Schlussbericht. CARE-X-Projekt

Größe: px
Ab Seite anzeigen:

Download "Schlussbericht. CARE-X-Projekt"

Transkript

1 Schlussbericht CARE-X-Projekt Change Detection Analyse für das flächendeckende Biodiversitätsmonitoring zur Erfüllung der EU FFH-Richtlinie mit Hilfe von RapidEye und TerraSAR-X Satellitendaten Zuwendungsempfänger: Förderkennzeichen: Förderkontext: Vorhabensbezeichnung: Technische Universität Berlin 50EE0923 Innovative Informationsprodukte durch synergistische Nutzung von RapidEye und TerraSAR-X Satellitendaten (BMWi)* Change Detection Analyse für das flächendeckende Biodiversitätsmonitoring zur Erfüllung der EU FFH-Richtlinie mit Hilfe von RapidEye und TerraSAR-X Satellitendaten (CARE-X) Laufzeit des Vorhabens: Berichtszeitraum:

2 Schlussbericht CARE-X FK 50EE /2012 Seite 2 Schlussbericht CARE-X-Projekt Autorinnen und Autoren: Christian Schuster Michael Förster Tobias Schmidt Matthias Kolbe Annett Frick Birgit Kleinschmit Bearbeiterinnen und Bearbeiter: Birgit Kleinschmit Christian Schuster Michael Förster Tobias Schmidt Iftikhar Ali Kristin Fenske Oscar Zarzo Fuertes Lisa Heinsch Matthias Kolbe Annett Frick Anne Clasen Kristin Batsch Uwe Sörgel Peter Lohmann Dalia Farghaly Institute of Photogrammetry and Geoinformation LUP GmbH Potsdam

3 Schlussbericht CARE-X FK 50EE /2012 Seite 3 Inhaltsverzeichnis Abbildungsverzeichnis...4 Tabellenverzeichnis Aufgabenstellung Voraussetzungen, unter denen das Vorhaben durchgeführt wurde Planung und Ablauf des Vorhabens Wissenschaftlichem und technischem Stand, an den angeknüpft wurde Zusammenarbeit mit anderen Stellen Eingehende Darstellung Verwendung der Zuwendung und des erzielten Ergebnisses im Einzelnen, mit Gegenüberstellung der vorgegebenen Ziele Aufbereitung Datengrundlagen und Erfassung Ground-Truth-Daten [AP-1] Erarbeitung des Prototypen einer spektralen und strukturellen Bibliothek [AP-2] Klassifikation mit Feldspektren aus der spektralen Bibliothek TimeSpec für das Testgebiet Döberitzer Heide [AP-3] Klassifikation und Analyse der Bildspektren aus RapidEye und TerraSAR-X Daten [AP-4] Übertragung, Validierung und Verbreitung der Ergebnisse [AP-5] Signifikanzanalyse [AP-7 / CARE-X+] Spektrensimulation [AP-8 / CARE-X+] AP-9 Projektmanagement [ursprünglich AP6]... Fehler! Textmarke nicht definiert. 2.2 Wichtigste Positionen des zahlenmäßigen Nachweises Notwendigkeit und Angemessenheit der geleisteten Arbeit Voraussichtlicher Nutzen, insbesondere Verwertbarkeit des Ergebnisses im Sinne des fortgeschriebenen Verwertungsplans Während der Durchführung des Vorhabens dem ZE bekannt gewordenen Fortschritts auf dem Gebiet des Vorhabens bei anderen Stellen Erfolgte oder geplante Veröffentlichungen des Ergebnisses nach Nr Referenzen...99

4 Schlussbericht CARE-X FK 50EE /2012 Seite 4 Abbildungsverzeichnis Abbildung 1: Lage der Untersuchungsgebiete Abbildung 2: Pfeifengraswiesen...24 Abbildung 3: Artenreiche Frischwiesen...24 Abbildung 4: Trockene Sandheiden...24 Abbildung 5: Sandtrockenrasen...24 Abbildung 6: Übersicht der aufgenommenen Testflächen...25 Abbildung 7: Übersicht der Validierungsflächen in der Döberitzer Heide...26 Abbildung 8: links: schematische Darstellung der Messung pro Referenzfläche mit dem Spektrometer, rechts: Spektrometermessung im Gelände Abbildung 9: Auszug aus dem erstellten Spektralkatalog der im Zuge des Projektes durchgeführten Spektralmessungen...28 Abbildung 10: Aufbereitungsschritte RapidEye-Daten Abbildung 11: Schmatischer Graph der phänologischen Normalisierung auf Grundlage von DWD Wetterdaten nach Förster et al Abbildung 12: Beispiel für die phänologische Korrektur im Untersuchungsgebiet im Jahr 2008, verglichen mit dem langjährigen Mittel...32 Abbildung 13: Ausgangslage der vorhandenen gemessenen spektralen Reflektanzen (links) und Zielresultat nach der Prozessierung mit timespec (rechts)...33 Abbildung 14: Datei Program.propoerties mit angepassten Pfaden für die Quell- und Ausgabedatei...34 Abbildung 15: Aufbau der Quelldatei...35 Abbildung 16: Ausgegebener Graph inkl. Standardabweichungen (oben), Ausgabedatei Dateiname_Indizes_gemessen (unten links) und Ausgabedatei Dateiname_Indizes_berechnet (unten rechts)...36 Abbildung 17: Vor dem Programmstart (6.) muss die Quelldatei angegeben werden (1.) sowie der Name der Ausgabedatei (2.). [...]...38 Abbildung 18: Überlagerung der Ergebnisse der Feldspektrometermessungen mit den RapidEye Messungen auf dem jeweils gleichen Standort für den jeweils berechneten RedEdge NDVI (2)....39

5 Schlussbericht CARE-X FK 50EE /2012 Seite 5 Abbildung 19: Beispiele der Erstellung von virtuellen Trainingsdaten (100 Samples) mit unterschiedlicher Streuung für die Klasse Pfeiffengraswiese Abbildung 20: Funktionsweise einer Support Vector Machine (FOODY & MATHUR 2004)...41 Abbildung 21: Ausgabe eines See5-Laufs...43 Abbildung 22: Kanalbelegung des finalen Layerstacks...44 Abbildung 23: Klassifikationsgenauigkeit nach Algorithmus und Index...45 Abbildung 24: Vergleich der Feldspektren und Bildspektren und Klassifikationsgenauigkeit der Klassen Artenreiche Frischwiese, trockene Sandheide und Sandtrockenrasen...46 Abbildung 25: Beispiele des anthropogenen Einflusses durch eine Mahd und der durch schlechte Abdeckung mit Validierungspunkten bedingten Lageverschiebung von Feldspektren und Bildspektren...47 Abbildung 26: Multitemporalklassifikation der phänologisch korrigierten RapidEye-Zeitreihe aus 24 Szenen unter Verwendung aller im Untersuchungsgebiet kartierten 21 Vegetationsklassen Abbildung 27: Multitemporalklassifikation der phänologisch korrigierten RapidEye-Zeitreihe aus 24 Szenen unter Verwendung der 12 Vegetationsklassen mit einer statischen Grundgesamtheit von mehr als 30 Pixeln Abbildung 28: Fehlermatrix für die Klassifikation mit See5 bei Regelsatzerstellung auf den Satellitendaten...52 Abbildung 29: See5 Klassifizierung Döberitzer Heide - trainiert auf den Bilddaten...53 Abbildung 30: Änderungen der Klassifikationsgüte in Abhängigkeit der zur Klassifikation genutzten Szenenanzahl...54 Abbildung 31: Anzahl der verwendeten Szenen im Vergleich mit der Klassifikationsgenauigkeit und der anfallen Datenkosten in Abbildung 32: Mittel- und Maximalwerte von den zufällig ausgewählten Aufnahmekombinationen für jeden Index...66 Abbildung 33: Anteile der Aufnahmen an den besten 100 Kombinationen für die Indexkombination Abbildung 34: Anteile der Aufnahmen an den besten 100 Kombinationen für den NDVI Abbildung 35: Anteile der Aufnahmen an den besten 100 Kombinationen für den NDVI RedEdge Abbildung 36: Anteile der Aufnahmen an den besten 100 Kombinationen für den NDVI RedEdge-NIR...69

6 Schlussbericht CARE-X FK 50EE /2012 Seite 6 Abbildung 37: Benutzeroberfläche TimeExtract...73 Abbildung 38: Pflanzenmodelle erstellt mit AmapSim (Flatterbinse, Rohrglanzgras)...75 Abbildung 39: Schema für die Spektrensimulation...77 Abbildung 40: Beispielkonfiguration für SimPrep...78 Abbildung 41: Zellaufteilung mit Hilfe von Voronoi-Diagrammen für 2m und 10m Kantenlänge...80 Abbildung 42: Schematischer Aufbau von Simulationssoftware...81 Abbildung 43: Verzeichnisstruktur für die Simulation...82 Abbildung 44: Kompositionsfile einer Szene...82 Abbildung 45: Beispielplot eines Simulierten Spektrums...85 Abbildung 46: Pflanzenkomposition erstellt aus 3D-Pflanzenmodellen von Phalaris, Juncus, Poa und Carex Abbildung 47: Schematische Pflanzenverteilung erstellt aus 3D-Pflanzenmodellen von Phalaris, Juncus, Poa und Carex...89 Abbildung 48: Simuliertes Gesamt Reflexionssignal im Vergleich zu den Eingangsspektren90

7 Schlussbericht CARE-X FK 50EE /2012 Seite 7 Tabellenverzeichnis Tabelle 1: Erhaltene Aufnahmen aus dem RapidEye-Science-Archiv (RESA) für die Döberitzer Heide Tabelle 2: Erhaltene Aufnahmen aus dem RapidEye-Science-Archiv (RESA) für die Mecklenburger Seenplatte Tabelle 3: Weiterverarbeitete Aufnahmen aus dem TerraSAR-X-Science-Archiv für das Untersuchungsgebiet Döberitzer Heide im Jahr Tabelle 4: Weiterverarbeitete Aufnahmen aus der ursprünglich bestellten Zeitreihe für das Untersuchungsgebiet Döberitzer Heide im Jahr Tabelle 5: Zusätzliche Bestellungen für das Untersuchungsgebiet Döberitzer Heide zur Füllung der Lücken in der bestellten Zeitreihe im Jahr Tabelle 6: Untersuchte Klassen von Pflanzengesellschaften...22 Tabelle 7: Überblick über die im Standardumfang von TimeSpec vorhanden Indices...37 Tabelle 8: Klassifikationsgenauigkeit von NATURA 2000 Lebensraumtypen basierend auf Feldspektren...48 Tabelle 9: Landnutzungsklassen zur Vorklassifikation...48 Tabelle 10: Klassifikationsgüten nach verwendetem Index und Klassenumfang für die Klassifikation der RapidEye-Zeitreihe Tabelle 11: Klassifikationsgenauigkeiten für die TerraSAR-X- und RapidEye- Zeitreihenklassifikation...54 Tabelle 12: Vegetationsklassen im sekundären Untersuchungsgebiet der Mecklenburger Seenplatte zur Validierung der Übertragbarkeit der Feldspektrenklassifikation.58 Tabelle 13: Zugehörigkeit der Aufnahmezeitpunkte zu phänologischen Phasen von der DWD-Station in Potsdam Tabelle 14: Formatierung der Trainingsdaten...72 Tabelle 15: Ausgewählte Arten für die Modellierung eines Calthion Palustris Bestandes...86 Tabelle 16: Beiträge zu Konferenzen im Rahmen des CARE-X-Projekts...95

8 Schlussbericht CARE-X FK 50EE /2012 Seite 8 Verzeichnis Anhang A1 - Tabelle Deliverables A1.1 - Arbeitspaket 1 A1.2 - Arbeitspaket 2 A1.3 - Arbeitspaket 3 A1.4 - Arbeitspaket 4 A1.5 - Arbeitspaket 5 A2 - CARE-X-Workshops (Digital (CD)) A2.1 - CARE-X-Workshop I A2.1.1 Einladung, Thesenpapier, Programm und Teilnehmerliste A2.1.2 Vortrag Melanie Neukirchen, Bundesamt für Naturschutz (BfN): Nutzeranforderungen von Seiten des Bundesamtes für Naturschutz A2.1.3 Vortrag Michael Förster, Technische Universität Berlin (TUB): CARE-X: Ziele und wissenschaftlicher Rahmen A2.1.4 Vortrag Christian Schuster, TUB: CARE-X: Methodikkonzeption und bisherige Ergebnisse der Datenverarbeitung A2.1.5 Vortrag Annett Frick, Luftbild Umwelt Planung Potsdam GmbH (LUP): CARE-X: Konzeption Spektrometermesskampagne / phänologische Datenbank A2.1.6 Diskussionsprotokoll A2.2 - CARE-X-Workshop II A2.2.1 Einladung, Programm und Teilnehmerliste A2.2.2 Vortrag Christian Schuster, TUB: CARE-X: Multitemporalklassifikation RapidEye / TerraSAR-X A2.2.3 Vortrag Annett Frick, LUP: CARE-X: Phänologiedatenbank / Spektrentransfer A2.2.4 Diskussionsprotokoll A2.3 - CARE-X-Workshop III (Abschlussworkshop) A2.3.1 Einladung, Programm und Teilnehmerliste A2.3.2 Vortrag Michael Förster, TUB: CARE-X: Übersicht und Gliederung des Projektes CARE-X A2.3.3 Vortrag Kristin Batsch, LUP: CARE-X: Vegetationskartierung und Aufnahme der Feldspektren A2.3.4 Vortrag Tobias Schmidt, TUB: CARE-X: Vorprozessierung und Erstellung von phänologischen Profilen A2.3.5 Vortrag Michael Förster, TUB: CARE-X: Multitemporale Klassifikation auf Basis von Feldspektren A2.3.6 Vortrag Christian Schuster, TUB: CARE-X: Multitemporale Klassifikation auf Basis von Bildspektren und Mahddetektion mit TerraSAR-X A2.3.7 Vortrag Tobias Schmidt, TUB: CARE-X: Analyse der Signifikanz von Aufnahmeterminen in der multitemporalen Datenreihe A2.3.8 Vortrag Matthias Kolbe, LUP: CARE-X: Simulation von Pflanzenspektren und deren Phänologie A2.3.9 Vortrag Michael Förster, TUB, & Anwesende: CARE-X: Fazit zum Projekt CA- RE-X und Abschlussdiskussion A3 - Publikationen in wissenschaftlichen Fachzeitschriften und Konferenzproceedings (Digital (CD)) A3.1 International Journal of Remote Sensing A3.2 Remote Sensing (special issue: remote sensing in support of environmental policy) A3.3 DGPF-Dreiländertagung 2010, Wien A3.4 RESA-Proceedings-2012 A3.5 Geobia-Proceedings-2010 A3.6 ISPRS-Proceedings-2010 A4 - Erfolgskontrollbericht A5 - Berichtsblatt A6 - timespec Tool zur Phänologiedatenbankerstellung

9 Schlussbericht CARE-X FK 50EE /2012 Seite 9 1 Kurzdarstellung 1.1 Aufgabenstellung Gegenstand des Vorhabens ist die Erforschung und Entwicklung einer neuartigen Fernerkundungsmethode, welche EU-weit das großflächige Monitoring von FFH-Gebieten ermöglicht und somit die Verpflichtung der EU-Kommission gegenüber den Mitgliedsstaaten erfüllt. Im Rahmen der EU Habitats Directive 1 ist nach Artikel 17 ein Monitoring in einem 6-jährigen Zyklus vorgesehen. Dabei ist dies seitens der EU nicht nur auf den ausgewiesenen FFH- Gebieten verlangt, sondern es ist gleichzeitig auch eine flächendeckende Aussage über die gesamte biogeographische Region notwendig. Die Scientific Working Group der Kommission schlägt dafür explizit Methoden der Fernerkundung vor (European Commission 2006). Bisher wurde mit Erfolg das großmaßstäbige Monitoring ausgewiesener FFH-Gebiete mit geometrisch sehr hoch aufgelösten Satellitendaten durchgeführt (LANGANKE et al. 2004). Es fehlen jedoch Methoden, die ein kleinmaßstäbiges und zeitlich hoch aufgelöstes Monitoring durchführen. Für das Monitoring sind Informationen über die Änderung der Vegetationszusammensetzung und -struktur innerhalb einer Vegetationsperiode notwendig, um den variablen Zustand und das Verbreitungsgebiet von Habitaten im Jahresgang erfassen und für den Monitoringzeitpunkt abbilden zu können. Mit den zeitlich sehr hoch aufgelösten RapidEye und TerraSAR- X-Daten sollen die Zeitpunkte für den möglichst effektiven multitemporalen Einsatz der Daten für unterschiedliche Habitate ermittelt werden. Dabei sollen die hohen Wiederholraten und die spektrale Genauigkeit im Vegetationsbereich (z. B. Nahes Infrarot und Red Edge Kanal) des Sensors RapidEye und die Möglichkeit der Erkennung von Vegetationsstrukturen auch bei Bewölkung von TerraSAR-X untersucht werden Mit der Entwicklung dieser Methode wird eine Möglichkeit zu effizienten Einsatz von Fernerkundungsdaten beim NATURA 2000 Monitoring geschaffen. 1.2 Voraussetzungen, unter denen das Vorhaben durchgeführt wurde Das Vorhaben wurden unter den Bedingungen der Förderung im Rahmen des Projektes CARE-X (FKZ: 50EE0923) durchgeführt. Dabei wurden die generellen Voraussetzungen für eine Durchführung (Computer, Drucker, Raum) hergestellt und die notwendigen Geräte (z. B. ASD Fieldspec HighRes) bereit gestellt. Die im Projekt angestellten Personen, speziell der Hauptbearbeiter Christian Schuster, standen im Projekt ohne Unterbrechungen bereit, was eine fristgerechte Umsetzung der Aufgaben ermöglichte. Die Umsetzung wurde unter der Voraussetzung der kostenlosen Bereitstellung der verwendeten Daten möglich. Hierzu gab es sowohl für den Sensor RapidEye als auch TerraSAR-X Lieferungen. Für RapidEye wurden im Rahmen des RESA Antrags 319 insgesamt 51 Szenen für das Untersuchungsgebiet Döberitzer Heide und 49 Szenen für das Gebiet Mecklenburger Seenplat- 1

10 Schlussbericht CARE-X FK 50EE /2012 Seite 10 te geliefert, wodurch die eigentlichen Bestellungen im Antrag deutlich übererfüllt wurden (siehe Kapitel ). Bezüglich der TerraSAR-X-Daten wurden im Rahmen des TerraSAR-X Science Archive - Antrags LAN0685 insgesamt 32 Szenen für das primäre Untersuchungsgebiet der Döberitzer Heide geliefert. Für das sekundäre Übertragungsgebiet in der Mecklenburger Seenplatte konnten trotz intensiver Bemühungen von Seiten des ZE aufgrund von Nutzerkonflikten keine Daten geliefert werden. Für 2011 wurden für das primäre Untersuchungsgebiet leider nur Teile der bestellten Zeitreihe geliefert, die dann mittels Daten aus einem anderen Orbit teilweise ersetzt wurden. 1.3 Planung und Ablauf des Vorhabens Der Ablauf des Vorhabens entspricht grundsätzlich den Planungen, wie sie im Forschungsantrag formuliert und zeitlich eingeordnet wurden. Kleinere Änderungen hinsichtlich der Ausgestaltung der Aufgaben und des Zeitplans haben sich innerhalb der verschiedenen Deliverables ergeben, die allesamt zeitnah in den jeweiligen Zwischenberichten (I, II, III) dokumentiert wurden. 1.4 Wissenschaftlichem und technischem Stand, an den angeknüpft wurde Besonders mit der Einführung von räumlich sehr hoch aufgelösten (VHSR) optischen Satellitendaten, wie QuickBird und IKONOS, wurde es möglich, einige Aspekte der Biodiversität automatisiert zu erkennen (TURNER et al. 2003). Während die Erkennung von einzelnen Arten oft nur durch indirekte Modellierung möglich ist, können Habitate mit diesen Daten gut erkannt werden. Die Möglichkeit der Nutzung von Fernerkundungsdaten zur Erhebung und zum Monitoring von Biodiversität im Rahmen der FFH-Richtlinie ist in den EU-Projekten SPIN (Langanke et al. 2004) und EON (SELL et al. 2004) nachgewiesen worden. Zeitgleich erfolgte im Rahmen des Projektes decover der Aufbau eines Deutschland weiten Geoinformationsservices für die Aktualisierung von Landbedeckungsdaten, die auch das Monitoring von Naturschutzflächen beinhalteten (u. a. BUCK 2006). Im Rahmen des Projektes wurde mit den Partner des decover Projektverbundes auch ein intensiver Austausch betrieben (siehe Kapitel 1.5). Innerhalb der NATURA 2000 Vorgaben wurde bisher sehr stark das Monitoring der ausgewiesenen Flächen in den Vordergrund gestellt. Dies hatte seinen Grund in der Meldepflicht der Gebiete und des Aufstellens der Managementpläne für das europäische Schutzgebietssystem. Die EU fordert aber, nicht nur eine Überwachung der ausgewiesenen Gebiete sondern auch, Verbreitungsgrenzen von Habitaten und Arten regelmäßig zu beobachten. Für ein operationelles Monitoringkonzept, das die Einbindung von SAR-Daten vorsieht, fehlte zu Beginn des Projektes eine systematische Aufgliederung geeigneter Aufnahmezeitpunkte für Differenzierungen auf Habitatebene. Insbesondere der Beitrag von zeitlich und räumlich hoch auflösenden X-SAR-Backscatterdaten für die Erfassung von jahreszeitlichphänologischen Merkmalen oder Mahdzeitpunkten von Habitaten wurde nicht vertiefend un-

11 Schlussbericht CARE-X FK 50EE /2012 Seite 11 tersucht. Hinsichtlich einer Methodenentwicklung fehlten Aussagen hinsichtlich der Habitatspezifischen Eignung von X-SAR. Ein weiterer Aspekt der Verdichtung von Informationen aus Fernerkundungsdaten ist die Verbesserung der zeitlichen Auflösung. Vegetationsbestände verändern im Laufe der Vegetationsperiode ihr spektrales Verhalten. Wenn auch Bestände zu einzelnen Zeitpunkten aus dem Spektralsignal nicht unterscheidbar sind, so eröffnet sich durch die Hinzuziehung weiterer Beobachtungstermine in die Betrachtung die Chance, diese Trennung dennoch vorzunehmen. Gezeigt werden konnte das an der Differenzierbarkeit von Ackerkulturen im Land Brandenburg (FÖRSTER et al. 2012). Die dort gezeigte Möglichkeit zur Unterscheidung von Pflanzenbeständen nach dem Zeitpunkt des Eintretens und der Andauer ihrer phänologischen Phasen wurde im Laufe des Projektes auf die Differenzierung naturnaher Bestände ausgeweitet. Für die oben genannten Ziele ist die Anwendung einer spektralen Datenbank, die aber auch zeitliche (phänologische) Aspekte mit einbezieht von großer Wichtigkeit. Es gibt eine Reihe von spektralen Datenbanken (z.b. SPEC-BI oder SPECCHIO), die ein effizientes Speichern und Dokumentieren der erhobenen Felddaten möglich macht. Allerdings wurde bisher die Möglichkeit der Umsetzung von zeitlichen Phänomenen (wie den Jahresverlauf der Vegetationsentwicklung) nur geringer Raum eingeräumt, sicherlich auch weil es wenige Studien mit einer hohen Wiederholrate von Spektralmessungen gibt. Das Projekt CARE-X gibt hier mit der Entwicklung des Tools timespec eine neue Möglichkeit der zeitlichen Exploration der Daten. Eine Kombination mit bestehenden spektralen Bibliotheken in Zukunft ist angedacht. 1.5 Zusammenarbeit mit anderen Stellen Das CARE-X Projekt wurde realisiert unter Führung des Fachgebiets Geoinformation in der Umweltplanung der TU Berlin mit den Kooperationspartnern Luftbild Umwelt Planung Potsdam GmbH (LUP) und dem Institut für Photogrammetrie und Geoinformation (IPI) der Leibniz-Universität Hannover. Darüber hinaus stand das Projekt im Austausch mit interessierten Anwendern im Bereich FFH /NATURA 2000 von Fachbehörden, vor allem Melanie Neunkirchen vom Bundesamt für Naturschutz (BfN) sowie Antje Koch-Lehker vom Landesamt für Umwelt, Gesundheit und Verbraucherschutz Brandenburg (LUGV). Zur Organisation der Feldarbeiten (Zutrittsgenehmigungen etc.) in der Döberitzer Heide und im Ferbitzer Bruch wurde sich mit dem Naturschutz-Förderverein Döberitzer Heide e.v. (Ansprechpartner und Vorsitzender Herr Gerd Haase) sowie von der Heinz-Sielmann-Stiftung (Ansprechpartner und Gebietsvertreter Jörg Fürstenow), die auch mit Rat und Tat zur Seite standen. In engem wissenschaftlichen Austausch stand das Projekt mit der Forschergruppe vom Deutschen Geoforschungszentrum Potsdam (Projektleitung Dr. Sibylle Itzerott) und der Universität Potsdam (Projektleitung Dr. Matthias Kühling), die im DBU-Projekt Monitoring in der Döberitzer Heide mit hyperspektralen Fernerkundungssensoren an ähnlichen Fragestellungen arbeiteten. Darüber hinaus wurden Methoden und Ergebnisse mit den Verantwortlichen für das ebenfalls vom DLR begleitete Fernerkundungsprojekt mit NATURA 2000-Bezug Devover2 im Rahmen gegenseitiger Workshopbesuche ausgetauscht.

12 Schlussbericht CARE-X FK 50EE /2012 Seite 12 Schließlich stand das Projekt über die gesamte Laufzeit in regelmäßigem Kontakt mit den verantwortlichen zur Datenbereitstellung vom Rapid Eye Science Archiv (DLR) (Dr. Erik Borg und Holger Daedelow) und vom TerraSAR-X Science Team (DLR) (Ursula Marschalk und Achim Roth) bzw. dem TSX-OrderDesk (Frau Eger), um eine möglichst hohe zeitliche Abdeckung der Untersuchungsgebiete zu erreichen. 2 Eingehende Darstellung 2.1 Verwendung der Zuwendung und des erzielten Ergebnisses im Einzelnen, mit Gegenüberstellung der vorgegebenen Ziele Es folgt die Beschreibung der Verwendung der Zuwendungsmittel und der erzielten Ergebnisse im Einzelnen. Die Aufteilung der Kapitel erfolgt entlang der Arbeitsorganisation. Dabei erfolgt jeweils ein Hinweis auf entsprechende Deliverables (Anhang A1) aus den Arbeitspaket-Tabellen in eckigen Klammern zu Beginn eines jeden Kapitels. Vereinzelt wurden Arbeitspakete (APs) umbenannt, was durch Hinweise auf entsprechende APs in eckigen Klammern in den jeweiligen Überschriften dokumentiert ist Aufbereitung Datengrundlagen und Erfassung Ground-Truth-Daten [AP-1] [D-1.5] Im Folgenden wird die Zusammenstellung der Datengrundlage und grundlegenden Aufbereitungsschritte bezüglich Satellitendaten, Vegetationskartierung und Feldspektrometrie dargestellt Zusammenstellung der Datengrundlage [D-1.1; D-1.2; D-1.3] Untersuchungsgebiete Für das Projekt CARE-X waren von Anfang an ein primäres Untersuchungsgebiet, die Döberitzer Heide westlich von Berlin, und ein sekundäres Übertragungsgebiet, ein Ausschnitt aus der Mecklenburger Seenplatte um Neuruppin und Neustrelitz, vorgesehen (Abbildung 1). Aufgrund der erhaltenen Satellitendaten mussten die Grenzen dieser Gebiete im Projektverlauf mehrfach korrigiert werden. So beschränkt sich die Analyse der TerraSAR-X-Daten sowie demzufolge die synergistische Analyse von RapidEye- und TerraSAR-X-Daten auf ein den nordwestlichen Teilbereich der Döberitzer Heide, den Ferbitzer Bruch. Einige Analysen konnten aufgrund fehlender Datenabdeckung nicht durchgeführt werden. Die Döberitzer Heide ist ein Naturschutzgebiet, das über lange Zeiträume hinweg als militärische Übungsfläche genutzt wurde. Dadurch wurde die Vegetation von Fragmentierung und Transformation in Agrarland bewahrt, viele seltene Offenlandhabitate konnten sich ausbilden. Das Gebiet besteht heute neben Waldflächen aus einem sehr vielfältigen Offenlandvegetationsmosaik, besehend vor allem aus Heideflächen, Grünland und Feuchtwiesen auf sandigen Böden in flachem Gelände. Neben seiner vielfältigen Vorkommen seltener und

13 Schlussbericht CARE-X FK 50EE /2012 Seite 13 schützenwerter Offenlandhabitate, aber auch wegen der Unzugänglichkeit der von militärischer Munition verseuchten Kernzone bieten Fernerkundungsmethoden die einzige Möglichkeit zur Durchführung eines Vegetationsmonitorings. Abbildung 1: Lage der Untersuchungsgebiete in Bezug auf die administrativen Grenzen des Bundeslands Brandenburg. RapidEye Die hohe zeitliche Wiederkehrrate des RapidEye-Systems ist die grundsätzliche Voraussetzung zum Einsatz dieser Daten in multitemporalen Vegetationsstudien mit besonderem Fokus auf die phänologische Entwicklung im Jahresgang. Die geometrische Auflösung von 6,5 m erlaubt relativ kleinskalige Vegetationsstudien, der neue Red-Edge-Kanal verspricht zusätzlichen Nutzen für die Unterscheidung von Vegetationsparametern. Die RapidEye Datenlage wird durchweg als sehr gut bewertet. Für das Untersuchungsgebiet A (Döberitzer Heide) konnten 24, für das Untersuchungsgebiet B (Mecklenburger Seenplatte) 20 Szenen weiterverarbeitet werden, obwohl weit mehr Szenen zur Verfügung gestellt wurden. Im Folgenden sind die Aufnahmetermine der vom RapidEye-Science-Archiv (RESA) gelieferten RapidEye-Datensätze für beide Untersuchungsgebiete aufgelistet. Zusätzlich sind die Aufnahmetermine in den phänologisch korrigierten (siehe Kapitel ) Tag im Jahr umgerechnet. Die Bewertung der räumlichen Abdeckung und der Bewölkung ist ebenfalls enthalten, auf deren Basis die Auswahl der letztlich verwendeten Szenen vorgenommen ist. Aufgrund der allgemein hohen Datenmenge wurde bei dicht aufeinanderfolgenden Aufnahmen die qualitativ bessere ausgewählt.

