Erfassung Von Baumplantagen Im Inselstaat Vanuatu Mittels Landsat- Und Aster-Satellitendaten

Friedrich-Schiller-Universität Jena SoSe2007 Institut für Geographie

GEO 390: „Bachelorarbeit“

Betreuung: Dr. Martin Herold

Erfassung von Baumplantagen im Inselstaat

Vanuatu mittels Landsat- und Aster-Satellitendaten

Bachelorarbeit

vorgelegt von:

André Armstroff

Studiengang: Geographie B. Sc.

Semester: 6/6

Abgabedatum: 31.08.2007

II

Inhalt

Abbildungen………………………………………………………………… IV

Tabellen……………………………………………………………………… V

Abkürzungen………………………………………………………………... VI

Vorwort……………………………………………………………………… VII

1 Einleitung……………………………………………………………….1

2 Untersuchungsgrundlagen……………………………………………..2

2.1 Vanuatu und der Kokosanbau…………………………………..2

2.2 Kokosplantagen und -produkte………………………………....4

2.3 Gründe für die Plantagenerfassung……………………………..6

2.3.1 Voraussetzungen für die nachhaltige, effiziente

Nutzung des tropischen Regenwaldes………………...6

2.3.2 Konsequenzen nachhaltiger Nutzung…………………7

2.3.3 Politische Grundlagen für eine nachhaltige und

ökonomische Nutzung………………………………..10

2.4 Spektrale Eigenschaften von Vegetation………………....…….11

2.5 Aktueller Forschungsstand……………………………………..12

2.6 Ziele und Aufbau dieser Arbeit………………………………...15

3 Datenbeschreibung und -vorverarbeitung…………………………..18

3.1 ASTER-Daten………………………………………………….18

3.2 Landsat-Daten…………………………………………………..20

3.3 Weitere Referenzdaten…………………………………………22

3.4 Datenvorverarbeitung…………………………………………..23

4 Datenverarbeitung………………………………………………….....25

4.1 Unterscheidbarkeit der Kokosbedeckungen von anderen

Landbedeckungen mit Hilfe der verfügbaren Daten…………...25

4.1.1 Differenzierbarkeit verschiedener

Landbedeckungsklassen……………………………....26

4.1.2 Auswahl der geeignetsten Daten……………………..28

4.2 Erstellung einer kartographischen Illustration der

Kokosplantagenverteilung……………………………………...30

III

4.2.1 Vorbereitenden Schritte………………………………30

4.2.2 Das Prinzip der Klassifikation………………………..31

4.2.3 Durchführung der unüberwachte Klassifikation……...32

4.3 Genauigkeitsanalyse……………………………………………36

4.3.1 Grundlagen der Genauigkeitsanalyse………………....36

4.3.2 Durchführung der Genauigkeitsanalyse……………....38

5 Ergebnisse……………………………………………………………...39

5.1 Trennbarkeit verschiedener Landbedeckungsklassen…………..39

5.2 Kanaleignung zur Kokos-Nicht-Kokos-Trennung……………...46

5.3 Kartographische Darstellung der Kokosplantagenverteilung…...48

5.4 Ergebnis der Genauigkeitsanalyse……………………………....53

6 Fazit……………………………………………….................................55

Literatur…………………………………………………………………… ...56

Anhang……………………………………………………………………….62

IV

Abbildungen

Abb. 1 Lage Vanuatus im Pazifik………………………………………... 2

Abb. 2 Vanuatu……………………………………………....................... 3

Abb. 3 Palmenanordnungen auf Kokosplantagen…...................................5

Abb. 4 Zwischenfruchtbau von Maniok, Süßkartoffeln und Taro auf

einer Kokosplantage………………………………………………5

Abb. 5 Hauptursachen tropischer Entwaldung…………………………....7

Abb. 6 Muster selektiv gefällten Waldes, zur Korridorerhaltung………...9

Abb. 7 Anteil der Entwaldung an der jährlichen, mittleren, globalen

Kohlenstoffdioxid-Emission………………………………………9

Abb. 8 Reflektionseigenschaften von Vegetation………………………..12

Abb. 9 Ablaufplan der Bachelorarbeit……………………………………17

Abb. 10 Spektrale Kanäle von ASTER und Landsat-ETM………………..19

Abb. 11 Datenlücken der ETM-Daten……………………………………..21

Abb. 12 Versatz zwischen ASTER- und VANRIS-Datensatz……………..23

Abb. 13 PCA-Dekorrelation eines bivariaten Datensatzes………………...27

Abb. 14 Dunsteffekt in einer ASTER-Szene………………………………34

Abb. 15 Zerstörter ASTER-Datensatz……………………………………..34

Abb. 16 Kokosplantage über 60% Bedeckungsgrad……………………….39

Abb. 17 Kokosplantagen 15 bis 60% Bedeckungsgrad……………………40

Abb. 18 Kokosplantagen unter 15% Bedeckungsgrad…………………….40

Abb. 19 Nicht-Kokosplantage über 60% Bedeckungsrad…………………41

Abb. 20 Tropischer Primärwald…………………………………………....41

Abb. 21 Busch- und Strauchland…………………………………………..42

Abb. 22 Reflektanzvergleich in den ASTER-Kanälen……………………..43

Abb. 23 Reflektanzvergleich in den TM-Kanälen…………………………43

Abb. 24 Kokosplantagenverteilung auf Éfaté……………………………...50

Abb. 25 Kokosplantagenverteilung auf Espiritu Santo……………………51

Abb. 26 Kokosplantagenverteilung auf Malakula…………………………52

V

Tabellen

Tab. 1 Eigenschaften der ASTER-Kanäle………………………………..19

Tab. 2 Eigenschaften der Landsat-7-ETM-Kanäle……………………….21

Tab. 3 Error-Matrix……………………………………………………….37

Tab. 4 Jeffries-Matusita-Indizes der Landbedeckungsklassen aus

ASTER-Kanal 1 bis 9……………………………………………..44


ASTER-Hauptkomponente 1 bis 6……………………………......45


Landsat-TM-Kanal 1 bis 7………………………………………...45


Landsat-TM-Hauptkomponente 1 bis 5…………………………..45

Tab. 8 Geeignetste Kanäle zur Kokos-Nicht-Kokos-Trennung………….47

Tab. 9 Jeffries-Matusita-Indizes der Kokos-Nicht-Kokos-

Unterscheidung mit ausgewählten Kanalkombinationen…………47

Tab. 10 Ausgewiesene Flächengrößen in Hektar………………………….53

Tab. 11 Errormatrix der Genauigkeitsanalyse der

Kokosplantagenklassifikation……………………………………..53

VI

Abkürzungen

AA Auswärtiges Amt

ART-MMAP Adaptive Resonance Theory – Mixture Mixture Analysis Model

ASTER Advanced Spaceborne Thermal Emission and Reflection Radiometer

BMLV Bundesministerium für Landesverteidigung

CDM Clean Development Mechanism

CRN Coalition of Rainforest Nations

CSIRO Commonwealth Scientific and Industrial Research Organization

DN Digital Number

ETM Enhanced Thematic Mapper

FAO Food and Agriculture Organization of the United Nations

HKBU Hong Kong Baptist University

ISODATA Iterative Self-Organizing Data Analysis Technique

NASA National Aeronautics and Space Administration

NDWI Normalized Difference Water Index

PCA Principal Component Analysis

RMU Research Mapping Unit

SWIR Shortwave Infrared

TM Thematic Mapper

TIR Thermal Infrared

UN United Nations

UNBC University of Northern British Columbia

UNFCCC United Nations Framework Convention on Climate Change

USGS United States Geological Survey

UT University of Texas

UTM Universal Transverse Mercator

VANRIS Vanuatu Resource Information System

VITO Flemish Institute for Technological Research

VNIR Visible and Near Infrared

VTO Vanuatu Tourism Office

VUW Vicoria University of Wellington

VII

Vorwort

Im Vorfeld dieser, am Lehrstuhl für Fernerkundung zu Jena erstellten Arbeit,

möchte ich jenen Personen danke, die mir bei der Bearbeitung zur Seite standen.

In erster Linie handelt es sich dabei um Frau Prof. Dr. Christiane Schmullius,

die während des Studiums mein Interesse am wissenschaftlichen Arbeiten im

Bereich der Fernerkundung geweckt hat. Weiterhin möchte ich in ganz besonderer

Form meinem Betreuer Dr. Martin Herold sowie Jaqueline Sambale danken, die

mich zu jeder Zeit mit ausführlichen Hilfestellungen und zahlreichen Ratschlägen

unterstützten.

Darüber hinaus möchte ich allen danken, die mir über den

Bearbeitungszeitraum mit Vorschlägen, Anregungen, aber auch Ablenkungen

beistanden. Namentlich möchte ich hier Michael Schultz, Martin Lindner, Kristina

Eritt, Stefan Stange, Norman Bösel, Robert Eckardt und Marcel Urban hervorheben.

Mein besonderer Dank gilt meinen Eltern, die mir mit ihrer engagierten

Unterstützung den Rücken freihielten, so dass ich mich gänzlich auf diese Arbeit

konzentrieren konnte.

1

1 Einleitung

Seit jeher wurde der tropische Regenwald von den Menschen genutzt, jedoch

nie zuvor so sehr, wie dies heutzutage der Fall ist. Jährlich werden durch die

Entwaldung in den Tropen - deren Wälder circa die Hälfe aller weltweiten Bestände

ausmachen - rund 1,7 Gigatonnen Kohlenstoff freigesetzt (WATSON 2000:o.S.;

WOOD 2004:o.S.). Da dieser Wert in den kommenden Jahrzehnten voraussichtlich

weiter steigen wird und der tropische Regenwald durch seine Funktion als

Kohlenstoff-Senke einen großen Einfluss auf das globale Klimageschehen hat, ist es

wichtig, den Rückgang der tropischen Regenwälder zu verfolgen und

entgegenwirkende Maßnahmen zu ergreifen (POTTER 1999:769).

Derartige Ziele verfolgt beispielsweise die Coalition of Rainforest Nations

(CRN), ein internationaler Zusammenschluss tropischer Entwicklungsländer, die

versuchen, die Verwaltung des tropischen Regenwaldes mit den ökonomischen

Zielen zu vereinigen. Zu diesen Nationen zählt auch Vanuatu (CRN 2007:o.S.).

Da sich in Vanuatu die Entwaldung vorwiegend auf der Anlage von Plantagen,

respektive Kokosplantagen begründet, gilt es dort, deren Verteilung, Ausdehnung

und Ausbreitung zu verfolgen und gegebenenfalls zu regulieren (BELLAMY 1991:49;

HEROLD 2007:o.S.).

Ersteres, das heißt, die Verteilung und Ausdehnung abzuschätzen, ist Ziel

dieser Arbeit. Da die ausgedehnten Regenwälder Vanuatus schlecht zugänglich sind,

ist die Fernerkundung für die Kartierung der Kokosgebiete besonders geeignet, da

mit dieser relativ große Gebiete, schnell und verhältnismäßig kostengünstig

untersucht werden können (BISCHOFF 2003:o.S.; CONGALTON 1999:2; VTO

2007:o.S.).

Zur Ausweisung der Kokosplantagen standen Szenen des Advanced

Spaceborne Thermal Emission and Reflection Radiometer (ASTER) zur Verfügung.

Als Referenz, beziehungsweise zur Genauigkeitsabschätzung, wurden Landsat-

Enhanced-Thematic-Mapper (ETM)- und Thematic-Mapper (TM)-Daten, das 1985

im Rahmen des Vanuatu Forest Resource Survey Project aufgenommene Vanuatu

Resource Informations System (VANRIS) sowie Google Earth, verwendet.

2

2 Untersuchungsgrundlagen

2.1 Vanuatu und der Kokosanbau

Vanuatu ist ein aus 83 Inseln bestehender Staat im Süd-West-Pazifik (siehe

Abb. 1) (VTO 2007:o.S.). Die größte Insel ist Espiritu Santo (siehe Abb. 2) mit

knapp 4000 Quadratkilometern. Die Eilande sind hauptsächlich vulkanischen

Ursprungs, wobei viele auch heute noch aktiv sind. Sie weisen daher eine hohe

Reliefenergie auf. Der Inselstaat wird vom tropischen bis subtropischen Klima

beeinflusst und ist von großräumigen Regenwaldgebieten bedeckt (VTO 2007:o.S.).

Vanuatu wird seit circa 4000 Jahren von Menschen bewohnt (VTO 2007:o.S.).

Ab dem späten 18. Jahrhundert siedelten sich die ersten Europäer an (VTO

2007:o.S.). Von 1906 bis 1980 stand es unter britisch-französischer

Kondominiumsherrschaft (VTO 2007:o.S.). Der seit 1980 unabhängige Staat trat

1981 den Vereinten Nationen bei (VTO 2007:o.S.). Seit 2005 ist Vanuatu darüber

hinaus auch Mitglied der Coalition of Rainforest Nations (VUW 2006:o.S.) in

welcher tropische Entwicklungsländer „[…] zusammenarbeiten, um die

Waldverwaltung mit der wirtschaftlichen Entwicklung in Einklang zu bringen.“

(eigene Übers.) (CRN 2007:o.S.)

Abb. 1: Lage Vanuatus im Pazifik (Datenquelle: verändert nach BMLV o.J.:o.S.)

3

Abb. 2: Vanuatu (Datenquelle: verändert nach UT 1998:o.S.)

Die ca. 200.000 Einwohner Vanuatus leben hauptsächlich von der

Landwirtschaft, wobei sich dies meist auf Subsistenzwirtschaft und kleinräumigen

4

Ackerbau beschränkt. Die traditionell angebauten Nahrungsmittel sind

Süßkartoffeln, Maniok, Brotfrüchte sowie Wasserbrotwurzeln (VTO 2007:o.S.).

Eines der Hauptexportgüter ist neben zahlreichen anderen Kokosprodukten das

von den ausgedehnten Kokosplantagen stammenden Holz. Hierbei handelt es sich

um permanente, kapital- und arbeitsintensive, landwirtschaftliche Großbetriebe

(BELLAMY 1991:49; SPEKTRUM 2000:o.S.).

2.2 Kokosplantagen und -produkte

Es existieren viele verschiedene Kokospalmenarten, mit zahlreichen

unterschiedlichen Ausprägungen. Hier wird sich jedoch auf die großen Arten

beschränkt, die kommerziell genutzt werden. Diese werden über 27 Meter hoch und

haben einen rund vierzig Zentimeter dicken, meist gebogenen, astarmen Stamm

(DUKE 1983:o.S.). Dieser besitzt eine verdickte Basis. Kokospalmen haben eine

großblättrige Krone, an welche sich unterhalb der dicht gepackte Wachstumsbereich

des Baumes anschließt. Optimale Bedingungen finden die Palmen auf sandig-

lehmigem Boden, in Wassernähe. Die Bäume können zwischen vierzig und neunzig

Jahre alt werden und tragen erstmals nach acht bis zehn Jahre Blüten (DUKE

1983:o.S.). Diese entwickeln sich zu 15 bis 30 Zentimeter lange Früchten; den

Kokosnüssen (DUKE 1983:o.S.).

Kokospalmen werden seit circa 4000 Jahren kultiviert und heutzutage

besonders im asiatisch-pazifischen Raum, so auch in Vanuatu,

plantagenwirtschaftlich angebaut (FAO 2004:10).

Die Pflanzen haben eine hohe Toleranz gegenüber vielen äußeren Einflüssen,

was sie für den kommerziellen Anbau geeignet macht. Beispielsweise sind sie

beständig gegenüber pH-Wert-Schwankungen, Hitze, Insektenbefall sowie salzigen,

nährstoffarmen Böden. Hingegen sind sie anfällig gegenüber Wassermangel,

niedrigen Temperaturen sowie Bakterien- und Pilzbefall (DUKE 1983:o.S.).

