Wie können wir die Unsicherheit komplexer Bodenkarten, die mit neuronalen Netzwerken vorhergesagt werden, quantifizieren, erklären und anwenden?

Künstliche neuronale Netzwerke (KNN) haben sich als nützliches Werkzeug für komplexe Fragen erwiesen, die große Datenmengen beinhalten. Unser Anwendungsfall der Vorhersage von Bodenkarten mit KNN ist von großer Nachfrage bei Regierungsbehörden, Bauunternehmen oder Landwirten, angesichts der kosten- und zeitintensiven Feldarbeit. Es gibt jedoch zwei Hauptprobleme bei der Anwendung von KNN. In ihrer gängigsten Form liefern Deep-Learning-Algorithmen keine interpretierbare Vorhersageunsicherheit. Das bedeutet, dass Eigenschaften eines KNN wie die Sicherheit und Plausibilität der vorhergesagten Variablen von der Interpretation durch Experten abhängen, anstatt durch Bewertungsmetriken quantifiziert zu werden, die die KNN validieren. Darüber hinaus haben diese Algorithmen in geografisch entfernten Gebieten vom Trainingsbereich oder in Gebieten mit spärlich abgedeckten Trainingsdaten ein hohes Vertrauen in ihre Vorhersagen gezeigt. Um diese Herausforderungen zu bewältigen, nutzen wir den Bayesianschen Deep-Learning-Ansatz „Last-Layer-Laplace-Approximation“, der speziell entwickelt wurde, um Unsicherheit in tiefe Netzwerke zu quantifizieren, in unserer explorativen Studie zur Bodenklassifizierung. Er korrigiert die übermäßig selbstsicheren Bereiche, ohne die Genauigkeit der Vorhersagen zu verringern, und gibt uns einen realistischeren Ausdruck der Unsicherheit der Modellvorhersage. In unserem Studiengebiet in Süddeutschland unterteilen wir die Böden in Bodenregionen und schließen als Fallbeispiel zwei Bodenregionen im Trainingsbereich explizit aus, schließen jedoch diese Regionen in die Vorhersage ein. Unsere Ergebnisse unterstreichen die Notwendigkeit der Unsicherheitsmessung, um zuverlässigere und interpretierbare Ergebnisse von KNN zu erhalten, insbesondere für Regionen, die weit vom Trainingsbereich entfernt sind. Darüber hinaus adressiert das aus dieser Forschung gewonnene Wissen das Problem der Überkonfidenz von KNN und bietet wertvolle Informationen über die Vorhersagbarkeit von Bodentypen und die Identifizierung von Wissenslücken. Durch die Analyse von Regionen, in denen das Modell nur begrenzte Datenunterstützung hat und folglich eine hohe Unsicherheit besteht, können die Interessengruppen die Bereiche erkennen, die mehr Datensammlungsanstrengungen erfordern.