Landnutzungsstatistiken aus Fernerkundungsdaten

Inhaltsverzeichnis

Abbildungsverzeichnis / Tabellenverzeichnis

1 Einleitung

2 Grundlagen der Klassifizierung

3 Arbeitsschritte der überwachten Klassifikation
3.1 Erstellung eines Klassifikationsschlüssels
3.2 Lokalisieren von Trainingsgebieten
3.3 Signaturanalyse
3.4 Maximum-Likelihood-Verfahren
3.5 Überprüfung und Bewertung der Ergebnisse

4 Schwierigkeiten

5 Literaturverzeichnis

Anhang

Abbildungsverzeichnis

Abbildung 1: Reflexion von Vegetation, Boden und Wasser im sichtbaren und nahen Infrarotbereich

Abbildung 2: Reflexion verschiedener Trainingsgebiete; Kanal 1 = sichtbares Grün, Kanal 2 =sichtbares Rot, Kanal 3 = nahes Infrarot, Kanal 4 = kurzwelliges Infrarot

Abbildung 3: Satellitenszene IRS P6 LISS III, 23,5 x 23,5 m, Kanaleinstellung: 342; Untersuchungsgebiet: Uckermark

Abbildung 4: Klassifizierungsergebnis mit Maximum-Likelihood-Verfahren

Abbildung A1: Kanaleinstellung 3-2-1 (Naturfarbdarstellung) Anhang

Abbildung A2: Kanaleinstellung 4-3-2 (Color-Infrarot-Darstellung) Anhang

Abbildung A3: Kanaleinstellung 4-5-3 (Falschfarbdarstellung) Anhang

Tabellenverzeichnis

Tabelle 1: Landnutzungsklassen der Klassifikation und deren inhaltliche Definition

Tabelle 2: Vereinfachtes Schema einer Konfusionsmatrix

Tabelle 3: Beispiel einer Konfusionsmatrix nach einer Maximum-Likelihood- Klassifikation

Tabelle A1: Nomenklatur der Bodenbedeckungen für Europa Anhang

1 Einleitung

Laut Gesetz muss regelmäßig eine Flächenerhebung nach Art der tatsächlichen Nutzung sowie eine Flächenerhebung nach Art der geplanten Nutzung stattfinden. Im Rahmen dieser allgemeinen Agrarstrukturerhebung erfolgt alle vier Jahre zu einem festgelegten Stichtag eine Bestandsaufnahme der momentanen Verhältnisse der Bodennutzung in der Bundesrepublik Deutschland durch Auswertung des Liegenschaftskatasters.

Im Rahmen einer zusätzlichen Bodennutzungshauptkartierung wird u.a. der Anbau auf dem Ackerland (Nutzung der Bodenflächen nach Kulturarten, Pflanzengruppen und -arten sowie Kulturformen) erfasst. Für diese Nutzungskartierung wird seit einigen Jahren die Fernerkundung unterstützend eingesetzt. So soll der Anbau-Umfang einzelner Feldfrüchte erfasst werden. Mittlerweile ist es recht unproblematisch, die Hauptanbauarten Getreide, Hackfrüchte und Grünland in Luftbildern zu erkennen. Als schwieriger erweist sich eine weitergehende Differenzierung z.B. in Weizen, Roggen und Gerste (nach Albertz 2001, S. 199).

Fernerkundungsdaten werden sowohl für die Inventur als auch zur Kontrolle landwirtschaftlicher Flächennutzung und zur Erhebung der aktuellen Anbauflächen der Feldfrüchte verwendet.

2 Grundlagen der Klassifizierung

Grundlage für die Klassifikation bilden die unterschiedlichen Reflexionseigenschaften der verschiedenen Objekte. Elektromagnetische Strahlung, die auf einen Körper trifft, wird zu einem Teil an seiner Oberfläche reflektiert, ein weiterer Teil wird von ihm absorbiert und der Rest durchdringt den Körper. Die Unterschiede im Reflexionsverhalten sind auf physikalische und chemische Eigenschaften der Objekte und insbesondere deren Oberflächenbeschaffenheit zurückzuführen. Je glatter und glänzender zum Beispiel eine Blattoberfläche ist, desto stärker ist in der Regel die Reflexion. Weitere Einflusskriterien sind: Feuchtigkeitsgehalt, Nährstoffhaushalt, u.v.m. (nach Albertz 2001).

