In dieser Arbeit sollen mit Hilfe von Fernerkundungsdaten Kaffeeanbauflächen in zwei Gebieten im Südosten Brasiliens, Espírito Santo und eine vergleichbare Region im Süden Minas Gerais, detektiert und untersucht werden. Hierbei soll konkret überprüft werden, ob mit öffentlich zugänglichen satellitengestützten Daten der Landsat-Serie Kaffeeplantagen im Untersuchungsraum langfristig erfasst werden können.
Um aussagekräftige und nach-vollziehbare Ergebnisse zu erzielen, ist eine überwachte Klassifikation mehrerer jährlicher Zeitscheiben von 2000 bis einschließlich 2018 vorgesehen. Die Lage und Verbreitung von Kaffeeplantagen wird dabei anhand eines Ansatzes für maschinelles Lernen (englisch machine-learning) ermittelt. Innerhalb dessen werden zwei unterschiedliche Forschungsansätze in der Verwendung von Trainingsdaten verglichen und hinsichtlich ihrer Verwendbarkeit in der Herausfilterung von Kaffeeanbauflächen getestet.
Ziel der Erfassung ist es, Kaffeeplantagen im Südosten Brasiliens möglichst genau zu identifizieren und Abschätzungen über deren Verteilung und Ausweitung zu geben. Hierbei soll der Bundesstaat Espírito Santo als primäres Untersuchungsgebiet verwendet werden. Bei erfolgreicher Durchführung soll das Forschungsvorhaben auf die zweite Region im Süden Minas Gerais übertragen werden.
Auf Basis der grundlegenden Zielstellung ergeben sich dahingehend folgende Forschungsfragen, welche im Zuge der Masterarbeit beantwortet werden sollen:
1: Lassen sich Kaffeeplantagen mit Hilfe von globalen Landbedeckungs- und Landnutzungskarten herausfiltern?
2: Liefern Vegetationsindices als Indikator einen Beitrag in der Detektion von Kaffee?
3: Lassen sich bestimmte Einflüsse feststellen, die die Wirksamkeit der Ausweisung von Kaffeeplantagen bedingen?
Inhaltsverzeichnis
Danksagung
Abkürzungsverzeichnis
Abbildungsverzeichnis
Tabellenverzeichnis
1. Einleitung
1.1. Motivation und Forschungshintergrund
1.2. Untersuchungsziel und Forschungsfragen
1.3. Aufbau der Arbeit
2. Theoretische Grundlagen
2.1. Begriffsbestimmungen
2.2. Forschungsansätze und Forschungsbedarf
2.3. Kaffeeanbau und –plantagenwirtschaft in Brasilien
2.3.1. Botanische Eigenschaften von Kaffee
2.3.2. Historische Entwicklung und heutige Situation
3. Untersuchungsraum „Südosten Brasiliens“
3.1. Espírito Santo
3.2. Süden Minas Gerais
4. Datengrundlagen
4.1. Landsat-Serie
4.2. Trainingsdaten
5. Methodisches Vorgehen
5.1. Datenaufbereitung
5.2. Prozessierung
6. Ergebnisse
6.1. Espírito Santo
6.2. Süden Minas Gerais
7. Diskussion
7.1. Ergebnisse
7.2. Methodik
8. Zusammenfassung und Fazit
Literaturverzeichnis
9. Anhang
9.1. Quellenangabe der Datengrundlagen
9.2. Fehlerstatistiken
Danksagung
An dieser Stelle möchte ich mich bei all denjenigen bedanken, die mich während der Anfertigung dieser Masterarbeit unterstützt und motiviert haben.
Besonders gilt mein Dank Frau Dr. Valerie Graw, die meine Masterarbeit betreut und begutachtet hat. Für die wirklich hilfreichen Anregungen und konstruktive Kritik bei der Erstellung dieser Arbeit, unabhängig von Zeit und Ort, möchte ich mich ganz herzlich bedanken.
Ein weiterer Dank gilt den Kolleginnen und Kollegen des Zentrums für Fernerkundung der Landoberfläche. Für die entgegenkommende Unterstützung sowie ihre interessanten Beiträgen und Hilfestellungen auf meine offenen Fragen, sowohl von fachlicher als auch persönlicher Seite, möchte ich mich bedanken.
Ich bedanke mich auch bei Fazenda Da Esperança für die Zusendung aktueller Aufnahmen von Kaffeepflanzungen und bei 4C Services GmbH für die Bereitstellung umfangreicher Daten über Kaffeeanbaugebiete, welches beides für die Durchführung der Analyse und Ausarbeitung dieser Masterarbeit sehr hilfreich war.
Abschließend bedanke ich mich bei meiner Familie sowie Freundinnen und Freunden, aber auch bei meinen Mitstudierenden, die mir mit viel Geduld, Interesse und Hilfsbereitschaft zur Seite standen und immer ein offenes Ohr für mich hatten.
Abkürzungsverzeichnis
Abbildung in dieser Leseprobe nicht enthalten
Abbildungsverzeichnis
Abbildung 1: Dimensionen einer fernerkundungsgestützten Zeitreihe
Abbildung 2: Skizze von Veränderungen des NDVIs im zeitlichen Verlauf
Abbildung 3: Numerisches Bild (links) und klassifiziertes Bild (rechts)
Abbildung 4: Eine Kaffeeplantage mit Zwischenfruchtanbau (hier: Bananen) auf der Fazenda Da Esperança Bom Samaritano in Piraju, Bundesstaat Sao Paulo
Abbildung 5: Schematisierung der sechs phänologischen Phasen des Arabica-Kaffees während 24 Monaten unter tropischen Klimabedingungen in Brasilien
Abbildung 6: Die Pflanzen der Kaffeesorten Arabica (links) und Robusta (rechts) im Vergleich
Abbildung 7: Sklavinnen und Sklaven wenden den Kaffee auf einer Kaffeeplantage im Vale do Paraíba, Bundesstaat Sao Paulo,
Abbildung 8: Umgang mit Kaffee aufgrund einer Überproduktion zum Ende des 19. Jahrhunderts
Abbildung 9: Räumliche Verteilung der Kaffeesorten Arabica und Robusta in den auf Kaffeeproduktion spezialisierten Mikroregionen Brasiliens
Abbildung 10: Die Lage der beiden Untersuchungsgebiete dieser Masterarbeit (gelbe Umrandung) im Südosten Brasiliens (rote Schraffur)
Abbildung 11: Der Bundesstaat Espírito Santo im Südosten Brasiliens
Abbildung 12: Das zweite Untersuchungsgebiet im Süden Minas Gerais im Südosten Brasiliens
Abbildung 13: Skizze über methodisches Vorgehen der Zeitreihenanalyse für jeweils ein Untersuchungsgebiet
Abbildung 14: Zeitreihe der jährlichen Landbedeckung und Landnutzung im Bundesstaat Espírito Santo von 2000 bis 2018 unter der Verwendung von MODIS-basierten Trainingsdaten
Abbildung 15: Flächenanteile der klassifizierten Landbedeckung und Landnutzung im Bundesstaat Espírito Santo unter der Verwendung von MODIS-basierten Trainingsdaten
Abbildung 16: Zeitreihe der jährlichen Landbedeckung und Landnutzung im Bundesstaat Espírito Santo von 2000 bis 2018 mit Hilfe eines auf Landsat-Szenen basierenden Trainingsdatensatzes
Abbildung 17: Flächenanteile der klassifizierten Landbedeckung und Landnutzung im Bundesstaat Espírito Santo unter der Verwendung von Landsat-basierten Trainingsdaten
Abbildung 18: Zeitreihe der jährlichen Landbedeckung und Landnutzung im Süden Minas Gerais von 2000 bis 2018 mit Hilfe eines auf Landsat-Szenen basierenden Trainingsdatensatzes
Abbildung 19: Flächenanteile der klassifizierten Landbedeckung und Landnutzung im Süden Minas Gerais unter der Verwendung von Landsat-basierten Trainingsdaten
Abbildung 20: Beispiel eines Trainingsgebietes der Klasse „vegetationslose Fläche“ (gelb) aus dem MODIS Produkt im Untersuchungsgebiet Espírito Santo
Abbildung 21: Phänologie von Kaffee in den Untersuchungsgebieten Espírito Santo (rot) und im Süden Minas Gerais (grün)
Abbildung 22: Vergleich von zwei Ausschnitten aus digitalen Luftbildaufnahmen, aufgenommen am 05. November 2015 (links) und am 27. Juni 2018 (rechts) im Untersuchungsgebiet Espírito Santo
Abbildung 23: Vergleich der kontinuierlichen Baumbedeckung ab 60 Prozent für die Jahre 2010 (grün) und 2015 (blau) eines Ausschnitts im Untersuchungsgebiet Espírito Santo
Tabellenverzeichnis
Tabelle 1: Übersicht der in dieser Masterarbeit verarbeiteten Datenprodukte
Tabelle 2: Anforderungen der spektralen Kanäle bzw. Bänder der Landsat-Sensoren TM, ETM+ und OLI/TIRS
Tabelle 3: Einteilung der Landbedeckung und Landnutzung im „MODIS Land Cover Type (MCD12Q1) Version 6”-Datenprodukt nach dem IGBP
Tabelle 4: Reklassifizierung der Landbedeckungs- und Landnutzungsklassen des „MODIS Land Cover Type (MCD12Q1) Version 6”-Datenproduktes
Tabelle 5: NDVI-Klassifikation
Tabelle 6: Beispiel einer Konfusionsmatrix für eine Klassifikation mit drei Beispielklassen A, B und C
Tabelle 7: Download-Links der in dieser Masterarbeit verwendeten Datengrundlagen
Tabelle 8: Konfusionsmatrix der Klassifikation mit MODIS-basierten Trainingsdaten in Espírito Santo
Tabelle 9: Konfusionsmatrix der Klassifikation mit MODIS-basierten Validierungsdaten in Espírito Santo
Tabelle 10: Konfusionsmatrix der Klassifikation mit Landsat-basierten Trainingsdaten in Espírito Santo
