Leibniz Universität Hannover

Bachelorarbeit

im Studiengang

„Geodäsie und Geoinformatik“

Fernerkundliche Detektion von

Vegetationseinheiten

Laura Marie Koller

Januar 2016

Bachelorarbeit

Fernerkundliche Detektion von

Vegetationseinheiten

Remote sensing based detection of vegetation units

Laura Marie Koller

Matrikelnummer: 2973820

Januar 2016

Institut für Photogrammetrie und GeoInformation

Erstprüfer: Prof. Dr. – Ing. Christian Heipke

Zweitprüfer: Dr. Torge Steensen

i

Eidesstattliche Erklärung

Ich erkläre hiermit, dass ich diese Bachelorarbeit selbstständig, ohne Hilfe Dritter und ohne

Benutzung anderer als der angegebenen Quellen und Hilfsmittel verfasst habe. Alle den

benutzten Quellen wörtlich oder sinngemäß entnommenen Stellen sind als solche einzeln

kenntlich gemacht.

Hannover, den 25.01.2016

ii

Inhaltsverzeichnis

Eidesstattliche Erklärung .................................................................................................................. i

Inhaltsverzeichnis ...............................................................................................................................ii

Abbildungsverzeichnis ..................................................................................................................... iii

Tabellenverzeichnis ............................................................................................................................ v

1. Kurzfassung .................................................................................................................................... 1

2. Einführung ....................................................................................................................................... 1

3. Methoden .......................................................................................................................................... 2

3.1 Elektromagnetische Strahlung ............................................................................................. 2

3.2 Reflexionseigenschaften ....................................................................................................... 4

3.2.1 Reflexionseigenschaften von Vegetation ........................................................................ 5

3.2.2 Vegetationsindizes ............................................................................................................. 6

3.3 Auflösungsarten ....................................................................................................................... 9

3.3.1 Zeitliche Auflösung ............................................................................................................. 9

3.3.2 Geometrische Auflösung ................................................................................................... 9

3.3.3 Spektrale Auflösung ......................................................................................................... 10

3.3.4 Radiometrische Auflösung .............................................................................................. 10

3.4 Satellitengestützte Fernerkundung ................................................................................... 10

3.4.1 Geostationäre Satelliten .................................................................................................. 10

3.4.2 Polarumkreisende Satelliten ........................................................................................... 11

3.5 Landsat8 Satellit ..................................................................................................................... 11

3.6 Spektrale Entmischung ........................................................................................................ 15

3.6.1 SMACC ............................................................................................................................... 15

3.7 Datenauswahl ......................................................................................................................... 16

3.8 Festlegung der NDVI-Intervalle .......................................................................................... 16

4. Ergebnisse ..................................................................................................................................... 17

4.1 Ergebnisse der NDVI-Intervall-Festlegung ...................................................................... 17

4.2 Ergebnisse der NDVI-Klassifikation .................................................................................. 19

4.3 Prozentualer Flächenanteil nach der NDVI-Klassifikation der fünf Klassen .......... 27

4.4 Ergebnisse mit dem Ansatz SMACC ................................................................................ 30

4.5 Vergleich der NDVI-Ergebnisse mit den SMACC-Ergebnissen ................................. 33

5. Diskussion ..................................................................................................................................... 35

7. Quellenverzeichnis ...................................................................................................................... 40

8. Anhang ............................................................................................................................................ 44

iii

Abbildungsverzeichnis

Abbildung 1: Verwendeter Satellitenbildausschnitt mit geografischer Einordnung ................ 1

Abbildung 2: Elektromagnetisches Spektrum [Demarine, 2015] .............................................. 3

Abbildung 3: Drei verschiedene Arten der Reflexion bei schräg einfallender Strahlung

(roter Pfeil) an einer Oberfläche ............................................................................. 5

Abbildung 4: Schematische Darstellung der Absorption des blauen und roten Lichtes und

Reflexion des grünen und infraroten Lichtes an einem grünen Blatt ................ 6

Abbildung 5: Reflexionskurven von vitalen Pflanzen, ungesunden Pflanzen und von

Boden .......................................................................................................................... 7

Abbildung 6: Gegenüberstellung der NDVI-Berechnung unterschiedlich vitaler Pflanzen

[NASA, 2015] ............................................................................................................. 8

Abbildung 7: Grafische Darstellung eines Pushbroom Scanners [NASA, 2015].................. 14

Abbildung 8: RGB-Ausschnitt vom 14.07.2013 ......................................................................... 15

Abbildung 9: NDVI-Intervalle der gesamten Satellitenbilder ................................................... 18

Abbildung 10: RGB-Ausschnitt vom 11.03.2014 ......................................................................... 19

Abbildung 11: NDVI-Klassifikation vom 11.03.2014 ................................................................... 19

Abbildung 12: RGB-Ausschnitt vom 27.03.2014 ......................................................................... 20

Abbildung 13: NDVI-Klassifikation vom 27.03.2014 ................................................................... 20

Abbildung 14: RGB-Ausschnitt vom 12.04.2014 ......................................................................... 21

Abbildung 15: NDVI-Klassifikation vom 12.04.2014 ................................................................... 21

Abbildung 16: RGB-Ausschnitt vom 04.03.2014 ......................................................................... 22

Abbildung 17: NDVI-Klassifikation vom 04.03.2014 ................................................................... 22

Abbildung 18: RGB-Ausschnitt vom 15.08.2013 ......................................................................... 23

Abbildung 19: NDVI-Klassifikation vom 15.08.2013 ................................................................... 23

Abbildung 20: RGB-Ausschnitt vom 09.09.2013 ......................................................................... 24

Abbildung 21: NDVI-Klassifikation vom 09.09.2013 ................................................................... 24

Abbildung 22: Prozentuale Flächenanteile der fünf Klassen der gesamten Satellitenbilder 28

Abbildung 23: Prozentuale Flächenanteile der fünf Klassen der wolkenfreien

Satellitenbilder ......................................................................................................... 29

Abbildung 24: Endmember Wasser aus dem Satellitenbildausschnitt vom 07.07.2013 ....... 30

Abbildung 25: Endmember versiegelte Fläche aus dem Satellitenbildausschnitt vom

11.03.2014 ............................................................................................................... 30

Abbildung 26: Endmember unbewirtschaftete Felder aus dem Satellitenbildausschnitt vom

08.06.2013 ............................................................................................................... 31

iv

Abbildung 27: Endmember bewirtschaftete Felder aus dem Satellitenbildausschnitt vom

27.03.2014 ............................................................................................................... 31

Abbildung 28: Endmember Wald aus dem Satellitenbildausschnitt vom 25.04.2013 ............ 32

Abbildung 29: Unbearbeitetes Endmember versiegelte Fläche vom 25.04.2013 .................. 36

Abbildung 30: Bearbeitetes Endmember versiegelte Fläche vom 11.03.2014 ....................... 37

Abbildung 31: Fehlerhaftes Endmember aus der Klassifikationsmethode SMACC .............. 38

v

Tabellenverzeichnis

Tabelle 1: Dateninformationen des Landsat8 Satelliten .............................................................. 12

Tabelle 2: Empirisch festgelegte NDVI-Intervalle der fünf Klassen zu den jeweiligen

Satellitenbildern ............................................................................................................... 17

Tabelle 3: Tabellarische Darstellung der NDVI-Ergebnisse von Bereichen, die von

Cumulusnimbussen, Schleierwolken und Schatten bedeckt werden ..................... 26

Tabelle 4: Prozentualer Flächenanteil der fünf Klassen für alle Satellitenbilder ...................... 27

Tabelle 5: Gegenüberstellung der prozentualen Anteile von NDVI und SMACC .................... 34

1

1. Kurzfassung

Die vorliegende Arbeit beschäftigt sich mit der fernerkundlichen Detektion von räumlichen

Einheiten (wie z.B. Vegetationseinheiten). Dafür wird eine Auswahl an Satellitenbildern mit

Hilfe von zwei Klassifikationsalgorithmen bearbeitet. Nach der Klassifikation werden die

prozentualen Flächenanteile der verschiedenen Klassen berechnet und untereinander

verglichen. Abschließend werden die Vor- und Nachteile und Grenzen der Methoden

aufgezeigt.

2. Einführung

Ein präsentes und auch für die Zukunft sehr wichtiges Thema ist der Strukturwandel am

Boden. Durch eine Erfassung der Verteilung der räumlichen Einheiten ist es möglich

räumliche Veränderungen zu quantifizieren. Diese Detektion kann mittels

Fernerkundungsdatensätzen durchgeführt werden. Mit diesen Datensätzen können

verschiedene Einheiten, wie zum Beispiel Wasser und Agrarflächen, aber auch versiegelte

Flächen erfasst werden. In dieser Arbeit wird solch eine Differenzierung mit Hilfe von

Satellitenbilder über die Zeit erfolgen. Es werden gleiche Ausschnitte der Satellitendaten

verwendet, in denen der Flughafen Frankfurt am Main, der Rhein, der Main und der

Staatsforst Königsstein im Zentrum stehen (Abb.1).

Abbildung 1:Verwendeter Satellitenbildausschnitt mit geografischer Einordnung [Kartengrundlage verändert nach [Golfshop Info, 2015]]

2

In dieser Arbeit werden für die fernerkundliche Detektion verschiedene Methoden verwendet,

die mit Hilfe der Software ENVI realisiert werden. Zum einen die Methode der spektralen

Entmischung und zum anderen wird der Normalized Difference Vegetation Index (NDVI)

herangezogen. Diese beiden Methoden werden im Hauptteil dieser Arbeit näher erläutert

und die Ergebnisse präsentiert. Es werden fünf Klassen begutachtet, von denen der

prozentuale Flächenanteil im verwendeten Satellitenbildausschnitt bestimmt wird. Die fünf

Klassen sind Wasser, versiegelte Flächen (Siedlungen und Straßen), unbewirtschaftete

Felder, bewirtschaftete Felder und Wald. Abschließend wird ein qualitativer Vergleich

durchgeführt, der die Genauigkeit der benutzten Verfahren klären soll.

3. Methoden

3.1 Elektromagnetische Strahlung

Die Erhebung von Bilddaten wird in der Fernerkundung mittels eines Sensors (Scanner,

Luftkamera) durchgeführt, welcher auf einem Satelliten oder einem Flugzeug angebracht ist.

Der befestigte Sensor erfasst die elektromagnetische Strahlung, die von einem Objekt

reflektiert oder emittiert wird.

„Die elektromagnetische Strahlung ist eine Form der Energieausbreitung“ [Albertz, 2001].

Charakteristische Größen sind hierbei die Frequenz ν und die Wellenlänge λ, die im

Zusammenhang mit der Ausbreitungsgeschwindigkeit c stehen [Albertz, 2001]. Die

Beziehung zwischen diesen drei Größen lautet wie folgt:

Die Wellenlänge findet Verwendung in der Fernerkundung als Charakterisierung für die

elektromagnetische Strahlung. Die vorkommenden Wellenlängenbereiche der

elektromagnetischen Strahlung werden als Gesamtheit in einem elektromagnetischen

Spektrum (Abb. 2) dargestellt [Albertz, 2001].

3

Abbildung 2: Elektromagnetisches Spektrum [Demarine, 2015]. In dieser Arbeit werden der sichtbare Bereich und das nahe Infrarot verwendet.

