Drieledig samengevoegd beeld uit UAV-multispectrale beelden verbetert koolstofschatting op soortniveau in mangroven

Waarom deze kustbossen ertoe doen

Mangrovebossen staan waar land en zee elkaar raken en slaan grote hoeveelheden koolstof op in hun hout en modderige bodems. Omdat deze “blauwe koolstof” helpt de klimaatverandering te vertragen, willen overheden en natuurbeschermingsorganisaties mangroves steeds vaker beschermen en herstellen. Niet alle mangrove­soorten slaan echter op dezelfde manier koolstof op. Deze studie toont aan hoe kleine drones met speciale camera’s niet alleen verschillende mangrove­soorten langs een Chinese kust in kaart kunnen brengen, maar ook kunnen inschatten hoeveel koolstof elke soort boven- en ondergronds bevat.

Mangroves bekijken vanuit de lucht

Het onderzoek vond plaats in het Gaoqiao Mangrove Nature Reserve in Yingluo Bay, Zuid-China, een groot, soortenrijk beschermd gebied. Hier vormen vier veelvoorkomende mangrove­soorten een mozaïek langs de getijden, van hoge boomkronen nabij de open baai tot struikachtige begroeiing langs rivieroevers en vijverranden. Traditioneel vereist het schatten van de koolstofvoorraad dat mensen door kleverige modder ploegen, boomgroottes meten en in wortels en bodems graven — een traag en kostbaar proces. Satellieten dekken wel grote gebieden, maar missen vaak de fijne details om aangrenzende soorten of kleine bosvlekken te onderscheiden. Het team vloog daarom met een laagvliegende drone uitgerust met een multispectrale camera die niet alleen normale kleuren vastlegt, maar ook red-edge en nabij-infrarood licht, die bijzonder gevoelig zijn voor bladchemie en plantgezondheid.

Drie soorten aanwijzingen uit dronebeelden

Uit de dronedata haalden de onderzoekers drie families aanwijzingen over het bos. “Spectrale” kenmerken beschrijven hoe bladeren verschillende kleuren licht reflecteren, die gecombineerd kunnen worden in vegetatieindices die samenhangen met vitaliteit en chlorofyl. “Structurele” kenmerken komen uit 3D-hoogtegegevens en tonen hoe hoog het bladerdak over het landschap is. “Textuur”-kenmerken vangen hoe ruw of glad het bladerdak in de beelden lijkt, en weerspiegelen verschillen in bladgrootte, takdichtheid en kroonvorm. Door deze drie typen informatie te combineren, trainden de onderzoekers computermodellen die eerst de vier mangrove­soorten onderscheidden en vervolgens de beeldkenmerken verbonden met nauwkeurige koolstofmetingen die in 40 grondplots waren verzameld.

De ene mangrove onderscheiden van de andere

De gecombineerde aanpak bleek vooral krachtig voor soortmapping. Wanneer het team alleen basis rood, groen en blauw beelden gebruikte, kon de drone soorten met vergelijkbare bladkleuren of gemengde begroeiing niet betrouwbaar onderscheiden. Het toevoegen van red-edge en nabij-infrarood banden verbeterde het beeld sterk, en het meenemen van bladerdakhoogte verhoogde de prestatie nog verder. De beste combinatie — ruwe multispectrale banden, vegetatieindices en hoogte — identificeerde mangrove­soorten correct bijna 90% van de tijd. Dat was cruciaal, omdat soorten zoals Avicennia marina en Aegiceras corniculatum spectraal op elkaar kunnen lijken maar subtiel verschillen in hoogte en groeivorm, terwijl andere, zoals Rhizophora stylosa en Bruguiera gymnorrhiza, hoger staan en zwaardere kronen hebben.

De structuur van het bos koppelen aan opgeslagen koolstof

Zodra soorten in kaart waren gebracht, werd dezelfde driedelige set beeldkenmerken gebruikt om koolstofmodellen te bouwen. Voor elke soort of soortpaar testten de onderzoekers hoe goed verschillende beeldvariabelen de koolstof voorspelden die bovengronds in stammen en takken en ondergronds in wortels was opgeslagen. Ze ontdekten dat de meest informatieve kenmerken per soort verschilden. Voor de struikachtige A. corniculatum werkten subtiele patronen in red-edge-textuur het beste, terwijl voor B. gymnorrhiza variaties in de textuur van de blauwe band cruciaal waren. Voor gemengde begroeiingen van R. stylosa en A. marina bleek simpele bladerdakhoogte een sterke voorspeller, wat weerspiegelt dat grotere bomen meer biomassa bevatten. De resulterende modellen verklaarden bijna de helft tot meer dan 90% van de variatie in waargenomen koolstof, afhankelijk van de soort en of het om bovengrondse of ondergrondse voorraden ging.

Waar de koolstof echt zit

Het toepassen van deze modellen op het hele studiegebied leverde gedetailleerde kaarten op van bovengrondse, ondergrondse en totale mangrovekoolstof. De noordwesthoek van het reservaat, gedomineerd door hoge R. stylosa-standen, kwam naar voren als een koolstofhotspot, met de hoogste waarden zowel boven- als ondergronds. Gemiddeld sloeg R. stylosa ongeveer twee keer zoveel bovengrondse koolstof op als de laagst ontwikkelde soort A. corniculatum, en leidde ook in wortelkoolstof. A. marina, hoewel wijdverspreid, had een meer gematigde koolstofopslag per hectare, terwijl B. gymnorrhiza kleinere maar nog steeds belangrijke pockets bijdroeg. Over het geheel genomen slaarden soorten met hogere, dikkere stammen en bredere kronen veel meer koolstof op dan dichte bosjes van lagere struiken, ondanks dat de struiken veel meer stammen per oppervlakte hadden.

Wat dit betekent voor klimaat en natuurbehoud

Voor niet‑specialisten is de belangrijkste boodschap dat mangroves niet als een uniforme groene strook op de kaart behandeld kunnen worden. Verschillende soorten stapelen zeer verschillende hoeveelheden koolstof op en reageren verschillend op wat drones in kleur, structuur en textuur “zien”. Door deze drie gezichtspunten te combineren, laat deze studie zien dat relatief betaalbare drones zowel soorten als hun koolstofvoorraden in hoge resolutie in kaart kunnen brengen, waardoor beheerders kunnen bepalen welke bosvlekken het meest waardevol zijn voor klimaatmitigatie. Naarmate inspanningen om blauwe koolstofecosystemen te beschermen en te herstellen toenemen, kan deze soortniveau-informatie slimmer aanplanten, gerichte bescherming van hoog-koolstofstandplaatsen en nauwkeurigere nationale koolstofboekhouding sturen.

Bronvermelding: Chen, Y., Shen, X., Yan, C. et al. Triple-feature fusion from UAV multispectral imagery enhances species-level mangrove carbon assessment. Sci Rep 16, 11494 (2026). https://doi.org/10.1038/s41598-026-40303-1

Trefwoorden: mangrove koolstof, blauwe koolstof, UAV multispectraal, soortkaarten, bos remote sensing