Quelle: Helmholtz-Zentrum für Umweltforschung (UFZ) 9. Juni 2022.

9. Juni 2022 – Extensiv genutztes Grünland beherbergt eine hohe Artenvielfalt, übernimmt als Kohlenstoffspeicher eine wichtige Funktion für den Klimaschutz und ist Ort der Futter- und Nahrungsmittelproduktion. Diese Ökosystemleistungen sind jedoch gefährdet, wenn auf den Flächen die Produktivität gesteigert werden soll und deswegen die Nutzung intensiviert wird. Bislang fehlen über größere Flächen Angaben dazu, wie es um den Zustand der Wiesen und Weiden in Deutschland bestellt ist. Forscher des Helmholtz-Zentrums für Umweltforschung (UFZ) haben nun im Fachmagazin Remote Sensing of Environment beschrieben, wie man mittels Satellitendaten und dem Einsatz von Methoden des maschinellen Lernens die Landnutzungsintensität beurteilen kann.

Im Juni 2015 startete die Raumfahrtmission Sentinel-2 mit dem Erdbeobachtungssatellit Sentinel-2A, im März 2017 wurde Sentinel-2B auf die Reise geschickt. Seitdem kreisen die beiden Satelliten im Weltall in einer Höhe von fast 800 Kilometern und liefern als Teil des Copernicus-Programms der Europäischen Weltraumorganisation (ESA) unter anderem Daten für den Klimaschutz und die Landüberwachung. Alle drei bis fünf Tage machen sie Aufnahmen im sichtbaren und infraroten Bereich des elektromagnetischen Spektrums, die dank einer sehr hohen Auflösung von bis zu 10 Metern beste Voraussetzungen liefern, um zum Beispiel Veränderungen der Vegetation zu erkennen. Diese frei zugänglichen Daten nutzte ein interdisziplinäres Forscherteam des Helmholtz-Zentrums für Umweltforschung (UFZ), um daraus beispielhaft für die Jahre 2017 und 2018 zu untersuchen, wie intensiv in Deutschland Grünland genutzt wird – eine Fläche, die nach Angaben des Statistischen Bundesamts rund 4,7 Millionen Hektar und damit fast 30 Prozent der landwirtschaftlichen Nutzfläche ausmacht. „Wir brauchen mehr Informationen zur Landnutzungsintensität von Grünland, um die Stabilität und die Funktionsweise unserer Ökosysteme besser verstehen zu können. Je intensiver Grünland genutzt wird, umso stärker werden die Primärproduktion, der Stickstoffeintrag oder die Widerstandsfähigkeit gegenüber Klimaveränderungen beeinflusst“, sagt Erstautor Dr. Maximilian Lange. Er forscht als Wissenschaftler im UFZ-Department Remote Sensing, das in das gemeinsam von UFZ und Universität Leipzig betriebene „Remote Sensing Centre for Earth System Research“ eingebettet ist.

Voraussetzung für den dauerhaften Erhalt des Grünlands ist dessen Nutzung. Fällt sie weg, verbuschen die Flächen. Doch wie intensiv das Management erfolgt, ist entscheidend dafür, wie gut Grünland Ökosystemleistungen erbringen kann. Es werden jedoch bundesweit keine Daten veröffentlicht, wie die Landwirte ihre Grünlandflächen bewirtschaften. Der UFZ-Wissenschaftler leitete nun für Deutschland aus den Satellitendaten mit einer Auflösung von 20 Metern flächendeckend Aussagen zur Mahdhäufigkeit, zur Intensität der Beweidung durch Rinder, Pferde, Schafe und Ziegen sowie zur Düngung ab. „Das Ausmaß dieser drei Managementarten entscheidet maßgeblich über die Nutzungsintensität“, sagt Maximilian Lange. Für die Mahdfrequenz definierte er Klassen von 0 (nicht gemäht) bis 5 (fünf Mal pro Jahr gemäht), aus einem Mix aus Anzahl, Art und Alter der Tiere errechnete er die Beweidungsintensität von 0 bis 3 (stark beweidet); bei der Düngung unterschied er zwischen gedüngt und nicht gedüngt. Diese drei Kategorien fasste er zu einem Index zusammen, der die Bewirtschaftungsintensität einer Grünlandfläche von „extensiv“ bis „intensiv“ wiedergibt.

Um aus der Menge an Messwerten, die die Forscher aus den Satellitenaufnahmen erhielten, Informationen zu den drei Nutzungsparametern herauszuziehen, setzte er auf die Künstliche Intelligenz (KI). „KI kann sehr effizient Informationen aus komplexen Daten gewinnen, die der Mensch nicht mehr erfassen kann. Algorithmen des maschinellen Lernens können mittels Referenzdaten Muster in den Satellitendaten erkennen, die wir dann auswerten und weiterverwenden können, um flächenhafte Aussagen zu treffen“, sagt er. Bei den Referenzdaten setzte Maximilian Lange auf Freilanddaten aus drei Biodiversitäts-Exploratorien, die die Deutsche Forschungsgemeinschaft (DFG) im Hainich, in der Schorfheide und der Schwäbischen Alb finanziert. Dort laufen seit 2006 im Rahmen von Langzeituntersuchungen auf unterschiedlich intensiv genutztem Grünland zahlreiche Experimente, die sich u.a. damit befassen, wie sich die Landnutzung auf die Biodiversität auswirkt und welche Effekte eine Veränderung der Artenzusammensetzung auf Ökosystemprozesse hat.

