Objektbasierte Klassifikation landwirtschaftlicher Nutzflächen

Transkript

1 72 Objektbasierte Klassifikation landwirtschaftlicher Nutzflächen Marco RITTER, Matthias MÖLLER und Gerhard SCHELLMANN Zusammenfassung In dieser Untersuchung wird eine Methode zur semiautomatischen Klassifikation landwirtschaftlicher Nutzflächen auf Basis von WorldView-2 Bilddaten vorgestellt. Die entwickelte Methode wendet die Object-Based Image Analysis (OBIA), die objektbasierte Bildanalyse an, und wird auf einer Fläche nördlich von Nürnberg (175 km²) getestet. Ein wichtiger Bestandteil ist die empirische Datenerhebung durch eine Feldkampagne, um die Untersuchungsobjekte spektral definieren zu können. Die Klassifikationsergebnisse werden mithilfe von Felddaten über eine Konfusionsmatrix verifiziert und ergeben überwiegend zuverlässige Ergebnisse. Die Gesamtgenauigkeit ist mit ca. 64 % zufriedenstellend, während die Einzelklassengenauigkeiten zwischen unter 10 % und über 90 % stark schwanken. Mit dem objektbasierten Ansatz lassen sich räumliche Informationen aus hochaufgelösten Bilddaten mit einer großen spektralen Bandbreite semiautomatisch extrahieren. Die Ergebnisse werden mit thematischen Karten sowie Statistiken verglichen und abschließend werden Probleme und Verbesserungsvorschläge diskutiert. 1 Einleitung Die Gesamtfläche Deutschlands ist zu über 50 % ländlich geprägt und wird überwiegend für die Nahrungsmittelversorgung mit pflanzlichen und tierischen Produkten genutzt (vgl. INDUSTRIEVERBAND AGRAR 2012). Die Ableitung der landwirtschaftlichen Nutzung und die möglichst exakte Erfassung der Feldfrüchte aus Satellitenbilddaten ist bereits in verschiedenen Forschungsansätzen erprobt (vgl. MOTT 2005, WEHRMANN 2006). Das Ziel, die Feldfrüchte auf einer großen Fläche mit einer möglichst hohen Klassifikationsgenauigkeit gegeneinander abzugrenzen, treibt die Entwicklung neuer Methoden kontinuierlich voran. Wichtig sind exakte Erntevorhersagen für Versicherungen, um bei Ernteausfällen den vorherigen Zustand rekonstruieren zu können. Aber auch Makler an den Getreidebörsen sind an der Information der zu erwartenden Ernte interessiert, denn an der Börse wird der Wert und Preis der Ernte bereits weit im Voraus beziffert. 1.1 Problemstellung Seit der Einführung des CORINE (Coordination of Information on the Environment) Landcover Projekts existiert ein fortlaufend großer Bedarf an detaillierter Information der Bodenbedeckung und Landnutzung. Daher wurden Verfahren zur Analyse von Satellitendaten für die Detektion landwirtschaftlicher Flächen entwickelt, diese basieren aber auf räumlich weniger hoch auflösenden Bilddaten der Sensoren LANDSAT ETM+, TM, ASTER (15-30 m) (vgl. WEHRMANN 2006). Strobl, J., Blaschke, T. & Griesebner, G. (Hrsg.) (2012): Angewandte Geoinformatik Herbert Wichmann Verlag, VDE VERLAG GMBH, Berlin/Offenbach. ISBN

