Abstract:
Pflanzen sind eng mit einer Reihe von Ökosystemprozessen und -dienstleistungen wie die Bereitstellung von Lebensmitteln und Trinkwasser, die Klimaregulierung sowie die Bodenbildung und Kohlenstoffspeicherung verbunden. Deshalb können Vegetationseigenschaften wie Artenreichtum, Biodiversität und Pflanzenmerkmale zur Bewertung und Überwachung von Ökosystemprozessen genutzt werden. Die genaue Beobachtung von Vegetationsveränderungen ist daher entscheidend für das Verständnis der aktuellen und zukünftigen Ökosystemdynamik.
Fernerkundungsdaten haben hohes Potenzial Vegetationseigenschaften und -prozesse räumlich abzubilden. ... mehrDie zunehmende Verfügbarkeit von sehr hochauflösenden Fernerkundungsdaten ermöglicht auch die Untersuchung von feinskaligen Prozessen. Die für niedriger aufgelöste Fernerkundungsdaten entwickelten Auswertungsverfahren sind häufig nicht auf sehr hochaufgelöste Daten übertragbar. Daher werden neue Verfahren benötigt, um das volle Potenzial auszuschöpfen. Die Vorteile von sehr hochauflösenden Daten liegen unter anderem in der Erkennung von einzelnen Pflanzen und der besseren räumlichen Feinabstimmung mit Felddaten. Diese Vorteile ermöglichen die genaue Kartierung von Pflanzenarten auf der Ebene einzelner Individuen und Vegetationseigenschaften auf der Ebene von Pflanzengesellschaften, wie die Biodiversität, oberirdische Biomasse oder Artenzusammensetzung. Unbemannte Luftfahrzeuge (UAVs) werden als kostengünstige Plattform zur Gewinnung von Daten mit sehr hoher Auflösung, insbesondere für kleine Gebiete, verwendet. Daher ist ihr Einsatz gut zur Entwicklung neuer Methoden geeignet.
Das Ziel dieser Arbeit war die Feststellung von Vorteilen und Limitierungen der Nutzung von UAVs zur Vegetationskartierung. Der Fokus der Arbeit lag auf zwei Hauptthemen, die Kartierung von Pflanzenarten und kleinräumigen Ökosystemprozessen. Eine der Fallstudien zeigte, dass die Verwendung von sehr hochauflösenden Daten zur Klassifizierung von Pflanzenarten durch die Überlappung verschiedener Arten erschwert wird. Daher ist Nutzung solcher Daten zur direkten Kartierung von Grünlandarten nur für Habitate mit geringer Vegetationsbedeckung und einfachen Strukturen, wie beispielsweise Dünenhabitate, vielversprechend. Eine zweite Fallstudie ergab, dass der Schattenwurf von Baumkronen den Erfolg von UAV-basierten Klassifikationen der invasiven Baumarten $\textit{Ulex europaeus}$, $\textit{Acacia dealbata}$ und $\textit{Pinus radiata}$ erheblich beeinflusst. Dabei machte es keinen Unterschied ob optische Daten oder Informationen über die Textur oder Kronenstruktur verwendet wurden. Anhand von Simulationen wurde dargestellt, dass jede Art aufgrund ihrer spezifischen Kronenarchitektur unterschiedliche Schatten erzeugt. Die optimalen Zeitfenster zur Klassifikation im Verlaufe eines Tages unterscheiden sich daher zwischen den einzelnen Arten.
In einer dritten Fallstudie wurde gezeigt, dass Merkmale der oberirdischen Vegetation als Proxy genutzt werden können um Kartierungen von unterirdischen Kohlenstoffvorräten in Mooren zu verbessern. Ein empirisches Modell wurde genutzt um unter- und oberirdische Merkmale zu verknüpfen. Dafür wurden kontinuierliche Daten mit Informationen über Höhe, Biomasse, sowie den Artenreichtum und die Artenzusammensetzung der Vegetation verwendet. UAV Daten wurden genutzt um die relevanten oberirdischen Merkmale zu kartieren. Der unterirdische Kohlenstoffvorrat wurde dann durch die Parametrisierung des plotbasierten Modells mit den UAV-Extrapolationen kartiert. Dies deutet darauf hin, dass auch Ökosystemeigenschaften mit geringem direkten Einfluss auf die Reflektanz mit Hilfe von Vegetationsmerkmalen als Proxies kartiert werden können. Da bei Kopplung empirischer Modelle in jedem Modellierungsschritt fehlerbehaftete Voraussagen entstehen können, wird ein solcher Ansatz nur empfohlen, wenn starke empirische Verbindungen zwischen den feldbasierten Variablen vorliegen.
