When Does Feature Engineering Matter? A Multi-Algorithm Comparison of Sentinel-2 Classifiers for Coastal and Mangrove Mapping in the Persian Gulf

Die Küste ist ein Ort ständiger Verhandlungen. Es ist dort, wo das Land auf das Meer trifft, eine sich verschiebende Grenze, die einige der lebenswichtigsten Ökosysteme der Erde unterstützt, von Mangrovenwäldern, die die Küstenlinien schützen, bis hin zu Gezeitenzonen, die unzählige Meeresarten ernähren. Doch diese Gebiete stehen auch unter dem Druck menschlicher Erschließung, steigender Meeresspiegel und industrieller Aktivitäten. Um sie zu schützen, müssen Wissenschaftler genau wissen, was am Boden geschieht: wo die Bäume stehen, wo das Wasser flach ist und wo das Land kahl ist. Seit Jahrzehnten ist das primäre Werkzeug, um diese weiten, schwer zugänglichen Orte aus der Vogelperspektive zu betrachten, die Satellitenbildgebung. Diese Satelliten erfassen das vom Erdoberflächen reflektierte Licht und erstellen so ein Bild, das Computer analysieren können, um die Landschaft in verschiedene Kategorien wie Wald, Wasser oder Stadt zu sortieren. Das Umwandeln dieser Rohbilder in genaue Karten ist jedoch keine einfache Aufgabe. Das Licht, das von einem Mangrovenbaum abprallt, sieht anders aus als das Licht, das von einer Schlickfläche abprallt, aber der Unterschied kann subtil sein, und die Computerprogramme, die verwendet werden, um sie voneinander zu unterscheiden, müssen sorgfältig ausgewählt werden. Wenn das falsche Programm verwendet wird oder wenn die in es eingespeisten Daten nicht korrekt vorbereitet wurden, könnte die resultierende Karte irreführend sein, was potenziell zu Fehlentscheidungen beim Management dieser fragilen Umwelten führen könnte.

Im Persischen Golf, einer Region, in der Mangrovenwälder unter dem intensiven Druck der Öl- und Gasinfrastruktur stehen, setzte ein Forscher namens Keivan Kabiri an, um den zuverlässigsten Weg zur Kartierung dieser Küstenlandschaften zu finden. Er konzentrierte sich auf fünf spezifische Standorte entlang der Südküste Irans, die von relativ unberührten Mangrovenbeständen bis hin zu Gebieten reichten, die stark von Industrieanlagen beeinflusst wurden. Um den besten Ansatz zu testen, sammelte er hochauflösende Satellitenbilder der Sentinel-2-Mission der Europäischen Weltraumorganisation. Diese Bilder bieten eine klare Sicht auf die Erde mit einer Auflösung von zehn Metern, was bedeutet, dass jedes Pixel im Bild ein Zehn-mal-Zehn-Meter-Quadrat auf dem Boden repräsentiert. Die Herausforderung bestand darin, zu bestimmen, welcher Computeralgorithmus diese Pixel am besten in acht verschiedene Kategorien sortieren konnte: Mangrove, Schlickfläche, Boden, Flachwasser, Tiefwasser, kahler Boden, bebautes Gebiet und allgemeine Vegetation. Um dies zu tun, verglich Kabiri vier verschiedene Methoden. Zwei davon waren moderne, leistungsstarke Machine-Learning-Werkzeuge, bekannt als Random Forest und Extreme Gradient Boosting, die aus Beispielen lernen, um komplexe Entscheidungen zu treffen. Ein drittes war die Support Vector Machine, ein weiterer hochentwickelter Algorithmus, der häufig in der Fernerkundung eingesetzt wird. Die vierte Methode war die Maximum Likelihood Classification, eine viel ältere, traditionelle Methode, die auf statistischen Annahmen darüber beruht, wie Licht sich verhält.

