UFZ-Forscher entwickeln eine Methodik, mit der sie aus Satellitendaten dank Künstlicher Intelligenz bestimmen können, wie intensiv Wiesen und Weiden genutzt werden. Eine Pressemitteilung des Helmholtz-Zentrums für Umweltforschung (UFZ).
Quelle: Helmholtz-Zentrum für Umweltforschung (UFZ) 9. Juni 2022.
![](https://www.raumfahrer.net/wp-content/uploads/2021/01/pic20220609UFZ600.jpg)
9. Juni 2022 – Extensiv genutztes Grünland beherbergt eine hohe Artenvielfalt, übernimmt als Kohlenstoffspeicher eine wichtige Funktion für den Klimaschutz und ist Ort der Futter- und Nahrungsmittelproduktion. Diese Ökosystemleistungen sind jedoch gefährdet, wenn auf den Flächen die Produktivität gesteigert werden soll und deswegen die Nutzung intensiviert wird. Bislang fehlen über größere Flächen Angaben dazu, wie es um den Zustand der Wiesen und Weiden in Deutschland bestellt ist. Forscher des Helmholtz-Zentrums für Umweltforschung (UFZ) haben nun im Fachmagazin Remote Sensing of Environment beschrieben, wie man mittels Satellitendaten und dem Einsatz von Methoden des maschinellen Lernens die Landnutzungsintensität beurteilen kann.
Im Juni 2015 startete die Raumfahrtmission Sentinel-2 mit dem Erdbeobachtungssatellit Sentinel-2A, im März 2017 wurde Sentinel-2B auf die Reise geschickt. Seitdem kreisen die beiden Satelliten im Weltall in einer Höhe von fast 800 Kilometern und liefern als Teil des Copernicus-Programms der Europäischen Weltraumorganisation (ESA) unter anderem Daten für den Klimaschutz und die Landüberwachung. Alle drei bis fünf Tage machen sie Aufnahmen im sichtbaren und infraroten Bereich des elektromagnetischen Spektrums, die dank einer sehr hohen Auflösung von bis zu 10 Metern beste Voraussetzungen liefern, um zum Beispiel Veränderungen der Vegetation zu erkennen. Diese frei zugänglichen Daten nutzte ein interdisziplinäres Forscherteam des Helmholtz-Zentrums für Umweltforschung (UFZ), um daraus beispielhaft für die Jahre 2017 und 2018 zu untersuchen, wie intensiv in Deutschland Grünland genutzt wird – eine Fläche, die nach Angaben des Statistischen Bundesamts rund 4,7 Millionen Hektar und damit fast 30 Prozent der landwirtschaftlichen Nutzfläche ausmacht. “Wir brauchen mehr Informationen zur Landnutzungsintensität von Grünland, um die Stabilität und die Funktionsweise unserer Ökosysteme besser verstehen zu können. Je intensiver Grünland genutzt wird, umso stärker werden die Primärproduktion, der Stickstoffeintrag oder die Widerstandsfähigkeit gegenüber Klimaveränderungen beeinflusst”, sagt Erstautor Dr. Maximilian Lange. Er forscht als Wissenschaftler im UFZ-Department Remote Sensing, das in das gemeinsam von UFZ und Universität Leipzig betriebene “Remote Sensing Centre for Earth System Research” eingebettet ist.
Voraussetzung für den dauerhaften Erhalt des Grünlands ist dessen Nutzung. Fällt sie weg, verbuschen die Flächen. Doch wie intensiv das Management erfolgt, ist entscheidend dafür, wie gut Grünland Ökosystemleistungen erbringen kann. Es werden jedoch bundesweit keine Daten veröffentlicht, wie die Landwirte ihre Grünlandflächen bewirtschaften. Der UFZ-Wissenschaftler leitete nun für Deutschland aus den Satellitendaten mit einer Auflösung von 20 Metern flächendeckend Aussagen zur Mahdhäufigkeit, zur Intensität der Beweidung durch Rinder, Pferde, Schafe und Ziegen sowie zur Düngung ab. “Das Ausmaß dieser drei Managementarten entscheidet maßgeblich über die Nutzungsintensität”, sagt Maximilian Lange. Für die Mahdfrequenz definierte er Klassen von 0 (nicht gemäht) bis 5 (fünf Mal pro Jahr gemäht), aus einem Mix aus Anzahl, Art und Alter der Tiere errechnete er die Beweidungsintensität von 0 bis 3 (stark beweidet); bei der Düngung unterschied er zwischen gedüngt und nicht gedüngt. Diese drei Kategorien fasste er zu einem Index zusammen, der die Bewirtschaftungsintensität einer Grünlandfläche von “extensiv” bis “intensiv” wiedergibt.
