Fernerkundliche Detektion von Vegetationseinheiten

Transkript

1 Leibniz Universität Hannover Bachelorarbeit im Studiengang Geodäsie und Geoinformatik Fernerkundliche Detektion von Vegetationseinheiten Laura Marie Koller Januar 2016

2 Bachelorarbeit Fernerkundliche Detektion von Vegetationseinheiten Remote sensing based detection of vegetation units Laura Marie Koller Matrikelnummer: Januar 2016 Institut für Photogrammetrie und GeoInformation Erstprüfer: Prof. Dr. Ing. Christian Heipke Zweitprüfer: Dr. Torge Steensen

3 Eidesstattliche Erklärung Ich erkläre hiermit, dass ich diese Bachelorarbeit selbstständig, ohne Hilfe Dritter und ohne Benutzung anderer als der angegebenen Quellen und Hilfsmittel verfasst habe. Alle den benutzten Quellen wörtlich oder sinngemäß entnommenen Stellen sind als solche einzeln kenntlich gemacht. Hannover, den i

4 Inhaltsverzeichnis Eidesstattliche Erklärung... i Inhaltsverzeichnis...ii Abbildungsverzeichnis... iii Tabellenverzeichnis... v 1. Kurzfassung Einführung Methoden Elektromagnetische Strahlung Reflexionseigenschaften Reflexionseigenschaften von Vegetation Vegetationsindizes Auflösungsarten Zeitliche Auflösung Geometrische Auflösung Spektrale Auflösung Radiometrische Auflösung Satellitengestützte Fernerkundung Geostationäre Satelliten Polarumkreisende Satelliten Landsat8 Satellit Spektrale Entmischung SMACC Datenauswahl Festlegung der NDVI-Intervalle Ergebnisse Ergebnisse der NDVI-Intervall-Festlegung Ergebnisse der NDVI-Klassifikation Prozentualer Flächenanteil nach der NDVI-Klassifikation der fünf Klassen Ergebnisse mit dem Ansatz SMACC Vergleich der NDVI-Ergebnisse mit den SMACC-Ergebnissen Diskussion Quellenverzeichnis Anhang ii

5 Abbildungsverzeichnis Abbildung 1: Verwendeter Satellitenbildausschnitt mit geografischer Einordnung... 1 Abbildung 2: Elektromagnetisches Spektrum [Demarine, 2015]... 3 Abbildung 3: Drei verschiedene Arten der Reflexion bei schräg einfallender Strahlung (roter Pfeil) an einer Oberfläche... 5 Abbildung 4: Schematische Darstellung der Absorption des blauen und roten Lichtes und Reflexion des grünen und infraroten Lichtes an einem grünen Blatt... 6 Abbildung 5: Reflexionskurven von vitalen Pflanzen, ungesunden Pflanzen und von Boden... 7 Abbildung 6: Gegenüberstellung der NDVI-Berechnung unterschiedlich vitaler Pflanzen [NASA, 2015]... 8 Abbildung 7: Grafische Darstellung eines Pushbroom Scanners [NASA, 2015] Abbildung 8: RGB-Ausschnitt vom Abbildung 9: NDVI-Intervalle der gesamten Satellitenbilder Abbildung 10: RGB-Ausschnitt vom Abbildung 11: NDVI-Klassifikation vom Abbildung 12: RGB-Ausschnitt vom Abbildung 13: NDVI-Klassifikation vom Abbildung 14: RGB-Ausschnitt vom Abbildung 15: NDVI-Klassifikation vom Abbildung 16: RGB-Ausschnitt vom Abbildung 17: NDVI-Klassifikation vom Abbildung 18: RGB-Ausschnitt vom Abbildung 19: NDVI-Klassifikation vom Abbildung 20: RGB-Ausschnitt vom Abbildung 21: NDVI-Klassifikation vom Abbildung 22: Prozentuale Flächenanteile der fünf Klassen der gesamten Satellitenbilder 28 Abbildung 23: Prozentuale Flächenanteile der fünf Klassen der wolkenfreien Satellitenbilder Abbildung 24: Endmember Wasser aus dem Satellitenbildausschnitt vom Abbildung 25: Endmember versiegelte Fläche aus dem Satellitenbildausschnitt vom Abbildung 26: Endmember unbewirtschaftete Felder aus dem Satellitenbildausschnitt vom iii

6 Abbildung 27: Endmember bewirtschaftete Felder aus dem Satellitenbildausschnitt vom Abbildung 28: Endmember Wald aus dem Satellitenbildausschnitt vom Abbildung 29: Unbearbeitetes Endmember versiegelte Fläche vom Abbildung 30: Bearbeitetes Endmember versiegelte Fläche vom Abbildung 31: Fehlerhaftes Endmember aus der Klassifikationsmethode SMACC iv

7 Tabellenverzeichnis Tabelle 1: Dateninformationen des Landsat8 Satelliten Tabelle 2: Empirisch festgelegte NDVI-Intervalle der fünf Klassen zu den jeweiligen Satellitenbildern Tabelle 3: Tabellarische Darstellung der NDVI-Ergebnisse von Bereichen, die von Cumulusnimbussen, Schleierwolken und Schatten bedeckt werden Tabelle 4: Prozentualer Flächenanteil der fünf Klassen für alle Satellitenbilder Tabelle 5: Gegenüberstellung der prozentualen Anteile von NDVI und SMACC v

8 1. Kurzfassung Die vorliegende Arbeit beschäftigt sich mit der fernerkundlichen Detektion von räumlichen Einheiten (wie z.b. Vegetationseinheiten). Dafür wird eine Auswahl an Satellitenbildern mit Hilfe von zwei Klassifikationsalgorithmen bearbeitet. Nach der Klassifikation werden die prozentualen Flächenanteile der verschiedenen Klassen berechnet und untereinander verglichen. Abschließend werden die Vor- und Nachteile und Grenzen der Methoden aufgezeigt. 2. Einführung Ein präsentes und auch für die Zukunft sehr wichtiges Thema ist der Strukturwandel am Boden. Durch eine Erfassung der Verteilung der räumlichen Einheiten ist es möglich räumliche Veränderungen zu quantifizieren. Diese Detektion kann mittels Fernerkundungsdatensätzen durchgeführt werden. Mit diesen Datensätzen können verschiedene Einheiten, wie zum Beispiel Wasser und Agrarflächen, aber auch versiegelte Flächen erfasst werden. In dieser Arbeit wird solch eine Differenzierung mit Hilfe von Satellitenbilder über die Zeit erfolgen. Es werden gleiche Ausschnitte der Satellitendaten verwendet, in denen der Flughafen Frankfurt am Main, der Rhein, der Main und der Staatsforst Königsstein im Zentrum stehen (Abb.1). Abbildung 1:Verwendeter Satellitenbildausschnitt mit geografischer Einordnung [Kartengrundlage verändert nach [Golfshop Info, 2015]] 1

9 In dieser Arbeit werden für die fernerkundliche Detektion verschiedene Methoden verwendet, die mit Hilfe der Software ENVI realisiert werden. Zum einen die Methode der spektralen Entmischung und zum anderen wird der Normalized Difference Vegetation Index (NDVI) herangezogen. Diese beiden Methoden werden im Hauptteil dieser Arbeit näher erläutert und die Ergebnisse präsentiert. Es werden fünf Klassen begutachtet, von denen der prozentuale Flächenanteil im verwendeten Satellitenbildausschnitt bestimmt wird. Die fünf Klassen sind Wasser, versiegelte Flächen (Siedlungen und Straßen), unbewirtschaftete Felder, bewirtschaftete Felder und Wald. Abschließend wird ein qualitativer Vergleich durchgeführt, der die Genauigkeit der benutzten Verfahren klären soll. 3. Methoden 3.1 Elektromagnetische Strahlung Die Erhebung von Bilddaten wird in der Fernerkundung mittels eines Sensors (Scanner, Luftkamera) durchgeführt, welcher auf einem Satelliten oder einem Flugzeug angebracht ist. Der befestigte Sensor erfasst die elektromagnetische Strahlung, die von einem Objekt reflektiert oder emittiert wird. Die elektromagnetische Strahlung ist eine Form der Energieausbreitung [Albertz, 2001]. Charakteristische Größen sind hierbei die Frequenz ν und die Wellenlänge λ, die im Zusammenhang mit der Ausbreitungsgeschwindigkeit c stehen [Albertz, 2001]. Die Beziehung zwischen diesen drei Größen lautet wie folgt: Die Wellenlänge findet Verwendung in der Fernerkundung als Charakterisierung für die elektromagnetische Strahlung. Die vorkommenden Wellenlängenbereiche der elektromagnetischen Strahlung werden als Gesamtheit in einem elektromagnetischen Spektrum (Abb. 2) dargestellt [Albertz, 2001]. 2

10 Abbildung 2: Elektromagnetisches Spektrum [Demarine, 2015]. In dieser Arbeit werden der sichtbare Bereich und das nahe Infrarot verwendet. Das in Abb. 2 dargestellte Spektrum kann in verschiedene Wellenlängenbereiche der empfangenen elektromagnetischen Strahlung eingeteilt werden. Der meist bekannteste Bereich ist das sichtbare Licht. Dieser Ausschnitt liegt im Wellenlängenbereich zwischen 0,4 und 0,7 µm [Albertz, 2001]. Im kürzeren Wellenlängenbereich befinden sich das nahe, anschließend das allgemeine Ultraviolett, dann die Röntgenstrahlen, die Gammastrahlen und abschließend die extrem kurzwellige kosmische Strahlung. Im elektromagnetischen Spektrum rechts neben dem sichtbaren Bereich folgt der längerwellige Bereich mit der Infrarotstrahlung. Die Infrarotstrahlung kann unterschieden werden in das nahe (bis etwa 1 µm), mittlere (1 bis etwa 7 µm) und das ferne (ab etwa 7 µm) Infrarot. Auf den Infrarotbereich folgen die Mikrowellen und die Radiowellen [Albertz, 2001]. In der Fernerkundung findet nicht das gesamte elektromagnetische Spektrum Verwendung, sondern es werden nur bestimmte Teilbereiche näher betrachtet und verwendet. Zum einen werden Multi- und Hyperspektralscanner für den Bereich des sichtbaren Lichts, im nahen, mittleren und fernen Infrarot eingesetzt. Des Weiteren werden Thermalscanner für den mittleren und fernen Infrarotbereich benutzt und schlussendlich Radarsysteme für den Mikrowellenbereich [Fe-Lexikon, 2015]. Die Fernerkundung stützt sich auf zwei verschiedene Strahlungsvorgänge (solar und terrestrisch). Bei der solaren Einstrahlung ist die Hauptquelle die Sonne. Die maximale Bestrahlungsstärke liegt bei einer Wellenlänge, vergleichbar wie bei einem Schwarzkörper, von λ = 0,47 µm bei einer Durchschnittstemperatur von 6000 K (Abb. 2). Die in der Fernerkundung verwendete Strahlung ist ausschließlich die, die von der Erdoberfläche oder der Atmosphäre reflektiert wird und die, die von der Erdoberfläche durch ihre 3

