Methoden zur Auswertung hyperspektraler ... · Methoden zur Auswertung hyperspektraler Fernerkundungsdaten für die Untersuchung von Zustandsveränderungen perennierender Pﬂanzen

Methoden zur Auswertung hyperspektraler

Fernerkundungsdaten für die Untersuchung von

Zustandsveränderungen perennierender Pflanzen im

Rahmen des Monitorings bergbaubedingter

Umwelteinwirkungen

Dissertation

zur Erlangung des Grades eines Doktorsder Ingenieurwissenschaften

vorgelegt vonAndreas Brunn

aus Heilbronn / Neckar

genehmigt von der Fakultät für Energie- und Wirtschaftswissenschaftender Technischen Universität Clausthal,

Tag der mündlichen Prüfung:27.06.2006

Vorsitzender derPromotionskommission: Prof. Dr.-Ing. Oliver LangefeldHauptberichterstatter: Prof. Dr.-Ing. Wolfgang BuschBerichterstatter: Prof. Dr.-Ing. habil. Manfred Ehlers

II

Vorwort

Die vorliegende Arbeit entstand hauptsächlich während meiner Tätigkeit als wissen-schaftlicher Mitarbeiter am Institut für Geotechnik und Markscheidewesen, AbteilungMarkscheidewesen und Geoinformation, der Technischen Universität Clausthal.

Mein besonderer Dank gilt Herrn Prof. Dr.-Ing. Wolfgang Busch für sein Interessean der Arbeit, die mir entgegengebrachte Unterstützung und die vielen inspirierendenGespräche.

Herrn Prof. Dr.-Ing. Manfred Ehlers danke ich für die freundliche Übernahme desKoreferates und Herrn Prof. Dr.-Ing. Oliver Langefeld für die bereitwillige Übernahmedes Vorsitzes der Prüfungskommission.

Die Projekte in deren Rahmen diese Arbeit in weiten Teilen entstand wurden fi-nanziert durch die Deutsche Steinkohle AG, Herne. Deshalb gebührt besonderer Dankden Herren Dipl.-Ing. AdM. Norbert Benecke, Dipl.-Ing. AdM. Joachim Deutschmannund Dipl.-Ing. Peter Vosen, die durch ihr Interesse an der Thematik die Finanzierungermöglichten und mich immer mit den nötigen Referenzdaten versorgten.

Weiterhin möchte ich mich bei allen Mitarbeitern des Institutes für Geotechnikund Markscheidewesen der TU Clausthal bedanken. Besonderer Dank gebührt HerrnDr.-Ing. Christian Fischer für die zahlreichen fachlichen Anregungen und Diskussionen.Ein weiterer ganz besonderer Dank gebührt meinem langjährigen HiWi Frau ClaudiaPriesterjahn, die mich mit ihrer „IDL-Virtuosität“ stets bei der Programmierung der Aus-wertealgorithmen unterstützte und die mir trotz Uni-Wechsels als HiWi die Treue gehal-ten hat und zu fast jeder Tages- und Nachtzeit für mich ansprechbar war. Ein weitererDank gebührt Herrn Dipl.-Ing. Lutz Becker, der mich nicht nur fachlich bei den Gelän-dearbeiten zur Referenzdatenaufnahme unterstützte.

Schließlich und ganz besonders möchte ich mich auch bei meinen Eltern undmeiner Familie bedanken, die mir stets verständnisvoll und motivierend zur Seite stan-den.

III

IV

Zusammenfassung

Im Zuge seiner Abbautätigkeit ist der Bergbautreibende im deutschen Steinkohlen-bergbau gesetzlich dazu verpflichtet, die ökologischen Auswirkungen seiner Tätigkeitim Rahmen eines Monitoringverfahrens zu beobachten. Bisher wird das ökologischeMonitoring terrestrisch und stichprobenartig auf ausgewählten Dauerbeobachtungsflä-chen durchgeführt, die entsprechend der Abbauplanung und den modellierten hydro-logischen Veränderungen ausgewählt wurden. Mit der Entwicklung und Anwendunghyperspektraler Fernerkundungssensoren besteht nun die Möglichkeit, den ökologi-schen Zustand und seine Veränderungen flächendeckend, zeitnah und mit geringemAufwand zu erfassen.

Diese Arbeit untersucht die Nutzungsmöglichkeiten der Daten des flugzeuggetra-genen hyperspektralen Sensors HyMapTM zur Unterstützung des Monitorings am Bei-spiel von perennierenden Pflanzenbeständen. Diese werden im Untersuchungsraum,einem durch den untertägigen Steinkohlenbergbau beeinflussten Gebiet im nördlichenRuhrgebiet, vor allem durch Waldbestände repräsentiert.

Zur thematischen Auswertung der Fernerkundungsdaten und besonders zur Ent-wicklung und Validierung von Auswertemethoden ist es erforderlich, die relevanten Ge-gebenheiten im Testgebiet zu kennen. Deshalb wurde im Zuge der Befliegungen eineumfangreiche Bodenreferenzkampagne durchgeführt. Dazu gehören neben Spektral-messungen von Vegetationsmaterial mit Hilfe eines Feldspektrometers die Kartierungvon Waldzuständen und die Laboruntersuchung von Blattproben auf ihren Chlorophyll-gehalt, der als Zeiger für den jeweiligen Pflanzenzustand herangezogen wird.

Weil die Fernerkundungsdaten unterschiedlicher Aufnahmezeitpunkte vergleich-end untersucht und auch in einem Geoinformationssystem verwaltet werden sollen,sind diverse Schritte zur Datenvorverarbeitung erforderlich. Hierzu gehört neben derGeoreferenzierung, der Korrektur von geometrischen Einflüssen des Sensors und derTrägerplattform, vor allem die radiometrische Korrektur, mit deren Hilfe die atmosphä-rischen Einflüsse auf die aufgezeichneten Daten modelliert und korrigiert werden.

Auf der Grundlage der vorverarbeiteten HyMapTM-Daten und der erhobenen Refe-renzdaten werden zur Bestimmung ökologischer Zustandsparameter zwei unterschied-liche Verfahren eingesetzt und auf ihre Verwendbarkeit hin getestet.

V

Für das erste Verfahren werden 32 spektrale beschreibende Merkmale eingeführt,durch die sich das vom Sensor aufgezeichnete Spektrum mathematisch beschreibenund auswerten lässt. Die Abhängigkeiten der einzelnen spektralen Merkmale unter-einander und zum Blattchlorophyllgehalt werden mit Hilfe von Korrelationsanalysensowohl für die Feld- als auch für die Fernerkundungsspektren untersucht. Die Bestim-mung des Blattchlorophyllgehaltes aus den Spektraldaten erfolgt durch Kombinationmehrerer spektraler Merkmale mit Hilfe der multiplen linearen Regressionsanalyse.

Das zweite Verfahren nutzt zwei Methoden der spektralen Entmischung (die linea-re spektrale Entmischung und das Mixture Tuned Matched Filtering) zur Ableitung vonPflanzenzustandsparametern. Grundlage hierfür ist ein neu entwickeltes Verfahren zurIdentifikation möglichst spektral unvermischter Spektren in den Bilddaten.

Zur Analyse von Pflanzenzustandsveränderungen wird nach der Betrachtung ver-schiedener Ansätze des Change Detection eine für die vorliegenden Aufgaben modifi-zierte Form der Change Vector Analyse durchgeführt.

Die untersuchten Methoden zur Bestimmung des Pflanzenzustands und dessenVeränderungen, insbesondere die Kombination aus der Blattchlorophyllbestimmungdurch mathematische Beschreibung mit Hilfe spektraler Merkmale und der ChangeVector Analyse haben sich grundsätzlich als geeignet erwiesen, fortgeschrittene Pflan-zenschädigungen im Untersuchungsgebiet zu erkennen.

VI

Summary

In the course of hard coal mining activities the mining company is bound by law toobserve the ecological impacts of their business in detail. Up to now the ecologicalmonitoring is done terrestrially on small sample areas which are chosen accordingto the valid mining plannings and the hydrological models. The fast enhancement ofhyperspectral sensor technology promises that data exploitation methods based onthis technology are able to detect status and changes in the health conditions of theecological environment fast and easily.

This thesis examines the possibilities to use the data of the airborne hyperspectralremote sensing sensor HyMapTM to support the ecological monitoring by the exampleof perennial plants. On the test site in the Northern Ruhr District, Germany, such cropsare mainly forest stands.

For the thematic data exploitation and especially for the development of new al-gorithms it is necessary to have good knowledge of the relevant conditions of the testsite. Hence, in the framework of the airborne hyperspectral Data flights, an extensiveGround reference campaign has been done. During this field campaign, next to spec-tral measurements on plant and leaf material using an ASD Field-Spec Pro FR portablespectroradiometer, forest stands have been mapped and the chlorophyll content of leafsamples have been measured in the laboratory. Leaf Chlorophyll Content will be usedas an indicator for the plant status estimation in the course of this thesis.

Because remote sensing data of two different recording times have been analysedcomparatively and are stored in a GIS, some different steps of data pre-processing hadto be introduced. These steps are mainly the geometric corrections, which effect of theflight path and course instabilities, and radiometric corrections of the data, where theinfluences of the atmospherical situation to the radiance is modelled and corrected.

On the basis of two pre-processed HyMapTM-Datasets and the ground reference,two essentially different Methods to determine plant status differences have been tes-ted. For the first Method 32 descriptive spectral attributes have been introduced. Withthese attributes the reflectance spectrum can be mathematically described and ana-lysed. Correlation analysis is used to detect dependencies between these attributesas well among each other as between these and the leaf chlorophyll content. The cal-

VII

culation of leaf chlorophyll content from the spectral signatures is done using severaldescriptive attributes and the multiple linear regression method.

The second Method uses two approaches of Spectral Mixture Modelling, the linearspectral unmixing and the Mixture tuned matched filtering, to derive plant status para-meters. Fundamental to this Method is a new approach for the derivation of spectralendmembers.

After a view on available change detection algorithms, changes are then derivedusing a modified and to the existing demands adapted change vector analysis.

The tested Methods to derive the state of plant health and its change has showna fundamental potential to achieve a fast and easy to use method for the monitoring ofmining activities.

VIII

Inhaltsverzeichnis

Abbildungsverzeichnis XIII

Tabellenverzeichnis XVII

Abkürzungsverzeichnis XIX

1 Einleitung 11.1 Einführung in die Thematik . . . . . . . . . . . . . . . . . . . . . . . . . 11.2 Aufgabenstellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21.3 Aufbau der Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2 Umweltmonitoring im Steinkohlenbergbau 52.1 Der Steinkohlenbergbau im Ruhrgebiet - Lagerstätten und Abbau . . . . 52.2 Wirkgefüge bergbaulicher Einflüsse . . . . . . . . . . . . . . . . . . . . 7

2.2.1 Einflüsse bergbaulicher Tätigkeit auf die hydrologische Situation 92.2.2 Einflüsse bergbaulicher Tätigkeit auf die ökologische Situation . 9

2.3 Umweltmonitoring im Bergbau . . . . . . . . . . . . . . . . . . . . . . . 112.4 Methodik forstlicher Geländeaufnahme zum Monitoring im deutschen

Steinkohlenbergbau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

3 Grundlagen der Erfassung von Pflanzenzuständen 173.1 Forstwissenschaftliche und pflanzenökologische Grundlagen . . . . . . 173.2 Grundlagen der hyperspektralen Fernerkundung . . . . . . . . . . . . . 233.3 Hyperspektrale Fernerkundungssensoren . . . . . . . . . . . . . . . . . 253.4 Physikalische Grundlagen der Spektrometrie . . . . . . . . . . . . . . . 263.5 Spektrale Eigenschaften von Landoberflächen . . . . . . . . . . . . . . 303.6 Spektrale und geometrische Eigenschaften abbildender Spektrometer . 383.7 Einsatz fernerkundlicher Methoden zur Bestimmung forstlicher Parameter 40

4 Untersuchungsgebiet und Datengrundlage 434.1 Untersuchungsgebiet . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

4.1.1 Naturräumliche Einordnung . . . . . . . . . . . . . . . . . . . . . 454.1.2 Klima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

IX

Inhaltsverzeichnis

4.1.3 Böden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 454.1.4 Landnutzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 464.1.5 Hydrologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

4.2 Datengrundlage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 484.2.1 HyMapTM-Daten . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

4.2.1.1 Technische Charakteristika des HyMapTM-Sensors . . . 484.2.1.2 Charakteristika der HyMapTM Befliegungen . . . . . . . 50

4.3 Referenzdatenaufnahme . . . . . . . . . . . . . . . . . . . . . . . . . . 514.3.1 Eingesetzte Spektrometer . . . . . . . . . . . . . . . . . . . . . . 514.3.2 Referenzdaten zur Atmosphärenkorrektur . . . . . . . . . . . . . 53

4.3.2.1 Luftfeuchtigkeits-Höhenprofil . . . . . . . . . . . . . . . 534.3.2.2 Aufnahme spektral unvermischter Spektren am Boden 55

4.3.3 Referenzdaten zur Unterstützung der thematischen Auswertung 564.3.3.1 Spektralmessungen an Baumkronen . . . . . . . . . . 564.3.3.2 Messung von Spektralsignaturen einzelner Blätter . . . 574.3.3.3 Bestimmung des Blattchlorophyllgehaltes . . . . . . . . 574.3.3.4 Waldzustandskartierung . . . . . . . . . . . . . . . . . 59

4.4 Sonstige Fachdaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 624.4.1 Digitale Höhenmodelle . . . . . . . . . . . . . . . . . . . . . . . . 624.4.2 Hydrologische Modelle . . . . . . . . . . . . . . . . . . . . . . . . 634.4.3 Biotoptypen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

5 Datenvorverarbeitung 655.1 Bestimmung der Datenqualität durch das Signal-Rausch-Verhältnisses . 665.2 Methoden zur Verminderung des Rauschens in den Bilddaten . . . . . . 705.3 Korrektur geometrischer Einflüsse . . . . . . . . . . . . . . . . . . . . . 715.4 Atmosphärenkorrektur . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

5.4.1 Grundlagen der Atmosphärenkorrektur . . . . . . . . . . . . . . . 745.4.2 Durchführung der Korrektur mit ATCOR4 . . . . . . . . . . . . . 77

5.5 Spezifische Anpassungen . . . . . . . . . . . . . . . . . . . . . . . . . . 805.6 Mosaikierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

6 Auswertemethoden hyperspektraler Fernerkundungsdaten 856.1 Auswertemethoden mit Hilfe von Referenzspektren . . . . . . . . . . . . 866.2 Parametrisierung der Spektren . . . . . . . . . . . . . . . . . . . . . . . 90

6.2.1 Vegetationsindizes und spektrale Ratios . . . . . . . . . . . . . . 906.2.2 Parametrisierung des Red Edge . . . . . . . . . . . . . . . . . . 936.2.3 Parametrisierung des Spektrums durch die Analyse des Conti-

nuum Removal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 956.2.4 Parametrisierung des Spektrums durch Ableitungsfunktionen . . 98

X

Inhaltsverzeichnis

7 Bestimmung des Waldpflanzenzustandes 1017.1 Ableitung des Pflanzenzustandes durch spektrale Entmischung . . . . . 101

7.1.1 Allgemeine Grundlagen der Anwendung der Methoden der spek-tralen Entmischung . . . . . . . . . . . . . . . . . . . . . . . . . . 101

7.1.2 Endmemberselektion . . . . . . . . . . . . . . . . . . . . . . . . 1027.1.3 Anwendung und Vergleich von Entmischungsalgorithmen zur Ab-

schätzung des Waldpflanzenzustandes . . . . . . . . . . . . . . 1087.1.3.1 Ergebnisse des Linear Spectral Unmixing . . . . . . . . 1087.1.3.2 Ergebnisse des Mixture Tuned Matched Filtering . . . . 110

7.1.4 Vergleich der Verfahren Linear Spectral Unmixing und MixtureTuned Matched Filtering . . . . . . . . . . . . . . . . . . . . . . . 111

7.2 Pflanzenzustandsabschätzung durch Parametrisierung . . . . . . . . . . 1137.2.1 Sensitivität der Spektralsignaturen zur Bestimmung des Blatt-

chlorophyllgehaltes . . . . . . . . . . . . . . . . . . . . . . . . . . 1137.2.2 Statisitsche Untersuchungen der einzelnen Merkmale . . . . . . 1167.2.3 Übertragung der Methodik auf die HyMapTM-Daten . . . . . . . . 1227.2.4 Verifizierung der Ergebnisse zur Bestimmung von Flächen ver-

minderter Pflanzenvitalität . . . . . . . . . . . . . . . . . . . . . . 127

8 Erfassung von Veränderungen des Waldzustandes 1318.1 Methoden der Veränderungsanalyse . . . . . . . . . . . . . . . . . . . . 1318.2 Change Vector Analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . 135

9 Zusammenfassung, Diskussion und Ausblick 143

Literaturverzeichnis 147

A Auf Basis von Feldspektrometerspektren berechnete Merkmale 163

B Auf Basis von HyMapTM-Spektren berechnete Merkmale 169

XI

Inhaltsverzeichnis

XII

Abbildungsverzeichnis

2.1 Geologischer Querschnitt des Ruhrkarbon . . . . . . . . . . . . . . . . . 62.2 Einfluss des Bergbaus auf die Umwelt . . . . . . . . . . . . . . . . . . . 72.3 Schematische Darstellung der Bildung eines Senkungstroges . . . . . . 82.4 Wirkungsgefüge bergbaulicher Senkungen . . . . . . . . . . . . . . . . 10

3.1 Aspekte zur Beurteilung des Waldökosystems . . . . . . . . . . . . . . 193.2 Phasenmodell der Reaktion von Pflanzen auf Stress . . . . . . . . . . . 203.3 Elektromagnetisches Spektrum . . . . . . . . . . . . . . . . . . . . . . . 233.4 Aufnahmeprinzip eines abbildenden Spektrometers . . . . . . . . . . . 253.5 Spektrale Verteilung der Energie, die ein schwarzer Körper bei unter-

schiedlichen Temperaturen abgibt . . . . . . . . . . . . . . . . . . . . . 283.6 Reflexionseigenschaften verschiedener Oberflächen . . . . . . . . . . . 303.7 Reflexionskurven unterschiedlicher Oberflächen . . . . . . . . . . . . . 313.8 Reflexionseigenschaften der Blattinhaltsstoffe . . . . . . . . . . . . . . . 323.9 Reflexionskurven von Pflanzen . . . . . . . . . . . . . . . . . . . . . . . 343.10 Schematische Darstellung der Absorptions- und Reflexionsmechanis-

men in grünen Blättern . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353.11 Mikroskopischer Blattquerschnitt . . . . . . . . . . . . . . . . . . . . . . 373.12 Geometrische Eigenschaften abbildender Spektrometer . . . . . . . . . 383.13 Spektrale Eigenschaften abbildender Spektrometer . . . . . . . . . . . 39

4.1 Geographische Lage des Untersuchungsgebietes Kirchheller Heide . . 444.2 Funktionsweise eines Whiskbroom-Scanners . . . . . . . . . . . . . . . 484.3 HyMapTM-Sensor und Trägerflugzeug . . . . . . . . . . . . . . . . . . . 514.4 Die zur Referenzdatenaufnahme genutzten Feldspektrometer . . . . . . 524.5 Wetterdaten des Radiosondenaufstieges . . . . . . . . . . . . . . . . . 544.6 Eine Referenzfläche und das dazugehörige Spektrum . . . . . . . . . . 564.7 Spektralmessungen im Baumkronenbereich . . . . . . . . . . . . . . . . 574.8 Untersuchungsstellen der Waldzustandserhebung . . . . . . . . . . . . 61

5.1 Workflow der Vorprozessierung . . . . . . . . . . . . . . . . . . . . . . . 665.2 Beispiele Signal-Rausch-Verhältnis . . . . . . . . . . . . . . . . . . . . . 67

XIII


5.3 Verlauf des Signal-Rausch-Verhältnisses . . . . . . . . . . . . . . . . . 695.4 Beispielhafte Anwendung des Medianfilters . . . . . . . . . . . . . . . . 715.5 Beispielhafte Anwendung des Savitzky Golay Filters . . . . . . . . . . . 725.6 Schematische Darstellung der Strahlungskomponenten . . . . . . . . . 765.7 Spektren zur radiometrischen Korrektur . . . . . . . . . . . . . . . . . . 785.8 Vergleich von Feldspektren mit HyMapTM-Spektren . . . . . . . . . . . . 795.9 Vergleich eines Bildpunktes im Überlappungsbereich . . . . . . . . . . . 805.10 Durchschnittlicher Radianzverlauf eines Flugstreifens . . . . . . . . . . 815.11 Vergleich Reflexionsspektren; Korrekturfile . . . . . . . . . . . . . . . . . 82

6.1 Spektrales Mischungsverhältnis . . . . . . . . . . . . . . . . . . . . . . . 876.2 MNF Transformation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 906.3 Visualisierung der Red-Edge-Wellenlänge . . . . . . . . . . . . . . . . . 936.4 Bestimmung des Red-Edge durch Spline-Interpolation . . . . . . . . . . 956.5 Continuum Removal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 966.6 Einige beschreibende Merkmale des Continuum Removal . . . . . . . . 976.7 Flächeninhalte der Ableitungsfunktion . . . . . . . . . . . . . . . . . . . 99

7.1 Waldstände unterschiedlicher Dichte . . . . . . . . . . . . . . . . . . . . 1027.2 Eigenwerte der Hauptkomponentenanalyse zur Abschätzung der Anzahl

der benötigten Endmembers . . . . . . . . . . . . . . . . . . . . . . . . 1037.3 Ergebnisse der automatischen Endmemberextraktion . . . . . . . . . . 1057.4 Bildspektren zur Emdmemberselektion . . . . . . . . . . . . . . . . . . . 1057.5 2D Scatter-Plot zur Endmemberselektion . . . . . . . . . . . . . . . . . 1077.6 Endmemberspektren für die unterschiedlichen Kiefernunterklassen . . . 1077.7 Ergebnisse des LSU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1097.8 Ergebnisse des mtmf . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1117.9 Vergleich von Spektren unterschiedlicher Chlorophyllgehalte . . . . . . 1147.10 Korrelationen Ratio 750/710 . . . . . . . . . . . . . . . . . . . . . . . . . 1187.11 Korrelationen Ratio 750/710 . . . . . . . . . . . . . . . . . . . . . . . . . 1197.12 Abgeleitete Chlorophyllwerte auf allen Waldflächen . . . . . . . . . . . . 1257.13 Abgeleitete Chlorophyllwerte auf Kiefernflächen . . . . . . . . . . . . . . 1267.14 Gegenüberstellung der Chlorophyllgehalte von Kiefernflächen mit den

Veränderungen des Grundwasserflurabstandes . . . . . . . . . . . . . . 1267.15 Gegenüberstellung der berechneten und gemessenen Chlorophyllwerte 1277.16 Flächenhafte Gegenüberstellung der Ergebnisse der Waldzustandskar-

tierung mit den Ergebnissen der mit fernerkundlichen Methoden erziel-ten Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128

8.1 Schematische Darstellung der Change Vector Analyse . . . . . . . . . . 135

XIV


8.2 Veränderungen, Merkmalskombination maximale Absorptionstiefe undFläche unter dem continuum removed Spektrum . . . . . . . . . . . . . 139

8.3 Veränderungen, Merkmalskombination red-edge Wellenlänge und Ratio760/710 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139

8.4 Beispiel einer Grenzwertklassifikation des Veränderungsbetrages . . . . 1408.5 Detaillausschnitt des CVA-Ergebnisses auf Kiefernflächen um einen zwi-

schen den Befliegungszeitpunkten neu entstandenen Senkungssee . . 141

XV


XVI

Tabellenverzeichnis

3.1 Pflanzenindikatoren bezogen auf Feuchtigkeit und Nährstoffgehalt desBodens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3.2 Absorptionsmerkmale einiger Blattinhaltsstoffe . . . . . . . . . . . . . . 33

4.1 Technische Eigenschaften des HyMapTM-Sensors . . . . . . . . . . . . 49

4.2 Befliegungsparameter der HyMapTM-Befliegungen 2000 und 2003 . . . 50

4.3 Technische Eigenschaften der genutzten Feldspektrometer . . . . . . . 52

4.4 Ergebnisse der Labor Chlorophylluntersuchung . . . . . . . . . . . . . . 59

4.5 Ergebnisse der Waldzustandskartierung . . . . . . . . . . . . . . . . . 61

4.6 Bildflugparameter der zur Erzeugung der DHMs genutzten Bilddaten . 63

4.7 Grundwassermodell Kirchheller Heide . . . . . . . . . . . . . . . . . . . 63

6.1 Zusammenfassende Darstellung der spektralen Merkmale . . . . . . . . 100

7.1 Korrelationen einiger unterschiedlicher Labor-Chlorophyllmessungen . . 116

7.2 Korrelationen spektraler Merkmale mit dem Blattchlorophyllgehalt . . . . 117

7.3 Korrelationen der Reflexionsmerkmale untereinander . . . . . . . . . . . 120

7.4 Korrelationen spektraler Merkmale aus HyMapTM-Spektren mit dem Blatt-chlorophyllgehalt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

7.5 Korrelationen der auf der Basis von HyMapTM berechneten spektralenMerkmale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124

8.1 Eigenschaften der übergeordneten Methoden zur Veränderungsanalysefernerkundlicher Datensätze . . . . . . . . . . . . . . . . . . . . . . . . . 133

8.2 Zuordnung der Veränderungswinkel zu Veränderungsarten bei der An-wendung der Methode auf die Merkmalskombination maximale Absorp-tionstiefe und der Fläche unter dem Continuum Removed Spektrum . . 137

8.3 Zuordnung der Veränderungswinkel zu Veränderungsarten bei der An-wendung der Methode auf die Merkmalskombination Red-Edge Wellen-länge und Reflexionsverhältnis bei 760 und 710 nm . . . . . . . . . . . 137

8.4 Grenzwerte für die Klassifizierung von Veränderungen . . . . . . . . . . 140

XVII

Tabellenverzeichnis

A.1 Anhand der Feldspektren berechnete Merkmale -Merkmale der Gruppe der Flächeninhalte der Ableitungsfunktionen . . . 164

A.2 Anhand der Feldspektren berechnete Merkmale -Merkmale der Gruppe zur Beschreibung des red-edge . . . . . . . . . . 165

A.3 Anhand der Feldspektren berechnete Merkmale - Merkmale der Gruppezur Beschreibung des continuum-removed Spektrums . . . . . . . . . . 166

A.4 Anhand der Feldspektren berechnete Merkmale -Merkmale der Gruppe der spektralen Ratios . . . . . . . . . . . . . . . . 167

B.1 Anhand der HyMapTM -Spektren berechnete Merkmale -Merkmale der Gruppe der Flächeninhalte der Ableitungsfunktionen . . . 170

B.2 Anhand der HyMapTM-Spektren berechnete Merkmale -Merkmale der Gruppe zur Beschreibung des red-edge . . . . . . . . . . 171

B.3 Anhand der HyMapTM-Spektren berechnete Merkmale - Merkmale derGruppe zur Beschreibung des continuum-removed Spektrums . . . . . 172

B.4 Anhand der HyMapTM-Spektren berechnete Merkmale -Merkmale der Gruppe der spektralen Ratios . . . . . . . . . . . . . . . . 173

XVIII

Abkürzungsverzeichnis

ARES Airborne Reflexive and Emissive SpectrometerASD Analytical Spectral Devices,

Herstellerfirma des FieldSpec Pro FRATCOR 4 Atmospheric Correction Version 4,

Modulare Software zur Korrektur atmosphärischer EinflüsseAVIRIS Airborne Visible InfraRed Imaging Spectrometer,

flugzeuggetragener hypespektraler FernerkundungssensorBBergG Bundesberg GesetzBGR Bundesanstalt für Geowissenschaften und RohstoffeCCSM Cross Correlation Spectral MatchingCIR Color InfraredCR Continuum RemovalCSIRO Commonwealth Scientific and Industrial Research Organisation,

australische ForschungseinrichtungCVA Change Vector AnalysDFD Deutsches Fernerkundungs DatenzentrumDGM Digitales GeländeModellDLR Deutsches Zentrum für Luft und RaumfahrtDN Digital Number, DigitalzahlDSK Deutsche SteinKohle AGDWD Deutscher WetterDienstELC Empirical Line CalibrationEnMap Environmental Mapping and Analysis Programme,

hyperspektraler FernerkundungssatellitENVI Environment for Visualising Images

Softwarepacket zur Auswertung von FernerkundungsdatenEO-1 Earth Observing-1, Erdbeobachtungssatellit der NASAERTS-1 Earth Resources Technology Satellite

Ursprünglicher Name der Landsat SatellitenFFC Flat Field CalibrationFWHM Full Width at Half MaximumGCP Ground Control Point

XIX


GEMI Global Environmental Monitoring IndexGFZ GeoForschungsZentrum PotsdamGPS Global Positioning SystemHyMapTM Hyperspectal Mapping,

flugzeuggetragener hyperspektral FernerkundungssensorIFOV Instantaneous Field Of View,

Gesichtsfeld des SensorsILS Institut für Landschaftsentwicklung und StadtplanungIMU Inertial Motion Unit,

Inertialsystem zur Erfassung und Korrektur von Bewegungs-einflüssen auf den Fernerkundungssensor

IR InfraRotLAI Leaf Area Index, BlattflächenindexLÖBF Landesanstalt für Ökologie, Bodenordnung und Forsten

in Nordrhein WestfalenLSU Linear-Spectral-UnmixingMAD Multivariate Alteration DetectionMaxAb Maximale AbsorptionstiefeMINEO Monitoring and assessing the environmental Impact of mining in

Europe using advanced Earth Observation Techniques,EU gefördertes Forschungsprojekt

MNF Minimum Noise FractionMODTRAN-4 Moderate Transmittance Code, 4th. VersionMSAVI Modified Soil Adjusted Vegetation IndexMTMF Mixture Tuned Matched FilteringNASA National Aeronautics and Space Adminsitration,

Weltraumbehörde der Vereinigten Staaten von AmerikaNDVI Normalized Difference Vegetation IndexNHN NormalHöheNullNIR Nahes InfraRotParGe Parametric Geocoding,

Programm zur Korrektur geometrischer EinflüssePPI Pixel Purity IndexRMSE Rout mean Square ErrorRSI Research Systems Incorporate,

Herstellerfirma der Software ENVIRVI Ratio Vegetation IndexSAM Spectral Angle MappingSAVI Soil Adjusted Vegetation Index

XX


SNR Signal-to-Noise-RatioSPSS Softwarepacket zur statistischen DatenanalyseSWIR Short Wave InfraRed, kurzwelliges InfrarotTIR Thermales InfraRotUSGS United States Geological Survey,

geologischer Dienst der Vereinigten Statten von AmerikaUVP UmweltVerträglichkeitsPrüfungUVP_V UmweltVerträglichkeitsPrüfungsVerordnungUVS Umweltverträglichkeits StudieVIN Vegetation Index NumberVIS Visible, Wellenlängenbereich des sichtbaren Lichtes

XXI

1 Einleitung

1.1 Einführung in die Thematik

Steinkohle wird in der Bundesrepublik Deutschland derzeit im Saarland (1 Bergwerk),im Raum Ibbenbüren (1 Bergwerk) sowie im nördlichen Ruhrgebiet (7 Bergwerke) ab-gebaut. Alle deutschen Bergwerke bauen ihre Lagerstätten im Untertagebau ab undsind unter dem Dach der Deutschen Steinkohle AG zusammengefasst.Solche bergbaulichen Abbautätigkeiten verursachen zum Teil erhebliche geometrischeVeränderungen an der Oberfläche in Form von dynamischen Senkungen, die ihrerseitsEinflüsse auf die ökologische und hydrologische Situation sowie auf die Infrastrukturdes beeinflussten Gebietes haben. Im Rahmen des Genehmigungsverfahrens stellendie Genehmigungsbehörden dem Bergbautreibenden auf der Grundlage gesetzlicherBestimmungen die Auflage, diese Einflüsse zu erfassen und zu prognostizieren.

Ausserdem muss der Betreiber einer Anlage zur Rohstoffgewinnung für Schäden,die er an Landschaft und Infrastruktur verursacht, Schadensersatzleistungen erbringenoder Ausgleichsmaßnahmen durchführen. Der Bergbautreibende ist deshalb bestrebt,ein Verfahren zu haben, mit dem den Einflüssen entgegenwirkende Maßnahme ge-prüft und, möglicherweise ungerechtfertigten Vorderungen, entgegengewirkt werdenkann.

Eine detaillierte Erfassung und Prognose solcher Auswirkungen stellt für den Berg-bautreibenden eine nur schwer und aufwändig zu lösende Aufgabe dar. Zusätzlich sinddie Auswirkungen des Bergbaus durch ein komplexes Wirkungsgefüge charakterisiert,das von unterschiedlichen Faktoren beeinflusst wird.

Zur Modellierung der bergbaulichen Umwelteinflüsse werden Methoden und Ver-fahren benötigt, mit denen die dazu erforderlichen Fachdaten zuverlässig erfasst wer-den können.

Derzeit werden diese Fachdaten wie folgt erhoben:

• manuelle Kartierungen der Biotoptypen,

• Generierung von Geländemodellen mit Hilfe photogrammetrischer Verfahren zurgeometrischen Erfassung der Geländeoberfläche,

1

1 Einleitung

• Modellierung der hydrologischen Situation durch stationäre Grundwassermodelleauf der Grundlage von im Untersuchungsgebiet installierten Grundwasserpegeln,

• markscheiderische Vorausberechnung auf Basis der Abbauplanung und Erfas-sung der tatsächlichen Senkungen des Deckgebirges.

Weil diese Daten nicht kontinuierlich sondern nur in diskreten Zeitschnitten und inunterschiedlichen Maßstäben und Detaillierungsgraden erhoben werden, ist eine an ei-ne veränderliche Abbauplanung angepasste Modellierung der oberflächigen Gegeben-heiten problematisch. Wesentliche Faktoren der Beeinflussung sind auf die veränder-te hydrologische Situation (insbesondere sich verändernde Grundwasserflurabstände)reagierende ökologische Zustände der Waldbestände im Einflussbereich.

Mit der Weiterentwicklung der Sensorik und Auswertemethodik in der Fernerkun-dung und digitalen Bildverarbeitung treten diese Methoden immer weiter in das Blick-feld der Entscheidungsträger, um die Umweltbeobachtung zu vereinfachen und dieQualität ihrer Ergebnisse zu steigern. In diesem Sinne erhofft man sich, durch dieAuswertung von Fernerkundungsdaten, das Monitoringverfahren kostengünstiger undflexibler durchführen zu können.

1.2 Aufgabenstellung

Mit der Weiterentwicklung der fernerkundlichen Sensorik und Methodik traten diese seitBeginn der neunziger Jahre des zwanzigsten Jahrhunderts immer mehr ins Blickfeldder Entscheidungsträger im bergbaulichen Monitoring, die stets auf der Suche nacheinfachen, schnellen und vor allem kostengünstigen Verfahren zur Unterstützung undErleichterung ihrer Aufgaben sind. Deshalb sind bei der Deutschen Steinkohle AG seitdieser Zeit kontinuierlich Forschungsprojekte durchgeführt worden, die die Einsatz-möglichkeiten und die Grenzen dieser Methodik bei der Anwendung im bergbaulichenMonitoring untersuchen sollten.

Erste Arbeiten, die auf der Basis multispektraler satellitengestützter Sensorendurchgeführt wurden (z.B. [PRYKA, 1998] oder [BENECKE ET.AL., 2000]) kamen zudem Ergebnis, dass diese damals nutzbaren Systeme und Methoden noch nicht aus-reichend waren, um das Monitoring wirkungsvoll zu unterstützen. Um wirkungsvolleUnterstützung für das bergbauliche Monitoring zu bieten, stellten sie vor allem fest,dass die spektrale und geometrische Auflösung der Sensoren für den Detaillierungs-grad der erforderlichen Aussagen und für die kleinräumige Struktur des Geländes nochnicht ausreichend sind.

Seit Mitte der achtziger Jahre betreibt die NASA den flugzeuggetragenen hyper-spektralen Sensor AVIRIS an Bord eines modifizierten hochfliegenden (bis ≈ 20km

2

1.3 Aufbau der Arbeit

Höhe) Aufklärungsflugzeuges und verbessert den Sensor ständig. Mit dem Ende derneunziger Jahre wurden flugzeuggetragene hyperspektrale Sensoren (Kapitel 3.2) dannauch im europäischen Raum verfügbar. Diese Sensoren bieten jetzt geometrische Auf-lösungen (besser als 5m) und spektrale Auflösungen (über 200 Kanälen im Spektral-bereich zwischen 400 und 2500 nm), die jetzt vielversprechende Möglichkeiten in derAnwendung im bergbaulichen Monitoring, besonders zur Überwachung forstlicher Pa-rameter, in dichtbesiedelten, kleinparzellierten Gebieten erwarten lassen (Kapitel 3.7).Dieses Potenzial wurde grundsätzlich von [FISCHER, 2001] bestätigt.

Aufgabe dieser Arbeit ist es nun, aufbauend auf den bereits bekannten Methodender Auswertung hyperspektraler Fernerkundungsdaten, ein auf die Anforderungen desBergbaus angepasstes Verfahren zu entwickeln, das es ermöglicht, weitestgehend au-tomatisiert und softwaregestützt kleinräumige ökologische Zustände in einem bergbau-beeinflussten Gebiet zu erfassen. Ausserdem ist es weiterhin Aufgabe dieser Arbeit,eine Methode zur Detektion von Veränderungen dieser Zustände bereitzustellen.

Diese Arbeit soll überprüfen, ob Fernerkundungsdaten dieser Art dazu geeignetsind, auftretende Auswirkungen flächendeckend im Rahmen einer langfristigen Um-weltbeobachtung bergbaubeeinflusster Gebiete zu erfassen und damit die stichpro-benartigen, detaillierten Untersuchungen der ökologischen Gutachter flächendeckendzu ergänzen und auf betroffene Flächen, die nicht im Dauerbeobachtungsbereich derGutachter liegen, hinzuweisen.

1.3 Aufbau der Arbeit

Im Anschluss an diese Einführung werden in Kapitel 2 die bergbaulichen Grundlagen,das bergbauliche Monitoring und die Methoden beschrieben, mit denen derzeit öko-logische Informationen von Wäldern aufgenommen werden. Ausserdem wird hier dasWirkgefüge bergbaulicher Umweltauswirkung beschrieben.

Das Kapitel 3 erläutert die Grundlagen der Forstwissenschaften und die Begriffe,die im Laufe der Arbeit zur Beschreibung der Methoden genutzt werden. Zusätzlich gibtdas Kapitel drei eine zusammenfassende Einführung der Grundsätze der fernerkund-lichen Arbeitsweisen sowie der Reflexionseigenschaften bestimmter Oberflächen, diefür ein Verständnis der in den späteren Kapiteln beschriebenen Verfahren erforderlichsind.

Das sich daran anschließende vierte Kapitel enthält eine Beschreibung des Unter-suchungsgebietes und gibt eine Beschreibung aller für die Datenvorverarbeitung, dieDatenauswertung und die Kontrolle der Ergebnisse erforderlichen Referenzdaten undbeschreibt die Aufnahme dieser.

3

1 Einleitung

Das fünfte Kapitel beschreibt die Datenvorverarbeitung. Es umfasst neben derKontrolle der vom Sensorbetreiber ausgelieferten Daten und spezifischer Anpassun-gen die Georeferenzierung, die Korrektur radiometrischer Einflüsse auf die Strahlungdurch die Umgebung und die Atmosphäre sowie die Mosaikierung der aufgezeichnetenFlugstreifen.

Im Anschluss daran gibt Kapitel 6 einen Überblick über die gebräuchlichen Me-thoden, mit denen hyperspektrale Fernerkundungsdaten ausgewertet werden und aufdenen die hier entwickelten Verfahren aufbauen.

Im Kapitel 7 werden Methoden der spektralen Entmischung und der parametri-schen Beschreibung der Spektren zur flächenhaften Abschätzung von Pflanzenzustän-den untersucht. Eine neue Methode, aufbauend auf statistischen Verknüpfungen unter-schiedlicher spektraler beschreibender Parameter, wird entwickelt. Ausserdem werdendie Ergebnisse mit Hilfe der aufgenommenen Referenzdaten verifiziert.

Kapitel 8 enthält die Beschreibung bekannter Methoden zur Erkennung von Ver-änderungen auf der Basis von Fernerkundungsdaten. In diesem Kapitel wird weiterhin,aufbauend auf den im vorigen Kapitel entwickelten Methoden und erzielten Ergebnis-sen, die Change Vector Analyse modifiziert, um die Ziele, die der Bearbeitung derAufgaben zugrunde liegen, zu erfüllen.

Im Kapitel 9 werden die Ergebnisse der Arbeit und der in diesem Rahmen entwi-ckelten Verfahren im Hinblick auf die Aufgabenstellung bewertet und es wird ein Aus-blick auf mögliche Weiterentwicklungen und Verbesserungen gegeben.

4

2 Umweltmonitoring imSteinkohlenbergbau

2.1 Der Steinkohlenbergbau im Ruhrgebiet -

Lagerstätten und Abbau

Im Ruhrgebiet wird Bergbau seit dem 13. Jhd. betrieben. Zu dieser Zeit wurde Stein-kohle im südlichen Ruhrgebiet gewonnen, wo sie an der Oberfläche anstand. In denfolgenden Jahrhunderten entwickelte sich die Bergbautechnik weiter, sodass auch einuntertägiger Kohleabbau möglich wurde. Die ersten Schächte wurden im 16. Jahrhun-dert gebaut. Der Kohleabbau im großen Stil begann im Zuge der Industrialisierungzu Beginn des 19. Jahrhunderts. Im Jahr 1873 gab es im Ruhrgebiet 262 Bergwerkemit einer Gesamtproduktion von 16 Mio. t pro Jahr. Das Produktionsmaximum wurdenach dem zweiten Weltkrieg im Jahr 1954 mit 151 Mio. t pro Jahr in 183 Bergwerkenerreicht. Danach nahm die Gewinnung wegen sinkender Nachfrage und aufwändigerwerdenden Abbaubedingungen stetig ab und erreichte im Jahr 2004 eine Förderungvon nur noch 26.6 Mio. t in 9 Bergwerken (Zahl gilt für ganz Deutschland, davon wird inacht Bergwerken im Ruhrgebiet und Ibbenbüren sowie einem Werk im Saarland Kohlegewonnen) [STATISTIK DER KOHLENWIRTSCHAFT E.V., 2005].

Geologisch ist das Ruhrgebiet aus Sedimenten der oberen Kreide, des Tertiär unddes Quartär zusammengesetzt. Das Grundgebirge wird aus den gefalteten Schichtendes oberen Karbon gebildet, die diskordant durch 1000 m mächtige Kreideschichtenüberlagert werden.Die im Ruhrgebiet abgebaute Kohle stammt aus den Bochum, Essen, Horst und Dors-ten Schichten, die stratigraphisch dem Westphal A, B und C angehören (Abb.: 2.1). Ineiner Flussdeltaumgebung lagerten sich zyklisch Materialien von grober (Sande, san-dige Schiefer) bis feiner (schiefriger Ton) Körnigkeit ab. Dazwischen sind Torfmooreund Kohleflöze zu finden [FÜCHTBAUER, 1988].

Nach Ablagerung dieser Schichten im Westphal wurden die kohleführendenSchichten durch die variskische Orogenese gehoben und überschoben.

5

2 Umweltmonitoring im Steinkohlenbergbau

Abbildung 2.1: Geologischer Querschnitt des Ruhrkarbon, nach [DROZDEWSKI ET.AL., 1980].

Unabhängig von den Einflüssen des Faltenbaus der variskischen Orogenesetaucht das kohleführende Ruhrkarbon als Ganzes mit einem Einfallen von ca. 3 - 7◦

flach unter das Münstersche-Kreidebecken ab. Der Beginn der Überlagerung zeigt sichim Gelände nördlich der Linie Essen - Bochum - Dortmund [HENNINGSEN UND KATZ-FUSS, 2002]. Im Untersuchungsgebiet wird die Steinkohle bereits aus Tiefen bis zu800 m abgebaut, während die kohleführenden Schichten an der Nordseeküste in einerTiefe von 5 - 6 km anzutreffen sind.

Die Deutsche Steinkohle AG baut die Kohle im Strebbau-Verfahren ab. Der Streb-bau ist ein bergbauliches Abbauverfahren im Untertagebau, das in flözartigen Lager-stätten zur Anwendung kommt. Dabei werden ausgehend von den Abbaustrecken Stre-be in die Lagerstätte vorgetrieben. Streb- und Baulänge werden maßgeblich von derStörungshäufigkeit in der Lagerstätte beeinflusst. Die Streblänge schwankt zwischenetwa 80 und über 200 m, während die Baulänge teilweise schon über 1000 m erreich-te. In diesen Streben wird die Kohle in einem kontinuierlichen Arbeitsgang mechanischgewonnen. Die bereits abgebauten Bereiche werden dabei durch hydraulische Stützenstabilisert. Ist die Lagerstätte im Bereich eines Strebs erschöpft, werden die Stützenentfernt. Eine Verfüllung mit taubem Bergematerial (Bergeversatz) wird aus Kosten-gründen in der Regel nicht vorgenommen, sodass der Streb nach dem Abbau einstürzt(Bruchbau)(Kapitel 2.2).

6

2.2 Wirkgefüge bergbaulicher Einflüsse


Der untertägige Bergbau beeinflusst die Umgebung an der Oberfläche auf unterschied-liche Weise. Die wichtigsten betroffenen Schutzgüter wie Boden, Wasser und Luft zu-sammen mit den jeweiligen Einflußfaktoren stellt die Abbildung 2.2 zusammen. Im Zu-sammenhang mit diesem Wirkgefüge sind Bergsenkungen aufgrund ihres Einflussesauf die hydrologische und als Folge daraus auf die ökologische Situation von größ-ter Bedeutung. Derartige Bodenbewegungen führen seit dem Beginn des untertägigenBergbaus zu Bergschäden an Gebäuden, Infrastruktur sowie an land- und forstwirt-schaftlichen Flächen. Den Eigentümern der betroffenen Anlagen steht hier ein Scha-densersatzanspruch vom Bergbautreibenden als Verursacher der Schädigung zu. Umungerechtfertigten Forderungen begenen zu können, beobachten und dokumentierendie Bergbautreibenden die von ihnen verursachten Einflüsse sehr genau.

BergbaueinflussBoden Wasser Luft

Inanspruchnahme vonFlächen

Bergschäden

Erschütterung

Bergehalde / Kippen

Altlasten

Abwassergefälle

Vorflutstörung

Grubenwasser

Tagebau-Seen

Flurabstand

Staub

Abgase aus Halden

Erdausgasung

Lärm

Abbildung 2.2: Einfluss des Bergbaus auf die Umwelt nach [KRATZSCH, 2004].

Überall wo Rohstoffe auf großer Fläche im Tiefbau ohne nachträgliche Verfüllung(Versatz) gewonnen werden, schließt sich der untertägige Hohlraum, weil sich dashangende Gebirge, abhängig von der Mächtigkeit und Art, mehr oder weniger schnellabsenkt. Bei einem großflächigen versatz- und stützpfeilerlosen Abbau eines Kohle-flözes, wie er im Ruhrgebiet erfolgt, bricht das Hangende bereits nach wenigen Stun-den schrittweise mit dem Fortgang der Kohlengewinnung ein [KRATZSCH, 2004].

Bei einem kompakten Hangenden oberhalb einer tieferen und größeren Abbauflä-che entsteht ein über die Ausdehnung des Abbaus hinausgehender, flacher Senkungs-trog. Bei solchen Abbauformen löst sich die Hangendschicht in ca. 2-facher Flözmäch-tigkeit und stürzt in den entstandenen Abbauhohlraum. Das Haupthangende senkt sichsukzessive auf das Bruchwerk ab oder bricht ein. Die darüberliegenden Schichten, be-stehend aus mächtigen und festen Gebirgsschichten, biegen sich überwiegend elas-tisch durch und scheren an den Schichtgrenzen ab. Dieser Bewegung folgt die Oberflä-chenzone aus lockeren Deckgebirgsschichten und an der Oberfläche bildet sich eine

7


Senkungsmulde (Abb. 2.3).

Abbildung 2.3: Schematische Darstellung der Bildung eines Senkungstroges [POLLMANN

UND WILKE, 1994].

Im Steinkohlenabbau im Ruhrgebiet verursachen Senkungen sowie Zerrungenund Pressungen die bedeutendsten Bergschäden. Der Bruch des Hangenden beginntbereits wenige Stunden nach dem Abbau. Die Senkungsbewegungen haben sich, ab-hängig von der Größe der abgebauten Fläche, etwa 6 Monate nach dem Abbau bisan die Oberfläche fortgepflanzt, nach bereits 2 Jahren sind 80% der zu erwarten-den Senkung eingetreten und der Endzustand wird ca. 5 Jahre nach dem Abbau er-reicht [SZELAG ET.AL., 1993]. In den Grubenfeldern des Ruhrgebietsbergbaus sindSenkungen von wenigen Metern bis zu 20 m aufgetreten [WIGGERING, 1993].

Die Größe der Senkungsbewegung kann durch die Gleichung 2.1 abgeschätztwerden (nach: Spettmann, zitiert in [JAKOBS, 1997]):

s = e×m× a× z (2.1)

mit: s = Senkungsbetrage = Quotient aus abgebauter Fläche und Vollfläche F,

als Beschreibung der Gewichtung der Flächendifferentiale,a = Absenkungsfaktor (Verhältnis von Vollsenkung

zur Abbaumächtigkeit),m = Mächtigkeit des abgebauten Flözes,z = Zeitfaktor.

8


Für weitergehende Informationen bezüglich der Vorausberechnung von Senkun-gen sei verwiesen auf z.B. [SROKA UND SCHOBER, 1986], [SROKA UND SCHOBER,1987], [KRATZSCH, 2004] oder [WIELAND, 1984].

2.2.1 Einflüsse bergbaulicher Tätigkeit auf die hydrologischeSituation

Die vom untertägigen Bergbau verursachten vertikalen Bodenbewegungen beeinflus-sen großräumig die hydrologische Situation eines Gebietes. Dies führt zu einer De-formation der grundwasserleitenden Schicht und zur Veränderung der Grundwasser-scheiden, der Strömungsrichtungen und Fließgeschwindigkeiten (nach[RÜBER, 1997] und [FISCHER, 2001]).Die an der Oberfläche am deutlichsten sichtbaren hydrologischen Veränderungen sindallerdings die im Zentrum der Senkungströge unter Umständen auftretenden Wasser-flächen, die auf zwei unterschiedliche Weisen entstehen können. Dies ist zum einen einAbsinken der Geländeoberfläche relativ zum Grundwasserspiegel, der häufig sein vor-heriges Niveau beibehält. Dadurch tritt das Grundwasser im Extremfall als See an dieOberfläche. Zum anderen werden durch eine partielle Oberflächenabsenkung Bach-läufe aufgestaut. Dadurch treten die Bäche dauerhaft über ihr ursprüngliches Fließge-rinne hinaus und bilden Seen, die vom Bach durchflossen werden. Regional begrenztauftretende Beeinträchtigungen können durch bauliche Maßnahmen wie Eindeichung,Flussbegradigung oder Entwässerungen korrigiert werden.

