Überwachung von Moos und Flechten in der Antarktis mit hyperspektralen Drohnen

Die Moose und Flechten der Antarktis gehören zu den empfindlichsten und klimasensitivsten Ökosystemen der Erde. Als Primärproduzenten in einer ansonsten kargen Landschaft liefern diese Organismen frühe Anzeichen für Umweltveränderungen – dennoch sind sie bekanntermaßen schwer zu überwachen. Aufgrund ihrer geringen Größe, ihrer unregelmäßigen Verteilung und ihrer subtilen spektralen Unterschiede sind herkömmliche RGB- und multispektrale Bildgebungstechniken für eine genaue Bewertung unzuverlässig.

Eine in Nature Scientific Reports veröffentlichte, von Fachkollegen begutachtete Studie (Sandino et al., 2025) zeigte, wie die Kombination aus hyperspektraler Drohnenbildgebung und KI die Erkennung und Klassifizierung von kryptogamischer Vegetation erheblich verbessert. Während einer Expedition in die Ostantarktis im Jahr 2023 setzten Forscher einen Headwall VNIR-Sensorein, der auf einer DJI Matrice 300 RTK-Drohne montiert war, um die Gesundheit und Zusammensetzung der Vegetation unter extremen polaren Bedingungen zu bewerten.

Diese Arbeit unterstreicht nicht nur das Potenzial der hyperspektralen Drohnenbildgebung in der Polarwissenschaft, sondern auch den umfassenderen Wert der Integration hochauflösender Spektraldaten mit maschinellem Lernen für die Überwachung empfindlicher Umweltbereiche überall auf der Welt.

Warum herkömmliche Spektralwerkzeuge nicht ausreichen

Vegetationsindizes wie NDVI werden häufig zur Pflanzenüberwachung eingesetzt. Antarktische Moose und Flechten weisen jedoch spektrale Eigenschaften auf, die außerhalb des Erfassungsbereichs dieser Indizes liegen. In den breiten Bändern, die von Multispektral- und RGB-Sensoren erfasst werden, zeigen Moose und Flechten oft überlappende spektrale Signaturen.

Zusätzlich:

• Ihre Pigmentunterschiede sind subtil und schwer zu erkennen.
• Gesundes und gestresstes Moos kann in RGB nahezu identisch aussehen.
• Flechten ähneln oft nacktem Felsgestein.
• Oberflächen mit hohem Albedo wie Schnee und Eis erschweren die Segmentierung.

Die Studie ergab, dass multispektrale Bildgebung und klassische schwellenwertbasierte Klassifizierungsansätze durchweg Schwierigkeiten hatten, was zu unvollständigen oder ungenauen Bewertungen führte.

Hyperspektrale Drohnen lösen dieses Problem, indem sie Hunderte von schmalen, zusammenhängenden Spektralbändern erfassen und so Unterschiede in der Chemie und Physiologie von Pflanzen aufzeigen, die mit herkömmlichen Werkzeugen nicht sichtbar sind.

Hyperspektrale Drohnen liefern neue wissenschaftliche Erkenntnisse

Durch die Erfassung umfangreicher Spektraldaten im sichtbaren und nahen Infrarotbereich (VNIR) lieferten Hyperspektral-Drohnen den Forschern einen Detaillierungsgrad, der mit herkömmlichen Sensoren nicht zu erreichen war. Zu den wichtigsten Ergebnissen gehörten:

• Maschinelle Lernmodelle erreichten eine Genauigkeit von über 98 % bei der Klassifizierung von Moos und Flechten.
• Vereinfachte „Light“-Modelle, die nur acht Wellenlängen verwenden, behielten dennoch ihre hohe Leistungsfähigkeit bei.
• Die Deep-Learning-Segmentierung erzeugte feinmaschige Vegetationskarten, die sich für die Langzeitüberwachung eignen.
• Hyperspektralbilder unterschieden erfolgreich Vegetation von Gestein und Boden, selbst unter kontrastarmen Bedingungen.

