Google4Habitat – a novel method for remote sensing-based habitat classification using Google Earth Engine

Der globale und sich beschleunigende Verlust der biologischen Vielfalt erfordert ein verstärktes Management und einen erhöhten Schutz der ökologischen Ressourcen. In Europa werden die verschiedenen Habitattypen im Rahmen von Natura 2000 regelmäßig erhoben. Dies erfordert ein zuverlässiges Monitoring-Tool, durch das sich die Habitattypen präzise erfassen und abgrenzen lassen. Aufgrund der herausfordernden Bedingungen in Gebirgslandschaften, die groß angelegte Geländeuntersuchungen erschweren, werden zunehmend Fernerkundungsansätze zur Erstellung zuverlässiger Habitatkarten eingesetzt. ... mehrDas in dieser Studie entwickelte Klassifizierungsverfahren Google4Habitat kombiniert global verfügbare Satellitendaten (Sentinel/Landsat) mit einer Reihe von Standortparametern und vorgeschalteten Expertenregeln zur Ausweisung der Habitate. Dafür wurde in Google Earth Engine für jedes Habitat eine räumliche und zeitliche Analyse des
Spektralprofils durchgeführt. Weiters wurden die Parameter Seehöhe, Vegetationshöhe, Oberflächenrauheit (basierend auf LiDAR-Daten (Light Detection and Ranging)), Geologie sowie Indizes bezüglich Vegetation (NDVI, normalisierter Differenzvegetationsindex), Schneedecke (NDSI, normalisierter Differenzschneeindex) und Wasser (NDWI, normalisierter Differenzwasserindex) ausgewertet, um mittels einer überwachten Klassifizierung die Habitate auszuweisen. Folgende Fragen wurden beantwortet:
1) Entsprechen die Ergebnisse den Habitatklassifizierungsrichtlinien der Roten Liste und den Anforderungen von Natura 2000
2) Welchen Einfluss haben die unterschiedlichen Qualitäten der Eingabedaten auf die Genauigkeit der
Ergebnisse?
3) Ist diese Methode geeignet, langfristige Veränderungen in der Habitatverteilung zu erfassen?

Wir haben unser Modell im Seebachtal getestet, einer alpinen Region, die Habitattypen von der montanen bis zur nivalen Zone umfasst und zu den unberührtesten Tälern im Nationalpark Hohe Tauern zählt. Die Ergebnisse sind sowohl hinsichtlich der Habitatklassifizierung als auch der Abgrenzung vielversprechend und entsprechen weitgehend den Vorgaben der Roten Liste Kärnten und der Natura 2000 Richtlinien. Landsat-Daten können aufgrund der geringeren räumlichen Auflösung keine kleinräumigen Habitattypen wie Moore und Stillgewässer vollständig erfassen. Ein Vergleich mit den räumlich höher aufgelösten Sentinel-2 Daten zeigt allerdings, dass über das gesamte Untersuchungsgebiet betrachtet, die Genauigkeit der Klassifizierung mittels Sentinel-2 Daten nicht wesentlich verbessert werden konnte. Die Veränderungen in der Habitatverteilung über einen Zeitraum von 30 Jahren wurden jedoch zuverlässig erfasst. Insgesamt ermöglicht unser Modell die rasche Klassifizierung großer Gebiete mit hoher Genauigkeit und eröffnet so neue Wege im Umweltmanagement.

Global and accelerating loss of biodiversity requires stronger management and protection of ecological resources. In Europe, various habitat types frequently need to be monitored within the framework of the Natura 2000 program. To achieve this, a robust monitoring tool, generating precise habitat maps, is crucial. Because of the specific conditions in mountainous areas, such as steep slopes and hard-to-reach areas that impede large-scale field surveys, remote sensing approaches are increasingly used to generate reliable maps. The novel classification method Google4Habitat, developed in this study, combines globally available satellite data (Sentinel/Landsat) with a series of site characteristics and upstream expert rules. ... mehrWithin Google Earth Engine, habitats are classified via spatial and temporal analysis based on spectral profiles and combined with factors such as elevation, vegetation height, surface roughness (based on LiDAR (light detection and ranging) data), geology, and indices for vegetation greenness (NDVI, normalized difference vegetation index), snow cover (NDSI, normalized difference snow index), and water (NDWI, normalized difference water index) in a supervised classification approach. The following questions were addressed:
1) Do the results meet the stringent habitat classification guidelines of the Red List and the requirements of Natura 2000? 2) What impact do the different qualities of input data have on the accuracy of the results?
3) Is this method suitable for capturing long-term changes in habitat distribution?

We tested our model in Seebachtal, an alpine region that includes all habitat types from the montane to the nival zone and is one of the most untouched valleys in the Hohe Tauern National Park. The results are promising both in terms of habitat classification and delineation, largely meeting with the Natura 2000 guidelines. Due to their lower spatial resolution, Landsat data cannot fully detect small-area habitat types such as fens and still water. However, a comparison with the higherresolution Sentinel-2 data shows that, in consideration of the entire study area, the classification accuracy using Sentinel-2 data did not significantly improve. Changes in habitat distribution over a 30-year-period were captured reliably. Overall, our model allows the rapid classification of large areas with high accuracy, opening new avenues for practical environmental management.