Einleitung: Warum optische Satelliten in dichten Wäldern an Grenzen stoßen
Wie viel Kohlenstoff im oberirdischen Teil eines Waldes gebunden ist, lässt sich nicht einfach an seiner grünen Farbe ablesen. Optische Satellitenbilder erfassen Blattpigmente, Feuchte und Kronenbedeckung gut, reagieren in dichten, biomassereichen Beständen aber zunehmend schwächer auf weitere Vorratszunahmen. Dieses als spektrale Sättigung bezeichnete Problem führt dazu, dass gerade kohlenstoffreiche Waldkerne unterschätzt werden können. Satellitengestütztes LiDAR ergänzt Höhen- und Strukturinformationen, misst jedoch nur entlang einzelner Laserspuren und liefert keine lückenlose Karte.
Yi Long, Hua Sun, Binbin Wang und Fugen Jiang von der Central South University of Forestry and Technology in Changsha kombinierten deshalb Daten des chinesischen Kohlenstoffinventur-Satelliten TECIS mit Sentinel-2-Bildern. Statt die Quellen nur nebeneinander in ein Modell einzuspeisen, entwickelten sie dreidimensional erweiterte Spektralindizes. Dabei werden Kronenhöhe, Bedeckungsgrad sowie spektrale und texturbezogene Bildmerkmale pixelweise miteinander verknüpft. Das Ergebnis: Die Schätzung des oberirdischen Waldkohlenstoffs wurde genauer, und der Messbereich vor Eintritt der spektralen Sättigung verschob sich deutlich nach oben.
So wurde geforscht
Untersuchungsgebiet war der Kreis Xintian in der chinesischen Provinz Hunan. Das Gebiet umfasst 1.022,4 Quadratkilometer, reicht von 200 bis 1.080 Meter Höhe und besitzt ein feucht-subtropisches Monsunklima. Die Waldfläche ging nach Bränden im Jahr 2022 von vormals 55,6 Prozent auf 46,36 Prozent im Jahr 2024 zurück. Schutzgebiet und fragmentierte Waldflächen erschwerten die Fernerkundung.
Die Forschenden legten in einem Raster von einem mal zwei Kilometern 255 Probeflächen von jeweils 20 mal 20 Metern an. Zwischen November 2023 und Mai 2024 wurden darin alle Bäume ab fünf Zentimetern Brusthöhendurchmesser eingemessen; Baumart, Durchmesser und Höhe bildeten die Grundlage für Biomasse- und Kohlenstoffberechnungen. Zusätzlich kontrollierte das Team an 148 bewaldeten LiDAR-Messpunkten die aus dem Satellitensignal abgeleitete Kronenhöhe mit einem Laserhöhenmesser am Boden.
Verwendet wurden 8.055 qualitätsgeprüfte TECIS-LiDAR-Messpunkte aus Mai 2023 bis Januar 2024 und eine wolkenfreie Sentinel-2-Aufnahme vom 12. März 2024 mit 20 Meter Auflösung. Aus Sentinel-2 entstanden 157 spektrale und texturbezogene Merkmale; aus den LiDAR-Wellenformen wurden 20 Energie- und Geometriemerkmale gewonnen. Vier Merkmalsgruppen und vier Lernverfahren wurden verglichen: Support-Vector-Regression, k-nächste Nachbarn, XGBoost und Random Forest. Für die abschließende Modellprüfung wurden 70 Prozent der Probeflächen zum Training und 30 Prozent zur Validierung genutzt.
Die wichtigsten Ergebnisse
Erstens: Schon die Ableitung der flächigen Kronenhöhe aus den punktförmigen LiDAR-Daten erreichte bei der Bodenkontrolle eine Genauigkeit von 82,13 Prozent; der mittlere quadratische Fehler lag bei 1,55 Metern. Ein Random-Forest-Modell übertrug die Höheninformation von den einzelnen Laser-Fußabdrücken auf die Zwischenräume. Damit entstand eine geschlossene Höhenoberfläche, die anschließend mit der Kronenbedeckung sowie den optischen Spektral- und Texturmerkmalen verknüpft werden konnte.
Zweitens: Die dreidimensional erweiterten Indizes verbesserten die Kohlenstoffschätzung deutlich gegenüber rein optischen Merkmalen. Beim Random Forest stieg das Bestimmtheitsmaß R² von 0,666 auf 0,750. Gleichzeitig sank der Fehler RMSE von 13,252 auf 11,294 Megagramm Kohlenstoff je Hektar, also um rund 14,8 Prozent. Der Vergleich aller vier Algorithmen zeigte zudem, dass die Wahl der Merkmale einen größeren Einfluss hatte als die Wahl des Lernverfahrens. Gute Eingangsinformation war hier wichtiger als ein Wechsel zwischen verschiedenen Modelltypen.
Drittens: Das insgesamt beste Modell kombinierte die dreidimensional erweiterten Spektralindizes mit zusätzlichen ursprünglichen LiDAR-Merkmalen und nutzte Random Forest. Es erreichte R² = 0,764, einen mittleren absoluten Fehler von 8,330 Megagramm Kohlenstoff je Hektar und einen RMSE von 10,728 Megagramm je Hektar. Der relative RMSE betrug 30,19 Prozent. Das ist eine erkennbare Verbesserung, aber keine fehlerfreie Inventur: Einzelne Pixel können weiterhin deutlich von der Feldaufnahme abweichen.