2 Objektbasierte Klassifikation landwirtschaftlicher Nutzflächen 73 Mit der neuesten Generation hochauflösender Satellitenbilddaten kann mithilfe eines semiautomatischen Klassifikationsansatzes die Auswertung zur Extraktion von Landbedeckungs- und Landnutzungsinformationen verbessert werden. 1.2 Zielsetzungen Um für eine landwirtschaftliche Inventur die Aktualisierungszeiten zu verkürzen, den Grad der thematischen Detailliertheit zu erhöhen und die Kosten für die Bearbeitung zu minimieren, werden Verfahren benötigt, die weitgehend automatisch die gewünschten Informationen aus Satellitenbilddaten ableiten. Das hier vorgestellte Verfahren ist auf die objektbasierte Klassifikation von bestimmten Feldfrüchten ausgerichtet und versucht in Ansätzen diese Zielsetzungen zu erfüllen. Lokale und regionale Landnutzungskarten stellen dabei das Endprodukt dar und können auf allen administrativen Ebenen zum Einsatz kommen. Aufgrund mangelnder Verfahren zur Extraktion der Landnutzungsinformationen aus hochauflösenden Satellitendaten müssen die verwendeten Bilddaten durch visuelle Bildinterpretation und semiautomatische Klassifikation auf einen großflächigen Einsatz vorbereitet werden. Der Fortschritt in der Informationstechnologie sollte ein Klassifikationsverfahren ermöglichen, welches kostengünstig und schnell auf große Flächen angewandt werden kann. Um die Klassifikationsgenauigkeit zu verbessern, wurde eine Prozesskette entwickelt, welche die Bilder vor der Segmentierung und eigentlichen Klassifikation aufbereitet. Diese Fragestellungen lagen der Untersuchung zu Grunde: Sind hochauflösende Bilddaten generell eine geeignete Datenquelle zur großflächigen Klassifikation von landwirtschaftlichen Nutzflächen? Mit welcher Genauigkeit können verschiedene Feldfruchtarten getrennt werden und können auch unterschiedliche Vegetationsphasen erfasst werden? 2 Stand der Forschung Landwirtschaftliche Nutzflächen sind in der Regel durch homogene, gradlinig abgegrenzte Raumeinheiten charakterisiert. Die multispektrale Klassifikation hat daher ein großes Potenzial für die Nutzungskartierung einzelner Feldfrüchte, insbesondere in den USA, wo große landwirtschaftliche Schlagflächen schon seit Beginn der LANDSAT Satellitenserie in den 1970ern erfolgreich analysiert werden (vgl. ANDERSON ET AL. 1976). Vor allem im Spektralbereich der Red Edge, also zwischen Rot und Nahem Infrarot, kann Vegetation zuverlässig klassifiziert und einzelne Arten differenziert werden. Dabei bestehen aber regionale Unterschiede, da die natürlichen Gegebenheiten und die landwirtschaftlichen Produktionsmethoden variieren. So konnte trotz langer Entwicklungsarbeit auf dem Gebiet der semiautomatischen Identifizierung von Objekten mithilfe der Multispektralklassifikation nur eine vergleichsweise geringe praktische Bedeutung erlangt werden (vgl. ALBERTZ 2010). Die OBIA Klassifikation übertrifft die Ergebnisse der multispektralen Klassifikationsmethoden, da bei den Trainings- bzw. Referenzdaten mehr Eingangsparameter als die spektralen Pixelwerte in die Klassifikation einfließen, z. B. auch die Form, die Größe und Nachbarschaftsbeziehungen (vgl. MOTT 2005).

3 74 M. Ritter, M. Möller und G. Schellmann 3 Methode 3.1 Untersuchungsgebiet Das Untersuchungsgebiet dieser Studie liegt im Bundesland Bayern, Deutschland, und beinhaltet den Siedlungsraum Nürnberg sowie die umliegende, weitgehend landwirtschaftlich geprägte Region. Für diese Region stand eine Satellitenbildszene des Sensors World- View-2 zur Verfügung, aufgenommen im Mai Die Satellitenbildszene erstreckt sich über eine Fläche von 650 km², wobei das Untersuchungsgebiet auf 175 km² (Ausdehnung 10,7 16,3 km) eingegrenzt wurde (siehe Abb. 1). Abb. 1: Das Untersuchungsgebiet als WorldView-2 Aufnahme (Kanaldarstellung 8-6-4) 3.2 Datengrundlage WorldView-2 wird von der amerikanischen Firma DigitalGlobe betrieben und lieferte 2009 die ersten Bilddaten der Erdoberfläche. Der Sensor ist mit einer geometrischen Auflösung im panchromatischen Kanal von 0,5 m super hochauflösend (vgl. MÖLLER 2011) und liefert neben den vier VNIR-Kanälen zusätzlich vier Kanäle: Coastal, Yellow, Red Edge und NIR2. Diese acht multispektralen Kanäle besitzen eine Bodenauflösung von 1,84 m und liegen einerseits im sichtbaren Bereich des elektromagnetischen Spektrums (Coastal: nm, Blue: nm, Green: nm, Yellow: nm, Red: nm) und andererseits im nahen Infrarotbereich (Red Edge: nm, NIR1: nm, NIR2: nm). Der panchromatische Kanal deckt den Bereich 450 bis 800 nm ab. Die WorldView-2 Bilddaten wurden am (Datensatz-ID DF9A200) nahezu wolkenfrei aufgezeichnet und durch European Space Imaging (EUSI) radiometrisch und geometrisch prozessiert.

