Diplomarbeit Körth - Fakultät VI Planen Bauen Umwelt - TU Berlin
Diplomarbeit Körth - Fakultät VI Planen Bauen Umwelt - TU Berlin
Diplomarbeit Körth - Fakultät VI Planen Bauen Umwelt - TU Berlin
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Technische Universität <strong>Berlin</strong><br />
Institut für Landschaftsarchitektur<br />
und <strong>Umwelt</strong>planung<br />
Klassifikation von Pflanzengesellschaften feuchter<br />
Standorte mittels Hyperspektraldaten<br />
Ein Methodenvergleich im Naturschutzgebiet Ferbitzer Bruch<br />
<strong>Diplomarbeit</strong><br />
im Studiengang Landschaftsplanung / Landschaftsarchitektur<br />
Kristin <strong>Körth</strong>
Technische Universität <strong>Berlin</strong><br />
<strong>Fakultät</strong> <strong>VI</strong><br />
Institut für Landschaftsarchitektur und <strong>Umwelt</strong>planung<br />
Fachgebiet Geoinformationsverarbeitung<br />
in der Landschafts- und <strong>Umwelt</strong>planung<br />
Gutachter:<br />
Prof. Dr. Birgit Kleinschmit<br />
Dr. Annett Frick<br />
Datum der Abgabe: 29.03.2010
Inhaltsverzeichnis<br />
_____________________________________________________________________________________________________<br />
Inhaltsverzeichnis<br />
Abbildungsverzeichnis…………………………………………………………………………IV<br />
Tabellenverzeichnis……………………………………………………………… …………….<strong>VI</strong>I<br />
Kartenverzeichnis…………………………………………………………………………….…XIII<br />
Abkürzungsverzeichnis……………………………………………………………………… XIV<br />
Zusammenfassung…………………………………………………………………………......X<strong>VI</strong><br />
1 Einleitung ........................................................................................................................1<br />
1.1 Hintergrund der Arbeit ..............................................................................................1<br />
1.2 Zielstellung ...............................................................................................................3<br />
1.3 Aufbau der Arbeit......................................................................................................3<br />
1.4 Stand der Forschung ................................................................................................4<br />
2 Das Untersuchungsgebiet.............................................................................................7<br />
2.1 Lage und naturräumliche Gliederung .......................................................................7<br />
2.2 Geschichte................................................................................................................8<br />
2.3 Biotopausstattung.....................................................................................................9<br />
2.4 Schutz.....................................................................................................................11<br />
3 Grundlagen der hyperspektralen Fernerkundung.....................................................12<br />
3.1 Allgemeine Grundlagen ..........................................................................................12<br />
3.2 Abbildende Spektroskopie von Pflanzen und Pflanzengesellschaften ...................14<br />
3.3 Hyperspektrale Fernerkundungsdaten ...................................................................15<br />
4 Datengrundlagen..........................................................................................................17<br />
4.1 Geländedaten .........................................................................................................17<br />
4.2 Hyperspektraldaten ................................................................................................18<br />
4.3 Sonstige Daten .......................................................................................................19<br />
5 Pflanzengesellschaften................................................................................................21<br />
5.1 Grundbegriffe der Pflanzensoziologie.....................................................................21<br />
5.2 Vorstellung der Biotoptypen und Pflanzengesellschaften.......................................22<br />
5.2.1 Röhrichte eutropher bis polytropher Moore und Sümpfe................................22<br />
5.2.2 Großseggenwiesen.........................................................................................23<br />
5.2.3 Feuchtwiesen nährstoffarmer bis mäßig nährstoffreicher Standorte ..............23<br />
5.2.4 Feuchtwiesen nährstoffreicher Standorte .......................................................24<br />
5.2.5 Gründlandbrachen feuchter Standorte ...........................................................24<br />
I
Inhaltsverzeichnis<br />
_____________________________________________________________________________________________________<br />
5.3 Geländeaufnahmen ................................................................................................25<br />
6 Methode.........................................................................................................................27<br />
6.1 Vorprozessierung ...................................................................................................27<br />
6.1.1 Atmosphärenkorrekur .....................................................................................27<br />
6.1.1.1 Physikalische Korrekturverfahren ...............................................................28<br />
6.1.1.2 Empirische Korrekturverfahren ...................................................................29<br />
6.1.2 Geometrische Korrektur..................................................................................30<br />
6.2 Datenreduktion .......................................................................................................32<br />
6.3 Erstellung der Endmember.....................................................................................33<br />
6.3.1 Endmember aus Feldspektren........................................................................34<br />
6.3.2 Endmember aus Bildspektren.........................................................................34<br />
6.4 Bilden von Ableitungen...........................................................................................35<br />
6.5 Bilden der Maske....................................................................................................36<br />
6.6 Klassifikation...........................................................................................................37<br />
6.6.1 Der Spectral Angle Mapper (SAM) .................................................................37<br />
6.6.1.1 Grundlagen .................................................................................................37<br />
6.6.1.2 Vorgehen ....................................................................................................38<br />
6.6.2 Mixture Tuned Matched Filtering (MTMF) ......................................................39<br />
6.6.2.1 Prinzip der Spektralen Entmischung...........................................................39<br />
6.6.2.2 Grundlagen des Mixture Tuned Matched Filtering......................................40<br />
6.6.2.3 Vorgehen ....................................................................................................41<br />
6.7 Genauigkeitsanalyse ..............................................................................................41<br />
7 Ergebnisse ....................................................................................................................43<br />
7.1 Der Spectral Angle Mapper ....................................................................................43<br />
7.1.1 SAM mit der MNF-transformierten HyMap-Szene ..........................................43<br />
7.1.1.1 Feldspektren ...............................................................................................43<br />
7.1.1.2 Bildspektren ................................................................................................44<br />
7.1.2 SAM mit der ersten Ableitung der MNF-transformierten HyMap-Szene.........46<br />
7.1.2.1 Feldspektren ...............................................................................................46<br />
7.1.2.2 Bildspektren ................................................................................................47<br />
7.1.3 SAM mit der zweiten und der dritten Ableitung der<br />
MNF-transformierten HyMap-Szene...............................................................49<br />
7.1.3.1 Feldspektren ...............................................................................................49<br />
7.1.3.2 Bildspektren ................................................................................................50<br />
II
Inhaltsverzeichnis<br />
_____________________________________________________________________________________________________<br />
7.2 Das Mixture Tuned Matched Filtering.....................................................................51<br />
7.2.1 Feldspektren ...................................................................................................52<br />
7.2.2 Bildspektren ....................................................................................................52<br />
8 Diskussion ....................................................................................................................54<br />
8.1 Allgemeines ............................................................................................................54<br />
8.2 Spectral Angle Mapper ...........................................................................................54<br />
8.2.1 MNF-Transformation.......................................................................................54<br />
8.2.2 Ableitungen.....................................................................................................58<br />
8.2.3 Schwellenwerte...............................................................................................59<br />
8.3 Mixture Tuned Matched Filtering ............................................................................60<br />
8.4 Methodenvergleich .................................................................................................60<br />
9 Fazit................................................................................................................................61<br />
Literatur.................................................................................................................................63<br />
Anhang ..................................................................................................................................69<br />
III
Abbildungsverzeichnis<br />
_____________________________________________________________________________________________________<br />
Abbildungsverzeichnis<br />
Abbildung 1-1: schematische Übersicht über den Ablauf der verwendeten Verfahren<br />
(EIGENE DARSTELLUNG 2010)…………………………………….........................4<br />
Abbildung 2-1: Übersichtskarte des Untersuchungsgebietes (Hintergrund: TK 10) und<br />
Ausschnitt aus dem Hymap-Flugstreifen 1 (CIR-Darstellung) vom<br />
07.08.2008 (EIGENE DARSTELLUNG 2009) ........................................................7<br />
Abbildung 2-2: Obelisk in der Döberitzer Heide (www.döberitzer-heide.de, Abruf am<br />
27.10.2009)......................................................................................................9<br />
Abbildung 2-3: Döberitzer Heide (EIGENE DARSTELLUNG 2008) ...............................................9<br />
Abbildung 2-4: Ferbitzer Bruch (EIGENE DARSTELLUNG 2008)................................................10<br />
Abbildung 3-1: Das elektromagnetische Spektrum und die Bereiche verschiedener<br />
Sensoren (nach ALBERTZ 2007).....................................................................13<br />
Abbildung 3-2: Strahlungsverhältnisse bei der Aufnahme (schematisch) (nach ALBERTZ<br />
2007)..............................................................................................................14<br />
Abbildung 3-3: Reflexionskurven von Pflanzen. Diese Abbildung veranschaulicht die<br />
Einflussfaktoren auf das Reflexionsverhalten von Pflanzen (BACH 1995) .....15<br />
Abbildung 4-1: Übersicht der Referenzflächen (weiße Punkte) und der Validierungsflächen<br />
(Schwarze Punkte) (EIGENE DARSTELLUNG 2009, Hintergrund: Ausschnitt<br />
aus dem HyMapstreifen 1 (CIR-Darstellung) vom 07.08.2008) .....................17<br />
Abbildung 4-2: Spektrometermessung ...................................................................................18<br />
Abbildung 4-3: Schematische Darstellung der Messungen pro Referenzfläche mit dem<br />
Spektrometer .................................................................................................18<br />
Abbildung 5-1: Pflanzengesellschaften eutropher bis polytropher Moore und Sümpfe;<br />
links: 04511 Phragmitetum australis (Gams 1927) Schmale 1939;<br />
rechts: 04514 Phalaridetum arundinaceae Libbert 1931 ...............................22<br />
Abbildung 5-2: Carex acuta (EIGENE DARSTELLUNG 2008).....................................................23<br />
Abbildung 5-3: Carex appropinquata (SCHELKLE O. J. ONLINE: http://www2.lubw.badenwuerttemberg.de)...........................................................................................23<br />
Abbildung 5-4: Pfeifengraswiese mit Molinia caerulea und Colchicum autumnale<br />
(EIGENE DARSTELLUNG 2008).........................................................................24<br />
Abbildung 5-5: nährstoffreiche Feuchtwiese mit Geranium palustre (EIGENE<br />
DARSTELLUNG 2008) ......................................................................................24<br />
Abbildung 5-6: verbrachte Feuchtwiese mit Phragmites australis (EIGENE DARSTELLUNG<br />
2008)..............................................................................................................24<br />
Abbildung 6-1: Radianzspektrum und Reflektanzspektrum (nach der Atmosphärenkorrektur)<br />
aus einem Bildpixel der Hymapszene vom 07.08.2010 (EIGENE<br />
DARSTELLUNG 2010) ......................................................................................28<br />
IV
Abbildungsverzeichnis<br />
_____________________________________________________________________________________________________<br />
Abbildung 6-2: Links: Asbestdach eines Stalls am Naturschutzzentrum, Rechts: Teerdach<br />
des Naturschutzzentrums, Mitte: mit dem Spektroradiometer gemessene<br />
Spektren der beiden Flächen (EIGENE DARSTELLUNG 2009)..........................30<br />
Abbildung 6-3: Darstellung von Bildspektren der Fläche 72 vor und nach der Empirical<br />
Line Kalibrierung im Vergleich zu einem Referenzspektrum (EIGENE<br />
DARSTELLUNG 2009).......................................................................................30<br />
Abbildung 6-4: Störungen von Flugbewegungen in Lage und Höhe: a.: Höhe, b.: Roll -<br />
Rotation über die x-Achse mit Winkel ω, Pitch – Rotation über die y-<br />
Achse mit Winkel Φ, Yaw – Rotation über die z-Achse mit Winkel κ<br />
(verändert nach JENSEN 2005).......................................................................31<br />
Abbildung 6-5: Darstellung eines Spektralen Profils eines Bildpixels mit den bei der MNF-<br />
Transformation ausgeschlossenen Wellenlängenbereichen von 455.6-<br />
470.2 nm, 1320.3-1447.8 nm, 1738.3-2007.7 nm, 2396.5-2490.1 nm<br />
(EIGENE DARSTELLUNG 2009) ........................................................................33<br />
Abbildung 6-6: Darstellung der Verteilung der Eigenwerte auf die MNF-Komponenten<br />
(EIGENE DARSTELLUNG 2009) ........................................................................33<br />
Abbildung 6-7: Erstellte Endmember aus den gemessenen Feldspektren ............................34<br />
Abbildung 6-8: Erstellte Endmember aus den Bildspektren ...................................................35<br />
Abbildung 6-9: Abbildung 9 Vereinfachte zweidimensionale Darstellung der SAM-<br />
Methode (verändert nach KRUSE et al. 1994, RESEARCH SYSTEMS,<br />
INC. 2003) ......................................................................................................37<br />
Abbildung 6-10: Lineares Mischungsmodell mit Bezug auf ein einzelnes Pixel, dass auf<br />
Wasser, Vegetation und Rohboden besteht (verändert nach JENSEN<br />
2005)..............................................................................................................39<br />
Abbildung 6-11: Verfahren des MTMF (verändert nach ITT 2007) ..........................................40<br />
Abbildung 6-12: Darstellung der 6 m – Pufferung um einen Kontrollpunkt mit einem<br />
Beispiel der Klassenvergabe (EIGENE DARSTELLUNG 2010) ..........................42<br />
Abbildung 7-1: Mittlere Winkel der Endmember pro Klasse aus dem Regelbild der SAM-<br />
Klassifikation mit Feldspektren und der MNF-transformierten HyMap-<br />
Szene (EIGENE DARSTELLUNG 2010)..............................................................44<br />
Abbildung 7-2: Mittlere Winkel der Endmember pro Klasse aus dem Regelbild der SAM-<br />
Klassifikation mit Bildspektren und der MNF-transformierten HyMap-<br />
Szene (EIGENE DARSTELLUNG 2010)..............................................................45<br />
Abbildung 7-3: Mittlere Winkel der Endmember pro Klasse aus dem Regelbild der SAM-<br />
Klassifikation mit Feldspektren und der ersten Ableitung der MNFtransformierten<br />
HyMap-Szene (EIGENE DARSTELLUNG 2010) ........................47<br />
Abbildung 7-4: Mittlere Winkel der Endmember pro Klasse aus dem Regelbild der SAM-<br />
Klassifikation mit Bildspektren und der ersten Ableitung der MNFtransformierten<br />
HyMap-Szene (EIGENE DARSTELLUNG 2010) ........................48<br />
V
Abbildungsverzeichnis<br />
_____________________________________________________________________________________________________<br />
Abbildung 7-5: Kontrollpunkte der Klasse 05103_CAL_XXX; grün: als 05103_CAL_XXX<br />
klassifiziert; blau: als 051311_PHR_PHR klassifiziert (EIGENE<br />
DARSTELLUNG 2010) ......................................................................................49<br />
Abbildung 8-1: Darstellung der spektralen Signaturen der Testfläche des Feldendmembers<br />
04514_CAR_PHA und einer Kontrollfläche im Bereich des Großen Grabens<br />
(EIGENE DARSTELLUNG 2010).........................................................................55<br />
Abbildung 8-2: Unregelmäßig gemähte Pfeifengraswiese mit bultigen Horsten und viel<br />
totem Material (EIGENE DARSTELLUNG 2009) .................................................56<br />
Abbildung 8-3: Darstellung der spektralen Signaturen einer unregelmäßg gemähten und<br />
einer jährlich gemähten Pfeifengraswiese (EIGENE DARSTELLUNG 2010) ......56<br />
Abbildung 8-4: Jährlich gemähte Pfeifengraswiese ohne bultige Horste (EIGENE<br />
DARSTELLUNG 2009).......................................................................................56<br />
Abbildung 8-5: Darstellung eines Bildspektrums der Klasse 05103_CAL_XXX aus der<br />
MNF-transformierten Bildszene mit den Komponenten R=3, G=2, B=1<br />
(links) und den dazugehörigen Spektrum des Feld- und des<br />
Bildendmembers (rechts) (EIGENE DARSTELLUNG 2010)................................57<br />
Abbildung 8-6: klassifizierte Schilfbestände an Land (grün) und die nicht erkannten<br />
Schilfbestände im Wasser (gestreift) (EIGENE DARSTELLUNG 2010) ..............57<br />
Abbildung 8-7: Beispiel für die Ähnlichkeitswinkel in einem SAM-Regelbild (EIGENE<br />
DARSTELLUNG 2010) ......................................................................................59<br />
<strong>VI</strong>
Tabellenverzeichnis<br />
_____________________________________________________________________________________________________<br />
Tabellenverzeichnis<br />
Tabelle 1-1: Eigenschaften des geplanten Hyperspektralsatelliten EnMAP (verändert nach<br />
KAUFMANN 2009)....................................................................................................2<br />
Tabelle 4-1: Typische spektrale Konfiguration des HyMap-Sensors (verändert nach<br />
HOLZWARTH 2009)................................................................................................19<br />
Tabelle 6-1: links: Ausmaskierte Haupterfassungeinheiten (HEE) aus der QuickBird-<br />
Szene, rechts: Ausmaskierte Biotoptypen der HEE 5 (Gras- und<br />
Staudenfluren) aus der HyMap-Szene (EIGENE DARSTELLUNG 2010) .................36<br />
Tabelle 6-2: Bewertung des Kappa-Koeffizienten (übersetzt nach ORTIZ et al. 1997, S. 98)..41<br />
Tabelle 7-1: Konfusionsmatrix der SAM-Klassifikation mit der MNF-transformierten<br />
HyMap-Szene mit dem Schwellenwert α Emean+1sd .................................................43<br />
Tabelle 7-2: Konfusionsmatrix der SAM-Klassifikation mit der MNF-transformierten<br />
HyMap-Szene mit dem Schwellenwert α E mean + 1 sd .............................................45<br />
Tabelle 7-3: Konfusionsmatrix der SAM-Klassifikation mit der ersten Ableitung der<br />
MNF-transformatierten HyMap-Szene mit dem Schwellenwert<br />
α E mean + 2 sd ...........................................................................................................46<br />
Tabelle 7-4: Konfusionsmatrix der SAM-Klassifikation mit der ersten Ableitung der<br />
MNF-transformatierten HyMap-Szene mit dem Schwellenwert<br />
α E mean + 1 sd ...........................................................................................................47<br />
Tabelle 7-5: Konfusionsmatrix der SAM-Klassifikation mit der zweiten Ableitung der<br />
MNF-transformatierten HyMap-Szene mit dem Schwellenwert<br />
α E mean + 2 sd ...........................................................................................................49<br />
Tabelle 7-6: Konfusionsmatrix der SAM-Klassifikation mit der zweiten Ableitung der<br />
MNF-transformatierten HyMap-Szene mit dem Schwellenwert<br />
α E mean + 2 sd ...........................................................................................................50<br />
Tabelle 7-7: Konfusionsmatrix der SAM-Klassifikation mit der dritten Ableitung der<br />
MNF-transformatierten HyMap-Szene mit dem Schwellenwert<br />
α E mean + 1 sd ...........................................................................................................51<br />
Tabelle 7-8: Anteilsklassen der Endmember (EIGENE DARSTELLUNG 2010)............................51<br />
Tabelle 7-9: Konfusionsmatrix der MTMF-Klassifikation mit der MNF-transformierten<br />
HyMap-Szene und Feldendmembern..................................................................52<br />
Tabelle 7-10: Konfusionsmatrix der MTMF-Klassifikation mit der MNF-transformierten<br />
HyMap-Szene und Bildendmember.....................................................................53<br />
<strong>VI</strong>I
Tabellenverzeichnis<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 1: Protokollauszug für die Feldspektrometermessung ..........................................69<br />
Tabelle A. 2: Übersicht über die Testflächen mit den dazugehörigen Biotoptypen und<br />
Pflanzengesellschaften, die in die Erstellung der Endmember mit<br />
eingeflossen sind ..............................................................................................70<br />
Tabelle A. 3: Aufnahmebogen der Fläche 18.........................................................................72<br />
Tabelle A. 4: Aufnahmebogen der Fläche 19.........................................................................73<br />
Tabelle A. 5: Aufnahmebogen der Fläche 20.........................................................................74<br />
Tabelle A. 6: Aufnahmebogen der Fläche 22.........................................................................75<br />
Tabelle A. 7: Aufnahmebogen der Fläche 23.........................................................................76<br />
Tabelle A. 8: Aufnahmebogen der Fläche 24.........................................................................77<br />
Tabelle A. 9: Aufnahmebogen der Fläche 25.........................................................................78<br />
Tabelle A. 10: Aufnahmebogen der Fläche 26.........................................................................79<br />
Tabelle A. 11: Aufnahmebogen der Fläche 27.........................................................................80<br />
Tabelle A. 12: Aufnahmebogen der Fläche 28.........................................................................81<br />
Tabelle A. 13: Aufnahmebogen der Fläche 29.........................................................................82<br />
Tabelle A. 14: Aufnahmebogen der Fläche 30.........................................................................83<br />
Tabelle A. 15: Aufnahmebogen der Fläche 31.........................................................................84<br />
Tabelle A. 16: Aufnahmebogen der Fläche 32.........................................................................85<br />
Tabelle A. 17: Aufnahmebogen der Fläche 33.........................................................................86<br />
Tabelle A. 18: Aufnahmebogen der Fläche 34.........................................................................88<br />
Tabelle A. 19: Aufnahmebogen der Fläche 70.........................................................................89<br />
Tabelle A. 20: Aufnahmebogen der Fläche 71.........................................................................90<br />
Tabelle A. 21: Aufnahmebogen der Fläche 72.........................................................................91<br />
Tabelle A. 22: Aufnahmebogen der Fläche 73.........................................................................92<br />
Tabelle A. 23: Aufnahmebogen der Fläche 74.........................................................................93<br />
Tabelle A. 24: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
der MNF-transformatierten HyMap-Szene und dem Schwellenwert α E mean .....94<br />
Tabelle A. 25: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
der MNF-transformatierten HyMap-Szene und dem Schwellenwert<br />
α E mean + 1 sd ........................................................................................................94<br />
Tabelle A. 26: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
der MNF-transformatierten HyMap-Szene und dem Schwellenwert<br />
α E mean + 2 sd ........................................................................................................94<br />
Tabelle A. 27: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
der MNF-transformatierten HyMap-Szene und dem Schwellenwert α E max ......95<br />
<strong>VI</strong>II
Tabellenverzeichnis<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 28: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
mit der MNF-transformatierten HyMap-Szene und dem Schwellenwert<br />
α E max + 1 sd .........................................................................................................95<br />
Tabelle A. 29: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
mit der MNF-transformatierten HyMap-Szene und dem Schwellenwert<br />
α E max + 2 sd .........................................................................................................95<br />
Tabelle A. 30: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der MNF-transformatierten HyMap-Szene und dem Schwellenwert<br />
α E mean ...............................................................................................................96<br />
Tabelle A. 31: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der MNF-transformatierten HyMap-Szene und dem Schwellenwert<br />
α E mean + 1 sd ........................................................................................................96<br />
Tabelle A. 32: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der MNF-transformatierten HyMap-Szene und dem Schwellenwert<br />
α E mean + 2 sd ........................................................................................................96<br />
Tabelle A. 33: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der MNF-transformatierten HyMap-Szene und dem Schwellenwert<br />
α E max ................................................................................................................97<br />
Tabelle A. 34: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der MNF-transformatierten HyMap-Szene und dem Schwellenwert<br />
α E max + 1 sd .........................................................................................................97<br />
Tabelle A. 35: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der MNF-transformatierten HyMap-Szene und dem Schwellenwert<br />
α E max + 2 sd .........................................................................................................97<br />
Tabelle A. 36: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
mit der ersten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E mean .......................................................................................98<br />
Tabelle A. 37: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
mit der ersten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E mean + 1 sd ................................................................................98<br />
Tabelle A. 38: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
mit der ersten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E mean + 2 sd ................................................................................98<br />
Tabelle A. 39: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
mit der ersten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E max ........................................................................................99<br />
Tabelle A. 40: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
mit der ersten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E max + 1 sd .................................................................................99<br />
Tabelle A. 41: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
mit der ersten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E max + 2 sd .................................................................................99<br />
IX
Tabellenverzeichnis<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 42: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der ersten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E mean .....................................................................................100<br />
Tabelle A. 43: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der ersten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E mean + 1 sd ..............................................................................100<br />
Tabelle A. 44: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der ersten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E mean + 2 sd ..............................................................................100<br />
Tabelle A. 45: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der ersten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E max ......................................................................................101<br />
Tabelle A. 46: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der ersten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E max + 1 sd ...............................................................................101<br />
Tabelle A. 47: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der ersten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E max + 2 sd ...............................................................................101<br />
Tabelle A. 48: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
mit der zweiten Ableitung der MNF-transformatierten HyMap-Szene und<br />
dem Schwellenwert α E mean .............................................................................102<br />
Tabelle A. 49: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
mit der zweiten Ableitung der MNF-transformatierten HyMap-Szene und<br />
dem Schwellenwert α E mean + 1 sd ......................................................................102<br />
Tabelle A. 50: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
mit der zweiten Ableitung der MNF-transformatierten HyMap-Szene und<br />
dem Schwellenwert α E mean + 2 sd .....................................................................102<br />
Tabelle A. 51: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
mit der zweiten Ableitung der MNF-transformatierten HyMap-Szene und<br />
dem Schwellenwert α E max ..............................................................................103<br />
Tabelle A. 52: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
mit der zweiten Ableitung der MNF-transformatierten HyMap-Szene und<br />
dem Schwellenwert α E max + 1 sd .......................................................................103<br />
Tabelle A. 53:Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
mit der zweiten Ableitung der MNF-transformatierten HyMap-Szene und<br />
dem Schwellenwert α E max + 2 sd .......................................................................103<br />
Tabelle A. 54: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
mit der dritten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E mean .....................................................................................104<br />
Tabelle A. 55: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
mit der dritten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E mean + 1 sd ..............................................................................104<br />
X
Tabellenverzeichnis<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 56: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
mit der dritten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E mean + 2 sd ..............................................................................104<br />
Tabelle A. 57: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
mit der dritten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E max ......................................................................................105<br />
Tabelle A. 58: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
mit der dritten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E max + 1 sd ...............................................................................105<br />
Tabelle A. 59: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember,<br />
mit der dritten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E max + 2 sd ...............................................................................105<br />
Tabelle A. 60: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der zweiten Ableitung der MNF-transformatierten HyMap-Szene und<br />
dem Schwellenwert α E mean .............................................................................106<br />
Tabelle A. 61: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der zweiten Ableitung der MNF-transformatierten HyMap-Szene und<br />
dem Schwellenwert α E mean + 1 sd ......................................................................106<br />
Tabelle A. 62: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der zweiten Ableitung der MNF-transformatierten HyMap-Szene und<br />
