E+ Blended Intensive Programme: „Artificial Intelligence for Forest and Landscape Remote Sensing“
Zur Kursbeschreibung (ENLIGHT)
Environmental
Data Science
Data Science
Was wir machen
Wir verbinden methodische Entwicklungen der Data Science mit anwendungsnahen Fragestellungen aus den Umwelt-, Ökosystem- und Forstwissenschaften.
Über die Sektion Environmental Data Science
Datengetriebene Methoden und KI-Anwendungen entwickeln sich in den Umwelt-, Ökosystem- und Forstwissenschaften rasant weiter und werden zu einem zentralen Bestandteil der Forschung. Gleichzeitig gewinnen fundierte Data-Science- und KI-Kompetenzen für Studierende dieser Fachrichtungen an Bedeutung — für wissenschaftliche Karrieren ebenso wie für den Berufseinstieg außerhalb der Universität.
„Eine Brücke zwischen datengetriebener Grundlagenmethodik und konkreten Umwelt- und Forstanwendungen.“
Der besondere Mehrwert der Sektion liegt in der systematischen Verbindung methodischer Entwicklungen der Data Science mit anwendungsnahen Fragestellungen aus Forst- und Umweltwissenschaften. Sie dient dabei sowohl als Netzwerk als auch als thematische Plattform für anwendungsorientierte Forschung.
Was ist das Ziel
- Koordination und Vernetzung von Forschungsaktivitäten in der datengetriebenen Umwelt- und Forstforschung.
- Förderung fakultätsübergreifender Kooperationen zwischen Anwendungs- und Methodendisziplinen.
- Unterstützung bei gemeinsamen Drittmittelanträgen, insbesondere in interdisziplinären Verbundvorhaben.
- Ein Rahmen für gemeinsame Abschluss- und Promotionsarbeiten über Fakultätsgrenzen hinweg.
- Anlaufstelle für Doktorand:innen an dieser Schnittstelle — für Austausch, Co-Betreuung und Kolloquien.
- Workshops und Seminare.
- Entwicklung fakultätsübergreifender Wahlmodule und Lehrformate im Bereich Environmental Data Science.
Lehrveranstaltungen
Abschlussarbeiten
Masterarbeit
From Prompts to Reproducible Forest Inventory Analysis: LLM-Orchestrated Forest Inventory Analysis
Hintergrund: Die Waldinventur-Analyse verbindet zunehmend tabellarische Daten, etablierte Fachmethoden, statistische Workflows und Spezialsoftware. Große Sprachmodelle (LLMs) bieten einen neuen Weg, solche Analysen über natürliche Sprache zugänglich zu machen. Direkte LLM-basierte Berechnungen können jedoch unzuverlässig und schwer reproduzierbar sein. Eine vielversprechende Alternative besteht darin, ein LLM Nutzeranfragen in Aufrufe validierter, deterministischer Analysewerkzeuge übersetzen zu lassen.
Ziele: In dieser Arbeit wird ein KI-gestütztes System entwickelt und evaluiert, das natürlichsprachliche Anfragen in reproduzierbare Waldinventur-Analysen übersetzt. Indem es forstliche Expertise mit moderner Data Science verbindet, nutzt das System ein LLM, um validierte Python-/R-Werkzeuge auszuwählen und zu orchestrieren — für Aufgaben wie Datenvalidierung, Bestandeskennzahlen, Strukturanalyse, Baumartenzusammensetzung und Volumenschätzung.
Voraussetzungen: Kenntnisse in Waldinventur und Grundlagen der Statistik; Bereitschaft, sich Python im Selbststudium anzueignen; Interesse an KI/LLMs und reproduzierbarer Datenanalyse.
Ausschreibung als PDFWas ist in Planung?
Seminar: Use of Sentinel-2 Super-resolution imagery
Seminar: Obtain information from satellite Embeddings
Sie forschen an dieser Schnittstelle?
Die Sektion Environmental Data Science freut sich über neue Kooperationen aus Umwelt-, Ökosystem- und Forstwissenschaften sowie angrenzenden Methodendisziplinen. Wenden Sie sich direkt an den Sektionssprecher Dr. Nils Nölke (Nils.Noelke@forst.uni-goettingen.de)