Bericht - Links - DLR

Technische Universität München
Wissenschaftszentrum Weihenstephan
Lehrstuhl für Aquatische Systembiologie
Limnologische Station Iffeldorf
Endbericht zum Forschungsvorhaben:
Monitoring aquatischer Klima‐Indikatoren mit
Methoden der Fernerkundung
Auftragsnehmer:
Prof. Dr. Arnulf Melzer
Dr. Thomas Schneider
Bearbeitung:
Dipl. Geogr. Sebastian Rößler
Dipl. Geogr. Patrick Wolf
Stand August 2013
1

Inhaltsverzeichnis
Inhaltsverzeichnis .................................................................................................................................... 2
Abbildungsverzeichnis ............................................................................................................................. 3
Tabellenverzeichnis ................................................................................................................................. 5
Verzeichnis der Gleichungen ................................................................................................................... 5
Abkürzungsverzeichnis ............................................................................................................................ 6
Zusammenfassung ................................................................................................................................... 8
1. Forschungsbedarf .......................................................................................................................... 9
1.1. Ausgangslage ........................................................................................................................... 9
1.2. Fragestellung ......................................................................................................................... 10
1.3. Stand der Wissenschaft und der Technik ‐ Eigene Vorarbeiten ............................................ 10
2. Forschungs‐ und Entwicklungs‐Ansatz ........................................................................................ 15
3. Geleistete Arbeiten ..................................................................................................................... 18
3.1. Naherkundung oder „in‐situ“ Untersuchungen(Teil 1) ......................................................... 18
3.1.1. Erfassung der Spektralsignaturen (AP 1000) ................................................................. 18
3.1.2. Transparenz der Wassersäule (AP 1100) ....................................................................... 21
3.1.3. Einfluss des Deckungsgrades (AP 1300) ....................................................................... 25
3.1.4. Erfassung der Spektralsignatur der Makrophyten (AP 1400) ........................................ 26
3.1.5. Entwicklung von Wachstumsmodellen für Makrophyten (AP 1500) ............................ 30
3.1.6. Richtungsabhängigkeit der Rückstreuung (AP 1200) .................................................... 32
3.2. Auswertung der FE‐Daten (AP 2000), Teil 2 .......................................................................... 34
3.2.1. Datengrundlage ............................................................................................................. 34
3.2.2. Atmosphärenkorrektur der FE‐Daten (AP 2100) ........................................................... 37
3.2.3. Winkelabhängigkeit des Reflexionssignals (AP 2200) ................................................... 39
3.2.4. Korrektur der Wassersäule(AP 2300) ............................................................................ 41
3.2.5. Klassifikation (AP 2400) ................................................................................................. 44
3.2.6. Invertierung des Reflexionsmodells (AP 2500) ............................................................. 49
3.2.7. Verifikation (AP 2600) ................................................................................................... 50
3.3. Operationalisierung des Monitoringansatzes (AP 3000)....................................................... 50
3.3.1. Digitale Luftbilder der Bayernbefliegung (AP 3100) ...................................................... 51
3.3.2. RapidEye Datenanalyse (AP 3200)................................................................................. 53
4. Vergleich der erzielten gegen die erwarteten Ergebnisse .......................................................... 54
5. Fazit und Ausblick ........................................................................................................................ 55
5.1. Fazit ....................................................................................................................................... 55
5.2. Ausblick .................................................................................................................................. 59
6. Kooperationen und wissenschaftlicher Austausch ..................................................................... 63
7. Danksagung ................................................................................................................................. 64
2

8. Veröffentlichungen, Ergebnisverwertung ................................................................................... 65
8.1. Tagungsbeiträge .................................................................................................................... 65
8.2. Begutachtete Veröffentlichungen (peer‐reviewed full paper).............................................. 65
8.3. Lehre und Fortbildung ........................................................................................................... 66
9. Literaturverzeichnis ..................................................................................................................... 67
Abbildungsverzeichnis
Abbildung 1: Informationsfluss zur Ableitung von bio‐geo‐chemo‐physikalischen Parametern von
Pflanzenbeständen (aus: ESA AO 3381) ................................................................................................ 10
Abbildung 2: Komponenten von Reflexionsspektren, die mit hochauflösenden Hyperspektralsensoren
von Flugzeug aus aufgenommen werden. .................................................................... 12
Abbildung 3: Ablaufschema von der Entwicklungsphase (obere Hälfte) mit Basisdatenerhebung über
Modellbildung bis hin zu der Prognose als Eingangshypothese für die Auswertung von
Fernerkundungsdaten durch Invertierung der Modelle (untere Hälfte) und darauf aufbauende
Handlungsempfehlung .......................................................................................................................... 17
Abbildung 4: oben: Karte mit den Standorten; unten: Fotos von den Standorten Mole (links) und
Bernried (Mitte) am Starnberger See, sowie der Ringseebucht am Tegernsee (rechts) ...................... 19
Abbildung 5:Die beiden Messaufbauten für Uferferne (links) und ‐nahe Bestände (rechts) mit den in
einen Käfig montierten Sensoren und Kameras (mittig) ....................................................................... 20
Abbildung 6: Graphische Darstellung der Messaufbauten mit der schematischen Darstellung von
Prozessierungs‐Schritten. Die Verarbeitung ergibt schließlich „wassersäulenkorrigierte“ Mediane,
denen bestimmte Eigenschaften eines Bestandes zugeordnet wurden(Wolf, Rößler et al. 2013) ...... 20
Abbildung 7:Einfluss der Wasserinhaltsstoffe Chl‐a, cDOM und SPM auf den Attenuationsfaktor K d .
Spektren wurden in WASI simuliert(Wolf, Rößler et al. 2013) .............................................................. 22
Abbildung 8: Unkorrigierter (rot) und korrigierte Mediane (grün). Unterschiedliche Muster stehen für
unterschiedliche Gehalte von Chlorophyll‐a (gepunktet: 3,35 µg/l; gestrichelt: 6,7µg/l; durchgezogen:
13,4µg/l). Ausgehend von dem Invertierungsergebnis in WASI (6.7µg/l) wurde also zusätzlich mit der
halben bzw. der doppelten Konzentration gerechnet (Wolf, Rößler et al. 2013) ................................. 23
Abbildung 9: Ausschnitt aus der hyperspektralen AISA EAGLE Befliegungskampagne vom 17.08.2011,
der Zoomausschnitt zeigt die Lage der Folien. Aufgrund von Überstrahlungs‐Effekten wirkt die weiße
Folie jeweils deutlich größer. ................................................................................................................ 24
Abbildung 10: Die vier Blöcke zeigen jeweils einen Ausschnitt aus einem APEX‐Streifen vom 10.09.2011
(Rößler, Wolf et al. 2013). Die Farbabstufung entspricht den berechneten Gehalten von Chl‐a, cDOM
und SPM und den Klassifikationsergebnissen für den Bereich der weißen (jeweils oben) und schwarzen
(unten) Folien. Relevant sind die jeweils mittleren Streifen, da bei einer Folienbreite von 8 m und Pixeln
von 4 m des APEX Systems lediglich diese Streifen als frei von Nachbarschaftseffekten betrachtet
werden können. .................................................................................................................................... 24
Abbildung 11: unterschiedliche Bedeckungsgrade von Najas marina am Standort Bernried .............. 25
Abbildung 12: Chromatogramm von Najas marina der Probenahme vom 26.08.2010 ....................... 25
Abbildung 13:Unterschiedliche Bedeckungsgrade (0%, 75% und 100%) von Chara spp. (unten) mit
ihren dazugehörigen Reflexionsspektren (oben) .................................................................................. 26
3

Abbildung 14:Reflexionsspektren von Elodea nuttallii (rot: Sediment, blau: leichte Bedeckung, grün:
volle Bedeckung) von Mai bis Oktober inklusiver dazugehöriger Photographien (in Klammern:
Bestandsstruktur)(Wolf, Rößler et al. 2013) ......................................................................................... 27
Abbildung 15: Reflexionsspektren von Elodea nuttallii vom Starnberger See und Tegernsee. Die
Überlagerung des Bestandes am Starnberger See durch Sediment ist sowohl auf der Photographie als
auch am Spektrum deutlich zu erkennen .............................................................................................. 28
Abbildung 16:Reflexionsspektren von Chara spp. (blau), Najas marina(magenta), Elodea nuttallii(grün)
und Potamogeton perfoliatus(rot). ....................................................................................................... 29
Abbildung 17: Reflexionsspektren von Sedimenten verschiedener Messstandorte ............................ 30
Abbildung 18: Das auf dem Autodach eines Land Rover Defenders montierte Goniometer (Ausschnitte
a) und b)) mit den RAMSES‐Sensoren für die Referenz‐ (Ausschnitt c)) und Reflexionsmessungen
(Ausschnitt d). In den Ausschnitten e) und f) sind die Digitalkameras und das Messraster dargestellt
(Wolf, Rößler et al. 2013) ...................................................................................................................... 33
Abbildung 19: Graphen der Verteilung der Rücksteeuintensitäten dargestellt als ANIF‐Index für
Phragmites australis (Land) und Chara spec. (Wasser). Für Schilf ist die typische Rückwärtsstreuung zu
sehen. Der Unterwasser Characeenrasen hingegen zeigt ausgeprägte Vorwärtsreflexion, was auf
Grenzflächen‐Phänomene wie spiegelnde Reflexion an der Wasseroberfläche zurückgeführt wird
(Maxima maskiert). ............................................................................................................................... 33
Abbildung 20: Schematische Darstellung der technischen Spezifikation der für die Aufnahmen
relevanten Sensorgeometrie ................................................................................................................. 34
Abbildung 21: Abdeckung des Westufers des Starnberger Sees durch die Sensoren HyMap, AISA und
APEX ...................................................................................................................................................... 35
Abbildung 22: Lage der Aufnahmefenster für RapidEye und Zoomausschnitt auf die beiden
Seen(Rößler, Wolf et al. 2012) .............................................................................................................. 36
Abbildung 23: RapidEye Subset Bernrieder Park vom 03.09.2011, links ohne Atmosphärenkorrektur,
rechts nach EL‐Atmosphärenkorrektur, zugehörige Reflexionsspektren von optisch tiefem Wasser
unten (0.08 = 8%) .................................................................................................................................. 37
Abbildung 24: Vergleich der Reflexion über Najas marina in 3 Meter Tiefe (unten) und
Tiefenwasserreflexion (oben) des gleichen Gebietes. Grau ist das hyperspektrale RAMSES Spektrum,
rot der Mittelwert der RAMSES Messungen skaliert auf die spektrale Auflösung von RapidEye und
schwarz das aus dem Bild gewonnenen Spektrum nach Atmosphärenkorrektur (Rößler, Wolf et al.
2013) ...................................................................................................................................................... 39
Abbildung 25: Verlauf des Sonnenzenithwinkels über und unter Wasser ........................................... 40
Abbildung 26: Darstellung gemessener Reflexionsspektren über den Osterseen (links) und nach
Korrektur der Oberflächenreflexion der Himmelsstrahlung (rechts) .................................................... 40
Abbildung 27: Attenuationskoeffizienten aus RAMSES Messungen für vier verschiedene
Aufnahmezeitpunkte 2011 (links) und re‐skaliert auf die spektrale Auflösung von RapidEye (rechts)
(Rößler, Wolf et al. 2013) ...................................................................................................................... 42
Abbildung 28: künstlich erzeugte RGB‐Bilder aus drei Tiefeninvarianten Indizes, die eine
kontinuierliche Beobachtung der Pflanzenentwicklung ermöglichen (Beispiel Roseninsel, Starnberger
See) ........................................................................................................................................................ 43
Abbildung 29: Reflexionsspektren verschiedener Oberflächen (umgerechnet auf RapidEye Auflösung)
und daraus gebildete Indizes(Rößler, Wolf et al. 2012) ........................................................................ 44
4

Abbildung 30:Ergebnis der Matched Filter Entmischung für die Oberflächenklassen „unbewachsenes
Sediment“ (links) und „Najas marina“ (rechts) an einer RapidEye Scene vom 03.09.2011 .................. 45
Abbildung 31: Sedimentreflexionen verschiedener Proben des Starnberger Sees. Oben: gesamtes
Spektrum; Mitte: sichtbarer Spektralbereich; Unten: Absorptionsbanden verschiedener Pigmente. . 46
Abbildung 32: ausgewählte Endglieder für die spektrale Entmischung der Bodenbedeckung einer
RapidEye Szene vom 3. September 2011 Rößler, Wolf et al. 2013) ...................................................... 47
Abbildung 33: Sonar‐Tiefenprofil zu den gelben Profilmarkierungen in Abbildung 34. Durch Abzählen
der Pixel entlang der Profillinie ergibt sich die jeweilige Sichttiefe zum Aufnahmetag. Hier über
RapidEye und 5 m Pixeln ....................................................................................................................... 47
Abbildung 34: Ergebnis der spektralen Entmischung für das Untersuchungsgebiet Bernried für drei
Zeitpunkte im Jahr 2011 (Rößler, Wolf et al. 2013). Interessanter Nebeneffekt einer multisaisonalen
Erfassung ist, dass über die Sichttiefe Aussagen zur Transparenz getroffen werden können. In diesem
Fall (gelber Profilbalken) nimmt die Sichttiefe von Mai zum Juli ab, um dann wieder leicht anzusteigen
(siehe auch Abbildung 33) .................................................................................................................... 48
Abbildung 35: Reflexionsverlauf für die Standorte vier verschiedener Makrophyten für die Monate
Mai, Juli und September (Rößler, Wolf et al. 2013) .............................................................................. 49
Abbildung 36: interpolierte Reflexion für Najas marinaals Funktion des Jahrestages (DOY)(Rößler, Wolf
et al. 2013) ............................................................................................................................................. 49
Abbildung 37: farblich codierte Darstellung zufällig erzeugter tiefeninvarianter Indizesfür RapidEye
Spektralbänder ...................................................................................................................................... 52
Abbildung 38: Anwendung des tiefeninvarianten Index rot/NIR zur Bestimmung des Bedeckungsgrades
aus LVG Luftbildern (Ausschnitt Bernried). Links: Farbinfrarotbild (RGB: NIR‐Rot‐Grün); rechts: Index
(Bedeckungsgrad mit Sediment). .......................................................................................................... 53
Abbildung 39: Mit Beteiligung der ESA entwickelte, bzw. betriebene Satelliten‐Systeme zur
Erdbeobachtung, farblich kodiert nach voraussichtlichem Fenster des operationellen Betriebs (lila:
bereits auf Umlaufbahn, blau: bewilligt und im Bau befindlich, grün: geplante), ESA Living Planet
Programm 2013. .................................................................................................................................... 60
Tabellenverzeichnis
Tabelle 1: technische Spezifikation der genutzten hyperspektralen Aufnahmesysteme ..................... 34
Tabelle 2: Aufnahmezeitpunkte von RapidEye ..................................................................................... 36
Tabelle 3: Erreichte Meilensteine nach Antrag ..................................................................................... 54
Verzeichnis der Gleichungen
Gleichung 1: Attenuationskoeffizient (Kd) nach (Maritorena 1996)
Gleichung 2: Strahlungsbilanz bei Auswertung von FE‐Daten
Gleichung 3: Umrechnung der Reflexion über Wasser (Rrs(0+)) auf die Reflexion direkt unter der
Wasseroberfläche (rrs(0‐)) nach Lee et al. (1998, 1999):
Gleichung 4: Strahlungstransfermodell für Flachwasser ((Albert and Mobley 2003), mit:
5

Gleichung 5: Berechnung tiefeninvarianter Indizes aus Spektralbändern multi‐ bis hyperspektraler
Systeme (nach Lyzenga 1981, Spitzer and Dirks 1987)
Gleichung 6: Berechnung der Gesamtreflexion (Rtotal) aus Bodenreflexion (RBoden) und
Wasserreflexion(R )
Gleichung 7: Berechnung des tiefeninvarianten Index nach Lyzenga (1978) für RapidEye
Spektralbänder
Abkürzungsverzeichnis
AGROLAB
Aisa EAGLE
AP
APEX
AOPs
ASD
ATCOR 1‐4
BayFORKAST
BMBF
BOMBER
cDOM
Chl‐a
GmbH Labor für Bodenanalysen in 84079 Bruckberg, Bayern
“airborne Hyperspectral Imaging system”, Hyperspektral Sensor der Fa. SPECIEM,
Finnland, 400‐920nm
Arbeitspakt
„Airborne Prism Experiment“, Flugzeuggetragenes Hyperspektralsystem der ESA
“apparent optical properties”, ersichtliche optischen Eigenschaften
Analytical Spectral Devices Company,
„Atmospheric & Topographic Correction for wide FOV airborne optical scanner data”,
an der DLR entwickeltes Atmosphärenkorrektur Programm Versionen 1‐4
Auswirkungen des Klimas auf Ökosysteme und klimatische Anpassungsstrategien,
(BayFORKAST)
Bundesministerium für Bildung und Forschung
Bio‐Optical Model Based tool for Estimating water quality and bottom properties from
Remote sensing images
„coloured dissolved organic matter“, Gelbstoffe
Chlorophyll‐a
Daedalus ATM “Airborne Thematic Mapper (ATM) Daedalus‐1268” Landsat TM Simulator, Flugzeug
DFG
DLR
DOY
E d
E d (0‐)
E d (b)
EL
ENVI
EOMAP
ESA
EU‐WRRL
FE
Deutsche Forschungsgemeinschaft
Deutsches Zentrum für Luft und Raumfahrt
„Day of Year“, Tag des Jahres
Bestrahlungsstärke
Bestrahlungsstärke gemessen direkt unter der Wasseroberfläche
Bestrahlungsstärke gemessen direkt über Bestand
„Empirical Line“ Methode zur Atmosphärenkorrektur
Environmental Visualisation Program der Fairma ITT Exelis Inc.
Earth Observation and Mapping Company
„European Space Agency“ , Europäische Raumfahrt Agentur
Europäischen Wasserrahmenrichtlinie
Fernerkundung
6

FieldSpek FR
FOV
GSD
HTO
HyCorr
HyMap
HySpex
IOP
JF
K d
L
LAI
L u
LVG
MIP
MODTRAN
MSDA_XE
NDWI
RAMSES‐ACC
RAMSES‐ARC
RESA
ROSIS
R rs
SFB
SPM
TOA
TU, TUM
Feldspektroradiometer des Typs ASD FieldSpek FR
„Field of View“, Breite des Aufnahmestreifens am Boden
„Ground Sampling Distance“, Größe der Pixel am Boden
High‐Tech‐Offensive Bayern
Hyperspectral Correction, program zur Korrektur atmosphärischer Einflüsse
Hyperspektral Kamera der Fa. HyVista, Australien, 450‐2480nm
Hyperspektral Kamera der Fa. Norsk Elektro Optikk, Norwegen, 400‐2500nm
„inherent optical property”, inherente optische Eigenschaften der Wassersäule
Jeffries‐Matusita Index
Attenuationskoeffizient
Strahlungsfluss
“leave area index”, Blattflächenindex
aufwärtsgerichteter Strahlungsfluss
Bayerisches Landesamt für Vermessung und Geodäsie
Modulares Inversions Programm
Transfer Modell für Atmosphäremkorrekturen
Software der TRIOS GmbH zur Steuerung der RAMSES Systeme
„normalized difference water index“, Normalisierter Differentieller Wasser Index
spektral hochauflösendes Radiometer zur Messung der Bestrahlungsstärke (E,
Irradiance) im Spektralbereich 320 – 950 nm und 7° Erfassungswinkel
spektral hochauflösendes Radiometer zur Strahldichtemessung (L; Radiance) im
Spektralbereich 320 – 950 nm und 180° Erfassungswinkel (Cosinus korrigiert)
RapidEye Science Archives
“Reflective Optics System Imaging Spectrometer”, Hyperspectralsensor am DLR,
Bereich 420‐860nm
„remote sensing reflectance“, Reflexionsspektren direkt über Wasser
Sonderforschungsbereich
„suspended particulated matter“, schwebende, partikuläre Stoffe (SPM)
“Top‐Of‐Atmosphere”, oberer Rand der Atmosphäre
Technische Universität München
WASI, WASI‐2D “Water Color Simulator” für Pixelweise und für 2‐dimensionale Datensätze
WorldView2 multispektrales Satellitensystem der sehr hoch auflösenden Klasse (m‐Bereich)
7

Zusammenfassung
In einem innovativen Ansatz wurde ein effizientes Monitoringverfahren zur großflächigen Erfassung
des Status quo der Wasserpflanzengesellschaften von Gewässern und der klimarelevanten
Veränderung von Makrophytenbeständen mittels Fernerkundungsdaten entwickelt und dessen
Anwendbarkeit demonstriert. Die Untersuchungen sind eingebunden in diestrategische Zielsetzung
der Entwicklung eines Frühwarnsystemsfür den aquatisch/limnischen Bereich auf Basis von
Fernerkundungsdaten. Das Frühwarnsystem soll Veränderungen in der Zusammensetzung
bestehender Makrophytenbestände bzw. die Ausdehnung von Wasserpflanzen in bisher unbesiedelte
Bereiche erkennen, dieseidentifizieren und für die nähere Betrachtung ausflaggen. In den hier
vorgestellten Untersuchungen standen das Große Nixenkraut (Najas marina), eine einheimische Art,
und die Schmalblättrige Wasserpest (Elodea nuttallii) eine neophytische Art im Zentrum des Interesses,
deren Ausbreitung durch den Klimawandel gefördert wird.
Methodisch beruht der Ansatz auf eine Integration von empirischen und physikalisch basierten
Modellen. Durch Erfassung der Spektralsignaturen vor Ort mit Unterwasser‐Spektroradiometern und
biometrischen sowie bio‐chemischen Messungen im Tagesgang und über die Vegetationsperiode
werden gekoppelte phänologische Wachstums‐ und Reflexionsmodells der makrophytischen
Wasserpflanzen‐Bestände erstellt. Anhand der Spektralmessungen werden Wasserinhaltsstoffe
bestimmt, die wiederum als Eingangsgrößen für Modelle zur Berechnung des Strahlungstransfers in
der Atmosphäre, im Wasserkörper und an der Grenzfläche Wasser/Luft dienen. Die Übertragung der
Information des gekoppelten Wachstums‐/Reflexionsmodells auf die Fläche erfolgt über
Fernerkundungsdaten mittels Inversion der physikalisch basierten bio‐optischen Modelle. Diese
greifen auf die erstellten Spektraldatenbanken der Makrophyten‐Bestände im Wachstumsverlauf als
„a‐priori“ Information zu, korrigieren äußere Einflüsse durch Atmosphäre, Grenzfläche und
Wassersäule und weisen über einen Optimierungsprozess jedem Pixel ein Klasse (Bestandestyp,
Merkmale, etc.) zu.
Im Entwicklungsstadium wurden zeitgleich lokal vor Ort und auf der Fläche durch FE‐Systeme der
höchsten verfügbaren spektralen und räumlichen Auflösung erfasste Signale verglichen und zur
Modelloptimierung genutzt (Hyperspektralsysteme HyMap, Aisa EAGLE, APEX, (HySpex)). Im
simulierten „operationellen“ Versuch wurde der oben beschriebene Ablauf auf FE‐Daten
„operationeller“ Systeme (RapidEye Satellitendaten und Luftbilder des Bayerischen Landesamtes für
Vermessung und Geodäsie) übertragen. Auf dieser Basis sollte der Informationsverlust durch die
reduzierte spektrale Auflösung der Fernerkundungsdaten bzw. die Kompensation dieses Verlustes
durch Aussagen über die Flächen beschreiben und damit die Praxistauglichkeit überprüft werden.
Bei weiterem Ausbau unter Integration konkurrierender Arten wird erwartet in Zukunft damit sowohl
Änderungen der Zusammensetzung großer Wasserpflanzenbestände als auch deren invasionsartige
Ausdehnung in bisher vegetationsfreie Litoralstandorte über operationelle Fernerkundungsdaten
erfassen zu können. Die Aussagegenauigkeit wird von der Häufigkeit der Beobachtungen
(monotemporal/multisaisonal) und der Auflösung der Beobachtungssysteme (spektral, geometrisch,
zeitlich, radiometrisch) kontrolliert.
Als Nebenprodukt eines solchen Monitoring Systems fällt automatisch eine Charakterisierung der
Wassersäule ab. Diese erlaubt die Beobachtung von Konzentrationsschwankungen der
Wasserinhaltsstoffe (Gelbstoffe, Chlorophyll, anorganische Schwebstoffe) und liefert darüber einen
ergänzenden Beitrag zum Monitoring von Seen und deren Einzugsgebiete.
8

