Wert hyperspektraler Daten für flächendeckende Kartierung von Feuchtgebietvegetation in heterogenen Landschaften

Warum die Kartierung wasserreicher Landschaften wichtig ist

Feuchtgebiete gehören zu den produktivsten und zugleich bedrohtesten Ökosystemen der Erde. Sie speichern Kohlenstoff, dämpfen Überschwemmungen und bieten Lebensraum für seltene Pflanzen und Tiere – sind aber oft schwer zugänglich und auf dem Fußweg nur schwer detailliert zu erfassen. Die Studie stellt eine praktische Frage, die Parkverwalter und Naturschützer weltweit beschäftigt: Brauchen wir wirklich teure, hochmoderne hyperspektrale Überflüge, um Feuchtgebietvegetation zu verstehen, oder reichen günstigere, häufiger verfügbare Luftbilder für die Aufgabe aus?

Ein Blick von oben in ein Labyrinth aus Sümpfen

Die Forschenden konzentrierten sich auf den Narew-Nationalpark im Nordosten Polens, eines der größten Auenfeuchtgebietkomplexe Europas. Dort schlängelt sich ein verzweigter, mehrkanaliger Fluss durch ein flaches Tal voller Schilfbestände, Seggenmoore, nasser Wiesen, Niederungsmoore, Weidengebüsche und Auenwälder. Viele Bereiche sind zu Fuß schwer oder gar nicht zugänglich, während sich die Vegetation verändert, weil traditionelle Bewirtschaftung zurückgeht und der Wasserstand sinkt. Um diese Veränderungen zu verfolgen, kombinierten die Forschenden botanische Feldarbeit mit luftgestützter Fernerkundung über mehr als 300 Quadratkilometer.

Flugzeuge, Laser und viele Farbtöne des Lichts

Im Sommer 2020 sammelten Flugzeuge drei Datentypen über dem Park. Hyperspektrale Sensoren zeichneten Hunderte sehr schmaler Farbbandbreiten vom sichtbaren bis zum kurzwelligen Infrarot auf und erfassten so feine Unterschiede in Blattchemie und Feuchte. Ein LiDAR-Scanner sandte Laserpulse aus, um die dreidimensionale Struktur der Vegetation zu messen, etwa Höhe und Kronenkomplexität. Eine hochauflösende RGBN-Kamera nahm vertraute Rot-, Grün-, Blau- und Nahinfrarotbilder mit 10-Zentimeter-Detail auf, aus denen das Team zudem einen Vegetationsindex und feinkörnige Texturmaße berechnete, die beschreiben, wie sich Pixeltonwerte in kleinen Nachbarschaften verändern. Am Boden kartierten Botanikerinnen und Botaniker fast 2.000 Referenzparzellen und unterschieden 30 detaillierte Vegetationsklassen, von offenem Wasser bis zu spezifischen Sumpf- und Waldgesellschaften.

Ein Computer lernt Pflanzenmuster zu erkennen

Die Wissenschaftlerinnen und Wissenschaftler trainierten anschließend ein Machine-Learning-Modell (CatBoost), um den Vegetationstyp für jeden Quadratmeter vorherzusagen, und testeten vier Datenkombinationen. Der informationsreichste Satz verband hyperspektrale Daten mit LiDAR; ein zweiter nutzte nur LiDAR; ein dritter verschmolz LiDAR mit RGBN-Bildern; und ein vierter fügte diesem RGBN‑LiDAR‑Mix Texturschichten hinzu. Durch wiederholtes Training und Validieren des Modells an verschiedenen Teilmengen der Feldparzellen bewerteten sie, wie häufig jede Klasse korrekt identifiziert wurde. Sie verglichen außerdem, wie ähnlich die resultierenden Karten einander und der bestehenden handgezeichneten Vegetationskarte des Parks waren – sowohl visuell als auch mit einem standardisierten Überlappungsindex.

Was ohne hyperspektrale Daten gewonnen und verloren geht

Der kombinierte Hyperspektral‑plus‑LiDAR‑Datensatz lieferte eindeutig die besten Ergebnisse und klassifizierte insgesamt etwa 82 Prozent der Flächen korrekt, mit starken Resultaten für viele einzelner Gemeinschaften, insbesondere Wälder, Schilfbestände und Weidengebüsche. Die Nutzung von ausschließlich LiDAR senkte die Genauigkeit auf etwa 63 Prozent, was die Autorinnen und Autoren für zu gering halten, um damit Schutzentscheidungen zu treffen. Der Ersatz hyperspektraler Daten durch RGBN-Bilder verbesserte die Ergebnisse gegenüber reinem LiDAR deutlich: Die Genauigkeit stieg auf etwa 72–73 Prozent, wobei die zusätzlichen Texturschichten nur einen kleinen weiteren Gewinn brachten. Für einige Vegetationstypen – etwa Wasserpflanzen, bestimmte Schilfgesellschaften und Niederungsmoore – kam der RGBN‑plus‑Textur‑Ansatz nahe an die Leistung hyperspektraler Daten heran. Für andere, insbesondere hochwüchsige Krautgesellschaften sowie einige Seggen‑ und Gebüschtypen, führten der Verlust hyperspektraler Details zu deutlichen Einbußen in der Zuverlässigkeit.

Mehr sehen als Feldkarten allein zeigen können

Im Vergleich mit der traditionellen feldbasierten Vegetationskarte, die im Managementplan des Parks verwendet wird, waren die Unterschiede der neuen fernerkundungsbasierten Karten auffällig. Die luftgestützten Daten zeigten viele kleine, aber ökologisch wichtige Flächen – etwa Wiesen auf winzigen mineralischen Hügeln und Fragmente seltener Moorvegetation –, die die Feldkarte übersehen oder zu breiten Einheiten verallgemeinert hatte. Die Fernerkundung erfasste auch komplexe Mosaike, in denen sich verschiedene Sumpfgemeinschaften über die Aue verweben. Gleichzeitig blieben einige feinkörnige Graslandtypen, die Botaniker im Gelände identifiziert hatten, allein aus der Bildgebung schwer zu trennen, was den fortdauernden Wert fachkundiger Feldarbeit unterstreicht.

Was das für den Schutz von Feuchtgebieten bedeutet

Für Managerinnen und Manager geschützter Feuchtgebiete liefert die Studie eine nuancierte Botschaft. Wenn das Budget es zulässt, bieten kombinierte hyperspektrale und LiDAR‑Daten die genauesten flächendeckenden Karten und unterstützen am besten ein detailliertes Habitatmanagement. Wo solche fortgeschrittenen Überflüge zu kostspielig sind, liefert die Verschmelzung günstigerer RGBN‑Aufnahmen mit LiDAR dennoch nützliche, relativ genaue Karten für viele Vegetationstypen, besonders wenn sie durch Texturinformationsschichten ergänzt werden. Vor allem zeigt die Arbeit, dass luftgestützte Fernerkundung – ob hochauflösend oder moderater – die traditionelle Feldkartierung erheblich bereichern und ergänzen kann, indem sie das feine Mosaik der Feuchtgebietvegetation sichtbar macht, das der Biodiversität zugrunde liegt und klügere Naturschutzentscheidungen ermöglicht.

Zitation: Jarocińska, A., Kopeć, D., Niedzielko, J. et al. Value of hyperspectral data for wall to wall wetland vegetation mapping in heterogeneous landscapes. Sci Rep 16, 13947 (2026). https://doi.org/10.1038/s41598-026-44275-0

Schlüsselwörter: Kartierung von Feuchtgebieten, Fernerkundung, hyperspektrale Bildgebung, LiDAR, Vegetationsklassifikation