Camaliot

Das CAMALIOT-Projekt (Anwendung der Technologie des maschinellen Lernens für GNSS IoT-Datenfusion)

Das Projekt CAMALIOT integriert Daten aus dem Internet der Dinge (IoT), einschließlich Smartphones, und traditionelle Datenquellen des Globalen Navigationssatellitensystems (GNSS), um Technologien für Big Data, Datenfusion und maschinelles Lernen (ML) zu nutzen und zu demonstrieren, wie diese Daten in verschiedenen wissenschaftlichen Anwendungen genutzt werden können. 

Die CAMALIOT-Android-App nutzt die Vorteile von Zweifrequenz-Chipsätzen, die jetzt in einigen Android-Mobiltelefonen verfügbar sind, und zeichnet Daten von allen verfügbaren Satelliten auf. Der Zweck der mobilen App ist es, so viele GNSS-Rohdaten wie möglich von möglichst vielen Standorten auf der ganzen Welt durch Crowdsourcing zu sammeln. Diese Daten werden in Algorithmen des maschinellen Lernens zur Bestimmung troposphärischer Parameter eingespeist, die Wettervorhersagen auf der Erde und die Überwachung des Weltraumwetters unterstützen, was wiederum für den Satellitenbetrieb und die Kommunikation wichtig ist. Weitere Informationen über die wissenschaftlichen Ergebnisse sind auf der Website www.camaliot.org zu finden. Ein Paper, das die App und die Datenerfassungskampagnen genauer beschreibt, wurde im International Journal of Digital Earth veröffentlicht und ist hier zu finden.

Obwohl die Finanzierung des CAMALIOT-Projekts nun abgeschlossen ist, sammeln wir weiterhin Daten über die CAMALIOT-App zur Erfassung von GNSS-Rohdaten, um die laufende wissenschaftliche Forschung zu unterstützen.

Das Projekt hat drei Hauptpartner: (i) die Europäische Weltraumorganisation (European Space Agency, ESA), die das Projekt finanziert und wissenschaftliche Unterstützung geleistet hat; (ii) die ETH Zürich, die das Projekt geleitet und die maschinellen Lernmodelle für die Wettervorhersage entwickelt hat; und (iii) das Internationale Institut für angewandte Systemanalyse (International Institute for Applied Systems Analysis, IIASA), das die CAMALIOT Crowdsourcing-App entwickelt und die Datenerfassung geleitet hat, wie auf der Projektwebsite beschrieben.