Beurteilende*r| Name: | Assoc. Prof. Dr. Rupert Seidl |
| Herkunftsbetrieb: | |
| 1.Mitwirkender |
| Name: | Dipl.-Ing. Dr. Werner Rammer |
| Herkunftsbetrieb: | |
| Arbeit |
| Typ der Arbeit: | Masterarbeit |
| Sprache der Arbeit: | Deutsch |
| Titel der Arbeit in Originalsprache: | Simulation von Waldbewirtschaftung mittels Deep Neural Networks (DNNs) |
| Titel der Arbeit in deutsch: | Simulation von Waldbewirtschaftung mittels Deep Neural Networks (DNNs) |
| Titel der Arbeit in englisch: | |
| Publikationsmonat: | 04.2020 |
| Seitenanzahl: | 148 |
| Volltext |
| Volltext der Arbeit: | Volltext der Arbeit im PDF-Format laden |
| Online-Katalog der Universitätsbibliothek Bodenkultur |
| AC-Nummer: | AC15611918 |
| Abstract |
| Abstract in Deutsch: | Anthropogene Einflüsse haben bereits zu einer globalen Erwärmung von 1°C gegenüber vorindustrieller Zeit geführt. Es gibt große Unsicherheiten, wie veränderte Klimabedingungen die zukünftige Rolle von Waldökosystemen beeinflussen werden. Modellierung ist ein vielseitiges Werkzeug und ermöglicht komplexe Abläufe in Ökosystemen zu verstehen. Ein wichtiges Element ist es dabei, die Effekte von Waldbewirtschaftung detailgetreu in Modellen abzubilden.
Ziel dieser Masterarbeit war es zu testen, ob verschiedene Waldbewirtschaftungsstrategien mittels Künstlicher Intelligenz simuliert werden können. Deep neural networks (DNNs) sollten Waldbewirtschaftung erlernen.
Um die benötigten Referenzdaten zu generieren, wurde das Landschaftsmodell iLand (the individual-based forest landscape and disturbance model) verwendet. Es wurde eine Testlandschaft erstellt, für welche mit dem Agenten-basierten Bewirtschaftungsmodell ABE (the agent based management engine for iLand) eine Referenzvariante (keine Bewirtschaftung) und sechs verschiedene Bewirtschaftungsstrategien (je zwei Varianten eines Kahlschlag-, Schirmschlag- und Zielstärkennutzungssystems) simuliert wurden. Die Simulationen wurden für einen Zeitraum von 1000 Jahren durchgeführt, wobei nur die zweite Hälfte des Simulationszeitraumes analysiert wurde.
Es wurden drei verschiedene DNNs trainiert, getestet und in das Meta-Modell SVD (scaling vegetation dynamics) implementiert. Die mit SVD und den darunterliegenden DNNs durchgeführten Simulationen wurden in weiterer Folge gegen die Ergebnisse des Prozessmodelles iLand evaluiert.
Die DNNs konnten erfolgreich trainiert werden und waren in der Lage, Waldbewirtschaftung zu abstrahieren (mit Vorhersagegenauigkeiten von 70.8% bis 77.5%). Der Informationsgrad zeigte deutlichen Einfluss auf die Leistung der drei DNNs. In Summe konnte die Arbeit zeigen, dass Methoden der Künstlichen Intelligenz und im speziellen DNNs großes Potential in der Simulation von bewirtschafteten Wäldern haben.
|
| Abstract in Englisch: | Anthropogenic influences already led to a global warming of 1 ° C above pre-industrial levels. Future ecosystems will be different from present systems and it remains uncertain how changing climate conditions will affect forest ecosystems. Modeling is a powerful tool to understand complex interactions in ecosystems. An important element in this context is the faithful representation of forest management in simulation models.
The aim of this master thesis was to test whether different forest management strategies can be simulated using approaches from artificial intelligence. Specifically, deep neural networks (DNNs) were used to learn forest management information.
To generate training data for the DNNs, the landscape model iLand (the individual-based forest landscape and disturbance model) was used. An artificial test landscape stocked with a normal forest was created, and forest management was simulated within the agent-based management model ABE (the agent-based management engine) in iLand, studying an unmanaged reference variant and six different management strategies (including two clearcut strategies, two shelterwood strategies, and two continuous cover strategies). The simulations were carried out for a period of 1000 years, with only the second half of the simulation period being analyzed.
Three different deep neural networks were trained, tested and implemented into the meta-model SVD (scaling vegetation dynamics). Subsequently, the DNN-based simulations of management in SVD were evaluated against process model results from iLand.
The trained DNNs were successfully able to abstract forest management (with prediction accuracies ranging from 70.8% to 77.5%). The level of information on forest management provided to the DNN had a clear impact on its performance, with increasing information improving prediction accuracy. Overall, this thesis underlines the high potential of deep neural networks for simulating forest management.
|
| Schlagworte |
| Schlagwörter Deutsch: | Simulation, Waldbewirtschaftung, Deep Neural Networks, Deep Learning, Modellierung |
| Schlagwörter Englisch: | Simulation, Forest Management, Deep Neural Networks, Deep Learning, Modeling |
| Sonstiges |
| Signatur: | D-21571 |
| Organisationseinheit, auf der die Arbeit eingereicht wird: | H91300 Institut für Waldbau (WALDBAU) |
Zurück zu den Suchergebnissen