Angepflanzt werden die Bäume gewöhnlich mit einem Abstand von neun

Metern (siehe Abb. 3), wobei nach einem Jahr aus verkümmerten Palmen

resultierende Lücken durch Gewächshausexemplare ersetzt werden. Zwischen den

Palmen werden Maniok, Augenbohnen, Wasserbrotwurzeln oder Süßkartoffeln

angepflanzt (siehe Abb. 4) (DUKE 1983:o.S.; REYNOLDS 1995:o.S.).

5

Abb. 3: Palmenanordnungen auf Kokosplantagen

(Datenquelle: verändert nach REYNOLDS 1995:o.S.)

Abb. 4: Zwischenfruchtbau von Maniok, Süßkartoffeln und Taro auf einer Kokosplantage

(Datenquelle: verändert nach REYNOLDS 1995:o.S.)

Die Kokospalme ist eine bedeutende und vielseitig verwendbare

Kulturpflanze, bei der alle Teile, insbesondere Holz, Blätter, Blüten und Früchte,

genutzt werden (DUKE 1983:o.S.). Von diesen Verwendungen werden im Folgenden

einige vorgestellt:

6

Aus den Blüten kann Zucker gewonnen werden. Das Fruchtfleisch und die

Kokosmilch werden vor allem als Nahrungsmittel genutzt. Außerdem wird aus dem

getrockneten Fruchtfleisch, dem Kopra, Kokosöl gewonnen, aus dem unter anderem

Seifen, Cremes und Shampoos hergestellt werden. Auch das Holz, das in Plantagen

am Ende eines Lebenszyklus in großen Mengen anfällt, wird beispielsweise im

Hausbau oder als Brennmaterial benutzt (DUKE 1983:o.S.; FAO 2004:10).

2.3 Gründe für die Plantagenerfassung

Der tropische Regenwald, der „[...] sich entlang des Äquators wie ein Gürtel

um die Erde erstreckt" (KRÜGER et al. 2004:1) „[...] ist das artenreichste Ökosystem"

(KRÜGER et al. 2004:1) und eines, welches den Werdegang der klimatischen

Entwicklung des gesamten Planeten entscheidend mit regelt. Dessen zunehmende

Beeinflussung durch den Menschen verlangt einen ausführlichen Kenntnisgewinn

über dessen Funktionsweise, Bedeutung sowie Nutzung, um einen angemessenen,

nachhaltigen Umgang mit den bereitstehenden Ressourcen zu gewährleisten.

Hierbei bilden die Plantagen, und in Vanuatu speziell die Kokosplantagen, den

zentralen Untersuchungspunkt, da deren Einfluss, besonders aufgrund der

wachsenden Holznachfrage, vorrangig in den Jahren nach 1990, entscheidend

zugenommen hat (FAO 2004:5f.).

2.3.1 Voraussetzungen für die nachhaltige, effizien te Nutzung des

tropischen Regenwaldes

Der ökologische und ökonomische Umgang mit den Ressourcen des

tropischen Regenwaldes setzt drei Punkte voraus:

Einerseits ist ein gewisser Kenntnisstand der Funktionsweise dieses

Ökosystems sowie dessen geophysikalische Effekte unabdingbar. Beispielsweise

sind Erkenntnisse über die Reaktion des Regenwaldes, insbesondere auf

anthropogene Störungen wichtig, um eine Überbeanspruchung des Systems zu

vermeiden (LAMB 1990:20ff.).

7

Weiterhin ist entscheidend, welche Bedeutung den Wäldern, auf Grund ihrer

Funktionen für den Menschen, beigemessen wird. In traditionellen Gesellschaften

beispielsweise, haben sie mitunter die Bedeutung von Rohstofflieferanten. Doch

auch in modernen Gesellschaften spielen sie eine wichtige Rolle. Insbesondere

durch Wanderfeldbau, Nutz- und Brennholzentnahme sowie die am stärksten zur

Entwaldung beitragende permanente Landwirtschaft (siehe Abb. 5), stellen sie eine

wichtige Lebensgrundlage, nicht nur für dort lebenden Menschen, dar (KUMMER

1992:12, 31; LAMB 1990:23).

Abb. 5: Hauptursachen tropischer Entwaldung (Datenquelle: verändert nach CALLAHAN 2000:o.S.)

Wissen über die biologischen und geophysikalischen Grundlagen sowie über

die sozioökonomischen Kräfte und die weltmarktpolitische Situation sind jedoch

nutzlos, wenn nicht entsprechende politische Entscheidungen getroffen und

eingehalten werden (KUMMER 1992:10ff., 30).

2.3.2 Konsequenzen nachhaltiger Nutzung

Bei konsequenter Umsetzung der unter 2.3.1 genannten Punkte wäre eine

nachhaltige Regenwaldnutzung, ohne zwangsläufig damit einhergehende

ökonomische Nachteile, möglich (GREENPEACE 2007:1).

8

Beispielsweise kann durch einen achtsam gewählten Saat-Ernte-Zyklus,

beziehungsweise durch nachsichtige Primärwaldabholzung, die Oberbodenstörung

minimiert werden. Bei einer Entfernung der bodenschützenden Baumbestände in

trockeneren Perioden können Bodenverdichtung und Nährstoffverlust durch

Auswaschung gering gehalten werden. Dies bewirkt ein schnelleres Wachstum neu

angelegter Bestände, was einer Produktivitätssteigerung gleichkommt. Daraus folgt,

dass, beispielsweise auf eine gesteigerte Holznachfrage ohne Extensivierung der

Plantagenwirtschaft reagiert werden kann (LAMB 1990:99ff.; FAO 2004:12).

Unmittelbar mit der Aufrechterhaltung des Nährstoffkreislaufs

zusammenhängend sollte auch der Erhalt des Wasserkreislaufs im ökologischen und

ökonomischen Fokus stehen. Mitunter kann unkontrolliertes Anlegen von

monokulturellen Plantagen zur Versumpfung flussabwärts gelegener Gebiete führen.

Dies begründet sich auf gesteigertem Oberflächenabfluss und verminderter

Evaporation im Plantagenbereich (GRACE et al. 2003:5f.; LAMB 1990:100, 143).

Damit einher geht auch der Biodiversitätserhalt, da derartige

Biotopsänderungen diese ebenfalls grundlegend verändern können. Weiterhin spielt

die räumliche Plantagenverteilung eine Rolle, da dadurch der Kontakt mehrerer

Waldstücke durch Korridore, garantiert oder verhindert werden kann (siehe Abb. 6).

Sollte eine Wechselwirkung dieser nicht mehr möglich sein, hätte auch dies negative

Auswirkungen auf die Biodiversität (LAMB 1990:99ff.).

Weiterhin können durch eingeschränkte Ausweitung agrarischen Flächen,

beispielsweise durch Rodung, der Kohlenstoffdioxid- sowie der Methan-Kreislauf

positiv beeinflusst werden. Hierbei können durch Verbrennen beziehungsweise

Verrotten organischen Materials sowie durch Landwirtschaftsfahrzeuge

hervorgerufene Emissionen verringert oder vermieden werden. Durch derartige

Prozesse wird rund ein Viertel der globalen Treibhausgasemission verursacht (siehe

Abb. 7) (VUW 2006:o.S.).

9

Abb. 6: Muster selektiv gefällten Waldes, zur Korridorerhaltung

(Datenquelle: verändert nach LAMB 1990:103)

Abb. 7: Anteil der Entwaldung an der jährlichen, mittleren, globalen CO2-Emission

(Datenquelle: verändert nach CRN 2007:o.S.)

10

2.3.3 Politische Grundlagen für eine nachhaltige un d ökonomische

Nutzung

Wie bereits in Kapitel 2.3.1 erwähnt, können Profite aus der nachhaltigen

Nutzung nur gezogen werden, wenn entsprechende, beschlossene Gesetze und

Verordnungen eingehalten und befolgt, und nicht etwa durch illegale

Plantagenerweiterung korrumpiert werden.

Konkrete Bemühungen Vanuatus sind insbesondere die 1992 in New York

verabschiedete Klimarahmenkonvention der Vereinten Nationen sowie die

Bestrebungen der vanuatuischen Forstbehörde um die Durchsetzung des Vanuatu

Forest Projects zur nachhaltigen Naturwaldbewirtschaftung (AA 2007:o.S.).

Ziel Ersterer ist es „[…] die Stabilisierung der Treibhausgaskonzentrationen in

der Atmosphäre auf einem Niveau zu erreichen, auf dem eine gefährliche

anthropogene Störung des Klimasystems verhindert wird.“ (UN 1992:5) Die

Maxime des Vanuatu Forest Projects ist, Vorteile aus dem Clean Development

Mechanism (CDM) des Kyoto-Protokolls zu ziehen. Gemäß diesem wäre es

möglich, durch Aufforstung Emissions-Kredit-Punkte zu erwerben, welche dann an

Industrienationen verkauft werden können (VUW 2006:o.S.).

Um allerdings von dieser Regelung profitieren zu können, beziehungsweise

um nachzuweisen, dass die Auflagen Vanuatus, als Mitgliedsstaaten der United

Nations Framework Convention on Climate Change (UNFCCC) (einer

internationalen Organisation die versucht, dem Klimawandel entgegenzuwirken)

erfüllt wurden, ist es notwendig, die Änderungen der Waldbedeckung sowie die

Aktivitäten auf den Kokosplantagen und deren Expansion detailliert zu kontrollieren

(UN 1998:11). Die Aufforstung darf nämlich keineswegs dadurch geschehen, dass

tropischer Primärwald für Neuanpflanzungen abgeholzt wird, da das mehr CO2

freisetzen als binden würde, was dem Prinzip der Karbon-Kredite widerspräche

(HEROLD et al. 2007:o.S.).

Um derartige Kontrollfunktionen wird sich aktuell, zum Beispiel im Vanuatu

Carbon Credits Project, bemüht (ANONYMOUS 2007:3; VUW 2006:o.S.).

11

2.4 Spektrale Eigenschaften von Vegetation

Zur Differenzierung der Kokosgebiete von anderen Landbedeckungen ist die

Fernerkundung, aus den in Kapitel 2.5 genannten Gründen, gut geeignet. Daher sind

Kenntnisse über sie spektralen Eigenschaften der Vegetation unabdingbar, um die

Kokos-Nicht-Kokos-Trennung durchführen zu können (ALBERTZ 2001:3).

Die elektromagnetische Strahlung interagiert insbesondere mit den Pigmenten,

dem Wasser und interzellulären Lufteinschlüssen. Dementsprechend sind diese

Komponenten für die am Sensor gemessenen Reflektionseigenschaften der Pflanzen

verantwortlich (siehe Abb. 8) (JENSEN 2000:334).

Im optischen Bereich bestimmen Blattpigmente, wie Chlorophyll, die

Interaktion mit elektromagnetischer Strahlung. Diese absorbieren jeweils Licht

spezifischer Wellenlängen. Zerfallen die im Palisadengewebe befindlichen Pigmente

(beispielsweise durch Wassermangel), steigt die Reflektanz im sichtbaren

Wellenlängenbereich. Dadurch können andere Pigmente dominant werden, deren

Reflektionseigenschaften die Blattfarbe signifikant verändern (JENSEN

2000:335,337f.).

Ein starker Anstieg der Pflanzenreflektanz ist im nahinfraroten Bereich zu

verzeichnen (siehe Abb. 8). Hierbei ist insbesondere das lufteinschlussreiche

Schwammgewebe für Streuung verantwortlich. Sinkt die Vitalität eines Blattes, geht

auch dessen nahinfrarote Reflektanz zurück, wodurch sich die red edge

(Reflektanzsprung zwischen sichtbarem und nahinfrarotem Bereich) zurückbildet

(JENSEN 2000:335,338f.).

Im Mittelinfraroten werden die Reflektionscharakteristika vom Wassergehalt

der Pflanzen bestimmt. Je größer der Blattwasseranteil, desto höher die Absorption.

Dies gilt insbesondere in den Absorptionsbanden des Wassers bei Wellenlängen von

1,45; 1,94 und 2,7 Mikrometer (JENSEN 2000:335). Zwar gibt es auch im Sichtbaren

und Nahinfraroten Absorptionsbanden, doch sind diese weniger ausgeprägt als bei

mittelinfraroten Wellenlängen (JENSEN 2000:335).

12

Abb. 8: Reflektionseigenschaften von Vegetation

(Datenquelle: verändert nach JENSEN 2000:335)

Die gemessene Reflektion einer Vegetationsbedeckung ist jedoch noch von

weiteren Faktoren abhängig. Beispielsweise sind der vorherrschende

Bedeckungsgrad, beziehungsweise auch der Beleuchtungswinkel, entscheidend.

Weiterhin kommt es auf die Pflanzenart an und wie deren Kronenform,

-durchmesser und auch Blattstellung beschaffen ist. Hinsichtlich dieser Faktoren

lässt sich, wie Kapitel 5.1 zeigen wird, auch Kokospalmenbedeckung vom

tropischen Primärwald unterscheiden (DUKE 1983:o.S.; JENSEN 2000:345).

2.5 Aktueller Forschungsstand

Wie in Kapitel 2.3 beschrieben, ist durch die wachsenden Einflüsse auf den

tropischen Regenwald, die regelmäßige Aktualisierung der Daten über

Waldbedeckung sowie Ausdehnung, Größe, Verteilung und Stadien der in ihm

befindlichen Kokosplantagen, nötig (ANISE 1995:13).

Um dies zu erreichen kann die Fernerkundung eingesetzt werden, da sie

innerhalb kurzer Zeit große Datenmengen, auch von abgelegenen Gebieten,

13

aufnehmen kann. Dies liegt in der Kontaktlosigkeit der fernerkundlichen

Untersuchung begründet. Informationen werden durch die Auswertung detektierter

elektromagnetischer Wellen verschiedener spektrale Bereiche gewonnen

(CONGALTON 1999:2; OCHEGO 2003:2f.).

Bisher wurden zahlreiche Bemühungen angestellt, die Landbedeckung in den

tropischen Regenwäldern zu kartieren. Diese beruhten auf unterschiedlichsten

Datengrundlagen. Die angewandten Methodologien beschränken sich weitestgehend

auf Klassifikationsverfahren. Eine Auswahl vergleichsweise erfolgreicher Verfahren

soll im Folgenden näher gebracht werden.

Eine besonders aussichtsreiche Variante der Regenwaldkartierung stellt die

Radar-Fernerkundung dar, bei der der Boden mit langwelliger Radiostrahlung

abgetastet wird. Der Vorteil hierbei ist, dass Radiostrahlung die in den Tropen

häufig vorhandenen Wolken durchdringt und somit keine Datenlücken entstehen

(SRI SUMANTYO 2002:IX).

Weiterhin wird in HAACK et al. (2002:2ff.) von verschiedenen Anwendungen

einer Kombination aus optischen und Radar-Daten berichtet, die aber nicht direkt

auf die Tropen, beziehungsweise die Kokosdetektierung bezogen sind.

Beispielsweise wurde im Katmandu-Tal Nepals anhand von Radarsat und Landsat-

Szenen eine überwachte Maximum Likelihood Klassifikation durchgeführt. Dabei

werden die Bildpunkte jeweils den Klassen mit den ähnlichsten spektralen

Eigenschaften zugeordnet (wobei sowohl Lage, als auch Varianz und Kovarianz des

Clusters (Punktwolken von Bildpunkten mit ähnlichen spektralen Eigenschaften in

einem vieldimensionalen Eigenschaftsraum) entscheidend sind) (ECKER et al.

1995:o.S.; RICHARDS et al. 2005:194-196). Diese Klassen wurden vorab durch

Trainingsgebiete festgelegt. Nach der Klassifikation ergab die Fehlerabschätzung,

dass sowohl optische als auch die Radar-Daten für sich genommen nur begrenzt

fähig waren, die Landbedeckung herauszuarbeiten. Eine Kombination aus beiden

lieferte jedoch genaue Ergebnisse (HAACK et al. 2002:4, 10).

Da für diese Arbeit keine Radar-Daten zur Verfügung standen, werden die in

derartigen Studien angewandten Methoden jedoch nicht ausführlicher erläutert.

