Sentinel4GRIPS: Assimilation von Erdbeobachtungsdaten in forstliche Inventur- und Planungssysteme

Transkript

1 Sentinel4GRIPS: Assimilation von Erdbeobachtungsdaten in forstliche Inventur- und Planungssysteme Joachim Langshausen 1, Joachim Hill 2, Christoph Averdung 3, David Frantz 2, Sebastian Mader 2, Johannes Stoffels 2, Jürgen Dietz 1, Jens Göpfert 4 1) Landesforsten Rheinland-Pfalz, Zentralstelle der Forstverwaltung, Koblenz 2) Universität Trier, Umweltfernerkundung und Geoinformatik 3) CPA ReDev GmbH 4) Landesamt für Vermessung und Geobasisinformation Rheinland-Pfalz Environmental Remote Sensing and GeoInformatics Sentinel-2B , 2.49 Faculty of Environmental & Regional Sciences Trier University D TRIER, Germany hillj@uni-trier.de -

2 Forsteinrichtungsdaten Großrauminventurund Planungssystem (GRIPS) Betriebsdaten Mobile Endgeräte Forsteinrichtung vor Ort Operative Integration von Erdbeobachtungsdaten Objektorientiertes Forstinformations -system Luftbilder Desktop Planung und Analyse Fortschreibung /Modelle LiDAR Administrative Daten

3 Sentinel4Grips: Integration von Copernicus- Forstinformationsebenen in das Inventur- und Planungssystem GRIPS der Landesforsten Rheinland-Pfalz - Projektstruktur Koordination & PR GRIPS Evaluation und Nutzerschulung Forsteinrichtung, Planung, Waldinventur nd Datenhaltung Datenbankschnittstelle Vorprozessierung Sentinel-2A/B Klassifikator Nutzer der Öffentlichen Verwaltung SDG (Privatwaldnutzung) Klimakompetenzzentrum RLP Naturschutz (FFH LR-Typen Nationalparkverwaltung Kompetenzzentrum Waldbau FAWF (Naturwaldreservate) Integration Geodateninfrastruktur

4 Landeswaldgesetz RLP vom 30. November 2000

5 Wall-to-Wall VHR Satellite Map of Tree Species Effizienzsteigerung durch eine landesweite, aktuelle Baumartenkartierung: Optimierte Planung der Vor-Ort- Begehung bei der Forsteinrichtung Projektion: Transverse Mercator, Spheroid: Bessel, Datum: Potsdam Maßstab: 1: Satellitenbilddaten: 32 SPOT4/SPOT5-Scenes ( ) 3 RapidEye-Scenes (2010 und 2011) WÖFIS (Landesforsten RLP) ATKIS (LvermGeo RLP) Stoffels, J.; Hill, J.; Sachtleber, T.; Mader, S.; Buddenbaum, H.; Stern, O.; Langshausen, J.; Dietz, J.; Ontrup, G. Satellite-based derivation of highresolution forest information layers for operational forest management. Forests 2015, 6,

6 Skalierung der Ergebnisse der Bundeswaldinventur zur Nutzung auf Forstamtsebene durch geeignete Kleingebietsschätzer (small area estimates): Optimierung durch Einbindung der landesweiten Baumartenkartierung

7 Gesamtgenauigkeit 71.5 % Unterschiedliche Komplexität der Baumartenzusammensetzung Regional nicht immer angemessene Generalisierung in fünf Hauptbaumarten Datenlage (Zersplitterung der Arbeitsregion durch 35 Einzelaufnahmen, teils nicht adäquate phänologische Phasen, Größe des Zeitfensters [geplant 3 Jahre, 6 Jahre erforderlich])

8 Prozessierungsschritte Level 0 Multi-Saisonale Satellitendaten (April/Mai & Juli/August) [3-Jahres-Zeitfenster] Level 1 Level 2 Klassifikator Level 4 Thematisches Produkt Qualitätskontrolle Stoffels, J., Mader, S., Hill, J., Werner, W. & Ontrup, G. (2012). Satellite-based stand-wise forest cover type mapping using a spatially adaptive classification approach. Eur J Forest Res, 131 (4):

9 RLP: Available Data Sets 32ULA_ /23/ ULA_ /26/ ULA_ /25/ ULA_ /8/ ULA_ /5/ ULA_ /7/ ULA_ /12/ ULA_ /22/ Mai Jun Jul Aug Sep 2016

10 Prozessierungsschritte Level 0 Multi-Saisonale Satellitendaten (April/Mai & Juli/August) [3-Jahres-Zeitfenster] Level 1 Level 2 Automatische Datenaufbereitung Geo-Projektion, Kachelung, Wolken-/Wolkenschatten-Detektion, Integrierte Atmosphären- und Illuminationskorrektur, Resolution Enhancement, Temporales Compositing Klassifikator Level 4 Thematisches Produkt Qualitätskontrolle

11 Level 2 Product Generation System Resolution Enhancement Intelligent Data Compositing

12 Resolution Enhancement: Fusion of all 20 m-sentinel-2-bands to 10 m Pixel Size RE3 20 & SWIR1 20 & RE1 20 after LCM Fusion RMSE RE3 10 & SWIR1 BRF = & RE1 10

13 Improved Sentinel-2 Cloud Removal (Frantz et al., in submission) Artificial surfaces and clouds can be separated with high precision Fmask cloud probability No separation between artificial surfaces and clouds

14 Nationales Forum für Fernerkundung und Copernicus 2017 Thalfang Allenbach Erbeskopf Börfink Pre-Processed Sentinel-2A, , RGB= nm, WOEFIS-Waldeinteilung

15 Prozessierungsschritte Level 0 Multi-Saisonale Satellitendaten (April/Mai & Juli/August) [3-Jahres-Zeitfenster] Level 1 Level 2 Automatische Datenaufbereitung Geo-Projektion, Kachelung, Wolken-/Wolkenschatten-Detektion, Integrierte Atmosphären- und Illuminationskorrektur, Resolution Enhancement, Temporales Compositing Parametrisierung aus GRIPS-Datenbank (Clustering, Automatisierte Erschließung von Referenzdaten, Kompatibilitätsanalyse, Qualitätskontrolle) Klassifikator Stoffels, J., Mader, S., Hill, J., Werner, W. & Ontrup, G. (2012). Satellite-based stand-wise forest cover type mapping using a spatially adaptive classification approach. Eur J Forest Res, 131 (4): Level 4 Thematisches Produkt Qualitätskontrolle

16 1 Waldort [Planungseinheit]: mehrere Sacheinträge (u.a. wegen Stockwerkbau, unterschiedlicher Baumarten, Entwicklungsphasen, ]

17 Class Correspondence Expert Automatisierte Identifikation und Zuordnung geeigneter Trainingsgebiete

18 Rheinland-Pfalz Forstliche Wuchsbezirke Große Variabilität der naturräumlichen und wuchsklimatischen Standortbedingungen Länge der forstlichen Vegetationszeit 146 Tage 159 Tage 185 Tage Mittlere Temperatur (Mai-Sep.) 13,6 C 14,6 C 17,0 C Mittlerer Niederschlag (Mai-Sep.) 18 mm 343 mm 366 mm Geländehöhe (m ü. NN) Gauer, J. and E. Aldinger (2005). "Waldökologische Naturräume Deutschlands - Forstliche Wuchsbezirke und Wuchsgebiete."

19 Vorläufige Baumartenkartierung Nationalpark Hunsrück-Hochwald:

20 Vielen Dank für Ihre Aufmerksamkeit. FKZ 50EW1605, gefördert durch