Landnutzungsklassifikation im Becken von Zoige (NO-Tibet) anhand von Landsat-TM-Aufnahmen unter besonderer Berücksichtigung der Landschaftsdegradation

Inhaltsverzeichnis

1 Einleitung

2 Einführung in das Untersuchungsgebiet
2.1 Lage des Untersuchungsgebietes
2.2 Naturräumliche Gliederung
2.3 Klima des Untersuchungsgebietes
2.4 Geologie des Untersuchungsgebietes
2.5 Böden des Untersuchungsgebietes
2.6 Vegetation und Landnutzung des Untersuchungsgebietes

3 Grundlagen zur Klassifikation von multispektralen Daten
3.1 Charakteristiken des Landsat-5-Programmes
3.2 Spektrale Signaturen von Oberflächen
3.2.1 Vegetation
3.2.2 Böden
3.2.3 Wasser
3.3 Grundprinzipien von algorithmenbasierten Klassifikationsverfahren
3.3.1 Unüberwachte Klassifikation mittels des K-Means-Algorithmus
3.3.2 Überwachte Klassifikation mittels des Maximum-Likelihood-Algorithmus
3.3.3 Genauigkeitsassessment

4 Durchführung der Klassifikation der Landsat-TM-Aufnahmen
4.1 Datenakquisition und -vorverarbeitung
4.2 Ausweisung von Trainingsgebieten
4.2.1 Überprüfung der Klassenseparabilität anhand von Bhattacharyya-Distanzen
4.2.2 Verifikation der spektralen Signaturen ausgewiesener Trainingsgebiete
4.3 Visualisierung der Klassifikationsergebnisse
4.4 Evaluierung der Klassifikationsergebnisse
4.4.1 Qualitative Analyse
4.4.2 Quantitative Analyse
4.4.3 Qualitätskontrolle der durchgeführten Klassifikation

5 Multitemporale Auswertung der Klassifikationsergebnisse
5.1 Auswertung der Flächenanteile
5.2 Betrachtung der Interklassenpfade

6 Diskussion der Klassifikationsergebnisse

7 Fazit

Literaturverzeichnis

Anhang

Abbildungsverzeichnis

Abb. 1: Räumliche Einordnung des Untersuchungsgebietes

Abb. 2: Geoökologische Reliefeinheiten des Untersuchungsgebietes

Abb. 3: Klimadiagramm der Station Ruoergai

Abb. 4: Spektrale Signaturen der dominanten Oberflächenmaterialien

Abb. 5: Idealisierte Ausbildung von spektralen Clustern

Abb. 6: Funktionsweise des K-Means-Algorithmus

Abb. 7: Funktionsweise des Maximum-Likelihood-Algorithmus

Abb. 8: Idealisierter Aufbau einer Konfusionsmatrix

Abb. 9: Im Rahmen der visuellen Kartierung verwendete Kanalkombinationen

Abb. 10: Ergebnis der Landbedeckungsklassifikation vom

Abb. 11: Ergebnis der Landbedeckungsklassifikation vom

Abb. 12: Ausschnitt aus dem Auenbereich des Huang Hes (1994)

Abb. 13: Ausschnitt aus dem Bereich der Mündung des Bai Hes in den Huang He (2009)

Abb. 14: Jeweilige Fläche ausgewiesener thematischer Klassen im Untersuchungsgebiet

Abb. 15: Generalisierte absolute Entwicklung der Flächenanteile ausgewiesener Klassen

Abb. 16: Generalisierte relative Entwicklung der Flächenanteile ausgewiesener Klassen

Abb. 17: Räumliche Verortung von Klassen ohne Veränderungen (1994-2009)

Abb. 18: Räumliche Verortung von Destinationsklassen nach Veränderung (1994-2009)

Tabellenverzeichnis

Tab. 1: Übersicht über die spektralen Charakteristiken des TM-Sensors

Tab. 2: Bhattacharyya-Distanzen zwischen ausgewiesenen Klassen (1994)

Tab. 3: Bhattacharyya-Distanzen zwischen ausgewiesenen Klassen (2009)

Tab. 4: Accuracy Statistics (1994)

Tab. 5: Accuracy Statistics (2009)

Tab. 6: Klassenpfade geordnet nach absoluter und relativer Veränderung (1994-2009)

1 Einleitung

Im Zuge der einberufenen United Nations Conference on Desertification im Jahr 1977 in Nairobi als Folge der Dürrekatastrophe in der Sahelzone 1969-73 (Mensching 1990:1) erfolgten zahlreiche weltweite Studien, die sich mit den Ursachen und Auswirkungen der Desertifikation beschäftigen. In China wurden diesbezügliche Studien überwiegend in den ariden bis semi-ariden Gebieten im Norden des Landes durchgeführt, sodass der Fokus erst in den letzten Jahren auf die ebenfalls betroffenen kalt-humiden Regionen des Qinghai-Tibet-Plateaus gelegt wird (Dong et al. 2010:1731). Das Becken von Zoige ist in dieser Hinsicht insofern von besonderem Interesse, als dass bei einer anuellen Niederschlagsmenge von über 600 mm aktive Dünenfelder vorliegen. Somit soll im Rahmen der vorliegenden Arbeit unter der Anwendung von fernerkundlichen Methoden und im Hinblick auf die rezente Prozessdynamik untersucht werden, inwieweit der Begriff der Landschaftsdegradation, der „eine negative Veränderung ökologischer und/oder ökonomischer Potenziale von Räumen, die nach Größe und Charakter als Landschaften gelten“ (Seuffert 2001:9) beschreibt, für das Untersuchungsgebiet zutreffend ist.

Den Einstieg in die Ausarbeitung stellt die ökologische Einordnung des Untersuchungsgebietes dar, indem auf naturräumliche Charakteristiken sowie vor dem Hintergrund der übergreifenden Frage- stellung prägende abiotische und biotische Faktoren eingegangen wird. Anschließend erfolgt eine Einführung in die im Rahmen dieser Arbeit verwendeten methodischen Grundlagen, wobei ein besonderes Augenmerk auf den generellen Aufbau der verwendeten Landsat-TM-Aufnahmen, die spektrale Reflektionscharakteristik verschiedener Oberflächentypen sowie die Funktionsweise von angewandten algorithmenbasierten Klassifikationsverfahren gelegt wird. Im Kern der Arbeit erfolgt schließlich die Durchführung der Landnutzungsklassifikation auf Grundlage von zwei Landsat-TM- Aufnahmen, wobei der Fokus auf der qualitativen und quantitativen Evaluierung der Klassifikation liegt. Im Rahmen der darauf aufbauenden multitemporalen Analyse wird die Betrachtung um eine dynamische Dimension erweitert, sodass potentielle Veränderungen in Bezug auf Degradation der Landschaft im Untersuchungsgebiet herausgearbeitet werden können. Die Diskussion der Klassifkations- ergebnisse dient dem Vergleich der im Rahmen dieser Ausarbeitung gewonnenen Erkenntnisse mit den Ergebnissen anderer Autoren. Abschließend wird in Anbetracht der Ergebnisse und unter Berück- sichtigung von einschlägiger Literatur sowie der verwendeten Methodik ein Fazit gezogen.

Das Ziel der Arbeit liegt auf der Quantifizierung von potentiell degradierten Arealen im Untersuchungsgebiet sowie der Ausarbeitung einer mutlitemporalen Analyse zur Veranschaulichung der aktuellen Landschaftsdynamik durch raum-zeitliche Veränderungen auf Grundlage von multispektralen Satellitenaufnahmen sowie hierfür geeigneter Klassifikationsmethoden.

