Diplomarbeit Körth - Fakultät VI Planen Bauen Umwelt - TU Berlin

Technische Universität Berlin 

Institut für Landschaftsarchitektur 

und Umweltplanung 

Klassifikation von Pflanzengesellschaften feuchter 

Standorte mittels Hyperspektraldaten 

Ein Methodenvergleich im Naturschutzgebiet Ferbitzer Bruch 

Diplomarbeit 

im Studiengang Landschaftsplanung / Landschaftsarchitektur 

Kristin Körth

Technische Universität Berlin 

Fakultät VI 

Institut für Landschaftsarchitektur und Umweltplanung 

Fachgebiet Geoinformationsverarbeitung 

in der Landschafts- und Umweltplanung 

Gutachter: 

Prof. Dr. Birgit Kleinschmit 

Dr. Annett Frick 

Datum der Abgabe: 29.03.2010

Inhaltsverzeichnis 

_____________________________________________________________________________________________________ 


Abbildungsverzeichnis…………………………………………………………………………IV 

Tabellenverzeichnis……………………………………………………………… …………….VII 

Kartenverzeichnis…………………………………………………………………………….…XIII 

Abkürzungsverzeichnis……………………………………………………………………… XIV 

Zusammenfassung…………………………………………………………………………......XVI 

1 Einleitung ........................................................................................................................1 

1.1 Hintergrund der Arbeit ..............................................................................................1 

1.2 Zielstellung ...............................................................................................................3 

1.3 Aufbau der Arbeit......................................................................................................3 

1.4 Stand der Forschung ................................................................................................4 

2 Das Untersuchungsgebiet.............................................................................................7 

2.1 Lage und naturräumliche Gliederung .......................................................................7 

2.2 Geschichte................................................................................................................8 

2.3 Biotopausstattung.....................................................................................................9 

2.4 Schutz.....................................................................................................................11 

3 Grundlagen der hyperspektralen Fernerkundung.....................................................12 

3.1 Allgemeine Grundlagen ..........................................................................................12 

3.2 Abbildende Spektroskopie von Pflanzen und Pflanzengesellschaften ...................14 

3.3 Hyperspektrale Fernerkundungsdaten ...................................................................15 

4 Datengrundlagen..........................................................................................................17 

4.1 Geländedaten .........................................................................................................17 

4.2 Hyperspektraldaten ................................................................................................18 

4.3 Sonstige Daten .......................................................................................................19 

5 Pflanzengesellschaften................................................................................................21 

5.1 Grundbegriffe der Pflanzensoziologie.....................................................................21 

5.2 Vorstellung der Biotoptypen und Pflanzengesellschaften.......................................22 

5.2.1 Röhrichte eutropher bis polytropher Moore und Sümpfe................................22 

5.2.2 Großseggenwiesen.........................................................................................23 

5.2.3 Feuchtwiesen nährstoffarmer bis mäßig nährstoffreicher Standorte ..............23 

5.2.4 Feuchtwiesen nährstoffreicher Standorte .......................................................24 

5.2.5 Gründlandbrachen feuchter Standorte ...........................................................24 

I


_____________________________________________________________________________________________________ 

5.3 Geländeaufnahmen ................................................................................................25 

6 Methode.........................................................................................................................27 

6.1 Vorprozessierung ...................................................................................................27 

6.1.1 Atmosphärenkorrekur .....................................................................................27 

6.1.1.1 Physikalische Korrekturverfahren ...............................................................28 

6.1.1.2 Empirische Korrekturverfahren ...................................................................29 

6.1.2 Geometrische Korrektur..................................................................................30 

6.2 Datenreduktion .......................................................................................................32 

6.3 Erstellung der Endmember.....................................................................................33 

6.3.1 Endmember aus Feldspektren........................................................................34 

6.3.2 Endmember aus Bildspektren.........................................................................34 

6.4 Bilden von Ableitungen...........................................................................................35 

6.5 Bilden der Maske....................................................................................................36 

6.6 Klassifikation...........................................................................................................37 

6.6.1 Der Spectral Angle Mapper (SAM) .................................................................37 

6.6.1.1 Grundlagen .................................................................................................37 

6.6.1.2 Vorgehen ....................................................................................................38 

6.6.2 Mixture Tuned Matched Filtering (MTMF) ......................................................39 

6.6.2.1 Prinzip der Spektralen Entmischung...........................................................39 

6.6.2.2 Grundlagen des Mixture Tuned Matched Filtering......................................40 

6.6.2.3 Vorgehen ....................................................................................................41 

6.7 Genauigkeitsanalyse ..............................................................................................41 

7 Ergebnisse ....................................................................................................................43 

7.1 Der Spectral Angle Mapper ....................................................................................43 

7.1.1 SAM mit der MNF-transformierten HyMap-Szene ..........................................43 

7.1.1.1 Feldspektren ...............................................................................................43 

7.1.1.2 Bildspektren ................................................................................................44 

7.1.2 SAM mit der ersten Ableitung der MNF-transformierten HyMap-Szene.........46 

7.1.2.1 Feldspektren ...............................................................................................46 

7.1.2.2 Bildspektren ................................................................................................47 

7.1.3 SAM mit der zweiten und der dritten Ableitung der 

MNF-transformierten HyMap-Szene...............................................................49 

7.1.3.1 Feldspektren ...............................................................................................49 

7.1.3.2 Bildspektren ................................................................................................50 

II


_____________________________________________________________________________________________________ 

7.2 Das Mixture Tuned Matched Filtering.....................................................................51 

7.2.1 Feldspektren ...................................................................................................52 

7.2.2 Bildspektren ....................................................................................................52 

8 Diskussion ....................................................................................................................54 

8.1 Allgemeines ............................................................................................................54 

8.2 Spectral Angle Mapper ...........................................................................................54 

8.2.1 MNF-Transformation.......................................................................................54 

8.2.2 Ableitungen.....................................................................................................58 

8.2.3 Schwellenwerte...............................................................................................59 

8.3 Mixture Tuned Matched Filtering ............................................................................60 

8.4 Methodenvergleich .................................................................................................60 

9 Fazit................................................................................................................................61 

Literatur.................................................................................................................................63 

Anhang ..................................................................................................................................69 

III

Abbildungsverzeichnis 

_____________________________________________________________________________________________________ 


Abbildung 1-1: schematische Übersicht über den Ablauf der verwendeten Verfahren 

(EIGENE DARSTELLUNG 2010)…………………………………….........................4 

Abbildung 2-1: Übersichtskarte des Untersuchungsgebietes (Hintergrund: TK 10) und 

Ausschnitt aus dem Hymap-Flugstreifen 1 (CIR-Darstellung) vom 

07.08.2008 (EIGENE DARSTELLUNG 2009) ........................................................7 

Abbildung 2-2: Obelisk in der Döberitzer Heide (www.döberitzer-heide.de, Abruf am 

27.10.2009)......................................................................................................9 

Abbildung 2-3: Döberitzer Heide (EIGENE DARSTELLUNG 2008) ...............................................9 

Abbildung 2-4: Ferbitzer Bruch (EIGENE DARSTELLUNG 2008)................................................10 

Abbildung 3-1: Das elektromagnetische Spektrum und die Bereiche verschiedener 

Sensoren (nach ALBERTZ 2007).....................................................................13 

Abbildung 3-2: Strahlungsverhältnisse bei der Aufnahme (schematisch) (nach ALBERTZ 

2007)..............................................................................................................14 

Abbildung 3-3: Reflexionskurven von Pflanzen. Diese Abbildung veranschaulicht die 

Einflussfaktoren auf das Reflexionsverhalten von Pflanzen (BACH 1995) .....15 

Abbildung 4-1: Übersicht der Referenzflächen (weiße Punkte) und der Validierungsflächen 

(Schwarze Punkte) (EIGENE DARSTELLUNG 2009, Hintergrund: Ausschnitt 

aus dem HyMapstreifen 1 (CIR-Darstellung) vom 07.08.2008) .....................17 

Abbildung 4-2: Spektrometermessung ...................................................................................18 

Abbildung 4-3: Schematische Darstellung der Messungen pro Referenzfläche mit dem 

Spektrometer .................................................................................................18 

Abbildung 5-1: Pflanzengesellschaften eutropher bis polytropher Moore und Sümpfe; 

links: 04511 Phragmitetum australis (Gams 1927) Schmale 1939; 

rechts: 04514 Phalaridetum arundinaceae Libbert 1931 ...............................22 

Abbildung 5-2: Carex acuta (EIGENE DARSTELLUNG 2008).....................................................23 

Abbildung 5-3: Carex appropinquata (SCHELKLE O. J. ONLINE: http://www2.lubw.badenwuerttemberg.de)...........................................................................................23 

Abbildung 5-4: Pfeifengraswiese mit Molinia caerulea und Colchicum autumnale 

(EIGENE DARSTELLUNG 2008).........................................................................24 

Abbildung 5-5: nährstoffreiche Feuchtwiese mit Geranium palustre (EIGENE 

DARSTELLUNG 2008) ......................................................................................24 

Abbildung 5-6: verbrachte Feuchtwiese mit Phragmites australis (EIGENE DARSTELLUNG 

2008)..............................................................................................................24 

Abbildung 6-1: Radianzspektrum und Reflektanzspektrum (nach der Atmosphärenkorrektur) 

aus einem Bildpixel der Hymapszene vom 07.08.2010 (EIGENE 

DARSTELLUNG 2010) ......................................................................................28 

IV


_____________________________________________________________________________________________________ 

Abbildung 6-2: Links: Asbestdach eines Stalls am Naturschutzzentrum, Rechts: Teerdach 

des Naturschutzzentrums, Mitte: mit dem Spektroradiometer gemessene 

Spektren der beiden Flächen (EIGENE DARSTELLUNG 2009)..........................30 

