Klimawandel, Grundwasserschutz, Ernährungssicherheit: Der Landwirtschaft wird viel abverlangt. Die Herausforderungen sind sehr vielfältig, und viele Probleme sind nur gesamtgesellschaftlich lösbar. Für Lösungsansätze ist es wichtig, die komplexen Wechselwirkungen zwischen Klima, Landnutzung sowie den Prozessen in Boden und Pflanzen in einem Systemzusammenhang zu erfassen und zu analysieren.
Hierzu nutzt die Forschung Simulationsmodelle, die mit großen Datenmengen beispielsweise zur Meteorologie, zur Bodenbeschaffenheit, zu Pflanzenzuständen sowie zur Art der Landnutzung gespeist werden. Diese Daten können vor Ort durch Messstationen, Experimente oder auch durch Nah- und Fernerkundung gewonnen werden. Die neuen europäischen Satelliten des Copernicus-Programms, insbesondere Sentinel-1 (Radar) und Sentinel-2 (optisch), bieten eine bislang beispiellose Beobachtungsfrequenz bei gleichzeitig hoher räumlicher Auflösung. Die optischen Sensoren können jedoch nicht durch Wolken schauen, sodass bei Bewölkung die Beobachtung großer Teile der Vegetation nicht möglich ist.
Wie sich die Wissenschaftler diesem Problem gestellt haben, erläutert Dr. Patrick Griffiths, Hauptautor der Studie und seit kurzem bei der Europäischen Weltraumorganisation ESA in Frascati, Italien tätig: Man integriere zusätzliche Beobachtungen von anderen Missionen, so etwa aus der Landsat-Mission und erhöhe dadurch die effektive, also wolkenfreie Beobachtungsfrequenz. Aus allen verfügbaren, wolkenfreien Pixeln erzeuge man dann neue Bilder, indem man wolkenfreie Bildbereiche nach bestimmten Kriterien zusammenfüge, so Dr. Griffiths. Umfangreiches Datenmaterial wurde über Jahre am Zalf zusammengetragen. Die Signaturen aus den Satellitenbild-Zeitreihen wurden mit der tatsächlich im Feld beobachteten Anbausituation verglichen. Da die Datenmenge sehr groß ist, wurde hier ein Verfahren des maschinellen Lernens verwendet. Dieser Algorithmus „lernt“ aus der Zuordnung von Signatur und Beobachtung und kann dann für Felder, für die keine Beobachtung vorliegt, anhand der Signatur ableiten, um welche Ackerkultur es sich handelt. Auf diese Weise konnten die Wissenschaftler eine Landbedeckungskarte erzeugen, die für das gesamte Bundesgebiet feldgenau die angebauten Kulturen des Jahres 2016 wiedergibt.
Die Gesamtgenauigkeit der Zuordnung wurde dabei mit 81 Prozent quantifiziert. Das Forschungsteam macht sich jetzt daran, das Verfahren weiter zu verfeinern und in eine Simulationsstudie zur Ertragserwartung in Deutschland unter dem fortschreitenden Klimawandel einzubetten.
Weitere Informationen unter www.zalf.de