Wälder und Fernerkundung

Wälder bedecken ein Drittel der Landfläche der Erde. Walderhalt und nachhaltige Waldbewirtschaftung sind Ziel einer Reihe von internationalen Vereinbarungen. Viele dieser Vereinbarungen haben einen ökonomischen Bezug.

Gleichzeitig sind Wälder komplexe Ökosysteme und gelten als Biodiversitäts-Hotspots. Sie speichern große Mengen an Kohlenstoff in ihrer ober- und unterirdischen Biomasse, ihre Stabilität ist ein wichtiger Faktor im Klimaschutz, und sie bieten der lokalen und globalen Bevölkerung mit ihrer Multifunktionalität verschiedenste Dienstleistungen. Die Intensivierung der Landnutzung und eine nicht nachhaltige Forstwirtschaft tragen jedoch weltweit zu erheblichen Schäden der Waldökosysteme bei und steigern Treibhausgasemissionen. Wälder müssen daher sorgfältig überwacht werden, um z. B. die Emissionen aus Entwaldung und Walddegradierung zu reduzieren und den Schutz der Waldressourcen zu gewährleisten.

Traditionelles Waldmonitoring

Traditionell erfolgt die Beurteilung des Waldzustands in situ vom Boden aus. Zum Beispiel beruht in Deutschland die Waldschadensaufnahme auf der Beurteilung des Kronenzustandes als Kriterium für die Vitalität von Waldbäumen. Die Vitalität von Bäumen steht in enger Beziehung zu Dichte und Farbe der Belaubung bzw. Benadelung. Ein organisatorischer Rahmen ist dabei die Bundeswaldinventur (BWI) als terrestrische Großrauminventur auf Stichprobenbasis. Die Probepunkte sind in einem systematischen Raster über ganz Deutschland verteilt.

Neben den überkommenen, auf die Nutzung des nachwachsenden Rohstoffs Holz ausgerichteten Größen, gewinnen zunehmend ökologische Kennwerte an Bedeutung, anhand derer die Waldentwicklung auch unter Gesichtspunkten des Naturschutzes und der Erhaltung natürlicher Lebensräume bewertet werden kann. Die BWI stellt außerdem eine wichtige Datenbasis für die Erfüllung nationaler Berichtspflichten im Rahmen internationaler Abkommen dar (z. B. Kyoto-Protokoll, Konvention über biologische Diversität).

Multi-Methodenansatz beim Waldmonitoring Verknüpfung verschiedener Ansätze (drahtlose Hochfrequenz-Sensornetzwerke bis hin zu weltraumgestützten Satelliten) mit angemesener Überwachungsfrequenz, Sensoren und verschiedenen Fernerkundungsplattformen, um die Waldgesundheit mit Fernerkundungstechniken besser zu beschreiben, zu erklären, vorherzusagen und zu verstehen sowie die Kalibrierung und Validierung von Fernerkundungsdaten zu verbessern Quelle: MDPI

Fernerkundungsgestütztes Waldmonitoring - Technologien

Um räumlich genaue Informationen über Waldgebiete zu erhalten, wird das terrestrische Waldmonitoring durch die Fernerkundung mit Satelliten- oder Luftbildern erweitert und unterstützt. Dies gilt besonders immer dann, wenn für die Erfassung des Waldzustandes aktuellste Informationen benötigt werden, die in so großer Ausdehnung oft nur schwer in situ erfasst werden können.

Für die Ansprache von Vegetation mit Methoden der Fernerkundung ist der sichtbare spektrale Bereich ebenso wichtig wie das nahe (NIR) und kurzwellige Infrarot. Vor allem im roten und blauen Licht wird ein Großteil durch Chlorophyll absorbiert. Im NIR dagegen reflektieren gesunde Pflanzen stark. Die charakteristischen Reflexionseigenschaften von Vegetation kann man sich beim Waldmonitoring zu Nutze machen.

Neben Gesundheitszustand und Wuchs lassen sich aus Satelliten- oder Luftbildern zudem forstlich relevante Variablen abschätzen wie z.B.: Waldtypen und Baumarten, Baumhöhen, Bestandesdichten bzw. Anzahl Bäume pro Hektar (n/ha), Bestandesgrundflächen (m²) und Holz-Volumen (m³), Kohlenstoffvorrat.