Tabelle 11: Konfusionsmatrix der Klassifikation mit Landsat-basierten Validierungsdaten in Espírito Santo
Tabelle 12: Konfusionsmatrix der Klassifikation mit Landsat-basierten Trainingsdaten im Süden Minas Gerais
Tabelle 13: Konfusionsmatrix der Klassifikation mit Landsat-basierten Validierungsdaten im Süden Minas Gerais
1. Einleitung
1.1. Motivation und Forschungshintergrund
Kaffee ist nach Öl der wertvollste gehandelte Rohstoff weltweit und somit eines der wichtigsten landwirtschaftlichen Güter (Bernardes et al. 2012: 2493). Sein globaler Umsatz wird auf rund 200 Milliarden US-Dollar pro Jahr geschätzt. Davon wird der meiste Kaffee in Europa, Nordamerika und Brasilien konsumiert. Des Weiteren entwickelt sich auch zunehmend in Asien ein weiterer Absatzmarkt durch den verbesserten Lebensstandard der heranwachsenden Mittelschicht. Um den Bedarf des Genussmittels weltweit zu decken, wird in über 80 Ländern Kaffee angebaut bzw. produziert (Basic 2018: 10). Dabei ist Brasilien fortwährend der weltweit größte Kaffeeproduzent und -exporteur, sowohl in Anbaufläche als auch in Ertragsmenge (Rimbach et al. 2010: 284). Weitere bedeutende produzierende Staaten sind daneben Vietnam, Kolumbien und Indonesien. Insgesamt wird ungefähr ein Drittel der weltweiten Kaffeeproduktion von Brasilien durchgeführt (ICO 2019, USDA Foreign Agricultural Service 2019). Dies macht Kaffee zu einem essentiellen Handelsgut Brasiliens, welches sowohl für die nationale Wirtschaft als auch für die betroffene erwerbstätige Bevölkerung eine enorme Bedeutung hat. Hauptanbaugebiete der brasilianischen Produktion konzentrieren sich besonders auf die südöstlich gelegenen Bundesstaaten. In diesen werden vor allem die beiden Kaffeepflanzen der Sorte Arabica und Robusta angepflanzt, wovon Arabica den größten Teil ausmacht (Volsi et al. 2019: 8). Davon produziert der Bundesstaat Minas Gerais mit einer Anbaufläche von 1,04 Millionen Hektar ungefähr die Hälfte (2009: 48,8 Prozent) des gesamten brasilianischen Kaffeeertrags und zudem die größte Menge des Kaffees Arabica (Brunsell et al. 2009: 292). Der Bundesstaat Espírito Santo erzeugt zugleich über die Hälfte der in Brasilien produzierten Kaffeesorte Robusta und ist - wie Minas Gerais für die Sorte Arabica - für die Kaffeesorte Robusta ein wertvolles Anbaugebiet (Volsi et al 2019: 9).
Die Fernerkundung stellt bislang eine der wichtigsten Quellen zur Gewinnung von Geoinformationen dar. Eine genaue Erkennung und Kartierung von Kaffeekulturen mit Hilfe opto-elektrischer Fernerkundungssensorik dokumentierte allerdings bislang mäßigen Erfolg. Dies rührt im Wesentlichen daher, dass die spektralen Reflexionsmuster von Kaffeepflanzen denen von Sekundärwäldern bzw. besonders jungen oder alten Wäldern sowie anderen Gehölzpflanzen stark ähneln (Cordero-Sancho 2004). Umfassende Forschung in diesem Bereich wurde seither nur vereinzelt veröffentlicht. Dabei ist besonders aufgrund des wirtschaftlichen Wertes von Kaffee die Kenntnis über die Verbreitung von Kaffeeplantagen von großer Wichtigkeit. Denn zunehmend steigende Temperaturen und sich verändernde Niederschlagsmengen beeinträchtigen in Folge des Klimawandels auch die Kaffeeproduktion (Basic 2018: 10). Bei einem zugleich steigenden Bedarf an Kaffee könnte dies zu einer Verlagerung der für den Kaffeeanbau geeigneten Gebiete führen (Läderach et al. 2017). Um hierbei Unterstützung zu leisten, könnten fernerkundungsgestützte Daten Kaffeeanabauflächen nicht nur geographisch verorten, sondern es ließen sich auch Parameter bestimmen, die zusätzlich Informationen über den vegetativen Zustand der Kulturen oder Abschätzungen des generellen Ertrags pro Pflanze gäben. Mit dieser Masterarbeit soll schließlich ein Beitrag zur bisherigen Forschung in der Erfassung und Kartierung von Kaffeekulturen geleistet werden. Diesbezüglich werden mit Hilfe satellitengestützter Fernerkundungsdaten des Landsat-Archivs Kaffeeplantagen im Südosten Brasiliens über einen längeren Zeitraum erfasst. Ziel der Arbeit ist es, so genau wie möglich die Lage und Verbreitung von Kaffeeanbauflächen im Untersuchungsraum zu bestimmen.
1.2. Untersuchungsziel und Forschungsfragen
In dieser Arbeit sollen mit Hilfe von Fernerkundungsdaten Kaffeeanbauflächen in zwei Gebieten im Südosten Brasiliens, Espírito Santo und eine vergleichbare Region im Süden Minas Gerais, detektiert und untersucht werden. Hierbei soll konkret überprüft werden, ob mit öffentlich zugänglichen satellitengestützten Daten der Landsat-Serie Kaffeeplantagen im Untersuchungsraum langfristig erfasst werden können. Um aussagekräftige und nachvollziehbare Ergebnisse zu erzielen, ist eine überwachte Klassifikation mehrerer jährlicher Zeitscheiben von 2000 bis einschließlich 2018 vorgesehen. Die Lage und Verbreitung von Kaffeeplantagen wird dabei anhand eines Ansatzes für maschinelles Lernen (englisch machine learning) ermittelt. Innerhalb dessen werden zwei unterschiedliche Forschungsansätze in der Verwendung von Trainingsdaten verglichen und hinsichtlich ihrer Verwendbarkeit in der Herausfilterung von Kaffeeanbauflächen getestet. Ziel der Erfassung ist es, Kaffeeplantagen im Südosten Brasiliens möglichst genau zu identifizieren und Abschätzungen über deren Verteilung und Ausweitung zu geben. Hierbei soll der Bundesstaat Espírito Santo als primäres Untersuchungsgebiet verwendet werden. Bei erfolgreicher Durchführung soll das Forschungsvorhaben auf die zweite Region im Süden Minas Gerais übertragen werden.
Auf Basis der grundlegenden Zielstellung ergeben sich dahingehend folgende Forschungsfragen, welche im Zuge der Masterarbeit beantwortet werden sollen:
Abbildung in dieser Leseprobe nicht enthalten
1.3. Aufbau der Arbeit
Um den Zielen dieser Masterarbeit gerecht zu werden, ist die Schaffung eines Analyserahmens notwendig, der die Nachvollziehbarkeit der Forschungsergebnisse gewährleistet. Die Strukturierung der Vorgehensweise wird im Folgenden erläutert.
Zunächst soll im ersten Kapitel eine grundsätzliche Heranführung an das Forschungsthema stattfinden. Diesbezüglich werden insbesondere die Ausgangslage sowie der Forschungshintergrund beschrieben. Des Weiteren wird in diesem Kapitel das grundlegende Forschungsziel dargelegt und mit entsprechenden Forschungsfragen verknüpft. Daran anschließend beinhaltet es die Beschreibung der Gliederung dieser Masterarbeit.
Im bevorstehenden zweiten Kapitel folgt eine theoretische Grundlegung. In diesem Teil des Textes werden alle für die Masterarbeit relevanten Begriffe und Theorien erläutert: der Begriff der Erdbeobachtung und des Monitorings sowie ihrer Verknüpfung miteinander, die Begrifflichkeit einer Zeitreihenanalyse und die Definition von Kaffeeanbaugebieten. Des Weiteren werden die zentralen Erkenntnisse der bereits existierenden Forschung ersichtlich. Nachstehend wird auf die Kaffeekultivierung in Brasilien genauer eingegangen. Hierzu erfolgen eine genaue Beschreibung der Kaffeepflanze und ihrer Pflanzung sowie eine Schilderung der Historie und heutigen Situation der brasilianischen Kaffeeproduktion.
An den theoretischen Rahmen anschließend erfolgt die Beschreibung des Untersuchungsraums (Kapitel 3). Dies beinhaltet eine kurze faktenorientierte Übersicht über den Südosten Brasiliens als administrative Großregion sowie eine detaillierte Darlegung der darin liegenden und für diese Masterarbeit gewählten Untersuchungsgebiete Espírito Santo und der Süden Minas Gerais.
Im vierten Kapitel werden die in dieser Arbeit verwendeten Datensätze beschrieben. Diese untergliedern sich in Szenen der Landsat-Serie und in diverse Datensätze zur Erstellung der Trainingsdaten entsprechend der zwei Forschungsansätze.
Der Beschreibung der Datengrundlagen schließt sich die Erläuterung der methodischen Vorgehensweise (Kapitel 5) an. In diesem Rahmen findet anfänglich eine fundamentale Beschreibung des Aufbaus der Methodik statt. Im weiteren Verlauf des Kapitels werden die einzelnen Bearbeitungsschritte im Zusammenhang mit der Aufbereitung der Datensätze sowie der darauffolgenden eigentlichen Prozessierung beschrieben und hinsichtlich ihrer Anordnung und Umsetzung erläutert.
