Mehr Seegras in der Ostsee dank KI
Wie können Seegraswiesen in der Ostsee mit Hilfe künstlicher Intelligenz möglichst effizient und klimaresilient renaturiert werden? Diese Frage steht im Zentrum des Forschungsprojekts SEAGUARD, das vom Leibniz-Institut für Ostseeforschung Warnemünde (IOW) koordiniert wird und diesen Sommer startete. Das Vorhaben bringt Meeresforschung, Data Science und Umweltmanagement zusammen.
09.02.2026
Seegras als Schlüssel für Biodiversitäts- und Klimaschutz
Seegraswiesen zählen zu den Multitalenten der Küstenökosysteme: Sie sind Kinderstube für Fische und Lebensraum für zahlreiche andere Meereslebewesen, schützen Küsten vor Erosion, stabilisieren Sedimente und speichern das Klimagas Kohlendioxid. Doch im letzten Jahrhundert sind die Seegras-Bestände der Ostsee durch menschlichen Einfluss dramatisch zurückgegangen – vor allem durch Überdüngung samt ihren Folgeerscheinungen wie veränderte Lichtverhältnisse im Meer – und durch den Nutzungsdruck in den Küstenbereichen. Zunehmend spielt auch der Klimawandel eine Rolle und der damit verbundene Temperaturstress für die Seegraspflanzen im Sommer. Diese Verluste haben nicht nur Folgen für die Biodiversität, sondern schwächen auch die Fähigkeit der Ostsee, Kohlenstoff langfristig zu speichern. Gleichzeitig fehlt bislang eine belastbare Datengrundlage, die eine erfolgversprechende Wiederansiedlung von Seegras ermöglicht. Bestehende Modelle liefern häufig nur grobe Annäherungen und berücksichtigen kaum die Unsicherheiten, die sich aus unterschiedlichen Klima- und Nährstoffszenarien ergeben.
Mit künstlicher Intelligenz zu neuen Entscheidungsgrundlagen
Genau hier setzt das neue Projekt SEAGUARD (kurz für: „Seagrass Growth and Adaptation Using AI Research and Development") an. Die Forschenden wollen KI gezielt nutzen, um die ökologischen Prozesse und Wechselwirkungen im Küstenmeer besser zu verstehen und zukünftige Entwicklungen realistisch vorherzusagen. Grundlage dafür sind große Mengen an bereits vorhandenen und neu entstehenden Mess- und Fernerkundungsdaten – etwa zu Wassertrübung, Temperatur und Nährstoffeinträgen – sowie Modellrechnungen, die durch zusätzliche KI-gestützte Modelle ergänzt werden. Die KI analysiert diese hochkomplexen Datensätze, erkennt Muster und kann auf dieser Basis fundierte Vorhersagen darüber treffen, wo Seegras künftig erfolgreich wachsen kann. Dabei berücksichtigt sie auch verschiedene Klimaszenarien und Nährstoffeinträge aus Flüssen, insbesondere Phosphor und Stickstoff.
Als Ergebnis der Analysen sollen räumlich hochaufgelöste Karten möglicher Wiederansiedlungsflächen die gezielte Planung von effizienten und klimaresilienten Seegras-Renaturierungsmaßnahmen ermöglichen. Ein zusätzlicher Vorteil: KI ersetzt teilweise rechenintensive numerische Modelle, wodurch der Energieverbrauch der Simulationen erheblich sinkt. So trägt das Projekt auch zu einem nachhaltigen Ressourceneinsatz in der Forschung selbst bei. „Mit SEAGUARD schlagen wir eine Brücke zwischen modernster KI-Forschung und konkreter Naturschutzpraxis“, sagt Florian Börgel, Nachwuchsgruppenleiter am IOW und Verbundkoordinator des Projekts. „Wir wollen zeigen, dass KI nicht nur dabei hilft, ökologische Prozesse besser zu verstehen, sondern auch ganz praktisch dabei unterstützen kann, marine Lebensräume gezielt zu schützen und wiederherzustellen.“
Leuchtturmcharakter durch praxisnahe Anwendung
Mit seiner Verknüpfung von KI, Modellierung und Fernerkundung vereint SEAGUARD wissenschaftliche Exzellenz mit praktischer Umweltanwendung. Die im Projekt entwickelten Modelle und Werkzeuge – darunter auch eine Web-App zur Visualisierung potenzieller Seegrasstandorte – sollen offen zugänglich gemacht werden und auch für andere Küstenregionen nutzbar sein. Das Interesse an den Ergebnissen ist bereits groß: Die Landesämter für Umwelt in Schleswig-Holstein und Mecklenburg-Vorpommern haben angekündigt, die künftig generierten Daten in ihre Umwelt- und Monitoringprogramme einzubinden. Auf diese Weise leistet SEAGUARD einen wichtigen Beitrag zur Umsetzung nationaler und europäischer Umweltstrategien.