Bodenerosion: Quantifizierung durch Luftaufnahmen in der Schweiz

Für das Verständnis komplexer Phänomene in unserer Umwelt reicht es meist nicht aus, grosse Datenmengen über Sensoren zu erfassen und zu analysieren. Häufig sind zusätzliche Feldbeobachtungen unverzichtbar. Anhand von zwei Fallstudien hat das Projekt WeObserve Sensordaten, die bezüglich ihrer Genauigkeit limitiert sind, und präzise Feldbeobachtungen, die aber oftmals nur punktuell vorliegen, kombiniert und integriert auswertet.

Im ersten Fall wurde ein duales Remote-Erfassungssystem entwickelt, um eine flächendeckende Analyse von Boden-Erosionsereignissen in den Alpen zu realisieren.

Im zweiten Fall wurden bereits vorhandene Sensor- und Feldbeobachtungsdaten integriert, um die Massenwanderung von Zugvögeln besser zu verstehen.

Die Analyse von Sensordatenströmen ist essenziell für das bessere Verständnis vieler Phänomene unserer Umwelt. Doch da die automatische Auswertung dieser Datenströme beschränkt ist, erschliessen sich die komplexen Zusammenhänge oft nicht. Im Projekt WeObserve wurden neue Verfahren entwickelt, um grosse Mengen an Sensordaten und präzise, aber nur punktuelle Feldbeobachtungen zu kombinieren und integriert zu analysieren. Je nach Anwendungsbereich stammen die selektiven Informationen zunehmend von Laien, die relevante Beobachtungen dokumentieren und bestehende Datenquellen ergänzen.

Ziel des Projekts war die Entwicklung von Verfahren zur Erfassung, Kombination und Auswertung von flächendeckenden Sensordaten und punktuellen Feldbeobachtungen. Die beiden Fallstudien haben

(a) ein besseres Verständnis von Erosionsprozessen erzielt und

(b) die Vorhersage der räumlichen und zeitlichen Zugmuster von Vogelarten verbessert.

Die Entwicklung neuer Methoden zur Erfassung, Integration und Analyse von heterogenen Datenströmen und punktuellen Feldbeobachtungen führt zu neuen Erkenntnissen in den Umweltwissenschaften. Die beiden Fallstudien verbesserten einerseits das Verständnis der alpinen Ökosysteme, die eine hohe Relevanz für die Biodiversität und den Wasserhaushalt besitzen. Andererseits lassen sich mit der verbesserten Kenntnis des jährlichen Vogelzugs nun auch Fragen zur schonenden Nutzung der Windenergie oder der Verbreitung von Krankheiten durch Zugvögel beantworten.

In beiden Anwendungen wurden im Projekt neue Erkenntnisse gewonnen, die für ein akademisches Publikum, Personen aus der Praxis sowie für die interessierte Öffentlichkeit gleichermassen wertvoll sind. Die entwickelten Methoden, die auf Techniken des maschinellen Lernens und des Deep Learning basieren, bieten Arbeitsabläufe zur Integration heterogener Datensätze und erweitern die derzeitigen Möglichkeiten, um neue Anwendungen und gross angelegte Analysen zu ermöglichen. Unsere wichtigsten Ergebnisse sind:

(a) Bodenerosion: Mit Hilfe verschiedener Modelle konnte im Projekt gezeigt werden, dass die Bodenerosion im Schweizer Alpengrünland in den letzten Jahren zugenommen hat. Insbesondere für das Urserental kamen wir zum Schluss, dass die von Bodenerosion betroffenen Standorte zwischen 2000 und 2016 um 156 bis 201 Prozent zugenommen haben. Darüber hinaus analysierten wir zehn Grasland-Hanglagen in der ganzen Schweiz im Hinblick auf die ursächlichen Faktoren für einen gemeinsamen Erosionstyp. Die Untersuchung ergab, dass im Allgemeinen Informationen über den Hang, seine Ausrichtung sowie die Rauheit des Geländes für das Auftreten von Erosion am relevantesten sind, mit zusätzlichen standortspezifischen Faktoren. Wir haben gezeigt, dass unser vollautomatischer Ansatz eines neuronalen Netzes die Identifizierung von Erosionsstandorten in einem noch nie dagewesenen Ausmass ermöglicht.

(b) Vogelbeobachtungen: Im Projekt wurden verschiedene Ansätze zur Modellierung von Vogelbeobachtungen in Mitteleuropa nach Arten bewertet. Indem wir den Anteil jeder Art berücksichtigten, gingen wir auf Verzerrungen ein, die in Citizen-Science-Daten inhärent sind z. B. die starke Korrelation der Beobachtungen mit der Bevölkerungsdichte. Die Ergebnisse erklären einen beträchtlichen Teil der Schwankungen der monatlichen Häufigkeiten mehrerer Arten in Abhängigkeit von der Umgebung. Vogelzug: Durch die Einbeziehung von Wetterinformationen haben wir Gausssche Prozessmodelle erweitert, um die Vorhersage der Zuggeschwindigkeit zu verbessern. Da diese Ergebnisse in der Regel schwer zu visualisieren und zu interpretieren sind, haben wir auch eine Visualisierung für simulierte Migrationspfade entwickelt. Die simulierten Pfade machen sich die Unsicherheit des Modells zunutze. Mit diesen neuen Instrumenten lassen sich der Vogelzug und die Häufigkeit von Vögeln detaillierter untersuchen.

weObserve: Integrating Citizen Observers and High Throughput Sensing Devices for Big Data Collection, Integration, and Analysis