Landcover Klassifizierung und multitemporale Änderungserkennung anhand von optischen Daten

Transkript

1 Workshop Oberrheingraben: Landcover Klassifizierung und multitemporale Änderungserkennung anhand von optischen Daten Dipl.-Geoökol. Andreas Ch. Braun Institut für Photogrammetrie und Fernerkundung (IPF) KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft

2 Gliederung & Inhalt Einleitung Multispektral Daten Hyperspektral Daten Kapazitäten IPF Anforderung Eigenschaften Eigenschaften Personal Auswertung EnMAP Datensätze Klassifikation Auswertung Projekte Indizes Klassifikation Change Detection Indizes Aufnahmeprinzip Optische Sensoren Plattformen Quantifizierung Change Detection 2

3 Gliederung & Inhalt Einleitung Multispektral Daten Hyperspektral Daten Kapazitäten IPF Anforderung Eigenschaften Eigenschaften Personal Auswertung EnMAP Datensätze Klassifikation Auswertung Projekte Indizes Klassifikation Change Detection Indizes Aufnahmeprinzip Optische Sensoren Plattformen Quantifizierung Change Detection 3

4 Anforderungen aus Sicht der Anwendung Form der Obj. Beobachtung von Objekten Material der Obj. 4 Änderung der Obj.

5 Anforderungen aus Sicht der Anwendung Geometrie Fragestellung an die Fernerkundung Spektrum 5 ztl.wiederholung

6 Sensortypen zur Untersuchung der Landbedeckung Passive Sensoren: Multi/Hyperspektral Aktive Sensoren: LiDAR,RADAR 6 Messung der Reflexion des Sonnenlichts Reflexion ausgesandter Strahlung Spektrum Materialien Geometrien Materialien

7 Passive Sensoren Multispektral, Hyperspektral Multispektral: Wenige breite Kanäle Nicht-kontinuierlich 7 Hyperspektral Viele schmale Kanäle Kontinuierlich

8 Passive Sensoren Multispektral, Hyperspektral Vorteile Multispektral Datenverfügbarkeit gut LandSAT Archiv offen... Datenräume einfach da wenige Dimensionen Plattformen Flugzeug Satellit Quadcopter (MultiCam) 8 Vorteile Hyperspektral Präziseste Materialienbeschreibung der F.E. Quantitative Aussagen möglich, Bsp.: Vegetation Plattformen v.a. Flugzeug Satellit: Bsp. Hyperion Satellit: Bald EnMAP

9 Einschub: UAV Unmanned Aerial Vehicle Klassische Sensorplattformen der Fernerkundung: In den letzten Jahren verstärkt UAVs Flexibilität Häufige Aufnahmen möglich Vergleichsweise günstig Aufnahmequalität Payload Wetterabhängig 9

10 Gliederung & Inhalt Einleitung Multispektral Daten Hyperspektral Daten Kapazitäten IPF Anforderung Eigenschaften Eigenschaften Personal Auswertung EnMAP Datensätze Klassifikation Auswertung Projekte Indizes Klassifikation Change Detection Indizes Aufnahmeprinzip Optische Sensoren Plattformen Quantifizierung Change Detection 10

11 Passive Sensoren Multispektral Multispektral: Wenige breite Kanäle Nicht-kontinuierlich Gute Datenverfügbarkeit (USGS, ESA, kommerziell), häufige Aufnahmen z.t. Sehr hohe Bodenauflösung (GSD) (1x1m IKONOS, QuickBird) 11

12 Auswertung von Multispektraldaten Klassifizierung Indexbildung (z.b. NDVI) Change Detection (multitemporale, multisaisonale Klassifizierung) 12

13 Klassifizierung: Multispektral Klassifizierung der Karlsruher Schlossparks, Braun, 2009 Quickbird-Datensatz: 1x1m Auflösung, 5 Kanäle (R,G,B,NIR,PAN) WALD WASSER WIESE TROCKEN WIESE FEUCHT RÜCKWEISUNG QuickBird Ansicht (RGB) 13 Klassifizierungsergebnis

