K‑Means‑Clustering angewandt auf Vegetationsindizes zur Kartierung landwirtschaftlicher Flächen mit hochauflösenden marokkanischen Mohammed‑VI‑Satellitenbildern

Warum intelligentere Kulturpflanzenkarten wichtig sind

Die Ernährung einer wachsenden Welt hängt davon ab, nahezu in Echtzeit zu wissen, was tatsächlich auf dem Boden wächst. Landwirte und Behörden brauchen verlässliche Karten dafür, wo Kulturen angebaut werden, welche Flächen brachliegen und wie sich diese Muster von Saison zu Saison verändern. Diese Studie zeigt, wie ein marokkanischer Erdbeobachtungssatellit in Kombination mit einer einfachen Form der künstlichen Intelligenz Rohbilder in hochgenaue Karten kultivierter Flächen verwandeln kann, ohne dass große Teams von Menschen Daten per Hand beschriften müssen.

Höfe aus dem All sehen

Die Arbeit konzentriert sich auf das Mohammed‑VI‑Satellitensystem, ein Paar marokkanischer Satelliten, die die Erde in einer sonnensynchronen Umlaufbahn umkreisen. Sie liefern sehr scharfe Aufnahmen in vier Farbkanälen, einschließlich nahinfrarotem Licht, mit einer Auflösung von einem halben Meter — fein genug, um einzelne kleine Felder und sogar Baumreihen zu unterscheiden. Die Autoren fokussierten sich auf ein 175 Hektar großes Agrargebiet in der Region Fès–Meknès im Norden Marokkos, wo Felder mit Getreide, Mais, Oliven, Mandeln, Weinreben und Gemüse neben ungenutzten Parzellen und spärlicher Vegetation liegen. Diese Vielfalt macht das Gebiet zu einem idealen Prüfstand für Werkzeuge, die kultiviertes Land von allem anderen trennen müssen.

Farben in Hinweise verwandeln

Rohsatellitenbilder sind nur Raster von Helligkeitswerten in verschiedenen Farbkanälen. Um diese Raster aussagekräftiger zu machen, berechnen Wissenschaftler häufig „Vegetationsindizes“, die mehrere Farbbänder zu einer einzigen Zahl verschmelzen, die Pflanzenzustand oder Wassergehalt widerspiegelt. Diese Studie verwendet den bekannten Normalized Difference Vegetation Index (NDVI), der blättrige, chlorophyllreiche Vegetation hervorhebt, und den Modified Normalized Difference Water Index (MNDWI), der gegenüber Feuchteunterschieden empfindlich ist und grünes sowie nahinfrarotes Licht nutzt. Zusammen mit dem ursprünglichen Nahinfrarotband bilden diese drei Schichten eine kompakte Beschreibung des Vegetations‑ und Feuchtezustands jedes Pixels und liefern deutlich reichhaltigere Informationen als ein einzelnes Band allein.

Das Datenbild sich selbst gruppieren lassen

Statt ein komplexes Modell mit Tausenden handbeschrifteter Beispiele zu trainieren, wandten sich die Forscher K‑Means zu, einem unkomplizierten Clustering‑Algorithmus aus dem unüberwachten maschinellen Lernen. K‑Means sucht einfach nach Mustern in den Daten und gruppiert Pixel in eine feste Anzahl von Clustern, die ähnliche spektrale Merkmale teilen. Nach grundlegender Vorverarbeitung — Extraktion der relevanten Bänder, Berechnung der beiden Indizes, Stapelung der Schichten und Skalierung aller Werte zwischen null und eins — wiesen die Autoren K‑Means an, genau drei Cluster zu bilden. Diese wurden dann als Hintergrund (Bereiche außerhalb der Felder oder ohne nutzbares Signal), unbedeckter Boden und kulturdominierte Flächen interpretiert. Da die Methode unüberwacht ist, lässt sie sich auf neue Bilder anwenden, ohne zusätzliche beschriftete Trainingsdaten zu benötigen.

Die Methode auf die Probe stellen

Um zu beurteilen, wie gut der Ansatz funktioniert, erstellten die Autoren eine detaillierte Referenzkarte, indem sie kultivierte Parzellen manuell in einer geografischen Informationssoftware nachzeichneten und dabei dasselbe hochauflösende Bild verwendeten. Anschließend verglichen sie vier Methoden zur Schätzung des Anteils kultivierter Flächen: eine einfache Regel, die nur auf Nahinfrarothelligkeit basiert, eine Regel, die ausschließlich auf dem Vegetationsindex NDVI beruht, ein Standard‑K‑Means auf den ursprünglichen Farbkanälen und ihr neues „spektrales K‑Means“, das die kombinierten Index‑ und Nahinfrarotdaten clustert. Der tatsächliche Kultivierungsanteil des Untersuchungsgebiets betrug 71,07 Prozent. Eine Schwellenwertmethode auf Basis des Nahinfrarots unterschätzte dies mit 65,59 Prozent, NDVI allein ergab 66,13 Prozent und Standard‑K‑Means erreichte 67,18 Prozent. Der spektrale K‑Means‑Ansatz kam mit 72,07 Prozent am nächsten, was einem relativen Fehler von nur 1,41 Prozent entspricht — mehrfach besser als die konkurrierenden Methoden.

Was das für die Landwirtschaft der Zukunft bedeutet

Für Landwirte, Wasserverwalter und Planer bietet diese Art automatisierter, genauer Kartierung einen praxisnahen Weg, Felder über große Regionen zu überwachen, ohne kostspielige Feldbegehungen oder umfangreiche beschriftete Datensätze. Indem kultivierte von unerschlossenen Flächen zuverlässig unterschieden und Bereiche mit gesunder oder gestresster Vegetation hervorgehoben werden, kann die Methode präzise Bewässerung unterstützen, Düngemitteleinsatz leiten und dabei helfen, Landnutzungsänderungen nachzuverfolgen. Obwohl die aktuelle Validierung auf einem einzigen Bild beruht, weist der Ansatz in Richtung einer Zukunft, in der einfache, unüberwachte Algorithmen auf hochauflösende Satellitendaten routinemäßig feldskalige Kulturkartierungen liefern und so die Nahrungsmittelproduktion verbessern und eine nachhaltigere Nutzung von Land und Wasser fördern.

Zitation: Moussaid, A., Bayad, M., Gamoussi, Y. et al. K-means clustering applied to vegetation indices for mapping cultivated areas using high-resolution Moroccan Mohammed VI satellite imagery. Sci Rep 16, 11040 (2026). https://doi.org/10.1038/s41598-026-41167-1

Schlüsselwörter: präzisionslandwirtschaft, Satellitenbilder, Erntekartierung, unüberwachtes Lernen, Vegetationsindizes