Ziele

Kleine und mittelständische Unternehmen (KMU) in den Regionen Unterfranken, Oberfranken und Mittelfranken sind heutzutage darauf angewiesen, sich mit den stetig verändernden Umweltfaktoren zu beschäftigen und diese in ihre Zukunftsplanungen einzubeziehen. Das Projekt BigData@Geo 2.0 möchte die Unternehmen hierbei unterstützen, indem es den steigenden Bedarf an detailgenauem Wissen zu branchenrelevanten Auswirkungen komplexer Klima- und Umweltzusammenhänge in spezifischen Teilräumen Frankens adressiert.

Das im Rahmen des Vorgängerprojekts BigData@Geo bereits etablierte Netzwerk mit Expertisen im Bereich der Geographie und Informatik hat aufgezeigt, wie aus umfangreichen wissenschaftlichen Datenquellen (Big Data) mit Hilfe von KI-Methoden und statistischen Transferfunktionen maßgeschneiderte Klima- und Umweltinformationen für unterfränkische Betriebe aus den Bereichen Land-, Forstwirtschaft und Sonderkulturen abgeleitet werden kann. Das Leitbild dieses Informationssystems stand unter dem Motto ‘From Data to Knowledge’. Es setzt voraus, dass Entscheidungsträger im Agrarsektor adäquate betriebliche Handlungsoptionen aus den verfügbaren lokalen Umwelt- und Klimainformationen ableiten können, z.B. “Aufgrund der erhöhten Spätfrostgefahr werden keine Aprikosenbäume mehr kultiviert“. Im Projekt BigData@Geo 2.0 möchten wir die klimabedingten Anpassungsbedarfe noch konkreter fassen und weitere Module anhängen, welche nun stärker auf direkte betriebliche und betriebswirtschaftliche Implikationen des Klima- und Umweltwandels abheben, z.B. Ertrag, Einkommen, empfohlene Anbaumethoden und -sorten. Das Leitmotto im Projekt BigData@Geo 2.0 lautet deshalb ‘From Data to Action’. Dadurch wird eine neue Generation des Technologietransfers von Hochschulen in die KMU implementiert. Dies geschieht beispielhaft für Nordbayern, also einem Zielgebiet, das einen Hotspot des Klimawandels darstellt und in den vergangenen Jahren erhebliche Ernteeinbußen bei land- und forstwirtschaftlichen Betrieben verzeichnete.

Die Umsetzung des geplanten Informationssystems erfordert einige entscheidende Weiterentwicklungen gegenüber dem bereits etablierten System aus dem Vorgängerprojekt BigData@Geo. Diese Erweiterungen gewährleisten dann eine deutlich konkretere und breitere Nutzbarkeit für mehr Akteursgruppen in Nordbayern, um den Agrarsektor als landschafts- und wertschöpfungsprägende Kraft resilienter zu machen, d.h. besser auf die Herausforderungen des regionalen Klimawandels einzustellen.

• Um die Heterogenität des heutigen und zukünftigen Klimas in Nordbayern umfassender abbilden zu können und mehr agrarische Nutzungsformen und Betriebe einzubeziehen, wird das Untersuchungsgebiet auf die drei bayerischen Regierungsbezirke Unter-, Mittel- und Oberfranken erweitert.
• Der Agrarsektor wird differenzierter abgebildet, indem weitere Anbauprodukte und Landnutzungssysteme adressiert werden. Dazu zählen u.a. der Hopfenanbau in Mittelfranken, die Weidewirtschaft in den fränkischen Mittelgebirgen, der Gartenbau in Oberfranken und die Forstwirtschaft an thermischen und hygrischen Grenzstandorten, beispielsweise an Trockenstandorten in Mittelfranken und in Höhenlagen von Rhön und Fichtelgebirge.
• Die Anzahl der KMU-Betriebe, die uns als Projektpartner zur Verfügung stehen, soll von 15 auf ca. 60 erhöht werden.

Beiträge der Professur für Klimatologie

• Maßgeschneiderte und detaillierte Analyse der zukünftigen Klimafolgen für den nordbayerischen Agrarsektor
• Auswahl, Optimierung und Kombination von Daten hochaufgelöster regionaler Klimamodelle
• Entwicklung von Transferfunktionen zwischen klimatischen Variablen und betriebsrelevanten Kennwerten (z.B. Pflanzengesundheit, Ernteerträge) unter Verwendung innovativer statistischer Ansätze
• Einbezug weiterer Wirkungsketten außerhalb des direkten Agrarbereichs wie beispielsweise Grundwasserdynamik, Standortfaktoren für erneuerbare Energien oder gesundheitliche Risiken im Zuge des Umwelt- und Klimawandels
• Anwendung des für die Klimaanpassung der wirkungsvollen neuartigen Ansatzes der Analogklimate für verschiedene Anbauprodukte

Mittlere klimatische Wasserbilanz von 1991-2020 in mm für die drei bayerischen Regierungsbezirke Unter-,Mittel- und Oberfranken. Daten: Deutscher Wetterdienst

Beiträge des Lehrstuhls für Fernerkundung

• Multiskalige und multisensorische, drohnen- und satellitengestützte Erdbeobachtung (EO) auf den relevanten räumlichen und zeitlichen Skalen
• Ableitung von normalisierten differenzierten Vegetationsindizes (wie NDVI) als Proxies der Vitalität der Vegetation (Pflanzengesundheit, Stressoren und Ernteerträgen)
• Multitemporale Analyse relevanter Vegetationsindizes zur Ableitung der Verteilung und Veränderung relevanter Parameter (z.B. Vegetationsdichte)
• Erfassung des Umweltzustand und Umweltveränderungen im Zentimeter- (Drohne) bis Meterbereich (Satellit) und Bereitstellung hoch genauer raumzeitlicher Darstellungen des Umweltwandels

Schematische Darstellung zur multiskaligen Erdbeobachtung mittels unbemannter (Drohne) und bemannter (Flugzeug) Systeme und Satelliten

Beiträge des Lehrstuhls für Data Science

• Verbesserung von Erdsystemmodellen mittels neuester Methoden der Künstlichen Intelligenz insbesondere Deep Learning
• Erstellung und Erfassung einer umfassenden und vielschichtigen Datengrundlage aus betrieblichen Daten der KMU und verfügbare Datensätze von den Landesbehörden und aus dem Internet (Social Media, Foren, etc.) mittels automatisierter KI-gestützter Verfahren zu Digitalisierung von Textdokumenten und Informationsextraktion
• Optimierung der Transferfunktion zwischen den lokalen Klima- und Umweltinformationen auf der einen Seite und betrieblichen Indikatoren wie Ernteerträge, Ertragsrisiken, Renditen und agrartechnische Optimierungen auf der anderen Seite unter Einbezug der unterschiedlichen Datenquellen mithilfe von Verfahren des maschinellen Lernens
• Entwicklung von supraauflösenden Verfahren aus der zur Verbesserung der raumzeitlichen Darstellung des Klima- und Umweltwandels in Nordbayern
• Ausbau des webbasierten Informationssystems

Schematische Darstellung: Daten verschiedener Ausprägungen (Wetter-/Klimadaten, Bild-/Kartendaten, Textdaten aus Internet/Social Media) werden durch Methoden der Künstlichen Intelligenz schrittweise abstrahiert und fließen anschließend in die Erstellung von aussagekräftigen Analysen und Projektionen ein