Semiautomatische Klassifikation landwirtschaftlicher Nutzflächen auf Basis von WorldView-2 Bilddaten. Diplomarbeit

Transkript

1 Semiautomatische Klassifikation landwirtschaftlicher Nutzflächen auf Basis von WorldView-2 Bilddaten Diplomarbeit im Diplomstudiengang Geographie in der Fakultät Geistes- und Kulturwissenschaften der Otto-Friedrich-Universität Bamberg vorgelegt im Wintersemester 2011/12 von Marco Ritter (Matrikelnummer: ) Erstgutachter: Prof. Dr. Matthias Möller Zweitgutachter: Prof. Dr. Gerhard Schellmann

2 Zusammenfassung In dieser Diplomarbeit wird eine Methode zur semiautomatischen Klassifikation landwirtschaftlicher Nutzflächen auf Basis von WorldView-2 Bilddaten vorgestellt. Um Aktualisierungszeiten zu verkürzen, den thematischen Detailgrad zu erhöhen und die Bearbeitungskosten zu minimieren, wird ein System entwickelt, das in der Lage ist, weitgehend automatisch die gewünschten Informationen aus Satellitendaten zu gewinnen. Der Hauptfokus des entwickelten Verfahrens liegt auf der objektorientierten Klassifikation von Feldfrüchten auf ausgewählten landwirtschaftlichen Nutzflächen. Dieses semiautomatische Konzept soll auf differenzierte Fernerkundungsdaten und unterschiedliche Regionen übertragbar sein. Diverse Open Source Programme, die spezialisierte Software Erdas Imagine 2011 und das Geographische Informationssystem ESRI ArcInfo 2010 finden bei der Entwicklung Verwendung. Der Forschungsstand der Fernerkundung sowie ihre Eingliederung in die Geographie werden neben dem elektromagnetischen Spektrum als Grundlage dieser Wissenschaft dargestellt. Es wird ein Überblick über die visuelle Bildinterpretation und digitale Bildauswertung gegeben. Die entwickelte Methodik wendet die objektorientierte Klassifikation an und wird in einer Fallstudie auf einer Fläche nördlich von Nürnberg (175 km²) überprüft. Die technischen Daten des WorldView-2 Satelliten, die Betriebsfirma DigitalGlobe und das dazugehörige Unternehmensnetzwerk werden vorgestellt und das gelieferte Bildmaterial wird aufbereitet. Ein wichtiger Bestandteil ist die empirische Datenerhebung durch eine Feldkampagne, um die Untersuchungsobjekte genau zu definieren. Ein Kapitel beschäftigt sich mit dem Aufbau und der Anwendung der Imagine Objective Workstation. Die Klassifikation der Satellitendaten erzielte gute Ergebnisse. Diese wurden mit Hilfe von empirisch erhobenen Felddaten über eine Konfusionsmatrix verifiziert. Dabei ergab die Auswertung eine Gesamtgenauigkeit zwischen 64% und 90%. Dies bedeutet, dass sich mit dem objektorientierten Ansatz räumliche Informationen aus hochauflösenden Daten auf hohem Niveau semiautomatisch extrahieren lassen. Es werden noch alternative Verifizierungsmethoden der Referenzflächen und Klassifikationsergebnisse genauer thematisiert. Die Ergebnisse werden mit Hilfe von thematischen Karten sowie Statistiken ausgewertet. Es werden diverse Probleme und Verbesserungsvorschläge diskutiert. Ein ausführlicher Ausblick über Anwendungsbereiche dieses Verfahren bildet den Abschluss. I

3 Abstract This thesis presents a method for semi-automatic classification of utilized agricultural areas based on WorldView-2 image files. A system capable of obtaining the desired information almost automatically from satellite data is developed in order to shorten update times, to increase the resolution of thematic detail and to minimize revision costs. The main focus of the developed method lies in the object-oriented classification of food crops on selected utilized agricultural areas. This semi-automatic conception is designed to be applicable to differentiated remote sensing data and various regions. For the development of this method several Open Source programs, the specialized processing software Erdas Imagine 2011 and the geographical information system ESRI ArcInfo 2010 are employed. The current state of research in the field of remote sensing and its integration into geography are described besides the electromagnetic spectrum as the fundament of this science. An overview about visual image interpretation and digital image evaluation is provided. The developed method uses the object-based image classification and is verified in a case study on an area northern of Nürnberg (175 km²). The technical data of the WorldView-2 satellite, the operating company DigitalGlobe and its company network are presented and the provided material is analyzed. An important part is the empirical data collection via field research, in which the subject matter is examined in more detail. Another chapter pays attention to the structure and the application of the Imagine Objective Workstation. The classification of the satellite data achieved good results. These results are verified by a combination of empirical data and a classification error matrix. In this accuracy assessment the classification results are verified with a total accuracy between 64% and 90%. This implies that the objectbased approach allows gathering spatial information out of high-resolution satellite data semi-automatically on a high standard. Further, alternative verification methods for the ground truth data and classification results are discussed. The results are evaluated by means of thematic maps and statistics. Several problems and suggestions for improvement are discussed. A detailed outlook for fields of application of this method forms the conclusion. II

4 Abbildungsverzeichnis Abb. 1: Schemenhafte Darstellung der Prozesskette. 4 Quelle: Eigene Abbildung. Abb. 2: Erntemengenanteile der Fruchtartgruppen in Bayern Quelle: Abb. 3: Das elektromagnetische Spektrum und Bereiche verschiedener Sensoren...9 Quelle: ALBERTZ 2010: 11. Abb. 4: Ausschnitt aus der WorldView-2 Satellitenszene (Echtfarbe: R-G-B)...12 Quelle: Eigene Darstellung auf Basis von ID DF9A200. Abb. 5: Überwachte Multispektralklassifikation - Maximum Likelihood Verfahren...15 Quelle: Eigene Darstellung auf Basis von ID DF9A200. Abb. 6: WorldView-2 Aufnahme des Untersuchungsgebietes vom Quelle: Eigene Darstellung auf Basis von ID DF9A200. Abb. 7: Spektrale Resonanz der WorldView-2 Sensoren...25 Quelle: Abb. 8: Definierter Wertebereich für die Histogrammstreckung (Kanal 6)...29 Quelle: Eigene Darstellung auf Basis von ID DF9A200. Abb. 9: Generiertes Bildverbesserungsmodell mit dem Model Maker...30 Quelle: Eigene Darstellung auf Basis von ID DF9A200. Abb. 10: Ergebnis der Kontrastverbesserung durch lineare Histogrammstreckung...31 Quelle: Eigene Darstellung auf Basis von ID DF9A200. Abb. 11: Multisensorale Bilderverbesserung mit IHS-Transformation...32 Quelle: Eigene Darstellung auf Basis von ID DF9A200. Abb. 12: Filteroperation - Focal Analysis - Median 5x Quelle: Erdas Imagine Abb. 13: Ablauf und Ergebnisse der angewandten Filteroperatoren...34 Quelle: Eigene Darstellung auf Basis von ID DF9A200. Abb. 14: Die zehn Territorien im nördlichen Untersuchungsgebiet...35 Quelle: Eigene Darstellung auf Basis von ID DF9A200. Abb. 15: Tabelle der aufgenommenen Feldfrüchte...36 Quelle: Eigene Abbildung. Abb. 16: Territorium Uttenreuth mit den aufgenommenen Objekten...37 Quelle: Eigene Darstellung auf Basis von ID DF9A200. Abb. 17: GPS - Referenzpunkte in Google Earth Quelle: Google Earth Abb : Untersuchungsobjekte Quelle: Eigene Abbildungen. III

5 Abb. 24: Schematischer Prozessablauf in Imagine Objective...43 Quelle: Imagine Objective User s Guide 2008: 5. Abb. 25: Imagine Objective - grundsätzlicher Aufbau...44 Quelle: Erdas Imagine Abb. 26: RPP Ausgangsbild der Klasse Mais...47 Quelle: Eigene Darstellung auf Basis von ID DF9A200. Abb. 27: Region Growing Properties - Einstellungen...48 Quelle: Erdas Imagine Abb. 28: ROC Ausgangsbild...50 Quelle: Eigene Darstellung auf Basis von ID DF9A200. Abb. 29: RVC Ausgangsbild - Vektorlayer...52 Quelle: Eigene Darstellung auf Basis von ID DF9A200. Abb. 30: Schema einer Konfusionsmatrix...55 Quelle: MOTT 2006: 39. Abb. 31: Konfusionsmatrix für die Validierung der Klassifikationsergebnisse...58 Quelle: Eigene Abbildung. Abb. 32: Definition der KHAT Statistik...59 Quelle: LILLESAND 2008: 590. Abb. 33: Formel der KHAT Statistik...59 Quelle: LILLESAND 2008: 590. Abb. 34: Feature Space Images...62 Quelle: Eigene Darstellung auf Basis von ID DF9A200. Abb. 35: Feature Space Images mit visueller Darstellung der Trainingsgebiete...63 Quelle: Eigene Darstellung auf Basis von ID DF9A200. Abb. 36: Das Untersuchungsgebiet (Kanalkombination 8-6-4) Quelle: Eigene Darstellung auf Basis von ID DF9A200. Abb. 37: Klassifikationsergebnisse dargestellt in thematischer Karte Quelle: Eigene Darstellung auf Basis von ID DF9A200. Abb. 38: Klassifikationsergebnisse dargestellt in einer Flächenstatistik...68 Quelle: Eigene Abbildung. Abb. 39: Farbinfrarotbild, das die Effekte verschiedener Aufnahmezeitpunkte zeigt...72 Quelle: LILLESAND 2008: 36. Abb. 40: Wuchsdifferenz von Mais zu verschiedenen Aufnahmezeitpunkten...73 Quelle: Eigene Abbildung. IV