Durch Zunahme des Gefälles des Grundwasserleiters kann es in den Randberei-chen der Senkungströge vorkommen, dass das Grundwasser abfließt und der Grund-wasserspiegel sinkt. Dieser vergrößerte Grundwasserflurabstand geht für die betrof-fene Fläche mit einem verminderten pflanzenverfügbaren Wasserangebot einher [FI-SCHER, 2001].

Die Modellierung großräumiger Umweltbeeinflussungen durch den Bergbau wirdauf der Basis der Abbauplanung, hydrologischer Modelle [Kapitel 4.4.2] und hochge-nauer Geländemodelle [Kapitel 4.4.1] in einem Geographischen Informationssystem(GIS) durchgeführt.

2.2.2 Einflüsse bergbaulicher Tätigkeit auf die ökologischeSituation

Mit diesen hydrologischen Beeinflussungen ist die Entwicklung von Böden und Pflan-zen eng verknüpft. So führt die Verminderung des Grundwasserflurabstandes zu einer

9


Veränderung des Bodenwasser- und Bodenlufthaushaltes sowie zu Veränderungender Puffer- und Filterwirkung des Bodens (Abb. 2.4). Diese Faktoren führen zu einerBeeinträchtigung der im Boden ablaufenden Zersetzungs- und Humusbildungsprozes-se und sind im Hinblick auf die Bodenfruchtbarkeit von Bedeutung.

Für das Landschaftsbild können Reliefveränderungen und Vernässungen dazuführen, dass sich der charakteristische und historisch gewachsene Eigenartscharakterverändert. Diese Veränderungen sind nach [ILS, 1999] eng verbunden mit:

• Veränderungen der biotischen und abiotischen Ausstattung und der Standortpo-tentiale,

• Veränderung der landschaftlichen Vielfalt und des Eigenartsscharakters,

• Veränderung der Nutzungsformen und Nutzungsstrukturen eines Gebietes.

Daneben kommt es aufgrund der industriellen Belastung der Luft durch die Förder-anlagen und der Verarbeitung der Kohle zu Immissionsbelastungen mit Luftschadstof-fen, die zu einer Verschlechterung des Lebensraumes der Pflanze führen können [GU-DERIAN ET.AL., 1993].

Diese beiden Faktoren beeinflussen entscheidend die Qualität des Lebensraumesvon Pflanzen. Eindeutig dem Bergbau zuzuordnen sind aber lediglich die Veränderun-gen in der hydrologischen Situation, sodass die Immissionsbelastungen im Rahmendieser Arbeit ausser Acht gelassen wird.

Abbau

Gebirgsschichten

Grundwasserspiegel

Kohleflöz

Erdoberfläche

Senkungstrog

Abbildung 2.4: Schematische Darstellung des Wirkungsgefüges bergbaulicher Einflüsse aufdie Umwelt.

Relativ zur Oberfläche ansteigende Grundwasserspiegel verändern das pflanzen-verfügbare Wasserdargebot und die vorherrschende Nährstoffsituation. Diese Verän-derungen wirken sich aufgrund ihrer höheren Naturbelassenheit vornehmlich auf Wald-flächen aus und führen zu zum Teil erheblichen Veränderungen im Bestand. DieseVeränderungen reichen vom Vitalitätsverlust der bestockten Art, über die Sukzession

10

2.3 Umweltmonitoring im Bergbau

und die Bildung von Ersatzgesellschaften bis hin zum totalen Verlust jeglicher Waldve-getation auf Flächen, die mit Wasser bedeckt sind und wo sich Senkungsgewässerausbilden.

So wurden für das Untersuchungsgebiet (Kapitel 4.1) beispielsweise von [ILS,1998] die folgenden Veränderungen prognostiziert:

• Im Erosionsbereich von Bächen werden bachbegleitende Erlenwälder durch Ab-grabung zu entwässerten Erlenwäldern mit feuchtwaldfremdem und artenarmemUnterwuchs degradiert.

• In den Senkungsmulden werden weite Bereiche der bachbegleitenden Erlenwäl-der durch dauerhafte Überflutung absterben.

• Die vorherrschenden naturnahen Buchen-Eichen Mischwälder werden durch er-höhte Wasserzufuhr degradiert oder sterben ab.

• Abtrocknung in den Randbereichen der Senkungsmulde führen zur Begünstigungvon Birkenbruchwäldern. Dieser Effekt wird bei [ILS, 1998] als positiver Einflussdes Bergbaus bezeichnet.

Im Bereich landwirtschaftlicher Nutzflächen führen solche Veränderungen häufigzu einem Wandel der Nutzungs- und Kulturarten sowie der Anbaustruktur. Auf dieseWeise tritt zum Beispiel eine Nutzungsveränderung von intensivem Anbau von Maisoder Getreide zu extensiv genutzten Grünland- und Weideflächen auf. Häufig wird an-gestrebt, solche senkungsbedingten Einflüsse im Bereich landwirtschaftlicher Nutzflä-chen durch gegenwirkende Maßnahmen auszugleichen. Solche Maßnahmen könnenzum Beispiel Dränungseinrichtungen auf den Feldflächen sein.

Zur Überprüfung des jeweiligen Zustandes des beeinflussten Gebietes und dervorhergesagten Entwicklung wird ein den Abbau begleitendes Umwelt-Monitoring an-gestrebt, das nicht nur den Einflussbereich des Bergbaus, sondern auch benachbarteFlächen untersucht, um eine bergbauliche Veränderungsursache zu erkennen. Die Be-schreibung dieses Monitorings erfolgt in Kapitel 2.3.


Steinkohleabbauvorhaben bedürfen in Deutschland für ihre Zulassung eines Rahmen-betriebsplanes nach § 52 II a Bundesberggesetz [BBergG, 1998]. Die §§ 57a und57b [BBergG, 1998] schreiben zwingend die Aufstellung eines Rahmenbetriebsplanesvor, der in Verbindung mit § 1 a bb und cc UVP-V Bergbau [UVP-V BERGBAU, 1998]einer Umweltverträglichkeitsprüfung (UVP) bedarf, wenn Senkungen auftreten, die 3

11


m überschreiten (§ 1 a bb UVP-V Bergbau) oder wenn Senkungen zwischen einemund drei Metern erhebliche Beeinträchtigungen im Hinblick auf Vorflut, Grundwasser,Böden, geschützte Kulturgüter oder vergleichbare Schutzgüter zu erwarten sind (§ 1a cc UVP-V Bergbau). Die Umweltverträglichkeitsprüfung befasst sich nach [HANSEL,2000] mit den folgenden Inhalten:

• Mensch, Fauna, Flora,

• Boden, Wasser, Luft, Klima und Landschaft,

• deren Wechselwirkungen,

• Sachgüter und das kulturelle Erbe.

Ein Rahmenbetriebsplan muss die geplanten Abbauvorhaben eines Bergwerkes füreinen längeren Zeitraum abdecken. Weil alleine das Genehmigungsverfahren bis zuannähernd 10 Jahre in Anspruch nimmt, werden für die zu genehmigenden Abbau-vorhaben in der Regel mindestens 10 Jahre bis hin zu 15 Jahren angesetzt [HANSEL,2000]. Die dazu erforderlichen Informationen zur Lagerstätte und zum Verlauf desAbbaus liegen aber nicht im notwendigen Detaillierungsgrad so lange im Voraus vor,sodass zum Zeitpunkt der Planfeststellung Entscheidungen zu den Umweltauswirkun-gen des Vorhabens nicht endgültig getroffen werden können. Dies führt dazu, dassdas Abbauvorhaben durch eine räumliche Beobachtung, Kontrolle und Steuerung derUmweltauswirkungen (bergbauliches Umweltmonitoring) unter der Kontrolle der Ge-nehmigungsbehörde begleitet wird.

Das Umweltmonitoring beinhaltet neben der Dauerbeobachtung des Umweltsys-tems die Durchführung von Veränderungsanalysen sowie die Definition und Kontrolleder Wirksamkeit allgemeiner und konkreter Maßnahmen und verweist auf definier-te Umweltqualitätsziele (nach: [MAAS, 1999] zitiert in [BUSCH ET. AL. 2004]). ZurBeobachtung und Bewertung der Umwelteinwirkungen im Hinblick auf vordefinierteZiele stellt die zuständige Bezirksregierung Arnsberg in ihrem Planfeststellungsbe-schluss für das Bergwerk Walsum [BEZIRKSREGIERUNG ARNSBERG, 2002] die fol-genden Punkte als wesentliche Inhalte des Monitorings heraus:

• die Ziele des Zielkonzeptes der Umweltverträglichkeitsstudie (UVS) einzuhalten,ggf. zu quantifizieren und zu konkretisieren,

• die Erfordernisse, Eignung und Wirksamkeit gegensteuernder Maßnahmen undAusgleichsmaßnahmen sind zu prüfen,

• die Grundlagen für die frühzeitige Erkennung bzw. Prognose potentiell auftreten-der bergbaubedingter Zielabweichungen sind zu erarbeiten,

• nachvollziehbare Informationen über die wasserwirtschaftliche und naturräumli-che Entwicklung des Einflussgebietes sind zu erarbeiten und den entsprechen-den Stellen der Genehmigungs- und Fachbehörden zur Verfügung zu stellen.

12


Die speziellen Inhalte des Monitoringverfahrens werden in der Regel in den Ne-benbestimmungen zur Genehmigung des Rahmenbetriebsplanes formuliert. Um einekonzeptionell aufeinander abgestimmte Bearbeitung der Monitoringverfahren für meh-rere Rahmenbetriebspläne zu gewährleisten, wurde im Auftrag der Deutschen Stein-kohle AG ein Musteranforderungsprofil für das Monitoring im Deutschen Steinkohlen-bergbau erarbeitet.

Dieses Musteranforderungsprofil beinhaltet nach [KELSCHEBACH UND WINTER,2001] die folgenden Arbeitsanforderungen:

• Basisleistungen wie die Festlegung von Teilräumen und Zeitintervallen, in denendas Monitoring durchzuführen ist. Für die Festlegung der Monitoringzeitschnittesind die geforderten Prognosezeitschnitte für die UVS als unumstößlich anzuse-hen. Die Teilräume ergeben sich aus der Abbauplanung und deren Fortschrei-bung.

• Grundmonitoring: Dies umfasst die Erfassung und Analyse des jeweils aktuel-len realen Zustandes der für das Monitoring relevanten Räume. Im Biomonitoringwerden dabei die jeweils notwendigen Erhebungen an Gewässern und in terrest-rischen Biotopen, inklusive der jeweiligen faunistischen Bezüge sowie Böden,durchgeführt. Anhand der erhobenen Daten werden die tatsächlichen Betroffen-heitsgrade ermittelt und die aktuellen Zustände der Monitoringobjekte im Ver-gleich zur Bestandsanalyse und Prognose der UVS, sowie bereits erfolgte Moni-toringschritte bewertet. Ausserdem ist mit Fortschreiten des Monitoring aus denerhobenen Daten eine Erfolgskontrolle durchgeführter gegensteuernder, flankie-render und kompensatorischer Maßnahmen abzuleiten. Aus der Bewertung desaktuellen Zustandes und aus kurzfristigen Prognosen werden weiterhin Hand-lungsempfehlungen für die Durchführung bereits konzipierter Maßnahmen abge-leitet.

• Planungsmonitoring: Das Planungsmonitoring dient der Überwachung und Um-setzung der relavanten planerischen Ziele. Hierzu werden die Ergebnisse undEmpfehlungen des Grundmonitoring mit der geltenden Planung (Abbauplanung,Landschaftsplanung...) abgeglichen. Auf der Grundlage des Grundmonitoring istweiterhin eine dynamische Eingriffsregelung unter Berücksichtigung der land-schaftsplanerischen Ziele durchzuführen. Das Ergebnis dieses Monitoringschrit-tes ist eine fortgeführte Zielbilanz für die Landschaftsplanung.

• Definition der Wechselbeziehungen zwischen Grund und Planungsmonitoring.Hierbei ist die Koordination, der Informationstransfer und der Abgleich relevan-ter Ergebnisse zwischen den beiden Bereichen des Monitoring zu regeln. DasGrundmonitoring liefert nach Sachgebieten gestaffelte Handlungsempfehlungen

13


für die Maßnahmendurchführung oder Maßnahmenneukonzipierung an das Pla-nungsmonitoring, wo die Vorschläge mit den planerischen Zielen abgewogenwerden.

Alle Informationen und Arbeitsschritte des Monitorings werden bei der DeutschenSteinkohle AG (DSK) mit Hilfe eines Geoinformationssystems aufbereitet, verarbeitet,gesammelt und räumlich dargestellt werden [BUSCH ET. AL. 2004].

2.4 Methodik forstlicher Geländeaufnahme zum

Monitoring im deutschen Steinkohlenbergbau

Weil landwirtschaftliche Nutzflächen durch die Bewirtschaftung schnellen und bedeu-tenden anthropogenen Veränderungen unterworfen sind, eignen sie sich wenig für einedauerhafte Beobachtung im Rahmen des Monitorings, ausserdem sind die meist ein-jährigen Nutzpflanzen an die vorgefundenen Gegebenheiten sehr gut angepasst, so-dass ein natürlicher Anpassungsprozess meist ausbleibt. Aus diesem Grunde bleibensolche Flächen im Laufe dieser Arbeit ausser Acht.

Da der Wald nicht solch starken und vor allem schnellen anthropogenen Beein-flussungen unterworfen ist, und er auch natürliche Anpassungen an sich veränderndeökologische Rahmenbedingungen wie zum Beispiel sich verändernde hydrologischeSituationen zeigt, sind die perennierenden (mehrjährigen) Waldpflanzen demgegen-über gut als Zeiger für bergbaubedingte ökologische Veränderungen in einem Untersu-chungsgebiet geeignet. Deshalb dienten auch im Laufe dieser Arbeit Waldflächen alsIndikatoren für bergbaubedingte Veränderungen. Im Kapitel 3.1 sollen die wichtigstenforstlichen Grundbegriffe, die im Laufe der Arbeit von Bedeutung sind, kurz erläutertwerden.

Derzeit werden die Geländeaufnahmen im ökologischen Bereich des Monitoringsmit Hilfe des Verfahrens nach Dahmen [DAHMEN, 1999] durchgeführt, mit dem durchdie Erkundung abiotischer Standortpotentiale ökologische Raumeinheiten abgeleitetwerden. Dieses Verfahren nutzt die Faktoren Relief, geologisches Ausgangssubstratfür Bodenbildung und das Regionalklima, bei größeren Maßstäben auch die pflan-zenökologisch wichtigen edaphischen und lokalklimatischen Standortfaktoren zur Aus-scheidung landschaftlicher Raumeinheiten. Zur anschließenden standörtlichen Inter-pretation nutzt Dahmen das „Wildpflanzen Datenbank und -Informationssystem“ TER-RA BOTANICA [DAHMEN, 1994] und stellt die Ergebnisse kartographisch dar.

Ein Vorschlag der Landesanstalt für Ökologie, Bodenordnung und Forsten in Nord-rhein Westfalen (LÖBF), als zuständige Fachbehörde für das ökologische Monitoring,

14

2.4 Methodik forstlicher Geländeaufnahme zum Monitoring im deutschenSteinkohlenbergbau

schlägt zum bergbaulichen Monitoring des Einflussbereiches Kirchheller Heide undHünxer Wald (siehe Kapitel 4.1) erstmalig eine Abkehr von dem seit einiger Zeit ge-bräuchlichen Dahmen Verfahren vor [LÖBF, 2003A]. So sieht das Konzept der LÖBFein dreistufiges Monitoringverfahren vor, das neben einer CIR-Luftbildbefliegung dieUntersuchung des Gebietes anhand von Dauermessstellen und Erhebungen von Da-ten zum Nährelement und Schadstoffhaushalt an Wurzelgrabungen empfiehlt.

Die CIR-Luftbildbefliegung dient dabei dem rechtzeitigen Erkennen von Vitalitäts-verlusten an Waldbeständen, was es ermöglichen soll, frühzeitig gegensteuernde Maß-nahmen ergreifen zu können. Das Konzept verlangt eine Teilinterpretation dieser Datenund, wo Schäden erkannt werden, auch eine terrestrische Fotodokumentation. DieseBefliegung soll jeweils im Frühsommer nach vollständiger Laubentfaltung in einem Bild-maßstab von 1:5 500 erfolgen.

Die Beobachtung von Dauermessstellen lehnt sich an die in Nordrhein-Westfalenüblicherweise eingesetzten Verfahren für die Landeswaldinventur und Waldzustandser-hebung an, die in [STRELETZKI, 1989] detailliert beschrieben wird. Diese und die spe-ziell auf das Untersuchungsgebiet angepassten Anforderungen der LÖBF verlangenim ca. 100 km2 großen Untersuchungsgebiet 16 Dauermessstellen, die gleichmässiginnerhalb und ausserhalb des prognostizierten Einwirkungsbereiches auf die Baumar-ten Eiche und Buche verteilt werden sollen. Jede dieser Flächen ist mit 4 Messstellen(sog. Trakte) entlang einer die Fläche durchziehenden Linie in gleichmäßigen Abstän-den zu versehen, an denen jeweils 5 Bäume markiert und detailliert betrachtet werdensollen, so dass sich ein Stichprobenumfang von 20 Bäumen je Dauermessstelle ergibt.An diesen in Abstimmung mit der LÖBF zu selektierenden Trakten sind Standortfak-toren des Bodens und der Bäume selbst zu untersuchen. Hauptfaktor der Bodenun-tersuchung ist die Bestimmung des Bodenwassers. Hierzu werden in 2, 6, 10 und 17dm Tiefe unter der Geländeoberfläche Proben entnommen. Diese Tiefenräume sol-len den Hauptwurzelraum des Bestandes repräsentieren. Die Messungen erfolgen mitEinstichtensiometern und werden in den ersten beiden Monitoringjahren alle 14 Tagewiederholt, danach können die Messzyklen gestreckt werden.Die Bäume selbst werden anhand der Faktoren Brusthöhendurchmesser (BHD) undBelaubungsgrad angesprochen. Die Ablesung des jährlichen Holzzuwachses wird mitHilfe des BHD an dauerhaft in 1,3 m Höhe angebrachten Umfangmessbändern an al-len vorher festgelegten und markierten Bäumen jährlich zum Ende der Vegetationszeitgemessen. Sollte ein Vitalitätsrückgang nicht eindeutig einer Ursache zugeordnet wer-den können, sieht das Konzept der LÖBF die Entnahme von Bohrkernproben aus demStamm mittels Zuwachsbohrer vor.Die terrestrische Vitalitätsansprache erfolgt jährlich durch speziell geschulte Forstwis-senschaftler, die den Belaubungsgrad der einzelnen Bäume visuell abschätzen [LÖBF,2003A], [STRELETZKI, 1989]. Diese Untersuchungen müssen mit denen des Landes

15


koordiniert werden, damit die Ergebnisse direkt vergleichbar sind.

Falls die bisher aufgezeigten Methoden zur forstlichen Bestandsaufnahme nichtzu kausal eindeutigen Aussagen führen, sollten Wurzelgrabungen veranlasst werden.Daran sollen Untersuchungen hinsichtlich des Gehaltes an Nährelementen und Schad-stoffen von Wurzeln und Belaubung durchgeführt werden. Auf diese Weise sollen mög-liche Mangelerscheinungen und Schadstoffanreicherungen als Ursache für Vitalitäts-veränderungen festgestellt werden.

Weil sich die Anforderungen einer umfassenden Umweltüberwachung auf Unter-suchungsgebiete bis zu einer Grösse von teilweise über 100 km2 beziehen, sind diehier aufgezeigten Verfahren zur Geländeaufnahme terrestrisch sehr aufwändig zu ver-wirklichen und liefern durch die Verknüpfung mit Dauerbeobachtungsflächen nur stich-probenartige Ergebnisse. Die visuelle Auswertung von CIR-Luftbildbefliegungen an-hand von Texturparametern ist in hohem Maße an die Erfahrung von Auswertern ge-knüpft und kann nicht automatisiert durchgeführt werden. Mit der Weiterentwicklungvon Sensorik und Auswertemethoden in der Fernerkundung werden diese zunehmendvielversprechend für den Einsatz im Monitoring des deutschen Steinkohlenbergbaus.Die Fernerkundung verspricht, die Forderungen nach einer flächendeckenden Lang-zeitüberwachung des bergbaulichen Einflussbereiches, mit dem Ziel der Erfassung vonVeränderungen der ökologischen Situation im System Wasser-Boden-Vegetation, zuerfüllen.

Ein vollständiger Ersatz terrestrischer Methoden zur forstlichen Bestandsaufnah-me durch fernerkundungsgestützte Verfahren erscheint zum gegenwärtigen Zeitpunktfür die vorliegenden Aufgaben weder möglich noch sinnvoll. Allerdings versprechendie fernerkundlichen Verfahren, insbesondere die Auswertung der Daten spektral undgeometrisch hochauflösender flugzeuggetragener Hyperspektralsensoren, einen we-sentlichen Informationsgewinn in Bezug auf die gesamte Fläche des Untersuchungs-gebietes liefern zu können.

Im Rahmen der Arbeit soll ein Verfahren zur Verfügung gestellt werden, mit dem In-formationen zum Waldzustand und dessen Veränderung flächendeckend, kostengüns-tig und unter geringem Personalaufwand gewonnen werden können. Das Ziel ist dieUnterstützung und Lenkung der terrestrischen Gutachter durch Identifikation potentiellgeschädigter Flächen (Hotspots) und die Extrapolation der terrestrisch stichprobenar-tig gewonnenen Informationen auf die gesamte Fläche.

16

3 Grundlagen der Erfassung vonPflanzenzuständen

3.1 Forstwissenschaftliche und pflanzenökologische

Grundlagen

In dieser Arbeit werden Waldflächen als Zeiger für bergbaudedingte Veränderungender Vegetation herangezogen. Als Wald definiert das Bundeswaldgesetz jede mit Forst-pflanzen bestockte Grundfläche. Auch vorübergehend kahlgeschlagene oder verlichte-te Grundflächen sowie Waldwege, Waldweiden, Holzlagerplätze und dergleichen sindlaut Gesetz zum Wald zu zählen. In der Flur oder im bebauten Gebiet gelegene klei-nere Flächen, die mit einzelnen Baumgruppen, Baumreihen oder mit Hecken bestocktsind oder als Baumschulen verwendet werden, sind nicht Wald im Sinne des Geset-zes [BWALDG].

Die Länder regeln diese Begriffsdefinition häufig abweichend [ZUNDEL, 1990].Schwierig abzugrenzen ist der Wald häufig von Feldgehölzen, weil die Flächengröße(mindestens 0,2 ha) als alleiniges Kriterium nicht ausreicht. Nach [WECK UND WIEBE-CKE, 1961] ist „Wald jede Pflanzengesellschaft, in der Bäume d.h. Pflanzen mit verhol-zendem Stamm vorherrschend sind, die eine Endgröße von mindestens 5 m erreichenkönnen, sofern diese Bäume im Reifezustand Bestände bilden, deren Schlussgrad be-wirkt, dass ein Baum den Nachbarbaum im Luft- und Bodenraum noch eindeutig öko-logisch beeinflusst“. [ZUNDEL, 1990] fügt dem noch hinzu, dass zum Wald eine typi-sche Bodenvegetation und Fauna gehört und die Nährstoffkreisläufe sich von anderenVegetationsformen unterscheiden. Wald entwickelt also eine eigene Lebensgemein-schaft mit einem eigenen ökologischen Beziehungsgefüge und Bestandsinnenklima.So müssen schon mit Bäumen geschlossen bestockte Flächen ab etwa 0.04 ha alsWald bezeichnet werden.

Streng genommen müssten die Begriffe Wald und Forst unterschieden werden.So wird der Wald oft mehr als Teil der natürlichen Landschaft und der Forst als plan-mäßig bewirtschaftete Fläche bezeichnet. Dies hätte zur Konsequenz, dass zumindestim intensiv genutzten Mitteleuropa fast alle der als Wald definierten Flächen als Forst

17

3 Grundlagen der Erfassung von Pflanzenzuständen

zu bezeichnen wären, sodass die Begriffe im allgemeinen Sprachgebrauch nicht diffe-renziert, sondern vielmehr synonym gebraucht werden.

Für die fernerkundliche Auswertung muss die Walddefinition jedoch etwas andersgefasst werden, sodass hier lediglich jede mit Gehölzen (perenierende holzbildendePflanzen) bewachsene Fläche betrachtet wird, die eine von der geometrischen Auflö-sungsfähigkeit des jeweils genutzten Sensors abhängige Größe überschreitet und imBild durch Textur, Struktur und Spektralsignatur als geschlossene Waldfläche erkenn-bar ist. Die übrigen, laut den zuvor genannten Definitionen zum Wald zu rechnendenFlächen sind für ökologische fernerkundliche Auswertungen wenig geeignet und wer-den deshalb außer Acht gelassen.

Als Zeiger für die Einflüsse bergbaulicher Tätigkeit dienen im Rahmen der fer-nerkundlichen Auswertung häufig die Indikatoren Waldzustand und im englischspra-chigen Raum vor allem der Stress, dem die einzelne Pflanze im Wald durch die Be-sonderheiten ihres Standortes ausgesetzt ist. Der Waldzustand ist ein beschreibenderFaktor, der sich diverser Indikatoren bedient, um das Ökosystem Wald in seinem Ge-sundheitszustand zu erfassen. Indikatoren sind in diesem Zusammenhang Kenngrö-ßen für die Bewertung und Trendbeschreibung der Umweltsituation [BML, 1998]. DieAbbildung 3.1 zeigt die in den Waldzustandsberichten genannten Aspekte zur Beurtei-lung des Gesundheitszustandes des Waldökosystems. Diese Aspekte berücksichtigendie unterschiedlichsten ökologischen Einflussfaktoren, wie zum Beispiel auch die vor-herrschende Witterung und das Klima, die in die Luft eingetragenen Schadstoffe, dieBiodiversität, welche neben den Pflanzen und Tiergesellschaften auch den Befall vonSchädlingen betrachtet, den Wasserhaushalt, die Bodenverhältnisse und den einzel-nen Baum als Individuum. Diese Aspekte sind unterschiedlich aufwändig zu untersu-chen. Die Landesforstbehörden haben sich deshalb zum Ziel gesetzt, mit vertretbaremAufwand ein zuverlässiges Bild vom Gesundheitszustand des Waldes zu erhalten undfassen diese in Waldzustandsberichten zusammen. Diese Waldzustandsberichte derLänder enthalten insbesondere Aussagen über:

• Kronenzustand,

• Immissionsbelastung,

• Ernährungs- und Belastungssituation der Blätter und Nadeln,

• witterungsbedingten Wachstums- und Stressfaktoren,

• Waldwachstum,

• Bodenzustand,

• Wasserqualität im Wald.

18

3.1 Forstwissenschaftliche und pflanzenökologische Grundlagen

die im Gesamten als Waldzustand interpretiert werden [BAYERISCHES STAATSMINIS-TERIUM, 2004].

Abbildung 3.1: Aspekte zur Beurteilung des Waldökosystems[BAYERISCHES STAATSMINISTERIUM, 2004].

Ein bei der forstwissenschaftlichen Waldzustandskartierung häufig verwendeterBegriff ist der Pflanzenstress. Die meisten Definitionen sehen ihn als eine Abweichungvon den optimalen Lebensbedingungen einer Pflanze. Stress verursacht Veränderun-gen und Reflexe in allen funktionalen Bestandteilen der Pflanze und kann von unter-schiedlichen Faktoren hervorgerufen werden [LARCHER, 2003]:

• abiotische Faktoren wie z.B. Sonneneinstrahlung, Temperatur, Feuchtigkeit (Was-ser) oder Gase (Sauerstoffmangel, Luftverschmutzung),

• biotische Faktoren wie z.B. Pflanzen (Parasitenbefall, Konkurrenzdruck), Micro-organismen oder Tiere,

• anthropogene Faktoren wie z.B. Verschmutzung, Düngung, Bodenveränderun-gen oder Feuer.

Zu Beginn des Einflusses können stressbedingte Veränderungen und Reflexe re-versibel sein, später führen sie zu irreversiblen Konsequenzen bis hin zum vollständi-gen Absterben der Pflanze. Die Abbildung [3.2] zeigt den Verlauf der Reaktionen einerPflanze nach dem Auftreten eines Stressfaktors.

19


Anpassung

Str

ess

Reakti

on

Wid

ers

tand

Abhärtu

ng

akute Schädigung chronische Schädigung

Resistenz

Minimum

Resistenz

Maximum

Normal

Zustand

Dauer der

Stresseinwirkung

Alarm-

phase

Resistenz-

phase

Erschöpfungs-

phase

Eustr

ess

Dis

tress

Abbildung 3.2: Phasenmodell der Reaktion einer Pflanze auf das Auftreten von Stressfaktoren[LARCHER, 2003].

Die Stressreaktion gliedert sich nach [LARCHER, 2003] in drei Phasen. Die erstewird als Alarmphase bezeichnet. In ihr werden als direkte Reaktion auf ein Stress-ereignis die strukturellen (Anordnung der Proteine, der Biomembrane oder Aufbau derZellskelette) und funktionalen (biochemische Prozesse, Energie Metabolismus) Bedin-gungen, die für das Überleben der Pflanze erforderlich sind destabilisiert. Wenn sichdieser Einfluss auf die Pflanze verstärkt, reagiert sie mit einem akuten Kollaps derZellstruktur bevor sie in Ihrem Stoffhaushalt regulierende Maßnahmen ergreifen kann.Anderenfalls beginnt die Alarmphase mit einer Stressreaktion, in der der Katabolismus(Abbau von Stoffwechselprodukten) über dem Anabolismus (Aufbau von Bestandtei-len des eigenen Körpers durch Organismen unter Verbrauch von Energie) überwiegt.Wenn die Intensität des Stressereignisses konstant bleibt, setzt der Widerstand derPflanze in Form von Reparaturprozessen, wie beispielsweise Proteinsynthesen oderNeubildung von schützenden Substanzen, ein.

Diese Prozesse führen die Pflanze in die sogenannte Resistenzphase, in der unteranhaltendem Einfluss des Stressfaktors der Widerstand der Pflanze weiter gesteigertwird, bis eine Normalisierung des Pflanzenzustandes eintritt.Wenn der Einfluss des Stressfaktors zu lange andauert oder sich der Einfluss verstärkt,tritt die Erschöpfungsphase ein. In ihr nimmt die Widerstandskraft der Pflanze bis hinzum endgültigen Absterben des Organismus ab.

Auf anormale Umgebungszustände reagiert die Pflanze mit einer Vielzahl vonSymptomen. So können einige Stressfaktoren spezifische Reaktionen der Pflanzenhervorrufen. Eine intensive Einstrahlung verursacht z.B. eine direkte Zerstörung der

20

3.1 Forstwissenschaftliche und pflanzenökologische Grundlagen

Thylakoid Membran oder es führen toxische Reaktionen auf erhöhte Schwermetallge-halte zu einer unverzüglichen Veränderung der Enzymkonzentration im Pflanzengewe-be [LARCHER, 2003].Die Mechanismen, die die Pflanze zum Aufbau erhöhter Resistenz bildet, betreffen da-gegen alle funktionalen Ebenen der Pflanze. In vielen Fällen rufen solche Aktivitätenerhöhte Gen-Aktivitäten hervor, zum Beispiel in der Synthese stressbedingter Proteineund speziellen Isoenzymen [MAIER, 1979].Neben diesen von einem bestimmten Stressor abhängigen Reaktionen sind Reaktio-nen häufiger, die nicht die Art des Stressors sondern die Stärke des Stresseinflussesbeschreiben. Eine Stressreaktion wird dabei als nicht spezifisch bezeichnet, wenn sieunabhängig von der Art des Stressfaktors ein stereotypes Muster zeigt. Beispiele fürdiese nicht spezifischen Stressreaktionen sind unter anderem die Abnahme des Blatt-chlorophyllgehaltes und damit Verminderung der photosynthetischen Aktivität, Verän-derung der Enzymaktivitäten (Zunahme detoxifizierender Enzyme), Anreicherung vonAntioxidantien und osmotisch aktiven Substanzen oder die Anreicherung mit stressbe-dingten Proteinen und Polyaminen. Vor allem aber treten typische Stresshormone wiez.B. die Abscisinsäure, Jasmonate oder Ethylene auf.Andere Frühindikatoren von Pflanzenstress sind die Abnahme der verfügbaren Energiein der Blattzelle und ein Anstieg im Energieverbrauch der Pflanze, weil diese bestrebtist durch erhöhten Energieverbrauch bereits entstandene Schädigungen zu reparie-ren [LARCHER, 2003].

Für die fernerkundliche Auswertung spielen von diesen unterschiedlichen Stress-reaktionen nur diejenigen eine Rolle, die sich durch eine Veränderung des Pigmentge-haltes in den Blättern auswirken. Der Chloropyllgehalt einer Pflanze ist direkt abhängigvon der Photosyntheseaktivität einer Pflanze, die wiederum ein Anzeichen für Anregun-gen oder Verminderungen des Energiehaushaltes der Pflanze sind. Damit empfiehltsich der Chlorophyllgehalt als ein mit fernerkundlichen Methoden ableitbarer Stress-zeiger von Pflanzen.

Unterschiedliche Baumarten stellen unterschiedliche Ansprüche an ihren Lebens-raum. Dies führt dazu, dass z.B. ein Bodenfeuchtegehalt, der für die eine Art einenerheblichen Stressfaktor darstellt, für eine andere eine ideale Lebensbedingung dar-stellt. Aus diesem Grunde ist es auf Flächen, die von Veränderungen der Grundwas-serverhältnisse betroffen sind, üblich, dass sich dort Ersatzgesellschaften bilden, dieauf diesen Standort bessert angepasst sind. Die Idealbedingungen für die einzelnenPflanzenarten werden z.B. durch die Ellenbergschen Zeigerwerte [ELLENBERG, 1992]quantifiziert (Tabelle: 3.1).

Die Tabelle 3.1 zeigt, dass viele Baumarten indifferent auf die Bodenfeuchtever-hältnisse reagieren. Unter den im Testgebiet vorkommenden Arten stellen lediglich

21


Tabelle 3.1: Pflanzenindikatoren bezogen auf Feuchtigkeits- und Nährstoffgehalt des Bodens.Größer werdende Zahlen weisen auf höheren Feuchtigkeits- bzw. Nährstoffge-halt an typischen Standorten dieser Baumart hin, i indiziert einen indifferentenStandortanspruch der jeweiligen Art. Werte aus [ELLENBERG, 1992].

Baumart (Gebrauchsname / wissenschftl. Name) Feuchte NährstoffKiefer / Pinus Sylvestris 3 2Birke / Betula Pendula i iErle / Alnus 7-9 iEiche /Quercus Robur i iTanne / Abies Alba i iFichte / Picea Abies i iBuche / Fagus Sylvatica 5 iAhorn /Acer 5-6 6-7

die Buche und die Kiefer hohe Ansprüche an die Bodenfeuchte ihres Lebensraumesin dem Sinne, dass sie auf erhöhten Bodenwassergehalt reagieren. Deshalb zeigengerade diese Arten die deutlichsten Reaktionen auf sich verändernde Lebensraumver-hältnisse. Aus diesem Grunde, und weil die Art in dem Bereich, in dem starke Ver-änderungen des Grundwasserflurabstandes prognostiziert sind, in großer Verbreitungvorkommt, ist vor allem die Kiefer als Zeiger für auftretenden Pflanzenstress im vorlie-genden Falle besonders geeignet.

Ein weiterer Begriff, der in diesem Zusammenhang in der fernerkundlichen Lite-ratur weite Verbreitung findet, ist die Pflanzenvitalität. Hierunter wird der durch Ge-sundheit und Wüchsigkeit eines Baumes gekennzeichnete Zustand als Ergebnis dergenetischen Veranlagung (Grad der Zähigkeit einer Art oder Population im Ertragender Umweltfaktoren) und der Standortbedingungen (Klima, Boden, biotische Umwelt)verstanden.

22

3.2 Grundlagen der hyperspektralen Fernerkundung

3.2 Grundlagen der hyperspektralen Fernerkundung

Unter Fernerkundung versteht man ein Verfahren, bei dem der physikalische Zustandder Erdoberfläche gemessen wird. Hierbei befindet sich das Messgerät in einiger Ent-fernung vom Ort der Messung. Die vom Objekt reflektierte oder emittierte elektroma-gnetische Strahlung bildet dabei die zu messende Größe. Weiterhin werden als Fern-erkundungssensoren nur solche Empfangseinrichtungen verstanden, die in Luft oderRaumfahrzeugen mitgeführt werden und die zur Beobachtung der Erdoberfläche mitallen darauf befindlichen Objekten, der Meeresoberfläche oder der Atmosphäre die-nen [ALBERTZ, 2001].

Abbildung 3.3: Elektromagnetisches Spektrum; Den Wellenlängenbereichen ist die Strah-lungsenergie und die atmosphärische Durchlässigkeit gegenübergestellt [AL-BERTZ, 2001].

Die wichtigste und mit Abstand energiereichste natürliche Strahlungsquelle, dieauf der Erde wirkt, ist die Sonne, die über einen großen Wellenlängenbereich kontinu-ierlich elektromagnetische Strahlung aussendet.

Die Methoden der Fernerkundung können nicht das gesamte Wellenlängenspek-trum nutzen, sondern sind durch die Durchlässigkeit der Erdatmosphäre eingeschränkt.Die Ursache dafür ist, dass aufgrund atmosphärischer Absortion ein signifikanter Teilder eintreffenden Energie an atmosphärische Bestandteile abgegeben wird. Die wich-tigsten atmosphärischen Absorber für die Sonnenstrahlung sind Wasserdampf, Koh-

23


lendioxid und Ozon (Spurengase). Weil diese Stoffe die Strahlung vornehmlich in be-stimmten Wellenlängen absorbieren, beeinflussen sie die Wellenlängen, in denen fer-nerkundliche Systeme arbeiten, erheblich. Für Fernerkundungsverfahren werden da-her vor allem die Wellenlängen des sichtbaren Lichtes, des nahen Infrarot und der Mi-krowellen genutzt. In anderen Bereichen muß man sich auf schmale sog. atmosphär-ische Fenster beschränken. Insbesondere für die Strahlung des ultravioletten Lichtssowie des mittleren und fernen Infrarot ist die Atmosphäre nahezu undurchlässig (Abb.3.3, Mitte). Die Sensitivität des menschlichen Auges ist sowohl auf ein atmosphäri-sches Fenster als auch auf die maximale Emission der Sonne (Kapitel 3.4) ausgerich-tet. Von der Erdoberfläche emittierte Wärmestrahlung kann besonders in den atmo-sphärischen Fenstern zwischen 8 und 14 µm und auch zwischen 3 und 5 µm detektiertwerden.Für die Mikrowellenfernerkundung (Wellenlängen zwischen einem Millimeter und ei-nem Meter) gilt, dass die natürliche Strahlung sehr klein ist, sodass in erster Linieaktive Sensoren zum Einsatz kommen (RADAR).

Neben der Absorption durch Spurengase wird die Strahlung durch Streuung in derAtmosphäre beeinflusst. Dabei werden zwei unterschiedliche Streuungsmechanismenunterschieden. Der erste ist die sogenannte Rayleigh-Streuung. Sie tritt auf, wenn dieStrahlung mit Partikeln interagiert, die deutlich kleiner sind als die Wellenlänge derStrahlung selbst. Weil die Rayleigh-Streuung σ nach Gleichung 3.1 umgekehrt propor-tional zur vierten Potenz der Wellenlänge λ ist, ist die Tendenz zu solchen Streuungs-mechanismen bei kürzeren Wellenlängen größer als bei längeren.

σ =1

λ4(3.1)

Dieser Mechanismus ist die Ursache dafür, dass der Himmel von der Erdober-fläche aus blau erscheint. Würden die streuenden Partikel fehlen, wäre der Himmelschwarz. Weil die Strahlung und die Partikel in der Atmosphäre aber in Interaktion tre-ten, wird das blaue Licht stärker gestreut als die anderen Bestandteile des sichtbarenTeils des elektromagnetischen Spektrums und zeigt sich dem Betrachter deshalb inblauer Farbe. Beim Sonnenaufgang und -untergang ist der Weg durch die Atmosphärelänger. Die Streuung kurzer Wellenlängen ist dabei so stark, dass man nur noch dieweniger gestreuten Bestandteile des längerwelligen (rot) Lichts sehen kann. In Ferner-kundungsdaten führt die Rayleigh-Streuung häufig zu einem blau-grauen Schleier, derdas eigentliche Signal überlagert.

Der zweite wichtige Streuungsmechanismus ist die so genannte Mie-Streuung.Sie tritt an atmosphärischen Partikeln auf, die in etwa die gleiche Größe wie die Wellen-länge der einfallenden Strahlung haben. Die Hauptursachen sind Wasserdampf oderDunst. Deshalb tritt die Mie-Streuung vornehmlich bei bedeckten Wetterlagen auf.

24

3.3 Hyperspektrale Fernerkundungssensoren

3.3 Hyperspektrale Fernerkundungssensoren

Abbildende Spektrometer sind Instrumente, die Daten der Oberfläche in vielen (über40), schmalen und kontinuierlichen (benachbarten und nicht überlappenden) spektra-len Bändern aufzeichnen. Dies ermöglicht auf Pixelbasis einen direkten Vergleich mitSpektren, die im Labor oder Gelände gemessen wurden. Im englischen Sprachraumhaben sich für diesen Zweig der Fernerkundung unterschiedliche Namen etabliert. Diewichtigsten dabei sind „imaging spectrometry“, „imaging spectroscopy“ oder auch „hy-perspectral remote sensing“. Obwohl die Begriffe wörtlich übersetzt unterschiedlicheBedeutungen besitzen (z.B. spectroscopy = Betrachtung, spectrometry = Messung,hyperspectral = (zu) viele Bänder), werden sie in der fernerkundlichen Literatur syn-onym mit der folgenden Bedeutung verwendet: Die Aufnahme von Bildern in vielen, re-gistrierten, kontinuierlichen spektralen Bändern, sodass es für jedes Bildelement mög-lich wird, ein komplettes Reflexionsspektrum abzuleiten (aus dem englischen übersetztnach: [GOETZ,1992]) ( Abb.: 3.4).

Abbildung 3.4: Aufnahmeprinzip eines abbildenden Spektrometers. Verändert nach[CSIRO, HOMEPAGE].

Einige wichtige sich derzeit im operationellen Einsatz befindliche flugzeuggetrage-ne Systeme sind z.B. AVIRIS [GREEN, ET. AL., 1988], DAIS [COLLINS ET.AL., 1990,CHANG, ET. AL., 1993], Probe-1 [ESSI, 2002] oder HyMap [COCKS, 1999]. Als Wei-terentwicklung des HyMap Sensors steht voraussichtlich ab dem Sommer 2006 derSensor ARES zur Verfügung [KAUFMANN ET.AL., 2003]. Das einzige sich im opera-tionellen Einsatz befindliche hyperspektrale Satellitensystem ist derzeit das HyperionInstrument an Bord des EO-1 Satelliten [PAINTER, 2002, UNGAR, 2003]. In Planung

25


befindet sich darüber hinaus der satellitengetragene Sensor EnMAP, der voraussicht-lich im Jahr 2009 gestartet werden soll [HOFER ET.AL., 2004]. Eine Übersicht überverfügbare flugzeug- und satellitengetragene Systeme gibt z.B. [KRAMER, 2001].

Das Ziel der abbildenden Spektrometrie ist es, mit Hilfe von kalibrierten Spektren,die Reflexion des Systems Erde, aufgesplittet in kontinuierliche spektrale Bandbreiten,quantitativ zu messen. Diese Messungen bedienen sich spektralen Signaturen vonEnergie, Molekularstrukturen und Streuungen in den gemessenen Spektren. Die An-wendungsgebiete dieser Technik sind weit gestreut und beinhalten z.B. Fragestellun-gen aus den Bereichen der Atmosphärenforschung, Pflanzenökologie, Geologie undBodenkunde, Hydrologie und anderen [VAN DER MEER AND DE JONG, 2001].

3.4 Physikalische Grundlagen der Spektrometrie

Jeder Körper befindet sich in ständiger Interaktion mit seiner Umgebung, indem erStrahlung von ihr aufnimmt und an sie abgibt. Auf den objekt- bzw. materialspezifi-schen Eigenschaften der Körper (Kapitel 3.5) beruht die gesamte Fernerkundung [AL-BERTZ, 2001].Die elektromagnetische Strahlung, die auf einen Körper trifft, wird zu einem Teil an sei-ner Oberfläche reflektiert, ein weiterer Teil wird absorbiert und der Rest durchdringt denKörper (wird transmittiert). Wenn sich der betreffende Körper im thermodynamischenGleichgewicht befindet, gibt der Energieerhaltungssatz vor, dass die Summe dieserBestandteile gleich der ankommenden Gesamtstrahlung sein muss, sodass gilt:

Ee (λ) = Er (λ) + Ea (λ) + Et (λ) (3.2)

mit: Ee (λ) = einfallender Strahlungsfluss der Einheit[

Wm2µm

],

Er (λ) = vom Körper reflektierter Strahlungsfluss,Ea (λ) = vom Körper absorbierter Strahlungsfluss,Et (λ) = vom Körper transmittierter Strahlungsfluss,λ = kennzeichnet die Wellenlängenabhängigkeit der jeweiligen Größe.

Wird die Gleichung 3.2 durch den einfallenden Strahlungsfluss dividiert, erhältman den spektralen Energieerhaltungssatz (Gleichung 3.3), nach dem die Summe ausReflexionsgrad, Absorptionsgrad und Transmissionsgrad gleich eins ist:

ρ (λ) + α (λ) + τ (λ) = 1 (3.3)

mit: ρ (λ) = spektraler Reflexionsgrad,α (λ) = spektraler Absorptionsgrad,τ (λ) = spektraler Absorptionsgrad.

26


Wenn elektromagnetische Strahlung mit der Oberfläche, auf die sie auftrifft, inter-agiert wird die Strahlung bestimmter Wellenlängen von dieser Oberfläche absorbiert,während andere Wellenlängen von der Substanz transmittiert werden. So reflektiertz.B. Schnee das sichtbare Licht sehr stark, während er sich im Thermalbereich na-hezu wie ein schwarzer Körper verhält. Deshalb werden die Faktoren Emissionsgradε und Reflexion Φ mit der Wellenlänge in Verbindung gebracht und in den spektralenGrößen ε(λ) und Φ(λ) zum Ausdruck gebracht. Daraufhin wird die Reflexion definiertals das Verhältnis der Intensität der Strahlung, die reflektiert wird, zur gesamten elek-tromagnetischen Strahlung, die auf die Oberfläche auftrifft.

Das Kirchhoffsche Gesetz bezieht den spektralen Emissionsgrad ε (λ) eines Kör-pers auf seine Reflexionseigenschaften. Danach gilt für jeden opaken Körper (τ (λ) =

0) im thermodynamischen Gleichgewicht wegen α (λ) = ε (λ):

ε (λ) = 1− ρ (λ) (3.4)

Dies besagt, dass bei jeder Wellenlänge das von einem Körper empfangene Sig-nal aus der von ihm reflektierten und emittierten Strahlung zusammengesetzt ist.

Jeder Körper mit einer Temperatur größer 0 K gibt Energie in Form von elektoma-gnetischer Strahlung ab (emittiert Strahlung). Der Energieinhalt eines Lichtquantumsist proportional zur Wellenlänge der Strahlung und wird durch die Plancksche Quan-tentheorie definiert nach:

λ =c

ν(3.5)

E =h× c

λ(3.6)

mit: λ = Wellenlänge [m],ν = Frequenz [Hz],c = Lichtgeschwindigkeit

[ms

],

E = Energie [J],h = Plancksches Wirkungsquantum [J × s].

Damit ist die Energie eines Lichtquantums proportional zu dessen Frequenz undumgekehrt proportional zu seiner Wellenlänge.

Die Hauptenergiequelle für die Methoden der passiven (nicht thermalen) Ferner-kundung ist die Sonne. Die abgegebene Energie eines strahlenden Körpers wie derSonne mit ihrer mittleren Oberflächentemperatur von ca. 5800 Kelvin ist proportionalder Temperatur und wird laut dem Stefan-Boltzmann-Gesetz wie folgt beschrieben:

27


E = b× T 4 (3.7)

mit: E = Gesamtstrahlung [Wm−2],b = Stefan-Boltzmann-Konstante [Wm−2K−4],T = absolute Temperatur [K].

Die Sonne hat nach dem Stefan-Boltzmann-Gesetz in Verbindung mit demWien’schen Verschiebungsgesetz (Gleichung 3.8) ein Emissionsmaximum bei 0,5 µm.Insgesamt liegt die Wellenlänge der von der Sonne abgestrahlten Energie zwischen0,1 µm und 50 µm. Die Erde gibt aufgrund ihrer geringeren Oberflächentemperaturerst Strahlung ab ca. 3 µm ab und erreicht ihre maximale Emission zwischen 10 und12 µm (Abb.: 3.5). Der Einfluss der Eigenstrahlung der Erde gewinnt also erst bei Me-thoden der thermalen Fernerkundung an Bedeutung.

λmaxT = w (3.8)

mit λmax = Wellenlänge an der die maximale Ausstrahlung erreicht wird,T = Temperatur [K],w = Wien’sche Konstante (2, 898× 10−3K ×m).

Abbildung 3.5: Spektrale Verteilung der Energie, die ein schwarzer Körper bei unterschiedli-chen Temperaturen abgibt [LILLESAND ET. AL. 1999].

Optische Sensoren sind zur Messung der spektralen Radianz konstruiert. Unterspektraler Radianz versteht man die Energie des Photonenflusses, die mit einer be-stimmten mittleren Wellenlänge und in bestimmtem Winkel auf eine Oberfläche trifft.

28


Die Radianz wird im Sensor gemessen, indem die Fotoelektronen, die am Sensor auf-treffen gezählt, werden. Mathematisch kann dieser Vorgang nach Gleichung 3.9 wiefolgt beschrieben werden:

L =1

cosθ× d2Φ

dAd~ω=

hc

cosθ

∞∫

x=0

{d3nλ

d~ωdAdt

}1

λdλ (3.9)

mit: L = Radianz [w ×m−2 × sr−1],Φ = Energie des Photonenflusses,θ = Winkel zwischen der Normalen zur Oberfläche

und der einfallenden Strahlung,A = Fläche [m2],~ω = Raumwinkel [Steradian, sr].

29


3.5 Spektrale Eigenschaften von Landoberflächen

Die Reflexionseigenschaften einer Oberfläche sind von den Materialeigenschaften ab-hängig. Dazu gehören vor allem die chemische Zusammensetzung, physikalische Ei-genschaften wie zum Beispiel die Feuchtigkeit oder die Oberflächenbeschaffenheit(z.B. Rauhigkeit) und die geometrischen Verhältnisse in denen die Strahlung auf dieOberfläche auftrifft (Zenit- und Azimutwinkel der Sonne).

