Foto: Marc Katzenmaier

Lukas Drees arbeitet als Postdoktorand im EcoVision Lab bei Jan Dirk Wegner am Institut für mathematische Modellierung und Machine Learning (DM³L) der UZH. Er forscht an der Schnittstelle zwischen Machine Learning und Umweltwissenschaften. Innerhalb des DIZH Public Data Lab ist er an der Entwicklung eines Indikators beteiligt, der den Einfluss von Grünflächen auf unser Wohlbefinden beschreibt.

Lukas, weshalb machst du mit beim DIZH Public Data Lab (PDL)?

Lukas: Als mir Jan (Dirk Wegner) davon erzählt hat, war ich sofort dabei. Das Thema, mit dem ich mich beim PDL beschäftige, also wie der Lebensraum um mich herum meine Lebensqualität beeinflusst, finde ich sehr spannend und super wichtig. Es gibt aber noch einen weiteren Grund, weshalb mich das PDL begeistert: Ich habe mich bereits in der Vergangenheit für Wissenschaftskommunikation interessiert, denn ich glaube, es gibt generell eine Lücke zwischen dem, wie die Leute Machine Learning wahrnehmen, und dem, was Machine Learning ist und kann. Oft werden Machine Learning Modelle als Magie oder Black Box bezeichnet. Ich würde gerne in diese Richtung forschen, wie man den Leuten auf verständliche Weise erklären oder ihnen näherbringen kann, wie das Modell Entscheidungen trifft und was genau passiert. Dafür gibt es Tools wie Explainable Machine Learning, die mir zum Beispiel sagen können, warum das Modell die Qualität einer Grünfläche höher einstuft als die Qualität einer anderen. Gerade wenn wir Ergebnisse entwickeln wollen, die von den Fachleuten der Stadtplanung genutzt werden, um Entscheidungen für die Zukunft zu treffen, dann müssen mindestens diese Fachleute verstehen, wie das Modell funktioniert.

What is your role within the PDL?

Ich betreue die Doktorandin, die im Januar 2026 bei uns beginnt und sich mit dem Flagship Projekt 3 befasst. Zusammen entwickeln wir eine Strategie, wie wir das Projekt angehen und vorantreiben. Es geht darum, Grünflächen mit dem Wohlbefinden von Menschen zusammenzubringen. Basierend auf den verschiedenen Grünflächen, die es im Kanton Zürich gibt, versuchen wir abzuschätzen, wo sich die Menschen besonders wohl fühlen. Unser Input, also die Grünflächen, besteht aus verschiedenen Sensordaten, wie Bilddaten und Punktwolken. Der kritische Punkt ist (laughs), Daten zum Wohlbefinden der Menschen zu finden, die wir als Referenz brauchen, um unser Modell zu trainieren. Dazu könnten wir Umfragen durchführen, in denen wir die Leute fragen, wie zufrieden sie mit den Grünflächen in ihrer Umgebung sind. Wir könnten aber auch Proxies, d.h. einen indirekten Index, nutzen: Wenn wir annehmen, dass im Kanton Zürich Grundstückpreise mit dem Wohlbefinden korrelieren, könnten wir alle anderen Faktoren (Nähe zum Zentrum, Verkehrsanbindungen, Lärmbelastung etc.) rausrechnen, um einen bereinigten Preis zu erhalten, der angibt: je höher der Preis, desto besser die Grünfläche fürs Wohlbefinden. Wir könnten aber auch bereits bestehende Indizes als Proxies verwenden: einen Index zur Luftqualität, zur Wärmebelastung oder einen Glücksindex. Ein weiterer Ansatz könnte sein, mit frei verfügbaren Bewegungsprofilen Hotspots zu generieren, wie man sie zum Beispiel aus Strava kennt, um von der Häufigkeit der Nutzung der Grünflächen auf ihren Wert zu schliessen.

Wo siehst du weitere Herausforderungen?

