Forscher erforschen neuen Ansatz zur Kartierung des Waldsterbens in Satellitenbildern

Wälder und Gehölze bedecken ein Drittel der Erdoberfläche und spielen eine entscheidende Rolle bei der Kohlenstoffbindung, der Wasserregulierung, der Holzproduktion, dem Bodenschutz und der Erhaltung der Artenvielfalt. Der durch den Klimawandel beschleunigte Rückgang dieser und anderer wichtiger Ökosystemleistungen der Wälder wird durch verschiedene biotische und abiotische Störungen verursacht. Unter anderem können Insektenbefall und Krankheitsausbrüche ein massives Baumsterben auslösen und die Dynamik des Ökosystems erheblich stören.

Die Waldüberwachung ist von entscheidender Bedeutung, um solche Ereignisse zu überwachen, zu quantifizieren und möglicherweise zu verhindern. Die meisten gängigen Strategien basieren jedoch hauptsächlich auf mühsamen und zeitaufwändigen Felduntersuchungen, wodurch die geografische Abdeckung eingeschränkt und großflächige Analysen über riesige Gebiete hinweg verhindert werden.

Andererseits stellen die großen Mengen an Fernerkundungsdaten, die bei Erdbeobachtungsmissionen gesammelt werden, eine beispiellose Gelegenheit dar, die Beurteilung und Überwachung des Waldsterbens über große Flächen auszuweiten.

In einer Studie veröffentlicht im Zeitschrift für intelligente Informationssystemeuntersuchen Forscher der Universität Bary Aldo Moro, Italien, und Mitarbeiter die Leistung eines datenzentrierten semantischen Segmentierungsansatzes zur Erkennung von Waldsterben aufgrund von Borkenkäferbefall in Satellitenbildern.

Ihr Ansatz mit dem Namen DIAMANTE (Data-centrIc semAntic segMentation to map iNfestations in saTellite imagEs) trainiert ein U-Net-ähnliches Modell anhand eines gekennzeichneten Fernerkundungsdatensatzes, der unter Verwendung der SAR-Daten von Copernicus Sentinel-1 und der multispektralen optischen Daten von Sentinel-2 erstellt wurde.

Die Autoren beurteilten die Wirksamkeit ihres Ansatzes anhand einer im Oktober 2018 durchgeführten Fallstudie zur realen Bestandsaufnahme nicht überlappender Waldgebiete im Nordosten Frankreichs. In diesen Gebieten gibt es Hotspots mit Borkenkäferbefall unterschiedlicher Größe, die auf die Massenvermehrung der Borkenkäfer in diesem Jahr zurückzuführen sind.

Ihre Ergebnisse unterstreichen die allgemeinen Vorteile der Verwendung von Multisensordaten gegenüber einer einzigen Datenquelle in verschiedenen Szenarien der Borkenkäfererkennung, einschließlich der Früherkennung von Krankheiten und der zeitlichen Übertragung außerhalb des Jahres. Während Sentinel-1 allein für die betrachtete nachgelagerte Kartierungsaufgabe nicht geeignet ist, führt die Verwendung von Sentinel-2 allein zu zufriedenstellenden Ergebnissen. Darüber hinaus reduziert ihre kombinierte Verwendung Fehlalarme erheblich und verbessert die Abgrenzung befallener Gebiete in den resultierenden binären Karten.

Insbesondere Anzeichen eines Borkenkäferbefalls konnten bereits einen Monat vor der Erfassung der Ground-Truth-Daten mit angemessener Genauigkeit erkannt werden. Die frühen Stadien der Krankheit sind auf Satellitenbildern jedoch nur schwach erkennbar.

Daher besteht noch Raum für Forschungsaktivitäten hinsichtlich der Nutzung historischer Daten für die zeitliche und räumliche Übertragbarkeit, d. h. der direkten Anwendung eines für ein bestimmtes Gebiet oder einen bestimmten Zeitraum trainierten Modells auf ein anderes Gebiet oder einen anderen Zeitraum.