6 Inhaltsverzeichnis 1. Einleitung Problemstellung Ziele Agrarpolitik in Deutschland Stand der Forschung Visuelle Interpretation und Bildwahrnehmung Digitale Bildauswertung Multispektralklassifikation Grenzen der bildpunktbasierten Klassifikation Das Untersuchungsgebiet Datengrundlage DigitalGlobe und WorldView Ausgangsdaten Vorprozessierung und Bildaufbereitung Datenerhebung Feldkampagne Objektkatalog Die objektbasierte Klassifikation Trainingsgebiete Segmentierung Rasteroperationen Konvertierung Vektoroperationen Genauigkeitsanalyse Referenzdaten Konfusionsmatrix Verifizierung der Trainingsgebiete Ergebnisse und Probleme Ausblick Literaturverzeichnis V

7 1. Einleitung Marco Ritter - Diplomarbeit Oft werden Innovationen in der Wirtschaft sowie Neugierde in der Forschung mit zukunftsträchtigen Ideen in Verbindung gebracht. Diese Diplomarbeit soll zeigen, dass die Vereinigung der Ziele aus Forschung und Praxis möglich ist. Dicht mit der Bildanalyse der Erdoberfläche ist die Verarbeitung des gesammelten Datenmaterials verbunden. Es wurde die Bildverarbeitungsoftware Erdas Imagine 2011, das Geographische Informationssystem ESRI ArcInfo 2010 und leistungsstarke Computer für die Verarbeitung der hochaufgelösten Satellitendaten verwendet. Der fortschrittlichen Technik in Bereichen der Raumfahrt und Sensorik ist es zu verdanken, dass WorldView-2 Bilddaten mit einer räumlichen Auflösung von 1,8m und spektralen Informationen von acht Kanälen generieren kann. Thematische Karten ermöglichen die Visualisierung geographischer Informationen auf allen Maßstabsebenen und für alle Regionen auf der Welt. Beispielsweise ist die Gesamtfläche Deutschlands zu über 50% ländlich geprägt. Diese Fläche wird vor allem für die Nahrungsmittelversorgung der inländischen Bevölkerung mit pflanzlichen und tierischen Produkten genutzt. Ein deutscher Landwirt ernährt heute über 143 Personen, wird aber in Zukunft seine Produktivität durch verbesserte Bodennutzung oder veränderte Nutzpflanzen weiter steigern können produzierten diese Güter im Wert von 40 Milliarden Euro auf knapp 17 Millionen Hektar Boden (vgl. INDUSTRIEVERBAND AGRAR). Die Ableitung der landwirtschaftlichen Nutzung des Bodens aus Satellitendaten ist bereits in vielen Forschungstexten thematisiert. Das Ziel, diverse Pflanzenarten auf große Fläche mit einer hohen Genauigkeit voneinander abzugrenzen, treibt die Entwicklung neuer Klassifikationsmethoden voran. Die Entwicklung eines standardisierten Verfahrens zur Klassifikation agrarischer Nutzflächen ist bei Fragestellungen in Bezug auf Ressourcenmanagement wichtig und soll somit auch das Ziel dieser Diplomarbeit sein. 1

8 1.1 Problemstellung Bereits seit der Einführung des CORINE (Coordination of Information on the Environment) Landcover Projekts existiert ein erhöhter Bedarf an Bodenbedeckungsinformationen. Es wurden bereits zahlreiche Verfahren zur Weiterverarbeitung von Satellitendaten entwickelt, welche sich jedoch nur für globale Datensätze mit räumlich niedrig aufgelösten Sensoren (wie beispielsweise LANDSAT 7 - Daten mit einer räumlichen Auflösung von 30 m) durchsetzten. In den letzten Jahren unterstützten zahlreiche Klassifikationsverfahren die globalen Kartierungsprogramme, brachten jedoch nicht die gewünschten Erfolge. Da zur Zeit weder einheitliche Konzepte zur Klassifikation von umfangreichen hochaufgelösten Satellitendaten existieren, noch automatisierte Methoden zur Extraktion von Landbedeckung und Landnutzung zur Verfügung stehen, steigt der Bedarf an einer automatisierten Auswertung von Fernerkundungsdaten mit der verfügbaren Datenmenge (WEHRMANN 2006: 3). Um Aktualisierungszeiten zu verkürzen, den thematischen Detailgrad zu erhöhen und die Kosten für die Bearbeitung zu minimieren, wird daher ein System entwickelt, das in der Lage ist, weitgehend automatisch die gewünschten Informationen aus Satellitendaten zu gewinnen. 1.2 Ziele Hauptziel dieser Arbeit ist es eine Methode auf Grundlage der WorldView-2 Satellitendaten zu entwickeln, um ein weitgehend automatisiertes Klassifikationsverfahren zu ermöglichen. Der Hauptfokus des entwickelten Verfahrens liegt auf der objektorientierten Klassifikation von Feldfrüchten auf ausgewählten landwirtschaftlichen Nutzflächen. Dieses semiautomatische Konzept soll auf andere Fernerkundungsdaten und unterschiedliche Kulturlandschaften übertragbar sein. Lokale und regionale Landnutzungskarten stellen das Endprodukt dar und können auf allen administrativen Ebenen zum Einsatz kommen. 2

9 Da im Untersuchungsgebiet keine Informationen zu Feldgrenzen in Form von digitalen Flurkarten zur Verfügung stehen, ist ein wichtiges Teilziel, diese Informationen aus der Segmentierung abzuleiten. Durch gute Segmentierungseinstellungen können die Klassifikationsergebnisse verbessert werden. Aufgrund mangelnder Verfahren zur Extraktion der Landnutzungsinformationen aus hochauflösenden Satellitendaten müssen die WorldView-2 Daten semiautomatisch klassifiziert werden. Eine visuelle Interpretation der Bilder mit Einteilung in verschiedene Raumeinheiten findet vor der Auswahl eines geeigneten Untersuchungsgebietes statt. Danach kalibriert man die Klassifikationssoftware mit den neuen Satellitendaten als Grundlage, bevor das Verfahren automatisch auf größere Bereiche angewandt werden kann. Der Fortschritt in der Informationstechnologie, wie beispielsweise die wachsende Speicherkapazität und Rechnerleistung, die Verbesserung der Software von Fernerkundungsprogrammen zur Interpretation sowie Verarbeitung von Datensätzen ermöglicht die Entwicklung eines semiautomatischen Klassifikationsverfahrens, welches kostengünstig und schnell auf große Flächen angewandt werden kann. Um die Klassifikationsgenauigkeit zu verbessern, wurde eine Prozesskette (Abb. 1) entwickelt, welche die Bilder vor dem eigentlichen Prozess der Segmentierung und Klassifikation aufbereitet. 3

10 Prozessablauf World View II Satellitendaten Ground Truth Data Input Georeferenzierung durch EUSI Umrechnung auf 16bit Mosaikierung Histogrammstreckung Vektorlayer Training Vektorlayer Validierung Data Preprocessing Filterung Klassifikation und Segmentierung Classification Field Mask Confusionsmatrix ArcMap Defintion Queries Post Processing Land Use Maps Output Abb. 1: Schemenhafte Darstellung der Prozesskette Quelle: Eigene Abbildung 4

11 2. Agrarpolitik in Deutschland Marco Ritter - Diplomarbeit Diese Diplomarbeit ist auch für weite Teile der Agrargeographie von großem Interesse. Die Agrargeographie betrachtet räumliche Strukturen, Funktionen und Prozesse in der Agrarwirtschaft. Sie untersucht die landwirtschaftliche Produktion in Abhängigkeit von anthropologischen und naturräumlichen Einflussfaktoren. Erst seit den 1970er Jahren befasst sich die Agrargeographie mit problem- und anwendungsorientierten Fragestellungen. Die Aufgabenstellungen der Agrargeographie entwickelten sich über die agrarräumliche Differenzierung, Beschreibung sowie Typisierung von Agrarlandschaften und Agrarsystemen hin zu einer problemorientierten räumlichen Analyse der globalen Nahrungsmittelversorgung (vgl. KLOHN: 6). Besonders in Bereichen des Nahrungsmittel- und Landwirtschaftsmanagements können die in dieser Fallstudie generierten Informationen hilfreich sein. Zudem können die aktuelle Marktlage und zukünftige ökonomische Prognosen durch die Klassifikation von landwirtschaftlichen Nutzflächen genauer analysiert werden. Ein Monitoring mit Hilfe von thematischen Karten erleichtert die Begutachtung der Agrarproduktion von pflanzlichen und tierischen Produkten in der Landwirtschaft. Unter Landwirtschaft versteht man die planmäßige Bewirtschaftung des Bodens zum Zweck der Gewinnung pflanzlicher und tierischer Produkte (KLOHN 2010: 1). Die landwirtschaftliche Produktion ist einerseits von natürlichen Faktoren wie Klima, Relief und Boden abhängig, andererseits ist sie mit biologischen Prozessen verknüpft. Diese Faktoren ermöglichen und determinieren gleichzeitig landwirtschaftliche Nutzungspotentiale. Vor allem der Pflanzenbau ist trotz technologischer Fortschritte in Methodik und Anwendung weiterhin durch vorgegebene Standortfaktoren fest in den jeweiligen Regionen integriert. Dies beinhaltet sowohl naturräumliche Nutzungsgrenzen durch Höhenstufen, Temperatur- und Niederschlagsgrenzen, als auch anthropologische, kulturelle, rechtliche und politische Einflüsse. Bekannte politische Maßnahmen sind Umweltschutzgesetze, Agrar- und Bodenreformen, wodurch versucht wird die zukünftige Entwicklung in der Landwirtschaft zu steuern und auf nationaler bzw. transnationaler Ebene durchzuführen (vgl. KLOHN 2010: 22ff.). 5