Um zu beurteilen, wie genau maschinelles Lernen aus den Satellitendaten die tatsächliche Grünlandnutzung erkennt, setzte Lange auf zwei Algorithmen: zum einen auf Random Forest, eine Standardmethode in der Fernerkundung zur Klassifizierung der Landbedeckung, zum anderen auf die Deep Learning-Methode CNN (Convolutional Neural Networks), die vor allem in der Bildverarbeitung eingesetzt wird. Das Ergebnis: „Beide Methoden bilden die Realität gut ab, die CNN-Methode sogar noch etwas besser“, sagt er. Mit der CNN-Methode erhielt der UFZ-Forscher eine Annäherung an die Daten aus den DFG-Biodiversitäts-Exploratorien, die zum Beispiel für das Jahr 2018 zwischen 66 und 85 Prozent betrug (Beweidungsintensität 66 Prozent, Mahdregime 68 Prozent, Düngemitteleinsatz 85 Prozent). Mit der Random Forest-Methode lagen die Zahlen bei allen drei Parametern etwas darunter. Für vergleichbare ökologische Fernerkundungsstudien ist dieser ermittelte Klassifikationsbereich ein hoher Wert, der aber noch gesteigert werden könnte, wenn mehr Praxisdaten zur Grünlandnutzung verfügbar wären. „Je mehr Daten man für das Trainieren einer Methode des Deep Learnings nutzen kann und je genauer diese Daten sind, umso präziser werden hinterher die Ergebnisse“, sagt Maximilian Lange. Um in einem weiteren Schritt die Plausibilität der Satellitendaten zu untersuchen, überprüfte er die Ergebnisse in vier exemplarischen Regionen in Deutschland. Zwei dieser Regionen (Oberallgäu, Dithmarschen) sind für ihre intensive Grünlandnutzung bekannt, während eine in der Nähe des Biosphärenreservats Rhön nur moderat und die andere als Naturschutzgebiet in Sachsen-Anhalt nur gering bewirtschaftet wird. Auch bei diesem Abgleich stimmten die Ergebnisse aus der Fernerkundung mit denen aus der Praxis überein.

Insgesamt fand das UFZ-Team für Deutschland heraus, dass das Grünland 2018 weniger intensiv genutzt wurde als im Jahr 2017. „Dies ist vor allem auf die Dürre im Jahr 2018 und den damit verbunden Produktivitätsverlust des Grünlands zurückzuführen“, sagt Dr. Daniel Doktor, Letztautor der Publikation und Leiter der Arbeitsgruppe Landbedeckung am UFZ. Den Berechnungen zufolge wurden beispielsweise im Jahr 2018 64 Prozent des Grünlands nicht gemäht, 2017 waren es nur 36 Prozent. „Die Ergebnisse zeigen auch, wie regional unterschiedlich Grünland in Deutschland genutzt wird. In Regionen wie dem Allgäu oder in Schleswig-Holstein ist die Pflege zum Teil sehr intensiv, in Brandenburg oder Teilen Sachsens dagegen deutlich extensiver“, bilanziert er. Diese Auswertung sei aber erst ein Anfang. Um mit den Algorithmen des maschinellen Lernens zu noch genaueren Aussagen zu kommen, sind präzisere Managementdaten aus weiteren Regionen Deutschlands nötig.

Weitere Informationen
Die Ergebnisse der Studie haben die UFZ-Forscher in einem Web-Service visualisiert. Die Deutschlandkarte zeigt in einer Auflösung von 20 Metern für die Jahre 2017 und 2018 die Zahl der Mahdereignisse, die Beweidungsintensität, den Einsatz von Dünger, sowie den Grad der Bewirtschaftungsintensität. Bewirtschaftungsintensität 2017/2018

Publikation
Maximilian Lange, Hannes Feilhauer, Ingolf Kühn, Daniel Doktor: Mapping land-use intensities of grasslands in Germany with machine learning and Sentinel-2 time series. Remote Sensing of Environment, 2022.
doi.org/10.1016/j.rse.2022.112888
https://www.sciencedirect.com/science/article/abs/pii/S0034425722000025

Diskutieren Sie mit im Raumcon-Forum:

• Planet Erde

Der Beitrag UFZ: Vom Weltall aus Grünland bewerten erschien zuerst auf Raumfahrer.net.

Quelle: DLR 10. Mai 2022.

