Digitales Landschaftsmodell für Deutschland DLM-DE. Konzeption und Umsetzung

Transkript

1 AgA 2010 Dresden Oktober 2010 Digitales Landschaftsmodell für Deutschland DLM-DE Konzeption und Umsetzung Stephan Arnold (Dipl.-Geograph) Bundesamt für Kartographie und Geodäsie, Geodäsie BKG Frankfurt am Main 1

2 AgA 2010 TU Dresden Oktober 2010 Digitales Landschaftsmodell für Deutschland DLM-DE Konzeption und Umsetzung Gliederung 1. Motivation 2. Konzept des DLM-DE 3. Hintergründe CORINE 4 4. V Vorarbeiten b it (Pre-Processing) (P P i ) 5. Umsetzung Datenbeispiele 6. Herausforderungen 6 e aus o de u ge 7. Ausblick und Planung 8. Zusammenfassung AgA 2010 TU Dresden - Stephan Arnold - DLM-DE 2

3 1. Hintergründe: Motivation Generell gilt: Datennutzer drängen auf höhere räumliche und zeitliche Auflösung bei Landnutzungs- und Landbedeckungsinformationen, als es derzeitig europaweit verfügbare Datensätze bieten können (z.b. CORINE Land Cover - CLC). Interoperabilität zwischen Geobasisdaten und thematischen Geofachdaten hat hohe Bedeutung Kosteneinsparungen sind möglich durch Verwendung von bereits existierenden Daten und Vermeidung von redundanter Datenproduktion 3

4 2. Konzept des DLM-DE LC (Land Cover Komponente) In-Situ Data: ATKIS Basis-DLM - Topographische Reference Daten - Maßstab b : Quelle: LVÄ Fernerkundung: - Landbedeckungsinfo ngsinfo durch Analyse von Satellitenbildern - Bezugsjahr 2009 IntegrierterDatensatz DLM-DE - Corine Land Cover nomenclature - Bezugsjahr MKF 1 ha + => ATKIS-Basis-DLM Rapid Eye Update DLM-DE LC

5 2. Konzept des DLM-DE: Technische Details Ausgangsdatensatz für DLM-DE ist ATKIS Basis-DLM, eingefroren zum Stichjahr der Satellitenbilder (2009), Aktualisierung/Verifizierung erfolgt nur für flächenhafte, landbedeckungsrelevante Objektarten Basis-DLM wird in vereinfachter Form zur Bearbeitung aufbereitet (BDLM_flach), Linien- und Punktobjekte werden im BDLM_flach nicht verwendet Mindestkartierfläche (MKF) = 1 ha 5

6 3. Hintergründe: Historie von CORINE Land Cover CORINE = Coordination of Information on the Environment (CLC) Ausgangssituation (1980er): Geodaten zu Landbedeckung in EU-MS kaum vorhanden bzw. nicht miteinander vergleichbar Ziel: Datensatz zur Umweltinformation, für ganz Europa nach staatenübergreifend einheitlichen Regeln bezüglich - gemeinsame Aktualität / Erfassungszeitfenster - einheitliche Nomenklaturen - gleiche Mindestgrößen für Flächenerfassung Ersterfassung von CLC durch fernerkundliche Auswertung von Satellitenbildern zum Referenzjahr 1990 Zweite Erfassung als Aktualisierung i zum Referenzjahr 2000 Dritte Erfassung als Aktualisierung zum Referenzjahr 2006, Produktion von CLC2006 abgeschlossen 6

7 3. Hintergründe: CORINE Land Cover-Klassen [ Hierarchie Ebenen, keine Überlagerung! ] 7

8 3. Hintergründe: CORINE Land Cover-Klassen [ Hierarchie Ebenen, keine Überlagerung g! ] Deutschland: insgesamt 37 von 44 CLC Klassen 8

9 3. Hintergründe: Karte CORINE Land Cover 2006 CLC 2006 Gesamtschau teilnehmende Staaten (39) 9

10 3. Hintergründe: Vergleich DLM-DEDE und CLC ATKIS CLC Maßstab: 1: : : MKF: ha 25 ha Anwendungs- reg./lokal europ./nat./reg. Ebene: Zuständigkeit: i Länder/BKG UBA (DE) Hauptdaten- Luftbilder Satellitenbilder quelle: ( 0,5m x 0,5m) (~ 20m x 20m) 10

