Einsatz von Copernicus-Daten in der bayerischen Forstverwaltung Status Quo und Ausblick

Transkript

1 Einsatz von Copernicus-Daten in der bayerischen Forstverwaltung Status Quo und Ausblick Holger Holland- Moritz Bayerische Landesanstalt für Wald und Forstwirtschaft Hans-Carl-von-Carlowitz-Platz Freising-Weihenstephan Bayerische Landesanstalt für Wald und Forstwirtschaft

2 Übersicht Die Bayerische Landesanstalt für Wald und Forstwirtschaft Optische Information aus Satellitendaten Spektralinformationen zur Baumartenerkennung: TreeIdent Baumartenerkennung mit Sentinel 2 Detektion von Veränderungen Prozesskette zur Reaktion auf Schadereignisse: Fast Response 2

3 Das Zentrum Wald Forst Holz Weihenstephan 3

4 Stellung der LWF in der bayerischen Forstverwaltung 4

5 Interne Gliederung der LWF 5

6 Optische Sensoren in der Forstwirtschaft Forstliche Inventuren sind punktuell (in einem definiertem Raster) Es besteht Bedarf an flächenhafter Geoinformation für forstliche Planung Amtliche Luftbilder werden in zeitlich großen Intervallen erhoben und geben nur langfristige Veränderungen wieder Daten hochauflösender Satelliten-Sensoren sind für größere Gebiete nicht finanzierbar Klassifikations-Modelle können mit kostenlosen Satellitendaten berechnet werden Beispiel: Erstellen einer Baumartenkarte für Bayern 6

7 Baumartenkarte Fichte/Kiefer: verwendete Sensoren WorldView-2 8 Spektralkanäle Auflösung ca. 2m Landsat 6-8 Spektralkanäle Auflösung ca. 30m kostenfrei Überflug alle 16 Tage 7

8 Baumartenkarte Fichte/Kiefer: Prozess-Ablauf Worldview-2 Daten für ca. 20 % der Fläche Bayerns Automatische Segmentierung Erfassen von spektralen Kenngrößen jedes Segments Auswahl von Segmenten als Trainingsdatensatz für Klassifikation (Random Forest) mit Referenzinformationen (Inventurdaten, Luftbilder) Verwendung der Informationen zum Klassifikation von Landsat- Daten 8

9 Baumartenkarte Fichte/Kiefer: Projekt-Methoden WorldView-2 Landsat Trainingsdaten Ergebnisdaten Fichten/Kiefer- Karte 9

10 Baumartenkarte Ergebnis: Fichte (links), Kiefer (rechts) (Immitzer et al. 2015, Forstl. Forschungsberichte) 10

11 Baumartenkarte Fichte/Kiefer: Validierung Auswahl von 4178 Quadraten (0,1 x 0,1 km) verteilt über die Waldfläche Bayerns im Raster 2,5 x2,5 km Visuelle Einschätzung von Baumartenanteilen in 5% - Schritten anhand digitaler Orthophotos Vergleich mit den Klassifikationen der Fichten/Kiefer-Karte 11

12 Nachfolgende Modellierung mit Sentinel-2 Daten Aufnahme vom Aufnahme vom

13 Baumarten-Modellierung mit Sentinel-2 Daten Trainingsdaten: Sentinel-2 Daten, Referenzdaten der verifizierten Quadrate aus dem Projekt TreeIdent Fichte-Kiefer Testdaten: Sentinel-2 möglichst ohne Wolken, gesamte Fläche Modellierung: k-nearest-neighbor (knn)-verfahren Genauigkeitsanalyse über Kreuzvalidierung 13

14 Baumarten-Modellierung: Fichte Fichte [%] 14

15 Baumarten-Modellierung: Kiefer Kiefer [%] 15

16 Baumarten-Modellierung: Laubholz Laubholz [%] 16

17 Ausblick: Klassifizierung von Hauptbaumarten auf Forstbetriebsebene Ausgangsdaten: Sentinel-2 Daten und Daten von Forstbetriebsinventuren Inventurergebnisse werden bezogen auf die Flächen der Probekreisen (500qm) berechnet Satellitendaten an den Probekreisflächen sind zusammen mit den Inventurdaten die Trainingsdaten für die Modellierung Klassifikationsmethode: Random Forest Ziel: Modellierung der Hauptbaumarten Genauigkeiten wird über nested cross-validation ermittelt 17

18 Trainingsdaten: Forstbetriebsinventurdaten 2016 (BaySF) Berechnung der Baumartenanteile an jedem Plot Auswahl Forstbetrieb Bad Königshofen: 3386 Inventurkreise mit Radius 12,62 m Abstand: 200 m x 200 m Gute Verteilung der Hauptbaumarten (Fichte, Kiefer, Buche, Eiche) Baumart [%] Fichte 19,41 Kiefer 16,54 Lärche 5,20 Tanne 0,22 Douglasie 1,97 Sonstiges Nadelholz 0,51 Buche 22,67 Eiche 23,22 Esche 1,77 Bergahorn 1,17 Sonstiges Laubholz 7,33 18

19 Sentinel-2 Daten: Lage des Forstbetriebs Bad-Königshofen im Sentinel-2 Aufnahmestreifen 19

20 Change Detection: Veränderung von Waldbeständen Mögliche Veränderungen : Langfristige Waldflächenänderungen Flächige Entnahme von Bäumen Aufarbeitung von Kalamitätsflächen Langfristige großflächige Vitalitätsänderung Windwurf Beispiel: Projekt Fast Response nach Sturmwurf 20

21 Praktische Anforderungen nach Sturmkalamitäten Ziele für ein Sturmwurf-Management Objektive und zeitnahe Schätzung von Windwurfflächen Großflächige Informationen Zentral verfügbare digitale Informationen zu Schadflächen Zusatzinformationen zu Schadflächen Reduktion biotischer Folgeschäden (z.b. Borkenkäfer) durch effiziente Aufarbeitung Bisher: Subjektive Schätzung von Schadflächen und Holzmengen Zeitintensive und gefährliche Suche nach Windwurfflächen Kein zentrales GIS-gestütztes Informationsportal für Schadensumfang 21

22 Prozesskette für ein forstliches Kriseninformationssystem 1. Sturmfrühwarnsystem Auflösung: 0,5x0,5 (ca. 55x37 km) 2. Grobe Schadkartierung Lokalisieren Basis: Radardaten gefährdeter Gebiete Vorteil: wetter- Basis für und beleuchtungsunabhängig Datenakquise Datenakquise kurz nach Kalamität 3. Optische Schadkartierung Basis: optische Daten 0/2/4/6/8d Vorteil: spektrale Informationen Nachteil: benötigt wolkenfreie Bedingungen 4. GIS- Auswertung und Visualisierung Wegenetz openstreetmap administrative Grenzen Geodaten Toms-fahrzeugtechnik-shop Forstliche Informationen DLR DLR 22 cafe-tuture.net

23 Gefährdungsprognose: Sturmfrühwarnsystem > Schwellenwert ~ Schwellenwert 0/2/4/6/8d < Schwellenwert Lokalisieren gefährdeter Gebiete Basis für Datenakquise Auflösung: 0,5x0,5 (ca. 55x37 km) DLR 23 Andreas Hirner (DLR)

24 Grobe Schadkartierung: Radar vor dem Ereignis nach dem Ereignis 24

25 Schadkartierung mit optischen Daten vor dem Ereignis nach dem Ereignis Differenz 25

26 Der Ernstfall: Sturm Kolle Niederbayern

27 Erste Erfassung von Schadensflächen: PlanetScope (3m) 27

28 Luftbilder vor dem Sturm nach dem Sturm 28

29 Visualisierung im GIS 29

30 Vergleich von Sensoren Die mit PlanetScope ermittelten Schadflächen wurden nachträglich mit denen verglichen, die mit gleicher Methodik mit Sentinel-2 Daten ermittelt wurden Identifizierte Schadflächen: PlanetScope Sentinel-2 30

31 Resümee Daten von forstlichen Inventuren können mit optischen Satellitendaten und Methoden des Machine Learning auf die die Fläche generalisiert (regionalisiert) werden Hierfür ist Sentinel-2 unter Berücksichtigung der Kosten das Satellitensystem der Wahl Optischer Sensoren sind für schnell erforderliche Veränderungseinschätzungen nur bedingt geeignet aufgrund Witterungseinflüssen (Wolkenbildung) Radarsensoren können zur kurzfristigen witterungsunabhängigen Veränderungserkennung im Forstbereich eingesetzt werden 31

32 32