Effiziente Ausführung von DAWs zur Vorhersage von Waldsterblichkeit unter Verwendung inkrementeller Daten (B07*)

In diesem Teilprojekt befassen wir uns mit der Erkennung und Bewertung der Waldsterblichkeit mithilfe auf maschinellem Lernen basierenden DAWs. Die Ergebnisse sollen Experten bei der Analyse von Satellitenbildern unterstützen und den Prozess beschleunigen. Die DAWs müssen einen stetigen, umfangreicher, von mehreren Quellen ausgehenden Datenstrom verarbeiten. Die zugehörigen Methoden für maschinelles Lernen erfordern häufige Modellaktualisierungen zur Anpassung an die aktuellen Daten. Eine Verlängerung der Aktualisierungsintervalle sowie eine Optimierung des Trainingsprozesses können die Umweltkosten signifikant senken und eine energieeffizientere Verarbeitung ermöglichen. Zu diesem Zweck werden wir neue Methoden erforschen, a) für den energie- und kosteneffizienten Einsatz von DAWs zur Berechnung von Risikoindikatoren für Waldsterblichkeit unter Verwendung von Fernerkundungsbildern und Kli-ma-Daten, und b) für effiziente Modellaktualisierungen durch Berücksichtigung inkrementeller Daten.

DFG-Verfahren Sonderforschungsbereiche

Teilprojekt zu SFB 1404:  FONDA – Grundlagen von Workflows für die Analyse großer naturwissenschaftlicher Daten

Antragstellende Institution Humboldt-Universität zu Berlin

Teilprojektleiter Professor Dr. Martin Herold; Professor Dr. Patrick Hostert; Professor Dr. Odej Kao