14 Schlussbericht CARE-X FK 50EE /2012 Seite 14 Tabelle 1: Erhaltene Aufnahmen aus dem RapidEye-Science-Archiv (RESA) für die Döberitzer Heide. Aufnahmetermine, in den phänologisch korrigierter (siehe Kapitel ) Tag im Jahr, Bewertung der räumlichen Abdeckung und der Bewölkung. Auswahl der letztlich verwendeten Szenen in blau. Ferbitzer Bruch (Döberitzer Heide) Jahr Aufnahmezeitpunkt Tag im Jahr Abdeckung Bewölkung komplett wolkenlos komplett wolkenlos komplett wolkenlos (Wolke außerhalb FB) komplett wolkenlos nicht abgedeckt fast wolkenlos (allgemein) komplett wolkenlos nicht abgedeckt nicht abgedeckt bewölkt (allgemein) komplett wolkenlos komplett bewölkt (einzelne Wolken im UG) komplett wolkenlos komplett wolkenlos nicht abgedeckt bewölkt (allgemein) komplett verschleiert nicht abgedeckt komplett vereinzelte kleine Wolken (auch FB) komplett wolkenlos komplett vereinzelte kleine Wolken (auch FB) DH nicht komplett vereinzelte kleine Wolken (auch FB) fast komplett wolkenlos nicht abgedeckt wolkenlos (allgemein) komplett fast wolkenlos komplett fast wolkenlos nicht abgedeckt komplett fast wolkenlos nicht abgedeckt komplett schmales Wolkenband FB nicht abgedeckt nicht abgedeckt komplett wolkenlos komplett wolkenlos komplett wolkenlos komplett fast wolkenlos komplett wolkenlos komplett wolkenlos nicht abgedeckt komplett wolkenlos fast komplett wolkenlos nicht abgedeckt komplett bewölkt (fast komplett) komplett wolkenlos komplett vereinzelte kleine Wolken (auch FB) komplett vereinzelte kleine Wolken (ev. FB) komplett fast wolkenlos nicht abgedeckt

15 Schlussbericht CARE-X FK 50EE /2012 Seite komplett Schleierwolken über der DH (nicht überall) komplett wolkenlos nicht abgedeckt nur westliche Hälfte wolkenlos komplett wolkenlos nur südliche Hälfte wolkenlos Tabelle 2: Erhaltene Aufnahmen aus dem RapidEye-Science-Archiv (RESA) für die Mecklenburger Seenplatte. Aufnahmetermine, in den phänologisch korrigierter (siehe Kapitel ) Tag im Jahr, Bewertung der räumlichen Abdeckung und der Bewölkung. Auswahl der letztlich verwendeten Szenen in blau. Mecklenburger Seenplatte Jahr Aufnahmezeitpunkt Tag im Jahr Abdeckung Bewölkung fast komplett wolkenlos fast komplett wolkenlos nördliches Drittel fehlt bewölkt fast komplett wolkenlos nicht abgedeckt nicht abgedeckt fast komplett leichte Bewölkung außerhalb UG nicht abgedeckt bewölkt (allgemein) komplett wolkenlos fast komplett (außer N W) vereinzelte kleine Wolken nur die östliche Hälfte Schleierwolken nicht abgedeckt nicht abgedeckt bewölkt (allgemein) fast komplett wolkenlos fast komplett bewölkt nur die östliche Hälfte wolkenlos nur die östliche Hälfte vereinzelte kleine Wolken nicht abgedeckt komplett vereinzelte kleine Wolken nicht abgedeckt nicht abgedeckt komplett nördlich bewölkt nur südlich Hälfte vereinzelte kleine Wolken nur westliche Hälfte bewölkt komplett fast wolkenlos komplett fast komplett komplett wolkenlos fast komplett im Süden bewölkt nicht abgedeckt nicht abgedeckt komplett wolkenlos fast komplett wolkenlos komplett leichte Bewölkung nicht abgedeckt komplett wolkenlos komplett teilweise Bewölkung

16 Schlussbericht CARE-X FK 50EE /2012 Seite komplett teilweise Bewölkung fast komplett teilweise Bewölkung im Norden fast komplett leichte Bewölkung fast komplett (nur östlich) teilweise Bewölkung in der Mitte nur südlich Hälfte leichte Bewölkung fast komplett (außer S W) wolkenlos nur westliche Hälfte fast wolkenlos nicht abgedeckt fast komplett (außer S- W) wolkenlos komplett wolkenlos fast komplett (außer N W) wolkenlos nicht abgedeckt TerraSAR-X Das TerraSAR-X System stellt einen großen Fortschritt im Bereich der Radarfernerkundung dar bietet gute Voraussetzungen zur Verwendung in Vegetationsstudien. Neben dem für Radarsatellitendaten üblichen Vorteil der zuverlässigen Aufnahmeperiode aufgrund der Wolkenunabhängigkeit bietet das TerraSAR-X System eine Wellenlänge von 3 cm (X-Band) sowie eine sehr hohe räumliche Bodenauflösung. Auf diese Weise sind die Grundvoraussetzungen zur Verwendung von Radardaten für kleinskalige Vegetationsstudien erstmals erfüllt. Die in dieser Studie verwendeten Daten wurden in der Stripmap-Konfiguration bestellt, wodurch zum einen eine hohe räumliche Auflösung von 3 m sowie gleichzeitig aufgrund der großen Ausdehnung eine kosteneffiziente Übertragbarkeit auf andere Untersuchungsgebiete möglich ist. Die TerraSAR-X Datenlage wird für das Untersuchungsgebiet Döberitzer Heide im Jahre 2010 als sehr gut bewertet. Leider hat die bestellte Zeitreihe im Jahre 2011 einen Aussetzer in den für die Untersuchung relevanten Monaten von Anfang Juli bis Ende September. Für das Untersuchungsgebiet Mecklenburger Seenplatte konnten aufgrund von Nutzerkonflikten keine Daten ausgeliefert werden. Im Folgenden sind die Aufnahmetermine der vom TerraSAR-X Science Team gelieferten TerraSAR-X-Datensätze aufgelistet inklusive der Angaben zu Polarisation, Aufnahmewinkel und -modus sowie Bodenauflösung. Die wurden in EEC-Konfiguration bestellt. Ursprünglich war das Ziel, cross-polarisierte Datenreihen (VV-VH) zu bestellen. Da dafür jedoch der Sensor umgeschaltet werden muss und die von der überwältigenden Mehrheit der Nutzer die Standardkonfiguration HH bestellt wird, sind die bestellten Aufnahmen im Jahr 2010 reihenweise ausgefallen. Nachdem nach sehr aufwendigem Nachhaken die Bestellpriorität auf Stufe 6 (von 7) gesetzt wurde, konnten schließlich immerhin doch zwei Aufnahmen in VV-VH für 2010 ausgeliefert werden. Anhand dieser Aufnahmen vom Juli und November 2010 konnte jedoch keine zufrieden stellende Klassifikation durchgeführt werden. Daher wurde entschieden, die multitemporalen Stärken des SAR-Systems zu nutzen und Zeitreihen aus dem Archiv zu verarbeiten.

17 Schlussbericht CARE-X FK 50EE /2012 Seite 17 Tabelle 3: Weiterverarbeitete Aufnahmen aus dem TerraSAR-X-Science-Archiv für das Untersuchungsgebiet Döberitzer Heide im Jahr Aufnahmetermine, Polarisation, Aufnahmewinkel und -modus (A= ascending, D=descending). Alle Daten wurden als Stripmap mit einer Bodenauflösung von 3 m aufgenommen und in EEC- Konfiguration bestellt. Datum Polaris. AW ( ) Modus HH 27,9 D HH 27,9 D HH 27,9 D HH 27,9 D HH 27,9 D HH 27,9 D HH 27,9 D HH 27,9 D HH 27,9 D HH 27,9 D HH 27,9 D HH 27,9 D HH 27,9 D HH 27,9 D HH 27,9 D HH 27,9 D HH 27,9 D HH 27,9 D HH 27,9 D HH 27,9 D HH 27,9 D Tabelle 4: Weiterverarbeitete Aufnahmen aus der ursprünglich bestellten Zeitreihe für das Untersuchungsgebiet Döberitzer Heide im Jahr Aufnahmetermine, Polarisation, Aufnahmewinkel und -modus (A= ascending, D=descending). Alle Daten wurden als Stripmap mit einer Bodenauflösung von 3 m aufgenommen und in EEC- Konfiguration bestellt. Datum Polaris. AW ( ) Modus HH 26,4 D HH 26,4 D HH 26,4 D HH 26,4 D HH 26,4 D

18 Schlussbericht CARE-X FK 50EE /2012 Seite 18 Tabelle 5: Zusätzliche Bestellungen für das Untersuchungsgebiet Döberitzer Heide zur Füllung der Lücken in der bestellten Zeitreihe im Jahr Aufnahmetermine, Polarisation, Aufnahmewinkel und -modus (A=ascending, D=descending). Alle Daten wurden als Stripmap mit einer Bodenauflösung von 3 m aufgenommen und in EEC- Konfiguration bestellt. Datum Polaris. AW ( ) Modus HH 28,8 A HH 28,8 A HH 28,8 A HH 28,8 A HH 28,8 A HH 28,8 A HH 28,8 A Feldspektrometrie und Vegetationskartierung LUP Das genaue Vorgehen bei der Datenaufnahme zur Feldspektrometrie und Vegetationskartierung ist in Kapitel beschrieben. GIS-Daten Über die im Rahmen des Projekts aufgenommenen Satellitendaten, Feldspektrometriedaten und Vegetationskartierung hinaus wurden weitere geographische Grundlagendaten verwendet. Diese sind FFH-Daten und allgemeine geographische Daten sowie die offizielle Biotoptypenkartierung des Landes Brandenburg vom Landesamt für Umwelt, Gesundheit und Verbraucherschutz Brandenburg (LUGV) sowie vom Ministerium für Umwelt, Gesundheit und Verbraucherschutz Brandenburg (MUGV). Darüber hinaus wurden interne geographische Daten zur Georeferenzierung der Satellitendaten verwendet, um eine hohe räumliche Genauigkeit sicher zu stellen. Ground Truth Mahd Weide Um die Ergebnisse der Mahddetektion mittels TerraSAR-X-Daten zu validieren, wurden zusätzlich zu den im Antrag vorgesehen Datenquellen der Naturschutzförderverein Döberitzer Heide e.v. sowie die ansässigen Biolandwirte nach den Terminen der Mahd und Heuabfuhr auf den Mähwiesen in der Döberitzer Heide (v.a. Ferbitzer Bruch) befragt Aufbereitung der RapidEye-Daten [D-1.4; D-1.5, D-1.9, D-1.10] Insgesamt standen 24 RapidEye-Aufnahmen aus den Jahren 2009 bis 2011 für das primäre Untersuchungsgebiet Döberitzer Heide sowie 20 RapidEye-Aufnahmen für das sekundäre

19 Schlussbericht CARE-X FK 50EE /2012 Seite 19 Untersuchungsgebiet Mecklenburger Seenplatte aufbereitet (Tabelle 1). Die verwendeten RapidEye-Daten wurden durch eine Überprüfung der Abdeckung sowie anhand der Qualität ausgewählt. Grundlegende Vorverarbeitungsschritte wie geometrische und atmosphärische Korrektur wurden eigenhändig durchgeführt. Die Daten wurden auf die jeweiligen Untersuchungsgebiete ausgeschnitten (subset). Die geometrische Korrektur wurde zunächst anhand einer Quickbird-Aufnahme für eine Aufnahme durchgeführt. Die verbleibenden Aufnahmen wurden auf diese Aufnahme geometrisch angepasst (image to image). Um eine Übertragbarkeit der Bildspektren der RapidEye-Daten auf die Spektren des Feldspektrometers durchführen zu können, wurde eine atmosphärische Korrektur der RapidEye- Aufnahmen durchgeführt. Somit wurden die digitalen Bildinformationen der RapidEye-Daten in Reflektanzen umgewandelt. Für die atmosphärische Korrektur wurde das ATCOR-Tool aus ERDAS Imagine 2011 verwendet. Hierbei wurden alle Szenen einzeln auf die vorhandenen Feldspektren angepasst. Hierfür wurden je eine dunkle und eine helle Oberfläche als Referenzen verwendet Aufbereitung der TerraSAR-X Daten [D-1.4; D-1.5; D-1.9, D-1.10] Um eine möglichst hohe räumliche Genauigkeit zu erhalten, wurden die TerraSAR-X- Datensätze zunächst in der Basiskonfiguration SSC (Single Look Slant Range Complex) bestellt. Grundlegende Vorverarbeitungsschritte wie Trennung in Amplitude und Phase, Koregistrierung und Geokodierung wurden eigenhändig durchgeführt. Da diese Vorverarbeitungsschritte notwendig sind, um die Daten mit weiteren Informationen zur Landoberfläche in Verbindung zu bringen, gehen die in den Ursprungsdaten enthaltenen zusätzlichen Informationen jedoch wieder verloren. Daher wurde bei der Bestellung weiterer Datensätze auf diese eigenhändige und sehr umfangreiche Vorgehensweise verzichtet und im Datenformat EEC (Enhanced Ellipsoid Corrected) bestellt. Grundlegende Vorverarbeitungsschritte sind Speckle-filterung, Georeferenzierung, Subsetbildung und radiometrische Kalibrierung: Die Daten wurden mit verschiedenen Speckle-Filtern bearbeitet (Enhanced-Lee, Frost etc.), als bester Filtermethode erwies sich die von DE GRANDI et al. (1997) entwickelte Multitemporalfilterung. Diese wurde daraufhin durchgängig auf alle Datensätze angewendet. Die Georeferenzierung der Daten erfolgte anhand bereits georeferenzierter RapidEye- Szenen und der in Kapitel genannten Zusatzdaten. Dabei wurde eine räumliche Genauigkeit im Subpixelbereich angestrebt. Anhand der georeferenzierten Daten konnte das Untersuchungsgebiet ausgeschnitten werden. Der abschließende Vorverarbeitungsschritt ist die radiometrische Kalibrierung der Daten. Dazu wurde der Rückstreukoeffizient Sigma Naught (σ 0 ) berechnet unter Nutzung der folgenden von Infoterra zur Verfügung gestellten Formel (INFOTERRA. Radiometric Calibration of TerraSAR-X Data; Manuscript, Infoterra: Friedrichshafen, Germany, 2008):

20 Schlussbericht CARE-X FK 50EE /2012 Seite 20 2 CalFact DN 10 log (sin ) 0 [ db ] 10 log10 10 loc (1) Dabei ist: σ0[db] = calibrated pixel value in decibel CalFact = calibration and processor scaling factor DN = pixel intensity value θloc = local incident angle (radar beam and the normal to reflecting surface). Weitere Details können in der diesbezüglichen Publikation im Anhang (A3.2) nachgelesen werden Festlegung der Pflanzengesellschaften und Auswahl zu untersuchender Lebensraumtypen [D-1.6] Für die Festlegung der Pflanzengesellschaften und der Lebensraumtypen wurden vorab Testflächen im Untersuchungsgebiet aufgenommen. Analog zum Projektantrag lag der grundsätzliche Fokus auf der Erkennung von Offenlandhabitaten, um bereits bestehende methodische Erfahrungen des koordinierenden Fachgebiets im Bereich der NATURA Klassifikation von Waldhabitaten (FÖRSTER et al. 2008) zu übertragen. Grundsätzliche Überlegungen dazu sind im Forschungsantrag beschrieben. Unter Flächenaufnahmen ist das Verfahren der pflanzensoziologischen Datenerfassung in Pflanzenbeständen zu verstehen, wobei die Aufnahme den Datensatz eines Bestandes repräsentiert. Pflanzensoziologische Aufnahmen sind die Grundlage pflanzensoziologischer Arbeit, von deren Qualität und deren Informationsgehalt das Ergebnis aller weiteren Auswertungen abhängt (DIERSCHKE 1994). In der Fernerkundung spielt die Qualität der Aufnahmen eine ebenso wichtige Rolle, da auch hier die Ergebnisse weiterer Auswertungen unmittelbar damit zusammenhängen. In diesem Projekt wurden die Aufnahmen nach den allgemeinen Vorschlägen von DIERSCHKE (1994) und BRAUN-BLANQUET (1964) durchgeführt. Im Allgemeinen sollte der Zeitpunkt der Flächenaufnahme nach der optimalen Entfaltung der Pflanzen, zumeist in den Monaten Mai und Juni, erfolgen, da nur dann der Deckungsgrad richtig geschätzt werden kann. Im Projekt wurden die Aufnahmen im Mai durchgeführt. Da die Spektrometermessungen im zweiwöchigen Rhythmus den ganzen Sommer über erfolgten, wurde der Deckungsgrad immer neu geschätzt und ggf. korrigiert. Daher war der Zeitpunkt der Geländeaufnahme weniger wichtig. Aufgenommen wurde nach subjektiver Einschätzung der floristisch-ökologischen Homogenität des Bestandes nach BRAUN-BLANQUET (1964). Das bedeutet, dass eine subjektive, möglichst unvoreingenommene, sorgfältige Auswahl der Aufnahmefläche getroffen wurde. Der Begriff Homogenität ist dabei das Maß für die Regelhaftigkeit der Verteilung von Strukturelementen in einem Bestand. Pflanzen sind demnach dann homogen verteilt, wenn sie auf der ganzen Fläche gleichmäßig vorkommen. Das Vorhandensein von größeren homogenen Flächen eines Pflanzenbestandes wurde für die Aufnahme vorausgesetzt, konnte aber nicht immer, wie z.b. beim Phalaridetum arundinaceae Libbert 1931, gewährleistet werden. Die Größe der Aufnahmeflächen wurde aufgrund der besseren Handhabbarkeit für die folgenden Spektrometermessungen nicht nach BRAUN-BLANQUET (1964) gewählt. Demnach hatten die Probeflächen eine Abmessung von 2

21 Schlussbericht CARE-X FK 50EE /2012 Seite 21 mal 2 Metern (vgl. Kapitel ). Dadurch wurde es vermieden, die Flächen einer unnötigen und störenden Trittbelastung durch die regelmäßigen Messungen auszusetzen. Die Umgebung der Flächen wurde auf ihre Homogenität hin kontrolliert, damit einer möglichen Fragmentierung der Flächen entgegengewirkt werden konnte. Die eigentliche Aufnahme der Pflanzen erfolgte nach der Literatur von ROTHMALER (2005), ROTHMALER (2000), HAEUPLER & MUER (2007) und KLAPP & VON BOBERFELD (1995). Im gesamten Gebiet der Döberitzer Heide konnten auf den zugänglichen Bereichen vier Lebensraumtypen nach den Bestimmungen der NATURA 2000-Schlüssel zugeordnet werden (vgl. unten: Einteilung in FFH-Lebensraumtypen). Zu Beginn des Forschungsprojekts CARE- X wurde eine Fokussierung auf die Lebensraumtypen 6410 (Pfeiffengraswiesen), 6430 (feuchte Hochstauden) und 6510 (magere Flachlandmähwiesen) angestrebt, um bisher erfolgreiche fernerkundliche Anwendungen auf Heidehabitaten (FRICK et al. 2005) auf weitere Lebensraumtypen auszuweiten und somit vor allem für die Fachbehörden einen weiteren relevanten Fortschritt zu erreichen (vgl. Anhang A2.1.6). Im weiteren Verlauf des Projekts stellte sich jedoch heraus, dass die Hochstaudenflächen (6430) entweder nur sehr klein (im Untersuchungsgebiet Döberitzer Heide) oder komplett unter Wald (im Bereich von Flussläufen) im Untersuchungsgebiet Mecklenburger Seenplatte lagen. Zusätzlich zu diesen Überlegungen wurden von der TerraSAR-X-Zeitreihe nur die nordwestlichen Bereiche der Döberitzer Heide (und damit vor allem der Ferbitzer Bruch) abgedeckt. Damit reduzierte sich der primäre LRT-Fokus auf die LRTs 6410 (Pfeiffengraswiesen) und 6510 (magere Flachlandmähwiesen) im Feuchtwiesenbereich des Naturschutzgebiets Ferbitzer Bruch. Entsprechend der NATURA 2000 Nomenklatur gehören sie zur übergeordneten Klasse Naturnahes und Natürliches Grasland (BfN 2009). Beide Lebensraumtypen sind in ihrer Existenz stark gefährdet (6510) bzw. von totaler Auslöschung bedroht (6410). Alle weiteren im Untersuchungsgebiet vorkommenden Lebensraumtypen wurden ebenfalls klassifiziert, allerdings aufgrund der fehlenden Abdeckung der TSX-Daten nur anhand der optischen Daten des RapidEye-Sensors. Klasseneinteilung Die Biotoptypen und Pflanzengesellschaften wurden mit Hilfe der Literatur von POTT (1995) und SCHUBERT et al. (2001) unter Zuhilfenahme der 32 Biotoptypenkartierung und dem Band 2 der Biotopkartierung Brandenburg (LANDESUMWELTAMT BRANDENBURG 2007) bestimmt und vorab in Biotoptyp und die pflanzensoziologischen Einheiten Formation, Klasse, Ordnung, Verband und Assoziation sortiert. Diese einheitliche Einteilung war aus fernerkundlicher Sicht nicht immer sinnvoll. Zum einen weisen verschiedene Pflanzengesellschaften desselben Biotoptyps eine hohe spektrale Ähnlichkeit auf, zum anderen kann eine Pflanzengesellschaft in mehreren Biotoptypen vorkommen. Aus diesem Grund wurde die Klasseneinteilung nach folgenden Kriterien vorgenommen: Biotoptyp Dominanzart

22 Schlussbericht CARE-X FK 50EE /2012 Seite 22 Standort Deckungsgrad Die sich daraus ergebenden 21 Klassen werden in Tabelle 6 aufgelistet. Tabelle 6: Untersuchte Klassen von Pflanzengesellschaften. Nr. Klasse Name 1 GAFJ_ELE_ELE Biotoptyp: Grünlandbrache feuchter Standorte, von Binsen dominiert Pflanzengesellschaft: Eleocharitetum uniglumis (Almqu. 1929) 2 XXX_PHR_PHR (GAFP_PHR_PHR, MEPP_PHR_PHR) Pflanzengesellschaft: Phragmitetum australis (Gams 1927, Schmale 1939) 3 GFP_MOL_XXX Biotoptyp: Pfeifengraswiesen Pflanzengesellschaft: Molinion caeruleae (W. Koch 1926) 4 GFRR_CAL_XXX Biotoptyp: Feuchtwiesen nährstoffreicher Standorte, artenreiche Ausprägung Pflanzengesellschaft: Calthion palustris (Tx. 1937) 5 GFS_CAR_XXX (GFS_CAR_XAC, Biotoptyp: Großseggenwiesen Pflanzengesellschaft: Caricion elatae (W. Koch 1926) GFS_CAR_XDI, GFS_CAR_XGR) 6 GMFR_ARR_ARR (GMFR_ARR_ARR, Biotoptyp: Frischwiesen, artenreiche Ausprägung Pflanzengesellschaft: Arrhenatheretum elatioris (Braun 1915) GMWR_ARR_ARR) 7 XXX_ARC_SOL Pflanzengesellschaft: Solidago canadensis-gesellschaft (GMRA_ARC_SOL, GSMR_ARC_SOL) 8 GMR_ARR_XXX- Tanacetum vulgare (GMRA_ARR_TAR, Biotoptyp: ruderale Wiesen Pflanzengesellschaft: Arrhenaterion elatioris (Br.-Bl. 1925, W. Koch 1926) Dominanzart: Tanacetum vulgare GMRR_ARR_ARR, GMRR_ARR_TAR) 9 GSF_FIL_XXX Biotoptyp: Hochstaudenfluren feuchter bis nasser Standorte Pflanzengesellschaft: Filipendulion ulmariae (Br.-Bl. 1947) 10 XXX_CON_RUB-fr (GSMA_CON_RUB, GSMR_CON_RUB, RSC_CON_RUB) Pflanzengesellschaft: Rubo-Calamagrostietum epigeji Coste (1974) 1975 auf frischen Standorten 11 XXX_CON_RUB-f (GSMA_CON_RUB, GSMA_CON_RUB, RSC_CON_RUB) 12 XXX_CON_RUB-tr (GSTA_CON_RUB, GSTR_CON_RUB, RSC_CON_RUB) Pflanzengesellschaft: Rubo-Calamagrostietum epigeji Coste (1974) 1975 auf wechselfeuchten Standorten Pflanzengesellschaft: Rubo-Calamagrostietum epigeji Coste (1974) 1975 auf trockenen Standorten 13 GSMA_XXX_XXX Biotoptyp: verarmte oder ruderalisierte Staudenfluren frischer, nährstoff-

23 Schlussbericht CARE-X FK 50EE /2012 Seite 23 Nr. Klasse Name (GSMA_DAU_TAT, reicher Standorte GSMA_SEN_CUS) 14 GTSN_VIO_PNA Biotoptyp: Borstgrasrasen trockener Ausprägung Pflanzengesellschaft: Polygalo-Nardetum strictae Oberd GTS_XXX_XXX-10 Biotoptyp: Sandtrockenrasen Bis 10% Deckung 16 GTS_XXX_XXX-30 Biotoptyp: Sandtrockenrasen Bis 30% Deckung 17 GTS_XXX_XXX-70 Biotoptyp: Sandtrockenrasen Bis 70% Deckung 18 GTS_XXX_XXX-100 Biotoptyp: Sandtrockenrasen Bis 100% Deckung 19 HG_USA_CSA Biotoptyp: Besenginsterheiden Pflanzengesellschaft: Calluno-Sarothamnetum (Malc. 1929) 20 HZSO_GEN_ECA Biotoptyp: trockene Sandheiden, weitgehend ohne Gehölzbewuchs (weniger 10%) Pflanzengesellschaft: Euphorbio-Callunetum Schub em. Schub MEPA_CAR_PHA Biotoptyp: Rohrglanzgras-Röhricht eutropher bis polytropher Moore und Sümpfe Pflanzengesellschaft: Phalaridetum arundinaceae Lib Einteilung in FFH-Lebensraumtypen Unter Zuhilfenahme des Bandes 2 der Biotopkartierung Brandenburg (LANDESUMWELTAMT BRANDENBURG 2007) wurden aus den 20 Klassen die folgenden vier potentiellen FFH- Lebensraumtypen ermittelt (siehe Abbildung 2 bis Abbildung 5): Pfeifengraswiesen auf kalkreichen Böden, torfigen und tonig-schluffigen Böden (6410) Magere Flachland-Mähwiesen (6510) Trockene Europäische Heiden (4030) Trockene, Kalkreiche Sandrasen (6120)

24 Schlussbericht CARE-X FK 50EE /2012 Seite 24 Abbildung 2: Pfeifengraswiesen Abbildung 3: Artenreiche Frischwiesen Abbildung 4: Trockene Sandheiden Abbildung 5: Sandtrockenrasen Kartierung von Referenzspektren und flächenrelevanter Eigenschaften der Zielhabitate [D-1.7; D-1.8; D-1.11] In den Jahren 2009 bis 2011 wurden 136 Testflächen in der Döberitzer Heide und im Ferbitzer Bruch vegetationskundlich aufgenommen (siehe Abbildung 6).

