Universität zu Köln

Geographisches Institut
Sommersemerster 2020

Quantifizierung der Abholzungsrate eines Teilausschnit-

tes der Gemeinde São Félix do Xingu für den Zeitraum
2018 bis 2020

Seminar: Einführung in die Fernerkundung

Dozenten: Dr. Andreas Bolten & Dr. Christoph Hütt

Vorgelegt von:
Leonard Effenberger
Studiengang: B.Sc. Geographie
Fachsemester: 6
Matrikelnummer: 7339767
Inhalt
Abbildungsverzeichnis ............................................................................................................... 2
1 Einleitung ................................................................................................................................ 3
2 Forschungsstand Amazonasregenwald ................................................................................... 4
2.1 Funktion, Nutzung und Folgen ......................................................................................... 4
2.2 Abholzungsraten ............................................................................................................... 6
3 Methoden ................................................................................................................................. 8
3.1 Grundlagen ....................................................................................................................... 8
3.1.1 Landsat ....................................................................................................................... 8
3.1.2 Random Forest Klassifikation.................................................................................... 9
3.1.3 Post-Classification Change Detection...................................................................... 10
3.2 Arbeitsablauf .................................................................................................................. 11
3.2.1 Untersuchungsregion ............................................................................................... 11
3.2.2 Landsat-8-Daten ....................................................................................................... 12
3.2.3 Random Forest Klassifikation.................................................................................. 12
3.2.4 Change Detection ..................................................................................................... 12
4. Ergebnisse ............................................................................................................................ 13
5. Diskussion ........................................................................................................................... 13
7. Fazit ...................................................................................................................................... 14
Quellenverzeichnis ................................................................................................................... 16
Eigenständigkeitserklärung ...................................................................................................... 18

1
Abbildungsverzeichnis
Abbildung 1: Abholzungsraten in Pará ...................................................................................... 7
Abbildung 2: Abholzungsraten in São Félix do Xingu .............................................................. 8
Abbildung 3: Räumliche Einordnung der Untersuchungsregion São Félix do Xingu ............. 11
Abbildung 4: Karte der Regenwaldabholzung in São Félix do Xingu ..................................... 15

2
1 Einleitung
Der Amazonasregenwald ist für wichtige Ökosystemdienstleistungen verantwortlich, wie Er-
halt der Biodiversität, Kohlenstoffspeicherung und Klimaregulierung. Veränderungen in die-
sem Ökosystem, durch Rodungsprozesse, können schwere Umweltauswirkungen verursachen.
Seit vielen Jahrzehnten hat das Waldökosystem hohe Abholzungsraten zu verzeichnen, weswe-
gen ein Monitoring des brasilianischen Amazonas eine immer größere wissenschaftliche Rele-
vanz erfährt (DAVIDSON et al. 2012: 323 & 336; GRIFFITHS et al. 2018: 497f; OMETTO et al.
2011: 578).

Um der Entwaldung des brasilianischen Amazonasgebietes entgegenzuwirken wurde im Jahr

2004 ein Aktionsplan zur Prävention der Abholzung ins Leben gerufen, der die Regierung ver-
pflichtete bis zum Jahr 2020 die Situation zu kontrollieren. Bereits im Jahr 2012 konnten nen-
nenswerte Verbesserungen verzeichnet werden und die Entwaldungsraten erreichten Tiefstände
(PEREIRA et al. 2019: 9). Doch im Juni 2016 erhielt Michel Temer das Amt des brasilianischen
Präsidenten und legte mit anderen konservativen Entscheidungsträger*innen den Grundstein
für eine Deregulierung der Regenwaldabholzung, sowie einer Kürzung von Geldern. Infolge
dessen erhielt das Umweltministerium MMA im Jahr 2017 nur noch die Hälfte des Vorjahres-
budget. Dem Ministerium sind die Institutionen IBAMA und ICMBio unterstellt, zu deren Auf-
gabenbereich unter anderem der Erhalt des Regenwaldes gehört (PEREIRA et al. 2019: 9f;
PEREIRA et al. 2020: 2). Im Zuge der Präsidentschaftswahl von Jair Bolsanaro, der in enger
Verbindung zur Agrarlobby steht, sollten sich diese negativen Entwicklungen verfestigen. Be-
reits während des Wahlkampfes forderte er Baubeschränkungen zu verringern, den Zugang zu
Umweltlizenzen zu vereinfachen und darüber hinaus eine komplette Auflösung des Umwelt-
ministeriums, die jedoch aufgrund massiver Gegenkritik verhindert werden konnte (PEREIRA et
al. 2019: 10). Gleichwohl erfolgten im März 2019 unter der neuen Regierung drastische Redu-
zierungen der Gelder. Dem Umweltministerium wurden weitere 46,36 Mio. USD gestrichen,
IBAMA und ICMBio verloren jeweils 6,14 Mio. USD (24%) und 1,33 Mio. USD (20%) ihres
Etats (PEREIRA et al. 2019: 10; PEREIRA et al. 2020: 2). Zusätzlich wurden einige Regierungs-
beschlüsse verabschiedet, die den Einsatz von Pestiziden befördern, Umweltauflagen schwä-
chen und Versuche unternahmen Ländereien der indigenen Bevölkerung zu entziehen. Zeit-
gleich war im Vergleich zum Jahr 2018 ein 34%iger Anstieg an Rodungsprozessen zu erkennen
(PEREIRA et al. 2020: 2).

