s/landmonitoring/land monitoring/gi
Pflanzen passen sich mit erstaunlicher morphologischer Plastizität an Umweltveränderungen an, wie sie z.B. durch landwirtschaftliche Nutzung erzeugt werden. Die diesen morphologischen Veränderungen zugrundeliegenden molekulargenetischen Prozesse und hieraus resultierende Verschiebungen in genetischer Diversität sind jedoch größtenteils unbekannt. In dem hier beantragten Projekt wollen wir deshalb die molekulargenetischen Reaktionen auf Störungen und Umweltveränderungen untersuchen (Mahd und Düngung im Grünland). Rotklee (Trifolium pratense) ist als wertvoller Proteinlieferant eine der wichtigsten Nutzpflanzen im Grünland und trägt durch N2-Fixierung zur Reduktion der Stickstoffdüngung in Böden bei, sodass er die Ökobilanz landwirtschaftlich genutzter Grünlandflächen nachaltig verbessern kann. T. pratense findet sich auf allen Grünlandflächen der Biodiversitätsexploratorien und wir konnten in TRATSCH I zeigen, dass T. pratense (i) verschiedene morphologische Reaktionen auf Mahd zeigt. (ii) Wir identifizierten Mahd-spezifisch differenziell exprimierte Entwicklungskontrollgene und Gene, die standortspezifisch differenziell exprimiert werden, und (iii) etablierten ein mRNA-seq-Fingerprinting Protokoll. Mit diesem kann eine große Zahl an Individuen auf vielen Plots unter unterschiedlichen Landnutzungsbedingungen analysiert werden. Durch Korrelation mit diversen Umweltdaten können Effekte der Umwelt von denjenigen der Landnutzung unterschieden werden. Damit verknüpfen wir Landscape Genetics mit Landscape Genomics, um die Genomfunktionalität einzelner Arten im Umweltzusammenhang zu analysieren. In TRATSCH II beabsichtigen wir unsere Datenaufnahme auf alle Exploratorien auszudehnen, um die Störungs- und Umweltspezifität der exprimierten Transkriptom-Fingerprints in größerem Zusammenhang zu analysieren. Expressionsstudien und funktionelle Studien der Mahd-spezifischen Entwicklungskontrollgene werden Aufschluss darüber geben, wie Pflanzen auf molekulargenetischer Ebene die Veränderung des Morphotypus und das Nachwachsen nach der Mahd steuern. Um die Ökobilanz im Grünlandanbau zu optimieren, untersuchen wir experimentell verschiedene Anbauverfahren, um hohe Proteinerträge mit möglichst niedrigen Düngergaben zu erhalten. Ferner überprüfen wir die Hypothese, dass epigenetische Modifikationen für die Regulation der morphologischen Veränderungen mit verantwortlich sind durch temporäre und quantitative Analyse von Methylierungsmustern der genomischen Loci von Entwicklungskontrollgenen.
Die FVA ist vom Land Baden-Württemberg mit dem Monitoring seltener, waldgebundener Tierarten wie Auerhuhn, Luchs, Wildkatze, Wolf u.a. beauftragt. Fortlaufend werden Hinweise über diese Tierarten über das Netzwerk der Wildtierbeauftragten in den Landkreisen an die FVA gemeldet und dokumentiert. Über dieses vorwiegend passive Monitoring-System ist es bei aktuellem Vorkommen dieser Tiere möglich, erneute Auftreten, Wanderbewegungen, Nutztierübergriffe, Wildunfallschwerpunkte und weitere Ereignisse zu erfassen. Das Monitoring gilt als wissenschaftliche Basis und Voraussetzung um Fragen rund um das Management von JWMG - Tierarten, sowie als Grundlage für die FFH- Berichtserstellung.
Im Rahmen der GMES Initial Operation Phase 2011-2013 (GIO) werden basierend auf multispektralen und teilweise multitemporalen Satellitenbilddaten von ganz Europa ('IMAGE2012') fünf sog. High Resolution Layer (HRL) im Rasterformat zu den fünf Themen Bodenversiegelung, Waldflächen, Ackerland/Grünland, Feuchtgebiete, Gewässerflächen erzeugt. Dies geschieht im Rahmen einer seitens der Europäischen Umweltagentur (EEA) getätigten Ausschreibung. Die HRL sollen von den davon betroffenen EU-Mitgliedstaaten über ihrem jeweiligen Staatsgebiet einem Validierungsverfahren unterzogen werden und systematisch auf qualitative Mängel hin bewertet werden. Als Referenz sollen dabei national verfügbare Georeferenzdaten (z.B. ATKIS® Basis-DLM) und andere bundesweit verfügbare Landbedeckungsinformationen (z.B. Digitales Landbedeckungsmodell DLM-DE) herangezogen werden. Die Ergebnisse dieser Validierung sollen wiederum als Grundlage herangezogen werden, um die Rasterdaten der HRL im Rahmen des darauffolgenden separaten 'Enhancements' inhaltlich quantitativ und qualitativ zu verbessern.
