Phänologische Strukturierung von zeitlich hochauflösenden Sentinel-2-Datensätzen zur Optimierung von Landnutzungsklassifikationen

Transkript

1 Workshop: "Nutzung der Sentinels und nationalen Erdbeobachtungs-Missionen" Bonn zeitlich hochauflösenden sätzen zur Optimierung von Landnutzungsklassifikationen Prof. Dr. Cornelia Gläßer, Henning Gerstmann, Dr. Markus Möller, Dr. Detlef Thürkow (Uni Halle) Prof. Dr. Christopher Conrad, Patrick Knöfel (Uni Würzburg) Dr. Daniel Doktor, Xingmei Xu (UFZ) Gefördert durch:

2 Projektüberblick Partner Verbundprojekt der Universitäten Halle und Würzburg,Department CLE des UFZ sowie Fa. UmGeoDat Laufzeit: März 2013 bis Oktober 2016 Motivation Klassifikation von Ackerfrüchten nach Arten ist Voraussetzung für Anwendung von für EU-Agrarpolitik, Umweltfragen etc. Defizite durch große spektrale Ähnlichkeiten Phasen können als Indikator für optimale Zeitfensterauswahl dienen Genauere Klassifikationsergebnisse Henning Gerstmann

3 Projektziele Methodenentwicklung für operationelle Detektion phänologischer Zeitfenster WPA-PhenoS: Prognose-System für: Phänologie: phänologische Modellierungsergebnisse Auskunftssystem für: Klima: tägliche Beobachtungsdaten des DWD zu Temperatur, Wolkenbedeckung, Niederschlag, Beobachtungen und Zeitfenster für Satellitenbildauswahl Visualisierung Henning Gerstmann

4 Projektziele Fernerkundungsdaten Beobachtungsdaten, Höhenmodelle, weitere Sekundärdaten Spektrale Maße Modellierung Klassifikationsrahmen Operationelle Zeitfensterdetektion WPA-PhenoS Henning Gerstmann

5 Teilziele: Spektrale Maße für Sentinel-2 Entwicklung von Vegetationsindizes für : Nutzung der Red-Edge-Kanäle Multitemporale Trennbarkeitsanalysen und Zeitfensterdetektion Extraktion phänologischer Maße aus Satellitendaten Verbindung von spektralem Verhalten mit phänologischen Stadien Henning Gerstmann

6 Teilziele: Modelle Fernerkundungsdaten Beobachtungsdaten, Höhenmodelle, weitere Sekundärdaten Spektrale Maße Modellierung Klassifikationsrahmen Operationelle Zeitfensterdetektion WPA-PhenoS Henning Gerstmann

7 Teilziele: Modelle Modelle für FE-Daten meist auf wenige Phasen beschränkt Häufig Ableitung direkt aus spektraler Information Modelle im Projekt PhenoS: PHASE: statistisches Modell Nutzung von phänologischen und meteorologischen Beobachtungsdaten ohne FE-Daten PIM: Modellierung wachstumsfördernder und -hemmender Prozesse Möglichkeit zur Prognose phänologischer Entwicklungsstadien Henning Gerstmann

8 Teilziele: Klassifikationsrahmen Fernerkundungsdaten Beobachtungsdaten, Höhenmodelle, weitere Sekundärdaten Spektrale Maße Modellierung Klassifikationsrahmen Operationelle Zeitfensterdetektion WPA-PhenoS Henning Gerstmann

9 Projektstruktur Teilziele: Klassifikationsrahmen Multitemporale Klassifikation von Feldfrüchten Klassifikations-Tool Beruhend auf spektralen Maßen Einbeziehung phänologischer Phasen und neu entwickelten Indizes Henning Gerstmann

10 Untersuchungsräume und FE-Daten TERENO-Testgebiete: Mitteldeutsches Tiefland / Harzvorland Nordostdeutsches Tiefland / Demmin Daten: RapidEye AISA-Dual MODIS (SPOT5) Simulation v. Methodenentwicklung Sentinel-2 Henning Gerstmann