Einen tieferen Einblick in diese Thematik bietet SRI SUMANTYO (2002:1ff.).

Sehr gute Ergebnisse konnten auch durch Klassifikation texturgefilterter Daten

erzielt werden. Allerdings erfordern diese besseren Auflösungen als 225

14

beziehungsweise 900 Quadratmeter, wie sie ASTER und Landsat liefern (BHUSAN

et al. 1995:2; NASA 2004:8; USGS 2006:o.S.).

Eine weitere viel versprechende Methode stellen die mehrstufigen

Klassifikationen dar. Beispielsweise lieferte ein solches Verfahren, laut APAN

(1997:1031), sehr genaue Ergebnisse. Auch in KLASNER et al. (1998:13) wird ein

Beispiel einer erfolgreichen hierarchischen Klassifikation, in der zunächst nur vier

Klassen unterschieden werden, beschrieben. Anschließend wurde diese Einteilung in

drei weiteren Schritten verfeinert.

Weiterhin konnte PALANISWAMI (2006:1707ff.) zeigen, dass auch eine

Subpixel-Klassifikation zur Kokosplantagenextraktion geeignet ist. Bei dieser wird

davon ausgegangen, dass sich die spektralen Eigenschaften jedes Bildpunktes linear

aus den Reflektanzen der in ihm befindlichen Komponenten zusammensetzen.

Darauf aufbauend lieferte auch Adaptive Resonance Theory – Mixture Mixture

Analysis Model (ART-MMAP); eine auf neuronalen Netzen basierende, gute

Ergebnisse (PALANISWAMI 2006:1710). Allerdings werden dazu Kenntnisse der

genauen Reflektionseigenschaften der verschiedenen Waldkomponenten

vorausgesetzt.

Aus all diesen Anwendungsbeispielen wird deutlich, dass es durchaus

Möglichkeiten gibt, die tropischen Regenwälder zu kartieren beziehungsweise

Kokosplantagen auszuweisen. Allerdings erfordert die in dieser Arbeit zur

Verfügung stehende Datengrundlage (siehe Kapitel 3), dass auch neue Methoden

auf die Probe gestellt werden. Diese können dann als Grundlage weiterer Studien

mit ähnlichen Datengrundlagen dienen. Ein Beispiel hierfür könnte der Normalized

Difference Water Index (NDWI) sein, der sich nach VITO (2006:o.S.)

folgendermaßen berechnet:

54

54

TMTM

TMTMNDWI

+−= (1)

mit: TM 4 = 4. Kanal des Landsat-Thematic Mapper (TM)

(entspricht 4. ETM-Kanal beziehungsweise 3. ASTER-Kanal)

TM 5 = 5. Kanal des TM (entspricht 5. ETM-Kanal beziehungsweise 4.

ASTER-Kanal)

15

Es zeigte sich nämlich, dass laut PALANISWAMI (2006:1708) insbesondere im

fünften, teilweise aber auch im siebten Kanal dieses Sensors der National

Aeronautics and Space Administration (NASA), der amerikanischen Luft- und

Raumfahrtbehörde, Kokosplantagen deutlich von den natürlichen Regenwäldern zu

unterscheiden sind (USGS 2006:o.S.). Die Ursache hierfür liegt vermutlich in den,

in Kapitel 2.3 geschilderten, Anbaustrukturen sowie den spezifischen Eigenschaften

der Palmen begründet. Weiterhin ist dieser Index sensitiv für Biomasseunterschiede

sowie Wassermangel in der Pflanzendecke (DENNISON et al. 2004:3).

2.6 Ziele und Aufbau dieser Arbeit

Als Ziel dieser Arbeit wurde die Detektierung von Baumplantagen der drei

größten Inseln Vanuatus - Espiritu Santo, Éfaté und Malakula - in Angriff

genommen. Hierzu werden im Wesentlichen optische und nahinfrarote

Fernerkundungsdaten verwendet (HEROLD 2007:o.S.).

Da in Vanuatu, entsprechend Kapitel 2.1, hauptsächlich Kokosplantagen

angelegt wurden und da in dem als Referenz verwendeten VANRIS-Datensatz

(siehe Kapitel 3.3) lediglich Kokosplantagen explizit ausgewiesen sind, wird das

Hauptaugenmerk auf diesen liegen. Jedoch gibt es auch andere, teils sehr

unterschiedliche Baumplantagen, deren Trennbarkeit von anderen Landnutzungen

ebenfalls exemplarisch bestimmt wurde (BELLAMY 1991:49; HEROLD 2007:o.S.).

In dem 1985 aufgenommen VANRIS sind zwar Kokosplantagen ausgewiesen,

jedoch mit geringerer Genauigkeit, als es als Ziel für diese Arbeit angestrebt wurde.

Daher kann die hier durchgeführte Analyse als Überholung dieser, in bestimmten

Gebieten, veralteten, ungenauen Kartierung angesehen werden.

Um diese Ziele zu erreichen, ist es wichtig - aufbauend auf den in Kapitel 2.5

geschilderten Kenntnissen - herauszufinden, welche der zur Verfügung stehenden

Daten (siehe Kapitel 3) besonders gut zur Unterscheidung welcher Bestände

geeignet sind und welche teilweise, beziehungsweise gänzlich bedeutungslos sind.

Ferner ist in diesem Zusammenhang nicht unerheblich, inwiefern sich

unterschiedliche Bestandsdichten der Baumplantagen von anderen Landnutzungen

trennen lassen, beziehungsweise ob saisonale Unterschiede die Differenzierbarkeit

beeinflussen (HEROLD 2007:o.S.).

16

Die Hauptziele der vorliegenden Arbeit können demnach wie folgt

zusammengefasst werden:

• Ausarbeitung einer Methode zur Trennung der Baumplantagen

(insbesondere Kokosplantagen) von den tropischen Nicht-

Baumplantagen (bzw. Nicht-Kokosplantagen)

• Ausweisung und Visualisierung der Kokosplantagenbereiche auf den

Inseln Espiritu Santo, Éfaté und Malakula sowie die Abschätzung der

Ergebnisgenauigkeit

Dies soll dazu dienen, zukünftige Studien, deren Untersuchungsbereich

ebenfalls Baum- beziehungsweise Kokosplantagen einschließt, ein umfassendes und

fundiertes Ausgangswissen bereitzustellen.

Zur Ausarbeitung der oben beschriebenen Ziele, wurden die Softwarepakete

PCI Geomatica Version 9.1.0, Erdas Imagine 9.1, Google Earth 4.0.2737, ArcView

3.2 sowie ArcGIS 9.1 verwendet. Die dabei zur Anwendung gekommene

Vorgehensweise wird in Abbildung 9 veranschaulicht.

17

Abb. 9: Verlaufsplan der Bachelor-Arbeit

(Datenquelle: eigene Darstellung)

Unüberwachte Klassifikation + Cluster-Aggregierung

Erfassung der Kokosplantagen Vanuatus

Datenbearbeitung Dokumentation

Datensätze:

• Landsat 2000 / 2006

• ASTER

• RMUs 1985

Literaturrecherche

Schilderung der Hintergründe über:

• Vanuatu

• Kokosplantagen

• Notwendigkeit der Plantagenerfassung

Formulierung der Ziele der Bachelorarbeit

Beschreibung der Datensätze

Beschreibung der Datenvorverarbeitung

Datenvorverarbeitung:

• Import

• Umprojektion

Beschreibung der Datenverarbeitung

Beschreibung der Ergebnisse

Fazit

Trennbarbeitsanalyse verschiedener

Landbedeckungen

Ermittlung der geeignetsten Kanäle

Ermittlung der geeignetsten

Trennungsmethode

Genauigkeitsanalyse

Kartenerstellung

18

3 Datenbeschreibung und -vorverarbeitung

Zur Ausarbeitung einer Trennungsmethode, beziehungsweise zur Kartierung

der Kokosplantagen Vanuatus, stehen im Wesentlichen fünf unterschiedliche

Datenquellen zur Verfügung.

Zum einen werden Daten des Enhanced Thematic Mapper von Landsat 7

sowie des Thematic Mapper von Landsat 5 verwendet, zum anderen Szenen des,

ebenfalls von der NASA stammenden, ASTER-Sensors an Bord des Satelliten Terra

(NASA 2003:8; JENSEN 2000:197). Weiterhin standen als Referenzdaten der von

1984 bis 1986 im Rahmen des Vanuatu National Forest Resource Survey Project

aufgenommene VANRIS-Landbedeckungsdatensatz Vanuatus und das frei

verwendbare Programm Google Earth zur Verfügung (BELLAMY 1991:1, 49). Diese

Informationsquellen werden im Folgenden näher erläutert.

3.1 ASTER-Daten

Das seit 1999 im Orbit befindliche ASTER-Instrument an Bord des

amerikanischen Satelliten Terra, hat eine sonnensynchrone Erdumlaufbahn (NASA

2003:8f.). Daher wurden alle verwendeten Szenen zur selben Tageszeit

aufgenommen und weisen lediglich durch den Jahresgang der Sonne

Einstrahlungsunterschiede auf. ASTER nimmt in drei verschiedenen spektralen

Bereichen Daten auf: dem Visuellen und nahen Infraroten (Visible and Near

Infrared (VNIR)), dem kurzwelligen Infraroten (Short Wave Infrared (SWIR))

sowie dem thermalen Infrarot (Thermal Infrared (TIR)) (NASA 2003:8f.). Diese

werden in insgesamt 14 spektralen Kanälen aufgenommen (siehe Abb. 10), deren

genaue Eigenschaften in Tabelle 1 beschrieben sind (NASA 2003:10).

19

Abb. 10: Spektrale Kanäle von ASTER und Landsat-ETM

(Datenquelle: verändert nach NASA 2004:o.S.)

Tab. 1: Eigenschaften der ASTER-Kanäle

(Datenquelle: verändert nach NASA 2003:10)

Für die Bearbeitung standen jedoch von jeder der 12 Szenen nur die

radiometrisch und geometrisch kalibrierten VNIR- und die SWIR-Level-1B-Daten

zur Verfügung (NASA 2003:16). Aufgenommen wurden diese, circa 3600

Quadratkilometer umfassenden Szenen, im Zeitraum von 2003 bis 2007 (exakte

Daten sind Anhang 1 zu entnehmen) (NASA 2003:65). Weiter wurde die räumliche

Auflösung, der in Längen- und Breitengrad vorliegenden Daten, bereits im Vorfeld

auf 28,5 Meter umgerechnet (resampled), um sowohl bei den ASTER-, als auch den

20

Landsat-Daten mit einheitlichen Auflösungen arbeiten zu können. Dies geschah mit

Hilfe des Nearest-Neighbour-Verfahren, bei welchem dem neuen Pixel der Wert des

ihm nächsten liegenden alten Pixel-Zentrums zugewiesen wird. Somit können

potentielle Grauwertänderungen, wie sie bei anderen Resampling-Verfahren

auftreten, ausgeschlossen werden (RAMSEY 2006:o.S.).

Zusätzlich stand noch eine Szene Nord-Espiritu Santos zur Verfügung, bei der

die Digital Numbers (DN) - die an das 8-bit-Format angepassten Rückstreuwerte - in

sensorunabhängige Reflektanzwerte umgewandelt waren. Darüber hinaus war diese

atmosphärenkorrigiert, so dass etwaige Einflüsse von Dunst oder Aerosolen

weitestgehend eliminiert waren.

3.2 Landsat-Daten

Der Thematic Mapper, des 1984 von der NASA gestarteten Landsat-5 liefert

Informationen aus sieben spektralen Kanälen in Szenen mit einer Ausdehnung von

183 mal 170 Kilometer (HEMPHILL 2001:o.S.; JENSEN 2000:197). Auch dessen

Nachfolger, der Enhanced Thematic Mapper, an Bord des seit 2000 in einer

Erdumlaufbahn befindlichen Landsat-7, nimmt in den gleichen spektralen Bereichen

Daten auf (HEMPHILL 2001:o.S.). Jedoch besitzt er, im Gegensatz zu seinem

Vorgänger, einen zusätzlichen panchromatischen sowie einen viermal so gut

aufgelösten thermalen Kanal (TM: 120 mal 120 Meter; ETM: sechzig mal sechzig

Meter) (HEMPHILL 2001:o.S.). Die Eigenschaften der sechs spektralen Kanäle (ohne

thermalen und panchromatischen) sind in Tabelle 2 wiedergegeben und in

Abbildung 10 noch einmal visualisiert. Da der thermale Kanal bei der

Datenauswertung nicht zur Verfügung stand, können die Angaben des ETM in

dieser Abbildung auch die Daten des TM repräsentieren.

Weil beide Landsat-Satelliten einen sonnensynchronen Orbit innehaben,

entstanden Einstrahlungsunterschiede, genau wie bei den ASTER-Szenen,

ausschließlich durch jahreszeitliche Unterschiede (HEMPHILL 2001:o.S.).

21

Tab. 2: Eigenschaften der Landsat-7-ETM-Kanäle (ausgenommen: thermal und panchromatisch)

(Datenquelle: verändert nach PALANISWAMI 2006:1707)

Grundsätzlich standen zwei, bereits georeferenzierte, in Universal Transverse

Mercator (UTM) projizierte Datensätze des Untersuchungsgebiets zur Verfügung.

Diese wiesen trotz des offiziellen Wertes von dreißig mal dreißig Metern, eine

räumlicher Auflösung von 28,5 mal 28,5 Metern auf (JENSEN 2000:199).

Der Aufnahmezeitraum der TM-Szenen war zwischen 2001 und 2003 (siehe

Anhang 2). Die ETM-Szenen wurden 2004 aufgenommen (siehe Anhang 3). Durch

diese waren alle drei zu untersuchende Inseln abgedeckt. Allerdings befanden sich

sowohl durch Wolken als auch durch Sensorfehler Datenlücken in den Szenen

(siehe Abb. 11).

Abb. 11: Datenlücken der ETM-Daten (Datenquelle: eigene Darstellung)

22

Ferner stand noch eine atmosphärenkorrigierte, in Reflektanzen umgewandelte

Szene des Landsat-TM (Path: 82, Row: 70 (siehe Anhang 2)) zur Verfügung, die

vom thermalen Kanal befreit war. Diese überlappte sich mit der entsprechenden

ASTER-Szene teilweise.

3.3 Weitere Referenzdaten

Über die Landsat-Daten hinaus wurden, wie bereits erwähnt zwei weitere

Referenzdatensätze benutzt.

Das kostenlose, online verfügbare Google Earth verwendet teilweise

hochauflösende Daten, wobei sich diese insbesondere auf Grund der erkennbaren

texturellen Unterschiede sehr gut zur visuellen Trennung von Kokos und Regenwald

eignen. Der Nachteil dieser Daten besteht darin, dass sie nicht für alle Gebiete

Vanuatus so hohe Auflösungen liefern und in diesen Regionen automatisch auf

Informationen niedriger Auflösung zurückgegriffen werden muss. Diese erwiesen

sich während der Untersuchungen als ungeeignet, da in ihnen keine Veränderung

der spektralen Informationen (lediglich der blaue, grüne und rote Kanal

(vergleichbar mit den Landsat-Kanälen eins, zwei und drei (siehe Abb. 10)) wurden

angezeigt), und auch keine Kontraststreckung möglich war und daher nicht immer

eindeutige Unterschiede zwischen Kokos und Nicht-Kokos auszumachen waren.

Weiterhin bestand das Problem, dass die hochauflösenden Szenen - die im

Zeitraum von 2002 bis 2007 aufgenommen wurden - stellenweise wolkenverhangen

waren und daher über diese Gebiete keine Informationen, außer der 1985

aufgenommenen Landbedeckungsdaten, als Referenzinformationen zur Verfügung

standen.

Zusätzlich zu den spektralen Daten, lieferte Google Earth auch

Höheninformationen, die visuell abrufbar sind und zur Ausmaskierung der

Gebirgsbereiche dienten.

Der 1985er-Landbedeckungsdatensatz wurde von der australischen

Commonwealth Scientific and Industrial Research Organization (CSIRO) und dem

Department of Primary Industries aus Daten aus dem Zeitraum von 1984 bis 1986

erstellt (BELLAMY 1991:1, 49). In ihm sind so genannte Research Mapping Units

(RMUs) ausgewiesen. Zu diesen in sich homogenen Flächeneinheiten sind

23

zahlreiche Informationen enthalten, von denen für diese Arbeit aber grundsätzlich

nur die Landbedeckungen von Bedeutung waren.

Da die RMUs allerdings eine vergleichsweise große Ausdehnung gegenüber

den Plantagen aufweisen und mehrere Nutzungen in sich vereinen, lassen sie sich

nur schlecht als Referenzgebiete verwendet. Jedoch waren sie vor allem in stark

bewölkten Gebieten der Satellitenszenen zur Trennung von Land und Wasser gut

geeignet. Allerdings bestand der Nachteil, dass in ihnen, gegenüber den Landsat-

und ASTER-Datensätzen, ein Versatz enthalten war (siehe Abb. 12).

Abb. 12: Versatz zwischen ASTER- und VANRIS-Datensatz (rote Polygone)


3.4 Datenvorverarbeitung

Um die eigentliche Datenverarbeitung, das heißt die Extraktion der

Kokosplantagen aus den ASTER-Datensätzen vornehmen zu können, war es

zunächst notwendig, diese in ein geeignetes Format zur Weiterverarbeitung

umzuwandeln. Da während der Arbeit im Wesentlichen PCI Geomatica eingesetzt

wurde, bot sich hierfür das von diesem verwendete pix-Format an.

Weiterhin war es zweckmäßig alle zur Verfügung stehenden Daten auf ein

einheitliches Koordinatensystem zu beziehen. Da alle gegebenen ASTER-Daten

24

bereits mit Längen- und Breitenangaben (Longitude and Latitude) vorlagen, wurden

auch die Landsat-Daten von UTM in diese umgewandelt.

Eine geometrische oder radiometrische Korrektur war nicht mehr nötig, da die

Daten bereits georeferenziert und ohne radiometrische Mängel waren. Auch die

geometrische Auflösung, wie in Kapitel 3.1 beschrieben, war bereits im Vorfeld an

die der Landsat-ETM-Daten angeglichen worden.

Für die Darstellung der Kokosplantagenkarte (wie in Kapitel 4.2 beschrieben),

war es abschließend noch nötig, den groben Versatz des VANRIS-Datensatzes

gegenüber der ASTER- und Landsat-Szenen zu eliminieren. Dies geschah derart,

dass eine korrekt georeferenzierte ASTER-Szene mit den RMUs in ArcGIS geöffnet

wurde. Anschließend konnten diese Polygone mit Hilfe der Editor-Toolbar so

verschoben werden, bis sie mit der ASTER-Szene kongruent waren. Diese Methode

war hinreichend genau, da der so korrigierte VANRIS-Datensatz lediglich zur

Veranschaulichung der Inselausdehnungen in den finalen kartographischen

Darstellungen dienen sollte. Um letztlich für jede Insel nur ein Polygon verwenden

zu können, wurden alle RMUs eines Eilandes jeweils mit dem, ebenfalls in die

Editor-Toolbar integrierten Union-Befehl, verbunden.

25

4 Datenverarbeitung

Die in Kapitel 2.6 angeführten Ziele verfolgend, war es zunächst wichtig

herauszufinden, inwiefern sich die zur Verfügung stehenden Daten zur Trennung

der Kokosflächen von anderen Landbedeckungen verwenden lassen.

Aufbauend auf diesem Wissen sollte eine geeignete Methode herausgearbeitet

werden, die zur Trennung eben dieser Charakteristika genutzt werden kann.

Abschließend bestand der Anspruch einer kartographischen Darstellung der

Ergebnisse, die durch diese Methode erzielt wurden. Weiterhin war zugehörig zu

dieser Darstellung auch eine Genauigkeitsanalyse durchzuführen, um die Qualität

der erzielten Ergebnisse einschätzen zu können.

4.1 Unterscheidbarkeit der Kokosbedeckungen von and eren

Landbedeckungen mit Hilfe der verfügbaren Daten

Da es, unter anderem gemäß PALANISWAMI (2006:1706), insbesondere bei

Kokosbeständen spektrale Unterschiede gegenüber anderen tropischen

Landbedeckungen gibt (weitere Bespiele siehe Kapitel 2.5), war es nahe liegend,

auch als Basis dieser Arbeit die spektralen Eigenschaften der Kokospflanze als

Trennungskriterium heranzuziehen.

Bei der Ausarbeitung der Methode sowie der damit einhergehenden Analyse

der spektralen Charakteristika war es daher wichtig, mit den Reflektanzen, statt mit

den an das 8-bit-Format angepassten Digital Numbers zu arbeiten, da nur diese ein

wahrheitsgetreues Abbild der spektralen Eigenschaften der Landbedeckungen

liefern. Daher wurde mit den eigens dafür zur Verfügung gestellten

atmosphärenkorrigierten Reflektanzdatensätzen von ASTER und Landsat-TM

gearbeitet (UNBC 2007:o.S.).

Bei der Betrachtung der Referenzdaten aus Google Earth fiel auf, dass

innerhalb der betrachteten Gebiete erhebliche Inhomogenitäten bestanden. Zum

einen gab es unterschiedlich dichte Kokosbestände (siehe Abbildungen 16, 17 und

18), zum anderen kamen auch vereinzelte andere, angelegte Baumbestände vor,

deren Struktur und Reflektanz sich signifikant von denen der kokosbedeckten

Gebiete unterschieden (siehe Abb. 19). Zudem waren auch mehrere andere

26

natürliche Landbedeckungen auszumachen, von denen die, durch den Menschen

angelegten Bäume, zu trennen waren.

4.1.1 Differenzierbarkeit verschiedener Landbedecku ngsklassen

Um die Unterscheidbarkeit der verschiedenen Kokosbestandsdichten

untereinander, beziehungsweise deren Unterschiede zu den anderen

Landbedeckungen, mit den vorhandenen Daten, analysieren zu können, wurden

diese in sechs Klassen eingeteilt. Diese Aufgliederung gewährte nahezu die

Abdeckung der gesamten Landbedeckung der untersuchten Inseln (Ausnahmen

bilden vor allem urbane Flächen und Wasser). Zudem wurden dadurch diejenigen

Flächen abgedeckt, die den Kokosplantagen in spektraler Hinsicht am stärksten

ähnelten, beziehungsweise die in diese übergingen und somit Misch-Pixel bilden

konnten. Weiterhin garantierte diese Einteilung in Google Earth in visueller

Hinsicht eine gute Differenzierbarkeit (insbesondere auf Grund textureller

Unterschiede), was das Erstellen von eindeutigen Trainingsgebieten erlaubte. Bei

den Klassen handelte es sich im Einzelnen um drei Kokosplantagen-Klassen, deren

Grenzen auf 15 beziehungsweise 60% Bedeckungsgrad festgesetzt wurden, eine

Nicht-Kokos-Plantagen-Klasse, eine Primärwald-Klasse sowie eine Busch- und

Strauchlandklasse (beispielhafte Gebiete sowie deren Reflektanzen in den

jeweiligen ASTER- und Landsat-Kanälen sind in den Abbildungen 16 bis 21 zu

sehen).

Für jede Klasse wurden in Google Earth mehrere Polygone im

programmeigenen kml-Format erstellt. Mit Hilfe einer frei im Internet verfügbaren

Programmerweiterung für ArcView3.x namens kmltoshp, wurden die erzeugten

Polygondateien in das Shape-Format konvertiert (ESRI 1999:o.S.). Dieses kann in

ArcView, ArcGis und auch Geomatica weiterverwandt werden.

Im weiteren Verlauf wurden jeweils alle Polygone einer Klasse mittels des

merge_management-Kommandozeilenbefehls in ArcGIS in einer Datei vereinigt

und durch den Poly2bit-Algorithmus Geomaticas in Bitmaps umgewandelt. Bei

diesen handelt es sich um Rasterdatensätze, bei denen jedes Pixel entweder den

Wert 1 (Bitmap-Segment) oder 0 (Umgebung) annimmt (PCI GEOMATICS

27

2003:o.S.). Diese Bitmap-Layer wurden im Zuge ihrer Erstellung sowohl an den

ASTER- als auch an den Landsat-TM-Datensatz angehängt.

Um ferner die spektralen Eigenschaften der Bereiche unter den Bitmaps zu

untersuchen, mussten diese in Signatur-Segmente konvertiert werden. Diese

beinhalten Statistiken über die spektralen Charakteristika der Objekte und der

spektralen Kanäle für die sie erstellt wurden. Die Signatur-Segmente wurden

zunächst sowohl in den ASTER- als auch in den Landsat-TM-Daten für alle

verfügbaren spektralen Kanäle erzeugt. Dies geschah mit dem Geomatica-Modul

CSG (PCI GEOMATICS 2003:o.S.).

Darüber hinaus sollte auch untersucht werden, inwiefern sich die Bitmap-

Bereiche in den Hauptkomponenten der spektralen Daten unterscheiden lassen.

Hierzu wurden mit dem Principal Component Analysis-Modul (PCA-Modul) in

Geomatica für die neun verfügbaren ASTER-Kanäle die ersten sechs, und für die

sechs Landsat-TM-Kanäle die ersten fünf Hauptkomponenten berechnet (PCI

GEOMATICS 2003:o.S.). Anschließend wurden auch in diesen die Signatur-Segmente

aus den Bitmaps erzeugt.

Bei der PCA handelt es sich um ein Verfahren, dass die Dimensionalität eines

Datensatzes, mit mehreren korrelierenden Variablen, herabsetzt und trotzdem einen

Großteil der Informationen aufrechterhält. Dies geschieht, indem der ursprüngliche

n-dimensionale Eigenschaftsraum (siehe Abb. 13a) auf einen, durch neue Variablen

aufgespannten, abgebildet wird. In diesem, ebenfalls n-dimensionalen Raum

(entlang der größten Varianzen), enthält ein Teil der Variablen fast alle

Informationen (siehe Abb. 13b) (JOLLIFFE 2002:1; PCI GEOMATICS 2003:o.S.).

Abb. 13: PCA-Dekorrelation eines bivariaten Datensatzes

(Datengrundlage: verändert nach JOLLIFFE 2001:2f.)

28

Abschließend wurde für alle Signatur-Segment-Komplexe, das heißt jeweils in

den spektralen ASTER- und Landsat-Kanälen als auch in deren Hauptkomponenten,

für alle sechs Klassen deren Unterscheidbarkeit berechnet. Dies geschah mit dem in

Geomatica implementierten SIGSEP-Modul (PCI GEOMATICS 2003:o.S.). Hierbei

wurde als Maß der Differenzierbarkeit zweier Segmente der Jeffries-Matusita-Index

ausgeben. Dieser hat einen Wertebereich von 0 bis 2, wobei 2 für sehr gute

Differenzierbarkeit steht und 0 für ununterscheidbare Segmente (PCI GEOMATICS

2003:o.S.). Der Jeffries-Matusita-Index berechnet sich nach PCI GEOMATICS

(2003:o.S.) entsprechend folgender Formel:

))],(exp(1[2),( jiajiBD −−∗= (2)

mit: BD(i,j) = Jeffries-Matusita-Index (Bhattacharrya Distanz) von Klasse i

und j

)]()([)],([)]()([125,0),( jMiMjiAInvjMiMTjia −∗∗−∗=

))(det())(det(

)),(det(ln5,0

jSiS

jiA

∗∗+

T[ ] = Transponierte Matrix

M(i) = Mittlerer Vektor der Klasse

S(i) = Kovarianzmatrix der Klasse i

Inv[ ] = Invertierung einer Matrix

A(i,j) = 0,5*[S(i)+S(j)]

det [ ] = Determinante einer Matrix

4.1.2 Auswahl der geeignetsten Daten

Zur Identifikation der Kanäle, die sich am besten für die Trennung von

Kokosbedeckungen und Nicht-Kokos-Gebieten eignen, wurden zunächst wieder die

atmosphärenkorrigierten Reflektanz-Szenen verwendet.

Da nunmehr die Trennbarkeit der Kokosplantagen als solches, von jeglichen

Nicht-Kokos-Nutzungen im Fokus stand, war es zunächst angebracht, die in Kapitel

4.1.1 erzeugten Bitmaps derart zu kombinieren, dass statt sechs Klassen nur noch

zwei vorlagen. Hierbei handelte es sich zum einen um eine Kokos-Klasse, die sich

29

aus den verschiedenen Kokos-Bedeckungsgraden zusammensetzte sowie eine Nicht-

Kokosklasse die die Bitmaps der Primärwälder, Strauch- und Buschlandschaften

sowie die Nicht-Kokos-Baumplantagen enthielt.

Aus diesen zwei Klassen von Bitmaps wurden nun erneut Signatur-Segmente

für beide Datensätze, und in diesen, sowohl für die spektralen Kanäle, als auch für

die Hauptkomponenten erzeugt.

Vor der Bestimmung der geeignetsten Kanäle wurde nochmals der Jeffries-

Matusita-Index für diese beiden Klassen in allen vier Datensätzen berechnet.

Dadurch sollte auch die Trennbarkeit dieser heterogeneren Mischklassen

quantifiziert werden, um etwaige Trennungsprobleme aufzudecken.

Ferner wurden mit Hilfe des Geomatica-Algorithmus CHNSEL die besten

Kanäle für die Trennung der Kokosflächen von den anderen Landbedeckungen

herausgearbeitet (PCI GEOMATICS 2003:o.S.). Ziel dieses Algorithmus war es, für

die spektralen ASTER- und Landsat-Daten die fünf geeignetsten Kanäle ausgeben

zu lassen sowie die vier beziehungsweise drei besten der Hauptkomponenten.

Hierdurch wurde sich eine Reduktion der umfangreichen, zur Verfügung stehenden

Datenmenge ohne nennenswerten Informationsverlust versprochen.

Der CHNSEL-Algorithmus entscheidet anhand der spektralen Divergenz der

Signatur-Segmente, welche Kanäle sich am besten zur Unterscheidung eignen.

Diese wird aus den Mittelwerten der Klassen sowie deren Kovarianzmatrix wie folgt

berechnet (PCI GEOMATICS 2003:o.S.):

))()(())()(()]()([5,0),( jMiMjInvSiInvSjMiMTjiD −∗+∗−∗=

]2)()()()([5,0 IiSjInvSjSiInvSTrace ∗−∗+∗∗+ (3)

mit: D(i,j) = Divergenz zwischen den Klassen i und j

M(i), S(i), Inv[ ], T[ ] = Bedeutung entsprechend (2)

Trance[ ] = Summe der Hauptdiagonalenelemente einer Matrix

I = Identitätsmatrix

Aufbauend auf den Ergebnissen des CHNSEL-Moduls wurden nun noch einmal die

Jeffries-Matusita-Indizes der besten Kanalkombinationen (jeweils für ASTER und

TM) sowie zusätzlich inklusive des NDWI beziehungsweise der besten

Hauptkomponenten, berechnet.

30

4.2 Erstellung einer kartographischen Illustration der

Kokosplantagenverteilung

Um die Kokosplantagen in Vanuatu in Form einer Karte darzustellen, musste

zunächst aufbauend auf den in Kapitel 2.5 geschilderten Erfahrungen sowie den aus

Kapitel 4.1 hervorgehenden Ergebnissen (welche im Kapitel 5.1 und 5.2 näher

beschrieben werden) die eigentliche Trennung der kokosbewachsenen Flächen von

den anderen Landbedeckungen vorgenommen werden. Anschließend waren diese

Ergebnisse in eine anschauliche kartographische Form zu bringen. Die

Vorgehensweise dieser Illustrierung sowie die ihr vorausgehenden Schritte werden

im Folgenden näher erläutert.

4.2.1 Vorbereitende Schritte

Um störende Einflüsse auf die Bildstatistik zu minimieren wurden anfangs

Wasser und Wolken aus allen ASTER-Datensätzen ausmaskiert. Dies wurde durch

Schwellenwerte realisiert, die den betrachteten Reflektanzbereich sowohl nach oben

als auch nach unten beschränkte.

Für die Ausmaskierung der Wolken erwies sich der erste VNIR-Kanal als

geeignet, da in ihm die Wolken-Pixel fast ausschließlich Grauwerte über denen der

Land-Pixel aufwiesen. Zur Extraktion der Wasserflächen wurde dagegen der erste

SWIR-Kanal verwandt, in dem Wasserbereiche sehr niedrige Reflektanzen

aufwiesen (die genauen Schwellenwerte der Masken sind in Anhang 4 aufgelistet).

Zwar gab es auch Land-Pixel mit Reflektanzen außerhalb der Spanne, jedoch lagen

diese ausschließlich in Schattenbereichen sehr stark reliefierten Geländes

beziehungsweise in urbanen Gebieten. Somit konnte ausgeschlossen werden, dass es

sich dabei um kokosbedeckte Bereiche handelt. Ein weiterer positiver Nebeneffekt

der Maskierung war, dass auch Gebiete im Wolkenschatten von der Analyse

ausgeschlossen wurden, da in ihnen die Reflektanzen ebenfalls sehr niedrig waren.

Somit konnte gewährleistet werden, dass in diesen Regionen, durch die verzerrten

Reflektionseigenschaften keine Fehlklassifikationen vorgenommen werden.

31

Die eigentliche Maskierung erfolgte dann mittels der Geomatica-Algorithmen

THR (zur Erstellung der Bitmap-Maske) und Clipping/Subsetting (zum

ausschneiden der Szene).

4.2.2 Das Prinzip der Klassifikation

Bei der Klassifikation handelt es sich um eines der am häufigsten in der

Fernerkundung eingesetzten Verfahren, bei dem die Grundbausteine der

aufgenommenen Szene (für gewöhnlich die Pixel), entsprechend ihrer Eigenschaften

in Klassen eingeteilt werden. Diese Eigenschaften können beispielsweise spektraler

oder auch topologischer Natur sein (PALANISWAMI et al. 2006:1706).

Auf spektralen Eigenschaften basierende Klassifikationen können auf

zahlreiche unterschiedliche Weisen durchgeführt werden. Beispielsweise ist eine

Einteilung in überwachte und unüberwachte, parametrische und nicht-parametrische

sowie auch in harte und weiche Klassifikationen legitim (PALANISWAMI et al.

2006:1706).

Bei der überwachten Klassifikation werden im Gegensatz zu ihrem

unüberwachten Pendant Trainingsgebiete festgelegt, die die spektralen

Eigenschaften der zukünftigen Klassen vordefinieren. In unüberwachten dagegen

werden zufällige Klassenzentren angelegt, die dann je nach den spektralen

Eigenschaften der untersuchten Bildpunkte iterativ verlagert werden (KARAKOS

2005:1f.).

Parametrische Klassifikationen zeichnen sich gegenüber nicht-parametrischen

dadurch aus, dass bei ihnen die erzeugten Klassen in einem vieldimensionalen

Eigenschaftsraum (der durch die spektralen Kanäle aufgespannt wird) durch

statistische Parameter, wie Mittelwert oder Standartabweichung abgegrenzt werden

(YU 2006:803).

Die harten unterscheiden sich von den weichen Klassifikationen dadurch, dass

bei ersteren jedes Pixel genau einer Klasse zugeordnet wird. In weichen

Klassifikationen ist dagegen auch eine Einordnung in mehrere Klassen möglich

(PALANISWAMI et al. 2006: 1706).

Am Ende einer Klassifikation steht eine thematische Karte. Diese ist per

Definition „[…] eine informierende Darstellung einer Szene, welche Auskunft über

32

die räumliche Verteilung eines bestimmten Sachverhalts illustriert.“ (eigene Übers.)

(PALANISWAMI et al. 2006: 1706)

Zusätzlich zu jeder Klassifikation muss eine Genauigkeitsanalyse durchgeführt

werden, bei der die Zuverlässigkeit der erzielten Ergebnisse, anhand von

Trainingsgebieten, analysiert wird (COOPS 2007:1ff.).

Ob, und wenn ja, welche Klassifikationsverfahren letztendlich verwendet

werden, hängt in erster Linie von der Aufgabenstellung und dem zu erreichenden

Ziel ab, denn je nach Thematik und Datengrundlage kann es zu Fehlzuweisungen

kommen, welche es zu vermeiden gilt. Nicht zuletzt ist aber auch entscheidend,

welche Softwarepakete zur Verfügung stehen und welche Klassifikationsverfahren

in diese implementiert sind (APAN 1997:1029f.; PALANISWAMI et al. 2006: 1706).

4.2.3 Durchführung der unüberwachten Klassifikation

Aufbauend auf den in Kapitel 2.5 vorgestellten Erfahrungen wurde ein

Klassifikationsverfahren angewandt.

Hierbei stellte sich heraus, dass ein unüberwachtes parametrisches Verfahren

am geeignetsten ist, da bei überwachten Klassifikationen der Nachteil besteht, dass

alle Nicht-Kokos-Flächen durch Trainingsgebiete explizit als solche ausgewiesen

werden müssen. Andernfalls kann es sein, dass Flächen auf denen sich keine

Kokosplantagen befinden, trotzdem als solche klassifiziert werden. Weiterhin

erwiesen sich die parametrischen gegenüber den nicht-paramerischen Verfahren als

vorteilhaft, da die spektralen Eigenschaften der reinen Kokos-Pixel einschließlich

der, durch andere Landbedeckungen verunreinigten Misch-Pixel (deren spektrale

Eigenschaften dann entsprechend abweichen), gut durch statistische Parameter wie

Mittelwert und Standartabweichung beschrieben werden können (HKBU 2000:o.S.;

PALANISWAMI 2006:1706).

Unter den unüberwachten parametrischen Klassifikationen, zeichnete sich die

Iterative Self-Organizing Data Analysis Technique (ISODATA) als geeignetste ab.

Im Gegensatz zu dem 1967 entwickelten K-Means-Klassifikator, besteht bei der

ISODATA der Vorteil, dass extrem nahe beieinander liegende Cluster bis zu einem

gewissen definierbaren Maß vereinigt werden, und Cluster mit zu großer

Standartabweichung in mehrere aufgespalten werden können (RASKOB 2004:o.S.).

33

Ausgehend von den in Kapitel 5.2 geschilderten Ergebnissen wurden die

ISODATA, wegen der guten Trennbarkeit von Kokos- und Nicht-Kokos-Beständen,

auf alle ASTER-Szenen angewandt. Weiterhin hatten diese Szenen den Vorteil der

Aktualität und der Vollständigkeit gegenüber den Landsat-ETM-Daten.

Bei dem Klassifikationsverfahren wurden jeweils 30 Cluster ausgegeben.

Dabei wurde zunächst eine Kanalkombination aus dem ersten und zweiten VNIR-

Kanal sowie dem 3. SWIR-Kanal, dem NDWI und der ersten Hauptkomponente

(deren Erstellung in Kapitel 4.1.1 erläutert wird) verwandt. Dies geschah mit der

Begründung, dass diese Kanäle laut den Ergebnissen aus Kapitel 5.2 eine gute

Trennbarkeit der Kokos- und Nicht-Kokosbestände gewährleisten. Weiterhin

wurden mehrere Probeläufe der Klassifikation mit verschiedenen anderen Kanal-

Kombinationen durchgeführt, wobei sich diese als gut geeignet herausstellte.

Bei fünf Szenen jedoch (siehe Anhang 1) waren die Effekte des nicht

ausmaskierten Dunstes so stark (siehe Abb. 14), dass mittels dieser Kanäle kein

gutes Klassifikationsergebnis erzielt werden konnte. Somit wurde auf diese Daten

eine weitere, als gut erachtete Kombination angewandt. Diese bestand aus dem

zweiten und dritten VNIR- sowie dem ersten SWIR-Kanal und den ersten beiden

Hauptkomponenten.

Weiterhin bestand das Problem, dass es bei der Klassifikation mancher

Datensätze, ohne ersichtlichen Grund, zu einer Aufspaltung kam, wodurch dessen

räumlicher Bezug zerstört wurde (siehe Abb. 15). Aus diesem Grund wurden die

betroffenen Szenen durch das Geomatica-Modul FEXPORT in img-Dateien

exportiert und in beschriebener Weise in Erdas Imagine klassifiziert.

34

Abb. 14: Dunsteffekt in einer ASTER-Szene (Kanalkombination rot: 1. VNIR, grün: 2. VNIR, blau:

3. VNIR) (Datenquelle: eigene Darstellung)

Abb. 15: Zerstörter ASTER-Datensatz (Nord-Espiritu Santo)


Im Anschluss an die Klassifikation wurde eine Aggregierung der

ausgegebenen Cluster vorgenommen. Dies geschah derart, dass Cluster geringer

Kokosbedeckung (zwischen fünf und vierzig Prozent Kronenschluss), hoher

Kokosbedeckung (über vierzig Prozent) und keiner Kokosbedeckung (unter fünf

35

Prozent) in jeweils einer Klasse vereinigt wurden. Zur Ausweisung dieser Flächen

wurden insbesondere die hochauflösenden Daten von Google Earth verwendet. Für

die Szene 22109 (siehe Anhang 1) lagen jedoch keine solchen Daten vor, so dass als

Referenz auf die Landsat-TM-Daten beziehungsweise auf die Landsat-ETM-Daten

(jeweils Path: 82, Row: 71) zurückgegriffen werden musste.

Weiterhin wurde eine Siebung durchgeführt. Hierzu wurden alle in Geomatica

klassifizierten und aggregierten Datensätze ebenfalls in Erdas Imagine exportiert.

Anschließend konnten die drei erzeugten Klassen durch das Clump-Modul noch

einmal räumlich aggregiert werden. Dabei waren keine diagonalen Verbindungen

zwischen den Pixeln erlaubt, da anderenfalls sehr viele diffus verteilte, durch

Konfusion bei der Klassifikation, als Kokos ausgezeichnete Nicht-Kokos-Flächen,

erhalten geblieben wären. Daraufhin entfernte der Eliminate-Befehl alle

einheitlichen Flächen unter einer Größe von circa 0,5 Hektar (beziehungsweise

unter sechs Pixeln). Diese Flächen schlossen sich jeweils dem Nachbarn an, mit dem

sie die längste gemeinsame Grenze besaßen (LEICA GEOSYSTEMS 2006:o.S.).

Darauf folgend wurden aus allen drei Inseln die gebirgigen Bereiche

ausmaskiert. Dies geschah indem, mit Hilfe des AOI-Tools in Erdas Imagine,

Polygone erstellt wurden, innerhalb derer jegliche, als Kokosplantagen

ausgewiesene Flächen, durch eine Änderung des Grauwertes, auf den Status von

Nicht-Kokosplantagen gesetzt wurden. Die Grundlage hiefür lieferte die visuelle

Auswertung der in Google Earth enthaltenen Höheninformationen.

Weiterhin wurden alle fertig klassifizierten Szenen zu einem Endergebnis, in

dem alle Inseln enthalten waren, zusammengefügt. Dies geschah durch die Mosaic

Direct-Funktion in Erdas Imagine. Hierbei war darauf zu achten, dass alle Dateien

die gleiche Kodierung (2 Bit unsigned, das heißt Grauwerte von null bis drei) hatten.

Außerdem mussten die jeweiligen Klassen in allen Dateien die gleichen Grauwerte

haben, um auch nach dem Zusammenfügen identischen Klassen zu repräsentieren.

Abschließend erfolgte die eigentliche Anfertigung der kartographischen

Darstellung, indem die zusammengefügten Szenen inklusive der VANRIS-RMUs in

ArcGIS geöffnet wurden. Letztere sollten in der finalen Karte die Funktion des

nicht-kokos-bedeckten Hintergrundes erfüllen. Hierfür wurden diese mit Hilfe des

Editor-Befehls Union derart kombiniert, dass für jede der betrachteten Inseln jeweils

nur noch eine RMU vorlag.

36

Unter Verwendung dieser zusammengesetzten RMUs und des

Klassifikationsergebnisses wurde nun im Layout-Menü von ArcGIS die Integration

aller weiteren Kartenkomponenten (beispielsweise Legende, Nordpfeil…)

durchgeführt.

4.3 Genauigkeitsanalyse

Um die Aussagekraft des erzeugten Klassifikationsergebnisses bewerten zu

können, ist es nötig, eine Abschätzung der Genauigkeit der

Klassifikationsergebnisse durchzuführen. Anhand dieser können dann potentielle

Probleme aufgedeckt und gegebenenfalls ausgebessert werden, was wiederum zu

einer höheren Genauigkeit führen kann (CONGALTON 1999:3).

Im Folgenden werden nun die Grundlagen der Genauigkeitsanalyse erläutert

sowie die Vorgehensweise der hier durchgeführten Abschätzung beschrieben.

4.3.1 Grundlagen der Genauigkeitsanalyse

Die Genauigkeitsanalyse stellt in der Fernerkundung ein noch junges

Forschungsfeld dar. Erst in den 1970er Jahren setzte sich ihre Anwendung

zunehmend durch und seit den späten 1980er Jahren gibt es eine breite Palette von

Veröffentlichungen (CONGALTON 1999:8).

Bei der Genauigkeitsanalyse wird ein vorhandener Datensatz mit einem

Referenzdatensatz verglichen, von dessen Richtigkeit ausgegangen wird. Da hierbei

ein Vergleich aller Bildpunkte unzweckmäßig wäre, werden lediglich Beispiel-Pixel

betrachtet. Auf Grund der Tatsache, dass die Genauigkeitsanalyse eine Aussage

treffen soll, die für die gesamte Karte repräsentativ ist, ist es wichtig, dass die

ausgewählten Pixel nicht ausschließlich zufallsverteilt sind, sondern auch in

Abhängigkeit der dargestellten Informationen sowie deren räumlicher Verteilung

ausgewählt werden (CONGALTON 1999:4,11; COOPS 2007:5; STEHMAN et al.

1998:331ff.).

Weiterhin wurden bisher zahlreiche Versuche durchgeführt, um für einen

Datensatz die optimale Beispiel-Pixel-Zahl zu ermitteln, da zu wenige Bildpunkte

37

ein ungenaues Ergebnis liefern würden und zu viele, zu hohen Aufwand, und damit

Kosten erfordern. In ausführlicher Weise berichtet darüber CONGALTON

(1999:17ff.).

Ebenfalls von Bedeutung für die Genauigkeit ist der Ursprung des

Referenzdatensatzes. Grundsätzlich ist ein neu aufgenommener Datensatz (sei es

durch Satellitenbilder, Geländebegehungen oder ähnliches) einem älteren, an andere

Bedürfnisse angepassten, vorzuziehen. Jedoch treibt dies die Kosten der

Untersuchung in die Höhe, so dass meist ein Kompromiss getroffen werden muss

(CONGALTON 1999:28).

Nachdem der Vergleich des erstellten Datensatzes mit den Referenzdaten

vollzogen wurde, kann eine Error Matrix (siehe Tab. 3) aufgestellt werden. In ihr

werden die verschiedenen Klassen der angefertigten Karte und der Referenzdaten

gegenübergestellt. Dadurch können verschiedene Genauigkeiten quantifiziert

werden. Die Overall Accuracy gibt an, wie viel Prozent der Beispiel-Pixel in der

Karte und den Referenzdaten gleich klassifiziert wurden. Im Fallbeispiel (siehe Tab.

