Post on 24-Mar-2021
transcript
Leibniz Universität Hannover
Bachelorarbeit
im Studiengang
„Geodäsie und Geoinformatik“
Fernerkundliche Detektion von
Vegetationseinheiten
Laura Marie Koller
Januar 2016
Bachelorarbeit
Fernerkundliche Detektion von
Vegetationseinheiten
Remote sensing based detection of vegetation units
Laura Marie Koller
Matrikelnummer: 2973820
Januar 2016
Institut für Photogrammetrie und GeoInformation
Erstprüfer: Prof. Dr. – Ing. Christian Heipke
Zweitprüfer: Dr. Torge Steensen
i
Eidesstattliche Erklärung
Ich erkläre hiermit, dass ich diese Bachelorarbeit selbstständig, ohne Hilfe Dritter und ohne
Benutzung anderer als der angegebenen Quellen und Hilfsmittel verfasst habe. Alle den
benutzten Quellen wörtlich oder sinngemäß entnommenen Stellen sind als solche einzeln
kenntlich gemacht.
Hannover, den 25.01.2016
ii
Inhaltsverzeichnis
Eidesstattliche Erklärung .................................................................................................................. i
Inhaltsverzeichnis ...............................................................................................................................ii
Abbildungsverzeichnis ..................................................................................................................... iii
Tabellenverzeichnis ............................................................................................................................ v
1. Kurzfassung .................................................................................................................................... 1
2. Einführung ....................................................................................................................................... 1
3. Methoden .......................................................................................................................................... 2
3.1 Elektromagnetische Strahlung ............................................................................................. 2
3.2 Reflexionseigenschaften ....................................................................................................... 4
3.2.1 Reflexionseigenschaften von Vegetation ........................................................................ 5
3.2.2 Vegetationsindizes ............................................................................................................. 6
3.3 Auflösungsarten ....................................................................................................................... 9
3.3.1 Zeitliche Auflösung ............................................................................................................. 9
3.3.2 Geometrische Auflösung ................................................................................................... 9
3.3.3 Spektrale Auflösung ......................................................................................................... 10
3.3.4 Radiometrische Auflösung .............................................................................................. 10
3.4 Satellitengestützte Fernerkundung ................................................................................... 10
3.4.1 Geostationäre Satelliten .................................................................................................. 10
3.4.2 Polarumkreisende Satelliten ........................................................................................... 11
3.5 Landsat8 Satellit ..................................................................................................................... 11
3.6 Spektrale Entmischung ........................................................................................................ 15
3.6.1 SMACC ............................................................................................................................... 15
3.7 Datenauswahl ......................................................................................................................... 16
3.8 Festlegung der NDVI-Intervalle .......................................................................................... 16
4. Ergebnisse ..................................................................................................................................... 17
4.1 Ergebnisse der NDVI-Intervall-Festlegung ...................................................................... 17
4.2 Ergebnisse der NDVI-Klassifikation .................................................................................. 19
4.3 Prozentualer Flächenanteil nach der NDVI-Klassifikation der fünf Klassen .......... 27
4.4 Ergebnisse mit dem Ansatz SMACC ................................................................................ 30
4.5 Vergleich der NDVI-Ergebnisse mit den SMACC-Ergebnissen ................................. 33
5. Diskussion ..................................................................................................................................... 35
7. Quellenverzeichnis ...................................................................................................................... 40
8. Anhang ............................................................................................................................................ 44
iii
Abbildungsverzeichnis
Abbildung 1: Verwendeter Satellitenbildausschnitt mit geografischer Einordnung ................ 1
Abbildung 2: Elektromagnetisches Spektrum [Demarine, 2015] .............................................. 3
Abbildung 3: Drei verschiedene Arten der Reflexion bei schräg einfallender Strahlung
(roter Pfeil) an einer Oberfläche ............................................................................. 5
Abbildung 4: Schematische Darstellung der Absorption des blauen und roten Lichtes und
Reflexion des grünen und infraroten Lichtes an einem grünen Blatt ................ 6
Abbildung 5: Reflexionskurven von vitalen Pflanzen, ungesunden Pflanzen und von
Boden .......................................................................................................................... 7
Abbildung 6: Gegenüberstellung der NDVI-Berechnung unterschiedlich vitaler Pflanzen
[NASA, 2015] ............................................................................................................. 8
Abbildung 7: Grafische Darstellung eines Pushbroom Scanners [NASA, 2015].................. 14
Abbildung 8: RGB-Ausschnitt vom 14.07.2013 ......................................................................... 15
Abbildung 9: NDVI-Intervalle der gesamten Satellitenbilder ................................................... 18
Abbildung 10: RGB-Ausschnitt vom 11.03.2014 ......................................................................... 19
Abbildung 11: NDVI-Klassifikation vom 11.03.2014 ................................................................... 19
Abbildung 12: RGB-Ausschnitt vom 27.03.2014 ......................................................................... 20
Abbildung 13: NDVI-Klassifikation vom 27.03.2014 ................................................................... 20
Abbildung 14: RGB-Ausschnitt vom 12.04.2014 ......................................................................... 21
Abbildung 15: NDVI-Klassifikation vom 12.04.2014 ................................................................... 21
Abbildung 16: RGB-Ausschnitt vom 04.03.2014 ......................................................................... 22
Abbildung 17: NDVI-Klassifikation vom 04.03.2014 ................................................................... 22
Abbildung 18: RGB-Ausschnitt vom 15.08.2013 ......................................................................... 23
Abbildung 19: NDVI-Klassifikation vom 15.08.2013 ................................................................... 23
Abbildung 20: RGB-Ausschnitt vom 09.09.2013 ......................................................................... 24
Abbildung 21: NDVI-Klassifikation vom 09.09.2013 ................................................................... 24
Abbildung 22: Prozentuale Flächenanteile der fünf Klassen der gesamten Satellitenbilder 28
Abbildung 23: Prozentuale Flächenanteile der fünf Klassen der wolkenfreien
Satellitenbilder ......................................................................................................... 29
Abbildung 24: Endmember Wasser aus dem Satellitenbildausschnitt vom 07.07.2013 ....... 30
Abbildung 25: Endmember versiegelte Fläche aus dem Satellitenbildausschnitt vom
11.03.2014 ............................................................................................................... 30
Abbildung 26: Endmember unbewirtschaftete Felder aus dem Satellitenbildausschnitt vom
08.06.2013 ............................................................................................................... 31
iv
Abbildung 27: Endmember bewirtschaftete Felder aus dem Satellitenbildausschnitt vom
27.03.2014 ............................................................................................................... 31
Abbildung 28: Endmember Wald aus dem Satellitenbildausschnitt vom 25.04.2013 ............ 32
Abbildung 29: Unbearbeitetes Endmember versiegelte Fläche vom 25.04.2013 .................. 36
Abbildung 30: Bearbeitetes Endmember versiegelte Fläche vom 11.03.2014 ....................... 37
Abbildung 31: Fehlerhaftes Endmember aus der Klassifikationsmethode SMACC .............. 38
v
Tabellenverzeichnis
Tabelle 1: Dateninformationen des Landsat8 Satelliten .............................................................. 12
Tabelle 2: Empirisch festgelegte NDVI-Intervalle der fünf Klassen zu den jeweiligen
Satellitenbildern ............................................................................................................... 17
Tabelle 3: Tabellarische Darstellung der NDVI-Ergebnisse von Bereichen, die von
Cumulusnimbussen, Schleierwolken und Schatten bedeckt werden ..................... 26
Tabelle 4: Prozentualer Flächenanteil der fünf Klassen für alle Satellitenbilder ...................... 27
Tabelle 5: Gegenüberstellung der prozentualen Anteile von NDVI und SMACC .................... 34
1
1. Kurzfassung
Die vorliegende Arbeit beschäftigt sich mit der fernerkundlichen Detektion von räumlichen
Einheiten (wie z.B. Vegetationseinheiten). Dafür wird eine Auswahl an Satellitenbildern mit
Hilfe von zwei Klassifikationsalgorithmen bearbeitet. Nach der Klassifikation werden die
prozentualen Flächenanteile der verschiedenen Klassen berechnet und untereinander
verglichen. Abschließend werden die Vor- und Nachteile und Grenzen der Methoden
aufgezeigt.
2. Einführung
Ein präsentes und auch für die Zukunft sehr wichtiges Thema ist der Strukturwandel am
Boden. Durch eine Erfassung der Verteilung der räumlichen Einheiten ist es möglich
räumliche Veränderungen zu quantifizieren. Diese Detektion kann mittels
Fernerkundungsdatensätzen durchgeführt werden. Mit diesen Datensätzen können
verschiedene Einheiten, wie zum Beispiel Wasser und Agrarflächen, aber auch versiegelte
Flächen erfasst werden. In dieser Arbeit wird solch eine Differenzierung mit Hilfe von
Satellitenbilder über die Zeit erfolgen. Es werden gleiche Ausschnitte der Satellitendaten
verwendet, in denen der Flughafen Frankfurt am Main, der Rhein, der Main und der
Staatsforst Königsstein im Zentrum stehen (Abb.1).
Abbildung 1:Verwendeter Satellitenbildausschnitt mit geografischer Einordnung [Kartengrundlage verändert nach [Golfshop Info, 2015]]
2
In dieser Arbeit werden für die fernerkundliche Detektion verschiedene Methoden verwendet,
die mit Hilfe der Software ENVI realisiert werden. Zum einen die Methode der spektralen
Entmischung und zum anderen wird der Normalized Difference Vegetation Index (NDVI)
herangezogen. Diese beiden Methoden werden im Hauptteil dieser Arbeit näher erläutert
und die Ergebnisse präsentiert. Es werden fünf Klassen begutachtet, von denen der
prozentuale Flächenanteil im verwendeten Satellitenbildausschnitt bestimmt wird. Die fünf
Klassen sind Wasser, versiegelte Flächen (Siedlungen und Straßen), unbewirtschaftete
Felder, bewirtschaftete Felder und Wald. Abschließend wird ein qualitativer Vergleich
durchgeführt, der die Genauigkeit der benutzten Verfahren klären soll.
3. Methoden
3.1 Elektromagnetische Strahlung
Die Erhebung von Bilddaten wird in der Fernerkundung mittels eines Sensors (Scanner,
Luftkamera) durchgeführt, welcher auf einem Satelliten oder einem Flugzeug angebracht ist.
Der befestigte Sensor erfasst die elektromagnetische Strahlung, die von einem Objekt
reflektiert oder emittiert wird.
„Die elektromagnetische Strahlung ist eine Form der Energieausbreitung“ [Albertz, 2001].
Charakteristische Größen sind hierbei die Frequenz ν und die Wellenlänge λ, die im
Zusammenhang mit der Ausbreitungsgeschwindigkeit c stehen [Albertz, 2001]. Die
Beziehung zwischen diesen drei Größen lautet wie folgt:
Die Wellenlänge findet Verwendung in der Fernerkundung als Charakterisierung für die
elektromagnetische Strahlung. Die vorkommenden Wellenlängenbereiche der
elektromagnetischen Strahlung werden als Gesamtheit in einem elektromagnetischen
Spektrum (Abb. 2) dargestellt [Albertz, 2001].
3
Abbildung 2: Elektromagnetisches Spektrum [Demarine, 2015]. In dieser Arbeit werden der sichtbare Bereich und das nahe Infrarot verwendet.