4 Objektbasierte Klassifikation landwirtschaftlicher Nutzflächen Bildverarbeitung Praktische Bedeutung für die Vorbereitung einer objektbasierten Klassifikation haben verschiedene Methoden der Bildverbesserung. Einerseits wird dadurch die visuelle Bildinterpretation erleichtert, indem unauffällige Details für das menschliche Auge betont werden, andere Methoden verändern Bildeigenschaften zugunsten der digitalen Bildauswertung (vgl. ALBERTZ 2010). Durch diese Bildverbesserungen konnten die spektralen Signaturen der verschiedenen Feldfrüchte hervorgehoben werden: Geometrische Mosaikbildung mehrerer Teilszenen zu einem Gesamtbilddatensatz Kontrastverbesserung der Farbkanäle durch eine lineare Histogrammstreckung Erhöhung der Detailerkennbarkeit durch multisensorale Bildverbesserung (IHS-Transformation: PAN NIR2 Red Edge Yellow) Filteroperatoren zur Homogenisierung der landwirtschaftlichen Nutzflächen (Reihenfolge der Filteroperatoren: 5 5 Median 5 5 Median 5 5 Edge Enhance) 3.4 Empirische Datenerhebung In einer der Untersuchung vorangegangenen, mehrtägigen Feldkampagne wurden Referenzfelder im Untersuchungsgebiet erfasst (siehe Tabelle 1), damit eine aussagekräftige Anzahl an Trainings- und Verifizierungsfeldern für die Klassifikation zur Verfügung stand. Neben der genauen Abgrenzung der einzelnen Felder und der Bestimmung der Feldfrucht (=Objekt), wurde jede Objektkategorie fotografiert und über einen GPS Referenzpunkte lokalisiert. Da zwischen den einzelnen Feldern derselben Objektkategorie unterschiedliche Vegetationsphasen auftraten, wurde zudem die Wuchshöhe der Pflanzen als ein weiterer wichtiger Parameter festgehalten. Für die Klassifikation und Genauigkeitsanalyse konnten sechs Objektarten auf 433 Feldern genutzt werden, die für die weitere Bearbeitung in eine ESRI Geodatabase übertragen wurden. Tabelle 1: Aufgenommene Feldfrüchte nach Objekt, Anzahl und Fläche (in ha) 3.5 Objektbasierte Klassifikation Die objektbasierte Klassifikation wurde mit der Bildbearbeitungs- und Klassifikationssoftware Imagine Objective Workstation von Erdas durchgeführt, die neben den spektralen Pixelinformationen auch Farbton, Textur, Größe, Form, Schatten, Muster und die Umgebung eines Objekts in die Klassifikation aufnimmt. Diese Software bietet eine Werkzeugsammlung für Raster- sowie Vektoranalysen und stellt so eine Brücke zwischen rein pixelbasierten und objektbasierten Klassifikationsverfahren dar. Mithilfe sog. Feature Models werden Prozessabläufe definiert. Sie speichern Verarbeitungsschritte, die Segmentierungs-

5 76 M. Ritter, M. Möller und G. Schellmann und Klassifikationseinstellungen und können dann ggf. auf andere Datensätze übertragen werden. 3.6 Analyse der Klassifikationsgenauigkeit Für die Validierung von Klassifikationsergebnissen ist die Classification Error Matrix (CEM) ein effektives Werkzeug. Es können drei verschiedene Genauigkeiten errechnet werden: die Gesamtgenauigkeit, die Produzentengenauigkeit und die Benutzergenauigkeit. Die Gesamtgenauigkeit bezieht die sechs Objektkategorien mit ein, während die Produzenten- und die Benutzergenauigkeit auf die einzelnen Klassen angewandt werden (vgl. CON- GALTON, R. G. & GREEN, K. 2009). In dieser empirischen Fallstudie beträgt die Gesamtgenauigkeit 64 %. Im 6-Klassen Fall stellt sich Hafer mit einer Benutzergenauigkeit von 8,85 % als die Klasse mit den größten Unsicherheiten und Mais mit einer Produzentengenauigkeit von 99,98 % als die zuverlässigste Klasse heraus. In Abbildung 2 ist das Klassifikationsergebnis am Beispiel von drei 1 2 km großen Ausschnitten dargestellt: links ist die originale Satellitenaufnahme, in der Mitte ist die Originalaufnahme überlagert mit den digitalisierten Felderhebungen und rechts ist das Klassifikationsergebnis dargestellt. Abb. 2: Bildausschnitte mit Klassifikationsergebnissen (Größe jeweils ca. 1 2 km) 4 Diskussion der Ergebnisse Im Untersuchungsgebiet wurden 39,14 % der Fläche (ca. 66 km²) als landwirtschaftliche Nutzfläche klassifiziert. Die kleinsten Segmente waren aufgrund eines eingebauten Größen-

