Estimating Biomass in Trans-Himalayan Rangelands Using Sentinel-2 Data and Machine Learning Approaches

Der große Gras-Detektiv: Eine Geschichte von Bergen, Satelliten und smarten Computern

Stellen Sie sich vor, die Haut der Erde ist mit riesigen, wilden Teppichen aus Gras und Sträuchern bedeckt, den sogenannten Rangelands (Weidelandschaften). Dies sind nicht nur hübsche Landschaften; sie sind die riesigen Esstische für Millionen von Kühen, Schafen und Ziegen und helfen dabei, das Wasser des Planeten sauber und die Luft frisch zu halten. Aber hier liegt das Problem: Diese Gras-Teppiche werden ausgezehrt. Zu viele Tiere, die gleichzeitig fressen, wechselndes Wetter und menschlicher Druck verwandeln saftige Wiesen in staubige Flecken. Um dies zu beheben, müssen wir genau wissen, wie viel Gras noch übrig ist, aber das auf die alte Art zu zählen, ist ein Albtraum. Es beinhaltet, steile, felsige Berge hinaufzuwandern, winzige Grasquadrate mit einer Schere auszuschneiden, sie in der Sonne zu trocknen und sie zu wiegen. Es ist langsam, teuer und man kann es nicht überall gleichzeitig machen.

Hier kommt die Magie des „Remote Sensing“ (Fernerkundung) und des „Machine Learning“ (maschinelles Lernen) ins Spiel. Betrachten Sie Remote Sensing als eine riesige, hochtechnologische Kamera im Himmel (einen Satelliten), die Farben sehen kann, die unsere Augen nicht wahrnehmen können, wie das unsichtbare „Red Edge“ (die rote Kante) des Lichts, mit dem Pflanzen leuchten, wenn sie gesund sind. Machine Learning ist wie ein super-schlauer Computer-Schüler, der Millionen dieser Satellitenfotos betrachten und lernen kann, wie viel Gras am Boden liegt, ohne jemals einen Fuß darauf gesetzt zu haben. Wissenschaftler haben versucht, diese Computer zu lehren, präzise zu sein, aber Gebirgsregionen sind knifflig, weil Schatten und steile Hänge die Kameras verwirren. Die große Frage ist: Können wir ein smartes System bauen, das das Gras in diesen schwierigen, hochgelegenen Bergen genau „wiegen“ kann, indem wir einfach nur in den Himmel schauen?

---

Die Mission des Papers: Computern beibringen, Wolken-Gras zu zählen

Dieses Forschungspapier ist wie ein Feldführer für eine neue Art von Detektivarbeit. Die Autoren, ein Team von Wissenschaftlern aus Pakistan und Kanada, setzten sich zum Ziel, das Rätsel um die Menge an Gras (Biomasse) zu lösen, das in den trans-himalayischen Rangelands von Upper Dir und Swat wächst. Dies sind raue Hochgebirgsregionen, in denen das Gelände so steil und das Wetter so wild ist, dass traditionelle Zählmethoden fast unmöglich sind. Anstatt Teams von Wanderern auszusenden, um Gras abzuschneiden, entschied sich das Team, Daten vom Sentinel-2 Satelliten zu verwenden, der unglaublich detaillierte Bilder der Erde alle paar Tage aufnimmt.

Sie behandelten die Satellitenbilder wie ein riesiges Puzzle. Zuerst gingen sie in den Sommern 2022 und 2023 in das Feld, um „Ground Truth“ (Bodenwahrheit) zu sammeln. Sie wanderten zu zufälligen Stellen, maßen das tatsächliche Trockengewicht des Grases in kleinen Quadraten und erfassten die GPS-Koordinaten. Dies war ihr Lösungsschlüssel. Dann betrachteten sie die Satellitenfotos genau dieser Stellen, um zu sehen, was der Satellit „sah“. Sie testeten 50 verschiedene mathematische Formeln (genannt Vegetationsindizes), die versuchen, Licht in Zahlen umzuwandeln. Es war, als würde man 50 verschiedene Rezepte testen, um zu sehen, welches den besten Kuchen ergibt.

Die Entdeckung: Das „Red Edge“ gewinnt das Rennen

Das Team fand heraus, dass nicht alle Rezepte gleich gut sind. Einige der alten, Standard-Formeln, wie der berühmte NDVI (der misst, wie grün die Pflanzen aussehen), waren okay, aber sie übersehen die feineren Details. Der wahre Star der Show war eine Formel namens REDVI1. Diese Formel nutzt einen speziellen Teil des Lichtspektrums, das „Red Edge“, was wie ein geheimer Handschlag zwischen dem Satelliten und dem Chlorofyll der Pflanze ist.

