Entwicklung und Optimierung eines Morphodiversitätsmodells für Bergregionen mittels überwachter Klassifikation und künstlicher neuronaler Netze

Warum die Form von Bergen wichtig ist

Wenn wir an Naturschutz denken, stellen wir uns meist seltene Pflanzen und Tiere vor. Doch der Boden unter ihnen — Klippen, Täler, Grate und Flussschluchten — bestimmt stillschweigend, wo Leben gedeihen kann. Dieser Artikel untersucht, wie sich diese physische Vielfalt, die Morphodiversität genannt wird, präzise und automatisiert messen lässt. Am Beispiel der polnischen Pieninen zeigt die Autorin bzw. der Autor, wie moderne Computerverfahren, darunter künstliche neuronale Netze, detaillierte Höhenmodelle in verlässliche Karten verwandeln können, die den Naturschutz und die Raumplanung unterstützen.

Ein bergiges Labor für Landschaftsvielfalt

Die Pieninen an der polnisch‑slowakischen Grenze sind ein kompaktes, aber bemerkenswert vielfältiges Gebirge. Steile Kalksteinklippen, tiefe Schluchten wie die berühmte Dunajec‑Schlucht, sanftere Flyschhänge, vulkanische Gesteine und flache Becken liegen dicht beieinander. Diese Mischung aus Gesteinstypen und Formen schafft ein Mosaik von Lebensräumen, von sonnigen Felsspornen bis zu schattigen Tälern, das wiederum eine reiche Biodiversität trägt. Da die Region detailliert kartiert und erforscht ist, eignet sie sich als ideales „Labor“, um neue Methoden zu testen, die die Landschaftsvielfalt weit über das hinaus quantifizieren, was Auge oder Karte leicht erfassen können.

Von rohen Höhen zu messbarer Geländevielseitigkeit

Die Studie beginnt mit einem hochauflösenden digitalen Höhenmodell, einer detaillierten 3D‑Beschreibung der Geländeoberfläche. Daraus leitet die Autorin beziehungsweise der Autor sieben grundlegende Geländefeatures ab: Höhe, Hangneigung, Exposition (Richtung, in die ein Hang zeigt), zwei Arten von Krümmung (wie Flächen gebogen sind), lokale Höhenunterschiede und das Vorkommen von Felsaufschlüssen. Die Region wird anschließend mit tausenden regelmäßig geformter Hexagonzellen überlagert. Innerhalb jeder Zelle misst der Computer, wie stark diese Geländemerkmale Pixel für Pixel variieren. Anstatt lediglich zu zählen, wie viele „Typen“ von Landformen vorhanden sind, behandelt die Methode Variation selbst als Signal: Je mehr Wechsel in Höhe, Steilheit oder Ausrichtung innerhalb einer Zelle vorkommen, desto wahrscheinlicher ist sie morphodivers.

Ein digitaler Klassifizierer lernt komplexes Gelände zu erkennen

Um diese Zahlen in eine aussagekräftige Karte zu überführen, nutzt die Studie überwachte Klassifikation und künstliche neuronale Netze — Rechenmodelle, die lose davon inspiriert sind, wie Gehirne Muster erlernen. Menschliche Expertinnen und Experten markieren zunächst Beispielzellen als eindeutig „morphodivers“ (zerklüftete Gipfel, felsige Grate, tief eingeschnittene Täler, dramatische Schluchtwände) oder „nicht‑morphodivers“ (flache Talböden, Seenflächen, breite sanfte Hänge). Diese beschrifteten Beispiele lehren das neuronale Netz, welche Kombinationen aus Höhe, Neigung und anderen Merkmalen typischerweise mit komplexem Gelände einhergehen. Nach dem Training weist das Netz jeder Zelle der Region eine Wahrscheinlichkeit zu, wie wahrscheinlich es ist, dass sie zur morphodiversen Klasse gehört. Das Ergebnis ist eine kontinuierliche Karte, die später in intuitive Kategorien von sehr gering bis sehr hoch gegliedert werden kann.

Die Daten beschneiden, um nur Relevantes zu behalten

Ältere Verfahren kombinierten oft viele Geländemerkmale, wodurch dieselbe Information mehrfach einfloss und das Bild verschwamm. Diese Studie geht das Problem an, indem neuronale Netze mit globaler Sensitivitätsanalyse kombiniert werden — einer Technik, die prüft, wie stark jeder Eingang tatsächlich zu genauen Vorhersagen beiträgt. Durch schrittweises „Abschalten“ von Variablen und das Verfolgen von Änderungen im Modellfehler identifiziert die Autorin bzw. der Autor, welche Merkmale echte Information liefern und welche größtenteils redundant sind. Die optimierten Modelle zeigen, dass nur eine Handvoll Faktoren — Höhendifferenzen innerhalb einer Zelle, Gesamthöhe, Hangneigung, das Muster der Hangrichtungen und das Vorkommen von Felsaufschlüssen — ausreicht, um die wesentliche Struktur der Morphodiversität zu erfassen. Selbst nach dem Entfernen schlecht bewerteter Eingänge stimmen die vereinfachten Modelle den vollständigen Versionen sehr nahe, mit Korrelationswerten von bis zu 0,96–0,98.

Was die Ergebnisse für den Naturschutz bedeuten

Das verfeinerte Modell, speziell die RCMSC–ANN–M‑Variante, liefert Karten, die mit dem geomorphologischen Verständnis der Pieninen gut übereinstimmen. Es hebt nicht nur spektakuläre hohe Grate und Schluchtwände hervor, sondern auch morphologisch komplexe Bereiche an Talhängen und Vorbergen, die sonst übersehen werden könnten. Da die Methode auf weithin verfügbaren Höhen‑daten und einer kompakten Menge an Schlüsselvariablen beruht, lässt sie sich auf andere Gebirgsregionen weltweit anpassen. Für Schutzplanerinnen und -planer bietet dies eine objektive Möglichkeit, „geologisch reiche“ Gebiete zu lokalisieren und zu vergleichen, die Biodiversität und landschaftlichen Wert stützen, und somit Prioritäten für Schutzmaßnahmen, Tourismuslenkung oder detaillierte Felduntersuchungen zu setzen.

Zitation: Bartuś, T. Development and optimization of a morphodiversity model for mountainous areas using supervised classification and artificial neural networks. Sci Rep 16, 6009 (2026). https://doi.org/10.1038/s41598-026-36326-3

Schlüsselwörter: Geodiversität, Morphodiversität, Gebirgslandschaften, Neuronale Netze, Geokonservierung