2 Einführung in das Untersuchungsgebiet

2.1 Lage des Untersuchungsgebietes

Das Becken von Zoige befindet sich im nordöstlichen Teil des Qinghai-Tibet-Plateaus an der Grenze der drei chinesischen Provinzen Sichuan, Gansu und Qinghai zwischen 32° 20‘ und 34° 00‘ nördlicher Breite sowie 101° 30‘ und 103° 30‘ östlicher Länge (Dong et al. 2010:1732). Es erstreckt sich über eine Fläche von 26.480 km² und befindet sich hauptsächlich unter der Administration der Bezirke Zoige County, Hongyuan County und Aba County der Provinz Sichuan sowie des zur Provinz Gansu zugehörigen Bezirks Maqu County (Dong et al. 2010:1732). Das Becken wird im Westen durch den Gebirgszug des Anye- maqen, im Osten durch den Min Shan und im Süden durch das Qionglai-Gebrige umrahmt (Dong et al. 2010:1732). Gelegen am Oberlauf des Huang Hes (Yellow River), der aus SW in das Becken von Zoige hineinfließt und bei ca. 102,5° N scharf nach NW abknickt, wird es komplett über ihn sowie seine beiden im Süden bzw. im Westen verlaufenden Tributäre Hei He und Bai He entwässert (Bai et al. 2013:55).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 1: Räumliche Einordnung des Untersuchungsgebietes (eigene Darstellung nach USGS 2012).

2.2 Naturräumliche Gliederung

Das Becken von Zoige weist aufgrund seiner lakustrinen Überprägung ein relativ flaches Relief mit einer durchschnittlichen Höhenlage von ca. 3500 m a.s.l. auf (Chen et al. 1999:308), während sich die mittlere Erhebung der umliegenden Gebirgszüge auf über 4300 m a.s.l. beläuft (Lehmkuhl 1997:180). Der Huang He trägt mit seinen Nebenflüssen, welche in einer von Altarmen gesäumten, maximal 2 km breiten Talaue mäandrieren, maßgeblich zur naturräumlichen Prägung des Untersuchungsgebietes bei. Sein fluviales Formungspotential wird durch bei Betrachtung seiner Länge von 5.464 km, womit er den zweitlängsten Fluss Chinas darstellt, deutlich (Coleman/Huh 2003:99).

Nach Lehmkuhl (1997:183) kann das Untersuchungsgebiet in acht verschiedene geoökologische Reliefeinheiten unterschieden werden, die der Abb. 2 entnommen werden können. So kann zwischen der rezenten Aue (1), die bis zu 3 m über das Flussniveau reicht, und der nächst höheren Akkumulationsterrasse (2), die durch eine 8-12 m hohe Geländestufe und eine Talbreite von bis zu 21 km gekennzeichnet ist, differenziert werden (Lehmkuhl 1993:88). Aufgrund einer monsunalen Niederschlagscharakteristik sowie der Gletscher- und Schneeschmelze erfolgt der Hauptabfluss im Sommer, sodass v.a. das an den Gleithängen akkumulierte und kaum bewachsene Sediment im Winterhalbjahr äolisch ausgetragen werden kann und somit zur räumlichen Vergesellschaftung von Flugsanddecken und Dünen in den Flusstälern führt (Lehmkuhl 1997:183). Ansonsten ist das Relief durch flachwellige Hügelketten gekennzeichnet, die 200 bis 300 m über den tiefer gelegenen Beckenbereichen aufragen und somit nur eine relativ geringe Reliefenergie aufweisen (Lehmkuhl 1993:88). Die Kuppen- standorte (3 bis 6) werden an dieser Stelle nicht weiter nach Hangposition und Exposition unter- schieden, sondern generalisierend zusammengefasst. Sie zählen zu den trockeneren Standorten, während die zwischen den Hügelketten liegenden Beckenbereiche großflächig von Mooren (7 und 8) bedeckt sind, die intra- und interannual beträchtlichen Grundwasserschwankungen unterworfen sein können, sodass partiell sogar durch hohe Wasserstände offene Wasserflächen entstehen können (Lehmkuhl 1993:87).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 2: Geoökologische Reliefeinheiten des Untersuchungsgebietes (Lehmkuhl 1997:184).

2.3 Klima des Untersuchungsgebietes

Aufgrund seiner großräumigen Erhebung und Erstreckung trägt das Hochland von Tibet nicht nur in entscheidendem Maße zur klimatischen Entwicklung in Süd- und Ostasien bei, sondern beeinflusst generell auch die gesamte atmosphärische Zirkulation der nördlichen Hemisphäre (Cui/Graf 2009:49). Als wichtigste das Klima determinierende Faktoren sind dabei sowohl der Effekt der orographischen Blockade von zonalen und meridionalen Luftströmungen als auch der thermodynamische Effekt der Massenerhebung zu nennen, wodurch es aufgrund des verstärkten Strahlungsumsatzes im Sommer zur Ausbildung eines thermischen Tiefdruck- und aufgrund der Ausstrahlung im Winter zur Genese eines thermischen Hochdruckgebietes kommt (Cui/Graf 2009:49). Als Resultat der atmosphärischen Zirkulation und topographischen Konfiguration kommt es auf dem Qinghai-Tibet-Plateau daher zur Aus- bildung von unterschiedlichen Temperatur-Feuchtigkeits-Regimen, die bei generalisierter Betrachtungs- weise graduell von warm-humiden Bedingungen im SE zu kalt-ariden-Bedingungen im NW übergehen (Du 1996:412). Die Oberflächentemperatur ist dabei aufgrund des orogenen Charakters generell als relativ niedrig einzustufen und unterliegt neben den jahreszeitlichen auch starken diurnalen Schwan- kungen, die im Frühling bis zu 50 K und im Sommer bis zu 20 K betragen können (Cui/Graf 2009:50).

Aufgrund der starken Abhängigkeit von vorherschenden Windrichtungen kommt es zu stark ausgeprägten räumlichen und zeitlichen Variabilitäten hinsichtlich der Niederschlagsmenge (Cui/Graf 2009:50). Das Becken von Zoige befindet sich in den Sommermonaten sowohl im Einflussbereich des indischen, als auch des südostasiatischen Monsuns, was vergleichsweise hohe Niederschlagsmengen zur Folge hat (Chen et al. 1999:308). Im Winterhalbjahr wird das Untersuchungsgebiet durch den nördlichen Ausläufer der Westwindzone und das mongolische Hochdruckgebiet beeinflusst, was kalt-aride klimatische Bedingungen und hohe Windgeschwindigkeiten verursacht (Chen et al. 1999:308). Das Klima im Untersuchungsgebiet zeichnet sich alternierend durch kühle, monsunal-humide sowie kalt-aride, durch die Westerlies geprägte Bedingungen aus, wobei lange Winter und kurze Sommer charakteristisch sind (Dong et al. 2010:1732). Gemäß der aktualisierten Einordnung der Köppen-Geiger-Klassifikation werden die klimatischen Bedingungen unter dem Kürzel Dwc zusammengefasst, was einem winter- trockenen und sommerkalten Schneeklima entspricht (Kottek et al. 2006:260). Wie dem Klimadia- gramm der im Untersuchungsgebiet gelegenen Station Ruoergai (vgl. Abb. 5) zu entnehmen ist, beläuft sich die Jahresmitteltemperatur auf 1,1 °C, wobei der Januar mit einer durchschnittlichen Temperatur von -10,1 °C den kältesten sowie der Juli mit 10,7 °C den wärmsten Monat darstellt und der Gefrierpunkt lediglich in den Monaten April bis Oktober überschritten wird. Der durchschnittliche Jahresniederschlag beträgt 649 mm, wobei dieser sich zu ca. 85 % auf das Sommerhalbjahr (April bis September) und in etwa ca. 52 % auf die drei Sommermonate (Juni bis August) konzentriert.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 3: Klimadiagramm der Station Ruoergai (eigene Darstellung nach Weather China 2013).