Der Blick von oben auf den Wald ist an sich nichts Neues. Schon seit Jahrzehnten kommen flugzeug-, helikopter- oder satellitengestützte Luftbilder für Waldinventuren zum Einsatz. Diese liefern großflächiges Bildmaterial, sind teilweise aber verhältnismäßig teuer. Gerade für Privatwaldbesitzer sind deshalb aufwändige Luftbilder für das Waldmonitoring unattraktiv. Sogenannte UAS-Systeme, also unbemannte Luftfahrzeuge (ugs. Drohnen), stellen eine kostengünstige Alternative dar. Solche Drohnen bzw. ferngesteuerten kleinen Flugobjekte mit digitalen Kameras sind heute bereits tauglich für die forstliche Praxis. Die Fluggeräte werden unter anderem bei Kleinflächeninventuren (< 5 ha) oder zur gezielten Aufnahme von Kalamitäts- und Schadflächen eingesetzt. Ausgerüstet mit einer Wärmebildkamera sind sie auch für die Aufspürung von Brandherden geeignet. Ferner können sie dreidimensionale Waldstrukturen oder das Volumen von Holzpoltern erfassen. Hier zeigt sich die hohe Flexibilität der Aufnahmemöglichkeiten und der Möglichkeiten der Aufnahme von Zeitserien der Drohnentechnik, wobei das Fluggerät ja nur die Plattform für verschiedenste Sensoren darstellt.

Unterschiedliche Ergebnisse einer Drohnenbefliegung Das aus photogrammetrischer  Auswertung  berechnete Digitale Oberflächenmodell (DOM).Das DOM wird oft nur als Zwischenschritt zur Erstellung des nDOM verwendet. Man kann aus dem DOM, wenn eine lichte Vegetation vorherrscht, auch ein Digitales Geländemodell (DGM) ableiten. Jeder Pixelwert des DOM entspricht der absoluten Höhe über NN. Das aus dem DSM resultierende Normalisierte Digitale Oberflächenmodell nDOM), bei welchem ein Digitales Geländemodell (DGM) vom DSM subtrahiert wurde. Jeder Pixelwert entspricht der Höhe über Grund. In diesem Ausschnitt lassen sich die einzelnen Baumhöhen aus den Pixelwerten extrahieren. Diese Erkenntnis, zusammen mit weiteren Informationen wie z.B. der Baumart, ermöglicht eine Schätzung von z.B. dem Kohlenstoffspeicher oder dem Holzvorrat eines Gebietes. Das aus den Einzelbildern und dem DSM errechnete "True Orthomosaik“ in R-G-B. True deshalb, da nicht nur, wie bei einem Orthomosaik, das DGM verwendet wird, sondern das DOM. Das Echtfarbenbild wird verwendet, um schnell eine Übersicht über das beflogene Gebiet zu erhalten. Auch einzelne Schadflächen oder Strukturen lassen sich darin erkennen. Das Falschfarbenbild in der Bandreihenfolge NIR-R-G. Je roter die Vegetation, desto vitaler ist sie. Abgestorbene Vegetation erscheint in Grün/Türkis. Gut zu erkennen sind die frisch ausgetriebenen Laubbäume in Magenta. Durch den zusätzlichen Bildkanal im Nahen Infrarot (NIR) lassen sich Rückschlüsse auf die Gesundheit und Vitalität des Waldes schließen. Trockenstress oder sonstige Schäden treten im NIR oft früher auf als im sichtbaren Infrarotbereich. Somit werden diese Aufnahmen gerne dazu verwendet um einen Eindruck über den Zustand des Waldes zu bekommen. Dazu wird oft der Normalized Difference Vegetation Index (NDVI) berechnet, welcher sich aus dem NIR- und Rot-Kanal ermitteln lässt. NDVI-Darstellung, die zur Identifikation von vitalen und nicht vitalen Oberflächen dient. Mit mehreren NDVI-Bildern aus unterschiedlichen Zeitpunkten lassen sich so Veränderungen der Vegetation relativ einfach bestimmen. Quelle: FVA-BW

Luftbildbefliegungen werden flächendeckend durch die Landesvermessungsverwaltungen in einem Wiederholungszyklus von wenigen Jahren durchgeführt. Das stellt einen Vorteil gegenüber der Alternative von Laserscanner-Messungen (LiDAR), die bisher nur einmalig oder seltener erfolgten, als Grundlage für die Gewinnung von Oberflächenmodellen dar. Allerdings haben Laserscanner-Messungen den Vorteil, dass man mit ihnen gleichzeitig auch digitale Geländemodelle (DGM) erstellen kann.

Geographische Informationssysteme sind bei allen Schritten der Waldzustandserhebung und der Fernerkundung im Wald ein unverzichtbares Werkzeug. Mit ihrer Hilfe lassen sich große Sammlungen von Bildern und Raster-Datasets mit anderen teilen. Zusätzlich lassen sich mit speziellen Apps für die Verarbeitung von Daten unbemannter Luftfahrzeuge (Drohnen) unter anderem 3D-Punktwolken oder hochgenaue Orthomosaike und digitale Geländemodelle erstellen.