12 In der Europäischen Union werden alle wichtigen Entscheidungen von der höchsten Instanz beschlossen. Bereits 1957 wurde mit der Gemeinsamen Agrarpolitik ein internationales Planungsinstrument eingeführt. Die Ziele der EU-Agrarpolitik veränderten sich in den letzten Jahren, um an den veränderten Bedingungen der globalisierten Wirtschaft anzuknüpfen. Ein Mittel zur Steuerung der Landwirtschaftsstruktur sind protektionistische Maßnahmen (z.b. Subventionierung bestimmter Anbauprodukte). Bis 2013 sollen produktionsunabhängige Direktzahlungen die Landwirtschaft so umgestalten, dass sich einerseits die Landwirte an den Marktbedingungen orientieren und, dass andererseits der gesamte ländliche Raum als ein wichtiger Pfeiler unserer Gesellschaft weiter gefördert wird (vgl. KLOHN 2010: 32ff.). Staatliche Investitionsförderprogramme für wettbewerbsfähige sowie ökologisch verträgliche Landwirtschaft und agrarstrukturelle Förderungsprogramme wurden bereits 1990 in Deutschland eingeführt, um die Landwirtschaft lenken zu können. Durch die Agrarreform der Europäischen Gemeinschaft im Jahre 1992 sollte der ländliche Raum wiederbelebt werden. Für eine Eindämmung der Überschussproduktion sowie für die Reglementierung der hohen Marktpreise wurden Ausgleichszahlungen für Flächenstilllegung, Preisausgleichszahlungen im Pflanzenbau sowie der Viehwirtschaft und Förderung von Kleinbetrieben sowie Kleinerzeugern von der Deutschen Bundesrepublik gewährleistet (vgl. ECKART 1998: 380ff.). Seit 1999 werden in Bayern Informationen über betriebliche Einheiten und deren Bodennutzung alle zwei Jahre durch die Bodennutzungshaupterhebung gewonnen. Zusätzlich werden die Hauptnutzungs- und Kulturarten im Wechsel repräsentativ erfragt und der Anbau auf dem Ackerland wurde in jedem vierten Jahr allgemein ermittelt. Neben der Bodennutzung ermittelt das Bayerische Landesamt für Statistik und Datenverarbeitung auch regelmäßig Informationen über Gemüseanbau, Baumobstanbau, Zierpflanzen und Baumschulen. Aus diesen stichprobenartigen Datenerhebungen entstehen Erntestatistiken, die Informationen über Hektar-Ertrag, Erntekapazität von Feldfrüchten, Grünland, Gemüse und Obst liefern. Dies dient der Einschätzung aktueller Marktsituationen, der Erstellung von Krisenplänen und zur Verbesserung der Markttransparenz. Am bedeutendsten sind die Erntestatistiken über Feldfrüchte und Grünland, da sie die Grundnahrungsmittel sowie die Futtermittel 6

13 umfassen. Grundlage für die Ermittlung der Erntemengen bilden die Ertragsschätzungen von Ernteberichterstattern. Da diese Schätzungen aufgrund von Witterungseinflüssen, Züchtungsfortschritt oder geänderten Pflanzenschutzmaßnahmen mit gewissen Unsicherheiten behaftet sind, werden sie für wichtige Fruchtarten durch reale Ertragsfeststellungen auf repräsentativ ausgewählten Feldern abgesichert (vgl. BayLfStaD 2011). Die Ertragsfeststellungen der Ernteberichterstatter können mit thematischen Karten der aktuellen Landnutzungsbedeckung effektiver durchgeführt werden. Eine sichere Klassifikationsmethode hilft bestimmte Fruchtarten besser zu identifizieren und kann als Grundlage für Erntestatistiken herangezogen werden. Insgesamt gibt es über landwirtschaftliche Betriebe in Bayern, die eine Fläche von über 3,2 Mio. ha nutzen wurden insgesamt 7,3 Mill. t Getreide geerntet, darunter auch Mais, Hafer, Gerste, Roggen und Weizen. Getreide ist mit 18% Erntemengenanteil, hinter Grünmais und Raufutter, eine der wichtigsten Fruchtartgruppen in Bayern im Jahre 2010 (vgl. Abb. 2). Abb. 2: Erntemengenanteile der Fruchtartgruppen in Bayern Quelle: 7

14 3. Stand der Forschung Marco Ritter - Diplomarbeit Die Fernerkundung ist eine Wissenschaft, welche Informationen über den physikalischen Zustand der Erde gewinnt und der Beobachtung aller darauf befindlichen Objekte, der Meeresoberfläche oder der Atmosphäre dient. Oft wendet man indirekte Beobachtungsverfahren an, was bedeutet, dass das Messgerät sich in einiger Entfernung vom Ort der Messung befindet und die zu messende Größe aus der vom Untersuchungsobjekt reflektierten oder emittierten elektromagnetischen Strahlung abgeleitet wird. Somit ermöglicht die Fernerkundung den berührungslosen Informationsgewinn auch über unzugängliche Gegenstände (vgl. ALBERTZ 2009: 1). Vor allem abbildende Fernerkundungssysteme werden in Forschung und Praxis angewandt, da sie zu einer bildhaften Wiedergabe der Erdoberfläche führen. Jedes abbildende Fernerkundungssystem besteht aus drei Teilen: Datenaufnahme, Datenmanagement und Datenauswertung (vgl. ALBERTZ 2009: 1f.). Üblicherweise werden bestimmte Wellenlängenbereiche des elektromagnetischen Spektrums durch Sensoren in Luft- oder Raumfahrzeugen gemessen, gesammelt und mitgeführt. Diese Diplomarbeit nutzt die modernsten Satellitendaten, welche für kommerzielle Zwecke der Öffentlichkeit zur Verfügung stehen. Die gesammelten, spektralen Daten werden von einem globalen Netzwerk aus Bodensegmenten erfasst, gespeichert und zu Satellitenbildern verarbeitet. Die Wiedergabe der Erdoberfläche in Satellitenbildern wird von der elektromagnetischen Strahlung, die bei der Aufnahme auf den Sensor einwirkt, charakterisiert. Dabei sind die Intensität sowie die spektrale Zusammensetzung der Strahlung für die einzelnen Untersuchungsobjekte von hoher Bedeutung. Diese Faktoren hängen wiederrum von der Sonneneinstrahlung zum Zeitpunkt der Aufnahme und von den Reflexionseigenschaften der Geländeobjekte ab. Die elektromagnetische Strahlung ist eine Wellenstrahlung, die sich mit Lichtgeschwindigkeit fortbewegt. In der Fernerkundung kommt die elektromagnetische Strahlung durch die Wellenlänge zum Ausdruck. Die Gesamtheit der vorkommenden Wellenlängenbereiche wird im elektromagnetischen Spektrum (Abb. 3) dargestellt. 8

15 Abb. 3: Das elektromagnetische Spektrum und Bereiche verschiedener Sensoren. Quelle: ALBERTZ 2010: 11. Für eine bessere Beschreibung wird das gesamte Spektrum in verschiedene Bereiche eingeteilt, die ohne scharfe Grenzen ineinander übergehen. Kein Sensor ist für alle Wellenlängenbereiche sensitiv. Für diese Diplomarbeit von besonderem Interesse ist einerseits das sichtbare Licht mit einem Wellenlängenbereich zwischen 400 und 700 nm und andererseits der Wellenlängenbereich des nahen Infrarots von etwa 700 bis 1040 nm, da diese Bereiche von den WorldView-2 Satellitensensoren erfasst werden. Für die anderen Wellenlängenbereiche, wie beispielsweise die Strahlung des mittleren und fernen Infrarots, werden andere Systeme zur Datenerhebung benötigt. Durch die elektromagnetische Strahlung existiert eine stetige Wechselwirkung zwischen jedem Körper auf der Erdoberfläche und seiner Umgebung. Auf den objektspezifischen Eigenschaften dieser Wechselwirkung beruht die ganze Wissenschaft der Fernerkundung. In Abhängigkeit von der Beschaffenheit des Körpers und der Wellenlänge der wirkenden Strahlung verändern sich Reflexions-, Absorptions- und Transmissionsgrad der Objekte, die der quantitativen Beschreibung dieser Wechselwirkung dienen (vgl. ALBERTZ 2009: 10ff.). Es gibt verschiedene Elemente die ein Fernerkundungssystem charakterisieren. Im Fall von WorldView-2 liegt ein passives System vor, was bedeutet, dass der Sensor des Satelliten Strahlung aufnimmt, die aus einer anderen Quelle stammt. Es ist die reflektierte Sonneneinstrahlung und die emittierte Strahlung an der Erdoberfläche. 9

