Forschungsprojekt

Fernerkundungsdatenpool Böhmerwald-Ökosystem

Genereller Kontext:

Weltweit sind Wälder die Hot Spots der Biologischen Vielfalt, gleichzeitig sind sie in dramatischer Weise durch Abholzung, Übernutzung und den Klimawandel gefährdet. Um die Wälder besser schützen zu können, ist es zunächst wichtig, die Veränderung der Waldflächen, ihrer Struktur und der in ihnen lebenden Arten zu erfassen, um auf dieser Basis ein besseres Verständnis von Waldökosystemen zu erlangen und gezielte Schutzmaßnahmen ergreifen zu können. Ein solches Monitoring der Wälder wird konventionell mit terrestrischen Inventuren erreicht, die jedoch sehr zeitaufwändig und damit kostenintensiv sind. Moderne Fernerkundungsmethoden können heute die Waldökologen sowohl bei der Forschung als auch beim Monitoring unterstützen: Drohnen bzw. Unmanned Aerial Vehicles (UAV) können zur Erfassung von hochauflösenden Referenzdaten eingesetzt werden, flugzeuggestützte Systeme mit Kameras oder Laserscannern helfen bei der Inventarisierung von Schadereignissen und Satelliten liefern optische bzw. Radaraufnahmen in einer zeitlichen Auflösung von teilweise unter einer Woche oder besser.

Bilderslider

Drei Bilder des Hyperspektralsensors Hyspex

Die Bilder zeigen Daten des Hyperspektralsensors Hyspex. Dieser zeichnet nicht nur drei Kanäle aus wie bei einem Farbbild (Bild 1), sondern 360. Damit kann zum Beispiel der Gesundheitszustand des Waldes bestimmt werden. Falschfarbenbilder in rot (Bild 2) oder gelb (Bild 3) lassen Schädigungen der Vegetation erkennen und geben Rückschlüsse. (Fotos: Deutsches Zentrum für Luft- und Raumfahrt

 

Fernerkundungsdaten sind damit eine sehr gute Möglichkeit, regelmäßige flächenhafte Beobachtungen von Waldökosystemen durchzuführen und können als Input in Modellen dazu dienen, Punktmessungen aus einer Vielzahl von Fragestellungen in die Fläche zu bringen. Datenprodukte, die aus Fernerkundungsdaten generiert werden, sind hier zunehmend auch in der Lage, Parameter, die bisher aufwändig am Boden aufgenommen werden mussten, zu ersetzen. Dies setzt voraus, dass die Modelle, die diese Produkte generieren, gut kalibriert sind. Dies ist vor allem in Regionen relevant, in denen regelmäßige und konsistente Aufnahmen von Bodendaten nicht möglich sind. Entsprechend wichtig ist es, Fernerkundungsaktivitäten zu bündeln und zu koordinieren, um einen Wissenstransfer zwischen unterschiedlichen Forschern mit unterschiedlichen Schwerpunkten zu gewährleisten.

Der Datenpool:

Der Böhmerwald ist ein einzigartiges Ökosystem, das mit seinen Nationalparks Bayerischer Wald und Šumava langfristige und konsistente Umweltbeobachtungen ermöglicht. Aus diesem Grund eignet er sich hervorragend als Untersuchungsobjekt für fernerkundliche Forschungen, die einerseits zum besseren Verständnis (langfristiger) Ökosystemdynamiken beitragen, zum Beispiel im Falle der Ausbreitung von Borkenkäferbefall. Umgekehrt bietet sich das Böhmerwaldökosystem mit seiner hervorragenden Datenlage an, um in diesem Zusammenhang das Potential unterschiedlicher Fernerkundungsanalysen für die Untersuchung verschiedener Fragestellungen zu testen.