1. Forschungsbedarf
1.1. Ausgangslage
Über die letzten Jahre wurden systematische Veränderungen aquatischer Ökosysteme beobachtet und
zunehmend als Folge des globalen Klimawandels verstanden. In bayerischen Seen begünstigen die
gemessenen erhöhten Wassertemperaturen die Einwanderung neuer Arten aber auch die Ausbreitung
bekannter Arten. Diese Aussage trifft sowohl für die Algengemeinschaften des Freiwassers, das
sogenannte Phytoplankton, als auch für die Wasserpflanzen, die sogenannten Makrophyten, im
Uferbereich von Seen zu.
Submerse Makrophyten sind als wichtige Indikatorengruppe für die Beurteilung des Trophiegrades von
Seen anerkannt und unter anderem in der Europäischen Wasserrahmenrichtlinie (EU‐WRRL)
verankert. Klimaerwärmung stellt jetzt einen Faktor dar, der unabhängig von der Trophie zu
Veränderungen des Gleichgewichts der Lebensbedingungen in Seen führt und damit das Einwandern
fremder Arten aber auch die Expansion heimischer Arten fördert. Erfahrungen vom Goitsche‐See bei
Leipzig aber auch vom Chiemsee belegen, dass die massenhafte Vermehrung invasiver Arten das
Ökosystem See radikal verändern und im Extremfall sogar eine Erholungsnutzung unmöglich machen
können.
Die Erfassung und das Monitoring solcher Entwicklungen sind die notwendigen Konsequenzen. Die
Rahmenbedingungen und die Prozesse, die zu den beobachteten Massenvermehrungen führen, sind
noch nicht vollständig verstanden. Die Ausbreitung kann sowohl schleichend, als auch explosionsartig
erfolgen. Ersteres trifft für das Große Nixenkraut (Najas marina), eine einheimische Art, und letzteres
für die Schmalblättrige Wasserpest (Elodea nuttallii), eine neophytische Art zu, deren Ausbreitung in
den bayerischen Seen seit einigen Jahren beobachtet wird.
Wasserpflanzenarten, die sich invasionsartig ausbreiten können, beeinflussen und verändern die
Struktur im Litoralbereich von Seen in zweifacher Hinsicht:
(1) Sie können in Makrophytenbeständen vorhandene Arten oder sogar ganze
Lebensgemeinschaften verdrängen, wodurch es zu nachhaltigen Störungen bestehender
ökologischer Gleichgewichte kommen kann. Durch die invasiven Wasserpflanzenarten werden
zum einen Nahrungsnetze negativ beeinträchtig, zum anderen dienen die
Makrophytenbestände als Brutstätten und Refugium für zahlreiche im Wasser lebende
Tierarten. Auch diese wesentliche Funktion wird durch das massenhafte Aufkommen einzelner
Wasserpflanzenarten empfindlich gestört
(2) Im Gegensatz zu Landökosystemen sind in intakten Gewässerökosystemen häufig große
Flächen weitgehend vegetationsfrei. Die durch den Klimawandel geförderten
Wasserpflanzenarten können diese freien Flächen rasant besiedeln und somit zu einer
grundlegenden Veränderung der Vegetationsverhältnisse im Uferbereich von Seen führen.
Speziell diese großflächige Eroberung von unbesiedeltem Seeboden durch Wasserpflanzen
wird sich nachteilig auf die Schifffahrt, auf die Fischerei sowie auf die Nutzung der Gewässer
für Freizeit und Erholung auswirken.
Im Rahmen der EU‐WRRL ist für Seen ab einer bestimmten Flächengröße eine regelmäßige
Inventarisierung vorgesehen. Traditionell wird die dazu durchgeführte vor Ort Aufnahme der
submersen Vegetation mithilfe von Tauchern durchgeführt – eine sehr kosten‐ und zeitintensive
Methode wenn komplette Seen kartiert werden sollen. Dieses erfolgt daher auch nur alle drei Jahre.
Dieser Zyklus könnte bei den teilweise hoch dynamischen Entwicklungen nicht ausreichen. Eine
jährliche Bestandsaufnahmewurde als wünschenswert erkannt, um u.a. auch die Veränderungen der
Witterungsdynamik in den Studien berücksichtigen zu können, die heute ebenfalls als Folge des
Klimawandels interpretiert werden. Typische Beispiele sind etwa die Verschiebungen des
9

Das Bild kann zurzeit nicht angezeigt werden.
Vegetationsbeginns, aber auch die zunehmende Häufung von Starkniederschlagsereignissen mit
folgender Trübung der Seen und damit einhergehender Änderung der Lichtverhältnisse im See.
Als Methode der Wahl bei solchen großflächigen Monitoring‐Ansätzen bietet sich die Fernerkundung
an, die große Gebiete regelmäßig mit gleichbleibender Genauigkeit erfassen kann. Grundsätzlich ist
hierbei zu klären, ob die Aussageschärfe, die über Fernerkundung erreichbar ist, die Anforderungen
erfüllt.
1.2. Fragestellung
Das Forschungs‐ und Entwicklungsvorhaben hat diese Frage nach einem Bewertungsverfahren zur
Abschätzung der erwarteten Folgen einer Klimaerwärmung im Ökosystem See aufgegriffen und hat
untersucht, welchen Beitrag die Gewässerfernerkundung zur Analyse und Beobachtung der oben
skizzierten Sachlage leisten kann.
Entwicklungsbedarf wurde vor allem hinsichtlich der Identifikation der Arten submerser Makrophyten‐
Bestände und der Abschätzung deren Abundanzen aus optischen Fernerkundungsdaten erkannt. Im
konkreten Fall sollte die Ausbreitung von Wasserpflanzen, insbesondere der invasiven Arten Najas
marina und Elodea nuttallii, aber auch die Verdrängung ursprünglich vorhandener Arten bzw.
Wasserpflanzengesellschaften abgeschätzt werden.
Im Vordergrund stand die Frage, welche fernerkundlich ableitbaren Signaturen die Identifikation der
invasiven Wasserpflanzenarten unter Berücksichtigung ihres variablen Erscheinungsbildes (Phänologie),
ihres Vorkommens in Rein‐ oder in Mischbeständen (Populationsvariationen), ihres Deckungsgrades
über Daten unterschiedlicher FE‐Systeme erlauben.
1.3. Stand der Wissenschaft und der Technik ‐ Eigene Vorarbeiten
Im Folgenden wird der aktuelle Stand des Wissens in den Bereichen der Fernerkundung und der Datenanalyse
in Bezug auf das Vorhaben zusammengefasst. Arbeiten von Mitarbeitern der Limnologischen
Station der TU München, die zum Stand des Wissens beitragen, sind durch kursiv angegebene Autoren
gekennzeichnet.
Remote sensing
data
e.g.: σ o , ρ
Ancillary
information
e.g.: sun illumination, rain,
mean air temperature
Vegetation growth
models
e.g. : number of
leaves, LAI
Direct models
e.g.: σ o , ρ
Die Auswertung von Fernerkundungsdaten hat
sich von der Klassifikation von Landnutzungsbzw.
von Landoberflächentypen in Richtung der
Objekt‐Identifikation und der Zustandserfassung
entwickelt. Während früher die statistische
Erfassung von definierten Klassen im
Vordergrund stand, wird in heutigen Ansätzen
versucht, bio‐geo‐chemo‐physikalische
Eigenschaften von Objekten abzuleiten.
Inversion algorithms
e.g.: biomass, crop yield
Geo- and biophysical parameters
Abbildung 1: Informationsfluss zur Ableitung von biogeo‐chemo‐physikalischen
Parametern von
Pflanzenbeständen (aus: ESA AO 3381)
10

Aus Reflexionsdaten werden Vegetationsoberflächen parametrisiert und in Modelle eingebunden.
Darüber lassen sich Vegetationstyp und ‐zustand erkennen und dessen Leistungsfähigkeit im
Ökosystem abschätzen. 1998 hat die Europäische Raumfahrt Agentur (ESA) diesen Ansatz als die
Herausforderung für das damals folgende nächste Jahrzehnt deklariert. Im derzeit aktuellen „Living
Planet“ Programm wird diese Strategie fortgeführt (Abbildung 1).
Bei der Entwicklung von Methoden zu Inventur und Monitoring im natürlichen Umfeld sind
nachfolgende Teilaspekte zu berücksichtigen:
Übertragbarkeit: Um in Zeit und Raum übertragbare Ergebnisse zu erhalten, müssen FE‐Daten in physikalische
Messgrößen (Strahlungsmesswerte) umgewandelt werden. Dazu muss das eigentliche Objekt‐
Signal von äußeren Einflüssen, wie den Sensorspezifika, der Atmosphäre, der Wassersäule, der
Einstrahlungs‐ und Beobachtungsrichtung getrennt werden. In operationellen Korrekturprogrammen
werden radiometrische Korrekturen der Einflussfaktoren anhand standardisierter Parameter
vorgenommen. Die Standard‐Datenvorbereitung beschränkt sich auf die Atmosphärenkorrektur, die
dabei zu Oberflächenreflexionswerten umgerechnet werden (ATCOR 3, Richter, 2007; HyCorr von
HyVista, etc.).
Signaturanalyse: Der Zustand einer Vegetationseinheit wird u. a. durch folgende Merkmale
beschrieben: Entwicklungsstadium, Bestandesdichte, Bestandeshöhe, Pflanzengesellschaften,
Schichtung aber auch Biomasse, Pigmentgehalt, Wassergehalt, etc.. In Wachstums‐ und
Ertragsmodellen wird die Entwicklung dieser Variablen über die Vegetationsperiode hinweg simuliert.
Bei der Signaturanalyse werden die FE‐Daten mit den vegetationskundlichen Beurteilungsschemata
verknüpft (Schneider, 1994, Manakos, 2003, Pinnel, 2007). Grundsätzlich sind dafür fünf Signaturtypen
geeignet: spektrale, texturelle, temporale, polarisations‐ und richtungsabhängige Signaturen.
Reflexionsmodelle: Die Modellierung des Reflexionsverhaltens von Pflanzenbeständen erfolgt anhand
gemessener geo‐bio‐chemo‐physikalischer und anhand struktureller Parameter des Bestandes, aus
denen sich physikalische oder direkte Modelle ableiten lassen (Kuusk, 1994, Völlger, 1993, Meister et
al., 2000, Bacour et al., 2001a, Weiss et al., 2000, Manakos, 2003, Schneider & Manakos, 2003, 2004,
Pinnel, 2007). Durch die Invertierung solcher physikalischer Modelle können Bestandesparameter aus
Fernerkundungsdaten abgeleitet, anhand dieser Oberflächentypen identifiziert und deren Zustand
erkannt werden. Durch Messkampagnen werden Korrelationen zwischen dem Bidirektionalen
Reflexionsfaktor (BRF) und den bio‐geo‐chemo‐physikalischen Variablen berechnet (Privette et al.,
1997; Liang et al., 1998; Verstraete et al., 2000, Völlger, 1993, Manakos, 2003, Pinnel, 2007).
Reflexionsmodelle wie SAIL (Verhoef, 1984), PROSPECT (Jacquemoud & Baret, 1990), Kuusk‐Model
(Kuusk, 1994), NADIM (Gobron et al., 1997), MVBP1 (Verstraete et al., 1990) werden eingesetzt, um
über die darin zusammengefassten Zusammenhänge zwischen Reflexion und Bestandeseigenschaften
flächendeckende Information aus Satelliten‐ oder Flugzeugaufnahmen abzuleiten. Entwicklungsbedarf
wird vor allem bei der Invertierung, der praktischen Umsetzung und der Validierung der direkten
Reflexionsmodelle gesehen. Einschränkungen ergeben sich vor allem auf Grund der sogenannten
„Mehrdeutigkeit der spektralen Signaturen“ („spectral confusion“). Eine eindeutige Identifizierung und
erst recht eine Zustandsbeschreibung von Oberflächentypen ausschließlich über die Spektralsignatur
ist daher oftmals nicht möglich. Durch die Integration weiterer Signatur‐Typen, etwa der
richtungsabhängigen Signatur (Manakos et al., 2004, Schneider et al., 2004) und/oder der temporalen
Signatur (Schneider, 1994, Pinnel, 2007) kann die Aussage der spektralen Signatur gestützt und das
Ergebnis insgesamt stabilisiert werden (Andresen et al., 2004, Mott et al., 2004).
Der Einsatz der Fernerkundung zur Erkundung des Zustandes von Binnengewässern konzentrierte sich
in den Anfängen Ende der 1980er Jahre auf die Bestimmung der Wasserinhaltsstoffe, seit ca. Mitte der
1990er Jahre kam die Erkennung und Unterscheidung von submersen Makrophyten hinzu. Die
fachliche Herausforderung des Fernerkundungs‐Ansatzes liegt in der Komplexität des Gesamtsystems.
Elektromagnetische Strahlung (EM), die als Informationsträger optischer Fernerkundungsmethoden
dient, ist lediglich im sichtbaren Wellenlängenbereich (VIS) zwischen etwa 400 und 730 nm in der Lage,
in den Wasserkörper einzudringen. Zur gedanklichen Einordnung dieser Zahlen sei vermerkt, dass die
11

Rückstrahlintensität im VIS bereits bei Landanwendungen über Vegetation in der Regel unter 10% liegt.
Lediglich für Strahlung im VIS ist der Wasserkörper so weit transparent, dass ein beschränkter Einblick
möglich ist. Die Abnahme der Strahlungsmenge durch Absorption im Wasserkörper nimmt mit der
Wassertiefe zu, wobei Wasserinhaltsstoffe (Gelbstoff, Schwebstoff, Zoo‐ und Phythoplankton) die
Eindringtiefe zusätzlich und situationsbedingt reduzieren. Eindringtiefe und Makrophytenvorkommen
wiederum sind korreliert. Die am Sensor ankommende, reflektierte Strahlung passiert die Wassersäule
aber auch die Atmosphäre zweimal. Die Strahlungsmenge, die letztendlich vom Sensor registriert wird,
liegt im Bereich von unter 1% bis ca. 5% der ankommenden Sonneneinstrahlung. Unterschiede sind
da nur noch mit extrem Leistungsfähigen Systemen feststellbar.
Die wichtigsten Variablen, die in diesem Umfeld berücksichtigt werden müssen, sind die Transmission
der Atmosphäre zum Aufnahmezeitpunkt, Beleuchtungs‐ (Sonnenstand) und
Beobachtungsgeometrie, Exposition und Hangneigung des Seebodens für jedes Pixel, aber auch
Faktoren wie Wellengang, spiegelnde Reflexion an der Wasseroberfläche, etc. Diese überlagern und
verändern die Zielgrößen der Auswertung, etwa Wasserinhaltsstoffe oder Seeboden‐
Oberflächentypen (Abbildung 2).
1 2 3 4
---- Reflexion der Wasserpflanzen
(1) Reflexion der Atmosphäre
(2) Reflexion an der Wasseroberfläche
(3) Reflexion von Wasser
und von Wasserinhaltstoffen, wie
- Phytoplankton
Chlorophylle, Pigmente
- gelöste Stoffe, z.B. Gilvin (Gelbstoffe),
d.h.hochmolekulare
pflanzliche Abbauprodukte
- partikuläre Stoffe, z.B.
Anorganische Schwebstoffe, wie Kalzit
(4) Reflexion des Seebodens
Abb.1 Abbildung 2: Komponenten von Reflexionsspektren, die mit hochauflösenden Hyperspektral-sensoren von
Flugzeug aus aufgenommen werden.
Hinzu kommt, dass weder die Rückstreuung von Oberflächen des Seebodens noch des Wasserkörpers
als isotrope Funktion angenommen werden können. Während einige dieser Größen sehr einfach zu
bestimmen sind, ‐ etwa Sonnenstand und Beobachtungsrichtung, ‐ ist die Abschätzung des Einflusses
von atmosphärischer Streuung/Absorption, der Reflexionen an der Wasseroberfläche oder die
Bestimmung der Konzentration der Wasserinhaltsstoffe sowie der Seebodenoberflächentypen
ungleich komplizierter.
Laut Gege (2004b) gibt es prinzipiell zwei Lösungsansätze für solche komplexen Sachverhalte. Der
empirische Ansatz gründet sich auf einen statistisch zu ermittelnden Zusammenhang zwischen dem
Signal am Sensor und der unbekannten Größe. Dazu werden möglichst zeitnah zu der Erfassung durch
den Sensor Messdaten vor Ort erhoben. Diese müssen möglichst den gesamten Dynamikbereich in der
Szene abdecken und mit einem Messsystem vorgenommen werden, dass demjenigen des FE‐Systems
entspricht. Die bekannte „Empirical Line“ Methode, auf die in diesem Vorhaben als eine Alternative
12

zurückgegriffen wurde (im Softwarepaket ENVI 4.7 von Creative Systems, jetzt EXELIS
integriert),beruht auf diesem Prinzip. Durch den direkten Vergleich der Strahlungswerte am FE‐Sensor
und am Bodenpixel können atmosphärische, sowie Einflüsse der Erfassungsgeometrie korrigiert
werden. Die Methode ist nur sehr eingeschränkt übertragbar und erfordert hohen logistischen
Aufwand. Der analytische Ansatz beruht auf einem physikalischen Modell des Strahlungstransfers in
allen beteiligten Komponenten (Atmosphäre, Grenzfläche zu Wasser, Wassersäule). Die Verfahren zur
quantitativen Bestimmung der Wasserinhaltsstoffe haben heute bereits eine gewisse Standardisierung
erreicht (Gege, 2003, 2004b, 2012; Dekker et al., 2001, Thiemann, 1999, Heege et al., 2004, Giardino
et al., 2012). Diese Verfahren konzentrieren sich naturgemäß auf Tiefwasserbereiche. Sollen auch
Flachwasserbereiche, speziell „Oberflächentypen“, etwa „Makrophytengesellschaften des
Seegrundes“ in die Beurteilung eingeschlossen werden, sind weitere Variable zu berücksichtigen. So
können einige Modelle auch gerichtete Reflexionseigenschaften von Zielobjekten in die Korrekturen
einbeziehen. Letztendlich wird durch iterative Simulationsdurchgänge nach der besten
Übereinstimmung des Simulationsergebnisses mit dem gemessenen Signal gesucht. Dieser als
„Inversion der Modelle“ bezeichnete Vorgang erlaubt es prinzipiell beliebig viele Parameter
abzuschätzen. Ein Hauptvorteil gegenüber der empirischen Methode ist der, dass die Algorithmen sich
in automatisierbare Prozessketten integrieren lassen und übertragbar sind. Genannt werden sollen an
dieser Stelle das „Modulare Inversions Programm“ (MIP), der „Water Color Simulator“ (WASI, Gege,
2004b) und dessen, für die Verarbeitung von Bilddaten angepasste Version (WASI‐2D, Gege, 2013)
sowie das Bio‐Optical Model Based tool for Estimating water quality and bottom properties from
Remote sensing images (BOMBER,Giardino et al. (2012)).
Das „Modulare Inversions Programm“ (MIP), das am DLR in Zusammenarbeit mit der Limnologischen
Station entwickelt wurde, ist dem analytischen Ansatz zuzuordnen. MIP korrigiert die Rohdaten von
Multi‐ bis Hyperspektralen Flugzeugscannern auf ein Niveau, das dem Reflexionsverhalten von
Oberflächen auf Seeboden‐Niveau wiedergibt. Dazu benötigt MIP Zusatzinformationen über die
Wassertiefe (digitale Tiefenkarte), die atmosphärischen Transmissionseigenschaften zum
Aufnahmezeitpunkt sowie über die Beleuchtungs‐ und Beobachtungsgeometrie am Messpunkt, d.h.
für jedes Pixel. Bei Beantragung des Vorhabens war MIP als Standardlösung geplant. Mit den
Begleitmessungen sollte MIP fortgeschrieben werden. Der kommerzielle Erfolg der Spin‐Off Firma
EOMAP, der mit Kapazitätsengpässen verbunden ist, vor allem aber die nicht offengelegten
Algorithmen haben uns bewogen auf andere, transparente und modifizierbare Verfahren
zurückzugreifen, die während der Laufzeit des Vorhabens publiziert wurden. So hat Gege (2013) die
neueste Version des WASI Programms für die Verarbeitung von Bilddaten angepasst (WASI‐2D). Die
Daten müssen Atmosphärenkorrigiert vorliegen, dafür berücksichtigt WASI‐2D bei den Steuvorgängen
im Wasser beide Komponenten, direkte und diffuse Streuung, was in einigen Fällen zu einer deutlichen
Verbesserung der Ergebnisse führt. Giardino et al. (2012)haben mit BOMBER ein Add‐on für das in der
hyperspektralen Fernerkundung mit am meisten genutzte Programm ENVI entwickelt. Dieses
Programm kann sowohl für Flachwasser als auch für optisch tiefes Wasser eingesetzt werden. Als
Ergebnis erhält man für tiefes Wasser die Konzentrationen der oben genannten Wasserinhaltsstoffe,
für Flachwasser zusätzlich eine Tiefenkarte und das Ergebnis einer spektralen Entmischung für drei
festzulegende Bodenbedeckungen (diese müssen als hyperspektrale Spektren hinterlegt werden). Das
Programm beruht auf dem Strahlungstransfermodell von Lee et al. (1998, 1999) und kann sowohl für
hyperspektrale Daten, als auch für multispektrale Sensoren genutzt werden.
Die Integration von zeitgleich erfassten Referenzmessungen mit Sensoren, die eine dem
Flugzeuggetragenen FE‐System vergleichbare Charakteristik aufweisen, haben bei allen
systematischen Untersuchungen zu einer Verbesserung der Ergebnisse von Invertierungen
physikalischer Modelle geführt. Vor allem in Entwicklungsvorhaben, wie in dem hier durchgeführten,
werden derartige Begleitmessungen als notwendig erachtet um Korrekturen für Signale, die von
atmosphärischen Störeinflüssen, Grenzflächeneinflüssen, Wasserinhaltsstoffen, Schwebstoffen und
vom Sediment herrühren, vornehmen zu können. Letztlich kann auf diese Weise das weitestgehend
Makrophyten zuzuordnende hyperspektrale Signal herausgefiltert und zur Artendifferenzierung
13

ausgenutzt werden. Neueste Auswertungen (Heege et al., 2004, Pinnel et al., 2005, 2006, Pinnel, 2007)
mit multi‐ bis hyperspektralen Systemen der Referenz‐Klasse (Daedalus, Rosis, HyMap) am Bodensee
sowie am Starnberger See haben gezeigt, dass mit der Methode nicht nur die Flächenausbreitung von
Makrophytenbeständen kartiert werden kann, sondern dass es sogar möglich ist Rückschlüsse auf
Arten zu ziehen (Pinnel, 2007). Letzteres ist der entscheidende qualitative Sprung in Richtung einer
Trophiebestimmung anhand der Langzeitindikatoren submerse Makrophyten. Die aktuellen
Entwicklungsziele sind auf die Operationalisierung dieser Auswertungskette ausgerichtet.
Festzuhalten gilt, dass überphysikalische Modellierung und darauf aufbauende Inversionsverfahren
aus multi‐ bis hyperspektralen Fernerkundungsdaten Objekteigenschaften abgeleitet werden können.
Programmmodule physikalischer Modelle für den aquatischen Bereich berücksichtigen folgende
Größen, die das Strahlungsklima am Pflanzenstandort bestimmen: atmosphärische Effekte,
Grenzflächen‐Effekte beim Übergang der Strahlen aus der Atmosphäre ins Wasser und umgekehrt,
Abschwächung der Strahlung durch das Wasser sowie durch biotische und abiotische
Wasserinhaltsstoffe.
Ungenauigkeiten der Prognose sind auf fehlende Qualität der Eingangsdaten, vor allem aber auch auf
die hohe Variabilität der Zielgrößen im aquatischen Bereich zurückzuführen. Letztere können nur über
komplexe integrale Ansätze ausgeschaltet, zumindest aber berücksichtigt werden, über die eine
Reduktion der Alternativen der Klassifikation erreicht werden kann.
14

2. Forschungs‐ und Entwicklungs‐Ansatz
Das Vorhaben konnte auf Ergebnisse früherer Forschungsvorhaben (F) und Kooperationen (K) der
Limnologischen Station zurückgreifen:
„Angewandte Gewässerfernerkundung“ (2002‐2005), gefördert durch die High‐Tech‐Offensive
(HTO) Bayern (F1)
„Einsatz von Methoden der Fernerkundung im Rahmen der WRRL der EU“ AQUATIC (2000‐
2003), gefördert durch das BMBF über die DLR Raumfahrtdirektion (F2)
SFB 454 „Bodenseelitoral“, gefördert durch die DFG (K)
(F1): Die Arbeiten in Forschungsvorhaben F1 waren darauf ausgerichtet, durch Messungen des
Seebodens parallel zu Befliegungen mit Hyperspektralsensoren die Interpretation der
Fernerkundungsdaten zu optimieren. Dazu wurden viele Seen und Seestandorte zu den jeweiligen
Befliegungsfenstern angefahren. Die darauf aufbauende Arbeit von Pinnel (2007) hat gezeigt, in
welchem Umfang das FE‐Signal der Wasserpflanzen durch Einflüsse der Wassersäule, der Grenzflächen
an der Wasseroberfläche, der Atmosphäre sowie durch die Sensoreigenschaften überlagert werden
(siehe Abbildung 2). Die Schlussfolgerung war, dass solche Einflüsse zwar sorgfältig behandelt werden
müssen, grundsätzlich aber kalkulierbar sind, so dass letztlich eine Identifizierung der Makrophyten
und eine Abschätzung ihrer Abundanz aus FE‐Daten möglich sein müssten.
F2: Das Vorhaben hat u.a. die Vorteile objektorientierter Analyse (OBIA) bei Monitoringansätzen
deutlich gemacht. Ist ein Objekt, in diesem Fall ein Makrophytenbestand, erkannt, werden seine
Eigenschaften, u.a. Lage, Ausdehnung, spektrale Merkmale, um nur einige der über 50 automatisch
berechneten Kenngrößen zu nennen, in einer Datenbank gespeichert und stehen bei
Wiederholungsaufnahmen sofort zum Vergleich bereit. Insbesondere bei FE‐Daten sehr hoher
räumlicher Auflösung ist der OBIA Ansatz traditioneller pixelbasierter Bildanalyse deutlich überlegen.
K: Die Arbeiten in dem DFG SFB zum „Bodenseelitoral“, zu dem über den damaligen Mitarbeiter Dr.
Thomas Heege ein reger Austausch bestand, hat Wissen bezüglich Wasserinhaltsstoffe‐Bestimmung
und Strukturmerkmale des Seeufer und Litoralbereichs in das Vorhaben eingebracht.
Die Ergebnisse obiger Vorhaben haben aufgezeigt, dass mit der verwendeten Kombination aus
räumlich sehr hoch auflösenden Sensoren zur Gewinnung der FE‐Daten und einer automatisierbaren
Bildanalysemethode praxisrelevante Informationen effektiv und damit kostensenkend gewonnen
werden können. Datensätze dieser räumlichen Auflösung konnten bis dahin nur durch eine visuelle
Auswertung gewonnen werden wie z.B. durch aufwändige Unterwasser‐Kartierungen im Gelände.
Das erklärte Ziel des beantragten Vorhabens war die Bereitstellung einer Methode zur Quantifizierung
der Anpassung besonders sensibler aquatischer Ökosysteme als Reaktion auf den Klimawandel. Um
dieses zu erreichen, wurde ein von den Antragstellern bereits aufgezeigtes Verfahren der
Fernerkundung (F1) dahingehend weiterentwickelt, die geforderte fachliche Aussagenschärfe zu erreichen.
Diese lässt sich zum einen in einer besseren Erfassung des Strahlungstransfers in der Atmosphäre
bzw. im Wasserkörper erreichen und zum anderen in einer genaueren Analyse von FE‐Aufnahmen verschiedener
Makrophytenbestände.
Einerseits wurde das Reflexionsverhalten der verschieden Komponenten aquatischer Ökosystems
durch ein umfangreiches Messprogramm direkt an den Standorten der Wasserpflanzen und speziell
von Najas marina und von Elodea nuttallii bestimmt. Zum anderen wurden zeitgleich erfasste FE‐
Daten, e.g. flugzeuggestützte Hyperspektraldaten, satellitengestützte Multispektraldaten und digitale
Luftbildprodukte, ausgewertet. Auf dieser Basis wurden Transferfunktionen entwickelt, die den
Informationsverlust durch die reduzierte spektrale Auflösung der Fernerkundungsdaten bzw. die
Kompensation dieses Verlustes durch Aussagen über die Flächen beschreiben und damit erlauben die
Praxistauglichkeit der Verfahren zu überprüfen.
15

Zum Erreichen der Projektziele wurde folgende Vorgehensweise umgesetzt:
Es wurden gezielte Messungen der Spektren der Teilkomponenten Sediment und Vegetation
(Makrophytenbestände) vor Ort mit Unterwasser‐Spektralradiometern durchgeführt. Darauf
aufbauend wurden Modelle abgeleitet, mit deren Hilfe die Reflexionsspektren der
Wasserpflanzen von denen des Sediments unterschieden werden können. Mit Methoden der
spektralen Entmischung ist es so möglich Deckungsgrad und Abundanzen von Wasserpflanzen
aus Fernerkundungsdaten zu berechnen (Ausbreitungsanalysen).
Zur Identifizierung der durch den Klimawandel begünstigten Arten Najas marina und Elodea
nuttallii werden die aus den FE‐Daten abgeleiteten Reflexionsspektren der Wasserpflanzen mit
Spektren geeicht, die ebenfalls mit hoher Auflösung mit einem Unterwasser‐Spektroradiometer‐System
direkt über den beiden Wasserpflanzen‐Arten erhoben werden (phänologischer
Fingerabdruck, Aufbau von Spektralbibliotheken).
Um die zu erhebende Datenmenge für die Anwendung zu reduzieren, werden schließlich aus
den hoch aufgelösten Reflexionsspektren charakteristische Spektralbereiche aufgespürt, die
ausreichen, um einzelne Wasserpflanzen eindeutig zu identifizieren (Datenreduktion).
Auf diese Weise sollen langfristig kostengünstigere Luft‐ und Satellitenbilder mit wesentlich
geringerer Auflösung für das Monitoring von Gewässern mit genutzt werden. Da solche FE‐
Daten aus anderen Gründen routinemäßig erhoben werden, wird davon ausgegangen, dass
bei einer zukünftigen Anwendung des entwickelten Verfahrens zur Untersuchung von
Pflanzenbeständen in Gewässern keine weiteren Befliegungen erforderlich wären
(Operationalisierung).
Entsprechend war das Vorhaben in drei thematische Arbeitsschwerpunkte unterteilt:
1. Erfassung der Spektralsignaturen vor Ort als Basis für die Entwicklung eines gekoppelten
phänologischen Wachstums‐ und Reflexionsmodells makrophytischer Wasserpflanzen,
insbesondere für Najas marina und Elodea nuttallii (Kap 4.1)
2. Übertragung der Information des Wachstumsmodells auf die Fläche durch die Auswertung von
FE‐Daten anhand der „a‐priori“ Information des gekoppelten Reflexions/Wachstumsmodells
und deren Einbindung in bio‐optische Modelle (Kap. 4.2)
3. Untersuchungen in Richtung einer „Operationalisierung“ des Systems über regulär verfügbare
Fernerkundungsdaten unterschiedlicher Auflösung (4.3)
Das Ablaufschema der Entwicklungsschritte und des Umsetzungskonzeptes ist an die Empfehlungen
der ESA (Abbildung 1) angelehnt und wird in Abbildung 3 dargestellt.
16

Abbildung 3: Ablaufschema von der Entwicklungsphase (obere Hälfte) mit Basisdatenerhebung über
Modellbildung bis hin zu der Prognose als Eingangshypothese für die Auswertung von Fernerkundungsdaten
durch Invertierung der Modelle (untere Hälfte) und darauf aufbauende Handlungsempfehlung
Des Weiteren soll erwähnt werden, dass das hier angesprochene empirisch entwickelte
Wachstumsmodel für die lokal beobachteten Makrophyten Bestände im Gesamtkonzept des avisierten
Monitoring Systems für die bayerischen Seen auf die Erkenntnisse des im BayFORKAST geförderten
Forschungsvorhabens zurückgreift. Dieses hat die Wuchsbedingungen für die invasiven Arten Najas
marina und Elodea nuttallii untersucht und gibt die Startbedingungen für das lokale Wuchsmodell vor.
Damit können die Alternativen bei der Klassifikation der Fernerkundungsdaten durch Inversion der
Reflexionsmodelle eingeengt werden. In der angedachten Endausbaustufe wird erwartet, dass diese
Vorauswahl zu einer deutlichen Verbesserung der Aussage führen wird (Abbildung 3).
Ergänzend soll darauf hingewiesen werden, dass im Zusammenhang mit der Bestimmung der Wasserinhaltsstoffe
im Laufe des Verfahrens (Abbildung 3) auch die spektralen Eigenschaften des
Phytoplanktons, u. a. der kalkausfällenden Planktonalge, Phacotus lenticularis, erfasst werden. Diese
Art Daten sollen in einem weiterführenden Vorhaben herangezogen werden, um zu quantifizieren,
inwieweit diese weit verbreitete, kalzifizierende Alge zu einer nachhaltigen Speicherung von
klimarelevantem Kohlendioxid beitragen kann.
17

3. Geleistete Arbeiten
Die Gliederung des Kapitels erfolgt nach den Kriterien „Naherkundung oder „in‐situ“ Untersuchungen“
(Kap. 3.1) und „Auswertung von Fernerkundungsdaten“ sowie „Operationalisierung“ , die im Rahmen
von zwei Dissertationen bearbeitet wurden. Die Unterkapitel orientieren sich an den im Projektantrag
aufgeführten Arbeitspakten (AP) „Erfassung der Spektralsignaturen“ (Arbeitspaket 1000),
„Auswertung der FE‐Daten“ (Arbeitspaket 2000) und „Operationalisierung des Monitoringansatzes“
(Arbeitspaket 3000). Darauf folgen Kapitel zu den geforderten Meilensteinen, Kooperationen,
Tagungsbeiträgen und Veröffentlichungen und abschließend ein Ausblick und Vorschläge zu
weiterführenden Arbeiten.
3.1. Naherkundung oder „in‐situ“ Untersuchungen(Teil 1)
Die Arbeiten in diesem Kapitel dienen der Erfassung der Spektralsignaturen vor Ort als Basis für die
Entwicklung gekoppelter phänologischer Wachstums‐ und Reflexionsmodelle makrophytischer
Wasserpflanzen, insbesondere für Najas marina und Elodea nuttallii.Eine eingehendere Beschreibung
der Arbeiten dieses Kapitels kann in der Dissertationsschrift von Patrick Wolf (2013) nachgelesen
werden.
3.1.1. Erfassung der Spektralsignaturen (AP 1000)
Dieses Kapitel beschäftigt sich mit einem allgemeinen Überblick über die Messstandorte und die
angewandte Methodik der Spektralmessungen, gefolgt von einer Beschreibung der
Wassersäulenkorrektur (Kap. 3.2; AP 1100) und der richtungsabhängigen Messungen (AP 1200). Nach
Erläuterungen zur biometrischen bzw. phänologischen Datenerhebung (AP 1300) folgt in KapitelAP
1400 die Zusammenführung dieser Daten mit den Reflexionsspektren. Hier werden exemplarisch die
Einflüsse der verschiedenen Parameter auf die Spektren erklärt. Unter AP 1500 wird letztlich das
entwickelte Wachstums‐Reflexionsmodell vorgestellt.
Spektralsignaturen von insgesamt vier Rein‐Beständen wurden erfasst. Diese sind die Modellarten
Elodea nuttallii und Najas marina und die Vergleichsarten Chara spp. und Potamogeton perfoliatus.
Die Bestände der beiden Modellarten befinden sich am Tegernsee in der Ringseebucht (Elodea
nuttallii) und am Westufer des Starnberger Sees bei Bernried (Najas marina). Die Vergleichsarten
wurden am Starnberger See an der Hafenmole in Starnberg untersucht. Um die
Reflexionseigenschaften einer Art an zwei Seen vergleichen zu können, wurde an letztgenanntem
Standort auch eine weitere Elodea nuttallii‐Population untersucht. Diese Kernstandorte (Fehler!
Verweisquelle konnte nicht gefunden werden.) wurden in den Jahren 2010 bis 2012 insgesamt
30xangefahren:
Standort Mole Starnberg: 14x (6x 2010, 8x2011)
Standort Bernried: 11x (4x 2010, 7x2011)
Standort Ringseebucht: 5x (4x 2011, 1x 2012)
18

Abbildung 4: oben: Karte mit den Standorten; unten: Fotos von den Standorten Mole (links) und Bernried
(Mitte) am Starnberger See, sowie der Ringseebucht am Tegernsee (rechts)
Die Messtage pro Standort wurden über die Jahre und die Vegetationsperioden hinweg so gewählt,
dass unterschiedliche phänologische Phasen spektral erfasst werden konnten. So wurden für jeden
Standort Messungen von unbedecktem Sediment über unterschiedliche Bedeckungsgrade und
Vegetationshöhen bis hin zum Zerfall der Bestände durchgeführt. Außerdem wurden an den
Standorten Bernried und Ringseebucht die Messungen in unterschiedlichen Tiefen durchgeführt, da
die Bestände hier bis in eine Tiefe von ca. 5m präsent waren. Durch dieses Messkonzept konnten die
Einflüsse einzelner Parameter auf die Spektralsignaturen untersucht werden.
Zu diesen Parametern gehören Bedeckungsgrad, Bestandhöhe, Feuchtbiomasse, Trockenbiomasse,
Wuchstiefe, die Pigmentzusammensetzung und Sedimentproben der Standorte. Eine detaillierte
Übersicht zu den erhobenen Parametern befindet sich im Kapitel AP 1300.
Der Messaufbau wurde über den Untersuchungszeitraum prinzipiell bis auf kleine Optimierungen nicht
verändert.
Die Instrumentierung bestand aus drei Sensoren der RAMSES Baureihe der Fa. Trios, die speziell für
den Einsatz in Wasserkörpern entwickelt wurden. Sie erfassen die jeweiligen Strahlungswerte in einem
Bereich von 320nm bis 750nm, mit einer Schrittweite von 3,3nm. Unterschiede bestehen jedoch in der
Art der erfasst Einstrahlung. So handelt es sich bei zwei Sensoren um sog. ACC‐Sensoren, die
hemisphärisch eintreffende Bestrahlungsdichte messen und bei dem dritten um einen ARC‐Sensor, der
die Strahldichte mit einem Öffnungswinkel von lediglich 7° erfasst. Er weist also im Vergleich zu den
19

eiden ACC‐Sensoren eine Richtungsabhängigkeit auf. Zusätzlich ist in einem der ACC‐Sensoren ein
Drucksensor integriert, wodurch die genaue Messtiefe erfasst werden kann. Die Genauigkeit des
Sensors ist in Nicolaus et al. (2010) mit besser als 0,025bar angegeben, was 25cm entspricht. Nach
unseren Erfahrungen liegt die Genauigkeit aber bei besser als 5cm.
Abbildung 5:Die beiden Messaufbauten für Uferferne (links) und ‐nahe Bestände (rechts) mit den in einen Käfig
montierten Sensoren und Kameras (mittig)
Die RAMSES‐Sensoren wurden zusammen mit zwei Digitalkameras in einem speziell angefertigten
Käfig montiert (Abbildung 5, Mitte) und mittels einer Kurbel über einen Auslege‐Arm in die
gewünschten Tiefen abgelassen. Trägersystem war bei ufernahen Beständen eine Spezialkonstruktion,
basierend auf dem Klappsystem bayerischer Biergartengarnituren (rechts) und bei entfernteren
Beständen ein Boot (links), welches mit Seilen gegen Abdriften gesichert wurde. Die Entfernung zum
Trägersystem betrug 3 m, womit Beschattungseffekte minimiert werden sollten. Eine Aufbauskizze ist
in Abbildung 6 zu sehen.
Abbildung 6: Graphische Darstellung der Messaufbauten mit der schematischen Darstellung von
Prozessierungs‐Schritten. Die Verarbeitung ergibt schließlich „wassersäulenkorrigierte“ Mediane, denen
bestimmte Eigenschaften eines Bestandes zugeordnet wurden(Wolf, Rößler et al. 2013)
Generelle Rahmenbedingungen, die zu beachten sind, wurden auf einem RAMSES‐Workshop an der
Limnologischen Station in Iffeldorf 2011 mit den teilnehmenden Fachleuten diskutiert. Es wurden
folgende Empfehlungen erarbeitet:
20

Kalibrierung des Drucksensors ist für jeden Messtag neu durchzuführen
Einfallswinkel der Sonne soll >30° sein
Einfallende Bestrahlungsstärke ist an der Wasseroberfläche zu messen
Reflektiertes Signal ist direkt unter der Oberfläche sowie über Seeboden zu messen
Abstand zum Pflanzenbestand am Seeboden ca. 30cm
Mindestens 20 Wiederholungsmessungen pro Tiefenstufe und Position
Integrationszeit bei den RAMSES Sensoren automatisch durch die Software regeln
Mittelwertbildung, um Intensitätsschwankungen durch Wellen zu korrigieren:
o Ausreißer aussortieren und Mittelwert berechnen
oder
o Median berechnen, da stabiler gegen Ausreißer
Messablauf: Überlegungen zur Optimierung dieser Empfehlungen führten schließlich zu folgendem
Messablauf der durchgehend abgearbeitet wurde:
Die Sensoren wurden soweit abgelassen, bis deren Abstand zur Bestandsoberfläche 20cm
Betrug.
Die Überwachung dieser Entfernung und die photographische Dokumentation des Bestandes
wurden durch eine Live‐Übertragung über eine Digitalkameras ermöglicht.
Der jeweilige Messausschnitt wird mit dem Stereo‐Aufnahmesystem (2 Canon G10
Digitalkameras mit Fernbedienung) dokumentiert.
In dieser Tiefe wurden 20 Wiederholungsmessungen durchgeführt. Dabei wurde 20x die
abwärts gerichtete Bestrahlungsstärke (E d ) und zeitgleich dazu 20x die aufwärtsgerichtete
Strahldichte (L u ) erfasst.
Durch dividieren von L u durch E d wurden 20 Reflexionsspektren (R rs ) berechnet.
Diese 20 Spektren wurden mit dem Savitzky‐Golay Algorithmus geglättet (Savitzky and Golay
1964) und daraus der Median bestimmt (dieser hat sich im Vergleich zu einem arithmetischen
Mittel stabiler gegenüber Ausreißern erwiesen).
Anschließend wurden die Sensoren nach oben, bis knapp unter die Wasseroberfläche
gekurbelt und erneut 20x gemessen.
Diese Differenz der Messung direkt über Bestand zu direkt unter der Wasseroberfläche diente
zur Charakterisierung der Wassersäule (siehe Kap. 3.1.2, AP 1100).
Der beschriebene Ablauf wurde pro Tag so oft wie möglich wiederholt, um den möglichen Einfluss des
Sonnenstandes zu ermitteln. Die beschriebene Methodik der Datenerhebung wurde im European
Journal of Remote Sensing veröffentlicht (Wolf, Rößler et al. 2013) und wird hier nur summarisch
wiedergegeben. 0zeigt den Messaufbau und schematisch die Abfolge der Datenverarbeitung. Am Ende
der Prozessierungskette stehen die korrigierten Mediane (R rs‐corr (b)), die bestimmte phänologische
Phasen einer Art repräsentieren.
3.1.2. Transparenz der Wassersäule (AP 1100)
Wie in AP 1000 erwähnt, wurde für jeden Messtag die Wassersäule charakterisiert, d.h. es wurden die
Gehalte der optisch aktiven Wasserinhaltsstoffe Chlorophyll‐a (Chl‐a), Gelbstoffe (cDOM) und
schwebende, partikuläre Stoffe (SPM) ermittelt. Hierzu wurde aus den Messungen der abwärts
gerichteten Bestrahlungsstärken unter der Wasseroberfläche (E d (0‐)) und über Bestand (E d (b)) und
dem bekannten Tiefenunterschied der beiden Messniveaus der Attenuationskoeffizient (K d ) nach
Gleichung 1 (Maritorena 1996) berechnet.
21

K d
E
ln
E
z
d
1
d
( ,
z
( ,
z
z
2
1
2
)
)
Gleichung 1: Attenuationskoeffizient (K d ) nach (Maritorena 1996)
Auf Grund eines exponentiellen Abfalls der Lichtintensität wird der natürliche Logarithmus des
Verhältnisses des Einfallenden Lichts (E d ) in beiden Tiefen (z 1 , z 2 ) berechnet und durch die Differenz
der Tiefen geteilt. Durch Invertierung von K d mit Hilfe des Programms water colour simulator
(WASI)(Gege 2004) konnten die Gehalte der oben erwähnten Stoffe bestimmt werden. Eine
Validierung mittels vergleichender Laboranalysen wurde wie geplant im Sommer 2012 im Zuge einer
Masterarbeit an den Osterseen durchgeführt (Linnemann 2013). Diese mittels WASI bestimmten
Gehalte für Chl‐a, cDOM und SPM waren die Grundlage eines wesentlichen Verarbeitungsschrittes:
der Wassersäulenkorrektur. Jeder berechnete Median (siehe AP 1000) wurde diesem Schritt
unterzogen. Dabei wurde mit Hilfe der physikalischen Modelle von (Bricaud, Babin et al. 1995, Albert
and Mobley 2003, Brando and Dekker 2003, Giardino, Candiani et al. 2012)der Einfluss von 20cm
Wassersäule zwischen Bestand und Sensorik herausgerechnet.
Mit Hilfe von Abbildung 7 und Abbildung 8 soll der Einfluss der Wassersäulenkorrektur dargestellt
werden. Abbildung 7 zeigt an Hand von in WASI simulierten Verläufen die einzelnen Einflüsse der
Wasserinhaltsstoffe auf den Attenuationsfaktor K d . Da Gelbstoffe mit Abstand den größten Einfluss
besitzen (0, links), ist bei der Invertierung von K d vor allem die Bestimmung dieses Parameters
entscheidend. Die hohe Korrelation zwischen invertierten und im Labor aus Wasserproben
bestimmten Werten erlaubt es, die angewandte Methode als robust zu bezeichnen. Im Fall von Chl‐a
ist die Korrelation zwischen invertierten und gemessenen Werten gering. SPM hat keinen Einfluss auf
den Attenuationskoeffizienten. Die Analysen der Wasserproben hinsichtlich der Bestimmung von
Gelbstoff und Chlorophyll‐a wurden gemäß den Methoden (Gege 2004) mit vorangegangener Filtration
über einen 0,4µm Cellulose‐Acetat‐Filter und der DIN Norm DIN 38412 L16 durchgeführt.
Abbildung 7:Einfluss der Wasserinhaltsstoffe Chl‐a, cDOM und SPM auf den Attenuationsfaktor K d . Spektren
wurden in WASI simuliert(Wolf, Rößler et al. 2013)
In Abbildung 8 wird ein nicht korrigiertes Spektrum (rot) mit 3 korrigierten Spektren (grün) verglichen.
Der Unterschied der korrigierten Mediane wird auf die variierenden Chl‐a Gehalte zurückgeführt.
Selbst bei halbierter bzw. verdoppelter Chl‐a Konzentration (im Vergleich zum Gehalt aus der
Invertierung) sind die Unterschiede innerhalb der korrigierten Median gering.
22

Abbildung 8: Unkorrigierter (rot) und korrigierte Mediane (grün). Unterschiedliche Muster stehen für
unterschiedliche Gehalte von Chlorophyll‐a (gepunktet: 3,35 µg/l; gestrichelt: 6,7µg/l; durchgezogen: 13,4µg/l).
Ausgehend von dem Invertierungsergebnis in WASI (6.7µg/l) wurde also zusätzlich mit der halben bzw. der
doppelten Konzentration gerechnet (Wolf, Rößler et al. 2013)
Die hier beschriebenen Schritte wurden wie auch die Messmethodik im European Journal of Remote
Sensing veröffentlicht (Wolf, Rößler et al. 2013).
Folienexperiment: Ein bisher weltweit einmaliges Experiment wurde entwickelt, um die Gehalte der
genannten Wasserinhaltsstoffe direkt aus Fernerkundungsdaten ableiten zu können. So wurden im
Sommer 2011 während zweier APEX‐Flugkampagnen (17.08. und 10.09.) jeweils eine weiße und eine
schwarze Plastikfolie an Land und im Wasser ausgelegt (Abbildung 9). Die Folien an Land dienten der
Überprüfung der Sensorempfindlichkeit und zur Atmosphärenkorrektur und maßen 16 m x 25m. Die
Folien im Wasser maßen jeweils 8 m x 50 m und wurden vom Flachwasserbereich (0,5m) bis in eine
Tiefe von 15m auf dem Seegrund ausgebreitet. Die Landfolien sowie die zeitgleich mit einem
Feldspektroradiometer des Typs ASD FieldSpek FR (Fa. ASD, 350‐2500nm) erfassten Spektraldaten
wurden von den Kollegen des belgischen Forschungszentrums VITO, den Betreibern des APEX
Hyperspektral‐Systems im Namen der ESA, für Systemüberprüfungen sowie der DLR für
Atmosphärenkorrekturen der Daten der HyMap und HySpex Systeme genutzt. An der Limnologischen
Station wurden vor allem die Untersuchungen anhand der Wasserfolien durchgeführt, die im
Folgenden beschrieben werden.
Verschiedene Simulations‐ und Invertierungsschritte mit der Software WASI (Gege 2004) bzw. dem
ENVI‐Zusatzpaket BOMBER (Giardino, Candiani et al. 2012) zeigten, dass die schwarze Folie für die
Bestimmung der Wasserinhaltsstoffe besser geeignet ist. Begründet werden kann dies damit, dass
durch die sehr dunkle Oberfläche der schwarzen Folie nahezu keinerlei Signal vom Untergrund kommt
und daher die gesamte Reflexion innerhalb der entsprechenden Pixel auf die Wasserinhaltsstoffe
zurückgeführt werden kann. Dieses Verfahren ähnelt jenem, bei dem zur Bestimmung der
Wasserinhaltsstoffe Tiefwasserbereiche herangezogen werden, da auch hier keine Signale vom
Untergrund zu erwarten sind. Allerdings sind in der Regel deutliche Unterschiede der
Stoffkonzentrationen zwischen Tief‐ und Flachwasserbereichen zu erwarten. Durch unseren Versuch
wurden also „Tiefwasserbereiche mit Gehalten aus Flachwasserbereichen“ simuliert. Abbildung 10 aus
der Publikation (Rößler, Wolf et al. 2013) zeigt Ergebnisse dieses Versuchs. Zu sehen sind die Bereiche
der beiden Folien im APEX‐Streifen vom 10.09.2011; die weiße Folie liegt nördlich der schwarzen. Die
Einfärbungen der Szenen entsprechen den Gehalten des jeweiligen Inhaltsstoffes für die einzelnen
Pixel (Chl‐a in Grün; cDOM in Gelb; SPM in Orange). Die vierte Darstellung (unten rechts) zeigt, dass
bei der Klassifizierung der Szene die schwarze Folie besser erkannt wurde als die weiße. Zu beachten
23

sind jeweils nur die mittleren Streifen. Bei einer Folienbreite von 8 m und Pixeln von 4 m des APEX
Systems bei der gewählten Flughöhe können lediglich die Mittelstreifen Streifen als frei von
Nachbarschaftseffekten betrachtet werden.
Abbildung 9: Ausschnitt aus der hyperspektralen AISA EAGLE Befliegungskampagne vom 17.08.2011, der
Zoomausschnitt zeigt die Lage der Folien. Aufgrund von Überstrahlungs‐Effekten wirkt die weiße Folie jeweils
deutlich größer.
Abbildung 10: Die vier Blöcke zeigen jeweils einen Ausschnitt aus einem APEX‐Streifen vom 10.09.2011 (Rößler,
Wolf et al. 2013). Die Farbabstufung entspricht den berechneten Gehalten von Chl‐a, cDOM und SPM und den
Klassifikationsergebnissen für den Bereich der weißen (jeweils oben) und schwarzen (unten) Folien. Relevant sind
die jeweils mittleren Streifen, da bei einer Folienbreite von 8 m und Pixeln von 4 m des APEX Systems lediglich
diese Streifen als frei von Nachbarschaftseffekten betrachtet werden können.
24