2.4 Geologie des Untersuchungsgebietes

Die Genese des Qinghai-Tibet-Plateaus ist eine Folge der Kollision der indischen mit der eurasischen Kontinentalplatte sowie eingeschalteten Mikrokontinenten, die vor ca. 45-55 Ma BP initiiert wurde (O’Brian 2001:283). Die sequentiell an die eurasische Lithosphäre akkretionierten Terrane (vgl. Anh. 1) können anhand der durch deutliche Ophiolithzonen gekennzeichneten Suturen voneinander distinguiert werden (O’Brian 2001:284). Bedingt durch die Lage des Untersuchungsgebietes ca. 50 km südlich der Anymaqen-Kunlun-Muztagh-Sutur ergibt sich eine Einordung zum Songpan-Ganze-Terran (Styron et al. 2010:1). Gekennzeichnet ist das Basement des Terrans durch eine intensiv deformierte und metamorph überprägte Fazies trias-jurrassischer tiefmariner Sedimente (Burchfiel et al. 1995:661) und ist in seiner Genese auf die Subduktion eines Armes der Paläotethys im Jura zurückzuführen (Dewey et al. 1988:379). Direkt angrenzend an die E-W-streichende sinistrale Kunlun-Blattverschiebung, die bei generalisierter Betrachtung der Anymaqen-Kunlun-Muztagh-Sutur folgt und einen metasedimentären Versatz in Höhe von 75 km aufweist (Yin/Harrison 2000:240), ist davon auszugehen, dass es sich bei dem Becken von Zoige um ein im Tertiär im Zuge der Hebung des Qinghai-Tibet-Plateaus angelegtes Pull-apart-Becken handelt (Lehmkuhl/Spönemann 1994:36).

Nach Lehmkuhl (1997:182) werden im Becken von Zoige „metamorphe jurassische Schiefer und Kalke sowie lokale Vorkommen von neogenem Sandstein weitflächig von bis zu 300 m mächtigen quartären Lockersedimenten […] überdeckt“. Dabei handelt es sich nicht nur um alluviale Ablagerungen des Huang He sowie seiner tributären Ströme im bis zu 3 m über dem jeweiligen Flussniveau liegenden Auenbereich sowie auf der nächsthöheren, auf das Würm-Glazial datierten Akkumulationsterrasse (Lehmkuhl 1993:88), sondern auch um äolische Ablagerungen in Form von Sandlöss und Dünen (Lehmkuhl 1997:182). Die zumeist in SW-NE-Richtung streichenden Kuppenstandorte, die sich um ca. 250 m über die tieferliegenden und weitgehend vermoorten Becken erheben, sind von diesen dünnen Sandlösslagen sowie Solifluktionsschuttdecken überdeckt (Lehmkuhl 1997:183). Die häufig in den Talschlüssen der Nebentäler registrierten limnischen Sedimente (Lehmkuhl 1997:182) sind dabei als Resultat eines lakustrinen Milieus im Becken von Zoige zu sehen, welches bis ca. 40 ka BP andauerte (Chen et al. 1999:308). Der Paläosee erstreckte sich dabei im Becken über eine Fläche von 6.300 km² und hatte bei einer Einzugsgebietsgröße von etwa 16.200 km² die Ausbildung von limnischen Sedimenten zur Folge, deren Mächtigkeiten im Becken bis zu 300 m erreichen können (Chen et al. 1999:308). Zwischen 40 ka und 30 ka BP wurde der Paläosee aufgrund des Einschneidens des Huang He in das angrenzende Xiqingshan-Gebirge bis auf ein sich 12 m über dem heutigen Beckengrund befindendes Niveau drainiert und trocknete schließlich soweit aus, dass sich Moore in den feuchteren Beckenbereichen entwickeln konnten (Chen et al. 1999:308).

2.5 Böden des Untersuchungsgebietes

Aus pedogenetischer Betrachtungsweise sind im Becken von Zoige in Kuppenlage sowie auf jüngeren Lockersedimenten überwiegend Leptosole und Regosole sowie an trockeneren Standorten Podzole zu finden (Lehmkuhl 1993:90). Das meist sandige Ausgangssubstrat ist dabei nur geringfügig verfestigt, sodass eine starke Anfälligkeit für Winderosion gegeben ist, sobald es zu einer Beseitigung der schützenden Vegetationsdecke kommt (Dong et al. 2010:1736). Kennzeichnend für die Flussauen ist eine Verbreitung von Fluvisolen, während die tiefer gelegenen und vermoorten Becken durch Histosole gekennzeichnet sind (Bai et al. 2013:55). Für die Ausbildung letzterer liegen klimatisch günstige Bedingungen vor, da aufgrund der niedrigen sommerlichen Temperaturen die Mineralisierung sowie Humifizierung von organischer Substanz reduziert ist und somit eine sukzessive Torfakkumulation begünstigt wird, wodurch Mächtigkeiten in Höhe von 2-5 m erreicht werden (Gao et al. 2010:1928). Die durchschnittliche Akkumulationsrate der letzten hundert Jahre beläuft sich dabei auf ca. 0,033 g / cm² / a (Gao et al. 2010:1930). Die somit gebundene Menge an Kohlenstoff im Untersuchungs- gebiet wird auf 5,54 Pg geschätzt, was einem Anteil von 6,2 % des gesamten Kohlenstoffspeichers Chinas entspricht (Guo et al. 2013:231). Mit einem prozentuellen Anteil von 31,5 % an der Fläche des Beckens von Zoige (Chen et al. 2009:1098) stellt das vermoorte Gebiet nicht nur den größten Kohlenstoffspeicher Chinas, sondern zugleich auch das am höchsten gelegene und größte alpine plateau-type wetland der Welt dar (Guo et al. 2013:231).

2.6 Vegetation und Landnutzung des Untersuchungsgebietes

Die Verbreitung von dominanten Vegetationsgesellschaften im Untersuchungsgebiet ist nicht nur als Folge der generellen Höhenlage sowie der kalt-humiden klimatischen Bedingungen, sondern auch der lokalen hygrischen Verhältnisse zu sehen, sodass subalpine Mattengesellschaften auf den trockeneren Auen- sowie Kuppenstandorten dominieren, während die tieferen und feuchteren Beckenbereiche überwiegend durch Moorvegetation gekennzeichnet sind (Dong et al. 2010:1732). Von über 400 im Untersuchungsgebiet vertretenen Arten aus 200 Gattungen und 50 Familien seien vor allem Kobresia pygmae, K. tibetica, K. capillifolia, K. setchwanensis, K. humilis, Carex muliensis, C. meyeriana, C. lasiocarpa, C. crebra, C. angustifructus, C. atrata, Elymus sibiricus, E. nutans, Deyeuxia scabrescens und Deschampsia cespitosa als vorherrschende Arten genannt (Lehmkuhl 1993:90). Durch die Einrichtung des Schutzgebietes Zoige Plateau Wetland National Nature Reserve im Jahre 1994 soll die Erhaltung der Biodiversität im Untersuchungsgebiet gewährleistet werden (Bai et al. 2013:55). Als potentielle natürliche Vegetation von nordexponierten Hängen im Becken sind Picea -Bestände bis zu einer Höhe von ca. 3800 m zu sehen (Lehmkuhl 1997:182), während auf den nordexponierten Hängen der Gebirgsbereiche Zwergsträucher verbreitet sind (Lehmkuhl 1993:90).