Fernerkundungsgestütztes Waldmonitoring - Sentinels

Zwischen 2014 und 2018 konnten bereits sieben Satelliten aus dem Programm gestartet werden. Diese sind die zwei identischen Radarsatelliten Sentinel-1A und 1B, sowie zwei identische multispektrale Satelliten Sentinel-2A und 2B. Hinzu kommt Sentinel-3A und 3B zur grob aufgelösten Beobachtung von Land- und Ozeanfarben und deren Temperaturen sowie Sentinel-5P zur Erfassung von Spurenstoffen in der Atmosphäre. Da Sentinel-2A und 2B als sogenannte Zwillingsmission betrieben wird, wird jeder Punkt der Erde mindestens einmal alle fünf Tage erfasst. Sentinel-2 Daten liegen je nach Spektralkanal in 10 m bzw. 20 m räumlicher Auflösung vor.

Zusätzlich sind für die Atmosphärenkorrektur und Wolkenerfassung drei Spektralkanäle mit einer räumlichen Auflösung von 60 m vorhanden. Neben Sentinel-2 steht mit Landsat-8 der NASA, ein weiteres optisches, frei zugängliches Satellitenaufnahmesystem zur Verfügung. Mit Hilfe des Landsat Programms wird die Erdoberfläche seit einigen Jahrzehnten systematisch aufgezeichnet. Dadurch lassen sich Zeitserien ableiten, die für die Klassifikation von Baumarten potentiell nutzbar sind. Für eine gemeinsame Auswertung von Landsat-8 und Sentinel-2 Daten spricht die hohe Korrelation der Spektralkanäle beider Satelliten. Neben diesen mittel-aufgelösten, jedoch global zur Verfügung stehenden Daten, sind vor allem räumlich höher aufgelöste Satellitendaten für die Baumartenklassifikation relevant. Diese Satelliten werden jedoch kommerziell betrieben.

Trotz qualitativ hochwertigen Multispektraldaten lassen sich erfahrungsgemäß nicht alle Baumarten zu jedem Zeitpunkt zufriedenstellend im Bild voneinander trennen. Aus diesem Grund ist neben einer ausreichenden spektralen und räumlichen Auflösung, auch die temporale Auflösung wichtig. Je nach zeitlicher Auflösung lassen sich durch multi-temporale Datensätze dynamische Prozesse abbilden und in der Klassifikation berücksichtigen. Intra-annuelle Zeitserien bieten gute Rückschlüsse auf die Dynamiken der Landbedeckung und können sogar phänologische Prozesse erfassen, wodurch detaillierte Klassenunterscheidungen möglich sind. Mit der Sentinel-2A/-2B Zwillingsmission steht eine bislang unerreichte Informationsfülle zur Verfügung, um auch schwierig zu unterscheidende Baumarten korrekt klassifizieren zu können und die Qualität von Landbedeckungsklassifikationen wesentlich zu verbessern. Idealerweise sollten rund 10 Szenen, gut über das Jahr verteilt, für die Klassifikation zur Verfügung stehen. Forstinventurdaten stellen dabei aufgrund ihrer Details ideale Referenzdaten dar.

Fernerkundungsgestütztes Waldmonitoring - Einsatzmöglichkeiten

Der Einsatz von Fernerkundung in der Forstwirtschaft bietet viele weitere Möglichkeiten, um bestehende Aufgaben zu unterstützten und detaillierte Informationen zeitnah zu liefern. Sie eröffnet dadurch Perspektiven für neue Aufgaben. Die Fernerkundung kann insbesondere das Monitoring in den Bereichen Waldinventur und -ökologie, Forsteinrichtung und -schutz, Genetik und Naturschutz unterstützen. Bei der Auswertung der Fernerkundungsdaten spielen terrestrisch erhobene Daten eine zentrale Rolle als Trainings- und Validierungsdaten. Für den Einsatz und die Anwendung der Fernerkundung besteht allerdings noch Forschungs- und Entwicklungsbedarf.

Aus Fernerkundungsdaten werden ferner digitale Landbedeckungsmodelle, digitale Geländemodelle und digitale Oberflächenmodelle hergeleitet. Aus diesen Daten können Vegetationshöhenmodelle generiert werden, die insbesondere für Auswertungen im Wald wertvolle Informationen liefern, aber auch zur Unterstützung von Landnutzungsklassifizierungen dienen. Auf Grundlage der Vegetationshöhenmodelle können Informationen für einzelne Bäume und Bestände generiert werden. Die Kombination dieser Daten mit terrestrischen Inventurdaten ermöglicht es, Karten zu Holzvorräten und Biomasse herzuleiten.