Abbildung 6-3: Darstellung von Bildspektren der Fläche 72 vor und nach der Empirical 

Line Kalibrierung im Vergleich zu einem Referenzspektrum (EIGENE 

DARSTELLUNG 2009).......................................................................................30 

Abbildung 6-4: Störungen von Flugbewegungen in Lage und Höhe: a.: Höhe, b.: Roll - 

Rotation über die x-Achse mit Winkel ω, Pitch – Rotation über die y- 

Achse mit Winkel Φ, Yaw – Rotation über die z-Achse mit Winkel κ 

(verändert nach JENSEN 2005).......................................................................31 

Abbildung 6-5: Darstellung eines Spektralen Profils eines Bildpixels mit den bei der MNF- 

Transformation ausgeschlossenen Wellenlängenbereichen von 455.6- 

470.2 nm, 1320.3-1447.8 nm, 1738.3-2007.7 nm, 2396.5-2490.1 nm 

(EIGENE DARSTELLUNG 2009) ........................................................................33 

Abbildung 6-6: Darstellung der Verteilung der Eigenwerte auf die MNF-Komponenten 

(EIGENE DARSTELLUNG 2009) ........................................................................33 

Abbildung 6-7: Erstellte Endmember aus den gemessenen Feldspektren ............................34 

Abbildung 6-8: Erstellte Endmember aus den Bildspektren ...................................................35 

Abbildung 6-9: Abbildung 9 Vereinfachte zweidimensionale Darstellung der SAM- 

Methode (verändert nach KRUSE et al. 1994, RESEARCH SYSTEMS, 

INC. 2003) ......................................................................................................37 

Abbildung 6-10: Lineares Mischungsmodell mit Bezug auf ein einzelnes Pixel, dass auf 

Wasser, Vegetation und Rohboden besteht (verändert nach JENSEN 

2005)..............................................................................................................39 

Abbildung 6-11: Verfahren des MTMF (verändert nach ITT 2007) ..........................................40 

Abbildung 6-12: Darstellung der 6 m – Pufferung um einen Kontrollpunkt mit einem 

Beispiel der Klassenvergabe (EIGENE DARSTELLUNG 2010) ..........................42 

Abbildung 7-1: Mittlere Winkel der Endmember pro Klasse aus dem Regelbild der SAM- 

Klassifikation mit Feldspektren und der MNF-transformierten HyMap- 

Szene (EIGENE DARSTELLUNG 2010)..............................................................44 


Klassifikation mit Bildspektren und der MNF-transformierten HyMap- 

Szene (EIGENE DARSTELLUNG 2010)..............................................................45 


Klassifikation mit Feldspektren und der ersten Ableitung der MNFtransformierten 

HyMap-Szene (EIGENE DARSTELLUNG 2010) ........................47 


Klassifikation mit Bildspektren und der ersten Ableitung der MNFtransformierten 

HyMap-Szene (EIGENE DARSTELLUNG 2010) ........................48 

V


_____________________________________________________________________________________________________ 

Abbildung 7-5: Kontrollpunkte der Klasse 05103_CAL_XXX; grün: als 05103_CAL_XXX 

klassifiziert; blau: als 051311_PHR_PHR klassifiziert (EIGENE 

DARSTELLUNG 2010) ......................................................................................49 

Abbildung 8-1: Darstellung der spektralen Signaturen der Testfläche des Feldendmembers 

04514_CAR_PHA und einer Kontrollfläche im Bereich des Großen Grabens 

(EIGENE DARSTELLUNG 2010).........................................................................55 

Abbildung 8-2: Unregelmäßig gemähte Pfeifengraswiese mit bultigen Horsten und viel 

totem Material (EIGENE DARSTELLUNG 2009) .................................................56 

Abbildung 8-3: Darstellung der spektralen Signaturen einer unregelmäßg gemähten und 

einer jährlich gemähten Pfeifengraswiese (EIGENE DARSTELLUNG 2010) ......56 

Abbildung 8-4: Jährlich gemähte Pfeifengraswiese ohne bultige Horste (EIGENE 

DARSTELLUNG 2009).......................................................................................56 

Abbildung 8-5: Darstellung eines Bildspektrums der Klasse 05103_CAL_XXX aus der 

MNF-transformierten Bildszene mit den Komponenten R=3, G=2, B=1 

(links) und den dazugehörigen Spektrum des Feld- und des 

Bildendmembers (rechts) (EIGENE DARSTELLUNG 2010)................................57 

Abbildung 8-6: klassifizierte Schilfbestände an Land (grün) und die nicht erkannten 

Schilfbestände im Wasser (gestreift) (EIGENE DARSTELLUNG 2010) ..............57 

Abbildung 8-7: Beispiel für die Ähnlichkeitswinkel in einem SAM-Regelbild (EIGENE 

DARSTELLUNG 2010) ......................................................................................59 

VI

Tabellenverzeichnis 

_____________________________________________________________________________________________________ 


Tabelle 1-1: Eigenschaften des geplanten Hyperspektralsatelliten EnMAP (verändert nach 

KAUFMANN 2009)....................................................................................................2 

Tabelle 4-1: Typische spektrale Konfiguration des HyMap-Sensors (verändert nach 

HOLZWARTH 2009)................................................................................................19 

Tabelle 6-1: links: Ausmaskierte Haupterfassungeinheiten (HEE) aus der QuickBird- 

Szene, rechts: Ausmaskierte Biotoptypen der HEE 5 (Gras- und 

Staudenfluren) aus der HyMap-Szene (EIGENE DARSTELLUNG 2010) .................36 

Tabelle 6-2: Bewertung des Kappa-Koeffizienten (übersetzt nach ORTIZ et al. 1997, S. 98)..41 

Tabelle 7-1: Konfusionsmatrix der SAM-Klassifikation mit der MNF-transformierten 

HyMap-Szene mit dem Schwellenwert α Emean+1sd .................................................43 

Tabelle 7-2: Konfusionsmatrix der SAM-Klassifikation mit der MNF-transformierten 

HyMap-Szene mit dem Schwellenwert α E mean + 1 sd .............................................45 

Tabelle 7-3: Konfusionsmatrix der SAM-Klassifikation mit der ersten Ableitung der 

MNF-transformatierten HyMap-Szene mit dem Schwellenwert 

α E mean + 2 sd ...........................................................................................................46 

Tabelle 7-4: Konfusionsmatrix der SAM-Klassifikation mit der ersten Ableitung der 


α E mean + 1 sd ...........................................................................................................47 

Tabelle 7-5: Konfusionsmatrix der SAM-Klassifikation mit der zweiten Ableitung der 


α E mean + 2 sd ...........................................................................................................49 

Tabelle 7-6: Konfusionsmatrix der SAM-Klassifikation mit der zweiten Ableitung der 


α E mean + 2 sd ...........................................................................................................50 

Tabelle 7-7: Konfusionsmatrix der SAM-Klassifikation mit der dritten Ableitung der 


α E mean + 1 sd ...........................................................................................................51 

Tabelle 7-8: Anteilsklassen der Endmember (EIGENE DARSTELLUNG 2010)............................51 

Tabelle 7-9: Konfusionsmatrix der MTMF-Klassifikation mit der MNF-transformierten 

HyMap-Szene und Feldendmembern..................................................................52 

Tabelle 7-10: Konfusionsmatrix der MTMF-Klassifikation mit der MNF-transformierten 

HyMap-Szene und Bildendmember.....................................................................53 

VII


_____________________________________________________________________________________________________ 

Tabelle A. 1: Protokollauszug für die Feldspektrometermessung ..........................................69 

Tabelle A. 2: Übersicht über die Testflächen mit den dazugehörigen Biotoptypen und 

Pflanzengesellschaften, die in die Erstellung der Endmember mit 

eingeflossen sind ..............................................................................................70 

Tabelle A. 3: Aufnahmebogen der Fläche 18.........................................................................72 





















Tabelle A. 24: Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, 

der MNF-transformatierten HyMap-Szene und dem Schwellenwert α E mean .....94 


der MNF-transformatierten HyMap-Szene und dem Schwellenwert 

α E mean + 1 sd ........................................................................................................94 


der MNF-transformatierten HyMap-Szene und dem Schwellenwert 

α E mean + 2 sd ........................................................................................................94 


der MNF-transformatierten HyMap-Szene und dem Schwellenwert α E max ......95 

VIII


_____________________________________________________________________________________________________ 


mit der MNF-transformatierten HyMap-Szene und dem Schwellenwert 

α E max + 1 sd .........................................................................................................95 



α E max + 2 sd .........................................................................................................95 

Tabelle A. 30: Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, 


α E mean ...............................................................................................................96 



α E mean + 1 sd ........................................................................................................96 



α E mean + 2 sd ........................................................................................................96 



α E max ................................................................................................................97 



α E max + 1 sd .........................................................................................................97 



α E max + 2 sd .........................................................................................................97 


mit der ersten Ableitung der MNF-transformatierten HyMap-Szene und dem 

Schwellenwert α E mean .......................................................................................98 



Schwellenwert α E mean + 1 sd ................................................................................98 



Schwellenwert α E mean + 2 sd ................................................................................98 



Schwellenwert α E max ........................................................................................99 



Schwellenwert α E max + 1 sd .................................................................................99 



Schwellenwert α E max + 2 sd .................................................................................99 

IX


_____________________________________________________________________________________________________ 



Schwellenwert α E mean .....................................................................................100 



Schwellenwert α E mean + 1 sd ..............................................................................100 






Schwellenwert α E max ......................................................................................101 



