Bericht - Links - DLR
Bericht - Links - DLR
Bericht - Links - DLR
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Technische Universität München<br />
Wissenschaftszentrum Weihenstephan<br />
Lehrstuhl für Aquatische Systembiologie<br />
Limnologische Station Iffeldorf<br />
Endbericht zum Forschungsvorhaben:<br />
Monitoring aquatischer Klima‐Indikatoren mit<br />
Methoden der Fernerkundung<br />
Auftragsnehmer:<br />
Prof. Dr. Arnulf Melzer<br />
Dr. Thomas Schneider<br />
Bearbeitung:<br />
Dipl. Geogr. Sebastian Rößler<br />
Dipl. Geogr. Patrick Wolf<br />
Stand August 2013<br />
1
Inhaltsverzeichnis<br />
Inhaltsverzeichnis .................................................................................................................................... 2<br />
Abbildungsverzeichnis ............................................................................................................................. 3<br />
Tabellenverzeichnis ................................................................................................................................. 5<br />
Verzeichnis der Gleichungen ................................................................................................................... 5<br />
Abkürzungsverzeichnis ............................................................................................................................ 6<br />
Zusammenfassung ................................................................................................................................... 8<br />
1. Forschungsbedarf .......................................................................................................................... 9<br />
1.1. Ausgangslage ........................................................................................................................... 9<br />
1.2. Fragestellung ......................................................................................................................... 10<br />
1.3. Stand der Wissenschaft und der Technik ‐ Eigene Vorarbeiten ............................................ 10<br />
2. Forschungs‐ und Entwicklungs‐Ansatz ........................................................................................ 15<br />
3. Geleistete Arbeiten ..................................................................................................................... 18<br />
3.1. Naherkundung oder „in‐situ“ Untersuchungen(Teil 1) ......................................................... 18<br />
3.1.1. Erfassung der Spektralsignaturen (AP 1000) ................................................................. 18<br />
3.1.2. Transparenz der Wassersäule (AP 1100) ....................................................................... 21<br />
3.1.3. Einfluss des Deckungsgrades (AP 1300) ....................................................................... 25<br />
3.1.4. Erfassung der Spektralsignatur der Makrophyten (AP 1400) ........................................ 26<br />
3.1.5. Entwicklung von Wachstumsmodellen für Makrophyten (AP 1500) ............................ 30<br />
3.1.6. Richtungsabhängigkeit der Rückstreuung (AP 1200) .................................................... 32<br />
3.2. Auswertung der FE‐Daten (AP 2000), Teil 2 .......................................................................... 34<br />
3.2.1. Datengrundlage ............................................................................................................. 34<br />
3.2.2. Atmosphärenkorrektur der FE‐Daten (AP 2100) ........................................................... 37<br />
3.2.3. Winkelabhängigkeit des Reflexionssignals (AP 2200) ................................................... 39<br />
3.2.4. Korrektur der Wassersäule(AP 2300) ............................................................................ 41<br />
3.2.5. Klassifikation (AP 2400) ................................................................................................. 44<br />
3.2.6. Invertierung des Reflexionsmodells (AP 2500) ............................................................. 49<br />
3.2.7. Verifikation (AP 2600) ................................................................................................... 50<br />
3.3. Operationalisierung des Monitoringansatzes (AP 3000)....................................................... 50<br />
3.3.1. Digitale Luftbilder der Bayernbefliegung (AP 3100) ...................................................... 51<br />
3.3.2. RapidEye Datenanalyse (AP 3200)................................................................................. 53<br />
4. Vergleich der erzielten gegen die erwarteten Ergebnisse .......................................................... 54<br />
5. Fazit und Ausblick ........................................................................................................................ 55<br />
5.1. Fazit ....................................................................................................................................... 55<br />
5.2. Ausblick .................................................................................................................................. 59<br />
6. Kooperationen und wissenschaftlicher Austausch ..................................................................... 63<br />
7. Danksagung ................................................................................................................................. 64<br />
2
8. Veröffentlichungen, Ergebnisverwertung ................................................................................... 65<br />
8.1. Tagungsbeiträge .................................................................................................................... 65<br />
8.2. Begutachtete Veröffentlichungen (peer‐reviewed full paper).............................................. 65<br />
8.3. Lehre und Fortbildung ........................................................................................................... 66<br />
9. Literaturverzeichnis ..................................................................................................................... 67<br />
Abbildungsverzeichnis<br />
Abbildung 1: Informationsfluss zur Ableitung von bio‐geo‐chemo‐physikalischen Parametern von<br />
Pflanzenbeständen (aus: ESA AO 3381) ................................................................................................ 10<br />
Abbildung 2: Komponenten von Reflexionsspektren, die mit hochauflösenden Hyperspektralsensoren<br />
von Flugzeug aus aufgenommen werden. .................................................................... 12<br />
Abbildung 3: Ablaufschema von der Entwicklungsphase (obere Hälfte) mit Basisdatenerhebung über<br />
Modellbildung bis hin zu der Prognose als Eingangshypothese für die Auswertung von<br />
Fernerkundungsdaten durch Invertierung der Modelle (untere Hälfte) und darauf aufbauende<br />
Handlungsempfehlung .......................................................................................................................... 17<br />
Abbildung 4: oben: Karte mit den Standorten; unten: Fotos von den Standorten Mole (links) und<br />
Bernried (Mitte) am Starnberger See, sowie der Ringseebucht am Tegernsee (rechts) ...................... 19<br />
Abbildung 5:Die beiden Messaufbauten für Uferferne (links) und ‐nahe Bestände (rechts) mit den in<br />
einen Käfig montierten Sensoren und Kameras (mittig) ....................................................................... 20<br />
Abbildung 6: Graphische Darstellung der Messaufbauten mit der schematischen Darstellung von<br />
Prozessierungs‐Schritten. Die Verarbeitung ergibt schließlich „wassersäulenkorrigierte“ Mediane,<br />
denen bestimmte Eigenschaften eines Bestandes zugeordnet wurden(Wolf, Rößler et al. 2013) ...... 20<br />
Abbildung 7:Einfluss der Wasserinhaltsstoffe Chl‐a, cDOM und SPM auf den Attenuationsfaktor K d .<br />
Spektren wurden in WASI simuliert(Wolf, Rößler et al. 2013) .............................................................. 22<br />
Abbildung 8: Unkorrigierter (rot) und korrigierte Mediane (grün). Unterschiedliche Muster stehen für<br />
unterschiedliche Gehalte von Chlorophyll‐a (gepunktet: 3,35 µg/l; gestrichelt: 6,7µg/l; durchgezogen:<br />
13,4µg/l). Ausgehend von dem Invertierungsergebnis in WASI (6.7µg/l) wurde also zusätzlich mit der<br />
halben bzw. der doppelten Konzentration gerechnet (Wolf, Rößler et al. 2013) ................................. 23<br />
Abbildung 9: Ausschnitt aus der hyperspektralen AISA EAGLE Befliegungskampagne vom 17.08.2011,<br />
der Zoomausschnitt zeigt die Lage der Folien. Aufgrund von Überstrahlungs‐Effekten wirkt die weiße<br />
Folie jeweils deutlich größer. ................................................................................................................ 24<br />
Abbildung 10: Die vier Blöcke zeigen jeweils einen Ausschnitt aus einem APEX‐Streifen vom 10.09.2011<br />
(Rößler, Wolf et al. 2013). Die Farbabstufung entspricht den berechneten Gehalten von Chl‐a, cDOM<br />
und SPM und den Klassifikationsergebnissen für den Bereich der weißen (jeweils oben) und schwarzen<br />
(unten) Folien. Relevant sind die jeweils mittleren Streifen, da bei einer Folienbreite von 8 m und Pixeln<br />
von 4 m des APEX Systems lediglich diese Streifen als frei von Nachbarschaftseffekten betrachtet<br />
werden können. .................................................................................................................................... 24<br />
Abbildung 11: unterschiedliche Bedeckungsgrade von Najas marina am Standort Bernried .............. 25<br />
Abbildung 12: Chromatogramm von Najas marina der Probenahme vom 26.08.2010 ....................... 25<br />
Abbildung 13:Unterschiedliche Bedeckungsgrade (0%, 75% und 100%) von Chara spp. (unten) mit<br />
ihren dazugehörigen Reflexionsspektren (oben) .................................................................................. 26<br />
3
Abbildung 14:Reflexionsspektren von Elodea nuttallii (rot: Sediment, blau: leichte Bedeckung, grün:<br />
volle Bedeckung) von Mai bis Oktober inklusiver dazugehöriger Photographien (in Klammern:<br />
Bestandsstruktur)(Wolf, Rößler et al. 2013) ......................................................................................... 27<br />
Abbildung 15: Reflexionsspektren von Elodea nuttallii vom Starnberger See und Tegernsee. Die<br />
Überlagerung des Bestandes am Starnberger See durch Sediment ist sowohl auf der Photographie als<br />
auch am Spektrum deutlich zu erkennen .............................................................................................. 28<br />
Abbildung 16:Reflexionsspektren von Chara spp. (blau), Najas marina(magenta), Elodea nuttallii(grün)<br />
und Potamogeton perfoliatus(rot). ....................................................................................................... 29<br />
Abbildung 17: Reflexionsspektren von Sedimenten verschiedener Messstandorte ............................ 30<br />
Abbildung 18: Das auf dem Autodach eines Land Rover Defenders montierte Goniometer (Ausschnitte<br />
a) und b)) mit den RAMSES‐Sensoren für die Referenz‐ (Ausschnitt c)) und Reflexionsmessungen<br />
(Ausschnitt d). In den Ausschnitten e) und f) sind die Digitalkameras und das Messraster dargestellt<br />
(Wolf, Rößler et al. 2013) ...................................................................................................................... 33<br />
Abbildung 19: Graphen der Verteilung der Rücksteeuintensitäten dargestellt als ANIF‐Index für<br />
Phragmites australis (Land) und Chara spec. (Wasser). Für Schilf ist die typische Rückwärtsstreuung zu<br />
sehen. Der Unterwasser Characeenrasen hingegen zeigt ausgeprägte Vorwärtsreflexion, was auf<br />
Grenzflächen‐Phänomene wie spiegelnde Reflexion an der Wasseroberfläche zurückgeführt wird<br />
(Maxima maskiert). ............................................................................................................................... 33<br />
Abbildung 20: Schematische Darstellung der technischen Spezifikation der für die Aufnahmen<br />
relevanten Sensorgeometrie ................................................................................................................. 34<br />
Abbildung 21: Abdeckung des Westufers des Starnberger Sees durch die Sensoren HyMap, AISA und<br />
APEX ...................................................................................................................................................... 35<br />
Abbildung 22: Lage der Aufnahmefenster für RapidEye und Zoomausschnitt auf die beiden<br />
Seen(Rößler, Wolf et al. 2012) .............................................................................................................. 36<br />
Abbildung 23: RapidEye Subset Bernrieder Park vom 03.09.2011, links ohne Atmosphärenkorrektur,<br />
rechts nach EL‐Atmosphärenkorrektur, zugehörige Reflexionsspektren von optisch tiefem Wasser<br />
unten (0.08 = 8%) .................................................................................................................................. 37<br />
Abbildung 24: Vergleich der Reflexion über Najas marina in 3 Meter Tiefe (unten) und<br />
Tiefenwasserreflexion (oben) des gleichen Gebietes. Grau ist das hyperspektrale RAMSES Spektrum,<br />
rot der Mittelwert der RAMSES Messungen skaliert auf die spektrale Auflösung von RapidEye und<br />
schwarz das aus dem Bild gewonnenen Spektrum nach Atmosphärenkorrektur (Rößler, Wolf et al.<br />
2013) ...................................................................................................................................................... 39<br />
Abbildung 25: Verlauf des Sonnenzenithwinkels über und unter Wasser ........................................... 40<br />
Abbildung 26: Darstellung gemessener Reflexionsspektren über den Osterseen (links) und nach<br />
Korrektur der Oberflächenreflexion der Himmelsstrahlung (rechts) .................................................... 40<br />
Abbildung 27: Attenuationskoeffizienten aus RAMSES Messungen für vier verschiedene<br />
Aufnahmezeitpunkte 2011 (links) und re‐skaliert auf die spektrale Auflösung von RapidEye (rechts)<br />
(Rößler, Wolf et al. 2013) ...................................................................................................................... 42<br />
Abbildung 28: künstlich erzeugte RGB‐Bilder aus drei Tiefeninvarianten Indizes, die eine<br />
kontinuierliche Beobachtung der Pflanzenentwicklung ermöglichen (Beispiel Roseninsel, Starnberger<br />
See) ........................................................................................................................................................ 43<br />
Abbildung 29: Reflexionsspektren verschiedener Oberflächen (umgerechnet auf RapidEye Auflösung)<br />
und daraus gebildete Indizes(Rößler, Wolf et al. 2012) ........................................................................ 44<br />
4
Abbildung 30:Ergebnis der Matched Filter Entmischung für die Oberflächenklassen „unbewachsenes<br />
Sediment“ (links) und „Najas marina“ (rechts) an einer RapidEye Scene vom 03.09.2011 .................. 45<br />
Abbildung 31: Sedimentreflexionen verschiedener Proben des Starnberger Sees. Oben: gesamtes<br />
Spektrum; Mitte: sichtbarer Spektralbereich; Unten: Absorptionsbanden verschiedener Pigmente. . 46<br />
Abbildung 32: ausgewählte Endglieder für die spektrale Entmischung der Bodenbedeckung einer<br />
RapidEye Szene vom 3. September 2011 Rößler, Wolf et al. 2013) ...................................................... 47<br />
Abbildung 33: Sonar‐Tiefenprofil zu den gelben Profilmarkierungen in Abbildung 34. Durch Abzählen<br />
der Pixel entlang der Profillinie ergibt sich die jeweilige Sichttiefe zum Aufnahmetag. Hier über<br />
RapidEye und 5 m Pixeln ....................................................................................................................... 47<br />
Abbildung 34: Ergebnis der spektralen Entmischung für das Untersuchungsgebiet Bernried für drei<br />
Zeitpunkte im Jahr 2011 (Rößler, Wolf et al. 2013). Interessanter Nebeneffekt einer multisaisonalen<br />
Erfassung ist, dass über die Sichttiefe Aussagen zur Transparenz getroffen werden können. In diesem<br />
Fall (gelber Profilbalken) nimmt die Sichttiefe von Mai zum Juli ab, um dann wieder leicht anzusteigen<br />
(siehe auch Abbildung 33) .................................................................................................................... 48<br />
Abbildung 35: Reflexionsverlauf für die Standorte vier verschiedener Makrophyten für die Monate<br />
Mai, Juli und September (Rößler, Wolf et al. 2013) .............................................................................. 49<br />
Abbildung 36: interpolierte Reflexion für Najas marinaals Funktion des Jahrestages (DOY)(Rößler, Wolf<br />
et al. 2013) ............................................................................................................................................. 49<br />
Abbildung 37: farblich codierte Darstellung zufällig erzeugter tiefeninvarianter Indizesfür RapidEye<br />
Spektralbänder ...................................................................................................................................... 52<br />
Abbildung 38: Anwendung des tiefeninvarianten Index rot/NIR zur Bestimmung des Bedeckungsgrades<br />
aus LVG Luftbildern (Ausschnitt Bernried). <strong>Links</strong>: Farbinfrarotbild (RGB: NIR‐Rot‐Grün); rechts: Index<br />
(Bedeckungsgrad mit Sediment). .......................................................................................................... 53<br />
Abbildung 39: Mit Beteiligung der ESA entwickelte, bzw. betriebene Satelliten‐Systeme zur<br />
Erdbeobachtung, farblich kodiert nach voraussichtlichem Fenster des operationellen Betriebs (lila:<br />
bereits auf Umlaufbahn, blau: bewilligt und im Bau befindlich, grün: geplante), ESA Living Planet<br />
Programm 2013. .................................................................................................................................... 60<br />
Tabellenverzeichnis<br />
Tabelle 1: technische Spezifikation der genutzten hyperspektralen Aufnahmesysteme ..................... 34<br />
Tabelle 2: Aufnahmezeitpunkte von RapidEye ..................................................................................... 36<br />
Tabelle 3: Erreichte Meilensteine nach Antrag ..................................................................................... 54<br />
Verzeichnis der Gleichungen<br />
Gleichung 1: Attenuationskoeffizient (Kd) nach (Maritorena 1996)<br />
Gleichung 2: Strahlungsbilanz bei Auswertung von FE‐Daten<br />
Gleichung 3: Umrechnung der Reflexion über Wasser (Rrs(0+)) auf die Reflexion direkt unter der<br />
Wasseroberfläche (rrs(0‐)) nach Lee et al. (1998, 1999):<br />
Gleichung 4: Strahlungstransfermodell für Flachwasser ((Albert and Mobley 2003), mit:<br />
5
Gleichung 5: Berechnung tiefeninvarianter Indizes aus Spektralbändern multi‐ bis hyperspektraler<br />
Systeme (nach Lyzenga 1981, Spitzer and Dirks 1987)<br />
Gleichung 6: Berechnung der Gesamtreflexion (Rtotal) aus Bodenreflexion (RBoden) und<br />
Wasserreflexion(R )<br />
Gleichung 7: Berechnung des tiefeninvarianten Index nach Lyzenga (1978) für RapidEye<br />
Spektralbänder<br />
Abkürzungsverzeichnis<br />
AGROLAB<br />
Aisa EAGLE<br />
AP<br />
APEX<br />
AOPs<br />
ASD<br />
ATCOR 1‐4<br />
BayFORKAST<br />
BMBF<br />
BOMBER<br />
cDOM<br />
Chl‐a<br />
GmbH Labor für Bodenanalysen in 84079 Bruckberg, Bayern<br />
“airborne Hyperspectral Imaging system”, Hyperspektral Sensor der Fa. SPECIEM,<br />
Finnland, 400‐920nm<br />
Arbeitspakt<br />
„Airborne Prism Experiment“, Flugzeuggetragenes Hyperspektralsystem der ESA<br />
“apparent optical properties”, ersichtliche optischen Eigenschaften<br />
Analytical Spectral Devices Company,<br />
„Atmospheric & Topographic Correction for wide FOV airborne optical scanner data”,<br />
an der <strong>DLR</strong> entwickeltes Atmosphärenkorrektur Programm Versionen 1‐4<br />
Auswirkungen des Klimas auf Ökosysteme und klimatische Anpassungsstrategien,<br />
(BayFORKAST)<br />
Bundesministerium für Bildung und Forschung<br />
Bio‐Optical Model Based tool for Estimating water quality and bottom properties from<br />
Remote sensing images<br />
„coloured dissolved organic matter“, Gelbstoffe<br />
Chlorophyll‐a<br />
Daedalus ATM “Airborne Thematic Mapper (ATM) Daedalus‐1268” Landsat TM Simulator, Flugzeug<br />
DFG<br />
<strong>DLR</strong><br />
DOY<br />
E d<br />
E d (0‐)<br />
E d (b)<br />
EL<br />
ENVI<br />
EOMAP<br />
ESA<br />
EU‐WRRL<br />
FE<br />
Deutsche Forschungsgemeinschaft<br />
Deutsches Zentrum für Luft und Raumfahrt<br />
„Day of Year“, Tag des Jahres<br />
Bestrahlungsstärke<br />
Bestrahlungsstärke gemessen direkt unter der Wasseroberfläche<br />
Bestrahlungsstärke gemessen direkt über Bestand<br />
„Empirical Line“ Methode zur Atmosphärenkorrektur<br />
Environmental Visualisation Program der Fairma ITT Exelis Inc.<br />
Earth Observation and Mapping Company<br />
„European Space Agency“ , Europäische Raumfahrt Agentur<br />
Europäischen Wasserrahmenrichtlinie<br />
Fernerkundung<br />
6
FieldSpek FR<br />
FOV<br />
GSD<br />
HTO<br />
HyCorr<br />
HyMap<br />
HySpex<br />
IOP<br />
JF<br />
K d<br />
L<br />
LAI<br />
L u<br />
LVG<br />
MIP<br />
MODTRAN<br />
MSDA_XE<br />
NDWI<br />
RAMSES‐ACC<br />
RAMSES‐ARC<br />
RESA<br />
ROSIS<br />
R rs<br />
SFB<br />
SPM<br />
TOA<br />
TU, TUM<br />
Feldspektroradiometer des Typs ASD FieldSpek FR<br />
„Field of View“, Breite des Aufnahmestreifens am Boden<br />
„Ground Sampling Distance“, Größe der Pixel am Boden<br />
High‐Tech‐Offensive Bayern<br />
Hyperspectral Correction, program zur Korrektur atmosphärischer Einflüsse<br />
Hyperspektral Kamera der Fa. HyVista, Australien, 450‐2480nm<br />
Hyperspektral Kamera der Fa. Norsk Elektro Optikk, Norwegen, 400‐2500nm<br />
„inherent optical property”, inherente optische Eigenschaften der Wassersäule<br />
Jeffries‐Matusita Index<br />
Attenuationskoeffizient<br />
Strahlungsfluss<br />
“leave area index”, Blattflächenindex<br />
aufwärtsgerichteter Strahlungsfluss<br />
Bayerisches Landesamt für Vermessung und Geodäsie<br />
Modulares Inversions Programm<br />
Transfer Modell für Atmosphäremkorrekturen<br />
Software der TRIOS GmbH zur Steuerung der RAMSES Systeme<br />
„normalized difference water index“, Normalisierter Differentieller Wasser Index<br />
spektral hochauflösendes Radiometer zur Messung der Bestrahlungsstärke (E,<br />
Irradiance) im Spektralbereich 320 – 950 nm und 7° Erfassungswinkel<br />
spektral hochauflösendes Radiometer zur Strahldichtemessung (L; Radiance) im<br />
Spektralbereich 320 – 950 nm und 180° Erfassungswinkel (Cosinus korrigiert)<br />
RapidEye Science Archives<br />
“Reflective Optics System Imaging Spectrometer”, Hyperspectralsensor am <strong>DLR</strong>,<br />
Bereich 420‐860nm<br />
„remote sensing reflectance“, Reflexionsspektren direkt über Wasser<br />
Sonderforschungsbereich<br />
„suspended particulated matter“, schwebende, partikuläre Stoffe (SPM)<br />
“Top‐Of‐Atmosphere”, oberer Rand der Atmosphäre<br />
Technische Universität München<br />
WASI, WASI‐2D “Water Color Simulator” für Pixelweise und für 2‐dimensionale Datensätze<br />
WorldView2 multispektrales Satellitensystem der sehr hoch auflösenden Klasse (m‐Bereich)<br />
7
Zusammenfassung<br />
In einem innovativen Ansatz wurde ein effizientes Monitoringverfahren zur großflächigen Erfassung<br />
des Status quo der Wasserpflanzengesellschaften von Gewässern und der klimarelevanten<br />
Veränderung von Makrophytenbeständen mittels Fernerkundungsdaten entwickelt und dessen<br />
Anwendbarkeit demonstriert. Die Untersuchungen sind eingebunden in diestrategische Zielsetzung<br />
der Entwicklung eines Frühwarnsystemsfür den aquatisch/limnischen Bereich auf Basis von<br />
Fernerkundungsdaten. Das Frühwarnsystem soll Veränderungen in der Zusammensetzung<br />
bestehender Makrophytenbestände bzw. die Ausdehnung von Wasserpflanzen in bisher unbesiedelte<br />