25 Schlussbericht CARE-X FK 50EE /2012 Seite 25 Abbildung 6: Übersicht der aufgenommenen Testflächen (weiß: 74 Testflächen von LUP GmbH; grün: 62 Testflächen der Uni Potsdam und des DGFZ) Die Referenzflächen haben die Abmessungen von zwei mal zwei Metern (LUP) und ein mal ein Metern (Testflächen des Partnerprojekts vom Geoforschungszentrum Potsdam (siehe Kapitel 1.5)) Mit Hilfe eines Kompasses wurden sie nach Norden hin ausgerichtet und mit einem GPS-Gerät (Global Positioning System), dem Trimble ProXT in Verbindung mit einem Trimble Juno ST, verortet. Durch eine integrierte Echtzeitkorrektur mit Hilfe von EGNOS (European Geostationary Navigation Overlay Service) und dem Empfang eines der drei geostationären Satelliten war eine Positionsbestimmung von ca. einem Meter Genauigkeit möglich. Um das Auffinden der Flächen vor Ort zu erleichtern, wurden sie mit Heringen, Magneten und einem Bambusstab in der Südostecke vermarkt. Insgesamt wurden 747 Validierungspunkte in der Döberitzer Heide verortet und vegetationskundlich aufgenommen (siehe Abbildung 7). Unter Berücksichtigung der Umgebung wurden alle Pflanzenarten mit einer Deckung ab 5% bestimmt und sowohl schriftlich als auch fotografisch dokumentiert. Dabei bezieht sich die Deckung auf die von der jeweiligen Pflanze überragten Fläche, die man von oben sieht. Die Verortung erfolgte über GPS-Messung mit einer Genauigkeit von ca. einem Meter.

26 Schlussbericht CARE-X FK 50EE /2012 Seite 26 Abbildung 7: Übersicht der Validierungsflächen in der Döberitzer Heide Feldspektrometrie In den Monaten März bis November wurden die Flächen bei wolkenlosem bis heiterem Himmel in einem zweiwöchigen Rhythmus aufgesucht und die reflektierte Strahlung mit einem Feldspektrometer, dem ASD Field Spec FR Pro mit einer 8 -Voroptik, gemessen. Das Spektrometer zeichnet die reflektierte Strahlung im Wellenlängenbereich von 350 bis 2500 nm auf. Pro Fläche wurden 25 Messungen in 5 Zeilen und 5 Spalten mit einem Meter Abstand über dem Bestandsmittel durchgeführt (siehe Abbildung 8), wobei pro Messung der Mittelwert von 50 Einzelmessungen errechnet und abgespeichert wurde. Die Dokumentation der Messungen erfolgte mit Hilfe eines Protokolls und Fotoaufnahmen. Abbildung 8: links: schematische Darstellung der Messung pro Referenzfläche mit dem Spektrometer, rechts: Spektrometermessung im Gelände.

27 Schlussbericht CARE-X FK 50EE /2012 Seite Erarbeitung des Prototypen einer spektralen und strukturellen Bibliothek [AP- 2] [D-2.1; D-2.4; D-2.5] Wie bereits in Kapitel beschrieben wurden die Testflächen nach Möglichkeit in einem zweiwöchigen Rhythmus von März bis November der Jahre 2009 bis 2011 bemessen. Die Daten der besonders frühen und späten Monate werden für die Berechnung der Anfangsund Endpunkte der Phänologiekurven benötigt (vgl. Kapitel 2.1.3). Die Referenzflächen für das Testgebiet Mecklenburger Seenplatte wurden im Zuge der dortigen Kartierung der Validierungsflächen mit aufgenommen. Die Weiterverarbeitung der Messdaten erfolgte mit den Softwareprogrammen SAMS und ENVI. In einem ersten Schritt wurden die Spektren einer Jump Correction unterzogen. Dabei werden die spektralen Sprünge in den Wellenlängenbereichen 990 bis 1100 nm, 1400 bis 1650 nm sowie über 2500 nm entfernt, um die Effekte der Wasseroptionsbanden des Atmosphärenwassers zu eliminieren. Mit Hilfe der während der Messung aufgenommenen Protokolle werden pro Aufnahmefläche die 25 gemessenen Spektren und die am Anfang und am Ende einer Messung aufgenommenen Weißabgleiche überprüft. Fehlerhafte Werte werden dabei entfernt. Aus den verbliebenen Messwerten wird der Mittelwert pro Fläche berechnet. Als spektrale Datenbank wird die Standardspektralbibliothek von ENVI 4.7 verwendet. In diese Datenbank werden die Messdaten nach Klasse (vgl. Tabelle 6 in Kapitel ), Datum und ASD-Gerät einsortiert. In Einzelfällen werden zusätzliche Eigenschaften wie Schleierbewölkung, Mahd, Störung der Fläche oder Dominanzart aufgenommen. Parallel zur Erstellung der spektralen Datenbank wird eine Bilddokumentation der Klassen und Messzeitpunkte in Form eines Katalogs erstellt (Beispiel siehe Abbildung 9). Die Lagekoordinaten der Testflächen werden in einer Geodatenbank gespeichert. Der vollständige Spektrenkatalog ist angehängt. Für die phänologische Weiterverarbeitung im Programm TimeSpec (vgl. Kapitel 2.1.3) wird die Spektralbibliothek auf die RapidEye-Daten mit Hilfe der Spectral Response Curves des RapidEye Sensors resampled.

28 Schlussbericht CARE-X FK 50EE /2012 Seite 28 Abbildung 9: Auszug aus dem erstellten Spektralkatalog der im Zuge des Projektes durchgeführten Spektralmessungen Klassifikation mit Feldspektren aus der spektralen Bibliothek TimeSpec für das Testgebiet Döberitzer Heide [AP-3] Aufbereitung der RapidEye Daten [D-1.4, D-1.9, D-3.1] Für die weitergehende Verwendung der RapidEye-Daten u.a. für die Überprüfung der Übertragbarkeit von Bild- und Feldspektren sowie der Klassifikation naturnaher FFH- Offenlandarten wurden weitere Verarbeitungsschritte unternommen (Abbildung 10). Nach den Vorverarbeitungsschritten in Kapitel wurden vorhandene Wolken und deren Schatten manuell ausmaskiert. Für die weiteren Untersuchungen wurden Vegetationsindizes berechnet. Hierbei wurden der NDVI (normalized difference vegetation index) sowie dessen Modifikationen NDVI RedEdge (Rotes Band zum RedEdge Band) und NDVI RedEdge-NIR (RedEdge Band zum NIR Band) ausgewählt. Der NDVI stellt in der Fernerkundung den gängigen VI für die Erkennung von Vegetationsflächen dar. Für weitere Anwendungen besteht die Option, zusätzliche Vegetationsindizes verwenden zu können (Kapitel ). Eine phänologische Korrektur der RapidEye-Daten wurde zur Normalisierung der phänologischen Schwankungen innerhalb eines Jahresverlaufes durchgeführt (Kapitel ). Mit den Ergebnissen der phänologischen Korrektur wurden die Vegetationsindizes zu eigen-

29 Schlussbericht CARE-X FK 50EE /2012 Seite 29 ständigen Layerstacks sowie einem Layerstack mit allen drei VI kombiniert. Mit Hilfe dieser Vorgehensweise war es möglich, aus drei unterschiedlichen Zeitreihen (2009, 2010 und 2011) eine einheitliche phänologische Zeitreihe zu entwickeln. Damit keine Informationsverluste durch das Ausmaskieren der von Wolken betroffenen Flächen verbleiben, wurden diese Bereiche mittels einer linearen Interpolation ergänzt. Hierbei wurde für jedes betroffene Bildpixel ein interpolierter Wert berechnet. Dazu wurde jeweils die zeitlich dichteste Aufnahmen vor und nach dem betroffenen Termin verwendet. Hierbei war es besonders wichtig, dass bei der Interpolation die Relationen der phänologischen Tage berücksichtigt wurden. Nachdem die spektralen Profile der RapidEye-Bildpixel vervollständigt wurden, wurden die Schwankungen innerhalb dieser Profilkurven geglättet. Hierfür wurde der Savitzky-Golay Filter mit einem Polynomgrad zweiter Ordnung verwendet. Neben den spektralen Informationsgehalt der Kurven wurden für einen zusätzlichen Informationsgewinn sowohl die erste als auch die zweite Ableitung berechnet. Während die erste Ableitung die Steigung der Kurven wiedergibt, deutet die zweite Ableitung auf die Krümmung der Kurve hin. Die Ableitungen wurden als zusätzlicher Layer an den jeweiligen Layerstack gehängt.

30 Schlussbericht CARE-X FK 50EE /2012 Seite 30 Abbildung 10: Aufbereitungsschritte RapidEye-Daten. Ausschnitt (links) und Spektrales z-profil (rechts). a) Atmosphärische Korrektur b) Wolkenmaskierung c) Indexberechnung d) lineare Interpolation e) Filterung mit Savitzky-Golay-Filter f) Berechnung 1-Ableitung g) Berechnung 2-Ableitung. Der letzte Verarbeitungsschritt bestand aus der Ausmaskierung der für dieses Projekt nicht relevanten Biotoptypen bzw. Pflanzengesellschaften. Die Biotoptypen wurden aus der Biotopkartierung Brandenburg übernommen Zeitliche Einordnung der Fernerkundungsdaten durch eine phänologische Korrektur [D-2.2; D-3.4] Die notwendige zeitliche Vergleichbarkeit sowohl der Fernerkundungsdaten als auch der Feldspektren wurde mit Hilfe einer phänologischen Korrektur erreicht. Dabei wurden verschiedene Ansätze untersucht. Einerseits kamen MODIS-NDVI-Zeitreihen und die Ableitung verschiedener phänologischer Parameter zum Einsatz (unter Verwendung von TIMESAT und TISEG). Andererseits wurden DWD-Aufzeichnungen zu phänologischen Phasen unterschiedlicher Pflanzen verwendet. Dabei lässt sich zusammenfassend feststellen, das für die hohe räumliche Auflösung der im Projekt bearbeiteten RapidEye Satellitendaten, MODIS-

31 Schlussbericht CARE-X FK 50EE /2012 Seite 31 Zeitreihen nicht geeignet sind, da sie räumlich zu grob aufgelöst sind (250 m bzw. 500 m) und wolkenbedingt zu viele Lücken aufweisen. Speziell die gegebene räumliche Auflösung führt bei dem hier gegebenen Verteilungsmuster der Vegetationsklassen unvermeidbarerweise zu Mischpixeln, die, speziell wenn urbane Gebiet oder Nadelwald in der Mischung enthalten sind, die Ergebnisse stark verzerren. Die phänologische Korrektur mittels DWD- Daten und der Bildung eines Polynoms im Vergleich zum langjährigen Mittel ist bei Vorhandensein geeigneter Messstationen dagegen sehr präzise (siehe für eine detailliertere Beschreibung FÖRSTER et al. 2011). Vorgehensweise DWD-Daten: Bildung des langjährigen Mittels (MW) nach Phase und Station Berechnung des Ratio aus Mittelwert und Jahr 200x (jeweils für 2007, 2008, 2009, 2010 und 2011) Berechnung des Polynoms aus Tag bzw. Ratio 200x gegen Tag MW Durch die Anwendung des Polynoms können Änderungen zum 60-jährigen Mittel der phänologischen Beobachtungen quantifiziert werden. Wie im schematischen Graph der Abbildung 10 gezeigt, kann dann so der Datumstag 71 (12. März) in der Vegetationsentwicklung der Tag 78 sein. Diese Verschiebung auf Grundlage der Vegetationsentwicklung kann so mit einberechnet werden. Abbildung 11: Schematischer Graph der phänologischen Normalisierung auf Grundlage von DWD Wetterdaten nach Förster et al In Abbildung 11 wird für das konkrete Gebiet der Döberitzer Heide ein Beispiel aus dem Jahr 2008 gezeigt. Der Wert 1 der y-achse repräsentiert das langjährige Mittel. Es zeigt sich hier, dass der Frühling im Vergleich zum 60jährigen Mittel sehr viel eher in der Vegetationsentwicklung beginnt (Werte des Ratios stark unter 1), während der Herbst sich eher am Mittelwert orientiert (Werte nah an am Wert 1).

32 Schlussbericht CARE-X FK 50EE /2012 Seite 32 Abbildung 12: Beispiel für die phänologische Korrektur im Untersuchungsgebiet im Jahr 2008, verglichen mit dem langjährigen Mittel. Werte unter der 1-Linie auf der y-achse entsprechen einer im langjährigen Vergleich frühen Vegetationsentwicklung, Werte über 1 eine verspäteten Vegetationsentwicklung Erarbeitung einer phänologischen Bibliothek mit dem Tool timespec [D-2.2; D-2.4; D-3.1; D-3.4; D-3.7] Aus den Daten der Aufnahme mit Feldspektren (siehe Kapitel ) sollte die Berechnung einer Interpolation zwischen den Werten der Transferfunktion zu einem interpolierten phänologischen Optimalverlauf für die Habitate erfolgen (D-3.1). Dies geschieht durch die Erarbeitung eines phänologischen Korridors unter Einbindung von phänologischen Grundlagendaten (Kapitel ). Um eine automatisierte Umsetzung für weitere Nutzung zu gewährleisten wurde dafür das Tool timespec entwickelt. Es ist in der Lage aus Feldspektren verschiedener Klassen eine jahresunabhängige phänologische Kurve zu generieren (siehe Abbildung 13). Ausgehend von einer Spectral Library (in diesem Fall als esl-dateien verfügbar) wurden dafür folgende Schritte durchgeführt: Resampling der mit dem ASD Fieldspec gemessenen spektralen Reflektanzen auf den zur Verfügung stehenden Sensor (in diesem Falle RapidEye),

33 Schlussbericht CARE-X FK 50EE /2012 Seite 33 Berechnung von einem oder mehreren Indices, mit denen der phänologische Verlauf interpoliert werden soll, die zeitliche Einordnung der Aufnahme im phänologischen Jahr (Kapitel ), die Interpolation der Messwerte über ein phänologisches Jahr. Abbildung 13: Ausgangslage der vorhandenen gemessenen spektralen Reflektanzen (links) und Zielresultat nach der Prozessierung mit timespec (rechts) Beschreibung von timespec Das Tool timespec wird nach seiner Fertigstellung über die Homepage der TU Berlin frei (auch im Quellcode) zur Verfügung gestellt. Dazu ist eine ausführliche Dokumentation in englischer Sprache erstellt worden, die dem Bericht im Anhang beigefügt ist. Deshalb erfolgt im Bericht nur eine verkürzte Beschreibung der Funktionsweise. Installation Um das Programm timespec ausführen zu können, muss folgende Software installiert sein: Java [http://www.java.com/de/] Python [http://www.python.org/] matplotlib [http://matplotlib.sourceforge.net/] NumPy [http://numpy.scipy.org/] Des Weiteren ist zu beachten, dass der Ordner Python im selben Ordner gespeichert ist wie die Programmdatei. In der Datei Program.properties sind die Standardwerte des Programmes eingetragen (Abbildung 14). Hier muss ggf. der Python-Pfad angepasst werden. Standardmäßig ist python=c:/python27/python.exe eingetragen. Außerdem können hier die Pfade für die Quell- und Ausgabedatei festgelegt werden (sourcefolder=c:/users/... bzw. destinationfolder=c:/users/...). Dabei muss darauf geachtet werden, dass im gesamten Pfad kein Leerzeichen vorhanden ist und als Trennzeichen für Verzeichnisse / oder \\ verwendet werden.

34 Schlussbericht CARE-X FK 50EE /2012 Seite 34 Abbildung 14: Datei Program.propoerties mit angepassten Pfaden für die Quell- und Ausgabedatei Quelldatei Bei der Quelldatei handelt es sich um eine *.txt-datei, die die gemessenen Pflanzenspektren enthält. Der Aufbau (Abbildung 15) entspricht dem ASCII-Ausgabeformat des Spectral Library Viewer von ENVI. Dabei steht an erster Stelle (s. Zeile 3 in Abbildung 15) die Bezeichnung der Pflanzengesellschaft, dann die Flächen-ID (021) und das Aufnahmedatum im Format Jahr-Monat-Tag (070828). Die Vergabe einer Flächen-ID ist für die Anwendung von timespec nicht zwingend notwendig. Allerdings müssen die Informationen zur Pflanzengesellschaft und zum Aufnahmedatum durch eine beliebige numerische ID voneinander getrennt werden. Alle weiteren nötigen Informationen können am Ende der Bezeichnung aufgeführt werden. Alle Angaben werden von Unterstrichen getrennt. Als Abstandshalter werden Leerzeichen verwendet. Bei den darunter stehenden Daten (Zeilen 15-19) handelt es sich um die Daten der Spektralmessungen der 5 RapidEye-Bänder (15: Blue, 16: Green, 17: Red, 18: Red Edge, 19: NIR). Im Beispiel stehen in der ersten Spalte die Werte für die Wellenlänge. Spalte zwei enthält die Daten zur 1. Messung (Zeile 3), Spalte drei die Daten der 2. Messung (Zeile 4) usw. Die Messwerte müssen durch doppelte Leerzeichen getrennt werden.

35 Schlussbericht CARE-X FK 50EE /2012 Seite 35 Abbildung 15: Aufbau der Quelldatei Ausgabedateien Insgesamt können bis zu vier Ausgabedateien produziert werden. Das Programm berechnet für die Daten ausgleichende Polynome und visualisiert die Ergebnisse als Graphen (Abbildung 16, oben). Die Diagramme werden als *.pdf-dateien ausgegeben (Dateiname_Grafiken.pdf). Speicherort und Dateiname werden in der Benutzeroberfläche (Abbildung 17) festgelegt. Die Datei Dateiname_Indizes_gemessen.txt (Abbildung 16, unten links) beinhaltet zum einen Angaben, die direkt der Quelldatei entnommen werden (Pflanzengesellschaft, Aufnahmedatum) und zum anderen Daten, die aus den gemessenen Daten berechnet werden (Tag im Jahr, Tag im Jahr phänologisch korrigiert) sowie Informationen zum angewandten Index und die dazu berechneten Werte. Die Inhalte der Spalte Valid geben an, ob die Werte gültig ( + ) oder Ausreißer ( - ) sind. Die Datei Dateiname_Indizes_berechnet.txt (Abbildung 16, unten rechts) wird nur generiert, wenn Tage ausgewählt wurden (Abbildung 17, 3.). Für diese Tage werden die Werte des ausgewählten Index angegeben und auch die Standardabweichung. So können die Werte des Indices für bestimmte Tage, in denen eine Satellitenaufnahme vorliegt direkt exportiert in weiter verwendet werden. Die Ergebnisse in allen Textdateien sind durch Tabulatoren getrennt und können so einfach in ein Excel-Tabellenblatt importiert werden.

36 Schlussbericht CARE-X FK 50EE /2012 Seite 36 Abbildung 16: Ausgegebener Graph inkl. Standardabweichungen (oben), Ausgabedatei Dateiname_Indizes_gemessen (unten links) und Ausgabedatei Dateiname_Indizes_berechnet (unten rechts) Funktionen Mit einem Doppelklick auf die timespec.jar Datei wird die Benutzeroberfläche des Tools gestartet. Es müssen dann die Quelldatei und - sofern nicht schon in den program properties festgelegt das Zielverzeichnis ausgewählt werden (Abbildung 17, 1.). Bei der Wahl des Dateinamens (Abbildung 17, 2.) ist darauf zu achten, das vorhandene Dateien gleichen Namens ohne Warnung überschrieben werden. Außerdem dürfen die Dateinamen weder Umlaute noch ß enthalten; dies führt zu einer Fehlermeldung. In einem nächsten Schritt (Abbildung 17, 3.) kann der gewünschte Index oder auch mehrere Indizes ausgewählt werden. Die in Tabelle 7 gelisteten Indizes stehen zur Verfügung. Des Weiteren können Tage angegeben werden (durch Kommata getrennt), für die bestimmte Werte für die Indizes interpoliert werden sollen. Es existieren darüber hinaus verschiedene Möglichkeiten der Visualisierung der Ausgabedatei Grafiken (Abbildung 17, 4.). Die Konfidenzintervalle können angezeigt werden, die Angabe zur Extrapolation über die in der Jahresspanne gemessenen minimalen und maximalen Termine (Standard 14 Tage, sonst werden höchst unsichere Werte berechnet) kann geändert sowie der y-wertebereich der Graphiken (s. Abbildung 16, oben) festgelegt werden. Abschließend können noch Parameter die

37 Schlussbericht CARE-X FK 50EE /2012 Seite 37 Regression betreffend gewählt werden (Abbildung 17, 5.). Dies umfasst Angaben zum Polynomgrad der Funktion, der minimalen Anzahl an Werten sowie Festlegungen zum Ausreißer- Test. Nach dem Start der Berechnungen (Abbildung 17, 6.) kann dann im Protokoll (Abbildung 17, 7.) der erfolgreiche Verlauf der Berechnungen bzw. möglicherweise aufgetretene Fehler nachgelesen werden. Tabelle 7: Überblick über die im Standardumfang von TimeSpec vorhanden Indizes (file Indices.xml ). Andere Indices können über eine xml-datei integriert werden. Index Formula NDVI RedEdge NDVI (1) RedEdge NDVI (2) Volumen EVI MSAVI SARVI MSARVI

38 Schlussbericht CARE-X FK 50EE /2012 Seite Abbildung 17: Vor dem Programmstart (6.) muss die Quelldatei angegeben werden (1.) sowie der Name der Ausgabedatei (2.). Darüber hinaus können verschiedene Optionen in Bezug auf den Index (3.), die Grafik (4.) und die Regression (5.) gewählt werden. Im Protokoll (7.) kann der erfolgreiche Verlauf der Berechnungen bzw. möglicherweise aufgetretene Fehler nachgelesen werden Klassifikation der RapidEye Zeitreihe mit Feldspektren (aus timespec) [D-2.3; D-2.7; D-3.5] Durch die erfolgte Aufbereitung der RapidEye Zeitreihe (siehe Kapitel ) und die Aufbereitung der phänologischen Bibliothek mithilfe des Tool timespec (siehe Kapitel ) unter Zuhilfenahme der phänologischen Korrektur mit Beobachtungsdaten des Deutschen Wetterdienstes (siehe Kapitel ) sind die Messungen mit dem Feldspektrometer und die Werte des Sensors nun in ein vergleichbares Format gebracht worden, welches auf verschiedene Indizes oder auch spektrale Bänder angewandt werden kann. Für die folgenden Auswertungen wurde auf den NDVI, Red Edge NDVI (1) und Red Edge NDVI (2) zurückgegriffen (für Formeln siehe Kapitel ). Die Indices haben bei verschiedenen Studien (u.a. SCHUSTER et al. 2012) stabile Ergebnisse bei Klassifikationen erbracht und konzentrieren sich auf die photosynthetisch aktive Biomasse, welche für die Unterscheidung naturnaher Offenlandklassen von Relevanz ist. Abbildung 18 zeigt eine beispielhafte Überlagerung für alle Feldspektrometermessungen und alle Kalibrierungspixel der RapidEye-Aufnahmen.

39 Schlussbericht CARE-X FK 50EE /2012 Seite 39 Abbildung 18: Überlagerung der Ergebnisse der Feldspektrometermessungen (blaue Punkte und Linien) mit den RapidEye Messungen auf dem jeweils gleichen Standort für den jeweils berechneten RedEdge NDVI (2). Um solche Überlagerung nun für alle verwendeten Pflanzenklassen und auf die gesamte Szene in der Form einer Klassifikation übertragen zu können, wurden von den berechneten Indizes der phänologischen Datenbank "virtuelle Trainingsdaten" abgeleitet. Dafür werden Trainingsdaten eines beliebigen Indices für jede beliebige Folge von Satellitenaufnahmen erzeugt. Dabei werden in die Generierung folgende Parameter einbezogen: Menge der erzeugten Punkte: Man kann bestimmen, welche Menge an Trainingsdaten man verwenden möchte. Standardabweichung: Basierend auf der Varianz in der Messung der Feldspektren über das Jahr, können die Trainingsgebiete innerhalb einer selbst gewählten Standardabweichung variieren. Bei geringer Standardabweichung (z.b. SD 0,5) variieren die Werte nur leicht um den Mittelwert oder Medianwert, bei größerer Standardabweichung können die Werte des Indizes stärker variabel gestaltet

40 Schlussbericht CARE-X FK 50EE /2012 Seite 40 werden. So kann die natürliche Variabilität innerhalb einer Klasse nachempfunden werden (siehe Abbildung 19). Medianwert / Mittelwert: Die Trainingssamples können sowohl ausgehend vom Mittelwert wie auch vom Medianwert gebildet werden. Abbildung 19: Beispiele der Erstellung von virtuellen Trainingsdaten (100 Samples) mit unterschiedlicher Streuung für die Klasse Pfeiffengraswiese. Die berechneten Werte werden als ASCII Datei ausgelesen und können mit beliebigen Programmen der digitalen Bildverarbeitung importiert werden. Der Vorteil dieser Methode ist, dass man so jeden beliebigen Klassifikationsalgorithmus in Kombination mit der phänologischen Bibliothek anwenden kann. Dies wurde mit den Klassifikatoren Support Vector Machine (SVM) und dem Regressionsbaumverfahren See5 getestet, wobei bei den SVM eine Umsetzung in der Software R und die Umsetzung imagesvm der EnMap Box verwendet wurden. Klassifikation mit SVM Für die in dieser Arbeit durchgeführten Klassifikationen wurde der Support Vector Machine Klassifikator (kurz SVM) ausgewählt. Der SVM Klassifikator ist im Gegensatz zu dem relativ häufig verwendeten Maximum-Likelihood-Klassifikator ein nichtparametrischer Klassifikator und gehört zu einer breiten Palette von Methoden des maschinellen Lernens (CAMPS-VALLS 2009). Die Auswahl viel auf den SVM Klassifikator, da dieser in verschiedenen Studien im Bereich der Klassifikation von Fernerkundungsdaten ein vielversprechendes Potenzial bewiesen hat (vgl. FOODY & MATHUR, 2004, PAL & FOODY 2010, BELOUSOV et al. 2002). Untersuchungen von FOODY & MATHUR (2004) haben gezeigt, dass das Ergebnis der Klassifikation von Fernerkundungsdaten durch SVM im Vergleich zu anderen Klassifikatoren genauer ist. Der Algorithmus der SVM versucht eine optimale Hyperebene zwischen verschiedenen zu trennenden Klassen auf Grundlage ausgewählter Trainingspunkte, die am Rand der Streuung der Trainingsdaten liegen, zu generieren. Für die Generierung der Hyperebene werden nur diese sogenannten Stützvektoren (support vectors) und keine weiteren Trainingsbeispiele benötigt (siehe Abbildung 20) Somit können gute Klassifikationsergebnisse mit einer geringen Anzahl von Trainingsbeispielen erzeugt und der Aufwand für die Erstellung von Trainingsdaten reduziert werden. Im Falle nicht linear trennbarer Klassen werden die Daten in

41 Schlussbericht CARE-X FK 50EE /2012 Seite 41 einen höher dimensionalen Raum transformiert. Dies hat den Effekt, dass jede auch noch so komplizierte Streuung der Trainingsdaten, linear trennbar wird. Problematisch wird hierbei die sehr aufwendige Umrechnung der Daten in den höher dimensionalen Raum. Um dieses Problem zu umgehen, wird eine sogenannte Kernel-Funktion verwendet (FOODY & MATHUR 2004). Diese ermöglicht es, die aufwendige Projektion der Daten in einen hoherdimensionalen zu simulieren und somit den Berechnungsaufwand zu reduzieren (MERCIER & LENNON 2003). Abbildung 20: Funktionsweise einer Support Vector Machine (FOODY & MATHUR 2004). Klassifikation mit See5 Für eine ausführliche Beschreibung der theoretischen Grundlagen der Regressionsbaummodellierung siehe BREIMAN et al. (1984). An dieser Stelle soll zum besseren Verständnis nur kurz auf die grundsätzliche Methodik eingegangen werden. Die Regressionsbaummodellierung ist ein Werkzeug des sogenannten "data mining", d.h. eine große Anzahl an Daten soll auf Gesetzmäßigkeiten und Abhängigkeiten untersucht und Strukturen bzw. zusammengehörige Gruppen sollen sichtbar gemacht werden. Gerade für die Vorhersage unbekannter Werte mit Hilfe eines Modells, das aus bekannten Werten erstellt wurde, ist oft eine einfache lineare Regressionsgleichung nicht geeignet, weil dadurch nur simple Zusammenhänge zwischen Daten erkannt werden können. Stattdessen ist ein hierarchisch aufgebauter Entscheidungsbaum oft erfolgreicher, da mit Hilfe von Knotenpunkten und Verzweigungen ein vielfach geschachteltes Modell erstellt werden kann. Die CART (Classification and Regression Trees) Methode (BREIMAN et al.1984) konnte als Data-Mining- Methode in der jüngeren Vergangenheit erfolgreich die Stärken anderer Klassifizierungsalgo-

