Im Projekt „KliBoG1“ wurde ein Verfahren entwickelt, mit dem Entwässerungsgräben auf Basis des Digitalen Geländemodells (DGM1) und weiterer Geofachdaten automatisiert erkannt werden können (Wessels et al., 2025). Hierbei kamen unter anderem zwei Methoden aus dem Bereich Machine Learning (ML) zum Einsatz. Anhand eines Random-Forest-Modells wurde jeder Rasterzelle Niedersachsens zunächst eine Grabenwahrscheinlichkeit zugeordnet. Anschließend wurden zusammenhängende potentielle „Grabencluster“ ermittelt. Da hierbei häufig auch andere Strukturen wie etwa natürliche Geländeeinschnitte oder Vertiefungen als Graben ausgewiesen wurden, wurden die einzelnen Cluster in einem weiteren Schritt mit ergänzenden Informationen angereichert. Unter anderem wurden die „Kompaktheit“ und die „Tiefe“ sowie die Höhenlage und die Lage im Wald bzw. im Offenland ermittelt und als Parameter eingesetzt. Anhand dieser Informationen erfolgte die Erstellung von XGBoost-Modellen, anhand derer die zunächst fälschlicherweise als Graben ausgewiesenen Cluster herausgefiltert wurden (Wessels et al., 2025).

Bei dem entwickelten Verfahren handelt es sich um einen „hands-on“-Ansatz, welcher in erster Linie im Hinblick auf seine Funktionalität entwickelt wurde. Allerdings wurde stets Wert auf eine möglichst hohe Plausibilität bzw. Interpretierbarkeit der eingesetzten Modelle gelegt. Eine Möglichkeit für eine modell-agnostische Interpretation stellen beispielsweise die sogenannten Shapley Additive exPlanations (SHAP) dar, z.B. nach Covert & Lee (2021). Die Abb. 1a zeigt beispielhaft für ein einzelnes Cluster, bei dem es sich nicht um einen Graben handelt, welche Parameter wie stark zu der Vorhersage der Klasse „kein Graben“ beitragen haben. In der Abb. 1b sind die aggregierten SHAP values von 1.000 Clustern für die Vorhersage der vorgenannten Klasse dargestellt. Für eine bessere Darstellung wurden jeweils nur die sieben Parameter angegeben, die den stärksten Einfluss bei der Vorhersage aufweisen.

Demnach ist vor allem die Kompaktheit der Cluster relevant für die Vorhersage der Klasse „kein Graben“ und damit für das Herausfiltern von zunächst fälschlicherweise als Graben erkannten Strukturen. Die Abbildung 1b zeigt, dass hohe Kompaktheitswerte tendenziell positiv zur Vorhersage „kein Graben“ beitragen, während geringe Kompaktheitswerte sich negativ auf diese Vorhersageklasse auswirken. Dies ist insofern plausibel, als dass Entwässerungsgräben in der Regel schmale, längliche Strukturen mit geringer Kompaktheit sind. Auch die weiteren Parameter sind auf diese Weise interpretierbar. Im konkreten Fall des einzelnen dargestellten Clusters der Abb. 1a ist beispielsweise zu erkennen, dass sich das geringe rechnerische Volumen der Struktur von rund 8,5 m³ positiv auf die Vorhersageklasse „kein Graben“ auswirkt. Auch dies ist plausibel, da Entwässerungsgräben in der Regel höhere Volumina aufweisen.

Insgesamt können SHAP values also zu einer besseren Interpretierbarkeit der eingesetzten ML-Modelle beitragen. Bei entsprechender Darstellung wird zudem eine intuitive Plausibilitätsprüfung ermöglicht.

Literatur

COVERT, I. & LEE, S.-I. (2021): Improving Kernel-SHAP: Practical Shapley Value Estimation via Linear Regression. – arXiv:2012.01536; https://doi.org/10.48550/arXiv.2012.01536.

WESSELS, J., HAJATI, M. & ELBRACHT, J. (2025): Erkennung von Entwässerungsgräben mit Methoden des Maschinellen Lernens. – GeoBerichte 54: 51 S., 29 Abb., 6 Tab., Anh.; Hannover (LBEG); DOI 10.48476/geober_54_2025.