Künstliche Intelligenz gegen die Abholzung

12.05.2021 - Schweiz

s gibt immer mehr Beweise für einen kausalen Zusammenhang zwischen der Abholzung von Wäldern, der Beschleunigung des Klimawandels und dem Aussterben wertvoller Flora und Fauna. Aber die Identifizierung und Messung der Abholzung und des Anbaus bestimmter Rohstoffe in großem Maßstab und mit ausreichendem Detailgrad ist notorisch schwierig. Der heutige Tag markiert einen entscheidenden Moment mit der Veröffentlichung der ersten groß angelegten indikativen High Carbon Stock (HCS)-Karte, die Malaysia, Indonesien und die Philippinen abdeckt.

Barry Callebaut

Die Identifizierung und Messung der Entwaldung und des Anbaus bestimmter Rohstoffe in großem Maßstab und mit ausreichender Detailgenauigkeit ist bekanntermaßen schwierig.

highcarbonstock.org

Im Großen und Ganzen klassifiziert das HCSA die Vegetation eines Landgebiets in verschiedene Kohlenstoffbestandsklassen. Dies geschieht durch eine Kombination aus Kartierung mittels Fernerkundung und Felddaten. Im Feld werden Baumarten, Größe und Anzahl erfasst und zur Berechnung der Biomasse und des Kohlenstoffgehalts der Kohlenstoffvorratsklassen verwendet. Die ersten vier Klassen werden als potenzielle Wälder mit hohem Kohlenstoffvorrat betrachtet.

Image from Nico Lang, data from EcoVision Lab ETH Zürich. Built-up data: © Copernicus Service Information 2019

Indikative High Carbon Stock Klassifizierung. Unsere indikative HCS-Karte zeigt, welche Flächen als sogenannte High Carbon Stock-Wälder identifiziert werden. Diese natürlichen Wälder speichern eine hohe Menge an Kohlenstoff in Form von Biomasse. Darüber hinaus zeigt die Karte auch degradierte Flächen (Offenland und Gestrüpp), die weniger Kohlenstoff speichern. Unsere erste hochauflösende indikative HCS-Waldkarte für Indonesien, Malaysia und die Philippinen ist ein Werkzeug für die Landnutzungsplanung. Sie ermöglicht einen effizienten Einsatz der verfügbaren Ressourcen, um Wälder zu identifizieren, die zum Erhalt geschützt werden sollten, und degradierte Flächen, die potenziell erschlossen werden können.

Barry Callebaut
highcarbonstock.org
Image from Nico Lang, data from EcoVision Lab ETH Zürich. Built-up data: © Copernicus Service Information 2019

Die Identifizierung des Zusammenhangs zwischen bestimmten Rohstoffen und Gebieten, die von Abholzung bedroht sind, kann extrem komplex sein. Bei Barry Callebaut verlangen wir von unseren Lieferanten, z. B. Palm- und Sojalieferanten, dass sie die schützenswerten und die für die Landwirtschaft nutzbaren Waldgebiete identifizieren. Die Durchführung dieser Art von Bewertung ist jedoch schwierig, zeitaufwändig und oft auch kostspielig.

Wir brauchten eine Lösung, um unsere Lieferanten zu unterstützen, die effizienter und kostengünstiger ist und die Fähigkeit hat, zu skalieren. Außerdem wussten wir, dass künstliche Intelligenz bereits für Strategien zur Bekämpfung des Klimawandels eingesetzt wird, z. B. zur Vorhersage von Dürreperioden, Wolkenbedeckung und Treibhausgasemissionen.

Die Frage, die wir uns also stellten, lautete: Wie können wir die bestehende Abholzungsmethodik mit künstlicher Intelligenz nutzen?

Um diese Frage zu beantworten, haben wir uns mit dem EcoVision Lab zusammengetan, das zur Gruppe für Photogrammetrie und Fernerkundung an der ETH Zürich gehört und über die Fähigkeit verfügt, hochautomatisierte Lösungen mit künstlicher Intelligenz zu entwickeln. Die Gruppe verfügt über langjährige Erfahrung in der Kombination von maschinellem Lernen (Deep Learning) mit Fernerkundung, um ökologische Herausforderungen zu lösen. Das Team an der ETH Zürich nutzt Daten eines Laserscanners der NASA, der an der Internationalen Raumstation angebracht ist, und Bildmaterial der Europäischen Weltraumorganisation (ESA), das es ermöglicht, große Gebiete durch Anwendung von künstlicher Intelligenz zu kartieren und die Messungen vor Ort auf sehr kritische Stellen zu beschränken.

Diese Zusammenarbeit führte zur Entwicklung einer öffentlich zugänglichen, branchenweit ersten, indikativen High Carbon Stock (HCS)-Karte, die Wälder mit hohem Schutzwert und Gebiete identifiziert, in denen die Abholzung die höchsten Kohlenstoffemissionen verursachen würde.

