Maschinelle Lernmodelle haben große Erfolge beim Lernen komplexer Muster wie zum Beispiel die räumliche Verbreitung von Bodeneigenschaften gezeigt, die es erlauben Vorhersagen über nicht erfasste Bereiche zu treffen. Die Fähigkeit, das Gelernte auf andere Gebiete anzuwenden ist dagegen wenig entwickelt und bislang können die Modelle nur sehr eingeschränkt auf Bereiche außerhalb der unmittelbaren Lernumgebung übertragen werden. Ähnlich empirischen Regressionen gelten die Regelwerke, z.B. bei Entscheidungsbaumverfahren wie Random Forest, nur für den von Trainingsdaten abgedeckten Wertebereich. Für jedes weitere Gebiet werden erneut möglichst hochwertige und umfangreiche Trainingsdaten benötigt. Fortschritte im Bereich des Deep Learning (DL), z.B. Convolutional Neural Networks, des Transfer Learnings und kombinierte Ansätze im Bereich Feature Selection (FS) bieten hier erweiterte Möglichkeiten, um die Dimensionalität gerade bei kleineren Datensätzen einzuschränken, die Überanpassung an die Trainingsdaten zu minimieren und die Übertragung auf angrenzende Gebiete zu verbessern. Im vorliegenden Antrag nehmen wir diese Entwicklungen auf und versuchen Bodeneigenschaften auch für Bereiche außerhalb der Lernumgebung vorherzusagen. Dazu erstellen wir zunächst mit Umweltfaktoren eine gebietsspezifische Parametrisierung maschineller Lernmodelle anhand von geomorphometrischen, geologischen, landschaftsökologischen und klimatischen Parametern. Welche Parameter dies im Einzelnen sind und wie sie untereinander im Verhältnis stehen, wird exemplarisch für verschiedene Testdatensätze in Deutschland (humides Klima) und im Iran (semi-arid bis arides Klima) durch die Kombination von Methoden des DL und der FS berechnet. Im Folgeschritt werden die mit den ausgewählten Parametern der Umweltfaktoren und den Bodenprofildaten trainierten Modelle auf nicht trainierte Gebiete übertragen und an unabhängigen Bodendaten validiert. Die nicht trainierten Gebiete werden anhand von Distanz- und Ähnlichkeitsmaßen hinsichtlich ihrer Vergleichbarkeit mit den ursprünglichen Trainingsgebieten charakterisiert, um die Transferleistung der maschinellen Lernmodelle zu beurteilen. Abschließend ist vorgesehen, für die unbekannten Gebiete schrittweise Trainingsdaten zuzufügen, um die Entwicklung der Vorhersagegenauigkeit zu quantifizieren und die Transfereigenschaften verschiedener ML-Verfahren zu beurteilen. Als Trainingsdaten dienen LUCAS-Daten für Deutschland und Bodenprofildaten aus der nationalen SPDB Datenbank für den Iran. Die Umweltparameter werden aus Satellitendaten, digitalen Höhenmodellen, Weltklimadaten sowie Landnutzungskarten und geologischen Kartenwerken abgeleitet. Bodeneigenschaften sind Bodenkohlenstoffgehalt, Bodentextur, Carbonatgehalt und Kationenaustauschkapazität. Es werden 12 maschinelle Lernverfahren vergleichend angewendet.
Die Waldschule Spandau, mit nunmehr fast 30 Jahren “dienstälteste” Waldschule der Berliner Forsten, wendet sich in erster Linie an Kinder im Grundschulalter und greift ihren natürlichen Bewegungs-, Entdeckungs- und Forscherdrang auf. Die Gruppen können sich für einen “Waldtag” anmelden, in dessen Verlauf erlebnishafte, auf sinnliche Wahrnehmung ausgerichtete Unterrichtsformen den Kindern einen spannenden Lebensraum eröffnen und ihnen neben biologischen, ökologischen und forstlichen Grundkenntnissen eine positive Einstellung dem Wald gegenüber vermitteln wollen. Zwei kleine behagliche Holzhütten im Spandauer Forst dienen dabei als Ausgangspunkt. Nach einer Frühstücks- und Einführungsrunde am Bollerofen, während der wir uns die Tierpräparate, Geweihe, Nester und anderen Fundstücke aus dem Wald ansehen, geht es – häufig in zwei kleineren Gruppen – ab in den Busch zum Beobachten, Suchen, Rennen, Bauen, Klettern, Erzählen, Riechen, Pirschen, Vergleichen, Spielen, Lauschen … Manchmal auch zum Nasswerden; Regenkleidung nicht vergessen! Gerade beim ersten Besuch der Kinder im Wald stellen wir den Tag gar nicht unter ein bestimmtes Thema, sondern halten einfach Augen und Ohren offen, z.B. auf der Suche nach Tierspuren wie Behausungen, Fährten, Fraßspuren, Rupfungen … – Pflanzen und Tiere verraten uns dann eine Menge über ihr Zusammenleben im Wald. Hier und auch bei Waldtagen mit thematischem Schwerpunkt ergeben sich häufig Fragen und Gespräche zu dem Alltagsleben der Kinder, zu den Auswirkungen unseres Handelns auf die Natur und zu denkbaren Alternativen des eigenen (Konsum-)verhaltens. Malerisch am Wasser gelegen, in unmittelbarer Nachbarschaft zum Biber und umgeben von Wald, Wiese und “Wüste”, lädt die Waldschule zudem rund um das Jahr alle interessierten Besucher zu vielfältigen Exkursionen und Veranstaltungen ein: Projekttage und -wochen (z.B. zu den Themen Boden, Krabbeltiere, Klima), Waldeinsätze, Teambildungstage für ältere SchülerInnen, Familien- und Seniorenwaldtage, waldpädagogische Weiterbildungen, Abendwanderungen, LandArt, schnitzen, Ferienwochen, Radtouren… U-Bahn U7 oder S-Bahn S3, S9 bis Rathaus Spandau, dann mit Bus 136 Richtung Hennigsdorf bis Haltestelle Bürgerablage