Schwellenwert α E max + 1 sd ...............................................................................101 





mit der zweiten Ableitung der MNF-transformatierten HyMap-Szene und 

dem Schwellenwert α E mean .............................................................................102 



dem Schwellenwert α E mean + 1 sd ......................................................................102 



dem Schwellenwert α E mean + 2 sd .....................................................................102 



dem Schwellenwert α E max ..............................................................................103 



dem Schwellenwert α E max + 1 sd .......................................................................103 

Tabelle A. 53:Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, 




mit der dritten Ableitung der MNF-transformatierten HyMap-Szene und dem 





X


_____________________________________________________________________________________________________ 















dem Schwellenwert α E mean .............................................................................106 









dem Schwellenwert α E max ..............................................................................107 



















XI


_____________________________________________________________________________________________________ 







XII

Kartenverzeichnis 

_____________________________________________________________________________________________________ 

Kartenverzeichnis 

Anhang K. 1: Übersicht über die nach §32 BrbNatSchG geschützten Biotoptypen 

(EIGENE DARSTELLUNG 2010)..........................................................................110 

Anhang K. 2: Ausmaskiertes Untersuchungsgebiet (EIGENE DARSTELLUNG 2010) ..............111 

Anhang K. 3: SAM-Klassifikationsergebnis (Endmember aus Feldspektren; MNFtransformierte 

HyMap-Szene; Schwellenwert α E mean + 1 sd ) (EIGENE 

DARSTELLUNG 2010) .......................................................................................112 

Anhang K. 4: SAM-Klassifikationsergebnis (Endmember aus Bildspektren; MNFtransformierte 

HyMap-Szene; Schwellenwert α E mean + 1 sd ) (EIGENE 

DARSTELLUNG 2010) .......................................................................................113 

Anhang K. 5: SAM-Klassifikationsergebnis (Endmember aus Feldspektren; erste 

Ableitung der MNF-transformierten HyMap-Szene; Schwellenwert 

α E mean + 2 sd ) (EIGENE DARSTELLUNG 2010).....................................................114 

Anhang K. 6: SAM-Klassifikationsergebnis (Endmember aus Bildspektren; erste 

Ableitung der MNF-transformierten HyMap-Szene; Schwellenwert 

α E mean + 1 sd ) (EIGENE DARSTELLUNG 2010).....................................................115 

Anhang K. 7: MTMF-Klassifikationsergebnis von 05101_CAR_XAP (Endmember 

aus Feldspektren; MNF-transformierte HyMap-Szene) (EIGENE 

DARSTELLUNG 2010) .......................................................................................116 

Anhang K. 8: MTMF-Klassifikationsergebnis von 05102_MOL_MOL (Endmember 


DARSTELLUNG 2010) .......................................................................................117 

Anhang K. 9: MTMF-Klassifikationsergebnis von 05103_CAL_XXX (Endmember 


DARSTELLUNG 2010) .......................................................................................118 

Anhang K. 10: MTMF-Klassifikationsergebnis von 051311_PHR_PHR (Endmember aus 

Feldspektren; MNF-transformierte HyMap-Szene) (EIGENE DARSTELLUNG 

2010)...............................................................................................................119 

Anhang K. 11: MTMF-Klassifikationsergebnis von 05101_CAR_XAC (Endmember aus 

Bildspektren; MNF-transformierte HyMap-Szene) (EIGENE DARSTELLUNG 

2010)...............................................................................................................120 

Anhang K. 12: MTMF-Klassifikationsergebnis von 05102_MOL_MOL (Endmember aus 


2010)...............................................................................................................121 

Anhang K. 13: MTMF-Klassifikationsergebnis von 05103_CAL_XXX (Endmember aus 


2010)...............................................................................................................122 

Anhang K. 14: MTMF-Klassifikationsergebnis von 05103_CAL_XXX (Endmember aus 


2010)...............................................................................................................123 

XIII

Abkürzungsverzeichnis 

_____________________________________________________________________________________________________ 


ACORN 

ATCOR 

ATKIS 

BBG 

BrbNatSchG 

CART 

CASI 

CLC2000 

Atmospheric CORrection Now 

ATmospheric CORrection 

Amtliches Topographisch-Kartographisches Informationssystem 

Brandenburgische Boden Gesellschaft für 

Grundstücksverwaltung und- verwertung mbH 

Brandenburgisches Naturschutzgesetz 

Classification And Regression Tree 

Compact Airborne Spectrographic Imager 

European Standard Classification System 

DLR Deutsches Zentrum für Luft- und Raumfahrttechnik e. V. 

DN 

EGNOS 

EnMAP 

Digital Number 

European Geostationary Navigation Overlay Service 

Environmental Monitoring and Analysis Programm 

ENVI 4.6 Environment for Visualizing Images Version 4.6 

EO-1 Earth Observing 1 

ERDAS 9.1 Earth Resources Data Analysis System Version 9.1 

ETRS89 European Terrestrial Reference System 89 

FFH 

FOV 

FWHM 

GFZ Potsdam 

GPS 

HEE 

HyMap 

IDL 

IFOV 

LSU 

LUP GmbH 

MahD 

MD 

MESMA 

Fauna-Flora-Habitat 

Field of View 

Full-width at half-maximum (durchschnittliche Kanalbreite) 

Helmholtz-Zentrum Potsdam 

Deutsches GeoForschungsZentrum 

Global Positioning System 

Haupterfassungseinheit 

Hyperspectral Mapper 

Interactive Data Language 

Instantenous Field of View 

Linear Spectral Unmixing 

Luftbild Umwelt Planung GmbH 

Mahalanobis Distance 

Minimum Distance 

Multiple Endmember Spectral Mixture Analysis 

XIV


_____________________________________________________________________________________________________ 

MF 

MIVIS 

MLC 

MNF-Transformation 

MODTRAN 

MTMF 

NIR 

NSG 

PCA 

PPI 

RMS-Fehler 

SAM 

SAMS 

Sara’04 

SaraEnMAP 

SCM 

SWIR 

Matched Filtering 

Multispectral Infrared Visible Imaging Spectrometer 

Maximum Likelyhood Classifier 

Minimum-Noise-Fraction-Transformation 

MODerate atmospheric radiance and TRANsmittance model 

Mixture Tuned Matched Filtering 

Nahes Infrarot 

Naturschutzgebiet 

Principal Component Analysis 

Pixel Purity Index 

Root Mean Square Error 

Spectral Angle Mapper 

Spectral Analysis and Management System 

Anwendungsorientiertes Raummonitoring mit 

höchstauflösenden Satellitendaten 

Entwicklung von Verfahren zur Gewinnung von 

Umweltinformationen aus dem neuen Hyperspektralsatelliten 

EnMAP 

Spectral Correlation Mapper 

Kurzwelliges Infrarot 

TK10 Topografische Karte im Maßstab 1:10.000 

ü. NN über Normalnull 

UTC 

UTM 

VIS 

Universal Time Coordinated 

Universal Transversal Mercator 

Sichtbarer Bereich der elektromagnetischen Strahlung 

WGS84 World Geodetic System 1984 

XV

Zusammenfassung 

_____________________________________________________________________________________________________ 


In den letzten Jahren gewann die Fernerkundung im Bereich der Landschafts- und 

Umweltplanung zunehmend an Bedeutung. Besonders nach Einführung der Europäischen 

Flora-Fauna-Habitat Richtlinie von 1992 (Richtlinie 92/43/EWG des Rates vom 21. Mai 1992) 

wurde auf dem Gebiet der flächendeckenden Erfassung und des Monitorings von 

Schutzgebieten viel Forschung betrieben. 

Die hier vorgestellte Arbeit entstand aus dem Forschungs- und Entwicklungsprojekt 

Sara_EnMAP 1 , welches sich mit der Entwicklung von Methoden für die Klassifikation von 

ausgewählten Biotoptypen und Pflanzengesellschaften mit Hilfe hyperspektraler 

Fernerkundungsdaten beschäftigt. 

In der vorliegenden Arbeit wurde der Frage nachgegangen, in wieweit hyperspektrale 

Fernerkundungsdaten geeignet sind, Biotoptypen und Pflanzengesellschaften in 

Feuchtgebieten mit klassischen Klassifikationsmethoden zu unterscheiden. 

Im Jahr 2008 wurden die Untersuchungsgebiete, die NSG 2 Döberitzer Heide und Ferbitzer 

Bruch, mit dem HyMap 3 -Sensor, einer flugzeuggetragenen Hyperspektralkamera, beflogen. 

Die Feldaufnahmen fanden von Mai bis Oktober der Jahre 2007 bis 2009 statt. 

Nach geometrischer und radiometrischer Korrektur der HyMap-Daten wurden diese einer 

Minimum-Noise-Fraction Transformation unterzogen. Anschließend wurden die ersten drei 

Ableitungen der transformierten HyMap-Szene gebildet. 

Im Anschluss wurden Referenzspektren einmal mit Hilfe der aufgenommenen Feldspektren 

und einmal mit den aus dem Bild abgeleiteten Bildspektren gesammelt und die 

Klassifikationsverfahren Spectral Angle Mapper (SAM) und Mixture Tuned Matched Filtering 

(MTMF) angewendet. 

Beide Verfahren erlangten bei der Klassifikation mit Feldspektren und der MNFtransformierten 

HyMap-Szene gute Ergebnisse (Kappa 0,58 bis 0,62), wobei 

Pfeifengraswiesen und nährstoffreiche Feuchtwiesen, welche die meisten Testflächen 

besaßen, Genauigkeiten von 60 bis 96% erreichten. Gesellschaften, die gar keine oder nur 

wenige Testflächen besaßen, waren meist unterrepräsentiert und erlangten schlechte 

Ergebnisse. 