Die gegenwärtigen politischen Entwicklungen in Brasilien und die Steigerung der Regenwald-
rodung erfordern eine genaue Analyse der Situation. Zur Quantifizierung der aktuellen Nut-
zungsänderungen eignen sich dabei besonders Fernerkundungsmethoden. Für diese
3
Ausarbeitung wird ein Open-Source Ansatz gewählt, um der Frage nachzugehen, wie hoch die
Abholzungsrate eines Teilausschnittes der Gemeinde São Félix do Xingu für den Zeitraum 2018
bis 2020 ist. In der Region, die dem Bundesstaat Pará zugehörig ist, leben zur Zeit 128.481
Menschen verteilt auf einer Fläche von 84.212 km² (IBGE 2019). Das Gebiet ist schon seit
vielen Jahrzehnten durch hohe Rodungsdynamiken geprägt, die sich vor allem auf die intensive
agrarwirtschaftlichen Nutzung zurückführen lassen: So befindet sich dort mit 2,3 Mio. Rindern
die größte Viehherde Brasiliens (VARNS et al. 2018: 8). Zur Beurteilung der momentan Abhol-
zung wird auf frei zugängliche Landsat-8-Satellitenbilder, der ESA-Software SNAP sowie
QGIS zurückgegriffen. Eine genauere Erläuterung der Vorgehensweise soll im Methodenteil
erfolgen.

2 Forschungsstand Amazonasregenwald
2.1 Funktion, Nutzung und Folgen
Der Amazonasregenwald ist der größte zusammenhängende Regenwald der Erde mit wichtigen
ökologischen Funktionen, wie der Regulierung des Klimas und der Wasserkreisläufe, sowie der
Bereitstellung von Nahrungsmitteln oder Rohstoffen. Der flächenmäßig größte Anteil des Re-
genwaldes, 60%, liegt in Brasilien (EMBERT et al. 2016: 319f). Die 40.000 bis 50.000 weithin
endemischen Pflanzenarten zeugen von einer hohen Biodiversität, so lassen sich alleine auf
einem Hektar 500 bis 700 Bäume verorten (EMBERT et al. 2016: 319; OMETTO et al. 2011: 578).
Ebenso bietet er einen Lebensraum für ein Drittel der terrestrischen Tierarten: Darunter fallen
500 bis 700 verschieden Amphibien-, Reptilien- und Säugetierarten, 2500 Fischarten, über
1700 Vogelarten und viele weitere, die es noch zu entdecken gilt (EMBERT et al. 2016: 319;
OMETTO et al. 2011: 581). Bedingt durch die geographische Lage und den hohen Niederschlags-
summen weist das Amazonasbecken ein riesiges Gewässernetz auf, das 20% der globalen Süß-
wasservorkommen ausmacht. Niederschläge, die über die Evapotranspiration abgegeben und
über Flüsse nach Süden transportiert werden, begünstigen zusätzlich eine agrarwirtschaftliche
Nutzung in Ländern wie Brasilien, Argentinien und Paraguay (DAVIDSON et al. 2012: 321; EM-
BERT et al. 2016: 319). Des Weiteren ist der Amazonasregenwald für 20% der globalen Sauer-
stoffproduktion verantwortlich und hat in seiner Biomasse 100 Milliarden Tonnen Kohlenstoff
gebunden. Dies entspricht mehr Kohlenstoff, als die anthropogenen CO2-Emissionen durch fos-
sile Brennstoffe eines ganzen Jahrzehnts (EMBERT et al. 2016: 319; DAVIDSON et al. 2012: 321).

Schon seit vielen tausenden Jahren leben Menschen in der Region, doch besonders in den letz-
ten Jahrzehnten ist das Gebiet durch ein rasantes Bevölkerungswachstum geprägt. Während in
den 1960er Jahren noch 6 Mio. Menschen das brasilianische Amazonasgebiet besiedelten,

4
waren es im Jahr 2010 bereits 25 Mio. (DAVIDSON et al. 2012: 321). Einhergehend kommt es
zu drastischen Veränderungen der Landoberfläche durch Entwaldungsprozesse, die direkten
Einfluss auf die Biodiversität, Wasser- und Energiekreisläufe, sowie der atmosphärischen Zu-
sammensetzung haben (OMETTO et al. 2011: 576). Auf das quantitative Ausmaß der Abholzung
wird erst im folgenden Kapitel eingegangen, da der Fokus zunächst auf den Gründe und Effek-
ten liegen soll.