16 Hierbei kann die Sonneneinstrahlung nach Zeit und Ort variieren. Außerdem emittieren unterschiedliche Erdoberflächen die Sonneneinstrahlung mit differenzierter Effizienz und Intensität. Passive Systeme sind jedoch keineswegs frei von Störeinflüssen. Die Atmosphäre beeinflusst ständig die vom Sensor aufgenommene Strahlung in ihrer Intensität und spektralen Streuung. Vor allem atmosphärische Phänomene wie Wolkenbildung können das Fernerkundungssystem behindern. Die letzte Stufe eines Fernerkundungssystems ist der Endnutzer, denn generierte Daten aus Fernerkundungssystemen werden nur zu brauchbaren Informationen, wenn der Endnutzer die Generierung, die Interpretation und den besten Einsatzort dieser Informationen kennt (vgl. LILLESAND 2008: 45ff.). Die Fähigkeit eines Fernerkundungssensors Daten zu generieren überschreitet bei weitem die Fähigkeit diese Daten visuell zu interpretieren oder digital zu analysieren. Die Datenprozessierung müsste möglichst schnell und mit wenig Aufwand zu betreiben sein, um bei Entscheidungsfindungen oder beim Management von landwirtschaftlichen Nutzflächen hilfreich zu sein. Diese Verfahren können nicht vollständig automatisch durchgeführt werden, da die Anwendung der Klassifikation Expertenwissen benötigt. Zudem sollen die Ergebnisse in Form von thematischen Landnutzungskarten die Arbeit von beispielsweise Ernteberichterstattern nur unterstützen. Methoden der Fernerkundung finden bei Nutzungskartierungen einzelner Feldfrüchte hohen Anklang. Es bestehen aber große regionale Unterschiede, da die natürlichen Gegebenheiten und die landwirtschaftlichen Produktionsmethoden weltweit sehr stark variieren. Im Untersuchungsgebiet können die Hauptanbauarten Getreide, Mais und Grünland mit hoher Sicherheit identifiziert werden. Eine weitergehende Differenzierung des Getreides in Weizen, Roggen und Gerste ist möglich, wobei der Erfolg stark von der Wahl eines günstigen Aufnahmezeitpunktes abhängt. Denn nicht jedes Material auf der Erdoberfläche hat seine eigene spektrale Signatur, sondern Überschneidungen in der spektralen Resonanz bestimmter Objekte sind allgegenwärtig. Dies erschwert eine eindeutige Unterscheidung von Untersuchungsgegenständen. Für die Interpretation der einzelnen Nutzungsarten sowie der vorkommenden Feldfrüchte aus Satellitenbildern sind somit genaue regionale Kenntnisse erforderlich. (vgl. ALBERTZ 2009: 199ff.). 10

17 3.1 Bildinterpretation und Bildwahrnehmung Luft- und Satellitenbilder enthalten verschiedenste Objekte, welche sich etwa durch Größe und Form unterscheiden. Manche dieser Objekte können direkt identifiziert werden, während andere nur durch den Kontext erschlossen werden können. Dies ist abhängig von der Erfahrung und dem Wahrnehmungsvermögens des Interpreten. Wenn man verschiedene Bildinhalte identifizieren und diese anderen vermitteln kann, dann findet Bildinterpretation statt. Die Bilder enthalten also Rohdaten, welche erst durch die Prozessierung im menschlichen Gehirn zu brauchbaren Informationen werden. Wissenschaftler, Erfinder und vor allem das Militär erkannten sehr früh das Potential von Luftbildern, welche eine neue Sicht auf die Erdoberfläche ermöglichten. Bereits im ersten Weltkrieg etablierte sich die visuelle Bildinterpretation von der Erdoberfläche als ein operationelles Erkennungswerkzeug (vgl. LILLESAND 2008: 189). Das menschliche Auge ist ein Sensor über den wir die Mehrzahl der Informationen unserer Umwelt wahrnehmen. Jeder Mensch hat eine enorme Erfahrung in der Verarbeitung visueller Reize. In der Fernerkundung wird diese Tatsache genutzt und der Gesamtprozess der visuellen Bildinterpretation in zwei Stufen unterschieden: Das Erkennen von Objekten und das Interpretieren von Objekten. Bei der visuellen Wahrnehmung spielen physikalische, physiologische und psychologische Aspekte eine wichtige Rolle, welche zu einer flächenhaften Gliederung des betrachtenden Bildes führen. Bei der Unterteilung eines Bildes in scharf abgegrenzte Einzelflächen können Kontraste, Kanten, Linien oder auch Farben wirksame Kriterien sein (vgl. ALBERTZ 2009: 121f.). Abbildung 4 zeigt uns einen Ausschnitt aus dem Untersuchungsgebiet. Die Satellitendaten lassen eine Echtfarbdarstellung einer überwiegend ländlich geprägten Landschaft erkennen. Hier geben uns Strukturierungsmerkmale Aufschluss über den imaginären Zusammenschluss von Flächen. Eine Waldfläche beispielsweise ist im Detail hochgradig differenziert, dennoch können wir den Wald von den angrenzenden Parzellen unterscheiden. Sogar die einzelnen landwirtschaftlichen Nutzflächen sind zu 11

18 erkennen und können klar voneinander abgegrenzt werden. Auch anthropogene Strukturen wie Häuser und Straßen fallen dem Betrachter wegen ihrer gradlinigen Formen ins Auge. Abb. 4: Ausschnitt aus der WorldView-2 Satellitenszene (Echtfarbe: R-G-B). Quelle: Eigene Darstellung auf Basis von ID DF9A200. Es gibt zahlreiche Faktoren welche bei der Interpretation von landwirtschaftlichen Nutzflächen zu Einsatz kommen können (vgl. ALBERTZ 2009: 124ff.): Helligkeit einer Fläche (abhängig von den Reflexionseigenschaften einer Fläche) Farbton und Sättigung einer Fläche (abhängig von dem Vegetationsgrad) Form von Objekten (vor allem der Grenzverlauf der einzelnen Parzellen) Größe von Objekten (Angabe der Größeneinheit in ha) Textur einer Oberfläche (Pflug- oder Fahrrillen, Pflanzrichtung, etc.) relative Lage von Objekten (landwirtschaftliches oder urbanes Umfeld) Bei der Visualisierung und Wahrnehmung digitaler Bilder muss man vorsichtig sein, da die Bildbearbeitungsprogramme meist ihre eigene Art der Darstellung benutzen. So muss man bei der Betrachtung verschiedener Einzelbilder in Erdas Imagine genau auf die Einstellungen im Viewer achten, da das Programm die Angewohnheit hat, Bilder mit einer programminternen Histogrammstreckung darzustellen. Das wird vor allem 12

19 beim Vergleich mehrerer Einzelbilder zum Problem, da sich gleichartig Flächen unterschiedlich in Kontrast und Farbe darstellen können. 3.2 Digitale Bildauswertung Unter dem Begriff digitale Bildauswertung werden Vorgänge zusammengefasst, welche die in Luft- und Satellitenbildern gespeicherten Informationen mit Hilfe von Computern nutzbar machen sowie daraus Produkte ableiten. In dieser Arbeit sollen aus den spektralen Informationen der WorldView-2 Satellitendaten die landwirtschaftliche Nutzung und die im Untersuchungsgebiet vorkommenden Feldfrüchte abgeleitet werden. Ein digitaler Vektorlayer mit den generierten Informationen sowie eine thematische Karte stellen Endprodukte des entwickelten Verfahrens dar. Während die Bildinterpretation ein menschliches Auswerteverfahren ist, handelt es sich bei der digitalen Bildauswertung um ein Computerverfahren, welches Bildinhalte durch semiautomatische Prozesse zusammenfasst. Heutige Computerverfahren unterliegen zwar beim Erkennen von Zusammenhängen dem menschlichen Interpreten, sind aber bei der Analyse von Pixelwerten sehr präzise und können mit Hilfe von Rechenalgorithmen spezifische Aufgaben schnell und effizient lösen. Trotz intensiver Entwicklungsarbeit und beeindruckender Fortschritte auf dem Gebiet der automatischen Identifizierung von bestimmten Objekten, haben diese Verfahren noch geringe praktische Bedeutung. Die Erfahrungen machen deutlich, dass die komplexe Wirkungsweise des menschlichen Wahrnehmungssystems bisher nur in Ansätzen verstanden wurde und nur teilweise auf digitale Auswertungsverfahren übertragbar ist. Dennoch kann die digitale Bildauswertung bei der Analyse multispektraler Daten große Erfolge vorweisen, wobei noch nicht alle Potentiale ausgeschöpft wurden (vgl. ALBERTZ 2009: 154f.) Multispektralklassifikation Bei der Klassifizierung multispektraler Daten geht es um die Unterscheidung von Objektklassen anhand ihrer Pixelwerte. Hierbei handelt es sich um einen Spezialfall der allgemeinen Mustererkennung (Pattern Recognition), bei der nicht nur multispektrale Messdaten, sondern auch andere quantitative Objektmerkmale Verwendung finden können (vgl. ALBERTZ 2009: 155f.). 13