3) wäre diese (35 + 37 + 41) / 136 = 113 / 136 = 0,83 = 83%. Weiterhin lassen sich

User und Producer Accuracy quantifizieren. Diese können für jede Klasse bestimmt

werden und geben an, wie viel Prozent der in der Karte als Klasse x ausgewiesene

Pixel in den Referenzdaten ebenfalls so eingeordnet wurden (User Accuracy),

beziehungsweise wie viel Prozent der in den Referenzdaten als Klasse x

ausgewiesenen Bildpunkten in der Karte auch in Klasse x eingeordnet wurden

(Producer Accuracy). Für das Beispiel in Tabelle 3 wäre für Klasse A die User

Accuracy: 35 / 39 = 90% und die Producer Accuracy: 35 / 50 = 70% (CONGALTON

1999:45f.; COOPS 2007:8-12; STEHMAN et al. 1998:338f.).

Tab. 3: Error Matrix

(Datenquelle: verändert nach COOPS 2007:12)

38

4.3.2 Durchführung der Genauigkeitsanalyse

Obwohl sich CONGALTON (1999:28) insbesondere aus Gründen der

Veränderung des Untersuchungsgebiets im Aufnahmezeitraum (zwischen

Klassifizierten und Referenzdaten) ausdrücklich für neu aufgenommene Daten zur

Genauigkeitsabschätzung ausspricht, muss bei der hier durchgeführten Analyse auf

bereits bestehende Daten zurückgegriffen werden. Diese entstammen Google Earth

sowie den Landsat-ETM und -TM-Szenen.

Zunächst galt es, Beispiel-Pixel-Anzahl zu bestimmen, die zur

Genauigkeitsanalyse verwendet werden sollten. Hierbei wurden aufbauend auf

CONGALTON (1999:18) fünfzig Beispiel-Pixel pro Klasse verwendet, so dass die

Genauigkeitsanalyse für 150 Pixel (jeweils für Kokosbestände unter 40%

Kronenschluss, über 40% Kronenschluss und nicht-kokosbedeckte Landgebiete)

durchgeführt wurde.

Da für alle Klassen gleich viele Test-Punkte erstellt werden sollten, wurde die

equalized random-Funktion des Accuracy Assessment-Moduls von Erdas Imagine

verwendet. Die so erstellten Zufalls-Pixel wurden anschließend mittels der

Referenzdaten verifiziert beziehungsweise falsifiziert. Hierbei dienten als

Referenzdaten allen voran die hochauflösenden Google Earth-Daten. Standen diese

nicht zur Verfügung, musste auf die entsprechenden niedriger aufgelösten ETM-

Szenen zurückgegriffen werden, anhand welcher auf Grund der spektralen

Eigenschaften abgeschätzt wurde, ob der betreffende Bildausschnitt dichte, dünne

oder keine Kokosbedeckung beinhaltet. Lagen auch in den ETM-Szenen keine

Daten vor (durch Wolken oder Datenfehler (siehe Kapitel 3.2)), wurden als weitere

Referenzen die Landsat-TM- und zuletzt die ASTER-Daten, auf denen auch schon

die Klassifikation beruhte, zu Rate gezogen.

39

5 Ergebnisse

Im Folgenden werden die Ergebnisse der in Kapitel 4 durchgeführten

Untersuchungen vorgestellt. Zunächst wird dabei auf die Trennbarkeit der

verschiedenen Landbedeckungsklassen eingegangen. Weiterhin beschäftigt sich

dieser Abschnitt mit den Resultaten der Analyse der Dateneignung zur Trennung

von Kokos- und Nicht-Koks-Beständen sowie den fertigen

Klassifikationsprodukten.

5.1 Trennbarkeit verschiedener Landbedeckungsklasse n

Wie bereits in Kapitel 4.1.1 beschrieben, wurden zunächst anhand von

Polygonen, Gebiete unterschiedlicher Landbedeckung unterschieden, indem ihre

Reflektanzeigenschaften zum einen zwischen den beiden Sensoren und zum anderen

untereinander verglichen wurden. Beispielpolygone für die jeweiligen Klassen

sowie deren Reflektanzvergleich zwischen ASTER und TM sind in den

Abbildungen 16 bis 21 zu sehen.

Abb. 16: Kokosplantage über 60% Bedeckungsgrad (Datenquelle: eigene Darstellung)

0 160m m

Oben links: Google Earth Aufnahmedatum: 07.03.2005

Oben Mitte: TM Aufnahmedatum: 17.04.2001, Kanalkombination: r: rot g: NIR1 b: NIR2 Links

Oben rechts: ASTER Aufnahmedatum: 01.01.2003, Kanalkombination:

r: VNIR2 g: VNIR3 b: SWIR1 Unten: Reflektanzvergleich TM-ASTER

40

Abb. 17: Kokosplantagen 15 bis 60% Bedeckungsgrad (Datenquelle: eigene Darstellung)

Abb. 18: Kokosplantage unter 15% Bedeckungsgrad (Datenquelle: eigene Darstellung)

0 120m m

0 120m m









41

Abb. 19: Nicht-Kokosplantage über 60% Bedeckungsrad (Datenquelle: eigene Darstellung)

Abb. 20: Tropischer Primärwald (Datenquelle: eigene Darstellung)

0 240 m

0 160 m









42

Abb. 21: Busch- und Strauchland (Datenquelle: eigene Darstellung)

Es fällt auf, dass sich die Reflektanzen von ASTER und TM in allen Klassen

ähneln. Dies begründet sich auf der Tatsache, dass es sich hierbei um die sensor-

und atmosphärenunabhängigen Daten handelt, die lediglich von den

Reflektanzeigenschaften der betrachteten Vegetation (insbesondere der Red Edge)

abhängen (JENSEN 2000:339; UNBC 2007:o.S.).

Die größten Unterschiede zwischen den beiden Sensoren wurden im nahen

infraroten Bereich (3. VNIR-Kanal beziehungsweise 4. Landsat-Kanal) festgestellt,

wobei diese insbesondere bei den drei Kokosklassen sowie der Klasse des

tropischen Primärwaldes auftraten. Eine mögliche Erklärung für diese Unterschiede

könnte ein, beispielsweise durch saisonale Effekte hervorgerufener

Vitalitätsunterschied der Vegetation sein. Dies würde auch erklären, warum die

Reflektanzen des TM-Sensors für die beiden Kokosklassen geringeren

Bedeckungsgrades jeweils über denen des ASTER-Sensors liegen; in den Klassen

der hohen Kokosbedeckung sowie der dichten, tropischen Primärwälder dagegen

darüber. Möglicherweise handelt es sich hierbei um eine jahreszeitlich verminderte

Wasserversorgung, bei der dichte Bestände einem Rückgang der Vitalität länger

widerstehen können als dünne. Allerdings kann auf Grund der weit auseinander

liegenden Aufnahmedaten nicht ausgeschlossen werden, dass diese Unterschiede

durch Veränderungen in der Landschaft hervorgerufen wurden.

0 240 m





43

Weiterhin wird deutlich, dass in den SWIR-Kanälen 2 bis 6 keine bedeutenden

Schwankungen auftreten, und diese somit durch den 7. Landsat-Kanal repräsentiert

werden können.

Beim Vergleich der Reflektanzen der verschiedenen Landbedeckungen

untereinander (wie dies in Abbildung 22 und 23 unternommen wurde) zeigt sich ein

deutlich differenziertes Bild, als bei der ASTER-TM-Gegenüberstellung.

Reflektanzvergleich verschiedener Landbedeckungen i n den spektralen ASTER-Kanälen

0

5

1015

20

25

30

3540

45

50

450 950 1450 1950Wellenlänge in nm

Ref

lekt

anz

in %

Busch- und Stauchland

Kokosplantagen unter 15%Bedeckungsgrad

Kokosplantagen über 60%Bedeckungsgrad

Kokosplantagen mit 15 bis60% Bedeckungsgrad

Nicht-Kokos-Baumplantagenüber 60% Bedeckungsgrad

Tropischer Primärwald

Abb. 22: Reflektanzvergleich in den ASTER-Kanälen (Mittelwerte über alle Klassen-

Trainingsgebiete) (Datenquelle: eigene Darstellung)

Reflektanzvergleich verschiedener Landbedeckungen i n den spektralen ETM-Kanälen

0

5

10

15

20

25

30

35

40

45

50

450 950 1450 1950Wellenlänge in nm

Ref

lekt

anz

in %

Busch- und Stauchland

Kokosplantagen unter 15%Bedeckungsgrad

Kokosplantagen über 60%Bedeckungsgrad

Kokosplantagen mit 15 bis60% Bedeckungsgrad

Nicht-Kokos-Baumplantagenüber 60% Bedeckungsgrad

Tropischer Primärwald

Abb. 23: Reflektanzvergleich in den TM-Kanälen (Mittelwerte über alle Klassen-Trainingsgebiete)


Aufnahmedatum: 01.01.2003

Aufnahmedatum: 17.04.2001

44

Beiden Diagrammen (deren exakte Datengrundlage inklusive allen

Standartabweichungen den Anhängen 5 und 6 zu entnehmen ist) ist gemein, dass

sowohl die Kokosklasse mit über 60% Bedeckungsgrad, als auch die Klasse der

tropischen Primärwälder in beiden Datensätzen verhältnismäßig geringe

Reflektanzen ausweisen. Dies lässt sich durch die wachsenden Einflüsse der

komplexen Blätterdächer und deren Schatteneffekte erklären. Kokosbedeckung

unter 15% und die Busch- und Strauchländer besitzen hingegen relativ hohe

Reflektionswerte, was auf einen starken Einfluss der Bodenkomponente

zurückzuführen ist (AGUILAR 2005:71).

Jedoch gibt es Ausnahmen. So hat der tropische Primärwald im dritten VNIR-

Kanal des ASTER-Sensors eine vergleichsweise hohe Reflektanz und die

Kokosbedeckung unter 15% eine recht geringe. Auch hier kann auf Grund der

großen Abstände zwischen den Aufnahmedaten nicht ausgeschlossen werden, dass

es Änderungen in den untersuchten Gebieten gab, jedoch beziehen sich die in

Abbildung 22 und 23 dargestellten Werte nicht nur auf jeweils ein Polygon (wie in

den Abbildungen 16 bis 21), sondern auf die Mittelwerte über alle Polygone der

jeweiligen Klasse. Dies macht die Zeitkomponente als Ursache der Abweichungen

unwahrscheinlich.

Außerdem fällt auf, dass in den ASTER-Daten die Reflektanzunterschiede der

Kokosklassen zwischen dem 3. VNIR- und dem 1. SWIR-Kanal geringfügig

niedriger sind, als in den Nicht-Kokosklassen. Das spricht für den NDWI als ein

wichtiges Trennungskriterium von Kokos und Nicht-Kokos.

Abschließend wurden anhand der erzeugten Segmente für die jeweiligen

Klassen, wie in Kapitel 4.1.1 beschrieben, eine Trennbarkeitsanalyse durchgeführt,

die die Jeffries-Matusita-Indizes in Tabelle 4 bis 7 zum Ergebnis hatte:

Tab. 4: Jeffries-Matusita-Indizes der Landbedeckungsklassen aus ASTER-Kanal 1 bis 9


45

Tab. 5: Jeffries-Matusita-Indizes der Landbedeckungsklassen aus ASTER-Hauptkomponente 1 bis 6


Tab. 6: Jeffries-Matusita-Indizes der Landbedeckungsklassen aus Landsat-TM-Kanal 1 bis 7 (ohne 6.)


Tab. 7: Jeffries-Matusita-Indizes der Landbedeckungsklassen aus Landsat-TM-Hauptkomponente 1 bis 5 (aus Kanal 1 bis 7 (ohne 6.))


46

Es fällt auf, das bei allen Trennungsanalysen die verschieden dichten

Kokosbestände, zwar nicht zwingend untereinander, jedoch fast in jeder Hinsicht

von den Nicht-Kokos-Klassen zu trennen sind. Die Trennung der Kokosklassen

untereinander gelingt insbesondere zwischen den Klassen hohen und niedrigen

Bedeckungsgrades. Auch gelingt diese Trennung in den ASTER-Daten signifikant

besser, als in den TM-Daten. Dies könnte durch saisonale Unterschiede im

Untersuchungsgebiet, beziehungsweise jahreszeitliche Veränderungen der Insolation

hervorgerufen werden.

Weiterhin wird auch deutlich, dass sich die Nicht-Kokos-Baumplantagen

insbesondere in den TM-Daten, von den Primärwäldern und den Busch- und

Strauchländern weniger gut unterscheiden lassen. Auch dies kann vermutlich, in

Abhängigkeit der angepflanzten Arten in den Plantagen, auf ähnliche spektrale

Eigenschaften der Blätterdächer sowie ähnliche Schattenverhältnisse zurückgeführt

werden. In gleicher Weise könnte sich auch die etwas herabgesetzte

Differenzierbarkeit der tropischen Wälder gegenüber der Busch- und Strauchländer

erklären.

Alle anderen Indizes (insbesondere die der Kokosklassen gegenüber den

Nicht-Baumplantagen-Klassen) befinden sich auf einem hohen Niveau, so dass von

einer guten Trennbarkeit ausgegangen werden kann. Jedoch ist darauf hinzuweisen,

dass es sich lediglich um die Trennbarkeit von reinen Testgebieten handelt. In der

Realität herrschen aber oft Misch-Gebiete vor, in welchen sich mehrere

Bedeckungen abwechseln. In diesen Gebieten, deren Reflektanz ein Mischsignal ist,

können die Trennbarkeiten deutlich herabgesetzt sein (PALANISWAMI 2006:1706).

5.2 Kanaleignung zur Kokos-Nicht-Kokos-Trennung

Um die Möglichkeit abschätzen zu können, in wie fern sich die ASTER- und

Landsat-Daten zur Trennung der heterogenen Mischklassen (sprich der Kokos- und

der Nicht-Kokos-Klassen) eignen, wurden nun mit dem CHNSEL-Algorithmus die

dafür geeignetsten Kanäle extrahiert. Das Ergebnis ist in Tabelle 8 zu sehen.

47

Tab. 8: Geeignetste Kanäle zur Kokos-Nicht-Kokos-Trennung (erstgenannte Kanäle sind bestgeeignetste)


Es wird deutlich, dass sich sowohl bei ASTER als auch bei ETM, die

optischen und nahen infraroten Kanäle am besten eigenen. Dies stützt die Aussage

der Abbildungen 22 und 23, bei denen die Unterschiede ebenfalls in diesem Bereich

am größten sind. Dass sich jedoch insbesondere der sechste SWIR-Kanal zur

Trennung eignet, kann durch die Werte in Abbildung 22 nicht gestützt werden.

Bei der Berechnung der Jeffries-Matusita-Indizes für die Kokos- und Nicht-

Kokos-Klasse, wurden aufbauend auf den Ergebnissen des CHNSEL-Moduls

verschiedene Kanalkombinationen gewählt. Diese und die mit ihnen erreichten

Trennbarkeiten sind in Tabelle 9 veranschaulicht.

Tab. 9: Jeffries-Matusita-Indizes der Kokos-Nicht-Kokos-Unterscheidung mit ausgewählten Kanalkombinationen


In allen Fällen ist die Trennbarkeit in den ASTER-Kanälen höher, als durch

die TM-Daten. Wie schon in Abschnitt 5.1 angedeutet, könnte dies auf einer

gewissen Saisonalität begründet sein, die entweder Feuchtigkeits- und damit

Vitalitätsschwankungen hervorruft, oder aber durch die unterschiedlichen

Sonnenstände verursacht wurde.

Auch die Auswirkungen von Datenredundanz wurden untersucht. Hierbei

wiesen Unterscheidungsverfahren in die sowohl der NDWI als auch der dritte

VNIR- und der erste SWIR-Kanal eingingen, höhere Jeffries-Matusita-Indizes auf,

48

als entsprechende Verfahren mit dem NDWI oder dritten VNIR- und ersten SWIR-

Kanal. Somit bewirken die zusätzlichen Daten eine bessere Trennbarkeit.

Ein Verfahren, bei dem alle außer der ersten Hauptkomponente verwendet

wurden, wodurch sich die Reduktion topographischer Effekte versprochen wurde,

resultierte in einer leicht herabgesetzten Trennbarkeit.