11 Bisherige Ergebnisse Henning Gerstmann

12 Modellierung Fernerkundungsdaten Beobachtungsdaten, Höhenmodelle, weitere Sekundärdaten Spektrale Maße Modellierung Klassifikationsrahmen Operationelle Zeitfensterdetektion WPA-PhenoS Henning Gerstmann

13 Modellierung Statistisches Modell PHASE Erstmals vorgestellt von MÖLLER ET AL. (2012) als R-Script Temperatur erklärt Unterschiede im Eintrittsdatum phänologischen Phasen Berechnung von Temperatursummen (Growing degree days) aus täglichen Beobachtungsdaten Übertragung auf Deutschland über Regression (RandomForest, Regression Kriging) Prognose des Eintrittsdatum eines phänologischen Ereignisses Verschiedene Maßstäbe möglich: 1. DGM 2. DGM-Segmente 3. Naturräumliche Haupteinheiten Henning Gerstmann

14 Modellierung Deutschlandweite räumliche Prognose phänologischer Phasen Henning Gerstmann

15 Modellierung PHASE: Modellierung phänologischer Phasen als Indikator für Zeitfensterdetektion von Fernerkundungsdaten Tagesgenaue Interpolationen kann das Modell nicht leisten Benötigt keine Parametrisierung durch Nutzer, optimale Parametrisierung wird durch Kreuzvalidierung bestimmt Retrospektiv unter Nutzung von Jahresmelder-Daten und aktuell bei Nutzung von phänologischen Sofortmeldern Zweites Modell: PIM Henning Gerstmann

16 Promoter-Inhibitor-Model (PIM) Xingmei Xu

17 Promoter-Inhibitor-Model (PIM) Xingmei Xu

18 PIM: Fitting, Sensitivity Analysis and Prediction Fitting with differential evolution algorithm (R-package 'DE optim'), which uses selection, mutation and crossover for optimisation Sensitivity analysis: check influence of model parameters on modelled phenological phases and goodness of fit Training and test on observed phenology from Prediction of phenological phases based on climate scenarios until 2100 Xingmei Xu

19 PIM: Fitting, Sensitivity Analysis and Prediction Fitting with differential evolution algorithm (R-package 'DE optim'), which uses selection, mutation and crossover for optimisation Sensitivity analysis: check influence of model parameters on modelled phenological phases and goodness of fit Training and test on observed phenology from Prediction of phenological phases based on climate scenarios until 2100 Xingmei Xu

20 PIM: Fitting, Sensitivity Analysis and Prediction Fitting with differential evolution algorithm (R-package 'DE optim'), which uses selection, mutation and crossover for optimisation Sensitivity analysis: check influence of model parameters on modelled phenological phases and goodness of fit Training and test on observed phenology from Prediction of phenological phases based on climate scenarios until 2100 Xingmei Xu

21 PIM: Fitting, Sensitivity Analysis and Prediction Fitting with differential evolution algorithm (R-package 'DE optim'), which uses selection, mutation and crossover for optimisation Sensitivity analysis: check influence of model parameters on modelled phenological phases and goodness of fit Training and test on observed phenology from Prediction of phenological phases based on climate scenarios until 2100 Xingmei Xu

22 PIM: Fitting, Sensitivity Analysis and Prediction Fitting with differential evolution algorithm (R-package 'DE optim'), which uses selection, mutation and crossover for optimisation Sensitivity analysis: check influence of model parameters on modelled phenological phases and goodness of fit Training and test on observed phenology from Prediction of phenological phases based on climate scenarios until 2100 Xingmei Xu

23 PIM: Outlook Adapt the model to agricultural species Implement sowing date Potential integration of other model concepts: non-linear dependencies Xingmei Xu

24 Spektrale Maße Fernerkundungsdaten Beobachtungsdaten, Höhenmodelle, weitere Sekundärdaten Spektrale Maße Modellierung Klassifikationsrahmen Operationelle Zeitfensterdetektion WPA-PhenoS Xingmei Xu

25 Maße aus Satellitendaten Data MODIS RapidEye AISA Time period Temporal resolution daily ~15 days during vegetation period ~2 per year Spatial resolution (m) /2/3 Xingmei Xu

