Deep Learning für den Wald

KI-Verfahren für eine nachhaltige Forstwirtschaft im Kontext des Klimawandels

von Benjamin Bischke und Patrick Helber

In Deutschland ist nicht nur ein Drittel der Landesfläche mit Wäldern bedeckt, sondern Wälder sind auch wichtige Ökosysteme und zugleich ein bedeutsamer Wirtschaftsfaktor. An einer nachhaltigen Bewirtschaftung von Wäldern in Anbetracht klimatischer Veränderungen besteht aus diesem Grund ein erhebliches nationales Interesse. In diesem Artikel wird herausgestellt, wie innovative Verfahren der künstlichen Intelligenz zur Auswertung von Fernerkundungsdaten eingesetzt werden können, um einen klaren Lösungsbeitrag zu ökologischen Herausforderungen im forstwirtschaftlichen Bereich zu bilden.

Die künstliche Intelligenz nimmt immens an Bedeutung zu

Ob künstliche Intelligenz, maschinelles Lernen oder Deep Learning, in der Praxis werden diese Begriffe häufig als Synonyme verwendet. Dabei besitzen die drei Begrifflichkeiten große Unterschiede in ihrer Bedeutung und stehen in einer strikten Hierarchie zueinander. Die künstliche Intelligenz ist der Oberbegriff für alle Methoden und Technologien, die ein intelligentes Verhalten vorweisen. Das maschinelle Lernen ist dabei ein Teilgebiet der KI, welches eine Vielzahl an (Lern-)Methoden basierend auf den Gebieten der mathematischen Optimierung und der Statistik umfasst. Deep Learning wiederum ist ein spezieller Teilbereich des maschinellen Lernens, welcher versucht, die statistischen Korrelationen in den Daten durch Künstliche Neuronale Netze abzubilden.

In der Fachliteratur teilt man die Methoden der KI in zwei Teilbereiche auf: die symbolische KI und die statistische KI.

• Bei der symbolischen KI werden zunächst Fakten, Ereignisse und ihre Zusammenhänge gesammelt und als ein abstraktes Modell in einer eindeutigen Repräsentation dargestellt. Basierend auf dieser Repräsentation können mathematische Operationen definiert werden, die es erlauben, logische Schlussfolgerungen zu ziehen oder komplexere Vorgänge zu planen. Nachteilig bei einem solchen Ansatz ist jedoch, dass zunächst eine möglichst vollständige Wissensbasis erstellt werden muss, was in der Praxis häufig sehr zeitintensiv und fehleranfällig ist. Darüber hinaus sind die entsprechenden Algorithmen in ihren Entscheidungen häufig durch das vorab definierte Regelwerk begrenzt und können nur sehr schwer mit einer Unsicherheit in den Daten umgehen.
• Im Gegensatz dazu steht die statistische KI, bei der versucht wird, intelligentes Verhalten mittels mathematischer Modelle und statistischer Verfahren (wie beispielsweise mit neuronalen Netzen) nachzubilden. Diese statistischen Lernverfahren extrahieren latente Strukturen und Korrelation in den Daten und bilden dieses Wissen in einem mathematischen Modell ab. Anschließend lassen sich mit dem gelernten Modell auf ähnliche Daten neue Entscheidungen sowie Vorhersagen über die Zukunft treffen…