Die Rodungsdynamiken sind zumeist auf ökonomische Faktoren zurückzuführen, wie die ag-
rarwirtschaftliche Expansion, den Infrastrukturausbau und die Förderung von Ressourcen (O-
METTO et al. 2011: 556-579). Der steigende regionale wie internationale Bedarf an landwirt-
schaftlichen Gütern gilt als Hauptursache für Entwaldungsprozesse. Insgesamt werden 80% der
abgeholzten Fläche in Agrarland umgewandelt, wovon der weitaus größere Teil als Weideland
genutzt wird. Seit den 2000ern ist jedoch die wachsende Bedeutung des Sojaanbaus zu erken-
nen, das beispielsweise als Futtermittel angebaut und exportiert wird (DAVIDSON et al. 2012:
323). Die Ausprägung der Abholzung ist aufgrund der Heterogenität der Akteur*innen sehr
unterschiedlich, sie reicht von Kleinbäuer*innen bis hin zur maschinisierten, intensiven Land-
wirtschaft (OMETTO et al. 2011: 580). Für eine Erschließung der Peripherie bedurfte es einem
Ausbau der Infrastruktur: Bis ins Jahr 2016 wurden offiziell 23.000 km Straßen gebaut, zusätz-
lich der unregulierten Erweiterung von 190.000 km. Besonders entlang der Wege sind Rodun-
gen zu lokalisieren, 95% der Abholzung in Brasilien erfolgen innerhalb eines 5,5 km Radius
des Straßennetzes (DAVIDSON et al. 2012: 323; EMBERT et al. 2016: 320). Darüber hinaus ist
der Amazonas reich an natürlichen Ressourcen, wie Öl, Gas oder Mineralien. Ganze 15% des
Regenwaldes stehen unter direkter Beeinflussung der Rohstoffindustrie und weitere 15% wer-
den degradiert, wie zum Beispiel bei einer Kontamination durch Erdöl. Die Nutzung von
Quecksilber als Bindemittel bei der Förderung von Gold kann zu einer Verseuchung des Grund-
wassers und der Böden führen. Eingetragen in die Umwelt, wird es von Organismen aufgenom-
men und kann sich so entlang der Nahrungskette akkumulieren. Auf Fischerei angewiesene
Bewohner*innen sind so den Schadstoffen direkt ausgesetzt (EMBERT et al. 2016: 320f).

Neben der regulären Abholzung, ist die Brandrodung eine weitverbreitete Methode um
schnellstmöglich neue nutzbare Flächen zu generieren. Der Anteil an Kohlenstoff in der Bio-
masse des Regenwaldes beträgt mehr als 45%, so dass dieser bei Verbrennungsvorgängen an
die Atmosphäre abgegeben wird und sowohl das lokale, als auch das globale Klima beeinflusst
(OMETTO et al. 2011: 576-579). Brandrodungen und die klimawandelinduzierte Temperatur-
steigerung führen dazu, dass sich das Amazonasbecken von einer CO2-Senke hin zu einer

5
potenziellen Quelle entwickelt (OMETTO et al. 2011: 579). Während der Regenzeit weist die
Luft normalerweise eine geringe Konzentration an Aerosolen auf, bei der Verbrennung von
Waldflächen sorgt der entstehende Rauch aber für einen massiven Eintrag an Partikeln in die
Atmosphäre. Daraufhin wird durch mikrophysikalische Prozesse innerhalb der Wolken die
Ausbildung großer Tropfen gehindert, wodurch diese nicht abregnen können. Geringere Was-
serverfügbarkeit und ein dichter Dunst, der die Lichteinstrahlung behindert, sorgen dement-
sprechend für geringere Photosyntheseraten (DAVIDSON et al. 2012: 325). Zudem ist in Ro-
dungsgebieten eine tendenzielle Erhöhung der Temperatur zu beobachten. Da weniger Vegeta-
tion zur Wasserspeicherung und zur Ableitung an die Atmosphäre verfügbar ist, kommt es zu
einer Abnahme der latenten Wärme, sowie zu einer Steigerung des fühlbaren Wärmeflusses.
Des Weiteren wird durch den Austausch des eher dunklen Regenwaldes mit höher reflektieren-
den Acker- und Weideflächen weniger Sonnenstrahlung von der Landoberfläche absorbiert
(DAVIDSON et al. 2012: 323).

Bei einer Renaturierung können einige dieser Effekte wieder umgekehrt werden. Nach einigen
Jahren steigen die Evapotranspirationsraten und eine Abnahme der Albedo ist zu erkennen, die
Biomasse und Artenvielfalt eines Primärwaldes wird jedoch nicht erreicht. Zudem ist zu beach-
ten, das Sekundärwälder zumeist kurze Zeit nach der Neuanpflanzung wieder gerodet und ver-
wertet werden (DAVIDSON et al. 2012: 323f & 326).