Das in Abb. 2 dargestellte Spektrum kann in verschiedene Wellenlängenbereiche der

empfangenen elektromagnetischen Strahlung eingeteilt werden. Der meist bekannteste

Bereich ist das sichtbare Licht. Dieser Ausschnitt liegt im Wellenlängenbereich zwischen 0,4

und 0,7 µm [Albertz, 2001]. Im kürzeren Wellenlängenbereich befinden sich das nahe,

anschließend das allgemeine Ultraviolett, dann die Röntgenstrahlen, die Gammastrahlen und

abschließend die extrem kurzwellige kosmische Strahlung. Im elektromagnetischen

Spektrum rechts neben dem sichtbaren Bereich folgt der längerwellige Bereich mit der

Infrarotstrahlung. Die Infrarotstrahlung kann unterschieden werden in das nahe (bis etwa

1 µm), mittlere (1 bis etwa 7 µm) und das ferne (ab etwa 7 µm) Infrarot. Auf den

Infrarotbereich folgen die Mikrowellen und die Radiowellen [Albertz, 2001].

In der Fernerkundung findet nicht das gesamte elektromagnetische Spektrum Verwendung,

sondern es werden nur bestimmte Teilbereiche näher betrachtet und verwendet. Zum einen

werden Multi- und Hyperspektralscanner für den Bereich des sichtbaren Lichts, im nahen,

mittleren und fernen Infrarot eingesetzt. Des Weiteren werden Thermalscanner für den

mittleren und fernen Infrarotbereich benutzt und schlussendlich Radarsysteme für den

Mikrowellenbereich [Fe-Lexikon, 2015].

Die Fernerkundung stützt sich auf zwei verschiedene Strahlungsvorgänge (solar und

terrestrisch). Bei der solaren Einstrahlung ist die Hauptquelle die Sonne. Die maximale

Bestrahlungsstärke liegt bei einer Wellenlänge, vergleichbar wie bei einem Schwarzkörper,

von λ = 0,47 µm bei einer Durchschnittstemperatur von 6000 K (Abb. 2). Die in der

Fernerkundung verwendete Strahlung ist ausschließlich die, die von der Erdoberfläche oder

der Atmosphäre reflektiert wird und die, die von der Erdoberfläche durch ihre

4

Eigentemperatur direkt abgegeben wird. Die Durchschnittstemperatur der Erde beträgt 300 K

(Abb. 2). Das Maximum der Strahlung verschiebt sich mit sinkender Temperatur in höhere

Wellenlängenbereiche (Abb. 2).

Bei der Einstrahlung im terrestrischen Spektralbereich ist die atmosphärische

Gegenstrahlung der Erdoberfläche charakterisierend. Die terrestrische Strahlung wird

gekennzeichnet durch die gesamte Infrarotstrahlung, die von der Erde und der Atmosphäre

im Bereich von etwa 200 bis 300 K ausgesandt wird. Die von der Erde reflektierte Strahlung

wird in der Atmosphäre größtenteils absorbiert, somit gelangt nur ein kleiner Teil ins All [Fe-

Lexikon, 2015].

3.2 Reflexionseigenschaften

Für eine Aufnahme von fernerkundlichen Daten ist es wichtig, dass die Oberfläche des

Geländes und die verschiedenen Objekte sich gegenüber der auftreffenden Strahlung sehr

differenziert verhalten [Albertz, 2001]. Es gibt viele Faktoren durch die es die Möglichkeit

gibt, Objekte oder auch Gegenstände sofort in Bildwiedergaben zu erkennen, wie z.B. das

Material der Geländeobjekte oder auch deren physikalischen Zustand, wie die Feuchtigkeit.

Andere Reflexionseigenschaften der Geländeobjekte sind die Oberflächenrauhigkeit und

geometrische Verhältnisse, wie der Einfallswinkel der Sonne oder die Beobachtungsrichtung

[Albertz, 2001]. Die Rauhigkeit der Fläche charakterisiert die Art der Reflexion [Albertz,

2011]. Eine Art der Reflexion ist die spiegelnde Reflexion, die in Abb. 3a dargestellt ist. Diese

findet statt, wenn die Rauhigkeit an der Oberfläche im Vergleich zur Wellenlänge klein ist.

Bei der spiegelnden Reflexion ist der Einfallswinkel gleich dem Reflexionswinkel, welche

häufig bei stillen Wasserflächen beobachtet wird.

Eine weitere Reflexionsart ist die diffuse Reflexion. Diese liegt vor, wenn die Rauhigkeit an

Oberflächen ungefähr gleich der Wellenlänge der auftreffenden Strahlung ist. Der Idealfall

der diffusen Reflexion ist die Lambertsche Fläche (siehe Abb. 3b), die richtungsunabhängig

reflektiert und aus diesem Grund in alle Richtungen gleich hell erscheint [Albertz, 2001].

Doch diese beiden Reflexionsarten kommen selten in der Realität vor. Eine Mischung aus

spiegelnder und diffuser Reflexion nennt sich gemischte Reflexion. Die auftreffende

Strahlung wird in allen Richtungen zurückgeworfen, wie bei der diffusen Reflexion, aber mit

ungleicher Intensität. Diese Art der Reflexion ist in Abb. 3c dargestellt.

5

Abbildung 3: Drei verschiedene Arten der Reflexion bei schräg einfallender Strahlung (roter Pfeil) an einer Oberfläche; (a): Die spiegelnde Reflexion. (b): Die diffuse Reflexion (Lambertsche Fläche). (c) die gemischte Reflexion.

3.2.1 Reflexionseigenschaften von Vegetation

Es gibt Oberflächen, welche die Eigenschaft besitzen, Teile des elektromagnetischen

Spektrums unterschiedlich stark zu reflektieren. Blätter enthalten Farbpigmente wie das

Chlorophyll. Diese absorbieren zum größten Teil den blauen und roten Bereich der

einfallenden Strahlung, jedoch wird der grüne Bereich des sichtbaren Lichts stärker

reflektiert, weswegen ein Blatt grün erscheint [Uni Bonn, 2015 a]. Im nahen Infrarotbereich

wird eine noch stärkere Reflexion verzeichnet, als im grünen Bereich (vgl. Abb. 5). Dieser

Anstieg wird als Red Edge bezeichnet und im nächsten Abschnitt näher erläutert [Seos,

2015]. Der Grund für die stärkere Reflexion im nahinfraroten Bereich ist, dass diese an den

Blattzellwänden mehrfach gespiegelt und daher zum großen Anteil reflektiert wird [Colwell,

1963]. In der folgenden Abbildung (Abb.4) ist die Absorption und Reflexion an einem grünen

Blatt schematisch dargestellt.

6

Abbildung 4: Schematische Darstellung der Absorption des blauen und roten Lichtes und Reflexion des grünen und infraroten Lichtes an einem grünen Blatt [geändert nach Albertz, 2001]. Orange kennzeichnet die Absorption und grün die Reflexion.

3.2.2 Vegetationsindizes

Vegetationsindizes besitzen die Fähigkeit, in Bilddatenerhebungen Oberflächen mit vitaler

Vegetation von unbewachsenen oder mit abgestorbener Vegetation bedeckten zu

unterscheiden [Hildebrandt, 1996]. Des Weiteren kann eine Aussage über die Begrünung

von Gebieten, deren Gesundheitszustand, den Wassergehalt der Pflanzen und über die

jeweilige Jahreszeit getroffen werden. Mithilfe von Messwerten aus Spektralkanälen können

solche Indizes berechnet werden, vor allem aus solchen, in denen sich vitale Vegetation von

unbewachsenen Oberflächen unterscheidet [Hildebrandt, 1996]. Hierfür bieten sich am

ehesten Messwerte aus dem nahen Infrarotbereich und dem Rot-Bereich an. Der Grund

dafür ist der charakteristische Anstieg der Reflexionskurve der Vegetation vom sichtbaren

Licht zum nahen Infrarotbereich. Im roten Wellenlängenbereich reflektiert die vitale

Vegetation nur sehr gering, worauf ein steiler Anstieg (bei etwa 700 nm [Jones, 2010]) im

nahen Infrarotbereich folgt (Red Edge siehe Abb.5). Vegetationsindizes sind dimensionslose

Parameter.

7

Abbildung 5: Reflexionskurven von vitalen Pflanzen, ungesunden Pflanzen und von Boden; Darstellung der Red Edge bei der vitalen Vegetation [Micasense, 2015].

3.2.2.1 Ratio-Vegetationsindex RVI

In den siebziger Jahren entwickelten Pearson und Miller (1972) den ersten Vegetationsindex

in Form von Verhältnisbildung der mittleren Reflexion im roten und nahen Infrarot Bereich.

Durch den Ratio Vegetation Index (RVI) kann eine Schätzung und Überwachung der

Pflanzenbedeckung erfolgen.

Der RVI ist die einfachste Form dieser Art, der als Quotient der spektralen, reflektierten

Strahlendichte L des nahen Infrarot (NIR) und des roten Aufnahmekanals bestimmt wird

[Hildebrandt, 1996]. Die Formel lautet wie folgt:

Der Index verbessert den Kontrast zwischen der Bodenoberfläche und der Vegetation.

Außerdem ist dieser weniger beeinflusst von dem Effekt der Belichtungsgegebenheiten,

jedoch empfindlich gegenüber den optischen Eigenschaften des Bodens [Baret und Guyot,

1991]. Die Beziehung zwischen den Reflexionen der beiden Bänder erlaubt die Störgröße

von Einflussfaktoren in der gleichen Art der Strahlung von jedem Band zu schätzen [Holben

und Justice, 1981]. Nach Jackson et al. (1983) ist der RVI empfindlich gegenüber

atmosphärischen Effekten und das Unterscheidungsvermögen ist schwach, wenn die

Vegetationsdecke nicht allzu dicht (weniger als 50%) bewachsen ist.

8

3.2.2.2 Normalized Difference Vegetation Index NDVI

Rouse et al. (1974) stellte eine Erweiterung des RVI auf, den Normalized Difference

Vegetation Index (NDVI). Dieser wird durch die Differenz und die Summe beider

Strahlendichten bestimmt. Durch Formel 3 wird dieser Index ausgedrückt:

Der NDVI ist empfindlich auf das Vorhandensein grüner Vegetation [Sellers, 1985]. Des

Weiteren erlaubt dieser Index die Prognose von landwirtschaftlichen Pflanzen [Tucker und

Sellers, 1986; Bullock, 1992] und die Fällung in halbtrockenen Gebieten [Kerr et al., 1989;

Nicholson et al., 1990]. Der Erfolg des NDVI als ein Beschreiber von Vegetationsvariationen,

trotz atmosphärischen Effekten [Kaufman, 1984; Fraser und Kaufman, 1985] und

radiometrischen Zerlegungen in das rote und das nahe infrarote Band [Holben et al., 1990],

baut auf der Normalisierung auf, welche diese Effekte und Zerlegungen erlauben.

Normalisierungen reduzieren den Effekt von der Sensorkalibrierungszerlegung um ca. 6 %

von dem gesamten Indexwert [Holben et al., 1990; Kaufman und Holben, 1993].

Der Wertebereich des Vegetationsindexes liegt zwischen -1 und 1. Beispielsweise hat

grüne/vitale Vegetation einen NDVI Wert von 0,7, wie auch in Abb. 6 die linke Pflanze

widerspiegelt. Des Weiteren können mit diesem Vegetationsindex Änderungen der

Vegetation in den unterschiedlichen Jahreszeiten festgestellt werden [Uni Bonn, 2015 b].

