Fernerkundung

Was ist Fernerkundung I Wie kann Fernerkundung zu einer nachhaltigen Bioökonomie beitragen? I Welche Grenzen gibt es? I Fallstudien

Was ist Fernerkundung?

Fernerkundung ist die Wissenschaft, Technologie und Kunst der Beobachtung eines Objekts, einer Szene oder eines Phänomens mithilfe instrumenteller Technik aus der Ferne ohne physischen Kontakt^[1]. Fernerkundung ermöglicht die Erfassung von Informationen über ein Objekt, ohne dass ein physischer Kontakt mit ihm hergestellt wird ^[2]. 

Ähnlich wie der Mensch sein Sehvermögen einsetzt, um bestimmte Informationen über ein Objekt (z. B. seine Farbe, Form oder Größe) zu erfassen, ohne es zu berühren, werden Kameras und Scanner in der Fernerkundung als Sensoren eingesetzt, um Daten über Objekte auf der Erdoberfläche (z. B. Wälder, Getreidefelder, Gewässer, Infrastrukturobjekte) zu erhalten, ohne sie zu berühren. Satelliten, Flugzeuge und Drohnen werden als gängige Plattformen dieser Sensoren verwendet. Die Ergebnisse der Fernsensoren liegen in der Regel in Form von Bildern oder Fotos vor, die weiterverarbeitet werden können, um Informationen über die beobachteten Objekte zu gewinnen.

Die Fernerkundungskamera erfasst die vom beobachteten Objekt reflektierte oder emittierte elektromagnetische Energie. Je nach biochemischer Zusammensetzung und Oberflächenbeschaffenheit des Objekts ist die Menge der von ihm reflektierten Energie unterschiedlich. Gesunde grüne Blätter reflektieren beispielsweise grünes Licht (deshalb sehen wir Blätter als grün), aber der Großteil des roten und blauen Lichts wird für die Photosynthese absorbiert. Daher können die erfassten Fernerkundungsbilder zur Unterscheidung von Objekten (z. B. Wasser, Bäumen, Gebäuden) und zur Quantifizierung der biophysikalischen Parameter des Objekts (z. B. Biomasse) verwendet werden. Überwachtes und unüberwachtes Modellieren (sowohl Klassifizierung als auch Regression) wird eingesetzt, um diese Informationen aus Fernerkundungsbildern abzurufen. Maschinelle und Deep-Learning-Modellierungstechniken werden in der Regel mit Fernerkundungsbildern zur genauen Informationsextraktion verwendet. Die gewonnenen Informationen (z. B. Landnutzung, Bodenbedeckung, Menge an Biomasse) können für räumliche Analysen mit geografischen Informationssystemen (GIS) verwendet werden, um die Beziehung zu anderen klimatischen (z. B. Temperatur, Niederschlag), sozioökonomischen (z. B. Bevölkerung, Einkommen) und ökologischen (z. B. Artenreichtum) Parametern zu bewerten.

Ursprünglich für militärische Zwecke entwickelt, wird Fernerkundung heute auch für viele zivile Anwendungen genutzt. Eine Reihe von Umweltvariablen kann mit Fernerkundungstechniken in der Atmosphäre, über dem Land und auf dem Wasser gemessen werden. Daher wird Fernerkundung in zahlreichen Disziplinen eingesetzt, u. a. in der Landwirtschaft und der Ernteüberwachung, der Archäologie, der Kartografie, dem Bauingenieurwesen, der Klimatologie, der Katastrophenüberwachung und -vorhersage, der Forstwirtschaft, der Geologie, der Meteorologie, der Ozeanografie, der Überwachung der Umweltverschmutzung, der Bodenbeschaffenheit, der Stadtkartierung sowie der Kartierung und Überwachung von Wasserressourcen ^[2].

Wie kann Fernerkundung zu einer nachhaltigen Bioökonomie beitragen?

