Using a planted tree biodiversity experiment to evaluate imaging spectroscopy for species classification

Die Studie zeigt, dass bildgebende Spektroskopie zwar eine hohe Klassifizierungsgenauigkeit für bis zu vier Baumarten in kontrollierten Biodiversitätsexperimenten ermöglicht, bei artenreicheren Beständen jedoch eher für die Überwachung der funktionellen Vielfalt als für die Artbestimmung geeignet ist.

Das Wesentliche

Titel: Der Wald-Scan: Können wir Bäume am Computer „erkennen"?

Stellen Sie sich vor, Sie stehen auf einem Hügel und schauen auf einen riesigen Wald. Für das menschliche Auge ist das alles nur ein grünes Meer aus Blättern. Aber was, wenn wir einen „Super-Scanner" hätten, der nicht nur sieht, sondern jeden einzelnen Baum nach seinem „chemischen Fingerabdruck" analysieren könnte? Genau das haben die Forscher in dieser Studie versucht.

Hier ist die Geschichte ihrer Entdeckungen, einfach erklärt:

1. Das Problem: Der Wald ist ein riesiges Puzzle

In der echten Welt ist es schwer, Bäume aus der Luft zu unterscheiden. Warum? Weil Bäume, die in der Nähe voneinander wachsen, sich gegenseitig beeinflussen. Ein Baum, der im Schatten steht, sieht anders aus als einer in der Sonne. Ein Baum neben einem Nadelbaum sieht vielleicht anders aus als einer neben einer Eiche. Das macht es für Computer schwierig zu sagen: „Das ist eine Eiche!" oder „Das ist eine Kiefer!". Es ist wie der Versuch, zwei fast identische Zwillinge in einem dunklen Raum zu unterscheiden, während sie sich ständig bewegen.

2. Der Experiment-Labor: Ein kontrolliertes Chaos

Um dieses Problem zu lösen, haben die Forscher nicht in einen wilden, natürlichen Wald geschaut. Stattdessen sind sie in ein riesiges Wald-Labor gegangen (die BIOTREE-Experimente in Deutschland).

• Die Idee: Sie haben Bäume wie auf einem Schachbrett gepflanzt.
• Der Trick: Alle Bäume wuchsen auf demselben Boden, bekamen das gleiche Wasser und standen in der gleichen Reihenfolge. Es gab keine „Schuldigen" für Verwirrung (wie unterschiedliche Böden oder Schatten von Nachbarn).
• Die zwei Testgruppen:
  • Kaltenborn: Ein kleineres Labor mit nur 4 Baumarten (z. B. Fichte, Douglasie, Buche, Eiche).
  • Bechstedt: Ein größeres, komplexeres Labor mit 16 verschiedenen Baumarten.

3. Der Scanner: Ein fliegender Farb-Experte

Die Forscher flogen mit einem kleinen Flugzeug über diese Wälder. Das Flugzeug trug einen speziellen Scanner namens HyPlant.

• Was macht er? Er sieht nicht nur Rot, Grün und Blau (wie unsere Augen oder normale Kameras). Er sieht 589 verschiedene Farben (Wellenlängen), von ultraviolettem Licht bis hin zu Infrarot.
• Die Analogie: Stellen Sie sich vor, ein normales Foto ist wie ein Schwarz-Weiß-Film mit nur drei Farben. Dieser Scanner ist wie ein riesiges Farbband, das jede Nuance des Lichts einfängt, das von den Blättern zurückgeworfen wird. Jeder Baumtyp reflektiert das Licht auf seine ganz eigene, winzige Weise – wie ein unsichtbarer Barcode.

4. Die Ergebnisse: Ein Erfolg, aber mit Grenzen

Szenario A: Das kleine Labor (4 Arten)
Hier lief es hervorragend! Der Computer (mit Hilfe von mathematischen Modellen, die wir wie „kluge Sortiermaschinen" bezeichnen können) konnte die 4 Baumarten fast perfekt unterscheiden.

