Triple Level Digital Monitoring (3LDM) - Fernerkundung und IT-Lösungen für die Überwachung der Wiederherstellung von Waldlandschaften (FLR)
Vollständige Lösung
Drohnentraining in Madagaskar
© Forests4Future, GIZ
Das GIZ-Projekt Forests4Future (F4F) setzt sich in Ländern wie Äthiopien, Madagaskar und Togo für die Wiederherstellung von Waldlandschaften (Forest Landscape Restoration - FLR) und für eine verantwortungsvolle Regierungsführung ein. Die derzeitigen FLR-Überwachungssysteme haben Probleme mit der Genauigkeit und Vollständigkeit. Um dieses Problem zu lösen, hat F4F die Entwicklung eines zuverlässigen Überwachungssystems und die Erprobung eines Standardarbeitsverfahrens initiiert. F4F nutzte das Fachwissen von externen Geodatenunternehmen und führte das Triple Level Digital Monitoring System (3LDM) ein. Dieses System verfeinert die Überwachung, indem es drei Ebenen von Daten integriert:
1. feldbasierte Daten
2. drohnengestützte Daten
3. satellitengestützte Daten
Der 3LDM-Ansatz verfolgt die wiederhergestellten Hektar, die oberirdische Baumbiomasse und die Baumvielfalt an ausgewählten FLR-Standorten
Letzte Aktualisierung: 30 Sep 2025
864 Ansichten
Foto- und Videogalerie
Kontext
Angesprochene Herausforderungen
Ökologische Herausforderungen:
Satellitenbilder wie Sentinel oder Landsat können aufgrund ihrer geringen Auflösung kleinere Bäume übersehen, was die genaue Bewertung des Waldes beeinträchtigt, insbesondere bei jungem Wachstum oder unter dem Kronendach. Das 3LDM-System misst mit hochauflösenden Drohnendaten die Höhe der Baumkronen und verfeinert mit allometrischen Gleichungen die Biomasseberechnungen. Drohnen, die große Flächen vermessen, verbessern die Genauigkeit und Effizienz der Daten.
Soziale Herausforderungen:
Die herkömmliche Überwachung der Wälder erfordert manuelle Arbeit, was für die lokalen Gemeinschaften eine Beeinträchtigung darstellt. 3LDM nutzt Drohnen- und Satellitentechnologie, um großflächig und mit minimalen Eingriffen zu überwachen und so die lokalen Gewohnheiten zu erhalten. Außerdem fördert es die Entwicklung lokaler Fähigkeiten im Zusammenhang mit Drohnen und bietet Beschäftigungsmöglichkeiten.
Wirtschaftliche Herausforderungen:
Eine manuelle Waldinventur ist kostspielig und langwierig. 3LDM bietet eine wirtschaftliche Lösung. Die Datenerfassung per Drohne ist schneller und umfangreicher und senkt die Kosten für die Feldarbeit. Die Verwendung von Open-Source-Bildern senkt die Kosten und macht die Überwachung erschwinglich und anpassungsfähig für verschiedene Projekte.
Standort
Madagaskar
Äthiopien
Togo
West- und Zentralafrika
Östliches und südliches Afrika
Prozess
Zusammenfassung des Prozesses
Das komplizierte Zusammenspiel der drei Datenerfassungsmechanismen - Felddaten, Drohnenbilder und Satellitenaufnahmen - bildet das Rückgrat des Überwachungsrahmens unseres Programms. Jeder Mechanismus bringt einzigartige Stärken mit sich: Während Felddaten detaillierte Einblicke am Boden bieten, liefern Drohnenbilder eine detaillierte Perspektive aus der Luft und Satellitenaufnahmen einen breiteren Überblick aus dem Weltraum. Wenn sie miteinander verwoben werden, entsteht ein robustes Geflecht von Daten, das die Zuverlässigkeit und Genauigkeit der Daten erhöht.
Dieser synergetische Ansatz ist für die ganzheitliche Überwachung von FLR-Strategien von zentraler Bedeutung. Angesichts der zunehmenden Komplexität von Umweltsanierungsmaßnahmen ist eine vielschichtige Sichtweise unabdingbar. Verfolgung von Schlüsselindikatoren wie der Biomasse. Darüber hinaus sind sekundäre Indikatoren wie Baumhöhe, Durchmesser in Brusthöhe (DBH), Waldzusammensetzung und Artenvielfalt für ein differenziertes Verständnis der Sanierungsbemühungen von entscheidender Bedeutung. Das Schöne an dem dreistufigen System ist seine Widerstandsfähigkeit: Sollten Herausforderungen auftreten, die die Wirksamkeit einer Methode einschränken, springen die beiden anderen nahtlos ein und sorgen dafür, dass die Datenqualität und der Erkenntnisgewinn nicht beeinträchtigt werden. Diese Interdependenz garantiert umfassende Daten, die zu besser informierten Strategien und erfolgreichen FLR-Ergebnissen führen.
