Machbarkeitsstudie zum Einsatz von Machine Learning Verfahren für eine teil-automatisierte Altersstrukturbewertung des BQE Fische in Fließgewässern gemäß Leitfaden zur Erhebung der biologischen Qualitätselemente - A1 Fische-FW
Abstract
Zielsetzung des Projektes ist eine verbesserte Methodik zur teil-automatisierte Altersstrukturbewertung des BQE Fische in Fließgewässern gemäß Leitfaden A1 auf Basis von Befischungen in Fließgewässern und von Machine Learning – Verfahren zu entwickeln. Zur Bewertung des fischökologischen Zustandes liegen derzeit österreichweit Datensätze von mehr als 4.000 Untersuchungen aus dem „nationalen Gewässerzustandsmonitoring“ und noch weitere Daten aus Projekten, die nutzbar gemacht werden können. Ein Kernstück der Bewertung, die ansonsten automatisiert abläuft, ist die „Beurteilung der Längenfrequenzdiagramme“ (= Bewertung der Altersstruktur), die auf Basis einer Experteneinschätzung durchgeführt werden muss und somit auch eine Schwachstelle darstellt. Erfahrene Kollegen haben versucht, diesen Schritt zu automatisieren, waren bis dato aber nur in Teilbereichen erfolgreich. Im Rahmen des Projektes sollen nun Verfahren aus dem Machine Learning (ML) Bereich, wie z.B. „XGBoost“ oder „Random Forests“ genutzt und adaptiert werden, um eine Beurteilung der Längen¬frequenz¬diagramme auf Basis in einem Abschnitt gefangener und vermessener Fische durchzuführen. Im Detail wird die Verteilung der Längen einzelner Fischarten genutzt und in Abhängigkeit von geographischen bzw. biozönotischen Regionen beurteilt. Darüber hinaus sind die "Leitbilder" und "adaptierten Leitbilder" sowie Gewässerbettbreite, Wasserführung, Temperatur, Jahreszeit, artspezifisches Laichverhalten, etc. theoretisch mit berücksichtigbar. Im Rahmen des Projektes sind generell folgende Forschungs- und Arbeitspakete geplant: i) die Zusammenstellung der verfügbaren Daten von Seiten des BML und Vorbereitung der Daten (Pre-Processing der Daten, wie z.B. Test auf Vollständigkeit, Umsetzung der Häufigkeitsverteilung in ML lesbare Form, Standardisierung der Daten), ii) Aufsetzen der MLSysteme in Abhängigkeit von der Datenstruktur, Training und Validierung der Verfahren, iii) Erstellung einer Synthese und Definition einer möglichen weiteren Vorgehensweise für den Zeitraum nach Projektende 2024/25 sowie der Präsentation der Ergebnisse. Im Idealfall kann ein KI-Modul in die neu entstehende Auswertungssoftware (IGF & UBA) integriert werden. Dieses soll bei der Beurteilung der Längenfrequenzdiagramme unterstützen.
Schlagworte Machinelles Lernen Hydrologie Fisch-Altersstruktur
Publikationen
Mitarbeiter*innen
Karsten Schulz
Univ.Prof. Dipl.Geoökol. Dr.rer.nat. Karsten Schulz
karsten.schulz@boku.ac.at
Tel: +43 1 47654-81699
Projektleiter*in
01.12.2023 - 30.11.2024
Bano Mehdi-Schulz
Ass.Prof. Bano Mehdi-Schulz MSc. Ph.D.
bano.mehdi@boku.ac.at
Tel: +43 1 47654-81619
Sub-Projektleiter*in
01.12.2023 - 30.11.2024