Bei der SAM-Methode unter Verwendung der ersten drei Ableitungen erreichten die 

Bildspektren ihre von allen Methoden besten Ergebnisse (1. Ableitung: Kappa 0,81). Die 

Feldspektren schnitten eher schlecht ab (Kappa 0,51). Begründet wurden die schlechteren 

Ergebnisse damit, dass Ableitungen sehr empfindlich auf Rauschen reagieren. Die nicht 

zufrieden stellenden Resultate der Atmosphärenkorrektur wurden hier sichtbar. 

1 Sara_EnMAP - Entwicklung von Verfahren zur Gewinnung von Umweltinformationen aus dem neuen Hyperspektralsatelliten 

EnMAP (Environmental Mapping and Analysis Program) 

2 

NSG - Naturschutzgebiet 

3 

HyMap – Hyperspectral Mapper 

XVI


_____________________________________________________________________________________________________ 

Mit Hilfe einer guten Vorprozessierung der Daten und mit sorgfältig ausgewählten 

Feldspektren ist es durchaus möglich, gute Ergebnisse bei der Klassifikation von 

Pflanzengesellschaften in Feuchtgebieten mit hyperspektralen Fernerkundungsdaten und 

klassischen Methoden zu erreichen. Als eine weitere Optimierung der Ergebnisse wird auf 

die im Projekt Sara_EnMAP getestete Kombination mit anderen Verfahren, wie z.B. mit 

CART-Modellen 4 verwiesen. Ergebnisse diesbezüglich wurden noch nicht veröffentlicht. 

4 

CART-Modell - Classification and Regression Tree Modell 

XVII

Einleitung 

_____________________________________________________________________________________________________ 

1 Einleitung 

In der Landschafts- und Umweltplanung gewinnt der Einsatz von Methoden der 

Fernerkundung zunehmend an Bedeutung. Im Jahr 1992 wurde die Europäische Richtlinie 

zur Erhaltung der natürlichen Lebensräume sowie der wildlebenden Tiere und Pflanzen 

(kurz: FFH-Richtlinie 5 ) verabschiedet. Seither sind alle EU-Mitgliedstaaten verpflichtet, im 

sechsjährigen Rhythmus einen Bericht über den Erhaltungszustand ihrer gemeldeten 

Schutzgebiete abzugeben. 

Für diese Aufgabe ist ein flächendeckendes Monitoring unter Einsatz der Fernerkundung ein 

immer häufiger verwendetes und, im Gegensatz zur visuellen Luftbildinterpretation, weniger 

kosten- und zeitintensives Instrument (JOLLINEAU & HOWARTH 2008). 

Dafür werden üblicherweise Satellitensysteme wie Landsat 5 TM, Landsat 7 ETM+, SPOT 4 

und SPOT 5 verwendet. In neuerer Zeit kamen geometrisch sehr hoch aufgelöste Sensoren 

wie IKONOS und QuickBird hinzu (ebd.). Diese haben sich laut FRICK (2006) und FÖRSTER 

(2008) in unterschiedlicher Qualität für das Monitoring von NATURA 2000 Gebieten in Offenund 

Waldlandschaften bewährt. 

Für das Kartieren von kleineren Feuchtgebieten im Binnenland stoßen 

Satellitenfernerkundungssysteme im Vergleich zu flugzeuggetragenen Systemen immer 

wieder an ihre Grenzen (JOLLINEAU & HOWARTH 2008). Grund dafür ist die begrenzte 

räumliche Auflösung vieler Satellitensensoren, die es schwierig macht, besonders kleine 

oder schmale Feuchtgebiete in Landschaften zu identifizieren (vgl. OZESMI & BAUER 2002). 

Obwohl Luftbilder sowie multispektrale IKONOS und QuickBird Daten verbesserte räumliche 

Auflösungen von bspw. 4 m oder höher anbieten, fehlen ihnen trotz allem detaillierte 

spektrale Informationen, die wichtig für die Differenzierung von Feuchtgebietskomplexen sein 

können (vgl. HELD et al. 2003, HARKEN & SUGUMARAN 2005). Diese spektralen Informationen 

können durch hyperspektrale Bilddaten gewonnen werden. In neuerer Zeit wurden deshalb 

Fernerkundungsansätze um hyperspektrale Bilddaten erweitert und zur Erforschung von 

Feuchtgebietskomplexen eingesetzt (JOLLINEAU & HOWARTH 2008). 

In dieser Arbeit werden zwei klassische hyperspektrale Klassifikationsverfahren getestet, um 

acht Pflanzengesellschaften, deren Lebensraum Feuchtgebietskomplexe sind, zu 

unterscheiden. Dabei soll der Frage nachgegangen werden, in wieweit sich die hier 

ausgewählten Verfahren für die Klassifizierung dieser Pflanzengesellschaften eignen. 

1.1 Hintergrund der Arbeit 

Die vorliegende Arbeit ist im Rahmen des Forschungs- und Entwicklungsprojektes 

Sara_EnMAP entstanden. Der vom GFZ Potsdam 6 geplante Hyperspektralsatellit EnMAP soll 

voraussichtlich im Jahr 2014 seine Arbeit aufnehmen. Die Eigenschaften dieses Sensors 

5 

FFH-Richtlinie – Flora Fauna Habitat-Richtlinie (Richtlinie 92/43/EWG des Rates vom 21. Mai 1992) 

6 

GFZ Potsdam - Helmholtz-Zentrum Potsdam Deutsches GeoForschungsZentrum 

1

Einleitung 

_____________________________________________________________________________________________________ 

sind in Tabelle 1.1 aufgelistet. Für die Bearbeitung des Forschungsprojektes wurde auf 

HyMap-Daten zurückgegriffen. 

Tabelle 1-1 Eigenschaften des geplanten Hyperspektralsatelliten EnMAP (verändert nach KAUFMANN 2009) 

Nominale Bandbreite 

VNIR: 6.5 nm 

SWIR: 10 nm 

Wellenlängenbereich 

Anzahl der Bänder 

Bodenauflösung 

Streifenbreite 

Wiederholungsrate 

Flugbahnhöhe 

VNIR: 423.7 nm – 994.4 nm 

SWIR: 905 nm – 2446 nm 

VNIR: 89 

SWIR: 155 

30 m x 30 m (at nadir; sea level) 

30 km 

23 Tage 

643.7 km 

Inklination 97.96° 

Bahnumlaufperiode 

Wiederholungsrate 

98 min 

4 Tage (± 30° tilt) 

Entwickelt wurde das Projekt von der Luftbild Umwelt Planung GmbH (LUP) in 

Zusammenarbeit mit dem GFZ Potsdam. Das Projekt lief über 3 Jahre im Zeitraum von 2007 

bis 2009. Das Ziel bestand darin, Methoden für die Klassifikation von ausgewählten 

Biotoptypen und Pflanzengesellschaften zu entwickeln. Dabei wurden 

Pflanzengesellschaften und einzelne Individuen von Offenlandbiotopen in den FFH-Gebieten 

Döberitzer Heide und Ferbitzer Bruch mit einem Feldspektrometer gemessen und daraus 

eine Spektralbibliothek aufgebaut (vgl. Kapitel 4.1). Die dort gesammelten Informationen 

flossen dann als Referenzdaten in die Klassifikationsansätze mit ein. Bei dem 

Klassifikationsverfahren wurden traditionelle Verfahren mit CART-Modellen kombiniert und 

der im Forschungs- und Entwicklungsprojekt Sara’04 7 entwickelte Ansatz für das Monitoring 

von NATURA 2000 Habitaten verbessert. 

Diese Arbeit lieferte für das Forschungsprojekt Sara_EnMAP die Ergebnisse der beiden hier 

bearbeiteten klassischen Verfahren des Spectral Angle Mapper (SAM) und des Mixture 

Tuned Matched Filtering (MTMF). 

7 

Sara’04 - Anwendungsorientiertes Raummonitoring mit höchstauflösenden Satellitendaten 

2

Einleitung 

_____________________________________________________________________________________________________ 

1.2 Zielstellung 

Die vorliegende Arbeit geht der Frage nach, in wieweit hyperspektrale Fernerkundungsdaten 

geeignet sind, Biotoptypen und Pflanzengesellschaften in Feuchtgebieten mit den hier 

verwendeten klassischen Klassifikationsmethoden zu unterscheiden. Es ist zu erwarten, 

dass sich die betrachteten Pflanzengesellschaften aufgrund ihrer unterschiedlichen 

spektralen Eigenschaften voneinander trennen lassen. 

Für die Bearbeitung des Themas werden zwei Ansätze verfolgt. Dabei werden zum einen 

vom Bild abgeleitete Referenzspektren und zum anderen in situ gemessene Feldspektren 

verwendet (vgl. Kapitel 6.3). Hierbei ist zu vermuten, dass die vom Bild abgeleiteten 

Referenzspektren bessere Ergebnisse liefern. 

Folgende Fragestellungen sollen in dieser Arbeit beantwortet werden: 

1. Können die untersuchten Pflanzengesellschaften mit hyperspektralen 

Fernerkundungsdaten klassifiziert werden? 

2. Eignen sich die klassischen Verfahren SAM und MTMF für die Lösung dieser 

Fragestellung? 

3. Ist die Verwendung von in situ gemessenen Referenzspektren als Endmember geeignet? 

Ziel der Arbeit ist es zum einen, die hyperspektralen Fernerkundungsdaten so vorzubereiten, 

zu analysieren und zu interpretieren, dass die formulierten Fragen beantwortet werden 

können. Zum anderen sollen die Ergebnisse einen Beitrag zu dem in Kapitel 1.1 

vorgestellten Forschungs- und Entwicklungsprojekt Sara_EnMAP leisten und somit auch 

einen Beitrag zum Monitoring von FFH-Gebieten. 