Bei einer durchschnittlichen Bevölkerungsdichte von ca. 4,5 Einwohnern pro km² im Untersuchungs- gebiet befinden sich die Hauptsiedlungsgebiete und die Gebiete landwirtschaftlicher Aktivität in den Flusstälern (Du 1996:413). Trotz der rauen klimatischen Bedingungen auf dem Qinghai-Tibet-Plateau werden die vorherrschenden subalpinen Matten als Weideland genutzt und gelten als wichtigste Weidegründe in Asien (Ding et al. 2013:397). Als Tierhaltungsform auf dem Qinghai-Tibet-Plateau ist v.a. der nomadische Pastoralismus zu nennen, sodass die Viehbestände ohne Importe von Futtermitteln auf die natürlichen Weide- und Wassergründe angewiesen sind und eine Erhöhung der Viehzahlen direkt mit einer Abnahme der Biomasse verbunden ist (Du et al. 2004:246). Yaks, Schafe und Pferde stellen dabei die maßgeblichen Bestände dar (Weather China 2013). Ackerbau findet aus klimatischen Gründen lediglich in den tieferen Lagen der Bezirke bis zur einer Höhe von ca. 2500 m a.s.l. Verbreitung (Lehmkuhl 1997:180), sodass im Untersuchungsgebiet lediglich vereinzelt Flachs und Kartoffeln angebaut werden (Lehmkuhl 1993:94).

Das gesamte Ökosystem im Untersuchungsgebiet ist laut Dong et al. (2010:1735) als sehr fragil anzusehen und reagiert sensitiv auf mögliche Veränderungen der klimatischen Bedingungen sowie auf anthropogene Einflussnahmen, da die ökologische Regenerationsfähigkeit aufgrund der vorherrschenden thermalen Konditionen und der hieraus resultierenden niedrigen Wachstumsraten eingeschränkt ist. Demzufolge wäre im Rahmen einer klimatischen Erwärmung mit einer erhöhten Biomasseproduktion im Bereich der subalpinen Matten zu rechnen (Du et al. 2004:241).

3 Grundlagen zur Klassifikation von multispektralen Daten

3.1 Charakteristiken des Landsat-5-Programmes

Aufgrund des Erfolges der ersten getätigten Aufnahmen aus dem Weltraum sowie der sich einstellenden Routine bei der Auswertung von Luftbildern wurde ein Weltraumprogramm geschaffen, welches ausschließlich auf die globale Beobachtung der natürlichen Ressourcen der Erde ausgelegt wurde (Chuvieco/Justice 2008:30). Erstmals am 23. Juli 1972 von der NASA unter dem Namen Earth Ressources Technology Satellite (ERTS) gestartet, wurde das Programm nach der Inbetriebnahme des zweiten Satelliten im Jahr 1975 in Landsat umbenannt (Chuvieco/Justice 2008:30). Der im Rahmen dieser Arbeit relevante Erdbeobachtungssatellit Landsat 5 wurde am 01. März 1984 in die Erdumlaufbahn gebracht und befand sich bis zum 06. Januar 2013 in Betrieb (NASA 2013). Hinsichtlich der orbitalen Parameter weist der Satellit eine kreisförmige, sonnensynchrone und mit einer Inklination von 98,2° eine quasipolare Flugbahn auf, wobei der Äquator stets um 9:45 Uhr (± 15 Minuten) lokaler Zeit überflogen wird (USGS 2013). Die Überflughöhe beläuft sich auf 705 km, was einer Umlaufdauer von ca. 99 min entspricht, ca. 14,5 Umläufe pro Tag ermöglicht und eine temporale Auflösung von 16 Tagen nach sich zieht (Richards/Jia 2006:392).

Ausgerüstet mit dem Thematic Mapper (TM), einem passiven optisch-mechanischem Multispektral- Scanner, wird die Erdoberfläche in Streifen von 185 km Breite (vgl. Anh. 1) abgetastet (Richards/Jia 2006:396). Hierzu wird die einfallende Strahlung mittels optischer Bauelemente in sieben definierte Spektralbereiche im Bereich des sichtbaren Lichts sowie des nahen und thermalen Infrarots zerlegt, woraus sich die die in Tab. 1 visualisierten Spektralbereiche ergeben (Albertz 2001:46). Ausgewählt wurden die Intervalle der Spektralbereiche beim Thematic Mapper dabei hinsichtlich der Eignung für geologische und pflanzenphysiologische Fragestellungen (Jensen 1996:39). Mittels eines oszillierenden Spiegels werden die in orthogonal zur Flugrichtung verlaufenden Abtastreihen von 480 m Breite von 16 Spektraldetektoren für Kanäle 1, 2, 3, 4, 5 und 7 (vgl. Anh. 2) sowie von 4 Spektraldetektoren für den Kanal 6 durchlaufen (Richards/Jia 2006:396). Dies führt zu einer räumlichen Auflösung, die als kleinste darzustellende Einheit eines Bildelements zu verstehen ist, von 30 m respektive 120 m (Lillesand et al. 2008:33). Diesen Elementen wird nun entsprechend der durchschnittlichen einfallenden elektro- magnetischen Strahlung in den jeweiligen Spektralbereichen ein numerischer Wert zugewiesen, wobei die radiometrische Auflösung des Sensors bestimmt, wie hoch die Anzahl an quantifizierbaren Werten ausfällt (Purkis/Klemas 2011:13). Im Falle des Thematic Mappers werden die Daten in einer Auflösung von 8-bit bereitgestellt, was einer möglichen Anzahl von 2[[8]] verschiedenen Werten (vgl. Anh. 4) gleichkommt (Purkis/Klemas 2011:40).

Tab. 1: Übersicht über die spektralen Charakteristiken des TM-Sensors (eigene Darstellung nach USGS 2013).

Abbildung in dieser Leseprobe nicht enthalten

Die Übertragung der aufgenommenen Fernerkundungsdaten zu Basisstationen der Erde verläuft beim Landsat 5 entweder direkt oder über eine Verbindung zu dem geosynchronen Kommunikationssatelliten Tracking and Data Relay Satellite (TDRS) mit einer Rate von 85 Mb/s (Richards/Jia 2006:392). Bevor aus den empfangenen Rohdaten bereitzustellende Satellitenaufnahmen generiert werden, werden diese radiometrischen und geometrischen Korrekturen unterzogen (Richards/Jia 2006:72). Im Rahmen dieser Datenvorverarbeitung werden u.a. atmospärische Einflüsse und Sensoranomalien bereinigt sowie die Erdrotation und Schwankungen in der Position und Höhe des Satelliten kompensiert (Jensen 1996:107), um somit die Interpretierbarkeit und Qualität der resultierenden Aufnahmen zu erhöhen.

