Wir wollen, dass Wirtschaftsakteure und Bürger:innen stärker in den Schutz der Biologischen Vielfalt einbezogen werden. Um das zu erleichtern, arbeiten wir an der Entwicklung eines KI-gestützten Monitoringtools mit. Dies vereinfacht und verbessert die Bewertung von Biodiversität und die Zertifizierung von Flächen für den Biodiversitätsschutz.
Bislang prüfen und bewerten Expert:innen den Zustand der Biodiversität auf landwirtschaftlich genutzten Flächen. In unserem Projekt „KI und Citizen-Science-gestütztes Monitoring von zertifizierten Biodiversitätsprojekten“ – kurz KICS-Zert – arbeiten wir gemeinsam mit dem Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF) an einem neuen Tool, das das Biodiversitätsmonitoring mithilfe von KI durch Bürger:innen (Citizen Science) verbessert oder ersetzt. Es wertet Smartphone-Fotos und -Videos aus, um zu erkennen, wie vielfältig die Natur an einem Ort ist (z. B. Streuobst, Hecken und Blühflächen) und wie stark die landwirtschaftlichen Flächen dort genutzt werden.
Der GNF ist im Projekt dafür verantwortlich, bei der Entwicklung die Bedarfe von Unternehmen mit einzubeziehen. Dazu gehört auch eine Analyse der aktuellen Berichts- und Managementstandards sowie relevanter Lebensmittelzertifizierungen. So unterstützen wir mit dem neuen Tool Unternehmen bei ihren Nachhaltigkeits- und Zertifizierungsanforderungen. Gefüttert wird die KI mit Daten aus deutschlandweit von Bürger:innen genutzten Naturbeobachtungs-Apps.
Projektgebiet
Ziele
Entwicklung eines kostengünstigen, skalierbaren, benutzerfreundlichen KI-Tools, das den Zustand der Biodiversität und der Ökosystemstruktur in Agrarökosystemen bewertet
Vertrauen und soziale Akzeptanz für den Einsatz von KI zum konsequenten Schutz der Biodiversität und ÖSL gewinnen
Impacts
Vernetzung von Informatik und Biodiversität
Unterstützung des Monitorings durch KI
Bürgerbeteiligung/Citizen Science
Impressionen
Beitrag zu den Nachhaltigkeitszielen
Aktuelles
Forschungspublikationen
Cropping history, agronomic rules, and commodity prices shape crop rotations across Central Europe
Palka, M.; Nendel, C.; Weiß, L.; Schiller, J.; Jänicke, C.; Arbeláez Gaviria, J.; Ryo, M. (2026)
Agricultural Systems, 231, 104522
Fachzeitschriften-Artikel
Die Studie analysiert mehr als 16 Millionen Feld-Jahr-Datensätze aus Deutschland, Österreich und Tschechien. Mithilfe von maschinellem Lernen untersucht sie, wie bisherige Anbaufolgen, agronomische Regeln und Erzeugerpreise die Fruchtfolgen beeinflussen. Projektionen bis 2070 deuten auf einen zunehmenden Anbau von Hülsenfrüchten hin. Die Ergebnisse sollen landwirtschaftliche Modelle und die Einschätzung künftiger Anbaumuster verbessern.
AI for a Planet Under Pressure
Galaz, V. et al. (2025)
Stockholm Resilience Centre / Potsdam Institute for Climate Impact Research
Bericht / Preprint
Der Bericht untersucht, wie KI zur Erforschung komplexer Nachhaltigkeitsprobleme beitragen kann und wo ihre Grenzen liegen. Acht Themenfelder reichen von Klimarisiken und Erdsystemen über Ozeane, Süßwasser und Biodiversität bis zu Städten, Wissenschaftskommunikation und gemeinsamen Entscheidungen. Die Autorinnen und Autoren betonen, dass KI verantwortungsvoll eingesetzt werden muss, damit sie Ungleichheiten und Umweltbelastungen nicht verstärkt.
Artificial intelligence in environmental and Earth system sciences: explainability and trustworthiness
Schiller, J.; Stiller, S.; Ryo, M. (2025)
Artificial Intelligence Review, 58, 316
Fachzeitschriften-Artikel · Open Access
Die Übersichtsarbeit untersucht 575 Studien zur erklärbaren KI in Umwelt- und Erdsystemwissenschaften. Sie zeigt, in welchen Fachgebieten und mit welchen Methoden komplexe Modelle nachvollziehbar gemacht werden. Nur wenige der untersuchten Arbeiten behandeln Vertrauenswürdigkeit als zentrales Forschungsziel. Die Studie empfiehlt deshalb einen menschenzentrierten Ansatz, der unterschiedliche Beteiligte und ihre Anforderungen an verlässliche Entscheidungen berücksichtigt.
AgriBench: A Hierarchical Agriculture Benchmark for Multimodal Large Language Models
Zhou, Y.; Ryo, M. (2025)
Computer Vision – ECCV 2024 Workshops, LNCS 15625, 207–223
Konferenzbeitrag / Buchkapitel
AgriBench ist ein Benchmark zur Bewertung multimodaler großer Sprachmodelle für landwirtschaftliche Anwendungen. Ergänzend stellen die Autoren MM-LUCAS vor: einen Datensatz mit 1.784 Landschaftsbildern, Segmentierungsmasken, Tiefenkarten und detaillierten Angaben zu Landbedeckung und Landnutzung. Grundlage sind Daten der europäischen LUCAS-Erhebung. Der Beitrag beschreibt einen Ansatz, um die fachbezogenen Fähigkeiten solcher Modelle systematisch zu prüfen.
Zum Beitrag bei Springer
Vorschau frei zugänglich; für den Volltext kann ein Zugang erforderlich sein.
Auswahl nach dem FEdA-Literaturportal. Die Links führen zu externen Originalquellen.
Projektvideo
Sie sehen gerade einen Platzhalterinhalt von YouTube. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr InformationenAnsprechpersonen
Prof. Dr. Masahiro Ryo
Leiter der Arbeitsgruppe "Künstliche Intelligenz für Digitale Landwirtschaft"
Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF) e. V. Müncheberg
E‑Mail: masahiro.ryo@zalf.de
Dr. Josepha Schiller
Projektkoordination & Forschung
Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF) e. V. Müncheberg
E-Mail: josepha.schiller@zalf.de