11 Eigentemperatur direkt abgegeben wird. Die Durchschnittstemperatur der Erde beträgt 300 K (Abb. 2). Das Maximum der Strahlung verschiebt sich mit sinkender Temperatur in höhere Wellenlängenbereiche (Abb. 2). Bei der Einstrahlung im terrestrischen Spektralbereich ist die atmosphärische Gegenstrahlung der Erdoberfläche charakterisierend. Die terrestrische Strahlung wird gekennzeichnet durch die gesamte Infrarotstrahlung, die von der Erde und der Atmosphäre im Bereich von etwa 200 bis 300 K ausgesandt wird. Die von der Erde reflektierte Strahlung wird in der Atmosphäre größtenteils absorbiert, somit gelangt nur ein kleiner Teil ins All [Fe- Lexikon, 2015]. 3.2 Reflexionseigenschaften Für eine Aufnahme von fernerkundlichen Daten ist es wichtig, dass die Oberfläche des Geländes und die verschiedenen Objekte sich gegenüber der auftreffenden Strahlung sehr differenziert verhalten [Albertz, 2001]. Es gibt viele Faktoren durch die es die Möglichkeit gibt, Objekte oder auch Gegenstände sofort in Bildwiedergaben zu erkennen, wie z.b. das Material der Geländeobjekte oder auch deren physikalischen Zustand, wie die Feuchtigkeit. Andere Reflexionseigenschaften der Geländeobjekte sind die Oberflächenrauhigkeit und geometrische Verhältnisse, wie der Einfallswinkel der Sonne oder die Beobachtungsrichtung [Albertz, 2001]. Die Rauhigkeit der Fläche charakterisiert die Art der Reflexion [Albertz, 2011]. Eine Art der Reflexion ist die spiegelnde Reflexion, die in Abb. 3a dargestellt ist. Diese findet statt, wenn die Rauhigkeit an der Oberfläche im Vergleich zur Wellenlänge klein ist. Bei der spiegelnden Reflexion ist der Einfallswinkel gleich dem Reflexionswinkel, welche häufig bei stillen Wasserflächen beobachtet wird. Eine weitere Reflexionsart ist die diffuse Reflexion. Diese liegt vor, wenn die Rauhigkeit an Oberflächen ungefähr gleich der Wellenlänge der auftreffenden Strahlung ist. Der Idealfall der diffusen Reflexion ist die Lambertsche Fläche (siehe Abb. 3b), die richtungsunabhängig reflektiert und aus diesem Grund in alle Richtungen gleich hell erscheint [Albertz, 2001]. Doch diese beiden Reflexionsarten kommen selten in der Realität vor. Eine Mischung aus spiegelnder und diffuser Reflexion nennt sich gemischte Reflexion. Die auftreffende Strahlung wird in allen Richtungen zurückgeworfen, wie bei der diffusen Reflexion, aber mit ungleicher Intensität. Diese Art der Reflexion ist in Abb. 3c dargestellt. 4

12 Abbildung 3: Drei verschiedene Arten der Reflexion bei schräg einfallender Strahlung (roter Pfeil) an einer Oberfläche; (a): Die spiegelnde Reflexion. (b): Die diffuse Reflexion (Lambertsche Fläche). (c) die gemischte Reflexion Reflexionseigenschaften von Vegetation Es gibt Oberflächen, welche die Eigenschaft besitzen, Teile des elektromagnetischen Spektrums unterschiedlich stark zu reflektieren. Blätter enthalten Farbpigmente wie das Chlorophyll. Diese absorbieren zum größten Teil den blauen und roten Bereich der einfallenden Strahlung, jedoch wird der grüne Bereich des sichtbaren Lichts stärker reflektiert, weswegen ein Blatt grün erscheint [Uni Bonn, 2015 a]. Im nahen Infrarotbereich wird eine noch stärkere Reflexion verzeichnet, als im grünen Bereich (vgl. Abb. 5). Dieser Anstieg wird als Red Edge bezeichnet und im nächsten Abschnitt näher erläutert [Seos, 2015]. Der Grund für die stärkere Reflexion im nahinfraroten Bereich ist, dass diese an den Blattzellwänden mehrfach gespiegelt und daher zum großen Anteil reflektiert wird [Colwell, 1963]. In der folgenden Abbildung (Abb.4) ist die Absorption und Reflexion an einem grünen Blatt schematisch dargestellt. 5

13 Abbildung 4: Schematische Darstellung der Absorption des blauen und roten Lichtes und Reflexion des grünen und infraroten Lichtes an einem grünen Blatt [geändert nach Albertz, 2001]. Orange kennzeichnet die Absorption und grün die Reflexion Vegetationsindizes Vegetationsindizes besitzen die Fähigkeit, in Bilddatenerhebungen Oberflächen mit vitaler Vegetation von unbewachsenen oder mit abgestorbener Vegetation bedeckten zu unterscheiden [Hildebrandt, 1996]. Des Weiteren kann eine Aussage über die Begrünung von Gebieten, deren Gesundheitszustand, den Wassergehalt der Pflanzen und über die jeweilige Jahreszeit getroffen werden. Mithilfe von Messwerten aus Spektralkanälen können solche Indizes berechnet werden, vor allem aus solchen, in denen sich vitale Vegetation von unbewachsenen Oberflächen unterscheidet [Hildebrandt, 1996]. Hierfür bieten sich am ehesten Messwerte aus dem nahen Infrarotbereich und dem Rot-Bereich an. Der Grund dafür ist der charakteristische Anstieg der Reflexionskurve der Vegetation vom sichtbaren Licht zum nahen Infrarotbereich. Im roten Wellenlängenbereich reflektiert die vitale Vegetation nur sehr gering, worauf ein steiler Anstieg (bei etwa 700 nm [Jones, 2010]) im nahen Infrarotbereich folgt (Red Edge siehe Abb.5). Vegetationsindizes sind dimensionslose Parameter. 6

14 Abbildung 5: Reflexionskurven von vitalen Pflanzen, ungesunden Pflanzen und von Boden; Darstellung der Red Edge bei der vitalen Vegetation [Micasense, 2015] Ratio-Vegetationsindex RVI In den siebziger Jahren entwickelten Pearson und Miller (1972) den ersten Vegetationsindex in Form von Verhältnisbildung der mittleren Reflexion im roten und nahen Infrarot Bereich. Durch den Ratio Vegetation Index (RVI) kann eine Schätzung und Überwachung der Pflanzenbedeckung erfolgen. Der RVI ist die einfachste Form dieser Art, der als Quotient der spektralen, reflektierten Strahlendichte L des nahen Infrarot (NIR) und des roten Aufnahmekanals bestimmt wird [Hildebrandt, 1996]. Die Formel lautet wie folgt: Der Index verbessert den Kontrast zwischen der Bodenoberfläche und der Vegetation. Außerdem ist dieser weniger beeinflusst von dem Effekt der Belichtungsgegebenheiten, jedoch empfindlich gegenüber den optischen Eigenschaften des Bodens [Baret und Guyot, 1991]. Die Beziehung zwischen den Reflexionen der beiden Bänder erlaubt die Störgröße von Einflussfaktoren in der gleichen Art der Strahlung von jedem Band zu schätzen [Holben und Justice, 1981]. Nach Jackson et al. (1983) ist der RVI empfindlich gegenüber atmosphärischen Effekten und das Unterscheidungsvermögen ist schwach, wenn die Vegetationsdecke nicht allzu dicht (weniger als 50%) bewachsen ist. 7

15 Normalized Difference Vegetation Index NDVI Rouse et al. (1974) stellte eine Erweiterung des RVI auf, den Normalized Difference Vegetation Index (NDVI). Dieser wird durch die Differenz und die Summe beider Strahlendichten bestimmt. Durch Formel 3 wird dieser Index ausgedrückt: Der NDVI ist empfindlich auf das Vorhandensein grüner Vegetation [Sellers, 1985]. Des Weiteren erlaubt dieser Index die Prognose von landwirtschaftlichen Pflanzen [Tucker und Sellers, 1986; Bullock, 1992] und die Fällung in halbtrockenen Gebieten [Kerr et al., 1989; Nicholson et al., 1990]. Der Erfolg des NDVI als ein Beschreiber von Vegetationsvariationen, trotz atmosphärischen Effekten [Kaufman, 1984; Fraser und Kaufman, 1985] und radiometrischen Zerlegungen in das rote und das nahe infrarote Band [Holben et al., 1990], baut auf der Normalisierung auf, welche diese Effekte und Zerlegungen erlauben. Normalisierungen reduzieren den Effekt von der Sensorkalibrierungszerlegung um ca. 6 % von dem gesamten Indexwert [Holben et al., 1990; Kaufman und Holben, 1993]. Der Wertebereich des Vegetationsindexes liegt zwischen -1 und 1. Beispielsweise hat grüne/vitale Vegetation einen NDVI Wert von 0,7, wie auch in Abb. 6 die linke Pflanze widerspiegelt. Des Weiteren können mit diesem Vegetationsindex Änderungen der Vegetation in den unterschiedlichen Jahreszeiten festgestellt werden [Uni Bonn, 2015 b]. Abbildung 6: Gegenüberstellung der NDVI-Berechnung unterschiedlich vitaler Pflanzen [NASA, 2015]. 8