Bereiche erkennen, dieseidentifizieren und für die nähere Betrachtung ausflaggen. In den hier<br />
vorgestellten Untersuchungen standen das Große Nixenkraut (Najas marina), eine einheimische Art,<br />
und die Schmalblättrige Wasserpest (Elodea nuttallii) eine neophytische Art im Zentrum des Interesses,<br />
deren Ausbreitung durch den Klimawandel gefördert wird.<br />
Methodisch beruht der Ansatz auf eine Integration von empirischen und physikalisch basierten<br />
Modellen. Durch Erfassung der Spektralsignaturen vor Ort mit Unterwasser‐Spektroradiometern und<br />
biometrischen sowie bio‐chemischen Messungen im Tagesgang und über die Vegetationsperiode<br />
werden gekoppelte phänologische Wachstums‐ und Reflexionsmodells der makrophytischen<br />
Wasserpflanzen‐Bestände erstellt. Anhand der Spektralmessungen werden Wasserinhaltsstoffe<br />
bestimmt, die wiederum als Eingangsgrößen für Modelle zur Berechnung des Strahlungstransfers in<br />
der Atmosphäre, im Wasserkörper und an der Grenzfläche Wasser/Luft dienen. Die Übertragung der<br />
Information des gekoppelten Wachstums‐/Reflexionsmodells auf die Fläche erfolgt über<br />
Fernerkundungsdaten mittels Inversion der physikalisch basierten bio‐optischen Modelle. Diese<br />
greifen auf die erstellten Spektraldatenbanken der Makrophyten‐Bestände im Wachstumsverlauf als<br />
„a‐priori“ Information zu, korrigieren äußere Einflüsse durch Atmosphäre, Grenzfläche und<br />
Wassersäule und weisen über einen Optimierungsprozess jedem Pixel ein Klasse (Bestandestyp,<br />
Merkmale, etc.) zu.<br />
Im Entwicklungsstadium wurden zeitgleich lokal vor Ort und auf der Fläche durch FE‐Systeme der<br />
höchsten verfügbaren spektralen und räumlichen Auflösung erfasste Signale verglichen und zur<br />
Modelloptimierung genutzt (Hyperspektralsysteme HyMap, Aisa EAGLE, APEX, (HySpex)). Im<br />
simulierten „operationellen“ Versuch wurde der oben beschriebene Ablauf auf FE‐Daten<br />
„operationeller“ Systeme (RapidEye Satellitendaten und Luftbilder des Bayerischen Landesamtes für<br />
Vermessung und Geodäsie) übertragen. Auf dieser Basis sollte der Informationsverlust durch die<br />
reduzierte spektrale Auflösung der Fernerkundungsdaten bzw. die Kompensation dieses Verlustes<br />
durch Aussagen über die Flächen beschreiben und damit die Praxistauglichkeit überprüft werden.<br />
Bei weiterem Ausbau unter Integration konkurrierender Arten wird erwartet in Zukunft damit sowohl<br />
Änderungen der Zusammensetzung großer Wasserpflanzenbestände als auch deren invasionsartige<br />
Ausdehnung in bisher vegetationsfreie Litoralstandorte über operationelle Fernerkundungsdaten<br />
erfassen zu können. Die Aussagegenauigkeit wird von der Häufigkeit der Beobachtungen<br />
(monotemporal/multisaisonal) und der Auflösung der Beobachtungssysteme (spektral, geometrisch,<br />
zeitlich, radiometrisch) kontrolliert.<br />
Als Nebenprodukt eines solchen Monitoring Systems fällt automatisch eine Charakterisierung der<br />
Wassersäule ab. Diese erlaubt die Beobachtung von Konzentrationsschwankungen der<br />
Wasserinhaltsstoffe (Gelbstoffe, Chlorophyll, anorganische Schwebstoffe) und liefert darüber einen<br />
ergänzenden Beitrag zum Monitoring von Seen und deren Einzugsgebiete.<br />
8
1. Forschungsbedarf<br />
1.1. Ausgangslage<br />
Über die letzten Jahre wurden systematische Veränderungen aquatischer Ökosysteme beobachtet und<br />
zunehmend als Folge des globalen Klimawandels verstanden. In bayerischen Seen begünstigen die<br />
gemessenen erhöhten Wassertemperaturen die Einwanderung neuer Arten aber auch die Ausbreitung<br />
bekannter Arten. Diese Aussage trifft sowohl für die Algengemeinschaften des Freiwassers, das<br />
sogenannte Phytoplankton, als auch für die Wasserpflanzen, die sogenannten Makrophyten, im<br />
Uferbereich von Seen zu.<br />
Submerse Makrophyten sind als wichtige Indikatorengruppe für die Beurteilung des Trophiegrades von<br />
Seen anerkannt und unter anderem in der Europäischen Wasserrahmenrichtlinie (EU‐WRRL)<br />
verankert. Klimaerwärmung stellt jetzt einen Faktor dar, der unabhängig von der Trophie zu<br />
Veränderungen des Gleichgewichts der Lebensbedingungen in Seen führt und damit das Einwandern<br />
fremder Arten aber auch die Expansion heimischer Arten fördert. Erfahrungen vom Goitsche‐See bei<br />
Leipzig aber auch vom Chiemsee belegen, dass die massenhafte Vermehrung invasiver Arten das<br />
Ökosystem See radikal verändern und im Extremfall sogar eine Erholungsnutzung unmöglich machen<br />
können.<br />
Die Erfassung und das Monitoring solcher Entwicklungen sind die notwendigen Konsequenzen. Die<br />
Rahmenbedingungen und die Prozesse, die zu den beobachteten Massenvermehrungen führen, sind<br />
noch nicht vollständig verstanden. Die Ausbreitung kann sowohl schleichend, als auch explosionsartig<br />
erfolgen. Ersteres trifft für das Große Nixenkraut (Najas marina), eine einheimische Art, und letzteres<br />
für die Schmalblättrige Wasserpest (Elodea nuttallii), eine neophytische Art zu, deren Ausbreitung in<br />
den bayerischen Seen seit einigen Jahren beobachtet wird.<br />
Wasserpflanzenarten, die sich invasionsartig ausbreiten können, beeinflussen und verändern die<br />
Struktur im Litoralbereich von Seen in zweifacher Hinsicht:<br />
(1) Sie können in Makrophytenbeständen vorhandene Arten oder sogar ganze<br />
Lebensgemeinschaften verdrängen, wodurch es zu nachhaltigen Störungen bestehender<br />
ökologischer Gleichgewichte kommen kann. Durch die invasiven Wasserpflanzenarten werden<br />
zum einen Nahrungsnetze negativ beeinträchtig, zum anderen dienen die<br />
Makrophytenbestände als Brutstätten und Refugium für zahlreiche im Wasser lebende<br />
Tierarten. Auch diese wesentliche Funktion wird durch das massenhafte Aufkommen einzelner<br />
Wasserpflanzenarten empfindlich gestört<br />
(2) Im Gegensatz zu Landökosystemen sind in intakten Gewässerökosystemen häufig große<br />
Flächen weitgehend vegetationsfrei. Die durch den Klimawandel geförderten<br />
Wasserpflanzenarten können diese freien Flächen rasant besiedeln und somit zu einer<br />
grundlegenden Veränderung der Vegetationsverhältnisse im Uferbereich von Seen führen.<br />
Speziell diese großflächige Eroberung von unbesiedeltem Seeboden durch Wasserpflanzen<br />
wird sich nachteilig auf die Schifffahrt, auf die Fischerei sowie auf die Nutzung der Gewässer<br />
für Freizeit und Erholung auswirken.<br />
Im Rahmen der EU‐WRRL ist für Seen ab einer bestimmten Flächengröße eine regelmäßige<br />
Inventarisierung vorgesehen. Traditionell wird die dazu durchgeführte vor Ort Aufnahme der<br />
submersen Vegetation mithilfe von Tauchern durchgeführt – eine sehr kosten‐ und zeitintensive<br />
Methode wenn komplette Seen kartiert werden sollen. Dieses erfolgt daher auch nur alle drei Jahre.<br />
Dieser Zyklus könnte bei den teilweise hoch dynamischen Entwicklungen nicht ausreichen. Eine<br />
jährliche Bestandsaufnahmewurde als wünschenswert erkannt, um u.a. auch die Veränderungen der<br />
Witterungsdynamik in den Studien berücksichtigen zu können, die heute ebenfalls als Folge des<br />
Klimawandels interpretiert werden. Typische Beispiele sind etwa die Verschiebungen des<br />
9
Das Bild kann zurzeit nicht angezeigt werden.<br />
Vegetationsbeginns, aber auch die zunehmende Häufung von Starkniederschlagsereignissen mit<br />
folgender Trübung der Seen und damit einhergehender Änderung der Lichtverhältnisse im See.<br />
Als Methode der Wahl bei solchen großflächigen Monitoring‐Ansätzen bietet sich die Fernerkundung<br />
an, die große Gebiete regelmäßig mit gleichbleibender Genauigkeit erfassen kann. Grundsätzlich ist<br />
hierbei zu klären, ob die Aussageschärfe, die über Fernerkundung erreichbar ist, die Anforderungen<br />
erfüllt.<br />
1.2. Fragestellung<br />
Das Forschungs‐ und Entwicklungsvorhaben hat diese Frage nach einem Bewertungsverfahren zur<br />
Abschätzung der erwarteten Folgen einer Klimaerwärmung im Ökosystem See aufgegriffen und hat<br />
untersucht, welchen Beitrag die Gewässerfernerkundung zur Analyse und Beobachtung der oben<br />
skizzierten Sachlage leisten kann.<br />
Entwicklungsbedarf wurde vor allem hinsichtlich der Identifikation der Arten submerser Makrophyten‐<br />
Bestände und der Abschätzung deren Abundanzen aus optischen Fernerkundungsdaten erkannt. Im<br />
konkreten Fall sollte die Ausbreitung von Wasserpflanzen, insbesondere der invasiven Arten Najas<br />
marina und Elodea nuttallii, aber auch die Verdrängung ursprünglich vorhandener Arten bzw.<br />
Wasserpflanzengesellschaften abgeschätzt werden.<br />
Im Vordergrund stand die Frage, welche fernerkundlich ableitbaren Signaturen die Identifikation der<br />
invasiven Wasserpflanzenarten unter Berücksichtigung ihres variablen Erscheinungsbildes (Phänologie),<br />
ihres Vorkommens in Rein‐ oder in Mischbeständen (Populationsvariationen), ihres Deckungsgrades<br />
über Daten unterschiedlicher FE‐Systeme erlauben.<br />
1.3. Stand der Wissenschaft und der Technik ‐ Eigene Vorarbeiten<br />
Im Folgenden wird der aktuelle Stand des Wissens in den Bereichen der Fernerkundung und der Datenanalyse<br />
in Bezug auf das Vorhaben zusammengefasst. Arbeiten von Mitarbeitern der Limnologischen<br />
Station der TU München, die zum Stand des Wissens beitragen, sind durch kursiv angegebene Autoren<br />
gekennzeichnet.<br />
Remote sensing<br />
data<br />
e.g.: σ o , ρ<br />
Ancillary<br />
information<br />
e.g.: sun illumination, rain,<br />
mean air temperature<br />
Vegetation growth<br />
models<br />
e.g. : number of<br />
leaves, LAI<br />
Direct models<br />
e.g.: σ o , ρ<br />
Die Auswertung von Fernerkundungsdaten hat<br />
sich von der Klassifikation von Landnutzungsbzw.<br />
von Landoberflächentypen in Richtung der<br />
Objekt‐Identifikation und der Zustandserfassung<br />
entwickelt. Während früher die statistische<br />
Erfassung von definierten Klassen im<br />
Vordergrund stand, wird in heutigen Ansätzen<br />
versucht, bio‐geo‐chemo‐physikalische<br />
Eigenschaften von Objekten abzuleiten.<br />
Inversion algorithms<br />
e.g.: biomass, crop yield<br />
Geo- and biophysical parameters<br />
Abbildung 1: Informationsfluss zur Ableitung von biogeo‐chemo‐physikalischen<br />
Parametern von<br />
Pflanzenbeständen (aus: ESA AO 3381)<br />
10
Aus Reflexionsdaten werden Vegetationsoberflächen parametrisiert und in Modelle eingebunden.<br />
Darüber lassen sich Vegetationstyp und ‐zustand erkennen und dessen Leistungsfähigkeit im<br />
Ökosystem abschätzen. 1998 hat die Europäische Raumfahrt Agentur (ESA) diesen Ansatz als die<br />
Herausforderung für das damals folgende nächste Jahrzehnt deklariert. Im derzeit aktuellen „Living<br />
Planet“ Programm wird diese Strategie fortgeführt (Abbildung 1).<br />
Bei der Entwicklung von Methoden zu Inventur und Monitoring im natürlichen Umfeld sind<br />
nachfolgende Teilaspekte zu berücksichtigen:<br />
Übertragbarkeit: Um in Zeit und Raum übertragbare Ergebnisse zu erhalten, müssen FE‐Daten in physikalische<br />
Messgrößen (Strahlungsmesswerte) umgewandelt werden. Dazu muss das eigentliche Objekt‐<br />
Signal von äußeren Einflüssen, wie den Sensorspezifika, der Atmosphäre, der Wassersäule, der<br />
Einstrahlungs‐ und Beobachtungsrichtung getrennt werden. In operationellen Korrekturprogrammen<br />
werden radiometrische Korrekturen der Einflussfaktoren anhand standardisierter Parameter<br />
vorgenommen. Die Standard‐Datenvorbereitung beschränkt sich auf die Atmosphärenkorrektur, die<br />
dabei zu Oberflächenreflexionswerten umgerechnet werden (ATCOR 3, Richter, 2007; HyCorr von<br />
HyVista, etc.).<br />
Signaturanalyse: Der Zustand einer Vegetationseinheit wird u. a. durch folgende Merkmale<br />
beschrieben: Entwicklungsstadium, Bestandesdichte, Bestandeshöhe, Pflanzengesellschaften,<br />
Schichtung aber auch Biomasse, Pigmentgehalt, Wassergehalt, etc.. In Wachstums‐ und<br />
Ertragsmodellen wird die Entwicklung dieser Variablen über die Vegetationsperiode hinweg simuliert.<br />
Bei der Signaturanalyse werden die FE‐Daten mit den vegetationskundlichen Beurteilungsschemata<br />
verknüpft (Schneider, 1994, Manakos, 2003, Pinnel, 2007). Grundsätzlich sind dafür fünf Signaturtypen<br />
geeignet: spektrale, texturelle, temporale, polarisations‐ und richtungsabhängige Signaturen.<br />
Reflexionsmodelle: Die Modellierung des Reflexionsverhaltens von Pflanzenbeständen erfolgt anhand<br />
gemessener geo‐bio‐chemo‐physikalischer und anhand struktureller Parameter des Bestandes, aus<br />
denen sich physikalische oder direkte Modelle ableiten lassen (Kuusk, 1994, Völlger, 1993, Meister et<br />
al., 2000, Bacour et al., 2001a, Weiss et al., 2000, Manakos, 2003, Schneider & Manakos, 2003, 2004,<br />
Pinnel, 2007). Durch die Invertierung solcher physikalischer Modelle können Bestandesparameter aus<br />
Fernerkundungsdaten abgeleitet, anhand dieser Oberflächentypen identifiziert und deren Zustand<br />
erkannt werden. Durch Messkampagnen werden Korrelationen zwischen dem Bidirektionalen<br />
Reflexionsfaktor (BRF) und den bio‐geo‐chemo‐physikalischen Variablen berechnet (Privette et al.,<br />
1997; Liang et al., 1998; Verstraete et al., 2000, Völlger, 1993, Manakos, 2003, Pinnel, 2007).<br />
Reflexionsmodelle wie SAIL (Verhoef, 1984), PROSPECT (Jacquemoud & Baret, 1990), Kuusk‐Model<br />
(Kuusk, 1994), NADIM (Gobron et al., 1997), MVBP1 (Verstraete et al., 1990) werden eingesetzt, um<br />
über die darin zusammengefassten Zusammenhänge zwischen Reflexion und Bestandeseigenschaften<br />
flächendeckende Information aus Satelliten‐ oder Flugzeugaufnahmen abzuleiten. Entwicklungsbedarf<br />
wird vor allem bei der Invertierung, der praktischen Umsetzung und der Validierung der direkten<br />
Reflexionsmodelle gesehen. Einschränkungen ergeben sich vor allem auf Grund der sogenannten<br />
„Mehrdeutigkeit der spektralen Signaturen“ („spectral confusion“). Eine eindeutige Identifizierung und<br />
erst recht eine Zustandsbeschreibung von Oberflächentypen ausschließlich über die Spektralsignatur<br />
ist daher oftmals nicht möglich. Durch die Integration weiterer Signatur‐Typen, etwa der<br />
richtungsabhängigen Signatur (Manakos et al., 2004, Schneider et al., 2004) und/oder der temporalen<br />
Signatur (Schneider, 1994, Pinnel, 2007) kann die Aussage der spektralen Signatur gestützt und das<br />
Ergebnis insgesamt stabilisiert werden (Andresen et al., 2004, Mott et al., 2004).<br />
Der Einsatz der Fernerkundung zur Erkundung des Zustandes von Binnengewässern konzentrierte sich<br />
in den Anfängen Ende der 1980er Jahre auf die Bestimmung der Wasserinhaltsstoffe, seit ca. Mitte der<br />
1990er Jahre kam die Erkennung und Unterscheidung von submersen Makrophyten hinzu. Die<br />
fachliche Herausforderung des Fernerkundungs‐Ansatzes liegt in der Komplexität des Gesamtsystems.<br />
Elektromagnetische Strahlung (EM), die als Informationsträger optischer Fernerkundungsmethoden<br />
dient, ist lediglich im sichtbaren Wellenlängenbereich (VIS) zwischen etwa 400 und 730 nm in der Lage,<br />
in den Wasserkörper einzudringen. Zur gedanklichen Einordnung dieser Zahlen sei vermerkt, dass die<br />
11
Rückstrahlintensität im VIS bereits bei Landanwendungen über Vegetation in der Regel unter 10% liegt.<br />
Lediglich für Strahlung im VIS ist der Wasserkörper so weit transparent, dass ein beschränkter Einblick<br />
möglich ist. Die Abnahme der Strahlungsmenge durch Absorption im Wasserkörper nimmt mit der<br />
Wassertiefe zu, wobei Wasserinhaltsstoffe (Gelbstoff, Schwebstoff, Zoo‐ und Phythoplankton) die<br />
Eindringtiefe zusätzlich und situationsbedingt reduzieren. Eindringtiefe und Makrophytenvorkommen<br />
wiederum sind korreliert. Die am Sensor ankommende, reflektierte Strahlung passiert die Wassersäule<br />
aber auch die Atmosphäre zweimal. Die Strahlungsmenge, die letztendlich vom Sensor registriert wird,<br />
liegt im Bereich von unter 1% bis ca. 5% der ankommenden Sonneneinstrahlung. Unterschiede sind<br />
da nur noch mit extrem Leistungsfähigen Systemen feststellbar.<br />
Die wichtigsten Variablen, die in diesem Umfeld berücksichtigt werden müssen, sind die Transmission<br />
der Atmosphäre zum Aufnahmezeitpunkt, Beleuchtungs‐ (Sonnenstand) und<br />
Beobachtungsgeometrie, Exposition und Hangneigung des Seebodens für jedes Pixel, aber auch<br />
Faktoren wie Wellengang, spiegelnde Reflexion an der Wasseroberfläche, etc. Diese überlagern und<br />
verändern die Zielgrößen der Auswertung, etwa Wasserinhaltsstoffe oder Seeboden‐<br />
Oberflächentypen (Abbildung 2).<br />
1 2 3 4<br />
---- Reflexion der Wasserpflanzen<br />
(1) Reflexion der Atmosphäre<br />
(2) Reflexion an der Wasseroberfläche<br />
(3) Reflexion von Wasser<br />
und von Wasserinhaltstoffen, wie<br />
- Phytoplankton<br />
Chlorophylle, Pigmente<br />
- gelöste Stoffe, z.B. Gilvin (Gelbstoffe),<br />
d.h.hochmolekulare<br />
pflanzliche Abbauprodukte<br />
- partikuläre Stoffe, z.B.<br />
Anorganische Schwebstoffe, wie Kalzit<br />
(4) Reflexion des Seebodens<br />
Abb.1 Abbildung 2: Komponenten von Reflexionsspektren, die mit hochauflösenden Hyperspektral-sensoren von<br />
Flugzeug aus aufgenommen werden.<br />
Hinzu kommt, dass weder die Rückstreuung von Oberflächen des Seebodens noch des Wasserkörpers<br />
als isotrope Funktion angenommen werden können. Während einige dieser Größen sehr einfach zu<br />
bestimmen sind, ‐ etwa Sonnenstand und Beobachtungsrichtung, ‐ ist die Abschätzung des Einflusses<br />
von atmosphärischer Streuung/Absorption, der Reflexionen an der Wasseroberfläche oder die<br />
Bestimmung der Konzentration der Wasserinhaltsstoffe sowie der Seebodenoberflächentypen<br />
ungleich komplizierter.<br />
Laut Gege (2004b) gibt es prinzipiell zwei Lösungsansätze für solche komplexen Sachverhalte. Der<br />
empirische Ansatz gründet sich auf einen statistisch zu ermittelnden Zusammenhang zwischen dem<br />
Signal am Sensor und der unbekannten Größe. Dazu werden möglichst zeitnah zu der Erfassung durch<br />
den Sensor Messdaten vor Ort erhoben. Diese müssen möglichst den gesamten Dynamikbereich in der<br />
Szene abdecken und mit einem Messsystem vorgenommen werden, dass demjenigen des FE‐Systems<br />
entspricht. Die bekannte „Empirical Line“ Methode, auf die in diesem Vorhaben als eine Alternative<br />
12
zurückgegriffen wurde (im Softwarepaket ENVI 4.7 von Creative Systems, jetzt EXELIS<br />
integriert),beruht auf diesem Prinzip. Durch den direkten Vergleich der Strahlungswerte am FE‐Sensor<br />
und am Bodenpixel können atmosphärische, sowie Einflüsse der Erfassungsgeometrie korrigiert<br />
werden. Die Methode ist nur sehr eingeschränkt übertragbar und erfordert hohen logistischen<br />
Aufwand. Der analytische Ansatz beruht auf einem physikalischen Modell des Strahlungstransfers in<br />
allen beteiligten Komponenten (Atmosphäre, Grenzfläche zu Wasser, Wassersäule). Die Verfahren zur<br />
quantitativen Bestimmung der Wasserinhaltsstoffe haben heute bereits eine gewisse Standardisierung<br />
erreicht (Gege, 2003, 2004b, 2012; Dekker et al., 2001, Thiemann, 1999, Heege et al., 2004, Giardino<br />
et al., 2012). Diese Verfahren konzentrieren sich naturgemäß auf Tiefwasserbereiche. Sollen auch<br />
Flachwasserbereiche, speziell „Oberflächentypen“, etwa „Makrophytengesellschaften des<br />
Seegrundes“ in die Beurteilung eingeschlossen werden, sind weitere Variable zu berücksichtigen. So<br />
können einige Modelle auch gerichtete Reflexionseigenschaften von Zielobjekten in die Korrekturen<br />
einbeziehen. Letztendlich wird durch iterative Simulationsdurchgänge nach der besten<br />
Übereinstimmung des Simulationsergebnisses mit dem gemessenen Signal gesucht. Dieser als<br />
„Inversion der Modelle“ bezeichnete Vorgang erlaubt es prinzipiell beliebig viele Parameter<br />
abzuschätzen. Ein Hauptvorteil gegenüber der empirischen Methode ist der, dass die Algorithmen sich<br />
in automatisierbare Prozessketten integrieren lassen und übertragbar sind. Genannt werden sollen an<br />
dieser Stelle das „Modulare Inversions Programm“ (MIP), der „Water Color Simulator“ (WASI, Gege,<br />
2004b) und dessen, für die Verarbeitung von Bilddaten angepasste Version (WASI‐2D, Gege, 2013)<br />
sowie das Bio‐Optical Model Based tool for Estimating water quality and bottom properties from<br />
Remote sensing images (BOMBER,Giardino et al. (2012)).<br />
Das „Modulare Inversions Programm“ (MIP), das am <strong>DLR</strong> in Zusammenarbeit mit der Limnologischen<br />
Station entwickelt wurde, ist dem analytischen Ansatz zuzuordnen. MIP korrigiert die Rohdaten von<br />
Multi‐ bis Hyperspektralen Flugzeugscannern auf ein Niveau, das dem Reflexionsverhalten von<br />
Oberflächen auf Seeboden‐Niveau wiedergibt. Dazu benötigt MIP Zusatzinformationen über die<br />
Wassertiefe (digitale Tiefenkarte), die atmosphärischen Transmissionseigenschaften zum<br />
Aufnahmezeitpunkt sowie über die Beleuchtungs‐ und Beobachtungsgeometrie am Messpunkt, d.h.<br />
für jedes Pixel. Bei Beantragung des Vorhabens war MIP als Standardlösung geplant. Mit den<br />
Begleitmessungen sollte MIP fortgeschrieben werden. Der kommerzielle Erfolg der Spin‐Off Firma<br />
EOMAP, der mit Kapazitätsengpässen verbunden ist, vor allem aber die nicht offengelegten<br />
Algorithmen haben uns bewogen auf andere, transparente und modifizierbare Verfahren<br />
zurückzugreifen, die während der Laufzeit des Vorhabens publiziert wurden. So hat Gege (2013) die<br />
neueste Version des WASI Programms für die Verarbeitung von Bilddaten angepasst (WASI‐2D). Die<br />
Daten müssen Atmosphärenkorrigiert vorliegen, dafür berücksichtigt WASI‐2D bei den Steuvorgängen<br />
im Wasser beide Komponenten, direkte und diffuse Streuung, was in einigen Fällen zu einer deutlichen<br />
Verbesserung der Ergebnisse führt. Giardino et al. (2012)haben mit BOMBER ein Add‐on für das in der<br />
hyperspektralen Fernerkundung mit am meisten genutzte Programm ENVI entwickelt. Dieses<br />
Programm kann sowohl für Flachwasser als auch für optisch tiefes Wasser eingesetzt werden. Als<br />
Ergebnis erhält man für tiefes Wasser die Konzentrationen der oben genannten Wasserinhaltsstoffe,<br />
für Flachwasser zusätzlich eine Tiefenkarte und das Ergebnis einer spektralen Entmischung für drei<br />
festzulegende Bodenbedeckungen (diese müssen als hyperspektrale Spektren hinterlegt werden). Das<br />
Programm beruht auf dem Strahlungstransfermodell von Lee et al. (1998, 1999) und kann sowohl für<br />
hyperspektrale Daten, als auch für multispektrale Sensoren genutzt werden.<br />
Die Integration von zeitgleich erfassten Referenzmessungen mit Sensoren, die eine dem<br />
Flugzeuggetragenen FE‐System vergleichbare Charakteristik aufweisen, haben bei allen<br />
systematischen Untersuchungen zu einer Verbesserung der Ergebnisse von Invertierungen<br />
physikalischer Modelle geführt. Vor allem in Entwicklungsvorhaben, wie in dem hier durchgeführten,<br />
werden derartige Begleitmessungen als notwendig erachtet um Korrekturen für Signale, die von<br />
atmosphärischen Störeinflüssen, Grenzflächeneinflüssen, Wasserinhaltsstoffen, Schwebstoffen und<br />
vom Sediment herrühren, vornehmen zu können. Letztlich kann auf diese Weise das weitestgehend<br />
Makrophyten zuzuordnende hyperspektrale Signal herausgefiltert und zur Artendifferenzierung<br />
13
ausgenutzt werden. Neueste Auswertungen (Heege et al., 2004, Pinnel et al., 2005, 2006, Pinnel, 2007)<br />
mit multi‐ bis hyperspektralen Systemen der Referenz‐Klasse (Daedalus, Rosis, HyMap) am Bodensee<br />
sowie am Starnberger See haben gezeigt, dass mit der Methode nicht nur die Flächenausbreitung von<br />
Makrophytenbeständen kartiert werden kann, sondern dass es sogar möglich ist Rückschlüsse auf<br />
Arten zu ziehen (Pinnel, 2007). Letzteres ist der entscheidende qualitative Sprung in Richtung einer<br />
Trophiebestimmung anhand der Langzeitindikatoren submerse Makrophyten. Die aktuellen<br />
Entwicklungsziele sind auf die Operationalisierung dieser Auswertungskette ausgerichtet.<br />
Festzuhalten gilt, dass überphysikalische Modellierung und darauf aufbauende Inversionsverfahren<br />