Abbildung 6: Gegenüberstellung der NDVI-Berechnung unterschiedlich vitaler Pflanzen [NASA, 2015].

9

Für die Berechnung des NDVI werden Reflexionseigenschaften der Pflanzen im

Spektralbereich des sichtbaren Lichtes und nahen Infrarotbereichs verwendet. Bei gesunder

Vegetation wird ein Großteil der nahen Infrarotstrahlung reflektiert, wobei das sichtbare Licht

eher absorbiert wird. Wie viel jeweils reflektiert bzw. absorbiert wird, hängt stark von dem

Chlorophyllgehalt der Pflanze ab. Wenn sich die Vitalität der Pflanze ändert, z.B. durch

Vertrocknung, ändert sich das reflektierte elektromagnetische Spektrum. Dadurch, dass sich

der Wassergehalt ändert, sinkt der Chlorophyllgehalt der Pflanze. Die Pflanze erscheint rot-

bräunlich, da ein größerer Rotanteil des sichtbaren Lichts reflektiert wird.

3.3 Auflösungsarten

In der Fernerkundung wird zwischen vier Auflösungsarten unterschieden: die zeitliche, die

geometrische, die spektrale und die radiometrische Auflösung.

3.3.1 Zeitliche Auflösung

Die zeitliche Auflösung entspricht dem zeitlichen Abstand, der zwischen zwei Aufnahmen

des gleichen Gebietes liegt. Je höher die zeitliche Auflösung, desto kleiner ist der Abstand

zwischen den Aufnahmen [Uni Bonn, 2015 b]. Diese Art von Auflösung ist abhängig von der

Flughöhe und der Umlaufbahn sowie von dem Blickwinkel des Satelliten.

3.3.2 Geometrische Auflösung

Die geometrische Auflösung eines Sensors gibt Auskunft über den Detailgrad, der in dem

Datensatz abgebildet werden kann [Geoinformatik, 2016]. Diese Auflösungsart wird

entweder in Metern, Kilometern, Zentimetern, usw. angegeben. Fernerkundungssensoren

besitzen die Fähigkeit, räumliche Details aufzunehmen, indem sie Informationen über

Objekte in Form eines Rasters detektieren. Das überflogene Gebiet wird mittels Pixel

(Bildpunkte), die kleinste Flächeneinheit eines digitalen Bildes, abgebildet. Die geometrische

Auflösung ist charakterisiert durch die Kantenlänge eines Pixels. Je kleiner die Kantenlänge

des Pixels, umso größer ist die geometrische Auflösung und umso mehr Details können

erfasst werden. Eine geringe geometrische Auflösung ist gekennzeichnet durch eine

Pixelkantenlänge von größer als 30 m, eine mittlere Auflösung von 2 bis 30 m und eine hohe

Auflösung von unter 2 m [Seos, 2015]. Bei Satellitenbildern ist das Problem, dass nah

beieinanderliegende Objekte in einem gemeinsamen Pixel abgebildet werden können, somit

entstehen Mischpixel. Je geringer die geometrische Auflösung, umso mehr Mischpixel

entstehen und umso schlechter können Flächen voneinander unterschieden werden.

10

3.3.3 Spektrale Auflösung

Die spektrale Auflösung ist durch die Anzahl der Aufnahmekanäle eines Sensors und deren

Bandbreite charakterisiert [Seos, 2015]. Jeder Wellenlängenbereich wird einzeln in

getrennten Spektralkanälen aufgenommen. Der Sensor erstellt in jedem Kanal ein Bild, das

aus verschiedenen Grautönen besteht. Je mehr Kanäle ein Sensor besitzt, umso höher ist

die spektrale Auflösung eines Satelliten [Uni Bonn, 2015 b]. Die meist benutzten passiven,

polarumkreisenden Satelliten besitzen zwischen drei und acht Spektralkanäle und sind

dementsprechend multispektral [Seos, 2015]. Eine hohe spektrale Auflösung dient dazu,

einzelne Objekte besser zu erkennen und spektral zu unterscheiden [Seos, 2015].

3.3.4 Radiometrische Auflösung

Die vierte Auflösungsart in der Fernerkundung ist die radiometrische Auflösung. Diese wird

gekennzeichnet durch die unterschiedlichen Abstufungen der Grauwerte, die die einzelnen

Kanäle erfassen können [Geovlex, 2015]. Die radiometrische Auflösung wird in bit

angegeben [Uni Bonn, 2015 b]. Wenn die Auflösung beispielsweise 8-bit besitzt, gibt es

insgesamt 256 Grautöne [Seos, 2015]. Je höher die radiometrische Auflösung, desto besser

können Unterschiede im Reflexionsverhalten der Landoberfläche beobachtet werden [Uni

Bonn, 2015 b].

3.4 Satellitengestützte Fernerkundung

Es wird zwischen geostationären und polarumkreisenden Satelliten unterschieden. Diese

differenzieren sich in ihrer Flughöhe und dessen Aufnahmespektrum der Erdoberfläche.

3.4.1 Geostationäre Satelliten

Die geostationären Satelliten befinden sich in einer Höhe von etwa 35.000 km über dem

Äquator und bewegen sich mit einer Geschwindigkeit von etwa 3,1 km/s. Daraus folgt, dass

der Satellit etwa 24 Stunden für eine Umkreisung der Erde benötigt und somit ist die

Bewegung eines solchen Satelliten synchron mit der Erdrotation. Da sich nun also die

geostationären Satellitensysteme synchron mit der Erde bewegen, wird nicht die gesamte

Erdkugel aufgenommen, sondern nur ein bestimmter Ausschnitt der Erdoberfläche. Der

Grund dafür ist, dass sich die geostationären Satelliten im Idealfall immer über demselben

Punkt der Erdoberfläche befinden. Deswegen können diese Satellitensysteme in zeitlichen

Abständen von wenigen Minuten Bilder desselben Gebietes machen. Da nicht die komplette

11

Erdoberfläche von den geostationären Satelliten aufgenommen werden kann, werden

zusätzlich noch polarumkreisende Satelliten zum Einsatz gebracht. [Schulmodell, 2015]

3.4.2 Polarumkreisende Satelliten

Polarumkreisende Satelliten, wie Landsat8, fliegen in einer Höhe von 700 bis 900 km auf

einer schiefen Bahn von Pol zu Pol. Diese betrachten zwar nur einen kleinen Teil der

Erdoberfläche, aber da sie sich auf einer schiefen Bahn befinden und sich die Erde unter

ihnen dreht, ist in wenigen Tagen die gesamte Erdoberfläche aufgenommen. [Uni Bonn,

2015 b]

3.5 Landsat8 Satellit

Für die fernerkundliche Detektion von Vegetationseinheiten werden Satellitenbilder, die von

dem Satellit Landsat8 aufgenommen wurden, bereitgestellt. Die Landsat Satelliten sind

passive, polarumkreisende Satelliten und gehören dem Gemeinschaftsprojekt der NASA und

der U.S. Geological Survey (USGS) an [Spiegel Wissenschaft, 2015]. 1972 ist der erste

Satellit dieser Serie gestartet und weitere sieben folgten. Doch die meisten der gestarteten

Satelliten sind schon außer Betrieb. Landsat8 ist 2013 gestartet und mit zwei Sensoren

ausgestattet, dem Operational Land Imager (OLI) und dem Thermal Infrared Sensor (TIRS)

[Landsat 8, 2015]. Der OLI nimmt Bilder mithilfe von neun Spektralbändern auf. Acht von den

neun Bändern haben die gleiche geometrische Auflösung von 30 m [Landsat Science, 2015].

Band 8 hat als einziges Band eine Auflösung von 15 m [Landsat Science, 2015]. Im

Vergleich zum Landsat7 Satelliten sind zwei neue Bänder (1 und 9) dazugekommen. Dessen

Eigenschaften werden später näher erläutert. Der TIRS nimmt Bilder im höheren

Wellenlängenbereich (10,6 und 12,5 µm) auf und besitzt eine kleinere geometrische

Auflösung als der OLI [Landsat Science, 2015]. Die beiden thermalen Bänder (10 und 11)

sind nützlich in der Bereitstellung von hochgenauen Oberflächentemperaturen [USGS,

2015]. In der nachfolgenden Tabelle (Tab. 1) sind die wichtigsten Daten des Landsat8

Satelliten aufgelistet:

12

Tabelle 1: Dateninformationen des Landsat8 Satelliten; Bandnummer mit den dazugehörigen Wellenlängenbereichen und geometrische Auflösung [Landsat Science, 2015]; Die orange markierten

Bandnummern gehören zu dem OLI; die gelb markierten Bandnummern zu dem TIRS

Band Nummer Wellenlänge [µm] Geometrische Auflösung

1 0,433 – 0,453 30 m

2 0,450 – 0,515 30 m

3 0,525 – 0,600 30 m

4 0,630 – 0,680 30 m

5 0,845 – 0,885 30 m

6 1,560 – 1,660 30 m

7 2,100 – 2,300 30 m

8 0,500 – 0,680 15 m

9 1,360 – 1,390 30 m

10 10,6 – 11,2 100 m

11 11,5 – 12,5 100 m

Weitere Dateninformationen zum Satelliten sind, dass dieser 99 Minuten für eine Umrundung

der Erde benötigt und in einer Höhe von etwa 700 km fliegt. Des Weiteren dauert die

Erfassung der gesamten Erdoberfläche 16 Tage. [Spiegel Wissenschaft, 2015]

Für diese Arbeit werden die Bänder eins bis sieben und neun verwendet, da die anderen drei

Bänder eine andere geometrische Auflösung, als die restlichen Bänder haben.

Band 1 liegt im Wellenlängenbereich von 0,433 bis 0,453 µm und erkennt tiefe Blautöne und

violett [Landsat Science, 2015]. Blaues Licht ist schwer aus der Höhe zu erfassen, da dieses

leicht bei winzigen Aerosolen aus Staub und Wasser in der Luft und sogar selbst bei

Luftmolekülen zerstreut wird. Dies ist der Grund, warum sehr distanzierte Objekte, wie Berge

am Horizont, bläulich erscheinen und warum der Himmel blau ist. Dieses Phänomen kann

mit der Rayleigh-Streuung erklärt werden. Die Erdatmosphäre besteht zum größten Teil aus

Stickstoff- und Sauerstoffmolekülen. Wenn die Lichtstrahlen auf dem Weg zur Erde sind,

müssen sie durch diese Atmosphäre, wobei sie auf diese Moleküle treffen und von diesen

abgelenkt und gestreut werden. Das blaue Licht, welches kurzwelliger als rotes Licht ist, wird

von den Luftmolekülen stärker gestreut als rotes Licht [Spektrum, 2015]. Aus diesem Grund

erscheint der wolkenlose, klare Himmel blau. Dieses Band wird küstennahes/aerosoles Band

genannt, da es seichtes Wasser und feine Partikel wie Staub und Rauch aufspüren kann

[Landsat Science, 2015]. Aerosole sind Partikel in der Luft, die entweder im flüssigen oder im

festen Zustand vorkommen. Deren Größe bewegt sich zwischen 10-4 und 10 µm [Fe-Lexikon,

2015]. Die Aerosolpartikel werden als Dunst sichtbar.

13

Die Bänder 2, 3 und 4 liegen im sichtbaren Bereich [Landsat Science, 2015]. Band 2, mit

einem Wellenlängenbereich zwischen 0,450 und 0,515 µm, repräsentiert die Grundfarbe

Blau. Grün liegt im Bereich von 0,525 bis 0,600 µm und wird in Band 3 gezeigt. Der letzte

sichtbare Bereich liegt zwischen 0,630 und 0,680 µm und ist die Farbe Rot in Band 4

[Landsat Science, 2015] (vgl. auch Abb. 2). Band 2 wird für die Abgrenzung von Boden und

Vegetation und zu der Zuordnung der verschiedenen Waldtypen verwendet [USGS, 2015].

Mit dem grünen Spektralband (Band 3) kann das Wachstum der Pflanzen geschätzt werden

[USGS, 2015]. Die Identifikation von Vegetationstypen und die Erkennung von Boden- und

Stadtmerkmalen ist mit dem roten Band umzusetzen [USGS, 2015].

Band 5 misst den nahen Infrarotbereich [Landsat Science, 2015]. Dieser Teil von dem

Spektrum ist vor allem wichtig für die Ökologie, da gesunde Pflanzen diese Strahlung

reflektieren. Das Wasser in deren Blättern reflektiert die Wellenlänge zurück in den Himmel.

In Kombination mit anderen Bändern können Indizes wie der NDVI berechnet werden. Durch

diesen Index kann die Gesundheit der Pflanzen mit einer höheren Genauigkeit gemessen

werden als wenn das sichtbare Grün begutachtet wird [Landsat Science, 2015].

Zusammenfassend ist Band 5 für die Vegetationsdetektion und –analyse zuständig [USGS,

2015].

Band 6 und 7 decken unterschiedliche Bereiche vom kurzwelligen Infrarotbereich ab. Band 6

liegt im Wellenlängenbereich von 1,560 – 1,660 µm [Landsat Science, 2015] und ist für die

Feuchtigkeits- und Trockenheitsanalyse der Pflanzen verantwortlich [USGS, 2015]. Des

Weiteren können verbrannte und feuerbetroffene Flächen oder aktive Feuer detektiert

werden. Band 7 liegt im Wellenlängenbereich von 2,100 – 2,300 µm und kann zusätzlich

aktive Feuer, speziell nachts, aufspüren [USGS, 2015].

Band 8 ist ein panchromatisches Band mit einer höheren geometrischen Auflösung von 15

m. Aus diesem Grund wird dieses Band nicht in diese Arbeit mit eingebunden, da die

restlichen verwendeten Bänder eine Auflösung von 30 m haben [Landsat Science, 2015].

Band 9 deckt einen sehr kleinen Bereich des Wellenlängenbereiches ab. Dieser Bereich liegt

zwischen 1,360 und 1,390 µm und detektiert Cirruswolken. Diese Art von Wolken sind reine

Eiswolken in großer Höhe, die aus Eis- und Schneekristallen bestehen und Federwolken

genannt werden [Wolkenatlas, 2006].

Die Bänder 10 und 11 gehören zu dem TIRS. Sie liegen im Bereich von 10,6 bis 12,5 µm

und sammeln Daten über die Wärmeabstrahlung der Erdoberfläche. Die Thermalbänder

gewinnen immer mehr an Bedeutung bei der Überwachung und Kontrolle des

Wasserverbrauchs, besonders in trockenen Gebieten [Fe-Lexikon, 2015].

14

Die beiden Sensoren (OLI und TIRS) sind sogenannte Pushbroom Instrumente [Fe-Lexikon,

2015]. Durch neue Technologien kann OLI die gesamte Breite der Bodenspur gleichzeitig

aufnehmen. Daraus werden Datenreihen gebildet, die die kontinuierliche Bodenspur

erzeugen [NASA, 2015]. In Abb. 7 ist der Pushbroom Scanner grafisch dargestellt.

Abbildung 7: Grafische Darstellung eines Pushbroom Scanners [NASA, 2015]

Die einzelnen Kanäle nehmen Bilder in unterschiedlichen Grautönen auf. Farbige Bilder

spielen in der Fernerkundung eine wichtige Rolle. Aus diesem Grund werden aus den

einzelnen Grauwertbildern Farbbilder erzeugt, damit sie leichter zu interpretieren sind. Farbe

ist eine „Sinneswahrnehmung“ und das menschliche Auge beurteilt die einwirkende

elektromagnetische Strahlung nach den drei Grundfarben rot, grün und blau [Albertz, 2001].

Diese drei Bewertungen werden zu einer Gesamtwirkung verbunden, sodass bei

unterschiedlichen Anteilen verschiedene Farbwahrnehmungen gebildet werden. Deswegen

werden RGB-Bilder erstellt, um ein gutes Ergebnis in der Bildinterpretation zu erreichen.

RGB-Bilder bestehen aus den Kanälen rot, grün und blau. Diese drei Kanäle sind bei dem

Landsat8 Satelliten in den Bändern 4 (rot), 3 (grün) und 2 (blau) zu finden. In der

15

nachfolgenden Abbildung (Abb. 8) ist ein RGB-Bild (Echtfarbenbild) dargestellt, welches

keine Wolken beinhaltet.

Abbildung 8: RGB-Ausschnitt vom 14.07.2013; geografisch eingeordnet und nach Maßstab wie Abb.1. Die verschieden farbigen Kästchen dienen als wolkenfreie Grundlage für Tab.3.

3.6 Spektrale Entmischung

3.6.1 SMACC

In dieser Arbeit wird der automatisierte Ansatz Sequential Maximum Angle Convex Cone

(SMACC) verwendet, der von Gruniger et al. (2004) eingeführt wurde. Dieser Ansatz ist in

der Software ENVI bereitgestellt. SMACC basiert auf einem konvexen Kegelmodell zum

Darstellen von Vektordaten und ist ausgelegt für hyperspektrale Daten, die im Vorfeld

kalibriert wurden [Gruniger, et al., 2004]. Dieses Verfahren erzeugt nach und nach

Zusammenstellungen von Endmembern und dient zur Detektion von Endmemberspektren

aus hyperspektralen Daten [Gruniger, et al., 2004]. Endmember sind Spektren, die

„idealisierte, reine“ Signaturen einer Klasse widerspiegeln [Isprs, 2015]. Zuerst sind

Extrempunkte notwendig, um den konvexen Kegel zu schätzen, welcher das erste

Endmember definiert. Die Anzahl der Endmember kann selbst bestimmt werden. Diese

Methode arbeitet unüberwacht. Dies bedeutet, dass keine Referenzflächen benutzt werden

und eine Interpretation der Ergebnisse nach der Klassifikation erfolgt. Der Algorithmus endet,

wenn entweder alle Datenwerte innerhalb des Kegels liegen oder die maximale Anzahl an

Endmembern erreicht ist [Gruniger, et al., 2004]. Anders formuliert, SMACC findet zuerst das

hellste Pixel in dem Bild, anschließend das Pixel, welches sich zum ersten am meisten

unterschiedet. Im Anschluss wird das Pixel gefunden, welches sich zu den ersten beiden

16

Pixeln am meisten unterscheidet. Der Prozess wird solange wiederholt bis SMACC ein Pixel

findet, welches bereits in einer Gruppe nachgewiesen werden kann oder bis eine bestimmte

Anzahl an Endmembern gefunden wurde. Das Pixelspektrum, das SMACC gefunden hat,

wird zu den Endmembern der resultierenden Spektralbibliothek [Gruniger, et al., 2004].

3.7 Datenauswahl

Für diese Arbeit liegen 21 Satellitenbilder im Zeitraum vom 18.04.2013 bis 21.04.2014 vor.

Das aufgenommene Gebiet umfasst einen Teil von Hessen und einen Teil von Rheinland-

Pfalz. Der ausgewählte Bereich (Abb.1) besitzt charakteristische Merkmale, um dieses

Gebiet geografisch einzuordnen: Den Flughafen Frankfurt am Main, den Rhein, den Main

und den Staatsforst Königsstein. Es werden 17 Ausschnitte näher betrachtet, da die

restlichen einen zu großen Anteil an Wolken besitzen. Der zeitliche Rahmen liegt bei einem

Jahr, was bedeutet, dass sich voraussichtlich nichts Gravierendes in der Struktur der

Oberfläche verändert hat. Aus diesem Grund wird in den nachfolgenden Untersuchungen

nicht auf das Jahr geachtet, sondern die Satellitenbilder der Jahreszeit chronologisch

sortiert. Der Ausschnitt des Satellitenbildes wurde gewählt, da verschiedene

Oberflächenstrukturen (wie z.B. Wasser, versiegelte Fläche, unbewirtschaftete Felder)

vorhanden sind.

3.8 Festlegung der NDVI-Intervalle

Um die NDVI-Intervalle eines Satellitenbildes festzulegen, wird zuerst in der Software ENVI

ein „NDVI-Bild“ erstellt, indem für das gesamte Bild die NDVI-Werte berechnet werden. Aus

der Berechnung kann abgelesen werden, in welchem Bereich die NDVI-Werte liegen

(Software Tool Interactive Stretching). Anschließend wird das erste Intervall empirisch

festgelegt. Der niedrigste NDVI-Wert ist der unterste Wert des Intervalls. Der Oberste wird

empirisch bestimmt. Wasser ist die erste Klasse, die die kleinsten NDVI-Werte besitzt. Der

oberste NDVI-Wert ist gefunden, wenn keine andere Klasse dadurch klassifiziert wird. Für

die nächste Klasse, versiegelte Fläche, wird der oberste Wert der Klasse Wasser als

niedrigster Wert verwendet. Der Prozess wird wie beschrieben fortgefahren. Der höchste

NDVI-Wert ist abschließend der oberste Wert der fünften Klasse Wald. Im Abschnitt 4.1 sind

die festgelegten NDVI-Intervalle aufgelistet.

17

4. Ergebnisse

4.1 Ergebnisse der NDVI-Intervall-Festlegung

Nachdem, wie in Abschnitt 3.8 beschrieben, die NDVI-Intervalle der gesamten

Satellitenbilder festgelegt worden sind, ist Tabelle 2 entstanden. Diese Tabelle beinhaltet zu

jeder der fünf Klassen ein Intervall, welches zu jedem Satellitenbild individuell bestimmt

worden ist.

Tabelle 2: Empirisch festgelegte NDVI-Intervalle der fünf Klassen zu den jeweiligen Satellitenbildern. Die grün markierten Felder zeigen an, dass in diesen Satellitenbildern der Wald als „grün“ klassifiziert wurde.

Datum Wasser Versiegelte Fläche

Unbewirt-schaftete Felder

Bewirtschaftete Felder

Wald

18.04.2013 -0,199 - 0,017 0,017 - 0,112 0,112 - 0,185 0,347 - 0,579 0,185 - 0,347

25.04.2013 -0,186 – 0,008 0,008 – 0,103 0,103 – 0,183 0,3 – 0,595 0,183 – 0,3

05.06.2013 -0,201 - 0,025 0,025 - 0,123 0,123 - 0,214 0,214 - 0,396 0,396 - 0,655

08.06.2013 -0,119 - 0,039 0,039 - 0,139 0,139 - 0,260 0,260 - 0,420 0,420 - 0,613

07.07.2013 -0,157 - 0,014 0,014 - 0,169 0,169 - 0,260 0,260 - 0,420 0,420 - 0,636

14.07.2013 -0,146 - 0,029 0,029 - 0,158 0,158 - 0,260 0,260 - 0,420 0,420 - 0,617

15.08.2013 -0,012 - 0,026 0,026 - 0,130 0,130 - 0,208 0,208 - 0,300 0,300 - 0,590

09.09.2013 -0,168 - (-0,023) -0,023 - 0,101 0,101 - 0,206 0,512 - 0,617 0,206 - 0,512

25.09.2013 -0,040 - 0,019 0,019 - 0,111 0,111 - 0,159 0,409 - 0,493 0,159 - 0,409

02.10.2013 -0,064 - 0,018 0,018 - 0,102 0,102 - 0,149 0,362 - 0,499 0,149 - 0,362

12.11.2013 -0,122 - (-0,013) -0,013 - 0,051 0,051 - 0,099 0,211 - 0,481 0,099 - 0,211

04.03.2014 -0,083 - 0 0 - 0,057 0,057 - 0,118 0,201 - 0,470 0,118 - 0,201

11.03.2014 -0,159 - 0,004 0,004 - 0,085 0,085 - 0,126 0,228 - 0,502 0,126 - 0,228

20.03.2014 0,105 - 0,013 0,013 - 0,081 0,081 - 0,155 0,250 - 0,543 0,155 - 0,250

27.03.2014 -0,191 - 0,008 0,008 - 0,100 0,100 - 0,160 0,265 - 0,540 0,160 - 0,265

12.04.2014 -0,121 - 0,041 0,041 - 0,126 0,126 - 0,195 0,383 - 0,556 0,195 - 0,383

21.04.2014 -0,154 - 0,015 0,015 - 0,116 0,116 - 0,250 0,250 - 0,334 0,334 - 0,626

Aus Tab. 2 ist zu erkennen, dass das Intervall mit den niedrigsten NDVI-Werten zu der

Klasse Wasser gehört. Die Werte liegen zwischen -0,201 und 0,041. Darauf folgt die Klasse

versiegelte Fläche, welche im Bereich von -0,023 und 0,169 klassifiziert worden ist. Die dritte

klassifizierte Einheit sind unbewirtschaftete Felder. Unbewirtschaftete Felder sind eine

Vegetationseinheit, die im Satellitenbild als gelbe oder braune Felder zu erkennen sind. Der

minimale NDVI-Wert liegt bei 0,051, der maximale bei 0,260. Die Klassen mit den größten

NDVI-Werten sind bewirtschaftete Felder und Wald. Die Vegetationseinheit Wald ist

entweder als „brauner“ oder „grüner“ Wald klassifiziert worden. „Brauner Wald“ bedeutet,

dass die Laubbäume keine Blätter haben und aus diesem Grund braun erscheinen. Das

Intervall liegt zwischen 0,099 und 0,201. Im Gegensatz dazu charakterisieren „grüne“

Wälder, die Wälder, die aus Nadelbäumen und/oder aus Laubbäumen mit vitalen Blättern

bestehen.

18

Diese Vegetationseinheit wird klassifiziert im Bereich von 0,300 und 0,655 (vgl. Tab. 2 grüne

Markierung). Bewirtschaftete Felder liegen im Bereich von 0,201 und 0,595. In der folgenden

Grafik (Abb. 9) sind die NDVI-Intervalle der einzelnen Satellitenbilder in einem

Stapeldiagramm dargestellt.

Abbildung 9: NDVI-Intervalle der gesamten Satellitenbilder

Die Reihe der Satellitenbilder ist nicht nur in einer bestimmten Jahreszeit aufgenommen

worden, sondern über fast das ganze Jahr verteilt (April 2013 bis April 2014). In Abb. 9 ist zu

erkennen, dass in den Monaten April 2013 und November 2013 bis Mitte April 2014 die

Vegetationseinheit bewirtschaftete Felder einen größeren NDVI-Wert haben, als die Klasse

Wald. Auf den folgenden Seiten sind die Ergebnisse der NDVI-Klassifikation anhand der

Satellitenbildausschnitte dargestellt. Es werden nicht alle klassifizierten Satellitenbilder auf

den folgenden Seiten zu sehen sein, sondern nur eine Auswahl. Der Rest ist im Anhang zu

finden. Die Auswahl besteht aus sechs Satellitenbildern: zwei wolkenfreie Bilder (11.03.2014

und 27.03.2014), zwei Satellitenbilder, die etwa 10% Wolken und Schatten enthalten

(12.04.2014 und 04.03.2014), und zwei Satellitenbilder mit über 10% Wolken und Schatten

19

(18.08.2013 und 09.09.2013). Im Folgenden ist eine Farblegende dargestellt, welche Farbe

zur jeweiligen Klasse gehört.

4.2 Ergebnisse der NDVI-Klassifikation

Farblegende für die klassifizierten NDVI-Bilder

Wasser Versiegelte Fläche Unbewirtschaftete Felder Bewirtschaftete Felder Wald

Abbildung 10: RGB-Ausschnitt vom 11.03.2014; geografisch eingeordnet und nach Maßstab wie Abb.1. Dieser

Ausschnitt ist wolken- und schattenfrei.

Abbildung 11: NDVI-Klassifikation vom 11.03.2014 (siehe Abb.10)

20

Abbildung 12: RGB-Ausschnitt vom 27.03.2014; geografisch eingeordnet und nach Maßstab wie Abb.1. Dieser Ausschnitt ist wolken- und schattenfrei.

Abbildung 13: NDVI-Klassifikation vom 27.03.2014 (siehe Abb.12)

Die Abbildungen 10 und 12 sind wolkenfreie Ausschnitte. In den Abbildungen 11 und 13 sind

die Ergebnisse der NDVI Klassifikation dargestellt. Der Ausschnitt vom 11.03.2014 enthält

2,29 % Wasser, 11,70 % versiegelte Fläche, 14,12 % unbewirtschaftete Felder, 20,09 %

bewirtschaftete Felder und 51,81 % Wald. Wie in Abb. 10 zu erkennen ist, befindet sich der

Wald im blattlosen Zustand, daher erscheint dieser braun. Ein geringer Teil der versiegelten

Fläche wurde als Wasser klassifiziert. Dies ist am Flughafen Frankfurt am Main zu erkennen

(Abb. 11).

21

Der Ausschnitt vom 27.03.2014 enthält 1,88 % Wasser, 9,61 % versiegelte Fläche, 15,42 %

unbewirtschaftete Felder, 24,48 % bewirtschaftete Felder und 48,62 % Wald. Wie in dem

Ausschnitt vom 11.03.2014 ist auch in diesem Satellitenbild der Wald noch blattlos und

erscheint braun.

Abbildung 14: RGB-Ausschnitt vom 12.04.2014; geografisch eingeordnet und nach Maßstab wie Abb.1. Dieser Ausschnitt enthält bis zu 10% Wolkenanteil.

Abbildung 15: NDVI-Klassifikation vom 12.04.2014 (siehe Abb.14)

Abb. 14 ist ein Ausschnitt vom 12.04.2014 und besitzt etwa 5 % Wolkenanteil. Der

prozentuale Flächenanteil ist wie folgt verteilt: 1,88 % sind Wasser, 6,70 % versiegelte

22

Fläche, 17,03 % unbewirtschaftete Felder, 13,71 % bewirtschaftete Felder und 60,68 %

Wald. Im Osten des Ausschnittes sind in Abb. 14 Cumulusnimbusse (dichte, schwarze, wie

ein Berg aufgetürmte und von oben her nach allen Seiten sich ausbreitende Gewitterwolken

[Duden, 2016]) über unbewirtschafteten Feldern zu erkennen. Diese sind nach der NDVI

Klassifikation großflächig zu unbewirtschafteten Feldern klassifiziert worden (vgl. Tab. 3).

Das gleiche Schema ist in der linken oberen Ecke des Ausschnittes zu erkennen.

Abbildung 16: RGB-Ausschnitt vom 04.03.2014; geografisch eingeordnet und nach Maßstab wie Abb.1. Dieser Ausschnitt enthält bis zu 10% Wolkenanteil.

Abbildung 17: NDVI-Klassifikation vom 04.03.2014 (siehe Abb.16). Der lila Kasten kennzeichnet den Ausschnitt, der in der Tab. 2 für ein Beispiel der NDVI-Klassifikation von Cumulusnimbus und Schatten über Wald dargestellt ist.

Abb. 16 ist ein Ausschnitt vom 04.03.2014 mit einem Wolkenanteil von etwa 5 %. Die

Cumulusnimbusse befinden sich über dem Staatsforst Königsstein und eine Schleierwolke

23

über dem Rhein. Der prozentuale Flächenanteil teilt sich wie folgt auf: 1,89 % sind Wasser,

7,12 % versiegelte Fläche, 21,95 % unbewirtschaftete Felder, 20,10 % bewirtschaftete

Felder und 48,95 % Wald. Der prozentuale Flächenanteil an versiegelter Fläche ist deutlich

höher als in den wolkenfreien Ausschnitten. Ein kleines Stück vom Rhein wurde als

versiegelte Fläche klassifiziert. In Abb. 16 sind Schatten von den Cumulusnimbussen zu

erkennen. Diese sind, wie in Abb. 17 zu erkennen ist, als versiegelte Fläche klassifiziert

worden (vgl. Tab. 3). Die Cumulusnimbusse sind als unbewirtschaftete Felder identifiziert

worden (vgl. Tab. 3).

Abbildung 18: RGB-Ausschnitt vom 15.08.2013; geografisch eingeordnet und nach Maßstab wie Abb.1. Dieser Ausschnitt enthält über 10% Wolkenanteil.

Abbildung 19: NDVI-Klassifikation vom 15.08.2013 (siehe Abb.18). Die farbig markierten Kästen kennzeichnen Beispiele der NDVI-Klassifikation von Cumulusnimbussen und Schleierwolken, die in Tab. 2 dargestellt sind. Orange: Beispiel für Schleierwolken über Wasser. Gelb: Beispiel für Cumulusnimbusse über unbewirtschafteten Feldern.

24

Der Satellitenbildausschnitt vom 15.08.2013 (Abb. 18) enthält über 10 % Wolken. Der

Großteil der Wolken sind Schleierwolken, die sich fast über das ganze Bild erstrecken.

Einzelne Cumulusnimbusse sind auch zu erkennen. Der gesamte Ausschnitt besteht aus

0,14 % Wasser, 6,33 % versiegelter Fläche, 24,03 % unbewirtschaftete Felder, 39,33 %

bewirtschaftete Felder und 30,17 % Wald. Die Schleierwolken, die sich über den Rhein und

Main erstrecken, klassifizieren das Wasser als versiegelte Fläche (siehe Abb. 19 und

Tab. 3).

Abbildung 20: RGB-Ausschnitt vom 09.09.2013, geografisch eingeordnet und nach Maßstab wie Abb.1. Dieser Ausschnitt enthält über 10% Wolkenanteil.

Abbildung 21: NDVI-Klassifikation vom 09.09.2013 (siehe Abb.20). Die farbig markierten Kästen kennzeichnen Beispiele der NDVI-Klassifikation von Cumulusnimbussen, Schleierwolken und Schatten, die in Tab. 2 dargestellt sind. Rot: Beispiel für Cumulusnimbusse und Schatten über Wasser und bewirtschafteter Felder. Dunkelrot: Beispiel für Cumulusnimbusse, Schleierwolken und Schatten über versiegelter Fläche. Hellblau: Beispiel für Schatten über unbewirtschafteten Feldern.