Spiegelnde Reflexion ist besonders an Oberflächen zu finden, deren Rauhigkeitim Vergleich zur Wellenlänge klein ist. Bei ihr ist der Einfallswinkel ε gleich dem Aus-fallswinkel ε′ (ε = ε′). Rauhere Oberflächen reflektieren die Strahlung in diffuser Refle-xion. Der Idealfall einer diffusen Reflexion ist eine Lambertsche Oberfläche, bei der dieStrahlung in alle Richtungen gleichmäßig zurückgeworfen wird. Die gemischte Formaus diffuser und spiegelnder Reflexion ist die Reflexionsform, die die meisten natürli-chen Objekte auf der Erdoberfläche besitzen (Abb.: 3.6).

Abbildung 3.6: Reflexionseigenschaften verschiedener Oberflächen [LILLESAND ET. AL.1999].

Die Materialeigenschaften des Oberflächenobjektes werden molekular durch ih-re chemische Zusammensetzung und durch die Elektronenübergangs- und Ladungs-transferprozesse (z.B. Veränderungen im energetischen Zustand von Elektronenbin-dungen) bestimmt [HUNT, 1977]. Diese Prozesse beeinflussen erheblich die Wellen-länge des zu diagnostizierenden spektralen Absorptionsmerkmals eines Oberflächen-bestandteils im sichtbaren Licht und nahen Infrarot. Während in H2O-Molekülen undOH−-Anionen Grund- und Oberton-Schwingungen auftreten, deren Frequenz von derStärke der Molekülbindungen und dem Gewicht eines jeden Elementes im Molekülabhängt und die zu schmalen Absorptionsbanden im längerwelligen (IR) Bereich füh-ren, bewirken Elektronenübergänge breitbandige Absorptionsmerkmale, die größereEnergiemengen bedürfen als die Schwingungsprozesse und demnach vornehmlich inkürzeren Wellenlängen zu finden sind [GOETZ,1992].

30


Die Abbildung 3.7 zeigt einige Spektren unterschiedlicher natürlicher und künst-licher Oberflächen. Während die nicht-organischen Oberflächenbedeckungen Sand,Gneis und Beton einen geradlinig bis konvexen Verlauf der Reflexionskurve mit nur we-nigen eindeutigen spektralen Merkmalen zeigen, sind die Vegetationsspektren durchihren typischen Verlauf geprägt, der sich insbesondere durch den steilen Anstieg imBereich von 0.7 µm charakterisiert.In Mineralien und Gesteinen wird Lage, Form, Tiefe, Breite und Asymetrie der spektra-len Merkmale besonders durch die Kristallstruktur bestimmt, in der der absorbierendeStoff enthalten, ist sowie durch die chemische Struktur der Minerale. Hier können spek-tral charakterisierende Merkmale direkt der mineralogischen Zusammensetzung zuge-ordnet werden [VAN DER MEER AND DE JONG, 2001]. Zusätzlich ist die Ausprägungdieser Merkmale auch abhängig von der Korn- bzw. Partikelgröße.

Abbildung 3.7: Reflexionskurven unterschiedlicher künstlicher und natürlicher Oberflächen.Quelle der Spektren: USGS- und JPL- Spektralbibliotheken.

Spektrale Untersuchungen der Vegetation beschränken sich im Allgemeinen aufden grünen Teil der Pflanze, wie die Blätter oder Nadeln, und lassen die trockenenAnteile, wie z.B. das Holz des Stammes, der Äste und Zweige, weitestgehend außerAcht [GATES ET.AL, 1965].

Ein besonderes Vegetationsmerkmal ist die niedrige Reflexion im sichtbaren Lichtund eine starke Reflexion im nahen Infrarotbereich des elektromagnetischen Spek-trums, was insbesondere auf den Blattaufbau zurückzuführen ist. Die auf das Blatt

31


auftreffende Strahlung gelangt, durch die obere Epidermis gestreut und fast ohne re-flektiert zu werden, in das Innere des Blattes und trifft dort auf das Mesophyll. Das Me-sophyll unterteilt sich in zwei Schichten, nämlich das Palisadenparenchym, welches ca.80% der gesamten Chloroplasten enthält und das Schwammparenchym, welches ausgroßen luftgefüllten Zellen besteht [KRONBERG, 1985]. Die Interaktion zwischen dereinfallenden Strahlungsenergie und dem Blattgefüge ist wellenlängenabhängig [AN-HUF, 1997].

Für den Prozess der Photosynthese, bei dem organische Masse produziert wird,benötigt die Vegetation Lichtenergie im Wellenlängenbereich des sichtbaren Lichtes.Die in den Pallisadenzellen des Mesophylls vorhandenen Chloroplasten absorbierenzwischen 70% und 90% der Lichtenergie im blauen und roten Bereich des elektro-magnetischen Spektrums. Dieser Photosyntheseprozess ist für den Lebenszyklus derPflanze verantwortlich und wandelt energiearmes Kohlendioxid (CO2) zusammen mitWasser (H2O) und der absorbierten Energie in Kohlenhydrate (besonders Glucose)und Sauerstoff um. Die Bruttoreaktionsgleichung des Photosyntheseprozesses lässtsich vereinfacht mit Gleichung 3.10 formulieren:

6 CO2 + 6 H2OEnergie−→ C6H12O6 + 6 O2 (3.10)

Die Absorptionseigenschaften von Pflanzen im Bereich des sichtbaren Lichts werdendominiert von den photosynthetisch aktiven Pigmenten (siehe auch Abbildung: 3.8 undTabelle 3.2) von denen das an den Chloroplasten angelagerte Chlorophyll das spektralbedeutendste ist und in seinen beiden wichtigsten Ausprägungen Chlorophyll a und bAbsorptionsbande bei 0.66 und 0.68 µm hervorruft.

Abbildung 3.8: Reflexionskurven der wichtigsten Pigmente und Blattinhaltsstoffe[STRASBURGER, 1991].

32


Andere Ausprägungen des Chlorophylls, wie z.B. das Chlorophyll c + d oder dasBakteriochlorophyll a - g haben spektral keine Auswirkungen. Das menschliche Au-ge sieht die gesunde Vegetation deshalb als grün, weil insbesondere das rote undblaue Licht aufgrund der Absorptionsmerkmale des Chlorophyll stark absorbiert wer-den, während das Grüne an der Oberfläche reflektiert wird. Außerdem wird das Ab-sorptionsverhalten im sichtbaren Bereich des Spektrums durch weitere Pigmente wiedie Zellulose, das Xantophyll und das β-Karotin bestimmt.

Tabelle 3.2: Wichtige Absorptionsmerkmale einiger Blattinhaltsstoffe, Werte nach [BACH,1995, VAN DER MEER AND DE JONG, 2001, ELVIDGE, 1990].

Substanz Absorptionsmerkmal bei [µm]Chlorophyll a 0.66Chlorophyll b 0.68β-Karotin 0.48gebundenes Wasser 1.4 und 1.9ungebundenes Wasser 0.97, 1.20 und 1.77Cellulose 1.22, 1.48, 1.93, 2.28, 2.34 und 2.48Lignin 1.45, 1.68, 1.93, 2.05-2.14, 2.27, 2.33, 2.38 und 2.50Stärke 0.99, 1.22, 1.32, 1.45, 1.56, 1.70, 1.93, 2.10 und 2.48Proteine 1.50, 1.68, 1.74, 1.94, 2.05, 2.17, 2.29 und 2.47

Allgemein zeigen die Zellen der Pflanze eine starke Reflexion im nahen Infrarot,die durch die Struktur der Zellwände und Organellen hervorgerufen wird. Sie verfügenüber eine glatte Oberfläche und ihre Dicke entspricht in etwa der Wellenlänge desLichtes im nahen Infrarot (ca. 1 µm). Hierbei kommt es verstärkt zu Totalreflexion anden Grenzschichten der Zellorganellen und der Zellwände. Bei Wellenlängen zwischen0.7 und 1.3 µm reflektiert die Blattoberfläche deshalb 40 - 50 % der Strahlungsenergie,die auf sie trifft. Das meiste der übrigen Strahlung dieser Wellenlänge wird transmittiert.Die Absorption ist minimal.Jeweils ein Spektrum einer trockenen und einer grünen Pflanzenoberfläche zusammenmit den in diesem und den folgenden Abschnitten erläuterten Einflussfaktoren auf dieReflexion in der jeweilige Wellenlänge gibt zusammenfassend die Abbildung 3.9.

Die Pflanzenreflexion zwischen 0.7 und 1.3 µm ist besonders beeinflußt durch dieinnere Blattstruktur. Weil die Blattstruktur von Art zu Art sehr unterschiedlich ist, erlaubteine Betrachtung der Reflexionseigenschaften in diesem Wellenlängenbereich häufigeine Identifikation unterschiedlicher Pflanzenarten, sogar wenn diese für das mensch-liche Auge sehr ähnlich aussehen [LILLESAND ET. AL. 1999]. In Fernerkundungsda-ten nimmt der Reflexionswert in diesem Wellenlängenbereich mit der Anzahl der sichüberlagernden Blattschichten aufgrund des hohen Transmissionsgrades zu, bis bei un-gefähr acht sich überlagernden Blättern ein Reflexionsmaximum erreicht wird [BAUER,

33


Pigmente Zellstruktur Blattwassergehalt

WasserC

hlo

rophyll

a +

b

Chlo

rophyll

+ K

aro

tin

Lig

nin

+ Z

ellu

lose

Abbildung 3.9: Reflexionskurven von Pflanzen. Diese Abbildung veranschaulicht die Einfluss-faktoren auf das Reflexionsverhalten von Pflanzen [BACH, 1995].

1986].

Bei Wellenlängen über 1.3 µm wird die Strahlungsenergie entweder reflektiert oderabsorbiert. Die Transmission spielt praktisch keine Rolle mehr. Verminderungen derReflexion treten beispielsweise bei 1.4, 1.9 und 2.7 µm auf, weil dort das im Blatt ge-bundene Wasser stark absorbiert. Diesbezüglich werden diese Wellenlängen als Was-ser-Absorptionsbanden bezeichnet. Außerdem dominieren hier die organischen Be-standteile wie Zellulose, Lignin, Stärke und die Proteine das Absorptionsverhalten dergrünen Vegetation.

Die Abbildung 3.10 macht zusammenfassend deutlich, dass an den Chloroplastenblaues und rotes Licht absorbiert wird, während das Grüne reflektiert wird. Der Infra-rotanteil wird demgegenüber an den Grenzflächen der Zellen mehrfach gespiegelt unddadurch zu einem hohen Anteil reflektiert.

Wenn eine Pflanze einem Stressfaktor ausgesetzt ist, der das normale Wuchsver-halten oder die Primärproduktion unterbricht, werden die Mesophyll-Zellen des Blattes(Abb. 3.11) zerstört und es sinkt der Chlorophyllgehalt und damit die Photosynthese-tätigkeit in den Blättern oder sie wird gänzlich eingestellt [SABINS, 1996]. Spektral hatdies zur Folge, dass die Chlorophyllabsorption in den blauen und roten Wellenlängennachlässt und dadurch die Reflexion in diesen Bereichen ansteigt. Für das menschli-

34


Abbildung 3.10: Schematische Darstellung der Absorptions- und Reflexionsmechanismen ingrünen Blättern [ALBERTZ, 2001].

che Auge hat dieses Verhalten eine Gelbfärbung des Blattes zur Folge. Dadurch wirddurch eine Verminderung des Chlorophyllgehaltes im Spektrum eine Verlagerung desfür Vegetationsspektren typischen Reflexionsanstieges bei 0.7 µm, des sogenanntenred-edge, verursacht. Außerdem wird die starke Reflexion im Infrarotteil des Spek-trums durch eine Zerstörung des Schwammparenchyms vermindert. So bedingt eineVerminderung des Chlorophyllgehaltes eine Verlagerung des red-edge in Richtung desblauen Lichtes (eine genaue Betrachtung des red-edge findet sich in Kapitel 7). DieAbbildung 3.11 zeigt die Unterschiede im Zellverbund zwischen einem gesunden undeinem gestressten Blatt im mikroskopischen Bild.

Trockenem Pflanzenmaterial fehlen die intensiven Chlorophyll- und Wasserab-sorptionsbanden, wie z.B. das lokale Maximum bei ca. 0.55 µm (vgl. Abb.: 3.9), diefür grüne Vegetation typisch sind. Demgegenüber sind die Lignin- und Zelluloseab-sorptionen bei 2.09 und um 2.30 µm besonders charakteristisch ausgeprägt.

Die Reflexionseigenschaften von vegetationsbedeckten Oberflächen sind beson-ders geprägt durch den großen Einfluss der Aufnahmegeometrie und der hohen spek-tralen Vermischung, wenn sie mit Methoden der Fernerkundung und nicht mit Feld-oder Laborspektrometrie beobachtet werden. Die Aufnahmegeometrie umfasst denEinfallswinkel, den Reflexionswinkel und den Winkel zwischen dem einfallenden Licht

35


und dem Beobachter und steuert den Betrag des vom Betrachter empfangenen Lich-tes. Diese geometrischen Faktoren sind für Minerale vernachlässigbar, für Gesteineund Böden etwas bedeutsamer und für Vegetationsuntersuchungen von sehr großerBedeutung.

36


Abbildung 3.11: Mikroskopischer Blattquerschnitt durch ein gesundes (oben) und ein unterStresseinfluss stehendes Blatt (unten) [SABINS, 1996].

37


3.6 Spektrale und geometrische Eigenschaften

abbildender Spektrometer

Die Charakterisierung der abbildenden Eigenschaften eines Sensors erfolgt in derRegel in der Gegenstandsebene, was gewöhnlich der Erdoberfläche entspricht (Ab-bildung: 3.12). Einem einzelnen Bildpunkt wird dabei eine sogenannte Point-Spread-Function (Punktverwaschungsfunktion, PSF) oder daraus durch die zweidimensionaleGaußverteilung näherungsweise abgeleitet, der Instantaneous Field of View (instanta-ner Öffnungswinkel, IFOV) zugeordnet, der, auf den Boden projiziert, den sogenanntenGround Instantaneous Field of View (GIFOV) ergibt. Die von diesem Bereich ausge-hende Strahlung wird für einen Bildpunkt, entsprechend der PSF gemittelt, am Sen-sor empfangen. Die zentralen Pixel gehen dabei stärker in die Gewichtung ein als dieRandbereiche, sodass der Bodenabdruck eines Bildpunktes in der Realität nicht scharfabgegrenzt ist, sondern vielmehr eine elliptische Form haben kann.

Abbildung 3.12: Geometrische Eigenschaften abbildender Spektrometer [STROBL, 2000].

Das Gesichtsfeld des Sensors (Field of View, FOV) wird durch nebeneinander-liegende GIFOV‘s aufgespannt. Um Aliasingeffekte zu vermeiden, ist wegen der un-scharfen natürlichen Definition der Bildpunkte am Boden eine Überlappung der GI-FOV’s erforderlich. Dieses Oversampling am Boden beträgt in der Regel 20 % [STRO-BL, 2000].

Das so entstandene Bild der Oberfläche wird aus mehr oder weniger gleichartigen,runden bis elliptischen Beobachtungsflecken zusammengesetzt, die in der Regel in derdigitalen Bildbearbeitung als gleich große, quadratische Pixel dargestellt werden.

Die tatsächliche Größe eines Bodenelementes ergibt sich unter dieser Vorausset-

38

3.6 Spektrale und geometrische Eigenschaften abbildender Spektrometer

zung nach Gleichung 3.11 [ROTHFUSS, 1994].

GIFOVreal = IFOV ×Hagl (3.11)

mit: GIFOVreal = tatsächlich aufgenommene Größe eines Bodenpixels,IFOV = Instantaneous Field of View [mrad],Hagl = Height above Ground Level, Höhe über Grund.

Die spektralen Eigenschaften der Abtastung des Sensors sind prinzipiell mit de-nen der geometrischen Abtastung vergleichbar. Jeder Spektralkanal bildet dabei einesogenannte Spektrale Responsfunktion (SRF), durch die die Zentrumswellenlänge unddie Bandbreite des Sensors definiert werden. Durch die Aneinanderreihung aller SRF’swird die spektrale Abtastung des Sensors gewährleistet (vgl. Abbildung 3.13).

Abbildung 3.13: Spektrale Eigenschaften abbildender Spektrometer [STROBL, 2000].

Aus der Differenz der Zentrumswellenlängen zweier benachbarter Kanäle wirdder Kanalabstand (spectral sampling) abgeleitet. Zur Vermeidung von Aliasingeffek-ten muss auch hier ein Überlappungsbereich (spectral overlap) berücksichtigt werden,sodass der Kanalabstand nicht gleichzeitig der spektralen Auflösung entspricht. ZurDefinition des Auflösungsvermögens wird deshalb meist die spektrale Bandbreite an-gegeben, die durch die Breite der SRF bei halber Maximalhöhe (Full Width at HalfMaximum, FWHM) definiert ist.

39


3.7 Einsatz fernerkundlicher Methoden zur

Bestimmung forstlicher Parameter

Eine fernerkundliche Datenaufzeichnung ist eine Momentaufnahme der Oberflächedes Pflanzenbewuchses, die sich auf den Kronenzustand der Bäume konzentriert.Die sich z.B. auf den Waldboden, den Wasserhaushalt oder Parasitenbefall beziehen-den Faktoren (vergl. Kapitel: 3.1) können mit optischen Fernerkundungssensoren nichtoder nur unzulänglich direkt erfasst werden. Der Kronenzustand ist neben dem Brust-höhendurchmesser allerdings auch der wichtigste Kernpunkt der forstwissenschaftli-chen und forstwirtschaftlichen Bestandsaufnahme (Kapitel: 4.3.3.4).

Forstliche Anwendungen sind seit langem Gegenstand fernerkundlicher Auswer-teverfahren. Die ursprünglichen Fragestellungen lagen dabei in der Untersuchung derAbnahme der Flächen mit tropischer Regenwaldbedeckung mit Hilfe räumlich grob auf-lösenden Satellitensensoren wie z.B. Landsat MSS oder Landsat TM (z.B. [KUMMER,1992], [DEFRIES ET.AL., 1998], [RADELOFF ET.AL., 1997]). Diese Verfahren eignensich insbesondere zur Erkennung von Waldflächen auf großräumigen Untersuchungs-gebieten. Für die Fragestellungen, die in kleinräumigen Gebieten wie z.B. in Deutsch-land auftreten, waren diese Methoden und Sensoren aber immer aufgrund des hohenthematischen Detaillierungsgrades der Fragestellung und der geringen geometrischenAuflösung weniger geeignet. Die Fragestellungen, die zur Unterstützung der Waldin-ventur auftraten, verlangten nach anderen Methoden und Grundlagen, die parallel aufder Basis von Infrarot-Luftbildern entwickelt wurden, und die insbesondere texturel-le Parameter zur Unterstützung von Waldschadenserhebungen nutzen (z.B. [HUSS,1984] oder [HALBRITTER, 1981]). Die Kombination aus texturellen und spektralen Si-gnaturen zur Waldzustandserfassung beschreiben zum Beispiel [KENNEWEG ET.AL.,1991].

Ein weiterer Ansatz zur Ableitung detaillierter Waldzustandsparameter beruht aufder Auswertung spektral hochauflösender Fernerkundungsdaten, die zunächst durchlabor- oder feldspektrometrische Methoden gewonnen wurden. [SCHMUCK, 1986] zeig-te in seiner Arbeit, dass der Chlorophyllgehalt der Blätter oder Nadeln eines Baumesdirekt mit dem Zustand der Pflanze in Verbindung gebracht werden kann und dass derChlorophyllgehalt quantitativ mit Hilfe spektraler Messwerte bestimmt werden kann.Außerdem bestätigte [SCHMUCK, 1986] auch die Möglichkeit der Ableitung des Chlo-rophyllgehaltes aus Fernerkundungsdaten mit Hilfe eines 11 kanaligen flugzeugge-tragenen abbildenden Bendix-Scanners [HOFFMANN, 1983]. Weitere Grundlagen zurAbleitung von Pflanzenzuständen aus spektralen Informationen, gewonnen aus Labor-und Geländemessungen, lieferten z.B. [SCHMUCK, 1986] oder [CURRAN, 1989].

Diesen Arbeiten, die vornehmlich mit hochauflösenden Spektrometern auf Blatt-

40

3.7 Einsatz fernerkundlicher Methoden zur Bestimmung forstlicher Parameter

ebene durchgeführt wurden, folgten mit der Entwicklung erster einfacher geometrischund spektral hoch auflösender flugzeuggetragener Hyperspektralsensoren Arbeiten,die sich mit der Übertragung der Ergebnisse auf die Waldebene beschäftigten. DieseVerfahren, von z.B. [SCHMUCK, 1986] oder [KOCH, 1987], beschäftigten sich mit derchemischen Zusammensetzung der Waldoberfläche. Methodische Ansätze für dieseVerfahren sind z.B. die Verfahren der Spektralen Entmischung (z.B. [NIEMANN ET.AL.,2003]) (Kapitel 6.1) oder die Methoden, die durch Parametrisierung des Spektrumsden Pigmentgehalt (die wichtigsten Pigmente zur Interpretation des Waldzustandessind die unterschiedlichen Modifikationen des Chlorophyll oder das β -Karotin) der Ve-getationsoberfläche bestimmen (Kapitel 6.2).

41


42

4 Untersuchungsgebiet undDatengrundlage

Für das Verständnis der Problematik, die dieser Arbeit zugrunde liegt, ist es hilfreich,das Untersuchungsgebiet und seine klimatologischen, bodenkundlichen und ökologi-schen Gegebenheiten sowie dessen naturräumliche Einordnung zu kennen, deshalbbeschreibt dieses Kapitel in seinem ersten Teil (4.1) die jeweiligen Faktoren des Unter-suchungsgebietes.

Für die Arbeiten zur Datenvorverarbeitungen in Kapitel 5 und die thematischenAuswertungen in den Kapiteln 7 und 8 sind diverse Daten und Informationen notwen-dig, die im Zuge der Befliegung und Datenauswertung erfasst wurden. Um die thema-tischen Zusammenhänge bei der Beschreibung der Methoden nicht zu unterbrechen,beschreiben die weiteren Absätze (4.2, 4.3 und 4.4) dieses Kapitels die benötigtenReferenz- und Kontrolldaten sowie deren Aufnahme vorab.

4.1 Untersuchungsgebiet

Als Untersuchungsgebiet dient die Kirchheller Heide (Abbildung: 4.1). Es ist beeinflusstvon untertägigem Bergbau des Bergwerkes Prosper-Haniel der Deutschen SteinkohleAG und grenzt nördlich an das dichtbesiedelte Ruhrgebiet an. Das Untersuchungs-gebiet hat eine Grösse von ca. 100 km2 und ist identisch mit dem UVS-Gebiet desBergwerkes.

Das Grubenfeld des Bergwerkes umfasst eine Fläche von 165 km2, wovon 54,3km2 im mittleren aktiven Betriebsfeld und 68,5 km2 im nördlichen Reservebereich lie-gen. Der Steinkohlenvorrat des Bergwerkes beträgt ca. 330 Mio. t. Die Fördermengensehen laut Rahmenbetriebsplan des Bergwerkes 15.000 t Kraftwerkskohle pro Tag vor(3,5 Mio. t pro Jahr) (Auskunft der DSK, zitiert in [FISCHER, 2001]).Die Planungen für die Ausbeutung des Bergwerkes prognostizieren bis zum Jahr 2019bergbaubedingte Senkungsbewegungen von bis zu 11 m [ILS, 1999]. Zum Aufnahme-zeitpunkt im Jahr 2003 haben eigene GPS Messungen Senkungen bis zu 5 m ergeben.Dies entspricht einem halben Meter mehr als die in der UVS [ILS, 1999] für das Jahr

43

4 Untersuchungsgebiet und Datengrundlage

2004 prognostizierten Senkungen in Höhe von 4,5 m.

Abbildung 4.1: Geographische Lage des Untersuchungsgebietes Kirchheller Heide. Verklei-nertes Mosaik aus den Blättern L4306 und L4506 der Topographischen Kar-te 1:50.000 des Landesvermessungsamtes Nordrhein Westfalen. Das roteRechteck markiert das Untersuchungsgebiet.

44


4.1.1 Naturräumliche Einordnung

Naturräumlich ist das Gebiet den Niederrheinischen Sandplatten zuzuordnen. Im Nor-den und Osten grenzt das Gebiet an das Münsterland, im Süden an das Emscher-gebiet. Im Westen fällt das Gelände in die Dinslaker Rheinebene ab. Der Übergangzwischen dem süd-westlichen Münsterland und der östlichen Rheinebene ist charak-terisiert durch eine schwach reliefierte Geomorphologie. Das Gelände wird durch diegroßen, zusammenhängenden Reste der Hauptterrasse des Rheins geprägt, von de-nen im Untersuchungsgebiet der grösste Teil auf die Untereinheit Königshardter Haupt-terrassenplatten entfällt. Die östlichen Ausläufer des Gebietes werden von äolischenSandablagerungen gebildet. Im Norden schliesst sich die Untereinheit der Hünxe Gah-lener Wellen an, die maximal bei 50 m über dem Meeresspiegel liegen [LANDWIRT-SCHAFTSKAMMER WESTFALEN LIPPE, 1987, GELLERT, 1998].Ungefähr 40% der Fläche ist bedeckt von Wald, 50% werden landwirtschaftlich genutztund 10% stellen Infrastruktur und bebaute Flächen dar. Wegen des ländlichen Charak-ters besitzt das Gebiet mit seinen Badeseen, Reitpfaden u.ä. für die Bewohner desangrenzenden Ruhrgebietes eine große Bedeutung als Naherholungsgebiet.

4.1.2 Klima

Das Untersuchungsgebiet gehört dem nordwestdeutschen Klimabereich an und liegtim Übergangsbereich zwischen den Klimabezirken Niederrheinisches Tiefland undWestfälische Bucht. Der Raum ist mit kühlen Sommern und milden Wintern überwie-gend marin geprägt. Gelegentlich setzen sich kontinentale Einflüsse mit längeren Pha-sen hohen Luftdrucks durch, die im Sommer bei östlichen bzw. südöstlichen Winden zuhöheren Temperaturen führen. Im Winter führen diese Wetterlagen zu längeren Kälte-perioden [MINISTERIUM FÜR UMWELT, RAUMORDNUNG UND LANDWIRTSCHAFT, 1989].Das Kleinklima zeigt deutlich den Kontrast zwischen dem Einfluss des Ballungsgebie-tes, mit seinen städtischen und industriellen Strukturen, im Süden und dem ländlichgeprägten Raum im Norden. Dieser Übergang drückt sich in höheren Temperaturen imSüden und niedrigeren im Norden des Raumes aus.

4.1.3 Böden

Die unterschiedlichen geologischen Ausgangssubstrate in Verbindung mit anderen bo-denbildenden Faktoren führten im Untersuchungsgebiet zu einer Vielzahl von Bodenty-pen. So wechseln sich insbesondere terrestrische und semi-terrestrische Bodentypenab. Pseudogleye bildeten sich auf den gering durchlässigen Sedimenten des saaleeis-zeitlichen Geschiebelehms im Süden aus, da diese Substrate zu einem Aufstau des

45


Sickerwassers in Oberflächennähe neigen. Gleye sind in Gebieten mit oberflächen-nah anstehemdem Grundwasser, wie z.B. Auenbereichen und Quellaustritten, verbrei-tet [GELLERT, 1998].Auf den Sedimenten der Hauptterrasse und im Verbreitungsgebiet der Decksande tre-ten Podsole mit Übergängen zur Braunerde auf. Wo Kreidesande und Kreidemergelanstehen (Recklinghauser Sandmergel und Osterfelder Sande) sind fruchtbare Braun-erden zu finden [RUHRKOHLE AG, 1995].Stellenweise kommen im Untersuchungsgebiet Plaggenesche vor, die als anthropoge-ne Böden mit einer mächtigen Humusauflage auf in früherer Zeit betriebenen Ackerbauhinweisen [DWORSCHAK ET.AL., 1988].

4.1.4 Landnutzung

Das Untersuchungsgebiet ist geprägt durch sich abwechselnde land- und forstwirt-schaftlich genutzte Flächen, die im Westen von den Ortschaften Kirchhellen und Gra-fenwald als einzige Ortschaften mit dichterer Bebauung unterbrochen werden. Diewichtigsten, grösseren und zusammenhängenden Waldflächen sind der BruckhauserWald, Hiesfelder Wald, die Hohe Wart, der Hünxer Wald, Köllnischer Wald, Schläger-hardt und der Scholtenbusch. In diesen Waldflächen sind sowohl naturnahe Wälder alsauch Forsten standortfremder Gehölze zu finden [RUHRKOHLE AG, 1995]. Ökologischbesonders wertvoll sind die bachbegleitenden, naturnahen und z.T. durch Entwässe-rungsmaßnahmen degradierten Erlenwälder, die u.a. die Oberläufe vom Rotbach undSchwarzen Bach säumen [GELLERT, 1998].Die Staunässeböden sind traditionell besonders durch Grünland genutzt. Solche Flä-chen haben aber durch zunehmende Dränagemaßnahmen im Untersuchungsgebietimmer weiter zugunsten von ackerbaulich genutzten Flächen abgenommen. Angebautwerden besonders Getreide und Futtermais.Ausserdem findet in Teilen des Untersuchungsgebietes großflächig, vornehmlich in ei-nem Nord-Süd gerichteten Gürtel, westlich der Ortschaft Kirchhellen, die Förderungvon Sanden und Kiesen statt. Mit Aufgabe der Lagerstätten werden die Tagebaue ent-weder verfüllt oder bleiben als offene Wasserflächen zurück [RUHRKOHLE AG, 1995],die teilweise als Badeseen oder Fischteiche weitere Verwendung finden.

46


4.1.5 Hydrologie

Das Untersuchungsgebiet wird charakterisiert durch mehrere kleine Flachlandgewäs-ser, die sich durch ihren Verlauf in Wiesenmäandern auszeichnen. Die Entwässerungdes Gebietes erfolgt in die Flüsse Lippe, Emscher und Rhein. Der Hauptteil der Ent-wässerung erfolgt über den Rotbach und seine Nebenflüsse. Während sich der Ober-lauf des Rotbach noch weitestgehend in seinem natürlichen Zustand befindet, ist derUnterlauf mehr oder weniger stark anthropogen verändert und begradigt. Im Nordenfinden sich die Einzugsgebiete des Bruckhauser Mühlenbachs und des Gartroper Müh-lenbaches. Die südlichen Bereiche entwässern durch die Boye und ihre Nebenflüssein die Emscher. Die Quellen im Untersuchungsgebiet sind größtenteils Schichtquellen.Bei den Stillgewässern handelt es sich meist um Senkungsseen (z.B. Senkungsseean der B241) oder Gewässer, die durch den Abbau von Kiesen und Sanden enstan-den sind (Heidhofsee, Heidesee). Ausserdem kommen gelegentlich noch Fischteichevor [GELLERT, 1998].

47


4.2 Datengrundlage

4.2.1 HyMapTM-Daten

4.2.1.1 Technische Charakteristika des HyMapTM-Sensors

Das abbildende Spektrometer HyMapTM wurde von der Firma Integrated Spectronics(Sydney, Australien) entwickelt und gebaut. Es wird von der Firma HyVista operationellauf diversen Flugzeugplattformen betrieben. Das System wurde ursprünglich für An-wendungen in Geologie und Exploration entwickelt und kann durch seinen modularenAufbau vielen Anforderungen entsprechend konfiguriert werden [COCKS, 1999]. Dietechnischen Daten des Sensors sind im Einzelnen in Tabelle 4.1 dargestellt.Der HyMapTM-Sensor arbeitet nach dem Whiskbroom-Prinzip. Dabei werden die Da-ten quer zur Flugrichtung mit Hilfe eines rotierenden Spiegels mit zwei Facettenflächenüber einen Winkel von bis zu 70◦ aufgezeichnet. Die zweite Dimension ergibt sich durchdie Vorwärtsbewegung der Flugzeugplattform [Abb. 4.2].

Blau

SW

IR

Spektra

le B

ände

rLI

NSE

Lins

e/Pris

ma

Sca

n Spi

egel

Flu

grich

tun

g

Oberfläche

Abbildung 4.2: Schematische Darstellung der Funktionsweise eines Whiskbroom-Scanners.

Der Sensor ist aus vier Spektrometern aufgebaut, die in den Wellenlängenberei-chen VIS, NIR und SWIR (SWIR 1 + 2) mit jeweils 32 Kanälen aufzeichnen [siehe auchTabelle: 4.1]. Das Signal-Rausch-Verhältnis wird durch [COCKS, 1999] mit besser als500:1 angegeben und gilt als das Beste, was derzeit bei bildgebenden flugzeuggetra-genen hyperspektralen Sensoren zur Verfügung steht [HYVISTA]. Diese Informationenstammen aus Veröffentlichungen des Sensorbetreibers, unabhängige Untersuchungenzum Signal-Rausch-Verhältnis des Sensors sind dem Autor nicht bekannt.

48

4.2 Datengrundlage

Tabelle 4.1: Technische Eigenschaften des HyMapTM-Sensors, nach: [COCKS, 1999].Spektralbereiche VIS, NIR, SWIR, MIR, TIRAnzahl Kanäle 100 - 200spektrale Auflösung 0.01 - 0.02 µm

geometrische Auflösung 2 - 10 m (abhängig von der Flughöheund Fluggeschwindigkeit)

radiometrische Auflösung 16 bitÖffnungswinkel (Apertur) 60 - 70◦ (512 Pixel)tatsächlicher Öffnungswinkel (IFOV) 2.5 m in Flugrichtung

2.0 m quer zur FlugrichtungPfadbreite 2.3 km bei 5 m IFOV

4.6 km bei 10 m IFOVSignal-Rausch-Verhältnis besser als 500:1Flughöhen 2000 - 5000 m ü. NHNPlattform leichtes zwei-motoriges Flugzeug ohne

Druckkabine, wie z.B. Cessna 404 oder Do228Fluggeschwindigkeiten 110 - 180 Kts / ≈ 200 - 320 km/h

Die Sensorkalibrierung wurde jeweils vor der Befliegungskampagne durch das beimInstitut für Methodik der Fernerkundung beim DLR in Oberpfaffenhofen installierte Ka-librierlabor durchgeführt. Auch hier sind die Kalibrierparameter nicht veröffentlicht. DieMethodik der Kalibrierung flugzeuggetragener Hyperspektralsensoren kann insbeson-dere [STROBL, 2000] oder [STROBL ET. AL. 2003] entnommen werden.Um geometrische Verzerrungen zu minimieren, ist der Sensor auf einer dreiachsigenKreisel - Stabilisierungsplattform der Firma Zeiss-Jena (SM 2000) montiert. Die Platt-form ermöglicht eine Korrektur von Neigungs- und Rollbewegungen von ±5◦. Gierbe-wegungen können manuell durch den Operator des Systems bis zu einem Gierwinkelvon ±8◦ stabilisiert werden. Insgesamt ermöglicht das System einen geometrischenRestfehler im Nadirblick von maximal ±1◦ und vermindert die Einflüsse der Flugzeug-bewegung auf 1/10 bis 1/30 des unkorrigierten Wertes [COCKS, 1999].

Weil es sich bei HyMapTM um einen kommerziell entwickelten Sensor handelt, sindnähere Einzelheiten zum Konstruktionsprinzip, die eine Einschätzung beispielsweiseder geometrischen oder spektralen Genauigkeit zuliesen, nach der Kenntnis des Au-tors nicht veröffentlicht.

Die Daten der Befliegungen wurden vor der Auslieferung an die Kunden von derFirma HyVista Inc. in spektraler und geometrischer Hinsicht systemkorrigiert. Die Ver-fahren, die bei HyVista zu diesem Zweck angewendet werden, sind der wissenschaft-lichen Nutzergemeinde ebenfalls nicht zugänglich.

49


4.2.1.2 Charakteristika der HyMapTM Befliegungen

Die Basis für die in dieser Arbeit beschriebenen Untersuchungen bilden zwei Beflie-gungen des Untersuchungsgebietes Kirchheller Heide vom 24. August 2000 und 15.Juli 2003. Die Befliegungen erfolgten jeweils bei optimalen Wetterbedingungen undwurden aus Höhen zwischen 2100 und 2500 m ü. NHN durchgeführt, was in Verbin-dung mit dem IFOV des Sensors (Tab.: 4.1) zu einer Bodenauflösung der Rohdatenzwischen 5 und 6 Metern geführt hat (vgl. Kapitel 3.6). Im Zuge der geometrischenGrundkorrektur der Bilddaten, die der Sensorbetreiber HyVista vor der Auslieferung andie Kunden durchführt, ist eine geometrische Auflösung von 5 m errechnet worden.Eine detailierte Zusammenstellung der Befliegungsparameter gibt Tabelle 4.2.

Tabelle 4.2: Befliegungsparameter der HyMapTM-Befliegungen Kirchheller Heide in den Jah-ren 2000 und 2003.

2000 2003Datum 24.08.2000 15.07.2003Anzahl Streifen 7 5Anzahl Spektralkanäle 128 126Auflösung real [m] 5.41 × 4.33 6.06 × 5.08Auflösung resampled [m] 5 × 5 5 × 5Flughöhe (GPS Höhe) [m] ≈ 2164 ≈ 2422Fluggeschwindigkeit [m/s] ≈ 79.75 ≈ 83

Die Befliegung im Jahr 2000 wurde im Rahmen des von der Europäischen Uni-on geförderten Projektes MINEO durchgeführt. In diesem Projekt waren 7 nationalegeologische Dienste Europas und einige Partner aus der Montanindustrie beteiligt, umMethoden zur Ableitung der Umwelteinwirkungen des Bergbaus mit Hilfe hyperspektra-ler Fernerkundungsdaten zu entwickeln. Zu diesem Zwecke sind im Sommer des Jah-res 2000 sechs Testgebiete in verschiedenen Klimazonen Europas und in Grönlandbeflogen worden [CHEVREL ET.AL., 2001], [CHEVREL, 2003]. Die zweite Befliegungerfolgte im Jahr 2003 im Rahmen der Kampagne HyEurope 2003, finanziert durch dieDeutsche Steinkohle AG (DSK), und organisiert vom Deutschen Zentrum für Luft undRaumfahrt (DLR).

Im Zuge beider Befliegungskampagnen war der Sensor an Bord eines vom Deut-schen Zentrum für Luft und Raumfahrt betriebenen Trägerflugzeuges vom Typ Do 228montiert. Die Abbildung 4.3 zeigt das Trägerflugzeug und den SensorHyMapTM.

50

4.3 Referenzdatenaufnahme

Abbildung 4.3: HyMapTM-Sensor (links) und eine Dornier 228 des DLR, die während bei-der Befliegungskampagnen als Plattform für den Sensor gedient hat (rechts).(Photos: Tapani Tukiainen).


Zur Datenaufbereitung (Kapitel 5) und insbesondere zur Entwicklung ökologischer Aus-wertemethoden (Kapitel 7) ist es erforderlich, die Begebenheiten am Boden genau zukennen. Deshalb wurden, neben den flugzeuggetragenen Fernerkundungsdaten, imZeitraum der Befliegungen auch Referenzdaten direkt im Testgebiet aufgenommen.Thematisch kann die Bodenreferenzdatenkampagne in zwei Gruppen untergliedertwerden. Zum ersten wurden Daten gesammelt, die benötigt werden, um die in Ka-pitel 5.4 detailliert beschriebene radiometrische Korrektur und Atmosphärenkorrekturder Daten zu unterstützen.Der zweite thematische Schwerpunkt ist die Probennahme und die Durchführung vonSpektralmessungen, die dazu dienen, die Modellbildungen und thematischen Auswer-tungen zu unterstützen und die Ergebnisse zu bewerten (Kapitel 7).

4.3.1 Eingesetzte Spektrometer

Für die spektroradiometrischen Aufnahmen im Feld sind zwei unterschiedliche Feld-spektrometer benutzt worden. Solche Daten sind im weiteren Verlauf der Arbeit fürunterschiedliche Zwecke wichtig, insbesondere sind das die Aufnahme spektral un-vermischter Spektren am Boden zur Unterstützung der Atmosphärenkorrektur (Kapitel4.3.2.2) und die Entnahme spektraler Referenzen zur Modellbildung(Kapitel 4.3.3).

51


Die eingesetzten Spektrometer waren das GER Mark V IRIS (Abb. 4.4 links) derBundesanstalt für Geowissenschaften und Rohstoffe in Hannover (BGR), das im Zugeder Befliegung im Jahre 2000 für die Messung homogener Flächen zur Atmosphären-korrektur zum Einsatz kam. Das ASD FieldSpecPro FR (Abb. 4.4 rechts) des Geofor-schungszentrums Potsdam (GFZ) diente bei der Befliegung in 2000 für alle anderenMessungen. Für sämtliche Messungen im Rahmen der Befliegung des Jahres 2003kam das ASD FieldSpecPro FR Spektrometer des Institutes für Geotechnik und Mark-scheidewesen der TU Clausthal zum Einsatz. Eine zusammenfassende Beschreibungder technischen Daten der beiden Feldspektrometer gibt die Tabelle 4.3.

Abbildung 4.4: Die zur Referenzdatenaufnahme genutzten Feldspektrometer. (Links: GERMark V IRIS; Rechts: ASD Field Spec Pro FR)

Tabelle 4.3: Technische Eigenschaften der genutzten Feldspektrometer.FieldSpec Pro FR GER Marc V IRIS

Bandbreite [nm] 350 - 2500 300 - 3000Spectrale Auflösung [nm] 350 - 700 nm: 3 2, 4 oder 6

700 - 2500 nm: 10Anzahl Spektralkanäle 296 abhängig von der gewählten

spektralen BandbreiteAufnahmezeit 100 msec 10 secDetektoren 1 Si Photodiode 2 Si Photodioden

(350 - 1000 nm)2 InGaAs Photodioden 2 PbS Photodioden(1000-2500 nm)

52


4.3.2 Referenzdaten zur Atmosphärenkorrektur

Die Atmosphärenkorrektur hat im Zuge dieser Arbeit zwei Aufgaben. Zum einen istdas die Modellierung und Korrektur der Einflüsse, die durch Streuung durch atmos-phärische Bestandteile und Einstrahlungen von benachbarten Bildpunkten (adjacencyeffect) auf die am Sensor gemessene Strahlung einwirken. Zum anderen wird im Zugeder Atmosphärenkorrektur eine Umwandlung der am Sensor gemessenen Radianzenin Boden-Reflektanzen modelliert. Diese Atmosphärenkorrektur nutzt ein Luftfeuchtig-keits-Höhenprofil zur Modellierung der atmosphärischen Verhältnisse zum Zeitpunktdes Überfluges und die Spektren homogener Oberflächen zur Anpassung der Sensor-Kalibrierfiles. Eine genaue Beschreibung dieses Verfahrens und die Durchführung derKorrektur wird in Kapitel 5.4 gegeben.

4.3.2.1 Luftfeuchtigkeits-Höhenprofil

Im Zuge der Atmosphärenkorrektur ist der erste Schritt die Modellierung der atmosphä-rischen Verhältnisse zum Zeitpunkt des Überfluges. Hierzu nutzt das Modell ATCOR4,das in dieser Arbeit zur Atmosphärenkorrektur zum Einsatz kommt, den radiative Trans-fer Code MODTRAN4 [BERK, ET.AL., 1998]. Dem Anwender stehen in MODTRANdiverse Standard Atmosphären-Modelle zur Verfügung. Ausserdem bietet die Softwa-re dem Nutzer die Möglichkeit, durch Einsatz von Luftfeuchtigkeits-Höhenprofilen, diezum Zeitpunkt des Überfluges vorherrschenden atmosphärischen Bedingungen zu mo-dellieren (siehe auch Kapitel 5.4).

Weil der deutsche Wetterdienst (DWD) solche Höhenprofile täglich um 12 und 24Uhr mit Hilfe eines Radiosondenaufstieges an der Station Essen aufnimmt und somitsolche Daten zur Verfügung stehen, wurde diese Möglichkeit zur Vorverarbeitung dervorliegenden HyMapTM Daten genutzt. Die Station Essen des DWD liegt in einem länd-lich geprägten Bereich im Süden Essens in einer Entfernung zum Testgebiet von ca. 25km. Dieses Höhenprofil gibt in unregelmässigen Höhenschritten Werte für Temperatur,Luftdruck und Taupunkt bis in Höhen von normalerweise etwa 24 - 26 km an. Für dieBefliegung im Jahr 2000 reichte das Profil bis ca. 23.000 m, für 2003 wurden Daten zurVerfügung gestellt, die bis in eine Höhe von 31.000 m reichten. Die gemessenen DatenTaupunkt (Td), Temperatur (T ) und Luftdruck (P ) des Aufstieges vom 15.07.2003 zeigtdie Abbildung 4.5 (a).

MODTRAN sieht aber nicht die vom DWD gemessenen Werte als Eingangspa-rameter direkt vor, sondern benötigt zur Modellierung der atmosphärischen Gegeben-heiten Werte der absoluten Luftfeuchtigkeit. Diese können nach [HÄCKEL, 1999] mitHilfe der Gleichungen 4.1 und 4.2 sowie den gemessenen Werten für Taupunkt (Td),Temperatur (T ) und Luftdruck (P ) abgeschätzt werden.

53


(a)

+

(b)

Abbildung 4.5: (a) Wetterdaten (Taupunkt (∗), Temperatur (+) und Luftdruck (¦)), die im Rah-men des Radiosondenaufstieges zum Zeitpunkt der Befliegung am 15.07.2003um 12h an der Station Essen des Deutschen Wetterdienstes gemessenworden sind. (b) Die daraus abgeleiteten Produkte absolute Luftfeuchtigkeit(+) und relative Luftfeuchtigkeit (∗).

f =(

e

E

)(4.1)

a =0.793× e

1 + T273

(4.2)

mit: e = Partialdampfdruck, errechnet nach: e = 10

(8.233×Td+184.2

234.67+Td

),

E = Sättigungsdampfdruck, errechnet nach: E = 6.107× 10( 7.5×T273+T ),

f = relative Luftfeuchtigkeit,a = absolute Luftfeuchtigkeit,Td = Taupunkt,T = Temperatur.

Die Abbildung 4.5 (b) stellt die errechnete absolute Luftfeuchtigkeit (a) zusammenmit dem Zwischenprodukt der relativen Luftfeuchtigkeit (f ) im Höhenprofil dar.

54


4.3.2.2 Aufnahme spektral unvermischter Spektren am Boden

Zur Kontrolle der modellierten atmosphärischen Verhältnisse und deren Korrektur nutztdas Modul IFCALI des Programmpaketes ATCOR4 (vergl. Kapitel 5.4) am Boden auf-genommene Feldspektren von homogenen Bereichen der abgebildeten Oberfläche.Idealerweise haben diese Referenzflächen die Grösse mehrerer Bildpixel und liegenin etwa in der Mitte eines Flugstreifens. Zwingend müssen diese homogenen Bereicheaber ein vollständiges Bildpixel bedecken und im Fernerkundungsdatensatz wiederer-kennbar sein. Nur so können die spektralen Kurven der im Feld gemessenen Objekte,ohne Mischsignaturen berücksichtigen zu müssen, mit den ihnen entsprechenden ausden HyMapTM-Daten abgeleiteten verglichen werden.Weil eine Fläche, die genau der Fläche eines Pixels am Boden (GIFOV) entspricht nurim Idealfall von genau einem Bildpunkt abgebildet wird, normalerweise aber durch ih-re Lage im Gelände durch mehrere Pixel teilweise betrachtet wird, ist eine Größe derReferenzflächen von mindestens der doppelten Pixelgröße anzustreben.Für die vorliegende Konfiguration des Sensors entspricht dies einer Grösse von ca.10m× 10m. Sind diese Referenzflächen zu klein, kann der Vergleich durch die Bildungvon Mischsignaturen verfälscht werden.Die Lage der Referenzfläche in der Mitte des Flugstreifens (Nadir) ist deshalb anzu-streben, weil zum ersten die Nachbarschaftseffekte (vgl. Kapitel 5.4) für die Randbe-reiche der Flugstreifen aufgrund mangelnder Information der Geländeparameter nichtmodelliert werden können und vor allem, weil die Abbildungsleistungen des Sensorsim Nadirbereich am günstigsten sind (Kapitel 3.6).Ausserdem ist anzustreben, dass sowohl besonders helle als auch besonders dunkleFlächen als Referenzflächen zur Verfügung stehen. Der Grund dafür liegt in der ge-gebenen Möglichkeit der Modellierung der gesamten radiometrischen Auflösung desSensors (bei HyMapTM 16 bit).

Zu diesem Zweck sind zum Zeitpunkt des Überfluges die Reflexionseigenschaf-ten mehrerer homogener Flächen im Untersuchungsgebiet mit Feldspektrometern ge-messen worden. Als homogene Flächen dienten zum einen natürliche Oberflächenwie z.B. abgeerntete Felder, Rasenflächen, die Oberfläche von Maisfeldern, der ho-mogen mit Sand bedeckte Boden von Sandgruben, Wasserflächen oder zum anderenanthropogen geschaffene Flächen, wie z.B. das mit weiss eloxiertem Aluminium ge-deckte Flachdach einer Fabrikhalle (als besonders helle Referenzfläche), eine auf ei-nem Parkplatz ausgelegte schwarze Folie (Abb. 4.6), die als besonders dunkle Flächezu Korrektur dienen sollte, oder ein Tennisplatz.

55


Abbildung 4.6: Eine Referenzfläche und das dazugehörige Spektrum. Schwarze Folie als Bei-spiel für eine als homogene Referenzfläche aufgezeichnete Fläche (zum Zeit-punkt des Datenfluges unbeschattet, hier noch teilweise beschattet) und dasdazugehörige mit dem ASD Field Spec Pro FR aufgenommene Spektrum (ge-filtert).

4.3.3 Referenzdaten zur Unterstützung der thematischenAuswertung

Die thematische Auswertung zur Abschätzung des Pflanzenzustandes (siehe Kapitel7), bedarf der Kenntnis des Untersuchungsgebietes in ökologischer, hydrologischerund geometrischer Hinsicht. Zur spektralen Entmischung, die das Kapitel 7.1 näherbeschreibt, sind reine Spektren vonnöten, die als Endmember, die Grundlage der Be-rechnungen bilden und deren Entnahme in den Abschnitten 4.3.3.1 und 4.3.3.2 näherbeschrieben werden. Für die Ableitung des Pflanzenzustandes mit Hilfe parametrisier-ter Spektren (vgl. Kapitel 7.2) sind diese und einige andere Informationen erforderlich,die die Zustände am Boden beschreiben. Hierbei ist der wichtigste der Blattchlorophyll-gehalt, mit dem sich der Pflanzenzustand beschreiben lässt und der mit Hilfe spektralerInformation bestimmt werden kann (vgl. Kapitel 3.5). Die Waldzustandskartierung, dieder Abschnitt 4.3.3.4 beschreibt, dient vor allem der Kontrolle der erreichten Ergebnis-se der Auswertungen.

4.3.3.1 Spektralmessungen an Baumkronen

Zur Unterstützung der Auswertung von waldspezifischen Parametern und zur spek-tralen Entmischung sind am Tag nach der Befliegung weitere Spektren aufgezeichnetworden. Diese Spektren wurden mit Hilfe einer fahrbaren Hebebühne im Kronenbe-reich verschiedener Baumarten (Kiefern, Buchen, Eichen, Birken, Erlen) mit Hilfe desASD FieldSpec Pro FR aufgenommen. Insgesamt wurden an sechs Standorten rund180 Spektren dieser Arten gemessen.