aus multi‐ bis hyperspektralen Fernerkundungsdaten Objekteigenschaften abgeleitet werden können.<br />
Programmmodule physikalischer Modelle für den aquatischen Bereich berücksichtigen folgende<br />
Größen, die das Strahlungsklima am Pflanzenstandort bestimmen: atmosphärische Effekte,<br />
Grenzflächen‐Effekte beim Übergang der Strahlen aus der Atmosphäre ins Wasser und umgekehrt,<br />
Abschwächung der Strahlung durch das Wasser sowie durch biotische und abiotische<br />
Wasserinhaltsstoffe.<br />
Ungenauigkeiten der Prognose sind auf fehlende Qualität der Eingangsdaten, vor allem aber auch auf<br />
die hohe Variabilität der Zielgrößen im aquatischen Bereich zurückzuführen. Letztere können nur über<br />
komplexe integrale Ansätze ausgeschaltet, zumindest aber berücksichtigt werden, über die eine<br />
Reduktion der Alternativen der Klassifikation erreicht werden kann.<br />
14
2. Forschungs‐ und Entwicklungs‐Ansatz<br />
Das Vorhaben konnte auf Ergebnisse früherer Forschungsvorhaben (F) und Kooperationen (K) der<br />
Limnologischen Station zurückgreifen:<br />
„Angewandte Gewässerfernerkundung“ (2002‐2005), gefördert durch die High‐Tech‐Offensive<br />
(HTO) Bayern (F1)<br />
„Einsatz von Methoden der Fernerkundung im Rahmen der WRRL der EU“ AQUATIC (2000‐<br />
2003), gefördert durch das BMBF über die <strong>DLR</strong> Raumfahrtdirektion (F2)<br />
SFB 454 „Bodenseelitoral“, gefördert durch die DFG (K)<br />
(F1): Die Arbeiten in Forschungsvorhaben F1 waren darauf ausgerichtet, durch Messungen des<br />
Seebodens parallel zu Befliegungen mit Hyperspektralsensoren die Interpretation der<br />
Fernerkundungsdaten zu optimieren. Dazu wurden viele Seen und Seestandorte zu den jeweiligen<br />
Befliegungsfenstern angefahren. Die darauf aufbauende Arbeit von Pinnel (2007) hat gezeigt, in<br />
welchem Umfang das FE‐Signal der Wasserpflanzen durch Einflüsse der Wassersäule, der Grenzflächen<br />
an der Wasseroberfläche, der Atmosphäre sowie durch die Sensoreigenschaften überlagert werden<br />
(siehe Abbildung 2). Die Schlussfolgerung war, dass solche Einflüsse zwar sorgfältig behandelt werden<br />
müssen, grundsätzlich aber kalkulierbar sind, so dass letztlich eine Identifizierung der Makrophyten<br />
und eine Abschätzung ihrer Abundanz aus FE‐Daten möglich sein müssten.<br />
F2: Das Vorhaben hat u.a. die Vorteile objektorientierter Analyse (OBIA) bei Monitoringansätzen<br />
deutlich gemacht. Ist ein Objekt, in diesem Fall ein Makrophytenbestand, erkannt, werden seine<br />
Eigenschaften, u.a. Lage, Ausdehnung, spektrale Merkmale, um nur einige der über 50 automatisch<br />
berechneten Kenngrößen zu nennen, in einer Datenbank gespeichert und stehen bei<br />
Wiederholungsaufnahmen sofort zum Vergleich bereit. Insbesondere bei FE‐Daten sehr hoher<br />
räumlicher Auflösung ist der OBIA Ansatz traditioneller pixelbasierter Bildanalyse deutlich überlegen.<br />
K: Die Arbeiten in dem DFG SFB zum „Bodenseelitoral“, zu dem über den damaligen Mitarbeiter Dr.<br />
Thomas Heege ein reger Austausch bestand, hat Wissen bezüglich Wasserinhaltsstoffe‐Bestimmung<br />
und Strukturmerkmale des Seeufer und Litoralbereichs in das Vorhaben eingebracht.<br />
Die Ergebnisse obiger Vorhaben haben aufgezeigt, dass mit der verwendeten Kombination aus<br />
räumlich sehr hoch auflösenden Sensoren zur Gewinnung der FE‐Daten und einer automatisierbaren<br />
Bildanalysemethode praxisrelevante Informationen effektiv und damit kostensenkend gewonnen<br />
werden können. Datensätze dieser räumlichen Auflösung konnten bis dahin nur durch eine visuelle<br />
Auswertung gewonnen werden wie z.B. durch aufwändige Unterwasser‐Kartierungen im Gelände.<br />
Das erklärte Ziel des beantragten Vorhabens war die Bereitstellung einer Methode zur Quantifizierung<br />
der Anpassung besonders sensibler aquatischer Ökosysteme als Reaktion auf den Klimawandel. Um<br />
dieses zu erreichen, wurde ein von den Antragstellern bereits aufgezeigtes Verfahren der<br />
Fernerkundung (F1) dahingehend weiterentwickelt, die geforderte fachliche Aussagenschärfe zu erreichen.<br />
Diese lässt sich zum einen in einer besseren Erfassung des Strahlungstransfers in der Atmosphäre<br />
bzw. im Wasserkörper erreichen und zum anderen in einer genaueren Analyse von FE‐Aufnahmen verschiedener<br />
Makrophytenbestände.<br />
Einerseits wurde das Reflexionsverhalten der verschieden Komponenten aquatischer Ökosystems<br />
durch ein umfangreiches Messprogramm direkt an den Standorten der Wasserpflanzen und speziell<br />
von Najas marina und von Elodea nuttallii bestimmt. Zum anderen wurden zeitgleich erfasste FE‐<br />
Daten, e.g. flugzeuggestützte Hyperspektraldaten, satellitengestützte Multispektraldaten und digitale<br />
Luftbildprodukte, ausgewertet. Auf dieser Basis wurden Transferfunktionen entwickelt, die den<br />
Informationsverlust durch die reduzierte spektrale Auflösung der Fernerkundungsdaten bzw. die<br />
Kompensation dieses Verlustes durch Aussagen über die Flächen beschreiben und damit erlauben die<br />
Praxistauglichkeit der Verfahren zu überprüfen.<br />
15
Zum Erreichen der Projektziele wurde folgende Vorgehensweise umgesetzt:<br />
Es wurden gezielte Messungen der Spektren der Teilkomponenten Sediment und Vegetation<br />
(Makrophytenbestände) vor Ort mit Unterwasser‐Spektralradiometern durchgeführt. Darauf<br />
aufbauend wurden Modelle abgeleitet, mit deren Hilfe die Reflexionsspektren der<br />
Wasserpflanzen von denen des Sediments unterschieden werden können. Mit Methoden der<br />
spektralen Entmischung ist es so möglich Deckungsgrad und Abundanzen von Wasserpflanzen<br />
aus Fernerkundungsdaten zu berechnen (Ausbreitungsanalysen).<br />
Zur Identifizierung der durch den Klimawandel begünstigten Arten Najas marina und Elodea<br />
nuttallii werden die aus den FE‐Daten abgeleiteten Reflexionsspektren der Wasserpflanzen mit<br />
Spektren geeicht, die ebenfalls mit hoher Auflösung mit einem Unterwasser‐Spektroradiometer‐System<br />
direkt über den beiden Wasserpflanzen‐Arten erhoben werden (phänologischer<br />
Fingerabdruck, Aufbau von Spektralbibliotheken).<br />
Um die zu erhebende Datenmenge für die Anwendung zu reduzieren, werden schließlich aus<br />
den hoch aufgelösten Reflexionsspektren charakteristische Spektralbereiche aufgespürt, die<br />
ausreichen, um einzelne Wasserpflanzen eindeutig zu identifizieren (Datenreduktion).<br />
Auf diese Weise sollen langfristig kostengünstigere Luft‐ und Satellitenbilder mit wesentlich<br />
geringerer Auflösung für das Monitoring von Gewässern mit genutzt werden. Da solche FE‐<br />
Daten aus anderen Gründen routinemäßig erhoben werden, wird davon ausgegangen, dass<br />
bei einer zukünftigen Anwendung des entwickelten Verfahrens zur Untersuchung von<br />
Pflanzenbeständen in Gewässern keine weiteren Befliegungen erforderlich wären<br />
(Operationalisierung).<br />
Entsprechend war das Vorhaben in drei thematische Arbeitsschwerpunkte unterteilt:<br />
1. Erfassung der Spektralsignaturen vor Ort als Basis für die Entwicklung eines gekoppelten<br />
phänologischen Wachstums‐ und Reflexionsmodells makrophytischer Wasserpflanzen,<br />
insbesondere für Najas marina und Elodea nuttallii (Kap 4.1)<br />
2. Übertragung der Information des Wachstumsmodells auf die Fläche durch die Auswertung von<br />
FE‐Daten anhand der „a‐priori“ Information des gekoppelten Reflexions/Wachstumsmodells<br />
und deren Einbindung in bio‐optische Modelle (Kap. 4.2)<br />
3. Untersuchungen in Richtung einer „Operationalisierung“ des Systems über regulär verfügbare<br />
Fernerkundungsdaten unterschiedlicher Auflösung (4.3)<br />
Das Ablaufschema der Entwicklungsschritte und des Umsetzungskonzeptes ist an die Empfehlungen<br />
der ESA (Abbildung 1) angelehnt und wird in Abbildung 3 dargestellt.<br />
16
Abbildung 3: Ablaufschema von der Entwicklungsphase (obere Hälfte) mit Basisdatenerhebung über<br />
Modellbildung bis hin zu der Prognose als Eingangshypothese für die Auswertung von Fernerkundungsdaten<br />
durch Invertierung der Modelle (untere Hälfte) und darauf aufbauende Handlungsempfehlung<br />
Des Weiteren soll erwähnt werden, dass das hier angesprochene empirisch entwickelte<br />
Wachstumsmodel für die lokal beobachteten Makrophyten Bestände im Gesamtkonzept des avisierten<br />
Monitoring Systems für die bayerischen Seen auf die Erkenntnisse des im BayFORKAST geförderten<br />
Forschungsvorhabens zurückgreift. Dieses hat die Wuchsbedingungen für die invasiven Arten Najas<br />
marina und Elodea nuttallii untersucht und gibt die Startbedingungen für das lokale Wuchsmodell vor.<br />
Damit können die Alternativen bei der Klassifikation der Fernerkundungsdaten durch Inversion der<br />
Reflexionsmodelle eingeengt werden. In der angedachten Endausbaustufe wird erwartet, dass diese<br />
Vorauswahl zu einer deutlichen Verbesserung der Aussage führen wird (Abbildung 3).<br />
Ergänzend soll darauf hingewiesen werden, dass im Zusammenhang mit der Bestimmung der Wasserinhaltsstoffe<br />
im Laufe des Verfahrens (Abbildung 3) auch die spektralen Eigenschaften des<br />
Phytoplanktons, u. a. der kalkausfällenden Planktonalge, Phacotus lenticularis, erfasst werden. Diese<br />
Art Daten sollen in einem weiterführenden Vorhaben herangezogen werden, um zu quantifizieren,<br />
inwieweit diese weit verbreitete, kalzifizierende Alge zu einer nachhaltigen Speicherung von<br />
klimarelevantem Kohlendioxid beitragen kann.<br />
17
3. Geleistete Arbeiten<br />
Die Gliederung des Kapitels erfolgt nach den Kriterien „Naherkundung oder „in‐situ“ Untersuchungen“<br />
(Kap. 3.1) und „Auswertung von Fernerkundungsdaten“ sowie „Operationalisierung“ , die im Rahmen<br />
von zwei Dissertationen bearbeitet wurden. Die Unterkapitel orientieren sich an den im Projektantrag<br />
aufgeführten Arbeitspakten (AP) „Erfassung der Spektralsignaturen“ (Arbeitspaket 1000),<br />
„Auswertung der FE‐Daten“ (Arbeitspaket 2000) und „Operationalisierung des Monitoringansatzes“<br />
(Arbeitspaket 3000). Darauf folgen Kapitel zu den geforderten Meilensteinen, Kooperationen,<br />
Tagungsbeiträgen und Veröffentlichungen und abschließend ein Ausblick und Vorschläge zu<br />
weiterführenden Arbeiten.<br />
3.1. Naherkundung oder „in‐situ“ Untersuchungen(Teil 1)<br />
Die Arbeiten in diesem Kapitel dienen der Erfassung der Spektralsignaturen vor Ort als Basis für die<br />
Entwicklung gekoppelter phänologischer Wachstums‐ und Reflexionsmodelle makrophytischer<br />
Wasserpflanzen, insbesondere für Najas marina und Elodea nuttallii.Eine eingehendere Beschreibung<br />
der Arbeiten dieses Kapitels kann in der Dissertationsschrift von Patrick Wolf (2013) nachgelesen<br />
werden.<br />
3.1.1. Erfassung der Spektralsignaturen (AP 1000)<br />
Dieses Kapitel beschäftigt sich mit einem allgemeinen Überblick über die Messstandorte und die<br />
angewandte Methodik der Spektralmessungen, gefolgt von einer Beschreibung der<br />
Wassersäulenkorrektur (Kap. 3.2; AP 1100) und der richtungsabhängigen Messungen (AP 1200). Nach<br />
Erläuterungen zur biometrischen bzw. phänologischen Datenerhebung (AP 1300) folgt in KapitelAP<br />
1400 die Zusammenführung dieser Daten mit den Reflexionsspektren. Hier werden exemplarisch die<br />
Einflüsse der verschiedenen Parameter auf die Spektren erklärt. Unter AP 1500 wird letztlich das<br />
entwickelte Wachstums‐Reflexionsmodell vorgestellt.<br />
Spektralsignaturen von insgesamt vier Rein‐Beständen wurden erfasst. Diese sind die Modellarten<br />
Elodea nuttallii und Najas marina und die Vergleichsarten Chara spp. und Potamogeton perfoliatus.<br />
Die Bestände der beiden Modellarten befinden sich am Tegernsee in der Ringseebucht (Elodea<br />
nuttallii) und am Westufer des Starnberger Sees bei Bernried (Najas marina). Die Vergleichsarten<br />
wurden am Starnberger See an der Hafenmole in Starnberg untersucht. Um die<br />
Reflexionseigenschaften einer Art an zwei Seen vergleichen zu können, wurde an letztgenanntem<br />
Standort auch eine weitere Elodea nuttallii‐Population untersucht. Diese Kernstandorte (Fehler!<br />
Verweisquelle konnte nicht gefunden werden.) wurden in den Jahren 2010 bis 2012 insgesamt<br />
30xangefahren:<br />
Standort Mole Starnberg: 14x (6x 2010, 8x2011)<br />
Standort Bernried: 11x (4x 2010, 7x2011)<br />
Standort Ringseebucht: 5x (4x 2011, 1x 2012)<br />
18
Abbildung 4: oben: Karte mit den Standorten; unten: Fotos von den Standorten Mole (links) und Bernried<br />
(Mitte) am Starnberger See, sowie der Ringseebucht am Tegernsee (rechts)<br />
Die Messtage pro Standort wurden über die Jahre und die Vegetationsperioden hinweg so gewählt,<br />
dass unterschiedliche phänologische Phasen spektral erfasst werden konnten. So wurden für jeden<br />
Standort Messungen von unbedecktem Sediment über unterschiedliche Bedeckungsgrade und<br />
Vegetationshöhen bis hin zum Zerfall der Bestände durchgeführt. Außerdem wurden an den<br />
Standorten Bernried und Ringseebucht die Messungen in unterschiedlichen Tiefen durchgeführt, da<br />
die Bestände hier bis in eine Tiefe von ca. 5m präsent waren. Durch dieses Messkonzept konnten die<br />
Einflüsse einzelner Parameter auf die Spektralsignaturen untersucht werden.<br />
Zu diesen Parametern gehören Bedeckungsgrad, Bestandhöhe, Feuchtbiomasse, Trockenbiomasse,<br />
Wuchstiefe, die Pigmentzusammensetzung und Sedimentproben der Standorte. Eine detaillierte<br />
Übersicht zu den erhobenen Parametern befindet sich im Kapitel AP 1300.<br />
Der Messaufbau wurde über den Untersuchungszeitraum prinzipiell bis auf kleine Optimierungen nicht<br />
verändert.<br />
Die Instrumentierung bestand aus drei Sensoren der RAMSES Baureihe der Fa. Trios, die speziell für<br />
den Einsatz in Wasserkörpern entwickelt wurden. Sie erfassen die jeweiligen Strahlungswerte in einem<br />
Bereich von 320nm bis 750nm, mit einer Schrittweite von 3,3nm. Unterschiede bestehen jedoch in der<br />
Art der erfasst Einstrahlung. So handelt es sich bei zwei Sensoren um sog. ACC‐Sensoren, die<br />
hemisphärisch eintreffende Bestrahlungsdichte messen und bei dem dritten um einen ARC‐Sensor, der<br />
die Strahldichte mit einem Öffnungswinkel von lediglich 7° erfasst. Er weist also im Vergleich zu den<br />
19
eiden ACC‐Sensoren eine Richtungsabhängigkeit auf. Zusätzlich ist in einem der ACC‐Sensoren ein<br />
Drucksensor integriert, wodurch die genaue Messtiefe erfasst werden kann. Die Genauigkeit des<br />
Sensors ist in Nicolaus et al. (2010) mit besser als 0,025bar angegeben, was 25cm entspricht. Nach<br />
unseren Erfahrungen liegt die Genauigkeit aber bei besser als 5cm.<br />
Abbildung 5:Die beiden Messaufbauten für Uferferne (links) und ‐nahe Bestände (rechts) mit den in einen Käfig<br />
montierten Sensoren und Kameras (mittig)<br />
Die RAMSES‐Sensoren wurden zusammen mit zwei Digitalkameras in einem speziell angefertigten<br />
Käfig montiert (Abbildung 5, Mitte) und mittels einer Kurbel über einen Auslege‐Arm in die<br />
gewünschten Tiefen abgelassen. Trägersystem war bei ufernahen Beständen eine Spezialkonstruktion,<br />
basierend auf dem Klappsystem bayerischer Biergartengarnituren (rechts) und bei entfernteren<br />
Beständen ein Boot (links), welches mit Seilen gegen Abdriften gesichert wurde. Die Entfernung zum<br />
Trägersystem betrug 3 m, womit Beschattungseffekte minimiert werden sollten. Eine Aufbauskizze ist<br />
in Abbildung 6 zu sehen.<br />
Abbildung 6: Graphische Darstellung der Messaufbauten mit der schematischen Darstellung von<br />
Prozessierungs‐Schritten. Die Verarbeitung ergibt schließlich „wassersäulenkorrigierte“ Mediane, denen<br />
bestimmte Eigenschaften eines Bestandes zugeordnet wurden(Wolf, Rößler et al. 2013)<br />
Generelle Rahmenbedingungen, die zu beachten sind, wurden auf einem RAMSES‐Workshop an der<br />
Limnologischen Station in Iffeldorf 2011 mit den teilnehmenden Fachleuten diskutiert. Es wurden<br />
folgende Empfehlungen erarbeitet:<br />
20
Kalibrierung des Drucksensors ist für jeden Messtag neu durchzuführen<br />
Einfallswinkel der Sonne soll >30° sein<br />
Einfallende Bestrahlungsstärke ist an der Wasseroberfläche zu messen<br />
Reflektiertes Signal ist direkt unter der Oberfläche sowie über Seeboden zu messen<br />
Abstand zum Pflanzenbestand am Seeboden ca. 30cm<br />
Mindestens 20 Wiederholungsmessungen pro Tiefenstufe und Position<br />
Integrationszeit bei den RAMSES Sensoren automatisch durch die Software regeln<br />
Mittelwertbildung, um Intensitätsschwankungen durch Wellen zu korrigieren:<br />
o Ausreißer aussortieren und Mittelwert berechnen<br />
oder<br />
o Median berechnen, da stabiler gegen Ausreißer<br />
Messablauf: Überlegungen zur Optimierung dieser Empfehlungen führten schließlich zu folgendem<br />
Messablauf der durchgehend abgearbeitet wurde:<br />
Die Sensoren wurden soweit abgelassen, bis deren Abstand zur Bestandsoberfläche 20cm<br />
Betrug.<br />
Die Überwachung dieser Entfernung und die photographische Dokumentation des Bestandes<br />
wurden durch eine Live‐Übertragung über eine Digitalkameras ermöglicht.<br />
Der jeweilige Messausschnitt wird mit dem Stereo‐Aufnahmesystem (2 Canon G10<br />
Digitalkameras mit Fernbedienung) dokumentiert.<br />
In dieser Tiefe wurden 20 Wiederholungsmessungen durchgeführt. Dabei wurde 20x die<br />
abwärts gerichtete Bestrahlungsstärke (E d ) und zeitgleich dazu 20x die aufwärtsgerichtete<br />
Strahldichte (L u ) erfasst.<br />
Durch dividieren von L u durch E d wurden 20 Reflexionsspektren (R rs ) berechnet.<br />
Diese 20 Spektren wurden mit dem Savitzky‐Golay Algorithmus geglättet (Savitzky and Golay<br />
1964) und daraus der Median bestimmt (dieser hat sich im Vergleich zu einem arithmetischen<br />
Mittel stabiler gegenüber Ausreißern erwiesen).<br />
Anschließend wurden die Sensoren nach oben, bis knapp unter die Wasseroberfläche<br />
gekurbelt und erneut 20x gemessen.<br />
Diese Differenz der Messung direkt über Bestand zu direkt unter der Wasseroberfläche diente<br />
zur Charakterisierung der Wassersäule (siehe Kap. 3.1.2, AP 1100).<br />
Der beschriebene Ablauf wurde pro Tag so oft wie möglich wiederholt, um den möglichen Einfluss des<br />
Sonnenstandes zu ermitteln. Die beschriebene Methodik der Datenerhebung wurde im European<br />
Journal of Remote Sensing veröffentlicht (Wolf, Rößler et al. 2013) und wird hier nur summarisch<br />
wiedergegeben. 0zeigt den Messaufbau und schematisch die Abfolge der Datenverarbeitung. Am Ende<br />
der Prozessierungskette stehen die korrigierten Mediane (R rs‐corr (b)), die bestimmte phänologische<br />
Phasen einer Art repräsentieren.<br />
3.1.2. Transparenz der Wassersäule (AP 1100)<br />
Wie in AP 1000 erwähnt, wurde für jeden Messtag die Wassersäule charakterisiert, d.h. es wurden die<br />
Gehalte der optisch aktiven Wasserinhaltsstoffe Chlorophyll‐a (Chl‐a), Gelbstoffe (cDOM) und<br />
schwebende, partikuläre Stoffe (SPM) ermittelt. Hierzu wurde aus den Messungen der abwärts<br />
gerichteten Bestrahlungsstärken unter der Wasseroberfläche (E d (0‐)) und über Bestand (E d (b)) und<br />
dem bekannten Tiefenunterschied der beiden Messniveaus der Attenuationskoeffizient (K d ) nach<br />
Gleichung 1 (Maritorena 1996) berechnet.<br />
21
K d<br />
E<br />
ln<br />
E<br />
<br />
z<br />
d<br />
1<br />
d<br />
( ,<br />
z<br />
( ,<br />
z<br />
z<br />
2<br />
1<br />
2<br />
) <br />
<br />
) <br />
Gleichung 1: Attenuationskoeffizient (K d ) nach (Maritorena 1996)<br />
Auf Grund eines exponentiellen Abfalls der Lichtintensität wird der natürliche Logarithmus des<br />
Verhältnisses des Einfallenden Lichts (E d ) in beiden Tiefen (z 1 , z 2 ) berechnet und durch die Differenz<br />
der Tiefen geteilt. Durch Invertierung von K d mit Hilfe des Programms water colour simulator<br />
(WASI)(Gege 2004) konnten die Gehalte der oben erwähnten Stoffe bestimmt werden. Eine<br />
Validierung mittels vergleichender Laboranalysen wurde wie geplant im Sommer 2012 im Zuge einer<br />
Masterarbeit an den Osterseen durchgeführt (Linnemann 2013). Diese mittels WASI bestimmten<br />
Gehalte für Chl‐a, cDOM und SPM waren die Grundlage eines wesentlichen Verarbeitungsschrittes:<br />
der Wassersäulenkorrektur. Jeder berechnete Median (siehe AP 1000) wurde diesem Schritt<br />
unterzogen. Dabei wurde mit Hilfe der physikalischen Modelle von (Bricaud, Babin et al. 1995, Albert<br />
and Mobley 2003, Brando and Dekker 2003, Giardino, Candiani et al. 2012)der Einfluss von 20cm<br />
Wassersäule zwischen Bestand und Sensorik herausgerechnet.<br />
Mit Hilfe von Abbildung 7 und Abbildung 8 soll der Einfluss der Wassersäulenkorrektur dargestellt<br />
werden. Abbildung 7 zeigt an Hand von in WASI simulierten Verläufen die einzelnen Einflüsse der<br />
Wasserinhaltsstoffe auf den Attenuationsfaktor K d . Da Gelbstoffe mit Abstand den größten Einfluss<br />
besitzen (0, links), ist bei der Invertierung von K d vor allem die Bestimmung dieses Parameters<br />
entscheidend. Die hohe Korrelation zwischen invertierten und im Labor aus Wasserproben<br />
bestimmten Werten erlaubt es, die angewandte Methode als robust zu bezeichnen. Im Fall von Chl‐a<br />
ist die Korrelation zwischen invertierten und gemessenen Werten gering. SPM hat keinen Einfluss auf<br />
den Attenuationskoeffizienten. Die Analysen der Wasserproben hinsichtlich der Bestimmung von<br />
Gelbstoff und Chlorophyll‐a wurden gemäß den Methoden (Gege 2004) mit vorangegangener Filtration<br />
über einen 0,4µm Cellulose‐Acetat‐Filter und der DIN Norm DIN 38412 L16 durchgeführt.<br />
Abbildung 7:Einfluss der Wasserinhaltsstoffe Chl‐a, cDOM und SPM auf den Attenuationsfaktor K d . Spektren<br />
wurden in WASI simuliert(Wolf, Rößler et al. 2013)<br />
In Abbildung 8 wird ein nicht korrigiertes Spektrum (rot) mit 3 korrigierten Spektren (grün) verglichen.<br />
Der Unterschied der korrigierten Mediane wird auf die variierenden Chl‐a Gehalte zurückgeführt.<br />
Selbst bei halbierter bzw. verdoppelter Chl‐a Konzentration (im Vergleich zum Gehalt aus der<br />
Invertierung) sind die Unterschiede innerhalb der korrigierten Median gering.<br />
22
Abbildung 8: Unkorrigierter (rot) und korrigierte Mediane (grün). Unterschiedliche Muster stehen für<br />
unterschiedliche Gehalte von Chlorophyll‐a (gepunktet: 3,35 µg/l; gestrichelt: 6,7µg/l; durchgezogen: 13,4µg/l).<br />
Ausgehend von dem Invertierungsergebnis in WASI (6.7µg/l) wurde also zusätzlich mit der halben bzw. der<br />
doppelten Konzentration gerechnet (Wolf, Rößler et al. 2013)<br />
Die hier beschriebenen Schritte wurden wie auch die Messmethodik im European Journal of Remote<br />
Sensing veröffentlicht (Wolf, Rößler et al. 2013).<br />
Folienexperiment: Ein bisher weltweit einmaliges Experiment wurde entwickelt, um die Gehalte der<br />
genannten Wasserinhaltsstoffe direkt aus Fernerkundungsdaten ableiten zu können. So wurden im<br />
Sommer 2011 während zweier APEX‐Flugkampagnen (17.08. und 10.09.) jeweils eine weiße und eine<br />
schwarze Plastikfolie an Land und im Wasser ausgelegt (Abbildung 9). Die Folien an Land dienten der<br />
Überprüfung der Sensorempfindlichkeit und zur Atmosphärenkorrektur und maßen 16 m x 25m. Die<br />
Folien im Wasser maßen jeweils 8 m x 50 m und wurden vom Flachwasserbereich (0,5m) bis in eine<br />
Tiefe von 15m auf dem Seegrund ausgebreitet. Die Landfolien sowie die zeitgleich mit einem<br />
Feldspektroradiometer des Typs ASD FieldSpek FR (Fa. ASD, 350‐2500nm) erfassten Spektraldaten<br />
wurden von den Kollegen des belgischen Forschungszentrums VITO, den Betreibern des APEX<br />
Hyperspektral‐Systems im Namen der ESA, für Systemüberprüfungen sowie der <strong>DLR</strong> für<br />
Atmosphärenkorrekturen der Daten der HyMap und HySpex Systeme genutzt. An der Limnologischen<br />
Station wurden vor allem die Untersuchungen anhand der Wasserfolien durchgeführt, die im<br />
Folgenden beschrieben werden.<br />
Verschiedene Simulations‐ und Invertierungsschritte mit der Software WASI (Gege 2004) bzw. dem<br />
ENVI‐Zusatzpaket BOMBER (Giardino, Candiani et al. 2012) zeigten, dass die schwarze Folie für die<br />
Bestimmung der Wasserinhaltsstoffe besser geeignet ist. Begründet werden kann dies damit, dass<br />
durch die sehr dunkle Oberfläche der schwarzen Folie nahezu keinerlei Signal vom Untergrund kommt<br />