Im sechsten Kapitel werden die aus dem methodischen Vorgehen gewonnenen Ergebnisse zunächst graphisch und inhaltlich beschrieben, ehe sie sowie die Methodik selbst im anschließenden siebten Kapitel umfassend analysiert und beurteilt werden.
Das abschließende achte Kapitel dient letztlich dazu, die vorliegende Masterarbeit zu resümieren. Schlussendlich soll eine Aussage zum Forschungsziel bzw. den Forschungsfragen getroffen werden, um mögliche Perspektiven des Forschungsthemas aufzuzeigen.
2. Theoretische Grundlagen
Die Produktion von Kaffee ist bis heute für Brasilien von erheblicher wirtschaftlicher Bedeutung. Brasilien ist nicht nur das größte und bevölkerungsreichste Land auf dem südamerikanischen Kontinent, sondern auch weltweit der größte Produzent von Kaffee (CIA 2020, Rimbach et al. 2010: 284). Der Kaffeeanbau hat sich seit seiner Einführung im 18. Jahrhundert von kleineren Kaffeepflanzungen hin zu landwirtschaftlichen Großbetrieben mit einem hohen technologischen Einsatz evolviert. Zudem führte die Expansion von Kaffeeanbaugebieten vor allem im Südosten Brasiliens zu infrastrukturellem und wirtschaftlichem Wachstum, dessen Strukturen noch heute das Land prägen (Volsi et al 2019: 2). Trotz einer hohen Bedeutung der Kaffeeproduktion wurde eine ausführliche und grundlegende Forschung über die Verwendung von satellitengestützter Sensorik zur Erkennung von Kaffeepflanzen kaum veröffentlicht. Bestehende Anwendungen zeigten zudem nur mäßigen Erfolg.
Im Nachstehenden werden zur Gestaltung des theoretischen Rahmens dieser Masterarbeit Begrifflichkeiten und Konzepte erläutert, die für das allgemeine Verständnis des Vorhabens relevant sind. Danach wird ein umfassender Überblick über die bisherigen Fortschritte und Herausforderungen im Tätigkeitsbereich einer fernerkundungsgestützten Detektion von Kaffee vermittelt. Abschließend wird auf die Kaffeekultivierung mit Fokus auf Brasilien genauer eingegangen. Dies beinhaltet eine Charakterisierung der Kaffeepflanze sowie ihrer botanischen Eigenschaften und Kultivierung. Des Weiteren wird die historische Entwicklung von Kaffee in Brasilien und ihre aktuelle Situation beschrieben.
2.1. Begriffsbestimmungen
Ein erdbeobachtungsbasiertes Monitoring von Kaffeeanbaugebieten im Südosten Brasiliens setzt sich aus den folgenden Termini zusammen: „Erdbeobachtung“, „Monitoring“ und „Kaffeeanbaugebiete“. Um diese als zusammenhängendes Forschungsvorhaben zu verstehen, bedarf es zunächst der Klarlegung jedes einzelnen Fachausdrucks, aber auch die Verbindungen dieser untereinander. So ergibt sich neben der Erdbeobachtung und dem Monitoring als jeweils alleinstehender Begriff die Notwendigkeit der Definition des erdbeobachtungsbasierten Monitorings. Daran anschließend werden Kaffeeanbaugebiete für diese Masterarbeit entsprechend definiert, um sie deutlich von anderen für Kaffee vorgesehenen Anbauflächen abzugrenzen.
Erdbeobachtung
Die Erdbeobachtung (englisch earth observation) bezeichnet jede Art von Tätigkeit, die sich mit der Sammlung von Informationen in Form von Daten über die Erdoberfläche oder deren Atmosphäre unter der Verwendung fernerkundungsgestützter Instrumente, aufsitzend auf Satelliten, Raumfahrzeugen oder Luftfahrzeugen, beschäftigt. Des Weiteren fällt unter diese Begrifflichkeit auch der Gebrauch sowie die Verarbeitung dieser Daten (Baldenhofer 2020a).
Allgemein besteht ein Fernerkundungssystem aus fünf wesentlichen Komponenten: der Energiequelle (1), dem sich am Boden befindende Objekt (2), dem Sensor (3), dem Datenerfassungs- und Datenverarbeitungssystem (4) und den Endbenutzerinnen bzw. Endbenutzern (5) (Sun 2004: 16). Je nachdem welche Energiequelle verwendet wird, kann zwischen einem aktiven und einem passiven Fernerkundungssystem unterschieden werden. Während bei aktiven Systemen der Sensor eigene Strahlung zur Erdoberfläche aussendet und deren Reflexion bzw. zurückgeworfene Energiedichte misst, nutzt ein passives System die von der Erde emittierte oder von der Sonne reflektierte Strahlung. Die Erdoberfläche bzw. die sich an und auf der Erdoberfläche befindenden Objekte besitzen spezifische Reflexionswerte. Der Sensor scannt die Erdoberfläche und empfängt je nach Objekt unterschiedliche Reflexionswerte. Auch definiert er die räumliche Auflösung des aufgenommenen Bildes. Welche Spektralbereiche er betrachtet, hängt davon ab, zu welchem Wellenlängenbereich er sensitiv ist. Er betrachtet im Allgemeinen eine gesetzte Breite des elektromagnetischen Spektrums (Lillesand & Kiefer 1994: 33f). Die Datensätze, die sich aus einem Fernerkundungssystem ergeben, erhalten je nach Fragestellung und Thematik wichtige Informationen für den Endanwendenden. Durch diese Entwicklung wurde die Fernerkundung als Werkzeug in vielen umweltorientierten Anwendungsbereichen zunehmend bedeutsamer. Hierbei bieten satellitengestützte Systeme eine meist verwendete Methode in der Erdbeobachtung. Denn im Gegensatz zu Raum- und Luftfahrzeugen erfassen sie kontinuierlich und auf globaler Ebene Veränderungen der Erdoberfläche und können somit ein breites Spektrum an Geoinformationen für unterschiedliche Anwendungsbereiche liefern (Baldenhofer 2020b). Dies beinhaltet Tätigkeitsfelder unter anderem in der Landwirtschaft, der Geologie, der Forstwirtschaft, der Bildung, der Regionalplanung, der Kartierung und der Erforschung globaler Veränderung. Denn mit Hilfe von satellitengestützten Daten können landschaftliche Formen und Prozesse wie Waldbewirtschaftung (Abholzung und Wiederbepflanzung), Gletscherbewegungen (Vorstoß und Abtauen), Naturgefahren (z.B. Überschwemmungen und Dürren) oder auch urbane Ausdehnungen von Agglomerationsräumen erfasst und ausgewertet werden. Zudem lassen sich Landbedeckungs- und Landnutzungsklassifikationen durchführen (Sun 2004: 16f, Jin et al. 2017).
Monitoring
Im Allgemeinen stellt ein Monitoring die Überwachung und Untersuchung von Veränderungen eines Systems über ein kontinuierlich andauerndes oder begrenztes Zeitkontinuum dar. Dabei werden Messdaten erfasst, die einen zeitnahen Vergleich zulassen. Dies ermöglicht nicht nur eine unmittelbare Kontrolle, sondern auch eine regelmäßige Steuerung des Systems. Je nach Anwendungsbereich sind die zu überprüfenden Elemente eines Systems zu unterscheiden. In den meisten Fällen handelt es sich um Komponenten oder Aspekte der Umwelt, über die im Rahmen eines Monitorings langfristig Messdaten erhoben, analysiert und dokumentiert werden (Baldenhofer 2020c).
Eine präzisere Definition des Monitorings hängt vom entsprechenden Anwendungsbereich ab. Beispielsweise impliziert ein Monitoring in der Medizin die Überwachung von Patienten sowie deren Funktionen und Funktionsstörungen. Ein medizinisches Monitoring beinhaltet folglich die Kontrolle der Vitalfunktionen von Patienten, etwa im Rahmen einer Intensivpflege oder bei der Verrichtung alltäglicher Aufgaben durch ein sogenanntes ambulantes Monitoring (Fahrenberg 2000, Thierbach et al. 2003: 207, Fahrenberg 2010: 204f). Im Tätigkeitsbereich der Fernerkundung umfasst ein Monitoring die Beobachtung und Kontrolle von sowohl quantitativen als auch qualitativen Veränderungen terrestrischer oder atmosphärischer Objekte und Eigenschaften. Diese werden mit Hilfe einer Folge von Bild- und anderen Datenaufzeichnungen festgestellt. Dabei können der Maßstab (lokal, regional und global), aber auch die zeitliche Skala (kurzfristig, saisonal, mittelfristig und langfristig) variieren. Um Veränderungen zu erfassen, erfordert es Daten über mindestens zwei Zeitscheiben, wobei für gewöhnlich Messdaten mehrerer Zeitpunkte verwendet werden. Ausgehend von einem Ist-Zustand werden rückblickende oder zukünftige Entwicklungen analysiert. Fernerkundungsdaten haben dahingehend den Vorteil, dass ihre Informationen für die meisten Regionen weit in die Historie zurückreichen und flächendeckend, zeitsynchron und in einem regelmäßigen Zeitabstand aufgenommen sind (Baldenhofer 2020c). Insofern bieten sich wiederholende und in bestimmten Abständen aufgenommene flugzeug- oder satellitengestützte Bilddaten eine hervorragende Grundlage, um Änderungen und Entwicklungen von Struktur, Funktion oder der naturräumlichen Nutzung räumlich und inhaltlich ausführlich zu erfassen. Exemplarisch kann ein Umwelt- oder Landschaftsmonitoring demzufolge zielführend zu einem effizienteren Schutz der natürlichen Ressourcen beitragen (Blaschke 2002: 116). Des Weiteren können fernerkundungsgestützte Messungen der Vegetationsdynamik das Verständnis von Variabilitäten des terrestrischen Ökosystems verbessern (Zhang et al. 2003).