Das in Abb. 2 dargestellte Spektrum kann in verschiedene Wellenlängenbereiche der
empfangenen elektromagnetischen Strahlung eingeteilt werden. Der meist bekannteste
Bereich ist das sichtbare Licht. Dieser Ausschnitt liegt im Wellenlängenbereich zwischen 0,4
und 0,7 µm [Albertz, 2001]. Im kürzeren Wellenlängenbereich befinden sich das nahe,
anschließend das allgemeine Ultraviolett, dann die Röntgenstrahlen, die Gammastrahlen und
abschließend die extrem kurzwellige kosmische Strahlung. Im elektromagnetischen
Spektrum rechts neben dem sichtbaren Bereich folgt der längerwellige Bereich mit der
Infrarotstrahlung. Die Infrarotstrahlung kann unterschieden werden in das nahe (bis etwa
1 µm), mittlere (1 bis etwa 7 µm) und das ferne (ab etwa 7 µm) Infrarot. Auf den
Infrarotbereich folgen die Mikrowellen und die Radiowellen [Albertz, 2001].
In der Fernerkundung findet nicht das gesamte elektromagnetische Spektrum Verwendung,
sondern es werden nur bestimmte Teilbereiche näher betrachtet und verwendet. Zum einen
werden Multi- und Hyperspektralscanner für den Bereich des sichtbaren Lichts, im nahen,
mittleren und fernen Infrarot eingesetzt. Des Weiteren werden Thermalscanner für den
mittleren und fernen Infrarotbereich benutzt und schlussendlich Radarsysteme für den
Mikrowellenbereich [Fe-Lexikon, 2015].
Die Fernerkundung stützt sich auf zwei verschiedene Strahlungsvorgänge (solar und
terrestrisch). Bei der solaren Einstrahlung ist die Hauptquelle die Sonne. Die maximale
Bestrahlungsstärke liegt bei einer Wellenlänge, vergleichbar wie bei einem Schwarzkörper,
von λ = 0,47 µm bei einer Durchschnittstemperatur von 6000 K (Abb. 2). Die in der
Fernerkundung verwendete Strahlung ist ausschließlich die, die von der Erdoberfläche oder
der Atmosphäre reflektiert wird und die, die von der Erdoberfläche durch ihre
4
Eigentemperatur direkt abgegeben wird. Die Durchschnittstemperatur der Erde beträgt 300 K
(Abb. 2). Das Maximum der Strahlung verschiebt sich mit sinkender Temperatur in höhere
Wellenlängenbereiche (Abb. 2).
Bei der Einstrahlung im terrestrischen Spektralbereich ist die atmosphärische
Gegenstrahlung der Erdoberfläche charakterisierend. Die terrestrische Strahlung wird
gekennzeichnet durch die gesamte Infrarotstrahlung, die von der Erde und der Atmosphäre
im Bereich von etwa 200 bis 300 K ausgesandt wird. Die von der Erde reflektierte Strahlung
wird in der Atmosphäre größtenteils absorbiert, somit gelangt nur ein kleiner Teil ins All [Fe-
Lexikon, 2015].
3.2 Reflexionseigenschaften
Für eine Aufnahme von fernerkundlichen Daten ist es wichtig, dass die Oberfläche des
Geländes und die verschiedenen Objekte sich gegenüber der auftreffenden Strahlung sehr
differenziert verhalten [Albertz, 2001]. Es gibt viele Faktoren durch die es die Möglichkeit
gibt, Objekte oder auch Gegenstände sofort in Bildwiedergaben zu erkennen, wie z.B. das
Material der Geländeobjekte oder auch deren physikalischen Zustand, wie die Feuchtigkeit.
Andere Reflexionseigenschaften der Geländeobjekte sind die Oberflächenrauhigkeit und
geometrische Verhältnisse, wie der Einfallswinkel der Sonne oder die Beobachtungsrichtung
[Albertz, 2001]. Die Rauhigkeit der Fläche charakterisiert die Art der Reflexion [Albertz,
2011]. Eine Art der Reflexion ist die spiegelnde Reflexion, die in Abb. 3a dargestellt ist. Diese
findet statt, wenn die Rauhigkeit an der Oberfläche im Vergleich zur Wellenlänge klein ist.
Bei der spiegelnden Reflexion ist der Einfallswinkel gleich dem Reflexionswinkel, welche
häufig bei stillen Wasserflächen beobachtet wird.
Eine weitere Reflexionsart ist die diffuse Reflexion. Diese liegt vor, wenn die Rauhigkeit an
Oberflächen ungefähr gleich der Wellenlänge der auftreffenden Strahlung ist. Der Idealfall
der diffusen Reflexion ist die Lambertsche Fläche (siehe Abb. 3b), die richtungsunabhängig
reflektiert und aus diesem Grund in alle Richtungen gleich hell erscheint [Albertz, 2001].
Doch diese beiden Reflexionsarten kommen selten in der Realität vor. Eine Mischung aus
spiegelnder und diffuser Reflexion nennt sich gemischte Reflexion. Die auftreffende
Strahlung wird in allen Richtungen zurückgeworfen, wie bei der diffusen Reflexion, aber mit
ungleicher Intensität. Diese Art der Reflexion ist in Abb. 3c dargestellt.
5
Abbildung 3: Drei verschiedene Arten der Reflexion bei schräg einfallender Strahlung (roter Pfeil) an einer Oberfläche; (a): Die spiegelnde Reflexion. (b): Die diffuse Reflexion (Lambertsche Fläche). (c) die gemischte Reflexion.
3.2.1 Reflexionseigenschaften von Vegetation
Es gibt Oberflächen, welche die Eigenschaft besitzen, Teile des elektromagnetischen
Spektrums unterschiedlich stark zu reflektieren. Blätter enthalten Farbpigmente wie das
Chlorophyll. Diese absorbieren zum größten Teil den blauen und roten Bereich der
einfallenden Strahlung, jedoch wird der grüne Bereich des sichtbaren Lichts stärker
reflektiert, weswegen ein Blatt grün erscheint [Uni Bonn, 2015 a]. Im nahen Infrarotbereich
wird eine noch stärkere Reflexion verzeichnet, als im grünen Bereich (vgl. Abb. 5). Dieser
Anstieg wird als Red Edge bezeichnet und im nächsten Abschnitt näher erläutert [Seos,
2015]. Der Grund für die stärkere Reflexion im nahinfraroten Bereich ist, dass diese an den
Blattzellwänden mehrfach gespiegelt und daher zum großen Anteil reflektiert wird [Colwell,
1963]. In der folgenden Abbildung (Abb.4) ist die Absorption und Reflexion an einem grünen
Blatt schematisch dargestellt.
6
Abbildung 4: Schematische Darstellung der Absorption des blauen und roten Lichtes und Reflexion des grünen und infraroten Lichtes an einem grünen Blatt [geändert nach Albertz, 2001]. Orange kennzeichnet die Absorption und grün die Reflexion.
3.2.2 Vegetationsindizes
Vegetationsindizes besitzen die Fähigkeit, in Bilddatenerhebungen Oberflächen mit vitaler
Vegetation von unbewachsenen oder mit abgestorbener Vegetation bedeckten zu
unterscheiden [Hildebrandt, 1996]. Des Weiteren kann eine Aussage über die Begrünung
von Gebieten, deren Gesundheitszustand, den Wassergehalt der Pflanzen und über die
jeweilige Jahreszeit getroffen werden. Mithilfe von Messwerten aus Spektralkanälen können
solche Indizes berechnet werden, vor allem aus solchen, in denen sich vitale Vegetation von
unbewachsenen Oberflächen unterscheidet [Hildebrandt, 1996]. Hierfür bieten sich am
ehesten Messwerte aus dem nahen Infrarotbereich und dem Rot-Bereich an. Der Grund
dafür ist der charakteristische Anstieg der Reflexionskurve der Vegetation vom sichtbaren
Licht zum nahen Infrarotbereich. Im roten Wellenlängenbereich reflektiert die vitale
Vegetation nur sehr gering, worauf ein steiler Anstieg (bei etwa 700 nm [Jones, 2010]) im
nahen Infrarotbereich folgt (Red Edge siehe Abb.5). Vegetationsindizes sind dimensionslose
Parameter.
7
Abbildung 5: Reflexionskurven von vitalen Pflanzen, ungesunden Pflanzen und von Boden; Darstellung der Red Edge bei der vitalen Vegetation [Micasense, 2015].
3.2.2.1 Ratio-Vegetationsindex RVI
In den siebziger Jahren entwickelten Pearson und Miller (1972) den ersten Vegetationsindex
in Form von Verhältnisbildung der mittleren Reflexion im roten und nahen Infrarot Bereich.
Durch den Ratio Vegetation Index (RVI) kann eine Schätzung und Überwachung der
Pflanzenbedeckung erfolgen.
Der RVI ist die einfachste Form dieser Art, der als Quotient der spektralen, reflektierten
Strahlendichte L des nahen Infrarot (NIR) und des roten Aufnahmekanals bestimmt wird
[Hildebrandt, 1996]. Die Formel lautet wie folgt:
Der Index verbessert den Kontrast zwischen der Bodenoberfläche und der Vegetation.
Außerdem ist dieser weniger beeinflusst von dem Effekt der Belichtungsgegebenheiten,
jedoch empfindlich gegenüber den optischen Eigenschaften des Bodens [Baret und Guyot,
1991]. Die Beziehung zwischen den Reflexionen der beiden Bänder erlaubt die Störgröße
von Einflussfaktoren in der gleichen Art der Strahlung von jedem Band zu schätzen [Holben
und Justice, 1981]. Nach Jackson et al. (1983) ist der RVI empfindlich gegenüber
atmosphärischen Effekten und das Unterscheidungsvermögen ist schwach, wenn die
Vegetationsdecke nicht allzu dicht (weniger als 50%) bewachsen ist.
8
3.2.2.2 Normalized Difference Vegetation Index NDVI
Rouse et al. (1974) stellte eine Erweiterung des RVI auf, den Normalized Difference
Vegetation Index (NDVI). Dieser wird durch die Differenz und die Summe beider
Strahlendichten bestimmt. Durch Formel 3 wird dieser Index ausgedrückt:
Der NDVI ist empfindlich auf das Vorhandensein grüner Vegetation [Sellers, 1985]. Des
Weiteren erlaubt dieser Index die Prognose von landwirtschaftlichen Pflanzen [Tucker und
Sellers, 1986; Bullock, 1992] und die Fällung in halbtrockenen Gebieten [Kerr et al., 1989;
Nicholson et al., 1990]. Der Erfolg des NDVI als ein Beschreiber von Vegetationsvariationen,
trotz atmosphärischen Effekten [Kaufman, 1984; Fraser und Kaufman, 1985] und
radiometrischen Zerlegungen in das rote und das nahe infrarote Band [Holben et al., 1990],
baut auf der Normalisierung auf, welche diese Effekte und Zerlegungen erlauben.
Normalisierungen reduzieren den Effekt von der Sensorkalibrierungszerlegung um ca. 6 %
von dem gesamten Indexwert [Holben et al., 1990; Kaufman und Holben, 1993].
Der Wertebereich des Vegetationsindexes liegt zwischen -1 und 1. Beispielsweise hat
grüne/vitale Vegetation einen NDVI Wert von 0,7, wie auch in Abb. 6 die linke Pflanze
widerspiegelt. Des Weiteren können mit diesem Vegetationsindex Änderungen der
Vegetation in den unterschiedlichen Jahreszeiten festgestellt werden [Uni Bonn, 2015 b].
