtleistung bleibt bei deutlich geringerem Rechenaufwand stabil.

Umweltauswirkungen und Zugänglichkeit

Die Effizienzverbesserungen von OlmoEarth v1.1 haben auch positive Auswirkungen auf die Umweltbilanz. Die Gesamtzahl der GPU-Stunden für das Vortraining der v1.1-Familie (Nano, Tiny und Base) konnte um 31 % im Vergleich zur v1-Familie reduziert werden. Dies macht den Einsatz der Modelle nicht nur wirtschaftlicher, sondern auch nachhaltiger. AI2 hat sich bewusst für eine Open-Source-Lizenz entschieden, die die Nutzung der Modelle für militärische, verteidigungsbezogene und extraktive Industrieanwendungen einschränkt, um einen positiven Einfluss auf die Welt zu fördern.

Zukünftige Perspektiven und die OlmoEarth Plattform

Die OlmoEarth-Modelle sind Teil einer umfassenden Plattform, die darauf abzielt, fortschrittliche Erdbeobachtungs-KI für Organisationen und Gemeinden zugänglich zu machen, die sich für den Schutz des Planeten einsetzen. Die Plattform bietet eine End-to-End-Lösung für Datenerfassung, Beschriftung, Feinabstimmung und Inferenz, die keine tiefgreifenden KI- oder Ingenieurkenntnisse erfordert. Zukünftige Entwicklungen umfassen die Integration von Klima- und Wetterdaten sowie die Unterstützung weiterer Modalitäten, um die Vorhersagefähigkeiten für Aufgaben wie Waldbrandprognosen und Ernteertragsvorhersagen zu erweitern.

Die kontinuierliche Verbesserung der Effizienz und Leistung von Modellen wie OlmoEarth v1.1 ist entscheidend, um die Nutzung von Erdbeobachtungsdaten für reale Herausforderungen zu skalieren und einen breiteren Zugang zu diesen wichtigen Erkenntnissen zu ermöglichen.

Bibliography

- [PDF] OlmoEarth v1.1: A more efficient family of OlmoEarth models. Allenai.org. - OlmoEarth v1.1: A more efficient family of models - Hugging Face. (2026, May 19). - Olmoearth v1 1. Allenai.org. - OlmoEarth: A new state-of-the-art Earth observation foundation model family | Ai2. Allenai.org. - OlmoEarth v1.1: A more efficient family of models | daily.dev. (2026, May 19). - Introducing OlmoEarth Platform: Powerful open infrastructure for planetary insights | Ai2. Allenai.org. - OlmoEarth: StableLatentImageModeling for Multimodal Earth Observation. Allenai.org. - OlmoEarth | Ai2. Allenai.org. - allenai/OlmoEarth-v1-Base · Hugging Face. Huggingface.co. - allenai/olmoearth_pretrain: Earth system foundation model ... - GitHub. (2025).