10. Mai 2022 – Viele Menschen in Afrika sind durch Naturkatastrophen gefährdet – insbesondere in Städten, die schnell und unkontrolliert wachsen. Dort leben die Bewohnerinnen und Bewohner auf engstem Raum und die Infrastruktur ist häufig unzureichend. Daher wirken sich die Folgen von Überschwemmungen, Stürmen oder Erdbeben hier besonders verheerend aus. Aber wo wachsen die Städte gerade rasant? Sind neue Siedlungsflächen in gefährdeten Gebieten entstanden? Und wie viele Menschen sind in diesem Fall bedroht? Bisher gab es oft keine ausreichenden Antworten auf diese Fragen. Deswegen hat das Deutsche Zentrum für Luft- und Raumfahrt (DLR) in einem gemeinsamen Projekt mit der Weltbank Erdbeobachtungsaufnahmen vom gesamten Kontinent ausgewertet und sie mit weiteren Datenquellen kombiniert. Ziel war es, für Planer und Politiker vor Ort aktuelle und verlässliche Zahlen zur Situation und Entwicklung in den Städten zu liefern. So können kritische Veränderungen frühzeitig erkannt werden.

Städte mit funktionierenden Infrastrukturen sind für Afrikas Zukunft wichtig. Das gilt zum Beispiel für Kumasi in Ghana mit 3,3 Millionen Einwohnern. Oder für Matola in Mosambik mit 1,7 Millionen Einwohnern. Beide breiten sich schnell aus, wozu aber kaum Daten vorlagen. „Das Defizit an aktuellen und räumlich detaillierten Informationen war bislang das größte Problem, um die Gefährdung der Bevölkerung durch Naturgefahren abzuschätzen. Gerade in weniger entwickelten Ländern kommt regelmäßigen Kartierungen auf Basis offener und freier Satellitendaten daher bei der Anpassung an Extremereignisse eine zentrale Rolle zu. Die neuen Daten werden nicht nur Fachleuten, sondern einer breiten Öffentlichkeit zugänglich sein“, erklärt Dr. Anke Pagels-Kerp, Bereichsvorständin Raumfahrt im DLR.

Satelliten liefern aktuelles Bildmaterial in hoher Auflösung
Im Rahmen des Projekts „Satellite-based Monitoring Service of Urbanization in Africa“ (Satellitengestützter Dienst zur Beobachtung der Urbanisierung in Afrika) hat das DLR-Team Satellitendaten durch Methoden des Maschinellen Lernens mit Hochleistungscomputern verarbeitet. Die riesigen Datenmengen stammen vor allem von den europäischen Sentinel-Satelliten und dem US-amerikanischen Landsat-Programm. Diese Erdbeobachtungsmissionen sammeln täglich Petabytes an hochaufgelöstem, kostenfreiem Bildmaterial. Das DLR hat Verfahren entwickelt, um aus Hunderttausenden Satellitenaufnahmen die passenden Informationen zu gewinnen. „Mit den Ergebnissen kennen wir nun die Dynamik der Siedlungsentwicklung in ganz Afrika über die letzten drei Jahrzehnte. In Kombination mit Gebäudeinformationen konnten wir sogar die Bevölkerungsverteilung für jedes einzelne Gebäude auf dem Kontinent modellieren“, erklärt Dr. Thomas Esch vom Deutschen Fernerkundungsdatenzentrum (DFD) in Oberpfaffenhofen.

Monatliche Updates zeigen Entwicklungen
Zum DLR-Material gehören detaillierte Karten aller Städte und Siedlungen. Sie zeigen unter anderem die Verteilung von bebauten Arealen und Freiflächen. Außerdem wird die jährliche Ausdehnung aller Siedlungsgebiete seit 1985 dargestellt. Eine 3D-Siedlungsstruktur dient als Grundlage für die Berechnung der Siedlungsdichte. Für mehr als 100 afrikanische Städte liegen außerdem Studien zum Wachstumsmuster und zur Zersiedelung vor. In Regionen wie Maradi (Niger) sind zum Beispiel innerhalb eines Jahres zahlreiche Gebäude um den traditionellen Stadtkern herum entstanden. Solche oft ungeplanten Veränderungen sind durch Satellitendaten nachvollziehbar. „Auf Grundlage dieser Informationen sind Städte besser in der Lage, die heutige Exposition gefährdeter Gemeinden zu charakterisieren, ihr aktuelles Katastrophenrisiko zu bewerten und Trends genauer vorherzusagen. Diese Daten können zu besseren kommunalen Dienstleistungen beitragen, den künftigen Infrastrukturbedarf umreißen und einen evidenzbasierten Ansatz zur Risikominderung unterstützen, zum Beispiel durch rechtzeitige Anpassung der Infrastruktur an neue Bedingungen“, erklärt Niels B. Holm-Nielsen von der Weltbank.