3.1.3. Einfluss des Deckungsgrades (AP 1300)
Gemeinhin kann man davon ausgehen, dass sich die biometrischen Eigenschaften eines Bestandes im
Laufe eines Messtages nicht ändern werden. Für jeden Messtag und jede Messstelle wurden die
biometrischen Parameter Bedeckungsgrad, Bestandhöhe, Feucht‐ und Trockenbiomasse sowie die
Pigmentzusammensetzung und Wuchstiefe erfasst.
Die Bedeckungsgrade der untersuchten Bestände wurden i. durch Schätzung, visuell bei den
Tauchgängen zur Probesammlung und ii. durch Auswertung der Messstellen‐Photographien bestimmt.
Für die Analyse wurde eine Unterteilung in 25%‐Stufen gewählt, die sich für eine Stratifizierung als
ausreichend erwiesen hat. Die Darstellungen in Abbildung 11 zeigen bespielhaft die Abstufungen von
Najas marinabei 0%, 50% und 100% Deckungsgrad. Die (semi‐)automatische Methode mit Hilfe der
Software Definiens Developer ist in Entwicklung.
Abbildung 11: unterschiedliche Bedeckungsgrade von Najas marina am Standort Bernried
Die Pigmentgehalte der Pflanzen wurden jeweils aus drei Pflanzenspitzen mittels Hochleistungs‐
Chromatographie bestimmt. Extraktion und Detektion folgten den Methoden des Bayerischen
Landesamts für Wasserwirtschaft (2002) bzw. Kraay (1992). Die durch die Gradienten‐Methode
hervorgerufene zeitliche Trennung der Pigmente resultiert in einem Chromatogramm, ähnlich jenem
in 0. Mit Hilfe von Standards konnten für die Pigmente Chlorophyll a, Chlorophyll b, Neoxanthin,
Violaxanthin, Lutein und beta‐Karotin deren Gehalte und Verhältnisse zueinander berechnet werden.
Abbildung 12: Chromatogramm von Najas marina der Probenahme vom 26.08.2010
Bestandshöhen und die Wuchstiefen wurden im Falle von Elodea nuttalli und Najas marina durch
Taucher ermittelt. Im Falle von Chara spp. und Potamogeton perfoliatus wurden die Größen
nachträglich aus anderen Informationen bestimmt. Die Wuchstiefen wurden aus
Pegelstandmessungen des Wasserwirtschaftsamtes Weilheim abgeleitet. Hierzu wurde der Pegelstand
des Starnberger Sees (gemessen in unmittelbarer Nähe der Versuchsflächen an der Mole in Starnberg)
25

einmalig zu den Testflächen in Bezug gesetzt und folglich konnte für jeden Messtag die Wuchstiefe
berechnet werden. Aus dieser Wuchstiefe, der aus dem Drucksensor bekannten Messtiefe und dem
Abstand von 20cm zwischen Sensorik und Bestandoberfläche wurden die Bestandshöhen abgeleitet.
Feucht‐ und Trockenbiomassen wurden lediglich für die Bestände von Elodea nuttallii und Najas
marina erfasst. Hierzu wurde an jedem Messtag durch einen Forschungstaucher eine Fläche von
0,25m² geerntet und das Pflanzenmaterial im Labor feucht und trocken gewogen. Die Trocknungszeit
zwischen den Messungen betrug 24 Stunden bei 60°.
Für Sedimentanalysen wurden an den Messstandorten mittels 30cm langer Stechrohre Proben
entnommen und zur Firma AGROLAB Labor GmbH in 84079 Bruckberg gebracht. Bestimmt wurden u.a.
die Korngrößenverteilung, die Nährstoffe und der Kohlenstoffanteil.
3.1.4. Erfassung der Spektralsignatur der Makrophyten (AP 1400)
Nachdem in den Kapiteln AP 1000, AP 1100 und AP 1300 die Datenerhebung der Spektralsignaturen,
die Korrektur der Wassersäule und die Erhebung der Biometrischen Parameter beschrieben wurden,
folgt in diesem Kapitel die Darstellung der Ergebnisse und der Einflüsse der einzelnen Größen auf das
Reflexionssignal. Das Kapitel AP 1200 ist als Pilotexperiment zu sehen und wird daher in dieses Kapitel
nicht miteinbezogen.
Die unterschiedlichen Besiedlungsdichten der Bestände spiegeln sich in deren Reflexionsspektren
wieder. 0zeigt beispielhaft die Veränderung bei Chara spp. So ähnelt das Spektrum des Bestandes bei
75%iger Bedeckung (orange) jenem mit 100%iger Bedeckung (grün), ist aber im Bereich von 550nm bis
650nm deutlich „flacher“. Dieses Erscheinungsbild wird auf den Einfluss des Sediments zurückgeführt,
das an diesem Messfleck sehr hohe Reflexionswerte aufweist und das Reflexionssignal der Vegetation
überlagert.
Abbildung 13:Unterschiedliche Bedeckungsgrade (0%, 75% und 100%) von Chara spp. (unten) mit ihren
dazugehörigen Reflexionsspektren (oben)
Die Veränderung der spektralen Signatur über eine gesamte Vegetationsperiode wirdam Beispiel
Elodea nuttallii (Abbildung 14) erläutert. Für jeden Messtag – benannt nach den Monatsnamen – sind
alle an diesem Tag durchgeführten Messungen abgedruckt. Die anfängliche Zunahme der
Bestandsdichte (von Sediment in Rot bis Vollbestand in Grün) ist wie schon im Fall von Chara spp. sehr
gut zu erkennen. Im weiteren Verlauf (Anfang August bis September) verändert sich die spektrale
Signatur kaum. In dieser Zeit haben zwar Bestandshöhe und Biomassen zugenommen, allerdings haben
diese Größen in dieser Phase der Vegetationsperiode offensichtlich keinen Einfluss auf die Signatur.
26

Dies lässt sich dadurch erklären, dass möglicherweise nur die oberste Schicht des Bestandes einen
Einfluss auf die Lichtreflexion hat. Das Pflanzenmaterial unterhalb dieser obersten Schicht hat somit
keinen Einfluss – unabhängig davon, wie hoch sein Anteil am Gesamtbestand ist. Erst am Ende der
Vegetationsperiode (Oktober) verändert sich das Spektrum abermals. Dies lässt sich auf die nun
veränderte Struktur des Bestandes zurückführen, der zu diesem Zeitpunkt zerfällt (Schräglage der
Pflanzen).
Abbildung 14: Reflexionsspektren von Elodea nuttallii (rot: Sediment, blau: leichte Bedeckung, grün: volle
Bedeckung) von Mai bis Oktober inklusiver dazugehöriger Photographien (in Klammern: Bestandsstruktur)(Wolf,
Rößler et al. 2013)
Ausgehend von den Ergebnissen der Spektralmessungen und Beobachtungen der Biometrie, konnten
für jede der vier Makrophytenarten je 4 phänologische Phasen definiert werden (Tabelle 1): (0)
unbedecktes Sediment, (1) Bestand im Aufbau, (2) Vollbestand und (3) Bestand im Zerfall.
Tabelle 1: Die phänologischen Phasen der untersuchten Makrophyten, inklusiver der jeweiligen biometrischen
Größen.
Die entsprechenden biometrischen Parameter Bedeckungsgrad, Bestandshöhe und Feuchtbiomasse
sind mit aufgeführt. Die Farbverteilung orientiert sich an jener von Abbildung 14. Im Falle von
erkennbaren Änderungen innerhalb einer dieser Hauptphasen, wurden diese weiter unterteilt und
durch eine fortlaufende Nummerierung gekennzeichnet. Bei der Auswertung von
Fernerkundungsdaten über die im Konzept vorgesehene Invertierung der physikalischen Modelle (Kap.
0) unterstützt diese Typisierung die Erstellung der Datenbanken‐Abfrage. Darüber hinaus ist sie ein
27

Bindeglied zu den regionalen Wuchsmodellen, die im Vorhaben BayForKast an der Limnologischen
Station entwickelt wurden und die „a‐priori“ Startposition der Modellierung einengt.
Abbildung 15 zeigt, dass die gleiche Art – in diesem Fall erneut Elodea nuttallii – unterschiedliche
spektrale Signaturen aufweisen kann, sobald sie in einem anderen See wächst. Diese Unterschiede
können jedoch erklärt werden: Die Aufnahme zum Starnberger See zeigt eindeutig eine Beeinflussung
des Bestandes durch organische bzw. Sedimentauflage.
Abbildung 15: Reflexionsspektren von Elodea nuttallii vom Starnberger See und Tegernsee. Die Überlagerung des
Bestandes am Starnberger See durch Sediment ist sowohl auf der Photographie als auch am Spektrum deutlich
zu erkennen
Dass es sich in diesem Fall nahezu ausschließlich um die Überlagerung durch Sediment handelt, haben
Berechnungen ergeben, bei denen es gelang, das Spektrum des Starnberger Sees mit Hilfe des
„unbeeinflussten“ Spektrums des Tegernsees und einem Sedimentspektrum zu simulieren. Im
Rückschluss heißt das, dass aus einem Spektrum, welches sowohl von Pflanzen‐ als auch von
Sedimentsignal beeinflusst ist, der Sedimentanteil bestimmt werden und die zu Grunde liegende
Pflanzenart bestimmt werden kann. Dies ist allerdings nur möglich, sofern das Pflanzensignal eindeutig
ist, also einer bestimmten phänologischen Phase einer Art zuzuordnen ist. Trotz oder wegen dieser
spektralen Varianzen innerhalb einer Art, weisen die Arten untereinander zu manchen Zeitpunkten im
Jahr deutliche Unterschiede auf. 0zeigt Mediane und Standardabweichungen (berechnet aus je 20
Wiederholungsmessungen) der vier untersuchten Arten Ende August 2011. Obwohl die RAMSES‐
Sensoren den Wellenlängenbereich zwischen 320nm und 950nm erfassen, wurden die Spektren bei
400nm und 700nm zugeschnitten. Dies liegt an zu geringen Signal‐Rausch‐Verhältnissen in diesen
Bereichen und wird auch von anderen Autoren praktiziert(Armstrong 1993, Pinnel 2007).
28

Abbildung 16:Reflexionsspektren von Chara spp. (blau), Najas marina(magenta), Elodea nuttallii(grün) und
Potamogeton perfoliatus(rot).
Die Pigmentzusammensetzungen sind an den Verläufen der Reflexionskurven durchaus erkennbar. Im
Falle der Sedimentspektren ist die Anwesenheit von Chlorophyll‐a und anderen Pigmenten im Rahmen
von organischen Bestandteilen bzw. Auflagen durch Mulden an den jeweiligen Absorptionsmaxima
erkennbar. Vor allem am rechten Spektrum in Abbildung 17 kann man die Vertiefungen bei 430nm,
500nm, 570nm, 620nm und 680nm deutlich erkennen und vermutlich den Pigmenten Chlorophyll‐a,
den Karotinoiden, Phycoerythrin, Phycocyanin und erneut Chlorophyll‐a zusprechen. Selbiges Prinzip
gilt für die Vegetationsspektren, wo höhere Gehalte an Chlorophyllen und Karotinoiden zu stärkeren
Absorptionen im blauen und roten Spektralbereich führen und so ein klassisches Vegetationssignal
erzeugen. Ein im Zuge des Zerfalls eines Bestandes absinkendes Chl‐a/Karotinoide‐Verhältnisses führt
zu einer relativen Erhöhung der Reflexion zwischen 550nm und 650nm (Abbildung 14, Oktober).
Allerdings könnte dieser Effekt auch durch die sich ändernde Bestandstruktur (stehend zu liegend)
erklärt werden. Letztendlich ist dieser spezielle Zusammenhang bisher lediglich für Elodea nuttallii
erfasst worden.
Den unbewachsenen Sedimenten sind auf Grund unterschiedlicher organischer Gehalte oder Auflagen
zum Aufnahmezeitpunkt auch unterschiedliche Reflexionsspektren zuzuordnen (Abbildung 17). So
führen höhere organische Gehalte möglicherweise a) zu insgesamt geringeren Intensitäten und b) zu
tieferenMulden an den Absorptionsbereichen der anwesenden Pigmente. Allerdings lässt sich dies
nicht mit den Ergebnissen der Laboranalysen der Firma AGROLAB Labor GmbH vergleichen, da die
Probennahmen nicht zeitgleich zu den Spektralmessungen stattfanden. Im Falle der Nährstoffgehalte
ist ohnehin nicht damit zu rechnen, sie spektral zu erfassen. Interessant ist aber, dass an all jenen
Standorten, an denen Elodea nuttallii präsent ist, der Gehalt an Gesamtphosphor 0,05% oder mehr
beträgt. An Standorten ohne Elodea nuttallii betragen die Gehalte weniger als 0,05%. Diese Tendenz
basiert auf insgesamt 24 Proben, genommen zwischen 2009 und 2011 am Starnberger See bzw.
Tegernsee.
29

Abbildung 17: Reflexionsspektren von Sedimenten verschiedener Messstandorte
Ein direkter Einfluss von Sonnenstand, Wuchstiefe, Hangneigung und Exposition auf die spektrale
Signatur konnte nicht belegt werden. Eine indirekte Abhängigkeit von der Wuchstiefe besteht aber
möglicherweise durch die unterschiedliche Ausprägung (Dichte, Höhe) eines Bestandes in größeren
Tiefen. Da dies an unseren Testflächen aber auch an unterschiedlich starker mechanischer
Beeinflussung durch Wellen, der Hangneigung, dem Badetourismus oder dem Fraßdruck durch
Wasservögel geschuldet sein kann, lassen sich keine eindeutigen Schlussfolgerungen ziehen.
Der aufgeführte Aquarien‐Versuch zu Ermittlung des Einflusses von Aufwuchs ergab leider keine klaren
Erkenntnisse. Dieser Gesichtspunkt konnte also im Zuge des Projektes nicht genauer untersucht
werden.
Zum Einfluss der Temperatur auf das Pflanzenwachstum kann generell formuliert werden, dass höhere
Wassertemperaturen das Wachstum begünstigen. Eine Mindesttemperatur von ca. 10°‐15° ist dabei
die Voraussetzung für alle Pflanzen. Genauere Untersuchungen, die im Rahmen des BayForKAST‐
Projektes an der Limnologischen Station durchgeführt wurden, ergaben für die Art Najas
marinaspezielle Anforderungen. So muss für die Keimung eine Temperatur von 15° und für die
Samenbildung eine Temperatur von 20° vorliegen. Über welchen Zeitraum diese Temperaturen
allerdings anhalten müssen, ist noch nicht vollständig geklärt.
3.1.5. Entwicklung von Wachstumsmodellen für Makrophyten (AP 1500)
Das Wachstums‐/Reflexionsmodell wurde mit der Statistik‐Software R (Version 2.15.3) erstellt. Hierzu
wurde zunächst eine große Tabelle angelegt, in allen Spektralmessungen die
entsprechendenbiometrischen Daten zugeordnet wurden. Demnach ist die Tabelle wie folgt
aufgebaut:
Anzahl Zeilen: 305
Anzahl Spalten: 317
In jeder Zeile ist eine Spektralmessung mit zugehörigen Daten abgespeichert. In den Spalten sind der
Reihe nach folgende Daten abgespeichert:
See
Standort
STA (Starnberger See), TEG (Tegernsee)
Mole1, Mole2, Mole3, Bernried, Ringseebucht
30

Datum
Uhrzeit
Untergrund
Untergrund Kürzel
JJJJ_MM_TT
hh‐mm‐ss
Sediment, Chara_spp., Potamogeton_perfoliatus, Elodea_nuttallii,
Najas_marina
P (Pflanze), S (Sediment), PS (Pflanzen‐Sediment‐Mischung),
W (Wasser), PW (Pflanze‐Wasser‐Mischung)
0, 25,50,75,100 (in %‐Anteil Pflanze)
X,xx (in Metern)
X,xx (in Metern)
X,xx (in Metern)
X,xxx (in Kilogramm/0,25m²)
X,xxx (in Kilogramm/0,25m²)
Phase_YY_X.X(wobei ‚YY‘ für die jeweilige Art und ‚X.X‘ eine Zahl ist)
Bedeckungsgrad
Messtiefe
Bestandshöhe
Wuchstiefe
Feuchtbiomasse
Trockenbiomasse
Phänologische Phase
Nährstoffversorgung
im Sediment Tendenz: P ges >= 0,05 oder Tendenz: P ges = 0,05 [%]; ; ; 0,001037405; 0,001064557; …; 0,0079108; 0,0081262;
Das Spektrum wurde also am Starnberger See an der Mole am 26. Juli 2011 um 14:46:30 Uhr
aufgenommen. Es handelt sich um einen Bestand von Elodea nuttallii ohne Sedimenteinfluss. Der
Bedeckungsgrad war 100%, die Messtiefe betrug 57cm, die Höhe 90cm und die Wuchstiefe 1,81m. Die
Feucht‐ und Trockenbiomasse waren 2,087kg bzw. 0,144kg. Dies ergibt einen Wassergehalt von ca.
93% (nicht abgespeichert). Die Pflanze befand sich zu diesem Zeitpunkt in ihrer dritten phänologischen
Phase. Der Gesamtphosphorgehalt im Sediment beträgt tendenziell mehr als 0,05%. Die Spalten
„Wassertemperatur“ und „Bemerkungen“ haben hier keinen Eintrag.
Basierend auf dieser Tabelle wurde ein Klassifikationsverfahren entwickelt, bei dem ein zu
bestimmendes Spektrum stufenweise klassifiziert wird. So wird das Spektrum im ersten Schritt (Ebene
a) zunächst einer der Gruppen S, P, PS, W oder PW zugeordnet. Treten die Fälle S oder W ein, bricht
die Klassifikation ab, da das Spektrum als Sediment oder Wasser ausreichend klassifiziert ist. Bei einer
Zuordnung in PS oder PW, ist eine Entmischung in die Komponenten Pflanze und Sediment bzw.
Wasser angedacht, um die beteiligte Pflanzenart zu identifizieren. Allerdings ist dieser Schritt noch
nicht integriert. Wird das Spektrum der Klasse P zugeordnet, geht die Klassifikation eine Ebene tiefer
(Ebene b). So werden in diesem Fall alle Einträge der Tabelle, die in der Spalte „Untergrund_Kürzel“
ein „P“ haben, herausgefiltert und in eine neue Bibliothek überführt. Da es sich bei allen neuen
Einträgen um Pflanzenspektren handelt, ist auch für jeden Eintrag in der Spalte „Untergrund“ ein
Pflanzenname („Chara_spp.“, „Potamogeton_perfoliatus“, „Elodea_nuttallii“ oder „Najas_marina“) zu
finden. Daher erfolgt in diesem Klassifikationsschritt die Zuordnung des Spektrums zu einer
Pflanzenart. Nachdem das Spektrum einer bestimmten Art zugewiesen ist, erfolgt eine erneute
Präzisierung (Ebene c). Wurde das Spektrum beispielsweise der Art Najas marina zugeordnet, werden
aus der Ursprungstabelle alle Einträge neu zusammengefasst, die in der Spalte „Untergrund“ die
Bezeichnung „Najas_marina“ tragen. All diese Einträge können durch die Spalte
„Phänologische_Phase“ einer phänologischen Phase zugeordnet werden. Somit wird das zu
31

klassifizierende Spektrum in diesem dritten Schritt einer bestimmten Phase zugordnet. Ist dies
vollzogen, werden die dazugehörigen Parameter abgefragt. Wurde das Najas marina Spektrum
beispielsweise der Phase „Phase_Nm_2“ zugeordnet, so werden alle Zeilen der Tabelle mit den
Einträgen „Najas_marina“ (in Spalte „Untergrund“) und „Phase_Nm_2“ (in Spalte
„Phänologische_Phase“) zusammengefasst. Dann werden aus allen entsprechenden Zeilen die Werte
für „Bedeckungsgrad“, „Bestandshöhe“, „Wuchstiefe“, „Feuchtbiomasse“ und „Trockenbiomasse“
spaltenweise gemittelt und ausgegeben. Zusätzlich werden die „Nährstoffversorgung im Sediment“,
Informationen zur „Wassertemperatur“ und eine „Bemerkung“ (letzten beiden falls vorhanden)
angezeigt. Testläufe mit je 1000 Wiederholungen haben im Mittel zu folgenden Genauigkeiten geführt:
Zuordnung zu in S, P, PS, PW oder W (Ebene a):
Zuordnung zu einer Art (Ebene b):
Zuordnung zu einer Phänologie (Ebene c):
bei Chara spp.:
bei Potamogeton perfoliatus:
bei Elodea nuttallii:
bei Najas marina:
70% korrekte Zuordnung
82% korrekte Zuordnung
91% korrekte Zuordnung
89% korrekte Zuordnung
79% korrekte Zuordnung
76% korrekte Zuordnung
3.1.6. Richtungsabhängigkeit der Rückstreuung (AP 1200)
Die Richtungsabhängigkeit der Rückstrahlung wird, wie auch die spektrale Reflexion, als
Grundeigenschaft von Oberflächentypen angesehen. Die Schwankungsbreite dieser Eigenschaft reicht
von „spiegelnder“ Reflexion bis hin zu richtungsunabhängiger, „diffuser“ Reflexion (Lambert
Charakteristik. Die Oberflächen des natürlichen Umfeldes zeigen eine Reflexionscharakteristik
zwischen diesen beiden Extremen. Kenntnisse über die Richtungsabhängigkeit der zu untersuchenden
Oberflächentypen sind notwendig, um Fernerkundungsdaten, die mit von der Senkrechten
abweichenden Aufnahmerichtungen korrigieren zu können. Gelingt es, die Richtungsabhängigkeit über
die Fernerkundungsdaten zu quantifizieren, erschließt sich eine weitere, weitestgehend unabhängige
Informationsquelle, die zur Charakterisierung und Zuordnung des Oberflächenelements genutzt
werden kann.
Die Untersuchung der Richtungsabhängigkeit wurde wie geplant im Sommer/Herbst 2012
durchgeführt. Hierfür wurde ein eigens konstruiertes Goniometer verwendet (Abbildung 18, a und b),
welches erstmalig im Jahre 2004 im Rahmen einer Tagung in Frascati der Wissenschaftsgemeinde
vorgestellt wurde (Schneider, Zimmermann et al. 2004). Erstmalig wurde hier das Prinzip der
„eingeschriebenen“ Winkel für die Messkopfausrichtung genutzt. Damit bleibt das Messfeld für jede
Blickrichtung nahezu gleich groß. Grundsätzlich werden hier die abwärts gerichtete Bestrahlungsstärke
(E d ) und die aufwärts gerichtete Strahldichte (L u ) erfasst (Abbildung 18, c und d), wobei die
Blickrichtung des L u ‐Sensors variiert. Die einzelnen Messpositionen des Sensors folgten dem Raster in
Abbildung 18, f Das Messschema wurde von Schneider et al., 2007a übernommen. Die Dokumentation
der Testflächen erfolgte auch hier mit Digitalkameras in Stereoausrichtung (Abbildung 18, e). Neben
der in der Fernerkundung standardmäßig durchgeführten, bzw. angenommenen senkrechten
Blickrichtung (NADIR), wurde aus 23 weiteren Blickrichtungen gemessen. Durch den Abgleich dieser
Messungen zu jener in NADIR‐Position, können Faktoren bestimmt werden, um die Signale „schief“
blickender Fernerkundungssensoren korrigieren zu können.
Die richtungsabhängigen Messungen wurden über zwei Testflächen durchgeführt. Einerseits über
einem Schilfbestand in Iffeldorf, um die Vergleichbarkeit mit anderen Goniometern aus der Literatur
(Sandmeier, Middleton et al. 1998, Beisl 2001, Camacho‐de Coca, Gilabert et al. 2001) gewährleisten
zu können; andererseits über der Chara spp. Testfläche an der Mole Starnberg, um die Effekte auf
Wasserflächen zu erfassen. In Abbildung 19ist die Verteilung der Rücksteuintensitäten als ANIF‐Index
für Phragmites australis (Land) und Chara spec. (Wasser)dargestellt ist. Für Schilf ist die typische
Rückwärtsstreu‐Charakteristik zu sehen. Der Unterwasser Characeen‐Rasen hingegen zeigt
32

ausgeprägte Vorwärtsreflexion, was auf Grenzflächen‐Phänomene wie spiegelnde Reflexion an der
Wasseroberfläche zurückgeführt wird (Maxima maskiert).
Das beschriebene Verfahren und die Ergebnisse wurden in Wolf et al. (2013) publiziert.
Abbildung 18: Das auf dem Autodach eines Land Rover Defenders montierte Goniometer (Ausschnitte a) und b))
mit den RAMSES‐Sensoren für die Referenz‐ (Ausschnitt c)) und Reflexionsmessungen (Ausschnitt d). In den
Ausschnitten e) und f) sind die Digitalkameras und das Messraster dargestellt (Wolf, Rößler et al. 2013)
Abbildung 19: Graphen der Verteilung der Rücksteeuintensitäten dargestellt als ANIF‐Index für Phragmites
australis (Land) und Chara spec. (Wasser). Für Schilf ist die typische Rückwärtsstreuung zu sehen. Der
Unterwasser Characeenrasen hingegen zeigt ausgeprägte Vorwärtsreflexion, was auf Grenzflächen‐
Phänomene wie spiegelnde Reflexion an der Wasseroberfläche zurückgeführt wird (Maxima maskiert).
33

3.2. Auswertung der FE‐Daten (AP 2000), Teil 2
Das Kapitel befasst sich mit der Übertragung der Information des Wachstumsmodells auf die Fläche
durch die Auswertung von FE‐Daten anhand der „a‐priori“ Information des gekoppelten
Reflexions/Wachstumsmodells und deren Einbindung in bio‐optische Modelle. Eine detailliertere
Darstellung der Einzelergebnisse der Arbeitspakete dieses Kapitels können in der Dissertationsschrift
von Sebastian Rößler (2013) nachgelesen werden.
3.2.1. Datengrundlage
Die flugzeugbasierten hyperspektralen Fernerkundungsdaten wurden 2010 und 2011 aufgenommen.
Da hierfür drei verschiedene Systeme zum Einsatz kamen, soll anhand der 0deren technische
Spezifikation erläutert werden.
Abbildung 20: Schematische Darstellung der technischen Spezifikation der für die Aufnahmen relevanten
Sensorgeometrie
Abhängig von der Flughöhe (Flight altitude) und dem durch die Optik festgelegten Öffnungswinkel
(Field of View – FOV) wird ein Streifen mit einer gewissen Breite (Swath width) aufgenommen. Die
Anzahl der Sensorpixel definiert dabei die Größe der Pixel am Boden (Ground Sampling Distance –
GSD). In Tabelle 1 ist neben den oben definierten Größen auch die Anzahl der spektralen Bänder für
den für die Gewässerfernerkundung nutzbaren Spektralbereich bis 800 Nanometer angegeben.
Generell steigt die Informationsdichte mit der Anzahl spektraler Bänder (spektrale Auflösung) sowie
mit kleiner werdender Pixelgröße (geometrische Auflösung).
Tabelle 1: technische Spezifikation der genutzten hyperspektralen Aufnahmesysteme
Sensor HyMap AISA APEX
Date 22.08.2010 17.08.2011 10.09.2011
GSD [m] 4.0 0.8 0.4 4.0
FOV [°] 45° 68.6° 68.6° 28°
Altitude [m] 2 490 600 300 4 900
Swath width [m] 2 048 820 410 2 443
Spectral bands (< 800 nm) 22 87 44 80
Durch die unterschiedlichen Sensorspezifikationen wurden nicht immer dieselben Gebiete
aufgenommen, der Sensor AISA wurde in zwei verschiedenen Höhen geflogen mit einer resultierenden
Pixelgröße am Boden von 40 bzw. 80 cm (Abbildung 21).
34

