Universität zu Köln

Waldhoff, Guido (2014). Multidaten-Ansatz zur fernerkundungs- und GIS-basierten Erzeugung multitemporaler, disaggregierter Landnutzungsdaten. Methodenentwicklung und Fruchtfolgenableitung am Beispiel des Rureinzugsgebiets. PhD thesis, Universität zu Köln.

Preview

PDF Dissertation_Waldhoff.pdf Bereitstellung unter der CC-Lizenz: Creative Commons Attribution Non-commercial No Derivatives. Download (39MB)

Abstract

Landnutzungsdaten sind heutzutage für unzählige Fragestellung von zentraler Bedeutung. Für die regionale (Agrar-)Ökosystemmodellierung, wie sie der Transregio 32: Patterns in Soil-Vegetation-Atmosphere-Systems: Monitoring, Modelling and Data Assimilation (TR32) für das Rureinzugsgebiet durchführt, stellen sie einen essentiellen Eingabedatensatz dar. In diesem Kontext müssen aber sowohl Informationen zu Feldfrüchten als auch zu praktizierten Fruchtfolgen flächendeckend und für einzelne Ackerschläge zur Verfügung stehen, da diese wesentlichen Einfluss auf die auftretenden Austauschprozesse im System Boden-Pflanze-Atmosphäre haben. Aus Mangel an geeigneten Daten beruhen regionale Agrarökosystem¬modellierungen allerdings oftmals auf stark generalisierten Landnutzungsdaten und auf idealtypischen Fruchtfolgen. Die Fernerkundung bietet die Möglichkeit schlagbezogene Feldfrucht- und Fruchtfolgen-informationen für eine regionale Skala vergleichsweise arbeits- und kosteneffizient anhand multispektraler Fernerkundungsdaten abzuleiten. Zur Unterstützung der Landnutzungsanalysen oder als Quelle für bestimmte Landnutzungsklassen kann zudem mittels Geographischer Informationssysteme (GIS) auf bestehende Datensätze wie dem Amtlichen Topographisch-Kartographischen Informationssystem (ATKIS) zurückgegriffen werden. Der Multidaten-Ansatz (MDA) wurde daher zur Produktion von Landnutzungsdaten mit gesteigertem Informationsgehalt aufgegriffen und weiterentwickelt. Durch die Kombination von Fernerkundungs- und GIS-Verfahrensweisen wurden damit Informationen aus verschiedenen Quellen in einem Landnutzungsdatensatz mit gesteigertem Informationsgehalt integriert. Diese Methodik wurde für die Jahre 2008-2010 angewendet, um jährliche disaggregierte Landnutzungsdaten sowie eine Fruchtfolgenkarte für das Rureinzugsgebiet zu erzeugen. Um Ackerschläge möglichst effizient zu differenzieren wurde eine räumliche Auflösung von 15 m gewählt. Ein wesentlicher Bestandteil der ausgearbeiteten MDA-Methodik stellte die jährliche multitemporale Analyse von multispektralen Fernerkundungsdaten von Systemen wie Landsat, ASTER oder RapidEye dar. Zur überwachten Klassifikation der Fernerkundungsdaten wurden die Verfahren Support Vector Machines (SVM) und Maximum Likelihood Classification (MLC) eingesetzt, die vergleichbare Ergebnisse erbrachten. Für die Klassifikation der Fernerkundungsdaten wurde viel Wert auf eine ausreichende Referenzdatengrundlage zum Training und zur Validierung gelegt. Zur verbesserten Feldfruchtunterscheidung umfasste die ausgearbeitete Methodik insbesondere die Berücksichtigung der Phänologie typischer Feldfrüchte im Untersuchungs-gebiet. Dazu wurde eine Modellvorstellung entwickelt, welche die Entwicklungsphasen von Feldfrüchten, deren entsprechende spektrale Erscheinung in Fernerkundungsdaten aus bestimmten Zeiträumen der Vegetationsperiode sowie die darauf zurückzuführende Klassenzuweisung verknüpft. Dies diente sowohl zur Unterstützung der direkten Klassifikation als auch zur Herleitung nicht direkt bestimmbarer Feldfrüchte durch die Kombination mehrerer Klassifikationen im GIS. GIS-Verfahrensweisen dienten zur Unterstützung und Erweiterung der Fernerkundungsdatenanalysen, beispielsweise durch die Trennung von Ackerland, Grünland und den übrigen Landnutzungskategorien anhand von