und Infrastruktur Baumarten und Schädlingsbefall Institut ......Baumarten und Schädlingsbefall | BOKU IVFL Markus Immitzer I ÖBf-Forschungstag 2016 Fi Ki La Dgl SZy Bu Ei HBu Bi

Baumarten und Schädlingsbefall | BOKU IVFL Markus Immitzer I ÖBf-Forschungstag 2016

Universität für Bodenkultur Wien

Department für Raum, Landschaft

und Infrastruktur

Institut für Vermessung,

Fernerkundung und Landinformation

21.03.2016 1

Erfassung und Kartierung von

Baumarten und Schädlingsbefall

mittels optischer Satellitendaten

ÖBf-Forschungstag

Fernerkundung: Wunsch und forstliche Wirklichkeit

Purkersdorf, 16.03.2016

Markus Immitzer Universität für Bodenkultur Wien

Department für Raum, Landschaft und Infrastruktur

Institut für Vermessung, Fernerkundung und Landinformation

Leitung: Prof. Dr. Clement Atzberger


Überblick

Baumartenklassifikation

• auf Einzelbaumebene

• auf Baumgruppen- / Bestandesebene

• auf überregionaler Ebene

Vitalität

• Erfassung Schädlingsbefall / Vitalitätsverlust an Fichten

Zusammenfassung

Ausblick

21.03.2016 2


Datenmaterial

3 21.03.2016

Landsat

WorldView-2

http://www.thegeofactor.com/a-new-look-at-the-earth-landsat-8-launches/

http://www.atlisvue.com/spatial-data-products/satellite-imagery/worldview-2/

• 8 Spektralkanäle

• Räumliche Auflösung 2 m

• Flughöhe ~ 700 km

• Rund 30U$/km²

• Aufnahme nach Bestellung

• 6-8 Spektralkanäle

• Räumliche Auflösung 30 m

• Flughöhe ~ 700 km

• kostenfrei verfügbar

• Kontinuierliche Aufnahme

Wiederholrate 16 Tage


Datenmaterial

WorldView-2

• Satellitendaten mit 8 Spektralkanälen

• Auflösung: multispektral 2 m

panchromatisch 0.5 m

• Seit 2010 verfügbar, mittlerweile WorldView-3

21.03.2016 4

(Immitzer et al. 2012, Remote Sensing)


Baumarten – Einzelbaum

21.03.2016 5


Ziel: Klassifikation von 10 Baumarten auf

Einzelbaumniveau

Manuelle Abgrenzung gut beleuchteter

Baumkronen

Referenzdaten: Forsteinrichtung, Inventur +

Feldarbeit

Ca. 1400 Referenzsamples (Einzelbäume)

Verwendung der mittleren Reflexionswerte

der Einzelobjekte

Erstellung spektraler Signaturen der

untersuchten Baumarten

Überwachte Klassifikation der

Referenzsamples (bootstrapping)


Gute Trennbarkeit der Baumarten

Klassifikation mittels Linearer Diskriminanzanalyse

und Random Forest (Entscheidungsbäume)

Genauigkeiten mit 4 Kanälen

Fi Ki La Dgl SZy Bu Ei HBu Bi SEr ∑ UA [%]

Fi 167 7 20 29 1 0 0 0 0 0 224 74.6

Ki 10 204 24 8 0 0 0 0 0 0 246 82.9

La 11 17 63 14 1 0 0 1 0 1 108 58.3

Dgl 38 7 12 124 3 0 1 0 0 0 185 67.0

SZy 0 0 0 2 33 0 0 0 0 3 38 86.8

Bu 0 0 0 0 0 227 1 31 1 3 263 86.3

Ei 0 0 1 1 0 2 140 15 0 5 164 85.4

HBu 0 0 1 0 0 17 6 24 1 0 49 49.0

Bi 0 0 0 0 0 1 0 5 75 5 86 87.2

SEr 0 0 1 0 4 0 4 5 9 79 102 77.5

∑ 226 235 122 178 42 247 152 81 86 96 1465

PA [%] 73.9 86.8 51.6 69.7 78.6 91.9 92.1 29.6 87.2 82.3 77.5


21.03.2016 6

RF

(Immitzer et al. 2012, Remote Sensing, Immitzer et al. 2012, PFG)