11 3. Hintergründe: Vergleich DLM-DEDE und CLC Vorteile des DLM-DE als Datenquelle für CLC-Ableitung verglichen mit herkömmlichen finanzierbaren Satellitenbilddaten: räumlich hoch auflösende Luftbilder als Datenquelle des Basis-DLM Höhere geometrische Lagegenauigkeit (3 m) Klare geometrische Abgrenzung von Objektarten bzw. Landbedeckungsklassen. Vektor-Format Höhere erwartete thematische Basis-DLM enthält in Attributen bereits Großteil der Infos zu Landbedeckung/-nutzung. d Genauigkeit durch Verringung visueller Fehlinterpretation der Satellitenbilder 11

12 Workflow DLM-DE LC Schritt 1: Preprocessing Verflachung des ATKIS Basis-DLM automatischer Prozess Schritt 2: Anwendung Semantische Transformation ATKIS zu CLC (Corine Land Cover) automatischer Prozess Schritt 3: Aktualisierung / Verifikation basierend auf Satellitenbildern (Rapid Eye) halb-automatisch / manueller Prozess ATKIS freeze 2009 BDLM_flach 2009 DLM-DE LC 2009 Imagery2009 Aux Data GMES, Maps Schritt 4: Ableitung CLC High Resolution (1 ha) automatischer Prozess Schritt 5: Generalization MKF 1 ha nach MKF 25 ha, automatischer Prozess CLC2009 HR 1 ha CLC2009 LR 25 ha 12

13 4. Vorarbeiten: Auswahl CLC-relevanter Objaktarten Ebenenstruktur des ATKIS Basis DLM: Siedlung, Verkehr, Vegetation, Gewässer Insgesamt 99 Objektarten 13

14 4. Vorarbeiten: Semantische Transformation Harmonisierung der Topographischen Referenzdaten und Landbedeckungsdaten durch Abgleich des ATKIS Basis-DLM Objektartenkatalog mit der CLC- Nomenklatur Aufgreifen von identischen und ähnlichen bzw. abweichenden Definitionen iti in beiden Nomenklaturen, Zuweisung (eindeutig oder mehrfach) der Basis-DLM Objekte zu korrespondierenden CLC-Klassen Semantische Transformation-Tabelle (STT) von ATKIS nach CLC 14

15 4. Vorarbeiten: Semantische Transformation Auszug STT: Eindeutige Zuordnung: Beispiel 2111 Wohnbaufläche ATKIS Basis-DLM Objektart Objektart Attribut Attribut Attribut Code Name Name Wert Beschreibung 2101 Ortslage 2111 Wohnbaufläche Offene Bebauung 1000 Ja 9997 Tifft Trifft nicht zu 2112 Industrie- und Gewerbefläche 15

16 4. Vorarbeiten: Semantische Transformation Auszug STT: Eindeutige Zuordnung: Beispiel 2111 Wohnbaufläche ATKIS Basis-DLM Corine Land Cover Objektart Objektart Attribut Attribut Attribut Klasse Klasse Code Name Name Wert Beschreibung Code Beschreibung 2101 Ortslage 2111 Wohnbaufläche Offene Bebauung nicht relevant 1000 Ja Tifft Trifft nicht zu Industrie- und Gewerbefläche 121 Nicht durchg. städt. Prägung Durchg. städt. Prägung Industrie- und Gewerbefläche e e 16

17 4. Vorarbeiten: Semantische Transformation Auszug STT: Mehrdeutige Zuordnung: Beispiel 2213 Friedhof ATKIS Basis-DLM Objektart Objektart Code Name 2213 Friedhof 17

18 4. Vorarbeiten: Semantische Transformation Auszug STT: Mehrdeutige Zuordnung: Beispiel 2213 Friedhof ATKIS Basis-DLM Corine Land Cover Objektart Objektart Klasse Klasse Code Name Code Name 2213 Friedhof Durchg. städt. Prägung Nicht durchg. städt. Prägung Städtische Grünfläche Definition schließt ein unvegetated and vegetated cemeteries < 25 ha inside continuous urban fabric unvegetated and vegetated cemeteries < 25 ha within discontinuous urban fabric Cemeteries with vegetation in settlements ( >= 25 ha) 142 Sport und Freizeitanlagen Cemeteries with vegetation outside settlements ( >= 25 ha) Differenzierung i nach Lage im Raum möglich (innerhalb/außerhalb h 2101 Ortslage). 18