und daher die gesamte Reflexion innerhalb der entsprechenden Pixel auf die Wasserinhaltsstoffe<br />
zurückgeführt werden kann. Dieses Verfahren ähnelt jenem, bei dem zur Bestimmung der<br />
Wasserinhaltsstoffe Tiefwasserbereiche herangezogen werden, da auch hier keine Signale vom<br />
Untergrund zu erwarten sind. Allerdings sind in der Regel deutliche Unterschiede der<br />
Stoffkonzentrationen zwischen Tief‐ und Flachwasserbereichen zu erwarten. Durch unseren Versuch<br />
wurden also „Tiefwasserbereiche mit Gehalten aus Flachwasserbereichen“ simuliert. Abbildung 10 aus<br />
der Publikation (Rößler, Wolf et al. 2013) zeigt Ergebnisse dieses Versuchs. Zu sehen sind die Bereiche<br />
der beiden Folien im APEX‐Streifen vom 10.09.2011; die weiße Folie liegt nördlich der schwarzen. Die<br />
Einfärbungen der Szenen entsprechen den Gehalten des jeweiligen Inhaltsstoffes für die einzelnen<br />
Pixel (Chl‐a in Grün; cDOM in Gelb; SPM in Orange). Die vierte Darstellung (unten rechts) zeigt, dass<br />
bei der Klassifizierung der Szene die schwarze Folie besser erkannt wurde als die weiße. Zu beachten<br />
23
sind jeweils nur die mittleren Streifen. Bei einer Folienbreite von 8 m und Pixeln von 4 m des APEX<br />
Systems bei der gewählten Flughöhe können lediglich die Mittelstreifen Streifen als frei von<br />
Nachbarschaftseffekten betrachtet werden.<br />
Abbildung 9: Ausschnitt aus der hyperspektralen AISA EAGLE Befliegungskampagne vom 17.08.2011, der<br />
Zoomausschnitt zeigt die Lage der Folien. Aufgrund von Überstrahlungs‐Effekten wirkt die weiße Folie jeweils<br />
deutlich größer.<br />
Abbildung 10: Die vier Blöcke zeigen jeweils einen Ausschnitt aus einem APEX‐Streifen vom 10.09.2011 (Rößler,<br />
Wolf et al. 2013). Die Farbabstufung entspricht den berechneten Gehalten von Chl‐a, cDOM und SPM und den<br />
Klassifikationsergebnissen für den Bereich der weißen (jeweils oben) und schwarzen (unten) Folien. Relevant sind<br />
die jeweils mittleren Streifen, da bei einer Folienbreite von 8 m und Pixeln von 4 m des APEX Systems lediglich<br />
diese Streifen als frei von Nachbarschaftseffekten betrachtet werden können.<br />
24
3.1.3. Einfluss des Deckungsgrades (AP 1300)<br />
Gemeinhin kann man davon ausgehen, dass sich die biometrischen Eigenschaften eines Bestandes im<br />
Laufe eines Messtages nicht ändern werden. Für jeden Messtag und jede Messstelle wurden die<br />
biometrischen Parameter Bedeckungsgrad, Bestandhöhe, Feucht‐ und Trockenbiomasse sowie die<br />
Pigmentzusammensetzung und Wuchstiefe erfasst.<br />
Die Bedeckungsgrade der untersuchten Bestände wurden i. durch Schätzung, visuell bei den<br />
Tauchgängen zur Probesammlung und ii. durch Auswertung der Messstellen‐Photographien bestimmt.<br />
Für die Analyse wurde eine Unterteilung in 25%‐Stufen gewählt, die sich für eine Stratifizierung als<br />
ausreichend erwiesen hat. Die Darstellungen in Abbildung 11 zeigen bespielhaft die Abstufungen von<br />
Najas marinabei 0%, 50% und 100% Deckungsgrad. Die (semi‐)automatische Methode mit Hilfe der<br />
Software Definiens Developer ist in Entwicklung.<br />
Abbildung 11: unterschiedliche Bedeckungsgrade von Najas marina am Standort Bernried<br />
Die Pigmentgehalte der Pflanzen wurden jeweils aus drei Pflanzenspitzen mittels Hochleistungs‐<br />
Chromatographie bestimmt. Extraktion und Detektion folgten den Methoden des Bayerischen<br />
Landesamts für Wasserwirtschaft (2002) bzw. Kraay (1992). Die durch die Gradienten‐Methode<br />
hervorgerufene zeitliche Trennung der Pigmente resultiert in einem Chromatogramm, ähnlich jenem<br />
in 0. Mit Hilfe von Standards konnten für die Pigmente Chlorophyll a, Chlorophyll b, Neoxanthin,<br />
Violaxanthin, Lutein und beta‐Karotin deren Gehalte und Verhältnisse zueinander berechnet werden.<br />
Abbildung 12: Chromatogramm von Najas marina der Probenahme vom 26.08.2010<br />
Bestandshöhen und die Wuchstiefen wurden im Falle von Elodea nuttalli und Najas marina durch<br />
Taucher ermittelt. Im Falle von Chara spp. und Potamogeton perfoliatus wurden die Größen<br />
nachträglich aus anderen Informationen bestimmt. Die Wuchstiefen wurden aus<br />
Pegelstandmessungen des Wasserwirtschaftsamtes Weilheim abgeleitet. Hierzu wurde der Pegelstand<br />
des Starnberger Sees (gemessen in unmittelbarer Nähe der Versuchsflächen an der Mole in Starnberg)<br />
25
einmalig zu den Testflächen in Bezug gesetzt und folglich konnte für jeden Messtag die Wuchstiefe<br />
berechnet werden. Aus dieser Wuchstiefe, der aus dem Drucksensor bekannten Messtiefe und dem<br />
Abstand von 20cm zwischen Sensorik und Bestandoberfläche wurden die Bestandshöhen abgeleitet.<br />
Feucht‐ und Trockenbiomassen wurden lediglich für die Bestände von Elodea nuttallii und Najas<br />
marina erfasst. Hierzu wurde an jedem Messtag durch einen Forschungstaucher eine Fläche von<br />
0,25m² geerntet und das Pflanzenmaterial im Labor feucht und trocken gewogen. Die Trocknungszeit<br />
zwischen den Messungen betrug 24 Stunden bei 60°.<br />
Für Sedimentanalysen wurden an den Messstandorten mittels 30cm langer Stechrohre Proben<br />
entnommen und zur Firma AGROLAB Labor GmbH in 84079 Bruckberg gebracht. Bestimmt wurden u.a.<br />
die Korngrößenverteilung, die Nährstoffe und der Kohlenstoffanteil.<br />
3.1.4. Erfassung der Spektralsignatur der Makrophyten (AP 1400)<br />
Nachdem in den Kapiteln AP 1000, AP 1100 und AP 1300 die Datenerhebung der Spektralsignaturen,<br />
die Korrektur der Wassersäule und die Erhebung der Biometrischen Parameter beschrieben wurden,<br />
folgt in diesem Kapitel die Darstellung der Ergebnisse und der Einflüsse der einzelnen Größen auf das<br />
Reflexionssignal. Das Kapitel AP 1200 ist als Pilotexperiment zu sehen und wird daher in dieses Kapitel<br />
nicht miteinbezogen.<br />
Die unterschiedlichen Besiedlungsdichten der Bestände spiegeln sich in deren Reflexionsspektren<br />
wieder. 0zeigt beispielhaft die Veränderung bei Chara spp. So ähnelt das Spektrum des Bestandes bei<br />
75%iger Bedeckung (orange) jenem mit 100%iger Bedeckung (grün), ist aber im Bereich von 550nm bis<br />
650nm deutlich „flacher“. Dieses Erscheinungsbild wird auf den Einfluss des Sediments zurückgeführt,<br />
das an diesem Messfleck sehr hohe Reflexionswerte aufweist und das Reflexionssignal der Vegetation<br />
überlagert.<br />
Abbildung 13:Unterschiedliche Bedeckungsgrade (0%, 75% und 100%) von Chara spp. (unten) mit ihren<br />
dazugehörigen Reflexionsspektren (oben)<br />
Die Veränderung der spektralen Signatur über eine gesamte Vegetationsperiode wirdam Beispiel<br />
Elodea nuttallii (Abbildung 14) erläutert. Für jeden Messtag – benannt nach den Monatsnamen – sind<br />
alle an diesem Tag durchgeführten Messungen abgedruckt. Die anfängliche Zunahme der<br />
Bestandsdichte (von Sediment in Rot bis Vollbestand in Grün) ist wie schon im Fall von Chara spp. sehr<br />
gut zu erkennen. Im weiteren Verlauf (Anfang August bis September) verändert sich die spektrale<br />
Signatur kaum. In dieser Zeit haben zwar Bestandshöhe und Biomassen zugenommen, allerdings haben<br />
diese Größen in dieser Phase der Vegetationsperiode offensichtlich keinen Einfluss auf die Signatur.<br />
26
Dies lässt sich dadurch erklären, dass möglicherweise nur die oberste Schicht des Bestandes einen<br />
Einfluss auf die Lichtreflexion hat. Das Pflanzenmaterial unterhalb dieser obersten Schicht hat somit<br />
keinen Einfluss – unabhängig davon, wie hoch sein Anteil am Gesamtbestand ist. Erst am Ende der<br />
Vegetationsperiode (Oktober) verändert sich das Spektrum abermals. Dies lässt sich auf die nun<br />
veränderte Struktur des Bestandes zurückführen, der zu diesem Zeitpunkt zerfällt (Schräglage der<br />
Pflanzen).<br />
Abbildung 14: Reflexionsspektren von Elodea nuttallii (rot: Sediment, blau: leichte Bedeckung, grün: volle<br />
Bedeckung) von Mai bis Oktober inklusiver dazugehöriger Photographien (in Klammern: Bestandsstruktur)(Wolf,<br />
Rößler et al. 2013)<br />
Ausgehend von den Ergebnissen der Spektralmessungen und Beobachtungen der Biometrie, konnten<br />
für jede der vier Makrophytenarten je 4 phänologische Phasen definiert werden (Tabelle 1): (0)<br />
unbedecktes Sediment, (1) Bestand im Aufbau, (2) Vollbestand und (3) Bestand im Zerfall.<br />
Tabelle 1: Die phänologischen Phasen der untersuchten Makrophyten, inklusiver der jeweiligen biometrischen<br />
Größen.<br />
Die entsprechenden biometrischen Parameter Bedeckungsgrad, Bestandshöhe und Feuchtbiomasse<br />
sind mit aufgeführt. Die Farbverteilung orientiert sich an jener von Abbildung 14. Im Falle von<br />
erkennbaren Änderungen innerhalb einer dieser Hauptphasen, wurden diese weiter unterteilt und<br />
durch eine fortlaufende Nummerierung gekennzeichnet. Bei der Auswertung von<br />
Fernerkundungsdaten über die im Konzept vorgesehene Invertierung der physikalischen Modelle (Kap.<br />
0) unterstützt diese Typisierung die Erstellung der Datenbanken‐Abfrage. Darüber hinaus ist sie ein<br />
27
Bindeglied zu den regionalen Wuchsmodellen, die im Vorhaben BayForKast an der Limnologischen<br />
Station entwickelt wurden und die „a‐priori“ Startposition der Modellierung einengt.<br />
Abbildung 15 zeigt, dass die gleiche Art – in diesem Fall erneut Elodea nuttallii – unterschiedliche<br />
spektrale Signaturen aufweisen kann, sobald sie in einem anderen See wächst. Diese Unterschiede<br />
können jedoch erklärt werden: Die Aufnahme zum Starnberger See zeigt eindeutig eine Beeinflussung<br />
des Bestandes durch organische bzw. Sedimentauflage.<br />
Abbildung 15: Reflexionsspektren von Elodea nuttallii vom Starnberger See und Tegernsee. Die Überlagerung des<br />
Bestandes am Starnberger See durch Sediment ist sowohl auf der Photographie als auch am Spektrum deutlich<br />
zu erkennen<br />
Dass es sich in diesem Fall nahezu ausschließlich um die Überlagerung durch Sediment handelt, haben<br />
Berechnungen ergeben, bei denen es gelang, das Spektrum des Starnberger Sees mit Hilfe des<br />
„unbeeinflussten“ Spektrums des Tegernsees und einem Sedimentspektrum zu simulieren. Im<br />
Rückschluss heißt das, dass aus einem Spektrum, welches sowohl von Pflanzen‐ als auch von<br />
Sedimentsignal beeinflusst ist, der Sedimentanteil bestimmt werden und die zu Grunde liegende<br />
Pflanzenart bestimmt werden kann. Dies ist allerdings nur möglich, sofern das Pflanzensignal eindeutig<br />
ist, also einer bestimmten phänologischen Phase einer Art zuzuordnen ist. Trotz oder wegen dieser<br />
spektralen Varianzen innerhalb einer Art, weisen die Arten untereinander zu manchen Zeitpunkten im<br />
Jahr deutliche Unterschiede auf. 0zeigt Mediane und Standardabweichungen (berechnet aus je 20<br />
Wiederholungsmessungen) der vier untersuchten Arten Ende August 2011. Obwohl die RAMSES‐<br />
Sensoren den Wellenlängenbereich zwischen 320nm und 950nm erfassen, wurden die Spektren bei<br />
400nm und 700nm zugeschnitten. Dies liegt an zu geringen Signal‐Rausch‐Verhältnissen in diesen<br />
Bereichen und wird auch von anderen Autoren praktiziert(Armstrong 1993, Pinnel 2007).<br />
28
Abbildung 16:Reflexionsspektren von Chara spp. (blau), Najas marina(magenta), Elodea nuttallii(grün) und<br />
Potamogeton perfoliatus(rot).<br />
Die Pigmentzusammensetzungen sind an den Verläufen der Reflexionskurven durchaus erkennbar. Im<br />
Falle der Sedimentspektren ist die Anwesenheit von Chlorophyll‐a und anderen Pigmenten im Rahmen<br />
von organischen Bestandteilen bzw. Auflagen durch Mulden an den jeweiligen Absorptionsmaxima<br />
erkennbar. Vor allem am rechten Spektrum in Abbildung 17 kann man die Vertiefungen bei 430nm,<br />
500nm, 570nm, 620nm und 680nm deutlich erkennen und vermutlich den Pigmenten Chlorophyll‐a,<br />
den Karotinoiden, Phycoerythrin, Phycocyanin und erneut Chlorophyll‐a zusprechen. Selbiges Prinzip<br />
gilt für die Vegetationsspektren, wo höhere Gehalte an Chlorophyllen und Karotinoiden zu stärkeren<br />
Absorptionen im blauen und roten Spektralbereich führen und so ein klassisches Vegetationssignal<br />
erzeugen. Ein im Zuge des Zerfalls eines Bestandes absinkendes Chl‐a/Karotinoide‐Verhältnisses führt<br />
zu einer relativen Erhöhung der Reflexion zwischen 550nm und 650nm (Abbildung 14, Oktober).<br />
Allerdings könnte dieser Effekt auch durch die sich ändernde Bestandstruktur (stehend zu liegend)<br />
erklärt werden. Letztendlich ist dieser spezielle Zusammenhang bisher lediglich für Elodea nuttallii<br />
erfasst worden.<br />
Den unbewachsenen Sedimenten sind auf Grund unterschiedlicher organischer Gehalte oder Auflagen<br />
zum Aufnahmezeitpunkt auch unterschiedliche Reflexionsspektren zuzuordnen (Abbildung 17). So<br />
führen höhere organische Gehalte möglicherweise a) zu insgesamt geringeren Intensitäten und b) zu<br />
tieferenMulden an den Absorptionsbereichen der anwesenden Pigmente. Allerdings lässt sich dies<br />
nicht mit den Ergebnissen der Laboranalysen der Firma AGROLAB Labor GmbH vergleichen, da die<br />
Probennahmen nicht zeitgleich zu den Spektralmessungen stattfanden. Im Falle der Nährstoffgehalte<br />
ist ohnehin nicht damit zu rechnen, sie spektral zu erfassen. Interessant ist aber, dass an all jenen<br />
Standorten, an denen Elodea nuttallii präsent ist, der Gehalt an Gesamtphosphor 0,05% oder mehr<br />
beträgt. An Standorten ohne Elodea nuttallii betragen die Gehalte weniger als 0,05%. Diese Tendenz<br />
basiert auf insgesamt 24 Proben, genommen zwischen 2009 und 2011 am Starnberger See bzw.<br />
Tegernsee.<br />
29
Abbildung 17: Reflexionsspektren von Sedimenten verschiedener Messstandorte<br />
Ein direkter Einfluss von Sonnenstand, Wuchstiefe, Hangneigung und Exposition auf die spektrale<br />
Signatur konnte nicht belegt werden. Eine indirekte Abhängigkeit von der Wuchstiefe besteht aber<br />
möglicherweise durch die unterschiedliche Ausprägung (Dichte, Höhe) eines Bestandes in größeren<br />
Tiefen. Da dies an unseren Testflächen aber auch an unterschiedlich starker mechanischer<br />
Beeinflussung durch Wellen, der Hangneigung, dem Badetourismus oder dem Fraßdruck durch<br />
Wasservögel geschuldet sein kann, lassen sich keine eindeutigen Schlussfolgerungen ziehen.<br />
Der aufgeführte Aquarien‐Versuch zu Ermittlung des Einflusses von Aufwuchs ergab leider keine klaren<br />
Erkenntnisse. Dieser Gesichtspunkt konnte also im Zuge des Projektes nicht genauer untersucht<br />
werden.<br />
Zum Einfluss der Temperatur auf das Pflanzenwachstum kann generell formuliert werden, dass höhere<br />
Wassertemperaturen das Wachstum begünstigen. Eine Mindesttemperatur von ca. 10°‐15° ist dabei<br />
die Voraussetzung für alle Pflanzen. Genauere Untersuchungen, die im Rahmen des BayForKAST‐<br />
Projektes an der Limnologischen Station durchgeführt wurden, ergaben für die Art Najas<br />
marinaspezielle Anforderungen. So muss für die Keimung eine Temperatur von 15° und für die<br />
Samenbildung eine Temperatur von 20° vorliegen. Über welchen Zeitraum diese Temperaturen<br />
allerdings anhalten müssen, ist noch nicht vollständig geklärt.<br />
3.1.5. Entwicklung von Wachstumsmodellen für Makrophyten (AP 1500)<br />
Das Wachstums‐/Reflexionsmodell wurde mit der Statistik‐Software R (Version 2.15.3) erstellt. Hierzu<br />
wurde zunächst eine große Tabelle angelegt, in allen Spektralmessungen die<br />
entsprechendenbiometrischen Daten zugeordnet wurden. Demnach ist die Tabelle wie folgt<br />
aufgebaut:<br />
Anzahl Zeilen: 305<br />
Anzahl Spalten: 317<br />
In jeder Zeile ist eine Spektralmessung mit zugehörigen Daten abgespeichert. In den Spalten sind der<br />
Reihe nach folgende Daten abgespeichert:<br />
See<br />
Standort<br />
STA (Starnberger See), TEG (Tegernsee)<br />
Mole1, Mole2, Mole3, Bernried, Ringseebucht<br />
30
Datum<br />
Uhrzeit<br />
Untergrund<br />
Untergrund Kürzel<br />
JJJJ_MM_TT<br />
hh‐mm‐ss<br />
Sediment, Chara_spp., Potamogeton_perfoliatus, Elodea_nuttallii,<br />
Najas_marina<br />
P (Pflanze), S (Sediment), PS (Pflanzen‐Sediment‐Mischung),<br />
W (Wasser), PW (Pflanze‐Wasser‐Mischung)<br />
0, 25,50,75,100 (in %‐Anteil Pflanze)<br />
X,xx (in Metern)<br />
X,xx (in Metern)<br />
X,xx (in Metern)<br />
X,xxx (in Kilogramm/0,25m²)<br />
X,xxx (in Kilogramm/0,25m²)<br />
Phase_YY_X.X(wobei ‚YY‘ für die jeweilige Art und ‚X.X‘ eine Zahl ist)<br />
Bedeckungsgrad<br />
Messtiefe<br />
Bestandshöhe<br />
Wuchstiefe<br />
Feuchtbiomasse<br />
Trockenbiomasse<br />
Phänologische Phase<br />
Nährstoffversorgung<br />
im Sediment Tendenz: P ges >= 0,05 oder Tendenz: P ges = 0,05 [%]; ; ; 0,001037405; 0,001064557; …; 0,0079108; 0,0081262;<br />
Das Spektrum wurde also am Starnberger See an der Mole am 26. Juli 2011 um 14:46:30 Uhr<br />
aufgenommen. Es handelt sich um einen Bestand von Elodea nuttallii ohne Sedimenteinfluss. Der<br />
Bedeckungsgrad war 100%, die Messtiefe betrug 57cm, die Höhe 90cm und die Wuchstiefe 1,81m. Die<br />
Feucht‐ und Trockenbiomasse waren 2,087kg bzw. 0,144kg. Dies ergibt einen Wassergehalt von ca.<br />
93% (nicht abgespeichert). Die Pflanze befand sich zu diesem Zeitpunkt in ihrer dritten phänologischen<br />
Phase. Der Gesamtphosphorgehalt im Sediment beträgt tendenziell mehr als 0,05%. Die Spalten<br />
„Wassertemperatur“ und „Bemerkungen“ haben hier keinen Eintrag.<br />
Basierend auf dieser Tabelle wurde ein Klassifikationsverfahren entwickelt, bei dem ein zu<br />
bestimmendes Spektrum stufenweise klassifiziert wird. So wird das Spektrum im ersten Schritt (Ebene<br />
a) zunächst einer der Gruppen S, P, PS, W oder PW zugeordnet. Treten die Fälle S oder W ein, bricht<br />
die Klassifikation ab, da das Spektrum als Sediment oder Wasser ausreichend klassifiziert ist. Bei einer<br />
Zuordnung in PS oder PW, ist eine Entmischung in die Komponenten Pflanze und Sediment bzw.<br />
Wasser angedacht, um die beteiligte Pflanzenart zu identifizieren. Allerdings ist dieser Schritt noch<br />
nicht integriert. Wird das Spektrum der Klasse P zugeordnet, geht die Klassifikation eine Ebene tiefer<br />
(Ebene b). So werden in diesem Fall alle Einträge der Tabelle, die in der Spalte „Untergrund_Kürzel“<br />
ein „P“ haben, herausgefiltert und in eine neue Bibliothek überführt. Da es sich bei allen neuen<br />
Einträgen um Pflanzenspektren handelt, ist auch für jeden Eintrag in der Spalte „Untergrund“ ein<br />
Pflanzenname („Chara_spp.“, „Potamogeton_perfoliatus“, „Elodea_nuttallii“ oder „Najas_marina“) zu<br />
finden. Daher erfolgt in diesem Klassifikationsschritt die Zuordnung des Spektrums zu einer<br />
Pflanzenart. Nachdem das Spektrum einer bestimmten Art zugewiesen ist, erfolgt eine erneute<br />
Präzisierung (Ebene c). Wurde das Spektrum beispielsweise der Art Najas marina zugeordnet, werden<br />
aus der Ursprungstabelle alle Einträge neu zusammengefasst, die in der Spalte „Untergrund“ die<br />
Bezeichnung „Najas_marina“ tragen. All diese Einträge können durch die Spalte<br />
„Phänologische_Phase“ einer phänologischen Phase zugeordnet werden. Somit wird das zu<br />
31
klassifizierende Spektrum in diesem dritten Schritt einer bestimmten Phase zugordnet. Ist dies<br />
vollzogen, werden die dazugehörigen Parameter abgefragt. Wurde das Najas marina Spektrum<br />
beispielsweise der Phase „Phase_Nm_2“ zugeordnet, so werden alle Zeilen der Tabelle mit den<br />
Einträgen „Najas_marina“ (in Spalte „Untergrund“) und „Phase_Nm_2“ (in Spalte<br />
„Phänologische_Phase“) zusammengefasst. Dann werden aus allen entsprechenden Zeilen die Werte<br />
für „Bedeckungsgrad“, „Bestandshöhe“, „Wuchstiefe“, „Feuchtbiomasse“ und „Trockenbiomasse“<br />
spaltenweise gemittelt und ausgegeben. Zusätzlich werden die „Nährstoffversorgung im Sediment“,<br />
Informationen zur „Wassertemperatur“ und eine „Bemerkung“ (letzten beiden falls vorhanden)<br />
angezeigt. Testläufe mit je 1000 Wiederholungen haben im Mittel zu folgenden Genauigkeiten geführt:<br />
Zuordnung zu in S, P, PS, PW oder W (Ebene a):<br />
Zuordnung zu einer Art (Ebene b):<br />
Zuordnung zu einer Phänologie (Ebene c):<br />
bei Chara spp.:<br />
bei Potamogeton perfoliatus:<br />
bei Elodea nuttallii:<br />
bei Najas marina:<br />
70% korrekte Zuordnung<br />
82% korrekte Zuordnung<br />
91% korrekte Zuordnung<br />
89% korrekte Zuordnung<br />
79% korrekte Zuordnung<br />
76% korrekte Zuordnung<br />
3.1.6. Richtungsabhängigkeit der Rückstreuung (AP 1200)<br />
Die Richtungsabhängigkeit der Rückstrahlung wird, wie auch die spektrale Reflexion, als<br />
Grundeigenschaft von Oberflächentypen angesehen. Die Schwankungsbreite dieser Eigenschaft reicht<br />
von „spiegelnder“ Reflexion bis hin zu richtungsunabhängiger, „diffuser“ Reflexion (Lambert<br />
Charakteristik. Die Oberflächen des natürlichen Umfeldes zeigen eine Reflexionscharakteristik<br />
zwischen diesen beiden Extremen. Kenntnisse über die Richtungsabhängigkeit der zu untersuchenden<br />
Oberflächentypen sind notwendig, um Fernerkundungsdaten, die mit von der Senkrechten<br />
abweichenden Aufnahmerichtungen korrigieren zu können. Gelingt es, die Richtungsabhängigkeit über<br />
die Fernerkundungsdaten zu quantifizieren, erschließt sich eine weitere, weitestgehend unabhängige<br />
Informationsquelle, die zur Charakterisierung und Zuordnung des Oberflächenelements genutzt<br />
werden kann.<br />
Die Untersuchung der Richtungsabhängigkeit wurde wie geplant im Sommer/Herbst 2012<br />
durchgeführt. Hierfür wurde ein eigens konstruiertes Goniometer verwendet (Abbildung 18, a und b),<br />
welches erstmalig im Jahre 2004 im Rahmen einer Tagung in Frascati der Wissenschaftsgemeinde<br />
vorgestellt wurde (Schneider, Zimmermann et al. 2004). Erstmalig wurde hier das Prinzip der<br />
„eingeschriebenen“ Winkel für die Messkopfausrichtung genutzt. Damit bleibt das Messfeld für jede<br />
Blickrichtung nahezu gleich groß. Grundsätzlich werden hier die abwärts gerichtete Bestrahlungsstärke<br />
(E d ) und die aufwärts gerichtete Strahldichte (L u ) erfasst (Abbildung 18, c und d), wobei die<br />
Blickrichtung des L u ‐Sensors variiert. Die einzelnen Messpositionen des Sensors folgten dem Raster in<br />
Abbildung 18, f Das Messschema wurde von Schneider et al., 2007a übernommen. Die Dokumentation<br />
der Testflächen erfolgte auch hier mit Digitalkameras in Stereoausrichtung (Abbildung 18, e). Neben<br />
der in der Fernerkundung standardmäßig durchgeführten, bzw. angenommenen senkrechten<br />
Blickrichtung (NADIR), wurde aus 23 weiteren Blickrichtungen gemessen. Durch den Abgleich dieser<br />
Messungen zu jener in NADIR‐Position, können Faktoren bestimmt werden, um die Signale „schief“<br />
blickender Fernerkundungssensoren korrigieren zu können.<br />
Die richtungsabhängigen Messungen wurden über zwei Testflächen durchgeführt. Einerseits über<br />
einem Schilfbestand in Iffeldorf, um die Vergleichbarkeit mit anderen Goniometern aus der Literatur<br />
(Sandmeier, Middleton et al. 1998, Beisl 2001, Camacho‐de Coca, Gilabert et al. 2001) gewährleisten<br />
zu können; andererseits über der Chara spp. Testfläche an der Mole Starnberg, um die Effekte auf<br />
Wasserflächen zu erfassen. In Abbildung 19ist die Verteilung der Rücksteuintensitäten als ANIF‐Index<br />
für Phragmites australis (Land) und Chara spec. (Wasser)dargestellt ist. Für Schilf ist die typische<br />
Rückwärtsstreu‐Charakteristik zu sehen. Der Unterwasser Characeen‐Rasen hingegen zeigt<br />
32
ausgeprägte Vorwärtsreflexion, was auf Grenzflächen‐Phänomene wie spiegelnde Reflexion an der<br />
Wasseroberfläche zurückgeführt wird (Maxima maskiert).<br />
Das beschriebene Verfahren und die Ergebnisse wurden in Wolf et al. (2013) publiziert.<br />
Abbildung 18: Das auf dem Autodach eines Land Rover Defenders montierte Goniometer (Ausschnitte a) und b))<br />
mit den RAMSES‐Sensoren für die Referenz‐ (Ausschnitt c)) und Reflexionsmessungen (Ausschnitt d). In den<br />
Ausschnitten e) und f) sind die Digitalkameras und das Messraster dargestellt (Wolf, Rößler et al. 2013)<br />
Abbildung 19: Graphen der Verteilung der Rücksteeuintensitäten dargestellt als ANIF‐Index für Phragmites<br />
australis (Land) und Chara spec. (Wasser). Für Schilf ist die typische Rückwärtsstreuung zu sehen. Der<br />
Unterwasser Characeenrasen hingegen zeigt ausgeprägte Vorwärtsreflexion, was auf Grenzflächen‐<br />