56


Unter den so aufgenommenen Spektren sind sowohl spektrale Signaturen, die den ge-samten Ast- und Kronenbereich eines Baumes beschreiben, als auch solche, die ein-zelne Blätter beschreiben. Ausserdem wurden in diesem Zusammenhang die Spektrender Stämme und Äste der jeweiligen Art gemessen.

Abbildung 4.7: Spektralmessungen im Baum mit Hilfe einer fahrbaren Hebebühne und amBoden.

4.3.3.2 Messung von Spektralsignaturen einzelner Blätter

Neben den Reflexionsmessungen der Baumkronen unterschiedlicher Baumarten sindauch die Blätter und Nadeln dieser Baumarten spektrometrisch untersucht worden.Hierzu sind die Blätter aus dem Kronenbereich der Bäume geerntet und am Boden mitdem Feldspektrometer beprobt worden. Dabei wurde die ASD Contact Probe genutzt.Diese ContactProbe ist ein Vorsatz auf die ASD-Glasfaseroptik, der direkt mit der zubeprobenden Substanz in Berührung kommt und diese mit einer definierten Lichtquellebeleuchtet. Als Unterlage für diese Untersuchungen diente einheitlich eine handelsüb-liche mit weißem Kunststoff beschichtete Holzplatte.

4.3.3.3 Bestimmung des Blattchlorophyllgehaltes

Die im Gelände spektral untersuchten Blätter sind im Anschluss durch das Institut fürPflanzenernährung der Universität Hannover auf ihren Chlorophyllgehalt hin untersuchtworden. Diese Information ist erforderlich, um insbesondere in Kapitel 7.2 ein Modellzu entwickeln, mit dem der Chlorophyllgehalt mit Hilfe spektraler Signaturen modelliertwerden kann. Hierzu sind die Blätter, um Veränderungen in Blattstruktur und Pigment-gehalt zu vermeiden, bereits im Gelände in Aluminiumfolie verpackt und in flüssigemStickstoff eingefroren worden. Im Labor wieder aufgetaut, wurden die Proben mit Hilfe

57


der Extinktionsmessung analog der Beschreibungen von [MORAN ET.AL., 1982] aufihren Chlorophyllgehalt hin untersucht .

Zur Bestimmung des Chlorophyllgehaltes im Labor wird dazu das Chlorophyll ei-nes Teils der Probe (Tabelle 4.4, Einwaage) in N,N-Dimethylformamid (DMF) extrahiert.Die Umwandlung in die acidischen Derivate des Chlrophylls geschieht durch Ansäue-rung mit Salzsäure (HCl). An dieser Lösung wird daran anschliessend die Absorptionan den Wellenlängen 647 nm und 664 nm gemessen, woraus, dem Vorgehen von [MO-RAN ET.AL., 1982] folgend, der Extinktionskoeffizient (SEC) für jede Wellenlänge be-rechnet wird (Tabelle 4.4, E664 und E647). Mit Hilfe dieser Messungen wird der Gehaltan Chlorophyll a und b nach den Gleichungen 4.3 und 4.4 empirisch bestimmt.

Chl a =12.64× SEC664 − 2.99× SEC647

1000(4.3)

Chl b =−5.6× SEC664 + 23.26× SEC647

1000(4.4)

Der Gesamtchlorophyllgehalt ergibt sich analog nach Gleichung 4.5:

Chl t =7.04× SEC664 + 20.27× SEC647

1000(4.5)

mit: Chl a = Gehalt an Chlorophyll a in der Trockenmasse [mg/g],Chl b = Gehalt an Chlorophyll b in der Trockenmasse [mg/g],Chl t = Gesamtchlorophyllgehalt in der Trockenmasse [mg/g],

SEC647 = Extinktionskoeffizient bei 647 nm,SEC664 = Extinktionskoeffizient bei 664 nm.

Die Ergebnisse der Chlorophyll-Labor-Untersuchungen zeigt die Tabelle 4.4, wo-bei die jeweiligen Chlorophyllgehalte in der Lösung (Chll) aus den Chlorophyllgehaltenin der Trockenmasse (Chld) unter Kenntnis der Dichte (ρ) nach Gleichung 4.6 bestimmtwerden können:

Chld × ρ = Chll (4.6)

58


Tabelle 4.4: Ergebnisse der Laboruntersuchungen am Institut für Pflanzenernährung der Uni-versität Hannover zur Bestimmung des Blattchlorophyllgehaltes. E = Extinktions-wert bei der jeweils angegebenen Wellenlänge, Chl = Gehalt an Chlorophyll derjeweiligen Modifikation (a bzw. b) in der Lösung (mg/l) und in der Trockenmasse(mg/g).

Proben-

Nr.

Einwaage

(g)

Verdün-

nungsfaktor

E 664 E 647 Chl a

(mg/l)

Chl b

(mg/l)

Chl a

(mg/g)

Chl b

(mg/g)

Baumart

2 0,425 10 0,265 0,129 56,526 26,448 1,663 0,778 Buche

3 0,562 5 0,311 0,147 33,270 14,639 0,740 0,326 Eiche

4 0,579 5 0,381 0,178 40,806 17,515 0,881 0,378 Kiefer

5 0,540 10 0,423 0,196 90,682 38,242 2,099 0,885 Birke

6 0,573 10 0,324 0,152 69,373 30,042 1,513 0,655 Birke

7 0,561 5 0,264 0,121 28,328 11,668 0,631 0,260 Buche

8 0,573 10 0,340 0,161 72,730 32,125 1,587 0,701 Eiche

9 0,566 10 0,326 0,154 69,752 30,654 1,540 0,677 Eiche

10 0,596 10 0,265 0,129 56,526 26,448 1,186 0,555 Kiefer

11 0,597 1 0,251 0,210 4,952 6,026 0,104 0,126 Kiefer

12 0,573 10 0,263 0,132 55,917 27,842 1,220 0,607 Kiefer

13 0,545 5 0,303 0,146 32,350 14,820 0,742 0,340 kiefer

14 0,574 5 0,344 0,166 36,722 16,874 0,800 0,367 kiefer

15 0,560 5 0,399 0,178 42,926 16,657 0,958 0,372 Birke

16 0,410 5 0,332 0,154 35,583 15,041 1,085 0,459 Birke

17 0,561 10 0,332 0,151 71,303 28,878 1,589 0,643 Eiche

18 0,530 10 0,308 0,144 65,970 28,361 1,556 0,669 Eiche

19 0,554 10 0,409 0,200 87,200 41,181 1,968 0,929 Eiche

20 0,550 10 0,346 0,163 74,052 32,355 1,683 0,735 Erle

21 0,542 5 0,257 0,131 27,275 14,007 0,629 0,323 Erle

4.3.3.4 Waldzustandskartierung

Zum Vergleich der fernerkundlichen Auswertungen mit den „tatsächlichen“ Zuständendes Waldes im Untersuchungsgebiet (vergl. Kapitel 7.2.4 ) ist es weiterhin von großerBedeutung, den Zustand des Waldes zu kennen.

In früheren Untersuchungen zu diesem Thema sind anstatt einer Waldzustands-karte lediglich modellierte Grundwasserflurabstandsveränderungen zum Einsatz ge-kommen, weil man davon ausgegangen ist, dass diese Veränderungen unter gewissenVoraussetzungen (z.B. Grundwasserflurabstand ≤ 1m und Veränderung ≥ 0.5m) eineSchädigung der Vegetationsbedeckung hervorrufen können.Deshalb wurden zum Zeitpunkt der Befliegung im Juli 2003 elf Flächen ausgesucht, indenen eine bergbaubedingte Zustandsveränderung erwartet, bzw. eine solche ausge-schlossen wird. Diese Bestände sind dann von forstwissenschaftlich erfahrenen Kar-tierern nach den Richtlinien der Anweisungen für „Aussenaufnahmen für die Waldzu-standserhebung 2003 im Lande Nordrhein-Westfalen“ [LÖBF, 2003] kartiert worden.

In diese Bestände wurde jeweils eine Aufnahmelinie gelegt, auf der in gleichmäs-sigem Abstand Messpunkte eingerichtet wurden. Je Messpunkt fand an den nächstge-legenen 5 Bäumen die Ansprache der Kronen statt. Die Lage der Messpunkte ist derAbbildung 4.8 zu entnehmen. Insgesamt beinhaltet die Baumansprache die folgendenAufnahmedaten:

59


• Baumart,

• Alter,

• soziologische Stellung,

• Brusthöhendurchmesser,

• Höhe (jeweils 1 Baum je Baumart undMesspunkt),

• Fruktifikation,

• Feinreisigverlust,

• abgestorbene Äste,

• vorzeitiger Blattabfall,

• gerollte Blätter / Nekrosen,

• Nadel- bzw. Blattverlust,

• Vergilbung.

Aus diesen kartierten Daten wurde die Vitalität der Baumart im Bestand abgeleitetund in 5 Klassen (0 = ohne Schadensmerkmale, 1 = geringe Schäden, 2 = mittlereSchäden, 3 = starke Schäden, 4 = abgestorben) eingestuft.

Die Ergebnisse des Gutachtens zum Waldzustand machen deutlich [FORSTPLA-NUNGSBÜRO KÖLN, 2003], dass der Gesundheitszustand der Bäume im Untersu-chungsgebiet deutlich besser ist als im Landesdurchschnitt. Die Gründe dafür siehtdas Gutachten unter anderem im Witterungsverlauf des Sommers. So fand die Begut-achtung im Untersuchungsgebiet zu Beginn des Untersuchungszeitraumes der Lan-deswaldzustandsaufnahme statt. Die langanhaltende Trockenheit des Sommers wirktesich aber erst zum Ende des Aufnahmezeitpunktes aus, sodass diesbezügliche Vitali-tätsverluste nicht erfasst werden konnten.

Die Lage der 11 untersuchten Waldbestände wurde auf der Grundlage der hy-drologischen Modellierung festgelegt. Für den Bestand 1 ist eine Abtrocknung durcherhöhten Grundwasserflurabstand modelliert. Keine Veränderung wird für die Bestän-de 2, 3, 8 und 9 prognostiziert während für die Bestände 4, 5, 6, 7, 10 und 11 eineVernässung durch bergbaubedingten verminderten Grundwasserflurabstand voraus-gesagt wird (siehe Abbildung 4.8).

Die Tabelle 4.5 zeigt detailliert die Ergebnisse der Waldzustandskartierung im Un-tersuchungsgebiet. In der Tabelle als geschädigt ausgewiesen sind die Bäume, die inder Waldzustandskartierung mit Schädigungsstufe 2 oder höher kartiert sind. Beein-flussungen durch den Bergbau sieht das Gutachten vor allem in den Beständen 5, 7und 11. Der Bestand 6 zeigt Beeinflussungen nur am südöstlichen Rand des Bestan-des, in dem keine der Stichproben der forstlichen Aufnahme lag, so dass sich diesenicht auf die Zustandserfassung des gesamten Bestandes auswirkt.

Insgesamt zeigt das Gutachten, dass sich bergbaubedingte hydrologische Verän-derungen nur im Extremfall auf die Vegetation auswirken. Die Ursache dafür ist darin zusuchen, dass sich zum ersten die Veränderungen nicht immer auf die Gesamtbeständeauswirken und die geschädigten Teile bei der Betrachtung des gesamten Bestandes„übersehen“ werden und dass zum zweiten ein Adaptionsprozesse im Bestand statt-findet.

60


2

3

5

6

7

8

9

10

4

1

11

Abbildung 4.8: HyMapTM-Datensatz überlagert mit den Untersuchungsstellen der Waldzu-standserhebung. Die Flächen sind entsprechend der Flächennummern ausTabelle 4.5 durchnummeriert.

Tabelle 4.5: Ergebnisse der Waldzustandskartierung in den 11 untersuchten Gebieten, sieheAbbildung 4.8 [FORSTPLANUNGSBÜRO KÖLN, 2003].

Flächen- Anzahl der geschädigte Anzahl der Bäume innummer untersuchten Bäume Bäume [%] Schädigungsstufe:

0 1 2 3 41 54 24 15 26 4 0 92 50 12 15 29 6 0 03 40 10 10 26 4 0 04 10 0 5 5 0 0 05 10 50 1 4 5 0 06 40 4 13 25 2 0 07 20 100 0 0 1 19 08 20 10 8 10 2 0 09 45 17 11 26 8 0 0

10 20 5 8 11 1 0 011 25 44 7 7 11 0 0

61


4.4 Sonstige Fachdaten

Ausser diesen im Gelände aufgenommenen Daten waren noch weitere Informationenfür die Datenvorverarbeitung, die Datenauswertung und die Kontrolle der Ergebnis-se wichtig. Zum ersten kamen bei der geometrischen (Kapitel 5.3) und atmosphäri-schen Korrektur (Kapitel 5.4) der Daten hochgenaue Geländemodelle zum Einsatz,die bei der DSK eigentlich zum Zwecke des Senkungsmonitorings erzeugt und aktua-lisiert werden. Eine detaillierte Beschreibung der verwendeten Geländemodelle gibtdas Kapitel 4.4.1. Die in Kapitel 4.4.2 beschriebenen hydrologischen Modelle werdenim weiteren Verlauf der Arbeit vor allem zur Plausibilitätskontrolle in Kapitel 7.2.4 einge-setzt. Weil die Ableitung von Pflanzenzuständen in Kapitel 7 abhängig von der Baumartist, werden Referenzdaten zur Bestandsart benötigt. Diese Informationen liegen beider DSK in Form von Biotoptypenkartierungen vor. Das Kapitel 4.4.3 beschreibt dieseBiotoptypeninformationen.

4.4.1 Digitale Höhenmodelle

Die Deutsche Steinkohle AG führt auf den für ihre Belange relevanten Flächen, insbe-sondere den UVP- Gebieten, in regelmäßigen Abständen Befliegungen mit photogram-metrischen Kameras durch, aus denen dann digitale Höhenmodelle abgeleitet werden.Für Zeitpunkte, die nicht durch einen Bildflug dokumentiert sind, werden die digitalenHöhenmodelle auf der Basis der Abbaudokumentation und terrestrischen Nivellement-messungen aktualisiert (abgesenkt).Insbesondere für die Georeferenzierung und Atmosphärenkorrektur der hyperspektra-len Fernerkundungsdaten kamen zwei unterschiedliche Geländemodelle zum Einsatz.Für die Georeferenzierung des HyMapTM-Datensatzes 2000 diente ein abgesenktesHöhenmodell, dessen Grundlage aus einer Befliegung im Jahre 1993 mit Hilfe einesanalytischen Plotters der Firma ZEISS (Planicomp P1, P2 und P3) gemessen wurde.Hierzu wurden im allgemeinen Einzelpunkte in einer Maschenweite von 50 m aufge-nommen.Topographieabhängig wurden zusätzlich geländebeschreibende Verdichtungsmessun-gen durchgeführt. Ausserdem wird eine kodierte Linienmessung für Formlinien undBruchkanten, sowie terrestrische Vermessungen von im Luftbild nicht sichtbaren In-formationen, wie z.B. Sohlachsen von Gewässern in das Höhenmodell integriert [FI-SCHER, 2001]. Für die HyMapTM-Befliegung im Jahre 2003 diente zur Georeferenzie-rung ein Höhenmodell, das mit Hilfe digital photogrammetrischer Methoden aus einerLuftbildbefliegung in 2001 errechnet wurde. Durch die Integration von analytisch ge-messenen Bachachsen und Böschungen wird das Modell in ein DGM zweiter Stufe

62

4.4 Sonstige Fachdaten

überführt und im Anschluss daran auf eine Rasterweite von 5 m umgerechnet. DieBildflugdaten der zur Erzeugung der DGMs genutzten Bilddaten gibt die Tabelle 4.6.Nähere Informationen zur DHM Generierung können z.B. [SPRECKELS, 2002] entnom-men werden.

Zur Aktualisierung der Modelle werden diese in regelmäßigen Abständen durchNivellementmessungen und die auf der Basis der Abbauplanung der Bergwerke mo-dellierten Senkungsprognosen an die sich durch den Abbau ständig verändernde Si-tuation angepasst („abgesenkt“).

Tabelle 4.6: Bildflugparameter der zur Erzeugung der DHMs genutzten Bilddaten.DHM 1993 DHM 2001

Name Rechter Niederrhein Prosper HanielAufnahmedatum 09.03.1993 02.04.2001Filmmaterial color Diapositiv color DiapositivKammerkonstante 15 cm 15 cmBildmaßstab 1:6000 1:4000Scanverfahren - Vexcel Ultrascan 500

21 micron

4.4.2 Hydrologische Modelle

Die Modellierung der Grundwasserverhältnisse erfolgt im Untersuchungsraum mit Hil-fe von numerischen hydrologischen Modellen. Das hier vorliegende Modell wurde imAuftrag der Deutschen Steinkohle AG von der Firma deltaH als dreidimensionales,stationäres Finite-Elemente-Strömungsmodell aufgebaut und wird mit Hilfe einer Fort-schreibung der Abbausituation ständig aktuell gehalten. Die Parameter des Grundwas-sermodelles sind der Tabelle 4.7 zu entnehmen.

Tabelle 4.7: Parameter des Grundwassermodelles „Kirchheller Heide“. Nach: [GKW, 1996]zitiert in: [FISCHER, 2001]

Gesamtgebiet des UVS Untersuchungs- Senkungs-Modelles gebiet gebiet

Fläche [km2] 153 390 38Elemente pro Schicht 9681 6799 3522Elemente pro [km2] 63,3 75,5 92,7mittlere Elementfläche [m2] 15.800 13.230 10.790mittlere Kantenlänge [m] 126 115 103Grundwassermessstellen 672 408 200Messstellen pro [km2] 44 46 53

63


Zur Aktualisierung der Grundwassermodelle werden neben abgesenkten digitalenHöhenmodellen geometrische Veränderungen an den Vorflutern und Schichtgrenzengenutzt, um die neue hydrologische Situation zuverlässig zu bestimmen. Die übrigenModellparameter bleiben dabei unverändert. Dieses Vorgehen führt zu einer direktenErfassung des Senkungseinflusses auf die hydrologischen Parameter und ermöglichtdie Berechnung von Veränderungen des Grundwasserflurabstandes.

4.4.3 Biotoptypen

Für das Untersuchungsgebiet Kirchheller Heide liegt eine Biotoptypenkartierung aufder Grundlage der Deutschen Grundkarte im Maßstab 1:5000 vor. Die Aufnahmen er-folgten erstmalig im Jahre 1993 im Auftrag der Deutschen Steinkohle AG vom Institutfür Landschaftsentwicklung und Stadtplanung (ILS) und werden im Zuge des DSK -Monitorings zu jedem Monitoringzeitschnitt, in der Regel alle zwei Jahre, aktualisiert.Die aktuellste vorliegende Biotoptypenkartierung stammt aus dem Jahre 2003.Als Kartierschlüssel für die Aufnahmen diente ein modifizierter Biotoptypenschlüsselder Nordrhein Westfälischen Landesanstalt für Ökologie, Bodenordnung und Fors-ten (LÖBF). Für forstlich genutzte Flächen wurden neben den Arten des Bewuch-ses, die Faktoren Naturnähe (4 Stufen), Feuchtestufe (4 typenspezifische Abstufun-gen) und Bestandsalter (5 Stufen nach Bestandshöhe bzw. Brusthöhendurchmesser)kartiert [ILS, 1996].

Landwirtschaftlich genutzte Flächen werden nach Grünland, Brache und Acker-land selektiert aufgenommen. Aufgrund der großen anthropogen verursachten Varia-bilität werden die angebauten Arten in der Biotoptypenkarte nicht weiter differenziertwiedergegeben.Ausserdem unterscheidet der Kartierschlüssel Kleingehölze, Moore und Sümpfe, Hei-den und Trockenrasen, Wirtschaftsgrünland und Brachen, Gewässer, anthropogeneBiotope und Gesteinsbiotope.

64

5 Datenvorverarbeitung

Die Fernerkundungsdaten werden vom Sensorbetreiber normalerweise als system-korrigierte Rohdaten ausgeliefert. Diese Daten müssen, um vergleichbare Datensät-ze (sowohl zu gleichartigen Daten anderer Aufnahmezeitpunkte, als auch zu anderenFernerkundungs- oder GIS-Daten) bereitstellen zu können, einer Vorverarbeitung un-terzogen werden. Für die vorliegenden Daten ist hierzu ein vierstufiges Verfahren ge-wählt worden, das die Faktoren „Datenkontrolle mittels Signal Rausch Verhältnis“ (SNR= signal to noise ratio), geometrische Korrektur bzw. Georeferenzierung mit PaRge(ParGe = Parametric Geocoding), Korrektur radiometrischer und atmosphärischer Ef-fekte mit ATCOR4 sowie die abschließende Mosaikierung enthält. Diese Reihenfolgewurde deshalb ausgewählt, weil bei der Kontrolle der Datenqualität auf diese Weisebereits vor der Verarbeitung diejenigen Kanäle aussortiert werden können, die ausverschiedenen Gründen bezüglich des Signal-Rausch-Verhältnisses keine zufriedenstellenden Werte lieferten. Die Georeferenzierung erfolgt vor der Atmosphärenkorrek-tur, weil die Atmosphärenkorrektur das in georeferenzierter Form vorliegende digitaleHöhenmodell zur Korrektur geometrischer Einflüsse auf die Radiometrie nutzt und dieDaten deshalb koreferenziert bzw. georeferenziert vorliegen müssen. Dies hat zur Fol-ge, dass als Grundlage für die radiometrische Korrektur bereits resampelte Spektrengenutzt werden müssen. So hat nach [RICHTER UND SCHLÄPFER, 2000B] der gewähl-te resampling Algorithmus im Rahmen der geometrischen Korrektur Einfluss auf dieRadiometrie und damit auch auf die Berechnung der Oberflächenreflexion. Für ebeneOberflächen empfehlen [RICHTER UND SCHLÄPFER, 2000B] die Nearest-Neighbour-Methode, besonders, wenn wie hier, die Oberflächen-Reflektanz mit den Bilddaten ver-glichen werden soll.Die Abbildung 5.1 zeigt den Workflow der Vorverarbeitung der hyperspektralen Fern-erkundungsdaten.

Im Folgenden werden die Verfahren zur Datenvorverarbeitung beispielhaft anhanddes HyMapTM Datensatzes aus dem Jahr 2000 beschrieben. Die Vorverarbeitung derDaten aus dem Jahr 2003 wurden aus Zeit- und Projektgründen beim DLR-DFD inOberpfaffenhofen durchgeführt. Hierzu kamen beim DLR grundsätzlich die gleichenSoftware- und Datengrundlagen zur Anwendung wie bei den selbst-prozessierten Da-ten.

65


Navigationsdaten derSensorplattform (IMU)

Boden Referenz-punkte (GCP´s) ParGe

AtCor 4

Mosaikierung

georeferenzierteRadianzen

aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa

georeferenzierteReflektanzen



Atmosphären- undBeleuchtungsituation

aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa

Bildmosaik

aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa

hyperspektraleBilddaten (Radianzen)

digitalesGeländemodell

spektraleReferenzdaten

Abbildung 5.1: Workflow zur Vorprozessierung zusammen mit den benötigten Eingangsdaten,Metadaten und Zwischenergebnisse. Mit einem Gitter hinterlegte Informatio-nen symbolisieren jeweils ein Rasterbild.

5.1 Ermittlung der Datenqualität durch Bestimmung

des Signal-Rausch-Verhältnisses (SNR)

Die Qualität hyperspektraler Fernerkundungsdaten ist abhängig von mehreren Einflüs-sen und Parametern. Der Wichtigste darunter ist das Verhältnis aus Nutz- und Stör-signal, das sogenannte Signal-to-Noise-Ratio (Signal-Rausch-Verhältniss oder abge-kürzt SNR) [ROTHFUSS, 1994].Das Signal-Rausch-Verhältnis beschreibt die Genauigkeit, mit der ein Spektrometerdas Spektrum in Bezug auf die Erkennung und Auflösung spektraler Merkmale auf-nimmt. So können mit einem SNR von 1:10 bereits einige sehr stark ausgeprägteMerkmale erkannt werden, um jedoch subtile spektrale Eigenschaften eines Oberflä-chenobjektes sicher identifizieren zu können, wird oft ein Wert von 1 zu einigen hundertbenötigt [ASPINALL ET.AL., 2002]. Obwohl HyMapTM bezüglich seines Signal-Rausch-Verhältnisses (> 1 : 500) als der beste verfügbare Sensor gilt [COCKS, 1999], ergabenvisuelle Kontrollen, dass einige Spektralkanäle stark verrauscht sind. Die Abbildung5.2 zeigt einen Bildausschnitt in einem verrauschten und einem unverrauschten Spek-tralkanal. Um sicherzustellen, dass alle durch starkes Rauschen gestörten Kanäle ausdem Datensatz entfernt werden können, wurde eine Methode entwickelt, die vergleich-

66

5.1 Bestimmung der Datenqualität durch das Signal-Rausch-Verhältnisses

bare Ergebnisse für das Signal-Rausch-Verhältnis in allen Kanälen liefert, und die imFolgenden beschrieben wird.

Abbildung 5.2: Bildausschnitt mit schlechtem Signal-Rausch-Verhältnis bei 437 nm (links) undgutem Signal-Rausch-Verhältnis bei 1210 nm (rechts).

Als Nutzsignal wird der Teil des Bildsignals bezeichnet, der kein Rauschen ent-hält. Jegliches nicht systematische Störsignal wird als Rauschen bezeichnet. Das Rau-schen wird hauptsächlich durch den Scan-Mechanismus des Sensors verursacht, des-sen elektronische und optische Einflüsse vielfältig sein können [ROTHFUSS, 1994].Das Rauschen verfälscht das Signal teilweise signifikant und erschwert die Auswer-tung erheblich.

Jedes Bildpixel p kann nach Gleichung 5.1 durch das additive Rausch-Modell DNp

(DN = Digitalzahl) als Summe des eigentlichen Bildwertes ap und dem enthaltenenRauschen np angesehen werden :

DNp = ap + np (5.1)

Die Kenntnis des relativen Betrags des Gehalts an Störsignalen ist erforderlich, um dienotwendigen Verarbeitungsmethoden darauf abstimmen zu können. Ein Maß für die-sen relativen Gehalt an Störsignalen ist das Signal-Rausch-Verhältnis (SNR). Das SNRist dimensionslos und damit unabhängig von der Datendimension. Mathematisch wirddas SNR definiert als der Quotient aus dem gewünschten Signal (CSignal: Digitalzahl(DN) des gewünschten Signals) und dem Störsignal (CStoer: DN des Störsignals) [GAO,1993] und wird durch die Gleichung 5.3 beschrieben.

SNR =CSignal

CStoer

(5.2)

67


Die Bestimmung des Signal-Rausch-Verhältnisses erfolgt gestützt durch Labormes-sungen unter Verwendung eines Reflexionsstandards und einer kalibrierten Strah-lungsquelle durch die Gleichung 5.3 [ASPINALL ET.AL., 2002].

SNRλ = Qλ × I2 ×∆λ× Eλ × t (5.3)

mit: SNRλ = Signal-Rausch-Verhältnis bei Wellenlänge λ,Qλ = Qualität des Sensors bei Wellenlänge λ,I2 = Größe des IFOV,∆λ = Spektrale Bandbreite des Kanals,Eλ = Spektraler Strahlungsfluss der Oberfläche,t = Abtastdauer eines Pixels.

Für dieses Messverfahren ist es allerdings erforderlich, den Sensor im Mess-Laborzu untersuchen. Weil diese Möglichkeit für den Datennutzer in der Regel nicht besteht,wird im Folgenden ein Verfahren beschrieben, mit dem das Signal-Rausch-Verhältnis(SNRM ) aus den Bilddaten abgeschätzt werden kann.Dazu wird für jeden Spektralkanal das Verhältnis des mittleren Signals (DNmitt) ei-ner besonders hellen Fläche zur Standardabweichung σ einer besonders homogenenFläche im Bild nach Gleichung 5.4 bestimmt [RICHTER, 1991]:

SNRM =DNmitt

σ(5.4)

Dadurch, dass es diese Methode vom Bearbeiter verlangt, eine besonders homogeneund eine besonders helle Fläche zur Berechnung aus dem Bild zu bestimmen, ist sie inhohem Maße subjektiv. Deshalb wurde eine Methode entwickelt, die automatisiert un-ter Nutzung eines „moving window“ mit variabler Größe den hellsten und homogenstenBildausschnitt selektiert. Hierzu wird für jedes dieser Bildausschnitte der lokale Mittel-wert nach Gleichung 5.5 berechnet. Der Block mit dem höchsten lokalen MittelwertLM wird als hellster Bildausschnitt angesehen.Die Homogenität eines Bildbereichs kann durch dessen Standardabweichung (localstandard deviation, LSD) bestimmt werden, wobei die Homogenität mit zunehmenderLSD abnimmt und deshalb der Block mit der geringsten LSD als homogenster Bild-bereich angesehen wird. Die lokale Standardabweichung eines Bildausschnittes wirddabei nach Gleichung 5.6 berechnet.

LM =1

N×

N∑

i=1

Si (5.5)

LSD =1

N − 1×

N∑

i=1

(Si − LM)2 (5.6)

68

5.1 Bestimmung der Datenqualität durch das Signal-Rausch-Verhältnisses

mit: LM = Local Mean, lokaler Mittelwert,LSD = Local Standard Deviation, lokale Standardabweichung,Si = Signalstärke des i-ten Pixel im Bildausschnit,N = Anzahl der Pixel im Bildausschnitt.

Ein gutes SNR liegt dann vor, wenn das Signal überwiegt. Das heißt, dass esdeutlich vom Rauschen zu unterscheiden sein muss und dass der SNR-Wert hoch ist.Sind Signal und Rauschen weniger differenzierbar, spricht man von einem schlech-ten Signal-Rausch-Verhältnis und der SNR Wert ist niedrig. Die Anwendung auf dieHyMapTM Daten zeigt, dass die Werte abhängig vom jeweiligen Spektralkanal zwi-schen 30 und 600 liegen. Die Abbildung 5.3 zeigt den Verlauf des Signal-Rausch-Verhältnisses eines HyMapTM-Datensatzes.

Abbildung 5.3: Verlauf des Signal-Rausch-Verhältnisses von HyMapTM-Daten aus dem Jahr2000.

Insgesamt zeigt dieser Verlauf, dass besonders niedrige SNR Werte an den Über-gängen zwischen den einzelnen Spektrometereinheiten zu finden sind. Für die weitereVerarbeitung sind auf der Grundlage des SNR 10 Kanäle mit einem SNR unter 200vom 128 kanaligen HyMap Datensatz entfernt worden.

Die Methode zur Abschätzung des SNR, wie sie hier beschrieben wird, ist gut dazugeeignet, für einen vorliegenden Datensatz die Qualität der einzelnen Spektralkanälevergleichend gegenüberzustellen. Ein Vergleich mit den im Labor unter Idealbedingun-gen gemessenen und berechneten Werten ist allerdings nicht möglich.

69


5.2 Methoden zur Verminderung des Rauschens in den

Bilddaten

Manche Auswertemethoden, insbesondere die, die abgeleitete Spektren auswerten(siehe Kappitel 6.2.4), machen Verfahren erforderlich, die das Rauschen des Sensorsweiter vermindern.Zwei gängige Verfahren zur Filterung von Spektren sind z.B. der Medianfilter und derSavitzky-Golay-Filter. Der Median Filter ist ein nicht linearer Filter, der in der digitalenBildbearbeitung häufig zum Einsatz kommt. Er gehört zur Klasse der Rangordnungs-filter. Bei der Anwendung des Filters werden die Reflexionswerte innerhalb einer defi-nierten Spanne nach ihrer Grösse sortiert, wobei der Wert des zu ersetzenden Pixelsin diese Berechnung mit einfließt. Der mittlere Wert der sortierten Liste wird zurückge-geben und der Wert des zentralen Pixels wird durch ihn ersetzt.Für eine ungerade Anzahl an Pixeln n ergibt sich der Median aus:

xmedian = x(n+1)/2 (5.7)

Eine beispielhafte Anwendung des Median Filters mit Untersuchungsspannen un-terschiedlicher Grösse (Box Size) auf HyMapTM Spektren gibt die Abbildung 5.4.

Eine weitere Methode zur Rauschminimierung in der Spektralkurve ist derSavitzky-Golay-Filter [SAVITZKY UND GOLAY, 1964]. Die Entwicklung des Filters zielteursprünglich darauf, insbesondere Spektralsignaturen zu glätten, die für Fragestellun-gen der analytischen Chemie ausgewertet werden, wird aber heute häufig in der Aus-wertung von Fernerkundungsdaten zur Rauschverminderung eingesetzt. Der Algorith-mus führt eine schrittweise polynomiale Regression auf der Basis der Least SquareMethode an der Kurve durch und berechnet so anhand der gleichbleibenden unabhän-gigen Variable x einen neuen, geglätteten Wert der abhängigen Variable y [PRESS ET.AL., 1993]. Der Algorithmus bietet im Vergleich mit den mittelwertbildenden nicht linea-ren Filtern, wie z.B. dem zuvor beschriebenen Median Filter den Vorteil, dass bereitswährend des Filterns durch die Ableitung der einzelnen Polynome Ableitungsfunktio-nen der Spektralsignaturen erzeugt werden können.

Ein Vergleich der Abbildungen 5.4 und 5.5 stellt deutlich heraus, dass der MedianFilter dem Kurvenverlauf besser folgt, dass aber insbesondere kleine spektrale Be-sonderheiten eines Spektrums (spektrale Merkmale), die sich in lokalen Minima oderMaxima äussern und Besonderheiten in der chemischen Zusammensetzung zeigenkönnen, deutlich abgeflacht wiedergegeben werden oder ganz verschwinden können.Der Savitzky-Golay-Filter hingegen erhält solche Features, während der gesamte Kur-venverlauf durch ihn stärker beeinflusst wird. Da die Untersuchung spektraler Features

70

5.3 Korrektur geometrischer Einflüsse

Abbildung 5.4: Beispielhafte Anwendung des Medianfilters mit unterschiedlicher Box Size aufHyMapTM-Spektren. Durchgezogene (grüne) Linie: mit jeweiliger Filtergrößegefiltertes Spektrum, Gepunktete Linie: Original-Spektrum zum Vergleich.

in dieser Arbeit im Vordergrund steht, kommt im Zuge der Berechnung der mathema-tischen Beschreibung der spektralen Merkmale, besonders der Merkmale der Ablei-tungsanalyse (Kapitel: 6.2.4), ein Savitzky-Golay-Filter mit der Filtergrösse 4 (jeweils 4Pixel in jede Richtung des betrachteten Spektralkanals) und der Polynomgrösse n + 1

(n = Anzahl der Ableitungen) zum Einsatz.


Die Systemstabilität der Daten flugzeuggetragener Sensoren sind im Vergleich zu de-nen satellitengetragener Systeme geringer, weil die Flugzeugplattformen den ständi-gen Bewegungen in der Atmosphäre (z.B. Winde) ausgesetzt sind. Diese Instabilitätführt im Bilddatensatz zu geometrischem Versatz der Bildpunkte und drückt sich ins-besondere durch Änderungen der Flugbahn, Höhe, Fluglage und Geschwindigkeit des

71


Abbildung 5.5: Beispielhafte Anwendung des Savitzky Golay Filters mit unterschiedlicher Box-Size und Polynom zweiten Grades auf HyMapTM-Spektren. Durchgezogene(grüne) Linie: mit jeweiliger Filtergröße gefiltertes Spektrum, Gepunktete Linie:Original-Spektrum zum Vergleich.

Trägersystems Flugzeug aus. Die Korrektur solcher geometrischer Bildfehler kann nichtdurch herkömmliche polynomische Algorithmen erfolgen, weil sich die Flugzeugbewe-gung, die durch das Rollen, das Gieren, die Neigung und die Flugrichtung beschriebenwird, mathematisch nicht zufriedenstellend durch polynomiale Transformationen wie-dergeben lässt.

Eine vielversprechende Lösung zur Korrektur geometrischer Einflüsse bei den Da-ten hochauflösender, flugzeuggetragener Fernerkundungssensoren ist die parametri-sche Annäherung, die die Software ParGe bietet. Hier wird die Flugbahn und die Auf-nahmegeometrie pixelweise unter Nutzung diverser Referenzdaten neu berechnet. AlsReferenzdaten kommen insbesondere Daten zur Beschreibung des Scanners und derFlugbahn sowie ein digitales Geländemodell zum Einsatz. Die Genauigkeit der Geo-Prozessierung mit ParGe kann theoretisch Sub-Pixel Genauigkeit erreichen, jedochzeigen typische Ergebnisse Abweichungen von bis zu maximal 2 Pixel [SCHLÄPFER,

72


2001].Im einzelnen werden für die Georeferenzierung mit ParGe neben den HyMapTM-Bild-daten die folgenden Informationen benötigt:

• Navigationsdaten zu Flugbahn und Flugparametern, aufgezeichnet von der in-ertialen Navigationseinheit (IMU) der Sensorplattform und dem GPS Empfängerdes Flugzeugs,

• digitales Geländemodell,

• Referenzpunkte, deren Koordinaten am Boden bekannt sind und die im Bild ein-deutig identifizierbar sind (sog. Ground Control Points, GCPs).

Die Navigationsdaten enthalten alle benötigten Informationen zur Flugbahn und zurFluglage der Trägerplattform. Dies sind insbesondere die Roll-, Gier-, Nick- und Dreh-bewegungen des Flugzeugs, die GPS Koordinaten der Flugbahn (ggf. korrigiert wenn,die GPS Antenne nicht direkt am Sensor angebracht ist), Informationen zur Flughöheund Fluggeschwindigkeit des Sensors sowie die Aufnahmezeit für jede Bildzeile. In derRegel werden diese Informationen vom Datenlieferanten zur Verfügung gestellt.Theoretisch können alle Sensorparameter, die für die Berechnung der Aufnahmegeo-metrie genutzt werden, aufgrund von Justierungsfehlern des Sensors in Bezug auf dieNavigationseinheit oder durch Ungenauigkeiten des GPS, einem systematischen Ver-satz unterworfen sein. ParGe nutzt zur Korrektur dieser systematischen Fehler Pass-punkte (Ground Control Points (GCPs)) und berechnet daraus den individuellen Ver-satz der Roll-, Neigungs- und Richtungsangaben oder der Flugzeugposition. Währendaktuelle GPS-Empfänger die Position sehr genau messen, sind solche Korrekturen ins-besondere bezüglich der Fluglage und Flughöhe notwendig.Für jeden GCP wird unter Nutzung der Kollinearitätsbedingung1 die Differenz zwischender wahren und der abgeschätzten Position berechnet. Weil für diesen Prozess häufigmehrere Iterationen erforderlich sind, werden für die Korrektur auch mehrere GCPsbenötigt. Für die Korrektur von Höhen- und Richtungsinformationen werden die statis-tischen Beziehungen zwischen den Winkelabweichungen aller GCPs und der Distanzzum Nadirpixel betrachtet [RICHTER UND SCHLÄPFER, 2000A]. Der Rollwinkel korre-liert mit der Entfernung zum Nadir, wenn die Höheninformation fehlerhaft ist. Der pas-sende Korrekturwert wird dann iterativ bestimmt, indem die Korrelation zwischen derNadirdistanz und dem Rollwinkel sukzessive minimiert wird. Analog dazu wird bei derBestimmung des Korrekturwertes für die Richtungsangabe die Korrelation zwischenNadirentfernung und Neigungswinkel minimiert [RICHTER UND SCHLÄPFER, 2000A].Im vorliegenden Falle wurde die Georeferenzierung für jeden der Bildstreifen separatdurchgeführt. Hierzu waren für jeden Streifen, abhängig von der Qualität der Naviga-

1Die Kollinearitätsbedingung sagt aus, dass ein Punkt im Objektraum, der entsprechende Punkt in derBildebene und das Projektionszentrum auf einer Geraden liegen.

73


tionsdaten und der abgebildeten Oberfläche, zwischen 10 und 25 GCPs erforderlich,die aus der Deutschen Grundkarte 1:5 000 abgelesen und im Bild identifiziert wurden.Als solche Passpunkte dienten insbesondere signifikante Gebäude oder Straßenab-schnitte, die im Idealfall regelmäßig über den gesamten Flugstreifen verteilt sind undausserhalb des Nadirblickes des Sensors liegen.Die Genauigkeit der Georeferenzierung wurde durch Vergleich der aus den Karten ab-gegriffenen Koordinaten mit denen aus den Bilddaten bestimmt. Als Maß des Fehlerswurde der RMSE (Root Mean Square Error) zwischen den tatsächlichen Koordinatenund den aus dem HyMapTM-Datensatz ermittelten berechnet. Für die einzelnen Strei-fen ergaben sich damit Fehlergrößen von 7.5 bis 10 Metern (1.5 bis 2 Pixel).

5.4 Atmosphärenkorrektur

5.4.1 Grundlagen der Atmosphärenkorrektur

Radiometrisch wird das vom Sensor aufgezeichnete Signal insbesondere von den at-mosphärischen Bedingungen zum Aufnahmezeitpunkt, von der Sonnengeometrie undvon topographischen Effekten beeinflusst. Ausserdem wird die Radiometrie auch di-rekt von Oberflächenstreuungsmechanismen beeinflusst. So verursacht zum Beispieldie Streuung der an inhomogenen Oberflächen reflektierten Strahlung besonders ingeometrisch hochauflösenden Daten eine Unschärfe (adjacency effect oder Überstrah-lungseffekt) [LIU, 2005].

Durch die hohe Anzahl an kontinuierlichen Spektralkanälen, die moderne hyper-spektrale Fernerkundungssensoren aufweisen, ergibt sich trotz der Nutzung der prinzi-piell gleichen physikalischen Gleichungen der Strahlungsübertragung ein wichtiger Un-terschied zur Prozessierung von multispektralen Satellitendaten. So wirken sich Fehlerin der spektralen bzw. radiometrischen Kalibrierung bei der Ableitung von atmosphäri-schen Parametern (insbesondere Sichtweite, optische Dichte und Wasserdampfgehalt)aufgrund der engeren spektralen Bandbreite deutlich stärker aus und beeinflussen dieberechnete Bodensignatur. So führt beispielsweise eine 5%ige Überschätzung in derradiometrischen Kalibrierung eines Kanals bei einem Hyperspektralsensor zu einemlokalen Maximum im Reflexionsspektrum bei dieser Wellenlänge, was aufgrund feh-lender spektraler Information in der unmittelbaren Nachbarschaft bei multispektralenSensoren nicht auffällt [RICHTER, 2002].

Das Ziel der Atmosphärenkorrektur ist demnach nicht nur die Korrektur der ei-gentlichen atmosphärischen Einflüsse, sondern auch von Illuminations- und anderen

74


Effekten sowie die Modellierung der Reflektanz am Boden auf der Basis der am Sen-sor gemessenen Radianz. Dieser Schritt ist insbesondere dann erforderlich, wenn Da-ten unterschiedlicher Aufnahmezeitpunkte miteinander verglichen (“change detection“)oder physikalische Parameter aus dem Datensatz abgeleitet werden sollen.

Zur atmosphärischen Korrektur kommen derzeit zwei grundsätzlich unterschied-liche Ansätze zum Einsatz. Die Algorithmen der ersten Gruppe bedienen sich reinstatistischer Verfahren. Hierbei werden die Korrekturparameter entweder aus Boden-referenzspektren {z.B. empirical line calibration (ELC) [ROBERTS ET. AL., 1985]} oderaus den Bilddaten selbst {z.B. flat field calibration (FFC) [ROBERTS ET. AL., 1986], [RI-CHARDS ET. AL., 1999], [BEND-DOR, ET. AL., 2000] oder dark-object-subtraction mo-del (DOS) [CHAVEZ, 1988], [MORAN ET. AL., 1992]} extrahiert. Diese Methoden igno-rieren nicht nur die wahren atmosphärischen Gegebenheiten zum Überflugzeitpunkt,sondern berücksichtigen auch keine Beleuchtungs- und topographischen Effekte, diedie Strahlung auf ihrem Weg durch die Atmosphäre verfälschen.Die andere Gruppe von Ansätzen zieht dagegen physikalische Modelle zur Beschrei-bung der aktuellen atmosphärischen Situation in die Berechnungen mit ein. Die meis-ten dieser Modelle wie z.B. ACORN [MILLER, 2002], [GOETZ, 2002] oder das in dieserArbeit verwendete ATCOR4 [RICHTER, 2001A], [RICHTER, 2001B] nutzen das atmos-phärische Transfermodell Modtran-4 [BERK, ET.AL., 1998], [ABREU ET. AL., 1996] zurModellierung der atmosphärischen Verhältnisse. Zur Korrektur von Nachbarschafts-und Oberflächenstreuungsmechanismen (Abb.: 5.6) nutzen Algorithmen wie z.B. AT-COR4 ein digitales Geländemodell, aus dem Größen wie Hangneigung, Hangorien-tierung, Schlagschatten und Sichtfaktor der Hemisphäre berechnet werden [RICHTER,2002] und die zur Korrektur von Illuminationseffekten dienen. Vereinfacht, unter Ver-nachlässigung dieser Nachbarschafts- und Illuminationseffekten, kann das Verfahrenmit dem ATCOR4 die Reflexion nach [RICHTER, 2000] berechnet durch Gleichung5.8 dargestellt werden. Eine genaue Beschreibung des hier verwendeten VerfahrensATCOR4 kann z.B. [RICHTER, 2001A] oder [RICHTER, 2001B] entnommen werden.

ρ(1)(i) (x, y) =

π[d2 {c0 + c1DN(x, y)} − Lp (z, θv, φ)

]

τν (z, θν)[b(x, y)Esτs(x, y)cosβ(x, y) + E∗

d(x, y, z) + Eg(z, ρr)ρ(i)terVter(x, y)

] (5.8)

mit: ρ(1)(i) (x, y) = Reflektanz an Koordinate x,y, iterativ berechnet,

x, y = Horizontalkoordinaten des georeferenzierten Bilddatensatzes,z = Vertikalkoordinate, beinhaltet den Höhenwert des DEM,DN(x,y) = Digitalzahl des georeferenzierten Bildpunktes,Lp (z, θν , φ) = Strahlung ausgehend von der Atmosphärenschicht

zwischen Oberfläche und Sensor („path radiance“)abhängig von der Höhe und der Betrachtungsgeometrie,

75


τν(z, θν) = diffuse und direkte Komponenten der winkelabhängigenDurchlässigkeit zwischen Sensor und Oberfläche,

τs(z) = direkte Durchlässigkeit zwischen Sonne und Oberfläche,β(x, y) = Winkel zwischen Sonnenstrahlung und Oberfläche,b = Binärfaktor: b = 1 wenn der Oberflächenpunkt direkte

Sonneneinstrahlung empfängt, sonst b= 0,Es = extraterrestrische Solarstrahlung,E∗

d(x, y, z) = diffuser solarer Fluss auf eine geneigte Ebene,Eg(z) = globaler Strahlungsfluss,ρ(0)ter = Anfangswert der durchschnittlichen Gelände Reflektanz,

ρiter(x, y) = iterativ berechnete, lokal variierende durchschnittliche

Gelände Reflektanz,Vter(x, y) = Gelände Betrachtungsfaktor (Wertebereich: 0-1).

Abbildung 5.6: Schematische Darstellung der Strahlungskomponenten: 1) von der Atmosphä-renschicht zwischen Oberfläche und Sensor ausgehende Strahlung („path ra-diance“), 2) vom beobachteten Bildpunkt auf der Erdoberfläche reflektierteStrahlung, 3) Strahlung die von benachbarten Oberflächenpunkten zum Sen-sor reflektiert wird („adjacency radiation“) und 4) Strahlung, die von umgeben-den Oberflächenpunkten auf den aufgezeichneten Oberflächenpunkt reflek-tiert wird [RICHTER, 2000].

76


5.4.2 Durchführung der Korrektur mit ATCOR4

Vor der Durchführung der eigentlichen Atmosphärenkorrektur wird mit dem im Pro-grammpacket ATCOR4 enthaltenen Modul ATLUT auf der Basis des Radiative Trans-fercodes MODTRAN-4 eine scanwinkelabhängige Lookup-Tabelle erzeugt. Hierzu kön-nen die in MODTRAN-4 integrierten Standardatmosphären benutzt werden oder auchmit Hilfe von Luftfeuchtigkeitshöhenprofilen (vgl. Kapitel 4.3.2.1) selbst definierte at-mosphärische Zustände zum Einsatz kommen. Weil die Nutzung von auf die Aufnah-mesituation angepassten Atmosphärenmodellen nach Richter (mündliche Auskunft,09.2000) der Nutzung von Standardatmosphären vorzuziehen ist und die Daten einesRadiosondenaufstieges auch verfügbar sind, wurde für die Durchführung der Korrekturder vorliegenden Daten ein eigenes Atmosphärenmodell berechnet.

Das Modell ATCOR4 beinhaltet in der aktuell verfügbaren Version, die dann spä-ter für die Korrektur der Daten aus 2003 genutzt worden ist, eine „monochromatische“atmosphärische Datenbank (Modul AtLUT = Atmospheric Lookup Table). Diese wurdeauf der Grundlage des atmosphärischen Transfercodes MODTRAN-4 für Standardat-mosphären berechnet und liegt den aktuellen Versionen von ATCOR4 bei. Die Da-tenbank macht jetzt die Modellierung eigener Atmosphären-Situationen mit Hilfe vonLuftfeuchtigkeits-Höhenprofilen in vielen Fällen weitestgehend überflüssig. Nach demResampeln der Datenbank mit den Filterparametern des jeweiligen Sensors wird dieeigentliche atmosphärische Korrektur (Modul ATCOR) durchgeführt. ATCOR berech-net die atmosphärische Korrektur zunächst unter Annahme eines isotropen Reflexi-onsverhaltens der einzelnen Flächenelemente. Iterativ wird anschliessend der Einflussder Beleuchtungseffekte mit in die Berechnung einbezogen.Der nächste Schritt ist die sogenannte Inflight Calibration (Modul IFCALI). Hierbei wer-den die gemessenen atmosphärischen Parameter zusammen mit Feldspektren ge-nutzt, um die radiometrische Kalibrierung des Sensors zu überprüfen und zu modi-fizieren. Zweckmäßigerweise wird diese Inflight-Kalibrierung vor der endgültigen Be-rechnung der Atmosphärenkorrektur durchgeführt. Insbesondere bei flugzeuggetrage-nen Sensoren ist die Inflight-Kalibrierung nach [RICHTER, 2002] oft notwendig, da dieStabilität der Umgebung des Sensors im Flugzeug deutlich geringer ist als die von La-borbedingungen (Temperatur, mechanische Schwingungen, Elektrik der Umgebung)und schon geringe Fehler in der Kalibrierung benachbarter Kanäle zu Artefakten in derSpektralkurve führen können.