1.3 Aufbau der Arbeit 

Nach einer kurzen Einführung in den jetzigen Stand der Forschung (Kapitel 1.4) auf dem 

Gebiet der Feuchtgebietsklassifikation mit Hilfe der hyperspektralen Fernerkundung wird im 

Kapitel 2 das NSG Ferbitzer Bruch als Untersuchungsgebiet vorgestellt. Die allgemeinen 

Grundlagen der Fernerkundung werden im Kapitel 3 kurz beschrieben. Das Kapitel 4 

„Datengrundlagen“ stellt die in dieser Arbeit verwendeten Materialien vor und erläutert die im 

Gelände erhobenen Daten. Kapitel 5 „Pflanzengesellschaften“ behandelt die Biotoptypen 

und die Pflanzengesellschaften, die klassifiziert werden sollen. 

Kapitel 6 erläutert die verwendeten Methoden, die für die Vorbereitung der Daten und für die 

Bearbeitung der Fragestellung nötig waren. Abbildung 1-1 zeigt das Ablaufschema der 

benutzten Verfahren. 

Im Kapitel 7 werden die Ergebnisse der einzelnen Klassifikationen beschrieben und deren 

Genauigkeiten aufgezeigt. Dabei wird auf die jeweils interessantesten Klassifikationskarten 

im Anhang verwiesen. 

Kapitel 8 beschäftigt sich mit der Auswertung der im Kapitel 7 vorgestellten Ergebnisse. 

Dabei wird auf vermutete Gründe für die Resultate eingegangen und die Methoden werden 

untereinander und mit den Ergebnissen anderer Autoren verglichen. 

3

Einleitung 

_____________________________________________________________________________________________________ 

Im Kapitel 9 „Fazit“ wird auf die möglichen Vor- und Nachteile der benutzten Methoden 

hingewiesen und mögliche neue Ansätze vorgeschlagen. 

Abbildung 1-1 schematische Übersicht über den Ablauf der verwendeten Verfahren (EIGENE DARSTELLUNG 2010) 

1.4 Stand der Forschung 

Wie schon in Kapitel 1 erwähnt, können multispektrale Daten aufgrund ihrer begrenzten 

spektralen Information bei der Differenzierung von Vegetation in Feuchtgebietskomplexen an 

ihre Grenzen stoßen. 

In den letzten Jahren wurde auf dem Gebiet der Anwendung von hyperspektralen 

Fernerkundungsdaten im ökologischen Kontext intensiv Forschung betrieben. Dabei wurden 

sowohl flugzeuggetragene als auch satellitengestützte Fernerkundungssysteme getestet. 

PENGRA et al. (2006) testeten die Anwendbarkeit der Daten des Satelliten Hyperion 8 für die 

Klassifikation von monodominanten Schilfbeständen in den Küstengebieten der Großen 

8 

Hyperion – Hyperion ist ein hyperspektraler Fernerkundungssensor an Bord des Satelliten EO-1 (Earth Observing 1). Er ist im 

Jahr 2000 gestartet und besitzt eine geometrische Auflösung von 10 m im panchromatischen und 30 m im hyperspektralen 

Bereich. Seine spektrale Auflösung beträgt 220 Bänder von 0,4 bis 2,5 µm (USGS O.J. ONLINE) 

4

Einleitung 

_____________________________________________________________________________________________________ 

Seen in Wisconsin, USA. Dabei wurde eine 2-Klassen-Karte, bestehend aus einem binären 

Schwellenwertbild (ja/nein) erstellt, in dem sie die Methode des SCM 9 verwendeten, wobei 

ein kontinuierliches Werteraster von 0 bis 1 entsteht, bei dem „0“ der größten und „1“ der 

geringsten Ähnlichkeit entspricht. Dieses Verfahren erlangte eine Gesamtgenauigkeit von 

81,4%. 

JOLLINEAU & HOWARTH (2008) beschäftigten sich mit der Klassifikation von heterogener 

Feuchtgebietsvegetation sowie der benachbarten Pflanzengesellschaften trockenerer 

Bereiche mit Hilfe von CASI-Daten 10 im südlichen Ontario, Kanada. Dabei wurde zwischen 

gehölzdominierter Vegetation, Gesellschaften der Fließgewässer, 

Schwimmblattgesellschaften und Pflanzen des offenen Flachwassers unterschieden. 

Verwendet wurden zwei klassische Verfahren aus der multispektralen (MLC 11 ) und der 

hyperspektralen Fernerkundung (SAM) unter Verwendung von aus dem Bild abgeleiteten 

Endmembern. Im Gegensatz zu den Erwartungen der Autoren ergab die MLC-Methode die 

besseren Ergebnisse. Dafür wurden mehrere Gründe angenommen. Unter anderem wurde 

vermutet, dass das SAM-Verfahren für großflächige homogene Pflanzenbestände besser 

geeignet ist als für heterogene kleine Pflanzenbestände. 

ANDREW & USTIN (2008) klassifizierten die invasive Pflanze Lepidium latifolium mit HyMap- 

Daten in drei Gebieten von California’s San Francisco Bay/Sacramento-San Joaquin Delta 

Estuar. Die gewählten Bereiche wiesen markante Unterschiede in Hydrologie, Salzgehalt, 

Artengefüge und strukturelle landschaftliche Vielfalt auf. Für die Klassifikation verwendeten 

sie CART-Modelle, die Ergebnisse aus den Analysen der zuvor durchgeführten MTMF- 

Verfahren und spektralen physiologischen Indizes enthielten. In zwei der Gebiete kamen sie 

auf Genauigkeiten von ca. 90% und stellten fest, dass das verwendete Verfahren flexibel 

und robust genug ist, um Lepidium latifolium in unterschiedlichen Lebensbereichen zu 

klassifizieren. Am dritten Versuchsort war die Methode allerdings nicht erfolgreich, da die 

Vegetation im Gegensatz zu den anderen Gebieten bedeutend heterogener war. ANDREW & 

USTIN (2008) schlussfolgerten daher, dass der ökologische Kontext beim Klassifizieren von 

Pflanzenarten eine sehr wichtige Rolle spielt. 

PIGNATTI et al. (2009) analysierten das Potential von hyperspektralen Daten des Satelliten 

Hyperion für die Unterscheidung von Landbedeckung in einem komplexen Ökosystem 

gemäß der Struktur des momentan benutzten CORINE Land Cover 2000 Systems 

(CLC2000 12 ). Des Weiteren erprobten sie, in wieweit man mit Hyperion Daten 

Landbedeckung bis in den Subpixelbereich unterscheiden kann, wenn man als Referenz 

eine geometrisch höher aufgelöste Klassifikation aus MIVIS 13 – Daten benutzt. 

9 

SCM – Spectral Correlation Mapper (Verfeinerung des SAM) 

10 

CASI – Compact Airborne Spectrographic Imager (spektrale Auflösung: 15 Bänder von 400 bis 900 nm; geometrische 

Auflösung hier: 4 x 4 m) 

11 

MLC – Maximum Likelihood Classifier 

12 

CLC2000 – European Standard Classification System 

13 

MIVIS – Multispectral Infrared Visible Imaging Spectrometer 

5

Einleitung 

_____________________________________________________________________________________________________ 

Für die Bearbeitung der Fragestellung wurden zwei Ansätze verwendet. Im ersten Ansatz 

wurde unter Einsatz vier klassischer Verfahren (MahD 14 , SAM, MD 15 , MLC) eine Klassifikation 

im Pixelbereich durchgeführt. Zur Bewertung des Potentials von Hyperion-Daten beim 

Klassifizieren von fragmentierter Vegetationsbedeckung wurde im zweiten Ansatz ein 

Subpixel-Analyse-Verfahren mit zufälligen Testflächen unter Benutzung von 2 Indizes 

verwendet. 

Nach PIGNATTI et al. (2009) ist der Hyperion Sensor sowohl bei der Klassifikation auf Pixelals 

auch auf Subpixelebene dafür geeignet, Vegetationsbedeckung bis zum 4. Grad des 

CLC2000 zu unterscheiden. 

WEIß (2008) beschäftigte sich im Zuge ihrer Dissertation mit der Bestimmung von 

Pflanzengesellschaften von Feuchtgebieten im Murnauer Moos bei München mit Hilfe der 

Verfahren der Ordination und der Klassifikation. Bei der Ordination werden Vegetationsdaten 

anhand von Gradienten analysiert. Mit diesen Gradienten und den hyperspektralen 

Fernerkundungsdaten wurde eine multiple Regression durchgeführt. Als Ergebnis erhält man 

eine Abbildung von Pflanzengesellschaftsübergängen. 

Für die Klassifikation wurden die Verfahren SAM und MESMA 16 verwendet. Aus den 

Ergebnissen von Ordination und Klassifikation wurden dann Synthesekarten erstellt. Als 

Resultat wurde die Möglichkeit der Kartierung von fließenden Übergängen in der 

Artenzusammensetzung angegeben. Diese Methode ist allerdings nicht direkt auf andere 

Gebiete übertragbar, da diese vorab wieder neu kalibriert werden müssen. 

Neben dem Projekt Sara_EnMAP befasst sich ein weiteres Forschungs- und 

Entwicklungsprojekt unter der Leitung der Universität Potsdam und dem GFZ Potsdam mit 

dem Monitoring von FFH-Gebieten mit hyperspektralen Fernerkundungsdaten am Beispiel 

der Döberitzer Heide (vgl. FÖRSTER et al. 2009). Dieses Projekt hat eine Laufzeit von 3 

Jahren (2008-2011) und beschäftigt sich mit der Entwicklung und Erprobung eines 

innovativen, naturschutzfachlichen Monitoringverfahrens. Dabei sollen 

Pflanzengesellschaften auf Basis von gemessenen Feldspektren und auf Basis von 

kartierten Vegetationsdeckungen unter Nutzung von Ordinationstechniken und spektralen 

Variablen mit deren Ableitungen differenziert werden. Auf dem Hyperspectral 2010 

Workshop in Frascati, Italien wurden am 17.03.2010 erste Zwischenergebnisse vorgestellt, 

die voraussichtlich im Juni 2010 veröffentlicht werden (NEUMANN et al. 2010). 

