Umwelt- und Agrarmonitoring: Thematische Dienst FFH Monitoring

Transkript

1 Umwelt- und Agrarmonitoring: Thematische Dienst FFH Monitoring Düsseldorf, 09. Juni 2011 Dr. Vanessa Keuck Dr. Jonas Franke Prof. Dr. Florian Siegert Remote Sensing Solutions GmbH RSS GmbH 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 Thematische Dienste zum FFH-Monitoring 2 TD Entwicklungen LRT-Beeinträchtigung durch Verbuschung Nutzungsintensitäten von Grünland Klassifikation von LRT- Potentialflächen Moorrenaturierung Themenblock 3 Monitoring von Überflutungsflächen Ziel: Erkennung von Beeinträchtigungen bei Offenland LRT durch Verbuschung Testgebiet: Zinna, Murnau DeCOVER- Nutzer: LUA BB, LAU-MLU ST Adressaten: BfN, Landesumweltämter Anwendung: FFH- Monitoring Ziel: Ableitung unterschiedlicher Nutzungsintensitäten von Grünland Testgebiet: Murnau DeCOVER- Nutzer: TUM Adressaten: Landesumweltämter Anwendung: Monitoring Streuwiesennutzung, Überwachung Energiepflanzenanbau, Auennutzung Ziel: Identifikation von LRT 6510 Potentialflächen (Magere Flachland- Mähwiesen) Testgebiet: Donau- Ries, Zinna DeCOVER-Nutzer: LfU, LUA BB, LAU- MLU Adressaten: Landesumweltämter Anwendung: Unterstützung der Vor- Ort-Kartierungen durch Flächenvorauswahl und Flächengrenzen Ziel: FE-Möglichkeiten zur Unterstützung der Planung und Evaluierung von Moorrenaturierungsprojekten Testgebiet: Murnau DeCOVER-Nutzer: TUM Adressaten: Landesumweltämter, NGOs, Naturschutzverbände Anwendung: Moorentwicklungskonzept, Emissionshandel, Klimaschutz Ziel: Monitoring von Überflutungsflächen Testgebiet: Zinna (Brandenburg) DeCOVER-Nutzer: NABU Brandenburg Adressaten: Landesumweltämter Anwendung: Reporting im Rahmen der EU-Wasserrahmenrichtlinie

3 LRT-Beeinträchtigung durch Verbuschung 3 Nutzeranforderungen Detektion von Verbuschungsgeraden in ON-Klassen Daten Multi-sensorale Daten: 4 RapidEye + 13 TerraSAR-X aus 2010 Referenzdaten (2007, 2009) inkl. Gehölzdeckungswerte (FH-Anhalt Prof. Felinks*) aus der Oranienbaumer Heide Referenzdaten 2009 RapidEye Multi-temp. TerraSAR-X * DBU: Pflegemanagement von FFH-Offenlandlebensräumen in der Oranienbaumer Heide (Felinks et al. 2007; Felinks et al. 2011)

4 LRT-Beeinträchtigung durch Verbuschung 4 Ansatz Produkt 1 ON-unabhängig Definition von 3 Verbuschungsintervallen Produkt 2 ON-unabhängig Definition von verbuscht (> 9.9% Deckung) und nicht verbuscht (< 10% Deckung) Multi-sensorale und multi-temporale Klassifikation Berechnung von Texturinformationen und Vegetationsindicies Diskriminanzanalyse für Datenreduktion auf 2-3 Szenen Objekt-basierte Klassifikation mit Integration von See5 Ergebnissen

5 LRT-Beeinträchtigung durch Verbuschung 5 Produkt 1 unterschiedliche Datenszenarien (multi-temp. TSX Daten, multi-temp. TSX + RE, mono-temp. TSX + RE) Kombination 2 TSX Szenen und eine RapidEye Szene liefert beste Ergebnis Training: 75%; Validierung 61% Verallgemeinerte Referenzdaten

6 LRT-Beeinträchtigung durch Verbuschung 6 Produkt 2 Verallgemeinerte Referenzdaten Klassifikation auf Basis von RapidEye ( )+ TerraSAR-X ( ) Gesamtgenauigkeit der unabhängigen Validierung 67%

7 LRT-Beeinträchtigung durch Verbuschung 7 Fazit: Referenzdaten sind räumlich schlechter aufgelöst als Satellitendaten, d.h. die Klassifikation gibt ein exakteres räumliches Muster des Naturraums wieder

8 Nutzungsintensitäten von Grünland 8 TD Entwicklungen LRT-Beeinträchtigung durch Verbuschung Nutzungsintensitäten von Grünland Klassifikation von LRT- Potentialflächen Moorrenaturierung Themenblock 3 Monitoring von Überflutungsflächen Ziel: Erkennung von Beeinträchtigungen bei Offenland LRT durch Verbuschung Testgebiet: Zinna, Murnau DeCOVER- Nutzer: LUA BB, LAU-MLU ST Adressaten: BfN, Landesumweltämter Anwendung: FFH- Monitoring Ziel: Ableitung unterschiedlicher Nutzungsintensitäten von Grünland Testgebiet: Murnau DeCOVER- Nutzer: TUM Adressaten: Landesumweltämter Anwendung: Monitoring Streuwiesennutzung, Überwachung Energiepflanzenanbau, Auennutzung Ziel: Identifikation von LRT 6510 Potentialflächen (Magere Flachland- Mähwiesen) Testgebiet: Donau- Ries, Zinna DeCOVER-Nutzer: LfU, LUA BB, LAU- MLU Adressaten: Landesumweltämter Anwendung: Unterstützung der Vor- Ort-Kartierungen durch Flächenvorauswahl und Flächengrenzen Ziel: FE-Möglichkeiten zur Unterstützung der Planung und Evaluierung von Moorrenaturierungsprojekten Testgebiet: Murnau DeCOVER-Nutzer: TUM Adressaten: Landesumweltämter, NGOs, Naturschutzverbände Anwendung: Moorentwicklungskonz ept, Emissionshandel, Klimaschutz Ziel: Monitoring von Überflutungsflächen Testgebiet: Zinna (Brandenburg) DeCOVER-Nutzer: NABU Brandenburg Adressaten: Landesumweltämter Anwendung: Reporting im Rahmen der EU-Wasserrahmenrichtlinie

9 Nutzungsintensitäten von Grünland 9 Nutzeranforderungen Aufgrund wachsender Biokraftstoffproduktion stehen Wiesen unter erhöhtem Druck ansteigender Grünlandumbruch Nutzungsintensivierung von Grünland (auch vorher extensiv genutzter Flächen) erhöhten Freisetzung von CO 2 durch Oxidation von im Boden gebundenen Kohlenstoffs bei Moorflächen Rückgang der Artenvielfalt Flächenhaftes Monitoring der Nutzungsintensität von Grünland Quelle: nach Höper 2007, entnommen aus

10 Nutzungsintensitäten von Grünland 10 Daten Multitemporale RapidEye Daten TG Murnau T1: T2: T3: T4: T5: Spektralbänder 5 m räumliche Auflösung

11 Nutzungsintensitäten von Grünland 11 Ansatz Kontextbasierte multitemporale Klassifikation Indikatoren für Extensivbewirtschaftung: Wenige Schnitte Meist kein Schnitt bis Mitte Juni Streuwiesenschnitte meist erst im Herbst Artenreich Schechenfilz (naturnahes Hochmoor) Indikatoren für Intensivbewirtschaftung: Ende April/Anfang Mai erster Schnitt Normalfall mind. 3 Schnitte pro Mooseurach Vegetationsperiode (degradierte und renaturierte Hochmoore) Artenarm Indikatoren für natürliches Grünland: Murnauer Moos (alle Moortypen, alle Nutzungen vorhanden) Dient nur selten zur Futter- oder Streugewinnung (Magerwiesen) Meist extreme Standorte (zu nass/zu trocken) Geringe Nährstoffverfügbarkeit Sehr Artenreich

12 Nutzungsintensitäten von Grünland 12 Mangel an Referenzdaten zur Nutzungsintensität, da oft Managementpläne entweder nicht vorhanden sind oder die tatsächliche Nutzung abweicht Bedarf Referenzdaten oder Kontextinformationen zur Anpassung der Kontext-basierten Klassifikation Mehrmalige Kartierung der Nutzungsintensität von Grünland im Testgebiet im Jahr 2010 Ziel: Robuste Methode - übertragbar auf jegliche Grünlandstandorte

13 Nutzungsintensitäten von Grünland 13 Annahme: Die spektrale Dynamik von Grünlandflächen über mehrere Zeitpunkte erhöht sich mit zunehmender Nutzungsintensität Mean Absolute Spectral Dynamic Parameter (MASD) Loisach-Kochelsee Moor 2010 Mooseurach (degradierte und renaturierte Hochmoore)

14 Nutzungsintensitäten von Grünland 14 Kontext-basierte Klassifikation mittels Entscheidungsbaum der Grünland- Nutzungsintensitäten innerhalb der ATKIS GL-Flächen Schechenfilz (naturnahes Hochmoor) Mooseurach (degradierte und renaturierte Hochmoore)

15 Nutzungsintensitäten von Grünland 15 Validierung mittels unabhängiger Referenzpunkte aus Kartierung Gesamtgenauigkeit= 82.7% Kappa Coefficient = 0.6 Referenz (%) Klasse Intensiv Extensiv Grünlandumbr. Naturnah Intensiv Extensiv Grünlandumbr Naturnah

16 Nutzungsintensitäten von Grünland 16 Nutzungsintensitäten der Grünlandflächen auf historischen Mooren (Layer von LfU) Hektar % der Gesamtfläche % der Grünlandfläche auf historische m Moor auf Niedermoor auf Hochmoor auf mineralischen Inseln Nicht-Grünland Grünlandumbruch ha (0.6%) 62.2ha (0.3%) 43.7 ha (0.2%) 6.1 ha (0.1%) Intensivgrünland ha (18.4%) ha (9.1%) ha (8.8%) ha (0.5%) Extensivgrünland ha (11.6%) ha (5.0%) ha (6.3%) 73.2 ha (0.3%) Naturnahes Grünland ha (1.2%) ha (0.5%) ha (0.6%) 5.1 ha (0.1%) Gesamt Grünland Gesamt Untersuchungsgebiet ha (31.8%) ha (14.9%) ha (15.9%) ha (1.0%)

17 Klassifikation von LRT-Potentialflächen 17 TD Entwicklungen LRT-Beeinträchtigung durch Verbuschung Nutzungsintensitäten von Grünland Klassifikation von LRT- Potentialflächen Moorrenaturierung Themenblock 3 Monitoring von Überflutungsflächen Ziel: Erkennung von Beeinträchtigungen bei Offenland LRT durch Verbuschung Testgebiet: Zinna, Murnau DeCOVER- Nutzer: LUA BB, LAU-MLU ST Adressaten: BfN, Landesumweltämter Anwendung: FFH- Monitoring Ziel: Ableitung unterschiedlicher Nutzungsintensitäten von Grünland Testgebiet: Murnau DeCOVER- Nutzer: TUM Adressaten: Landesumweltämter Anwendung: Monitoring Streuwiesennutzung, Überwachung Energiepflanzenanbau, Auennutzung Ziel: Identifikation von LRT 6510 Potentialflächen (Magere Flachland- Mähwiesen) Testgebiet: Donau- Ries, Zinna DeCOVER-Nutzer: LfU, LUA BB, LAU- MLU Adressaten: Landesumweltämter Anwendung: Unterstützung der Vor- Ort-Kartierungen durch Flächenvorauswahl und Flächengrenzen Ziel: FE-Möglichkeiten zur Unterstützung der Planung und Evaluierung von Moorrenaturierungsprojekten Testgebiet: Murnau DeCOVER-Nutzer: TUM Adressaten: Landesumweltämter, NGOs, Naturschutzverbände Anwendung: Moorentwicklungskonz ept, Emissionshandel, Klimaschutz Ziel: Monitoring von Überflutungsflächen Testgebiet: Zinna (Brandenburg) DeCOVER-Nutzer: NABU Brandenburg Adressaten: Landesumweltämter Anwendung: Reporting im Rahmen der EU-Wasserrahmenrichtlinie

18 Klassifikation von LRT-Potentialflächen 18 Nutzeranforderungen Klassifikation von LRT Potentialflächen außerhalb bereits kartierter FFH Gebiete am Beispiel LRT 6510 Extensive Mähwiesen der planaren bis submontanen Stufe LRT 6510 Quelle: Daten RapidEye Zeitreihe 2010 (6 Zeitschnitte zwischen Mai und Oktober)

19 Klassifikation von LRT-Potentialflächen 19 Vorgehen LRT6510-Referenzflächen aus Biotopkartierung (mit Flächenanteil > 70%)

20 Multitemporale Gebietsabdeckung 2010 Klassifikation von LRT-Potentialflächen 20

21 Klassifikation von LRT-Potentialflächen 21 Zeitreihenanalyse MASD und NDVI Ableitung der LRT-Potentialflächenwahrscheinlichkeiten Geringe Wahrsch. Mittlere Wahrsch. Hohe Wahrsch.

22 Klassifikation von LRT-Potentialflächen 22 Klassifikationsergebnis

23 Klassifikation von LRT-Potentialflächen 23 Klassifikationsergebnis Anzahl der Referenz-Polygone mit Klassifikationstreffer: Hohe Priorität: 13/32 Mittlere Priorität: 32/32 Geringe Priorität: 32/32

24 Klassifikation von LRT-Potentialflächen 24

25 Klassifikation von LRT-Potentialflächen 25 Ausblick Validierung der Ergebnisse mittels Referenzkartierung (läuft) Übertragbarkeit auf weitere LRTs

26 26 Herzlichen Dank für Ihre Aufmerksamkeit! RSS - Remote Sensing Solutions GmbH Isarstrasse Baierbrunn(München) Tel: Fax: keuck@rssgmbh.de; franke@rssgmbh.de; siegert@rssgmbh.de