Bedeutung von Referenzdaten für die KI-gestützte Auswertung von Fernerkundungsdaten

Die Nutzung künstlicher Intelligenz (KI) in der Fernerkundung hat sich in den vergangenen Jahren rasant weiterentwickelt und eröffnet neue Perspektiven für das Monitoring in der Land- und Forstwirtschaft. Besonders im Bereich der Klassifikation, Vorhersage und Anomalieerkennung auf Basis multitemporaler Erdbeobachtungsdaten (z. B. Sentinel-2, PlanetScope, UAV-Daten) haben KI-gestützte Verfahren wie Convolutional Neural Networks (CNNs), Long Short-Term Memory (LSTM)-Netze und Random Forests ihre Leistungsfähigkeit unter Beweis gestellt. Derartige Modelle ermöglichen es, große Datenmengen automatisiert auszuwerten und damit Prozesse wie Ernteüberwachung, Waldschadensdetektion oder Landnutzungsänderungen in bislang unerreichter räumlich-zeitlicher Auflösung zu analysieren.

Ein zentrales Element für den Erfolg dieser KI-basierten Modelle ist jedoch die Verfügbarkeit qualitativ hochwertiger Referenzdaten (auch „Ground Truth“). Sie dienen sowohl zum Training der Modelle – also dem Erlernen relevanter Muster – als auch der Validierung, um deren Generalisierbarkeit und Genauigkeit objektiv zu bewerten. Insbesondere in der Land- und Forstwirtschaft gestaltet sich die Erhebung solcher Daten aufgrund der oft großflächigen und heterogenen Landschaften sowie saisonaler Dynamiken als herausfordernd. Gleichzeitig sind Referenzdaten essenziell, um die Black-Box-Charakteristik vieler KI-Modelle zu hinterfragen und ihre Ergebnisse nachvollziehbar und vertrauenswürdig zu gestalten – ein Aspekt, der gerade in der behördlichen und wissenschaftlichen Nutzung zunehmend an Bedeutung gewinnt.

Der Vortrag widmet sich daher der systematischen Betrachtung der Erhebung, Verarbeitung und Nutzung von Referenzdaten im Kontext KI-gestützter Monitoringaufgaben in der Land- und Forstwirtschaft.