Hauptinhalt

Collectomics, Umweltinformatik & Künstliche Intelligenz

Maßgebliche Faktoren zur Verfügbarkeit von Biologischen Sammlungsdaten

Biologische Sammlungen in Museen und Herbarien sind Langzeitarchive für das Wissen über globale Biodiversität. Allerdings spiegelt die Verfügbarkeit von Sammlungsbelegen nicht die Verbreitung von Vielfalt wieder, sondern wird von einer Vielzahl von Faktoren beeinflusst. Wir vergeben Abschlussarbeit um zu erforschen, wie stark dieser Einfluss ist, und in wieweit er den Nutzen von Sammlungsdaten in der Biodiversitätsforschung einschränkt. 

Beispiele für Fragestellungen: Beeinflusst die Zugänglichkeit für Menschen (zum Beispiel durch Straßen) die Verfügbarkeit von Biodiversitätsdaten in verschiedenen Regionen gleichermaßen? Beeinflusst koloniale Geschichte die Herkunft von Sammlungsdaten in ehemaligen Kolonien?

Beispiele für zu erlernende Fähigkeiten: statistische Datenanalyse, Geschichte der Biodiversitätsforschung, R.

Optimierung Roter Liste Einschätzungen mit Fernerkundung und KI

Rote Listen sind grundlegende für Naturschutz und Biodiversitätsforschung. Jedoch sind zur Erstellung von Roten Listen oftmals detaillierte Informationen zur Populationsentwicklung von Arten nötig, weshalb Rote Liste nur für ausgewählte Tier- und Pflanzengruppen existieren. Automatische Ansätze zur Einschätzung des Rote Liste Status basierend auf Verbreitungsinformationen und Fernerkundungsdaten, zum Beispiel mittels künstlicher Intelligenz, können helfen existierende Lücken zu schließen, sind allerdings oftmals noch ungenau.

Beispiele für Fragestellungen: Wie können wir regionale Rote Listen zur Vorhersage von Aussterberisiken einzelner Arten nutzen? Wie kann existierende künstliche Intelligenz zur Einschätzung des Aussterberisikos für Rote Listen verbessert werden? Welche Fernerkundungsdaten sind zur Abschätzung von Aussterberisiken auf Roten Listen besonders relevant?

Beispiele für zu erlernende Fähigkeiten: statistische Datenanalyse, KI Anwendung in der Biodiversitätsforschung, R