dem Schwellenwert α E mean + 2 sd ......................................................................106<br />
Tabelle A. 63: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der zweiten Ableitung der MNF-transformatierten HyMap-Szene und<br />
dem Schwellenwert α E max ..............................................................................107<br />
Tabelle A. 64: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der zweiten Ableitung der MNF-transformatierten HyMap-Szene und<br />
dem Schwellenwert α E max + 1 sd .......................................................................107<br />
Tabelle A. 65: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der zweiten Ableitung der MNF-transformatierten HyMap-Szene und<br />
dem Schwellenwert α E max + 2 sd .......................................................................107<br />
Tabelle A. 66: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der dritten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E mean .....................................................................................108<br />
Tabelle A. 67: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der dritten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E mean + 1 sd ..............................................................................108<br />
Tabelle A. 68: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der dritten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E mean + 2 sd ..............................................................................108<br />
Tabelle A. 69: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der dritten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E max ......................................................................................109<br />
XI
Tabellenverzeichnis<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 70: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der dritten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E max + 1 sd ...............................................................................109<br />
Tabelle A. 71: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember,<br />
mit der dritten Ableitung der MNF-transformatierten HyMap-Szene und dem<br />
Schwellenwert α E max + 2 sd ...............................................................................109<br />
XII
Kartenverzeichnis<br />
_____________________________________________________________________________________________________<br />
Kartenverzeichnis<br />
Anhang K. 1: Übersicht über die nach §32 BrbNatSchG geschützten Biotoptypen<br />
(EIGENE DARSTELLUNG 2010)..........................................................................110<br />
Anhang K. 2: Ausmaskiertes Untersuchungsgebiet (EIGENE DARSTELLUNG 2010) ..............111<br />
Anhang K. 3: SAM-Klassifikationsergebnis (Endmember aus Feldspektren; MNFtransformierte<br />
HyMap-Szene; Schwellenwert α E mean + 1 sd ) (EIGENE<br />
DARSTELLUNG 2010) .......................................................................................112<br />
Anhang K. 4: SAM-Klassifikationsergebnis (Endmember aus Bildspektren; MNFtransformierte<br />
HyMap-Szene; Schwellenwert α E mean + 1 sd ) (EIGENE<br />
DARSTELLUNG 2010) .......................................................................................113<br />
Anhang K. 5: SAM-Klassifikationsergebnis (Endmember aus Feldspektren; erste<br />
Ableitung der MNF-transformierten HyMap-Szene; Schwellenwert<br />
α E mean + 2 sd ) (EIGENE DARSTELLUNG 2010).....................................................114<br />
Anhang K. 6: SAM-Klassifikationsergebnis (Endmember aus Bildspektren; erste<br />
Ableitung der MNF-transformierten HyMap-Szene; Schwellenwert<br />
α E mean + 1 sd ) (EIGENE DARSTELLUNG 2010).....................................................115<br />
Anhang K. 7: MTMF-Klassifikationsergebnis von 05101_CAR_XAP (Endmember<br />
aus Feldspektren; MNF-transformierte HyMap-Szene) (EIGENE<br />
DARSTELLUNG 2010) .......................................................................................116<br />
Anhang K. 8: MTMF-Klassifikationsergebnis von 05102_MOL_MOL (Endmember<br />
aus Feldspektren; MNF-transformierte HyMap-Szene) (EIGENE<br />
DARSTELLUNG 2010) .......................................................................................117<br />
Anhang K. 9: MTMF-Klassifikationsergebnis von 05103_CAL_XXX (Endmember<br />
aus Feldspektren; MNF-transformierte HyMap-Szene) (EIGENE<br />
DARSTELLUNG 2010) .......................................................................................118<br />
Anhang K. 10: MTMF-Klassifikationsergebnis von 051311_PHR_PHR (Endmember aus<br />
Feldspektren; MNF-transformierte HyMap-Szene) (EIGENE DARSTELLUNG<br />
2010)...............................................................................................................119<br />
Anhang K. 11: MTMF-Klassifikationsergebnis von 05101_CAR_XAC (Endmember aus<br />
Bildspektren; MNF-transformierte HyMap-Szene) (EIGENE DARSTELLUNG<br />
2010)...............................................................................................................120<br />
Anhang K. 12: MTMF-Klassifikationsergebnis von 05102_MOL_MOL (Endmember aus<br />
Bildspektren; MNF-transformierte HyMap-Szene) (EIGENE DARSTELLUNG<br />
2010)...............................................................................................................121<br />
Anhang K. 13: MTMF-Klassifikationsergebnis von 05103_CAL_XXX (Endmember aus<br />
Bildspektren; MNF-transformierte HyMap-Szene) (EIGENE DARSTELLUNG<br />
2010)...............................................................................................................122<br />
Anhang K. 14: MTMF-Klassifikationsergebnis von 05103_CAL_XXX (Endmember aus<br />
Bildspektren; MNF-transformierte HyMap-Szene) (EIGENE DARSTELLUNG<br />
2010)...............................................................................................................123<br />
XIII
Abkürzungsverzeichnis<br />
_____________________________________________________________________________________________________<br />
Abkürzungsverzeichnis<br />
ACORN<br />
ATCOR<br />
ATKIS<br />
BBG<br />
BrbNatSchG<br />
CART<br />
CASI<br />
CLC2000<br />
Atmospheric CORrection Now<br />
ATmospheric CORrection<br />
Amtliches Topographisch-Kartographisches Informationssystem<br />
Brandenburgische Boden Gesellschaft für<br />
Grundstücksverwaltung und- verwertung mbH<br />
Brandenburgisches Naturschutzgesetz<br />
Classification And Regression Tree<br />
Compact Airborne Spectrographic Imager<br />
European Standard Classification System<br />
DLR Deutsches Zentrum für Luft- und Raumfahrttechnik e. V.<br />
DN<br />
EGNOS<br />
EnMAP<br />
Digital Number<br />
European Geostationary Navigation Overlay Service<br />
Environmental Monitoring and Analysis Programm<br />
EN<strong>VI</strong> 4.6 Environment for Visualizing Images Version 4.6<br />
EO-1 Earth Observing 1<br />
ERDAS 9.1 Earth Resources Data Analysis System Version 9.1<br />
ETRS89 European Terrestrial Reference System 89<br />
FFH<br />
FOV<br />
FWHM<br />
GFZ Potsdam<br />
GPS<br />
HEE<br />
HyMap<br />
IDL<br />
IFOV<br />
LSU<br />
LUP GmbH<br />
MahD<br />
MD<br />
MESMA<br />
Fauna-Flora-Habitat<br />
Field of View<br />
Full-width at half-maximum (durchschnittliche Kanalbreite)<br />
Helmholtz-Zentrum Potsdam<br />
Deutsches GeoForschungsZentrum<br />
Global Positioning System<br />
Haupterfassungseinheit<br />
Hyperspectral Mapper<br />
Interactive Data Language<br />
Instantenous Field of View<br />
Linear Spectral Unmixing<br />
Luftbild <strong>Umwelt</strong> Planung GmbH<br />
Mahalanobis Distance<br />
Minimum Distance<br />
Multiple Endmember Spectral Mixture Analysis<br />
XIV
Abkürzungsverzeichnis<br />
_____________________________________________________________________________________________________<br />
MF<br />
MI<strong>VI</strong>S<br />
MLC<br />
MNF-Transformation<br />
MODTRAN<br />
MTMF<br />
NIR<br />
NSG<br />
PCA<br />
PPI<br />
RMS-Fehler<br />
SAM<br />
SAMS<br />
Sara’04<br />
SaraEnMAP<br />
SCM<br />
SWIR<br />
Matched Filtering<br />
Multispectral Infrared Visible Imaging Spectrometer<br />
Maximum Likelyhood Classifier<br />
Minimum-Noise-Fraction-Transformation<br />
MODerate atmospheric radiance and TRANsmittance model<br />
Mixture Tuned Matched Filtering<br />
Nahes Infrarot<br />
Naturschutzgebiet<br />
Principal Component Analysis<br />
Pixel Purity Index<br />
Root Mean Square Error<br />
Spectral Angle Mapper<br />
Spectral Analysis and Management System<br />
Anwendungsorientiertes Raummonitoring mit<br />
höchstauflösenden Satellitendaten<br />
Entwicklung von Verfahren zur Gewinnung von<br />
<strong>Umwelt</strong>informationen aus dem neuen Hyperspektralsatelliten<br />
EnMAP<br />
Spectral Correlation Mapper<br />
Kurzwelliges Infrarot<br />
TK10 Topografische Karte im Maßstab 1:10.000<br />
ü. NN über Normalnull<br />
UTC<br />
UTM<br />
<strong>VI</strong>S<br />
Universal Time Coordinated<br />
Universal Transversal Mercator<br />
Sichtbarer Bereich der elektromagnetischen Strahlung<br />
WGS84 World Geodetic System 1984<br />
XV
Zusammenfassung<br />
_____________________________________________________________________________________________________<br />
Zusammenfassung<br />
In den letzten Jahren gewann die Fernerkundung im Bereich der Landschafts- und<br />
<strong>Umwelt</strong>planung zunehmend an Bedeutung. Besonders nach Einführung der Europäischen<br />
Flora-Fauna-Habitat Richtlinie von 1992 (Richtlinie 92/43/EWG des Rates vom 21. Mai 1992)<br />
wurde auf dem Gebiet der flächendeckenden Erfassung und des Monitorings von<br />
Schutzgebieten viel Forschung betrieben.<br />
Die hier vorgestellte Arbeit entstand aus dem Forschungs- und Entwicklungsprojekt<br />
Sara_EnMAP 1 , welches sich mit der Entwicklung von Methoden für die Klassifikation von<br />
ausgewählten Biotoptypen und Pflanzengesellschaften mit Hilfe hyperspektraler<br />
Fernerkundungsdaten beschäftigt.<br />
In der vorliegenden Arbeit wurde der Frage nachgegangen, in wieweit hyperspektrale<br />
Fernerkundungsdaten geeignet sind, Biotoptypen und Pflanzengesellschaften in<br />
Feuchtgebieten mit klassischen Klassifikationsmethoden zu unterscheiden.<br />
Im Jahr 2008 wurden die Untersuchungsgebiete, die NSG 2 Döberitzer Heide und Ferbitzer<br />
Bruch, mit dem HyMap 3 -Sensor, einer flugzeuggetragenen Hyperspektralkamera, beflogen.<br />
Die Feldaufnahmen fanden von Mai bis Oktober der Jahre 2007 bis 2009 statt.<br />
Nach geometrischer und radiometrischer Korrektur der HyMap-Daten wurden diese einer<br />
Minimum-Noise-Fraction Transformation unterzogen. Anschließend wurden die ersten drei<br />
Ableitungen der transformierten HyMap-Szene gebildet.<br />
Im Anschluss wurden Referenzspektren einmal mit Hilfe der aufgenommenen Feldspektren<br />
und einmal mit den aus dem Bild abgeleiteten Bildspektren gesammelt und die<br />
Klassifikationsverfahren Spectral Angle Mapper (SAM) und Mixture Tuned Matched Filtering<br />
(MTMF) angewendet.<br />
Beide Verfahren erlangten bei der Klassifikation mit Feldspektren und der MNFtransformierten<br />
HyMap-Szene gute Ergebnisse (Kappa 0,58 bis 0,62), wobei<br />
Pfeifengraswiesen und nährstoffreiche Feuchtwiesen, welche die meisten Testflächen<br />
besaßen, Genauigkeiten von 60 bis 96% erreichten. Gesellschaften, die gar keine oder nur<br />
wenige Testflächen besaßen, waren meist unterrepräsentiert und erlangten schlechte<br />
Ergebnisse.<br />
Bei der SAM-Methode unter Verwendung der ersten drei Ableitungen erreichten die<br />
Bildspektren ihre von allen Methoden besten Ergebnisse (1. Ableitung: Kappa 0,81). Die<br />
Feldspektren schnitten eher schlecht ab (Kappa 0,51). Begründet wurden die schlechteren<br />
Ergebnisse damit, dass Ableitungen sehr empfindlich auf Rauschen reagieren. Die nicht<br />
zufrieden stellenden Resultate der Atmosphärenkorrektur wurden hier sichtbar.<br />
1 Sara_EnMAP - Entwicklung von Verfahren zur Gewinnung von <strong>Umwelt</strong>informationen aus dem neuen Hyperspektralsatelliten<br />
EnMAP (Environmental Mapping and Analysis Program)<br />
2<br />
NSG - Naturschutzgebiet<br />
3<br />
HyMap – Hyperspectral Mapper<br />
X<strong>VI</strong>
Zusammenfassung<br />
_____________________________________________________________________________________________________<br />
Mit Hilfe einer guten Vorprozessierung der Daten und mit sorgfältig ausgewählten<br />
Feldspektren ist es durchaus möglich, gute Ergebnisse bei der Klassifikation von<br />
Pflanzengesellschaften in Feuchtgebieten mit hyperspektralen Fernerkundungsdaten und<br />
klassischen Methoden zu erreichen. Als eine weitere Optimierung der Ergebnisse wird auf<br />
die im Projekt Sara_EnMAP getestete Kombination mit anderen Verfahren, wie z.B. mit<br />
CART-Modellen 4 verwiesen. Ergebnisse diesbezüglich wurden noch nicht veröffentlicht.<br />
4<br />
CART-Modell - Classification and Regression Tree Modell<br />
X<strong>VI</strong>I
Einleitung<br />
_____________________________________________________________________________________________________<br />
1 Einleitung<br />
In der Landschafts- und <strong>Umwelt</strong>planung gewinnt der Einsatz von Methoden der<br />
Fernerkundung zunehmend an Bedeutung. Im Jahr 1992 wurde die Europäische Richtlinie<br />
zur Erhaltung der natürlichen Lebensräume sowie der wildlebenden Tiere und Pflanzen<br />
(kurz: FFH-Richtlinie 5 ) verabschiedet. Seither sind alle EU-Mitgliedstaaten verpflichtet, im<br />
sechsjährigen Rhythmus einen Bericht über den Erhaltungszustand ihrer gemeldeten<br />
Schutzgebiete abzugeben.<br />
Für diese Aufgabe ist ein flächendeckendes Monitoring unter Einsatz der Fernerkundung ein<br />
immer häufiger verwendetes und, im Gegensatz zur visuellen Luftbildinterpretation, weniger<br />
kosten- und zeitintensives Instrument (JOLLINEAU & HOWARTH 2008).<br />
Dafür werden üblicherweise Satellitensysteme wie Landsat 5 TM, Landsat 7 ETM+, SPOT 4<br />
und SPOT 5 verwendet. In neuerer Zeit kamen geometrisch sehr hoch aufgelöste Sensoren<br />
wie IKONOS und QuickBird hinzu (ebd.). Diese haben sich laut FRICK (2006) und FÖRSTER<br />
(2008) in unterschiedlicher Qualität für das Monitoring von NA<strong>TU</strong>RA 2000 Gebieten in Offenund<br />
Waldlandschaften bewährt.<br />
Für das Kartieren von kleineren Feuchtgebieten im Binnenland stoßen<br />
Satellitenfernerkundungssysteme im Vergleich zu flugzeuggetragenen Systemen immer<br />
wieder an ihre Grenzen (JOLLINEAU & HOWARTH 2008). Grund dafür ist die begrenzte<br />
räumliche Auflösung vieler Satellitensensoren, die es schwierig macht, besonders kleine<br />
oder schmale Feuchtgebiete in Landschaften zu identifizieren (vgl. OZESMI & BAUER 2002).<br />
Obwohl Luftbilder sowie multispektrale IKONOS und QuickBird Daten verbesserte räumliche<br />
Auflösungen von bspw. 4 m oder höher anbieten, fehlen ihnen trotz allem detaillierte<br />
spektrale Informationen, die wichtig für die Differenzierung von Feuchtgebietskomplexen sein<br />
können (vgl. HELD et al. 2003, HARKEN & SUGUMARAN 2005). Diese spektralen Informationen<br />
können durch hyperspektrale Bilddaten gewonnen werden. In neuerer Zeit wurden deshalb<br />
Fernerkundungsansätze um hyperspektrale Bilddaten erweitert und zur Erforschung von<br />
Feuchtgebietskomplexen eingesetzt (JOLLINEAU & HOWARTH 2008).<br />
In dieser Arbeit werden zwei klassische hyperspektrale Klassifikationsverfahren getestet, um<br />
acht Pflanzengesellschaften, deren Lebensraum Feuchtgebietskomplexe sind, zu<br />
unterscheiden. Dabei soll der Frage nachgegangen werden, in wieweit sich die hier<br />
ausgewählten Verfahren für die Klassifizierung dieser Pflanzengesellschaften eignen.<br />
1.1 Hintergrund der Arbeit<br />
Die vorliegende Arbeit ist im Rahmen des Forschungs- und Entwicklungsprojektes<br />
Sara_EnMAP entstanden. Der vom GFZ Potsdam 6 geplante Hyperspektralsatellit EnMAP soll<br />
voraussichtlich im Jahr 2014 seine Arbeit aufnehmen. Die Eigenschaften dieses Sensors<br />
5<br />
FFH-Richtlinie – Flora Fauna Habitat-Richtlinie (Richtlinie 92/43/EWG des Rates vom 21. Mai 1992)<br />
6<br />
GFZ Potsdam - Helmholtz-Zentrum Potsdam Deutsches GeoForschungsZentrum<br />
1
Einleitung<br />
_____________________________________________________________________________________________________<br />
sind in Tabelle 1.1 aufgelistet. Für die Bearbeitung des Forschungsprojektes wurde auf<br />
HyMap-Daten zurückgegriffen.<br />
Tabelle 1-1 Eigenschaften des geplanten Hyperspektralsatelliten EnMAP (verändert nach KAUFMANN 2009)<br />
Nominale Bandbreite<br />
VNIR: 6.5 nm<br />
SWIR: 10 nm<br />
Wellenlängenbereich<br />
Anzahl der Bänder<br />
Bodenauflösung<br />
Streifenbreite<br />
Wiederholungsrate<br />
Flugbahnhöhe<br />
VNIR: 423.7 nm – 994.4 nm<br />
SWIR: 905 nm – 2446 nm<br />
VNIR: 89<br />
SWIR: 155<br />
30 m x 30 m (at nadir; sea level)<br />
30 km<br />
23 Tage<br />
643.7 km<br />
Inklination 97.96°<br />
Bahnumlaufperiode<br />
Wiederholungsrate<br />
98 min<br />
4 Tage (± 30° tilt)<br />
Entwickelt wurde das Projekt von der Luftbild <strong>Umwelt</strong> Planung GmbH (LUP) in<br />
Zusammenarbeit mit dem GFZ Potsdam. Das Projekt lief über 3 Jahre im Zeitraum von 2007<br />
bis 2009. Das Ziel bestand darin, Methoden für die Klassifikation von ausgewählten<br />
Biotoptypen und Pflanzengesellschaften zu entwickeln. Dabei wurden<br />
Pflanzengesellschaften und einzelne Individuen von Offenlandbiotopen in den FFH-Gebieten<br />
Döberitzer Heide und Ferbitzer Bruch mit einem Feldspektrometer gemessen und daraus<br />
eine Spektralbibliothek aufgebaut (vgl. Kapitel 4.1). Die dort gesammelten Informationen<br />
flossen dann als Referenzdaten in die Klassifikationsansätze mit ein. Bei dem<br />
Klassifikationsverfahren wurden traditionelle Verfahren mit CART-Modellen kombiniert und<br />
der im Forschungs- und Entwicklungsprojekt Sara’04 7 entwickelte Ansatz für das Monitoring<br />
von NA<strong>TU</strong>RA 2000 Habitaten verbessert.<br />
Diese Arbeit lieferte für das Forschungsprojekt Sara_EnMAP die Ergebnisse der beiden hier<br />
bearbeiteten klassischen Verfahren des Spectral Angle Mapper (SAM) und des Mixture<br />
Tuned Matched Filtering (MTMF).<br />
7<br />
Sara’04 - Anwendungsorientiertes Raummonitoring mit höchstauflösenden Satellitendaten<br />
2
Einleitung<br />
_____________________________________________________________________________________________________<br />
1.2 Zielstellung<br />
Die vorliegende Arbeit geht der Frage nach, in wieweit hyperspektrale Fernerkundungsdaten<br />
geeignet sind, Biotoptypen und Pflanzengesellschaften in Feuchtgebieten mit den hier<br />
verwendeten klassischen Klassifikationsmethoden zu unterscheiden. Es ist zu erwarten,<br />
dass sich die betrachteten Pflanzengesellschaften aufgrund ihrer unterschiedlichen<br />
spektralen Eigenschaften voneinander trennen lassen.<br />
Für die Bearbeitung des Themas werden zwei Ansätze verfolgt. Dabei werden zum einen<br />
vom Bild abgeleitete Referenzspektren und zum anderen in situ gemessene Feldspektren<br />
verwendet (vgl. Kapitel 6.3). Hierbei ist zu vermuten, dass die vom Bild abgeleiteten<br />
Referenzspektren bessere Ergebnisse liefern.<br />
Folgende Fragestellungen sollen in dieser Arbeit beantwortet werden:<br />
1. Können die untersuchten Pflanzengesellschaften mit hyperspektralen<br />
Fernerkundungsdaten klassifiziert werden?<br />
2. Eignen sich die klassischen Verfahren SAM und MTMF für die Lösung dieser<br />
Fragestellung?<br />
3. Ist die Verwendung von in situ gemessenen Referenzspektren als Endmember geeignet?<br />
Ziel der Arbeit ist es zum einen, die hyperspektralen Fernerkundungsdaten so vorzubereiten,<br />
zu analysieren und zu interpretieren, dass die formulierten Fragen beantwortet werden<br />
können. Zum anderen sollen die Ergebnisse einen Beitrag zu dem in Kapitel 1.1<br />
vorgestellten Forschungs- und Entwicklungsprojekt Sara_EnMAP leisten und somit auch<br />
einen Beitrag zum Monitoring von FFH-Gebieten.<br />
1.3 Aufbau der Arbeit<br />
Nach einer kurzen Einführung in den jetzigen Stand der Forschung (Kapitel 1.4) auf dem<br />
Gebiet der Feuchtgebietsklassifikation mit Hilfe der hyperspektralen Fernerkundung wird im<br />
Kapitel 2 das NSG Ferbitzer Bruch als Untersuchungsgebiet vorgestellt. Die allgemeinen<br />
Grundlagen der Fernerkundung werden im Kapitel 3 kurz beschrieben. Das Kapitel 4<br />
„Datengrundlagen“ stellt die in dieser Arbeit verwendeten Materialien vor und erläutert die im<br />
Gelände erhobenen Daten. Kapitel 5 „Pflanzengesellschaften“ behandelt die Biotoptypen<br />
und die Pflanzengesellschaften, die klassifiziert werden sollen.<br />
Kapitel 6 erläutert die verwendeten Methoden, die für die Vorbereitung der Daten und für die<br />
Bearbeitung der Fragestellung nötig waren. Abbildung 1-1 zeigt das Ablaufschema der<br />
benutzten Verfahren.<br />
Im Kapitel 7 werden die Ergebnisse der einzelnen Klassifikationen beschrieben und deren<br />
Genauigkeiten aufgezeigt. Dabei wird auf die jeweils interessantesten Klassifikationskarten<br />
im Anhang verwiesen.<br />
Kapitel 8 beschäftigt sich mit der Auswertung der im Kapitel 7 vorgestellten Ergebnisse.<br />
Dabei wird auf vermutete Gründe für die Resultate eingegangen und die Methoden werden<br />
untereinander und mit den Ergebnissen anderer Autoren verglichen.<br />
3
Einleitung<br />
_____________________________________________________________________________________________________<br />
Im Kapitel 9 „Fazit“ wird auf die möglichen Vor- und Nachteile der benutzten Methoden<br />
hingewiesen und mögliche neue Ansätze vorgeschlagen.<br />
Abbildung 1-1 schematische Übersicht über den Ablauf der verwendeten Verfahren (EIGENE DARSTELLUNG 2010)<br />
1.4 Stand der Forschung<br />
Wie schon in Kapitel 1 erwähnt, können multispektrale Daten aufgrund ihrer begrenzten<br />
spektralen Information bei der Differenzierung von Vegetation in Feuchtgebietskomplexen an<br />
ihre Grenzen stoßen.<br />
In den letzten Jahren wurde auf dem Gebiet der Anwendung von hyperspektralen<br />
Fernerkundungsdaten im ökologischen Kontext intensiv Forschung betrieben. Dabei wurden<br />
sowohl flugzeuggetragene als auch satellitengestützte Fernerkundungssysteme getestet.<br />
PENGRA et al. (2006) testeten die Anwendbarkeit der Daten des Satelliten Hyperion 8 für die<br />
Klassifikation von monodominanten Schilfbeständen in den Küstengebieten der Großen<br />
8<br />
Hyperion – Hyperion ist ein hyperspektraler Fernerkundungssensor an Bord des Satelliten EO-1 (Earth Observing 1). Er ist im<br />
Jahr 2000 gestartet und besitzt eine geometrische Auflösung von 10 m im panchromatischen und 30 m im hyperspektralen<br />
Bereich. Seine spektrale Auflösung beträgt 220 Bänder von 0,4 bis 2,5 µm (USGS O.J. ONLINE)<br />
4
Einleitung<br />
_____________________________________________________________________________________________________<br />
Seen in Wisconsin, USA. Dabei wurde eine 2-Klassen-Karte, bestehend aus einem binären<br />
Schwellenwertbild (ja/nein) erstellt, in dem sie die Methode des SCM 9 verwendeten, wobei<br />
ein kontinuierliches Werteraster von 0 bis 1 entsteht, bei dem „0“ der größten und „1“ der<br />
geringsten Ähnlichkeit entspricht. Dieses Verfahren erlangte eine Gesamtgenauigkeit von<br />
81,4%.<br />
JOLLINEAU & HOWARTH (2008) beschäftigten sich mit der Klassifikation von heterogener<br />
Feuchtgebietsvegetation sowie der benachbarten Pflanzengesellschaften trockenerer<br />
Bereiche mit Hilfe von CASI-Daten 10 im südlichen Ontario, Kanada. Dabei wurde zwischen<br />
gehölzdominierter Vegetation, Gesellschaften der Fließgewässer,<br />
Schwimmblattgesellschaften und Pflanzen des offenen Flachwassers unterschieden.<br />
Verwendet wurden zwei klassische Verfahren aus der multispektralen (MLC 11 ) und der<br />
hyperspektralen Fernerkundung (SAM) unter Verwendung von aus dem Bild abgeleiteten<br />
Endmembern. Im Gegensatz zu den Erwartungen der Autoren ergab die MLC-Methode die<br />
besseren Ergebnisse. Dafür wurden mehrere Gründe angenommen. Unter anderem wurde<br />
vermutet, dass das SAM-Verfahren für großflächige homogene Pflanzenbestände besser<br />
geeignet ist als für heterogene kleine Pflanzenbestände.<br />
ANDREW & USTIN (2008) klassifizierten die invasive Pflanze Lepidium latifolium mit HyMap-<br />
Daten in drei Gebieten von California’s San Francisco Bay/Sacramento-San Joaquin Delta<br />
Estuar. Die gewählten Bereiche wiesen markante Unterschiede in Hydrologie, Salzgehalt,<br />
Artengefüge und strukturelle landschaftliche Vielfalt auf. Für die Klassifikation verwendeten<br />
sie CART-Modelle, die Ergebnisse aus den Analysen der zuvor durchgeführten MTMF-<br />
Verfahren und spektralen physiologischen Indizes enthielten. In zwei der Gebiete kamen sie<br />
auf Genauigkeiten von ca. 90% und stellten fest, dass das verwendete Verfahren flexibel<br />
und robust genug ist, um Lepidium latifolium in unterschiedlichen Lebensbereichen zu<br />
klassifizieren. Am dritten Versuchsort war die Methode allerdings nicht erfolgreich, da die<br />
Vegetation im Gegensatz zu den anderen Gebieten bedeutend heterogener war. ANDREW &<br />
USTIN (2008) schlussfolgerten daher, dass der ökologische Kontext beim Klassifizieren von<br />
Pflanzenarten eine sehr wichtige Rolle spielt.<br />
PIGNATTI et al. (2009) analysierten das Potential von hyperspektralen Daten des Satelliten<br />
Hyperion für die Unterscheidung von Landbedeckung in einem komplexen Ökosystem<br />
gemäß der Struktur des momentan benutzten CORINE Land Cover 2000 Systems<br />
(CLC2000 12 ). Des Weiteren erprobten sie, in wieweit man mit Hyperion Daten<br />
Landbedeckung bis in den Subpixelbereich unterscheiden kann, wenn man als Referenz<br />
eine geometrisch höher aufgelöste Klassifikation aus MI<strong>VI</strong>S 13 – Daten benutzt.<br />
9<br />
SCM – Spectral Correlation Mapper (Verfeinerung des SAM)<br />
10<br />
CASI – Compact Airborne Spectrographic Imager (spektrale Auflösung: 15 Bänder von 400 bis 900 nm; geometrische<br />
Auflösung hier: 4 x 4 m)<br />
11<br />
MLC – Maximum Likelihood Classifier<br />
12<br />
CLC2000 – European Standard Classification System<br />
13<br />
MI<strong>VI</strong>S – Multispectral Infrared Visible Imaging Spectrometer<br />
5
Einleitung<br />
_____________________________________________________________________________________________________<br />
Für die Bearbeitung der Fragestellung wurden zwei Ansätze verwendet. Im ersten Ansatz<br />
wurde unter Einsatz vier klassischer Verfahren (MahD 14 , SAM, MD 15 , MLC) eine Klassifikation<br />
im Pixelbereich durchgeführt. Zur Bewertung des Potentials von Hyperion-Daten beim<br />
Klassifizieren von fragmentierter Vegetationsbedeckung wurde im zweiten Ansatz ein<br />
Subpixel-Analyse-Verfahren mit zufälligen Testflächen unter Benutzung von 2 Indizes<br />
verwendet.<br />
Nach PIGNATTI et al. (2009) ist der Hyperion Sensor sowohl bei der Klassifikation auf Pixelals<br />
auch auf Subpixelebene dafür geeignet, Vegetationsbedeckung bis zum 4. Grad des<br />
CLC2000 zu unterscheiden.<br />
WEIß (2008) beschäftigte sich im Zuge ihrer Dissertation mit der Bestimmung von<br />
Pflanzengesellschaften von Feuchtgebieten im Murnauer Moos bei München mit Hilfe der<br />
Verfahren der Ordination und der Klassifikation. Bei der Ordination werden Vegetationsdaten<br />
anhand von Gradienten analysiert. Mit diesen Gradienten und den hyperspektralen<br />
Fernerkundungsdaten wurde eine multiple Regression durchgeführt. Als Ergebnis erhält man<br />
eine Abbildung von Pflanzengesellschaftsübergängen.<br />
Für die Klassifikation wurden die Verfahren SAM und MESMA 16 verwendet. Aus den<br />
Ergebnissen von Ordination und Klassifikation wurden dann Synthesekarten erstellt. Als<br />
Resultat wurde die Möglichkeit der Kartierung von fließenden Übergängen in der<br />
Artenzusammensetzung angegeben. Diese Methode ist allerdings nicht direkt auf andere<br />
Gebiete übertragbar, da diese vorab wieder neu kalibriert werden müssen.<br />
Neben dem Projekt Sara_EnMAP befasst sich ein weiteres Forschungs- und<br />
Entwicklungsprojekt unter der Leitung der Universität Potsdam und dem GFZ Potsdam mit<br />
dem Monitoring von FFH-Gebieten mit hyperspektralen Fernerkundungsdaten am Beispiel<br />
der Döberitzer Heide (vgl. FÖRSTER et al. 2009). Dieses Projekt hat eine Laufzeit von 3<br />
Jahren (2008-2011) und beschäftigt sich mit der Entwicklung und Erprobung eines<br />
innovativen, naturschutzfachlichen Monitoringverfahrens. Dabei sollen<br />
Pflanzengesellschaften auf Basis von gemessenen Feldspektren und auf Basis von<br />
kartierten Vegetationsdeckungen unter Nutzung von Ordinationstechniken und spektralen<br />
Variablen mit deren Ableitungen differenziert werden. Auf dem Hyperspectral 2010<br />
Workshop in Frascati, Italien wurden am 17.03.2010 erste Zwischenergebnisse vorgestellt,<br />
die voraussichtlich im Juni 2010 veröffentlicht werden (NEUMANN et al. 2010).<br />
14<br />
MahD – Mahalanobis Distance<br />
15<br />
MD – Minimum Distance<br />
16<br />
MESMA – Multiple Endmember Spectral Mixture Analysis<br />
6
Das Untersuchungsgebiet<br />
_____________________________________________________________________________________________________<br />
2 Das Untersuchungsgebiet<br />
Das vorliegende Kapitel stellt das Untersuchungsgebiet dieser Arbeit vor. Dabei wird kurz auf<br />
dessen Lage und naturräumliche Ausstattung eingegangen (Kapitel 2.1). Des Weiteren wird<br />
in Kapitel 2.2 die Geschichte der beiden Naturschutzgebiete Ferbitzer Bruch und Döberitzer<br />
Heide vorgestellt. Eine detailliertere Beschreibung der im Untersuchungsgebiet<br />
vorkommenden Biotope ist im Kapitel 2.3 zu finden. Letztendlich wird im Kapitel 2.4 der<br />
Schutzstatus der beiden Naturschutzgebiete näher erläutert.<br />
2.1 Lage und naturräumliche Gliederung<br />
Das Naturschutzgebiet Ferbitzer Bruch und das Naturschutzgebiet Döberitzer Heide<br />
befinden sich zu einem großen Teil auf dem ehemaligen Truppenübungsplatz Döberitz. Im<br />
Allgemeinen werden beide Gebiete unter dem Namen „Döberitzer Heide“ geführt.<br />
Die Döberitzer Heide, mit einer Größe von ca. 4700 ha, befindet sich überwiegend im<br />
Landkreis Havelland nördlich der Stadt Potsdam in der Nähe der Ortschaften Dallgow-<br />
Döberitz und Fahrland (OEHLSCHLÄGER et al. 2004).<br />
Abbildung 2-1 Übersichtskarte des Untersuchungsgebietes (Hintergrund: TK 10) und Ausschnitt aus dem Hymap-Flugstreifen<br />
1 (CIR-Darstellung) vom 07.08.2008 (EIGENE DARSTELLUNG 2009)<br />
7
Das Untersuchungsgebiet<br />
_____________________________________________________________________________________________________<br />
Das Naturschutzgebiet Ferbitzer Bruch grenzt westlich an das Naturschutzgebiet Döberitzer<br />
Heide an und liegt hauptsächlich im Landkreis Potsdam Mittelmark, östlich der Gemeinden<br />
Priort und Fahrland (siehe Abbildung 2-1). Es umfasst den Südwestteil des ehemaligen<br />
Truppenübungsplatzes Döberitz. (SCHOKNECHT 1996).<br />
Beide Gebiete gehören zum südöstlichen Rand der Nauener Platte. Geomorphologisch zählt<br />
diese zu den pleistozänen und holozänen Ausprägungen der Mittelbrandenburgischen<br />
Platten und Niederungen (SCHOLZ 1962).<br />
Ihre Vielgestaltigkeit verdankt die Döberitzer Heide den abwechselnden Formationen von<br />
flachwelligen Grund- und Endmoränen, schwach geneigten Sander- und Talsandflächen<br />
sowie den Niederungen mit größeren Kesselmooren und Schmelzwasserrinnen. Die höchste<br />
Erhebung ist die Krampnitzhöhe bei Priort mit 88 Metern ü. NN 17 .<br />
Das Naturschutzgebiet Ferbitzer Bruch besteht aus einem sandig-kiesigem Endmoränenzug,<br />
den ehemaligen Ackerflächen des Dorfes Ferbitz auf lehmig-sandigen Plattenbereichen und<br />
den ausgedehnten Niederungen des Großen Grabens und des Ferbitzer Bruchs. In diesem<br />
Bereich wechseln sich lehmige, sandig-lehmige, kiesig-sandige und anmoorig bis moorige<br />
Bildungen auf engem Raum ab. Natürliche Fließgewässer kommen nicht vor. (SCHOKNECHT,<br />
ZERNING 2005).<br />
Makroklimatisch gesehen liegt die Döberitzer Heide im Übergangsbereich zwischen<br />
atlantischem und kontinentalem Klima. Durch seine geomorphologische Vielgestaltigkeit gibt<br />
es innerhalb des Gebietes zahlreiche unterschiedliche und eng beieinanderliegende<br />
Mikroklimate (ebd.).<br />
Nicht nur der geomorphologische Reichtum dieser Landschaft hat zur heutigen natürlichen<br />
Standortvielfalt beigetragen, sondern auch die lange militärische Nutzung als<br />
Truppenübungsplatz. Einige Effekte des Militärbetriebes ähneln den vorindustriellen<br />
landwirtschaftlichen Nutzungsformen. Der Ausschluss von konventionellen Nutzungen<br />
verhinderte hier die sonst überall stattgefundene starke Eutrophierung und<br />
Standortnivellierung. Negative äußere Einwirkungen konnten durch den Waldsaum, der den<br />
Truppenübungsplatz umgibt, verhindert werden (ebd.).<br />
2.2 Geschichte<br />
Die Landschaft des ehemaligen Truppenübungsplatzes Döberitz ist durch eine beinahe 300<br />
jährige militärischen Nutzungsgeschichte geprägt. Im Jahre 1713 fanden die ersten Manöver<br />
unter dem Soldatenkönig Friedrich Wilhelm I. statt (OEHLSCHLÄGER et al. 2004). Bis 1931<br />
erlangte er eine Größe von 4.176 ha (FÜRSTENOW 2004). Eine Erweiterung um die<br />
Gemarkung Ferbitz erfolgte 1936 (STIX 1997). Mit dem Abzug der russischen Streitkräfte<br />
1992 war die militärische Geschichte der Döberitzer Heide beendet. Der in Abbildung 2-2 zu<br />
sehende Obelisk erinnert noch an die damalige Nutzung.<br />
17<br />
88 Meter ü. NN – 88 Meter über Normalnull<br />
8
Das Untersuchungsgebiet<br />
_____________________________________________________________________________________________________<br />
Abbildung 2-2 Obelisk in der Döberitzer Heide<br />
(www.döberitzer-heide.de, Abruf am 27.10.2009)<br />
Schon in den frühen 80er Jahren wurde seine<br />
Bedeutung für den Naturschutz erkannt,<br />
nachdem es mit Wissen der sowjetischen<br />
Standortkommandatur erkundet wurde. Die<br />
Naturschutzgebiete Döberitzer Heide (3.415<br />
ha) und Ferbitzer Bruch (1.155 ha) bilden das<br />
Kernstück des ehemaligen<br />
Truppenübungsplatzes (OEHLSCHLÄGER et al.<br />
2004).<br />
Als Naturschutzgebiet wurde das Ferbitzer Bruch im Jahre 1990 durch Beschluss des<br />
Kreistags Potsdam einstweilig gesichert. Die Döberitzer Heide, der zweite Teil des<br />
Truppenübungsplatzes, folgte 1991 durch Beschluss des Kreistages Nauen. 1992 wurde die<br />
Sicherung des NSG Ferbitzer Bruch mit einer Erweiterung der Fläche auf 25% des<br />
Truppenübungsplatzes wiederholt (SCHOKNECHT 1993).<br />
Die Brandenburgische Boden Gesellschaft für Grundstücksverwaltung und -verwertung mbH<br />
(BBG) wurde 1995 Eigentümerin der Flächen des ehemaligen Truppenübungsplatzes<br />
Döberitz (NA<strong>TU</strong>RSCHUTZ-FÖRDERVEREIN „DÖBERITZER HEIDE“ E. V. 2007, ONLINE). Im Jahre<br />
2004 kaufte die Heinz Sielmann Stiftung 3.442 ha der Döberitzer Heide. Diese gründete im<br />
selben Jahr die Sielmanns Naturlandschaft Döberitzer Heide GmbH und nahm am 1.<br />
Dezember 2004 den Geschäftsbetrieb auf (LAND BRANDENBURG MINISTERIUM FÜR<br />
WIRTSCHAFT 2007, ONLINE). In den folgenden 10 Jahren soll ein wildnisähnliches<br />
Naturschutz- und Naherholungsgebiet mit großen Pflanzenfressern wie Wisenten,<br />