Für die Korrektur der vorliegenden Daten ist zunächst eine atmosphärische Loo-kup-Tabelle für eine meteorologische Sichtweite von 25 km berechnet worden. Hierzuwerden die Daten eines Radiosondenaufstieges (siehe Kapitel 4.3.2.1) und ein Sensor-Kalibrierfile benötigt, das in der Regel vom Datenlieferanten zur Verfügung gestelltwird. Insbesondere in Wellenlängenbereichen über 1.5 µm ergeben sich dabei signi-

77


fikante Abweichungen von über 50%, was eine Neukalibrierung des Sensor mit Hilfedes ATCOR4 Moduls IFCALI (IFCALI = In Flight Calibration) erforderlich machte.Dieses Modul besitzt zwei Arbeitsmodi. Der Modus reflectance dient dabei zur Evalu-ierung der Eingangsdaten und zur radiometrischen Kalibrierung. Im calibration Moduskönnen die Kalibrierkoeffizienten c0 und c1, die die gemessenen Digitalzahlen mit derRadianz am Sensor in Verbindung setzen, für jeden Spektralkanal bestimmt werden.Die Inflight-Kalibrierung wurde iterativ anhand unterschiedlicher landwirtschaftlicherNutzflächen durchgeführt. Dabei erwies sich das Spektrum einer Maisoberfläche alsam besten geeignet. In jedem Falle ergaben sich aber zu hohe Reflexionswerte fürWasseroberflächen (ca. 4% im NIR). Diese Tatsache zeigte, dass zur Kalibrierung ei-ne Wasserfläche erforderlich ist (als homogene Fläche mit niedriger Reflektanz überdas gesamte Wellenlängenspektrum). Für Wasserflächen lagen aber keine verwertba-ren Referenzspektren vor, weil diese zu nahe am Streifenrand lagen. Das verhinderteine Modellierung der Nachbarschaftseffekte (adjacency effect). Deshalb wurde einsynthetisches Spektrum eines Sees, basierend auf den oben genannten Kalibrierfiles,generiert und für einen weiteren Kalibrierschritt genutzt.

Vegetation

See

See (mod)

Refl

ekta

nz [

%]

Wellenlänge [µm]

0.5

0

1.0

10

20

30

40

2.01.5

Abbildung 5.7: Spektren, die zur radiometrischen Kalibrierung herangezogen worden sind.

Es zeigte sich, dass die Kalibrierung mit der Maisoberfläche eine bessere Über-einstimmung bei niedrigen Reflexionswerten (Vegetation) im Bereich 400-700 nm er-zielte. Daher wurde das Maisfeld als Ausgangspunkt für den nächsten Iterationschrittgewählt. Da das Reflexionspektrum des Sees im Bereich über 700 nm zu hohe Reflexi-

78


onswerte hat (Abb.: 5.7 „See“), wurde das Spektrum modifiziert (Abb.: 5.7 „See(mod)“),um physikalisch fundierte Reflexionswerte im langwelligen Teil des Spektrums zu er-halten. Der modifizierte Reflexionswert wurde auf der Basis von Erfahrungswerten fürdas Reflexionsverhalten von Seen dieser Art auf 1.5% gesetzt, da die Szenen nochdunklere Seen enthielten, die aber wegen ihrer Lage am Bildrand (und der Reichweitedes Überstrahlungseffektes von 500 m) nicht verwendet werden konnten.Mit diesem endgültigen Kalibrierfile, synthetisch erzeugt aus dem Vegetationsspektrumund dem modifizierten Wasserspektrum (See(mod)), wurden die Szenen mit dem Mo-dell ATCOR4 prozessiert.Die Bearbeitung hat gezeigt, dass die Genauigkeit der Korrektur atmosphärischer Ef-fekte insbesondere von der Genauigkeit der Sensorkalibrierung, der Genauigkeit derModellierung der atmosphärischen Verhältnisse und der daraus erzeugten atmosphä-rischen Lookup-Tabellen sowie des zugrundeliegenden DEM abhängt. Fehlerbetrach-tungen haben gezeigt, dass im vorliegenden Falle die Abweichung der Reflektanz zwi-schen Feldspektren und den aus den HyMapTM-Daten extrahierten Spektren unter 3%lagen (Abb. 5.8).Eine nähere Betrachtung der Methoden zur Atmosphärenkorrektur und deren Anwen-dung auf die hier vorliegenden HyMapTM-Daten findet sich in [BRUNN ET.AL., 2001].

Abbildung 5.8: Vergleich von Feldspektren (durchgezogene Linien) mit HyMapTMSpektren(gestrichelte Linien), links: Maisfeld, rechts: trockene, gemähte Wiese.

79


5.5 Spezifische Anpassungen

Die nähere Betrachtung der korrigierten Bilddaten machte deutlich, dass der beim DLRvorverarbeitete Datensatz aus der Befliegung im Sommer 2003 einen deutlich sichtba-ren Helligkeitsgradienten der Reflexionswerte quer zur Flugrichtung aufweist (vgl. Abb.:5.9).

Abbildung 5.9: Vergleich eines Bildpunktes im Überlappungsbereich zweier Bildstreifen.Die Spektren zeigen einen Oberflächenpunkt (Wald), wie er in zwei unter-schiedlichen Bildstreifen nach der atmosphärischen und geometrischen Vor-prozessierung dargestellt wird.

Eine physikalische oder systematische Ursache für dieses Verhalten konnte auchdurch Untersuchungen der ATCOR Entwickler des DLR nicht gefunden werden (telefo-nische Auskunft R. Richter, 08/2003). Deshalb wurde ein Korrekturansatz genutzt, derdarauf beruht, die Bildstatistik des Datensatzes zu analysieren und mit deren Hilfe dieBilddaten zu korrigieren. In diesem Zusammenhang werden die Reflektanzen eineshomogenen Bereiches über die gesamte Streifenbreite spaltenweise gemittelt (Glei-chung: 5.9).

ρmean =

∑nli=0 ρi

nl(5.9)

mit: ρmean = mittlere Reflektanz der Bildspalte,ρi = Reflektanz der Bildspalte in Zeile i,nl = Anzahl der Zeilen.

Die so entstandene durchschnittliche Reflektanz der Bildspalte wird über die Strei-fenbreite durch Bestimmung einer Geraden geglättet, um die Einflüsse der aufge-nommenen Oberfläche weitestgehend zu unterdrücken. Die Anpassung der Geraden-gleichung erfolgt dabei iterativ durch Minimierung der χ-Quadrat Fehlerstatistik [RSI,

80

5.5 Spezifische Anpassungen

2004]. Aus der so bestimmten Geradengleichung werden die Korrekturwerte für jedeBildspalte berechnet und die Korrektur durch Division durch den normierten Korrektur-wert bestimmt. Die Normierung der Geradengleichung erfolgt durch Division der einge-setzten Werte durch den Wert an der mittleren Bildspalte, sodass die Ergebnisse derGeradengleichung um Eins verteilt sind. Dieses Verfahren wird für jeden Spektralkanalwiederholt.

Abbildung 5.10: Durchschnittlicher Radianzverlauf des Flugstreifens überlagert mit der zurGlättung des Radianzverlaufs auf ihn angepassten Geraden, die als Korrek-turfile dient.

Die unterschiedliche Skalierung der Bilddaten aus den beiden Befliegungen mach-te eine weitere Anpassung der Datensätze erforderlich. Zunächst lagen dabei die Bild-daten aus dem Jahr 2000 in Reflektanzwerten zwischen 0 und 1 vor, was es erfor-derlich machte, den Datensatz als 32 Bit „Floating Point“ vorzuhalten. Die Daten derBefliegung 2003 wurden als % Reflektanz × 100 geliefert und sind damit als ganzeZahlen zwischen 0 und 10.000 skaliert. Dieser Datensatz wurde als 16 Bit „UnsignedInteger“ Arrays geliefert. Um einen direkten Vergleich der Daten möglich zu machen,mussten die Datensätze in ein einheitliches Datenformat überführt werden. Weil fürdie weitere Verarbeitung meist ohnehin die speicherintensiveren Floating Point Arraysbenötigt werden, wurde hier die Entscheidung getroffen, die Daten aus 2003 in einFloating Point Format umzuwandeln und den Datensatz durch das theoretisch mögli-che Maximum von 10.000 zu dividieren.

Ein Vergleich dieses Ergebnisses mit den Daten aus 2000 zeigte jedoch (sieheAbb. 5.11 links), dass nicht nur diese systematischen Skalierungsunterschiede im Bild-datensatz auftreten und weitere statistische Korrekturen erforderlich sind. Eine Anpas-sung solcher unsystematischer Unterschiede in den Bilddatensätzen kann wiederumnur auf statistischem Wege erfolgen.

81


Zur Anpassung der beiden Datensätze muss zunächst ein in beiden Datensätzenidentischer (unveränderter) Oberflächenpunkt identifiziert werden, der möglichst mittigin den Flugstreifen liegt. In der Praxis eignen sich dafür in erster Linie Dächer vonIndustriegebäuden oder Wasserflächen. Durch Division der Spektren dieser beidenPixel (Gleichung 5.10) wird ein Korrekturfile erzeugt (Abb. 5.11 rechts), das ggf. durchFilterung geglättet wird.

Der zu korrigierende Datensatz aus dem Jahr 2000 wird dann pixelweise mit dembereits berechneten Korrekturspektrum scorr multipliziert (Gleichung 5.11).

scorr =s00

s03

(5.10)

mit: scorr = Korrekturspektrum,s00 = selektiertes Spektrum aus dem Datensatz aus 2000,s03 = selektiertes Spektrum aus dem Datensatz aus 2003.

Icorr = I00 × scorr (5.11)

mit: scorr = Korrekturspektrum,Icorr = korrigierter Datensatz aus 2000,I00 = original Bilddatensatz aus 2000.

(a) (b)

Abbildung 5.11: (a) Vergleich des Reflexionsspektrums eines Oberflächenpunktes in zwei un-terschiedlichen Befliegungen (gestrichelte Linie: Befliegung aus 2000; durch-gezogene Linie: Befliegung aus 2003), (b) aus den beiden Spektren berech-netes Korrekturfile zur Anpassung des Spektrums 2000 auf das von 2003.

82

5.6 Mosaikierung

5.6 Mosaikierung

Als letzter Schritt der Vorverarbeitung müssen die einzelnen Befliegungsstreifen zueinem Datensatz zusammengesetzt werden. Hierzu werden die geometrisch und ra-diometrisch korrigierten Bildstreifen mit Hilfe ihrer Geoinformation zu einem Bildmosaikzusammengefügt. Geometrisch werden die einzelnen Streifen dabei automatisch aufdie entsprechende Position im Bezugssystem gelegt.

Radiometrisch kann das Mosaikieren zu Überlagerungsproblemen führen, die imZuge der Mosaikierung korrigiert werden müssen. Eine gebräuchliche Methode zurKorrektur solcher Effekte ist das so genannte Feathering. Das Feathering nutzt da-bei einen gewichteten Mittelwert, um im Überlappungsbereich der beiden Bildstreifeneinen weichen Übergangsbereich zu schaffen. Im vorliegenden Falle wurde der jewei-lige Reflektanzwert im Überlappungsbereich berechnet, indem eine „Rampe“ von 0bis 100% über den Überlappungsbereich von 200 Pixeln gezogen wurde. Der neueReflektanzwert stellt dann einen gewichteten Mittelwert dar, der am linken Rand desÜberlappungsbereiches zu 100% den Grauwert des linken Bildes repräsentiert. In derMitte des Überlappungsbereiches setzt sich der neue Bildpunkt zu 50% aus dem Grau-wert des linken Bildes und zu 50% aus dem des Rechten zusammen. Das rechte Endedes Überlappungsbereiches ist dann zu 100% der Grauwert des rechten Bildes [RSI,2004A]. Dieses Verfahren wird für jeden Spektralkanal separat durchgeführt.

83


84

6 Auswertemethoden hyperspektralerFernerkundungsdaten

Die Auswertung hyperspektraler Fernerkundungsdaten unterscheidet sich teilweisegrundlegend von der multispektraler Daten. So führen meist die klassischen Klassifi-kationsalgorithmen, wie sie bei der Auswertung multispektraler Datensätze häufig zumEinsatz kommen, bei den sehr speziellen Fragestellungen aus Geologie und Pflan-zenökologie, die der Analyse hyperspektraler Daten häufig thematisch zugrunde lie-gen, nur eingeschränkt zum Ziel. Deshalb sind für die Auswertung dieser Daten spe-zielle Auswertealgorithmen entwickelt worden. Diese Methoden untergliedern sich inzwei Gruppen. Die erste Gruppe bedient sich Referenzspektren und leitet daraus aufunterschiedliche Weise eine Zugehörigkeit des zu untersuchenden Spektrums zu ei-nem Referenzspektrum ab. Solche Methoden sind zum Beispiel das spectral anglemapping [KRUSE ET.AL., 1993], das cross correlogram spectral matching [VAN DER

MEER AND BAKKER, 1998] oder auch die spektrale Entmischung [SETTLE UND DRA-KE, 1993]. Die zweite Gruppe von Auswertealgorithmen beschreibt durch unterschied-liche mathematische Operationen das zu untersuchende Spektrum. Ein grosser Vorteildieser Methoden ist es, dass mit ihnen nicht nur, wie bei klassischen Klassifikationsver-fahren, eine qualitative Auswertung möglich ist, sondern dass auch quantitative Aus-sagen zur chemischen Zusammensetzung der Oberfläche getroffen werden können.Die nächsten Kapitel beschreiben die wichtigsten dieser Verfahren näher und zeigendie Anwendung zur Beschreibung des Waldpflanzenzustandes in bergbaubeeinfluss-ten Gebieten.

85

6 Auswertemethoden hyperspektraler Fernerkundungsdaten

6.1 Auswertemethoden mit Hilfe von Referenzspektren

Das Spectral Angle Mapping berechnet die spektrale Ähnlichkeit zwischen einem Test-spektrum und einem Referenzspektrum und setzt dabei voraus, dass die Daten korrektkalibriert und dunkelstromkorrigiert1 sind [KRUSE ET.AL., 1993]. Die spektrale Ähn-lichkeit zwischen dem Test-Spektrum t und der Referenz r wird als durchschnittlicherAbweichungswinkel Θ berechnet nach Gleichung 6.1 [GIROUARD ET.AL., 2004].

Θ = cos−1

∑ni=1 ti × ri√∑n

i=1 t2i∑n

i=1 r2i

(6.1)

In diesem Ansatz werden die Spektren als Vektoren in einem n-dimensionalen Raumbetrachtet, mit n gleich der Anzahl der spektralen Bänder. Das Ergebnis des SpectralAngle Mapping ist eine Winkeldifferenz in Radiant, die durch Werte zwischen Null undπ/2 beschrieben wird.

Der Cross Correlation Spectral Matching (CCSM) Algorithmus bringt unbekanntePixel-Spektren mit bekannten Labor- oder Feldspektren unter Nutzung von Kreuzkorre-lationsfunktionen in Verbindung [VAN DER MEER AND BAKKER, 1997]. Referenzspek-tren können dabei, wie bei den anderen Methoden dieser Gruppe auch, aus Spektral-bibliotheken entnommen oder aus der Bildszene selbst extrahiert werden. Dabei wirddie Kreuzkorrelation zwischen einem Testspektrum und einem Referenzspektrum wiefolgt bestimmt:

rm =n

∑λrλt −∑

λr∑

λt√[n

∑λ2

r − (∑

λr)2] [n∑

λ2t − (

∑λt)2]

(6.2)

mit: rm = Kreuzkorrelation bei Band Nummer m

λt = Testspektrumλr = Referenzspektrumn = Anzahl der Spektralkanälem = Band Nummer

Die statistische Signifikanz des Kreuzkorrelationskoeffizienten wird im Anschluss daranmit Hilfe eines t-Tests bestimmt.

Die beiden bisher beschriebenen Methoden unterteilen die abgebildete Oberflä-che in mehrere Klassen, die durch die Referenzspektren (sog. Endmember) definiert

1Freie Ladungsträger im Sensor führen, verursacht durch die Umgebungstemperatur, zu einem Strom,auch wenn der Detektor nicht belichtet wird. Dieser Strom wird als Dunkelstrom bezeichnet. DieEinflüsse dieses Dunkelstromes werden in der Regel vor der Auslieferung der Daten durch denSensorbetreiber korrigiert.

86


werden. Im Gegensatz dazu untersucht die spektrale Entmischung bzw. die Model-lierung der spektralen Mischungsverhältnisse, die Art der Zusammensetzung unter-schiedlicher Materialien, die die abgebildete Oberfläche charakterisieren. Die Abbil-dung 6.1 zeigt schematisch einen Bildpunkt im Fernerkundungsbild und die wirklichenVerhältnisse am Boden zusammen mit den aus den Bilddaten extrahierten Spektrenfür die wichtigsten Bestandteile der Mischung (Boden und Baum) sowie das darausentstehende Mischpixel.

1 2 3 4 5 6 7

Baum

Boden

Mischung

Wasser

DN

(a) (b)

Abbildung 6.1: (a) Schematische Abbildung, die das spektrale Mischungsverhältnis einesBildpixels in der Wirklichkeit beschreibt (b) und Spektren von reinem Mate-rial, das in der Bildszene vorkommt und dessen Mischspektrum (verändertnach [TOMPKINS ET. AL., 1997]).

Bei dem Verfahren der spektralen Entmischung werden die relativen oder abso-luten Anteile einer bestimmten Anzahl spektraler Komponenten (sog. Endmember 2)berechnet, aus denen sich ein betrachteter Bildpunkt zusammensetzt. Deshalb ist dasErgebnis einer solchen Untersuchung ein neuer Bilddatensatz, bei dem jeder Kanalden relativen Anteil eines bestimmten Endmembers angibt. Die am weitesten verbrei-tete Methode der spektralen Entmischung ist das linear spectral unmixing (LSU), dieeinen linearen Zusammenhang zwischen den einzelnen Komponenten fi eines PixelsRi nach Gleichung 6.3 herstellt (z.B. [SCHOWENGERDT, 1997], [TOMPKINS ET. AL.,1997]).Durch die Minimierung des Restfehlers εi mit Hilfe der Methode der kleinsten Quadrate(Gleichung 6.4) wird für die Gleichung 6.3 eine eindeutige Lösung bestimmt.

Ri

n∑

j=1

fiReij + εi und 0 ≤n∑

j=1

fi ≤ 1 (6.3)

2Unter Endmember wird das Spektrum eines reinen Materials verstanden, das für die Auswertung z.B.bei der spektralen Entmischung herangezogen wird.

87


εRMS =

√∑ni=1 ε2

i

i(6.4)

mit: Ri = Reflektanz für jedes Pixel im Bildkanal i,fi = Anteil der jeweiligen spektralen Komponente (Endmember ),

der sukzessive für jeden Bildkanal berechnet wird,Reij = Reflektanz eines Endmembers j in Band i,i = Bandnummer,j = spektrale Komponente (Endmember ),εi = Restfehler zwischen dem gemessenen und modellierten

Digitalwert in Band i.

Dieser Restfehler, definiert als Differenz zwischen dem gemessenen und model-lierten Digitalwert des Pixels, ist theoretisch gleich dem Sensorrauschen, wenn dasuntersuchte Pixel nur aus den ausgewählten Endmemberspektren zusammengesetztist. Das Endergebnis der Entmischung wird bestimmt, indem die Bildmatrix z.B. mitHilfe der Gauß’schen Elimination [MEISTER, 2005] invertiert wird. Für ein Pixel, dassich aus allen Endmembern gleichmäßig zusammensetzt, werden die Ergebnisse füralle Endmember gleich sein und aufsummiert 1 ergeben. Für ein reines Pixel, beste-hend aus einem Endmember, wird der Anteil für dieses Endmember 1 ergeben, füralle anderen 0 [VAN DER MEER AND DE JONG, 2001].

Lineare Mischungsverhältnisse setzen voraus, dass das reflektierte Licht nur voneinem einzigen Oberflächenobjekt beeinflusst worden ist. In der Realität wird diese An-nahme aber nur selten erfüllt, weil die Einstrahlung und die Reflexion ein komplexesSystem ausbilden. So wird die Einstrahlung beispielsweise von benachbarten Bild-punkten auf den zum Sensor reflektierenden Bildpunkt gestreut. Die atmosphärischeStreuung des einfallenden Lichtes verändert die Reflexionseigenschaften des Objek-tes weiter oder die auf ein Objekt auftreffende Strahlung wird transmittiert und ansch-liessend wiederholt reflektiert. Ausserdem setzt insbesondere die Methode des LinearSpectral Unmixing voraus, dass für alle Oberflächenbestandteile die zugehörigen End-member bekannt sind.Diese Eigenschaften schränken die Nutzung der linearen spektralen Entmischung ein.[MUSTARD, SUNSHINE, 1999] geben diesen Einfluss auf die berechneten Fraktionenmit bis zu 30% an, während [ROBERTS ET. AL., 1997] feststellten, dass eine lineare,additive Zusammensetzung der Reflexion eines Pixel aus den einzelnen Komponentenin den meisten Fällen eine gute Annäherung an die Realität darstellt.

Die Modellierung all dieser Eigenschaften würde die Nutzung eines nicht linearenModelles erfordern. Die Anwendung solcher Modelle ist aber besonders aufwändigund auch in den gängigen Softwarepaketen wie z.B. ENVI nicht als Standardverfahren

88


integriert. Aus diesem Grunde wurde für diese Arbeit ein weiterer Algorithmus heran-gezogen, der zwar ebenfalls auf der Anwendung linearer Mischungsmodelle basiert,die unterschiedlichen nicht linearen Phänomene aber statistisch berücksichtigt. Dieseals Mixture Tuned Matched Filtering (MTMF) [BOARDMAN, 1998] bezeichnete Metho-de hat zudem den Vorteil, dass nicht alle Mischungsbestandteile bekannt sein müssen.Das MTMF ist eine Mischung aus dem Matched Filtering [GONZALES, WOODS, 2001]und der linearen spektralen Entmischung. Das Matched Filtering wird in den Diszipli-nen der Signalverarbeitung erfolgreich eingesetzt, um bestimmte Signale aus einemverrauschten Mischsignal herauszufiltern. Das Signal eines bestimmten Endmemberswird dabei maximiert, während die Signale des gemischten unbekannten Hintergrun-des unterdrückt werden. Aus diesem Zusammenhang wird der Matched Filtering Zäh-ler (MF-Score) bestimmt. Weil nur durch die Anwendung dieses Verfahrens die Fehl-alarmhäufigkeit sehr hoch ist, mischte [BOARDMAN, 1998] dieses Verfahren mit denMethoden der linearen spektralen Entmischung.Dieses sogenannte Mixture Tuning nutzt die Randbedingungen des linearen spektralenEntmischens, dass die Signatur eines jeden Pixels als Linearkombination der einzel-nen Komponenten des Pixels aufgefasst werden kann, dass die Summe der Gewichteder Endmember 1 ergeben und dass keine negativen Gewichte vorkommen könnenund berechnet damit den Nichtdurchführbarkeits- oder Unsicherheitswert (InfeasibilityScore) für jedes Pixel.

Die Voraussetzungen für die Anwendung dieses Algorithmus sind, dass die Daten,auf die der Algorithmus angewendet werden soll, vollständig dekorreliert sind und dassdas Rauschen des Datensatzes normalverteilt ist. Im Allgemeinen kann dies durcheine Transformation der Bilddaten in die Minimum Noise Fraction (MNF) (Abbildung6.2) erreicht werden.

Prinzipiell ist diese MNF Transformation eine zweistufige Hauptkomponententrans-formation. Der erste Schritt dekorreliert und skaliert das Rauschen des Datensatzesauf der Basis einer abgeschätzten Kovarianzmatrix [RSI, 2004A]. Das Ergebnis die-ser ersten Transformation ist ein Datensatz, in dem das Rauschen eine einheitlicheVarianz besitzt und die Korrelationen zwischen den einzelnen Bändern reduziert sind.Der zweite Schritt ist eine gewöhnliche Hauptkomponententransformation, basierendauf den Ergebnissen des ersten Schrittes. Der dadurch entstehende Datenraum kannin zwei Teile aufgeteilt werden, nämlich in einen Teil, der die komprimierte Informa-tion des Datensatzes enthält mit hohen Eigenwerten und kohärenten Eigenvektoren.Der zweite Teil wird geprägt von niedrigen Eigenwerten und Bildern, die von starkemRauschen dominiert werden [RSI, 2004A].

89


Minimum Noise

Fraction

Hauptkomponenten-

transformation

Abschätzung des

Rauschens

Evaluierung

Dunkelstrom

Bildstatistik

vorhandene

Statistik

Eigenwerte

Bilddaten

Abbildung 6.2: Ablaufdiagramm der MNF-Transformation.

6.2 Parametrisierung der Spektren

Aus der zweiten Gruppe von Auswerteverfahren, bei der die Spektralsignaturen mathe-matisch beschrieben werden, sind für diese Arbeit vier grundsätzlich unterschiedlicheAnsätze genutzt und weiterentwickelt worden, die im Folgenden beschrieben werden.

6.2.1 Vegetationsindizes und spektrale Ratios

Seit den Anfängen der fernerkundlichen Auswertungen wurden Vegetationsindizes ent-wickelt, um den Grad des Bewuchses von zu untersuchenden Flächen zu bestimmen.So wurden in den letzten 20 Jahren über 40 Indizes veröffentlicht, die sich alle dieEigenschaft von Pflanzen zunutze machen, dass sie durch das in ihnen enthaltenephotosynthetisch aktive Material (z.B. Chlorophyll) im roten Wellenlängenbereich starkabsorbieren, während das Licht in den Wellenlängen des nahen Infrarot stark reflektiertoder transmittiert wird. Deshalb wird die Reflexion in Rot besonders beeinflusst durchdie Chlorophyll-Konzentration während im nahen Infrarot die Vegetationsdichte und derLeaf-Area-Index (LAI) die Reflexion maßgeblich beeinflusst. Zunächst waren die Vege-tationsindizes simple Ratios zwischen zwei unterschiedlichen Wellenlängenbereichendes betrachteten Spektrums. Der Wunsch nach Vegetationsindizes, die möglichst un-abhängig von der atmosphärischen Situation oder vom Boden sind, führte zu einerstetigen Weiterentwicklung der Vegetationsindizes. So entstand mit den Jahren eine

90


Vielzahl von Vegetationsindizes, die meist auf spezielle Anforderungen optimiert sind.Eine zusammenfassende Betrachtung vieler Indizes gibt zum Beispiel [BANNARI ET.AL. 1995].

Die ersten Vegetationsidizes auf der Basis simpler Ratios von Landsat MSS Kanä-len wurden im Jahre 1972 von Pearson und Miller [PEARSON, MILLER, 1972] ent-wickelt. Diese Indizes, der Ratio Vegetation Index (RVI) und die Vegetation Index Num-ber (VIN), werden wie folgt aus dem roten R und nahen Infraroten Kanal NIR desSensors berechnet:

RV I =R

NIR(6.5)

V IN =NIR

R(6.6)

Diese Indizes erhöhen zwar den Kontrast zwischen dem Boden und der Vegeta-tionsdecke und sind weniger beeinflusst durch die Beleuchtungsverhältnisse, zeigenaber starke Abhängigkeit von den optischen Eigenschaften der Oberfläche.Eine Weiterentwicklung dieser Indizes ist der Normalized Difference Vegetation Index(NDVI) (Gleichung: 6.7), der die Einflüsse von Beleuchtung und Atmosphäre auf dieErgebnisse weiter minimiert [ROUSE ET. AL. 1974].

NDV I =NIR−R

NIR + R(6.7)

Dieser Index ist empfindlich für grüne Vegetation und er erlaubt vor allem Untersu-chungen an landwirtschaftlichen Kulturen. Deshalb wird er bis heute in vielen regiona-len und globalen Anwendungen verwendet und ist wahrscheinlich der gebräuchlichsteVegetationsindex. Der Nachteil dieses Indexes ist seine Empfindlichkeit bezüglich denEinflüssen von Boden und Atmosphäre.

Weiterentwicklungen versuchen deshalb diese Unzulänglichkeiten auf unterschied-liche Weise zu berücksichtigen. So entwickelte z.B. [HUETE, 1988] einen Index, derdas System Vegetation - Boden adäquat in einem Faktor L beschreiben soll und derals Soil Adjusted Vegetation Index (SAVI) bezeichnet wird (Gleichung: 6.8).

savi =NIR−R

NIR + R + L× (1 + L) (6.8)

Während [HUETE, 1988] noch von einem konstanten Bodenfaktor von L = 0.5

ausging, zeigte z.B. [QI, 1993], dass der Bodenfaktor vielmehr eine Funktion dar-stellt, die sich umgekehrt proportional zur Vegetationsdichte verhält. Diese Anpassun-gen führten dann zum sogenannten Modified Soil adjusted Vegetation Index (MSAVI)(Gleichung: 6.9).

msavi =2×NIR + 1−

√(2×NIR + 1)2 − 8× (NIR−R)

2(6.9)

91


Dem Einfluss der Atmosphäre versuchten [PINTY UND VERSTRAETE, 1992] mitder Entwicklung des Global Environmental Monitoring Index (GEMI) entgegenzuwir-ken. Dieser nicht lineare Index (Gleichungen: 6.10 und 6.11) erlaubt es, die relativenatmosphärischen Einflüsse zu minimieren, ohne die Information zur Identifikation derVegetationsdecke zu beeinflussen.

GEMI = η (1− 0.25η)− (R− 0.125)

(1−R)(6.10)

mit:

η =[2× (NIR2 −R2) + 1.5×NIR + 0.5×R]

(NIR + R + 0.5)(6.11)

Obwohl der Index seine Ziele, die Verminderung atmosphärischer Effekte, erreicht,ist er bezüglich des Bodeneinflusses sensitiv und damit für die Anwendung auf spärlichbewachsenem Gelände weniger geeignet.

Seit dem Aufkommen hyperspektraler Fernerkundungssensoren wurden auchspektrale Ratios erfolgreich zur Erkennung von Pflanzenstress eingesetzt. So zeigtez.B. [CARTER, 1994], dass diese Ratios mit schmalbandigen Sensoren (2 nm) erfolg-reich zur Erkennung von Pflanzenstress eingesetzt werden können. Carter sieht insbe-sondere das Ratio der Reflektanz bei 710 und der Reflektanz bei 760 nm als besonderssensitiv, Stress der verschiedensten Ursachen zu erkennen. Die weiteren von ihm ge-testeten Ratios R695/R420, R605/R760 und R695/R720 erwiesen sich demgegenüberals besonders sensitiv auf einzelne Einflussfaktoren, die bei der Pflanze Stress hervor-rufen.Beispiele für den Einsatz von spektralen Ratios mit schmalbandigen Fernerkundungs-daten für die Abschätzung des Chlorophyllgehaltes geben z.B. [ZARCO-TEJADA ET.AL.,2004], [MURPHY ET.AL., 2005], oder [GITELSON ET.AL., 1999].[GITELSON ET.AL., 1999] fanden z.B. heraus, dass sich das Chlorophyll FlourescenceRatio F735/F700 linear proportional zum Chlorophyllgehalt verhält (Korrelationskoeffizi-ent r2 = 0.95). [ZARCO-TEJADA ET.AL., 2004] dagegen stellten fest, dass das Refle-xionsratio bei 750 und 710 nm (R750/R710) gute Ergebnisse in der Chlorophyllabschät-zung auf Vegetationsflächen mit geschlossenem Kronendach liefert, während die Me-thoden angewendet auf spärliche mediterrane Vegetation nicht zufriedenstellend wa-ren. [MURPHY ET.AL., 2005] testeten diverse Vegetationsindizes zur Bestimmung desChlorophyllgehaltes von Schlick im Wattenmeer und fanden heraus, dass insbesonde-re das Reflexionsratio bei 762 und 647 nm, anhand von Feldspektrometermessungenberechnet, gut dazu geeignet ist, den Gehalt an Chlorophyll zu bestimmen.

92


6.2.2 Parametrisierung des Red-Edge

Ein weiterer Ansatz zur Parametrisierung der Reflexionsspektren ist die Bestimmungder Red-Edge-Wellenlänge. Geometrisch wird unter dieser Wellenlänge der Wende-punkt verstanden, der im Laufe des steilen Reflexionsanstieges zwischen roten undinfraroten Wellenlängen bei Vegetationsspektren zu finden ist (Abb.: 6.3).

red-edge

Abbildung 6.3: Visualisierung des Red-Edge anhand einer HyMapTM Vegetations-Spektralkurve.

Horler et. al. [HORLER ET. AL., 1980] zeigten bereits 1980, dass sich die Wel-lenlänge des Red-Edge in Richtung kürzerer Wellenlängen verschiebt, wenn die be-trachtete Vegetationsbedeckung Stressfaktoren unterliegt. Singhroy et. al. [SINGHROY

ET. AL., 1991] fügten dem 1991 hinzu, dass pflanzenstressbedingte Verschiebungendes Red-Edge in beide Richtungen, sowohl zu kürzeren als auch zu längeren Wellen-längen, verursachen können. Der Red-Edge wird danach beeinflusst sowohl von derKonzentration des Chlorophylls im Blattgefüge als auch vom Zustand der Chloroplas-tenmembran, an die das Chlorophyll gebunden ist. Eine Abnahme des Chlorophyll-gehaltes führt demnach zu einer Verschiebung des Red-Edge in Richtung des blauenLichtes, während die Zerstörung der Chloroplastenmembran zu einer Verschiebung hinzu längeren Wellenlängen führt.

Zur Berechnung dieses Punktes sind in der Literatur mehrere Methoden zu fin-den. Darunter sind zum Beispiel die lineare Methode von Guyot und Baret [GUYOT

ET. AL., 1988] (Gleichungen: 6.12 und 6.13) oder die Lagrange-Methode von Dawsonund Curran [DAWSON ET. AL., 1998], die eine Drei-Punkt-Lagrange-Interpolation für

93


die Berechnung des Wendepunktes nutzt.

Rre = (R670 + R780) /2 (6.12)

und:

λre = 700 + 40× [(Rre −R700) / (R740 −R700)] (6.13)

mit: Rre = Reflektanz am Wendepunktλre = Wellenlänge des Red-EdgeR670,700,740,780 = Reflektanzen an den Wellenlängen 670, 700,

740 und 780 nm.

Eine weitere Methode wurde bereits 1984 von Hare et. al. [HARE ET.AL., 1984]und vor allem dann 1988 durch [BONHAM-CARTER, 1988] formuliert, die eine inverseGauss-Interpolation zur Parametrisierung der Wellenlänge nutzten.

Die vorab kurz skizzierten Methoden nutzen nur einige wenige Wellenlängenbän-der, um den Red-Edge zu bestimmen. Im Rahmen dieser Arbeit wurde eine weitereMethode eingeführt, die jetzt alle Reflexionsbänder im interessierenden Wellenlängen-bereich zwischen 680 und 950 nm mit in die Berechnung einbezieht. Definitionsgemäßist die Red-Edge Wellenlänge der Wendepunkt der Reflexionskurve am Anstieg derReflexion im Bereich des Überganges zwischen rotem- und infrarotem Licht. Wende-punkte sind weiterhin definiert als die Stelle, an der die zweite Ableitung den Wert 0

annimmt. Zur Bestimmung dieses Wendepunktes wird eine Kombination aus Interpo-lation und Linearisierung genutzt (Abb.: 6.4). Zunächst wird hierbei die Reflexionskur-ve mit Hilfe einer kubischen Spline Interpolation [PRESS ET. AL., 1993] repräsentiert,die 2 mal abgeleitet wird. Auf die im vorigen Kapitel beschriebene Methode des Sa-vitzky-Golay-Filters zur Ableitung wurde bewusst verzichtet, weil damit eine Filterungdes Spektrums verbunden wäre. Da die Spline-Interpolation nur Ergebnisse für dieursprünglichen Stützpunkte liefert, wird die Nullstelle der Funktion berechnet, indemzwei Stützpunkte bestimmt werden, zwischen denen der Wert der zweiten Ableitungdas Vorzeichen ändert. Zwischen diesen beiden Stützpunkten wird mit Hilfe einer Ge-radengleichung linear interpoliert und eine Nullstelle berechnet. Der x-Wert dieser Null-stelle bezeichnet die Red-Edge Wellenlänge.

94


Abbildung 6.4: Bestimmung des Red-Edge durch Spline-Interpolation - Reflexionskurve(links); 1te. Ableitung (Mitte) und 2te. Ableitung (rechts).

Zur Beschreibung des Wellenlängenbereiches um den Übergang zwischen denWellenlängen des roten und infaroten Lichtes sind neben dem Red-Edge einige weiteremit ihm im Zusammenhang stehende beschreibende Merkmale definiert worden. Diesesind im einzelnen:

• maximale Reflexion im nahen Infrarot,

• Wellenlänge an der die maximale Reflexion im nahen Infrarot auftritt,

• minimale Reflexion im roten Wellenlängenbereich,

• Wellenlänge an der die minimale Reflexion im Rot auftritt,

• maximale Reflexion im roten Wellenlängenbereich,

• Wellenlänge an der die maximale Reflexion im Rot auftritt.

6.2.3 Parametrisierung des Spektrums durch die Analyse desContinuum Removal

Neben der Bestimmung des Red-Edge können die zu untersuchenden Spektren auchdurch eine Betrachtung der Continuum Removed Reflexionskurve beschrieben werden[KOKALY, 1999]. Unter Kontinuum versteht man im allgemeinen ein konvexe Hülle, diedie Maxima des Spektrums miteinander verbindet.

Diese statistische Trendfunktion kann nach [CLARK ET AL., 1984] auf verschie-dene Weisen wie z.B. gerade Liniensegmente, Polynome, Gauß’sche Glockenkurvenoder kubische Splines abgeschätzt werden. Weil im vorliegenden Falle nur ein Ab-sorptionsband der Kurve betrachtet wird, kann das Kontinuum am besten durch einlineares Segment abgeschätzt werden, während bei der Betrachtung des gesamten

95


Abbildung 6.5: Beispiel für ein Continuum Removal im Bereich des Chlorophyll Absorptions-features [CLARK, 1999].

Reflexionsverlaufes häufig die Spline Approximation oder die Gaus’sche Glockenkurvebessere Ergebnisse liefert. Durch Division dieses Kontinuums durch die gemessenenReflexionswerte nach Gleichung 6.14 entsteht eine Kurve, die die spektralen Beson-derheiten des Spektrums im Bereich dieses Absorptionsbandes verdeutlicht [CLARK

ET AL., 1984, DEBBA ET.AL., 2005]. Für Absorptionsspektren müsste das Kontinuumanstatt durch Division durch Subtraktion vom Spektrum getrennt werden [CLARK ET

AL., 1984].

ec (λ) = e (λ) /ce (λ) (6.14)

mit: ec (λ) = continuum removed Spektrum,e (λ) = Spektrum,ce (λ) = konvexe Umhüllende (continuum).

Auf diese Weise werden die teilweise subtilen spektralen Features, die von un-terschiedlichen Gesundheitszuständen im Vegetationsbestand hervorgerufen werden,verdeutlicht, indem andere Reflexionsfeatures durch das Kontinuum unterdrückt wer-den [CLARK ET AL., 1984].

Anhand dieser aus dem Spektrum abgeleiteten Kurve werden dazu einige weite-re beschreibende spektrale Merkmale berechnet (siehe Abb.: 6.6), die dessen Verlaufgeometrisch beschreiben und mit denen es ermöglicht wird, diesen automatisiert ma-thematisch zu erfassen, zu analysieren und zu vergleichen.

Diese spektralen Merkmale sind im einzelnen:

• maximale Absorptionstiefe, mathematisch beschrieben durch die Differenz desabsoluten Minimum des zu betrachtenden Ausschnittes oder der gesamten Kurve

96


und Eins. Statistisches Maß für die Menge des aborbierten Lichtes im jeweilsbetrachteten Absorptionsband,

• FWHM (Full Width at Half Maximum), Breite des Absorptionsfeatures bei halberAbsorptionstiefe,

• Symmetriewert, Lage des Maximums im Kontext des gesamten Absorptionsban-des, berechnet sich aus dem dekadischen Logarithmus der Summe der Reflexi-onswerte links vom Absorptionsmaximum dividiert durch den dekadischen Loga-rithmus der Summe der Reflexionswerte rechts vom Absorptionsmaximum [SIN-GHROY ET. AL., 1991],

• Flächeninhalt, den der Absoprtionstrog umschließt,

• Maximum im roten Wellenlängenbereich, der sich durch die Reflexionseigen-schaften des Chlorophyll ausbildet,

• Wellenlänge, an der dieses Maximum auftritt.

Abbildung 6.6: Einige genutzte beschreibende Merkmale des Continuum removed Spek-trums.

97


6.2.4 Parametrisierung des Spektrums durchAbleitungsfunktionen

Die Analyse von Spektren mit Hilfe ihrer Ableitungsfunktionen [SCHOWENGERDT, 1997]ist eine Analysemethode, die ursprünglich für die Anwendung in der Laborspektrome-trie entwickelt wurde [TALSKY, 1994] und in diesem Arbeitsbereich auch erfolgreicheingesetzt wird. Die Ableitungsfunktionen sind auch in der Anwendung an hyperspek-tralen Fernerkundungsdaten vielversprechend, obwohl die spektrale Auflösung derzei-tiger Hyperspektralsensoren deutlich geringer ist als die der im Labor eingesetztenSpektrometer, weil die Ableitungen ähnlich wie die Methodik des continuum removaleinzelne Features betonen und dabei die mittlere Reflexion unterdrücken. [PHILPOT,1991] stellte heraus, dass die Methoden der Untersuchung der Ableitungsfunktion ins-besondere die Effekte des atmosphärischen Einflusses minimieren. Ein Nachteil derMethode ist allerdings, dass sie sehr anfällig bezüglich des in den Spektren enthal-tenen Rauschens ist. Obwohl der hier verwendete Sensor HyMapTM bezüglich seinesSignal-Rausch-Verhältnisses vergleichsweise gute Werte liefert, ist deshalb eine Me-thode zur Rauschverminderung erforderlich (siehe Kapitel 5.2).

Für die vorliegende Arbeit sind die Ableitungen der Spektralsignaturen durch diein IDL integrierte 3 Punkt Lagrange Interpolation bestimmt worden nach:

P (x) =n∑

j=1

Pj(x) (6.15)

Für n = 3 Punkte ergibt sich daraus die erste Ableitung P ′(x) der Lagrange Inter-polation nach:

P ′(x) =2x− x2 − x3

(x1 − x2) (x1 − x3)+

2x− x1 − x3

(x2 − x1) (x2 − x3)+

2x− x1 − x2

(x3 − x1) (x3 − x2)(6.16)

Als beschreibende Merkmale dienen bisher Ratios, die den Kurvenverlauf anhanddes Quotienten der abgeleiteten Reflexionswerte an unterschiedlichen Wellenlängenbeschreiben (z.B. [NI ET.AL., 2005]). [MURPHY ET.AL., 2005] zeigten darauf aufbau-end, dass auch die einfachen Ableitungswerte an den Wellenlängen der bekanntenspektralen Merkmale bestimmter Stoffe gute Korrelationen mit dem jeweiligen Inhalts-stoff zeigen. So stellten sie für das Chlorophyll fest, dass insbesondere der abgeleiteteReflexionswert bei einer Wellenlänge von 607 nm gut (r = 0.78) mit dem Blattpigmentkorreliert.

Als weitere beschreibende Merkmale auf der Basis der Ableitungsfunktionen sindim Rahmen dieser Arbeit die Grössen der Flächen, die vom abgeleiteten Spektrumumgeben werden, eingeführt worden. So wurden die Flächeninhalte der ersten fünf

98


Ableitungsfunktionen über die gesamte Wellenlänge bestimmt. Zusätzlich sind die Flä-cheninhalte über den für die Chlorophyllbestimmung besonders interessanten Wellen-längenbereich zwischen 540 und 740 nm berechnet und als die Reflexionskurve be-schreibende Merkmale untersucht worden. Eine Visualisierung der Features der Flä-cheninhalte am Beispiel der ersten Ableitung gibt Abb. 6.7.

(a) (b)

Abbildung 6.7: Beispiel für die Features des Flächeninhalts über (a) den Ausschnitt zwischen540 und 740 nm und (b) über das gesamte Spektrum am Beispiel der erstenAbleitung.

Die Tabelle 6.1 stellt zusammenfassend alle für die folgendenen Auswertungenbenutzten beschreibenden Merkmale des Spektrums zusammen.

99


Tabelle 6.1: Zusammenfassende Darstellung der spektralen Merkmale

Merkmalsgruppe Beschreibung einzelne MerkmaleRed-Edge Merkmale, die den Kurvenverlauf

um den charakterisitischen steilenReflexionsanstieg zwischen denBereichen des roten und infrarotenLichtes direkt beschreiben

· Red-Edge Wellenlänge,

· maximale Reflexion im NIR,· minimale Reflexion im roten

Wellenlängenbereich (Rot),

· Wellenlänge der minimalenReflexion im Rot,

· maximale Reflexion im Rot,

· Wellenlänge der maximalenReflexion im Rot.

Continuum-Removal (CR)

Merkmale, die den Kurvenverlaufeines normalisierten Spektrumsbeschreiben. Das Kontinuumentspricht hier dem Verlauf einerlinearen Trendfunktion, die dielokalen Maxima derReflexionskurve in einemvordefinierten Wellenlängenbereichals Stützpunkt besitzt. DurchSubtraktion der Trendfunktion vomReflexionsspektrum erhält manContinuum Removal Spektrum

· maximale Absorptionstiefe,

· Breite des Absorptionstroges beihalber Absorptionstiefe (FWHM),

· Symmetriewert zur Beschreibungder Form des Absorptionstroges,

· Wellenlänge der maximalenAbsorptionstiefe,

· Fläche, die der Absorptionstrogeinschließt,

· Maximum, den das CR-Spektrum imRot beschreibt,

· Wellenlänge dieses Maximums.

Flächeninhalte Zur Beschreibung von Spektral-signaturen werden dieFlächeninhalte herangezogen, diedie Reflexionskurven sowie derenAbleitungen umschließen.

· Flächeninhalt der Reflexionskurvesowie deren ersten vier Ableitungenüber den gesamtenWellenlängenbereich (5 Merkmale),

· Flächeninhalt der Reflexionskurvesowie deren ersten vier Ableitungenüber einen frei wählbarenAusschnitt desWellenlängenbereichs(5 Merkmale).

Spektrale Ratios Ratios beschreiben die Reflexions-verhältnisse an jeweils zweiverschiedenen Wellenlängen.

· Reflexion bei 695 nm / 670 nm



· Reflexion bei 760 nm / 710 nm· Reflexion bei 940 nm / 650 nm


· Reflexion bei 750 nm / 710 nm· Reflexion bei 762 nm / 647 nm


100

7 Bestimmung desWaldpflanzenzustandes

7.1 Ableitung des Pflanzenzustandes durch spektrale

Entmischung

7.1.1 Allgemeine Grundlagen der Anwendung der Methoden derspektralen Entmischung

Die Methoden der spektralen Entmischung sind ursprünglich zur Klassifikation vonLandnutzungen und besonders von Mineralien und Gesteinen entwickelt worden. Da-zu wird auf Subpixelbasis, mit Hilfe statistischer Verfahren, der jeweilige Anteil einerMischungskomponente am betrachteten Pixel bestimmt (Kapitel 6.1). Im Rahmen dervorliegenden Arbeit soll sie als eine Methode getestet werden, Anomalien im Pflanzen-zustand eines bergbaubeeinflussten Gebietes zu erfassen.

Waldbäume zeigen häufig einen erhöhten Blattverlust, wenn sie durch vermin-derten Gesundheitszustand auf einen Stressfaktor reagieren. Diese Tatsache bildetdie pflanzenökologische Grundlage für die Anwendung der Verfahren der spektralenEntmischung in dieser Arbeit. Die Abb. 7.1 zeigt zwei Buchenflächen im HyMapTM -Datensatz, von denen der Eine (links) durch dichten, der Andere (rechts) durch lichtenBlattbewuchs gekennzeichnet ist.

Dieser Faktor wird auch in der terrestrischen Waldzustandserfassung mit dem Fak-tor Blatt- bzw Nadelverlust bzw. Belaubungsgrad als wichtiger Indikator bestimmt. Aller-dings ist auch dieser Wert stark vom Witterungsverlauf des jeweiligen Jahres abhängig,sodass es keinen allgemeingültigen Wert gibt, den man einem gewissen Gesundheits-zustand des jeweiligen Baumes allgemeingültig zuordnen könnte. Aus diesem Grundwird auf der Grundlage terrestrischer Untersuchungen ein Waldbestand in Normalzu-stand zum Zeitpunkt der Untersuchungen definiert. Dessen spektrale Mischungsver-hältnisse werden anschließend mit denen anderer Bestände verglichen und diese danneiner Zustandsklasse, in Abhängigkeit von diesem Normzustand, zugeordnet. Das aus

101

7 Bestimmung des Waldpflanzenzustandes

Abbildung 7.1: HyMapTM-Datensatz überlagert mit im GIS definierten Waldbeständengleicher Art (Buche), linke Fläche: dichte Bewuchsform mit heller Si-gnatur, rechte Fläche: lichtere Bewuchsform mit dunklerer spektralerSignatur.

dem Fernerkundungsdatensatz gewonnene Maß, das die Dichte des Kronenschlussesbeschreibt, ist stark abhängig von der jeweiligen Baumart, dem Bewuchsalter und derBewirtschaftungsform, sodass die Betrachtung für jede Art getrennt erfolgen sollte.

7.1.2 Endmemberselektion

Unter Endmember versteht man spektral reine und unvermischte Spektren eines Bild-datensatzes, die für diverse Klassifikationsalgorithmen, wie auch für die Methoden derspektralen Entmischung, benötigt werden. Endmemberspektren sollen dabei alle Ei-genschaften definieren, die für die physikalischen Komponenten einer Oberfläche ty-pisch sind. Außerdem sollen alle Endmemberspektren eines Gebietes die gesamtenatürliche Variabilität der Oberfläche wiedergeben [ZHU ET. AL., 2002]. Eine weiterewichtige Betrachtung in der Endmemberdefinition ist die spektrale Eindeutigkeit desjeweiligen Spektrums. So sind insbesondere die hier betrachteten Waldökosysteme indiesem Zusammenhang zu nennen, deren Hauptbestandteile der Pflanzenoberflächeund des Bodens spektral kaum zu unterscheiden sind [ASNER ET.AL. 2002]. DieserUmstand führt bei der spektralen Entmischung zu hohen Korrelationen zwischen denSpalten der Endmembermatrix und als Folge daraus zu instabilen Entmischungsmatri-zen.

102

7.1 Ableitung des Pflanzenzustandes durch spektrale Entmischung

Die Anzahl der benötigten Endmember für eine korrekte spektrale Entmischung iststark abhängig von der spektralen Information, die durch den Bilddatensatz repräsen-tiert wird und kann häufig durch die Transformation der Daten in ihre Hauptkompo-nenten abgeschätzt werden [MUSTARD, SUNSHINE, 1999]. Die Eigenwerte sind da-bei ein Maß für die Varianz der einzelnen Hauptkomponenten und geben Aufschlussüber deren Informationsgehalt. Die Abbildung 7.2 zeigt den jeweiligen Eigenwert derHauptkomponenten der Kiefernflächen des Bilddatensatzes aus dem Jahr 2003. Dar-aus wird ersichtlich, dass bereits mit den ersten drei Hauptkomponenten der Haupt-teil (über 99%) der Bildinformation beschrieben werden kann. Diese Information dientauch dazu, die Anzahl der erforderlichen Endmember abzuschätzen. So wird im vor-liegenden Falle davon ausgegangen, dass für jede Waldart drei Endmemberspektrenausreichend sind, um über 99% der Bildinformation zu beschreiben.

