Obwohl das Pflanzen von Bäumen wie eine einfache Lösung zur Bekämpfung des Klimawandels erscheint, greifen gepflanzte Wälder oft in natürliche Wälder, Feuchtgebiete und Grasland ein. Dies kann die Artenvielfalt verringern, die natürliche Umwelt beeinträchtigen und den Kohlenstoff- und Wasserkreislauf stören.
Obwohl die globale Waldfläche zugenommen hat, ist unklar, ob dieser Wald das Ergebnis der Regeneration und des Wachstums natürlicher Wälder oder der Anpflanzung neuer Bäume ist. Eine genaue Kartierung dieser Wälder mittels Fernerkundungstechnologie könnte sich als nützlich erweisen.
Allerdings gibt es keine umfassenden Karten von Pflanzwäldern und Naturwäldern, obwohl es auf Satellitenbildern möglich ist, Pflanzwälder und Naturwälder anhand ihrer Eigenschaften zu unterscheiden.
Eine am 21. August in der veröffentlichten Studie Fernerkundungsjournal präsentierte einen innovativen Ansatz zur automatischen Generierung von Trainingsmustern, sodass natürliche Wälder und bepflanzte Wälder mit einer räumlichen Auflösung von 30 m genau kartiert werden können.
„Die genaue Kartierung der globalen Verteilung natürlicher und bepflanzter Wälder mit feiner räumlicher Auflösung ist eine Herausforderung, aber sie ist entscheidend für das Verständnis und die Linderung von Umweltproblemen wie Kohlenstoffbindung und Verlust der biologischen Vielfalt“, sagte Yuelong Xiao, Doktorandin am College of Surveying and Geoinformatik, Tongji-Universität, Shanghai, China.
„Herkömmlichen Methoden mangelt es oft an ausreichenden Trainingsproben, was die Genauigkeit und Auflösung globaler Waldkarten beeinträchtigt. Unsere Studie stellt einen neuartigen Ansatz zur Überwindung dieser Einschränkung vor, indem durch die Zeitreihenanalyse von Landsat-Bildern umfangreiche Trainingsstichproben generiert werden. »
Die Forscher verwendeten Daten aus mehreren verschiedenen Kartierungssystemen. Die Hauptquellen waren Google Earth Engine Landsat-Bilder von 1985 bis 2021, vorverarbeitet vom US Geological Survey, und Sentinel-1-Satellitenbilder von 2021.
Sie nutzten auch die Landbedeckungskarten 2021 der Europäischen Weltraumorganisation, genannt WorldCover2021, und Daten des globalen digitalen Oberflächenmodells ALOS. Um rechnerische Einschränkungen zu umgehen, teilten die Forscher den Globus in kleine Kacheln auf, was zu 57.559 Kacheln führte, die den gesamten Globus abdeckten, und 70 Millionen Trainingsbeispiele.
Um zwischen etablierten Naturwäldern und bepflanzten Wäldern zu unterscheiden, verwendeten die Forscher einen Wert namens Störungshäufigkeit. Natürliche Wälder sind stabiler und neigen weniger dazu, ihre Größe abhängig von externen Faktoren zu verändern.
Im Vergleich dazu ist die Wahrscheinlichkeit, dass gepflanzte Wälder durch Wiederaufforstung oder Entwaldung sowie andere natürliche oder vom Menschen verursachte Veränderungen beeinträchtigt werden, größer. Durch die Verfolgung der Störungshäufigkeit eines Waldgebiets auf einem Satellitenbild ist es möglich, natürliche Wälder und gepflanzte Wälder zu identifizieren.
Bepflanzte Wälder wurden als Pixel mit einer Störungshäufigkeit von mehr als drei betrachtet. Der Wert wurde basierend auf der Anzahl störender Ereignisse, wie z. B. Pflanzereignissen, und der Zuverlässigkeit der Trainingsbeispiele berechnet. In den Naturwäldern kam es zu keinen störenden Ereignissen. Die Forscher berücksichtigten auch, dass alle ihre Bilder aus dem Jahr 1985 und später stammten.
Um gepflanzte Wälder zu berücksichtigen, die möglicherweise älter als 1985 sind, verwendeten sie andere Merkmale, um zwischen natürlichen und gepflanzten Wäldern zu unterscheiden. Um schließlich die Genauigkeit ihres Trainingsmodells zu bestimmen, verglichen die Forscher ihre Karten von Naturwäldern und bepflanzten Wäldern mit denen aus anderen Studien.
Die Forschung zeigte, dass eine weniger arbeitsintensive Kartierungsmethode mit selbst generierten Trainingsproben zur Unterscheidung zwischen natürlichen und bepflanzten Wäldern möglich ist.
„Diese Methode zur genauen Kartierung natürlicher und bepflanzter Wälder weltweit mit einer Auflösung von 30 Metern ist zuverlässig und die erstellten Karten- und Trainingsproben stellen eine wertvolle Ressource für zukünftige Forschungs- und Waldbewirtschaftungsumgebungen dar und tragen zu den Bemühungen zur Bekämpfung des Klimawandels bei“, sagte Xiao.
In Zukunft hoffen die Forscher, das Kartierungssystem verbessern zu können.
„Wir werden dann die generierten Trainingsbeispiele und Kartierungsmethoden nutzen, um die globale Karte der natürlichen und bepflanzten Wälder regelmäßig zu aktualisieren und zu verfeinern.“ Unser oberstes Ziel ist es, die Genauigkeit und Auflösung von Waldkarten auf der ganzen Welt zu verbessern und wichtige Daten für politische Entscheidungsträger und Forscher bereitzustellen“, sagte Xiao.
Weitere Mitwirkende sind Qunming Wang von der Tongji-Universität in Shanghai, China, und Hankui K. Zhang von der South Dakota State University in Brookings, South Dakota.
Weitere Informationen:
Yuelong Xiao et al., Globale Kartierung natürlicher und bepflanzter Wälder mit einer feinen räumlichen Auflösung von 30 m, Fernerkundungsjournal (2024). DOI: 10.34133/remotesensing.0204
Bereitgestellt vom Journal of Remote Sensing
Zitat: Forscher nutzen ein Trainingsmodell, um bepflanzte und natürliche Wälder per Satellitenbild zu kartieren (2024, 16. September), abgerufen am 16. September 2024 von https://phys.org/news/2024-09-natural-forests-satellite -image.html
Dieses Dokument unterliegt dem Urheberrecht. Mit Ausnahme der fairen Nutzung für private Studien- oder Forschungszwecke darf kein Teil ohne schriftliche Genehmigung reproduziert werden. Der Inhalt dient ausschließlich Informationszwecken.