Synergetische Nutzung von optischen und SAR Daten für die Ableitung von Landbedeckungsprodukten

Transkript

1 Synergetische Nutzung von optischen und SAR Daten für die Ableitung von Landbedeckungsprodukten Tanja Riedel, Christian Thiel, Christiane Schmullius Friedrich-Schiller-University Jena, Dept. for Earth Observation Carsten Pathe EOS GmbH, Jena

2 Gliederung Einleitung Enviland-2 Projekt E2 Prozesskette E2 Klassifikationsstrategie Ergebnisse Radarcover / AMOC II SenThIS Zusammenfassung & Ausblick

3 Einleitung Sentinel-1 / -2 kostenfreie Verfügbarkeit Sentinel-2 13 Spektralkanäle, 10-60m Auflösung Wiederholrate 10 Tage (5 Tage S-2A/S-2B Konstellation) Sentinel-1 C-Band SAR: festgelegter Akquisitionsplan Standard - Aufnahmemodus: Interferometric Wideswath, VV / VH Polarisation, 20m räumliche Auflösung, Wiederholrate 12 Tage (6 Tage S-1A/S-1B Konstellation) Aufnahme kontinuierlicher, dichter Zeitreihen

4 Einleitung Inhalt dieser Präsentation: Methoden zur Auswertung multitemporaler Daten Enviland-2 (DLR / BMWi) Ziel: Entwicklung einer Prozesskette zur Ableitung von Landnutzungs- /Landbedeckungsprodukten einschließlich der Hauptanbauarten Schwerpunkte: hoher Automatisierungsgrad, Ausnutzung Synergie optisch & SAR RadarCover / AMOC-II (ESA) Ziel: SAR-basierte großflächige Kartierung der Hauptlandbedeckungsklassen SenThIS Aktuell laufendes Projekt mit Beteiligung des EOS Jena GmbH Sentinel-1/-2 zur Unterstützung der Durchführung von Landesaufgaben im Freistaat Thüringen

5 ENVILAND2 - Prozesskette Optical data Radar data Optical and SAR input data Input layer Multi-sensor geocoding (DEM and sensor parameter based, optional GCPs) Image matching Multi-sensor geocoding (DEM and sensor parameter based, optional GCPs) Image matching Multi-sensor geo- coding / matching Sensor calibration (L) Cloud masking Radiometr. normalisation Sensor calibration (s 0) Radar shadow Topograph. normalisation Pre-processing Geo-coding Extraction of information layer (e.g. NDVI) Extraction of information layer (e.g. STD, NGLD) Information layer Edge detection Edge detection Edge detection Multi-channel segmantation Multi-sensor segmentation Segmentation Automated extraction of training areas Automated training areas Segment-based supervised classification Supervised classification Land Cover Map Land cover mapping Change layer Specific thematic layers (biophysical / urban) Land cover and change maps, thematic layers

6 ENVILAND2 - Testgebiete Klein Altendorf Nordrhein Westfalen Südwestlich von Köln Mittel- bis kleinflächige Landwirtschaft Nordhausen, Thüringen Südlicher Teil des Harz Intensive großflächige landwirtschaftliche Nutzung

7 Enviland-2 - Datengrundlage Fernerkundungsdaten Sentinels Akquisitionsstrategie & Wiederholrate Referenzdaten Nordhausen 2009 Höhere Wahrscheinlichkeit wolkenfreier opt. Aufnahmen Kontinuierliche SAR Zeitreihen mit Aufnahmen zu kritischen phänologischen Zeitpunkten Feldkampagnen: Feldfrucht, biophysikalische Parameter Amtliche Landbedekungsdaten, Biotoptypen-/Waldkartierungen, ATKIS, digitale Orthophotos

8 Enviland-2 - Klassifikationsstrategie Automatisierung durch Ausweisung von Trainingsgebiete ohne Nutzerinteraktion FSU / ZFL

9 Enviland-2 - Klassifikationsstrategie Wissensbasis - Tabelle Beispiel Bildparameter: C-HV zur Unterscheidung von Landwirtschaft / Grünland ASAR HV IS MAV MMAX MMAX klassenspezifische Bildparameter: optisch und SAR stabil / robust übertragbar Analyse der verfügbaren Fernerkundungsdaten ESA Automatische Definition der Decision Tree Struktur in Abhängigkeit von den Inputdaten