Diese neuen Anwendungsgebiete werden u. a. durch technische Fortschritte im Bereich der Photogrammetrie, wie qualitativ hochwertige und hochaufgelöste digitale Luftbilder, innovative Auswertungsalgorithmen sowie leistungsstärkere Hardware eröffnet und die Ableitung von neuen Produkten aus Luftbilddaten ermöglicht. Hierzu zählt die Berechnung von hochaufgelösten, digitalen Oberflächenmodellen DOM) aus Stereo-Luftbildern über automatisierte Verfahren der Bildkorrelation (Image Matching), die dadurch mittlerweile eine Alternative zur flugzeuggestützten Laserscanner-Messung geworden sind.

Ein Forschungsgebiet der Fernerkundung in der Forstwirtschaft ist die Erfassung von Waldflächen. Fernerkundungssensoren bilden in aller Regel die Landbedeckungsform ab, z. B. mit Bäumen bewachsene Flächen. Daraus wird unter Verwendung der geltenden Walddefinition und einer geeigneten Methodik eine Waldkarte erzeugt, aus der die Waldfläche abgleitet werden kann. Ebenso können Lücken im Bestand und der Überschirmungsgrad ausgewiesen werden. Ein aktuelles Forschungsthema ist die Baumartenerkennung. Dabei stehen die Ausweisung von Laub- und Nadelholzflächen und die Klassifizierung ausgewählter Baumarten im Fokus verschiedener Studien und Pilotprojekte.

Ein weiteres Anwendungsgebiet der Fernerkundung ist die Erkennung von Strukturen im Wald. Die hohe zeitliche Frequenz von Fernerkundungsaufnahmen ermöglicht Veränderungsanalysen. Damit können neue Waldflächen und Umwandlungen von Wald in andere Landnutzungsklassen erkannt werden. Schwierig sind die Trennung von Hiebsmaßnahmen im Wald und Waldumwandlungsflächen sowie die Entdeckung neuer Waldflächen, wenn die Bäume im Fernerkundungsmedium aufgrund ihrer geringen Höhe noch nicht erkannt werden können. Dann bedarf es weiterhin terrestrischer Informationen.

Neben der Anwendung von Fernerkundungsdaten zur Erfassung des Waldzustandes werden diese zunehmend zur Aufnahme und Bewertung von biotischen und abiotischen Schäden verwendet. Aufgrund der schnellen Verfügbarkeit dieser Daten können sie zur Detektion von Windwurfflächen oder anderen Kalamitätsflächen genutzt werden. Zudem können diese Informationen dazu dienen, die Aufarbeitung betroffener Flächen zu unterstützen. Daneben gibt es Studien zur Beurteilung der Vitalität von Waldbeständen, um beispielsweise die Auswirkungen von Trockenstress zu untersuchen.

In der Forstlichen Versuchs− und Forschungsanstalt Baden-Württemberg (FVA) werden Methoden entwickelt für die Forstinventuren, Baumarten- und Schadenserkennung. Der Schwerpunkt der Eingangsdaten sind die Stereo-Luftbilder der Befliegungen des LGL-BW. Sie werden mit drohnenbasierten Aufnahmen, Eigenbefliegungen und Satellitendaten ergänzt. Insbesondere die kostenlosen Satellitendaten des europäischen Erdbeobachtungsprogramms Copernicus mit ihrer hohen zeitlichen Auflösung werden intensiv eingesetzt. Verschiedene Spektralbereiche der Programm-eigenen Sentinel-Satelliten werden dabei verwendet. Ferner kommen auch Lidardaten zum Einsatz.  Durch die extrem hohe räumliche Auflösung von LIDAR (flugzeuggetragen) können sehr detaillierte 3D-Strukturen von Objekten erstellt werden.

Das UBA (2019) eruierte in einer Studie am Beispiel der Baumartenerkennung, das Potenzial der Satellitenfernerkundung mit Hilfe der hochauflösenden und entgeltfreien Daten des Copernicus-Programmes und seiner leistungsfähigen Erdbeobachtungsinfrastruktur. Hierfür sind vor allem Daten des Satellitensystems Sentinel-2 von Interesse.

Dieses breite Methodenspektrum ermöglicht eine spezifische Erfassung der Waldbestände je nach Fragestellung.