Diese Arbeit zeigt, dass mit UAVs erhobene Erdbeobachtungsdaten geeignet sind, um die technischen und umweltbedingten Voraussetungen für eine erfolgreiche Kartierung von Pflanzenarten zu erforschen, um neue Methoden zu entwickeln, welche die Genauigkeit von Klassifikationen aus sehr hochaufgelösten Daten erhöhen und um Vegetationseigenschaften mit unterirdischen Gradienten zu verknüpfen. Die Arbeit enthält außerdem Empfehlungen und Vorschläge für die zukünftige Erforschung von feinskaligen Vegetationsprozessen.
Abstract (englisch):
Plants are closely linked to a range of ecosystem processes and services, providing food and fresh water, climate regulation, and support soil formation and carbon storage. Therefore, vegetation attributes, such as species abundance, biodiversity, and plant traits, can be used to evaluate and monitor ecosystem processes. Accurately assessing recent vegetation changes is thus crucial to understanding current and future ecosystem dynamics.
The use of remote sensing data has been ascribed with high potential to spatially map vegetation attributes and processes. Whilst the advantages of coarse grain remote sensing to understand regional and global processes is well known, the study of fine-scale processes has increased in the last decades due to the growing availability of very-high resolution data. ... mehrMethods developed using coarse grain data are often not able to fully harness the full potential of fine-scale data, due to differences in data properties. Therefore, new approaches are needed for very-high resolution data. Advantages of fine-scale data includes the direct detection of species crowns, and matching between field and remotely sensed data. These foster the use of very-high resolution data to e.g. map species occurrences at the level of individuals, and predict community-level attributes such as plant biodiversity, aboveground biomass and floristic compositions with high spatial detail. Unmanned aerial vehicles (UAVs) are ascribed to be a cost-efficient platform to obtain very-high resolution data, specially for small areas. However, their use for methodological development and ecological experimentation in small scale areas is relatively unexplored.
The aim of this thesis was to assess the strengths and limitations of UAVs for vegetation mapping. The thesis focused in two main topics: plant species, and detailed ecosystem process mapping. Here, a case study showed that the use of very-high resolution data to classify grasslands individuals is constrained by the canopy mixture within different species. This suggests that the use of remote sensing to directly map grassland species could be of operational value only in environments with low species cover and structural complexity, such as stress-prone dunes. A second case study reveled that shadows significantly affect the success of UAV-based classifications when mapping the invasive woody species $\textit{Ulex europaeus}$, $\textit{Acacia dealbata}$ and $\textit{Pinus radiata}$. This remained true using all sort of variables, such as optical, textural and canopy structural data. By means of simulations, it was depicted that each species creates shadows differently due to their specific canopy architecture. Therefore, the optimal UAV acquisition windows during the day differ among species.
A third case study showed that aboveground community attributes can be used as proxies to improve mapping accuracies of peatland belowground carbon stock. Here, a plot-level empirical model was fitted to assess the aboveground\textendash belowground interdependencies. The aboveground variables included vegetation height, biomass, species richness, and species occurrences in continuous gradients. UAV-based data was then used to map the significantly depicted aboveground variables. Belowground carbon stock was then mapped by parameterizing the plot-based model with the UAV extrapolations. This suggests that ecosystem attributes with low direct influences on reflectance data can be mapped using vegetation parameters as proxies. Because the coupling of empirical models may induce unknown bias into each modeling steps, such approach is only recommended when strong empirical links are found between the plot-based variables.
This thesis demonstrates that the use of very-high resolution data obtained from UAVs is useful to semi-automatically acquire field reference data, to develop new methodologies to decrease classification uncertainties on very-high resolution products, and to link plant community attributes with ecosystem processes. The thesis further make recommendations and suggestions to improve future research of fine-scale vegetation processes.
