Sonderaufnahmegebiet: Biodiversitäts Exploratorien

Größe: px

Ab Seite anzeigen:

Download "Sonderaufnahmegebiet: Biodiversitäts Exploratorien"

Meta Albrecht
vor 7 Jahren
Abrufe

1 Sonderaufnahmegebiet: Biodiversitäts Exploratorien Paul Magdon a, Nils Nölke a, Hans Fuchs a, Thomas Nauss b and Christoph Kleinn a a Abteilung Waldinventur und Fernerkundung, Georg-August Universität Göttingen b Umweltinformatik Philipps-Universität, Marburg 1

2 Biodiversitäts Exploratorien Was beeinflusst die Biodiversität? Sala et al. (2000) Science 287,

3 Zielsetzung der Exploratorien Wie beeinfluss die Landnutzung und ihre Intensität die Biodiversität? 2. Wie beeinflusst sich die Biodiversität verschiedener Taxa untereinander? 3. Wie wirken sich Änderungen der Biodiversität und der Landnutzungsintensität auf die Ökosystem Funktionen / Prozesse aus? 3

4 Untersuchungsgebiete Im Jahr 2006 wurden 3 Exploratorien angelegt: Schorfheide-Chorin Hainich-Dün Schwäbische Alb 4

5 Plot Design Einheitliches, hierarchisches Plot Design Pro Exploratorium: 18 VIPs (Very Intensively studied Plots) 50 MIPs (Medium Intensively studied Plots) 100 EPs 1000 GPs 50% im Wald 50% in Grünland 5

6 Projekt Statistiken (Stand: 03/2015) Forschungsprojeke: 48 Pis: Postdocs: 045 Ph.D. students: 105 Technical staff: 032 Total ~ (+18 aus früheren Phasen) Arbeitsorte des wissenschaftlichen und technischen Personals der Exploratorien (Stand Januar 2014) Journal articles Theses (Stand: 03/2015) 6

7 Projektstruktur Plants Forest structure Arthropods Birds & Bats Microorganisms Soils The Biodiversity Exploratories Core-Projects 1 Biodiversity Exploratory Office BEO 2 Local Management Teams Schwäbische Alb Hainich-Dün Schorfheide-Chorin 3 Instrumentation & Remote 4 Central Data Management BExIS Sensing Theory & Modeling 12 Ecological Synthesis Contributing projects 7

Landbedeckung sowie zeitliche Dynamiken Modellbildung Vorhersagen Sowohl

8 Warum Fernerkundung? Bereitstellung flächendeckender Informationen über die Landnutzung, Landbedeckung sowie zeitliche Dynamiken Modellbildung Vorhersagen Sowohl für die Modellbildung als auch für die Vorhersage müssen geeignete Indikatoren aus den Fernerkundungsprodukten abgeleitet werden! 8

9 Preprocessing & Qualitätskontrolle Fernerkundungsprodukte Bildverarbeitung & Analyse Sensoren Basis Produkte Abgeleitete Produkte Task 1: Landbedeckung/-nutzung & Baumartenkarten MODIS Landsat RapidEye Pléiades Task 2: Horizontale & vertikale Struktur LiDAR Hyperspectral Task 3: Historische Trends 9

10 Task 1: Landbedeckungs-, Nutzungskartierung Zielsetzung: Landbedeckungskarte für das Jahr 2014 in allen drei Exploratorien Klassifikationsschlüssel: Level 0 Level 1 Level 2 Wald Grünland Gewässer Urban Ackerflächen Nadelwald Laubwald Weiden Mähwiesen Fließgewässer Stehgewässer Baumartenkarten Beweidungsintensität Mähzyklen 10

11 Datengrundlage RapidEye L1B, RapidEye Abdeckung <10% Wolken, vollständige Verfügbare L1B Aufnahmen Gebietsabdeckung Aufnahme ALB HAI SCH März April Mai Juni Juli August September Oktober Gesamt Aufnahme ALB HAI SCH März April Mai Juni Juli August September Oktober Gesamt Frühling Sommer Herbst Aufgrund der schlechten Wetterbedingungen standen nur sehr wenige Aufnahmen im Sommer und Herbst zur Verfügung! 11

200m X 200m Filter: Nur Plots mit einer Klasse

12 Datengrundlage Trainingsdaten Als Trainingsdaten wurden ATKIS Informationen verwendet x r=50m Systematisches Raster 200m X 200m Filter: Nur Plots mit einer Klasse Stratifizierte Stichprobe mit n=100 Plots pro Klasse Visuelle Kontrolle 12

13 Landbedeckungs- / Nutzungskartierung RapidEye L1B RapidEye L1B Georeferenzierung auf Basis der RPC und DTM 10 6S Atmosphären Korrektur Reflektanz t1 Reflektanz t2 Multi-temporal PCA Mean-Shift Segmentation Mittelwert pro Segment Trainingsdaten Objektbasierte Klassifikation RandomForest Modell Landbedeckungskarte 13

14 Ergebnisse: Landbedeckungs- / Nutzungskartierung 14

15 Fehlklassifikationen: Wald als Ackerflächen Fehlklassifikationen: Urban als Ackerflächen 15

16 Ergebnisse : Landbedeckungs- / Nutzungskartierung Bildprozessierung wurde vollständig mit open-source Software implementiert Segmentierung auch für kleiner Objekte (e.g. Baumgruppen, Sträucher) erfolgreich Modelgenauigkeit des RandomForest Modells(OOB): 0.75 Gesamtgenauigkeit auf Basis einer 10-Fold Kreuzvalidierung: 0.76 (+/- 0.07) Durch die Beschränkung auf zwei Aufnahmen kommt es zu häufigen Fehlklassifikation von Ackerflächen 16

17 Zusammenfassung Nächste Schritte: Multi Sensor: Integration weitere Aufnahmezeitpunkte von anderen Sensoren (Landsat, MODIS, LiDAR) Veränderungsindices (Zeitreihenanalyse) Integration von weiteren RapidEye Daten aus 2015 Unabhängige Validierung der Karte Zusammenfassung: Biodiversitäts Exploratorien stellen einen hervorragenden Infrastruktur für die Entwicklung von fernerkundungs basierten Biodiversiätsmonitoring Konzepten dar! Die Erwartung hinsichtlich der Anzahl der RapidEye Aufnahmen konnte Wetter bedingt nicht erfüllt werden Multisensor Ansatz! 17

18 Danksagung Danke für Ihre Aufmerksamkeit! Deutschen Forschungsgemeinschaft für die Finanzierung des Projektes DLR für die Unterstützung im Rahmen des RESA Projektes BlackBridge für die Unterstützung bei der Bestellung und Auswahl der Bilder 18

19 Sala, O. E., Chapin, F. S., Armesto, J. J., Berlow, E., Bloomfield, J., Dirzo, R., Wall, D. H. (2000). Global biodiversity scenarios for the year Science (New York, N.Y.), 287(5459), doi: /science

Ähnliche Dokumente

Erfassung der Landschaftsstruktur mit multitemporalen RapidEye Bildern

Erfassung der Landschaftsstruktur mit multitemporalen RapidEye Bildern -Sonderaufnahmegebiet: Biodiversitäts-Exploratorien- Paul Magdon a, Thomas Nauss b and Christoph Kleinn a a Abteilung Waldinventur