Phänomene wie spiegelnde Reflexion an der Wasseroberfläche zurückgeführt wird (Maxima maskiert).<br />
33
3.2. Auswertung der FE‐Daten (AP 2000), Teil 2<br />
Das Kapitel befasst sich mit der Übertragung der Information des Wachstumsmodells auf die Fläche<br />
durch die Auswertung von FE‐Daten anhand der „a‐priori“ Information des gekoppelten<br />
Reflexions/Wachstumsmodells und deren Einbindung in bio‐optische Modelle. Eine detailliertere<br />
Darstellung der Einzelergebnisse der Arbeitspakete dieses Kapitels können in der Dissertationsschrift<br />
von Sebastian Rößler (2013) nachgelesen werden.<br />
3.2.1. Datengrundlage<br />
Die flugzeugbasierten hyperspektralen Fernerkundungsdaten wurden 2010 und 2011 aufgenommen.<br />
Da hierfür drei verschiedene Systeme zum Einsatz kamen, soll anhand der 0deren technische<br />
Spezifikation erläutert werden.<br />
Abbildung 20: Schematische Darstellung der technischen Spezifikation der für die Aufnahmen relevanten<br />
Sensorgeometrie<br />
Abhängig von der Flughöhe (Flight altitude) und dem durch die Optik festgelegten Öffnungswinkel<br />
(Field of View – FOV) wird ein Streifen mit einer gewissen Breite (Swath width) aufgenommen. Die<br />
Anzahl der Sensorpixel definiert dabei die Größe der Pixel am Boden (Ground Sampling Distance –<br />
GSD). In Tabelle 1 ist neben den oben definierten Größen auch die Anzahl der spektralen Bänder für<br />
den für die Gewässerfernerkundung nutzbaren Spektralbereich bis 800 Nanometer angegeben.<br />
Generell steigt die Informationsdichte mit der Anzahl spektraler Bänder (spektrale Auflösung) sowie<br />
mit kleiner werdender Pixelgröße (geometrische Auflösung).<br />
Tabelle 1: technische Spezifikation der genutzten hyperspektralen Aufnahmesysteme<br />
Sensor HyMap AISA APEX<br />
Date 22.08.2010 17.08.2011 10.09.2011<br />
GSD [m] 4.0 0.8 0.4 4.0<br />
FOV [°] 45° 68.6° 68.6° 28°<br />
Altitude [m] 2 490 600 300 4 900<br />
Swath width [m] 2 048 820 410 2 443<br />
Spectral bands (< 800 nm) 22 87 44 80<br />
Durch die unterschiedlichen Sensorspezifikationen wurden nicht immer dieselben Gebiete<br />
aufgenommen, der Sensor AISA wurde in zwei verschiedenen Höhen geflogen mit einer resultierenden<br />
Pixelgröße am Boden von 40 bzw. 80 cm (Abbildung 21).<br />
34
Abbildung 21: Abdeckung des Westufers des Starnberger Sees durch die Sensoren HyMap, AISA und APEX<br />
Multisaisonale Aufnahmen konnten 2011 durch die Aufnahmesysteme AISA und APEX erzielt werden.<br />
Die erste Befliegung erfolgte mit einem Ultraleichtflugzeug der Firma OHB Systems AG aus Bremen mit<br />
dem Hyperspektralsensor AISA EAGLE am 17.08.2011 in 2 Flughöhen. Des Weiteren fand am<br />
10.09.2011 eine weitere Befliegung der Firma VITO (Belgien) mit dem neuen Hyperspektralsensor<br />
APEX (Airborne Prism EXperiment) statt. Der Sensor APEX deckt einen spektralen Bereich von 0,4 bis<br />
2,5 µm ab und hat je nach Einstellung 1 313‐500 spektrale Bänder, das Sichtfeld beträgt 28°, das<br />
Westufer des Starnberger Sees konnte deshalb mit zwei Flugstreifen abgedeckt werden (Abbildung<br />
21), die Bodenauflösung beträgt 4 Meter.<br />
Neben den spektral hochauflösenden Flugzeugdaten wurden im Jahr 2011 auch zahlreiche<br />
multispektrale Satellitendaten mit dem Satellitenverbund RapidEye aufgenommen. Die Aufnahmen<br />
erfolgten im Rahmen des RapidEye Science Archives (RESA) Projektes Nr. 455 und umfassen zwei<br />
Aufnahmefenster. Neben den oberbayerischen Seen mit einem Schwerpunkt auf den Starnberger See<br />
(47°55’N, 11°19’O) wurde ein Aufnahmefenster in Mecklenburg‐Vorpommern gelegt (Abbildung 22).<br />
Dieses Gebiet ist eine europäische Testfläche der European Space Agency (ESA) und es werden<br />
zahlreiche ground truth und Kalibriermessungen für verschiedenste Umweltbeobachtungssatelliten<br />
durchgeführt. In diesem Gebiet liegt der Kummerower See (53°48’N, 12°52’O), der wie der Starnberger<br />
See glazialen Ursprungs ist (Fesq‐Martin, Lang et al. 2008), aber in einem vollkommen anderen und<br />
stark landwirtschaftlich geprägtem Naturraum liegt.<br />
1<br />
Die gewählte Anzahl der Kanäle ist abhängig von der Menge der einfallenden Strahlungsenergie. Kleinere Pixel<br />
am Boden reflektieren eine geringere Energiemenge als größere Flächen, damit muss für ein stabiles Signal die<br />
Bandbreite erhöht werden.<br />
35
Abbildung 22: Lage der Aufnahmefenster für RapidEye und Zoomausschnitt auf die beiden Seen(Rößler, Wolf et<br />
al. 2012)<br />
Tabelle 2 gibt einen Überblick über erfolgte Aufnahmen von RapidEye im Jahr 2011, die Daten wurden<br />
entweder für dieses Projekt (455) aufgenommen, oder Daten anderer Projekte im RESA<br />
Forschungsverbund konnten genutzt werden. Es wurden bevorzugt Datensätze bearbeitet zu denen<br />
möglichst zeitgleich Geländemessungen stattfanden (Rößler, Wolf et al. 2012, Rößler, Wolf et al. 2013).<br />
Tabelle 2: Aufnahmezeitpunkte von RapidEye<br />
Kummerower See<br />
Starnberger See<br />
22.03.2011<br />
07.04.2011<br />
21.04.2011<br />
29.04.2011<br />
05.05.2011 06.05.2011<br />
21.05.2011 20.05.2011<br />
04.06.2011 25.05.2011<br />
28.06.2011<br />
04.07.2011<br />
16.07.2011 16.07.2011<br />
26.07.2011<br />
14.08.2011<br />
26.08.2011 20.08.2011<br />
03.09.2011<br />
24.09.2011 16.09.2011<br />
18.10.2011<br />
36
3.2.2. Atmosphärenkorrektur der FE‐Daten (AP 2100)<br />
Beim Umgang mit Fernerkundungsdaten spielt neben der Reflexion der Oberfläche – die einen<br />
interessiert – auch immer die Atmosphäre und ihre Bestandteile eine wichtige Rolle. Diese zusätzliche<br />
Strahlungsquelle (diffuse Himmelsstrahlung) kann als additiver Term in einer Gleichung 2 dargestellt<br />
werden (L bezeichnet die Strahlungsflussstärke):<br />
L<br />
total<br />
L<br />
Oberfläche<br />
L<br />
Atmosphäre<br />
Gleichung 2: Strahlungsbilanz bei Auswertung von FE‐Daten<br />
Abbildung 23 zeigt das Ergebnis einer Atmosphärenkorrektur mit der Empirical Line Methode. Der<br />
Graph links unten ist die Top‐Of‐Atmosphere (TOA) Reflexion, die eine Normalisierung der<br />
Beleuchtungsgeometrie und Entfernung zur Sonne bewirkt. Das nach einer Korrektur resultierende<br />
Reflexionsspektrum über tiefem Wasser (rechts unten) entspricht einer typischen<br />
Wasserreflexionskurve.<br />
.<br />
Abbildung 23: RapidEye Subset Bernrieder Park vom 03.09.2011, links ohne Atmosphärenkorrektur, rechts nach<br />
EL‐Atmosphärenkorrektur, zugehörige Reflexionsspektren von optisch tiefem Wasser unten (0.08 = 8%)<br />
Die Größe dieser zusätzlichen Strahlungsquelle hängt vom Wasserdampf, von Aerosolen, von der<br />
molekularen Rayleigh‐Streuung und von kondensiertem Wasser in der Luftsäule zwischen<br />
Erdoberfläche und Sensor ab. Bei den geringen reflektierten Strahlungsintensitäten der<br />
37
Gewässerfernerkundung – nur etwa 2 bis 6 % werden reflektiert (Dekker, Brando et al. 2001) – ist die<br />
Korrektur dieser störenden Einflüsse ein besonders kritischer Bereich. Eine herkömmlich benutzte<br />
Methode der Atmosphärenkorrektur ist das Programm ATCOR (Richter 1996), das auf dem<br />
atmosphärischen Transfermodell MODTRAN beruht. Für jeden Sensor werden dabei mögliche<br />
atmosphärische Zustände simuliert, die als Datenbank hinterlegt und mit aus dem Bild gewonnenen<br />
Referenzspektren verglichen werden. Pro Pixel des zu korrigierenden Bildes werden dann individuelle<br />
Korrekturfunktionen berechnet. Diese Form der Atmosphärenkorrektur wurde standardmäßig für die<br />
hyperspektralen Befliegungskampagnen 2009 und 2010 mit dem Sensor HyMap durchgeführt. Ein<br />
Vergleich mit vor Ort gemessenen Reflexionen zeigte allerdings eine zu hohe Abweichung besonders<br />
im Wasser. Für die Satellitendaten wurde zudem das Programm FLAASH getestet. Als am besten<br />
geeignete Methode zeigte sich die Anwendung der Empirical Line Atmosphärenkorrektur (Marsh and<br />
Lyon 1980). Dabei wird an ortsfesten und zeitlich gleichbleibenden Oberflächen die Reflexion<br />
gemessen und mittels linearer Regression Korrekturfunktionen für alle anderen im Bild<br />
vorkommenden Pixel‐Grauwerte gebildet. Dabei müssen möglichste helle und dunkle Referenzflächen<br />
gesucht werden, die eine optimale Abdeckung aller vorkommenden Grauwerte beinhalten. Im Falle<br />
des Starnberger Sees waren dies Kieswerke, geteerte Parkplätze und Wiesen (letztere nicht gut<br />
geeignet da zeitlich variabel). Die hyperspektralen AISA Daten wurden ebenfalls mit der Empirical Line<br />
Methode atmosphärenkorrigiert<br />
Mithilfe von in situ Messungen der abwärtsgerichteten Bestrahlungsstärke (E d (0+)) über Wasser (die<br />
stets zusätzlich zu den RAMSES Messungen unter Wasser durchgeführt wurden) konnten für alle<br />
Messzeitpunkte 2011 die Atmosphärenparameter mit dem Programm WASI (Gege 2004) bestimmt<br />
werden. Die neueste Version dieses Programms (Gege 2012) beinhaltet ein Atmosphärenmodell dass<br />
die Trennung zwischen direkter und diffuser Strahlung erlaubt (Gregg and Carder 1990). Ausgehend<br />
von den Ergebnissen der Invertierung konnten typische Aerosoleigenschaften (z.B. Ångström<br />
Exponent), Ozonkonzentrationen und Wasserdampfgehalte für den Starnberger See bestimmt<br />
werden. Anhand einer einfachen Atmosphärenkorrektur, entwickelt für „ältere“ Sensoren zur<br />
Wasserinhaltsstoffanalyse (z.B. SeaWIFS, CZCS), wurden RapidEye Daten mithilfe dieser gewonnen<br />
Atmosphärenparameter für die weitere Bearbeitung vorbereitet (Rößler, Wolf et al. 2013).<br />
In Abbildung 24 ist das Ergebnis der Atmosphärenkorrektur im Vergleich zu in situ Messungen mit<br />
RAMSES Spektroradiometern dargestellt. Insbesondere zeigt sich, dass die Reflexion einer Testfläche<br />
von Najas marina in 3 Meter Tiefe nur sehr gering höher ist als die der korrespondierenden<br />
Tiefwasserreflexion (abhängig vom Gehalt an Wasserinhaltsstoffen).<br />
38
Abbildung 24: Vergleich der Reflexion über Najas marina in 3 Meter Tiefe (unten) und Tiefenwasserreflexion<br />
(oben) des gleichen Gebietes. Grau ist das hyperspektrale RAMSES Spektrum, rot der Mittelwert der RAMSES<br />
Messungen skaliert auf die spektrale Auflösung von RapidEye und schwarz das aus dem Bild gewonnenen<br />
Spektrum nach Atmosphärenkorrektur (Rößler, Wolf et al. 2013)<br />
3.2.3. Winkelabhängigkeit des Reflexionssignals (AP 2200)<br />
Die Richtungsabhängigkeit und Variabilität der Reflexion aufgrund Veränderungen der Beleuchtungsund<br />
Beobachtungsgeometrie ist bei der Gewässerfernerkundung sehr viel schwieriger zu beschreiben<br />
als bei der Landfernerkundung. Dort hängen die Intensität der eintreffenden Strahlung und damit der<br />
Gesamtanteil der Reflexion lediglich vom Sonnenzenithwinkel, von der geographischen Lage und der<br />
Entfernung zwischen Erde und Sonne ab. Eine Normalisierung der Daten für Vergleiche untereinander<br />
erfolgt mit einfachen Berechnungen mit in den Metadaten aufgeführten Informationen. Die Korrektur<br />
erfolgt dabei hin zu einem hypothetischen Zenithwinkel – sowohl bei der Beobachtung (Sensor steht<br />
direkt über dem Objekt), als auch bei der Beleuchtung (Sonne steht senkrecht).<br />
Bei der Gewässerfernerkundung ist der Übertritt der Strahlung in das Wasser erst der Anfang, der<br />
Zenithwinkel der eintreffenden Strahlung ändert sich im Wasser. Durch den von der Luft<br />
unterschiedlichen Brechungsindex des Wassers (1.34 bei Wasser, 1 bei Luft) findet eine Brechung zum<br />
Lot hin statt (beschrieben durch das Gesetz von Snell, siehe Abbildung 25).<br />
39
Abbildung 25: Verlauf des Sonnenzenithwinkels über und unter Wasser<br />
Zudem wird – abhängig wiederum von Sonnenzenithwinkel – ein Teil der Strahlung direkt an der<br />
Wasseroberfläche reflektiert. Der Anteil der Strahlung, der unabhängig von spiegelnder Reflexion<br />
reflektiert wird, wird als Fresnel‐Reflexion beschrieben und beträgt etwa 2%.<br />
Bei RAMSES Messungen die im Rahmen einer Masterarbeit zur Bestimmung optisch aktiver<br />
Wasserinhaltsstoffe an den Osterseen durchgeführt wurden, wurden Reflexionsmessungen sowohl<br />
direkt unter der Wasseroberfläche, als auch direkt darüber durchgeführt. Bei den Messungen über der<br />
Wasseroberfläche konnte ein mit abnehmender Wellenlänge potentiell ansteigender Anteil von direkt<br />
gespiegelter Himmelsstrahlung (sog. sunglint oder glint) festgestellt werden. In Abbildung 26ist die<br />
über der Wasseroberfläche gemessene Reflexion für 309 Einzelmessungen dargestellt (links:<br />
gemessene Reflexionsspektren; rechts: Reflexionsspektren nach sunglint‐Korrektur). Diese Form des<br />
Einflusses wurde von Kutser et al. (2013)beschrieben und konnte mit unserem Messungen quantitativ<br />
bestätigt werden.<br />
Abbildung 26: Darstellung gemessener Reflexionsspektren über den Osterseen (links) und nach Korrektur der<br />
Oberflächenreflexion der Himmelsstrahlung (rechts)<br />
Nachdem der eventuelle Anteil von sunglint beseitigt wurde muss noch der Strahlungsverlust nach<br />
Eintritt in das Wasser sowie die Reflexion der aufwärtsgerichteten Strahldichte an der Luft‐Wasser‐<br />
Grenzfläche berücksichtigt werden. Um diese Veränderung der Strahlungsübertragung unter Wasser<br />
40
zu berücksichtigen, erfolgt eine Umrechnung der Reflexion über Wasser (R rs (0+)), die der Sensor<br />
aufnimmt, auf die Reflexion direkt unter der Wasseroberfläche (r rs (0‐)) mit einer Näherungsformel von<br />
Lee et al. (1998, 1999)(Gleichung 3):<br />
r<br />
rs<br />
Rrs<br />
<br />
0.518<br />
1.562R<br />
Gleichung 3: Umrechnung der Reflexion über Wasser (R rs (0+)) auf die Reflexion direkt<br />
unter der Wasseroberfläche (r rs (0‐)) nach Lee et al. (1998, 1999):<br />
Neben der Variabilität des Sonnenzenithwinkels muss bei Fernerkundungssensoren auch der<br />
Beobachtungszenithwinkel des Sensors berücksichtigt werden. Die RapidEye Satelliten besitzen die<br />
Möglichkeit sich für die Aufnahmen ± 30° quer zur Flugrichtung zu drehen (sog. accros track off‐nadir<br />
pointing capability). Um zu messen, welche Auswirkungen off‐nadir Aufnahmen auf das<br />
Reflexionssignal haben, wurden 2012 mithilfe eines mobilen Goniometers Reflexionsmessungen<br />
sowohl über flachem Wasser, als auch über Schilf gemacht und Korrekturfaktoren bestimmt. Die<br />
Ergebnisse sind in Wolf et al. (2013) dargestellt, der Messaufbau ist im Kapitel 3.1.6 beschrieben.<br />
Neben den Auswirkungen der Beobachtungs‐ und Beleuchtungsgeometrie auf das oben beschriebene<br />
Lichtfeld über Wasser, hat sowohl der Zenithwinkel der Sonne, als auch der des Sensors einen<br />
entscheidenden Einfluss bei der Parametrisierung der verschiedenen Attenuationen und der<br />
Tiefenwasserreflexion. Die für dieses Projekt genutzte Parametrisierung basiert auf dem von Albert &<br />
Mobley (2003) für den Bodensee erstellten Modell und ist gleichfalls für den Starnberger See gültig.<br />
rs<br />
3.2.4. Korrektur der Wassersäule(AP 2300)<br />
Die Charakterisierung der Wassersäule ist der kritischste Faktor bei diesem Projekt. Innerhalb der<br />
Wassersäule findet eine Beeinflussung des Strahlungsflusses durch Absorption, Streuung und<br />
Rückstreuung (Streuung hin zum Sensor) statt. Streuung erfolgt dabei vor allem durch unterschiedliche<br />
Gehalte an Schwebstoffen (SPM, organisch und anorganisch), Absorption durch Gelbstoffe (Humine,<br />
auch cDOM genannt), Wasser und Phytoplankton. Die im gesamten Wasserkörper stattfindende<br />
Absorption und Streuung – wiederum bestimmt durch die Konzentration der oben genannten<br />
lichtbeeinflussenden Stoffe – wird als inhärente optische Eigenschaft (inherent optical property – IOP)<br />
der Wassersäule bezeichnet.<br />
Diese IOPs lassen sich nicht direkt aus den Fernerkundungsdaten ableiten, da sie wiederum abhängig<br />
sind von der Beleuchtungs‐ und Beobachtungsgeometrie. Was daraus resultiert sind die ersichtlichen<br />
optischen Eigenschaften (apparent optical properties – AOPs). Diese beschreiben die Reflexion über<br />
optisch tiefem Wasser (R ∞ ), die Strahlungsdurchlässigkeit der Wassersäule (Transmission) bzw. deren<br />
Abschwächung (Attenuation). Um aus AOPs die IOPs zu bestimmen existieren verschiedene Ansätze.<br />
Für hyperspektrale Bildanalysen im Flachwasser kommen hauptsächlich bio‐optische Modelle zum<br />
Einsatz. Die Gleichung 4 zeigt das allgemein gültige Strahlungstransfermodell für Flachwasser. Die<br />
Unterschiede bestehen lediglich in der Parametrisierung der Attenuationen und der<br />
Tiefwasserreflexion.<br />
r<br />
rs<br />
r<br />
b<br />
A exp<br />
K<br />
K z<br />
A r exp<br />
K<br />
K z<br />
dp<br />
rs<br />
1<br />
0<br />
d uw<br />
1 rs<br />
Gleichung 4: Strahlungstransfermodell für Flachwasser ((Albert and Mobley 2003), mit:<br />
r = Reflexion unter der Wasseroberfläche, r = Tiefwasserreflexion (abhängig von Wasserinhaltsstoffen)<br />
rs<br />
dp<br />
rs<br />
b<br />
r<br />
rs<br />
= Bodenreflexion, A<br />
0 = Proportionalitätsfaktor für den Anteil an Tiefwasserreflexion,<br />
A<br />
1 = Proportionalitätsfaktor für den Anteil an Bodenreflexion, K<br />
d = Attenuation der abwärtsgerichteten<br />
Bestrahlungsstärke, K<br />
uw = Attenuation der aufwärtsgerichteten Wasser‐Strahlung,<br />
d<br />
ub<br />
41
K<br />
ub = Attenuation der aufwärtsgerichteten Boden‐Strahlung<br />
z = Wassertiefe<br />
Ein auf dieser physikalischen Gleichung basierendes Inversionsmodell wurde von Heege et al. (2003),<br />
u.a. an der Limnologischen Station in Iffeldorf entwickelt. Das Modulare Inversionsprogramm (MIP)<br />
besteht aus verschiedenen Modulen zur Atmosphärenkorrektur und Wassersäulenkorrektur. Es<br />
benötigt Kenntnis der zu erwartenden Wasserinhaltsstoffe und den avisierten spektralen Endgliedern<br />
einer Klassifikation. Diese Methode wurde an den hyperspektralen HyMap Aufnahmen getestet.<br />
Einen ähnlichen Ansatz entwickelte Gege (2004) mit seinem Programm WASI (Water Colour Simulator),<br />
dieses Programm beruht ebenfalls auf der Invertierung physikalischer Modelle (Albert and Mobley<br />
2003) um aus Spektren (keine Bilddaten) Aussagen über Wasserinhaltsstoffe zu ermöglichen. Die<br />
neueste Version (WASI 2D) des Programms erlaubt auch die Verarbeitung von Bilddaten. Die<br />
geforderte Atmosphärenkorrektur erfolgte im Vorhaben entweder über ATCOR 3 oder über die<br />
„empirical line“ Methode.<br />
Das von Giardino et al. (2012) entwickelte Model BOMBER (Bio‐Optical Model Based tool for Estimating<br />
water quality and bottom properties from Remote sensing images) kann sowohl für Flachwasser als<br />
auch für optisch tiefes Wasser eingesetzt werden. Als Ergebnis erhält man für tiefes Wasser die<br />
Konzentrationen der oben genannten Wasserinhaltsstoffe, für Flachwasser zusätzlich eine Tiefenkarte<br />
und das Ergebnis einer spektralen Entmischung für drei festzulegende Bodenbedeckungen. Im<br />
Vorhaben wurden die benötigten hyperspektralen Spektren der systematischen RAMSES Messreihen<br />
verwendet. In Rößler et al. (2013) ist die Anwendung dieses Programms für RapidEye Daten<br />
beschrieben, hyperspektrale APEX Daten wurden in Rößler et al. (2013) mit BOMBER prozessiert.<br />
Neben den bio‐optischen Modellen, bei denen versucht wird simulierte Spektren den gemessenen mit<br />
einer Least‐squared Fehler Minimierung zuzuordnen, wurden einfache Ratio‐Methoden verwendet.<br />
Bei dieser semi‐empirischen Methode werden lediglich Attenuationskoeffizienten für die jeweiligen<br />
Zeitpunkt der Aufnahme benötigt, welche für das Jahr 2011 in regelmäßigen Abständen vorliegen. Die<br />
Berechnung der Attenuation erfolgt aus Messungen der abwärtsgerichteten Bestrahlungsstärke in<br />
verschiedenen Tiefen (vgl. Gleichung 1). Diese hyperspektralen Attenuationskurven werden auf die<br />
spektrale Auflösung der jeweiligen Sensoren (HyMap, AISA EAGLE, WorldView2, APEX, RapidEye)<br />
umgerechnet. Man erhält für jedes spektrale Band einen Attenuationskoeffizienten. Am Beispiel von<br />
RapidEye sind das jeweils 5 Koeffizienten (Abbildung 27).<br />
Abbildung 27: Attenuationskoeffizienten aus RAMSES Messungen für vier verschiedene Aufnahmezeitpunkte<br />
2011 (links) und re‐skaliert auf die spektrale Auflösung von RapidEye (rechts) (Rößler, Wolf et al. 2013)<br />
42
Mithilfe dieser Koeffizienten lassen sich aus den Reflexionen der einzelnen spektralen Bänder mit der<br />
Methode von Lyzenga (1978, 1981) tiefeninvariante Indizes berechnen, bei denen die<br />
Tiefenabhängigkeit des Reflexionssignals umgangen wird. Diese Methode wurde erfolgreich für<br />
bathymetrischen Untersuchungen bei bekanntem und gleichbleibendem Substrat<br />
angewendet(Mishra, Narumalani et al. 2004), sowie zur Kartierung unterschiedlicher Substrate bei<br />
unterschiedlichen Wassertiefen(Tassan 1996, Mumby, Clark et al. 1998, Hedley and Mumby 2003). Um<br />
die exponentielle Tiefenabhängigkeit des empfangenen Signals zu kompensieren, wird für jedes<br />
spektrale Band eine Linearisierung mit dem natürlichen Logarithmus durchgeführt (Lyzenga 1978).<br />
Durch lineare Kombination logarithmisch transformierter Daten erhält man Indizes zwischen zwei<br />
Bändern, die unabhängig von der Wassersäule bei gleichbleibendem Substrat gleiche Werte liefern.<br />
Die Berechnung erfolgt mit Gleichung 5 (Lyzenga 1981, Spitzer and Dirks 1987):<br />
Y<br />
K<br />
ln( <br />
i<br />
i<br />
)<br />
<br />
K<br />
ln( <br />
i<br />
i, j<br />
j j<br />
j<br />
Gleichung 5: Berechnung tiefeninvarianter Indizes aus Spektralbändern multi‐ bis<br />
hyperspektraler Systeme (nach Lyzenga 1981, Spitzer and Dirks 1987)<br />
)<br />
Dabei bezeichnet Y i,j den tiefeninvarianten Index zwischen Band i und j, K den<br />
Attenuationskoeffizienten und ρ i,j die Reflexion des jeweiligen Pixels im Flachwasser und ρ ∞ über<br />
optisch tiefem Wasser (jeweils für Band i und j). Bei n spektralen Bändern ergeben sich n*(n‐1)/2<br />
mögliche Bandkombinationen. Am Beispiel von RapidEye wurden nur die Bänder für Blau, Grün, Rot<br />
und RedEdge genutzt, da das nahe Infrarot (Band 5) vollständig vom Wasser absorbiert wird. Es<br />
ergeben sich demnach 6 mögliche Bandkombinationen.<br />
Abbildung 28 zeigt eine weitere mögliche Anwendung multitemporaler Daten zur Beobachtung der<br />
Vegetationsentwicklung. Hierbei werden die Werte drei gebildeter Indizes zu einem künstlichen<br />
Farbbild im RGB‐Farbraum dargestellt.<br />
Abbildung 28: künstlich erzeugte RGB‐Bilder aus drei Tiefeninvarianten Indizes, die eine kontinuierliche<br />
Beobachtung der Pflanzenentwicklung ermöglichen (Beispiel Roseninsel, Starnberger See)<br />
Neben der Anwendung dieser Methode für Bilddaten, wurden die Indizes auch für in situ Messungen<br />
angewendet. Für zahlreiche Reflexionsmessungen verschiedener Oberflächen (Najas marina, Elodea<br />
nuttallii, Potamogeton perfoliatus, Chara spp., zahlreiche Sedimente) wurden ebenfalls<br />
tiefeninvariante Indizes berechnet (Abbildung 29).<br />
43
Abbildung 29: Reflexionsspektren verschiedener Oberflächen (umgerechnet auf RapidEye Auflösung) und daraus<br />
gebildete Indizes(Rößler, Wolf et al. 2012)<br />
Wie man in Abbildung 29 erkennt, lassen die tiefeninvarianten Indizes eine deutliche Trennung<br />
zwischen Sedimentbedeckung und Pflanzenbewuchs zu. Eine Unterscheidung der Pflanzen auf Artbzw.<br />
Gattungsebene ist nur in einigen Kombinationen gegeben.<br />
3.2.5. Klassifikation (AP 2400)<br />
Die Klassifikationen der Bodenbedeckungen finden entweder nach der Korrektur der Wassersäule statt<br />
(Bildung tiefeninvarianter Indizes) oder eine spektrale Entmischung ist ein Teil der oben beschriebenen<br />
Invertierung bio‐optischer Strahlungstransfermodelle im Flachwasser. Im Folgenden wird zunächst die<br />
Klassifikation der tiefeninvarianten Indizes erläutert.<br />
Mithilfe der gebildeten Indizes lassen sich Bedeckungsklassifikationen erstellen, die je nach<br />
Abundanzen deutliche Aussagen zulassen. Im Fall von RapidEye mit einer Pixelgröße von 5x5m wird<br />
davon ausgegangen, dass die wenigsten Bereiche eine Reinbedeckung mit einer Pflanzenart besitzen.<br />
Daher werden zur Klassifikation Verfahren der spektralen Entmischung angewendet. Die<br />
