Aufbau eines Informationssystems zur Überwachung der Umweltauswirkungen von Bergehalden unter Einsatz moderner Methoden der Geoinformationstechnologie sowie der digitalen Bildverarbeitung Teilprojekt: Nutzung multispektraler Sensordaten Projektleitung: Dipl.-Ing. A.d.M. Norbert Benecke Deutsche Steinkohle AG Projektbearbeitung: Univ.-Prof. Dr. -Ing. W. Busch Dipl.-Geogr. A. Brunn Bearbeitungszeitraum: 01.08.1999-31.07.2000 Folie 1
Gliederung der Projektvorstellung Ziele und Anwendungsmöglichkeiten im Rahmen der Haldenbearbeitung Datenauswertung multispektral vs. hyperspektral Beschreibung der verwendeten Fernerkundungsdaten Beschreibung der durchgeführten Arbeitsschritte Statistische Auswertungen hyperspektraler Daten Entwicklung eines Verfahrens zur Datenfusion Erfassung und Korrektur des Einflusses der Haldentopographie auf die Spektralcharakteristik Klassifikationen hyperspektraler Fernerkundungsdaten Ableitung von Veränderungen aus den Bilddaten Ergebnisse und Ausblick Folie 2
Ziele und Anwendungsmöglichkeiten im Rahmen der Haldenbearbeitung Hintergrund: Eine umfassende Überwachung von Bergehalden, von der Planung über den Bau und Betrieb bis zur Rekultivierung ist aus Gründen des Umweltschutzes erforderlich und heute gesetzlich vorgeschrieben. Zur Bewältigung eines Teils dieser Aufgaben bieten sich Methoden der digitalen Bildverarbeitung und die Auswertung von hochauflösenden Fernerkundungsdaten an. Ziel: Im Rahmen der Projektbearbeitung wurde der Informationsgehalt unterschiedlicher Bilddaten untersucht und es wurden spezifische Verfahren zur Auswertung dieser Daten entwickelt. Sie ermöglichen eine Erfassung und Analyse einzelner Landbedeckungsarten und eine weiterführende Ableitung qualitativer und quantitativer Parameter. Arbeitsschritte: - Verfahren zur Bildverbesserung und zur topographischen Korrektur - Erfassung der Landbedeckungsarten - Ableitung von spezifischen Bewuchsparamtern und - Erfassung auftretender Veränderungen Folie 3
Unterschiede hyperspektraler und multispektraler Daten Hyperspektraler Datensatz Multispektraler Datensatz Folie 4
Unterschiede hyperspektraler und multispektraler Daten Hyperspektraler Datensatz Multispektraler Datensatz Folie 5
Verwendete Daten und Softwarewerkzeuge: Rasterdaten: Hyperspektraldaten (Sensor: HyMap) (Aufnahmedatum: 20.08.98, 128 kontinuierliche Spektralkanäle zwischen 400 und 2400 nm, geometr. Auflösung: ca. 7 m, ) Landsat TM Szene (7 Spektralkanäle vom sichtbaren bis zum thermalen Infrarot, geometr. Auflösung: 30 m) IRS -Szene (pan/liss) (6 Kanäle zwischen 520 und 1700 nm mit geometr. Auflösung: 5.8 m (pan) u. 23 m (LISS)) CIR - Orthophotos Halde Lohberg (Aufnahmedatum: 1998, geometr. Auflösung: 15 cm) Folie 6
Verwendete Daten und Softwarewerkzeuge: Vektordaten: Haldenbegrünungspläne Biotoptypenkartierung Digitales Geländemodell Software zur Datenprozessierung: ENVI 3.2 ERDAS/Imagine 8.4 ArcView 3.2 Folie 7
Qualitätskontrolle der HyMap Daten Qualitätskontrolle durch Bestimmung des Signal - Rausch-Verhältnisses (SNR) C SNR Amplitude = C Signal Rauschen Signal = rauschfreier Teil des Bildes Rauschen = alle Störgeräusche, wie z.b. thermisches Rauschen des Sensors Nicht aus Datensatz extrahierbar, deshalb Abschätzung aus der Standardabweichung in einem homogenen Bildbereich 14 Kanäle des HyMap Datensatzes waren aufgrund des SNR nicht brauchbar Folie 8
Informationsbündelung durch Hauptkomponententransformation - im Vergleich zur Anzahl der Bänder geringer Informationsgehalt - Bänder sind hochkorreliert - Durch Hauptkomponententransformation werden die Daten auf das Koordinatensystem mit der grössten Variabilität umgewandelt - 10 Hauptkomponenten enthalten bereits 99,9 % der spektralen Information Eigenwerte und Varianzen der ersten 10 Hauptkomponenten der HYMAP-Szene PC Eigenwert % der Varianz cum. % Var 1 768119981,278138 79,887783 79,887783 2 176276390,395393 18,333503 98,221287 3 10804520,081026 1,123717 99,345003 4 2418727,235197 0,251558 99,596561 5 1282778,363032 0,133414 99,729976 6 573843,672328 0,059682 99,789658 7 538069,054298 0,055961 99,845619 8 271152,238606 0,028201 99,873820 9 223740,187375 0,023270 99,897090 10 160356,590271 0,016678 99,913768 Hauptkomponenten 1:2:3 (r:g:b) des HyMap Datensatzes Folie 9
Spektrale Entmischung des hyperspektralen Datensatzes - Analyse von Mischsignaturen - eine gemessene Mischsignatur besteht in erster Linie aus einer Linearkombination verschiedener Spektralsignaturen (Endmember) - Endmember können aus Spetraldatenbanken entnommen oder aus dem Bild extrahiert werden Endmember Vegetation Endmember Boden Endmember Schatten Die Endmember Vegetation (r) Boden (g) und Schatten (b) als Farbkompositbild Folie 10
Entwicklung eines Datenfusionsverfahrens zur Steigerung der geometrischen Auflösung Hauptanforderungen: - Steigerung der geometrischen Auflösung - Möglichkeit der Erfassung sämtlicher Spektralkanäle in einem Arbeitsschritt - Erhaltung der spektralen Charakteristik (Bildstatistik) - Möglichkeit der Nutzung von HyMap-Informationen, die in Luftbildern nicht vorhanden sind Digitales Orthophoto Hymap Datensatz Kanal 23:34:45 Verfahren: - Methode der relative contribution Fusion F = HYP PAN lowres lowres PAN Highres für jedespixel mit: HYP lowres = geometrisch niedrig auflösender Hyperspektralkanal PAN lowres = panchromatisches Bild, das durch Mittelung aller HYMAP Kanäle erzeugt wurde. = geometrisch hochauflösendes Luftbild PAN highres Gefustes Hymap Bild Kanal 23:34:45 Folie 11
Entwicklung eines Datenfusionsverfahrens zur Steigerung der geometrischen Auflösung Folie 12
Topographische Korrektur hyperspektraler Fernerkundungsdaten Hintergrund: - topographische Geländeform (Neigung, Exposition,...) und Sonnenstand (Zenit- und Azimutwinkel) beeinflussen die Rückstreuintensität. Diese Einflüsse führen zu Fehlern bei der qualitativen und quantitativen Auswertung der Fernerkundungsdaten. Vorgehen: Hilfsdaten: neben dem digitalen Bilddatensatz werden ein digitales Geländemodell, sowie die Grössen für Sonnenzenit- und Sonnenazimutwinkel benötigt. - Berechnung der Hangexposition nach: φ = tan 1 Δx Δy - Berechnung der Hangneigung nach: 2 ( Δx) + ( Δy) θ( %) = 2 1 180 θ( deg) = tan ( s( %)) π - Berechnung der Inklination nach: 2 ( 90 θ ) cosθ + sin( 90 θ ) sinθ ( φ φ ) cosi = cos cos s t - Bildkorrektur nach Lambertschem Korrekturansatz: BV normalλ = BV observedλ / cos i s n s n Folie 13
Statistische Klassifikationsverfahren Unüberwachte Verfahren - einfache, schnelle Anwendung - in jeder Fernerkundungssoftware implementiert - ohne Anpassung auf jeden multispektralen Datensatz anwendbar - meist Nachbearbeitung erforderlich - schwierige Interpretation der Ergebnisse Überwachte Verfahren - teilweise speziell auf hyperspektrale Daten angepasste Modelle - in jeder Fernerkundungssoftware implementiert - ohne Anpassung auf jeden multispektralen Datensatz anwendbar - meist Nachbearbeitung erforderlich - manuelle Definition von Trainigsflächen erforderlich - Bsp.: ISO-Data, K-Means - Bsp.: Maximum Likelihood, Spectral Angle Mapper,... Folie 14
Anwendungsorientierte parametrische Auswerteverfahren Allgemein: - meist nicht standardmäßig verfügbar - speziell auf einen Parameter ausgerichtet - nicht universell einsetzbar Abb.: Beispiel einer redshift Analyse Beispiel 1: Normalized Difference Vegetation Index als Maß für die Menge des Vegetationsbewuchses NDVI = DN( NIR) DN( Rot) DN( NIR) + DN( Rot) Red shift Analyse mit : NDVI = Normalized Difference Vegetation Index DN = Grauwert NIR = nahes Infrarot / rot = roter Spektralbereich Reflectance [] Beispiel 2: red-shift Analyse als Maß zur Abschätzung des Pflanzenstress Band Nr. Beispielspektren zur red-shift analyse Folie 15
Ableitung zeitlicher Veränderungen aus digitalen Bilddaten: Ziele: - (semi-) automatische Erfassung von Veränderungen aus Fernerkundungsdaten verschiedener Aufnahmeepochen - schnelle Auswertemöglichkeiten in GIS-Systemen Orthophoto 1995 Orthophoto 1999 Methoden: - klassische Klassifikationsalgorithmen - diverse Postklassifikations- und Filteralgorithmen - Ableitung der Landnutzungsunterschiede durch einen Differenzalgorithmus Veränderungen Folie 16
Ergebnisse und Ausblick Verfahren zur Bildkorrektur und Bildverbesserung: - Verfahren zur statistischen Datenanalyse - Datenfusionsalgorithmus - Algorithmus zur topographischen Korrektur Verfahren zur thematischen Bildanalyse: - Landnutzungskartierung mit herkömmlichen Klassifikationsverfahren - Anpassung von Methoden zur Berechnung von Pflanzenparametern wie NDVI und red-shift - Verfahren zur Ableitung von Nutzungsänderungen Die im Rahmen der Projektbearbeitung durchgeführten Untersuchungen und implementierten Verfahren ermöglichen eine genaue Erfassung ausgewählter Parameter der Haldenbegrünung und eine Ableitung auftretender Veränderungen. Es hat sich gezeigt, dass die Auswertung spektral hochauflösender Fernerkundungsdaten, in Ergänzung zu den bereits etablierten Verfahren und Methoden, zusätzliche Informationen bereitstellen kann. Ausblick: Insgesamt zeigen die durchgeführten Arbeiten und Ergebnisse, dass es für diese Methoden ein breites Anwendungsspektrum in den Bereichen Altlastenerfassung, Haldenbewirtschaftung und Renaturierung gibt. Dies gilt insbesondere auch im Hinblick auf die in Kürze kommerziell verfügbaren hochauflösenden Satellitensensoren wie beispielsweise Orbview III/IV Folie 17