Identifikation af landdækning fra det ydre rum:Maskinlæringsmetoder giver detaljerede oplysninger om afgrødetyper

At have detaljerede oplysninger om landdækning er vigtigt for en bedre forståelse af miljøet - f.eks. at estimere økosystemtjenester såsom bestøvning eller at kvantificere nitrat- og næringsstoftilførsler i vandområder. Denne information hentes i stigende grad fra satellitbilleder med høj tidsmæssig og rumlig opløsning. Imidlertid, skyer forhindrer ofte udsigten fra rummet til jordens overflade. Den dynamiske brug af maskinlæringsmodeller kan tage højde for dette lokale skydække uden at ty til almindeligt anvendte interpolationsmetoder. Det viser UFZ-forskere i en undersøgelse offentliggjort i tidsskriftet Remote Sensing of Environment. Deres algoritme genkender 19 forskellige typer afgrøder, nøjagtig til 88 procent.

"Hvis vi kan bestemme den dyrkede afgrøde for hver landbrugsmark, vi kan drage konklusioner ikke kun om næringsstofbehov, men også om nitratbelastningen i omgivende vand, " forklarer Sebastian Preidl, videnskabsmand i Landskabsøkologisk afdeling ved UFZ. Oplysningerne kan også bruges, for eksempel, for bedre at igangsætte tiltag for at beskytte vilde bibestande. "Vi kan kun beskytte en regions biologiske mangfoldighed effektivt, hvis vi har et klart billede af den geografiske arealdækningsfordeling, " forklarer Preidl.

Jordobservationssatellitter fra Copernicus-programmet, som er grundlagt af European Space Agency (ESA), leverer højopløselige data i tid og rum og muliggør kontinuerlig overvågning af landoverfladen i en økologisk relevant skala. Sentinel-2 satellitbilleder taget med jævne tidsintervaller i ni spektralbånd dannede grundlaget for Preidls arbejde. Fra disse spektrale tidsserier, forskere kan udlede landdækningsoplysninger for deres undersøgelsesområde.

Skyforekomst er en stor udfordring, når man beskæftiger sig med tidsserier af optiske satellitdata. På trods af adskillige satellitbilleder, hyppigt skydække kan føre til større datahuller i den spektrale tidsserie. På samme tid, der kræves et tilstrækkeligt antal pixels (observationer) til mange plantevækstfaser for at tildele de registrerede spektrale signaturer til den tilsvarende planteart.

Disse huller udfyldes normalt af kunstigt genererede data, der interpoleres fra skyfri billedpixel. "I stedet for at gøre dette, vi vælger en dynamisk anvendelse af maskinlæringsmodeller. Det betyder, at vi genererer tilpassede algoritmer for hver pixel, " siger Preidl. "Vores algoritme vælger automatisk skyfri pixels fra hele satellitbilleddatasættet og er ikke afhængig af skyfri scener i stor skala. For at tildele en bestemt beskæringstype til hver billedpixel, den tidsmæssige sekvens af skyfrie observationer på pixelniveau tages i betragtning af et stort antal modeller."

Baseret på oplysninger fra de føderale stater, den dyrkede afgrødetype kendes kun for udvalgte landbrugsmarker. Denne viden bruges til at træne UFZ-modellerne til at skelne mellem majs og hvede, for eksempel. For at bestemme arealdækningen af ​​det samlede landbrugsareal, forskerne har inddelt Tyskland i seks landskabsregioner. "Der dyrkes forskellige afgrøder i 'Magdeburger Börde' end i 'Rheingau', " forklarer Preidl. "Desuden, en og samme afgrødeart vokser anderledes i »Breisgau« end i »Uckermark«. Klima og højde gør en stor forskel." Resultatet:Forskernes algoritme opnår en nøjagtighed på 88 % ved at identificere 19 forskellige afgrødetyper. For hovedafgrøderne, succesraten er over 90 %. Først for år 2016, de skabte et landdækningskort over Tysklands landbrugsområde ved hjælp af omkring 7000 satellitbilleder. Ud over dette kort, UFZ-forsker kan også give information om modellens ydeevne, dvs. den nøjagtighed, hvormed algoritmen detekterer plantearten for en given pixel.

Men UFZ-tilgangen kan udnyttes på mange andre måder. I et projekt med det tyske forbundsorgan for naturbeskyttelse (BfN), i stedet for hvede og majs, Preidls algoritmer skelner også gran, bøg og andre træarter. På den måde undersøger han, hvordan skovenes naturbeskyttelsesværdi kan bestemmes ved hjælp af satellitdata. "Hvis vi ved, hvilke træarter der dominerer i et skovområde over tid, virkningerne af stormhændelser, tørkeskader eller skadedyrsangreb kan bedre vurderes. En robust skov er økonomisk og økologisk yderst relevant i forhold til målene for bæredygtig udvikling, " siger Preidl.

"Vores metode kan anvendes til andre regioner i og uden for Europa, og til andre år, ved at tage hensyn til den respektive relevante tidsmæssige sekvens af skyfrie observationer og arealanvendelse, " siger Dr. Daniel Doktor, leder af Remote Sensing-arbejdsgruppen for Instituttet Computational Landscape Ecology ved UFZ, skitsere de næste skridt. "Hvis denne metodologi kombineres med andre modeller - for eksempel om fænologi eller økologi - kan der ikke kun gives udsagn om artsspecifik sårbarhed over for ekstreme begivenheder såsom tørke, men også om økosystemers fremtidige adfærd som kulstofkilder eller dræn, " forklarer Doktor.