ArticlePDF Available

Monitoring von blütenreichen Flächen mittels Fernerkundung

Authors:
  • Helmholtz-Centre for Environmental Research, Leipzig, Germany

Abstract and Figures

Zusammenfassung: Seit einigen Jahren werden in der Landwirtschaft gezielt blütenreiche Flächen angelegt, um die Nektar-und Pollenquellen für Bestäuber und andere Nützlinge zur Verfügung zu stellen, Trittsteine in der Landwirtschaft zu schaffen und damit dem Rückgang der Artenvielfalt entgegenzuwirken. Für den Erfolg dieser Maßnahmen ist die Anzahl der etablierten Pflanzenarten und der Blühaspekt über die Vegetationsperiode entscheidend. Dieser Artikel gibt einen Einblick, wie Fernerkundung dabei helfen kann, die Erfolgs-und Effizienz-kontrolle, welche bisher mit aufwändigen Vor-Ort-Erfassungen geprüft wird, einfacher zu ge-stalten. Untersucht wurde einerseits, ob und wie sich blütenreiche Flächen anhand von hoch-auflösenden RGB-Luftbildern klassifizieren und von anderen Landbedeckungsarten unter-scheiden lassen. Die Fernerkundungsdaten wurden mit dem Gyrocopter der Hochschule An-halt von Versuchsanlagen (Feldraine, mehrjährige Blühstreifen, Buntbrachen) auf und um den Campus Strenzfeld der Hochschule Anhalt (bei Bernburg, Sachsen-Anhalt) erhoben. Das Vor-gehen bei der Identifikation von Blühflächen bestand im Wesentlichen aus drei Schritten: Seg-mentierung, GLCM-Berechnung und Klassifikation. Die Ergebnisse sind als sehr positiv zu bewerten (Overall Accuracy > 0.98), da bei der Klassifikation nur wenige Segmente zwischen den Klassen "Blühflächen" und "nicht-Blühflächen" verwechselt wurden. Des Weiteren wurde anhand hochaufgelöster RGB-Daten versucht, den Artenreichtum, die Blütenfarbe und-menge sowie den Einfluss von Gräserreichtum auf die Ergebnisse über eine RGB-Farbraum-analyse abzuleiten. Ebenso sollte geprüft werden, welche Datengrundlage und räumliche Bodenpixelauflösung für die Fragestellungen geeignet sind. Die Ergebnisse zeigen, dass eine qualitative Einschätzung des Blütenreichtums möglich ist; für eine quantitative Einschätzung spielt allerdings die Bodenpixelauflösung eine entscheidende Rolle. Der Artenreichtum blühender Pflanzen korreliert mit der Anzahl der vorkommenden Blühfarben und kann somit grob abgeschätzt werden. Ein hoher Gräserreichtum wirkt sich nicht negativ auf die prozentual ermittelte Blütenmenge aus. Bei der Einschätzung der vorwiegenden Blühfarbe besteht noch Optimierungsbedarf.
Content may be subject to copyright.
Dreiländertagung der DGPF, der OVG und der SGPF in Dresden – Publikationen der DGPF, Band 30, 2022
220
Monitoring von blütenreichen Flächen mittels Fernerkundung
SOPHIE PROKOPH1, JASMIN CHEEMA2, ANITA KIRMER3, ANGELA LAUSCH4 & LUTZ BANNEHR1
Zusammenfassung: Seit einigen Jahren werden in der Landwirtschaft gezielt blütenreiche Flä-
chen angelegt, um die Nektar- und Pollenquellen für Bestäuber und andere Nützlinge zur Ver-
fügung zu stellen, Trittsteine in der Landwirtschaft zu schaffen und damit dem Rückgang der
Artenvielfalt entgegenzuwirken. Für den Erfolg dieser Maßnahmen ist die Anzahl der etab-
lierten Pflanzenarten und der Blühaspekt über die Vegetationsperiode entscheidend. Dieser
Artikel gibt einen Einblick, wie Fernerkundung dabei helfen kann, die Erfolgs- und Effizienz-
kontrolle, welche bisher mit aufwändigen Vor-Ort-Erfassungen geprüft wird, einfacher zu ge-
stalten. Untersucht wurde einerseits, ob und wie sich blütenreiche Flächen anhand von hoch-
auflösenden RGB-Luftbildern klassifizieren und von anderen Landbedeckungsarten unter-
scheiden lassen. Die Fernerkundungsdaten wurden mit dem Gyrocopter der Hochschule An-
halt von Versuchsanlagen (Feldraine, mehrjährige Blühstreifen, Buntbrachen) auf und um den
Campus Strenzfeld der Hochschule Anhalt (bei Bernburg, Sachsen-Anhalt) erhoben. Das Vor-
gehen bei der Identifikation von Blühflächen bestand im Wesentlichen aus drei Schritten: Seg-
mentierung, GLCM-Berechnung und Klassifikation. Die Ergebnisse sind als sehr positiv zu
bewerten (Overall Accuracy > 0.98), da bei der Klassifikation nur wenige Segmente zwischen
den Klassen „Blühflächen“ und „nicht-Blühflächen“ verwechselt wurden. Des Weiteren
wurde anhand hochaufgelöster RGB-Daten versucht, den Artenreichtum, die Blütenfarbe und
-menge sowie den Einfluss von Gräserreichtum auf die Ergebnisse über eine RGB-Farbraum-
analyse abzuleiten. Ebenso sollte geprüft werden, welche Datengrundlage und räumliche Bo-
denpixelauflösung für die Fragestellungen geeignet sind. Die Ergebnisse zeigen, dass eine
qualitative Einschätzung des Blütenreichtums möglich ist; für eine quantitative Einschätzung
spielt allerdings die Bodenpixelauflösung eine entscheidende Rolle. Der Artenreichtum blü-
hender Pflanzen korreliert mit der Anzahl der vorkommenden Blühfarben und kann somit grob
abgeschätzt werden. Ein hoher Gräserreichtum wirkt sich nicht negativ auf die prozentual
ermittelte Blütenmenge aus. Bei der Einschätzung der vorwiegenden Blühfarbe besteht noch
Optimierungsbedarf.
1 Einleitung und Stand der Forschung
Seit 1990 wurde in Naturschutzgebieten ein besorgniserregender Biomasserückgang der Flugin-
sekten von etwa 75 % festgestellt (HALLMANN et al. 2017; SORG et al. 2013; RADA et al. 2018).
Als bedeutende Einflussgröße wird die Landwirtschaft gesehen, da eine verstärkte Flächeninan-
spruchnahme, Monokulturen, der Einsatz von Schädlingsbekämpfungsmitteln, sowie verändertes
1 Hochschule Anhalt, FB3 AFG, Bauhausstraße 8, D-06846 Dessau,
E-Mail: [Sophie.Prokoph, Lutz.Bannehr]@hs-anhalt.de
2 Technische Universität Dresden, Institut für Photogrammetrie und Fernerkundung,
Helmholtzstraße 10, D-01069 Dresden, E-Mail: jasmin.cheema@tu-dresden.de
3 Hochschule Anhalt, FB1 LOEL, Strenzfelder Allee 28, D-06406 Bernburg,
E-Mail: anita.kirmer@hs-anhalt.de
4 Helmholtz-Zentrum für Umweltforschung GmbH – UFZ, Department Landschaftsökologie, Permoser-
straße 15, D-04318 Leipzig, E-Mail: angela.lausch@ufz.de
DOI: 10.24407/KXP:1796030872
Dreiländertagung der DGPF, der OVG und der SGPF in Dresden – Publikationen der DGPF, Band 30, 2022
221
Flächenmanagement, etc. als Faktoren zusammenwirken (NABU - NATURSCHUTZBUND DEUTSCH-
LAND E.V. 2022).
Heutzutage wird das Landschaftsbild in Deutschland von großen Nutzflächen geprägt, in denen es
kaum noch integrierte oder vernetzte Biotope für Pflanzen und Tiere gibt. Diesem Trend versucht
man, z. B. durch Agrarumwelt- und Klimamaßnahmen (AUKM) entgegenzuwirken. In Sachsen-
Anhalt wird u. a. die Anlage von mehrjährigen Wildpflanzen-Blühstreifen oder -flächen und Bunt-
brachen über AUKM subventioniert (FENCHEL et al. 2015). Darüber hinaus können artenarme,
grasdominierte Randstrukturen zwischen Wegen und Ackerflächen durch die Ansaat von artenrei-
chen Wildpflanzenmischungen in kräuter- und blütenreiche Feldraine umgewandelt werden, die
in ausgeräumten Landschaften eine wichtige Funktion als Verbindungskorridore und Trittsteine
übernehmen (KIRMER et al. 2018, 2019).