Aufgrund des breiten Anwendungsspektrums kann Fernerkundung gut eingesetzt werden, um die Auswirkungen der Bioökonomie zu bestimmen und mit den Daten den Wandel zu einer nachhaltigen Bioökonomie zu unterstützen. Fernerkundung wird beispielsweise eingesetzt, um Folgendes zu erfassen:

• Bodenbedeckung und Bodennutzung in verschiedenen räumlichen Maßstäben und Auflösungen, um Darstellungen auf globaler, regionaler, nationaler und/oder lokaler Ebene zu ermöglichen;
• Veränderungen der Landbedeckung und Landnutzung zur Beobachtung der zeitlichen Dynamik;
• Vegetation (z.B. Ackerland, Grasland^[3], Wälder, Torfmoore), einschließlich der Charakterisierung von Vegetationstyp, Ertrag und Gesundheitszustand;
• Umweltauswirkungen, z. B. Monitoring von illegalem Holzeinschlag, Waldbränden, Auswirkungen von Überschwemmungen, Erosion und Dürre;
• Zustand der biologischen Vielfalt und anderer Ökosystemleistungen

Daher können Fernerkundungsdaten beispielsweise zur Abschätzung des Biomassepotenzials, zur Berechnung der Kohlenstoffsenken von Waldbiomasse ^[4]und zum Monitoring der Auswirkungen der Bioökonomie auf die Landnutzung und Landnutzungsänderungen (z. B. Landnutzungsänderungen im Zusammenhang mit der Biokraftstoffproduktion, Ausmaß der Entwaldung usw.) eingesetzt werden. Darüber hinaus liefert Fernerkundung wichtige Daten für Anwendungen in der Präzisionslandwirtschaft und kann so zu einer nachhaltigen Intensivierung der Landwirtschaft beitragen. Um die Nachhaltigkeit der Bioökonomie zu gewährleisten, wird Fernerkundung zunehmend zum Monitoring von Umweltauswirkungen wie Veränderungen der Biodiversität ^{[5] [6] [7]}, des Zustands von Schutzgebieten ^[8] und der Umweltverschmutzung  ^[9] eingesetzt. Weiter unten werden einige Fallstudien zum Einsatz der Fernerkundung für das Bioökonomie-Monitoring vorgestellt.

Welche Grenze gibt es?

Obwohl sich die Fernerkundungstechnologien in den letzten 50 Jahren kontinuierlich weiterentwickelt haben, stehen Forschende immer noch vor einigen Herausforderungen. So gibt es beispielsweise technische Einschränkungen hinsichtlich Auflösung, Abdeckung und Wolkenbedeckung, insbesondere bei der satellitengestützten Fernerkundung ^[10]. Die Gewinnung von Bildern mit höherer Auflösung ist mit zusätzlichen Kosten verbunden, da hochauflösende Satellitenbilder in der Regel nur gegen Aufpreis erhältlich sind oder spezielle Ausrüstung (Drohnen, Kameras, Sensoren, Rechenleistung) angeschafft werden muss, um hochauflösende Informationen auf lokaler Ebene zu erfassen.

Weitere Herausforderungen bestehen in der Validierung und Übertragbarkeit von Fernerkundungsdatenmodellen. Für die Validierung werden Felddaten benötigt. Oft ist es jedoch schwierig, teuer oder sogar unmöglich, die notwendigen Informationen im Feld zu erhalten. Ein Beispiel hierfür ist die Validierung von Datenmodellen, die auf Satellitenbildern der letzten Jahrzehnte basieren. Die Übertragbarkeit von Modellen, die an einem bestimmten Ort entwickelt und validiert wurden, auf andere Orte und Maßstäbe ist eine weitere große Herausforderung. Dies wird in einer der folgenden Fallstudien behandelt, in der ein für Nordhessen entwickeltes Modell zum Monitoring von Landnutzungsänderungen auf die größere Weser-Ems-Region in Deutschland angewendet wird.

