Das in der halbtrockenen Zone Chinas verbreitete gemäßigte lückige Wald-Grasland-Ökosystem stellt einen Übergangstyp zwischen Wald und Grasland dar und entwickelt sich unter einzigartigen Klima- und Geländebedingungen auf Sandboden als zonale Spitzenvegetationsgemeinschaft. Das lückige Wald-Grasland zeichnet sich durch ein Mischwachstum von Bäumen, Sträuchern und krautiger Vegetation sowie eine hohe räumliche Heterogenität aus. Die Fernerkundung der Vegetation ist schwierig und stellt weltweit immer noch die ungenaueste Landbedeckungskategorie dar. Wie man Genauigkeit und Umfang gleichzeitig berücksichtigt und den Wachstumszustand verschiedener Pflanzentypen im regionalen Maßstab des gemäßigten lückigen Wald-Graslands überwacht, ist derzeit ein Hotspot und eine Herausforderung bei der Fernerkundung der Vegetation in Trockengebieten. Diese Studie basiert auf maschinellen Lernalgorithmen, verwendet bodennahe Drohnensensorplattformen zur Erfassung von Oberflächenvegetationstypinformationen zur Erstellung eines Trainingsdatensatzes und kombiniert hochauflösende Satellitenbilder, um ein Schätzmodell für die Bedeckungsgrade von holzigen und krautigen Pflanzen in lückigem Wald-Grasland zu entwickeln. Damit wurde eine synchrone Schätzung der Bedeckungsgrade von holzigen und krautigen Pflanzen von Drohnen bis zu Satelliten der gemäßigten lückigen Wald-Grasländergebnisse erreicht und die Unterschiede in der Schätzung der Bedeckungsgrade holziger und krautiger Vegetation zwischen zwei hochauflösenden Satellitenbildern verglichen. Die Ergebnisse zeigen: (1) Bodennah aufgenommenes Drohnenfernerkundungsbildmaterial ermöglicht eine genaue Klassifizierung der Bodenbedeckungstypen und liefert viele genaue Trainingsproben für regionale Schätzmodelle der Bedeckungsgrade holziger und krautiger Pflanzen im gemäßigten lückigen Wald-Grasland; (2) Basierend auf maschinellen Lernalgorithmen können die mit GF-6- und Sentinel-2-Satellitenbildern erstellten lückigen Wald-Grasland-Bedeckungsmodelle die Bedeckungsgrade von holzigen und krautigen Pflanzen gut schätzen. Die Bestimmtheitsmaße der auf GF-6 basierenden Schätzungen für holzige und krautige Bedeckung betragen jeweils 0,72 bzw. 0,66, mit RMSE von 6,76 % bzw. 10,69 %, und Schätzgenauigkeiten von 46,31 % bzw. 77,88 %; die auf Sentinel-2 basierenden Schätzungen weisen Bestimmtheitsmaße von 0,72 bzw. 0,81, RMSE von 6,53 % bzw. 8,20 % und Schätzgenauigkeiten von 54,30 % bzw. 83,17 % auf; (3) Die Schätzgenauigkeit der auf Sentinel-2-Satellitenbildern basierenden Bedeckungsgrade für holzige und krautige Pflanzen ist geringfügig höher als die der GF-6-Satelliten, wobei die Schätzgenauigkeit für krautige Pflanzen bei beiden Satellitenbildern deutlich höher ist als die der holzigen Pflanzen. Diese Studie bietet neue Ansätze für die Ausweitung der Schätzung der Bedeckungsgrade holziger und krautiger Pflanzen von Landschafts- auf regionaler Ebene in lückigem Wald-Grasland. Die Methode der skalenübergreifenden kooperativen Beobachtung von Drohnen bis zu Satelliten kann eine wirksame Methodik zur Überwachung des Wachstumszustands verschiedener Lebensformen in regionalen gemäßigten lückigen Wald-Grasland-Ökosystemen bieten. Zukünftig kann auf Basis multitemporaler hochauflösender Satellitendaten eine dynamische Überwachung der Bedeckungsgrade holziger und krautiger Pflanzen im regionalen Maßstab realisiert werden.

Fernerkundung; Ulmen-Lückenschlag; Drohnen; GF-6; Sentinel-2; Random Forest; Klassifikations- und Regressionsbäume