@manual{
	titlea = "Prof.",
	vornamea = "Michael",
	namea = "Schmitt",
	departmenta = "Fakultät für Luft- und Raumfahrttechnik",
	institutea = "LRT 9 - Institut für Raumfahrttechnik und Weltraumnutzung",
	titleb = "",
	vornameb = "",
	nameb = "",
	departmentb = "",
	instituteb = "",
	titlec = "",
	vornamec = "",
	namec = "",
	departmentc = "",
	institutec = "",
	external-funds = "Deutsche Forschungsgemeinschaft e. V. (DFG)",
	company = "",
	project-title = "Kartierung und Interpretation von Wildnis aus dem Weltraum / MapInWild",
	project-abstract = "Vor dem Hintergrund gesellschaftlich hochrelevanter Themen wie der Ausweisung von Naturschutzgebieten bzw. zur Pandämieprävention durch Naturschutz, stellt eine Kombination von KI- und Fernerkundungs-basierten Verfahren eine vielversprechende Herangehensweise dar um objektiv und effizient die Naturbelassenheit von Landschaftsbestandteilen zu quantifizieren und Wildnisgebiete zu kartieren. Im Verbundprojekt MapInWild werden wir Deep Learning-Methoden zur Kartierung von Wildnisgebieten mittels Satellitenbilddaten entwickeln. Wichtige methodische Komponenten im Projekt sind dabei Beiträge zum schwach überwachten maschinellen Lernen, um auch mit vergleichsweise schlechten Trainingsdaten robuste und überregional anwendbare Modelle erzeugen zu können, sowie Beiträge zum erklärbaren maschinellen Lernen. Durch die Entwicklung und Anwendung komplementärer Werkzeuge wird auf verschiedene Weise die Transparenz und Interpretierbarkeit von tiefen neuronalen Netzwerken erhöht. Damit wird Aufschluss darüber gegeben, warum die gelernten Wildniskartierungs-Modelle zu spezifischen Entscheidungen kommen. In Verbindung mit bekanntem Vorwissen über Wildnis, werden die erhaltenen Ergebnisse im Kontext der Anwendung erklärt und führen somit zu einer verbesserten Definition des Begriffs Wildnis. Die Wildniskartierung und die Untersuchungen zur Erklärbarkeit stehen im engen Zusammenhang und werden kontinuierlich durch Feedbackschleifen verbessert. Das Projekt trägt damit zur methodischen Weiterentwicklung von übertragbaren Verfahren des maschinellen Lernens mit wenigen und fehlerbehafteten Trainingsdaten und deren Interpretierbarkeit bei. Des Weiteren werden Fortschritte im Bereich der Automatisierung der Fernerkundung erwartet.",
	proj-beginn = "01.10.2021",
	proj-end = "30.09.2024",
	forschungszentrum = ""
}