Über uns
Die Arbeitsgruppe Fernerkundung und räumliche Modellierung gehört zum Institut für Landschaftsökologie der Universität Münster. In Forschung und Lehre befassen wir uns mit der Erfassung und Analyse raum-zeitlicher Umweltdynamiken in einem breiten Spektrum landschaftsökologischer Themenfelder. Wir kombinieren verschiedenskalige Fernerkundungsdaten mit räumlichen Modellierungsmethoden, um aus limitierten landschaftsökologischen Felddaten raum-zeitlich kontinuierliche Informationen zu gewinnen. Die Komplexität von Umweltsystemen erfordert dabei die Verwendung von Modellierungsstrategien, die es erlauben, komplexe Zusammenhänge zu berücksichtigen. Aus diesem Grund liegt unser Schwerpunkt auf dem Einsatz von maschinellen Lernverfahren. Neben der Anwendung für landschaftsökologische Fragestellungen arbeiten wir auch an methodischen Weiterentwicklung für räumliche Daten. Damit befindet sich die Arbeitsgruppe an der Schnittstelle zwischen der Geoinformatik [en] und der Landschaftsökologie [de] und hat insgesamt das Ziel über Drohnendatenerfassungen, Satellitendatenverarbeitung, Modellierung und Simulationen zu einem Erkenntnisgewinn in der Ökosystemforschung beizutragen.
Räumliche Muster sind von zentraler Bedeutung für geografische und umweltbezogene Daten. Das Verständnis darüber, wie diese Muster Modelle des maschinellen Lernens beeinflussen, ist für zuverlässige Vorhersagen und Interpretationen unerlässlich. Das Projekt PRISM (Preservation and RecognItion of Spatial patterns using Machine learning), geleitet von Dr. Jakub Nowosad an der Universität Münster, hat neue Perspektiven und praktische Ressourcen geliefert, um die Reproduzierbarkeit und Zuverlässigkeit des räumlichen maschinellen Lernens zu verbessern.
PRISM hat die Forschung zu mehreren zentralen Herausforderungen im Bereich des räumlichen maschinellen Lernens vorangetrieben (https://doi.org/10.3112/erdkunde.2026.04.01), darunter die Evaluierung räumlicher Modelle (https://doi.org/10.48550/arXiv.2605.13689) sowie das Verständnis der residualen räumlichen Autokorrelation in Modellergebnissen (https://doi.org/10.5194/agile-giss-6-40-2025). Diese Aspekte sind kritisch, da räumliche Datensätze häufig Strukturen aufweisen, die die Modellleistung beeinträchtigen und zu irreführenden Schlussfolgerungen führen können, wenn sie nicht angemessen berücksichtigt werden. Die Projektergebnisse sind für die Ökologie, Umweltmodellierung, Geografie und Erdbeobachtung relevant, wo maschinelles Lernen zunehmend die Kartierung und Entscheidungsfindung unterstützt.
Das Projekt legte zudem einen starken Schwerpunkt auf Open Science und die Wiederverwendbarkeit von Daten. Es entstanden frei zugängliche Publikationen, Workshop-Materialien und Tutorials (https://jakubnowosad.com/presentations.html) sowie Software-Tools zur Unterstützung der Simulation räumlicher Daten, von Sampling-Strategien (http://jakubnowosad.com/simsam/) und zur Analyse der räumlichen Autokorrelation (http://jakubnowosad.com/sacmetrics/). Diese Ressourcen ermöglichen es Forschenden und Praktikern, Workflows des räumlichen maschinellen Lernens transparenter zu entwickeln, zu evaluieren und zu teilen.
Neben den Forschungsergebnissen förderte PRISM den Wissensaustausch durch Konferenzvorträge, Workshops, Summer Schools und Online-Materialien. Diese Aktivitäten unterstützten Studierende, Nachwuchswissenschaftler und Praktiker, die an der Anwendung reproduzierbarer Ansätze des räumlichen maschinellen Lernens interessiert sind.
Finanzierung: Dieses Projekt wurde durch das Forschungs- und Innovationsprogramm „Horizon Europe“ der Europäischen Union im Rahmen der Marie-Skłodowska-Curie-Förderung (Grant Agreement Nr. 101147446) unterstützt.
Das PRISM-Projekt (Preservation and RecognItion of Spatial patterns using Machine learning) entwickelt neue Ansätze, um räumliche Muster in maschinellen Lernverfahren besser abzubilden. Unter der Leitung von Dr. Jakub Nowosad an der Universität Münster beschäftigt sich das Projekt mit einem zentralen Problem aktueller Methoden: Techniken wie Random Forests sind zwar weit verbreitet, erfassen aber häufig nicht die komplexen räumlichen Strukturen, die ökologischen Prozessen zugrunde liegen. PRISM erforscht daher neue Wege, räumliche Informationen in maschinelle Lern-Workflows zu integrieren und deren Ergebnisse zu validieren. Durch die Kombination von Geographie, Ökologie, Statistik und Informatik sollen präzisere räumliche Vorhersagen für Variablen wie Biodiversität oder Klima möglich werden. Dies trägt zu einem besseren Verständnis von Ökosystemen bei und unterstützt zuverlässigere Umweltanalysen. Das Projekt folgt zudem einem Open-Science-Ansatz: Methoden, Daten und Software werden offen geteilt, um Transparenz und Reproduzierbarkeit zu gewährleisten und die Zusammenarbeit zwischen Forschenden und Institutionen zu fördern. PRISM startete im August 2024 und wird im Rahmen des Marie Skłodowska-Curie Actions-Programms (Fördernummer 101147446) gefördert.
Weitere Nachrichten
Ältere Meldungen finden Sie im Archiv [de] der AG Fernerkundung und Räumliche Modellierung.