Das EcoVision Lab hat große Ziele: die Lebensqualität der Menschen weltweit verbessern und zugleich die Umwelt besser schützen. Die an der ETH Zürich angeschlossene Forschungsgruppe unter Dr. Jan Dirk Wegner erforscht ökologische und soziale Fragestellungen aus der Sicht der Informatik. Das Lab ist eine Art Schnittstelle für den Umwelt- und Sozialbereich zu technologischen Anwendungen und entwickelt Lösungsansätze vor allem in den Bereichen (Deep) Machine Learning, Computer Vision und Fernerkundung.
Ein spannendes Projekt des EcoVision Lab ist die Entwicklung eines Tools, das in der Lage sein soll, die weltweite Biomasse zu kartieren. Die Vision dahinter: Das Tool soll zu einem etablierten Standard werden, wenn es um die Beurteilung von Waldflächen geht, zum Beispiel wenn Plantagen erweitert werden sollen. Handelt es sich also um ein Waldstück, das hinsichtlich seiner Artenvielfalt besonders schützenswert ist? Ist es ein besonders wichtiger Kohlenstoffspeicher oder hat die indigene Bevölkerung Rechte an dem Stück Land? Oder handelt es sich um ein Gebiet, dass aus sozial-ökologischer Sicht als weniger schützenswert eingestuft wird und als Anbaufläche genutzt werden kann?
Wie das Tool bei solchen Fragen eine transparente und objektive Entscheidungsgrundlage bieten kann, welche Rolle dabei Satellitendaten spielen und was hinter dem „High Carbon Stock Approach“ steckt – darüber haben wir mit Jan Dirk Wegner und Nico Lang vom EcoVision Lab gesprochen.
Jan, du hast das EcoVision Lab an der ETH Zürich vor knapp vier Jahren ins Leben gerufen. Was macht ihr da?
Jan: Die persönliche Motivation dahinter war es, etwas Sinnvolles im Sozial- und im Umweltbereich zu machen. Natürlich haben wir jede Menge Kollegen, die in dem Bereich tätig sind. Das sind sehr viele gute Forscher, sie bringen aber nicht so sehr dieses technische Know-how mit, gerade im Machine-Learning-Bereich. Die Idee war, dass wir genau das beitragen. Deshalb suchen wir uns immer Partner aus den angrenzenden Fachbereichen, identifizieren dort naturwissenschaftliche Probleme und schaffen dann auf Machine-Learning-Seite Innovationen, auf einem sehr technischen Level. Das ist unser Ansatz und wir kennen eigentlich sonst keine Gruppen, die das so machen.
Jan Dirk Wegner, ein gebürtiger Oldenburger, studierte Geodäsie und Geoinformatik an der Leibniz Universität Hannover und schrieb dort auch seine Doktorarbeit. 2012 kam er zunächst als Postdoc zur ETH Zürich, arbeitete dort viel im Bereich Computer Vision und gründete dort 2017 das EcoVision Lab. Nico Lang hat seinen Master in Geomatik an der ETHZ absolviert, ist über Jan zum Machine Learning gekommen und promoviert aktuell in der Forschungsgruppe des EcoVision Lab.
Bei der Arbeit im EcoVision Lab setzt ihr vor allem auf Fernerkundung, richtig?
Jan: Ja. Da unser Team Teil einer Fernerkundungsgruppe ist und wir dort sehr viel Erfahrung mitbringen und auch viel Software haben, um zum Beispiel Satellitenbilder sofort zu verarbeiten, arbeiten wir häufig mit Fernerkundungsdaten. Wir können aber grundsätzlich jegliche Art von Daten verarbeiten. Wir nutzen zum Beispiel auch Social-Media-Bilder und zunehmend auch Klima- und Wetterdaten. Wir können auch textbasierte Daten verwenden, also zum Beispiel Fragebögen maschinell auswerten. Das haben wir zum Beispiel in einem kleinen Projekt gemacht, in dem es darum geht, Kinderarbeit im Kakaosektor abzuschätzen.
Eines eurer aktuellen Projekte ist die Entwicklung eines High Carbon Stock Mapping Tools, eines globalen Werkzeugs zur Kartierung von Biomasse. Dieses Tool soll auf dem „High Carbon Stock Approach“ aufbauen. Erklärt mir doch zuerst einmal, was sich hinter diesem Ansatz verbirgt.