Der globale Maßstab

Zur Feststellung von Waldflächenbilanzen einzelner Länder auf globaler Ebene wird in der Regel auf die Daten der FAO zurückgegriffen. Sie führt seit 1946 Länderbefragungen zur Bewertung der Waldressourcen (Global Forest Resources Assessment - FRA) durch. Die letzte FRA 2015 erfuhr allerdings deutliche Kritik, da sie das Ausmaß der weltweiten Entwaldung aus unterschiedlichen Gründen deutlich unterschätzte:

„Unabhängig von der Waldstatistik der FAO kommt das weltweite Monitoring der Wälder mittels Satellitenbilder zu abweichenden Ergebnissen. So ermittelten Hansen et al. (2013) im Durchschnitt der Jahre 2000 bis 2012 einen weltweiten Waldverlust von 19 Mio. Hektar pro Jahr, der durch eine Zunahme von 6,7 Mio. Hektar pro Jahr nur zu einem kleineren Teil kompensiert wurde und damit dreimal so hoch liegt als die der FAO von den Staaten gemeldeten Zahlen. Für die Tropen ermittelten die Satellitenbildexperten im Gegensatz zur FAO außerdem eine zunehmende Entwaldung [...]" (Waldbericht der Bundesregierung 2017)

Die FAO hat dies erkannt und eine internationale Expertengruppe zum besseren Abgleich terrestrischer Waldinventurmethoden mit Satellitenbildern eingerichtet. Daraus wird die Bedeutung eines globalen Satellitenbildmonitorings mehr als deutlich.

Grafik 'Regionenbezogener Waldverlust nach Verursachern für den Zeitraum 2001-2015'

Gemeinsam mit dem Sustainability Consortium und der University of Maryland hat Global Forest Watch Tausende von Satellitenbildern in Google Earth visuell interpretiert, um zu ermitteln, was die Waldzerstörung auf der ganzen Welt verursacht hat. Mit diesen Informationen hat GFW ein Computermodell trainiert, um die wahrscheinlichsten Ursachen für den Verlust von Baumbestand zu bestimmen, der zwischen 2001 und 2015 weltweit festgestellt wurde. Die interaktive Karte ist bei Global Forest Watch verfügbar.

Sie zeigt fünf Ursachen für den Verlust von Baumbestand. Dies sind insbesondere rohstoffgetriebe Entwaldung („commodity-driven deforestation“), Landwirtschaft mit Flächenwechsel („shifting agriculture“), Waldbewirtschaftung („forestry“), Waldbrand („wildfire“) und Städtebau („urbanization“). Das Verständnis der Auswirkungen jedes dieser Faktoren trägt dazu bei, mehr Einblick in den Status der globalen Wälder zu gewinnen.

Regionenbezogener Waldverlust nach Verursachern für den Zeitraum 2001-2015 Quelle: Global Forest Watch 2018

Jährlich werden etwa 8,8 Mio. Hektar Naturwald – hauptsächlich Tropenwald – zerstört, dies entspricht mehr als die Fläche von Niedersachsen und Baden-Württemberg zusammen. Die Hauptursachen der Tropenwaldzerstörung sind eine nicht nachhaltige Waldbewirtschaftung sowie die Umwandlung in andere Landnutzungsformen. Die Bewirtschaftung, Erhaltung und nachhaltige Entwicklung der Tropenwälder ist eine zentrale Herausforderung der internationalen Staatengemeinschaft. Gerade die Ärmsten sind oft von Wäldern als Lieferanten für Nahrung, Medikamente, Baumaterial und Energie direkt abhängig. Die internationale Forstpolitik benötigt wissenschaftlich abgesicherte Informationen, um Anreize für eine nachhaltige Waldbewirtschaftung zu beschließen.

Im globalen Maßstab dokumentieren Raumfahrtagenturen wie ESA (z. B. Deforestation in Bolivia), NASA (z. B. Tracking Amazon Deforestation from Above) oder DLR mit ihren unterschiedlichsten Satellitentechnologien, wie auch NGOs (z. B. WWF) bei ihrem an Naturschutz und sozialer Gerechtigkeit ausgerichteten Engagement die vielfachen Eingriffe in die Waldökosysteme vor allem in den Tropen und Subtropen. Große Satellitenbetreiber und Bildanbieter wie Maxar, Planet (z. B. A Turning Point in Tropical Forest Monitoring), Airbus D&S u. w. haben entsprechendes Bildmaterial in ihrem Portfolio. Daneben sind auch mittelständische Dienstleister wie Remote Sensing Solutions (RSS) in diesem Bereich aktiv.

Beispiel: Illegale Abholzung auf der Plantage Cacao del Peru Norte in Tamshiyacu, Loreto, Peru

Drei riesige Agrobusiness-Projekte im peruanischen Amazonasgebiet, die alle mit derselben Unternehmensgruppe zusammenhängen, wurden von den Regierungsbehörden des Landes angewiesen, den Betrieb einzustellen.

Zusammen sind die Projekte, die gemeinsam von Cacao del Perú Norte S.A.C. (betreibt eine Kakaoplantage in Loreto), Plantaciones de Ucayali S.A.C. und Plantaciones de Pucallpa S.A.C. (betreiben beide Ölpalmenplantagen in Ucayali) entwickelt werden, für mehr als 11.000 Hektar illegale Entwaldung, hauptsächlich des primären tropischen Regenwaldes, verantwortlich.