Ich könnte mir vorstellen, dass verschiedene Personengruppen unterschiedliche Grünflächen bevorzugen. Ein paar Beispiele: Für Studierende sind vielleicht grosse Grünflächen interessant, wo sie Sport treiben können, während Familien mit Kleinkindern kleinere, zerstreute Grünflächen mit einem Spielplatz vorziehen. Berufstätige Menschen bevorzugen vielleicht grössere Grünflächen oder einen Wald ausserhalb der Stadt, in dem sie spazieren oder waldbaden können. Deshalb gibt es wohl nicht die eine Grünfläche, auf der sich alle wohlfühlen. Vielmehr hängt das Wohlbefinden von der aktuellen Alltags- oder Lebenssituation der Menschen ab.
Eine weitere Herausforderung ist, dass Grünflächen von oben, also auf Satellitenbildern oder Flugaufnahmen, sehr ähnlich aussehen können, sie aber in der Realität nicht für alle Menschen gleich gut zugänglich sind. Deshalb werden wir verschiedene Sensordaten verwenden: Flugaufnahmen, aber auch StreetView-Bilder aus dem Auto heraus.
Bezogen auf das gesamte Public Data Lab ist – wie von meinen Kolleg:innen schon erwähnt – das Finden einer gemeinsamen Sprache eine Herausforderung.

What is your contribution to the PDL?

Mein Beitrag ist technischer Art. Bei uns im EcoVision Lab geht es viel darum, technische Modelle zu entwickeln, um von multimodalen Inputdaten auf etwas zu schliessen. Multimodal heisst, die Daten stammen aus verschiedenen Quellen und können unterschiedlichen Formates sein, neben Bildern, z. B. Punktwolken eines Laserscanners und Text, wenn jemand eine Grünfläche beschreibt. Wir entwickeln technische Lösungen, welche die verschiedenen Daten gut miteinander verarbeiten können.

«Ich stelle mir eine Plattform vor, auf der Menschen «ihre» Karte erstellen und mit uns darüber diskutieren können.»

Lukas Drees

What is your goal?

Das Schönste wäre eine interaktive Karte, bei der jede:r bestimmte Optionen auswählen kann, z. B. Alter, Personengruppe etc. Die Karte gibt dann je nach ausgewählten Optionen an, welche Grünflächen im Kanton fürs Wohlbefinden am geeignetsten sind. Ich hoffe, dass das PDL Raum für einen Austausch mit der Öffentlichkeit bietet. Ich stelle mir einen Raum oder eine Plattform vor, auf der Menschen «ihre» Karte erstellen und mit uns darüber diskutieren können, sodass wir die Karte resp. das Modell weiterentwickeln können. Ich hoffe, dass unser Modell schlussendlich auch von Stadt- und Raumplaner:innen genutzt wird, um neue Grünflächen zu schaffen.

What are you most looking forward to?

Das Projekt ist etwas anders als Projekte, an denen ich bisher beteiligt war. Ich freue mich deshalb, dass ich zum Beispiel mit Künstler:innen ein Machine Learning Modell erschaffen kann, das für die Öffentlichkeit zugänglich ist. Also aufzudröseln, was es wirklich braucht, um zu verstehen, was in einem KI-Modell passiert. Innerhalb des Flagship 3 freue ich mich darauf, die Erkenntnisse aus den verschiedenen Projekten unserer Gruppe zusammenzubringen: Wir arbeiten bereits daran, die Phänologie von Bäumen anhand von WebCam-Daten zu ermitteln, die Biodiversität einer Region über Artenverteilungsmodelle zu bestimmen oder das Vorhandensein von invasiven Pflanzenarten auf Drohnenbildern zu erkennen. Für das Flagship 3 brauchen wir von all diesen Projekten ganz sicher ein bisschen etwas.

Lukas Drees ist Postdoktorand im EcoVision Lab in the Institut für mathematische Modellierung und Machine Learning (DM³L) der Universität Zürich. Über das Studium der Geodäsie in Bonn hat er das faszinierende Feld der Fernerkundung betreten und – seither begeistert ihn der Einsatz von intelligenten Methoden der Bildanalyse zur Bewahrung unseres Planeten. Die vielfältigen Grünflächen des Kantons kennt er nicht nur von Bildern, sondern nutzt sie regelmässig mit Freunden für ganz unterschiedliche Sportarten wie Frisbee, Pétanque oder Roundnet.