Bauklötze
Felddaten
Satelliten- und Drohnenbilder leisten zwar einen unbestreitbaren Beitrag zur Überwachung, sind aber in den ersten Jahren der FLR-Bemühungen nur begrenzt einsetzbar. Die Datenerhebung vor Ort ist in den ersten Projektjahren entscheidend.
Die Datenerhebung auf Feldebene wird in drei partizipative Ansätze unterteilt:
- Permanente Stichprobenparzellen: Feste Parzellen, auf denen Baumhöhe, DBH und Überlebensraten der Bäume geschätzt werden. Dauerbeprobungsflächen werden aufgrund ihres hohen Arbeits- und Zeitaufwands in 3-Jahres-Intervallen bewertet.
- Landnutzungsplanung: Diskussionsrunden zur Bewertung von Informationen sowie zur Identifizierung gefährdeter Arten gemäß der Roten Liste der bedrohten Arten der Weltnaturschutzunion (IUCN). Sie ist in andere Prozesse der Landnutzungsplanung integriert und hat daher keinen festgelegten Bewertungszeitraum.
- Transekte: Identifizierung von floristischen und faunistischen Arten sowie der Zusammensetzung der Waldstruktur in einem Bewertungsintervall von drei Monaten
Alle relevanten Indikatoren, die in den drei partizipativen Ansätzen enthalten sind, werden mit der KOBO Toolbox erhoben. Diese Software bietet geeignete Bedingungen und ist einfach zu bedienen und entspricht den Monitoringzielen des Projekts.
Ermöglichende Faktoren
Ein partizipativer Ansatz ist von wesentlicher Bedeutung, um eine langfristige Überwachung der wiederhergestellten Gebiete zu gewährleisten. Die Symbiose von lokalem Wissen und der Ausbildung/Kompetenzaufbau von lokalem Personal und regionalen Partnern ist der Kern dieses Ansatzes. Die Ermittlung der Bedürfnisse der Gemeinschaft, die Organisation von Diskussionsrunden und die Einbeziehung der lokalen Gemeinschaft in die Entwicklung und Erprobung des Überwachungssystems fördern das Bewusstsein und die Verbindung zur wiederhergestellten Landschaft.
Gelernte Lektion
-
Felddaten haben Vorrang: In frühen FLR-Phasen ist die Datenerhebung vor Ort effektiver als die ausschließliche Verwendung von Satelliten- und Drohnenbildern.
-
Partizipative Ansätze: Der Einsatz partizipativer Methoden wie permanente Stichprobenflächen, Landnutzungsplanung und Transekte bindet lokale Gemeinschaften ein und verbessert die Überwachung.
-
Geeignete Technologie: Der Einsatz von benutzerfreundlichen Tools wie der KOBO Toolbox passt gut zu den Projektzielen und vereinfacht die Datenerfassung.
-
Einbindung lokaler Gemeinschaften: Die Einbindung und Schulung lokaler Gemeinschaften sichert den langfristigen Erfolg und fördert die Verbundenheit mit den wiederhergestellten Landschaften.
Satellitendaten
Satellitendaten bilden das Fundament des 3LD-Monitoring-Systems, das die Möglichkeiten von Open-Source-Bildern der Copernicus-Satelliten Sentinel-2 und LANDSAT ausnutzt. Ein Algorithmus, der von der Remote Sensing Solutions (RSS) GmbH sorgfältig entwickelt wurde, revolutioniert diesen Prozess. Die Nutzer können das Shapefile ihres Interessengebiets nahtlos übermitteln, woraufhin der Algorithmus automatisch die relevanten Daten abruft und analysiert. Es wird ein Spektrum robuster Analysen durchgeführt, darunter der 5-Jahres-Vegetationstrend unter Verwendung von NDVI zur Bewertung von Vegetationszuwächsen oder -verlusten, die 5-Jahres-Analyse der Vegetationsfeuchtigkeit durch NDWI und eine nuancierte 5-Jahres-Niederschlagstrendbewertung. Darüber hinaus erleichtert der Algorithmus die Visualisierung von Vegetationsveränderungen seit Beginn des Projekts, wodurch der Überwachungsrahmen mit dynamischen Erkenntnissen untermauert wird. Satellitendaten, eine wichtige Komponente des 3LDM-Monitoring-Systems, nutzen Open-Source-Bilder der Copernicus Sentinel-2-Mission und der LANDSAT-Satelliten. Für vordefinierte Gebiete werden diese Daten automatisch abgerufen und auf bestimmte Parameter hin analysiert. Zu den wichtigsten Analysen gehören ein 5-Jahres-Vegetationstrend unter Verwendung von NDVI als Proxy für Vegetationszuwächse oder -verluste, ein 5-Jahres-Vegetationsfeuchtigkeitstrend durch NDWI und ein 5-Jahres-Niederschlagstrend. Darüber hinaus können Vegetationsveränderungen seit Projektbeginn visualisiert werden.