Fallstudien

Fernerkundung (RS) zum Monitoring von Landnutzungs- und Biodiversitätsveränderung durch Biogas in Nordhessen (Deutschland)

Hintergrund

Auf der Suche nach nachhaltigen Alternativen zu fossilen Rohstoffen in den Bioökonomiesektoren ist der Bedarf und die Nutzung von Biomasse in den letzten Jahrzehnten stetig gestiegen. Nicht nur Biomassereststoffe wurden kontinuierlich mobilisiert, sondern auch die Anbauflächen von Spezialpflanzen für energetische und industrielle Prozesse wurden ausgeweitet. Diese Entwicklungen sind häufig mit Landnutzungsänderungen verbunden und haben in vielen Fällen negative Auswirkungen auf die Umwelt und die Biodiversität. In dieser Fallstudie wurden die Auswirkungen der Entwicklung des landwirtschaftlichen Biogassektors auf die Landnutzung und Biodiversität in Nordhessen untersucht.

Seit dem Jahr 2004 sind die Anzahl und die Leistung landwirtschaftlicher Biogasanlagen in Deutschland deutlich gestiegen. Diese Entwicklung ist auf die günstigen gesetzlichen Rahmenbedingungen und finanziellen Anreize zurückzuführen, die mit dem Erneuerbare-Energien-Gesetz (EEG) Anfang 2000 geschaffen wurden. Die Förderung von Biogasanlagen auf der Basis von Energiepflanzen hat zu einer deutlichen Ausweitung der Maisanbauflächen geführt. Diese Entwicklungen werden kontrovers diskutiert, insbesondere wegen der Risiken einer verstärkten Bodenerosion, Stickstoffverlusten und einem Rückgang der Biodiversität.

Methoden

In dieser Fallstudie wurden RS-Methoden angewandt, um den Zustand und die Veränderungen der Landnutzung im Zusammenhang mit der Entwicklung der Biogasproduktion zu bewerten und zu überwachen. Multitemporale und multisensorale Satellitendaten (Landsat und Sentinel-2) in Kombination mit Landnutzungsdaten, die von Landwirten für die Berichterstattung im Rahmen der Gemeinsamen Agrarpolitik der Europäischen Kommission erhoben wurden (InVeKoS-Daten), wurden verwendet, um Anbaudaten auf Feldebene in Nordhessen für den Zeitraum 2000-2015 zu erhalten. Zusätzlich wurden Daten zu Biogasanlagen (durchschnittlich installierte Leistung auf Gemeindeebene) erhoben. Folgende Indikatoren wurden ausgewertet

• Entwicklung der Anbauflächen von Mais und Wintergetreide – beides bevorzugte Substrate für die Biogaserzeugung;
• Entwicklung der Grünlandflächen – als Indikator für die Biodiversität;
• Entwicklung der Feldstruktur und Feldgröße – als Indikator für die Strukturvielfalt.

Der letzte Indikator wurde anhand des Parameters "Edge density" (Landschaftsform-Index) bewertet. Je größer das Feld ist, desto geringer sind die Biodiversität und die damit verbundenen Lebensräume.

Ergebnisse und Schlussfolgerungen

Die Ergebnisse zeigen, dass die Anbauflächen von Sommerkulturen (außer Mais) und Grünland im Zeitraum zwischen 2000 und 2015 zurückgegangen sind. Gleichzeitig haben die Anbauflächen von Mais und Winterkulturen zugenommen (siehe Abbildung 1(A)).

Veränderung der Maisanbaufläche (A), der durchschnittlichen Biogasanlagenkapazität (B) und der Veränderung der "Edge density" (C) auf kommunaler Ebene im Zeitraum 2000-2015 in Nordhessenbholzung der Wälder in der Pilotregion in Brasilien pro Jahr.

Mit zunehmender durchschnittlicher Größe der Biogasanlagen nimmt zudem die Verringerung der Strukturvielfalt ab (siehe Abbildung 2). Das bedeutet, dass mit kleineren Biogasanlagen eine stärkere Veränderung der Feldstruktur zu beobachten ist. In Nordhessen wurden im Rahmen des EEG vor allem kleinere landwirtschaftliche Biogasanlagen installiert (oft nur 1-2 pro Gemeinde). Sie haben jedoch zu erheblichen Strukturveränderungen beigetragen.