2.2 Abholzungsraten
Nachdem die Funktionen des Regenwaldes, die Nutzung und möglichen Effekte der Entwal-
dung dargestellt wurden, soll nun auf die Abholzungsraten der letzten Jahrzehnte genauer ein-
gegangen werden. GRIFFITHS et al. (2018: 499) haben in ihrer Forschung mit rund 46.000 Land-
sat-Szenen die Entwaldungsprozesse seit 1984 bis 2014 für die Bundesstaaten Mato Grosso und
Pará analysiert. Bei der Verarbeitung der großen Datenmengen wurde mit einem Kompositi-
onsalgorithmus gearbeitet, der die Bildpunkte der einzelnen Satellitenbilder in kohärente Sätze
von jährlichen Spektralmerkmalen umwandelt, um vergleichbare und verallgemeinerte Merk-
male über Raum und Zeit zu generieren. Zu den Merkmalsgruppen, nach denen die Pixel in
Bildkompositionen überführt wurden, zählen zum Beispiel wolkenfreie Tage während der Tro-
cken- und Regenzeit. Darüber hinaus erfolgte eine Sortierung nach festgelegten Reflexionswer-
ten im kurzwelligen Nahinfrarotbereich, da diese besonders auf Vegetationsveränderungen re-
agieren und ein starker Kontrast zwischen Kronendächern und Böden zutage tritt. Absolut wur-
den so für jedes Jahr 66 Szenenkompositionen anhand der definierten spektralen Merkmale
abgeleitet. Auf Grundlage der erzeugten Bilddaten wurde anschließend mit Hilfe der Random
Forest Klassifikation (siehe 3.2.2) aus jeweils 8000 Trainingspixeln und unter der Verwendung
6
von 250 Entscheidungsbäumen, fünf Klassen erstellt: forest, secondary vegetation, forest clea-
ring, non-forest und water. Die daraus erstellten thematischen Karten wurden schließlich noch
validiert und auf ihre Konsistenz überprüft, so dass unwahrscheinliche Klassenwechsel verhin-
dert wurden (GRIFFITHS et al. 2018: 500-502). Insgesamt konnte aus der Analyse der zwei Bun-
desstaaten ermittelt werden, dass seit 1984 eine Abholzung von ungefähr 407.100 km² (25,6%)
zu verzeichnen ist. In Pará, wo sich auch das Untersuchungsgebiet dieser Arbeit befindet, er-
folgte eine akkumulierte Entwaldung von 178,424 km². Zunächst lässt sich eine sukzessive
Steigerung der Abholzungsraten beider Regionen erkennen, mit einem Maximum von über
30.800 km² während des Jahres 2003. In den Folgejahren kommt es zu einer starken Reduzie-
rung der Rodungsprozesse mit Werten von unter 5000 km² in den Jahren 2009, 2012 und 2013
(GRIFFITHS et al. 2018: 503). Die Ergebniswerte sind im Vergleich mit PRODES generell höher,
dennoch ist eine Überschneidung der Trends deutlich ersichtlich (GRIFFITHS et al. 2018: 506).
Unter Hinzunahme aktueller PRODES-Daten zeichnet sich seit den letzten zwei Jahren erneut
ein drastischer Anstieg ab, so sind in Pará von 2018 bis 2019 die Abholzungsfläche von 2.744
km² auf ganze 4.172 km² ausgeweitet worden (Abbildung 1). Für die Gemeinde São Félix do
Xingu lässt sich für den selben Zeitraum sogar fast eine Verdopplung der Rodungsaktivitäten
erkennen. Wohingegen im Jahr 2018 noch 282,10 km² gerodet wurden, waren es 2019 bereits
544,86 km² (Abbildung 2) (INPE 2020a, INPE 2020b).

Abbildung 1: Abholzungsraten in Pará (INPE 2020a)

7
Abbildung 2: Abholzungsraten in São Félix do Xingu (INPE 2020b)

3 Methoden
Bevor auf den Arbeitsablauf dieser Arbeit eingegangen wird, soll zunächst eine nähere Erläu-
terung des Landsat-8-Aufnahmesystems erfolgen um ein genaueres Verständnis der techni-
schen Spezifikationen zu erhalten. Des Weiteren scheint es sinnvoll, im Anschluss auf die
Grundlagen der Random Forest Klassifikation und der Change Detection einzugehen.

3.1 Grundlagen
3.1.1 Landsat
In Zusammenarbeit der National Aeronautics and Space Administration (NASA) und des US
Geological Surveys (USGS) wurde bereits 1972 das Landsat-Programm ins Leben gerufen.
Seitdem werden mit einer 16-tägigen Repitationsrate Satellitenbilder erstellt, die Beobach-
tungsreihen der ganzen Erde über mehrere Jahrzehnte erlauben (DE LANGE 2020: 451). Der
erste Satellit, Landsat 1, war mit einem Multispectral Scanner (MSS) und dem Return Beam
Vidicon System (RBV) ausgestattet. Der Multispectral Scanner (MSS) mit 4 Spektralbändern
(rot, grün, zwei nahinfrarote), einer geometrischen Auflösung von 79 m und einer radiometri-
schen Leistung von 6 Bit, etablierte sich schnell als primärer Sensor (DE LANGE 2020: 452-
454). Aufgrund technischer Innovationen und steigender wissenschaftlicher Ansprüche verbes-
serten sich entsprechend auch die Sensoren der nächsten Landsat-Generationen. Seit Landsat 4
wird beispielsweise der Thematic Mapper (TM) als multispektrales Fernerkundungsinstrument
in den Satelliten eingesetzt. Neben den Bändern im sichtbaren und nahen Infrarotbereich wurde
er noch durch Kanäle im kurzwelligen und thermalen Infrarot erweitert. Zusätzlich erfolgte eine
8
Erhöhung der räumlichen Auflösung auf 30 m, Thermal Infrarot ausgenommen, und eine Um-
stellung auf 8 Bit. Dies entspricht einer Vervierfachung der Graustufenwerte, so dass eine exak-
tere Differenzierung verschiedener Oberflächen ermöglicht wurde (DE LANGE 2020: 443f &
452f). Der Enhanced Thematic Mapper (ETM), die Weiterentwicklung des Thematic Mappers
(TM), mit einem zusätzlichen panchromatischen Kanal, sollte in Landsat 6 Verwendung finden.
Dieser erreichte jedoch nie den Orbit. Die Aufnahmetechnik erfuhr weitere kleinere Verbesse-
rungen und wurde als Enhanced Thematic Mapper Plus (ETM+) im Landsat-7-Satelliten ver-
baut. (DE LANGE 2020: 453).