14 

MahD – Mahalanobis Distance 

15 

MD – Minimum Distance 

16 

MESMA – Multiple Endmember Spectral Mixture Analysis 

6

Das Untersuchungsgebiet 

_____________________________________________________________________________________________________ 

2 Das Untersuchungsgebiet 

Das vorliegende Kapitel stellt das Untersuchungsgebiet dieser Arbeit vor. Dabei wird kurz auf 

dessen Lage und naturräumliche Ausstattung eingegangen (Kapitel 2.1). Des Weiteren wird 

in Kapitel 2.2 die Geschichte der beiden Naturschutzgebiete Ferbitzer Bruch und Döberitzer 

Heide vorgestellt. Eine detailliertere Beschreibung der im Untersuchungsgebiet 

vorkommenden Biotope ist im Kapitel 2.3 zu finden. Letztendlich wird im Kapitel 2.4 der 

Schutzstatus der beiden Naturschutzgebiete näher erläutert. 

2.1 Lage und naturräumliche Gliederung 

Das Naturschutzgebiet Ferbitzer Bruch und das Naturschutzgebiet Döberitzer Heide 

befinden sich zu einem großen Teil auf dem ehemaligen Truppenübungsplatz Döberitz. Im 

Allgemeinen werden beide Gebiete unter dem Namen „Döberitzer Heide“ geführt. 

Die Döberitzer Heide, mit einer Größe von ca. 4700 ha, befindet sich überwiegend im 

Landkreis Havelland nördlich der Stadt Potsdam in der Nähe der Ortschaften Dallgow- 

Döberitz und Fahrland (OEHLSCHLÄGER et al. 2004). 

Abbildung 2-1 Übersichtskarte des Untersuchungsgebietes (Hintergrund: TK 10) und Ausschnitt aus dem Hymap-Flugstreifen 

1 (CIR-Darstellung) vom 07.08.2008 (EIGENE DARSTELLUNG 2009) 

7


_____________________________________________________________________________________________________ 

Das Naturschutzgebiet Ferbitzer Bruch grenzt westlich an das Naturschutzgebiet Döberitzer 

Heide an und liegt hauptsächlich im Landkreis Potsdam Mittelmark, östlich der Gemeinden 

Priort und Fahrland (siehe Abbildung 2-1). Es umfasst den Südwestteil des ehemaligen 

Truppenübungsplatzes Döberitz. (SCHOKNECHT 1996). 

Beide Gebiete gehören zum südöstlichen Rand der Nauener Platte. Geomorphologisch zählt 

diese zu den pleistozänen und holozänen Ausprägungen der Mittelbrandenburgischen 

Platten und Niederungen (SCHOLZ 1962). 

Ihre Vielgestaltigkeit verdankt die Döberitzer Heide den abwechselnden Formationen von 

flachwelligen Grund- und Endmoränen, schwach geneigten Sander- und Talsandflächen 

sowie den Niederungen mit größeren Kesselmooren und Schmelzwasserrinnen. Die höchste 

Erhebung ist die Krampnitzhöhe bei Priort mit 88 Metern ü. NN 17 . 

Das Naturschutzgebiet Ferbitzer Bruch besteht aus einem sandig-kiesigem Endmoränenzug, 

den ehemaligen Ackerflächen des Dorfes Ferbitz auf lehmig-sandigen Plattenbereichen und 

den ausgedehnten Niederungen des Großen Grabens und des Ferbitzer Bruchs. In diesem 

Bereich wechseln sich lehmige, sandig-lehmige, kiesig-sandige und anmoorig bis moorige 

Bildungen auf engem Raum ab. Natürliche Fließgewässer kommen nicht vor. (SCHOKNECHT, 

ZERNING 2005). 

Makroklimatisch gesehen liegt die Döberitzer Heide im Übergangsbereich zwischen 

atlantischem und kontinentalem Klima. Durch seine geomorphologische Vielgestaltigkeit gibt 

es innerhalb des Gebietes zahlreiche unterschiedliche und eng beieinanderliegende 

Mikroklimate (ebd.). 

Nicht nur der geomorphologische Reichtum dieser Landschaft hat zur heutigen natürlichen 

Standortvielfalt beigetragen, sondern auch die lange militärische Nutzung als 

Truppenübungsplatz. Einige Effekte des Militärbetriebes ähneln den vorindustriellen 

landwirtschaftlichen Nutzungsformen. Der Ausschluss von konventionellen Nutzungen 

verhinderte hier die sonst überall stattgefundene starke Eutrophierung und 

Standortnivellierung. Negative äußere Einwirkungen konnten durch den Waldsaum, der den 

Truppenübungsplatz umgibt, verhindert werden (ebd.). 

2.2 Geschichte 

Die Landschaft des ehemaligen Truppenübungsplatzes Döberitz ist durch eine beinahe 300 

jährige militärischen Nutzungsgeschichte geprägt. Im Jahre 1713 fanden die ersten Manöver 

unter dem Soldatenkönig Friedrich Wilhelm I. statt (OEHLSCHLÄGER et al. 2004). Bis 1931 

erlangte er eine Größe von 4.176 ha (FÜRSTENOW 2004). Eine Erweiterung um die 

Gemarkung Ferbitz erfolgte 1936 (STIX 1997). Mit dem Abzug der russischen Streitkräfte 

1992 war die militärische Geschichte der Döberitzer Heide beendet. Der in Abbildung 2-2 zu 

sehende Obelisk erinnert noch an die damalige Nutzung. 

17 

88 Meter ü. NN – 88 Meter über Normalnull 

8


_____________________________________________________________________________________________________ 

Abbildung 2-2 Obelisk in der Döberitzer Heide 

(www.döberitzer-heide.de, Abruf am 27.10.2009) 

Schon in den frühen 80er Jahren wurde seine 

Bedeutung für den Naturschutz erkannt, 

nachdem es mit Wissen der sowjetischen 

Standortkommandatur erkundet wurde. Die 

Naturschutzgebiete Döberitzer Heide (3.415 

ha) und Ferbitzer Bruch (1.155 ha) bilden das 

Kernstück des ehemaligen 

Truppenübungsplatzes (OEHLSCHLÄGER et al. 

2004). 

Als Naturschutzgebiet wurde das Ferbitzer Bruch im Jahre 1990 durch Beschluss des 

Kreistags Potsdam einstweilig gesichert. Die Döberitzer Heide, der zweite Teil des 

Truppenübungsplatzes, folgte 1991 durch Beschluss des Kreistages Nauen. 1992 wurde die 

Sicherung des NSG Ferbitzer Bruch mit einer Erweiterung der Fläche auf 25% des 

Truppenübungsplatzes wiederholt (SCHOKNECHT 1993). 

Die Brandenburgische Boden Gesellschaft für Grundstücksverwaltung und -verwertung mbH 

(BBG) wurde 1995 Eigentümerin der Flächen des ehemaligen Truppenübungsplatzes 

Döberitz (NATURSCHUTZ-FÖRDERVEREIN „DÖBERITZER HEIDE“ E. V. 2007, ONLINE). Im Jahre 

2004 kaufte die Heinz Sielmann Stiftung 3.442 ha der Döberitzer Heide. Diese gründete im 

selben Jahr die Sielmanns Naturlandschaft Döberitzer Heide GmbH und nahm am 1. 

Dezember 2004 den Geschäftsbetrieb auf (LAND BRANDENBURG MINISTERIUM FÜR 

WIRTSCHAFT 2007, ONLINE). In den folgenden 10 Jahren soll ein wildnisähnliches 

Naturschutz- und Naherholungsgebiet mit großen Pflanzenfressern wie Wisenten, 

Przewalski-Pferden und Rotwild geschaffen werden (HEINZ SIELMANN STIFTUNG o. J., 

ONLINE). 

2.3 Biotopausstattung 

In den Naturschutzgebieten Ferbitzer Bruch und Döberitzer Heide werden nach 

SCHOKNECHT, ZERNING 2005 drei Gruppen von Landschaftstypen unterschieden. In der 

ersten Gruppe befinden sich die durch direkte militärische Nutzung entstandenen 

Sandoffenlandschaften, Ruderalfluren, Trockenrasen, Heiden und Niederwälder (siehe 

Abbildung 2-3). 

Abbildung 2-3 Döberitzer Heide (EIGENE DARSTELLUNG 2008) 

Die zweite Gruppe beinhaltet die Landschaftstypen, die durch herkömmliche bzw. sehr 

extensive Nutzung entstanden sind. Dazu gehören die Forsten am Südostrand, Streuwiesen, 

9


_____________________________________________________________________________________________________ 

aufgelassene Hutungen, Hutewälder, Kohldistelwiesen, Grünland und ungedüngte Äcker und 

Brachen im westlichen Teil des Truppenübungsplatzes (siehe Abbildung 2-4). 

Weitestgehend unbeeinflusst konnten sich in der dritten Gruppe Moore, Kleingewässer und 

einige Waldgebiete entwickeln. Dazu gehören Vorwaldstadien mit Birken- und Espenanflug 

sowie Eichenrestbestände, welche im Schutze des Truppenübungsplatzes die Möglichkeit 

haben, sich zu potentiell natürlicher Vegetation zu entwickeln. Diese drei Landschaftstypen 

sind innerhalb des Truppenübungsplatzes sehr eng miteinander vernetzt. 

