Ein globales Tool gegen Abholzung

Die Schwierigkeit besteht darin, aktuelle Daten ¨¹ber die Vegetation zu bekommen. Viele Firmen besch?ftigen Nachhaltigkeitsteams, die vor Ort Informationen sammeln, aber diese Informationen sind sehr l¨¹ckenhaft und oft auch nicht transparent. Vorhandene Messmethoden, die mit dem Flugzeug grosse Fl?chen befliegen und ein Laserscanning durchf¨¹hren, sind sehr kostenaufw?ndig und daher hinsichtlich der Reichweite beschr?nkt.

Welchen neuen Ansatz verfolgen Sie?

Unser Ansatz besteht darin, Satellitenaufnahmen (wie etwa von Sentinel-2) zu nutzen. Der Vorteil besteht darin, dass diese Aufnahmen global mit einer hohen zeitlichen und r?umlichen Aufl?sung zu Verf¨¹gung stehen. Sentinel-2 liefert alle 5 Tage Aufnahmen von der ganzen Welt mit einer Aufl?sung von bis zu 10 m. Dadurch dass man jeweils viele Aufnahmen von einem Ort hat, k?nnen Wolken, die die Sicht verdecken, auch in tropischen Gebieten herausgerechnet werden.

Aber ganz so einfach ist es nicht, von den Satellitenaufnahmen auf die Vegetationseigenschaften zu schliessen, oder?

Durch eine Bildauswertung allein kommt man nicht zum Ziel. Aber durch die Kombination von Satellitendaten und die Anwendungen von innovativen datenbasierten Algorithmen (Stichwort: Machine Learning) k?nnen wir erstaunliche Resultate erzielen.

In einem ersten Schritt geht es um eine Sch?tzung der Vegetationsh?hen. Das heisst wir versuchen, aus 2D-Bildern die 3D-Informationen zu extrahieren und das mit nur einem Blickwinkel. Diese Art von Problemstellung kennen wir z.B. vom autonomen Fahren (monocular depth estimation) und ¨¹bertragen die Methoden auf die optischen Satellitenaufnahmen.

In einem zweiten Schritt arbeiten wir mit der NASA zusammen, um mittels Laserscanner-Daten, die von der ISS gesammelt werden, auf die Biomasse zu schliessen. Vorteil vom Laser ist, dass man Reflektionsdaten in 3D vom Bl?tterdach bis zum Boden erh?lt und so Aussagen ¨¹ber die Biomasse ableiten kann. Nachteil ist, dass die Lasermesspunkte nicht so dicht sind. Wir nutzen die Laserdaten als Referenzdaten und kombinieren sie mit den optischen Satellitenbildern, um eine hoch aufgel?ste Karte zu erstellen. Dabei verfolgen wir einen Deep Learning Ansatz, d.h. unser Algorithmus wird mit Trainingsdaten gef¨¹ttert und lernt die Zusammenh?nge.

Welche Ergebnisse konnten Sie erzielen?

Wir haben bereits Karten f¨¹r ganze L?nder erstellt (Gabun, Schweiz) und das mit einer r?umlichen Aufl?sung von 10 m und einer Genauigkeit der gesch?tzten Vegetationsh?he von ¡À 5 m. Letztendlich m?chten wir eine Biomasse-Karte f¨¹r die ganze Welt generieren und den Firmen zur Verf¨¹gung stellen.

Wann und wie wird die globale Karte zur Verf¨¹gung stehen?

Wir planen, das Projekt in den kommenden zwei Jahren fertig zu stellen und dann in Kooperation mit dem HCSA-Konsortium ein Online-Tool zu ver?ffentlichen, zu dem alle Firmen kosteng¨¹nstig Zugang erhalten. Das Ziel ist es, die Informationslage, die momentan sehr l¨¹ckenhaft und subjektiv ist, objektiv und transparent zu machen. Alle Firmen k?nnen dann mit den gleichen gesicherten Daten arbeiten.

Diese Ergebnisse sind bestimmt auch f¨¹r andere Branchen interessant.

Ja, auf jeden Fall. Viele L?nder interessieren sich f¨¹r unsere Karte, um sie z.B. f¨¹r die Raumplanung zu nutzen und nachhaltige Entwicklungsstrategien zu verfolgen. Dar¨¹ber hinaus sind unsere Daten nat¨¹rlich auch f¨¹r die Klimaforschung ?usserst interessant.