42 Schlussbericht CARE-X FK 50EE /2012 Seite 42 rithmen (SAM=Spectral Angle Mapper, MRSFF=Mutli Range Spectral Feature Fitting, MTMF=Mixture Tuned Matching Filtering) kombinieren und dadurch die Klassifizierungsgenauigkeit entscheidend verbessern (WEN et al. 2009). Es zeigte sich, dass die Regressionsbaumanalyse allein ähnlich gute Ergebnisse erzielt wie weiter verbreitete und gut ausgearbeitete statistische Klassifizierungsmethoden (MLC = Maximum Likelyhood Classifier) dabei jedoch einfacher in der Anwendung ist, flexibler eingesetzt werden kann und im Vergleich algorithmisch effizienter ist (GHOSE et al. 2010). Im Rahmen dieses Projektes wurde sie als Vergleichsmethode und Evaluierung der Ergebnisse aus der SVM-basierten Klassifikation herangezogen. Das Klassifikationstool ist ein eigenständiges Programm, welches unter heruntergeladen und lizensiert werden kann. Es erwartet als Eingabe eine bestimmte Dateistruktur innerhalb eines beliebigen Arbeitsverzeichnisses. Die Dateien stellen alle notwendigen Eingabeparameter und -daten im ASCII-Format zur Verfügung. Die Programmdokumentation beschreibt die einzelnen Dateien, Optionen und Programmoperationen auch an Beispielen sehr gut. Die Erstellung eines Regressionsbaums in See5 hat mehrere Optionen, die das letztendliche Klassifikationsergebnis beeinflussen. Die wichtigsten, welche auch durchweg benutzt wurden, sollen kurz dargestellt werden: Boosting - Verschiedene (konfigurierbar viele) "Trials" werden beim Erstellen der Klassifikationsregeln durchgeführt. Bei jedem Durchlauf wird gesondert auf die bisher noch nicht gut erfasste Fälle geachtet und die Regeln auf diese hin optimiert. Auf diese Weise erhält man optimierte Regelsätze die das Ergebnis im Vergleich zum normalen Fall um 25% verbessern können. Winnowing - "Die Spreu vom Weizen trennen". Die Entscheidungsbäume bzw. Regelsätze nutzen in der Regel nicht alle in den Eingangsdaten definierten Attribute. See5 ist in der Lage solche Attribute, die nur sehr wenig zur Erstellung der Regeln beitragen von vornherein auszuschließen. Dies wirkt sich einerseits positiv auf die Rechenzeit aus, könnte aber nachteilig auf das Ergebnis wirken. Die Nutzung dieser Funktion muss vom Anwender hinsichtlich Anwendbarkeit im Einzelfall abgeschätzt und entschieden werden. Da wir im Projekt mit mehr als 200 Attributen (Bildkanälen) gearbeitet haben, die in ihrer Dynamik sicher in vielen Fällen nicht unabhängig voneinander sind, war diese Funktion aktiv. Cross-Validation - Die kreuzweise n-fache Validierung der gefunden Regelsätze ergibt ein besseres Zutrauen in die gefundene Klassifizierung und deren Genauigkeitsaussagen. Dabei wird der Pool der Trainingsdaten in n Gruppen geteilt. Jede Gruppe wird einmal herausgegriffen und dient als Validierungsdatensatz während die restlichen Fälle zur Generierung der Regelsätze herangezogen werden. Auf diese Weise ist jeder Trainingsdatensatz mal Teil der Validierungsgruppe. Wenn die Validierung möglichst unabhängig von der Auswahl der zur Generierung und zur Validierung ausgewählten Einzelfälle ist, dann sollten die gefunden Fehlerraten für die Einzelvalidierungen möglichst wenig schwanken. Ist dies der Fall hat man einen guten Anhaltspunkt für die Güte seiner Daten und für die Aussagekraft einer Fehlerangabe für eine Einzelvalidierung.

43 Schlussbericht CARE-X FK 50EE /2012 Seite 43 In Abbildung 21 ist eine Beispielhafte Ausgabe einer See5-Klassifikation in Auszügen dargestellt. Man erkennt, dass in diesem Fall die Schwankung der Fehlerrate in der Kreuzvalidierung etwas zu hoch ist. In erweiterter Form kann diese Kreuzvalidierung auch mit m-facher Wiederholung durchgeführt werden, wobei das Programm dafür Sorge trägt, dass die anfängliche Unterteilung des Datenpools in n verschiedene Gruppen auf unterschiedliche Weise in den m Durchläufen erfolgt. Die Fehlerratenstreuung kann danach erneut beurteilt werden und gibt einen noch besseren Hinweis auf die Vertrauenswürdigkeit der Fehlerangabe für einen Einzeldurchlauf. Abbildung 21: Ausgabe eines See5-Laufs mit Boosting, Winnowing, 3-facher Cross-validation und der teilweisen Darstellung der Klassifikationsmatrix Aus der Rangliste der benutzten Attribute für die Regelsatzerstellung lässt sich direkt ihre Gewichtung ableiten. Beachtet man die Belegung der Kanäle des benutzten Layerstacks in Abbildung 22, erkennt man für das Beispiel, dass der NDVI-Rededge-II für 2 relativ späte Aufnahmetermine sowie der NDVI-Rededge-I Index für einen frühen Termin am meisten Information für den Regelsatz in diesem Beispiel liefern.

44 Schlussbericht CARE-X FK 50EE /2012 Seite 44 Abbildung 22: Kanalbelegung des finalen Layerstacks Zur Erfüllung der Formatvorgaben für die Eingabedateien musste einiger Aufwand betrieben werden. Die Bilddaten aus den Layerstacks beziehungsweise die Trainingsdaten aus dem Trainingsdatengenerator mussten aufbereitet werden, damit sie von See5 gelesen und interpretiert werden konnten. Dabei wurde im Fall von Bilddaten der Weg gewählt, die Daten mit Hilfe der "PixelToASCII"-Funktion von ERDAS in das ASCII-Format zu exportieren. Für die anschließende Umwandlung vom ERDAS-Export in das See5-Format wurde ein Skript (asc- ToSee5.sh) erstellt, welches Artefakte aus dem ERDAS-Export entfernt und die notwendigen Umwandlungen und Filterungen vornimmt. Das Script bietet einige selbst-dokumentierte Filteroptionen. Die Ergebnisse von See5 werden ebenfalls im ASCII-Form ausgeben und müssen wieder über den Weg eines ERDAS-konformen ASCII-Formats und dem "AsciiToPixel"- Import von ERDAS in ein Bild umgewandelt werden. Für die Umwandlung in das ERDASlesbare ASCII-Format gibt es ein analoges Skript (see5toasc.sh). Beide Skripte laufen auf einer Linux-BASH und werden als Anhang in Textform zur Verfügung gestellt. Sie stehen auf Anfrage natürlich auch elektronisch zur Verfügung. Die Aufbereitung der generierten und auf insitu gemessenen ASD-Daten basierenden Trainingsdaten war verhältnismäßig einfach da sie schon im ASCII-Format nach der Generierung vorliegen. Auch hier müssen ein paar Filteroperationen zur Anwendung kommen, um das Eingabeformat für See5 zu befriedigen, was bei Bedarf von Hand gemacht werden konnte. Es ist zu beachten, dass im Fall des Trainings mit generierten Daten die 1. und 2. Ableitung nicht zur Verfügung standen, so dass in diesem Fall die Klassifikation ohne die Information in diesen abgeleiteten Indizes durchgeführt wurde.

45 Schlussbericht CARE-X FK 50EE /2012 Seite Validierung und Interpretation der Klassifikationsergebnisse [D-2.6; D-3.8; D-3.9] Die Klassifikationen wurden nun mit Validierungsdaten für alle Klassifikationsalgorithmen (See5, SVM, imagesvm) für die Indices NDVI, Red Edge NDVI (1) und Red Edge NDVI (2) validiert. Dabei zeigt sich zunächst, dass für die Gesamtgenauigkeit der Klassifikation recht geringe Werte erreicht werden (siehe Abbildung 23).Obwohl die Performance von imagesvm am höchsten ist, sind die Unterschiede gering und der Kappa Koeffizient liegt unter 0,4. Innerhalb der verwendeten Indices zeigt sich jedoch ein deutlicherer Unterschied. Der NDVI Red Edge (2) zeigt mit Abstand die besten Ergebnisse, wenn auch auf niedrigem Niveau. Dies bestätigt die Aussagen von SCHUSTER et al. 2012, dass der Red Edge entscheidende Vorteile bei der Klassifikation von Vegetationstypen besitzt. Abbildung 23: Klassifikationsgenauigkeit nach Algorithmus (links) und Index (rechts) Analysen mit unterschiedlicher Standardabweichung der Trainingsdaten (siehe Kapitel ) und Änderung der Ausreißer bei der Erstellung der phänologischen Kurven in timespec (siehe Kapitel ) ergaben keine wesentlichen Verbesserungen der Resultate. In einem weiteren Schritt wurden die einzelnen Klassen und deren Klassifikationsgenauigkeit analysiert (siehe Abbildung 24). Dabei war auffällig, dass Klassen mit einer hohen Homogenität im Spektralverhalten, wie z.b. Artenreiche Frischwiese und trockene Sandheide, auch mit der Klassifikation durch Feldspektren innerhalb einer phänologischen Datenbank mit hoher Genauigkeit (~ 0,8) erkannt werden können. Auch hier bietet sich imagesvm als Klassifikationsalgorithmus an. Klassen welche in ihrer Streuung sehr heterogen sind und häufig ein quasi-homogenes Verhalten im Übergang zu anderen Klassen zeigen (z.b. Sandtrockenrasen bis 70 % Deckung im Vergleich zu Sandtrockenrasen bis 100 % Deckung) speziell mit dieser Methode nicht erkannt werden können. Bei der Klassenwahl sollte daher bei Klassifikationen basierend auf Feldspektren sehr auf die Auswahl von homogenen und klar abgrenzbaren Klassen Wert gelegt werden.

46 Schlussbericht CARE-X FK 50EE /2012 Seite 46 Abbildung 24: Vergleich der Feldspektren und Bildspektren (oben - blau = Feldspektren / rot = Bildspektren) und Klassifikationsgenauigkeit (unten) der Klassen Artenreiche Frischwiese, trockene Sandheide und Sandtrockenrasen bis 70 % Deckung für User Acuracy (UA) und Producer Accuracy (PA) mit den Methoden imagesvm ( unten, jeweils beide linke Balken) und R-basierter SVM (unten, jeweils beide rechte Balken) Zwei weitere Punkte die zur Reduzierung der Klassifikationsgenauigkeit beitragen, konnten ausgemacht werden. So werden Klassen mit starkem anthropogenem Einfluss in der Regel nicht gut erkannt. Ein Beispiel dafür ist die Klasse der nährstoffreichen Feuchtwiesen. Diese Klasse hat häufig zumindest ein Mahdereignis pro Jahr, welches in den Spektralmessungen unzureichend abgebildet ist (siehe Abbildung 25, links) und somit auch nicht erkannt wird. Weiterhin können Klassen mit sehr wenigen Messflächen (häufig, weil diese wirklich nur sehr selten vorkommen) nicht gut erkannt werden, da keine Abdeckung der kompletten spektralen Bandbreite der Klasse gegeben ist (siehe Abbildung 25, rechts)

47 Schlussbericht CARE-X FK 50EE /2012 Seite 47 Abbildung 25: Beispiele des anthropogenen Einflusses durch eine Mahd (links) und der durch schlechte Abdeckung mit Validierungspunkten bedingten Lageverschiebung von Feldspektren und Bildspektren (rechts). Wenn man sich die Ergebnisse allein bezogen auf die Aufgabenstellung der Erkennung von Range und Area in der biogeographischen Region betrachtet, kann man feststellen, dass für die im Untersuchungsgebiet vorhandenen NATURA 2000 Lebensraumtypen für Pfeiffengraswiesen, artenreiche Frischwiesen, feuchte Hochstauden und trockene Sandheiden gute bis sehr gute Ergebnisse erzielt werden konnten (siehe Tabelle 8), die auch auf andere Gebiete übertragen werden können. Der Vorteil der bestehenden Methode ist es, dass man die phänologische Bibliothek nun auch auf andere Gebiete anwenden kann, ohne auf eine aufwändige Feldaufnahme angewiesen zu sein. Einschränkend muss man allerdings festhalten, dass die Klassen klar definiert und nicht heterogen in ihrer Ausprägung sein dürfen (daher die Probleme bei der Erkennung von Sandtrockenrasen, der sehr unterschiedliche Deckungsgrade besitzen kann). Zudem müssen die Klassen in der phänologischen Bibliothek ausreichend bemessen sein. Als eine Faustregel sollten mindestens 20 Flächen zu mindestens 10 unterschiedlichen phänologischen Zeitpunkten abgedeckt sein. Da im Gebiet der Döberitzer Heide nur sehr wenige Borstgrasstandorte vorkommen, war diese Mindestbedingung für die Anwendung der phänologischen Bibliothek nicht gegeben und die Ergebnisse entsprechend unbefriedigend. Als Gesamteindruck der Klassifikation mit Feldspektren kann festgehalten werden, dass die Methodik mit den genannten Einschränkungen durchaus zur Erstellung von Karten der Verbreitung von Lebensraumtypen in einer biogeographischen Region (speziell außerhalb der ausgewiesenen NATURA 2000 Gebiete) geeignet ist. Für eine genaueres Monitoring der Habitate in ausgewiesenen Gebieten oder gar eine Einschätzung des Erhaltungszustandes ist jedoch weiterhin die Feldkartierung bzw. die fernerkundungsbasierte Klassifikation mit Trainingsdaten aus dem Gebiet (und Bildspektren) nicht zu ersetzen.

48 Schlussbericht CARE-X FK 50EE /2012 Seite 48 Tabelle 8: Klassifikationsgenauigkeit von NATURA 2000 Lebensraumtypen basierend auf Feldspektren Lebensraumtyp NATURA 2000 code Klassifikationsgenauigkeit Pfeifengraswiesen p6410 v. 0,88 artenreiche Frischwiesen p6510 v. 0,78 feuchte Hochstauden p6430 pp. 0,98 Sandtrockenrasen p6120 pp. 0,14 Borstgrasrasen p6230 pp. 0,02 trockene Sandheiden p4030 pp. 0, Klassifikation und Analyse der Bildspektren aus RapidEye und TerraSAR-X Daten [AP-4] Vorklassifikation der Landnutzung im Untersuchungsgebiet Döberitzer Heide Ausschluss irrelevanter übergeordneter Landnutzungen [D-3.3] Anhand der qualitativ sehr hochwertigen RapidEye-Szene vom wurden das engere primäre Untersuchungsgebiet der Döberitzer Heide sowie die angrenzenden Flächen in einem Gebiet von 660 km² inklusive der Stadt Potsdam zunächst hinsichtlich übergeordneter Landnutzungsklassen vorklassifizert [D-3.3]. Dieser Schritt ermöglicht den Ausschluss für die weitere Untersuchung irrelevante übergeordnete Landnutzungsklassen zur nachfolgenden Konzentration auf die im Projekt fokussierten Bereiche naturnaher Offenlandvegetation. Auf dem Weg zu einem fernerkundungsbasierten NATURA Monitoring ist dies methodisch ein wichtiger erster Schritt, um zum einen den Datenverarbeitungsaufwand zu optimieren und zum anderen eine Übersicht über relevante Gebiete zu erhalten. Außerdem können auf diese Weise im Sinne des range and area -Konzepts der Scientific Working Group der EU Kommussion (European Commission 2006) Potentialflächen außerhalb des Naturschutzgebiets lokalisiert werden. Zur Aufstellung der Landnutzungseinheiten wurde sich an dem im Projekt DeCOVER entwickelten Klassifikationsschlüssel (SCHUBERT & LESSING 2006) orien- Tabelle 9: Landnutzungsklassen zur Vorklassifikation. Landnutzungsklasse Laubwald Nadelwald Moor- und Sumpfvegetation Staudenvegetation Strauchvegetation Trockenrasen Sandflächen Agrarflächen Wiesen Wasserflächen Urbane Flächen Ausmaskierung x x x x x

49 Schlussbericht CARE-X FK 50EE /2012 Seite 49 tiert und mittels der Klassifikationstiefe ein Fokus auf Klassen der Offenlandvegetation gelegt (siehe Tabelle 9). Auf Basis dieser Klassifikation wurde eine Maske erstellt, mit der nicht naturnahe Offenlandklassen ausmaskiert wurden (vgl. Tabelle 9) und die weitere Datenverarbeitung im Projekt beschleunigt wurde. Evaluierung des neuen RapidEye Rededge-Kanals zur Klassifizierung naturnaher Offenlandvegetation Eine Grundhypothese des Projekts ist die Annahme, dass die neuen RapidEye-Daten die Klassifizierung von NATURA 2000-Offenlandflächen ermöglichen, weil die Klassifikation von Vegetation nicht nur aufgrund eine hohe zeitliche Aufnahmedichte sondern auch über die Zusatzinformationen des neuen Red-Edge-Kanals verbessert werden kann. Als erster hoch auflösender Multispektralsatellit stellt RapidEye das Red-Edge-Spektrum in einem Satelliten getragenen Sensor operationell zur Verfügung. Um den Nutzen des Red-Edge-Kanals zur Vegetationsklassifikation zu evaluieren, wurde eine multitemporale überwachte Landnutzungsklassifikation anhand der qualitativ sehr hochwertigen RapidEye-Szene vom durchgeführt. Geklärt werden sollte dabei, ob sich die auf RapidEye-Daten basierenden Landnutzungsklassifikationen sensitiv gegenüber dem Red-Edge-Kanal zeigen und ob diese Sensitivität abhängig von der jeweiligen Landnutzungsklasse ist. Schließlich sollte auf diese Weise ermittelt werden, ob und inwiefern der Einbezug des Red-Edge-Spektrums zu einer klassenspezifischen oder gar generellen Verbesserung der Klassifikationsergebnisse führt. Zu diesem Zweck wurden Landnutzungsklassifikationen mit verschiedenen Sets spektraler Kanäle und abgeleiteter Indizes als Eingangsmerkmale durchgeführt einmal mit und einmal ohne Red-Edge. Die Ergebnisse wurden verglichen in Bezug auf die allgemeine und klassenspezifische Klassifikationsgüte. Darüber hinaus wurden zwei verschiedene Klassifikationsalgorithmen verwendet, Support Vector Machine und Maximum Likelihood. Die Ergebnisse zeigen, dass der Einbezug des Red-Edge-Kanals über deutliches Potential verfügt, die Klassifikationsgenauigkeit bei Landnutzungsklassifikationen zu erhöhen. Aus Sicht der Projektteams erfreulicherweise wurden die höchsten positiven Effekte für Klassen der Offenlandvegetation beobachtet. Der stärkste Anstieg der Klassifikationsgüte wurde dabei für die Klasse Strauchvegetation festgestellt. Die genaue Vorgehensweise und Ergebnisse wurden als wissenschaftlicher Artikel im International Journal of Remote Sensing (Schuster et al. 2012) veröffentlicht. Der Artikel ist diesem Bericht angehängt (Anhang A3.1).

50 Schlussbericht CARE-X FK 50EE /2012 Seite Klassifikation von Pflanzengesellschaften in der Döberitzer Heide [D-2.3; D-3.8; D-3.9] Mittels RapidEye-Daten SVM Klassifikation Die Klassifikation der RapidEye-Zeitreihen bestehend aus 24 gewissenhaft vorverabeiteten und phänologisch korrigierten RapidEye-Szenen erreicht sehr hohe Klassifikationsgenauigkeiten von bis zu über 90 % (NDVI-RE2) bei Verwendung jener 12 Vegetationsklassen mit einer statischen Grundgesamtheit von mehr als 30 Pixeln. Auch bei Verwendung aller im Untersuchungsgebiet kartierten 21 Vegetationsklassen wird eine Klassifikationsgüte von über 82 % erreicht (vgl. Tabelle 10). Abbildung 26 und Abbildung 27 zeigen die räumlichen Karten zu den jeweiligen Klassifikationen mit unterschiedlichem Klassenumfang. Tabelle 10: Klassifikationsgüten nach verwendetem Index (vgl. Kapitel Datenaufbereitung) und Klassenumfang für die Klassifikation der RapidEye-Zeitreihe. Index Klassifikationsgenauigkeit (Kappa [%]) NDVI 21 Klassen 12 Klassen NDVI 81,3 88,8 NDVI-RE1 81,4 89,2 NDVI-RE2 82,4 90,8 Abbildung 26: Multitemporalklassifikation der phänologisch korrigierten RapidEye-Zeitreihe aus 24 Szenen unter Verwendung aller im Untersuchungsgebiet kartierten 21 Vegetationsklassen.

51 Schlussbericht CARE-X FK 50EE /2012 Seite 51 Abbildung 27: Multitemporalklassifikation der phänologisch korrigierten RapidEye-Zeitreihe aus 24 Szenen unter Verwendung der 12 Vegetationsklassen mit einer statischen Grundgesamtheit von mehr als 30 Pixeln. Die Ergebnisse zeigen, dass: a) die Klassifikation naturnaher Offenlandvegetation auf der Ebene von Vegetationsgesellschaften durch die Verwendung dichter RapidEye-Zeitreihen ermöglicht wird b) dafür vor allem die hohe potentielle Aufnahmedichte des RapidEye-Systems, aber auch die Bereitstellung des Red-Edge-Kanals besondere Vorteile des RapidEye-Systems darstellen c) jedoch mit sehr hohem Vorverarbeitungsaufwand und einer gewissen (systemimmanenten) Unsicherheit bezüglich der Aufnahmeverlässlichkeit gerechnet werden muss. Eine detaillierte Diskussion der Ergebnisse auch im Vergleich zur Bildspektrenklassifikation mit TerraSAR-X Daten wird in den entsprechenden Publikationen veröffentlicht. See 5 Klassifikation Die technische Beschreibung der Arbeit mit See5 erfolgte im Abschnitt In Abbildung 28 sieht man die Fehlermatrix für die Klassifikation, wobei direkt auf den Pixeln der Testflächen der Döberitzer Heide trainiert wurde. Dieses Ergebnis kann als sehr zufriedenstellend abgesehen werden. Es gibt sicherlich einige Pflanzengesellschaften, die nicht gut erfasst werden - meist haben diese Klassen aber sehr wenige Elemente in unseren Trainingsflächen, dass eine bessere Klassifikationsgenauigkeit schon aus statistischen Gründen nicht zu erwarten war. Die Güte bei stärkeren Klassen wie XXX_PHR_PHR ist mit 86% bei 127 Elementen aber erstaunlich gut.

52 Schlussbericht CARE-X FK 50EE /2012 Seite 52 Abbildung 28: Fehlermatrix für die Klassifikation mit See5 bei Regelsatzerstellung auf den Satellitendaten In Abbildung 29 ist die Klassifizierung der Döberitzer Heide nach Pflanzengesellschaften dargestellt.

53 Schlussbericht CARE-X FK 50EE /2012 Seite 53 Abbildung 29: See5 Klassifizierung Döberitzer Heide - trainiert auf den Bilddaten Mittels TerraSAR-X Daten [D-3.10] Aufgrund der räumlichen Abdeckung der erhaltenen TerraSAR-X-Daten wurde die entsprechende Klassifikation nur für den nordwestlichen Teilbereich des primären Untersuchungsgebiets, den Ferbitzer Bruch, durchgeführt. Die Klassifikation wurde für dieses Feuchtwiesengebiet anhand der sieben Vegetationsklassen mit einer klassenspezifischen Grundgesamtheit von mindestens 30 Pixeln durchgeführt. Die Ergebnisse zeigen, dass auch mit dichten TerraSAR-X Zeitreihen eine sehr hohe Klassifikationsgenauigkeit von ~ 90 % (Kappa, Overall Accuracy, F1-measure) erreicht werden kann. Die Ergebnisse sind gemeinsam mit den Ergebnissen für die entsprechende RapidEye-Klassifikation auf dem Gebiet des Ferbitzer Bruchs im nächsten Kapitel dargestellt (Tabelle 11). Vergleich RapidEye und TerraSAR-X Klassifikation Für den Vergleich zwischen der RapidEye- und der TerraSAR-X Klassifikation wurde die RapidEye-Klassifikation anhand des im gemeinsamen Abdeckungsraum des Ferbitzer Bruchs und anhand der gleichen Trainingsdatengrundlage wie bei der TerraSAR-X- Klassifikation erneut durchgeführt. Die Ergebnisse in Tabelle 11 zeigen, dass sowohl mit RapidEye als auch mit TerraSAR-X-Zeitreihen sehr gute Klassifikationsgenauigkeiten erreicht werden können.