Daraus ergibt sich der Aufbau einer digitalen Landsat-TM-Aufnahme, bei der die Pixel entsprechend der räumlichen Auflösung des verwendeten spektralen Kanals den kleinsten messbaren Bereich der Aufnahme repräsentieren. Jedem Pixel wird dabei gemäß des gemessenen Reflektionsgrades ein Wert zwischen 0 und 255 zugeordnet (Purkis/Klemas 2011:10), wobei ein Wert von 0 einem Reflektionsgrad von 0 % und ein Wert von 255 einem Reflektionsgrad von 100 % entspricht. Gemäß der Anzahl an spektralen Kanälen entstehen so sieben Bilddatensätze, die geometrisch identisch sind, sich allerdings durch unterschiedliche gemessene Reflektionsgrade in den einzelnen Spektralbereichen und somit den numerischen Werten unterscheiden (Albertz 2001:47).

Gegenüber dem Multispectral Scanner (MSS) der Vorgängermodelle weist der Thematic Mapper eine deutliche Verbesserung hinsichtlich der spektralen, räumlichen und radiometrischen Auflösung auf (Lillesand et al. 2008:410). Zu den bedeutendsten Veränderungen zählen dabei die Ergänzung von weiteren spektralen Kanälen im Bereich des sichtbaren Lichts und des Infrarots (Albertz 2001:50). Optische Bilddaten des Landsat-Programms stellen aufgrund der kontinuierlichen Akquise und der globalen Abdeckung rezent eine der wichtigsten Datenquellen für die Kartierung von Vegetation und Landbedeckung, deren raumzeitlicher Veränderung sowie weiteren grundlegenden Fragen der zivilen Erdbeobachtung dar (Purkis/Klemas 2011:30).

3.2 Spektrale Signaturen von Oberflächen

Nach Albertz (2001:12) befindet sich „jeder Körper […] durch die elektromagnetische Strahlung in ständiger Wechselwirkung mit seiner Umgebung“. Gemäß dem Energieerhaltungssatz kann es zu keinem partiellen Verlust der mit einem Objekt interagierenden elektromagnetischen Strahlung kommen, weshalb die Summe der reflektierten, absorbierten und transmittierten elektromagnetischen Strahlung nach einer Interaktion mit einem Objekt der Erdoberfläche (vgl. Anh. 4) der ursprünglich einfallenden solaren Strahlung entspricht (Lillesand et al. 2008:13). Diese Anteile sind sowohl material- als auch wellenlängenspezifisch, wodurch die durch ein Fernerkundungssystem detektierte elektro- magnetische Strahlung als reflektierter bzw. emitierter Anteil an der gesamten interagierenden Strahlung in einer spezifischen Wellenlänge quantifiziert werden kann und als Funktion der Oberflächen- beschaffenheit der Erde zu sehen ist (Purkis/Klemas 2011:10). Die „objekt- und materialspezifische Eigenschaften dieser Wechselwirkung“ (Albertz 2001:12) sind somit als Grundlage der gesamten Fernerkundung zu betrachten. Daraus resultiert je nach Oberflächentyp ein charakteristischer Verlauf von spektralen Reflektionskurven (vgl. Abb. 2), die sich hinsichtlich der Intensität der reflektierten Strahlung in verschiedenen Wellenlängenbereichen von denen anderer Oberflächen unterscheiden lassen (Albertz 2001:10). In der Literatur werden diese häufig unter dem Begriff der spektralen Signatur zusammengefasst, was im Rahmen der nachfolgenden Unterkapitel am Beispiel der dominantesten Oberflächenmaterialien näher erläutert wird. An dieser Stelle sei angemerkt, dass die meisten Oberflächen zwar charakteristische spektrale Reflektionskurven ausbilden, diese aufgrund ihrer möglichen Variabilität in der heterogenen natürlichen Umwelt allerdings weder als absolut, noch als einzigartig anzusehen sind, was der Begriff der spektralen Signatur zwar gewissermaßen impliziert (Lillesand et al. 2008:22), aufgrund der Geläufigkeit in der Literatur dennoch im Rahmen dieser Arbeit Verwendung findet.

Abb. 4: Spektrale Signaturen der dominanten Oberflächenmaterialien (verändert nach Albertz 2001:162).

Abbildung in dieser Leseprobe nicht enthalten

3.2.1 Vegetation

Der Reflektionsgrad von elektromagnetischer Strahlung wird bei der Vegetation abhängig vom Wellen- längenbereich von den Blattpigmenten, der Zellstruktur und dem Wassergehalt der Pflanze beeinflusst (De Jong et al. 2006:22). Absorptionsmaxima im Bereich des sichtbaren Lichts bei 0,45 μm und 0,67 μm werden durch Blattpigmente im Palisadenparenchym wie Chrophyll a und Chlorophyll b verursacht (Purkis/Klemas 2011:63). Das lokale Reflektionsmaximum liegt im Bereich zwischen 0,5 μm und 0,6 μm und erklärt, warum das menschliche Auge vitale Blätter in einer grünen Farbe wahrnimmt (McCoy 2005:72). Verschlechtert sich der Vitalitätszustand der Pflanze und nimmt somit der Chlorophyllgehalt ab, wird die Reflektion von Blattpigmenten wie Carotin, Xanthophyll und Anthocyanin dominiert, sodass sich der Reflektionsgrad im Bereich des roten Lichts erhöht und die Blätter vom menschlichen Auge in gelben, braunen und roten Farbtönen wahrgenommen werden (McCoy 2005:72). Die Reflektion im Bereich von 0,7 μm bis 1,3 μm ist primär von der Zellstruktur des Mesophylls der Blätter abhängig und beläuft sich bei einer vitalen Pflanze charakteristisch auf ca. 40-50 % der einfallenden Strahlung (Lillesand et al. 2008:18). Absorption spielt in diesem Spektrum lediglich eine untergeordnete Rolle, sodass der nicht reflektierte Anteil der Strahlung transmittiert wird und sich aus dem akkumulierten Reflektionsgrad Rückschlüsse auf die gesamte in-situ-Biomasse ziehen lassen (McCoy 2005:75). Da die Zellstruktur zudem artentypisch ausfällt, erlaubt die Variabilität des Reflektionsgrades in diesem Spektralbereich eine Unterscheidung zwischen verschiedenen Pflanzenarten (Lillesand et al. 2008:18). Dennoch ist eine Artenbestimmung auf Basis von Fernerkundungsdaten aufgrund von wechselnden Aufnahmebedingungen, Störungseinflüssen sowie sich ähnelnden spektralen Signaturen bei weitem keine triviale Angelegenheit (Jensen 2007 zit. in Purkis/Klemas 2011:63). Die Reflektionsminima der elektromagnetischen Strahlung bei 1,4 μm, 1,9 μm sowie 2,7 μm werden durch den Wassergehalt der Pflanze beeinflusst, wobei sich der Reflektionsgrad grundsätzlich invers zu einem höheren Wassergehalt verhält (McCoy 2005:75).

Der steile Anstieg des Reflektionsgrades im Bereich des nahen Infrarots ist einzigartig für die Vegetation und erleichtert eine Differenzierung zu anderem Oberflächenmaterial (McCoy 2005:74). Diesen Kontrast machen sich Vegetationsindices wie der Normalized Differenced Vegetation Index (NDVI) zunutze, indem die spektralen Charakteristiken von vitaler Vegetation verstärkt und gleichzeitig störende Einflüsse minimiert werden (Purkis/Klemas 2011:65). Auf einer Skala von +1 bis -1 entsprechen nur die positiven Werte bewachsenen Arealen, wobei ein Anstieg des NDVI unmittelbar mit einem Anstieg des Chlorophyllgehaltes verbunden ist; negative Werte kommen durch einen höheren Reflektionsgrad im Bereich des sichtbaren Lichts als im Bereich des nahen Infrarots zustande und können durch Wasser, Schnee, pedo- oder geogenes Material sowie Wolken verursacht werden (Purkis/Klemas 2011:66).

