InstitutTeamFranz RottensteinerForschungsprojekte
ForstCARe - Forstwirtschaftlicher Copernicus-basierter Assistenzdienst –Reduktion des Referenzdatenbedarfs und Fusion von Sensordaten zur Schließung wolkenbedingter Datenlücken für die Klassifikation mittels Künstlicher Intelligenz (KI)

ForstCARe - Forstwirtschaftlicher Copernicus-basierter Assistenzdienst –Reduktion des Referenzdatenbedarfs und Fusion von Sensordaten zur Schließung wolkenbedingter Datenlücken für die Klassifikation mittels Künstlicher Intelligenz (KI)

Abbildung: Die linken Bilder zeigen die gleiche Szene in verschiedenen Jahren, aufgenommen von einem Sentinel-2-Satelliten. Die lokalen Behörden sind daran interessiert, tote Bäume und Kahlschläge in dem späteren Bild zu lokalisieren. Das rechte Bild zeigt die Vorhersage solcher Gebiete durch ein neuronales Netz, das im Rahmen dieses Projekts entwickelt wurde. Solche Ergebnisse können den Behörden helfen, den manuellen Arbeitsaufwand zu verringern.
Team:  D.Wittich, F.Rottensteiner, C. Heipke
Jahr:  2021
Förderung:  Bundesamt für Wirtschaft und Energie

ForstCARe verfolgt das Ziel, durch die Nutzung innovativer KI-Verfahren ein Copernicus-basiertes forstwirt-schaftliches Assistenzsystem aufzubauen, das insbesondere die schnelle Detektion illegaler Rodungen und das Monitoring neuartiger klimabedingter Waldschäden (Dürre-, Sturm-, Schädlingskalamitäts-schäden) sowie die Überwachung von Managementmaßnahmen zur Wiederaufforstung unterstützt. In allen aufgeführten Anwendungsfällen ist eine schnelle Bereitstellung und Analyse der Daten unabdingbar um zeitnah Ergebnisse zu liefern, auf deren Grundlage illegale Rodungen schnellstmöglich gestoppt oder von Schädlingen befallene Bestände schnellstmöglich entfernt werden können. KI-Verfahren sollen dazu die beiden derzeit noch entscheidenden Hemmnisse für eine breite und erfolgreiche Nutzung von Copernicus in diesem Anwendungssegment beseitigen:

(a) Das Fehlen repräsentativer Trainingsdaten in der notwendigen Menge und Qualität. Zur Lösung sollen neuartige Techniken des Transferlernens, insbesondere die Domänenadaption und Verfahren genutzt werden, die mit fehlerbehafteten Trainingsdaten umgehen können (so genannte Label Noise tolerant Methoden). Die DA erlaubt die Anpassung eines Klassifikators an verän-derte Merkmalsverteilungen in räumlicher und zeitlicher Dimension. Label Noise tolerante Verfahren können fehlerhafte Trainingsdaten erkennen und verwerfen bzw. transformieren diese für die weitere Nutzung in eine geeignete Form.

(b) Die unzureichende zeitnahe Verfügbarkeit geeigneter Sensordaten aufgrund von Bewölkung, insbesondere nach Stürmen sowie in den Tropen und in anderen bewölkungsreichen Regionen. Es soll untersucht werden, inwieweit die fehlenden optischen Daten aus Radardaten mittels Generative Adversarial Networks (GANs) simuliert werden können.