Weiter zum Inhalt
Ökologischer Betrieb
© BLE, Bonn/Thomas Stephan
Ökologischer Betrieb
Institut für

BW Betriebswirtschaft

Projekt

Monitoring der biologischen Vielfalt in Agrarlandschaften mit Fernerkundung


Federführendes Institut BW Institut für Betriebswirtschaft

Logo MonViA Fernerkundung
© Landsat-5-Bilder mit freundlicher Unterstützung des U.S. Geological Survey
Unterschiedliche Feldgrößen in West- und Ostdeutschland aus der Sicht des Landsat-5-Satelliten am 06. August 1989.

Monitoring der biologischen Vielfalt in Agrarlandschaften mit Fernerkundung

Ein langfristiges Monitoring der biologischen Vielfalt auf nationaler Ebene erfordert eine repräsentative Datengrundlage über den Zustand und die Entwicklung der Agrarlandschaft. Das Projekt MonViFe entwickelt hierzu flächendeckende Indikatoren auf Basis der Sentinel-Satelliten der ESA.

Hintergrund und Zielsetzung

Der Erhalt und die Steigerung der Biodiversität in Agrarlandschaften bilden ein wesentliches Ziel der Agrarumwelt- und Klimamaßnahmen (AUKM) im Rahmen der Gemeinsamen Agrarpolitik (GAP) der EU. Die biologische Vielfalt ist eng verknüpft mit dem Vorhandensein von Habitatstrukturen, die den Anforderungen verschiedener Arten oder Artengruppen von Pflanzen und Tieren gerecht werden. Unterschiedliche Artengruppen haben hierbei oftmals verschiedene Habitatansprüche, so dass eine Erfassung der Habitatstruktur auf eine Reihe von Ziel-Artengruppen zugeschnitten werden muss.

Satellitendaten sind heute (noch) nicht in der Lage, Individuen von Arten zu detektieren. Sie sind aber in der Lage, Habitatmerkmale großflächig zu erfassen, die geeignet sind, um Aussagen über den Naturwert von einzelnen Flächen oder Landschaften zu treffen und die Entwicklung möglicher Einflussfaktoren und Auswirkungen auf diesen abzubilden.

Das übergreifende Ziel des Projekts ist der Aufbau eines flächendeckenden Trendmonitorings auf nationaler Ebene zur quantitativen Zustandsanalyse der Landschaftsstruktur und der Nutzungssysteme, die in diesen Landschaften betrieben werden. Hierzu wird ein Indikatoren-Set entwickelt, welches verschiedene Aspekte der Landschaft (z. B. Landschaftsstruktur, Landschaftselemente) und der Nutzungsintensität in Grünlandbewirtschaftung und Ackerbau abdeckt. Die Grundlage für die flächenhafte Modellierung solcher Indikatoren in einem bundesweiten Monitoring liefern die Sentinel-Satelliten (v.a. Sentinel-1 und -2) des Copernicus-Programms der Europäischen Weltraumbehörde (ESA).

Vorgehensweise

Die Abstimmung der Arbeiten erfolgt in enger Zusammenarbeit mit den Julius Kühn-Institut (JKI). Beide Einrichtungen zielen darauf ab, gemeinsam Indikatoren für das bundesweite Monitoring der Agrarlandschaften zu erarbeiten und im Rahmen einer gemeinsamen Infrastruktur die Ergebnisse auf bundesweiter Ebene bereit zu stellen.

Links und Downloads

Das Arbeiten sind Bestandteil des institutsübergreifenden Projekts "MonViA - Monitoring der biologischen Vielfalt in Agrarlandschaften"

Beteiligte externe Thünen-Partner

Geldgeber

  • Bundesministerium für Ernährung und Landwirtschaft (BMEL)
    (national, öffentlich)