„Der Datenschatz des DLR ist einzigartig“
„Bei den anspruchsvollen Analysen profitieren wir von unserer Erfahrung bei der Erstellung nutzerorientierter Informationsprodukte. Der Datenschatz des DLR ist einzigartig“, sagt Thomas Esch. Alle aktuellen Produkte des World Settlement Footprint (WSF) sind in die Analysen eingeflossen. Dazu zählen der WSF 2015, WSF 2019, WSF evolution, WSF imperviousness, WSF 3D und WSF population. Die Produkte der WSF Kartierungen werden seit vielen Jahren vom DLR weiterentwickelt und von internationalen Institutionen wie der Weltbank oder den Vereinten Nationen genutzt. Die Daten charakterisieren die Siedlungsstruktur, zeigen Entwicklungen, bilden Höhe, Dichte und Volumen der Bebauung ab und beschreiben die Verteilung der Bevölkerung.

Datenbank mit fast 20.000 afrikanischen Städten und Siedlungen
Mittlerweile hat das DLR zentrale Merkmale zu allen Siedlungen in Afrika mit mehr als 10.000 Einwohnern in einer Datenbank erfasst. Dieses Register beinhaltet aktuell 9.472 Städte sowie 10.159 weitere Siedlungen, die in naher Zukunft über 10.000 Einwohner anwachsen werden. Durch eine Kombination verschiedener Datenquellen können die DLR-Wissenschaftlerinnen und Wissenschaftler sogar die Einwohnerzahl für jedes einzelne Gebäude abschätzen. Außerdem enthält die Datenbank flächendeckende Angaben zur Intensität von Naturgefahren, wie Überschwemmungen, Erdrutschen und Erdbeben auf dem afrikanischen Kontinent.

Aufträge an Ortsansässige zur Überprüfung der Berechnungen
Um sicherzustellen, dass die berechneten Daten stimmen, hat die Weltbank Kleinaufträge an die Einwohnerinnen und Einwohner verschiedener afrikanischer Städte vergeben. „Verlässliche Vergleiche sind wichtig, um Algorithmen erfolgreich zu trainieren und um die daraus resultierenden Geoinformationen objektiv zu validieren“, sagt Thomas Esch. Die Beteiligten konnten ihr Wissen über die Umgebung einbringen und wurden für die Situation in ihren Städten sensibilisiert. Zugleich hat die Mitarbeit im Projekt zur Sicherung des monatlichen Einkommens während der Corona-Zeit beigetragen.

Zum Projekt
Das Projekt „Satellite-based Monitoring Service of Urbanization in Africa“ wird über das ACP-EU Natural Disaster Risk Reduction Program der EU finanziert. Die Koordination hat die Global Facility for Disaster Reduction and Recovery (GFDRR) bei der Weltbank übernommen. Die hier verwendeten WSF-Elemente sind vom DLR in enger Zusammenarbeit mit der Europäischen Weltraumorganisation ESA und dem Google Earth Engine Team entwickelt worden. Die Datensätze zu den Gebäudeumrissen werden durch Ecopia.AI/Maxar Technologies und Google bereitgestellt. Die Think-Hazard Initiative steuert die Informationen zur Intensität von Naturgefahren bei.

Unterstützt wurde das DLR-Projektteam von der Forschungsgruppe des DFD, die auf die Entwicklung von Umwelt- und Kriseninformationssystemen spezialisiert ist. Die DLR-Wissenschaftlerinnen und Wissenschaftler haben gemeinsam eine webbasierte Anwendung entwickelt, über die Weltbank-Mitarbeitende und Planer vor Ort auf alle Daten, Indikatoren und Analysen zugreifen können.

Die Weltbank und das DLR werden ihre Zusammenarbeit fortsetzen. Die Produkte WSF 2015, WSF 2019 und WSF evolution sind über den EOC Geoservice zum Download kostenfrei nutzbar. Die WSF-Daten wurden seitens der Weltbank bereits erfolgreich für weitere Fragestellungen mit hoher gesellschaftlicher Relevanz eingesetzt.

Diskutieren Sie mit im Raumcon-Forum:

• Planet Erde

Der Beitrag DLR: Wo sind Menschen in Afrika durch Naturkatastrophen bedroht? erschien zuerst auf Raumfahrer.net.

Quelle: ETH Zürich.

20. April 2022 – Seit letztem Jahr befinden wir uns in der UN-​Dekade für die Wiederherstellung von Ökosystemen (engl. «UN Decade on Ecosystem Restoration»). Die Initiative hat sich zum Ziel gesetzt, bis 2030 die Degradation der Ökosysteme aufzuhalten, ihr vorzubeugen und bereits entstandene Schäden, wenn möglich zu beheben. Für solche Vorhaben benötigen die Akteure präzise Grundlagen wie zum Beispiel Vermessungen und Karten des Bestands. Ralph Dubayah, Leiter der «Global Ecosystem Dynamics Investigation (GEDI)»-​Mission der NASA erklärt in einem Interview: «Wir wissen schlicht nicht, wie hoch die Bäume weltweit sind. […] Wir brauchen globale Karten davon, denn wenn wir Bäume fällen, setzen wir CO₂ in die Atmosphäre frei, und wir wissen nicht, um wie viel es sich handelt.»