Przewalski-Pferden und Rotwild geschaffen werden (HEINZ SIELMANN STIF<strong>TU</strong>NG o. J.,<br />
ONLINE).<br />
2.3 Biotopausstattung<br />
In den Naturschutzgebieten Ferbitzer Bruch und Döberitzer Heide werden nach<br />
SCHOKNECHT, ZERNING 2005 drei Gruppen von Landschaftstypen unterschieden. In der<br />
ersten Gruppe befinden sich die durch direkte militärische Nutzung entstandenen<br />
Sandoffenlandschaften, Ruderalfluren, Trockenrasen, Heiden und Niederwälder (siehe<br />
Abbildung 2-3).<br />
Abbildung 2-3 Döberitzer Heide (EIGENE DARSTELLUNG 2008)<br />
Die zweite Gruppe beinhaltet die Landschaftstypen, die durch herkömmliche bzw. sehr<br />
extensive Nutzung entstanden sind. Dazu gehören die Forsten am Südostrand, Streuwiesen,<br />
9
Das Untersuchungsgebiet<br />
_____________________________________________________________________________________________________<br />
aufgelassene Hutungen, Hutewälder, Kohldistelwiesen, Grünland und ungedüngte Äcker und<br />
Brachen im westlichen Teil des Truppenübungsplatzes (siehe Abbildung 2-4).<br />
Weitestgehend unbeeinflusst konnten sich in der dritten Gruppe Moore, Kleingewässer und<br />
einige Waldgebiete entwickeln. Dazu gehören Vorwaldstadien mit Birken- und Espenanflug<br />
sowie Eichenrestbestände, welche im Schutze des Truppenübungsplatzes die Möglichkeit<br />
haben, sich zu potentiell natürlicher Vegetation zu entwickeln. Diese drei Landschaftstypen<br />
sind innerhalb des Truppenübungsplatzes sehr eng miteinander vernetzt.<br />
Artenreiches Kernstück des Naturschutzgebietes Ferbitzer Bruch bildet der Ferbitzer Bruch<br />
selbst. Der größte Teil (ca. 40 ha) besteht aus Schilfröhricht und aus Streu- und<br />
Frischwiesen (ca. 27 ha), wie z.B. aufgelassenen Glatthafer- und Pfeifengraswiesen, welche<br />
ein großes Spektrum gefährdeter Arten aufweisen (SCHOKNECHT 1993). Südlich des<br />
Ferbitzer Bruchs, entlang des Großen Grabens und des Großen Luchs, befinden sich auf<br />
aufgelassenen Feuchtwiesen Großstaudenfluren, Seggenriede und Grauweidengebüsche.<br />
Diese werden heute in Form von Weiden- oder Wiesennutzung extensiv bewirtschaftet<br />
(SCHOKNECHT 1996). Eine Übersicht über die hier genannten Biotope befindet sich im<br />
Anhang K.1.<br />
Seit den 1990er Jahren wurden in der Döberitzer Heide vegetationskundliche Aufnahmen<br />
durchgeführt. Demnach konnten seither 847 Farn- und Blütenpflanzen nachgewiesen<br />
werden, wovon 180 Arten (21%) einen Gefährdungsstatus aufweisen (OEHLSCHLÄGER et al.<br />
2004). 61 Arten befinden sich auf der Brandenburgischen Roten Liste der Gefäßpflanzen,<br />
von denen 45 Arten (74%) ihren Lebensraum im Feuchtwiesenbereich haben (SCHOKNECHT<br />
1996). Vom Aussterben bedrohte Arten sind z.B. die Herbstzeitlose (Colchicum autumnale)<br />
und das Sumpfknabenkraut (Orchis palustris). Aus der Rubrik „stark gefährdet“ sind z.B. das<br />
Helm-Knabenkraut (Orchis militaris), die Prachtnelke (Dianthus superbus) und die Filzsegge<br />
(Carex tomentosa) zu nennen (ebd.).<br />
Abbildung 2-4 Ferbitzer Bruch (EIGENE DARSTELLUNG 2008)<br />
Nicht nur spezielle Pflanzen sind in der Döberitzer Heide zu finden. Die Fauna weist ebenso<br />
Arten mit besonderer Bedeutung auf. Als Brutvögel kommen vor: Sperbergrasmücke (Sylvia<br />
nisoria), Bekassine (Gallinago gallinago), Brachpieper (Anthus campestris), Kranich (Grus<br />
grus), Große Rohrdommel (Botaurus stellaris), Rothalstaucher (Podiceps grisegena),<br />
Sperber (Accipiter nisus), Tüpfelralle (Porzana porzana), Waldwasserläufer (Tringa<br />
ochropus), Wiedehopf (Upupa epops) und Neuntöter (Lanius collurio). Die Herpetofauna ist<br />
mit Rotbauchunke (Bombina bombina), Kreuzkröte (Bufo calamita), Knoblauchkröte<br />
(Pelobates fuscus), Moorfrosch (Rana arvalis), Waldeidechse (Zootoca vivipara),<br />
Zauneidechse (Lacerta agilis) und Ringelnatter (Natrix natrix) vertreten (ebd.).<br />
10
Das Untersuchungsgebiet<br />
_____________________________________________________________________________________________________<br />
2.4 Schutz<br />
Wie schon in Kapitel 2.2 beschrieben, wurde die Bedeutung des Truppenübungsplatzes<br />
Döberitz für den Naturschutz bereits in den 80er Jahren erkannt. Am 16.04.1996 wurde das<br />
Ferbitzer Bruch als Naturschutzgebiet in der VERORDNUNG ÜBER DAS NA<strong>TU</strong>RSCHUTZGEBIET<br />
„FERBITZER BRUCH“ festgesetzt:<br />
„Schutzzweck ist die Erhaltung und Entwicklung des Gebietes<br />
1. als Standort seltener, in ihrem Bestand bedrohter wild wachsender<br />
Pflanzengesellschaften, insbesondere von Röhricht, Frisch- und Pfeifengraswiesen,<br />
Halbtrockenrasen, an frühzeitliche Landnutzungsformen gebundene Pflanzenarten,<br />
von Kleingewässern, naturnahen Gräben, nährstoffarmen Ruderalfluren und Eichen-<br />
Birkenwäldern;<br />
2. als Lebensraum bestandsbedrohter Tierarten, insbesondere als Brut- und<br />
Nahrungsgebiet von Wirbellosen, Amphibien, Reptilien und Vögeln sowie als<br />
Rastgebiet für zahlreiche Zugvögel;<br />
3. als reich strukturierte Landschaft und wegen der besonderen Eigenart des Gebietes<br />
sowie den ausgedehnten Ruderalflächen;<br />
4. aus ökologischen und wissenschaftlichen Gründen.“<br />
(§3 VERORDNUNG ÜBER DAS NA<strong>TU</strong>RSCHUTZGEBIET „FERBITZER BRUCH“)<br />
Durch die lange militärische Nutzung wurde ein Mosaik aus Mooren, Offenland- und<br />
Waldbiotopen geschaffen. Die enge Vernetzung dieser Lebensräume und der vorhandene<br />
Artenreichtum sowohl in Flora als auch Fauna geben der Döberitzer Heide ihren ganz<br />
besonderen Charakter. Im Zuge der Meldepflicht von FFH-Gebieten an die Europäische<br />
Union wurden die Naturschutzgebiete Ferbitzer Bruch und Döberitzer Heide als<br />
Schutzgebiete nach der Flora-Fauna-Habitat-Richtlinie ausgewiesen.<br />
11
Grundlagen der hyperspektralen Fernerkundung<br />
_____________________________________________________________________________________________________<br />
3 Grundlagen der hyperspektralen Fernerkundung<br />
Das vorliegende Kapitel behandelt die allgemeinen physikalischen Grundlagen der<br />
Fernerkundung und die in der Atmosphäre vorkommenden Einflüsse. Des Weiteren wird das<br />
Reflexionsverhalten von Pflanzen näher beleuchtet. Im letzten Teil des Kapitels wird kurz auf<br />
besondere Eigenschaften der hyperspektralen Fernerkundung eingegangen.<br />
3.1 Allgemeine Grundlagen<br />
Mit dem Prinzip der Fernerkundung werden Informationen über den physikalischen Zustand<br />
der <strong>Umwelt</strong> beschrieben. Nach HILDEBRANDT (1996) ist „Fernerkundung im umfassenden<br />
Sinne die Aufnahme oder Messung von Objekten, ohne mit diesen in körperlichen Kontakt zu<br />
treten, und die Auswertung dabei gewonnener Daten oder Bilder zur Gewinnung<br />
quantitativer oder qualitativer Informationen über deren Vorkommen, Zustand oder<br />
Zustandsänderung und ggf. deren natürliche oder soziale Beziehungen zueinander.“ Dabei<br />
benutzt die Fernerkundung die elektromagnetische Strahlung, die vom beobachteten Objekt<br />
abgestrahlt wird.<br />
Um Luft- oder Satellitenbilder korrekt interpretieren zu können, müssen vorher bestimmte<br />
physikalische Grundlagen der Fernerkundung bekannt sein.<br />
Bei der Aufnahme von Luft- und Satellitenbildern wird zwischen passiven und aktiven<br />
Fernerkundungssystemen unterschieden. Da in dieser Arbeit ein passives Aufnahmesystem<br />
verwendet wurde, wird an dieser Stelle auch nur darauf näher eingegangen.<br />
Im Gegensatz zu aktiven Fernerkundungssystemen 18 , wird bei passiven Systemen<br />
ausschließlich die in der Natur vorkommende elektromagnetische Strahlung aufgenommen.<br />
Dabei handelt es sich zum einen um die Sonnenstrahlung, die an der Erdoberfläche<br />
reflektiert wird, und zum anderen um die von jedem Körper ausgesandte Eigen- oder<br />
Thermalstrahlung, welche aufgrund seiner Oberflächentemperatur abgestrahlt wird.<br />
Elektromagnetische Strahlung ist ein sich periodisch änderndes elektromagnetisches Feld,<br />
welches sich mit Lichtgeschwindigkeit ausbreitet und als Wellenstrahlung aufgefasst werden<br />
kann. Gekennzeichnet wird sie durch die Wellenlänge λ, wobei die Beziehung<br />
λ = c / v (3-1)<br />
gilt. Dabei ist „c“ die Ausbreitungs- oder Lichtgeschwindigkeit und „v“ die Frequenz (ALBERTZ<br />
2007).<br />
In Abbildung 3-1 ist das elektromagnetische Spektrum, das die Gesamtheit der bei der<br />
elektromagnetischen Strahlung vorkommenden Wellenlängen umfasst, dargestellt. Die<br />
passive Fernerkundung nutzt die Wellenlängenbereiche zwischen dem nahen Ultraviolett<br />
und dem mittleren Infrarot.<br />
18 Aktive Fernerkundungssysteme – Die Strahlung wird von einem Sensor zur Erdoberfläche ausgesendet, wobei die Reflexion<br />
dieser Strahlung aufgenommen wird (z.B. Radar- und Laserscannersysteme)<br />
12
Grundlagen der hyperspektralen Fernerkundung<br />
_____________________________________________________________________________________________________<br />
Trifft elektromagnetische Strahlung auf einen Körper, dann wird ein Teil davon an seiner<br />
Oberfläche reflektiert (Reflexion), ein weiterer Teil wird von ihm absorbiert (Absorbtion) und<br />
der Rest durchdringt den Körper (Transmission). Im Idealfall ist die Summe der drei Anteile<br />
gleich 1, also gleich dem ankommenden Strahlungsfluss. In der Realität ist dieser Fall nicht<br />
gegeben, da die Strahlung bestimmten Beeinflussungen in der Atmosphäre ausgesetzt ist.<br />
Abbildung 3-1 Das elektromagnetische Spektrum und die Bereiche verschiedener Sensoren. Den<br />
Wellenlängenbereichen des elektromagnetischen Spektrums sind die Strahlungsenergie der<br />
Sonne und die Durchlässigkeit der Atmosphäre gegenübergestellt. Zur Fernerkundung können<br />
nur einzelne Bereiche in „atmosphärischen Fenstern“ benutzt werden (nach ALBERTZ 2007)<br />
Die elektromagnetische Strahlung durchläuft auf ihrem Weg von der Strahlungsquelle zum<br />
Objekt und zurück zum Empfänger zweimal die Atmosphäre. Die Strahlung, die von der<br />
Sonne die oberen Schichten der Atmosphäre erreicht, wird als extraterrestrische Strahlung<br />
bezeichnet. Ein Teil wird dabei bereits in den Weltraum reflektiert. Die Strahlung, die bis zur<br />
Erdoberfläche vordringt, ist in der Atmosphäre den Einflüssen von Refraktion 19 , Absorption<br />
und Streuung ausgesetzt. Die Refraktion spielt in der Fernerkundung eine untergeordnete<br />
Rolle. Bei der Absorption wird ein Teil der elektromagnetischen Strahlung in Wärme oder<br />
andere Energieformen umgewandelt. Unter Streuung ist die Ablenkung eines Teiles der<br />
Strahlung nach allen Richtungen gemeint. Grund für diese Ablenkung sind kleine<br />
Materieteilchen in der Atmosphäre, die sog. Aerosole. Dabei hängt die Intensität und der<br />
Charakter der Streuung sehr stark von der Art und der Größe der Teilchen, z.B. Dunst,<br />
Staub, Wassertröpfchen u. ä.) und von der Wellenlänge ab. Absorption und Streuung<br />
bewirkten beide eine Schwächung der Strahlung und werden zusammen als Extinktion<br />
bezeichnet (ALBERTZ 2007).<br />
Damit die elektromagnetische Strahlung bis zur Erdoberfläche gelangt, muss die<br />
Atmosphäre für diese Strahlen durchlässig sein. Der Grad der Durchlässigkeit wird als<br />
Transmissionsgrad bezeichnet. Grund für die Transmission sind die<br />
Absorptionseigenschaften der in der Atmosphäre vorkommenden Gase (z.B. Wasserdampf,<br />
Kohlendioxid und Ozon). Sie ist in starkem Maße wellenlängenabhängig. Demnach sind für<br />
die Fernerkundung nur Wellenlängenbereiche interessant, in denen die Atmosphäre für die<br />
elektromagnetische Strahlung weitgehend durchlässig ist. Diese Bereiche werden auch als<br />
19<br />
Refraktion – atmosphärische Strahlungsbrechung als Folge von Dichteänderungen in der Luft (ALBERTZ 2007)<br />
13
Grundlagen der hyperspektralen Fernerkundung<br />
_____________________________________________________________________________________________________<br />
„Atmosphärische Fenster“ bezeichnet. Die wichtigsten „Fenster“ liegen im sichtbaren Licht<br />
und im nahen Infrarot (ca. 0,3 µm bis 2,5 µm), im mittleren Infrarot (ca. 3 µm bis 5 µm) und<br />
im thermalen Infrarot (ca. 8 µm bis 13 µm) (siehe Abbildung 3-1).<br />
Durch die Streuung der elektromagnetischen Strahlung im atmosphärischen Raum entsteht<br />
die sog. indirekte Himmelsstrahlung. Demnach fällt neben der direkten Sonnenstrahlung die<br />
indirekte Himmelstrahlung auf die Erdoberfläche (siehe Abbildung 3-2).<br />
Abbildung 3-2 Strahlungsverhältnisse bei der Aufnahme (schematisch);<br />
Absorption und Streuung in der Atmosphäre beeinflussen sowohl die<br />
Geländebeleuchtung (Himmelslicht) als auch die Aufnahme von Bilddaten durch<br />
den Sensor (Luftlicht) (nach ALBERTZ 2007)<br />
Die Gesamtheit der Strahlung, die auf eine Geländefläche fällt, wird als Globalstrahlung<br />
bezeichnet.<br />
Bisher wurden die Beeinflussungen durch die Atmosphäre auf dem Weg von der<br />
Strahlungsquelle zur Erdoberfläche beschrieben. Der von der Erdoberfläche reflektierte<br />
Strahlungsanteil, der den Sensor erreicht, unterliegt denselben physikalischen<br />
Gesetzmäßigkeiten. Die hier beschriebenen Einflüsse der Atmosphäre können durch eine<br />
Atmosphärenkorrektur minimiert werden (vgl. Kapitel 6.1.1).<br />
3.2 Abbildende Spektroskopie von Pflanzen und Pflanzengesellschaften<br />
Pflanzen und Pflanzengesellschaften besitzen ein typisches Reflexionsspektrum, das in drei<br />
Teilstücke eingeteilt werden kann (siehe Abbildung 3-3).<br />
Das erste Teilstück befindet sich im Bereich des sichtbaren Lichts und wird besonders von<br />
den Blattpigmenten beeinflusst. Das Reflexionsmaximum liegt dabei im Bereich des grünen<br />
Lichts, was auch der Grund dafür ist, dass Pflanzen vom Menschen als Grün<br />
wahrgenommen werden.<br />
Der Infrarotbereich wird hauptsächlich vom Zellaufbau der Blätter beeinflusst und bildet das<br />
zweite Teilstück. Bei 0,7 µm befindet sich der sogenannte „Red Edge“ (COLLINS 1978).<br />
Dieser Bereich zeigt einen starken Anstieg der Reflexion zwischen einer starken Absorption,<br />
verursacht durch das Chlorophyll, im roten Bereich und einem sehr hohen Anstieg der<br />
Reflexion im Nahen Infrarot zwischen 0,7 µm bis 1,3 µm. Abbildung 3-3 zeigt in diesem<br />
Wellenlängenbereich ein breites Maximum der grünen Vegetation. Diese Reflexionsmaxima<br />
14
Grundlagen der hyperspektralen Fernerkundung<br />
_____________________________________________________________________________________________________<br />
lassen sich durch Mehrfachreflexionen in den Zellstrukturen des Mesophylls begründen<br />
(HILDEBRANDT 1996).<br />
Das vor allem vom Wassergehalt der Blätter beeinflusste dritte Teilstück liegt in den<br />
Wellenlängenbereichen zwischen 1,3 µm bis 2,6 µm, wobei die Wellenlängen bei 1,3 µm, 1,9<br />
µm und 2,6 µm einen Abfall der Reflexion aufweisen, der durch den Wassergehalt und den<br />
starken Wasserabsorptionsbanden zu begründen ist. Je höher der Wassergehalt der Blätter<br />
ist, desto tiefer liegen die Werte im gesamten Spektralbereich von 1,3 µm und 2,6 µm und<br />
desto markanter sind die Unterschiede zwischen den relativen Reflexionsmaxima und –<br />
minima (ebd.).<br />
Abbildung 3-3 Reflexionskurven von Pflanzen. Diese Abbildung veranschaulicht<br />
die Einflussfaktoren auf das Reflexionsverhalten von Pflanzen (BACH 1995)<br />
Die Unterscheidung von Pflanzengesellschaften hängt demnach sowohl von der Summe der<br />
biochemischen Komponenten (z.B. Chlorophyll, Wasser, Proteine, Wachse, Lignin, Zellulose<br />
usw.) als auch von den unterschiedlichen Strukturen ab, die in Bezug auf den Zustand der<br />
jeweiligen Pflanzen oder Pflanzengesellschaft noch einmal variieren können.<br />
Durch das räumliche Auflösungsvermögen des Sensors eines Mess- oder Abbildungsgerätes<br />
und den Abstand des Sensors zum Objekt werden Pflanzen vorwiegend in ihren Beständen<br />
oder Vergesellschaftungen mit anderen Pflanzen aufgenommen. Dadurch wird die Strahlung<br />
an verschiedenartigen und unterschiedlich beleuchteten Pflanzen- und ggf. Bodenteilen<br />
reflektiert. Die Zusammensetzung nach Arten und die Form der Vergesellschaftung bei<br />
Pflanzenbeständen beeinflussen demnach ebenso das Reflexionsverhalten und weisen<br />
analog zu einzelnen Blattorganen eine jeweils charakteristische spektrale Reflexion auf<br />
(ebd.).<br />
3.3 Hyperspektrale Fernerkundungsdaten<br />
Die allgemeinen Grundlagen der Fernerkundung treffen auch bei den hyperspektralen<br />
Fernerkundungsdaten zu. Der Unterschied zwischen multi- und hyperspektralen Daten liegt<br />
in der unterschiedlich hohen spektralen Auflösung. Dabei bezeichnet der Begriff<br />
hyperspektrale Daten nach KÖHL & LAUTNER (2001) die Daten, die eine hohe Anzahl an<br />
erfassten Wellenlängenbereichen, erzeugt durch abbildende Spektrometer, besitzen. Die<br />
15
Grundlagen der hyperspektralen Fernerkundung<br />
_____________________________________________________________________________________________________<br />
hohe spektrale Differenzierung und die dadurch aufgenommene redundante Information sind<br />
zwei Eigenschaften hyperspektraler Daten (vgl. Kapitel 6.2).<br />
Wie bereits in Kapitel 3.1.2 beschrieben, liegen die wichtigen Wellenlängenbereiche im<br />
sichtbaren Bereich des Lichtes (<strong>VI</strong>S), im nahen Infrarot (NIR) und im kurzwelligen Infrarot<br />
(SWIR).<br />
Da viele Oberflächenmaterialien diagnostische Absorptionsbereiche besitzen, die nur 10 bis<br />
20 nm breit sind, besitzen hyperspektrale Bilddaten durch ihre hohe spektrale Auflösung<br />
einen entscheidenden Vorteil gegenüber multispektralen Fernerkundungsdaten.<br />
16
Datengrundlagen<br />
_____________________________________________________________________________________________________<br />
4 Datengrundlagen<br />
Das vorliegende Kapitel beschäftigt sich mit dem verwendeten Datenmaterial. Kapitel 4.1<br />
stellt die im Feld aufgenommenen Referenz- und Kontrolldaten vor. Die Hyperspektraldaten<br />
werden in Kapitel 4.2 aufgeführt. Dabei wird auf die Überflugzeit und die Eigenschaften des<br />
verwendeten Sensors näher eingegangen. Für die Bearbeitung und für diverse<br />
Darstellungen wurden weitere Daten benutzt, welche im Kapitel 4.3 aufgezählt werden.<br />
4.1 Geländedaten<br />
Im Jahr 2007 wurden im Zuge des bereits in Kapitel<br />
1.1 vorgestellten Forschungsprojektes Sara-<br />
EnMAP Referenzflächen in den Bereichen um das<br />
Naturschutzzentrum, im Ferbitzer Bruch und in<br />
Krampnitz vegetationskundlich aufgenommen. Die<br />
Beschreibung der Vegetationsaufnahmen wird<br />
eingehender in Kapitel 5.3 behandelt. Von diesen<br />
63 Flächen liegen 18 im NSG Ferbitzer Bruch - die<br />
anderen 45 Flächen verteilen sich auf die zwei<br />
anderen bereits oben genannten Bereiche. Im Jahr<br />
2008 wurden weitere fünf Flächen im<br />
Untersuchungsgebiet ausgewählt und das<br />
pflanzliche Arteninventar bestimmt. Von den 23<br />
Flächen wurden die in den feuchten Bereichen<br />
liegenden 21 Flächen für die Bearbeitung dieser<br />
Arbeit verwendet (siehe Abbildung 4-1).<br />
Jede einzelne Referenzfläche hat die<br />
Abmessungen von 2 x 2 m. Mit Hilfe eines<br />
Kompasses wurden sie nach Norden hin<br />
ausgerichtet und mit einem GPS 20 -Gerät, dem<br />
Trimble ProXT in Verbindung mit einem Trimble<br />
Juno ST, verortet. Durch eine integrierte<br />
Echtzeitkorrektur mit Hilfe von EGNOS 21 und dem<br />
Empfang eines der drei geostationären Satelliten<br />
war eine Positionsbestimmung von ca. einem Meter<br />
Genauigkeit möglich. Um das Auffinden der<br />
Flächen vor Ort zu erleichtern, wurden sie mit<br />
Heringen, Magneten und einem Bambusstab in der<br />
Südostecke vermarkt.<br />
Abbildung 4-1 Übersicht der Referenzflächen (weiße<br />
Punkte) und der Validierungsflächen (Schwarze<br />
Punkte) (EIGENE DARSTELLUNG 2009, Hintergrund:<br />
Ausschnitt aus dem HyMapstreifen 1 (CIR-<br />
Darstellung) vom 07.08.2008)<br />
20<br />
GPS – Global Positioning System<br />
21<br />
EGNOS – European Geostationary Navigation Overlay Service<br />
17
Datengrundlagen<br />
_____________________________________________________________________________________________________<br />
In den Monaten Mai bis September wurden die Flächen bei wolkenlosem bis heiterem<br />
Himmel in einem zweiwöchigen Rhythmus aufgesucht und die reflektierte Strahlung mit<br />
einem Feldspektrometer, dem ASD Field Spec ® FR Pro mit einer 8°-Voroptik, gemessen<br />
(siehe Abbildung 4-2). Das Spektrometer zeichnet die reflektierte Strahlung im<br />
Wellenlängenbereich von 350 bis 2500 nm auf. Pro Fläche wurden 25 Messungen in 5<br />
Zeilen und 5 Spalten mit einem Meter Abstand über dem Bestandsmittel durchgeführt, wobei<br />
pro Messung der Mittelwert von 50 Einzelmessungen errechnet und abgespeichert wurde<br />
(siehe Abbildung 4-3).<br />
Die Dokumentation der Messungen erfolgte mit Hilfe eines Protokolls (siehe Anhang A.1)<br />
und Fotoaufnahmen.<br />
In den Monaten April und Mai 2009 wurden insgesamt 247 Validierungspunkte in 25 m bis 50<br />
m langen Transekten im Ferbitzer Bruch und entlang des Großen Grabens verortet und<br />
vegetationskundlich aufgenommen.<br />
Abbildung 4-2 Spektrometermessung<br />
(EIGENE DARSTELLUNG 2009)<br />
Abbildung 4-3 Schematische<br />
Darstellung der Messungen pro<br />
Referenzfläche mit dem Spektrometer<br />
(EIGENE DARSTELLUNG 2009)<br />
Die Flächengröße betrug 1 m 2 . Unter Berücksichtigung der Umgebung wurden alle<br />
Pflanzenarten mit einer Deckung ab 5% bestimmt und sowohl schriftlich als auch<br />
fotographisch dokumentiert. Dabei bezieht sich die Deckung auf die von der jeweiligen<br />
Pflanze überragte Fläche, die man von oben sieht. Die Verortung erfolgte über GPS-<br />
Messung mit einer Genauigkeit von ca. 1 m.<br />
4.2 Hyperspektraldaten<br />
Das Gebiet wurde am 07.08.2008 um 09:25 Uhr (UTC 22 ) im Rahmen der HyEurope<br />
Kampagne 2008 des Deutschen Zentrums für Luft- und Raumfahrttechnik e. V. (DLR) bei<br />
22<br />
UTC – Universal Time Coordinated<br />
18
Datengrundlagen<br />
_____________________________________________________________________________________________________<br />
wolkenlosem Himmel beflogen. Der HyMap TM Sensor wird von einem Flugzeug getragen und<br />
gehört zu den passiven Fernerkundungssystemen, welche die Erdoberfläche mittels der<br />
reflektierten elektromagnetischen Strahlung abbilden. Beim HyMap Sensor handelt es sich<br />
um einen hyperspektralen Scanner, der die elektromagnetische Strahlung in 128 Kanälen im<br />
Wellenlängenbereich von 450 bis 2480 nm aufnimmt, wovon allerdings zwei Kanäle bei der<br />
Vorprozessierung der Szene bereits wegfallen. Die radiometrische Auflösung beträgt 16 bit.<br />
Das Scansystem arbeitet opto-mechanisch mit Hilfe eines rotierenden Spiegels, welcher die<br />
Erdoberfläche quer zur Flugrichtung zeilenweise abtastet (HOLZWARTH 2009). Dabei hat der<br />
Öffnungswinkel des Scanners (IFOV 23 ) eine Größe von 2,5 mrad in Flugrichtung und 2,0<br />
mrad in Scanrichtung. Das Sichtfeld (FOV 24 ) beträgt 61,3° und ist der Bereich auf der<br />
Erdoberfläche, den der Scanner insgesamt in einem Streifen erfassen kann.<br />
Die eintreffende reflektierte Sonnenstrahlung wird in verschiedene Wellenlängen auf vier<br />
Spektrometer aufgeteilt (siehe Tabelle 4-1).<br />
Tabelle 4-1 Typische spektrale Konfiguration des HyMap-Sensors (verändert nach HOLZWARTH 2009)<br />
Spektrometer<br />
Wellenlängenbereich<br />
(in µm)<br />
Anzahl der Bänder<br />
durchschnittliche<br />
Kanalbreite (nm)<br />
<strong>VI</strong>S 0.45 – 0.89 32 15<br />
NIR 0.89 – 1.35 32 15<br />
SWIR1 1.40 – 1.80 32 13<br />
SWIR2 1.95 – 2.48 32 17<br />
Beim Eintreffen der Strahlen am Detektor werden diese in elektrische Signale umgewandelt<br />
und nach einer Analog-Digital-Umwandlung in Digitalwerte, den Digital Numbers (DNs),<br />
abgespeichert. Dabei entsteht ein Datenwürfel, welcher aus Lagekoordinaten und<br />
Wellenlängen der Szene besteht.<br />
Für diese Arbeit wird von den vier beflogenen Streifen der erste Streifen benutzt. Dieser<br />
deckt das Gebiet um den Ferbitzer Bruch und den Großen Graben ab. Er wurde dabei in<br />
Nord-Süd-Richtung bei einer durchschnittlichen Flughöhe von 1.962 m beflogen. Die<br />
Bodenauflösung beträgt 4 m.<br />
4.3 Sonstige Daten<br />
Zusätzlich zu denen in den Kapiteln 4.1 und 4.2 vorgestellten Daten wurden noch weitere<br />
verwendet, die hier kurz aufgeführt werden sollen.<br />
23<br />
IFOV – Instantenous Field of View<br />
24<br />
FOV – Field of View<br />
19
Datengrundlagen<br />
_____________________________________________________________________________________________________<br />
Für die Georeferenzierung des HyMapstreifens wurde eine QuickBird Szene der Döberitzer<br />
Heide aus dem Jahr 2004 verwendet, welche im Rahmen des Forschungs- und<br />
Entwicklungsprojektes SARA’04 mit Hilfe von Daten des Amtlichen Topographisch-<br />
Kartographischen Informationssystems (ATKIS) der Ausbaustufe DLM25/2 lagekorrigiert<br />
wurde.<br />
Für die Erfassung der Referenzflächen und für die spätere Genauigkeitsanalyse unter<br />
Verwendung der aufgenommenen Validierungspunkte stand zusätzlich eine digitale Biotopund<br />
Landnutzungstypenkartierung von 2004 und eine im Jahr 2000 terrestrisch erstellte<br />
Kartierung der geschützten Biotope nach §32 BrbNatSchG 25 zur Verfügung.<br />
Das Untersuchungsgebiet wird von drei Topographischen Karten im Maßstab 1:10.000<br />
(TK10) von 1993 abgedeckt. Dabei handelt es sich um die TK10-Regelblattschnitte 3443SO,<br />
3444SW und 3544NW. Diese wurden ausschließlich für graphische Darstellungen<br />
verwendet.<br />
25<br />
BrbNatSchG – Brandenburgisches Naturschutzgesetz<br />
20
Pflanzengesellschaften<br />
_____________________________________________________________________________________________________<br />
5 Pflanzengesellschaften<br />
Im folgenden Kapitel werden die in dieser Arbeit verwendeten Biotoptypen und<br />
Pflanzengesellschaften vorgestellt und näher beschrieben (Kapitel 5.2). Dabei werden in<br />
Kapitel 5.1 vorab einige Grundbegriffe der Pflanzensoziologie erläutert und eine allgemeine<br />
Einführung in dieses Thema gegeben. In Kapitel 5.3 werden dann die Schritte der<br />
Vegetationsaufnahmen im Gelände erklärt.<br />
5.1 Grundbegriffe der Pflanzensoziologie<br />
In der vorliegenden Arbeit sollen bestimmte Biotoptypen und Pflanzengesellschaften mit Hilfe<br />
von Fernerkundungsdaten klassifiziert werden. Für ein besseres Verständnis werden die<br />
beiden genannten Begriffe näher erläutert.<br />
Unter einem Biotop versteht man die Existenz einer einheitlichen Biozönose<br />
(Lebensgemeinschaft), welche durch eine spezifische floristische und faunistische<br />
Artenkombination gekennzeichnet ist. Durch die zu der Biozönose gehörenden<br />
Pflanzengesellschaft, die Phytozönose, kann die Lebensgemeinschaft räumlich abgegrenzt<br />
und kartiert werden. Im Sinne der Biotopkartierung ist ein Biotop ein gegenüber der<br />
Umgebung abgrenzbarer, wieder erkennbarer Landschaftsteil, der in<br />
vegetationstypologischer und landschaftsökologischer Hinsicht eine Einheit bildet<br />
(HILDEBRANDT 1996).<br />
Unter einem Biotoptyp sind verwandte Biotope zusammengefasst, die eine Übereinstimmung<br />
oder Ähnlichkeit in der Artenzusammensetzung, dem Standort und der Raumstruktur<br />
aufweisen (ebd.).<br />
Eine Pflanzengesellschaft wird als ein Vegetationstyp regelhaft wiederkehrender<br />
Artenverbindungen unter enger Anlehnung an konkrete Pflanzenbestände definiert. Dabei ist<br />
sie durch einen Merkmalskern gemeinsamer Pflanzensippen, die „Charakteristische<br />
Artenkombination“ genannt wird, gekennzeichnet und bildet den Grundbaustein der<br />
Vegetation, welche die Summe aller Pflanzengesellschaften eines Gebietes umfasst<br />
(DIERSCHKE 1994). Eine Pflanzengesellschaft ist eng mit spezifischen <strong>Umwelt</strong>bedingungen<br />
und anderen Lebewesen verbunden und bildet damit die bereits oben genannte<br />
Lebensgemeinschaft.<br />
Mit Ausnahme von wassergebundenen Pflanzengesellschaften weist eine Vielzahl von<br />
Pflanzenarten eine recht weite Standortamplitude auf. Die Möglichkeit des Vorkommens von<br />
unterschiedlichen Artenverbindungen ist dadurch in der Theorie nahezu unendlich. Die<br />
Anzahl von bestehenden Vergesellschaftungstypen ist dennoch begrenzt (edb.).<br />
Pflanzengesellschaften werden in die so genannten pflanzensoziologischen Einheiten<br />
eingeteilt. Dabei ist die erste Stufe die Formation, die relativ grobe, aber leicht erkennbare,<br />
oft über weite Gebiete der Erde verbreitete Vegetationseinheiten zusammenfasst, die als<br />
Strukturtypen vor allem durch bestimmte Wuchs- oder Lebensformen gekennzeichnet sind.<br />
Die nächsten Stufen sind die Klassen (Endung: -tea), die Ordnungen (Endung: -etalia) und<br />
die Verbände (Endung: -ion). Unter Klassen werden floristisch verwandte Ordnungen<br />
zusammengefasst. In den Ordnungen wiederum sind die floristisch nahe stehenden<br />
21
Pflanzengesellschaften<br />
_____________________________________________________________________________________________________<br />
Verbände eingeteilt. Die Verbände fassen die floristisch ähnlichen und durch<br />
Verbandskennarten charakterisierten Assoziationen zusammen. Für die Bestimmung dieser<br />
Einheiten gibt es die jeweiligen Kennarten, die eine Klasse, eine Ordnung oder einen<br />
Verband bestimmen (BRAUN-BLANQUET 1964). Dabei sind Kennarten die Charakterarten, die<br />
ihren Verbreitungsschwerpunkt mehr oder weniger deutlich in nur einer Pflanzengesellschaft<br />
haben (KOCH 1926). Die letzte hier beschriebene Einheit ist die Assoziation (Endung: -etum),<br />
die eine rein floristisch-induktive Grundeinheit darstellt. Diese beruht auf annähernd gleicher<br />
Artenkombination von Pflanzenbeständen und besitzt ebenfalls bestimmte Charakterarten<br />
(BRAUN-BLANQUET 1964). Damit ist die Assoziation noch nicht die kleinste<br />
pflanzensoziologische Einheit, da diese noch in Subassoziationen, Fazies und Varianten<br />
untergliedert werden kann.<br />
5.2 Vorstellung der Biotoptypen und Pflanzengesellschaften<br />
Die für die Arbeit relevanten Biotoptypen und Pflanzengesellschaften befinden sich alle auf<br />
feuchten bis nassen Standorten und gehören nach POTT (1995) zur Formation der<br />
Pflanzengesellschaften der Dünen, Wiesen, Trocken- und Magerrasen und zur Formation<br />
der Süßwasser-, Ufer-, Quell- und Verlandungsgesellschaften. In Anhang A.2 sind alle<br />
Testflächen mit der Zuordnung zum Biotoptyp und zur Pflanzengesellschaft mit den<br />
pflanzensoziologischen Einheiten Verband und Assoziation aufgelistet.<br />
Die Informationen der in diesem Kapitel beschriebenen Biotoptypen stammen aus der<br />
Beschreibung der Biotoptypen des Bandes 2 der Biotopkartierung Brandenburg<br />
(LANDESUMWELTAMT BRANDENBURG 2007).<br />
5.2.1 Röhrichte eutropher bis polytropher Moore und Sümpfe<br />
Unter diesem Biotoptyp sind die mehr oder weniger moosfreien, meist flachgründigen Moore<br />
nährstoffreicher Standorte zusammengefasst. Diese werden von Großseggen- und/oder<br />
Röhrichtarten dominiert.<br />
22<br />
Abbildung 5-1 Pflanzengesellschaften eutropher bis polytropher Moore und Sümpfe; links: 04511 Phragmitetum<br />
australis (Gams 1927) Schmale 1939; rechts: 04514 Phalaridetum arundinaceae Libbert 1931<br />
(EIGENE DARSTELLUNG 2008)<br />
Für diese Arbeit relevante Röhrichte sind zum einen das Schilfröhricht (Biotoptyp 04511) mit<br />
der Pflanzengesellschaft des Phragmitetum australis (Gams 1927) Schmale 1939 und dem<br />
Rohrglanzgras-Röhricht (Biotoptyp 04514) mit dem Phalaridetum arundinaceae Libbert 1931<br />
(siehe Abbildung 5-1).
Pflanzengesellschaften<br />
_____________________________________________________________________________________________________<br />
5.2.2 Großseggenwiesen<br />
Großseggenwiesen (05101) sind einst durch Mähnutzung zur Gewinnung von Stallstreu<br />
entstanden und sind von hochwüchsigen Seggen und/oder Binsen beherrscht. Die Flächen<br />
wurden erst spät oder nur unregelmäßig bzw. nicht jährlich gemäht. Man findet sie auf<br />
dauernassen anmoorigen oder moorigen Standorten, an Flussauen auch auf wechselnassen<br />
Mineralböden.<br />
Die zu den Großseggenwiesen gehörenden Pflanzengesellschaften sind zumeist von einer<br />
Seggenart dominiert. In dieser Arbeit wurden drei Seggenriede untersucht. Das<br />
Schlankseggen-Ried (Caricetum gracilis Almquist 1929) ist eine artenarme Gesellschaft auf<br />
Moorstandorten, die durch hohen, oft stagnierendem Wasserstand gekennzeichnet sind, und<br />
erträgt lang anhaltende Überstauungen (siehe Abbildung 5-2).<br />
Abbildung 5-2 Carex acuta (EIGENE DARSTELLUNG 2008)<br />
Abbildung 5-3 Carex appropinquata (SCHELKLE O. J. ONLINE:<br />
http://www2.lubw.baden-wuerttemberg.de)<br />
Auf basenreichen Standorten, welche von Grund- bzw. Schichtwasser durchströmt werden<br />
und auch zeitweise trocken fallen können, kommt das Sumpfseggen-Ried (Caricetum<br />
acutiformis Eggler 1933) vor.Beide Seggenarten wachsen rasig und bilden sogenannte<br />
Ausläufer.<br />
Das Schwarzschopfseggen-Ried (Caricetum appropinquatae (W. Koch 1926) Aszod 1936)<br />
ist durch die horstig wachsende Seggenart Carex appropinquatae gekennzeichnet und auf<br />
nassen Moorstandorten anzutreffen. Sie kann bei unregelmäßiger oder gar keiner Nutzung<br />
zu riesigen Bulten heranwachsen (siehe Abbildung 5-3).<br />
5.2.3 Feuchtwiesen nährstoffarmer bis mäßig nährstoffreicher Standorte<br />
Unter diesem Biotoptyp sind die so genannten Pfeifengraswiesen (Biotoptyp 05102)<br />
zusammengefasst. Pfeifengraswiesen sind ungedüngte, nährstoffarme bis mäßig<br />
nährstoffreiche Wiesen feuchter Standorte, die durch eine unregelmäßige Mahd<br />
bewirtschaftet werden. Ihr Vorkommen erstreckt sich sowohl auf Moor- und<br />
Anmoorstandorten als auch auf nährstoffarmen Mineralböden. Dabei kommen relativ stark<br />
schwankende Grundwasserstände im Jahresverlauf vor. Die Pflanzengesellschaft des<br />
Molinietum caeruleae W. Koch 1926 gehört zu den artenreichen basiklinen<br />
23
Pflanzengesellschaften<br />
_____________________________________________________________________________________________________<br />
Pfeifengraswiesen und kommt auf feuchten bis wechselfeuchten Standorten mit mäßigem<br />
bis hohem Kalkgehalt vor (siehe Abbildung 5-4).<br />
Abbildung 5-4 Pfeifengraswiese mit Molinia caerulea und Colchicum<br />
autumnale (EIGENE DARSTELLUNG 2008)<br />
5.2.4 Feuchtwiesen nährstoffreicher Standorte<br />
Feuchtwiesen auf nährstoffreichen Standorten (Biotoptyp 05103) werden in der Regel einbis<br />
zweimal im Jahr gemäht oder durch eine extensive Beweidung bewirtschaftet. Es sind<br />
mäßig gedüngte Wiesen und Weiden, die im Jahresverlauf auf mehr oder weniger dauerhaft<br />
feuchten Standorten vorkommen. Die nährstoffreichen und produktiven Böden befinden sich<br />
auf mineralischen Feuchtstandorten oder auch auf leicht entwässerten Mooren und<br />
Anmooren. Die in dieser Arbeit relevante Pflanzengesellschaft dieses Biotoptyps ist die<br />
Sumpfdotterblumen-Wiese (Calthion palustris Tx. 1937) (siehe Abbildung 5-5).<br />
Abbildung 5-5 nährstoffreiche Feuchtwiese mit Geranium<br />
palustre (EIGENE DARSTELLUNG 2008)<br />
Abbildung 5-6 verbrachte Feuchtwiese mit Phragmites<br />
australis (EIGENE DARSTELLUNG 2008)<br />
5.2.5 Gründlandbrachen feuchter Standorte<br />