Veränderung der "Edge density" als Parameter der Strukturvielfalt in Abhängigkeit von der mittleren installierten elektrischen Leistung der Biogasanlagen pro Gemeinde.

Biogasanlagen mit höherer Leistung werden in der Regel um größere Feldstrukturen herum gebaut, die bereits vor der Errichtung der Biogasanlage vorhanden waren. Daher sind die Änderungen der "Edge density" in diesem Fall weniger signifikant. Diese Studie hat gezeigt, dass die entwickelten Modelle und RS-basierten Methoden gut geeignet sind, um Landnutzungsänderungen im Zusammenhang mit der Entwicklung des Biogassektors zu überwachen und zu dokumentieren. Darüber hinaus können Veränderungen im Anbau oder strukturelle Veränderungen erfolgreich ausgewertet und mit dem Biodiversitätsmonitoring verknüpft werden.

Literaturhinweise

Weitere Informationen zum Hintergrund der Fallstudie, zur angewandten Methodik und zu den Ergebnissen finden sich in den folgenden Publikationen ^[11]. 

Brasilien, Indonesien, Malaysia: Fernerkundung für das Bioökonomie-Monitoring

Ein effizientes und genaues Monitoring der Bioökonomie muss auf den Beginn der Versorgungskette ausgedehnt werden, einschließlich der Biomasseproduktion auf der Ebene der landwirtschaftlichen Betriebe, Plantagen und Forstwirtschaft ^[12]. Hier kommt es zu Landnutzungsänderungen und Entwaldung, und die Vor-Ort-Überwachung durch Fernerkundung kann dazu beitragen, dass die Biomasseproduktion nicht in Konflikt mit den Zielen der Vermeidung von Entwaldung und des Schutzes von Gebieten mit hohem Kohlenstoffspeicher gerät.

In einer Fallstudie wurde mit Hilfe von Fernerkundungstechnologie untersucht, wie die satellitengestützte Erfassung von Landnutzungsänderungen zum Monitoring der Bioökonomie beitragen kann. Da Landnutzungsänderungen, die durch die Ausdehnung landwirtschaftlicher Flächen verursacht werden, die Hauptursache für den Verlust von Kohlenstoffvorräten und biologischer Vielfalt sind ^[13] ist die Verwendung von Satellitenbildern ein unverzichtbares Element des Bioökonomie-Monitorings. Zu diesem Zweck wurden relevante Datensätze und Satellitenbilder zusammengetragen und eine Methodik zur Erkennung von Landnutzungsänderungen und unterschiedlicher Intensität der Landbewirtschaftung auf der Grundlage von Landsat-Bildern entwickelt.

Die Ergebnisse im Pilotgebiet in Brasilien zeigen, dass zwischen 2008 und 2017 insgesamt 2.110.607 Hektar Wald in einjähriges Acker- und Weideland umgewandelt wurden. Die höchste Entwaldungsrate wurde im Jahr 2012 verzeichnet, wie die folgende Abbildung zeigt:

Abholzung der Wälder in der Pilotregion in Brasilien pro Jahr (Quelle: Auf der Grundlage von Daten aus dem SYMOBIO-Projekt (laufende Arbeiten der GRAS) und Helka et al. (2020) ^[13]).

Auch im Pilotgebiet in Kalimantan wurde der Wald, der in Plantagen umgewandelt wurde, zwischen 2007 und 2017 jährlich bewertet. Insgesamt wurde ein Verlust von 7 199 459 ha an Baumbestand festgestellt, einschließlich Abholzung und Wiederaufforstung. Die Wiederaufforstung von Palmen-, Kautschuk- und anderen Plantagen wurde erkannt und von der Entwaldung getrennt, so dass sich eine tatsächliche Entwaldung von 6 451 363 ha ergibt.