Zeitraum

10.2019 - 12.2026

Weitere Projektdaten

Projektstatus: läuft

Publikationen zum Projekt

  1. 0

    Pham V-D, Tetteh GO, Thiel F, Erasmi S, Schwieder M, Frantz D, van der Linden S (2024) Temporally transferable crop mapping with temporal encoding and deep learning augmentations. Int J Appl Earth Observ Geoinf 129:103867, DOI:10.1016/j.jag.2024.103867

    https://literatur.thuenen.de/digbib_extern/dn068235.pdf

  2. 1

    Lobert F, Löw J, Schwieder M, Gocht A, Schlund M, Hostert P, Erasmi S (2023) A deep learning approach for deriving winter wheat phenology from optical and SAR time series at field level. Remote Sens Environ 298:113800, DOI:10.1016/j.rse.2023.113800

    https://literatur.thuenen.de/digbib_extern/dn066907.pdf

  3. 2

    Tetteh GO, Schwieder M, Erasmi S, Conrad C, Gocht A (2023) Comparison of an optimised multiresolution segmentation approach with deep neural networks for delineating agricultural fields from Sentinel-2 images. J Photogramm Remote Sensing Geoinf Sci 91(4):295-312, DOI:10.1007/s41064-023-00247-x

    https://literatur.thuenen.de/digbib_extern/dn066421.pdf

  4. 3

    Holtgrave A-K, Lobert F, Erasmi S, Röder N, Kleinschmit B (2023) Grassland mowing event detection using combined optical, SAR, and weather time series. Remote Sens Environ 295:113680, DOI:10.1016/j.rse.2023.113680

    https://literatur.thuenen.de/digbib_extern/dn066527.pdf

  5. 4

    Schwieder M, Wesemeyer M, Frantz D, Pfoch K, Erasmi S, Pickert J, Nendel C, Hostert P (2022) Mapping grassland mowing events across Germany based on combined Sentinel-2 and Landsat 8 time series. Remote Sens Environ 269:112795, DOI:10.1016/j.rse.2021.112795

    https://literatur.thuenen.de/digbib_extern/dn064247.pdf

  6. 5

    Blickensdörfer L, Schwieder M, Pflugmacher D, Nendel C, Erasmi S, Hostert P (2022) Mapping of crop types and crop sequences with combined time series of Sentinel-1, Sentinel-2 and Landsat 8 data for Germany. Remote Sens Environ 269:112831, DOI:10.1016/j.rse.2021.112831

    https://literatur.thuenen.de/digbib_extern/dn064297.pdf

  7. 6

    Lobert F, Röder N, Gocht A, Schwieder M, Erasmi S (2022) Mowing detection from combined Sentinel-1, Sentinel-2, and Landsat 8 time series on fallow cropland with transfer learning. Publikationen der DGPF eV 30:117-126

  8. 7

    Lobert F, Holtgrave A-K, Schwieder M, Pause M, Gocht A, Vogt J, Erasmi S (2021) Detection of mowing events from combined Sentinel-1, Sentinel-2, and Landsat 8 time series with machine learning. Grassl Sci Europe 26:123-125

  9. 8

    Tetteh GO, Gocht A, Erasmi S, Schwieder M, Conrad C (2021) Evaluation of sentinel-1 and sentinel-2 feature sets for delineating agricultural fields in heterogeneous landscapes. IEEE Access 9:116702-116719, DOI:10.1109/ACCESS.2021.3105903

    https://literatur.thuenen.de/digbib_extern/dn063902.pdf

  10. 9

    Lobert F, Holtgrave A-K, Schwieder M, Pause M, Vogt J, Gocht A, Erasmi S (2021) Mowing event detection in permanent grasslands: Systematic evaluation of input features from Sentinel-1, Sentinel-2, and Landsat 8 time series. Remote Sens Environ 267:112751, DOI:10.1016/j.rse.2021.112751

    https://literatur.thuenen.de/digbib_extern/dn064075.pdf

  11. 10

    Schlund M, Lobert F, Erasmi S (2021) Potential of Sentinel-1 time series data for the estimation of season length in winter wheat phenology. In: Institute of Electrical and Electronics Engineers (ed) IGARSS 2021 - 2021 IEEE International Geoscience and Remote Sensing Symposium : proceedings ; 12-16 July 2021, Virtual Symposium, Brussels, Belgium. IEEE, pp 5917-5920, DOI:10.1109/IGARSS47720.2021.9554454

  12. 11

    Holtgrave A-K, Röder N, Ackermann A, Erasmi S, Kleinschmit B (2020) Comparing Sentinel-1 and -2 data and indices for agricultural land use monitoring. Remote Sensing 12:2919, DOI:10.3390/rs12182919

    https://literatur.thuenen.de/digbib_extern/dn062663.pdf

  13. 12

    Schlund M, Erasmi S (2020) Sentinel-1 time series data for monitoring the phenology of winter wheat. Remote Sens Environ 246:111814, DOI:10.1016/j.rse.2020.111814

    Nach oben