Het hebben van gedetailleerde informatie over landbedekking is belangrijk voor een beter begrip van het milieu, bijvoorbeeld om ecosysteemdiensten zoals bestuiving te schatten of om de nitraat- en nutriënteninput in waterlichamen te kwantificeren. Deze informatie wordt steeds vaker verkregen uit satellietbeelden met een hoge temporele en ruimtelijke resolutie. Echter, wolken belemmeren vaak het zicht vanuit de ruimte naar het aardoppervlak. Het dynamische gebruik van machine learning-modellen kan rekening houden met deze lokale bewolking zonder toevlucht te nemen tot veelgebruikte interpolatiemethoden. Dat bewijzen UFZ-wetenschappers in een studie gepubliceerd in het tijdschrift Remote Sensing of Environment. Hun algoritme herkent 19 verschillende soorten gewassen, nauwkeurig tot 88 procent.

"Als we per landbouwperceel het cultuurgewas kunnen bepalen, we kunnen niet alleen conclusies trekken over de nutriëntenbehoefte, maar ook over de nitraatbelasting van omringende wateren, " legt Sebastian Preidl uit, wetenschapper bij de afdeling Landschapsecologie van het UFZ. De informatie kan ook worden gebruikt, bijvoorbeeld, maatregelen ter bescherming van wilde bijenpopulaties beter te initiëren. "We kunnen de biologische diversiteit van een regio alleen effectief beschermen als we een duidelijk beeld hebben van de ruimtelijke verdeling van landbedekking, ", legt Preidl uit.

Aardobservatiesatellieten van het Copernicus-programma, opgericht door de European Space Agency (ESA), leveren gegevens met hoge resolutie in tijd en ruimte en maken continue monitoring van het landoppervlak op ecologisch relevante schaal mogelijk. Sentinel-2-satellietbeelden, vastgelegd met regelmatige tijdsintervallen in negen spectrale banden, vormden de basis voor Preidl's werk. Uit deze spectrale tijdreeksen, onderzoekers kunnen landbedekkingsinformatie voor hun studiegebied afleiden.

Het optreden van wolken is een grote uitdaging bij het omgaan met tijdreeksen van optische satellietgegevens. Ondanks talrijke satellietbeelden, frequente bewolking kan leiden tot grotere gegevenshiaten in de spectrale tijdreeksen. Tegelijkertijd, een voldoende aantal pixels (waarnemingen) is vereist voor veel plantengroeifasen om de geregistreerde spectrale handtekeningen toe te wijzen aan de overeenkomstige plantensoorten.

Deze hiaten worden meestal opgevuld door kunstmatig gegenereerde gegevens die worden geïnterpoleerd uit cloudvrije beeldpixels. "In plaats van dit te doen, we kiezen voor een dynamische toepassing van machine learning-modellen. Dit betekent dat we voor elke pixel aangepaste algoritmen genereren, ", zegt Preidl. "Ons algoritme selecteert automatisch wolkenvrije pixels uit de volledige satellietbeelddataset en is niet afhankelijk van grootschalige wolkenvrije scènes. Om een ​​specifiek uitsnijdingstype toe te wijzen aan elke afbeeldingspixel, de temporele opeenvolging van wolkenvrije waarnemingen op pixelniveau wordt door een groot aantal modellen in aanmerking genomen."

Op basis van door de deelstaten verstrekte informatie, het gecultiveerde gewastype is alleen bekend voor geselecteerde landbouwpercelen. Deze kennis wordt gebruikt om de UFZ-modellen te trainen om onderscheid te maken tussen maïs en tarwe, bijvoorbeeld. Om de landbedekking van het totale landbouwareaal te bepalen, de wetenschappers hebben Duitsland verdeeld in zes landschapsregio's. "In de 'Magdeburger Börde' worden andere gewassen verbouwd dan in de 'Rheingau', " legt Preidl uit. "Bovendien, een en dezelfde gewassoort groeit in de 'Breisgau' anders dan in de 'Uckermark'. Klimaat en hoogte maken een groot verschil.” Het resultaat:het algoritme van de onderzoekers haalt een nauwkeurigheid van 88% bij het identificeren van 19 verschillende gewassoorten. het slagingspercentage is meer dan 90%. In eerste instantie voor het jaar 2016, ze creëerden een landbedekkingskaart van het landbouwgebied van Duitsland met behulp van ongeveer 7000 satellietbeelden. Naast deze kaart, UFZ-onderzoeker kan ook informatie geven over de modelprestaties, d.w.z., de nauwkeurigheid waarmee het algoritme de plantensoort voor een bepaalde pixel detecteert.

Maar de UFZ-aanpak kan op veel andere manieren worden benut. In een project met het Duitse Federale Agentschap voor Natuurbehoud (BfN), in plaats van tarwe en maïs, Preidl's algoritmen onderscheiden ook sparren, beuken en andere boomsoorten. Zo onderzoekt hij hoe met satellietdata de natuurwaarde van bossen kan worden bepaald. "Als we weten welke boomsoorten in de loop van de tijd overheersen in een bosgebied, de gevolgen van stormgebeurtenissen, droogteschade of plagen kunnen beter worden ingeschat. Een veerkrachtig bos is economisch en ecologisch zeer relevant in het licht van de doelstellingen voor duurzame ontwikkeling, ', zegt Preidl.

"Onze methodiek is toepasbaar op andere regio's binnen en buiten Europa, en naar andere jaren, door rekening te houden met de respectieve relevante tijdsvolgorde van wolkenvrije waarnemingen en landgebruik, " zegt Dr. Daniel Doktor, hoofd van de werkgroep Remote Sensing van de afdeling Computational Landscape Ecology van het UFZ, waarin de volgende stappen worden beschreven. "Als deze methodologie wordt gecombineerd met andere modellen, bijvoorbeeld over fenologie of ecologie, kunnen niet alleen uitspraken worden gedaan over soortspecifieke kwetsbaarheid voor extreme gebeurtenissen zoals droogte, maar ook over het toekomstige gedrag van ecosystemen als koolstofbronnen of -putten, ", legt Doktor uit.