Mit den aus Ziel 1 gewonnenen Daten sollen (1) eine räumliche Charakterisierung der Diversität, Abundanz und Biomasse von Regenwürmern und Bodenparametern erfolgen, und (2) der Einfluss von Faktoren des Globalen Wandels, Bodenparameter, und klimatischer Einflüsse auf die Regenwurmdiversität in Östereich durch Meta-Analyse-Tools quantifiziert werden. Die Ergebnisse dieser Analyse fließen dann auch ein in Handlungsanweisungen zur Harmonisierung der Terminologie und von Probenahmeplänen, sowie von Methoden und Datenbanken zur Erstellung eines standardisierten Boden-Biodiversitätsmonitorings.
BodenBiodiv Ziel 2 sammelt standardisiert Metadaten aus den 200 Testflächen in Österreich und anderen Forschungsprojekten zum Boden in Österreich. Diese Metadaten werden harmonisiert, um einen nationalen Rahmen für ein umfassendes Monitoring der Bodenbiodiversität zu entwickeln. Dadurch wird Interoperabilität und Reproduzierbarkeit von Bodendaten verschiedener Projekte in Österreich erleichtert. Die so gewonnenen Daten unterstützen bei der Umsetzung des europäischen Vorschlags zum Monitoring der Bodengesundheit (European Commission, 2023) und liefern auch einen Beitrag zur nationalen und europäischen Bodenschutzpolitik. In Österreich wurden seit dem frühen 20. Jahrhundert zwar zahlreiche Aufnahmen zu Regenwürmern durchgeführt (Francé, 1922; Franz, 1950; Kühnelt, 1950; Franz, 1979), es fehlt jedoch ein systematisches Monitoring über das ganze Bundesgebiet mit dazugehörigen Erhebungen von Metadaten wie Landnutzung und pedoklimatische Parameter. Nur damit können die Faktoren für die Diversität, Abundanz und Biomasse von Regenwurmgemeinschaften quantitativ analysiert werden.
Die Anzahl an Studien zur Bodenbiodiversität hat in den letzten zwei Jahrzehnten exponentiell zugenommen. Da der Umfang der Literatur eine zuverlässige Synthese mittels herkömmlicher Bewertungsmethoden unmöglich macht, wird in BodenBiodiv auch maschinelles Lernen verwendet. Künstliche Intelligenz (KI) und maschinelles Lernen werden zunehmend für Vorhersagen in der Ökologie und Landwirtschaft eingesetzt (Kwok, 2019; Benos et al., 2021). Mithilfe von Techniken des maschinellen Lernens können wir Tausende von Dokumenten schnell sortieren und die Breite der Literatur zur biologischen Vielfalt des Bodens in einem Umfang erfassen, was mit manuellen Methoden in kurzer Zeit nicht möglich wäre (Kwok, 2019). Überwachtes maschinelles Lernen wird verwendet, um Artikel, Berichte, Monographien und technische Berichte zu durchsuchen, die zwischen 2000 und 2022 veröffentlicht wurden.
Die durch maschinelles Lernen unterstützte Meta-Analyse identifiziert die wichtigsten Treiber der Bodenbiodiversität in Österreich mithilfe erklärbarer Modelle der KI und bewertet die Auswirkungen der vielfältigen Belastungen durch den globalen Wandel auf die Indikatoren für die biologische Vielfalt des Bodens und die damit verbundenen Bodenfunktionen im offenen Kulturland. Ein wichtiges Teilziel sind noch die Erstellung von Empfehlungen zur Harmonisierung der Biodiversitätsdatenbank für Böden unter Verwendung standardisierter Metadaten und Terminologie, um die künftige nationale Überwachung der Bodengesundheit, Analysen und faktengestützte Entscheidungsfindung auf lokaler und nationaler Ebene zu unterstützen.
Derartige Analysen der Trends in der lokalen Boden-Biodiversität sind erforderlich, um Unterschiede zwischen lokalen und globalen Biodiversitätsentwicklungen zu verstehen. Die Erhebung der Boden- Biodiversität in bestehenden BINATS und ÖBM-K Testflächen ermöglicht außerdem unterirdische und oberirdische Biodiversitätsmuster zu erkennen.
Anvisierte Teilziele:
- Bereitstellung von Leitlinien zur Harmonisierung von Metadaten der Testflächen
- Handbuch für die Harmonisierung von Protokollen, Terminologie und Durchführung von Boden-Biodiversitätsmonitorings in Österreich
- Austausch von Leitlinien und bewährten Praktiken für die Interoperabilität und Reproduzierbarkeit von Daten