Nico: Der High Carbon Stock Approach ist eine Methode, die von verschiedenen NGOs wie Greenpeace und WWF in Zusammenarbeit mit großen Firmen, wie Plantagenbesitzern oder Unternehmen, die Rohstoffe von Plantagen verarbeiten, entwickelt wurde. Der HCS Approach soll ein Instrument für die Landnutzungsplanung werden. Er unterscheidet Waldflächen, die besonders schützenswert sind, die zum Beispiel hohe Biomasse und hohe Biodiversität vorweisen, und Landflächen, die weniger schützenswert sind, wo zum Beispiel wirtschaftliche Entwicklungen stattfinden könnten.
Wie sieht denn der Kriterienkatalog dafür aus? Anhand welcher Aspekte können also Landflächen identifiziert werden, die „weniger schützenswert“ sind?
Nico: Der HCS Approach hat ein Regelwerk dafür definiert, wie man schützenswerten Wald von nicht schützenswertem Wald unterscheiden kann. Da spielen verschiedene Indikatoren zusammen, zum einen die Biomasse, zum anderen aber auch die Biodiversität. Ein Hauptkriterium ist, wie viel Kohlenstoff in so einem Waldstück gespeichert ist. Und der HCS Approach berücksichtigt auch die Rechte der lokalen Bevölkerung. Nicht alle Indikatoren sind also direkt messbar, sondern man muss sich konkret und vor Ort anschauen, wie eine Landfläche zurzeit genutzt wird.
Es gibt also bereits jetzt entsprechende Karten zur Darstellung des Carbon Stock. Warum braucht es zusätzlich noch euer Tool?
Jan: Wenn ein Konzern eine Plantage erweitern will, gibt es zwar schon jetzt legale Anforderungen in den Anbauländern, die sind aber häufig sehr intransparent. Man hat da viel mit lokalen Behörden zu tun, mit verschiedenen administrativen Einheiten und gleichzeitig mit Consultingfirmen, die zum Beispiel diese Carbon-Stock-Karten erstellen. Da die Consultingfirmen von den Anbaufirmen beauftragt werden, führt das eben – wenig erstaunlich – dazu, dass der Carbon Stock häufig unterschätzt wird. Das heißt, Plantagen werden zu sehr erweitert, obwohl angeblich ein objektiver Ansatz vorliegt.
Mein Eindruck ist daher, dass es komplett an Möglichkeiten fehlt, objektives Monitoring von den Gegebenheiten vor Ort durchzuführen, auf eine wiederholbare, transparente Art und Weise, die dann auch für alle gilt und an die sich alle Firmen halten.
Ihr wollt also so eine transparente und objektive Entscheidungsgrundlage entwickeln. Die Frage wäre aber, warum sich die Nahrungsmittelproduzenten daran halten sollten…?
Jan: Sicherlich wäre ein Grund, dass aus der Öffentlichkeit ein immer höher werdender Druck auf die Firmen zukommt. Und es kommt auch Druck von journalistischer, wissenschaftlicher und auch von politischer Seite. Das hilft sicherlich auch, so eine Entwicklung voran zu treiben. Die Sustainability Units in den großen Firmen erhalten jetzt mehr Gewicht.
Mit welchen Technologien bzw. mit welchen Daten soll denn diese objektive Grundlage, die ihr anstrebt, geschaffen werden? Was ist der Entwicklungsansatz eures Tools?
Nico: Wir verwenden frei verfügbare Satellitenbilder der ESA, von Sentinel-2. Es ist allerdings für den Menschen sehr schwierig, diese Satellitenbilder zu interpretieren – mit Machine Learning geht das viel besser. Unser Ansatz kombiniert letztlich verschiedene Datensätze: Wir trainieren unser Modell mit Referenzdaten, zum Beispiel mit Daten zur Vegetationshöhe oder zur Biomasse, sodass es genau diese Indikatoren aus dem Satellitenbild detektieren oder messen kann. Für ein menschliches Auge wäre das gar nicht möglich.
Warum setzt ihr hierfür auf Satellitenbilder? Gäbe es auch andere Möglichkeiten?
Nico: Ein Hauptvorteil von den Satelliten dieser Mission ist, dass sie alle fünf Tage am gleichen Ort erneut aufgenommen werden. So kriegen wir ein relativ aktuelles Bild der Situation. Und sie sind natürlich global verfügbar. Das ist der größte Vorteil, gegenüber anderen Methoden wie zum Beispiel Drohnen. Aber es gibt auch andere Messmethoden, wie SAR (Synthetic Aperture Radar, Anm. der Red.), das sind Radardaten. Unser Ziel ist es, auch diese Daten als Input zu verwenden. Der Vorteil wäre dann, dass diese Daten unabhängig von der Bewölkung sind. Gerade in den tropischen Gebieten ist eine Störung der Daten durch Wolken sehr kritisch.
