Früherkennung von Buchdruckerbefall dank Fernerkundung: Was ist schon möglich?

36-43

Artikel

200207126

Schweizerische Zeitschrift für Forstwesen 2020, 171(1): Ist die Schweiz Waldwirtschaft überreguliert? ; Jrg. 171 ; 1 (2020) , 36-43

Befall durch den Buchdrucker (Ips typographus) ist in Fichtenwäldern der hochmontanen und subalpinen Stufe
eine grosse Herausforderung für die Waldbewirtschaftung. Es ist unmöglich, im oft steilen Gelände einzig mit
terrestrischen Beobachtungen alle anfälligen beziehungsweise bereits befallenen Fichten (Picea abies) rechtzeitig
zu identifizieren. Um rechtzeitig eingreifen zu können, ist eine zeitsparende, kostengünstige und effektive
Methode zum Auffinden dieser Fichten notwendig. Vielversprechend scheint die Technik der Fernerkundung.
Deshalb untersuchten wir das Potenzial von hyperspektralen Fernerkundungsdaten für die Früherkennung gestresster
oder befallener Fichten an einem Fallbeispiel im Lehr- und Forschungswald der Eidgenössischen Technischen
Hochschule (ETH) Zürich in Sedrun im Kanton Graubünden. Der verwendete Ansatz beruht auf einer
Kombination von Feldaufnahmen und hyperspektralen Daten, daraus berechneten spektralen Vegetationsindizes
und einer Klassifizierung der Fichten in tote, gestresste und gesunde Bäume durch Random-Forest-Modelle,
eine Methode des maschinellen Lernens. Es konnte gezeigt werden, dass gestresste Fichten mit diesem Ansatz
zwar aufgespürt werden können, die Methode für den operativen Einsatz aber noch nicht ausgereift ist. Insbesondere wäre eine hangspezifische Kalibrierung nötig, was die praktische Anwendung verunmöglicht.
Keywords: hyperspectral data, European spruce bark beetle (Ips typographus), random forest, Norway spruce
(Picea abies), early warning indicators
L’infestation par les scolytes (Ips typographus) dans les forêts d’épicéa (Picea abies) uniformes des zones haut-montagnard et subalpin est un défi majeur pour la gestion. Il est impossible d’identifier à temps tous les épicéas susceptibles à une infection ou déjà infestés dans les pentes raides uniquement à partir des observations terrestres, et d’empêcher la gradation des scolytes. Une méthode rapide, peu coûteuse et efficace pour trouver ces épicéas est nécessaire, et la technique de télédétection semble prometteuse. C’est pourquoi nous avons étudié le potentiel des données de télédétection hyperspectrales pour la détection précoce des épicéas stressés ou infestés à l’aide d’une étude de cas dans la forêt expérimentale de l’Ecole polytechnique fédérale de Zurich à Sedrun. L’approche est basée sur une combinaison d’études de terrain, de données hyperspectrales, d’indices de végétation
calculés à partir de celles-ci et de classification dans les trois classes «mort», «stressé» et «sain» par Random Forests, une méthode de «machine learning». Il a été démontré que les épicéas stressés peuvent être trouvés avec cette approche, mais elle n’est pas encore prête pour une utilisation opérationnelle. En particulier, un étalonnage de la méthode en fonction de la pente spécifique est nécessaire, ce qui rend l’application pratique impossible.
Infestation by the Norway spruce (Picea abies) bark beetle (Ips typographus) in uniform forest stands of the high montane and subalpine stage is a major challenge for management. It is impossible to identify in time all susceptible or already infested spruces in the often steep terrain solely by terrestrial observations and to prevent the proliferation of the beetle. A time-saving, cost-effective and effective method for finding these spruces is necessary and remote sensing techniques appear promising. Therefore, we investigated the potential of hyperspectral remote sensing data for the early detection of stressed or infested spruces using a case study in the experimental
forest of the Swiss Federal Institute of Technology Zurich (ETHZ) in Sedrun. The approach that we developed is
based on a combination of field surveys, hyperspectral data, vegetation indices calculated from these and their classification into the three classes “dead”, “stressed” and “healthy” using Random Forests, a machine-learning approach. We demonstrate that stressed spruces can be identified with this approach, but it is not yet ready for operational use. In particular, a slope-specific calibration of the method is necessary, which makes practical application impossible.