Grasland aus dem All studieren

Grasland aus dem All studieren

Grasland aus dem All studieren

Die Karten zeigen Darstellungen des Grünlandbewirtschaftungsregimes und der jeweiligen Landnutzungsintensität auf Basis von Satellitendaten im Oberallgäuer Landkreis (Bayern) im Jahr 2018 auf einer Fläche von 10 km × 10 km. (a) Beweidungsklassen (0-3; geringe bis hohe Beweidungsintensität). (b) Mähhäufigkeit (0-4). (c) Befruchtung (ja/nein). (d) Land Use Intensity Index (LUI): Werte werden für Deutschland in fünf Klassen eingeteilt. Ihre Farben reichen von Grün (Heavy Duty) bis Magenta (Heavy Duty). 1 Kredit

Weitgehend genutzte Grünlandflächen unterstützen eine hohe Biodiversität und erfüllen als Kohlenstoffspeicher eine wichtige Klimaschutzfunktion und dienen auch der Futter- und Nahrungsmittelproduktion. Diese Ökosystemleistungen sind jedoch bedroht, wenn die Produktivität dieser Flächen maximiert und damit ihre Nutzung intensiviert wird. Daten zum Zustand der Wiesen und Weiden in Deutschland waren bisher nicht großflächig verfügbar. In der Rezension Umwelt-FernerkundungForscher des Helmholtz-Zentrums für Umweltforschung (UFZ) haben nun beschrieben, wie Satellitendaten und Methoden des maschinellen Lernens es ermöglichen, die Intensität der Landnutzung einzuschätzen.


Die Weltraummission Sentinel-2 begann mit dem Start des Erdbeobachtungssatelliten Sentinel-2A im Juni 2015 und Sentinel-2B wurde im März 2017 gestartet Kilometer und liefert im Rahmen des Copernicus-Programms der Europäischen Weltraumorganisation (ESA) Daten zB für den Klimaschutz und das Landmonitoring. Alle drei bis fünf Tage nehmen sie Bilder im sichtbaren und infraroten Bereich des elektromagnetischen Spektrums auf, die mit einer sehr hohen Auflösung von bis zu 10 Metern eine solide Grundlage für die Erkennung von Merkmalen wie Vegetationsveränderungen bieten.

Mit diesen frei zugänglichen Daten hat ein interdisziplinäres Forscherteam des Helmholtz-Zentrums für Umweltforschung (UFZ) die Landnutzungsintensität des deutschen Grünlandes für die Jahre 2017 und 2018 untersucht rund 4,7 Millionen Hektar und damit knapp 30 Prozent aller landwirtschaftlichen Flächen. „Wir brauchen mehr Informationen über die Landnutzungsintensität von Grasland, um die Stabilität und Funktionsweise unserer Ökosysteme besser zu verstehen. Je intensiver das Grasland genutzt wird, desto größer ist der Einfluss auf die Primärproduktion, den Stickstoffeintrag und die Widerstandsfähigkeit gegenüber dem Klimawandel.“ sagt Erstautor Dr. Maximilian Lange. Er ist Wissenschaftler am Lehrstuhl für Fernerkundung des UFZ, der Teil des gemeinsam vom UFZ und der Universität Leipzig gegründeten „Remote Sensing Center for Earth System Research“ ist.

Voraussetzung für den langfristigen Erhalt von Grünland ist eine zugrunde liegende Bewirtschaftung, beispielsweise durch Mähen oder Beweidung. Wenn sie ungenutzt bleiben, werden Bereiche mit Sträuchern überwuchert. Aber die Intensität der Grünlandbewirtschaftung ist entscheidend für ihre Fähigkeit, Ökosystemleistungen zu erbringen. Es sind jedoch keine deutschlandweiten öffentlich zugänglichen Daten darüber, wie Landwirte ihr Grünland bewirtschaften. Aus den Satellitendaten mit einer Auflösung von 20 Metern hat der UFZ-Wissenschaftler nun Rückschlüsse auf die Mahdhäufigkeit, die Beweidungsintensität von Rindern, Pferden, Schafen und Ziegen sowie die Düngung in Deutschland gezogen.

„Das Ausmaß dieser drei Managementarten ist entscheidend für die Nutzungsintensität“, sagt Lange. Er definierte Mahdhäufigkeitsklassen von 0 (ungemäht) bis 5 (fünfmal im Jahr gemäht) und errechnete die Beweidungsintensität von 0 bis 3 (stark beweidet) aus einer Mischung aus Anzahl, Art und Alter der Nutztiere. Bei der Befruchtung unterschied er zwischen befruchtet und unbefruchtet. Diese drei Kategorien kombinierte er zu einem Index, der die Bewirtschaftungsintensität einer Grünlandfläche von „extensiv“ bis „intensiv“ angibt.