Feldblock-Daten. Ackerland wurde auf dieser Grundlage separat klassifiziert. Vor allem aber erfolgte mittels GIS die Integration der Klassifikationsergebnisse sowie zahlreicher geometrischer und thematischer Informationen aus dem ATKIS, den Feldblöcken und weiteren Datensätzen. Für den Teil des Rureinzugsgebiets in den Niederlanden und Belgien wurden ersatzweise die Datenätze Corine Land Cover (CLC) und OpenStreetMap (OSM) eingesetzt. Alle Datensätze wurden im GIS zur Integration und Analyse im Rasterdatenmodell geometrisch angeglichen und in ein einheitliches Datenformat (ESRI-Grid) überführt. Hierzu wurden für jeden Datentyp spezifische Aufbereitungsroutinen ausgearbeitet. Im gewählten Datenformat erfolgte die Integration und Herleitung von Landnutzungsinformationen sowie die Fruchtfolgenanalyse mittels wissensbasierter Produktionsregeln. Die Fernerkundungsdatengrundlage dieser Studie war durch eine starke räumliche und temporale Fragmentierung gekennzeichnet, was die Analysen deutlich erschwerte und den Arbeitsaufwand stark erhöhte. Dennoch konnten durch die GIS-gestützte jährliche multitemporale Fernerkundungsdatenauswertung in Kombination mit den Feldblock-Daten die dominierenden Feldfrüchte im Untersuchungsgebiet (Winterweizen, Wintergerste, Sommergerste, Winterraps, Zuckerrüben, Kartoffeln und Mais) weitestgehend gut unterschieden werden. So lag die Gesamtgenauigkeit bei der Feldfruchtunterscheidung für die Jahre 2008-2010 stets im Bereich von Kappa 0,9. Die Unterscheidung verschiedener Getreidearten gelang dabei mit unterschiedlichem Erfolg. Ebenso blieben Unsicherheiten bei der Trennung von Zuckerrüben und Kartoffeln zurück. Dies wurde vor allem auf die Fernerkundungsdatengrundlage zurückgeführt. Dennoch wurde durch den multitemporalen MDA eine deutlich differenziertere Feldfruchtunterscheidung gegenüber einer monotemporalen und rein fernerkundungsbasierten Analyse erzielt. Durch die Analyse der dreijährigen Datenbasis wurden vor allem für die deutschen Bereiche des Untersuchungsgebiets flächendeckend Fruchtabfolgen bereitgestellt, die in ihrer Güte der jährlichen Feldfruchtunterscheidung entsprechen. Besonders an den Ergebnissen der räumlichen Fruchtfolgenerfassung lässt sich die Relevanz dieser Studie ablesen. Auch wenn typische Fruchtfolgen identifiziert wurden, gestaltete sich das Spektrum der praktizierten Fruchtfolgen trotzdem sehr heterogen. So wurden beispielsweise zahlreiche Fruchtfolgen erfasst, die allgemeinen Empfehlungen widersprechen (beispielsweise die verbreitete Selbstfolge von Winterweizen), und somit in Modellierungen auf Basis idealtypischer Fruchtfolgen keine Berücksichtigung finden. Die Validierung der Prognose der Landnutzung für 2011, die auf der MDA-Fruchtfolgenkarte 2008-2010 beruhte, ergab, dass anhand einer dreijährigen Datengrundlage eine Vorhersage nur bedingt möglich ist. Weitere Jahre müssen daher betrachten werden, um die unterschiedliche Dauer der einzelnen Fruchtfolgentypen besser zu erfassen. Hinsichtlich der ganzheitlichen Aufwertung von Landnutzungsdaten mit der entwickelten Verfahrensweise, konnte durch die Kombination von Fernerkundungsergebnissen und vor allem den ATKIS- und Feldblock-Informationen eine deutliche Steigerung des Informationsgehalts erzielt werden. So konnten zahlreiche unterschiedliche Siedlungsnutzungen differenziert und beispielsweise siedlungsbezogene Grünflächen weitestgehend von landwirtschaftlich genutztem Grünland getrennt werden. Für den niederländisch-belgischen Teil des Untersuchungsgebiets, für den keine ATKIS- oder Feldblock-Daten vorlagen, blieben alle Ergebnisse deutlich hinter denen des deutschen Teils zurück. Dies zeigt welchen Mehrwert die Integration von geeigneten Daten im Rahmen des MDA für eine Landnutzungsanalyse darstellt.

