HABKIS: Neue KI-basierte Methoden zur Entwicklung hochauflösenden Bodenfeuchtekarten

Problemstellung

Aktuelle, genaue und räumlich hochauflösende Bodenfeuchtekarten sind für Landwirtschaft, Wasserwirtschaft, Hochwasserschutz, Wettervorhersagen und Umweltmonitoring wichtig.
Der DWD errechnet die Bodenfeuchte aus Wetterstationsdaten, da Fernerkundungsdaten wenig geeignet und Sensormessungen aufwendig und fehlerbehaftet sind. Auf Grund der begrenzten Zahl von Stationen (501 in Deutschland) ist die räumliche Auflösung der Karten jedoch gering.

Projektziel

Erste Untersuchungen von heliopas.ai haben ergeben, dass mittels KI unter Einbeziehung zusätzlicher Daten die Auflösung von Bodenfeuchtekarten deutlich gesteigert werden kann, ohne dass die Genauigkeit abnimmt.
Ziel dieser Machbarkeitsstudie ist, geeignete KI-basierte Methoden und geeignete Daten, vor allem Satellitendaten, zu identifizieren und zu erproben, durch die die räumliche Auflösung von Bodenfeuchtekarten deutlich gesteigert werden kann, ohne dabei an Genauigkeit zu verlieren.

Durchführung

iIn der Machbarkeitsstudie wird, aufbauend auf den Vorarbeiten von heliopas.ai, eine umfassende Recherche nach weiteren KI-Methoden und zusätzlichen Datensätzen zur Datenanreicherung durchgeführt. Die identifizierten KI-Methoden und Datensätze werden dann mit Testdatensätzen erprobt und bezüglich ihrer Eignung bewertet. Darauf aufbauend werden die am besten geeigneten Methoden mit umfassenderen Daten getestet, verbessert und mit Felddaten exemplarisch validiert.

Das Projektvolumen umfasst eine Summe von 139.826,40€ mit einem Förderanteil von 70% durch das BMVD. Die Projektlaufzeit war von November 2021 bis Oktober 2022 und wurde von der heliopas.ai GmbH aus Karlsruhe koordiniert

Sammlung der DWD Daten

Der DWD stellt tägliche berechnete Daten des AMBAV Modells für die Zeit vom 01.01.1991 bis heute mit täglicher Auflösung bereit. Dabei verwendet das Modell Eingaben wie “Taupunkt, Windgeschwindigkeit und Niederschlag sowie Strahlungsdaten”. Da diese Daten nur an Wetterstationen vorliegen, wird die Berechnung nur für 501 fest verteilte Stationen in Deutschland durchgeführt. Allerdings werden die Strahlungsdaten nicht an jeder Station gemessen, weshalb diese in diesem Fall ersetzt werden. 

Ein Vergleich der berechneten Bodenfeuchte findet nur punktuell bei Sondermesskampagnen statt, zeigt hier aber eine gute Übereinstimmung. Dabei ist zu beachten, dass das Modell die Feuchte für sandigen Lehm und lehmigen Sand berechnet. Die Angabe der Bodenfeuchte wird in nutzbare Feldkapazität (%nFK) vorgenommen, welche das pflanzenverfügbare Wasser angibt. Die nFK ist für die landwirtschaftliche Praxis eine besonders gut geeignete Metrik.  Die nFK hängt vom Welkepunkt und der Feldkapazität ab. Bei sandigem Lehm wurde der Welkepunkt von 13 Volumen % und eine Feldkapazität von 37 % angenommen. Bei lehmigem Sand wurde der Welkepunkt von 3 Volumen % und eine Feldkapazität von 17 Volumen % angenommen.
Beim Vergleich mit anderen Bodenarten kann dies dementsprechend zu Abweichungen führen.
Weiter verwenden wir den berechneten Wert “BF10”, welcher die Bodenfeuchte unter Gras bei sandigem Lehm zwischen 0 und 10 cm angibt.

Die Daten werden laut DWD laufend aktualisiert und Modellverbesserungen fließen automatisch in die Daten ein. Über eine Nachberechnung der alten Werte haben wir keine Kenntnis, aber da wir durch andere Datensätze auf aktuellere Daten beschränkt sind, gehen wir davon aus, dass alle von uns verwendeten AMBAV Daten die besten Modellberechnungen darstellen.

Außerdem wurden die Niederschlagsdaten von ca. 1300 Wetterstationen des DWD gesammelt.
Diese erlauben eine Validierung über eine Korrelation mit dem Niederschlag. Dadurch ist die Validierung nicht direkt auf das AMBAV Modell angewiesen und kann so an mehr Orten in Deutschland durchgeführt werden. Diese Art Validierung mit Regendaten könnte zudem in der Zukunft mit flächendeckenden Regendatensätzen (z.B. RADOLAN) verwendet werden.

