Zielsetzung: Klimatische Veränderungen beeinflussen die verfügbare Wassermenge und -qualität in Talsperren, was deutliche Auswirkungen auf die Sicherheit der Trinkwasserversorgung und auf die Ökosysteme der Stauseen und den Landschaftswasserhaushalt hat. Klimaprognosen deuten für Gebiete wie den Harz auf einen Anstieg von Niederschlägen im Winter und häufigere Trockenperioden im Sommer hin, was stärker schwankende Wasserstände bedeutet. Zur Anpassung im Management der Talsperren und deren Ökosystemen mangelt es jedoch oft an präzisen Vorhersagen und den nötigen Instrumenten, um risikobasierte Entscheidungen über notwendige dynamische Betriebsstrategien zu treffen. Vor diesem Hintergrund soll im Rahmen des Projekts ein vorhersagebasiertes, mengen- und gütegewichtetes Entscheidungsunterstützungssystem für Talsperren entwickelt werden, welches auf datengetriebenen Modellen basiert und am Beispiel des Systems der Harzwasserwerke implementiert wird. Das Projekt konzentriert sich darauf, durch die Nutzung moderner Technologien und Methoden der Künstlichen Intelligenz (KI), wie LSTM-Netzwerke (Long Short-Term Memory) und Ensemble-Methoden, zuverlässige Vorhersagen des Wasserbedarfs und -dargebots zu erstellen. Diese Vorhersagen werden in ein hydrodynamisches Optimierungsmodell integriert, um eine flexible und belastbare Entscheidungsunterstützung im Ereignisfall zu ermöglichen. Hierdurch sollen die verschiedenen Bewirtschaftungsziele wie Hochwasserschutz, Versorgungssicherheit, Ökosystemleistungen, Landschaftswasserhaushalt und Energieerzeugung bestmöglich erfüllt werden. Die Kombination von Echtzeit-Sensoren, Open-Source-Datensätzen und fortschrittlichen Datenanalyse-Tools ermöglicht es, komplexe und dynamische Prozesse zu simulieren und in Echtzeit Informationen bereitzustellen. Im Sinne der nachhaltigen Klimawandelanpassung werden so proaktive Maßnahmen zur Unterstützung der Versorgungssicherheit, des Hochwasserschutzes sowie des Landschaftswasserhaushaltes ermöglicht. Die Implementierung des Demonstrators im System der Harzwasserwerke soll die Vorteile einer proaktiven Steuerung demonstrieren und eine multikriterielle Bewertung im Vergleich zu herkömmlichen Methoden ermöglichen. Der Fokus liegt nicht nur auf einem hohen Technology Readiness Level, sondern auch auf der Handhabung von Unsicherheiten und der Berücksichtigung verschiedener Vorhersagehorizonte. Diese sind für die verschiedensten wasserwirtschaftlichen Zielsetzungen von entscheidender Bedeutung.
Der Datensatz umfasst die automatisiert aus Luftbildern (Aufnahmezeitpunkte 30. März und 01./02. Juni 2021) abgeleiteten, zweidimensionalen Baumkronenumringe ("Baumkronenpolygone") von rund 894.000 Bäumen im Stadtgebiet von Wuppertal, ausgeführt durch die EFTAS Fernerkundung Technologietransfer GmbH aus Münster im Rahmen der Forschungskooperation DigiTalZwilling4D innerhalb des Förderprojektes smart.wuppertal / DigiTal Zwilling mit dem in dieser Kooperation entwickelten Verfahren "twin4tree". Hierbei wurde das normalisierte Digitale Oberflächenmodell (nDOM) von Geobasis NRW (Jahrgang 2021) als Höhenmodell verwendet. Um keine Gebäude oder Bauwerke als Baum zu identifizieren, wurden für das Vegetationshöhenmodell nur Bereiche des nDOM innerhalb einer Baummaske berücksichtigt, die zuvor über eine Klassifikation der o. g. Luftbilder mit dem KI-Verfahren "Cop4ALL" erzeugt wurde. Die einzelnen Bäume wurden darin über ein Template-Matching-Verfahren identifiziert, bei dem variable 3D-Schablonen (sphärische und gaußförmige Form für Laubbäume, parabolische, hyperbolische und konische Form für Nadelbäume) über das Vegetationshöhenmodell gelegt werden. Den so gefundenen Baumstandorten wurden mittels einer Segmentierung des Vegetationshöhenmodells Baumkronen zugeordnet, deren senkrechte Projektion auf den Boden zweidimensionale Baumkronenpolygone ergab. Der Datensatz ist im GeoPackage-Format als Original und zur Reduzierung der Dateigröße als Variante mit generalisierten Baumkronenpolygonen unter der Open-Data-Lizenz CC BY 4.0 verfügbar. Wichtiger Hinweis: In dichten Baumbeständen ist die Identifikation einzelner Bäume aufgrund von zusammenwachsenden Baumkronen ("Kronenschluss") erschwert. Auch sogenannte "beherrscht stehende Individuen" unterhalb der aus der Luft sichtbaren Baumkronen lassen sich mit dem twin4tree-Verfahren nicht eindeutig erkennen. Daher unterschätzt das Verfahren die Anzahl von Bäumen in diesen Bereichen deutlich. Aus stichprobenhafte Zählungen in einigen Waldbereichen wurde ein durchschnittlicher Korrekturfaktor von 1,6 abgeleitet.
