GeoAI-Modelle auf dem Prüfstand: Herausforderungen und Lösungsansätze für die Qualitätsbewertung

Abstract

Methoden des maschinellen Lernens werden zunehmend in den Fachdisziplinen der Geographie eingesetzt. Ein gängiges Anwendungsfeld ist die Gewinnung flächendeckender Daten aus punktuellen Feldaufnahmen (z.B. Klimamessungen, Bodenproben, Vegetationsaufnahmen, …), meist auf Basis von Fernerkundungsdaten. Maschinelle Lernverfahren, z.B. Random Forests, werden hier eingesetzt, um auch komplexe Zusammenhänge zwischen den fernerkundlichen Prädiktoren und den Feldaufnahmen zu lernen, um auf dieser Grundlage flächendeckende Vorhersagen zu machen.

Zahlreiche „Karten” verschiedenster Umweltinformationen wurden so generiert, sogar auf globaler Skala, und meist mit beeindruckenden Qualitätsbewertungen. Gleichzeitig sind diese Daten, insbesondere die globalen Daten, aber auch in die Kritik geraten, da die kommunizierten Qualitätsmaße oft im Widerspruch zu pessimistischeren Expertenbewertungen stehen. Auch werden die Modelle häufig weit über die geographische Lage der Feldaufnahmen hinaus angewendet, was Fragen der Übertragbarkeit der Modelle aufwirft. Aktuelle Studien zeigen, dass sich der Unterschied zwischen beeindruckenden Validierungsergebnissen und einer pessimistischen Expertenbewertung dadurch erklären lässt, dass die verwendeten Validierungsstrategien die Eigenschaften der geographischen Daten, insbesondere die räumliche Autokorrelation, nicht berücksichtigen. Aufgrund dieser Problematik wird in Fachkreisen aktuell kontrovers diskutiert, welche Methoden sinnvoll sind, um die Qualität von GeoAI-Modellen angemessen einzuschätzen.

Dieser Beitrag soll aktuelle Entwicklungen zusammenfassen und neue Methoden zur Validierung und zur Erfassung des Geltungsbereichs von GeoAI-Modellen vorstellen und kritisch diskutieren. Insgesamt soll dieser Beitrag, über eine kritische Auseinandersetzung mit GeoAI-Modellen, die Identifikation von Schwierigkeiten und die Diskussion von Lösungsansätzen, dazu beitragen, die Methoden zu verbessern, um das Potenzial von GeoAI besser ausschöpfen zu können und somit zu einem Erkenntnisgewinn in der Geographie beitragen zu können.