14 Indexbildung: Multispektral NDVI des Karlsruher Schlossparks, Braun, 2009 Quickbird-Datensatz: 1x1m Auflösung, 5 Kanäle (R,G,B,NIR,PAN) NDVI- Formel NDVI= NIR-ROT / NIR+ROT QuickBird Ansicht (RGB) 14 NDVI-Ergebnis

15 Change Detection: Multispektral Beispiel: Chile: Walddegradation Echeverria et al Klassif Klassif Klassif. 2000

16 Change Detection: Multispektral Beispiel: Chile: Walddegradation Echeverria et al Landcover Change Rio Maule, Chile Area [%] 30 Forest Plantation Shrubland Year

17 Change Detection: Multispektral Änderung der Siedlungsdichte, Küste Benin: Sturm et al. 2011, in print Luftbild 1995 QuickBird 2002 Luftbild 2007 Haus dichte (Anzahl/ ha)

18 Gliederung & Inhalt Einleitung Multispektral Daten Hyperspektral Daten Kapazitäten IPF Anforderung Eigenschaften Eigenschaften Personal Auswertung EnMAP Datensätze Klassifikation Auswertung Projekte Indizes Klassifikation Change Detection Indizes Aufnahmeprinzip Optische Sensoren Plattformen Quantifizierung Change Detection 18

19 Passive Sensoren Hyperspektral Hyperspektral Viele schmale, kontinuierliche Kanäle Datenverfügbarkeit schlechter Datenräume sehr kompliziert Bodenauflösung (GSD) schlechter 19

20 Auswertung von Hyperspektraldaten Klassifizierung Indexbildung (z.b. NDVI) Quantifizierung (Mineralogie, Vegetationskunde) Change Detection (multitemporale, multisaisonale Klassifizierung) 20

21 EnMAP Environmental Mapping and Analysis Programme EnMAP ist ein hyperspektraler Satellit Push-broom Prinzip Geplanter Start: 2014 Gemeinschaftsprojekt: GFZ (wissenschaftliche Leitung) DLR (Management) Kayser-Threde (Bau) Zwei Messgeräte: 420 bis 1000nm (VNIR) 155 Bänder 900 bis 2450nm (SWIR) 94 Bänder Ziel: hohes SNR GSD: 30 x 30m Revisit Time: 4 Tage Schwenkbar um ± 30 21

22 EnMAP Environmental Mapping and Analysis Programme Sehr hohe spektrale Auflösung Akzeptable GSD Sehr gutes Signal-to-Noise Ratio VNIR: SWIR: > 400:1 > 170:1 In dieser Form weltweit einzigartig. Große Hoffnung für hyperspektrale Erdbeobachtung? Missionsziele: Bio-Geochemische Parameter Ökosystem-Parameter Daten für das Verständnis und die Modellierung von Bio- und Geosphärenprozessen. 22

23 Klassifizierung: Hyperspektral Klassifizierung der Karlsruher Schlossparks Braun, Weidner, Hinz 2011, in print HyMap-Datensatz: 4x4m Auflösung, 126 Kanäle ( nm) Gesamtgenauigkeit > 86% HyMapBird Ansicht (RGB) 23 Klassifizierungsergebnis

24 Quantifizierung: Hyperspektral NDVI (Normalized Difference Vegetation Index) Natürlich auch für hyperspektrale Datensätze möglich Alternativen: z.b. Chlorophyll Absorption Integral (CAI) HyMap Ansicht (RGB) 24 NDVI - Ergebnis

25 Quantifizierung: Hyperspektral NDWI (Normalized Difference WATER Index) Wassergehalt der Vegetation (Hitzesommer 2003) Beachte: Wiesen vor dem Schloßpark HyMapBird Ansicht (RGB) 25 NDWI - Ergebnis

