News
In Kooperation mit der Freiburger Unique Land Use GmbH entwickelt Learning Machines einen KI-Detektor zur frühzeitigen Entdeckung von Borkenkäferbefall in Wäldern.
Als Folge des Klimawandels und insbesondere seit den trocken-warmen Jahren 2018-2022 leiden viele Wälder Mitteleuropas unter starkem Borkenkäferbefall. Auch in der laufenden Saison wird wieder mit hohen Befallszahlen gerechnet. Eine wichtige Maßnahme zur Eindämmung ist, befallene Bäume frühzeitig zu entdecken und zu entfernen, ehe die nächste Borkenkäfergeneration sich entwickelt hat und benachbarte Bäume befällt. Das regelmäßige Absuchen großer Waldgebiete nach befallenen Bäumen alle 7-14 Tage ist jedoch enorm personalaufwändig und in der Praxis kaum zu leisten. Auch regelmäßige Befliegungen mit Drohnen wären sehr teuer. Eine ideale Lösung wäre, die Borkenkäfer auf Satellitendaten zu identifizieren. Allerdings ist es sehr schwierig, auf diesen schwach aufgelösten Bildern, bei wechselnden Wetterbedingungen in verschiedenen Umgebungen einzelne befallene Bäume zu detektieren, zumal diese sich im frühen Stadium nur wenig von gesunden Bäumen unterscheiden. Seit 2019 suchte das Freiburger Forst- und Landnutzungsberatungsunternehmen Unique Land Use GmbH (Unique) im Rahmen des staatlich geförderten Projekts “digital detect” nach einer Lösung, um die Früherkennung und schnelle Entfernung befallener Bäume zu verbessern. Das Projekt hat vielversprechende Ergebnisse geliefert, die Unique in einer Kooperation mit Learning Machines weiterentwickeln will.
In einem fernerkundungsbasierten Ansatz nutzt Unique kommerziell erhältliche hochauflösende Satellitenbilder, um ein near-real-time System zur Erstellung von Warnkarten zur frühen Schadenserkennung zu etablieren. Zur praktischen Erprobung dieser Methodik wurden während der Borkenkäfersaison 2022 drei Interessengebiete (AOI) im Südschwarzwald auf Borkenkäferschäden überwacht. Basierend auf der Berechnung und statistischen Analyse von Veränderungen in aus den Daten ermittelten Vitalitätsindizes (z.B. NDVI, EVI) ermittelt der Detektor Infektionsherde, aus denen Warnkarten für die Forstpraxis erstellt und auf Tablets übertragen wurden. Mit Unterstützung auch durch die lokalen Revierleiter sammelte Unique Referenzdaten über den tatsächlichen Befall und die Treffergenauigkeit des Detektors in einem aufwändigen räumlich-zeitlichen Verfahren. Als Satellitendaten nutzte Unique die täglich verfügbaren 4-Kanal Szenen des PlanetScope Sensors.
Die Ergebnisse und die Rückmeldungen von Förstern, mehreren Forstbetrieben und dem beteiligten Forstministerium Baden-Württembergs haben gezeigt, dass ein solcher Detektor sinnvoll ist. Für eine praktische Anwendung muss allerdings die Treffgenauigkeit noch verbessert werden. Es soll untersucht werden, ob die erforderliche Leistung mithilfe von Ansätzen des maschinellen Lernens erreicht werden kann. Durch den aus dem Projektjahr 2022 vorliegenden Trainingsdatensatz mit hoher zeitlicher und räumlicher Auflösung auf Einzelbaumebene ist ein solcher Proof of Concept nun machbar geworden.
In einem von Basel Area Business & Innovation geförderten Proof of Concept entwickelt Learning Machines jetzt state-of-the-art Machine Learning Algorithmen, mit dem Ziel einen möglichst großen Teil der befallenen Bäume zu entdecken („Recall”) und zugleich möglichst wenige Fehlwarnungen zu erzeugen („Precision”). Zielgrößen sind mindestens 50% für den Recall und 80% Precision. Zum Einsatz kommen speziell angepasste Convolutional Neural Networks, die sowohl die Bilder, als auch deren zeitliche Entwicklung verarbeiten. Wir experimentieren mit verschiedenen Netzwerkarchitekturen, Preprocessing, synthetisch erzeugten zusätzlichen Features und Beispieldaten. Darüber hinaus werden die Prozesse so angepasst, dass mit hochparelleler Hardware künftig auch beliebig große Datenmengen schnell prozessiert werden können.
Falls die Ergebnisse des PoCs hinreichend gut sind, soll auf dieser Basis weiter an einem Borkenkäfer Frühwarnsystem gearbeitet werden. Ziel ist, mittels des KI-Detektors in einem automatisierten Prozess aus den täglich anfallenden Satellitenbildern in Abständen von 7-14 Tagen aktualisierte Warnkarten zu erzeugen, die den Befall maximal 9 Wochen nach Auftreten anzeigen. Wie in der Pilotphase in 2022 erprobt, lassen sich diese Warnkarten innerhalb von 2 Tagen nach dem Aufnahmedatum des Satellitenbildes den Forstbetrieben zur Verfügung stellen. So können diese die befallenen Bäume rechtzeitig entnehmen und die Borkenkäfer durch Entrindung oder Abfuhr an der weiteren Vermehrung hindern.
Die hier entwickelten Technologien könnten künftig auch bei anderen forst- und landwirtschaftlichen Aufgabenstellungen zum Einsatz kommen, etwa nach Stürmen, für andere Schädlinge, bei Waldinventuren oder der Abschätzung von Waldbrandgefahr.
Schon als Gedankenexperiment und als künftige Möglichkeit sind Künstliche Intelligente Systeme mit menschenähnlichen Fähigkeiten Gegenstand philosophischer Fragen und intensiver Debatten, insbesondere zur Natur des menschlichen Bewusstseins.
Ein Essay von Jochen Sautter
Getrieben durch den schnell wachsenden Onlinehandel, Personalisierung, technologische Innovationen und regulatorische Anforderungen durchläuft die Retail-Branche derzeit einen rasanten Wandel und Digitalisierungsschub. Hierbei ergeben sich vielfältige Potentiale für den Einsatz von Machine Learning (ML) Technologien. Allerdings ist die Umsetzung solcher Projekte relativ ressourcenintensiv. Unser Whitepaper präsentiert Use Cases im Einzelhandel und beleuchtet am Beispiel von ML Applikationen auf Basis von FMCG Daten Möglichkeiten zur Beschleunigung und Effiziensteigerung bei deren Entwicklung.
Wir freuen uns über die Förderzusage des Bundeswirtschaftministeriums zu einem Forschungsprojekt in Kooperation mit der Universität Hildesheim zur automatisierten Entwicklung von Datenanalysen. Ziel dieses ambitionierten Projektes ist, durch den Einsatz künstlicher Intelligenz unsere eigene Arbeit, also die Erstellung kundenspezifischer Proofs of Concept und die Anwendungsentwicklung, signifikant effizienter zu gestalten. Die Förderung sowie die Einbindung von Forschungsergebnissen der Universität Hildesheim wird uns in die Lage versetzen, mit noch höherer Priorität die strategische Entwicklung unserer Learning Machines Engine voranzutreiben.