Auf die Analyse und Aufbereitung ebensolcher Umweltdaten spezialisiert ist das EcoVision Lab am ETH-​Departement für Bau, Umwelt und Geomatik, das 2017 von ETH-​Professor Konrad Schindler und UZH-​Professor Jan Dirk Wegner gegründet wurde. Im Lab entwickeln die Forscher Machine-​Learning-Algorithmen, die es ermöglichen, großflächige Umweltdaten automatisch zu analysieren. Einer dieser Forscher ist Nico Lang. In seiner Doktorarbeit hat er einen Ansatz – basierend auf neuronalen Netzwerken – entwickelt, um aus optischen Satellitenbildern die Vegetationshöhe ableiten zu können. Daraus konnte er die erste Vegetationshöhen-​Karte erstellen, welche die gesamte Erde abdeckt (engl. «Global Canopy Height Map»).

Ein Novum ist zudem die hohe Auflösung der Karte: Dank Langs Arbeit können Nutzer*innen bis zu 10×10 Meter an jedes Waldstück der Erde heranzoomen, um die Baumhöhe abzulesen. Eine solche Vermessung der Wälder könnte in Zukunft insbesondere im Umgang mit dem CO₂-​Ausstoß wegweisend sein, denn die Baumhöhe ist ein wichtiger Indikator für die Biomasse und die Menge an gespeichertem Kohlenstoff. «Etwa 95 Prozent der Biomasse im Wald sind im Holz und nicht in den Blättern. Daher hängt die Biomasse stark mit der Höhe zusammen», klärt Konrad Schindler, Professor für Photogrammetrie und Fernerkundung, auf.

Trainiert mit Laserscanning-​Daten aus dem Weltraum
Doch wie liest ein Computer die Baumhöhe von einem Satellitenbild ab? «Da wir nicht wissen, nach welchen Mustern der Computer Ausschau halten muss, um die Höhe zu schätzen, lassen wir ihn die optimalen Bildfilter selbst lernen», sagt Nico Lang. Daher zeigt er seinem neuronalen Netzwerk Millionen von Beispielen: Als Input dienen die Bilder der zwei Copernicus Sentinel-​2-Satelliten der Europäischen Weltraumorganisation (ESA). Diese Satelliten nehmen alle fünf Tage jeden Ort der Erde mit einer Auflösung von 10×10 Metern pro Pixel auf. Es sind die qualitativ besten Bilder, die zurzeit öffentlich zugänglich sind.

Daneben muss dem Algorithmus die korrekte Antwort – das heißt die Baumhöhe aus Space-​Lasermessungen der NASA GEDI-​Mission – zur Verfügung gestellt werden. «Die GEDI-​Mission liefert global verteilte, punktuelle Daten der Vegetationshöhe zwischen dem 51. nördlichen und südlichen Breitengrad, sodass der Computer im Trainingsprozess viele verschiedene Vegetationstypen sieht», erklärt Nico Lang. Mit Input und Antwort kann sich der Algorithmus die Filter für Textur-​ und Spektralmuster selbst aneignen. Ist das neuronale Netzwerk erst einmal trainiert, kann es die Baumhöhen aus den mehr als 250.000 Bildern (etwa 160 Terabyte Daten), die für die globale Karte notwendig sind, automatisch schätzen.

In der Fachterminologie nennt sich Langs neuronales Netzwerk Convolutional Neural Network (CNN). Die «Convolution» – zu Deutsch Faltung – ist eine mathematische Operation, bei welcher der Algorithmus die 3×3 Pixel großen Bildfilter über das Satellitenbild gleiten lässt und dadurch Informationen über Helligkeitsmuster im Bild erhält. «Der Trick dabei ist, dass wir die Bildfilter stapeln und der Algorithmus dadurch Kontextinformationen erhält, da er von jedem Pixel bereits Informationen über die Nachbarpixel hat», erläutert Konrad Schindler. Dadurch ist es dem EcoVision Lab erstmalig gelungen mit einer Satellitenkarte auch Baumhöhen von bis zu 55 Meter zuverlässig einzuschätzen.

Weil diese neuronalen Netzwerke mit ihren vielen Schichten «tief» sind, spricht man auch von «Deep Learning». Diese Methode läutete vor rund 10 Jahren eine große Revolution in der Bildverarbeitung ein. Der Umgang mit der schieren Menge an Daten, die dazu nötig ist, ist jedoch nach wie vor eine große Herausforderung: Um die globale Vegetationshöhen-​Karte zu berechnen, bräuchte ein leistungsstarker Rechner allein drei Jahre. «Zum Glück haben wir Zugriff auf den ETH-​Hochleistungsrechencluster, sodass wir nicht drei Jahre auf die Berechnung der Karte warten mussten», lacht Nico Lang.