Referenzdaten (Feldarbeit)

Mo

del

lerg

ebn

is

Gesamtgenauigkeit


Fi Ki La Dgl SZy Bu Ei HBu Bi SEr ∑ UA [%]

Fi 181 8 18 17 1 0 0 0 0 0 225 80.4

Ki 11 211 18 8 0 0 0 0 0 0 248 85.1

La 10 14 81 8 1 0 0 0 0 1 115 70.4

Dgl 24 2 4 144 0 0 0 0 0 1 175 82.3

SZy 0 0 0 0 35 0 0 0 1 2 38 92.1

Bu 0 0 0 0 0 233 1 28 3 3 268 86.9

Ei 0 0 1 0 0 2 135 15 0 5 158 85.4

HBu 0 0 0 0 0 11 9 27 0 0 47 57.4

Bi 0 0 0 0 1 1 0 6 78 2 88 88.6

SEr 0 0 0 1 4 0 7 5 4 82 103 79.6

∑ 226 235 122 178 42 247 152 81 86 96 1465

PA [%] 80.1 89.8 66.4 80.9 83.3 94.3 88.8 33.3 90.7 85.4 82.4

Gute Trennbarkeit der Baumarten

Klassifikation mittels Linearer Diskriminanzanalyse

und Random Forest (Entscheidungsbäume)

Genauigkeiten mit allen 8 Kanälen


21.03.2016 7

RF

(Immitzer et al. 2012, Remote Sensing, Immitzer et al. 2012, PFG)

Referenzdaten (Feldarbeit)

Mo

del

lerg

ebn

is

Gesamtgenauigkeit



21.03.2016 8


Klassifikationsergebnis einer unabhängigen Testfläche



21.03.2016 9


Klassifikationssicherheit einer unabhängigen Testfläche


Baumarten – Baumkollektive

Ziel: Flächendeckende Klassifikation von WorldView-2

Szenen

Automatische Abgrenzung homogener Objekte

(Segmentierung)

Referenzdaten aus Inventur und Luftbildinterpretation

• Waldbestände: homogene Baumkollektive

Baumarten: Hauptaugenmerk auf Fichte, Kiefer,

Laubholz, sonst. Nadelholz – je nach Gebiet auch

detaillierter

• Zusätzliche Klassen: verbaute Flächen, Wiesen,

Wasser…

Berechnung von Objektmetriken (Mittelwert, Perzentile,…)

Erstellung von Klassifikationsmodellen (Random Forest)

inklusive automatischer Variablenauswahl / - reduktion

Flächendeckende Anwendung auf gesamte Szene

21.03.2016 10



Objektbasierte Klassifikation der WorldView-2 Szenen

21.03.2016 11

WorldView-2 Szenen Automatische Segmentierung

= möglichst homogene Bestandesteile

flächendeckende Karten

Textur Spektralinformation

Referenzpolygone:

(Inventur, Orthophotointerpretation)

Objekt-

kennwerte

OBIA Modell

Erstellung &

Anwendung

(Immitzer et al. 2015, Münchner Forschungsberichte)



21.03.2016 12

Modellperformance Bsp. FFB

FI FI jung KI NH LH VEG SIE WAS SCA ∑ UA [%]

FI 64 0 2 4 0 0 0 0 0 70 91.4

FI jung 0 17 0 1 1 0 0 0 0 19 89.5

KI 3 0 27 1 0 0 0 0 0 31 87.1

NH 1 4 2 76 1 0 0 0 1 85 89.4

LH 0 0 0 1 69 1 0 0 0 71 97.2

VEG 0 1 0 0 0 95 1 0 0 97 97.9

SIE 0 0 0 0 0 0 120 2 0 122 98.4

WAS 0 0 0 0 0 0 1 38 0 39 97.4

SCA 1 0 0 0 0 0 0 0 23 24 95.8

∑ 69 22 31 83 71 96 122 40 24 558

PA [%] 92.75 77.27 87.10 91.57 97.18 98.96 98.36 95.00 95.83 94.8

Referenzdaten (Inventur)

