Identification of alpine pasture land use intensity using embedding-based machine learning
MSc Internship report on the Development of Alpine Pasture Farming
Mensink Eva, BSc
Preface
The work was produced by Eva Mensink. In fulfilment of her Master's in Geo-information Science & Remote Sensing at Wageningen University, she completed an internship at the Federal Institute for Agricultural Economics and Mountain Areas (BAB). The internship consisted of a period of four months, starting in May of 2026. During the internship, Mensink worked in the office in Vienna. Under the supervision of Gabriel Zeglovits, who works at the BAB as a GIS software engineer.
The internship was within the project of ‘Development of Alpine Pasture Farming with a special focus on Land Abandonment’. The project started in January of 2025 and is expected to continue until June of 2028, and is led by Daria Ernst. The project consists of a mixed-methods approach to create a sound basis and develop regionally adapted recommendations for policy and practise.
The internship contributed to a spatio-temporal analysis of alpine pasture development. In this report, remote sensing and machine learning techniques are utilised to classify land use intensity in alpine pastures.
Brief Summary
Alpine pastures have been managed for centuries and are a vital part of mountainous areas in Austria. Contributing to the economy & biodiversity, providing ecosystem services, and serving socio-cultural values. Due to changing conditions, alpine pastures are facing pressure from land abandonment and extensification. To improve knowledge about regional differences and land use change, a spatio-temporal analysis of land use needs to be conducted. This research aimed to lay out a foundation for a change analysis. This work presents a machine learning workflow which classifies land use intensity within alpine pastures. INVEKOS data about areas eligible for direct payments is combined with Tes-sera foundation model embeddings. The XGBoost algorithm was applied to alpine pasture data in Austria in 2022. Yielding a macro F1-score of 0.90 on the test set. Application of the model on a larg-er set of pasture areas showed that the model distinguished medium and high vegetation well, while a lesser performance was observed in areas with low vegetation and bare soil. This work presents a classification that will serve as input for change detection. This research highlights the potential for using embedding-based machine learning to distinguish land use/land cover within alpine pastures.
Keywords: GIS, Remote Sensing, Machine Learning, TESSERA, Alpine pastures, Mountain farming;
Ermittlung der Nutzungsintensität von Almwirtschaft mithilfe von Embedding-basiertem Machine Learning
MSc Praktikumsbericht | Entwicklung der Almwirtschaft
Vorwort
Die vorliegende Arbeit wurde von Eva Mensink verfasst. Im Rahmen ihres Masterstudiums in Geoin-formationswissenschaften und Fernerkundung an der Universität Wageningen absolvierte sie ein Praktikum bei der Bundesanstalt für Agrarwirtschaft und Bergbauernfragen (BAB). Das Praktikum erstreckte sich über einen Zeitraum von vier Monaten und begann im Mai 2026. Während des Prakti-kums arbeitete Mensink in Wien unter der Betreuung von Gabriel Zeglovits, der an der BAB als GIS-Softwareingenieur tätig ist.
Das Praktikum fand im Rahmen des Projekts „Entwicklung der Alpwirtschaft mit besonderem Fokus auf Landaufgabe“ statt. Das Projekt begann im Januar 2025 und wird voraussichtlich bis Juni 2028 laufen; geleitet wird es von Daria Ernst. Das Projekt verfolgt einen Mixed-Methods-Ansatz, um eine solide Grundlage zu schaffen und regional angepasste Empfehlungen für Politik und Praxis zu entwi-ckeln.
Das Praktikum trug zu einer räumlich-zeitlichen Analyse der Entwicklung der Almwirtschaft bei. In diesem Bericht werden Fernerkundungs- und Machine-Learning-Verfahren eingesetzt, um die Land-nutzungsintensität auf Almweiden zu klassifizieren .
Kurzzusammenfassung
Almweiden werden seit Jahrhunderten bewirtschaftet und sind ein wesentlicher Bestandteil der Bergregionen in Österreich. Sie tragen zur Wirtschaft und Biodiversität bei, erbringen Ökosystem-leistungen und dienen soziokulturellen Werten. Aufgrund sich verändernder Bedingungen sind Almweiden dem Druck durch Flächenaufgabe und Extensivierung ausgesetzt. Um das Wissen über regionale Unterschiede und Landnutzungsänderungen zu verbessern, muss eine räumlich-zeitliche Analyse der Landnutzung durchgeführt werden. Ziel dieser Forschung war es, eine Grundlage für eine Veränderungsanalyse zu schaffen. In dieser Arbeit wird ein Workflow des maschinellen Lernens vorgestellt, der die Landnutzungsintensität auf Almweiden klassifiziert. INVEKOS-Daten zu Flächen, die für Direktzahlungen in Frage kommen, werden mit Einbettungen des Tessera-Basismodells kom-biniert. Der XGBoost-Algorithmus wurde im Jahr 2022 auf Daten zu Almweiden in Österreich ange-wendet. Dabei wurde im Testdatensatz ein Makro-F1-Score von 0,90 erzielt. Die Anwendung des Modells auf einen größeren Datensatz von Weideflächen zeigte, dass das Modell mittlere und hohe Vegetation gut unterscheiden konnte, während in Gebieten mit geringer Vegetation und offenen Böden eine geringere Leistung zu beobachten war. Diese Arbeit präsentiert eine Klassifizierung, die als Grundlage für die Erkennung von Veränderungen dienen wird. Diese Forschung unterstreicht das Potenzial des Einsatzes von einbettungsbasiertem maschinellem Lernen zur Unterscheidung von Landnutzung und Bodenbedeckung auf alpinen Weiden.
Schlagworte: GIS, Fernerkundung, Maschinelles Lernen, TESSERA, Almen, Almwirtschaft;
