Ansatz zur Fernerkundungsdatenfusion zur Überwachung von Walddegradierung: Eine neue Studie

Angesichts des globalen Klimawandels und zunehmender menschlicher Aktivitäten sind Wälder weltweit durch verschiedene Schädlinge, Krankheitserreger und Krankheiten bedroht. Diese Bedrohungen beeinträchtigen die Gesundheit, Widerstandsfähigkeit und Produktivität sowohl natürlicher Wälder als auch von Forstplantagen.

Um diese Probleme wirksam zu bewältigen, sind Früherkennung und frühzeitiges Eingreifen erforderlich, was in großen Gebieten eine Herausforderung darstellt. Forscher haben die Bedeutung dessen erkannt und neue Technologien auf Basis von Erdbeobachtungsdaten entwickelt, um die Walddegradation zu überwachen und zu steuern.

Eine aktuelle Studie stellt einen maschinellen Lernansatz zur Identifizierung geschädigter Wälder vor. Dieser Ansatz nutzt frei verfügbare Fernerkundungsbilder des Sentinel-2-Satelliten, ergänzt durch Daten von Google Earth. Er konzentriert sich insbesondere auf boreale Wälder, die vom Borkenkäfer Polygraphus proximus Blandford befallen sind.

Die Studie nutzte eine Kombination aus Fernerkundungsbildern und Algorithmen des maschinellen Lernens, um Waldschäden zu erkennen und zu bewerten. Hier eine kurze Zusammenfassung der Methodik und der Ergebnisse:

• Bildannotation und Algorithmenentwicklung: Die Forscher begannen damit, Bilder in Kanälen zu annotieren, die der natürlichen Farbwahrnehmung (Rot, Grün und Blau) entsprechen und auf Google Earth verfügbar sind. Anschließend wandten sie tiefe neuronale Netze in zwei Problemstellungen an: semantische Segmentierung und Objekterkennung.
• Experimentelle Ergebnisse: Mithilfe ihrer Experimente entwickelten die Forscher ein Modell, das Veränderungen an Zielobjekten quantitativ und mit hoher Genauigkeit erfasst. Das Modell erreichte einen F1-Wert von 84,56% und konnte so die Anzahl beschädigter Bäume sowie die Fläche abgestorbener Bestände präzise bestimmen.
• Integration mit Sentinel-2-Bildern: Die aus den hochauflösenden Bildern gewonnenen Schadensmasken wurden mit mittelauflösenden Sentinel-2-Bildern integriert. Durch diese Integration wurde eine Genauigkeit von 81,261 TP3T erreicht, wodurch sich die Lösung für operative Überwachungssysteme eignet. Diese Weiterentwicklung bietet eine schnelle und kostengünstige Methode zur Erkennung geschädigter Wälder in der Region.
• Einzigartiger annotierter Datensatz: Darüber hinaus erstellten die Forscher einen einzigartigen, annotierten Datensatz, um die vom Polygraphenkäfer geschädigten Waldgebiete im Untersuchungsgebiet zu identifizieren. Dieser Datensatz ist für zukünftige Forschungs- und Überwachungsmaßnahmen von unschätzbarem Wert.

Die Früherkennung und Quantifizierung von Waldschäden mithilfe dieses Fernerkundungsdatenfusionsverfahrens birgt großes Potenzial für Strategien zur Waldbewirtschaftung und zum Waldschutz. Durch die Ermöglichung rechtzeitigen Handelns können solche Technologien dazu beitragen, die Ausbreitung von Schäden einzudämmen und nachhaltige Waldbewirtschaftungsmethoden zu unterstützen.

Obwohl die vollständige Studie zu dieser Forschung noch nicht veröffentlicht wurde, verdeutlicht diese erste Zusammenfassung das Potenzial der Integration von Fernerkundungsdaten mit fortschrittlichen Verfahren des maschinellen Lernens, um das drängende Problem der Walddegradation anzugehen. Mit der Weiterentwicklung dieser Technologien werden sie eine entscheidende Rolle beim Schutz unserer Wälder vor den zunehmenden Bedrohungen durch Klimawandel und menschliche Aktivitäten spielen.

Seien Sie gespannt auf die vollständige Veröffentlichung dieser bahnbrechenden Forschung, die zweifellos weitere Erkenntnisse und Anwendungsmöglichkeiten im Bereich der Forstwirtschaft bieten wird.

Quelle: https://www.frontiersin.org/journals/environmental-science/articles/10.3389/fenvs.2024.1412870/abstract