16 Für die Berechnung des NDVI werden Reflexionseigenschaften der Pflanzen im Spektralbereich des sichtbaren Lichtes und nahen Infrarotbereichs verwendet. Bei gesunder Vegetation wird ein Großteil der nahen Infrarotstrahlung reflektiert, wobei das sichtbare Licht eher absorbiert wird. Wie viel jeweils reflektiert bzw. absorbiert wird, hängt stark von dem Chlorophyllgehalt der Pflanze ab. Wenn sich die Vitalität der Pflanze ändert, z.b. durch Vertrocknung, ändert sich das reflektierte elektromagnetische Spektrum. Dadurch, dass sich der Wassergehalt ändert, sinkt der Chlorophyllgehalt der Pflanze. Die Pflanze erscheint rotbräunlich, da ein größerer Rotanteil des sichtbaren Lichts reflektiert wird. 3.3 Auflösungsarten In der Fernerkundung wird zwischen vier Auflösungsarten unterschieden: die zeitliche, die geometrische, die spektrale und die radiometrische Auflösung Zeitliche Auflösung Die zeitliche Auflösung entspricht dem zeitlichen Abstand, der zwischen zwei Aufnahmen des gleichen Gebietes liegt. Je höher die zeitliche Auflösung, desto kleiner ist der Abstand zwischen den Aufnahmen [Uni Bonn, 2015 b]. Diese Art von Auflösung ist abhängig von der Flughöhe und der Umlaufbahn sowie von dem Blickwinkel des Satelliten Geometrische Auflösung Die geometrische Auflösung eines Sensors gibt Auskunft über den Detailgrad, der in dem Datensatz abgebildet werden kann [Geoinformatik, 2016]. Diese Auflösungsart wird entweder in Metern, Kilometern, Zentimetern, usw. angegeben. Fernerkundungssensoren besitzen die Fähigkeit, räumliche Details aufzunehmen, indem sie Informationen über Objekte in Form eines Rasters detektieren. Das überflogene Gebiet wird mittels Pixel (Bildpunkte), die kleinste Flächeneinheit eines digitalen Bildes, abgebildet. Die geometrische Auflösung ist charakterisiert durch die Kantenlänge eines Pixels. Je kleiner die Kantenlänge des Pixels, umso größer ist die geometrische Auflösung und umso mehr Details können erfasst werden. Eine geringe geometrische Auflösung ist gekennzeichnet durch eine Pixelkantenlänge von größer als 30 m, eine mittlere Auflösung von 2 bis 30 m und eine hohe Auflösung von unter 2 m [Seos, 2015]. Bei Satellitenbildern ist das Problem, dass nah beieinanderliegende Objekte in einem gemeinsamen Pixel abgebildet werden können, somit entstehen Mischpixel. Je geringer die geometrische Auflösung, umso mehr Mischpixel entstehen und umso schlechter können Flächen voneinander unterschieden werden. 9

17 3.3.3 Spektrale Auflösung Die spektrale Auflösung ist durch die Anzahl der Aufnahmekanäle eines Sensors und deren Bandbreite charakterisiert [Seos, 2015]. Jeder Wellenlängenbereich wird einzeln in getrennten Spektralkanälen aufgenommen. Der Sensor erstellt in jedem Kanal ein Bild, das aus verschiedenen Grautönen besteht. Je mehr Kanäle ein Sensor besitzt, umso höher ist die spektrale Auflösung eines Satelliten [Uni Bonn, 2015 b]. Die meist benutzten passiven, polarumkreisenden Satelliten besitzen zwischen drei und acht Spektralkanäle und sind dementsprechend multispektral [Seos, 2015]. Eine hohe spektrale Auflösung dient dazu, einzelne Objekte besser zu erkennen und spektral zu unterscheiden [Seos, 2015] Radiometrische Auflösung Die vierte Auflösungsart in der Fernerkundung ist die radiometrische Auflösung. Diese wird gekennzeichnet durch die unterschiedlichen Abstufungen der Grauwerte, die die einzelnen Kanäle erfassen können [Geovlex, 2015]. Die radiometrische Auflösung wird in bit angegeben [Uni Bonn, 2015 b]. Wenn die Auflösung beispielsweise 8-bit besitzt, gibt es insgesamt 256 Grautöne [Seos, 2015]. Je höher die radiometrische Auflösung, desto besser können Unterschiede im Reflexionsverhalten der Landoberfläche beobachtet werden [Uni Bonn, 2015 b]. 3.4 Satellitengestützte Fernerkundung Es wird zwischen geostationären und polarumkreisenden Satelliten unterschieden. Diese differenzieren sich in ihrer Flughöhe und dessen Aufnahmespektrum der Erdoberfläche Geostationäre Satelliten Die geostationären Satelliten befinden sich in einer Höhe von etwa km über dem Äquator und bewegen sich mit einer Geschwindigkeit von etwa 3,1 km/s. Daraus folgt, dass der Satellit etwa 24 Stunden für eine Umkreisung der Erde benötigt und somit ist die Bewegung eines solchen Satelliten synchron mit der Erdrotation. Da sich nun also die geostationären Satellitensysteme synchron mit der Erde bewegen, wird nicht die gesamte Erdkugel aufgenommen, sondern nur ein bestimmter Ausschnitt der Erdoberfläche. Der Grund dafür ist, dass sich die geostationären Satelliten im Idealfall immer über demselben Punkt der Erdoberfläche befinden. Deswegen können diese Satellitensysteme in zeitlichen Abständen von wenigen Minuten Bilder desselben Gebietes machen. Da nicht die komplette 10

18 Erdoberfläche von den geostationären Satelliten aufgenommen werden kann, werden zusätzlich noch polarumkreisende Satelliten zum Einsatz gebracht. [Schulmodell, 2015] Polarumkreisende Satelliten Polarumkreisende Satelliten, wie Landsat8, fliegen in einer Höhe von 700 bis 900 km auf einer schiefen Bahn von Pol zu Pol. Diese betrachten zwar nur einen kleinen Teil der Erdoberfläche, aber da sie sich auf einer schiefen Bahn befinden und sich die Erde unter ihnen dreht, ist in wenigen Tagen die gesamte Erdoberfläche aufgenommen. [Uni Bonn, 2015 b] 3.5 Landsat8 Satellit Für die fernerkundliche Detektion von Vegetationseinheiten werden Satellitenbilder, die von dem Satellit Landsat8 aufgenommen wurden, bereitgestellt. Die Landsat Satelliten sind passive, polarumkreisende Satelliten und gehören dem Gemeinschaftsprojekt der NASA und der U.S. Geological Survey (USGS) an [Spiegel Wissenschaft, 2015] ist der erste Satellit dieser Serie gestartet und weitere sieben folgten. Doch die meisten der gestarteten Satelliten sind schon außer Betrieb. Landsat8 ist 2013 gestartet und mit zwei Sensoren ausgestattet, dem Operational Land Imager (OLI) und dem Thermal Infrared Sensor (TIRS) [Landsat 8, 2015]. Der OLI nimmt Bilder mithilfe von neun Spektralbändern auf. Acht von den neun Bändern haben die gleiche geometrische Auflösung von 30 m [Landsat Science, 2015]. Band 8 hat als einziges Band eine Auflösung von 15 m [Landsat Science, 2015]. Im Vergleich zum Landsat7 Satelliten sind zwei neue Bänder (1 und 9) dazugekommen. Dessen Eigenschaften werden später näher erläutert. Der TIRS nimmt Bilder im höheren Wellenlängenbereich (10,6 und 12,5 µm) auf und besitzt eine kleinere geometrische Auflösung als der OLI [Landsat Science, 2015]. Die beiden thermalen Bänder (10 und 11) sind nützlich in der Bereitstellung von hochgenauen Oberflächentemperaturen [USGS, 2015]. In der nachfolgenden Tabelle (Tab. 1) sind die wichtigsten Daten des Landsat8 Satelliten aufgelistet: 11

19 Tabelle 1: Dateninformationen des Landsat8 Satelliten; Bandnummer mit den dazugehörigen Wellenlängenbereichen und geometrische Auflösung [Landsat Science, 2015]; Die orange markierten Bandnummern gehören zu dem OLI; die gelb markierten Bandnummern zu dem TIRS Band Nummer Wellenlänge [µm] Geometrische Auflösung 1 0,433 0, m 2 0,450 0, m 3 0,525 0, m 4 0,630 0, m 5 0,845 0, m 6 1,560 1, m 7 2,100 2, m 8 0,500 0, m 9 1,360 1, m 10 10,6 11,2 100 m 11 11,5 12,5 100 m Weitere Dateninformationen zum Satelliten sind, dass dieser 99 Minuten für eine Umrundung der Erde benötigt und in einer Höhe von etwa 700 km fliegt. Des Weiteren dauert die Erfassung der gesamten Erdoberfläche 16 Tage. [Spiegel Wissenschaft, 2015] Für diese Arbeit werden die Bänder eins bis sieben und neun verwendet, da die anderen drei Bänder eine andere geometrische Auflösung, als die restlichen Bänder haben. Band 1 liegt im Wellenlängenbereich von 0,433 bis 0,453 µm und erkennt tiefe Blautöne und violett [Landsat Science, 2015]. Blaues Licht ist schwer aus der Höhe zu erfassen, da dieses leicht bei winzigen Aerosolen aus Staub und Wasser in der Luft und sogar selbst bei Luftmolekülen zerstreut wird. Dies ist der Grund, warum sehr distanzierte Objekte, wie Berge am Horizont, bläulich erscheinen und warum der Himmel blau ist. Dieses Phänomen kann mit der Rayleigh-Streuung erklärt werden. Die Erdatmosphäre besteht zum größten Teil aus Stickstoff- und Sauerstoffmolekülen. Wenn die Lichtstrahlen auf dem Weg zur Erde sind, müssen sie durch diese Atmosphäre, wobei sie auf diese Moleküle treffen und von diesen abgelenkt und gestreut werden. Das blaue Licht, welches kurzwelliger als rotes Licht ist, wird von den Luftmolekülen stärker gestreut als rotes Licht [Spektrum, 2015]. Aus diesem Grund erscheint der wolkenlose, klare Himmel blau. Dieses Band wird küstennahes/aerosoles Band genannt, da es seichtes Wasser und feine Partikel wie Staub und Rauch aufspüren kann [Landsat Science, 2015]. Aerosole sind Partikel in der Luft, die entweder im flüssigen oder im festen Zustand vorkommen. Deren Größe bewegt sich zwischen 10-4 und 10 µm [Fe-Lexikon, 2015]. Die Aerosolpartikel werden als Dunst sichtbar. 12