tiefeninvarianten Indizes, die aus in situ Messungen berechnet wurden, werden dabei als Endglieder<br />
der spektralen Entmischung eingesetzt. Bei der linearen spektralen Entmischung geht man davon aus,<br />
dass sich die Anteile (Fraktionen) der einzelnen Endglieder zu einem Mischspektrum addieren. Bei<br />
einer einfachen spektralen Entmischung wird versucht jedem Pixel eine Fraktion des jeweiligen<br />
Mitglieds zuzuweisen. Da bei den wenigen untersuchten Gebieten allerdings davon ausgegangen wird,<br />
dass sie nicht allen im See vorkommenden Oberflächenklassen entsprechen, wird die Matched Filter<br />
Entmischung (Manolakis and Shaw 2002) angewendet. Diese lässt auch Nicht‐Klassifizierung zu, falls<br />
die Spektren der Pixel zu sehr von den spektralen Endgliedern abweichen. Als Ergebnis erhält man für<br />
jedes Mitglied ein Bedeckungsraster, in dem die Grauwerte die Abundanz angeben, mit der dieses<br />
Mitglied am Mischpixel beteiligt ist. Die Werte variieren etwa zwischen ‐2 und 2, dabei zeigen Werte<br />
zwischen ‐2 und 0 an, dass die Klasse nicht beteiligt ist. Liegen die Werte zwischen 0 und 2, ist die<br />
Klasse mit unterschiedlicher Abundanz beteiligt. Ein Wert von 1 entspricht einer optimalen<br />
Übereinstimmung bzw. einer Bedeckung von 100%.<br />
In Abbildung 30 ist das Ergebnis dieser Klassifikation für die Endglieder „unbewachsenes Sediment“<br />
und „Najas marina“ dargestellt. Die weißen Punkte des Zoomausschnitts zeigen die Lage der<br />
Testflächen nahe der Ortschaft Bernried (Tiefen von 2m und 4m).<br />
Um zu überprüfen, ob eine Trennung zwischen den invasiven Arten möglich ist, wurde der Jeffries‐<br />
Matusita Index (Richards 1999) für die sechs erstellten tiefeninvarianten Indizes berechnet. Ein JM‐<br />
44
Index von 2 bedeutet eine bestmögliche Trennbarkeit, liegt er unter 1.5 deutet das auf eine<br />
unzureichende Trennbarkeit hin. Werden für die Klassifizierung alle „künstlichen“ Bänder (Indizes)<br />
verwendet, ist eine Trennung zwischen Elodea nuttallii und unbedecktem Sediment bestens möglich<br />
(JM‐Index: 2.00), zwischen Najas marina und unbedecktem Sediment sehr gut möglich (JM‐Index:<br />
1.98) und zwischen E. nuttallii und N. marina nur bedingt möglich (JM‐Index: 1.57).<br />
Im Kontrast zur spektralen Entmischung mit der Matched‐Filtering Methode ist bei der spektralen<br />
Entmischung mithilfe der bio‐optischen Modelle ein Ausschluss bestimmter Bodenreflexionen nicht<br />
möglich. In BOMBER können die einzelnen prozentualen Anteile der drei möglich Bodenbedeckungen<br />
zwar einen Wert von 0 annehmen – was den Ausschluss dieser Bedeckungsklasse bedeutet, die Summe<br />
aller drei Anteile muss aber 1 ergeben. Die Auswahl „passender“ Bodenbedeckungsklassen ist für den<br />
Erfolg einer Klassifizierung demnach sehr wichtig. Die zeitliche Integrität der sich saisonal ändernden<br />
Bodenreflexionen wurde mithilfe multisaisonaler Reflexionsmessungen über verschiedenen<br />
Makrophytenbeständen sichergestellt.<br />
Abbildung 30:Ergebnis der Matched Filter Entmischung für die Oberflächenklassen „unbewachsenes Sediment“<br />
(links) und „Najas marina“ (rechts) an einer RapidEye Scene vom 03.09.2011<br />
Aus dieser Datenbank wurden zwei Reflexionsspektren für Makrophyten (für den Starnberger See<br />
Najas marina und Chara spp. als dominierende Arten) und ein passendes Sedimentspektrum<br />
ausgewählt. Letzteres wurde aus einer Datenbank von im Labor gemessenen Reflexionsspektren<br />
verschiedener Sedimente des Starnberger Sees ausgewählt. Diese unterscheiden sich je nach Lage sehr<br />
stark in ihrer Intensität und abhängig vom Organik‐ und Pigmentgehalt sind unterschiedliche<br />
Absorptionsbereiche auszumachen (Abbildung 31).<br />
45
Abbildung 31: Sedimentreflexionen verschiedener Proben des Starnberger Sees. Oben: gesamtes Spektrum;<br />
Mitte: sichtbarer Spektralbereich; Unten: Absorptionsbanden verschiedener Pigmente.<br />
Die Auswahl passender „Endglieder“ für die spektrale Entmischung mithilfe des Modells BOMBER ist<br />
in der Publikation Rößler et al. (2013) ausführlich beschrieben. Abbildung 32 zeigt die ausgewählten<br />
Endglieder für eine der drei klassifizierten Szenen aus Abbildung 34.<br />
46
Abbildung 32: ausgewählte Endglieder für die spektrale Entmischung der Bodenbedeckung einer RapidEye<br />
Szene vom 3. September 2011 Rößler, Wolf et al. 2013)<br />
In Abbildung 34 ist das Ergebnis der spektralen Entmischung als künstliches RGB‐Farbbild dargestellt.<br />
Die Zuordnung der Position des Pixels im Farbdreieck erfolgt nach der jeweiligen Zugehörigkeit zu den<br />
definierten spektralen Endgliedern.<br />
Abbildung 33: Sonar‐Tiefenprofil zu den gelben Profilmarkierungen in Abbildung 34. Durch Abzählen der Pixel<br />
entlang der Profillinie ergibt sich die jeweilige Sichttiefe zum Aufnahmetag. Hier über RapidEye und 5 m Pixeln<br />
Deutlich ist zu sehen, dass die Klassifizierten Ufernahen Bereiche von Mai bis September<br />
unterschiedlich breit sind. Dieses liegt an der Eindringtiefe des Sonnenlichtes, das wiederum von den<br />
Wasserinhaltsstoffen kontrolliert wird. Bei systematischer Analyse der Wasserinhaltsstoffe in einem<br />
multisaisonalen Ansatz, etwa mit Rapid Eye oder den zukünftigen ESA Sentinel 3 Systemen und biooptischen<br />
Modellen, kann sowohl die Klassifikation verbessert als auch ein weiteres Mosaiksteinchen<br />
für die Wassergütebestimmung beigesteuert werden.<br />
47
Abbildung 34: Ergebnis der spektralen Entmischung für das Untersuchungsgebiet Bernried für drei Zeitpunkte im<br />
Jahr 2011 (Rößler, Wolf et al. 2013). Interessanter Nebeneffekt einer multisaisonalen Erfassung ist, dass über die<br />
Sichttiefe Aussagen zur Transparenz getroffen werden können. In diesem Fall (gelber Profilbalken) nimmt die<br />
Sichttiefe von Mai zum Juli ab, um dann wieder leicht anzusteigen (siehe auch Abbildung 33)<br />
48
3.2.6. Invertierung des Reflexionsmodells (AP 2500)<br />
Ausgehend von den Messungen des Reflexionssignals (Abbildung 35) konnten für die<br />
Vegetationsperiode 2011 für alle beobachteten Pflanzen (Chara spp., Elodea nuttallii, Najas marina<br />
und Potamogeton perfoliatus) kontinuierliche Reflexionsspektren für jeden Tag des Jahres (Day of Year<br />
– DOY) erstellt werden (Abbildung 35, Abbildung 36). Dies erfolgte mit Interpolation (zwischen den<br />
Messzeitpunkten) bzw. Extrapolation (vor Beginn der Messkampagne bzw. danach) basierend auf einer<br />
Polynom‐Regression (zweiten Grades) für jede Wellenlänge der RAMSES Messungen (Rößler, Wolf et<br />
al. 2013).<br />
Anhand dieser Artenspezifische Reflexionsmodelle können Referenzspektren für die Invertierung von<br />
FE‐Daten für jeden Tag des Jahres für die entsprechenden Seeorte abgeleitet werden.<br />
Abbildung 35: Reflexionsverlauf für die Standorte vier verschiedener Makrophyten für die Monate Mai, Juli und<br />
September (Rößler, Wolf et al. 2013)<br />
Abbildung 36: interpolierte Reflexion für Najas marinaals Funktion des Jahrestages (DOY)(Rößler, Wolf et al.<br />
2013)<br />
49
3.2.7. Verifikation (AP 2600)<br />
Die Verifikation kann über drei Wege erfolgen: wenn die Tiefe im Laufe der Prozessierung bestimmt<br />
wird (BOMBER), kann diese mit vorhandenen grob aufgelösten Tiefenmodellen des Starnberger Sees<br />
verglichen werden, oder mit feiner aufgelösten Tiefenmodellen durch Sonarmessungen die für<br />
ausgesuchte Bereiche 2011 und 2012 erstellt wurden (Karpfenwinkel, Bernried).<br />
Zur Verifikation der Klassifikationsergebnisse wurden neben den bereits erwähnten biometrischen<br />
Messungen wie Bedeckungsgrad, Wuchshöhe, Frisch‐ und Trockengewicht sowie<br />
Pigmentzusammensetzung Tauchkartierungen durchgeführt. Orientiert haben sich diese<br />
Tauchkartierungen an den Transekten der Europäischen Wasserrahmenrichtlinie (WRRL). Am<br />
Westufer des Starnberger Sees – über dem die Befliegungen stattfanden – liegen 18 dieser Transekte.<br />
Kartiert werden für 4 Tiefenabschnitte (0‐1m, 1‐2m, 2‐4m, über 4m) die vorkommenden Arten und<br />
deren Abundanzen mit der Häufigkeitsbewertung nach Kohler (1978).<br />
Im Rahmen eines GIS‐Praktikums ist zudem – ebenfalls mit sehr eng gelegten Transekten – der<br />
Karpfenwinkel im Westen des Starnberger Sees kartiert worden (mit einem besonderen Augenmerk<br />
auf größere flächige Vorkommen von Najas marina).<br />
Zur Verifizierung der Wassersäulenkorrektur ist eine genaue Kenntnis der Wassertiefen nötig. Zu<br />
diesem Zweck wurden Tiefenmodelle für den Starnberger See (Bereich Karpfenwinkel, Testfläche<br />
Bernried) und den Tegernsee mit einem gekoppelten Sonar‐GPS System erstellt (Fa. Lowrance). Die<br />
Interpolation der Tiefenpunkte zu einem Geländemodell (in diesem Fall einem Tiefenmodell) erfolgte<br />
mit der ArcGIS Erweiterung Spatial Analyst. Mithilfe dieser Tiefenmodelle (z), der Attenuation (k)<br />
und der Tiefenwasserreflexion (R ∞ ) kann der Anteil der Wasserreflexion (Term um R in Gleichung 6)<br />
bestimmt werden, der addiert zum Bodenanteil (Term um R Boden in Gleichung 6) die Gesamtreflexion<br />
R total ergibt:<br />
R<br />
total<br />
R<br />
2kz<br />
2kz<br />
Bodene<br />
R<br />
(1 e<br />
Gleichung 6: Berechnung der Gesamtreflexion (R total ) aus Bodenreflexion (R Boden ) und<br />
Wasserreflexion(R )<br />
)<br />
Dies erlaubt Rückschlüsse auf die tatsächliche Grundreflexion und eine Validierung der Klassifikation<br />
mit den gebildeten tiefeninvarianten Indizes.<br />
Die durch WASI ermittelten Wasserinhaltsstoffe konnten während einer Masterarbeit (Linnemann<br />
2013) an den Osterseen mit Labormessungen dieser Gehalte verglichen werden. Vor allem beim<br />
Gelbstoff zeigte sich eine gute Übereinstimmung zwischen den im Labor bestimmten Gehalten und<br />
den Ergebnissen der WASI‐Invertierung der abwärtsgerichteten Bestrahlungsstärke.<br />
Der unter Kapitel 3.1.2 beschriebene Versuchsaufbau mit am Seeboden ausgelegten Silo‐Folien diente<br />
der Verifikation der Wasserinhaltsstoffe, der Wassertiefe und der Klassifikationsergebnisse. Die<br />
genaue Analyse ist in Rößler et al. (2013) beschrieben. Es zeigte sich, dass besonders die schwarze Seite<br />
der Folie (ca. 5 % Reflexion) gut geeignet ist um sowohl die Bathymetrie als auch die<br />
Wasserinhaltsstoffe mit hoher Genauigkeit zu bestimmen.<br />
3.3. Operationalisierung des Monitoringansatzes (AP 3000)<br />
Das Kapitel stellt Untersuchungen in Richtung einer „Operationalisierung“ des Monitoring‐Systems<br />
über regulär verfügbare Fernerkundungsdaten unterschiedlicher Auflösung vor. Beispielhaft wurden<br />
die digitalen Luftbildprodukte der Bayernbefliegung des Bayerischen Landesamtes für Vermessung<br />
und Geodäsie (LVG) und Daten des in Deutschland entwickelten RapidEye Satelliten‐Systems<br />
untersucht.<br />
50
Die digitalen Luftbilder des LVG bilden mit vier breitbandigen Spektralkanälen im Blau‐, Grün‐, Rot‐,<br />
und Nahen Infrarot‐Bereich des Spektrums typische Spektralbereiche für die Vegetationsanalyse in<br />
sehr hoher räumlicher Auflösung von 0,2 m ab. Solche Daten werden in vergleichbarer Qualität<br />
voraussichtlich die nächsten 20 Jahre alle drei Jahre verfügbar sein. Sie stellen den Grundstock vieler<br />
amtlicher topographischer Kartenwerke dar und gelten als amtliche Referenz.<br />
Das RapidEye System ist das erste kommerzielle Satellitenprogramm, das flächendeckend räumlich<br />
hochauflösende Daten (6,5m) mit hoher zeitlicher Auflösung (2‐3Tage nominell) bereitstellen kann.<br />
Damit ist die Erfassung einer zeitlichen Signatur möglich, die es erlaubt phänologische Veränderungen<br />
als Unterscheidungsmerkmal zu nutzen.<br />
Die detaillierte Darstellung der Einzelergebnisse dieses Kapitels kann in der Dissertationsschrift von<br />
Sebastian Rößler (2013) nachgeschlagen werden.<br />
3.3.1. Digitale Luftbilder der Bayernbefliegung (AP 3100)<br />
Die digitalen Luftbildprodukte der Bayernbefliegung des Bayerischen Landesamtes für Vermessung<br />
und Geodäsie (LVG) bieten vier Farb‐Kanäle im Blau‐, Grün‐, Rot‐ und Nahen Infrarot‐Bereich des<br />
Spektrums. Für eine weitergehende, automatisierbare Verarbeitung der Daten benötigt man<br />
zumindest Informationen zum Aufnahmesystem (radiometrische, spektrale Charakteristiken der<br />
Kamera; Filter, etc.) sowie zur Prozessierung. Eine diesbezügliche Anfrage an das LVG erbrachte die<br />
Auskunft dass diese Zusatzinformationen nicht Bestandteil der Lieferabmachung sind. Recherchen<br />
haben dann ergeben, dass die Daten voraussichtlich mit einer UltraCam der Microsoft‐Vexcel Imaging<br />
GmbH aufgenommen. Es handelt sich um eine Kamera‐Familie für die photogrammetrische<br />
Auswertung mit einer radiometrischen Auflösung bei Aufnahme von 12 Bit. Der<br />
Schrägaufnahmewinkel kann bis zu 55° betragen. Die genaue Bandbreite der Spektralbänder wird nicht<br />
angegeben. Für Zu welcher Jahreszeit die LVG Bilddaten aufgenommen werden kann nicht<br />
vorbestimmt werden. Um eine Verknüpfung zu in situ Daten herzustellen, ist von diesen Daten<br />
mindestens eine physikalische Einheit von Nöten (Strahlungswerte). Die Daten können daher<br />
eigentlich nur zu Zwecken der Validierung und Kartierung über visuelle Interpretationen genutzt<br />
werden.<br />
Da es sich aber prinzipiell um hochwertige Fernerkundungsdaten einer der modernsten Systeme<br />
handelt, die ein hohes Potential für die fachliche Anwendung besitzen, wurden Methoden gesucht, um<br />
eine automatisierbare Auswertungskette für den aquatisch/limnischen Bereich aufbauend auf diesem<br />
Datentyp zu entwickeln. Die Lösung baut auf die Erkenntnissse aus der Anwendung tiefen‐invarianter<br />
Indizes. Mit dieser Methode gelingt es trotz fehlender radiometrischer Informationen und fehlender<br />
Kalibrierung Aussagen über den Bedeckungsgrad mit Makrophyten zu treffen. Dazu wurde ein<br />
Zufallsdatensatz für verschiedene Gehalte an Wasserinhaltsstoffen und Bedeckungsgraden mit<br />
Makrophyten erzeugt. Die Tiefe variiert zwischen 0.1 und 5 Meter, der Phytoplanktongehalt zwischen<br />
0.1 und 5 µg/l, der Schwebstoffgehalt zwischen 0.1 und 5 µg/l und der Gehalt an Gelbstoff zwischen<br />
0.2 und 2.0 pro Meter (Absorption bei 440 nm). Es wurden insgesamt 1000 Reflexionen nach dem<br />
Modell von Lee et al. (1999) berechnet. In Ermangelung der korrekten Bandbreiten und<br />
Strahlungstransferfunktionen für die digitalen Luftbildprodukte wurden diese auf die multispektrale<br />
Auflösung von RapidEye umgerechnet. Auf Basis dieser Daten wurden dann tiefeninvariante Indizes<br />
zwischen allen möglichen Band‐Kombinationen berechnet. In Abbildung 37 sind die Punktewolken<br />
gegen die zufällig bestimmte Tiefe aufgetragen, die farbliche Codierung zeigt die Bodenbedeckung.<br />
51
Abbildung 37: farblich codierte Darstellung zufällig erzeugter tiefeninvarianter Indizesfür RapidEye<br />
Spektralbänder<br />
Interessanterweise ist nur bei der Bandkombination b3/b4 (Rot/NIR) immer eine Unterscheidung<br />
der Bodenbedeckung möglich. Unabhängig vom Gehalt an Wasserinhaltsstoffen und der Tiefe liegt<br />
der Indexwert bei unbewachsenem Sediment immer deutlich über denen mit einem höheren Anteil<br />
an Vegetationsbedeckung. Dieser Zusammenhang ist mit dem deutlich unterschiedlichen Verlauf<br />
der Reflexion zwischen Sediment und Vegetation im roten und nahinfraroten (NIR) Spektralbereich<br />
zu erklären (siehe z. B. Abbildung 37). Es ist also stets eine Trennung mithilfe der roten und der NIR<br />
Strahlung möglich. Da auch bei der Attenuation ein starker linearer Zusammenhang zwischen den<br />
beiden Spektralbereichen besteht, konnte für den erzeugten Testdatensatz festgestellt werden,<br />
dass die Attenuation im NIR (eigentlich RedEdge) ungefähr doppelt (1.99 ± 0.09) so groß ist wie im<br />
roten Spektralbereich. Daraus ergibt sich nach Lyzenga (1978) folgender Index (Gleichung 7):<br />
2ln<br />
INDEX <br />
flach tief<br />
flach tief<br />
DN<br />
DN <br />
lnDN<br />
DN <br />
rot<br />
rot<br />
2.236<br />
Gleichung 7: Berechnung des tiefeninvarianten Index nach Lyzenga (1978) für RapidEye Spektralbänder<br />
NIR<br />
NIR<br />
Dabei ist DN der Wert des jeweiligen Pixels im roten Kanal oder im NIR Kanal. Vor der Transformation<br />
mit dem natürlichen Logarithmus muss noch das zugehörige Tiefwassersignal abgezogen werden<br />
(Statistik über mehrere Pixel). Nach Maskierung von Land und tiefem Wasser kann eine Berechnung<br />
nach Gleichung 7 durchgeführt werden.<br />
In Abbildung 38 ist der tiefeninvariante rot/NIR Index basierend auf den Farbinfrarotbildern der LVG<br />
Befliegung dargestellt. Basierend auf diesen Index wurde der prozentuale Anteil an<br />
Sedimentbedeckung berechnet. So können auch ohne zusätzliche Information zur Kalibrierung bzw.<br />
ohne radiometrische Größen Aussagen zum Litoralbewuchs gemacht werden.<br />
52
Abbildung 38: Anwendung des tiefeninvarianten Index rot/NIR zur Bestimmung des Bedeckungsgrades aus LVG<br />
Luftbildern (Ausschnitt Bernried). <strong>Links</strong>: Farbinfrarotbild (RGB: NIR‐Rot‐Grün); rechts: Index (Bedeckungsgrad<br />
mit Sediment).<br />
3.3.2. RapidEye Datenanalyse (AP 3200)<br />
Die Interpolationen der Reflexions‐ und Attenuationsmessungen zu Modellen (Kap. 3.2.6, Abbildung<br />
36) erlauben nun eine Anwendung sowohl der tiefeninvarianten Indizes als auch der bio‐optischen<br />
Modelle an RapidEye‐Daten ohne zeitgleich durchgeführte in situ Messungen.<br />
In den Veröffentlichungen Rößler et al. (2013, 2013) wird die Anwendung beider Methoden<br />
beschrieben. Wichtig für das Operationalisieren der Methode ist die automatische Maskierung<br />
irrelevanter Bereiche in den Bilddaten (Land und tiefes Wasser). Die Maskierung des Lands wird durch<br />
einen Schwellwert der normalized difference water index (NDWI) erzielt (McFeeters 1996), die des<br />
tiefen Wassers erfolgte über zwei Methoden, entweder durch einen modifizierten Rot‐Index oder<br />
durch einen Schwellwert im grünen Spektralbereich (Abbildung 28; Abbildung 30; Abbildung 34).<br />
53
4. Vergleich der erzielten gegen die erwarteten Ergebnisse<br />
Im Folgenden sind die im Antrag erwähnten Meilensteine aufgelistet. Alle Meilensteine sind erreicht<br />
worden, die erwarteten Ergebnisse konnten erzielt, teilweise sogar übertroffen werden. Im Kapitel 5,<br />
Ausblick, wird dargestellt, welche Forschungsperspektiven sich aufbauend auf den erzielten<br />
Ergebnissen eröffnen.<br />
Tabelle 3: Erreichte Meilensteine nach Antrag<br />
Aufbau der Geländemesssysteme (Messplattform, RAMSES, Stereophotogrammetrisches System)<br />
Auswahl und Aufbau der Test‐ und Kontrollflächen zur Verifikation der Ergebnisse<br />
Systematische Messungen zur Erfassung der saisonalen Veränderungen der Reflexion (RAMSES Unterwasser<br />
Spektroradiometer, Stereophotogrammetrisches System)<br />
2010<br />
2011<br />
2012<br />
Systematische Probenahme und Bestimmung der biometrischen Messungen<br />
Aufnahme von Hyperspektraldaten, abhängig von den zur Verfügung stehenden Systemen<br />
Ankauf von Luftbildern des Landesamtes für Vermessung und Geoinformation (LVG) und von Satelliten Daten<br />
(RapidEye AG)<br />
Optimierung bzw. Entwicklung der analytischen Verfahren<br />
Entwicklung der gekoppelten Wachstums‐ und Reflexionsmodelle<br />
Systematische Messungen zur Erfassung der saisonalen Reflexionsentwicklung<br />
Systematische Probenahme und Auswertung der biometrischen Messungen<br />
Aufnahme von Hyperspektraldaten<br />
Ankauf von Luftbildern des Landesamtes für Vermessung und Geoinformation (LVG) und von Satelliten Daten<br />
(RapidEye AG), falls 2010 nicht abgeschlossen<br />
Entwicklung von Transferfunktionen zu spektral geringer auflösenden Daten<br />
Entwicklung von Transferfunktionen zu räumlich geringer auflösenden Daten<br />
Abschluss der spektralen, texturellen und zeitlichen Charakterisierung der Test‐ und Kontrollflächen<br />
Optimierung der gekoppelten Wachstums‐ und Reflexionsmodelle<br />
Optimierung der Transferfunktionen zu spektral geringer auflösenden Daten<br />
Optimierung der Transferfunktionen zu räumlich geringer auflösenden Daten<br />
Entwicklung von Demonstrationsbeispielen<br />
Synthese und <strong>Bericht</strong><br />
54
5. Fazit und Ausblick<br />
5.1. Fazit<br />
Das derzeit von den Umweltbehörden des Bundes und der Länder betriebene Inventur und Monitoring<br />
System für Binnengewässer entspricht den Vorgaben der EU‐WRRL, ist etabliert und wird auf allen<br />
Ebenen verstanden. Die Schwachstelle des Systems ist der dreijährige Wiederholzyklus, der aufgrund<br />
der teilweise dynamischen Entwicklungen zu langfristig erscheint, sowie die weitestgehend qualitative<br />
Aussage, die auf das vorgegebene Transsekt‐Verfahren zurückzuführen ist. Eine quantitative<br />
Gesamtbilanz der Makrophyten‐Verbreitung, deren Biomasse, etc. ist mit dem Verfahren nur bedingt<br />
möglich.<br />
Das hier entworfene Fernerkundungs‐basierte Inventur und Monitoring System für Makrophyten und<br />
zeitgleich auch Wasserinhaltsstoffe hat das Potential das etablierte Erfassungssystem in wichtigen<br />
Punkten zu ergänzen.<br />
Der in Kapitel 2 dargestellte Aufbau‐ und Ablaufplan eines „Inventur und Monitoring Systems“<br />
(Abbildung 3) für Binnenseen konnte im Rahmen des Vorhabens demonstriert, der Ansatz vollinhaltlich<br />
bestätigt werden. Die im Zuge der Schrittweisen Abarbeitung des Projektplans entwickelten<br />
Bearbeitungs‐ und Auswerteverfahren haben sich als robust erwiesen.<br />
Die definierten Projektziele wurden erreicht:<br />
<br />
<br />
<br />
<br />
So konnte nachgewiesen werden, dass mit allen hoch‐ bis sehr hoch auflösenden Systemen<br />
die Unterscheidung von Sediment und Makrophyten‐Populationen möglich ist. Dieses erlaubt<br />
es multitemporale Ausbreitungsanalysen durchzuführen (Monitoring).<br />
Spektralbibliotheken der invasiven Zielarten Najas marina, Elodea nuttallii und der<br />
konkurrierenden Arten Potamogeton perfoliatus und Chara specc. Sowie für die<br />
dazugehörigen Seeboden‐Sedimente wurden erstellt, die Modellierungen erlauben es für jede<br />
Phase der Vegetationsentwicklung das passende Spektrum auszuwählen (phänologischer<br />
Fingerabdruck).<br />
Methoden zur Auswahl repräsentativer Spektralbereiche wurden an die jeweiligen Daten<br />
angepasst. Aus den hoch aufgelösten Reflexionsspektren können die Spektralbereiche<br />
ausgewählt werden, die für die Identifikation einzelner Arten notwendig sind<br />
(Datenreduktion).<br />
In Richtung Operationalisierung wurden unterschiedlich Systeme analysiert, um die<br />
Informationsverluste abzuschätzen, die bei geringerer Auflösung in Kauf genommen werden<br />
müssen. Auf diese Weise sollen langfristig routinemäßig erhobene, kostengünstigere Luft‐ und<br />
Satellitenbilder mit wesentlich geringerer Auflösung für das Monitoring von Gewässern mit<br />
genutzt werden<br />
Als Fazit der hier gemachten Untersuchungen kann der Ausbau in Richtung eines operationellen<br />
Systems empfohlen werden.<br />
Wichtig im Hinblick auf eine Operationalisierung erscheint uns der Hinweis auf gelöste Fragen aber<br />
auch auf erkannte Schwachstellen und daraus abzuleitende notwendige Ausbauschritte, auf die wir im<br />
Folgenden eingehen möchten. Bezug nehmend auf das erwähnte Ablaufschema (Kap. 2, Abbildung 3)<br />
soll die Bilanzierung und die darauf gegründeten Empfehlungen anhand der skizzierten Arbeitsschritte<br />
erfolgen.<br />
55
Schritt 1: Datenbank‐Aufbau und Modellentwicklung<br />
Der System‐Ansatz baut auf bio‐optische Modelle. Ein operationaler Einsatz der bio‐optischen Modelle<br />
verlangt neben realistischen Startwerten der Wasserinhaltsstoffe auch realistische Seeboden‐<br />
Spektralsignaturen. Gegründet auf die Spektralbibliotheken von obigen Makrophyten‐Arten und für<br />
die speziellen Messtandorte wurden Reflexionsmodelle erstellt, die bei der Auswertung der<br />
untersuchten FE‐Daten als Referenzspektren genutzt wurden. Weitet man den hier präsentierten<br />
Ansatz auf andere Makrophytenarten und weitere Messstandorte an unterschiedlichen Seen aus, kann<br />
über die Jahre eine Datenbank mit umfassenden Modellen der wichtigsten Makrophytenarten und<br />