• Ergebnis: In den Trainingsdaten (wo der Computer alles gelernt hatte) war er zu 100 % richtig.
• Im echten Test: Wenn er neue Bäume sah, die er nicht kannte, lag er immer noch zu 77–83 % richtig.
• Fazit: Bei wenigen Arten funktioniert das „Super-Scannen" super gut.

Szenario B: Das große Labor (16 Arten)
Hier wurde es schwieriger. Je mehr Arten man hat, desto ähnlicher werden die „Barcodes" manchmal.

• Ergebnis: Die Trefferquote sank auf 31–49 %.
• Warum? Es ist wie ein riesiges Wörterbuch mit 16 sehr ähnlichen Wörtern. Selbst für einen Computer ist es schwer, sie alle sofort zu trennen, besonders wenn sie so klein gepflanzt sind (die „Flecken" im Bild waren kleiner als bei den 4 Arten).
• Überraschung: Die lineare Sortiermaschine (LDA) funktionierte besser als die komplexe, nicht-lineare KI (SVM). Manchmal ist das einfache Werkzeug besser als der komplizierte Roboter!

5. Was bedeutet das für uns?

Die Forscher kamen zu einem wichtigen Schluss, den man sich wie eine Brille vorstellen kann:

• Für artenarme Wälder: Wenn wir wissen wollen, welche wenigen Baumarten wo wachsen, ist diese Technik ein mächtiges Werkzeug. Wir könnten ganze Wälder von oben scannen und genau sagen: „Hier ist eine Fichte, dort eine Kiefer."
• Für artenreiche Wälder: In einem dichten, wilden Mischwald mit 20+ Arten ist es mit dieser Technik allein noch schwer, jede einzelne Art zu nennen. Die Bäume sind zu ähnlich.
• Der Ausweg: Aber! Auch wenn wir die Art nicht immer genau nennen können, können wir die Funktion des Waldes erkennen. Wir können sehen, wie „gesund" oder „vielfältig" der Wald ist. Das ist wie beim Essen: Man muss nicht wissen, ob das genau eine Tomate oder eine Paprika ist, um zu wissen, dass das Gericht frisch und bunt ist.

Zusammenfassung in einem Satz

Die Studie zeigt, dass wir mit Flugzeug-Scannern Bäume wie Fingerabdrücke erkennen können, wenn es nicht zu viele verschiedene Arten gibt; bei sehr bunten, artenreichen Wäldern hilft uns die Technik aber trotzdem, die Gesundheit und Vielfalt des Waldes zu verstehen, auch wenn wir nicht jeden einzelnen Baum beim Namen nennen können.

Es ist ein großer Schritt hin zu einem Wald, den wir nicht nur bewundern, sondern auch „verstehen" – aus der Luft.

Technische Zusammenfassung

1. Problemstellung

Die Überwachung von Baumarten in Wäldern ist aufgrund logistischer Einschränkungen oft lückenhaft. Fernerkundung bietet zwar die Möglichkeit, großflächig und wiederholt Reflexionsdaten zu sammeln, doch die Klassifizierungsgenauigkeit von Baumarten variiert stark. Ein Hauptproblem bei bisherigen Studien ist die Verwendung von Beobachtungsdaten, bei denen das Vorkommen von Arten mit Umweltvariationen korreliert (z. B. Bodenbeschaffenheit, Mikroklima). Dies führt zu spektralen Verwechslungen, da Individuen derselben Art unterschiedliche Spektren aufweisen können, wenn sie an verschiedenen Standorten wachsen, während verschiedene Arten ähnliche Spektren aufweisen können. Es besteht daher ein Bedarf an kontrollierten Experimenten, um die tatsächliche Diskriminierungskraft von bildgebenden Spektroskopedaten für die Artenklassifizierung zu bewerten, ohne dass störende Umweltfaktoren das Ergebnis verfälschen.

