Prof. Dr. Martin Herold

Prof. Herold erforscht die automatisierte Erkennung und Bewertung von Waldsterblichkeit mithilfe von Machine-Learning-Verfahren, die große Datenströme aus Satellitenbildern und anderen Quellen verarbeiten. Seine Methoden sollen Experten bei der schnelleren Analyse von Waldschäden unterstützen und damit Forstbehörden und Waldwirtschaft bei der Früherkennung von Baumausfällen helfen. Die Arbeiten sind Teil eines Sonderforschungsbereichs und adressieren die wachsende Herausforderung der Waldgesundheit unter Klimastress durch datengestützte Monitoring-Lösungen.

🔒 Das System hat 19 mögliche Industrie-Partner gefunden — Firmen, Scores und Begründungen sind nur für eingeloggte Nutzer:innen sichtbar. Anmelden

• SFB 1404/2: Effiziente Ausführung von DAWs zur Vorhersage von Waldsterblichkeit unter Verwendung inkrementeller Daten (TP B07)

  Quelle ↗

  In diesem Teilprojekt befassen wir uns mit der Erkennung und Bewertung der Waldsterblichkeit mithilfe auf maschinellem Lernen basierenden DAWs. Die Ergebnisse sollen Experten bei der Analyse von Satellitenbildern unterstützen und den Prozess beschleunigen. Die DAWs müssen einen stetigen, umfangreichen, von mehreren Quellen ausgehenden Datenstrom verarbeiten. Die zugehörigen Methoden für maschinelles Lernen erfordern häufige Modellaktualisierungen zur Anpassung an die aktuellen Daten. Eine Verlängerung der Aktualisierungsintervalle sowie eine Optimierung des Trainingsprozesses können die Umweltkosten signifikant senken und eine energieeffizientere Verarbeitung ermöglichen. Zu diesem Zweck werden wir neue Methoden erforschen, a) für den energie- und kosteneffizienten Einsatz von DAWs zur Berechnung von Risikoindikatoren für Waldsterblichkeit unter Verwendung von Fernerkundungsbildern und Klima-Daten, und b) für effiziente Modellaktualisierungen durch Berücksichtigung inkrementeller Daten.

Noch keine Publikationen aus OpenAlex zugeordnet.