Klassifikation von Baumartengruppen auf Bestandesebene, basierend auf Sentinel2 - Satellitenaufnahmen Die Klassifikation in die 9 in NRW am häufigsten bzw. bestandesbildend auftretenden Baumartengruppen berücksichtigt folgende Klassen: Eichen (Ei), Buchen (Bu), Buntlaubhölzer (hALH), Weichlaubhölzer (wALN), Pappeln, Kiefern, Lärchen, Fichten und Douglasien (siehe Legende). Die Klassifikation erfolgte durch ein Verfahren künstlicher Intelligenz (rekurrentes neuronales Netzwerk), das anhand von Forsteinrichtungsdaten aus den Waldflächen des landeseigenen Forstbetriebes in NRW trainiert wurde. Das Verfahren wurde im Auftrag des Ministeriums für Landwirtschaft und Verbraucherschutz des Landes NRW (MLV NRW) entwickelt. Zur Erkennung der Baumarten anhand ihrer Phänologie und zur Gewährleistung möglichst wolkenfreier Verhältnisse wurden Zeitreihen von Satellitenaufnahmen aus den Vegetationsperioden zweier Jahre zwischen dem 03.03.2022 und dem 11.07.2023 ausgewertet. Es wurden dafür insgesamt 516 einzelne Szenen ausgewählt und landesweit zu einem wolkenfreien multitemporalen Mosaik zusammengesetzt (https://www.d-copernicus.de/daten/satelliten/satelliten-details/news/sentinel-2/ ). Bedingt durch die räumliche Auflösung der Sentinel2 - Satellitenaufnahmen von ca. 10 m eignet sich diese Kartenebene für eine Betrachtung auf einer Maßstabsebene von bis zu ca. 1:10.000, nicht größer! Die Darstellung berücksichtigt ausschließlich Baumarten in der Hauptschicht und ist nicht vergleichbar mit einer Forsteinrichtungs- oder Forstbetriebskarte. Mischungen von Baumarten sind durch wechselnde Farben auch innerhalb eines Bestandes gekennzeichnet. Die Angaben zu den Blößen basieren insbesondere auf der Aggregierten Kalamitätskarte im Nadelwald (Stand: Sep 2023). Validierung Die Nutzergenauigkeit ist das entscheidende Merkmal für die Zuverlässigkeit der Karteninformation in der fernerkundungsbasierten Baumartenkarte. Die Nutzergenauigkeit beschreibt eine repräsentative Schätzung für die Wahrscheinlichkeit, dass die in der Baumartenkarte dargestellte Karteninformation (Baumartengruppe) an einem Ort mit der Hauptschicht eines dortigen Bestandes übereinstimmt. Die Nutzergenauigkeit ist für jede ausgewiesene thematische Klasse (Baumartengruppe) unterschiedlich und bestimmt sich aus dem Anteil der oben beschriebenen Referenzdaten aus der Forsteinrichtung mit der entsprechenden Baumartengruppe in der Hauptschicht, im Verhältnis zu allen Referenzpunkten in der Validierungsstichprobe, die durch das neuronale Netz in die entsprechende Baumartengruppe klassifiziert wurden. Die Genauigkeiten unterscheiden sich also zwischen den einzelnen Baumarten in Abhängigkeit von der Häufigkeit, mit der die Baumarten in der Forsteinrichtung vertreten sind. Häufig auftretende Baumarten sind für eine künstliche Intelligenz leichter, seltener auftretende Baumarten (z.B. Pappeln, Douglasien) vergleichsweise schwerer zu erkennen. Die Herstellergenauigkeit dient zur Beurteilung der Klassifikationsgüte ausgehend vom Anteil der Referenzdaten in der Validierungsstichprobe mit der entsprechenden Baumartengruppe, die durch das neuronale Netz korrekt dieser Baumartengruppe zugeordnet wurden. Das F-Maß als allgemeines klassenspezifisches Gütemaß wird durch das harmonische Mittel (Durchschnitt) aus Nutzer- und Herstellergenauigkeit gebildet. Die Gesamtgenauigkeit gibt unabhängig von der Klassenzugehörigkeit den Anteil der Referenzpunkte in der Validierungsstichprobe an, der durch das neuronale Netz korrekt klassifiziert wurde. Ein gängiges und weithin anerkanntes Gütemaß ist Cohen’s κ-Koeffizient, der die Übereinstimmung zwischen den Klassenangaben in den Referenzdaten und den Klassifikationen des neuronalen Netzes auf Basis der Validierungsstichprobe beschreibt. In der praktischen Anwendung liegt der Wertebereich des Koeffizienten zwischen 0 und 1, wobei ein Wert von 1 eine völlige Übereinstimmung der Ergebnisse bedeutet, ein Wert von 0 hingegen eine rein zufällige Übereinstimmung ohne erkennbaren Mehrwert einer Entscheidung