DK-Future: Probabilistic Geospatial Machine Learning for Predicting Future Danish Land Use under Compound Climate Impact

DK-Future vil udvikle nye geografiske maskinlæringsmodeller, kaldet probabilistisk GeoML, designet til at forudsige fremtidige ændringer i arealanvendelse ved at integrere probabilistiske tilgange, der inkorporerer geografiske data og tager højde for usikkerheder i klimaforandringsscenarier. Disse modeller vil udnytte historiske jordobservationsdata og klimafremskrivninger til at forudsige ændringer i arealanvendelse i Danmark under sammensatte klimapåvirkninger. Med sit lavtliggende terræn og lange kystlinje er Danmark særligt sårbart over for klimainducerede ændringer i arealanvendelse, hvilket understreger behovet for forudsigelsesværktøjer, der kan understøtte proaktiv arealforvaltning med de tilhørende usikkerheder. Denne indsats kræver fremskridt inden for probabilistisk modellering af komplekse rumlige og tidslige processer i tæt samspil med de geografiske videnskaber, hvor koncepter som rumlig nærhed og autokorrelation integreres i ML-modeller. Kombinationen af probabilistisk ML (PI1) og dynamikkerne i arealanvendelse og klimaforandringer (PI2) vil åbne nye forskningsmuligheder for modellering af rumlige og tidslige processer og udvide vores forståelse af, hvordan klimaforandringer påvirker arealanvendelse under usikre klimafremskrivninger.  Denne forskning er afgørende for beslutningstagere, da den giver indsigt i ekstreme hændelser og deres sandsynlighed.