Grünlandbrachen feuchter Standorte (Biotoptyp 05131) sind Auflassungsstadien ehemalig<br />
genutzter Feucht- und Nasswiesen. Fällt eine Wiesen- oder Weidenutzung aus, können sich<br />
unter nährstoffreichen Standortbedingungen einige wenige wuchskräftige Arten, die vorher<br />
bereits in der Grünlandvegetation enthalten waren, bis zur Dominanz ausbreiten. Typische<br />
Arten sind hierbei hochwüchsige Rhizomgräser und Röhrichte. In dieser Arbeit wurde die von<br />
Schilf dominierte Grünlandbrache (Biotoptyp 051311) untersucht (siehe Abbildung 5-6).<br />
24
Pflanzengesellschaften<br />
_____________________________________________________________________________________________________<br />
5.3 Geländeaufnahmen<br />
Unter Flächenaufnahmen ist das Verfahren der pflanzensoziologischen Datenerfassung in<br />
Pflanzenbeständen zu verstehen, wobei die Aufnahme den Datensatz eines Bestandes<br />
repräsentiert. Pflanzensoziologische Aufnahmen sind die Grundlage pflanzensoziologischer<br />
Arbeit, von deren Qualität und deren Informationsgehalt das Ergebnis aller weiteren<br />
Auswertungen abhängt (DIERSCHKE 1994).<br />
In der Fernerkundung spielt die Qualität der Aufnahmen eine ebenso wichtige Rolle, da auch<br />
hier die Ergebnisse weiterer Auswertungen unmittelbar damit zusammenhängen.<br />
In dieser Arbeit wurden die Aufnahmen nach den allgemeinen Vorschlägen von DIERSCHKE<br />
(1994) und BRAUN-BLANQUET (1964) durchgeführt.<br />
Im Allgemeinen sollte der Zeitpunkt der Flächenaufnahme nach der optimalen Entfaltung der<br />
Pflanzen, zumeist in den Monaten Mai und Juni, erfolgen, da nur dann der Deckungsgrad<br />
richtig geschätzt werden kann. In dieser Arbeit wurden die Aufnahmen im Mai durchgeführt.<br />
Da die Spektrometermessungen (vgl. Kapitel 4.1.1) im zweiwöchigen Rhythmus den ganzen<br />
Sommer über erfolgten, wurde der Deckungsgrad immer neu geschätzt und ggf. korrigiert.<br />
Daher war der Zeitpunkt der Geländeaufnahme weniger wichtig.<br />
Die Flächenaufnahmen für diese Arbeit fanden im Mai 2007 und 2008 statt. Aufgenommen<br />
wurde nach subjektiver Einschätzung der floristisch-ökologischen Homogenität des<br />
Bestandes nach BRAUN-BLANQUET (1964). Das bedeutet, dass eine subjektive, möglichst<br />
unvoreingenommene, sorgfältige Auswahl der Aufnahmefläche getroffen wurde. Der Begriff<br />
Homogenität ist dabei das Maß für die Regelhaftigkeit der Verteilung von Strukturelementen<br />
in einem Bestand. Pflanzen sind demnach dann homogen verteilt, wenn sie auf der ganzen<br />
Fläche gleichmäßig vorkommen. Das Vorhandensein von größeren homogenen Flächen<br />
eines Pflanzenbestandes wurde für die Aufnahme vorausgesetzt, konnte aber nicht immer,<br />
wie z.B. beim Phalaridetum arundinaceae Libbert 1931, gewährleistet werden.<br />
Die Größe der Aufnahmeflächen wurde aufgrund der besseren Handhabbarkeit für die<br />
folgenden Spektrometermessungen nicht nach BRAUN-BLANQUET (1964) gewählt. Demnach<br />
hatten die Probeflächen eine Abmessung von 2 mal 2 Metern. Dadurch wurde es vermieden,<br />
die Flächen einer unnötigen und störenden Trittbelastung durch die regelmäßigen<br />
Messungen auszusetzen. Die Umgebung der Flächen wurde auf ihre Homogenität hin<br />
kontrolliert, damit einer möglichen Fragmentierung der Flächen entgegengewirkt werden<br />
konnte.<br />
Die eigentliche Aufnahme der Pflanzen erfolgte nach der Literatur von ROTHMALER (2005),<br />
ROTHMALER (2000), HAEUPLER & MUER (2007) und KLAPP & OPITZ VON BOBERFELD (1995).<br />
Die Aufnahmebögen der Testflächen befinden sich in Anhang A.3 bis Anhang A.23. Die<br />
Florenliste wurde nach der Pflanzenart mit der größten Deckung sortiert.<br />
Das Maß für die horizontale Ausdehnung in Bezug zu einer Grundfläche wird als<br />
Deckungsgrad bezeichnet. Er ist der prozentuale Anteil der Teilflächen, die bei senkrechter<br />
Projektion aller oberirdischen, lebenden Pflanzenteile einer Sippe auf dem Boden gebildet<br />
werden (DIERSCHKE 1994). Überlagern sich die Sippen, ergibt die Summe des<br />
Deckungsgrades mehr als 100%. Da für diese Arbeit nur die Pflanzenanteile relevant waren,<br />
die man von oben sieht, wurden eventuelle Überlagerungen nicht berücksichtigt. Die<br />
25
Pflanzengesellschaften<br />
_____________________________________________________________________________________________________<br />
Deckung wurde so geschätzt, dass das Resultat nicht über 100% ergeben durfte. Pflanzen<br />
mit einer Deckung von unter 5% wurden nur für die spätere Einteilung in die entsprechende<br />
Pflanzengesellschaft bestimmt. Die Biotoptypen und Pflanzengesellschaften wurden mit Hilfe<br />
der Literatur von POTT (1995) und SCHUBERT et al. (2001) unter Zuhilfenahme der §32<br />
Biotoptypenkartierung (vgl. Kapitel 4.3) und dem Band 2 der Biotopkartierung Brandenburg<br />
(LANDESUMWELTAMT BRANDENBURG 2007) bestimmt und in die pflanzensoziologischen<br />
Einheiten Formation, Klasse, Ordnung, Verband und Assoziation sortiert (vgl. Kapitel 5.1).<br />
26
Methode<br />
_____________________________________________________________________________________________________<br />
6 Methode<br />
Im folgenden Kapitel wird die in dieser Arbeit verwendete Methodik erläutert. Dabei wird in<br />
Kapitel 6.1 die durchgeführte atmosphärische und die geometrische Korrektur der HyMap-<br />
Daten beschrieben. Kapitel 6.2 beschäftigt sich mit dem Vorgang der Datenreduktion,<br />
insbesondere mit der Minimum-Noise-Fraction Transformation.<br />
Die Erstellung der verwendeten Endmember aus Bild- und Feldspektren wird im Kapitel 6.3<br />
beschrieben. Die Kapitel 6.4 und 6.5 erläutern kurz die Arbeitsschritte für die Herleitung der<br />
Ableitungen und der Maske für das Untersuchungsgebiet.<br />
Das Kapitel 6.6 beschäftigt sich mit den Klassifikationsverfahren des Spectral Angle Mapper<br />
(SAM) und des Mixture Tuned Matched Filtering (MTMF), die in dieser Arbeit benutzt<br />
wurden. Im letzten Kapitel (Kapitel 6.7) wird die verwendete Genauigkeitsanalyse vorgestellt.<br />
6.1 Vorprozessierung<br />
6.1.1 Atmosphärenkorrekur<br />
Bei der Verwendung von hyperspektralen Daten spielt die Atmosphärenkorrektur eine<br />
wichtige Rolle. Sie dient der Beseitigung von atmosphärischen Fehlerquellen im Signal, das<br />
von einem Objekt reflektiert wurde.<br />
Auf dem Weg zum Sensor wird die vom Objekt reflektierte Strahlung in der Atmosphäre<br />
durch verschiedene Einflüsse wie Streuung und Absorption durch Wasserdampf und<br />
Gasmoleküle sowie Aerosole gestört (vgl. Kapitel 3.1). Des Weiteren kann es zu Fehlern in<br />
der Aufnahmegeometrie durch mechanische Störungen wie z.B. Flugbahnschwankungen<br />
kommen (vgl. Kapitel 6.1.2). Ein anderer beeinflussender Faktor kann die Topografie des<br />
Geländes in hügeligen Regionen sein (JENSEN 2005). Durch entsprechende Korrekturen<br />
können diese strahlungsbeeinflussenden topographischen und atmosphärischen Faktoren<br />
herausgerechnet werden.<br />
Die atmosphärische Transmissions- und Absorptionskorrektur und die Sensorkalibrierung<br />
von Hyperspektraldaten stellt sich im Gegensatz zu multispektralen Daten aufgrund der<br />
hohen spektralen Auflösung als schwieriger dar (SCHOWENGERDT 2007). Dafür gibt es<br />
spezifische Gründe. Einzelne Kanäle können sich mit schmalen atmosphärischen<br />
Absorptionsbanden decken. Die Breite der einzelnen Spektralbänder variiert zum Teil,<br />
wodurch benachbarte Bänder verschiedenartig durch die Atmosphäre beeinflusst werden.<br />
Zudem sind Bandpositionen von abbildenden Spektrometersystemen unter unterschiedlichen<br />
Operationsbedingungen anfällig für kleine Wellenlängenverschiebungen. Viele<br />
Analysealgorithmen für hyperspektrale Daten benötigen jedoch sehr präzise<br />
Absorptionsbandtiefenmessungen, die exakt bei der Wellenlänge mit der maximalen<br />
Absorption erfolgen müssen (ebd.).<br />
Im Idealfall ist die Beschaffenheit der Atmosphäre über jedem Bildelement zur Zeit der<br />
Datenaufnahme wie z.B. barometrischer Druck, Wasserdampf, Menge der atmosphärischen<br />
Streuung (vgl. Kapitel 3.1) bekannt. Die Atmosphäre ist allerdings über relativ kleine<br />
geographische Distanzen und Zeitspannen variabel.<br />
27
Methode<br />
_____________________________________________________________________________________________________<br />
Während dieses Prozesses findet eine Transformation der Hyperspektraldaten von der am<br />
Sensor gemessenen Strahlung (at-sensor-radiance) in eine skalierte Oberflächenreflektanz<br />
statt (MUSTARD et al. 2001). Abbildung 6-1 zeigt eine Darstellung des Radianzspektrums<br />
eines Bildpixels vor und das dazugehörige Reflektanzspektrum nach der<br />
Atmosphärenkorrektur, wobei die Radianz die von einem Körper ausgesandte<br />
Strahlungsleistung pro Flächeneinheit und Raumwinkel umfasst [W-m -2 -sr -1 ] und die<br />
Reflektanz die reflektierte Strahlung des Körpers in Prozent darstellt.<br />
Abbildung 6-1 Radianzspektrum und Reflektanzspektrum (nach der Atmosphärenkorrektur) aus einem Bildpixel der<br />
Hymapszene vom 07.08.2010 (EIGENE DARSTELLUNG 2010)<br />
Für eine Korrektur der Atmosphäre kann man sowohl physikalische (parametrische) als auch<br />
empirische (nicht-parametrische) Korrekturverfahren benutzen.<br />
6.1.1.1 Physikalische Korrekturverfahren<br />
Physikalische Korrekturverfahren beziehen sich auf atmosphärische<br />
Strahlungstransfermodelle. Diese erfordern bestimmte Eingabeparameter, die für die<br />
Beschreibung der Atmosphäre zum Zeitpunkte der Aufnahme erforderlich sind. Die meisten<br />
atmosphärischen Strahlungstransfermodelle bedürfen folgender Parameter (JENSEN 2005):<br />
- Länge und Breite der fernerkundlich aufgenommenen Bildszene,<br />
- Datum und Uhrzeit der Datenaufnahme,<br />
- Aufnahmehöhe,<br />
- durchschnittliche Höhe der Szene (z.B. ü. NN)<br />
- ein Atmosphärenmodell (z.B. Sommer der mittleren Breiten, Winter der mittleren<br />
Breiten, tropisch),<br />
- Radiometrisch kalibrierte Strahlungsdaten der Bildszene (W m 2 µm -1 sr -1 ),<br />
- Informationen über jeden einzelnen Bildkanal (z.B. FWHM 26 ),<br />
- lokale atmosphärische Sicht zum Zeitpunkt des Überflugs.<br />
26<br />
FWHM – Full-Width at Half-Maximum (durchschnittliche Kanalbreite)<br />
28
Methode<br />
_____________________________________________________________________________________________________<br />
Drei häufig verwendete Algorithmen sind ATREM 27 (vgl. TANRE et al. 1986; RESEARCH<br />
SYSTEMS, INC. 2002), ACORN 28 (vgl. INSPEC 2002) und ATCOR 29 (vgl. THIEMANN & HERMANN<br />
2002).<br />
Die meisten kommerziell erhältlichen radianztransferbasierten Atmosphärenkorrekturprogramme<br />
basieren auf dem MODTRAN-Atmosphärenmodell 30 (BERK et al. 1989).<br />
Die Atmosphärenkorrektur für die vorliegenden Daten wurde am GFZ Potsdam mit einem<br />
eigens entwickelten Atmosphärenkorrekturmodell (ACUM) basierend auf MODTRAN4<br />
durchgeführt (GUANTER et al. 2007).<br />
6.1.1.2 Empirische Korrekturverfahren<br />
Mit Hilfe von empirischen Korrekturverfahren kann man Bilddaten auf einfachem Wege ohne<br />
den expliziten Gebrauch von atmosphärischen Daten und Modellen kalibrieren. Hier wird<br />
eher eine Normalisierung als eine Kalibrierung der Daten vorgenommen.<br />
Die in dieser Arbeit verwendete Empirical-Line-Methode passt die fernerkundlich<br />
aufgenommenen Bilddaten an in situ Referenzmessungen an (JENSEN 2005). Sie basiert auf<br />
folgende Gleichung (ROBERTS et al. 1986, SMITH & MILTON 1999, INSPEC 2002):<br />
BV k = ρ λ A k + B k (6-1)<br />
Dabei ist BV k der digitale Ausgabewert eines Pixels in Band k, ρ λ gleicht einer skalierten<br />
Oberflächenreflektanz von den Materialien im unmittelbaren Blickfeld (IFOV) bei einer<br />
bestimmten Wellenlänge λ. Der Multiplikationsterm A k nimmt in erster Linie auf die<br />
atmosphärische Transmission und die vorhandenen Instrumentenfaktoren Bezug und<br />
beeinflusst damit den Ausgabewert. Der Additionsterm B k befasst sich hauptsächlich mit der<br />
atmosphärischen Radianz und einem Instrumentenoffset, wie z.B. dem Dunkelstrom (JENSEN<br />
2005).<br />
Dadurch ist ein quantitativer Vergleich zwischen den Spektren des Fernerkundungssensors<br />
mit vor Ort gemessenen Referenzspektren möglich. Bei der Sammlung von in situ Spektren<br />
sollten gewisse Bedingungen eingehalten werden. Die Feldmessungen werden mit einem<br />
Spektroradiometer annähernd zur selben Zeit des Überflugs und bei gleichen<br />
atmosphärischen Bedingungen gemessen (CLARK ET AL., 2002).<br />
Die in dieser Arbeit verwendeten in situ Referenzmessungen wurden am Überflugtag zur<br />
ungefähr gleichen Zeit gemessen. Dabei wurden zusätzlich zu den gewöhnlichen<br />
Feldmessungen dunkle (Asphalt und Teer) und helle Referenzflächen (Asbest) im Bereich<br />
27<br />
ATREM - ATmosphere REMoval<br />
28<br />
ACORN - Atmospheric CORrection Now<br />
29<br />
ATCOR - ATmospheric CORrection<br />
30<br />
MODTRAN - MODerate atmospheric radiance and TRANsmittance model<br />
29
Methode<br />
_____________________________________________________________________________________________________<br />
um das Naturschutzzentrum und auf dem Parkplatz des Fachmarktzentrums HavelPark<br />
Dallgow getätigt (siehe Abbildung 6-2) (vgl. Kap. 4.1).<br />
Mit den parametrisch korrigierten HyMap-Daten (vgl. Kapitel 6.1.1.1) wurde nachfolgend eine<br />
Empirical-Line-Kalibrierung am GFZ Potsdam mit Hilfe der hellen und dunklen<br />
Referenzspektren durchgeführt.<br />
Abbildung 6-2 Links: Asbestdach eines Stalls am Naturschutzzentrum, Rechts: Teerdach des Naturschutzzentrums, Mitte: mit<br />
dem Spektroradiometer gemessene Spektren der beiden Flächen (EIGENE DARSTELLUNG 2009)<br />
Für eine noch genauere Anpassung der Bildspektren an die gemessenen Referenzspektren<br />
empfahl sich eine weitere Empirical-Line-Kalibrierung mit denen am Überflugtag<br />
gemessenen Referenzspektren einiger Testflächen. Dabei wurden die dazugehörigen<br />
Bildspektren mit Hilfe der GPS-Punkte (vgl. Kapitel 4.1) manuell in der Bildszene verortet.<br />
Abbildung 6-3 zeigt je ein Bildspektrum der Referenzfläche Nr. 72 vor und nach der zweiten<br />
Empirical-Line-Kalibrierung und das dazugehörige Referenzspektrum.<br />
Zusätzlich zum Empirical-Line-Verfahren wurden das Bild und die in situ gemessenen<br />
Referenzspektren zur Reduktion des Sensorrauschens mit einem Savitzky-Golay-Filter mit<br />
einem Polynom 2. Ordnung geglättet (SA<strong>VI</strong>TZKY & GOLAY 1964).<br />
Abbildung 6-3 Darstellung von Bildspektren der Fläche 72 vor<br />
und nach der Empirical Line Kalibrierung im Vergleich zu<br />
einem Referenzspektrum (EIGENE DARSTELLUNG 2009)<br />
6.1.2 Geometrische Korrektur<br />
Zur Übertragung der HyMap-Szene in ein amtliches Koordinatensystem wurden während<br />
des Überflugs Koordinaten kontinuierlich und zeilenweise mit Hilfe eines GPS-Empfängers<br />
aufgenommen. Zu den Lagekoordinaten werden weitere Parameter während des Überfluges<br />
30
Methode<br />
_____________________________________________________________________________________________________<br />
gemessen, weil flugzeuggetragene Fernerkundungssysteme in ihren Flugeigenschaften oft<br />
nicht stabil sind. Durch variierende Luftdruck- und Windverhältnisse oder Abweichungen des<br />
Flugzeuges von der Flugbahn kommt es zu Störungen der Flugbewegungen in Lage und<br />
Höhe (Jensen 2005). In Abbildung 6-4 sind diese Faktoren genauer dargestellt.<br />
Abbildung 6-4 Störungen von Flugbewegungen in Lage und Höhe: a.: Höhe, b.: Roll - Rotation über die x-Achse mit Winkel ω,<br />
Pitch – Rotation über die y-Achse mit Winkel Φ, Yaw – Rotation über die z-Achse mit Winkel κ (verändert nach JENSEN 2005)<br />
Der HyMap-Sensor ist auf eine stabilisierende Plattform montiert, wodurch die störenden<br />
Bewegungen durch ein Austarieren der Flugbewegungen minimiert werden können.<br />
Des Weiteren können durch eine unzureichende Abstimmung der Fluggeschwindigkeit mit<br />
der Aufnahmegeschwindigkeit des Sensors Aufnahmelücken (Undersampling) und<br />
Überlappungen (Oversampling) in den Bildzeilen entstehen (ebd.). Um diese Fehler zu<br />
korrigieren, werden neben den Koordinaten weitere Navigationsdaten wie Flughöhe,<br />
Fluggeschwindigkeit, Roll, Pitch, Yaw (vgl. Abbildung 6-4) kontinuierlich für jede Bildzeile<br />
aufgezeichnet. Diese Flugdaten beziehen sich immer auf den Sensorkopf (SCHLÄPFER &<br />
RICHTER 2001).<br />
Die vorliegenden HyMap Daten wurden in zwei Schritten georeferenziert. Am GFZ Potsdam<br />
wurden die Daten nur mit den oben beschriebenen Navigationsdaten in der Projektion UTM 31<br />
mit dem geodätischen Datum WGS84 32 von einem hauseigenen Programm grob<br />
lagekorrigiert, was allerdings für die Bearbeitung dieses Themas nicht ausreichend war.<br />
In einem zweiten Schritt wurde mit Hilfe des Programmes ERDAS 9.1 33 die Szene auf einem<br />
Referenzbild, einer QuickBird-Szene von 2004, georeferenziert. Diese Szene umfasst die<br />
Stadt Potsdam und die Döberitzer Heide und wurde im Zuge des Forschungsprojektes<br />
Sara’04 mit Hilfe von ATKIS-Daten des DLM25/2 mit Passpunkten, einem Polynom 2.<br />
Ordnung und der Resampling-Methode „Nearest Neighbor“ entzerrt (FRICK 2006).<br />
Die HyMap-Szene besitzt eine Auflösung von 4 mal 4 Metern. Da sich das<br />
Bearbeitungsgebiet auf einem ehemaligen Truppenübungsplatz befindet, gibt es hier kaum<br />
Möglichkeiten einer Passpunktsetzung an besonders markanten Stellen wie beispielsweise<br />
befestigten Kreuzungen oder Gebäuden. Alle Wege sind meist unbefestigt und haben sich<br />
31<br />
UTM – Universal Transversal Mercator<br />
32<br />
WGS84 – World Geodetic System 1984<br />
33 ERDAS 9.1 – Earth Resources Data Analysis Technique Version 9.1<br />
31
Methode<br />
_____________________________________________________________________________________________________<br />
im Laufe der Jahre verändert. Aus diesem Grund und weiteren Vorteilen wie ein höherer<br />
Detaillierungsgrad und die Aktualität wurde die QuickBird-Szene den ATKIS-Daten<br />
vorgezogen. Insgesamt wurden 20 Passpunkte mit einem gesamten RMS-Fehler 34 von 1,6<br />
Pixeln gesetzt. Für die Georeferenzierung wurden die Resample-Methode „Nearest<br />
Neighbor„ und ein Polynom 2. Ordnung gewählt. Koordinatensystem ist das für Brandenburg<br />
gültige ETRS89 35 .<br />
6.2 Datenreduktion<br />
Hyperspektrale Daten enthalten viele redundante Informationen, da die durchschnittliche<br />
Kanalbreite von hyperspektralen Sensoren nur wenige Nanometer breit ist - beim HyMap-<br />
Sensor handelt es sich um eine Breite von 15 bis 17 nm (vgl. Kapitel 4.2) – und diese somit<br />
sehr dicht beieinander liegen. Für einen besseren und leichteren Umgang mit den Daten ist<br />
man bestrebt, die Dimensionen der Daten zu reduzieren. Dabei sollen keine signifikanten<br />
Informationen, die für die Bestimmung von Materialien wichtig sind, verloren gehen. In der<br />
Fernerkundung ist ein bekanntes Mittel zur Minimierung spektraler Redundanz die<br />
Hauptkomponentenanalyse. Diese generiert einen neuen Datensatz mit geringerer spektraler<br />
Redundanz (KÖHL & LAUTNER 2001#). Dabei werden die ursprünglichen Spektralwerte jedes<br />
einzelnen Pixels in einen neuen Merkmalsraum mit neuer Basis unter Beibehaltung der<br />
Rechtwinkligkeit der Achsen überführt. Die neu entstandenen Achsen erklären sukzessive<br />
die maximale Varianz und stellen die Faktoren der Hauptkomponentenanalyse (PCA 36 ) dar.<br />
Das Maß, welches herangezogen wird um die Gesamtzahl aller Variablen durch einen Faktor<br />
zu erfassen, wird als Eigenwert eines Faktors bezeichnet und trägt am meisten zur<br />
Varianzaufklärung bei. Dabei beinhalten Faktoren niederer Ordnung wichtige<br />
Bildinformationen, während Faktoren höherer Ordnung nahezu nur noch Rauschen enthalten<br />
(ebd.).<br />
Bei hyperspektralen Datensätzen können die einzelnen Kanäle unterschiedliche Anteile des<br />
Rauschens enthalten. Daher kommt es vor, dass die bei einer normalen PCA bestimmten<br />
Faktoren nicht den gewöhnlichen Trend eines zunehmenden Rauschens bei zunehmender<br />
Ordnung aufweisen. Die MNF-Transformation 37 ist eine modifizierte Form der PCA, die die<br />
Faktoren nach einem abnehmenden Signal-Rausch-Verhältnis ordnet und in zwei Stufen<br />
verläuft. In der ersten Stufe wird das Rauschen des Datensatzes dekorreliert und auf der<br />
Basis einer standardmäßigen Schätzung der Rauschkovarianzmatrix aus dem gesamten Bild<br />
skaliert (BRUNN 2006). Als Ergebnis des ersten Schrittes erhält man einen Datensatz, der in<br />
ein Koordinatensystem transformiert ist, in dem das Rauschen zwischen den einzelnen<br />
Bändern dekorreliert ist und eine einheitliche Varianz besitzt. Im zweiten Schritt erfolgt eine<br />
gewöhnliche Hauptkomponententransformation, die auf den Ergebnissen von Schritt 1<br />
34<br />
gesamter RMS-Fehler – Total Root Mean Square Error<br />
35<br />
ETRS89 – European Terrestrial Reference System 89<br />
36<br />
PCA – Principal Component Analysis<br />
37<br />
MNF-Transformation – Minimum Noise Fraction Transformation<br />
32
Methode<br />
_____________________________________________________________________________________________________<br />
basieren. Dabei werden die MNF-Komponenten nach der Höhe der Eigenwerte und des<br />
Informationsgehaltes absteigend sortiert. Der entstehende Datenraum wird in zwei Teile<br />
sortiert, wovon der erste Teil die komprimierte Information des Datensatzes mit hohen<br />
Eigenwerten enthält und zu kohärenten Bildern, den sogenannten Eigenimages, führt (KÖHL<br />
& Lautner 2001).<br />
Abbildung 6-5 Darstellung eines Spektralen Profils eines<br />
Bildpixels mit den bei der MNF-Transformation<br />
ausgeschlossenen Wellenlängenbereichen von 455.6-<br />
470.2 nm, 1320.3-1447.8 nm, 1738.3-2007.7 nm, 2396.5-<br />
2490.1 nm (EIGENE DARSTELLUNG 2009)<br />
Abbildung 6-6 Darstellung der Verteilung der Eigenwerte auf die<br />
MNF-Komponenten (EIGENE DARSTELLUNG 2009)<br />
Der zweite Teil besteht aus den Komponenten, die mit niedrigen Eigenwerten von kleiner<br />
oder gleich 1 gekennzeichnet sind und den dazugehörigen Bildern, die ein starkes Rauschen<br />
beinhalten und keine räumliche Information besitzen (ebd.). Als Ergebnis der MNF-<br />
Transformation erhält man einen Datensatz, der dieselbe Anzahl an Kanälen beinhaltet wie<br />
das Eingabebild. Dabei erfassen die ersten 20 MNF-Komponenten im Normalfall 90% der<br />
Gesamtvarianz und besitzen das geringste Rauschen. Diese werden dann für die weitere<br />
Analyse genutzt (SCHOWENGERDT 2007).<br />
In dieser Arbeit wurde die MNF-Transformation mit 100 Bändern durchgeführt. Die Bänder in<br />
den in Abbildung 6-5 gezeigten Wellenlängenbereichen wurden nicht verwendet, da diese<br />
keine brauchbaren Informationen enthalten. In den ersten 20 erzeugten Komponenten<br />
befindet sich der Datenraum, dessen Eigenwerte größer als der Wert 2,0 sind (siehe<br />
Abbildung 6-6). Daher werden für die weitere Bearbeitung der Thematik die ersten 20<br />
Komponenten benutzt.<br />
6.3 Erstellung der Endmember<br />
Unter einem Endmember ist ein „reines“ Objekt zu verstehen, von dem angenommen wird,<br />
dass jedes Pixel einen variablen Anteil dieses Objektes enthält. Dabei sei die in jedem Pixel<br />
gemessene Strahlung eine Linearkombination der Strahlung der einzelnen Endmember<br />
(KÖHL & LAUTNER, 2001). Es gibt zwei Ansätze für die Festlegung von Endmembern in<br />
einem Bild. Zum einen kann man die Bildspektren mit unabhängig davon aufgenommenen<br />
Feld- oder Laborspektren vergleichen. Als Voraussetzung sind hierbei eine hochwertige<br />
Kalibrierung und optimale Aufnahmebedingungen zu beachten, da der Bildinhalt mit<br />
absoluten Messwerten verglichen wird. Zum anderen kann man die benötigten Endmember<br />
aus dem Bild selbst erzeugen (image-derived) (ebd.).<br />
33
Methode<br />
_____________________________________________________________________________________________________<br />
Beide Varianten wurden für diese Arbeit benutzt und werden in den nächsten Kapiteln 6.3.1<br />
und 6.3.2 näher erläutert.<br />
6.3.1 Endmember aus Feldspektren<br />
Wie bereits in Kapitel 4.1 beschrieben, wurden die Feldspektren mit Hilfe eines ASD Field<br />
Spec ® FR Pro mit einer 8°-Voroptik aufgenommen. Später wurden die Spektrometeraufnahmen<br />
auf die HyMap-Daten mit Hilfe des Programmes EN<strong>VI</strong> 4.6 38 angepasst, so dass die<br />
Wellenlängenbereiche der Bänder von Bildszene und Feldspektren übereinstimmen.<br />
Abbildung 6-7 Erstellte Endmember aus den gemessenen Feldspektren<br />
(EIGENE DARSTELLUNG 2009)<br />
Für die Bearbeitung des Themas wurden nur die Spektrometeraufnahmen benutzt, welche<br />
am Überflugtag und an den Tagen davor und danach gemessen wurden. Den einzelnen<br />
Referenzflächen wurden Biotoptypen und Pflanzengesellschaften zugeordnet (siehe Anhang<br />
A.2). Die Feldspektren der Flächen mit dem gleichem Biotoptyp und der gleichen<br />
Pflanzengesellschaft wurden mit dem Programm SAMS 39 zu einem Referenzspektrum<br />
gemittelt und anschließend mit dem Savitzky-Golay-Filter mit einem Polynom 2. Ordnung<br />
geglättet (SA<strong>VI</strong>TZKY & GOLAY 1964) (vgl. Kapitel 6.1.1.2).<br />
Insgesamt flossen acht Endmember in die Klassifikation mit ein (siehe Abbildung 6-7).<br />
6.3.2 Endmember aus Bildspektren<br />
Im Gegensatz zur Auswahl von Endmembern aus Labor- und Feldspektren, liegt der Vorteil<br />
bei der Auswahl von Endmemberspektren aus einem Bild darin, dass diese unter ähnlichen<br />
atmosphärischen Bedingungen gesammelt werden (VAN DER MER & DE JONG 2000).<br />
38 EN<strong>VI</strong> 4.6 – Environment for Visualizing Images Version 4.6<br />
39 SAMS – Spectral Analysis and Management System<br />
34
Methode<br />
_____________________________________________________________________________________________________<br />
Für die Ableitung der Endmember aus den Bildspektren wurden zwei Möglichkeiten<br />
betrachtet. Zum einem kann man den Pixel Purity Index (PPI) benutzen. Diese<br />
automatisierte Methode wurde von SMITH et al. (1995) entwickelt. Dabei werden die spektral<br />
reinsten Pixel in einer Bildszene bestimmt. Nach einer bestimmten Anzahl an<br />
Rechenwiederholungen wird ein einzelnes PPI-Image erzeugt, in dem jedes Pixel einen Wert<br />
beinhaltet, der der Anzahl der Male entspricht, die ein Pixel als extrem aufgezeichnet wurde<br />
(JOLLINEAU, HOWARTH, 2008). Das hellste Pixel im Bild sollte somit einen reinen Endmember<br />
repräsentieren.<br />
Abbildung 6-8 Erstellte Endmember aus den Bildspektren<br />
(EIGENE DARSTELLUNG 2009)<br />
Auf die Verwendung des PPI wurde in dieser Arbeit verzichtet, da hauptsächlich offene<br />
Böden als reinste Pixel detektiert wurden.<br />
Die zweite Möglichkeit war die manuelle Ableitung der Endmember aus dem Bild. Da die<br />
Testflächen im Gelände mit GPS-Koordinaten aufgenommen wurden, ist eine relativ genaue<br />
Verortung der Flächen im Bild möglich. Mit einem RMS-Fehler von 1,6 Pixeln (vgl. Kapitel<br />
6.1.2) war es nötig, die benachbarten Pixel in die Endmembersuche mit einzubeziehen. In<br />
einem Umkreis von je einem Pixel in alle Richtungen wurden die Bildspektren mit den<br />
gemessenen Feldspektren verglichen und nach der größten Ähnlichkeit ausgewählt.<br />
Abbildung 6-8 stellt die gesammelten Bildendmember dar.<br />
6.4 Bilden von Ableitungen<br />
In der hyperspektralen Fernerkundung wird häufig mit Ableitungen gearbeitet, da<br />
Ableitungen zweiter und höherer Ordnung relativ unempfindlich gegenüber<br />
Beleuchtungsschwankungen sind (WANG et al. 1998). Außerdem können Ableitungen<br />
Hintergrundeffekte des Bodens reduzieren, da die meisten Hintergrundspektren des Bodens<br />
hauptsächlich im sichtbaren und nahen Infrarotbereich liegen.<br />
Als nachteilig wirkt sich die nicht zu unterschätzende Beeinflussung der Spektren durch die<br />
gasförmigen Absorptionsbanden der Atmosphäre aus. Daher müssen Bänder, die in diesen<br />
Banden liegen, vorab beseitigt werden, wenn man mit Hilfe von Ableitungen<br />
35
Methode<br />
_____________________________________________________________________________________________________<br />
Vegetationsinformationen extrahieren möchte. Da Ableitungen sich sehr empfindlich<br />
gegenüber Rauschen verhalten, ist der erste Schritt bei hyperspektralen<br />
Ableitungsprozessen die Rauschreduzierung sowie die Glättung (z.B. durch Savitzky-Golay-<br />
Filterung).<br />
Für die Berechnung der ersten, zweiten und dritten Ableitung wurden die ersten 20<br />
Komponenten der MNF-Transformation verwendet (vgl. Kapitel 6.2). Berechnet wurden die<br />
Ableitungen mit einem von der Humboldt-Universität <strong>Berlin</strong> programmiertem IDL 40 -Programm.<br />
6.5 Bilden der Maske<br />
Da in dieser Arbeit das Hauptaugenmerk auf die Klassifikation von Feuchtgebieten gelegt<br />
wurde, sind vorab alle anderen Biotoptypen ausmaskiert worden. Dabei wurde die Maske<br />
zum einen mit Hilfe der Klassifikationsergebnisse des Forschungsprojektes Sara’04 erstellt.<br />
Ausmaskiert wurden die Haupterfassungseinheiten (HEE) der Tabelle 6-1. Dazu wurde ein<br />
Resampling der Pixel von der QuickBird-Szene (0,6 x 0,6 m) auf die HyMap-Szene (4 x 4 m)<br />
durchgeführt.<br />
Tabelle 6-1 links: Ausmaskierte Haupterfassungeinheiten (HEE) aus der QuickBird-Szene, rechts: Ausmaskierte Biotoptypen<br />
der HEE 5 (Gras- und Staudenfluren) aus der HyMap-Szene (EIGENE DARSTELLUNG 2010)<br />
HEE Beschreibung Biotoptyp Beschreibung<br />
3<br />
Anthropogene Rohbodenstandorte und<br />
Ruderalfluren<br />
05111 Frischweiden, Fettweiden<br />
6 Zwergstrauchheiden und Nadelgebüsche 05113 Ruderale Wiesen<br />
7<br />
Laubgebüsche, Feldgehölze, Alleen,<br />
Baumreihen und Baumgruppen<br />
8 Wälder und Forsten<br />
9 Äcker<br />
10 Biotope der Grün- und Freiflächen<br />
11 Sonderbiotope<br />
12<br />
Bebaute Gebiete, Verkehrsanlagen und<br />
Sonderflächen<br />
Zum anderen wurden für die Biotoptypen trockener und frischer Bereiche der HEE 5 die im<br />
Projekt Sara-EnMap (vgl. Kapitel 1.1) gemessenen Feldspektren der in Tabelle 6-1<br />
aufgeführten Biotoptypen der Gras- und Staudenfluren für eine SAM-Klassifikation<br />
verwendet. Die Maske wurde dann mit diesen Ergebnissen ergänzt. Anhang K.2 zeigt die<br />
fertige Maske mit der HyMap-Szene im Hintergrund.<br />
40 IDL – Interactive Data Language<br />
36
Methode<br />
_____________________________________________________________________________________________________<br />
6.6 Klassifikation<br />
Ziel der Klassifikation soll die Erkennung von Feuchtgebieten mit Hilfe von Referenzspektren<br />
sein (vgl. Kapitel 1.2). Dafür wurden zwei Methoden ausgewählt, die für diese Aufgabe als<br />
geeignet erschienen. Ausgewählt wurden der Spectral Angle Mapper (SAM) und das Mixture<br />
Tuned Matched Filtering (MTMF). Dabei wurden beide Methoden sowohl auf die<br />
Feldspektren als auch auf die Bildspektren angewandt. Grund für die Wahl dieser beiden<br />
Verfahren wird in den folgenden Kapiteln 6.6.1 und 6.6.2 näher erläutert.<br />
6.6.1 Der Spectral Angle Mapper (SAM)<br />
6.6.1.1 Grundlagen<br />
Der SAM ist ein nicht wahrscheinlichkeitsbasierter Algorithmus (BECKER et al. 2007, KRUSE<br />
et al. 1993), welcher die unbekannten Pixelspektren der Bildszene mit vorab ausgewählten<br />
Endmembern aus Labor-, Feld- oder vom Bild abgeleiteten Spektren (vgl. Kapitel 6.3)<br />
vergleicht, indem er den spektralen Winkel berechnet (JOLLINEAU & HOWARTH 2008).<br />
Voraussetzung für die Verwendung des SAM ist eine korrektre Kalibrierung der Bilddaten<br />
und eine Korrigierung des Dunkelstroms (BRUNN 2006).<br />
Die absolute Anzahl spektraler Endmember, die in einem SAM-Ansatz benutzt werden<br />
dürfen, beläuft sich auf n + 1, wobei n der Anzahl der Bänder entspricht (VAN DER MEER<br />
1999).<br />
Abbildung 6-9 Abbildung 9 Vereinfachte<br />
zweidimensionale Darstellung der SAM-Methode<br />
(verändert nach KRUSE et al. 1994, RESEARCH SYSTEMS,<br />
INC. 2003)<br />
Bei dem spektralen Winkel handelt es sich um einen n-dimensionalen Winkel. Je kleiner der<br />
Winkel ist, desto höher ist die spektrale Ähnlichkeit zum Endmember (KRUSE et al. 1993).<br />
Dabei kann ein benutzerdefinierter Schwellenwert festgelegt werden, der angibt, wie groß ein<br />
Winkel zwischen dem unbekanntem Pixelspektrum und dem Endmemberspektrum sein darf,<br />
damit das entsprechende Pixel der Klasse zugeordnet wird. Abbildung 6-9 zeigt eine<br />
vereinfachte zweidimensionale Darstellung der SAM-Methode.<br />
Vorteil des Spectral Angle Mapper ist, dass sich bei Änderungen der Beleuchtungsverhältnisse<br />
durch Schatten, Steigung, Sonnenexposition, leichte Bewölkung etc. nur die<br />
37
Methode<br />
_____________________________________________________________________________________________________<br />
Größe des Vektors, nicht aber seine Richtung ändert. Des Weiteren ist es nicht vonnöten,<br />
dass alle Endmember in einem Bild identifiziert werden (LECKIE et al. 2005). Diese Vorteile<br />
waren ein Grund dafür, dass dieses Verfahren für die Bearbeitung des Themas gewählt<br />
wurde, da die Referenzspektren vor Ort gemessen wurden und somit die<br />
Beleuchtungsverhältnisse nicht kontinuierlich gleich waren. Zum anderen wurden nicht alle<br />
Endmember des Überflugstreifens erfasst.<br />
Nachteilig wirkt sich die Methode bei Klassen aus, die dieselbe Winkelausdehnung haben.<br />
Diese können dann nicht separiert werden. Ebenso werden Pixel, die außerhalb des<br />
angegebenen Schwellwertes liegen, nicht klassifiziert (JOLLINEAU & HOWARTH 2008).<br />
6.6.1.2 Vorgehen<br />
In einem ersten Schritt wurde die MNF-transformierte HyMap-Szene (vgl. Kapitel 6.2) ohne<br />
Angabe eines Schwellenwertes und mit den je 8 Endmembern der Feld- und Bildspektren mit<br />
dem Programm EN<strong>VI</strong> 4.6 klassifiziert. Dabei entstehen ein Klassifikationsbild und die<br />
dazugehörigen Ausgangsbilder, die sog. rule images, die für jedes Endmember die<br />
Winkeldifferenz der unbekannten Pixelwerte zum entsprechenden Endmember in Radiant als<br />
z-Wert enthalten. WANG et al. (1998) bezeichneten die entstandenen Ausgangsbilder als<br />
einen sogenannten Datenkubus mit der Anzahl der Bänder gleichbedeutend mit der Anzahl<br />
der Endmember, die für die Klassifikation verwendet wurden. Basierend auf eine<br />
Ähnlichkeitsdistanzanalyse unter den Referenzspektren wählt der Schwellenwert die<br />
Identifikation und Klassifikation der Pixel aus.<br />
Der hier verwendete benutzerdefinierte Schwellenwert wurde aus den Ausgangsbildern<br />
ermittelt. Dabei werden die Winkel der Testflächen aller Endmember aus jedem<br />
Ausgangsbild genommen. Für jeden Endmember werden der mittlere Winkel (α mean ), der<br />
Maximalwinkel (α max ), die erste (sd1) und die zweite Standardabweichung (sd2) aus den<br />
dazugehörigen Testflächen ermittelt.<br />
Der eigentliche Schwellenwert (α E ) wird dann aus der Hälfte der Differenz des minimalen<br />
Ähnlichkeitswinkels (β min ) der jeweiligen Klasse und des mittleren (α mean ) oder maximalen<br />
Winkels (α max ) der Klasse abgeleitet und auf den mittleren (α mean ) oder maximalen Winkel<br />
(α max ) und die erste (sd1) oder die zweite Standardabweichung (sd2) addiert (Gleichungen 6-<br />
2 bis 6-5) (verändert nach WANG et al. 1998).<br />
β min−αmean<br />
α Emean + 1sd<br />
= + αmean<br />
+ sd1<br />
(6-2)<br />
2<br />
β min−αmean<br />