Der Erfolg der Ansaaten ist abhängig von der verwendeten Saatgutmischung sowie vom Manage-
ment und kann beispielsweise über die Anzahl und Deckung der angesäten und spontan etablierten
Pflanzenarten (Zielarten, Gräser, Ruderalarten, invasive Neophyten) bzw. über die vorkommenden
Insektenarten kontrolliert werden (KIRMER et al. 2018; SCHMIDT et al. 2020, 2021).
Mit verschiedenen Fernerkundungstechnologien können Zustände, Zustandsänderungen und
Wechselwirkungen von Pflanzeneigenschaften (plant traits) großflächig, kontinuierlich und zu-
nehmend harmonisiert erfasst werden (LAUSCH et al. 2016; PAUSE et al. 2020).
Dass sich mit Fernerkundung Vegetationsveränderungen, insbesondere auch bei Blühpflanzen auf-
zeigen lassen, zeigen folgende Beispiele:
MÜLLEROVÁ et al. (2013) hat nachgewiesen, dass sich der invasive Neophyt Riesen-Bä-
renklau (auch als Herkulesstaude bekannt) durch seine riesigen Blütenstände in Satelliten-
aufnahmen detektieren lässt.
SMIGAJ und GAULTON (2021) haben mit einer Random Forrest Klassifikation anhand von
hochaufgelösten RGB- und multispektralen Daten den Blütenreichtum in Hecken unter-
sucht.
LANDMANN et al. (2015) hat in afrikanischen Savannen mithilfe von hyperspektraler Satel-
litenfernerkundung Blühpflanzen kartiert.
FEILHAUER et al. (2016) konnte unter Einsatz von hyperspektralen airborne Fernerkun-
dungs-Technologien drei verschiedene Bestäubungsarten klassifizieren.
In diesem Artikel wird einerseits eine Möglichkeit aufgezeigt, Blühstreifen/ -flächen anhand von
hochaufgelösten Luftbilddaten zu klassifizieren, andererseits wird ein Ansatz vorgestellt, um die
Blütenfarbe und -menge abzuleiten. Die Untersuchung erfolgte mittels KI-Klassifikationsalgorith-
men, statistischen Verfahren sowie einer RGB-Farbraumanalyse.
Die verwendeten fernerkundlichen Methoden sollen dazu beitragen, die Erfolgs- und Effizienz-
kontrolle von Ansaaten einfacher zu gestalten. Folgende Fragestellungen wurden dabei bearbeitet
und sind Gegenstand des vorliegenden Papers:
Wie lassen sich blütenreiche Flächen anhand von multisensoralen Luftbildern in einem
Gebiet klassifizieren und von anderen Landbedeckungsarten unterscheiden?
Lassen sich Artenreichtum, Blütenfarbe und -menge anhand hochaufgelöster RGB-Daten
ableiten? Hat das Vorhandensein von Gräsern auf diese Erfassung eine Auswirkung?
Welche Datengrundlage ist für die Fragestellungen notwendig/ausreichend?
S. Prokoph, J. Cheema, A. Kirmer, A. Lausch & L. Bannehr
222
2 Untersuchungsgebiet und Datenerfassung
Das Untersuchungsgebiet Strenzfeld liegt in der Nähe von Bernburg in Sachsen-Anhalt, Deutsch-
land (Abb. 1). Hier befinden sich auf bzw. um den Campus Strenzfeld der Hochschule Anhalt
verschiedene Versuchsanlagen für Feldraine, mehrjährige Blühstreifen und Buntbrachen (Abb. 2).
Abb. 1: Lage des Untersuchungsgebietes als RGB-Orthomosaik.
Abb. 2: Lage der ausgewählten Versuchsanlagen für Blühstreifen und -flächen (blau) und Testgebiete
(orange). Bei dem Feldrain Blueh1a (ProSaum-Ochsendorf) handelt es sich um einen 2010 an-
gelegten Blockversuch aus sechs Varianten und fünf Wiederholungen, in dem vier Varianten mit
einer artenreichen Ansaatmischung aus 49 gebietseigenen Wildpflanzen angesät wurden (Kir-
mer et al. 2018). Hier wurden die ersten 12 Parzellen betrachtet (im Norden). Blueh1b ist ein
2011 angesäter artenreicher Feldrain. Beide Feldraine beinhalten unterschiedliche Mahdtermine
(Mai, Juni, September). Blueh1c und Blueh1d sind kleine Flächen mit Ansaaten. Bei Blueh2
handelt es sich um eine Buntbrache. Blueh6a und Blueh6b sind mehrjährige Blühstreifen neben
dem Kastanienweg. Testgebiet 1 beinhaltet Blueh6a. Testgebiet 2 beinhaltet Blueh1c, Blueh1d
und Teile von Blueh1a sowie von Blueh1b.
Dreiländertagung der DGPF, der OVG und der SGPF in Dresden – Publikationen der DGPF, Band 30, 2022
223
Das Untersuchungsgebiet wurde 2021 zu verschiedenen Zeitpunkten (Mai, Juni, August, Septem-
ber) mit dem Gyrocopter der Hochschule Anhalt beflogen. Der Vorteil dieser Trägerplattform ge-
genüber Satelliten besteht darin, dass eine wesentlich höhere räumliche Auflösung der Bilddaten
erreicht werden kann (sensorabhängig, < 10 cm). Diese ist zwar in der Regel nicht so hoch ist wie
bei UAVs (Unmanned Aerial Vehicle), aber im Vergleich dazu ist eine höhere Gebietsabdeckung
pro Überflug möglich sowie eine größere Vielfalt an parallel installierter Fernerkundungssensorik
möglich.
Der Gyrocopter ist mit einer komplexen Sensorik, wie einem Hyperspektralscanner (HySpex
VNIR 1600), einer hochauflösenden 100 Mpix RGB-Kamera (Phase One iXM-100) sowie einer
Thermalkamera (FLIR A655sc) ausgestattet (BANNEHR et al. 2021). Die Befliegungen wurden in
Flughöhen von 300 m bzw. 500 m durchgeführt, um einzelne Blütenstände, die nur wenige Zenti-
meter groß sind, erfassen zu können. Mittels eines GPS (Global Positioning System) und einer
IMU (Inertial Measurement Unit) können die resultierenden Bilddaten lagegenau verortet werden.
Nach einer GPS-Korrektur mit dem Inertial Explorer erfolgte die weitere Datenprozessierung (im
Wesentlichen geometrische Entzerrung) mit der Software Agisoft Metashape für die Thermal- und
RGB-Daten (getrennt) und mit Parge für die Hyperspektraldaten.
Für diese Untersuchungen wurden vorerst nur die Daten vom 13. Juni 2021 betrachtet. Während
der Befliegung war wechselhaftes Wetter, was sich besonders im RGB-Bild durch verschieden
stark belichtete Bereiche widerspiegelt (Abb. 1) und eine Herausforderung bei der Datenauswer-
tung darstellt. Die resultierenden Luftbilder haben die folgende räumliche Auflösung: 4 cm (RGB-
Orthomosaik), 20 cm (bildbasiertes digitales Oberflächenmodell, bDOM), ca. 15 cm (Hyperspekt-
raldaten) sowie ca. 65 cm (Thermaldaten). Für die Analysen in dieser Studie wurden zunächst die
RGB-Daten herangezogen. Die Hyperspektral- und Thermaldaten sollen aber zukünftig noch bei
der Beantwortung weiterer Fragestellungen eingesetzt werden. In Tabelle 1 sind einige weitere
Metainformationen zu den verwendeten Luftbildern zusammengefasst. Bei der Genauigkeitsan-
gabe der räumlichen Auflösung ist zu beachten, dass der angegebene Wert ohne Berücksichtigung
einer Forward Motion Compensation-Korrektur berechnet wurde und somit die von Metashape
berechnete, aber nicht die tatsächliche räumliche Auflösung darstellt.
Tab. 1: Räumliche und radiometrische Auflösung sowie spektraler Bereich für die jeweiligen Bilddaten
von der Befliegung am 13.06.2021.
Räumliche Auflösung Radiometrische
Auflösung
Spektraler Be-
reich
Bei 300 m
Flughöhe
Bei 500 m Flug-
höhe
RGB-Orthomosaik 4 cm 5,4 cm, 11 cm 16 bit rot, grün, blau
bDOM 8,6 cm 20 cm - -
Zudem erfolgten am 15. und 16. Juni 2021 vor Ort Erhebungen von Referenzdaten. Unter anderem
wurden Blütenreichtum (BRT), Gräserreichtum (GRT) und Artenreichtum (ART) mittels einer
Skala von 0 (kein Vorkommen) bis 5 (sehr häufiges Vorkommen) abgeschätzt sowie die dominan-
ten Blütenfarben und Pflanzenarten, Wuchshöhe und der Mahdstatus dokumentiert.
