Forschungsschwerpunkt: Entwicklung neuer Methoden der räumlichen Modellierung

Der rasche Klimawandel und der Verlust der Biodiversität stellen enorme Herausforderungen dar. Sie führen zu weitreichenden ökologischen Veränderungen, die nur durch kontinuierliches raum-zeitliches Monitoring erfasst und verstanden werden können. Die satellitengestützte Erdbeobachtung ermöglicht eine flächendeckende und regelmäßige Erfassung der Umwelt. Die Schwierigkeit besteht jedoch darin, diese umfangreichen Datenmengen in aussagekräftige Umweltinformationen zu übersetzen. Angesichts der Komplexität von Umweltsystemen bieten Methoden der Künstlichen Intelligenz (KI) und des maschinellen Lernens wertvolle Werkzeuge. Ihre Anwendung auf räumliche Daten ist jedoch eine Herausforderung, da komplexe räumliche Muster erkannt und Unsicherheiten berücksichtigt werden müssen, um verlässliche Vorhersagen zu ermöglichen.

Konzeptionelle Methodenentwicklung

In unserer Forschung zeigen wir, dass bestehende Methoden oft unzureichend sind (Meyer and Pebesma 2022; Ludwig et al., 2023) und viele KI-gestützte Umweltinformationen erhebliche Unsicherheiten aufweisen. Um diese Lücke zu schließen, entwickeln wir innovative Ansätze mit dem Ziel, präzisere Fernerkundungs- und KI-basierte Erdbeobachtungsprodukte zu schaffen. Dazu gehören räumliche Validierungsmethoden zur verbesserten Modellbewertung (Milà et al., 2022; Linnenbrink et al., 2024) sowie Strategien zur Variablenselektion (Meyer et al., 2018; Meyer et al., 2019), die die Generalisierbarkeit der Modelle erhöhen. Mit der "Area of Applicability" haben wir eine Methode entwickelt, die erstmals den Einsatzbereich von Modellen definiert und deren Übertragbarkeit auf neue Regionen und zukünftige Umweltbedingungen prüft (Meyer et al., 2021). Diese Methode wird durch die "Local Point Density" erweitert (Schumacher et al., 2024), mit der wir eine neue Möglichkeit schaffen, Unsicherheiten aufgrund fehlenden Wissens des Modells über eine Region zu kartieren. Dies ist angesichts der dynamischen Veränderungen durch den Klimawandel von besonderer Bedeutung.

Softwareentwicklung

Durch die Integration unserer Entwicklungen in Open-Source-Software, insbesondere in unser R-Paket "CAST" (https://hannameyer.github.io/CAST/), stellen wir unsere wissenschaftlichen Fortschritte unmittelbar als praxisnahe Werkzeuge zur Verfügung. Diese Methoden werden bereits von verschiedenen Forschergruppen eingesetzt, um eine Vielzahl von Umweltvariablen zu modellieren – von Bodenkohlenstoff und Landnutzungsintensität über Artenvielfalt und Ernteerträge bis hin zu Wasserqualität und Feinstaubbelastung. Da solche Vorhersagen nicht nur für die Wissenschaft, sondern auch für viele andere Bereiche von Bedeutung sind, bieten die entwickelten Methoden und generierten Umweltdaten wertvolle Ansätze für Politik, Wirtschaft und Umweltforschung. In unserer Forschung sind die methodischen Neuentwicklungen eng mit ökologischen Fragestellungen verknüpft.

Anwendung in der Landschaftsökologie

In anwendungsbezogenen Projekten (siehe Forschungsschwerpunkt "Umweltmonitoring") setzen wir diese gezielt ein, beispielsweise zur Modellierung der CO₂-Freisetzung aus Böden (DFG – Carbon4D), zur Bewertung des Erfolgs von Moorrenaturierungen (DFG/BiodivERsA – Reversal) oder zur Erfassung von Biodiversitätsmustern in Grasländern (DFG – Beyond).

Unsere Forschungsprojekte mit dem Schwerpunkt Methodenentwicklung

SFB TRR 391 - A05: Deep Learning in Raum und Zeit (2024 – 2028)
Teilprojekt in DFG-Verbund koordiniert außerhalb der Universität Münster: DFG - Sonderforschungsbereich | Förderkennzeichen: TRR 391/1, A05

PRISM – Preservation and RecognItion of Spatial patterns using Machine learning (2024 – 2026)
EU-Projekt koordiniert an der Universität Münster: EU Horizon Europe - Marie Skłodowska-Curie Actions - Postdoctoral Fellowship | Förderkennzeichen: 101147446

Uebersat – Raum-zeitliche Übertragbarkeit satellitenbasierter KI-Modelle (2021 – 2023)
Gefördertes Einzelprojekt: Bundesministerium für Wirtschaft und Klimaschutz | Förderkennzeichen: 50EE2009