Am 11. Februar 2013 startet Landsat 8 als momentan aktuellste Mission. Ausgelegt auf min-
destens 5 Jahre, enthält der Satellit aber genug Treibstoff für insgesamt 10 Jahre. Er ist ausge-
stattet mit zwei Pushbroom-Scannern, dem Thermal Infrared Sensor (TIRS) und dem Operati-
onal Land Imager (OLI) als multispektrales Aufnahmesystem. Die räumliche wie spektrale
Auflösung des Operational Land Imager (OLI) sind vergleichbar mit denen des Thematic Map-
pers (TM) und des Enhanced Thematic Mapper Plus (ETM+). Die Bodenauflösung liegt ent-
sprechend bei 30 m beziehungsweise 15 m beim panchromatischen Kanal. Zusätzlich verfügt
er noch über zwei weitere Spektralbänder: eins zur Detektion von Zirruswolken sowie ein an-
deres für Aerosol- und Küstenuntersuchungen. Der Thermal Infrared Sensor (TIRS) erfasst mit
zwei Kanälen Daten im langewelligen Infrarotbereich bei einer geometrischen Auflösung von
100 m. Die Erweiterung der Quantifizierung auf 12 Bit, die eine hohe Informationsdichte der
elektromagnetischen Rückstrahlung generiert, ist als weitere wichtige Neuerung zu nennen. Der
Satellit erfasst täglich um die 400 Einzelszenen der Erde, die auf ein geographisches Projekti-
onssystem angepasst und im Internet frei zur Verfügung gestellt werden (JENSEN 2016: 75f).

3.1.2 Random Forest Klassifikation

Seit den letzten zwei Jahrzehnten erfährt die Random Forest Klassifikation aufgrund der
Schnelligkeit und ihrer relativ genauen Ergebnissen eine immer größere Aufmerksamkeit im
wissenschaftlichen Diskurs (BELGIU & DRAGUT 2016: 24). Im Kontext der Fernerkundung han-
delt es sich dabei um eine Überwachte Klassifikation (supervised classification), die mit Hilfe
einer festgelegten Anzahl von Entscheidungsbäumen und Trainingsdaten Vorhersagen über Pi-
xel treffen kann. Im Vergleich zu regulären Entscheidungsbaumalgorithmen erfolgt die Ran-
dom Forest Klassifikation nicht nur auf Grundlage eines Baums, mit festgelegten Regeln, son-
dern auf einer Vielzahl von unkorrelierten Entscheidungsbäumen, die ein so genanntes Ensem-
ble bilden (BELGIU & DRAGUT 2016: 25f; JENSEN 2016: 444).

9
Die Generierung der einzelnen Bäume geschieht folgendermaßen (BELGIU & DRAGUT 2016:
25f; JENSEN 2016: 444):

1. Für jeden Entscheidungsbaum wird aus einem Trainingssatz zufällig eine Stichprobe
gezogen. Dabei können Daten mehrmals gezogen werden, so dass nur 70% Verwendung
finden und der Rest ungenutzt bleibt.
2. Die Knoten (Entscheidungsäste) werden anhand einer benutzerdefinierten Anzahl von
Spektralmerkmalen, die nach dem Zufallsprinzip ausgewählt werden, erstellt. Die An-
zahl der ausgewählten Merkmale wird zumeist nicht höher als die Quadratwurzel der
Gesamtmenge gesetzt.
3. Es erfolgt keine Beschneidung, jeder Entscheidungsbaum wächst also so weit wie mög-
lich.

Da die Bildung unabhängig voneinander erfolgt, entsteht ein Wald aus zufälligen, unterschied-
lichen Bäumen. Daraufhin durchläuft jeder Bildpunkt alle im Ensemble erstellten Entschei-
dungsbäume. Diese prognostizieren jeweils eine Zuordnung, um schließlich aus der Gesamt-
zahl an Vorhersagen das arithmetische Mittel zu bilden und so die Klassenzugehörigkeit zu
bestimmen (BELGIU & DRAGUT 2016: 25f; JENSEN 2016: 444).

3.1.3 Post-Classification Change Detection

Unter Verwendung von Fernerkundungsdaten können Aussagen über Veränderungen der Erd-
oberfläche getroffen werden. Dieser Prozess wird auch Change Detection genannt. Dabei kön-
nen beispielsweise Vegetationsveränderungen, Desertifikation oder urbanes Wachstum quanti-
fiziert werden. Zur Durchführung einer Change Detection können verschiedene Ansätze ge-
wählt werden (z.B. Classification of multitemporal data sets, Temporal image differencing,
Temporal image rationing), im Rahmen dieser Arbeit soll allerdings die Post-Classification
Change Detection kurz erläutert werden (JENSEN 2016: 532; LILLESAND et al. 2008: 582-585).
Sie basiert auf einer vorangegangenen Klassifikation zweier (oder mehrerer) Satellitenszenen
und ist eine der am weitverbreitetsten Verfahren zur Bestimmung von Landschaftsveränderun-
gen. Die Klassifikation kann entweder objektbasiert oder, wie im Falle dieser Ausarbeitung,
pixelbasiert erfolgen. Dabei ist es wichtig, dass die Kartenprojektion und das Klassifikations-
schemata identisch sind. Alle Bildpunkte der Daten werden daraufhin mit Hilfe eines Algorith-
mus auf mögliche Wechsel überprüft und in eine Change Detection Matrix (Änderungsmatrix)
überführt. Dabei entsteht eine thematische Karte, anhand der mögliche Klassenwechsel identi-
fizierbar sind. Es ist jedoch zu beachten, dass vorherige Klassifizierungsfehler auch im späteren
Ergebnis vorhanden sein werden (JENSEN 2016: 532-534).