Abbildung 6: Gegenüberstellung der NDVI-Berechnung unterschiedlich vitaler Pflanzen [NASA, 2015].
9
Für die Berechnung des NDVI werden Reflexionseigenschaften der Pflanzen im
Spektralbereich des sichtbaren Lichtes und nahen Infrarotbereichs verwendet. Bei gesunder
Vegetation wird ein Großteil der nahen Infrarotstrahlung reflektiert, wobei das sichtbare Licht
eher absorbiert wird. Wie viel jeweils reflektiert bzw. absorbiert wird, hängt stark von dem
Chlorophyllgehalt der Pflanze ab. Wenn sich die Vitalität der Pflanze ändert, z.B. durch
Vertrocknung, ändert sich das reflektierte elektromagnetische Spektrum. Dadurch, dass sich
der Wassergehalt ändert, sinkt der Chlorophyllgehalt der Pflanze. Die Pflanze erscheint rot-
bräunlich, da ein größerer Rotanteil des sichtbaren Lichts reflektiert wird.
3.3 Auflösungsarten
In der Fernerkundung wird zwischen vier Auflösungsarten unterschieden: die zeitliche, die
geometrische, die spektrale und die radiometrische Auflösung.
3.3.1 Zeitliche Auflösung
Die zeitliche Auflösung entspricht dem zeitlichen Abstand, der zwischen zwei Aufnahmen
des gleichen Gebietes liegt. Je höher die zeitliche Auflösung, desto kleiner ist der Abstand
zwischen den Aufnahmen [Uni Bonn, 2015 b]. Diese Art von Auflösung ist abhängig von der
Flughöhe und der Umlaufbahn sowie von dem Blickwinkel des Satelliten.
3.3.2 Geometrische Auflösung
Die geometrische Auflösung eines Sensors gibt Auskunft über den Detailgrad, der in dem
Datensatz abgebildet werden kann [Geoinformatik, 2016]. Diese Auflösungsart wird
entweder in Metern, Kilometern, Zentimetern, usw. angegeben. Fernerkundungssensoren
besitzen die Fähigkeit, räumliche Details aufzunehmen, indem sie Informationen über
Objekte in Form eines Rasters detektieren. Das überflogene Gebiet wird mittels Pixel
(Bildpunkte), die kleinste Flächeneinheit eines digitalen Bildes, abgebildet. Die geometrische
Auflösung ist charakterisiert durch die Kantenlänge eines Pixels. Je kleiner die Kantenlänge
des Pixels, umso größer ist die geometrische Auflösung und umso mehr Details können
erfasst werden. Eine geringe geometrische Auflösung ist gekennzeichnet durch eine
Pixelkantenlänge von größer als 30 m, eine mittlere Auflösung von 2 bis 30 m und eine hohe
Auflösung von unter 2 m [Seos, 2015]. Bei Satellitenbildern ist das Problem, dass nah
beieinanderliegende Objekte in einem gemeinsamen Pixel abgebildet werden können, somit
entstehen Mischpixel. Je geringer die geometrische Auflösung, umso mehr Mischpixel
entstehen und umso schlechter können Flächen voneinander unterschieden werden.
10
3.3.3 Spektrale Auflösung
Die spektrale Auflösung ist durch die Anzahl der Aufnahmekanäle eines Sensors und deren
Bandbreite charakterisiert [Seos, 2015]. Jeder Wellenlängenbereich wird einzeln in
getrennten Spektralkanälen aufgenommen. Der Sensor erstellt in jedem Kanal ein Bild, das
aus verschiedenen Grautönen besteht. Je mehr Kanäle ein Sensor besitzt, umso höher ist
die spektrale Auflösung eines Satelliten [Uni Bonn, 2015 b]. Die meist benutzten passiven,
polarumkreisenden Satelliten besitzen zwischen drei und acht Spektralkanäle und sind
dementsprechend multispektral [Seos, 2015]. Eine hohe spektrale Auflösung dient dazu,
einzelne Objekte besser zu erkennen und spektral zu unterscheiden [Seos, 2015].
3.3.4 Radiometrische Auflösung
Die vierte Auflösungsart in der Fernerkundung ist die radiometrische Auflösung. Diese wird
gekennzeichnet durch die unterschiedlichen Abstufungen der Grauwerte, die die einzelnen
Kanäle erfassen können [Geovlex, 2015]. Die radiometrische Auflösung wird in bit
angegeben [Uni Bonn, 2015 b]. Wenn die Auflösung beispielsweise 8-bit besitzt, gibt es
insgesamt 256 Grautöne [Seos, 2015]. Je höher die radiometrische Auflösung, desto besser
können Unterschiede im Reflexionsverhalten der Landoberfläche beobachtet werden [Uni
Bonn, 2015 b].
3.4 Satellitengestützte Fernerkundung
Es wird zwischen geostationären und polarumkreisenden Satelliten unterschieden. Diese
differenzieren sich in ihrer Flughöhe und dessen Aufnahmespektrum der Erdoberfläche.
3.4.1 Geostationäre Satelliten
Die geostationären Satelliten befinden sich in einer Höhe von etwa 35.000 km über dem
Äquator und bewegen sich mit einer Geschwindigkeit von etwa 3,1 km/s. Daraus folgt, dass
der Satellit etwa 24 Stunden für eine Umkreisung der Erde benötigt und somit ist die
Bewegung eines solchen Satelliten synchron mit der Erdrotation. Da sich nun also die
geostationären Satellitensysteme synchron mit der Erde bewegen, wird nicht die gesamte
Erdkugel aufgenommen, sondern nur ein bestimmter Ausschnitt der Erdoberfläche. Der
Grund dafür ist, dass sich die geostationären Satelliten im Idealfall immer über demselben
Punkt der Erdoberfläche befinden. Deswegen können diese Satellitensysteme in zeitlichen
Abständen von wenigen Minuten Bilder desselben Gebietes machen. Da nicht die komplette
11
Erdoberfläche von den geostationären Satelliten aufgenommen werden kann, werden
zusätzlich noch polarumkreisende Satelliten zum Einsatz gebracht. [Schulmodell, 2015]
3.4.2 Polarumkreisende Satelliten
Polarumkreisende Satelliten, wie Landsat8, fliegen in einer Höhe von 700 bis 900 km auf
einer schiefen Bahn von Pol zu Pol. Diese betrachten zwar nur einen kleinen Teil der
Erdoberfläche, aber da sie sich auf einer schiefen Bahn befinden und sich die Erde unter
ihnen dreht, ist in wenigen Tagen die gesamte Erdoberfläche aufgenommen. [Uni Bonn,
2015 b]
3.5 Landsat8 Satellit
Für die fernerkundliche Detektion von Vegetationseinheiten werden Satellitenbilder, die von
dem Satellit Landsat8 aufgenommen wurden, bereitgestellt. Die Landsat Satelliten sind
passive, polarumkreisende Satelliten und gehören dem Gemeinschaftsprojekt der NASA und
der U.S. Geological Survey (USGS) an [Spiegel Wissenschaft, 2015]. 1972 ist der erste
Satellit dieser Serie gestartet und weitere sieben folgten. Doch die meisten der gestarteten
Satelliten sind schon außer Betrieb. Landsat8 ist 2013 gestartet und mit zwei Sensoren
ausgestattet, dem Operational Land Imager (OLI) und dem Thermal Infrared Sensor (TIRS)
[Landsat 8, 2015]. Der OLI nimmt Bilder mithilfe von neun Spektralbändern auf. Acht von den
neun Bändern haben die gleiche geometrische Auflösung von 30 m [Landsat Science, 2015].
Band 8 hat als einziges Band eine Auflösung von 15 m [Landsat Science, 2015]. Im
Vergleich zum Landsat7 Satelliten sind zwei neue Bänder (1 und 9) dazugekommen. Dessen
Eigenschaften werden später näher erläutert. Der TIRS nimmt Bilder im höheren
Wellenlängenbereich (10,6 und 12,5 µm) auf und besitzt eine kleinere geometrische
Auflösung als der OLI [Landsat Science, 2015]. Die beiden thermalen Bänder (10 und 11)
sind nützlich in der Bereitstellung von hochgenauen Oberflächentemperaturen [USGS,
2015]. In der nachfolgenden Tabelle (Tab. 1) sind die wichtigsten Daten des Landsat8
Satelliten aufgelistet:
12
Tabelle 1: Dateninformationen des Landsat8 Satelliten; Bandnummer mit den dazugehörigen Wellenlängenbereichen und geometrische Auflösung [Landsat Science, 2015]; Die orange markierten
Bandnummern gehören zu dem OLI; die gelb markierten Bandnummern zu dem TIRS
Band Nummer Wellenlänge [µm] Geometrische Auflösung
1 0,433 – 0,453 30 m
2 0,450 – 0,515 30 m
3 0,525 – 0,600 30 m
4 0,630 – 0,680 30 m
5 0,845 – 0,885 30 m
6 1,560 – 1,660 30 m
7 2,100 – 2,300 30 m
8 0,500 – 0,680 15 m
9 1,360 – 1,390 30 m
10 10,6 – 11,2 100 m
11 11,5 – 12,5 100 m
Weitere Dateninformationen zum Satelliten sind, dass dieser 99 Minuten für eine Umrundung
der Erde benötigt und in einer Höhe von etwa 700 km fliegt. Des Weiteren dauert die
Erfassung der gesamten Erdoberfläche 16 Tage. [Spiegel Wissenschaft, 2015]
Für diese Arbeit werden die Bänder eins bis sieben und neun verwendet, da die anderen drei
Bänder eine andere geometrische Auflösung, als die restlichen Bänder haben.
Band 1 liegt im Wellenlängenbereich von 0,433 bis 0,453 µm und erkennt tiefe Blautöne und
violett [Landsat Science, 2015]. Blaues Licht ist schwer aus der Höhe zu erfassen, da dieses
leicht bei winzigen Aerosolen aus Staub und Wasser in der Luft und sogar selbst bei
Luftmolekülen zerstreut wird. Dies ist der Grund, warum sehr distanzierte Objekte, wie Berge
am Horizont, bläulich erscheinen und warum der Himmel blau ist. Dieses Phänomen kann
mit der Rayleigh-Streuung erklärt werden. Die Erdatmosphäre besteht zum größten Teil aus
Stickstoff- und Sauerstoffmolekülen. Wenn die Lichtstrahlen auf dem Weg zur Erde sind,
müssen sie durch diese Atmosphäre, wobei sie auf diese Moleküle treffen und von diesen
abgelenkt und gestreut werden. Das blaue Licht, welches kurzwelliger als rotes Licht ist, wird
von den Luftmolekülen stärker gestreut als rotes Licht [Spektrum, 2015]. Aus diesem Grund
erscheint der wolkenlose, klare Himmel blau. Dieses Band wird küstennahes/aerosoles Band
genannt, da es seichtes Wasser und feine Partikel wie Staub und Rauch aufspüren kann
[Landsat Science, 2015]. Aerosole sind Partikel in der Luft, die entweder im flüssigen oder im
festen Zustand vorkommen. Deren Größe bewegt sich zwischen 10-4 und 10 µm [Fe-Lexikon,
2015]. Die Aerosolpartikel werden als Dunst sichtbar.