5.3 Kartographische Darstellung der Kokosplantagenv erteilung

Wie bereits in Kapitel 4.2 beschrieben wurden sämtliche ASTER-Daten einer

unüberwachten ISODATA-Klassifikation unterzogen.

Durch die anschließende Cluster-Aggregierung war bereits eine a priori-

Einschätzung der Qualität der ISODATA möglich. Das bedeutet, dass bereits durch

die Kombination der Cluster ersichtlich wurde, in wie fern bei den einzelnen

Klassen Konfusion (das heißt Verwechslung, beziehungsweise Fehlklassifikation)

eine Rolle spielte. Diese trat insbesondere dann auf, wenn in den Szenen zahlreiche

Wolkenfelder und Dunstschleier vorhanden waren, die bei der Ausmaskierung nur

teilweise entfernt werden konnten. In solchen Datensätzen entfiel ein Großteil der

dreißig erstellten Cluster auf diese atmosphärischen Störungen, wodurch die

Trennbarkeit der restlichen Szene beeinträchtigt wurde.

Ein besseres Klassifikationsergebnis konnte darauf hin, bei den Szenen, bei

denen dies nötig war (siehe Anhang 1), durch eine erneute Klassifikation, auf die in

Kapitel 4.2 beschriebene Weise, erreicht werden. Dies begründet sich darauf, dass

der erste, kurzwelligste VNIR-Kanal, in dem die elektromagnetische Strahlung noch

stärker mit atmosphärischem Wasser wechselwirkt, aus der Analyse ausgeschlossen

wurde (ALBERTZ 2001:15).

Fehlzuweisung von Bildpunkten trat insbesondere bei tropischen

Primärwaldflächen als auch bei Weide- beziehungsweise Grasflächen auf. Bei

Ersteren kam es vornehmlich zur Einordnung in die Kokosklasse hoher

Bedeckungsgrade, Pixel der Grasländer wurden dagegen vor allem der Klasse

geringer Kokosbedeckung zugewiesen. Dies gegründet sich vermutlich darauf, dass

sowohl die dichten Kokosbestände als auch die Primärwälder komplexe

Blätterdächer, und daher Schatteneffekte die Rückstreuung beider

Bedeckungsklassen vereinheitlichen. Die Konfusion zwischen offenen

49

Kokosbeständen und Grasländern lässt sich dadurch erklären, dass in den Gebieten

dünner Kokosbedeckung, Gras beziehungsweise zwischen den Palmen angebaute

Pflanzen einen sehr hohen Anteil an der Reflektanz dieser Flächen hat. Daher ist

eine Unterscheidbarkeit gegenüber den reinen Grasflächen nicht mehr gewährleistet

(AGUILAR 2005:71; PALANISWAMI 2006:1706).

Ein weiteres Problem bestand darin, dass die Referenzdaten zur Zuweisung der

Cluster zu einer bestimmten Klasse, nicht zum selben Zeitpunkt aufgenommen

wurden, wie die klassifizierten Daten. Somit konnte nicht ausgeschlossen werden,

dass es zwischen den beiden Aufnahmedaten Veränderung im Gelände gab, die zu

einer Fehleinordnung des entsprechenden Clusters geführt hätte. Das Problem einer

falschen Zuordnung konnte jedoch minimiert werden, indem ein Vergleich des

Klassifikationsergebnisses mit den Referenzdaten an mehreren Stellen in der Szene

vorgenommen wurden.

Zu einer weiteren Verbesserung des Ergebnisses kam es durch die räumliche

Überarbeitung des Resultates durch die Eliminierung sehr kleiner Flächen und die

Ausmaskierung stark reliefierter Bereiche. Da die Kartierung von Kokosplantagen

und nicht die der allgemeinen Kokosbedeckung im Fokus stand, konnte auf das

Hintergrundwissen zurückgegriffen werden, dass Kokosplantagen nicht in

unzugänglichen, stark geneigten Regionen angelegt werden und darüber hinaus stets

größere zusammenhängende Fläche bilden. Daher war bei solchen Flächen davon

auszugehen, dass es sich entweder um Fehlklassifizierungen, oder um wild

wachsende Kokosbestände handelt. Außerdem herrschte Kenntnis darüber, dass mit

den ASTER-Daten (mit ihrer 28,5 mal 28,5 Metern betragenden Auflösung),

insbesondere durch Rauschen, Kleinstplantagen schlecht beziehungsweise gar nicht

erfasst werden können. Die Mindestgröße der, in den Abbildungen 24 bis 26

dargestellten Endprodukten, beträgt daher rund 0,5 Hektar.

50

Abb. 24: Kokosplantagenverteilung auf Éfaté (Vanuatu)


51

Kokosplantagenverbreitung auf Espiritu Santo (Vanuatu)

4

0 5 10 15 202,5Kilometers

Legend

Wasser

FestlandKokosbedeckung unter 40% KronenschlussKokosbedeckung über 40% Kronenschluss

keine Angaben

Erstellung: André ArmstroffErstellungsdatum: 17.08.2007

Abb. 25: Kokosplantagenverteilung auf Espiritu Santo (Vanuatu)


52

Abb. 26: Kokosplantagenverteilung auf Malakula (Vanuatu)


Alle drei Karten bestätigen die Vorkenntnisse, dass sich der Großteil der

Plantagen in den schwach reliefierten Küstenbereichen, beziehungsweise in den

Flussauen befindet. Die wenigen, als Plantagen ausgewiesene Flächen im

Landesinneren, begründen sich vorrangig auf Konfusion mit dichten, tropischen

53

Primärwäldern, die auf Grund ihrer zu geringen Reliefenergie nicht ausmaskiert

werden konnten. Diese wird einerseits durch die starken Einflüsse der Schatten in

den komplexen Blätterdächern hervorgerufen, zum anderen auch durch nicht

vollständig entfernte Dunsteffekte.

Eine Gegenüberstellung der ausgewiesenen Flächen ist in Tabelle 10 zu sehen.

Auffällig ist, dass Malakula große Flächen dichter Kokosbestände, beziehungsweise

Espiritu Santo weiträumige lockere Plantagen aufweist. Auch dies lässt sich auf das

Relief zurückführen, welches nahezu auf ganz Malakula stark ausgeprägt ist. Auf

Espiritu Santo hingegen existieren zahlreiche ausgedehnte Ebenen.

Tab. 10: Ausgewiesene Flächengrößen in Hektar


5.4 Ergebnis der Genauigkeitsanalyse

Die an dem fertig klassifizierten Datensatz durchgeführte Genauigkeitsanalyse

(gemäß Kapitel 4.3.2), hatte die in Tabelle 10 dargestellten Werte zum Ergebnis:

Tab. 11: Errormatrix der Genauigkeitsanalyse der Kokosplantagenklassifikation


Als Gesamtgenauigkeit der Klassifikation ergibt sich eine Overall Accuracy

von 72%. Diese basiert auf einer verhältnismäßig guten User Accuracy der Nicht-

54

Kokos-Klasse. Von den fünfzig Beispiel-Pixeln wurden lediglich drei

fehlklassifiziert. Jedoch kam es zu einer erheblichen Überklassifizierung, sowohl

der dichten, als auch der dünnen Kokosbestände. Hierbei stellten sich durch die

Genauigkeitsanalyse zwanzig (bei dichtem Kokosbewuchs) beziehungsweise zwölf

(bei dünnem Kokosbewuchs) der jeweils fünfzig untersuchten Pixel als Nicht-

Kokos-Flächen heraus. Als Ursache hierfür kann die Konfusion der tropischen

Primärwälder mit den dichten Kokosbeständen sowie die, der Grasländer mit den

dünnen Kokosbedeckungen angesehen werden. Diese konnte zwar, ähnlich wie die

Einflüsse von Wolken und Dunst, durch Ausmaskierung verringert werden, eine

vollständige Beseitigung des Problems kann dadurch allerdings nicht erreicht

werden.

Hingegen weißt die Producer Accuracy hohe Werte (82,35 und 89,19%) in

den beiden Kokosklassen und einen niedrigen (59,49%) in der Nicht-Kokos-Klasse

auf. Das deutet darauf hin, dass ein hoher Prozentsatz der tatsächlich existierenden

Plantagen, auch derart ausgewiesen wurde. Bei der nicht Kokosklasse kam es

jedoch, wie bereits an der User Accuracy zu sehen, zu einer gehäuften Einordnung

in die Kokosklassen.

Allerdings ist davon auszugehen, dass die Referenzdaten, anhand derer die

Genauigkeitsanalyse durchgeführt wurde, nicht in jeder Hinsicht korrekt sind,

beziehungsweise korrekt ausgewertet wurden. Zum einen treten erhebliche

Unterschiede in den Aufnahmedaten auf, so dass Geländeveränderungen nicht

ausgeschlossen werden können, zum anderen lagen teilweise Daten niedriger

räumlicher Auflösung als Referenz vor, so dass eine grobe Abschätzung anhand der

spektralen Eigenschaften vorgenommen werden musste. Eine derartige Auswertung

ist jedoch fehleranfällig und teilweise spekulativ.

55

6 Fazit

Diese Bachelorarbeit befasste sich mit der der Erarbeitung von Methoden zur

Trennung von Baumplantagen und anderen Landnutzungen. Die Untersuchungen

haben gezeigt, dass in erster Linie eine Extrahierung der Kokosplantagen aus

Fernerkundungsdaten anhand spektraler Eigenschaften möglich ist. Darüber hinaus

existieren aber auch verschiedenste andere Baumplantagen, die jeweils aber nur sehr

kleine Flächenanteile einnehmen. Eine explizite Untersuchung dieser hätte daher

den Rahmen dieser Arbeit gesprengt.

Grundsätzlich lies sich die Kokos-Nicht-Kokos-Trennung mit den ASTER-

Daten besser bewältigen als mit den Landsat-Daten. Da sich jedoch der blaue Kanal

(bei Landsat) sowie die SWIR-Bänder zwei bis sechs (bei ASTER), als kein

entscheidendes Trennungskriterium herausstellten, ist davon auszugehen, dass die

schlechtere Eignung der Landsat-Daten andere Gründe hat. Beispielsweise wäre zu

untersuchen, in wie fern sich saisonale Effekte, beziehungsweise bidirektionale

Sonneneinfallswinkel, die durch die Jahreszeiten verursacht werden, auf die

Trennbarkeit auswirken (JENSEN 2000:345).

Das Ergebnis der Klassifikation sowie die Genauigkeitsanalyse zeigten, dass

eine Verschlechterung der Trennung vor allem durch Konfusion mit tropischen

Primärwäldern sowie Grasländern hervorgerufen wird. Diese tritt vor allem in

wolkenverhangenen Szenen mit hohen Dunstanteilen auf. Eine Lösung dieses

Problems konnte auf Basis der Datengrundlage nicht erarbeitet werden.

Insbesondere unter den feuchten Bedingungen des tropischen Regenwaldes kann es

daher sinnvoll sein, zusätzlich auch die Möglichkeiten der Radar-Fernerkundung zu

Raten zu ziehen.

Abschließend gilt es noch, darauf hinzuweisen, dass in der vorliegenden

Arbeit versucht wurde, die Kokosplantage zu kartieren. Jedoch stellen diese eine

Landnutzung dar; der Fernerkundung ist es aber nur möglich die Landbedeckung zu

analysieren. Somit können die, in dieser Arbeit vorgestellten Methoden, unabhängig

von der Genauigkeit der Ergebnisse, nur eine Abschätzung der Plantagenverbreitung

im Untersuchungsraum liefern. Die exakte Ausweisung von wild wachsenden

Kokospalmen beziehungsweise tatsächlichen Plantagen, kann demnach nur durch

zusätzlich Daten aus aktuellen geographischen Informationssystemen erfolgen. Für

diese jedoch stellen die hier erzielten Fernerkundungsergebnisse wiederum eine

nützliche Informationsquelle dar.

56

Literatur

AA (Auswärtiges Amt) (2007): Vanuatu. Wirtschafts- und Umweltpolitik.

<http://www.auswaertiges-amt.de/diplo/de/Laenderinformationen/Vanuatu/

Wirtschaft.html> (Stand: 2006-05-27) (Zugriff: 2007-06-28).

AGUILAR, A. (2005): Remote Sensing of Forest Regeneration in Highland

Tropical Forests. In: GIScience & Remote Sensing 05, 1, 66-79.

ALBERTZ, J. (20012): Einführung in die Fernerkundung. Grundlagen der

Interpretation von Luft- und Satellitenbildern. Darmstadt: Wissenschaftliche

Buchgeselschaft.

ANISE, R. (1995): The New Forest Cover / Forest Function Map of Fiji.

<http://www.picisoc.org/files/1995-04.pdf> (Stand: 2007-06-22) (Zugriff: 2007-06-

25).

ANONYMOUS (2007): Vanuatu represented at UN conference in Cairns.

<http://www.geo.vuw.ac.nz/research/climate-change/vanuatu-forests/documents/

DailyPost13March2007.pdf> (Stand: 2007-03-13) (Zugriff: 2007-06-27).

APAN, A. (1997): Land Cover Mapping for Tropical Forest Rehabilitation

Planning Using Remotely-Sensed Data. In: International Journal of Remote Sensing

97, 5, 1029-1049.

BELLAMY , J. (1991): Vanuatu Resource Information System. VANRIS

Handbook. Brisbane: CSIRO.

BISCHOFF, L. (2003): Fernerkundung in der Geologie. Eine kurze Einführung.

<http://www.uni-muenster.de/GeoPalaeontologie/Geologie/Ferngis/ferninfo.html>

(Stand: 203-09-17) (Zugriff: 2007-07-19).

57

BHUSAN, J.; LATILEVU , V.; TUPUA, E. & A. WATA (1995): Forest Type

Mapping of Taveuni. <http://www.picisoc.org/files/1995-04.pdf> (Stand: 2007-06-

22) (Zugriff: 2007-06-25).

BMLV (Bundesministerium für Landesverteidigung) (o.J.): Neuseeländisches

Hoheitsgebiet und Streitkräftedislokation. <http://www.bmlv.gv.at/omz/

galerie.php?id=26> (Stand: o.S.) (Zugriff: 2007-07-02).

CALLAHAN , C. (2000): Rainforest Deforestation. <http://kanat.jsc.vsc.edu/

student/callahan/mainpage.htm#raininfo> (Stand: 2001-05-08) (Zugriff: 2007-06-

25).

CONGALTON, R. (1999): Assessing the Accuracy of Remotely Sensed Data.

Principles and Practices. Boca Raton: Lewis Publishers.

COOPS, N. (2007): Accuracy Assessment. <http://www.forestry.ubc.ca/

irss/lectures/Accuracy-Assessment.pdf> (Stand: 2007) (Zugriff: 2007-07-03).

CRN (Coalition of Rainforest Nations) (2007): Coalition of Rainforest

Nations. <http://www.rainforestcoalition.org/eng/> (Stand: o.S.) (Zugriff: 2007-06-

28).

DENNISON, P.; ROBERT, D.; PETERSON, S. & J. RECHEL (2004): Use of

Normalized Difference Water Index for Monitoring Live Fuel Moisture.

<http://www.geog.utah.edu/~pdennison/pubs/dennison_ijrs_ndwi_abstract.pdf>

(Stand: 2004-07-30) (Zugriff: 2007-08-26).

DUKE, J. (1983): Handbook of Energy Crops.

<http://newcrop.hort.purdue.edu/newcrop/duke_energy/Cocos_nucifera.html>

(Stand: 1996-07-08) (Zugriff: 2007-06-28).

ECKER, R., KALLIANY , R. & K. STEINNOCHER (1995): Fernerkundungsdaten für

die Planung eines Mobilfunknetzes. <http://www.ipf.tuwien.ac.at/publications/

re_rk_ks_p_oez95.html> (Stand: 2006-12-13) (Zugriff: 2007-07-03).