α Emean + 2sd<br />
= + αmean<br />
+ sd 2<br />
(6-3)<br />
2<br />
β min−α<br />
max<br />
α E max+ 1sd<br />
= + α max+<br />
sd1<br />
(6-4)<br />
2<br />
β min−α<br />
max<br />
α E max+ 2sd<br />
= + α max+<br />
sd 2<br />
(6-5)<br />
2<br />
Mit den berechneten Schwellwerten wurde dann die eigentliche SAM-Klassifikation<br />
durchgeführt.<br />
Im zweiten Schritt wurde die oben erläuterte Vorgehensweise auf die abgeleitete Bildszene<br />
angewendet.<br />
38
Methode<br />
_____________________________________________________________________________________________________<br />
6.6.2 Mixture Tuned Matched Filtering (MTMF)<br />
6.6.2.1 Prinzip der Spektralen Entmischung<br />
Durch eine geringe geometrische Auflösung (VOSS, 2005) oder durch kleinflächig verteilte<br />
mosaikartige Oberflächenmaterialien kann es dazu kommen, dass in einem Pixel eine<br />
Kombination verschiedener Oberflächenkomponenten und demzufolge ihrer Signaturen<br />
vorhanden ist. Die Spektrale Entmischungsanalyse soll die einzelnen Komponenten und<br />
deren prozentuale Anteile an den jeweiligen Mischpixeln bestimmen. Dabei werden die<br />
relativen oder absoluten Anteile einer bestimmten Anzahl spektraler Komponenten<br />
berechnet, aus denen sich ein betrachteter Bildpunkt zusammensetzt (BRUNN, 2006). Zudem<br />
sollen Aussagen darüber getroffen werden, aus welchen Komponenten die abgebildete<br />
Oberfläche des Geländes besteht (ebd.). Es können demnach neben der qualitativen<br />
Erfassung auch quantitative Aussagen über den prozentualen Flächenanteil der jeweiligen<br />
Komponenten auf Pixelebene getätigt werden (siehe Abbildung 6-10). Als Ergebnis der<br />
Spektralen Entmischung entsteht ein neuer Bilddatensatz, bei dem jeder Kanal den relativen<br />
Anteil eines verwendeten Endmembers angibt.<br />
Abbildung 6-10 Lineares Mischungsmodell mit Bezug auf ein einzelnes Pixel,<br />
dass auf Wasser, Vegetation und Rohboden besteht (verändert nach JENSEN<br />
2005)<br />
Voraussetzung für eine Spektrale Entmischung ist das Vorhandensein von spektralen<br />
Signaturen, die die Oberflächenkomponenten möglichst unvermischt repräsentieren. Man<br />
spricht dabei von „reinen“ Signaturen oder Endmembern. Diese können auf verschiedene<br />
Weise wie z.B. im Labor, im Feld oder aus dem Bild bestimmt werden (vgl. Kapitel 6.3).<br />
Labor- und Feldspektren haben den Vorteil, dass sie ein tatsächlich reines Material<br />
darstellen. Da es sich aber um idealisierte Spektren handelt, ist es schwierig, diese auf eine<br />
Bildszene anzuwenden, die durch Strahlungseffekte in der Atmosphäre und durch die<br />
Atmosphärenkorrektur beeinflusst ist. Dem gegenüber geben Endmember aus der Bildszene<br />
die tatsächlichen Pixelspektren wieder. Diese werden allerdings nicht als „reine“<br />
Endmember, sondern als Mischpixel im Bild vorhanden sein.<br />
Für die Spektrale Entmischungsanalyse gibt es zwei Modelle, die lineare und die nicht<br />
lineare Entmischung. Bei der Verwendung von linearen Entmischungsmodellen darf das<br />
reflektierte Licht auf dem Weg zum Sensor nur von einem einzigen Oberflächenobjekt<br />
beeinflusst werden. Diese Annahme wird in der Praxis nur selten erfüllt (vgl. Kapitel 3.1). Ein<br />
39
Methode<br />
_____________________________________________________________________________________________________<br />
gängiges lineares Modell ist das Linear Spectral Unmixing (LSU) (SCHOWENGERDT, 2007).<br />
Bei diesem Verfahren müssen allerdings als Voraussetzung alle Endmember in einem Bild<br />
bekannt sein. Aufgrund der Vielfalt von möglichen Endmembern in dieser Arbeit und der<br />
nicht gegebenen Voraussetzung, dass das Licht nur von einem einzigen Objekt beeinflusst<br />
wurde, wurde ein Mischungsmodell gewählt, was zum einen auf der Anwendung linearer<br />
Mischungsmodelle basiert, zum anderen aber die unterschiedlichen nicht linearen<br />
Phänomene statistisch berücksichtigt (BRUNN, 2006).<br />
6.6.2.2 Grundlagen des Mixture Tuned Matched Filtering<br />
Das Mixture Tuned Matched Filtering (MTMF) (BOARDMAN, 1998) ist ein Verfahren zur<br />
Spektralen Entmischung, und beinhaltet eine Mischung aus den Methoden Matched Filtering<br />
(MF) (GONZALES & WOODS 2001) und Linear Spectral Unmixing (LSU). Für eine Anwendung<br />
des MTMF müssen die Daten vollständig dekorreliert sein und das Rauschen muss einer<br />
Normalverteilung entsprechen. Diese Voraussetzungen erreicht man mit der in Kapitel 6.2<br />
beschriebenen MNF-Transformation. Vorteil der MTMF-Methode gegenüber der LSU-<br />
Methode ist, dass nicht alle Mischungsbestandteile bekannt sein müssen.<br />
Beim Matched Filtering wird das Signal eines bestimmten Endmembers maximiert, während<br />
die Signale des gemischten Hintergrundes unterdrückt werden. Dabei wird der sogenannte<br />
MF-Zähler (MF-Score) bestimmt. Dieser bestimmt den relativen Ähnlichkeitsgrad des<br />
Bildpixels zum Referenzspektrum, bei dem ein Wert von 1.0 eine exakte Übereinstimmung<br />
bedeutet (ITT 2007). Da nach BOARDMAN (1998) die Fehleralarmhäufigkeit bei dieser<br />
Anwendung sehr hoch ist, wurde es mit den Methoden der Linearen Spektralen Entmischung<br />
kombiniert.<br />
Abbildung 6-11 Verfahren des MTMF (verändert nach ITT 2007)<br />
Das MTMF behandelt jeden Endmember unabhängig voneinander und modelliert die Pixel<br />
als ein Mischung aus dem Endmember und einem undefiniertem Hintergrundmaterial<br />
(ANDREW & USTIN 2008) (siehe Abbildung 6-11).<br />
Als Ergebnis liefert der Algorithmus für jeden Endmember je zwei Bildkanäle. In einem Kanal<br />
befindet sich der relative Anteil des Endmembers am Bildpunkt („MF score“). Der zweite<br />
Kanal drückt die der Auswertung zu Grunde liegende Unsicherheit („infeasibility“) aus. Beide<br />
Kanäle werden in einem zweidimensionalen Koordinatensystem dargestellt. Pixel mit dem<br />
höchsten Wert für den relativen Anteil und dem niedrigsten Wert für die Unsicherheit werden<br />
als Endmember oder als Klasse definiert (ITT, 2007).<br />
40
Methode<br />
_____________________________________________________________________________________________________<br />
6.6.2.3 Vorgehen<br />
Für diese Arbeit wurde die MTMF-Methode mit den ersten 20 Komponenten der MNF-<br />
Transformation der HyMap-Szene durchgeführt (vgl. Kapitel 6.2). Dabei wurde je eine<br />
Klassifikation mit den Feld- und mit den Bildspektren vorgenommen. Die jeweiligen<br />
Klassenpixel wurden mit Hilfe eines zweidimensionalen Koordinatensystems mit dem „MF<br />
Score“ als x-Achse und der „Infeasibility“ als y-Achse und den Bedingungen von hohen „MF<br />
Score-Werten“ und niedrigen „Infeasibility“-Werten in Kapitel 6.6.2.2 bestimmt. Wurden die<br />
jeweiligen Pixel ausgewählt, dann entspricht der „MF Score“ mit einer Spanne von 0 bis 1.0<br />
einem prozentualen Endmemberfüllanteil von 0 bis 100% (ITT 2007).<br />
6.7 Genauigkeitsanalyse<br />
Um die Qualität der Klassifikationsergebnisse zu überprüfen und um eine Vergleichbarkeit<br />
unter den Ergebnissen herzustellen, wurde eine Genauigkeitsanalyse durchgeführt. Eine in<br />
der Fernerkundung häufig verwendete Methode ist die der Konfusionsmatrizen (STORY &<br />
CONGALTON 1986). Dabei werden die Klassifikationsergebnisse (Zeilen) und die<br />
Validierungsdaten (Spalten) in eine Matrix gebracht. Die Gesamtgenauigkeit entspricht der<br />
Summe der Hauptdiagonalen der Konfusionsmatrix dividiert durch die Gesamtzahl aller<br />
Vergleichsobjekte. Zwei Parameter sind von Interesse. Zum einen beschreibt die Producer’s<br />
Accuracy den Fehler des Ausschlusses und damit die Untererfassung von Objekten. Das<br />
bedeutet, dass ermittelt wird, zu wie viel Prozent die Objekte im Bild richtig klassifiziert<br />
wurden. Zum anderen beschreibt die User’s Accuracy den Fehler des Einschlusses und<br />
damit die Übererfassung von Objekten (ebd.). Das heißt, ob alle im Ergebnis zugeordneten<br />
Daten auch wirklich dieser Klasse angehören.<br />
Tabelle 6-2 Bewertung des Kappa-Koeffizienten<br />
(übersetzt nach ORTIZ et al. 1997, S. 98)<br />
K-Wert<br />
Qualität<br />
< 0,0 Sehr schlecht<br />
0,0 bis 0,2 Schlecht<br />
0,2 bis 0,4 Akzeptabel<br />
0,4 bis 0,6 Gut<br />
0,6 bis 0,8 Sehr Gut<br />
0,8 bis 1,0 Ausgezeichnet<br />
Neben der Ermittlung der Gesamtgenauigkeit ist es von Vorteil die Genauigkeit mit Kappa zu<br />
erfassen (vgl. CONGALTON 1981; CONGALTON et al. 1983). Bei der Kappa-Analyse werden<br />
alle Elemente der Konfusionsmatrix in die Berechnung mit einbezogen. Aus der Differenz<br />
zwischen tatsächlicher Übereinstimmung der Klassifikationsergebnisse mit den<br />
Vergleichsobjekten und zufälliger Übereinstimmung von zufällig verteilten Klassen mit den<br />
Vergleichsobjekten ergibt sich dann der Wert (vgl. JENSEN 2005; CONGALTON & GREEN 1999;<br />
ROSENFIELD & FITZPATRICK-LINS 1986).<br />
41
Methode<br />
_____________________________________________________________________________________________________<br />
Die Qualität des Kappa-Koeffizienten wurde nach ORTIZ et al. (1997) bewertet (vgl. Tabelle<br />
6-2).<br />
Für die Genauigkeitsanalyse in dieser Arbeit wurden Vergleichspunkte im Feld im Ferbitzer<br />
Bruch und in der Umgebung des Großen Grabens genommen (vgl. Kapitel 4.1.2). Diese<br />
wurden mit Hilfe der im Jahr 2000 terrestrisch erstellten Kartierung der geschützten Biotope<br />
nach §32 BrbNatSchG (vgl. Kapitel 4.3) nochmals überprüft. Da es trotz Georeferenzierung<br />
(vgl. Kapitel 6.1.2) zu Lageungenauigkeiten von durchschnittlich 1,6 Pixeln kommen kann,<br />
wurde um die Vergleichspunkte eine Pufferung von sechs Metern vorgenommen (siehe<br />
Abbildung 6-12).<br />
Abbildung 6-12 Darstellung der 6 m – Pufferung um einen<br />
Kontrollpunkt mit einem Beispiel der Klassenvergabe<br />
(EIGENE DARSTELLUNG 2010)<br />
Für die dafür entstandenen Flächen wurde die Klassen bei der SAM-Klassifikation wie folgt<br />
vergeben. Befindet sich in der Fläche eine des Vergleichspunktes übereinstimmende Klasse,<br />
so wird die Fläche als selbige klassifiziert betrachtet. Flächen, die keine übereinstimmende<br />
Klasse enthalten, werden der Klasse mit der Mehrheit im Puffer zugeordnet (siehe<br />
Abbildung 6-12).<br />
Bei der MTMF-Klassifikation wird die Verteilung der Klassen im Puffer in einer etwas<br />
veränderten Form vergeben. Dabei erhält der Puffer die Klasse mit dem größten<br />
Endmemberfüllanteil (vgl. Kapitel 6.6.2.3).<br />
42
Ergebnisse<br />
_____________________________________________________________________________________________________<br />
7 Ergebnisse<br />
In diesem Kapitel werden die Ergebnisse der Arbeit vorgestellt. Sie werden nach der Art der<br />
angewandten Methode nacheinander aufgeführt. Die einzelnen Methoden werden dann noch<br />
einmal getrennt nach Bild- und Feldendmembern. Kapitel 7.1 beschäftigt sich mit den<br />
Ergebnissen der Genauigkeitsanalyse der SAM-Methode zum einen mit der MNFtransformierten<br />
HyMap-Szene (Kapitel 7.1.1) und zum anderen mit den ersten drei<br />
Ableitungen (Kapitel 7.1.2 bis 7.1.3). Im Kapitel 7.2 werden die Ergebnisse der<br />
Klassifikationsmethode des Mixture Tuned Matched Filtering (MTMF) mit Bild- und<br />
Feldendmembern vorgestellt.<br />
7.1 Der Spectral Angle Mapper<br />
7.1.1 SAM mit der MNF-transformierten HyMap-Szene<br />
7.1.1.1 Feldspektren<br />
Die höchste Gesamtgenauigkeit (Overall Accuracy und Kappa) wurde bei den<br />
Klassifikationen mit mittleren und maximalen Winkeln bei der Addition von einer oder zwei<br />
Standardabweichungen erreicht. Die Ergebnisse der Klassifikationen mit den<br />
Schwellenwerten α Emean+1sd , α Emean+2sd , α Emax+1sd und α Emax+2sd (siehe Gleichungen 6-2 bis 6-5)<br />
unterscheiden sich untereinander gar nicht. Wenn man diese weiterhin kontinuierlich steigert,<br />
ändert sich das Ergebnis nicht. Selbst bei einem manuellen Verstellen von Winkeln einzelner<br />
Endmember verändert sich das Klassifikationsergebnis nur geringfügig.<br />
In Tabelle 7-1 wird die Konfusionsmatrix des Schwellenwerts α Emean+1sd als Beispiel für alle<br />
oben genannten Schwellenwerte vorgestellt. Die dazugehörige Klassifikationskarte befindet<br />
sich im Anhang K.3). Die Konfusionsmatrizen aller verwendeter Schwellenwerte befinden<br />
sich in den Anhängen A.24 bis A.29.<br />
Tabelle 7-1 Konfusionsmatrix der SAM-Klassifikation mit der MNF-transformierten HyMap-Szene mit dem Schwellenwert<br />
αEmean+1sd<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA + UA)/2<br />
Unklassifiziert 0 88 3 3 2 3 10 0 0 11 120 1,00 0,73 0,87<br />
04511_PHR_PHR 1 0 10 0 2 0 1 0 3 2 18 0,59 0,56 0,57<br />
04514_CAR_PHA 2 0 0 6 3 0 0 0 0 0 9 0,40 0,67 0,53<br />
05101_CAR_XAP 3 0 0 3 4 3 3 0 0 2 15 0,36 0,27 0,32<br />
05101_CAR_XGR 4 0 0 0 0 0 0 0 0 1 1 0,00 0,00 0,00<br />
05102_MOL_MOL 5 0 1 1 0 0 15 0 0 3 20 0,45 0,75 0,60<br />
05103_CAL_XXX 6 0 2 2 0 7 1 24 0 1 37 0,96 0,65 0,80<br />
051311_PHR_PHR 7 0 1 0 0 0 0 1 6 1 9 0,67 0,67 0,67<br />
05101_CAR_XAC 8 0 0 0 0 0 3 0 0 9 12 0,30 0,75 0,53<br />
Overall Acc. 0,672<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,575<br />
43
Ergebnisse<br />
_____________________________________________________________________________________________________<br />
Die Klasse 05101_CAR_XGR (vgl. Kapitel 5.2) wurde nicht erkannt oder als eine andere<br />
Gesellschaft klassifiziert, hauptsächlich als die Gesellschaft 05103_CAL_XXX und des<br />
05101_CAR_XAP.<br />
Abbildung 7-1 Mittlere Winkel der Endmember pro Klasse aus dem Regelbild der SAM-Klassifikation mit Feldspektren und<br />
der MNF-transformierten HyMap-Szene (EIGENE DARSTELLUNG 2010)<br />
In Abbildung 7-1 sind die mittleren Winkel der Endmember pro Klasse aus dem jeweiligen<br />
Regelbild der SAM-Klassifikation dargestellt. In dieser Darstellung ist zu erkennen, dass die<br />
Klassen 04511_PHR_PHR, 04514_CAR_PHA, 05102_MOL_MOL, 05103_CAL_XXX und<br />
051311_PHR_PHR relativ gut unterschieden werden können, da die Winkel im jeweiligen<br />
Regelbild kleiner als die der anderen Endmember sind. Sehr gute Ergebnisse dabei erzielte<br />
die Klasse 05103_CAL_XXX mit einer durchschnittlichen Genauigkeit von 80% (PA 96%, UA<br />
65%). Dabei wurden 24 von 25 Kontrollpunkten richtig erkannt. Dreizehn Kontrollpunkte<br />
anderer Endmember wurden dieser Klasse falsch zugeordnet, davon 7 in die Klasse<br />
05101_CAR_XGR. Beim Schwellenwert α Emean erzielte Klasse 05103_CAL_XXX mit einer<br />
Gesamtgenauigkeit von 91% sein genauestes Ergebnis, da bei einem kleineren Winkel nur<br />
vier andere Kontrollpunkte dieser Klasse zugeordnet wurden.<br />
Die Klasse 05102_MOL_MOL hat eine durchschnittliche Genauigkeit von 60% (PA 45%, UA<br />
75%). Dabei wurden 15 von 33 Kontrollflächen richtig klassifiziert. Zehn Flächen blieben<br />
unklassifiziert.<br />
7.1.1.2 Bildspektren<br />
Bei der SAM-Klassifikation mit der MNF-transformierten HyMap-Szene mit Hilfe von<br />
Bildspektren wurden die höchsten Werte (OA 77,6%, Kappa 0,72) mit dem Schwellenwert<br />
α Emean+1sd erreicht (siehe Anhang K.4) (siehe Tabelle 7-2).<br />
44
Ergebnisse<br />
_____________________________________________________________________________________________________<br />
Tabelle 7-2 Konfusionsmatrix der SAM-Klassifikation mit der MNF-transformierten HyMap-Szene mit dem Schwellenwert α E<br />
mean + 1 sd<br />
Referenzdaten<br />
Producer's User's (PA +<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy UA)/2<br />
Unklassifiziert 0 88 1 4 2 0 0 0 0 0 95 1,00 0,93 0,96<br />
04511_PHR_PHR 1 0 14 0 3 4 0 1 0 3 25 0,82 0,56 0,69<br />
04514_CAR_PHA 2 0 0 3 0 1 0 1 0 0 5 0,20 0,60 0,40<br />
05101_CAR_XAC 3 0 0 0 20 0 0 9 0 0 29 0,67 0,69 0,68<br />
05101_CAR_XAP 4 0 0 0 1 6 1 6 0 0 14 0,55 0,43 0,49<br />
05101_CAR_XGR 5 0 2 8 2 0 11 0 0 0 23 0,85 0,48 0,66<br />
05102_MOL_MOL 6 0 0 0 0 0 0 16 0 0 16 0,48 1,00 0,74<br />
05103_CAL_XXX 7 0 0 0 0 0 1 0 23 0 24 0,92 0,96 0,94<br />
051311_PHR_PHR 8 0 0 0 2 0 0 0 2 6 10 0,67 0,60 0,63<br />
Overall Acc. 0,776<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,721<br />
In Abbildung 7-2 sind die durchschnittlichen Winkelgrößen der Endmember pro Regelbild<br />
dargestellt. Im Gegensatz zu den Winkelgrößen der Feldspektren, haben hier die<br />
Endmember immer geringere Winkel in ihrem jeweiligen Regelbild als die anderen.<br />
Abbildung 7-2 Mittlere Winkel der Endmember pro Klasse aus dem Regelbild der SAM-Klassifikation mit Bildspektren und<br />
der MNF-transformierten HyMap-Szene (EIGENE DARSTELLUNG 2010)<br />
Dennoch gibt es bei den Klassen 04514_CAR_PHA und 05101_CAR_XAP<br />
Fehlklassifikationen mit anderen Klassen. Die Genauigkeiten liegen hier bei unter 50%.<br />
Die Klasse 05103_CAL_XXX erreichte von allen Endmembern die höchste Genauigkeit von<br />
durchschnittlich 94%. Von 25 Kontrollpunkten wurden 23 Punkte richtig klassifiziert und nur<br />
ein Punkt einer anderen Klasse wurde dieser Gesellschaft zugeordnet (siehe Tabelle 7-2).<br />
Die Klasse 05102_MOL_MOL hat mit 74% die zweithöchsten Genauigkeitswerte erreicht.<br />
Fehlklassifikationen kamen mit den Klassen 05101_CAR_XAC und 05101_CAR_XAP auf<br />
der unregelmäßig genutzten Pfeifengraswiese, die aus bultig wachsenden Horsten besteht,<br />
zustande (vgl. Kapitel 8.1.1).<br />
45
Ergebnisse<br />
_____________________________________________________________________________________________________<br />
Die Konfusionsmatrizen befinden sich in den Anhängen A.30 und A.35.<br />
7.1.2 SAM mit der ersten Ableitung der MNF-transformierten HyMap-Szene<br />
7.1.2.1 Feldspektren<br />
Die Klassifikation mit der ersten Ableitung der MNF-transformierten HyMap-Szene erbrachte<br />
im Gegensatz zu den Ergebnissen der MNF-Transformation ungenauere Ergebnisse. Die<br />
größte Gesamtgenauigkeit wurde mit einer Overall Accuracy von 61% (Kappa 0,52) mit dem<br />
Schwellenwert α Emax+2sd erreicht. Allerdings kam die Klassifikation mit dem Schwellenwert<br />
α Emean+2sd auf genauere Einzelergebnisse der Endmember, weshalb dieses Ergebnis dem<br />
anderen bevorzugt betrachtet wurde (siehe Tabelle 7-3) (siehe Anhang K.5). In Abbildung 7-<br />
3 ist zu erkennen, dass die Klasse 05103_CAL_XXX nahezu in allen Regelbildern die<br />
geringsten Winkelwerte aufweist. Dies führte zu einer Überrepräsentation dieser Klasse. Aus<br />
diesem Grunde wurden die erste und die zweite Standardabweichung nicht auf die Maximalund<br />
mittleren Winkel aufaddiert, sondern jeweils von diesen subtrahiert. Dies konnte die<br />
Dominanz dieses Endmembers verringern.<br />
Tabelle 7-3 Konfusionsmatrix der SAM-Klassifikation mit der ersten Ableitung der MNF-transformatierten HyMap-Szene mit<br />
dem Schwellenwert α E mean + 2 sd<br />
Referenzdaten Producer's User's<br />
(PA + UA)/2<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
Unklassifiziert 0 88 1 2 0 0 0 0 0 0 91 1,00 0,97 0,98<br />
04511_PHR_PHR 1 0 3 0 0 0 0 0 0 0 3 0,18 1,00 0,59<br />
04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAP 3 0 11 3 8 0 10 0 1 11 44 0,73 0,18 0,45<br />
05101_CAR_XGR 4 0 2 7 3 13 5 2 3 16 51 1,00 0,25 0,63<br />
05102_MOL_MOL 5 0 0 0 0 0 6 0 0 0 6 0,18 1,00 0,59<br />
05103_CAL_XXX 6 0 0 3 0 0 12 23 0 3 41 0,92 0,56 0,74<br />
051311_PHR_PHR 7 0 0 0 0 0 0 0 5 0 5 0,56 1,00 0,78<br />
05101_CAR_XAC 8 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
Overall Acc. 0,606<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,519<br />
Betrachtet man die Producer’s und User’s Accuracy der einzelnen Endmember, so ist zu<br />
erkennen, dass sie untereinander große Werteunterschiede besitzen, insbesondere bei den<br />
Klassen 04511_PHR_PHR, 05101_CAR_XAP, 05101_CAR_XGR und 05102_MOL_MOL<br />
(siehe Tabelle 7-3). Klasse 04511_PHR_PHR besitzt eine UA von 100%, d. h., dass keine<br />
Kontrollpunkte anderer Endmember diesem Endmember zugeordnet wurden. Allerdings<br />
wurden nur drei von 17 Kontrollpunkten richtig klassifiziert, was eine Unterrepräsentation<br />
dieses Endmembers darstellt. Gleiches gilt für 05102_MOL_MOL. Bei Klasse<br />
05101_CAR_XGR verhält es sich genau in umgekehrter Weise. Alle 13 Kontrollpunkte<br />
werden richtig erkannt (PA 100%), 38 weitere Punkte anderer Klassen werden der Klasse<br />
05101_CAR_XGR zugeordnet (UA 25%).<br />
46
Ergebnisse<br />
_____________________________________________________________________________________________________<br />
Abbildung 7-3 Mittlere Winkel der Endmember pro Klasse aus dem Regelbild der SAM-Klassifikation mit Feldspektren<br />
und der ersten Ableitung der MNF-transformierten HyMap-Szene (EIGENE DARSTELLUNG 2010)<br />
Die Konfusionsmatrizen aller Schwellenwerte befinden sich in den Anhängen A.36 bis A.41.<br />
7.1.2.2 Bildspektren<br />
Die SAM-Klassifikation mit Hilfe der ersten Ableitung und aus dem Bild abgeleiteten<br />
Endmembern erlangte die genauesten Ergebnisse. Dabei erreichte die Klassifikation mit dem<br />
Schwellenwert α Emax+1sd das höchste Ergebnis mit 82,6% (Kappa 0,78) (siehe Anhang A.45).<br />
Betrachtet man die Genauigkeiten der einzelnen Endmember, so hat die Klassifikation mit<br />
dem Schwellenwert α Emean+1sd genauere Ergebnisse (siehe Tabelle 7-4, siehe Anhang K.6).<br />
Tabelle 7-4 Konfusionsmatrix der SAM-Klassifikation mit der ersten Ableitung der MNF-transformatierten HyMap-Szene mit<br />
dem Schwellenwert α E mean + 1 sd<br />
Referenzdaten Producer's User's<br />
(PA + UA)/2<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
Unklassifiziert 0 88 4 4 2 1 1 0 0 0 100 1,00 0,88 0,94<br />
04511_PHR_PHR 1 0 13 0 4 3 0 0 0 4 24 0,76 0,54 0,65<br />
04514_CAR_PHA 2 0 0 9 2 0 0 1 0 0 12 0,60 0,75 0,68<br />
05101_CAR_XAC 3 0 0 0 15 0 1 8 0 0 24 0,50 0,63 0,56<br />
05101_CAR_XAP 4 0 0 0 3 7 0 1 0 0 11 0,64 0,64 0,64<br />
05101_CAR_XGR 5 0 0 1 1 0 11 0 0 0 13 0,85 0,85 0,85<br />
05102_MOL_MOL 6 0 0 1 2 0 0 23 0 0 26 0,70 0,88 0,79<br />
05103_CAL_XXX 7 0 0 0 0 0 0 0 23 0 23 0,92 1,00 0,96<br />
051311_PHR_PHR 8 0 0 0 1 0 0 0 2 5 8 0,56 0,63 0,59<br />
Overall Acc. 0,805<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,755<br />
47
Ergebnisse<br />
_____________________________________________________________________________________________________<br />
Im Allgemeinen halten sich die Genauigkeiten von Producer’s und User’s Accuracy ungefähr<br />
im Gleichgewicht. In Abbildung 7-4 ist zu erkennen, dass alle Winkel in ihren Regelbildern<br />
kleinere Werte haben als die der anderen Endmember.<br />
Abbildung 7-4 Mittlere Winkel der Endmember pro Klasse aus dem Regelbild der SAM-Klassifikation mit Bildspektren<br />
und der ersten Ableitung der MNF-transformierten HyMap-Szene (EIGENE DARSTELLUNG 2010)<br />
Mit einer Gesamtgenauigkeit von 96% (PA 92%; UA 100%) konnte die Klasse<br />
05103_CAL_XXX am besten von den anderen Endmembern getrennt werden. Nur zwei der<br />
25 Kontrollpunkte wurden in eine andere Klasse gebracht (Klasse 051311_PHR_PHR).<br />
Diese Kontrollpunkte lagen im Übergangsbereich von Calthion Tx. 1937 als nährstoffreiche<br />
Feuchtwiese ins Phragmitetum australis (Gams 1927) Schmale 1939 als vom Schilf<br />
dominierte Grünlandbrache (siehe Abbildung 7-5).<br />
Die Klasse 05101_CAR_XGR hat eine Gesamtgenauigkeit von 85% erreicht und damit auch<br />
ihr höchstes Ergebnis von allen Klassifikationen sowohl mit den Ableitungen als auch mit der<br />
MNF-transformierten Bildszene. Von 13 Kontrollflächen wurde 11 richtig klassifiziert (PA<br />
85%). Nur zwei Kontrollpunkte anderer Klassen wurden als diese Klasse erkannt (UA 85%).<br />
Die Klasse 05102_MOL_MOL hat die dritthöchste Gesamtgenauigkeit von 79% erreicht.<br />
Acht der Kontrollflächen wurden im Bereich der unregelmäßig genutzten Pfeifengraswiese<br />
als Klasse 05101_CAR_XAC klassifiziert. Bei einer Klassifikation mit einem Schwellenwert<br />
von α Emax+1sd wird dieses Ergebnis auf 83% verbessert, da vier der zuvor fehlklassifizierten<br />
Kontrollpunkte als richtige Klasse erkannt wurden.<br />
48
Ergebnisse<br />
_____________________________________________________________________________________________________<br />
Abbildung 7-5 Kontrollpunkte der Klasse 05103_CAL_XXX; grün: als<br />
05103_CAL_XXX klassifiziert; blau: als 051311_PHR_PHR klassifiziert (EIGENE<br />
DARSTELLUNG 2010)<br />
Die anderen Endmember liegen in Genauigkeitsbereichen zwischen 50% und 70% (siehe<br />
Tabelle 7-4).<br />
Die Konfusionsmatrizen befinden sich in den Anhängen A.42 bis A.47.<br />
7.1.3 SAM mit der zweiten und der dritten Ableitung der MNF-transformierten HyMap-<br />
Szene<br />
7.1.3.1 Feldspektren<br />
Bei der Klassifikation mit der zweiten und der dritten Ableitung der MNF-transformierten<br />
HyMap-Szene mit Hilfe von Feldspektren als Endmember wurden Gesamtgenauigkeiten von<br />
um die 60% (Kappa um die 0,5) erreicht. Betrachtet man die einzelnen Ergebnisse der<br />
Endmember und vergleicht man Producer’s und User’s Accuracy, dann spiegelt der Wert der<br />
Gesamtgenauigkeit nicht das reale Ergebnis wider (siehe Tabelle 7-5).<br />
Tabelle 7-5 Konfusionsmatrix der SAM-Klassifikation mit der zweiten Ableitung der MNF-transformatierten HyMap-Szene mit<br />
dem Schwellenwert α E mean + 2 sd<br />
Referenzdaten Producer's User's<br />
(PA + UA)/2<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
Unklassifiziert 0 88 1 2 0 0 1 0 0 1 93 1,00 0,95 0,97<br />
04511_PHR_PHR 1 0 3 0 0 0 0 0 0 0 3 0,18 1,00 0,59<br />
04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAP 3 0 3 0 2 0 0 0 0 0 5 0,18 0,40 0,29<br />
05101_CAR_XGR 4 0 9 12 9 13 8 11 8 26 96 1,00 0,14 0,57<br />
05102_MOL_MOL 5 0 0 0 0 0 1 0 0 0 1 0,03 1,00 0,52<br />
05103_CAL_XXX 6 0 1 1 0 0 19 14 0 1 36 0,56 0,39 0,47<br />
051311_PHR_PHR 7 0 0 0 0 0 0 0 1 0 1 0,11 1,00 0,56<br />
05101_CAR_XAC 8 0 0 0 0 0 4 0 0 2 6 0,07 0,33 0,20<br />
Overall Acc. 0,606<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,519<br />
49
Ergebnisse<br />
_____________________________________________________________________________________________________<br />
Als erläuterndes Beispiel wird der Endmember 05101_CAR_XGR und 05102_MOL_MOL<br />
aus Tabelle 7-5 benutzt. Bei der Klasse 05101_CAR_XGR wurden alle 13 Kontrollpunkte der<br />
richtigen Klasse zugeordnet (PA 100%). Bei der User’s Accuracy wurden nur 14% erreicht,<br />
da 83 Fehlklassifikationen anderer Klassen in diese Klasse stattfanden. Die Klasse<br />
05101_CAR_XGR ist bei der Klassifikation mit der zweiten und dritten Ableitung bei allen<br />
Schwellenwerten stark überrepräsentiert. Im Gegensatz dazu ist das Klasse<br />
05102_MOL_MOL stark unterrepräsentiert. Von 33 Kontrollpunkten wurde nur einer richtig<br />
klassifiziert (UA 3%). Die restlichen 32 Punkte wurden in drei andere Endmemberklassen<br />
geordnet, davon kamen 19 in die Klasse 05103_CAL_XXX und 8 in die Klasse<br />
05101_CAR_XGR.<br />
Die Konfusionsmatrizen aller Schwellenwerte befinden sich in den Anhängen A.48 und A.59.<br />
7.1.3.2 Bildspektren<br />
Wie schon bei der Klassifikation mit der ersten Ableitung der MNF-transformierten HyMap-<br />
Szene hat auch die zweite Ableitung mit Bildendmembern gute Ergebnisse (OA 81,7%,<br />
Kappa 0,77) erreicht (siehe Tabelle 7-6).<br />
Tabelle 7-6 Konfusionsmatrix der SAM-Klassifikation mit der zweiten Ableitung der MNF-transformatierten HyMap-Szene mit<br />
dem Schwellenwert α E mean + 2 sd<br />
Referenzdaten Producer's User's<br />
(PA + UA)/2<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
Unklassifiziert 0 88 1 2 0 1 0 0 0 0 92 1,00 0,96 0,98<br />
04511_PHR_PHR 1 0 14 1 4 3 0 0 0 4 26 0,82 0,54 0,68<br />
04514_CAR_PHA 2 0 2 10 3 0 3 0 0 0 18 0,67 0,56 0,61<br />
05101_CAR_XAC 3 0 0 0 11 0 0 2 0 0 13 0,37 0,85 0,61<br />
05101_CAR_XAP 4 0 0 0 9 7 0 0 0 0 16 0,64 0,44 0,54<br />
05101_CAR_XGR 5 0 0 1 0 0 9 0 0 0 10 0,69 0,90 0,80<br />
05102_MOL_MOL 6 0 0 1 2 0 0 30 0 0 33 0,91 0,91 0,91<br />
05103_CAL_XXX 7 0 0 0 0 0 1 1 23 0 25 0,92 0,92 0,92<br />
051311_PHR_PHR 8 0 0 0 1 0 0 0 2 5 8 0,56 0,63 0,59<br />
Overall Acc. 0,817<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,773<br />
Die höchsten Genauigkeiten haben die Klassen 05103_CAL_XXX (PA 92%, UA 92%), des<br />
05102_MOL_MOL (PA 91%, UA 91%) und 05101_CAR_XGR (PA 69%, UA 90%) erzielt.<br />
Alle anderen Endmember liegen in Genauigkeitsbereichen zwischen 50% und 70%.<br />
Die Konfusionsmatrizen aller Schwellenwerte befinden sich in den Anhängen A.60 bis A.65.<br />
50
Ergebnisse<br />
_____________________________________________________________________________________________________<br />
Bei der Klassifikation mit der dritten Ableitung wurden die höchsten Genauigkeitswerten bei<br />
einem Schwellenwert von α E mean + 1 sd erreicht (OA 76,8%, Kappa 0,71). Dabei hatten die<br />
Klassen 04511_PHR_PHR, 05102_MOL_MOL und 05103_CAL_XXX Genauigkeiten<br />
zwischen 70 und 85% (siehe Tabelle 7-7).<br />
Tabelle 7-7 Konfusionsmatrix der SAM-Klassifikation mit der dritten Ableitung der MNF-transformatierten HyMap-Szene mit<br />
dem Schwellenwert α E mean + 1 sd<br />
Referenzdaten Producer's User's<br />
(PA + UA)/2<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
Unklassifiziert 0 88 0 6 3 1 2 3 0 0 103 1,00 0,85 0,93<br />
04511_PHR_PHR 1 0 17 1 5 4 0 0 0 3 30 1,00 0,57 0,78<br />
04514_CAR_PHA 2 0 0 3 1 0 0 0 0 0 4 0,20 0,75 0,48<br />
05101_CAR_XAC 3 0 0 0 10 0 0 1 0 0 11 0,33 0,91 0,62<br />
05101_CAR_XAP 4 0 0 1 7 6 0 5 0 0 19 0,55 0,32 0,43<br />
05101_CAR_XGR 5 0 0 2 1 0 9 0 0 0 12 0,69 0,75 0,72<br />
05102_MOL_MOL 6 0 0 1 1 0 1 23 0 0 26 0,70 0,88 0,79<br />
05103_CAL_XXX 7 0 0 1 1 0 1 1 23 0 27 0,92 0,85 0,89<br />
051311_PHR_PHR 8 0 0 0 1 0 0 0 2 6 9 0,67 0,67 0,67<br />
Overall Acc. 0,768<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,707<br />
Die Ergebnisse aller Schwellenwerte befinden sich in den Anhängen A.66 bis A.71.<br />
7.2 Das Mixture Tuned Matched Filtering<br />
Bei dieser Methode wird den Pixeln ein prozentualer Anteil des Endmembers am Pixel<br />
zugeordnet (vgl. Kapitel 6.6.2). In dieser Arbeit werden vier Anteilsklassen nach Tabelle 7-8<br />
erstellt.<br />
Tabelle 7-8 Anteilsklassen der Endmember (EIGENE<br />
DARSTELLUNG 2010)<br />
Anteilsklasse prozentualer Anteil [%]<br />
1 10-30<br />
2 30-50<br />
3 50-75<br />
4 75-100<br />
Bei der Genauigkeitsanalyse wurde wie folgt vorgegangen. Endmember, die den größten<br />
Anteil am entsprechenden Pixel besitzen, werden als dieses Endmember klassifiziert (vgl.<br />
Kapitel 6.7). Anteile von unter 10% wurden nicht berücksichtigt.<br />
51
Ergebnisse<br />
_____________________________________________________________________________________________________<br />
7.2.1 Feldspektren<br />
Bei der Klassifikation mit dem Verfahren des MTMF und Feldspektren als Endmember<br />
ergaben sich Gesamtgenauigkeiten von 71,0% (Kappa 0,62). Aus Tabelle 7-9 ist zu<br />
erkennen, dass die Klassen 05101_CAR_XAP, 05102_MOL_MOL, 05103_CAL_XXX und<br />
051311_PHR_PHR die höchsten Gesamtgenauigkeiten haben.<br />
Tabelle 7-9 Konfusionsmatrix der MTMF-Klassifikation mit der MNF-transformierten HyMap-Szene und Feldendmembern<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA + UA)/2<br />
Unklassifiziert 0 88 2 9 2 12 8 0 0 7 128 1,00 0,69 0,84<br />
04511_PHR_PHR 1 0 14 5 1 0 0 0 4 5 29 0,82 0,48 0,65<br />
04514_CAR_PHA 2 0 0 0 0 0 0 1 0 1 2 0,00 0,00 0,00<br />
05101_CAR_XAP 3 0 0 1 8 1 0 1 0 1 12 0,73 0,67 0,70<br />
05101_CAR_XGR 4 0 0 0 0 0 1 0 0 2 3 0,00 0,00 0,00<br />
05102_MOL_MOL 5 0 1 0 0 0 24 0 0 5 30 0,73 0,80 0,76<br />
05103_CAL_XXX 6 0 0 0 0 0 0 23 0 0 23 0,92 1,00 0,96<br />
051311_PHR_PHR 7 0 0 0 0 0 0 0 5 0 5 0,56 1,00 0,78<br />
05101_CAR_XAC 8 0 0 0 0 0 0 0 0 9 9 0,30 1,00 0,65<br />
Overall Acc. 0,710<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,619<br />
Der Unterschied von Producer’s und User’s Accuracy beläuft sich bei diesen Klassen auf<br />
weniger als 50 Prozentpunkte.<br />
Mit einer durchschnittlichen Genauigkeit von 96% hat die Klasse 05103_CAL_XXX den<br />
höchsten Wert (PA 92%, UA 100%) erreicht. Die Klassen 04514_CAR_PHA und<br />
05101_CAR_XGR wurden gar nicht erkannt. Die Pflanzengesellschaft des Phragmitetum<br />
australis (Gams 1927) Schmale 1939 auf von Schilf dominierten Grünlandbrachen (Klasse<br />
051311_PHR_PHR) erlangte bei der User’s Accuracy 100%, bei der Producer’s Accuracy<br />
30%, da 21 von 30 Kontrollpunkten zu andere Klassen geordnet wurden.<br />
In den Anhängen K.7 bis K.10 befinden sich die dazugehörigen Karten der Klassen<br />
05101_CAR_XAP, 05102_MOL_MOL, 05103_CAL_XXX und 051311_PHR_PHR.<br />
7.2.2 Bildspektren<br />
Mit der Verwendung von Bildspektren als Endmember wurden Gesamtgenauigkeiten von<br />
83,8% (Kappa 0,78) erreicht (siehe Tabelle 7-10).<br />
Dabei lagen die höchsten Einzelgenauigkeiten bei den Klassen 05102_MOL_MOL, 7<br />
05103_CAL_XXX, 05101_CAR_XAC und 051311_PHR_PHR. Mit einer Genauigkeit von<br />
97% (PA 100%, UA 94%) hat die Klasse 05102_MOL_MOL das höchste Ergebnis von allen<br />
Endmembern erreicht. Die Klasse 04514_CAR_PHA hat mit einer Producer’s Accuracy von<br />
6% die geringsten Werte erlangt.<br />
52
Ergebnisse<br />
_____________________________________________________________________________________________________<br />
Tabelle 7-10 Konfusionsmatrix der MTMF-Klassifikation mit der MNF-transformierten HyMap-Szene und Bildendmember<br />
Referenzdaten Producer's User's (PA +<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy UA)/2<br />
Unklassifiziert 0 87 1 8 0 0 2 0 0 0 98 1,00 0,89 0,94<br />
04511_PHR_PHR 1 0 15 5 4 1 0 0 0 1 26 0,88 0,58 0,73<br />
04514_CAR_PHA 2 0 0 1 0 0 0 0 0 0 1 0,06 1,00 0,53<br />
05101_CAR_XAC 3 0 0 0 20 0 0 0 0 0 20 0,67 1,00 0,83<br />
05101_CAR_XAP 4 0 0 0 4 9 3 0 0 1 17 0,82 0,53 0,67<br />
05101_CAR_XGR 5 0 1 0 1 0 6 0 0 0 8 0,46 0,75 0,61<br />
05102_MOL_MOL 6 0 0 1 0 0 1 33 0 0 35 1,00 0,94 0,97<br />
05103_CAL_XXX 7 0 0 0 1 1 1 0 24 0 27 0,96 0,89 0,92<br />
051311_PHR_PHR 8 0 0 1 0 0 0 0 1 7 9 0,78 0,78 0,78<br />
Overall Acc. 0,838<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,780<br />
Die entsprechenden Klassifikationskarten der Klassen 05101_CAR_XAC,<br />
05102_MOL_MOL, 05103_CAL_XXX und 051311_PHR_PHR befinden sich in den<br />
Anhängen K.11 bis K.14.<br />
53
Diskussion<br />
_____________________________________________________________________________________________________<br />
8 Diskussion<br />
In diesem Kapitel sollen die in Kapitel 7 vorgestellten Ergebnisse näher beleuchtet und<br />
mögliche Gründe für die Qualität der Resultate aufgezeigt werden. Dabei beschäftigt sich<br />
das Kapitel 8.1 mit den allgemeinen Ergebnissen der Vorprozessierung. Kapitel 8.2 und 8.3<br />
beleuchten die Ergebnisse der jeweiligen Klassifikationsmethode näher, während Kapitel 8.3<br />
beide Verfahren miteinander vergleicht.<br />
8.1 Allgemeines<br />
Die in dieser Arbeit verwendete HyMap-Szene wurde im August 2008 erstellt. In diesem<br />
Monat haben die meisten Pflanzengesellschaften ihre optimale Wachstumsphase bereits<br />
überschritten, da ein großer Teil der Blütenpflanzen bereits ihre Blühphase beendet hat. Zu<br />
prüfen wäre, ob die Phänologie der hier verwendeten Pflanzengesellschaften in einem<br />
anderen Monat größere Unterschiede aufweist und somit eine bessere Unterscheidbarkeit<br />
möglich wäre.<br />
Für die Bearbeitung der Aufgabenstellung ist eine sorgfältige Vorprozessierung der<br />
verwendeten Bildszene von großer Bedeutung. Probleme sind hierbei sowohl bei der<br />
geometrischen als auch bei der radiometrischen Korrektur aufgetreten.<br />
Die Georeferenzierung ergab einen RMS-Fehler von 1,6 Pixeln (vgl. Kapitel 6.1.2). Da die<br />
Kontrollflächen für die Genauigkeitsanalyse nur eine Größe von einem Quadratmeter hatten,<br />
ist es durchaus möglich, dass nicht genau das entsprechende Pixel beim Accuracy<br />
Assessment getroffen wurde. Es wurden zwar Puffer von 6 Metern um die Kontrollpunkte<br />
erstellt um somit die Treffsicherheit zu erhöhen (vgl. Kapitel 6.7). Ein Restfehlerrisiko bleibt<br />
dennoch bestehen.<br />
Die Atmosphärenkorrektur wurde am GFZ Potsdam durchgeführt (vgl. Kapitel 6.1.1). Sie<br />
lieferte keine zufrieden stellenden Ergebnisse, da die Feldspektren trotz Korrektur nicht<br />
optimal auf die Bildszene passten. Mit einem weiteren empirischen Korrekturverfahren<br />
konnte eine minimale Verbesserung der Angleichung der Feldspektren auf die Bildszene<br />
erreicht werden. Ein optimales Ergebnis wurde dennoch erreicht, was sich in den<br />
Ergebnissen der beiden Klassifikationsverfahren mit Hilfe der Feldspektren widerspiegelt.<br />
8.2 Spectral Angle Mapper<br />
8.2.1 MNF-Transformation<br />
Die Klassifikation mit der MNF-transformierten HyMap-Szene erbrachte im Allgemeinen<br />
zufrieden stellende Ergebnisse. Dabei haben die Bildspektren als Endmember höhere<br />
Genauigkeiten (Kappa: 0,72) erreicht als die der Feldspektren (Kappa 0,58). Bei der<br />
Verwendung von Feldspektren sind häufig Fehlklassifikationen bei bestimmten Endmembern<br />
aufgetreten. Dies soll an einigen Beispielen näher erläutert werden.<br />
Grund für die Fehlklassifikation der Klasse 05101_CAR_XGR in die Klasse<br />
05103_CAL_XXX kann die Durchmischung beider Pflanzengesellschaften (aufgrund der<br />
geringen räumlichen Auflösung von 4 x 4m sein, die besonders im Norden des<br />
54
Diskussion<br />
_____________________________________________________________________________________________________<br />
Untersuchungsgebietes vorhanden ist. Dadurch kann angenommen werden, dass<br />
05101_CAR_XGR nur als Mischpixel mit 05103_CAL_XXX im Bild vorkommt (vgl. ROSSO et<br />
al. 2005).<br />
Im Süden im Bereich des Großen Grabens wurde die Klasse 05101_CAR_XGR zum größten<br />
Teil als Klasse 05103_CAL_XXX erkannt. Der Bereich des Großen Grabens vernässt<br />
zunehmend von Jahr zu Jahr, was zu einer Verdrängung der reichen Feuchtwiesen und<br />
einer Etablierung der Großseggenwiesen führt (QUERHAMMER 2009, mündliches Gespräch).<br />
Da die Kontrollpunkte ein Jahr später aufgenommen wurden, ist es möglich, dass zum<br />
Zeitpunkt des Überflugs die entsprechenden Bereiche mehr von der Klasse<br />
05103_CAL_XXX geprägt waren.<br />
Ein weiterer Grund der Unterrepräsentation Klasse 05101_CAR_XGR kann sein, dass es<br />
keine Testflächen, sondern nur reine Einzelmessungen von Carex acuta gibt, wohingegen<br />
die Klasse 05103_CAL_XXX auf vier Testflächen beprobt wurde. Gleiches gilt auch für die<br />
Klassen 05101_CAR_XAP und 05101_CAR_XAC.<br />
Für die Klasse 04514_CAR_PHA gibt es nur eine Testfläche, was ebenfalls zu einer<br />
Unterrepräsentation dieser Pflanzengesellschaft geführt haben könnte. ROSSO et al. (2005)<br />
und JOLLINEAU & HOWARTH (2008) vermuten ebenfalls bei der Schwierigkeit der Identifikation<br />
von bestimmten Pflanzengesellschaften deren flächige und spektrale Unterrepräsentation.<br />
Ein anderer Grund kann allerdings auch sein, dass sich die Phänologie dieser Klasse<br />
94514_CAR_PHA vom Zeitpunkt der Spektrometeraufnahme im Juni bis zum Zeitpunkt des<br />
Überflugs im August verändert hat, und die Signatur somit nicht auf die HyMap-Szene passt.<br />
Da die Klassifikation mit den Bildspektren jedoch ähnliche Ergebnisse erlangte wie die mit<br />
den Feldspektren, wird ersteres hier als wahrscheinlicher angenommen.<br />
Abbildung 8-1 Darstellung der spektralen Signaturen der<br />
Testfläche des Feldendmembers 04514_CAR_PHA und einer<br />
Kontrollfläche im Bereich des Großen Grabens (EIGENE<br />
DARSTELLUNG 2010)<br />
Neben der hohen Variabilität von Vegetation in Bezug auf die Abundanz gibt es auch<br />
Unterschiede in ihrem Zustand und der strukturellen Ausrichtung des Pflanzengewebes<br />
(JOLLINEAU & HOWARTH 2008). Diese spektralen Variationen können nicht einfach in einer<br />
spektralen Bibliothek vorbestimmt werden (ASNER & LOBELL 2000).<br />
Ein großer Teil der Kontrollflächen von 04514_CAR_PHA liegt am Großen Graben. Dieser<br />
unterliegt einer anderen Grünlandnutzung (extensive Weide- und Wiesenwirtschaft), was zu<br />
Beeinflussungen der Spektren führen kann, da die Kontrollflächen möglicherweise zum<br />
55
Diskussion<br />
_____________________________________________________________________________________________________<br />
Zeitpunkt des Überflugs, durch vorherige Beweidung oder Mahd, einen anderen<br />
Wachstumsstand hatten.<br />
In Abbildung 8-1 sind Reflexionsspektren der Testfläche und einer Kontrollfläche dargestellt.<br />
Im Wellenlängenbereich von 540 bis 900 nm ist zu erkennen, dass das Spektrum der<br />
Testfläche möglicherweise nicht mehr in seiner optimalen Wachstumsphase steht, sondern<br />
sich bereits das Chlorophyll aus den Blättern der Pflanze zurückgezogen haben könnte.<br />
Durch eine frühere Mahd oder Beweidung ist es möglich, dass die Vegetation der<br />
Kontrollfläche einen zweiten Flor bekommen hat und sich somit in einer anderen<br />
Vegetationsphase befindet.<br />
Nach MASELLI (2001) kann die Variabilität von Zustand und struktureller Ausrichtung des<br />
Pflanzengewebes (JOLLINEAU & HOWARTH 2008) auch das Ergebnis von <strong>Umwelt</strong>faktoren wie<br />
Topografie, Wassertiefe und Bodentyp sein. Demnach kann vermutet werden, dass die<br />
Standortbedingungen im Ferbitzer Bruch im Gegensatz zum Großen Graben nicht optimal<br />
sind. In den Wasserabsorptionsbanden in den Wellenlängenbereichen bei 970 nm, 1200 nm,<br />
1480 nm und 1940 nm ist die spektrale Kurve bei der Kontrollfläche tiefer als bei der<br />
Testfläche. Das bedeutet, dass der Boden der Kontrollfläche mehr Wasser enthält.<br />
Im Gegensatz zur Klassifikation mit Feldspektren erlangen die Bildspektren auch bei den<br />
oben genannten Endmembern ohne Testflächen bessere Ergebnisse, da hier weitere mit<br />
GPS verortete Referenzflächen in die Endmemberauswahl mit einflossen. Dadurch konnten<br />
Parameter wie andere Artenzusammensetzung, Nutzung, Boden- und Wasserverhältnisse in<br />
der Signaturbildung berücksichtigt werden.<br />
Abbildung 8-2 Unregelmäßig gemähte<br />
Pfeifengraswiese mit bultigen Horsten<br />
und viel totem Material (EIGENE<br />
DARSTELLUNG 2009)<br />
Abbildung 8-3 Darstellung der spektralen<br />
Signaturen einer unregelmäßg gemähten<br />
und einer jährlich gemähten<br />
Pfeifengraswiese (EIGENE DARSTELLUNG<br />
2010)<br />
Abbildung 8-4 Jährlich gemähte<br />
Pfeifengraswiese ohne bultige Horste<br />
(EIGENE DARSTELLUNG 2009)<br />
Für die Klasse 05102_MOL_MOL waren insgesamt neun Testflächen vorhanden. Diese<br />
Flächen liegen alle in einem Bereich, in dem die Nutzung (Mahd) regelmäßig stattfindet. Im<br />
Ferbitzer Bruch gibt es noch weitere Pfeifengraswiesen, deren Nutzung sehr unregelmäßig<br />
erfolgt. Aus diesem Grund hat sich das zu den Horstgräsern zählende Molinia caeruleae dort<br />
zu großen bultigen Horsten entwickelt. Durch die andere Struktur und die veränderte<br />
Pflanzenartenzusammensetzung ist es wahrscheinlich, dass Kontrollpunkte, die sich in<br />
diesen Bereichen befinden, nicht als solche erkannt werden (vgl. Kapitel 7.1) (vgl. JOLLINEAU<br />
& HOWARTH 2008, MASELLI 2001). In den Abbildungen 8-2 bis 8-4 sind die Unterschiede der<br />
unregelmäßig und jährlich gemähten Fläche deutlich zu erkennen. Auf Abbildung 8-2 ist<br />
mehr abgestorbenes Material vorhanden als auf der Fläche in Abbildung 8-4. Auch in den<br />
Wasserabsorptionsbanden kommt es aufgrund des abgestorbenen Materials der<br />
unregelmäßig genutzten Fläche zu Unterschieden (siehe Abbildung 8-3).<br />
56
Diskussion<br />
_____________________________________________________________________________________________________<br />
Betrachtet man die Ergebnisse der Klasse 05103_CAL_XXX, so erreichen die Feldspektren<br />
sehr gute und die Bildspektren ausgezeichnete Ergebnisse bei der MNF-transformierten<br />
Bildszene. Besonders in den ersten vier Komponenten der MNF-Transformation kommt es<br />
zu guten Übereinstimmungen der Endmemberspektren (siehe Abbildung 8-5).<br />
Abbildung 8-5 Darstellung eines Bildspektrums der Klasse 05103_CAL_XXX aus der MNF-transformierten Bildszene mit den<br />
Komponenten R=3, G=2, B=1 (links) und den dazugehörigen Spektrum des Feld- und des Bildendmembers (rechts) (EIGENE<br />
DARSTELLUNG 2010)<br />
Die Gesamtgenauigkeiten, bei den Feldspektren 91% und bei den Bildspektren 94%,<br />
varieren nur geringfügig (vgl. Kapitel 7.1.1). Demnach ist es möglich, die die Klasse<br />
05103_CAL_XXX in der hier vorgefundenen Ausprägung gut von den anderen<br />
Pflanzengesellschaften feuchter Bereiche zu unterscheiden.<br />
Die Klasse 04511_PHR_PHR erreichte gute bis sehr Ergebnisse von 57% (Feldspektren)<br />
und 69% (Bildspektren), im Gegensatz zu 05103_CAL_XXX ist aber eine deutliche<br />
Verschlechterung zu erkennen. In Abbildung 8-6 ist ein Ausschnitt aus der Klassifikation mit<br />
Bildendmembern zu sehen.<br />
Abbildung 8-6 klassifizierte Schilfbestände an Land (grün) und die nicht erkannten<br />
Schilfbestände im Wasser (gestreift) (EIGENE DARSTELLUNG 2010)<br />
Dabei ist zu erkennen, dass die im Wasser stehenden Schilfflächen des Ferbitzer Bruchs<br />
unerkannt blieben. Die Schilfflächen waren in diesen Bereichen durchschnittlich drei Meter<br />
57
Diskussion<br />
_____________________________________________________________________________________________________<br />
hoch und standen bis zu einem Meter tief im Wasser. Dadurch war eine Messung mit Hilfe<br />
der verwendeten Technik nicht möglich, da das Kabel des Feldspektrometers weniger als ein<br />
Meter lang ist. Im Vergleich zu den an Land gemessenen Schilfbeständen sind dessen<br />
Spektralsignaturen mit denen von Wasser gemischt und somit von unterschiedlichen<br />
Spektraleigenschaften geprägt.<br />
Fehlklassifikation gab es besonders mit den Pflanzengesellschaften in den<br />
Übergangsbereichen, wie z.B. mit den Klassen 051311_PHR_PHR, 05101_CAR_XAP und<br />
05101_CAR_XAC.<br />
8.2.2 Ableitungen<br />
Im Gegensatz zur Klassifikation mit der MNF-transformierten HyMap-Szene liefert die<br />
Klassifikation mit Ableitungen und den Feldspektren als Endmember schlechtere Ergebnisse,<br />
die mit zunehmender Höhe der Ableitung (2. und 3.) noch schlechter werden. Laut WANG et<br />
al. 1998 werden Ableitungen mit zunehmender Höhe empfindlicher gegenüber Rauschen.<br />
Trotz der Rauschreduzierung mit Hilfe einer Savitzky-Golay-Filterung (vgl. Kapitel 6.1.1.2)<br />
und der darauffolgenden MNF-Transformation (vgl. Kapitel 6.2) reagieren die Ableitungen<br />
dennoch empfindlich darauf. Der Grund dafür lässt sich in den eher unbefriedigenden<br />
Ergebnissen der zuvor durchgeführten Atmosphärenkorrektur vermuten (vgl. Kapitel 6.1.1).<br />
Sowohl die Klasse 05102_MOL_MOL (Gesamtgenauigkeit: 60%) als auch 05103_CAL_XXX<br />
(Gesamtgenauigkeit 80%) erlangten bei der Klassifikation mit der MNF-transformierten<br />
HyMap-Szene mit Feldspektren als Endmember sehr gute Ergebnisse (vgl. Kapitel 7.1.1.1).<br />
Bei der Klassifikation mit der ersten, zweiten und dritten Ableitung wurden die Ergebnisse<br />
zunehmend schlechter, wobei die Klasse 05102_MOL_MOL stark unterrepräsentiert, die<br />
Klassen 05103_CAL_XXX und 05101_CAR_XGR stark überrepräsentiert waren. Bei einem<br />
Verzicht auf diese Endmember oder einer Verringerung der Schwellenwerte gab es keine<br />
Verbesserung im Ergebnis, da dann andere Endmember dominierten.<br />
Im Gegensatz zu WANG et al. (1998) konnte die hier untersuchte Vegetation mit Hilfe von<br />
Ableitungen und Feldendmembern nicht mit hoher Genauigkeit klassifiziert werden. Gründe<br />
dafür könnten sein, dass WANG et al. (1998) andere Pflanzengesellschaften als Endmember<br />
benutzten und diese noch einmal anhand ihrer Standorte aufteilte. Des Weiteren besteht die<br />
Möglichkeit, dass die Atmosphärenkorrektur bessere Ergebnisse hervorbrachte.<br />
Anders als bei den Feldspektren kommt es bei den Bildspektren zu keinen<br />
Überrepräsentationen einzelner Pflanzengesellschaften. Das beste Ergebnis mit einer<br />
Gesamtgenauigkeit von 80,5% (Kappa 0,76) wurde bei der Klassifikation mit der ersten<br />
Ableitung erreicht (vgl. Kapitel 7.1.2.2). Bei der Verwendung von höheren Ableitungen wird<br />
das Ergebnis nicht verbessert, sondern eher verschlechtert (vgl. WANG et al. 1998). Da die<br />
Endmember aus dem Bild abgeleitet waren, passen die Spektren sehr gut auf die der<br />
Bildszene.<br />
Die Klassen 05103_CAL_XXX und 05102_MOL_MOL erlangten bei der Klassifikation mit der<br />
ersten Ableitung ihre besten Ergebnisse. Selbst die unregelmäßig genutzte Pfeifengraswiese<br />
ist als solche, im Gegensatz zur Klassifikation mit der MNF-transformierten HyMap-Szene,<br />
erkannt worden. Laut WANG et al. 1998 können Ableitungen Beeinflussungen von<br />
Hintergrundeffekten des Bodens reduzieren und sind relativ unempfindlich gegenüber<br />
Beleuchtungseffekten. Dadurch lässt sich vermuten, dass Beeinflussungen durch die<br />
58
Diskussion<br />
_____________________________________________________________________________________________________<br />
unterschiedliche Struktur und die daraus resultierenden veränderten<br />
Beleuchtungsverhältnisse minimiert wurden.<br />
Klassen, von denen es wenige oder keine Testflächen gab (z.B. 05101_CAR_XAP), erzielten<br />
hier sehr gute Ergebnisse. Wie schon in Kapitel 8.1.1.1 erläutert flossen bei der Auswahl der<br />
Bildspektren weitere Referenzpunkte mit in die Signaturbildung ein und somit auch andere<br />
Standortparameter wie Artenzusammensetzung, Boden, etc.<br />
Die Klasse 04511_PHR_PHR erlangte durchschnittliche Ergebnisse (durchschnittliche<br />
Genauigkeit 65%), da bei der Auswahl der Testflächen nicht der Wasserstand berücksichtigt<br />
wurde (vgl. Kapitel 8.1.1.1, siehe Abbildung 8-6).<br />
8.2.3 Schwellenwerte<br />
Für die Bestimmung des Schwellenwertes berechneten WANG et al. (1998) die<br />
Ähnlichkeitswinkel zwischen den abgeleiteten Referenzspektren für jeweils zwei Klassen.<br />
Der Schwellenwert wurde dann aus der Hälfte des minimalen Ähnlichkeitswinkels zwischen<br />
der jeweiligen Klasse und den anderen Klassen bestimmt (vgl. Kapitel 6.6.1.2). Bei dieser<br />
Arbeit konnten dadurch keine zufrieden stellenden Ergebnisse erreicht werden, da die<br />
Schwellenwerte zu klein waren und somit viele Pixel unklassifiziert blieben. Aus diesem<br />
Grund wurde die Bestimmung des Schwellenwertes nach WANG et al. (1998) modifiziert, in<br />
dem auf die durchschnittlichen und maximalen Winkel der Testflächen eine oder zwei<br />
Standardabweichungen aufaddiert wurden (vgl. Kapitel 6.6.1.2 Gleichungen 6-2 bis 6-5).<br />
Abbildung 8-7 Beispiel für die Ähnlichkeitswinkel in einem<br />
SAM-Regelbild (EIGENE DARSTELLUNG 2010)<br />
Die besten Ergebnisse wurden zum größten Teil mit den durchschnittlichen Winkeln der<br />
Testflächen addiert mit einer oder zwei Standardabweichungen erlangt.<br />
Sind die Winkel im Regelbild eines Endmembers kleiner als die der anderen Endmember,<br />
dann kommt es meist zu einem guten Ergebnis (siehe Abbildung 8-7) Bei<br />
Ähnlichkeitswinkeln, die im Regelbild größer ausfallen als die der anderen Endmember,<br />
kommt es zu ungenügenden Ergebnissen und die jeweilige Klasse ist meist<br />
unterrepräsentiert.<br />
59
Diskussion<br />
_____________________________________________________________________________________________________<br />
8.3 Mixture Tuned Matched Filtering<br />
Wie bei der SAM-Methode schließen beim MTMF-Verfahren die Endmember aus den<br />
Feldspektren im Allgemeinen schlechter ab als die aus den Bildspektren. Wie bereits in<br />
Kapitel 8.1.1 erläutert, liegt die Vermutung darin, dass zum einen Bildspektren im Gegensatz<br />
zu Feldspektren keinen Störungen wie z.B. Rauschen unterliegen, da sie direkt aus der<br />
Bildszene abgeleitet wurden. Zum anderen kann die nicht zufrieden stellende<br />
Atmosphärenkorrektur die Ursache dafür sein.<br />
Ein für das MTMF-Verfahren spezifischer Grund für eventuelle Fehlklassifikationen liegt<br />
darin, dass die MF-Score-Werte teilweise über einem Wert von 1.0 lagen. Für diese Methode<br />
deuten Werte, die über 1.0 liegen, darauf hin, dass für die Klassifikation gewisse<br />
Endmember fehlen. Diese fehlenden Endmember führen wiederum zu Fehlklassifikationen in<br />
den anderen Klassen. Das wird hier als Grund vermutet, warum Pixel gleichzeitig in zwei<br />
Klassen mit einem Anteil von 75 bis 100% eingeordnet wurden.<br />
Wie schon beim SAM-Verfahren in Kapitel 8.1.1 erläutert, nehmen auch ANDREW & USTIN<br />
(2008) an, dass unterschiedliche <strong>Umwelt</strong>bedingungen eine große Rolle bei der Klassifikation<br />
von Pflanzengesellschaften mit Hilfe der MTMF-Methode spielen.<br />
8.4 Methodenvergleich<br />
Im Allgemeinen ähneln sich die Ergebnisse der MTMF mit denen der SAM-Klassifikation.<br />
Ausgezeichnete Ergebnisse sowohl bei der Klassifikation mit Feld- als auch mit Bildspektren<br />
erlangten die Klassen 05103_CAL_XXX und 05102_MOL_MOL (vgl. Kapitel 7.2).<br />
Gesellschaften, die weniger oder gar keine Testflächen besaßen, ergaben bei der<br />
Klassifikation mit Feldspektren keine zufrieden stellenden Ergebnisse. Bei der Verwendung<br />
von Bildspektren waren diese deutlich besser. Die vermuteten Gründe dafür wurden bereits<br />
ausführlich im Kapitel 8.2.1 erläutert. ANDREW & USTIN (2008) nehmen an, dass<br />
Gesellschaften, die größere Flächen im zu klassifizierenden Bild abdecken, besser erkannt<br />
werden können als Gesellschaften, die nur in kleinen Bereichen vorkommen, da diese meist<br />
unterrepräsentiert sind. In dieser Arbeit könnte das beispielsweise auf Klasse<br />
04514_CAR_PHA zutreffen (vgl. Kapitel 8.2.1).<br />
Beide Verfahren kommen bei der Verwendung der MNF-transformierten HyMap-Szene und<br />
Feldspektren als Endmember auf zufrieden stellende Ergebnisse. Diese könnten durchaus<br />
durch eine Erweiterung der Sammlung von Feldspektrometermessungen und durch eine<br />
umfangreichere Testflächenauswahl verbessert werden (vgl. Kapitel 9).<br />
60
Fazit<br />
_____________________________________________________________________________________________________<br />
9 Fazit<br />
Die Bedeutung der Verwendung von hyperspektralen Fernerkundungsdaten zur<br />
Differenzierung von Biotoptypen und Pflanzengesellschaften nimmt in der Landschafts- und<br />
<strong>Umwelt</strong>planung stetig zu. Trotz der im Gegensatz zu multispektralen Daten geometrisch<br />
geringeren Auflösung erlangen Klassifikationen von Feuchtgebieten mit Hyperspektraldaten<br />
gute Ergebnisse. Besonders flugzeuggetragene hyperspektrale Systeme liefern<br />
vielversprechende Informationen zur Kartierung und zum Monitoring sowohl von<br />
ausgedehnten als auch von fragmentierten Feuchtgebieten im Binnenland (vgl. JOLLINEAU &<br />
HOWARTH 2008).<br />
Die beiden in dieser Arbeit verwendeten klassischen Methoden der hyperspektralen<br />
Fernerkundung erlangten bei einigen Pflanzengesellschaften ausgezeichnete<br />
Gesamtgenauigkeiten von ca. 90 bis 95%. Die in Kapitel 1.2 gestellten Fragen, ob die<br />
untersuchten Gesellschaften mit hyperspektralen Fernerkundungsdaten klassifiziert werden<br />
können und ob sich die Verfahren SAM und MTMF dafür eignen, lassen sich dennoch nur<br />
teilweise positiv beantworten, da Pflanzengesellschaften, die von keinen oder nur wenigen<br />
Testflächen vertreten waren, keine zufrieden stellenden Ergebnisse lieferten (vgl. Kapitel 8).<br />
Für zukünftige ähnliche Aufgabenstellungen ist aus diesem Grunde anzuraten, für jede<br />
Klasse ausreichend Testflächen festzulegen, da die Endmember ansonsten nicht<br />
repräsentativ genug sind.<br />
Die Frage, ob die Verwendung von in situ gemessenen Referenzspektren als Endmember<br />
geeignet ist, lässt sich ebenfalls nur teilweise positiv beantworten. Nach Beseitigung der in<br />
Kapitel 8 vermuteten Defizite ist es durchaus möglich die Ergebnisse zu optimieren.<br />
Durch die in dieser Arbeit durchgeführte Mittelwertbildung der Endmembermessungen kann<br />
es zu einer starken Verallgemeinerung der spektralen Signaturen kommen. Dadurch können<br />
spektrale Eigenschaften von Testflächen einer Pflanzengesellschaft, die unterschiedlichen<br />
ökologischen Bedingungen unterliegen, verloren gehen. Eine Möglichkeit, die noch zu prüfen<br />
wäre, jedoch den Rahmen dieser Arbeit gesprengt hätte, ist, jede Testfläche als einzelnen<br />
Endmember zu verwenden und die Klassen im Nachhinein zusammenzufügen. Des<br />
Weiteren kann die Verwendung von spektralen Indizes zur Optimierung der<br />
Klassifikationsergebnisse beitragen.<br />
Eine gut aufgebaute und gegliederte Spektralbibliothek, die nicht nur Informationen über<br />
Pflanzengesellschaften, sondern auch über Klima, Zustand, Feuchtegrad des Bodens,<br />
Deckung, Nutzung, Wachstumsphase und andere Parameter enthält, kann einen<br />
entscheidenden Beitrag zur besseren Differenzierung von Pflanzengesellschaften mit Hilfe<br />
von Feldspektren leisten. Auf Gebietsbegehungen kann dennoch nicht verzichtet werden,<br />
denn trotz allem können nicht immer alle Parameter einer Pflanzengesellschaft<br />
aufgenommen werden, da sie sich aufgrund ihrer Wachstumsdynamik nicht genau an<br />
Modelle halten. In der Natur gibt es so viele verschiedene Übergänge im Artengefüge, dass<br />
diese nicht alle dokumentiert und modelliert werden können.<br />
An dieser Stelle wird daher eine Kombination der klassischen Methoden mit<br />
wissensbasierten Klassifikationsansätzen vorgeschlagen. Im Zuge des Forschungsprojektes<br />
Sara_EnMAP wurde diese Kombination mit den hier entstandenen Ergebnissen, weiteren<br />
Ergebnissen aus klassischen Verfahren und CART-Modellen durchgeführt. Im Rahmen der<br />
61
Fazit<br />
_____________________________________________________________________________________________________<br />
vorliegenden Arbeit ist ein Vergleich der dort entstandenen Resultate zeitlich nicht möglich<br />
gewesen.<br />
Für eine optimale Einbindung der ökologischen Bedingungen von Pflanzengesellschaften<br />
wird eine weitere Untersuchung mit Hilfe der Kombination von Ordination und Klassifikation,<br />
wie es im Forschungsprojekt „Monitoring Döberitzer Heide: Vegetation und Fernerkundung“<br />
getestet wird, vorgeschlagen (vgl. Kapitel 1.4, vgl. NEUMANN et al. 2010).<br />
Die Übertragbarkeit auf andere Gebiete wurde nicht erprobt, könnte allerdings ein Thema für<br />
eine weitere Studie darstellen.<br />
Zudem wurden die Klassifikationsverfahren nur für Pflanzengesellschaften in feuchten<br />
Gebieten untersucht. Es wäre durchaus interessant, diese Verfahren mit<br />
Pflanzengesellschaften auf frischen und trockenen Standorten zu testen.<br />
62
Literatur<br />
_____________________________________________________________________________________________________<br />
10 Literatur<br />
ALBERTZ, J. (2007): Einführung in die Fernerkundung – Grundlagen der Interpretation von<br />
Luft- und Satellitenbildern. 3. Aufl. Darmstadt. Wissenschaftliche Buchgesellschaft. 254 S.<br />
ANDREW, M.E. & S.L. USTIN (2008): The role of environmental context in mapping invasive<br />
plants with hyperspectral image data. In: Remote Sensing of Environment, 112 (12). S. 4301-<br />
4317.<br />
ASNER, G.P. AND LOBELL, D.B. (2000): A biogeophysical approach for automated SWIR<br />
unmixing of soils and vegetation. In: Remote Sensing of Environment, 74, S. 99-112.<br />
BACH, H. (1995): Die Bestimmung hydrologischer und landwirtschaftlicher<br />
Oberflächenparameter aus hyperspektralen Fernerkundungsdaten. In: Münchener<br />
Geographische Abhandlungen, Reihe B, Band 21.<br />
BECKER, B. L.; LUSCH, D. P.; QI, J. (2007): A classification-based assessment of the optimal<br />
spectral and spatial resolutions for Great Lakes coastal wetland imagery. In: Remote<br />
Sensing of Environment (2007), doi: 10.1010/j.rse.2006.11.005.<br />
BERK, A.; BERNSTEIN, L.S. AND D.C. ROBERTSON (1989): MODTRAN: A moderate Resolution<br />
Model for LOWTRAN 7, GL-TR-89-0122, Air Force Geophysics Lab, Hanscom AFB, MA,<br />
38 S.<br />
BOARDMAN, J.W. (1998): Leveraging the high dimensionality of A<strong>VI</strong>RIS data for improved<br />
sub-pixel target unmixing and rejection of false positives: mixture tuned matched filtering. In:<br />
Summaries of the Seventh Annual JPL Airborne Geoscience Workshop, Pasadena, C.A.<br />
BRAUN-BLANQUET, J. (1964): Pflanzensoziologie: Grundzüge der Vegetationskunde. 3. Aufl.<br />
Wien. Springer. 865 S.<br />
BRUNN, A. (2006): Methoden zur Auswertung hyperspektraler Fernerkundungsdaten für die<br />
Untersuchung von Zustandsveränderungen perennierender Pflanzen im Rahmen des<br />
Monitorings bergbaubedingter <strong>Umwelt</strong>einwirkungen. Diss. <strong>TU</strong> Clausthal. 173 S.<br />
COLLINS, W. (1978): Remote Sensing of crop type and maturity. In: Photogrammetric<br />
Engineering and Remote Sensing, 44. S. 43-55.<br />
CONGALTON, R.G. (1981): The Use of Discrete Multivariate Analysis for the Assessment of<br />
Landsat Classification Accuracy, Blacksburg, VA: Virginia Polytechnic Institute and State<br />
University, Master’s Thesis.<br />
CONGALTION, R.G.; ODERWALD, R.G. & R.A. MEAD (1983): Assessing Landsat Classification<br />
Accuracy Using Discrete Mulivariate Statistical Techniques. In: Photogrammetric Engineering<br />
& Remote Sensing, 49 (12), S. 1671-1678.<br />
CONGALTON, R.G. & K. GREEN (1999): Assessing the Accuracy of Remotely Sensed Data:<br />
Principles and Practices. Lewis Publishers. New York.<br />
63
Literatur<br />
_____________________________________________________________________________________________________<br />
DIERSCHKE, H. (1994): Pflanzensoziologie: Grundlagen und Methoden. Stuttgart. Ulmer.<br />
683 S.<br />
FÖRSTER, M. (2008): Integration of Geo-Information in Classification Processes of Satellite<br />
Imagery for NA<strong>TU</strong>RA 2000 Monitoring. Diss. <strong>TU</strong> <strong>Berlin</strong>. 139 S.<br />
FÖRSTER, M., FRICK, A., SCHUSTER, C., KÖRTH, K., ITZEROTT, S., NEUMANN, C., FÖRSTER, S. &<br />
KLEINSCHMIT, B. (2009): Multi-sensor Approaches for Detecting Protected Plant Communities<br />
in a Nature Conservation Heathland Area in Germany. 3rd. Workshop of EARSeL SIG on<br />
Remote Sensing of Land Use & Land Cover. Bonn. S. 125-126.<br />
FRICK, A. (2006): Beiträge höchstauflösender Satellitenfernerkundung zum FFH-Monitoring.<br />
Entwicklung eines wissensbasierten Klassifikationsverfahrens und Anwendung in<br />
Brandenburg. Diss. <strong>TU</strong> <strong>Berlin</strong>. 241 S.<br />
FÜRSTENOW, J. (2004): Naturschutzfachliche Bewertung einer 10-jährigen Landschaftspflege<br />
im NSG Ferbitzer Bruch (Landkreis Potsdam-Mittelmark). In: Naturschutz und<br />
Landschaftspflege in Brandenburg. Jhg. 13, Heft 1. S. 37-44.<br />
GESETZ- UND VERORDNUNGSBLATT FÜR DAS LAND BRANDENBURG (1996): Teil II Verordnungen.<br />
7. Jg. Nr. 35 Verordnung über das Naturschutzgebiet Ferbitzer Bruch (16.04.1996): 722-725.<br />
GONZALES, R.C.; WOODS, R.E. (2001): Digital Image Processing, 2 nd ed., Prentice Hall, Upper<br />
Saddle River, NJ.<br />
GUANTER, L.; ESTELLÉS, V.; MORENO, J. (2007): Spectral calibration and atmospheric<br />
correction of ultra-fine spectral and spatial resolution remote sensing data. Application to<br />
CASI-1000 data. In: Remote Sensing of Environment, Vol. 109 (2007), S. 54-65.<br />
HAEPLER, H. & T. MUER (2007): Bildatlas der Farn- und Blütenpflanzen Deutschlands. 2.<br />
Aufl., Stuttgart. Ulmer. 789 S.<br />
HARKEN, J. AND SUGUMARAN, R. (2005): Classification of Iowa wetlands using an airborne<br />
hyperspectral image: a comparison of the spectral angle mapper classifier and an objectoriented<br />
approach. In: Canadian Journal of Remote Sensing, 31, S. 167-174.<br />
HEINZ SIELMANN STIF<strong>TU</strong>NG (Hrsg.) (o. J.): Sielmanns Naturlandschaft Döberitzer Heide.<br />
Im Internet unter: http://www.sielmann-stiftung.de/de/projekte/sielmanns_naturlandschaften/<br />
doeberitzer_heide/index.php - Abruf am 03.09.2009.<br />
HELD, A.; TICEHURST, C.; LYMBURNER, L. AND WILLIAMS, N. (2003): High resolution mapping of<br />
tropical mangrove ecosystems using hyperspectral and radar remote sensing. In:<br />
International Journal of Remote Sensing, 24 (2003), S. 2739-2759.<br />
HILDEBRANDT, G. (1996): Fernerkundung und Luftbildmessung: für Forstwirtschaft,<br />
Vegetationskartierung und Landschaftsökologie. 1. Aufl. Heidelberg. Wichmann. 676 S.<br />
HOLZWARTH, S. (2009): Airborne RemoteSensing - HyEurope 2008 Summary Report. Vom<br />
06.09.2009<br />
64
Literatur<br />
_____________________________________________________________________________________________________<br />
INSPEC (2002): ACORN 4.0 User’s Guide, Boulder, CO: Analytical Imaging and Geophysics,<br />
LLC, 76 S.<br />
ITT <strong>VI</strong>SUAL INFORMATION SOLUTIONS (Hrsg.) (2007): EN<strong>VI</strong> User’s Guide. EN<strong>VI</strong> Version 4.4.<br />
USA.<br />
JENSEN, J.R. (2005): Introductory digital image processing: a remote sensing perspective –<br />
3 rd ed. p. cm. – (Prentice Hall series in geographic information science). Upper Saddle River,<br />
N.J., USA, 526 S.<br />
JOLLINEAU, M.Y.; HOWARTH, P.S. (2008): Mapping an inland wetland complex using<br />
hyperspectral imagery. In: International Journal of Remote Sensing, Vol. 29, Nos. 11-12, S.<br />
3609-3631.<br />
KAUFMANN, H.; GUANTER, L.; SEGL, K.; HOFER, S.; SANG, B.; MUELLER, A. & C. CHLEBEK<br />
(2009): The EnMAP hyperspectral imager – An advanced optical playload for earth<br />
observation. Beitrag zum EnMAP Workshop in Potsdam am 15.10.2009.<br />
KLAPP, E. & OPITZ VON BOBERFELD, W. (1995): Gräserbestimmungsschlüssel für die<br />
häufigsten Grünland- und Rasengräser. Zur Ansprache im blütenlosen Zustand. Blackwell<br />
<strong>Berlin</strong>, 4. Aufl.<br />
KOCH, W. (1926): Die Vegetationseinheiten der Linthebene unter Berücksichtigung der<br />
Verhältnisse in der Nordostschweiz. - Jahrb. St. Gallische Naturwiss. Ges. 61 (2): 1-144. St.<br />
Gallen.<br />
KÖHL, M.; LAUTNER, M. (2001): Erfassung von Waldökosystemen durch Hyperspektraldaten.<br />
In: PFG 2001, Heft 2, S. 107-117.<br />
KRUSE, F.A.; LEFKOFF, A.B.; BOARDMAN, J.B.; HEIDEBRECHT, K.B.; SHAPIRO, A.T. BARLOON,<br />
P.J. AND GOETZ, A.G.H. (1993): The spectral image processing (SIPS) – interactive<br />
visualization and analysis of imaging spectrometer data. In: Remote Sensing of Environment,<br />
44, S. 145-163.<br />
LAND BRANDENBURG MINISTERIUM FÜR WIRTSCHAFT (HRSG.) (2007): 15 Jahre Konversion im<br />
Land Brandenburg.<br />
Im Internet unter: http://www.parldok.brandenburg.de/parladoku/w4/drs/ab_4000/4063.pdf -<br />
Abruf am 02.09.2009.<br />
LANDESUMWELTAMT BRANDENBURG (HRSG.) (2007): Biotopkartierung Brandenburg: Band 2 –<br />
Beschreibung der Biotoptypen. 3. Aufl. Verlagsgesellschaft Potsdam mbH. 512 S.<br />
LECKIE, D.G.; CLONEY, E.; JAY, C. AND PARADINE, D. (2005): Automated mapping of stream<br />
features with high-resolution multispectral imagery: an example of the capabilities. In:<br />
Photogrammetric Engineering and Remote Sensing, 71, S. 145-155.<br />
MASELLI, F. (2001): Definition of spatially variable spectral endmembers by locally calibrated<br />
multivariate regression analysis. In: Remote Sensing of Environment, 75, S. 29-38.<br />
65
Literatur<br />
_____________________________________________________________________________________________________<br />
MUSTARD, J.F.; STAID, M.I. AND W.J. FRIPP (2001): A Semianalytical Approach to the<br />
Calibration of A<strong>VI</strong>RIS Data to Reflectance over Water Application in a Temperate Estuary. In:<br />
Remote Sensing of Environment, 75 (2001), S. 335-349.<br />
NA<strong>TU</strong>RSCHUTZ-FÖRDERVEREIN „DÖBERITZER HEIDE“ E.V. (2007): Chronik des Naturschutz-<br />
Fördervereins „Döberitzer Heide“ e. V. Im Internet unter:<br />
http://www.doeberitzerheide.de/content-pages/geschichte.html - Abruf am 02.09.2009.<br />
NEUMANN, C.; ITZEROTT, S.; FÖRSTER, S. (2010): From Field Spectra to an Area-Wide<br />
Monitoring – A Case Study in a Dryland Nature Reserve in Germany. Posterpräsentation auf<br />
dem Hyperspectral 2010 Workshop in Frascati, Italien am 17.03.2010.<br />
OEHLSCHLÄGER, S.; BEIER, W.; VAN DORSTEN, P.; HARNISCH, R.; HINRICHSEN, A.; TSCHÖPE,<br />
O.; ZIERKE, I. (2004): Das Naturschutzgebiet Döberitzer Heide. In: ANDERS, K.; MRZLJAK, J.;<br />
WALLSCHLÄGER, D.; WIEGLEB, G. (Hrsg): Handbuch Offenlandmanagement – Am Beispiel<br />
ehemaliger und in Nutzung befindlicher Truppenübungsplätze. Heidelberg, Springer-Verlag.<br />
320 S.<br />
ORTIZ, M.; FORMAGGIO, R. & EPIPHANIO, J. (1997): Classification of croplands through<br />
integration of remote sensing, GIS and historical database. In: International Journal of<br />
Remote Sensing, Vol. 18, No. 1. S. 95-105.<br />
OZESMI, S.L. AND BAUER, M.E. (2002): Satellite remote sensing of wetlands. In: Wetlands<br />
Ecology and Management, 10, S. 381-402.<br />
PENGRA, B.W.; JOHNSTON, C.A.; LOVELAND, T.R. (2007): Mapping an invasive plant,<br />
Phragmites australis, in coastal wetlands using the EO-1 Hyperion hyperspecral sensor. In:<br />
Remote Sensing of Environment, Vol. 108 (1), S. 74-81.<br />
PIGNATTI, S., CAVALLI, R.M., CUOMO, V., FUSILLI, L., PASCUCCI, S., POSCOLIERI, M., SANTINI, F.<br />
(2009): Evaluation Hyperion capability for land cover mapping in a fragmented ecosystem:<br />
Pollino National Park, Italy. In: Remote Sensing of Environment, 113 (3), S.622-634.<br />
POTT, R. (1995): Die Pflanzengesellschaften Deutschlands. 2. Aufl., Stuttgart. Ulmer.<br />
QUERHAMMER (2009): mündliches Gespräch vom 24.05.2009.<br />
RESEARCH SYSTEMS (2002): ATREM, Boulder, CO: Research Systems, Inc., Im Internet<br />
abrufbar unter: http://www.ittvis.com - Abruf am 18.03.2010.<br />
ROBERTS, D.A.; YAMAGUSHI, Y. AND R.J.P. LYON (1986): Comparison of Various Techniques<br />
for Calibration of AIS Data. In: Vane, G. and A.F.H. Goetz (Eds.): Proceedings, 2 nd Airborne<br />
Imaging Spectrometer Data Analysis Workshop, Pasadena: NASA Jet Propulsion<br />
Laboratory, JPL Publication #86-35, S. 21-30.<br />
ROSENFIELD, G.H. & K. FITZPATRICK-LINS (1986): A coefficient of agreement as a measure of<br />
thematic classification accuray. In: Photogrammetric Engineering and Remote Sensing, Vol.<br />
52.<br />
66
Literatur<br />
_____________________________________________________________________________________________________<br />
ROSSO, P.H., USTIN, S.L. AND HASTINGS, A. (2005): Mapping marshland vegetation of San<br />
Francisco Bay, California, using hyperspectral data. In: International Journal of Remote<br />
Sensing, 26, S. 5169-5191.<br />
ROTHMALER, W. (2005): Exkursionsflora von Deutschland. Bd. 2: Gefäßpflanzen: Grundband.<br />
Begr. von W. Rothmaler, hrsg. von E. Jäger & K. Werner, 19. Aufl., Spektrum Akad. Verlag,<br />
Heidelberg, 640 S.<br />
ROTHMALER, W. (2000): Exkursionsflora von Deutschland. Bd. 3: Gefäßpflanzen: Atlasband.<br />
Begr. von W. Rothmaler, hrsg. von E. Jäger & K. Werner, 10. Aufl., Spektrum Akad. Verlag,<br />
Heidelberg, 753 S.<br />
SA<strong>VI</strong>TZKY, A.; GOLAY, M.J.E. (1964): Smoothing and Differentiation of Data by Simplified<br />
