ESA BIC post

package.json

@@ -7,7 +7,8 @@
         "build": "astro build",
         "preview": "astro preview",
         "astro": "astro",
-        "check": "prettier --check . && eslint 'src/**/*.{js,astro}'"
+        "check": "prettier --check . && eslint 'src/**/*.{js,astro}'",
+        "prettier": "prettier"
     },
     "dependencies": {
         "@fontsource/poppins": "^5.2.6",

src/components/Post.astro

@@ -34,6 +34,12 @@ const pageDescription = pageBody.slice(0, 200) + '…';
         font-size: 1.5rem;
         font-weight: s emibold;
     }
+    div :global(h3) {
+        margin-top: 1rem;
+        margin-bottom: 1rem;
+        font-size: 1.25rem;
+        font-weight: semibold;
+    }
     div :global(ul) {
         list-style-type: disc;
         padding-left: 1.5rem;

src/content/posts/de/esa-bic-2025.md

@@ -0,0 +1,32 @@
+---
+title: 'Abschluss der ESA BIC Inkubation: Startbereit für die Zukunft der Erdbeobachtung!'
+date: 2025-10-15
+image: ../../../images/posts/esa-bic-2025.png
+---
+
+Wir haben unsere Inkubationsphase im ESA BIC Hessen (European Space Agency Business Incubation Centre) erfolgreich abgeschlossen.
+Das Programm stellte die notwendigen Ressourcen bereit, um die Geo Engine-Plattform zu einem leistungsstarken und benutzerfreundlichen Dienst für die Erdbeobachtungs-Analytik auszubauen und die technologischen Grundlagen zu festigen.
+
+Im Zentrum der Entwicklung stand eine Pipeline für Random Forest (RF) Machine Learning (ML), die es Nutzern erlaubt, State-of-the-Art ML-Techniken direkt auf umfangreiche Satellitenbild-Zeitreihen anzuwenden.
+
+### Wesentliche Erfolge und technologische Sprünge
+
+1. Standardisierter ML-Modellaustausch:  
+   Um eine maximale Flexibilität und Zukunftsfähigkeit zu gewährleisten, wurde das offene [ONNX-Format](https://onnx.ai/) integriert. Dies ermöglicht den standardisierten und effizienten Austausch sowie die Bereitstellung verschiedenster Machine-Learning-Modelle wie Random Forest, Gradient Boosted Trees und Convolutional Neural Networks.
+
+2. Blaupausen für Anwender:  
+   Wir haben die Interaktion mit der Geo Engine durch die Bereitstellung von Modelltrainingsbeispielen in Form von Jupyter Notebooks (Blaupausen) vereinfacht. Diese Vorlagen ermöglichen es Nutzern, verfügbare Pipelines leicht anzupassen und auf ihre spezifischen Datensätze anzuwenden.
+
+3. Fokus auf Copernicus-Daten:  
+   Die Pipeline nutzt die frei verfügbaren und hochauflösenden Sentinel-2-Daten des europäischen Copernicus-Programms.
+   Validierte Anwendungsfälle umfassen die Landbedeckungsklassifizierung und die [Identifizierung dominanter Baumarten](dominant-tree-types) in Deutschland.
+
+### Ausrichtung auf Nachhaltigkeit (ESG)
+
+Die erfolgreiche Inkubation positioniert Geo Engine als entscheidenden Akteur für die datengestützte Nachhaltigkeitsanalyse.
+Die Plattform liefert präzise, faktenbasierte Erkenntnisse aus der Erdbeobachtung, die Unternehmen und Organisationen helfen, ihren Beitrag zu ESG-Zielen (Environmental, Social, Governance) nachzuweisen.
+Wir werden im kommenden Jahr eine Reihe von ESG-bezogenen Projekten starten, die auf den Fähigkeiten der Geo Engine aufbauen.
+
+Die Inkubation wird von uns als voller Erfolg gewertet und markiert einen bedeutenden Meilenstein in der Entwicklung der Geo Engine.
+
+🛰️ Hier finden Sie das Video zum Projektabschluss: <https://youtu.be/1186CBUKm8Y> (englisch)