Aufbauend auf Best-in-Class-Ansätzen

Die Entwicklung der HCS-Karte unterstützt in hohem Maße den aktuellen Ansatz der Datenerhebung aus dem Feld, der bisher der am weitesten verbreitete Ansatz zur Messung des Zusammenhangs zwischen Rohstoffanbau und Entwaldung ist, der sogenannte High Carbon Stock Approach (HCSA).

"Diese neue Methode, die Deep Learning und öffentlich verfügbare Satellitenbilder kombiniert, ist ein echter Durchbruch, weil sie ein hoch automatisiertes, transparentes und objektives Werkzeug bietet, das indikative HCS-Karten auf globaler Ebene mit bisher unerreichter Genauigkeit erstellt." Prof. Dr. Jan Dirk Wegner, Leiter des EcoVision Lab, ETH Zürich & Universität Zürich

Aufbauend auf Best-in-Class-Ansätzen

HCSA ist eine weithin anerkannte Methode, die zunehmend von Zertifizierungsstandards wie dem Roundtable on Sustainable Palm Oil (RSPO) und von Unternehmen genutzt wird, die sich verpflichtet haben, die Verbindung zwischen Entwaldung und Landentwicklung in ihrem Betrieb oder ihrer Lieferkette zu durchbrechen. Die Abhängigkeit von Boden- und Luftbildern für HCSA ist eine Herausforderung, da die manuelle Vermessung von Landschaften und die Bewertung von Vegetationsklassen arbeitsintensiv und schwer in großem Maßstab umzusetzen ist, während der Einsatz von Flugzeugen mit speziellen Laserscannern eine teure Option darstellt.

Kombination von HCSA mit der Vorhersagekraft von künstlicher Intelligenz

Die Implementierung von Lösungen für künstliche Intelligenz beginnt mit der Datenqualität. Deep Learning ist ein Forschungsgebiet mit einem sehr hohen Tempo. Neue Algorithmen werden schnell verbessert und zeigen das Potenzial, das Waldmonitoring und die Abschätzung des Kohlenstoffbestands auf der Grundlage von Satellitenbildern zu revolutionieren. Wenn man sich jedoch auf überwachtes Lernen verlässt, d. h. auf das Lernen aus großen Referenzdatensätzen, ist die Menge und Qualität der Daten der Schlüssel zum Erfolg. In den letzten vier Jahren hat sich das ETH-Team auf die Nutzung der neuen Satellitenbilder und die Kalibrierung der regionalen Kohlenstoff-Biomasse-Daten konzentriert. Als Ergebnis haben wir ein Werkzeug entwickelt, das hochgradig automatisiert und objektiv ist und mit dem sich indikative HCS-Kartierungen auf ganze Weltregionen hochskalieren lassen.

"Eine positive Kohlenstoff- und Waldbilanz ist eine der Hauptverpflichtungen von Forever Chocolate. Diese Karten sind das Ergebnis einer vierjährigen Zusammenarbeit mit einer der führenden Forschungseinrichtungen, die künstliche Intelligenz mit Fernerkundung zum Schutz von Ökosystemen kombiniert. Durch die Zusammenarbeit haben wir eine innovative und skalierbare Lösung geschaffen, die für alle zugänglich ist." Massimo Selmo, Head of Global Sourcing, Barry Callebau.

"Wir begrüßen diese innovative neue HCS-Indikativkarte der ETH Zürich und Barry Callebaut. Die Kartierung der HCS-Wälder in tropischen Waldregionen weltweit ist ein erster Schritt, um diese vor Abholzung zu schützen. HCSA ist sehr daran interessiert, auf dieser Arbeit von Barry Callebaut und der ETH aufzubauen, um qualitativ hochwertige HCS-Karten zur Verfügung zu stellen, die jeder nutzen kann, um keine Abholzung zu implementieren, insbesondere Kleinbauern." Judy Rodrigues, Geschäftsführerin, High Carbon Stock Approac.

Südostasien und darüber hinaus

Die heutige Lancierung dieser grossflächigen HCS-Karte markiert einen entscheidenden Moment auf unserer spannenden Reise mit der ETH Zürich, der weit über unsere eigene Schokoladen- und Kakaolieferkette hinaus ausstrahlen könnte.

Wir setzen uns leidenschaftlich für die grössten Herausforderungen in unserer Branche ein, und das können wir nur gemeinsam tun, indem wir konsequent nach innovativen Lösungen suchen.

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Weitere News aus dem Ressort Wirtschaft & Finanzen

Meistgelesene News

Weitere News von unseren anderen Portalen

Fleisch aus dem Labor