deren Reflexionscharakteristika aufgebaut werden.<br />
Für dieses Systemmodul können folgende Fragestellungen als Entwicklungstechnisch gelöst angesehen<br />
werden:<br />
<br />
<br />
<br />
Messaufbau und Messstrategie für Unterwasser Spektralmessungen zum Aufbau von<br />
Seeboden‐Spektralbibliotheken folgen dem Protokoll zu Begleitmessungen des 1.<br />
Workshops der nationalen Initiative „Gewässerfernerkundung“<br />
darüber abgeleitet die Methodik zur „in‐situ“ Bestimmung von Wasserinhaltsstoffen folgen<br />
dem internationalen MERIS‐Protokoll der „Ocean Color“ Arbeitsgruppe (Anonymous, 2011)<br />
Integration von Reflexions‐ und Wachstums‐Modellen der Makrophyten der spektralen<br />
Datenbanken die erzielten Auswertungs‐Genauigkeiten bei Inversionen auf Basis<br />
„unbekannter“ Spektren liegen zwischen 76% für Najas marina, als die kritischste Art, da mit<br />
unterschiedlichsten Deckungsgraden, und 91% bei der flächig wachsenden Art Chara specc..<br />
Auch im Vergleich mit Ergebnissen bei Landvegetation auf diesem Detaillierungsgrad können<br />
diese Ergebnisse als hervorragend bezeichnet werden!<br />
Optimierungsbedarf sehen wir bei folgenden Fragestellungen:<br />
<br />
<br />
<br />
<br />
Einfluss des Deckungsgrades auf die Spektralsignatur Vegetation mit geringem<br />
Deckungsgrad ist typischer Weise an Zeitpunkte geknüpft, zu denen die Vegetationsdecke im<br />
Aufbau ist oder aber an Bereiche die neu besiedelt werden. Also zu Beginn einer<br />
Vegetationsperiode oder aber im Zuge einer Invasion, Neu‐, Wiederbesiedlung aufgrund<br />
veränderter Rahmenbedingungen. Der Deckungsgrad wurde über die Stereoaufnahme des<br />
Messflecks bestimmt. Eine Arttypische Korrelationsfunktion zwischen Reflexionssignal und<br />
Deckungsgrad muss auch die Biomasse, den Pigmentgehalt, Bestandesstruktur, die<br />
Beleuchtung, etc. berücksichtigen. Störgrößen sind u.a. die Sättigungseffekte der<br />
Spektralsignatur bei zunehmenden Deckungsgrad vor allem aber der unterschiedliche<br />
ausgeprägte Aufwuchs (siehe hierzu den Abschnitt Ergänzungsbedarf)<br />
Einfluss der Richtungsabhängigkeit auf die Aussageschärfe (Reflexionsmodelle) die hierzu<br />
durchgeführten Untersuchungen haben zwei interessante Aspekte deutlich gemacht. Erstens,<br />
durch die Brechungsvorgänge in Richtung Lot in der Wassersäule wird die Einstrahlung auch<br />
bei großem Sonnenzenithwinkel (Morgens, Abends) in Richtung Seeboden gelenkt, was der<br />
Wuchsleistung zuträglich ist. Zweitens, die Grenzflächenphänomene überlagern die von einem<br />
Sensor erfasste Rückstrahlung des Seebodens extrem und schwer quantifizierbar.<br />
Korrektur der Wassersäulen‐Einflüsse diese erfolgt über bio‐optische Modelle und die<br />
Bestimmung der Wasserinhaltsstoffe. Eine Optimierung trägt somit ebenfalls zu einer<br />
präziseren Charakterisierung des Zustandes eines Sees bei. Als Schwachstelle hat sich die Chl a ‐<br />
Bestimmung herausgestellt. Bei den „sauberen“ bayerischen Seen liegen wir nahe an der<br />
Nachweisbarkeitsgrenze.<br />
Korrektur der Grenzflächenphänomene und der Atmosphären‐Einflüsse der „wavefocussing<br />
effect“ oder „swimmingpool‐effect“ ist für die hohe Varianz der „in‐situ“<br />
Spektralsignaturen verantwortlich. In den Fach‐Gremien wird über eine Methode zur<br />
56
Normalisierung dieser Effekte diskutiert. Die Methode soll übernommen werden. Derzeit<br />
verwenden wir den Median. Zur verbesserten Atmosphärenkorrektur sollte ein weiterer<br />
RAMSES ARC Sensor dauernd die Einstrahlung über Wasser messen. Die Ergänzung ist lediglich<br />
ein Kostenfaktor.<br />
Kopplung mit Klimagesteuerten Wuchsprognose‐Modellen, etwa wie sie im Rahmen von<br />
BayForKast an der Limnologischen Station entwickelt werden bisher sind lediglich einige<br />
Schwellwerte in die Wuchsmodelle zur Spektralsignatur‐Berechnung eingeflossen. Angedacht<br />
ist eine Filterfunktion zur Vorauswahl möglicher Alternativen zum Vorkommen von<br />
Makrophyten.<br />
Ergänzenden Forschungsbedarf sehen wir für folgende Arbeitsschritte:<br />
<br />
<br />
<br />
<br />
<br />
Spektraldatenbanken für Seeort‐typische Sedimentspektren weitere Makrophyten‐Arten,<br />
Kandidaten sind z. B: Potamogeton pectinatus, Nitella mucronata oder diverse Characeen‐<br />
Rasen systematische Ergänzungsarbeiten<br />
Biometrische Messungen der Ziel‐Makrophyten aus Vor‐Ort Stereophotos das im Vorhaben<br />
eingesetzte Stereophoto‐Erfassungssystem Marke Eigenbau hat unsystematische Aussetzer<br />
aufgrund elektronischer Übertragungsprobleme gezeigt. Die Entwicklung einer (semi‐)<br />
automatischen Auswertesoftware wird mit Spezialisten des Photogrammmetrie‐Bereichs<br />
vorangetrieben. Das Problem liegt im Erkennen der Kulissenartig in mehreren Ebenen<br />
angeordneten Objekten und deren Organe. Die Fragestellung betrifft alle Land‐ und<br />
Unterwasser‐Modellansätze zur Bestimmung biometrischer Kenngrößen und wird als<br />
photogrammetrische Grundlagenforschung angesehen.<br />
Systematische Sedimentanalysen zum Nährstoffgehalt der spektral erfassten Sedimente <br />
Kostenfrage, Argumentationskette hin zu einem tatsächlichen Nutzen in der Bewertung der<br />
Gewässerqualität über Methoden der Fernerkundung nicht eindeutig.<br />
Temperatur‐ und Schichtungs‐Monitoring der Seen Kosten‐und Logistikfrage. Wurde im<br />
BayForKast Vorhaben der Limnologischen Station für einige Seen durchgeführt.<br />
Modellaussagen unterstützen die hier entwickelten gekoppelten Wachstums‐ und<br />
Reflexionsmodelle<br />
Einfluss des Aufwuchses auf die Spektralsignaturen Als „Aufwuchs“ wird das Gemenge aus<br />
Periphython und Sediment/Detritus bezeichnet, das sich im Laufe einer Vegetationsperiode<br />
auf Organen der Makrophyten absetzt. Aufwuchs verändert das Reflexionssignal. Wie schon<br />
Pinnel (2007) feststellte, könnte Auswuchs die Ursache für die beobachteten Seeort‐typischen<br />
Unterschiede der Spektralsignatur derselben Makrophytenart sein. Experimente mit<br />
Methoden der Mischpixelanalyse haben diese Vermutung erhärtet. Hierbei wurden Signaturen<br />
von Auswuchsfreien Makrophyten mit typischen Sediment und Peryphyton‐Signaturen in<br />
unterschiedlichen Verhältnissen gemischt. Im Ergebnis konnte so die „in‐situ“ gemessene<br />
Signatur des Makrophyten‐Bestandes mit Aufwuchs reproduziert und die Art des Auswuchs‐<br />
Gemenges quantitativ bestimmt werden. Da Aufwuchs auf Makrophyten und Sediment sehr<br />
ähnlich, wenn nicht gleich sind, ist die Unterscheidbarkeit von Makrophyten‐Beständen<br />
geringen Deckungsgrades zu dichten Beständen späterer Zeitpunkte der Vegetationsperiode<br />
erschwert. Aus diesen Zusammenhängen ergibt sich weiterer Forschungsbedarf. Die<br />
Forschungsfrage die hieraus definiert werden kann lautet: Wenn „Aufwuchs“ (Algen, Biofilme,<br />
anorganisches Sediment, Detritus) Seen‐spezifisch ist, die Spektralsignatur von Makrophyten<br />
jedoch Artspezifisch und „stabil“, dann könnte es ausreichen Sediment‐Signaturen<br />
systematisch für die jeweiligen Seen zu erfassen. Bei Bedarf kann dann die Spektralsignatur<br />
der jeweiligen Makrophyten‐Art entsprechend ihrer phänologischen Phase dazu gemixt<br />
werden, bis über den optimalen „fit“ der Spektralsignaturen im Model die Art und deren<br />
Zustand bestimmt ist.<br />
57
Schritt 2: FE‐Daten Erfassung, Auswertung und Modell‐Invertierung<br />
Bei Verfügbarkeit eines geeigneten Datensatzes beginnt dieser Schritt der Informationsextraktion mit<br />
dem Abgreifen der Zusatzinformationen für das jeweilige Interessensgebiet zum Zeitpunkt der<br />
Aufnahme. Vorinformationen zum Witterungsverlauf, Trübungsgrad, erwarteter Makrophyten‐<br />
Bestände und deren Zusammensetzung werden im Konzept des Systems aus Datenbanken abgegriffen.<br />
Der Datensatz wird danach mit Atmosphären‐, Grenzflächen‐ und Wassersäulen‐<br />
Korrekturprogrammen vorprozessiert. Anschließend wird mit empirischen Ansätzen, etwa den<br />
tiefeninvarianten Indizes oder aber bio‐optischen Modellen wie MIP, BOMBER oder WASI‐2D (die<br />
teilweise auch die vorhin genannten Korrekturen rechnen) die Identifikation der Makrophyten sowie<br />
deren Zustand bewertet.<br />
Der Klassifikationsvorgang erfolgt hierarchisch. Erst wird Sediment und submerse Vegetation<br />
unterschieden. Danach wird versucht die Makrophyten‐Art und deren Zustand zu erkennen. Hier<br />
greifen die entwickelten gekoppelten Reflexions‐/Wachstums‐Modelle für die spezifischen Arten am<br />
bestimmten Seeort, über die eine Vorauswahl der möglichen Erscheinungsformen getroffen wird.<br />
Anschließend werden Methoden der Mischpixelanalyse eingesetzt um aus den vorgehaltenen<br />
Spektren das „passende“ durch „fitten“ der Datenbankspektren herauszufinden.<br />
Als gelöst, bzw. bestätigt können folgende Arbeitsschritte dieses Moduls betrachtet werden:<br />
Vorinformation verbessert die Aussage sowohl die Information über die<br />
Ausbreitungsmöglichkeiten (BayForKast Vorhaben) als auch die Spektralbibliotheken mit Filter<br />
Phänologische Phase verbessern die Aussage<br />
<br />
<br />
<br />
Die Unterscheidung in Sediment und submerse Vegetation gelingt mit allen Systemen. Die<br />
Arbeitshypothese, dass die Ausbreitung von Makrophyten‐Populationen in bis dahin nicht<br />
besiedelte Bereiche erfasst werden kann, ist somit bestätigt!<br />
Digitale Luftbildprodukte der Bayernbefliegung durch das LVG sind nach derzeitigem Stand<br />
nicht geeignet für ein operationelles Monitoring von Makrophyten. Grund hierfür ist, dass<br />
weder die Systemspezifikationen, noch die Prozessierungsschritte offengelegt sind. Hinzu<br />
kommt der nicht vorhersehbare Aufnahmezeitpunkt der zwischen April (Makrophyten frei)<br />
und Oktober liegen kann!<br />
Die Unterscheidung von bis zu drei (BOMBER), bzw. sechs (WASI‐2D) Makrophyten‐Arten<br />
gelingt umso besser, je höher die spektrale Auflösung des Systems ist. im Rahmen des<br />
Vorhabens ist die Differenzierung über verschiedene wissenschaftliche, überdefinierte<br />
Systeme (Aisa EAGLE, APEX, HySpex) sowie auch über „operationelle“ Systeme (digitales<br />
Luftbildprodukt des LVG, RapidEye) erfolgt. Vorausgesetzt, es ist der passende phänologische<br />
Zeitpunkt, steigt der Erfolg wie erwartet mit zunehmender Auflösung des Systems<br />
Ergänzungsbedarf, bzw. offenen Fragen betreffen in erster Linie die fernerkundliche Erfassbarkeit von<br />
aussagekräftigen Spektren, also die R RS (0+) Signale die ein Sensor aufzeichnet. Diese sind ja eine<br />
Mischung aus Seeboden‐Signal (Sediment + Zielobjekt Makrophyten) und Wassersäulen‐Signal<br />
(Wasserinhaltsstoffe) überlagert mit Wasseroberflächen‐Phänomenen (spiegelnde Reflexion,<br />
insbesondere der schwer berechenbare „sun‐glint“).<br />
Diese Überlegungen führen zu folgenden Detailanforderungen, bzw. Optimierungsbedarf:<br />
<br />
Es muss sichergestellt werden, dass die Spektralbibliotheken aus „in‐situ“ Messungen alle in<br />
Frage kommenden Makrophyten‐Arten sowie deren Mischungen abbilden können (Basis für<br />
Mischpixelanalysen). Das Inventar eines jeden Sees ist ja bekannt. Dieses wird durch die<br />
im dreijährigen Turnus stattfindenden amtlichen Inventuren erhoben. Offen sind hier die<br />
58
Bestimmung der Ausbreitung in der Fläche sowie die biometrischen Merkmale der Bestände<br />
(Bestandes Dichten, Biomassen, etc.) sowie deren saisonalen Änderungen.<br />
Es muss sichergestellt werden, dass die Seeort typischen Aufwuchs Varianten charakterisiert<br />
sind (Spektralbibliothek „Aufwuchs“) und Modelle für die jeweiligen jahreszeitlichen<br />
Erscheinungsformen (Aufwuchs‐Zuwachs, Abundanzen, Dichten, etc.) vorhanden sind. <br />
Diese Art von Spektralbibliotheken ist neu. Dafür notwendige Vorversuche sind seit Jahren<br />
an der Limnologischen Station durchgeführt worden, wobei bisher die biologischen<br />
Hintergründe im Vordergrund standen. Zusammenhänge zu Lichtverfügbarkeit, Temperatur,<br />
Tiefenstufe, Strömungsverhältnissen, unsystematischen Störeinflüssen, etc.) sind bisher<br />
nicht in Modelle integriert worden. Die Erfassung der Spektralsignatur dieser sehr mobilen<br />
und damit Berührungssensitiven Auflagen stellt ein entsprechendes Messkonzept vor<br />
besondere Herausforderungen!<br />
Für die Operationalisierung hilfreich wird ein zeitlich hochaufgelöstes Monitoring‐System für<br />
Wasserinhaltsstoffe angesehen. So ein System wird die zeitliche Dynamik der Transparenz<br />
und damit der für Makrophyten der unterschiedlichen Seeorte und Tiefenstufen erfassen und<br />
darüber die verfügbaren Lichtmenge für Modellierungen des Wachstums bereitstellen <br />
Siehe Gedanken hierzu weiter oben!<br />
Ein integrales Korrektursystem für Wassersäule/Grenzflächen‐Phänomene/Atmosphäre ist<br />
zu fordern!<br />
Die entscheidende Frage im Hinblick auf ein operationelles Inventur‐ und Monitoring‐System ist<br />
letztendlich, wie die benötigte Information mit vertretbaren Kosten bereitgestellt werden kann!<br />
Schritt 3: Diagnose und darauf gegründeter fachspezifischer Handlungsbedarf<br />
Im angenommenen operationellen Fall stützt sich die Diagnose auf die Ergebnisse der<br />
Fernerkundungsdaten‐Analyse. Dieses setzt voraus, dass Daten eines Systems zum diagnostisch<br />
passenden Zeitpunkt / Zeiträumen erfasst wurden. Zum Thema System‐Eignung und –Verfügbarkeit<br />
möchten wir auf das nächste Kapitel, (7.2, Ausblick) verweisen. Die Entscheidung ob und wie, in<br />
welchem Umfang, wann reagiert werden muss wird dann von der zuständigen Behörde, dem<br />
zuständigen Amt getroffen werden müssen.<br />
5.2. Ausblick<br />
Trotz der Entwicklung robuster Bearbeitungs‐ und Auswerteverfahren im Zuge dieses Projektes, sind<br />
weiter Untersuchungen notwendig, um einzelne Elemente der erarbeiteten Prozesse zu optimieren<br />
und auch um das Grundlagenwissen zu verbessern. So ist auch nach diesem Vorhaben nicht<br />
letztendlich geklärt, welche spektrale Signaturen (spektrale Auflösung, Phänologie) zur Identifikation<br />
und Zustandserfassung welcher Makrophyten und welcher Wasserinhaltsstoffe an welchen Seeorten<br />
und zu welcher Jahreszeit benötigt werden.<br />
Derzeit dürften etwa 100‐500 zivile Erdbeobachtungssysteme Daten über die Erdoberfläche liefern.<br />
Jedes System hat spezielle Eigenschaften. Um den Überblick zu bewahren werden diese Systeme über<br />
ihre gemeinsamen Eigenschaften gruppiert. Typischer Weise geschieht dieses anhand des Kriteriums<br />
„Auflösung“. Die nachfolgenden Betrachtungen beschränken sich auf die im Umfeld der ESA heute<br />
oder in naher Zukunft verfügbaren Systeme. Es werden weiterhin nur diejenigen betrachtet, die für<br />
Zwecke der Inventur und des Monitorings aquatischer Systeme geeignet erscheinen. Die Grundfrage<br />
hierbei ist, welche Systeme geeignet erscheinen (Wissenschaftlich/operationell) und daraus, welche<br />
ökonomisch sinnvoll in einem operationellen Kontext einsetzbar wären.<br />
59
Klar ist, dass auch zukünftige FE‐Systeme multi‐ bis hyperspektraler Charakteristik Einschränkungen<br />
unterworfen sein werden, die dem Spannungsfeld der Auflösung zuzuschreiben sind. Die Forderung<br />
nach hoher radiometrischer Auflösung bei geringem Signal zu Rausch Verhältnis, die insbesondere bei<br />
Wasserbezogenen Fragestellungen erhoben werden muss, bei denen Reflexionsfaktoren von unter 2%<br />
die Regel sind, entspricht der Quadratur des Kreises. Die Einengung der Bandbreiten mit dem Ziel,<br />
diagnostisch wichtig Absorptionsbanden möglichst genau abzubilden, resultiert in einer linearen<br />
Abnahme der reflektierten Strahldichten pro Band. Die gewünschte höhere räumliche Auflösung, die<br />
es ermöglicht auch kleine Flächen zu erfassen, führt gar zu einer quadratischen Abnahme der<br />
zählbaren Photonen pro Pixel. Da aber ein bestimmtes Signal zu Rausch Verhältnis (englisch: signal to<br />
noise ration, SNR) nicht unterschritten werden sollte, um den Werten vertrauen zu können (Faustregel:<br />
„Rauschen“ sollte mindestens 100x, besser 200‐300x geringer sein als das zu analysierende Signal),<br />
kann hier lediglich technischer Fortschritt im Detektor/System Komplex zu Verbesserungen führen.<br />
Hyperspektrale Systeme mit schmalen Bandbreiten sind da den multispektralen Systemen mit deutlich<br />
breiteren Spektralbändern naturgemäß unterlegen wenn dieselbe räumliche Auflösung angestrebt<br />
wird. Satellitensysteme, bei denen die Anforderungen an die Robustheit der verbauten Komponenten<br />
wesentlich höher ist als bei den austauschbaren Flugzeuggetragenen Systemen, sind typischer Weise<br />
letzteren technisch unterlegen, da nicht die neuesten sondern die bewährten und Weltraum<br />
zertifizierten Komponenten verbaut werden.<br />
Aus diesem Blickwinkel lohnt es zu hinterfragen, welches der zukünftigen Systeme aus Abbildung 39<br />
für die Aufgabe eines Inventur und Monitoring‐Systems für Binnengewässer geeignet sein könnte.<br />
Abbildung 39: Mit Beteiligung der ESA entwickelte, bzw. betriebene Satelliten‐Systeme zur Erdbeobachtung,<br />
farblich kodiert nach voraussichtlichem Fenster des operationellen Betriebs (lila: bereits auf Umlaufbahn, blau:<br />
bewilligt und im Bau befindlich, grün: geplante), ESA Living Planet Programm 2013.<br />
http://download.esa.int/docs/EarthObservation/Optical_GMES_Contributing_Missions.pdf<br />
60
Für ein operationelles Monitoring System des aquatischen Bereichs ist die gewünschte hohe bis sehr<br />
hohe räumliche, spektrale, zeitliche und radiometrische Auflösung aus Kostengründen nicht<br />
realisierbar. Hier sind ja die Anforderungen an Kosteneffektivität zu beachten und somit das Motto „so<br />
wenig wie möglich, so viel wie nötig“. Möglich erscheint jedoch ein intelligentes System der<br />
Verknüpfung unterschiedlicher Systeme.<br />
Unkritisch und sicher kann die Ausbreitung von Makrophyten in bisher nicht besiedelte Bereiche schon<br />
mit multispektralen Systemen erkannt und quantifiziert werden. Je nach geforderter Ortsschärfe sind<br />
hierzu Satellitensysteme der hochauflösenden Klasse (wahlweise „high resolution“ 1 oder 2 in<br />
Abbildung 39) oder der sehr hoch auflösenden („very high resolution“ 1 oder 2) einzusetzen. Denkbar<br />
sind in diesem Fall auch flexible Systeme auf Drohnen.<br />
Mit zunehmendem Detaillierungsgrad der Auswertungsziele etwa in Richtung Abundanzen,<br />
Deckungsgrad, Artenerkennung steigen die Anforderungen an die Systeme. Im Forschungsbereich wird<br />
der Schwerpunkt weiterhin bei hyperspektralen, flugzeuggetragenen Systemen liegen müssen.<br />
Zwingend erscheint auch vermehrt Wert auf erklärende Begleitmessungen zu legen. Im<br />
Forschungsumfeld wird somit wie bisher mit „überdefinierten“ Systemen gearbeitet werden, da erst<br />
diese Überdefinition es erlaubt über Simulationen Schritt für Schritt die Informationsdichte zu<br />
reduzieren.<br />
Die Herausforderungen erwachsen jedoch vor allem aus dem Bedarf nach Modelloptimierungen und<br />
der Integration der Interdisziplinären Modelle in ein integrales, übergreifendes Konzept wie das in<br />
diesem Vorhaben angedachte. Die Forschungsziele am Lehrstuhl für Aquatische Systembiologie der TU<br />
München, Limnologische Station orientieren sich an diesen Herausforderungen und versuchen die<br />
nachfolgend noch einmal aufgelisteten Wissenslücken zu schließen. Aufgrund des hochkomplexen<br />
Arbeitsbereichs kooperieren wir dabei mit Kollegen spezialisierter Institutionen:<br />
<br />
<br />
<br />
<br />
<br />
Entwicklung eines Integralen Atmosphären‐/Grenzflächen‐/Wassersäulen‐Korrekturmodelles<br />
das Anliegen wird u.a. aufgrund der Ergebnisse dieses Vorhabens in einer gemeinsamen<br />
Anstrengung des <strong>DLR</strong> und des GKSS im Rahmen des EnMAP Begleitprogramms des BMWi<br />
bearbeitet<br />
Weiterentwicklung der Wachstums‐/Reflexionsmodell: Die aktuelle Klassifizierung, basierend<br />
auf linearen Diskriminanz‐Analysen mit den gesammelten in situ‐Daten selbst ist<br />
zufriedenstellend und vielversprechend. Testläufe mit aus Fernerkundungsdaten gewonnen<br />
Spektren oder basierend auf anderen Klassifikationsregeln sind aber notwendig, um die<br />
Genauigkeit und Robustheit des Modells zu erhöhen. ein diesbezüglicher Antrag wird auf<br />
Anforderung bei <strong>DLR</strong> Programmdirektion Raumfahrt unter dem Titel „Monitoring aquatischer<br />
Klima‐Indikatoren mit Methoden der Fernerkundung“ eingereicht. Zielgrößen sind<br />
Wasserinhaltstoffe, Makrophyten, Modellentwicklung, Partner ist die Uni Kiel und die<br />
Limnologische Station der TUM, <strong>DLR</strong> Oberpfaffenhofen und <strong>DLR</strong> Neustrelitz)<br />
Phytoplankton Bestimmung auf Artenebene insbesondere Cyanobakterien. Hierfür ist eine<br />
noch genauere Charakterisierung der Wassersäule notwendig. Durch die Integration der<br />
Phytoplankton‐Zusammensetzung könnte beispielsweise die Bestimmung des Chlorophyll‐a<br />
Gehaltes verbessert werden. Eine damit einhergehende Erkennung von Cyanobakterien ist<br />
hinsichtlich deren toxischer Wirkungen von ökologischer Bedeutung. die Fragestellung wird<br />
im Rahmen eines Vorhabens des TUM‐IGSSE Programms vertieft werden (bewilligt, 2013‐<br />
2016), ein ergänzender Antrag ist bei der DFG eingereicht (in Begutachtung)<br />
Abschätzung des Informations‐Gewinns‐/Verlustes bei Einsatz höher‐/geringer auflösender<br />
Systeme wird sukzessive im Rahmen von laufenden, bzw. geplanten Vorhaben abgearbeitet<br />
Entwicklung von Kosten/Nutzen Modellen zur Abschätzung ökonomischer Auswirkungen<br />
Intra‐ und Transdisziplinärer Nutzung von Fernerkundungs‐Daten in integralen Ansätzen <br />
61
über derartige Bewertungsansätze für den aquatischen Bereich konnten keine Hinweise in der<br />
Literatur gefunden werden<br />
Frage der Auswirkungen des Aufwuchses auf die Spektralinformation dieses ist eine der<br />
Einflussfaktoren mit den derzeit am wenigsten abschätzbaren Auswirkungen!<br />
Abgesehen von den Fernerkundungs‐bezogenen Fragen sind auch von biologisch/limnologischer Seite<br />
Antworten zu bestimmten Fragen gefordert. So muss u.a. geklärt werden, ab welcher Flächengröße<br />
eine Makrophyten‐Gesellschaft als etabliert gelten kann und folgerichtig in ein Monitoring Programm<br />
aufgenommen werden sollte. Es ist auch nicht klar, wie eine Besiedlung bisher Makrophyten freier<br />
Flächen des Seebodens abläuft. Welche Steuergrößen stehen dahinter, wenn das auf gleicher<br />
Tiefenstufe passiert, welche wenn die Expansion in tiefere Bereiche stattfindet. Die Flächengröße steht<br />
in direkter Beziehung zu der benötigten räumlichen Auflösung, die Tiefenstufe fordert zusätzlich die<br />
radiometrische Leistungsfähigkeit des Systems.<br />
Ein Problemkreis, der in den letzten Monaten zunehmend mit seiner Tragweite in den Blickpunkt gerät,<br />
ist an reduzierte Lichtverfügbarkeit durch häufigere Trübungsphasen aufgrund von Starkniederschlags‐<br />
Ereignissen geknüpft. Auch diese Erscheinungen werden dem beobachteten Klimawandel<br />
zugeschrieben.. Die Fragestellung betrifft einige Forschungsfelder des Lehrstuhls für Aquatische<br />
Systembiologie und speziell auch der Limnologischen Station, und soll in den nächsten Jahren intensiv<br />
bearbeitet werden.<br />
Im Konzept des hier entwickelten Monitoring Systems kann eine hohe Widerholfrequenz der<br />
Wasserinhaltsstoffe‐Bestimmung dazu beitragen, die Lichtverhältnisse gerade auch bei der<br />
beobachteten zunehmenden Häufung der Starkniederschlagsereignisse besser zu quantifizieren und<br />
dadurch die Modellierung der Wuchsbedingungen für Phytoplankton und submerse Makrophyten zu<br />
optimieren. Zumindest für die großen Seen wäre dieses kostengünstig über die „globalen“<br />
vorhandenen (Modis) bzw. kommenden (Sentinl‐3) hyperspektralen Systeme möglich („low to medium<br />
resolution“ Abbildung 39), die eine tägliche Aufnahmewiederholung möglich machen. Eine zumindest<br />
wöchentliche Nachführug der Wasserinhaltsstoffe Datenbanken wäre damit machbar und zwar<br />
weitestgehend automatisiert. Die Informationen der Wasserinhaltsstoff Datenbank wiederum fließen<br />
