Nutzung der multitemporalen RapidEye- Daten im Gebiet TERENO-Nordost (Sondergebiet TERENO 1)

Transkript

1 Nutzung der multitemporalen RapidEye- Daten im Gebiet TERENO-Nordost (Sondergebiet TERENO 1) Daniel Spengler, Gerald Blasch, Christian Hohmann, Claudia Georgi, Iris Heine, Kyle Pipkins, Michael Förster & Sibylle Itzerott Deutsches GeoForschungsZentrum Potsdam, TU Berlin RESA Workshop 2015

2 Gliederung 1 Motivation: Gebiet, Ausstattung und laufende Arbeiten in TERENO-NO 2 Daten für 2014 in Demmin: Nutzbarkeit für dortige Ansätze 3 Ausblick auf die Gebiete Quillow und Fürstensee 4 Einschätzung, Vorschläge /Wünsche für RESA Beispiele für laufende Anwendungen und Stand

3 TERENO Nordost Schwerpunkte und Akteure (1) Infrastrukturinitiative der Helmholtz-Gemeinschaft TERENO-Nordost unter Koordination des GFZ Instrumentierung der Teilgebiete seit 2011 ist weitgehend abgeschlossen Gewinnung von Daten zur Klima- und Landschaftsentwicklung aus Seesedimenten und Baumjahresringe, Proben von archäologischen und fossilen Hölzern, kombiniert mit Messungen zu rezenten Wachstumsprozessen in Wäldern Beobachtung, Wirkungsanalyse und Vorhersage von Bodenumlagerungen und gekoppelter Stoffflüsse in Landschaften (Soilcan, Erosionsmodelle) Dynamik von Wasser und Stoffen zwischen fließendem Wasser, dem Gewässersediment und dem Grundwasser Landschaftswasserhaushalt im EZG des Fürstenseer See Daten zu Vegetation, Boden und Austauschprozessen zwischen Boden und Atmosphäre verbunden mit Fernerkundungsdaten Gebietsübertrag für regionale Erkenntnisse über den Umweltzustand

4 TERENO Nordost Schwerpunkte und Akteure (1) Infrastrukturinitiative der Helmholtz-Gemeinschaft TERENO-Nordost unter Koordination des GFZ Instrumentierung der Teilgebiete seit 2011 ist weitgehend abgeschlossen Gewinnung von Daten zur Klima- und Landschaftsentwicklung aus Seesedimenten und Baumjahresringe, Proben von archäologischen und fossilen Hölzern, kombiniert mit Messungen zu rezenten Wachstumsprozessen in Wäldern Beobachtung, Wirkungsanalyse und Vorhersage von Bodenumlagerungen und gekoppelter Stoffflüsse in Landschaften (Soilcan, Erosionsmodelle) Dynamik von Wasser und Stoffen zwischen fließendem Wasser, dem Gewässersediment und dem Grundwasser Landschaftswasserhaushalt im EZG des Fürstenseer See Daten zu Vegetation, Boden und Austauschprozessen zwischen Boden und Atmosphäre verbunden mit Fernerkundungsdaten Gebietsübertrag für regionale Erkenntnisse über den Umweltzustand

5 FE im Gebiet Demmin: TERENO Nordost Schwerpunkte und Akteure (2) Langzeitbeobachtung von meteorologischen Kenngrößen und Verbindung mit flächenhaften FE-Daten, Bodenmuster für Precision farming und Behörden, Mustererkennung in Pflanzenbeständen für Agrarberatung, Bodenfeuchte aus optischen und Radardaten (auf freien Böden, unter Pflanzenbeständen), Phänologie von Ackerkulturen, Grünland und Wald, Kulturartenerkennung, Baumartenerkennung, Seenüberwachung Akteure: DLR Neustrelitz, GFZ Potsdam, TU Berlin, HU Berlin, Uni Würzburg, Uni Osnabrück, FU Berlin, Uni Kiel, LMU München, Uni Greifswald, UFZ, Hochschule Neubrandenburg, DLR Oberpfaffenhofen, Landesamt Geologie Mecklenburg-Vorpommern, IGB, ZALF, LUP GmbH