Mo

del

lerg

ebn

is

Gesamtgenauigkeit




43 WorldView-2 Szenen über Bayern verteilt

durchschnittlich ca. 350 km²

-> ca. 15.000 km²

21.03.2016



Baumartenanteilsschätzung - überregional

Ziel: Erstellung einer flächendeckenden

Fichten- und Kiefernanteilskarte für Bayern

Hintergrund: Kölling, Dietz, Falk & Mellert (2009)

Provisorische Klima-Risikokarten als

Planungshilfen für den klimagerechten Waldumbau

Anteil [%] der beiden Baumarten in fixen 1 ha Zellen

2 stufige Methode:

• Klassifikation von WorldView-2 Szenen ->

Detailkarten als Referenzdatensatz

• Flächendeckendes Modell basierend auf

Landsat-Satellitenszenen

21.03.2016 14

(Kölling et al. 2009, LWF-Wissen)

Risikokarte für den Fichtenanbau; zukünftige Klimabedingungen, mittlere

Bodenverhältnisse (2071–2100, WETTREG-Regionalisierung, Szenario B1).



Baumartenkarten über Bayern verteilt (WV2) Flächendeckende Landsat-Daten

15 21.03.2016

Kiefer 100%

Fichte 100%

Fichte 25%

Kiefer 55%

Sonstiges 20 %

Fichte 5%

Kiefer 5 5% Sonstiges 40%




Baumartenkarten über Bayern verteilt (WV2) Flächendeckende Landsat-Daten

16

Erklärende Variablen:

Landsat Spektral, Zeitserie

(Kennwerte je ha-Zelle)

Referenzdaten (zu erklären):

Anteile Fichte, Kiefer, Sonstiges

(Anteile in % je ha-Zelle)

Upscaling-

Modelle

Random Forest Regression

getrennt für jede Klasse!

21.03.2016




Modellerstellung und -anwendung

getrennt für jede Klasse

21.03.2016 17




Modellerstellung und -anwendung

getrennt für jede Klasse

Zusammenführen der Klassenergebnisse

Mosaikierung der Streifen zu RGB-Bild

mit allen 3 Klassen

21.03.2016 18



19


21.03.2016


Baumarten und Schädlingsbefall | BOKU IVFL Markus Immitzer I ÖBf-Forschungstag 2016 20


21.03.2016

(Brus et al. 2012 Eur. J. For. Res.)


Vitalität – Einzelbaum

Ziel: frühzeitige (prävisuelle)

Erkennung von Borkenkäferbefall

an Fichte („green attack“)

3 WorldView-2 Aufnahmen:

Juni, Juli, Oktober

Referenzdaten: im Feld

lokalisierte Borkenkäfernester

bzw. auf Basis des Bildmaterials

3 Klassen:

• „gesund – nicht befallen“,

• „befallen – noch grün“

• „abgestorben“

21.03.2016 21

(Immitzer & Atzberger, 2014, PFG)



Manuelle Abgrenzung gut beleuchteter Kronenteile auf Sommerbilder

3 Klassen: „gesund“, „befallen - noch grün“ und „abgestorben“

Spektrale Signaturen der Klassenmittelwerte

21.03.2016 22



gesund befallen - grün abgestorben ∑ UA [%]

gesund 185 67 0 252 73.4

befallen – grün 71 178 0 249 71.5

abgestorben 0 0 79 79 100.0

∑ 256 245 79 580

PA [%] 72.3 72.7 100.0 76.2


Manuelle Abgrenzung gut beleuchteter Kronenteile auf Sommerbilder

3 Klassen: „gesund“, „befallen - noch grün“ und „abgestorben“

Spektrale Signaturen der Klassenmittelwerte

Klassifikation mit Random Forest: Gesamtgenauigkeit: 76%

21.03.2016 23


Mo

del

lerg

ebn

is

Gesamtgenauigkeit

Referenzdaten (Feldarbeit, Interpretation)


Zusammenfassung

21.03.2016 24

Wunsch Wirklichkeit /

Möglichkeiten Voraussetzung Forschungsbedarf

Erfassung

jedes einzelnen

Baumes

Bestandes-

beschreibung

Frühzeitige

Erfassung von

Vitalitätsverlust



Erfassung

jedes einzelnen

Baumes

Detaillierte

Baumartenkarten

der obersten

Bestandesschicht

„älterer“ Beständen


(Orthophoto) oft ausreichend

• zusätzliche Spektralkanäle

und/oder Aufnahmen für

detailliertere Analysen

• räumliche Auflösung

(mind. 0.5 m)

• Einzelbaumsegmentierung

• Multitemporale Datensätze

(Sentinel-2)

• Kombination von

Sensoren

Bestandes-

beschreibung

Frühzeitige

Erfassung von

Vitalitätsverlust



Erfassung

jedes einzelnen

Baumes

Detaillierte

Baumartenkarten

der obersten

Bestandesschicht








(mind. 0.5 m)



(Sentinel-2)

• Kombination von

Sensoren

Bestandes-

beschreibung

Automatisierte

Bestandes-

abgrenzung +

-klassifikation

• Spektraldaten (Orthophoto /

Satellitenbilder: Sentinel-2)

(+ Oberflächenmodell)

• Kombinationen mit z.B.

Holzvorratsschätzung

• Alternativen zur

traditionellen

Bestandeskarte?

Frühzeitige

Erfassung von

Vitalitätsverlust



Erfassung

jedes einzelnen

Baumes

Detaillierte

Baumartenkarten

der obersten

Bestandesschicht








(mind. 0.5 m)



(Sentinel-2)

• Kombination von

Sensoren

Bestandes-

beschreibung

Automatisierte

Bestandes-

abgrenzung +

-klassifikation

• Spektraldaten (Orthophoto /

Satellitenbilder: Sentinel-2)

(+ Oberflächenmodell)

• Kombinationen mit z.B.

Holzvorratsschätzung

• Alternativen zur

traditionellen

Bestandeskarte?

Frühzeitige

Erfassung von

Vitalitätsverlust

Erkennung von

Hotspots /

Gefährdungs-

bereichen

• Ausreichend spektrale

Information (> 4 Kanäle)

• Ausreichend räumliche

Auflösung

• Hyperspektraldaten

• Zeitserien (Sentinel-2)

• Kombination von

Sensoren


Ausblick = aktuelle Forschungsarbeiten am IVFL

Automatische Umsetzung von Einzelbaumanalysen

• Segmentierung von WorldView-2 und Orthophotos

21.03.2016 25





Hohe spektrale Auflösung

• Multi- bis hyperspektrale Daten (416 Spektralkanäle)

21.03.2016 26

16.08.2013

11.06.2014






• Multi- bis hyperspektrale Daten

Hohe räumliche Auflösung

• UAV-basierte Aufnahmen mit multispektraler Kamera

21.03.2016 27









Hohe zeitliche Auflösung

• 5 Tage Wiederholrate bei Sentinel-2 (Phänologie)

21.03.2016 28









Hohe zeitliche Auflösung

• 5 Tage Wiederholrate bei Sentinel-2 (Phänologie)

Kombination von Sensoren

• Multi-sensorale Auswertung z.B. Sentinel-2 / Orthophoto

21.03.2016 29



Projektpartner (Auswahl)

30 21.03.2016

Universität für Bodenkultur Wien University of Natural Resources and Life Sciences, Vienna

Lehi-Copter

Institut für Waldbau

Institut für Forstschutz

Institut für Wildbiologie

Kooperationspartner Partner aus der Praxis

Geldgeber


Literaturliste

Brus, D.J., Hengeveld, G.M., Walvoort, D.J.J., Goedhart, P.W., Heidema, A.H., Nabuurs, G.J., Gunia, K., 2012. Statistical mapping of tree

species over Europe. Eur. J. For. Res. 131, 145–157. doi:10.1007/s10342-011-0513-5

Immitzer, M., Atzberger, C., 2014. Early Detection of Bark Beetle Infestation in Norway Spruce (Picea abies, L.) using WorldView-2 Data.

