Lernen aus den Exploratorien für Vorhersagen jenseits deren Grenzen
Die Vorhersage, das Verständnis und das Monitoring raum-zeitlicher Muster der biologischen Vielfalt und der Funktionsweise von Ökosystemen stellen große Herausforderungen in der ökologischen Forschung dar. Vor dem Hintergrund der Klima- und Biodiversitätskrise gewinnt dieses Thema zunehmend an Bedeutung. Die langjährigen Forschungsarbeiten in den Biodiversitäts-Exploratorien liefern einen umfassenden Datensatz punktueller Umweltinformationen, der als ideale Grundlage für die Modellierung der räumlichen und zeitlichen Muster der biologischen Vielfalt auf Landschaftsskala dienen kann. Diese Daten können möglicherweise sogar Vorhersagen über die Exploratorien hinaus ermöglichen. Maschinelles Lernen bietet hier enorme Möglichkeiten für die Modellierung, da die Verfahren in der Lage sind, nichtlineare und komplexe Zusammenhänge zwischen Einflussfaktoren und Biodiversitätsvariablen zu erlernen. Allerdings gibt es laut aktuellen Forschungsergebnissen erhebliche Herausforderungen bei der Anwendung trainierter Modelle für Vorhersagen außerhalb der intensiv untersuchten Gebiete. BEyond wird sich diesen Herausforderungen widmen.
Das Ziel von BEyond ist es, von den Biodiversitätsexploratorien zu lernen und raum-zeitliche Vorhersagen über die biologische Vielfalt und die Funktionsweise von Ökosystemen über die Grenzen der Exploratorien hinaus, für den gesamten Naturraum, zu treffen. Allerdings ist der Wert von Vorhersagen begrenzt, wenn man nicht weiß, warum diese Vorhersagen getroffen wurden. Deshalb geht BEyond explizit über räumliche Vorhersagen hinaus und untersucht, was die Modelle gelernt haben und warum lokale Vorhersagen getroffen wurden, mit dem Ziel zu einem verbesserten Verständnis über Muster, Treiber und Wechselwirkungen beizutragen.
Wir wählen einen indirekten Modellierungsansatz, indem wir zusätzlich zu den Fernerkundungsdaten, Gelände, Boden, Klima, Landnutzung und Landschaftsstruktur als Parameter einbeziehen. Maschinelles Lernen bietet exzellente Möglichkeiten zur Vorhersage, da es in der Lage ist, nichtlineare und komplexe Beziehungen zwischen Einflussfaktoren und Biodiversitätsvariablen zu erlernen. Räumliche Überanpassung wie auch das Erlernen falscher Beziehungen schränken die Übertragbarkeit der Modelle jedoch ein und verhindern Fortschritte in der ökologischen Interpretation. Um diese Einschränkungen zu überwinden und die Übertragbarkeit der Modelle zu verbessern, werden wir neue Methoden für raum-zeitliche Vorhersagen entwickeln und mit Methoden der erklärenden künstlicher Intelligenz verknüpfen. Wir erwarten, dass unsere Modelle über die Exploratorien hinaus valide raum-zeitliche Vorhersagen von Biodiversitäts- und Ökosystemvariablen ermöglichen und zugleich neue Erkenntnisse über sTreiber und Wechselwirkungen liefern. Um unsere Vorhersagen zu validieren, planen wir “rapid surveys” mit 150 zufällig ausgewählten Plots im gesamten Naturraum rund um die Exploratorien.
Wissenschaftliche Mitarbeiter:innen