des neuronalen Netzes. Nutzergenauigkeit (%) Eiche Buche hALH wALN Pappel Kiefer Lärche Fichte Douglasie 93,8 94,7 91,2 89,2 88,8 97,7 95,9 97,1 88,4 Herstellergenauigkeit (%) 91,0 96,0 91,4 92,7 79,0 97,5 90,7 98,0 76,4 F-Maß (%) 92,3 95,4 91,3 90,9 83,6 97,6 93,2 97,6 82,0 Gesamtgenauigkeit: 95,0 % Cohen’s κ-Koeffizient: 0,938 Tabelle 1: Genauigkeitsangaben aus der statistisch unabhängigen Validierung. Die angegebenen Genauigkeiten wurden aus einer statistisch unabhängigen Validierung anhand der Forsteinrichtungsdaten aus den Staatswäldern bestimmt. Dazu wurde das Klassifikationsergebnis in über 15.000 landesweit zufällig ausgewählten Waldbeständen mit der dort ausgewiesenen einheitlichen Baumart in der Hauptschicht verglichen. Dieser Prozess wurde dreimal an jeweils unterschiedlichen Bildelementen wiederholt. Die angegebenen Prozentwerte geben die relative Häufigkeit (statistische Wahrscheinlichkeit) an, mit der das Klassifikationsergebnis und die in der Hauptschicht ausgewiesene Baumart übereinstimmen. Als Voraussetzung für eine unabhängige Validierung gibt es keine Überschneidung zwischen Trainings- und Validierungsdaten (statistische Unabhängigkeit).
Der Klimawandel ist weltweit ein heiß diskutiertes Thema und es besteht Übereinstimmung, dass Maßnahmen gesetzt werden müssen um die Erderwärmung einzudämmen. In dieser Diskussion hört man häufig von der 'Kuh als Klimakiller'. Ziel dieses Projektes ist, durch exakte Messungen des Gasstoffwechsels den tatsächlichen Beitrag von Milchkühen zur globalen Erwärmung abzuschätzen und aus den gewonnenen Erkenntnissen Strategien zur Reduktion des Ausstoßes von Methan (und anderen relevanten Gasen) zu entwickeln. Zur Umsetzung dieses Projektes sollen von allen sich derzeit am Forschungsbetrieb der HBLFA-Raumberg-Gumpenstein befindlichen Milchkühe zumindest einmal Messungen in einer Respirationskammer durchgeführt werden. Bei diesen Messungen werden neben der Methanproduktion (CH4) auch die Erzeugung von Kohlendioxid (CO2), Ammoniak (NH3) und Lachgas (N2O) sowie der Verbrauch an Sauerstoff (O2) durch die Kühe erhoben. Dadurch sollen zuverlässige Aussagen zur von Milchkühen produzierten Menge an klima- und umweltrelevanten Gasen ermöglicht werden. Da derzeit an der HBLFA Raumberg-Gumpenstein unterschiedliche Genotypen/Rassen gehalten und unterschiedliche Fütterungssysteme angewandt werden, sollen Aussagen für verschiedene landwirtschaftliche Produktionssysteme ermöglicht werden. Der ursprüngliche Zweck von Respirationskammern lag darin, den Energiestoffwechsel der Tiere zu untersuchen. Durch diese Methode können die Energieverluste in Form von Methan festgestellt werden und die Menge an produziertem CO2 gibt darüber hinaus Auskunft über die produzierte Wärmemenge des Tieres. In Kombination mit Futtermittel-, Kot- und Harnuntersuchungen kann somit der gesamte Energiestoffwechsel abgebildet und alle Energieverluste ermittelt werden. Mit dieser Methode kann auf experimentelle Weise sehr genau jene Energiemenge ermittelt werden, die dem Tier für die Erhaltung der Körperfunktionen und die Erbringung von Leistungen zur Verfügung steht (Metabolische Energie (ME) = Bruttoenergie (GE) - Kotenergie (FE) - Harnenergie (UE) - Methanenergie (CH4) - Wärmeverluste (H)). Wird zusätzlich noch die erbrachte Leistung der Kuh herangezogen, kann eine Bilanzierung des Energiestoffwechsels der Kuh durchgeführt werden. Durch die Bestimmung der Stickstoff-Gehalte (Eiweiß-Gehalte) in Futtermittel, Milch, Kot und Harn können auch Berechnungen zum Proteinstoffwechsel der Tiere erfolgen. Die gewonnenen Daten aus der Stoffwechselbilanzierung sollen anschließend zur Überprüfung der aktuellen Energie- und Proteinbedarfsempfehlungen herangezogen werden. Die Ergebnisse dieses Projekts sollen abschließend in Form mehrerer Publikationen und Vorträge veröffentlicht werden und als Grundlage für Beratungswerkzeuge verwendet werden. So ist in weiterer Folge auch eine Implementierung der Daten in das Ökobilanzierungsprogramm der HBLFA Raumberg-Gumpenstein angedacht.
