Wie man mithilfe von Satellitenfernerkundungsdaten Ölpalmenanbaugebiete identifiziert

Ölpalmen sind eine wichtige Nutzpflanze, und Informationen über ihre Verbreitung sind entscheidend für die landwirtschaftliche Überwachung, die Landnutzungsbewertung und das Ressourcenmanagement. In diesem Beitrag wird eine Methode zur Fernerkundung aus mehreren Datenquellen vorgestellt, die Sentinel-1- und Sentinel-2-Daten kombiniert, um hochpräzise Informationen zur Ölpalmenverbreitung zu gewinnen. Sentinel-1 liefert wetterunabhängige Radarbilder, die jederzeit und bei jedem Wetter verfügbar sind; Sentinel-2 liefert optische Bilder mit umfangreichen Informationen wie Vegetationsindizes und Texturmerkmalen. Die Komplementarität dieser beiden Datenquellen schafft optimale Voraussetzungen für die Identifizierung von Ölpalmen.

Forschungsmethoden

Als Untersuchungsgebiet wurde eine bestimmte Region in Indonesien ausgewählt (Abbildung 1). Die Anbaufläche dieser Region im Jahr 2025 wurde ermittelt, und der Datenerhebungszeitraum erstreckte sich vom 1. Juni 2024 bis zum 31. Mai 2025. Die Daten wurden mithilfe der GEE-Plattform vorverarbeitet, einschließlich Bandextraktion, Indexberechnung und Rauschunterdrückung der SAR-Daten (siehe Abbildung 2). Anschließend wurden die Daten auf eine Auflösung von 10 Metern resampelt, wobei das Koordinatensystem WGS84 verwendet wurde.

Abbildung 1 Untersuchungsgebiet

Abbildung 2(a) VV

Abbildung 2(b) NDVI

Abbildung 3 zeigt die anhand von Gini-Koeffizienten sortierten Datenmerkmale. Insgesamt wurden 14 Merkmale aus Sentinel-1- und Sentinel-2-Daten für die Gini-Koeffizienten ausgewählt, davon 8 aus Sentinel-2 und 6 aus Sentinel-1. Bei Verwendung von SAR-Daten als primäres Merkmal für die Klassifizierung zeigten die VH- und VV-Bänder sowie deren Differenzen eine hohe Korrelation im Klassifizierungsmodell. Dies macht diese Merkmale entscheidend für die Erkennung von Ölpalmenplantagen. Darüber hinaus können Texturinformationen und Vegetationsindizes ebenfalls zur Vegetationsklassifizierung herangezogen werden; Texturmerkmale verbesserten die Erkennungsgenauigkeit von Ölpalmen dabei effektiver als Vegetationsindizes.

Abbildung 3. Rangfolge der Gini-Koeffizienten

Extraktionsergebnisse

Für die Merkmalskonstruktion wurden VV, VH, B3, B8, NDVI sowie Texturentropie und Kontrast ausgewählt. Anschließend wurden die Ölpalmengebiete innerhalb des Untersuchungsgebiets mithilfe eines Random Forest extrahiert. Die Extraktionsergebnisse sind in Abbildung 4 dargestellt.

Abbildung 4: Extraktionsergebnisse aus dem Ölpalmenplantagengebiet

Diese Arbeit nutzt eine Datenfusionsmethode, die Sentinel-1- und Sentinel-2-Daten kombiniert, um Ölpalmenplantagen zu extrahieren. Durch Merkmalskonstruktion und Random-Forest-Verfahren wird eine hochpräzise Identifizierung der Plantagenflächen erreicht. Die Forschung zeigt, dass die Fusion von Fernerkundungsdaten aus verschiedenen Quellen ein wichtiger Ansatz zur Verbesserung der Identifizierung landwirtschaftlicher Vegetation ist. Zukünftige Arbeiten könnten Deep-Learning-basierte semantische Segmentierungsmethoden weiter erforschen, um die Genauigkeit der Abgrenzung und die Fähigkeiten zur dynamischen Zeitreihenanalyse zu verbessern.