ILIAS of the Philipps-Universität Marburg
Autorinnen: Dr. Nicolas Frieß

Abstract

Nicolas Friess‡, Marvin Ludwig‡, Stephan Wöllauer‡, Jörg Bendix‡, Martin Brändle‡, Roland Brandl‡, Stephan Dahlke‡, Nina Farwig‡, Bernd Freisleben‡, Hajo Holzmann‡, Hanna Meyer§, Thomas Müller|, Lars Opgenoorth‡, Carina Peter‡, Petra Quillfelldt¶, Christoph Reudenbach‡, Bernhard Seeger‡, Ralf Steinmetz1, Thomas Nauss‡
‡ Philipps-Universität Marburg, Marburg, Germany
§ Westfälische Wilhelms-Universität Münster, Münster, Germany
| Biodiversity and Climate Research Centre (BiK-F), Senckenberg Gesellschaft für Naturforschung, Frankfurt (Main), Germany
¶ Justus-Liebig-Universität Gießen, Gießen, Germany
1 Multimedia Communications Lab (KOM), Technische Universität Darmstadt, Darmstadt, Germany
Kontakt: friess@staff.uni-marburg.de

Ziel des LOEWE-Schwerpunkts Natur 4.0 ist die Entwicklung eines Prototyps von NatNet, einem modularen Umweltmonitoringsystem zur hoch aufgelösten Beobachtung von (naturschutzrelevanten) Arten, Lebensräumen und Prozessen. NatNet kombiniert naturschutzfachliche Expertenaufnahmen und vernetzte Fernerkundungs- und Umweltsensoren. Zusammen mit leistungsfähigen Datenintegrationsmethoden und Analysefunktionen ermöglicht NatNet die differenzierte und effektive Beobachtung von Landschaften. Es verdichtet in situ Untersuchungen von Experten und nutzt die nichtreguläre Datenerhebung mit mobilen Plattformen zur Modellierung naturschutzfachlicher Informationen in Form von regulären, kleinräumig differenzierten Rasterkarten.
Eine Herausforderung bei der Entwicklung von NatNet ist die Strukturierung, Verarbeitung und Integration hochheterogener Datensätze mit variierendem Detailgrad, räumlich-zeitlicher Auflösung und Ansprüchen an die Prozessierung. Hierfür werden auf die anfallenden Datentypen spezialisierte Datenbankmodule in automatisierte und permanent versionierte Prozessierungsketten integriert und Produkte für den Datenexport erstellt. So werden beispielsweise im Gelände erhobene Zeitreihen baumphysiologischer Parameter über eine Zeitreihendatenbank mit wiederholten multispektralen Satellitenszenen verknüpft, welche in einer Fernerkundungsdatenbank vorgehalten werden. Die Verknüpften Datensätze dienen anschließend dem Training maschineller Lernverfahren zur räumlichen Vorhersage des Trockenheitsstresses der Waldbäume im Untersuchungsgebiets. Andere Prozessierungsketten sollen Expert*Innen der Fachdisziplinen direkt mit einbinden. So werden im Untersuchungsgebiet aufgenommene Vogelgesangaufnahmen mittels tieflernender Verfahren klassifiziert und in einer Audiodatenbank verfügbar gemacht. Im Anschluss können ornithologische Expert*Innen die Tonaufnahmen gegenhören und die von der KI vorgenommene Klassifizierung validieren. Der so entstehende Datensatz wird wiederum dafür genutzt die KI erneut zu trainieren und hierdurch das Modell stetig zu verbessern und eine zuverlässige Schätzung der Diversität der Vögel an den jeweiligen Standorten zu ermöglichen. Am Ende der Prozessierungskette werden die entsprechenden Produkte zur Ausgabe nach außen vorbereitet. Neben der reinen Archivierung in Forschungsdatenrepositorien und der Darstellung in an die Öffentlichkeit gerichteten Dokumentationsseiten und Lernplattformen, sollen die Daten hierbei auch Wissenschaftler*Innen und Entscheidungsträger*innen in cloudbasierten Business Intelligence Modulen verfügbar gemacht werden.