Viertens: Besonders wichtig war die verringerte spektrale Sättigung. Bei den rein optischen Merkmalen lag der durchschnittliche Sättigungspunkt der drei wichtigsten Variablen bei 61,08 Megagramm Kohlenstoff je Hektar. Die dreidimensional erweiterten Indizes verschoben ihn auf 77,63 Megagramm, rund 27 Prozent höher. Mit ergänzenden LiDAR-Merkmalen stieg der Mittelwert weiter auf 83,53 Megagramm je Hektar. Das bedeutet, dass das Modell Unterschiede in vorratsreichen Beständen länger erkennen konnte, bevor zusätzliche Biomasse im Satellitensignal kaum noch sichtbar wurde.
Fünftens: Die beste Karte wies Werte von 8,03 bis 95,69 Megagramm Kohlenstoff je Hektar aus. Hohe Werte lagen vor allem im bergigen, waldreicheren Norden; niedrigere Werte im landwirtschaftlich geprägten Süden und in brandbeeinflussten Bereichen. Die regionalen Mittelwerte der verschiedenen Modelle waren mit 32,33 bis 33,13 Megagramm ähnlich. Die neue Methode veränderte also weniger die Gesamtsumme als die räumliche Zuordnung: Sie verteilte den Kohlenstoff plausibler auf einzelne Pixel und machte lokale Extreme besser sichtbar.
Sechstens: Die größten Unterschiede traten in kohlenstoffreichen Waldkernen auf. Dort überlagern sich Kronenbedeckung, vertikale Struktur und spektrale Sättigung. In lichteren oder gestörten Flächen näherten sich die Modelle an. Die Merkmalsanalyse zeigte die Bedeutung von Rotrand-Bändern und Texturmerkmalen. Sie reagieren auf Vegetationszustand und Kronenmuster; durch die Höhenverknüpfung erhielten die zweidimensionalen Signale einen strukturellen Bezug.
Was das für die Praxis bedeutet
Für Forstinventuren zeigt die Arbeit, dass eine einfache Kombination vieler Datenquellen nicht automatisch die beste Lösung ist. Entscheidend war die fachlich begründete Verknüpfung von horizontaler Bedeckung, vertikaler Kronenhöhe und optischen Merkmalen. Wo flächendeckende Luftbild- oder Satellitendaten vorhanden sind, aber Laserscans nur stichprobenartig vorliegen, kann ein solches Verfahren Strukturinformationen in die Zwischenräume übertragen. Das ist interessant für großräumige Kohlenstoffkarten, Priorisierung von Kontrollflächen und die Erkennung vorratsreicher Bestände.
Die Methode ersetzt jedoch keine Bodeninventur. Die 255 Probeflächen lieferten die Referenz, an der sämtliche Modelle trainiert und geprüft wurden. Für einen deutschen Forstbetrieb wäre daher nicht die direkte Übernahme des in Hunan trainierten Modells sinnvoll, sondern das Prinzip: vorhandene Stichproben mit Sentinel-2 und geeigneten LiDAR-Daten koppeln, regional kalibrieren und eine unabhängige Teilmenge zur Prüfung zurückhalten. Besonders in heterogenen Mittelgebirgslandschaften kann die räumliche Karte Hinweise geben, wo zusätzliche Aufnahmen den größten Informationsgewinn versprechen.
Für Kohlenstoffprojekte ist der höhere Sättigungspunkt relevant. Werden kohlenstoffreiche Bestände unterschätzt, sind räumliche Vergleiche und Erfolgskontrollen verzerrt. Die Studie zeigt, dass ein gutes regionales Mittel solche Fehler verdecken kann: Mehrere Modelle lieferten fast gleiche Durchschnittswerte, obwohl sie den Kohlenstoff auf der Karte unterschiedlich verteilten. Vor Entscheidungen auf Bestandesebene sollten deshalb nicht nur Gesamtsummen, sondern auch Pixelunsicherheit, Fehlerverteilung und Abweichungen in hohen Vorratsklassen geprüft werden.
Limitationen und offene Fragen
Die Studie stammt aus einer einzigen subtropischen, bergigen Region. Baumarten, Bestandesstrukturen, Relief und Störungsgeschichte unterscheiden sich deutlich von mitteleuropäischen Wäldern. Hinzu kommt eine zeitliche Verschiebung: LiDAR, Sentinel-2 und Feldaufnahmen wurden nicht am selben Tag erhoben. Die Forschenden wählten eine wolkenfreie Aufnahme in einer relativ stabilen Jahresphase, doch in Regionen mit starker Phänologie oder häufigen Wolken wären zeitlich abgestimmte Daten oder robuste Mehrfachaufnahmen vorzuziehen.
Fehler der LiDAR-Messung und der räumlichen Interpolation fließen direkt in die erweiterten Indizes ein. Die verwendete Kronenhöhe repräsentiert vor allem die obere Vegetationsschicht und erfasst mehrschichtige Bestände nur unvollständig. Oberhalb von 100 Megagramm Kohlenstoff je Hektar blieb eine Unterschätzung bestehen. Boden, Mikrorelief, Lokalklima und frühere Störungen waren ebenfalls nicht vollständig im Modell enthalten. Künftige Arbeiten sollten diese Faktoren ergänzen und Unsicherheiten mit Monte-Carlo- oder bayesschen Verfahren durch die gesamte Verarbeitungskette fortschreiben. Erst Tests in anderen Waldtypen werden zeigen, wie gut sich die Methode übertragen lässt.
Quelle: Long, Y.; Sun, H.; Wang, B.; Jiang, F. (2026): Improving forest aboveground carbon storage estimation by fusing spaceborne LiDAR features and three-dimensional enhanced spectral indices. iScience, 29(7), 116451. DOI: 10.1016/j.isci.2026.116451.
Dieser Artikel wurde mit Hilfe von KI erstellt und dient der allgemeinen Information. Keine Rechts- oder Beratungsempfehlung.