Charlotte untersucht im Rahmen des Flagship-Projekts 3, wie Grünflächen mittels Machine Learning analysiert werden können, um die Lebensqualität von Menschen positiv zu beeinflussen. Konkret soll eine Karte mit Indikatoren für gesellschaftlich und ökologisch wertvolle Grünflächen entwickelt werden. Dazu werden mittels Deep Learning Streetview-Bilder, Flugaufnahmen und Satellitenbilder kombiniert und mit bestehenden Kartendaten analysiert. Im Interview erzählt uns Charlotte, was sie persönlich für dieses Projekt motiviert.
Charlotte, kannst du uns ein bisschen über deinen Hintergrund erzählen?
Charlotte: Ich habe mein Studium in Maschineningenieurwissenschaften an der EPFL in Lausanne begonnen. Im Laufe der Zeit wurde mir das Thema zu spezialisiert. Ich wollte etwas Breiteres. Mich faszinierten Werkzeuge und Methoden, die angewendet werden können, um eine Vielzahl realer Probleme im grossen Massstab zu modellieren und zu lösen. Das hat mich zum Master in Computational Science and Engineering, ebenfalls an der EPFL, geführt. Dort habe ich mich auf Computer Vision* für die Erdbeobachtung spezialisiert. Ich habe im Rahmen meiner Masterarbeit einen Algorithmus zur Überwachung von Korallenriff anhand von Unterwasserbildern entwickelt. Kürzlich habe ich mein Doktorat an der UZH begonnen und arbeite am dritten Flagship-Projekt mit Fokus auf Grünflächen und deren Effekt auf das Wohlbefinden von Menschen.
Warum hast du dich entschieden, an diesem Projekt zu arbeiten?
Was mich an diesem Projekt angesprochen hat, ist das Ziel, die Qualität von Grünflächen für die Bevölkerung zu verbessern. Alle sollen von der positiven Wirkung der Natur auf das Wohlbefinden profitieren können. Ich glaube, dass die Integration von Natur und Grünflächen in den Alltag sehr wichtig ist. Ich integriere Natur in meinen Alltag durch Sport und Zeit im Freien. Die Natur ist somit ein wesentlicher Bestandteil meines Wohlbefindens. An einem Projekt zu arbeiten, das darauf abzielt, die Natur mehr Menschen zugänglich zu machen, liegt mir sehr am Herzen. Das Projekt interessiert mich aber über dieses Ziel hinaus auch auf der Forschungsebene. Auf der einen Seite gibt es die datengetriebene Arbeit der Kartierung und Analyse von Grünflächen. Auf der anderen Seite versuchen wir, etwas zutiefst Subjektives zu modellieren: Wie erleben Menschen diese Räume tatsächlich und was bedeuten sie für ihr Wohlbefinden? KI-Modelle zu entwickeln, die etwas so Subjektives extrahieren und quantifizieren können, macht dieses Projekt für mich technisch herausfordernd und spannend.
Was eine gute von einer schlechten Grünfläche unterscheidet und wie sie das herausfindet, erklärt Charlotte im folgenden Video:
Im Video spricht Charlotte von der Stadt, gemeint ist aber der ganze Kanton Zürich.
Dein Projekt hat einen starken Fokus auf Machine Learning, aber das Ziel ist, Grünflächen mit Wohlbefinden zu verknüpfen. Was siehst du als grosse Herausforderungen dabei?
Um die Verbindung von Grünflächen zum Wohlbefinden herzustellen, müssen wir uns auf die Menschen fokussieren, da sie Wohlbefinden oder dessen Fehlen erleben. Daten über Menschen zu erheben, ist generell schon schwierig. Für Machine Learning braucht man grosse Datenmengen, was diese Herausforderung noch grösser macht. Eine weitere Herausforderung – und meiner Meinung nach einer der interessantesten Aspekte – ist die Modellinterpretierbarkeit. Wenn man ein Modell mit Bildern trainiert, lernt es, die Vorhersagen zu treffen, für die es trainiert wurde. Allerdings wissen wir nicht immer, was es tatsächlich gelernt hat. Beispielsweise könnte es ein Bild als gute Grünfläche einstufen, nicht wegen der eigentlichen Qualität der Grünfläche, sondern wegen eines unzusammenhängenden Merkmals wie dem Wetter oder der Beleuchtung.
«Zu verstehen, was das Modell wirklich gelernt hat, ist schwierig, weil diese Modelle wie Black Boxes funktionieren. Wir müssen Methoden entwickeln, um sie zu öffnen und dieses Wissen zu extrahieren.»
Charlotte Sertic
Machine Learning entwickelt sich gerade sehr schnell – was bedeutet dieses Tempo für dich und deine Arbeit?
Das schnelle Entwicklungstempo kann für unsere Forschung etwas Positives sein. Es entstehen neue Modelle, die wir direkt nutzen können, um unsere eigene Arbeit voranzutreiben, zum Beispiel um Datensätze zu erstellen oder zu verarbeiten. Aber natürlich besteht auf der anderen Seite der ständige Bedarf, auf dem neuesten Stand zu bleiben. Dinge können sich sehr schnell ändern, also muss man flexibel bleiben und bereit sein, sich anzupassen.
Worüber freust du dich in deiner Arbeit in den nächsten vier Jahren am meisten?
Ich freue mich sehr darauf, zu sehen, wie dieses Projekt gemeinsam mit den anderen Flagship-Projekten zusammenkommt und darauf, mit Menschen aus unterschiedlichen Hintergründen zusammenzuarbeiten und Wissen zu teilen. Insbesondere mit der Zürcher Hochschule der Künste, die eine völlig andere Sichtweise hat. Ich bin gespannt, wie sich ihre Perspektive mit unserem wissenschaftlichen Ansatz verbindet.
Charlotte Sertic hat einen Bachelor in Maschineningenieurwissenschaften absolviert. Danach folgte ein Master in Computational Science and Engineering mit Spezialisierung auf Computer Vision für die Erdbeobachtung. Seit Januar 2026 ist sie Doktorandin am Departement für mathematische Modellierung und Machine Learning (DM3L) im EcoVision Lab. Im Rahmen ihrer Dissertation forscht sie im Leuchtturmprojekt 3 des DIZH Public Data Labs. Dabei untersucht sie, wie Machine Learning helfen kann, Grünflächen zu analysieren und ihre Wirkung auf das Wohlbefinden zu verstehen.
* Computer Vision – oder maschinelles Sehen – ist eine Unterdisziplin in der KI-Forschung. Dem Computer wird beigebracht, Bedeutung in Bildern zu erkennen. (ZHAW)