Veranlassung
Methoden des maschinellen Lernens kommen in der gewässerkundlichen Praxis der BfG bisher nur vereinzelt zum Einsatz. Der Einsatz von ML entspricht in vielen Bereichen aber bereits dem Stand von Wissenschaft und Technik und hält zunehmend Einzug auch in gewässerkundliche Fragestellungen. ML besitzt das Potenzial, zum einen bestehende Aufgaben und Methoden qualitativ zu optimieren (z. B. in Form verbesserter Prognosemethoden). Zum anderen werden durch den Einsatz von ML arbeitsaufwändige, mit klassischen Ansätzen nicht leistbare Analysen erst möglich, wodurch auch gänzlich neue oder substanziell erweiterte Leistungen und Produkte entstehen. Der unmittelbare Anwendungs- und Aufgabenbezug von MALPROG lässt diesbezüglich konkrete Ergebnisse für relevante Fachaufgaben sowie zielführende Erkenntnisse für eine Übertragung auf weitere Arbeitsfelder der BfG erwarten.
Ziele
Die übergeordneten Ziele von MALPROG sind
- wissenschaftliche Erkenntnis und Datenharmonisierung: Untersuchung praktischer Anwendbarkeit von Methoden des maschinellen Lernens für ausgewählte BfG-Fachaufgaben (Messdatenplausibilisierung, Abfluss- und Wasserstandsvorhersage, Vegetationskartierung, Ölerkennung)
- Technologietransfer: Überführung zielführender Methoden des maschinellen Lernens in zentrale Dienste und Applikationen der BfG
- Konsolidierung des Wissens: Initiierung einer BfG-weiten Arbeitsgruppe "KI" zwecks Beratung, Unterstützung, Austausch und Koordination zukünftiger Anwendungen mit Bezug zu Methoden der künstlichen Intelligenz
Für die konkrete Anwendung der ML-Methoden für die Fach- und Beratungsaufgaben der BfG sollen
- eine weitere Steigerung der Vorhersagegüte erzielt, längerfristige Vorhersageskalen erschlossen und innovative Beratungsprodukte generiert werden,
- eine intelligente Vorbeurteilung von Öl-Verschmutzungen ermöglicht werden, die z. B. einen effizienteren Einsatz unbemannter Systeme ermöglicht und den teuren Datentransfer für weitfliegende Systeme wesentlich reduziert,
- durch die Anwendung auf digitale Orthofotos eine Identifizierung von Vegetation mit erhöhtem Automatisierungsgrad auf großer Fläche ermöglicht werden, z. B. für eine effiziente Erstellung von Biotoptypenkartierungen und für ein stringentes Vegetationsmonitoring bei Entwicklungsmaßnahmen,
- durch Kameraaufnahmen automatisch Makroplastik in fließenden Gewässern identifiziert und klassifiziert werden,
- Messfehler von Bodenfeuchtemessungen identifiziert und korrigiert werden.
Die vertiefte Befassung mit den Möglichkeiten und Grenzen von ML-Methoden soll die BfG unterstützen, um die rasant zunehmende Menge an (Umwelt-)Daten unter Nutzung steigender Rechenressourcen in eine verbesserte Leistungsfähigkeit ihres Beratungsangebots (z. B. für die WSV, das BMDV, das BMUV) zu überführen.
Die Entwicklung von Anwendungsfeldern im Bereich der künstlichen Intelligenz (KI) ist ein zentrales Ziel der Bundesregierung (KI-Strategie für Deutschland), welches das BMDV für den Verkehrssektor in seinem Aktionsplan "Digitalisierung und Künstliche Intelligenz in der Mobilität" aufgegriffen und weiter konkretisiert hat. Pilothafte Anwendungen belegen aber neben dem hohen Bedarf auch das große Potenzial von Methoden des maschinellen Lernens im Bereich der Gewässerkunde (Prognose, Klassifikation, Regression).
Im Rahmen von MALPROG wird die Nutzung KI- bzw. ML-basierter Methoden für konkrete Anwendungsfelder in der Gewässerkunde systematisch untersucht. Als zielführend identifizierte Ansätze werden in die praktische Facharbeit integriert, um letztlich deren Potenzial für konkrete Anwendungen in der Analyse- und Beratungspraxis der BfG und WSV ausschöpfen zu können.
Die Hauptaufgaben der Forschung auf dem Gebiet des Waldbaus bestehen in der wissenschaftlichen Begleitung
- des Umbaus von Nadelholzreinbeständen in naturnahe Mischwälder
- der Pflege von Waldbeständen und
- des Prozessschutzes bzw. der Prozessanalyse in Naturwaldzellen.
Für diese Aufgaben wurde in Sachsen ein standorts- und waldstrukturrepräsentative Versuchsflächennetz angelegt. Dieses dient u.a. zur
- ressourcenorientierten komplexen Analyse von Waldentwicklung (Bodenvegetation, Waldstruktur, Baumarten, Mischungen etc.) und Umweltdynamik (Mikroklima , Wasser) sowie der Ableitung von entsprechenden Wirkmechanismen bspw. über die
- Erarbeitung, Weiterentwicklung und Nutzung von Prognosesystemen zur pflanzenprozess- und waldstrukturabhängigen Abschätzung von Wasserhaushalts- u. Wachstumsdynamiken.
- Durchführung verschiedener ökophysiologischer Detailuntersuchungen (bspw. Assimilation, Transpiration, Biomassen, Reservestoffe wichtiger Baumarten/ Pflanzenarten)
- waldstrukturorientierten Monitoring der Umweltdynamiken (Meteorologie, Strahlung, Wasserhaushalt etc.) und Umweltauswirkungen (Waldschadenserhebung).
Die erforderliche Strukturierung, effektive Verfügbarkeit und Auswertung des erhobenen komplexen Datenpools wird über die Pflege und Weiterentwicklung des FIS Waldökologie, Waldverjüngung, Waldpflege erreicht.
Im Rahmen des Waldbaus werden diese Forschungsergebnisse in die forstwirtschaftliche Praxis der Forstämter überführt. Dazu gehören u.a. folgende Teilaufgaben:
- Erarbeitung von standorts- und waldstrukturabhängigen praxisorientierten waldbaulichen Bewirtschaftungsempfehlungen zum Waldumbau und zur Waldpflege
- Untersuchung von waldbaulichen Rationalisierungsmöglichkeiten (Naturverjüngungen, Pflegeextensivierungen, Einbeziehung von Sukzessionsprozessen)
- Zusammenfassung und Überführung der wissenschaftlichen Ergebnisse in Form von Merkblättern, Entwürfen zu Verfügungen und Erlassen für die forstliche Praxis
- Durchführung und Weiterentwicklung des waldbaulichen Qualitätsmanagements der Forstbetriebe
- Erarbeitung des jährlichen Waldzustandsberichts für Sachsen.