2. Methodik

Studiendesign und Standorte:
Die Studie nutzte zwei Standorte des deutschen Biodiversitätsexperiments BIOTREE in Thüringen, bei denen Bäume unter kontrollierten Bedingungen gepflanzt wurden:

• Kaltenborn: 16 Parzellen mit 4 verschiedenen Baumarten (Pseudotsuga menziesii, Picea abies, Fagus sylvatica, Quercus petraea). Die Arten wurden in monospezifischen 8x8 m-Parzellen gepflanzt und in Mischungen (1 bis 4 Arten) angeordnet.
• Bechstedt: 25 hexagonale Parzellen mit 16 verschiedenen Baumarten (eine Mischung aus Gymnospermen und Angiospermen verschiedener Ordnungen). Auch hier wurden monospezifische kreisförmige Parzellen (3,5 m Radius) verwendet, die in funktionale Diversitätsgradienten eingebettet waren.

Datenerfassung:

• Sensor: Ein HyPlant-Abbildungsspektrometer an Bord eines Cessna 208B Flugzeugs.
• Spektrale Abdeckung: 589 quasi-kontinuierliche Bänder im Wellenlängenbereich von 400–2500 nm (VIS, NIR, SWIR).
• Räumliche Auflösung: 1 m (Flughöhe ca. 680 m).
• Zeitpunkt: 17. Juni 2021 (Hauptvegetationsperiode).
• Datenvorverarbeitung: Umrechnung der gemessenen Strahldichte in Reflexionswerte an der Baumkrone (Top-of-Canopy) mittels ATCOR-4 Atmosphärenkorrektur.

Datenanalyse:

• Pixel-Auswahl: Um Schatten und Randeffekte zu minimieren, wurden für jede monospezifische Parzelle die 25 zentralsten Pixel extrahiert. Für die Hauptanalyse wurden davon die 3 hellsten Pixel (sonnenbeschienen) verwendet, um reine Kroneninformationen zu erhalten.
• Statistische Analyse:
  • ANOVA (Varianzanalyse): Zur Quantifizierung des Beitrags von Taxonomie (Klasse, Ordnung, Art) und Diversitätsleveln zur spektralen Varianz über alle 589 Wellenlängen.
  • Klassifizierung: Einsatz von Linear Discriminant Analysis (LDA) und Support Vector Machines (SVM) (nicht-linear).
  • Eingabedaten: Es wurden entweder eine steigende Anzahl gleichmäßig verteilter Wellenlängen oder eine steigende Anzahl von Hauptkomponenten (PCs) aus einer PCA verwendet.
• Validierung: Unterscheidung zwischen Trainingsdaten (In-Sample) und Vorhersagedaten (Out-of-Sample), wobei letztere räumlich getrennte Parzellen oder andere Standorte umfassten.

3. Wichtige Beiträge

• Kontrolliertes Experiment: Erstmals wurde die Klassifizierungsgenauigkeit von bildgebender Spektroskopie in einem streng kontrollierten Umfeld getestet, in dem Umweltvariablen konstant gehalten wurden. Dies isoliert die spektralen Unterschiede, die rein auf die Taxonomie zurückzuführen sind.
• Vergleich von Algorithmen: Systematischer Vergleich zwischen linearen (LDA) und nicht-linearen (SVM) Klassifikatoren sowie zwischen der Nutzung roher Wellenlängen und PCA-Komponenten.
• Spektrale Diskriminierung: Identifikation spezifischer spektraler Bereiche (insbesondere im NIR-SWIR-Bereich), die für die Unterscheidung von taxonomischen Gruppen und Arten am aussagekräftigsten sind.
• Öffentliche Datenverfügbarkeit: Die Studie stellt einen Referenzdatensatz für zukünftige Methodentests zur Verfügung.

