Att ha detaljerad information om markskydd är viktigt för en bättre förståelse av miljön - till exempel att uppskatta ekosystemtjänster som pollinering eller kvantifiera nitrat- och näringsintag i vattenförekomster. Denna information erhålls alltmer från satellitbilder med hög tids- och rumsupplösning. Dock, moln hindrar ofta utsikten från rymden till jordens yta. Den dynamiska användningen av maskininlärningsmodeller kan ta hänsyn till detta lokala molntäcke utan att använda vanliga interpoleringsmetoder. Detta visar UFZ -forskare i en studie publicerad i tidskriften Remote Sensing of Environment. Deras algoritm känner igen 19 olika typer av grödor, exakt till 88 procent.

"Om vi ​​kan bestämma den odlade grödan för varje jordbruksfält, vi kan dra slutsatser inte bara om näringsbehov utan också om nitratbelastningen i omgivande vatten, "förklarar Sebastian Preidl, forskare vid avdelningen för landskapsekologi vid UFZ. Informationen kan också användas, till exempel, att bättre initiera åtgärder för att skydda vilda bipopulationer. "Vi kan bara skydda en regions biologiska mångfald effektivt om vi har en klar bild av den geografiska fördelningen av landytan, "förklarar Preidl.

Jordobservationssatelliter från Copernicus-programmet som grundades av European Space Agency (ESA) tillhandahåller högupplösta data i tid och rum och möjliggör kontinuerlig övervakning av markytan i en ekologiskt relevant skala. Sentinel-2 satellitbilder som tagits med jämna mellanrum i nio spektralband bildade grunden för Preidls arbete. Från dessa spektrala tidsserier, forskare kan härleda markinformation för sitt studieområde.

Molnförekomst är en stor utmaning när det gäller tidsserier av optisk satellitdata. Trots många satellitbilder, frekvent molntäcke kan leda till större dataklyftor i spektraltidsserierna. På samma gång, ett tillräckligt antal pixlar (observationer) krävs för många växttillväxtfaser för att tilldela de inspelade spektralsignaturerna till motsvarande växtart.

Dessa luckor fylls vanligtvis av artificiellt genererade data som interpoleras från molnfria bildpixlar. "Istället för att göra detta, vi väljer en dynamisk tillämpning av maskininlärningsmodeller. Det betyder att vi genererar anpassade algoritmer för varje pixel, "säger Preidl." Vår algoritm väljer automatiskt molnfria pixlar från hela satellitbildsuppsättningen och är inte beroende av storskaliga molnfria scener. För att tilldela varje bildpixel en specifik beskärningstyp, den tidsmässiga sekvensen av molnfria observationer på pixelnivå beaktas av ett stort antal modeller. "

Baserat på information från federala stater, den odlade typen är endast känd för utvalda jordbruksfält. Denna kunskap används för att träna UFZ -modellerna för att skilja mellan majs och vete, till exempel. För att bestämma markens täckning av det totala jordbruksområdet, forskarna har delat upp Tyskland i sex landskapsregioner. "Olika grödor odlas i" Magdeburger Börde "än i" Rheingau ", "förklarar Preidl." Dessutom, en och samma gröda växer annorlunda i "Breisgau" än i "Uckermark". Klimat och höjd gör stor skillnad. "Resultatet:forskarnas algoritm uppnår en noggrannhet på 88% för att identifiera 19 olika grödor. För de viktigaste grödorna, framgångsgraden är över 90%. Först för 2016, de skapade en landskarta över Tysklands jordbruksområde med cirka 7000 satellitbilder. Förutom denna karta, UFZ -forskare kan också ge information om modellens prestanda, d.v.s. den noggrannhet med vilken algoritmen detekterar växtarterna för en given pixel.

Men UFZ -metoden kan utnyttjas på många andra sätt. I ett projekt med den tyska förbundsstyrelsen för naturskydd (BfN), istället för vete och majs, Preidls algoritmer skiljer också gran, bok och andra trädslag. På detta sätt undersöker han hur skogens naturvårdsvärde kan bestämmas med hjälp av satellitdata. "Om vi ​​vet vilka trädslag som dominerar i ett skogsområde över tid, effekterna av stormhändelser, torkskador eller angrepp av skadedjur kan bedömas bättre. En fjädrande skog är ekonomiskt och ekologiskt mycket relevant när det gäller målen för hållbar utveckling, "säger Preidl.

"Vår metod kan tillämpas på andra regioner i och utanför Europa, och till andra år, genom att ta hänsyn till respektive relevant tidsmässig sekvens av molnfria observationer och markanvändning, säger doktor Daniel Doktor, chef för Remote Sensing -arbetsgruppen vid avdelningen Computational Landscape Ecology vid UFZ, som beskriver nästa steg. "Om denna metod kombineras med andra modeller-till exempel om fenologi eller ekologi-kan uttalanden göras inte bara om artspecifik sårbarhet för extrema händelser som torka, men också om ekosystemens framtida beteende som kolkällor eller sänkor, "förklarar Doktor.