Eine genaue Kartierung der Landbedeckung ist die Grundlage für den Schutz der Artenvielfalt, die Anpassung an den Klimawandel und eine nachhaltige Landnutzung. Trotz Fortschritten in der Fernerkundung sind reine Satellitenansätze nach wie vor durch Wolkenbedeckung, Wiederholungsintervalle und den Mangel an zuverlässigen Bodendaten eingeschränkt. Dynamische Produkte wie Dynamic World haben die Aktualität verbessert, haben aber immer noch Schwierigkeiten, plötzliche Veränderungen zu erfassen oder ihre Ergebnisse zu validieren. Der schnelle Ausbau bodennaher Kameranetzwerke bietet die Möglichkeit, die Überwachung durch lokalisierte, hochfrequente Beobachtungen zu verbessern. Herausforderungen wie perspektivische Diskrepanzen und eine begrenzte Abdeckung bleiben jedoch bestehen. Aufgrund dieser Herausforderungen bedarf es neuer Forschung, um multimodale Beobachtungen und KI-Tools für die Echtzeit-Landüberwachung zu integrieren.
Forscher der Tsinghua-Universität und ihre Kollegen veröffentlichten ihre Studie (DOI: 10.34133/remotesensing.0728) am 26. August 2025 im Journal of Remote Sensing . Das Team entwickelte ein Framework, das Satellitenbilder, bodennahe Kameras und fortschrittliche KI-Segmentierungsmodelle zusammenführt. Diese Innovation überwindet anhaltende Hindernisse bei der Landüberwachung, darunter Wolkenstörungen und begrenzte Wiederbesuchszeiten, und bietet ein System, das nahezu in Echtzeit eine globale Landbedeckungskartierung für Anwendungen von der Landwirtschaft bis zum Ökosystemschutz ermöglicht.
Die Studie zeigt, dass FROM-GLC Plus 3.0 frühere Produkte sowohl hinsichtlich Genauigkeit als auch zeitlicher Dichte übertrifft. Durch die Rekonstruktion dichter täglicher NDVI-Zeitreihen aus Kamerabeobachtungen erreichte das Framework eine durchschnittliche Genauigkeit von 70,52 %. Es erfasst abrupte Übergänge wie Schneeansammlungen in Nordamerika und die Ausbreitung von Feuchtgebieten in Europa, die reine Satellitensysteme nicht erkennen konnten. Darüber hinaus ermöglicht die Integration des Segment Anything Model (SAM) eine Kartierung auf Flurstücksebene mit reduziertem Rauschen und schärferen Grenzen und liefert so hochauflösende Einblicke in Ackerland, städtische Gebiete und natürliche Lebensräume. Zusammen machen diese Innovationen FGP 3.0 zu einer flexiblen, skalierbaren und zeitnahen Lösung zur Verfolgung von Umweltveränderungen weltweit.
Das Framework integriert drei Module: jährliche Kartierung, dynamische tägliche Überwachung und hochauflösende Flurstücksklassifizierung. Die jährliche Kartierung kombiniert Sentinel-1 SAR-, Sentinel-2-Spektraldaten und bodennahe Kameradaten mithilfe automatisierter räumlicher Matching-Algorithmen, um tägliche NDVI-Zeitreihen zu rekonstruieren. Dies verbessert die Genauigkeit in verschiedenen Ökosystemen, insbesondere in Ackerland-Buschland-Mosaiken. Für die dynamische Überwachung nutzt das System migrierte Stichprobensätze und rekonstruierte Bilder, um Landübergänge im Tagesmaßstab zu erkennen und kurzfristige Ereignisse zu erfassen, die für reine Satellitenanalysen oft unsichtbar sind. Die hochauflösende Kartierung nutzt SAM, implementiert über die Open-Source-Software samgeoTool, um Parzellen zu segmentieren und Salz-und-Pfeffer-Rauschen zu reduzieren, wodurch sauberere und kohärentere Klassifizierungen entstehen. Tests in China zeigten, dass das Framework die Fruchtfolgen von Winterweizen und Mais auf Parzellenebene genau verfolgte. Im Vergleich zu früheren Versionen reduziert FGP 3.0 Fehlklassifizierungen, verbessert die Grenzpräzision und lässt sich effektiv von der regionalen auf die globale Ebene skalieren.
Der Arbeitsablauf der zeitnahen Kartierung von Landbedeckungsänderungen mit multimodalen Daten dichten Oberflächenbeobachtungen und SAM FGP 30
„Reine Satellitenprodukte übersehen oft die schnellen Veränderungen, die unsere Umwelt prägen“, sagte Le Yu, korrespondierender Autor der Studie. „Durch die Kombination multimodaler Daten mit fortschrittlichen KI-Modellen liefert FROM-GLC Plus 3.0 täglich genaue Erkenntnisse sowohl auf globaler als auch auf Parzellenebene. Diese Technologie bietet nicht nur ein besseres Umweltverständnis, sondern auch praktische Unterstützung für Landwirtschaft, Katastrophenvorsorge und nachhaltiges Landmanagement.“
Die Studie kombinierte Sentinel-1-Radar, Sentinel-2-Multispektralbilder und dichte oberflächennahe Kameradaten. Durch automatisierten räumlichen Abgleich wurden schräge Kameraansichten mit Satellitenpixeln ausgerichtet, während Regressionsmodelle tägliche NDVI-Sequenzen rekonstruierten. Für die Klassifizierung der Landbedeckung wurden Random-Forest-Klassifikatoren unter Verwendung multimodaler zeitlicher Merkmale angewendet. Für dynamische Aktualisierungen stellten migrierte Stichproben die Konsistenz über Zeiträume hinweg sicher. Für die hochauflösende Flurstückskartierung wurde das SAM-Modell innerhalb von samgeo verwendet , wodurch eine flexible Segmentierung von Ackerland, städtischen Strukturen und Gewässern ermöglicht wurde. Die Validierung wurde an acht ökologisch unterschiedlichen Standorten auf mehreren Kontinenten durchgeführt.
DOI
Teilen mit:
Entdecke mehr von Pugnalom
Melde dich für ein Abonnement an, um die neuesten Beiträge per E-Mail zu erhalten.