20 Die Bänder 2, 3 und 4 liegen im sichtbaren Bereich [Landsat Science, 2015]. Band 2, mit einem Wellenlängenbereich zwischen 0,450 und 0,515 µm, repräsentiert die Grundfarbe Blau. Grün liegt im Bereich von 0,525 bis 0,600 µm und wird in Band 3 gezeigt. Der letzte sichtbare Bereich liegt zwischen 0,630 und 0,680 µm und ist die Farbe Rot in Band 4 [Landsat Science, 2015] (vgl. auch Abb. 2). Band 2 wird für die Abgrenzung von Boden und Vegetation und zu der Zuordnung der verschiedenen Waldtypen verwendet [USGS, 2015]. Mit dem grünen Spektralband (Band 3) kann das Wachstum der Pflanzen geschätzt werden [USGS, 2015]. Die Identifikation von Vegetationstypen und die Erkennung von Boden- und Stadtmerkmalen ist mit dem roten Band umzusetzen [USGS, 2015]. Band 5 misst den nahen Infrarotbereich [Landsat Science, 2015]. Dieser Teil von dem Spektrum ist vor allem wichtig für die Ökologie, da gesunde Pflanzen diese Strahlung reflektieren. Das Wasser in deren Blättern reflektiert die Wellenlänge zurück in den Himmel. In Kombination mit anderen Bändern können Indizes wie der NDVI berechnet werden. Durch diesen Index kann die Gesundheit der Pflanzen mit einer höheren Genauigkeit gemessen werden als wenn das sichtbare Grün begutachtet wird [Landsat Science, 2015]. Zusammenfassend ist Band 5 für die Vegetationsdetektion und analyse zuständig [USGS, 2015]. Band 6 und 7 decken unterschiedliche Bereiche vom kurzwelligen Infrarotbereich ab. Band 6 liegt im Wellenlängenbereich von 1,560 1,660 µm [Landsat Science, 2015] und ist für die Feuchtigkeits- und Trockenheitsanalyse der Pflanzen verantwortlich [USGS, 2015]. Des Weiteren können verbrannte und feuerbetroffene Flächen oder aktive Feuer detektiert werden. Band 7 liegt im Wellenlängenbereich von 2,100 2,300 µm und kann zusätzlich aktive Feuer, speziell nachts, aufspüren [USGS, 2015]. Band 8 ist ein panchromatisches Band mit einer höheren geometrischen Auflösung von 15 m. Aus diesem Grund wird dieses Band nicht in diese Arbeit mit eingebunden, da die restlichen verwendeten Bänder eine Auflösung von 30 m haben [Landsat Science, 2015]. Band 9 deckt einen sehr kleinen Bereich des Wellenlängenbereiches ab. Dieser Bereich liegt zwischen 1,360 und 1,390 µm und detektiert Cirruswolken. Diese Art von Wolken sind reine Eiswolken in großer Höhe, die aus Eis- und Schneekristallen bestehen und Federwolken genannt werden [Wolkenatlas, 2006]. Die Bänder 10 und 11 gehören zu dem TIRS. Sie liegen im Bereich von 10,6 bis 12,5 µm und sammeln Daten über die Wärmeabstrahlung der Erdoberfläche. Die Thermalbänder gewinnen immer mehr an Bedeutung bei der Überwachung und Kontrolle des Wasserverbrauchs, besonders in trockenen Gebieten [Fe-Lexikon, 2015]. 13

21 Die beiden Sensoren (OLI und TIRS) sind sogenannte Pushbroom Instrumente [Fe-Lexikon, 2015]. Durch neue Technologien kann OLI die gesamte Breite der Bodenspur gleichzeitig aufnehmen. Daraus werden Datenreihen gebildet, die die kontinuierliche Bodenspur erzeugen [NASA, 2015]. In Abb. 7 ist der Pushbroom Scanner grafisch dargestellt. Abbildung 7: Grafische Darstellung eines Pushbroom Scanners [NASA, 2015] Die einzelnen Kanäle nehmen Bilder in unterschiedlichen Grautönen auf. Farbige Bilder spielen in der Fernerkundung eine wichtige Rolle. Aus diesem Grund werden aus den einzelnen Grauwertbildern Farbbilder erzeugt, damit sie leichter zu interpretieren sind. Farbe ist eine Sinneswahrnehmung und das menschliche Auge beurteilt die einwirkende elektromagnetische Strahlung nach den drei Grundfarben rot, grün und blau [Albertz, 2001]. Diese drei Bewertungen werden zu einer Gesamtwirkung verbunden, sodass bei unterschiedlichen Anteilen verschiedene Farbwahrnehmungen gebildet werden. Deswegen werden RGB-Bilder erstellt, um ein gutes Ergebnis in der Bildinterpretation zu erreichen. RGB-Bilder bestehen aus den Kanälen rot, grün und blau. Diese drei Kanäle sind bei dem Landsat8 Satelliten in den Bändern 4 (rot), 3 (grün) und 2 (blau) zu finden. In der 14

22 nachfolgenden Abbildung (Abb. 8) ist ein RGB-Bild (Echtfarbenbild) dargestellt, welches keine Wolken beinhaltet. Abbildung 8: RGB-Ausschnitt vom ; geografisch eingeordnet und nach Maßstab wie Abb.1. Die verschieden farbigen Kästchen dienen als wolkenfreie Grundlage für Tab Spektrale Entmischung SMACC In dieser Arbeit wird der automatisierte Ansatz Sequential Maximum Angle Convex Cone (SMACC) verwendet, der von Gruniger et al. (2004) eingeführt wurde. Dieser Ansatz ist in der Software ENVI bereitgestellt. SMACC basiert auf einem konvexen Kegelmodell zum Darstellen von Vektordaten und ist ausgelegt für hyperspektrale Daten, die im Vorfeld kalibriert wurden [Gruniger, et al., 2004]. Dieses Verfahren erzeugt nach und nach Zusammenstellungen von Endmembern und dient zur Detektion von Endmemberspektren aus hyperspektralen Daten [Gruniger, et al., 2004]. Endmember sind Spektren, die idealisierte, reine Signaturen einer Klasse widerspiegeln [Isprs, 2015]. Zuerst sind Extrempunkte notwendig, um den konvexen Kegel zu schätzen, welcher das erste Endmember definiert. Die Anzahl der Endmember kann selbst bestimmt werden. Diese Methode arbeitet unüberwacht. Dies bedeutet, dass keine Referenzflächen benutzt werden und eine Interpretation der Ergebnisse nach der Klassifikation erfolgt. Der Algorithmus endet, wenn entweder alle Datenwerte innerhalb des Kegels liegen oder die maximale Anzahl an Endmembern erreicht ist [Gruniger, et al., 2004]. Anders formuliert, SMACC findet zuerst das hellste Pixel in dem Bild, anschließend das Pixel, welches sich zum ersten am meisten unterschiedet. Im Anschluss wird das Pixel gefunden, welches sich zu den ersten beiden 15

23 Pixeln am meisten unterscheidet. Der Prozess wird solange wiederholt bis SMACC ein Pixel findet, welches bereits in einer Gruppe nachgewiesen werden kann oder bis eine bestimmte Anzahl an Endmembern gefunden wurde. Das Pixelspektrum, das SMACC gefunden hat, wird zu den Endmembern der resultierenden Spektralbibliothek [Gruniger, et al., 2004]. 3.7 Datenauswahl Für diese Arbeit liegen 21 Satellitenbilder im Zeitraum vom bis vor. Das aufgenommene Gebiet umfasst einen Teil von Hessen und einen Teil von Rheinland- Pfalz. Der ausgewählte Bereich (Abb.1) besitzt charakteristische Merkmale, um dieses Gebiet geografisch einzuordnen: Den Flughafen Frankfurt am Main, den Rhein, den Main und den Staatsforst Königsstein. Es werden 17 Ausschnitte näher betrachtet, da die restlichen einen zu großen Anteil an Wolken besitzen. Der zeitliche Rahmen liegt bei einem Jahr, was bedeutet, dass sich voraussichtlich nichts Gravierendes in der Struktur der Oberfläche verändert hat. Aus diesem Grund wird in den nachfolgenden Untersuchungen nicht auf das Jahr geachtet, sondern die Satellitenbilder der Jahreszeit chronologisch sortiert. Der Ausschnitt des Satellitenbildes wurde gewählt, da verschiedene Oberflächenstrukturen (wie z.b. Wasser, versiegelte Fläche, unbewirtschaftete Felder) vorhanden sind. 3.8 Festlegung der NDVI-Intervalle Um die NDVI-Intervalle eines Satellitenbildes festzulegen, wird zuerst in der Software ENVI ein NDVI-Bild erstellt, indem für das gesamte Bild die NDVI-Werte berechnet werden. Aus der Berechnung kann abgelesen werden, in welchem Bereich die NDVI-Werte liegen (Software Tool Interactive Stretching). Anschließend wird das erste Intervall empirisch festgelegt. Der niedrigste NDVI-Wert ist der unterste Wert des Intervalls. Der Oberste wird empirisch bestimmt. Wasser ist die erste Klasse, die die kleinsten NDVI-Werte besitzt. Der oberste NDVI-Wert ist gefunden, wenn keine andere Klasse dadurch klassifiziert wird. Für die nächste Klasse, versiegelte Fläche, wird der oberste Wert der Klasse Wasser als niedrigster Wert verwendet. Der Prozess wird wie beschrieben fortgefahren. Der höchste NDVI-Wert ist abschließend der oberste Wert der fünften Klasse Wald. Im Abschnitt 4.1 sind die festgelegten NDVI-Intervalle aufgelistet. 16