Photogramm. - Fernerkund. - Geoinformation 2014, 351–367.

Immitzer, M., Atzberger, C., 2013. Verfahrenstest zur großflächigen Identifikation der in Bayern vorkommenden Hauptbaumarten auf Basis von

WorldView 2 (WV2) Satellitendaten (E51 WV2-TreeIdent Pilotstudie) (Endbericht). Universität für Bodenkultur, Wien.

Immitzer, M., Atzberger, C., Einzmann, K., Böck, S., Mattiuzzi, M., Wallner, A., Seitz, R., Pinnel, N., Müller, A., Frost, M., 2015. Fichten- und

Kiefernkarte für Bayern. LWF Aktuell 30–34.

Immitzer, M., Atzberger, C., Koukal, T., 2012. Eignung von WorldView-2 Satellitenbildern für die Baumartenklassifizierung unter besonderer

Berücksichtigung der vier neuen Spektralkanäle. Photogramm. - Fernerkund. - Geoinformation 5, 573–588. doi:10.1127/1432-

8364/2012/0140

Immitzer, M., Atzberger, C., Koukal, T., 2012. Tree species classification with Random Forest using very high spatial resolution 8-band

WorldView-2 satellite data. Remote Sens. 4, 2661–2693. doi:10.3390/rs4092661

Immitzer, M., Einzmann, K., Böck, J., Mattiuzzi, M., Ng, W.-T., Wallner, A., Pinnel, N., Reichmuth, A., Frost, M., Müller, A., Seitz, R., Atzberger,

C., 2015b. Erstellung von Fichten- und Kiefernanteilskarten auf Basis von Satellitendaten für Bayern. Forstl. Forschungsberichte Münch.

21–34.

Immitzer, M., Einzmann, K., Ng, W., Atzberger, C., Wallner, A., Pinnel, N., Reichmuth, A., Seitz, R., 2013. Projekt E54: Automatisierte

Erfassung der Vitalität von Waldbäumen aus neuesten optischen Satellitendaten mit verbesserter spektraler und räumlicher Auflösung

(VitTree) (Zwischenbericht). LWF, Freising.

Immitzer, M., Koukal, T., Atzberger, C., 2012. Hochauflösende Satellitenbilder für forstliche Anwendungen. Forstzeitung 12–13.

Immitzer, M., Vuolo, F., Atzberger, C., 2016. First Experience with Sentinel-2 Data for Crop and Tree Species Classifications in Central Europe.

Remote Sens. 8, 1–27. doi:10.3390/rs8030166

Kölling, C., Dietz, E., Falk, W., Mellert, K.-H., 2009. Provisorische Klima-Risikokarten als Planungshilfen für den klimagerechten Waldumbau.

LWF-Wissen 63, 31–39.

21.03.2016 31

Baumarten und Schädlingsbefall | BOKU IVFL Markus Immitzer I ÖBf-Forschungstag 2016 21.03.2016 32


Department für Raum, Landschaft

und Infrastruktur

Markus Immitzer


Department für Raum, Landschaft und Infrastruktur

Institut für Vermessung, Fernerkundung und Landinformation

[email protected]

Peter Jordan Straße 82, A-1190 Wien

Tel.: +43-1-47654-5132, Fax: +43-1-47654-5142

www.boku.ac.at/ivfl.hmtl

Herzlichen Dank für die Aufmerksamkeit!

Fragen?

Documents

und Infrastruktur Baumarten und Schädlingsbefall Institut ......Baumarten und Schädlingsbefall | BOKU IVFL Markus Immitzer I ÖBf-Forschungstag 2016 Fi Ki La Dgl SZy Bu Ei HBu Bi