Abbildung 21: Abdeckung des Westufers des Starnberger Sees durch die Sensoren HyMap, AISA und APEX
Multisaisonale Aufnahmen konnten 2011 durch die Aufnahmesysteme AISA und APEX erzielt werden.
Die erste Befliegung erfolgte mit einem Ultraleichtflugzeug der Firma OHB Systems AG aus Bremen mit
dem Hyperspektralsensor AISA EAGLE am 17.08.2011 in 2 Flughöhen. Des Weiteren fand am
10.09.2011 eine weitere Befliegung der Firma VITO (Belgien) mit dem neuen Hyperspektralsensor
APEX (Airborne Prism EXperiment) statt. Der Sensor APEX deckt einen spektralen Bereich von 0,4 bis
2,5 µm ab und hat je nach Einstellung 1 313‐500 spektrale Bänder, das Sichtfeld beträgt 28°, das
Westufer des Starnberger Sees konnte deshalb mit zwei Flugstreifen abgedeckt werden (Abbildung
21), die Bodenauflösung beträgt 4 Meter.
Neben den spektral hochauflösenden Flugzeugdaten wurden im Jahr 2011 auch zahlreiche
multispektrale Satellitendaten mit dem Satellitenverbund RapidEye aufgenommen. Die Aufnahmen
erfolgten im Rahmen des RapidEye Science Archives (RESA) Projektes Nr. 455 und umfassen zwei
Aufnahmefenster. Neben den oberbayerischen Seen mit einem Schwerpunkt auf den Starnberger See
(47°55’N, 11°19’O) wurde ein Aufnahmefenster in Mecklenburg‐Vorpommern gelegt (Abbildung 22).
Dieses Gebiet ist eine europäische Testfläche der European Space Agency (ESA) und es werden
zahlreiche ground truth und Kalibriermessungen für verschiedenste Umweltbeobachtungssatelliten
durchgeführt. In diesem Gebiet liegt der Kummerower See (53°48’N, 12°52’O), der wie der Starnberger
See glazialen Ursprungs ist (Fesq‐Martin, Lang et al. 2008), aber in einem vollkommen anderen und
stark landwirtschaftlich geprägtem Naturraum liegt.
1
Die gewählte Anzahl der Kanäle ist abhängig von der Menge der einfallenden Strahlungsenergie. Kleinere Pixel
am Boden reflektieren eine geringere Energiemenge als größere Flächen, damit muss für ein stabiles Signal die
Bandbreite erhöht werden.
35

Abbildung 22: Lage der Aufnahmefenster für RapidEye und Zoomausschnitt auf die beiden Seen(Rößler, Wolf et
al. 2012)
Tabelle 2 gibt einen Überblick über erfolgte Aufnahmen von RapidEye im Jahr 2011, die Daten wurden
entweder für dieses Projekt (455) aufgenommen, oder Daten anderer Projekte im RESA
Forschungsverbund konnten genutzt werden. Es wurden bevorzugt Datensätze bearbeitet zu denen
möglichst zeitgleich Geländemessungen stattfanden (Rößler, Wolf et al. 2012, Rößler, Wolf et al. 2013).
Tabelle 2: Aufnahmezeitpunkte von RapidEye
Kummerower See
Starnberger See
22.03.2011
07.04.2011
21.04.2011
29.04.2011
05.05.2011 06.05.2011
21.05.2011 20.05.2011
04.06.2011 25.05.2011
28.06.2011
04.07.2011
16.07.2011 16.07.2011
26.07.2011
14.08.2011
26.08.2011 20.08.2011
03.09.2011
24.09.2011 16.09.2011
18.10.2011
36

3.2.2. Atmosphärenkorrektur der FE‐Daten (AP 2100)
Beim Umgang mit Fernerkundungsdaten spielt neben der Reflexion der Oberfläche – die einen
interessiert – auch immer die Atmosphäre und ihre Bestandteile eine wichtige Rolle. Diese zusätzliche
Strahlungsquelle (diffuse Himmelsstrahlung) kann als additiver Term in einer Gleichung 2 dargestellt
werden (L bezeichnet die Strahlungsflussstärke):
L
total
L
Oberfläche
L
Atmosphäre
Gleichung 2: Strahlungsbilanz bei Auswertung von FE‐Daten
Abbildung 23 zeigt das Ergebnis einer Atmosphärenkorrektur mit der Empirical Line Methode. Der
Graph links unten ist die Top‐Of‐Atmosphere (TOA) Reflexion, die eine Normalisierung der
Beleuchtungsgeometrie und Entfernung zur Sonne bewirkt. Das nach einer Korrektur resultierende
Reflexionsspektrum über tiefem Wasser (rechts unten) entspricht einer typischen
Wasserreflexionskurve.
.
Abbildung 23: RapidEye Subset Bernrieder Park vom 03.09.2011, links ohne Atmosphärenkorrektur, rechts nach
EL‐Atmosphärenkorrektur, zugehörige Reflexionsspektren von optisch tiefem Wasser unten (0.08 = 8%)
Die Größe dieser zusätzlichen Strahlungsquelle hängt vom Wasserdampf, von Aerosolen, von der
molekularen Rayleigh‐Streuung und von kondensiertem Wasser in der Luftsäule zwischen
Erdoberfläche und Sensor ab. Bei den geringen reflektierten Strahlungsintensitäten der
37

Gewässerfernerkundung – nur etwa 2 bis 6 % werden reflektiert (Dekker, Brando et al. 2001) – ist die
Korrektur dieser störenden Einflüsse ein besonders kritischer Bereich. Eine herkömmlich benutzte
Methode der Atmosphärenkorrektur ist das Programm ATCOR (Richter 1996), das auf dem
atmosphärischen Transfermodell MODTRAN beruht. Für jeden Sensor werden dabei mögliche
atmosphärische Zustände simuliert, die als Datenbank hinterlegt und mit aus dem Bild gewonnenen
Referenzspektren verglichen werden. Pro Pixel des zu korrigierenden Bildes werden dann individuelle
Korrekturfunktionen berechnet. Diese Form der Atmosphärenkorrektur wurde standardmäßig für die
hyperspektralen Befliegungskampagnen 2009 und 2010 mit dem Sensor HyMap durchgeführt. Ein
Vergleich mit vor Ort gemessenen Reflexionen zeigte allerdings eine zu hohe Abweichung besonders
im Wasser. Für die Satellitendaten wurde zudem das Programm FLAASH getestet. Als am besten
geeignete Methode zeigte sich die Anwendung der Empirical Line Atmosphärenkorrektur (Marsh and
Lyon 1980). Dabei wird an ortsfesten und zeitlich gleichbleibenden Oberflächen die Reflexion
gemessen und mittels linearer Regression Korrekturfunktionen für alle anderen im Bild
vorkommenden Pixel‐Grauwerte gebildet. Dabei müssen möglichste helle und dunkle Referenzflächen
gesucht werden, die eine optimale Abdeckung aller vorkommenden Grauwerte beinhalten. Im Falle
des Starnberger Sees waren dies Kieswerke, geteerte Parkplätze und Wiesen (letztere nicht gut
geeignet da zeitlich variabel). Die hyperspektralen AISA Daten wurden ebenfalls mit der Empirical Line
Methode atmosphärenkorrigiert
Mithilfe von in situ Messungen der abwärtsgerichteten Bestrahlungsstärke (E d (0+)) über Wasser (die
stets zusätzlich zu den RAMSES Messungen unter Wasser durchgeführt wurden) konnten für alle
Messzeitpunkte 2011 die Atmosphärenparameter mit dem Programm WASI (Gege 2004) bestimmt
werden. Die neueste Version dieses Programms (Gege 2012) beinhaltet ein Atmosphärenmodell dass
die Trennung zwischen direkter und diffuser Strahlung erlaubt (Gregg and Carder 1990). Ausgehend
von den Ergebnissen der Invertierung konnten typische Aerosoleigenschaften (z.B. Ångström
Exponent), Ozonkonzentrationen und Wasserdampfgehalte für den Starnberger See bestimmt
werden. Anhand einer einfachen Atmosphärenkorrektur, entwickelt für „ältere“ Sensoren zur
Wasserinhaltsstoffanalyse (z.B. SeaWIFS, CZCS), wurden RapidEye Daten mithilfe dieser gewonnen
Atmosphärenparameter für die weitere Bearbeitung vorbereitet (Rößler, Wolf et al. 2013).
In Abbildung 24 ist das Ergebnis der Atmosphärenkorrektur im Vergleich zu in situ Messungen mit
RAMSES Spektroradiometern dargestellt. Insbesondere zeigt sich, dass die Reflexion einer Testfläche
von Najas marina in 3 Meter Tiefe nur sehr gering höher ist als die der korrespondierenden
Tiefwasserreflexion (abhängig vom Gehalt an Wasserinhaltsstoffen).
38

Abbildung 24: Vergleich der Reflexion über Najas marina in 3 Meter Tiefe (unten) und Tiefenwasserreflexion
(oben) des gleichen Gebietes. Grau ist das hyperspektrale RAMSES Spektrum, rot der Mittelwert der RAMSES
Messungen skaliert auf die spektrale Auflösung von RapidEye und schwarz das aus dem Bild gewonnenen
Spektrum nach Atmosphärenkorrektur (Rößler, Wolf et al. 2013)
3.2.3. Winkelabhängigkeit des Reflexionssignals (AP 2200)
Die Richtungsabhängigkeit und Variabilität der Reflexion aufgrund Veränderungen der Beleuchtungsund
Beobachtungsgeometrie ist bei der Gewässerfernerkundung sehr viel schwieriger zu beschreiben
als bei der Landfernerkundung. Dort hängen die Intensität der eintreffenden Strahlung und damit der
Gesamtanteil der Reflexion lediglich vom Sonnenzenithwinkel, von der geographischen Lage und der
Entfernung zwischen Erde und Sonne ab. Eine Normalisierung der Daten für Vergleiche untereinander
erfolgt mit einfachen Berechnungen mit in den Metadaten aufgeführten Informationen. Die Korrektur
erfolgt dabei hin zu einem hypothetischen Zenithwinkel – sowohl bei der Beobachtung (Sensor steht
direkt über dem Objekt), als auch bei der Beleuchtung (Sonne steht senkrecht).
Bei der Gewässerfernerkundung ist der Übertritt der Strahlung in das Wasser erst der Anfang, der
Zenithwinkel der eintreffenden Strahlung ändert sich im Wasser. Durch den von der Luft
unterschiedlichen Brechungsindex des Wassers (1.34 bei Wasser, 1 bei Luft) findet eine Brechung zum
Lot hin statt (beschrieben durch das Gesetz von Snell, siehe Abbildung 25).
39

Abbildung 25: Verlauf des Sonnenzenithwinkels über und unter Wasser
Zudem wird – abhängig wiederum von Sonnenzenithwinkel – ein Teil der Strahlung direkt an der
Wasseroberfläche reflektiert. Der Anteil der Strahlung, der unabhängig von spiegelnder Reflexion
reflektiert wird, wird als Fresnel‐Reflexion beschrieben und beträgt etwa 2%.
Bei RAMSES Messungen die im Rahmen einer Masterarbeit zur Bestimmung optisch aktiver
Wasserinhaltsstoffe an den Osterseen durchgeführt wurden, wurden Reflexionsmessungen sowohl
direkt unter der Wasseroberfläche, als auch direkt darüber durchgeführt. Bei den Messungen über der
Wasseroberfläche konnte ein mit abnehmender Wellenlänge potentiell ansteigender Anteil von direkt
gespiegelter Himmelsstrahlung (sog. sunglint oder glint) festgestellt werden. In Abbildung 26ist die
über der Wasseroberfläche gemessene Reflexion für 309 Einzelmessungen dargestellt (links:
gemessene Reflexionsspektren; rechts: Reflexionsspektren nach sunglint‐Korrektur). Diese Form des
Einflusses wurde von Kutser et al. (2013)beschrieben und konnte mit unserem Messungen quantitativ
bestätigt werden.
Abbildung 26: Darstellung gemessener Reflexionsspektren über den Osterseen (links) und nach Korrektur der
Oberflächenreflexion der Himmelsstrahlung (rechts)
Nachdem der eventuelle Anteil von sunglint beseitigt wurde muss noch der Strahlungsverlust nach
Eintritt in das Wasser sowie die Reflexion der aufwärtsgerichteten Strahldichte an der Luft‐Wasser‐
Grenzfläche berücksichtigt werden. Um diese Veränderung der Strahlungsübertragung unter Wasser
40

zu berücksichtigen, erfolgt eine Umrechnung der Reflexion über Wasser (R rs (0+)), die der Sensor
aufnimmt, auf die Reflexion direkt unter der Wasseroberfläche (r rs (0‐)) mit einer Näherungsformel von
Lee et al. (1998, 1999)(Gleichung 3):
r
rs
Rrs
0.518
1.562R
Gleichung 3: Umrechnung der Reflexion über Wasser (R rs (0+)) auf die Reflexion direkt
unter der Wasseroberfläche (r rs (0‐)) nach Lee et al. (1998, 1999):
Neben der Variabilität des Sonnenzenithwinkels muss bei Fernerkundungssensoren auch der
Beobachtungszenithwinkel des Sensors berücksichtigt werden. Die RapidEye Satelliten besitzen die
Möglichkeit sich für die Aufnahmen ± 30° quer zur Flugrichtung zu drehen (sog. accros track off‐nadir
pointing capability). Um zu messen, welche Auswirkungen off‐nadir Aufnahmen auf das
Reflexionssignal haben, wurden 2012 mithilfe eines mobilen Goniometers Reflexionsmessungen
sowohl über flachem Wasser, als auch über Schilf gemacht und Korrekturfaktoren bestimmt. Die
Ergebnisse sind in Wolf et al. (2013) dargestellt, der Messaufbau ist im Kapitel 3.1.6 beschrieben.
Neben den Auswirkungen der Beobachtungs‐ und Beleuchtungsgeometrie auf das oben beschriebene
Lichtfeld über Wasser, hat sowohl der Zenithwinkel der Sonne, als auch der des Sensors einen
entscheidenden Einfluss bei der Parametrisierung der verschiedenen Attenuationen und der
Tiefenwasserreflexion. Die für dieses Projekt genutzte Parametrisierung basiert auf dem von Albert &
Mobley (2003) für den Bodensee erstellten Modell und ist gleichfalls für den Starnberger See gültig.
rs
3.2.4. Korrektur der Wassersäule(AP 2300)
Die Charakterisierung der Wassersäule ist der kritischste Faktor bei diesem Projekt. Innerhalb der
Wassersäule findet eine Beeinflussung des Strahlungsflusses durch Absorption, Streuung und
Rückstreuung (Streuung hin zum Sensor) statt. Streuung erfolgt dabei vor allem durch unterschiedliche
Gehalte an Schwebstoffen (SPM, organisch und anorganisch), Absorption durch Gelbstoffe (Humine,
auch cDOM genannt), Wasser und Phytoplankton. Die im gesamten Wasserkörper stattfindende
Absorption und Streuung – wiederum bestimmt durch die Konzentration der oben genannten
lichtbeeinflussenden Stoffe – wird als inhärente optische Eigenschaft (inherent optical property – IOP)
der Wassersäule bezeichnet.
Diese IOPs lassen sich nicht direkt aus den Fernerkundungsdaten ableiten, da sie wiederum abhängig
sind von der Beleuchtungs‐ und Beobachtungsgeometrie. Was daraus resultiert sind die ersichtlichen
optischen Eigenschaften (apparent optical properties – AOPs). Diese beschreiben die Reflexion über
optisch tiefem Wasser (R ∞ ), die Strahlungsdurchlässigkeit der Wassersäule (Transmission) bzw. deren
Abschwächung (Attenuation). Um aus AOPs die IOPs zu bestimmen existieren verschiedene Ansätze.
Für hyperspektrale Bildanalysen im Flachwasser kommen hauptsächlich bio‐optische Modelle zum
Einsatz. Die Gleichung 4 zeigt das allgemein gültige Strahlungstransfermodell für Flachwasser. Die
Unterschiede bestehen lediglich in der Parametrisierung der Attenuationen und der
Tiefwasserreflexion.
r
rs
r
b
A exp
K
K z
A r exp
K
K z
dp
rs
1
0
d uw
1 rs
Gleichung 4: Strahlungstransfermodell für Flachwasser ((Albert and Mobley 2003), mit:
r = Reflexion unter der Wasseroberfläche, r = Tiefwasserreflexion (abhängig von Wasserinhaltsstoffen)
rs
dp
rs
b
r
rs
= Bodenreflexion, A
0 = Proportionalitätsfaktor für den Anteil an Tiefwasserreflexion,
A
1 = Proportionalitätsfaktor für den Anteil an Bodenreflexion, K
d = Attenuation der abwärtsgerichteten
Bestrahlungsstärke, K
uw = Attenuation der aufwärtsgerichteten Wasser‐Strahlung,
d
ub
41

K
ub = Attenuation der aufwärtsgerichteten Boden‐Strahlung
z = Wassertiefe
Ein auf dieser physikalischen Gleichung basierendes Inversionsmodell wurde von Heege et al. (2003),
u.a. an der Limnologischen Station in Iffeldorf entwickelt. Das Modulare Inversionsprogramm (MIP)
besteht aus verschiedenen Modulen zur Atmosphärenkorrektur und Wassersäulenkorrektur. Es
benötigt Kenntnis der zu erwartenden Wasserinhaltsstoffe und den avisierten spektralen Endgliedern
einer Klassifikation. Diese Methode wurde an den hyperspektralen HyMap Aufnahmen getestet.
Einen ähnlichen Ansatz entwickelte Gege (2004) mit seinem Programm WASI (Water Colour Simulator),
dieses Programm beruht ebenfalls auf der Invertierung physikalischer Modelle (Albert and Mobley
2003) um aus Spektren (keine Bilddaten) Aussagen über Wasserinhaltsstoffe zu ermöglichen. Die
neueste Version (WASI 2D) des Programms erlaubt auch die Verarbeitung von Bilddaten. Die
geforderte Atmosphärenkorrektur erfolgte im Vorhaben entweder über ATCOR 3 oder über die
„empirical line“ Methode.
Das von Giardino et al. (2012) entwickelte Model BOMBER (Bio‐Optical Model Based tool for Estimating
water quality and bottom properties from Remote sensing images) kann sowohl für Flachwasser als
auch für optisch tiefes Wasser eingesetzt werden. Als Ergebnis erhält man für tiefes Wasser die
Konzentrationen der oben genannten Wasserinhaltsstoffe, für Flachwasser zusätzlich eine Tiefenkarte
und das Ergebnis einer spektralen Entmischung für drei festzulegende Bodenbedeckungen. Im
Vorhaben wurden die benötigten hyperspektralen Spektren der systematischen RAMSES Messreihen
verwendet. In Rößler et al. (2013) ist die Anwendung dieses Programms für RapidEye Daten
beschrieben, hyperspektrale APEX Daten wurden in Rößler et al. (2013) mit BOMBER prozessiert.
Neben den bio‐optischen Modellen, bei denen versucht wird simulierte Spektren den gemessenen mit
einer Least‐squared Fehler Minimierung zuzuordnen, wurden einfache Ratio‐Methoden verwendet.
Bei dieser semi‐empirischen Methode werden lediglich Attenuationskoeffizienten für die jeweiligen
Zeitpunkt der Aufnahme benötigt, welche für das Jahr 2011 in regelmäßigen Abständen vorliegen. Die
Berechnung der Attenuation erfolgt aus Messungen der abwärtsgerichteten Bestrahlungsstärke in
verschiedenen Tiefen (vgl. Gleichung 1). Diese hyperspektralen Attenuationskurven werden auf die
spektrale Auflösung der jeweiligen Sensoren (HyMap, AISA EAGLE, WorldView2, APEX, RapidEye)
umgerechnet. Man erhält für jedes spektrale Band einen Attenuationskoeffizienten. Am Beispiel von
RapidEye sind das jeweils 5 Koeffizienten (Abbildung 27).
Abbildung 27: Attenuationskoeffizienten aus RAMSES Messungen für vier verschiedene Aufnahmezeitpunkte
2011 (links) und re‐skaliert auf die spektrale Auflösung von RapidEye (rechts) (Rößler, Wolf et al. 2013)
42

Mithilfe dieser Koeffizienten lassen sich aus den Reflexionen der einzelnen spektralen Bänder mit der
Methode von Lyzenga (1978, 1981) tiefeninvariante Indizes berechnen, bei denen die
Tiefenabhängigkeit des Reflexionssignals umgangen wird. Diese Methode wurde erfolgreich für
bathymetrischen Untersuchungen bei bekanntem und gleichbleibendem Substrat
angewendet(Mishra, Narumalani et al. 2004), sowie zur Kartierung unterschiedlicher Substrate bei
unterschiedlichen Wassertiefen(Tassan 1996, Mumby, Clark et al. 1998, Hedley and Mumby 2003). Um
die exponentielle Tiefenabhängigkeit des empfangenen Signals zu kompensieren, wird für jedes
spektrale Band eine Linearisierung mit dem natürlichen Logarithmus durchgeführt (Lyzenga 1978).
Durch lineare Kombination logarithmisch transformierter Daten erhält man Indizes zwischen zwei
Bändern, die unabhängig von der Wassersäule bei gleichbleibendem Substrat gleiche Werte liefern.
Die Berechnung erfolgt mit Gleichung 5 (Lyzenga 1981, Spitzer and Dirks 1987):
Y
K
ln(
i
i
)
K
ln(
i
i, j
j j
j
Gleichung 5: Berechnung tiefeninvarianter Indizes aus Spektralbändern multi‐ bis
hyperspektraler Systeme (nach Lyzenga 1981, Spitzer and Dirks 1987)
)
Dabei bezeichnet Y i,j den tiefeninvarianten Index zwischen Band i und j, K den
Attenuationskoeffizienten und ρ i,j die Reflexion des jeweiligen Pixels im Flachwasser und ρ ∞ über
optisch tiefem Wasser (jeweils für Band i und j). Bei n spektralen Bändern ergeben sich n*(n‐1)/2
mögliche Bandkombinationen. Am Beispiel von RapidEye wurden nur die Bänder für Blau, Grün, Rot
und RedEdge genutzt, da das nahe Infrarot (Band 5) vollständig vom Wasser absorbiert wird. Es
ergeben sich demnach 6 mögliche Bandkombinationen.
Abbildung 28 zeigt eine weitere mögliche Anwendung multitemporaler Daten zur Beobachtung der
Vegetationsentwicklung. Hierbei werden die Werte drei gebildeter Indizes zu einem künstlichen
Farbbild im RGB‐Farbraum dargestellt.
Abbildung 28: künstlich erzeugte RGB‐Bilder aus drei Tiefeninvarianten Indizes, die eine kontinuierliche
Beobachtung der Pflanzenentwicklung ermöglichen (Beispiel Roseninsel, Starnberger See)
Neben der Anwendung dieser Methode für Bilddaten, wurden die Indizes auch für in situ Messungen
angewendet. Für zahlreiche Reflexionsmessungen verschiedener Oberflächen (Najas marina, Elodea
nuttallii, Potamogeton perfoliatus, Chara spp., zahlreiche Sedimente) wurden ebenfalls
tiefeninvariante Indizes berechnet (Abbildung 29).
43

Abbildung 29: Reflexionsspektren verschiedener Oberflächen (umgerechnet auf RapidEye Auflösung) und daraus
gebildete Indizes(Rößler, Wolf et al. 2012)
Wie man in Abbildung 29 erkennt, lassen die tiefeninvarianten Indizes eine deutliche Trennung
zwischen Sedimentbedeckung und Pflanzenbewuchs zu. Eine Unterscheidung der Pflanzen auf Artbzw.
Gattungsebene ist nur in einigen Kombinationen gegeben.
3.2.5. Klassifikation (AP 2400)
Die Klassifikationen der Bodenbedeckungen finden entweder nach der Korrektur der Wassersäule statt
(Bildung tiefeninvarianter Indizes) oder eine spektrale Entmischung ist ein Teil der oben beschriebenen
Invertierung bio‐optischer Strahlungstransfermodelle im Flachwasser. Im Folgenden wird zunächst die
Klassifikation der tiefeninvarianten Indizes erläutert.
Mithilfe der gebildeten Indizes lassen sich Bedeckungsklassifikationen erstellen, die je nach
Abundanzen deutliche Aussagen zulassen. Im Fall von RapidEye mit einer Pixelgröße von 5x5m wird
davon ausgegangen, dass die wenigsten Bereiche eine Reinbedeckung mit einer Pflanzenart besitzen.
Daher werden zur Klassifikation Verfahren der spektralen Entmischung angewendet. Die
tiefeninvarianten Indizes, die aus in situ Messungen berechnet wurden, werden dabei als Endglieder
der spektralen Entmischung eingesetzt. Bei der linearen spektralen Entmischung geht man davon aus,
dass sich die Anteile (Fraktionen) der einzelnen Endglieder zu einem Mischspektrum addieren. Bei
einer einfachen spektralen Entmischung wird versucht jedem Pixel eine Fraktion des jeweiligen
Mitglieds zuzuweisen. Da bei den wenigen untersuchten Gebieten allerdings davon ausgegangen wird,
dass sie nicht allen im See vorkommenden Oberflächenklassen entsprechen, wird die Matched Filter
Entmischung (Manolakis and Shaw 2002) angewendet. Diese lässt auch Nicht‐Klassifizierung zu, falls
die Spektren der Pixel zu sehr von den spektralen Endgliedern abweichen. Als Ergebnis erhält man für
jedes Mitglied ein Bedeckungsraster, in dem die Grauwerte die Abundanz angeben, mit der dieses
Mitglied am Mischpixel beteiligt ist. Die Werte variieren etwa zwischen ‐2 und 2, dabei zeigen Werte
zwischen ‐2 und 0 an, dass die Klasse nicht beteiligt ist. Liegen die Werte zwischen 0 und 2, ist die
Klasse mit unterschiedlicher Abundanz beteiligt. Ein Wert von 1 entspricht einer optimalen
Übereinstimmung bzw. einer Bedeckung von 100%.
In Abbildung 30 ist das Ergebnis dieser Klassifikation für die Endglieder „unbewachsenes Sediment“
und „Najas marina“ dargestellt. Die weißen Punkte des Zoomausschnitts zeigen die Lage der
Testflächen nahe der Ortschaft Bernried (Tiefen von 2m und 4m).
Um zu überprüfen, ob eine Trennung zwischen den invasiven Arten möglich ist, wurde der Jeffries‐
Matusita Index (Richards 1999) für die sechs erstellten tiefeninvarianten Indizes berechnet. Ein JM‐
44