in die Wachstumsmodelle für Phytoplankton und submerse Makrophyten ein, die dadurch präzisere<br />
Prognosen abgeben können. Diese Prognosen wiederum fließen als „a‐priori“ Information in die<br />
Analyse hochaufgelöster FE‐Daten ein. Das hilft Alternativen zu reduzieren und das<br />
Klassifikationsergebnis zu verbessern. Darüber hinaus kann dies ein Schlüssel sein um über Daten<br />
geringerer Informationsdichte die gewünschte Aussageschärfe zu erreichen, eine Option die Kosten<br />
spart.<br />
Des Weiteren soll auch an dieser Stelle die Mehrfachnutzung kostspieliger Fernerkundungsdaten<br />
angeregt werden. Unter dem Motto „Lakes, Eyes oft the Landscape“ (Schneider et al., 2003) wurde<br />
bereits 2003 ein Konzept vorgeschlagen, um intra‐ und transdisziplinär in integralen<br />
Landschaftsansätzen Fernerkundungsdaten zu nutzen. Neben einer verbesserten Kosteneffektivität<br />
kann hierüber such das Verständnis und die Wirkungszusammenhänge der unterschiedlichen<br />
Flächenbezogenen Fachdisziplinen zusammengeführt und eine Ökosystemare Betrachtung gefördert<br />
werden (Abbildung 40).<br />
62
Abbildung 40: Konzept von Seen als Spiegelbild des Zustandes des Ökosystems auf Einzugsgebietsebene am<br />
Beispiel Waging‐Tachinger Seen. Mit weißer Schrift sind Fachbereiche unter Bearbeitung an der Limnologischen<br />
Station hervorgehoben (nach Schneider et al., 2003, aktualisiert)<br />
6. Kooperationen und wissenschaftlicher Austausch<br />
Zum Thema Messstrategie fand vom 04 bis 06 Mai 2011 ein Workshop an der Limnologischen Station<br />
statt, an dem Gewässerfernerkundler der <strong>DLR</strong> und Berlin Adlerhorst, des Helmholtz Zentrums<br />
Geesthacht, des Alfred Wegner Instituts Berlin, der Universität Kiel der Fa. EOMAP teilgenommen<br />
haben. Bei dem Treffen wurden die Rahmenbedingungen für standardisierte Messungen mit<br />
Unterwasser‐Spektrometern festgelegt. Das Treffen war die Initialzündung für den Zusammenschluss<br />
der Arbeitsgruppe Gewässerfernerkundung in Deutschland. Die AG trifft sich seither im<br />
Halbjahresabstand. Dieser Initiative sind bisher Arbeitsgruppen des <strong>DLR</strong> Oberpfaffenhofen, Neustrelitz<br />
und Berlin angehören (Peter Gege, Nicole Pinnel, Harald Krawczyk, Bringfried Pflug, Thomas Welzl, Erik<br />
Borg), des HZG in Bremerhaven (Rüdiger Rüttgers), Uni Oldenburg (Reiner Reuter), FU Berlin (Lena<br />
Kritten), EAWAG (Elisabeth Eder), EOMAP (Thomas Heege), Brockmann Consult (Daniel Odermatt),<br />
AWI (Astrid Bracher, Birgit Heim), Uni Kiel (Natascha Oppelt) beigetreten. Eines der dringendsten<br />
Anliegen ist die Frage der integralen Atmosphären/Grenzflächen/Wassersäulen Korrektur. Ein<br />
gemeinsamer Daten‐Pool, abgestimmte Messkonzepte und die Entwicklung von „open source“<br />
Software werden angestrebt, eine Wiki –Austauschplattform ist auf dem Server von EOMAP installiert.<br />
In diesem Zusammenhang soll ein N‐S/E‐W Kreuz mit Dauerbeobachtungsflächen an Seen zur<br />
saisonalen Änderung der Wasserinhaltsstoffe aufgebaut werden. Die Dauertestflächen der<br />
Limnologischen Station sind als südlicher Endpunkt der Transsekte vorgesehen. Im angekündigten<br />
Sentinel‐3 Aufruf zum Start des Systems 2014 soll dieses Kreuz nach Süden bis an die großen Seen<br />
südlich der Alpen, nach Norden bis Skandinavien, nach Osten bis Estland und nach Westen bis in die<br />
Niederlande ausgedehnt werden. Wenn immer möglich werden diese Cal/Val Testflächen beflogen<br />
werden.<br />
63
Eine der wesentlichen Zusammenarbeiten erfolgte hinsichtlich der Befliegungskampagnen mit dem<br />
Deutschen Luft‐ und Raumfahrtzentrum (<strong>DLR</strong>) in Oberpfaffenhofen. So bestand mit Dr. Nicole Pinnel<br />
im der Abteilung Landoberflächen im Deutschen Fernerkundungsdatenzentrum ein enger Austausch<br />
bezüglich der Flug‐ und Kampagnenplanung. Des Weiteren wurde der Kontakt zu Dr. Peter Gege aus<br />
der Abteilung für Experimentelle Verfahren am Institut für Methoden der Fernerkundung intensiviert.<br />
So fanden vor allem im Zuge der Masterarbeit von Katrin Linnemann regelmäßige Treffen statt.<br />
Da sich die erwähnte Arbeit mit der Validierung der aus WASI gewonnen Gehalte an<br />
Wasserinhaltsstoffen beschäftigte (Kap. 4.1.2; AP 1100: Transparenz), mussten die entsprechenden<br />
Labormethoden zur Bestimmung von Chlorophyll a, Gelbstoff und suspendierter, partikulärer Stoffe<br />
angewandt werden. Bei der Entwicklung dieser Methoden wurde Kontakt zu den Landesämtern für<br />
Umwelt in Langenargen und Marktredwitz aufgenommen.<br />
Für die Weiterentwicklung des Wachstums‐/Reflexionsmodells besteht Kontakt zu den Modellierern<br />
Prof. Dr. Boris Schröder (TUM – Extraordinariat für Landschaftsökologie am WZW) und Prof. Dr. Peter<br />
Struss (TUM – Fakultät für Informatik).<br />
Für zukünftige und weiterführende Arbeiten bestehen Kontakte zu den Wissenschaftlich‐Technischen<br />
Werkstätten (WTW) in Weilheim, zur Firma Airborne Hydro Mapping (AHM) in Innsbruck und zu Dr.<br />
Erik Borg (<strong>DLR</strong> Neustrelitz). In Zusammenarbeit mit WTW wird in einer aktuellen Bachelorarbeit<br />
versucht, sowohl mittels einer neuen Sonde, als auch Labormethoden den Gehalt an Cyanobakterien<br />
in den Osterseen zu erfassen. Dies findet in enger Zusammenarbeit mit der Gruppe für Mikrobiologie<br />
unter Leitung von Dr. Katrin Zwirglmaier (Limnologische Station) statt und soll auch erste<br />
Anhaltspunkte für ein zukünftiges Projekt liefern.<br />
Die Verbindung zu AHM steht im Zeichen der Schilfkartierung und ‐charakterisierung an<br />
Oberbayerischen Seen. Mittels eines GreenLIDAR‐Sensors sollen hierbei flugzeuggetragene<br />
Aufnahmen der Schilfgürtel vorgenommen werden, welche hinsichtlich ökologischer und<br />
biometrischer Eigenschaften ausgewertet werden sollen. Um erste Vorkenntnisse zu Gewinnen bzw.<br />
Verfahren zu testen werden bereits aufgenommene Daten durch zwei Masterstudenten ausgewertet.<br />
Die Zusammenarbeit mit Dr. Erik Borg konzentriert sich auf Spektroskopische Messungen mit den<br />
RAMSES‐Sensoren sowie auf den geplanten Aufbau einer N‐S Transsekte zum Monitoring von<br />
Wasserinhaltsstoffen mit hoher zeitlicher Auflösung. So sollen im Testgebiet Demmin (Brandenburg)<br />
vergleichbare Messungen vor allem am Kummerower See durchgeführt werden, um die<br />
Anwendbarkeit unserer Verfahren auf andere Gewässer zu testen. Auch wurde seitens Herrn Borg<br />
Interesse hinsichtlich des Einsatzes unseres Goniometers bekundet.<br />
Mit Dr. Birgit Heim vom Alfred‐Wegener‐Institut für Polar‐ und Meeresforschung (Forschungsstelle<br />
Potsdam) besteht eine enge Zusammenarbeit zur Ableitung von Wasserinhaltsstoffen (insbesondere<br />
Gelbstoff) aus in situ gemessener Strahlung. Auch zur photometrischen Bestimmung der Absorption<br />
von cDOM aus Wasserproben besteht eine enge Zusammenarbeit.<br />
7. Danksagung<br />
Unser großer Dank gilt dem Bayerischen Staatsministerium für Umwelt und Verbraucherschutz<br />
(während der Förderung Bayerisches Staatsministerium für Umwelt und Gesundheit) für die<br />
Förderung, Projektbegleitende Diskussion und unbürokratische Abwicklung des Vorhabens<br />
(Fördernummer: ZKL01Abt7_18457). Unser ganz spezieller Dank geht an Frau Prof. Dr. Tanja Gschlößl<br />
für ihre kompetente, motivierende Projektbegleitung. Bedanken möchten wir uns auch bei Dr. Peter<br />
Gege für die vielen inspirierenden Diskussionen und wissenschaftliche Unterstützung sowie dem<br />
Hyperspektral‐Team des <strong>DLR</strong>‐OP für die hervorragende unkomplizierte Zusammenarbeit, RapidEye<br />
Science Archive (RESA) der <strong>DLR</strong> und der RapidEye AG, die im Rahmen des RESA Projektes 455 Daten<br />
zur Verfügung stellte. Daneben allen Mitarbeitern und Mitarbeiterinnen der Limnologischen Station<br />
der TU München für die tatkräftige Unterstützung und Hilfe bei den Feld‐ und Taucheinsätzen.<br />
64
8. Veröffentlichungen, Ergebnisverwertung<br />
8.1. Tagungsbeiträge<br />
Die bisherigen Tagungsbeiträge der Doktoranden Sebastian Rößler und Patrick Wolf sind im Folgenden<br />
aufgelistet. Die Beiträge befinden sich in digitaler Form auf einer CD im Anhang.<br />
Rößler, S.; Wolf, P.; Schneider, T.; Zimmermann, S.; Raeder, U.; Melzer, A.; (2010): Fernerkundung zur<br />
Bestimmung von Wasserinhaltsstoffen. In: Hardegsen 2011. Deutsche Gesellschaft für Limnologie (DGL).<br />
Bayreuth, Deutschland.<br />
Rößler, S., Wolf, P., Schneider, T. & Melzer, A. (2011): Hyperspectral remote sensing of invasive aquatic plants.<br />
7th EARSeL SIG Imaging Spectroscopy Workshop, Edinburgh (Schottland), 11.‐13. April 2011.<br />
Rößler, S.; Wolf, P.; Schneider, T.; Melzer, A.; (2011): Multispektrale Fernerkundung invasiver Makrophyten. In:<br />
Hardegsen 2012. Deutsche Gesellschaft für Limnologie (DGL). Weihenstephan, Deutschland.<br />
Rößler, S., Wolf, P., Schneider, T. & Melzer, A. (2011): Monitoring of invasive aquatic plants by multispectral<br />
remote sensing. 5th EARSeL Workshop on Remote Sensing of the Coastal Zone, Prag (Tschechien), 1.‐3. Juni<br />
2011.<br />
Rößler, S., Wolf, P., Schneider, T. & Melzer, A. (2012): Monitoring of invasive aquatic plants using multitemporal<br />
RapidEye data. 1st EARSeL Workshop on Temporal Analysis of Satellite Images, Mykonos (Griechenland), 23.‐<br />
25. Mai 2012.<br />
Wolf, P.; Rößler, S.; Schneider, T.; Melzer, A.; (2011): Abschätzen der Pigment‐Zusammensetzung von<br />
submersen Makrophyten durch UW‐Spektroskopie. In: Hardegsen 2012. Deutsche Gesellschaft für<br />
Limnologie (DGL). Weihenstephan, Deutschland.<br />
Wolf, P., Rößler, S., Schneider, T. & Melzer, A. (2011): Assessing the pigment composition of submerse<br />
macrophytes by remote sensing reflectance. 7th EARSeL SIG Imaging Spectroscopy Workshop, Edinburgh<br />
(Schottland), 11.‐13. April 2011.<br />
Wolf, P., Rößler, S., Schneider, T. & Melzer, A. (2011): Remote sensing reflectance of submerse macrophytes –<br />
searching for true spectra. 5th EARSeL Workshop on Remote Sensing of the Coastal Zone, Prag (Tschechien),<br />
1.‐3. Juni 2011.<br />
Wolf, P., Rößler, S., Schneider, T. & Melzer, A. (2012): Using multispectral Sentinel‐2 data to monitor submerse<br />
macrophytes. First Sentinel‐2 Preparatory Symposium, Frascati (Italien), 23.‐27. April 2012, ESA SP‐707, July<br />
2012.<br />
Wolf, P., Rößler, S., Schneider, T. & Melzer, A. (2013): Spectral library of submersed macrophytes – how distinct<br />
is their reflectance? 8th EARSeL SIG Imaging Spectroscopy Workshop, Nantes (Frankreich), 8.‐10. April 2013.<br />
8.2. Begutachtete Veröffentlichungen (peer‐reviewed full paper)<br />
Rößler, S., Wolf, P., Schneider, T. & A. Melzer (2011): Die Option eines Multisaisonalen Monitorings invasiver<br />
Wasserpflanzen mit RapidEye. In: Borg, E., Daedelow, H. (Hrsg.): RapidEye Science Archive (RESA) ‐ Erste<br />
Ergebnisse. 3. RESA Workshop. GITO Verlag, Berlin, S. 28‐42.<br />
Rößler, S., Wolf, P., Schneider, T. & A. Melzer (2013): Litoral bottom mapping in lakes using multitemporal<br />
RapidEye data. In: Borg, E., Daedelow, H., Johnson, R. (Hrsg.): RapidEye Science Archive (RESA) – From the<br />
Basics to the Service. 5. RESA Workshop. GITO Verlag, Berlin, S. 107‐127.<br />
Rößler, S., Wolf, P., Schneider, T. & A. Melzer (2013): Multispectral remote sensing of invasive aquatic plants<br />
using RapidEye. In: Krisp, J.M., Meng, L., Pail, R., Stilla, U. (Hrsg.): Earth Observation of Global Changes (EOGC).<br />
Springer Verlag, Berlin, S. 109‐123.<br />
65
Rößler, S., Wolf, P., Schneider, T. & A. Melzer (2013): Water constituent retrieval and littoral bottom mapping<br />
using hyperspectral APEX imagery and submersed artificial surfaces. EARSeL eProceedings 12, 1/2013, pages<br />
44‐57.<br />
Wolf, P., Rößler, S., Schneider, T. & A. Melzer (2013): Evaluation of the anisotropy factors on aquatic test sites<br />
caused by RapidEye off‐nadir data acquisition with the Mobile Goniometric System (MGS). In: Borg, E.,<br />
Daedelow, H., Johnson, R. (Hrsg.): RapidEye Science Archive (RESA) – From the Basics to the Service. 5. RESA<br />
Workshop. GITO Verlag, Berlin, S. 221‐237.<br />
Wolf, P., Rößler, S., Schneider, T. & Melzer, A. (2013): Collecting in situ remote sensing reflectances of<br />
submersed macrophytes to build up a spectral library for lake monitoring. European Journal of Remote<br />
Sensing. Volume: 46 Year: 2013 Pages: 401 ‐ 416 DOI: 10.5721/EuJRS20134623. Published online: 20/04/2013<br />
8.3. Lehre und Fortbildung<br />
Ergebnisse des Forschungsvorhabens wurden sukzessive in die laufenden Lehrveranstaltungen<br />
integriert. Dieses erfolgte im Rahmen von Vorlesungen, Praktikas und Übungen sowie in<br />
Abschlußarnbeiten.<br />
Vorlesungen, Übungen, Praktika:<br />
Terrestrial and Remote Sensing based Inventory Methods, Dr. T. Schneider (Sustainable<br />
Resource Management, MSc. Studiengang)<br />
<br />
<br />
Introduction to Remote Sensing and Image Processing, Dr. T. Schneider (Sustainable Resource<br />
Management, MSc. Studiengang, Vertiefungsblock)<br />
Limnologie, Dr. U. Raeder (Biologie, MSc.)<br />
Makrophyten Praktikum der Limnologischen Station, Dr. U. Raeder et al.<br />
Berufspraktika, Projektarbeiten:<br />
Claudius Birke, TU München, 2011: Chromatographische Pigmentanalyse von Elodea nuttallii<br />
und Najas marina ssp. intermedia: Einfluss der Pigmentgehalte auf die spektrale Reflexion<br />
<br />
<br />
<br />
<br />
<br />
Natascha Lehmann, Katholische Universität Eichstätt‐Ingolstadt, 2011: Praktikumsbericht zum<br />
Modul V7-M Methoden der Geographie<br />
Sarah Betz, Katholische Universität Eichstätt‐Ingolstadt, 2011: <strong>Bericht</strong> über das Praktikum am<br />
Limnologischen Institut der Technischen Universität München in Iffeldorf vom 19.9. bis<br />
14.10.2011<br />
Anna-Katharina Eisen, Katholische Universität Eichstätt‐Ingolstadt, 2012: Praktikumsbericht<br />
zum Modul V7-M Methoden der Geographie<br />
Anna Zolnhofer, Katholische Universität Eichstätt‐Ingolstadt, 2012: Praktikumsbericht zum Modul<br />
V7-M Methoden der Geographie<br />
Andrea Stöhr, Katholische Universität Eichstätt‐Ingolstadt, 2012: Praktikumsbericht zum<br />
Modul V7-M Methoden der Geographie<br />
Stephan Wenning, Masterstudiengang Umweltplanung und Ingenieurökologie, Studienarbeit<br />
2012: Wie unsichtbare Konkurrenz das Geschäft belebt‐ Laborversuch zur Bestimmung<br />
interspezifischer Hemm‐ und Fördermechanismen zwischen Elodea nuttallii und Elodea<br />
canadensis<br />
Abschlußarbeiten:<br />
<br />
Masterarbeiten:<br />
o<br />
Kathrin Linnemann, TU München, 2013: Untersuchung der saisonalen Entwicklung<br />
optischer Eigenschaften von Wasserinhaltsstoffen in vier ausgewählten Osterseen;<br />
66
Studiengang Biologie, angefertigt an der Limnologischen Station der Technischen<br />
Universität München<br />
Dissertationen:<br />
o<br />
o<br />
Sebastian Rößler, 2013: Methods for multitemporal mapping of submerged aquatic<br />
macrophytes using multispectral remote sensing; TECHNISCHE UNIVERSITÄT<br />
MÜNCHEN, Forschungsdepartment Ökologie und Ökosystemmanagement, Lehrstuhl<br />
für Aquatische Systembiologie<br />
Patrick Wolf, 2013: In situ Messungen als Basis für Wachstums‐/Reflexionsmodelle<br />
submerser Makrophyten; TECHNISCHE UNIVERSITÄT MÜNCHEN,<br />
Forschungsdepartment Ökologie und Ökosystemmanagement, Lehrstuhl für<br />
Aquatische Systembiologie<br />
9. Literaturverzeichnis<br />
Albert, A. and C. D. Mobley (2003). "An analytical model for subsurface irradiance and remote sensing<br />
reflectance in deep and shallow case‐2 waters." Optics Express11(22).<br />
Anonymous, 2011: MERIS Optical Measurement Protocols. Part A: In ‐ situ water reflectance<br />
measurements; CO‐SCI‐ARG‐TN‐008; http://hermes.acri.fr/mermaid/dataproto/CO‐SCI‐ARG‐TN‐<br />
0008_MERIS_Optical_Measurement_Protocols_Issue2_Aug2011.pdf<br />
Armstrong, R. A. (1993). "Remote sensing of submerged vegetation canopies for biomass estimation."<br />
International Journal of Remote Sensing 14(3): 621‐627.<br />
Beisl, U. (2001). Correction of bidirectional effects in imaging spectrometer data. Zurich, Remote<br />
Sensing Laboratories.<br />
Brando, V. E. and A. G. Dekker (2003). "Satellite Hyperspectral Remote Sensing for Estimating Estuarine<br />
and Coastal Water Quality." IEEE Transaction on Geoscience and Remote Sensing 41(6): 1376‐1387.<br />
Bricaud, A., et al. (1995). "Variability in the chlorophyll‐specific absorption‐coefficients of natural<br />
Phytoplankton ‐ analysis and parameterization." Journal of Geophysical Research‐Oceans100(C7):<br />
13321‐13332.<br />
Camacho‐de Coca, F., et al. (2001). "Bidirectional Reflectance Factor Analysis from Field Radiometry<br />
and HyMap data." Proceedings of the Final Results Workshop on DAISEX (Digital AIrborne<br />
Spectrometer EXperiment) ESA SP‐499, ESTEC, 15–16 March 2001: 163‐175.<br />
Dekker, A., et al. (2001). Imaging Spectroscopy of water. Imaging Spectrometry. F. D. Van der Meer<br />
and S. M. De Jong: 307‐359.<br />
Fesq‐Martin, M., et al. (2008). Der Starnberger See ‐ Natur‐ und Vorgeschichte einer bayerischen<br />
Landschaft. München, Pfeil‐Verlag.<br />
Gege, P. (2004). Improved method for measuring gelbstoff absorption spectra. Ocean Optics<br />
Conference. Fremantle, Australia: 25‐29.<br />
Gege, P. (2004). "The water color simulator WASI: an integrating software tool for analysis and<br />
simulation of optical in situ spectra." Computers and Geoscience30.<br />
Gege, P. (2012). "Estimation of phytoplankton concentration from downwelling irradiance<br />
measurements in water." Israel Journal of Plant Sciences60(1‐2): 193‐207.<br />
Giardino, C., et al. (2012). "BOMBER: A tool for estimating water quality and bottom properties from<br />
remote sensing images." Computers & Geosciences(0).<br />
67
Gregg, W. W. and K. L. Carder (1990). "A simple spectral solar irradiance model for cloudless maritime<br />
atmospheres." Limnology and Oceanography35(8): 1657‐1675.<br />
Hedley, J. D. and P. J. Mumby (2003). "A Remote Sensing Method for Resolving Depth and Subpixel<br />
Composition of Aquatic Benthos." Limnology and Oceanography48(1): 480‐488.<br />
Heege, T., et al. (2003). Mapping of submerged aquatic vegetation with a physically based processing<br />
chain. SPIE‐The International Society for Optical Engineering, Barcelona, SPIE.<br />
Kohler, A. (1978). "Methoden der Kartierung von Flora und Vegetation von Süßwasserbiotopen."<br />
Landschaft und Stadt10: 73‐85.<br />
Kraay, G. W., et al. (1992). "Separation of Chlorophylls‐c1, Chlorophylls‐c2, and Chlorophylls‐c3 of<br />
marine‐phytoplankton by reversed‐phase‐C18 high‐performance‐liquid‐chromatography." Journal of<br />
Phycology28(5): 708‐712.<br />
Kutser, T., et al. (2013). "Removing glint effects from field radiometry data measured in optically<br />
complex coastal and inland waters." Remote Sensing of Environment133(0): 85‐89.<br />
Lee, Z., et al. (1998). "Hyperspectral Remote Sensing for Shallow Waters. I. A Semianalytical Model."<br />
Applied Optics37(27): 6329‐6338.<br />
Lee, Z., et al. (1999). "Hyperspectral Remote Sensing for Shallow Waters. 2. Deriving Bottom Depths<br />
and Water Properties by Optimization." Applied Optics38(18): 3831‐3843.<br />
LfW, B. L. f. W.‐A. (2002). Handbucht tGewA ‐ Teil 4.<br />
Linnemann, K. (2013). Untersuchung der saisonalen Entwicklung optischer Eigenschaften von<br />
Wasserinhaltsstoffen in vier ausgewählten Osterseen. Limnologische Station, WZW, Department für<br />
Ökologie. München, Technische Universität München. Master: 87.<br />
Lyzenga, D. R. (1978). "Passive remote sensing techniques for mapping water depth and bottom<br />
features." Appl. Opt.17(3): 379‐383.<br />
Lyzenga, D. R. (1981). "Remote sensing of bottom reflectance and water attenuation parameters in<br />
shallow water using aircraft and Landsat data." International Journal of Remote Sensing2(1): 71 ‐ 82.<br />
Manolakis, D. and G. Shaw (2002). "Detection algorithms for hyperspectral imaging applications."<br />
Signal Processing Magazine, IEEE19(1): 29‐43.<br />
Maritorena, S. (1996). "Remote sensing of the water attenuation in coral reefs: A case study in French<br />
Polynesia." International Journal of Remote Sensing17(1): 155‐166.<br />
Marsh, S. E. and R. J. P. Lyon (1980). "Quantitative relationships of near‐surface spectra to Landsat<br />
radiometric data." Remote Sensing of Environment10(4): 241‐261.<br />
McFeeters, S. K. (1996). "The use of the normalized difference water index (NDWI) in the delineation<br />
of open water features." International Journal of Remote Sensing17(7): 1425‐1432.<br />
Mishra, D., et al. (2004). "Bathymetric Mapping Using IKONOS Multispectral Data." Giscience & Remote<br />
Sensing41(4): 301‐321.<br />
Mumby, P. J., et al. (1998). "Benefits of water column correction and contextual editing for mapping<br />
coral reefs." International Journal of Remote Sensing19(1): 203‐210.<br />
Nicolaus, M., et al. (2010). "A modern concept for autonomous and continuous measurements of<br />
spectral albedo and transmittance of sea ice." Cold Regions Science and Technology62(1): 14‐28.<br />
Pinnel, N. (2007). A method for mapping submerged macrophytes in lakes using hyperspectral remote<br />
sensing. Limnologische Station, WZW, Department für Ökologie München, Technische Universität.<br />
Dissertation: 164.<br />
Richards, J. A. (1999). Remote Sensing Digital Image Analysis. Berlin, Springer‐Verlag.<br />
68
Richter, R. (1996). "A spatially adaptive fast atmospheric correction algorithm." International Journal<br />
of Remote Sensing17(6): 1201 ‐ 1214.<br />
Rößler, S., et al. (2012). Identifizierung und Überwachung invasiver Wasserpflanzen mit RapidEye.<br />
RapidEye Science Archiven (RESA) ‐ Vom Algorithmus zum Produkt. E. Borg, H. Daedelow and R.<br />
Johnson. Berlin, GITO Verlag: 73‐91.<br />
Rößler, S., et al. (2013). Littoral bottom mapping in lakes using multitemporal RapidEye data. From the<br />
Basic to the Service. E. Borg, H. Daedelow and R. Johnson. Berlin, GITO Verlag: 107‐127.<br />
Rößler, S., et al. (2013). Multispectral Remote Sensing of Invasive Aquatic Plants Using RapidEye. Earth<br />
Observation of Global Changes (EOGC). J. M. Krisp, L. Meng, R. Pail and U. Stilla, Springer Berlin<br />
Heidelberg: 109‐123.<br />
Rößler, S., et al. (2013) Water constituent retrieval and littoral bottom mapping using hyperspectral<br />
APEX imagery and submersed artificial surfaces. EARSeL eProceedings12, 44‐57<br />
Sandmeier, S. R., et al. (1998). Comparing hyperspectral BRDF data of grass derived from three<br />
different laboratory‐ and field‐goniometer systems.<br />
Savitzky, A. and M. J. E. Golay (1964). "Smoothing and Differentiation of Data by Simplified Least<br />
Squares Procedures." Analytical Chemistry36(8): 1627‐1639.<br />
Schneider; Th., S. Zimmermann, N. Pinnel, Th. Heege, A. Müller, W. Dorigo, 2003: Lakes, eyes of the<br />
landscape ‐ A long term concept for landscape monitoring on lake catchment area base; Proc. 3rd<br />
EARSeL Workshop on Imaging Spectroscopy, Herrsching, May 13‐16.<br />
Schneider, T., et al. (2004) Field goniometer system for accompanying directional measurements. Proc.<br />
of the 2nd CHRIS/Proba Workshop, ESA/ESRIN<br />
Spitzer, D. and R. W. J. Dirks (1987). "Bottom influence on the reflectance of the sea." International<br />
Journal of Remote Sensing 8(3): 279‐308.<br />
Tassan, S. (1996). "Modified Lyzenga's method for macroalgae detection in water with non‐uniform<br />
composition." International Journal of Remote Sensing17(8): 1601‐1607.<br />
Wolf, P., et al. (2013). "Collecting in situ remote sensing reflectances of submerged macrophytes to<br />
buid up a spectral library for lake monitoring." European Journal of Remote Sensing, Volume: 46 Year:<br />
2013 Pages: 401 ‐ 416 DOI: 10.5721/EuJRS20134623. Published online: 20/04/2013<br />
Wolf, P., et al. (2013). Evaluation of the anisotropy factors on aqautic test sites caused by RapidEye offnadir<br />
data acquisition with the Mobile Goniometric System (MGS). From the Basic to the Service. E.<br />
Borg, H. Daedelow and R. Johnson. Berlin, GITO Verlag: 221‐237.<br />
69