13
Die Bänder 2, 3 und 4 liegen im sichtbaren Bereich [Landsat Science, 2015]. Band 2, mit
einem Wellenlängenbereich zwischen 0,450 und 0,515 µm, repräsentiert die Grundfarbe
Blau. Grün liegt im Bereich von 0,525 bis 0,600 µm und wird in Band 3 gezeigt. Der letzte
sichtbare Bereich liegt zwischen 0,630 und 0,680 µm und ist die Farbe Rot in Band 4
[Landsat Science, 2015] (vgl. auch Abb. 2). Band 2 wird für die Abgrenzung von Boden und
Vegetation und zu der Zuordnung der verschiedenen Waldtypen verwendet [USGS, 2015].
Mit dem grünen Spektralband (Band 3) kann das Wachstum der Pflanzen geschätzt werden
[USGS, 2015]. Die Identifikation von Vegetationstypen und die Erkennung von Boden- und
Stadtmerkmalen ist mit dem roten Band umzusetzen [USGS, 2015].
Band 5 misst den nahen Infrarotbereich [Landsat Science, 2015]. Dieser Teil von dem
Spektrum ist vor allem wichtig für die Ökologie, da gesunde Pflanzen diese Strahlung
reflektieren. Das Wasser in deren Blättern reflektiert die Wellenlänge zurück in den Himmel.
In Kombination mit anderen Bändern können Indizes wie der NDVI berechnet werden. Durch
diesen Index kann die Gesundheit der Pflanzen mit einer höheren Genauigkeit gemessen
werden als wenn das sichtbare Grün begutachtet wird [Landsat Science, 2015].
Zusammenfassend ist Band 5 für die Vegetationsdetektion und –analyse zuständig [USGS,
2015].
Band 6 und 7 decken unterschiedliche Bereiche vom kurzwelligen Infrarotbereich ab. Band 6
liegt im Wellenlängenbereich von 1,560 – 1,660 µm [Landsat Science, 2015] und ist für die
Feuchtigkeits- und Trockenheitsanalyse der Pflanzen verantwortlich [USGS, 2015]. Des
Weiteren können verbrannte und feuerbetroffene Flächen oder aktive Feuer detektiert
werden. Band 7 liegt im Wellenlängenbereich von 2,100 – 2,300 µm und kann zusätzlich
aktive Feuer, speziell nachts, aufspüren [USGS, 2015].
Band 8 ist ein panchromatisches Band mit einer höheren geometrischen Auflösung von 15
m. Aus diesem Grund wird dieses Band nicht in diese Arbeit mit eingebunden, da die
restlichen verwendeten Bänder eine Auflösung von 30 m haben [Landsat Science, 2015].
Band 9 deckt einen sehr kleinen Bereich des Wellenlängenbereiches ab. Dieser Bereich liegt
zwischen 1,360 und 1,390 µm und detektiert Cirruswolken. Diese Art von Wolken sind reine
Eiswolken in großer Höhe, die aus Eis- und Schneekristallen bestehen und Federwolken
genannt werden [Wolkenatlas, 2006].
Die Bänder 10 und 11 gehören zu dem TIRS. Sie liegen im Bereich von 10,6 bis 12,5 µm
und sammeln Daten über die Wärmeabstrahlung der Erdoberfläche. Die Thermalbänder
gewinnen immer mehr an Bedeutung bei der Überwachung und Kontrolle des
Wasserverbrauchs, besonders in trockenen Gebieten [Fe-Lexikon, 2015].
14
Die beiden Sensoren (OLI und TIRS) sind sogenannte Pushbroom Instrumente [Fe-Lexikon,
2015]. Durch neue Technologien kann OLI die gesamte Breite der Bodenspur gleichzeitig
aufnehmen. Daraus werden Datenreihen gebildet, die die kontinuierliche Bodenspur
erzeugen [NASA, 2015]. In Abb. 7 ist der Pushbroom Scanner grafisch dargestellt.
Abbildung 7: Grafische Darstellung eines Pushbroom Scanners [NASA, 2015]
Die einzelnen Kanäle nehmen Bilder in unterschiedlichen Grautönen auf. Farbige Bilder
spielen in der Fernerkundung eine wichtige Rolle. Aus diesem Grund werden aus den
einzelnen Grauwertbildern Farbbilder erzeugt, damit sie leichter zu interpretieren sind. Farbe
ist eine „Sinneswahrnehmung“ und das menschliche Auge beurteilt die einwirkende
elektromagnetische Strahlung nach den drei Grundfarben rot, grün und blau [Albertz, 2001].
Diese drei Bewertungen werden zu einer Gesamtwirkung verbunden, sodass bei
unterschiedlichen Anteilen verschiedene Farbwahrnehmungen gebildet werden. Deswegen
werden RGB-Bilder erstellt, um ein gutes Ergebnis in der Bildinterpretation zu erreichen.
RGB-Bilder bestehen aus den Kanälen rot, grün und blau. Diese drei Kanäle sind bei dem
Landsat8 Satelliten in den Bändern 4 (rot), 3 (grün) und 2 (blau) zu finden. In der
15
nachfolgenden Abbildung (Abb. 8) ist ein RGB-Bild (Echtfarbenbild) dargestellt, welches
keine Wolken beinhaltet.
Abbildung 8: RGB-Ausschnitt vom 14.07.2013; geografisch eingeordnet und nach Maßstab wie Abb.1. Die verschieden farbigen Kästchen dienen als wolkenfreie Grundlage für Tab.3.
3.6 Spektrale Entmischung
3.6.1 SMACC
In dieser Arbeit wird der automatisierte Ansatz Sequential Maximum Angle Convex Cone
(SMACC) verwendet, der von Gruniger et al. (2004) eingeführt wurde. Dieser Ansatz ist in
der Software ENVI bereitgestellt. SMACC basiert auf einem konvexen Kegelmodell zum
Darstellen von Vektordaten und ist ausgelegt für hyperspektrale Daten, die im Vorfeld
kalibriert wurden [Gruniger, et al., 2004]. Dieses Verfahren erzeugt nach und nach
Zusammenstellungen von Endmembern und dient zur Detektion von Endmemberspektren
aus hyperspektralen Daten [Gruniger, et al., 2004]. Endmember sind Spektren, die
„idealisierte, reine“ Signaturen einer Klasse widerspiegeln [Isprs, 2015]. Zuerst sind
Extrempunkte notwendig, um den konvexen Kegel zu schätzen, welcher das erste
Endmember definiert. Die Anzahl der Endmember kann selbst bestimmt werden. Diese
Methode arbeitet unüberwacht. Dies bedeutet, dass keine Referenzflächen benutzt werden
und eine Interpretation der Ergebnisse nach der Klassifikation erfolgt. Der Algorithmus endet,
wenn entweder alle Datenwerte innerhalb des Kegels liegen oder die maximale Anzahl an
Endmembern erreicht ist [Gruniger, et al., 2004]. Anders formuliert, SMACC findet zuerst das
hellste Pixel in dem Bild, anschließend das Pixel, welches sich zum ersten am meisten
unterschiedet. Im Anschluss wird das Pixel gefunden, welches sich zu den ersten beiden
16
Pixeln am meisten unterscheidet. Der Prozess wird solange wiederholt bis SMACC ein Pixel
findet, welches bereits in einer Gruppe nachgewiesen werden kann oder bis eine bestimmte
Anzahl an Endmembern gefunden wurde. Das Pixelspektrum, das SMACC gefunden hat,
wird zu den Endmembern der resultierenden Spektralbibliothek [Gruniger, et al., 2004].
3.7 Datenauswahl
Für diese Arbeit liegen 21 Satellitenbilder im Zeitraum vom 18.04.2013 bis 21.04.2014 vor.
Das aufgenommene Gebiet umfasst einen Teil von Hessen und einen Teil von Rheinland-
Pfalz. Der ausgewählte Bereich (Abb.1) besitzt charakteristische Merkmale, um dieses
Gebiet geografisch einzuordnen: Den Flughafen Frankfurt am Main, den Rhein, den Main
und den Staatsforst Königsstein. Es werden 17 Ausschnitte näher betrachtet, da die
restlichen einen zu großen Anteil an Wolken besitzen. Der zeitliche Rahmen liegt bei einem
Jahr, was bedeutet, dass sich voraussichtlich nichts Gravierendes in der Struktur der
Oberfläche verändert hat. Aus diesem Grund wird in den nachfolgenden Untersuchungen
nicht auf das Jahr geachtet, sondern die Satellitenbilder der Jahreszeit chronologisch
sortiert. Der Ausschnitt des Satellitenbildes wurde gewählt, da verschiedene
Oberflächenstrukturen (wie z.B. Wasser, versiegelte Fläche, unbewirtschaftete Felder)
vorhanden sind.
3.8 Festlegung der NDVI-Intervalle
Um die NDVI-Intervalle eines Satellitenbildes festzulegen, wird zuerst in der Software ENVI
ein „NDVI-Bild“ erstellt, indem für das gesamte Bild die NDVI-Werte berechnet werden. Aus
der Berechnung kann abgelesen werden, in welchem Bereich die NDVI-Werte liegen
(Software Tool Interactive Stretching). Anschließend wird das erste Intervall empirisch
festgelegt. Der niedrigste NDVI-Wert ist der unterste Wert des Intervalls. Der Oberste wird
empirisch bestimmt. Wasser ist die erste Klasse, die die kleinsten NDVI-Werte besitzt. Der
oberste NDVI-Wert ist gefunden, wenn keine andere Klasse dadurch klassifiziert wird. Für
die nächste Klasse, versiegelte Fläche, wird der oberste Wert der Klasse Wasser als
niedrigster Wert verwendet. Der Prozess wird wie beschrieben fortgefahren. Der höchste
NDVI-Wert ist abschließend der oberste Wert der fünften Klasse Wald. Im Abschnitt 4.1 sind
die festgelegten NDVI-Intervalle aufgelistet.
17
4. Ergebnisse
4.1 Ergebnisse der NDVI-Intervall-Festlegung
Nachdem, wie in Abschnitt 3.8 beschrieben, die NDVI-Intervalle der gesamten
Satellitenbilder festgelegt worden sind, ist Tabelle 2 entstanden. Diese Tabelle beinhaltet zu
jeder der fünf Klassen ein Intervall, welches zu jedem Satellitenbild individuell bestimmt
worden ist.
Tabelle 2: Empirisch festgelegte NDVI-Intervalle der fünf Klassen zu den jeweiligen Satellitenbildern. Die grün markierten Felder zeigen an, dass in diesen Satellitenbildern der Wald als „grün“ klassifiziert wurde.
Datum Wasser Versiegelte Fläche
Unbewirt-schaftete Felder
Bewirtschaftete Felder
Wald
18.04.2013 -0,199 - 0,017 0,017 - 0,112 0,112 - 0,185 0,347 - 0,579 0,185 - 0,347
25.04.2013 -0,186 – 0,008 0,008 – 0,103 0,103 – 0,183 0,3 – 0,595 0,183 – 0,3
05.06.2013 -0,201 - 0,025 0,025 - 0,123 0,123 - 0,214 0,214 - 0,396 0,396 - 0,655
08.06.2013 -0,119 - 0,039 0,039 - 0,139 0,139 - 0,260 0,260 - 0,420 0,420 - 0,613
07.07.2013 -0,157 - 0,014 0,014 - 0,169 0,169 - 0,260 0,260 - 0,420 0,420 - 0,636
14.07.2013 -0,146 - 0,029 0,029 - 0,158 0,158 - 0,260 0,260 - 0,420 0,420 - 0,617
15.08.2013 -0,012 - 0,026 0,026 - 0,130 0,130 - 0,208 0,208 - 0,300 0,300 - 0,590
09.09.2013 -0,168 - (-0,023) -0,023 - 0,101 0,101 - 0,206 0,512 - 0,617 0,206 - 0,512
25.09.2013 -0,040 - 0,019 0,019 - 0,111 0,111 - 0,159 0,409 - 0,493 0,159 - 0,409
02.10.2013 -0,064 - 0,018 0,018 - 0,102 0,102 - 0,149 0,362 - 0,499 0,149 - 0,362
12.11.2013 -0,122 - (-0,013) -0,013 - 0,051 0,051 - 0,099 0,211 - 0,481 0,099 - 0,211
04.03.2014 -0,083 - 0 0 - 0,057 0,057 - 0,118 0,201 - 0,470 0,118 - 0,201
11.03.2014 -0,159 - 0,004 0,004 - 0,085 0,085 - 0,126 0,228 - 0,502 0,126 - 0,228
20.03.2014 0,105 - 0,013 0,013 - 0,081 0,081 - 0,155 0,250 - 0,543 0,155 - 0,250
27.03.2014 -0,191 - 0,008 0,008 - 0,100 0,100 - 0,160 0,265 - 0,540 0,160 - 0,265
12.04.2014 -0,121 - 0,041 0,041 - 0,126 0,126 - 0,195 0,383 - 0,556 0,195 - 0,383
21.04.2014 -0,154 - 0,015 0,015 - 0,116 0,116 - 0,250 0,250 - 0,334 0,334 - 0,626
Aus Tab. 2 ist zu erkennen, dass das Intervall mit den niedrigsten NDVI-Werten zu der
Klasse Wasser gehört. Die Werte liegen zwischen -0,201 und 0,041. Darauf folgt die Klasse
versiegelte Fläche, welche im Bereich von -0,023 und 0,169 klassifiziert worden ist. Die dritte
klassifizierte Einheit sind unbewirtschaftete Felder. Unbewirtschaftete Felder sind eine
Vegetationseinheit, die im Satellitenbild als gelbe oder braune Felder zu erkennen sind. Der
minimale NDVI-Wert liegt bei 0,051, der maximale bei 0,260. Die Klassen mit den größten
NDVI-Werten sind bewirtschaftete Felder und Wald. Die Vegetationseinheit Wald ist
entweder als „brauner“ oder „grüner“ Wald klassifiziert worden. „Brauner Wald“ bedeutet,
dass die Laubbäume keine Blätter haben und aus diesem Grund braun erscheinen. Das
Intervall liegt zwischen 0,099 und 0,201. Im Gegensatz dazu charakterisieren „grüne“
Wälder, die Wälder, die aus Nadelbäumen und/oder aus Laubbäumen mit vitalen Blättern
bestehen.
18
Diese Vegetationseinheit wird klassifiziert im Bereich von 0,300 und 0,655 (vgl. Tab. 2 grüne
Markierung). Bewirtschaftete Felder liegen im Bereich von 0,201 und 0,595. In der folgenden
Grafik (Abb. 9) sind die NDVI-Intervalle der einzelnen Satellitenbilder in einem
Stapeldiagramm dargestellt.
Abbildung 9: NDVI-Intervalle der gesamten Satellitenbilder
Die Reihe der Satellitenbilder ist nicht nur in einer bestimmten Jahreszeit aufgenommen
worden, sondern über fast das ganze Jahr verteilt (April 2013 bis April 2014). In Abb. 9 ist zu
erkennen, dass in den Monaten April 2013 und November 2013 bis Mitte April 2014 die
Vegetationseinheit bewirtschaftete Felder einen größeren NDVI-Wert haben, als die Klasse
Wald. Auf den folgenden Seiten sind die Ergebnisse der NDVI-Klassifikation anhand der
Satellitenbildausschnitte dargestellt. Es werden nicht alle klassifizierten Satellitenbilder auf
den folgenden Seiten zu sehen sein, sondern nur eine Auswahl. Der Rest ist im Anhang zu
finden. Die Auswahl besteht aus sechs Satellitenbildern: zwei wolkenfreie Bilder (11.03.2014
und 27.03.2014), zwei Satellitenbilder, die etwa 10% Wolken und Schatten enthalten
(12.04.2014 und 04.03.2014), und zwei Satellitenbilder mit über 10% Wolken und Schatten
19
(18.08.2013 und 09.09.2013). Im Folgenden ist eine Farblegende dargestellt, welche Farbe
zur jeweiligen Klasse gehört.
4.2 Ergebnisse der NDVI-Klassifikation
Farblegende für die klassifizierten NDVI-Bilder
Wasser Versiegelte Fläche Unbewirtschaftete Felder Bewirtschaftete Felder Wald
Abbildung 10: RGB-Ausschnitt vom 11.03.2014; geografisch eingeordnet und nach Maßstab wie Abb.1. Dieser
Ausschnitt ist wolken- und schattenfrei.
Abbildung 11: NDVI-Klassifikation vom 11.03.2014 (siehe Abb.10)
20
Abbildung 12: RGB-Ausschnitt vom 27.03.2014; geografisch eingeordnet und nach Maßstab wie Abb.1. Dieser Ausschnitt ist wolken- und schattenfrei.
Abbildung 13: NDVI-Klassifikation vom 27.03.2014 (siehe Abb.12)
Die Abbildungen 10 und 12 sind wolkenfreie Ausschnitte. In den Abbildungen 11 und 13 sind
die Ergebnisse der NDVI Klassifikation dargestellt. Der Ausschnitt vom 11.03.2014 enthält
2,29 % Wasser, 11,70 % versiegelte Fläche, 14,12 % unbewirtschaftete Felder, 20,09 %
bewirtschaftete Felder und 51,81 % Wald. Wie in Abb. 10 zu erkennen ist, befindet sich der
Wald im blattlosen Zustand, daher erscheint dieser braun. Ein geringer Teil der versiegelten
Fläche wurde als Wasser klassifiziert. Dies ist am Flughafen Frankfurt am Main zu erkennen
(Abb. 11).
21
Der Ausschnitt vom 27.03.2014 enthält 1,88 % Wasser, 9,61 % versiegelte Fläche, 15,42 %
unbewirtschaftete Felder, 24,48 % bewirtschaftete Felder und 48,62 % Wald. Wie in dem
Ausschnitt vom 11.03.2014 ist auch in diesem Satellitenbild der Wald noch blattlos und
erscheint braun.
Abbildung 14: RGB-Ausschnitt vom 12.04.2014; geografisch eingeordnet und nach Maßstab wie Abb.1. Dieser Ausschnitt enthält bis zu 10% Wolkenanteil.
Abbildung 15: NDVI-Klassifikation vom 12.04.2014 (siehe Abb.14)
Abb. 14 ist ein Ausschnitt vom 12.04.2014 und besitzt etwa 5 % Wolkenanteil. Der
prozentuale Flächenanteil ist wie folgt verteilt: 1,88 % sind Wasser, 6,70 % versiegelte
22
Fläche, 17,03 % unbewirtschaftete Felder, 13,71 % bewirtschaftete Felder und 60,68 %
Wald. Im Osten des Ausschnittes sind in Abb. 14 Cumulusnimbusse (dichte, schwarze, wie
ein Berg aufgetürmte und von oben her nach allen Seiten sich ausbreitende Gewitterwolken
[Duden, 2016]) über unbewirtschafteten Feldern zu erkennen. Diese sind nach der NDVI
Klassifikation großflächig zu unbewirtschafteten Feldern klassifiziert worden (vgl. Tab. 3).
Das gleiche Schema ist in der linken oberen Ecke des Ausschnittes zu erkennen.
Abbildung 16: RGB-Ausschnitt vom 04.03.2014; geografisch eingeordnet und nach Maßstab wie Abb.1. Dieser Ausschnitt enthält bis zu 10% Wolkenanteil.
Abbildung 17: NDVI-Klassifikation vom 04.03.2014 (siehe Abb.16). Der lila Kasten kennzeichnet den Ausschnitt, der in der Tab. 2 für ein Beispiel der NDVI-Klassifikation von Cumulusnimbus und Schatten über Wald dargestellt ist.
Abb. 16 ist ein Ausschnitt vom 04.03.2014 mit einem Wolkenanteil von etwa 5 %. Die
Cumulusnimbusse befinden sich über dem Staatsforst Königsstein und eine Schleierwolke
23
über dem Rhein. Der prozentuale Flächenanteil teilt sich wie folgt auf: 1,89 % sind Wasser,
7,12 % versiegelte Fläche, 21,95 % unbewirtschaftete Felder, 20,10 % bewirtschaftete
Felder und 48,95 % Wald. Der prozentuale Flächenanteil an versiegelter Fläche ist deutlich
höher als in den wolkenfreien Ausschnitten. Ein kleines Stück vom Rhein wurde als
versiegelte Fläche klassifiziert. In Abb. 16 sind Schatten von den Cumulusnimbussen zu
erkennen. Diese sind, wie in Abb. 17 zu erkennen ist, als versiegelte Fläche klassifiziert
worden (vgl. Tab. 3). Die Cumulusnimbusse sind als unbewirtschaftete Felder identifiziert
worden (vgl. Tab. 3).
Abbildung 18: RGB-Ausschnitt vom 15.08.2013; geografisch eingeordnet und nach Maßstab wie Abb.1. Dieser Ausschnitt enthält über 10% Wolkenanteil.
Abbildung 19: NDVI-Klassifikation vom 15.08.2013 (siehe Abb.18). Die farbig markierten Kästen kennzeichnen Beispiele der NDVI-Klassifikation von Cumulusnimbussen und Schleierwolken, die in Tab. 2 dargestellt sind. Orange: Beispiel für Schleierwolken über Wasser. Gelb: Beispiel für Cumulusnimbusse über unbewirtschafteten Feldern.
24
Der Satellitenbildausschnitt vom 15.08.2013 (Abb. 18) enthält über 10 % Wolken. Der
Großteil der Wolken sind Schleierwolken, die sich fast über das ganze Bild erstrecken.
Einzelne Cumulusnimbusse sind auch zu erkennen. Der gesamte Ausschnitt besteht aus
0,14 % Wasser, 6,33 % versiegelter Fläche, 24,03 % unbewirtschaftete Felder, 39,33 %
bewirtschaftete Felder und 30,17 % Wald. Die Schleierwolken, die sich über den Rhein und
Main erstrecken, klassifizieren das Wasser als versiegelte Fläche (siehe Abb. 19 und
Tab. 3).
Abbildung 20: RGB-Ausschnitt vom 09.09.2013, geografisch eingeordnet und nach Maßstab wie Abb.1. Dieser Ausschnitt enthält über 10% Wolkenanteil.
Abbildung 21: NDVI-Klassifikation vom 09.09.2013 (siehe Abb.20). Die farbig markierten Kästen kennzeichnen Beispiele der NDVI-Klassifikation von Cumulusnimbussen, Schleierwolken und Schatten, die in Tab. 2 dargestellt sind. Rot: Beispiel für Cumulusnimbusse und Schatten über Wasser und bewirtschafteter Felder. Dunkelrot: Beispiel für Cumulusnimbusse, Schleierwolken und Schatten über versiegelter Fläche. Hellblau: Beispiel für Schatten über unbewirtschafteten Feldern.
25
Abb. 20 ist vom 09.09.2013. In Abb. 16 ist zu erkennen, dass schätzungsweise über 30 %
Wolken und Schatten in dem Satellitenbild enthalten sind. Der prozentuale Flächenanteil von
Wasser beträgt 1,14 %. Auffällig ist der Anteil von versiegelter Fläche und bewirtschafteten
Feldern. 29,00 % des gesamten Ausschnittes sind versiegelte Fläche und nur 1,35 %
bewirtschaftete Felder. Unbewirtschaftete Felder sind 30,14 % und Wald 38,38 % des
Ausschnittes.
In Abb. 17 sind die auffälligen Anteile deutlich zu erkennen. Über dem Rhein und dem Main
befinden sich Wolken und Schatten, wodurch das Wasser nicht als Wasser klassifiziert
wurde. Dicke Cumulusnimbusse und Schatten werden zu der Klasse versiegelte Fläche und
Schleierwolken zu unbewirtschafteten Feldern (vgl. Tab. 3). Wenn sich Wolken und Schatten
über versiegelter Fläche befinden, werden Schatten zu Wasser, Schleierwolken zu
unbewirtschafteten Feldern und Cumulusnimbusse bleiben versiegelte Fläche (vgl. Tab. 3).
Nicht nur über Wasser und versiegelter Fläche befinden sich in diesem Ausschnitt Wolken,
sondern über das gesamte Bild verteilt. Cumulusnimbusse werden im Allgemeinen als
versiegelte Fläche klassifiziert und Schatten als unbewirtschaftete Felder. Aus diesem Grund
sind die prozentualen Flächenanteile von versiegelter Fläche und unbewirtschafteten Feldern
deutlich höher als bei den wolkenfreien Ausschnitten.
26
Tabelle 3: Tabellarische Darstellung der NDVI-Ergebnisse von Bereichen, die von Cumulusnimbussen, Schleierwolken und Schatten bedeckt werden. Blau: Wasser; schwarz: versiegelte Fläche; braun: unbewirtschaftete Felder; hellgrün: bewirtschaftete Felder; dunkelgrün: Wald. Die RGB-Grundlage der Kartenausschnitte ist in Abb.8 zu entnehmen.
Cumulus- nimbusse
Beispiel einer NDVI Klassifikation von Cumulusnimbussen
Schleier-wolken
Beispiel einer NDVI Klassifikation von Schleierwolken
Schatten Beispiel einer NDVI Klassifikation von Schatten
Wasser
Versiegelte Fläche
Unbewirtschaftete
Felder
Keine
Verände-rung
beobachtet
Keine Veränderung beobachtet
Bewirtschaftete Felder
Keine
Verände-rung
beobachtet
Keine Veränderung beobachtet
Wald
Keine
Verände-rung
beobachtet
Keine Veränderung beobachtet
27
4.3 Prozentualer Flächenanteil nach der NDVI-Klassifikation der fünf
Klassen
In der nachfolgenden Tabelle (Tab. 4) sind die gesamten Flächenanteile der jeweiligen fünf
Klassen (Wasser, versiegelte Fläche, unbewirtschaftete Felder, bewirtschaftete Felder und
Wald) der einzelnen Satellitenbilder aufgelistet.
Tabelle 4: Prozentualer Flächenanteil der fünf Klassen für alle Satellitenbilder; die gelb markierten Felder sind wolkenlose Satellitenbilder
Datum Wasser Versiegelte Fläche
Unbewirtschaftete Felder
Bewirtschaftete Felder
Wald Wolken & Schatten
18.04.2013 1,45 % 34,02 % 25,13 % 5,70 % 33,70 % 35 %(S+W)
25.04.2013 1,75 % 6,08 % 12,29 % 33,74 % 46,14 % -
05.06.2013 1,77 % 16,54 % 17,08 % 31,18 % 33,43 % 10 %
08.06.2013 1,76 % 4,35 % 10,92 % 32,89 % 50,08 % -
07.07.2013 1,83 % 7,22 % 8,53 % 29,12 % 53,31 % -
14.07.2013 1,85 % 5,13 % 11,72 % 35,42 % 45,87 % -
15.08.2013 0,14 % 6,33 % 24,03 % 39,33 % 30,17 % 25 %
09.09.2013 1,14 % 29,00 % 30,14 % 1,35 % 38,38 % 37 %
25.09.2013 0,45 % 14,57 % 25,97 % 0,68 % 58,33 % 20 %
02.10.2013 1,38 % 6,83 % 11,58 % 6,75 % 73,46 % 2 %
12.11.2013 0,68 % 15,74 % 25,78 % 12,44 % 45,36 % 20 %
04.03.2014 1,89 % 7,12 % 21,95 % 20,10 % 48,95 % 5 %
11.03.2014 2,29 % 11,70 % 14,12 % 20,09 % 51,81 % -
20.03.2014 1,69 % 6,61 % 27,73 % 20,23 % 43,74 % 15 % (S)
27.03.2014 1,88 % 9,61 % 15,42 % 24,48 % 48,62 % -
12.04.2014 1,88 % 6,70 % 17,03 % 13,71 % 60,68 % 5 % (W)
21.04.2014 1,51 % 7,68 % 37,98 % 23,40 % 29,43 % 20 %
Die gelb markierten Felder sind die Satellitenbilder, die wolkenfrei sind. In diesen fünf
Ausschnitten sind keine störenden Wolken oder Schatten enthalten, wodurch falsche
Klassifikationen zustande kommen können. In der nachfolgenden Grafik (Abb. 22) sind die
prozentualen Flächenanteile der gesamten Satellitenbilder, die in Tab. 4 aufgelistet sind, in
einem Diagramm dargestellt.
28
Abbildung 22: Prozentuale Flächenanteile der fünf Klassen der gesamten Satellitenbilder. Die vertikalen schwarzen Striche weisen auf die wolkenfreien Ausschnitte hin.
In Abb. 22 ist zu erkennen, dass sich der prozentuale Flächenanteil von Wasser wenig
verändert. Dieser schwankt im Bereich von 0,14 % und 2,29 %. Im Gegensatz dazu
schwanken die vier weiteren Klassen sehr deutlich. Der prozentuale Flächenanteil von
versiegelter Fläche liegt zwischen 4,35 % und 34,02 %. 7,94 % ist der kleinste prozentuale
Flächenanteil an unbewirtschafteten Feldern und 37,98 % der maximalste. Bei
bewirtschafteten Feldern ist die Spanne noch größer, welche zwischen 0,68 % und 57,56 %
liegt. Die letzte zu klassifizierende Klasse ist die Vegetationseinheit Wald, dessen
prozentualer Flächenanteil zwischen 18,38 % und 73,43 % schwankt. Die schwarzen
senkrechten Striche in Abb. 22 kennzeichnen wolkenfreie Ausschnitte, welche in der
folgenden Grafik (Abb. 23) separat nochmals dargestellt sind.
29
Abbildung 23: Prozentuale Flächenanteile der fünf Klassen der wolkenfreien Satellitenbilder, die in Abb.22 mit den schwarzen, vertikalen Strichen markiert sind.
In Abb. 23 ist zu erkennen, dass die prozentualen Flächenanteile der jeweiligen Klassen viel
gleichmäßiger sind als in Abb. 22. Die Klasse Wasser ist nahezu linear. Der prozentuale
Flächenanteil der zwei Vegetationseinheiten bewirtschaftete Felder und Wald ist in den
sechs ausgewählten wolkenfreien Ausschnitten nicht konstant. Der Grund dafür sind die
Jahreszeiten.
0
10
20
30
40
50
60
4.25.2013 6.8.2013 7.7.2013 7.14.2013 3.11.2014 3.27.2014
Fläc
hen
ante
il [%
]
Datum von der Aufnahme der Satellitenbilder
Wasser versiegelte Fläche unbewirtschaftete Felder bewirtschaftete Felder Wald
30
4.4 Ergebnisse mit dem Ansatz SMACC
Mit dem Ansatz von SMACC kann auch eine Art Klassifikation durchgeführt werden. Es
werden Endmember ausgewählt, die die fünf zu untersuchenden Klassen darstellen. SMACC
wird auf die sechs ausgewählten wolkenfreien Ausschnitte angewendet. Aus den
gefundenen Endmembern wird der prozentuale Flächenanteil berechnet und mit den
Ergebnissen der NDVI Klassifikation verglichen. Bevor der Vergleich zwischen NDVI und
SMACC durchgeführt wird, hier diverse Beispiele der gefundenen Endmember:
Abbildung 24: Endmember Wasser aus dem Satellitenbildausschnitt vom 07.07.2013; geografisch eingeordnet und nach Maßstab wie Abb.1.
Abbildung 25: Endmember versiegelte Fläche aus dem Satellitenbildausschnitt vom 11.03.2014; geografisch eingeordnet und nach Maßstab wie Abb.1.
31
Abbildung 26: Endmember unbewirtschaftete Felder aus dem Satellitenbildausschnitt vom 08.06.2013; geografisch eingeordnet und nach Maßstab wie Abb.1. Dieses Endmember ist unbearbeitet.
Abbildung 27: Endmember bewirtschaftete Felder aus dem Satellitenbildausschnitt vom 27.03.2014; geografisch eingeordnet und nach Maßstab wie Abb.1.
32
Abbildung 28: Endmember Wald aus dem Satellitenbildausschnitt vom 25.04.2013; geografisch eingeordnet und nach Maßstab wie Abb.1. Dieses Endmember wurde bearbeitet, indem der prozentuale Flächenanteil aus den grauen Pixeln berechnet wurde. Weiß: versiegelte Fläche und unbewirtschaftete Felder; grau: Wald; schwarz:
bewirtschaftete Felder.
Abb. 24 bis 28 sind fünf Endmember, die durch den Ansatz SMACC entstanden sind. Jedoch
sind von diesen ausgewählten Endmembern nicht alle unbearbeitet. Das Endmember
unbewirtschaftete Felder wurde nach Entstehung nicht weiter bearbeitet. Die restlichen vier
ausgewählten Endmember wurden so bearbeitet, dass die einzelnen Klassen mehr zur
Geltung kommen. Dies bedeutet, dass Grauwertbereiche ausgewählt worden sind und nur
von diesen der prozentuale Flächenanteil berechnet wurde. In Abb. 24 bis 27 sind das, was
in weiß dargestellt ist die reinen Endmember. Um den prozentualen Flächenanteil zu
bestimmen, werden die schwarzen Pixel von den Gesamtpixeln abgezogen. Somit ist die
Anzahl an weißen Pixel bestimmt. Im letzten Schritt wird der prozentuale Flächenanteil der
weißen Pixel berechnet. Im nächsten Abschnitt sind die Ergebnisse der SMACC
Klassifikation in einer Tabelle im Vergleich zu den Ergebnissen der NDVI Klassifikation
dargestellt.
33
4.5 Vergleich der NDVI-Ergebnisse mit den SMACC-Ergebnissen
In der folgenden Tabelle (Tab. 5) sind die prozentualen Flächenanteile der NDVI-
Klassifikation gegenüber den der SMACC-Klassifikation aufgelistet.
In Tab. 5 sind die Ergebnisse der prozentualen Flächenanteile von den
Klassifikationsansätzen mittels NDVI und SMACC anhand von den sechs ausgewählten
wolkenfreien Ausschnitten gegenübergestellt. Mit Hilfe von SMACC wurden 22 Endmember
gefunden. Zwei von diesen sind unbearbeitet und in Tab. 5 mit einem Sternchen (*)
versehen.
