Angesichts der globalen Covid-19-Pandemie hat Deep Berlin, eine der führenden KI-Communities der Hauptstadt, ihren zweiten „AI for Good Hackathon“ im April in eine vollständig digitale Veranstaltung verwandelt: Nachdem sich die Veranstaltung im letzten Jahr um Seenotrettung und die technologischen Möglichkeiten zur Unterstützung der Lage von Schiffbrüchigen im Mittelmeer drehte, sollten die Teilnehmer*innen des zweiten Hackathons Maschinelles Lernen (ML) und Computer Vision nutzen, um die Bedrohung der Umwelt durch Waldbrände und sich verschlechternde Luftqualität anzugehen.
Die Auswirkungen des Klimawandels und Möglichkeiten zur Bewältigung seiner Folgen
Auf verschiedene Weise – einige sichtbarer als andere – leidet unser Planet unter den Folgen des Klimawandels: Die verheerenden Buschbrände in Australien haben mehr als 30 Menschen und über eine halbe Milliarde Tiere getötet, mehr als 120.000 km² Land versengt und 2600 Häuser zerstört. Wenn die Temperatur der Erde weiterhin stetig steigt, erhöht sich auch das Risiko solcher Waldbrände weltweit.
Es ist daher offensichtlich und dringend erforderlich, die Auswirkungen des Klimawandels anzugehen. Forscher*innen haben Zukunftstechnologien wie Künstliche Intelligenz und Maschinelles Lernen als eine treibende Kraft zur Verhinderung von Umweltkatastrophen, zur Erhaltung unseres Planeten und zur Rettung von Leben identifiziert: Satellitenbilder und Sensordaten bieten die Möglichkeit, Modelle für Maschinelles Lernen zu entwickeln, mit denen potenzielle Bedrohungen nicht nur vorhergesagt und entsprechend geplant, sondern auch nachhaltige Lösungen für die Zukunft implementiert werden können. Mit Hilfe von Computer Vision und Bildanalyse können beispielsweise zuverlässige Vorhersagen über Wälder und deren Risikopotenzial innerhalb eines Gebiets getroffen werden. Durch die Modellierung von Vorhersagemaßnahmen zur Widerstandsfähigkeit gegen Brände können Expert*innen bei Katastrophen sofortige Hilfe leisten und diese im besten Fall ganz verhindern.
Hackathon-Teams zeigen vielversprechende Ansätze
Die Teilnehmer*innen des „AI for Good Hackathons“, die in mehrere funktionsübergreifende Teams aufgeteilt waren, nutzten ihr kollektives Fachwissen, um clevere ML-Modelle zu erstellen und damit eine oder mehrere Herausforderungen zu bewältigen – von der Kategorisierung von Bäumen über die Kohlenstoffdichte bis hin zur Ermittlung der Feuerelastizität. Wir haben die vielversprechendsten drei Ansätze ausgewählt:
Team 1 arbeitete mit Satellitenbildern, um Gebiete mit starker Entwaldung zu identifizieren, und verwendete Maschinelles Lernen, um die Masse und Dichte der Waldfläche im Laufe der Zeit in einer bestimmten Region Brasiliens zu verfolgen. Mit ihrem Modell konnte das Team qualifizierte Vorhersagen über die Entwaldungsrate treffen, d. h. wie viel Quadratkilometer Wald pro Jahr verloren gehen. Sie stützten sich ebenfalls auf Radarbilder und einen Algorithmus, der die Veränderung der Waldgebiete vorhersagt und simuliert.
Ressourcen Team 1:
Team 2 arbeitete mit den GEDI-LIDAR-Daten, bei denen es sich im Grunde um einen an der Internationalen Raumstation (ISS) montierten LIDAR handelt, mit dem die Höhe von Objekten auf der Erde gemessen werden kann – in diesem Fall die Höhe von Bäumen. Das Team verwendete verfügbare Datensätze von brasilianischen Wäldern und verglich sie mit einem NASA-Datensatz, der Brände weltweit verzeichnet, um mögliche Korrelationen aufzudecken.
In einem nächsten Schritt untersuchten sie die Kombination von Daten zur Luftqualität und geologische Informationen bestimmter Gebiete, in denen verheerende Waldbrände auftraten. Datenmodelle, die auf verschiedenen Parametern basieren, könnten dann vorhersagen, wie wahrscheinlich es ist, dass es bald zu einem Brand in einem bestimmten Gebiet kommt.
Ressourcen Team 2:
Team 3 konzentrierte sich darauf, den Einfluss von Tourismus auf Waldbrände zu analysieren. Sie fragten sich, ob Waldbrände eher an Orten mit viel Tourismus auftreten, und analysierten daher Datensätze, die Informationen über den Ort von Waldbränden sowie über menschliche Aktivitäten (Tourismus- und Nicht-Tourismus-Standorte) in der spanischen Region Galizien lieferten. Mit maschinellen Lernmodellen konnten diese beiden Aspekte – die Entwicklung von Tourismus- und Nicht-Tourismusgebieten sowie die Orte von Waldbränden – über einen Zeitraum von zehn Jahren verglichen werden. Während sich einige Assoziationsketten fanden, warf die Arbeit von Team 3 auch viele weitere Fragen zu potenziellen Faktoren auf, die in Zukunft analysiert werden sollten.
