Eine neue Studie, die im Journal of Remote Sensing veröffentlicht wurde, zeigt einen bedeutenden Fortschritt in der Überwachung von Feuchtgebietsökosystemen durch ein adaptives Ensemble-Learning-Framework, das Hyperspektral- und LiDAR-Daten kombiniert, die von unbemannten Luftfahrzeugen (UAVs) gesammelt wurden. Die im Huixian-Karst-Feuchtgebiet in China durchgeführte Forschung erreichte eine Genauigkeit von bis zu 92,77 % bei der Klassifizierung von Vegetationsarten und übertraf damit herkömmliche Fernerkundungsansätze deutlich. Sie bietet neue Möglichkeiten für den Biodiversitätsschutz und die Überwachung des Kohlenstoffkreislaufs.
Karst-Feuchtgebiete sind global bedeutende Ökosysteme, die Wasserressourcen regulieren, Kohlenstoff speichern und eine reiche Biodiversität unterstützen. Eine genaue Vegetationskartierung in diesen Umgebungen war jedoch aufgrund der komplexen Artenzusammensetzung und ähnlicher Kronenspektren verschiedener Pflanzen schwierig. Traditionelle Felduntersuchungen sind kostspielig und räumlich begrenzt, während konventionelle Fernerkundungsmethoden die für eine artenbezogene Klassifizierung erforderliche Auflösung vermissen lassen. Die Integration komplementärer optischer und struktureller Daten hat sich als notwendiger Ansatz für eine präzise Vegetationskartierung in diesen komplexen Umgebungen erwiesen.
Forscher der Guilin University of Technology und ihrer Partner entwickelten ein adaptives Ensemble-Learning-Stacking-Framework (AEL-Stacking), das Hyperspektralbilder mit LiDAR-Punktwolkendaten kombiniert. Die Studie, veröffentlicht unter DOI 10.34133/remotesensing.0452, zeigt, wie dieser integrierte Ansatz eine überlegene Klassifizierungsgenauigkeit erreicht und gleichzeitig Interpretierbarkeit durch lokale interpretierbare modellagnostische Erklärungen (LIME) bietet. Das Framework kombiniert Random Forest, LightGBM und CatBoost-Klassifikatoren in einem durch Grid-Search optimierten adaptiven System, das 70 % der Daten für das Training und 30 % für Tests verwendet, unterstützt durch 10-fache Kreuzvalidierung.
Das Forschungsteam führte Felduntersuchungen im Huixian-Karst-Feuchtgebiet durch, wo UAV-Flüge mit Headwall Nano-Hyperspec- und DJI Zenmuse L1 LiDAR-Sensoren über 4.500 Hyperspektralbilder und dichte Punktwolken mit 208 Punkten pro Quadratmeter sammelten. Der integrierte Datensatz umfasste 13 Vegetationstypen, darunter Lotus, Miscanthus und Kampferbäume. Durch rekursive Merkmalseliminierung und Korrelationsanalyse wählten die Forscher 40 optimale Merkmale aus mehr als 600 Variablen aus, wobei sich LiDAR-abgeleitete digitale Oberflächenmodell-Variablen (DSM) als besonders wertvoll für die Unterscheidung von Arten mit unterschiedlichen vertikalen Strukturen erwiesen.
Die Ergebnisse zeigten, dass die Kombination von Hyperspektral- und LiDAR-Daten eine Gesamtgenauigkeit zwischen 87,91 % und 92,77 % erreichte und damit Einzeldatenansätze um bis zu 9,5 % übertraf. Das AEL-Stacking-Modell übertraf sowohl konventionelle Ensemble-Methoden als auch Deep-Learning-Algorithmen um 0,96 % bis 7,58 %. Hyperspektrale Vegetationsindizes wie NDVI und Blue-Edge-Parameter verbesserten die Erkennung krautiger Arten, während die LIME-Analyse DSM und blaue Spektralbänder als einflussreichste Merkmale offenbarte. Lotus und Miscanthus erreichten Klassifizierungs-F1-Scores über 0,9, wobei das Modell die Fehlklassifizierung zwischen morphologisch ähnlichen Arten deutlich reduzierte.
„Unser Ansatz überbrückt die Lücke zwischen spektraler und struktureller Erfassung“, sagte Dr. Bolin Fu, korrespondierender Autor der Studie. „Durch die Kombination von UAV-Hyperspektral- und LiDAR-Daten mittels adaptivem Ensemble-Learning erreichen wir sowohl Präzision als auch Interpretierbarkeit in der Vegetationskartierung. Das Framework verbessert nicht nur die Artenerkennung in komplexen Karstumgebungen, sondern bietet auch ein verallgemeinerbares Werkzeug für ökologische Überwachung und Habitatrestaurierung weltweit.“
Die Forschung demonstriert einen skalierbaren und erklärbaren Ansatz für hochauflösende Feuchtgebietskartierung, der potenziell auf Wald-, Grasland- und Küstenökosysteme angewendet werden könnte. Zukünftige Arbeiten werden sich auf die Integration multitemporaler UAV-Beobachtungen und Satellitendatenfusion konzentrieren, um saisonale Vegetationsdynamiken und klimabedingte Veränderungen der Feuchtgebietsgesundheit zu überwachen. Durch die Verbesserung der Transparenz und Genauigkeit KI-gestützter ökologischer Modelle unterstützt diese Forschung globale Biodiversitätsschutzbemühungen und Klimaneutralitätsinitiativen und liefert detaillierte Vegetationskarten, die für Ökosystemüberwachung und Restaurierungsplanung unerlässlich sind.