10
3.2 Arbeitsablauf
3.2.1 Untersuchungsregion
Als zu analysierendes Gebiet wurde ein Ausschnitt der Gemeinde São Félix do Xingu im Bun-
desstaat Pará gewählt (Abbildung 3). Die genaue Begrenzung des Untersuchungsraumes liegt
im Nordwesten bei S6°30'36", W52°54'0" und im Südosten bei S7°17'56,4", W51°21'3,6". Die
somit festgelegte Fläche von 14.858,61 km² soll auf die Veränderungen der Landoberfläche
überprüft werden. Ein besonderer Fokus liegt dabei auf den Vegetationsdynamiken, da das Ge-
biet vor allem seit 2018 wieder ansteigenden Abholzungsraten aufweist, die auf die intensive
Viehzucht zurückzuführen sind (INPE 2020b; LEAL et al. 2020: 2).

Tropisches Klima mit Monsun- und Passatwinden prägen die Region. In den Monaten Dezem-
ber bis April sind starke Niederschläge zu verzeichnen, wohingegen von Juli bis Oktober Tro-
ckenzeit herrscht. Der Jahresdurchschnitt an Niederschlägen beträgt 2.200 bis 2.500 mm und
die durchschnittliche Jahrestemperatur liegt bei circa 26°C (LEAL et al. 2020: 2f).

Abbildung 3: Räumliche Einordnung der Untersuchungsregion São Félix do Xingu (Maßstab gilt für größere Karte) (Eigene
Darstellung 2020)

11
3.2.2 Landsat-8-Daten
Zur Untersuchung der Vegetationsveränderung für den Zeitraum 2018 bis 2020 wurden zwei
Landsat-8-Satellitenbilder (Path: 225, Row: 65) aus dem USGS Archiv heruntergeladen. Die
Szenen stammen vom 23.07.2018 und 26.06.2020, mit jeweils weniger als 10% Wolkenbede-
ckung, wodurch eine problemfreie Analyse ermöglicht wurde. Zur Aufnahme der Bilder wurde
der Thermal Infrared Sensor (TIRS) und der Operational Land Imager (OLI) genutzt. Darüber
hinaus sind beide Daten im L1TP-Format (Standard Terrain Correction) und dementsprechend
radiometrisch und geometrisch korrigiert (DE LANGE 2020: 456). Zusätzlich sind sie auf das
UTM-Koordinatensystem (UTM 22S) mit dem WGS84 als Referenzsystem angepasst. Für
diese Ausarbeitung fanden alle multispektralen, sowie thermalen Bänder Verwendung. Auf-
grund der limitierten Rechenkapazität wurde in der ESA-Software SNAP ein Subset beider
Szenen erstellt, die mit dem bereits beschriebenen Untersuchungsgebiet (siehe 3.3.1) identisch
sind.

3.2.3 Random Forest Klassifikation

In Anbetracht der unterschiedlichen geometrischen Auflösung der einzelnen Bänder wurde zu-
nächst ein Resampling durchgeführt. Als Referenzkanal diente das blaue Band, mit einer räum-
lichen Auflösung von 30 m. Die Umrechnung der Bildpunkte erfolgte beim Downsampling
bilinear, beim Upsamling wurde der Median ermittelt. Für die Klassifikation wurde die Random
Forest Klassifikation gewählt, da diese während der Analyse die genausten Ergebnisse lieferte.
Es können insgesamt vier Klassen festgelegt werden: Wald, Nicht-Wald, Wasser, Urban. Auf
Grundlage einer visuellen Interpretation der Daten ließen sich für jede Kategorie zehn Trai-
ningspolygone erstellen. Die Zugehörigkeiten erfolgten somit lediglich auf einer Untersuchung
der optischen Informationen weshalb auch die Klasse Nicht-Wald gewählt wurde, die sowohl
frisch gerodete Fläche als auch Agrarflächen repräsentieren soll. Nach einer Evaluierung der
geeignetsten Parameter wurde die Anzahl der Entscheidungsbäume auf 100 und die Stichprobe
auf 5000 festgesetzt.

3.2.4 Change Detection

Nach der Random Forest Klassifikation sollte die Veränderung beider Subsets anhand der Post-
Classification Change Detection quantifiziert werden. Bei der Überführung beider Klassifika-
tionnen, mit Hilfe des Collocation-Tools (Band Maths) in SNAP, galten 2018 als Master und
2020 als Slave. Insgesamt konnten so 16 Klassen generiert werden, die entweder einen Wechsel
oder ein weiteres Bestehen aufzeigen, wobei unwahrscheinliche Wechsel, wie Wald zu Wasser
oder vice versa, entfernt wurden. Die nachfolgende Übertragung der Resultate der Change De-
tection in QGIS, diente der Bestimmung der Flächenveränderung. Anschließend erfolgte für

12
die jeweiligen Klassen eine Detektion der Pixelanzahl, die ferner mit 0,0009 multipliziert wur-
den, um Quadratkilometerwerte zu erhalten.