Statistiken über den kombinierten Datensatz

Visualisierung der Referenzwerte (=Ground Truth) mit der Vorhersage des Modells (=Prediction) für die Giessen Wettenberg Station von 2015 bis Ende 2021. Die Station wurde dem Testset entnommen, dem Modell ist der Referenzwert also nicht a priori bekannt. Das Modell ist in der Lage, den Verlauf des Referenzwertes sowohl periodisch als auch im eigentlichen Verlauf mit geringer Abweichung vorherzusagen:

Korrelation des Niederschlags mit der Vorhersage für alle gesammelten DWD Stationen. Grün eingefärbte Stationen haben eine hohe Korrelation der Vorhersage mit dem Niederschlag, orange-rötlich eingefärbte Stationen eine niedrige Korrelation:

DWD Stationen mit Niederschlag und Modellvorhersage für den 25.11.2021 bis zum 16.01.2022. Rechts jeweils die Position der Station als Satellitenbild und eingefärbt in der Korrelation der Vorhersage mit dem Niederschlag. Links jeweils der Verlauf der vorhergesagten Bodenfeuchte durch das Modell (=model prediction) und darunter der Regen (=daily precipitation) am entsprechenden Ort pro Tag.
Bei Station 728 ist besonders gut ein Anstieg der Bodenfeuchte kurz nach dem starken Niederschlag am 23.12.2021 zu sehen. Davor und danach ist ein starker Abfall der Bodenfeuchte zu sehen. Auch bei Station 3196 ist ein Anstieg der Bodenfeuchte gleichzeitig zu starken Regenfällen erkennbar.

Qualitative Beurteilung anhand der räumlichen Vorhersage des Modells

Für die räumliche Beurteilung der Vorhersage inkludieren wir hier eine Vorhersage eines großflächigen Bereichs. Dadurch kann erkannt werden, ob das Modell zur räumlichen Erweiterung des AMBAV Modells geeignet ist. Hierfür haben wir eine Region zwischen Mainz und Mannheim mit einer Vielzahl an landwirtschaftlichen Feldern ausgewählt. Dies entspricht dem Ziel von heliopas.ai, für Landwirte verlässliche Bodenfeuchtewerte anzugeben und ist daher eine sinnvolle Evaluierung für die Machbarkeitsstudie. Die Umsetzung der Karte wird durch Vorhersagen von einzelnen Kacheln und einem anschließenden Zusammenfügen bewerkstelligt. 

Die räumliche Vorhersage enthält sowohl lokale trockene Gebiete als auch lokale nasse Gebiete.
Dies entspricht unserer Erwartung der Verteilung der generellen Feuchte. Demnach erreicht das Modell das Ziel des Hochskalierens des AMBAV Modells. 

Zusammenfassend ist die Auflösung der Bodenfeuchtekarte deutlich erhöht und kann auch unabhängig von vorhandenen Messstationen berechnet werden. Die Exaktheit der räumlichen Varianz kann in dieser Evaluierung nur qualitativ beurteilt werden.

Der AMBAV Referenzwert enthält keine Daten für die Bestimmung der Bodenfeuchte für versiegelte Flächen, da diese nicht relevant sind für die Anwendungen der Bodenfeuchte. Daher hat das Modell auch auf diesen Flächen nicht trainiert. Dies könnte in der Vorhersagekarte zu falschen Werten auf versiegelten Flächen führen. Eine Fortsetzung der Arbeit sollte dementsprechend nicht vorhersehbare Gebiete (z. B. Straßen, Häuser, …) aus der Vorhersage entfernen.

Bereitstellung von Daten

Es wurden hochaufgelöste Bodenfeuchtekarten (10 Meter Auflösung) für eine größere Region zwischen Mainz und Mannheim in der Mobilithek (https://mobilithek.info) kostenfrei und öffentlich zur Verfügung gestellt. Es wurde ein Angebot für den Zeitraum 1.6.2019 bis 14.7.2019 und ein Angebot für den Zeitraum 1.4.2022 bis 14.5.2012 veröffentlicht. Dabei wurden tägliche Bodenfeuchtekarten als GeoTiff zur einfacheren Verwendung in GIS-Systemen und als PNG zur Betrachtung auf anderen Endgeräten bereitgestellt. Außerdem wurde ein Zeitraffer als Animation (GIF) von der Bodenfeuchtezeitreihe hinzugefügt, um die Veränderungen der Bodenfeuchte über die Zeit zu veranschaulichen.

heliopas.ai GmbH

Die heliopas.ai GmbH ist ein Startup aus Karlsruhe und hilft Landwirten mehr und gesündere Nahrung zu produzieren, indem es großflächig und präzise den Zustand von Feldern und Natur überwacht. Dafür werden Sensor-, Wetter- und Satellitendaten mit Hilfe von künstlicher Intelligenz ausgewertet. Aus den Zustandsinformationen der Felder werden Handlungsempfehlungen für die optimale Bewässerung abgeleitet, welche Landwirte direkt auf ihr Handy erhalten. Sie schützen so ihren Ertrag, produzieren gesündere Nahrung und schonen wertvolle Umweltressourcen.

Gefördert durch:

Bundesministerium für Digitales und Verkehr (BMDV)
Förderkennzeichen: 19F1091A