Jan: Aktuell werden solche Karten zum Carbon Stock mithilfe luftgestützter Daten erstellt, wie etwa mit einem Laserscanner, der die Messung vom Flugzeug aus vornimmt. Das Problem dabei ist, dass diese Missionen sehr teuer sind, weil man eine flugzeuggestützte Mission zum Beispiel dann von Jakarta aus starten muss. Man muss das Flugzeug erst dorthin bringen, alles einrichten, dann muss man auf gutes Wetter hoffen und erst dann geht’s los. Und es ist in diesem Sinne auch nicht wiederholbar. Demgegenüber haben also die Satellitenbilder, die wir nutzen, einen riesigen Vorteil. Hinzu kommt, dass wir Daten nutzen wollen, auf die alle zugreifen können, jeder Mensch. Wir planen, den Source Code unseres Tools zu veröffentlichen. Neben Transparenz bedeutet das zugleich auch, dass eventuelle Fehler von anderen aufgedeckt werden können. Dadurch erhoffen wir uns eine höhere Akzeptanz – und letztendlich eine bessere Qualität und auch Objektivität durch möglichst viele Anwender.
Was macht ihr dann genau mit den Satellitendaten?
Nico: Der erste Schritt ist, dass wir die Satellitenbilder atmosphärisch korrigieren. Da diese sehr viel Störungen zwischen der Erdoberfläche und dem Bildsensor haben, müssen wir die zuerst herausrechnen. Dafür gibt es standardmäßige Tools, die wir einfach von der ESA übernehmen. Wenn wir dann ein klareres Bild haben, kombinieren wir das georeferenzierte Satellitenbild mit anderen georeferenzierten Referenzdaten, die wir zum Beispiel von luftgestützten Laser-Scanning-Messkampagnen bekommen. Wir können zum Beispiel die Vegetationshöhe aus 3D-Daten ableiten und mit den Satellitenbildern kombinieren – und das ist schlussendlich der Trainingsdatensatz für den Algorithmus. Anschließend sucht unser Convolutional Neural Network, ein künstliches neuronales Netz, nach Textur, nach Mustern, die helfen, zum Beispiel die Vegetationshöhe aus dem Bild zu schätzen. Diese Sentinel-2-Bilder sind sogenannte multispektrale Bilder, haben also RGB-Kanäle wie eine normale Handykamera, außerdem aber auch noch weitere Kanäle im Infrarot-Bereich, die auch helfen können, Muster zu finden. Die Stärke eines solchen Convolutional Neural Networks kommt also dadurch, dass es Texturmerkmale erkennen und lernen kann.
Soweit ich weiß, haben eure zugrundeliegenden Bilddaten eine Auflösung von zehn mal zehn Metern. Was kann man daraus ablesen und wo sind die Grenzen?
Nico: Also die Einzelbaumerkennung ist schon limitiert. Trotzdem erlaubt es das Tool, relativ regionale Entscheidungen zu treffen, für Waldstücke.
Jan: Du hattest ja auch nach den Grenzen gefragt. Da ist es wichtig zu betonen, dass wir eine sogenannte indikative HCS Map erstellen. Was darin fehlt, sind Hinweise, die wir vom All, vom Satelliten aus, nicht erkennen können. Das sind zum Beispiel bestimmte Indikatoren für Biodiversität. Denn Flächen mit sehr hoher Biodiversität sollen ja auch geschützt werden. Das können wir aber nicht in jedem Fall erkennen. Und wenn es zum Beispiel Communities vor Ort gibt, Gemeinden oder auch Ureinwohner, die dort alte Rechte an diesem Land haben, können wir das vom Satelliten aus auch nicht erkennen. Genau das sind aber Informationen, die ebenfalls mit eingebaut werden sollen. Das heißt, unsere Karte, die wir jetzt liefern, ist noch nicht „fertig“. Sie misst einfach objektiv Biomasse und was das für Biomasse ist. Aber dann kommen noch zusätzliche Informationen dazu, die zum Beispiel von den Menschen vor Ort, von Greenpeace oder anderen NGOs geliefert werden. Am wichtigsten sind hier die bestehenden Rechte von Gemeinden vor Ort, der Bevölkerung vor Ort und der Ureinwohner.
Wie gelangt ihr an die Daten als Grundlage für euer Tool – und wie verarbeitet ihr diese sicherlich gewaltigen Datenmengen überhaupt?
Nico: Stimmt, das sind Terabytes von Bilddaten, die wir runterladen. Wir haben das Glück, dass wir ein großes Cluster haben, also ein Rechenzentrum, wo wir das schlussendlich rechnen. Auf einer lokalen Maschine wird das schon schwierig, wenn man größere Gebiete analysiert.