6 Objektbasierte Klassifikation landwirtschaftlicher Nutzflächen 77 filters 0,5 ha groß, während das größte zusammenhängende Segment eine Fläche von 0,89 km² einnahm. Die Hauptanbauarten Getreide, Mais und Grünland konnten mit hoher Sicherheit identifiziert werden, die Objektklasse Mais konnte auf Basis des großen Bodenanteils ausgewiesen werden. Die niedrige Klassifikationsgenauigkeit der Objektklasse Hafer war auf die geringe Anzahl der Anbauflächen zurückzuführen. Eine Differenzierung des Getreides in Objektklassen Weizen, Roggen und Gerste war möglich, wobei die Klassifikationsgenauigkeit vom Aufnahmezeitpunkt abhängt. In diesen Klassen wurden Genauigkeiten zwischen 29 % und 65 % erzielt. Eine ungewöhnliche Trockenperiode im Februar, März und Mai des Jahres 2011, also direkt vor der Bildaufnahme, war die Ursache für unerwartet unterentwickelte Wuchshöhen vieler Feldfrüchte. Die spektralen Signaturen der Objektklassen waren daher durch einen höheren Bodenanteil überprägt, was auch zu Fehlklassifikationen führte. 5 Danksagung Die Autoren danken European Space Imaging für die Prozessierung und Bereitstellung der WorldView-2 Bilddaten, insbesondere Tine Flingelli und Michaela Weber sind hier zu nennen. Irmi Runkel von Geosystems hat im Rahmen einer Einführungsschulung wichtige Grundlagen der Software "Erdas Objective" vermittelt. Die Mitarbeiter der Firma Geo Creativ haben mit ihrem fachlichen Rat diese Studie wesentlich unterstützt. Literatur ALBERTZ, J. (2010), Einführung in die Fernerkundung. Grundlagen der Interpretation von luft- und Satellitenbildern. Wissenschaftliche Buchgesellschaft, Darmstadt. ANDERSON, J. R., HARDY, E. E., ROACH, J. T. & WITMER, R. E. (1976), A Land Use And Land Cover Classification System For Use With Remote Sensor Data. Geological Survey Professional Paper 964. U.S. Geological Survey Circular 671. Washington. CONGALTON, R. G. & GREEN, K. (2009), Assessing the Accuracy of Remotely Sensed Data. CRC Press, Florida. INDUSTRIEVERBAND AGRAR (2012), Landwirtschaft in Deutschland. branche/landwirtschaft-deutschland ( ). LILLESAND, T., KIEFER, R. & CHIPMAN, J. (2008), Remote Sensing and Image Interpretation. Wiley, Hoboken. MÖLLER, M. (2011), Systemvergleich hochauflösender optischer Satellitenfernerkundungssensoren. In: Angewandte Geoinformatik 2011, hrsg. von STROBL, J. et al. Wichmann, Heidelberg, MOTT, C. (2005), Objektorientierte Klassifikationsstrategien zur Erfassung der Landnutzung aus hochauflösenden Fernerkundungsdaten. TU München. RITTER, M. (2011), Semiautomatische Klassifikation landwirtschaftlicher Nutzflächen auf Basis von WorldView-2 Bilddaten. Otto-Friedrich-Universität Bamberg. WEHRMANN, T. (2006), Automatisierte Klassifikation von Landnutzung durch Objekterkennung am Beispiel von CORINE Land Cover. Julius-Maximilian Universität Würzburg.