Aus den multidimensionalen Daten, die die Forscher aus den Satellitenbildern gewonnen haben, leitete es mithilfe künstlicher Intelligenz (KI) Informationen über die drei Nutzungsparameter ab. „KI kann sehr effektiv Erkenntnisse aus Daten gewinnen, die für den Menschen zu komplex sind. Referenzdaten können verwendet werden, um maschinelle Lernalgorithmen zu trainieren, um Muster in den Satellitendaten zu erkennen, die wir dann auswerten und anwenden können, um Schlussfolgerungen für große Gebiete abzuleiten“, sagt er.

Die Basisdaten erhielt Lange aus Felddaten von drei von der Deutschen Forschungsgemeinschaft (DFG) geförderten Biodiversitätserkundungen in Hainich, Schorfheide und Schwäbische Alb. Dort werden seit 2006 verschiedene Versuche im Rahmen von Langzeitstudien auf Grünland bei unterschiedlicher Landnutzungsintensität durchgeführt. Diese Experimente untersuchen Themen wie die Auswirkungen der Landnutzung auf die Biodiversität und die Auswirkungen von Veränderungen in der Artenzusammensetzung auf Ökosystemprozesse.

Um zu beurteilen, wie gut maschinelles Lernen die tatsächliche Grünlandnutzung aus Satellitendaten erkennt, nutzte Lange zwei Algorithmen: Random Forest, ein Standardverfahren der Fernerkundung zur Klassifizierung der Landbedeckung, und CNN (Convolutional Neural Networks), ein Deep-Learning-Verfahren, das hauptsächlich in der Bildverarbeitung zum Einsatz kommt. . Das Ergebnis: „Beide Methoden bilden die Realität gut ab, die CNN-Methode ist etwas besser“, sagt er. Mit der CNN-Methode konnte der UFZ-Forscher die Daten aus dem Biodiversitätsexplorativ der DFG, die zwischen 66 und 85 Prozent (66 Prozent Beweidungsintensität, 68 Prozent Mahd, 85 Prozent Düngung) variierten, für das Beispiel 2018 annähern Random Forest Ergebnisse waren bei allen drei Parametern etwas niedriger.

Dies ist eine hohe Klassifikationsgenauigkeit für vergleichbare ökologische Fernerkundungsstudien, könnte aber weiter verbessert werden, wenn mehr Grünlandnutzungsdaten verfügbar wären. „Je mehr Daten verwendet werden können, um eine Deep-Learning-Methode zu trainieren, und je genauer diese Daten sind, desto genauer werden die Ergebnisse sein“, sagt Lange. In einem weiteren Schritt prüfte er die Plausibilität der Ergebnisse in vier Beispielregionen in Deutschland. Zwei dieser Regionen (Oberallgäu und Dithmarschen) sind für ihre intensive Grünlandnutzung bekannt, während eine nahe dem Biosphärenreservat Rhön nur mäßig und die andere, ein Naturschutzgebiet in Sachsen-Anhalt, nur intensiv genutzt wird. Auch dieser Vergleich ergab eine gute Übereinstimmung zwischen den auf Fernerkundung basierenden Ergebnissen und realen Daten.

Insgesamt stellte das UFZ-Team fest, dass Grünland in Deutschland 2018 weniger intensiv genutzt wurde als 2017. „Das liegt vor allem an der Dürre 2018 und dem damit einhergehenden Verlust der Grünlandproduktivität“, erklärt Dr. Daniel Doktor, Letztautor der Publikation und Leiter der UFZ-Arbeitsgruppe Landbedeckung & Dynamik. Berechnungen zeigen beispielsweise, dass 2018 64 % des Grünlandes nicht gemäht wurden, während dieser Wert 2017 nur 36 % betrug.

„Die Ergebnisse zeigen auch die deutschlandweiten Unterschiede in der Bewirtschaftung. In Regionen wie dem Allgäu oder Schleswig-Holstein ist die Bewirtschaftung oft sehr intensiv, während sie in Brandenburg oder Teilen Sachsens deutlich umfangreicher ist“, sagte er. Aber diese Einschätzung ist erst der Anfang. Um mit maschinellen Lernalgorithmen noch genauere Schlüsse ziehen zu können, werden genauere Managementdaten aus anderen Regionen Deutschlands benötigt.


Intensive Beweidung kann den Gewinn steigern und die Umwelt verbessern


Mehr Informationen:
Maximilian Lange et al, Kartierung der Grünlandnutzungsintensität in Deutschland mit maschinellem Lernen und Sentinel-2-Zeitreihen, Umwelt-Fernerkundung (2022). DOI: 10.1016/j.rse.2022.112888

Bereitgestellt von der Helmholtz-Gemeinschaft Deutscher Forschungszentren

Zitieren: Studying grassland from space (9. Juni 2022), abgerufen am 9. Juni 2022 von https://phys.org/news/2022-06-grassland-space.html

Dieses Dokument ist urheberrechtlich geschützt. Mit Ausnahme der fairen Verwendung für private Studien- oder Forschungszwecke darf kein Teil ohne schriftliche Genehmigung reproduziert werden. Der Inhalt dient nur zur Information.

Siehe auch  Langzeitstudie zu den Himalaya-Gletschern | EurêkAlert! Wissenschaftliche Nachrichten

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert