Synergetische Nutzung von optischen und SAR Daten für die ......Sächsisches GIS Forum Dresden,...

Sächsisches GIS Forum

Dresden, 27.01.2016

T. Riedel

Synergetische Nutzung von optischen und

SAR Daten für die Ableitung von

Landbedeckungsprodukten

Tanja Riedel, Christian Thiel, Christiane Schmullius

Friedrich-Schiller-University Jena, Dept. for Earth Observation

Carsten Pathe

EOS GmbH, Jena


Dresden, 27.01.2016

T. Riedel

Gliederung

Einleitung

Enviland-2 Projekt

E2 Prozesskette

E2 Klassifikationsstrategie

Ergebnisse

Radarcover / AMOC II

SenThIS

Zusammenfassung & Ausblick


Dresden, 27.01.2016

T. Riedel

Einleitung

Sentinel-1 / -2

kostenfreie Verfügbarkeit

Sentinel-2

13 Spektralkanäle, 10-60m Auflösung

Wiederholrate 10 Tage (5 Tage S-2A/S-2B Konstellation)

Sentinel-1 C-Band SAR:

festgelegter Akquisitionsplan

Standard - Aufnahmemodus: Interferometric Wideswath, VV / VH Polarisation,

20m räumliche Auflösung, Wiederholrate 12 Tage (6 Tage S-1A/S-1B

Konstellation)

Aufnahme kontinuierlicher, dichter Zeitreihen


Dresden, 27.01.2016

T. Riedel

Einleitung

Enviland-2 (DLR / BMWi)

Ziel: Entwicklung einer Prozesskette zur Ableitung von Landnutzungs-

/Landbedeckungsprodukten einschließlich der Hauptanbauarten

Schwerpunkte: hoher Automatisierungsgrad, Ausnutzung Synergie optisch & SAR

RadarCover / AMOC-II (ESA)

Ziel: SAR-basierte großflächige Kartierung der Hauptlandbedeckungsklassen

SenThIS

Aktuell laufendes Projekt mit Beteiligung des EOS Jena GmbH

Sentinel-1/-2 zur Unterstützung der Durchführung von Landesaufgaben im Freistaat

Thüringen

Inhalt dieser Präsentation:

Methoden zur Auswertung multitemporaler Daten


Dresden, 27.01.2016

T. Riedel

ENVILAND2 - Prozesskette

Input layer

Geo-coding

Segmentation

Land Cover Map

• Optical and SAR • input data

• Multi-sensor geo- • coding / matching

• Pre-processing

• Information layer

• Edge detection

• Multi-sensor • segmentation

• Automated training areas

• Supervised classification

• Land cover and change • maps, thematic layers

Multi-channel

segmantation

Optical data Radar data

Automated extraction of

training areas

Edge detectionEdge detection

Land cover mapping

Segment-based supervised

classification

· Sensor calibration (L)

· Cloud masking

· Radiometr. normalisation

· Sensor calibration (s0)

· Radar shadow

· Topograph. normalisation

· Extraction of information

layer (e.g. NDVI)· Extraction of information

layer (e.g. STD, NGLD)

Change layer

Specific thematic layers

(biophysical / urban)

· Multi-sensor geocoding

(DEM and sensor parame-

ter based, optional GCPs)

· Image matching

· Multi-sensor geocoding

(DEM and sensor parame-

ter based, optional GCPs)

· Image matching


Dresden, 27.01.2016

T. Riedel

→ Nordhausen, Thüringen

→ Südlicher Teil des Harz

→ Intensive großflächige

landwirtschaftliche

Nutzung

→ Klein Altendorf

Nordrhein Westfalen

→ Südwestlich von Köln

→ Mittel- bis kleinflächige

Landwirtschaft

ENVILAND2 - Testgebiete


Dresden, 27.01.2016

T. Riedel

Referenzdaten

Fernerkundungsdaten

Nordhausen

2009

→ Feldkampagnen: Feldfrucht, biophysikalische Parameter

→ Amtliche Landbedekungsdaten, Biotoptypen-/Waldkartierungen, ATKIS, digitale

Orthophotos

Enviland-2 - Datengrundlage

Sentinels

Akquisitionsstrategie &

Wiederholrate

Höhere Wahrscheinlichkeit

wolkenfreier opt. Aufnahmen

Kontinuierliche SAR Zeit-

reihen mit Aufnahmen zu

kritischen phänologischen

Zeitpunkten


Dresden, 27.01.2016

T. Riedel

Enviland-2 - Klassifikationsstrategie

© FSU / ZFL

→ Automatisierung durch Ausweisung von Trainingsgebiete ohne Nutzerinteraktion


Dresden, 27.01.2016

T. Riedel

Analyse der verfügbaren

Fernerkundungsdaten

Wissensbasis - Tabelle

Automatische Definition der Decision Tree

Struktur in Abhängigkeit von den Inputdaten

klassen-

spezifische

Bildparameter:

• optisch und SAR

• stabil / robust

• übertragbar

Enviland-2 - Klassifikationsstrategie

Beispiel Bildparameter: C-HV zur Unterscheidung

von Landwirtschaft / Grünland

ASAR HV IS2 – 2005 MAV MMAX MMAX

© ESA


Dresden, 27.01.2016

T. Riedel

Testgebiet Nordhausen - Input: multitemporale X-, C- und L-Band Daten von 2009

Trainingsgebiete

Wasser

Nadelwald

Siedlung

Grünland

Laub-Mischwald

Winterweizen

Zuckerrüben

Andere

Feldfrüchte

Raps

Wintergerste/

Tritikale

Enviland-2 - Ergebnisse

Nordhausen

X-, C-, L-Band

Anzahl Trainingsgebiete

[Total / Referenz]

Korrekte Trainingsgebiete

[%]

Wasser 131 / 59 100,00

Nadelwald 150 / 75 100,00

Laub-/Mischwald 150 / 91 90,11

Siedlungen 150 / 121 99,17

Grünland 150 / 86 96,51

Winterweizen 150 / 91 100,00

Wintergerste / Tritikale 150 / 116 97,41

Raps 150 / 83 98,80

Zuckerrüben 12 / 9 100,00

Andere Feldfrüchte 20 / 18 100,00


Dresden, 27.01.2016

T. Riedel

SVM Klassifikationsergebnis

(ZFL Bonn)

Nordhausen

X-, C-, L-Band

Hersteller-genauigkeit

[%]

Nutzer-genauigkeit

[%]

Wasser 86,93 96,03

Nadelwald 85,86 83,86

Laub-/Mischwald 57,25 83,92

Siedlungen 85,86 79,28

Grünland 88,17 70,71

Winterweizen 96,38 96,63

Wintergerste / Tritikale 93,44 91,81

Raps 96,91 99,37

Zuckerrüben 74,81 99,82

Andere Feldfrüchte 96,47 90,74

Gesamtgenauigkeit 87,71

Kappa 0,86

Testgebiet Nordhausen - Input: multitemporale X-, C- und L-Band Daten von 2009

Enviland-2 - Ergebnisse

Wasser

Nadelwald

Siedlung

Grünland

Laub-Mischwald

Winterweizen

Zuckerrüben

Raps

Wintergerste/

Tritikale

Andere

Feldfrüchte


Dresden, 27.01.2016

T. Riedel

1. Neue Methode zur Ausweisung potentieller Traningsgebiete

Verkürzung der zeit- und kostenintensiven Definition von Trainingsdaten

Automatische Klassifikation

2. Methodischer Ansatz

Synergetische Nutzung von optischen und SAR Daten

Wissensbasierter Ansatz

Kombiniert pixel- und objektorientierter Ansatz

Szenenspezifische Schwellwerte (nicht fixiert)

3. Automatische Generierung von Trainingsgebieten ist möglich unter Verwendung von

optischen und SAR Daten oder auf alleiniger Basis von SAR-Daten – aktuelle

Klassentiefe: bis zu 12 Klassen

Enviland-2 - Zusammenfassung


Dresden, 27.01.2016

T. Riedel

4. Genauigkeit

Anteil fehlerhafter Trainingsgebiete für einzelne Klassen i.d.R. << 10%

Überwachte Klassifikation (ZFL): 80 – 90% Gesamtgenauigkeit

5. Übertragbarkeit

Räumliche Übertragbarkeit für Testgebiet Klein Altendorf demonstriert

Zeitliche Übertragbarkeit → Anwendung auf unterschiedliche Akquisitionsjahre

(2009 und 2010) sowie durch unterschiedliche Kombination der Inputdaten

Anwendbar auf verschieden Sensoren (Landsat TM/ETM, Spot, RapidEye

TerraSAR-X, ERS-2, Envisat ASAR, ALOS PALSAR)

Regionen anderen Landbedeckungsklassen / Anwendungen → Adaption des

Expertenwissen



Dresden, 27.01.2016

T. Riedel

7. Feldfruchtartenklassifikation

Kritisch : extrem kleine Feldschläge

Kritisch: Verfügbarkeit von Fernerkundungsdaten zu optimalen

Aufnahmezeitpunkten



Dresden, 27.01.2016

T. Riedel

Radarcover / AMOC II

ESA-Projekte

Ziele: Demonstration des Potentials von C-Band SAR Daten zur

großflächigen Kartierung der Hauptlandbedeckungsklassen

Vorbereitungsstudie für Sentinel-1


Dresden, 27.01.2016

T. Riedel

AMOC II - Landbedeckungsklassifikation

75.000 km² - 10 Frames (ASAR APP IS1 – IS3)

Decision Tree Klassifikation

DT - Beispiel für Track 0487, Frame 0999

6 Landbedeckungs-

klassen 4 Landbdeckungsklassen

(Landwirtschaft/ Grünland

kombiniert)


Dresden, 27.01.2016

T. Riedel

AMOC II - Ergebnisse

C-Band SAR basierte Klassifikation der

Hauptlandbedeckungsklassen ist mit hoher Genauigkeit möglich

Mindestanforderung: 4 dual-polarisierte SAR Aufnahmen

Bedeutung multitemporaler SAR-Parameter für Klassifikation

Keine konsistente und multitemporale Abdeckung großflächiger

Gebiete Mitteleuropas durch Envisat ASAR APP

SENTINEL-1: konsistente Abdeckung in Interferometric Wide Swath

Mode

Deutlich bessere Klassifikationsergebnisse sind zu erwarten


Dresden, 27.01.2016

T. Riedel

Themenbereich: Land-, Forst- und Wasserwirtschaft, Hochwasservorhersage

Fördergeber: BMVI, Bundesministerium für Verkehr und digitale Infrastruktur

Projektbeteiligte:

Thüringer Landesanstalt für Umwelt und Geologie (TLUG)

ThüringenForst – Anstalt des öffentlichen Rechts, Forstliches Forschungs- und

Kompetenzzentrum (FFK)

Als Unterauftragnehmer:

Earth Observation Services GmbH

Feiffer consult

SenThIS - Sentinels für Thüringer Informations-Systeme


Dresden, 27.01.2016

T. Riedel

SenThIS

Projektziele:

Demonstration der Potentiale von ESA Copernicus-Fernerkundungsdaten der Satelliten

Sentinel-1 (Radar) und Sentinel-2 (optischer Bereich) für den Einsatz in den Landesbehörden

TLUG: Unterstützung der hydrologischen Modellierung durch Bodenfeuchteinformationen

aus Sentinel-1-Daten

FFK: Ableitung forstlicher Bestandesparameter aus Sentinel-2-Daten


Dresden, 27.01.2016

T. Riedel

ESA Copernicus-Daten in SenThIS

ESA Scientific Data Hub

Lokale Datenhaltung und- verarbeitung

Sentinel-1 & 2

Zusatzinformationen aus Landesdiensten

Hilfsdaten

TLUG: Hydrolog. Modellierung

FFK: Ableitung forstl.

Bestandesparameter

EOS: Ableitung von Bodenfeuchte-

informationen + Landbedeckung für

hydrolog. Modellierung

feiffer: Ableitung von Produkten für

die Landwirtschaft

Bodenfeuchte-informationen

Forstliche Bestandesparameter

Landnutzung

Landwirtschaftl. Produkte


Dresden, 27.01.2016

T. Riedel

SenThIS – Bodenfeuchteableitung durch EOS GmbH

Bodenfeuchte abgeleitet mittels Change-Detection-Ansatz

Liefert relative Bodenfeuchteinformationen skaliert zwischen permanentem Welkepunkt

(Trockenreferenz) und Feldkapazität (Feuchtreferenz) → Einsatz von Sentinel-1


Dresden, 27.01.2016

T. Riedel

Zusammenfassung und Ausblick

Vorstellung dreier Projekte / Methoden, die als Input SAR-Zeitreihen benötigen und somit

optimal für den Einsatz von Sentinel-1 geeignet sind

Ausblick

WetlandRadar Projekt: (DLR / BMWi)

Start: Januar 2016

Verfahren zur automatischen Trainingsgebietsausweisung → Adaption und

Weiterentwicklung zur Kartierung und Monitoring von Feuchtgebieten

SAR-basierte Bodenfeuchte – Informationsgewinn für Kartierung / Monitoring von

Feuchtgebieten?


Dresden, 27.01.2016

T. Riedel

ENVILAND2 wurde durch die Raumfahrt-Agentur des Deutschen Zentrums

für Luft- und Raumfahrt e.V. mit Mitteln des Bundesministeriums für

Wirtschaft und Technologie aufgrund eines Beschlusses des Deutschen

Bundestages unter den Förderkennzeichen 50 EE 0844 - 50 EE 0847

gefördert

SenThIS wird durch das Bundesministerium für Verkehr und digitale

Infrastruktur BMVI gefördert

Radarcover / AMOC-II wurde durch Mittel der Europäischen

Raumfahrtbehörde ESA gefördert

Unser Dank gilt ESA, DLR and RESA für die Bereitstellung der EO-Daten

Danksagung


Dresden, 27.01.2016

T. Riedel

Vielen Dank! Tanja Riedel

FSU Jena / Erdbeobachtung

Löbdergraben 32

D-07743 Jena

Tel.: +49/ (0)3641/ 948974

Fax.: +49/(0)3641/ 948882

e-mail: [email protected]

Synergetische Nutzung von optischen und SAR Daten für die ......Sächsisches GIS Forum Dresden,...

Documents

Transcript of Synergetische Nutzung von optischen und SAR Daten für die ......Sächsisches GIS Forum Dresden,...