Item Type:	Thesis (PhD thesis)
Translated abstract:	Abstract Language Nowadays land use data are of central importance for numerous topics. For the regional (agro-)ecosystem modelling of the Rur catchment, which is conducted in the Transregio 32: Patterns in Soil-Vegetation-Atmosphere-Systems: Monitoring, Modelling and Data Assimilation (TR32), land use data are essential input data. In order to describe exchange processes and matter fluxes in the system soil-vegetation-atmosphere (SVA) on a regional basis, land use data must contain parcel based information on crop distribution as well as on real crop rotations. However, due to the lack of such information, regional (agro-)ecosystem modelling is often based on too generalised land use data and typical crop rotations. Remote sensing is a time and cost-efficient way, to generate the needed information regarding crops and crop rotations for a regional scale. To support the land use data production or to extract valuable information, existing data sets such as the Authorative Topographic-Cartographic Information System (ATKIS) can be included in the land use analysis by using GIS methods. For this purpose, the Multi-Data Approach (MDA) was adapted and further developed to create enhanced land use data. Through the combination of remote sensing and GIS, information from multiple sources was integrated into one data set with increased information content. This methodological approach was applied for the years 2008-2010 to produce annual disaggregated land use data and a crop rotation map for the Rur catchment. For this, a spatial resolution of 15 m was chosen to differentiate single parcels efficiently. An essential part of the established MDA is the annual multitemporal analysis of multispectral remote sensing data, such as of Landsat, ASTER or RapidEye. The supervised classification of the remote sensing data was conducted using Support Vector Machines (SVM) and the Maximum Likelihood Classification (MLC). Both methods yielded comparable results. Regarding the classification of the remote sensing data, special effort was spent on the reference data base for training and validation. For the improved identification of crops, a phenology model of the typical crops in the study area was developed. It connects significant development stages of the crops with their corresponding spectral appearance in remote sensing images from certain periods of the growing season and also predicts a class allocation in the classification. This was used to facilitate the direct classification of crops or to infer the crop type through the combination of multiple classifications in a GIS. GIS methods were applied to support and enhance the remote sensing data analysis, for example, for the separation of arable land, grassland and other land use categories on the basis of physical block data. On this basis arable land was classified separately. In particular GIS analyses were used to integrate the classification results as well as geometric and thematic information from the ATKIS, the physical blocks and other data. Alternatively, Corine Land Cover (CLC) and OpenStreetMap (OSM) were used for the part of the study area in the Netherlands and Belgium where the ATKIS and the physical blocks were not available. All incorporated data sets were geometrically aligned in a GIS in the raster data model and converted into a uniform data format (ESRI Grid). For this, data type specific processing routines were elaborated. The integration and inference of land use information incorporating various data sources as well as the crop rotation analysis were conducted by means of knowledge-based production rules. The remote sensing data used in this study was characterised by a strong spatial and temporal fragmentation, which hampered the data analyses significantly. Nevertheless, the multitemporal annual remote sensing data analyses in combination with the physical block data allowed distinguishing the dominant crops in the study area (winter wheat, winter barley, spring barley, winter rapeseed, sugar beet, potatoes and maize) for the years 2008-2010 with a Kappa around 0.9 constantly. Yet, the distinction between different types of cereal as well as the separation of sugar beets and potatoes remained challenging on occasion with the available remote sensing data. Nonetheless, a more sophisticated crop discrimination was achieved using the multitemporal MDA compared to a monotemporal and solely remote sensing-based analysis. The three year-based analysis of crop sequences provided expressive results with an accuracy, which corresponds to the annual crop differentiation, especially for the German part of the study area. Additional to typical crop rotations, rather unexpected ones that were in contradiction to general recommendations for planting were identified (e.g. the widespread direct repetition of winter wheat). This emphasises the relevance of this study regarding the modelling of (agro-)ecosystems because these unexpected crop rotations are usually not included into the models. The validation of the prediction of land use for the year 2011, which was based on the MDA crop rotation map for 2008-2010 revealed limitations. It was concluded that a three-year data set is not sufficient and more years must be considered to capture the varying duration of each crop rotation type. With regard to the general improvement of land use data by integrating additional information with the MDA, a significant increase of the information content was achieved through the combination of remote sensing data and particularly the ATKIS and the physical block information. Thus, for example different types of settlement-related land use and agricultural and non-agricultural grasslands were differentiated. For the Netherlands and Belgium for which no ATKIS or physical block data were available, the results were significantly behind those of the German part of the study area. This underlined the impact of the integration of appropriate data in the context of the MDA for land use analyses. English
Creators:	Creators Email ORCID ORCID Put Code Waldhoff, Guido guido.waldhoff@uni-koeln.de UNSPECIFIED UNSPECIFIED
URN:	urn:nbn:de:hbz:38-58619
Date:	2014
Language:	German
Faculty:	Faculty of Mathematics and Natural Sciences
Divisions:	Faculty of Mathematics and Natural Sciences > Department of Geosciences > Geographisches Institut
Subjects:	Natural sciences and mathematics Earth sciences Agriculture Geography and travel
Uncontrolled Keywords:	Keywords Language GIS, Fernerkundung, Landnutzung, Klassifikation, Feldfrüchte, Fruchtfolge, Rureinzugsgebiet, Phänologie German GIS, remote sensing, land use, classification, crops, crop rotation, Rur catchment, phenology English
Date of oral exam:	3 July 2014
Referee:	Name Academic Title Bareth, Georg Prof. Dr. Schneider, Karl Prof. Dr.
Refereed:	Yes
URI:	http://kups.ub.uni-koeln.de/id/eprint/5861