Mangroven sind für die Artenvielfalt, den Klimawandel und den Küstenschutz von entscheidender Bedeutung, sind jedoch durch den Klimawandel und menschliche Aktivitäten bedroht. Herkömmliche Überwachungsmethoden reichen nicht aus, um ihre komplexen Merkmale genau zu erfassen.
Die Integration fortschrittlicher Algorithmen des maschinellen Lernens mit Fernerkundungsdaten aus mehreren Quellen bietet eine vielversprechende Lösung. Angesichts dieser Herausforderungen ist es unerlässlich, eingehende Forschung zu betreiben, um präzisere und effektivere Techniken zur Klassifizierung von Mangrovenarten zu entwickeln, die die Bemühungen um Schutz und Wiederherstellung erheblich verbessern können.
Forscher der Chinesischen Akademie der Wissenschaften haben mithilfe eines XGBoost-Ensemble-Lernalgorithmus ein neuartiges Framework zur Klassifizierung von Mangrovenarten entwickelt. veröffentlicht im Zeitschrift für Fernerkundungam 6. Juni 2024. Die Studie, die Fernerkundungsdaten aus mehreren Quellen kombiniert, bietet einen deutlichen Sprung in der Präzision der Kartierung von Mangrovenarten.
Die Studie untersuchte das Zhanjiang Mangrove National Nature Reserve in China und verwendete dabei Daten der Satelliten WorldView-2, OrbitaHyperSpectral und ALOS-2. Die Forscher extrahierten 151 Fernerkundungsmerkmale und entwarfen 18 Klassifizierungsschemata zur Analyse der Daten. Durch die Kombination dieser Merkmale mit dem XGBoost-Algorithmus und der rekursiven Merkmalseliminierung erreichten sie eine beeindruckende Klassifizierungsgenauigkeit von 94,02 %.
Die Integration von multispektralen, hyperspektralen und Synthetic Aperture Radar-Daten erwies sich bei der Unterscheidung von sechs verschiedenen Mangrovenarten als äußerst effektiv. Dieser Ansatz zeigte, dass die kombinierten Datenquellen die Klassifizierungsergebnisse im Vergleich zu Daten aus einer einzigen Quelle deutlich verbesserten.
Die Studie unterstreicht das Potenzial moderner Fernerkundungstechniken und maschineller Lernalgorithmen zur Verbesserung der ökologischen Überwachung und Artenklassifizierung und bietet einen soliden Rahmen für künftige Forschungen und praktische Anwendungen im Bereich des Mangrovenschutzes.
Dr. Junjie Wang, korrespondierender Autor der Studie, betont die potenziellen Auswirkungen dieser Forschung und erklärt: „Unsere Erkenntnisse bringen nicht nur das Gebiet der Klassifizierung von Mangrovenarten voran, sondern tragen auch zu einer breiteren Anwendung von KI im ökologischen Naturschutz bei und bieten Umweltwissenschaftlern und politischen Entscheidungsträgern ein robustes Werkzeug.“
Die Anwendung dieses KI-Frameworks geht über die Klassifizierung von Arten hinaus und bietet Einblicke in die Gesundheit von Mangroven und die Dynamik von Ökosystemen sowie Hilfe bei der Bewertung von Degradierungs- und Wiederherstellungsbemühungen. Die Auswirkungen dieser Forschung sind weitreichend und unterstützen nachhaltige Entwicklungs- und Naturschutzinitiativen auf globaler Ebene.
Mehr Informationen:
Jianing Zhen et al., Leistung des XGBoost Ensemble-Lernalgorithmus für die Klassifizierung von Mangrovenarten mit Multisource-Daten aus der weltraumgestützten Fernerkundung, Zeitschrift für Fernerkundung (2024). DOI: 10.34133/remotesensing.0146