Ich sehe was, was Du nicht siehst! Neue Informationen für die Landwirtschaft mit Sentinel-1 und Sentinel-2

Transkript

1 Ich sehe was, was Du nicht siehst! Neue Informationen für die Landwirtschaft mit Sentinel-1 und Sentinel-2 Dr. H. Lilienthal (JKI) Nationales Forum für Fernerkundung und Copernicus 2015

2 Sentinel-1: Radarsatellit Quelle: ESA Sentinel-2: Multispektral-Satellit Quelle: ESA S1: , RBG = VV/VH/VV S2: , RGB= 7/5/3 Radar: Informationen über Struktur und Morphologie von Pflanzenbeständen Optik: Informationen über biochemischen/biophysikalische Eigenschaften

3 Erfahrungsbericht Sentinel-1A Sentinel-1 ist seit März 2015 operationell verfügbar Daten sind in 2 Polarisationen (HV und VV) verfügbar Repeat-Time (gleicher Track) alle 12 Tage Revisit-Time in Deutschland (gleicher Ort) zwischen 1 12 Tagen!

4 Datenabdeckung Descending Orbit (morgens) Tracks über Deutschland 88 Ascending Orbit (aktives System; abends, nachts) 6 Tracks über Deutschland Quelle:

5 Der Großteil Deutschlands wird mit einem Satellit schon von drei oder mehr Tracks (Paths) erfasst Revisit Time höher als 7 Tage Großes Potenzial für Multitemporale Radardatenauswertung Bitte einheitliche Rows!

6 Anwendungsbeispiele: Automatisierte Kulturartenklassifikation Das Basis DLM für Deutschland stellt die landwirtschaftliche Nutzfläche u.a. auf Basis von Fernerkundungsdaten fest (Layer: Veg01). Ackerbaulich genutzte Flächen finden sich im Feld Veg (1010). Es werden keine Kulturarten unterschieden. Von der offiziellen Statistik gibt es alle 10 Jahre Informationen über die kulturartenspezifische Anbauflächen (Landwirtschaftszählungen, Haupterhebungen). Die räumliche Auflösung ist, ebenso wie bei der jährlichen Ertragsermittlung, auf Landkreisebene beschränkt => Zunehmende Vergrößerung der Landkreise. Informationsdefizit, da kurzfristige Nutzungsänderungen (z.b. Zunahme des Maisanbaus) weder zeitlich noch räumlich hinreichend aufgelöst werden.

7 Anwendungsbeispiele: Automatisierte Kulturartenklassifikation Landnutzungsklassifikationen aus optischen Fernerkundungsdaten sind eine etablierte Methode. Landwirtschaft ist sehr dynamisch und verändert sich auch innerhalb des Jahres (mind. 2 Kulturen + Bodensignaturen). Jährliche Aktualisierung aufgrund schlechter Datengrundlagen bisher nicht operationell. Bisher hat sich keine (Bundes)Behörde dem Bedarf angenommen! Technisch machbar, aber Bewölkung (optische Systeme), Erfassung bisher schwierig, da geeignete kostenfreie Fernerkundungssysteme fehlten. Aber jetzt gibt es Copernicus!

8 Anwendungsbeispiele: Automatisierte Kulturartenklassifikation Sentinel-1A Daten von März bis August (14 Szenen, 2 Polarisationen) Hauptkomponentenanalyse + Unüberwachte Klassifikation Track44: RGB: VH_PC1/VV_PC1/VV_PC2 Isodata Klassifikation: 15 Klassen

9 Anwendungsbeispiele: Veränderungsanalyse - Phänologie Ein Track (44) alle 12 Tage eine Aufnahme Einfache Differenzenbilder zwischen den Aufnahmeterminen Je dunkler, desto stärker die Veränderung 13. März 1. März VV Polarisation VH Polarisation Bodenbearbeitung Sommerkulturen

10 Anwendungsbeispiele: Veränderungsanalyse - Phänologie 18. April 6. April VV Polarisation VH Polarisation Wintergerste Schossen

11 Anwendungsbeispiele: Veränderungsanalyse - Phänologie 23. Juli 29. Juni VV Polarisation VH Polarisation Winterraps und Wintergerste Reife (VH)

12 Anwendungsbeispiele: Veränderungsanalyse - Phänologie 4. August 23. Juli VV Polarisation VH Polarisation Winterraps Ernte

13 Sentinel-1A Große Stärke ist die zeitliche Auflösung ( Hyper-temporal ) Kulturartenklassifikationen lassen sich zum großen Teil automatisiert durchführen Phänologie und Bodenmanagement (Aussaat/Erntetermine) können einfach bestimmt werden Kombionation aus Kulturartenklassifikation und Phänologie erlaubt auch die Erfassung von Silomais/Biomasse und Zwischenfrüchten Die hohen Revisit-Times erlauben phänologische Beobachtungen; mit Sentinel-1B für Deutschland ca. alle 2 Tage! Die Möglichkeiten von Sentinel-1 sind schon jetzt beeindruckend! + Synergien mit Sentinel-2!

14 Sentinel-2 ist am erfolgreich gestartet Operationelle Datenverfügbarkeit?

15 Mit Sentinel-2 wird der Schritt von der operationellen qualitativen zur quantitativen Fernerkundung möglich! Simulationsergebnisse aus dem RiflE Projekt: Bestandesparameter Winterweizen Blattflächenindex [m²/m²]

16 Die meisten Zusammenhänge zwischen Bestandesparametern und Spektralsignatur sind kulturartenabhängig! Zuckerrübe, Winterweizen und Raps mit LAI ~ 3 [m²/m²] Ein qualitativ hochwertige Kulturartenklassifikation ist die Voraussetzung für eine genaue Abschätzung von Bestandesparametern Für landwirtschaftliche Fragestellungen sind Synergien aus Radar und optischen Daten ist sinnvoll und notwendig!

17 Sentinel-1 Verlässliche (+/-) Datenverfügbarkeit Multitemporale Datenauswertungen (Kulturartenklassifikation) Veränderungsanalyse (Bodenbearbeitung/Aussaat/Ernte) Synergien aus beiden Systemen nutzen! Sentinel-2 Bessere Datenverfügbarkeit als bisher Quantitative Bestimmung von Bestandesparametern Informationen über Vegetation und Boden