Förderung und Laufzeit:

Bayerische Staatsministerium für Wissenschaft und Kunst (BayKliff2) | 2026-2030

Zusammenfassung:

Der Verlust der biologischen Vielfalt ist eines der dringendsten Umweltprobleme unserer Zeit. Unsere Möglichkeiten, Veränderungen der Biodiversität zu beobachten, zu messen und vorherzusagen, sind jedoch noch begrenzt. Herkömmliche Monitoringmethoden sind aufwendig, decken nur kleine Gebiete ab und lassen sich kaum auf größere Flächen übertragen. Besonders durch den Klimawandel und veränderte Landnutzung entstehen so große Wissenslücken. Satellitendaten bieten hier eine wichtige Lösung, da sie Umweltbedingungen großflächig und kontinuierlich erfassen.

Im Projekt entsteht eine neue Plattform zur Beobachtung und Vorhersage der Biodiversität. Der methodische Kern ist die Fernerkundung, die eng mit Methoden der künstlichen Intelligenz verbunden wird. Satellitenzeitreihen aus Sentinel-1, Sentinel-2, Landsat 8/9, EnMAP und Planet werden zu einer einheitlichen, analysebereiten Data Cube Infrastruktur verarbeitet. Diese bildet die Struktur und Dynamik von Ökosystemen über Raum und Zeit ab. Durch moderne Vorverarbeitung, KI-gestützte Interpolation und zeitliche Zusammenfassung entstehen dichte und vergleichbare Zeitreihen.

Zur Ableitung von Biodiversitätsinformationen wird ein multimodales, multi-output Deep-Learning-Modell eingesetzt, das heterogene Eingabedaten wie Satellitenbilder, Zeitreihen und weitere Umweltvariablen integriert. Die Modellarchitektur ermöglicht den Informationsaustausch zwischen Arten über embeddings und ist in der Lage, mit unvollständigen Eingabedaten sowie partiellen Artenbeobachtungen aus Rapid-Assessment-Methoden umzugehen. Durch den Einsatz von Transfer Learning können Erdbeobachtungsdaten effizient in latente Repräsentationen (embeddings) überführt werden, wodurch Trainingsaufwand und Rechenzeit reduziert werden. Die enge Kopplung von Erdbeobachtung und künstlicher Intelligenz ermöglicht einen konsistenten, skalierbaren und übertragbaren Ansatz zur Biodiversitätsbeobachtung und -vorhersage auf regionalen bis großräumigen Skalen.

Forschungsteams

Die Gruppen „Earth Observation for Ecosystem Management” (EOEM) und „Ecosystem Dynamics and Forest Management” der Technischen Universität München (TUM) sowie die „Fakultät für Biologie und Vorklinische Medizin, Theoretische Ökologie” der Universität Regensburg.

Ansprechsperson: 

Weitere Informationen erhalten Sie bei: Lisa.Mandl(at)tum.de