Abbildung 7.2: Eigenwerte der Hauptkomponentenanalyse zur Abschätzung der An-zahl der benötigten Endmembers.

Die Auswahl geeigneter Endmember ist der kritische Schritt in der Anwendungaller spektraler Entmischungsalgorithmen [ASNER ET.AL. 2002]. Grundsätzlich kön-nen solche Spektren aus zwei unterschiedlichen Quellen stammen. Zum ersten sinddas Spektralbibliotheken, die häufig allgemein zugänglich oder in den gängigen Fern-erkundungs Softwarepaketen integriert sind. Eine der bekanntesten und umfangreich-sten Spektralbibliotheken ist die USGS Spectral Library [CLARK ET.AL. 2003] des Geo-logischen Dienstes der USA (US Geological Survey), die über 800 charakteristischeSpektren von Mineralien, Gesteinen, künstlichen Oberflächen, Flüssigkeiten und un-terschiedlichen Vegetationsformen enthält. Die hier enthaltenen Spektren sind vorwie-gend mit hochauflösenden Spektrometern unter Labor- oder kontrollierten Feldbedin-gungen gemessen worden. Vor der Anwendung von solchen Spektren in Bildbearbei-tungsalgorithmen, müssen diese spektral und radiometrisch auf den Fernerkundungs-datensatz angepasst werden. Während das spektrale Resampling meist durch Kennt-nis der Charakteristika der genutzten Sensoren mit Hilfe eines Gauß’schen Ansatzesproblemlos möglich ist, ist die radiometrische Anpassung häufig mit Problemen verbun-den, die wegen der Unkenntnis der Transformationsparameter nicht zufrieden stellend

103


gelöst werden können. Diese Unzulänglichkeiten lassen sich mindern aber nicht lösen,wenn Spektren aus Feldspektrometer - Messkampagnen im Untersuchungsgebiet ge-nutzt werden.

Die zweite Quelle, aus der Endmemberspektren abgeleitet werden können, istder Bilddatensatz selbst. Dies hat den Vorteil, dass spektrale und radiometrische An-passungen nicht erforderlich sind und auch eine Korrektur atmosphärischer Effekteunterbleiben kann. Allerdings besteht hier die Schwierigkeit, dass die meisten Spek-tralsignaturen, die mit Hilfe eines abbildenden Spektrometers aufgenommen wurden,spektral vermischt sind. Aus diesem Grunde sind in der Vergangenheit in der Lite-ratur diverse Methoden beschrieben worden, die Wege beschreiben, die reinsten Pi-xel des Bilddatensatzes zu extrahieren. Solche automatisierten Methoden nutzen zumBeispiel die iterative Fehler Analyse auf der Basis eines mit Hilfe des „Weighted Non-negative Least Squares“ Ansatzes berechneten Entmischungsbildes [HASKELL ET.AL.,1981] [STAENZ ET.AL. 1998]. Andere Ansätze, wie auch der hier genutzte, nehmen dieErgebnisse der MNF- (minimum noise fraction) Transformation als Grundlage (Kapitel:6.1).

Für die automatische Suche nach den geeigneten Endmembern kommt häufigdie Methode der Bestimmung des Pixel Purity Index (PPI) zum Einsatz. Das Verfah-ren trägt alle Bildspektren in einem n-dimensionalen (n = Anzahl der Spektralkanäle)Merkmalsraum auf. Die Punkte der Umhüllenden einer jeden so entstehenden Punkt-wolke werden als reine Spektren angesehen. Die so entstehende Punktwolke wird indiesem Verfahren auf eine repräsentativ große Anzahl von Zufallsvektoren (> 100.000)projiziert, die alle ihren Ursprung im Ursprung des Koordinatensystems haben. Fürjede Projektion werden alle Punkte markiert, die die Umhüllende bilden. Je häufigerein Punkt als solcher markiert wird, als desto reiner wird er angesehen [BOARDMAN,1993].

Für die vorliegende Arbeit hat sich diese automatisierte Methode jedoch als unge-eignet erwiesen, weil die als rein erkannten Pixel, erwartungsgemäß, allesamt nicht invon Wald bedeckten Gebieten zu finden waren. Selbst bei der Anwendung des Verfah-rens ausschließlich auf im GIS ausgewiesene Waldflächen wurden als besonders reinlediglich die Waldränder oder kleine Lichtungen ausgewiesen, die im GIS-Datensatzaufgrund der Generalisierung bzw. mangelnder Koregistrierung als Wald ausgewiesensind (Abb. 7.3).

Deshalb wurde hier eine andere Methode entwickelt, die ebenfalls auf der Ba-sis von MNF transformierten Daten GIS gestützt Endmembers extrahiert. Hierzu wirdzunächst für jede interessierende Waldart ein GIS Layer erzeugt, das am Rand um30 Meter beschnitten wird, um zu vermeiden, dass durch Fehler in der Georeferen-zierung oder in der GIS Biotoptypenkartierung selbst, Mischpixel am Rand entstehen,

104


Abbildung 7.3: HyMapTM-Bildkanal überlagert mit den durch den Pixel Purity Indexidentifizierten Endmember (rot gekennzeichnet).

oder dass Nutzungen, die am Rand in den Biotoptyp hineinragen, wie z.B. Straßen,als reine Nutzung identifiziert werden. Im Anschluss daran wurden diese GIS Layer mitden Bilddaten verschnitten und jeweils das Spektrum mit der höchsten, mittleren undniedrigsten Reflexion berechnet. Hierzu konnte nicht die durch ENVI zur Verfügung ge-stellte Statistikfunktion genutzt werden, da diese jeweils synthetische Spektren mit denjeweils niedrigsten, mittleren oder höchsten Reflexionswerten für jeden Spektralkanalbestimmt. Stattdessen wurde eine eigene Funktion generiert, die das Spektrum mit derjeweils niedrigsten, mittleren oder größten Summe aus den durch die Biotoptypenkar-tierung selektierten Spektren bestimmt (Abb. 7.4).

Abbildung 7.4: Bildspektren einer Waldartenklasse (links) und das daraus statistischselektierte Minimum-, Median- und Maximumspektrum.

105


Der nächste Schritt zur Bestimmung der Endmember ist die Berechnung der MNF-Transformation. Dieser Schritt muss für jede Nutzungsart separat erfolgen, weil der Al-gorithmus auf der jeweiligen Bildstatistik beruht und diese durch die unterschiedlichenReflexionseigenschaften der einzelnen Nutzungen jeweils unterschiedlich ist. UnterNutzung der bei der Transformation erzeugten Bildstatistik wurden im Anschluss da-ran sämtliche im vorherigen Arbeitsschritt selektierten Spektren ebenfalls in den MNFRaum transformiert.

Diese transformierten Bilddaten bilden die Grundlage zur Berechnung des Mix-ture Tuned Matched Filtering (MTMF). Das MTMF ist ein Verfahren zur spektralenEntmischung, das im Gegensatz zur linearen spektralen Entmischung (LSU = Line-ar Spectral Unmixing) nicht von der Voraussetzung ausgeht, dass alle Bestandteile derOberfläche aus den als Eingangsfaktoren definierten Endmembern bestehen (sieheKapitel: 6.1). Als Ergebnis liefert der Algorithmus für jedes Endmember zwei Bildkanä-le, nämlich den relativen Anteil des Endmembers an jedem Bildpunkt („score“ ) und dieder Auswertung zu Grunde liegende Unsicherheit („infeasibility“ ) [RSI, 2004].

Zum letzten Schritt dieses Verfahrens zur Selektion von Endmembern werden je-weils der relative Anteil und die Unsicherheit eines Endmembers 2-dimensional in ei-nem Koordinatensystem aufgetragen. Die Endmember sind dabei definiert als die Pi-xel, die jeweils den höchsten Wert für den relativen Anteil und den niedrigsten für dieUnsicherheit zeigen und damit am rechten, unteren Rand der im Koordinatensystemaufgetragenen Punktwolke liegen (Abb. 7.5).

Die Abbildung 7.6 zeigt die für die unterschiedlichen Kiefernklassen auf die obenbeschriebene Art selektierten Endmemberspektren.

106


Abbildung 7.5: 2D Scatter-Plot zur Endmemberselektion. Auf der x-Achse wird derjeweilige relative Anteil und auf der y-Achse die dazugehörige Unsi-cherheit aufgetragen. Der Wert mit der kleinsten Unsicherheit und demgrößten relativen Anteil wird als Endmember definiert.

Abbildung 7.6: Endmemberspektren für die unterschiedlichen Kiefernunterklassen.ak0 = Kiefer (Pinus Sylvestris), alt4 = Lebensaltersstufe des Bestan-des und II_2 = Feuchtestufe.

107


7.1.3 Anwendung und Vergleich von Entmischungsaglorithmenzur Abschätzung des Waldpflanzenzustandes

Mit einer Verschlechterung des Waldzustandes geht häufig eine Verminderung desKronenschlussgrades einher (vergl. Kapitel 3.1). Dies führt dazu, dass im Spektrumhöhere Anteile der Mischungskomponenten Boden und Holz auftreten, während derAnteil der Komponente grüne Vegetation zurück geht. Die Methoden der spektralenEntmischung werden im Rahmen dieser Arbeit deshalb dazu eingesetzt, den Grad desKronenschlusses von reinen Waldbeständen abzuschätzen und darausSchlüsse auf den Waldpflanzenzustand zu ziehen. Im Vergleich zu den herkömmli-chen Methoden ist es deshalb erforderlich, die Zusammensetzung der Endmember andas Ziel der Auswertung anzupassen und im Vorfeld die zu untersuchenden Flächender jeweils reinen Bestände unterschiedlicher Arten im GIS sukzessive zu definieren.Die im Folgenden gezeigten Anwendungen werden am Beispiel der Art Kiefer durch-geführt, weil sie im Untersuchungsgebiet sowohl auf Flächen vorkommt, auf denenein erheblicher Bergbaueinfluss erwartet wird, als auch auf solchen, wo dieser ausge-schlossen werden kann. Außerdem reagiert die Art vergleichsweise sensitiv auf denStressfaktor Bodenfeuchte [ELLENBERG, 1992].

Auf der Basis der vorhandenen, aktualisierten Biotoptypenkartierung wurde zu-nächst eine Maske erstellt, die lediglich die reinen Bestände dieser einen Art enthält. ImAnschluss daran wurden die Flächen um 10 Meter (2 Pixel) beschnitten, um die Ränderder jeweiligen Bestände auszuschließen, die in besonders hohem Masse von Missre-gistrierungen und von in dem hier zu untersuchenden Sinne undefinierten Mischungen(z.B. Waldwege oder andere Baumarten) betroffen sind. Mit Hilfe dieser Maske wur-de dann ein Bilddatensatz erzeugt, der nur noch die jeweils interessierenden Wald-bestände enthält. Als Endmember zur Entmischung diente zum einen das im Vorfeldbestimmte Endmemberspektrum für die jeweilige Art. Zusätzlich fanden im Geländegemessene und spektral und radiometrisch auf die Bilddaten angepasste Spektren fürdie Mischungsbestandteile Holz und Waldboden Eingang in die Berechnung der Mi-schungsverhältnisse.

7.1.3.1 Ergebnisse des Linear Spectral Unmixing

Das Ergebnis der Anwendung der in ENVI implementierten Methode für die linearespektrale Entmischung (vergl. Kapitel 6.1) ist ein Bilddatensatz, der für jedes einge-flossene Endmember den Anteil an der Mischsignatur des Pixels angibt. Weil erwar-tungsgemäß der Anteil des jeweiligen Waldendmembers am Mischungsverhältnis fastimmer am größten ist, wurden die Anteile für Boden und Holz addiert und zusätzlich ein

108


Grenzwert eingeführt. Wenn die Summe aus Holz- und Bodenanteil diesen Grenzwertübersteigt, wird das Pixel als auffällig im Sinne der Stresserkennung markiert (Abb. 7.7,rote Flächen), wird dieser Grenzwert nicht erreicht, wird davon ausgegangen, dass sichdie abgebildete Fläche in einem ortsüblichen Normalzustand befindet. Der Grenzwertmuss dabei für das jeweilige Gebiet empirisch mit Hilfe von vorhandener Ortskenntnisermittelt werden.

Abbildung 7.7: Mit Hilfe des Linear Spectral Unmixing (LSU) erkannte Stellen, die aufeinen Rückgang an Pflanzenvitalität durch die Abnahme des Kronen-schlussgrades hindeuten. Grüne Flächen indizieren dabei Vegetation,die als nicht auffällig im Sinne der Stresserkennung klassifiziert wurde(Normalzustand), rote Pixel indizieren Flächen, deren Kronenschluss-grad unter dem Normalzustand zurückbleibt.

Die Abbildung 7.7 zeigt das Ergebnis dieser Anwendung. Im Zentrum des Bild-ausschnittes ist ein Senkungssee zu erkennen (im Norden begrenzt durch einen rotenSaum der als im Vergleich zum Normalzustand als Vegetation mit verminderter Vi-talität erkannt wird), an dessen Rändern die Vegetation durch die Verminderung desGrundwasserflurabstandes erheblich, bis hin zum Absterben jeglicher terrestrischerVegetation, in Mitleidenschaft gezogen worden ist. Der Algorithmus hat diese Flächenerkannt, allerdings sind gleichzeitig auch einige andere Flächen erkannt worden (bsp.Mitte Links in Abbildung 7.7), die nicht einem durch den Bergbau bedingten Einflusszuzuordnen sind. Die Ursache dafür ist, dass natürliche oder durch forstwirtschaftlicheEingriffe entstandene Waldlichtungen nicht direkt von den Laubverlusten zu unterschei-den sind, die durch die bergbaubedingten hydrologischen Veränderungen hervorgeru-fen werden.

109


7.1.3.2 Ergebnisse des Mixture Tuned Matched Filtering

Die Anwendung des Mixture Tuned Matched Filtering (MTMF) erfolgte zunächst ana-log zu den oben für das linear spectral unmixing (LSU) beschriebenen Verfahren. Aller-dings verlangt das Verfahren MNF transformierte Eingangsdaten. Deshalb wurden diemaskierten Bilddaten, die im Rahmen des LSU erzeugt wurden, sowie die Endmem-berspektren vor der Durchführung des MTMF einer MNF Transformation unterzogen.

Das Ergebnis des Algorithmus ist andersartig als das des Linear Spectral Unmi-xing. Deshalb muss auch die Interpretationsmethode des Verfahrens an die anderenUmstände angepasst werden. Die Implementierung dieses Verfahrens in der Softwa-resuite ENVI liefert als Ergebnis für jedes Endmember, das in die Berechnungen miteinfließt, jeweils einen Bildkanal, der den Anteil des Endmembers am jeweiligen Pi-xel repräsentiert (score) und einen, der die Zuverlässigkeit des Verfahrens im Bezugauf die Mischungsverhältnisse in einem Mischpixel wiedergibt (infeasibility; hohe Werte=> geringe Wahrscheinlichkeit). Die Pixel, die am wahrscheinlichsten einer möglichenSchädigung des einzelnen Baumes zuzuordnen sind, zeichnen sich demnach im Er-gebnis des Verfahrens durch hohe „score“ Werte und niedrige „infeasibility“ Werte fürein Endmember aus, das hohe Werte des Blattverlustes repräsentiert. Im vorliegendenFalle diente hierzu das Endmember Holz, da sich die Holz-Reflexion mit Abnahme desKronenschlussgrades erhöht.Die jeweiligen Pixel können mit Hilfe der Software ENVI mit einem so genannten 2DScatterplot identifiziert und visualisiert werden (Abb. 7.8 (rechts)). In diesem Plot wer-den dann die Pixel mit niedrigen Score- und hohen Infeasibility-Werten markiert undim Fernerkundungsdatensatz visualisiert dargestellt (Abb. 7.8 (links)).

Auch die Ergebnisse dieses Verfahrens zeigen, dass die Flächen, die durch berg-baubedingte hydrologische Veränderungen geschädigt sind, erkannt werden können.Die Anzahl der Flächen, die der Algorithmus als geschädigt erkennt, die aber keine er-kennbare Schädigung aufweisen (faults positives), sind durch diese Methode deutlichkleiner.

110


Abbildung 7.8: Mit Hilfe des mixture tuned matched filtering (mtmf) erkannte Stellen,die auf einen Rückgang an Pflanzenvitalität durch die Abnahme desKronenschlussgrades hindeuten (links). 2D-Scatterplot zur Interpretati-on der beiden Ergebniskanäle für die Klasse „Holz“ (rechts).

7.1.4 Vergleich der Verfahren Linear Spectral Unmixing undMixture Tuned Matched Filtering

Insgesamt haben die Methoden der spektralen Entmischung gezeigt, dass sie ein ge-eignetes Verfahren darstellen, bergbaubedingte Veränderungen im Zustand mehrjäh-riger Pflanzen zu detektieren. Allerdings zeigen beide Verfahren eine große Anzahl anFlächen, die keinen besonderen Stressfaktoren ausgesetzt sind (faults positives) unddie deshalb sehr wahrscheinlich nicht geschädigt sind. Dies zeigt, dass die Ergebnis-se schwer interpretierbar sind, weil den Aussagen keine physikalisch messbare Größe(wie z.B. der Pigmentgehalt der Blätter) zugrundeliegt. Neben den Bergbaueinflüssenwerden durch die Methode auch verlichtete Bereiche als problematisch im Sinne desPflanzenzustandes erkannt, die durch Holzernte (vor allem Durchforstung) oder z.B.Sturmbruch beeinträchtigt sind.

Als zukünftige Verbesserungen in der Anwendung der Algorithmen zur spektra-len Entmischung könnten z.B. die Nutzung nichtlinearer Verfahren, die Anpassung derEndmemberdefinitionen oder spezielle Anpassungen der Algorithmen auf die Detek-tion von Pflanzenzustandsveränderungen genannt werden. Außerdem könnten End-memberspektren genutzt werden, die nicht wie hier angewendet, die Mischungskom-ponenten Laub, Wald und Boden repräsentieren, sondern unterschiedliche Laub-End-member, die unterschiedliche Pigmentgehalte der Blätter respräsentieren. Die Identifi-kation solcher Endmember ist aber aus den Bilddaten, aufgrund der hohen spektralenVermischung insbesondere von Waldflächen, nur unzureichend möglich. Die Nutzung

111


von Feldspektren scheint aufgrund der Feinheiten der zu identifizierenden spektralenMerkmale und der im Kapitel 7.1.2 beschriebenen Schwierigkeiten bei der Nutzungvon mit Feldspektrometern im Gelände aufgezeichneten Spektren ebenfalls problema-tisch.

Deshalb wird in Kapitel 7.2 ein weiterer Ansatz verfolgt, mit dem der Pflanzen-zustand auf der Basis der Abschätzung des Chlorophyllgehaltes des Blätterdachesabgeschätzt werden soll.

112

7.2 Pflanzenzustandsabschätzung durch Parametrisierung

7.2 Pflanzenzustandsabschätzung durch

Parametrisierung der Reflexionsspektren

7.2.1 Sensitivität der Spektralsignaturen zur Bestimmung desBlattchlorophyllgehaltes

Wie in Kapitel 3.5 bereits beschrieben, drückt sich der Gesundheitszustand einer Pflan-ze unter anderem im Chlorophyllgehalt ihrer Blätter aus. Die Tatsache, dass sich dieMenge photosynthetisch aktiver Materialien, von dem das Chlorophyll das wichtigsteist, in spektral hochauflösenden Spektren identifizieren lässt, ermöglicht damit auchden Rückschluss auf den Gesundheitszustand der Pflanze (vergl. Kapitel 3.5 und4.3.3.3). Um diesen Zustand abzuleiten wird der Blattchlorophyllgehalt einer einzelnenPflanze mit dem Chlorophyllgehalt einer als Standard definierten Pflanze gleicher Artund Altersstufe auf einem vergleichbaren Standort verglichen. Der Standard ergibt sichaus dem Blattchlorophyllgehalt einer Pflanze, deren Gesundheitszustand dem ortsübli-chen Normalzustand des Testgebietes entspricht und die außerhalb des bergbaulichenEinflussbereiches liegen. Ist der Chlorophyllgehalt der zu untersuchenden Pflanze ge-ringer als der der Referenzpflanze, kann angenommen werden, dass der Gesundheits-zustand der Pflanze schlechter ist. Ursache dafür kann sein, dass die Pflanze einemStressfaktor wie z.B. Trockenheit, Feuchtigkeit, Salz oder vermindertem Sauerstoffge-halt im Boden ausgesetzt ist.

Einen visuellen Vergleich von Feldspektren, die das Reflexionsverhalten von Pflan-zen mit vergleichsweise geringen und hohen Chlorophyllgehalten zeigen, ermöglichtdie Abbildung 7.9.

Die Abbildung 7.9 zeigt außerdem, dass die signifikantesten Unterschiede derBlätter vor allem im Übergang zwischen den roten und infraroten Wellenlängenberei-chen liegen.Im Einzelnen drückt sich der Chlorophyllverlust der Pflanze in einem Anstieg der Re-flexion im Bereich um 480 nm, in einer leichten Verlagerung des Wendepunktes amAnstieg zum Infrarot (Red-Edge)in Richtung kürzerer Wellenlängen (blaues Licht) so-wie in einer Verminderung der Reflexion im Bereich des nahen Infrarot aus.

113


area

peakinred

Abbildung 7.9: Vergleich von Spektren unterschiedlicher Chlorophyllgehalte. Die Abbildungenzeigen jeweils ein Spektrum mit vergleichsweise hohem (grün) und niedrigem(rot) Chlorophyllgehalt. Oben: gemessener Spektralverlauf im für die Chloro-phyllbestimmung entscheidenden Wellenlängenbereich bis 1200 nm. Unten:Absorptionstrog des continuum removed Spektrum zwischen 400 und 800 nm.

114


Zusammenfassend lassen sich die folgenden Veränderungen im Verlauf der Re-flexionskurve auf einen verminderten Chlorophyllgehalt zurückführen:

• Anstieg des Reflexionsmaximums im Bereich des roten Lichtes um 480 nm,

• Verlagerung der Wellenlänge des Red-Edge in Richtung kürzerer Wellenlängen,

• Verminderung der Reflexion im Bereich des nahen Infrarot,

• Erhöhung des Peaks im continuum removed Spektrum bei ca. 550 nm, sowie

• Verminderung des Flächeninhaltes des gesamten Absorptionstroges, der vomcontinuum removed Spektrum umgeben wird.

Die mathematische Beschreibung dieser Unterschiede ist erforderlich, um denChlorophyllgehalt computergestützt für ein gesamtes „Fernerkundungsbild“ durchfüh-ren zu können. Dies geschieht mit den in Kapitel 6.2 beschriebenen Verfahren und dendort abgeleiteten 32 beschreibenden Merkmalen.

115


7.2.2 Statistische Untersuchungen zur Sensitivität der einzelnenMerkmale

Mit Hilfe der 32 im Kapitel 6.2 (vgl. Tabelle 6.1) definierten beschreibenden spek-tralen Merkmale („features“) soll untersucht werden, inwieweit der Chlorophyllgehaltdes Laubes der Waldpflanzen mit Hilfe spektrometrischer Methoden bestimmt werdenkann. Hierzu werden zunächst auf der Basis der mit dem Feldspektrometer ASD Field-Spec Pro gemessenen Spektren einzelner Blätter unterschiedlicher Baumarten (Kapi-tel 4.3.3.2) diese spektralen Merkmale errechnet und die jeweiligen Korrelationen nachPearson (Gleichung 7.1) der einzelnen spektralen Merkmale mit dem Blattchlorophyll-gehalt der Baumarten errechnet. Diese Korrelationen werden sowohl jeweils für diespektralen Merkmale aller Baumarten separat, als auch für die des gesamten Stich-probenumfangs aller Labor-/Feldproben bestimmt. Dabei werden die Korrelationen r

für den Gehalt an Chlorophyll a und b getrennt und für den Gesamtchlorophyllgehaltsowohl für die Trockenmasse als auch für die Lösung entsprechend Gleichung 7.1 be-stimmt.

r =

∑ni=1(xi − x)(yi − y)√∑n

i=1(xi − x)2√∑n

i=1(yi − y)2(7.1)

mit: x = Wert des jeweiligen spektralen Merkmals,y = Gehalt an Chlorophyll a [mg/g],n = Stichprobenumfang.

Weil die Korrelation zwischen den einzelnen Werten für die unterschiedlichenLabor-Messungen des Chlorophylls sehr hoch ist (siehe Tabelle 7.1 in Verbindung mitTabelle 4.4), wird für die weitergehenden Untersuchungen nur der Gehalt an Chloro-phyll a in der Trockenmasse betrachtet. Die anderen Modifikationen des Chlorophyllskönnen aus den hieraus abgeleiteten Werten durch einfache Linearkombinationen ab-geleitet werden.

Tabelle 7.1: Korrelationen einiger unterschiedlicher Labor-Chlorophyllmessungen

Korrelation r

Korrelation chl a (Lösung) mit chl b (Lösung) 0,986442462Korrelation chl a (Lösung) mit chl a+b (Lösung) 0,998880633Korrelation chl a (Lösung) mit chl a (Trockenmasse) 0,97580467Korrelation chl b (Lösung) mit chl b (Trockenmasse) 0,969784229Korrelation chl a+b (Lösung) mit chl a+b (Trockenmasse) 0,974005502

Die Ergebnisse der Korrelationsanalyse (Tabelle 7.2) zwischen den spektralenMerkmalen (siehe Anhang A, Tabellen A.1 bis A.4) und der Labor Chlorophyllmessun-gen (Tabelle 4.4) zeigen, dass einige der spektralen Merkmale gut dazu geeignet sind,

116


den Gehalt an Chlorophyll a der beprobten Blätter abzuschätzen. Eine graphische Ge-genüberstellung der im Labor gemessenen Chlorophyllwerte mit ausgesuchten spek-tralen Merkmalen am Beispiel der Baumart Kiefer und aller Arten geben die Abbil-dungen 7.10 und 7.11. Die Korrelation ist dabei besonders gut (bis zu über r = 0.9),wenn sie für jede Baumart gesondert betrachtet wird. So zeigt z.B. das Merkmal Ratioder Reflexion bei 760nm / 695nm einen besonders guten Wert für die Baumart Kiefer(r = 0.96) während sich dasselbe Merkmal mit dem Chlorophyllgehalt der Eichen mitr = −0.05 unkorreliert verhält. Dagegen zeigt für den Chlorophyllgehalt der Eichenmit r = 0.86 das Merkmal des Flächeninhaltes, den die Kurve der dritten Ableitungzwischen 750 und 1270nm umgibt, die besten Ergebnisse. Demgegenüber lassen sichdie Chlorophyllgehalte aller Baumarten gemeinsam lediglich mit r = 0.66 durch dasMerkmal des Ratios der Reflexion bei 760nm / 710nm beschreiben (Tabelle: 7.2).

Tabelle 7.2: Korrelationen der am besten korrelierten Merkmale mit dem Gehalt an Chlorophylla (Trockenmasse mg/g) unterschiedlicher Baumarten

alle Arten Laubbäume Birke Eiche Erle Kiefer3rd. deriv (subs) -0.16 -0.46 -0.73 -0.88 0.45 0.03red edge Wellenl. 0.49 0.11 0.89 -0.16 0.189 0.87FWHM 0.50 -0.07 0.42 - 0.32 0.42 0.86MaxAb 0.51 -0.19 -0.44 -0.42 0.54 0.87cr area -0.50 0.16 0.54 0.35 -0.55 -0.90max Red 0.17 0.26 0.69 0.39 -0.18 0.47R 760/695 0.49 0.14 0.11 -0.15 0.32 0.95R 760/610 0.04 -0.15 -0.42 -0.03 0.23 0.85R 735/700 0.53 0.24 0.96 0.02 0.30 0.93

Dies zeigt, dass die Ergebnisse der Chlorophyllbestimmung optimiert werden kön-nen, wenn jede betrachtete Bestandsart für sich betrachtet wird. Im vorliegenden Falleist diese Möglichkeit durch die Information der terrestrischen Biotoptypenkartierung(Kapitel 4.4.3) gegeben.

Eine weitere Verbesserung der Prognosegenauigkeit kann mit Hilfe der Kombi-nation mehrerer spektraler Merkmale durch die multiple lineare Regression erreichtwerden, wenn erwartet wird, dass die abhängige Variable des Chlorophyllgehaltesvon mehreren unabhängigen spektralen Merkmalen abhängig ist. Diese Methode stellteinen statistischen Zusammenhang zwischen mehreren unabhängigen Variablen (hier:beschreibende spektrale Merkmale) und einer abhängigen Variablen (hier: Gehalt anChlorophyll a) entsprechend der Form der Gleichung 7.2 her.

117


(a) (b)

(c) (d)

(e) (f)

Abbildung 7.10: Korrelationen zwischen den spektralen Merkmalen Ratio 750/710, der Flächeunter dem continuum removed Spektrum und dem Ratio 762/747 mit demGehalt an Chlorophyll a. Beispielhaft dargestellt anhand aller genommenenProben (links) und für die Baumart Kiefer (rechts).

118


(a) (b)

(c) (d)

(e) (f)

Abbildung 7.11: Korrelationen zwischen den spektralen Merkmalen maximale Absorptions-tiefe, dem Ratio R735/R710 und der Red Edge Wellenlänge mit dem Gehaltan Chlorophyll a. Beispielhaft dargestellt anhand aller genommenen Proben(links) und für die Baumart Kiefer (rechts).

119


y = β0 + β1 × x1 + β2 × x2 + ... + βp × xp (7.2)

mit: y = abhängige Variable,xi = unabhängige Variablen,βi = Multiplikationsfaktor für die jeweilige unabhängige Variable.

Eine wichtige Voraussetzung für die Anwendung dieser Methode ist, dass die in diemultiple lineare Regression einfließenden unabhängigen Variablen untereinander line-ar unabhängig sind. Aus diesem Grunde sind die spektralen Merkmale (Anhang A,Tabellen A.1 bis A.4), die verhältnismäßig gute Korrelationswerte mit dem Blattchlo-rophyll zeigen, daraufhin untersucht worden, ob sie untereinander linear unabhängigsind. Das Ergebnis dieser Untersuchungen zeigt die Tabelle 7.3.

Tabelle 7.3: Korrelationen der mit dem Gehalt an Chlorophyll a best korrelierten Merkmaleuntereinander.

3rd.

deriv

red_

edge

FWH

M

Max

Ab

cr_a

rea

Max

_Red

R76

0/69

5

R76

0/61

0

R73

5/70

0

3rd. deriv -0.46 0.41 0.04 0.01 0.05 -0.37 -0.15 -0.23red_edge -0.46 -0.64 0.62 0.69 -0.78 0.91 0.11 0.88FWHM 0.41 -0.64 -0.45 -0.45 0.49 -0.68 -0.20 -0.66MaxAb 0.04 0.62 -0.45 0.99 -0.93 0.60 0.20 0.64cr_area 0.01 0.68 -0.45 0.99 -0.97 0.68 0.24 0.71Max_Red 0.05 -0.78 0.49 -0.93 -0.97 -0.80 -0.28 -0.81R760/695 -0.36 0.91 -0.68 0.60 0.68 -0.80 0.31 0.94R760/610 -0.15 0.11 -0.19 0.20 0.24 -0.28 0.31 0.24R735/700 -0.23 0.88 -0.66 0.64 0.70 -0.81 0.94 0.24

Die errechneten Korrelationswerte der spektralen Merkmale mit dem Chlorophyll-gehalt in Tabelle 7.2 und der spektralen Merkmale untereinander (Tabelle: 7.3) zeigen,dass aufgrund besonders niedriger Korrelationen untereinander und besonders ho-her Korrelation mit dem Chlorophyllgehalt die beschreibenden Merkmale Red-EdgeWellenlänge, Breite des Absorptionstroges im Continuum Removed Spektrum bei hal-ber Tiefe (FWHM) und das Ratio R760/610 am besten dazu geeignet erscheinen, ge-meinsam den Chlorophyllgehalt aller Baumarten mit Hilfe der multiplen linearen Re-gression zu beschreiben. Wenn die Baumart Kiefer alleine betrachtet wird, ergibt dieInterpretation, dass das spektrale Merkmal der Red-Edge Wellenlänge zur Regressi-onsberechnung durch das Ratio bei 760 und 695 nm ersetzt werden muss. Für diequantitative Chlorophyllabschätzung der Kiefernnadeln zeigen sich also die Merkma-le FWHM, R760/695 und R760/610 als die Geeignetsten. Für die Abwägung wurden

120


die spektralen Merkmale selektiert, die für irgendeine Waldart eine besonders hohe(r ≥ 0.7) Korrelation liefern. Als maximale Korrelation der Features untereinander wur-de ein Wert des Korrelationskoeffizienten von (r ≤ 0.35) angesetzt. Wenn dieser Wertzwischen zwei spektralen Merkmalen unterschritten wird, können diese als unkorelliertangesehen werden.

Die Anwendung der Methode der multiplen linearen Regression erfolgt nach der imSoftwarepaket SPSS implementierten Methode gemäß [SPSS, 2002]. Die Ergebnisseder Anwendung dieses Verfahrens auf die Baumart Kiefer (Gleichung: 7.3) und auf alleBaumarten (Gleichung: 7.4) lassen sich in den folgenden Gleichungen darstellen:

Chlα Kiefer = 1.362− 0.02× red_edge + 0.275×R760/710 (7.3)

und

Chlα alle = −22.54− 0.03× red_edge + 0.01× FWHM − 0.12×R760/710 (7.4)

Die statistische Genauigkeit der Modellanpassung kann mit einer Standardabwei-chung von s = 0.4 bei der Modellbildung für alle Baumarten und von s = 0.0 bei derAnpassung für die Baumart Kiefer angegeben werden. Die scheinbar bessere Modell-anpassung für Kiefern als für die Berechnung des Chlorophyllgehaltes aller Arten ge-meinsam, ist in zwei Faktoren zu suchen. Zum einen sind die Korrelationen zwischenden Chlorophyllwerten einzelner Baumarten und den berechneten spektralen Merk-malen besser als bei der Berechnung aller Baumarten gemeinsam. Außerdem ist derStichprobenumfang für die Kiefern im Vergleich zu allen Baumarten gemeinsam deut-lich geringer.Bei der Gleichung für die Berechnung des Chlorophyllgehalts von Kiefern fällt auf, dassdas Feature FWHM nicht berücksichtigt wird. Der Grund dafür ist, dass das Modell zurBestimmung der Regressionsgleichung dafür einen Faktor β von 0.0 ausgibt, sodassdie Verwendung dieses Features keinen Informationsgewinn in der Abschätzung desChlorophyllgehaltes liefert. Auch für die Berechnung aller Arten gemeinsam ist der Fak-tor β mit 0.01 sehr klein, sodass davon ausgegangen werden muss, dass auch hier derInformationsgewinn durch dieses spektrale Merkmal vernachlässigbar ist.

Als Bewertung der Methode muss festgestellt werden, dass das Potential zur Be-rechnung des Chlorophyllgehaltes und dadurch zur Abschätzung des Pflanzenzustan-des auf diese Weise grundsätzlich nachgewiesen werden konnte. Allerdings muss demhinzugefügt werden, dass der Stichprobenumfang, der für die Auswertungen im Rah-men der Projekte, in denen diese Arbeit angefertigt wurde, zur Verfügung stand, ver-hältnismäßig gering war. Für eine Verifizierung der Methodik ist deshalb eine Erweite-rung des Stichprobenumfanges erforderlich. Insbesondere die Korrelationsdiagramme

121


in den Abbildungen 7.10 und 7.11 zeigen, dass deshalb häufig die abgeleitete Gera-dengleichung durch nur einen sich verändernden Stützpunkt erheblich verändert wer-den könnte.

7.2.3 Übertragung der Methodik auf die HyMapTM-Daten

Im Abschnitt 7.2.2 konnte statistisch nachgewiesen werden, dass sich der Blattchloro-phyllgehalt von Waldbeständen mit Hilfe spektraler Information, die den Wellenlängen-bereich zwischen 400 und 2500 nm abdeckt, abschätzen lässt. In diesem Abschnitt solluntersucht werden, inwieweit die HyMapTM-Daten zur flächendeckenden Abschätzungdes Chlorophyllgehaltes in Waldbeständen genutzt werden können.

Im Vergleich zu den mit den Feldspektrometern aufgenommenen Daten zeichnensich die HyMapTM-Daten vor allem durch ihre vergleichsweise geringere geometrischeund spektrale Auflösung aus. So deckt der abbildende Fernerkundungssensor pro Bild-punkt eine Fläche von 5 × 5 m ab, während die feldspektrometrische Aufnahme daseinzelne Blatt oder gar nur einen Teil des Blattes wiedergibt. Dieser Umstand führtdazu, dass die fernerkundliche Auswertung durch das Auftreten von Mischpixeln er-heblich erschwert wird. Außerdem stehen bei der Analyse der Feldspektrometerdaten296 spektrale Kanäle im Vergleich zu 126 bei den Fernerkundungsdaten zur Beschrei-bung der Reflexionseigenschaften im Bereich zwischen 350 nm (420 nm bei HyMapTM)und 2500 nm zur Verfügung.

Zur Überprüfung der Sensitivität der HyMapTM-Daten zur Chlorophyllabschätzungwerden die Methoden, die im Kapitel 7.2.2 beschrieben und auf die Feldspektrome-terdaten angewendet worden sind, hier analog auf die fernerkundlich aufgenommenenDaten übertragen. Dazu sind die dort definierten beschreibenden Merkmale flächen-deckend für die HyMapTM-Daten berechnet worden. Es wurden diejenigen Pixel ausdem Datensatz herausgegriffen, die die Stellen abdeckten, an denen die Blattprobenfür die Labor-Chlorophyllmessungen am Boden entnommen worden sind. Der AnhangB (Tabellen B.1 bis B.4) zeigt die auf der Grundlage der HyMapTM-Spektren berechne-ten spektralen Merkmale. Aufgrund der Pixelgröße der HyMapTM-Daten mussten einigeChlorophyllwerte der Bodenreferenzdatenaufnahme einem HyMapTM-Pixel zugeordnetwerden, so dass sich der Stichprobenumfang so weit verringert hat, dass eine verläss-liche statistische Untersuchung auf der Basis einzelner Baumarten nicht mehr möglichwar und sich die Analyse hier auf den gesamten Waldbestand bzw. alle Laubbaumar-ten zusammengefasst beschränken musste.

Die Korrelationen der mit dem Gehalt an Chlorophyll a höchstkorrelierten spektra-len Merkmale, die aus den HyMapTM-Daten berechnet wurden, zeigt die Tabelle 7.4.

122


Tabelle 7.4: Korrelationen der am besten korrelierten Merkmale berechnet aus HyMapTM

Spektren mit dem Chlorophyll a (Trockenmasse mg/g)-Gehalt.

alle Arten Laubbäume3rd. deriv (subs) 0.50 0.40red edge Wellenl. 0.05 0.11FWHM 0.56 0.41MaxAb 0.47 0.22Symetrie 0.57 0.44cr area -0.47 -0.29max Red -0.45 0.30R 760/695 - 0.48 -0.52R 760/710 0.49 0.34R 735/700 0.50 0.34

Der Vergleich dieser Ergebnisse mit den Werten, die auf der Basis von Feldspek-trometerdaten ermittelt wurden, macht deutlich, dass grundsätzlich die selben spek-tralen Merkmale die höchsten Korrelationen mit dem Gehalt an Chlorophyll aufweisen.Zusätzlich zeigt hier das Merkmal der Symmetrie des Absorptionstroges im ContinuumRemoved Spektrum am Übergang des roten zum infraroten Lichtes sein statistischesPotential zur Abschätzung des Chorophyllgehalts von allen Waldbeständen gemein-sam.

Für die weitergehenden Untersuchungen mit Hilfe der multiplen linearen Regressi-on ist es erneut erforderlich, die lineare Unabhängigkeit der spektralen Features zu be-trachten. Die Ergebnisse dieser Untersuchung anhand der auf der Basis von HyMapTM-Daten berechneten spektralen Merkmale zeigt die Tabelle 7.5. Die Tabellen 7.4 und 7.5machen außerdem deutlich, dass die spektralen Merkmale des Flächeninhaltes unterder dritten Ableitung im Bereich des Chlorophyll Absorptionsfeatures, der Symmetrieund das Ratio der Reflexionswerte bei 760 und 710 nm am besten dazu geeignet sind,den Chlorophyllgehalt für alle Waldflächen zu bestimmen.

Die Bestimmung der Regressionsparameter für die quantitative Ableitung des Chlo-rophyllgehaltes analog zu den in Kapitel 7.2.2 beschriebenen Methoden der multiplenlinearen Regression ergibt die Gleichung 7.5:

Chlα alle = −0.8 + 2.45× sym− 7× 10−9×R760/710 + 1.2× 10−7× 3rd.deriv(7.5)

Die statistische Genauigkeit der Modellanpassung kann mit einer Standardabwei-chung von s = 0.25 bei der Modellbildung für die Chlorophyllabschätzung angegebenwerden.

Die Genauigkeit der Modellbildung anhand der HyMapTM-Daten scheint demnachgenauer zu sein als die der Feldspektrometerdaten. Aufgrund der geringeren Auflö-

123


Tabelle 7.5: Korrelationen der auf der Basis von HyMapTM berechneten spektralen Merkmale.

3rd.

deriv

red_

edge

FWH

M

Max

Ab

Sym

etrie

cr_a

rea

Max

_Red

R76

0/69

5

R76

0/61

0

R73

5/70

0

3rd. deriv 0.14 0.38 0.66 0.65 0.56 0.47 0.49 0.37 0.47red_edge 0.14 0.61 0.48 0.54 -0.65 -0.80 0.73 -0.15 0.76FWHM 0.38 0.61 0.85 0.89 -0.92 -0.92 -0.92 -0.34 0.92MaxAb 0.66 0.48 0.85 0.96 0.97 -0.86 0.89 -0.3 0.87Symetrie 0.65 0.54 0.89 0.96 -0.97 -0.90 -0.93 -0.45 0.9cr_area -0.56 -0.65 -0.92 -0.97 -0.97 -0.96 -0.97 -0.35 -0.96Max_Red -0.47 -0.8 -0.91 -0.87 -0.91 -0.96 -0.99 0.38 -0.99R760/695 0.49 0.73 0.92 0.89 0.94 -0.97 -0.99 -0.46 0.99R760/610 -0.37 -0.16 -0.34 -0.30 -0.45 0.35 0.38 -0.46 -0.44R735/700 0.46 0.75 0.92 0.87 0.92 -0.96 -0.99 0.99 -0.44

sung und der spektralen Vermischung der HyMapTM-Spektren wird allerdings ange-nommen, dass dieses Ergebnis aufgrund des geringeren Stichprobenumfanges zu-stande kommt.

Im folgenden Schritt wird der Gehalt an Chlorophyll a über die Waldflächen desgesamten HyMapTM-Datensatzes bestimmt. Hierzu werden zunächst die 126 spektra-len Bildkanäle, die der Sensor liefert in einen Bilddatensatz umgerechnet, der die 32beschriebenen spektralen Merkmale in je einem gesonderten Bildkanal beschreibt. ImAnschluss daran werden auf dieses Zwischenprodukt Gleichung 7.3 für die Kiefern-flächen und Gleichung 7.5 für alle Waldflächen angewendet. Die Ergebnisse sind inAbbildung 7.12 für alle Waldflächen und in Abbildung 7.13 für die Kiefernflächen dar-gestellt.

Auf der linken Seite der Abbildungen wird jeweils ein Grauwertbild dargestellt, dasdie Gehalte an Chlorophyll a der abgebildeten Waldoberflächen beschreibt. Die rech-ten Bilder der Abbildungen stellen dem zur Verdeutlichung jeweils eine Klassifizierungder Chlorophyllgehalte in 3 Klassen gegenüber, die jeweils einen niedrigen, mittlerenund hohen Chlorophyllgehalt repräsentieren.

Die Anwendung der Gleichung zur Bestimmung des Chlorophyllgehaltes allerBaumarten in einem Arbeitsschritt führt dabei zu absoluten Chlorophyllwerten, diedirekt mit den Labormessungen verglichen werden können. Die Grenzen für die zurVisualisierung durchgeführten Schwellwertklassifikation kann daher auch durch Ver-gleich der Bildwerte mit Laborwerten erfolgen. Die Ermittlung der Gleichung für dieAbschätzung des Chorophyllgehaltes der Kiefernflächen erfolgte auf der Basis vonFeldspektrometerdaten, weil der Stichprobenumfang für die HyMapTM-Daten für einestatistische Modellbildung zu klein ist. Deshalb ist die Skalierung der unterschiedli-chen Aufnahmearten durch Beleuchtungsunterschiede nicht identisch und die Chloro-

124


Abbildung 7.12: Abgeleitete Chlorophyllwerte auf allen Waldflächen. Linke Seite: berechneteWerte des Gehaltes an Chlorophyll a in Grauwertdarstellung. Rechte Seite:Schwellwertklassifikation der Chlorophyllwerte in die drei Klassen niedriger(rot), mittlerer (orange) und hoher Chlorophyllgehalt (grün).

phyllabschätzung für die Waldart Kiefer stellt lediglich ein relatives Verfahren dar. DerVergleich mit den Kiefernflächen aus der Analyse des gesamten Waldbestandes zeigtaber, dass grundsätzlich dieselben Flächen als Flächen mit niedrigem Chlorophyllge-halt charakterisiert werden. Um eine absolute Kalibrierung auch für die Kiefernflächenzu gewährleisten, wäre ein deutlich erweiterter Stichprobenumfang der Feldbeprobungerforderlich gewesen. Dies war im Rahmen der Projekte, in denen diese Arbeit ent-stand nicht möglich, weil der Auftraggeber aus taktischen Gründen das Aufsehen beider Probennahme im Testgebiet auf ein mindestmaß reduzieren wollte und es deshalbnicht möglich war mit besonders großen Fahrzeugen ins Gelände zu gelangen. Außer-dem waren die zeitlichen und finanziellen Möglichkeiten zur Probennahme begrenzt.

Die Abbildung 7.14 zeigt einen Ausschnitt des Testgebietes, das besonders starkdurch bergbauliche Senkungen betroffen ist. Die überlagerten Chlorophyllwerte derKiefernflächen im Vergleich mit den Isolinien der modellierten Grundwasserflurabstän-de (weiße Zahlen im Bild geben die Grundwasserflurabstände in Meter an) machendeutlich, dass die Vegetation auf die bergbaulichen Einflüsse reagiert, wenn dieseeinen kritischen Zustand übersteigen.

125


Abbildung 7.13: Abgeleitete Chlorophyllwerte auf Kiefernflächen. Linke Seite: berechneteWerte des Gehaltes an Chlorophyll a in Grauwertdarstellung. Rechte Seite:Schwellwertklassifikation der Chlorophyllwerte in die drei Klassen niedriger(rot), mittlerer (orange) und hoher Chlorophyllgehalt (grün).

Abbildung 7.14: Gegenüberstellung der Chlorophyllgehalte von Kiefernflächen mit den zumZeitpunkt der Befliegung aktuellen Grundwasserflurabstände am Beispiel ei-nes Ausschnittes, der einen besonders hohen Bergbaueinfluss repräsentiert.Die Isolinien stellen die Grundwasserflurabstände in Metern dar.

126


7.2.4 Verifizierung der Ergebnisse zur Bestimmung von Flächenverminderter Pflanzenvitalität

Zur Prüfung der Qualität dieser Methode wurden die auf die oben beschriebene Weiseaus den Daten des hyperspektralen Sensors berechneten Chlorophyllwerte mit den imLabor berechneten gegenübergestellt und verglichen. Eine Visualisierung der Ergeb-nisse gibt die Abbildung 7.15.

Abbildung 7.15: Gegenüberstellung der berechneten und gemessenen Chlorophyllwerte.Links: Ergebnisse der Genauigkeitsanalyse für alle Waldflächen, die rote Li-nie zeigt die ideale Modellanpassung, Rechts: Ergebnisse der Genauigkeits-analyse für Kiefernflächen.

Insgesamt zeigen diese Ergebnisse mit Korrelationskoeffizienten von 0,48 (0,58bei der Anwendung auf die Feldspektren) für die Anwendung auf alle Waldflächen undmit 0,84 (0.88 bei den Feldspektren) für die Anwendung auf Kiefernflächen im Ver-gleich mit der Nutzung von Feldspektren kleinere Übereinstimmung mit dem im Laborbestimmten Chlorophyllgehalt.Die Ursache für dieses Ergebnis können unter anderem sein:

• geringere spektrale Auflösung der mit fernerkundlichen Methoden aufgezeichne-ten Daten,

• geringere geometrische Auflösung der HyMapTM-Daten, was zu einer spektra-len Vermischung der gemessenen Blattspektren mit dem Waldboden oder durch-scheinendem Holz der Äste und Zweige führt,

• Referenzproben für die Chlorophylluntersuchung von Blättern konnten aufgrundder Auslegerlänge der fahrbaren Hebebühne nur im Bereich des Waldrandesbzw. an den Wald durchziehenden Wegen genommen werden. Dieser Bereichist aber aufgrund der geometrischen Auflösung des Sensors besonders starkvon spektraler Vermischung betroffen. Aufgrund der Zugänglichkeit des Geländes

127


und der zur Verfügung stehenden Mittel zur Probennahme war aber die Entnah-me von Blattproben aus dem Kronenbereich im Zentrum von Waldflächen nichtmöglich.

Die Abbildung 7.16 zeigt eine Gegenüberstellung der Ergebnisse der terrestri-schen Waldzustandskartierung durch die forstwissenschaftlichen Sachverständigen mitden Ergebnissen der fernerkundlichen Auswertung. Hierzu wurden zur Darstellung ausbeiden Datensätzen jeweils 3 Schadensklassen gebildet und dem HyMapTM-Bild über-lagert. Bei der Waldzustandskartierung sind alle Flächen die 50% oder mehr Bäumemit Schädigungsstufe 2 oder darüber enthalten als geschädigt (im Bild rot dargestellt)eingestuft worden. Flächen mit zwischen 25% und 50% solcher Bäume wurden alsauffällig (gelb markiert) eingestuft. Für die Einstufung der fernerkundlichen Ergebnissewurden die Daten über die Flächen aus der Waldzustandskartierung gemittelt und mitden gleichen Schwellwerten, wie sie in Kapitel 7.2.3 erzeugt wurden, klassifiziert.

