Umgang mit Unsicherheiten bei der KI-basierten Erfassung von Wäldern
Nr. 28.6 - 29.09.2026
Göttinger Forschende erhalten Best Paper Award auf der ACM GoodIT 2026
Forschende des Instituts für Informatik und der Wirtschaftswissenschaftlichen Fakultät der Universität Göttingen haben auf der 6. ACM International Conference on Information Technology for Social Good (GoodIT 2026) den Best Paper Award erhalten. Mit der Auszeichnung, dem einzigen Best Paper Award der Konferenz in diesem Jahr, wird ihre Forschung zur Verbesserung der Zuverlässigkeit KI-basierter Erfassung von Baumbedeckung anhand von Satellitenbildern gewürdigt. Erstautor Fabian Wölk stellte die Arbeit auf der Konferenz in Pisa vor.
Der ausgezeichnete Beitrag mit dem Titel „Uncertainty-Aware Annotation for Reliable Tree Cover Monitoring from Satellite Imagery“ wurde von Fabian Wölk, Dr. David Degenhardt, Tobias Hellmundt und Prof. Dr. Xiaoming Fu verfasst. Sie untersuchen, wie Künstliche Intelligenz darauf trainiert werden kann, Bäume und andere Vegetation in Satellitenbildern besser zu unterscheiden.
Eine zentrale Herausforderung besteht darin, dass Objekte in Satellitenbildern nicht immer eindeutig erkennbar sind. Ein kleiner Baum, ein Strauch oder eine andere Vegetationsform können auf Satellitenbildern sehr ähnlich aussehen. Bei der Erstellung von Trainingsbeispielen für ein KI-System müssen sich Menschen dennoch meist bei der Kennzeichnung eindeutig festlegen – auch wenn sie sich unsicher sind. Solche unsicheren Entscheidungen können Fehler in den Trainingsdaten verursachen und später die von der KI erzeugten Karten zur Baumverteilung sowie die Schätzungen der Baumanzahl beeinflussen. Bei Anwendungen wie dem Monitoring von Waldentwicklung und Wiederaufforstung kann dies zu irreführenden Einschätzungen darüber führen, wie sich ein Gebiet entwickelt.
Die Göttinger Forschenden verfolgen deshalb eine einfache Idee: Personen, die die Satellitenbilder für das Training der KI kennzeichnen, sollen mehrdeutige Objekte als „unsicher“ markieren können, anstatt sie zwangsläufig einer bestimmten Kategorie zuzuordnen. Anschließend schätzen zusätzliche Hilfsmodelle ab, wie wahrscheinlich die verschiedenen Kategorien für diese unsicheren Bereiche sind. Diese Wahrscheinlichkeiten werden dann als zusätzliche Trainingsinformation für die eigentliche KI genutzt, die später Bäume und andere Vegetation in Satellitenbildern unterscheiden soll. So kann sie die Mehrdeutigkeit der Bilddaten besser berücksichtigen.
Der Ansatz wurde in einer Fallstudie zur Erfassung der Baumbedeckung in Teilen von Madagaskar getestet. Dabei untersuchten die Forschenden nicht nur, wie genau die KI verschiedene Vegetationsformen unterscheiden kann, sondern auch, ob unabhängig voneinander trainierte Modelle zu ähnlichen Karten zur Baumverteilung sowie ähnlichen Schätzungen der Baumanzahl gelangen.
Die Ergebnisse zeigen, dass es zu zuverlässigeren Resultaten beitragen kann, Informationen über Unsicherheiten beizubehalten und gezielt in das Training einzubeziehen. Besonders erfolgreich waren die zuvor beschriebenen Verfahren, bei denen unsichere Bereiche mithilfe zusätzlicher Wahrscheinlichkeitsinformationen in das Training einbezogen werden. In den Experimenten führten sie zu einer höheren Genauigkeit und stabileren Ergebnissen.