Die Kartierung von Ginster (Ulex europaeus) als hochbrennbaren Neophyten ist für das Brandrisikomanagement in Tasmanien hochrelevant. Ginster wird in flächendeckenden Monitoring-Produkten jedoch oft nicht erfasst. Wir vergleichen pixel- und objektbasierte Random-Forest-Klassifikation auf 0,5-m- und 3-m-Daten unter Einbezug von Texturmerkmalen und eines Lidar-Waldhöhenmodells. Pixelbasierte Modelle erzielten die höchste Genauigkeit (bis 94 %) und erfassten kleinräumige Ginster- und Graslandmosaike zuverlässiger, während objektbasierte Modelle vor allem unter Segmentierungsfehlern (77 %) litten. Textur verbesserte beide Ansätze konsistent, während Höheninformation und Vegetationsindizes nur selektiv halfen. Der Beitrag liefert einen Open-Source-Workflow und eine praxisnahe Einordnung, wann hochaufgelöste Fernerkundungsdaten für eine detaillierte Brennstoffkartierung sinnvoll sind.