54 Schlussbericht CARE-X FK 50EE /2012 Seite 54 Tabelle 11: Klassifikationsgenauigkeiten für die TerraSAR-X- und RapidEye-Zeitreihenklassifikation. Sensor (feature no.) TerraSAR-X RapidEye Index NDVI NDVI-RE1 NDVI-RE2 1 Molinion caeruleae Calthion palustris Caricion elatae Arrhenatheretum elatioris Arrhenaterion elatioris Solidago canadensis Phragmitetum australis Overall Accuracy [%] Kappa Value Averaged F1-Measure [%] Die Unterschiede liegen also nicht so sehr in der erreichbaren Klassifikationsgüte, sondern eher in der unterschiedlichen Anzahl notwendiger Szenen. Dabei ist auffällig, dass die mittels der SVM Feature Subset Selection (EnMAP-box v1.3.1, Software des Geomatic Labs, Geographisches Institut der Humboldt-Universität zu Berlin) ermittelten Kurven des Szenenanzahlabhängigen Anstiegs der Klassifikationsgüte einen deutlich schnelleren Anstieg der Klassifikationsgenauigkeit mit RapidEye-Daten zeigen (Abbildung 30) TSX RE-NDVI RE-NDVIRE-1 RE-NDVIRE Abbildung 30: Änderungen der Klassifikationsgüte in Abhängigkeit der zur Klassifikation genutzten Szenenanzahl. Die X-Achse zeigt die Klassifikationsgüte (F1-measure) für die jeweilige Szenenanzahl (Y-Achse). Softwaretool: Feature subset selection, forward selection, 5-folds, independent validation using validation sample (EnMAP- Box). Für eine Klassifikationsgenauigkeit von etwa 80% sind demnach etwa vier RapidEye- Szenen, jedoch etwa acht TerraSAR-X Szenen notwendig. In Hinblick auf eine operationelle

55 Schlussbericht CARE-X FK 50EE /2012 Seite 55 Nutzung hat das TerraSAR-X-System jedoch den Vorteil der höheren Aufnahmesicherheit (insbesondere bei längeren Zeitreihen) sowie die Möglichkeit der parallelen Datennutzung zur Analyse des Mahdregimes (siehe ) Mahdanalyse mit TerraSAR-X Daten [D-3.1, D-3.2; D-3.10] Aufgrund der zuverlässigen weil bewölkungsunabhängigen und konstanten Aufnahmeperiode von 11 Tagen sind die TerraSAR-X Daten besonders gut dazu geeignet, Veränderungsdetektionen durchzuführen. Bezüglich der untersuchten NATURA 2000 Wiesen wird die deutlichste Veränderung im Jahresgang durch Mahdereignisse verursacht, die zu einem abrupten Abtrag des Vegetationsaufwuchses führen. Entwicklung einer Methode zur Detektion von Mahdereignissen auf Grünlandflächen mittels TerraSAR-X-Zeitreihenanalyse Für die Feuchtwiesenflächen des Ferbitzer Bruchs als nordwestlicher Teilbereich der Döberitzer Heide wurde getestet, ob es möglich ist, anhand einer zeitlich möglichst dichten Datenreihe die im Untersuchungsgebiet vollzogenen Heuschnitte zu detektieren. Die Flächen werden vorwiegend als ur Beweidung genutzt, zum Teil jedoch auch gemäht. Auf der Basis von Informationen des Naturschutzfördervereins Döberitzer Heide e.v. und von Biolandwirten im Untersuchungsgebiet wurden die Wiesen zunächst entsprechend der Nutzung räumlich abgegrenzt. Sodann wurde für jede Fläche und Aufnahmetermin der arithmetische Mittelwert des Radarrückstreuungssignals berechnet und diese im temporalen Verlauf visualisiert. Dabei stellte sich heraus, dass die vom Naturschutzförderverein Döberitzer Heide e.v. dokumentierten Mahdereignisse im temporalen Verlauf der Daten als Gipfel erkennbar ist. Zunächst steigt das Signal stark an, was auf den Schnitt der das Signal streuenden Vegetation zurückzuführen ist, gefolgt von einem Abfall der Rückstreuung infolge des Wiederaufwachsens der Vegetation. Um teilflächige Beweidungsinterferenzen und andere Störfaktoren auszuschließen, wurde anhand der zur Verfügung stehenden Flächen eine Regel abgeleitet, mit der die Radardaten gefiltert werden können, um Mahdereignisse zu indizieren. Demnach muss der Anstieg des Signals etwa 10 % über der mittleren intertemporalen Signaländerung betragen, direkt gefolgt von einem Abfall um etwa 5 %. Die Untersuchung zeigt, dass Mahdereignisse auf Grünlandflächen mit dichten TerraSAR-X Zeitreihen erkannt und zeitlich eingegrenzt werden können. Im Detail ist die Methode als wissenschaftlicher Artikel in der Fachzeitschrift Remote Sensing veröffentlicht und kann im Anhang (A3.2) nachgelesen werden. Entwicklung einer Methode zur Analyse des Mahdregimes von Grünlandflächen zur Klassifikation von NATURA 2000-Lebensraumtypen Basierend auf der Detektion von Mahdereignissen kann die fernerkundliche Habitatklassifizierung von NATURA 2000-Wiesen um einen wichtigen kontextbasierten Parameter ergänzt werden: das Mahdregime. Das Mahdregime ist deshalb ein wichtiger Parameter, weil die

56 Schlussbericht CARE-X FK 50EE /2012 Seite 56 untersuchten NATURA 2000-Wiesen einem spezifischen Mahdregime unterliegen, welches eingehalten werden muss, um den Habitatstatus zu erhalten. Die untersuchten LRTs 6410 und 6510 sind unter extensiver Nutzung entstanden, wobei sich Flora und Fauna an den jeweiligen Mahdrhythmus angepasst haben. So dürfen Pfeiffengraswiesen (LRT 6410) nur einmal im Jahr im Spätsommer gemäht werden. Sowohl mehrere Heuschnitte als auch ein Aussetzen der Mahd lassen den Habitatstatus degradieren. Für die Mageren und Artenreichen Flachlandmähwiesen (LRT 6510) gilt, dass nicht häufiger als zwei Mal im Jahr gemäht werden sollte, wobei der erste Schnitt nicht vor der Hauptblütezeit der Gräser Mitte Juli erfolgen darf (BfN 2009). Die Untersuchung zeigt, dass mit Hilfe der Mahddetektion festgestellt werden kann, ob das Mahdregime einer Fläche potentiell einem bestimmten LRT zugeordnet werden kann oder nicht. Wird eine Fläche aufgrund der Klassifikation von Bildspektren einem bestimmten LRT zugeordnet, dient die Analyse des Mahdregimes der kontextbasierten Verifizierung dieser Klassifikation. Entspricht das ermittelte Mahdregime nicht den Erfordernissen des jeweiligen Habitattyps, kann dies als Hinweis auf a) ein Habitat im Degradationsstadium interpretiert werden oder aber b) auf eine fehlerhafte Klassifikation mittels Bildspektren. Neben dem Monitoring von NATURA Flächen ließe sich die Methode auch zur großflächigen Vorauswahl potentieller NATURA 2000 Flächen einsetzen bzw. als Methode zur Überwachung von Agrarsubventionen. Die Methode ist näher beschrieben in der entsprechenden Veröffentlichung in der Fachzeitschrift Remote Sensing und kann im Anhang (A3.2) nachgelesen werden. Ableitung phänologischer Stadien Die Ergebnisse der Mahdanalyse legen nahe, dass aus den temporalen Profilen der Terra- SAR-X Zeitreihe phänologische Stadien der Vegetation (v.a. Dichte und Wuchshöhe) abgeleitet werden können. Daraus könnten habitatspezifische phänologische Profile abgeleitet werden, die wiederum als weiterer kontextbasierter Klassifikationsparameter genutzt werden könnten. Zur Überprüfung dieser Hypothese wurden für die untersuchten Flächen im Jahr 2011 besonders detailliert kartiert. Zusätzlich zum bestehenden Kartierungsprogramm wurden zu allen Überflugterminen Geländebegehungen durchgeführt, um die Parameter Wuchshöhe und -dichte, Beweidung und Witterung am Tage des Aufnahmezeitpunktes zu kartieren. Leider konnte diese Hypothese wegen des Aussetzens der Datenaufnahme in den Monaten Juli bis September nicht überprüft werden Entwicklung einer Methode zur synergistischen Klassifikation potentieller NATURA 2000-Lebensraumtypen Zur Ausweisung potentieller NATURA 2000-LRT-Flächen mit Hilfe von RapidEye und Terra- SAR-X Zeitreihen wurde eine Methode zur synergistischen Klassifikation entwickelt. Dabei werden die Methoden zur Klassifikation der Satellitenbildspektren und die Analyse des Mahdregimes kombiniert. Untersuchungsgebiet ist der Ferbitzer Bruch als nordwestlicher

57 Schlussbericht CARE-X FK 50EE /2012 Seite 57 Teil der Döberitzer Heide, der von den Zeitreihen beider Sensoren abgedeckt wird. Die Methode ist in fünf Teilschritte unterteilt, die im Folgenden vorgestellt werden: 1. Segmentierung Grünlandflächen Zunächst wird das Untersuchungsgebiet hinsichtlich naturnaher Offenlandflächen vorklassifiziert und andersartige Landnutzungen ausmaskiert. Dabei kann entsprechend der in Kapitel vorgestellten Vorgehensweise vorgegangen werden. Um das Untersuchungsgebiet in räumliche abgegrenzte Untersuchungsobjekte zu unterteilen, muss eine Segmentierung durchgeführt werden. Je nach Datenlage und Ziel der Untersuchung kann diese Segmentierung auf Basis der Satellitendaten mit Hilfe entsprechender Software durchgeführt werden. Dies ist zum Beispiel notwendig und sinnvoll, wenn keine vorherigen Kartierungsdaten zu dem Gebiet vorliegen. Ist eine Biotoptypenkartierung vorhanden, kann diese genutzt werden. Dabei ist jedoch die Flächenabgrenzung anhand der optischen Satellitendaten hinsichtlich der Veränderung der Flächennutzungsgrenzen zu überprüfen. Die erstellten Segmente bilden die räumlichen Flächeneinheiten, die hinsichtlich ihres LRT-Potentials überprüft werden. 2. Klassifizierung Pflanzenspektren Der nächste Schritt ist die multitemporale Klassifizierung der Bildspektren für die erstellten Segmente, wie in Kapitel vorgestellt. 3. Detektion von Mahdereignissen Parallel zu Klassifikation der Bildspektren wird die in Kapitel vorgestellte Analyse des Mahdregimes anhand von zeitlich dichten TerraSAR-X-Datenreihen durchgeführt. 4. LRT-Check Der nächste Schritt besteht zum einen darin, aus den klassifizierten Vegetationsgesellschaften (aus Teilschritt 1) potentielle NAUTRA 2000-Lebensraumtypen abzuleiten (siehe BfN 2009). Zum anderen erfolgt dann darauf aufbauend der Abgleich mit den unter Teilschritt 2 erhobenen Mahdterminen bzw. den daraus abgeleiteten Mahdregime als Bewirtschaftungsmaßnahme. Wenn das Mahdregime zu den Bewirtschaftungsvorgaben des jeweiligen Lebensraumtyps passt, kann dieser harte Parameter dazu genutzt werden, das Ergebnis der Spektralklassifikation zu bestätigen bzw. zu unterstützen. Stimmt das Mahdregime jedoch nicht mit den Vorgaben für den jeweiligen aus der Spektralklassifikation abgeleiteten Lebensraumtyp überein, kann dies entweder ein Hinweis darauf sein, dass dieser Lebensraumtyp eben doch nicht vorliegt. Oder es ist ein Hinweis darauf, dass sich der Lebensraumtyp in einem Degradationsstadium befinden könnte, da das notwendige Nutzungsregime nicht eingehalten wird. Genauso kann auch die Übereinstimmung des Mahdregimes mit den Vorgaben nicht nur eine Bestätigung der Spektralklassifikation sein, sondern auch als Indikator für die Stabilität des Lebensraumtyps gewertet werden. 5. LRT-Potentialkarten

58 Schlussbericht CARE-X FK 50EE /2012 Seite 58 Basierend auf dieser synergistischen Analyse können also LRT-Potentialkarten geschaffen werden, die spektrale Informationen und Bewirtschaftungsmaßnahmen zusammenführen, um potentielle LRT-Flächen auszuweisen und um Stabilitäts- oder Degradationsindikationen auszugeben. Diese Prozesskette wird anhand der im Anhang verfügbaren Präsentation Multitemporalklassifikation RapidEye und Mahddetektion TerraSAR-X zum CARE-X Workshop-III (A2.3.6) für das Untersuchungsgebiete verdeutlicht Übertragung, Validierung und Verbreitung der Ergebnisse [AP-5] Übertragung der Methode auf das sekundäre Untersuchungsgebiet in der Mecklenburger Seenplatte [D-4.1; D-4.2; D-5.1; D-5.2] Gemäß Projektantrag sollte die für das primäre Untersuchungsgebiet Döberitzer Heide entwickelte Methodik auf ihre räumliche Übertragbarkeit hin validiert werden. Dazu diente das sekundäre und deutlich größere Untersuchungsgebiet in der Mecklenburger Seenplatte. Folgerichtig zählt dazu neben der Multitemporalklassifikation auch die im Projekt entwickelte jedoch im Antrag noch nicht erwähnte Mahdanalyse. Diese Übertragbarkeitsvalidierung bezieht sich also auf folgende Methoden: Multitemporalklassifikation der RapidEye-Zeitreihe basierend auf Feldspektren- Trainingsdaten Zur Validierung der Übertragbarkeit der Feldspektrenklassifikation wurden während der Projektlaufzeit Validierungsflächen im sekundären Untersuchungsgebiet der Mecklenburger Seenplatte kartiert. Dabei wurde ein Überlappungsausschnitt der RapidEye-Daten gewählt, der eine mit 20 Szenen möglichst hohe und dem primären Untersuchungsgebiet ähnelnde zeitliche Auflösung erlaubt (vgl. Kapitel ). Anhand der vorgefundenen Validierungsklassen wurde die Klassifikationsgüte bewertet. Tabelle 12: Vegetationsklassen im sekundären Untersuchungsgebiet der Mecklenburger Seenplatte zur Validierung der Übertragbarkeit der Feldspektrenklassifikation. Klassenkurzname (Gesellschaft/Assoziation) pot. LRT Pfeifengraswiese 6410 artenreiche Frischwiese 6510 ruderale Wiesen --- Sandtrockenrasen bis 100% Deckung 6120 Landreitgras auf trockenen Standorten --- Da jedoch nur fünf geeignete Klassen im Übertragungsgebiet als Validierungsgebiete vorgefunden wurden, ist ein direkter Test der Übertragbarkeit nicht möglich. Der Klassifikator kann nicht mit dem gleichen Trainingsklassenset trainiert werden. Um dennoch ein Ergebnis lie-

59 Schlussbericht CARE-X FK 50EE /2012 Seite 59 fern zu können, wurden alternativ nur die vorgefundenen Klassen einbezogen. Um abzuschätzen, ob die Trainierung des Klassifikators mit den Feldspektren aus dem primären Untersuchungsgebiet zumindest tendenziell eine Klassifikation der Flächen des Übertragungsgebietes ermöglicht, wurde folgendermaßen vorgegangen: Analog zum primären Untersuchungsgebiet wurden die Flächen, die nicht in die übergeordnete Kategorie naturnahe Offenlandvegetation gehören, ausmaskiert. Da die Varianz der Spektren auf den verbleibenden Flächen nicht von den Klassen der Spektraldatenbank abgedeckt werden kann, wurde das gesamte Spektrum der naturnahen Offenlandvegetation vom Klassifikator nur fünf möglichen Zielklassen zugeordnet. Kontrolliert wurde, ob die bekannten Validierungsflächen der jeweiligen Klasse korrekt zugeordnet wurden. Die Ergebnisse zeigen, dass alle Validierungsflächen korrekt getroffen wurden. Für den abschließenden Test der Übertragbarkeit des Feldspektrenansatzes auf andere Untersuchungsgebiete als jenes, in welchem die Feldspektrendatenbank erstellt wurde, ist eine deutlich größere räumliche Abdeckung der RapidEye-Daten notwendig als die für das Projekt zur Verfügung gestellte. Multitemporalklassifikation mittels TerraSAR-Zeitreihe Die Übertragbarkeitsvalidierung konnte nicht durchgeführt werden, da vom TerraSAR-X Science Archive aufgrund von Nutzerkonflikten weder für 2010 noch für 2011 TerraSAR-X- Daten ausgeliefert werden konnten. Insbesondere im Jahr 2011 wurden von Projektseite erfolglos intensive Bemühungen unternommen, um doch noch Daten zu bekommen. Mahdanalyse mittels TerraSAR-Zeitreihe Die Übertragbarkeitsvalidierung konnte nicht durchgeführt werden, da vom TerraSAR-X Science Archive aufgrund von Nutzerkonflikten weder für 2010 noch für 2011 TerraSAR-X- Daten ausgeliefert werden konnten. Insbesondere im Jahr 2011 wurden von Projektseite erfolglos intensive Bemühungen unternommen, um doch noch Daten zu bekommen Schlussfolgerungen für die Fernerkundungsnutzung im NAUTRA Monitoring [D-4.3; D-5.3] Abschließend lässt sich zusammenfassen, dass die im Antrag formulierten methodischen Herangehensweisen mit großem Erfolg durchgeführt werden konnten. Die Zeitreihenklassifikation der Satellitenbildspektren führt zu sehr guten Ergebnissen, sowohl mit RapidEye als auch mit TerraSAR-X Daten. Für ein gutes Klassifikationsergebnis sind weniger RapidEye- als TerraSAR-X-Aufnahmen notwendig. Auch die Klassifikation der RapidEye-Daten auf Basis der aus Feldspektren gewonnenen phänologischen Spektralbibliothek ist grundsätzlich möglich. Allerdings variieren die Ergebnisse hierbei sehr stark je nach Vegetationsklasse und die Klassifikationsgüte bleibt mit den bisher entwickelten Methoden noch deutlich unter der Klassifikationsgüte der Bildspektrenklassifikation. Ein abschließender Test der Übertragbarkeit des Feldspektrenansatzes auf andere Untersuchungsgebiete erfordert die Verfügbarkeit entsprechender Trainingsdatensätze.

60 Schlussbericht CARE-X FK 50EE /2012 Seite 60 Richtlinien für das NATURA 2000-Monitoring Basierend auf den Ergebnissen des CARE-X-Projekts lassen sich folgenden Aussagen für die Richtlinien zur Nutzung von RapidEye und TerraSAR-X-Daten im NAUTRA Monitoring ableiten: 1. Mithilfe von innerjährlichen Zeitreihen ermöglichen sowohl RapidEye als auch Terra- SAR-X Daten den Einsatz im fernerkundungsbasierten NATURA 2000-Monitoring von naturnaher Offenlandvegetation. 2. Mit Hilfe von sehr dichten TerraSAR-X Zeitreihen lässt sich das Mahdregime von Wiesen als Parameter für das NAUTRA 2000-Monitoring ermitteln 3. Die Ergebnisse zur Nutzung von spektral-phänologischen Bibliotheken als Grundlage der Vegetationsklassifikation sind ausgesprochen positiv ausgefallen. Für eine abschließende Einschätzung wird vor allem in dieser Frage weitere Forschung hinsichtlich einer umfassenden Übertragbarkeitsanalyse empfohlen. Kosten-Nutzen-Analyse Im Rahmen der Arbeiten zu CARE-X wurden die potentiellen Datenkosten dokumentiert. Abbildung 31 zeigt diese Preise, unter Einbeziehung einer steigenden Anzahl von Szenen in die Klassifikationsmethodik. Es wird deutlich, dass sowohl bei der Prozessierung mit RapidEye (gestrichelte Linie) wie auch TerraSAR-X (durchgezogene Linie) die Klassifikationsgenauigkeit steigt, bis diese bei der Nutzung von ca. 10 Szenen auf einem Niveau von über 80 % stagniert. Innerhalb von CARE-X wurden die Daten jeweils über die kostenlose Verbreitung der Daten für Wissenschaftszwecke (RESA-Proposal 316 bzw.terrasar-x Science Archive - Antrag LAN0685) bereitgestellt, aber für eine operationelle Bereitstellung eines Produktes sollten die Kosten zumindest berücksichtigt werden. Die Informationen zu den Kosten wurden dabei von den Homepages der Betreiber (http://www.rapideye.com/upload/re_product_pricelist.pdf / bzw. tsx_international_pricelist_en_issue_03.pdf) erhoben. Es zeigt sich, dass auch bei einer Reduzierung der Aufnahmezeitpunkte für deutlich geringere Kosten immer noch sehr gute Klassifikationsgenauigkeiten erreicht werden können. Dabei wurde im konkreten Fall der Abbildung 31 eine Fläche von 5000 km² angenommen, weil diese über der jeweiligen Mindestbestellgröße von RapidEye (3500 km²) und TerraSAR- X Stripmap (1500 km²) bei einem Tasking (also keine Archivdaten) liegt. Dabei sind die Kosten für TerraSAR-X mit 2,5 pro km² (bzw. ab 5 Szenen 1,33 pro km²) etwas höher als die von RapidEye (0,95 pro km²), wobei die Sicherheit der Aufnahme bei TerraSAR-X durch die Unabhängigkeit von der Wolkenbedeckung deutlich höher ist. Bei großen Datenbestellungen ist bei beiden Sensoren mit Rabatten zu rechnen, die aber jeweils nur durch individuelle Verhandlungen zu erreichen sind. Zusätzlich sind bei der Orderung von RapidEye durchaus noch einige Sonderbedingungen zu beachten, die die Kosten eventuell erhöhen. So verlangt RapidEye bei einer garantierten Wolkenbedeckung unter

61 Schlussbericht CARE-X FK 50EE /2012 Seite % (z.b. 5 % oder 10 %) einen nicht näher bestimmten Aufpreis, was durch die lineare Wolkeninterpolation (siehe RapidEye Pre-processing) für die hier angewandte Methode nicht unbedingt notwendig sein muss. Weiterhin ist bei RapidEye das Acquisition Window bei 45 Tagen definiert, was zu einer geringen Szenenaufnahme pro Vegetationsperiode führen würde (ca. fünf). Ein schmaleres Zeitfenster würde dort zu einem nicht näher definierten Aufpreis führen. Abbildung 31: Anzahl der verwendeten Szenen im Vergleich mit der Klassifikationsgenauigkeit (linke y-achse und lineare Graphen) und der anfallen Datenkosten in (rechte y-achse und Blockgraphen für TerraSAR-X bzw. Flächen für RapidEye) Präsentation der Ergebnisse [D-3.6; D-4.2; D-5.4] Die Ergebnisse zur Erstellung und Übertragbarkeit der entwickelten Methoden wurden auf den CARE-X Workshop I bis III ausführlich diskutiert und präsentiert. Im Anhang A2 sind diesbezüglich die jeweilig präsentierten Ergebnisse und Protokolle beigelegt Signifikanzanalyse [AP-7 / CARE-X+] [D-3.2] Mit steigendem Bedarf Ergebnisse der verschiedenen Monitoringpflichten des Bundes und der Länder (u.a. NATURA 2000 oder WRRL) stieg in verschiedenen europäischen Ländern der Bedarf, diese Berichtspflichten durch Fernerkundungsdaten abzudecken. Davon zeugen verschiedene praxisnahe Forschungsprojekte mit dem Ziel einer Effektivierung der Forschungsaufgaben (z.b. CARE-X, Habit-Change, Habistat, SARA04, SARA-EnMap, MS.Monina). Das Ziel dieses Teilprojektes (CARE-X +) [AP-7] war es, ein Tool zu entwickeln, dass bei der richten Datenauswahl und bei der richtigen Zeitpunktwahl der Aufnahmen künftig unterstüt-

62 Schlussbericht CARE-X FK 50EE /2012 Seite 62 zen kann. Das hier entwickelte TimeExtract Tool kann aus vorhandenen Fernerkundungsdaten ermitteln, welche Vegetationseinheit zu welchem Zeitpunkt und mit welcher Sensoreinheit am besten erfassbar ist. Auf diese Weise ist eine flexiblere Planung von Aufnahmen für Monitoringprozesse gewährleistet. Methoden und Anwendungen für solche Fragestellungen sind bisher noch nicht operationell verfügbar. Mit Hilfe dieser Methode könnten die Kosten für den Erwerb von Satellitendaten und deren Bearbeitung reduziert und somit die Akzeptanz der Fernerkundung in der Praxis als wichtiger und finanzierbarer Partner weiter gesteigert werden Methodik Allgemeine Methodik Für das im Projektantrag geforderte Software-Tool wurde eine Methode entwickelt, die es ermöglicht verschiedene Klassifikationen von unterschiedlich kombinierten Satellitenaufnahmen, mit unterschiedlichen Aufnahmezeitpunkten, unter Berücksichtigung statistischer Verfahren zu analysieren. Hierbei galt es jene Kombination von Aufnahmezeitpunkten zu ermitteln, die die signifikant höchste Klassifikationsgenauigkeit für die untersuchten Vegetationseinheiten aufzeigte. Die Klassifikationen wurden dem CARE-X Projekt entsprechend mit einer Support Vector Machine (SVM) durchgeführt. In der Fernerkundung existieren verschiedene Ansätze für den Vergleich von Klassifikationen. Der klassische Ansatz basiert hierbei auf der einfachen Auswertung des Kappa Koeffizienten als Güteparameter für verschiedene Klassifikationen. Der Kappa Koeffizient berücksichtigt zufällig korrekt klassifizierte Objekte (Bildpixel) bei der Validierung der Klassifikationsgenauigkeit (accuracy assessment) und ist ein relativ robuster Güteparameter (COHEN 1960, CONGALTON 1991). Mit Hilfe dieser Vorgehensweise werden in aller Regel verschiedene Klassifikatoren oder Methoden auf Genauigkeiten verglichen. Allerdings müssen gemessene Unterschiede auf Signifikanz untersucht werden, um einwandfreie Ergebnisse ableiten zu können. Die oben beschriebene klassische Vorgehensweise wurde für die vorliegende Fragestellung in modifizierter Form verwendet. Hierbei wurde kein einheitlicher Bilddatensatz mit unterschiedlichen Klassifikatoren auf bestimmte Vegetationseinheiten klassifiziert, stattdessen verschiedene Konstellationen von Satellitenaufnahmen (von unterschiedlichen Aufnahmezeitpunkten) mit einem einheitlichen Klassifikator. Durch diese Vorgehensweise konnten zwei Fragestellungen untersucht werden. Zum einen, wie gut das Klassifikationsergebnis vom jeweiligen Zeitpunkt der Aufnahme beeinflusst wird und zum anderen, welche Aufnahmekombination das beste Klassifikationsergebnis liefert. Die Methodik ist somit für monotemporale sowie für multi-temporale Untersuchungen anwendbar und sensorunabhängig. Für multi-temporale Untersuchungen wurden alle vorhandenen Satellitenaufnahmen miteinander kombiniert, in einer SVM klassifiziert und abschließend validiert. Die Anzahl der hierbei möglichen Kombinationen richtet sich entsprechend der Anzahl zu kombinierender Aufnahmen (Kombinationsumfang). Bei multi-temporalen Klassifikationen spielt die Reihenfolge, in der die Layer bzw. Bänder kombiniert werden keine Rolle. Somit können die Aufnahmezeit-

63 Schlussbericht CARE-X FK 50EE /2012 Seite 63 punkte ohne Berücksichtigung der Reihenfolge kombiniert werden. Die Anzahl der Kombinationen lässt sich in diesem Fall mit dem Binomialkoeffizienten berechnen,!!! (2) wobei n die Anzahl der vorhandenen Aufnahmen ist und k der Umfang der zu kombinierenden Aufnahmen. Bei der vorliegenden Datengrundlage (24 RapidEye-Aufnahmen) somit exemplarisch 276 2er-Kombinationen oder er-Kombinationen möglich. Das Maximum an Kombinationsmöglichkeiten liegt in diesem Fall bei 12 kombinierten Aufnahmen und somit insgesamt Varianten. Steigt der Kombinationsumfang über die Hälfte der verfügbaren Aufnahmen, reduziert sich die Anzahl der möglichen Kombinationen wieder. Schlussendlich gibt es am Ende nur noch eine einzige Kombinationsmöglichkeit für alle 24 RapidEye-Aufnahmen. Im Anschluss an den Klassifikationsprozess und der Validierung der Ergebnisse, basierend auf dem Kappa Koeffizienten, wird die Kombination von Aufnahmezeitpunkten mit dem höchsten Kappa Koeffizienten ermittelt. Diese Aufnahmekombination beinhaltet, zunächst noch hypothetisch, die Aufnahmezeitpunkte, mit denen die untersuchten Vegetationseinheiten am besten klassifiziert werden können. Dies bedeutet jedoch nicht obligatorisch, dass diese Aufnahmen auch mono-temporal die besten Klassifikationsgenauigkeiten zeigen. Vielmehr beinhaltet diese Aufnahmekombination die meisten, nicht redundanten Informationen für die Klassifikation. Für die angestrebte Signifikanzprüfung wird zusätzlich für jeden Kombinationsumfang der Mittelwert von allen durchgeführten Klassifikationen berechnet und jene Kombinationen ermittelt, die am dichtesten an diesem Mittelwert liegt. Diese Kombination wird repräsentativ für alle klassifizierten Kombinationen als Referenz angenommen und mit der hypothetisch besten Kombination verglichen. Signifikanztest Die Überprüfung der Differenz zwischen der potentiell besten Kombination und der Referenzkombination auf Signifikanz wird mit einem Signifikanztest (oder Hypothesentest) durchgeführt. In der Fernerkundung wird für die Überprüfung signifikanter Unterschiede häufig ein Zweistichproben t-test verwendet. Allerdings muss bei dieser Vorgehensweise berücksichtig werden, dass für den t-test unabhängige Stichproben verwendet werden müssen (FOODY 2004). In den meisten Fernerkundungsuntersuchungen, auch in dieser, werden allerdings verbundene Stichproben verwendet. Aus diesem Grund müssen für solche Untersuchungen Hypothesentests für abhängige Stichproben verwendet werden. FOODY (2004) vergleicht in seiner Untersuchung verschiedene Hypothesentests für Klassifikationen. Hierbei zeigte sich der Monte-Carlo Permutationstest als eine adäquate Methode für die vorliegende Untersuchung, da dieser für gepaarte Stichproben sowie mit dem Kappa Koeffizienten anwendbar ist (FOODY 2004, MCKENSIE 1996). Permutationstest gehören zu den sogenannten Resampling-Verfahren (resampling techniques) und diese wiederum zu den nichtparametrischen (verteilungsunabhängigen) Tests. Für