20 Es werden verschiedene Objektklassen auf Grundlage der gesammelten Informationen der Feldkampagne gebildet. Für die Objekteklassen untersucht man eine festgelegte Anzahl von Trainingsgebieten, welche einerseits aufgrund der repräsentativen spektralen Signatur der Klasse und andererseits wegen ihrer gleichmäßigen räumlichen Verteilung im Untersuchungsgebiet ausgewählt werden. Erdas Imagine ist eine Bildbearbeitungssoftware, welche im Aufgabenbereich der Multispektralklassifikation jahrelang Erfahrung sammeln konnte und sich somit an die Spitze der Produktauswahl vorgearbeitet hat. Es gibt zwar einige Freeware Programme, welche ein ähnliches Angebot liefern können (z.b. Definiens), aber die enge Zusammenarbeit mit den Supportunternehmen von Erdas ermöglicht eine ständige Verbesserung der Klassifikationsmethoden. Als Werkzeug für die Bildung der verschiedenen Objektklassen dient der Signaturen Editor (Signature Editor). Hier werden die spektralen Signaturen der Referenzflächen, von denen bekannt ist, welcher Objektklasse sie zugehören, gespeichert und für den Prozess der überwachten Klassifikation vorbereitet. Für die Durchführung dieser Klassifikationsmethode stehen verschiedene Algorithmen zur Auswahl. In diesem Fall wurde das weit verbreitete Maximum-Likelihood Verfahren angewandt. Hierbei werden aufgrund statistischer Kenngrößen der vorgegebenen Trainingssignaturen Klassenzugehörigkeitswahrscheinlichkeiten für jedes Pixel berechnet. Jedes Pixel wird dann der Klasse mit der größten Wahrscheinlichkeit zugewiesen (vgl. ALBERTZ 2009: 158ff.). Diese Klassifikationsmethode wurde am Originalbild durchgeführt und zeigt bereits erste Ergebnisse, nämlich, dass die Reflexionsdifferenzen zwischen den Objektklassen Weizen, Roggen, Hafer und Gerste sehr gering sind und die Wahrscheinlichkeit einer Fehlklassifikation innerhalb dieser Getreidesorten hoch ist. Als Ergebnis erhält man eine thematische Karte (Abb. 5) der sechs gebildeten Objektklassen, wobei die Flächenelemente ohne eine Klassenzugehörigkeit nicht klassifiziert werden. Dieses Verfahren kann leicht um weitere Spektralbereiche sowie Objektklassen ergänzt werden und ermöglicht theoretisch die Erstellung thematischer Karten ohne weiteres menschliches Eingreifen. 14

21 Abb. 5: Überwachte Multispektralklassifikation - Maximum-Likelihood Verfahren. Quelle: Eigene Darstellung auf Basis von ID DF9A200. Der Vorteil dieser Methode liegt ganz klar in der schnellen Generierung eines Endprodukts. Solche Landnutzungsinformationen sind wichtig für viele Planungs- und Managemententscheidungen. Sie werden zudem als ein grundlegendes Element zur Modellierung und zum Verständnis der Erde als ein System angesehen. Landnutzungskarten werden auf lokaler, nationaler und globaler Ebene erstellt. Man muss zwischen Landbedeckung, also Objekte die auf sich auf der Erdoberfläche befinden, und Landnutzung, also der anthropogenen Bearbeitung der Erdoberfläche oder der ökonomischen Funktion einer bestimmten Nutzungsfläche, unterscheiden. Bereits Mitte der 1970er Jahre entwickelte die wissenschaftliche Behörde USGS (United States Geological Survey) eine Systematik zur Landnutzungs- und Landbedeckungsklassifikation, welche heute noch Gültigkeit besitzt (vgl. LILLESAND 2008: 212ff.). Mit weiterentwickelten Fernerkundungssystemen ist es möglich, bestehende Klassifikationsverfahren zu modifizieren und diese den neuen Bedingungen anzupassen. Vor allem in den Untersuchungsbereichen der weltweiten Nahrungsmittelversorgung und den Anforderungen an heutige landwirtschaftliche Produkte kann die Fernerkundung vielseitig eingesetzt werden. Physikalische, biologische und technische 15

22 Probleme, welche in der modernen Landwirtschaft auftreten, sind eng mit den Problemen der Bevölkerungsentwicklung, der Energieversorgung, der Umweltverschmutzung und dem Klimawandel verbunden. (vgl. LILLESAND 2008: 233ff.) und müssen einen Untersuchungsschwerpunkt in zukünftigen Forschungen bilden Grenzen der bildpunktbasierten Klassifikation Die bildpunktbasierte Klassifikation hat eine 30jährige Geschichte der Forschung und der Anwendung. Durch die Verbesserung der Satellitentechnik vor allem in Bereichen der räumlichen Auflösung treten jedoch neue Probleme auf, da bei steigender Komplexität eines Systems dessen Genauigkeit abnimmt (vgl. MOTT 2005: 15). Insgesamt unterliegt die bildpunktbasierte Klassifikation einer Vielzahl von Störeinflüssen, weswegen die Anwendung dieser Methode Sorgfalt, Sachkenntnis und praktische Erfahrung verlangt. Bei der Interpretation der Ergebnisse müssen stets die folgenden methodischen Grenzen der Multispektralklassifikation bedacht werden (ALBERTZ 2009: 164): Insbesondere mittel und grob aufgelöste Daten enthalten Mischpixel, also Pixel die mehreren Klassen zugehören. Sie treten vor allem dann auf, wenn sich die Grenzbereiche der gesuchten Klassen innerhalb eines Bildpunktes überlappen. Das Auftreten dieser Mischsignaturen liefert Fehlklassifikationen (vgl. MOTT 2005: 15f.). Das komplette Eingangsraster wird bei der Klassifikation genutzt. Also auch Objekte wie Gewässer werden, obwohl ihre spektrale Signatur keiner der trainierten Klassen entspricht, der wahrscheinlichsten Klasse zugeordnet. Dies kann man jedoch verhindern und sich nur die Pixel in das Ausgangsraster integrieren, welche mit hoher Wahrscheinlichkeit einer Klasse zugehören (siehe Abb. 5). Die Ausgangsdaten bei dieser Methode sind thematische Rasterdaten, die außer der Pixelinformation über die zugeteilte Klasse keine weiteren Daten zur 16

23 Nachbearbeitung bereitstellen. Eine Nachbearbeitung des thematischen Layers ist somit nur sehr begrenzt möglich. Die meisten spektralen Signaturen der Objektklassen sind aufgrund der Heterogenität der Feldfrüchte nicht klar voneinander trennbar und die berechneten Wahrscheinlichkeiten einer überwachten Klassifikation auf Basis der Maximum-Likelihood Methode stehen dem Nutzer nicht für eine Nachbearbeitung zur Verfügung. Dies erschwert die Klassifikation besonders bei verschiedenen Vegetationsarten (vgl. ALBERTZ 2009: 162f.). Weiterhin sind die Anwendungsbereiche durch die fehlenden Strukturanalysen eingeschränkt (vgl. KLOER 2011). Die objektbasierte Klassifikation geht auf viele dieser Probleme ein und versucht diese zu beseitigen. Sie übertrifft die traditionellen Klassifikationsmethoden, da bei den Trainings- bzw. Referenzdaten mehr Eingangsparametern als nur die Pixelwerte in die Klassifikation mit einfließen. Vor allem die Single Feature Probability Klassifikationsmethode in Imagine Objective ermöglicht das Arbeiten mit spektral heterogenen und homogenen Objekten (vgl. KLOER 2011). 17

24 4. Das Untersuchungsgebiet Marco Ritter - Diplomarbeit Die gelieferte WorldView-2 Satellitenszene umfasst eine Gesamtfläche von ca. 650 km² rund um Nürnberg. Der Nadir der Satellitenszene befindet sich rund 47 km südsüdöstlich von Bamberg. Im Zuge einer Vorklassifikation wurde die Satellitenszene in die Klassen urbaner Raum, Wald und Landwirtschaft eingeteilt. Die Ergebnisse dieser Vorklassifikation lauten wie folgt: In der Satellitenszene befinden sich 120 Siedlungen mit einer Gesamtfläche von ha. Nürnberg nimmt hierbei als Zentrum dieser Metropolregion die größte Fläche ein. Weiterhin befinden sich auf der Satellitenszene ha Waldfläche und ha Landwirtschaftsflächen, die in dieser Arbeit einen besonderen Schwerpunkt einnehmen. Da die Datenerhebung und die Klassifikation über die komplette Satellitenszene zu viel Zeit in Anspruch nehmen würde, werden sich die Ergebnisse des entwickelten Nördliches Untersuchungsgebiet Nürnberg Abb. 6: WorldView-2 Aufnahme des Untersuchungsgebietes vom Quelle: Eigene Darstellung auf Basis von ID DF9A