Das Produkt Landbedeckung (LB) der AdV (Arbeitsgemeinschaft der Vermessungsverwaltungen der Länder der Bundesrepublik Deutschland) wurde nach dem Cop4ALL-DE Verfahren erzeugt und stellt eine flächendeckende und überschneidungsfreie Erfassung der Landbedeckung in Deutschland bereit. Die Daten werden durch eine kombinierte Analyse von Sentinel-2-Satellitenbildern, Orthophotos, ALKIS / ATKIS und einem normalisierten digitalen Oberflächenmodell (nDOM) erzeugt. Mithilfe künstlicher Intelligenz wird die Landbedeckung klassifiziert. Beginnend mit 2023 wird eine jährliche Ableitung zur Verfügung gestellt werden. Das Produkt Landbedeckung Deutschland steht momentan als WMS-Dienst und die einzelnen Bundesländer als Download zur Verfügung. Unterliegt der CC-BY-4.0
Der Datensatz umfasst die automatisiert aus Luftbildern (Aufnahmezeitpunkte 30. März und 01./02. Juni 2021) abgeleiteten, punktförmigen Stammpositionen von rund 894.000 Bäumen im Stadtgebiet von Wuppertal, ausgeführt durch die EFTAS Fernerkundung Technologietransfer GmbH aus Münster im Rahmen der Forschungskooperation DigiTalZwilling4D innerhalb des Förderprojektes smart.wuppertal / DigiTal Zwilling mit dem in dieser Kooperation entwickelten Verfahren "twin4tree". Hierbei wurde das normalisierte Digitale Oberflächenmodell (nDOM) von Geobasis NRW (Jahrgang 2021) als Höhenmodell verwendet. Um keine Gebäude oder Bauwerke als Baum zu identifizieren, wurden für das Vegetationshöhenmodell nur Bereiche des nDOM innerhalb einer Baummaske berücksichtigt, die zuvor über eine Klassifikation der o. g. Luftbilder mit dem KI-Verfahren "Cop4ALL" erzeugt wurde. Die einzelnen Bäume wurden darin über ein Template-Matching-Verfahren identifiziert, bei dem variable 3D-Schablonen (sphärische und gaußförmige Form für Laubbäume, parabolische, hyperbolische und konische Form für Nadelbäume) über das Vegetationshöhenmodell gelegt werden. Den so gefundenen Baumstandorten wurden mittels einer Segmentierung des Vegetationshöhenmodells Baumkronen zugeordnet, deren senkrechte Projektion auf den Boden zweidimensionale Baumkronenpolygone ergab. Die Stammposition eines Baumes wurde im geometrischen Schwerpunkt seines Baumkronenpolygons angenommen. Der Datensatz ist im GeoPackage-Format unter der Open-Data-Lizenz CC BY 4.0 verfügbar. Wichtige Hinweise: (1) In dichten Baumbeständen ist die Identifikation einzelner Bäume aufgrund von zusammenwachsenden Baumkronen ("Kronenschluss") erschwert. Auch sogenannte "beherrscht stehende Individuen" unterhalb der aus der Luft sichtbaren Baumkronen lassen sich mit dem twin4tree-Verfahren nicht eindeutig erkennen. Daher unterschätzt das Verfahren die Anzahl von Bäumen in diesen Bereichen deutlich. Aus stichprobenhafte Zählungen in einigen Waldbereichen wurde ein durchschnittlicher Korrekturfaktor von 1,6 abgeleitet. (2) Die genauen Stammpositionen können aus optischen Fernerkundungsdaten nicht bestimmt werden. Die als Stammpositionen angegebenen Schwerpunkte der Baumkronenpolygone sind Näherungswerte.