25

Abb. 20 ist vom 09.09.2013. In Abb. 16 ist zu erkennen, dass schätzungsweise über 30 %

Wolken und Schatten in dem Satellitenbild enthalten sind. Der prozentuale Flächenanteil von

Wasser beträgt 1,14 %. Auffällig ist der Anteil von versiegelter Fläche und bewirtschafteten

Feldern. 29,00 % des gesamten Ausschnittes sind versiegelte Fläche und nur 1,35 %

bewirtschaftete Felder. Unbewirtschaftete Felder sind 30,14 % und Wald 38,38 % des

Ausschnittes.

In Abb. 17 sind die auffälligen Anteile deutlich zu erkennen. Über dem Rhein und dem Main

befinden sich Wolken und Schatten, wodurch das Wasser nicht als Wasser klassifiziert

wurde. Dicke Cumulusnimbusse und Schatten werden zu der Klasse versiegelte Fläche und

Schleierwolken zu unbewirtschafteten Feldern (vgl. Tab. 3). Wenn sich Wolken und Schatten

über versiegelter Fläche befinden, werden Schatten zu Wasser, Schleierwolken zu

unbewirtschafteten Feldern und Cumulusnimbusse bleiben versiegelte Fläche (vgl. Tab. 3).

Nicht nur über Wasser und versiegelter Fläche befinden sich in diesem Ausschnitt Wolken,

sondern über das gesamte Bild verteilt. Cumulusnimbusse werden im Allgemeinen als

versiegelte Fläche klassifiziert und Schatten als unbewirtschaftete Felder. Aus diesem Grund

sind die prozentualen Flächenanteile von versiegelter Fläche und unbewirtschafteten Feldern

deutlich höher als bei den wolkenfreien Ausschnitten.

26

Tabelle 3: Tabellarische Darstellung der NDVI-Ergebnisse von Bereichen, die von Cumulusnimbussen, Schleierwolken und Schatten bedeckt werden. Blau: Wasser; schwarz: versiegelte Fläche; braun: unbewirtschaftete Felder; hellgrün: bewirtschaftete Felder; dunkelgrün: Wald. Die RGB-Grundlage der Kartenausschnitte ist in Abb.8 zu entnehmen.

Cumulus- nimbusse

Beispiel einer NDVI Klassifikation von Cumulusnimbussen

Schleier-wolken

Beispiel einer NDVI Klassifikation von Schleierwolken

Schatten Beispiel einer NDVI Klassifikation von Schatten

Wasser

Versiegelte Fläche

Unbewirtschaftete

Felder

Keine

Verände-rung

beobachtet

Keine Veränderung beobachtet

Bewirtschaftete Felder

Keine

Verände-rung

beobachtet

Keine Veränderung beobachtet

Wald

Keine

Verände-rung

beobachtet

Keine Veränderung beobachtet

27

4.3 Prozentualer Flächenanteil nach der NDVI-Klassifikation der fünf

Klassen

In der nachfolgenden Tabelle (Tab. 4) sind die gesamten Flächenanteile der jeweiligen fünf

Klassen (Wasser, versiegelte Fläche, unbewirtschaftete Felder, bewirtschaftete Felder und

Wald) der einzelnen Satellitenbilder aufgelistet.

Tabelle 4: Prozentualer Flächenanteil der fünf Klassen für alle Satellitenbilder; die gelb markierten Felder sind wolkenlose Satellitenbilder

Datum Wasser Versiegelte Fläche

Unbewirtschaftete Felder

Bewirtschaftete Felder

Wald Wolken & Schatten

18.04.2013 1,45 % 34,02 % 25,13 % 5,70 % 33,70 % 35 %(S+W)

25.04.2013 1,75 % 6,08 % 12,29 % 33,74 % 46,14 % -

05.06.2013 1,77 % 16,54 % 17,08 % 31,18 % 33,43 % 10 %

08.06.2013 1,76 % 4,35 % 10,92 % 32,89 % 50,08 % -

07.07.2013 1,83 % 7,22 % 8,53 % 29,12 % 53,31 % -

14.07.2013 1,85 % 5,13 % 11,72 % 35,42 % 45,87 % -

15.08.2013 0,14 % 6,33 % 24,03 % 39,33 % 30,17 % 25 %

09.09.2013 1,14 % 29,00 % 30,14 % 1,35 % 38,38 % 37 %

25.09.2013 0,45 % 14,57 % 25,97 % 0,68 % 58,33 % 20 %

02.10.2013 1,38 % 6,83 % 11,58 % 6,75 % 73,46 % 2 %

12.11.2013 0,68 % 15,74 % 25,78 % 12,44 % 45,36 % 20 %

04.03.2014 1,89 % 7,12 % 21,95 % 20,10 % 48,95 % 5 %

11.03.2014 2,29 % 11,70 % 14,12 % 20,09 % 51,81 % -

20.03.2014 1,69 % 6,61 % 27,73 % 20,23 % 43,74 % 15 % (S)

27.03.2014 1,88 % 9,61 % 15,42 % 24,48 % 48,62 % -

12.04.2014 1,88 % 6,70 % 17,03 % 13,71 % 60,68 % 5 % (W)

21.04.2014 1,51 % 7,68 % 37,98 % 23,40 % 29,43 % 20 %

Die gelb markierten Felder sind die Satellitenbilder, die wolkenfrei sind. In diesen fünf

Ausschnitten sind keine störenden Wolken oder Schatten enthalten, wodurch falsche

Klassifikationen zustande kommen können. In der nachfolgenden Grafik (Abb. 22) sind die

prozentualen Flächenanteile der gesamten Satellitenbilder, die in Tab. 4 aufgelistet sind, in

einem Diagramm dargestellt.

28

Abbildung 22: Prozentuale Flächenanteile der fünf Klassen der gesamten Satellitenbilder. Die vertikalen schwarzen Striche weisen auf die wolkenfreien Ausschnitte hin.

In Abb. 22 ist zu erkennen, dass sich der prozentuale Flächenanteil von Wasser wenig

verändert. Dieser schwankt im Bereich von 0,14 % und 2,29 %. Im Gegensatz dazu

schwanken die vier weiteren Klassen sehr deutlich. Der prozentuale Flächenanteil von

versiegelter Fläche liegt zwischen 4,35 % und 34,02 %. 7,94 % ist der kleinste prozentuale

Flächenanteil an unbewirtschafteten Feldern und 37,98 % der maximalste. Bei

bewirtschafteten Feldern ist die Spanne noch größer, welche zwischen 0,68 % und 57,56 %

liegt. Die letzte zu klassifizierende Klasse ist die Vegetationseinheit Wald, dessen

prozentualer Flächenanteil zwischen 18,38 % und 73,43 % schwankt. Die schwarzen

senkrechten Striche in Abb. 22 kennzeichnen wolkenfreie Ausschnitte, welche in der

folgenden Grafik (Abb. 23) separat nochmals dargestellt sind.

29

Abbildung 23: Prozentuale Flächenanteile der fünf Klassen der wolkenfreien Satellitenbilder, die in Abb.22 mit den schwarzen, vertikalen Strichen markiert sind.

In Abb. 23 ist zu erkennen, dass die prozentualen Flächenanteile der jeweiligen Klassen viel

gleichmäßiger sind als in Abb. 22. Die Klasse Wasser ist nahezu linear. Der prozentuale

Flächenanteil der zwei Vegetationseinheiten bewirtschaftete Felder und Wald ist in den

sechs ausgewählten wolkenfreien Ausschnitten nicht konstant. Der Grund dafür sind die

Jahreszeiten.

0

10

20

30

40

50

60

4.25.2013 6.8.2013 7.7.2013 7.14.2013 3.11.2014 3.27.2014

Fläc

hen

ante

il [%

]

Datum von der Aufnahme der Satellitenbilder

Wasser versiegelte Fläche unbewirtschaftete Felder bewirtschaftete Felder Wald

30

4.4 Ergebnisse mit dem Ansatz SMACC

Mit dem Ansatz von SMACC kann auch eine Art Klassifikation durchgeführt werden. Es

werden Endmember ausgewählt, die die fünf zu untersuchenden Klassen darstellen. SMACC

wird auf die sechs ausgewählten wolkenfreien Ausschnitte angewendet. Aus den

gefundenen Endmembern wird der prozentuale Flächenanteil berechnet und mit den

Ergebnissen der NDVI Klassifikation verglichen. Bevor der Vergleich zwischen NDVI und

SMACC durchgeführt wird, hier diverse Beispiele der gefundenen Endmember:

Abbildung 24: Endmember Wasser aus dem Satellitenbildausschnitt vom 07.07.2013; geografisch eingeordnet und nach Maßstab wie Abb.1.

Abbildung 25: Endmember versiegelte Fläche aus dem Satellitenbildausschnitt vom 11.03.2014; geografisch eingeordnet und nach Maßstab wie Abb.1.

31

Abbildung 26: Endmember unbewirtschaftete Felder aus dem Satellitenbildausschnitt vom 08.06.2013; geografisch eingeordnet und nach Maßstab wie Abb.1. Dieses Endmember ist unbearbeitet.

Abbildung 27: Endmember bewirtschaftete Felder aus dem Satellitenbildausschnitt vom 27.03.2014; geografisch eingeordnet und nach Maßstab wie Abb.1.

32

Abbildung 28: Endmember Wald aus dem Satellitenbildausschnitt vom 25.04.2013; geografisch eingeordnet und nach Maßstab wie Abb.1. Dieses Endmember wurde bearbeitet, indem der prozentuale Flächenanteil aus den grauen Pixeln berechnet wurde. Weiß: versiegelte Fläche und unbewirtschaftete Felder; grau: Wald; schwarz:

bewirtschaftete Felder.

Abb. 24 bis 28 sind fünf Endmember, die durch den Ansatz SMACC entstanden sind. Jedoch

sind von diesen ausgewählten Endmembern nicht alle unbearbeitet. Das Endmember

unbewirtschaftete Felder wurde nach Entstehung nicht weiter bearbeitet. Die restlichen vier

ausgewählten Endmember wurden so bearbeitet, dass die einzelnen Klassen mehr zur

Geltung kommen. Dies bedeutet, dass Grauwertbereiche ausgewählt worden sind und nur

von diesen der prozentuale Flächenanteil berechnet wurde. In Abb. 24 bis 27 sind das, was

in weiß dargestellt ist die reinen Endmember. Um den prozentualen Flächenanteil zu

bestimmen, werden die schwarzen Pixel von den Gesamtpixeln abgezogen. Somit ist die

Anzahl an weißen Pixel bestimmt. Im letzten Schritt wird der prozentuale Flächenanteil der

weißen Pixel berechnet. Im nächsten Abschnitt sind die Ergebnisse der SMACC

Klassifikation in einer Tabelle im Vergleich zu den Ergebnissen der NDVI Klassifikation

dargestellt.

33

4.5 Vergleich der NDVI-Ergebnisse mit den SMACC-Ergebnissen

In der folgenden Tabelle (Tab. 5) sind die prozentualen Flächenanteile der NDVI-

Klassifikation gegenüber den der SMACC-Klassifikation aufgelistet.

In Tab. 5 sind die Ergebnisse der prozentualen Flächenanteile von den

Klassifikationsansätzen mittels NDVI und SMACC anhand von den sechs ausgewählten

wolkenfreien Ausschnitten gegenübergestellt. Mit Hilfe von SMACC wurden 22 Endmember

gefunden. Zwei von diesen sind unbearbeitet und in Tab. 5 mit einem Sternchen (*)

versehen.