Erdbeobachtungsbasiertes Monitoring
Durch die Zusammenlegung der oben definierten Begrifflichkeiten „Erdbeobachtung“ und „Monitoring“ ergibt sich der Terminus „erdbeobachtungsbasiertes Monitoring“. Dieser definiert die Erfassung und Analyse räumlicher sowie zeitlicher Veränderungen der Erdoberfläche unter der Verwendung fernerkundungsgestützter Datenprodukte. Er umfasst zudem ein an die verfügbaren Daten angepasstes und nach klar definierten Parametern und Regeln festgelegtes Auswertungskonzept, nach der die Bildverarbeitung und -auswertung erfolgt (Baldenhofer 2020c). Werden Daten aus wesentlich mehr als zwei Zeitabschnitten verwendet, kann ein Monitoring im Rahmen der Erdbeobachtung durch die Zeitreihenanalyse beschrieben werden. Eine solche Definition wird für diese Masterarbeit verwendet.
Die Zeitreihenanalyse bezeichnet im Allgemeinen eine Anzahl statistischer Verfahren zur Analyse von Zeitreihen. Die Zeitreihe selbst definiert eine Abfolge von zeitlich geordneten Messergebnissen, die in gleichbleibenden Abständen an gleichen Objekten oder in gleicher Umgebung nach einheitlichen Parametern vorgenommen wurden. Mathematisch ausgedrückt lässt sich eine Zeitreihe als eine chronologisch geordnete Serie Y1, Y2, ... Yt von numerischen Größen definieren, im Zuge dessen t die Länge der Zeitreihe darstellt (Metz 2010: 1053). Eine Zeitreihenanalyse von Fernerkundungsdaten ist demnach ein Verfahren, bei dem Veränderungen in der Art und dem Zustand der Erdoberfläche erfasst und bewertet werden. Entsprechend beschreibt die Zeitreihe in diesem Zusammenhang eine Folge von fernerkundungsgestützten Bilddaten, die aus aufeinanderfolgenden und meist gleichmäßig angeordneten Zeitintervallen besteht. Die darauffolgende Analyse enthält Methoden, die Muster und Trends identifizieren, aber auch Entwicklungen und Veränderungen charakterisieren. Überdies schließt es Cluster- und Modelldaten mit ein (Oliveira et al. 2016: 130). Abbildung 1 und Abbildung 2 illustrieren zwei mögliche Darstellungen einer Zeitreihe von Fernerkundungsdaten. Gemäß Abbildung 1 besitzt eine fernerkundungsgestützte Zeitreihe vier Dimensionen, anhand derer sich diese visualisieren lässt. Im Graph bilden die x- und die y-Achse die räumlichen Grenzen einer jeden Szene, aufgegliedert in die einzelnen Bänder jeder Aufnahme (Band-Achse) und für verschiedene Zeitpunkte (Zeit-Achse). Neben dieser Darstellung ist es außerdem möglich, sich für einen bestimmten geographischen Punkt oder für ein bestimmtes Gebiet innerhalb der Szenen die dazugehörigen Pixelwerte im zeitlichen Verlauf, zum Beispiel in Form eines gemittelten Indexwertes, darstellen zu lassen (s. Abbildung 2).
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 1: Dimensionen einer fernerkundungsgestützten Zeitreihe (Abbildung 1 in Oliveira et al. 2016: 130, geändert).
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 2: Skizze von Veränderungen des NDVIs im zeitlichen Verlauf (Abbildung 1 in Oliveira et al. 2016: 130, geändert).
Eine Zeitreihenanalyse unterscheidet sich wesentlich von anderen Analysen eines fernerkundungsgestützten Monitorings, bei denen Fernerkundungsdaten mehrerer Aufnahmezeitpunkte verglichen und bewertet werden, besonders durch die in regelmäßigen und in gleichen zeitlichen Abständen vorliegenden Bilddaten. Aufgrund der dadurch häufig großen Datenmengen erfolgt dieses Verfahren anstatt durch visuelle Bildinterpretation in den meisten Fällen durch automatische Bildbearbeitung. Eine viel verwendete Methode der automatischen Bildbearbeitung ist die Klassifizierung. Hierbei handelt es sich um ein Verfahren, das Pixel gleicher oder ähnlicher Werte automatisiert als ein Objekt oder einen Oberflächentyp identifiziert und in Form von Klassen zusammenfügt (s. Abbildung 3). Vorteil dieses Prozesses ist, dass durch eine automatisierte Identifikation von Objekten oder Strukturen Veränderungen sowie Kontinuität nicht nur detektiert, sondern auch quantifiziert werden (Campbell & Wynne 2011: 450).
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 3: Numerisches Bild (links) und klassifiziertes Bild (rechts). Das klassifizierte Bild ergibt sich aus einer Untersuchung des numerischen Bildes und anschließender Zusammenfassung der Pixel gleicher Spektralwerte (Abbildung 12.1. in Campbell & Wynne 2011: 335, geändert).
Eine automatische Klassifikation verfolgt den Ansatz des maschinellen Lernens, bei dem in Ausgabedaten anhand von Beispielsklassifikationen (überwachtes Lernen) oder bestimmter statistischer Zusammenhänge und Ähnlichkeiten (unüberwachtes Lernen) Muster und Regelmäßigkeiten erkannt und zusammengefasst werden (Marsland 2015: 6). Dabei ist das maschinelle Lernen von klassischen Algorithmen abzugrenzen, da sich hierbei die Entscheidungslogik im Laufe der Zeit anpasst, d.h. künstliches Wissen generiert wird. Dies führt dazu, dass Algorithmen sich selbst verbessern und sich Beziehungen zwischen den Variablen verändern können, da die Algorithmen selbst nicht gänzlich feststehen (Beierle & Kern-Isberner 2019: 100). Meist verwendete Algorithmen eines überwachten Lernens im Bereich der Fernerkundung sind beispielsweise Maximum-Likelihood, Support Vector Machine, Random Forest, Partielle-Kleinste-Quadrate-Regression oder künstliche neuronale Netze. Ein unüberwachtes Lernen umfasst für gewöhnlich alle Clusterverfahren, welche exemplarisch den K-Means -Algorithmus beinhalten, und Dimensionsreduktionsverfahren, wozu etwa die Hauptkomponentenanalyse gehört (Segl et al. 2018: 19). Bei einer automatischen Klassifikation lassen sich zwei Typen voneinander unterscheiden: die unüberwachte und die überwachte Klassifikation. Eine unüberwachte Klassifikation identifiziert und definiert natürliche Strukturen der Oberfläche in multispektralen Satellitenbildern (Campbell & Wynne 2011: 339). Es werden folglich natürliche Klassen gebildet, die nach Durchführung der Klassifikation beschriftet und als Karte visualisiert werden können (Campbell & Wynne 2011: 340). Hierbei wird angenommen, dass ein Fernerkundungsbild bereits aus Klassen zusammengesetzt ist, also Gruppen von Pixel enthält, die ähnlich in ihren spektralen Eigenschaften sind (Campbell & Wynne 2011: 339). Überträgt man dies auf die Landbedeckung und Landnutzung, so ist davon auszugehen, dass alle Oberflächenstrukturen jeweils ähnliche Spektralwerte besitzen und sich voneinander unterscheiden lassen. Eine überwachte Klassifikation hingegen setzt zuvor klassifizierte Pixel voraus. Dies bedeutet, dass eine Auswahl von bekannten Entitäten besteht, anhand dieser die übrigen Pixel klassifiziert werden können (Campbell & Wynne 2011: 349). Auf die methodische Umsetzung übertragen werden im Vorhinein Klassen durch den Anwendenden der Methode festgelegt und definiert. Darauf aufbauend werden für diese Klassen sogenannte Trainingsgebiete erstellt, die die Spektralwerte für die spätere Klassifikation vorgeben. Die Trainingsgebiete sind Musterflächen für die jeweiligen Klassen. Der Richtwert einer Klasse kann sich beispielsweise aus dem durchschnittlichen Wert aller Pixelwerte der für die Klasse erstellten Trainingsgebiete ergeben. In einer überwachten Klassifikation werden demzufolge die Pixel außerhalb der Trainingsgebiete mit dem spektralen Richtwert der Trainingsgebiete verglichen und jeweils einer Klasse zugeordnet (Lillesand & Kiefer 1994: 526, Campbell & Wynne 2011: 336). Die zusammengefügten Klassen können je nach Interessenschwerpunkt mit Informationskategorien (z.B. Landnutzungsklassen) in Verbindung gebracht werden. Auf dem Bild erscheinen diese nach einer Klassifikation wie ein Mosaik aus zusammengeführten Parzellen der einzelnen Pixel, die farblich oder durch ein Symbol gekennzeichnet sind (Campbell & Wynne 2011: 335). Mögliche Anwendungen einer fernerkundungsgestützten Zeitreihenanalyse finden sich beispielsweise in der Erfassung und Überwachung tropischer Abholzungen sowie Waldschädigungen oder Landnutzungsveränderungen und Veränderungen landwirtschaftlicher Produktionen (Hostert et al. 2015: 32f).
Kaffeeanbaugebiete
Landwirtschaftliche Flächen, die für den Anbau von Kaffee bestimmt sind, werden grundsätzlich als Kaffeeanbaugebiete verstanden. Hierbei ist die Plantagenwirtschaft die gängigste agrarwirtschaftliche Betriebsform, um Kaffee kommerziell und besonders im großen Maße zu produzieren. Neben diesen koexistieren weitere landwirtschaftliche Formen, wie beispielsweise bäuerliche Familienbetriebe oder Farmen, die sich durch eine kleinere Größe der Anbaufläche und eine geringere technische Ausstattung sowie in der Art der Kultivierung (meist Mischkulturanbau) wesentlich von einer Plantagenwirtschaft unterscheiden (mündliche Information via 4C Services GmbH, Läderach et al. 2017: 48). In dieser Masterarbeit werden folglich solche landwirtschaftlichen Formen für den Kaffeeanbau ausgeschlossen. Einzig in Plantagenform angebaute Kaffeepflanzungen werden als Kaffeeanbaugebiete berücksichtigt und sind insofern mit Kaffeeplantagen in dieser Arbeit gleichzusetzen.
