Vorhersagemodell für die Waldbrandgefahr in Deutschland

Autor:in

Zugehörigkeit

Sören Sparmann

Universität Paderborn

In diesem zweiteiligen Modul wird ein einfaches Machine-Learning-Modell zur Einschätzung der Waldbrandgefahr in Deutschland entwickelt. Als Datengrundlage dienen historische Satellitenmessungen, darunter Oberflächentemperatur, Niederschlagsmenge und Vegetationsindex. Ziel ist es, grundlegende Konzepte des überwachten Lernens praktisch zu vermitteln und deren Anwendung im Umweltkontext zu veranschaulichen.

Im ersten Teil wird ein einfaches lineares Regressionsmodell erstellt, das ausschließlich auf der Oberflächentemperatur basiert. Dabei lernen die Teilnehmenden zentrale Verfahren des maschinellen Lernens kennen, insbesondere das Gradientenverfahren zur Optimierung von Modellparametern.

Im zweiten Teil wird das Modell um zusätzliche Eingabevariablen wie Niederschlagsmenge und Vegetationsindex erweitert. Durch den Vergleich beider Modellvarianten wird die Bedeutung relevanter Einflussfaktoren für die Modellgüte sichtbar gemacht.

1 Materialien

2 Lernziele

• Verständnis grundlegender Konzepte des maschinellen Lernens, insbesondere der linearen Regression
• Anwendung des Gradientenverfahrens zur Modellanpassung
• Aufbau und Training einfacher Regressionsmodelle mit Python
• Unterscheidung von Trainings- und Validierungsdaten
• Interpretation von Modellergebnissen im Kontext realer Umweltdaten
• Vergleich von Modellvarianten zur Bewertung von Vorhersagequalität

3 Python-Pakete

• pandas
• scikit-learn
• plotly