26 Quantifizierung: Hyperspektral NDNI (Normalized Difference NITROGEN Index) Stickstoff-Gehalt HyMapBird Ansicht (RGB) 26 NDNI - Ergebnis

27 Quantifizierung: Hyperspektral Es exisitieren hunderte Indizes. Eine Auswahl (Andrew, Ustin, 2006): SGR: Summed Green Reflectance = Index green vegetation cover PRI: Photochemical Reflectance Index = Xantophyll response to SPRI: Simple Ratio Pigment Index = Carotenoid/chlorophyll a content PI1/PI2: Pigment Index = Plant stress status NDLI: Normalized Difference Lignin Index = Lignin Concentrations PSRI: Plant Senescence Reflectance Index = Plant senescence SIPI: Structure Intensive Pigment Index = Carotenoid/clorophyll a content Quantitative Aussagen über Blattchemie möglich Feldspektrometermessungen zur Kalibrierung nötig!! Redundanzen vorhanden 27

28 Quantifizierung: Hyperspektral Asner & Vitousek, 2005: Remote Analysis of Biological Invasion Biogeochemical Change Hawaii: Invasion durch Myrica faya (N-Fixierender Baum) Änderung im Blatt-N-Gehalts Änderung Wassergehalt Entdeckt: Hedychium gardnerianum 28

29 Gliederung & Inhalt Einleitung Multispektral Daten Hyperspektral Daten Kapazitäten IPF Anforderung Eigenschaften Eigenschaften Personal Auswertung EnMAP Datensätze Klassifikation Auswertung Projekte Indizes Klassifikation Change Detection Indizes Aufnahmeprinzip Optische Sensoren Plattformen Quantifizierung Change Detection 29

30 Kapazitäten IPF - Daten ALK Daten (KA) DAEDALUS(KA) EnMAP-SIM (AMMER) HYMAP (KA) ORTHOBILDER (KA) QUICKBIRD (KA) RADAR (KA) LIDAR (KA) LANDSAT (KA) 30 LANDSAT (KAISERSTUHL) LUFTBILD (KAISERSTUHL) LANDSAT (BADEN-WÜRTTEM.) Gute Kontakte DLR Gute Kontakte Landesvermessungsamt USGS Archive offen ESA Archive offen...

31 Kapazitäten am IPF - Personal 31 Auswertung Multi/Hyperspektr. Anwendungen Landcover Festangestellt: Prof. Dr. Stefan Hinz Dr. Uwe Weidner Dr. Boris Jutzi Dr. Patrick Bradley Festangestellt: Prof. Dr. Stefan Hinz Dr. Uwe Weidner Doktoranden: Andreas Braun Antje Thiele Daniela Richter Florian Schmidt Judith Horn Ulrike Sturm Doktoranden: Andreas Braun Antje Thiele Fadwa Alshawaf Judith Horn Ulrike Sturm Andreas Braun

32 Kapazitäten am IPF - Projekte Promotion Fadwa Alshawaf: Auswertung des atmosphärischer Wasserdampf im GNSS Signalen und InSAR Daten Promotion Ulrike Sturm: Fernerkundungsgestützte Prozessanalyse im Küstenraum Benins Projekt Antje Thiele: Methodenentwicklung zur Nutzung von Parametern aus Satellitendaten im Rahmen der forstlichen Betriebsplanung und des forstlichen Katastrophenmanagements Promotion Daniela Richter: Nutzung unscharfer textlicher Beschreibungen und Spatial Data Mining Verfahren zur Hangrutschungsprävention Feasibility Study (FYS) Andreas Braun: Deforestation, Degradation and Fragmentation of Chilean Temperate Forests Startup Budget (STUB) Judith Horn: Enhancing soil-vegetation-atmosphere-transfer (SVAT) components in hydrological models by exploiting the combination of eddy-covariance and novel hyperspectral image data 32

33 Vielen Danke für Ihre Aufmerksamkeit! Gibt es Fragen? 33