S. Prokoph, J. Cheema, A. Kirmer, A. Lausch & L. Bannehr
224
3 Methodik/Datenanalyse
3.1 Klassifikation blütenreicher Flächen
Bei dem Vorkommen mehrerer Pflanzenarten innerhalbeiner blütenreichen Fläche handelt es sich
nicht um eine Objektklasse, die auf einer einzelnen spektralen Signatur mit Variationen beruht,
sondern um eine Reihe von Klassen, deren Reflexionsverhalten sich massiv voneinander
unterscheiden können und die räumlich zusammen vorkommen. Pixelbasierte Methoden, die die
benachbarten Pixel bei der Klassenzuweisung nicht beachten, geraten deshalb an ihre Grenzen.
Demnach liegt es nahe, den räumlichen Kontext der umliegenden Pixel und somit deren spektrale
Information in die Klassifikation mit einzubeziehen. Hier wurden zwei Ansätze ausgewählt, um
die relative Lage der Pixel zu berücksichtigen. Der erste besteht darin, eine überwachte
objektbasierte Klassifikation basierend auf einem GEOBIO Ansatz durchzuführen (BLASCHKE
2010). Das bedeutet, dass die Aufnahme im Vorfeld in Gruppen von Pixeln aufgeteilt wird, die bis
zu einem gewissen Grad homogen sind und von denen ausgegangen wird, dass sie zu einer Klasse
gehören (Segmentierung).
Anschließend werden Statistiken für diese Segmente kalkuliert, die dann die Basis für die
darauffolgende Klassifikation bilden. In diesem Fall werden Maximal-, Minimal- und Mittelwert
sowie die Standardabweichung und der Median berechnet. Da es nur darum geht, die blütenreichen
Flächen zu erfassen, handelt es sich um eine One Class Classification (OCC). Das bedeutet, dass
es nur zwei Klassen gibt: „Blühfläche“ und „nicht-Blühfläche“. Für die Blühflächen wurden
Referenzsegmente manuell ausgewählt, während für die Repräsentation der nicht-Blühflächen
zufällig 20 Prozent der restlichen Segmente zum Training verwendet wurden. Die verbleibenden
Segmente wurden dann nach dem Training klassifiziert. Als Klassifikationsmethode wurde
Support Vector Machines (SVM) gewählt, welche auch bei einer geringen Menge an
Referenzdaten anwendbar ist. Außerdem ist sie als nicht-parametrischer Algorithmus nicht auf
Klassen mit einer Normalverteilung angewiesen. Als Datengrundlage dienten das RGB-
Orthomosaik und das darauf basierende DOM, insgesamt somit vier Eingangskanäle. Letzteres
wurde einbezogen, da rein visuell eine mögliche Schwierigkeit in der Unterscheidung von Bäumen
und Blühflächen vermutet wurde.
Zum Testen dieses Ansatzes wurden zwei Testgebiete ausgewählt (Abb. 2). Das erste enthält eine
artenreiche Blühfläche und das zweite enthält mehrere Flächen, in denen fast keine bzw. wenige
Blüten vorhanden sind. Die räumliche Verkleinerung ist auch durch die ressourcenintensiven
Aufgaben (Segmentierung/Statistikberechnung) begründet.
Für die Segmentierung wurden die drei Bänder aus dem RGB-Datensatz genommen. Neben diesen
und dem DOM wurden noch Texturparameter extrahiert, die ebenfalls in die Klassifikation
eingeflossen sind. Für das Generieren von Texturbändern wurde die Grey Level Co-Occurrence
(GLCM) Matrix verwendet. Mit dieser Methode können verschiedene Größen, welche die Textur
auf unterschiedliche Weisen charakterisieren, ausgegeben werden. Da die möglichen
Ergebnisbänder teilweise korreliert sind, wurden lediglich folgende fünf Texturparameter
verwendet: Kontrast, Entropie, Mittelwert, Varianz und Korrelation. Diese wurden auf jedes
Eingangsband angewendet und ebenso die Statistiken dafür berechnet. Somit ergab sich eine
Anzahl von 120 Werten pro Segment (4(Kanäle)*5(Statistik)+4(Kanäle)*5(Statistik)*5(Textur)).
Dreiländertagung der DGPF, der OVG und der SGPF in Dresden – Publikationen der DGPF, Band 30, 2022
225
Das Vorgehen besteht demnach im Wesentlichen aus drei Schritten: Segmentierung, GLCM-
Berechnung und Klassifikation.
Blueh1a_P3: BRT=1, GRT=3, ART=2, vorwiegende Blühfarbe=hellgelb
Blueh1a_P6: BRT=2, GRT=5, ART=3, vorwiegende Blühfarben=weiß, hellgelb
Blueh6a: BRT=5, GRT=1, ART=4, vorwiegende Blühfarbe=hellgelb
11 cm 5,4 cm RGB-Photo (Bodenaufnahme)
Abb. 3: Gegenüberstellung eines sehr blütenarmen (Blueh1a_P3, oben), wenig blütenreichen
(Blueh1a_P6, Mitte) und sehr blütenreichen (Blueh6a, unten) Gebietes. Zu sehen ist ein RGB-
Ausschnitt mit 11 cm (links) und 5,4 cm (Mitte) Auflösung im Vergleich zu einem vor Ort aufge-
nommenen Foto (rechts).
S. Prokoph, J. Cheema, A. Kirmer, A. Lausch & L. Bannehr
226
3.2 RGB-Farbraumanalyse
Es liegt die Vermutung nahe, dass sich Blüten aufgrund der bunten -nicht grünen- Blütenfarben in
den sowohl radiometrisch als auch räumlich hochaufgelösten RGB-Luftbildern (als nicht grüne
Pixel) erkennen und durch eine RGB-Farbraumanalyse bzw. Darstellung der pixelweisen
Farbhäufigkeiten einschätzen lassen. Die Variationen des Blütenreichtums verschiedener
Untersuchungsgebiete sind mit bloßem Auge in den Daten sichtbar (Abb. 3). Aus den Blühflächen
wurden ein oder mehrere gleichgroße Ausschnitte für die weitere Untersuchung ausgewählt. Es
stellte sich heraus, dass die Region Blueh6b stark überbelichtet ist, so dass diese Flächen von der
weiteren Untersuchung ausgeschlossen wurden. Somit verblieben 27 Flächen für die weitere
Analyse.
Mit möglichst wenig Aufwand (Rechenzeit, Datenvorbereitung, …) wurden zwei Möglichkeiten
untersucht, über einen Algorithmus sowohl Blütenmenge als auch die überwiegende Blütenfarbe
zu ermitteln.
Ein erster Ansatz beruht auf der Idee, sich den RGB-Farbraum als dreidimensionales
Koordinatensystem vorzustellen, bei dem die drei Achsen durch die drei Kanäle rot (R), grün (G)
und blau (B) gebildet werden. Diese Vorstellung gleicht einem Farbwürfel, bei dem der Nullpunkt
dieses Systems schwarz ist, die Ecke mit den Maximalwerten weiß repräsentiert und die übrigen
Eckpunkte die Farben rot, grün und blau (entlang der Koordinatenachsen) oder gelb, cyan und
magenta abbilden (Abb. 4).
Abb. 4: Darstellung des RGB-Farbraumes als dreidimensionales Koordinatensystem [Bildquelle:
https://upload.wikimedia.org/wikipedia/commons/0/03/RGB_farbwuerfel.jpg]
Es bestand die Annahme, dass blütenreiche Gebiete auffällig viele Punkte im entsprechenden
Farbbereich haben. Für diese Untersuchung wurden für jeden der 27 Ausschnitte die Grauwerte
pro Kanal jeweils in fünf Klassen (lineare Einteilung) zusammengefasst. Anschließend wurde für
jede Klasseneinteilung die Anzahl der hierin vorkommenden Pixel ermittelt. Die Ergebnisse
bestehen aus drei Diagrammen pro Ausschnitt, die für die verschiedenen Blickrichtungen die
Verteilung und Häufigkeit der Pixelfarben je nach Farbkanal aufzeigen, um zu prüfen wie sich die
Farbräume blütenreicher und blütenarmer Gebiete unterscheiden (Abb. 7 bis 9, S. 229f). Dazu
wurde die freie Software R verwendet.
Da die Farbräume allerdings nicht der oben aufgeführten linearen Einteilung entsprechen, wurden
die Farbräume der in den Pixeln erkennbaren Blütenfarben (rot, weiß, gelb, helllila, hellgelb) aus
dem RGB-Orthomosaik abgegriffen (Abb. 5). Vereinzelte blaue Blüten waren in den Pixeln nicht
erkennbar.
Dreiländertagung der DGPF, der OVG und der SGPF in Dresden – Publikationen der DGPF, Band 30, 2022
227
Abb. 5: R-Plot mit Punkthaufen der vorkommenden Blütenfarben und Gräser im 3D-Farbraum. Die
Punkthaufen der einzelnen Blütenfarben haben eine ellipsoidische Form.