24 4. Ergebnisse 4.1 Ergebnisse der NDVI-Intervall-Festlegung Nachdem, wie in Abschnitt 3.8 beschrieben, die NDVI-Intervalle der gesamten Satellitenbilder festgelegt worden sind, ist Tabelle 2 entstanden. Diese Tabelle beinhaltet zu jeder der fünf Klassen ein Intervall, welches zu jedem Satellitenbild individuell bestimmt worden ist. Tabelle 2: Empirisch festgelegte NDVI-Intervalle der fünf Klassen zu den jeweiligen Satellitenbildern. Die grün markierten Felder zeigen an, dass in diesen Satellitenbildern der Wald als grün klassifiziert wurde. Datum Wasser Versiegelte Unbewirtschaftete Bewirtschaftete Wald Fläche Felder Felder ,199-0,017 0,017-0,112 0,112-0,185 0,347-0,579 0,185-0, ,186 0,008 0,008 0,103 0,103 0,183 0,3 0,595 0,183 0, ,201-0,025 0,025-0,123 0,123-0,214 0,214-0,396 0,396-0, ,119-0,039 0,039-0,139 0,139-0,260 0,260-0,420 0,420-0, ,157-0,014 0,014-0,169 0,169-0,260 0,260-0,420 0,420-0, ,146-0,029 0,029-0,158 0,158-0,260 0,260-0,420 0,420-0, ,012-0,026 0,026-0,130 0,130-0,208 0,208-0,300 0,300-0, ,168 - (-0,023) -0,023-0,101 0,101-0,206 0,512-0,617 0,206-0, ,040-0,019 0,019-0,111 0,111-0,159 0,409-0,493 0,159-0, ,064-0,018 0,018-0,102 0,102-0,149 0,362-0,499 0,149-0, ,122 - (-0,013) -0,013-0,051 0,051-0,099 0,211-0,481 0,099-0, , ,057 0,057-0,118 0,201-0,470 0,118-0, ,159-0,004 0,004-0,085 0,085-0,126 0,228-0,502 0,126-0, ,105-0,013 0,013-0,081 0,081-0,155 0,250-0,543 0,155-0, ,191-0,008 0,008-0,100 0,100-0,160 0,265-0,540 0,160-0, ,121-0,041 0,041-0,126 0,126-0,195 0,383-0,556 0,195-0, ,154-0,015 0,015-0,116 0,116-0,250 0,250-0,334 0,334-0,626 Aus Tab. 2 ist zu erkennen, dass das Intervall mit den niedrigsten NDVI-Werten zu der Klasse Wasser gehört. Die Werte liegen zwischen -0,201 und 0,041. Darauf folgt die Klasse versiegelte Fläche, welche im Bereich von -0,023 und 0,169 klassifiziert worden ist. Die dritte klassifizierte Einheit sind unbewirtschaftete Felder. Unbewirtschaftete Felder sind eine Vegetationseinheit, die im Satellitenbild als gelbe oder braune Felder zu erkennen sind. Der minimale NDVI-Wert liegt bei 0,051, der maximale bei 0,260. Die Klassen mit den größten NDVI-Werten sind bewirtschaftete Felder und Wald. Die Vegetationseinheit Wald ist entweder als brauner oder grüner Wald klassifiziert worden. Brauner Wald bedeutet, dass die Laubbäume keine Blätter haben und aus diesem Grund braun erscheinen. Das Intervall liegt zwischen 0,099 und 0,201. Im Gegensatz dazu charakterisieren grüne Wälder, die Wälder, die aus Nadelbäumen und/oder aus Laubbäumen mit vitalen Blättern bestehen. 17

25 Diese Vegetationseinheit wird klassifiziert im Bereich von 0,300 und 0,655 (vgl. Tab. 2 grüne Markierung). Bewirtschaftete Felder liegen im Bereich von 0,201 und 0,595. In der folgenden Grafik (Abb. 9) sind die NDVI-Intervalle der einzelnen Satellitenbilder in einem Stapeldiagramm dargestellt. Abbildung 9: NDVI-Intervalle der gesamten Satellitenbilder Die Reihe der Satellitenbilder ist nicht nur in einer bestimmten Jahreszeit aufgenommen worden, sondern über fast das ganze Jahr verteilt (April 2013 bis April 2014). In Abb. 9 ist zu erkennen, dass in den Monaten April 2013 und November 2013 bis Mitte April 2014 die Vegetationseinheit bewirtschaftete Felder einen größeren NDVI-Wert haben, als die Klasse Wald. Auf den folgenden Seiten sind die Ergebnisse der NDVI-Klassifikation anhand der Satellitenbildausschnitte dargestellt. Es werden nicht alle klassifizierten Satellitenbilder auf den folgenden Seiten zu sehen sein, sondern nur eine Auswahl. Der Rest ist im Anhang zu finden. Die Auswahl besteht aus sechs Satellitenbildern: zwei wolkenfreie Bilder ( und ), zwei Satellitenbilder, die etwa 10% Wolken und Schatten enthalten ( und ), und zwei Satellitenbilder mit über 10% Wolken und Schatten 18

26 ( und ). Im Folgenden ist eine Farblegende dargestellt, welche Farbe zur jeweiligen Klasse gehört. 4.2 Ergebnisse der NDVI-Klassifikation Farblegende für die klassifizierten NDVI-Bilder Wasser Versiegelte Fläche Unbewirtschaftete Felder Bewirtschaftete Felder Wald Abbildung 10: RGB-Ausschnitt vom ; geografisch eingeordnet und nach Maßstab wie Abb.1. Dieser Ausschnitt ist wolken- und schattenfrei. Abbildung 11: NDVI-Klassifikation vom (siehe Abb.10) 19

27 Abbildung 12: RGB-Ausschnitt vom ; geografisch eingeordnet und nach Maßstab wie Abb.1. Dieser Ausschnitt ist wolken- und schattenfrei. Abbildung 13: NDVI-Klassifikation vom (siehe Abb.12) Die Abbildungen 10 und 12 sind wolkenfreie Ausschnitte. In den Abbildungen 11 und 13 sind die Ergebnisse der NDVI Klassifikation dargestellt. Der Ausschnitt vom enthält 2,29 % Wasser, 11,70 % versiegelte Fläche, 14,12 % unbewirtschaftete Felder, 20,09 % bewirtschaftete Felder und 51,81 % Wald. Wie in Abb. 10 zu erkennen ist, befindet sich der Wald im blattlosen Zustand, daher erscheint dieser braun. Ein geringer Teil der versiegelten Fläche wurde als Wasser klassifiziert. Dies ist am Flughafen Frankfurt am Main zu erkennen (Abb. 11). 20

28 Der Ausschnitt vom enthält 1,88 % Wasser, 9,61 % versiegelte Fläche, 15,42 % unbewirtschaftete Felder, 24,48 % bewirtschaftete Felder und 48,62 % Wald. Wie in dem Ausschnitt vom ist auch in diesem Satellitenbild der Wald noch blattlos und erscheint braun. Abbildung 14: RGB-Ausschnitt vom ; geografisch eingeordnet und nach Maßstab wie Abb.1. Dieser Ausschnitt enthält bis zu 10% Wolkenanteil. Abbildung 15: NDVI-Klassifikation vom (siehe Abb.14) Abb. 14 ist ein Ausschnitt vom und besitzt etwa 5 % Wolkenanteil. Der prozentuale Flächenanteil ist wie folgt verteilt: 1,88 % sind Wasser, 6,70 % versiegelte 21

29 Fläche, 17,03 % unbewirtschaftete Felder, 13,71 % bewirtschaftete Felder und 60,68 % Wald. Im Osten des Ausschnittes sind in Abb. 14 Cumulusnimbusse (dichte, schwarze, wie ein Berg aufgetürmte und von oben her nach allen Seiten sich ausbreitende Gewitterwolken [Duden, 2016]) über unbewirtschafteten Feldern zu erkennen. Diese sind nach der NDVI Klassifikation großflächig zu unbewirtschafteten Feldern klassifiziert worden (vgl. Tab. 3). Das gleiche Schema ist in der linken oberen Ecke des Ausschnittes zu erkennen. Abbildung 16: RGB-Ausschnitt vom ; geografisch eingeordnet und nach Maßstab wie Abb.1. Dieser Ausschnitt enthält bis zu 10% Wolkenanteil. Abbildung 17: NDVI-Klassifikation vom (siehe Abb.16). Der lila Kasten kennzeichnet den Ausschnitt, der in der Tab. 2 für ein Beispiel der NDVI-Klassifikation von Cumulusnimbus und Schatten über Wald dargestellt ist. Abb. 16 ist ein Ausschnitt vom mit einem Wolkenanteil von etwa 5 %. Die Cumulusnimbusse befinden sich über dem Staatsforst Königsstein und eine Schleierwolke 22

30 über dem Rhein. Der prozentuale Flächenanteil teilt sich wie folgt auf: 1,89 % sind Wasser, 7,12 % versiegelte Fläche, 21,95 % unbewirtschaftete Felder, 20,10 % bewirtschaftete Felder und 48,95 % Wald. Der prozentuale Flächenanteil an versiegelter Fläche ist deutlich höher als in den wolkenfreien Ausschnitten. Ein kleines Stück vom Rhein wurde als versiegelte Fläche klassifiziert. In Abb. 16 sind Schatten von den Cumulusnimbussen zu erkennen. Diese sind, wie in Abb. 17 zu erkennen ist, als versiegelte Fläche klassifiziert worden (vgl. Tab. 3). Die Cumulusnimbusse sind als unbewirtschaftete Felder identifiziert worden (vgl. Tab. 3). Abbildung 18: RGB-Ausschnitt vom ; geografisch eingeordnet und nach Maßstab wie Abb.1. Dieser Ausschnitt enthält über 10% Wolkenanteil. Abbildung 19: NDVI-Klassifikation vom (siehe Abb.18). Die farbig markierten Kästen kennzeichnen Beispiele der NDVI-Klassifikation von Cumulusnimbussen und Schleierwolken, die in Tab. 2 dargestellt sind. Orange: Beispiel für Schleierwolken über Wasser. Gelb: Beispiel für Cumulusnimbusse über unbewirtschafteten Feldern. 23

31 Der Satellitenbildausschnitt vom (Abb. 18) enthält über 10 % Wolken. Der Großteil der Wolken sind Schleierwolken, die sich fast über das ganze Bild erstrecken. Einzelne Cumulusnimbusse sind auch zu erkennen. Der gesamte Ausschnitt besteht aus 0,14 % Wasser, 6,33 % versiegelter Fläche, 24,03 % unbewirtschaftete Felder, 39,33 % bewirtschaftete Felder und 30,17 % Wald. Die Schleierwolken, die sich über den Rhein und Main erstrecken, klassifizieren das Wasser als versiegelte Fläche (siehe Abb. 19 und Tab. 3). Abbildung 20: RGB-Ausschnitt vom , geografisch eingeordnet und nach Maßstab wie Abb.1. Dieser Ausschnitt enthält über 10% Wolkenanteil. Abbildung 21: NDVI-Klassifikation vom (siehe Abb.20). Die farbig markierten Kästen kennzeichnen Beispiele der NDVI-Klassifikation von Cumulusnimbussen, Schleierwolken und Schatten, die in Tab. 2 dargestellt sind. Rot: Beispiel für Cumulusnimbusse und Schatten über Wasser und bewirtschafteter Felder. Dunkelrot: Beispiel für Cumulusnimbusse, Schleierwolken und Schatten über versiegelter Fläche. Hellblau: Beispiel für Schatten über unbewirtschafteten Feldern. 24