Illegale Abholzung auf der Plantage Cacao del Peru Norte (Peru) Quelle: EIA (2016)

RSS verwendet eine breite Palette modernster Satelliten-, Flugzeug- und Drohnengetragener Sensortechnologien, um die aussagekräftigsten Geodaten zu generieren und um belastbare Informationen über die globalen Wälder zu liefern. Für die raum-zeitliche Datenanalyse nutzt die Firma Geographische Informationssysteme (GIS) und Algorithmen des maschinellen Lernens zur Automatisierung von großen Datenmengen. Diese Dienstleistungen umfassen unter anderem Monitoring, Reporting und Verifizierung (MRV) im Rahmen des REDD+ Kontexts, Biomasseabschätzungen sowie CO₂-Bilanzierungen. RSS ist auch spezialisiert auf die Kartierung von Waldtypen und Waldschäden.

Für eine der wichtigsten Ursachen für Entwaldung in den Tropen – die Ausweitung der Landwirtschaft, die u. a. von der globalen Nachfrage beeinflusst ist– konnte die politische Aufmerksamkeit hierfür weltweit inzwischen deutlich verstärkt werden. Dies wird u.a. durch die von der Bundesregierung geförderte Umsetzung der New Yorker Walderklärung sowie im Rahmen der Absprachen der Amsterdam-Partnerschaft in Europa erreicht. Auch die EU-Kommission konnte insbesondere durch letztere zum Handeln gedrängt werden und hat am 23. Juli 2019 eine Mitteilung zu EU-Maßnahmen gegen die Entwaldung veröffentlicht.

Eine neue Studie unter der Leitung von Yu Feng von der Universität Hongkong untersuchte die regionale Entwicklung der Waldverluste in Afrika und Südostasien sowie die Ursachen dafür. Mithilfe einer Kombination aus Landsat, Sentinel-2 und PlanetScope konnten auch sie den Großteil der tropischen Entwaldung mit der Landwirtschaft in Verbindung bringen. Die Beschleunigung und die hohe Rate des Kohlenstoffverlustes der Wälder im einundzwanzigsten Jahrhundert deuten darauf hin, dass die bestehenden Strategien zur Verringerung des Waldverlustes nicht erfolgreich sind. Dieser Misserfolg unterstreicht, wie wichtig es ist, die Entwaldungstrends im Anschluss an die in Glasgow gemachten Zusagen, in denen zugesagt wird, den Waldverlust in weniger als einem Jahrzehnt zu stoppen, zu überwachen.

Das räumliche Muster der Veränderungen des jährlichen Kohlenstoffverlustes der Wälder ist regional unterschiedlich (Abb.unten). Seit 2001 hat der jährliche Waldkohlenstoffverlust im tropischen Afrika und Asien deutlich und kontinuierlich zugenommen und macht 38 % bzw. 43 % des Anstiegs des pantropischen Kohlenstoffverlusts aus. In Afrika nahm der jährliche Waldkohlenstoffverlust im Kongobecken (z. B. in der Demokratischen Republik Kongo und in Kamerun), in Angola und in einigen nördlichen Ländern an der westafrikanischen Küste (z. B. in Guinea, der Elfenbeinküste und Liberia) im Zeitraum 2015-2019 stark zu. Teile Südostasiens (SEA), insbesondere die Halbinsel Malaysia, der Bundesstaat Sabah und einige indonesische Inseln, sind nach wie vor Hotspots des Waldkohlenstoffverlusts. In jüngster Zeit hat der Kohlenstoffverlust der Wälder in den nördlichen Teilen des montanen Festlands von Südostasien rasch zugenommen. Im Gegensatz dazu ist der Trend des Waldkohlenstoffverlustes über dem tropischen Amerika im Zeitraum 2001-2019 nicht signifikant, auch wenn die Verluste in einigen Gebieten lokal hoch sind. In den Jahren 2001-2005 fand beispielsweise der größte Verlust an Waldkohlenstoff zwischen den Biomen Cerrado und Amazonas in Brasilien statt, in dem Gebiet, das als "Arc of Deforestation" bekannt ist.