Abbildung 7.16: Flächenhafte Gegenüberstellung der Ergebnisse der Waldzustandskartie-rung mit den Ergebnissen der mit fernerkundlichen Methoden erzielten Er-gebnisse. Ergebnisse der terrestrischen Waldzustandskartierung (links) undErgebnisse der fernerkundlichen Auswertung (rechts). Als geschädigt klassi-fizierte Flächen sind in rot gekennzeichnet, in Bezug auf ihren Zustand un-auffällige Flächen in grün, die gelb markierten Flächen stellen

Die flächenhafte Betrachtung der Ergebnisse zeigt, dass die Methode gut dazugeeignet ist, Flächen zu identifizieren, die von stark verminderter Pflanzenvitalität be-troffen sind. Der Vergleich der hier aus den Fernerkundungsdaten errechneten Chlo-rophyllwerte mit den Ergebnissen der Waldzustandskartierung (siehe Kapitel 4.3.3.4und Abbildung 7.16) macht deutlich, dass die Stufen 1 (geringe Schäden) und 2 (mitt-

128


lere Schäden) nicht oder nicht zuverlässig erfasst werden, während flächenhafte Aus-dehnungen der Stufe 3 (starke Schäden) und 4 (abgestorben) erkannt werden. Alsproblematisch ist zu beurteilen, dass beginnender Vitalitätsrückgang, ausgelöst durchauftretende Stressfaktoren, weder im Gelände noch anhand der fernerkundlichen Aus-wertungen im Untersuchungsgebiet detektiert werden konnten. Ein Grund für diesesErgebnis ist darin zu sehen, dass der Vergleich der forstlichen Waldzustandskartie-rung mit der Auswertung geometrisch hochauflösender Fernerkundungsdaten, nichtohne Einschränkungen möglich ist. So detektiert die Fernerkundungsmethode einzel-ne Stellen (einer Größe abhängig von der geometrischen Auflösung des Sensors) ver-minderter Vitalität, während das forstliche Monitoring die Ergebnisse schlagbezogenauswertet. Besonders deutlich wird dies bei der Betrachtung des Bestandes Nr. 6 ausder Waldzustandskartierung (Abb.: 4.8). Hier werden von den 40, von der Waldzu-standskartierung detailliert betrachteten Bäumen, lediglich 2 als geschädigt mittlererStufe und stärker erkannt (Tabelle 4.5). Dadurch ergibt sich für die gesamte Flächeein Bild guter Pflanzenvitalität. Die fernerkundliche Auswertung erkennt aber die rand-lich erheblich geschädigten Bäume des Bestandes und klassifiziert den gesamten Be-stand als „auffällig“. Der Vorteil der Fernerkundung besteht darin, dass diese Methodedie randlich erheblich verminderte Pflanzenvitalität erkennt, die auch bei Geländebe-gehungen bestätigt wurde (Abbildung 7.16).

Im Allgemeinen kann daraus die Schlussfolgerung gezogen werden, dass die fer-nerkundliche Auswertung eine Methode ist, die flächenhaft, den Kronenzustand derBäume betrachtend, ein differenziertes Bild des Waldzustandes aufzeichnet. Die Me-thoden der terrestrischen Aufnahmen ziehen zusätzlich andere Faktoren, wie zum Bei-spiel den Brusthöhendurchmesser eines Baumes oder Krankheiten wie z.B. Negrosen,in die Beurteilung mit ein. Dadurch lässt sich unter gewissen Umständen ein detaillier-teres Bild der Vegetation aufzeichnen. Allerdings können solche Methoden lediglichstichprobenartig mit einem hohen Aufwand durchgeführt werden und arbeiten immerstandbezogen, während die fernerkundliche Auswertung schnell flächendeckende undauch für einzelne Waldstände differenzierte Informationen liefert.

Ein kausaler Zusammenhang zwischen dem Bergbaueinfluss und verminderterPflanzenvitalität kann nicht direkt der Auswertung der Fernerkundungsdaten entnom-men werden, sondern muss in einem gesonderten Arbeitsschritt mit den in Form vonGIS-Daten vorliegenden Informationen der Abbauplanung und hydrologischen Model-lierung abgeglichen werden.

Um die Verlässlichkeit der Methode im Sinne einer quantitativen Chlorophyllbe-stimmung zu verbessern, wäre eine erheblich erweiterte Bodenreferenzdatenaufnah-me zur Modellbildung und zur Verifizierung des Modelles erforderlich. Diese Erweite-rung sollte dabei nicht nur die Erweiterung des Stichprobenumfanges selbst, sondern

129


auch die Möglichkeit beinhalten, in den Kronenbereich der Bäume innerhalb des Wald-bestandes vorzudringen. Da der Kronenbereich und damit überhaupt die Belaubungtypischer Waldbäume erst in Höhen oberhalb von 5-7 m beginnt, ist er normalerwei-se vom Boden aus nicht zugänglich. Eine Beprobung von Baumkronen im innerenvon Waldbeständen ist demnach nur durch Besteigung der Kronenbereiche durch fürdiesen Zwecke geschulte Kletterer möglich. Solche Methoden sind in den Forstwissen-schaften gebräuchlich zur Beprobung des Laubmaterials im Kronenbereich.

Als Resume für die monotemporale Auswertung der Fernerkundungsdaten kanngezogen werden, dass es mit der mathematischen Beschreibung der Spektren undder daraus abgeleiteten Bestimmung des Chlorophyllgehaltes gelungen ist, flächende-ckend starke Schädigungen des Waldbestandes zu bestimmen. Für thematisch detail-lierte Auswertungen des Waldzustandes ist die terrestrische Untersuchung des Unter-suchungsgebietes aber unumgänglich. Insgesamt kann die Fernerkundung in diesemZusammenhang als eine Methode angesehen werden, die weitestgehend automati-siert und schnell Stellen detektiert, an denen Beeinträchtigungen des Pflanzenzustan-des vorliegen (sog. Hotspots). Auf diese Weise können die terrestrischen Gutachterfrühzeitig auf Stellen aufmerksam gemacht werden, an denen Schädigungen vorliegen,die aber nicht in ihrem Dauerbeobachtungsbereich liegen und somit nicht detailliert un-tersucht werden würden. Mit Hilfe der Kombination aus Fernerkundungsverfahren undterrestrischer Begutachtung kann also die Qualität der ökologischen Geländeaufnah-me, flächendeckend betrachtet, verbessert und vereinfacht werden.

Zusätzlich ist die Methode gut dazu geeignet, einen Status Quo des bergbaulichenEinflussbereiches zu dokumentieren. Dies ist für den Bergbautreibenden eine wichtigeGrundlage, um mögliche auftretende Schadensersatzansprüche prüfen zu können.

130

8 Erfassung von Veränderungen desWaldzustandes

Die Erfassung von bergbaubedingten Veränderungen des Ökosystems stellt das Haupt-interesse der zum Monitoring verpflichteten Bergbautreibenden dar. Deshalb wird imfolgenden Kapitel das Potenzial von Fernerkundungsdaten zusammen mit geeignetenAuswertemethoden untersucht, diese Informationen bereitzustellen.

Seit dem Start des ersten Fernerkundungssatelliten ERTS-1 (später dann umbe-nannt in Landsat 1) im Jahre 1972 wurden Fernerkundungsdaten immer wieder zumMonitoring ökologischer Resourcen genutzt. Seit dieser Zeit wurde dieses Potenzialimmer wieder bestätigt und durch die Entwicklung neuer Auswertemethoden verbes-sert. Mit der damals zur Verfügung stehenden Technik der Sensorik und Auswertehilfs-mittel (geometrische und spektrale Auflösung des Sensors, Rechenleistung zur Verfü-gung stehender Computersysteme, ...) war der Anwendungsbereich auf grobe thema-tische Veränderungen und auf großsräumig strukturierte Testgebiete beschränkt [LU-NETTA, 1998]. Mit fortschreitender Auswertetechnologie und besonders mit dem Wan-del der Methodik hin zur digitalen Bildverarbeitung in den 80er und 90er Jahren des20ten Jahrhunderts war es dann immer mehr möglich, grosse Untersuchungsgebieteüber mehrere Aufnahmezeiträume zu beobachten und auszuwerten. Die Entwicklungneuer, hochauflösender Sensoren in den letzten Jahren machte dann auch eine Ver-besserung der thematischen Tiefe der Auswertung möglich.

8.1 Methoden der Veränderungsanalyse

Die Methoden der Veränderungsanalyse (change detection) fernerkundlicher Daten-sätze lassen sich in zwei prinzipiell unterschiedliche Zweige unterteilen. Der ersteZweig wird in der englischsprachigen Literatur im allgemeinen mit pre-classificationspectral change detection bezeichnet. Hierunter werden Methoden verstanden, die aufder Basis der vorprozessierten (radiometrisch und geometrisch aufeinander angepass-ten) fernerkundlichen Bilddaten direkt mit Hilfe ihrer spektralen Informationen Verän-derungen ableiten. Der zweite Zweig mit der Bezeichnung post-classification change

131

8 Erfassung von Veränderungen des Waldzustandes

detection nutzt Zwischenprodukte, wie z.B. Klassifikationsergebnisse. Dabei werdenbereits vor der Ableitung von Veränderungen thematische Informationen aus den Fern-erkundungsdaten abgeleitet [YUAN ET.AL., 1998].

Die bekanntesten Methoden des pre-classification spectral change detection sindunter anderem die Bildung eines spektralen Ratios aus den Bilddaten, das dann durchGrenzwertbildung in Veränderung und nicht Veränderung interpretiert wird, die innerproduct analysis wo die spektralen Informationen der beiden zu vergleichenden Bildda-tensätze pixelweise als Vector betrachtet werden. Die Differenz der beiden spektralenVektoren wird dabei als cosinus des eingeschlossenen Winkels (cos(α)) bestimmt [IN-AMURA ET.AL., 1982]. Eine weitere Methode, die usprünglich für unklassifizierte Ein-gangsdatensätze entwickelt wurde, ist die Change Vector Analyse [MALILA, 1980].Auch diese Methode sieht die Eingangsdaten als Vector und berechnet daraus die Ver-änderungsrichtung (Veränderungswinkel) und den Veränderungsbetrag zwischen zweiAufnahmezeitpunkten. Die Anwendung und die Beschreibung einer für den in dieserArbeit verfolgten Zweck, der Ableitung von Pflanzenveränderung, modifizierten Formdieses Verfahrens erfolgt in Kapitel 8.2. Eine speziell für hyperspektrale Fernerkun-dungsdaten entwickelte Methode der Veränderungsanalyse ist die Multitemporal Spec-tral Mixture Analysis [ROBERTS ET. AL., 1998]. Nielsen (z.B. [NIELSEN ET.AL., 1998]oder [NIELSEN ET.AL., 2003]) führte die auf der Basis von statistischen Transformatio-nen radiometrisch korrigierten Bilddaten beruhende Multivariate Alteration Detection(MAD) ein, die Canty (z.B. [CANTY, 2006]) durch weitere Methoden insbesondere zurInterpretation der Ergebnisse optimierte.

Die Post-Classification Verfahren lassen sich weiterhin in zwei Unterklassen glie-dern, nämlich die Verfahren, die zwei unabhängige spektrale, räumliche Klassifikatio-nen (meist auf der Basis unüberwachter Klassifikationsalgorithmen) nutzen und Ver-fahren, die wirkliche Landnutzungsklassen (zwingend auf der Basis überwachter Klas-sifikationsalgorithmen) zur Bestimmung von Veränderungen nutzen.Die Bestimmung der Veränderungsart basiert im Anschluss an die einzelnen unab-hängigen Klassifikationsalgorithmen meist auf einem pixelbasierten Vergleichsalgorith-mus [YUAN ET.AL., 1998].

Beide Methoden der Veränderungsanalyse zeigen jeweils ihre ganz spezifischenVor- und Nachteile in der Anwendung und in den Ergebnissen. So zeigen insbeson-dere die Pre-Classification Methoden unter optimalen Bedingungen die genaueren Er-gebnisse. Allerdings ist es hier häufig problematisch, die Ausgangsdaten geometrischzu koregisitrieren und radiometrisch zu normalisieren, was eine zwingende Voraus-setzung für die korrekte Anwendung der Methoden ist. Außerdem ist das Ergebnisnicht oder nur unzulänglich interpretierbar, sodass lediglich Aussagen über Verände-rung oder nicht Veränderung bzw. einen Veränderungsbetrag möglich ist. In welche

132

8.1 Methoden der Veränderungsanalyse

Richtung eine Veränderung stattgefunden hat, lässt sich meist nicht aus dem Ergebnisablesen.Die Post-Classification Algorithmen weisen die Vorteile auf, dass eine hochgenauespektrale Normalisierung, wie sie von den Pre-Classification Verfahren verlangt wird,nicht erforderlich ist, weil jeder Datensatz zunächst unabhängig vom anderen ausge-wertet wird. Außerdem lassen sich die Ergebnisse durch die Kenntnis des Status zumjeweiligen Aufnahmezeitpunkt bei den Methoden, die auf einer überwachten Klassifika-tion beruhen, sehr gut interpretieren. Die gemeinsamen Nachteile der Verfahren sind,dass thematisch nur solche Veränderungen erkannt werden, die im Vorfeld Ziel der zu-grundeliegenden Klassifikation waren, des weiteren ist die Genauigkeit der Verfahrenimmer sehr stark abhängig von der Genauigkeit der einzelnen Klassifizierungen. [YU-AN ET.AL., 1998] geben an, dass die Genauigkeit der gesamten Methode ungefährgleich dem Produkt der Genauigkeiten der einzelnen zugrundeliegenden Klassifizie-rungen sind. So liegt zum Beispiel die gesamte Genauigkeit einer auf zwei Zeitschnit-ten basierenden Veränderungsanalyse mit den Klassifikationsgenauigkeiten von 80%

aus Aufnahmezeitpunkt 1 und 70% aus Aufnahmezeitpunkt 2 bei lediglich ∼= 56%.Die Eigenschaften der übergeordneten Methoden werden in der Tabelle 8.1 zusam-menfassend dargestellt.

Tabelle 8.1: Eigenschaften der übergeordneten Methoden zur Veränderungsanalyse ferner-kundlicher Datensätze.

pre-classification Methoden post-classification Methodenradiometrische erforderlich nichtNormalisierung erforderlichgeometrische hochgenau erforderlich

Koregistrierung erforderlichKlassifizierung nicht erforderlichder Bilddaten erforderlich

Interpretierbarkeit schwierig einfachder Ergebnisse

thematische Vielfalt alle Veränderungen nur die Veränderungen, die inder Ergebnisse können erkannt werden. der Klassifizierung erfasst

werden, werden erkannt.Genauigkeit ⊕⊕ ⊕

der bei optimaler abhängig von der GüteErgebnisse Vorverarbeitung der Klassifikationen

Für die Bearbeitung der hier zugrundeliegenden Aufgabe, nämlich, dass Verände-rungen des Pflanzenzustandes erfasst werden sollen, bedarf es einer Methode, die diephysikalischen Reflexionsgrundlagen der Vegetationsoberflächen besonders berück-sichtigt, um die Möglichkeit der thematischen Interpretation zu erhalten. Damit fallenprinzipiell die rein auf statistischen Verfahren beruhenden Methoden der Pre-Classifi-

133


cation change detection bereits aus. Außerdem sind die radiometrischen Eigenschaf-ten hochauflösender hyperspektraler Fernerkundungsdaten von sehr vielfältigen Fak-toren beeinflusst, dass es nur schwer gelingt, die Bilddaten fehlerfrei radiometrischzu koregistrieren. Die herkömmlichen post classification Verfahren, basierend auf her-kömmlichen Klassifikationsverfahren wie z.B. der Maximum Likelyhood Klassifikation,ermöglichen zwar eine Interpretation des Ergebnisses des Vergleichs, jedoch werdenauch hier die detaillierten spektralen Informationen, die hyperspektrale Daten liefern,nicht hinreichend in die Auswertung mit einbezogen.

Diese Gründe legen nahe, dass die hier beschriebenen Standardverfahren immernur Kompromisslösung zur Erfüllung der vorliegenden Fragestellungen sein können.Aus diesem Grund wurde hier eine Kombination mehrerer Verfahren angewendet, diedie Nachteile beider grundlegenden Vorgehensweisen minimiert und die Vorteile her-ausstellt.

Als Grundlage für die hier vorgestellte Methode diente deshalb die multitempora-le Anwendung der in Kapitel 7.2.1 beschriebenen Methoden. Zur Veränderungsana-lyse aus den Ergebnissen dieser „Klassifikationen“ kommt ein neues Verfahren zumEinsatz, das sich an die ursprünglich für unklassifizierte Ausgangsdaten konzipiertechange vector analyse anlehnt. Dieses bietet den Vorteil, dass die Ergebnisse desVerfahrens sowohl die Ableitung einer Veränderungsrichtung als auch eines Verände-rungsbetrag zulassen. Eine Beschreibung der Methode selbst sowie die Beschreibungvon Anwendung und Ergebnissen dieses Verfahrens wird in Kapitel 8.2 gegeben.

134

8.2 Change Vector Analyse


Die Change Vector Analyse ist eine Methode zur Veränderungsanalyse, die in dergängigen Literatur [ENGVALL ET.AL., 1977, MALILA, 1980, COLWELL ET.AL., 1981,NACKAERTS ET.AL., 2005] für die Anwendung an transformierten (z.B. Hauptkompo-nententransformationen, Tasseled Cap Transformationen oder MNF Transformationen)multispektralen Bilddaten beschrieben wird. Diese Transformationen haben die Eigen-schaft, dass sie die Redundanz der Bildinformation verringern (z.B. [GREEN, ET. AL.,1988]) und damit einen hohen Prozentsatz der Bildinformation in wenigen Kanälenvereinen.

Erweiterungen der Methode auf hyperspektrale Bilddaten führten zum Beispiel[WARNER, 2005] oder [CHEN ET.AL., 2003] ein, in dem sie die Dimensionalität derMethode erhöhen und damit mehr als nur die bisher beschriebenen zwei Kanäle be-rücksichtigen.

Zur Durchführung der ursprünglichen Ausprägung des Verfahrens [MALILA, 1980]wird ein definierter Bildpunkt in zwei transformierten Bildkanälen zu zwei Aufnahme-zeitpunkten gegeneinander in einem Koordinatesystem aufgetragen (Abb. 8.1).

a

Dist

Kanal 1

Kanal 2

y1

y2

x1 x2

P1

P2

Abbildung 8.1: Schematische Darstellung des Veränderungsvectors abgeleitet von der Ver-änderung der Position eines Punktes im Koordinatensystem zu zwei verschie-denen Zeitpunkten (P1 und P2).

135


Die beiden Bildpunkte können darin zu einem rechtwinkligen Dreieck verbundenwerden. Die Change Vector Analyse bestimmt nun aus diesem rechtwinkligen Dreieckdie Entfernung (Dist) der beiden Punkte voneinander und den Winkel (α) zur Waage-rechten, den die Verbindungslinie zwischen den beiden Punkten beschreibt nach denGleichungen 8.1 und 8.2.

Dist =√

(y1− y2)2 + (x2− x1)2 (8.1)

sin α =(y2− y1)

Dist(8.2)

mit: Dist = euklidische Distanz,α = Winkel der Geraden, die die beiden Punkte

verbindet zur Waagerechten,x1 = DN des Kanals 1 zum Zeitpunkt 1,x2 = DN des Kanals 1 zum Zeitpunkt 2,y1 = DN des Kanals 2 zum Zeitpunkt 1,y2 = DN des Kanals 2 zum Zeitpunkt 2.

Die Methode der Change Vector Analyse lässt aus diesen beiden Werten nichtnur eine Aussage über den Veränderungsbetrag zu, sondern gibt auch einen themati-schen Aufschluss über die Art der Veränderung (Veränderungswinkel α). Die Distanzist dabei ein Maß für den Betrag der Veränderung, während der Winkel als Richtungder Veränderung angesehen werden kann.

In seiner ursprünglichen Ausprägung ist die Change Vector Analyse eine fort-schrittliche Form der Pre-Processing Change Detection Verfahren und bringt damitauch die Nachteile mit sich, dass insbesondere eine besonders genaue geometrischeKorrektur im Subpixelbereich nebst einer genauen radiometrischen Anpassung der zuvergleichenden Bilddaten erforderlich ist und dass die Ergebnisse nur schwer interpre-tierbar sind.

Wegen diesen besonderen Nachteilen in Verbindung mit den im vorliegenden Fal-le gesetzten Anforderungen, nämlich dass vor allem Veränderungen im Waldzustanderfasst werden sollen, bedarf es zum Einsatz der Methode noch einer spezifischen An-passung. Hierbei werden nicht durch Transformationen vorverarbeitete Bilddatensätzeals Eingangsdaten des Verfahrens verwendet, sondern die im Kapitel 7.2.1 zur Ablei-tung des Pflanzenzustandes durch die Bestimmung des Chlorophyllgehaltes definier-ten, das Spektrum beschreibenden Merkmale. Durch die Verwendung schon vorklassi-fizierter Bildinformationen wird die Informationsdichte, die solche Verfahren gewöhnlichbieten, auf die wirklich interessierende Information beschränkt. Dies erleichtert die In-terpretation der Ergebnisse erheblich. Ausserdem werden durch dieses Vorgehen die

136


Einflüsse einer, bei mit flugzeuggetragenen Sensoren aufgezeichneten Daten unver-meidlichen, unzulänglichen Georeferenzierung bzw. Koregistrierung der Daten erheb-lich vermindert.

Die thematische Zuordnung des Veränderungswinkels α und des Veränderungs-betrages (Dist) erfolgt visuell aus dem Bilddatensatz, in dem einige bekannte Verän-derungen aus den Bilddaten auf das Change Detection Ergebnis übertragen und mitderen Hilfe Schwellwerte für die Klassifikation der Veränderungen empirisch erfasstwerden. Je genauer das Wissen über die Ground Truth an wenigen Referenzgebie-ten ist, desto genauer ist auch die automatische Zuordnung von Veränderungen imErgebnis der Veränderungsanalyse möglich. Dieses Wissen kann zum Beispiel durchOrtsbegehungen oder durch ausschnittsweise vergleichende visuelle Betrachtung derFernerkundungsdaten erlangt werden.

Die Tabellen 8.2 und 8.3 geben für zwei geeignete Merkmalskombinationen dieWinkel und die dazugehörige Nutzungsänderung an. Diese Winkel sind allerdings nichtallgemeingültig übertragbar, sondern müssen für jede Untersuchung an bekanntenTrainingsflächen erneut für jedes Feature Paar gesondert bestimmt werden.

Tabelle 8.2: Zuordnung der Veränderungswinkel zu Veränderungsarten bei der Anwendungder Methode auf die Merkmalskombination maximale Absorptionstiefe und derFläche unter dem Continuum Removed Spektrum.

Winkel α Nutzungsänderung0◦ − 45◦ Zunahme des Vegetationsbewuchses45◦ − 90◦ Abnahme des Vegetationsbewuchses

Tabelle 8.3: Zuordnung der Veränderungswinkel zu Veränderungsarten bei der Anwendungder Methode auf die Merkmalskombination Red-Edge Wellenlänge und Reflexi-onsverhältnis bei 760 und 710 nm.

Winkel α Nutzungsänderung0◦ − 43◦ Zunahme des Vegetationsbewuchses43◦ − 90◦ Abnahme des Vegetationsbewuchses

Für die Untersuchungen zur Bestimmung von Pflanzenzustandsveränderungenerweisen sich durch die Betrachtung der statistischen Untersuchungen im vorigen Ka-pitel die Merkmalskombinationen Red-Edge Wellenlänge und das Ratio der Reflexi-onswerte bei den Wellenlängen 760 und 710 nm sowie die maximale Absorptionstiefekombiniert mit dem Flächeninhalt unter dem Continuum Removed Spektrum als be-sonders aussagefähig.Diese spektralen Merkmale zeigen zum einen besonders geringe Abhängigkeiten un-tereinander, sodass keine redundante Information in den Algorithmus eingeht und zum

137


anderen zeigen sie eine möglichst hohe Korrelation mit dem physiognomischen Zei-ger des Chlorophyllgehaltes. Ein visueller Vergleich der Ergebnisse mit den im Ge-lände aufgenommenen Referenzdaten sowie den vorliegenden GIS Datenlayern be-stätigte diese Merkmalskombinationen als die, die in der praktischen Anwendung dengrössten Informationsgehalt bezüglich der vorliegenden Fragestellung besitzen (Kapi-tel 7.2.4).

Die Ergebnisse zeigen selbst für unveränderte Gebiete leichte Veränderungsbe-träge in unterschiedliche Richtungen an. Die Ursachen hierfür sind sowohl in phy-sikalisch technischen als auch in ökologischen Faktoren zu finden. So befindet sichdie Pflanze, selbst wenn die Befliegungen mehrerer Jahrgänge zum gleichen Datumdurchgeführt werden könnten, nicht immer im gleichen phänologischen Zustand, wasden Chlorophyllgehalt, als Haupteinflussfaktor auf das Reflexionsverhalten der Pflan-ze, erheblich beeinflussen kann. Die Ursachen für diese phänologischen Unterschie-de sind insbesondere in unterschiedlichen Witterungs- und Temperaturverläufen wäh-rend des Wachstumszyklus der Pflanze begründet. Die physikalisch-technischen Grün-de liegen z.B. in atmosphärischen Einflüssen, die bei der Atmosphärenkorrektur mitATCOR4 nicht berücksichtigt wurden oder nicht berücksichtigt werden konnten, derSensorkalibrierung oder unterschiedlicher Bildvorbehandlung. Diese Ursachen konn-ten zwar durch die Vorverarbeitung der Bilddaten weitestgehend aber durch Inhomo-genitäten in den Bilddatensätzen nicht vollständig korrigiert werden.

Insgesamt können noch verbleibende aus Reflexionsunterschieden der Ausgangs-daten herrührende Fehler dadurch umgangen werden, dass mit Hilfe von bekanntenVeränderungen im Bild Schwellwerte (sog. Thresholds) gebildet werden, die es er-möglichen, veränderte und nicht veränderte Flächen im Bild zu unterscheiden.

Deshalb ist es erforderlich, wiederum anhand einiger bekannter Veränderungen imBild, Grenzwerte einzuführen, mit denen es dann möglich ist, veränderte und nicht ver-änderte Flächen zu unterscheiden. Dies geschieht in ähnlicher Weise wie die thema-tische Zuordnung der Veränderungswinkel, indem visuell bekannte Bereiche des Bil-des untersucht werden und die Veränderungsbeträge diesen veränderten bzw. unver-änderten Bereichen zugeordnet werden. Der Wert des Veränderungsbetrages (Dist)zwischen diesen Stellen bildet den gesuchten Schwellwert.

Die Anwendung der Change Vector Analyse erfolgt auf dem gesamten Bild, wobeifür den Winkel α und die Distanz Dist jeweils ein separater Ausgabekanal entsteht.Diese Ausgabekanäle werden mit Hilfe von Color Tables farblich dargestellt und so-wohl visuell als auch numerisch ausgewertet. Darstellungen der berechneten Verän-derungsbeträge und Winkel geben die Abbildungen 8.2 und 8.3. Hierbei ist eine Farb-tabelle von blau (keine Veränderung) bis rot (starke Veränderung) angewendet worden.

138


Abbildung 8.2: Veränderungswinkel (links) und Veränderungsbetrag (rechts), berechnet ausder Merkmalskombination maximale Absorptionstiefe und Fläche unter demcontinuum removed Spektrum. Für diese Abbildung kommt eine Farbtabellevon grün (unverändert) bis rot (starke Veränderung) zum Einsatz.

Abbildung 8.3: Veränderungswinkel (links) und Veränderungsbetrag (rechts), berechnet ausder Merkmalskombination red-edge Wellenlänge und Ratio 760/710. Für die-se Abbildung kommt eine Farbtabelle von grün (unverändert) bis rot (starkeVeränderung) zum Einsatz.

139


Die Abbildung 8.4 zeigt eines dieser Ergebnisse (Merkmalskombination: red-edgeWellenlänge und Fläche unter dem continuum removed Spektrum) in fünf Klassendurch Grenzwertbildung der Veränderungsbeträge klassifiziert. Dabei wurden die Grenz-werte unter Zuhilfenahme der Bodenreferenzdaten und der Bilddaten auf die in Tabelle8.4 gezeigten Werte festgelegt.

Tabelle 8.4: Grenzwerte für die Klassifizierung von Veränderungen.Grenzwert für die Klassifizierung Beschreibung der Veränderung

0− 0.4 keine Veränderung0.4− 0.5 keine - leichte Veränderung0.5− 0.56 leichte - mittlere Veränderung0.56− 0.7 mittlere - starke Veränderung0.7− 1 starke Veränderung

Abbildung 8.4: Grenzwertklassifikation des Veränderungsbetrages am Beispiel der Merk-malskombination maximale Absorptionstiefe und Flächeninhalt unter der Con-tinuum Kurve.

Die Abbildung 8.4 zeigt diese Threshold Klassifikation eines Teils des Untersu-chungsgebietes, welches durch bergbaubedingte Senkungen (im Zentrum der Abbil-dung) und durch den Abbau von Sand (rechter oberer Bildrand) ständigen Verände-

140


rungen unterworfen ist. Auch die unterschiedlichen Bearbeitungszustände von land-wirtschaftlich genutzten Flächen (oben Mitte und linker Rand) sind zu erkennen. Dieständig bewaldeten Gebiete im Zentrum und unten, die keinen bergbaulichen Einflüs-sen unterworfen sind, werden Erwartungsgemäss als nicht verändert erkannt.

Die Anwendung und Auswertung der Methode um einen zwischen den Beflie-gungszeitpunkten entstandenen Senkungssee im Bereich des Schwarzbaches (Abb.8.5) zeigt, dass mit diesem Vorgehen nicht nur Veränderungen erfasst werden können,die von Be- bzw. Entwaldung herrühren, sondern sich auch im Bestand bereits sichta-bere Veränderungen des Pflanzenzustandes im Ergebnis deutlich wiederspiegeln.

CVA Ergebnis

HyMap 2000 HyMap 2003

Abbildung 8.5: Detaillausschnitt des CVA-Ergebnisses auf Kiefernflächen um einen zwischenden Befliegungszeitpunkten neu entstandenen Senkungssee. Oben sind diebeiden zugrundeliegenden HyMapTM-Datensätze abgebildet, unten das Er-gebnis der Veränderungsanalyse.

141


Die Erwartungen, dass mit bloßem Auge nicht erkennbare Veränderungen, diedurch die stressbedingte Veränderung des Chemismus der Pflanze auftreten, mit die-ser Methode erkannt werden, konnte im Zuge der Arbeit nicht bestätigt werden. Eszeigt sich aber, dass vergleichsweise kurzfristige Veränderungen, wie der signifikan-te Rückgang des Gesundheitszustandes der Pflanze am Rande des Senkungssees,deutlich zu sehen sind.

Die roten Stellen mit starken Veränderungen in Abbildung 8.5 sind auf diesenstressbedingten Rückgang der Pflanzenvitalität zurückzuführen. Die roten Ränder, diedas Waldstück auf der rechten oberen Seite umgeben, sind durch mangelnde Koregis-trierung der Bilddaten hervorgerufen. Solche Veränderungen sind signifikant im Bild zuidentifizieren, da sie immer die Nutzungsgrenzen mit einem Streifen von einem Aus-maß von maximal 2 Pixeln nachzeichnen.

142

9 Zusammenfassung, Diskussion undAusblick

Die Aktivitäten des untertägigen Steinkohlenbergbaus führen zu dynamischen Sen-kungen der Erdoberfläche. Diese Senkungen verursachen ein Wirkungsgefüge aushydrologischen und ökologischen Veränderungen in der naturräumlichen Ausstattungdes beeinflussten Gebietes. Ausserdem wird die infrastrukturelle Ausstattung des Ge-bietes durch die geometrische Veränderung zum Teil erheblich beeinflusst. Aus unter-schiedlichen Gründen, von denen die wichtigsten die Auflagen der Aufsichtsbehördenim Zuge des bergbaulichen Genehmigungsverfahrens sind, ist der Bergbautreibendebestrebt, die von ihm verursachten Beeinflussungen detailliert zu überwachen und zuprognostizieren.

Aufgrund der Komplexität des Wirkungsgefüges und der dynamischen Betriebs-führung ist eine direkte Prognose dieser Auswirkungen nur schwierig unter detaillier-ter Kenntnis der aktuellen oberflächlichen Gegebenheiten und deren Veränderungenmöglich.

Die fortschreitenden Techniken in Sensorik und Auswertemethodik der Fernerkun-dung versprechen ein Potential zur Unterstützung der Datenerhebung für die Modellie-rungen der ökologischen hydrologischen Gutachter.

Die im Zuge dieser Arbeit angewendeten Methoden der Spektroskopie messendas Licht, das von einem Oberflächenobjekt reflektiert wird. Die Reflexionsmechanis-men der Oberfläche sind vor allem von deren chemischen Zusammensetzung abhän-gig. Diese Tatsache, in Verbindung mit der Eigenschaft von Pflanzen, dass diese unterdem Einfluss eines Stressfaktors den Blattchlorophyllgehalt und damit den Chemismusdes Blattes verändern, sind die physikalischen und physiologischen Grundlagen, diedie Methoden, die in dieser Arbeit vorgestellt wurden, hauptsächlich als erfolgverspre-chend empfohlen haben.

Die Anforderungen des Bergbautreibenden können wie folgt zusammengefasstwerden:

• frühzeitige Erkennung von stressbedingten Pflanzenveränderungen,

143

9 Zusammenfassung, Diskussion und Ausblick

• flexible Verfügbarkeit der Methode und die Auswertbarkeit durch nicht besondersauf die Methode hin geschultes Personal, sowie

• Herstellung eines Zusammenhanges zwischen bergbaulichen Aktivitäten und Ver-minderung des Gesundheitszustandes des bestockten Pflanzenbestandes.

Die Ergebnisse, die im Zuge der Beschreibungen und Entwicklung der Metho-den dargelegt wurden, erlauben den Schluss, dass sich verminderte Pflanzenvitalitätdurch die Auswertung der Daten flugzeuggetragener hyperspektraler Fernerkundungs-sensoren ableiten lässt. Einschränkend muß dem hinzugefügt werden, dass es nichtnachgewiesen werden konnte, dass die Methode dazu geeignet ist, als „Frühwarnsys-tem“ für anfängliche Pflanzenschädigungen zu dienen, sondern dass nur Schädigun-gen erkannt werden konnten, die im Gelände bereits deutlich sichtbar waren und beiden Geländearbeiten zur Erstellung des Pflanzenzustandsgutachten aufgefallen sind.Anfängliche Stresssymptome von Pflanzen sind häufig nur eingeschränkt als Zeigerfür den Einfluss bergbaulicher Aktivität geeignet, weil diese reversibel sind und meistnicht den Bergbaueinfluss, sondern z.B. Extreme im Witterungsverlauf (z.B. lange Tro-ckenheit und hohe Temperaturen im Sommer des Jahres 2003) als Ursache haben.Der große Vorteil dieser Methode im Vergleich zu den derzeit angewendeten terrestri-schen Verfahren liegt aber in der flächendeckenden, teilautomatisierten und schnellenArbeitsweise. Ausserdem ist insbesondere die Ableitung beschreibender Merkmale ineinem hohen Maße automatisiert durchführbar, sodass die meisten Arbeitsschritte voneinem eingewiesenen, technisch versierten Mitarbeiter ohne fernerkundliches Spezial-wissen durchführbar ist. Grundlage dafür wurde mit der Entwicklung eines Software-produkts geschaffen. Dieses Programmpacket wurde im Zuge der Projekte, aus denendiese Arbeit entstanden ist, entwickelt, ist aber im speziellen nicht Gegenstand dieserArbeit.

Insbesondere ist die Anwendung der entwickelten Verfahren als eine Unterstüt-zung der ökologischen Gutachter zu sehen, denen aufbauend auf ihren stichprobenar-tigen Untersuchungen ein Werkzeug zur Verfügung gestellt wird, das es ermöglicht, einjetzt erstmals flächendeckendes, detailliertes Bild der Zustände und Beeinflussungender Wälder aufzuzeichnen.

Der flugzeuggetragene Sensor ermöglicht einen flexiblen Einsatz der Methode zuZeitpunkten, die für den Bergbautreibenden wichtig sind (z.B. Monitoringzeitschnitte)und liefert Daten, die neben der computergestützten Auswertung im Hinblick auf denPflanzenstress auch als Kartierungsgrundlage für die manuelle Kartierung genutzt wer-den können. Ausserdem sind wiederholte Aufnahmen mit solchen Systemen eine her-vorragende Dokumentation des Status Quo im Untersuchungsgebiet um ggf. unge-rechtfertigt auftretenden Regressansprüchen Dritter fundiert entgegenwirken zu kön-nen. Die Flexibilität und Verfügbarkeit der Methode verbessert sich durch die immer

144

besser werdende Verfügbarkeit hyperspektraler Sensoren auf satelliten- und flugzeug-getragenen Plattformen. So wird ab dem Sommer diesen Jahres (2006) mit dem Sen-sor ARES ein geeigneter hyperspektraler flugzeuggetragener Sensor beim DeutschenZentrum für Luft- und Raumfahrt (DLR) und beim Geoforschungszentrum in Potsdam(GFZ) für den operationellen Einsatz europaweit zur Verfügung stehen. Ausserdemsind vorbereitende Arbeiten für die Entwicklung und den Start eines satellitengetrage-nen hyperspektralen Systems im Gange. Dieses mit EnMAP bezeichnete Projekt lässtin den nächsten Jahren auch die Verfügbarkeit eines satellitengetragenen Systemserhoffen.

Der Zusammenhang zwischen den bergbaulichen Aktivitäten und der jeweiligenPflanzenvitalität erschließt sich nicht direkt aus der Auswertung der Fernerkundungs-daten, weil die Pflanzen zwar auf Stress durch die Abnahme des Blattchlorophyllgehal-tes auf den Stressfaktor reagiert, die Art des Stressfaktors lässt sich allerdings aus derPflanzenreaktion nicht ableiten. Dieser Zusammenhang lässt sich aber durch Vergleichmit vorliegenden GIS Datenbeständen, wie z.B. der Modellierung der Grundwassersi-tuation oder der Abbauplanung, mit Standardmitteln herstellen.

Die im Rahmen dieser Arbeit vorgestellten Methoden haben Ihre grundsätzlicheEignung zur Erkennung von Pflanzenzuständen und deren Veränderung unter Beweisgestellt. Für einen zukünftigen operationellen Einsatz sind noch einige Anpassungenerforderlich, die im Rahmen der dieser Arbeit zugrunde liegenden Projekte nicht mög-lich waren. So ist insbesondere eine erhebliche Ausweitung der ökologischen Refe-renzdaten notwendig, um eine statistische Absicherung der entwickelten Modelle zurChlorophyllabschätzung zu gewährleisten und deren Funktion zu bestätigen. Die Me-thoden in dieser Arbeit wurden beispielhaft für die Baumart Kiefer eingeführt. Sollenandere Baumarten separat betrachtet werden, ist eine Anpassung der Methode aufdie interessierenden Arten erforderlich. Dies erfordert wiederum eine umfangreicheReferenzdatengrundlage.

Die hier vorgestellten Verfahren zur Auswertung der Daten flugzeuggetragenerhyperspektraler Fernerkundungssensoren setzen normalerweise vom Anwender einrelativ hohes Maß an Fachwissen voraus. Zudem verlangen die Verfahren eine auf-wändige Vorverarbeitung zur Korrektur atmosphärischer und geometrischer Einflüsse,die auf den Sensor einwirken. Solche Voraussetzung können für einen Anwender, wiez.B. den Bergbautreibenden, minimiert werden, in dem die Daten bereits in korrigier-ter Form eingekauft werden und die Auswertealgorithmen standardisiert in Form einerkomfortablen Software bereitgestellt werden.

Ausser diesen Hyperspektraldaten kommt für den Bergbautreibenden die Auswer-tung geometrisch hochauflösender Satellitensysteme, wie z.B. die Daten der SatellitenQuickbird oder IKONOS, in Betracht, die geometrische Auflösungen bis zu 66 cm bie-

145

9 Zusammenfassung, Diskussion und Ausblick

ten. Auch hiermit lässt sich die Modellierung der ökologischen und hydrologischen Si-tuationen in einem Untersuchungsgebiet unterstützen. Mit solchen Daten lassen sich,auch durch ihre kommerzielle Verfügbarkeit, ggf. mehrmals jährlich, die Veränderun-gen von Flächen in ihrer Nutzung, die z.B. durch Flächenumwidmung, Rodungen,Baumaßnahmen oder ähnliches verursacht sind, erfassen. Die detaillierte Erfassungvon Pflanzenzuständen, die diese Arbeit anhand hyperspektraler Fernerkundungsda-ten beschreibt, ist jedoch mit Hilfe solcher Daten nicht möglich.

146

Literaturverzeichnis

[ABREU ET. AL., 1996] Abreu, L.W. Anderson, G.P., 1996: The MODTRAN 2/3 Reportand LOWTRAN 7 Model, Prepared by Ontar Corporation for PL/GPOS.

[ALBERTZ, 2001] Albertz, J., 2001: Einführung in die Fernerkundung, 2. Aufl. Wissen-schaftliche Buchgesellschaft, Darmstadt.

[ANHUF, 1997] Anhuf, D., 1997: Satellitenbildgestützte Vegetationsklassifikation derCôte dÍvoire. Mannheimer Geographische Arbeiten, Heft 45, Mannheim.

[ASNER ET.AL. 2002] Asner, G.P., Hicke, J.A., Lobell, D.B., 2002: Per-Pixel analysis offorest structure: Vegetation Indices, Spectral Mixture Analysis and Canopy Reflec-tance Modeling, Stanford.http://www.nrel.colostate.edu/ jhicke/pubs/Asnel_ForestRS_chapter.pdf

[ASPINALL ET.AL., 2002] Aspinall, R. J., Marcus, W. A., Boarman, J. W., 2002: Con-siderations in collecting, processing and analysing high spatial resolution, hyper-spectral data for environmental investigations. Journal of Geographical Systems,4(1), pp. 15 - 29.

[BACH, 1995] Bach, H., 1995: Die Bestimmung hydrologischer und landwirtschaftli-cher Oberflächenparameter aus hyperspektralen Fernerkundungsdaten, Münch-ner Geographische Abhandlungen, Reihe B, Band 21.

[BANNARI ET. AL. 1995] Bannari, A., Morin, D., Bonn, F. Huete, A., 1995: A Review ofVegetation Indices. Remote Sensing Reviews, Vol. 13, pp. 95 - 120.

[BAUER, 1986] Bauer, M., 1986: Field Spectroscopy of Agricultural Crops, IEEE Tran-sactions on Geosciences and Remote Sensing, vol. GE-24, no. 1, pp. 65 - 75.

[BAYERISCHES STAATSMINISTERIUM, 2004] Bayerisches Staatsministerium für Land-wirtschaft und Forsten, 2004: Waldzustandsbericht, München.

[BBergG, 1998] Bundesberggesetz vom 13. August 1980 zuletzt geändert durch Ge-setz vom 26. Januar 1998 (Bundesgesetzblatt I S. 164).

[BEND-DOR, ET. AL., 2000] Ben-Dor, E., Levin. N., 2000: Determination of surface re-flectance from raw hyperspectral data without simultaneous ground data measu-rements: a case study of the GER 63-channel sensor data acquired over Naan,Israel. International Journal of Remote Sensing, Vol. 21, pp. 2053 - 2074.

147


[BENECKE ET.AL., 2000] Benecke, N., Fischer, C., Spreckels, V., 2000: Nutzung vonhochauflösenden Satellitendaten zur großräumigen Überwachung der Umwelt-auswirkungen bergbaulicher Tätigkeiten im Ruhrgebiet. Abschlussbericht derdeutschen Steinkohle AG, 2000, Herne. DLR-Vorhaben FKZ 50 EE 9652.

[BERK, ET.AL., 1998] Berk, A., Bernstein, L.S., Anderson, G.P., Acharya, P.K., Ro-bertson, D.C., Chetwynd, J.H., Adler-Golden, S.M., 1998: MODTRAN Cloud andMultiple Scattering Upgrades with Application to AVIRIS, Remote Sensing of En-vironment, Vol. 65, pp. 367 - 375.

[BEZIRKSREGIERUNG ARNSBERG, 2002] Bezirksregierung Arnsberg, Abteilung 8Bergbau und Energie, 2002: Planfeststellungsbeschluss für den Rahmenbetriebs-plan mit Umweltverträglichkeitsprüfung zur Gewinnung von Steinkohle im Berg-werk Walsum für den Zeitraum 2002 bis 2019 der Firma Deutsche Steinkohle AG,Arnsberg.

[BML, 1998] BML (Bundesministerium für Ernährung, Landwirtschaft und Forsten),1997: Stellungnahme zur Erhebung des Waldzustandes und Empfehlung zur Wei-terentwicklung des Verfahrens. Bericht der vom BML eingesetzten Expertengrup-pe.

[BOARDMAN, 1993] Boardman, J.W., 1993: Automated spectral unmixing of AVIRISdata using convex geometry concepts, in: Fourth JPL Airboren Geoscience Work-shop, JPL Publication, Vol. 93, No. 26, v.1.

[BOARDMAN ET.AL. 1994] Boardman, J.W., Kruse, F.A., 1994: Automated spectralAnalysis: A Geologic example using AVIRIS data, north Grapevine Mountains,Nevada, in: Proceedings, Tenth Thematic Conference on Geologic Remote Sen-sing, Environmental Research Institute of Michigan, Ann Arbor, pp. 407 - 418.

[BOARDMAN, 1998] Boardman, J.W., 1998: Leveraging the high dimensionality of AVI-RIS data for improved sub-pixel Target unmixing and rejection of false positives:mixture tuned matched filtering, in: Summaries of the Seventh Annual JPL Airbor-ne Geoscience Workshop, Pasadena, CA.

[BONHAM-CARTER, 1988] Bonham-Carter, G.F., 1988: Numerical Procedures andComputer Program for Fitting an Inverted Gaussian Modell to Vegetation Reflec-tance Data, Computer and Geosciences, Vol. 14, No. 3, pp. 339 - 356.

[BRUNN ET.AL., 2001] Brunn, A.; Dittmann, C.; Fischer, Chr., Richter, R., 2001:Atmo-spheric Correction of 2000 HyMapTM-data in the framework of the EU-project MI-NEO. In Image and Signal Processing for Remote Sensing VII, Sebastiano Serpi-co (ed.), Proceedings of SPIE Vol 4541.

148


[BUSCH ET. AL. 2004] Busch, W., Roosmann, R., Fischer, C., Vosen, P. 2004: Sys-temkonzept zur integrierten Nutzung von klassischen, GIS- und Fernerkundungs-methoden für ein Monitoring bergbaulicher Umwelteinwirkungen. In: DeutscherMarkscheider-Verein (Hrsg.): Das Markscheidewesen in der Rohstoff-, Energie-und Entsorgungswirtschaft, „. . . aus Tradition modern“, 125 Jahre DMV, 44. Wis-senschaftliche Tagung des Deutschen Markscheider-Vereins e.V., 15.-18. Sep-tember 2004, Bochum. Wissenschaftliche Schriftenreihe im Markscheidewesen,Heft 21, S. 326 - 342, Papierflieger Verlag GmbH, Clausthal-Zellerfeld.

[BWALDG] Bundeswaldgesetz, vom 2. Mai 1975 (BGBl. I S. 1037) zuletzt geändertdurch Artikel 2 Abs. 1 des Gesetzes vom 26. August 1998 (BGBl. I S. 2521).

[CANTY, 2006] Canty, M., 2006: Visualization and unsupervised classification of chan-ges in multispectral satellite imagery. International Journal of Remote Sensing, inPress.http://www.fz-juelich.de/ste/datapool/page/210/ijrs2004.pdf

[CARTER, 1994] Carter, G.A., 1993: Ratios of leaf reflectance wavebands as indica-tors of plant stress. International Journal of Remote sensing, Vol. 15, No. 3, pp.697 - 703.

[CHANG, ET. AL., 1993] Chang, S., Westfield, M. J., Lehmann, F., Oertel, D., Richter,R., 1993: A 79 - Channel Airborne Imaging Spectrometer , SPIE Vol. 1937 pp. 164- 172, 1993

[CHAVEZ, 1988] Chavez, P. S, 1988: An Improved Dark-Object Subtraction Techniquefor Atmospheric Scattering Correction of Multispectral Data. Remote Sensing ofEnvironment, Vol. 24, pp. 459 - 479.

[CHEN ET.AL., 2003] Chen, J., Gong, P., He, C., Pu,R., Shi, P., 2003: Land-use/land-cover change detection using improved change vector analysis. PhotogrammetricEngineering and Remote Sensing, 69, pp. 369 - 379.

[CHEVREL ET.AL., 2001] Chevrel, S., Kuosmanen, V., Belocky, R., Marsh, S., Tukiai-nen, T., Mollat, H., Quental, L., Vosen, P., Schumacher, V., Kuronen, E., Aastrup,P., 2001: Hyperspectral airborne imagery for mapping mining-related contamina-ted areas in various european environments - First results of the MINEO Project.5th International Airborne Remote Sensing Conference, San Francisco, California,17-20 September 2001.

[CHEVREL, 2003] Chevrel, S., 2003: Airborne Hyperspectral Campaign for Investi-gation of Mining-Related Impacts in Various Vegetated European EnvironmentsThe European RDT Project MINEO. In: Habermeyer, M., Müller, A., Holzwarth, S.[Hrsg]. 3rd. EARSeL Workshop on Imaging Spectroscopy, Herrsching, Germany,13-16. May 2003.

149


[CLARK ET AL., 1984] Clark, R., Roush, T., 1984: Reflectance Spectroscopy: Quanti-tative Analysis Techniques for Remote Sensing Applications. Journal of Geophy-sical Research, Vol. 89, No. B7, pp. 629 - 630.

[CLARK, 1999] Clark, R.N., 1999: Spectroscopy of Rocks and Minerals, and Principlesof Spectroscopy, In: Rencz, (ed.) Remote Sensing for the Earth sciences: Manualof Remote Sensing Volume 3, third edition, Wiley & Sons, New York, pp. 3 - 58.

[CLARK ET.AL. 2003] R. N. Clark, G. A. Swayze, R. Wise, K. E. Livo, T. M. Hoefen, R.F. Kokaly, and S. J. Sutley, 2003: USGS Digital Spectral Library splib05a, USGSOpen File Report 03-395.

[COCKS, 1999] Cocks, T., Jenssen.R., Stewart, A., Wilson, I., Shields, T., 1999: TheHyMap Airborne Hyperspectral Sensor: the system, calibration and performance.In: Schaepmann, M. [Hrsg.], 1st. EARSeL Workshop on Imaging spectroscopy,6th. - 8th. October, 1998, pp. 37 - 45.

[COLLINS ET.AL., 1990] Collins, W. Chang,S., 1990: The Geophysical EnvironmentalResearch Corp. 63 Channel Airborne Imaging Spectrometer and 12 Band Ther-mal Scanner, Proc. SPIE, Vol. 1298, pp. 62 - 71.

[COLWELL ET.AL., 1981] Colwell, J., Weber, F., 1981: Forest Change Detection. Pro-ceedings of the 15th. International Symposium on Remote Sensing of Environ-ment, Ann Arbor, MI, pp. 65 - 99.

[CSIRO, HOMEPAGE] CSIRO Homepage,http://www.eoc.csiro.au/hswww/Overview.htm

[CURRAN, 1989] Curran, P.J., 1989: Remote Sensing of foliar chemistry, Remote Sen-sing of Environment, 30, pp. 271 - 278.

[CURRAN, KUPIEC, 1995] Curran, P.J., Kupiec, J.A., 1995: Imaging Spectrometry: Anew tool for Ecology. In: Danson, F.M., Plummer, S.E. [Hrsg]: Advances in Envi-ronmental Remote Sensing, Wiley & Sons, Hoboken, New Jersey.

