Klassifikation von Wald und Sträuchern anhand multitemporaler RapidEye-Daten - eine Landbedeckungsklassifikation in Südhessen

Transkript

1 Klassifikation von Wald und Sträuchern anhand multitemporaler RapidEye-Daten - eine Landbedeckungsklassifikation in Südhessen Neue Perspektiven der Erdbeobachtung Das Symposium zur angewandten Satellitenerdbeobachtung , Köln Sylvia Seissiger Bundesamt für Kartographie und Geodäsie Stephan Arnold Statistisches Bundesamt (DESTATIS)

2 Landbedeckungsänderungen in Europe 2006 bis 2012, basierend auf Corine Land Cover Artificial areas Arable land / permanent crops Pastures and mosaics Forested land Semi-natural vegetation Open spaces / bare soils Wetland Water bodies Source: ETC/ULS 2016 Seite 2

3 Anforderung von Eurostat an das statistische Bundesamt A00 Artificial land C00 Woodland Harmonisierte Statistik zu Landbedeckung und Landnutzung Einheitliche Erfassungskriterien Mindesterfassungsflächengröße Erfassungszeitpunkt, Bezugszeitraum Inhaltliche Definitionen D00 Shrubland E00 Grass F00 Bare land G00 Water Areas B00 Cropland H00 Wetland Seite 3

4 Herausforderung Ableitung von Flächenstatistiken anhand der LUCAS-Klassifikation Kein einzelner bestehender nationaler Datensatz kann für eine direkte Transformation in die geforderte LUCAS Nomenklatur herangezogen werden Semantische Transformationen von nationalen Datensätzen ergaben keine zuverlässige Befüllung der LUCAS Klassen Auflösung der Fernerkundungsdatensätze: limitierende Auswirkungen auf die vollständige Umsetzung Fernerkundung liefert Informationen zur Landbedeckung Seite 4

5 Weitere Datensätze werden geprüft Cop4Stat_2015plus: Forschungsinhalte und ziele Verbundprojekt zwischen dem Statistischen Bundesamt (DESTATIS, Projektführung) und dem Bundesamt für Kartographie und Geodäsie (BKG), 2015 bis Sept Machbarkeitsstudie zur Harmonisierung von Datensätzen für statistische Bedarfsanforderungen auf europäischer und nationaler Ebene Entwicklung von Algorithmen zur Ableitung von Flächenstatistiken Europäische Ebene CLC Copernicus Daten LUCAS Primäres Testgebiet ist Südhessen Bundes Ebene Länder- Ebene LBM-DE ATKIS Cop4 Stat FEtN Stat ALB/ALKIS Annähernd wolkenfreier Sentinel-2 Datensatz (RGB, Nahes Infrarot) für Deutschland (Quelle: ESA; Bearbeitet von BKG (GI7)) Seite 5

6 Projektziele und bisherige Ergebnisse Untersuchung bestehender Datensätze hinsichtlich ihrer Verwendbarkeit als Input für eine Landbedeckungsklassifikation Kein Datensatz liefert eine flächendeckendes Ergebnis aufgrund von Nomenklaturdifferenzen ATKIS Basis-DLM und LBM-DE als Trainingsdaten geeignet Untersuchung verschiedener Skalen (Sentinel, RapidEye) Sehr gute Ergebnisse für Landbedeckungsklassifikation auf Ebene Sentinel 1 und Sentinel-2 erreicht Probleme bei der Trennung von Büschen und Bäumen Einsatz eines normalisierten Oberflächenmodells auf RapidEye-Ebene Vergleich der Landbedeckungsklassifikation mit offizieller Flächenstatistik Seite 6

7 Ergebnis Klassifikation Vorverar -beitung Input Workflow LBM-DE 2015 ATKIS Basis-DLM Satellite Data (Sentinel-1, Sentinel-2, RapidEye) Digital Surface Model (DSM) Digital Terrain Model (DTM) Transformation to LUCAS classes Segmentation Leaf Area Index Vegetation indices normalized Digital Surface Model (ndsm) Training/ validation data Random Forest /Decision Tree Classification Landcover map Validation Seite 7

8 Klassifikationsalgorithmus und Inputdaten RapidEye ID Szene: Datum: / Features: Drei Zeitschnitte Fünf RapidEye Bänder Vegetationsindizes: NDVI, NDWI, SR, NGI, SAVI Blattflächenindex ndsm Seite 8

9 Workflow Vorprozessierung Grenzen Basis-DLM Segmente erhalten Information aus Basis- DLM Segmentierung Trainingsdaten Ackerland (B00): NDVI in einem Zeitschnitt: <0.5 Wald (C00): ndsm > 5m Büsche (D00): ndsm < 5 m Grünland (E00): ndsm < 1.5 m NDVI in allen Zeitschnitten > 0.5 Wasser(G00): NDVI in einem Zeitschnitt < 0.3 Seite 9

10 Auswertung Trainingsdaten Seite 10

11 Klassifikationsergebnis Seite 11

12 Basis-DLM / LBM-DE Validierung Accuracy Assessment Ohne ndsm mit ndsm Producer s Accuracy User s Accuracy Producer s Accuracy User s Accuracy Künstliche Flächen Ackerland Wald Büsche Grünland Wasser Overall Accuracy Seite 12

13 Zusammenfassung - Hierarchische Landbedeckungsklassifikation (Decision Tree und Machine-Learning) - Klassifikationsgenauigkeit: > 90 Prozent - Schwierigkeiten: Schatten als Wasser klassifiziert - Trennbarkeit von Büschen und Bäumen konnte mit Hilfe von ndom verbessert werden Seite 13

14 Ausblick Vergleich der Ergebnisse der Landbedeckungsklassifikation mit der offiziellen Flächenstatistik Anwenden der Methodik auf drei weitere Untersuchungsgebiete in Bayern (Garmisch-Partenkirchen, Regensburg) und Niedersachsen (Friesland) mit Sentinel1- und Sentinel-2 Untersuchung bisher nicht-klassifizierter Landbedeckungen (offener Boden, Feuchtgebiete) Testen auf Übertragbarkeit Seite 14

15 Vielen Dank für die Aufmerksamkeit! Kontakt Bundesamt für Kartographie und Geodäsie Abteilung Geoinformation - Entwicklung und Fernerkundung Richard-Strauss-Allee Frankfurt am Main Sylvia Seissiger sylvia.seissiger@bkg.bund.de Tel. +49 (0) Statistisches Bundesamt Area Land Use Statistics Gustav-Stresemann-Ring Wiesbaden Stephan Arnold stephan.arnold@destatis.de (0) 228 / Seite 15