Projektüberblick
Der Workflow identifiziert potenziellen Baumkronenverlust zwischen 2020 und 2024, filtert kleine Änderungsflächen, wandelt die finale Maske in Vektorpolygone um und screent diese gegen eine Kakaowahrscheinlichkeitskarte von 2024. Das Ergebnis zeigt, wo potenzielle Baumkronenverluste räumlich mit erhöhter modellierter Kakaowahrscheinlichkeit überlappen.
Dies ist ein Screening, kein Nachweis dafür, dass Kakao die Veränderung verursacht hat, und keine rechtliche EUDR-Konformitätsbewertung.
Untersuchungsraum
Juaboso District, Western North Region, Ghana. Die Distriktgrenze definiert das Gebiet für Rasterverarbeitung, Polygon-Ausgabe und zonale Statistik.
Warum dieses Projekt
Ziel war es, über eine Landbedeckungskarte hinauszugehen: ein praktischerer End-to-End-Workflow für Entwaldungsmonitoring und rohstoffbezogenes Risiko-Screening—Änderungssignal erkennen, bereinigen, räumlich nutzbar machen und mit einem Drittanbieter-Wahrscheinlichkeitsprodukt verschneiden.
Verwendete Daten
ESA WorldCover unterstützte den Basisvergleich, GLAD land-cover einen zweiten Vergleich. Die Änderungsanalyse nutzt Impact Observatory / Microsoft / Esri Annual 10 m Land Use/Land Cover für 2017–2024 und vergleicht 2020 mit 2024. Die Screening-Ebene ist die Forest Data Partnership Kakaowahrscheinlichkeit 2024 in Google Earth Engine. Trees entspricht Klasse 2.
Workflow
Bewusste Architekturentscheidung
Ursprünglich wurde die komplette Kakaowahrscheinlichkeitskarte über XEE, XArray und Dask geladen. Das funktionierte, war aber unnötig aufwendig, da die Analyse nur Statistik innerhalb potenzieller Verlustflächen benötigte.
Die finale Architektur belässt das Kakaoraster serverseitig in Google Earth Engine, übergibt nur die Verlustgeometrie und berechnet die zonale Überlappung mit reduceRegion und pixelArea. Dadurch sinkt der Datentransfer bei einem transparenten, reproduzierbaren Screening-Schritt.
Methode der Baumkronenveränderung
Potenzieller Verlust ist definiert als Tree 2020 UND non-tree 2024. Bei 10 m Auflösung entfernt ein Schwellenwert von 100 verbundenen Pixeln (~1 ha) isoliertes Klassifikationsrauschen. Nach der Filterung wird das Ergebnis mit der ursprünglichen binären Verlustmaske verschnitten und anschließend polygonisiert.
Baumkronenverlust ist ein Landbedeckungsänderungssignal und nicht automatisch bestätigte Entwaldung.
Ergebnisse des Kakao-Screenings
Die Kakaokarte ist eine kontinuierliche Wahrscheinlichkeit von 0 bis 1. Schwellen von ≥ 0,50 (moderat oder höher) und ≥ 0,75 (hoch) sind transparente Portfolio-Schwellen—keine validierten rechtlichen oder Klassifikationsgrenzen.
7,28 % des potenziellen Verlusts
4,48 % des potenziellen Verlusts
in Verlustflächen
Die Überlappungsflächen sind das zentrale Screening-Ergebnis: Sie priorisieren Orte für Prüfung, belegen aber keine Kausalität.
Finale Karte
Was ich gelernt habe
Jährliche cloud-native Landbedeckungsdaten verarbeiten; mehrzeitige Änderungen bereinigen; zwischen Raster- und Vektor-Workflows wechseln; lokal/cloud-native Python und serverseitige Earth-Engine-Analyse sinnvoll einsetzen; Drittanbieter-Rohstoffwahrscheinlichkeiten integrieren; und Unsicherheit ohne Kausalitätsbehauptung kommunizieren.
Grenzen
Potenzieller Baumkronenverlust ist nicht automatisch bestätigte Entwaldung. Kakao ist modellierte Wahrscheinlichkeit; räumliche Übereinstimmung beweist keine Ursache. Baumkronenbedeckung entspricht nicht automatisch der rechtlichen EUDR-Definition von Wald, und die Wahrscheinlichkeitsgrenzen sind Screening-Schwellen. Eine Folgestufe könnte höher aufgelöste optische Bilder, SAR, Zeitreihen, Flurstücksgrenzen oder Lieferkettendaten nutzen.
Technischer Stack
Cloud-native Python: Python · STAC · pystac-client · odc-stac · XArray · rioxarray · Dask · Rasterio · GeoPandas · pandas · Matplotlib · xarray-spatial
Earth Engine: Google Earth Engine · Earth Engine Python API · ImageCollection · reduceRegion · pixelArea · Export.image.toDrive · Forest Data Partnership Kakaowahrscheinlichkeit
GIS & Daten: QGIS · GeoTIFF · GeoPackage · GeoJSON · CRS / Reprojektion
Quellcode und Notebook
Die technischen Notebooks liegen im separaten Remote-Sensing-Portfolio-Repository.
Technisches Notebook / Quellcode ansehen ↗
Lernattribution: Der cloud-native Landbedeckungsworkflow wurde aus dem Kurs „Cloud Native Remote Sensing with Python“ von Ujaval Gandhi / Spatial Thoughts abgeleitet und für den Juaboso District angepasst.