RapidEye Daten zur Erfassung von Pflanzenvielfalt in westlicher Himalaya-Region

Größe: px

Ab Seite anzeigen:

Download "RapidEye Daten zur Erfassung von Pflanzenvielfalt in westlicher Himalaya-Region"

Clemens Simen
vor 7 Jahren
Abrufe

1 RESA Workshop März 2016 RapidEye Daten zur Erfassung von Pflanzenvielfalt in westlicher Himalaya-Region Siddhartha Khare 1 Hooman Latifi 2 Sanjay Kumar Ghosh 1 1- Geomatics Engineering Group,Indian Institute of Technology Roorkee (IIT), India 2- Lehrstuhl für Fernerkundung, Universtät Würzburg

2 Einführung: Idee und Motivation Agenda Ziele und Methodik Ergebnisse, Schlussfolgerung und Ausblicke

3 Idee und Motivation Indiens Himalaya- Ökosystem ist unter den wichtigen Mega- Biodiversitätszentren der Welt Fokus Pflanzenart envielfalt Biodiversity Hotspots as defined by Conservation International

4 Ziele Fernerkundungsgestützte Ableitung von Biodiversitätsindizes (Simpson Diversity, u. Diversity Index) mittels Objektbasierter Ansatz Korrelation zwischen RE-abgeleiteten und feldbasierten Biodiversitätsindizes Modellierung der feldbasierten Pflanzenbiodiversitätsparameter auf Grundlage des NDVI in Waldgebieten

5 Methodik

6 Studiengebiet: Lachiwala

7 Vorprozessierung der RapidEye-Szene im ATCOR 3 Vergleich von Rohddaten und ATCOR-prozessierten Daten Rohdaten LEVEL 3A Produkt: Orthorektifizierte RE- Kacheln je km Radiometrisch u. geometrischkorrigiert Vorprozessierungsergebnisse Topo-Korrektur Geringe Artifakten sind noch vorhanden: Unterschiedliche Auflösung von RE- Daten und DGM (Cartosat I) Jedoch deutliche Verbesserung im Vergleich zu den RE-Rohdaten

8 ATCOR 3 Oberfläche

9 Visuelle Vergleich zwischen Roh- und ATCOR-prozessierten Daten Tetsgebiet : Lachhiwala Forest Range Rohdatei Vorprozessierte Datei

10 Berechnung der Indizes Index Formel Beschreibung Artenvielfalt (Species richness) Simpson Diversity ss NN D = 1 - ss ii=1 pp ii 2 Ein Maß für die Anzahl der Arten in einer Stichprobe. Wobei s= der Anzahl der Spezies und N = der Gesamtzahl der Einzelorganismen in der Probefläche Werte zwischen 0 und 1, wobei s = die Anzahl der Arten und pi = der Anteil der Spezies i. NDVI red NDVI rededge NNNNNN RRRRRR NNNNNN + RRRRRR NNNNNN RRRRRRRRRRRRRR NNNNNN + RRRRRRRRRRRRRR Normalised difference vegetation greenness Red-edge Normalized difference vegetation index

11 Stichproben und Stichprobendesign Testgebiet I Felddaten wurden an insgesamt 50 Probeflächen gesammelt Stichprobengröße = m 2 20 Stichproben zur Datenentnahme von Strauchschicht 30 Stichproben zur Datenentnahme von Krautschicht Jedes RE-Bild wurde zunächst mittels Schachbrett Segmentierung in quadratische Bildobjekte der gleichen Größe segmentiert Die Objektgröße = m (2 2 RE- Pixel)

12 Ergebnisse Testgebiet I Species Richness bei Feldaufnahme

13 Ergebnisse Testgebiet I Simpson diversity bei Feldaufnahme

14 Ergebnisse Testgebiet I Univariate Statistik von Bild-abgeleitetem und Feldbasiertem Simpson Diversity Index mit Artenvielfalt

15 Stichproben und Stichprobendesign Testgebiet II Ähnlich wie im Testgebiet I mit 50 Stichproben

16 Ergebnisse Testgebiet II Species Richness bei Feldaufnahme

17 Ergebnisse Testgebiet II Simpson Diversity bei Feldaufnahme

18 Ergebnisse Testgebiet II Univariate Statistik von Bild-abgeleitetem und Feldbasiertem Simpson Diversity Index mit Artenvielfalt

19 Univariate Korrelation von RE-abgeleitetem NDVI aus Red und Rededge Bänder mit Feldbasiertem Simpson Index Testgebiet II Testgebiet I

20 Vergleich von NDVI-Variationen von Testgebieten I und II

21 Schlussfolgerung Schachbrettsegmentierung ist ein praktischer Ansatz für die Efassung des typischen Biodiversitäts-Stichprobendesigns mit Fernerkundungsdaten RE-abgeleiteter NDVI kann bei Abschätzung der Artenvielfalt verwendet werden NDVI kann als guter Prädiktorvariabel bei Abschätzung von Species Richness und Simpson Diversity Index dienen Die Korrelation zwischen RE-modeliertem und feldbasiertem Simpson D. im Testgebiet II ist negative, welche auf Bodenreflexion zurückzuführen ist. Eine testgebiet-spezifische SAVI-Ableitung könnte hilfreich sein (?)

22 Zukunftsausblicke Multitemporale RE-Datenanwendung Multi-saisonal (+ pre-monsun u. post-monsun) statt nur in Monsun-Saison Andere repräsentative Testgebiete von der Region Weitere Vegetationsindizes (z.b. SAVI) Zusätzliche Miteinbeziehung von grey level co-occurrence matrices (GLCM- Texturmerkmale) Endgültiges Projektziel: räuml. Verteilungsmuster der invasiven und heimischen Spezies über 8 versch. Testgebiete in westlicher Himalaya Region

23 Zeitplan der Verwertung der erworbenen RE-Daten Milestone 1 Jan 10 Milestone 3 Mar 14 Milestone 4 Jun 29 Milestone 5 Oct 20 Milestone 6 Nov 30 Ja n Fe b 2016 Mar Oct 2016 Today Ap r Ma y Ju n Ju l Au g Se p No v De c Task 1 Jan 1 Jan 31 Task 2 Task 3 Mar 15 June 30 Task 4 Task 4 Task 6 June 15 - Oct 20 Oct 21 - Nov 15 Nov 16 - Dec 20

24 Vielen Dank für die Aufmerksamkeit

Ähnliche Dokumente

Statistische Ableitung des LAI für Grünland aus RapidEye-Daten und In-situ-Messungen - Untersuchungen in dem Einzugsgebiet der Ammer

Statistische Ableitung des LAI für Grünland aus RapidEye-Daten und In-situ-Messungen - Untersuchungen in dem Einzugsgebiet der Ammer Heiko Fabritius Lehrstuhl für Fernerkundung, Universität Würzburg Motivation