Projektziel
Analyse potenzieller Baumkronenveränderung nach 2020 im Juaboso District in der Western North Region, Ghana. Identifiziert werden Standorte, die 2020 als Trees und 2024 als non-Trees klassifiziert wurden; anschließend werden die daraus resultierenden Landbedeckungsübergänge zusammengefasst.
Untersuchungsraum
Der Juaboso District liegt in der Western North Region Ghanas. Seine Distriktgrenze definiert den Untersuchungsraum für Rasterverarbeitung, Flächenberechnung und Polygon-Ausgabe.
Datenquellen
ESA WorldCover diente der ersten Landbedeckungsbewertung, GLAD land-cover dem Vergleich. Die Änderungsanalyse nutzt die jährliche Impact Observatory / Microsoft / Esri 10-m Land Use/Land Cover-Zeitreihe mit 2020 als Basis und 2024 als Vergleich. Trees entspricht Klasse 2.
Methode
Potenzieller Baumkronenverlust ist als Trees im Jahr 2020 und non-Trees im Jahr 2024 definiert. Ein Schwellenwert zusammenhängender Komponenten von 100 Pixeln (~1 ha bei 10 m Auflösung) reduziert isoliertes Klassifikationsrauschen und behält größere zusammenhängende Änderungsflächen. Die finale Maske behält ausschließlich ursprüngliche Verlustpixel; danach folgen Flächen- und Übergangsanalyse sowie Raster-zu-Polygon-Umwandlung.
Zentrale Ergebnisse
Die Kennwerte beschreiben aus Landbedeckungsklassifikationen abgeleiteten potenziellen Baumkronenverlust, nicht bestätigte Entwaldung.
Landbedeckungsübergänge
Die Übergangsanalyse umfasst nur Pixel der finalen potenziellen Verlustmaske und zeigt ihre Klassen im Jahr 2024.
| Übergang | Fläche (ha) |
|---|---|
| Trees → Rangeland | 1.077,75 |
| Trees → Built area | 188,75 |
| Trees → Crops | 70,46 |
| Trees → Water | 20,68 |
| Trees → Flooded vegetation | 2,01 |
| Trees → Bare ground | 1,60 |
| Trees → Clouds | 0,05 |
Grenzen
Dies ist eine Landbedeckungsklassifikations-basierte Änderung und keine bestätigte Entwaldung. Klassifikationsunsicherheit, Unterschiede jährlicher Produkte, Wolkenklassen und der Pixel-Schwellenwert beeinflussen die Maske. Validierung mit höher aufgelösten Satellitenbildern und rohstoffspezifischen Daten ist erforderlich, bevor Ursachen zugeordnet oder Aussagen über Entwaldung getroffen werden.
Werkzeuge
Python · XArray · Dask · GeoPandas · rioxarray · xarray-spatial · STAC · AWS Open Data · Planetary Computer · Google Colab · Matplotlib
Quellcode und Notebooks
Der technische Workflow liegt im separaten Remote-Sensing-Portfolio-Repository. Das Änderungsnotebook enthält finale Maske, Flächenberechnung, Übergänge und Polygon-Ausgabe.
Nächster Schritt
Die potenziellen Änderungen mit höher aufgelösten Bildern validieren und mit rohstoffspezifischen Daten kombinieren, um potenzielle Baumkronenveränderung von bestätigter Entwaldung zu unterscheiden und mögliche Treiber einzugrenzen.
Lernattribution: Der Workflow wurde aus dem Kurs „Cloud Native Remote Sensing with Python“ von Ujaval Gandhi / Spatial Thoughts abgeleitet und für den Juaboso District sowie Baumkronenveränderungen nach 2020 angepasst.