[DAHMEN, 1994] Dahmen, F.W., 1994: Das erste Wildpflanzen-Datenbank- und Infor-mationssystem für Analyse, Diagnose und standortgerechte Planung von Naturund Landschaft. Rose GmbH, Blankenheim.

[DAHMEN, 1999] Dahmen, F.W., 1999: 10 Pflanzenökologische Standortpotentialeund darauf basierende Landschaftseinheiten als Grundlagen und Bezugsräumefür Leitbilder. In: Wiegleb, G., Schulz, F., Bröring, U. [Hrsg.] NaturschutzfachlicheBewertungen im Rahmen der Leitbildmethode, Physica Verlag, Heidelberg, 1999.

[DAWSON ET. AL., 1998] Dawson, T.P., Curran, P.J., 1998: A new technique for inter-polating the reflectance red edge position. Int. Journal of Remote Sensing, 19, pp.2133 - 2139.

150


[DEBBA ET.AL., 2005] Debba, P., Ruitenbeek, F., van der Meer, F., Carranza, E., Stein,A., 2005: Optimal field sampling for targeting minerals using hyperspectral data.Remote Sensing of Environment, No. 99, pp. 373 - 386.

[DEFRIES ET.AL., 1998] DeFries, R.S; Hansen, M.; Townshend, J.R.G.; Sohlberg, R.,1998, Global Land Cover Classifications at 8km spatial Resolution: The Use ofTraining Data derived from Landsat Imagery in Decision Tree Classifiers. Interna-tional Journal of Remote Sensing 19(16), pp. 3141 - 3168.

[DIN 38412] Deutsches Institut für Normung, 1985: Deutsche Einheitsverfahren zurWasser-, Abwasser- und Schlammuntersuchung; Testverfahren mit Wasserorga-nismen (Gruppe L); Bestimmung des Chlorophyll-a-Gehaltes von Oberflächen-wasser (L 16), Beuth Verlag, Berlin.

[DROZDEWSKI ET.AL., 1980] Drozdewski, G., Bornemann, O., Kunz, E., Wrede, V.,1980: Beiträge zur Tiefentektonik des Ruhrkarbons, Geologisches LandesamtNordrhein-Westfalen, Krefeld.

[DWORSCHAK ET.AL., 1988] Dworschak, M., Laumeier, U., Rath, U., Wolfsperger, H.,1988: Legende zur Bodenkarte 1:5 000 der Waldflächen im Bereich der TK 254306 Hünxe. Geologisches Landesamt Nordrhein - Westfalen, Krefeld.

[ELLENBERG, 1992] Ellenberg, H., 1992: Zeigerwerte für Pflanzen in Mitteleuropa,Göttingen.

[ELVIDGE, 1990] Elvidge, C.D., 1990: Visible and near infrared reflectance characteri-stics of dry plant materials. Int. J. Remote Sensing, 11, pp. 1775 - 1795.

[ENGVALL ET.AL., 1977] Engvall, J.L., Tubbs, J.D., Holmes, Q.A., 1977: Pattern reco-gnition of Landsat data based upon temporal trend analysis. Remote Sensing ofEnvironment, 6, pp. 303-314.

[ESSI, 2002] Earth Search Sciences Inc., 2002:http://www.earthsearch.com/Earth_Search’s_Probe_1_Sensor.htm

[FISCHER, 2001] Fischer, C., 2001: Eignung hyperspektraler Fernerkundungsdatenzur Erfassung von Umweltauswirkungen des Steinkohlenbergbaus, Dissertation,Schriftenreihe des Instituts für Geotechnik und Markscheidewesen, TU Clausthal,Heft 5.

[FORSTPLANUNGSBÜRO KÖLN, 2003] Forstplanungsbüro Köln, 2003: Forstliches Gut-achten zum Waldzustand im Untersuchungsgebiet Kirchheller Heide, Köln, unver-öffentlicht.

[FÜCHTBAUER, 1988] Füchtbauer, H., 1988: Sedimente und Sedimentgesteine. 4.Aufl., Stuttgart.

151


[GAO, 1993] Gao, BC., 1993: An Operational Method for Estimating Signal to NoiseRatios from data acquired with imaging Spectrometer data, Remote Sensing ofEnvironment, Vol.43, pp. 23 - 33.

[GATES ET.AL, 1965] Gates, D.M., Keegan, H.J., Schleter, V.R., Weidner, V.R., 1965:Spectral properties of plants. Applied Optics, 4, pp. 11 - 20.

[GELLERT, 1998] Gellert, G., 1998: Bergbaubedingte Veränderungen der Grund-wasserneubildung. GIS-gestützte Erfassung und Bewertung im Rahmen einerUVS-Bergbau, Diplomarbeit an der Fakultät XVII Geowissenschaften der Ruhr-Universität Bochum, unveröffentlicht.

[GITELSON ET.AL., 1999] Gittelson, A.A., Buschmann, C., Lichtenthaler, H.K., 1999:The Chlorophyll Flourescense Ratio F735/F700 as an accurate Measure of theChlorophyll Content in Plants. Remote sensing of Environment, 69, pp. 296 - 302.

[GIROUARD ET.AL., 2004] Girouard, G., Bannari, A., El Harti, A., Desrochers, A.,2004: Validated Spectral Angle Mapper Algorithm for Geological Mapping: Com-parative Study between Quickbird and Landsat-TM. IAPRS, Vol.XXXV, Part B4.

[GKW, 1996] GKW Ingenieurgesellschaft mbh, 1996: Grundwassermodell KirchhellerHeide, Unveröffentlichte Modellbeschreibung, im Auftrag der Ruhrkohle Bergbau-AG, Bochum.

[GOETZ,1992] Goetz, A.F.H., 1992: Principles of narrow band spectrometry in the vi-sible and IR: instruments and data analysis. In: F. Toselli u. J. Bodechtel (Hrsg.),Imaging Spectroscopy: Fundamentals and Perspective Applications. Dodrecht,Kluwer Academic Publishers, pp. 21-32.

[GOETZ, 2002] Goetz, A.F.H., 2002: Relative performance of HATCH and threeother techniques for atmospheric correction of Hyperion and AVIRIS data. EO-1 Science Validation Meeting. NASA, Hilo, HI.

[GONZALES, WOODS, 2001] Gonzales, R.C., Woods, R.E., 2001: Digital Image Pro-cessing, 2nd. ed, Prentice Hall, Upper Saddle River, NJ.

[GREEN, ET. AL., 1988] Green, R. O.; Vane, G.A.; Conel, J.L., 1988: Determinationof In-Flight AVIRIS Spectral. a Radiometric. Spatial, and Signal-to-Noise Charac-teristics Using Atmospheric and Surface Measurements From the Vicinity of theRare-Earth-Bearing Carbonatite at Mountain Pass, California; In: Green, R.O.,Proceedings of the first Airborne Visible/Infrared Imaging Spectrometer (AVIRIS)Workshop, NASA Jet Propulsion Laboratory. Pasadena, Califonia.

[GUDERIAN ET.AL., 1993] Guderian, R., Schabronath, H.J., 1993: Wirkungen von Im-missionen auf terrestrische Ökosysteme. In: Wiggering , H. [Hrsg.], Steinkoh-lenbergbau: Steinkohle als Grundstoff, Energieträger und Umweltfaktor, Ernst &Sohn, Berlin.

152


[GUYOT ET. AL., 1988] Guyot, G., Baret, F., 1988: Utilisation de la haute resolutionspectrale pur suivre l’etat des couverts vegetaux. In: Proceedings of the 4th Inter-national Colloquium on Spectral Signatures of Objects in Remote Sensing, Aussi-os, France, 18-22 January 1988, ESA SP-287.

[GUYOT ET.AL., 1992] Guyot, G., Baret, F., Jacquomod, S., 1992: Imaging Spectros-copy for vegetation studies; In: Toselli, F., Bodechtel, J. [Hrsg.], Imaging Spec-troscopy: Fundamentals and prospective Applications , Kluwer Acad. Publisher,London, pp.145 - 165.

[HÄCKEL, 1999] Häckel, H., 1999: Meteorologie, 4. Aufl., UTB Stuttgart.

[HALBRITTER, 1981] Halbritter, K., 1981: Eignung von IR-Farbluftbildern zur Erken-nung und Inventur geschädigter Weißtannen, Dipl.-Arbeit Uni Freiburg.

[HANSEL, 2000] Hansel, G. 2000: Die Umweltverträglichkeitsprüfung im westdeut-schen Steinkohlenbergbau. Deutscher Markscheider Verein e.V., Bochum.

[HARE ET.AL., 1984] Hare, E.W., Miller, G.R., Edwards, G.R., 1984: Studies of theVegetation Red Reflectance Edge in Geobotanical Remote Sensing, Proc. 9th.Can. Symp. Rem. Sens., St. Jones, New Foundland, pp. 433 - 440.

[HASKELL ET.AL., 1981] Haskell, K.H., Hanson, R.J., 1981: An Algorithm for linearleast squares problems with equality and non negative constraints. MathematicalProgramming, 21, pp. 98 - 118.

[HENNINGSEN UND KATZFUSS, 2002] Henningsen, D., Katzfuß, G., 2002: Einführungin die Geologie Deutschlands, Spektrum Akademischer Verlag, Heidelberg, Ber-lin.

[HOFER ET.AL., 2004] Hofer, S.; Kaufmann, C.; Schreier, G.; Mueller, A.; Mehl, H.;Langemann, M.; Bach, H.; Benz, U.; Haydn, R., 2004: The Advanced Hyperspec-tral Mission EnMAP - Germany Prepares for the Future. In: Final Papers 55th IAC2004, CD-ROM, International Astronautical Congress, Vancouver, October 4 - 8,2004.

[HOFFMANN, 1983] Hoffmann, O., 1983: Bildgüte aktiver und passiver Abtaster, Bild-messung und Luftbildwesen, 51, pp. 103 „= 117.

[HORLER ET. AL., 1980] Horler, Barber, Barringer, 1980: Effects of Heavy metals onthe absorbance and reflectance spectra of plants: Intern. Journal of Remote Sen-sing, v. 1, pp. 121 - 136.

[HUETE, 1988] Huete, P., 1988: A soil-adjusted vegetation index (SAVI). Remote Sen-sing of Environment, 25, pp. 295 - 309.

[HUNT, 1977] Hunt, G, 1977: Spectral signatures of particulate minerals in the visibleand near infrared, Geophysics, Vol. 42, No. 3. pp. 501 - 513.

153


[HUSS, 1984] Huss, J., 1984: Luftbildmessung und Fernerkundung in der Forstwirt-schaft, Herbert Wichmann Verlag.

[HYVISTA] HyVista, Homepage:http://www.hyvista.com/hymap.html

[ILS, 1996] Institut für Landschaftsentwicklung und Stadtplanung, 1996: DEEP - Da-tenbank, Biotop-Typen Kartierschlüssel für den Landschaftsraum u. Nutzungen- /Biotop-Typen - Schlüssel für den besiedelten Raum und dessen Randzonen fürUVSen der RBAG, Essen.

[ILS, 1998] Institut für Landschaftsentwicklung und Stadtplanung, 1998: FFH-Verträglichkeitsstudie zum Steinkohlenabbau Vorhaben Kirchheller Heide/HünxerWald des Bergwerkes Prosper Haniel. Im Auftrag der Deutschen Steinkohle AG,Essen, unveröffentlicht.

[ILS, 1999] Institut für Landschaftsentwicklung und Stadtplanung, 1999: Umwelt-verträglichkeitsstudie zum Steinkohlenabbauvorhaben Kirchherller Heide/HünxerWald im Auftrag der Deutschen Steinkohle AG, Essen, unveröffentlicht.

[INAMURA ET.AL., 1982] Inamura, M., Toyota, H., Fujimura, S., 1982: Exterior alge-braic processing for remotely sensed multispectral and multitemporal images. IE-EE Transactions on Geosciences and Remote Sensing, 20(1), pp. 112 - 118.

[JAKOBS, 1997] Jakobs, H. W., 1997: Planung wasserbaulicher Regulierungsmaß-nahmen im Rheinisch-Westfälischen Steinkohlenrevier unter besonderer Be-rücksichtigung der Veränderlichkeit der Abbauplanung, Dissertation, Clausthal-Zellerfeld.

[KAUFMANN ET.AL., 2003] Kaufmann, H., Chabrillat, S., Dech, S., Habermeyer, M.,Holzwarth, S., Mehl, H., Müller, A., Richter, R., Segel,K., 2003: EnvironmentalMapping and Analysis Program Based on the Use of the Airborne Reflective Emis-sive Spectrometer (ARES). In: Habermeyer, M., Müller, A., Holzwarth, S., (Hrsg).:3rd. EARSeL Workshop on Imaging Spectroscopy, Herrsching, Germany.

[KELSCHEBACH UND WINTER, 2001] Kelschebach, M., Winter, Th., 2001: Projektskiz-ze zum Musteranforderungsprofil Monitoring in Einwirkungsbereichen des Stein-kohlenbergbaus. Unveröffentlichte Bearbeitung im Auftrag der Deutschen Stein-kohle AG, Essen.

[KENNEWEG ET.AL., 1991] Kenneweg, H., Förster, B., Runkel, M., 1991: Diagnoseund Erfassung von Waldschäden auf der Basis von Spektralsignaturen. Ab-schlussbericht des BMFT geförderten Projektes: Untersuchung und Kartierungvon Waldschäden mit Methoden der Fernerkundung, Berlin.

154


[KOCH, 1987] Koch, B., 1987: Untersuchungen zur Reflexion von Waldbäumen mitunterschiedlichen Schadsymptomen auf der Grundlage von Labor- und Gelände-messungen. Dissertation Ludwig-Maximilians-Universität München.

[KOKALY, 1999] Kokaly, R.F., Clark, R.N., 1999: Spectroscopic Determination UsingBand Depth Analysis of Absorption Features and Stepwise Linear Regression,Remote Sensing of Environment, 67, pp. 267 - 287.

[KRAMER, 2001] Kramer, H.J., 2001: Observation of the Earth and its Environment,Survey of Missions and Sensors, 4. Aufl. Springer, Berlin.

[KRATZSCH, 2004] Kratzsch, 2004: Bergschadenkunde, 4. Aufl., Deutscher Mark-scheider Verein e.V. Bochum.

[KRONBERG, 1985] Kronberg, P., 1985: Fernerkundung der Erde. Grundlagen undMethoden des Remote Sensing. Stuttgart.

[KRUSE ET.AL., 1993] Kruse, F.A., Lefkoff, A.B., Boardman, J.W., 1993: The SpectralImage Processing System (SIPS) - Interactive Visualization and Analysis of Ima-ging Spectrometer Data. Remote Sensing of Environment, 44, pp. 145 „= 163.

[KUMMER, 1992] Kummer, D.M., 1992: Remote Sensing and tropical Deforestation: Acautionary Note from the Philipines. Photogrammetric Engineering and RemoteSensing, 58(10), pp. 1469 - 1471.

[LANDWIRTSCHAFTSKAMMER WESTFALEN LIPPE, 1987] LandwirtschaftskammerWestfalen Lippe, 1987: Agrarstrukturgutachten für den westfälischen Bereich derNordwanderung des Steinkohlenbergbaus. Gutachten erstellt für die RuhrkoleBergbau AG.

[LARCHER, 2003] Larcher, W., 2003: Physiological Plant Ecology, Springer Verlag,Berlin.

[LILLESAND ET. AL. 1999] Lillesand, T.M., Kiefer, R.W., 1999: Remote Sensing andImage Interpretation, 3rd. ed. Wiley, New York.

[LIU, 2005] Liu, C.H., 2005: Error Analysis of Retrieved Aerosol Optical Depth dueto Adjacency Effect for ROCSAT-2 RSI Bands. In: Terrestrial, Atmospheric andOceanic Sciences, Vol. 16, No. 1, pp. 241 - 250.

[LÖBF, 2003] Landesanstalt für Ökologie, Boden und Forsten des LandesNordrhein Westfalen, 2003: Waldzustand 2003 in Nordrhein Westfalen,http://www.munlv.nrw.de/sites/presse/pressemitteilungen/pdf/waldzustand.pdf

[LÖBF, 2003A] Landesanstalt für Ökologie, Boden und Forsten des Landes NordrheinWestfalen, 2003: Monitoringkonzept für Vitalitätszustände im Wald im Bereich derKirchheller Heide / des Hünxerwaldes, unveröffentlicht.

155


[LUNETTA, 1998] Lunetta, R.S., 1998: Applications, Project Formulation, and Analy-tical Approach. In: Lunetta, R.S., Elvidge, C.D., 1998: Remote Sensing ChangeDetection. Environmental Monitoring Methods and Applications, Ann Arbor Press,Chelsea.

[MAAS, 1999] Maas, D., 1999: Umweltmonitoring - Biomonitoring: Begriffsdefinitio-nen. In: Blaschke, T.: Umweltmonitoring und Umweltmodellierung. Wichmann Ver-lag, Heidelberg.

[MAIER, 1979] Maier, R., 1979: Zur Bioindikation von Bleiwirkungen in Pflanzen überEnzyme. Verhandlungen der Gesellschaft für Ökologie, 7, S. 315 - 322.

[MALILA, 1980] Malila, W.A., 1980: Change Vector Analysis: an approach for detec-ting forest changes with Landsat. Proceedings of the 6th. Annual Symposium onMachine Processing of Remotely Sensed Data, Purdue University, West Lafayet-te, In, pp. 326 - 335.

[MEISTER, 2005] Meister, A., 2005: Numerik linearer Gleichungssysteme, 2. Auflage,Vieweg 2005.

[MILLER, 2002] Miller, C. J., 2002: Performance assessment of ACORN atmosphericcorrection algorithm. Algorithms and Technologies for Multispectral, Hyperspec-tral, and Ultraspectral Imagery VIII; Aerosense 2002. SPIE, Orlando, FL.

[MINISTERIUM FÜR UMWELT, RAUMORDNUNG UND LANDWIRTSCHAFT, 1989]Ministerium für Umwelt, Raumordnung und Landwirtschaft des Landes NordrheinWestfalen, 1989: Klimaatlas NRW. Düsseldorf.

[MORAN ET.AL., 1982] MORAN R., 1982: Formulae for Determination of Chlorophyl-lous pigments extracted with N,N-Dimethylformamide. Plant Physiology 69: pp.1376 - 1381.

[MORAN ET. AL., 1992] Moran, M. S., Jackson, R. D., Slater, P. N., Teillet, P. M., 1992:Evaluation of Simplified Procedures for Retrieval of Land Surface ReflectanceFactors from Satellite Sensor Output. Remote Sensing of Environment 41, pp.169 - 184.

[MURPHY ET.AL., 2005] Murphy, R.J., Tollhurst, T.J., Chapman, M.G., Underwood,A.J., 2005: Estimation of surface chlorophyll-α on an emersed mudflat using fieldspectrometry: accuracy of ratios and derivative-based approaches. InternationalJournal of Remote Sensing, 26, 9, pp. 1835 - 1859.

[MUSTARD, SUNSHINE, 1999] Mustard, J.F., Sunshine, J.M.,1999: Spectral Analysisfor Earth Science Investigation, In: Rencz, (ed.) Remote Sensing for the Earthsciences: Manual of Remote Sensing Volume 3, 3rd. edition, Wiley & Sons, NewYork, pp. 251-306.

156


[NACKAERTS ET.AL., 2005] Nackaerts, K., Vaesen, K., Coppin, P., 2005: Comparati-ve performance of a modified change vector analysis in forest change detection.International Journal of Remote Sensing, Vol. 26, No.5, pp. 839 - 852.

[NI ET.AL., 2005] Ni, h., He, G., Ruan, H., Chen, Q., Chen, F., 2005: Application of de-rivative ratio spectrophotometry for determination of β -carotene and astaxanthinfrom Phaffia rhodozyma extract. Journal of Zheijiang University Science, 6B(6),pp. 514 - 522.

[NIELSEN ET.AL., 1998] Nielsen, A., Conradsen, K., Simpson, J., 1998: Multivariatealteration detection (mad) and maf postprocessing in multispectral, bitemporalimage data: New approaches to change detection studies. Remote Sensing ofEnvironment, 64, pp. 1 - 19.

[NIELSEN ET.AL., 2003] Nielsen, A., Müller, A., 2003: Change Detection by the MADmethod in hyperspectral image data. In: Habermeyer, M., Müller, A., Holzwarth, S.,[Hrsg.] 3rd. EARSeL Workshop on Imaging Spectroscopy, Herrsching, Germany,13 - 16. May 2003, pp. 115 - 116.

[NIEMANN ET.AL., 2003] Niemann, K., Goodenough, D.G., 2003: Estimation of FoliarChemistry of Western Hemlock using Hyperspectral Data. In: Wulder, M.A., Fran-klin, S.E. [Edt.], Remote Sensing of Forest Environments, Concepts and CaseStudies. Kluwer, Boston.

[PAINTER, 2002] Painter, T. 2002: Cold Land Processes Field Experiment. Hyperiondata. Boulder, CO: National Snow and Ice Data Center. Digital Media.

[PEARSON, MILLER, 1972] Pearson, R.L., Miller, L.D., 1972: Remote Mapping ofStanding crop biomass for estimation of the productivity of the shortgrasse prai-rie, Pawnee National Grasslands, Colorado. Proceedings of the 8th. InternationalSymposium on Remote Sensing of the Environment II, pp. 1355 - 1379.

[PHILPOT, 1991] Philpot, W.D., 1991: The derivative ratio algorithm: avoiding atmos-pheric effects in remote sensing. IEEE Transactions on Geoscienc and RemoteSensing, 29,3, pp. 350 - 357.

[PINTY UND VERSTRAETE, 1992] GEMI: a non linear index to monitor global vegetati-on from satellites. Vegetatio 101, pp. 15 - 20.

[POLLMANN UND WILKE, 1994] Pollmann, H.J., Wilke, F.L., 1994: Der untertägigeSteinkohlenbergbau und seine Auswirkungen auf die Tagesoberfläche. In: Bochu-mer Beiträge zum Berg und Energierecht, Band 18/II, Stuttgart.

[PONTIUS ET.AL., 2005] Pontius, J., Hallet, R., Martin, M., 2005: Using AVIRIS to as-sess hemlock abundance and early decline in the Catskills, New York. RemoteSensing of Environment, No. 97, pp. 163 - 173.

157


[PRESS ET. AL., 1993] Press, W.H., Teukolsky, S.A., Vetterling, W.T., 1993: NumericalRecipes in C, Cambridge.

[PRYKA, 1998] Pryka, S., 1998: Multitemporale Satellitenbildauswertung zur Umwelt-überwachung in einem Bergsenkungsgebiet. Eine GIS-gestützte Analyse am Bei-spiel der Kirchheller Heide. Unveröffentlichte Diplomarbeit, Geographisches Insti-tut, Ruhr-Universität Bochum, Bochum.

[QI, 1993] Compositing multitemporal remote sensing data. PhD Dissertation, depart-ment of soil and Water Sciences, Unicersity of Arizona, Arizona, USA.

[RADELOFF ET.AL., 1997] Radeloff, V., Hill, J., Mehl, W., 1997: Forest Mapping fromSpace, Enhanced Satellite DAta Processing by spectral Mixture Anlysis and topo-graphic corrections. EC, JRC, Space Application Institute, Ispra.

[RICHARDS ET. AL., 1999] Richards, J. A., Jia, X., 1999: Interpretation of hyperspec-tral image data. Remote sensing digital image analysis: an introduction. Springer,Berlin ; New York.

[RICHTER, 1991] Richter, R., 1991: Modell Sensat-3: Sensor - Atmosphere - Target.DLR-IB 552-06/89, überarbeitete Ausgabe, DLR Weßling.

[RICHTER, 2000] Richter, R., 2000: Atmospheric/topographic correction for Wide FOVAirborne Imagery: Model ATCOR4 (Version 2.0 October 2000), report DLR-IB564-04/00, Wessling.

[RICHTER, 2001A] Richter, R., 2001: Model ATCOR4: Atmospheric Topographic cor-rection for wide FOV airborne imagery, report DLR-IB 564-04/01, Wessling.

[RICHTER, 2001B] Richter, R., 2001: Atmospheric Correction methodology for ima-ging spectrometer data. Proc. of the Final Results Workshop on DAISEX, ESTEC,ESA SP-499, pp. 97-109.

[RICHTER, 2002] Richter, R., 2002: Atmosphärische Korrektur von Hyperspektralda-ten. In: Dech, S. (Hrsg.) Tagungsband des 19. DFD Nutzerseminars, 15 - 16 Ok-tober 2002, S. 63 - 72.

[RICHTER UND SCHLÄPFER, 2000A] Richter, R. und Schläpfer, D., 2000: A Unified Ap-proach to Parametric Geocoding and Atmospheric/Topographic Correction of wideFOV Airborne Imagery, Part 1: parametric orthorectification. In: Proceedings of theSecond EARSeL Workshop on Imaging Spectroscopy, Enschede 2000.

[RICHTER UND SCHLÄPFER, 2000B] Richter, R. und Schläpfer, D., 2000: A Unified Ap-proach to Parametric Geocoding and Atmospheric/Topographic Correction of wi-de FOV Airborne Imagery, Part 2: atmospheric / topographic correction. In: Pro-ceedings of the Second EARSeL Workshop on Imaging Spectroscopy, Enschede2000.

158


[ROBERTS ET. AL., 1985] Roberts, D. A., Yamaguchi,Y., and Lyon R. J. P., 1985: Cali-bration of Airborne Imaging Spectrometer data to percent reflectance using fieldspectral measurements. 19th International Symposium on Remote Sensing of En-vironment, Ann Arbor, MI.

[ROBERTS ET. AL., 1986] Roberts, D. A., Yamaguchi,Y., and Lyon R. J. P., 1986: Com-parison of various techniques for calibration of AIS data. 2nd AIS Workshop. JetPropulsion Laboratory, Pasadena, CA, pp. 21-30.

[ROBERTS ET. AL., 1997] Roberts, D. A., Green, R. O., Adams, J. B., 1997: Tempo-ral and spatial patterns in vegetation and atmospheric properties from AVIRIS.Remote Sensing of Environment, 62, pp. 223 - 240.

[ROBERTS ET. AL., 1998] Roberts, D.A., Batista, G.T., Pereira, E.K., Nelson, B.W.,1998: Change Identification Using Multitemporal Spectral Mixture Analysis: Ap-plications in Eastern Amazonia. In: Lunetta, R.S., Elvidge, C.D., [Edt.]. RemoteSensing Change Detection. Environmental Monitoring Methods and Applications,Ann Arbor Press, Chelsea.

[ROTHFUSS, 1994] Rothfuss, C. 1994: Verarbeitung und Einsatz abbildender Spektro-meterdaten (GER) mit unterstützenden Bodenmessungen zur Erkundung einerlandwirtschaftlich genutzten Altlastfläche, VDI Fortschrittsberichte Reihe 15, Nr.132. VDI Verlag, Düsseldorf.

[ROUSE ET. AL. 1974] Rouse, J.W., Haas, R.W., Schell, J.A., Deering, D.W., Harlan,J.C., 1974: Monitoring the vernal advancement and retragradation (Greenwaveeffect) of natural vegetation. NASA/GSFCT Type III Final Report, Greenbelt, MD,USA.

[RSI, 2004] Research Systems Inc., 2004: IDL Reference Guide, Version 6.0,Research Systems Incorporate, Boulder, USA.

[RSI, 2004A] Research Systems Inc., 2004: ENVI Reference Guide, Version 4.0,Research Systems Incorporate, Boulder, USA.

[RÜBER, 1997] Rüber, O., 1997: Dreidimensionale Grundwasserströmungsmodellie-rung zur Beurteilung von bergsenkungsbedingten Veränderungen der Grundwas-sersituation im Bereich der Kirchheller Heide. In: Coldewey, W.G. und Löhnert,E.P. (Hrsg.): Grundwasser im Ruhrgebiet - Probleme, Aufgaben, Lösungen, Geo-Congress, S.v. Loga Verlag, Köln.

[RUHRKOHLE AG, 1995] Ruhrkohle Bergbau AG, 1995: Planerische Mitteilung überden geplanten untertägigen Abbau 1999 - 2020. Herne.

[SABINS, 1996] Sabins, F., 1996: Remote Sensing: principles and interpretation, NewYork.

159


[SAVITZKY UND GOLAY, 1964] Savitzky, Golay, 1964: Smoothing and differentiatiationof data by simplified least square procedure. In: Analytical Chemistry, Vol. 36, pp.1627 - 1638.

[SCHLÄPFER, 2001] Schläpfer, D. 2001: PARametric GEocoding, Users Guide V.1.2.4. ReSE Applications and Remote Sensing Laboratories (RSL) University ofZurich, Zürich.

[SCHMUCK, 1986] Schmuck, G., 1986: Vergleichende Untersuchungen zur Erfassungder Vitalität von Bäumen - Ein Beitrag zur Waldschadensforschung. DissertationUniversität Karlsruhe.

[SCHOWENGERDT, 1997] Schowengerdt, R.A., 1997: Remote Sensing, models andmethods for image processing, 2nd. ed. Academic Press, San Diego.

[SETTLE UND DRAKE, 1993] Settle, J.J., Drake, N.A., 1993: Linear Mixing and the esti-mation of ground cover proportions. International Journal of Remote sensing, 14,pp. 1159 - 1177.

[SZELAG ET.AL., 1993] Szelag, S., Weber, U., 1993: Bergsenkungen, In: Wiggering,H. [Hrsg.], Steinkohlenbergbau: Steinkohle als Grundstoff, Energieträger und Um-weltfaktor, Ernst & Sohn, Berlin.

[SINGHROY ET. AL., 1991] Singhroy, V.H. and Kruse, F., 1991: Detection of metalstress in boreal forest species using the 0.67 µm chlorophyll absorption band.In: Proc. 8th thematic conference on Geologic Remote Sensing, Exploration, En-gineering and Environment, Denver, 29 April - 2 May 1991, pp. 361-372.

[SPRECKELS, 2002] Spreckels, V. 2002: Untersuchung operationeller Aufnahmesys-teme zur Großflächigen Erfassung von Digitalen Geländemodellen und topogra-phischen Veränderungen über Abbaubereichen der Deutschen Steinkohle AG(DSK AG). In: Seyfert, E.: Publikationen der Deutschen Gesellschaft für Photo-grammetrie und Fernerkundung, Band 11, S. 67 - 82.

[SPSS, 2002] SPSS, 2002: Handbuch SPSS Version: 11.5.

[STATISTIK DER KOHLENWIRTSCHAFT E.V., 2005] Statistik der Kohlenwirtschaft e.V.,2005: http://www.kohlenstatistik.de/home.htm.

[SROKA UND SCHOBER, 1986] Sroka, A., Schober, F., 1986: Beitrag zur Vorausbe-rechnung von Bodenbewegungselementen für rechteckige Abbaufelder -Teil I. In:Das Markscheidewesen, Essen, Jg. 93, Heft 4, S. 295 - 302.

[SROKA UND SCHOBER, 1987] Sroka, A., Schober, F., 1987: Beitrag zur Vorausbe-rechnung von Bodenbewegungselementen für rechteckige Abbaufelder -Teil II. In:Das Markscheidewesen, Essen, Jg. 94, Heft 1, S. 329 - 333.

160


[STAENZ ET.AL. 1998] Staenz, K., Szeredi, T., Schwarz, J., 1998: ISDAS - a system forprocessing/analyzing hyperspectral data. Canadian Journal of Remote Sensing,24, pp. 99 - 113.

[STRASBURGER, 1991] Strasburger, E. 1991: Lehrbuch der Botanik, 33. Auflage, Gu-stav Fischer Verlag, Stuttgart.

[STRELETZKI, 1989] Streletzki, H.W., 1989: Das Stichprobenverfahren der Waldscha-denserhebung (WSE) in Niedersachsen. Der Forst- und Holzwirt, Nr. 15.

[STROBL, 2000] Strobl, P., 2000: Entwicklung von Verfahren zur Datenaufbereitungund Kalibrierung eines abbildenden Spektrometers am Beispiel des DASI 7915,Scientific Technical Report des GeoForschungsZentrum Potsdam, STR00/12.

[STROBL ET. AL. 2003] Strobl, P., Schötz, P., Boel, R., Fries, J., 2003: Calibration ofAirborne Optical Sensors at DLR - Facilities and Methods. In: Habermeyer, M.,Müller, A., Holzwarth, S. [Hrsg] 3rd. EARSeL Workshop on Imaging Spectroscopy,Herrsching, Germany, 13-16. May 2003, pp. 36 - 49.

[TALSKY, 1994] TALSKY, G., 1994: Derivative Spectrophotometry, Weinheim.

[TOMPKINS ET. AL., 1997] Tompkins, S., Mustard, J.F., Pieters, C.M., Forsyth, D.W.,1997: Optimization of Endmembers for Spectral Mixture Analysis, Remote Sens.Environm. 59, pp. 472 - 489.

[UVP-V BERGBAU, 1998] Verordnung über die Umweltverträglichkeitsprüfung berg-baulicher Vorhaben vom 13. Juli 1990, zuletzt Geändert durch Verordnung vom10. August 1998 (Bundesgesetzblatt I S. 2093)

[UNGAR, 2003] Ungar, S. G., 2003: Overview of the Hyperion Mission. In: Procee-dings of the 12th JPL Airborne Earth Science Workshop, 24-28 February 2003,Pasadena, CA: Jet Propulsion Laboratory Publication.

[VAN DER MEER AND BAKKER, 1997] Van der Meer, F., Bakker, W., 1997: Cross corre-logram spectral matching: application to surface mineralogical mapping by usingAVIRIS data from Cuprite, Nevada. Remote Sensing of Environment, 61, pp. 371- 382.

[VAN DER MEER AND BAKKER, 1998] Van der Meer, F., Bakker, W., 1998: Validatedsurface mineralogy from high spectral resolution remote sensing: a review and anovel approach applied to gold exploration using AVIRIS data. Terra Nova, 10, pp.112 - 118.

[VAN DER MEER AND DE JONG, 2001] van der Meer, F.D., de Jong S., 2001: ImagingSpectrometry, Basic Principles and Prospective Applications, Dodrecht, KluwerAcademic Publishers.

161


[WALTER, 1995] Walter, R. 1995: Geologie von Mitteleuropa, Schweizerbart, Stutt-gart.

[WARNER, 2005] Warner, T., 2005: Hyperspherical direction cosine change vectoranalysis. International Journal of Remote Sensing, Vol. 26, No. 6, pp. 1201 - 1215.

[WECK UND WIEBECKE, 1961] Weck, J., Wiebecke, C., 1961: Weltforstwirtschaft undDeutschlands Forst- und Holzwirtschaft, BLV, München.

[WIELAND, 1984] Wieland, R., 1984: Ein Verfahren zur Senkungsvorausberechnungüber Abbauen in flachgelagerten Flözen auch unter Berücksichtigung der Beson-derheiten eines durchbauten Gebirgskörpers, Dissertation, RWTH Aachen.

[WIGGERING ET.AL. 1991] Wiggering, H., Kerth, M., 1991: Bergehalden des Steinkoh-lenbergbaus, Beanspruchung und Veränderung eines industriellen Ballungsrau-mes. Geologie und Ökologie im Kontext, Vieweg, Braunschweig.

[WIGGERING, 1993] Wiggering, H., 1993: Bergbaufolgelandschaft Ruhrgebiet: Geolo-gische Ansätze zur Einschränkung der Auswirkungen des Steinkohlenbergbaus.In: Zeitschrift der deutschen geologischen Gesellschaft, Hannover, S. 295 - 307.

[YUAN ET.AL., 1998] Yuan, D., Elvidge, C.D., Lunetta, R., 1998: Survey of Multispec-tral Methods for Land Cover Change Analysis. In: Lunetta, R.S., Elvidge, C.D.,1998: Remote Sensing Change Detection. Environmental Monitoring Methodsand Applications, Ann Arbor Press, Chelsea.

[ZARCO-TEJADA ET.AL., 2000] Zarco-Tejada, P.J., Miller, J.R., Mohammed, G.H., No-land, T.L., Sampson, P.H., 2000: Optical Indices as bioindicators of forest conditionfrom hyperspectral CASI data. Symposium of the European Association of Remo-te Sensing Laboratories, Valladolid, Spain.

[ZARCO-TEJADA ET.AL., 2002] Zarco-Tejada, P.J., Miller, J.R., Mohammed, G.H., No-land, T.L., Sampson, P.H., 2002: Vegetation Stress detection through chlorophylla+b estimation and flourescense effects on hyperspectral imagery. Journal of En-vironmental Quality, 31, pp. 1433 - 1441.

[ZARCO-TEJADA ET.AL., 2004] Zarco-Tejada, P.J., Miller, J.R., Morales, A., Berjon, A.,Agüera, J., 2004: Hyperspectral indices and model simulation for chlorophyll esti-mation in open-canopy tree crops. Remote Sensing of Environment, 90, pp. 463 -476.

[ZHU ET. AL., 2002] Zhu, L., Tateishi, R., 2002: Linear mixture modeling for quantify-ing vegetation cover using time series NDVI data, Proceedings of the 23rd AsianConference on Remote Sensing, Kathmandu.

[ZUNDEL, 1990] Zundel, R., 1990: Einführung in die Forstwissenschaften, Ulmer Ver-lag, Stuttgart.

162

A Auf Basis vonFeldspektrometerspektrenberechnete beschreibendespektrale Merkmale

163

A Auf Basis von Feldspektrometerspektren berechnete Merkmale

TabelleA

.1:Anhand

derFeldspektrenberechnete

Merkm

ale-M

erkmale

derGruppe

derFlächeninhaltederA

bleitungsfunktionen

Probennummer

area 1st derivative (subs)

area 2nd derivative (subs)

area 3rd derivative(subs)

area 4th derivative(subs)


area 1st derivative

area 2nd derivative

area 3rd derivative

area 4th derivative

area 5th derivative

20,6608

0,0309630,006257

0,0044540,004127

2,8528560,248342

0,1490030,143164

0,1312843

0,641130,029952

0,0072040,005168

0,0044402,71153

0,2631580,1659505

0,1572580,143510

50,6525110

0,0324720,007076

0,0049710,004273

2,6523840,238912

0,153171260,140116

0,1341476

0,6382280,03141

0,0064870,004401

0,0039432,590

0,2315790,142770

0,1364120,125784

70,7399178

0,0398500,008768

0,0053180,004536

2,7784110,238624

0,1437580,130662

0,1238118

0,66623010,029348

0,0064300,0044

0,0039642,655381

0,2643520,177877

0,1660980,154581

90,62662

0,0272620,006183

0,0043750,003931

2,628760,256145

0,1701900,159173

0,1486210

0,385680,020437

0,0076090,006267

0,00539736,87722

31,9572932,27024

30,1530631,1532

110,1688

0,005800,004865

0,004050,003431

64,81757,816

57,61154,933

56,22712

0,452150,02302

0,0091540,007427

0,00647329,523

24,96625,3082

23,416524,536

130,3576433

0,0192580,007573

0,0061920,005420

27,4225722,96982

23,538909121,42807

22,6019014

0,632950,13449

0,0842340,063069

0,05089149,233

38,417540,675

35,490338,944

150,65550

0,0335760,007618

0,0052100,004516

2,59210,240098

0,1550360,141765

0,13489216

0,6719980,034891

0,00790,005310

0,0045332,6891

0,229220,140071

0,1297080,122087

170,58590

0,0278710,006616

0,0046020,004236

2,50990,2500

0,167530,15793

0,1487417

0,6339530,029387

0,0065770,004684

0,0043402,74341

0,2771660,194465

0,1746460,17389

180,59482

0,0280510,006502

0,0047530,004371

2,577100,28382

0,191910,182412

0,169520

0,74478530,035002

0,0071370,00484

0,004482,947952

0,2794860,175315

0,1734070,154475

210,6642528

0,0320240,006880

0,0047720,00442

2,6280,276542

0,1837440,17099

0,15718522

0,66804550,031937

0,0068970,004696

0,0043392,773605

0,2744450,181669

0,1672690,157280

230,6316152

0,0295940,006345

0,0045040,004205

2,6819010,280001

0,1838180,173810

0,159734

164

TabelleA

.2:Anhand


Merkm

ale-M

erkmale

derGruppe

zurBeschreibung

desred-edge

Probennummer

red-edge - Wellenlänge

Maximum im NIR:

Minimum im Rot

WL. Min in Rot

WL Max in Rot - red-edge

maximum in RED:

WL. Max in Rot

2722,7862

0,76030,0431

665,111157,6752

0,0854552,1111

3719,6944

0,70840,0315

668,666751,0279

0,0813552,4167

5716,8818

0,67550,0373

670,105346,7764

0,0965552,7895

6717,5339

0,66900,0426

669,350048,1838

0,0990552,5000

7717,9706

0,69670,0397

670,625047,3457

0,1326553,1875

8715,2684

0,70220,0589

671,093844,1746

0,1367552,7188

9715,1722

0,70250,0641

669,968845,2035

0,1353552,0313

10712,4468

0,36390,0500

670,750041,6969

0,0853552,8750

11702,1694

0,38530,1475

650,000052,1694

0,1466649,0000

12712,6636

0,40890,0510

667,600045,0636

0,0873552,5000

13710,5278

0,35800,0540

668,545541,9824

0,0857553,1818

14704,9971

0,70020,0677

655,100049,8971

0,1482556,6000

15713,0591

0,65440,0349

669,700043,3590

0,1016552,9500

16712,9180

0,68720,0366

668,500044,4179

0,1030553,0000

17718,2800

0,66500,0472

669,200049,0800

0,0898552,6000

17723,0941

0,71270,0285

665,000058,0942

0,0642552,1250

18723,2578

0,67220,0267

664,750058,5076

0,0619552,0000

20719,2991

0,78050,0462

665,272754,0264

0,1116552,0000

20717,5825

0,67730,0384

666,166751,4158

0,1001552,0000

21718,0617

0,72650,0421

667,000051,0618

0,1023552,4286

21719,4973

0,70590,0457

665,181854,3156

0,0916552,0000

165


TabelleA

.3:Anhand


Merkm

ale-

Merkm

alederG

ruppezurB

eschreibungdes

continuum-rem

ovedS

pektrums

Probennummer

FWHM

Max. Absorptionstiefe

WL. max. Abs.Tiefe:

Symmetrie

Fläche unter dem CR-Spektrum

Maximum in RED

Wl max in RED

299,0465

0,9146552,7895

1,370862,5887

0,0452511,4211

397,5713

0,9018552,5000

1,332064,6128

0,0504511,9000

598,0184

0,9190552,9500

1,359561,5424

0,0418509,6500

698,3499

0,9170553,0000

1,364061,7728

0,0390509,0000

7105,3461

0,9053552,1111

1,431262,2369

0,0536516,3333

886,2306

0,9153553,1875

1,285664,2332

0,0456507,2500

9103,9880

0,9265552,4167

1,463560,0600

0,0402514,0000

1071,4130

0,8773552,7188

1,238375,4039

0,0830511,9688

1166,0544

0,8631552,0313

1,241178,0109

0,0908513,8438

1294,1304

0,8882552,6000

1,341368,4445

0,0544513,6000

13111,8814

0,9336552,1250

1,575456,0629

0,0373516,8750

14112,4220

0,9346552,0000

1,573355,8521

0,0346517,0000

15100,1001

0,9063552,0000

1,378062,9489

0,0600514,0000

16100,6694

0,9117552,0000

1,376761,4706

0,0497513,1667

1797,1850

0,9046552,4286

1,361063,9833

0,0499512,1429

1799,8832

0,8968552,0000

1,374864,5287

0,0571515,0909

1872,4407

0,8379552,8750

1,168081,8793

0,0580512,8750

20-1124,8240

0,0735580,0000

1,1311172,7274

0,0503471,4000

2080,7736

0,8521552,5000

1,236283,5662

0,0616515,4000

2162,6212

0,8067553,1818

1,130694,4974

0,0548511,6364

2147,7272

0,8407556,6000

0,950881,4424

0,0717515,1000

166

TabelleA

.4:Anhand


Merkm

ale-M

erkmale

derGruppe

derspektralenR

atios

Probennummer

r 695/670

r 695/420

r 760/605

r 760/695

r 760/610

r 940/640

r 750/710

r 762/647

r 735 / 700

21,4913

1,661914,5170

11,77793,8946

18,66053,7132

16,84526,4110

31,8587

1,960915,5525

12,23993,4709

22,35163,3469

20,24626,1278

51,7428

2,067012,6520

10,79173,0752

17,98842,9736

16,39065,7070

61,6063

1,870711,6204

10,05643,0487

15,84982,9505

14,63995,5067

72,3448

3,206410,6904

8,67162,5421

16,65522,4821

15,26144,5659

81,3762

2,00787,9486

8,35082,9002

14,35252,7911

13,18094,5087

91,5478

1,70999,9749

8,95093,0708

1675,38122,9183

13,58734,7073

101,5438

1,92737,6643

6,30822,7867

9,80362,6684

9,05693,8262

111,1562

5,00442,3569

1,36171,2516

2,49731,2070

1,81811,1972

121,6032

1,98268,7808

6,95263,1539

10,99952,9703

10,46374,0625

131,5946

2,41626,6701

5,27882,5606

8,39022,4428

7,77553,3464

141,4766

3,45743,4567

4,02551,6116

6,97142,5768

5,34203,6934

151,8509

2,079412,7579

10,818516,2720

20,03012,7597

17,07025,4423

161,8261

2,028312,1851

10,35402,7722

17183,48162,6964

16,96895,3787

171,3780

1,571312,6659

10,42223,2671

17,50183,8584

24,85107,5287

171,6688

1,789219,8960

15,34104,2623

26,55024,0643

24,16777,6162

181,6561

1,675420,1132

15,92894,2860

27,54954,0890

24,95607,7213

201,7090

1,797813,0011

10,41773,3116

17,68833,2016

16,65695,6393

201,7650

1,735513,0690

10,51683,1817

18,22453,0985

17,26485,6242

211,7746

2,026712,1040

9,64193,0546

17,23672,9600

15,73955,2216

211,5165

1,502113,1246

10,81953,5090

17,04663,3840

15,88045,9251

167


168

B Auf Basis von HyMapTM-Spektrenberechnete beschreibendespektrale Merkmale

169

B Auf Basis von HyMapTM-Spektren berechnete Merkmale

TabelleB

.1:Anhand

derHyM

apTM

-Spektren

berechneteM

erkmale

-M

erkmale

derGruppe

derFlächeninhaltederA

bleitungsfunktionen

Probennummer

area 1st derivative (subs)

area 2nd derivative (subs)

area 3rd derivative(subs)



area 1st derivative

area 2nd derivative

area 3rd derivative

area 4th derivative

area 5th derivative

20,2311

0,83620,3362

0,15850,8792

0,12850,3360

0,13550,8599

0,44273

0,21230,8055

0,36320,1792

0,10510,1282

0,36810,1567

0,99130,4709

50,2988

0,11600,4822

0,21430,1159

0,16210,4408

0,17830,1172

0,56246

0,22220,8922

0,40360,1989

0,12390,1275

0,37000,1576

0,10110,4970

80,1838

0,67490,2618

0,13010,7051

0,11540,3274

0,13070,8872

0,44059

0,21560,8334

0,33670,1563

0,89250,1191

0,31660,1288

0,82100,4135

100,1617

0,63780,2765

0,13270,7710

0,83110,2301

0,92550,6219

0,307814

0,14010,5151

0,19770,1049

0,61070,6857

0,19050,7481

0,49850,2537

150,2034

0,75220,3204

0,15180,9195

0,10410,2733

0,11000,7318

0,366317

0,20160,7530

0,30670,1554

0,85700,1170

0,30530,1269

0,83940,4349

200,1668

0,62560,2820

0,14030,7689

0,75600,1974

0,84910,5229

0,2578

170

TabelleB

.2:Anhand

derHyM

apTM-S

pektrenberechnete

Merkm

ale-M

erkmale

derGruppe

zurBeschreibung

desred-edge

Probennummer

red-edge - Wellenlänge

Maximum im NIR:

Minimum im Rot

WL. Min in Rot

WL Max in Rot - red-edge

maximum in RED:

WL. Max in Rot

20,7268

0,31760,1270

0,66200,6479

0,29700,5550

30,7261

0,31430,1710

0,66200,6408

0,39100,5550

50,7269

0,37310,1450

0,66200,6492

0,38500,5550

60,7261

0,30510,1680

0,66200,6405

0,35100,5550

80,7241

0,26580,2120

0,66200,6206

0,40700,5550

90,7274

0,29750,1160

0,66200,6538

0,24900,5550

100,7264

0,18570,1830

0,66200,6441

0,30900,5550

140,7268

0,15510,1230

0,66200,6478

0,22800,5550

150,7270

0,25110,1180

0,66200,6501

0,25700,5550

170,7268

0,29230,1200

0,66200,6476

0,27400,5550

200,7275

0,18720,9400

0,67700,5051

0,16900,5550

171

B Auf Basis von HyMapTM-Spektren berechnete Merkmale

TabelleB

.3:Anhand

derHyM

apTM-S

pektrenberechnete

Merkm

ale-

Merkm

alederG

ruppezurB

eschreibungdes

continuum-rem

ovedS

pektrums

Probennummer

FWHM

Max. Absorptionstiefe

WL. max. Abs.Tiefe

Symmetrie

Fläche unter dem CR-Spektrum

Maximum in RED

Wl max in RED

20,1096

0,93230,555

0,904160570,08311712

0,32399210,707

30,0700

0,91040,555

0,81244890,09075893

0,379249420,707

50,1101

0,93400,555

0,962007330,08171571

0,316583690,707

60,0725

0,91150,555

0,836053320,08941199

0,370734390,707

80,0689

0,87900,555

0,74776590,09857557

0,428722840,707

90,1099

0,93150,555

0,946654950,08006768

0,298159240,707

100,0646

0,85820,555

0,701648560,10018507

0,405010820,707

140,0644

0,87180,555

0,751933710,09623422

0,393490440,707

150,1075

0,92240,555

0,869317390,08478656

0,332314410,707

170,1095

0,92710,555

0,907919480,08395743

0,342076580,707

200,1061

0,91380,555

0,850630530,08507865

0,318269850,707

172

TabelleB

.4:Anhand

derHyM

apTM-S

pektrenberechnete

Merkm

ale-M

erkmale

derGruppe

derspektralenR

atios

Probennummer

r 750/710

r 762/647

r 735 / 700

r 760/695

r 760/710

r 940 / 640

20,3783

0,21580,3403

0,10680,3783

0,25393

0,32380,1610

0,29570,8621

0,32380,1858

50,3864

0,23770,3471

0,10710,3864

0,26986

0,33240,1608

0,30350,8856

0,33240,1882

80,2871

0,12110,2656

0,65850,2871

0,13399

0,41080,2421

0,36680,1098

0,41080,2802

100,2992

0,10440,2723

0,64160,2992

0,117114

0,31120,1176

0,28470,7045

0,31120,1343

150,3666

0,19270,3282

0,93020,3666

0,229517

0,36030,2058

0,32620,9710

0,36030,2397

200,3800

0,16150,3358

0,95900,3800

0,2030

173

Documents

Methoden zur Auswertung hyperspektraler ... · Methoden zur Auswertung hyperspektraler Fernerkundungsdaten für die Untersuchung von Zustandsveränderungen perennierender Pﬂanzen