Die Studie testete diese Algorithmen unter zwei verschiedenen Bedingungen, um zu sehen, wie sehr die Vorbereitung der Daten eine Rolle spielte. Im ersten Szenario wurden die Computer nur mit den sechs Rohbändern des Lichts gespeist, die von dem Satelliten eingefangen wurden und denen verschiedene Farben des sichtbaren Spektrums bis zum Infrarot entsprechen. Im zweiten Szenario fügten die Forscher dem Datensatz vier zusätzliche Informationsebenen hinzu. Dies waren keine neuen Bilder, sondern vielmehr mathematische Kombinationen der vorhandenen Lichtbänder, die darauf ausgelegt waren, spezifische Merkmale hervorzuheben, wie etwa die Gesundheit der Vegetation oder die Klarheit des Wassers. Dieser Prozess, bekannt als Feature Engineering, wird oft als notwendiger Schritt angesehen, um die Genauigkeit zu verbessern. Die Forscher führten die Klassifizierung dann auf allen fünf Standorten durch und überprüften ihre Arbeit anhand einer sehr hochauflösenden Referenz. Sie waren zuvor mit Drohnen über dieselben Standorte geflogen, um detaillierte Luftbildkarten zu erstellen, die als „Ground Truth“ (Bodenwahrheit) dienten, um zu sehen, welche satellitengestützten Karten tatsächlich korrekt waren.

Die Ergebnisse zeigten eine klare und überraschende Unterscheidung zwischen den alten und den neuen Methoden. Die drei modernen Algorithmen – Random Forest, Support Vector Machine und Extreme Gradient Boosting – schnitten in fast allen Fällen außergewöhnlich gut ab. Sie erreichten eine Gesamtgenauigkeit von etwa 95 bis 97 Prozent und identifizierten die Landbedeckungsart für nahezu jedes Pixel korrekt. Bemerkenswerterweise benötigten diese leistungsstarken Werkzeuge die zusätzlichen, konstruierten Informationen nicht, um ihre Aufgabe zu erfüllen. Ob sie nun nur die rohen Satellitenbänder oder die Rohbänder plus die zusätzlichen Indizes erhielten, ihre Genauigkeit blieb konsistent hoch. Die Hinzufügung der zusätzlichen Daten änderte ihre Leistung um weniger als einen Prozentpunkt in jede Richtung, was darauf hindeutet, dass diese modernen Werkzeuge robust genug sind, um die Muster, die sie benötigen, direkt aus den Rohbildern zu finden.

Im krassen Gegensatz dazu hatte die traditionelle Methode, die Maximum Likelihood Classification, erhebliche Schwierigkeiten, wenn sie nur mit den rohen Satellitenbändern gefüttert wurde. Ohne die zusätzlichen Informationen identifizierte sie die Landbedeckung nur etwa 55 Prozent der Zeit korrekt, ein Genauigkeitsniveau, das für das praktische Management unbrauchbar wäre. Als die Forscher jedoch die zusätzlichen Spektralindizes zu den Daten hinzufügten, verbesserte sich diese alte Methode dramatisch und sprang auf eine durchschnittliche Genauigkeit von 82 Prozent. Obwohl dies eine massive Verbesserung war, blieb sie weit hinter den modernen Methoden zurück, die weiterhin in den hohen 90ern lagen. Die Studie bestätigte, dass der Unterschied zwischen der besten modernen Methode und der verbesserten traditionellen Methode statistisch signifikant war, was bedeutet, dass die Lücke real und nicht nur ein Zufall war. Die modernen Werkzeuge waren schlichtweg besser geeignet, die komplexe, chaotische Realität der Küstenumwelt abzubilden.