The Tree Species Germany product provides a map of dominant tree species across Germany for the year 2016 at a spatial resolution of 10 meters. The map depicts the distribution of ten tree species groups derived from multi-temporal optical Sentinel-2 data. The input features explicitly incorporate phenological information to capture seasonal vegetation dynamics relevant for species discrimination. A total of over 100,000 training and test samples were compiled from publicly accessible sources, including urban tree inventories, Google Earth Pro, Google Street View, and field observations. The final product was created by majority-voting on annual XGBoost Sentinel-2 tree species classifications (2016–2024) and filtering with forest structure data. If no clear majority vote was achieved, the class uncertain was assigned. The Tree Species Germany 2016 product achieves an overall F1-score of 0.95. For the dominant species pine, spruce, beech, and oak, class-wise F1-scores range from 0.92 to 0.99, while F1-scores for other widespread species such as birch, alder, larch, Douglas fir, fir, and other deciduous species range from 0.85 to 0.96. The product provides a consistent, high-resolution, and up-to-date representation of tree species distribution across Germany. Its transferable, cost-efficient, and repeatable methodology enables reliable large-scale forest monitoring and offers a valuable basis for assessing spatial patterns and temporal changes in forest composition in the context of ongoing climatic and environmental dynamics.
The Tree Species Germany product provides a map of dominant tree species across Germany for the year 2022 at a spatial resolution of 10 meters. The map depicts the distribution of ten tree species groups derived from multi-temporal optical Sentinel-2 data, radar data from Sentinel-1, and a digital elevation model. The input features explicitly incorporate phenological information to capture seasonal vegetation dynamics relevant for species discrimination. A total of over 80,000 training and test samples were compiled from publicly accessible sources, including urban tree inventories, Google Earth Pro, Google Street View, and field observations. The final classification was generated using an XGBoost machine learning algorithm. The Tree Species Germany product achieves an overall F1-score of 0.89. For the dominant species pine, spruce, beech, and oak, class-wise F1-scores range from 0.76 to 0.98, while F1-scores for other widespread species such as birch, alder, larch, Douglas fir, and fir range from 0.88 to 0.96. The product provides a consistent, high-resolution, and up-to-date representation of tree species distribution across Germany. Its transferable, cost-efficient, and repeatable methodology enables reliable large-scale forest monitoring and offers a valuable basis for assessing spatial patterns and temporal changes in forest composition in the context of ongoing climatic and environmental dynamics.
Der Einsatz künstlicher Intelligenz (KI) hat sich bei der Analyse großer Mengen an Fotofallenbildern als fester Bestandteil in der Wildtierforschung etabliert. Dennoch existieren zum jetzigen Zeitpunkt unserer Kenntnis nach keine Untersuchungen, die für die Analyse von Fotofallendaten in mitteleuropäischen Regionen neben der Güte der Algorithmen auch die Benutzerfreundlichkeit betrachten. Vor diesem Hintergrund untersucht die vorliegende Studie die Effektivität, Effizienz und Anwendbarkeit des KI-Algorithmus DeepFaune> (DF) in der Auswertung von Fotofallenbildern im Vergleich zu menschlichen Bearbeiterinnen und Bearbeitern. Dafür wurden 1.013 Fotofallenbilder von drei Standorten in Deutschland manuell von fünf kundigen Personen sowie durch DF klassifiziert. Zuvor wurden 20 Klassen von Tierarten, Tierartengruppen, weiteren Objekten sowie die Klassen "Nicht erkennbar" und "Leer" festgelegt. Anschließend wurde ein korrekter Datensatz erstellt, der als Referenz für die Bewertung der Güte der menschlichen und der durch den Algorithmus generierten Analyseergebnisse diente. Die menschliche Vergleichsgruppe erreichte im Mittel eine korrekte Klassifikation von 91,9% der Bilder, während DF 72,85% der Bilder richtig klassifizierte. Im Durchschnitt brauchten die Personen 5,75h und DF 15min für die Klassifikation des Datensatzes. Die Genauigkeit ist momentan für seltene Arten in vielen Fällen noch gering, wird aber durch die schnelle Weiterentwicklung der KI-Technologie in Zukunft zunehmen. Algorithmen wie DF bieten daher ein hohes Potenzial für eine automatisierte Auswertung großer Mengen von Fotofallenbildern.