In ihrem Ursprung ist eine Plantage auf eine mit Pflanzen oder Bäumen bepflanzte Parzelle zurückzuführen. Mit dem Beginn des Kolonialzeitalters und der damit verbundenen Expansion europäischer Kolonialherrschaften über Länder jenseits des atlantischen und pazifischen Ozeans wurde die Definition von einer Plantage auf Landgüter oder Farmen konkretisiert. Es folgte dort ein monokultureller Anbau von vornehmlich Agrarprodukten, welche aufgrund der klimatischen Verhältnisse in Europa nicht produziert werden konnten. Es gab eine große Vielfalt von Anpflanzungen, unter denen neben Kaffee auch viele weitere wie Zucker, Tabak, Tee, Kakao, Bananen und andere tropische oder subtropische Früchte angebaut wurden. Des Weiteren wurden besonders Gewürze wie Muskatnuss, Nelken, Kardamon, Vanille, Zimt, Ingwer und Pfeffer hergestellt. Wichtige industrielle Rohstoffe waren beispielsweise Baumwolle, Indigo, Kopra, Ölpalme, Sisal, Chinarinden und Kautschuk (Graves 1987: 1). Charakteristisch für die kolonialzeitlichen Plantagen war außerdem die intensive Wirtschaftsweise in Großbetrieben mit ausgedehnten Anbauflächen. Der hohe Bedarf an Arbeitskräften wurde über die Versklavung aus Afrika gedeckt (Koop 2001). Gegenwärtig definiert sich eine Plantage primär als ein landwirtschaftlicher Großbetrieb mit einer „langfristig genutzte[n] Intensivkultur von längerlebigen Nutzpflanzen (Schaefer 2012: 226)”. Sie ist vorrangig in Regionen mit einem tropischen, subtropischen und mediterranen Klima vorzufinden (Graves 1987: 1). Neben dem Anbau mehrjähriger Kulturen von meist einer Nutzpflanzenart und einer kapital- und arbeitsintensiven industriellen Produktionsleistung zeichnet sich eine Plantage unter anderem durch die technische Ausrüstung für die Aufbereitung und sogleich Verarbeitung der Agrarprodukte aus (Koop 2001).
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 4: Eine Kaffeeplantage mit Zwischenfruchtanbau (hier: Bananen) auf der Fazenda Da Esperança Bom Samaritano in Piraju, Bundesstaat Sao Paulo (Koordinaten: -23,239262°, -49,242416°), aufgenommen am 18. Februar 2020 und zur Verfügung gestellt von Fazenda Da Esperança.
Die Anbauart von Kaffeeplantagen unterscheidet sich stark auf internationaler sowie teilweise auch auf nationaler Ebene. Diese reicht von vollständig als Schattengewächse unter gesetzten Bäumen oder einem vorhandenen Restbestand heimischer Wälder angepflanzten Pflanzungen bis hin zu vollständig der Sonne ausgesetzten Kaffeeplantagen. Letzteres ist in Abbildung 4 zu betrachten. In den meisten Anbauregionen Zentralamerikas, Indien, Vietnam und Indonesien sind die Kaffeeplantagen unterhalb höherer Bäume vollständig oder nur teilweise im Schatten angelegt. Dies sind vorwiegend Gebiete, die über ein ausgeprägtes Relief verfügen und die dortigen Plantagen mit einem geringen technologischen Aufwand bewirtschaftet werden. Dementsprechend ist die Größe der Anbaufläche begrenzt oder wird von mehreren Kleinbauern gleichzeitig betrieben. Vorteil dieses Anbausystems ist eine im Verhältnis zu nicht schattierten Plantagen geringe Umweltbelastung und niedrige Bodenerosion. Bei ausschließlich allen Kaffeeplantagen in Brasilien handelt es sich hingegen um sonnengewachsene Plantagen. Diese Anbauart erhöht die Produktivität je Pflanze und Fläche im Vergleich zu den beschatteten Plantagesystemen. Außerdem erlaubt diese Anbauart Formen der Mechanisierung und die Möglichkeit von Zwischenfruchtanbau (s. Abbildung 4). Es besteht allerdings ein höheres Risiko von Wasserstress. Bei einer ausreichenden technologischen Kapazität und genügend Wasservorrat kann dieses durch Bewässerung ausgeglichen werden (Vieira 2008: 11).
2.2. Forschungsansätze und Forschungsbedarf
Eine genaue Erkennung und Kartierung von Kaffeekulturen mit Hilfe opto-elektrischer Fern-erkundungssensorik erwies sich bislang grundsätzlich als problematisch, da die spektralen Reflexionsmuster von Kaffeepflanzen denen von Sekundärwäldern sowie anderen Gehölzpflanzen stark ähneln (Cordero-Sancho 2004). Eine umfassende Forschung in diesem Bereich wurde nur vereinzelt veröffentlicht. Unterdessen erschien eine generalisierte und übertragbare Detektion meist schwierig, da besonders die unterschiedlichen Anbauarten von Kaffee je nach Land hoch variabel sind. Diese reichen von vollständig als Schattengewächse unter Bäumen angepflanzten Kulturen bis hin zu sonnengewachsenen Kaffeeplantagen (Vieira 2008: 9f). Gerade in tropischen Regionen offenbarte sich eine spektrale Trennung zwischen Kaffeekulturen und Waldflächen als mäßig erfolgreich (Helmer et al. 2000, Cordero-Sancho & Sader 2007, Bernardes et al. 2012). Des Weiteren sind spektrale Muster innerhalb der Kaffeeanbauflächen festzustellen, die zusätzlich die Reflexion beeinflussen. Zudem können Zwischenfruchtanbausysteme das Reflexionsmuster stark prägen (Nagler et al. 2009, Hatfield & Prueger 2010). Fernerkundungsstudien, die sich mit Kaffee in Brasilien befassten, erzielten grundsätzlich bessere Ergebnisse, da hier kein Einfluss auf die Reflexionen durch Schattenbäume besteht. Jedoch waren sie begrenzt aufgrund des heterogenen spektralen Reflexionsgrades der Kaffeepflanzen selbst (Cordero-Sancho & Sader 2007: 1578). Dieser wird besonders in Brasilien unter anderem durch Unterschiede in Höhe und Pflanzendichte, im Alter der Pflanzen, in ihrer vegetativen Vitalität, in den Bewirtschaftungspraktiken sowie gegebenenfalls durch Stress aufgrund von Wassermangel beeinflusst (Tardin et al. 1992, Epiphanio et al. 1994, Moreira et al. 2004, Vieira et al. 2006, Cordero-Sancho & Sader 2007, Ortega-Huerta et al. 2012).
Grundsätzlich bedienten sich die meisten Studien, die sich auf eine Erfassung und Überprüfung von Kaffeeanbaugebieten unter der Verwendung von Fernerkundungsdaten spezialisieren, beinahe ausschließlich satellitengestützter und optischer Sensorik mit multispektralen Aufnahmesystemen von MODIS und Landsat. Dabei wurde beobachtet, dass MODIS-Daten eine zu geringe räumliche Auflösung besitzen, um Kaffeeplantagen korrekt identifizieren zu können. Allerdings ist ihre zeitliche Auflösung dementsprechend höher, sodass beispielsweise landwirtschaftliche Flächen langfristig überwacht werden können. Eine hohe zeitliche Auflösung ermöglicht eine hohe zeitliche Abdeckung und folglich eine gute Abbildung des saisonalen Zustands der Pflanze zu unterschiedlichen Zeiten innerhalb des phänologischen Zyklus. Zudem ist durch eine meist tägliche globale Abdeckung mit MODIS die Wahrscheinlichkeit höher, in regelmäßigen Zeitabständen wolkenfreie Szenen zu erhalten (Bernardes et al. 2012). Ist die geographische Lage von Kaffeeanbauflächen bekannt, so eignen sich deshalb MODIS-Daten durchaus, um Anbauflächen beispielsweise hinsichtlich ihrer Produktivität und ihres Ertrags zu überwachen (Brunsell et al. 2009). Eine Detektion von Kaffeeanbaugebieten und die Erfassung ihrer Verbreitung erfordert hingegen räumlich höher aufgelöste Sensorik. Dementsprechend eignen sich Szenen von Landsat aufgrund ihrer räumlichen und spektralen Auflösung eher für die Identifizierung von Kaffeeanbaugebieten als Szenen von MODIS und wurden bislang am meisten dafür verwendet. Dennoch beschränkt sich je nach geographischer Lage des zu untersuchenden Gebietes die Anzahl auf wenige wolkenfreie Szenen, sodass im Falle eines effektiven Monitorings Entwicklungen der Kaffeepflanzen nicht vollständig erfasst werden (Asner 2001, Sano et al. 2007, Maxwell 2011).
Um Kaffeeanbaugebiete mit Hilfe von multispektralen Aufnahmen von Landsat zu erkennen und zu kartieren, ist bisher auf wenig Forschungsarbeiten zu verweisen. Helmer et al. (2000) verwendeten Landsat-Szenen mehrerer Aufnahmezeitpunkte, um das Alter des Waldes in einem Höhenzug in Costa Rica zu bestimmen. Hierbei war Kaffee in Weide- und Landwirtschaftsklassen enthalten und nicht als einzelne Klasse separat aufgeführt. Im kolumbianischen Hochland wurde mit Hilfe von Landsat die Landbedeckung kartiert. Dabei zeigte sich eine geringe Genauigkeit in der Klassifikation zwischen Kaffeeplantagen und sowohl jungen als auch älteren Wäldern. Die Gesamtgenauigkeit variierte zwischen 37,5 und 58,7 Prozent (Langford & Bell 1997). Wurde Kaffee im Schatten von Waldbäumen angebaut, erschwerte dies die spektrale Trennung dieser agro-forstlichen Nutzung von reinem Wald (Cordero-Sancho & Sader 2007).
