View/Open - JUWEL - Forschungszentrum Jülich

98 KAPITEL 5. Klassifizierung mit neuronalen Netzen
einem bestimmten Zeitintervall sich in der Fl äche eines größeren Betrachtungs-
raumes wiederfindet.
Die Klassen Gewässer, Hochmoor, Gr ünland und Tagebau sind sowohl bei CO-
RINE als auch bei LANDSAT mit nahezu gleicher Fl ächengröße vertreten . Auf-
fallend sind die großen Unterschiede in den Waldkategorien . Auf der einen Seite
sind sie in den unterschiedlichen Klassenstrukturen der Datensätze zu suchen.
Die hydrologisch verschiedene Bedeutung von Laubwald und Nadelwald, z .B. bei
der Berechnung der Evapotranspiration, wird in GROWA berücksichtigt. CORI-
NE weist jedoch eine Kategorie Mischwald aus, in der der prozentuale Anteil von
Laub- bzw. Nadelbäumen nicht definiert ist. Im Gegensatz dazu sind die verwen-
deten Sensoren in der Lage, Cluster bestehend aus wenigen Laub- bzw. Na-
delbäumen abzubilden, so dass sich eine Kategorie Mischwald f ür diese Daten
erübrigt und komplett in Laub- und Nadelwald aufgeht.
Auf der anderen Seite ergeben sich neue Inkonsistenzen, denn die gesamte
Waldfläche wird in CORINE mit 30 % und in LANDSAT mit 38 % angegeben.
Dadurch, dass Siedlungsbereiche mit einer h öheren räumlichen Genauigkeit kar-
tiert werden können, verkleinert sich deren Fl ächenanteil von 11 % auf 6 % . Die
übrige Fläche, die sich hauptsächlich auf Alleen, Parks, Friedhöfe und Gärten
aufteilt, wird größtenteils als Laubwald klassifiziert . Da das DLM25 nur für den
deutschen Teil des Rureinzugsgebietes vorliegt, kann ein Vergleich nur bedingt
gezogen werden. Da der belgische Teil fast ausschließlich bewaldet ist und der
niederländische Teil ackerbaulich genutzt wird, ist der Wald- bzw . Ackeranteil des
DLM25 erheblich geringer.
Ein großer Vorteil bei der Verwendung von selbst prozessierten Fernerkundungs-
daten liegt in der Identifikation der Hauptfruchtarten . Während CORINE für Acker-
land in Deutschland hauptsächlich die Klassen Nicht bewässertes Ackerland
(211), Komplexe Parzellenstrukturen (242) und Landwirtschaft mit natürlicher
Bodenbedeckung (243) kennt, die für die hydrologische Modellierung nicht von
Bedeutung sind, können Satelliten gezielt die spektrale Information einzelner
Fruchtarten unterscheiden . So konnten mit Hilfe des neuronalen Netzes Weizen,
Zuckerrüben, Kartoffeln, Mais und Gerste identifiziert werden . Diese Information
ist insbesondere für die Disaggregierung der Nährstoffbilanzübersch üsse (Kapitel
7) absolut notwendig, darüber hinaus kann die Evapotranspiration (Kapitel 8 .2 .3)
fruchtartenspezifisch im Modell GROWA berechnet werden.
Weizen und Zuckerrüben werden auf jeweils 13 % der Fläche des Untersu-