Transparenz durch Abschätzung der Unsicherheiten
Nico Lang bereitete denn nicht nur ein CNN auf diese Aufgabe vor, sondern gleich mehrere – ein sogenanntes Ensemble – davon. «Ein wichtiger Aspekt für uns war, den Nutzer*innen auch die Unsicherheit der Schätzung mitzuliefern», sagt er. Die insgesamt fünf neuronalen Netzwerke wurden unabhängig voneinander trainiert, wobei jedes seine eigene Schätzung der Baumhöhen angibt.

«Sind alle Modelle einer Meinung, ist die Antwort auf Basis der Trainingsdaten eindeutig. Kommen die Modelle zu unterschiedlichen Antworten, bedeutet dies, dass es eine höhere Unsicherheit in der Schätzung gibt», erklärt Nico Lang. In die Modellierung fließen auch Unsicherheiten in den Daten selbst mit ein: Ist ein Satellitenbild beispielsweise dunstig, ist die Unsicherheit grösser, als wenn die atmosphärischen Verhältnisse gut sind.

Grundlage für zukünftige ökologische Forschung
Dank ihrer hohen Auflösung bietet Langs globale Karte Einblick in interessante Details: «Wir konnten bereits spannende Muster entdecken», erzählt Konrad Schindler. «In den Rocky Mountains beispielsweise wird die Forstwirtschaft in fixen Quadraten betrieben und auch der Regenwald formt interessante Strukturen, die nicht zufällig sein können.» Nun sei es Ökolog*innen möglich, die aufgenommenen Muster und Daten weltumfassend zu interpretieren.

Damit die Forschung weitergeführt werden kann, werden die Karte sowie der Source Code öffentlich zugänglich sein. Erste Interessenten haben sich bereits gemeldet: Walter Jetz, Professor an der Yale Universität, möchte die Global Canopy Height Map zur Biodiversitätsmodellierung nutzen. Doch auch für Regierungen, Verwaltungen und NGOs könnte die Karte interessant sein. «Dank Sentinel-​2 könnte man alle fünf Tage die Vegetationshöhen neu berechnen und hätte so ein Monitoring, um die Regenwaldabholzung zu beobachten», meint Nico Lang.

Darüber hinaus sei es nun auch möglich, regionale Erkenntnisse wie die Eigenschaft von tropischen Blätterdächern als klimatischer Puffer zu wirken, global zu validieren. Gekoppelt mit dem High Carbon Stock Approach, der wertvolle Wälder für Kohlenstoffspeicherung und Biodiversität klassifiziert, ist die Vegetationshöhen-​Karte eine wichtige Grundlage für die Erhaltung und Stärkung der Ökosysteme. Gemäß Langs Berechnungen befindet sich bloß auf 5 Prozent der Landmasse Vegetation von mehr als 30 Metern Höhe und nur 34 Prozent davon stehen in geschützten Gebieten.

Da die GEDI-​Mission im Jahr 2023 beendet werden soll, bietet Langs neu entwickelter Ansatz die Möglichkeit auch zukünftig Vegetationshöhen zu kartieren. Allerdings wäre eine Verlängerung der GEDI-​Mission, über die zurzeit auch international in Mediencall_made diskutiert wird, wichtig, um die Daten mit zukünftigen Satellitenmissionen wie der ESA Biomass Mission abzugleichen und das Modell auf Veränderungen zu kalibrieren.

Originalpublikation:
ETH: https://ethz.ch/de/news-und-veranstaltungen/eth-news/news/2022/04/neuronales-netzwerk-kann-baumhoehen-von-satellitenbildern-ablesen.html
arXiv: https://arxiv.org/abs/2204.08322

Diskutieren Sie mit im Raumcon-Forum:

• Planet Erde

Der Beitrag Neuronales Netzwerk kann Baumhöhen von Satellitenbildern ablesen erschien zuerst auf Raumfahrer.net.

Quelle: Universität Bonn.

11. Februar 2022 – Veränderungen auf der Erde können heute nahezu in Echtzeit beobachtet werden, denn viele Satelliten im Weltall sind mit Kameras und Sensoren genau dafür ausgestattet. Sei es der Rückgang von Gletschern, ein Ölteppich auf dem Meer, ein aufziehender Wirbelsturm, oder wie erst kürzlich vor der Küste Tongas, der Ausbruch eines (Unterwasser-) Vulkans – die Erde wandelt ihre Gestalt und Satelliten schauen dabei zu.

Seit September 2021 gibt es an der Universität der Bundeswehr München eine neue Professur am Institut für Raumfahrttechnik und Weltraumnutzung (ISTA), die Professur für Erdbeobachtung. Prof. Michael Schmitt beschäftigt sich hier mit der Auswertung von Erdbeobachtungsdaten zur Gewinnung von Geoinformationen.