Dieses Ergebnis zeigt, wie die Fernerkundung die Unterscheidung verschiedener Landnutzungsänderungen unterstützen kann und wie wichtig die Berücksichtigung von Wiederaufforstungen für eine korrekte Berichterstattung über die Entwaldung ist. Die Studie ergab auch, dass die Entwaldung jährlich für Bundesstaaten, Gemeinden oder jede andere Verwaltungsebene, die sich für die Überwachung der Bioökonomie eignet, bewertet werden kann (siehe Abbildung unten).

Ausgewählte Bundesstaaten Brasiliens mit Darstellung der Entwaldung im Zeitverlauf (Quelle: Basierend auf Daten aus dem SYMOBIO-Projekt (laufende Arbeit von GRAS) und Helka et al. (2020) ^[13]).

Basierend auf diesen Erkenntnissen entwickelt GRAS nun ein integriertes, semi-automatisches, fernerkundungsbasiertes System, um die Umwandlung von Acker- und Weideflächen in Wälder und natürliches Grasland auf nationaler und regionaler Ebene zu überwachen.

Notizen und Referenzen

1. Tempfli et al. (2009). Principles of remote sensing : an introductory textbook. Verfügbar unter: http://www.itc.nl/library/papers_2009/general/PrinciplesRemoteSensing.pdf
2. Rees (2012). Physical Principles of Remote Sensing (3^rd). doi:10.1017/CBO9781139017411
3. Wachendorf et al. (2018). Remote sensing as a tool to assess botanical composition, structure, quantity and quality of temperate grasslands. Grass Forage Sci. doi:10.1111/gfs.12312
4. Abbas et al. (2020). Approaches of Satellite Remote Sensing for the Assessment of Above-Ground Biomass across Tropical Forests: Pan-tropical to National Scales. Remote Sens. doi: 10.3390/rs12203351
5. Wang et al. (2019). Remote sensing of terrestrial plant biodiversity. Remote Sens. doi:10.1016/j.rse.2019.111218
6. Randin et al. (2020). Monitoring biodiversity in the Anthropocene using remote sensing in species distribution models. Remote Sens. doi: 10.1016/j.rse.2019.111626.
7. Reddy (2021). Remote sensing of biodiversity: what to measure and monitor from space to species? Biodivers Conserv. doi: 10.1007/s10531-021-02216-5
8. Mao et al. (2020). Remote Sensing Applications for Monitoring Terrestrial Protected Areas: Progress in the Last Decade. doi: 10.3390/su12125016
9. Stebel et al. (2021). SAMIRA-Satellite Based Monitoring Initiative for Regional Air Quality. Remote Sens. doi: 10.3390/rs13112219
10. Dubovik et al. (2021). Grand Challenges in Satellite Remote Sensing. Remote Sens. doi: 10.3389/frsen.2021.619818
11.  Kyere, I., Astor, T., Graß, R., Wachendorf, M., 2019. Multi-Temporal Agricultural Land-Cover Mapping Using Single-Year and Multi-Year Models Based on Landsat Imagery and IACS Data. Agronomy Journal 9, 309. https://doi.org/10.3390/agronomy9060309
    Kyere, I., Astor, T., Graß, R., Wachendorf, M., 2020. Agricultural crop discrimination in a heterogeneous low-mountain range region based on multi-temporal and multi-sensor satellite data. Computers and Electronics in Agriculture 179, 105864. https://doi.org/10.1016/j.compag.2020.105864
    Kyere, I., Astor, T., Graß, R., Fricke, T., Wachendorf, M., 2021. Spatio-temporal analysis of the effects of biogas production on agricultural lands. Land Use Policy 102, 105240. https://doi.org/10.1016/j.landusepol.2020.105240
12. Helka et al. (2020). Combining Environmental Footprint Models, Remote Sensing Data, and Certification Data towards an Integrated Sustainability Risk Analysis for Certification in the Case of Palm Oil. Sustainability . doi: 10.3390/su12198273
13.  Die IPBES-Website mit Daten über den Verlust der biologischen Vielfalt und Maßnahmen zu dessen Eindämmung, verfügbar unter: https://ipbes.net