64 Schlussbericht CARE-X FK 50EE /2012 Seite 64 die Durchführung von nichtparametrischen Tests wird keinerlei Kenntnis über die Verteilung der Grundgesamtheit, aus der die untersuchte Stichprobe stammt, benötigt (GOOD 1994). Für die Durchführung des Monte-Carlo Permutationstests wurde der Kappa Koeffizient als zu überprüfende Teststatistik verwendet. Für die betrachtete Untersuchung wurden die Klassifikationen mit dem höchsten Kappa Koeffizienten sowie die ermittelte Referenzklassifikation verwendet. Die Nullhypothese H 0 für die vorliegende Untersuchung besagt, dass es keinen signifikanten Unterschied zwischen diesen beiden Klassifikationen gibt. Die Nullhypothese kann abgelehnt werden, wenn die mit dem Monte-Carlo Permutationstest berechnete Wahrscheinlichkeit (p-wert) unter einem definierten Signifikanzniveau α liegt. In diesem Fall muss die Alternativhypothese H A angenommen werden, die wiederum besagt, dass es einen signifikanten Unterschied gibt. Allgemein wird ein Signifikanzniveau von 0,05 angenommen. Bei dem Monte-Carlo Permutationstest wird als Erstes die Differenz T 0 zwischen den beiden Teststatistiken berechnet. Im Anschluss werden die tatsächlichen Klassenzugehörigkeiten (entnommen aus den ground truth Daten) zufällig permutiert. Die mit der SVM vorhergesagten Klassifikationsergebnisse der beiden Klassifikationen bleiben hierbei unverändert. Aus den permutierten und den vorhergesagten Klassenzugehörigkeiten des Klassifikators werden anschließend erneut Kappa Koeffizienten berechnet und deren neue Differenz T i ermittelt. Diese Vorgehensweise wird mehrfach wiederholt, um eine Wahrscheinlichkeit unter dem Signifikanzniveau von 0,05 zu erhalten. Nach FOODY 2004 beziffert 999 Permutationen als eine ausreichend große Anzahl für dieses Signifikanzniveau. Die darauffolgende Berechnung der Wahrscheinlichkeit ergibt sich aus 1 1 (3) wobei b die Anzahl der Permutationen ist, bei denen T i größer oder gleich T 0 waren, und n die Gesamtanzahl aller Permutationen (SMYTH & PHIPSON 2010). Liegt die Wahrscheinlichkeit unter dem Signifikanzniveau kann die Nullhypothese abgelehnt werden und die Alternativhypothese angenommen werden. Dies würde bedeuten, dass der gemessene Unterschied der beiden Klassifikationen sich signifikant unterscheidet und dieser Unterschied auf die Zusammensetzung der Aufnahmekombination zurückzuführen ist Anwendung der Methodik Die in den vorigen Kapiteln beschriebene Methodik, wurde mit Daten und Ergebnissen aus dem Projekt CARE-X entwickelt und auf diese angewandt. Es konnten somit 24 RapidEye- Aufnahmen aus den Jahren 2009, 2010 und 2011 für das primäre Untersuchungsgebiet Döberitzer Heide sowie Kartierungsdaten (ground truth Daten) übernommen werden. Mit der Untersuchung wurde die Frage geklärt, zu welchen Zeitpunkten (mono- sowie multitemporal) mittels RapidEye-Aufnahmen naturnahe Offenlandgesellschaften am besten klassifizieren werden können. Die RapidEye-Daten wurden im Vorfeld zu Vegetationsindizes umgewandelt (Kapitel ). Für diese Untersuchung standen der NDVI (normalized difference vegetation index) sowie dessen Modifikationen NDVI RedEdge (Rotes Band zum RedEdge Band) und NDVI

65 Schlussbericht CARE-X FK 50EE /2012 Seite 65 RedEdge-NIR (RedEdge Band zum NIR Band) zur Verfügung. Die drei Indizes wurden zunächst einzeln untersucht um die Klassifikationsunterschiede zu erkennen. Des Weiteren wurde eine Indexkombination der drei Indizes untersucht. Die Kartierungsdaten (ground truth) (Kapitel ) wurden für den Klassifikationsprozess in einen Trainings- und einen Validierungsdatensatz zufallsgesteuert aufgeteilt. Hierbei wurden ein Drittel der Messpunkte in die Validierungsgruppe und Zweidrittel in die Trainingsgruppe verteilt. Aufgrund der sehr umfangreichen Datengrundlage auf Seiten der RapidEye-Daten, wurden, anstelle aller potentiell möglichen Aufnahmekombinationen pro Kombinationsumfang, jeweils bis zu 1000 zufällige Stichproben (Aufnahmekombinationen) klassifiziert. Diese Vorgehensweise wurde aus berechnungstechnischen Gründen durchgeführt, da bei den vorhandenen 3 Vegetationsindizes und der Indexkombination mit jeweils 24 Satellitenaufnahmen der Berechnungsaufwand sehr groß gewesen wäre. Mit Hilfe der Stichproben konnte jedoch eine näherungsweise Simulation der tatsächlich möglichen Kombinationen durchgeführt werden. Eine Ausnahme von der Simulation stellen die Kombinationsumfänge 1, 2, 22, 23 und 24 dar, da bei diesen die potentiell möglichen Kombinationen unter 1000 Variationen lagen und für diese somit eine vollständige Untersuchung stattfand. Die Untersuchung wurde mit dem hierfür entwickelten TimeExtract Tool (Kapitel ) durchgeführt. Mit diesem Tool können alle im Kapitel beschriebenen Schritte automatisch durchgeführt und die geforderten Informationen über die bestmöglichen Kombinationen von Aufnahmezeitpunkten generiert werden Ergebnisse Die Ergebnisse der oben beschriebenen Methodik zeigen, dass sich die gemessenen Mittelund Maximalwerte der (bis zu 1000) zufälligen Kombinationen bei allen Kombinationsumfängen sowie den vier betrachteten Parametern (NDVI, NDVI RedEdge, NDVI RedEdge-NIR und der Indexkombination) merklich unterscheiden (Abbildung 32). Besonders bei noch geringer Anzahl von Aufnahmen (features) sind die Unterschiede groß. Erst mit zunehmendem Kombinationsumfang verringert sich der Unterschied, bleibt jedoch fast immer über 3%- Punkte Kappa. Eine Ausnahme hiervon bildet die Kombination mit allen 24 Aufnahmen, da es hier nur eine mögliche Kombination gibt (ohne Berücksichtigung der Reihenfolge) und somit auch nur einen Kappa-Wert. In Abhängigkeit von der Anzahl der Aufnahmen ist zudem eine Sättigung der Klassifikationsgenauigkeit mit steigendem Umfang zu erkennen. Eine Sättigung wird an dieser Stelle definiert als Zuwachs oder Abnahme des Kappa Koeffizienten unter - /+ 1%-Punkt pro zusätzlicher Aufnahme. Die Sättigung der Mittelwerte tritt bei ungefähr 7-11 Aufnahmen ein, die der Maximalwerte zwischen ungefähr 7-9 Aufnahmen.

66 Schlussbericht CARE-X FK 50EE /2012 Seite 66 Abbildung 32: Mittel- und Maximalwerte von den zufällig ausgewählten Aufnahmekombinationen für jeden Index. Neben dem Anstieg sind auch Unterschiede bei der Höhe der Klassifikationsgenauigkeit zu erkennen. Sowohl beim Mittelwert als auch beim Maximalwert der Klassifikationsgenauigkeit hebt sich die Indexkombination merklich von den einzelnen Vegetationsindizes ab. Dieser erreicht nach der Sättigung durchschnittlich einen Kappa Koef. von 85% und maximal 89%. Der NDVI RedEdge zeigt dagegen innerhalb der Vegetationsindizes die höchste Genauigkeit bei der Klassifikation naturnaher Offenlandgesellschaften. Maximal erreicht dieser ca. 86% und durchschnittlich 83% Kappa. Der NDVI zeigt mit maximal ca. 80% und durchschnittlich ca. 76% Kappa die im Vergleich geringste Genauigkeit. Der NDVI RedEdge-NIR liegt zwischen den beiden und erreicht einen maximalen Kappa Koef. von 83% und durchschnittlich 80%. Der durchgeführte Signifikanztest ergab bei allen vier untersuchten Parametern eine signifikante Veränderung (p-wert <= 0,05) der Klassifikationsgüte, im Vergleich der Mittel- und Maximalwerte des Kappa Koeffizienten. Um eine vergleichbare Gewichtung der Aufnahmetermine durchführen zu können, wurden nur die besten 100 Kombinationen betrachtet. Die hierbei gemessenen Anteile der einzelnen Aufnahmen wurden zusätzlich normiert, um die mit steigendem Kombinationsumfang zunehmende Wahrscheinlichkeit, dass eine Aufnahme gezogen wird, zu vereinheitlichen. Hierzu wurden alle gemessenen Anteile der Aufnahmen durch den jeweiligen Kombinationsumfang dividiert. Für eine bessere temporale Zuordnung der Aufnahmezeitpunkte wurden diese zu je einer phänologischen Phase zugewiesen (Tabelle 13).

67 Schlussbericht CARE-X FK 50EE /2012 Seite 67 Tabelle 13: Zugehörigkeit der Aufnahmezeitpunkte zu phänologischen Phasen von der DWD-Station in Potsdam. phänologische Phasen Zeitraum Phasen Aufnahmezeitpunkte Vorfrühling Erstfrühling Vollfrühling Frühsommer Hochsommer Spätsommer Vollherbst Spätherbst Die Ergebnisse zeigen hierbei klare aber auch für die jeweiligen Parameter unterschiedliche Tendenzen. Bei der Indexkombination (Abbildung 33) treten besonders die Aufnahmen aus dem Hoch- und Spätsommersommer häufig auf. Hierbei sind die Tage 182, 191 und 216 sowie, mit etwas größerer Streuung, Tag 267 zu nennen. Des Weiteren wird auch Tag 139 (Vollfrühling) im Verhältnis zu den restlichen Zeitpunkten häufig gezogen. Die Gewichtung der einzelnen Aufnahmen beim NDVI (Abbildung 34) variiert weniger als bei der Indexkombination. Für die Aufnahmezeitpunkte sind Tendenzen bei den Kombinationsumfängen zu erkennen. Besonders die Aufnahme vom Tag 79 (Vorfrühling) sowie die Tage 285, 295 und 297 (Spätherbst) kommen häufig innerhalb der Aufnahmekombinationen vor. Abbildung 33: Anteile der Aufnahmen an den besten 100 Kombinationen für die Indexkombination. Da die Wahrscheinlichkeit einer Aufnahme in eine Kombination gezogen zu werden mit steigendem Kombinationsumfang ansteigt, müssen diese für einen Vergleich Normiert werden. Hierzu wurden alle gemessenen Anteile der Aufnahmen durch den Kombinationsumfang dividiert.

68 Schlussbericht CARE-X FK 50EE /2012 Seite 68 Abbildung 34: Anteile der Aufnahmen an den besten 100 Kombinationen für den NDVI. Da die Wahrscheinlichkeit einer Aufnahme in eine Kombination gezogen zu werden mit steigendem Kombinationsumfang ansteigt, müssen diese für einen Vergleich Normiert werden. Hierzu wurden alle gemessenen Anteile der Aufnahmen durch den Kombinationsumfang dividiert. Die am häufigsten verwendeten Aufnahmezeitpunkte beim NDVI RedEdge (Abbildung 35) liegen größtenteils gegen Ende der RapidEye-Zeitreihe. Besonders die Aufnahmen von den Tagen 236 (Spätsommer), 267, 269, 273 (Vollherbst) und 297 (Spätherbst) werden verhältnismäßig häufig bei guten Klassifikationen. Die restlichen Aufnahmen werden merklich weniger gezogen. Abbildung 35: Anteile der Aufnahmen an den besten 100 Kombinationen für den NDVI RedEdge. Da die Wahrscheinlichkeit einer Aufnahme in eine Kombination gezogen zu werden mit steigendem Kombinationsumfang ansteigt, müssen diese für einen Vergleich Normiert werden. Hierzu wurden alle gemessenen Anteile der Aufnahmen durch den Kombinationsumfang dividiert.

69 Schlussbericht CARE-X FK 50EE /2012 Seite 69 Bei der Klassifikation, basierend auf dem NDVI RedEdge-NIR (Abbildung 36), sind Schwankungen bei der Gewichtung der Aufnahmezeitpunkte zu erkennen. Besonders die Tage 79, 81 (Vorfrühling), 94, 97 (Erstfrühling) sowie 129 (Vollfrühling) aus dem Frühjahr kommen in den besten Kombinationen oft vor. Des Weiteren werden die Tage 191 (Hochsommer) und 285 (Spätherbst) häufig verwendet. Abbildung 36: Anteile der Aufnahmen an den besten 100 Kombinationen für den NDVI RedEdge-NIR. Da die Wahrscheinlichkeit einer Aufnahme in eine Kombination gezogen zu werden mit steigendem Kombinationsumfang ansteigt, müssen diese für einen Vergleich Normiert werden. Hierzu wurden alle gemessenen Anteile der Aufnahmen durch den Kombinationsumfang dividiert Auswertung Mit der in den vorigen Kapiteln beschrieben Methode war es möglich, sowohl innerhalb einer Zeitreihe jene Aufnahmezeitpunkte zu identifizieren, die einen signifikant hohen Einfluss auf die Klassifikation von Vegetationseinheiten haben, sowie die Anzahl benötigter Aufnahmen (features) für eine adäquate Klassifikationsgüte zu ermitteln. Bei erstem ist auffällig, dass sich die signifikanten Aufnahmezeitpunkte zwischen den drei Vegetationsindizes sowie der Indexkombination, deutlich unterscheiden. Die Zeitpunkte im Frühjahr bekommen u.a. beim NDVI und NDVI RedEdge-NIR eine hohe Gewichtung zugesprochen. Allerdings ist die Phase der wichtigen Zeitpunkte beim NDVI RedEdge-NIR im Frühjahr deutlich länger und reicht teilweise bis zum Vollfrühling. Die späten Aufnahmezeitpunkte werden, ebenfalls, beim NDVI sowie beim NDVI RedEdge als wichtig gewichtet. Aber auch hier gibt es Unterschiede innerhalb des als wichtig erachteten Zeitraums. Die Anteile des NDVI zeigen einen homogen Anstieg, während beim NDVI RedEdge gleichmäßige Anteile gemessen werden, allerdings mit zwei starken Ausreißern nach unten. Für die Aufnahmen in der Hochphase der Phänologie, in den Sommermonaten, können keine eindeutigen Tendenzen für einen bedeutenden Einfluss auf die Klassifikation naturnaher Offenlandgesellschaften erkannt werden. In diesem Zeitraum werden nur einzelne Zeitpunkte als wichtig anerkannt. Diese variieren allerdings zwischen allen drei Indizes. Eine leichte zusammen-

70 Schlussbericht CARE-X FK 50EE /2012 Seite 70 hängende Tendenz kann für den NDVI RedEdge-NIR im Spätsommer erkannt werden, bei den anderen Indizes beiden gelingt dies nur sporadisch. Die Anfangs- und der Endphase, innerhalb der Zeitreihe, scheinen somit eine wichtige Rolle in der Klassifikation der betrachteten Vegetationseinheiten zu besitzen. Die Zeitpunkte aus diesen Phasen liefern somit eindeutige und individuelle Informationen für die Klassifikation der betrachteten naturnahen Offenlandgesellschaften. Im Gegensatz dazu sind die Informationen der Aufnahmen aus der Mitte der Zeitreihe, und somit in der Hochphase der phänologischen Entwicklung, eher sekundär einzustufen. Diese besitzen zwar ebenfalls wertvolle Informationen für die Klassifikation, es lassen sich jedoch keine favorisierten Zeitpunkte mit gesteigertem Informationsgehalt erkennen. In diesem Fall kann der komplette Zeitraum dieser Hochphasen als wichtiger Informationslieferant angesehen werden ohne exakte temporäre Bestimmtheit. Grundsätzlich enthalten die Aufnahmekombinationen mit hohen Klassifikationsgenauigkeiten jedoch nicht ausschließlich Aufnahmen aus der wichtigen Anfangs- und Endphase, sondern vielmehr eine breite Streuung der Zeitpunkte über die komplette Zeitreihe hinweg. Aufgrund einer vermeintlichen Ähnlichkeit der spektralen Informationen, und somit einer Limitierung der Differenzierbarkeit der Vegetation in der Hochphase der Phänologie, liefern die frühen und späten Aufnahmen jedoch wesentliche zusätzliche Informationen. Dies verdeutlicht, dass der benötigte hohe Informationsgehalt für eine adäquate Klassifikation von naturnahen Offenlandgesellschaften nicht aus einer phänologischen Phase stammen sollte, da der Informationsgehalt ansonsten stark redundant ist. Ein anderes Bild zeigt sich hingegen bei der Indexkombination. Hier sind vor allem die Aufnahmen aus dem Hoch- und Spätsommer von Bedeutung und jene aus der Anfangs- und Endphase sekundärer. Diese Zeitpunkte besitzen scheinbar den dichtesten Informationsgehalt für die Klassifikation und werden daher sehr häufig bei einer adäquaten Klassifikation verwendet. Die Ursache für die umgekehrte Auswahl der Zeitpunkte kann wahrscheinlich auf die wesentlich höhere und weniger widersprüchliche Informationsdichte der drei kombinierten Vegetationsindizes in diesen phänologischen Phasen zurück geführt werden. Allerdings enthalten auch hier die untersuchten Aufnahmekombinationen nicht ausschließlich Zeitpunkte aus diesen Phasen. Neben den Erkenntnissen über die Gewichtung der Aufnahmezeitpunkte, konnte auch die benötigte Anzahl von Aufnahmen für eine adäquate Klassifikationsgenauigkeit untersucht werden. Insgesamt ist bei allen vier betrachteten Parametern eine Sättigung der Klassifikationsgüte mit steigendem Kombinationsumfang zu erkennen. Sättigung wird an dieser Stelle definiert als Zuwachs oder Abnahme des Kappa Koeffizienten unter - /+ 1%-Punkt pro zusätzlicher Aufnahme. Aufgrund des bereits initial vorhandenen hohen Informationsgehaltes, tritt die Sättigung der Klassifikationsgüte bei der Indexkombination merklich früher ein als bei den drei einzelnen Vegetationsindizes. Bereits mit 7 Aufnahmen wird ein Kappa Koeffizient von ca. 88% erreicht. Mit jeder weiteren Aufnahme steigt der Kappa Koef. nur noch marginal an. Der NDVI zeigt insgesamt den flachsten Anstieg und erreicht am spätesten die Sättigung. Insgesamt werden hierfür 11 Aufnahmen benötigt. Der Anstieg des NDVI RedEdge ist demgegenüber

71 Schlussbericht CARE-X FK 50EE /2012 Seite 71 nur gering steiler, bei ungefähr 10 Aufnahmen tritt die Sättigung ein. Der NDVI RedEdge-NIR erreicht bei insgesamt 9 Aufnahmen die Sättigung der Klassifikationsgüte. Allerdings weist der NDVI RedEdge in der Phase der Sättigung mit einem Kappa Koef. von ca. 85% die höchste Klassifikationsgenauigkeit auf Acquisition Time Extraction Tool (TimeExtract) Für die Umsetzung der im Kapitel beschriebenen Methodik wurde ein Softwaretool (TimeExtract) entwickelt, dass bei der Daten- bzw. Zeitpunktwahl von Satellitenaufnahmen unterstützen soll. Mit Hilfe des Tools kann aus einer multi-temporalen Datenreihe sowie Trainingsdaten die Kombination von Aufnahmen mit der höchsten Klassifikationsgenauigkeit extrahiert werden. Das Tool basiert auf einem R-Skript. Für die Anwendung des Tools müssen die freie Statistiksoftware R (http://cran.r-project.org/) sowie folgende Pakete installiert sein: Combinat e1071 psych tcltk MChtest Für eine benutzerfreundlichere Bedienbarkeit von R existieren einige Editoren, mit denen R- Skripte bearbeitet und durchgeführt werden können (R-Studio oder Tinn-R). Um TimeExtract zu öffnen, muss das Skript einmalig komplett ausgeführt werden. Daraufhin öffnet sich eine Benutzeroberfläche bzw. GUI (graphical user interface) mit dessen Hilfe das Tool eingestellt und gestartet wird (siehe Abbildung 37). Die verwendeten Satelliten- und Kartierungsdaten müssen, bevor sie mit dem Tool analysiert werden können, in eine ASCII-Datei umformatiert werden. Hierbei werden nur die Bildinformationen benötigt, die von den Kartierungsdaten abgedeckt werden. Die Pixelinformationen müssen für jedes vorhandene Band extrahiert werden. In Tabelle 14 ist die erforderliche Formatierung der Bildinformationen dargestellt. In den Spalten werden die Pixelinformationen bzw. werte der einzelnen Bänder der jeweiligen Satellitenaufnahmen eingetragen. In der vorletzten Spalte (Klasse) müssen die Klasseninformationen aus den Kartierungsdaten enthalten sein. In der letzten Spalte (Cal_Val) muss eine Aufteilung der Bildpixel in die Trainingsgruppe (0) oder die Validierungsgruppe (1) vorgenommen werden. Die Aufteilung ist hierbei frei wählbar. Alle Nachkommastellen müssen durch einen Punkt getrennt werden und die Spalten durch ein Tab (Tabulator). Als Header jeder Spalte muss lediglich eine Nummerierung vorhanden sein.

72 Schlussbericht CARE-X FK 50EE /2012 Seite 72 Tabelle 14: Formatierung der Trainingsdaten Die Benutzeroberfläche von TimeExtract besteht aus insgesamt vier Sektionen. In der ersten Sektion ( Output parameters ) können das Arbeitsverzeichnis und die Ausgabenamen für die Ergebnisse definiert werden. In der zweiten Sektion ( Data parameters ) werden die Angaben über die verwendenden Daten eingegeben. Hierbei müssen folgende Parameter definiert werden: Anzahl der zu kombinierenden Aufnahmen (Kombinationsumfang) Gesamtanzahl aller vorhandenen Aufnahmen Anzahl der Bänder oder Indizes pro Aufnahme Umfang des Top-Rankings Mit diesen Parametern wird die Grundfunktion von TimeExtract eingestellt. Mit der Grundfunktion wird aus allen potentiell möglichen Kombinationen, die Kombination mit dem höchsten Kappa Koeffizienten extrahiert. Hierbei werden verschiedene Ausgabedateien erstellt, die standardmäßig die Anzahl der zu kombinierenden Aufnahmen, die Anzahl der Bänder pro Aufnahme und das aktuelle Datum im Namen beinhalten. Zunächst wird eine Übersicht erstellt, die die beste Kombination und deren Kappa Koeffizienten, sowie den allgemeinen Mittelwert und die Standardabweichung aller durchgeführten Klassifikationen beinhaltet. Des Weiteren wird auch die Aufnahmekombination angegeben, die am dichtesten am gemittelten Kappa Koeffizienten liegt. Neben dieser Übersicht werden von allen durchgeführten Klassifikationen die Kappa Koeffizienten, die Overall Accuracies sowie User s und Producer s Accuracies ausgegeben. Zusätzlich besteht ein Top-Ranking der besten Klassifikationen ausgeben.

73 Schlussbericht CARE-X FK 50EE /2012 Seite 73 Abbildung 37: Benutzeroberfläche TimeExtract In der dritten Sektion ( Random image selection ) kann eine zufallsgesteuerte Simulation durchgeführt werden. Diese Funktion gestattet, anstelle einer ausführlichen und somit rechenintensiven Berechnung, eine reduzierte Berechnung mittels zufällig gezogener Aufnahmekombinationen. Mit Hilfe dieser Funktion können beliebig viele zufällig kombinierte Aufnahmen klassifiziert und die oben beschriebenen Outputs generiert werden. In der vierten Sektion ( Monte-Carlo permutation test ) kann die Durchführung des Monte- Carlo Permutationstests aktiviert und die Anzahl der Permutationen festgelegt werden. Mit dieser Funktion wird der in Kapitel beschriebene Signifikanztest durchgeführt. Hierbei wird eine zusätzliche Ausgabedatei erstellt. Diese beinhaltet den berechneten p-wert mit zugehörigen Konfidenzintervallen sowie die Differenz T 0 der beiden Kappa Koeffizienten und die Anzahl der Permutationen, bei denen T i größer oder gleich T 0 war Spektrensimulation [AP-8 / CARE-X+] Wie lohnenswert die Beschäftigung mit der komplexen Thematik der Spektrensimulation und Pflanzenmodellierung für das Gebiet der Fernerkundung erscheint wurde in der Vorhabensbeschreibung des Projektes hinreichend motiviert. Die Aussicht, gezielt verschiedene Eingangsparameter einer künstlichen Szene verändern zu können und den Einfluss auf das Ausgangssignal sofort zu erkennen, fasziniert und es ist vorstellbar, dass nach erfolgreicher Umsetzung und Ausreifung der Methodik ein neues und unverzichtbares Tool für die Fernerkundung entsteht mit dem es mögliche sein wird, gewohnte Fragen effizienter zu beantworten oder gänzlich neue Fragestellungen in den Fokus zu nehmen. Im Rahmen dieses Projek-

74 Schlussbericht CARE-X FK 50EE /2012 Seite 74 tes wurde die Hypothese aufgestellt, dass die Datengrundlage für die Erstellung der phänologischen Signaturen mit Hilfe von generierten Spektren verbessert werden kann. Trotz der inzwischen möglichen häufigen Aufnahmetermine muss davon ausgegangen werden, dass man nicht überall eine ausreichend dichte Zeitreihe erheben kann, um den phänologischen Verlauf gut genug abbilden zu können Begriffe Allgemeine Bemerkungen und Begriffserklärungen im Zusammenhang mit der Modellierung und eine gute übersichtliche Darstellungen der Pflanzenmodellierung werden in DEUSSEN (2003) und (VOS et al. 2002) gegeben. Die Doktorarbeit von Theres Peisker (Küster) (KÜS- TER 2011) enthält einen sehr ausführlichen methodischen Teil zur Pflanzensimulation. Die Möglichkeiten der Modellierung und Simulation von Vegetation werden auch übersichtlich in FÖRSTER et al. (2010) dargestellt. Es gibt eine Vielzahl von Herangehensweisen und Modellen zur Simulation von Fernerkundungsdaten. Um die verschiedenen Ansätze hinsichtlich ihrer Effizienz und Genauigkeit vergleichen zu können und zu bewerten wurde die Initiative RAMI (Radiation Transfer Model Intercomparison) gegründet, die seit 1999 in verschiedenen Etappen die verschiedenen Methoden gegenüberstellt und vergleicht (RAMI 2012). Derzeit befindet sich die Initiative in Phase 4 in der es um komplexere Vegetationsmodelle ähnlich der in diesem Teilprojekt angestrebten geht. Die Methode und Implementierung von Philip Lewis (LEWIS 1999) erlangte schon in Phase 3 eine nicht unwesentliche Bewertung und ist auch die Grundlage für die Arbeit in diesem Projekt (WIDLOWSKI et al. 2007) Modellierung der Einzelpflanzen Aufgrund der Vorarbeiten der Antragsteller und der engen Zusammenarbeit mit dem Geoforschungszentrum Potsdam, welches auf dem Gebiet der Vegetationsmodellierung umfangreiche Erfahrung hat (PEISKER et al. 2008, PEISKER et al. 2010), wurde der Weg über die konkrete 4D-Modellierung der Einzelpflanze nach dem AMAP-Ansatz (DE REFFYE et al. 1988) unter Nutzung der Modellierungssoftware AmapSim (BARCZI et al. 2008) gewählt. Die Software beziehungsweise dieser Ansatz orientiert sich an botanischen Wachstumsregeln, wobei das Pflanzenwachstum in konkreten Zeitschritten von Knoten zu Knoten simuliert wird. Die verschiedenen Pflanzenkomponenten werden dabei in übereinander gelegten Hierarchien organisiert, welche letztlich die Topologie einer Pflanze kodiert. Die Konzepte der geometrischen Ausdehnung in Form des eigentlichen 3D Modells und der Zeitentwicklung werden gesondert behandelt und sind konzeptionell getrennt. Der Modellierer beschäftigt sich viel mit der Topologie und der Aneinanderreihung der Ereignisse während der phänologischen Entwicklung. Er braucht Erfahrung im Umgang mit der Software und muss die zu modellierenden Pflanzen gut kennen. Letztlich entscheidet die Software viele kleinskalige Details wie bestimmte Verzweigungsentscheidungen oder konkrete Längenverhältnisse aber selbst, wobei auch stochastische Momente (Markov-Ketten) angewendet werden und Erhaltungsgesetze Beachtung finden.