4. Ergebnisse
Die Zusammenführung der ermittelten Ergebnisse zu einer thematischen Karte ist in Abbildung
4 erkenntlich. Die grünen, blauen und grauen Flächen repräsentieren jeweils unveränderte
Waldbedeckung, Wasser, sowie urbanes Gebiet. Die rote und violette Signatur zeigt die Abhol-
zung für den untersuchten Zeitraum. Dabei steht rot für entwaldete Flächen, die potenziell für
agrarwirtschaftliche Tätigkeiten genutzt werden, violett für eine Umwandlung in Bebauung o-
der Infrastruktur. Als Ergebnis der Analyse ist festzuhalten, dass von 2018 bis 2020 insgeamt
258,34 km² Wald abgeholzt wurden. Davon veränderten sich 250,90 km² zu Nicht-Wald und
7,43 km² vollzogen einen Wandel zu Urban, so dass ganze 2,87 % der Waldfläche binnen
zweier Jahre gerodet wurde. Der größte Flächenteil liegt dabei westlich des Xingu Flusses, es
handelt sich um mehrere zergliederte Flurstücke. Aus einer visuellen Interpretation der Szen-
endaten scheint es, dass die neu gewonnen Flächen hauptsächlich agrarwirtschaftlich genutzt
werden, wie es für die Region erwartbar wäre. Die als urban klassifizierten Gebiete deuten auf
eine Umwandlung in Infrastruktur hin, die der Erschließung der Areale dient. Kleinere urbane
Bereiche lassen Gebäude mit agrarwirtschaftlicher Funktion vermuten.

5. Diskussion
Das Monitoring tropischer Wälder, anhand fernerkundlicher Methoden, ist ein essenzielles In-
strument, um Veränderungen unabhängig quantifizieren zu können. In dieser Analyse konnte
für die Gemeinde São Félix do Xingu eine deutliche Rodung für den Zeitraum 2018 bis 2020
nachgewiesen werden. Trotz des eher kleinen Teilausschnittes, mit einer Abdeckung von
14.858,61 km², wurden im Jahresdurchschnitt ganze 129,17 km² abgeholzt und in agrarwirt-
schaftliche beziehungsweise urbane Flächen überführt. Damit ist das untersuchte Areal mehr
als fünfmal so klein wie die Gesamtregion São Félix do Xingu, so dass im Vergleich mit PRO-
DES-Daten die Abholzungsraten entsprechend geringer ausfallen (INPE 2020b).

Es scheint ein Zusammenhang zwischen den politischen Maßnahmen Bolsanaros und des vo-
rangegangenen Präsidenten Temers, mit den erhöhten Entwaldungsraten des Amazonas, zu be-
stehen. Eine Verringerung der Gelder, sowie eine Deregulierung der Umweltstandards spiegeln
sich in den Auswertungen von PRODES und dieser Ausarbeitung wider. Dennoch ist die hier
durchgeführte Analyse unzureichend, um eine direkte Korrelation zwischen den Rodungsdyna-
miken und den politischen Prozessen herzustellen. Des Weiteren ist zu beachten, dass die Be-
stimmung der Trainingspolygone auf rein visueller Basis erfolgte und keine Feldstudien
13
vorgenommen werden konnten, die eine statistische Validierung der Ergebnisse ermöglichen
würde. Zusätzlich wäre für eine detaillierte Veränderungsanalyse eine Untersuchung über einen
längeren Zeitraum notwendig. So konnte in dieser Abhandlung nur der Wandel zweier Zeit-
punkte beschrieben werden.

7. Fazit
Der Amazonas bietet einen Lebensraum für eine Vielzahl von Tier- und Pflanzenarten. Er stellt
wichtige Ökosystemdienstleistungen, wie die Regulierung des Klimas oder der Wasserkreis-
läufe, zur Verfügung (EMBERT et al. 2016: 319; OMETTO et al. 2011: 578). Doch seit einigen
Jahrzehnten steht der Regenwald durch Abholzungsprozesse unter enormen Druck. Ursächlich
sind vor allem ökonomische Faktoren, wie einer Umwandlung des Areals in landwirtschaftliche
Fläche oder die Förderung von Ressourcen (OMETTO et al. 2011: 556-579). Politische Maßnah-
men begünstigten ab 2004 eine Abnahme der Abholzungsprozesse, doch besonders in den ver-
gangenen zwei Jahren ist erneut ein drastischer Anstieg zu verzeichnen (INPE 2020a; PEREIRA
et al. 2019: 9). Da das Amazonasgebiet seit vielen Jahren die höchsten Entwaldungsraten auf-
weist, spielt in diesem Zusammenhang Brasilien eine besondere Rolle (GRIFFITHS et al. 2018:
513). Um eine Korrelation der Politik Bolsanaros mit der wachsenden Abholzung herzuleiten,
bedarf es allerdings weiterer Analysen. In dieser Ausarbeitung konnte jedoch nachgewiesen
werden, dass ganze 258,34 km² in dem Untersuchungsgebiet bei São Félix do Xingu abgeholzt
wurden. In Anbetracht des behandelten, kurzen Zeitraumes sind diese Ergebnisse beunruhi-
gend.

