MeadowTypes
LAUFZEIT:
11/2021
—
08/2023
Projektlaufzeit gesamt:
2 Jahre
Das Projekt
MeadowTypes bietet Grundlagen, den Zustand, ökologischen Wert und wirtschaftlichen Nutzen von Grünlandflächen zu bewerten. Die Ergebnisse erlauben wertvolle Einblicke in die Unterschiedlichkeit von Wiesen und deren Bedeutung für die Umwelt, die Landwirtschaft und unsere ganze Gesellschaft.
Unsere Tätigkeiten im Projekt
Die Aufgaben von JR in diesem Projekt gehen von der Aufbereitung der Datengrundlagen bis zur Klassifizierung der Wiesentypen und der Validierung der Ergebnisse. Der Fokus liegt auf einer automatisierten Identifizierung und Klassifizierung von Wiesentypen durch die Nutzung von Satellitendaten und ergänzenden geografischen Informationen.
Forschungsgruppen
Downloads
Auftraggeber
Bundesministerium für Land- und Forstwirtschaft, Regionen und Wasserwirtschaft (BML)
vertreten durch die Österreichische Forschungsförderungsgesellschaft mbH (FFG)
Projektpartner
Raumberg-Gumpenstein Research & Development
Höhere Bundeslehr- und Forschungsanstalt (HBLFA) Raumberg-Gumpenstein
Details zum Projekt
Im Projekt MeadowTypes wurde eine effektive Methode zur Klassifizierung von Wiesentypen anhand von Fernerkundungsdaten entwickelt. Dazu wurde zunächst ein geeignetes Schema zur Klassifizierung auf Basis von Bodeninformationen und Bewirtschaftungsintensitäten erstellt. Dieses Schema wurde erweitert und auf 216 extensiv und 183 intensiv bewirtschafteten Standorten von Fachleuten der HBLFA Raumberg-Gumpenstein und Naturschutzbehörde für Feldbeobachtungen angewandt.
Gleichzeitig wurde eine Software-Toolbox entwickelt, welche die automatisierte Datenvorbereitung und Klassifizierung ermöglicht. In dieser Toolbox wurden bestehende Workflows optimiert, um die Verarbeitung von Sentinel-2 Satellitendaten effizienter zu gestalten. Dies beinhaltete Schritte wie die präzise Ausrichtung der Bilder, die Anpassung an das Gelände, die atmosphärische Korrektur und die Entfernung von störenden Elementen wie Wolken und Schatten.
Um die Klassifikation der Wiesentypen zu verbessern, wurden zusätzliche Informationen aufbereitet. Hierzu gehörten Geländehöhen und -strukturen aus dem Digitalen Geländemodell (DGM), eine geologische Karte, Bodenkarten und Informationen über Landnutzung und Klima. Diese Daten dienten als wichtige Inputparameter, um die Genauigkeit der Klassifikation zu steigern.
Die eigentliche Klassifikation erfolgte mithilfe eines Modells, das auf maschinellem Lernen basierte. Dabei wurden spektrale Informationen aus den Sentinel-2-Satellitendaten verwendet. Zusätzlich wurden Regeln und Methoden eingeführt, um potenzielle Fehlerquellen zu minimieren. Das resultierende Modell ermöglichte die detaillierte Klassifikation der Wiesentypen auf verschiedenen Grünlandflächen im Maßstab 1:50000.
Eine erste Klassifikation erzielte eine Gesamtgenauigkeit von 66 %, wobei zusätzliche Schritte zur Verbesserung der Genauigkeit eingeleitet wurden. Durch eine Plausibilitätsanalyse und Integration weiterer Informationen konnte die Genauigkeit auf 80 % gesteigert werden. In Bezug auf spezifische Eigenschaften wie Feuchtegehalt (86 %) und Bewirtschaftungsintensität (87 %) waren noch höhere Genauigkeiten möglich.
Die schrittweise Verbesserung der Genauigkeit zeigt den Erfolg der angewandten Methoden und die Bedeutung zusätzlicher Informationen für präzisere Klassifikationsergebnisse. Dieses Projekt bietet eine wertvolle Grundlage für die Identifizierung und Überwachung von Wiesentypen in unterschiedlichen Landschaften und kann in der Umweltüberwachung und -erhaltung von großem Nutzen sein.
