Wenn der Pixel nicht mehr ausreicht: Wie Sentinel-2 lichte Trockenwälder zuverlässiger erkennt
Wer in Brandenburg, Sachsen-Anhalt oder der Mainzer Rheinebene mit mittelauflösenden Satellitenbildern arbeitet, kennt das Problem: Die offenen, lückigen Wälder, die unsere Trockenstandorte prägen, lassen sich mit klassischen pixelbasierten Klassifikationen nur schwer vom Umland abgrenzen. Eine neue Vergleichsstudie aus der argentinischen Monte-Region liefert jetzt eine methodisch saubere Antwort darauf, wann objektbasierte Ansätze der pixelweisen Auswertung überlegen sind – und wann nicht. Die Ergebnisse sind direkt auf deutsche Trockenwaldstandorte übertragbar, weil sie zeigen, dass die Wahl der Klassifikationsstrategie vom konkreten Landschaftscharakter abhängen muss und nicht pauschal entschieden werden kann.

Warum Trockenwälder eine methodische Sonderstellung haben
Trockenwälder unterscheiden sich strukturell grundlegend von geschlossenen Waldtypen. Ihre Kronen überschneiden sich kaum, einzelne Bäume stehen oft isoliert, und der Untergrund aus Gräsern, Sträuchern und offenem Boden dominiert das Signal vieler Pixel. Aus der Vogelperspektive eines zehn mal zehn Meter großen Sentinel-2-Pixels entsteht so ein Mischsignal, das sich je nach Saison, Niederschlag und Beweidungsdruck anders zusammensetzt. Klassische pixelbasierte Klassifikatoren, die nur auf spektrale Werte einzelner Pixel zurückgreifen, geraten hier an ihre Grenzen, weil dasselbe Spektrum einmal einen lichten Trockenwald und einmal eine versaumte Weide repräsentieren kann.
Das Team um Bárbara Guida-Johnson hat daher an vier Standorten in der argentinischen Monte-Region mit sehr unterschiedlichen Waldstrukturen systematisch verglichen, wie gut zwei Ansätze Trockenwald von Nicht-Wald trennen. Die Region ist deshalb ein hervorragendes Freiluftlabor, weil sie ein durchgehendes Spektrum von dichten, geschlossenen Prosopis-Beständen bis hin zu stark gestörten, fragmentierten Strauchlandschaften abbildet – eine Bandbreite, die sich mit der Situation in deutschen Trockengebieten vergleichen lässt, wo Kiefernforste auf vormals landwirtschaftlich genutzten Flächen ähnlich heterogene Muster erzeugen.
Was die Studie konkret gemacht hat
Die Forschungsgruppe arbeitete mit Sentinel-2-Aufnahmen und unterschied zwei methodische Pfade. Der pixelbasierte Ansatz nutzte ausschließlich die spektralen Bänder sowie den SATVI-Index, ein bewährter Vegetationsindex, der gegenüber Bodenhelligkeit und Trockenstress differenziert. Der objektbasierte Ansatz ging einen Schritt weiter: Er segmentierte das Bild zunächst in zusammenhängende Objekte und bezog auf dieser Ebene neben den spektralen Werten auch Texturmaße und den SATVI ein. Beide Pfade wurden mit einem Random-Forest-Klassifikator umgesetzt, was die Vergleichbarkeit der Verfahren sicherstellt und den Einfluss der Algorithmenwahl neutralisiert.
An jedem der vier Standorte trainierten die Forschenden die Modelle mit Referenzflächen, deren Waldstatus im Gelände verifiziert worden war. Anschließend verglichen sie die Gesamtgenauigkeit, die räumliche Übereinstimmung mit der Referenz und die so genannte Allocation Disagreement, also den Anteil der Fläche, an dem sich Modell und Referenz im Waldstatus unterscheiden. Diese Kennzahl ist gerade für Monitoringaufgaben wichtig, weil sie zeigt, wo das Modell Waldflächen falsch zuordnet oder übersieht.
Das Ergebnis: Strukturzusammenhalt schlägt Pixelreinheit
Die Resultate sind für die Praxis in mehrfacher Hinsicht aufschlussreich. In Standorten mit räumlich zusammenhängenden Waldflächen – entweder weil die Kronen geschlossener sind oder weil der Kontrast zur Umgebung deutlich ausfällt – schnitt die objektbasierte Methode klar besser ab. Sie erreichte eine höhere Gesamtgenauigkeit und wies eine geringere Allocation Disagreement auf, weil die segmentierten Objekte den räumlichen Kontext eines Pixels mit einbeziehen und dadurch einzelne Fehlklassifikationen innerhalb eines Waldkomplexes ausgleichen können.
Anders sieht es in stark gestörten Systemen aus, wo die Vegetation extrem heterogen verteilt ist. Hier lieferte die pixelbasierte Methode trotz ihrer methodischen Einfachheit vergleichbare oder bessere Ergebnisse. Das hat zwei Gründe: Zum einen funktionieren Segmentierungsalgorithmen in stark fragmentierten Landschaften schlechter, weil zusammenhängende Objekte kaum existieren. Zum anderen ist die Variabilität der Spektren in solchen Landschaften so hoch, dass die zusätzlichen Texturmerkmale im objektbasierten Ansatz keine echte Zusatzinformation mehr liefern, sondern das Modell eher verrauschen. Die Studie zeigt damit überzeugend, dass die Wahl der Klassifikationsstrategie nicht rein technisch entschieden werden darf, sondern immer die konkrete Waldstruktur und den Grad der landschaftlichen Fragmentierung berücksichtigen muss.