Räumliches Muster des Kohlenstoffverlustes in den Wäldern der Tropen a, b: Mittlerer jährlicher Kohlenstoffverlust in den Jahren 2001-2005 (a) und 2015-2019 (b). c: Veränderungen des mittleren jährlichen Kohlenstoffverlusts in den Jahren 2015-2019 im Vergleich zum Zeitraum 2001-2005. Schwarze Punkte kennzeichnen Gebirgsregionen, die durch die Inventardaten des Global Mountain Biodiversity Assessment (GMBA) definiert sind; 1 MgC = 10-9 PgC. Der Kohlenstoffverlust der Wälder umfasst den Kohlenstoffverlust der oberirdischen und (gebundenen) unterirdischen Biomasse sowie den Verlust an organischem Kohlenstoff im Boden. Quelle: Nature Sustainability

Globale TanDEM-X-Waldkarte des DLR

Das Deutsche Zentrum für Luft- und Raumfahrt (DLR) hat einen besonderen Datensatz erstellt, um den aktuellen Zustand sowie die Entwicklungen des "grünen Organs" genau beobachten, bewerten und schützen zu können: die globale TanDEM-X-Waldkarte. Dazu wurden interferometrische Daten genutzt, die für das globale Höhenmodell der deutschen Radarsatellitenmission TanDEM-X aufgenommen wurden, und Algorithmen aus dem Bereich der künstlichen Intelligenz zur globalen Datenverarbeitung entwickelt. Diese wurden für verschiedene Waldtypen anhand von Baumhöhen, Dichte und Struktur optimiert. Das Ergebnis ist eine Karte, die bei einer Auflösung von 50 Metern die Ausdehnung bewaldeter Flächen darstellt.

Radarsatelliten können unabhängig von Wetter oder Tageszeit Aufnahmen erstellen – ein besonderer Vorteil bei der Kartierung von tropischen Wäldern, die meist von Wolken bedeckt sind.

Globale TanDEM-X-Waldkarte Globale TanDEM-X-Waldkarte mit 50m Auflösung für Wissenschaft frei verfügbar Beobachtung, Bewertung und Schutz des weltweiten Waldbestands Zusammenspiel von interferometrischen Daten des globalen TanDEM-X-Höhenmodell und intelligenten Algorithmen zur Datenverarbeitung Quelle: DLR

Die TanDEM-X-Waldkarte schließt bisherige Datenlücken und liefert erstmals einen einheitlichen Überblick der Regenwälder in Südamerika, Südostasien und Afrika. Die Erkenntnisse sind für Behörden und Wissenschaftler gleichermaßen bedeutsam, da diese Gebiete vor illegaler Abholzung geschützt und als mächtige Kohlenstoff-Speicher erhalten werden müssen.

Anhand der neuen Karte lässt sich entsprechend auch die Biomasse-Konzentration von Wäldern genauer bestimmen – ein Schlüsselfaktor im globalen Kohlenstoffkreislauf. Die globale TanDEM-X-Waldkarte schafft damit eine wichtige Datengrundlage für Forschungen zum globalen Wandel und bietet darüber hinaus auch vielfältige Anwendungsmöglichkeiten in der Landwirtschaft, Forstwirtschaft, Regionalentwicklung sowie der Raumplanung. In Hinblick auf die gesellschaftlichen Herausforderungen des globalen Wandels lassen sich schließlich auch genauere Vorhersagen und geeignete Maßnahmen ableiten.

Neuronales Netzwerk zur Bestimmung von Baumhöhen aus Satellitenbildern

Mit Hilfe eines künstlichen neuronalen Netzwerks haben Forschende der ETH Zürich eine erste hochaufgelöste globale Vegetationshöhen-Karte aus Satellitenbildern für das Jahr 2020 erstellt. Die Karte könnte entscheidende Hinweise gegen den Klimawandel und das Artensterben liefern.

Im Rahmen der UN-Dekade für die Wiederherstellung von Ökosystemen (engl. UN Decade on Ecosystem Restoration) setzte man sich das Ziel, bis 2030 die Degradation der Ökosysteme aufzuhalten, ihr vorzubeugen und bereits entstandene Schäden, wenn möglich zu beheben. Für solche Vorhaben benötigen die Akteure präzise Grundlagen wie zum Beispiel Vermessungen und Karten des Bestands. Bislang weiß man allerdings nicht, wie hoch die Bäume weltweit sind. Zur Bestimmung der CO₂-Emissionen als Ergebnis von Abholzungen ist aber die Kenntnis der Baumhöhen erforderlich. Etwa 95 Prozent der Biomasse im Wald sind im Holz und nicht in den Blättern. Daher hängt die Biomasse stark mit der Höhe zusammen.

Die Forscher des  EcoVision Lab in Zürich erstellten eine Karte durch die Zusammenführung von Lidar-Daten der NASA-Mission Global Ecosystem Dynamics Investigation (GEDI) mit optischen Bildern der 2 Sentinel-2-Satelliten der ESA. Die Lidar-Profile von GEDI liefern detaillierte Informationen über die Höhe der Baumkronen, decken aber nur begrenzte Gebiete ab; die optischen Daten von Sentinel-2 haben eine große Abdeckung, sind aber nicht für die Messung der Baumkronenhöhe ausgelegt. Sie nehmen alle fünf Tage jeden Ort der Erde mit einer Auflösung von 10x10 Metern pro Pixel auf. Es sind die qualitativ besten Bilder, die zurzeit öffentlich zugänglich sind.