Least Squares Procedures. In: Anal. Chem. 36 (8). S. 1627-1639.<br />
SCHLÄPFER, D. U. R. RICHTER (2001): Geo-atmospheric processing of airborne imaging<br />
spectrometry data. Part 1: parametric orthorectification. In: International Journal of Remote<br />
Sensing, Vol. 23, No. 13, S. 2609-2630.<br />
SCHOKNECHT, TH. (1993): Die Naturschutzgebiete Ferbitzer Bruch und Döberitzer Heide auf<br />
dem Truppenübungsplatz Döberitz. In: Naturschutz und Landschaftspflege in Brandenburg.<br />
Heft 1 (1993). S. 23-25.<br />
SCHOKNECHT, TH. (1996): Neue Naturschutzgebiete in Brandenburg. In: Naturschutz und<br />
Landschaftspflege in Brandenburg, Heft 4 (1996). S. 36-37.<br />
SCHOKNECHT, TH.; ZERNING, M. (2005): Das Europäische Vogelschutzgebiet (SPA)<br />
Döberitzer Heide. In: Naturschutz und Landschaftspflege in Brandenburg. Jhg. 14, Heft 3, 4.<br />
S. 107-109.<br />
SCHOLZ, E. (1962): Die naturräumliche Gliederung Brandenburgs. In: Päd. Bezirkskabinett,<br />
Potsdam (Hrsg.): Märkische Volksstimme. Bd. 1.<br />
SCHOWENGERDT, R.A. (2007): Remote Sensing – Models and Methods for Image Processing.<br />
3 rd Edition. Elsevier Inc., USA. 515 S.<br />
SCHUBERT, R.; HILBIG, H.; KLOTZ, S. (2001): Bestimmungsbuch der Pflanzengesellschaften<br />
Deutschlands. Heidelberg. Spektrum, Akad. Verlag. 472 S.<br />
SIELMANNS NA<strong>TU</strong>RLANDSCHAFT DÖBERITZER HEIDE GEMEINNÜTZIGE GMBH (Hrsg.)(o.J.):<br />
Verordnungen. Im Internet unter: http://typo3.doeberitzer-heide-naturlandschaft.de/steckbrief/<br />
schutzstati/verordnungen - Abruf am 02.09.2009.<br />
SMITH, M.O.; JOHNSON, P.E. AND ADAMS, J.B. (1985): Quantitative determination of mineral<br />
types and abundances from reflectance spectra using principal component analysis. In:<br />
Journal of Geophysical Research, 90, S. 797-804.<br />
SMITH, G.M. AND E.J. MILTON (1999): The Use of Empirical Line Method to Calibrate<br />
Remotely Sensed Data to Reflectance. In: International Journal of Remote Sensing, 20,<br />
(1999), S. 2653-2662.<br />
67
Literatur<br />
_____________________________________________________________________________________________________<br />
STIX, E. (1997): Chronik der Döberitzer Heide. Döberitzer Heide mit Ferbitzer Bruch –<br />
Beiträge zum Naturschutz, zur Landschaft und zur Geschichte. In: Jahresheft 7 des<br />
Naturschutz-Fördervereins „Döberitzer Heide“ e. V. Elstal. S. 4-6.<br />
STORY, M. & R. CONGALTON (1986): Accuracy assessment: A user’s perspective. In:<br />
Photogrammetric Engineering and Remote Sensing. Vol. 52.<br />
TANRE, D.; DEROO, C.; DUHAUT, P.; HERMANN, M. ; MORCRETTE, J.; PERBOS, J. & P.Y.<br />
DESCHAMPS (1986): Second Simulation of the Satellite Signal in the Solar Spectrum (6S)<br />
User’s Guide. U.S.T. de Lille, 59655 Villeneuve d’Ascq, France: Lab d’Optique<br />
Atmospherique.<br />
THIEMANN, S. & K. HERMANN (2002): Lake Water Quality Monitoring Using Hyperspectral<br />
Airborne Date – A Semiempirical Multisensor und Multitemporal Approach for the<br />
Mecklenburg Lake District, Germany. In: Remote Sensing of Environment, 81 (2002), S. 228-<br />
237.<br />
USGS (Hrsg.) (2009): EO-1. Im Internet unter: http://edcsns17.cr.usgs.gov/eo1/index.php -<br />
Abruf am 23.03.2010.<br />
VAN DER MEER, F. (1999): Iterative spectral unmixing (ISU). In: International Journal of<br />
Remote Sensing, 20, S. 3431-3436.<br />
VAN DER MEER, F. AND DE JONG, S.M. (2000): Improving the results of spectral unmixing of<br />
Landsat thematic mapper imagery by enhanced the orthogonality of end-members. In:<br />
International Journal of Remote Sensing, 21, S. 2781-2797.<br />
VOSS, K. (2005): Beitrag zur strukturabhängigen Erfassung teilschlagsspezifischer<br />
Pflanzenschäden mit Methoden der Fernerkundung und Geoinformatik, Bonn. S. 80-107.<br />
WANG. J.; ZHANG, L.; TONG, Q. (1998): The Derivative Spectral Matching for Wetland<br />
Vegetation Identification and Classification by Hyperspectral Data. In: Hyperspectral Remote<br />
Sensing and Application. S. 280 – 289.<br />
WEIß, C. (2008): Monitoring Large Conservation Areas with Imaging Spectroscopy:<br />
Combining Discrete and Non-discrete Approaches. Dissertation, LMU München: <strong>Fakultät</strong> für<br />
Geowissenschaften. 160 S.<br />
68
Anhang<br />
_____________________________________________________________________________________________________<br />
11 Anhang<br />
Tabelle A. 1 Protokollauszug für die Feldspektrometermessung<br />
Gebiet:<br />
Datum:<br />
Uhrzeit: von: bis:<br />
Nummer des ASD:<br />
Name des Messenden:<br />
Name des Protokollanten:<br />
Wetter aktuell und in den vorherigen Tagen und Wochen:<br />
Nr. der<br />
Aufnahme<br />
Flächennr./<br />
Sondermessung<br />
Fehlmessung<br />
Weißabgleich/optimierung<br />
Bemerkung: (Blühaspekt, Zeit,<br />
Foto)<br />
69
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 2 Übersicht über die Testflächen mit den dazugehörigen Biotoptypen und Pflanzengesellschaften, die in die Erstellung der Endmember mit eingeflossen sind<br />
(EIGENE DARSTELLUNG 2010)<br />
Biotop-<br />
Biotopbezeichnung Verband Assoziation Flächennummer<br />
Datum<br />
der<br />
Endmember-<br />
Klasse<br />
code<br />
nr.<br />
Aufnahme<br />
bezeichnung<br />
04511<br />
Schilfröhricht eutropher<br />
bis polytropher Moore<br />
und Sümpfe<br />
Phragmition australis<br />
( W. Koch 1926)<br />
Phragmitetum<br />
australis (Gams 1927)<br />
Schmale 1939<br />
26 28.07.2008<br />
34 07.08.2008<br />
Phragmites<br />
australis rein<br />
07.08.2008<br />
04511_PHR_PHR 1<br />
04514<br />
Rohrglanzgras-<br />
Röhricht eutropher bis<br />
polytropher Moore und<br />
Sümpfe<br />
Caricion elatae W.<br />
Koch 1926<br />
Phalaridetum<br />
arundinaceae Libbert<br />
1931<br />
19 02.07.2008 04514_CAR_PHA 2<br />
Caricetum<br />
appropinquatae W.<br />
Koch 1926<br />
Carex<br />
appropinquata<br />
rein<br />
07.08.2008 05101_CAR_XAP 3<br />
05101<br />
Großseggenwiesen<br />
(Streuwiesen)<br />
Caricion elatae W.<br />
Koch 1926<br />
Caricetum gracilis<br />
(Almquist 1929)<br />
Graebner et Hueck<br />
Carex acuta rein 07.08.2008 05101_CAR_XGR 4<br />
1931<br />
Caricetum acutiformis<br />
Eggler 1933<br />
Carex<br />
acutiformis rein<br />
07.08.2008 05101_CAR_XAC 8<br />
05102<br />
Feuchtwiesen<br />
nährstoffarmer bis<br />
mäßig nährstoffreicher<br />
Standorte<br />
(Pfeifengraswiesen)<br />
Molinion<br />
W. Koch 1926<br />
caeruleae<br />
Molinietum caeruleae<br />
W. Koch 1926<br />
23 28.07.2008<br />
25 28.07.2008<br />
31 07.08.2008<br />
05102_MOL_MOL 5<br />
70
Anhang<br />
_____________________________________________________________________________________________________<br />
Fortsetzung der Tabelle A.2<br />
Biotop-<br />
Biotopbezeichnung Verband Assoziation Flächen-<br />
Datum<br />
der<br />
Endmember-<br />
Klasse<br />
code<br />
nr.<br />
Aufnahme<br />
bezeichnung<br />
05102<br />
Feuchtwiesen<br />
nährstoffarmer bis<br />
mäßig nährstoffreicher<br />
Standorte<br />
(Pfeifengraswiesen)<br />
Molinion<br />
W. Koch 1926<br />
caeruleae<br />
Molinietum caeruleae<br />
W. Koch 1926<br />
32 07.08.2008<br />
33 07.08.2008<br />
05102_MOL_MOL 5<br />
70<br />
05103<br />
Feuchtwiesen<br />
nährstoffreicher<br />
Standorte<br />
Calthion Tx. 1937 -<br />
71<br />
72<br />
07.08.2008 05103_CAL_XXX 6<br />
73<br />
051311<br />
Grünlandbrachen<br />
feuchter Standorte, von<br />
Schilf dominiert<br />
Phragmition australis<br />
( W. Koch 1926)<br />
Phragmitetum<br />
australis (Gams 1927)<br />
Schmale 1939<br />
74 07.08.2008 051311_PHR_PHR 7<br />
71
Anhang<br />
_____________________________________________________________________________________________________<br />
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 3 Aufnahmebogen der Fläche 18<br />
Aufnahmebogen<br />
Tabelle A. 4 Aufnahmebogen der Fläche 19<br />
Aufnahmebogen<br />
Titeldaten<br />
Titeldaten<br />
Flächennummer: 18 Datum: 10.06.2008 Bearbeiter: Dziock (2007), Clasen, <strong>Körth</strong><br />
Flächennummer: 19 Datum: 10.06.2008 Bearbeiter: Dziock (2007), Clasen, <strong>Körth</strong><br />
Lokalität: NSG Ferbitzer Bruch<br />
Biotoptyp / Nutzung:<br />
Ggf. LRT<br />
04511 - Schilfröhricht auf feuchtem Standort. Liegt am Ostrand einer<br />
sehr ausgedehnten, sumpfigen Schilffläche<br />
Max. Höhe: 250 cm<br />
Ø Höhe: 200 cm<br />
Gesamtdeckung:<br />
98 %<br />
Moose: -<br />
Flechten: -<br />
Bemerkung:<br />
Lokalität: NSG Ferbitzer Bruch<br />
Biotoptyp / Nutzung:<br />
Ggf. LRT<br />
04514 - Nasses Rohrglanzgrasröhricht: Liegt am Ostrand einer sehr<br />
ausgedehnten, sumpfigen Schilffläche<br />
Max. Höhe: 170 cm<br />
Ø Höhe: 110 cm<br />
Gesamtdeckung:<br />
100 %<br />
Moose: -<br />
Flechten: -<br />
Bemerkung:<br />
Geschätzte Artenzahl: 16<br />
Aufgenommene Arten<br />
Geschätzte Artenzahl: 11<br />
Aufgenommene Arten<br />
Art Deckung Bemerkung<br />
Phragmites australis 60% Deckungen vom 07.08.2008<br />
Carex appropinquata 20%<br />
Equisetum palustre 5%<br />
Mentha aquatica 5%<br />
Lysimachia vulgaris 4%<br />
Juncus inflexus<br />
Festuca arundinacea<br />
Lathyrus pratensis<br />
Art Deckung Bemerkung<br />
Phalaris arundinacea 45% Deckungen vom 07.08.2008<br />
Carex acutiformis 45%<br />
Lysimachia vulgaris<br />
Serratula tinctoria<br />
Equisetum palustre<br />
Symphytum officinale<br />
Mentha aquatica<br />
Daucus carota<br />
Symphytum officinale<br />
Phragmites australis<br />
72<br />
73
Anhang<br />
_____________________________________________________________________________________________________<br />
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 5 Aufnahmebogen der Fläche 20<br />
Tabelle A. 6 Aufnahmebogen der Fläche 22<br />
Aufnahmebogen<br />
Aufnahmebogen<br />
Titeldaten<br />
Titeldaten<br />
Flächennummer: 20 Datum: 10.06.2008 Bearbeiter: Dziock (2007), Clasen, <strong>Körth</strong><br />
Lokalität: NSG Ferbitzer Bruch<br />
Biotoptyp / Nutzung:<br />
Ggf. LRT<br />
05102 – Pfeifengrasbestand<br />
LRT - 6410<br />
Max. Höhe: 60 cm<br />
Ø Höhe: 35 cm<br />
Gesamtdeckung:<br />
99 %<br />
Offener Boden: 1%<br />
Flechten: -<br />
Bemerkung:<br />
Flächennummer: 22 Datum: 10.06.2008 Bearbeiter: Dziock (2007), Clasen, <strong>Körth</strong><br />
Lokalität: NSG Ferbitzer Bruch<br />
Biotoptyp / Nutzung:<br />
Ggf. LRT<br />
05102 – Homogener, nasser Pfeifengrasbestand<br />
LRT - 6410<br />
Max. Höhe: 65 cm<br />
Ø Höhe: 35 cm<br />
Gesamtdeckung:<br />
100 %<br />
Moos: 2%<br />
Flechten: -<br />
Bemerkung:<br />
Geschätzte Artenzahl: 14<br />
Aufgenommene Arten<br />
Geschätzte Artenzahl: 14<br />
Aufgenommene Arten<br />
Art Deckung Bemerkung<br />
Molinia caerulea 50 % Deckungen vom 07.08.2008<br />
Equisetum palustre 30 %<br />
Cirsium oleraceum 6 %<br />
Galium uliginosum 5 %<br />
Carex panicea 5 %<br />
Lysimachia vulgaris 1 %<br />
Serratula tinctoria<br />
Vicia cracca<br />
Ranunculus acris<br />
Carex flacca<br />
Valeriana officinalis<br />
Art Deckung Bemerkung<br />
Molinia caerulea 80 % Deckungen vom 07.08.2008<br />
Carex tomentosa 5 %<br />
Equisetum palustre 5 %<br />
Serratula tinctoria<br />
Potentilla erecta<br />
Lysimachia vulgaris<br />
Cirsium oleraceum<br />
Galium uliginosum<br />
Festuca rubra<br />
Angelica sylvestris<br />
Symphytum offincinale<br />
74<br />
75
Anhang<br />
_____________________________________________________________________________________________________<br />
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 7 Aufnahmebogen der Fläche 23<br />
Aufnahmebogen<br />
Tabelle A. 8 Aufnahmebogen der Fläche 24<br />
Aufnahmebogen<br />
Titeldaten<br />
Titeldaten<br />
Flächennummer: 23 Datum: 10.06.2008 Bearbeiter: Dziock (2007), Clasen, <strong>Körth</strong><br />
Lokalität: NSG Ferbitzer Bruch<br />
Biotoptyp / Nutzung:<br />
Ggf. LRT<br />
05102 – Mäßig nasser Pfeifengrasbestand<br />
LRT - 6410<br />
Max. Höhe: 60 cm<br />
Ø Höhe: 30 cm<br />
Gesamtdeckung:<br />
98 %<br />
Moos: 1%<br />
Offener Boden: 1%<br />
Bemerkung:<br />
Flächennummer: 24 Datum: 16.06.2008 Bearbeiter: Dziock (2007), Clasen, <strong>Körth</strong><br />
Lokalität: NSG Ferbitzer Bruch<br />
Biotoptyp / Nutzung:<br />
Ggf. LRT<br />
05102 – Pfeifengras-Schilfbestand<br />
LRT - 6410<br />
Max. Höhe: 180 cm<br />
Ø Höhe: 70 cm<br />
Gesamtdeckung:<br />
100 %<br />
Moos:<br />
Offener Boden:<br />
Bemerkung:<br />
Geschätzte Artenzahl: 15<br />
Aufgenommene Arten<br />
Geschätzte Artenzahl: 16<br />
Aufgenommene Arten<br />
Art Deckung Bemerkung<br />
Molinia caerulea 60 % Deckungen vom 07.08.2008<br />
Carex flacca 15 %<br />
Equisetum palustre 7 %<br />
Carex panicea 5 %<br />
Serratula tinctoria<br />
Festuca arundinacea<br />
Selinum carvifolia<br />
Cirsium palustre<br />
Vicia cracca<br />
Dactylorhiza majalis<br />
Lythrum salicaria<br />
Art Deckung Bemerkung<br />
Molinia caerulea 65 % Deckungen vom 07.08.2008<br />
Phragmites australis 25 %<br />
Galium uliginosum 20 %<br />
Lysimachia vulgaris<br />
Vicia cracca<br />
Cirsium palustre<br />
Filipendula ulmaria<br />
Lathyrus pratensis<br />
Cirsium arvense<br />
Briza media<br />
Potentilla reptans<br />
76<br />
77
Anhang<br />
_____________________________________________________________________________________________________<br />
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 9 Aufnahmebogen der Fläche 25<br />
Aufnahmebogen<br />
Tabelle A. 10 Aufnahmebogen der Fläche 26<br />
Aufnahmebogen<br />
Titeldaten<br />
Titeldaten<br />
Flächennummer: 25 Datum: 16.06.2008 Bearbeiter: Dziock (2007), Clasen, <strong>Körth</strong><br />
Lokalität: NSG Ferbitzer Bruch<br />
Biotoptyp / Nutzung:<br />
Ggf. LRT<br />
05102 – mäßig-nasser Pfeifengrasbestand<br />
LRT - 6410<br />
Max. Höhe: 60 cm<br />
Ø Höhe: 25 cm<br />
Gesamtdeckung:<br />
98 %<br />
Moos:<br />
Offener Boden: 2 %<br />
Bemerkung:<br />
Flächennummer: 26 Datum: 16.06.2008 Bearbeiter: Dziock (2007), Clasen, <strong>Körth</strong><br />
Lokalität: NSG Ferbitzer Bruch<br />
Biotoptyp / Nutzung: 04511 – Nasser, lückiger Schilfbestand<br />
Ggf. LRT<br />
Max. Höhe: 200 cm<br />
Ø Höhe: 140 cm<br />
Gesamtdeckung:<br />
95 %<br />
Moos: 5 %<br />
Offener Boden:<br />
Bemerkung: alte Blüten noch vorhanden; leicht gestörter Standort, relativ homogen<br />
Geschätzte Artenzahl: 18<br />
Aufgenommene Arten<br />
Geschätzte Artenzahl: 15<br />
Aufgenommene Arten<br />
Art Deckung Bemerkung<br />
Molinia caerulea 70 % Deckungen vom 07.08.2008<br />
Carex hostiana 5 %<br />
Cirsium palustre<br />
Serratula tinctoria<br />
Valeriana officinalis<br />
Carex flacca<br />
Symphytum officinale<br />
Potentilla erecta<br />
Galium album<br />
Equisetum palustre<br />
Potentilla reptans<br />
Art Deckung Bemerkung<br />
Phragmites australis 90 % Deckungen vom 07.08.2008<br />
Molinia caerulea<br />
Lysimachia vulgaris<br />
Calamagrostis epigeios<br />
Lythrum salicaria<br />
Equisetum palustre<br />
Galium uliginosum<br />
Symphytum officinale<br />
Deschampsia cespitosa<br />
Alisma plantago-aquatica<br />
Carex appropinquata<br />
Mentha aquatica<br />
78<br />
79
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 11 Aufnahmebogen der Fläche 27<br />
Aufnahmebogen<br />
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 12 Aufnahmebogen der Fläche 28<br />
Aufnahmebogen<br />
Titeldaten<br />
Titeldaten<br />
Flächennummer: 27 Datum: 16.06.2008 Bearbeiter: Dziock (2007), Clasen, <strong>Körth</strong><br />
Lokalität: NSG Ferbitzer Bruch<br />
Flächennummer: 28 Datum: 16.06.2008 Bearbeiter: Dziock (2007), Clasen, <strong>Körth</strong><br />
Lokalität: NSG Ferbitzer Bruch<br />
Biotoptyp / Nutzung:<br />
Ggf. LRT<br />
04511 – Nasser, dichter, homogener und hochwüchsiger Schilfbestand<br />
Biotoptyp / Nutzung:<br />
Ggf. LRT<br />
04511 – Sehr nasser, dichter, homogener und hochwüchsiger<br />
Schilfbestand<br />
Max. Höhe: 250 cm<br />
Ø Höhe: 170 cm<br />
Bemerkung:<br />
Gesamtdeckung:<br />
98 %<br />
Moos:<br />
Offener Boden: 2 %<br />
Max. Höhe: 250 cm Gesamtdeckung:<br />
Ø Höhe: 250 cm 98 %<br />
Bemerkung: etwa 30 cm überstaut<br />
Moos:<br />
Offene Wasserfläche: 2 %<br />
Geschätzte Artenzahl: 15<br />
Aufgenommene Arten<br />
Geschätzte Artenzahl: 3<br />
Aufgenommene Arten<br />
Art Deckung Bemerkung<br />
Phragmites australis 95 % Deckungen vom 07.08.2008<br />
Carex appropinquata 15 %<br />
Symphytum officinale<br />
Art Deckung Bemerkung<br />
Phragmites australis 98 % Deckungen vom 07.08.2008<br />
Hydrocharis morsus-ranae<br />
Lycopus europaeus<br />
Lathyrus palustris<br />
Galium uliginosum<br />
Mentha aquatica<br />
Poa trivialis<br />
Scutelaria galericulata<br />
Cardamine amara<br />
Peucedanum palustre<br />
Carex pseudocyperus<br />
Lysimachia vulgaris<br />
Alisma plantago-aquatica<br />
80<br />
81
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 13 Aufnahmebogen der Fläche 29<br />
Aufnahmebogen<br />
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 14 Aufnahmebogen der Fläche 30<br />
Aufnahmebogen<br />
Titeldaten<br />
Titeldaten<br />
Flächennummer: 29 Datum: 16.06.2008 Bearbeiter: Dziock (2007), Clasen, <strong>Körth</strong><br />
Lokalität: NSG Ferbitzer Bruch<br />
Biotoptyp / Nutzung: 04511 – Sehr nasser, relativ dichter, homogener Schilfbestand<br />
Ggf. LRT<br />
Max. Höhe: 250 cm<br />
Ø Höhe: 250 cm<br />
Gesamtdeckung:<br />
95 %<br />
Moos:<br />
Offene Wasserfläche: 5 %<br />
Bemerkung: ohne vertrocknete Schilfüberhälter vom letzten Jahr<br />
Flächennummer: 30 Datum: 16.06.2008 Bearbeiter: Dziock (2007), Clasen, <strong>Körth</strong><br />
Lokalität: NSG Ferbitzer Bruch<br />
Biotoptyp / Nutzung:<br />
Ggf. LRT<br />
05102 – Homogener, feuchter Pfeifengrasbestand<br />
LRT - 6410<br />
Max. Höhe: 60 cm<br />
Ø Höhe: 30 cm<br />
Gesamtdeckung:<br />
98<br />
Moos:<br />
Offener Boden: 2 %<br />
Bemerkung: Blühaspekt: Potentilla erecta, Carex spec., Dactylorhiza majalis<br />
Geschätzte Artenzahl: 9<br />
Aufgenommene Arten<br />
Geschätzte Artenzahl: 15<br />
Aufgenommene Arten<br />
Art Deckung Bemerkung<br />
Phragmites australis 65 % Deckungen vom 07.08.2008<br />
Carex acutiformis 20 %<br />
Lycopus europaeus<br />
Lysimachia vulgaris<br />
Mentha aquatica<br />
Symphytum officinale<br />
Poa trivialis<br />
Scutelaria galericulata<br />
Equisetum palustre<br />
Art Deckung Bemerkung<br />
Molinia caerulea 80 % Deckungen vom 07.08.2008<br />
Tetragonolobus maritimus<br />
Potentilla erecta<br />
Cirsium palustre<br />
Serratula tinctoria<br />
Carex flacca<br />
Galium uliginosum<br />
Pimpinella major<br />
Vicia cracca<br />
Carex hostiana<br />
Briza media<br />
Cirsium arvense<br />
Dactylorhiza majalis<br />
Dactylis glomerata<br />
82<br />
83
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 15 Aufnahmebogen der Fläche 31<br />
Aufnahmebogen<br />
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 16 Aufnahmebogen der Fläche 32<br />
Aufnahmebogen<br />
Titeldaten<br />
Titeldaten<br />
Flächennummer: 31 Datum: 16.06.2008 Bearbeiter: Dziock (2007), Clasen, <strong>Körth</strong><br />
Lokalität: NSG Ferbitzer Bruch<br />
Flächennummer: 32 Datum: 16.06.2008 Bearbeiter: Dziock (2007), Clasen, <strong>Körth</strong><br />
Lokalität: NSG Ferbitzer Bruch<br />
Biotoptyp / Nutzung:<br />
05102 – Pfeifengrasbestand<br />
Biotoptyp / Nutzung:<br />
05102 – Homogener, relativ trockener Pfeifengrasbestand.<br />
Ggf. LRT<br />
LRT - 6410<br />
Ggf. LRT<br />
LRT - 6410<br />
Max. Höhe: 70 cm<br />
Gesamtdeckung:<br />
Moos:<br />
Max. Höhe: 70 cm<br />
Gesamtdeckung:<br />
Moos:<br />
Ø Höhe: 35 cm<br />
99 %<br />
Offener Boden: 1 %<br />
Ø Höhe: 30 cm<br />
99 %<br />
Offener Boden: 1 %<br />
Bemerkung: Leicht gestörter Standort , der mit Gemeinem Knaulgras und Ackerkratzdistel<br />
durchsetzt ist<br />
Bemerkung:<br />
Geschätzte Artenzahl: 19<br />
Aufgenommene Arten<br />
Geschätzte Artenzahl: 17<br />
Aufgenommene Arten<br />
Art Deckung Bemerkung<br />
Molinia caerulea 80 % Deckungen vom 07.08.2008<br />
Serratula tinctoria 15 %<br />
Cirsium arvense<br />
Pimpinella major<br />
Dactylis glomerata<br />
Festuca pratensis<br />
Potentilla erecta<br />
Taraxacum officinale<br />
Galium uligonosum<br />
Succisa pratensis<br />
Selinum carvifolia<br />
Dactylorhiza majalis<br />
Tetragonolobus maritimus<br />
Equisetum palustre<br />
Carex flacca<br />
Art Deckung Bemerkung<br />
Molinia caerulea 80 % Deckungen vom 07.08.2008<br />
Carex hostiana 5 %<br />
Potentilla erecta<br />
Epipactis palustris<br />
Tetragonalobus maritimus<br />
Serratula tinctoria<br />
Selinum carvifolia<br />
Carex hostiana<br />
Carex flacca<br />
Briza media<br />
Equisetum palustre<br />
Succisa pratensis<br />
Pimpinella major<br />
Vicia cracca<br />
Valeriana officinalis<br />
Cirsium palustre<br />
84<br />
85
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 17 Aufnahmebogen der Fläche 33<br />
Aufnahmebogen<br />
Titeldaten<br />
Flächennummer: 33 Datum: 16.06.2008 Bearbeiter: Dziock (2007), Clasen, <strong>Körth</strong><br />
Lokalität: NSG Ferbitzer Bruch<br />
Biotoptyp / Nutzung:<br />
Ggf. LRT<br />
05102 – feuchte Pfeifengraswiese<br />
LRT - 6410<br />
Max. Höhe: 80 cm<br />
Ø Höhe: 35 cm<br />
Gesamtdeckung:<br />
98 %<br />
Moos: 2 %<br />
Offener Boden:<br />
Bemerkung:<br />
Anhang<br />
_____________________________________________________________________________________________________<br />
Fortsetzung Tabelle A.17<br />
Art Deckung Bemerkung<br />
Lythrum salicaria<br />
Lysimachia vulgaris<br />
Juncus inflexus<br />
Phragmites australis<br />
Carex panicea<br />
Dactylorhiza majalis<br />
Geschätzte Artenzahl: 25<br />
Aufgenommene Arten<br />
Art Deckung Bemerkung<br />
Molinia caerulea 80 % Deckungen vom 07.08.2008<br />
Carex hostiana 5 %<br />
Serratula tinctoria<br />
Potentilla erecta<br />
Cirsium palustre<br />
Ranunculus acris<br />
Galium uligonosum<br />
Vicia cracca<br />
Mentha aquatica<br />
Equisetum palustre<br />
Carex flacca<br />
Peucedanum palustre<br />
Pimpinella major<br />
Rubus idaeus<br />
86<br />
87
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 18 Aufnahmebogen der Fläche 34<br />
Aufnahmebogen<br />
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 19 Aufnahmebogen der Fläche 70<br />
Aufnahmebogen<br />
Titeldaten<br />
Titeldaten<br />
Flächennummer: 34 Datum: 19.06.2008 Bearbeiter: Dziock (2007), Clasen, <strong>Körth</strong><br />
Lokalität: NSG Ferbitzer Bruch<br />
Flächennummer: 70 Datum: 17.06.2008 Bearbeiter: Clasen, <strong>Körth</strong><br />
Lokalität: NSG Ferbitzer Bruch<br />
Biotoptyp / Nutzung:<br />
Ggf. LRT<br />
04511 – Nasser, lückiger, seggenreicher, relativ homogener<br />
Schilfbestand<br />
Biotoptyp / Nutzung:<br />
Ggf. LRT<br />
05103 – von Sumpf-Storchschnabel und Wiesenfuchsschwanz<br />
durchsetzte nährstoffreiche Feuchtwiese<br />
Max. Höhe: 200 cm<br />
Gesamtdeckung:<br />
Moos:<br />
Max. Höhe: 110 cm<br />
Gesamtdeckung:<br />
Moos:<br />
Ø Höhe: 170 cm<br />
97 %<br />
Offene Wassserfläche: 3 %<br />
Ø Höhe: 60 cm<br />
100 %<br />
Offene Wassserfläche:<br />
Bemerkung: Mit einigen Wasserstellen durchsetzt<br />
Bemerkung: Blühaspekt: Geranium palustre, Alopecurus pratense<br />
Geschätzte Artenzahl: 12<br />
Geschätzte Artenzahl: 18<br />
Aufgenommene Arten<br />
Aufgenommene Arten<br />
Art Deckung Bemerkung<br />
Phragmites australis 65 % Deckungen vom 07.08.2008<br />
Carex appropinquata 30 %<br />
Molinia caerulea 5 %<br />
Lysimachia vulgaris<br />
Galium uligonosum<br />
Peucedanum palustre<br />
Equisetum palustre<br />
Art Deckung Bemerkung<br />
Geranium palustre 60 % Deckungen vom 07.08.2008<br />
Carex acuta 20 %<br />
Lotus pedunculatus 10 %<br />
Alopecurus pratensis<br />
Lythrum salicaria<br />
Cirsium palustre<br />
Filipendula ulmaria<br />
Vicia cracca<br />
Valeriana dioica<br />
88<br />
89
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 20 Aufnahmebogen der Fläche 71<br />
Aufnahmebogen<br />
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 21 Aufnahmebogen der Fläche 72<br />
Aufnahmebogen<br />
Titeldaten<br />
Titeldaten<br />
Flächennummer: 71 Datum: 17.06.2008 Bearbeiter: Clasen, <strong>Körth</strong><br />
Lokalität: NSG Ferbitzer Bruch<br />
Flächennummer: 72 Datum: 17.06.2008 Bearbeiter: Clasen, <strong>Körth</strong><br />
Lokalität: NSG Ferbitzer Bruch<br />
Biotoptyp / Nutzung:<br />
05103 – von Mädesüß durchsetzte nährstoffreiche Feuchtwiese<br />
Biotoptyp / Nutzung:<br />
05103 – mit Landreitgras durchsetzte Feuchtwiese<br />
Ggf. LRT<br />
Ggf. LRT<br />
Max. Höhe: 80 cm<br />
Gesamtdeckung:<br />
Moos:<br />
Max. Höhe: 110 cm<br />
Gesamtdeckung:<br />
Moos:<br />
Ø Höhe: 50 cm<br />
98 %<br />
Offener Boden: 2 %<br />
Ø Höhe: 70 cm<br />
100 %<br />
Offener Boden:<br />
Bemerkung: sonniger Standort; nach N und O schließt sich Feuchtwiese mit Wiesenfuchsschwanz<br />
an, nach S seggenreiche Feuchtwiese<br />
Bemerkung: Blühaspekt: Beginn Calamagrostis epigejos<br />
Geschätzte Artenzahl: 21<br />
Blühaspekt: Beginn Filipendula ulmaria, Geranium palustre, Carex acutiformis<br />
Aufgenommene Arten<br />
Geschätzte Artenzahl: 24<br />
Aufgenommene Arten<br />
Art Deckung Bemerkung<br />
Carex acutiformis 45 % Deckungen vom 07.08.2008<br />
Filipendula ulmaria 25 %<br />
Geranium palustre 5 %<br />
Mentha aquatica 5 %<br />
Lythrum salicaria<br />
Lotus pedunculatus<br />
Juncus effusus<br />
Ranunculus acris<br />
Myosotis scorpioides L. ssp scorpioides<br />
Art Deckung Bemerkung<br />
Carex acutiformis 70 % Deckungen vom 07.08.2008<br />
Calamagrostis epigejos 20 %<br />
Geranium palustre<br />
Filipendula ulmaria<br />
Vicia Cracca<br />
Lysimachia vulgaris<br />
Dactylis glomerata<br />
Valeriana officinalis<br />
Agrimonia eupatoria<br />
Dactylis glomerata<br />
Vicia cracca<br />
90<br />
91
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 22 Aufnahmebogen der Fläche 73<br />
Aufnahmebogen<br />
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 23 Aufnahmebogen der Fläche 74<br />
Aufnahmebogen<br />
Titeldaten<br />
Titeldaten<br />
Flächennummer: 73 Datum: 17.06.2008 Bearbeiter: Clasen, <strong>Körth</strong><br />
Lokalität: NSG Ferbitzer Bruch<br />
Flächennummer: 74 Datum: 17.06.2008 Bearbeiter: Clasen, <strong>Körth</strong><br />
Lokalität: NSG Ferbitzer Bruch<br />
Biotoptyp / Nutzung:<br />
Ggf. LRT<br />
05103 – von Mentha aquatica dominierte nährstoffreiche Feuchtwiese<br />
im Übergangsbereich zu Schilfröhricht<br />
Biotoptyp / Nutzung:<br />
Ggf. LRT<br />
051311 – verbrachte nährstoffreiche Feuchtwiese, von Schilf dominiert<br />
Max. Höhe: 120 cm<br />
Gesamtdeckung:<br />
Moos:<br />
Max. Höhe: 200 cm<br />
Gesamtdeckung:<br />
Moos:<br />
Ø Höhe: 75 cm<br />
100 %<br />
Offener Boden:<br />
Ø Höhe: 120 cm<br />
100 %<br />
Offener Boden:<br />
Bemerkung: Blühaspekt: Beginn Ranunculus acris<br />
Bemerkung: Blühaspekt: Beginn Geranium palustre, Symphytum officinale beginnend<br />
Geschätzte Artenzahl: 19<br />
Geschätzte Artenzahl: 21<br />
Aufgenommene Arten<br />
Aufgenommene Arten<br />
Art Deckung Bemerkung<br />
Mentha aquatica 60 % Deckungen vom 07.08.2008<br />
Carex acutiformis 15 %<br />
Lotus pedunculatus 10 %<br />
Phragmites australis 5 %<br />
Ranunculus acris<br />
Lysimachia vulgaris<br />
Geranium palustre<br />
Art Deckung Bemerkung<br />
Phragmites australis 80 % Deckungen vom 07.08.2008<br />
Mentha aquatica 10 %<br />
Symphytum officinale<br />
Geranium palustre<br />
Lotus pedunculatus<br />
Ranunculus acris<br />
Vicia cracca<br />
Lythrum salicaria<br />
Lysimachia vulgaris<br />
Filipendula ulmaria<br />
Scophularia nodosa<br />
92<br />
93
Anhang<br />
_____________________________________________________________________________________________________<br />
SAM-Klassifikation mit Feldspektren als Endmember und der MNF-transformierten<br />
HyMap-Szene<br />
Tabelle A. 24 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, der MNF-transformatierten HyMap-<br />
Szene und dem Schwellenwert α E mean<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
Tabelle A. 25 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, der MNF-transformatierten HyMap-<br />
Szene und dem Schwellenwert α E mean + 1 sd<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 3 3 2 3 10 0 0 11 120 1,00 0,73 0,87<br />
04511_PHR_PHR 1 0 10 0 2 0 1 0 3 2 18 0,59 0,56 0,57<br />
04514_CAR_PHA 2 0 0 6 3 0 0 0 0 0 9 0,40 0,67 0,53<br />
05101_CAR_XAP 3 0 0 3 4 3 3 0 0 2 15 0,36 0,27 0,32<br />
05101_CAR_XGR 4 0 0 0 0 0 0 0 0 1 1 0,00 0,00 0,00<br />
05102_MOL_MOL 5 0 1 1 0 0 15 0 0 3 20 0,45 0,75 0,60<br />
05103_CAL_XXX 6 0 2 2 0 7 1 24 0 1 37 0,96 0,65 0,80<br />
051311_PHR_PHR 7 0 1 0 0 0 0 1 6 1 9 0,67 0,67 0,67<br />
05101_CAR_XAC 8 0 0 0 0 0 3 0 0 9 12 0,30 0,75 0,53<br />
Overall Acc. 0,672<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,575<br />
Tabelle A. 26 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, der MNF-transformatierten HyMap-<br />
Szene und dem Schwellenwert α E mean + 2 sd<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 8 3 3 4 9 0 0 12 127 1,00 0,69 0,85<br />
04511_PHR_PHR 1 0 7 0 1 0 1 0 4 3 16 0,41 0,44 0,42<br />
04514_CAR_PHA 2 0 0 7 3 0 0 0 0 0 10 0,47 0,70 0,58<br />
05101_CAR_XAP 3 0 0 3 4 6 6 0 0 2 21 0,36 0,19 0,28<br />
05101_CAR_XGR 4 0 0 1 0 0 0 0 0 2 3 0,00 0,00 0,00<br />
05102_MOL_MOL 5 0 0 0 0 0 12 0 0 1 13 0,36 0,92 0,64<br />
05103_CAL_XXX 6 0 0 0 0 3 0 24 0 1 28 0,96 0,86 0,91<br />
051311_PHR_PHR 7 0 0 0 0 0 0 1 5 0 6 0,56 0,83 0,69<br />
05101_CAR_XAC 8 0 2 1 0 0 5 0 0 9 17 0,30 0,53 0,41<br />
Overall Acc. 0,647<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,540<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 3 3 2 3 10 0 0 11 120 1,00 0,73 0,87<br />
04511_PHR_PHR 1 0 10 0 2 0 1 0 3 2 18 0,59 0,56 0,57<br />
04514_CAR_PHA 2 0 0 6 3 0 0 0 0 0 9 0,40 0,67 0,53<br />
05101_CAR_XAP 3 0 0 3 4 3 3 0 0 2 15 0,36 0,27 0,32<br />
05101_CAR_XGR 4 0 0 0 0 0 0 0 0 1 1 0,00 0,00 0,00<br />
05102_MOL_MOL 5 0 1 1 0 0 15 0 0 3 20 0,45 0,75 0,60<br />
05103_CAL_XXX 6 0 2 2 0 7 1 24 0 1 37 0,96 0,65 0,80<br />
051311_PHR_PHR 7 0 1 0 0 0 0 1 6 1 9 0,67 0,67 0,67<br />
05101_CAR_XAC 8 0 0 0 0 0 3 0 0 9 12 0,30 0,75 0,53<br />
Overall Acc. 0,672<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,575<br />
94<br />
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 27 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, der MNF-transformatierten HyMap-<br />
Szene und dem Schwellenwert α E max<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 3 3 2 3 10 0 0 11 120 1,00 0,73 0,87<br />
04511_PHR_PHR 1 0 10 0 2 0 1 0 3 2 18 0,59 0,56 0,57<br />
04514_CAR_PHA 2 0 0 6 3 0 0 0 0 0 9 0,40 0,67 0,53<br />
05101_CAR_XAP 3 0 0 3 4 3 3 0 0 1 14 0,36 0,29 0,32<br />
05101_CAR_XGR 4 0 0 0 0 0 0 0 0 2 2 0,00 0,00 0,00<br />
05102_MOL_MOL 5 0 1 2 0 0 15 0 0 2 20 0,45 0,75 0,60<br />
05103_CAL_XXX 6 0 2 1 0 7 1 24 0 3 38 0,96 0,63 0,80<br />
051311_PHR_PHR 7 0 1 0 0 0 0 1 6 1 9 0,67 0,67 0,67<br />
05101_CAR_XAC 8 0 0 0 0 0 3 0 0 8 11 0,27 0,73 0,50<br />
Overall Acc. 0,668<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,570<br />
Tabelle A. 28 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der MNF-transformatierten<br />
HyMap-Szene und dem Schwellenwert α E max + 1 sd<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 3 3 2 3 10 0 0 11 120 1,00 0,73 0,87<br />
04511_PHR_PHR 1 0 10 0 2 0 1 0 3 2 18 0,59 0,56 0,57<br />
04514_CAR_PHA 2 0 0 6 3 0 0 0 0 0 9 0,40 0,67 0,53<br />
05101_CAR_XAP 3 0 0 3 4 3 3 0 0 2 15 0,36 0,27 0,32<br />
05101_CAR_XGR 4 0 0 0 0 0 0 0 0 1 1 0,00 0,00 0,00<br />
05102_MOL_MOL 5 0 1 1 0 0 15 0 0 3 20 0,45 0,75 0,60<br />
05103_CAL_XXX 6 0 2 2 0 7 1 24 0 1 37 0,96 0,65 0,80<br />
051311_PHR_PHR 7 0 1 0 0 0 0 1 6 1 9 0,67 0,67 0,67<br />
05101_CAR_XAC 8 0 0 0 0 0 3 0 0 9 12 0,30 0,75 0,53<br />
Overall Acc. 0,672<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,575<br />
Tabelle A. 29 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der MNF-transformatierten<br />
HyMap-Szene und dem Schwellenwert α E max + 2 sd<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 3 3 2 3 10 0 0 11 120 1,00 0,73 0,87<br />
04511_PHR_PHR 1 0 10 0 2 0 1 0 3 2 18 0,59 0,56 0,57<br />
04514_CAR_PHA 2 0 0 6 3 0 0 0 0 0 9 0,40 0,67 0,53<br />
05101_CAR_XAP 3 0 0 3 4 3 3 0 0 2 15 0,36 0,27 0,32<br />
05101_CAR_XGR 4 0 0 0 0 0 0 0 0 1 1 0,00 0,00 0,00<br />
05102_MOL_MOL 5 0 1 1 0 0 15 0 0 3 20 0,45 0,75 0,60<br />
05103_CAL_XXX 6 0 2 2 0 7 1 24 0 1 37 0,96 0,65 0,80<br />
051311_PHR_PHR 7 0 1 0 0 0 0 1 6 1 9 0,67 0,67 0,67<br />
05101_CAR_XAC 8 0 0 0 0 0 3 0 0 9 12 0,30 0,75 0,53<br />
Overall Acc. 0,672<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,575<br />
95
Anhang<br />
_____________________________________________________________________________________________________<br />
SAM-Klassifikation mit Bildspektren als Endmember und der MNF-transformierten<br />
HyMap-Szene<br />
Tabelle A. 30 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der MNF-transformatierten<br />
HyMap-Szene und dem Schwellenwert α E mean<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 5 15 5 0 10 1 0 0 124 1,00 0,71 0,85<br />
04511_PHR_PHR 1 0 12 0 4 4 0 1 0 3 24 0,71 0,50 0,60<br />
04514_CAR_PHA 2 0 0 0 1 1 0 0 0 0 2 0,00 0,00 0,00<br />
05101_CAR_XAC 3 0 0 0 17 0 0 10 0 0 27 0,57 0,63 0,60<br />
05101_CAR_XAP 4 0 0 0 2 6 0 6 0 0 14 0,55 0,43 0,49<br />
05101_CAR_XGR 5 0 0 0 0 0 2 0 0 0 2 0,15 1,00 0,58<br />
05102_MOL_MOL 6 0 0 0 0 0 0 15 0 0 15 0,45 1,00 0,73<br />
05103_CAL_XXX 7 0 0 0 0 0 1 0 23 0 24 0,92 0,96 0,94<br />
051311_PHR_PHR 8 0 0 0 1 0 0 0 2 6 9 0,67 0,67 0,67<br />
Overall Acc. 0,701<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,611<br />
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 33 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der MNF-transformatierten<br />
HyMap-Szene und dem Schwellenwert α E max<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 1 3 2 0 1 0 0 0 95 1,00 0,93 0,96<br />
04511_PHR_PHR 1 0 16 0 4 4 0 1 0 3 28 0,94 0,57 0,76<br />
04514_CAR_PHA 2 0 0 1 1 1 0 0 0 0 3 0,07 0,33 0,20<br />
05101_CAR_XAC 3 0 0 0 17 0 0 10 0 0 27 0,57 0,63 0,60<br />
05101_CAR_XAP 4 0 0 5 3 6 5 7 0 0 26 0,55 0,23 0,39<br />
05101_CAR_XGR 5 0 0 6 1 0 5 0 0 0 12 0,38 0,42 0,40<br />
05102_MOL_MOL 6 0 0 0 0 0 0 15 0 0 15 0,45 1,00 0,73<br />
05103_CAL_XXX 7 0 0 0 0 0 2 0 23 0 25 0,92 0,92 0,92<br />
051311_PHR_PHR 8 0 0 0 2 0 0 0 2 6 10 0,67 0,60 0,63<br />
Overall Acc. 0,734<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,670<br />
Tabelle A. 34 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der MNF-transformatierten<br />
HyMap-Szene und dem Schwellenwert α E max + 1 sd<br />
Tabelle A. 31 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der MNF-transformatierten<br />
HyMap-Szene und dem Schwellenwert α E mean + 1 sd<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 1 4 2 0 0 0 0 0 95 1,00 0,93 0,96<br />
04511_PHR_PHR 1 0 14 0 3 4 0 1 0 3 25 0,82 0,56 0,69<br />
04514_CAR_PHA 2 0 0 3 0 1 0 1 0 0 5 0,20 0,60 0,40<br />
05101_CAR_XAC 3 0 0 0 20 0 0 9 0 0 29 0,67 0,69 0,68<br />
05101_CAR_XAP 4 0 0 0 1 6 1 6 0 0 14 0,55 0,43 0,49<br />
05101_CAR_XGR 5 0 2 8 2 0 11 0 0 0 23 0,85 0,48 0,66<br />
05102_MOL_MOL 6 0 0 0 0 0 0 16 0 0 16 0,48 1,00 0,74<br />
05103_CAL_XXX 7 0 0 0 0 0 1 0 23 0 24 0,92 0,96 0,94<br />
051311_PHR_PHR 8 0 0 0 2 0 0 0 2 6 10 0,67 0,60 0,63<br />
Overall Acc. 0,776<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,721<br />
Unklassifiziert 0 88 1 3 1 0 0 0 0 0 93 1,00 0,95 0,97<br />
04511_PHR_PHR 1 0 16 0 4 4 0 1 0 3 28 0,94 0,57 0,76<br />
04514_CAR_PHA 2 0 0 3 1 1 1 0 0 0 6 0,20 0,50 0,35<br />
05101_CAR_XAC 3 0 0 0 17 0 0 10 0 0 27 0,57 0,63 0,60<br />
