Modellierung der Chlorophyll-a-Konzentration in Fließgewässern auf Basis von PlanetScope-Daten und maschinellem Lernen

Die Wasserqualität von Flüssen spielt eine zentrale Rolle im Umwelt- und Gewässerschutz. Ein entscheidender Indikator ist die Chlorophyll-a-Konzentration, die eng mit der Algenbiomasse und damit mit Eutrophierungsprozessen zusammenhängt. Klassische In-situ-Messungen liefern präzise, aber nur punktuelle Werte. Satellitenaufnahmen wie die hochaufgelösten PlanetScope-SuperDove-Daten ermöglichen dagegen eine flächenhafte Erfassung und können ein kontinuierliches Monitoring sinnvoll ergänzen.

Ziel der Arbeit war es, Chlorophyll-a-Konzentrationen in Fließgewässern anhand multispektraler Satellitendaten und maschineller Lernverfahren vorherzusagen. Dazu wurden fünf Regressionsmodelle in Kombination mit verschiedenen Datentransformationen getestet. Die Untersuchungsgebiete lagen an zwei Abschnitten des Mains bei Kahl am Main und Erlabrunn.

Die Ergebnisse zeigen, dass die baumbasierten Modelle Random Forest und XGBoost die zuverlässigsten Vorhersagen lieferten. Sie erreichten R²-Werte oberhalb von 0,8 während lineare Modelle deutlich schwächer abschnitten (Abb. 1). Diese beiden Modelle erzielten über verschiedene Datentransformationen hinweg stabile Ergebnisse, wobei die Standard-Variante insgesamt die konstanteste Leistung zeigte. Grenzen bestehen allerdings bei sehr hohen Konzentrationen über 30 µg/L, die von allen Modellen tendenziell unterschätzt wurden.

Wie sich die Methode praktisch anwenden lässt, verdeutlicht die modellierte Verteilung der Chlorophyll-a-Konzentrationen im Flussabschnitt bei Kahl am Main (Abb. 2). Die Karte zeigt einen Chlorophyll-a-Verlauf entlang der Flussachse, der räumlich detaillierte Aussagen ermöglicht und die punktuellen Messungen ergänzt.

Insgesamt liefert die Arbeit eine vielversprechende Grundlage für ein satellitengestütztes Monitoring, das klassische Messnetze effizient erweitern und langfristig in bestehende Umweltprogramme integriert werden kann.