Seasonal Landsat summaries improve cross-fire prediction of post-fire conifer establishment

Nachdem ein Waldbrand durch einen Wald gefegt hat, ist die Landschaft oft gezeichnet und verstummt zurückgelassen. Für Forstwirte und Ökologen ist die dringlichste Frage nicht nur, wie groß der Schaden war, sondern ob sich der Wald selbst heilen wird. Werden neue Kiefern- und Tannenbäume Wurzeln schlagen oder wird das Land weiterhin von Sträuchern und Gräsern dominiert werden? Diese Entscheidung bestimmt, ob eine Region teure menschliche Eingriffe zur Wiederaufforstung benötigt oder ob die Natur die Arbeit im Alleingang erledigt. Um dies zu beantworten, haben sich Wissenschaftler lange Zeit an Satelliten gehalten, die weite Flächen verbrannter Landstriche sehen können, die für Menschen zu gefährlich oder zu abgelegen sind. Ein Satellitenbild ist jedoch nur ein Bild von Licht, das von der Erde reflektiert wird; es kann nicht zwischen einem neuen Kiefernsämling, einem sprießenden Strauch oder einem überlebenden Baumast unterscheiden. Die Herausforderung bestand schon immer darin, herauszufinden, ob die aus dem Weltraum beobachteten Muster tatsächlich vorhersagen, wo neue Nadelbäume wachsen, und ob diese Muster auch dann Bestand haben, wenn man einen völlig anderen Brand betrachtet als den, mit dem der Computer trainiert wurde.

Eine neue Studie des unabhängigen Forschers Joshua Puliafico widmet sich diesem Problem, indem sie testet, wie gut Satellitendaten die Waldregeneration bei verschiedenen Waldbränden vorhersagen können. Die Forschung konzentriert sich auf die Nutzung von Daten aus dem Landsat-Satellitenprogramm, das die Erde seit Jahrzehnten fotografiert. Das Team wollte wissen, ob es nützlicher wäre, die Satellitendaten in breite saisonale Trends zusammenzufassen, anstatt zu versuchen, jedes einzelne Detail des Wachstumszyklus der Vegetation zu erfassen. Sie entwickelten Computermodelle, die aus Felddaten lernten, die nach fünfundzwanzig verschiedenen Bränden im Westen der Vereinigten Staaten gesammelt wurden. Diese Modelle wurden dann an dreizehn völlig neuen Bränden getestet, die der Computer zuvor noch nie gesehen hatte, um ein reales Szenario zu simulieren, in dem ein Verwalter eine frisch abgebrannte Stelle bewerten muss, indem er aus vergangenen Ereignissen lernt.

Die Forscher verglichen drei verschiedene Wege, Informationen in ihre Computermodelle einzuspeisen. Der erste war ein Basisansatz, der nur den ökologischen Kontext nutzte, wie etwa die Intensität des Feuers, die Entfernung des Standorts zu bestehenden Bäumen, die Samen abwerfen könnten, und das lokale Klima. Beim zweiten Ansatz wurden die Satellitendaten zusammengefasst, wobei die Beobachtungen über Monate hinweg in ein einzelnes saisonales Bild für jedes Jahr nach dem Brand verdichtet wurden. Der dritte Ansatz war der detaillierteste und fügte hunderte zusätzliche Variablen hinzu, die versuchten, den genauen Zeitpunkt des Austriebs, den Höhepunkt des Wachstums und den Rückgang der Vegetation innerhalb jeder Saison zu erfassen. Das Ziel war es zu sehen, welche Methode dem Computer am besten helfen würde zu erraten, ob auf einem bestimmten Stück Land neue Bäume wachsen würden oder nicht.