58

ESRI (Environmental Systems Research Institute) (Hrsg.) (1999): ArcView –

ArcView Help. Version 3.2, CD-ROM. Redlands: ESRI GIS and Mapping

Software.

FAO (Food and Agriculture Organization of the United Nations) (2004): What

does it take? The role of incentives in forest plantation development in Asia and the

Pacific. <ftp://ftp.fao.org/docrep/fao/007/ad524e/ad524e00.pdf> (Stand: o.S.)

(Zugriff: 2007-06-25).

GRACE, J.; KRUIJT, B. & A. FREIBAUER (2003): Scientific and Technical Issues

in the Clean Development Mechanism. <http://www.bgc-jena.mpg.de/public/

carboeur/archive/CDM2.pdf> (Stand: o.S.) (Zugriff: 2007-06-24).

GREENPEACE (2007): Die grüne Schatzkammer. <www.greenpeace.at/uploads/

media/Nachhaltige_Regenwald-Nutzung.doc> (Stand: o.S.) (Zugriff: 2007-07-19).

HAACK, B., SOLOMON, E. & N. HEROLD (2002): Radar and Optical Data Sensor

Integration for Land Cover Extraction. <http://www.isprs.org/commission1/

proceedings02/paper/00077.pdf> (Stand: 2002-11-26) (Zugriff: 2007-07-01).

HEMPHILL, J. (2001): On the Value of Coordinating Landsat Operations.

<http://www.geog.ucsb.edu/~jeff/projects/thesis/index.html> (Stand: 2002-05-29)

(Zugriff: 2007-07-09).

HEROLD, M. (2007): Besprechung der Ziele der Bachelorarbeit von André

Armstroff. Inhaltliche Themendiskussion über den Ablauf der Bachelorarbeit (2007-

06-18 17.00 Uhr). Jena: Institut für Geographie.

HEROLD, M. & J. SAMBALE (2007): Besprechung der Vorgehensweise in der

Datenverarbeitung der Bachelorarbeit von André Armstroff (2007-07-05 15.00

Uhr). Jena. Institut für Geographie.

59

HKBU (Hong Kong Baptist University) (2000): Supervised Classification.

<http://geog.hkbu.edu.hk/virtuallabs/rs/classification2.htm> (Stand: 2000-12-05)

(Zugriff: 2007-08-20).

JENSEN, J. (2000): Remote Sensing of the Environment. An Earth Resource

Perspective. Upper Saddle River: Prentice-Hall, Inc.

JOLLIFFE, I. (20022): Principal Component Analysis. New York: Springer.

KARAKOS, D.; KHUDANPUR, S.; EISNER, J. & C. PRIEBE (2005): Unsupervised

Classification via Decision Trees. An Information-theoretic Perspective.

<http://www.clsp.jhu.edu/ ~damianos/icassp05_camera.pdf> (Stand: 2007-08-24)

(Zugriff: 2007-08-27).

LAMB , D. (1990): Exploiting the Tropical Rain Forest. Paris: UNESCO.

LEICA GEOSYSTEMS (2006): Erdas Imagine - On-Line Help. Version 9.1, CD-

ROM. Norcross: Leica Geosystems Geospatial Imaging.

KLASNER L. & C. MIKAMI (1998): Land Use on the Island of Oahu, Hawaii.

<http://pubs.usgs.gov/wri/wri024301/pdf/wri02-4301.pdf> (Stand: 2004-04-16)

(Zugriff: 2007-07-04).

KRÜGER, N., WEBER, M. & D. LACHMANN (2004): Ökosystem Tropischer

Regenwald. <http://www.uni-giessen.de/geographie/mitarbeiter/scholz/download/

semanthro/20_01_2004.pdf> (Stand: 2004-01-20) (Zugriff: 2007-06-26).

KUMMER, D. (1992): Deforestation in the Postwar Philippines. Chicago:

University of Chicage Press.

NASA (National Aeronautics and Space Administration) (2003): Aster User

Handbook. <http://asterweb.jpl.nasa.gov/content/03_data/04_Documents/

aster_user_guide_v2.pdf> (Stand: 2003-05-08) (Zugriff: 2007-07-04).

60

NASA (National Aeronautics and Space Administration) (2004): Aster Talk.

<http://asterweb.jpl.nasa.gov/bibliography.asp> (Stand: 2004-09-07) (Zugriff: 2007-

07-01).

OCHEGO, H. (2003): Application of Remote Sensing in Deforestation

Monitoring. A Case Study of the Aberdares (Kenya). <http://www.fig.net/pub/

morocco/proceedings/TS11/TS11_4_ochego.pdf> (Stand: 2006-12-27) (Zugriff:

2007-07-01).

PALANISWAMI , C., UPADHYAY , A. & H. MAHESWARAPPA (2006): Spectral

Mixture Analysis for Subpixel Classification of Coconut. In: Current Science 06, 12,

1706-1711.

PCI GEOMATICS (Hrsg.) (2003): PCI Geomatica - Geomatica Prime Help

9.1.0, CD-ROM. Richmond Hill: PCI Geomatics.

POTTER, C. (1999): Terrestrial Biomass and the Effects of Deforestation on the

Global Carbon Cycle. In: BioScience 99, 10, 769-778.

RAMSEY, R. (2006): Introductory Digital Image Processing. Resampling

Methods. Neares Neighbor. <http://www.cas.sc.edu/geog/rslab/Rscc/mod5/5-

2/nn.html> (Stand: 2006-11-06) (Zugriff: 2007-08-26).

RASKOB, C. (2004): Schwerpunkt-Voronoi-Diagramme. <http://

www.mcgods.de/fun/d/doc/CentroidalVoronoi/> (Stand: 2004-06-22) (Zugriff:

2007-07-30).

REYNOLDS, S. (1995): Pasture-Cattle-Coconut Systems. <http://www.fao.org/

docrep/005/af298e/af298e00.htm> (Stand: o.S.) (Zugriff: 2007-08-21).

RICHARDS, J. & X. JIA (20054): Remote Sensing Digital Image Analysis. An

Introduction. New York: Springer.

61

SPEKTRUM (Hrsg.) (2000): Lexikon der Geowissenschaften. Heidelberg:

Spektrum Akademischer Verlag.

SRI SUMANTYO , J. (2002): Tropical Forest Monitoring Using Synthetic

Aperture Radar. Theories and Applications. <http://www.pandhitopanji-f.org/

jtetukoss/documents/> (Stand: 2007-04-07) (Zugriff: 2007-07-01).

STEHMAN, S. & R. CZAPLEWSKI (1998): Design and Analysis for Thematic Map

Accuracy Assessment. Fundamental Principles. In: Remote Sensing of Environment

98, 64, 331-344.

UN (United Nations) (1992): Rahmenübereinkommen der vereinten Nationen

über Klimaänderungen. <http://unfccc.int/resource/docs/convkp/convger.pdf>

(Stand: 2007-06-21) (Zugriff: 2007-06-20).

UN (United Nations) (1998): Kyoto Protocol to the United Nations

Framework Convention on Climate Change. <http://unfccc.int/resource/

docs/convkp/kpeng.pdf> (Stand: 2007-06-08) (Zugriff: 2007-06-21).

UNBC (University of Northern British Columbia) (2007): Radiometric

Correction. <http://www.gis.unbc.ca/courses/geog432/lectures/lect6/index.php>

(Stand: o.S.) (Zugriff: 2007-08-09).

USGS (United States Geological Survey) (2006): Landsat Thematic Mapper

Data (TM). <http://edc.usgs.gov/guides/landsat_tm.html> (Stand: 2006-08-22)

(Zugriff:2007-07-03).

UT (University of Texas) (1998): Vanuatu. Shaded Relief.

<http://www.lib.utexas.edu/maps/australia/vanuatu_rel98.jpg> (Stand: 2007-06-22)

(Zugriff: 2007-07-19).

VITO (Flemish Institute for Technological Research) (2006): NDWI.

<http://www.vgt4africa.org/ViewContent.do?pageId=27> (Stand: 2007-06-25)

(Zugriff: 2007-07-06).

62

VTO (Vanuatu Tourism Office) (2007): Vanuatu Tourism.

<http://www.vanuatutourism.com/vanuatu/cms/index.html> (Stand: o.S.) (Zugriff:

2007-06-21).

VUW (Victoria University of Wellington) (2006): Vanuatu Forests: Reducing

Emissions from Deforestation. <http://www.geo.vuw.ac.nz/research/climate-change/

vanuatu-forests/index.html> (Stand: 2007-01-10) (Zugriff: 2007-06-27).

WATSON, R. (2000): A Report on the Key Findings from the IPCC Special

Report on Land-Use, Land-Use Change and Forestry.

<http://www.ipcc.ch/present/sp-lulucf.htm> (Stand: 2000-06-13) (Zugriff: 2007-08-

09).

WOOD, R. (2004): Auf dem absteigenden Ast. Zur Lage der tropischen Wälder

weltweit. < http://tropenwald.org/ > (Stand: 2006-04-19) (Zugriff: 2007-07-19).

YU, Q.; GONG; P. CLINTON, N.; BIGING, G.; KELLY , M. & D. SCHIROKAUER

(2006): Object-based Detailed Vegetation Classification with Airborne High Spatial

Resolution Remote Sensing Imagery. In: Photogrammetric Engineering & Remote

Sensing 06, 7, 799–811.

63

Anhang

Anhang 1: Daten der verwendeten ASTER-Szenen Szenen-Nr. Aufnahmedatum enthaltene Inseln Klassifizierte Kanäle

19439 17.10.2006 Malakula VNIR 2, 3, SWIR 1, PCA 1, 2 20467 17.04.2006 Éfaté VNIR 1, 2, SWIR 3, NDWI, PCA 1 20476 17.04.2006 Éfaté VNIR 1, 2, SWIR 3, NDWI, PCA 1 21244 18.06.2006 Ambrym, Malakula VNIR 1, 2, SWIR 3, NDWI, PCA 1 22109 09.11.2006 Malakula VNIR 1, 2, SWIR 3, NDWI, PCA 1 22119 11.05.2004 Espiritu Santo VNIR 2, 3, SWIR 1, PCA 1, 2 22121 11.05.2004 Espiritu Santo VNIR 2, 3, SWIR 1, PCA 1, 2 23248 24.12.2005 Ambrym, Malakula VNIR 1, 2, SWIR 3, NDWI, PCA 1 24043 01.01.2003 Espiritu Santo VNIR 1, 2, SWIR 3, NDWI, PCA 1 24691 29.07.2006 Éfaté VNIR 2, 3, SWIR 1, PCA 1, 2 26624 09.06.2006 Espiritu Santo VNIR 2, 3, SWIR 1, PCA 1, 2 27284 09.06.2006 Espiritu Santo VNIR 1, 2, SWIR 3, NDWI, PCA 1

(Datenquelle: eigene Darstellung) Anhang 2: Daten der verwendeten Landsat-TM-Szenen

Path Row Aufnahmedatum enthaltene Inseln 81 71 11.02.2003 Malakula 82 70 unbekannt Espiritu Santo 82 71 17.04.2001 Malakula, Espiritu Santo

(Datenquelle: eigene Darstellung) Anhang 3: Daten der verwendeten Landsat-ETM-Szenen

Path Row Aufnahmedatum enthaltene Inseln 81 72 22.07.2004 Éfaté

82 71 27.05.2004 Malakula, Espiritu Santo (Datenquelle: eigene Darstellung) Anhang 4: Schwellenwerte der Wasser- und Wolkenmaskierung für die ASTER-Szenen

Szene Obergrenze im 1. VNIR Untergrenze im 1. SWIR 19439 150 40 20467 115 25 20476 115 25 21244 100 25 22109 145 35 22119 110 20 22121 110 20 23248 140 35 24043 110 35 24691 100 20 26624 90 25 27284 100 25


64

Anhang 5: Reflektanzmittelwerte und -standartabweichungen der Trainingsgebiete verschiedener Landbedeckungsklassen in den verfügbaren ASTER-Kanälen

Busch- und Strauchland Kokosbedeckung unter 15%

Kanalbezeichnung Mittelwert Standartabweichung Mittelwert Standartabweichung VNIR1 4,16171 4,356579 8,03874 8,995666 VNIR2 1,95836 2,638976 5,86577 6,996132 VNIR3 46,43978 42,661217 34,60090 21,395670 SWIR1 21,90372 18,003265 22,45495 20,594208 SWIR2 9,83234 7,731763 11,43874 9,038627 SWIR3 9,94721 8,464015 11,53694 11,527428 SWIR4 8,68364 7,364337 10,09459 9,862878 SWIR5 7,33048 6,563673 9,06126 9,223131 SWIR6 9,57807 9,264005 11,78288 7,484367


Kokosbedeckung über 60% Kokosbedeckung zwischen 15 und 60%

Kanalbezeichnung Mittelwert Standartabweichung Mittelwert Standartabweichung VNIR1 5,91687 4.256.238 6,94524 6.475.972 VNIR2 3,97449 4.333.894 4,80714 6.371.039 VNIR3 33,97654 19.436.466 35,36310 18.036.854 SWIR1 15,19136 7.204.019 18,37738 21.244.804 SWIR2 7,68066 4.194.798 9,30357 11.365.619 SWIR3 7,25185 4.661.667 9,05595 13.169.546 SWIR4 6,06831 5.162.623 7,88571 13.113.192 SWIR5 5,27366 4.312.459 6,94524 11.707.146 SWIR6 8,04527 6.431.087 9,95952 10.828.884


Nicht-Kokosbedeckung über 60% Tropischer Primärwald

Kanalbezeichnung Mittelwert Standartabweichung Mittelwert Standartabweichung VNIR1 4,30982 3.727.225 4,66490 8.051.929 VNIR2 2,30982 3.508.473 2,46202 5.182.717 VNIR3 39,20613 26.572.206 39,12163 46.892.536 SWIR1 18,86012 7.386.391 16,98413 13.095.023 SWIR2 9,08282 2.825.378 8,07933 2.993.672 SWIR3 8,83190 3.505.833 7,82981 4.368.550 SWIR4 7,68957 3.238.218 6,43750 3.565.830 SWIR5 6,51227 2.973.860 5,41394 2.791.605 SWIR6 9,67791 3.444.609 6,74519 12.766.302


65

Anhang 6: Reflektanzmittelwerte und -standartabweichungen der Trainingsgebiete verschiedener Landbedeckungsklassen in den verfügbaren TM-Kanälen

Busch- und Strauchland Kokosbedeckung unter 15%

Kanalbezeichnung Mittelwert Standartabweichung Mittelwert Standartabweichung Blau 5,59051 6.192.879 6,10936 6.264.400 Grün 8,55506 7.297.951 9,55029 9.950.388 Rot 4,88165 5.138.387 6,37544 6.317.934

NIR1 45,08861 39.741.726 42,57368 71.131.256 NIR2 24,55380 17.863.277 20,83333 22.487.423 NIR3 10,98228 7.765.160 9,24620 7.401.005


Kokosbedeckung über 60% Kokosbedeckung zwischen 15 und 60%


NIR1 31,28242 38.615.582 37,60000 60.359.440 NIR2 14,00970 20.863.546 17,25000 23.943.136 NIR3 6,53758 9.781.462 7,87857 9.001.417


Nicht-Kokosbedeckung über 60% Tropischer Primärwald


NIR1 42,81359 38.522.228 34,14703 89.560.684 NIR2 21,42039 20.033.642 15,65479 30.174.625 NIR3 9,58544 9.282.416 7,17831 12.857.171


66

Selbstständigkeitserklärung Hiermit wird bestätigt, dass die vorliegende Bachelor-Arbeit von dem Studierenden

selbstständig verfasst und keine anderen als die angegebenen Quellen und

Hilfsmittel benutzt sowie Zitate und gedankliche Übernahmen kenntlich gemacht

wurden.

_____________________________

Datum, Unterschrift

Date post:	27-Jul-2015
Category:	Documents
Upload:	wurstoman
View:	1,041 times
Download:	2 times