Selbst mit den besten Werkzeugen blieben einige Herausforderungen bestehen. Die Forscher stellten fest, dass alle vier Algorithmen, unabhängig von ihrer Komplexität, Schwierigkeiten hatten, zwischen drei spezifischen Arten von Land zu unterscheiden: bebauten Gebieten wie Gebäuden und Straßen, kahlem Boden und nacktem Boden. Diese drei Kategorien sehen in Satellitenbildern oft sehr ähnlich aus, da sie alle hell und trocken sind und Licht auf fast die gleiche Weise reflektieren. Diese Verwechslung bestand auch dann fort, wenn die zusätzlichen Daten hinzugefügt wurden, was darauf hindeutet, dass die Einschränkung nicht beim Computerprogramm liegt, sondern beim Satelliten selbst. Die Zehn-Meter-Auflösung der Sentinel-2-Bilder ist einfach nicht fein genug, um aus dieser Entfernung immer zwischen einem Stück trockenem Boden und einem Stück Beton unterscheiden zu können. Diese Erkenntnis legt nahe, dass für Aufgaben, die eine präzise Überwachung der industriellen Expansion oder spezifischer Bodentypen erfordern, Satellitendaten allein möglicherweise nicht ausreichen und andere Datenquellen benötigt werden könnten.

Um sicherzustellen, dass die Ergebnisse vertrauenswürdig waren, wandte die Studie einen einzigartigen Validierungsschritt an. Nachdem die Satelliten klassifiziert worden waren, verglichen die Forscher die resultierenden Karten mit den hochauflösenden Drohnenfotos, die sie aufgenommen hatten. Dies war eine unabhängige Prüfung, was bedeutet, dass die Drohendaten nicht verwendet wurden, um die Computer beim Klassifizieren der Bilder zu lehren; sie wurden nur verwendet, um zu sehen, ob die fertigen Karten Sinn ergaben. Die Ergebnisse dieser Prüfung waren interessant. Während die Standard-Genauigkeitstests klar zeigten, dass die modernen Algorithmen überlegen waren, lieferte die Drohnen-basierte Prüfung ein etwas anderes Bild. Sie konnte die besten Performer nicht klar von den schlechtesten trennen und deutete in einigen Fällen sogar darauf hin, dass die traditionelle Methode genauso gut abschnitt wie die modernen. Dies geschah, weil die Drohnenprüfung breite Regeln verwendete, um die Karten zu beurteilen, wie etwa die Prüfung, ob ein „Boden“-Pixel hell genug aussah, um Boden zu sein. Da die traditionelle Methode Boden oft mit Gebäuden oder kahlem Boden verwechselte und alle drei in den Drohnenfotos hell aussehen, schrieb die Prüfung der traditionellen Methode die Richtigkeit des allgemeinen „Aussehens“ zu, selbst wenn sie die spezifische Bezeichnung falsch setzte. Dies unterstrich eine entscheidende Lrektion: Während unabhängige Kontrollen wertvoll sind, um offensichtliche Fehler aufzuspüren, können sie detaillierte, durch Bodenmessungen validierte Genauigkeitstests nicht ersetzen, wenn es darum geht, welche spezifische Methode am besten abschneidet.

Letztendlich bietet diese Studie klare Leitlinien für jeden, der versucht, diese Küstenzonen zu kartieren. Wenn das Ziel darin besteht, eine genaue Karte von Mangroven und Gezeitenzonen zu erstellen, kommt es bei der Wahl des Computer-Algorithmus weniger auf die Details an, als man denken könnte, vorausgesetzt, man verwendet ein modernes Machine-Learning-Werkzeug. Random Forest, Support Vector Machine und Extreme Gradient Boosting sind alle zuverlässige Optionen, die gut funktionieren, ohne dass komplexe zusätzliche Datenvorbereitungen nötig sind. Die traditionelle Methode ist nicht obsolet, erfordert aber eine sorgfältige Hand; sie benötigt die zusätzlichen Spektralinformationen, um überhaupt zu funktionieren, und selbst dann kann sie die Genauigkeit der neueren Werkzeuge nicht erreichen. Die Studie dient auch als Erinnerung daran, dass Technologie Grenzen hat. Egal wie intelligent der Computer ist, er kann nicht immer zwischen einem Gebäude und einem Stück Erde unterscheiden, wenn das Satellitenbild nicht scharf genug ist. Für die Wissenschaftler und Verwalter, die den Persischen Golf schützen, liegt der Weg nach vorn darin, die robustesten modernen Werkzeuge zu nutzen, aber gleichzeitig im Bewusstsein zu bleiben, dass einige Details immer einen genaueren Blick vom Boden oder von einer Drohne aus erfordern werden.