Als sie ihre Theorien testeten, war REDVI1 der klare Gewinner bei der Vorhersagegenauigkeit im ersten Screening. Im Jahr 2023 sagte REDVI1 die Grasmenge mit einem Genauigkeitswert (R²) von 0,86 voraus, was eine sehr starke Übereinstimmung ist. Die Standardformel zur Messung der Grünfärbung, NDVI, erreichte nur 0,7376. Es ist, als ob REDVI1 die Gesundheit des Grases aus einer Meile Entfernung sehen konnte, während NDVI blinzelte und nur rät.

Aber die beste Formel zu kennen, reichte nicht aus; sie brauchten auch den klügsten Computer-Verstand, um die Mathematik zu erleden. Sie testeten drei verschiedene Machine-Learning-„Schüler“:

1. PLSR (ein linearer Denker).
2. SVR (eine Support Vector Machine).
3. RFR (Random Forest Regression).

Das Random Forest (RFR) Modell war der Champion. Es rät nicht nur, sondern baut einen Wald aus Entscheidungsbäumen, der mit der unordentlichen, komplizierten Realität der Berge umgehen kann. Es war viel stabiler und genauer als die anderen, mit einem Leistungs-Score (NSE) von 0,92 im Jahr 2023. Das Paper stellt explizit fest, dass die älteren, einfacheren linearen Methoden und die anderen Machine-Learning-Modelle mehr mit den seltsamen Schatten und steilen Hängen der Berge zu kämpfen hatten. Das RFR-Modell war das einzige, das in der Lage war, das Rauschen konsequent zu ignorieren und das Signal zu finden.

Die Karte: Wo das Gras fett ist und wo es dünn ist

Unter Verwendung ihres siegreichen Machine-Learning-Modells (RFR) zur Validierung der Daten erstellte das Team dann eine detaillierte Karte der gesamten Region. Für die eigentliche finale Karte verwendeten sie jedoch nicht direkt das komplexe Computermodell. Stattdessen wandten sie eine einfachere lineare Regressionsgleichung bas an, die auf REDVI2 basierte. Während REDVI1 der beste Prädiktor für die Genauigkeit im ersten Screening war, fand das Team heraus, dass REDVI2 die höchste Korrelation für die spezifische Kartierungsphase hatte (mit einem R² von 0,7204 im Jahr 2023), sodass sie diese Formel verwendeten, um das Grasgewicht für jedes einzelne Pixel auf der Karte zu berechnen.

Die Ergebnisse offenbarten eine faszinierende Geschichte über das Land:

• Der Durchschnitt: Über das gesamte Untersuchungsgebiet hinweg betrug die durchschnittliche Menge an Trockengras 5.896,78 kg/ha.
• Die Extreme: Das Gras war nicht gleichmäßig verteilt. Einige Stellen hatten fast gar kein Gras (nahe Städten und Flüssen, wo Tiere das ganze Jahr über grasen), während andere Stellen unglaublich üppig waren. Die reichsten Patches hatten bis zu 11.516,7 kg/ha Gras.
• Das Muster: Das Paper fand heraus, dass das Gras in der Nähe von Dörfern und Wasserquellen oft degradiert war, mit einer geringen Biomasse (weniger als 3.500 kg/ha). Dies liegt daran, dass die Tiere dort schon zu lange ohne Pause gefressen haben. Die hohen Berge jedoch, die das meiste Jahr über mit Schnee bedeckt sind, hatten dichtes, gesundes Gras (über 7.000 kg/ha), weil der Schnee die Tiere fernhielt und den Pflanzen die Chance gab, nachzuwachsen.

Was dies für die Zukunft bedeutet

Die Autoren sind vorsichtig damit, zu behaupten, sie hätten das Problem des Rangeland-Managements für immer „gelöst“. Stattdessen schlagen sie vor, dass diese Methode ein mächtiges neues Werkzeug bietet. Sie zeigten, dass man kein Gras schneiden muss, um zu wissen, wie viel davon da ist; man kann einen Satelliten und einen smarten Computer nutzen, um ein sehr genaues Bild zu erhalten.

Dies ist eine große Sache für die Menschen, die dort leben. Wenn lokale Anführer eine Karte sehen können, die sagt: „Hey, dieses Tal geht gerade das Gras aus“, können sie die Tiere in ein anderes Gebiet bewegen, bevor das Land zerstört wird. Es verwandelt Vermutungen in Wissenschaft. Das Paper schließt mit dem Fazit, dass dieser Ansatz genau, skalierbar und nicht-invasiv ist und somit einen Weg bietet, diese fragilen Bergökosysteme und die Lebensgrundlagen der Menschen, die von ihnen abhängen, zu schützen. Es ist eine Erinnerung daran, dass der beste Weg, den Boden zu verstehen, manchmal darin besteht, ihn aus dem Himmel heraus zu betrachten.