6 TERENO Nordost Daten und Projekte FE-Daten in Demmin: Satellit: RapidEye, Landsat5, 7 und 8; Hyperion; einzelne Ikonos; TerraSAR-X, SPOT-Take5; Sentinel 1 Flugzeug: einzelne L-Band-Radar und Hyperspektralbefliegungen, Messdaten in Demmin: 20 Klimastationen am Ackerrand und 64 Bodenfeuchtestationen unter Acker, Lysimeter, Eddy Covariance 850 Oberbodenanalysen Textur, Organisch Substanz, Karbonat von Ackerflächen; 128 Bodenprofilanalysen Bodenfeuchte, Pflanzenparameter an 25 Ackerstandorten (alle 11 Tage) Bodenmessungen zu Befliegungen Hyperspektral, Thermal, Radar; Kranplattform für Nahbereichs-FE Laufende Projekte: Helmholtz Allianz Helmholtz Virtuelles Institut ICLEA Earth Observation for the Retrieval of Agronomical Parameters EORAP (Climate KIC PhD Programm) Cool Farm Tool Space (Climate KIC Pathfinder, GFZ, SouthPole Carbon, Agricircle, greenspin, Universität Debrecen, INRA ) InBoMo Sentinel, Indikatorenbasiertes Bodenfeuchtemonitoring an Flussauen (TU Berlin, LUP GmbH, GFZ als Unterauftragnehmer der TU) Anträge in Vorbereitung: Integrierte Fusion digitaler Geländemodelle, multisensoraler Fernerkundung und angewandtem Teilschlagmanagement - AgriFusion (GFZ, HS Weihenstephan-Triesdorf, scilands GmbH) Integration multiskaliger Bodenanalytik in Farm Management Systeme (GFZ, ATB, HPI, Agricircle, Uni Halle, Horsch GmbH) Integration von Fernerkundungsdaten für ressourceneffiziente und umweltschonende Düngung von Grünlandern (GFZ, TU Berlin, Uni Kiel, greenspin, FU Berlin, Zunhammer, Agricircle)

7 RESA-Datenaufnahme 2014 in Demmin X (x) X X no (x) (x) no X (x) no no X X X Mrz 01 Mrz 02 Apr 01 Apr 02 Mai 01 Mai 02 Jun 01 Jun 02 Jul 01 Jul 02 Aug 01 Aug 02 Sep 01 Sep 02 Okt 01

8 RESA-Datenaufnahme in Quillow und Fürstensee und Fazit Fazit zur Datenaufnahme: Klar sichtbar ist Bemühen, eine 14tägige Aufnahme zu gewährleisten Datenbereitstellung funktioniert reibungslos, Cloudcover-Vorauswahl in der Suche? Abgrenzung des Sondergebietes TERENO1 ist so nicht ideal, sinnvoll wäre eine spezifischere Begrenzung, um den Flächenverbrauch zu verringern Daten in dieser Menge können nicht in Wert gesetzt werden Potentiale sind zu sehen in der Nutzungsvorbereitung Sentinel-2 (Simulation der Streifenbreite), in der Fernerkundung von großflächigen Waldgebieten, Seearealen sowie bei Flächennutzungserfassung für regionale Modelle Langzeitbeobachtung Meteorologie Bodenmuster Pflanzenmuster Acker Phänologie von Grünland Kulturartenerkennung Baumartenerkennung Seenüberwachung Demmin /- +/- +/- ++ +/- Quillow ++ +/- ++ Fürstensee /- X (x) X X no (x) (x) no X (x) no no X X X X X no X X X no no no no no no X X X X X no X X X X no X no (x) no X X X Mrz 01 Mrz 02 Apr 01 Apr 02 Mai 01 Mai 02 Jun 01 Jun 02 Jul 01 Jul 02 Aug 01 Aug 02 Sep 01 Sep 02 Okt 01

9 Beispiele zur Nutzung multitemporaler RE-Daten Entwicklung von Winterweizen

10 Beispiel 1: Bodenmuster in der Landwirtschaft RapidEye-Szene: 24/09/2011 Temporale Muster: hervorgerufen durch Vegetation und Bodenbearbeitung Statische Muster: durch Bodeneigenschaften Problem: Ein einzelner FE Datensatz enthält stets beide Typen, ohne temporale Dimension! Lösung: Multitemporaler Ansatz mit multispektralen Daten (RapidEye)!

11 Bodenmusteranalyse zur Bestimmung organischer Bodensubstanz auf Schlagebene mittels Multitemporal Soil Pattern Analysis - MSPA (Feldebene) Workflow in-situ soil samples Selection of best suitable datasets Soil pattern detection Prediction model generation Soil map generation Model improvement Stability analysis Elimination of temporal effects Blasch, Spengler, Itzerott et al. (2015). Multitemporal soil pattern analysis with multispectral remote sensing data at field-scale. Computers and Electronics in Agriculture. DOI: /j.compag

12 MSPA (Feldebene) Selection of best suitable datasets out of time-series Data mining based on NDVI-thresholds and phenology data: bare soil images (NDVI-MEAN: <0.2; NDVI-SD: <0.07) Bare soil images (left to right: 15/09/2009, 22/09/2010, and 24/09/2011) vegetation images Images with vegetation and/or land management influences (left to right: 21/06/2012, 24/07/2012, and 18/08/2012)

13 MSPA (Feldebene) Result: OM determination at the field-scale using local prediction model Selection of best suitable datasets Soil pattern detection Statistical analysis Soil map generation 5 bare soil images PCst 1 Stability analysis Elimination of temporal effects Improved prediction model R²: 0.814, RMSE: 9.04 % OM-soil map + OM sampling values Overall stability Soil samples within soil pattern based on p67 (green: static pattern; red: temporal pattern)

14 MSPA (Feldebene) Result: Detected soil pattern Improved local prediction model for each AOI AOI1: R²: 0.77; RMSE: 9.7 %, AOI2: R²: 0.72; RMSE: 9.6 %, AOI3: R²: 0.63; RMSE: 13.8 %, AOI4: R²: 0.71; RMSE: 13.7 %, AOI5: R²: 0.81; RMSE: 8.0 %

15 MSPA (Landschaftsebene) Landscape- versus field-scale OM soil maps by comparing with measured OM values

16 MSPA (Landschaftsebene) Landscape- versus field-scale OM soil maps by comparing with measured OM values AOI1, AOI2, AOI6: Correct assignment to the corresponding OM classes: Field-scale: 90% of predicted OM values Landscape-scale: 88% of predicted OM values Over- and underprediction in the landscape-scale OM soil map still acceptably increased about 2% to 6%.

17 Bodenmusteranalyse zur Bestimmung organischer Bodensubstanz auf regionaler Ebene Erfassung der Bodenmuster Stabilitätsanalyse Eliminierung temporaler Effekte Anpassung des Vorhersagemodells basierend auf Bodenproben PCst 1 Gesamtstabilität des Modell (gr: hoch; rot: gering) Vorhersagemodell Erstellung der C org Karte 2,0 Prediction Model p60 R² = 0,6919 Statistische Analysen log OM [%] 1,5 1,0 0,5 0,0 3,0 3,5 4,0 4,5 log PCst 1 Verbesserung des Models R²: 0.692; RMSE: %

18 Bodenmusteranalyse zur Bestimmung organischer Bodensubstanz auf regionaler Ebene Übertrag ins Quillow-Gebiet Dedelow Dedelow Schapow Schapow Ellingen Ellingen Schönermark Wilhelmshof Schönermark Wilhelmshof Prenzlau Prenzlau RapidEye-Daten: n = : 3x (Juli-September) 2010: 2x (Spetember + Oktober) 2011: 11x (März-Oktober) 2012: 7x (Mai-Oktober) 2013: 1x (Juli) 2014: 4x (Juli-Oktober)

19 Beispiel 2: Feature Selection Methoden für die Baumartenklassifizierung mit multitemporalen Daten Multitemporale Bilddaten: beinhalten Phänologieinformation sind sensitiv auf deren Veränderung Hier: 21 RapidEye Szenen, /10 phänologische Abschnitte Feature Selection Methoden : Semi-Exhaustive (EXH) Genetic Algorithm (GA) Kyle Pipkins (TU Berlin) et al.: A Comparison of Feature Selection Methods for Multitemporal Tree Species Classification,, Proc. of SPIE Vol. 9245

20 Multitemporale RapidEye-Daten und monotemporale AISA-Daten Ergebnis Rapideye-Zeitreihe Ergebnis kombinierter Datensatz

21 Multitemporale RapidEye-Daten und monotemporale AISA-Daten Ergebnis Rapideye-Zeitreihe Ergebnis kombinierter Datensatz Bedeutung der Phänologie-Informationen variiert in den drei Anwendungen: Wichtig sind Vorfrühling, Frühsommer, Vollfrühling, Frühherbst Wenig Bedeutung scheinen zu haben: Winter, Hochsommer, Vollherbst, Spätherbst Overall accuracies für 7 Baumarten auf unterschiedlichen Datengrundlagen: Monotemporal hyperspektral 91 % (siehe Teilprojekt Freiburg) Multitemporal multispektral 88 % (10 principal components) Kombination beider Datensätze 97 % (15 principal components)

22 Beispiel 3: Rekonstruktion von Seespiegeln mit Zeitreihen von RapidEye-Daten Iris Heine et al.: Reconstruction of Lake Level Changes of Groundwater-fed Lakes in Northeastern Germany using RapidEye Time Series, Water, in review

23 Seespiegelerfassung aus NIR und NDWI

24 Zusammenfassung Erfassung des Gebietes in 14tägigem Rhythmus hat sich als nutzbringend erwiesen Witterung sorgt für Datenlücken mit erheblichem Einfluss auf die Nutzung Daten können trotz vielfältiger Anwendungen noch nicht vollständig in Wert gesetzt werden Daten bieten Potential für weitere Anwendungen und Übertragung von entwickelten Algorithmen auf größere Gebiete Praxistauglichkeit der Fernerkundung Hintergrund: RapidEye ( ) Künstliches Satellitenbild mit offenen Böden auf Äckern