Das übergeordnete Ziel des Kooperationsprojektes APP4farm ist die Definition einer IKT-Infrastruktur (Informations- und Kommunikationstechnologien), die es den Landwirten ermöglicht, Stickstoffverluste umfassend zu überwachen. Dazu gehört die Entwicklung und Einsatzkalibrierung von Sensoren zur Schätzung von Stickstoffemissionen aus dem Ackerboden. Außerdem soll ein Entscheidungshilfesystem für die intelligente Landwirtschaft auf der Grundlage von maschinellem Lernen und künstlicher Intelligenz implementiert werden, das ein effizientes Management von Stickstoffdünger in der Landwirtschaft auf der Grundlage einer räumlich und zeitlich umfassenden Überwachung und Vorhersage der wichtigsten Prozessvariablen ermöglichen wird. Das Deutsche GeoForschungsZentrum (GFZ) wird im Kooperationsverbund als Projekt SMART-DSS die neu entwickelten Sensoren und deren Integration mit anderen verfügbaren Sensoren an Pilotstandorten testen und erproben. Darüber hinaus wird das GFZ auch aktiv zur Entwicklung von DSS unter Verwendung von Algorithmen des maschinellen Lernens beitragen. An der Verbreitung der Projektergebnisse ist das GFZ beteiligt über seine etablierte Transfer-Struktur FERN.Lab, über die bereits aktuell Wissen und Erfahrungen der Nutzung von Fernerkundung im landwirtschaftlichen Kontext mit den wichtigsten Interessengruppen geteilt wird.
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.
Für eine effektive Überwachung der Abfallentsorgung sind aktuelle, umfassende und verlässliche Informationen zum Entsorgungsgeschehen erforderlich. Darüber hinaus sind diese Informationen so umfangreich, dass die Bereitstellung und Auswertung der erforderlichen Daten den Einsatz moderner Informationstechnologien erfordert. Um ihren Abfallbehörden die benötigten Informationen und EDV-Werkzeuge effektiv bereitstellen zu können, haben die Länder mit Abschluss der Verwaltungsvereinbarung gemeinsame Abfall DV Systeme - GADSYS ¿ eine enge Zusammenarbeit vereinbart. Die beiden Säulen dieser Zusammenarbeit sind eine gemeinsame Softwareentwicklung und ein intensiver Austausch von Daten und Informationen. Das Abfallüberwachungssystem ASYS bietet dem Anwender aus den Abfallbehörden die Möglichkeit, alle zur Überwachung der Abfallentsorgung notwendigen Daten effizient zu verwalten. Der inhaltliche Rahmen hierzu ergibt sich aus dem Kreislaufwirtschaftsgesetz und dem zugehörigen untergesetzlichen Regelwerk sowie den für den Bereich Abfall maßgeblichen europäischen Richtlinien sowie Verordnungen. Inhaltliche Schwerpunkte von ASYS sind dabei - Stammdatenpflege zu Entsorgern, Beförderern und Erzeugern - die Vorab- und Verbleibskontrolle der Abfallströme - Bearbeitung von Anzeigen und Erlaubnissen zu Sammlern, Beförderern, Händlern und Maklern - die Entsorgungsfachbetriebszertifikate - die grenzüberschreitende Abfallverbringung - funktional bietet ASYS die Möglichkeit, Daten automatisiert auf elektronischem Wege zwischen den ASYS-einsetzenden Behörden und