Integration von Deep Learning und Satellitenbildern zur Bewertung der Biodiversität

von Yanfei Shan

Die Environmentally-Extended Multiregional Input-Output (EE-MRIO) Datenbank ist ein gängiges Instrument für die effektive Modellierung globaler Lieferketten und ihrer Umweltauswirkungen. Mit ihr lassen sich komplexe Fragen wie die folgenden wissenschaftlich beantworten: "Wie viel Verlust an biologischer Vielfalt wird durch die Umwandlung von Land in Brasilien aufgrund der Rindfleischnachfrage in Deutschland verursacht?" oder "Wie viel globaler Wassermangel kann durch den Anbau von Pflanzen entstehen?". Diesen Datensätzen sind jedoch Grenzen gesetzt, z.B. durch begrenzte räumliche Auflösung, Diskontinuität von Daten, die mangelhafte Datenqualität im globalen Süden und veraltete zeitliche Trends. Im Gegensatz dazu bieten Satellitendaten mit ihrer umfassenden räumlichen und zeitlichen Abdeckung und ihren kontinuierlichen Überwachungsmöglichkeiten eine vielversprechende Lösung für diese Herausforderungen.

Motiviert durch diese Herausforderungen und Forschungslücken konzentriert sich meine Doktorarbeit auf die Verbesserung der Datenzuverlässigkeit und -genauigkeit bei der Bewertung der Nachhaltigkeit globaler Agrarsysteme durch die Integration von Fernerkundung, Klimadaten und multiregionalen Input-Output-Modellen (MRIO). Ich entwickle auf maschinellem Lernen und multimodalem Deep-Learning basierende Ansätze zur Quantifizierung des globalen landwirtschaftsbedingten Wassermangels mit hoher zeitlicher und räumlicher Auflösung. Parallel dazu erforsche ich grundlegende Methoden zur Integration großer Sprachmodelle (LLMs) mit EE-MRIO-Analysen, um neue KI-gestützte Erkenntnisse in der Nachhaltigkeitswissenschaft zu ermöglichen.