10 Enviland-2 - Ergebnisse Testgebiet Nordhausen - Input: multitemporale X-, C- und L-Band Daten von 2009 Nordhausen X-, C-, L-Band Anzahl Trainingsgebiete [Total / Referenz] Korrekte Trainingsgebiete [%] Trainingsgebiete Wasser Nadelwald Laub-Mischwald Siedlung Grünland Winterweizen Wintergerste/ Tritikale Raps Zuckerrüben Andere Feldfrüchte Wasser 131 / ,00 Nadelwald 150 / ,00 Laub-/Mischwald 150 / 91 90,11 Siedlungen 150 / ,17 Grünland 150 / 86 96,51 Winterweizen 150 / ,00 Wintergerste / Tritikale 150 / ,41 Raps 150 / 83 98,80 Zuckerrüben 12 / 9 100,00 Andere Feldfrüchte 20 / ,00

11 Enviland-2 - Ergebnisse Testgebiet Nordhausen - Input: multitemporale X-, C- und L-Band Daten von 2009 Nordhausen X-, C-, L-Band Herstellergenauigkeit [%] Nutzergenauigkeit [%] Wasser 86,93 96,03 Nadelwald 85,86 83,86 Laub-/Mischwald 57,25 83,92 SVM Klassifikationsergebnis (ZFL Bonn) Wasser Nadelwald Laub-Mischwald Siedlung Grünland Winterweizen Wintergerste/ Tritikale Raps Zuckerrüben Andere Feldfrüchte Siedlungen 85,86 79,28 Grünland 88,17 70,71 Winterweizen 96,38 96,63 Wintergerste / Tritikale 93,44 91,81 Raps 96,91 99,37 Zuckerrüben 74,81 99,82 Andere Feldfrüchte 96,47 90,74 Gesamtgenauigkeit 87,71 Kappa 0,86

12 Enviland-2 - Zusammenfassung 1. Neue Methode zur Ausweisung potentieller Traningsgebiete Verkürzung der zeit- und kostenintensiven Definition von Trainingsdaten Automatische Klassifikation 2. Methodischer Ansatz Synergetische Nutzung von optischen und SAR Daten Wissensbasierter Ansatz Kombiniert pixel- und objektorientierter Ansatz Szenenspezifische Schwellwerte (nicht fixiert) 3. Automatische Generierung von Trainingsgebieten ist möglich unter Verwendung von optischen und SAR Daten oder auf alleiniger Basis von SAR-Daten aktuelle Klassentiefe: bis zu 12 Klassen

13 Enviland-2 - Zusammenfassung 4. Genauigkeit Anteil fehlerhafter Trainingsgebiete für einzelne Klassen i.d.r. << 10% Überwachte Klassifikation (ZFL): 80 90% Gesamtgenauigkeit 5. Übertragbarkeit Räumliche Übertragbarkeit für Testgebiet Klein Altendorf demonstriert Zeitliche Übertragbarkeit Anwendung auf unterschiedliche Akquisitionsjahre (2009 und 2010) sowie durch unterschiedliche Kombination der Inputdaten Anwendbar auf verschieden Sensoren (Landsat TM/ETM, Spot, RapidEye TerraSAR-X, ERS-2, Envisat ASAR, ALOS PALSAR) Regionen anderen Landbedeckungsklassen / Anwendungen Adaption des Expertenwissen

14 Enviland-2 - Zusammenfassung 7. Feldfruchtartenklassifikation Kritisch : extrem kleine Feldschläge Kritisch: Verfügbarkeit von Fernerkundungsdaten zu optimalen Aufnahmezeitpunkten

15 Radarcover / AMOC II ESA-Projekte Ziele: Demonstration des Potentials von C-Band SAR Daten zur großflächigen Kartierung der Hauptlandbedeckungsklassen Vorbereitungsstudie für Sentinel-1

16 AMOC II - Landbedeckungsklassifikation km² - 10 Frames (ASAR APP IS1 IS3) Decision Tree Klassifikation DT - Beispiel für Track 0487, Frame Landbdeckungsklassen 6 Landbedeckungsklassen (Landwirtschaft/ Grünland kombiniert)