Index von 2 bedeutet eine bestmögliche Trennbarkeit, liegt er unter 1.5 deutet das auf eine
unzureichende Trennbarkeit hin. Werden für die Klassifizierung alle „künstlichen“ Bänder (Indizes)
verwendet, ist eine Trennung zwischen Elodea nuttallii und unbedecktem Sediment bestens möglich
(JM‐Index: 2.00), zwischen Najas marina und unbedecktem Sediment sehr gut möglich (JM‐Index:
1.98) und zwischen E. nuttallii und N. marina nur bedingt möglich (JM‐Index: 1.57).
Im Kontrast zur spektralen Entmischung mit der Matched‐Filtering Methode ist bei der spektralen
Entmischung mithilfe der bio‐optischen Modelle ein Ausschluss bestimmter Bodenreflexionen nicht
möglich. In BOMBER können die einzelnen prozentualen Anteile der drei möglich Bodenbedeckungen
zwar einen Wert von 0 annehmen – was den Ausschluss dieser Bedeckungsklasse bedeutet, die Summe
aller drei Anteile muss aber 1 ergeben. Die Auswahl „passender“ Bodenbedeckungsklassen ist für den
Erfolg einer Klassifizierung demnach sehr wichtig. Die zeitliche Integrität der sich saisonal ändernden
Bodenreflexionen wurde mithilfe multisaisonaler Reflexionsmessungen über verschiedenen
Makrophytenbeständen sichergestellt.
Abbildung 30:Ergebnis der Matched Filter Entmischung für die Oberflächenklassen „unbewachsenes Sediment“
(links) und „Najas marina“ (rechts) an einer RapidEye Scene vom 03.09.2011
Aus dieser Datenbank wurden zwei Reflexionsspektren für Makrophyten (für den Starnberger See
Najas marina und Chara spp. als dominierende Arten) und ein passendes Sedimentspektrum
ausgewählt. Letzteres wurde aus einer Datenbank von im Labor gemessenen Reflexionsspektren
verschiedener Sedimente des Starnberger Sees ausgewählt. Diese unterscheiden sich je nach Lage sehr
stark in ihrer Intensität und abhängig vom Organik‐ und Pigmentgehalt sind unterschiedliche
Absorptionsbereiche auszumachen (Abbildung 31).
45

Abbildung 31: Sedimentreflexionen verschiedener Proben des Starnberger Sees. Oben: gesamtes Spektrum;
Mitte: sichtbarer Spektralbereich; Unten: Absorptionsbanden verschiedener Pigmente.
Die Auswahl passender „Endglieder“ für die spektrale Entmischung mithilfe des Modells BOMBER ist
in der Publikation Rößler et al. (2013) ausführlich beschrieben. Abbildung 32 zeigt die ausgewählten
Endglieder für eine der drei klassifizierten Szenen aus Abbildung 34.
46

Abbildung 32: ausgewählte Endglieder für die spektrale Entmischung der Bodenbedeckung einer RapidEye
Szene vom 3. September 2011 Rößler, Wolf et al. 2013)
In Abbildung 34 ist das Ergebnis der spektralen Entmischung als künstliches RGB‐Farbbild dargestellt.
Die Zuordnung der Position des Pixels im Farbdreieck erfolgt nach der jeweiligen Zugehörigkeit zu den
definierten spektralen Endgliedern.
Abbildung 33: Sonar‐Tiefenprofil zu den gelben Profilmarkierungen in Abbildung 34. Durch Abzählen der Pixel
entlang der Profillinie ergibt sich die jeweilige Sichttiefe zum Aufnahmetag. Hier über RapidEye und 5 m Pixeln
Deutlich ist zu sehen, dass die Klassifizierten Ufernahen Bereiche von Mai bis September
unterschiedlich breit sind. Dieses liegt an der Eindringtiefe des Sonnenlichtes, das wiederum von den
Wasserinhaltsstoffen kontrolliert wird. Bei systematischer Analyse der Wasserinhaltsstoffe in einem
multisaisonalen Ansatz, etwa mit Rapid Eye oder den zukünftigen ESA Sentinel 3 Systemen und biooptischen
Modellen, kann sowohl die Klassifikation verbessert als auch ein weiteres Mosaiksteinchen
für die Wassergütebestimmung beigesteuert werden.
47

Abbildung 34: Ergebnis der spektralen Entmischung für das Untersuchungsgebiet Bernried für drei Zeitpunkte im
Jahr 2011 (Rößler, Wolf et al. 2013). Interessanter Nebeneffekt einer multisaisonalen Erfassung ist, dass über die
Sichttiefe Aussagen zur Transparenz getroffen werden können. In diesem Fall (gelber Profilbalken) nimmt die
Sichttiefe von Mai zum Juli ab, um dann wieder leicht anzusteigen (siehe auch Abbildung 33)
48

3.2.6. Invertierung des Reflexionsmodells (AP 2500)
Ausgehend von den Messungen des Reflexionssignals (Abbildung 35) konnten für die
Vegetationsperiode 2011 für alle beobachteten Pflanzen (Chara spp., Elodea nuttallii, Najas marina
und Potamogeton perfoliatus) kontinuierliche Reflexionsspektren für jeden Tag des Jahres (Day of Year
– DOY) erstellt werden (Abbildung 35, Abbildung 36). Dies erfolgte mit Interpolation (zwischen den
Messzeitpunkten) bzw. Extrapolation (vor Beginn der Messkampagne bzw. danach) basierend auf einer
Polynom‐Regression (zweiten Grades) für jede Wellenlänge der RAMSES Messungen (Rößler, Wolf et
al. 2013).
Anhand dieser Artenspezifische Reflexionsmodelle können Referenzspektren für die Invertierung von
FE‐Daten für jeden Tag des Jahres für die entsprechenden Seeorte abgeleitet werden.
Abbildung 35: Reflexionsverlauf für die Standorte vier verschiedener Makrophyten für die Monate Mai, Juli und
September (Rößler, Wolf et al. 2013)
Abbildung 36: interpolierte Reflexion für Najas marinaals Funktion des Jahrestages (DOY)(Rößler, Wolf et al.
2013)
49

3.2.7. Verifikation (AP 2600)
Die Verifikation kann über drei Wege erfolgen: wenn die Tiefe im Laufe der Prozessierung bestimmt
wird (BOMBER), kann diese mit vorhandenen grob aufgelösten Tiefenmodellen des Starnberger Sees
verglichen werden, oder mit feiner aufgelösten Tiefenmodellen durch Sonarmessungen die für
ausgesuchte Bereiche 2011 und 2012 erstellt wurden (Karpfenwinkel, Bernried).
Zur Verifikation der Klassifikationsergebnisse wurden neben den bereits erwähnten biometrischen
Messungen wie Bedeckungsgrad, Wuchshöhe, Frisch‐ und Trockengewicht sowie
Pigmentzusammensetzung Tauchkartierungen durchgeführt. Orientiert haben sich diese
Tauchkartierungen an den Transekten der Europäischen Wasserrahmenrichtlinie (WRRL). Am
Westufer des Starnberger Sees – über dem die Befliegungen stattfanden – liegen 18 dieser Transekte.
Kartiert werden für 4 Tiefenabschnitte (0‐1m, 1‐2m, 2‐4m, über 4m) die vorkommenden Arten und
deren Abundanzen mit der Häufigkeitsbewertung nach Kohler (1978).
Im Rahmen eines GIS‐Praktikums ist zudem – ebenfalls mit sehr eng gelegten Transekten – der
Karpfenwinkel im Westen des Starnberger Sees kartiert worden (mit einem besonderen Augenmerk
auf größere flächige Vorkommen von Najas marina).
Zur Verifizierung der Wassersäulenkorrektur ist eine genaue Kenntnis der Wassertiefen nötig. Zu
diesem Zweck wurden Tiefenmodelle für den Starnberger See (Bereich Karpfenwinkel, Testfläche
Bernried) und den Tegernsee mit einem gekoppelten Sonar‐GPS System erstellt (Fa. Lowrance). Die
Interpolation der Tiefenpunkte zu einem Geländemodell (in diesem Fall einem Tiefenmodell) erfolgte
mit der ArcGIS Erweiterung Spatial Analyst. Mithilfe dieser Tiefenmodelle (z), der Attenuation (k)
und der Tiefenwasserreflexion (R ∞ ) kann der Anteil der Wasserreflexion (Term um R in Gleichung 6)
bestimmt werden, der addiert zum Bodenanteil (Term um R Boden in Gleichung 6) die Gesamtreflexion
R total ergibt:
R
total
R
2kz
2kz
Bodene
R
(1 e
Gleichung 6: Berechnung der Gesamtreflexion (R total ) aus Bodenreflexion (R Boden ) und
Wasserreflexion(R )
)
Dies erlaubt Rückschlüsse auf die tatsächliche Grundreflexion und eine Validierung der Klassifikation
mit den gebildeten tiefeninvarianten Indizes.
Die durch WASI ermittelten Wasserinhaltsstoffe konnten während einer Masterarbeit (Linnemann
2013) an den Osterseen mit Labormessungen dieser Gehalte verglichen werden. Vor allem beim
Gelbstoff zeigte sich eine gute Übereinstimmung zwischen den im Labor bestimmten Gehalten und
den Ergebnissen der WASI‐Invertierung der abwärtsgerichteten Bestrahlungsstärke.
Der unter Kapitel 3.1.2 beschriebene Versuchsaufbau mit am Seeboden ausgelegten Silo‐Folien diente
der Verifikation der Wasserinhaltsstoffe, der Wassertiefe und der Klassifikationsergebnisse. Die
genaue Analyse ist in Rößler et al. (2013) beschrieben. Es zeigte sich, dass besonders die schwarze Seite
der Folie (ca. 5 % Reflexion) gut geeignet ist um sowohl die Bathymetrie als auch die
Wasserinhaltsstoffe mit hoher Genauigkeit zu bestimmen.
3.3. Operationalisierung des Monitoringansatzes (AP 3000)
Das Kapitel stellt Untersuchungen in Richtung einer „Operationalisierung“ des Monitoring‐Systems
über regulär verfügbare Fernerkundungsdaten unterschiedlicher Auflösung vor. Beispielhaft wurden
die digitalen Luftbildprodukte der Bayernbefliegung des Bayerischen Landesamtes für Vermessung
und Geodäsie (LVG) und Daten des in Deutschland entwickelten RapidEye Satelliten‐Systems
untersucht.
50

Die digitalen Luftbilder des LVG bilden mit vier breitbandigen Spektralkanälen im Blau‐, Grün‐, Rot‐,
und Nahen Infrarot‐Bereich des Spektrums typische Spektralbereiche für die Vegetationsanalyse in
sehr hoher räumlicher Auflösung von 0,2 m ab. Solche Daten werden in vergleichbarer Qualität
voraussichtlich die nächsten 20 Jahre alle drei Jahre verfügbar sein. Sie stellen den Grundstock vieler
amtlicher topographischer Kartenwerke dar und gelten als amtliche Referenz.
Das RapidEye System ist das erste kommerzielle Satellitenprogramm, das flächendeckend räumlich
hochauflösende Daten (6,5m) mit hoher zeitlicher Auflösung (2‐3Tage nominell) bereitstellen kann.
Damit ist die Erfassung einer zeitlichen Signatur möglich, die es erlaubt phänologische Veränderungen
als Unterscheidungsmerkmal zu nutzen.
Die detaillierte Darstellung der Einzelergebnisse dieses Kapitels kann in der Dissertationsschrift von
Sebastian Rößler (2013) nachgeschlagen werden.
3.3.1. Digitale Luftbilder der Bayernbefliegung (AP 3100)
Die digitalen Luftbildprodukte der Bayernbefliegung des Bayerischen Landesamtes für Vermessung
und Geodäsie (LVG) bieten vier Farb‐Kanäle im Blau‐, Grün‐, Rot‐ und Nahen Infrarot‐Bereich des
Spektrums. Für eine weitergehende, automatisierbare Verarbeitung der Daten benötigt man
zumindest Informationen zum Aufnahmesystem (radiometrische, spektrale Charakteristiken der
Kamera; Filter, etc.) sowie zur Prozessierung. Eine diesbezügliche Anfrage an das LVG erbrachte die
Auskunft dass diese Zusatzinformationen nicht Bestandteil der Lieferabmachung sind. Recherchen
haben dann ergeben, dass die Daten voraussichtlich mit einer UltraCam der Microsoft‐Vexcel Imaging
GmbH aufgenommen. Es handelt sich um eine Kamera‐Familie für die photogrammetrische
Auswertung mit einer radiometrischen Auflösung bei Aufnahme von 12 Bit. Der
Schrägaufnahmewinkel kann bis zu 55° betragen. Die genaue Bandbreite der Spektralbänder wird nicht
angegeben. Für Zu welcher Jahreszeit die LVG Bilddaten aufgenommen werden kann nicht
vorbestimmt werden. Um eine Verknüpfung zu in situ Daten herzustellen, ist von diesen Daten
mindestens eine physikalische Einheit von Nöten (Strahlungswerte). Die Daten können daher
eigentlich nur zu Zwecken der Validierung und Kartierung über visuelle Interpretationen genutzt
werden.
Da es sich aber prinzipiell um hochwertige Fernerkundungsdaten einer der modernsten Systeme
handelt, die ein hohes Potential für die fachliche Anwendung besitzen, wurden Methoden gesucht, um
eine automatisierbare Auswertungskette für den aquatisch/limnischen Bereich aufbauend auf diesem
Datentyp zu entwickeln. Die Lösung baut auf die Erkenntnissse aus der Anwendung tiefen‐invarianter
Indizes. Mit dieser Methode gelingt es trotz fehlender radiometrischer Informationen und fehlender
Kalibrierung Aussagen über den Bedeckungsgrad mit Makrophyten zu treffen. Dazu wurde ein
Zufallsdatensatz für verschiedene Gehalte an Wasserinhaltsstoffen und Bedeckungsgraden mit
Makrophyten erzeugt. Die Tiefe variiert zwischen 0.1 und 5 Meter, der Phytoplanktongehalt zwischen
0.1 und 5 µg/l, der Schwebstoffgehalt zwischen 0.1 und 5 µg/l und der Gehalt an Gelbstoff zwischen
0.2 und 2.0 pro Meter (Absorption bei 440 nm). Es wurden insgesamt 1000 Reflexionen nach dem
Modell von Lee et al. (1999) berechnet. In Ermangelung der korrekten Bandbreiten und
Strahlungstransferfunktionen für die digitalen Luftbildprodukte wurden diese auf die multispektrale
Auflösung von RapidEye umgerechnet. Auf Basis dieser Daten wurden dann tiefeninvariante Indizes
zwischen allen möglichen Band‐Kombinationen berechnet. In Abbildung 37 sind die Punktewolken
gegen die zufällig bestimmte Tiefe aufgetragen, die farbliche Codierung zeigt die Bodenbedeckung.
51

Abbildung 37: farblich codierte Darstellung zufällig erzeugter tiefeninvarianter Indizesfür RapidEye
Spektralbänder
Interessanterweise ist nur bei der Bandkombination b3/b4 (Rot/NIR) immer eine Unterscheidung
der Bodenbedeckung möglich. Unabhängig vom Gehalt an Wasserinhaltsstoffen und der Tiefe liegt
der Indexwert bei unbewachsenem Sediment immer deutlich über denen mit einem höheren Anteil
an Vegetationsbedeckung. Dieser Zusammenhang ist mit dem deutlich unterschiedlichen Verlauf
der Reflexion zwischen Sediment und Vegetation im roten und nahinfraroten (NIR) Spektralbereich
zu erklären (siehe z. B. Abbildung 37). Es ist also stets eine Trennung mithilfe der roten und der NIR
Strahlung möglich. Da auch bei der Attenuation ein starker linearer Zusammenhang zwischen den
beiden Spektralbereichen besteht, konnte für den erzeugten Testdatensatz festgestellt werden,
dass die Attenuation im NIR (eigentlich RedEdge) ungefähr doppelt (1.99 ± 0.09) so groß ist wie im
roten Spektralbereich. Daraus ergibt sich nach Lyzenga (1978) folgender Index (Gleichung 7):
2ln
INDEX
flach tief
flach tief
DN
DN
lnDN
DN
rot
rot
2.236
Gleichung 7: Berechnung des tiefeninvarianten Index nach Lyzenga (1978) für RapidEye Spektralbänder
NIR
NIR
Dabei ist DN der Wert des jeweiligen Pixels im roten Kanal oder im NIR Kanal. Vor der Transformation
mit dem natürlichen Logarithmus muss noch das zugehörige Tiefwassersignal abgezogen werden
(Statistik über mehrere Pixel). Nach Maskierung von Land und tiefem Wasser kann eine Berechnung
nach Gleichung 7 durchgeführt werden.
In Abbildung 38 ist der tiefeninvariante rot/NIR Index basierend auf den Farbinfrarotbildern der LVG
Befliegung dargestellt. Basierend auf diesen Index wurde der prozentuale Anteil an
Sedimentbedeckung berechnet. So können auch ohne zusätzliche Information zur Kalibrierung bzw.
ohne radiometrische Größen Aussagen zum Litoralbewuchs gemacht werden.
52

Abbildung 38: Anwendung des tiefeninvarianten Index rot/NIR zur Bestimmung des Bedeckungsgrades aus LVG
Luftbildern (Ausschnitt Bernried). Links: Farbinfrarotbild (RGB: NIR‐Rot‐Grün); rechts: Index (Bedeckungsgrad
mit Sediment).
3.3.2. RapidEye Datenanalyse (AP 3200)
Die Interpolationen der Reflexions‐ und Attenuationsmessungen zu Modellen (Kap. 3.2.6, Abbildung
36) erlauben nun eine Anwendung sowohl der tiefeninvarianten Indizes als auch der bio‐optischen
Modelle an RapidEye‐Daten ohne zeitgleich durchgeführte in situ Messungen.
In den Veröffentlichungen Rößler et al. (2013, 2013) wird die Anwendung beider Methoden
beschrieben. Wichtig für das Operationalisieren der Methode ist die automatische Maskierung
irrelevanter Bereiche in den Bilddaten (Land und tiefes Wasser). Die Maskierung des Lands wird durch
einen Schwellwert der normalized difference water index (NDWI) erzielt (McFeeters 1996), die des
tiefen Wassers erfolgte über zwei Methoden, entweder durch einen modifizierten Rot‐Index oder
durch einen Schwellwert im grünen Spektralbereich (Abbildung 28; Abbildung 30; Abbildung 34).
53

4. Vergleich der erzielten gegen die erwarteten Ergebnisse
Im Folgenden sind die im Antrag erwähnten Meilensteine aufgelistet. Alle Meilensteine sind erreicht
worden, die erwarteten Ergebnisse konnten erzielt, teilweise sogar übertroffen werden. Im Kapitel 5,
Ausblick, wird dargestellt, welche Forschungsperspektiven sich aufbauend auf den erzielten
Ergebnissen eröffnen.
Tabelle 3: Erreichte Meilensteine nach Antrag
Aufbau der Geländemesssysteme (Messplattform, RAMSES, Stereophotogrammetrisches System)
Auswahl und Aufbau der Test‐ und Kontrollflächen zur Verifikation der Ergebnisse
Systematische Messungen zur Erfassung der saisonalen Veränderungen der Reflexion (RAMSES Unterwasser
Spektroradiometer, Stereophotogrammetrisches System)
2010
2011
2012
Systematische Probenahme und Bestimmung der biometrischen Messungen
Aufnahme von Hyperspektraldaten, abhängig von den zur Verfügung stehenden Systemen
Ankauf von Luftbildern des Landesamtes für Vermessung und Geoinformation (LVG) und von Satelliten Daten
(RapidEye AG)
Optimierung bzw. Entwicklung der analytischen Verfahren
Entwicklung der gekoppelten Wachstums‐ und Reflexionsmodelle
Systematische Messungen zur Erfassung der saisonalen Reflexionsentwicklung
Systematische Probenahme und Auswertung der biometrischen Messungen
Aufnahme von Hyperspektraldaten
Ankauf von Luftbildern des Landesamtes für Vermessung und Geoinformation (LVG) und von Satelliten Daten
(RapidEye AG), falls 2010 nicht abgeschlossen
Entwicklung von Transferfunktionen zu spektral geringer auflösenden Daten
Entwicklung von Transferfunktionen zu räumlich geringer auflösenden Daten
Abschluss der spektralen, texturellen und zeitlichen Charakterisierung der Test‐ und Kontrollflächen
Optimierung der gekoppelten Wachstums‐ und Reflexionsmodelle
Optimierung der Transferfunktionen zu spektral geringer auflösenden Daten
Optimierung der Transferfunktionen zu räumlich geringer auflösenden Daten
Entwicklung von Demonstrationsbeispielen
Synthese und Bericht
54

5. Fazit und Ausblick
5.1. Fazit
Das derzeit von den Umweltbehörden des Bundes und der Länder betriebene Inventur und Monitoring
System für Binnengewässer entspricht den Vorgaben der EU‐WRRL, ist etabliert und wird auf allen
Ebenen verstanden. Die Schwachstelle des Systems ist der dreijährige Wiederholzyklus, der aufgrund
der teilweise dynamischen Entwicklungen zu langfristig erscheint, sowie die weitestgehend qualitative
Aussage, die auf das vorgegebene Transsekt‐Verfahren zurückzuführen ist. Eine quantitative
Gesamtbilanz der Makrophyten‐Verbreitung, deren Biomasse, etc. ist mit dem Verfahren nur bedingt
möglich.
Das hier entworfene Fernerkundungs‐basierte Inventur und Monitoring System für Makrophyten und
zeitgleich auch Wasserinhaltsstoffe hat das Potential das etablierte Erfassungssystem in wichtigen
Punkten zu ergänzen.
Der in Kapitel 2 dargestellte Aufbau‐ und Ablaufplan eines „Inventur und Monitoring Systems“
(Abbildung 3) für Binnenseen konnte im Rahmen des Vorhabens demonstriert, der Ansatz vollinhaltlich
bestätigt werden. Die im Zuge der Schrittweisen Abarbeitung des Projektplans entwickelten
Bearbeitungs‐ und Auswerteverfahren haben sich als robust erwiesen.
Die definierten Projektziele wurden erreicht:
So konnte nachgewiesen werden, dass mit allen hoch‐ bis sehr hoch auflösenden Systemen
die Unterscheidung von Sediment und Makrophyten‐Populationen möglich ist. Dieses erlaubt
es multitemporale Ausbreitungsanalysen durchzuführen (Monitoring).
Spektralbibliotheken der invasiven Zielarten Najas marina, Elodea nuttallii und der
konkurrierenden Arten Potamogeton perfoliatus und Chara specc. Sowie für die
dazugehörigen Seeboden‐Sedimente wurden erstellt, die Modellierungen erlauben es für jede
Phase der Vegetationsentwicklung das passende Spektrum auszuwählen (phänologischer
Fingerabdruck).
Methoden zur Auswahl repräsentativer Spektralbereiche wurden an die jeweiligen Daten
angepasst. Aus den hoch aufgelösten Reflexionsspektren können die Spektralbereiche
ausgewählt werden, die für die Identifikation einzelner Arten notwendig sind
(Datenreduktion).
In Richtung Operationalisierung wurden unterschiedlich Systeme analysiert, um die
Informationsverluste abzuschätzen, die bei geringerer Auflösung in Kauf genommen werden
müssen. Auf diese Weise sollen langfristig routinemäßig erhobene, kostengünstigere Luft‐ und
Satellitenbilder mit wesentlich geringerer Auflösung für das Monitoring von Gewässern mit
genutzt werden
Als Fazit der hier gemachten Untersuchungen kann der Ausbau in Richtung eines operationellen
Systems empfohlen werden.
Wichtig im Hinblick auf eine Operationalisierung erscheint uns der Hinweis auf gelöste Fragen aber
auch auf erkannte Schwachstellen und daraus abzuleitende notwendige Ausbauschritte, auf die wir im
Folgenden eingehen möchten. Bezug nehmend auf das erwähnte Ablaufschema (Kap. 2, Abbildung 3)
soll die Bilanzierung und die darauf gegründeten Empfehlungen anhand der skizzierten Arbeitsschritte
erfolgen.
55

