SPP 1374 - Teilprojekt: Lernen aus den Exploratorien für Vorhersagen jenseits deren Grenzen: Kl-gestützte Modellierung und Erklärung von Biodiversitätsmustern und Ökosystemenfunktionen im Grünland ganzer Naturräume (BEyond)

Grunddaten zu diesem Projekt

Beschreibung

Die Vorhersage, das Verständnis und das Monitoring von raum-zeitlichen Mustern stellen große Herausforderungen in der ökologischen Forschung dar. Ziel dieses Projekts ist es, aus dem beispiellosen Datensatz der Biodiversitätsexploratorien zu lernen, um Muster der biologischen Vielfalt und der Funktionsweise von Ökosystemen über die Exploratorien hinaus vorherzusagen. 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. Jüngste Forschungsergebnisse zeigen jedoch erhebliche Einschränkungen, wenn die trainierten Modelle für Vorhersagen außerhalb der Trainingsgebiete eingesetzt werden. Räumliche Überanpassung wie auch das Erlernen falscher Beziehungen schränken die Übertragbarkeit der Modelle 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 steuernde Antriebskräfte und Wechselwirkungen liefern.