Die effektive Überwachung mariner Schutzgüter erfordert eine kontinuierliche Optimierung der Erfassungsmethoden. Insbesondere die zunehmende Offshore-Windenergienutzung stellt die traditionelle Erfassung mariner Wirbeltiere, v. a. mit Hilfe von Beobachterinnen und Beobach-tern in Flugzeugen und manueller Datenauswertung, vor neue Herausforderungen. Das Bundesamt für Naturschutz (BfN) setzt daher digitale Monitoringmethoden in Form von flugzeuggestützten Luftbildaufnahmen ein und entwickelt im Rahmen eines aktuellen Forschungsprojekts eine automatisierte Detektion mariner Tierarten mittels Machine Learning. Der vorliegende Artikel beschreibt die Entwicklung und Evaluierung innovativer digitaler Verfahren zur Klassifikation von Seevögeln und Meeressäugern in Luftbildern. Durch den Einsatz von heuristischen Ansätzen und Deep-Learning-Technologien kann zukünftig eine effiziente und kostengünstige Erfassung ermöglicht werden, um langfristig belastbare Datensätze zu Größen und zur räumlichen und zeitlichen Verteilung der Populationen mariner Wirbeltiere sowie zur Bewertung menschlicher Einflüsse auf marine Ökosysteme zu gewinnen. Zudem wird die zukünftige Rolle automatisierter Erfassungsmethoden untersucht.
This data set comprises images of land snails that were taken for the development of Artificial Intelligence (AI)-based models for the identification of 1) European Vertigo species, and 2) land snails from Tenerife, Canary Islands. The images were taken as part of the Training Artificial Intelligence Models for Land Snail Identification (TrAILSID) project (https://tettris.eu/2024/10/11/trailsid-training-artificial-intelligence-models-for-land-snail-identification), which is part of the initiative Transforming European Taxonomy through Training, Research and Innovations (TETTRIs) funded by the European Union. The first subproject provides 1916 images of the 17 European Vertigo species and Columella edentula, Pupilla muscorum, and Sphyradium doliolum as similar species. The genus Vertigo comprises small terrestrial gastropods, which are often difficult to identify, including species listed in the EU Habitats and Species Directive. This directive requires the surveillance of these species to determine whether a favourable conservation status has been achieved. The images of Columella edentula, Pupilla muscorum, and Sphyradium doliolum, were added to the dataset for the development of the AI model for species identification so that the AI model can recognize that a specimen does not belong to Vertigo. The second subproject provides 5592 images of 106 land snail species occurring on Tenerife, Canary Islands. Endemic terrestrial gastropods in the Canary Islands, which are part of the Mediterranean biodiversity hotspot, are often under threat due to ongoing changes in land use, urbanisation, and an increase in stochastic events such as droughts or wildfires. They are also under threat due to the introduction of foreign species with high invasive potential, which are also represented in the dataset. Images of Vertigo pygmaea, which also occurs on Tenerife, were added to the Tenerife dataset from the Vertigo dataset for the development of the AI model for species identification of species from Tenerife. Note that not all figured specimens are from Tenerife. Photographs were taken of shells housed in the collections of the Zoological Museum of the Leibniz Institute for the Analysis of Biodiversity (ZMH), the Museum of Nature and Archeology Santa Cruz de Tenerife (TFMCMT), the Natural History Museum Bern (NMBE), the Natural History Museum Gothenburg (NMG), the Natural History Museum London (NHMUK), the National Museum Wales (NMW), as well as land snails from Tenerife, Canary Islands. This data set comprises images of land snails that were taken for the development of Artificial Intelligence (AI)-based models for the identification of 1) European Vertigo species, and 2) land snails from Tenerife, Canary Islands. The images were taken as part of the Training Artificial Intelligence Models for Land Snail Identification (TrAILSID) project (https://tettris.eu/2024/10/11/trailsid-training-artificial-intelligence-models-for-land-snail-identification), which is part of the initiative Transforming European Taxonomy through Training, Research and Innovations (TETTRIs) funded