Aufgrund der thematischen, wie formalen Begrenzungen einer Hausarbeit konnten in der vor-
liegenden Arbeit nicht alle Schwerpunkte behandelt werden. Eine genauerer Untersuchung der
politischen Entwicklung in Brasilien hätten interessant sein können. Des Weiteren wäre für ein
genaueres Verständnis der Änderungsdynamiken eine Betrachtung über einen längeren Zeit-
raum mit einer größeren Datenmenge nötig gewesen.

14
15
Abbildung 4: Karte der Regenwaldabholzung in São Félix do Xingu (Eigene Darstellung 2020)
Quellenverzeichnis
Belgio, M., Dragut, L., 2016. Random forest in remote sensing: a review of application and
future directions. ISPRS Journal of Photogrammetry and Remote Sensing 114, 24-31.
Davidson, E. A., Araújo, A. C. D., Artaxo, P., Balch, J. K., Brown, I. F., Bustamante, M. M.
C., Coe, M. T., DeFries, R. S., Keller, M., Longo, M., Munger, J. W., Schroeder, W.,
Soares-Filho, B. S., Souza Jr, C. M., Wofsy, S. C., 2012. The Amazon basin in transit
ion. Nature 481. 321-328.
De Lange, N., 2020. Geoinformatik in Theorie und Praxis. Grundlagen von Geoinformationss
ystemen, Fernerkundung und digitaler Bildverarbeitung. Springer Spektrum Verlag,
Heidelberg.
Embert, D., Maldonado, R., Homberg, I., 2016. Tropische Regenwälder: Bedeutung, Gefähr
dungen und Lösungsansätze am Beispiel Amazoniens. In: Lozán, J. L., Breckle, S.-W.,
Müller, R., Rachor, E., (Hrsg.), Warnsignal Klima: Die Biodiversität. Hamburg Verlag
Wissenschaftliche Auswertungen, Hamburg, 319-324.
Griffiths, P., Jakimow, B., Hostert, P., 2018. Reconstruction long term annual deforestation
dynamics in Pará and Mato Grosso using the Landsat archive. Remote Sensing of En
vironment 216. 497-513.
Humatarian Data Exchange, 2020. Brazil administrative level 0,1,2 and 3 boundaries.
https://data.humdata.org/dataset/brazil-administrative-level-0-boundarie, 2020-08-26.
IBGE (Instituto Brasileiro de Geografia e Estatistica), 2019. Cities and States. São Félix do
Xingu. https://www.ibge.gov.br/en/cities-and-states/pa/sao-felix-do-xingu.html, 2020-
08-21.
INPE (Instituto Nacional de Pesquisas Espaciais), PRODES, 2020a. Deforestation Incre
ments, Legal Amazonas, All States, Pará. http://terrabrasilis.dpi.inpe.br/app/dash
board/deforestation/biomes/legal_amazon/increments, 2020-08-22.
INPE (Instituto Nacional de Pesquisas Espaciais), PRODES, 2020b. Deforestation Incre
ments, Legal Amazon, Municipalities, São Felix do Xingu. http://terrabrasi
lis.dpi.inpe.br/app/dashboard/deforestation/biomes/legal_amazon/increments, 2020
-08-22.
Jensen, J. R., 2016. Introductory Digital Image Processing. A Remote Sensing Perspective.
Pearson Education Inc., Glenview.
Leal, F. A., Miguel, E. P., Matricardi, E. A. T., 2020. Estimates of Deforestation Rates in
Rural Properties in the Legal Amazon. Floresta e Ambiente 27 (2). 1-8.
Lillesand, T. M., Kiefer, R. W., Chipman, J. W., 2015. Remote Sensing and Image Interpreta
tion. John Wiley & Sons Inc., Hoboken.
Ometto, J. P., Agular, A. P. D., Martinelli, L. A., 2011. Amozon deforestation in Brazil:
effects, drivers and challenges. Carbon Management 2 (5), 575-585.
Pereira, E. J. D. A. L., Ferreira, P. J. S., Ribeiro, L. C. D. S., Carvalho, T. S., Pereira, H. B. D.
B., 2019. Policy in Brazil (2016-2019) threaten conservation of the amazon rainforest.
Environmental Science and Policy 100, 8-12.
Pereira, E. J. D. A. L., Ribeiro, L. C. D. S., Freitas, L. F. D. S., Pereira, H. B. D. B., 2020.
Brazilian policy and agribusiness damage the Amazon rainforest. Land Use Policy 92,
1-6.
16
USGS (United States Geological Survey), 2020. Earth Explorer. https://earthexplorer
.usgs.gov/, 2020-08-20.
Varns, T., Cortez, R., Hovani, L., Kingsbury, P., 2018: São Félix do Xingu, Brazil: A Juris
dictional Approach to Conserving the Amazon. The Nature Conservancy, Arlington.

17
Eigenständigkeitserklärung
Hiermit versichere ich, dass ich diese Hausarbeit selbstständig verfasst und keine anderen als
die angegebenen Quellen und Hilfsmittel benutzt habe. Die Stellen meiner Arbeit, die dem
Wortlaut oder dem Sinn nach anderen Werken und Quellen, einschließlich der Quellen aus
deem Internet, entnommen sind, habe ich in jedem Fall unter Angabe der Quelle als Entle-
hung kenntlich gemacht. Dasselbe gilt sinngemäß für Tabellen, Karten und Abbildungen.

Köln, den 27.08.2020

_________________________________________________

Datum, Unterschrift

18