25 Verfahrens auf ein kleineres Untersuchungsgebiet beziehen. Wie in Abbildung 6 zu erkennen ist, wurde der nördliche Teil der Satellitenszene ausgewählt, welcher eine Fläche von ungefähr 175 km² umfasst. Geologie Das nördliche Untersuchungsgebiet befindet sich auf der Nördlichen Frankenalb sowie dem Albvorland. Das Albvorland zieht sich als eine niedrige Stufe um die gesamte Frankenalb. Im Untersuchungsgebiet trifft man überwiegend Juraablagerungen an, also Gesteine des Lias, Dogger und Malm. Die wichtigsten Ablagerungsschichten sind Amaltheentone und Opalinustone (Lias), Doggersandstein und Ornatentone (Dogger). Auch Mergel-, Werk- sowie Schwammkalke (Malm) wurden hier abgelagert, welche eine Dolomitlandschaft mit Verkarstungsphänomenen wie Trockentälern und Dolinen erst ermöglichen. Im Tertiär wurden vor allem sandige und lehmige Albüberdeckungen abgelagert. Das Quartär ist vor allem durch diluviale Schotter, Bergsturzmassen, Lößsowie Aulehme geprägt (vgl. DORN 1958: 5ff.). Böden Im Laufe der Jahre wirkten zahlreiche Verwitterungsprozesse auf das Ausgangsgestein ein und formten die heutigen Bodentypen. Im nördlichen Untersuchungsgebiet befindet sich ein differenziertes Spektrum an Böden, welche sich durch ihre chemischen, physikalischen und biologischen Eigenschaften unterschiedlich auf die Vegetation auswirken. Vor allem der Humuskörper sowie die vorkommenden Tonminerale beeinflussen den Nährstoffhaushalt und somit die Bodenfruchtbarkeit. Aber auch kleinräumige Unterschiede im Relief können eine Veränderung des Luft- und Wasserhaushaltes der Böden mit sich bringen. Im Untersuchungsgebiet findet man einerseits lockere, lehmig-sandige Böden und andererseits schwere Lehm- und Tonböden. Insgesamt bieten alle schweren Böden eine Anlage zur Staunässe und in muldigen Geländelagen, wo sich das Niederschlagswasser der umgebenden Flächen sammelt, wird die Pseudovergleyung begünstigt. Anders als bei dem Verlagerungsprozess der Vergleyung, wodurch Bodenbestandteile durch Grundwassereinfluss transportiert werden, ist bei der Pseudovergleyung Sickerwasser das ausschlaggebende Transportmedium. Auf Opalinuston und Mergelton bilden sich kalkhaltige Böden, welche vor allem als Wiesenkulturen, aber auch als Ackerböden genutzt werden. Auf Ornatenton, welcher meist noch mit gestürztem Malmschutt 19

26 bedeckt ist, bilden sich schwere, tonige Böden, die als brachliegende Ackerflächen oder auch als Wiesen genutzt werden. Die Böden auf Malmgestein saugen sich bei ergiebigen Niederschlägen mit Wasser voll, verlieren aber nach mehreren Tagen Sonnenschein die Feuchtigkeit und werden zu einem trockenen, staubigen Boden. Aufgrund vereinzelt auftretender Kalkscherben, erwärmen sich diese Böden sehr rasch, was vorteilhaft für das Pflanzenwachstum ist, jedoch verdunstet der Wassergehalt rascher als bei anderen Böden, was sich nachteilig auf das Pflanzenwachstum auswirkt. Auf Kalksteinschutt und auf Gehängeschutt des Doggersandsteins bilden sich überwiegend Pararendzinen. Fehlt jedoch diese karbonatische Komponente so bilden sich auf Teilen des Doggersandsteins Braunerden. Diese lockeren, nährstoffreicheren Böden sind für die agrarische Bewirtschaftung geeignet. Auf den Albhochflächen entstand eine lehmige Albüberdeckung und die darauf vorkommenden Böden gehören zu den verbreitetsten sowie wichtigsten des Untersuchungsgebietes, da sie sich als Ackerböden überaus gut eignen. Durch eine starke Vermischung mit Quarzkörnern bekommen die Böden auf Elluviallehmen eine leichte Beschaffenheit sowie einen hohen Nährstoffgehalt. Diese eigenen sich daher recht gut als Getreideböden. Abgesehen von Talauen, die meist als Grünland genutzt werden, überwiegt im Untersuchungsgebiet der Ackerbau (vgl. DORN 1958: 66ff.). Klima Im Untersuchungsgebiet herrscht nach Köppen & Geiger ein warmgemäßigtes Klima, mit ausreichenden Niederschlägen in allen Monaten, wobei der wärmste Monat unter 22 C liegt und mindestens vier Monate über 10 C liegen (vgl. DIERCKE 1996: 223). Jedoch bietet diese kleinmaßstäbliche Weltkarte kaum Interpretationsmöglichkeiten für das regionale Klima im Untersuchungsgebiet. Aus einer Klimakarte für Deutschland gehen genauere Klimaangaben für das Nürnberger Umland und somit auch für das Untersuchungsgebiet hervor. Mit einer Niederschlagsmenge von 600 bis 800 mm pro Jahr, einer mittleren Temperatur von 10 C oder höher für mindestens fünf Monate, einer mittleren Januar Temperatur von -1,4 C sowie einer mittleren Juli Temperatur von 18 C können bereits nähere Angaben über die landwirtschaftlichen Anbauvoraussetzungen getroffen werden (vgl. DIERCKE 1996: 46). Jedoch werden diese Klimaangaben nicht dem Aktualitätsstand der Aufgabenstellung gerecht und können nur begrenzt zur Interpretation der diesjährigen Klimabedingungen genutzt werden. Um einen direkten Bezug zwischen Niederschlagsmengen, Temperaturen und 20

27 Vegetationswachstum herstellen zu können werden aktuelle Klimadaten benötigt. Die Wetterstationen des bayerischen Netzwerks von agrar-meteorologischen Stationen gewähren den Zugang zu lokalen Wetterdaten und ermöglichen ein Wettermonitoring für bestimmte Teile des Untersuchungsgebietes. Aber auch private Wetterstationen stellen ihre Messergebnisse der Öffentlichkeit zur Verfügung und die Bereitstellung der Klimadaten über das Internet ermöglicht eine konkrete Auswertung sowie eine direkt Bezugnahme auf das Untersuchungsgebiet. Die private Wetterstation Nürnberg-Katzwang wurde für die Auswertung herangezogen, da sie sich in der Mitte der Satellitenszene befindet und ein übersichtliches Archiv über die gemessen Klimadaten führt. Mikroklimatische Veränderungen innerhalb des Untersuchungsgebietes können nicht berücksichtigt werden, weswegen die Klimadaten nur teilweise Repräsentativität für das nördliche Untersuchungsgebiet besitzen. Die Monate Januar bis Mai 2011 sind aussagekräftig für die Momentaufnahme der Wachstumsperiode am 18. Mai Diese Monate beeinflussten vor allem mit der Temperatur und den Niederschlagsmengen das Wachstum der landwirtschaftlichen Nutzpflanzen. Januar 2011 Durchschnittliche Temperatur Monatlicher Normalwert Niederschlagsmenge Monatlicher Normalwert = 1,13 C = 1,02 C = 82 l/m² = 48 l/m² Februar 2011 Durchschnittliche Temperatur Monatlicher Normalwert Niederschlagsmenge Monatlicher Normalwert März 2011 Durchschnittliche Temperatur Monatlicher Normalwert Niederschlagsmenge Monatlicher Normalwert = 1,27 C = 2,33 C = 27 l/m² = 46 l/m² = 5,88 C = 4,45 C = 10 l/m² = 46 l/m² 21

28 April 2011 Durchschnittliche Temperatur Monatlicher Normalwert Niederschlagsmenge Monatlicher Normalwert = 12,82 C = 11,41 C = 47 l/m² = 27 l/m² Mai 2011 Durchschnittliche Temperatur Monatlicher Normalwert Niederschlagsmenge Monatlicher Normalwert = 16,24 C = 15,40 C = 39 l/m² = 110 l/m² Quelle: Private Wetterstation Nürnberg - Katzwang. Wetteraufzeichnungen von Stand Während die Lufttemperaturen kaum von den gemittelten Monatswerten der letzten Jahre abweichen, kann man bei den Niederschlagsmengen eine Deviation zu den monatlichen Normalwerten feststellten (in den Wetteraufzeichnungen fett markiert). Die Temperaturen begünstigen ein gutes Pflanzenwachstum, da sie sich leicht über den monatlichen Normalwerten befinden. Die Niederschlagsmengen hingegen befinden sich vor allem in den Monaten Februar, März und Mai weit unter den Normalwerten. Aus den gemittelten Niederschlagswerten der letzten Jahre geht hervor, dass für diese drei Monate insgesamt 202 l/m² Regen zu erwarten sind. Im Jahre 2011 jedoch fielen in den Monaten Februar, März und Mai aber nur 76 l/m². Der fehlende Niederschlag in dieser wichtigen Phase des Pflanzenwachstums hatte zur Folge, dass sich viele der landwirtschaftlichen Nutzpflanzen zum Zeitpunkt der Aufnahme in einem unterentwickelten Wachstumsstadium befanden oder noch gar nicht ausgetrieben waren. Landwirtschaft 2011 waren die Hauptanbausorten in dieser Region Getreide (Weizen, Roggen, Gerste), Hafer und Mais. Diese Feldfrüchte werden vor allem in den periphereren, ländlichen Regionen angebaut, da größere Anbauflächen vorhanden sind und somit ein gesteigerter Ertrag zu erwarten ist. Je mehr man sich den urbanen Räumen nähert, desto kleiner werden die bewirtschafteten Parzellen und der Gemüseanbau nimmt zu. 22