Der Klassifikationsansatz mittels NDVI bringt folgende Ergebnisse des prozentualen

Flächenanteils für die Klasse Wasser hervor: Der Bereich liegt zwischen 1,74 % und 2,29 %.

Im Vergleich dazu liegt der Bereich mit Hilfe von SMACC zwischen 2,22 % und 2,71 %. Der

prozentuale Flächenanteil von versiegelter Fläche liegt mit Hilfe des Vegetationsindexes

zwischen 5,13 % und 11,70 %; mittels SMACC zwischen 5,08 % und 14,65 %. Eine weitere

Klasse sind die unbewirtschafteten Felder. Der berechnete Flächenanteil dafür liegt per

NDVI zwischen 7,94 % und 15,87 % und per SMACC zwischen 5,93 % und 15,37 %. Die

letzten beiden zu klassifizierenden Klassen sind bewirtschaftete Felder und Wald. Im Bereich

von 20,09 % und 57,56 % liegt der prozentuale Flächenanteil an bewirtschafteten Feldern

mit Hilfe von NDVI. Per SMACC liegt der Flächenanteil zwischen 19,59 % und 29,59 %.

Jedoch stehen zum Vergleich nur 3 Endmember zur Verfügung. Die mittels NDVI

klassifizierten prozentualen Flächenanteile von Wald liegen im Bereich von 18,38 % bis

51,81 %, mit Hilfe von SMACC zwischen 16,35 % und 56,06 %.

34

Tabelle 5: Gegenüberstellung der prozentualen Anteile von NDVI und SMACC. Dieser Vergleich wird mit den wolkenfreien Ausschnitten durchgeführt. Die mit einem * markierten prozentualen Flächenanteile stammen aus einem unbearbeiteten Endmember. Die orange gefärbten Felder gehören zu den zuvor aufgelisteten Endmembern in Abb.24-28. Die restlichen Endmember befinden sich im Anhang. Nicht zu allen Klassen wurde ein Endmember gefunden; diese Felder sind mit einem – markiert.

25.04.2013 08.06.2013 07.07.2013 14.07.2013 11.03.2014 27.03.2014

NDVI SMACC NDVI SMACC NDVI SMACC NDVI SMACC NDVI SMACC NDVI SMACC

Wasser 1,75% - 1,74% 2,54% 1,85% 2,71% 1,85% 2,34% 2,29% 2,22% 1,88% -

versiegelte Fläche 6,08% 5,54% * 9,59% 9,81% 6,34% 10,11% 5,13% 5,08% 11,70% 14,65% 9,61% -

unbewirtschaftete Felder 12,29% - 7,94% 7,90% 15,87% 5,93% 11,72% 15,37% 14,12% 12,52% 15,42% 13,38% *

bewirtschaftete Felder 33,74% 29,59% 48,18% - 57,56% - 35,42% - 20,09% 19,59% 24,48% 26,01%

Wald 46,14% 54,48% 32,55% 56,06% 18,38% 34,79% 45,78% 16,35% 51,81% 53,52% 48,62% -

35

5. Diskussion

Ein qualitativer Vergleich soll abschließend die Genauigkeit der gewählten Verfahren klären.

Hierbei sollen die guten Ergebnisse der Verfahren hervorgehoben und diskutiert werden,

aber auch die jeweiligen Grenzen dieser Verfahren aufgezeigt werden.

Das Klassifikationsverfahren mit der Unterstützung von NDVI wurde empirisch und die

Intervalle selbst festgelegt. Die Schwierigkeit liegt darin, dass jeder Satellitenbildausschnitt

einen unterschiedlichen NDVI-Wertebereich besitzt und die Intervallgrenzen oft

unterschiedlich sind. Für jede zu klassifizierende Klasse wird ein individuelles NDVI-Intervall

festgelegt und der prozentuale Flächenanteil berechnet. Die Satellitenbildausschnitte weisen

unterschiedliche Wolkensituationen auf. Die Bilder, die wolkenfrei sind, sind sehr gut zu

klassifizieren. Dies beweist beispielsweise die Abb. 13 vom 27.03.2014. Wird die Abb. 12 mit

der Abb. 13 verglichen, ist zu erkennen, dass die Klasse Wasser sehr gut klassifiziert wurde.

Versiegelte Fläche ist im Vergleich zu der Realität zu wenig klassifiziert worden. Dies ist

auch später im Vergleich zwischen dem Ansatz mit Hilfe von NDVI und SMACC zu

erkennen. Die unbewirtschafteten Felder sind gut identifiziert worden. Zusätzlich zu den

unbewirtschafteten Feldern ist ein Teil der versiegelten Fläche auch als diese Klasse

klassifiziert worden (vgl. Abb. 13). Die Vegetationseinheiten (bewirtschaftete Felder und

Wald) werden in den wolkenfreien Ausschnitten im Großen und Ganzen gut erkannt.

Wolken sind nicht gleich Wolken. In dieser Arbeit werden Wolken in Cumulusnimbusse und

Schleierwolken unterschieden, welche die Klassifikation mit Hilfe des Vegetationsindexes

erschweren. Wie in Abb. 20 zu erkennen ist, enthält dieser Ausschnitt über 10 %

Cumulusnimbusse. In den Ergebnissen ist beschrieben, dass der prozentuale Flächenanteil

von versiegelter Fläche deutlich höher ist als bei den wolkenfreien Ausschnitten. Der Grund

dafür ist, dass die Cumulusnimbusse über Wasser und bewirtschafteten Feldern als

versiegelte Flächen klassifiziert werden. Das gleiche Problem liegt bei den

unbewirtschafteten Feldern vor. Folglich verfälschen Cumulusnimbusse und Schleierwolken

das Ergebnis der prozentualen Flächenanteile, vor allem bei versiegelten Flächen und

unbewirtschafteten Feldern. Bei Wolkenanteilen bis zu 5 % fällt die fehlerhafte Klassifikation

nicht ins Gewicht (vgl. Tab. 4). Doch bei einem Wolkenanteil über 10 % stößt der

Klassifikationsansatz mittels NDVI an seine Grenzen, da keine realistischen Ergebnisse

zustande kommen. Schatten von Wolken sind zusätzlich ein Faktor, der die Ergebnisse

erheblich verschlechtert (siehe Abb. 21).

36

SMACC ist eine Klassifikationsmethode, die automatisch funktioniert und als Voreinstellung

die Endmemberanzahl manuell bestimmt werden kann. In Endmembern werden reine

Objekte dargestellt, welche in weiß präsentiert werden. Durch die automatische Klassifikation

gibt es keine Einwirkung von außen, was bedeutet, dass keine manuellen

Klassifikationsfehler entstehen können. Zwei von den insgesamt 22 brauchbaren

Endmembern konnten unbearbeitet für die Berechnung des prozentualen Flächenanteils

verwendet werden. Die Klasse Wasser wurde ebenfalls gut klassifiziert wie mit der Methode

des Vegetationsindexes. Die versiegelten Flächen wurden im Vergleich zu NDVI genauer

klassifiziert. Im Vergleich zwischen Abb. 25 und 26 wird beobachtet, dass die versiegelte

Fläche sehr gut erkannt wurde. Jedoch wurde das Endmember bearbeitet, so dass der

Kontrast zwischen schwarz und weiß größer wird. Ein unbearbeitetes Endmember von

versiegelter Fläche ist vorhanden und zeigt, dass der prozentuale Flächenanteil im Vergleich

zu dem bearbeiteten Endmember um die Hälfte kleiner ist.

Abbildung 29: Unbearbeitetes Endmember versiegelte Fläche vom 25.04.2013. In diesem Endmember sind 5,54 % versiegelte Fläche enthalten.

37

Abbildung 30: Bearbeitetes Endmember versiegelte Fläche vom 11.03.2014. In diesem Endmember sind 14,65 % versiegelte Fläche enthalten.

In den Abbildungen 29 und 30 ist der Vergleich zweier Endmember (versiegelte Fläche)

dargestellt. Abb. 29 ist ein unbearbeitetes Endmember und Abb. 30 ein Bearbeitetes. Die

prozentualen Flächenanteile von versiegelter Fläche unterscheiden sich signifikant. Dies ist

ein Beispiel dafür, dass die entstandenen Endmember aus der automatischen Methode

zuvor manuell überprüft werden müssen, bevor weitere Berechnungen folgen.

Die beiden verwendeten Klassifikationsansätze bringen Vor- und auch Nachteile mit sich. Ein

Vorteil des Ansatzes mit Hilfe von NDVI ist es, dass für jedes einzelne Satellitenbild eigene

Intervallbereiche manuell festgelegt werden können. Jedoch bringt dieser Vorteil auch gleich

einen Nachteil mit sich. Der zeitliche Aufwand dieser Klassifikation ist anfangs sehr hoch.

Doch das Auge wird von Zeit zu Zeit trainierter, wodurch der Aufwand pro Bild kleiner wird.

Jedoch schleicht sich dabei ein weiterer Nachteil ein. Wenn das Auge von Zeit zu Zeit

trainierter wird, sind die Ergebnisse zu Beginn nicht so optimal, wie nach beispielsweise

zehn klassifizierten Bildern. Da wäre es sinnvoll, die vom Anfang nochmals zu klassifizieren.

Des Weiteren entstehen Schwierigkeiten bei der Differenzierung zwischen verschiedenen

Vegetationsarten aufgrund der Ähnlichkeit ihrer spektralen Signaturen. In dieser Arbeit soll

eine Differenzierung zwischen verschiedenen Vegetationseinheiten vorgenommen werden.

Unbewirtschaftete und bewirtschaftete Felder können mit Unterstützung von NDVI gut

auseinander gehalten werden. Außerdem gibt es die Möglichkeit zwischen Laub- und

Nadelwald zu unterscheiden. Der Grund dafür ist, dass der Nadelwald in den Wintermonaten

grün bleibt und der Laubwald zu der Zeit blattlos ist und braun erscheint. Doch Unterschiede

zwischen einzelnen Pflanzeneinheiten mit Blättern zu erkennen, gestaltet sich als sehr

schwierig und fast unmöglich.

38

Bei SMACC ist der Vorteil, dass das Zusammenstellen und Detektieren von Endmembern

vollautomatisch abläuft. Jedoch bringt diese Methode nicht nur Vorteile mit sich. Ein Nachteil

ist, dass keine Klassifikation der Endmember erfolgt. Aus diesem Grund wird somit eine

manuelle Identifikation der Endmember durchgeführt. Es muss darauf geachtet werden, dass

es reine Endmember sind und keine Mischung aus verschiedenen Klassen. Dies kann durch

einen Vergleich mit dem passenden RGB Bild erfolgen. Fehlerhafte Endmember, die aus

verschiedenen Materialien bestehen, tragen nicht positiv zu der Berechnung der

prozentualen Flächenanteile der einzelnen Klassen bei. Ein Beispiel eines fehlerhaften

Endmembers ist in der folgenden Abbildung (Abb. 31) dargestellt.

Abbildung 31: Fehlerhaftes Endmember aus der Klassifikationsmethode SMACC. Mit dem Endmember soll Wasser dargestellt werden, aber andere Klassen sind ebenfalls hell dargestellt, was zu einem fehlerhaft berechneten Flächenanteil führt.

Abb. 31 stellt ein fehlerhaftes Endmember dar, welches Wasser widerspiegeln soll. Dies führt

bei der Berechnung des prozentualen Flächenanteils zu einem falschen Ergebnis. Um dies

zu verhindern, wird die Verteilung der Grauwerte so bearbeitet, dass nur noch die zu

klassifizierende Klasse (weiß) erkennbar ist.

