AI4SusCo
Deep Learning Modelle für die Zertifizierung von entwaldungsfreiem Kaffee

Projektbeschreibung und Ergebnisse
    Problemstellung
    Im Forschungsprojekt AI4SusCo entwickeln wir in Zusammenarbeit mit der GRAS Global Risk Assessment Services GmbH technologische Lösungen, die die Kaffee-Zertifizierung effizienter und genauer macht und damit einen wichtigen Beitrag zur nachhaltigen Entwicklung der Kaffeeindustrie sowie dem Erhalt der Regenwälder und der Rettung unseres Weltklimas leistet.
    Dazu kombinieren wir multitemporale Fernerkundungsdaten mit modernen Deep-Learning-Architekturen, insbesondere Convolutional Neural Networks (CNNs) und Transformern und ermöglichen damit eine hochgenaue räumliche und zeitliche Detektion von Kaffeeanbauflächen sowie deren potenzielle Expansion in entwaldete Gebiete.
    Ansatz
    • Nutzung von CNNs für die räumliche Detektion von Kaffeeanbauflächen
      • Die Identifikation von Kaffeeanbauflächen basiert auf der automatisierten Analyse von multispektralen und hyperspektralen Fernerkundungsdaten aus Satellitenmissionen wie Sentinel-2 (ESA) und Landsat-8/9 (NASA/USGS). Hierbei kommen CNNs zum Einsatz. Diese ermöglichen:
      • Spektrale Signaturanalyse zur Unterscheidung von Kaffeeplantagen, anderen Kulturen und natürlicher Vegetation.
      • Semantische Segmentierung von Satellitenbildern zur präzisen Abgrenzung von Kaffeeanbauflächen.
      • Topographische Kontextanalyse, um Kaffeeanbau in Regionen mit typischen Anbaubedingungen (z. B. Höhenlagen) zu verifizieren.
      Durch Transfer Learning mit vortrainierten CNN-Modellen wie U-Net, DeepLabV3+ oder ResNet50 werden die Detektionsalgorithmen für die Klassifikation von Kaffeeanbauflächen optimiert. Eine besondere Herausforderung liegt in der Detektion und Unterscheidung der verschiedenen Kaffee-Anbauformen und deren zeitlich bedingte, unterschiedliche Erscheinungsformen.
    • Transformer-Modelle für die zeitliche Überwachung und Veränderungsdetektion
      • Neben der räumlichen Erfassung ist die zeitliche Dynamik des Kaffeeanbaus ein zentraler Aspekt zur Überprüfung der EUDR-Vorgaben. Hierfür setzen wir auf spatiotemporale Transformer-Architekturen, die speziell für die Verarbeitung multitemporaler Fernerkundungsdaten entwickelt wurden.
      Einsatz von Vision Transformers (ViTs) und Spatiotemporal Transformers (STTs)
      • ViTs analysieren Satellitenbilder über lange Zeiträume, um Veränderungen der Vegetation oder Rodungsaktivitäten zu identifizieren.
      • STTs kombinieren räumliche und zeitliche Informationen, um Korrelationen zwischen Landnutzungsänderungen und Kaffeeanbau zu modellieren.
      • Durch Self-Attention-Mechanismen erkennen Transformer-Modelle nicht nur lokale Veränderungen, sondern auch großräumige Muster in der Landschaft.
      Zeitreihenanalyse mit Long Short-Term Memory (LSTM) Netzwerken
      Zusätzlich zu den Transformer-Architekturen werden LSTM-Netzwerke eingesetzt, um langanhaltende Trends in der Vegetationsdynamik zu erfassen. Diese Modelle ermöglichen:
      • Früherkennung von Entwaldungsprozessen, indem NDVI-Zeitreihen (Normalized Difference Vegetation Index) aus Sentinel-2-Daten analysiert werden.
      • Identifikation saisonaler Anbaumuster, um natürliche Vegetationszyklen von neuen Kaffeeanbauflächen zu unterscheiden.

    • Ableitung von Entscheidungsrelevanten Produkten aus ML-gestützten Analysen
      • Die gewonnenen Erkenntnisse dienen dann als Basis für die Generierung entscheidungsrelevanter Produkte:
      • Karten zur Detektion von Kaffeeanbauflächen mit hoher räumlicher Auflösung.
      • Entwaldungsrisiko-Indizes, die auf Korrelationen zwischen Landnutzungsänderungen und EUDR-relevanten Agrarprodukten basieren.
      • Vorhersagemodelle für zukünftige Anbaugebiete, um frühzeitig regulatorische Maßnahmen zu ergreifen.
      Die entwickelten Modelle werden durch Validierung mit Bodeninspektionsdaten mit Drohnenaufnahmen kontinuierlich optimiert.
      Konsortium
      Die Konsortialpartner des Projekts sind: