Integration von Sentinel-Daten in GI-basierte Forstinventur- und Monitoringkonzepte auf Bundeslandebene

Transkript

1 1) Umweltfernerkundung & Geoinformatik Raum- und Umweltwissenschaften - D TRIER 2) Landesforsten Rheinland-Pfalz Zentralstelle der Forstverwaltung Forsteinrichtung D KOBLENZ Joachim Hill 1, Joachim Langshausen², Johannes Stoffels 1, Sebastian Mader 1, Thomas Sachtleber 1, Henning Buddenbaum 1, Jürgen Dietz² Integration von Sentinel-Daten in GI-basierte Forstinventur- und Monitoringkonzepte auf Bundeslandebene

2 Koblenz Bereitstellung von Inventur- und Planungsdaten für die Wälder des Landes Zusätzliche Zukunftsaufgaben (FFH-Monitoring, Nationalpark) Mainz Rheinland-Pfalz (19,854 km 2, Bevölkerung 4 Millionen) 42 % der Landesfläche Forst ( ha) 50,000 Beschäftigte private Dienstleister Jährliche Wertschöpfung ca. 6.5 Mio. Euro Trier Komplexere Entscheidungsprozesse (Klimawandel) FRG State Rückläufiger Personalbestand Private Private Communities

3 Waldökologisches Forstinformationssystem (WöFIS) Verknüpfung von Geometrie- und Sachdaten zu Baumarten, Standorteigenschaften, Waldentwicklungszielen, Besitzverhältnissen, Infrastruktur, ökologischem Wert, Forsteinrichtungsdaten für rund 60% der rheinland-pfälzischen Wälder verfügbar Flächenhafte Beschreibung der Hauptbaumarten Organisation in hierarchischer Datenbank Umfangreiche Aufbereitung der Daten nötig Kombination von Geodaten und relationaler Datenbank

4 Großrauminventurund Planungssystem (GRIPS): 2014 Forsteinrichtungsdaten Betriebsdaten 2017 Mobile Endgeräte Forsteinrichtung vor Ort Operationelle Integration von Erdbeobachtungsdaten: Objektorientiertes Forstinformationssystem Luftbilder Desktop Planung und Analyse Fortschreibung /Modelle LiDAR Baumarteninventur Administrative Daten

5 Rheinland-Pfalz (19,854 km 2, Bevölkerung 4 Millionen) Koblenz Wichtigste Baumarten: Fichte, Buche, Eiche, Douglasie, Kiefer 16 forstliche Wuchsgebiete mit teils sehr unterschiedlichen wuchsklimatischen Bedingungen Trier FRG State Private Private Communities Mainz Bedarf an innovativen Erhebungs- und Dokumentationsverfahren für die operative Planungsebene Im Bereich der forstlichen Umweltvorsorge kann die Erdbeobachtung Basisinformationen bislang nicht verfügbarer Aktualität und mit hohem Detaillierungsgrad bereit stellen...

6 Machbarkeitsstudie Eifel Pilotprojekt Satellitengestützte Forstinventur RLP Optimierte Prozessierungskette ASTER-Szenen (2001 und 2005) 32 SPOT4/SPOT5-Szenen ( ) 3 RapidEye-Szenen (2010 und 2011)

7 Länge der forstlichen Vegetationszeit 146 Tage 159 Tage 173 Tage Große Variabilität der naturräumlichen und wuchsklimatischen Standortbedingungen Nordwesteifel Osteifel Mittelrheintal Mittlere Temperatur 13,6 C 14,6 C 15,7 C Mittlerer Niederschlag 283 mm 343 mm 366 mm Mittlere Geländehöhe (m ü. NN) Gutland Moseltal 820 m ü. NN Geländehöhe Quelle: SGD Süd, Außenstelle Forsteinrichtung, 2003; Gauer & Aldinger, m ü. NN

8 Vorverarbeitung Bildfusion (ASTER, SPOT) Geometrische Korrektur Radiometrische Korrektur Atmosphärisch korrigierte und topographisch normalisierte RapidEye-Szene (R/G/B = 4/5/3) Hill & Sturm, 1991 Hill, 1993 Hill, Mehl & Radeloff, 1995 Hill & Mehl, 2003

9 Räumlich-adaptive Baumartenklassifikation Prozessierungskonzept Multi-Temporale Satellitendaten (April/Mai & Juli/August) [3-Jahres-Zeitfenster] Räumlich-adaptiver ML Klassifikator Geometrische Orthorektifizierung Integrierte Atmosphären- und Illuminationskorrektur Resolution Merge (optional) Referenzinformationen zu Baumarten aus offizieller Forst-Datenbank Qualitätskontrolle der Referenzdaten Räumlich-adaptive multi-temporale Klassifikation 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. European Journal of Forest Research, 131 (4):

10 Machbarkeitsstudie Eifel : Validierungsergebnisse 87,5% 74,4 % 5 Hauptbaumarten (Eiche, Buche, Fichte, Douglasie, Kiefer) 5 Hauptbaumarten & 2-3 Entwicklungsphasen (= insg. 13 Klassen) Species & Development Stages Producers Accuracy Users Accuracy Oak (Qua) 75.00% 40.78% Oak (Dim) 53.95% 75.23% Oak (Mat) 71.72% 72.22% Beech (Qua) 77.03% 82.61% Beech (Dim) 66.13% 72.57% Beech (Mat) 81.58% 75.15% Spruce (Qua) 69.41% 86.76% Spruce (Dim) 67.60% 85.21% Spruce (Mat) 95.42% 77.66% Douglas Fir (Qua) 89.19% 70.21% Douglas Fir (Dim) 80.73% 71.54% Pine (Dim) 81.48% 51.16% Pine (Dim) 71.90% 96.67% Producers Accuracy Species Users Accuracy 85.84% 85.11% 85.43% 86.17% 88.25% 92.46% 94.54% 79.72% 85.81% 95.49% Stoffels, J., Mader, S., Hill, J., Werner, W. & Ontrup, G. (2012). Satellite-based standwise forest cover type mapping using a spatially adaptive classification approach. European Journal of Forest Research, 131 (4):

11 Erzielte Genauigkeit (Pilotstudie, Stoffels Lokal et al. adaptiver 2012) Klassifikationsansatz 87,5% 5 Hauptbaumarten ~74% OAA 74,4 % 5 Hauptbaumarten & 2-3 Entwicklungsphasen (= 13 Klassen) Optimal Species aufbereitete & Development Stages Referenzdaten Producers Accuracy Users Accuracy ~62% OAA Oak (Qua) 75.00% 40.78% Oak (Dim) 53.95% 75.23% Oak (Mat) 71.72% 72.22% Beech (Qua) 77.03% 82.61% Beech (Dim) 66.13% 72.57% Beech (Mat) 81.58% 75.15% Klassischer Klassifikationsansatz ~ 50% OAA Spruce (Qua) 69.41% 86.76% Spruce (Dim) 67.60% 85.21% Spruce (Mat) 95.42% 77.66% Douglas Fir (Qua) 89.19% 70.21% Douglas Fir (Dim) 80.73% 71.54% Pine (Dim) 81.48% 51.16% Pine (Dim) 71.90% 96.67% Producers Accuracy Species Users Accuracy 85.84% 85.11% 85.43% 86.17% 88.25% 92.46% 94.54% 79.72% 85.81% 95.49% Stoffels, J., Mader, S., Hill, J., Werner, W. & Ontrup, G. (2012). Satellite-based standwise forest cover type mapping using a spatially adaptive classification approach. European Journal of Forest Research, 131 (4):

12 Erdbeobachtung für Mensch und Umwelt Erschließung zusätzlicher Datenebenen Koblenz LiDAR-Befliegung RLP Mainz Trier Derzeitige Abdeckung RLP (September 2013) = 100% H. Buddenbaum, S. Seeling & J. Hill (2013): Fusion of full waveform LiDAR and imaging spectroscopy remote sensing data for the characterization of forest stands. International Journal of Remote Sensing, 34 (13): Kaiserslautern 5m Raster Size 1 m Raster Size

13 Satellitengestützte Baumarteninventur Rheinland-Pfalz (2013) Oak Beech Spruce Douglas Fir Pine Qualification Dimensioning Maturity Qualification Dimensioning Maturity Qualification Dimensioning Maturity Qualification Dimensioning Maturity Qualification Dimensioning Maturity Water Surfaces State Area Projection: Transverse Mercator, Spheroid: Bessel, Datum: Potsdam Scale: 1: Satellite Data: 32 SPOT4/SPOT5-Scenes ( ) 3 RapidEye-Scenes (2010 und 2011) Stoffels, J., Sachtleber, Th., Mader, S., Hill, J. & Ontrup, G. (in prep.), State-wide mapping of tree species with multi-temporal high spatial resolution satellite data. International Journal of Applied Earth Observation and Geoinformation. WÖFIS (Landesforsten RLP) ATKIS (LvermGeo RLP) T. Sachtleber, J. Stoffels, J. Hill, S. Mader (2013) Trier University

14 Erdbeobachtung für Mensch und Umwelt Digitale und analoge Prognosekarten, Statistiken und Verdachtsflächen (RapidEye, 6 m)

15 Gesamtgenauigkeit : 71.5 % vs. 87,5% (Machtbarkeitsstudie Eifel ) producer's accuracy user's accuracy Eiche Buche Fichte Douglasie Kiefer Unterschiedliche Klassifikationsgenauigkeit auf der Ebene einzelner Forstämter Wichtigste Ursachen: Unterschiedliche Komplexität der Baumartenzusammensetzung Regional nicht angemessene Generalisierung (5 Hauptbaumarten) Datenlage (phänologische Phasen, Größe des Zeitfensters )