26 Maße aus Satellitendaten Data processing MODIS GQ09 Surface reflectance RapidEye radiance RapidEye reflectance ATCOR Respective NDVI time series phenex --R package [1] Phenological matrices Green-up + senescence dates Length of growing season Growing season Integrated NDVI Maximum and minimum NDVI Dates of the year with highest and lowest NDVI Xingmei Xu

27 Maße aus Satellitendaten Data processing MODIS GQ09 Surface reflectance RapidEye radiance RapidEye reflectance ATCOR Respective NDVI time series phenex --R package [1] Phenological matrices Green-up + senescence dates Length of growing season Growing season Integrated NDVI Maximum and minimum NDVI Dates of the year with highest and lowest NDVI Xingmei Xu

28 Maße aus Satellitendaten Year: 2012 Satellite: MODIS aqua Method: BISE Model: Linear interpolation Phenophase: senescence Threshold: local 0.55 Xingmei Xu

29 Maße aus Satellitendaten Year: Year: Satellite: MODIS RapidEye aqua Method: BISE BISE Model: Model: Linear Linear interpolation Phenophase: senescence Green-up Threshold: local Local White area: no data affected by clouds Xingmei Xu

30 Maße aus Satellitendaten AISA data processing Radiometric correction (with Caligeo) Adjustment of AISA Hawk (SWIR) signal Destriping (ROME) Atmospheric correction (with ATCOR 4) Geometric correction (with Caligeo) Georeferencing Mosaicing Geometric correction (with Caligeo) Atmospheric correction with BRDF correction (with ATCOR 4) Georeferencing Orthorectification (with PARGE) Xingmei Xu

31 Maße aus Satellitendaten Simulated Sentinel-2 images [1] signal i the plot-based simulated signal of Sentinel-2 in band i src i the spectral response curve for band i of Sentinel-2; src i =1 ref the plot-based canopy reflectance observed by AISA rad the radiometric resolution Spatial resolution: 60m 10m Band combination: R-band 9(945nm) 8(842nm) G-band 1(443nm) 4(665nm) B-band 10(1375nm) 3(560nm) [1] Hannes Feilhauer et al., 2013, Assessing floristic composition with multispectral sensors A comparison based on monotemporal and multiseasonal field spectra, Int. Journal of Applied Earth Observation and Geoinformation, 21( ). Xingmei Xu

32 Maße aus Satellitendaten Simulated Sentinel-2 images [1] signal i the plot-based simulated signal of Sentinel-2 in band i src i the spectral response curve for band i of Sentinel-2; src i =1 ref the plot-based canopy reflectance observed by AISA rad the radiometric resolution Spatial resolution: 20m Band combination: R-band 5(705nm) G-band 7(783nm) B-band 6(740nm) [1] Hannes Feilhauer et al., 2013, Assessing floristic composition with multispectral sensors A comparison based on monotemporal and multiseasonal field spectra, Int. Journal of Applied Earth Observation and Geoinformation, 21( ). Xingmei Xu

33 Maße aus Satellitendaten Simulated Sentinel-2 images [1] signal i the plot-based simulated signal of Sentinel-2 in band i src i the spectral response curve for band i of Sentinel-2; src i =1 ref the plot-based canopy reflectance observed by AISA rad the radiometric resolution Spatial resolution: 60m Band combination: R-band 9(945nm) G-band 1(443nm) B-band 10(1375nm) [1] Hannes Feilhauer et al., 2013, Assessing floristic composition with multispectral sensors A comparison based on monotemporal and multiseasonal field spectra, Int. Journal of Applied Earth Observation and Geoinformation, 21( ). Xingmei Xu

34 Maße aus Satellitendaten Field observations Period Fields covered 62 Data Measurements from Aschersleben to Straßberg Fields number: 70 in total---50 per week Data types: BBCH code plant height BBCH Code (Biologische Bundesanstalt für Land- und Forstwirtschaft, Bundessortenamt und CHemische Industrie) : Oilseed rape : or more visibly extended internodes 50---Flower buds present, still enclosed by leaves 60---First flowers open Cereal : leaves unfolded 39---Flag leaf stage 51---Beginning of heading 55 Xingmei Xu