Artenreiches Kernstück des Naturschutzgebietes Ferbitzer Bruch bildet der Ferbitzer Bruch 

selbst. Der größte Teil (ca. 40 ha) besteht aus Schilfröhricht und aus Streu- und 

Frischwiesen (ca. 27 ha), wie z.B. aufgelassenen Glatthafer- und Pfeifengraswiesen, welche 

ein großes Spektrum gefährdeter Arten aufweisen (SCHOKNECHT 1993). Südlich des 

Ferbitzer Bruchs, entlang des Großen Grabens und des Großen Luchs, befinden sich auf 

aufgelassenen Feuchtwiesen Großstaudenfluren, Seggenriede und Grauweidengebüsche. 

Diese werden heute in Form von Weiden- oder Wiesennutzung extensiv bewirtschaftet 

(SCHOKNECHT 1996). Eine Übersicht über die hier genannten Biotope befindet sich im 

Anhang K.1. 

Seit den 1990er Jahren wurden in der Döberitzer Heide vegetationskundliche Aufnahmen 

durchgeführt. Demnach konnten seither 847 Farn- und Blütenpflanzen nachgewiesen 

werden, wovon 180 Arten (21%) einen Gefährdungsstatus aufweisen (OEHLSCHLÄGER et al. 

2004). 61 Arten befinden sich auf der Brandenburgischen Roten Liste der Gefäßpflanzen, 

von denen 45 Arten (74%) ihren Lebensraum im Feuchtwiesenbereich haben (SCHOKNECHT 

1996). Vom Aussterben bedrohte Arten sind z.B. die Herbstzeitlose (Colchicum autumnale) 

und das Sumpfknabenkraut (Orchis palustris). Aus der Rubrik „stark gefährdet“ sind z.B. das 

Helm-Knabenkraut (Orchis militaris), die Prachtnelke (Dianthus superbus) und die Filzsegge 

(Carex tomentosa) zu nennen (ebd.). 

Abbildung 2-4 Ferbitzer Bruch (EIGENE DARSTELLUNG 2008) 

Nicht nur spezielle Pflanzen sind in der Döberitzer Heide zu finden. Die Fauna weist ebenso 

Arten mit besonderer Bedeutung auf. Als Brutvögel kommen vor: Sperbergrasmücke (Sylvia 

nisoria), Bekassine (Gallinago gallinago), Brachpieper (Anthus campestris), Kranich (Grus 

grus), Große Rohrdommel (Botaurus stellaris), Rothalstaucher (Podiceps grisegena), 

Sperber (Accipiter nisus), Tüpfelralle (Porzana porzana), Waldwasserläufer (Tringa 

ochropus), Wiedehopf (Upupa epops) und Neuntöter (Lanius collurio). Die Herpetofauna ist 

mit Rotbauchunke (Bombina bombina), Kreuzkröte (Bufo calamita), Knoblauchkröte 

(Pelobates fuscus), Moorfrosch (Rana arvalis), Waldeidechse (Zootoca vivipara), 

Zauneidechse (Lacerta agilis) und Ringelnatter (Natrix natrix) vertreten (ebd.). 

10


_____________________________________________________________________________________________________ 

2.4 Schutz 

Wie schon in Kapitel 2.2 beschrieben, wurde die Bedeutung des Truppenübungsplatzes 

Döberitz für den Naturschutz bereits in den 80er Jahren erkannt. Am 16.04.1996 wurde das 

Ferbitzer Bruch als Naturschutzgebiet in der VERORDNUNG ÜBER DAS NATURSCHUTZGEBIET 

„FERBITZER BRUCH“ festgesetzt: 

„Schutzzweck ist die Erhaltung und Entwicklung des Gebietes 

1. als Standort seltener, in ihrem Bestand bedrohter wild wachsender 

Pflanzengesellschaften, insbesondere von Röhricht, Frisch- und Pfeifengraswiesen, 

Halbtrockenrasen, an frühzeitliche Landnutzungsformen gebundene Pflanzenarten, 

von Kleingewässern, naturnahen Gräben, nährstoffarmen Ruderalfluren und Eichen- 

Birkenwäldern; 

2. als Lebensraum bestandsbedrohter Tierarten, insbesondere als Brut- und 

Nahrungsgebiet von Wirbellosen, Amphibien, Reptilien und Vögeln sowie als 

Rastgebiet für zahlreiche Zugvögel; 

3. als reich strukturierte Landschaft und wegen der besonderen Eigenart des Gebietes 

sowie den ausgedehnten Ruderalflächen; 

4. aus ökologischen und wissenschaftlichen Gründen.“ 

(§3 VERORDNUNG ÜBER DAS NATURSCHUTZGEBIET „FERBITZER BRUCH“) 

Durch die lange militärische Nutzung wurde ein Mosaik aus Mooren, Offenland- und 

Waldbiotopen geschaffen. Die enge Vernetzung dieser Lebensräume und der vorhandene 

Artenreichtum sowohl in Flora als auch Fauna geben der Döberitzer Heide ihren ganz 

besonderen Charakter. Im Zuge der Meldepflicht von FFH-Gebieten an die Europäische 

Union wurden die Naturschutzgebiete Ferbitzer Bruch und Döberitzer Heide als 

Schutzgebiete nach der Flora-Fauna-Habitat-Richtlinie ausgewiesen. 

11

Grundlagen der hyperspektralen Fernerkundung 

_____________________________________________________________________________________________________ 

3 Grundlagen der hyperspektralen Fernerkundung 

Das vorliegende Kapitel behandelt die allgemeinen physikalischen Grundlagen der 

Fernerkundung und die in der Atmosphäre vorkommenden Einflüsse. Des Weiteren wird das 

Reflexionsverhalten von Pflanzen näher beleuchtet. Im letzten Teil des Kapitels wird kurz auf 

besondere Eigenschaften der hyperspektralen Fernerkundung eingegangen. 

3.1 Allgemeine Grundlagen 

Mit dem Prinzip der Fernerkundung werden Informationen über den physikalischen Zustand 

der Umwelt beschrieben. Nach HILDEBRANDT (1996) ist „Fernerkundung im umfassenden 

Sinne die Aufnahme oder Messung von Objekten, ohne mit diesen in körperlichen Kontakt zu 

treten, und die Auswertung dabei gewonnener Daten oder Bilder zur Gewinnung 

quantitativer oder qualitativer Informationen über deren Vorkommen, Zustand oder 

Zustandsänderung und ggf. deren natürliche oder soziale Beziehungen zueinander.“ Dabei 

benutzt die Fernerkundung die elektromagnetische Strahlung, die vom beobachteten Objekt 

abgestrahlt wird. 

Um Luft- oder Satellitenbilder korrekt interpretieren zu können, müssen vorher bestimmte 

physikalische Grundlagen der Fernerkundung bekannt sein. 

Bei der Aufnahme von Luft- und Satellitenbildern wird zwischen passiven und aktiven 

Fernerkundungssystemen unterschieden. Da in dieser Arbeit ein passives Aufnahmesystem 

verwendet wurde, wird an dieser Stelle auch nur darauf näher eingegangen. 

Im Gegensatz zu aktiven Fernerkundungssystemen 18 , wird bei passiven Systemen 

ausschließlich die in der Natur vorkommende elektromagnetische Strahlung aufgenommen. 

Dabei handelt es sich zum einen um die Sonnenstrahlung, die an der Erdoberfläche 

reflektiert wird, und zum anderen um die von jedem Körper ausgesandte Eigen- oder 

Thermalstrahlung, welche aufgrund seiner Oberflächentemperatur abgestrahlt wird. 

Elektromagnetische Strahlung ist ein sich periodisch änderndes elektromagnetisches Feld, 

welches sich mit Lichtgeschwindigkeit ausbreitet und als Wellenstrahlung aufgefasst werden 

kann. Gekennzeichnet wird sie durch die Wellenlänge λ, wobei die Beziehung 

λ = c / v (3-1) 

gilt. Dabei ist „c“ die Ausbreitungs- oder Lichtgeschwindigkeit und „v“ die Frequenz (ALBERTZ 

2007). 

In Abbildung 3-1 ist das elektromagnetische Spektrum, das die Gesamtheit der bei der 

elektromagnetischen Strahlung vorkommenden Wellenlängen umfasst, dargestellt. Die 

passive Fernerkundung nutzt die Wellenlängenbereiche zwischen dem nahen Ultraviolett 

und dem mittleren Infrarot. 

18 Aktive Fernerkundungssysteme – Die Strahlung wird von einem Sensor zur Erdoberfläche ausgesendet, wobei die Reflexion 

dieser Strahlung aufgenommen wird (z.B. Radar- und Laserscannersysteme) 

12


_____________________________________________________________________________________________________ 

Trifft elektromagnetische Strahlung auf einen Körper, dann wird ein Teil davon an seiner 

Oberfläche reflektiert (Reflexion), ein weiterer Teil wird von ihm absorbiert (Absorbtion) und 

der Rest durchdringt den Körper (Transmission). Im Idealfall ist die Summe der drei Anteile 

gleich 1, also gleich dem ankommenden Strahlungsfluss. In der Realität ist dieser Fall nicht 

gegeben, da die Strahlung bestimmten Beeinflussungen in der Atmosphäre ausgesetzt ist. 