In einem zweiten Ansatz wurde für die einzelnen 27 Untersuchungsflächen geprüft, welche Pixel
innerhalb eines Farbraums (Mittelwert ± einfache Standardabweichung) liegen. Ermittelt wurden
sowohl die Anzahl für alle Farbräume als auch die prozentuale Blütenabdeckung (Verhältnis aus
Anzahl der nicht grünen Farbpixel und Gesamtpixelzahl der jeweiligen Untersuchungsfläche).
Dies wurde ebenso für den Farbraum der Gräser durchgeführt, um später zu prüfen, ob sich der
Gräserreichtum auf die Erfassung von Blütenfarbe und -menge auswirkt.
Die Blütenmenge entspricht der prozentualen Blütendeckung und wurde mit den vor Ort erfassten
Werten des Blütenreichtums verglichen. Die vorherrschende Blütenfarbe wurde als richtig
gewertet, wenn die meisten Pixel diesem Farbraum zugeordnet werden konnten. Bei zwei
vorherrschenden Blütenfarben wurden die beiden Farbräume mit den meisten Pixeln zur
Einschätzung herangezogen.
4 Ergebnisse und Diskussion
4.1 Klassifikation blütenreicher Flächen
Die Resultate für die Segmentierung und die Klassifikation sind in Abb. 6 dargestellt. Die
Segmentierung hat sehr gute Ergebnisse gebracht, die zur weiteren Bearbeitung genutzt wurden.
Defizite gibt es bei Blueh1a in Bezug auf die Erfassung der kleinen Trennungsstücke zwischen
den Parzellen. Bei Blueh6a ist nur ein kleiner Bereich am nordöstlichen Rand problematisch, in
dem ein Teil der Blühfläche dem Segment des Nachbarschlages zugeteilt wurde. Zur überwachten
Klassifikation wurden drei Trainingssegmente aus Blueh6a gewählt, mit dem Ziel die leicht
unterschiedlichen Muster aufzugreifen. Eine gleiche Herangehensweise wurde bei den fünf
gewählten Segmenten in Testgebiet 2 gewählt.
Beide Klassifikationsergebnisse zeigen eine hohe Overall Accuracy (Testgebiet 1: 0.997,
Testgebiet 2: 0.984), unterscheiden sich jedoch in der Quote der richtig erkannten Blühflächen-
Segmente, der Producers’Accuracy, (Testgebiet 1: 0.917, Testgebiet 2: 0.571). Das bedeutet, die
hohen Zahlen für die Overall Accuracy resultieren, insbesondere für Testgebiet 2, von den richtig
erkannten nicht-Blühflächen-Segmenten (Testgebiet 1: 1.0, Testgebiet 2: 0.996). Diese sind in sehr
S. Prokoph, J. Cheema, A. Kirmer, A. Lausch & L. Bannehr
228
viel höherer Zahl vorhanden und beeinflussen deshalb die Overall Accuracy positiv. Das deutet
möglicherweise auf Overfitting des angewendeten Modells, eine zu starke Anpassung an die
Trainingsdaten, hin. Davon unabhängig legt die Tatsache, dass nur ein Segment in Testgebiet 1
falsch klassifiziert wurde, den Verdacht nahe, dass ein hoher Blütenreichtum das
Alleinstellungsmerkmal für Blühflächen ist. Eine weitere Schlussfolgerung ist, dass die
Klassifizierung von nicht blütenreichen Blühflächen anfälliger für Verwechselungen ist. Ursachen
für solche Uneindeutigkeiten können Grasflächen oder Teile von Feldern sein, die ähnliche
spektrale Eigenschaften aufweisen aber nicht dieselben Funktionen erfüllen können.
Abb. 6: Ergebnisse der Segmentierung und Klassifikation. Segmentierungsergebnis und die daraufhin
ausgewählten Trainingsgebiete für die Blühflächen der Testgebiete a) 1 und c) 2 mit den dazu-
gehörigen Klassifikationsergebnissen b) und d). In b) und d) sind die Teile der Blühflächen, die
richtig klassifiziert wurden, grün markiert, während rot für die nicht erkannten Segmente steht.
Hellorange sind die richtig erkannten nicht-Blühflächen. Segmente, die fälschlicherweise als
nicht-Blühflächen klassifiziert wurden, sind blau dargestellt.
Dreiländertagung der DGPF, der OVG und der SGPF in Dresden – Publikationen der DGPF, Band 30, 2022
229
4.2 RGB-Farbraumanalyse
Mittels einer RGB-Farbraumanalyse wurden der Blütenreichtum, der Einfluss des
Gräserreichtums auf den berechneten Blütenreichtum, die Erkennung der vorherrschenden
Blühfarbe sowie der Artenreichtum untersucht.
4.2.1 Blütenreichtum
Um den Blütenreichtum abzuschätzen, wurde zunächst die Verteilung der RGB-Farbwerte (11 cm
Auflösung) in einem dreidimensionalen Farbraum betrachtet. Pro Ausschnitt wurden drei
Diagramme generiert, die die Häufigkeit und Verteilung der Pixelfarben darstellen. Dabei sind die
Grauwerte der Kanäle jeweils in fünf Klassen zusammengefasst (1 entspricht Grauwerten von 0
bis 13106, 2 entspricht Grauwerten von 13107 bis 26213, usw.). In den Abb. 7 bis 9 sind die
Diagramme für Ausschnitte mit verschieden hohem Blütenreichtum und verschiedenen
Blühfarben dargestellt, „band1“ entspricht dabei dem roten Kanal, „band2“ dem grünen und
„band3“ dem blauen Kanal. Bei dem blütenarmen Gebiet Blueh1a_P3 liegt die Mehrzahl der Pixel
bei {3,3,2} (Abb. 8), dies lässt sich jedoch nicht für alle blütenarmen Gebiete bestätigen.
Bei Blühfarben im weiß-hellgelben Bereich gilt: Je blütenreicher, desto mehr sind Pixel mit hohen
Datenwerten für die drei Bänder vertreten. Bei den helllila Blüten lässt sich dieser Trend allerdings
nicht feststellen, jedoch sind hier auch deutlich mehr Pixel in anderen Farbklassen als bei
blütenarmen Gebieten vorhanden. Allgemeingültige Aussagen zum Blütenreichtum und zu den
vorherrschenden Blühfarben lassen sich anhand der Diagramme nur insofern treffen, als dass bei
höherem Blütenreichtum eine stärkere Streuung der Werte entlang der Hauptdiagonale zu
erkennen ist.
Abb. 7: Beispiel für eine RGB-Farbraumanalyse eines sehr blütenreichen Gebietes (Blueh6a_2, BRT=5,
GRT=1, ART=4, vorwiegende Blühfarbe=hellgelb). Band1, band2 und band3 steht für die Farb-
kanäle rot, grün und blau, n gibt die Anzahl der Pixel dieses Ausschnittes an.
Abb. 8: Beispiel für eine RGB-Farbraumanalyse eines sehr blütenarmen Gebietes (Blueh1a_P3,
BRT=1, GRT=3, ART=2, vorwiegende Blühfarbe=hellgelb). Band1, band2 und band3 steht für
die Farbkanäle rot, grün und blau, n gibt die Anzahl der Pixel dieses Ausschnittes an.
S. Prokoph, J. Cheema, A. Kirmer, A. Lausch & L. Bannehr
230
Abb. 9: Beispiel für eine RGB-Farbraumanalyse eines blütenreichen Gebietes (Blueh1a_P4, BRT=3,
GRT=3, ART=2, vorwiegende Blühfarbe=helllila). Band1, band2 und band3 steht für die Farbka-
näle rot, grün und blau, n gibt die Anzahl der Pixel dieses Ausschnittes an.
Entsprechend des zweiten Ansatzes wurden sowohl die Anzahl der Pixel für die vorherrschenden
Farbräume (rot, weiß, gelb, helllila, hellgelb) als auch die prozentuale Blütendeckung (Verhältnis
aus Anzahl der Blühfarbenpixel und Gesamtpixelzahl der jeweiligen Untersuchungsfläche)
ermittelt.
Die berechnete prozentuale Blütenabdeckung und der vor Ort geschätzte Blütenreichtum wurden
gegenübergestellt. Ein Vergleich dieser Gegenüberstellung für verschiedene räumliche
Auflösungen soll bei der Planung und Optimierung zukünftiger Befliegungen helfen. Eine
niedrigere räumliche Auflösung wäre leichter zu realisieren (kürzere Befliegungsdauer, da höhere
Gebietsabdeckung pro Überflug) und mit weniger Kosten verbunden.
Unabhängig von der Bodenpixelauflösung (Groud Sampling Distance, GSD) ist der gleiche Trend
zu erkennen (Vergleiche beide Diagramme in Abb. 10).
