Geodaten + künstliche Intelligenz = Erkenntnisgewinn² (?)

Broda, S.: Einführung und Überblick

Nölscher, M.: Maschinelles Lernen in der BGR: Regionalisierung und Prognose geowissenschaftlicher Daten

Durch das rasant ansteigende Volumen an Geodaten werden neue Werkzeuge zur Visualisierung, Bearbeitung, Interpretation und Bewertung benötigt. Insbesondere in den Geowissenschaften gewinnen in anderen Themenbereichen erprobte Methoden der künstlichen Intelligenz, genauer die Teildisziplin maschinelles Lernen, nur langsam an Popularität. Neben einem historischen Abriss der Entwicklung im Fachgebiet des maschinellen Lernens werden in dem Beitrag grundlegende Konzepte und geowissenschaftliche Anwendungsbeispiele vorgestellt. Thematisiert werden u.a. unüberwachte Ansätze wie self-organizing maps (SOM) zur Regionalisierung und Auswahl von Referenzmessstellen, deep-learning Ansätze wie convolutional neural networks (CNN) für die Vorhersage von Grundwasserständen und das Detektieren von hydrogeologisch relevanter Infrastruktur aus Satellitendaten (Schachtbrunnen, Pumphäuser, Beregnungsanlagen etc.) sowie autoencoder zur Mustererkennung in geowissenschaftlichen Datensätzen. Darauf aufbauend werden Chancen und Herausforderungen aufgezeigt, die bei der Anwendung dieser Algorithmen auf Geodaten auftreten.