Interreg-Projekt "AI-Klima"
Das Ziel des Interreg-Projekts "AI-Klima" besteht darin, den Zustand der Wälder mithilfe innovativer Fernerkundungsmethoden und fortschrittlicher Algorithmen der Künstlichen Intelligenz zu bewerten. Auf Grundlage dieser fernerkundlichen Analysen wird eine Waldgefahrenkarte für die benachbarten Nationalparks Bayerischer Wald und Šumava (Tschechien), die zusammen das größte Waldschutzgebiet in Mitteleuropa bilden, erstellt, um die Stabilität und Resilienz der Wälder im Zeitalter des Klimawandels zu stärken.
Im Rahmen des Projekts werden zentrale Aspekte des Waldes anhand einer längeren Zeitreihe untersucht und Entwicklungstrends analysiert. Dabei werden die zeitlichen Veränderungen dieser Parameter identifiziert und ihre Zusammenhänge mit verschiedenen Klimafaktoren erforscht. Die gewonnenen Erkenntnisse fließen in eine integrative Waldgefahrenkarte ein. Es wird deutlich, welche Faktoren maßgeblich die Waldgesundheit beeinflussen und wie diese miteinander verknüpft sind. Die Ergebnisse liefern wertvolle Entscheidungshilfen für das Forstmanagement, um potenzielle Risiken frühzeitig zu erkennen und geeignete Maßnahmen gezielt sowie rechtzeitig umzusetzen. Zudem eignen sich die Resultate hervorragend für das langfristige Monitoring der Wälder und tragen zu einem besseren Verständnis der Auswirkungen des Klimawandels auf die Waldökosysteme bei.
Bevor das Endprodukt, die Waldgefahrenkarte, erstellt werden kann, müssen die Veränderungen in der Phänologie, Baumartenstruktur, Biomasse sowie im Waldzustand in beiden Nationalparks über die letzten zwei Jahrzehnte umfassend analysiert werden. Dafür sind insgesamt fünf Workflows beziehungsweise Modelle erforderlich. Ein wesentlicher Bestandteil dieser Prozesse sind die Referenzdaten, die zum Trainieren, Validieren und Testen genutzt werden. Diese Herausforderung ergibt sich aus der räumlichen und zeitlichen Begrenztheit der verfügbaren Daten. Daher ist die Entwicklung eines geeigneten Harmonisierungsansatzes notwendig, um die Daten über Grenzen hinweg zu vereinheitlichen und eine zuverlässige zeitliche Zuordnung zu den Fernerkundungsdaten sicherzustellen. Die Datengrundlage umfasst Satellitendaten von Landsat und Sentinel, Drohnenaufnahmen, Airborne Laserscanning-Daten sowie Felddaten, beispielsweise aus Waldinventuren oder mobilen Laserscannern. Nach Abschluss der Analyse der Veränderungen in den verschiedenen Aspekten ist ein integrativer Ansatz erforderlich, um die unterschiedlichen Trendentwicklungen sinnvoll miteinander zu verknüpfen. Erste Tests wurden bislang noch nicht durchgeführt. Derzeit befindet sich das Projekt in der Phase der Datenaufbereitung: Die Datengrundlage wird erstellt, Referenzlabels generiert und erste Analysen – etwa zur Erkennung von Baumarten – bereits durchgeführt.
Die Plattform CODE-DE dient vorrangig dem Zugriff auf Sentinel-Daten und bildet die Grundlage für die Erstellung eines FORCE-Datacubes für das jeweilige Untersuchungsgebiet. Um darauf aufbauend Machine-Learning- und Deep-Learning-Algorithmen effizient anwenden zu können, ist eine leistungsstarke Rechenumgebung erforderlich – weshalb der Einsatz einer virtuellen Maschine (VM) unverzichtbar ist und einen großen Vorteil bietet.