05101_CAR_XAP 4 0 0 3 3 6 4 7 0 0 23 0,55 0,26 0,40<br />
05101_CAR_XGR 5 0 0 5 1 0 6 0 0 0 12 0,46 0,50 0,48<br />
05102_MOL_MOL 6 0 0 0 0 0 0 15 0 0 15 0,45 1,00 0,73<br />
05103_CAL_XXX 7 0 0 0 1 0 2 0 23 0 26 0,92 0,88 0,90<br />
051311_PHR_PHR 8 0 0 1 2 0 0 0 2 6 11 0,67 0,55 0,61<br />
Overall Acc. 0,747<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,686<br />
Tabelle A. 35 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der MNF-transformatierten<br />
HyMap-Szene und dem Schwellenwert α E max + 2 sd<br />
Tabelle A. 32 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der MNF-transformatierten<br />
HyMap-Szene und dem Schwellenwert α E mean + 2 sd<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 1 3 2 0 0 0 0 0 94 1,00 0,94 0,97<br />
04511_PHR_PHR 1 0 15 0 3 4 0 1 0 3 26 0,88 0,58 0,73<br />
04514_CAR_PHA 2 0 0 4 1 2 0 1 0 0 8 0,27 0,50 0,38<br />
05101_CAR_XAC 3 0 0 0 20 0 0 12 0 0 32 0,67 0,63 0,65<br />
05101_CAR_XAP 4 0 0 0 0 3 1 3 0 0 7 0,27 0,43 0,35<br />
05101_CAR_XGR 5 0 1 6 2 0 11 0 0 0 20 0,85 0,55 0,70<br />
05102_MOL_MOL 6 0 0 1 1 0 0 15 0 0 17 0,45 0,88 0,67<br />
05103_CAL_XXX 7 0 0 0 0 2 1 1 23 0 27 0,92 0,85 0,89<br />
051311_PHR_PHR 8 0 0 1 1 0 0 0 2 6 10 0,67 0,60 0,63<br />
Overall Acc. 0,768<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,711<br />
Unklassifiziert 0 88 1 2 1 0 0 0 0 0 92 1,00 0,96 0,98<br />
04511_PHR_PHR 1 0 16 0 4 4 0 1 0 3 28 0,94 0,57 0,76<br />
04514_CAR_PHA 2 0 0 4 1 1 1 1 0 0 8 0,27 0,50 0,38<br />
05101_CAR_XAC 3 0 0 0 18 0 0 10 0 0 28 0,60 0,64 0,62<br />
05101_CAR_XAP 4 0 0 1 1 6 1 6 0 0 15 0,55 0,40 0,47<br />
05101_CAR_XGR 5 0 0 6 2 0 7 0 0 0 15 0,54 0,47 0,50<br />
05102_MOL_MOL 6 0 0 1 1 0 0 15 0 0 17 0,45 0,88 0,67<br />
05103_CAL_XXX 7 0 0 0 1 0 4 0 23 0 28 0,92 0,82 0,87<br />
051311_PHR_PHR 8 0 0 1 1 0 0 0 2 6 10 0,67 0,60 0,63<br />
Overall<br />
Acc. 0,759<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,702<br />
96<br />
97
Anhang<br />
_____________________________________________________________________________________________________<br />
SAM-Klassifikation mit Feldspektren als Endmember und der ersten Ableitung der<br />
MNF-transformierten HyMap-Szene<br />
Tabelle A. 36 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der ersten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E mean<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 10 2 7 4 8 0 2 20 141 1,00 0,62 0,81<br />
04511_PHR_PHR 1 0 2 0 0 0 0 0 0 0 2 0,12 1,00 0,56<br />
04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAP 3 0 2 0 1 0 0 0 0 0 3 0,09 0,33 0,21<br />
05101_CAR_XGR 4 0 0 3 1 5 0 0 0 2 11 0,38 0,45 0,42<br />
05102_MOL_MOL 5 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05103_CAL_XXX 6 0 3 10 2 4 23 25 4 8 79 1,00 0,32 0,66<br />
051311_PHR_PHR 7 0 0 0 0 0 0 0 3 0 3 0,33 1,00 0,67<br />
05101_CAR_XAC 8 0 0 0 0 0 2 0 0 0 2 0,00 0,00 0,00<br />
Overall Acc. 0,515<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,350<br />
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 39 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der ersten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E max<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 2 2 0 0 0 0 0 2 94 1,00 0,94 0,97<br />
04511_PHR_PHR 1 0 2 0 0 0 0 0 0 0 2 0,12 1,00 0,56<br />
04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAP 3 0 3 0 2 0 0 0 0 0 5 0,18 0,40 0,29<br />
05101_CAR_XGR 4 0 3 3 2 8 1 0 1 11 29 0,62 0,28 0,45<br />
05102_MOL_MOL 5 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05103_CAL_XXX 6 0 7 10 7 5 29 25 6 16 105 1,00 0,24 0,62<br />
051311_PHR_PHR 7 0 0 0 0 0 0 0 2 0 2 0,22 1,00 0,61<br />
05101_CAR_XAC 8 0 0 0 0 0 3 0 0 1 4 0,03 0,25 0,14<br />
Overall Acc. 0,531<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,415<br />
Tabelle A. 40 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der ersten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E max + 1 sd<br />
Tabelle A. 37 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der ersten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E mean + 1 sd<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 2 2 0 0 1 0 0 1 94 1,00 0,94 0,97<br />
04511_PHR_PHR 1 0 2 0 0 0 0 0 0 0 2 0,12 1,00 0,56<br />
04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAP 3 0 9 1 8 0 6 0 0 3 27 0,73 0,30 0,51<br />
05101_CAR_XGR 4 0 2 6 3 11 3 0 3 18 46 0,85 0,24 0,54<br />
05102_MOL_MOL 5 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05103_CAL_XXX 6 0 2 6 0 2 21 25 2 5 63 1,00 0,40 0,70<br />
051311_PHR_PHR 7 0 0 0 0 0 0 0 4 0 4 0,44 1,00 0,72<br />
05101_CAR_XAC 8 0 0 0 0 0 2 0 0 3 5 0,10 0,60 0,35<br />
Overall Acc. 0,585<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,489<br />
Unklassifiziert 0 88 1 2 0 0 0 0 0 0 91 1,00 0,97 0,98<br />
04511_PHR_PHR 1 0 3 0 0 0 0 0 0 0 3 0,18 1,00 0,59<br />
04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAP 3 0 8 0 6 0 7 0 0 4 25 0,55 0,24 0,39<br />
05101_CAR_XGR 4 0 2 3 5 10 2 0 2 16 40 0,77 0,25 0,51<br />
05102_MOL_MOL 5 0 0 0 0 0 1 0 0 0 1 0,03 1,00 0,52<br />
05103_CAL_XXX 6 0 3 10 0 3 23 25 4 10 78 1,00 0,32 0,66<br />
051311_PHR_PHR 7 0 0 0 0 0 0 0 3 0 3 0,33 1,00 0,67<br />
05101_CAR_XAC 8 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
Overall Acc. 0,564<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,467<br />
Tabelle A. 41 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der ersten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E max + 2 sd<br />
Tabelle A. 38 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der ersten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E mean + 2 sd<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 1 2 0 0 0 0 0 0 91 1,00 0,97 0,98<br />
04511_PHR_PHR 1 0 3 0 0 0 0 0 0 0 3 0,18 1,00 0,59<br />
04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAP 3 0 11 3 8 0 10 0 1 11 44 0,73 0,18 0,45<br />
05101_CAR_XGR 4 0 2 7 3 13 5 2 3 16 51 1,00 0,25 0,63<br />
05102_MOL_MOL 5 0 0 0 0 0 6 0 0 0 6 0,18 1,00 0,59<br />
05103_CAL_XXX 6 0 0 3 0 0 12 23 0 3 41 0,92 0,56 0,74<br />
051311_PHR_PHR 7 0 0 0 0 0 0 0 5 0 5 0,56 1,00 0,78<br />
05101_CAR_XAC 8 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
Overall Acc. 0,606<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,519<br />
Unklassifiziert 0 88 1 1 0 0 0 0 0 1 91 1,00 0,97 0,98<br />
04511_PHR_PHR 1 0 3 0 0 0 0 0 0 0 3 0,18 1,00 0,59<br />
04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAP 3 0 6 1 7 0 6 0 0 6 26 0,64 0,27 0,45<br />
05101_CAR_XGR 4 0 2 7 4 11 3 0 3 18 48 0,85 0,23 0,54<br />
05102_MOL_MOL 5 0 3 0 0 0 9 0 0 0 12 0,27 0,75 0,51<br />
05103_CAL_XXX 6 0 2 6 0 2 15 25 2 5 57 1,00 0,44 0,72<br />
051311_PHR_PHR 7 0 0 0 0 0 0 0 4 0 4 0,44 1,00 0,72<br />
05101_CAR_XAC 8 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
Overall Acc. 0,610<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,521<br />
98<br />
99
Anhang<br />
_____________________________________________________________________________________________________<br />
SAM-Klassifikation mit Bildspektren als Endmember und der ersten Ableitung der<br />
MNF-transformierten HyMap-Szene<br />
Tabelle A. 42 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der ersten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E mean<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 4 11 5 1 10 6 0 0 125 1,00 0,70 0,85<br />
04511_PHR_PHR 1 0 13 0 4 3 0 0 0 4 24 0,76 0,54 0,65<br />
04514_CAR_PHA 2 0 0 3 0 0 0 1 0 0 4 0,20 0,75 0,48<br />
05101_CAR_XAC 3 0 0 0 16 0 0 5 0 0 21 0,53 0,76 0,65<br />
05101_CAR_XAP 4 0 0 0 3 7 0 2 0 0 12 0,64 0,58 0,61<br />
05101_CAR_XGR 5 0 0 0 0 0 3 0 0 0 3 0,23 1,00 0,62<br />
05102_MOL_MOL 6 0 0 1 1 0 0 19 0 0 21 0,58 0,90 0,74<br />
05103_CAL_XXX 7 0 0 0 0 0 0 0 23 0 23 0,92 1,00 0,96<br />
051311_PHR_PHR 8 0 0 0 1 0 0 0 2 5 8 0,56 0,63 0,59<br />
Overall Acc. 0,734<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,653<br />
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 45 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der ersten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E max<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 1 4 2 1 1 0 0 0 97 1,00 0,91 0,95<br />
04511_PHR_PHR 1 0 16 0 4 3 0 0 0 4 27 0,94 0,59 0,77<br />
04514_CAR_PHA 2 0 0 9 2 0 0 1 0 0 12 0,60 0,75 0,68<br />
05101_CAR_XAC 3 0 0 0 15 0 1 8 0 0 24 0,50 0,63 0,56<br />
05101_CAR_XAP 4 0 0 0 3 7 0 1 0 0 11 0,64 0,64 0,64<br />
05101_CAR_XGR 5 0 0 1 1 0 10 0 0 0 12 0,77 0,83 0,80<br />
05102_MOL_MOL 6 0 0 1 2 0 1 23 0 0 27 0,70 0,85 0,77<br />
05103_CAL_XXX 7 0 0 0 0 0 0 0 23 0 23 0,92 1,00 0,96<br />
051311_PHR_PHR 8 0 0 0 1 0 0 0 2 5 8 0,56 0,63 0,59<br />
Overall Acc. 0,813<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,766<br />
Tabelle A. 46 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der ersten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E max + 1 sd<br />
Tabelle A. 43 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der ersten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E mean + 1 sd<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 4 4 2 1 1 0 0 0 100 1,00 0,88 0,94<br />
04511_PHR_PHR 1 0 13 0 4 3 0 0 0 4 24 0,76 0,54 0,65<br />
04514_CAR_PHA 2 0 0 9 2 0 0 1 0 0 12 0,60 0,75 0,68<br />
05101_CAR_XAC 3 0 0 0 15 0 1 8 0 0 24 0,50 0,63 0,56<br />
05101_CAR_XAP 4 0 0 0 3 7 0 1 0 0 11 0,64 0,64 0,64<br />
05101_CAR_XGR 5 0 0 1 1 0 11 0 0 0 13 0,85 0,85 0,85<br />
05102_MOL_MOL 6 0 0 1 2 0 0 23 0 0 26 0,70 0,88 0,79<br />
05103_CAL_XXX 7 0 0 0 0 0 0 0 23 0 23 0,92 1,00 0,96<br />
051311_PHR_PHR 8 0 0 0 1 0 0 0 2 5 8 0,56 0,63 0,59<br />
Overall Acc. 0,805<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,755<br />
Unklassifiziert 0 88 0 2 0 0 0 0 0 0 90 1,00 0,98 0,99<br />
04511_PHR_PHR 1 0 15 1 4 3 0 0 0 4 27 0,88 0,56 0,72<br />
04514_CAR_PHA 2 0 2 8 2 1 0 1 0 0 14 0,53 0,57 0,55<br />
05101_CAR_XAC 3 0 0 0 15 0 0 4 0 0 19 0,50 0,79 0,64<br />
05101_CAR_XAP 4 0 0 0 3 7 0 1 0 0 11 0,64 0,64 0,64<br />
05101_CAR_XGR 5 0 0 1 3 0 11 0 0 0 15 0,85 0,73 0,79<br />
05102_MOL_MOL 6 0 0 2 2 0 1 27 0 0 32 0,82 0,84 0,83<br />
05103_CAL_XXX 7 0 0 0 0 0 1 0 23 0 24 0,92 0,96 0,94<br />
051311_PHR_PHR 8 0 0 1 1 0 0 0 2 5 9 0,56 0,56 0,56<br />
Overall Acc. 0,826<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,784<br />
Tabelle A. 47 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der ersten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E max + 2 sd<br />
Tabelle A. 44 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der ersten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E mean + 2 sd<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 0 2 0 0 0 0 0 0 90 1,00 0,98 0,99<br />
04511_PHR_PHR 1 0 15 1 4 3 0 0 0 4 27 0,88 0,56 0,72<br />
04514_CAR_PHA 2 0 2 6 2 1 0 1 0 0 12 0,40 0,50 0,45<br />
05101_CAR_XAC 3 0 0 0 15 0 0 4 0 0 19 0,50 0,79 0,64<br />
05101_CAR_XAP 4 0 0 0 3 7 0 1 0 0 11 0,64 0,64 0,64<br />
05101_CAR_XGR 5 0 0 1 3 0 11 0 0 0 15 0,85 0,73 0,79<br />
05102_MOL_MOL 6 0 0 2 2 0 1 27 0 0 32 0,82 0,84 0,83<br />
05103_CAL_XXX 7 0 0 0 0 0 1 0 23 0 24 0,92 0,96 0,94<br />
051311_PHR_PHR 8 0 0 3 1 0 0 0 2 5 11 0,56 0,45 0,51<br />
Overall Acc. 0,817<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,774<br />
Unklassifiziert 0 88 0 2 0 0 0 0 0 0 90 1,00 0,98 0,99<br />
04511_PHR_PHR 1 0 17 2 4 3 0 0 0 4 30 1,00 0,57 0,78<br />
04514_CAR_PHA 2 0 0 4 1 1 0 1 0 0 7 0,27 0,57 0,42<br />
05101_CAR_XAC 3 0 0 0 15 0 0 1 0 0 16 0,50 0,94 0,72<br />
05101_CAR_XAP 4 0 0 0 3 7 1 3 0 0 14 0,64 0,50 0,57<br />
05101_CAR_XGR 5 0 0 1 3 0 10 0 0 0 14 0,77 0,71 0,74<br />
05102_MOL_MOL 6 0 0 2 2 0 1 27 0 0 32 0,82 0,84 0,83<br />
05103_CAL_XXX 7 0 0 0 0 0 1 1 23 0 25 0,92 0,92 0,92<br />
051311_PHR_PHR 8 0 0 4 2 0 0 0 2 5 13 0,56 0,38 0,47<br />
Overall Acc. 0,813<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,769<br />
100<br />
101
Anhang<br />
_____________________________________________________________________________________________________<br />
SAM-Klassifikation mit Feldspektren als Endmember und der zweiten und dritten<br />
Ableitung der MNF-transformierten HyMap-Szene<br />
Tabelle A. 48 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der zweiten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E mean<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 6 2 6 3 7 1 0 20 133 1,00 0,66 0,83<br />
04511_PHR_PHR 1 0 3 0 0 0 0 0 0 0 3 0,18 1,00 0,59<br />
04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAP 3 0 1 0 0 0 1 0 0 0 2 0,00 0,00 0,00<br />
05101_CAR_XGR 4 0 3 10 3 10 1 6 4 7 44 0,77 0,23 0,50<br />
05102_MOL_MOL 5 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05103_CAL_XXX 6 0 4 3 2 0 24 18 5 3 59 0,72 0,31 0,51<br />
051311_PHR_PHR 7 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAC 8 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
Overall Acc. 0,515<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,350<br />
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 51 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der zweiten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E max<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 2 2 0 0 1 0 0 2 95 1,00 0,93 0,96<br />
04511_PHR_PHR 1 0 3 0 0 0 0 0 0 0 3 0,18 1,00 0,59<br />
04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAP 3 0 1 0 1 0 0 0 0 0 2 0,09 0,50 0,30<br />
05101_CAR_XGR 4 0 4 10 6 13 1 0 3 16 53 1,00 0,25 0,62<br />
05102_MOL_MOL 5 0 0 0 0 0 1 0 0 0 1 0,03 1,00 0,52<br />
05103_CAL_XXX 6 0 7 3 4 0 29 25 6 12 86 1,00 0,29 0,65<br />
051311_PHR_PHR 7 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAC 8 0 0 0 0 0 1 0 0 0 1 0,00 0,00 0,00<br />
Overall Acc. 0,531<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,415<br />
Tabelle A. 52 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der zweiten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E max + 1 sd<br />
Tabelle A. 49 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der zweiten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E mean + 1 sd<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 2 2 0 0 1 0 0 2 95 1,00 0,93 0,96<br />
04511_PHR_PHR 1 0 2 0 0 0 0 0 0 0 2 0,12 1,00 0,56<br />
04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAP 3 0 3 0 2 0 0 0 0 0 5 0,18 0,40 0,29<br />
05101_CAR_XGR 4 0 8 11 9 13 6 9 7 24 87 1,00 0,15 0,57<br />
05102_MOL_MOL 5 0 0 0 0 0 1 0 0 0 1 0,03 1,00 0,52<br />
05103_CAL_XXX 6 0 2 2 0 0 23 16 2 2 47 0,64 0,34 0,49<br />
051311_PHR_PHR 7 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAC 8 0 0 0 0 0 2 0 0 2 4 0,07 0,50 0,28<br />
Overall Acc. 0,585<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,489<br />
Unklassifiziert 0 88 1 1 0 0 0 0 0 1 91 1,00 0,97 0,98<br />
04511_PHR_PHR 1 0 2 0 0 0 0 0 0 0 2 0,12 1,00 0,56<br />
04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAP 3 0 3 0 1 0 0 0 0 0 4 0,09 0,25 0,17<br />
05101_CAR_XGR 4 0 6 12 9 13 2 1 3 23 69 1,00 0,19 0,59<br />
05102_MOL_MOL 5 0 0 0 0 0 1 0 0 0 1 0,03 1,00 0,52<br />
05103_CAL_XXX 6 0 5 2 1 0 28 24 6 6 72 0,96 0,33 0,65<br />
051311_PHR_PHR 7 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAC 8 0 0 0 0 0 2 0 0 0 2 0,00 0,00 0,00<br />
Overall Acc. 0,564<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,464<br />
Tabelle A. 53 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der zweiten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E max + 2 sd<br />
Tabelle A. 50 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der zweiten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E mean + 2 sd<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 1 2 0 0 1 0 0 1 93 1,00 0,95 0,97<br />
04511_PHR_PHR 1 0 3 0 0 0 0 0 0 0 3 0,18 1,00 0,59<br />
04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAP 3 0 3 0 2 0 0 0 0 0 5 0,18 0,40 0,29<br />
05101_CAR_XGR 4 0 9 12 9 13 8 11 8 26 96 1,00 0,14 0,57<br />
05102_MOL_MOL 5 0 0 0 0 0 1 0 0 0 1 0,03 1,00 0,52<br />
05103_CAL_XXX 6 0 1 1 0 0 19 14 0 1 36 0,56 0,39 0,47<br />
051311_PHR_PHR 7 0 0 0 0 0 0 0 1 0 1 0,11 1,00 0,56<br />
05101_CAR_XAC 8 0 0 0 0 0 4 0 0 2 6 0,07 0,33 0,20<br />
Overall Acc. 0,606<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,519<br />
Unklassifiziert 0 88 1 1 0 0 0 0 0 0 90 1,00 0,98 0,99<br />
04511_PHR_PHR 1 0 3 0 0 0 0 0 0 0 3 0,18 1,00 0,59<br />
04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAP 3 0 1 0 1 0 0 0 0 0 2 0,09 0,50 0,30<br />
05101_CAR_XGR 4 0 8 12 10 13 6 8 4 26 87 1,00 0,15 0,57<br />
05102_MOL_MOL 5 0 0 0 0 0 1 0 0 0 1 0,03 1,00 0,52<br />
05103_CAL_XXX 6 0 4 2 0 0 25 17 5 4 57 0,68 0,30 0,49<br />
051311_PHR_PHR 7 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAC 8 0 0 0 0 0 1 0 0 0 1 0,00 0,00 0,00<br />
Overall Acc. 0,610<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,521<br />
102<br />
103
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 54 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der dritten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E mean<br />
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 57 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der dritten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E max<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA + UA)/2<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 7 2 3 4 8 0 0 17 129 1,00 0,68 0,84<br />
04511_PHR_PHR 1 0 2 0 0 0 0 0 0 0 2 0,12 1,00 0,56<br />
04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAP 3 0 0 0 2 0 6 0 0 0 8 0,18 0,25 0,22<br />
05101_CAR_XGR 4 0 2 5 3 8 1 0 0 2 21 0,62 0,38 0,50<br />
05102_MOL_MOL 5 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05103_CAL_XXX 6 0 6 8 3 1 18 25 9 11 81 1,00 0,31 0,65<br />
051311_PHR_PHR 7 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAC 8 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
Overall Acc. 0,519<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,369<br />
Unklassifiziert 0 88 2 2 0 0 1 0 0 1 94 1,00 0,94 0,97<br />
04511_PHR_PHR 1 0 3 0 0 0 0 0 0 0 3 0,18 1,00 0,59<br />
04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAP 3 0 3 0 2 0 8 0 0 0 13 0,18 0,15 0,17<br />
05101_CAR_XGR 4 0 0 4 5 10 1 0 0 12 32 0,77 0,31 0,54<br />
05102_MOL_MOL 5 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05103_CAL_XXX 6 0 8 9 4 3 23 25 9 15 96 1,00 0,26 0,63<br />
051311_PHR_PHR 7 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAC 8 0 1 0 0 0 0 0 0 2 3 0,07 0,67 0,37<br />
Overall Acc. 0,539<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,427<br />
Tabelle A. 55 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der dritten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E mean + 1 sd<br />
Tabelle A. 58 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der dritten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E max + 1 sd<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 2 2 0 0 1 0 0 2 95 1,00 0,93 0,96<br />
04511_PHR_PHR 1 0 3 0 0 0 0 0 0 0 3 0,18 1,00 0,59<br />
04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAP 3 0 3 0 2 0 12 0 0 0 17 0,18 0,12 0,15<br />
05101_CAR_XGR 4 0 2 8 7 13 3 2 0 11 46 1,00 0,28 0,64<br />
05102_MOL_MOL 5 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05103_CAL_XXX 6 0 5 5 0 0 14 23 5 4 56 0,92 0,41 0,67<br />
051311_PHR_PHR 7 0 0 0 0 0 0 0 4 0 4 0,44 1,00 0,72<br />
05101_CAR_XAC 8 0 2 0 2 0 3 0 0 13 20 0,43 0,65 0,54<br />
Overall Acc. 0,606<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,511<br />
Unklassifiziert 0 88 1 1 0 0 0 0 0 0 90 1,00 0,98 0,99<br />
04511_PHR_PHR 1 0 2 0 0 0 0 0 0 0 2 0,12 1,00 0,56<br />
04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAP 3 0 2 0 2 0 6 0 0 0 10 0,18 0,20 0,19<br />
05101_CAR_XGR 4 0 1 6 3 10 2 0 0 8 30 0,77 0,33 0,55<br />
05102_MOL_MOL 5 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05103_CAL_XXX 6 0 7 8 4 2 21 25 9 9 85 1,00 0,29 0,65<br />
051311_PHR_PHR 7 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAC 8 0 4 0 2 1 4 0 0 13 24 0,43 0,54 0,49<br />
Overall Acc. 0,581<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,480<br />
Tabelle A. 56 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der dritten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E mean + 2 sd<br />
Tabelle A. 59 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der dritten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E max + 2 sd<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 1 2 0 0 1 0 0 0 92 1,00 0,96 0,98<br />
04511_PHR_PHR 1 0 2 0 0 0 0 0 0 0 2 0,12 1,00 0,56<br />
04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAP 3 0 3 0 2 0 10 0 0 0 15 0,18 0,13 0,16<br />
05101_CAR_XGR 4 0 2 12 4 13 0 1 0 10 42 1,00 0,31 0,65<br />
05102_MOL_MOL 5 0 0 0 0 0 2 0 0 0 2 0,06 1,00 0,53<br />
05103_CAL_XXX 6 0 1 0 0 0 11 15 0 1 28 0,60 0,54 0,57<br />
051311_PHR_PHR 7 0 1 0 0 0 0 0 4 0 5 0,44 0,80 0,62<br />
05101_CAR_XAC 8 0 7 1 5 0 9 9 5 19 55 0,63 0,35 0,49<br />
Overall Acc. 0,602<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,505<br />
Unklassifiziert 0 88 1 1 0 0 0 0 0 0 90 1,00 0,98 0,99<br />
04511_PHR_PHR 1 0 2 0 0 0 0 0 0 0 2 0,12 1,00 0,56<br />
04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAP 3 0 2 0 2 0 6 0 0 0 10 0,18 0,20 0,19<br />
05101_CAR_XGR 4 0 0 8 3 11 0 0 0 7 29 0,85 0,38 0,61<br />
05102_MOL_MOL 5 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05103_CAL_XXX 6 0 6 6 2 1 14 24 6 4 63 0,96 0,38 0,67<br />
051311_PHR_PHR 7 0 0 0 0 0 0 0 1 0 1 0,11 1,00 0,56<br />
05101_CAR_XAC 8 0 6 0 4 1 13 1 2 19 46 0,63 0,41 0,52<br />
Overall Acc. 0,610<br />
Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,515<br />
104<br />
105
Anhang<br />
_____________________________________________________________________________________________________<br />
SAM-Klassifikation mit Bildspektren als Endmember und der zweiten und dritten<br />
Ableitung der MNF-transformierten HyMap-Szene<br />
Tabelle A. 60 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der zweiten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E mean<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 7 12 5 2 10 7 0 1 132 1,00 0,67 0,83<br />
04511_PHR_PHR 1 0 10 0 3 3 0 0 0 4 20 0,59 0,50 0,54<br />
04514_CAR_PHA 2 0 0 3 0 0 1 0 0 0 4 0,20 0,75 0,48<br />
05101_CAR_XAC 3 0 0 0 11 0 0 1 0 0 12 0,37 0,92 0,64<br />
05101_CAR_XAP 4 0 0 0 8 6 0 1 0 0 15 0,55 0,40 0,47<br />
05101_CAR_XGR 5 0 0 0 0 0 1 0 0 0 1 0,08 1,00 0,54<br />
05102_MOL_MOL 6 0 0 0 2 0 0 24 0 0 26 0,73 0,92 0,83<br />
05103_CAL_XXX 7 0 0 0 0 0 1 0 23 0 24 0,92 0,96 0,94<br />
051311_PHR_PHR 8 0 0 0 1 0 0 0 2 4 7 0,44 0,57 0,51<br />
Overall Acc. 0,705<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,611<br />
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 63 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der zweiten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E max<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 3 2 2 1 1 0 0 0 97 1,00 0,91 0,95<br />
04511_PHR_PHR 1 0 13 0 4 2 0 0 0 4 23 0,76 0,57 0,66<br />
04514_CAR_PHA 2 0 1 11 2 1 2 0 0 0 17 0,73 0,65 0,69<br />
05101_CAR_XAC 3 0 0 0 10 0 0 2 0 0 12 0,33 0,83 0,58<br />
05101_CAR_XAP 4 0 0 0 10 7 0 0 0 0 17 0,64 0,41 0,52<br />
05101_CAR_XGR 5 0 0 1 0 0 9 0 0 0 10 0,69 0,90 0,80<br />
05102_MOL_MOL 6 0 0 1 1 0 0 30 0 0 32 0,91 0,94 0,92<br />
05103_CAL_XXX 7 0 0 0 0 0 1 1 23 0 25 0,92 0,92 0,92<br />
051311_PHR_PHR 8 0 0 0 1 0 0 0 2 5 8 0,56 0,63 0,59<br />
Overall Acc. 0,813<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,767<br />
Tabelle A. 64 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der zweiten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E max + 1 sd<br />
Tabelle A. 61 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der zweiten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E mean + 1 sd<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 3 2 2 1 2 2 0 0 100 1,00 0,88 0,94<br />
04511_PHR_PHR 1 0 13 0 3 2 0 0 0 4 22 0,76 0,59 0,68<br />
04514_CAR_PHA 2 0 1 12 2 1 3 0 0 0 19 0,80 0,63 0,72<br />
05101_CAR_XAC 3 0 0 0 10 0 0 2 0 0 12 0,33 0,83 0,58<br />
05101_CAR_XAP 4 0 0 0 11 7 0 0 0 0 18 0,64 0,39 0,51<br />
05101_CAR_XGR 5 0 0 0 0 0 7 0 0 0 7 0,54 1,00 0,77<br />
05102_MOL_MOL 6 0 0 1 1 0 0 29 0 0 31 0,88 0,94 0,91<br />
05103_CAL_XXX 7 0 0 0 0 0 1 0 23 0 24 0,92 0,96 0,94<br />
051311_PHR_PHR 8 0 0 0 1 0 0 0 2 5 8 0,56 0,63 0,59<br />
Overall Acc. 0,805<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,755<br />
Unklassifiziert 0 88 1 2 1 1 0 0 0 0 93 1,00 0,95 0,97<br />
04511_PHR_PHR 1 0 14 1 4 3 0 0 0 4 26 0,82 0,54 0,68<br />
04514_CAR_PHA 2 0 2 10 2 0 2 0 0 0 16 0,67 0,63 0,65<br />
05101_CAR_XAC 3 0 0 0 10 0 0 2 0 0 12 0,33 0,83 0,58<br />
05101_CAR_XAP 4 0 0 0 9 7 0 1 0 0 17 0,64 0,41 0,52<br />
05101_CAR_XGR 5 0 0 1 1 0 10 0 0 0 12 0,77 0,83 0,80<br />
05102_MOL_MOL 6 0 0 1 2 0 0 29 0 0 32 0,88 0,91 0,89<br />
05103_CAL_XXX 7 0 0 0 0 0 1 1 23 0 25 0,92 0,92 0,92<br />
051311_PHR_PHR 8 0 0 0 1 0 0 0 2 5 8 0,56 0,63 0,59<br />
Overall Acc. 0,813<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,768<br />
Tabelle A. 65 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der zweiten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E max + 2 sd<br />
Tabelle A. 62 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der zweiten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E mean + 2 sd<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 1 2 0 1 0 0 0 0 92 1,00 0,96 0,98<br />
04511_PHR_PHR 1 0 14 1 4 3 0 0 0 4 26 0,82 0,54 0,68<br />
04514_CAR_PHA 2 0 2 10 3 0 3 0 0 0 18 0,67 0,56 0,61<br />
05101_CAR_XAC 3 0 0 0 11 0 0 2 0 0 13 0,37 0,85 0,61<br />
05101_CAR_XAP 4 0 0 0 9 7 0 0 0 0 16 0,64 0,44 0,54<br />
05101_CAR_XGR 5 0 0 1 0 0 9 0 0 0 10 0,69 0,90 0,80<br />
05102_MOL_MOL 6 0 0 1 2 0 0 30 0 0 33 0,91 0,91 0,91<br />
05103_CAL_XXX 7 0 0 0 0 0 1 1 23 0 25 0,92 0,92 0,92<br />
051311_PHR_PHR 8 0 0 0 1 0 0 0 2 5 8 0,56 0,63 0,59<br />
Overall Acc. 0,817<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,773<br />
Unklassifiziert 0 88 0 1 0 0 0 0 0 0 89 1,00 0,99 0,99<br />
04511_PHR_PHR 1 0 14 1 4 4 0 0 0 4 27 0,82 0,52 0,67<br />
04514_CAR_PHA 2 0 3 10 2 1 0 0 0 0 16 0,67 0,63 0,65<br />
05101_CAR_XAC 3 0 0 0 10 0 0 1 0 0 11 0,33 0,91 0,62<br />
05101_CAR_XAP 4 0 0 0 9 6 0 1 0 0 16 0,55 0,38 0,46<br />
05101_CAR_XGR 5 0 0 0 2 0 9 0 0 0 11 0,69 0,82 0,76<br />
05102_MOL_MOL 6 0 0 1 2 0 1 30 0 0 34 0,91 0,88 0,90<br />
05103_CAL_XXX 7 0 0 1 0 0 3 1 23 0 28 0,92 0,82 0,87<br />
051311_PHR_PHR 8 0 0 1 1 0 0 0 2 5 9 0,56 0,56 0,56<br />
Overall Acc. 0,809<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,764<br />
106<br />
107
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 66 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der dritten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E mean<br />
Anhang<br />
_____________________________________________________________________________________________________<br />
Tabelle A. 69 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der dritten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E max<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA + UA)/2<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 7 12 4 1 7 9 0 0 128 1,00 0,69 0,84<br />
04511_PHR_PHR 1 0 10 0 4 3 0 0 0 3 20 0,59 0,50 0,54<br />
04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAC 3 0 0 0 8 0 0 0 0 0 8 0,27 1,00 0,63<br />
05101_CAR_XAP 4 0 0 0 10 7 0 3 0 0 20 0,64 0,35 0,49<br />
05101_CAR_XGR 5 0 0 2 1 0 5 0 0 0 8 0,38 0,63 0,50<br />
05102_MOL_MOL 6 0 0 1 1 0 0 20 0 0 22 0,61 0,91 0,76<br />
05103_CAL_XXX 7 0 0 0 1 0 1 1 23 0 26 0,92 0,88 0,90<br />
051311_PHR_PHR 8 0 0 0 1 0 0 0 2 6 9 0,67 0,67 0,67<br />
Overall Acc. 0,693<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,599<br />
Unklassifiziert 0 88 0 5 2 1 1 3 0 0 100 1,00 0,88 0,94<br />
04511_PHR_PHR 1 0 17 1 5 4 0 0 0 3 30 1,00 0,57 0,78<br />
04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00<br />
05101_CAR_XAC 3 0 0 0 9 0 0 0 0 0 9 0,30 1,00 0,65<br />
05101_CAR_XAP 4 0 0 2 9 6 3 5 0 0 25 0,55 0,24 0,39<br />
05101_CAR_XGR 5 0 0 5 2 0 7 0 0 0 14 0,54 0,50 0,52<br />
05102_MOL_MOL 6 0 0 0 1 0 0 23 0 0 24 0,70 0,96 0,83<br />
05103_CAL_XXX 7 0 0 2 1 0 2 2 23 0 30 0,92 0,77 0,84<br />
051311_PHR_PHR 8 0 0 0 1 0 0 0 2 6 9 0,67 0,67 0,67<br />
Overall Acc. 0,743<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,678<br />
Tabelle A. 67 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der dritten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E mean + 1 sd<br />
Tabelle A. 70 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der dritten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E max + 1 sd<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 0 6 3 1 2 3 0 0 103 1,00 0,85 0,93<br />
04511_PHR_PHR 1 0 17 1 5 4 0 0 0 3 30 1,00 0,57 0,78<br />
04514_CAR_PHA 2 0 0 3 1 0 0 0 0 0 4 0,20 0,75 0,48<br />
05101_CAR_XAC 3 0 0 0 10 0 0 1 0 0 11 0,33 0,91 0,62<br />
05101_CAR_XAP 4 0 0 1 7 6 0 5 0 0 19 0,55 0,32 0,43<br />
05101_CAR_XGR 5 0 0 2 1 0 9 0 0 0 12 0,69 0,75 0,72<br />
05102_MOL_MOL 6 0 0 1 1 0 1 23 0 0 26 0,70 0,88 0,79<br />
05103_CAL_XXX 7 0 0 1 1 0 1 1 23 0 27 0,92 0,85 0,89<br />
051311_PHR_PHR 8 0 0 0 1 0 0 0 2 6 9 0,67 0,67 0,67<br />
Overall Acc. 0,768<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,707<br />
Unklassifiziert 0 88 0 2 1 1 0 0 0 0 92 1,00 0,96 0,98<br />
04511_PHR_PHR 1 0 17 3 5 4 0 0 0 3 32 1,00 0,53 0,77<br />
04514_CAR_PHA 2 0 0 1 0 0 0 0 0 0 1 0,07 1,00 0,53<br />
05101_CAR_XAC 3 0 0 0 9 0 0 1 0 0 10 0,30 0,90 0,60<br />
05101_CAR_XAP 4 0 0 3 10 6 2 7 0 0 28 0,55 0,21 0,38<br />
05101_CAR_XGR 5 0 0 2 1 0 8 0 0 0 11 0,62 0,73 0,67<br />
05102_MOL_MOL 6 0 0 2 2 0 1 23 0 0 28 0,70 0,82 0,76<br />
05103_CAL_XXX 7 0 0 2 1 0 2 2 23 0 30 0,92 0,77 0,84<br />
051311_PHR_PHR 8 0 0 0 1 0 0 0 2 6 9 0,67 0,67 0,67<br />
Overall Acc. 0,751<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,692<br />
Tabelle A. 68 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der dritten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E mean + 2 sd<br />
Tabelle A. 71 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der dritten Ableitung der MNFtransformatierten<br />
HyMap-Szene und dem Schwellenwert α E max + 2 sd<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Referenzdaten Producer's User's<br />
SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy<br />
(PA +<br />
UA)/2<br />
Unklassifiziert 0 88 0 2 1 1 0 2 0 0 94 1,00 0,94 0,97<br />
04511_PHR_PHR 1 0 17 1 5 4 0 0 0 3 30 1,00 0,57 0,78<br />
04514_CAR_PHA 2 0 0 1 0 0 0 0 0 0 1 0,07 1,00 0,53<br />
05101_CAR_XAC 3 0 0 0 9 0 0 2 0 0 11 0,30 0,82 0,56<br />
05101_CAR_XAP 4 0 0 1 9 6 1 4 0 0 21 0,55 0,29 0,42<br />
05101_CAR_XGR 5 0 0 5 2 0 9 0 0 0 16 0,69 0,56 0,63<br />
05102_MOL_MOL 6 0 0 3 2 0 1 23 0 0 29 0,70 0,79 0,75<br />
05103_CAL_XXX 7 0 0 2 1 0 2 2 23 0 30 0,92 0,77 0,84<br />
051311_PHR_PHR 8 0 0 0 1 0 0 0 2 6 9 0,67 0,67 0,67<br />
Overall Acc. 0,755<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,696<br />
Unklassifiziert 0 88 0 2 0 1 0 0 0 0 91 1,00 0,97 0,98<br />
04511_PHR_PHR 1 0 17 3 5 4 0 0 0 3 32 1,00 0,53 0,77<br />
04514_CAR_PHA 2 0 0 1 0 0 0 0 0 0 1 0,07 1,00 0,53<br />
05101_CAR_XAC 3 0 0 0 9 0 0 0 0 0 9 0,30 1,00 0,65<br />
05101_CAR_XAP 4 0 0 3 10 6 1 8 0 0 28 0,55 0,21 0,38<br />
05101_CAR_XGR 5 0 0 0 1 0 8 0 0 0 9 0,62 0,89 0,75<br />
05102_MOL_MOL 6 0 0 3 3 0 1 23 0 0 30 0,70 0,77 0,73<br />
05103_CAL_XXX 7 0 0 2 1 0 3 2 23 0 31 0,92 0,74 0,83<br />
051311_PHR_PHR 8 0 0 1 1 0 0 0 2 6 10 0,67 0,60 0,63<br />
Overall Acc. 0,751<br />
Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,692<br />
108<br />
109
Anhang<br />
_____________________________________________________________________________________________________<br />
Anhang K. 1 Übersicht über die nach §32 BrbNatSchG geschützten Biotoptypen (EIGENE DARSTELLUNG 2010)<br />
110
Anhang<br />
_____________________________________________________________________________________________________<br />
Anhang K. 2 Ausmaskiertes Untersuchungsgebiet (EIGENE DARSTELLUNG 2010)<br />
111
Anhang<br />
_____________________________________________________________________________________________________<br />
Anhang K. 3 SAM-Klassifikationsergebnis (Endmember aus Feldspektren; MNF-transformierte HyMap-Szene; Schwellenwert α<br />
E mean + 1 sd) (EIGENE DARSTELLUNG 2010)<br />
112
Anhang<br />
_____________________________________________________________________________________________________<br />
Anhang K. 4 SAM-Klassifikationsergebnis (Endmember aus Bildspektren; MNF-transformierte HyMap-Szene; Schwellenwert α<br />
E mean + 1 sd) (EIGENE DARSTELLUNG 2010)<br />
113
Anhang<br />
_____________________________________________________________________________________________________<br />
Anhang K. 5 SAM-Klassifikationsergebnis (Endmember aus Feldspektren; erste Ableitung der MNF-transformierten HyMap-<br />
Szene; Schwellenwert α E mean + 2 sd) (EIGENE DARSTELLUNG 2010)<br />
114
Anhang<br />
_____________________________________________________________________________________________________<br />
Anhang K. 6 SAM-Klassifikationsergebnis (Endmember aus Bildspektren; erste Ableitung der MNF-transformierten HyMap-<br />
Szene; Schwellenwert α E mean + 1 sd) (EIGENE DARSTELLUNG 2010)<br />
115
Anhang<br />
_____________________________________________________________________________________________________<br />
Anhang K. 7 MTMF-Klassifikationsergebnis von 05101_CAR_XAP (Endmember aus Feldspektren; MNF-transformierte HyMap-<br />
Szene) (EIGENE DARSTELLUNG 2010)<br />
116
Anhang<br />
_____________________________________________________________________________________________________<br />
Anhang K. 8 MTMF-Klassifikationsergebnis von 05102_MOL_MOL (Endmember aus Feldspektren; MNF-transformierte HyMap-<br />
Szene) (EIGENE DARSTELLUNG 2010)<br />
117
Anhang<br />
_____________________________________________________________________________________________________<br />
Anhang K. 9 MTMF-Klassifikationsergebnis von 05103_CAL_XXX (Endmember aus Feldspektren; MNF-transformierte HyMap-<br />
Szene) (EIGENE DARSTELLUNG 2010)<br />
118
Anhang<br />
_____________________________________________________________________________________________________<br />
Anhang K. 10 MTMF-Klassifikationsergebnis von 051311_PHR_PHR (Endmember aus Feldspektren; MNF-transformierte<br />
HyMap-Szene) (EIGENE DARSTELLUNG 2010)<br />
119
Anhang<br />
_____________________________________________________________________________________________________<br />
Anhang K. 11 MTMF-Klassifikationsergebnis von 05101_CAR_XAC (Endmember aus Bildspektren; MNF-transformierte HyMap-<br />
Szene) (EIGENE DARSTELLUNG 2010)<br />
120
Anhang<br />
_____________________________________________________________________________________________________<br />
Anhang K. 12 MTMF-Klassifikationsergebnis von 05102_MOL_MOL (Endmember aus Bildspektren; MNF-transformierte<br />
HyMap-Szene) (EIGENE DARSTELLUNG 2010)<br />
121
Anhang<br />
_____________________________________________________________________________________________________<br />
Anhang K. 13 MTMF-Klassifikationsergebnis von 05103_CAL_XXX (Endmember aus Bildspektren; MNF-transformierte HyMap-<br />
Szene) (EIGENE DARSTELLUNG 2010)<br />
122
Anhang<br />
_____________________________________________________________________________________________________<br />
Anhang K. 14 MTMF-Klassifikationsergebnis von 05103_CAL_XXX (Endmember aus Bildspektren; MNF-transformierte HyMap-<br />
Szene) (EIGENE DARSTELLUNG 2010)<br />
123
Erklärung<br />
Ich erkläre hiermit, dass ich diese Arbeit selbstständig erstellt und nur die angegebenen<br />
Hilfen benutzt habe.<br />
Anschrift:<br />
Dennewitz 7, 14913 Niedergörsdorf<br />
Niedergörsdorf, den 28.03.2010<br />
__________________________<br />
Kristin <strong>Körth</strong>