Zur Erstellung von exakten Beweissicherungsdaten (Monitoringdaten) werden Methoden entwickelt, um hochauflösende multispektrale Luftbilddaten automatisiert hinsichtlich der Erfassung von Vegetations- und Biotoptypendaten zu klassifizieren. Im Rahmen weiterer Programme (z.B. KLIWAS) werden auch hyperspektrale Daten und Satellitendaten (RapidEye) analysiert, ausgewertet und und evaluiert.
Dieser Dienst besteht einerseits aus den satellitenbasierten Imperviousness-Rastern (Versiegelungs-Raster) des Copernicus Landmonitoring Services der Europäischen Umweltagentur. Diese Raster zeigen dern Versiegelungsgrad in % für jedes Pixel, aufbereitet für NRW. Die Versiegelungs-Raster stehen für die Jahre 2006, 2009, 2012, 2015 und 2018 zur Verfügung. Ab dem Jahr 2018 liegt der räumliche Auflösung bei 10 Meter, zuvor lag sie bei 20 Meter. Der Stand der Daten ist das Jahr 2023. Geplant ist eine Fortschreibung für alle drei Jahre, das Veresiegelungs-Raster 2021 wird für Mitte 2025 erwartet. Basierend auf den Versiegelungs-Rastern der unterschiedlichen Jahre wurde auch der Anteil der versiegelten Fläche je Gemeinde in Prozent der gesamten Gemeindefläche berechnet. Andererseits besteht der Atom-Feed aus einem luftbildbasierten Rasterdatensatz der Bodenversiegelung mit Berechnungsstand Dezember 2024. Grundlage sind die landeseigenen, hochauflösenden Luftbilder (TrueDOP) mit einem Befliegungszeitraum von Februar 2022 bis Juni 2024. Hier wurde im Rahmen einer Kooperation zwischen Ruhr-Universität Bochum, IT.NRW und dem LANUK NRW mittels eines KI-Ansatz (KI=künstliche Intelligenz) die Bodenversiegelung mit einer räumlichen Auflösung von nur 0,5 Meter berechnet. Aus diesem hochaufgelösten Rasterdatensatz wurden ebenfalls je Gemeinde die Anteile an versiegelter Fläche gegenüber der gesamten Gemeindefläche in Prozent berechnet. Eine ständige Fortschreibung der Datenerhebung ist für alle 2 Jahre geplant.
<p>Wie stark schreitet der Klimawandel in Deutschland voran? Wie wirken Luftschadstoffe auf die Umwelt? Dies lässt sich unter anderem daran beobachten, wie sich Ökosysteme verändern. Veränderungen der Baumarten-Zusammensetzung können als Indikator dienen. Welche neuen Potenziale das europäische Erdbeobachtungsprogramm Copernicus bietet, hat das UBA in einer Machbarkeitsstudie untersuchen lassen.</p><p>Möglichst genaue räumliche Informationen über die Baumarten-Zusammensetzung werden für verschiedene Zwecke benötigt. Sie bringen Erkenntnisse über den Eintrag biologischer und chemischer Stoffe in Ökosysteme und helfen bei der Ableitung ökologischer Belastungsgrenzen. Außerdem ist die Baumartenzusammensetzung in Naturwaldreservaten ein Indikator der Deutschen <a href="https://www.umweltbundesamt.de/service/glossar/a?tag=Anpassungsstrategie#alphabar">Anpassungsstrategie</a> an den <a href="https://www.umweltbundesamt.de/service/glossar/k?tag=Klimawandel#alphabar">Klimawandel</a>.</p><p>Flächendeckende Informationen zur Verbreitung der Hauptbaumarten wurden bisher modellhaft abgeleitet oder auf der Basis forstlicher Inventare näherungsweise ermittelt. Beide Verfahren liefern allerdings nur grobe räumliche Verteilungsmuster und sind methodisch aufwendig und kostenintensiv. </p><p>Im Rahmen einer <a href="https://www.umweltbundesamt.de/publikationen/machbarkeitsstudie-zur-nutzung-von">Machbarkeitsstudie</a> wurde untersucht, welche Potenziale sich durch die neue Generation an Satellitensensoren im Hinblick auf eine bundesweite Klassifikation von Baumarten ergeben. Durch das europäische Erdbeobachtungsprogramm Copernicus stehen seit 2015 Satellitendaten in guter räumlicher, zeitlicher und spektraler Auflösung kostenfrei für alle Interessierten zur Verfügung. Insbesondere die Multispektralsensoren der Plattform Sentinel-2 wurden eigens für Vegetationsstudien entwickelt und sollen in den kommenden Jahrzehnten das globale <a href="https://www.umweltbundesamt.de/service/glossar/m?tag=Monitoring#alphabar">Monitoring</a> der Landoberfläche unterstützen.