KI-gestützte Landnutzung optimiert Ökosystemwerte im Malawi-See

In einer Welt, in der unsichere Landnutzungspraktiken die Biodiversität, Wasserressourcen und die Lebensgrundlage von Millionen bedrohen, präsentiert ein neues Forschungsprojekt einen bahnbrechenden Ansatz: ein Deep‑Reinforcement‑Learning‑Framework zur Optimierung der Landnutzung im Einzugsgebiet des Malawi-Sees. Ziel ist es, den Gesamtwert der Ökosystemdienstleistungen (ESV) zu maximieren und gleichzeitig ökologische Integrität zu wahren.

Das System nutzt die Benefit‑Transfer‑Methode von Costanza et al. und weist neun, aus Sentinel‑2‑Bildern abgeleitete Landbedeckungsklassen, biome‑spezifische ESV‑Koeffizienten zu, die an lokale Malawi‑Wasserflächenbewertungen angepasst sind. In einer 50×50‑Zellen‑Matrix mit 500‑Meter‑Auflösung agiert ein Proximal Policy Optimization (PPO) Agent, der mithilfe von Aktionsmasken Landnutzungspixel zwischen veränderbaren Klassen verschiebt.

Die Belohnungsfunktion kombiniert den ökologischen Wert pro Zelle mit räumlichen Kohärenz‑Zielen: Kontinuitätsboni für zusammenhängende Landnutzungs­flächen (z. B. Wälder, Ackerland, Bebauung) und Strafpunkte für stark belastende Entwicklungen in unmittelbarer Nähe zu Gewässern. Durch drei Szenarien – reine ESV‑Maximierung, ESV mit räumlicher Belohnungs‑Gestaltung und ein regeneratives Landwirtschafts‑Policyszenario – wird die Flexibilität des Modells demonstriert.

Ergebnisse zeigen, dass der Agent erfolgreich den Gesamt‑ESV steigert, räumliche Belohnungs‑Gestaltung ökologische Muster fördert und auf politische Parameteränderungen sinnvoll reagiert. Damit liefert das Verfahren ein leistungsfähiges Werkzeug für die Planung nachhaltiger Landnutzung und die Bewertung von Umwelt‑ und Agrar‑Politiken im Lake‑Malawi‑Basin.