Institut für
BW Betriebswirtschaft
Projekt
Monitoring der biologischen Vielfalt in Agrarlandschaften mit Fernerkundung
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"
Thünen-Ansprechperson
Thünen-Beteiligte
Beteiligte externe Thünen-Partner
- Julius Kühn-Institut - Bundesforschungsinstitut für Kulturpflanzen (JKI)
(Quedlinburg, Braunschweig, Groß Lüsewitz, Kleinmachnow, Deutschland)
Geldgeber
-
Bundesministerium für Ernährung und Landwirtschaft (BMEL)
(national, öffentlich)
Zeitraum
10.2019 - 12.2026
Weitere Projektdaten
Projektstatus:
läuft
Publikationen zum Projekt
- 0
Lobert F, Schwieder M, Alsleben J, Brög T, Kowalski K, Okujeni A, Hostert P, Erasmi S (2025) Unveiling year-round cropland cover by soil-specific spectral unmixing of Landsat and Sentinel-2 time series. Remote Sens Environ 318:114594, DOI:10.1016/j.rse.2024.114594
- 1
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
- 2
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
- 3
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
- 4
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