Aus diesem Grund wurde 2015 der Fernerkundungsdatenpool Böhmerwald-Ökosystem (engl. Data Pool Initiative for the Bohemian Forest Ecosystem) gegründet, um die Forschungsinitiativen für den Bereich Fernerkundung innerhalb dieses einzigartigen Ökosystems zu koordinieren. Diese Koordination obliegt der Nationalparkverwaltung und umfasst nicht nur die Verwaltung der Mitgliederorganisationen, sondern auch die Betreuung von Forschern, die nicht bei der Nationalparkverwaltung beschäftigt sind und vor Ort Daten aufnehmen, die Archivierung der gewonnenen Ergebnisse und Publikationen sowie die Bereitstellung von Referenzdaten, die der Kalibrierung fernerkundungsbasierter Modelle dienen. Des Weiteren wird ein jährlicher Workshop organisiert, auf dem die beteiligten Wissenschaftler ihre Arbeit vorstellen und sich über zukünftige gemeinsame Forschung austauschen können. Dieser Workshop bietet Doktoranten und Masterstudenten außerdem eine Möglichkeit, ihre Abschlussarbeiten vorzustellen und sich mit Forschern auszutauschen.

Inhaltlich liegen die Schwerpunkte der Nutzung der Fernerkundungsdaten des Datenpools insbesondere in der Kartierung von Biodiversität (sogenannte Essential Biodiversity Variables), in der Weiterentwicklung von Habitatmodellen, zum Beispiel für Luchs oder Rotwild, im Monitoring von natürlichen Störungsereignissen (Windwurf, Kalamitäten), der Waldstrukturen und dem automatisierten Erkennen von einzelnen Bäumen.

Leistungen:

Gemeinsam erreichen die verschiedenen internationalen Mitglieder des Datenpools einen hohen wissenschaftlichen Output. Seit 2015 sind 68 Studien in internationalen wissenschaftlichen Zeitschriften erschienen. Eine Studie des Deutschen Zentrums für Luft- und Raumfahrt (Holzwarth et al, 2020: https://doi.org/10.3390/rs12213570) stellte fest, dass sich 34 Prozent aller veröffentlichten Studien im Bereich Fernerkundung von Wäldern in Deutschland zwischen 2000 und 2020 mit dem Nationalpark Bayerischer Wald beschäftigen, was mit großem Abstand den Spitzenplatz in Deutschland bedeutet. Die Autoren führen diesen Erfolg maßgeblich auf die internationale Vernetzung der Nationalparkverwaltung zurück, die sich im Bereich der Fernerkundung auf den Datenpool stützt. Seit der Gründung im Jahr 2015 wurden und werden 14 Dissertationen, eine Habilitation und zahlreiche Abschlussarbeiten im Rahmen des Datenpools verfasst. Aufgrund des Erfolgs wurde die Datapool-Vereinbarung Anfang 2021 um vier weitere Jahre bis Ende 2024 verlängert.

Neueste Publikationen:

  1. Neinavaz, E., Skidmore, A., Darvishzadeh, R. (2020): Effects of prediction accuracy of the proportion of vegetation cover on land surface emissivity and temperature using the NDVI threshold method, International Journal of Applied Earth Observation and Geoinformation, 85, 101984.
  2. Ali, A. M., R. Darvishzadeh, A. Skidmore, T. W. Gara, M. Heurich (2020): Machine learning methods performance in radiative transfer model inversion to retrieve plant traits from Sentinel-2 data of a mixed mountain forest. International Journal of Digital Earth. 1-15.
  3. Ali, A. M., Darvishzadeh, R., Skidmore, A., Heurich, M., Paganini, M., Heiden, U. and S. Mücher, (2020): Evaluating Prediction Models for Mapping Canopy Chlorophyll Content Across Biomes. Remote Sensing, 12(11), 1788.
  4. Ali, A. M., R. Darvishzadeh, A. Skidmore, T. W. Gara, B. O’Connor, C. Roeoesli, M. Heurich, and M. Paganini (2020): Comparing methods for mapping canopy chlorophyll content in a mixed mountain forest using Sentinel-2 data. International Journal of Applied Earth Observation and Geoinformation 87:102037.
  5. Krzystek, P., Serebryanyk, A., Schnörr, C., Červenka, J. and M. Heurich (2020): Large-Scale Mapping of Tree Species and Dead Trees in Šumava National Park and Bavarian Forest National Park Using Lidar and Multispectral Imagery. Remote Sensing, 12(4), 661.
  6. Zhu, X., Liu, J., Skidmore, A. K., Premier, J., & Heurich, M. (2020). A voxel matching method for effective leaf area index estimation in temperate deciduous forests from leaf-on and leaf-off airborne LiDAR data. Remote Sensing of Environment, 240, 111696.
  7. Senf, C., Lastovicka, J., Okujeni, A., Heurich, M., and S. van der Linden (2020): A generalized regression-based unmixing model for mapping forest cover fractions throughout three decades of Landsat data. Remote Sensing of Environment, 240, 111691.
  8. Shi, Y., Wang, T., Skidmore, A. K., and M. Heurich (2020): Improving LiDAR-based tree species mapping in Central European mixed forests using multi-temporal digital aerial colour-infrared photographs. International Journal of Applied Earth Observation and Geoinformation, 84, 101970.
  9. Boutsoukis, C., Manakos, I., Heurich, M., Delopoulos, A. (2019) Canopy height estimation from single multispectral 2D airborne imagery using texture analysis and machine learning in structurally rich temperate forests. Remote Sensing, 11(23), 2853.
  10. Amiri, N., Krzystek, P., Heurich, M., Skidmore, A. (2019): Classification of tree species as well as standing dead trees using triple wavelength lidar in a temperate forest. Remote Sensing. 11(22), 2614
  11. Gara, T.W., Darvishzadeh, R., Skidmore, A.K., Wang, T., Heurich, M. (2019): Evaluating the performance of PROSPECT in the retrieval of leaf traits across canopy throughout the growing season. International Journal of Applied Earth Observations and Geoinformation, 83, 101919
  12. Gara, T. W., Darvishzadeh, R., Skidmore, A. K., Wang, T., Heurich, M. (2019). Accurate modelling of canopy traits from seasonal Sentinel-2 imagery based on the vertical distribution of leaf traits. ISPRS Journal of Photogrammetry and Remote Sensing, 157, 108-123.
  13. Oeser, J., Heurich, M., Pflugmacher, D., Senf, C., P. Kuemmerle, T. (2019): Habitat metrics based on multi-temporal Landsat imagery for mapping large mammal habitat. Remote Sensing in Ecology and Conservation 6(1), 52-69.

Mitglied werden:

Forscher und Forschungsorganisationen, die sich mit der Fernerkundung des Böhmerwaldes beschäftigen möchten und Interesse haben, sich am Datenpool zu beteiligen, können sich an die untenstehenden Ansprechpartner wenden.

Ansprechpartner:

Simon König
Projektmitarbeiter
simon.koenig@npv-bw.bayern.de

Prof. Dr. Marco Heurich
Sachgebietsleiter
marco.heurich@npv-bw.bayern.de

Stefanie Holzwarth
Deutsches Zentrum für Luft und Raumfahrt
stefanie.holzwarth@dlr.de

Beteiligte:


Bilderslider

Logo - Nationalpark Šumava
Logo - Deutsches Zentrum für Luft- und Raumfahrt
Logo - Geoinformation in der Umweltplanung
Logo - Hochschule für angewandte Wissenschaften
Logo - Institut für Natürliche Ressourcen, Uni Twente
Logo - Ludwig-Maximilians-Universität München
Logo - Helmholtz-Zentrum für Umweltforschung
Logo - Ecosoph GmbH
Logo - K.N. Toosi University of Technology
Nach oben zum Seitenanfang nach oben