Jan: Das ist ein ganz wichtiger Punkt, den du hier ansprichst, denn das ist das „Bottle Neck“ bei so einer Methode. Das Problem ist gar nicht, so viele Daten zu verarbeiten, denn dafür muss man einfach Rechenpower kaufen oder bereitstellen. Sondern das eigentliche Problem ist, die Daten runterzuladen und zwar möglichst zeitnah – und es werden ja ständig wieder neue Daten erfasst. Jetzt machen wir das auf dem ETH-Supercomputer, aber wenn man es nachher in die Anwendung bringt, braucht man eigentlich eine Cloud, wo eine viel größere Bandbreite zur Verfügung steht, um automatisch diese Satellitenbilder der ESA runterzuladen bzw. wo diese immer schon vorliegen. Da braucht es dann wahrscheinlich ein spezielles Agreement mit der ESA, um das zu schaffen.
Welche anderen Nutzungsmöglichkeiten könnte euer globales Kartentool noch bieten?
Jan: Ganz generell ist momentan kein Tool verfügbar, das Biomasse mit der Genauigkeit, wie wir sie anpeilen, misst. Die beste Karte, die wir kennen, hat eine 100-Meter-Auflösung – wir wollen eine 10-Meter-Auflösung. Wir verbessern also die weltweite Biomasse-Karte drastisch in ihrer räumlichen Auflösung und in ihrer Genauigkeit. Und wir gestalten sie so, dass wir sie beinahe kontinuierlich in nahezu Echtzeit updaten können, was momentan noch unmöglich ist. Sowas ist natürlich ganz wesentlich für viele Anwendungen. Zum Beispiel Raumplanung: Wenn die indonesische Regierung neue Gebiete plant für die Besiedlung von Menschen oder für Industriegebiete, dann sollten Gebiete mit hoher Biomasse, die wir als schützenswert ansehen, bei der Planung berücksichtigt werden: dass eben nur dort neue Siedlungen angelegt werden, wo man möglichst wenig Natur zerstört.
Auch die Klimaforschung ist eine potenzielle Anwendung, denn eine hohe Biomasse steht natürlich auch für große Kohlenstoffspeicher bzw. Sauerstoffspender. Und auch für die Biodiversität-Modellierung ist eine hochgenaue Biomasse-Karte sehr wichtig, denn eine hohe Biodiversität korreliert oft mit hoher Biomasse: Dort wo dichte Urwälder sind, gibt es auch eine große Artenvielfalt.
Wie geht es weiter, wenn das Tool fertig ist? In welchem Rahmen und von wem soll es genutzt werden?
Jan: Ich denke, dass viele Firmen ein großes Interesse daran haben. Unsere Idee ist ein lizensiertes Tool mit einem Webinterface, auf das jedes Unternehmen zugreifen könnte und das im Selbstkostenpreis dann eine HCS-Karte erstellt bzw. Zugriff darauf gibt. Beim HCS-Verfahren gibt es immer ein unabhängiges Gremium an Wissenschaftlern, an Experten, die bei jeder Anfrage von der Firma zu einer Plantagenerweiterung darauf schauen, ob das aufgrund dieser Karte nun in Ordnung ist oder nicht, unter Berücksichtigung älterer Rechte von Ureinwohnern. Wir stellen uns das als ein Modell vor, durch das Unterhalt, Personal und auch die Cloud-Infrastruktur für das Tool finanziert werden könnte. Man könnte auch die Vereinten Nationen ansprechen, das ist aktuell noch nicht ganz klar. In jedem Fall ist es aber ein Non-Profit System, wir haben also nicht die Vorstellung, damit Geld zu verdienen.
Wir hoffen, dass unser Tool zu einem Standard wird – vergleichbar vielleicht mit dem RSPO, dem Roundtable on Sustainable Palm Oil. Dadurch, dass sich gewisse Standards etablieren, die jeder einhalten muss, haben alle die gleiche Einsicht, gleiche Chancen und Nachteile. Auch wenn es Unstimmigkeiten gibt, können sich alle auf die gleichen Ergebnisse, das gleiche Tool beziehen. Das ist meine Hoffnung und ich bin da momentan optimistisch!
Danke euch beiden für das Interview!
Dieser Artikel ist Teil des Dosssiers „Satelliten und Drohnen – Wertvolle Helfer für eine nachhaltige Entwicklung“. Alle Artikel des Dossiers findest du hier: Dossier Satelliten und Drohnen
Das Dossier ist Teil der Projekt-Förderung der Deutschen Bundesstiftung Umwelt (DBU), in deren Rahmen wir vier Dossiers über zwei Jahre zum Thema „Chancen und Potenziale der Digitalisierung für eine nachhaltige Entwicklung“ erstellen.
Mehr Informationen hier.