32 Abb. 20 ist vom In Abb. 16 ist zu erkennen, dass schätzungsweise über 30 % Wolken und Schatten in dem Satellitenbild enthalten sind. Der prozentuale Flächenanteil von Wasser beträgt 1,14 %. Auffällig ist der Anteil von versiegelter Fläche und bewirtschafteten Feldern. 29,00 % des gesamten Ausschnittes sind versiegelte Fläche und nur 1,35 % bewirtschaftete Felder. Unbewirtschaftete Felder sind 30,14 % und Wald 38,38 % des Ausschnittes. In Abb. 17 sind die auffälligen Anteile deutlich zu erkennen. Über dem Rhein und dem Main befinden sich Wolken und Schatten, wodurch das Wasser nicht als Wasser klassifiziert wurde. Dicke Cumulusnimbusse und Schatten werden zu der Klasse versiegelte Fläche und Schleierwolken zu unbewirtschafteten Feldern (vgl. Tab. 3). Wenn sich Wolken und Schatten über versiegelter Fläche befinden, werden Schatten zu Wasser, Schleierwolken zu unbewirtschafteten Feldern und Cumulusnimbusse bleiben versiegelte Fläche (vgl. Tab. 3). Nicht nur über Wasser und versiegelter Fläche befinden sich in diesem Ausschnitt Wolken, sondern über das gesamte Bild verteilt. Cumulusnimbusse werden im Allgemeinen als versiegelte Fläche klassifiziert und Schatten als unbewirtschaftete Felder. Aus diesem Grund sind die prozentualen Flächenanteile von versiegelter Fläche und unbewirtschafteten Feldern deutlich höher als bei den wolkenfreien Ausschnitten. 25

33 26 Tabelle 3: Tabellarische Darstellung der NDVI-Ergebnisse von Bereichen, die von Cumulusnimbussen, Schleierwolken und Schatten bedeckt werden. Blau: Wasser; schwarz: versiegelte Fläche; braun: unbewirtschaftete Felder; hellgrün: bewirtschaftete Felder; dunkelgrün: Wald. Die RGB-Grundlage der Kartenausschnitte ist in Abb.8 zu entnehmen. Cumulusnimbusse Beispiel einer NDVI Klassifikation von Cumulusnimbussen Schleierwolken Beispiel einer NDVI Klassifikation von Schleierwolken Schatten Beispiel einer NDVI Klassifikation von Schatten Wasser Versiegelte Fläche Unbewirtschaftete Felder Keine Veränderung beobachtet Keine Veränderung beobachtet Bewirtschaftete Felder Keine Veränderung beobachtet Keine Veränderung beobachtet Wald Keine Veränderung beobachtet Keine Veränderung beobachtet

34 4.3 Prozentualer Flächenanteil nach der NDVI-Klassifikation der fünf Klassen In der nachfolgenden Tabelle (Tab. 4) sind die gesamten Flächenanteile der jeweiligen fünf Klassen (Wasser, versiegelte Fläche, unbewirtschaftete Felder, bewirtschaftete Felder und Wald) der einzelnen Satellitenbilder aufgelistet. Tabelle 4: Prozentualer Flächenanteil der fünf Klassen für alle Satellitenbilder; die gelb markierten Felder sind wolkenlose Satellitenbilder Datum Wasser Versiegelte Fläche Unbewirtschaftete Felder Bewirtschaftete Felder Wald Wolken & Schatten ,45 % 34,02 % 25,13 % 5,70 % 33,70 % 35 %(S+W) ,75 % 6,08 % 12,29 % 33,74 % 46,14 % ,77 % 16,54 % 17,08 % 31,18 % 33,43 % 10 % ,76 % 4,35 % 10,92 % 32,89 % 50,08 % ,83 % 7,22 % 8,53 % 29,12 % 53,31 % ,85 % 5,13 % 11,72 % 35,42 % 45,87 % ,14 % 6,33 % 24,03 % 39,33 % 30,17 % 25 % ,14 % 29,00 % 30,14 % 1,35 % 38,38 % 37 % ,45 % 14,57 % 25,97 % 0,68 % 58,33 % 20 % ,38 % 6,83 % 11,58 % 6,75 % 73,46 % 2 % ,68 % 15,74 % 25,78 % 12,44 % 45,36 % 20 % ,89 % 7,12 % 21,95 % 20,10 % 48,95 % 5 % ,29 % 11,70 % 14,12 % 20,09 % 51,81 % ,69 % 6,61 % 27,73 % 20,23 % 43,74 % 15 % (S) ,88 % 9,61 % 15,42 % 24,48 % 48,62 % ,88 % 6,70 % 17,03 % 13,71 % 60,68 % 5 % (W) ,51 % 7,68 % 37,98 % 23,40 % 29,43 % 20 % Die gelb markierten Felder sind die Satellitenbilder, die wolkenfrei sind. In diesen fünf Ausschnitten sind keine störenden Wolken oder Schatten enthalten, wodurch falsche Klassifikationen zustande kommen können. In der nachfolgenden Grafik (Abb. 22) sind die prozentualen Flächenanteile der gesamten Satellitenbilder, die in Tab. 4 aufgelistet sind, in einem Diagramm dargestellt. 27

35 Abbildung 22: Prozentuale Flächenanteile der fünf Klassen der gesamten Satellitenbilder. Die vertikalen schwarzen Striche weisen auf die wolkenfreien Ausschnitte hin. In Abb. 22 ist zu erkennen, dass sich der prozentuale Flächenanteil von Wasser wenig verändert. Dieser schwankt im Bereich von 0,14 % und 2,29 %. Im Gegensatz dazu schwanken die vier weiteren Klassen sehr deutlich. Der prozentuale Flächenanteil von versiegelter Fläche liegt zwischen 4,35 % und 34,02 %. 7,94 % ist der kleinste prozentuale Flächenanteil an unbewirtschafteten Feldern und 37,98 % der maximalste. Bei bewirtschafteten Feldern ist die Spanne noch größer, welche zwischen 0,68 % und 57,56 % liegt. Die letzte zu klassifizierende Klasse ist die Vegetationseinheit Wald, dessen prozentualer Flächenanteil zwischen 18,38 % und 73,43 % schwankt. Die schwarzen senkrechten Striche in Abb. 22 kennzeichnen wolkenfreie Ausschnitte, welche in der folgenden Grafik (Abb. 23) separat nochmals dargestellt sind. 28

36 Flächenanteil [%] Datum von der Aufnahme der Satellitenbilder Wasser unbewirtschaftete Felder Wald versiegelte Fläche bewirtschaftete Felder Abbildung 23: Prozentuale Flächenanteile der fünf Klassen der wolkenfreien Satellitenbilder, die in Abb.22 mit den schwarzen, vertikalen Strichen markiert sind. In Abb. 23 ist zu erkennen, dass die prozentualen Flächenanteile der jeweiligen Klassen viel gleichmäßiger sind als in Abb. 22. Die Klasse Wasser ist nahezu linear. Der prozentuale Flächenanteil der zwei Vegetationseinheiten bewirtschaftete Felder und Wald ist in den sechs ausgewählten wolkenfreien Ausschnitten nicht konstant. Der Grund dafür sind die Jahreszeiten. 29

37 4.4 Ergebnisse mit dem Ansatz SMACC Mit dem Ansatz von SMACC kann auch eine Art Klassifikation durchgeführt werden. Es werden Endmember ausgewählt, die die fünf zu untersuchenden Klassen darstellen. SMACC wird auf die sechs ausgewählten wolkenfreien Ausschnitte angewendet. Aus den gefundenen Endmembern wird der prozentuale Flächenanteil berechnet und mit den Ergebnissen der NDVI Klassifikation verglichen. Bevor der Vergleich zwischen NDVI und SMACC durchgeführt wird, hier diverse Beispiele der gefundenen Endmember: Abbildung 24: Endmember Wasser aus dem Satellitenbildausschnitt vom ; geografisch eingeordnet und nach Maßstab wie Abb.1. Abbildung 25: Endmember versiegelte Fläche aus dem Satellitenbildausschnitt vom ; geografisch eingeordnet und nach Maßstab wie Abb.1. 30

38 Abbildung 26: Endmember unbewirtschaftete Felder aus dem Satellitenbildausschnitt vom ; geografisch eingeordnet und nach Maßstab wie Abb.1. Dieses Endmember ist unbearbeitet. Abbildung 27: Endmember bewirtschaftete Felder aus dem Satellitenbildausschnitt vom ; geografisch eingeordnet und nach Maßstab wie Abb.1. 31

39 Abbildung 28: Endmember Wald aus dem Satellitenbildausschnitt vom ; geografisch eingeordnet und nach Maßstab wie Abb.1. Dieses Endmember wurde bearbeitet, indem der prozentuale Flächenanteil aus den grauen Pixeln berechnet wurde. Weiß: versiegelte Fläche und unbewirtschaftete Felder; grau: Wald; schwarz: bewirtschaftete Felder. Abb. 24 bis 28 sind fünf Endmember, die durch den Ansatz SMACC entstanden sind. Jedoch sind von diesen ausgewählten Endmembern nicht alle unbearbeitet. Das Endmember unbewirtschaftete Felder wurde nach Entstehung nicht weiter bearbeitet. Die restlichen vier ausgewählten Endmember wurden so bearbeitet, dass die einzelnen Klassen mehr zur Geltung kommen. Dies bedeutet, dass Grauwertbereiche ausgewählt worden sind und nur von diesen der prozentuale Flächenanteil berechnet wurde. In Abb. 24 bis 27 sind das, was in weiß dargestellt ist die reinen Endmember. Um den prozentualen Flächenanteil zu bestimmen, werden die schwarzen Pixel von den Gesamtpixeln abgezogen. Somit ist die Anzahl an weißen Pixel bestimmt. Im letzten Schritt wird der prozentuale Flächenanteil der weißen Pixel berechnet. Im nächsten Abschnitt sind die Ergebnisse der SMACC Klassifikation in einer Tabelle im Vergleich zu den Ergebnissen der NDVI Klassifikation dargestellt. 32

