Institute for Advanced Simulation (IAS)

Jülich Supercomputing Centre (JSC)

TerraMind: Bahnbrechendes multimodales Modell für die globale Erdbeobachtung

Das FAST-EO-Projekt hat das TerraMind-KI-Grundmodell veröffentlicht, das erste generative, multimodale Any-to-Any-Grundmodell für die Erdbeobachtung, das Satellitenbilder, Höhendaten, Landnutzungskarten und Beschreibungen in natürlicher Sprache integriert. TerraMind wurde sowohl auf Token- als auch auf Pixelebene in neun Modalitäten mit über 500 Milliarden Token auf dem JUWELS Booster HPC-System am JSC vortrainiert.

TerraMind: A Breakthrough Multimodal Model for Global-Scale Earth Observation — Abbildung 1: TerraMind verarbeitet gleichzeitig Darstellungen auf Pixel- und Token-Ebene.

TerraMind erzielte beim PANGAEA-Benchmark Spitzenleistungen und übertraf alle bisher veröffentlichten Geodaten-Basismodelle bei verschiedenen Erdbeobachtungsaufgaben. Die Modellgewichte stehen auf Hugging Face zur Feinabstimmung zur Verfügung und der Fachartikel wurde auf arXiv veröffentlicht.

Das SDL (Simulation and Data Lab) AI and ML for Remote Sensing des JSC verfolgt das Ziel, den Einsatz interdisziplinärer Forschung zu fördern, die Fernerkundungsanwendungen, groß angelegte KI sowie leistungsstarke und innovative Datenverarbeitung kombiniert. Die Arbeit an TerraMind ist ein wichtiger Schritt auf dem Weg zu diesem Ziel.

Dr. Rocco Sedona: „Mit Blick auf die Zukunft wollen wir die JUPITER AI Factory – ein Eckpfeiler der europäischen KI-Infrastruktur – nutzen, um der Erdbeobachtungsgemeinschaft leistungsstarke, transformative Tools zur Verfügung zu stellen, die deren nachgelagerte Anwendungen vorantreiben.“ Prof. Gabriele Cavallaro: „Es ist bemerkenswert, wie schnell sich die KI-Forschung und die damit verbundenen Errungenschaften in zahlreichen Bereichen entwickeln. Geodatenbasierte Grundmodelle etablieren sich als Rückgrat der Geowissenschaften und Fernerkundung und treiben den Fortschritt bei der Bewältigung der vielen Herausforderungen voran, denen wir gegenüberstehen, insbesondere im Zusammenhang mit dem Klimawandel.“

Den vollständigen Fachartikel finden Sie hier: https://arxiv.org/pdf/2504.11171

Weitere Informationen zu den Forschungs- und Arbeitsaktivitäten des SDL AI and ML for Remote Sensing finden Sie unter https://www.fz-juelich.de/en/ias/jsc/about-us/structure/simulation-and-data-labs/sdl-ai-ml-remote-sensing.