VINE
Das laufende Doktorandenprojekt, das in enger Zusammenarbeit mit der Universität Salzburg durchgeführt wird, zielt darauf ab, einen hochauflösenden Forschungs- und Entwicklungsrahmen (F&E) für die Erkennung, Überwachung und Charakterisierung einzelner Rebstöcke in Weinbergsystemen zu etablieren. Der Rahmen integriert unbemannte Flugsysteme (UAS), 3D-Punktwolkenanalyse, multispektrale Zeitreihen und multiskalige Fernerkundungsansätze für die Modellierung phänologischer Verläufe und die skalierbare Weinbergüberwachung.
Der methodische Ansatz umfasst die Erkennung einzelner Rebstöcke und die Kronensegmentierung anhand von 3D-Punktwolken, die Ableitung rebstockspezifischer physiologischer und struktureller Indikatoren wie Vegetationsindizes, Kronenmetriken und geometrische Deskriptoren sowie die räumliche und zeitliche Analyse der Rebgesundheit und von Stressmustern unter Verwendung räumlicher Statistiken und der Analyse phänologischer Verläufe über mehrere Wachstumsstadien hinweg. Darüber hinaus untersucht das Projekt kombinierte UAS-Satelliten-Ansätze unter Verwendung von Sentinel-2- und PlanetScope-Daten zur Skalierung von Informationen auf Rebstockebene auf gröbere Satellitenauflösungen.
Ziel der Forschung ist es, einzelne Pflanzen zu charakterisieren und geometrische sowie physiologische Parameter abzuleiten, mit denen sich Gesundheits- und Stressdynamiken in Weinbergen erkennen lassen. Ein weiteres Ziel besteht darin, zeitliche phänologische Schwankungen von tatsächlichen physiologischen Anomalien zu unterscheiden, und zwar durch dichte multitemporale UAS-Beobachtungen in Kombination mit saisonalen Satellitenbild-Zeitreihen.
Der aktuelle Forschungsschwerpunkt liegt auf der Entwicklung multitemporaler, durch Spektralbibliotheken unterstützter Machine-Learning-Frameworks zur subpixelgenauen Schätzung des Rebanteils aus multispektralen Satellitenbildern. Dies umfasst die Erstellung phänologiebewusster, aus UAS-Daten abgeleiteter Spektralbibliotheken, die Aggregation objektbasierter Rebanteile auf Satellitenpixelebene sowie die Integration spektraler Ähnlichkeitsmetriken in Random-Forest-Regressionsmodelle, um die skalierbare Kartierung von Rebanteilen über verschiedene phänologische Stadien hinweg zu verbessern.
Wir bedanken uns herzlich für die Unterstützung und die Bereitstellung von Weinberg-Teststandorten durch den Weinhof Lagger in Millstatt sowie „Auf der Leiten“ von Sem Kegley und Georg Lexer in Stegendorf, Kärnten.