Ermöglichende Faktoren
Die effektive Nutzung dieses Bausteins hängt davon ab, dass die Nutzer Flächen in GIS-Plattformen wie QGIS zeichnen und speichern. Darüber hinaus optimiert die Erweiterung des Shapefiles um projektspezifische Angaben wie Startdaten und FLR-Typ die Analyse. Eine angemessene Schulung in diesen Fertigkeiten gewährleistet eine genaue Dateneingabe und eine maßgeschneiderte Überwachung, so dass der Aufbau von Kapazitäten in diesen Bereichen unerlässlich ist, wenn sie nicht vorhanden sind.
Gelernte Lektion
Während Satellitendaten, insbesondere Open-Source-Daten, weitreichende Einblicke bieten, ist ihre Fähigkeit zur Identifizierung von Arten stark eingeschränkt, wenn nicht sogar unerreichbar. Diese Einschränkung unterstreicht die unverzichtbare Rolle der Feldarbeit bei der Bestimmung der Artenzusammensetzung und -merkmale. Die Erkenntnis, dass Satellitenbilder nur bedingt geeignet sind, insbesondere bei jungen Baumpflanzungen, unterstreicht zudem die Notwendigkeit, Feld- und Drohnendaten zu integrieren, um einen umfassenden Überblick über das Waldgelände zu erhalten.
Drohnen-Daten
Drohnen spielen im 3LD-Monitoring-System eine zentrale Rolle und ergänzen andere Datenerhebungsmethoden. Drohnen sind in den Partnerländern ein wichtiges Instrument, um die technischen Fähigkeiten des lokalen Personals zu stärken. Diese Fähigkeiten umfassen Flugplanung, Navigation und Bildauswertung. Das Drohnen-Monitoring soll die Projektmitarbeiter in die Lage versetzen, maßgeschneiderte Daten für photogrammetrische Analysen zu erfassen, aus denen wichtige Geoinformationen hervorgehen.
Die Methodik der Drohnenkartierung umfasst fünf Phasen, wobei sich die ersten beiden auf den Betrieb der Drohnen konzentrieren:
- Vorbereitung der Kartierungsmission (Schreibtischarbeit)
- Durchführung der Kartierungsmission (Feldarbeit)
- Entwicklung eines digitalen Oberflächenmodells (DSM) und Erstellung eines Orthomosaiks (Schreibtischarbeit)
- Datenanalyse und -veredelung (Schreibtischarbeit)
- Integration in das vorherrschende Datensystem (Desktop-Arbeiten)
Drohnendaten helfen bei der Auswertung von Indikatoren, die mit Kohlenstoff/Biomasse in Verbindung stehen, wie z. B. Sterblichkeitsraten und Waldtypen. Insbesondere können durch die Anwendung allometrischer Gleichungen und die richtige Charakterisierung des Landtyps Schätzungen der oberirdischen Biomasse von Bäumen vorgenommen werden.
Ermöglichende Faktoren
Drohnen mit voreingestellter Flugplanungsfunktion gewährleisten die nahtlose Erstellung von Orthofotos aus Einzelbildern. Auf diese Weise können einzelne Schnappschüsse nahtlos zu einem Orthofoto (verzerrungsbereinigtes Luftbild, das genaue Messungen ermöglicht) zusammengefügt werden. Es ist auch wichtig, die Verfügbarkeit dieser Drohnen auf den lokalen Märkten der Partnerländer zu berücksichtigen. Die Nutzung von lokalem Wissen durch die Einbeziehung lokaler Hochschulen ist in diesem Prozess von entscheidender Bedeutung. Sie können wichtige allometrische Gleichungen auf der Grundlage der Baumhöhe liefern, die präzise Biomasseberechnungen ermöglichen.