„Diese Ergebnisse zeigen, wie wir durch die Konzentration auf die richtigen Spektralbereiche selbst in extremen Umgebungen verwertbare Erkenntnisse liefern können“, erklärte David Blair, Chief Product Officer bei Headwall. „Dies ist ein eindrucksvolles Beispiel dafür, wie die Kombination aus hyperspektraler Bildgebung und KI die Überwachung von Ökosystemen revolutionieren kann.“

KI + Hyperspektralbildgebung: Ein neues Modell für die Umweltüberwachung

Einer der wichtigsten Beiträge der Studie ist der Nachweis, wie KI den Wert von hyperspektralen Drohnendaten steigert. Anstatt sich auf manuell erstellte Vegetationsindizes zu verlassen, nutzte das Forschungsteam maschinelles Lernen, um:

• Identifizieren Sie, welche Wellenlängen die meisten diagnostischen Informationen enthalten.
• Lernen Sie spektral-räumliche Muster in unterschiedlichem Gelände kennen.
• Vegetationstypen mit hoher Zuverlässigkeit klassifizieren
• Reduzierung der menschlichen Subjektivität bei der Interpretation

Diese Synergie setzt einen neuen Standard für Fernerkundungs-Workflows – insbesondere in abgelegenen, ökologisch sensiblen Umgebungen, in denen manuelle Probenahmen nur begrenzt möglich sind.

Von der Antarktis bis zu globalen Drohnen-Fernerkundungsanwendungen

Obwohl sich diese Forschung auf die kryptogamische Vegetation der Antarktis konzentrierte, reichen die Auswirkungen weit über die polaren Ökosysteme hinaus. Hyperspektrale Drohnen bieten einen transformativen Mehrwert für:

• Klimaforschung: Überwachung von Stressreaktionen in polaren, alpinen und ariden Ökosystemen
• Landwirtschaft: Erkennen von Pflanzenstress, Nährstoffungleichgewicht oder Krankheiten, bevor visuelle Symptome auftreten
• Forstwirtschaft: Kartierung von Störungen, invasiven Arten oder dem Gesundheitszustand des Kronendachs
• Boden- und Wasseranalyse: Identifizierung von Verunreinigungen oder Nährstoffschwankungen
• Umweltbewertung: Festlegung wiederholbarer Basiswerte für langfristige Veränderungen des Ökosystems

Wenn hyperspektrale Drohnen Moos und Flechten in einer der rauesten Umgebungen der Erde zuverlässig erkennen können, können sie weltweit einen außergewöhnlichen Mehrwert für Landschaften bieten.

Headwall-Hyperspektraltechnologie in Aktion

Die in der Studie verwendete hyperspektrale Nutzlast Headwall Airbornewurde speziell für den Einsatz in Drohnen entwickelt und bietet folgende Vorteile:

• Leichtbauweise für längere Flugzeit
• Hohes Signal-Rausch-Verhältnis für präzise Spektralmessungen
• Robuste Leistung bei extremen Temperaturen und schwierigen Lichtverhältnissen
• Genaue, wiederholbare Daten, die sich nahtlos in Machine-Learning-Workflows integrieren lassen

Dieser Einsatz unterstreicht, wie die Headwall-Technologie Forschern ermöglicht, genaue, skalierbare und zerstörungsfreie Erkenntnisse zu gewinnen – insbesondere in Umgebungen, in denen herkömmliche Spektralwerkzeuge an ihre Grenzen stoßen.

Weitere Informationen

Headwall unterstützt Forscher, Behörden und Branchenführer, die daran arbeiten, Ökosysteme besser zu verstehen, Entscheidungsprozesse zu verbessern und kritische Umweltprobleme anzugehen.

Kontaktieren Sie uns, um zu erfahren, wie hyperspektrale Drohnen Ihre missionskritischen Anwendungen unterstützen können.