Die GEDI-Daten werden von den Forschern genutzt, um ein Deep Learning-Modell zu trainieren, das in der Lage ist, die Höhe der Baumkronen auf Sentinel-2-Bildern überall auf der Erde zu schätzen. Dazu untersucht ein Computer Millionen von Beispielen für Helligkeitsmuster, die in den Pixeln der optischen Sentinel-2-Bilder enthalten sind. Die GEDI-Mission wiederum liefert global verteilte, punktuelle Daten der Vegetationshöhe zwischen 51° N und 51° S, sodass der Computer im Trainingsprozess viele verschiedene Vegetationstypen sieht. Der Algorithmus erhält so die Baumhöhe am zentralen Pixel jeder Beispielregion, die vom Lidar von GEDI genau gemessen wurde.

Anhand dieser Informationen lernt der Algorithmus selbst, welche Baumhöhen mit bestimmten Textur- und Spektralmustern in den Bildern verbunden sind. Ist das neuronale Netzwerk erst einmal trainiert, kann es die Baumhöhen aus den mehr als 250.000 Bildern (etwa 160 Terabyte Daten), die für die globale Karte notwendig sind, automatisch schätzen.

Der Trick dabei ist, dass die Bildfilter gestapelt werden und der Algorithmus dadurch Kontextinformationen erhält, da er von jedem Pixel bereits Informationen über die Nachbarpixel hat. Dadurch ist es dem EcoVision Lab erstmalig gelungen mit einer Satellitenkarte auch Baumhöhen von bis zu 55 Meter zuverlässig einzuschätzen.

Weil diese neuronalen Netzwerke mit ihren vielen Schichten 'tief' sind, spricht man auch von Deep Learning. Diese Methode läutete vor rund 10 Jahren eine grosse Revolution in der Bildverarbeitung ein. Der Umgang mit der schieren Menge an Daten, die dazu nötig ist, ist jedoch nach wie vor eine grosse Herausforderung: Um die globale Vegetationshöhen-Karte zu berechnen, bräuchte ein leistungsstarker Rechner allein drei Jahre. Die Erstellung der globalen Karte war nur durch den Zugriff auf den ETH-Hochleistungsrechencluster in vertretbarer Zeit möglich.

Die folgende Karte der ETH-Forscher zeigt die Höhe der Wälder der Erde, von stämmigen Schösslingen bis hin zu über 50 Meter hohen Bäumen. Sie enthält einige Muster, die man erwarten könnte, wie zum Beispiel höhere Wälder in der Nähe des Äquators im Amazonasgebiet, in Zentralafrika und in Indonesien.

Aber auch außerhalb der Tropen sind hohe Bäume zu finden. Riesenmammutbäume in Kalifornien zum Beispiel können fast 80 Meter hoch werden; Bhutan-Kiefern im östlichen Himalaya erreichen ähnliche Höhen und übersteigen damit den Maßstab dieser Karte.

Neue globale Karte zur Darstellung der Waldhöhen Quelle: NASA Earth Observatory

Weitere Informationen:

• Wie funktioniert Waldmonitoring mit Fernerkundungsmethoden? (OpenGeoEdu)
• Lagegenaue Erfassung von Bäumen aus dem Flugzeug (LWF 2019)
• Forstwirtschaft und Waldmonitoring (BMEL)
• Globale TanDEM-X-Waldkarte verfügbar (DLR)
• Global Forest Watch - Startseite
• Global Forest Observations Initiative - Startseite
• Oberflächenmodelle aus Luftbildern für forstliche Anwendungen (AFL)
• Waldflächenbilanz und Entwicklungszusammenarbeit (DBT Wissenschaftliche Dienste)
• New satellite images to allow anyone, anywhere, to monitor tropical deforestation (NICFI)
• Satellite Images Show Forest Changes in China (AIR 2022)
• Neuronales Netzwerk kann Baumhöhen von Satellitenbildern ablesen (ETH Zürich 2022)
• Scientists Show How Forests Measure Up (NASA Earth Observatory 2022)
• Monitoring of Forests through Remote Sensing (European Commission)
• Recovering forests regain a quarter of carbon lost from deforestation (ESA 2023)
• How do Copernicus data help monitor and understand the impacts of palm oil plantations? (Copernicus 2021)
• Wald vom Weltraum aus kartiert (Thünen 2023)
• EU observatory covering deforestation and forest degradation worldwide goes live (EU Commission 2023)