Forschung

Das Projekt nutzt fernerkundliche Daten (und hier insbesondere Zeitserien und Hyperspektraldaten) um Stress in landwirtschaftlichen Kulturen frühzeitig und mit hoher räumlicher Auflösung über großen Gebieten erfassen zu können. Neben klassischen machinellen Lernverfahren werden ebenfalls physikalisch-basierte STrahlungstransfermodelle eingesetzt, wie auch Verfahren des Deep Learning - hier insbesondere SSL (self-supervised learning)

Projektziel ist die laufende Bereitstellung von hochwasserrelevanten Einzugsgebietsinformationen (Landnutzung, Siedlungs- u. Infrastrukturentwicklungen, Oberflächenversiegelung, Boden- und Vegetationszustände) und KI gestützte Analyse der kontinuierlichen Veränderungen (Differenzenanalysen) derselben, auf Basis der Auswertung von Big-Data Zeitreihen von Erdbeobachtungs-Satelliten und machine-learning Methoden.

Das allgemeine Ziel des Projekts ist die Schaffung eines Instrumentariums für die Überwachung und das Scoping landnutzungs- und managementbezogener EU-Politiken (insbesondere land-, forst-, flächen- und klimabezogener Politiken) und ihrer mittel- bis langfristigen ökologischen und wirtschaftlichen Auswirkungen. Das spezifische Ziel besteht darin, vorausschauende Simulationsmodelle für Landnutzung und -management in ihrer Fähigkeit zu stärken, zukünftige Politiken zu formulieren, umzusetzen und zu überwachen. Dies soll durch eine erhebliche Verbesserung der Bottom-up-Verknüpfungen auf verschiedenen Ebenen (Betrieb/Region/Land/Global), der räumlichen Auflösung und der zeitlichen Dynamik erreicht werden. Der LAMASUS-Vorschlag wird im Rahmen der Aufforderung HORIZON CL6 2021 GOVERNANCE 01-13 eingereicht: Modellierung von Landnutzung und Landmanagement im Kontext des Klimawandels.