Der Klassifikationsansatz mittels NDVI bringt folgende Ergebnisse des prozentualen
Flächenanteils für die Klasse Wasser hervor: Der Bereich liegt zwischen 1,74 % und 2,29 %.
Im Vergleich dazu liegt der Bereich mit Hilfe von SMACC zwischen 2,22 % und 2,71 %. Der
prozentuale Flächenanteil von versiegelter Fläche liegt mit Hilfe des Vegetationsindexes
zwischen 5,13 % und 11,70 %; mittels SMACC zwischen 5,08 % und 14,65 %. Eine weitere
Klasse sind die unbewirtschafteten Felder. Der berechnete Flächenanteil dafür liegt per
NDVI zwischen 7,94 % und 15,87 % und per SMACC zwischen 5,93 % und 15,37 %. Die
letzten beiden zu klassifizierenden Klassen sind bewirtschaftete Felder und Wald. Im Bereich
von 20,09 % und 57,56 % liegt der prozentuale Flächenanteil an bewirtschafteten Feldern
mit Hilfe von NDVI. Per SMACC liegt der Flächenanteil zwischen 19,59 % und 29,59 %.
Jedoch stehen zum Vergleich nur 3 Endmember zur Verfügung. Die mittels NDVI
klassifizierten prozentualen Flächenanteile von Wald liegen im Bereich von 18,38 % bis
51,81 %, mit Hilfe von SMACC zwischen 16,35 % und 56,06 %.
34
Tabelle 5: Gegenüberstellung der prozentualen Anteile von NDVI und SMACC. Dieser Vergleich wird mit den wolkenfreien Ausschnitten durchgeführt. Die mit einem * markierten prozentualen Flächenanteile stammen aus einem unbearbeiteten Endmember. Die orange gefärbten Felder gehören zu den zuvor aufgelisteten Endmembern in Abb.24-28. Die restlichen Endmember befinden sich im Anhang. Nicht zu allen Klassen wurde ein Endmember gefunden; diese Felder sind mit einem – markiert.
25.04.2013 08.06.2013 07.07.2013 14.07.2013 11.03.2014 27.03.2014
NDVI SMACC NDVI SMACC NDVI SMACC NDVI SMACC NDVI SMACC NDVI SMACC
Wasser 1,75% - 1,74% 2,54% 1,85% 2,71% 1,85% 2,34% 2,29% 2,22% 1,88% -
versiegelte Fläche 6,08% 5,54% * 9,59% 9,81% 6,34% 10,11% 5,13% 5,08% 11,70% 14,65% 9,61% -
unbewirtschaftete Felder 12,29% - 7,94% 7,90% 15,87% 5,93% 11,72% 15,37% 14,12% 12,52% 15,42% 13,38% *
bewirtschaftete Felder 33,74% 29,59% 48,18% - 57,56% - 35,42% - 20,09% 19,59% 24,48% 26,01%
Wald 46,14% 54,48% 32,55% 56,06% 18,38% 34,79% 45,78% 16,35% 51,81% 53,52% 48,62% -
35
5. Diskussion
Ein qualitativer Vergleich soll abschließend die Genauigkeit der gewählten Verfahren klären.
Hierbei sollen die guten Ergebnisse der Verfahren hervorgehoben und diskutiert werden,
aber auch die jeweiligen Grenzen dieser Verfahren aufgezeigt werden.
Das Klassifikationsverfahren mit der Unterstützung von NDVI wurde empirisch und die
Intervalle selbst festgelegt. Die Schwierigkeit liegt darin, dass jeder Satellitenbildausschnitt
einen unterschiedlichen NDVI-Wertebereich besitzt und die Intervallgrenzen oft
unterschiedlich sind. Für jede zu klassifizierende Klasse wird ein individuelles NDVI-Intervall
festgelegt und der prozentuale Flächenanteil berechnet. Die Satellitenbildausschnitte weisen
unterschiedliche Wolkensituationen auf. Die Bilder, die wolkenfrei sind, sind sehr gut zu
klassifizieren. Dies beweist beispielsweise die Abb. 13 vom 27.03.2014. Wird die Abb. 12 mit
der Abb. 13 verglichen, ist zu erkennen, dass die Klasse Wasser sehr gut klassifiziert wurde.
Versiegelte Fläche ist im Vergleich zu der Realität zu wenig klassifiziert worden. Dies ist
auch später im Vergleich zwischen dem Ansatz mit Hilfe von NDVI und SMACC zu
erkennen. Die unbewirtschafteten Felder sind gut identifiziert worden. Zusätzlich zu den
unbewirtschafteten Feldern ist ein Teil der versiegelten Fläche auch als diese Klasse
klassifiziert worden (vgl. Abb. 13). Die Vegetationseinheiten (bewirtschaftete Felder und
Wald) werden in den wolkenfreien Ausschnitten im Großen und Ganzen gut erkannt.
Wolken sind nicht gleich Wolken. In dieser Arbeit werden Wolken in Cumulusnimbusse und
Schleierwolken unterschieden, welche die Klassifikation mit Hilfe des Vegetationsindexes
erschweren. Wie in Abb. 20 zu erkennen ist, enthält dieser Ausschnitt über 10 %
Cumulusnimbusse. In den Ergebnissen ist beschrieben, dass der prozentuale Flächenanteil
von versiegelter Fläche deutlich höher ist als bei den wolkenfreien Ausschnitten. Der Grund
dafür ist, dass die Cumulusnimbusse über Wasser und bewirtschafteten Feldern als
versiegelte Flächen klassifiziert werden. Das gleiche Problem liegt bei den
unbewirtschafteten Feldern vor. Folglich verfälschen Cumulusnimbusse und Schleierwolken
das Ergebnis der prozentualen Flächenanteile, vor allem bei versiegelten Flächen und
unbewirtschafteten Feldern. Bei Wolkenanteilen bis zu 5 % fällt die fehlerhafte Klassifikation
nicht ins Gewicht (vgl. Tab. 4). Doch bei einem Wolkenanteil über 10 % stößt der
Klassifikationsansatz mittels NDVI an seine Grenzen, da keine realistischen Ergebnisse
zustande kommen. Schatten von Wolken sind zusätzlich ein Faktor, der die Ergebnisse
erheblich verschlechtert (siehe Abb. 21).
36
SMACC ist eine Klassifikationsmethode, die automatisch funktioniert und als Voreinstellung
die Endmemberanzahl manuell bestimmt werden kann. In Endmembern werden reine
Objekte dargestellt, welche in weiß präsentiert werden. Durch die automatische Klassifikation
gibt es keine Einwirkung von außen, was bedeutet, dass keine manuellen
Klassifikationsfehler entstehen können. Zwei von den insgesamt 22 brauchbaren
Endmembern konnten unbearbeitet für die Berechnung des prozentualen Flächenanteils
verwendet werden. Die Klasse Wasser wurde ebenfalls gut klassifiziert wie mit der Methode
des Vegetationsindexes. Die versiegelten Flächen wurden im Vergleich zu NDVI genauer
klassifiziert. Im Vergleich zwischen Abb. 25 und 26 wird beobachtet, dass die versiegelte
Fläche sehr gut erkannt wurde. Jedoch wurde das Endmember bearbeitet, so dass der
Kontrast zwischen schwarz und weiß größer wird. Ein unbearbeitetes Endmember von
versiegelter Fläche ist vorhanden und zeigt, dass der prozentuale Flächenanteil im Vergleich
zu dem bearbeiteten Endmember um die Hälfte kleiner ist.
Abbildung 29: Unbearbeitetes Endmember versiegelte Fläche vom 25.04.2013. In diesem Endmember sind 5,54 % versiegelte Fläche enthalten.
37
Abbildung 30: Bearbeitetes Endmember versiegelte Fläche vom 11.03.2014. In diesem Endmember sind 14,65 % versiegelte Fläche enthalten.
In den Abbildungen 29 und 30 ist der Vergleich zweier Endmember (versiegelte Fläche)
dargestellt. Abb. 29 ist ein unbearbeitetes Endmember und Abb. 30 ein Bearbeitetes. Die
prozentualen Flächenanteile von versiegelter Fläche unterscheiden sich signifikant. Dies ist
ein Beispiel dafür, dass die entstandenen Endmember aus der automatischen Methode
zuvor manuell überprüft werden müssen, bevor weitere Berechnungen folgen.
Die beiden verwendeten Klassifikationsansätze bringen Vor- und auch Nachteile mit sich. Ein
Vorteil des Ansatzes mit Hilfe von NDVI ist es, dass für jedes einzelne Satellitenbild eigene
Intervallbereiche manuell festgelegt werden können. Jedoch bringt dieser Vorteil auch gleich
einen Nachteil mit sich. Der zeitliche Aufwand dieser Klassifikation ist anfangs sehr hoch.
Doch das Auge wird von Zeit zu Zeit trainierter, wodurch der Aufwand pro Bild kleiner wird.
Jedoch schleicht sich dabei ein weiterer Nachteil ein. Wenn das Auge von Zeit zu Zeit
trainierter wird, sind die Ergebnisse zu Beginn nicht so optimal, wie nach beispielsweise
zehn klassifizierten Bildern. Da wäre es sinnvoll, die vom Anfang nochmals zu klassifizieren.
Des Weiteren entstehen Schwierigkeiten bei der Differenzierung zwischen verschiedenen
Vegetationsarten aufgrund der Ähnlichkeit ihrer spektralen Signaturen. In dieser Arbeit soll
eine Differenzierung zwischen verschiedenen Vegetationseinheiten vorgenommen werden.
Unbewirtschaftete und bewirtschaftete Felder können mit Unterstützung von NDVI gut
auseinander gehalten werden. Außerdem gibt es die Möglichkeit zwischen Laub- und
Nadelwald zu unterscheiden. Der Grund dafür ist, dass der Nadelwald in den Wintermonaten
grün bleibt und der Laubwald zu der Zeit blattlos ist und braun erscheint. Doch Unterschiede
zwischen einzelnen Pflanzeneinheiten mit Blättern zu erkennen, gestaltet sich als sehr
schwierig und fast unmöglich.
38
Bei SMACC ist der Vorteil, dass das Zusammenstellen und Detektieren von Endmembern
vollautomatisch abläuft. Jedoch bringt diese Methode nicht nur Vorteile mit sich. Ein Nachteil
ist, dass keine Klassifikation der Endmember erfolgt. Aus diesem Grund wird somit eine
manuelle Identifikation der Endmember durchgeführt. Es muss darauf geachtet werden, dass
es reine Endmember sind und keine Mischung aus verschiedenen Klassen. Dies kann durch
einen Vergleich mit dem passenden RGB Bild erfolgen. Fehlerhafte Endmember, die aus
verschiedenen Materialien bestehen, tragen nicht positiv zu der Berechnung der
prozentualen Flächenanteile der einzelnen Klassen bei. Ein Beispiel eines fehlerhaften
Endmembers ist in der folgenden Abbildung (Abb. 31) dargestellt.
Abbildung 31: Fehlerhaftes Endmember aus der Klassifikationsmethode SMACC. Mit dem Endmember soll Wasser dargestellt werden, aber andere Klassen sind ebenfalls hell dargestellt, was zu einem fehlerhaft berechneten Flächenanteil führt.
Abb. 31 stellt ein fehlerhaftes Endmember dar, welches Wasser widerspiegeln soll. Dies führt
bei der Berechnung des prozentualen Flächenanteils zu einem falschen Ergebnis. Um dies
zu verhindern, wird die Verteilung der Grauwerte so bearbeitet, dass nur noch die zu
klassifizierende Klasse (weiß) erkennbar ist.