Um aus der Menge an Messwerten, die die Forscher aus den Satellitenaufnahmen erhielten, Informationen zu den drei Nutzungsparametern herauszuziehen, setzte er auf die Künstliche Intelligenz (KI). “KI kann sehr effizient Informationen aus komplexen Daten gewinnen, die der Mensch nicht mehr erfassen kann. Algorithmen des maschinellen Lernens können mittels Referenzdaten Muster in den Satellitendaten erkennen, die wir dann auswerten und weiterverwenden können, um flächenhafte Aussagen zu treffen”, sagt er. Bei den Referenzdaten setzte Maximilian Lange auf Freilanddaten aus drei Biodiversitäts-Exploratorien, die die Deutsche Forschungsgemeinschaft (DFG) im Hainich, in der Schorfheide und der Schwäbischen Alb finanziert. Dort laufen seit 2006 im Rahmen von Langzeituntersuchungen auf unterschiedlich intensiv genutztem Grünland zahlreiche Experimente, die sich u.a. damit befassen, wie sich die Landnutzung auf die Biodiversität auswirkt und welche Effekte eine Veränderung der Artenzusammensetzung auf Ökosystemprozesse hat.
Um zu beurteilen, wie genau maschinelles Lernen aus den Satellitendaten die tatsächliche Grünlandnutzung erkennt, setzte Lange auf zwei Algorithmen: zum einen auf Random Forest, eine Standardmethode in der Fernerkundung zur Klassifizierung der Landbedeckung, zum anderen auf die Deep Learning-Methode CNN (Convolutional Neural Networks), die vor allem in der Bildverarbeitung eingesetzt wird. Das Ergebnis: “Beide Methoden bilden die Realität gut ab, die CNN-Methode sogar noch etwas besser”, sagt er. Mit der CNN-Methode erhielt der UFZ-Forscher eine Annäherung an die Daten aus den DFG-Biodiversitäts-Exploratorien, die zum Beispiel für das Jahr 2018 zwischen 66 und 85 Prozent betrug (Beweidungsintensität 66 Prozent, Mahdregime 68 Prozent, Düngemitteleinsatz 85 Prozent). Mit der Random Forest-Methode lagen die Zahlen bei allen drei Parametern etwas darunter. Für vergleichbare ökologische Fernerkundungsstudien ist dieser ermittelte Klassifikationsbereich ein hoher Wert, der aber noch gesteigert werden könnte, wenn mehr Praxisdaten zur Grünlandnutzung verfügbar wären. “Je mehr Daten man für das Trainieren einer Methode des Deep Learnings nutzen kann und je genauer diese Daten sind, umso präziser werden hinterher die Ergebnisse”, sagt Maximilian Lange. Um in einem weiteren Schritt die Plausibilität der Satellitendaten zu untersuchen, überprüfte er die Ergebnisse in vier exemplarischen Regionen in Deutschland. Zwei dieser Regionen (Oberallgäu, Dithmarschen) sind für ihre intensive Grünlandnutzung bekannt, während eine in der Nähe des Biosphärenreservats Rhön nur moderat und die andere als Naturschutzgebiet in Sachsen-Anhalt nur gering bewirtschaftet wird. Auch bei diesem Abgleich stimmten die Ergebnisse aus der Fernerkundung mit denen aus der Praxis überein.
Insgesamt fand das UFZ-Team für Deutschland heraus, dass das Grünland 2018 weniger intensiv genutzt wurde als im Jahr 2017. “Dies ist vor allem auf die Dürre im Jahr 2018 und den damit verbunden Produktivitätsverlust des Grünlands zurückzuführen”, sagt Dr. Daniel Doktor, Letztautor der Publikation und Leiter der Arbeitsgruppe Landbedeckung am UFZ. Den Berechnungen zufolge wurden beispielsweise im Jahr 2018 64 Prozent des Grünlands nicht gemäht, 2017 waren es nur 36 Prozent. “Die Ergebnisse zeigen auch, wie regional unterschiedlich Grünland in Deutschland genutzt wird. In Regionen wie dem Allgäu oder in Schleswig-Holstein ist die Pflege zum Teil sehr intensiv, in Brandenburg oder Teilen Sachsens dagegen deutlich extensiver”, bilanziert er. Diese Auswertung sei aber erst ein Anfang. Um mit den Algorithmen des maschinellen Lernens zu noch genaueren Aussagen zu kommen, sind präzisere Managementdaten aus weiteren Regionen Deutschlands nötig.
Weitere Informationen
Die Ergebnisse der Studie haben die UFZ-Forscher in einem Web-Service visualisiert. Die Deutschlandkarte zeigt in einer Auflösung von 20 Metern für die Jahre 2017 und 2018 die Zahl der Mahdereignisse, die Beweidungsintensität, den Einsatz von Dünger, sowie den Grad der Bewirtschaftungsintensität. Bewirtschaftungsintensität 2017/2018
Publikation
Maximilian Lange, Hannes Feilhauer, Ingolf Kühn, Daniel Doktor: Mapping land-use intensities of grasslands in Germany with machine learning and Sentinel-2 time series. Remote Sensing of Environment, 2022.
doi.org/10.1016/j.rse.2022.112888
https://www.sciencedirect.com/science/article/abs/pii/S0034425722000025
Diskutieren Sie mit im Raumcon-Forum: