Thematische Dienste Agrar-Monitoring

Transkript

1 Thematische Dienste Agrar-Monitoring Oliver Buck, EFTAS GmbH, Koordination Sönke Müller, IPI DeCOVER 2 Abschlussveranstaltung, Bonn, Gefördert durch die Bundesrepublik Deutschland, Zuwendungsgeber: Raumfahrt-Agentur des Deutschen Zentrums für Luft- und Raumfahrt e. V. mit Mitteln des Bundesministeriums für Wirtschaft und Technologie aufgrund eines Beschlusses des Deutschen Bundestages unter den Förderkennzeichen FKZ 50EE0908, 50EE0909, 50EE0910, 50EE0911, 50EE0912, 50EE0913, 50EE0914, 50EE0915.

2 INHALT 2 Hintergrund Anforderungen an DeCOVER Thematische Dienste Vorstellung der Entwicklungen EFTAS GmbH IPI Hannover

3 Bedarf für aktuelle Daten zur Landwirtschaft 3 Cross Compliance Monitoring zur Erhaltung von Landschaftselementen nach Verordnung (EG) Nr. 73/2009 Aktualisierung der Referenzparzellen innerhalb des Landparzellen-Informationssystem (LPIS) gemäß der Verordnung (EG) Nr. 1122/2009 Monitoring von landwirtschaftlichen Anbauflächen für Zwecke der Klimamodellierung, des Gewässerschutzes und der Raumplanung.

4 Cross Compliance Monitoring - Gehölze 4 Bedeutung: Landschaftselemente erfüllen wichtige Funktionen für den Umwelt- und Naturschutz in der Agrarlandschaft Risiken: Beseitigung von Landschaftselementen Nutzungsintensivierung Schutzmechanismen: Cross Compliance Monitoring-Vorgaben: Systematische Kontrollen und Cross Checks

5 Cross Compliance Monitoring - Gehölze 5 Nutzeranforderung: Unterstützung der CC Kontrollen Ziel: Erkennung von Zustandsveränderungen bei Cross Compliance Landschaftselementen (Gehölze) Potentielle Anwendung: Cross Compliance Biomasseanbau/Monitoring

6 Cross Compliance Monitoring - Gehölze 6 Untersuchungsgebiet: Testgebiet NRW, SH Daten: RapidEye Daten 2009 (SH) und 2010 (NRW) Landschaftselemente Kulisse der Agrar- Fachbehörden Methode: Multitemporale, objektbasierte RapidEye- Klassifikation (Frühjahr und Herbst) Besondere Berücksichtigung der RedEdge- Kanäle

7 Cross Compliance Monitoring - Gehölze 7 Ergebnisse: Automatische Teil-Verifikation der Gehölze Validierung: Abgleich mit CC-LE-Referenz: 37 % der LEs können sicher verifiziert werden. (d.h. >80% der LE-Fläche wurde automatisch bestätigt)

8 Cross Compliance Monitoring - Gehölze 8 Nutzen: Unterstützung der CC Kontrollen Feldgehölze und lineare LEs mit Breite > 2 Px (> 10 m) können i.d.r. verifiziert werden. Kosten: ~0,30-0,50 /km² (bezogen auf 10000km²) Kosten können je nach Bezugseinheit variieren Grenzen des Verfahrens: Sensorauflösung als limitierender Faktor bei der Erkennung sehr schmaler Hecken/Baumreihen (Breite = 1-2 Px) Lagegenauigkeit der Referenzgeometrien

9 LPIS Aktualisierung 9 Bedeutung: LPIS bildet das zentrale geografisches InVeKoS Bezugssystem in einer GIS Umgebung Gesamtbudgets der direkten Agrar-Beihilfen der EU Kommission von über 39 Mrd. Euro im Jahr 2011 Kontroll-Mechanismen: Jährliche Berichterstattung zur Qualität der LPIS Referenzen Systematische Analyse neuer Luftbilddaten, die Aktualisierung im Zuge der InVeKoS Kontrollen sowie damit verbundener Vor-Ort- Checks im Gelände

10 LPIS Aktualisierung 10 Nutzeranforderung: Unterstützung der LPIS Kontrollen und Update Ziel: Erkennung von Zustandsveränderungen innerhalb von LPIS Referenzgeometrien Potentielle Anwendung: LPIS Kontrolle und Update Update weitere Agrar Landbedeckungsdaten

11 LPIS Aktualisierung 11 Untersuchungsgebiet: Testgebiet NRW, ST (je 35km²) Daten: Amtliche Luftbilddaten Frühjahr 2009 (DMC, RGBI) Zwei Zeitpunkte durch RapidEye Aufnahmen (Juli-Oktober) LPIS Feldblockdaten aus Methode: Multitemporale, objektbasierte Klassifikation (Frühjahr und Herbst) Besondere Berücksichtigung der RedEdge- Kanäle Kombination von RapidEye und Orthophoto

12 LPIS Aktualisierung 12 Multi-skalarer Ansatz unter Nutzung von DOP und Satellitenbild 1. Nutzung der DOP als hohe geometrische Ausgangsbasis 2. Integration multitemporale Bildinformation aus RapidEye DOP April 2009 Segmentierung Klassifikation RE ( ) ( ) 3. Ausweisung LPIS Änderungen

13 LPIS Aktualisierung 13 Ergebnisse: Untersuchungsgebiete (35 km²) NRW Sachsen-Anhalt Anzahl untersuchte LPIS Flächen Fläche insg. 1566,14 ha 2078,44 ha Validierungsstichprobe NRW Sachsen-Anhalt Anzahl untersuchte LPIS Flächen Fläche insg. 496,36 ha 1047,1 ha Ergebnis NRW Sachsen-Anhalt True positive: Change vorhanden/change detektiert 97 (48,5%) 22 (31,4%) True negative: kein Change vorhanden/kein Change detektiert 51 (25,5%) 24 (34,3%) False positive: Change detektiert/kein Change vorhanden 43 (21,5%) 22 (31,4%) False negative: kein Change detektiert/change vorhanden 9 (4,5%) 2 (2,9%) Buck et al Multi-skalarer Ansatz zur Aktualisierung landwirtschaftlicher Referenzkulissen (LPIS). PFG 05/2011 (submitted)

14 LPIS Aktualisierung 14 Nutzen: Effizienzsteigerung der manuellen LPIS Referenz-Kontrolle durch Integration automatisierter Verfahren möglich Kosten: ~0,65-1 /km² (bezogen auf 10000km²) Kosten können je nach Bezugseinheit variieren Grenzen des Verfahrens: Abhängigkeit der Qualität von Aufnahmezeitpunkten Geometrien können nicht automatisch aktualisiert werden (5m Px-Auflösung) Überschätzung von Veränderungen <100m²

15 Thematischer Dienst Acker 15 Problemstellung: Intensivierung der Landwirtschaft führt zu neuen Herausforderungen (Bsp. Biomasseanbau) Bestehende Daten reflektieren nicht den Status Quo der Veränderungen, oder sind nicht öffentlich verfügbar Risiken: Bedrohung der Lebensräume und schützenswerter Biotope durch Nutzungsänderungen (Grünland) Grundwasser-Belastung Klimawandel Schutzmechanismen: z.t. FFH Melde- und Berichtspflichten Cross Compliance Anforderungen

16 Thematischer Dienst Acker 16 Nutzeranforderung: Aktuelle Daten zu landwirtschaftlichen Anbauflächen Ziel: Ausweisung ackerbaulicher Anbaukulissen Potentielle Anwendung: Geofachdaten Update Klimamodelle Gewässerschutz (WRRL) Monitoring Biomasse-Anbau

17 Thematischer Dienst Acker 17 Untersuchungsgebiet: Testgebiet NRW, SH, ST Eingangsdaten Multitemporale RapidEye-Daten (z.b. 03/2010, 06/2010, 07/2010, 08/2010) Lernstichprobe (Geländereferenz) Schwerpunkt Methodenentwicklung Entwicklung einer neuartigen überwachten Klassifikation sog. Conditional Random Fields basierend auf Markov Zufallsfeldern Modellierung eines expliziten räumlichen und zeitlichen Potenzials Ergebnis Pixelweise Klassifikation Überführung in Shapefile

18 Thematischer Dienst Acker - Eingangsdaten

19 Thematischer Dienst Acker - Eingangsdaten

20 Thematischer Dienst Acker - Eingangsdaten

21 Thematischer Dienst Acker - Eingangsdaten

22 Thematischer Dienst Acker - Ergebnisse 22 Legende: Grünland Mais Wintergetreide Raps, Rübsen Hackfrüchte Pixelweise Klassifikation auf Nutzerkulisse reduziert

23 Thematischer Dienst Acker - Ergebnisse 23 Nutzerkulisse: ATKIS Basis-DLM Objektarten: Ackerland Grünland Legende: Grünland Mais Wintergetreide Raps, Rübsen Hackfrüchte

24 Thematischer Dienst Acker - Ergebnisse 24 Nutzerkulisse: ATKIS Basis-DLM Objektart: Grünland Legende: Grünland Mais Wintergetreide Raps, Rübsen Hackfrüchte

25 Thematischer Dienst Acker - Ergebnisse 25 Ergebnisse der Blindtestauswertung Untersuchungsgebiet Fläche gesamt 1.250km² Anzahl klassifizierter Flächen Summe klassifizierter Flächen ha Validierungsstichprobe Anzahl Referenzflächen Summe Referenzflächen ha davon Fläche Lernstichprobe 1.000ha Ergebnis Richtig klassifizierte Referenzflächen (90,3%) Falsch klassifizierte Referenzflächen 152 (9,7%) Thematische Genauigkeit ca. 90% (4 Abdeckungen eines Jahres) ca. 88% (2 Abdeckungen eines Jahres (z.b. Juni und August))

26 Thematischer Dienst Acker - Ergebnisse 26 Nutzen: Neuartige überwachte Klassifikation zur Ausweisung von ackerbaulichen Anbaukulissen Zeitliches Verhalten in Ansatz integriert Begrenzte Lernstichprobe notwendig Bessere Ergebnisse als Vergleichsverfahren z.b. SVM Hohe thematische Genauigkeit von ca. 90% Kosten: ~0,55 0,80 /km² (bezogen auf 10000km²) Kosten können je nach Bezugseinheit variieren Legende: Grünland Mais Wintergetreide Raps, Rübsen Grenzen des Verfahrens: Abhängigkeit von Referenzinformationen Hackfrüchte

27 Vielen Dank. 27 Fragen? Oliver Buck, EFTAS GmbH, Sönke Müller, IPI Hannover,