16 Erdbeobachtung für Mensch und Umwelt 32 SPOT4/SPOT5-Scenes ( ) 3 RapidEye-Scenes (2010 und 2011) Spring Summer Probleme Problematische Datenaquisition (SPOT) Überlanges Aquisitionsfenster (6 Jahre) Prozessierungslast (zu viele, kleine Bildsegmente) Verbleibende Datenlücken

17 Alzey Soonwald - 81% Gesamtgenauigkeit bei 15 Klassen - 87% Gesamtgenauigkeit bei 5 Klassen - Multiphänologischer Datensatz aus dem gleichen Jahr (2010) - Optimaler Aufnahmezeitpunkt ( / Datenqualität 1: optimale phänologische Kombination, optimale Jahresdifferenz 2: akzeptable phänologische Kombination, große Jahresdifferenz 3: schlechte phänologische Kombination, geringe Jahresdifferenz 4: schlechte phänologische Kombination, große Jahresdifferenz Pfälzerwald Pirmasens - 49% Gesamtgenauigkeit bei 15 Klassen - 75% Gesamtgenauigkeit bei 5 Klassen - 5 Jahre Differenz zwischen Frühjahr/Sommer - Aufnahmezeitpunkt für Frühjahr zu früh ( / )

18 Erdbeobachtung für Mensch und Umwelt JRC Forest Type JRC Forest Map 2006 mit Unterscheidung von Laub- und Nadelholz Kempeneers, P., Sedano, F., Pekkarinen, A., Seebach, L., Strobl, P., San MiguelAyanz, J., 2011, Data fusion of different spatiaql resolution remote sensing images applied to forest type mapping, IEEE Trans. GeoSci. Remote Sens., 49, 12,

19 Erdbeobachtung für Mensch und Umwelt WöFIS 2009 (öhb Waldorte) JRC Forest Map 2006 mit Unterscheidung von Laub- und Nadelholz 84,23% Gesamtgenauigkeit

20 Erdbeobachtung für Mensch und Umwelt Satellitengestützte Baumarteninventur 2013 JRC Forest Map 2006 mit Unterscheidung von Laub- und Nadelholz 84,23% Gesamtgenauigkeit FType (m) [km2] Klass [km2] Laub Nadel SUMME ,02% Gesamtgenauigkeit Satellitengestützte Baumarteninventur RLP 2013

21 The Sentinel-2 Mission 13 spectral bands guarantee consistent time series, showing variability in land surface conditions and minimising any artefacts introduced by atmospheric variability. The mission orbits at a mean altitude of approximately 800 km and, with the pair of satellites in operation, has a revisit time of five days at the equator (under cloudfree conditions) and 2 3 days at mid-latitudes. The first satellite is planned to launch in The increased swath width along with the short revisit time allows rapid changes to be monitored, such as vegetation during the growing season. The spatial resolution of m (depending on the spectral band) seems acceptable, given the increased observation frequency. Yet, available VHR systems (SPOT, RapidEye, ) continue to provide backup options

22 Erdbeobachtung für Mensch und Umwelt Terrestrische Inventurdaten (GRIPS) Satellitendaten Sentinel-2 RGB (simulated) Airborne LiDAR RLP

23 SPOT-5/6/7 HR NIR Photos (LVermGeo) Texture ALS (LVermGeo) ncm Tree Cover 3-year-acquisition window Sentinel-2 Sentinel-2 Sentinel-2 RapidEye (prime) Landsat-8 Landsat-8 Landsat-8 Landsat-8 (prime) (prime) Pre-Season Peak-Season Post-Season Optimized Processor (Sentinel Data Fusion) Sentinel-3 (phenology optimizer) Prime Acquisition Windows Apr/May & Jul/Aug WÖFIS BWI/LWI GRIPS Classification Layers Support & Reference Volume Statistics Climate Sensitivity Calamities Classification Engine Validation

24 Morbach HyMap Hyperspectral Veränderte Nutzerprioritäten: Airborne Hyperspectral 4-m-Pixel Simulated Sentinel-2 10-m-Pixel Optimierung der Wiederholungsrate [Datenverfügbarkeit] vs. Räumliche Auflösung [Detailerkennbarkeit] Sentinel-2 Simulation RGB 10 m

25 Erdbeobachtung für Mensch und Umwelt EnMAP Testgebiet Merzalben (Pfalz) Teile der Arbeiten wurden gefördert durch Landesforsten Rheinland-Pfalz : Optimierung eines Satelliten gestützten Forst-Inventurverfahrens für Rheinland-Pfalz (FKZ 6.0/01/2013 FAWF) BMWi : Extraktion und Klassifikation Inventur relevanter Forstparameter aus multi-temporalen Sentinel2-Daten (FKZ 50EE1202) BMWi : Vorbereitung der wissenschaftlichen Nutzung der hyperspektralen Mission EnMap im Rahmen des EnMap Core Science Teams (FKZ 50EE1258)