75 Schlussbericht CARE-X FK 50EE /2012 Seite 75 In Abbildung 38 sind Beispiele für die im Projekt erstellten Pflanzen dargestellt. Die Pflanzen haben an dieser Stelle noch keine Materialeigenschaften zugewiesen und erschienen daher lediglich grau. Abbildung 38: Pflanzenmodelle erstellt mit AmapSim (Flatterbinse, Rohrglanzgras) Natürlich geben die dargestellten Modelle nur einen speziellen Blick auf eigentlich unterschiedlichste Ausprägungen dieser Arten. Weiterhin ist hier jeweils nur ein bestimmter Entwicklungstand gezeigt. Die Fruchtstände fächern zum Beispiel in den verschiedenen phänologischen Entwicklungszuständen unterschiedlich weit auf und können in Höhe und Volumen in Abhängigkeit der Standortbedingungen sehr unterschiedlich ausgeprägt sein. Im Rahmen der Modellierung mit AmapSim kann einer unterschiedlichen Ausprägung infolge verschiedener Standortbedingungen (Wasserangebot) nur dadurch Rechnung getragen werden, dass man jede Art mehrfach modelliert und auf derartige Unterschiede in der Ausprägung wert legt. Neben anderen Aspekten ist die Mehrfachmodellierung der Arten ein wesentlicher Punkt für potentielle methodische Verbesserungen im Rahmen künftiger Weiterentwicklungen. Die zeitliche Entwicklung hingegen wird durch AmapSim und die darin definierten Regeln für jede Art abgebildet, weshalb man auch von 4-Dimensionenaler Modellierung spricht. Für die Weiterverarbeitung kann das AmapSim-Format nicht verwendet werden. Für die nächsten Schritte werden die Daten daher im Wavefront-Format (WAVEFRONT 2012), einem offenen Standard-3D-Format, exportiert. Natürlich kann die Zeitentwicklung nicht direkt weitergeben werden und muss durch verschiedenen Zeitschnitte und Mehrfachexporte abgebildet werden. Auf diese Weise erhält man schnell hunderte von Modellfiles (je nach Wahl der Dichte der Zeitschnitte) allein pro Art für die Abbildung der phänologischen Entwicklung. Die Anzahl der Files vervielfacht sich bei Mehrfachmodellierung verschiedener Ausprägungen - siehe Diskussion in der Zusammenfassung zur Modellierung. Die Modelle für jeden der exportierten Zeitschritte müssen geeignet verwaltet werden, um sie den phänologischen Ent-

76 Schlussbericht CARE-X FK 50EE /2012 Seite 76 wicklungsstadien zuordnen zu können. Derzeit erfolgt dies über eine Kodierung der Entwicklungsnummer aus AmapSim im Filenamen. Neben der geometrischen Modellierung der Einzelpflanze, wo ja zunächst "nur" die Geometrie der Objekte in den verschiedenen Entwicklungsstadien festgelegt wird, zählt in dem vorliegenden Kontext die Erhebung der Materialspektren, d.h. die Festlegung der Oberflächeneigenschaften der einzelnen Pflanzenteile ebenso zur Modellbildung der Pflanze. Für die Ausprägung des Gesamtsignals des Reflektionsverhaltens einer Vegetationsszene sind die Materialeigenschaften mindestens ebenso wichtig, wie die Lage einer reflektierenden Fläche als Konstruktionselemente der Modelle im Raum. Die Materialspektren wurden im Labor mit Hilfe von "ASD-F-Spec"-Spektrometern aufgenommen. Diese Art der Spektrenaufnahme ist leider nicht sehr effektiv, da es ohne Hilfsapparaturen nur schwer möglich ist, gezielt die Spektren einzelner Pflanzenbestandteile aufzunehmen. Hier konnte von den GFZ- Erfahrungen im Umgang mit den Spektrometermessungen profitiert werden. Für eine umfangreichere Erhebung von Materialspektren ist eine regelmäßige Beschäftigung einer Laborkraft notwendig. Hierbei ist zu bedenken, dass die Bestandteile jeder Art (zumindest einmal Blüte, Stängel, Blatt) in unterschiedlichen Entwicklungsstadien und in unterschiedlichen Ausprägungen vermessen werden müssen. Immerhin konnten für die aufgeführten Arten 65 und insgesamt etwa 150 verschieden Spektren aufgenommen werden Modellierung von Pflanzenbeständen Die Aufgabe der Pflanzenzusammenstellung beinhaltet scheinbar nichts weiter als eine geeignete Auswahl von Modellen zu treffen und diese auf eine sinnvoll dimensionierten Fläche auf möglichst natürliche Weise anzuordnen. Hinter dieser Formulierung verbergen sich allerdings viele Detailprobleme, die zum Teil erst während der Projektdurchführung erkannt wurden. Für die Bestandsmodellierung wurde eine prototypische Software entwickelt, die die Dateiverwaltung und Konfiguration vereinfacht und bei der Pflanzenverteilung hilft. Im idealen Ausbauzustand soll diese Software allerdings auch alle notwendigen Input-Daten über Datenbankorganisation verwalten, die Gesellschaftsgenerierung nach gegebenen Parametern übernehmen, Zustände von Simulationsläufen sichern und wiederherstellen, die Raytracing-Rechnungen auf geeigneter Hardware verteilen oder direkt starten und die Ergebnisse einsammeln und wiederum mit Hilfe von Datenbanken verwalten. Der derzeitige Entwicklungsstand schließt allerdings schon sehr schön die Lücke zwischen Einzelmodellerstellung der Arten und deren Vergesellschaftung sowie der Vorbereitung der Raytracing- Rechnungen, welche dann gesondert gestartet werden. Letzteres ist allerdings in der gegeben Situation nicht unbedingt von Nachteil, da an dieser Schnittstelle noch viele Eingriffe für experimentelle Tests vorgenommen werden können. In Abbildung 39 werden die notwendigen Operationen als Workflow dargestellt. Die Aufgaben des Simulation-Preparation-Moduls ("SimPrep") werden in diesem Abschnitt näher erläutert. Implementierungsdetails Die Software ist Python geschrieben. Obwohl theoretisch nicht darauf beschränkt, wurde die Software auf einem Linux-Betriebssystem erstellt und getestet. Um die notwendigen Eingabedaten für eine Raytracing-Operation (einen LIBRAT-Lauf) zur Verfügung zu stellen, müssen die notwendigen Dateien aus 3D-Modellierung und Materialspektrenmessungen sowie

77 Schlussbericht CARE-X FK 50EE /2012 Seite 77 statische Definitionen LIBRAT zur Verfügung stehen. Daher wird deren Speicherort der Software über eine zentrale Konfiguration übergeben. Abbildung 39: Schema für die Spektrensimulation In Abbildung 40 ist eine beispielhafte Konfiguration dargestellt. Hier wird die Zusammenstellung der Pflanzengesellschaft festgelegt, Kamera und Beleuchtung definiert und bestimmte Werte für das Simulationsgebiet konfiguriert. Da die Konfiguration in zukünftigen Versionen aber noch sehr viel komplexer werden kann, ist es wahrscheinlich, dass sich Zusammenstellung und die Festlegungen für die Pflanzengesellschaften abspaltet. Diese werden dann auch gesondert katalogisierbar, was wiederum für umfangreiche systematische Analysen mit einer großen Anzahl von Präparationen hilfreich ist.

78 Schlussbericht CARE-X FK 50EE /2012 Seite 78 Abbildung 40: Beispielkonfiguration für SimPrep

79 Schlussbericht CARE-X FK 50EE /2012 Seite 79 Die meisten der Angaben sind selbsterklärend. Die Angaben für Kamera und Beleuchtung folgen direkt der LIBRAT-Dokumentation. Hier soll nur gesondert auf zwei der angegebenen Werte eingegangen werden: sim_plant_x_rotation_range: Ein Bereich für einen zufälligen Rotationswinkel, wenn in der OBJ-Datei der Gesamtszene die Pflanzen mit dem Clone-Feature verteilt werden - siehe Erläuterung im Kapitel zum Raytracing. sim_cell_average_size: Die mittlere Zellgröße für das Simulationsgebiet. Diese Größe bedarf einer etwas ausführlicheren Erläuterung. Nicht zuletzt aus rechentechnischen Gründen ist es günstig das Simulationsgebiet in kleine Einheiten zu zerlegen, die nur eine überschaubare Anzahl von Einzelobjekten aufnehmen (1-20). Die Objekte einer solchen Zelle werden dann in der Szenenbeschreibung gruppiert. Mit dieser Hilfe kann LIBRAT automatisch Umschließungsrechtecke - Bounding Boxes - um diese Gruppen berechnen, womit die Raytracingrechnungen extrem beschleunigt werden können, da eine Kollisionsabfrage auf großer Skale nicht jedes Mal mit allen komplexen Pflanzenmodellen durchgeführt werden muss, sondern zunächst nur auf allen Boxen angewendet wird. Die Abfrage auf den einfachen Box- Geometrien ist sehr viel schneller und die aufwendige Kollisionsabfrage gegen die detaillierten Pflanzenmodelle wird dann erst mit den in der entsprechenden Box befindlichen Objekten durchgeführt. Der obige Parameter gibt nun die durchschnittliche Box- oder Zellgröße an. In diesem Fall 10 Quadrateinheiten der zugrundeliegenden Modellierungseinheit, welche letztlich durch die Wahl der Einheiten in AmapSim bestimmt wird (Dezimeter in diesem Fall). Die Frage ist nun, wie das Simulationsgebiet geeignet unterteilt werden kann. Eine schachbrettartige Struktur wäre sicher einfach zu implementieren und würde das gewünschte leisten. In Anlehnung an das Bestreben möglichst natürliche Strukturen zu schaffen wurde jedoch eine Zellstruktur nach Voronoi-Diagrammen gewählt. Diese Aufteilung zeigt eine deutlich "biologischere" Struktur wie in den Beispielen in Abbildung 41 ersichtlich ist. Die Abbildung zeigt auch eine mögliche Pflanzenverteilung auf einem Gebiet mit 2m bzw. 10m Kantenlänge bei gleichbleibender Einstellung für die mittlere Zellgröße. Der Verteilung der Pflanzen erfolgte in diesem Fall zufällig nach Poissonverteilung.

80 Schlussbericht CARE-X FK 50EE /2012 Seite 80 Abbildung 41: Zellaufteilung mit Hilfe von Voronoi-Diagrammen für 2m (links) und 10m (rechts) Kantenlänge Die Implementierung von SimPrep ist in Abbildung 42 schematisch dargestellt. Diese Darstellung ist zum Teil noch konzeptionell und zeigt auch schon Elemente, die derzeit noch nicht eingebaut sind. Wesentlich ist die Abbildung des hierarchischen Konzeptes von Simulationsfläche, Simulationszelle und der Einzelpflanze. Weiterhin ist die Abstraktion der Vergesellschaftungsregeln gezeigt. Das System der Regeln sieht vor, beliebige Paarwechselwirkungsregeln der Arten untereinander beziehungsweise Einzelregeln, wie etwa den Toleranzbereich für den Boden-pH-Wert, für die Arten festlegen zu können. Dabei soll es möglich sein, auch eine funktionalen Zusammenhang für eine bestimmte Regel angeben zu können. So könnte man etwa angeben wollen, dass die Stärke einer Konkurrenzwirkung exponentiell mit dem Abstand zweiter Arten oder Individuen abnimmt oder alternativ sprunghaft abnimmt, was mit einer Treppenfunktion in dem "function"-object beschrieben werden kann.

81 Schlussbericht CARE-X FK 50EE /2012 Seite 81 Abbildung 42: Schematischer Aufbau von Simulationssoftware SimPrep erfüllt gegenwärtig die folgenden Funktionen: Zentrale Konfiguration Erstellung von Simulationsflächen mit Pflanzenverteilungen entsprechend der Konfiguration und bei Bedarf Export des Ergebnisses als Shape-Datei. Erzeugung einer Verzeichnisstruktur mit allen Inputdaten für einen Raytracing- Lauf wie Abbildung 43 zeigt. LIBRAT kann anschließend aus dem "run"- Verzeichnis heraus mit dem dort abgelegten Skript "run.sh" gestartet werden. Man erkennt die Unterverzeichnisse für Kamera und Beleuchtung sowie für die 3D-Modellfiles. Erzeugung eines Kompositionsfiles für den Bestand der Szene mit automatisch erstellten Bezügen zu den Einzelmodellen und zur Materialbibliothek.

82 Schlussbericht CARE-X FK 50EE /2012 Seite 82 Abbildung 43: Verzeichnisstruktur für die Simulation Abbildung 44: Kompositionsfile einer Szene Kamerafile und Beleuchtung werden im Aufruf für das Raytracing übergeben. Die Modellfiles der Pflanzen, das DEM und die Materialbibliotheksdefinition werden im Kompositionsfile referenziert wie in Abbildung 44 zu erkennen ist. Die Materialbibliothek (*.matlib) enthält die Verknüpfungen zu den Materialspektren (*.dat) und bildet sie auf Bezeichner ab, welche in den Modellfiles der Einzelpflanzen (*.obj) in der "usemtl"-anweisung benutzt werden. Man erkennt, wie sich die Unterteilung in Zellen in der Gruppierung der Clone-Anweisungen (siehe Erläuterung im folgenden Abschnitt) niederschlägt Spektrenberechnung mit Raytracing Das von Philip Lewis (UCL) erdachte Botanical Plant Modelling System (BPMS) (LEWIS 1999) wird derzeit von ihm in Form der LIBRAT-Software (Librat 2012) zur Verfügung gestellt. Als rückwärtsgerichtetes Monte-Carlo Raytracing-Verfahren zeigt es gute Simulations-

ForestHype Teilprojekt Biodiversität

ForestHype Teilprojekt Biodiversität ForestHype Teilprojekt Biodiversität Anne Clasen, Michael Förster, Birgit Kleinschmit Herzlich Willkommen. Welcome. Gliederung I Flächenhafte Auswertungen Studie 1 Vergleich und synergetische Nutzung von

Mehr

Hyperspektral in Oberpfaffenhofen: Das EnMAP Bodensegment und die CHB

Hyperspektral in Oberpfaffenhofen: Das EnMAP Bodensegment und die CHB Hyperspektral in Oberpfaffenhofen: Das EnMAP Bodensegment und die CHB Karim Lenhard, Jochen Fries, Birgit Suhr, Peter Gege (CHB) Andreas Müller, Tobias Storch, Armin Braun, Helmut Mühle, Rupert Müller

Mehr

Workshop Monitoring Döberitzer Heide. Fachbeiträge des LUGV, Heft Nr. 123. Landesamt für Umwelt, Gesundheit und Verbraucherschutz

Workshop Monitoring Döberitzer Heide. Fachbeiträge des LUGV, Heft Nr. 123. Landesamt für Umwelt, Gesundheit und Verbraucherschutz Naturschutz und Landschaftspflege Fachbeiträge des LUGV, Heft Nr. 123 Workshop Monitoring Döberitzer Heide Landesamt für Umwelt, Gesundheit und Verbraucherschutz Bericht zum Workshop "Monitoring in der

Mehr

Zum Monitoring von Bodenbewegungen mit Radarsystemen im Projekt GMES4Mining

Zum Monitoring von Bodenbewegungen mit Radarsystemen im Projekt GMES4Mining Zum Monitoring von Bodenbewegungen mit Radarsystemen im Projekt GMES4Mining Dr. Karsten Zimmermann, DMT GmbH & Co. KG Das Projekt wird unterstützt aus Mitteln der EU und des Landes Nordrhein-Westfalen

Mehr

Umsetzung von EU Richtlinien. zur Automatisierung von Verwaltungsabläufen. am Beispiel von Landwirtschaft und Umwelt

Umsetzung von EU Richtlinien. zur Automatisierung von Verwaltungsabläufen. am Beispiel von Landwirtschaft und Umwelt Institut für Agrarökologie Umsetzung von EU Richtlinien zur Automatisierung von Verwaltungsabläufen am Beispiel von Landwirtschaft und Umwelt Dr. Matthias Trapp matthias.trapp@agroscience.rlp.de Institut

Mehr

Near Real Time - SAR basierte Anwendungen im maritimen Bereich

Near Real Time - SAR basierte Anwendungen im maritimen Bereich GeoForum MV 2011 Near Real Time - SAR basierte Anwendungen im maritimen Bereich Matthias Berg, Susanne Lehner, Stephan Brusch, Egbert Schwarz DLR Cluster Angewandte Fernerkundung Inhalt Übersicht Synthetic

Mehr

7. ArcView-Anwendertreffen. Einbindung von Datenbanken in ArcMap am Beispiel der Biotopkartierung Bayern. Daniel Fuchs

7. ArcView-Anwendertreffen. Einbindung von Datenbanken in ArcMap am Beispiel der Biotopkartierung Bayern. Daniel Fuchs 7. ArcView-Anwendertreffen Einbindung von Datenbanken in ArcMap am Beispiel der Biotopkartierung Bayern Daniel Fuchs 1. Grundlagen Biotopkartierung: Datenformat Die Daten der Biotopkartierung Bayern werden

Mehr

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining Gliederung 1. Einführung 2. Grundlagen Data Mining Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining 3. Ausgewählte Methoden des Data

Mehr

Operationalisierung von Fernerkundungsmethoden für das Wattenmeermonitoring. Zusammenfassung

Operationalisierung von Fernerkundungsmethoden für das Wattenmeermonitoring. Zusammenfassung Fernerkundungsmethoden für das Wattenmeermonitoring Zusammenfassung Die Überwachung der marinen Umwelt hat in Europa und speziell in Deutschland besondere Bedeutung. Durch die Wasserrahmenrichtlinie, die

Mehr

Using TerraSAR-X data for mapping of damages in forests caused by the pine sawfly (Dprion pini) Dr. Klaus MARTIN klaus.martin@slu-web.

Using TerraSAR-X data for mapping of damages in forests caused by the pine sawfly (Dprion pini) Dr. Klaus MARTIN klaus.martin@slu-web. Using TerraSAR-X data for mapping of damages in forests caused by the pine sawfly (Dprion pini) Dr. Klaus MARTIN klaus.martin@slu-web.de Damages caused by Diprion pini Endangered Pine Regions in Germany

Mehr

Dienstleistungen in der Erdbeobachtung RFIT 2009

Dienstleistungen in der Erdbeobachtung RFIT 2009 Dienstleistungen in der Erdbeobachtung RFIT 2009 Jörg Herrmann, Geschäftsführer Infoterra GmbH Infoterra GmbH, seit 2001 Geoinformationsdienste (u.a. GMES) Sicherheit (Regionen, Katastrophen) Kartierung

Mehr

Dispersion DADOS. Problemstellung. Technische Daten, DADOS. Rechnung

Dispersion DADOS. Problemstellung. Technische Daten, DADOS. Rechnung Dispersion DADOS Problemstellung Für ie Auswertung von Spektren ist es notwenig, ie Nichtlinearität er Wellenlängenskala auf em CCD Chip zu berücksichtigen. Dies wir hier am Beispiel es DADOS urchgerechnet,

Mehr

Optische Fernerkundungssensoren und deren Anwendungspotenziale: Einführung in die Optische Fernerkundung

Optische Fernerkundungssensoren und deren Anwendungspotenziale: Einführung in die Optische Fernerkundung Optische Fernerkundungssensoren und deren Anwendungspotenziale: Einführung in die Optische Fernerkundung Nationales Forum für Fernerkundung und Copernicus 2014 Björn Waske Einführung GoogleMaps Björn Waske

Mehr

Intergraph Geospatial World Tour SMARTERDECISIONS

Intergraph Geospatial World Tour SMARTERDECISIONS Intergraph Geospatial World Tour Bern, 7. März 2013 SMARTERDECISIONS MFB-GeoConsulting Company profile Solutions in Geographic Imaging Innovative, individualisierte Dienstleistungen für die Geodaten-Verarbeitung:

Mehr

RESA PERFORMANCE 2014

RESA PERFORMANCE 2014 RESA PERFORMANCE 2014 Petra Seiffert & Dennis Funke Account Manager, Business Operations Slide 1 Agenda RESA Statistiken Sondergebiete 2014 RESA Kundenumfrage 2014 Ausblick Neuheiten Slide 2 RESA STATISTIKEN

Mehr

Jan Ehmke Doktorandenworkshop 2008 St. Andreasberg, 10.03.2008

Jan Ehmke Doktorandenworkshop 2008 St. Andreasberg, 10.03.2008 Ermittlung dynamischer Fahrzeiten für die City-Logistik Jan Ehmke Doktorandenworkshop 2008 St. Andreasberg, 10.03.2008 Inhalt Einführung Planung in der City-Logistik Erhebung dynamischer Fahrzeiten Konzeption

Mehr

VDI-Kompetenzfeld Biotechnologie

VDI-Kompetenzfeld Biotechnologie VDI-Kompetenzfeld Die europäische Richtlinie über die absichtliche Freisetzung gentechnisch veränderter Organismen in die Umwelt (2001/18/EG) sowie deren Umsetzung in das deutsche Gentechnikrecht fordern

Mehr

Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren

Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren Ziel Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren Einteilung (=Klassifikation) der Pixel eines multispektralen Datensatzes in eine endliche Anzahl von Klassen. Es sollen dabei versucht

Mehr

Messsystemanalyse (MSA)

Messsystemanalyse (MSA) Messsystemanalyse (MSA) Inhaltsverzeichnis Ursachen & Auswirkungen von Messabweichungen Qualifikations- und Fähigkeitsnachweise Vorteile einer Fähigkeitsuntersuchung Anforderungen an das Messsystem Genauigkeit

Mehr

Rasterbildmanipulation, DHM Klassifizierung und kartographische Aufbereitung

Rasterbildmanipulation, DHM Klassifizierung und kartographische Aufbereitung Programm 1 (Dokumentation) 1 Programm 1 (Dokumentation) Rasterbildmanipulation, DHM Klassifizierung und kartographische Aufbereitung 1. Aufgabenstellung Mit Hilfe eines PHP-Skripts soll eine Rasterbildmanipulation

Mehr

Department Geoinformation in Environmental Planning Einsatz von Data Mining ein nichtparametrischer Klassifikator in der Umweltanalyse

Department Geoinformation in Environmental Planning Einsatz von Data Mining ein nichtparametrischer Klassifikator in der Umweltanalyse Deutsche Gesellschaft für Photogrammetrie, Fernerkundung und Geoinformation (DGPF) e.v. Arbeitskreis Auswertung von Fernerkundungsdaten 26 Oktober, Halle (Saale) Department Einsatz von Data Mining ein

Mehr

Projektplan. Änderungskontrolle, Prüfung, Genehmigung

Projektplan. Änderungskontrolle, Prüfung, Genehmigung Projektplan Ergebnisabkürzung Klassifizierung * Status ** Projektname *** Projektabkürzung Projektleiter Autor Initiale Auftraggeber / Sponsor Betreuer (Fachdozent) PM-Coach Webseite PL Nicht klassifiziert

Mehr

Automatische Vorklassifikation von optischen Multi- Sensor Fernerkundungsdaten als Grundlage für semantische Abfragen in FE-Datenarchiven

Automatische Vorklassifikation von optischen Multi- Sensor Fernerkundungsdaten als Grundlage für semantische Abfragen in FE-Datenarchiven ESA Technologie Transfer Tag Schwerpunkt Big Data 5. Dezember 2013 Ort: FFG Forschungsförderungsgesellschaft Automatische Vorklassifikation von optischen Multi- Sensor Fernerkundungsdaten als Grundlage

Mehr

Analysen sind nur so gut wie die Datenbasis

Analysen sind nur so gut wie die Datenbasis Analysen sind nur so gut wie die Datenbasis Datenaufbereitung und Sicherung der Datenqualität durch den kontextbasierten MIOsoft Ansatz. Daten gelten längst als wichtiger Produktionsfaktor in allen Industriebereichen.

Mehr

Vorarbeiten zu Prüfverfahren Prozessorientierte Risikoanalyse

Vorarbeiten zu Prüfverfahren Prozessorientierte Risikoanalyse Vorarbeiten zu Prüfverfahren Prozessorientierte Risikoanalyse DI THOMAS KNOLL KNOLL PLANUNG & BERATUNG ZIVILTECHNIKER GMBH INHALT Prozessorientierte Risikoanalyse als Grundlage der Managementplanung Ziele

Mehr

Vorwort. Hermann J. Schmelzer, Wolfgang Sesselmann. Geschäftsprozessmanagement in der Praxis

Vorwort. Hermann J. Schmelzer, Wolfgang Sesselmann. Geschäftsprozessmanagement in der Praxis Vorwort Hermann J. Schmelzer, Wolfgang Sesselmann Geschäftsprozessmanagement in der Praxis Kunden zufrieden stellen - Produktivität steigern - Wert erhöhen ISBN (Buch): 978-3-446-43460-8 Weitere Informationen

Mehr

Analyse alt- und mittelpaläolithischer Steinartefaktinventare mittels Parallelkoordinatenplots

Analyse alt- und mittelpaläolithischer Steinartefaktinventare mittels Parallelkoordinatenplots Einleitung Analyse alt- und mittelpaläolithischer Steinartefaktinventare mittels Parallelkoordinatenplots von Irmela Herzog Im Rahmen der Herbsttagung der AG DANK (Datenanalyse und Numerische Klassifikation)

Mehr

Geodateninfrastruktur Hessen

Geodateninfrastruktur Hessen Hessisches Landesamt für Bodenmanagement und Geoinformation Schaperstraße 16 65195 Wiesbaden Telefon: +49 (611) 535-5513 Fax: +49 (611) 535-5351 E-Mail: gdi-hessen@hvbg.hessen.de http://www.geoportal.hessen.de

Mehr

Lehrveranstaltung Fernerkundung. Digitale Bilder. Mod. 2 p. 1. Typische Schritte in einem Fernerkundungsprojekt. Vorlesungs- und Übungsplan SS 2010

Lehrveranstaltung Fernerkundung. Digitale Bilder. Mod. 2 p. 1. Typische Schritte in einem Fernerkundungsprojekt. Vorlesungs- und Übungsplan SS 2010 Lehrveranstaltung Fernerkundung Vorlesungs- und Übungsplan 07.04.10 Einführung, Strahlung, Sensoren 14.04.10 Digitale Bilder, Bildstatistik& Kontraststreckung 21.04.10 Bild Verbesserung & Indexe 28.05.10

Mehr

Einsatz von Bodenfunktionskarten in der Bauleitplanung Berlins Dr. Andreas Faensen-Thiebes Senatsverwaltung für Stadtentwicklung Berlin

Einsatz von Bodenfunktionskarten in der Bauleitplanung Berlins Dr. Andreas Faensen-Thiebes Senatsverwaltung für Stadtentwicklung Berlin Einsatz von Bodenfunktionskarten in der Bauleitplanung Berlins Dr. Andreas Faensen-Thiebes Senatsverwaltung für Stadtentwicklung Berlin Was Sie im Folgenden erwartet:. Einleitung: Bodenbelange in der Bauleitplanung

Mehr

LED Beleuchtung - Fehlerbetrachtung bei der Beleuchtungsstärkemessung

LED Beleuchtung - Fehlerbetrachtung bei der Beleuchtungsstärkemessung LED Beleuchtung - Fehlerbetrachtung bei der Beleuchtungsstärkemessung Bei einem Beleuchtungsstärkemessgerät ist eines der wichtigsten Eigenschaften die Anpassung an die Augenempfindlichkeit V(λ). V(λ)

Mehr

Berichtsmanagement. mehr unter www.ees-online.de. Berichte aus aktuellen und historischen Daten erstellen und weiterverarbeiten

Berichtsmanagement. mehr unter www.ees-online.de. Berichte aus aktuellen und historischen Daten erstellen und weiterverarbeiten Berichtsmanagement Berichte aus aktuellen und historischen Daten erstellen und weiterverarbeiten Zuverlässige und regelmäßige Berichterstattung ist für die Überwachung von weiträumig verteilten Anlagen

Mehr

FME Server comme plateforme d échanges de données raster multi-temporelles chez MeteoSuisse

FME Server comme plateforme d échanges de données raster multi-temporelles chez MeteoSuisse FME Server comme plateforme d échanges de données raster multi-temporelles chez MeteoSuisse FME Server als multidimensionale Rasterdatendrehscheibe bei MeteoSchweiz Estelle Grüter, Meteoschweiz. Estelle.Grueter@meteoswiss.ch

Mehr

Modul GIS und CAD Teilmodul GIS

Modul GIS und CAD Teilmodul GIS Habitateigungsanalyse I (ModelBuilder) Version 10, English Autor: Msc. Tutorial-Version: 2012 Hochschule Anhalt Bachelor Naturschutz und Landschaftsplanung 5. Semester 4. Habitateignungsmodelle (1. Teil)

Mehr

Das Magnetfeld der Erde. Stephen Kimbrough Damjan Štrus Corina Toma

Das Magnetfeld der Erde. Stephen Kimbrough Damjan Štrus Corina Toma Das Magnetfeld der Erde Stephen Kimbrough Damjan Štrus Corina Toma Das Magnetfeld der Erde 65 1 Zusammenfassung Warum ist es so wichtig, die Werte des Magnetfelds der Erde zu kennen? Warum untersucht die

Mehr

Parallele und funktionale Programmierung Wintersemester 2013/14. 8. Übung Abgabe bis 20.12.2013, 16:00 Uhr

Parallele und funktionale Programmierung Wintersemester 2013/14. 8. Übung Abgabe bis 20.12.2013, 16:00 Uhr 8. Übung Abgabe bis 20.12.2013, 16:00 Uhr Aufgabe 8.1: Zeigerverdopplung Ermitteln Sie an folgendem Beispiel den Rang für jedes Listenelement sequentiell und mit dem in der Vorlesung vorgestellten parallelen

Mehr

Bericht. Stadtbauamt, Fachbereich Stadtentwicklung, Jurastrasse 22, 4901 Langenthal Telefon 062 916 21 11, Telefax 062 923 21 76, www.langenthal.