35 Spektrale Maße Fernerkundungsdaten Beobachtungsdaten, Höhenmodelle, weitere Sekundärdaten Spektrale Maße Modellierung Klassifikationsrahmen Operationelle Zeitfensterdetektion WPA-PhenoS Henning Gerstmann

36 Spektrale Maße Vegetationsindizes: Vergleich Standard-Indizes mit sensorspezifischen neuen Indizes im VIS/NIR Automatisierte Bestimmung des optimalen Index zur Trennung bestimmter Feldfrüchte: Ιndex Β1 Β2 Β1 d1*β1 d2*β2 c B1-B3: Spektralkanäle d1,d2: Wichtungsfaktoren c: Absolutglied o Gütemaß η 2 zur Zusammenhangsanalyse zwischen Klassenzugehörigkeit und mittlerem Indexwert Berechnung von fruchtartspezifischen Index-Zeitreihen Berechnung der Indexdifferenz der Zielarten als Trennbarkeitsindikator Kopplung an modellierte phänologische Phasen Erweiterung des Klassifikationsrahmens Henning Gerstmann

37 Spektrale Maße Beispiel Monotemporale Trennung von Gerste und Roggen am 4. Juni 2011 mit RapidEye: RedEdge Blue Index RedEdge 7*Blue 1*NIR 1 Index η 2 NDVI SRR (RedEdge/NIR) SAVI EVI Optimaler Index RapidEye-Tile , Bandkombination RESA-ID: 653 Henning Gerstmann

38 Spektrale Maße Beispiel Monotemporale Trennung von Gerste und Roggen am 4. Juni 2011 mit RapidEye: RedEdge Blue Index RedEdge 7*Blue 1*NIR 1 Index η 2 NDVI SRR (RedEdge/NIR) SAVI EVI Optimaler Index RapidEye-Tile , Bandkombination RESA-ID: 653 Henning Gerstmann

39 Spektrale Maße Zeitreihe Sep `10 Okt Nov Dez Jan Feb März Apr Mai Jun Jul Aug Sep`11 Henning Gerstmann

40 Spektrale Maße Zeitreihe Differenz Sep `10 Okt Nov Dez Jan Feb März Apr Mai Jun Jul Aug Sep`11 Henning Gerstmann

41 Spektrale Maße Zeitreihe Differenz Kopplung an phänologische Phase Roggen: Blüte Gerste: Ährenschieben Sep `10 Okt Nov Dez Jan Feb März Apr Mai Jun Jul Aug Sep`11 Henning Gerstmann

42 Klassifikationsrahmen Fernerkundungsdaten Beobachtungsdaten, Höhenmodelle, weitere Sekundärdaten Spektrale Maße Modellierung Klassifikationsrahmen Operationelle Zeitfensterdetektion WPA-PhenoS Patrick Knöfel

43 Klassifikationsrahmen Teilziele: Uni Würzburg Entwicklung eines Klassifikationsrahmens Definition der Zielklassen Spezifikation des Klassifikationsrahmens Aufbau und Test eines angepassten Klassifikationsalgorithmus MELanGe (Multi-functional tool for the Evaluation of Land use classification and Geometric accuracy) Bestimmung der Klassifikationsgüte durch Validierungswerkzeuge Szenarien für optimierte Klassifikationen Variation der Datendichte (Datenverfügbarkeit und Referenzdaten) Variation der Klassentiefe Integration phänologischer Maße als Merkmale Variation von Sensorauflösungen und Zusatzinformationen Untersuchung der Einflüsse der Standorteigenschaften auf die räumlichen Unsicherheiten Patrick Knöfel