Zusammenfassend kann gesagt werden, dass beide Klassifikationsmethoden gute

Ergebnisse erzielen, jedoch jedes einzelne seine Vor- und Nachteile besitzt. Im Vergleich

beider Methoden ist zu erkennen, dass die Klasse Wasser bei beiden sehr gut klassifiziert

wurde. Im Mittel unterscheiden sich die prozentualen Flächenanteile um 0,56 %. Bei den

versiegelten Flächen können Unterschiede beobachtet werden. In den wolkenfreien

Ausschnitten wird mit der Methode des Vegetationsindexes prozentual gesehen weniger

39

Fläche identifiziert als bei dem Ansatz von SMACC. Der berechnete Flächenanteil mit

SMACC ist im Durchschnitt um 1,27 % größer als der mit Hilfe von NDVI. Wird der

prozentuale Flächenanteil von den unbewirtschafteten Feldern verglichen, wird mit

Unterstützung der Methode von SMACC im Mittel 1,99 % weniger Fläche klassifiziert als mit

NDVI. Bei der Vegetationseinheit bewirtschaftete Felder ist es ähnlich wie bei den

unbewirtschafteten Feldern. Es werden mittels SMACC 1,04 % Fläche von bewirtschafteten

Feldern weniger identifiziert als mit NDVI. Des Weiteren sind mittels SMACC 4,11 % mehr

Fläche von Wald klassifiziert worden als mit der Methode von NDVI. Abschließend sind

beide Methoden als gut zu bewerten, doch kann mit dem Ansatz von NDVI jede

Intervallgrenze einzeln manuell festgelegt werden. Jedoch stößt die Methode mit Hilfe von

NDVI bei einem gewissen Prozentsatz an Wolken an ihre Grenzen. Mit beiden Methoden ist

es eine Herausforderung verschiedene Pflanzenarten zu unterschieden.

40

7. Quellenverzeichnis

[Albertz, 2001] Albertz, J. (2001): Einführung in die Fernerkundung - Grundlagen der

Interpretation von Luft- und Satellitenbildern. Darmstadt: Wissenschaftliche

Buchgesellschaft.

[Baret und Guyot, 1991] Baret, E und Guyot, G. (1991): Potentials and limits of

vegetation indices for LAI and APAR assessment. Remote Sensing of Environment

35:161-173.

[Bullock, 1992] Bullock, P. R. (1992): Operational estimates of western Canadian grain

production using NOAA AVHRR LAC data. Canadian Journal of Remote Sensing 18 (1):

23-28.

[Colwell, 1963] Colwell, R. N. (1963): Basic Matter and Energy Relationships Involved in

Remote Reconnaissance Photogrammetric Engineering 29. S. 761-799.

[DeMarine, 2015] Brockmann Consult GmbH (2015): DeMarine Umwelt.

http://www.demarine-umwelt.de/lr/image/image_gallery?uuid=5f192ea2-e5a1-4317-9f02-

fcc2f28548e9&groupId=10136&t=1259145829404; Zugriff am 12.12.2015.

[Duden, 2016] Bibliographisches Institut GmbH (2015): Duden.

http://www.duden.de/rechtschreibung/Kumulonimbus; Zugriff am 21.01.2016.

[Fe-Lexikon, 2015] Baldenhofer, K. G. (2015): Lexikon der Fernerkundung.

http://www.fe-lexikon.info/FeLexikon.htm; Zugriff am 03.01.2016.

[Fraser und Kaufmann, 1985] Fraser, R. S. und Kaufman, Y. J. (1985): The relative

importance of scattering and absorption in remote sensing. IEEE Transactions on

Geoscience and Remote Sensing 23: 625-633.

[Geoinformatik, 2016] Reudenbach, C. (2015): Methoden der Geoinformatik.

http://geoinformatik.lehrewelt.de/charakterisierung-von-fernerkundungssystemen/;

Zugriff am 02.01.2016.

41

[Geovlex, 2015] Martin-Luther-Universität Halle-Wittenberg (2015). GEOVLEX Online-

Lernmodule:

http://mars.geographie.uni-halle.de/geovlexcms/golm/geofern/aufloesungen/radiometrisch;

Zugriff am 26.10.2015.

[Golfshop Info, 2016] Remus, A. (2015): Golfshops.

http://www.golfshops.info/deutschlandkarte; Zugriff am 10.01.2016.

[Gruniger et al., 2004] Gruniger, J., Ratkowski, A. J. und Hoke, M. L. (2004): The

sequential maximum angle convex cone (SMACC) endmember model. Society of Photo-

Optical Instrumentation Engineers. Vol. 5425-1.

[Hildebrandt, 1996] Hildebrandt, G. (1996): Fernerkundung und Luftbildmessung für

Forstwirtschaft, Vegetationskartierung und Landschaftsökologie. Heidelberg: Herbert

Wichmann Verlag.

[Holben, 1986] Holben, B. N. (1986): Characteristics of maximum-value composite images

from temporal AVHRR data. International Journal of Remote Sensing 7: 1417-1434.

[Holben et al., 1990] Holben, B. N., Kaufman, Y.J. und Kendall, J. D. (1990): NOAA-11

AVHRR visible and near-IR inflight calibration. International Journal of Remote Sensing 11

(8): 1511-1519.

[Holben und Fraser, 1984] Holben, B. N. und Fraser, R. S. (1984): Red and near-infrared

sensor response to off-nadir viewing. International Journal of Remote Sensing 5: 145-160.

[Holben und Justice, 1981] Holben, B. N. und Justice, C. O. (1981): An examination of

spectral band ratioing to reduce the topographic effect on remotely sensed data.

International Journal of Remote Sensing 2: 115-133.

[Jackson et al., 1983] Jackson, R. D., Slater, P. N. and Pinter, P. J. (1983): Discrimination

of growth and water stress in wheat by various vegetation indices through clear and turbid

atmospheres. Remote Sensing of Environment 13: 187-208.

[Jones, 2010] Jones, H. G. und Vaughan, R. A. (2010): Remote Sensing of Vegetation:

Principles, Techniques, and Applications. U.S.A. : Oxford University Press.

42

[Kaufman, 1984] Kaufman, Y. J. (1984): Atmospheric effects on remote sensing of

surface reflectance. SPIE Remote Sensing 475: 20-33.

[Kaufman und Holben, 1993] Kaufman, Y. J. und Holben, B. N. (1993): Calibration of the

AVHRR visible and near-IR bands by atmospheric scattering, ocean glint and desert

reflection. International Journal of Remote Sensing 14 (1): 21-52.

[Kerr et al., 1989] Kerr, Y. H., Imbernon, J., Dedieu, G., Hautecoeur, O., Lagouarde, J.

und Seguin, B. (1989): NOAA AVHRR and its uses for rainfall and evapotranspiration

monitoring. International Journal of Remote Sensing 10: 847-854.

[Landsat Science, 2015] NASA Landsat Science (2015):

http://landsat.gsfc.nasa.gov/?page_id=5377; Zugriff am 27.10.2015

[Micasense, 2015] MicaSense (2015): http://www.micasense.com/;

Zugriff am 10.12.2015.

[NASA, 2015] Landsat Data Continuity Mission (2015):

http://www.nasa.gov/pdf/716683main_LDCM_Brochure_FINAL_508.pdf;

Zugriff am 03.01.2016.

[Nicholson 1990] Nicholson, S. E., Davenport, M. L. und Malo, A. D. (1990): A

comparison of the vegetation response to rainfall in the Sahel and East Africa, using NDVI

from NOAA AVHRR. Climate Change 17: 209-214.

[Rouse et al., 1974] Rouse, J. W., Haas, R. W., Schell, J. A., Deering, D. W. und Harlan,

J. C. (1974): Monitoring the vernal advancement and retrogradation (Greenwave effect) of

natural vegetation. NASA/GSFCT Type III Final Report, Greenbelt, MD, USA.

[Schulmodell, 2015] Jahre, T. (2015): Chemnitzer Schulmodell

http://www.schulmodell.eu/index.php/astronomie/822-geostationaere-satelliten.html;

Zugriff am 03.01.2015.

[Sellers, 1985] Sellers, P. J. (1985): Canopy reflectance, photosynthesis and transpiration.

International Journal of Remote Sensing 6: 1335-1372.

43

[Seos, 2015] Einführung in die Fernerkundung (2015):

http://www.seos-project.eu/modules/remotesensing/remotesensing-c03-p03.de.html;

Zugriff am 19.10.2015.

[Spektrum, 2015] Spektrum der Wissenschaft Verlagsgesellschaft mbH (2015): Spektrum:

http://www.spektrum.de/frage/warum-ist-der-himmel-blau/1223163; Zugriff am 03.01.2016.

[Spiegel Wissenschaft, 2015] Spiegel Online GmbH (2015): Erdbeobachtung: Nasa

startet neuen Landsat – Satelliten:

http://www.spiegel.de/wissenschaft/weltall/erdbeobachtung-nasa-startet-neuen-landsat-

satelliten-a-882801.html; Zugriff am 03.01.2016.

[Tucker und Sellers, 1986] Tucker, C. J. und Sellers, P. J. (1986): Satellite remote

sensing of primary production. International Journal of Remote Sensing 7: 1395-1416.

[Uni Bonn, 2015 a] Fis (2015):

http://www.fis.uni-bonn.de/recherchetools/infobox/profis/faszination-

fernerkundung/infrarote-pflanzen; Zugriff am 11.01.2016.

[Uni Bonn, 2015 b] Fis (2015):

http://fis.unibonn.de/recherchetools/infobox/profis/aufl%C3%B6sung/; Zugriff am

03.01.2016.

[USGS, 2015] U.S. Geological Survey (2015): Landsat – Earth observation satellites. U.S.

Geological Survey Fact Sheet 2015-3081, 4p: http://dx.doi.org/10.3133/fs20153081.;

Zugriff am 03.01.2016.

[Wolkenatlas, 2006] Mühr, B. (2006): Der Karlsruher Wolkenatlas.

http://www.wolkenatlas.de/wolken/descr.htm; Zugriff am 03.01.2016.

44

8. Anhang

Weitere Ergebnisse der NDVI Klassifikation

Oben das RGB Bild und folgend das zugehörige klassifizierte Bild; geografisch eingeordnet

und nach Maßstab wie Abb.1.

18.04.2013

45

25.04.2013

46

05.06.2013

47

08.06.2013

48

07.07.2013

49

14.07.2013

50

25.09.2013

51

02.10.2013

52

12.11.2013

53

20.03.2014

54

21.04.2014

55

Weitere Ergebnisse mit dem Ansatz SMACC

25.04.2013

Endmember versiegelte Fläche

Endmember bewirtschaftete Felder

56

08.06.2013

Endmember Wasser

Endmember versiegelte Fläche

57

Endmember Wald

07.07.2013

Endmember versiegelte Fläche

58

Endmember unbewirtschaftete Felder

Endmember Wald

59

14.07.2013

Endmember Wasser

Endmember versiegelte Fläche

60

Endmember unbewirtschaftete Felder

Endmember Wald

61

11.03.2014

Endmember Wasser

Endmember unbewirtschaftete Felder

62

Endmember bewirtschaftete Felder

Endmember Wald

63

27.03.2014

Endmember unbewirtschaftete Felder