Explainable Machine Learning-based Frameworks to Investigate The Appearance of Naturalness in Satellite Imagery

Natürlichkeit ist ein zentraler Indikator für den Biodiversitätsschutz und das Funktionieren von Ökosystemen und damit von hoher Relevanz für Umweltmonitoring und Entscheidungsunterstützung. Diese Arbeit untersucht das Erscheinungsbild von Natürlichkeit in Satellitenbildern und identifiziert jene Muster und Landbedeckungsklassen, die am stärksten zu ihr beitragen, unter Anwendung erklärbarer Methoden des maschinellen Lernens (XAI) und der Unsicherheitsquantifizierung (UQ). <br> Bestehende Ansätze weisen häufig Einschränkungen auf, wie eine begrenzte Interpretierbarkeit, einen Mangel an datengetriebener Attribution von Landbedeckungsklassen zur Natürlichkeit oder eine unzureichende Berücksichtigung der Unsicherheit in den Modellvorhersagen. Diese Schwächen können einzeln oder in Kombination zu Verzerrungen bei der Erklärung von Natürlichkeit führen. Um diese Lücken zu adressieren, werden drei komplementäre Frameworks eingeführt: <br> AM-GANs for Naturalness: Ein generatives Framework, das Aktivierungsmaximierung in CycleGAN integriert, um Bilder zu synthetisieren, die Natürlichkeitshinweise verstärken oder unterdrücken und so visuell aussagekräftige Attributionskarten erzeugen. <br> Confident Naturalness Explanation (CNE): Ein Framework, das semantische Segmentierung, Surrogatmodellierung und Monte-Carlo-Dropout kombiniert, um klassenweise CNE-Werte zu erzeugen. Diese quantifizieren den Beitrag jeder Landbedeckungsklasse zur Natürlichkeit sowie das Vertrauen in diese Attribution. <br> NaT-ReX (Reliable Explainability for Naturalness): Eine auf Vision Transformer basierende Architektur, die Layer-wise Relevance Propagation mit Attention Rollout und UQ integriert, um feinauflösende, pixelgenaue und unsicherheitsbewusste Relevanzkarten zu erzeugen, die zudem auf Klassenebene aggregiert werden können. <br> Vergleiche mit etablierten Indizes – dem Human Influence Index und dem Naturalness Index – belegen die ökologische Plausibilität und verdeutlichen, wo die vorgeschlagenen Erklärungen mit externen Referenzen übereinstimmen oder von ihnen abweichen. In dieser Dissertation treten Feuchtgebiete, Buschland, Wälder sowie spärlich bewachsene Flächen konsistent als starke Prädiktoren für das visuelle Erscheinungsbild von Natürlichkeit hervor. Alle drei Frameworks wurden als Peer-reviewed-Forschungsarbeiten veröffentlicht.