3.2.2 Böden

Die klassische Reflektionscharakteristik von Böden wird durch eine mit zunehmender Wellenlänge relativ monoton ansteigende Reflektionskurve im Spektralbereich zwischen 0,4 μm und 2,5 μm repräsentiert (Richards/Jia 2006:5), wobei die pedogenen und geogenen Materialeigenschaften durch sekundäre Faktoren wie den Feuchtigkeitsgehalt des Bodens, die dominante Korngröße, seinen Anteil an organischer Substanz, den Gehalt an Eisenoxiden sowie die Rauheit der Oberflächenbeschaffenheit geprägt werden (McCoy 2005:90). Generell gilt, dass die spektralen Charakteristiken des Bodens umso mehr denen des geogenen Ausgangssubstrats gleichen, je unverwitterter dieser ist, und dass aufgrund von fehlender Transmission lediglich der oberste Horizont des Substrats einen Einfluss auf den Reflektionsgrad hat (Lillesand et al. 2008:19).

Die zuvor beschriebenen Absorptionsmaxima von Wasser bei 1,4 μm, 1,9 μm sowie 2,7 μm sind wiederum abhängig von dem in Kap. 3.2.1 beschriebenem Wassergehalt ausgebildet (Richards/Jia 2006:5). Mit zunehmender Feuchtigkeit vollzieht sich zudem eine Abnahme des Reflektionsgrades über den gesamten Spektralbereich, was für das menschliche Auge im spektralen Bereich des sichtbaren Lichts dazu führt, dass der Boden dunkler erscheint (Albertz 2001:20). Der Gehalt an Bodenfeuchte ist wiederum aufgrund der Feldkapazität als eine Funktion der Korngrößenverteilung des Substrats zu sehen, sodass sandige und kiesige Böden einen geringen Feuchtigkeitsgehalt und somit eine höhere Reflektivität aufweisen, wohingegen tonige und schluffige Böden mehr Wasser entgegen der Schwer- kraft halten können und somit tendenziell durch eine geringere Reflektivität gekennzeichnet sind (Lillesand et al. 2008:18). Unabhängig vom Feuchtigkeitsgehalt hat die Korngröße aber auch dahingehend einen Einfluss auf den Reflektionsgrad des Substrates, als dass dieser mit abnehmender Korngröße tendenziell zunimmt (McCoy 2005:92).

Der Einfluss von organischer Substanz beschränkt sich insofern auf den Bereich des sichtbaren Lichts, als dass bereits ein Gehalt von 5 % das Substrat nahezu schwarz färbt, während geringere Gehalte zu einer braunen bis grauen Färbung führen (McCoy 2005:92). Eisenoxide weisen ebenfalls entsprechend der offenkundigen Auswirkung auf die Bodenfarbe zwei Absorptionsmaxima auf, die bei 0,56 μm und 0,83 μm für drei- respektive zweiwertiges Eisen liegen (Hunt 1977 zit. in McCoy 2005:93). Lokale Absorp- tionsmaxima treten zudem um eine Wellenlänge von 2,21 μm bei Schichtsilikaten und zwischen 2,33 μm und 2,35 μm bei Calcit auf (McCoy 2005:93). Eine weitere Möglichkeit neben der Determinierung des geologischen Substrates über die Farbgebung der enthaltenen Minerale kann über Unterschiede in der Wärmeleitfähigkeit der Gesteine erfolgen, die im Spektralbereich des thermischen Infrarots ersichtlich sind (Sieber 1986:12).

3.2.3 Wasser

Als besonders kompliziert stellen sicht die Reflektionsverhältnisse bei Wasserflächen heraus, die nicht nur als Funktion des reinen Wasserkörpers zu sehen sind, sondern durch Faktoren wie die Tiefe des Gewässers, den Gehalt an suspendierten organischen und anorganischen Stoffen sowie den Einstrahlungswinkel der elektromagnetischen Strahlung modifiziert werden (Albertz 2001:21). Als charakteristische spektrale Reflektion von reinen Wasserkörpern gilt ein sukzessiv abnehmender Reflektionsgrad mit ansteigender Wellenlänge, der bei 0,58 μm ein Maximum von unter 10 % ausbildet und ab ca. 0,8 μm nahezu nicht mehr zu messen ist (Richards/Jia 2006:5).

Im Vergleich zu den Reflektionsfunktionen von Vegetation oder Böden ist von einem weitaus höheren Transmissionsanteil der elektromagnetischen Strahlung im Bereich von 0,4 μm bis 0,8 μm auszugehen, weshalb bei Wasserkörpern mit geringer Wassertiefe das Reflektionssignal zusätzlich durch den Gewässergrund beeinflusst wird (McCoy 2005:102). Die Penetrationstiefe beläuft sich dabei bei einer Wellenlänge zwischen 0,7 μm und 0,8 μm auf 1 m, im Bereich des roten Lichts auf 4 m und erreicht bei einer Wellenlänge von 0,48 μm eine maximale Tiefe von 20 m (McCoy 2005:102). Steigt die Wasser- trübung aufgrund des Anteils an suspendiertem Material sukzessive an, kommt es analog dazu zu einer Abnahme der Penetrationstiefe, bis die Reflektion ausschließlich durch das Suspensionsmaterial und nicht mehr durch den Gewässergrund beeinflusst wird (Lillesand et al. 2008:20). Die spektrale Charakteristik des Reflektionssignals wird durch die Eigenschaften des jeweils suspendierten Materials modifiziert, was sich v.a. durch einen Anstieg des Reflektionsgrades jenseits von 0,8 μm bemerkbar macht (Richards/Jia 2006:5). Im Spektrum des sichtbaren Lichts sind durch suspendierte Stoffe insofern Veränderungen evident, als dass enthaltene Organik entsprechend der in Kap. 3.2.1 behandelten Absorptionsmaxima eine gelbliche Verfärbung des Wasser bewirkt, während anorganisches Substrat entsprechend der eigenen Reflektionscharakteristik eine blau-grüne bis hell-grüne sowie braun bis rote Verfärbung bewirken kann (Purkis/Klemas 2011:124). Basierend auf diesen Beobachtungen lassen sich Rückschlüsse auf das Nährstoffangebot von Gewässern bzw. auf die Menge des erodierten und nun sich in Suspension befindenden Materials schließen. Bei gleichzeitiger Präsenz von suspendiertem organischem sowie anorganischem Material, wird das Reflektionssignal von den spektralen Eigen- schaften des anorganischen Materials dominiert (McCoy 2005:102).

Mit abnehmenden Sonnenstand und somit flacherem Einstrahlungswinkel auf den Wasserkörper werden umso größere Anteile der elektromagnetischen Strahlung durch die Wasseroberfläche gespiegelt, wodurch der Anteil der transmittierten Strahlung abnimmt (McCoy 2005:102). Keine Auswirkungen auf die Reflektionscharakteristik des Wasserkörpers haben gelöste Gase wie O2 und CO2, der Gehalt an anorganischen Salzen sowie der pH-Wert (McCoy 2005:103).