Abb. 10: Prozentual berechneter Blütenreichtum im Vergleich zu dem vor Ort geschätzten Blütenreich-
tum bei einer GSD von 11 cm (links) und 5,4 cm (rechts). Zwischen dem berechneten und dem
In-Situ Blütenreichtum wurde ein linearer Zusammenhang angenommen. Die Regressionskoef-
fizienten R²=0.29 (links) und R²=0.41 (rechts) werden stark durch drei Ausreißer (rote Markie-
rungen) und die hohen Schwankungen bei den als sehr blütenreich (5) eingestuften Gebieten
beeinflusst.
Bei genauerer Betrachtung fällt auf, dass sich der für die einzelnen Gebiete berechnete
Blütenreichtum je nach Bodenpixelauflösung stark voneinander unterscheidet. So sind die Werte
bei einer höheren GSD (hier 5,4 cm) etwa doppelt so hoch wie bei einer geringeren Auflösung von
11 cm. Eine mögliche Ursache dafür wird in der Bildung von Mischpixeln vermutet. Das
wiederum deutet darauf hin, dass die Bodenpixelauflösung der Luftaufnahme bei der Erfassung
Dreiländertagung der DGPF, der OVG und der SGPF in Dresden – Publikationen der DGPF, Band 30, 2022
231
der kleinen Blüten einen deutlich größeren Einfluss hat, um quantitative Aussagen bezüglich der
Blütenmenge treffen zu können. Eine genauere Untersuchung der prozentualen Blütenmenge
anhand von Referenzdaten, bei der die prozentuale Blütenabdeckung erfasst wurde, soll zukünftig
durchgeführt werden.
Außerdem fällt bei einer Gegenüberstellung der vor Ort geschätzten Blütenmenge und der
prozentual ermittelten Blütenmenge aller Ausschnitte auf, dass es besonders in den als sehr
blütenreich (5) eingestuften Gebieten hohe Variationen der berechneten Blütenmenge gibt. Die
Ursache hierfür wird darin gesehen, dass bei einer sehr hohen Blütenmenge das subjektive
Empfinden die Schätzwerte beeinflusst und nicht weiter unterschieden werden kann zwischen sehr
vielen und noch viel mehr Blüten. Ein Lösungsansatz zum Vermeiden dieses Problems ist, den
berechneten prozentualen Blütenreichtum in Klassen zusammenzufassen (Abb. 11). Daher wurde
die berechnete prozentuale Blütendeckung ebenfalls in sechs Klassen eingeteilt (0 keine Blüten, 5
sehr hoher Blütenreichtum). Die Stufen orientieren sich dabei an der für Vegetationsaufnahmen
gebräuchlichen LONDO-Skala (T
RAXLER
1997). Abhängig von der räumlichen Auflösung musste
die Skala allerdings leicht angepasst werden.
Abb. 11: Gegenüberstellung des in Klassen zusammengefassten berechneten Blütenreichtums im Ver-
gleich zu dem vor Ort geschätzten Blütenreichtum je nach GSD ohne die drei stärksten Ausrei-
ßer: Blueh1a_P3, Blueh1a_P8, Blueh1b_P2. Links für 11 cm Auflösung (Klasseneinteilung: 0: 0,
1: Werte > 0 und <= 1 %, 2: Werte > 1 % und <= 5 %, 3: Werte > 5 % und <= 10 %, 4: Werte >
10 % und <= 15 %, 5: Werte > 15 %); Rechts 5,4 cm Auflösung (Klasseneinteilung: 0: 0, 1:
Werte > 0 und <= 3 %, 2: Werte > 3 % und <= 8 %, 3: Werte > 8 % und <= 15 %, 4: Werte > 15
% und <= 20 %, 5: Werte > 20 %).
Für die beiden untersuchten Auflösungen sehen die Ergebnisse ähnlich aus, wobei das Ergebnis
bei einer GSD von 5,4 cm mit einem Regressionskoeffizienten von 84 % im Vergleich zu dem
Luftbild mit 11 cm GSD (mit R²=70 %) noch besser ist. Bei den Diagrammen in Abb. 11 wurden
die drei stärksten Ausreißer (Blueh1a_P3, Blueh1a_P8 und Blueh1b_P2) nicht mit berücksichtigt.
Die Ursache für diese Abweichungen bleibt ungeklärt.
4.2.2 Einfluss des Gräserreichtums auf den Blütenreichtum
Der Verdacht, dass sich ein hoher Gräserreichtum aufgrund der helllila bis gelblichen Farbe der
Gräser positiv auf den berechneten Blütenreichtum auswirkt (durch fehlerhafte Zuordnung der
Pixel), konnte widerlegt werden. Zwar liegen die Farbräume der Klassen nah beieinander, aber bei
einem hohen Gräserreichtum steigt weder die Zahl der hellgelben oder helllila Pixel noch der pro-
S. Prokoph, J. Cheema, A. Kirmer, A. Lausch & L. Bannehr
232
zentuale berechnete Blütenreichtum (Abb. 12). Allerdings haben die untersuchten Flächen mit ho-
hem Blütenreichtum auch nur einen geringen Gräserreichtum und die Flächen mit hohem Gräser-
reichtum nur einen geringen Blütenreichtum.
Abb. 12: Bei einem hohen Gräserreichtum steigt weder der prozentuale berechnete Blütenreichtum
(links) noch die Zahl der hellgelben oder helllila Pixel (rechts). Dies geht mit der Beobachtung
vor Ort einher, dass bei hohem Gräserreichtum weniger Blüten vorhanden waren.
4.2.3 Erkennung der vorherrschenden Blütenfarbe
Als vorherrschende Blütenfarben traten weiß, gelb, helllila und hellgelb sowie Kombinationen
davon auf. Die über den vorgestellten Ansatz ermittelte vorherrschende Blütenfarbe wurde als
richtig gewertet, wenn die meisten Pixel diesem Farbraum zugeordnet werden konnten. Bei zwei
vorherrschenden Blütenfarben wurden die beiden Farbräume mit den meisten Pixeln zur
Einschätzung herangezogen (daher ist hier auch die Gesamtzahl höher als die Zahl der
Untersuchungsflächen). Die Ergebnisse ließen sich mit Hilfe einer Konfusionsmatrix auswerten.
Für beide untersuchten Bodenpixelauflösungen geben die Konfusionsmatritzen die gleiche Overall
Accuracy von 57 % an. Auch die Zahl der richtig erkannten vorwiegenden Blühfarben (20) und
die der falsch erkannten (15) ist bei beiden Bodenpixelauflösungen gleich hoch.
Bei genauerer Betrachtung kann festgestellt werden, dass bei einer GSD von 11 cm die nicht
blühenden Gebiete besser erkannt wurden. Allerdings kam es zu häufigen Verwechselungen bei
den vorwiegend hellgelb blühenden Flächen. Bei einer GSD von 5,4 cm haben hingegen viele
Gebiete die meisten helllila-farbenen Pixel, obwohl die vorwiegende Blühfarbe eine andere ist.
Bei den beiden verschieden hohen Bodenpixelauflösungen wurden vorwiegend gelbblühende
Flächen nicht als solche erkannt. Dies deutet darauf hin, dass die Erkennung der vorwiegenden
Blühfarbe(n) über diese Methode nur bedingt praktikabel ist.
Mögliche Ursachen bilden zum einen die Ähnlichkeit der Farbräume (z. B. weiß und helllila, gelb
und hellgelb) und zum anderen, dass es bei der Bestimmung der vorwiegenden Blühfarbe mitunter
nur wenige Pixel Unterschied gab, was zu einer fehlerhaften Zuordnung führte.
Zudem hat die Genauigkeitseinschätzung der vorwiegenden Blühfarbe über die genannte Methode
mit einer Konfusionsmatrix den Nachteil, dass bei einer geringen Anzahl der
Untersuchungsgebiete Fehlklassifizierungen die Gesamtgenauigkeit stark beeinträchtigen.
Eine Erhöhung des Stichprobenumfangs durch Einbeziehung weiterer Befliegungsdaten zu
anderen Zeitpunkten ist geplant. Ebenso steht die Prüfung der gewählten Methode zur Diskussion.
Dreiländertagung der DGPF, der OVG und der SGPF in Dresden – Publikationen der DGPF, Band 30, 2022
233
Als Alternative könnte beispielsweise die Zuordnung der Pixel in die entsprechende Farbklasse
über einen anderen Klassifikationsalgorithmus, der die ellipsoidische Form der einzelnen
Farbräume berücksichtigt, untersucht werden.
4.2.4 Erkennung der vorherrschenden Blütenfarbe
Der vor Ort erfasste Artenreichtum wurde in Bezug zu der Anzahl der anhand der RGB-Luftbilder
ermittelten vorkommenden Blühfarben gesetzt. Hierbei muss erwähnt werden, dass bei der
Auflösung von 11 cm die vorkommenden Blütenfarben gezählt wurden, sobald mindestens drei
Pixel darin erkannt wurden. Bei der Auflösung von 5,4 cm GSD wurde die Farbe erst gezählt,
wenn mehr als zehn Pixel der jeweiligen Farbklasse erkannt wurden.