Schritt 1: Datenbank‐Aufbau und Modellentwicklung
Der System‐Ansatz baut auf bio‐optische Modelle. Ein operationaler Einsatz der bio‐optischen Modelle
verlangt neben realistischen Startwerten der Wasserinhaltsstoffe auch realistische Seeboden‐
Spektralsignaturen. Gegründet auf die Spektralbibliotheken von obigen Makrophyten‐Arten und für
die speziellen Messtandorte wurden Reflexionsmodelle erstellt, die bei der Auswertung der
untersuchten FE‐Daten als Referenzspektren genutzt wurden. Weitet man den hier präsentierten
Ansatz auf andere Makrophytenarten und weitere Messstandorte an unterschiedlichen Seen aus, kann
über die Jahre eine Datenbank mit umfassenden Modellen der wichtigsten Makrophytenarten und
deren Reflexionscharakteristika aufgebaut werden.
Für dieses Systemmodul können folgende Fragestellungen als Entwicklungstechnisch gelöst angesehen
werden:
Messaufbau und Messstrategie für Unterwasser Spektralmessungen zum Aufbau von
Seeboden‐Spektralbibliotheken folgen dem Protokoll zu Begleitmessungen des 1.
Workshops der nationalen Initiative „Gewässerfernerkundung“
darüber abgeleitet die Methodik zur „in‐situ“ Bestimmung von Wasserinhaltsstoffen folgen
dem internationalen MERIS‐Protokoll der „Ocean Color“ Arbeitsgruppe (Anonymous, 2011)
Integration von Reflexions‐ und Wachstums‐Modellen der Makrophyten der spektralen
Datenbanken die erzielten Auswertungs‐Genauigkeiten bei Inversionen auf Basis
„unbekannter“ Spektren liegen zwischen 76% für Najas marina, als die kritischste Art, da mit
unterschiedlichsten Deckungsgraden, und 91% bei der flächig wachsenden Art Chara specc..
Auch im Vergleich mit Ergebnissen bei Landvegetation auf diesem Detaillierungsgrad können
diese Ergebnisse als hervorragend bezeichnet werden!
Optimierungsbedarf sehen wir bei folgenden Fragestellungen:
Einfluss des Deckungsgrades auf die Spektralsignatur Vegetation mit geringem
Deckungsgrad ist typischer Weise an Zeitpunkte geknüpft, zu denen die Vegetationsdecke im
Aufbau ist oder aber an Bereiche die neu besiedelt werden. Also zu Beginn einer
Vegetationsperiode oder aber im Zuge einer Invasion, Neu‐, Wiederbesiedlung aufgrund
veränderter Rahmenbedingungen. Der Deckungsgrad wurde über die Stereoaufnahme des
Messflecks bestimmt. Eine Arttypische Korrelationsfunktion zwischen Reflexionssignal und
Deckungsgrad muss auch die Biomasse, den Pigmentgehalt, Bestandesstruktur, die
Beleuchtung, etc. berücksichtigen. Störgrößen sind u.a. die Sättigungseffekte der
Spektralsignatur bei zunehmenden Deckungsgrad vor allem aber der unterschiedliche
ausgeprägte Aufwuchs (siehe hierzu den Abschnitt Ergänzungsbedarf)
Einfluss der Richtungsabhängigkeit auf die Aussageschärfe (Reflexionsmodelle) die hierzu
durchgeführten Untersuchungen haben zwei interessante Aspekte deutlich gemacht. Erstens,
durch die Brechungsvorgänge in Richtung Lot in der Wassersäule wird die Einstrahlung auch
bei großem Sonnenzenithwinkel (Morgens, Abends) in Richtung Seeboden gelenkt, was der
Wuchsleistung zuträglich ist. Zweitens, die Grenzflächenphänomene überlagern die von einem
Sensor erfasste Rückstrahlung des Seebodens extrem und schwer quantifizierbar.
Korrektur der Wassersäulen‐Einflüsse diese erfolgt über bio‐optische Modelle und die
Bestimmung der Wasserinhaltsstoffe. Eine Optimierung trägt somit ebenfalls zu einer
präziseren Charakterisierung des Zustandes eines Sees bei. Als Schwachstelle hat sich die Chl a ‐
Bestimmung herausgestellt. Bei den „sauberen“ bayerischen Seen liegen wir nahe an der
Nachweisbarkeitsgrenze.
Korrektur der Grenzflächenphänomene und der Atmosphären‐Einflüsse der „wavefocussing
effect“ oder „swimmingpool‐effect“ ist für die hohe Varianz der „in‐situ“
Spektralsignaturen verantwortlich. In den Fach‐Gremien wird über eine Methode zur
56

Normalisierung dieser Effekte diskutiert. Die Methode soll übernommen werden. Derzeit
verwenden wir den Median. Zur verbesserten Atmosphärenkorrektur sollte ein weiterer
RAMSES ARC Sensor dauernd die Einstrahlung über Wasser messen. Die Ergänzung ist lediglich
ein Kostenfaktor.
Kopplung mit Klimagesteuerten Wuchsprognose‐Modellen, etwa wie sie im Rahmen von
BayForKast an der Limnologischen Station entwickelt werden bisher sind lediglich einige
Schwellwerte in die Wuchsmodelle zur Spektralsignatur‐Berechnung eingeflossen. Angedacht
ist eine Filterfunktion zur Vorauswahl möglicher Alternativen zum Vorkommen von
Makrophyten.
Ergänzenden Forschungsbedarf sehen wir für folgende Arbeitsschritte:
Spektraldatenbanken für Seeort‐typische Sedimentspektren weitere Makrophyten‐Arten,
Kandidaten sind z. B: Potamogeton pectinatus, Nitella mucronata oder diverse Characeen‐
Rasen systematische Ergänzungsarbeiten
Biometrische Messungen der Ziel‐Makrophyten aus Vor‐Ort Stereophotos das im Vorhaben
eingesetzte Stereophoto‐Erfassungssystem Marke Eigenbau hat unsystematische Aussetzer
aufgrund elektronischer Übertragungsprobleme gezeigt. Die Entwicklung einer (semi‐)
automatischen Auswertesoftware wird mit Spezialisten des Photogrammmetrie‐Bereichs
vorangetrieben. Das Problem liegt im Erkennen der Kulissenartig in mehreren Ebenen
angeordneten Objekten und deren Organe. Die Fragestellung betrifft alle Land‐ und
Unterwasser‐Modellansätze zur Bestimmung biometrischer Kenngrößen und wird als
photogrammetrische Grundlagenforschung angesehen.
Systematische Sedimentanalysen zum Nährstoffgehalt der spektral erfassten Sedimente
Kostenfrage, Argumentationskette hin zu einem tatsächlichen Nutzen in der Bewertung der
Gewässerqualität über Methoden der Fernerkundung nicht eindeutig.
Temperatur‐ und Schichtungs‐Monitoring der Seen Kosten‐und Logistikfrage. Wurde im
BayForKast Vorhaben der Limnologischen Station für einige Seen durchgeführt.
Modellaussagen unterstützen die hier entwickelten gekoppelten Wachstums‐ und
Reflexionsmodelle
Einfluss des Aufwuchses auf die Spektralsignaturen Als „Aufwuchs“ wird das Gemenge aus
Periphython und Sediment/Detritus bezeichnet, das sich im Laufe einer Vegetationsperiode
auf Organen der Makrophyten absetzt. Aufwuchs verändert das Reflexionssignal. Wie schon
Pinnel (2007) feststellte, könnte Auswuchs die Ursache für die beobachteten Seeort‐typischen
Unterschiede der Spektralsignatur derselben Makrophytenart sein. Experimente mit
Methoden der Mischpixelanalyse haben diese Vermutung erhärtet. Hierbei wurden Signaturen
von Auswuchsfreien Makrophyten mit typischen Sediment und Peryphyton‐Signaturen in
unterschiedlichen Verhältnissen gemischt. Im Ergebnis konnte so die „in‐situ“ gemessene
Signatur des Makrophyten‐Bestandes mit Aufwuchs reproduziert und die Art des Auswuchs‐
Gemenges quantitativ bestimmt werden. Da Aufwuchs auf Makrophyten und Sediment sehr
ähnlich, wenn nicht gleich sind, ist die Unterscheidbarkeit von Makrophyten‐Beständen
geringen Deckungsgrades zu dichten Beständen späterer Zeitpunkte der Vegetationsperiode
erschwert. Aus diesen Zusammenhängen ergibt sich weiterer Forschungsbedarf. Die
Forschungsfrage die hieraus definiert werden kann lautet: Wenn „Aufwuchs“ (Algen, Biofilme,
anorganisches Sediment, Detritus) Seen‐spezifisch ist, die Spektralsignatur von Makrophyten
jedoch Artspezifisch und „stabil“, dann könnte es ausreichen Sediment‐Signaturen
systematisch für die jeweiligen Seen zu erfassen. Bei Bedarf kann dann die Spektralsignatur
der jeweiligen Makrophyten‐Art entsprechend ihrer phänologischen Phase dazu gemixt
werden, bis über den optimalen „fit“ der Spektralsignaturen im Model die Art und deren
Zustand bestimmt ist.
57

Schritt 2: FE‐Daten Erfassung, Auswertung und Modell‐Invertierung
Bei Verfügbarkeit eines geeigneten Datensatzes beginnt dieser Schritt der Informationsextraktion mit
dem Abgreifen der Zusatzinformationen für das jeweilige Interessensgebiet zum Zeitpunkt der
Aufnahme. Vorinformationen zum Witterungsverlauf, Trübungsgrad, erwarteter Makrophyten‐
Bestände und deren Zusammensetzung werden im Konzept des Systems aus Datenbanken abgegriffen.
Der Datensatz wird danach mit Atmosphären‐, Grenzflächen‐ und Wassersäulen‐
Korrekturprogrammen vorprozessiert. Anschließend wird mit empirischen Ansätzen, etwa den
tiefeninvarianten Indizes oder aber bio‐optischen Modellen wie MIP, BOMBER oder WASI‐2D (die
teilweise auch die vorhin genannten Korrekturen rechnen) die Identifikation der Makrophyten sowie
deren Zustand bewertet.
Der Klassifikationsvorgang erfolgt hierarchisch. Erst wird Sediment und submerse Vegetation
unterschieden. Danach wird versucht die Makrophyten‐Art und deren Zustand zu erkennen. Hier
greifen die entwickelten gekoppelten Reflexions‐/Wachstums‐Modelle für die spezifischen Arten am
bestimmten Seeort, über die eine Vorauswahl der möglichen Erscheinungsformen getroffen wird.
Anschließend werden Methoden der Mischpixelanalyse eingesetzt um aus den vorgehaltenen
Spektren das „passende“ durch „fitten“ der Datenbankspektren herauszufinden.
Als gelöst, bzw. bestätigt können folgende Arbeitsschritte dieses Moduls betrachtet werden:
Vorinformation verbessert die Aussage sowohl die Information über die
Ausbreitungsmöglichkeiten (BayForKast Vorhaben) als auch die Spektralbibliotheken mit Filter
Phänologische Phase verbessern die Aussage
Die Unterscheidung in Sediment und submerse Vegetation gelingt mit allen Systemen. Die
Arbeitshypothese, dass die Ausbreitung von Makrophyten‐Populationen in bis dahin nicht
besiedelte Bereiche erfasst werden kann, ist somit bestätigt!
Digitale Luftbildprodukte der Bayernbefliegung durch das LVG sind nach derzeitigem Stand
nicht geeignet für ein operationelles Monitoring von Makrophyten. Grund hierfür ist, dass
weder die Systemspezifikationen, noch die Prozessierungsschritte offengelegt sind. Hinzu
kommt der nicht vorhersehbare Aufnahmezeitpunkt der zwischen April (Makrophyten frei)
und Oktober liegen kann!
Die Unterscheidung von bis zu drei (BOMBER), bzw. sechs (WASI‐2D) Makrophyten‐Arten
gelingt umso besser, je höher die spektrale Auflösung des Systems ist. im Rahmen des
Vorhabens ist die Differenzierung über verschiedene wissenschaftliche, überdefinierte
Systeme (Aisa EAGLE, APEX, HySpex) sowie auch über „operationelle“ Systeme (digitales
Luftbildprodukt des LVG, RapidEye) erfolgt. Vorausgesetzt, es ist der passende phänologische
Zeitpunkt, steigt der Erfolg wie erwartet mit zunehmender Auflösung des Systems
Ergänzungsbedarf, bzw. offenen Fragen betreffen in erster Linie die fernerkundliche Erfassbarkeit von
aussagekräftigen Spektren, also die R RS (0+) Signale die ein Sensor aufzeichnet. Diese sind ja eine
Mischung aus Seeboden‐Signal (Sediment + Zielobjekt Makrophyten) und Wassersäulen‐Signal
(Wasserinhaltsstoffe) überlagert mit Wasseroberflächen‐Phänomenen (spiegelnde Reflexion,
insbesondere der schwer berechenbare „sun‐glint“).
Diese Überlegungen führen zu folgenden Detailanforderungen, bzw. Optimierungsbedarf:
Es muss sichergestellt werden, dass die Spektralbibliotheken aus „in‐situ“ Messungen alle in
Frage kommenden Makrophyten‐Arten sowie deren Mischungen abbilden können (Basis für
Mischpixelanalysen). Das Inventar eines jeden Sees ist ja bekannt. Dieses wird durch die
im dreijährigen Turnus stattfindenden amtlichen Inventuren erhoben. Offen sind hier die
58

Bestimmung der Ausbreitung in der Fläche sowie die biometrischen Merkmale der Bestände
(Bestandes Dichten, Biomassen, etc.) sowie deren saisonalen Änderungen.
Es muss sichergestellt werden, dass die Seeort typischen Aufwuchs Varianten charakterisiert
sind (Spektralbibliothek „Aufwuchs“) und Modelle für die jeweiligen jahreszeitlichen
Erscheinungsformen (Aufwuchs‐Zuwachs, Abundanzen, Dichten, etc.) vorhanden sind.
Diese Art von Spektralbibliotheken ist neu. Dafür notwendige Vorversuche sind seit Jahren
an der Limnologischen Station durchgeführt worden, wobei bisher die biologischen
Hintergründe im Vordergrund standen. Zusammenhänge zu Lichtverfügbarkeit, Temperatur,
Tiefenstufe, Strömungsverhältnissen, unsystematischen Störeinflüssen, etc.) sind bisher
nicht in Modelle integriert worden. Die Erfassung der Spektralsignatur dieser sehr mobilen
und damit Berührungssensitiven Auflagen stellt ein entsprechendes Messkonzept vor
besondere Herausforderungen!
Für die Operationalisierung hilfreich wird ein zeitlich hochaufgelöstes Monitoring‐System für
Wasserinhaltsstoffe angesehen. So ein System wird die zeitliche Dynamik der Transparenz
und damit der für Makrophyten der unterschiedlichen Seeorte und Tiefenstufen erfassen und
darüber die verfügbaren Lichtmenge für Modellierungen des Wachstums bereitstellen
Siehe Gedanken hierzu weiter oben!
Ein integrales Korrektursystem für Wassersäule/Grenzflächen‐Phänomene/Atmosphäre ist
zu fordern!
Die entscheidende Frage im Hinblick auf ein operationelles Inventur‐ und Monitoring‐System ist
letztendlich, wie die benötigte Information mit vertretbaren Kosten bereitgestellt werden kann!
Schritt 3: Diagnose und darauf gegründeter fachspezifischer Handlungsbedarf
Im angenommenen operationellen Fall stützt sich die Diagnose auf die Ergebnisse der
Fernerkundungsdaten‐Analyse. Dieses setzt voraus, dass Daten eines Systems zum diagnostisch
passenden Zeitpunkt / Zeiträumen erfasst wurden. Zum Thema System‐Eignung und –Verfügbarkeit
möchten wir auf das nächste Kapitel, (7.2, Ausblick) verweisen. Die Entscheidung ob und wie, in
welchem Umfang, wann reagiert werden muss wird dann von der zuständigen Behörde, dem
zuständigen Amt getroffen werden müssen.
5.2. Ausblick
Trotz der Entwicklung robuster Bearbeitungs‐ und Auswerteverfahren im Zuge dieses Projektes, sind
weiter Untersuchungen notwendig, um einzelne Elemente der erarbeiteten Prozesse zu optimieren
und auch um das Grundlagenwissen zu verbessern. So ist auch nach diesem Vorhaben nicht
letztendlich geklärt, welche spektrale Signaturen (spektrale Auflösung, Phänologie) zur Identifikation
und Zustandserfassung welcher Makrophyten und welcher Wasserinhaltsstoffe an welchen Seeorten
und zu welcher Jahreszeit benötigt werden.
Derzeit dürften etwa 100‐500 zivile Erdbeobachtungssysteme Daten über die Erdoberfläche liefern.
Jedes System hat spezielle Eigenschaften. Um den Überblick zu bewahren werden diese Systeme über
ihre gemeinsamen Eigenschaften gruppiert. Typischer Weise geschieht dieses anhand des Kriteriums
„Auflösung“. Die nachfolgenden Betrachtungen beschränken sich auf die im Umfeld der ESA heute
oder in naher Zukunft verfügbaren Systeme. Es werden weiterhin nur diejenigen betrachtet, die für
Zwecke der Inventur und des Monitorings aquatischer Systeme geeignet erscheinen. Die Grundfrage
hierbei ist, welche Systeme geeignet erscheinen (Wissenschaftlich/operationell) und daraus, welche
ökonomisch sinnvoll in einem operationellen Kontext einsetzbar wären.
59

Klar ist, dass auch zukünftige FE‐Systeme multi‐ bis hyperspektraler Charakteristik Einschränkungen
unterworfen sein werden, die dem Spannungsfeld der Auflösung zuzuschreiben sind. Die Forderung
nach hoher radiometrischer Auflösung bei geringem Signal zu Rausch Verhältnis, die insbesondere bei
Wasserbezogenen Fragestellungen erhoben werden muss, bei denen Reflexionsfaktoren von unter 2%
die Regel sind, entspricht der Quadratur des Kreises. Die Einengung der Bandbreiten mit dem Ziel,
diagnostisch wichtig Absorptionsbanden möglichst genau abzubilden, resultiert in einer linearen
Abnahme der reflektierten Strahldichten pro Band. Die gewünschte höhere räumliche Auflösung, die
es ermöglicht auch kleine Flächen zu erfassen, führt gar zu einer quadratischen Abnahme der
zählbaren Photonen pro Pixel. Da aber ein bestimmtes Signal zu Rausch Verhältnis (englisch: signal to
noise ration, SNR) nicht unterschritten werden sollte, um den Werten vertrauen zu können (Faustregel:
„Rauschen“ sollte mindestens 100x, besser 200‐300x geringer sein als das zu analysierende Signal),
kann hier lediglich technischer Fortschritt im Detektor/System Komplex zu Verbesserungen führen.
Hyperspektrale Systeme mit schmalen Bandbreiten sind da den multispektralen Systemen mit deutlich
breiteren Spektralbändern naturgemäß unterlegen wenn dieselbe räumliche Auflösung angestrebt
wird. Satellitensysteme, bei denen die Anforderungen an die Robustheit der verbauten Komponenten
wesentlich höher ist als bei den austauschbaren Flugzeuggetragenen Systemen, sind typischer Weise
letzteren technisch unterlegen, da nicht die neuesten sondern die bewährten und Weltraum
zertifizierten Komponenten verbaut werden.
Aus diesem Blickwinkel lohnt es zu hinterfragen, welches der zukünftigen Systeme aus Abbildung 39
für die Aufgabe eines Inventur und Monitoring‐Systems für Binnengewässer geeignet sein könnte.
Abbildung 39: Mit Beteiligung der ESA entwickelte, bzw. betriebene Satelliten‐Systeme zur Erdbeobachtung,
farblich kodiert nach voraussichtlichem Fenster des operationellen Betriebs (lila: bereits auf Umlaufbahn, blau:
bewilligt und im Bau befindlich, grün: geplante), ESA Living Planet Programm 2013.
http://download.esa.int/docs/EarthObservation/Optical_GMES_Contributing_Missions.pdf
60

Für ein operationelles Monitoring System des aquatischen Bereichs ist die gewünschte hohe bis sehr
hohe räumliche, spektrale, zeitliche und radiometrische Auflösung aus Kostengründen nicht
realisierbar. Hier sind ja die Anforderungen an Kosteneffektivität zu beachten und somit das Motto „so
wenig wie möglich, so viel wie nötig“. Möglich erscheint jedoch ein intelligentes System der
Verknüpfung unterschiedlicher Systeme.
Unkritisch und sicher kann die Ausbreitung von Makrophyten in bisher nicht besiedelte Bereiche schon
mit multispektralen Systemen erkannt und quantifiziert werden. Je nach geforderter Ortsschärfe sind
hierzu Satellitensysteme der hochauflösenden Klasse (wahlweise „high resolution“ 1 oder 2 in
Abbildung 39) oder der sehr hoch auflösenden („very high resolution“ 1 oder 2) einzusetzen. Denkbar
sind in diesem Fall auch flexible Systeme auf Drohnen.
Mit zunehmendem Detaillierungsgrad der Auswertungsziele etwa in Richtung Abundanzen,
Deckungsgrad, Artenerkennung steigen die Anforderungen an die Systeme. Im Forschungsbereich wird
der Schwerpunkt weiterhin bei hyperspektralen, flugzeuggetragenen Systemen liegen müssen.
Zwingend erscheint auch vermehrt Wert auf erklärende Begleitmessungen zu legen. Im
Forschungsumfeld wird somit wie bisher mit „überdefinierten“ Systemen gearbeitet werden, da erst
diese Überdefinition es erlaubt über Simulationen Schritt für Schritt die Informationsdichte zu
reduzieren.
Die Herausforderungen erwachsen jedoch vor allem aus dem Bedarf nach Modelloptimierungen und
der Integration der Interdisziplinären Modelle in ein integrales, übergreifendes Konzept wie das in
diesem Vorhaben angedachte. Die Forschungsziele am Lehrstuhl für Aquatische Systembiologie der TU
München, Limnologische Station orientieren sich an diesen Herausforderungen und versuchen die
nachfolgend noch einmal aufgelisteten Wissenslücken zu schließen. Aufgrund des hochkomplexen
Arbeitsbereichs kooperieren wir dabei mit Kollegen spezialisierter Institutionen:
Entwicklung eines Integralen Atmosphären‐/Grenzflächen‐/Wassersäulen‐Korrekturmodelles
das Anliegen wird u.a. aufgrund der Ergebnisse dieses Vorhabens in einer gemeinsamen
Anstrengung des DLR und des GKSS im Rahmen des EnMAP Begleitprogramms des BMWi
bearbeitet
Weiterentwicklung der Wachstums‐/Reflexionsmodell: Die aktuelle Klassifizierung, basierend
auf linearen Diskriminanz‐Analysen mit den gesammelten in situ‐Daten selbst ist
zufriedenstellend und vielversprechend. Testläufe mit aus Fernerkundungsdaten gewonnen
Spektren oder basierend auf anderen Klassifikationsregeln sind aber notwendig, um die
Genauigkeit und Robustheit des Modells zu erhöhen. ein diesbezüglicher Antrag wird auf
Anforderung bei DLR Programmdirektion Raumfahrt unter dem Titel „Monitoring aquatischer
Klima‐Indikatoren mit Methoden der Fernerkundung“ eingereicht. Zielgrößen sind
Wasserinhaltstoffe, Makrophyten, Modellentwicklung, Partner ist die Uni Kiel und die
Limnologische Station der TUM, DLR Oberpfaffenhofen und DLR Neustrelitz)
Phytoplankton Bestimmung auf Artenebene insbesondere Cyanobakterien. Hierfür ist eine
noch genauere Charakterisierung der Wassersäule notwendig. Durch die Integration der
Phytoplankton‐Zusammensetzung könnte beispielsweise die Bestimmung des Chlorophyll‐a
Gehaltes verbessert werden. Eine damit einhergehende Erkennung von Cyanobakterien ist
hinsichtlich deren toxischer Wirkungen von ökologischer Bedeutung. die Fragestellung wird
im Rahmen eines Vorhabens des TUM‐IGSSE Programms vertieft werden (bewilligt, 2013‐
2016), ein ergänzender Antrag ist bei der DFG eingereicht (in Begutachtung)
Abschätzung des Informations‐Gewinns‐/Verlustes bei Einsatz höher‐/geringer auflösender
Systeme wird sukzessive im Rahmen von laufenden, bzw. geplanten Vorhaben abgearbeitet
Entwicklung von Kosten/Nutzen Modellen zur Abschätzung ökonomischer Auswirkungen
Intra‐ und Transdisziplinärer Nutzung von Fernerkundungs‐Daten in integralen Ansätzen
61

über derartige Bewertungsansätze für den aquatischen Bereich konnten keine Hinweise in der
Literatur gefunden werden
Frage der Auswirkungen des Aufwuchses auf die Spektralinformation dieses ist eine der
Einflussfaktoren mit den derzeit am wenigsten abschätzbaren Auswirkungen!
Abgesehen von den Fernerkundungs‐bezogenen Fragen sind auch von biologisch/limnologischer Seite
Antworten zu bestimmten Fragen gefordert. So muss u.a. geklärt werden, ab welcher Flächengröße
eine Makrophyten‐Gesellschaft als etabliert gelten kann und folgerichtig in ein Monitoring Programm
aufgenommen werden sollte. Es ist auch nicht klar, wie eine Besiedlung bisher Makrophyten freier
Flächen des Seebodens abläuft. Welche Steuergrößen stehen dahinter, wenn das auf gleicher
Tiefenstufe passiert, welche wenn die Expansion in tiefere Bereiche stattfindet. Die Flächengröße steht
in direkter Beziehung zu der benötigten räumlichen Auflösung, die Tiefenstufe fordert zusätzlich die
radiometrische Leistungsfähigkeit des Systems.
Ein Problemkreis, der in den letzten Monaten zunehmend mit seiner Tragweite in den Blickpunkt gerät,
ist an reduzierte Lichtverfügbarkeit durch häufigere Trübungsphasen aufgrund von Starkniederschlags‐
Ereignissen geknüpft. Auch diese Erscheinungen werden dem beobachteten Klimawandel
zugeschrieben.. Die Fragestellung betrifft einige Forschungsfelder des Lehrstuhls für Aquatische
Systembiologie und speziell auch der Limnologischen Station, und soll in den nächsten Jahren intensiv
bearbeitet werden.
Im Konzept des hier entwickelten Monitoring Systems kann eine hohe Widerholfrequenz der
Wasserinhaltsstoffe‐Bestimmung dazu beitragen, die Lichtverhältnisse gerade auch bei der
beobachteten zunehmenden Häufung der Starkniederschlagsereignisse besser zu quantifizieren und
dadurch die Modellierung der Wuchsbedingungen für Phytoplankton und submerse Makrophyten zu
optimieren. Zumindest für die großen Seen wäre dieses kostengünstig über die „globalen“
vorhandenen (Modis) bzw. kommenden (Sentinl‐3) hyperspektralen Systeme möglich („low to medium
resolution“ Abbildung 39), die eine tägliche Aufnahmewiederholung möglich machen. Eine zumindest
wöchentliche Nachführug der Wasserinhaltsstoffe Datenbanken wäre damit machbar und zwar
weitestgehend automatisiert. Die Informationen der Wasserinhaltsstoff Datenbank wiederum fließen
in die Wachstumsmodelle für Phytoplankton und submerse Makrophyten ein, die dadurch präzisere
Prognosen abgeben können. Diese Prognosen wiederum fließen als „a‐priori“ Information in die
Analyse hochaufgelöster FE‐Daten ein. Das hilft Alternativen zu reduzieren und das
Klassifikationsergebnis zu verbessern. Darüber hinaus kann dies ein Schlüssel sein um über Daten
geringerer Informationsdichte die gewünschte Aussageschärfe zu erreichen, eine Option die Kosten
spart.
Des Weiteren soll auch an dieser Stelle die Mehrfachnutzung kostspieliger Fernerkundungsdaten
angeregt werden. Unter dem Motto „Lakes, Eyes oft the Landscape“ (Schneider et al., 2003) wurde
bereits 2003 ein Konzept vorgeschlagen, um intra‐ und transdisziplinär in integralen
Landschaftsansätzen Fernerkundungsdaten zu nutzen. Neben einer verbesserten Kosteneffektivität
kann hierüber such das Verständnis und die Wirkungszusammenhänge der unterschiedlichen
Flächenbezogenen Fachdisziplinen zusammengeführt und eine Ökosystemare Betrachtung gefördert
werden (Abbildung 40).
62