3.3 Grundprinzipien von algorithmenbasierten Klassifikationsverfahren

Die qualitative visuelle Auswertung von Satellitenaufnahmen hat in der intuitiven Mustererkennung in räumlichen und spektralen Daten deutliche Vorteile gegenüber einem quantitativen Ansatz (Adam/Gillespie 2006:19). Allerdings ist diese Analyse kaum zu verwirklichen, wenn es sich um eine pixelbasierte Auswertung handelt, bei der das menschliche Auge weder die spektrale Vielfalt noch die räumliche Genauigkeit in dem Maße der vorgegeben Auflösung wahrzunehmen vermag (Mayaux et al. 2008:88). Im Falle von digital vorliegenden Daten können Pixel im Rahmen eines computergestützten Klassifikationsverfahrens auf Grundlage ihrer zugeordneten Attribute, wie z.B. der in Kap. 3.2 erläuterten materialspezifischen Reflektionscharakteristika verschiedener Oberflächenmaterialien, untersucht und anschließend einer thematischen Klasse zugeordnet werden (Richards/Jia 2006:68).

Die Zuweisung einzelner Pixel zu bestimmten thematischen Klassen wird dadurch ermöglicht, dass es aufgrund differierender spektraler Eigenschaften und somit den Pixeln zugewiesenen Attributen zu einer räumlichen Differenzierung von Punktwolken (vgl. Abb. 3) in einem n-dimensionalen Raum kommt (Richards/Jia 2006:75). Die Anzahl der Dimensionen n wird dabei durch die Anzahl an Inputgrößen determiniert und die Koordinaten einzelner Pixel in diesem n-dimensionalen Raum ergeben sich aus den Grauwerten entsprechend der radiometrischen Auflösung der jeweiligen Inputgrößen (Richards/Jia 2006:75). Realitätsnäher ist dabei allerdings nicht die Ausbildung von homogenen Clustern, sondern aufgrund der Variabilität der spektralen Signatur eines bestimmten Oberflächentyps die Ausbildung von heterogenen Informationsklassen (vgl. Anh. 5), die ihrerseits aus mehreren spektralen Klassen zusammengesetzt sind (Richards/Jia 2006:75). Als Inputgrößen für die Klassifikation eignen sich dabei nicht nur die spektralen Kanäle der Landsat-TM-Aufnahmen, sondern auch weitere Dimensionen wie z.B. die topographischen Gegebenheiten des Untersuchungsgebietes, wobei eine übereinstimmende Georeferenzierung bei einer Integration der Rasterdatensätze essentiell ist (Jensen 1996:244).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 5: Idealisierte Ausbildung von spektralen Clustern aufgrund differierender spektraler Signaturen (Albertz 2001:162).

Grundsätzlich kann eine Klassifikation neben der spektralen Charakteristik einzelner Pixel auch unter Einbezug von kontextuellen Informationen wie räumlichen Mustern sowie der Form und Größe von Objekten erfolgen (Lillesand et al. 2008:484), allerdings werden im Rahmen dieser Arbeit lediglich pixelbasierte spektrale Klassifikationsverfahren angewendet. Unterschieden werden können die Klassifikationsalgorithmen in überwachte sowie unüberwachte Klassifikationsverfahren (Campbell 2006:326). Im Rahmen der überwachten Klassifikation werden thematische Klassen auf Grundlage von a priori vorgegebenen spektralen Eigenschaften ausgewiesen und anschließend anhand einer postulierten Verteilungsfunktion auf ihre spektrale Separabilität überprüft, wohingegen im Rahmen der unüberwachten Klassifikation spektral separierbare Klassen ausgewiesen werden, die a posteriori einer thematischen Interpretation bedürfen (Lillesand et al. 2008:569). Durch diese automatische Identifizierung von statistischen Merkmalsräumen lässt sich somit ergänzend zur visuellen Interpretation der Aufnahmen eine pixelbasierte Landbedeckungsklassifikation durchführen (Lillesand et al. 2008:484).

3.3.1 Unüberwachte Klassifikation mittels des K-Means-Algorithmus

Bei diesem Verfahren wird jeder Pixel einer Aufnahme aufgrund der relativen spektralen Ähnlichkeit zu benachbarten Pixeln, und somit einer sich ergebenden Clusterbildung, spektralen Klassen zugewiesen (Foody 2002:185). Neben einer Vielzahl von vergleichbaren Clustering-Algorithmen sei der K-Means- Algorithmus genannt, der auch im Rahmen dieser Arbeit Verwendung findet und ein iterativ arbeitendes Verfahren darstellt, mit dessen Hilfe nach Vorgabe einer Klassenanzahl eine ideale Einteilung der Datenmenge in einzelne Klassen erfolgt (Albertz 2001:164). In einem intitialen Schritt wird dabei für jede Klasse randomisiert ein Mittelwert-Vektor gesetzt, sodass nachfolgend über die Minimaldistanzen der einzelnen Pixel zu den Zentren der Punktwolken eine Klassifizierung der gesamten Datenmenge erfolgt (Lillesand et al. 2008:570). Nach der Zuordnung aller Pixel werden in einer ersten Iteration überarbeitete Mittelwert-Vektoren für jedes Cluster errechnet, auf deren Grundlage alle Pixel reklassifiziert werden. Dieser Vorgang führt zu einer sukzessiven Agglomeration zu Pixelclustern und wiederholt sich, bis weitere Iterationen zu keinen signifikanten Veränderungen bezüglich der räumlichen Lage der Mittelwert-Vektoren führen (Lillesand et al. 2008:570). Veranschaulicht wird die Funktionsweise des K-Means-Algorithmus in Abb. 4 anhand der sich im Laufe von mehreren Iterationen verändernden Klassengrenzen von drei definierten Klassen in Relation zu den nicht überlappenden Punktwolken in einem zweidimensionalen Raum. Die Klassengrenzen verschieben sich iterativ, bis jede Punktwolke einer spezifischen Klasse zugeordnet wird.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 6: Funktionsweise des K-Means-Algorithmus (verändert nach Schowengerdt 2007:401).

Nach Mayaux et al. (2008:89) schöpfen unüberwachte Klassifikationsverfahren das Potential der Determinierung von Oberflächen auf Grundlage von spektralen Reflektionscharakteristika vollends aus. Aus dem Klassifikationsergebnis ist jedoch nicht ersichtlich, welche thematischen Klassen im Sinne von konkreten Landoberflächen durch die spektralen Klassen repräsentiert werden, weshalb es einer nachträglichen Identifizierung, Aggregierung sowie Benennung ebendieser bedarf (Lillesand et al. 2008:568). Dies kann durch die Interpretation von spektralen Signaturen der jeweiligen Klassen, ergänzendem Karten- und Bildmaterial sowie durch Geländeaufenthalte erzielt werden (Lillesand et al. 2008:568). Dieser Ansatz wird häufig bei großflächigen Kartierungen genutzt, da a priori kaum Kenntnisse über das Untersuchungsgebiet vorausgesetzt werden und lokale ground-truthing- Informationen zudem aufgrund der Heterogenität innerhalb einer Landbedeckung nur bedingt auf eine ausgedehnte Fläche übertragen werden können (Mayaux et al. 2008:89). Unüberwachte Klassifikationen werden ebenfalls häufig durchgeführt, um einen ersten Eindruck über die spektrale Komposition der Datengrundlage zu gewinnen, bevor eine detailliertere Auswertung mittels eines überwachten Klassifikationsverfahrens durchgeführt wird (Richards/Jia 2006:78).