Bei dem Vergleich zwischen Artenreichtum und des anhand der RGB-Luftbilder ermittelten
Farbreichtums ist insbesondere bei einer GSD von 11 cm ein klarer proportionaler Zusammenhang
erkennbar (Abb. 13). Bei dem Punkt (3,5|0) handelt es sich um einen der oben bereits benannten
Ausreißer Blueh1a_P8. Der Artenreichtum kann grob über die Anzahl der vorkommenden
Blühfarben abgeschätzt werden, eine genaue Zahl der vorkommenden Arten kann über eine
Farbraumanalyse jedoch nicht ermittelt werden, da verschiedene Arten die gleiche Blütenfarbe
haben. Außerdem wurden in dieser Untersuchung nur die blühenden Arten betrachtet.
Abb. 13: Vergleich zwischen dem vor Ort erfassten Artenreichtum und der Anzahl der ermittelten vor-
kommenden Blütenfarben mit einer GSD von 11 cm (links) und einer GSD von 5,4 cm (rechts).
5 Fazit und Ausblick
Zusammenfassend lässt sich feststellen, dass im Rahmen dieser Erarbeitung die vorausgegangenen
Fragestellungen beantwortet werden konnten und Potential für weiterführende Untersuchungen
aufweisen.
Es konnte ein Algorithmus entwickelt werden, mit dem die Identifikation von Blühflächen anhand
weniger bekannter Gebiete möglich ist.
Ebenso wurde gezeigt, dass eine qualitative Einschätzung des Blütenreichtums möglich ist, wobei
insbesondere nach der Eliminierung von Ausreißern und des in Klassen zusammengefassten
berechneten prozentualen Blütenreichtums gute Ergebnisse vorliegen (Overall Accuracy > 70 %).
Eine quantitative Abschätzung der Blütenmenge ist stark abhängig von der Bodenpixelauflösung,
da bei einer höheren räumlichen Auflösung deutlich mehr farbige Blütenpixel erkannt werden, was
S. Prokoph, J. Cheema, A. Kirmer, A. Lausch & L. Bannehr
234
bei der Berechnung zu einer höheren prozentualen Abdeckung des Blütenreichtums führt. Der
Artenreichtum blühender Pflanzen korreliert mit der Anzahl der vorkommenden Blühfarben und
kann darüber grob abgeschätzt werden. Ein hoher Gräserreichtum wirkt sich nicht negativ auf die
prozentual ermittelte Blütenmenge aus. Bei der Einschätzung der vorwiegenden Blühfarbe besteht
noch Optimierungsbedarf. So kann die Farbeinschätzung z. B. mit Hilfe eines
Klassifikationsverfahrens durchgeführt werden.
Zur besseren Ergebnisvalidierung sollten mehr Datensätze z. B. von weiteren Zeitpunkten und
Gebieten einbezogen werden. Diese Gebiete sollten mehrere ähnliche Blühflächen aufweisen, um
die Übertragbarkeit besser abschätzen zu können, und damit die Trainings- und Testsegmente nicht
vom gleichen Blühstreifen stammen (weniger Korrelation). Die zu verschiedenen Zeitpunkten und
Regionen erfassten Fernerkundungsdaten unterliegen allerdings verschiedenen Beleuchtungs-
bedingungen, die das Ergebnis beeinflussen. Daher sollte bei einem Vergleich zukünftigen
Befliegungsdaten eine Atmosphärenkorrektur vorgenommen werden oder die Verwendung von
Ratios (Bildung von Kanalverhältnissen, um z. B. verschiedene Beleuchtungsbedingungen zu
kompensieren) bevorzugt werden.
Die erforderliche räumliche Bodenpixelauflösung richtet sich nach dem jeweiligen
Anwendungsfall: Oft ähneln sich die Ergebnisse und weisen den gleichen Trend auf, haben
allerdings verschiedene Genauigkeiten. In weiteren Testreihen sollte die prozentuale
Blütendeckung mit Vor-Ort-Daten verglichen werden, um so auch spezifischere Aussagen
bezüglich der quantitativen Einschätzung der Blütenmenge treffen zu können.
Bezogen auf die Klassifikation von blütenreichen Flächen sollte mehr Forschung betrieben
werden. Mit einer Unterteilung von Blühstreifen in Subklassen, deren Charakteristiken weniger
weitläufig sind, könnte man Klassifikatoren besser trainieren und das Potential von
Fehlklassifizierungen verringern. Um Overfitting zu reduzieren, könnte ein anderer Klassifikator
herangezogen werden, der mit dem Input von einer positiven und einer negativen Klasse, die aus
mehreren sehr unterschiedlichen Subklassen besteht, besser umgehen kann. Auch sollten die
Hyperspektraldaten näher untersucht werden: welche Bänder sind inwiefern ausschlaggebend und
auf welche Bänder könnte verzichtet werden, ohne Genauigkeit einzubüßen.
Es ist vorstellbar, dass der entwickelte Klassifikationsalgorithmus auf Satellitendaten übertragen
werden könnte (ggf. mit Anpassungen), um die globale Verteilung der blütenreichen Flächen zu
erkennen. Desweiteren sollen zusätzliche Fernerkundungsdaten, die zu anderen
Vegetationszeitpunkten erhoben wurden, auf zeitliche Veränderungen des Blühverhaltens
untersucht werden.
6 Literaturverzeichnis
BANNEHR, L., GABLER, M. & PROKOPH, S., 2021: Forschungsgyrocopter der Hochschule Anhalt -
Sensorik. Sensorik. Institut für Geoinformation und Vermessung. https://gyrocopter.afg.hs-
anhalt.de/index.php/sensorik, letzter Zugriff 13.01.2022.
BLASCHKE, T., 2010: Object based image analysis for remote sensing. ISPRS Journal of Photo-
grammetry and Remote Sensing, 65(1), 2-16, https://doi.org/10.1016/j.is-
prsjprs.2009.06.004.
Dreiländertagung der DGPF, der OVG und der SGPF in Dresden – Publikationen der DGPF, Band 30, 2022
235
FEILHAUER, H., DOKTOR, D., SCHMIDTLEIN, S. & SKIDMORE, A. K., 2016: Mapping pollination
types with remote sensing. J Veg Sci, 27(5), 999-1011. https://doi.org/10.1111/jvs.12421.
FENCHEL, J., BUSSE, A., REICHARDT, I., ANKLAM, R., SCHRÖDTER, M., TISCHEW, S., MANN, S. &
KIRMER, A., 2015: Hinweise zur erfolgreichen Anlage und Pflege mehrjähriger Blühstreifen
und Blühflächen mit gebietseigenen Wildarten (mit Hinweisen zu einjährigen Blühstreifen
und Blühflächen sowie Schonstreifen). MLU Sachsen-Anhalt (Hrsg.), Magdeburg.
HALLMANN, C. A., SORG, M., JONGEJANS, E., SIEPEL, H., HOFLAND, N. & SCHWAN, H., 2017: More
than 75 percent decline over 27 years in total flying insect biomass in protected areas. PLoS
ONE, 12(10), e0185809. https://doi.org/10.1371/journal.pone.0185809.
KIRMER, A., RYDGREN, K. & TISCHEW, S., 2018: Smart management is key for successful diversi-
fication of field margins in highly productive farmland. Agriculture, Ecosystems & Environ-
ment, 251, 88-98. https://doi.org/10.1016/j.agee.2017.09.028.
KIRMER, A., JESCHKE, D. KIEHL, K. & TISCHEW, S., 2019: Praxisleitfaden zur Etablierung und Auf-
wertung von Säumen und Feldrainen. 2. Auflage 2/2019. Bernburg: Hochschule Anhalt
Hochschulbibliothek. https://www.offenlandinfo.de/themen/saeume-feldraine-und-
bluehstreifen/, letzter Zugriff 13.01.2022.
LANDMANN, T., PIIROINEN, R., MAKORI, D. M., ABDEL-RAHMAN, E. M., MAKAU, S., PELLIKKA, P.
& RAINA, S. K., 2015: Application of hyperspectral remote sensing for flower mapping in
African savannas. Remote Sensing of Environment, 166, 50-60.
https://doi.org/10.1016/j.rse.2015.06.006.
LAUSCH, A., BANNEHR, L., BECKMANN, M., BOEHM, C., FEILHAUER, H., HACKER, J. M., HEURICH,
M., JUNG, A., KLENKE, R., NEUMANN, C., PAUSE, M., ROCCHINI, D., SCHAEPMAN, M.E.,
SCHMIDTLEIN, S., SCHULZ, K., SELSAM, P., SETTELE, J., SKIDMORE, A.K. & CORD, A.F.,
2016: Linking Earth Observation and taxonomic, structural and functional biodiversity: Lo-
cal to ecosystem perspectives. Ecological Indicators, 70, 317-339.
https://doi.org/10.1016/j.ecolind.2016.06.022.
