Forschung

Dieses Projekt umfasst die Entwicklung fortschrittlicher Frameworks für maschinelles Lernen (ML) auf Basis von Transferlernen, die Multisensor-Fernerkundungsdaten integrieren. Diese Frameworks unterstützen die detaillierte Kartierung der Bodenbedeckung und die Bewertung der Gesundheit landwirtschaftlicher Pflanzen. Der Ansatz nutzt vortrainierte ML-Modelle und passt diese systematisch an verschiedene agroökologische Regionen, Bewirtschaftungssysteme und Sensorkonfigurationen an. Besondere Berücksichtigung finden dabei Daten mit hoher räumlicher und zeitlicher Auflösung aus den Konstellationen Sentinel-2 und Planet. Das Projekt zielt darauf ab, die Robustheit und Generalisierungsfähigkeit von ML-Modellen unter unterschiedlichen Umweltbedingungen zu verbessern, indem komplementäre spektrale, räumliche und zeitliche Informationen kombiniert werden. Ein besonderer Schwerpunkt liegt auf der Übertragbarkeit zwischen Standorten und Jahreszeiten, um den Bedarf an umfangreichen lokalen Trainingsdaten zu reduzieren und gleichzeitig eine hohe Klassifizierungs- und Diagnosegenauigkeit zu gewährleisten. Die daraus resultierenden Rahmenwerke sind skalierbar und einsatzfähig und ermöglichen eine konsistente Überwachung des Vegetationszustands, der Erntebedingungen und der Dynamik der Landbedeckung. Sie werden die Entscheidungsfindung in der Präzisionslandwirtschaft, der Ökosystemüberwachung und der nachhaltigen Landbewirtschaftung unterstützen.

Analyse der Entwicklung von Grundwasser-Neubildung und verfügbaren Grundwasser-Ressourcen im Bezugszeitraum 3. zu 4. NGP (Nationaler Gewässerbewirtschaftungsplan) für die oberflächennahen Grundwasserkörper: Überprüfung und ggf. Aktualisierung der GW-Neubildung und GW-Ressourcen, die auf der BML-Studie „Wasserschatz Österreichs“ basiert. Dies passiert durch einen Vergleich relevanter Daten der Zeitreihen 1998 – 2017 und 2004 – 2023. Die im Zuge der Analyse gewonnene Erkenntnisse sollen in den Entwurf für den 4. NGP eingearbeitet werden. Weiters wird an der Erarbeitung von Szenarien für die Grundwasserneubildung und verfügbare Grundwasserressourcen im Rahmen von Anpassungsstrategien an den Klimawandel für die österreichische Wasserwirtschaft gearbeitet.

IGNOS hat sich zum Ziel gesetzt, das Potenzial und die Grenzen von GNSS-R als skalierbare, allwettertaugliche Ergänzungslösung für die Schätzung des Blattflächenindex (LAI) zu bewerten. Dies ist besonders wichtig, da in tropischen Gebieten, in denen die optischen Satelliten von Copernicus Sentinel-2 mit erheblichen Herausforderungen konfrontiert sind, ein dringender Bedarf an konsistenten Beobachtungen besteht. Durch die Analyse der Beziehung zwischen GNSS-R-Daten und Sentinel-2-Bildern bewertet IGNOS das Potenzial der GNSS-R-Technik, eine ergänzende Technik zu Sentinel-2 zu werden, die die Vegetationsüberwachung in wolkenreichen Regionen ohne zusätzlichen Sensoreinsatz verbessert und somit eine kostengünstige und umweltfreundliche Strategie bietet. Das Ergebnis dieses Projekts sollte daher die Möglichkeiten für eine kontinuierliche LAI-Beobachtung unter bewölkten Bedingungen bewerten, was zu fundierteren Entscheidungen in den Bereichen nachhaltige Forstwirtschaft, Landwirtschaft und Ökosystemmanagement führen wird. Die verbesserten LAI-Daten kommen in erster Linie den Nutzern der Erdbeobachtung (z. B. Fernerkundungsexperten, die im Bereich Ökosystemmanagement tätig sind) und der Landwirtschaft (z. B. Landwirten und Landbewirtschaftern) zugute, da sie eine präzise Landwirtschaft und die Überwachung der biologischen Vielfalt ermöglichen.