Abbildung in dieser Leseprobe nicht enthalten

3.3.2 Überwachte Klassifikation mittels des Maximum-Likelihood-Algorithmus

Eine wichtige statistische Annahme bei der Betrachtung von überwachten Klassifikationsverfahren besteht darin, dass jede spektrale Klasse in einem n-dimensionalen Raum durch eine multivariate Wahrscheinlichkeitsverteilung beschrieben werden kann (Richards/Jia 2006:79). Dies scheint aus dem Grunde plausibel, als dass die Pixeldichte in einem Cluster aufgrund der in Kap. 3.2 beschriebenen möglichen Modifikationen der spektralen Signatur abnimmt, je weiter man sich vom Clusterzentrum und somit der elementaren spektralen Signatur entfernt, wodurch die Wahrscheinlichkeit der Zugehörigkeit zu einem Cluster am besten durch die Normalverteilung beschrieben werden kann (Jensen 1996:79). Basierend darauf kann jeder Pixel in einem n-dimensionalen Raum mit einer gewissen Wahrscheinlichkeit einem Cluster zugeordnet werden, wenn die Position des Zentrums über den Mittel- wert sowie die Streuung um das Zentrum über die Kovarianzmatrix bekannt ist (Richards/Jia 2006:79). Der am weitesten verbreitete Maximum-Likelihood-Algorithmus, der auch in dieser Arbeit Verwendung findet, berechnet auf Grundlage der spektralen Charakteristik vorgegebener Referenzflächen mit bekannter Oberflächenbedeckung - sogenannten Trainingsgebieten oder training sites - statistische Kenngrößen, mit deren Hilfe eine Normalverteilung beschrieben und die Wahrscheinlichkeit berechnet werden kann, mit der ein beliebiges Pixel der Satellitenaufnahme jener durch die Referenzfläche repräsentierten Klasse zugehörig ist (Albertz 2001:165). Der Bearbeiter ‚überwacht‘ somit über die räumliche Verortung der Trainingsgebiete und die daraus resultierende Eingabe der statistischen Kenngrößen das Klassifikationsergebnis (Lillesand et al. 2008:547).

Voraussetzung für die Ausweisung von Trainingsgebieten ist folglich die qualitative Kenntnis des Untersuchungsgebietes durch den Bearbeiter, um somit - optimalerweise auf Grundlage von im Gelände beobachteten un verorteten Oberflächentypen - repräsentative statistische Kenngrößen schaffen zu können, die als Eingangswerte für die Klassifikation dienen (Albertz 2001:163). Für eine erfolgreiche Durchführung der Klassifikation ist bei der Wahl der Trainingsgebiete darauf zu achten, dass sowohl alle Klassen der Aufnahme adäquat repräsentiert werden (Lillesand et al. 2008:558) als auch, dass eine möglichst disperse Verteilung der Trainingsgebiete über die gesamte Aufnahme einzuhalten ist, um möglichst alle spektralen Variationen einer Klasse erfassen zu können (Jensen 1996:207). Das theoretische Minimum an Pixeln pro Trainingsgebiet beläuft sich auf n+1, wobei unter n die Anzahl der verwendeten spektralen Kanäle zu verstehen ist (Lillesand et al. 2008:559). In der Praxis wird ein Minimum von 10n bis 100n Pixel pro Trainingsgebiet angestrebt, da sich die Abschätzung des Mittelwertvektors sowie der Kovarianzmatrix und somit die statistische Repräsentanz jeder spektralen Klasse verbessert, je größer der Stichprobenumfang ausfällt (Lillesand et al. 2008:559). Für jedes Trainingsgebiet wird eine Wahrscheinlichkeitsdichtefunktion (vgl. Anh. 6) generiert, sodass nachfolgend alle Pixel einer Aufnahme klassifiziert werden können, indem sie entweder der Klasse mit der größten Wahrscheinlichkeit zugeordnet werden oder unklassifiziert bleiben, falls ein vom Bearbeiter vorgegebener Schwellenwert der Wahrscheinlichkeit unterschritten wird (Lillesand et al. 2008:555).

Diese Funktionsweise des Maximum-Likelihood-Algorithmus wird auch in Abb. 5 veranschaulicht, in der aus Referenzflächen generierten spektralen Clustern (links) eine Wahrscheinlichkeitsverteilung anhand Linien gleicher Wahrscheinlichkeit beschrieben (rechts) und nachfolgend der Klassifizierungsprozess anhand von drei Beispielpixeln demonstriert wird. Diese Pixel werden der Klasse mit der größten Wahrscheinlichkeit zugeordnet, sodass in diesem Fall Pixel Nr. 1 der Klasse D zugeordnet wird, Pixel Nr. 2 aufgrund der höheren Wahrscheinlichkeit zur Klasse B subsumiert wird und Pixel Nr. 3 aufgrund der geringen Wahrscheinlichkeit der Zugehörigkeit zu allen Klassen unklassifiziert bleibt.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 7: Funktionsweise des Maximum-Likelihood-Algorithmus (verändert nach Albertz 2001:164-165).

Zur Gewährleistung eines validen Klassifikationsergebnisses bedarf es der Evaluierung der spektralen Separabilität der Trainingsgebiete im Verlauf des Klassifikationsprozesses, um somit Klassen von spektraler Ähnlichkeit und geringer Trennbarkeit ausweisen zu können (Lillesand et al. 2008:561). Als Möglichkeit der Quantifizierung der Separabilität eignet sich die Verwendung der Bhattacharyya- Distanz, die als Ähnlichkeitsmaß zwischen zwei Häufigkeitsverteilungen zu verstehen ist (Schowengerdt 2007:400). Generell gilt, dass die Maßzahlen umso höher ausfallen, je größer die statistische Distanz zwischen zwei Klassen und davon ausgehend, je höher die Wahrscheinlichkeit der korrekten Zuordnung einzelner Pixel zu den entsprechenden Klassen ausfällt (Lillesand et al. 2008:561). Auf einer graduellen Skala von 0 bis 2 entspricht dabei ein Wert von 0 einer vollständigen Deckungsgleichheit und ein Wert von 2 einer einwandfreien Trennbarkeit, wobei ein Wert höher als 1,8 als Indikator für spektral gut separierbare Klassen gilt und ein Wert von -1 als Fehler zu interpretieren ist. Eine Alternative zur Bhattacharyya-Distanz stellt das Maß der Transformed Divergence, einer kovarianz-gewichteten Distanz zwischen zwei Clustermittelpunkten dar (Lillesand et al. 2008:561).

Einschränkungen findet die Anwendung des Maximum-Likelihood-Algorithmus zudem, falls die spektrale Reflektionscharakteristik der Trainingsgebiete keine uni-, sondern eine multimodale Häufigkeitsverteilung aufweist (Richards/Jia 2006:249), was als Resultat des Zusammenfassens mehrerer spektraler Klassen zu sehen ist. Die entsprechenden Histogramme der Trainingsgebiete müssen somit im Laufe des Klassifikationsprozesses auf Unimodalität überprüft und im Falle einer multimodalen Ausbildung ggf. in mehrere Subklassen aufgeteilt werden (Lillesand et al. 2008:561). Die Integration von weiteren Dimensionen in Form von nicht-spektralen Datensätzen kann im Rahmen einer Maximum-Likelihood- Klassifikation insofern problematisch sein, als dass diese Daten in der Regel nicht normalverteilt und daher nur eingeschränkt zu gebrauchen sind (Jensen 1996:245).

[...]