Im Bereich der Mikroklimaforschung wurden in den Tropenwäldern von Singapur Messungen der Temperatur von Waldüberdachungen und anderen Vegetationsbedeckungen vorgenommen (Nichol 1994). Die Temperatur ergab sich dabei aus der auf die Baumkronen eintreffenden Sonneneinstrahlung. Beinflussende Faktoren waren die Topographie und die Eigenschaften der Vegetation, welche Dichte, Biomasse, Artenvielfalt und Wasserstatus implizieren (Luvall et al. 1990). Über die Möglichkeit, zusätzlich thermische Daten zu verwenden, um Kaffeepflanzen von anderen Gehölzen besser spektral zu trennen, ist bis heute kaum etwas bekannt oder erforscht.
Es belegten zugleich weitere Forschungsarbeiten, dass grundsätzlich unter Hinzunahme von weiteren Datensätzen die Klassifikationsgenauigkeit von Kaffeepflanzen und anderer Vegetation mit einer ähnlichen spektralen Signatur verbessert werden kann (Cordero-Sancho & Sader 2007, Brunsell et al. 2009). Nach Cordero-Sancho & Sader (2007) zeigte sich bei der Verwendung von lediglich dem roten Band sowie den nahen und mittleren Infrarot-Spektralbändern eine deutlich geringere Klassifikationsgenauigkeit als bei dem Gebrauch von anderen Bandkombinationen, die zum einen mehr Spektralbänder und zum anderen zusätzliche Daten in Form von Modellen und Indices enthielten. Dennoch waren Fehler in der Klassifikation zwischen Kaffee und Wald mit einer geringen Dichte sowie anderen buschartigen Gehölzpflanzen vorhanden. Auch in diesem Fall war der im Schatten angepflanzte Kaffee im Vergleich zu den in der Sonne angebauten Kaffeepflanzen weiterhin schlechter zu erfassen. Lu et al. (2007) verwendeten eine Integration von Radardaten zur Verbesserung der räumlichen Auflösung der Landsat-Szenen, welche zu einer besseren Klassifikationsgenauigkeit von Landbedeckung und Landnutzung und folglich auch von Kaffeeplantagen führte. Das Ergebnis verbesserte vorsätzlich die visuelle Interpretation, doch war diese Methode nicht für alle Vegetationstypen geeignet.
Nicht zu vernachlässigen ist der Einfluss auf die Genauigkeit des Ergebnisses durch die Wahl des Klassifikationsschemas. So erwiesen sich zuvor angewandte Algorithmen mit Einzelklassifizierern oder klassischen Algorithmen, wie beispielsweise der Maximum-Likelihood -Klassifizierer oder der K-Means -Algorithmus, als zu limitiert, um aussagekräftige Ergebnisse zu liefern (Langford & Bell 1997, Cordero-Sancho & Sader 2007). Dies begründete sich darin, dass jedes Pixel einer Szene bei diesen Algorithmen als unabhängiges Element behandelt wird. Vor allem Mischpixel, d.h. Pixel mit mehr als einer Landbedeckung und Landnutzung, oder Pixel, die in Überlappungsbereichen von zwei oder mehreren Klassenintervallen liegen, werden anhand einer Wahrscheinlichkeits-Dichte-Funktion zugeordnet (Campbell & Wynne 2011: 359). Im Rahmen einer Klassifikation von Kaffee war das Ergebnis folglich sehr anfällig für spektrale Variabilitäten innerhalb einer Klasse (Cleve et al. 2008, Liu & Xia 2010). Im Gegensatz zu solchen statistisch basierten Algorithmen zeigten Algorithmen des maschinellen Lernens eine signifikante Verbesserung in der Klassifikation von Landbedeckung und Landnutzung sowie besonders in der Kartierung von Kaffeepflanzen (Roberts et al. 2002, Lu et al. 2004, Schmitt-Harsh et al. 2013, Kawakubo & Machado 2016). Die Spectral Mixture Analysis demonstrierte sich als eine wirksame Methode, da Fehler durch sogenannte Mischpixel oder durch die heterogenen Strukturen der Kaffeepflanze minimiert werden konnten (Kawakubo & Machado 2016). Des Weiteren erzielten Klassifizierer, die mehrere Entscheidungsbäume enthalten (z.B. Random Forest) ein besseres Ergebnis in der Klassifikation im Vergleich zu anderen statistischen Klassifikationsverfahren (z.B. Maximum-Likelihood, einfacher Entscheidungsbaum und Nearest Neighbour) (Roberts et al. 2002, Pal 2005, Carreiras et al. 2006, Gislason et al. 2006, Schmitt-Harsh et al. 2013, Kawakubo & Machado 2016). Kawakubo & Machado (2016) verwendeten multispektrale Szenen der Landsat-Serie, um Kaffeeplantagen im Südosten Brasiliens auszuweisen und entsprechend ihres phänologischen Zustands zu klassifizieren. Die Verwendung eines Ansatzes des maschinellen Lernens bestätigte sich hier als wirksam. Dementsprechend zeigte nicht nur die Spectral Mixture Analysis eine Reduzierung in der Klassifikation von Mischpixeln. Auch der Gebrauch eines Entscheidungsbaumsklassifizierers führte zu einer höheren Gesamtgenauigkeit von 70,7 Prozent in der Klassifikation.
Insgesamt beschränkte sich die Größe der in diesen Studien ausgewählten Untersuchungsgebiete vorwiegend auf kleinere Testgebiete mit einer durchschnittlichen Fläche von einigen Tausend Quadratkilometern. Größere Regionen, wie in der Größe eines Bundesstaates oder Staates, wurden im Rahmen einer Erfassung von Kaffeeplantagen mit Hilfe von Verfahren des maschinellen Lernens sowie auch über einen längeren Zeitraum selten wahrgenommen.
2.3. Kaffeeanbau und –plantagenwirtschaft in Brasilien
Die Produktion von Kaffee fokussiert sich neben einzelnen Gebieten primär auf die südöstliche Region des brasilianischen Staates. Davon befinden sich die meisten Anbauflächen im Bundesstaat Minas Gerais. In Brasilien werden grundsätzlich die beiden Kaffeesorten Arabica und Robusta angebaut. Während Arabica vor allem in Minas Gerais produziert wird, ist Espírito Santo der Bundesstaat mit der größten nationalen Produktion von Robusta. Die schon zur Kolonialzeit begonnene Entwicklung und Ausweitung der Kaffeeproduktion führte zu einer raschen Entwicklung von vor allem Siedlungen, Infrastruktur und Industrie in den Staaten des Südostens von Brasilien (Ignazzi 2015: 2f, Volsi et al. 2019: 8f). Detaillierte Einblicke in diese Thematik werden im Nachstehenden präsentiert. Zunächst erfolgt eine genaue Beschreibung der Kaffeepflanze sowie der botanische Unterschiede zwischen den in Brasilien angebauten Kaffeesorten Arabica und Robusta. Des Weiteren werden die historische Entwicklung des Kaffeeanbaus sowie dessen aktuelle Situation in Brasilien dargelegt.
2.3.1. Botanische Eigenschaften von Kaffee
Bei der Kaffeepflanze handelt es sich um einen mehrjährigen, immergrünen Strauch oder kleinen Baum der Gattung Coffea, welche zur Familie der Rötegewächse (Rubiaceae) gehört. Zu den bedeutendsten Kaffeepflanzenarten zählen neben Coffea Arabica unter anderem Coffea Canephora (auch bekannt unter Robusta), Coffea Liberica und Coffea Excelsa (Bellmann & Himpel 2006: 129). Wesentliches Merkmal dieser Pflanzen sind ihre ledrigen, glänzend dunkelgrünen und länglich-oval geformten Blätter, welche gegenständig angeordnet sind (Duell-Pfaff 1999). Zudem verfügt sie über ein ausgeprägtes Wurzelsystem (Vieira 2008: 4). Die weißen bis cremefarbenen Blüten der Pflanze sind büschelartig in den Blattachsen zu finden, aus denen die Früchte als eine dunkelrote, kirschähnliche Steinfrucht, auch Kaffeekirsche genannt, hervorgehen. Diese besteht aus einer festen Schale sowie reichhaltigem Fruchtfleisch. Innerhalb derer sind die Kaffeebohnen als zwei auf der Innenseite abgeflachte und mit einer Furche versehene Samen enthalten (Duell-Pfaff 1999, Bellmann & Himpel 2006: 129). Ihr maximales Alter kann je nach Art und Weise der Kultivierung variieren und liegt im Grunde bei mindestens zehn bis 20 Jahren, innerhalb dessen der Ernteertrag sich im Idealfall nicht abschwächt (Bellmann & Himpel 2006: 130).
