Gesundheitsbewertung von Agroforstflächen auf der Grundlage hyperspektraler Satellitendaten und Vegetationsindizes

Kom Umbu liegt im Gouvernement Assuan im Süden Ägyptens am Oberlauf des Nils, nahe dem Nassersee. Die Stadt ist eine bedeutende Oase am Nil und verfügt über einen gut entwickelten Bewässerungssektor, in dem vorwiegend Baumwolle, Getreide und Nutzhölzer angebaut werden. Dadurch ist die Region landwirtschaftlich vielfältig genutzt. Aufgrund der Unterschiede in Blatt- und Kronenstruktur können herkömmliche Vegetationsindizes Forstwirtschaft und Landwirtschaft nicht gleichzeitig erfassen; daher ist eine Kombination verschiedener Indizes für die Bewertung erforderlich.

Projektvorstellung

Kürzlich nutzte das Xi’an Aerospace Team der Chinesischen Akademie der Wissenschaften einen hyperspektralen Satelliten, um die Region Kom Umbu im Gouvernement Assuan, Ägypten, abzubilden (Abbildung 1). Innerhalb des Spektralbereichs der hyperspektralen Daten wurde der Enhanced Vegetation Index (EVI) verwendet, um Nutzpflanzen zu filtern und auszublenden sowie deren Grünanteil und Chlorophyllgehalt zu bestimmen. Der Anthocyanin Reflectance Index 2 (ARI-2) diente der Bestimmung des Anthocyaningehalts der Blätter, und der Red-to-Green Ratio Index (RGRI) wurde zur Darstellung der Lichtnutzungseffizienz und des Waldwachstums herangezogen. Aus den genannten Indizes wurden Indexkarten sowie Karten zum Zustand von Land- und Forstwirtschaft erstellt. Diese können zur Beurteilung des Schädlings- und Krankheitsbefalls sowie der Holzernte in der Region genutzt werden. Die Eingangsbilder wurden anhand des Pflanzenzustands in neun Kategorien unterteilt, um den allgemeinen Gesundheitszustand der Pflanzen in den Bilddaten zu erfassen.

△ Abbildung 1. Farbfusionsbild von XIGUANG-003, überlagert mit der Google-Basiskarte

△Abbildung 2 Erweiterter Vegetationsindex

Der Enhanced Vegetation Index (EVI) ist ein optimierter Vegetationsindex, der entwickelt wurde, um die Reaktionsfähigkeit gegenüber Vegetation zu verbessern und die Möglichkeiten der Vegetationsüberwachung zu erweitern.Es basiert auf dem Normalized Difference Vegetation Index (NDVI) und verbessert diesen durch die Verwendung einer strengeren Bandkombination und eines Algorithmus, um einige der Schwankungen der Bestrahlungsbedingungen im Zusammenhang mit Sonnenwinkel, Topographie, Bewölkung/Schatten und atmosphärischen Bedingungen zu eliminieren und dadurch die Reaktionsfähigkeit des EVI auf die Vegetation zu erhöhen.

Die Formel zur Berechnung des EVI lautet: EVI = (NIR - Rot) / (NIR + 6*Rot - 7,5*Blau + 1), wobei NIR die Nahinfrarot-Reflexion, Rot die Rotlicht-Reflexion und Blau die Blaulicht-Reflexion bezeichnet. Durch die Anpassung der Gewichtung und der Koeffizienten dieser Spektralbänder kann der EVI die Feinstruktur und den Gesundheitszustand der Vegetation besser widerspiegeln.

Der Vorteil des EVI liegt in seiner Sensitivität gegenüber Veränderungen der Kronenstruktur, einschließlich Blattflächenindex (LAI), Kronentyp, Vegetationsphase und Kronenstruktur. Der EVI kann biophysikalische Parameter der Vegetation, wie Chlorophyllgehalt und Biomasse, besser erfassen und somit die Genauigkeit der Überwachung des Vegetationswachstums und seiner Veränderungen verbessern.

EVI findet vielfältige Anwendung, unter anderem in der Landwirtschaft, Forstwirtschaft, Ökologie und Umweltwissenschaft. In der Landwirtschaft dient EVI der Überwachung des Pflanzenwachstums, der Beurteilung des Nährstoffstatus und der Ertragsprognose. In der Forstwirtschaft kann EVI zur Überwachung des Waldzustands sowie zur Beurteilung der Waldstruktur und ökologischen Funktionen eingesetzt werden. In der Ökologie und Umweltwissenschaft kann EVI zur Beobachtung und Bewertung von Umweltproblemen wie Vegetationsveränderungen, Bodendegradation und Urbanisierung genutzt werden.

△Abbildung 3 Anthocyanin-Reflexionsindex 2

Der Anthocyanin Reflectance Index 2 (ARI2) ist ein Fernerkundungsindex, der zur Überwachung des Anthocyaningehalts in der Vegetation verwendet wird.Es handelt sich um eine Verbesserung des Anthocyanin-Reflexionsindex 1 (ARI1), der die Reaktion auf den Anthocyaningehalt durch Anpassung der Bandkombination und des Algorithmus verbessert.

Die Formel zur Berechnung von ARI2 lautet: ARI2 = (NIR - 0,57*Rot - 0,2*Grün) / (NIR + 0,88*Rot + 0,2*Grün), wobei NIR die Nahinfrarot-Reflexion, Rot die Rotlicht-Reflexion und Grün die Grünlicht-Reflexion bezeichnet. Im Vergleich zu ARI1 weist ARI2 eine höhere Gewichtung im Rotlichtbereich und eine niedrigere im Grünlichtbereich auf, wodurch die Empfindlichkeit gegenüber dem Anthocyangehalt verbessert wird.