Zusammenfassend kann gesagt werden, dass beide Klassifikationsmethoden gute
Ergebnisse erzielen, jedoch jedes einzelne seine Vor- und Nachteile besitzt. Im Vergleich
beider Methoden ist zu erkennen, dass die Klasse Wasser bei beiden sehr gut klassifiziert
wurde. Im Mittel unterscheiden sich die prozentualen Flächenanteile um 0,56 %. Bei den
versiegelten Flächen können Unterschiede beobachtet werden. In den wolkenfreien
Ausschnitten wird mit der Methode des Vegetationsindexes prozentual gesehen weniger
39
Fläche identifiziert als bei dem Ansatz von SMACC. Der berechnete Flächenanteil mit
SMACC ist im Durchschnitt um 1,27 % größer als der mit Hilfe von NDVI. Wird der
prozentuale Flächenanteil von den unbewirtschafteten Feldern verglichen, wird mit
Unterstützung der Methode von SMACC im Mittel 1,99 % weniger Fläche klassifiziert als mit
NDVI. Bei der Vegetationseinheit bewirtschaftete Felder ist es ähnlich wie bei den
unbewirtschafteten Feldern. Es werden mittels SMACC 1,04 % Fläche von bewirtschafteten
Feldern weniger identifiziert als mit NDVI. Des Weiteren sind mittels SMACC 4,11 % mehr
Fläche von Wald klassifiziert worden als mit der Methode von NDVI. Abschließend sind
beide Methoden als gut zu bewerten, doch kann mit dem Ansatz von NDVI jede
Intervallgrenze einzeln manuell festgelegt werden. Jedoch stößt die Methode mit Hilfe von
NDVI bei einem gewissen Prozentsatz an Wolken an ihre Grenzen. Mit beiden Methoden ist
es eine Herausforderung verschiedene Pflanzenarten zu unterschieden.
40
7. Quellenverzeichnis
[Albertz, 2001] Albertz, J. (2001): Einführung in die Fernerkundung - Grundlagen der
Interpretation von Luft- und Satellitenbildern. Darmstadt: Wissenschaftliche
Buchgesellschaft.
[Baret und Guyot, 1991] Baret, E und Guyot, G. (1991): Potentials and limits of
vegetation indices for LAI and APAR assessment. Remote Sensing of Environment
35:161-173.
[Bullock, 1992] Bullock, P. R. (1992): Operational estimates of western Canadian grain
production using NOAA AVHRR LAC data. Canadian Journal of Remote Sensing 18 (1):
23-28.
[Colwell, 1963] Colwell, R. N. (1963): Basic Matter and Energy Relationships Involved in
Remote Reconnaissance Photogrammetric Engineering 29. S. 761-799.
[DeMarine, 2015] Brockmann Consult GmbH (2015): DeMarine Umwelt.
http://www.demarine-umwelt.de/lr/image/image_gallery?uuid=5f192ea2-e5a1-4317-9f02-
fcc2f28548e9&groupId=10136&t=1259145829404; Zugriff am 12.12.2015.
[Duden, 2016] Bibliographisches Institut GmbH (2015): Duden.
http://www.duden.de/rechtschreibung/Kumulonimbus; Zugriff am 21.01.2016.
[Fe-Lexikon, 2015] Baldenhofer, K. G. (2015): Lexikon der Fernerkundung.
http://www.fe-lexikon.info/FeLexikon.htm; Zugriff am 03.01.2016.
[Fraser und Kaufmann, 1985] Fraser, R. S. und Kaufman, Y. J. (1985): The relative
importance of scattering and absorption in remote sensing. IEEE Transactions on
Geoscience and Remote Sensing 23: 625-633.
[Geoinformatik, 2016] Reudenbach, C. (2015): Methoden der Geoinformatik.
http://geoinformatik.lehrewelt.de/charakterisierung-von-fernerkundungssystemen/;
Zugriff am 02.01.2016.
41
[Geovlex, 2015] Martin-Luther-Universität Halle-Wittenberg (2015). GEOVLEX Online-
Lernmodule:
http://mars.geographie.uni-halle.de/geovlexcms/golm/geofern/aufloesungen/radiometrisch;
Zugriff am 26.10.2015.
[Golfshop Info, 2016] Remus, A. (2015): Golfshops.
http://www.golfshops.info/deutschlandkarte; Zugriff am 10.01.2016.
[Gruniger et al., 2004] Gruniger, J., Ratkowski, A. J. und Hoke, M. L. (2004): The
sequential maximum angle convex cone (SMACC) endmember model. Society of Photo-
Optical Instrumentation Engineers. Vol. 5425-1.
[Hildebrandt, 1996] Hildebrandt, G. (1996): Fernerkundung und Luftbildmessung für
Forstwirtschaft, Vegetationskartierung und Landschaftsökologie. Heidelberg: Herbert
Wichmann Verlag.
[Holben, 1986] Holben, B. N. (1986): Characteristics of maximum-value composite images
from temporal AVHRR data. International Journal of Remote Sensing 7: 1417-1434.
[Holben et al., 1990] Holben, B. N., Kaufman, Y.J. und Kendall, J. D. (1990): NOAA-11
AVHRR visible and near-IR inflight calibration. International Journal of Remote Sensing 11
(8): 1511-1519.
[Holben und Fraser, 1984] Holben, B. N. und Fraser, R. S. (1984): Red and near-infrared
sensor response to off-nadir viewing. International Journal of Remote Sensing 5: 145-160.
[Holben und Justice, 1981] Holben, B. N. und Justice, C. O. (1981): An examination of
spectral band ratioing to reduce the topographic effect on remotely sensed data.
International Journal of Remote Sensing 2: 115-133.
[Jackson et al., 1983] Jackson, R. D., Slater, P. N. and Pinter, P. J. (1983): Discrimination
of growth and water stress in wheat by various vegetation indices through clear and turbid
atmospheres. Remote Sensing of Environment 13: 187-208.
[Jones, 2010] Jones, H. G. und Vaughan, R. A. (2010): Remote Sensing of Vegetation:
Principles, Techniques, and Applications. U.S.A. : Oxford University Press.
42
[Kaufman, 1984] Kaufman, Y. J. (1984): Atmospheric effects on remote sensing of
surface reflectance. SPIE Remote Sensing 475: 20-33.
[Kaufman und Holben, 1993] Kaufman, Y. J. und Holben, B. N. (1993): Calibration of the
AVHRR visible and near-IR bands by atmospheric scattering, ocean glint and desert
reflection. International Journal of Remote Sensing 14 (1): 21-52.
[Kerr et al., 1989] Kerr, Y. H., Imbernon, J., Dedieu, G., Hautecoeur, O., Lagouarde, J.
und Seguin, B. (1989): NOAA AVHRR and its uses for rainfall and evapotranspiration
monitoring. International Journal of Remote Sensing 10: 847-854.
[Landsat Science, 2015] NASA Landsat Science (2015):
http://landsat.gsfc.nasa.gov/?page_id=5377; Zugriff am 27.10.2015
[Micasense, 2015] MicaSense (2015): http://www.micasense.com/;
Zugriff am 10.12.2015.
[NASA, 2015] Landsat Data Continuity Mission (2015):
http://www.nasa.gov/pdf/716683main_LDCM_Brochure_FINAL_508.pdf;
Zugriff am 03.01.2016.
[Nicholson 1990] Nicholson, S. E., Davenport, M. L. und Malo, A. D. (1990): A
comparison of the vegetation response to rainfall in the Sahel and East Africa, using NDVI
from NOAA AVHRR. Climate Change 17: 209-214.
[Rouse et al., 1974] Rouse, J. W., Haas, R. W., Schell, J. A., Deering, D. W. und Harlan,
J. C. (1974): Monitoring the vernal advancement and retrogradation (Greenwave effect) of
natural vegetation. NASA/GSFCT Type III Final Report, Greenbelt, MD, USA.
[Schulmodell, 2015] Jahre, T. (2015): Chemnitzer Schulmodell
http://www.schulmodell.eu/index.php/astronomie/822-geostationaere-satelliten.html;
Zugriff am 03.01.2015.
[Sellers, 1985] Sellers, P. J. (1985): Canopy reflectance, photosynthesis and transpiration.
International Journal of Remote Sensing 6: 1335-1372.
43
[Seos, 2015] Einführung in die Fernerkundung (2015):
http://www.seos-project.eu/modules/remotesensing/remotesensing-c03-p03.de.html;
Zugriff am 19.10.2015.
[Spektrum, 2015] Spektrum der Wissenschaft Verlagsgesellschaft mbH (2015): Spektrum:
http://www.spektrum.de/frage/warum-ist-der-himmel-blau/1223163; Zugriff am 03.01.2016.
[Spiegel Wissenschaft, 2015] Spiegel Online GmbH (2015): Erdbeobachtung: Nasa
startet neuen Landsat – Satelliten:
http://www.spiegel.de/wissenschaft/weltall/erdbeobachtung-nasa-startet-neuen-landsat-
satelliten-a-882801.html; Zugriff am 03.01.2016.
[Tucker und Sellers, 1986] Tucker, C. J. und Sellers, P. J. (1986): Satellite remote
sensing of primary production. International Journal of Remote Sensing 7: 1395-1416.
[Uni Bonn, 2015 a] Fis (2015):
http://www.fis.uni-bonn.de/recherchetools/infobox/profis/faszination-
fernerkundung/infrarote-pflanzen; Zugriff am 11.01.2016.
[Uni Bonn, 2015 b] Fis (2015):
http://fis.unibonn.de/recherchetools/infobox/profis/aufl%C3%B6sung/; Zugriff am
03.01.2016.
[USGS, 2015] U.S. Geological Survey (2015): Landsat – Earth observation satellites. U.S.
Geological Survey Fact Sheet 2015-3081, 4p: http://dx.doi.org/10.3133/fs20153081.;
Zugriff am 03.01.2016.
[Wolkenatlas, 2006] Mühr, B. (2006): Der Karlsruher Wolkenatlas.
http://www.wolkenatlas.de/wolken/descr.htm; Zugriff am 03.01.2016.
44
8. Anhang
Weitere Ergebnisse der NDVI Klassifikation
Oben das RGB Bild und folgend das zugehörige klassifizierte Bild; geografisch eingeordnet
und nach Maßstab wie Abb.1.
18.04.2013
45
25.04.2013
46
05.06.2013
47
08.06.2013
48
07.07.2013
49
14.07.2013
50
25.09.2013
51
02.10.2013
52
12.11.2013
53
20.03.2014
54
21.04.2014
55
Weitere Ergebnisse mit dem Ansatz SMACC
25.04.2013
Endmember versiegelte Fläche
Endmember bewirtschaftete Felder
56
08.06.2013
Endmember Wasser
Endmember versiegelte Fläche
57
Endmember Wald
07.07.2013
Endmember versiegelte Fläche
58
Endmember unbewirtschaftete Felder
Endmember Wald
59
14.07.2013
Endmember Wasser
Endmember versiegelte Fläche
60
Endmember unbewirtschaftete Felder
Endmember Wald
61
11.03.2014
Endmember Wasser
Endmember unbewirtschaftete Felder
62
Endmember bewirtschaftete Felder
Endmember Wald
63
27.03.2014
Endmember unbewirtschaftete Felder