Die unterschiedlichen Wachstumsphasen einer Kaffeepflanze werden nach Camargo & Camargo (2001) zu einem zweijährigen phänologischen Zyklus mit insgesamt sechs Phasen zusammengefasst. In Abbildung 5 sind diese Phasen am Beispiel der Sorte Arabica dargelegt. Hierbei besteht das erste phänologische Jahr aus zwei Phasen, die im Besonderen die Vegetationsproduktion beinhalten. Die erste Phase dauert von September bis März an und ist vor allem durch lange Tageszeiten gekennzeichnet. Es kommt in dieser Periode zur Bildung von Blattknospen. In der zweiten Phase reifen diese weiter an, bis sie die letzten zwei Monate der Phase ruhen (Juli bis August). In dieser Zeit verfügt die Kaffeepflanze lediglich über kleine Blätter. Generell sind die Tage kürzer, aber auch die Lufttemperatur ist im Vergleich zur vorigen Phase niedrig (Brunsell et al. 2009: 290). Das zweite phänologische Jahr besteht aus vier und dadurch wesentlich kürzeren Phasen als im Vergleich zum Vorjahr des Wachstumszyklus (s. Abbildung 5). Beginnend mit der dritten Phase, welche von September bis Dezember andauert, tritt nun die Blüte der Knospen ein. Nach der Blütezeit erfolgt in der vierten Phase eine dreimonatige Periode, in der die Frucht sich beginnt aus den Blüten zu entwickeln und heranzuwachsen. Nachdem die Kaffeekirsche ausgewachsen ist, folgt mit der fünften Phase ein ebenso drei Monate andauernder Reifeprozess. Nach vollständiger Ausreifung der Frucht tritt die letzte und sechste Phase von Juli bis August ein, welche das Stadium der Zellseneszenz darstellt (Brunsell et al. 2009: 290). In diesem Zeitraum hören die Zellen auf sich zu teilen und es beginnt ein allgemeiner Alterungsprozess. Dies ist ein überwiegend hormonell gesteuertes Phänomen und beinhaltet diesbezüglich den Blatt-, Blüte oder Fruchtfall. Neben dem Absterben von Pflanzenorganen kann dennoch gleichzeitig das Wachstum von Organen bzw. Zellbeständen erfolgen. Der Prozess der Seneszenz ist ein Teil, bei dem für die Bildung neuer Blätter die erforderlichen Ressourcen aus alternden Blättern gewonnen werden (Kaltschmitt et al. 2016: 88).
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 5: Schematisierung der sechs phänologischen Phasen des Arabica-Kaffees während 24 Monaten unter tropischen Klimabedingungen in Brasilien (Camargo & Camargo 2001: 66, Brunsell et al. 2009: 291, geändert).
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 6: Die Pflanzen der Kaffeesorten Arabica (links) und Robusta (rechts) im Vergleich (Bayer 2018).
Trotz verschiedenster Kaffeesorten sind für die globale Produktion in Brasilien lediglich die beiden Kaffeepflanzenarten Coffea Arabica und Coffea Canephora bzw. die Kaffeesorten Arabica und Robusta wirtschaftlich entscheidend. Ihre botanischen Eigenschaften können in Abbildung 6 verglichen werden. Danach handelt es sich bei der Kaffeepflanze der Sorte Arabica um einen Baum, bestehend aus einem Hauptstamm und tief reichenden Wurzeln, die bei vollem Auswuchs bis zu 2,5 Meter Tiefe in den Boden reichen. Die Höhe variiert zwischen vier bis sechs Metern. Auf Kaffeeplantagen wird die Pflanze jedoch durch regelmäßigen Rückschnitt in Strauchform gehalten, um bei der Ernte Ertragsvorteile und effektivere Arbeitsabfolgen zu sichern (Bellmann & Himpel 2006: 129). Die Kaffeepflanze Coffea Canephora, aus welcher die Sorte Robusta hervorgeht, ist hingegen ein mehrstämmiger Strauch mit einem in die Fläche ausgeprägten Wurzelsystem und kann eine maximale Wuchshöhe von zehn Metern erreichen. Ferner verfügen die Bohnen über einen höheren Koffeingehalt als bei der Sorte Arabica (s. Abbildung 6).
Neben Unterschieden in der Botanik der Kaffeepflanzenarten gelten für Arabica und Robusta zudem ebenso abweichende Anbauvoraussetzungen. Hierbei nehmen standortspezifische Parameter wie die Höhe, die Temperatur, die Sonneneinstrahlung, der Niederschlag, die Bodeneigenschaften und die Windverhältnisse Einfluss auf die Qualität und die Ertragsmenge beider Kaffeesorten. Coffea Arabica wächst vor allem im tropischen Hochland. Hierbei liegt ihre optimale Anbauhöhe zwischen 600 und 1.200 Metern ü.d.M.. Die Sorte Robusta kann hingegen auch in tieferen Regionen angebaut werden und verträgt bereits Höhen von circa 400 Metern ü.d.M. (Dünckmann 2002: 37). Die optimale Temperatur liegt für beide Sorten zwischen 22 und 26 Grad Celsius. Das tatsächliche Temperaturminimum beträgt allerdings 13 Grad und das entsprechende Temperaturmaximum 30 Grad Celsius. Robusta zeigt gegenüber höheren Temperaturen sogar eine bessere Verträglichkeit, ist jedoch im Verhältnis zu Arabica weniger anpassungsfähig gegenüber niedrigeren Temperaturen (Bellmann & Himpel 2006: 129f, DaMatta et al. 2007: 486). Temperaturen nahe dem Gefrierpunkt von Wasser führen allerdings bei beiden Sorten zu irreparablen Schäden an den Kaffeepflanzen und folglich nachhaltig zu Ertragseinbußen. Des Weiteren vertragen beide Kaffeepflanzenarten weder übermäßige Sonneneinstrahlung noch große Hitze (Bellmann & Himpel 2006: 129f). Daneben sind die durchschnittliche jährliche Niederschlagsmenge, deren Verteilung und der Luftfeuchtigkeitsgrad für die Kultivierung von Kaffee entscheidend. Prinzipiell liegt der Wasserbedarf einer Kaffeepflanze bei 250 bis 300 Millimeter Niederschlag pro Quadratmeter im Jahr. Dieser Bedarf ergibt sich idealerweise aus einer jährlichen Niederschlagsmenge von 1.500 bis 2.000 Millimetern. Folglich ist ab einem gemittelten Jahresniederschlag von unter 1.000 Millimetern bereits künstliche Bewässerung erforderlich. Kaffeepflanzen der Sorte Arabica favorisieren gemäßigte Niederschlagsmengen sowie eine ebenfalls gemäßigte Wasserzufuhr, während Robusta-Kaffeepflanzen auch regenreichere Zustände tolerieren (Bellmann & Himpel 2006: 130). Für ein optimales Wachstum der Kaffeepflanze sollte im Allgemeinen der Boden über folgende Eigenschaften verfügen: ausreichende Tiefe, lockeres, gut belüftetes und durchlässiges bzw. sandiges Substrat sowie einen neutralen bis leicht sauren ph-Wert. Die obere Bodenschicht sollte hierbei einen relativ hohen Humusgehalt besitzen. Dies ist besonders wichtig, da bei tropischen Starkregenereignissen Bodenabtrag und Abschwemmungen von Bodenschichten verhindert werden. Außerdem erhöht es das Nährstoffangebot und bewahrt die Feuchtigkeit im Boden (Jonasson 1958: 92f, Bellmann & Himpel 2006: 130). Ein weiterer wesentlicher Faktor für das Gedeihen von Kaffee ist der Wind. Bereits zu kalte, zu trockene oder zu starke Windverhältnisse führen zu kleineren Schäden an der Kaffeepflanze und sind prinzipiell schwer zu überstehen. Stürme oder gar starke Regenergüsse verursachen größere und bedeutendere Schäden, die auch zu Ertragseinbußen führen (Jonasson 1958: 92).
Eine Kaffeepflanze trägt nach erfolgreicher Pflege und Haltung ab dem dritten bis fünften Jahr die ersten Früchte und kann die folgenden zehn bis 20 Jahre maximale Ernteerträge erzielen. Hierfür muss der Boden um die Pflanze herum regelmäßig freigehalten werden. Sowohl die Pflanzen von Arabica als auch von Robusta sind aufgrund des (sub-)tropischen Klimas oft Schädlingen und Krankheiten ausgesetzt, wie beispielsweise dem Kaffeerost oder Mikropilzarten. Für maximale Ertragsmengen ist deshalb ein geeigneter Pflanzenschutz zu beachten (Bellmann & Himpel 2006: 130).
2.3.2. Historische Entwicklung und heutige Situation
Das Wort „Kaffee“ leitet sich aus dem Namen des ehemaligen Königreichs Kaffa ab, in welchem zwischen dem fünften und achten Jahrhundert die Kultivierung von Kaffee erstmals begonnen haben soll. Heute ist diese Region ein Teil von Äthiopien. Von dort ausgehend wurde Kaffee als Getränk anfänglich in die arabischen Staaten eingeführt. Vor allem, da der Verzehr von Alkohol in diesen Regionen nicht erlaubt war, entwickelte sich Kaffee rasch zu einem bedeutenden Genussmittel (Vieira 2008: 3). Erst über zehn Jahrhunderte später wurde die Kaffeepflanze in den Norden Brasiliens eingeführt. Hierbei wird angenommen, dass im Jahre 1727 der portugiesische Oberstleutnant Francisco del Melo Palheta die Kaffeepflanze aus Französisch-Guayana in den brasilianischen Bundesstaat Pará importierte und sich danach deren Kultivierung von dort aus im gesamten Staat verbreitet haben soll (Wellman 1961: 35f, Fausto & Fausto 2014: 101).