29 5. Datengrundlage 5.1 DigitalGlobe und WorldView-2 Marco Ritter - Diplomarbeit Der WorldView-2 Satellit wird von der amerikanischen Firma DigitalGlobe betrieben. Das Unternehmen wurde im Jahre 1993 unter dem Namen World View Imaging Corporation gegründet, wechselte seinen Namen 1995 zu Earth Watch Incorporated und wurde letztlich im Jahre 2002 zu DigitalGlobe umbenannt. Das amerikanische Wirtschaftsministerium bewilligte im Jahre 1993 eine Lizenz, welche es einem privaten Unternehmen erstmals erlaubte ein Satellitensystem zu bauen und zu betreiben, welches hochauflösende Erdaufnahmen für kommerzielle Zwecke sammelt. Im Januar 1994 fusionierte das Unternehmen mit Ball Aerospace, um die Leistung im Bereich der kommerziellen Fernerkundung zu erhöhen. Diese Fusion brachte wichtiges Expertenwissen sowie signifikante Erfahrungen in Bereichen der Kommunikation und Entwicklung von optischen Sensoren mit sich. Am 18. Oktober 2001 wurde QuickBird vom Vandenberg Luftwaffenstützpunkt in Kalifornien erfolgreich gestartet. Dieser Satellit operiert heute noch neben WorldView- 1 und WorldView-2 unter der Kontrolle von DigitalGlobe. Das Unternehmen baute sich ein weitläufiges Netzwerk von Geschäftspartnern auf, um die Regierung und den kommerziellen Markt mit Satellitendaten beliefern zu können. Das 2004 geschlossene Abkommen mit Google, was eine Schlüsselkomponente bei der Etablierung und dem Erfolg von Google Earth darstellt und das beginnende Wachstum von Online Mapping Portalen weiter förderte, war ein wichtiger Einschnitt für die Fernerkundung, da das öffentlichen Interesse geweckt wurde. Am 18. September 2007 wurde WorldView-1 erfolgreich gestartet und konnte kurz nach dem Start in Betrieb genommen werden. Am 8. Oktober 2009 wurde die Satellitenflotte durch den Start von WorldView-2 auf ihre heutige Kapazität ergänzt. Heute hat das Unternehmen die Möglichkeit durch diese Satellitenkonstellation eine große Anzahl von Daten - circa 500 Mio. km² pro Jahr - zu erfassen und hochauflösende Bilder der Erde an Kunden auf globaler Ebene zu liefern (vgl. DIGITALGLOBE 2011). 23

30 Um auf einem globalisierten Markt eine ubiquitäre Erreichbarkeit an Satellitendaten gewährleisten zu können, benötigt DigitalGlobe ein Netzwerk aus Partnerunternehmen. European Space Imaging (EUSI) ist Teil dieser globalen Allianz und versorgt den europäischen und afrikanischen Markt mit hochaktuellen Satellitendaten. Das Unternehmen wurde 2002 gegründet und der Hauptsitz befindet sich in München. EUSI seinerseits besitzt ein differenziertes Netzwerk bestehend aus technologischen und kommerziellen Partnern. Das Unternehmen führt langfristige sowie direkte Beziehungen mit den wichtigsten europäischen und internationalen Institutionen, welche in den Bereichen Katastrophenmanagement, nationale Sicherheit, Umweltmonitoring und Kartierung forschen und arbeiten. Die Satellitendaten von EUSI stehen in mehreren Bändern zur Verfügung, um die relevantesten und aktuellsten Bilder bestimmter Regionen in einer kontinuierlich aktualisierten Sammlung lieferbar zu machen (vgl. EUROPEAN SPACE IMAGING 2011). WorldView-2 ist einer der ersten hochauflösenden Multispektralsatelliten, welcher für kommerzielle Zwecke genutzt wird, wobei seine Lebensdauer schätzungsweise 7,25 Jahre beträgt. Der Satellit operiert in einer Höhe von 770 km und hat die Erde nach 100 Minuten einmal vollständig umkreist. Er verfolgt eine sonnensynchrone Flugbahn, was bedeutet, dass ein Gebiet immer zur gleichen Sonnenortszeit überflogen wird. Deswegen ist bei allen Aufnahmen ein vergleichbarer Sonnenwinkel gesichert. Die Aufnahmebreite beträgt 16,4 km im Nadir. Im multispektralen Aufnahmemodus beträgt die Auflösung 1,85 m im Nadir und 2,07 m bei einem Schrägblickwinkel (Off-Nadir) von 20. Im panchromatischen Modus beträgt die Auflösung 46 cm im Nadir und 52 cm im Off-Nadir. Die acht multispektralen Bänder (Abb. 7) 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, Near-IR1: nm, Near-IR2: nm). Der panchromatische Kanal reicht von 450 bis 800 nm und geht damit ebenfalls bis in den Bereich des nahen Infrarots. 24

31 Abb. 7: Spektrale Resonanz der WorldView-2 Sensoren. Quelle: Durch seine vier neuen Sensoren (Coastal, Yellow, Red Edge und Near-IR2) kann der Satellit eine erhöhte Klassifikationsgenauigkeit als die traditionellen vier Kanäle (Blue, Green, Red und Near-IR1) gewährleisten. Diese Tatsache gekoppelt mit der hohen räumlichen Auflösung sowie der enormen Abdeckung, sind bei der Abgrenzung von Pflanzenarten von Vorteil und ermöglichen eine genauere objektorientierte Klassifikation. Der nominale Wiederholungszyklus, also das zeitliche Intervall bis zu einem erneuten Überflug in annähernd gleicher Orbitalposition (20 Off-Nadir oder weniger), beträgt weniger als vier Tage (vgl. DIGITALGLOBE 2011), was die Generierung von multitemporalen Daten und somit einem kontinuierlichen Monitoring zu Gute kommt. 5.2 Ausgangsdaten Im Rahmen der Diplomarbeit wurde eine WorldView-2 Satellitenszene vom , also vom Beginn der Vegetationsperiode dieses Jahres untersucht. Durch den DigitalGlobe ImageFinder (vgl. DIGITALGLOBE 2011) konnte ein geeigneter FE- Bilddatensatz ausfindig gemacht werden. Der Image Finder bietet Zugriff auf das stetig wachsende Bildarchiv und ermöglicht durch erweiterte Kriterien eine zielgerichtete Suche in der Sammlung an Satellitendaten. 25

32 Diese Szene wurde ausgewählt, da der Satellit scheinbar wichtige Nutzpflanzen in einem günstigen Vegetationsstadium aufgenommen hat. Die Bilder waren aufgrund äußerst günstiger Wetterbedingungen zum Aufnahmezeitpunkt nahezu wolkenfrei. Lediglich zwei Prozent der gesamten Aufnahme ist mit Wolken bedeckt, weswegen der Großteil der Satellitenszene für eine unbeeinträchtigte Klassifikation zur Verfügung steht. Man muss jedoch bedenken, dass auch die Bereiche, in denen sich der Wolkenschatten befindet, bei einer objektbasierten Klassifikation Probleme bereiten. Aus diesem Grund sind 96% ( 162 km²) der Satellitenszene sehr gut geeignet. Diese Diplomarbeit sowie meine Forschungen in diesem Themenfeld sind ohne die kostenlose Bereitstellung der Satellitenszene aufgrund von Forschungsunterstützung nie möglich gewesen, da sich die Kosten von einem Ortho Ready Standard, 8-Band Bundle auf 32$ pro km² belaufen. Die Satellitendaten konnten innerhalb von 24 Stunden von einem File Transfer Protocol Server des Unternehmens heruntergeladen werden. Eine andere Art des Datenversands ist möglich, aber mit weiteren Materialkosten verbunden, da die Datenkapazität mit 7,7 Gigabyte für die Satellitenszene groß ist. In Abhängigkeit von der Größe der Bearbeitungsfläche und der Qualität der Bilddaten nimmt die benötigte Speicherkapazität zu. Aufgrund der Größe der Bilddaten wurde die Satellitenszene als eine panchromatische und eine multispektrale Aufnahme geliefert. Weiterhin fand eine Aufteilung in 15 Kacheln (insgesamt 30 Kacheln) je Aufnahme statt, um die Downloadgeschwindigkeit zu erhöhen. Die Bilddaten hatten bedingt durch die Sensoreinstellungen des Satelliten eine radiometrische Tiefe von 11 Bit. Ein Kanal oder Band kann somit Pixelwerte in einem Grauwertebereich von 0 bis 2048 aufnehmen. Durch die hohe räumliche Auflösung ist ein hoher Detailreichtum gegeben, allerdings gab es einige Übersteuerungspunkte, welche in den panchromatischen und multispektralen Daten an exakt den gleichen Positionen vorkamen. Die in dieser Arbeit verwendeten Daten zeigten, abgesehen von diesen Überbelichtungsphänomenen, keine weiteren radiometrischen Auffälligkeiten. Die ausgewählte Satellitenszene (ID DF9A200) wurde durch die Vorprozessierung von European Space Imagine unter anderem mit dem gewünschten 26