Abbildung 40: Konzept von Seen als Spiegelbild des Zustandes des Ökosystems auf Einzugsgebietsebene am
Beispiel Waging‐Tachinger Seen. Mit weißer Schrift sind Fachbereiche unter Bearbeitung an der Limnologischen
Station hervorgehoben (nach Schneider et al., 2003, aktualisiert)
6. Kooperationen und wissenschaftlicher Austausch
Zum Thema Messstrategie fand vom 04 bis 06 Mai 2011 ein Workshop an der Limnologischen Station
statt, an dem Gewässerfernerkundler der DLR und Berlin Adlerhorst, des Helmholtz Zentrums
Geesthacht, des Alfred Wegner Instituts Berlin, der Universität Kiel der Fa. EOMAP teilgenommen
haben. Bei dem Treffen wurden die Rahmenbedingungen für standardisierte Messungen mit
Unterwasser‐Spektrometern festgelegt. Das Treffen war die Initialzündung für den Zusammenschluss
der Arbeitsgruppe Gewässerfernerkundung in Deutschland. Die AG trifft sich seither im
Halbjahresabstand. Dieser Initiative sind bisher Arbeitsgruppen des DLR Oberpfaffenhofen, Neustrelitz
und Berlin angehören (Peter Gege, Nicole Pinnel, Harald Krawczyk, Bringfried Pflug, Thomas Welzl, Erik
Borg), des HZG in Bremerhaven (Rüdiger Rüttgers), Uni Oldenburg (Reiner Reuter), FU Berlin (Lena
Kritten), EAWAG (Elisabeth Eder), EOMAP (Thomas Heege), Brockmann Consult (Daniel Odermatt),
AWI (Astrid Bracher, Birgit Heim), Uni Kiel (Natascha Oppelt) beigetreten. Eines der dringendsten
Anliegen ist die Frage der integralen Atmosphären/Grenzflächen/Wassersäulen Korrektur. Ein
gemeinsamer Daten‐Pool, abgestimmte Messkonzepte und die Entwicklung von „open source“
Software werden angestrebt, eine Wiki –Austauschplattform ist auf dem Server von EOMAP installiert.
In diesem Zusammenhang soll ein N‐S/E‐W Kreuz mit Dauerbeobachtungsflächen an Seen zur
saisonalen Änderung der Wasserinhaltsstoffe aufgebaut werden. Die Dauertestflächen der
Limnologischen Station sind als südlicher Endpunkt der Transsekte vorgesehen. Im angekündigten
Sentinel‐3 Aufruf zum Start des Systems 2014 soll dieses Kreuz nach Süden bis an die großen Seen
südlich der Alpen, nach Norden bis Skandinavien, nach Osten bis Estland und nach Westen bis in die
Niederlande ausgedehnt werden. Wenn immer möglich werden diese Cal/Val Testflächen beflogen
werden.
63

Eine der wesentlichen Zusammenarbeiten erfolgte hinsichtlich der Befliegungskampagnen mit dem
Deutschen Luft‐ und Raumfahrtzentrum (DLR) in Oberpfaffenhofen. So bestand mit Dr. Nicole Pinnel
im der Abteilung Landoberflächen im Deutschen Fernerkundungsdatenzentrum ein enger Austausch
bezüglich der Flug‐ und Kampagnenplanung. Des Weiteren wurde der Kontakt zu Dr. Peter Gege aus
der Abteilung für Experimentelle Verfahren am Institut für Methoden der Fernerkundung intensiviert.
So fanden vor allem im Zuge der Masterarbeit von Katrin Linnemann regelmäßige Treffen statt.
Da sich die erwähnte Arbeit mit der Validierung der aus WASI gewonnen Gehalte an
Wasserinhaltsstoffen beschäftigte (Kap. 4.1.2; AP 1100: Transparenz), mussten die entsprechenden
Labormethoden zur Bestimmung von Chlorophyll a, Gelbstoff und suspendierter, partikulärer Stoffe
angewandt werden. Bei der Entwicklung dieser Methoden wurde Kontakt zu den Landesämtern für
Umwelt in Langenargen und Marktredwitz aufgenommen.
Für die Weiterentwicklung des Wachstums‐/Reflexionsmodells besteht Kontakt zu den Modellierern
Prof. Dr. Boris Schröder (TUM – Extraordinariat für Landschaftsökologie am WZW) und Prof. Dr. Peter
Struss (TUM – Fakultät für Informatik).
Für zukünftige und weiterführende Arbeiten bestehen Kontakte zu den Wissenschaftlich‐Technischen
Werkstätten (WTW) in Weilheim, zur Firma Airborne Hydro Mapping (AHM) in Innsbruck und zu Dr.
Erik Borg (DLR Neustrelitz). In Zusammenarbeit mit WTW wird in einer aktuellen Bachelorarbeit
versucht, sowohl mittels einer neuen Sonde, als auch Labormethoden den Gehalt an Cyanobakterien
in den Osterseen zu erfassen. Dies findet in enger Zusammenarbeit mit der Gruppe für Mikrobiologie
unter Leitung von Dr. Katrin Zwirglmaier (Limnologische Station) statt und soll auch erste
Anhaltspunkte für ein zukünftiges Projekt liefern.
Die Verbindung zu AHM steht im Zeichen der Schilfkartierung und ‐charakterisierung an
Oberbayerischen Seen. Mittels eines GreenLIDAR‐Sensors sollen hierbei flugzeuggetragene
Aufnahmen der Schilfgürtel vorgenommen werden, welche hinsichtlich ökologischer und
biometrischer Eigenschaften ausgewertet werden sollen. Um erste Vorkenntnisse zu Gewinnen bzw.
Verfahren zu testen werden bereits aufgenommene Daten durch zwei Masterstudenten ausgewertet.
Die Zusammenarbeit mit Dr. Erik Borg konzentriert sich auf Spektroskopische Messungen mit den
RAMSES‐Sensoren sowie auf den geplanten Aufbau einer N‐S Transsekte zum Monitoring von
Wasserinhaltsstoffen mit hoher zeitlicher Auflösung. So sollen im Testgebiet Demmin (Brandenburg)
vergleichbare Messungen vor allem am Kummerower See durchgeführt werden, um die
Anwendbarkeit unserer Verfahren auf andere Gewässer zu testen. Auch wurde seitens Herrn Borg
Interesse hinsichtlich des Einsatzes unseres Goniometers bekundet.
Mit Dr. Birgit Heim vom Alfred‐Wegener‐Institut für Polar‐ und Meeresforschung (Forschungsstelle
Potsdam) besteht eine enge Zusammenarbeit zur Ableitung von Wasserinhaltsstoffen (insbesondere
Gelbstoff) aus in situ gemessener Strahlung. Auch zur photometrischen Bestimmung der Absorption
von cDOM aus Wasserproben besteht eine enge Zusammenarbeit.
7. Danksagung
Unser großer Dank gilt dem Bayerischen Staatsministerium für Umwelt und Verbraucherschutz
(während der Förderung Bayerisches Staatsministerium für Umwelt und Gesundheit) für die
Förderung, Projektbegleitende Diskussion und unbürokratische Abwicklung des Vorhabens
(Fördernummer: ZKL01Abt7_18457). Unser ganz spezieller Dank geht an Frau Prof. Dr. Tanja Gschlößl
für ihre kompetente, motivierende Projektbegleitung. Bedanken möchten wir uns auch bei Dr. Peter
Gege für die vielen inspirierenden Diskussionen und wissenschaftliche Unterstützung sowie dem
Hyperspektral‐Team des DLR‐OP für die hervorragende unkomplizierte Zusammenarbeit, RapidEye
Science Archive (RESA) der DLR und der RapidEye AG, die im Rahmen des RESA Projektes 455 Daten
zur Verfügung stellte. Daneben allen Mitarbeitern und Mitarbeiterinnen der Limnologischen Station
der TU München für die tatkräftige Unterstützung und Hilfe bei den Feld‐ und Taucheinsätzen.
64

8. Veröffentlichungen, Ergebnisverwertung
8.1. Tagungsbeiträge
Die bisherigen Tagungsbeiträge der Doktoranden Sebastian Rößler und Patrick Wolf sind im Folgenden
aufgelistet. Die Beiträge befinden sich in digitaler Form auf einer CD im Anhang.
Rößler, S.; Wolf, P.; Schneider, T.; Zimmermann, S.; Raeder, U.; Melzer, A.; (2010): Fernerkundung zur
Bestimmung von Wasserinhaltsstoffen. In: Hardegsen 2011. Deutsche Gesellschaft für Limnologie (DGL).
Bayreuth, Deutschland.
Rößler, S., Wolf, P., Schneider, T. & Melzer, A. (2011): Hyperspectral remote sensing of invasive aquatic plants.
7th EARSeL SIG Imaging Spectroscopy Workshop, Edinburgh (Schottland), 11.‐13. April 2011.
Rößler, S.; Wolf, P.; Schneider, T.; Melzer, A.; (2011): Multispektrale Fernerkundung invasiver Makrophyten. In:
Hardegsen 2012. Deutsche Gesellschaft für Limnologie (DGL). Weihenstephan, Deutschland.
Rößler, S., Wolf, P., Schneider, T. & Melzer, A. (2011): Monitoring of invasive aquatic plants by multispectral
remote sensing. 5th EARSeL Workshop on Remote Sensing of the Coastal Zone, Prag (Tschechien), 1.‐3. Juni
2011.
Rößler, S., Wolf, P., Schneider, T. & Melzer, A. (2012): Monitoring of invasive aquatic plants using multitemporal
RapidEye data. 1st EARSeL Workshop on Temporal Analysis of Satellite Images, Mykonos (Griechenland), 23.‐
25. Mai 2012.
Wolf, P.; Rößler, S.; Schneider, T.; Melzer, A.; (2011): Abschätzen der Pigment‐Zusammensetzung von
submersen Makrophyten durch UW‐Spektroskopie. In: Hardegsen 2012. Deutsche Gesellschaft für
Limnologie (DGL). Weihenstephan, Deutschland.
Wolf, P., Rößler, S., Schneider, T. & Melzer, A. (2011): Assessing the pigment composition of submerse
macrophytes by remote sensing reflectance. 7th EARSeL SIG Imaging Spectroscopy Workshop, Edinburgh
(Schottland), 11.‐13. April 2011.
Wolf, P., Rößler, S., Schneider, T. & Melzer, A. (2011): Remote sensing reflectance of submerse macrophytes –
searching for true spectra. 5th EARSeL Workshop on Remote Sensing of the Coastal Zone, Prag (Tschechien),
1.‐3. Juni 2011.
Wolf, P., Rößler, S., Schneider, T. & Melzer, A. (2012): Using multispectral Sentinel‐2 data to monitor submerse
macrophytes. First Sentinel‐2 Preparatory Symposium, Frascati (Italien), 23.‐27. April 2012, ESA SP‐707, July
2012.
Wolf, P., Rößler, S., Schneider, T. & Melzer, A. (2013): Spectral library of submersed macrophytes – how distinct
is their reflectance? 8th EARSeL SIG Imaging Spectroscopy Workshop, Nantes (Frankreich), 8.‐10. April 2013.
8.2. Begutachtete Veröffentlichungen (peer‐reviewed full paper)
Rößler, S., Wolf, P., Schneider, T. & A. Melzer (2011): Die Option eines Multisaisonalen Monitorings invasiver
Wasserpflanzen mit RapidEye. In: Borg, E., Daedelow, H. (Hrsg.): RapidEye Science Archive (RESA) ‐ Erste
Ergebnisse. 3. RESA Workshop. GITO Verlag, Berlin, S. 28‐42.
Rößler, S., Wolf, P., Schneider, T. & A. Melzer (2013): Litoral bottom mapping in lakes using multitemporal
RapidEye data. In: Borg, E., Daedelow, H., Johnson, R. (Hrsg.): RapidEye Science Archive (RESA) – From the
Basics to the Service. 5. RESA Workshop. GITO Verlag, Berlin, S. 107‐127.
Rößler, S., Wolf, P., Schneider, T. & A. Melzer (2013): Multispectral remote sensing of invasive aquatic plants
using RapidEye. In: Krisp, J.M., Meng, L., Pail, R., Stilla, U. (Hrsg.): Earth Observation of Global Changes (EOGC).
Springer Verlag, Berlin, S. 109‐123.
65

Rößler, S., Wolf, P., Schneider, T. & A. Melzer (2013): Water constituent retrieval and littoral bottom mapping
using hyperspectral APEX imagery and submersed artificial surfaces. EARSeL eProceedings 12, 1/2013, pages
44‐57.
Wolf, P., Rößler, S., Schneider, T. & A. Melzer (2013): Evaluation of the anisotropy factors on aquatic test sites
caused by RapidEye off‐nadir data acquisition with the Mobile Goniometric System (MGS). In: Borg, E.,
Daedelow, H., Johnson, R. (Hrsg.): RapidEye Science Archive (RESA) – From the Basics to the Service. 5. RESA
Workshop. GITO Verlag, Berlin, S. 221‐237.
Wolf, P., Rößler, S., Schneider, T. & Melzer, A. (2013): Collecting in situ remote sensing reflectances of
submersed macrophytes to build up a spectral library for lake monitoring. European Journal of Remote
Sensing. Volume: 46 Year: 2013 Pages: 401 ‐ 416 DOI: 10.5721/EuJRS20134623. Published online: 20/04/2013
8.3. Lehre und Fortbildung
Ergebnisse des Forschungsvorhabens wurden sukzessive in die laufenden Lehrveranstaltungen
integriert. Dieses erfolgte im Rahmen von Vorlesungen, Praktikas und Übungen sowie in
Abschlußarnbeiten.
Vorlesungen, Übungen, Praktika:
Terrestrial and Remote Sensing based Inventory Methods, Dr. T. Schneider (Sustainable
Resource Management, MSc. Studiengang)
Introduction to Remote Sensing and Image Processing, Dr. T. Schneider (Sustainable Resource
Management, MSc. Studiengang, Vertiefungsblock)
Limnologie, Dr. U. Raeder (Biologie, MSc.)
Makrophyten Praktikum der Limnologischen Station, Dr. U. Raeder et al.
Berufspraktika, Projektarbeiten:
Claudius Birke, TU München, 2011: Chromatographische Pigmentanalyse von Elodea nuttallii
und Najas marina ssp. intermedia: Einfluss der Pigmentgehalte auf die spektrale Reflexion
Natascha Lehmann, Katholische Universität Eichstätt‐Ingolstadt, 2011: Praktikumsbericht zum
Modul V7-M Methoden der Geographie
Sarah Betz, Katholische Universität Eichstätt‐Ingolstadt, 2011: Bericht über das Praktikum am
Limnologischen Institut der Technischen Universität München in Iffeldorf vom 19.9. bis
14.10.2011
Anna-Katharina Eisen, Katholische Universität Eichstätt‐Ingolstadt, 2012: Praktikumsbericht
zum Modul V7-M Methoden der Geographie
Anna Zolnhofer, Katholische Universität Eichstätt‐Ingolstadt, 2012: Praktikumsbericht zum Modul
V7-M Methoden der Geographie
Andrea Stöhr, Katholische Universität Eichstätt‐Ingolstadt, 2012: Praktikumsbericht zum
Modul V7-M Methoden der Geographie
Stephan Wenning, Masterstudiengang Umweltplanung und Ingenieurökologie, Studienarbeit
2012: Wie unsichtbare Konkurrenz das Geschäft belebt‐ Laborversuch zur Bestimmung
interspezifischer Hemm‐ und Fördermechanismen zwischen Elodea nuttallii und Elodea
canadensis
Abschlußarbeiten:
Masterarbeiten:
o
Kathrin Linnemann, TU München, 2013: Untersuchung der saisonalen Entwicklung
optischer Eigenschaften von Wasserinhaltsstoffen in vier ausgewählten Osterseen;
66

Studiengang Biologie, angefertigt an der Limnologischen Station der Technischen
Universität München
Dissertationen:
o
o
Sebastian Rößler, 2013: Methods for multitemporal mapping of submerged aquatic
macrophytes using multispectral remote sensing; TECHNISCHE UNIVERSITÄT
MÜNCHEN, Forschungsdepartment Ökologie und Ökosystemmanagement, Lehrstuhl
für Aquatische Systembiologie
Patrick Wolf, 2013: In situ Messungen als Basis für Wachstums‐/Reflexionsmodelle
submerser Makrophyten; TECHNISCHE UNIVERSITÄT MÜNCHEN,
Forschungsdepartment Ökologie und Ökosystemmanagement, Lehrstuhl für
Aquatische Systembiologie
9. Literaturverzeichnis
Albert, A. and C. D. Mobley (2003). "An analytical model for subsurface irradiance and remote sensing
reflectance in deep and shallow case‐2 waters." Optics Express11(22).
Anonymous, 2011: MERIS Optical Measurement Protocols. Part A: In ‐ situ water reflectance
measurements; CO‐SCI‐ARG‐TN‐008; http://hermes.acri.fr/mermaid/dataproto/CO‐SCI‐ARG‐TN‐
0008_MERIS_Optical_Measurement_Protocols_Issue2_Aug2011.pdf
Armstrong, R. A. (1993). "Remote sensing of submerged vegetation canopies for biomass estimation."
International Journal of Remote Sensing 14(3): 621‐627.
Beisl, U. (2001). Correction of bidirectional effects in imaging spectrometer data. Zurich, Remote
Sensing Laboratories.
Brando, V. E. and A. G. Dekker (2003). "Satellite Hyperspectral Remote Sensing for Estimating Estuarine
and Coastal Water Quality." IEEE Transaction on Geoscience and Remote Sensing 41(6): 1376‐1387.
Bricaud, A., et al. (1995). "Variability in the chlorophyll‐specific absorption‐coefficients of natural
Phytoplankton ‐ analysis and parameterization." Journal of Geophysical Research‐Oceans100(C7):
13321‐13332.
Camacho‐de Coca, F., et al. (2001). "Bidirectional Reflectance Factor Analysis from Field Radiometry
and HyMap data." Proceedings of the Final Results Workshop on DAISEX (Digital AIrborne
Spectrometer EXperiment) ESA SP‐499, ESTEC, 15–16 March 2001: 163‐175.
Dekker, A., et al. (2001). Imaging Spectroscopy of water. Imaging Spectrometry. F. D. Van der Meer
and S. M. De Jong: 307‐359.
Fesq‐Martin, M., et al. (2008). Der Starnberger See ‐ Natur‐ und Vorgeschichte einer bayerischen
Landschaft. München, Pfeil‐Verlag.
Gege, P. (2004). Improved method for measuring gelbstoff absorption spectra. Ocean Optics
Conference. Fremantle, Australia: 25‐29.
Gege, P. (2004). "The water color simulator WASI: an integrating software tool for analysis and
simulation of optical in situ spectra." Computers and Geoscience30.
Gege, P. (2012). "Estimation of phytoplankton concentration from downwelling irradiance
measurements in water." Israel Journal of Plant Sciences60(1‐2): 193‐207.
Giardino, C., et al. (2012). "BOMBER: A tool for estimating water quality and bottom properties from
remote sensing images." Computers &amp; Geosciences(0).
67

Gregg, W. W. and K. L. Carder (1990). "A simple spectral solar irradiance model for cloudless maritime
atmospheres." Limnology and Oceanography35(8): 1657‐1675.
Hedley, J. D. and P. J. Mumby (2003). "A Remote Sensing Method for Resolving Depth and Subpixel
Composition of Aquatic Benthos." Limnology and Oceanography48(1): 480‐488.
Heege, T., et al. (2003). Mapping of submerged aquatic vegetation with a physically based processing
chain. SPIE‐The International Society for Optical Engineering, Barcelona, SPIE.
Kohler, A. (1978). "Methoden der Kartierung von Flora und Vegetation von Süßwasserbiotopen."
Landschaft und Stadt10: 73‐85.
Kraay, G. W., et al. (1992). "Separation of Chlorophylls‐c1, Chlorophylls‐c2, and Chlorophylls‐c3 of
marine‐phytoplankton by reversed‐phase‐C18 high‐performance‐liquid‐chromatography." Journal of
Phycology28(5): 708‐712.
Kutser, T., et al. (2013). "Removing glint effects from field radiometry data measured in optically
complex coastal and inland waters." Remote Sensing of Environment133(0): 85‐89.
Lee, Z., et al. (1998). "Hyperspectral Remote Sensing for Shallow Waters. I. A Semianalytical Model."
Applied Optics37(27): 6329‐6338.
Lee, Z., et al. (1999). "Hyperspectral Remote Sensing for Shallow Waters. 2. Deriving Bottom Depths
and Water Properties by Optimization." Applied Optics38(18): 3831‐3843.
LfW, B. L. f. W.‐A. (2002). Handbucht tGewA ‐ Teil 4.
Linnemann, K. (2013). Untersuchung der saisonalen Entwicklung optischer Eigenschaften von
Wasserinhaltsstoffen in vier ausgewählten Osterseen. Limnologische Station, WZW, Department für
Ökologie. München, Technische Universität München. Master: 87.
Lyzenga, D. R. (1978). "Passive remote sensing techniques for mapping water depth and bottom
features." Appl. Opt.17(3): 379‐383.
Lyzenga, D. R. (1981). "Remote sensing of bottom reflectance and water attenuation parameters in
shallow water using aircraft and Landsat data." International Journal of Remote Sensing2(1): 71 ‐ 82.
Manolakis, D. and G. Shaw (2002). "Detection algorithms for hyperspectral imaging applications."
Signal Processing Magazine, IEEE19(1): 29‐43.
Maritorena, S. (1996). "Remote sensing of the water attenuation in coral reefs: A case study in French
Polynesia." International Journal of Remote Sensing17(1): 155‐166.
Marsh, S. E. and R. J. P. Lyon (1980). "Quantitative relationships of near‐surface spectra to Landsat
radiometric data." Remote Sensing of Environment10(4): 241‐261.
McFeeters, S. K. (1996). "The use of the normalized difference water index (NDWI) in the delineation
of open water features." International Journal of Remote Sensing17(7): 1425‐1432.
Mishra, D., et al. (2004). "Bathymetric Mapping Using IKONOS Multispectral Data." Giscience & Remote
Sensing41(4): 301‐321.
Mumby, P. J., et al. (1998). "Benefits of water column correction and contextual editing for mapping
coral reefs." International Journal of Remote Sensing19(1): 203‐210.
Nicolaus, M., et al. (2010). "A modern concept for autonomous and continuous measurements of
spectral albedo and transmittance of sea ice." Cold Regions Science and Technology62(1): 14‐28.
Pinnel, N. (2007). A method for mapping submerged macrophytes in lakes using hyperspectral remote
sensing. Limnologische Station, WZW, Department für Ökologie München, Technische Universität.
Dissertation: 164.
Richards, J. A. (1999). Remote Sensing Digital Image Analysis. Berlin, Springer‐Verlag.
68

Richter, R. (1996). "A spatially adaptive fast atmospheric correction algorithm." International Journal
of Remote Sensing17(6): 1201 ‐ 1214.
Rößler, S., et al. (2012). Identifizierung und Überwachung invasiver Wasserpflanzen mit RapidEye.
RapidEye Science Archiven (RESA) ‐ Vom Algorithmus zum Produkt. E. Borg, H. Daedelow and R.
Johnson. Berlin, GITO Verlag: 73‐91.
Rößler, S., et al. (2013). Littoral bottom mapping in lakes using multitemporal RapidEye data. From the
Basic to the Service. E. Borg, H. Daedelow and R. Johnson. Berlin, GITO Verlag: 107‐127.
Rößler, S., et al. (2013). Multispectral Remote Sensing of Invasive Aquatic Plants Using RapidEye. Earth
Observation of Global Changes (EOGC). J. M. Krisp, L. Meng, R. Pail and U. Stilla, Springer Berlin
Heidelberg: 109‐123.
Rößler, S., et al. (2013) Water constituent retrieval and littoral bottom mapping using hyperspectral
APEX imagery and submersed artificial surfaces. EARSeL eProceedings12, 44‐57
Sandmeier, S. R., et al. (1998). Comparing hyperspectral BRDF data of grass derived from three
different laboratory‐ and field‐goniometer systems.
Savitzky, A. and M. J. E. Golay (1964). "Smoothing and Differentiation of Data by Simplified Least
Squares Procedures." Analytical Chemistry36(8): 1627‐1639.
Schneider; Th., S. Zimmermann, N. Pinnel, Th. Heege, A. Müller, W. Dorigo, 2003: Lakes, eyes of the
landscape ‐ A long term concept for landscape monitoring on lake catchment area base; Proc. 3rd
EARSeL Workshop on Imaging Spectroscopy, Herrsching, May 13‐16.
Schneider, T., et al. (2004) Field goniometer system for accompanying directional measurements. Proc.
of the 2nd CHRIS/Proba Workshop, ESA/ESRIN
Spitzer, D. and R. W. J. Dirks (1987). "Bottom influence on the reflectance of the sea." International
Journal of Remote Sensing 8(3): 279‐308.
Tassan, S. (1996). "Modified Lyzenga's method for macroalgae detection in water with non‐uniform
composition." International Journal of Remote Sensing17(8): 1601‐1607.
Wolf, P., et al. (2013). "Collecting in situ remote sensing reflectances of submerged macrophytes to
buid up a spectral library for lake monitoring." European Journal of Remote Sensing, Volume: 46 Year:
2013 Pages: 401 ‐ 416 DOI: 10.5721/EuJRS20134623. Published online: 20/04/2013
Wolf, P., et al. (2013). Evaluation of the anisotropy factors on aqautic test sites caused by RapidEye offnadir
data acquisition with the Mobile Goniometric System (MGS). From the Basic to the Service. E.
Borg, H. Daedelow and R. Johnson. Berlin, GITO Verlag: 221‐237.
69