17 AMOC II - Ergebnisse C-Band SAR basierte Klassifikation der Hauptlandbedeckungsklassen ist mit hoher Genauigkeit möglich Mindestanforderung: 4 dual-polarisierte SAR Aufnahmen Bedeutung multitemporaler SAR-Parameter für Klassifikation Keine konsistente und multitemporale Abdeckung großflächiger Gebiete Mitteleuropas durch Envisat ASAR APP SENTINEL-1: konsistente Abdeckung in Interferometric Wide Swath Mode Deutlich bessere Klassifikationsergebnisse sind zu erwarten

18 SenThIS - Sentinels für Thüringer Informations-Systeme Themenbereich: Land-, Forst- und Wasserwirtschaft, Hochwasservorhersage Fördergeber: BMVI, Bundesministerium für Verkehr und digitale Infrastruktur Projektbeteiligte: Thüringer Landesanstalt für Umwelt und Geologie (TLUG) ThüringenForst Anstalt des öffentlichen Rechts, Forstliches Forschungs- und Kompetenzzentrum (FFK) Als Unterauftragnehmer: Earth Observation Services GmbH Feiffer consult

19 SenThIS Projektziele: Demonstration der Potentiale von ESA Copernicus-Fernerkundungsdaten der Satelliten Sentinel-1 (Radar) und Sentinel-2 (optischer Bereich) für den Einsatz in den Landesbehörden TLUG: Unterstützung der hydrologischen Modellierung durch Bodenfeuchteinformationen aus Sentinel-1-Daten FFK: Ableitung forstlicher Bestandesparameter aus Sentinel-2-Daten

20 ESA Copernicus-Daten in SenThIS ESA Scientific Data Hub Lokale Datenhaltung undverarbeitung Bodenfeuchteinformationen Landnutzung Sentinel-1 & 2 Hilfsdaten Zusatzinformationen aus Landesdiensten TLUG: Hydrolog. Modellierung FFK: Ableitung forstl. Bestandesparameter EOS: Ableitung von Bodenfeuchteinformationen + Landbedeckung für hydrolog. Modellierung feiffer: Ableitung von Produkten für die Landwirtschaft Landwirtschaftl. Produkte Forstliche Bestandesparameter

21 SenThIS Bodenfeuchteableitung durch EOS GmbH Bodenfeuchte abgeleitet mittels Change-Detection-Ansatz Liefert relative Bodenfeuchteinformationen skaliert zwischen permanentem Welkepunkt (Trockenreferenz) und Feldkapazität (Feuchtreferenz) Einsatz von Sentinel-1

22 Zusammenfassung und Ausblick Vorstellung dreier Projekte / Methoden, die als Input SAR-Zeitreihen benötigen und somit optimal für den Einsatz von Sentinel-1 geeignet sind Ausblick WetlandRadar Projekt: (DLR / BMWi) Start: Januar 2016 Verfahren zur automatischen Trainingsgebietsausweisung Adaption und Weiterentwicklung zur Kartierung und Monitoring von Feuchtgebieten SAR-basierte Bodenfeuchte Informationsgewinn für Kartierung / Monitoring von Feuchtgebieten?

23 Danksagung ENVILAND2 wurde durch die Raumfahrt-Agentur des Deutschen Zentrums für Luft- und Raumfahrt e.v. mit Mitteln des Bundesministeriums für Wirtschaft und Technologie aufgrund eines Beschlusses des Deutschen Bundestages unter den Förderkennzeichen 50 EE EE 0847 gefördert SenThIS wird durch das Bundesministerium für Verkehr und digitale Infrastruktur BMVI gefördert Radarcover / AMOC-II wurde durch Mittel der Europäischen Raumfahrtbehörde ESA gefördert Unser Dank gilt ESA, DLR and RESA für die Bereitstellung der EO-Daten

24 Vielen Dank! Tanja Riedel FSU Jena / Erdbeobachtung Löbdergraben 32 D Jena Tel.: +49/ (0)3641/ Fax.: +49/(0)3641/ Tanja.Riedel@uni-jena.de