// SCINEXX — SPAZIO & SCIENZA
Drohnen, Satelliten und KI helfen, Antarktis-Vegetation zu überwachen
Moose, Flechten und Cyanobakterien wachsen in der Antarktis oft in winzigen, verstreuten Flecken, die Satelliten nur schwer erfassen. Ein neues Verfahren verbindet Feldbeobachtungen, Drohnenbilder und Satellitendaten mit künstlicher Intelligenz. Am Canada Glacier konnte das Team damit Vegetationsmuster vom Zentimetermaßstab bis zu großflächigen Satellitenkarten übertragen.
Wollongong (Australien). Auf eisfreien Flächen der Antarktis bilden Moose, Flechten und Cyanobakterien kleine, oft stark verstreute Lebensgemeinschaften. Ihre Entwicklung über Jahre zu verfolgen ist schwierig, weil Feldbegehungen nur begrenzte Flächen abdecken und Satelliten einzelne Vegetationsflecken bei ihrer üblichen Auflösung kaum trennen können.
Genau diese Lücke zwischen biologischer Detailinformation und flächiger Beobachtung begrenzt bisher die Kartierung polarer Vegetation. Die neue Studie setzt deshalb mehrere Maßstabsebenen aufeinander auf, indem präzise Feldinformationen die Auswertung von Drohnenbildern unterstützen und deren Ergebnisse wiederum als Referenz für Satellitendaten dienen.
Studienerstautor Dr. Narmilan Amarasingam von der University of Wollongong (UOW) und seine Kollegen haben dafür Daten am Canada Glacier in den McMurdo Dry Valleys zusammengeführt. Die Aufnahmen und Feldbeobachtungen stammen aus den Jahren 2018 bis 2025 und umfassen bodennahe Artenbestimmungen, multispektrale und RGB-Drohnenbilder sowie Zeitreihen des Satelliten Sentinel-2.
Der Ansatz arbeitet stufenweise, wobei die Forscher zunächst Vegetation in biologisch überprüften Probeflächen markieren. Spektrale Ähnlichkeiten und maschinelles Lernen erweitern diese Trainingsdaten, bevor Deep-Learning-Modelle, also tief gestaffelte neuronale Netze, einzelne Bildpunkte klassifizieren. Für die Satellitenebene wurden Sentinel-2-Daten mit ursprünglich 10 bis 20 Metern Auflösung per Deep Learning rechnerisch auf ein Ausgaberaster von ungefähr einem Meter verfeinert und anschließend mit aus Drohnenbildern abgeleiteten Vegetationsanteilen abgeglichen.
„Wir beginnen gerade erst zu verstehen, welche Rolle viele der am wenigsten untersuchten Arten der Antarktis in ihren Ökosystemen spielen. Durch langfristige Beobachtung finden wir das heraus, und sie ist unverzichtbar, wenn wir die biologische Vielfalt der Antarktis als Ganzes schützen wollen, nicht nur die Teile, die die Menschen bereits kennen und schätzen. Antarktische Moose, Flechten und Cyanobakterien kommen oft in sehr kleinen und fragmentierten Flecken vor. Während sich diese Gemeinschaften am Boden detailliert untersuchen lassen, machen ihre geringe Größe und verstreute Verteilung eine großflächige Überwachung schwierig. Wir können diese ökologischen Details im Gelände und mit Drohnen beobachten, doch diese Ansätze decken relativ kleine Flächen ab. Satelliten können dagegen wiederholt viel größere Landschaften beobachten, allerdings mit einer deutlich gröberen räumlichen Auflösung. Unsere Idee war, diese verschiedenen Maßstäbe zu verbinden, indem wir detaillierte Feldbeobachtungen für die drohnenbasierte Kartierung nutzen und diese aus Drohnen abgeleiteten Beobachtungen anschließend für die Überwachung im Satellitenmaßstab einsetzen“, erklärt Dr. Narmilan Amarasingam.
Beim Test mit räumlich getrennten Drohnendaten schnitt das Modell DeepLabv3+ am besten ab. Für die feinskalige Vegetationssegmentierung erreichte es eine Gesamtgenauigkeit von 91 Prozent und einen Macro-F1-Wert von 0,85. Dieser Wert fasst die Erkennungsleistung über die einzelnen Klassen zusammen, ohne häufige Klassen allein dominieren zu lassen.
Entscheidend ist, dass die Drohnenkarten anschließend nicht nur als fertiges Produkt dienten, sondern das Team ihre Vorhersagen in Vegetationsanteile pro Zelle des verfeinerten Satellitenrasters umwandelte. Damit lernte ein U-Net-Modell, aus Satellitendaten zu schätzen, wie stark einzelne Vegetationsklassen eine Fläche bedecken.
Bei Cyanobakterien stimmten die geschätzten Flächenanteile besonders eng mit den au