Ein neues Tool zur Erkennung von Entwaldung

Jede Sekunde verliert der Planet eine Waldfläche in der Größe eines Fußballfeldes durch Abholzung, Brände, Insektenbefall, Krankheiten, Wind, Dürre und andere Faktoren. In einer kürzlich veröffentlichten Studie stellten Forscher des US Geological Survey Earth Resources Observation and Science (EROS) Center eine umfassende Strategie vor, um zu erkennen, wann und wo Waldstörungen in großem Maßstab auftreten, und um ein tieferes Verständnis der Waldveränderungen zu ermöglichen.

Die Studie wurde im veröffentlicht Zeitschrift für Fernerkundung.

„Unsere Strategie führt zu einer genaueren Kartierung und Aktualisierung der Landbedeckung“, sagte Suming Jin, ein Physiker am EROS Center.

Um das Gesamtbild einer sich verändernden Landschaft zu verstehen, stützen sich Wissenschaftler auf die National Land Cover Database, die Bilder von Erdbeobachtungssatelliten (Landsat) in Pixel-für-Pixel-Karten bestimmter Merkmale umwandelt. Zwischen 2001 und 2016 zeigte die Datenbank, dass fast die Hälfte der Landbedeckungsveränderungen in den angrenzenden Vereinigten Staaten bewaldete Gebiete betrafen.

„Um die Qualität der Landbedeckungs- und Landbedeckungsänderungsprodukte der National Land Cover Database sicherzustellen, ist es wichtig, den Ort und die Zeit von Waldstörungen genau zu ermitteln“, sagte Jin.

Jin und sein Team entwickelten eine Methode, um Waldstörungen pro Jahr zu erkennen. Der Ansatz kombiniert die Stärken eines Zeitreihenalgorithmus und einer Zwei-Daten-Erkennungsmethode, um die Effizienz, Flexibilität und Genauigkeit der operativen Kartierung großer Regionen zu verbessern. Die neue Technik ermöglicht unter anderem eine effektivere Waldbewirtschaftung und -politik.

Landsat-Daten werden aufgrund ihrer langen Geschichte, ihrer hohen räumlichen und radiometrischen Auflösung, ihrer kostenlosen und offenen Datenpolitik und ihrer Eignung zur Erstellung kontinentaler oder sogar globaler Mosaikbilder für verschiedene Jahreszeiten häufig zur Erkennung von Waldstörungen verwendet.

„Wir brauchen Algorithmen, die konsistente großregionale Waldstörungskarten erstellen können, um die Erstellung einer nationalen Landbedeckungsdatenbank für mehrere Epochen zu unterstützen“, sagte Jin. „Außerdem müssen diese Algorithmen skalierbar sein, damit wir Waldveränderungen über längere Zeiträume verfolgen können.“

Eine häufig verwendete Methode namens „Erkennung von Waldveränderungen über zwei Tage“ beinhaltet den Vergleich von Bildern aus zwei verschiedenen Daten, während der „Zeitreihenalgorithmus“ Beobachtungen für jährliche oder sogar monatliche Landsat-Zeitreihen liefern kann.

Im Allgemeinen sind Algorithmen zur Erkennung von Waldveränderungen mit zwei Daten flexibler als Zeitreihenmethoden und verwenden umfangreichere Spektralinformationen. Mit der 2-Daten-Methode können Änderungen zwischen Bildbändern, Indizes, Klassifizierungen und Kombinationen leicht ermittelt und somit Waldstörungen genauer erkannt werden. Die 2-Daten-Methode erkennt jedoch nur Änderungen für einen Zeitraum und erfordert in der Regel zusätzliche Informationen oder eine weitere Verarbeitung, um Waldänderungen von anderen Landbedeckungsänderungen zu trennen.

Andererseits können zeitreihenbasierte Algorithmen zur Erkennung von Waldveränderungen spektrale und langfristige zeitliche Informationen nutzen und Änderungen für mehrere Daten gleichzeitig erzeugen. Diese Methoden erfordern jedoch in der Regel, dass jeder Schritt des Zeitreihenalgorithmus erneut verarbeitet wird, wenn ein neues Datum hinzugefügt wird, was für kontinuierliche Überwachungsaktualisierungen umständlich sein und zu Inkonsistenzen führen kann.

In früheren Studien wurden Ensemble-Ansätze vorgeschlagen, um die Genauigkeit der Kartierung von Waldveränderungen zu verbessern, einschließlich „Stapelung“ oder Kombination der Ergebnisse verschiedener Kartierungsmethoden. Während das Stapeln die Auslassungs- und Provisionsfehlerquote reduziert, ist die Methode rechenintensiv und erfordert Referenzdaten für das Training.

Der Ansatz von Jin und seinem Team kombinierte die Stärken von Methoden zur Erkennung von 2-Datums-Änderungen und der Methode zur kontinuierlichen Zeitreihen-Änderungserkennung, die als Time-Series-Methode unter Verwendung des NSD-Index (Normalized Spectral Distance) (TSUN) bezeichnet wurde, um die operative Kartierung großer Regionen zu verbessern Effizienz, Flexibilität und Genauigkeit. Mit dieser Kombination erstellten die Forscher das NLCD 1986–2019-Waldstörungsprodukt, das für alle zwei bis drei Jahre das Datum der jüngsten Waldstörung zwischen den Jahren 1986 und 2019 zeigt.

„Der TSUN-Index erkennt mehrtägige Veränderungen der Waldlandbedeckung und lässt sich nachweislich problemlos auf ein neues Datum übertragen, selbst wenn neue Bilder auf andere Weise verarbeitet wurden als Bilder mit vorherigem Datum“, sagte Jin.

Das Forschungsteam plant, das Tool durch eine Erhöhung der Zeitfrequenz zu verbessern und ein jährliches Waldstörungsprodukt von 1986 bis heute zu erstellen.

„Unser oberstes Ziel ist es, automatisch Waldstörungskarten mit hoher Genauigkeit zu erstellen und Waldstörungen kontinuierlich zu überwachen, hoffentlich in Echtzeit“, sagte Jin.