40 4.5 Vergleich der NDVI-Ergebnisse mit den SMACC-Ergebnissen In der folgenden Tabelle (Tab. 5) sind die prozentualen Flächenanteile der NDVI- Klassifikation gegenüber den der SMACC-Klassifikation aufgelistet. In Tab. 5 sind die Ergebnisse der prozentualen Flächenanteile von den Klassifikationsansätzen mittels NDVI und SMACC anhand von den sechs ausgewählten wolkenfreien Ausschnitten gegenübergestellt. Mit Hilfe von SMACC wurden 22 Endmember gefunden. Zwei von diesen sind unbearbeitet und in Tab. 5 mit einem Sternchen (*) versehen. Der Klassifikationsansatz mittels NDVI bringt folgende Ergebnisse des prozentualen Flächenanteils für die Klasse Wasser hervor: Der Bereich liegt zwischen 1,74 % und 2,29 %. Im Vergleich dazu liegt der Bereich mit Hilfe von SMACC zwischen 2,22 % und 2,71 %. Der prozentuale Flächenanteil von versiegelter Fläche liegt mit Hilfe des Vegetationsindexes zwischen 5,13 % und 11,70 %; mittels SMACC zwischen 5,08 % und 14,65 %. Eine weitere Klasse sind die unbewirtschafteten Felder. Der berechnete Flächenanteil dafür liegt per NDVI zwischen 7,94 % und 15,87 % und per SMACC zwischen 5,93 % und 15,37 %. Die letzten beiden zu klassifizierenden Klassen sind bewirtschaftete Felder und Wald. Im Bereich von 20,09 % und 57,56 % liegt der prozentuale Flächenanteil an bewirtschafteten Feldern mit Hilfe von NDVI. Per SMACC liegt der Flächenanteil zwischen 19,59 % und 29,59 %. Jedoch stehen zum Vergleich nur 3 Endmember zur Verfügung. Die mittels NDVI klassifizierten prozentualen Flächenanteile von Wald liegen im Bereich von 18,38 % bis 51,81 %, mit Hilfe von SMACC zwischen 16,35 % und 56,06 %. 33

41 34 Tabelle 5: Gegenüberstellung der prozentualen Anteile von NDVI und SMACC. Dieser Vergleich wird mit den wolkenfreien Ausschnitten durchgeführt. Die mit einem * markierten prozentualen Flächenanteile stammen aus einem unbearbeiteten Endmember. Die orange gefärbten Felder gehören zu den zuvor aufgelisteten Endmembern in Abb Die restlichen Endmember befinden sich im Anhang. Nicht zu allen Klassen wurde ein Endmember gefunden; diese Felder sind mit einem markiert NDVI SMACC NDVI SMACC NDVI SMACC NDVI SMACC NDVI SMACC NDVI SMACC Wasser 1,75% - 1,74% 2,54% 1,85% 2,71% 1,85% 2,34% 2,29% 2,22% 1,88% - versiegelte Fläche 6,08% 5,54% * 9,59% 9,81% 6,34% 10,11% 5,13% 5,08% 11,70% 14,65% 9,61% - unbewirtschaftete Felder 12,29% - 7,94% 7,90% 15,87% 5,93% 11,72% 15,37% 14,12% 12,52% 15,42% 13,38% * bewirtschaftete Felder 33,74% 29,59% 48,18% - 57,56% - 35,42% - 20,09% 19,59% 24,48% 26,01% Wald 46,14% 54,48% 32,55% 56,06% 18,38% 34,79% 45,78% 16,35% 51,81% 53,52% 48,62% -

42 5. Diskussion Ein qualitativer Vergleich soll abschließend die Genauigkeit der gewählten Verfahren klären. Hierbei sollen die guten Ergebnisse der Verfahren hervorgehoben und diskutiert werden, aber auch die jeweiligen Grenzen dieser Verfahren aufgezeigt werden. Das Klassifikationsverfahren mit der Unterstützung von NDVI wurde empirisch und die Intervalle selbst festgelegt. Die Schwierigkeit liegt darin, dass jeder Satellitenbildausschnitt einen unterschiedlichen NDVI-Wertebereich besitzt und die Intervallgrenzen oft unterschiedlich sind. Für jede zu klassifizierende Klasse wird ein individuelles NDVI-Intervall festgelegt und der prozentuale Flächenanteil berechnet. Die Satellitenbildausschnitte weisen unterschiedliche Wolkensituationen auf. Die Bilder, die wolkenfrei sind, sind sehr gut zu klassifizieren. Dies beweist beispielsweise die Abb. 13 vom Wird die Abb. 12 mit der Abb. 13 verglichen, ist zu erkennen, dass die Klasse Wasser sehr gut klassifiziert wurde. Versiegelte Fläche ist im Vergleich zu der Realität zu wenig klassifiziert worden. Dies ist auch später im Vergleich zwischen dem Ansatz mit Hilfe von NDVI und SMACC zu erkennen. Die unbewirtschafteten Felder sind gut identifiziert worden. Zusätzlich zu den unbewirtschafteten Feldern ist ein Teil der versiegelten Fläche auch als diese Klasse klassifiziert worden (vgl. Abb. 13). Die Vegetationseinheiten (bewirtschaftete Felder und Wald) werden in den wolkenfreien Ausschnitten im Großen und Ganzen gut erkannt. Wolken sind nicht gleich Wolken. In dieser Arbeit werden Wolken in Cumulusnimbusse und Schleierwolken unterschieden, welche die Klassifikation mit Hilfe des Vegetationsindexes erschweren. Wie in Abb. 20 zu erkennen ist, enthält dieser Ausschnitt über 10 % Cumulusnimbusse. In den Ergebnissen ist beschrieben, dass der prozentuale Flächenanteil von versiegelter Fläche deutlich höher ist als bei den wolkenfreien Ausschnitten. Der Grund dafür ist, dass die Cumulusnimbusse über Wasser und bewirtschafteten Feldern als versiegelte Flächen klassifiziert werden. Das gleiche Problem liegt bei den unbewirtschafteten Feldern vor. Folglich verfälschen Cumulusnimbusse und Schleierwolken das Ergebnis der prozentualen Flächenanteile, vor allem bei versiegelten Flächen und unbewirtschafteten Feldern. Bei Wolkenanteilen bis zu 5 % fällt die fehlerhafte Klassifikation nicht ins Gewicht (vgl. Tab. 4). Doch bei einem Wolkenanteil über 10 % stößt der Klassifikationsansatz mittels NDVI an seine Grenzen, da keine realistischen Ergebnisse zustande kommen. Schatten von Wolken sind zusätzlich ein Faktor, der die Ergebnisse erheblich verschlechtert (siehe Abb. 21). 35

43 SMACC ist eine Klassifikationsmethode, die automatisch funktioniert und als Voreinstellung die Endmemberanzahl manuell bestimmt werden kann. In Endmembern werden reine Objekte dargestellt, welche in weiß präsentiert werden. Durch die automatische Klassifikation gibt es keine Einwirkung von außen, was bedeutet, dass keine manuellen Klassifikationsfehler entstehen können. Zwei von den insgesamt 22 brauchbaren Endmembern konnten unbearbeitet für die Berechnung des prozentualen Flächenanteils verwendet werden. Die Klasse Wasser wurde ebenfalls gut klassifiziert wie mit der Methode des Vegetationsindexes. Die versiegelten Flächen wurden im Vergleich zu NDVI genauer klassifiziert. Im Vergleich zwischen Abb. 25 und 26 wird beobachtet, dass die versiegelte Fläche sehr gut erkannt wurde. Jedoch wurde das Endmember bearbeitet, so dass der Kontrast zwischen schwarz und weiß größer wird. Ein unbearbeitetes Endmember von versiegelter Fläche ist vorhanden und zeigt, dass der prozentuale Flächenanteil im Vergleich zu dem bearbeiteten Endmember um die Hälfte kleiner ist. Abbildung 29: Unbearbeitetes Endmember versiegelte Fläche vom In diesem Endmember sind 5,54 % versiegelte Fläche enthalten. 36

44 Abbildung 30: Bearbeitetes Endmember versiegelte Fläche vom In diesem Endmember sind 14,65 % versiegelte Fläche enthalten. In den Abbildungen 29 und 30 ist der Vergleich zweier Endmember (versiegelte Fläche) dargestellt. Abb. 29 ist ein unbearbeitetes Endmember und Abb. 30 ein Bearbeitetes. Die prozentualen Flächenanteile von versiegelter Fläche unterscheiden sich signifikant. Dies ist ein Beispiel dafür, dass die entstandenen Endmember aus der automatischen Methode zuvor manuell überprüft werden müssen, bevor weitere Berechnungen folgen. Die beiden verwendeten Klassifikationsansätze bringen Vor- und auch Nachteile mit sich. Ein Vorteil des Ansatzes mit Hilfe von NDVI ist es, dass für jedes einzelne Satellitenbild eigene Intervallbereiche manuell festgelegt werden können. Jedoch bringt dieser Vorteil auch gleich einen Nachteil mit sich. Der zeitliche Aufwand dieser Klassifikation ist anfangs sehr hoch. Doch das Auge wird von Zeit zu Zeit trainierter, wodurch der Aufwand pro Bild kleiner wird. Jedoch schleicht sich dabei ein weiterer Nachteil ein. Wenn das Auge von Zeit zu Zeit trainierter wird, sind die Ergebnisse zu Beginn nicht so optimal, wie nach beispielsweise zehn klassifizierten Bildern. Da wäre es sinnvoll, die vom Anfang nochmals zu klassifizieren. Des Weiteren entstehen Schwierigkeiten bei der Differenzierung zwischen verschiedenen Vegetationsarten aufgrund der Ähnlichkeit ihrer spektralen Signaturen. In dieser Arbeit soll eine Differenzierung zwischen verschiedenen Vegetationseinheiten vorgenommen werden. Unbewirtschaftete und bewirtschaftete Felder können mit Unterstützung von NDVI gut auseinander gehalten werden. Außerdem gibt es die Möglichkeit zwischen Laub- und Nadelwald zu unterscheiden. Der Grund dafür ist, dass der Nadelwald in den Wintermonaten grün bleibt und der Laubwald zu der Zeit blattlos ist und braun erscheint. Doch Unterschiede zwischen einzelnen Pflanzeneinheiten mit Blättern zu erkennen, gestaltet sich als sehr schwierig und fast unmöglich. 37