Bericht. Stadtbauamt, Fachbereich Stadtentwicklung, Jurastrasse 22, 4901 Langenthal Telefon 062 916 21 11, Telefax 062 923 21 76, www.langenthal. Erfassung und Auswertung von Daten für Aussagen über eine nachhaltige Gestaltung und Nutzung des Stadtraums als Grundlage für die Siedlungsrichtplanung Bericht Datum: 4. Februar 2013 Bearbeiter: Tina Hurni,

Mehr

Optische Systeme und Computer Vision. Heinz-Wilhelm Hübers, Ralf Reulke

Optische Systeme und Computer Vision. Heinz-Wilhelm Hübers, Ralf Reulke Optische Systeme und Computer Vision Heinz-Wilhelm Hübers, Ralf Reulke Deutsches Zentrum für Luft- und Raumfahrt e.v. (DLR) Institute of Optical Sensor Systems Humboldt-Universität zu Berlin, Institut

Mehr

Planänderungsverfahren. ( Deckblattverfahren ) zum. Planfeststellungsverfahren. zum Bau und Betrieb der. Gashochdruckleitung Burghausen - Finsing

Planänderungsverfahren. ( Deckblattverfahren ) zum. Planfeststellungsverfahren. zum Bau und Betrieb der. Gashochdruckleitung Burghausen - Finsing Planänderungsverfahren ( Deckblattverfahren ) zum Planfeststellungsverfahren zum Bau und Betrieb der Gashochdruckleitung Burghausen - Finsing DN 1200, MOP 100 bar Gemeinde Moosinning Gemeinde Markt Isen

Mehr

Perzentile mit Hadoop ermitteln

Perzentile mit Hadoop ermitteln Perzentile mit Hadoop ermitteln Ausgangspunkt Ziel dieses Projektes war, einen Hadoop Job zu entwickeln, der mit Hilfe gegebener Parameter Simulationen durchführt und aus den Ergebnissen die Perzentile

Mehr

Agile Vorgehensmodelle in der Softwareentwicklung: Scrum

Agile Vorgehensmodelle in der Softwareentwicklung: Scrum C A R L V O N O S S I E T Z K Y Agile Vorgehensmodelle in der Softwareentwicklung: Scrum Johannes Diemke Vortrag im Rahmen der Projektgruppe Oldenburger Robot Soccer Team im Wintersemester 2009/2010 Was

Mehr

Einsatz der Mehrkörpersimulation in Verbindung mit Computertomographie in der Produktentwicklung

Einsatz der Mehrkörpersimulation in Verbindung mit Computertomographie in der Produktentwicklung Einsatz der Mehrkörpersimulation in Verbindung mit Computertomographie in der Produktentwicklung Hintergrund Bei komplexen Baugruppen ergeben sich sehr hohe Anforderungen an die Tolerierung der einzelnen

Mehr

Produktphilosophie erstellen

Produktphilosophie erstellen User Experience Produktphilosophie erstellen Bereich Anforderungen Aktivität Ziele Erleichterte Kommunikation zwischen Stakeholdern Designentscheidungen erleichtern/rechtfertigen schnell durchführbar einfach

Mehr

2 Die wesentlichen Teile der in der optischen Spektroskopie benutzten Apparaturen

2 Die wesentlichen Teile der in der optischen Spektroskopie benutzten Apparaturen 2 Die wesentlichen Teile der in der optischen Spektroskopie benutzten Apparaturen 2.1 Lichtquellen In Abb. 2.1 sind die Spektren einiger Lichtquellen dargestellt, die in spektroskopischen Apparaturen verwendet

Mehr

Erfolgsmessung im Change Management

Erfolgsmessung im Change Management Erfolgsmessung im Change Management Ein Artikel von Dipl.-Oec. Michael Kobbe In der Oktober-Ausgabe konnten Sie lesen, warum Change Management eine komplexe und herausfordernde Aufgabe ist und wie sie

Mehr

Anleitung für das Erstellen der Abrechnungen in der Online Software PADUA. (für Initial, Schwerpunkt und Regionalprojekte)

Anleitung für das Erstellen der Abrechnungen in der Online Software PADUA. (für Initial, Schwerpunkt und Regionalprojekte) Anleitung für das Erstellen der Abrechnungen in der Online Software PADUA (für Initial, Schwerpunkt und Regionalprojekte) Zur Berichtspflicht der Projektleiter von Initial, Schwerpunkt und Regionalprojekten

Mehr

Abschlussarbeiten 2010 in der Medizininformatik

Abschlussarbeiten 2010 in der Medizininformatik Abschlussarbeiten 2010 in der Medizininformatik Ansprechpartner: Prof. Dr. Eberhard Beck eberhard.beck@fh-brandenburg.de FACHHOCHSCHULE BRANDENBURG FACHBEREICH INFORMATIK UND MEDIEN Konzeption und prototypische

Mehr

SAP BW + Microsoft Excel Viel genutzt, oft unterschätzt

SAP BW + Microsoft Excel Viel genutzt, oft unterschätzt Corporate Performance Management SAP BW + Microsoft Excel Viel genutzt, oft unterschätzt Martin Krejci, Manager CPM Matthias Schmidt, BI Consultant Kristian Rümmelin, Senior BI Consultant Braincourt GmbH

Mehr

Digitalisiert und dann?

Digitalisiert und dann? Digitalisiert und dann? Der Aufbau eines Workflows zur Verwaltung und Online-Stellung digitaler Reproduktionen des Landesarchivs Baden-Württembergs Made digital Wege und Ziele Koblenz, 26. November 2014

Mehr

TECHNISCHE HERAUSFORDERUNGEN UND ANSÄTZE DER NUTZUNG VON SENTINEL-DATEN CARSTEN BROCKMANN, MARTIN BOETTCHER BROCKMANN CONSULT GMBH

TECHNISCHE HERAUSFORDERUNGEN UND ANSÄTZE DER NUTZUNG VON SENTINEL-DATEN CARSTEN BROCKMANN, MARTIN BOETTCHER BROCKMANN CONSULT GMBH TECHNISCHE HERAUSFORDERUNGEN UND ANSÄTZE DER NUTZUNG VON SENTINEL-DATEN CARSTEN BROCKMANN, MARTIN BOETTCHER BROCKMANN CONSULT GMBH BROCKMANN CONSULT Gegr. 1999, Geesthacht bei Hamburg 28 Mitarbeiter davon

Mehr

Eine 15 jährige Wolkenklimatologie für Europa aus NOAA/AVHRR Daten im Vergleich zu Bodenbeobachtungen. R. Meerkötter, P. Bissolli, G.

Eine 15 jährige Wolkenklimatologie für Europa aus NOAA/AVHRR Daten im Vergleich zu Bodenbeobachtungen. R. Meerkötter, P. Bissolli, G. 24 DWD Klimastatusbericht 2004 Eine 15 jährige Wolkenklimatologie für Europa aus NOAA/AVHRR Daten im Vergleich zu Bodenbeobachtungen R. Meerkötter, P. Bissolli, G. Gesell Wolken beeinflussen den Strahlungshaushalt

Mehr

Einsatz von Fernerkundungs-Daten im Rahmen von FFH-Monitoring-Diensten in Deutschland:

Einsatz von Fernerkundungs-Daten im Rahmen von FFH-Monitoring-Diensten in Deutschland: Einsatz von Fernerkundungs-Daten im Rahmen von FFH-Monitoring-Diensten in Deutschland: get ready for SENTINEL @ All BfN-Skripten 388 2014 Einsatz von Fernerkundungs-Daten im Rahmen von FFH-Monitoring-Diensten

Mehr

Q-Modell. Klassifizierung * Status ** Projektname. Intern. Abgeschlossen LCA 1_Gruppe A

Q-Modell. Klassifizierung * Status ** Projektname. Intern. Abgeschlossen LCA 1_Gruppe A Gruppe A 1 Klasse 11 Medizin Informatioker Klassifizierung * Status ** Projektname Intern Projektabkürzung LCA 01 Projektnummer Projektleiter Auftraggeber Autor Initiale Bearbeitende Prüfende Genehmigende

Mehr

Compliance Monitoring mit PROTECHT.ERM

Compliance Monitoring mit PROTECHT.ERM covalgo consulting GmbH Operngasse 17-21 1040 Wien, Austria www.covalgo.at Compliance Monitoring mit PROTECHT.ERM Autor: DI Mag. Martin Lachkovics, Dr. Gerd Nanz Datum: 20. Oktober 2014, 29. April 2015

Mehr

EasternGraphics Produktunterlagen Anleitung zur Migration für pcon.update

EasternGraphics Produktunterlagen Anleitung zur Migration für pcon.update 2007-02-13 [BBA] 2007-02-14 [AWI] Hintergrund Zur Nutzung von pcon.update auf Ihrem System sind Anpassungen in Bezug auf Ihre pcon- Applikationen und OFML-Daten erforderlich. Dies trifft insbesondere dann

Mehr

Mobile Felddatenerfassung - als Marsmännchen in der Flur?

Mobile Felddatenerfassung - als Marsmännchen in der Flur? Mobile Felddatenerfassung - als Marsmännchen in der Flur? Vergleichende Betrachtung unterschiedlicher Systeme Titel Katrin Voigt, Gruppe für ökologische Gutachten 3. Anwendertreffen Mobiles GIS und GNSS

Mehr

Wissenschaftliches Arbeiten mit dem Programm Microsoft Word

Wissenschaftliches Arbeiten mit dem Programm Microsoft Word Wissenschaftliches Arbeiten mit dem Programm Microsoft Word Ein Leitfaden und Ratgeber für Studierende der Hochschule Fulda des Fachbereichs Sozialwesen Inhaltsverzeichnis VORWORT... 1 1. EINRICHTEN DES

Mehr

Modernes Kundenbetreuungsmanagement statt sporadischer Akquise Präsentation des CRM-Systems wald-wird-mobil.de

Modernes Kundenbetreuungsmanagement statt sporadischer Akquise Präsentation des CRM-Systems wald-wird-mobil.de Modernes Kundenbetreuungsmanagement statt sporadischer Akquise Präsentation des CRM-Systems wald-wird-mobil.de Lars Schmidt Geschäftsführer, gemeinnützige GmbH wald-wird-mobil.de PR/Marketing, Pollmeier

Mehr

BICYCLE RESEARCH REPORT NR. 131

BICYCLE RESEARCH REPORT NR. 131 BICYCLE RESEARCH REPORT NR. 131 September 2001 T. Asperges/U. Lehner-Lierz/M. C. Coppieters/K. Reiter et al. BYPAD Qualitätsmanagement für örtliche Radverkehrspolitik Sieben Module beschreiben die Qualität

Mehr

Dezentralisiertes Quality-of-Service Monitoring

Dezentralisiertes Quality-of-Service Monitoring Dezentralisiertes Quality-of-Service Monitoring Mai 2013 netidee Zwischenbericht Dieses Dokument informiert über den aktuellen Stand des Netidee 2012 Projektes Dezentralisiertes Quality-of-Service Monitoring.

Mehr

Bias-Korrektur von CLM-Niederschlagsdaten. in dynaklim. Markus Quirmbach, Elke Freistühler dr. papadakis GmbH

Bias-Korrektur von CLM-Niederschlagsdaten. in dynaklim. Markus Quirmbach, Elke Freistühler dr. papadakis GmbH Bias-Korrektur von CLM-Niederschlagsdaten für die Impactmodelle in dynaklim Markus Quirmbach, Elke Freistühler dr. papadakis GmbH Zusammenfassung bisheriger Erkenntnisse Bias in den Jahresniederschlagssummen

Mehr

Daten über den tiefen Untergrund

Daten über den tiefen Untergrund Daten über den tiefen Untergrund Die Kohlenwasserstoff-Datenbank des LBEG-Hannover Dr. H.-J. Brauner Übersicht: GeoZentrum Hannover und LBEG Erdölgeologischer Austausch & KW-Verbund Fachdaten Nachweisdaten

Mehr

Sven Vlaeminck Leibniz-Informationszentrum Wirtschaft (ZBW)

Sven Vlaeminck Leibniz-Informationszentrum Wirtschaft (ZBW) Sven Vlaeminck Leibniz-Informationszentrum Wirtschaft (ZBW) Inhaltsübersicht: > Projekthintergrund > Vorgehen und Zwischenstand Projektphase 1 > Vorgehen und Zwischenergebnisse ökonomische Anreizanalyse

Mehr

Dokumentation zu PROGRAMM I. Digitales Gelände Modell und farbhypsometrisches Overlay der Haller Mauern (Steiermark/Oberösterreich)

Dokumentation zu PROGRAMM I. Digitales Gelände Modell und farbhypsometrisches Overlay der Haller Mauern (Steiermark/Oberösterreich) Dokumentation zu PROGRAMM I Digitales Gelände Modell und farbhypsometrisches Overlay der Haller Mauern (Steiermark/Oberösterreich) Verfasserin: Egger Michaela Matrikelnummer: 0908356 Lehrveranstaltung:

Mehr

Neues vom IT-Grundschutz: Ausblick und Diskussion

Neues vom IT-Grundschutz: Ausblick und Diskussion Neues vom IT-Grundschutz: Ausblick und Diskussion Holger Schildt Bundesamt für Sicherheit in der Informationstechnik Grundlagen der Informationssicherheit und IT-Grundschutz 4. IT-Grundschutz-Tag 2014

Mehr

Methodik zur zeitnahen Abschätzung von Überflutungssituationen infolge von Deichbrüchen

Methodik zur zeitnahen Abschätzung von Überflutungssituationen infolge von Deichbrüchen Methodik zur zeitnahen Abschätzung von Überflutungssituationen infolge von Deichbrüchen Magdeburg, 03. Juni 2015 UniWasser, Kaiserslautern geomer GmbH, Heidelberg Hochschule Magdeburg-Stendal Gliederung»

Mehr

MATERNA Beschwerde-Management-Check. Umsetzungsorientierte Bestandsaufnahme zum Beschwerde-Management in Versicherungen

MATERNA Beschwerde-Management-Check. Umsetzungsorientierte Bestandsaufnahme zum Beschwerde-Management in Versicherungen MATERNA Beschwerde-Management-Check Umsetzungsorientierte Bestandsaufnahme zum Beschwerde-Management in Versicherungen >> MATERNA Beschwerde-Management-Check Ist in Ihrer Versicherung die Einführung,

Mehr

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining. Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen

Mehr

Datenqualität: allgemeiner Überblick Waldemar Braun. Seminar Datenqualität OvGU Magdeburg 03.12.2009

Datenqualität: allgemeiner Überblick Waldemar Braun. Seminar Datenqualität OvGU Magdeburg 03.12.2009 Datenqualität: allgemeiner Überblick Waldemar Braun Seminar Datenqualität OvGU Magdeburg Gliederung 1. Einleitung 2. Motivation 3. Definition 4. DQ-Probleme 5. DQ-Dimensionen 6. DQ-Modelle 7. Messen der

Mehr

Weiterentwicklung der EN 50128 (VDE 0831-128) 128) Umsetzung im Bahnbereich

Weiterentwicklung der EN 50128 (VDE 0831-128) 128) Umsetzung im Bahnbereich Weiterentwicklung der EN 50128 (VDE 0831-128) 128) Umsetzung im Bahnbereich Andreas Armbrecht Siemens AG Darmstadt, 01. 02. Dezember 2009 Business Unit Rail Automation Systeme der Eisenbahnautomatisierung

Mehr

Unterstützung von Monitoringaufgaben mit OpenSource- Weblösungen Beispiel für eine interaktive FFH-Gebietsbetreuung in Brandenburg

Unterstützung von Monitoringaufgaben mit OpenSource- Weblösungen Beispiel für eine interaktive FFH-Gebietsbetreuung in Brandenburg Unterstützung von Monitoringaufgaben mit OpenSource- Weblösungen Beispiel für eine interaktive FFH-Gebietsbetreuung in Brandenburg Annett FRICK Zusammenfassung Im Rahmen der EU-Gesetzgebung kommen auf

Mehr

Zwischenbericht I der TU Dortmund

Zwischenbericht I der TU Dortmund D-Grid IaaS - Erweiterung der D-Grid Basis für die kommerzielle Nutzung Zwischenbericht I der TU Dortmund Datum 14. Januar 2011 Version 1.0 Status Referenz Final Autoren: Stefan Freitag (Technische Universität

Mehr

Software Engineering Projekt (SEP) mit ROBOCODE

Software Engineering Projekt (SEP) mit ROBOCODE Software Engineering Projekt (SEP) mit ROBOCODE Klaus Knopper Stand: 2014 http://robocode.sourceforge.net/ Kurzbeschreibung Es wird mit den Methoden des Software Engineering in Teamarbeit

Mehr

Meldungsanalyse und Mapping im Katastrophenfall mittels Social Media Monitoring

Meldungsanalyse und Mapping im Katastrophenfall mittels Social Media Monitoring Meldungsanalyse und Mapping im Katastrophenfall mittels Social Media Monitoring André Dittrich, Christian Lucas 50. AgA-Tagung, Frankfurt am Main, 23. September 2013 Institut für Photogrammetrie und Fernerkundung,

Mehr

Daten im Fluss Ein ISK-Projekt im Nationalpark Unteres Odertal

Daten im Fluss Ein ISK-Projekt im Nationalpark Unteres Odertal Daten im Fluss Ein ISK-Projekt im Nationalpark Unteres Odertal Dr. Jana Chmieleski (Hochschule für nachhaltiges Entwicklung Eberswalde), Frank Herrmann (Beuth-Hochschule für Technik Berlin) Prof. Dr. Max

Mehr

Dokumentation RabattManagerLX Pro. Version 1.0.901.1

Dokumentation RabattManagerLX Pro. Version 1.0.901.1 Dokumentation RabattManagerLX Pro Version 1.0.901.1 Dokumentation RabattManagerLX Pro Version 1.0.901.1 Was ist RabattManagerLX Pro? RabattManagerLX Pro ist ein Programm um individuelle Warengruppen-Rabatte

Mehr

MAGS2 EP2. Tobias Megies, Joachim Wassermann. Department für Geo- and Umweltwissenschaften (Geophysik) Ludwig-Maximilians-Universität München

MAGS2 EP2. Tobias Megies, Joachim Wassermann. Department für Geo- and Umweltwissenschaften (Geophysik) Ludwig-Maximilians-Universität München MAGS2 EP2 Untersuchungen zur optimierten seismischen Überwachung hydrogeothermaler Systeme bei dichter räumlicher Lage der Bohrerlaubnisfelder am Beispiel der Situation im Süden Münchens Tobias Megies,

Mehr

Erstellen von Postern mit PowerPoint

Erstellen von Postern mit PowerPoint Erstellen von Postern mit PowerPoint Ziel Wer soll durch das Poster angesprochen werden? Welche Informationen sollen durch das Poster übermittelt werden? Ein Poster kombiniert Abbildungen und Texte, um

Mehr

Versuchsauswertung mit Polynom-Regression in Excel

Versuchsauswertung mit Polynom-Regression in Excel Versuchsauswertung mit Polynom-Regression in Excel Aufgabenstellung: Gegeben sei die in Bild 1 gezeigte Excel-Tabelle mit Messwertepaaren y i und x i. Aufgrund bekannter physikalischer Zusammenhänge wird

Mehr

Projektmanagement Aufgabenstellung

Projektmanagement Aufgabenstellung Modulprüfungen SVF-ASFC Ausgabe Herbst 2010 Projektmanagement Aufgabenstellung Dauer der Prüfung: 60 Minuten Erlaubte Hilfsmittel: keine Kleben Sie Ihre Prüfungsmarke hier auf! Punkte: Note: Unterschrift

Mehr

IT-basierte Erstellung von Nachhaltigkeitsberichten. Diplomarbeit

IT-basierte Erstellung von Nachhaltigkeitsberichten. Diplomarbeit IT-basierte Erstellung von Nachhaltigkeitsberichten Diplomarbeit zur Erlangung des Grades eines Diplom-Ökonomen der Wirtschaftswissenschaftlichen Fakultät der Leibniz Universität Hannover vorgelegt von

Mehr

Erfolg und Vermögensrückgänge angefertigt im Rahmen der Lehrveranstaltung Nachrichtentechnik von: Eric Hansen, eric-hansen@gmx.de am: 07.09.

Erfolg und Vermögensrückgänge angefertigt im Rahmen der Lehrveranstaltung Nachrichtentechnik von: Eric Hansen, eric-hansen@gmx.de am: 07.09. Abstract zum Thema Handelssysteme Erfolg und Vermögensrückgänge angefertigt im Rahmen der Lehrveranstaltung Nachrichtentechnik von: Eric Hansen, eric-hansen@gmx.de am: 07.09.01 Einleitung: Handelssysteme

Mehr

Analyse von Normen/Regelwerken zur Ermittlung von Auditkriterien /-forderungen am Beispiel der Unternehmenspolitik.

Analyse von Normen/Regelwerken zur Ermittlung von Auditkriterien /-forderungen am Beispiel der Unternehmenspolitik. Forderungen zur Unternehmenspolitik aus diversen Normen und Regelwerken Feststellung und Dokumentation der Forderungen zur Unternehmenspolitik verschiedener Normen und Regelwerke. Schritt 1: Hier auszugsweise

Mehr

1. Biometrische Planung

1. Biometrische Planung 1. Biometrische Planung Die biometrische Planung ist Teil der Studienplanung für wissenschaftliche Studien, in denen eine statistische Bewertung von Daten erfolgen soll. Sie stellt alle erforderlichen

Mehr

BRAIN Business- und PPS-Software Leitfaden APManager Release-Anhebung APMREL-0198-B512-01 Diese Veröffentlichung bezieht sich auf das Release 1.2 des Software-Systems BRAIN. Sie wird herausgegeben von

Mehr

Buzzword Bingo Game Documentation (Java based Game)

Buzzword Bingo Game Documentation (Java based Game) Buzzword Bingo Game Documentation (Java based Game) Meppe Patrick Djeufack Stella Beltran Daniel April 15, 2011 1 Inhaltsverzeichnis 1 Einleitung 3 2 Aufgabenstellung 3 3 Allgemeines zu Buzzword Bingo

Mehr

Abgleich von ISBNs in Webseiten / Listen mit dem Bibliothekskatalog (Dokumentation UB Rostock / Stand: 08.11.2011)

Abgleich von ISBNs in Webseiten / Listen mit dem Bibliothekskatalog (Dokumentation UB Rostock / Stand: 08.11.2011) Abgleich von ISBNs in Webseiten / Listen mit dem Bibliothekskatalog (Dokumentation UB Rostock / Stand: 08.11.2011) Eingesetzte Werkzeuge a) AutoLink TIB/UB Feature: Automatischer Abgleich von ISBNs in

Mehr

3. Entscheidungsbäume. Verfahren zum Begriffslernen (Klassifikation) Beispiel: weiteres Beispiel: (aus Böhm 2003) (aus Morik 2002)

3. Entscheidungsbäume. Verfahren zum Begriffslernen (Klassifikation) Beispiel: weiteres Beispiel: (aus Böhm 2003) (aus Morik 2002) 3. Entscheidungsbäume Verfahren zum Begriffslernen (Klassifikation) Beispiel: weiteres Beispiel: (aus Böhm 2003) (aus Morik 2002) (aus Wilhelm 2001) Beispiel: (aus Böhm 2003) Wann sind Entscheidungsbäume

Mehr

A-Plan 12.0. Zeiterfassung 2.0. Ausgabe 1.1. Copyright. Warenzeichenhinweise

A-Plan 12.0. Zeiterfassung 2.0. Ausgabe 1.1. Copyright. Warenzeichenhinweise A-Plan 12.0 Zeiterfassung 2.0 Ausgabe 1.1 Copyright Copyright 1996-2014 braintool software gmbh Kein Teil dieses Handbuches darf ohne ausdrückliche Genehmigung von braintool software gmbh auf mechanischem

Mehr

Der Paarweise Vergleich (Prioritization Matrix) Die richtigen Entscheidungen vorbereiten Autor: Jürgen P. Bläsing

Der Paarweise Vergleich (Prioritization Matrix) Die richtigen Entscheidungen vorbereiten Autor: Jürgen P. Bläsing QUALITY-APPs Applikationen für das Qualitätsmanagement Testen und Anwenden Der Paarweise Vergleich (Prioritization Matrix) Die richtigen Entscheidungen vorbereiten Autor: Jürgen P. Bläsing Die Methode

Mehr

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen 4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form

Mehr

Prüfkatalog nach ISO/IEC 27001

Prüfkatalog nach ISO/IEC 27001 Seite 1 Prüfkatalog nach ISO/IEC 27001 Zum Inhalt Konzeption, Implementierung und Aufrechterhaltung eines Informationssicherheits Managementsystems sollten sich an einem Prüfkatalog orientieren, der sowohl

Mehr

"sf CT CO. Ps r" C? LU O. «t Oi. rs, <3- co LU Q G01T1/167. BUNDESREPUBLIK @ Offenlegungsschrift. DEUTSCHLAND ^ 3f DEUTSCHES PATENTAMT

sf CT CO. Ps r C? LU O. «t Oi. rs, <3- co LU Q G01T1/167. BUNDESREPUBLIK @ Offenlegungsschrift. DEUTSCHLAND ^ 3f DEUTSCHES PATENTAMT BUNDESREPUBLIK @ Offenlegungsschrift DEUTSCHLAND ^ 3f @ Aktenzeichen: P 31 47 894.8 @ Anmeldetag: 3.12.81 DEUTSCHES @ Offenlegungstag: 16. 6.83 PATENTAMT jj) Anmelder: < ) Zusatz zu: P 30 45 578.8 Klein,

Mehr

Indikatoren für Ökosystemleistungen: Der Schweizer Ansatz

Indikatoren für Ökosystemleistungen: Der Schweizer Ansatz Eidgenössisches Departement für Umwelt, Verkehr, Energie und Kommunikation UVEK Bundesamt für Umwelt BAFU Abteilung Ökonomie und Umweltbeobachtung Indikatoren für Ökosystemleistungen: Der Schweizer Ansatz

Mehr

Handbuch. XMLCreater. Version 2.0

Handbuch. XMLCreater. Version 2.0 Handbuch XMLCreater Version 2.0 Autor: S.Merta Datamatec GmbH (c) Copyright 2012 Datamatec GmbH Seite 1 von 14 27.01.2012 Inhaltsverzeichnis Produktbeschreibung... 3 Installationen und Einstellungen...

Mehr

Zusammenfassung der Umfrageergebnisse Customer Intelligence in Unternehmen 23.12.2010

Zusammenfassung der Umfrageergebnisse Customer Intelligence in Unternehmen 23.12.2010 Zusammenfassung der Umfrageergebnisse Customer Intelligence in Unternehmen 23.12.2010 Autoren: Alexander Schramm Marcus Mertens MuniConS GmbH Einleitung Unternehmen verfügen heute über viele wichtige Informationen

Mehr

Data Quality Management: Abgleich großer, redundanter Datenmengen

Data Quality Management: Abgleich großer, redundanter Datenmengen Data Quality Management: Abgleich großer, redundanter Datenmengen Westendstr. 14 809 München Tel 089-5100 907 Fax 089-5100 9087 E-Mail Datras@Datras.de Redundanz und relationales Datenbankmodell Redundanz:

Mehr

Leitfaden zum Erstellen der Projektarbeit

Leitfaden zum Erstellen der Projektarbeit Leitfaden zum Erstellen der Projektarbeit an der Höheren H http://www.slideshare.net www.slideshare.net/rudolpdo/vorgehensweise vorgehensweise-projektarbeit Was ist gefordert? Projektmanagement Unterlagen

Mehr

pimoto - Ein System zum verteilten passiven Monitoring von Sensornetzen

pimoto - Ein System zum verteilten passiven Monitoring von Sensornetzen pimoto - Ein System zum verteilten passiven Monitoring von Sensornetzen Rodrigo Nebel Institut für Informatik Lehrstuhl für Rechnernetze und Kommunikationssysteme (Informatik 7) Friedrich-Alexander-Universität

Mehr

Geplanter Einsatz von MultiBaseCS zur Erfassung der Verbreitung von Arten in M-V

Geplanter Einsatz von MultiBaseCS zur Erfassung der Verbreitung von Arten in M-V Geplanter Einsatz von MultiBaseCS zur Erfassung der Verbreitung von Arten in M-V Bilder 34u Margot Holz, LUNG 230-2 Güstrow, 8. Juni 2010 Artenerfassung im LUNG Ausgangssituation in M-V nach Landesnaturschutzgesetz

Mehr