GAN-Based Sample Augmentation for Improving Above-Ground Biomass Inversion of Salt Marsh Vegetation Using Multi-Source Remote Sensing Data

Küstenfeuchtgebiete gehören zu den effizientesten Kohlenstoffsenken der Erde und fungieren als leistungsstarke natürliche Motoren, die Treibhausgase aus der Atmosphäre ziehen und in Boden und Pflanzengewebe einschließen. Diese Ökosysteme, die oft als „Blue Carbon“-Habitate bezeichnet werden, umfassen unter anderem Salzmarschen, in denen spezialisierte Pflanzen unter salzigen, gezeitenabhängigen Bedingungen gedeihen. Um zu verstehen, wie viel Kohlenstoff diese Gebiete speichern, müssen Wissenschaftler die „oberirdische Biomasse“ messen, was schlichtweg das Gesamtgewicht des gesamten lebenden Pflanzenmaterials – Stängel, Blätter und Zweige – ist, das über dem Boden wächst. Traditionell war die Ermittlung dieses Wertes ein langsamer, arbeitsintensiver Prozess, der Forscher erforderte, in schlammige Felder zu waten, Pflanzen von Hand abzuschneiden, sie in Öfen zu trocknen und sie zu wiegen. Obwohl diese Methode genau ist, kann sie nur winzige Landflächen abdecken, was es schwierig macht, ein vollständiges Bild riesiger, entlegener Feuchtgebiete zu erhalten.

Um dieses Problem zu lösen, wenden sich Forscher an Satelliten, die die gesamte Landschaft auf einmal erfassen können, aber diese weltraumgestützten Werkzeuge benötigen „Ground Truth“ (Bodenwahrheit), um zu lernen, die Daten korrekt zu interpretieren. Eine neue Studie aus dem Liaohe-Feuchtgebiet in China geht der Herausforderung entgegen, dass zu wenige Bodenmessungen vorliegen, indem sie eine kluge Technik der künstlichen Intelligenz nutzt, um realistische „virtuelle“ Stichproben zu erstellen. Durch die Kombination von Satellitenbildern mit einem begrenzten Satz realer Felddaten entwickelte das Team eine Methode, um das Pflanzengewicht über die gesamte Region mit überraschender Präzision zu schätzen. Ihre Arbeit bietet einen neuen Weg zur Überwachung dieser kritischen Ökosysteme und hilft Wissenschaftlern, den Kohlenstoffspeicher zu verfolgen, ohne jedes einzelne Quadratmeter des Marschlandes besuchen zu müssen.

Das Liaohe-Feuchtgebiet, das dort liegt, wo der Fluss Liaohe auf das Bohai-Meer trifft, ist eine weite Fläche aus Wattflächen und salztoleranter Vegetation. Es ist die Heimat von zwei dominanten Pflanzentypen: dem hohen, schilfartigen Phragmites australis und dem niedrig wachsenden, salztoleranten Kraut Suaeda glauca. Diese Pflanzen sind entscheidend für den Kohlenstoffkreislauf der Region, aber ihre Verteilung ist komplex und verändert sich mit den Gezeiten und den Jahreszeiten. Um ihre Biomasse zu kartieren, sammelte das Forschungsteam zunächst über mehrere Jahre hinweg reale Daten, indem sie bestimmte Orte im Juli, November und September besuchte, um das Trockengewicht der Pflanzen zu messen. Sie kombinierten diese Messungen mit Bildern der Sentinel-2-Satelliten der Europäischen Weltraumorganisation, die detaillierte Ansichten der Erdoberfläche in verschiedenen Farben des Lichts liefern, einschließlich jener, die für das menschliche Auge unsichtbar sind.

