Galle, ChristopherKlein, MaikeKrupka, DanielWinter, CorneliaGergeleit, MartinMartin, Ludger2024-10-212024-10-212024978-3-88579-746-3https://dl.gi.de/handle/20.500.12116/45072Die steigende Nachfrage nach präzisen aktuellen Erhebungen des Naturzustands hat die Notwendigkeit neuer Herangehensweisen an die Datenerfassung und -auswertung deutlich gemacht. Die Auswertung von Umweltdaten ist eine zeitaufwändige und ressourcenintensive Aufgabe, die eine erhebliche Beteiligung qualifizierten Personals erfordert. Die Automatisierung dieser oft manuellen Prozesse gestaltete sich über viele Jahre hinweg als herausfordernd. Besonders die Artenbestimmung von Insekten und die Auswertung von Wildkameraaufnahmen im Bereich der Ökologieforschung dienen als Beispiele dafür. In Fangflaschen konservierte Insekten müssen von Fachpersonal identifiziert werden, was aufgrund von Beschädigungen an den Insekten sowie dem Verfall während der Lagerung und Bearbeitung ein zeitaufwendiger und zeitkritischer Prozess ist. Aber nicht nur die Auswertung herkömmlicher Bilder und Proben ist für Anwendungen der automatisierten Bilderkennung interessant, auch nicht-fotografische Bilddaten wie Sonar-, Satelliten- oder spektroskopische Aufnahmen eignen sich dafür. Die Verwendung von Methoden des maschinellen Lernens, insbesondere der Einsatz von Convolutional Neural Networks, hat sich hier in vielen Bereichen als äußerst hilfreich erwiesen. Die Verfügbarkeit geeigneter Trainingsdaten stellt jedoch weiterhin ein großes Problem dar, für das häufig individuelle Lösungsansätze gefunden werden müssendeKünstliche IntelligenzMachine-LearningUmweltinformatikBilderkennungBiodiversitätUmweltschutzUmweltmonitoringCNNConvolutional Neural NetworksRemote SensingFernerkundungText/Conference Paper10.18420/inf2024_1011617-5468