MÜLLEROVÁ, J., PERGL, J. & PYŠEK, P., 2013: Remote sensing as a tool for monitoring plant inva-
sions: Testing the effects of data resolution and image classification approach on the detec-
tion of a model plant species Heracleum mantegazzianum (giant hogweed). International
Journal of Applied Earth Observation and Geoinformation, 25, 55-65.
https://doi.org/10.1016/j.jag.2013.03.004.
NABU NATURSCHUTZBUND DEUTSCHLAND E.V., 2022: Intensive Landwirtschaft ist Hauptgrund
für Insektensterben - NABU. https://www.nabu.de/natur-und-landschaft/landnutzung/land-
wirtschaft/artenvielfalt/insektensterben/index.html, letzter Zugriff 13.01.2022.
PAUSE, M., HAHN, A. & LAUSCH, A., 2020: Verbesserung der Informationslage zur Flächennutzung
mittels aktueller und zukünftiger Fernerkundungsdaten. 12. Dresdner Flächennutzungssym-
posium, https://doi.org/10.26084/12dfns-p024.
RADA, S., SCHWEIGER, O., HARPKE, A., KÜHN, E., KURAS, T., SETTELE, J. & MUSCHE, M., 2019:
Protected areas do not mitigate biodiversity declines: A case study on butterflies. Divers
Distrib, 25(2), S. 217-224. https://doi.org/10.1111/ddi.12854.
SCHMIDT, A., KIRMER, A., HELLWIG, N., KIEHL, K. & TISCHEW, S., 2021: Evaluating CAP wild-
flower strips: Highquality seed mixtures significantly improve plant diversity and related
pollen and nectar resources. Journal of Applied Ecology, 1-12, https://doi.org/10.1111/1365-
2664.14102.
S. Prokoph, J. Cheema, A. Kirmer, A. Lausch & L. Bannehr
236
SCHMIDT, A., KIRMER, A., KIEHL, K. & TISCHEW, S., 2020: Seed mixture strongly affects species-
richness and quality of perennial flower strips on fertile soil. Basic and Applied Ecology, 42,
62-72, https://doi.org/10.1016/j.baae.2019.11.005.
SMIGAJ, M. & GAULTON, R., 2021: Capturing hedgerow structure and flowering abundance with
UAV remote sensing. Remote Sens Ecol Conserv, 7(3), 521-533,
https://doi.org/10.1002/rse2.208.
SORG, M., SCHWAN, H., STENMANS, W. & MÜLLER, A., 2013: Ermittlung der Biomassen flugakti-
ver Insekten im Naturschutzgebiet Orbroicher Bruch mit Malaise Fallen in den Jahren 1989
und 2013. Mitteilungen aus dem Entomologischen Verein Krefeld, 1, 1-5. https://www.bo-
erenlandvogels.nl/content/ermittlung-der-biomassen-flugaktiver-insekten-im-naturschutz-
gebiet-orbroicher-bruch-mit-mala, letzter Zugriff 05.11.2021.
TRAXLER, A., 1997: Handbuch des vegetationsökologischen Monitorings. Teil A Methoden, Me-
thoden, Praxis, angewandte Projekte. Wien: Umweltbundesamt (Monographien / Umwelt-
bundesamt, 89A).
ResearchGate has not been able to resolve any citations for this publication.
Article
Full-text available
Hedgerows are an abundant and ecologically important feature of many rural areas. Their biodiversity value depends on composition, structure and availability of food resources, which can be significantly impacted by poor management. However, information about hedgerow condition is very limited due to field surveys being costly and labour‐intensive. Unmanned aerial vehicles (UAVs) equipped with miniaturized cameras could prove a more cost‐effective and time‐efficient hedgerow surveying solution while preserving a high level of detail unattainable with airborne or satellite sensors. This study explored whether UAV remote sensing is a viable alternative for performing hedgerow condition surveys at local scale, focusing on hedgerow structure and flowering abundance. We acquired UAV Red, Green and Blue (RGB) and multispectral nadir and oblique imagery of structurally different hedgerows and used them to generate 3D point clouds and models with SfM workflow. Height thresholding allowed extraction of hedgerow extents, with root‐mean‐square error (RMSE) of height and width ranging from 0.11 to 0.23 m. RGB flower classification showed poor relationship with ground measurements (R2 = 0.31–0.42) due to confusion with woody material of hedgerows. Inclusion of a near‐infrared channel in multispectral imagery significantly improved the relationship (R2 = 0.68–0.75, RMSE = 10%). Our study shows UAV remote sensing has high potential for performing detailed surveys of hedgerows, providing better characterization of structural variations and distribution of flowers than traditional ground surveys due to larger coverage. More comprehensive understanding of hedgerow, or other vegetated buffer strips, conditions offered by UAV surveys can enable better informed decisions on habitat management and biodiversity conservation in rural areas. Acquisitions over larger areas, potentially integrated with satellite remote sensing, can allow assessment of hedgerow connectivity over farm to landscape scales, contributing to better understanding of the hedgerow network and its role as a wildlife corridor. We present a novel unmanned aerial vehicle (UAV) remote sensing application to monitoring hedgerows, which are an abundant and ecologically important feature of many rural areas. Our manuscript demonstrates that UAV‐derived products can provide accurate measurements of structure and be used for mapping availability of floral resources, both of which can affect the value of a hedgerow for biodiversity conservation. UAV remote sensing could, therefore, prove a viable alternative to ground assessments, preserving high level of detail unattainable with airborne or satellite sensors. Consequent better understanding of hedgerow condition has potential to enable better informed decisions on habitat management and biodiversity conservation.
Article
Full-text available
Die Umweltfernerkundung hat in den vergangenen zwei Jahrzehnten enorme Fort-schritte erzielt und bietet Potenzial zur Erweiterung behördlicher Geodatenbestände und vielfältiger Anwendung. Insbesondere abbildende Hyperspektraldaten und Thermaldaten bieten die Möglichkeit für die Bereitstellung neuer thematische Informationen (GIS- Layer). Ein zentrales Einsatzgebiet ist die Analyse, Visualisierung und Bereitstellung von Informationen zu den Wirkungsketten grüner und blauer Infrastruktur in Landschaften und Siedlungen. Der Beitrag vermittelt einen Überblick zu Anwendungen, Aspekten und Anforderungen an die Akquise von Hyperspektraldaten und Thermaldaten.
Article
Full-text available
Aim To assess the effectiveness of protected areas in preventing biodiversity decline. We first test whether species richness of butterfly assemblages is higher within European Natura 2000 (N2000) sites than in their surroundings. We then assess temporal trends in butterfly richness and test whether these trends differ inside and outside the N2000 network. Location Germany, Europe. Methods We utilized generalized linear mixed‐effects models (GLMM) to analyse an 11‐year data series on species richness of butterfly assemblages collected on 245 transects across Germany, located inside and outside N2000 sites, and comprising a total of 122 butterfly species. Results Butterfly species richness was highest inside N2000 protected areas, while outside it constantly declined with increasing distance from N2000 sites. We found an overall decline in species richness by 10% within 11 years. This decline neither differed between transects located inside or outside the N2000 network nor varied with distance from N2000 sites. Main conclusions The higher species richness inside the N2000 network underlines their proper designation and their potential for the conservation of biodiversity. However, the current negative trend in butterfly species richness across Germany is not mitigated by the N2000 network, and we assume insufficient management or measures targeted at other organisms than butterflies as potential reasons.
Article
Full-text available
Global declines in insects have sparked wide interest among scientists, politicians, and the general public. Loss of insect diversity and abundance is expected to provoke cascading effects on food webs and to jeopardize ecosystem services. Our understanding of the extent and underlying causes of this decline is based on the abundance of single species or taxo-nomic groups only, rather than changes in insect biomass which is more relevant for ecological functioning. Here, we used a standardized protocol to measure total insect biomass using Malaise traps, deployed over 27 years in 63 nature protection areas in Germany (96 unique location-year combinations) to infer on the status and trend of local entomofauna. Our analysis estimates a seasonal decline of 76%, and midsummer decline of 82% in flying insect biomass over the 27 years of study. We show that this decline is apparent regardless of habitat type, while changes in weather, land use, and habitat characteristics cannot explain this overall decline. This yet unrecognized loss of insect biomass must be taken into account in evaluating declines in abundance of species depending on insects as a food source, and ecosystem functioning in the European landscape.
