Grünland aus dem All studieren

Extensiv genutztes Grünland beherbergt ein hohes Maß an Biodiversität, erfüllt als Kohlenstoffsenke eine wichtige Klimaschutzfunktion und dient auch der Futter- und Nahrungsmittelproduktion. Diese Ökosystemleistungen sind jedoch gefährdet, wenn die Produktivität auf diesen Flächen maximiert und ihre Nutzung daher intensiviert wird. Daten zum Zustand der Wiesen und Weiden in Deutschland liegen bisher für größere Flächen nicht vor. Im Tagebuch Fernerkundung der Umwelthaben Forscher des Helmholtz-Zentrums für Umweltforschung (UFZ) nun beschrieben, wie Satellitendaten und Methoden des maschinellen Lernens es ermöglichen, die Landnutzungsintensität abzuschätzen.

Die Weltraummission Sentinel-2 begann mit dem Start des Erdbeobachtungssatelliten Sentinel-2A im Juni 2015 und Sentinel-2B wurde im März 2017 gestartet. Seitdem kreisen diese beiden Satelliten in einer Höhe von fast 800 Kilometern und im Weltraum , die im Rahmen des Copernicus-Programms der Europäischen Weltraumorganisation (ESA) Daten zum Beispiel für den Klimaschutz und das Landmonitoring liefert. 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 deutscher Grünlandflächen für die Jahre 2017 und 2018 untersucht 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 Grünland genutzt wird, desto größer ist der Einfluss auf die Primärproduktion, die Stickstoffeinträge und die Widerstandsfähigkeit gegenüber Klimaänderungen“, sagt die Wissenschaftlerin Erstautor Dr. Maximilian Lange. Er ist Wissenschaftler im UFZ-Department Fernerkundung, das in das vom UFZ und der Universität Leipzig gemeinsam gegründete „Remote Sensing Center for Earth System Research“ eingebettet ist.

Voraussetzung für den langfristigen Erhalt von Grünland ist eine zugrunde liegende Bewirtschaftung, zB durch Mähen oder Beweidung. Bleiben sie ungenutzt, kommt es zu Verbuschung der Flächen. 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 abgeleitet.

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

Aus den mehrdimensionalen Daten, die die Forscher aus den Satellitenbildern gewonnen haben, leitete er mithilfe künstlicher Intelligenz (KI) Informationen zu den drei Nutzungsparametern ab. „KI kann sehr effizient Informationen aus Daten ableiten, die für Menschen zu komplex sind, um sie zu verstehen. 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 zu ziehen.“ er sagt.

Die Referenzdaten hat Lange aus den Felddaten von drei von der Deutschen Forschungsgemeinschaft (DFG) geförderten Biodiversitäts-Exploratorien in Hainich, Schorfheide und der Schwäbischen Alb gewonnen. Dort laufen seit 2006 verschiedene Experimente 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 nutzte zwei Algorithmen, um auszuwerten, wie genau maschinelles Lernen die tatsächliche Grünlandnutzung aus den Satellitendaten erkennt: Random Forest, ein Standard-Fernerkundungsverfahren zur Klassifizierung der Landbedeckung, und CNN (Convolutional Neural Networks), ein Deep-Learning-Verfahren, das vor allem 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 den DFG-Biodiversitäts-Exploratorien, die zwischen 66 und 85 Prozent lagen (Beweidungsintensität 66 Prozent, Mahd 68 Prozent, Düngung 85 Prozent), für das Beispiel 2018 annähern. Random Forest basierende Ergebnisse waren für alle drei Parameter etwas niedriger.

Dies ist für vergleichbare ökologische Fernerkundungsstudien eine hohe Klassifikationsgenauigkeit, die jedoch noch weiter verbessert werden könnte, wenn mehr Daten zur Grünlandnutzung verfügbar wären. „Je mehr Daten verwendet werden können, um eine Deep-Learning-Methode zu trainieren, und je genauer diese Daten sind, desto präziser werden die Ergebnisse“, 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 in der Nähe des Biosphärenreservats Rhön nur mäßig und die andere, ein Naturschutzgebiet in Sachsen-Anhalt, nur extensiv genutzt wird. Dieser Vergleich ergab auch eine gute Übereinstimmung zwischen den Fernerkundungsergebnissen und den tatsächlichen Daten.

Insgesamt stellte das UFZ-Team fest, dass Grünland 2018 in Deutschland weniger intensiv genutzt wurde als 2017. „Dies ist vor allem auf die Trockenheit 2018 und den damit einhergehenden Verlust der Grünlandproduktivität zurückzuführen“, sagt Dr. Daniel Doktor, Letztautor der Publikation und Leiter der UFZ-Arbeitsgruppe Landbedeckung & Dynamik. So zeigen die Berechnungen beispielsweise, dass im Jahr 2018 64 Prozent des Grünlandes nicht gemäht wurden, während dieser Wert im Jahr 2017 nur bei 36 Prozent lag.

„Die Ergebnisse zeigen auch die deutschlandweiten Bewirtschaftungsunterschiede. In Regionen wie dem Allgäu oder Schleswig-Holstein ist die Bewirtschaftung oft sehr intensiv, während sie in Brandenburg oder Teilen Sachsens weitaus umfangreicher ist“, sagt er. Aber diese Bewertung ist nur der Anfang. Genauere Managementdaten aus weiteren Regionen Deutschlands werden benötigt, um mit den Machine-Learning-Algorithmen noch präzisere Rückschlüsse ziehen zu können.