Die Vorgehensweise

Eine der Hauptaufgaben des Projektes stellt die Suche nach zusätzlichen Beweidungsflächen für die beteiligten Schäfer dar. Diese neuen Potentialflächen sollen auf der einen Seite die wirtschaftliche Situation der Schäfer verbessern und sollen auf der anderen Seite zu einer Biodiversitätsförderung durch die Vernetzung verinselter Biotope beitragen.

Modernste wissenschaftliche Methoden wie maschinelles Lernen bieten zum Auffinden dieser neuen Flächen die Lösung. Dabei lernt ein künstliches System anhand von Beispielen (Trainingsdaten) Muster zu erkennen, die anschließend auf unbekannte Daten angewendet werden können.

Zunächst wurden über InVekoS-Daten aus 2016 prinzipiell für Schafbeweidung geeignete Flächen selektiert. Hierzu zählen bspw. folgende Kulturarten: Wiesen, Weiden, Hutungen, Streuobstwiesen, Brachen, Saum- und Bandstrukturen. Der für das Projektgebiet "Westeifel" umfassende Potentialflächendatensatz beinhaltet insgesamt 33418 Flächen.

Im Anschluss wurden an die Grünlandflächen des Untersuchungsgebiets zahlreiche Zusatzinformationen angebunden. Dazu gehören die aus dem digitalen Geländemodell (DGM) abgeleiteten Reliefparameter Höhe über NN, Hangneigung, Exposition, topographische potentielle Sonneneinstrahlung, topographische Bodenfeuchte, topographische Hangposition, Verebnungsindex (MRVBF) und Hangkuppenindex (MRRTI); der aus hochauflösenden Luftbildinformationen errechnete Vegetationsindex NDVI (Normalized Vegetation Index); Vegetationshöhe und Verbuschungsgrad, die mithilfe der Oberflächendaten des normalisierten digitalen Oberflächenmodells (nDOM) ermittelt wurden; sowie die Distanz zu schutzwürdigen Biotopen, Naturschutzgebieten, Wasserschutzgebieten, Verkehrsstraßen und Wegen (Abb. 1), sowie weitere zusätzliche Parameter.

Als Trainingsdaten für das maschinelle Lernen dienen die bereits genutzten Weideflächen der Schäfer, sowie vor Ort kartierte Flächen. Mehr als 800 Grünlandflächen wurden in drei Klassen unterteilt: Extensive, artenreiche Flächen eignen sich hervorragend als Schafweide, während intensive, artenarme Flächen aus den potentiellen Weideflächen ausgeschlossen werden sollen. Eine weitere Klasse bilden die semi-extensiven Flächen, die im Vergleich zu den extensiven Flächen etwas artenärmer und stärker Gräser-dominiert, als Weideflächen aber dennoch geeignet sind.

Mit diesen Trainingsdaten wurde ein Random Forest ("zufälliger Wald") Algorithmus trainiert. Dabei wird anhand der angebundenen Parameter eine Vielzahl von Entscheidungsbäumen gebildet. Für jeden Baum wird jeweils eine zufällige Teilstichprobe der Daten verwendet. An jedem Knoten des Baumes wird die beste Trennung der Daten aus einem zufällig ausgewählten Teil der angebundenen Parameter ausgewählt. Dadurch entsteht eine Variabilität in den Entscheidungsbäumen, die eine Überanpassung an die Trainingsdaten verhindert.

Eine unbekannte Grünlandfläche wird anhand der angebundenen Parameter von allen Entscheidungsbäumen des Random Forest klassifiziert. Anschließend wird ihr die Klasse zugewiesen, für die sich die Mehrheit der Bäume entscheidet. (Abb. 2)

 

Seitenanfang