by the European Union. The first subproject provides 1916 images of the 17 European Vertigo species and Columella edentula, Pupilla muscorum, and Sphyradium doliolum as similar species. The genus Vertigo comprises small terrestrial gastropods, which are often difficult to identify, including species listed in the EU Habitats and Species Directive. This directive requires the surveillance of these species to determine whether a favourable conservation status has been achieved. The images of Columella edentula, Pupilla muscorum, and Sphyradium doliolum, were added to the dataset for the development of the AI model for species identification so that the AI model can recognize that a specimen does not belong to Vertigo. The second subproject provides 5592 images of 106 land snail species occurring on Tenerife, Canary Islands. Endemic terrestrial gastropods in the Canary Islands, which are part of the Mediterranean biodiversity hotspot, are often under threat due to ongoing changes in land use, urbanisation, and an increase in stochastic events such as droughts or wildfires. They are also under threat due to the introduction of foreign species with high invasive potential, which are also represented in the dataset. Images of Vertigo pygmaea, which also occurs on Tenerife, were added to the Tenerife dataset from the Vertigo dataset for the development of the AI model for species identification of species from Tenerife. Note that not all figured specimens are from Tenerife. Photographs were taken of shells housed in the collections of the Zoological Museum of the Leibniz Institute for the Analysis of Biodiversity (ZMH), the Museum of Nature and Archeology Santa Cruz de Tenerife (TFMCMT), the Natural History Museum Bern (NMBE), the Natural History Museum Gothenburg (NMG), the Natural History Museum London (NHMUK), the National Museum Wales (NMW), as well as the private research collections of Klaus Groh (KG), Stefan Meng (SM), Marco T. Neiber (MTN), and Frank Walther (FW). The photographs were taken by staff from the Malacology Section of the Zoological Museum at the Leibniz Institute for the Analysis of Biodiversity (LIB): Till Cunow, Bernhard Hausdorf, Marco T. Neiber, Elicio Tapia, and Mareike Ulrich. The AI-based models for the identification of 1) European Vertigo species, and 2) land snails from Tenerife, Canary Islands are developed by Rita Pucci and Vincent Kalkman at Naturalis, Leiden, and will be made accessible by them. The image recognition models for the European species of the genus Vertigo and the terrestrial mollusc of Tenerife were created by Rita Pucci (Naturalis Biodiversity Center/LIACS) and can be downloaded for deployment from Gitlab. The models are also deployed on ARISE: Classification model for the genus Vertigo: https://gitlab.com/arise-biodiversity/DSI/algorithms/tettris-classification-vertigo Classification model for the terrestrial mollusc of Tenerife https://gitlab.com/arise-biodiversity/DSI/algorithms/tettris-classification-tenerife Contacts Marco T. Neiber Originator Leibniz Institute for the Analysis of Biodiversity Change Martin-Luther-King-Platz 3 20146 Hamburg Germany mneiber@hotmail.de https://orcid.org/0000-0001-5974-5013 Bernhard Hausdorf Originator · Administrative point of contact Leibniz Institute for the Analysis of Biodiversity Change Martin-Luther-King-Platz 3 20146 Hamburg Germany b.hausdorf@leibniz-lib.de https://orcid.org/0000-0002-1604-1689
| Organisation | Count |
|---|---|
| Bund | 1700 |
| Europa | 13 |
| Global | 1 |
| Kommune | 18 |
| Land | 97 |
| Schutzgebiete | 1 |
| Weitere | 92 |
| Wirtschaft | 11 |
| Wissenschaft | 483 |
| Zivilgesellschaft | 25 |
| Type | Count |
|---|---|
| Agrarwirtschaft | 1 |
| Daten und Messstellen | 2 |
| Ereignis | 5 |
| Förderprogramm | 1596 |
| Text | 153 |
| Umweltprüfung | 1 |
| unbekannt | 107 |
| License | Count |
|---|---|
| Geschlossen | 210 |
| Offen | 1647 |
| Unbekannt | 8 |
| Language | Count |
|---|---|
| Deutsch | 1803 |
| Englisch | 344 |
| Resource type | Count |
|---|---|
| Archiv | 6 |
| Bild | 8 |
| Datei | 10 |
| Dokument | 68 |
| Keine | 1532 |
| Unbekannt | 1 |
| Webdienst | 7 |
| Webseite | 280 |
| Topic | Count |
|---|---|
| Boden | 911 |
| Lebewesen und Lebensräume | 1152 |
| Luft | 753 |
| Mensch und Umwelt | 1865 |
| Wasser | 559 |
| Weitere | 1708 |