Geoinformatik Prof. Dr. Alexander Brenning Forschungsschwerpunkte • Geographische Datenwissenschaften und maschinelles Lernen • Methoden der Umweltmodellierung und des Umweltdatenmanagements • Wasserressourcen und Naturgefahren unter dem Einfluss von Klima- und Landnutzungswandel 142 — FORSCHUNG Wie können wir sicherstellen, dass Modelle des maschinellen Lernens plausibel und räumlich sowie zeitlich gut übertragbar sind? Wie können wir Unsicherheiten bei der Gefährdungsbeurteilung berücksichtigen? Dies sind einige der Herausforderungen, mit denen die evidenzbasierte Entscheidungsfindung des maschinellen Lernens und der Künstlichen Intelligenz in Umweltfragen konfrontiert ist. Die Professur für Geoinformatik setzt sich hiermit sowohl methodisch (Abb. 1, [1]) als auch in konkreten Anwendungsprojekten auseinander, etwa im Kontext der Bewertung der Gefährdung durch Hangrutsche. Eingebunden ist diese Forschung in das europäische Exzellenznetzwerk für maschinelles Lernen, ELLIS (European Laboratory for Learning and Intelligent Systems). Neue Maßstäbe setzt die Professur bei der Kombination von Klimaszenarien mit Naturgefahrenmodellen (Abb. 2, [2]) und der Abschätzung Modellierung von Erdoberflächenprozessen mit Maschinellem Lernen der dabei entstehenden Unsicherheiten. Methodische Fortschritte konnten beim Modell-Transfer mit Ansätzen des Active Learning und des Transfer Learning gemacht werden [3]. Aktuell wird mit hybriden, physikalisch informierten Modellen die Modellplausibilität optimiert. [1] Brenning, A. (2023): Spatial machine-learning model diagnostics: a model-agnostic distance-based approach. International Journal of Geographical Information Science, DOI: 10.1080/13658816.2022.2131789 [2] Maraun, D., Knevels, R., Mishra, A.N., Truhetz, H., Bevacqua, E., Proske, H., Zappa, G., Brenning, A., Petschko, H., Schaffer, A., Leopold, P., Puxley, B.L. (2022): A severe landslide event in the Alpine foreland under possible future climate and land-use changes. Communications Earth & Environment, DOI: 10.1038/s43247-022-00408-7 [3] Wang, Z., Brenning, A. (2023): Unsupervised active-transfer learning for automated landslide mapping. Computers & Geosciences, DOI: 10.1016/j.cageo.2023.105457 Abb. 1. Räumliche Fehlerprofile als ein neues Werkzeug für die Bewertung der Vorhersagekraft räumlicher Modelle des maschinellen Lernens—hier ein Vergleich von Geostatistik, Random Forest und kombinierten Modellen. Bild aus Ref. [1]. Abb. 2. Veränderung des durch Rutschungen gefährdeten Flächenanteils in unterschiedlichen zukünftigen Klima– und Aufforstungsszenarien im Feldbach-Gebiet (Steiermark). Bild aus Ref. [2].
RkJQdWJsaXNoZXIy OTI3Njg=