Die Herausforderung bestand darin, dass das Team nur 53 reale Messstellen hatte – eine Zahl, die zu klein war, um ein Computermodell zu trainieren, das das Pflanzenbiomasse über das gesamte 128.000 Hektar große Feuchtgebiet hinweg präzise vorhersagen kann. Wenn ein Computer aus zu wenigen Beispielen lernt, scheitert er oft, wenn er mit neuen, unbekannten Gebieten konfrontiert wird. Um dies zu überwinden, setzten die Forscher ein Generative Adversarial Network ein, eine Art der künstlichen Intelligenz, die wie ein Paar konkurrierender Programme funktioniert. Ein Programm, der Generator, versucht, gefälschte Daten zu erstellen, die exakt wie die echten Messungen aussehen, während das andere, der Diskriminator, versucht, die Fälschungen zu entlarven. Während sie dieses Spiel immer wieder spielen, wird der Generator immer besser darin, synthetische Stichproben zu produzieren, die statistisch nicht von den echten zu unterscheiden sind.

Mit dieser Methode erweiterte das Team ihren kleinen Datensatz von 53 realen Proben auf einen viel größeren Trainingsdatensatz von 600 Proben, mit jeweils 300 für jeden Pflanzentyp. Diese neuen, virtuellen Proben waren keine zufälligen Vermutungen; sie bewahrten die exakten statistischen Muster und Beziehungen der realen Welt, wie zum Beispiel die Tatsache, dass höhere Schilfe generell mit spezifischen Signalen in den Satellitenbildern korrespondieren. Die Forscher trainierten dann ein neuronales Netz, ein gehirnähnliches Computermodell, auf diesem erweiterten Datensatz, um die komplexe, nicht-lineare Beziehung zwischen den Satellitensignalen und dem tatsächlichen Gewicht der Pflanzen zu erlernen. Sie testeten diesen Ansatz gegen andere gängige Methoden des maschinellen Lernens und fanden heraus, dass ihr neuronales Netz, gespeist durch die augmentierten Daten, die anderen Methoden konsistent übertraf.

Die Ergebnisse zeigten eine signifikante Verbesserung der Genauigkeit. Für das hohe Schilf verbesserte sich die Fähigkeit des Modells, das korrekte Gewicht vorherzusagen, erheblich, wobei die Fehlerrate im Vergleich zu Modellen, die nur auf dem ursprünglichen kleinen Datensatz trainiert wurden, um fast 100 Gramm pro Quadratmeter sank. Auch für die kleineren Kräuter war die Verbesserung deutlich, wobei das Modell wesentlich zuverlässiger bei der Schätzung ihrer Biomasse wurde. Als das Team sein leistungsfähigstes Modell unter Verwendung von Satellitenbildern vom September 2024 auf das gesamte Feuchtgebiet anwandte, erstellte es eine detaillierte Karte des Pflanzengewichts über die gesamte Landschaft. Die Karte zeigte, dass das hohe Schilf, das sich in den oberen Bereichen der Mündung konzentriert, ein Durchschnittsgewicht von 514,22 Gramm pro Quadratmeter aufwies, während die kleineren Kräuter in den tiefer gelegenen, offeneren Schlickflächen durchschnittlich 230,07 Gramm pro Quadratmeter wogen.

Diese Studie zeigt, dass künstliche Intelligenz effektiv die Lücke zwischen begrenzter Feldarbeit und der Notwendigkeit einer großflächigen Umweltüberwachung schließen kann. Durch das Erzeugen realistischer virtueller Daten können Wissenschaftler robustere Modelle erstellen, die auch dann gut funktionieren, wenn Bodenmessungen knapp sind. Die Ergebnisse bestätigen, dass das Liaohe-Feuchtgebiet ein bedeutender Kohlenstoffspeicher ist, wobei das hohe Schilf den Großteil der Biomasse speichert. Dieser Ansatz bietet ein zuverlässiges, skalierbares Werkzeug zur Bewertung der Gesundheit und Kohlenstoffspeicherkapazität von Küstenfeuchtgebieten und bietet damit eine entscheidende Unterstützung für globale Bemühungen, diese lebenswichtigen Blue-Carbon-Ökosysteme zu verstehen und zu schützen.