Der Beginn des kommerziellen Kaffeeanbaus im 18. und 19. Jahrhundert
Im Südosten Brasiliens erfolgten um das Jahr 1774 die ersten Kaffeepflanzungen in Gegenden um die Städte Rio de Janeiro und Santos, dessen Anbau vorrangig für den heimischen Konsum bestimmt war (James 1932: 226, Wellman 1961: 356, Dünckmann 2002: 36). Eine steigende Nachfrage in Europa und Nordamerika führte nachfolgend in den ersten Jahrzehnten des 19. Jahrhunderts zu einem verstärkten Anbau im Vale do Paraíba, einem zwischen den Städten Rio de Janeiro und São Paulo gelegenen Tal. Neben einer wachsenden Nachfrage auf dem internationalen Markt ließ außerdem die Verfügbarkeit förderlicher Ressourcen eine kommerzielle Kaffeekultivierung und rasche Ausweitung von Plantageflächen zu. Diese umfassten ausreichend geeignetes Land, eine gut ausgeprägte Infrastruktur und kostengünstige Arbeitskräfte (Alonso 2012). Zugleich verfügte das Vale do Paraíba über optimale klimatische Bedingungen und ideale Bodeneigenschaften für den Kaffeeanbau. Zusätzlich zeichnete es sich durch günstige Transportmöglichkeiten und –anbindungen zu den Häfen Rio de Janeiro und Santos aus (Dünckmann 2002: 36). Im Zuge dessen konnte ein Anbau in Form von landwirtschaftlichen Großbetrieben stattfinden, in denen Sklavinnen und Sklaven, vorwiegend aus Afrika, als Arbeitskraft für die Kaffeeproduktion eingesetzt wurden (s. Abbildung 7) (Roseberry 1991: 363, Alonso 2012). Um der rasch anwachsenden Produktion von Kaffee gerecht zu werden, wurde allein zwischen 1821 und 1830 von den jährlich eintreffenden rund 43.100 Sklaveninnen und Sklaven an den Häfen Brasiliens die Mehrheit für die Kaffeeproduktion eingesetzt (Dünckmann 2002: 36).
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 7: Sklavinnen und Sklaven wenden den Kaffee auf einer Kaffeeplantage im Vale do Paraíba, Bundesstaat Sao Paulo, 1882 (Garcia-Navarro 2013, Fotograf: Marc Ferrez).
Der Kaffeeanbau im Südosten verbesserte vor allem die wirtschaftliche Situation des Landes und brachte zudem neben wirtschaftlichen auch finanziellen Wohlstand. Beispielsweise wurden hierdurch Ressourcen und Kapital für inländische nicht-landwirtschaftliche Investitionen geschaffen. Es entstanden Fabriken für Stoffe, Werkzeuge und weitere Genussmittel sowie zahlreiche Dienstleistungen in dieser Region (Alonso 2012). Daraus folgend verbesserte sich außerdem die Infrastruktur in Rio de Janeiro und São Paulo, die unter anderem den Bau der Eisenbahn ab Mitte des 19. Jahrhunderts einschloss (Smith Duncan 1932: 19, Alonso 2012). Neben dem wirtschaftlichen Erfolg und Aufschwung auf der einen Seite führte der intensive Kaffeeanbau auf der anderen Seite zu einer Übernutzung der natürlichen Ressourcen. Dies begründete sich zeitnah in Bodendegradation und –erosion der landwirtschaftlichen Flächen, zu deren Schutz jedoch kaum nachhaltige Maßnahmen vorgenommen wurden. Um fortwährend den gleichbleibenden Ertrag zu leisten, wurde für den Kaffeeanbau auf andere Flächen im Vale do Paraíba ausgewichen. Dies betraf besonders Regenwälder entlang der atlantischen Küste, die für die Errichtung von Kaffeeplantagen gerodet wurden. Die ehemaligen und nicht mehr für Kaffee nutzbaren Anbauflächen dienten hingegen nachfolgend als extensives Weideland, sodass das Landschaftsbild des Vale do Paraíbas nachhaltig stark verändert wurde. Auswirkungen dieser Landnutzungsänderungen sind noch heute durch einerseits einen geringen bis kaum vorhandenen Primärwaldbestand sowie andererseits durch weiträumig degradierte Flächen mit niedrigem bis moderaten Bewuchs nachgewachsener Sekundärvegetation festzustellen (Dünckmann 2002: 36, Alonso 2012).
Expansion und Verlagerung der Kaffewirtschaft ab Mitte des 19. Jahrhunderts
Bereits Mitte des 19. Jahrhunderts wurden weitestgehend alle möglichen Flächen im Vale do Paraíba zum Kaffeeanbau bewirtschaftet. Existierende Anbaugebiete waren außerdem aufgrund der intensiven und nicht nachhaltigen Nutzung ökologisch soweit degradiert, dass sie nicht ausreichend oder keinen Ertrag mehr für den internationalen Markt produzierten und grundsätzlich nicht mehr für den Kaffeeanbau erneut verwendet werden konnten. Anlässlich dieses Flächenmangels wurden im Folgenden außerhalb dieser Region in Richtung des Binnenlandes von den Bundesstaaten São Paulo und Minas Gerais neue Kaffeeanbaugebiete erschlossen (Dünckmann 2002: 36). Hinzukommend zum flächendeckenden Standortwechsel weiterer Kaffeeplantagen im Südosten Brasiliens wurde am 4. September 1850 das Gesetz von Eusébio de Queiroz verabschiedet, welches den Sklavenhandel in Brasilien verbat (Gabler 2016). Dies führte besonders zu einer strukturellen Verlagerung innerhalb der Kaffeeproduktion, da das Einführen von neuen Sklavinnen und Sklaven als Arbeitskraft ausblieb. Erst 1888 beendete Brasilien als letzter Staat die Sklaverei, sodass die Arbeit auf den Kaffeeplantagen fortan von freien Arbeitskräften zu verrichten war (Dünckmann 2002: 37). In der Folge wurden verstärkt Immigrantinnen und Immigranten aus Europa, darunter besonders aus Italien, Deutschland, der Ukraine und Polen, sowie zu Beginn des 20. Jahrhunderts auch aus Japan, für die Arbeit in der stetig wachsenden Kaffeewirtschaft angeworben (Font 1987: 69, Alonso 2012). Die Kosten der Überfahrt trug zumeist der Arbeitgeber bzw. in diesem Fall der Besitzende des Großbetriebs. Auffällig hierbei war, dass anstelle einzelner Arbeitskräfte alle Familienmitglieder auf den Großbetrieben beschäftigt wurden. Dies bot den Vorteil, dass für bestimmte Produktionsschritte neben meist männlichen Arbeitern auch Kinder und Frauen eingesetzt werden konnten (Dünckmann 2002: 37). Ein vor allem in São Paulo viel verwendetes Prinzip war das colonato -System. Dieses sah vor, dass jede Familie für eine bestimmte Anzahl von Kaffeepflanzen zuständig war und dafür ein festes Gehalt erhielt. Entscheidend war jedoch, dass die Zwischenräume der Kaffeepflanzen für den eigenen Anbau der zugehörigen Familie verwendet werden durften (Roseberry 1991: 364f, Prutsch & Rodrigues-Moura 2013: 73). Für die Besitzenden der Großbetriebe hatte dies den erheblichen Vorteil, dass die Produktion dem Absatzpreis von Kaffee nach Bedarf angepasst werden konnte. War folglich der Kaffeepreis hoch, wurde die Anbaufläche für den Eigenbedarf der Familien reduziert und entsprechend der Arbeitslohn erhöht, um so eine höhere Produktion zu garantieren. Erwartungsgemäß wurden bei einem niedrigen Absatzpreis von Kaffee die Löhne gesenkt und die Anbauflächen für den eigenständigen Anbau ausgeweitet.
Bis in die Mitte des 20. Jahrhunderts war das colonato -System das am häufigsten verwendete Prinzip. Es begünstigte zudem eine rasche Ausweitung von Kaffeeanbaugebieten im Südosten Brasiliens. Des Weiteren ermöglichte der Ausbau der Eisenbahn die Errichtung von Kaffeeplantagen in eher schwer zugänglichen Regionen des Südostens und eine gleichzeitige günstige Anbindung an die Häfen der atlantischen Küste. Infolgedessen konnten neben weiteren Teilen der Bundesstaaten von Rio de Janeiro und São Paulo auch zusätzliche Gebiete im Süden von Minas Gerais und Espírito Santo erschlossen werden. Diese rasche und kontinuierliche Expansion von Kaffeeanbauflächen im Südosten Brasiliens führte bis zum Ende des 19. Jahrhunderts dazu, dass über die Hälfte der internationalen Kaffeeproduktion aus Brasilien stammte. Der Erwerb neuer potentieller landwirtschaftlicher Anbauflächen war weiterhin kostengünstiger als die Aufrechterhaltung und Pflege bestehender Pflanzungen. Dies hatte zur Folge, dass besonders Primärwaldflächen für den Kaffeeanbau weiter gerodet wurden. Am Beispiel São Paulos sind die Folgen noch heute deutlich zu erkennen, da allein in diesem Bundesstaat über 90 Prozent der ursprünglichen Wälder nicht mehr bestehen (Dünckmann 2002: 37).
Überproduktion und Industrialisierung im 20. Jahrhundert
Eine rasche Ausweitung potenzieller Anbauflächen führte im Folgenden zum Problem einer Überproduktion von Kaffee, welches den Weltmarktpreis trotz steigender Nachfrage auf dem internationalen Markt sinken lies. Um den Weltmarktpreis allerdings bei fortwährender Verbreitung weiterer Kaffeeplantagen und somit steigender Produktion weiterhin künstlich hoch zu halten, kaufte die brasilianische Regierung einen Großteil des produzierten Kaffees auf (Dünckmann 2002: 37, Alonso 2012). Dennoch destabilisierte die Weltwirtschaftskrise im Jahr 1929 die nationale Kaffeewirtschaft und sorgte für ein Sinken des Kaffeepreises. Dem entgegengesetzt war weiterhin eine steigende Produktionsmenge von Kaffee zu verzeichnen, sodass im Rahmen der brasilianischen Wirtschaftspolitik beachtliche Mengen Kaffee vernichtet oder für andere Zwecke verwendet wurden (s. Abbildung 8), um den Produktionsüberschüssen und folglich dem sinkenden Kaffeepreis entgegenzuwirken (Alonso 2012).
[...]
-
-
-
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X. -
-
Téléchargez vos propres textes! Gagnez de l'argent et un iPhone X.