mit den beteiligten Betrieben auszutauschen. Im elektronischen Nachweisverfahren erfolgt der Datenaustausch dabei über die ZKS-Abfall. Die Organisation von ASYS in Brandenburg erfolgt arbeitsteilig zwischen der Sonderabfallgesellschaft Brandenburg/Berlin mbH (SBB) und dem Landesamt für Umwelt (LfU). Darüber hinaus können auch die Landkreise und kreisfreien Städte auf die ASYS-Daten lesend zugreifen. ASYS dient des Weiteren in Brandenburg als Datenbasis für den LUIS-Dienst, der die Öffentlichkeit im Internet mit Informationen zu Entsorgungsanlagen und zugelassenen Beförderern informiert. Durch den Anschluss der ASYS-Datenbank an die Web-Applikation IPA-KON ist es dem BAG (Bundesamt für Güterverkehr) möglich, mobil auf die ASYS-Daten zuzugreifen
Das Projekt KI-RAM liefert Beiträge zur Reduzierung von verkehrsbedingten Mikroplastikemissionen durch Reifenabrieb. Ein auf den Abrieb fokussierter Digitaler Zwilling von Nutzfahrzeugreifen wird erstellt. Mittels KI-basierter Analyse von Inline-Abriebsensor-Daten werden Haupteinflussfaktoren identifiziert, Restlaufzeitprognosen & ein Reifenranking realisiert sowie Strategien zur Abriebvermeidung erarbeitet. Das Ziel des von iMes bearbeiteten Teilprojekts ist die Entwicklung des oben genannten Digitalen Zwillings als Repräsentation von Nutzfahrzeugreifen und den daran auftretenden Abriebsprozessen. Die Forschungsfragen hierbei sind, welche Faktoren, wie z.B. Reifenmaterial, Wetter oder Straßenbelag, bewirken Reifenabrieb und wie groß ist deren Einfluss. Auch die Möglichkeit des Erkennens und der Vorhersage von Reifenabrieb durch den Digitalen Zwilling ist zu untersuchen. Des Weiteren soll analysiert werden, ob ein Zusammenhang zwischen den im Projekt durchgeführten Feldstudien zum Reifenabrieb (Vermessung der Reifendicke mit einem Inline-Abriebsensor eines Fahrzeuges im Einsatz über einen gewissen Zeitraum) mit den typischen Reifenabrieb-Labortests besteht. Diese Fragestellungen sollen mit Hilfe datengetriebener Modelle aus dem Bereich der Statistik und der künstlichen Intelligenz beantwortet werden.
| Origin | Count |
|---|---|
| Bund | 2882 |
| Kommune | 80 |
| Land | 1174 |
| Wirtschaft | 2 |
| Wissenschaft | 36 |
| Zivilgesellschaft | 36 |
| Type | Count |
|---|---|
| Daten und Messstellen | 38 |
| Ereignis | 14 |
| Förderprogramm | 2424 |
| Gesetzestext | 1 |
| Lehrmaterial | 3 |
| Sammlung | 1 |
| Taxon | 4 |
| Text | 610 |
| Umweltprüfung | 449 |
| unbekannt | 511 |
| License | Count |
|---|---|
| geschlossen | 1334 |
| offen | 2667 |
| unbekannt | 54 |
| Language | Count |
|---|---|
| Deutsch | 3930 |
| Englisch | 492 |
| Resource type | Count |
|---|---|
| Archiv | 38 |
| Bild | 20 |
| Datei | 51 |
| Dokument | 390 |
| Keine | 2466 |
| Multimedia | 5 |
| Unbekannt | 18 |
| Webdienst | 139 |
| Webseite | 1217 |
| Topic | Count |
|---|---|
| Boden | 2127 |
| Lebewesen und Lebensräume | 2767 |
| Luft | 1690 |
| Mensch und Umwelt | 4055 |
| Wasser | 1604 |
| Weitere | 3635 |