PlantDiv-Spec - Towards robust detection of plant diversity &
management in grasslands’ spectral signals
Trotz der zunehmenden Gefährdung essenzieller ökosystemarer Dienstleistungen des Waldes durch die Biodiversitäts- und Klimakrise ist ein robustes Monitoring der Biodiversität durch mangelnde Zugänglichkeit und heterogener Formate wertvoller Daten und Beobachtungen, sowie geeigneter Analysemethoden (mit entsprechender Hardware), ausgeblieben. Ziel dieses Projekts war deshalb, das zur Verfügung stehende Repertoire an Geo- und Citizen-Science-Daten (Drohnendaten, Flora Incognita, iNaturalist) zu integrieren, um diese bisher ungenutzten Biodiversitätsinformationen in Kombination mit Fernerkundungsprodukten über Methoden der Künstlichen Intelligenz (KI) zur flächenhaften Ableitung von Waldgesellschaften und damit letztlich Biodiversität zu verknüpfen. Dies soll durch die Nutzung gängiger Entwicklungsumgebungen für Methoden der KI und Datenwissenschaften erfolgen, die eine flexible Integration von extrem hohen Datenvolumen mit Prädiktoren unterschiedlicher Datenstrukturen sowie den Umgang mit lückenhaften Daten bei überschaubarem Einsatz von Software-Entwicklung ermöglichen.
Die Projektergebnisse erlaubten erstmals eine Abschätzung hinsichtlich des Mehrwerts von Citizen-Science-Daten für die Biodiversitätsforschung in Wäldern. Durch die Miteinbeziehung dieser Informationen konnte die Klassifikationsgenauigkeit von Baumarten - und damit in Konsequenz von Waldgesellschaften - um 10 % gesteigert werden. Aufgrund der kurzen Projektdauer konnte allerdings nicht mehr abschließend geklärt werden, welche funktionalen Zusammenhängen hinter der gesteigerten Klassifikationsgenauigkeit stehen. In diesem Kontext konnte auch das generelle Klassifikationsverfahren (unabhängig von Citizen-Science-Daten) hinsichtlich Genauigkeit (+ 20 %) und Laufzeit verbessert werden. Es wurde ein KI-Workflow entwickelt, der unterschiedlichen Beobachtungskomponenten von Citizen-Science-, Umwelt- und Fernerkundungsdaten integrieren kann. Dieser workflow lässt sich zukünftig als Blaupause auch für Studien mit anderen thematischen Schwerpunkten nutzen, da hier das Augenmerk auf der Integration von heterogenen Daten liegt.