Die Erdbeobachtung liefert Informationen darüber, welche Art der Landbedeckung wo vorliegt, sie dient der geometrischen und topografischen Erkundung der Erde. Seine Forschungsschwerpunkte sind unter anderem die satelliten- und flugzeuggestützte Erdbeobachtung, die Bildverarbeitung, Signalverarbeitung und maschinelles Lernen zur Informationsextraktion sowie die Fusion unterschiedlicher Erdbeobachtungsdaten. Diese Schwerpunkte werden in einem aktuellen Forschungsprojekt verbunden und angewandt. Das durch die Deutsche Forschungsgemeinschaft geförderte Projekt „Kartierung und Interpretation von Wildnis aus dem Weltraum / MapInWild“ startete Ende 2021 und soll bis 2024 eine Karte über die Natürlichkeit der Erde bereitstellen.

Wie natürlich ist die Erde (noch?): MapInWild
Das Ziel des Projektes MapInWild ist es, eine Natürlichkeitskarte der Erdoberfläche zu erstellen. Anhand eines Index wird die Erde bewertet und in Kategorien von sehr natürlich bis kaum natürlich unterteilt. Als ersten Schritt auf dem Weg zu dieser Karte fusionieren Prof. Schmitt und sein Team verschiedene Daten, die es bereits gibt, zum Beispiel aus Satellitendaten, dem freien Kartendienst „OpenStreetMap“ oder der Landbedeckungskarte der ESA. Die Definition von Natürlichkeit mag teilweise unterschiedlich gesehen werden, doch im Falle des Forschungsprojektes bedeutet Natürlichkeit die Abwesenheit von menschlichen Einflüssen. Im Natürlichkeitsindex wird klassifiziert nach Art der Landbedeckung (zum Beispiel Wald oder Stadt), Nähe zur nächstgelegenen Straße, beziehungsweise Zeit bis man diese erreichen würde, Licht aus künstlichen Lichtquellen und Bevölkerungsdichte. Diese Daten werden zunächst aus bereits vorhandenen Karten und Beobachtungen zusammengetragen.

Bisher wurde der Natürlichkeitsindex exemplarisch für drei europäische Regionen erstellt: Bayern als Beispiel für eine dicht besiedelte Region mit nur wenigen ausgewiesenen Schutzgebieten, Schottland als Region mit mittlerer Bevölkerungsdichte und einer größeren Anzahl an abgelegenen Gebieten und die finnische Region Lappland als Beispiel für eine dünn besiedelte Region mit vielen Schutzgebieten.

Im Projekt soll nun eine neue Methode mithilfe von Künstlicher Intelligenz (KI) entwickelt werden, die aus Satellitendaten direkt den Natürlichkeitsindex erstellen kann. Diese Methode wird zu viel schnelleren Ergebnissen führen als bisherige Techniken, da nur noch ein einziges aktuelles Bild benötigt wird. Damit wäre es jederzeit möglich, aktuelle Aussagen über die Natürlichkeit eines bestimmten Ortes auf der Welt zu treffen. Dies kann besonders bei Beobachtungen zum Klimawandel hilfreich sein. Durch die Beobachtung aus dem All könnten beispielsweise der Rückgang von Eisflächen oder die Vergrößerung von Wüstengebieten genau und in Echtzeit aufgezeichnet werden. Oder es könnten Flächen ausgemacht werden, die einen zukünftigen Nationalpark beherbergen können.

Nachvollziehbare KI
Neben der Entwicklung der Methode zum satellitenbildgestützten Natürlichkeitsindex steht das Projekt noch auf einem zweiten Pfeiler, der in Kooperation mit Prof. Ribana Roscher von der Universität Bonn umgesetzt wird. Es soll nachvollziehbar gemacht werden, wie die KI ihre Entscheidungen trifft. KI kommt bereits in vielen Projekten zum Einsatz, doch meist wissen die Benutzerinnen und Benutzer nur, welche Daten sie zur Verfügung stellen, nicht was die KI mit ihnen macht und wie sie sie beurteilt. Das soll bei MapInWild anders sein. Die Forschenden wollen herausfinden, warum die gelernten Wildniskartierungs-Modelle zu spezifischen Entscheidungen kommen. Das Projekt trägt damit zur methodischen Weiterentwicklung von übertragbaren Verfahren des maschinellen Lernens mit wenigen und fehlerbehafteten Trainingsdaten und deren Interpretierbarkeit bei.

MapInWild:
MapInWild: Kartierung und Interpretation von Wildnis aus dem Weltraum

Diskutieren Sie mit im Raumcon-Forum:

• Planet Erde

Der Beitrag Satelliten beobachten Veränderungen der Natur erschien zuerst auf Raumfahrer.net.

Quelle: Max-Planck-Institut für Intelligente Systeme (MPI-IS).

Tübingen/Potsdam/Maryland 8. Dezember 2021 – Schwarze Löcher sind eines der größten Rätsel des Universums. Mit einer Masse Milliarden mal so groß wie die unserer Sonne erzeugen zwei ineinander verschmelzende schwarze Löcher in einer gewaltigen Explosion eine Gravitationswelle, die sich mit Lichtgeschwindigkeit im Universum ausbreitet. Gigantische Detektoren in den USA (LIGO) und Italien (Virgo) messen diesen Beleg für das von Albert Einstein 1916 vorhergesagte Phänomen: die Veränderung der Raumzeit. Ein Beben des Universums. 100 Jahre später wurde die erste Gravitationswelle tatsächlich gemessen. Kurz darauf, im Jahr 2017 folgte dafür der Physik-Nobelpreis.

