Prof. Dr. Birgit Kleinschmit - d- · PDF fileMoran, N. Nieland, S. Tintrup, G. Kleinschmit (2017): Combining machine learning and ontological ... Methoden und Hardware (Big Data &

Prof. Dr. Birgit Kleinschmit ©

Nationales Forum für Fernerkundung und Copernicus 2017 | 15.03.2017

Sentinel für den Naturschutz – Chancen und Herausforderungen

Prof. Dr. Birgit Kleinschmit

Herzlich Willkommen. Welcome.



www.naturparke.at

diverse Landschaft

stetiger Wandel

größflächig

eingeschränkte

Betretungsmöglichkeit

diverse Gesetze & Richtlinien

Herausforderungen im Naturschutz



Operationelle Verfahren verfügbar

Sehr hohe geometrische Auflösung

Stereo-Auswertung möglich

Etablierte Fernerkundungsverfahren im Naturschutz

mit Zusatzdaten wie DGM, nDOM kombinierbar

Verfügbarkeit der Daten eingeschränkt

RLP ALEK



Quelle DLR

Luftbild, 0,1 m

© ATKIS

Herausforderung: geringere geometrische Auflösung

QuickBird, 1m

© DigitalGlobe

Sentinel-2, 10 m

© ESA

MODIS, 300 m

© USGS/NASA



24.05.09 09.10.09 20.09.09 19.08.09 27.07.09

Chance höhere zeitliche Auflösung

Quelle TU Berlin RapidEye



Beispiel Offenlandkartierung mit intra-annueller Zeitreihe

2009

mit je 21 Szenen von RapidEye und TerraSAR-X

2010

Jan Feb Mär Apr Mai Jun Jul Aug Sep Okt Nov Dez

2011

TU Berlin

2010

2011



Abbildung: GFZ Potsdam

Ergebnis Offenlandkartierung mit RapidEye Zeitreihe

Pflanzengesellschaft / -assoziation

Pfeifengraswiese

nährstoffreiche Feuchtwiese

Großseggenwiese

artenreiche Frischwiese

ruderale Wiesen

feuchte Hochstauden

Sandtrockenrasen

Besenginsterheiden

trockene Sandheiden

Rohrglanzgrasröhricht

Goldrutengesellschaft

Schilfröhricht

Pflanzengesellschaft / -assoziation (12 Klassen)

Schuster et al. 2012



0

10

20

30

40

50

60

70

80

90

100

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

Number of scenes

F1

mea

su

re [%

]

TerraSAR-X

RapidEye NDVI

RapidEye NDVI-RE-R

RapidEye NDVI-NIR-RE

Herausforderung i) Evaluation optisch versus Radar ii) Anzahl der Szenen

Schuster et al. (2015) Remote Sensing

• 10 | 15



Herausforderung Optimierung der Szenenauswahl

Schmidt et al. JSTARS (2014)



Chance Kombination optischer Daten mit Radar

Beispiel LTR Bestimmung im Grünland

-38

-34

-30

-26

-22

-18

153 164 175 186 197 208 219 230 241 252 263

Tag im Jahr

Bac

ksca

tte

r co

eff

icie

nt

[dB

]

Juni I Juli I August I September

Bsp: Pfeiffengraswiese (NATURA 2000 LRT 6410)

Management-Regel: jährliche einmalige Mahd im Spätsommer

Schuster et al. 2015, Remote Sensing



Chance Kombination optischer Daten mit Radar

Beispiel LTR Bestimmung im Grünland

-38

-34

-30

-26

-22

-18

153 164 175 186 197 208 219 230 241 252 263

Tag im Jahr

Bac

ksca

tter

coe

ffic

ient

[dB

]

Juni I Juli I August I September

Bsp: artenreiche Frischwiese (NATURA 2000 LRT 6510)

Management-Regel: jährlich zweimal Mahd Heuschnitte, erster nicht vor

Hauptblütezeit der Gräser (ab Mitte Juni)



Chancen Erfassung räum-zeitlich variierender Parameter

Beispiel Bodenfeuchte mit optischer Zeitreihe

04.07.2014 24.07.2014 28.10.2014 25.03.2015 05.06.2015 30.06.2015 15.07.2015 01.09.2015 30.09.2015 05.10.2015 annual mean 13 | 15

Schmidt et al. 2016



Chancen Erfassung räum-zeitlich variierender Parameter

Beispiel Bodenfeuchte mit Sentinel-1 Zeitreihe

Bodenfeuchte gemittelt 2015

Holtgrave et al. 2017



Chancen Fusion von Daten mit höherer räumlicher Auflösung und Daten mit höherer Wiederholraten – Beispiel Störungskartierung mit RadipEye und Landsat

Gärtner, P., Fo rster, M., Kleinschmit, B. (2016): The benefit of synthetically generated RapidEye and Landsat 8 data fusion time series for riparian forest disturbance monitoring. RSE



Chance Langzeitmonitoring

Beispiel Ausbreitung Invasiver Arten

Invasion of Pinus radiata



RGB UAV-Orthomosaic Sentinel-2 image

Ergebnis Ausbreitungsmuster Pinus radiata



Chance Big Data & machine learning

Voraussetzungen:

Große Datenmengen kontinuierlicher Daten (>300 Parameter)

Vorhandene, räumlich verortete Zielklassen

Trennungsregeln werden abgeleitet

red

NDVI

green

EVI

slope

wetness

... blue

aspect

...

Unterscheidung von Bodensaure EUNIS Klassen E1.2: Mitteleuropa ische Kalk- und Silikatmagerrasen EUNIS Klassen E1.7 : Nicht mediterrane, trockene, saure und neutrale Silikatmagerrasen

Moran, N. Nieland, S. Tintrup, G. Kleinschmit (2017): Combining machine learning and ontological data handling for multi-source classification of nature conservation areas. JAG



Herausforderung Aufnahmewinkel

Anteil der Kronenkomponenten variiert innerhalb des phänologischen Jahrgangs

Sichtbarkeit unterschiedlicher Kronenkomponenten abhängig vom Aufnahmewinkel



Zusammenfassung und Ausblick

Copernicus bietet hohes Potenzial fur unterschiedliche

Naturschutzanwendungen

Kombination von unterschiedlichen Datensatzen bietet ein bisher nicht ausgeschopftes Potential

Hohe Datenverfügbarkeit führt zur steigenden Anforderungen an Methoden und Hardware (Big Data & mashine learning)

Europäisches Earth Observation Data Center wie USGS fehlt

Standardisierte Methoden und Netzwerk für Cal-Val Daten

Anwendern in der Praxis fehlt es noch an operationalen Prozessketten und Produkten (Level 2A, NDVI, fPAR, LAI)

Integration von Forschung in die Praxis durch gemeinsame angewandte Forschung



Herzlichen Dank. Thank you.

Sentinel für den Naturschutz – Chancen und Herausforderungen

Prof. Dr. Birgit Kleinschmit

Documents

Prof. Dr. Birgit Kleinschmit - d- · PDF fileMoran, N. Nieland, S. Tintrup, G. Kleinschmit (2017): Combining machine learning and ontological ... Methoden und Hardware (Big Data &