So weisen bestimmte Pflanzenarten eine jeweils charakteristische spektrale Reflexion auf. Ziel der Fernerkundung soll es sein, mittels Clusterbildungen eine Klassifikation zu erreichen, die die unterschiedlichen Landnutzungen kategorisiert.

Es gibt zwei unterschiedliche Arten der Klassifikation:

1) Unüberwachte Klassifikation (unsupervised classification):
Mit Hilfe statistischer Verfahren wird jedes Pixel einer Teilklasse zugeordnet. Die Identität der Klassen muss der Anwender später selber herausfinden. Diese Methode eignet sich besonders bei zunächst unbekannten Untersuchungsgebieten.
2) Überwachte Klassifikation (supervised classification):
Hier wird von bekannten Erscheinungen ausgegangen. Für jede selbst festgelegte Objektklasse werden Trainingsgebiete bestimmt. Diese bilden die Musterklassen für die entsprechenden Kategorien. Alle Pixel der Satellitenszene außerhalb dieser Trainingsgebiete werden aufgrund der spektralen Signatur den entsprechenden Pixelwerten und den damit verbundenen Klassen zugeordnet. Oftmals wird unterstützend die unüberwachte Klassifizierung angewendet um im Voraus zu untersuchen, wieviele und welche Klassen überhaupt unterschieden werden können.

Weitere Merkmale, die bei der Klassifikation mit berücksichtigt werden können, auf die hier aber nicht weiter eingegangen wird, sind: Textur, Musterung, Größe, Form, Orientierung, Zeit und Merkmale wie Winkel, Enden und Kanten (nach Lexikon der Kartographie und Geomatik).

Als günstig vor allem bei der Klassifizierung von Landnutzungs- und Vegetationstypen hat sich die Multispektral-Klassifizierung erwiesen. Sie beruht auf der Tatsache, dass mit unterschiedlichen Spektralkanälen die selbe Szene in verschiedenen Wellenlängenbereichen aufgenommen wird. Somit erhält jedes Pixel nicht nur einen, sondern mehrere Grauwerte. Die unterschiedlichen Kanäle lassen sich später am Bearbeitungsprogramm beliebig kombinieren. Dabei haben sich bestimmte Kanalzusammenstellungen bewährt: Da im blauen sichtbaren Bereich Dunststörungen durch Streulicht vorhanden sind, wird auf die Darstellung dieses Wellenlängenbereichs (0,45-0,52 μm) oftmals verzichtet. Stattdessen bietet sich der Bereich des nahen Infrarots an, in dem grüne Pflanzen am besten unterschieden werden können. Abbildung 1 zeigt den steilen Anstieg der Reflexion von Vegetation im Bereich des nahen Infrarots sowie den anhaltenden hohen Reflexionsgrad im kurzwelligen Infrarot. Beliebte Farbkombinationen bei Landsat-Szenen sind die Kanaleinstellungen 4-5-3 oder 4-3-2 (die Abbildung A1-A3 im Anhang zeigen die üblichen Kanaleinstellungen von Landsat-Szenen).

Abbildung in dieser Leseprobe nicht enthalten

Die spektrale Reflexion eines Vegetationstyps ist weder konstant in der Zeit noch homogen auf der gesamten Fläche. Aufgrund der Phänologie und der damit verbundenen unterschiedlichen Wachstumsentwicklung der Pflanzen, bietet es sich an, eine multitemporale Klassifikation durchzuführen. Dies bedeutet eine Auswertung von Bilddaten einer Szene, die zu unterschiedlichen Zeitpunkten aufgenommen wurden. So ist diese Methode gut geeignet, zeitlich veränderte Erscheinungen wie Vegetation und Feldfrüchte von wenig veränderlichen wie Siedlungsflächen und Verkehrswegen abzugrenzen; die Trennbarkeit von Pflanzen unterschiedlicher phänologischer Entwicklung wird deutlich verbessert (Löffler, Henocker, Stabel 2005, S. 214). Als günstig haben sich dabei die Zeiträume Ende April/Anfang Mai und Ende Juni/Anfang Juli erwiesen.

[...]