Nutzung von Satellitendaten und künstlicher Intelligenz zur Bestimmung der Landnutzungsintensität auf Wiesen und Weiden – ScienceDaily

Die Weltraummission Sentinel-2 begann mit dem Start des Erdbeobachtungssatelliten Sentinel-2A im Juni 2015 und dem Start von Sentinel-2B im März 2017. Seitdem umkreisen diese beiden Satelliten in einer Höhe von fast 800 km und wie Teil des Copernicus-Programms der Europäischen Union (ESA) der Weltraumagentur, das Daten zum Beispiel zum Klimaschutz und zur Erdbeobachtung bereitstellt. 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 starke Grundlage für die Erkennung von Merkmalen wie Veränderungen in der Vegetation bieten. Ein interdisziplinäres Forscherteam des Helmholtz-Zentrums für Umweltforschung (UFZ) hat anhand dieser frei zugänglichen Daten die Landnutzungsintensität des deutschen Grünlands für die Jahre 2017 und 2018 untersucht.

Dieses Grünland umfasst laut Statistischem Bundesamt eine Fläche von rund 4,7 Millionen Hektar und damit fast 30 Prozent der gesamten landwirtschaftlichen Nutzfläche. „Wir brauchen mehr Informationen über die Landnutzungsintensität von Grünland, um die Stabilität und Funktionsweise unserer Ökosysteme besser zu verstehen. Je intensiver die Grünlandnutzung ist, desto größer sind die Auswirkungen auf die Primärproduktion, den Stickstoffeintrag und die Anpassungsfähigkeit an Klimaveränderungen“, sagt Dr Erstautor Dr.Maximilian Lang. Er ist Wissenschaftler im UFZ-Bereich Fernerkundung, einem integralen Bestandteil des gemeinsam mit dem UFZ und der Universität Leipzig gegründeten „Remote Sensing Center for Earth System Research“.

Voraussetzung für eine langfristige Grünlanderhaltung ist eine grundlegende Bewirtschaftung, wie z. B. Mähen oder Beweidung. Wenn sie ungenutzt bleiben, kommt es in den Bereichen zu Buschkriechen. Aber die Intensität der Grünlandbewirtschaftung ist entscheidend für ihre Fähigkeit, Ökosystemleistungen zu erbringen. Allerdings gibt es bundesweit keine öffentlich zugänglichen Daten darüber, wie Landwirte ihr Grünland bewirtschaften. Aus Satellitendaten mit einer Auflösung von bis zu 20 Metern hat der UFZ-Wissenschaftler nun Rückschlüsse auf die Scherhäufigkeit, die Beweidungsintensität von Rindern, Pferden, Schafen und Ziegen sowie die Düngung in Deutschland gezogen. „Der Umfang dieser drei Verabreichungsarten ist entscheidend für die Nutzungsintensität“, sagt Lange. Wählen Sie Mähhäufigkeitsklassen von 0 (ungemäht) bis 5 (fünfmal pro Jahr scheren) und berechnen Sie die Beweidungsintensität von 0 bis 3 (starke Beweidung) aus einer Kombination von Viehbestand, Art und Alter. Bei der Befruchtung unterscheidet man zwischen befruchtet und unbefruchtet. Er kombinierte diese drei Kategorien, um einen Indikator für die Intensität der Bewirtschaftung einer Rasenfläche abzuleiten, der von „breit“ bis „intensiv“ reicht.

Verwenden Sie künstliche Intelligenz (KI), um Informationen zu den drei Nutzungsparametern zu extrahieren, basierend auf multidimensionalen Daten, die Forscher aus Satellitenbildern gewonnen haben. „Künstliche Intelligenz kann sehr effizient Informationen aus Daten extrahieren, die für Menschen schwer verständlich sind. Die Referenzdaten können verwendet werden, um maschinelle Lernalgorithmen zu trainieren, um Muster in Satellitendaten zu erkennen, die wir dann auswerten und anwenden können, um Schlussfolgerungen für große Regionen zu ziehen.“ er sagt. Die Referenzdaten hat Lange aus Felddaten für drei von der Deutschen Forschungsgemeinschaft (DFG) geförderte Biodiversitätsforscher in Hainich, Schorfheide und Schwäbische Alb gewonnen. Dort laufen seit 2006 verschiedene Versuche in Langzeitstudien auf Grünland mit unterschiedlicher Landnutzungsintensität. Diese Experimente untersuchen Themen wie die Auswirkungen der Landnutzung auf die Biodiversität und die Auswirkungen von Veränderungen in der Artenzusammensetzung auf Ökosystemprozesse.

Lange verwendete zwei Algorithmen, um die Genauigkeit der maschinellen Erkennung der tatsächlichen Grünlandnutzung aus Satellitendaten zu bewerten: Random Forest, ein Standard-Fernerkundungsverfahren zur Landbedeckungsklassifizierung, und CNN (Convolutional Neural Networks), ein Deep-Learning-Verfahren, das hauptsächlich in der Bildverarbeitung eingesetzt wird. 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 Daten der DFG B Biodiversität annähern, die von 66 bis 85 Prozent (Weidedichte 66 Prozent, Scherregime 68 Prozent, Düngung 85 Prozent) für ein Beispiel 2018 reichten. Random forest-based Die Ergebnisse waren für alle drei Parameter etwas niedriger. Dies ist für vergleichbare ökologische Fernerkundungsstudien eine hohe Klassifikationsgenauigkeit, könnte aber noch verbessert werden, wenn mehr Daten zur Grünlandnutzung verfügbar würden. „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 Modellregionen in Deutschland. Zwei dieser Gebiete (Oberallgäu und Dithmarschen) sind für ihre extensive Grünlandnutzung bekannt, während eines in der Nähe des Biosphärenreservats Rhön mäßig und das andere, ein Naturschutzgebiet in Sachsen-Anhalt, nur extensiv genutzt wird. Auch dieser Vergleich ergab eine gute Übereinstimmung zwischen den auf der Fernerkundung basierenden Ergebnissen und den tatsächlichen Daten.

Insgesamt stellte das UFZ-Team fest, dass das Grünland 2018 in Deutschland weniger intensiv genutzt wurde als 2017. „Das liegt vor allem an der Dürre 2018 und dem damit einhergehenden Rückgang der Grünlandproduktivität“, sagt Dr. Daniel Doctor, jüngster Autor der Publikation und Vorsitzender der Arbeitsgruppe Landbedeckung und UFZ-Dynamik. So zeigen Berechnungen beispielsweise, dass 2018 64 Prozent des Grünlandes nicht abgeholzt wurden, 2017 waren es nur 36 Prozent.“ Die Ergebnisse zeigen auch deutschlandweit Bewirtschaftungsunterschiede: In Gebieten wie dem Allgäu oder Schleswig-Holstein ist die Bewirtschaftung oft sehr intensiv. Holstein. , während sie in Brandenburg oder Teilen Sachsens ausgedehnter ist.“ Aber diese Einschätzung ist nur der Anfang. Genauere Bewirtschaftungsdaten aus anderen Regionen Deutschlands werden benötigt, um mittels maschineller Lernalgorithmen genauere Rückschlüsse ziehen zu können.