Die Ergebnisse zeigten, dass der mittlere Ansatz, der saisonale Zusammenfassungen nutzte, der klare Gewinner war. Als die Modelle an den dreizehn neuen Bränden getestet wurden, verbesserte das Hinzufügen der saisonalen Satellitendaten signifikant ihre Fähigkeit, zwischen Gebieten zu unterscheiden, die nachwachsen würden, und solchen, die es nicht tun würden. Diese Verbesserung war bei fast allen neuen Bränden konsistent, was darauf hindeutet, dass die Methode auch dann gut funktioniert, wenn man von einer geografischen Region in eine andere wechselt. Die Modelle, die saisonale Zusammenfassungen verwendeten, konnten die Brandstellen genauer einstufen und halfen Managern dabei, Prioritäten zu setzen, welche Gebiete sie zuerst besuchen sollten. Konkret: Wenn die Modelle aufgefordert wurden, die obersten zwanzig Prozent der Grundstücke auszuwählen, auf denen am wahrscheinlichsten keine neuen Bäume wachsen würden, half der saisonale Ansatz ihnen, einen viel höheren Anteil dieser leeren Stellen zu finden, als dies bei der Verwendung der rein grundlegenden ökologischen Daten der Fall gewesen wäre.

Interessanterweise bot der detaillierteste Ansatz keinen zusätzlichen Nutzen. Das Hinzufügen der hunderte extra Variablen, die den präzisen zeitlichen Ablauf des Wachstums innerhalb der Jahreszeiten verfolgten, führte nicht zu genaueren Vorhersagen. Tatsächlich schnitt das detaillierte Modell bei den neuen Bränden etwas schlechter ab als die einfachere saisonale Zusammenfassung. Dies deutet darauf hin, dass für den Zweck der Vorhersage der Waldregeneration über verschiedene Brände hinweg eine breite Sicht auf den saisonalen Zyklus zuverlässiger ist als eine hochauflösende Sicht auf die täglichen oder wöchentlichen Veränderungen. Die zusätzlichen Details könnten zu viel „Rauschen“ eingeführt oder zu stark auf lokale Bedingungen gesetzt haben, die auf die neuen Brände nicht anwendbar waren.

Die Studie enthüllte auch eine entscheidende Nuance darüber, was die Satellitendaten tatsächlich messen. Die Forscher testeten eine Version des Modells, die nur Satellitendaten verwendete, die vor dem Brand entstanden waren. Überraschenderweise verbesserte auch diese Information vor dem Brand die Vorhersagen im Vergleich zum grundlegenden ökologischen Baseline-Modell. Das bedeutet, dass der Erfolg des saisonalen Modells nicht allein darauf beruht, das Wachstum neuer Bäume nach dem Brand zu sehen. Stattdessen erfassen die Satellitendaten wahrscheinlich eine Mischung aus Faktoren: den Zustand des Landes vor dem Feuer, die Schwere des Brandes und die anschließende Regeneration. Da die Daten vor dem Brand bereits hilfreich waren, kamen die Forscher zu dem Schluss, dass dem vollständigen saisonalen Modell die alleinige Leistung der Messung der Regeneration nach dem Brand nicht zugeschrieben werden kann. Es ist ein leistungsfähiges Werkzeug, das Geschichte und aktuelle Bedingungen kombiniert, um eine bessere Schätzung abzugeben.

Letztendlich bietet diese Arbeit einen praktischen Weg für die Forstverwaltung. Sie zeigt, dass eine relativ einfache Zusammenfassung von Satellitenbeobachtungen Managern helfen kann, zu identifizieren, welche abgebrannten Gebiete Schwierigkeiten bei der Regeneration haben und welche wahrscheinlich von selbst wieder aufleben werden. Durch die Nutzung dieser saisonalen Zusammenfassungen können Behörden ihre begrenzten Teams für Felduntersuchungen auf die Standorte konzentrieren, die wirklich Aufmerksamkeit benötigen, anstatt Ressourcen in Gebieten zu verschwenden, die bereits regenerieren. Obwohl die Modelle nicht perfekt sind und physische Besuche im Wald noch nicht ersetzen können, bieten sie eine zuverlässige Möglichkeit, tausende Hektar zu screenen und klügere Entscheidungen darüber zu treffen, wohin Investitionen in die Wiederaufforstung fließen sollen. Die Studie bestätigt, dass es am effektivsten ist, den Wald durch die Linse des saisonalen Wandels zu betrachten, anstatt zu versuchen, jeden flüchtigen Moment des Wachstums zu erfassen, um die Zukunft dieser regenerierenden Landschaften vorherzusagen.