Book
Full-text available
In den Bundesländern werden auch in der neuen Förderperiode (2014 – 2020) verschiedene Agrarumwelt- und Klimamaßnahmen (AUKM) für Landwirte angeboten. In Sachsen-Anhalt wird u.a. die Anlage von mehrjährigen Blühstreifen und Blühflächen sowie einjähriger Blühstreifen unterstützt. Mit den in diesem Heft vorgestellten Maßnahmen, insbesondere zur Anlage von mehrjährigen Blühstreifen und -flächen, können Sie als Landwirt mithelfen, den Biotop- und Artenverlust zu stoppen und umzukehren. Mit ihrer Unterstützung kann unsere Landschaft wieder vielfältiger und erlebenswert werden. Artenreiche und bunt blühende Streifen und Flächen bieten einen wichtigen Lebensraum für einst typische Arten wie den Feldhasen oder das Rebhuhn. Viele Insekten profitieren von der Anlage solcher Flächen, so z.B. Wildbienen und Schwebfliegen, die eine sehr hohe Bestäuberleistung besitzen und auch als natürliche Schädlingsbekämpfer eine große Bedeutung haben. Vom Vorkommen dieser Arten profitieren wiederum andere Tierarten wie etwa Vögel, die in unseren Landschaften dadurch wieder Nahrung für die Aufzucht ihrer Jungen finden. Darüber hinaus leisten diese Maßnahmen auch als Erosionsschutz einen wichtigen Beitrag zum Erhalt eines wichtigen Gutes - den Boden. Die vielen Erfahrungen der vergangenen Jahre haben gezeigt, dass Landwirte, Jäger, Imker, Naturliebhaber und viele mehr von der Anlage solcher artenreichen Blühstreifen und -flächen profitieren.
Article
1. Flower strips are a fundamental part of agri-environment schemes (AES) introduced by the European Union to counteract the loss of biodiversity and related ecosystem services in agricultural landscapes. Although vegetation composition of the strips is essential for most fauna groups, comprehensive studies analysing vegetation development and influencing factors are rare. 2. From 2017 to 2019, we investigated the vegetation composition of 40 perennial wildflower strips (WFS) implemented in 2015 or 2016, and 20 cereal fields without WFS across Saxony-Anhalt, Germany. We analysed environmental factors on plot (cover of grasses, shading, soil fertility) and four landscape scale-levels (habitat diversity, proportion of WFS and open habitats). The provision of nectar and pollen resources was estimated by the newly developed Pollinator Feeding Index (PFI). All strips had been implemented by farmers as AES with species-rich seed mixtures comprising 30 native forbs. 3. In all study years, forb species richness, cover and related nectar and pollen supply were much higher on WFS than on controls, confirming the effectiveness of this AES. Although sown native forbs contributed the most to the high PFI values, spontaneously established forbs expanded the total range of species considerably, especially in winter and spring. While sown forb communities remained similar over time, spontaneous forbs showed a higher species turnover. Altogether, shading and grass cover had the greatest negative effect on the performance of the sown forbs. Landscape variables had only minor effects and were inconsistent in their importance across scale-levels and years. 4. Synthesis and applications. Successfully established perennial wildflower strips (WFS) sown with species-rich native seed mixtures provided a forb-rich and diverse vegetation throughout the AES funding period of 5 years. By supplying feeding resources for pollinators under various landscape situations, WFS have significant potential to promote farmland biodiversity and related ecosystem services. We recommend the mandatory use of species-rich wildflower mixtures for perennial flower strips and to avoid their creation in heavily shaded field edges. Advisory services for farmers are necessary to prevent failures in WFS implementation and management and to improve their ecological effectiveness.
Article
Within the frame of the EU Common Agricultural Policy, most countries subsidise the establishment and maintenance of perennial flower strips on arable land within Agri-Environmental Schemes to provide foraging habitats and refuges for wildlife. In a replicated field experiment, we studied the effects of different types of seed mixtures on the establishment and maintenance of perennial flower strips on fertile arable land in the federal state of Saxony-Anhalt, Germany over seven years. The seed mixtures were commonly applied within recent Common Agricultural Policy funding periods: (1) a low-diversity cultivar standard seed mixture (CULTIVAR), (2) a high-diversity cultivar and native plant mixture (MIX), and (3) a high-diversity native plant mixture (WILDFLOWER). All plots were mulched every year in March and at the beginning of August. The low success of CULTIVAR triggered the massive encroachment of spontaneously established perennial grasses. In MIX, too, cultivars have disappeared after the first year. Both wildflower variants were successful in maintaining a high cover of sown perennial native forbs and a high ratio of established sown species, even after seven years. WILDFLOWER always tended to show better values than MIX. Furthermore, spontaneously establishing species began to spread their cover in MIX in the fifth year, with a very strongly increasing tendency, whereas in WILDFLOWER cover of spontaneous immigrating species stayed satisfyingly low. Using native wildflowers to establish perennial wildflower strips was very effective in maintaining high species diversity within the Agri-Environmental Schemes funding period of five years and beyond. WILDFLOWER was especially successful. On the other hand, CULTIVAR failed completely. On fertile soils in regions with rather low yearly precipitation, mulching twice a year supported the maintenance of perennial wildflower strips.
Article
Link for Download (valid until 23 November 2017): https://authors.elsevier.com/a/1VqN-cA-ISCFO ______________ In highly productive farmlands, field margins could offer habitats and refuges for many plant and animal species. But species-rich field margins are rapidly declining due to field enlargements and unfavourable management practices. In European farmland, management is usually restricted to repeated mulching during the growing season or mulching once a year between September and February. Under nutrient-rich conditions, both methods benefit competitive perennial grasses at the expense of species richness. Diversification of species-poor grass margins on nutrient-rich sites is difficult to achieve and we lack evidence which method works best. Starting in late summer 2010, we implemented a large-scale field experiment on nutrient-rich Chernozem soil, where we examined the effect of sward disturbance intensity, sowing of target species, and mowing time on the development of field margin vegetation over seven years. After disturbance of the existing species-poor grass sward with two intensities (tilling once or three times), a seed mixture of 49 wild plants from a regional seed propagation was sown in early October 2010. After an establishment phase in 2011, the sites were mown once a year, in either June or September, with removal of biomass. In addition, both cutting times were applied to species-poor grass margins without disturbance and sowing treatments. We recorded the plant species composition yearly from 2010 until 2016. Although the early establishment rate of the sown species was higher on sites disturbed three times, the number of successfully established target species on sites with different sward disturbance intensities converged during the observation period. Mowing in September resulted in higher grass cover and considerably decreased the cover of the sown target species. On the other hand, mowing in June resulted in significantly higher plot occupancy and cover of the sown target species. In general, the immigration success of target forbs into adjacent undisturbed and unsown grass margins was very low even after seven years, although mowing once a year with biomass removal increased the number of mostly ruderal species. Diversification of grass margins was very successful with active species introduction in combination with initial sward disturbance and management adapted to nutrient-rich site conditions. Therefore, restored field margins in highly productive farmlands should be mown in early summer to sustain long-term biodiversity.
Article
Impacts of human civilization on ecosystems threaten global biodiversity. In a changing environment, traditional in situ approaches to biodiversity monitoring have made significant steps forward to quantify and evaluate BD at many scales but still, these methods are limited to comparatively small areas. Earth observation (EO) techniques may provide a solution to overcome this shortcoming by measuring entities of interest at different spatial and temporal scales. This paper provides a comprehensive overview of the role of EO to detect, describe, explain, predict and assess biodiversity. Here, we focus on three main aspects related to biodiversity – taxonomic diversity, functional diversity and structural diversity, which integrate different levels of organization – molecular, genetic, individual, species, populations, communities, biomes, ecosystems and landscapes. In particular, we discuss the recording of taxonomic elements of biodiversity through the identification of animal and plant species. We highlight the importance of the species traits concept for EO-based biodiversity research. Furthermore we provide examples of spectral traits used in EO applications for quantifying taxonomic diversity, functional diversity and structural diversity. We discuss the use of EO to monitor biodiversity and habitat quality using different remote-sensing techniques. Finally, we suggest specifically important steps for a better integration of EO in biodiversity research. EO methods represent an affordable, repeatable and comparable method for measuring, describing, explaining and modelling taxonomic, functional and structural diversity. Upcoming sensor developments will provide opportunities to quantify spectral traits, currently not detectable with EO, and will surely help to describe biodiversity in more detail. Therefore, new concepts are needed to tightly integrate EO sensor networks with the identification of biodiversity. This will mean taking completely new directions in the future to link complex, large data, different approaches and models.
Article
Pollination is an ecosystem function that varies at local spatial scales. Remote sensing may help to quantify and map the resulting patterns for a better understanding of ecosystem functioning. This task is challenging because the signal measured by sensors is dominated by leaf and canopy optical traits that determine the vegetation spectrum. No direct influence of pollination types (i.e. wind, insect and self-pollination) can be expected. We thus ask: (1) how strongly are pollination types at the community level linked with optical traits; and (2) do these links allow us to map spatial patterns of pollination types with remote sensing data?