19 4. Vorarbeiten: Anpassung des Objektartenkatalogs (OK) Fehlende Entsprechungen von CLC-Klassen im ATKIS OK (alt) sind gefüllt durch neue Objektarten / modifizierte Definition im DLM-DE OK Relevante CLC-Klassen für neue DLM-DE Objektarten für modifizierte Definitionen 133 Baustellen (nur teilweise) 311 Laubwald 242 Komplexe Parzellenstruktur 312 Nadelwald 243 Landwirtschaft mit nat. Veg. 313 Mischwald 321 Natürliches Grasland Spezifikationen 31x: 324 Wald-Strauch-Übergang 30% Kronendichte oder 333 Spärliche Vegetation 500 Bäume/ha. 421 Salzwiesen 521 Lagunen 75% Anteil Laubtyp 522 Mündungsgebiete Alle übrigen CLC-Klassen können aus ATKIS Basis DLM abgeleitet werden. Unterstrichene Klassen sind in den OK des AAA-Modell integriert. 19

20 4. Vorarbeiten: Auflösung der Überlagerungen Hierarchische Reihenfolge des BDLM_flach für alle land cover-relevanten ATKIS-Ebenen bzw. Objektarten, nach der die Überlagerungen überschreibend aufgelöst werden zum BDLM_flach _ 20

21 Auszug aus Ebenenstruktur des ATKIS Basis-DLM 4. Vorarbeiten: Auflösung der Überlagerungen Gewässer Industrie + Gewerbe Siedlung Wohnbau Siedlung Grundflächen Siedlung Überlagerungen Vegetation 21

22 4. Vorarbeiten: Auflösung der Überlagerungen BDLM_flach (flache Struktur des Basis-DLM) Überlagerungs Überlagerungs Informations Layer AgA 2010 TU Dresden - Stephan Arnold - DLM-DE 22

23 RapidEye Imagery: Technical Details 5 Satellites: TACHYS rapid, MATI eye, CHOMA earth, CHOROS space, TROCHIA orbit Ground Sampling Spectral Bands: Distance (Nadir): 6.5 m 1) Blue nm 2) Green nm Pixel Size (orthorectified): 5 m 3) Red nm 4) Red Edge nm Swath Width: 77 km 5) NIR nm Revisit Time: daily Equator Crossing Time: Image Capture Capacity: 11:00 a.m. 4 Million km² daily Graphic/Fotos: RapidEye AG 23

24 5. Umsetzung: CH_TYPE BDLM_flach Ü Infolayer ATKIS Layer Bild 4101 / CLC_BKG / CLC_BKG 231, 321, 141 / 4101 / CLC_BKG / CLC_BKG 231, 321, 141 CLC 211 CLC 231 CLC 211 DLM DE CLC_UPD 211 CH_TYPE 20 CLC_UPD 231 CH_TYPE 40 CLC_UPD 211, CH_TYPE 30 CH_TYPE Werte: 0 = Bestätigung des eindeutigen Vorschlags CLC_BKG ohne geom. Änderung 1 = eindeutige Zuweisung aus mehrdeutigem Vorschlag CLC_BKG 20 = geometrische Änderung (Verkleinerung) bei eindeutigem CLC_BKG 21 = geometrische Änderung (Verkleinerung) und eindeutige i Zuweisung aus mehrdeutigem CLC_BKG 30 = thematische Änderung 31 = thematische ti h Änderung, bestätigt tdurch hatkis alternativ ti (Hinweis aus Ü Infolayer zu im BDLM_flach überdecktem Objekt) 40 = geometrische & thematische Änderung 41 = geometrische & thematische Änderung, bestätigt durch ATKIS alternativ (Hinweis aus Ü Infolayer zu im BDLM_flach überdecktem Objekt) 24

25 5. Umsetzung: Datenbeispiel Dresden Rapid Eye, RGB AgA 2010 TU Dresden - Stephan Arnold - DLM-DE 25

26 5. Umsetzung: Datenbeispiel Dresden CLC

27 5. Umsetzung: Datenbeispiel Dresden CLC 2006 (schwarz) + DLM-DE DE

28 5. Umsetzung: DLM-DE 2009 vor (li.) und nach (re.) der Aktualisierung Erhebliche Genauigkeitssteigerung bei DLM-DE2009 DE2009 bezüglich der Erfassung der Vegetation (Wald) im Vgl. zu ATKIS (Ausgangsdaten) AgA 2010 TU Dresden - Stephan Arnold - DLM-DE 28