Was bedeutet das für die deutsche Forstpraxis?
Für die Forsteinrichtung und das Waldmonitoring in Deutschland ergeben sich aus dieser Arbeit mehrere konkrete Hinweise. In den geschlossenen Kiefern- und Eichenwäldern Brandenburgs oder der Lausitz, die als Trockenstandorte gelten, aber dennoch räumlich zusammenhängende Bestände bilden, lohnt sich der Aufwand einer objektbasierten Auswertung. Die Investition in saubere Segmentierung und die Berechnung von Texturmerkmalen zahlt sich hier durch geringere Fehlklassifikationen aus, die bei flächendeckenden Auswertungen sonst zu spürbaren Flächenverzerrungen führen können.
In den stark aufgelichteten Wäldern der Mainzer Rheinebene, in den fränkischen Trockenhängen oder in den durch Borkenkäfer und Sturm stark fragmentierten Fichtenbeständen der Mittelgebirge spricht die Datenlage eher für den pixelbasierten Ansatz. Hier ist die Heterogenität so groß, dass eine zusätzliche räumliche Glättung durch Segmentierung sogar schaden kann. Die einfachere Methode liefert dann vergleichbare Ergebnisse bei deutlich geringerem Rechenaufwand – ein Aspekt, der für Landesforstverwaltungen und Forschungspartner mit begrenzten IT-Kapazitäten nicht unerheblich ist.
Ein weiterer Aspekt verdient Beachtung: Die Studie betont ausdrücklich, dass die Wahl der Methode nicht statisch sein sollte. In dynamischen Landschaften, in denen sich die Waldstruktur durch Trockenheit, Schädlingsdruck oder Bewirtschaftungsänderungen kurzfristig verändert, kann eine Methode, die in einem Jahr die besten Ergebnisse liefert, im nächsten Jahr bereits suboptimal sein. Für ein operationelles Monitoring empfiehlt es sich daher, beide Verfahren parallel laufen zu lassen und die Ergebnisse regelmäßig mit neuen Feldstichproben zu validieren.
Limitationen und Forschungsbedarf
Bei aller Praxisrelevanz müssen einige Einschränkungen der Studie benannt werden. Die Arbeit wurde in der argentinischen Monte-Region durchgeführt, deren dominante Baumgattung Prosopis taxonomisch und ökologisch nicht mit mitteleuropäischen Forstgehölzen vergleichbar ist. Allerdings sind die strukturellen Eigenschaften offener Trockenwälder weltweit ähnlich, sodass die methodischen Schlussfolgerungen übertragbar sind. Eine Validierung an deutschen Standorten mit ihren spezifischen Baumarten Kiefer, Eiche, Birke und Buche wäre der logische nächste Schritt.
Eine weitere Limitation betrifft die Auflösung der Eingangsdaten. Sentinel-2 liefert im optischen Bereich eine räumliche Auflösung von zehn Metern, was für die meisten Inventurzwecke ausreicht, aber einzelne Bäume oder Baumgruppen am Waldrand nicht sauber abgrenzen lässt. Für operationelle Anwendungen im Rahmen der Bundeswaldinventur oder der forstlichen Fernerkundung könnte eine Kombination mit höher auflösenden Daten wie den aktuellen WorldView- oder Pléiades-Aufnahmen, ergänzt um Sentinel-1 Radardaten, die Klassifikationsgenauigkeit weiter verbessern. Solche Multi-Sensor-Ansätze gewinnen in der internationalen Forstfernerkundung zunehmend an Bedeutung.
Schließlich ist die Studie querschnittsorientiert: Sie vergleicht die Methoden zu einem Zeitpunkt, sagt aber wenig über die zeitliche Stabilität der Klassifikationen aus. Gerade in Trockenwäldern, die starken zwischenjährlichen Schwankungen unterliegen, wären wiederholte Auswertungen über mehrere Jahre hinweg wertvoll, um die Saisonalität und die langfristigen Trends sauber voneinander zu trennen.
Insgesamt liefert die Arbeit ein methodisch solides Argument dafür, bei der Fernerkundung von Trockenwäldern weniger auf Standardlösungen zu setzen und stattdessen die Klassifikationsstrategie bewusst an die jeweilige Landschaftsstruktur anzupassen. Für die Forstwissenschaft und die forstliche Praxis in Deutschland ist das eine wichtige Erinnerung daran, dass der Blick in den Pixel allein oft nicht ausreicht – aber auch nicht immer durch aufwendigere Objektanalysen ersetzt werden muss.
Originalveröffentlichung: Guida-Johnson B, Alvarez LM, Alvarez JA, Laudecina A, Villagra PE. Detecting dryland forests across contrasting vegetation structures: object- and pixel-based classification methods for forest monitoring. Environmental Monitoring and Assessment. 2026. DOI: 10.1007/s10661-026-16025-2
Quellennachweis: Guida-Johnson B et al. (2026): Detecting dryland forests across contrasting vegetation structures. Environmental Monitoring and Assessment. Veröffentlicht am auf forst-wissen.de. Lizenz: CC BY 4.0. DOI dieser Auswertung: 10.1007/s10661-026-16025-2