Seit der ersten Entdeckung von Gravitationswellen vergleichen die LIGO- und Virgo-Wissenschaftler*innen die von den Observatorien gesammelten Daten mit theoretischen Vorhersagen, um so die Eigenschaften der Quelle abzuschätzen, z. B. wie groß die schwarzen Löcher sind und wie schnell sie sich drehen. Derzeit dauert dieses Verfahren mehrere Stunden, oft sogar Monate.

Ein interdisziplinäres Forscherteam des Max-Planck-Instituts für Intelligente Systeme (MPI-IS) in Tübingen und des Max-Planck-Instituts für Gravitationsphysik (Albert-Einstein-Institut/AEI) in Potsdam nutzt modernste Methoden des maschinellen Lernens, um diesen Prozess zu beschleunigen. Die Wissenschaftler*innen entwickelten einen Algorithmus, der ein tiefes neuronales Netz verwendet, das ähnlich wie ein menschliches Gehirn auf mehreren Ebenen große Datensätze analysiert. Sekundenschnell schließt das System auf alle Eigenschaften der beiden miteinander verschmelzenden schwarzen Löcher. Die Forschungsergebnisse wurden heute in der bedeutendsten Fachzeitschrift für Physik, den Physical Review Letters, veröffentlicht.

„Unsere Methode kann in wenigen Sekunden sehr genaue Aussagen darüber treffen, wie groß und schwer die zwei schwarzen Löcher waren, die bei ihrer Verschmelzung die Gravitationswellen erzeugt haben. Wie schnell rotieren die schwarzen Löcher, wie weit sind sie von der Erde entfernt und aus welcher Richtung kommt die Gravitationswelle? All diese Informationen können wir aus den Beobachtungsdaten ableiten und darüber hinaus Aussagen über die Genauigkeit dieser Berechnung treffen“, erklärt Maximilian Dax, Erstautor der Publikation Real-Time Gravitational Wave Science with Neural Posterior Estimation. Der Doktorand der Abteilung für Empirische Inferenz am MPI-IS ist Mitglied der LIGO Scientific Collaboration.

Das Forscherteam trainierte das neuronale Netz mit vielen Simulationen — vorausberechnete Gravitationswellen für hypothetische Doppelsysteme von schwarzen Löchern kombiniert mit dem Rauschen der Detektoren. Auf diese Weise lernt das Netzwerk die Zusammenhänge zwischen den gemessenen Gravitationswellendaten und den Parametern, die das zugrunde liegende System schwarzer Löcher charakterisieren. Es dauert zehn Tage, bis der Algorithmus namens DINGO (die Abkürzung steht für Deep INference for Gravitational-wave Observations) ausgelernt hat. Dann ist er einsatzbereit: in nur wenigen Sekunden leitet das Netzwerk aus den Daten neu beobachteter Gravitationswellen die Größe, die Eigendrehimpulse und alle anderen Parameter ab, die die schwarzen Löcher beschreiben. Die hochgenaue Analyse entschlüsselt fast in Echtzeit die Kräuselungen der Raumzeit – das hat es in dieser Geschwindigkeit und Präzision noch nie gegeben.

„Je weiter wir mit immer empfindlicheren Detektoren ins Weltall blicken, desto mehr Gravitationswellen werden gemessen. Schnelle Methoden wie die unsere sind daher unerlässlich, um all diese Daten in angemessener Zeit zu analysieren“, sagt Stephen Green, Wissenschaftler in der Abteilung Astrophysikalische und Kosmologische Relativitätstheorie am AEI. „DINGO hat den Vorteil, dass es – einmal trainiert – neue Ereignisse sehr schnell analysieren kann. Wichtig ist dabei auch, dass es detaillierte Schätzungen der Ungenauigkeit von Parametern liefert, die in der Vergangenheit mit Methoden des maschinellen Lernens nur schwer zu ermitteln waren.“

Bislang verwenden die Forscher*innen der LIGO- und Virgo-Kollaborationen sehr rechenintensive Algorithmen zur Analyse der Daten. Sie benötigen für die Interpretation jeder Messung Millionen neuer Simulationen von Gravitationswellen. Das dauert mehrere Stunden bis Monate – DINGO jedoch ist weitaus schneller, da das trainierte Netzwerk keine weiteren Simulationen für die Analyse neuer Beobachtungsdaten benötigt; ein Verfahren, das als „amortisierte Inferenz“ bekannt ist.

Diskutieren Sie mit im Raumcon-Forum:

• Gravitationswellen

Der Beitrag Neuronales Netz analysiert Gravitationswellen in Echtzeit erschien zuerst auf Raumfahrer.net.