29 6. Herausforderungen: Mischklassen Generierung der CLC-Mischklassen: 242 Komplexe Parzellenstrukturen /243 Landwirtsch. mit nat. Vegetation, Keine Entsprechung im OK des ATKIS-Basis-DLM CLC Nomenklatur Komplexe Parzellenstrukturen DLM-DE Ackerland Grünland / Weide Wald / Forst Siedlung AgA 2010 TU Dresden - Stephan Arnold - DLM-DE 29

30 6. Herausforderungen: Generalisierung Development of generalization rules (in coop. with Univ. Hannover) Example: Rule based Dissolving of area features < MMU to 25 ha Semantic Rule: neighbours of similar land cover (SLC) SLC AgA 2010 TU Dresden - Stephan Arnold - DLM-DE 30

31 6. Herausforderungen: Generalisierung Development of generalization rules (in coop. with Univ. Hannover) Example: Rule based Dissolving of area features < MMU to 25 ha Semantic Rule: neighbours of similar land cover (SLC) Geometric Rule: neighbour with biggest area size (BAS) SLC AgA 2010 TU Dresden - Stephan Arnold - DLM-DE BAS 31

32 6. Herausforderungen: Generalisierung Development of generalization rules (in coop. with Univ. Hannover) Example: Rule based Dissolving of area features < MMU to 25 ha Semantic Rule: neighbours of similar land cover (SLC) Geometric Rule: neighbour with biggest area size (BAS) or neighbour with longest common border (LCB) SLC LCB AgA 2010 TU Dresden - Stephan Arnold - DLM-DE BAS 32

33 6. Herausforderungen: Pseudo Changes Methodenwechsel von konventioneller EEA-Methodik zur CLC-Ableitung aus DLM-DE DE ergibt geometrische Abweichungen ( Pseudo Changes ) ) in Form von unterschiedlich verlaufenen Objektgrenzen bei tatsächlich unveränderter Landbedeckung. Quantifizierung der Abweichung durch Differenzbildung der Datensätzen ist Ziel laufender Entwicklungen. CLC2000 DLM-DE AgA 2010 TU Dresden - Stephan Arnold - DLM-DE 33

34 6. Herausforderungen: Separatoren bei Generalisierung Vermeidung von Separatoren: Unüberwachte Generalisierung: Zusammengehörige Landbedeckungsklassen (getrennt durch Separatoren) verschwinden, obwohl MKF (25 ha) gemeinsam erreicht wird AgA 2010 TU Dresden - Stephan Arnold - DLM-DE 34

35 7. Ausblick und Planung: Migration ins neue AAA-Modell Landesvermessungsämter (AdV) ATKIS Fortführung GeoDatenZentrum (BKG/GDZ) DLM-DE Studie DLM-DE DLM-DE? AAA: vereinf. Model, inkl. Zeitstempel Landesvermessungsämter (AdV) Objektscharfer Zeitstempel innerhalb des AAA-Modells: Kosteneinsparung in Zukunft, Update nur nötig für Objekte mit Datum älter als Referenzjahr AgA 2010 TU Dresden - Stephan Arnold - DLM-DE

36 8. Zusammenfassung Vorteile und Synergien des vorgestellten Ansatzes: Hoch aufgelöste Datensätze zur Landbedeckung werden zukünftig steigende Nutzeranforderungen erfüllen. Kosteneinsparungen durch Verwendung und Kombination bestehender Daten und Dienste (DLM-DE, GMES-Dienste) Berücksichtigung von methodisch bedingten Veränderungen der Landbedeckungsdarstellung (pseudo changes) durch Vergleich der konventionellen und modifizierten Methode des CLC-Update Interoperabilität von topographischen und Landbedeckungs- datensätzen (Geobasis- und dgeofachdaten) Integration in nationale und europäische Geodaten-Infrastrukturen (GDI-DE) DE) gemäß INSPIRE-RichtlinieRichtlinie Kosteneffizienz aufgrund mehrfacher Nutzbarkeit durch Bundesverwaltung und auf EU-Ebene Ebene AgA 2010 TU Dresden - Stephan Arnold - DLM-DE 36

37 AgA 2010 Dresden Oktober 2010 Vielen Dank für Ihr Interesse Bundesamt für Kartographie und Geodäsie Richard-Strauss-Allee Frankfurt am Main 37