4. Ergebnisse

Spektrale Variation:

• Es gab signifikante Unterschiede in den Reflexionsspektren zwischen taxonomischen Klassen (Gymnospermen vs. Angiospermen), Ordnungen und Arten.
• Die Diskriminierungskraft war im NIR- und SWIR-Bereich (ca. >750 nm) am höchsten, wo strukturelle Merkmale, Wassergehalt und nicht-pigmentierte Bestandteile (Cellulose, Proteine) dominieren. Im sichtbaren Bereich (VIS) waren die Unterschiede geringer, da alle Arten hier stark absorbieren müssen (Photosynthese).
• Interaktionen zwischen Taxonomie und Diversitätsleveln waren signifikant, aber deutlich schwächer als die Haupteffekte der Taxonomie.

Klassifizierungsgenauigkeit:

• Trainingsdaten (In-Sample): Hohe Genauigkeit von 100 % für beide Standorte, wenn alle Daten zum Training verwendet wurden.
• Vorhersagedaten (Out-of-Sample):
  • Kaltenborn (4 Arten): Die Genauigkeit lag bei 77–83 %. LDA performte hier besser als SVM. Die Verwendung von 20–25 PCs oder Wellenlängen reichte für optimale Ergebnisse aus.
  • Bechstedt (16 Arten): Die Genauigkeit sank drastisch auf 31–49 %. Auch hier war LDA überlegen.
• Algorithmus-Vergleich:
  • LDA war robuster und genauer bei der Vorhersage, insbesondere bei der Nutzung roher Wellenlängen.
  • SVM erreichte im Training fast perfekte Ergebnisse (auch bei zufällig verteilten Artenlabels), was auf Overfitting in hochdimensionalen Räumen hindeutet. Bei der Vorhersage auf neuen Daten war SVM jedoch weniger genau als LDA.
  • Die Nutzung von PCA-Komponenten verbesserte SVM signifikant, war für LDA jedoch nicht notwendig (rohe Wellenlängen funktionierten gleich gut).

Cross-Site Vorhersage:

• Die Vorhersage von Arten, die an beiden Standorten vorkamen (Fagus sylvatica, Quercus petraea), war erfolgreich (ca. 78 % Genauigkeit), wobei Quercus besser klassifiziert wurde als Fagus.

5. Bedeutung und Schlussfolgerungen

Die Studie zeigt, dass bildgebende Spektroskopie (Airborne Imaging Spectroscopy) unter kontrollierten Bedingungen in der Lage ist, Baumarten in artenarmen Wäldern (bis zu 4 Arten) mit hoher Genauigkeit zu klassifizieren.

• Grenzen der Methode: In artenreichen Wäldern (16 Arten) sinkt die Klassifizierungsgenauigkeit für einzelne Arten signifikant. Dies deutet darauf hin, dass die spektralen Signaturen von Kronen auf Ebene der Baumkrone für die Unterscheidung sehr ähnlicher Arten nicht ausreichen, insbesondere wenn die räumliche Auflösung (hier 1 m) nicht ausreicht, um reine Blattinformationen zu isolieren.
• Praktische Implikation: Für artenreiche Wälder ist die direkte Artenklassifizierung mittels optischer Fernerkundung allein schwierig. Stattdessen ist die Methode vielversprechender für das Monitoring der funktionellen Diversität (z. B. physiologische Merkmale, Struktur), da diese Merkmale auch bei geringerer Klassifizierungsgenauigkeit der einzelnen Arten noch gut erfasst werden können.
• Empfehlung: Die Kombination von bildgebender Spektroskopie mit anderen Datenquellen (z. B. LiDAR für Strukturdaten) könnte die Klassifizierungsgenauigkeit in komplexen Wäldern verbessern. Lineare Modelle (LDA) scheinen für die Generalisierung auf neue Datensätze robuster zu sein als komplexe nicht-lineare Modelle (SVM), wenn keine umfangreiche Hyperparameter-Optimierung möglich ist.

Zusammenfassend liefert die Studie einen wichtigen Beleg dafür, dass Fernerkundung ein wertvolles Werkzeug für das Biodiversitätsmonitoring ist, aber ihre Grenzen bei der Unterscheidung sehr ähnlicher Arten in komplexen, artenreichen Ökosystemen aufzeigt.