Der Vorteil von ARI2 liegt in seiner Reaktionsfähigkeit auf den Anthocyangehalt im Pflanzenbestand. Anthocyane sind Pigmente, die in Pflanzen zwar in geringen Konzentrationen vorkommen, aber einen signifikanten Einfluss auf Pflanzenwachstum und -gesundheit haben. Durch die Überwachung von Veränderungen der ARI2-Werte lassen sich Veränderungen des Anthocyangehalts im Pflanzenbestand erkennen und somit Rückschlüsse auf den Wachstumszustand und Stressbedingungen der Vegetation ziehen.

Die Anwendungsgebiete von ARI2 umfassen vor allem Bereiche wie Ökologie, Umweltwissenschaften und Landwirtschaft. In der Ökologie kann ARI2 zur Überwachung des Zustands und der Produktivität von Ökosystemen wie Wäldern und Grasland eingesetzt werden. In den Umweltwissenschaften dient ARI2 der Bewertung der Auswirkungen von Umweltfaktoren wie Bodenqualität, Verschmutzung und Klimawandel auf die Vegetation. In der Landwirtschaft kann ARI2 zur Überwachung des Pflanzenwachstums, zur Beurteilung von Stressfaktoren bei Pflanzen und zur Ertragsbestimmung verwendet werden.

△Abbildung 4 Rot-Grün-Verhältnisindex

Der Rot-Grün-Verhältnis-Index ist ein Fernerkundungsindex, der zur Überwachung des Gesundheitszustands und der Wachstumstrends der Vegetation verwendet wird.Der Index wird durch Vergleich der Reflexionsgrade der roten und grünen Lichtbänder berechnet. Die Formel lautet: Rot-Grün-Verhältnisindex = Rot / Grün.

Rotes Licht spiegelt typischerweise den Chlorophyllgehalt von Pflanzen wider, während grünes Licht deren allgemeine Struktur und Gesundheit widerspiegelt. Daher lässt sich durch die Berechnung des Rot-Grün-Verhältnisses der Wachstumsstatus und der Gesundheitszustand der Vegetation bestimmen.

Der Rot-Grün-Verhältnisindex (R-Grün-Verhältnis) ist aufgrund seiner Einfachheit, der leichten Berechenbarkeit und der Möglichkeit, schnell Informationen über das Pflanzenwachstum zu gewinnen, vorteilhaft. Seine Einschränkung liegt jedoch in seiner relativ geringen Sensitivität gegenüber der Kronenstruktur und Umweltfaktoren, wodurch er Vegetationsstress und andere detaillierte Informationen möglicherweise nicht präzise abbildet. Obwohl das R-Grün-Verhältnis ein praktischer Fernerkundungsindex ist, der schnell Informationen über das Pflanzenwachstum liefert, spiegelt er Vegetationsstress und andere detaillierte Informationen möglicherweise nicht genau wider. In der Praxis ist es daher notwendig, ihn mit anderen Fernerkundungsindizes und Felddaten zu kombinieren, um den Wachstumsstatus und den Gesundheitszustand der Vegetation umfassend zu verstehen.

△Abbildung 5 Pflanzengesundheit

Die Betrachtung der Pflanzengesundheitsverteilung in Abbildung 5 ergab, dass der Zustand einiger Gebiete im Allgemeinen besser war als der der umliegenden Gebiete. Diese Gebiete lagen hauptsächlich in relativ großer Entfernung von der Stadt und in der Nähe des Nils und seiner Nebenflüsse, was das in der Region vorherrschende, durch Wasserressourcen begrenzte Bewässerungslandwirtschaftsmodell bestätigte.

△Abbildung 6. Pflanzengesundheit in heißen und kalten Zonen

Die Vegetationsindexkarte in Abbildung 2-5 kann die Verteilung von Pflanzenwachstum und -gesundheit darstellen und hat einen gewissen Visualisierungseffekt. Bei Indizes mit extrem großen oder kleinen Unterschieden zwischen ihren oberen und unteren Grenzwerten wird die Visualisierung jedoch beeinträchtigt. Daher haben wir die Rasterdaten des Pflanzengesundheitsindex gemäß dem Raster in Punktdaten umgewandelt.

Anschließend werden für jedes Merkmal im Punktdatensatz die Getis-Ord-Gi*-Statistiken berechnet. Diese Statistiken werden aus dem ermittelten z-Wert und dem p-Wert abgeleitet. Bei statistisch signifikanten positiven z-Werten gilt: Je höher der z-Wert, desto enger ist die Clusterbildung der Merkmale mit hohen Werten (Hotspots). Bei statistisch signifikanten negativen z-Werten gilt: Je niedriger der z-Wert, desto enger ist die Clusterbildung der Merkmale mit niedrigen Werten (Coldspots). Der p-Wert dient zur Bestimmung des Konfidenzniveaus des Ergebnisses.

Mithilfe der obigen Berechnungen können wir die Orte ermitteln, an denen sich Elemente mit hohem oder niedrigem Wert im Raum konzentrieren, und kalte und warme Zonen identifizieren, in denen der Gesundheitszustand der Pflanzen deutlich niedriger bzw. höher ist als in den umliegenden Gebieten. Dadurch wird der landwirtschaftliche Zustand der Region auf intuitivere Weise dargestellt.

Darüber hinaus wird es möglich sein, die heißen und kalten Zonen zu vektorisieren und die Form der Regionen, die Entfernungen zwischen ihnen sowie die Beziehung zwischen den Regionen und Flüssen und Städten auf der Grundlage der Vektorgrenzen der heißen und kalten Zonen weiter zu analysieren, um das lokale landwirtschaftliche Entwicklungsmodell eingehend zu erforschen.