44 Klassifikationsrahmen Definition der Zielklassen Spezifikation der Zielklassen sowie Analyse deren Vorkommen in den landwirtschaftlichen Untersuchungsgebieten Herausforderung: Trennung von spektral ähnlichen Klassen (Getreide) Referenzobjekte in 2011 Klassen Demmin (Gesamt: 493) Mitteldeutschland (Gesamt: 2342) Weizen (Winter/Sommer) Objektanzahl Relation Objektanzahl Relation 122/- 24,7 %/ /51 53,3 %/2,2 % Raps % ,8 % Gerste (Winter/Sommer) 31/8 6,2 %/1,6 % 234/58 10 %/2,5 % Winterroggen 24 4,8% 17 0,7 % Mais ,8 % 221 9,4 % Zuckerrüben 29 5,8 % 142 6,1 % Kartoffeln 13 2,6 % 24 1 % Hafer ,3 % Weizen Gerste Patrick Knöfel

45 Klassifikationsrahmen MELanGe besteht aus drei separaten Programmteilen 1. Automatisierte schlagspezifische Berechnung der Merkmale Spektrale Indizes Maße Automatische Berechnung der Klassifikationsgütemaße aller Zeitschnittkombinationen 3. Interaktive Visualisierung der Klassifikationsgütemaße Auswahl Zeitschnitte Auswahl Gütemaß Auswahl betrachtete Klasse Patrick Knöfel

46 Klassifikationsrahmen Datenverfügbarkeit RapidEye (Intervallänge 5 Tage) Unregelmäßige Aufnahmen (Vergleichbarkeit der Ergebnisse?) Flächenhafte Abdeckung nicht immer gegeben (=> Datenfusion, Techs4TimeS) Demmin März April Mai Juni Juli August September Oktober Mitteldeutschland 5-Tages Intervall mit verfügbaren Datensätzen März April Mai Juni Juli August September Oktober Beispiel 2011, Mitteldeutschland: 6 Zeitschnitte Patrick Knöfel

47 Klassifikationsrahmen Variation der Klassentiefe am Beispiel Getreide in Mitteldeutschland 2011 Zeitschnitte: März Mai Juni 2011 Patrick Knöfel

48 Klassifikationsrahmen Aktuell in Bearbeitung: Anpassungen des Tools MELanGe (tw. optional) Steuerung des RF-Algorithmus Auswahl aus Liste von Indizes (wichtig für die Bewertung der Integration neuer Merkmale) Einstellungen für Validierung (Cross-Validation, Out-Of-Bag, etc.) Benutzerfreundlichkeit Protokollausgabe Analytik: Variation der Klassentiefe für weitere Untersuchungsjahre und gebiete Untersuchung der Einflüsse der Standorteigenschaften auf die räumlichen Unsicherheiten der Klassifikation Bewertung der Integration der neuen spektralen Maße Patrick Knöfel

49 WPA - PhenoS Fernerkundungsdaten Beobachtungsdaten, Höhenmodelle, weitere Sekundärdaten Spektrale Maße Modellierung Klassifikationsrahmen Operationelle Zeitfensterdetektion WPA-PhenoS Patrick Knöfel

50 WPA - PhenoS Henning Gerstmann

51 WPA - PhenoS Metadatenbank - Beschreibung relevanter Geodaten in Metadatenbank - aktuell z.b.183 Satellitenbilder - Verwendung des -standardkonformen Metadatenstandards Dublin-Core Lightweight Profile for Geospatial (DCLight4G) Henning Gerstmann

52 WPA - PhenoS Geodatenviewer - Wetter Stationsspezifische Zeitreihen aktueller meteorologischer Messdaten des DWD und eigener Stationen zu: Niederschlag Temperatur Sonnenscheindauer Henning Gerstmann

53 WPA - PhenoS Geodatenviewer - PHASE Henning Gerstmann

54 Zusammenfassung 1. Modellierung phänologischer Phasen 2. Extraktion spektraler Merkmale von zur Unterscheidung von Feldfrüchten 3. Ableitung optimaler Zeitfenster für spektrale Trennung 4. Umgebung für multitemporale Klassifikation WPA PhenoS Henning Gerstmann

55 Vielen Dank für die Aufmerksamkeit paradigmaps.geo.uni-halle.de/phenos Henning Gerstmann