Innovative KI-basierten Simulationsmodellen für Projektionen der Waldentwicklung in Deutschland
Wälder bedecken knapp ein Drittel der Fläche Deutschlands, und haben neben ihrer zentralen Rolle im Klimaschutz und bei der Erhaltung der Biodiversität auch eine wichtige wirtschaftlichen Bedeutung. Angesichts der Umwälzungen durch den globalen Wandel (v.a. Klimawandel) lautet die entscheidende Frage wie diese Funktionen erhalten und auch ausgebaut werden können. Um zukunftsfähige Entscheidungen treffen zu können, sind Waldbewirtschaftende auf wissenschaftlich fundierte, und lokal verfügbare Informationen über die langfristigen Auswirkungen von Bewirtschaftungsmaßnahmen, wie beispielsweise die Wahl von Baumarten im Klimawandel angewiesen.
Innerhalb von FutureForest nutzen die Forschenden der TU München eine innovative Kombination aus prozessbasierten und KI-basierten Modellen, um flächendeckende und hoch aufgelöste Projektionen der Waldentwicklung in Deutschland bis 2100 zu erstellen. Durch die Integration von detaillierten Vegetations- und Klimadaten sowie realistischen Bewirtschaftungsszenarien werden forstliche (z.B., Holzzuwachs), ökologische (z.B. Kohlenstoffspeicherung), und soziale (z.B. Erholungswert) Indikatoren als Datengrundlage für das FutureForest Decision Support System generiert.
Die Berechnungen basieren dabei auf einer innovativen Kombination von prozessbasierten und KI-basierten Simulationsmodellen, sowie aktueller Datenquellen aus der Fernerkundung. Das an der TU München entwickelte prozessbasierte Modell iLand simuliert Effekte von Klima und Bewirtschaftung mit einem hohen Grad an Realismus auf der Ebene von einzelnen Bäumen, ist allerdings daher auf kleinere Flächen beschränkt.
Mit dem – ebenfalls von der TUM kommenden – neuen KI-basierten Ansatz Scaling Vegetation Dynamics (SVD) ist möglich, die detaillierten Simulationsergebnisse auf die gesamte Fläche der Bundesrepublik zu übertragen. Damit wird in FutureForest ein einzigartiger Datensatz geschaffen, der konsistent Effekte von Waldumbaustrategien im Klimawandel für ganz Deutschland enthält.
Weiterführende Literatur
Rammer et al (2024). The individual-based forest landscape and disturbance model iLand: Overview, progress, and outlook. https://doi.org/10.1016/j.ecolmodel.2024.110785
Rammer W, Seidl R (2019). A scalable model of vegetation transitions using deep neural networks. 10.1111/2041-210X.13171
iLand source code: https://github.com/edfm-tum/iland-model
SVC source code: https://github.com/edfm-tum/SVD