</p><p>Die Machbarkeitsstudie liefert einen Überblick zu verfügbaren Forstkarten unterschiedlicher Maßstäbe für Deutschland und Europa. Neben verfügbaren Satellitenbilddaten werden unterschiedliche Klassifizierungsansätze sowie mögliche Validierungsdaten hinsichtlich ihrer Nutzbarkeit diskutiert. Anhand von fünf repräsentativen Testgebieten wurden die Möglichkeiten und Grenzen einer satellitenbasierten Ableitung von Baumarten untersucht sowie die Erfordernisse hinsichtlich einer bundesweiten Umsetzung bewertet.</p><p>Für die Klassifikation wurde ein Verfahren aus dem Bereich des maschinellen Lernens, der sogenannte „Random Forest“-Algorithmus angewendet. Alle Analysen wurden auf dem Großrechencluster des Earth Observation Data Centre (EODC) der Uni Wien durchgeführt.</p><p>Für ausgewählte einschlägige Baumarten konnten Klassifikationen mit einer hohen Zuverlässigkeit, gestützt auf Referenz- und Satellitendaten, in den ausgewählten Testgebieten erreicht werden. Die Ergebnisse zeigen, dass sich eine bundesweite Baumartenklassifikation mit dem entwickelten Ansatz gut umsetzen lässt. In einem Fall konnten 16 Baumarten mit einer räumlichen Auflösung von 10 m und einer vergleichsweise hohen Genauigkeit extrahiert werden. Die klassenspezifischen Genauigkeiten erreichten insgesamt je nach Baumart Werte zwischen 73 und 97 % und waren u. a. stark von der Verfügbarkeit von Referenzdaten sowie deren Qualität abhängig. </p><p>Es zeigte sich, dass die Verwendung von mind. sieben, im besten Falle jedoch mindestens zehn, gut über das Jahr verteilte Sentinel-2 Satellitenbildszenen die Genauigkeit der Ergebnisse deutlich verbessert. Die Trennbarkeit war dabei jedoch im Hohen Maße abhängig von der Verfügbarkeit wolkenfreier Aufnahmen, der Güte der Trainingsdaten sowie der Zusammensetzung der Bestände. </p><p>Der entwickelte Klassifikationsablauf stellt einen robusten, kosteneffizienten und prinzipiell bundesweit skalierbarer Ansatz zur Baumartenklassifikation dar. Es zeigte sich, dass die Daten ein hohes Potenzial für die Identifikation und Trennung von Baumarten haben. Hürden für eine bundesweite Umsetzung bestehen vor allem in der Verfügbarkeit und Bereitstellung geeigneter Trainingsdaten. </p><p>Studien die sich mit der Ableitung von Waldeigenschaften bzw. Baumarten mittels multitemporalen Satellitenbilddaten befassen, waren bisher aufgrund der erforderlichen großen Datenmengen auf relativ kleine Versuchsareale beschränkt. Die Auftragnehmer konnten in dieser Studie zeigen, dass durch die Nutzung von Cloud-Rechenzentren große Datenmengen kaum noch ein Hindernis für einen operationellen und großflächigen Einsatz von Satellitenbilddaten darstellen. </p><p>In Zukunft werden im Rahmen von Copernicus vermehrt Cloud-Lösungen bereitgestellt mit dem Ziel, langfristig schneller und zuverlässiger Zugriffe auf die Daten und effiziente Analysemöglichkeiten anzubieten.</p>
Das Vorhaben besteht aus einer fachlichen und einer koordinierenden Komponente. Die fachliche Komponenten beinhaltet die Evaluierung und Verteilung der Copernicus High Resolution Layer (HRL) und des Urban Atlas auf Bundesebene, die gegenseitige Ableitung und Validierung der HRL und des Landbedeckungsmodells für Deutschland (LBM-DE) sowie die Visualisierung der Copernicus Daten. Der koordinierende Teil beinhaltet die Unterstützung des Fachkoordinators für den Copernicus Dienst Landüberwachung am BKG. Im Rahmen dieser Aufgabe werden Öffentlichkeitsarbeit rund um den Dienst Landüberwachung geleistet, Workshops organisiert und eine Nutzererfassung und -beratung durchgeführt.
| Origin | Count |
|---|---|
| Bund | 39 |
| Europa | 1 |
| Land | 2 |
| Type | Count |
|---|---|
| Förderprogramm | 34 |
| Text | 3 |
| unbekannt | 3 |
| License | Count |
|---|---|
| geschlossen | 3 |
| offen | 37 |
| Language | Count |
|---|---|
| Deutsch | 25 |
| Englisch | 17 |
| Resource type | Count |
|---|---|
| Dokument | 2 |
| Keine | 15 |
| Webseite | 23 |
| Topic | Count |
|---|---|
| Boden | 36 |
| Lebewesen und Lebensräume | 37 |
| Luft | 23 |
| Mensch und Umwelt | 40 |
| Wasser | 22 |
| Weitere | 40 |