Gelernte Lektion
Drohnen erzeugen hochauflösende Bilder, die einen detaillierten Überblick über Veränderungen der Bodenbedeckung, das Überleben von Bäumen und Erosionsraten u. a. ermöglichen. In Kombination mit Felddaten wird die drohnengestützte Überwachung gestärkt und eine solide Überwachung gewährleistet.
Die Heterogenität der Bäume und die Dichte der Vegetation erschweren häufig eine solide Extraktion gemeinsamer Schlüsselpunkte zwischen den Bildern, die für die Schätzung der Höhen und anderer Indikatoren erforderlich sind. In diesem Zusammenhang kann eine Erhöhung der Überlappung zwischen den Bildern auf mindestens 85 % frontale und seitliche Überlappung die Extraktion von Schlüsselpunkten verbessern. Auch eine größere Flughöhe der Drohne verringert die perspektivische Verzerrung, was die Erkennung visueller Ähnlichkeiten zwischen überlappenden Bildern erleichtert. Eine zu große Überlappung, d. h. ein hoher Überlappungsgrad, führt jedoch zu einer größeren Datenmenge, was die Datenverarbeitung zeitaufwändiger macht.
Ein weiterer bereits erwähnter Aspekt ist die Verfügbarkeit geeigneter Drohnen in den Partnerländern. Der Import von Drohnen in die jeweiligen Länder ist schwierig, und es bestehen bürokratische Hürden.
Auswirkungen
Alle drei Datenquellen (Satellit, Drohne und Feld) werden verarbeitet und in eine Dashboard-Plattform integriert, die über die Überwachungswebsite des Projekts zugänglich ist. Die Website ermöglicht:
Intern:
- Die Auswertung der Projektaktivitäten
- die Beobachtung von Veränderungen als Grundlage für die weitere Planung
- die Steuerung der Projektaktivitäten (Lenkungsfunktion)
- Berichterstattung über die Projektaktivitäten
- Vergleich und Zusammenfassung der FLR-Interventionen
Extern:
- Nachverfolgung der Projektaktivitäten
- Harmonisierung der Aktivitäten zwischen Projekten und Partnern
- Lernen aus Projekterfahrungen
- Berichterstattung und Kommunikation der Ergebnisse
- Transparenz der FLR-Aktivitäten
Das Dashboard der Plattform hat zwei einzigartige Eigenschaften:
1. gebietsspezifisch: sofortige automatische Analyse und Visualisierung von Satellitendaten der letzten 5 Jahre
2. die Integration von Feld-, Drohnen- und Satellitendaten, die verschiedene Informationsebenen kombinieren, um ein ganzheitliches Bild der Wiederherstellungsmaßnahmen zu zeichnen
Begünstigte
- AFR100 Focal Points und Sekretariat
- Ministerien (Ministerium für Wald/Umwelt und Landwirtschaft)
- Verwaltungsbeamte
- NROs
- Restaurierungstechniker und -interessierte
- Lokale Gemeinschaften
- Team des Projekts Forests4Future und anderer FLR-Projekte
Ziele für nachhaltige Entwicklung
SDG 15 - Leben an Land
SDG 17 - Partnerschaften für die Ziele
Geschichte
Maxim leitet die Einführung des 3LDM-Systems in Madagaskar. Der Einsatz von Drohnen zur Bewertung der Wiederherstellung von Waldlandschaften in Madagaskar bedeutet auch die Überwachung von Mangroven. Die herkömmliche Überwachung in diesen dichten, sumpfigen Gebieten ist entmutigend, aber mit den hochauflösenden Bildern des 3LDM-Drohnenprotokolls wurde sie effizienter und detaillierter.
Bei einer Drohnenuntersuchung entdeckte das Team von Maxim einen unerwarteten Bewohner: ein sonnenbadendes Krokodil. Die gestochen scharfen Bilder zeigten nicht nur die Effektivität der Technologie, sondern unterstrichen auch ihren Sicherheitsvorteil gegenüber Untersuchungen zu Fuß.
Neben den unerwarteten Begegnungen mit Wildtieren bot 3LDM auch Einblicke in die Wachstumsdynamik der Mangroven. Das System hatte zwar seine Tücken, wie die Anpassung der Drohnen an die windigen Bedingungen, doch die Ergebnisse überwogen die Hürden.