33 Koordinatensystem versehen. Im Jahre 1947 führte das US Militär die Universale Transversale Mercator Projektion (UTM) ein, die 1951 von der Internationalen Assoziation für Geodäsie empfohlen wurde. Das UTM Koordinatensystem findet globale Anwendung. Aus den gezogenen Meridianstreifen ergeben sich 60 Zonen, die einer Nord-Süd-Teilung unterliegen. Es werden weiterhin 100 x 100 km² Felder aufgrund von 8 -Parallelkreis-Bänder gebildet. Die Zonenfelder werden von Süden nach Norden mit Buchstaben beschriftet, wobei die Buchstaben I und O weggelassen werden um eine Verwechslung mit den Ziffern 1 und 0 auszuschließen. Somit existieren für den gesamten Globus inklusive der 4 der Polargebiete (vgl. KOHLSTOCK 2010: 37f.) insgesamt 1201 Zonen. Ein Großteil der Landesfläche Deutschlands befindet sich auf dem 32ten Meridianstreifen des UTM Koordinatensystems und auf dem Zonenfeld U. Aus dieser Systematik ergibt sich folgende Abkürzung das verwendete Koordinatensystem der Satellitenszene: UTM Zone N32 U. Das zugewiesene Geodätische Referenzsystem der Satellitendaten bildet die Grundlage für die Positionierung im UTM Koordinatensystem und basiert auf der Grundlage eines Ellipsoiden. Seit der Einführung des Bessel Ellipsoiden in Deutschland im Jahre 1841 konnte die Ellipsoiden Berechnung im Laufe der Jahre durch ständige Forschung weiter verfeinert werden. Mit der Einführung des Geodätischen Referenzsystem 1980 (GRS 80) legte die International Union of Geodesy and Geophysics (IUGG) die heute Grundlage für Kartenherstellung, Positionierung und Navigation. Die physikalischen Parameter des GRS 80 bilden zugleich Bestandteile des World Geodetic System 1984 (WGS 84) (vgl. KOHLSTOCK 2010: 43f.). 5.3 Vorprozessierung und Bildaufbereitung Große praktische Bedeutung für die Klassifikationsvorbereitung haben verschiedene Methoden der Bildverbesserung (Image Enhancement). Sie kommen beim Arbeiten mit Fernerkundungsdatensätzen häufig zum Einsatz, um die Auswertung von Bilddaten leichter, schneller und zuverlässiger zu gestalten. Einerseits gibt es Verfahren, welche die visuelle Bildinterpretation erleichtern, indem wenig auffällig Details für das menschliche Auge betont werden, und andererseits gibt es Prozesse, welche Bildeigenschaften zugunsten der digitalen Bildauswertung verändern (vgl. ALBERTZ 2009: 104). 27

34 Die Spatial Modeler Language und der Model Maker (ERDAS FIELD GUIDE 2010: 184) bilden die Basis der Vorprozessierung. Alle Funktionen und Prozesse können über dieses Werkzeug gesteuert, verändert oder neu entwickelt werden. Bereits durch einfache Bildverbesserungen kann die spektrale Signatur der Feldfrüchte hervorgehoben werden. Die Satellitenbilder wurden mit Hilfe verschiedener Anwendungen auf die Klassifikation vorbereitet: Mosaikbildung aus den einzelnen Bildkacheln Kontrastverbesserung der Farbkanäle durch eine lineare Histogrammstreckung Verbesserung der Detailerkennbarkeit durch multisensorale Bildverbesserung Filteroperatoren zur Homogenisierung der landwirtschaftlichen Nutzflächen Mosaikbildung EUSI lieferte die ausgewählte Satellitenszene in mehreren Kacheln, weswegen zuerst eine Mosaikbildung erfolgen musste, um das komplette Bild behandeln zu können. Die Herstellung von großflächigen Bildmosaiken funktioniert mit dem Mosaic Pro Werkzeug von Erdas Imagine sehr gut. Es kann vielen Kacheln gleichzeitig berechnen und sogar ganze Befliegungsstreifen können zu einem Mosaik zusammengefasst werden. Die Mosaikbildung aus einzelnen Bildern hat in der Photogrammetrie sowie der Fernerkundung eine lange Tradition, aber für digitale Satellitendaten existieren entsprechende Bildverarbeitungsmethoden erst seit wenigen Jahren. Da die 30 Einzelkacheln bereits ein gemeinsames Referenz- und Koordinatensystem (WGS 84 / UTM Zone 32N) besitzen, konnte direkt eine radiometrische Mosaikbildung durchgeführt werden. Man kann Helligkeits-, Kontrast- und Farbunterschiede zwischen den einzelnen Kacheln mit Hilfe verschiedener Werkzeuge beseitigen und somit ein homogenes Gesamtbild erzeugen. Diese Korrekturen waren jedoch für das vorliegende Bildmaterial nicht nötig, da innerhalb der Szene keine Auffälligkeiten, Störungen oder Abweichungen vorhanden sind. Histogrammstreckung Um die Interpretation der Bilder zu erleichtern, muss man sie dem menschlichen Auge so darbieten, dass die für die Unterscheidung der landwirtschaftlichen Nutzflächen wichtigen Grauwertdifferenzen der Feldfrüchte in den einzelnen Kanälen deutlich 28

35 hervortreten. Bestimmte Grauwertbereiche einer Satellitenszene sind charakteristisch für die zu untersuchenden Feldfrüchte. Ein Streckungsbereich wird mit Hilfe von spektral repräsentativen und gleichmäßig verteilten Referenzflächen definiert. Im nördlichen Untersuchungsgebiet wurden 60 landwirtschaftliche Nutzflächen identifiziert, welche den Anforderungen an Trainingsgebieten Stand hielten. Jeweils zehn Parzellen pro Klasse genügen, um eine Klassifikation vornehmen zu können. Abbildung 8 zeigt die abgegriffenen Werteintervalle der Trainingsfelder, welche als Grundlage für die Histogrammstreckung dienen. Aus den zehn Referenzflächen pro Klasse wurden jeweils der niedrigste und der höchste Pixelwert eines Kanals ermittelt. Dies ergibt dann die abgebildete Spalte mit einem Werteintervall für jede Klasse. Eine lineare Histogrammstreckung sollte für jeden Kanal durchgeführt werden, weswegen folgende Rechnung im Fall der WorldView-2 Daten acht Mal durchzuführen ist. Beispielsweise wird der Wertebereich für den Red Edge Kanal durch das Minimum der Klasse Wiese und das Maximum der Klasse Mais definiert. Zudem wird zu Minimum und Maximum jeweils ein Puffer von 2000 abgezogen oder hinzugefügt, um keine wichtigen Spektralwerte zu eliminieren. Untersuchungsobjekt Coastal (1) Blue (2)/ Kanal Green (3) Yellow (4) Red (5) Red Coastal Edge (1) (6) Blue NIR1 (2) (7) Gre 9800 Mais - gesamt Weizen gesamt Wiese gesamt Gerste gesamt Roggen gesamt Hafer gesamt ch 8900 Gesamter Wertebereich der 5200 Feldfrüchte für Stretch ch (gerundet) 6900 Gesamter Wertebereich der 3200 Feldfrüchte für Stretch (gerundet) Abb. 8: Definierter Wertebereich für die Histogrammstreckung (Kanal 6). Quelle: Eigene Abbildung. Mit Hilfe der definierten Wertebereiche wird eine Übertragungsfunktion im Model Maker (Abb. 9) generiert, dass ein neues Ausgangsbild erzeugt. Die eckigen Symbole stellen Rasterdaten dar und die Kreise sind die Funktionen, welche auf die Eingangsdaten angewandt werden. Das Model ist von Oben nach Unten zu lesen. Jeder Kanal muss einzeln behandelt werden, bevor sie durch einen Layer Stack zu einem neuen Ausgangsbild vereinigt werden. 29

36 Abb. 9: Generiertes Bildverbesserungsmodell mit dem Model Maker. Quelle: Eigene Abbildung Die Satellitenszene wurde somit für die digitale Bildauswertung optimiert (Abb. 10). Das Ergebnis wird den Originaldaten gegenübergestellt. Die linke Spalte zeigt die Satellitenszene und die drei zur Visualisierung ausgewählten Kanäle der Originalszene, während die rechte Spalte das Ergebnis der linearen Histogrammstreckung verdeutlicht. Einerseits erhält die Satellitenszene eine bessere visuelle Interpretierbarkeit, andererseits werden die wesentlichen Grauwertebereiche der einzelnen Kanäle optimal über das gesamte Histogramm verteilt. Dadurch erhalten die wichtigen Pixelwerte mehr Spielraum und die irrelevanten Grauwerte werden eliminiert, was Fehlklassifikationen vorbeugt. Das Ergebnis der Streckung ist bemerkenswert und bereits die optische Differenzierung und Interpretationsfähigkeit der Bilder erfährt eine enorme Steigerung. Es existiert eine Voreinstellung in Erdas Imagine, dass Fernerkundungsdaten wie Luftund Satellitenbilder einer Histogrammstreckung unterzogen werden, bevor sie optisch im Viewer dargestellt werden. Dies verfälscht die eigentlichen Ausgangsdaten in Farbton und Kontrast. Alle hier gezeigten Abbildungen der Satellitendaten werden in einer ungestreckten Ansicht dargestellt, damit die Folgen der einfachen Bildverbesserung durch eine lineare Histogrammstreckung besser veranschaulicht werden können. 30

37 Ergebnis der Histogrammstreckung Vorher Nachher Kanal 8 Kanal 8 Kanal 6 Kanal 6 Kanal 4 Kanal 4 Abb. 10: Ergebnis der Kontrastverbesserung durch lineare Histogrammstreckung. Oben: Ausschnitt aus dem Erdas und auch andere Fernerkundungssoftware haben die Angewohnheit bzw. die Untersuchungsgebiet (Kanalkombination 8-6-4). Unten: Histogramme der Kanäle 8, 6 und 4. Quelle: Eigene Darstellung auf Basis von ID DF9A