45 Bei SMACC ist der Vorteil, dass das Zusammenstellen und Detektieren von Endmembern vollautomatisch abläuft. Jedoch bringt diese Methode nicht nur Vorteile mit sich. Ein Nachteil ist, dass keine Klassifikation der Endmember erfolgt. Aus diesem Grund wird somit eine manuelle Identifikation der Endmember durchgeführt. Es muss darauf geachtet werden, dass es reine Endmember sind und keine Mischung aus verschiedenen Klassen. Dies kann durch einen Vergleich mit dem passenden RGB Bild erfolgen. Fehlerhafte Endmember, die aus verschiedenen Materialien bestehen, tragen nicht positiv zu der Berechnung der prozentualen Flächenanteile der einzelnen Klassen bei. Ein Beispiel eines fehlerhaften Endmembers ist in der folgenden Abbildung (Abb. 31) dargestellt. Abbildung 31: Fehlerhaftes Endmember aus der Klassifikationsmethode SMACC. Mit dem Endmember soll Wasser dargestellt werden, aber andere Klassen sind ebenfalls hell dargestellt, was zu einem fehlerhaft berechneten Flächenanteil führt. Abb. 31 stellt ein fehlerhaftes Endmember dar, welches Wasser widerspiegeln soll. Dies führt bei der Berechnung des prozentualen Flächenanteils zu einem falschen Ergebnis. Um dies zu verhindern, wird die Verteilung der Grauwerte so bearbeitet, dass nur noch die zu klassifizierende Klasse (weiß) erkennbar ist. Zusammenfassend kann gesagt werden, dass beide Klassifikationsmethoden gute Ergebnisse erzielen, jedoch jedes einzelne seine Vor- und Nachteile besitzt. Im Vergleich beider Methoden ist zu erkennen, dass die Klasse Wasser bei beiden sehr gut klassifiziert wurde. Im Mittel unterscheiden sich die prozentualen Flächenanteile um 0,56 %. Bei den versiegelten Flächen können Unterschiede beobachtet werden. In den wolkenfreien Ausschnitten wird mit der Methode des Vegetationsindexes prozentual gesehen weniger 38

46 Fläche identifiziert als bei dem Ansatz von SMACC. Der berechnete Flächenanteil mit SMACC ist im Durchschnitt um 1,27 % größer als der mit Hilfe von NDVI. Wird der prozentuale Flächenanteil von den unbewirtschafteten Feldern verglichen, wird mit Unterstützung der Methode von SMACC im Mittel 1,99 % weniger Fläche klassifiziert als mit NDVI. Bei der Vegetationseinheit bewirtschaftete Felder ist es ähnlich wie bei den unbewirtschafteten Feldern. Es werden mittels SMACC 1,04 % Fläche von bewirtschafteten Feldern weniger identifiziert als mit NDVI. Des Weiteren sind mittels SMACC 4,11 % mehr Fläche von Wald klassifiziert worden als mit der Methode von NDVI. Abschließend sind beide Methoden als gut zu bewerten, doch kann mit dem Ansatz von NDVI jede Intervallgrenze einzeln manuell festgelegt werden. Jedoch stößt die Methode mit Hilfe von NDVI bei einem gewissen Prozentsatz an Wolken an ihre Grenzen. Mit beiden Methoden ist es eine Herausforderung verschiedene Pflanzenarten zu unterschieden. 39

47 7. Quellenverzeichnis [Albertz, 2001] Albertz, J. (2001): Einführung in die Fernerkundung - Grundlagen der Interpretation von Luft- und Satellitenbildern. Darmstadt: Wissenschaftliche Buchgesellschaft. [Baret und Guyot, 1991] Baret, E und Guyot, G. (1991): Potentials and limits of vegetation indices for LAI and APAR assessment. Remote Sensing of Environment 35: [Bullock, 1992] Bullock, P. R. (1992): Operational estimates of western Canadian grain production using NOAA AVHRR LAC data. Canadian Journal of Remote Sensing 18 (1): [Colwell, 1963] Colwell, R. N. (1963): Basic Matter and Energy Relationships Involved in Remote Reconnaissance Photogrammetric Engineering 29. S [DeMarine, 2015] Brockmann Consult GmbH (2015): DeMarine Umwelt. fcc2f28548e9&groupid=10136&t= ; Zugriff am [Duden, 2016] Bibliographisches Institut GmbH (2015): Duden. Zugriff am [Fe-Lexikon, 2015] Baldenhofer, K. G. (2015): Lexikon der Fernerkundung. Zugriff am [Fraser und Kaufmann, 1985] Fraser, R. S. und Kaufman, Y. J. (1985): The relative importance of scattering and absorption in remote sensing. IEEE Transactions on Geoscience and Remote Sensing 23: [Geoinformatik, 2016] Reudenbach, C. (2015): Methoden der Geoinformatik. Zugriff am

48 [Geovlex, 2015] Martin-Luther-Universität Halle-Wittenberg (2015). GEOVLEX Online- Lernmodule: Zugriff am [Golfshop Info, 2016] Remus, A. (2015): Golfshops. Zugriff am [Gruniger et al., 2004] Gruniger, J., Ratkowski, A. J. und Hoke, M. L. (2004): The sequential maximum angle convex cone (SMACC) endmember model. Society of Photo- Optical Instrumentation Engineers. Vol [Hildebrandt, 1996] Hildebrandt, G. (1996): Fernerkundung und Luftbildmessung für Forstwirtschaft, Vegetationskartierung und Landschaftsökologie. Heidelberg: Herbert Wichmann Verlag. [Holben, 1986] Holben, B. N. (1986): Characteristics of maximum-value composite images from temporal AVHRR data. International Journal of Remote Sensing 7: [Holben et al., 1990] Holben, B. N., Kaufman, Y.J. und Kendall, J. D. (1990): NOAA-11 AVHRR visible and near-ir inflight calibration. International Journal of Remote Sensing 11 (8): [Holben und Fraser, 1984] Holben, B. N. und Fraser, R. S. (1984): Red and near-infrared sensor response to off-nadir viewing. International Journal of Remote Sensing 5: [Holben und Justice, 1981] Holben, B. N. und Justice, C. O. (1981): An examination of spectral band ratioing to reduce the topographic effect on remotely sensed data. International Journal of Remote Sensing 2: [Jackson et al., 1983] Jackson, R. D., Slater, P. N. and Pinter, P. J. (1983): Discrimination of growth and water stress in wheat by various vegetation indices through clear and turbid atmospheres. Remote Sensing of Environment 13: [Jones, 2010] Jones, H. G. und Vaughan, R. A. (2010): Remote Sensing of Vegetation: Principles, Techniques, and Applications. U.S.A. : Oxford University Press. 41

49 [Kaufman, 1984] Kaufman, Y. J. (1984): Atmospheric effects on remote sensing of surface reflectance. SPIE Remote Sensing 475: [Kaufman und Holben, 1993] Kaufman, Y. J. und Holben, B. N. (1993): Calibration of the AVHRR visible and near-ir bands by atmospheric scattering, ocean glint and desert reflection. International Journal of Remote Sensing 14 (1): [Kerr et al., 1989] Kerr, Y. H., Imbernon, J., Dedieu, G., Hautecoeur, O., Lagouarde, J. und Seguin, B. (1989): NOAA AVHRR and its uses for rainfall and evapotranspiration monitoring. International Journal of Remote Sensing 10: [Landsat Science, 2015] NASA Landsat Science (2015): Zugriff am [Micasense, 2015] MicaSense (2015): Zugriff am [NASA, 2015] Landsat Data Continuity Mission (2015): Zugriff am [Nicholson 1990] Nicholson, S. E., Davenport, M. L. und Malo, A. D. (1990): A comparison of the vegetation response to rainfall in the Sahel and East Africa, using NDVI from NOAA AVHRR. Climate Change 17: [Rouse et al., 1974] Rouse, J. W., Haas, R. W., Schell, J. A., Deering, D. W. und Harlan, J. C. (1974): Monitoring the vernal advancement and retrogradation (Greenwave effect) of natural vegetation. NASA/GSFCT Type III Final Report, Greenbelt, MD, USA. [Schulmodell, 2015] Jahre, T. (2015): Chemnitzer Schulmodell Zugriff am [Sellers, 1985] Sellers, P. J. (1985): Canopy reflectance, photosynthesis and transpiration. International Journal of Remote Sensing 6:

50 [Seos, 2015] Einführung in die Fernerkundung (2015): Zugriff am [Spektrum, 2015] Spektrum der Wissenschaft Verlagsgesellschaft mbh (2015): Spektrum: Zugriff am [Spiegel Wissenschaft, 2015] Spiegel Online GmbH (2015): Erdbeobachtung: Nasa startet neuen Landsat Satelliten: Zugriff am [Tucker und Sellers, 1986] Tucker, C. J. und Sellers, P. J. (1986): Satellite remote sensing of primary production. International Journal of Remote Sensing 7: [Uni Bonn, 2015 a] Fis (2015): Zugriff am [Uni Bonn, 2015 b] Fis (2015): Zugriff am [USGS, 2015] U.S. Geological Survey (2015): Landsat Earth observation satellites. U.S. Geological Survey Fact Sheet , 4p: Zugriff am [Wolkenatlas, 2006] Mühr, B. (2006): Der Karlsruher Wolkenatlas. Zugriff am

51 8. Anhang Weitere Ergebnisse der NDVI Klassifikation Oben das RGB Bild und folgend das zugehörige klassifizierte Bild; geografisch eingeordnet und nach Maßstab wie Abb

52

53

54

55

56

57

58

59

60

61

62 Weitere Ergebnisse mit dem Ansatz SMACC Endmember versiegelte Fläche Endmember bewirtschaftete Felder 55

63 Endmember Wasser Endmember versiegelte Fläche 56

64 Endmember Wald Endmember versiegelte Fläche 57

65 Endmember unbewirtschaftete Felder Endmember Wald 58

66 Endmember Wasser Endmember versiegelte Fläche 59

67 Endmember unbewirtschaftete Felder Endmember Wald 60

68 Endmember Wasser Endmember unbewirtschaftete Felder 61

69 Endmember bewirtschaftete Felder Endmember Wald 62

70 Endmember unbewirtschaftete Felder 63