Abbildung 3-1 Das elektromagnetische Spektrum und die Bereiche verschiedener Sensoren. Den 

Wellenlängenbereichen des elektromagnetischen Spektrums sind die Strahlungsenergie der 

Sonne und die Durchlässigkeit der Atmosphäre gegenübergestellt. Zur Fernerkundung können 

nur einzelne Bereiche in „atmosphärischen Fenstern“ benutzt werden (nach ALBERTZ 2007) 

Die elektromagnetische Strahlung durchläuft auf ihrem Weg von der Strahlungsquelle zum 

Objekt und zurück zum Empfänger zweimal die Atmosphäre. Die Strahlung, die von der 

Sonne die oberen Schichten der Atmosphäre erreicht, wird als extraterrestrische Strahlung 

bezeichnet. Ein Teil wird dabei bereits in den Weltraum reflektiert. Die Strahlung, die bis zur 

Erdoberfläche vordringt, ist in der Atmosphäre den Einflüssen von Refraktion 19 , Absorption 

und Streuung ausgesetzt. Die Refraktion spielt in der Fernerkundung eine untergeordnete 

Rolle. Bei der Absorption wird ein Teil der elektromagnetischen Strahlung in Wärme oder 

andere Energieformen umgewandelt. Unter Streuung ist die Ablenkung eines Teiles der 

Strahlung nach allen Richtungen gemeint. Grund für diese Ablenkung sind kleine 

Materieteilchen in der Atmosphäre, die sog. Aerosole. Dabei hängt die Intensität und der 

Charakter der Streuung sehr stark von der Art und der Größe der Teilchen, z.B. Dunst, 

Staub, Wassertröpfchen u. ä.) und von der Wellenlänge ab. Absorption und Streuung 

bewirkten beide eine Schwächung der Strahlung und werden zusammen als Extinktion 

bezeichnet (ALBERTZ 2007). 

Damit die elektromagnetische Strahlung bis zur Erdoberfläche gelangt, muss die 

Atmosphäre für diese Strahlen durchlässig sein. Der Grad der Durchlässigkeit wird als 

Transmissionsgrad bezeichnet. Grund für die Transmission sind die 

Absorptionseigenschaften der in der Atmosphäre vorkommenden Gase (z.B. Wasserdampf, 

Kohlendioxid und Ozon). Sie ist in starkem Maße wellenlängenabhängig. Demnach sind für 

die Fernerkundung nur Wellenlängenbereiche interessant, in denen die Atmosphäre für die 

elektromagnetische Strahlung weitgehend durchlässig ist. Diese Bereiche werden auch als 

19 

Refraktion – atmosphärische Strahlungsbrechung als Folge von Dichteänderungen in der Luft (ALBERTZ 2007) 

13


_____________________________________________________________________________________________________ 

„Atmosphärische Fenster“ bezeichnet. Die wichtigsten „Fenster“ liegen im sichtbaren Licht 

und im nahen Infrarot (ca. 0,3 µm bis 2,5 µm), im mittleren Infrarot (ca. 3 µm bis 5 µm) und 

im thermalen Infrarot (ca. 8 µm bis 13 µm) (siehe Abbildung 3-1). 

Durch die Streuung der elektromagnetischen Strahlung im atmosphärischen Raum entsteht 

die sog. indirekte Himmelsstrahlung. Demnach fällt neben der direkten Sonnenstrahlung die 

indirekte Himmelstrahlung auf die Erdoberfläche (siehe Abbildung 3-2). 

Abbildung 3-2 Strahlungsverhältnisse bei der Aufnahme (schematisch); 

Absorption und Streuung in der Atmosphäre beeinflussen sowohl die 

Geländebeleuchtung (Himmelslicht) als auch die Aufnahme von Bilddaten durch 

den Sensor (Luftlicht) (nach ALBERTZ 2007) 

Die Gesamtheit der Strahlung, die auf eine Geländefläche fällt, wird als Globalstrahlung 

bezeichnet. 

Bisher wurden die Beeinflussungen durch die Atmosphäre auf dem Weg von der 

Strahlungsquelle zur Erdoberfläche beschrieben. Der von der Erdoberfläche reflektierte 

Strahlungsanteil, der den Sensor erreicht, unterliegt denselben physikalischen 

Gesetzmäßigkeiten. Die hier beschriebenen Einflüsse der Atmosphäre können durch eine 

Atmosphärenkorrektur minimiert werden (vgl. Kapitel 6.1.1). 

3.2 Abbildende Spektroskopie von Pflanzen und Pflanzengesellschaften 

Pflanzen und Pflanzengesellschaften besitzen ein typisches Reflexionsspektrum, das in drei 

Teilstücke eingeteilt werden kann (siehe Abbildung 3-3). 

Das erste Teilstück befindet sich im Bereich des sichtbaren Lichts und wird besonders von 

den Blattpigmenten beeinflusst. Das Reflexionsmaximum liegt dabei im Bereich des grünen 

Lichts, was auch der Grund dafür ist, dass Pflanzen vom Menschen als Grün 

wahrgenommen werden. 

Der Infrarotbereich wird hauptsächlich vom Zellaufbau der Blätter beeinflusst und bildet das 

zweite Teilstück. Bei 0,7 µm befindet sich der sogenannte „Red Edge“ (COLLINS 1978). 

Dieser Bereich zeigt einen starken Anstieg der Reflexion zwischen einer starken Absorption, 

verursacht durch das Chlorophyll, im roten Bereich und einem sehr hohen Anstieg der 

Reflexion im Nahen Infrarot zwischen 0,7 µm bis 1,3 µm. Abbildung 3-3 zeigt in diesem 

Wellenlängenbereich ein breites Maximum der grünen Vegetation. Diese Reflexionsmaxima 

14


_____________________________________________________________________________________________________ 

lassen sich durch Mehrfachreflexionen in den Zellstrukturen des Mesophylls begründen 

(HILDEBRANDT 1996). 

Das vor allem vom Wassergehalt der Blätter beeinflusste dritte Teilstück liegt in den 

Wellenlängenbereichen zwischen 1,3 µm bis 2,6 µm, wobei die Wellenlängen bei 1,3 µm, 1,9 

µm und 2,6 µm einen Abfall der Reflexion aufweisen, der durch den Wassergehalt und den 

starken Wasserabsorptionsbanden zu begründen ist. Je höher der Wassergehalt der Blätter 

ist, desto tiefer liegen die Werte im gesamten Spektralbereich von 1,3 µm und 2,6 µm und 

desto markanter sind die Unterschiede zwischen den relativen Reflexionsmaxima und – 

minima (ebd.). 

Abbildung 3-3 Reflexionskurven von Pflanzen. Diese Abbildung veranschaulicht 

die Einflussfaktoren auf das Reflexionsverhalten von Pflanzen (BACH 1995) 

Die Unterscheidung von Pflanzengesellschaften hängt demnach sowohl von der Summe der 

biochemischen Komponenten (z.B. Chlorophyll, Wasser, Proteine, Wachse, Lignin, Zellulose 

usw.) als auch von den unterschiedlichen Strukturen ab, die in Bezug auf den Zustand der 

jeweiligen Pflanzen oder Pflanzengesellschaft noch einmal variieren können. 

Durch das räumliche Auflösungsvermögen des Sensors eines Mess- oder Abbildungsgerätes 

und den Abstand des Sensors zum Objekt werden Pflanzen vorwiegend in ihren Beständen 

oder Vergesellschaftungen mit anderen Pflanzen aufgenommen. Dadurch wird die Strahlung 

an verschiedenartigen und unterschiedlich beleuchteten Pflanzen- und ggf. Bodenteilen 

reflektiert. Die Zusammensetzung nach Arten und die Form der Vergesellschaftung bei 

Pflanzenbeständen beeinflussen demnach ebenso das Reflexionsverhalten und weisen 

analog zu einzelnen Blattorganen eine jeweils charakteristische spektrale Reflexion auf 

(ebd.). 

3.3 Hyperspektrale Fernerkundungsdaten 

Die allgemeinen Grundlagen der Fernerkundung treffen auch bei den hyperspektralen 

Fernerkundungsdaten zu. Der Unterschied zwischen multi- und hyperspektralen Daten liegt 

in der unterschiedlich hohen spektralen Auflösung. Dabei bezeichnet der Begriff 

hyperspektrale Daten nach KÖHL & LAUTNER (2001) die Daten, die eine hohe Anzahl an 

erfassten Wellenlängenbereichen, erzeugt durch abbildende Spektrometer, besitzen. Die 

15


_____________________________________________________________________________________________________ 

hohe spektrale Differenzierung und die dadurch aufgenommene redundante Information sind 

zwei Eigenschaften hyperspektraler Daten (vgl. Kapitel 6.2). 

Wie bereits in Kapitel 3.1.2 beschrieben, liegen die wichtigen Wellenlängenbereiche im 

sichtbaren Bereich des Lichtes (VIS), im nahen Infrarot (NIR) und im kurzwelligen Infrarot 

(SWIR). 

Da viele Oberflächenmaterialien diagnostische Absorptionsbereiche besitzen, die nur 10 bis 

20 nm breit sind, besitzen hyperspektrale Bilddaten durch ihre hohe spektrale Auflösung 

einen entscheidenden Vorteil gegenüber multispektralen Fernerkundungsdaten. 

16

Datengrundlagen 

_____________________________________________________________________________________________________ 

4 Datengrundlagen 

Das vorliegende Kapitel beschäftigt sich mit dem verwendeten Datenmaterial. Kapitel 4.1 

stellt die im Feld aufgenommenen Referenz- und Kontrolldaten vor. Die Hyperspektraldaten 

werden in Kapitel 4.2 aufgeführt. Dabei wird auf die Überflugzeit und die Eigenschaften des 

verwendeten Sensors näher eingegangen. Für die Bearbeitung und für diverse 

Darstellungen wurden weitere Daten benutzt, welche im Kapitel 4.3 aufgezählt werden. 

4.1 Geländedaten 

Im Jahr 2007 wurden im Zuge des bereits in Kapitel 

1.1 vorgestellten Forschungsprojektes Sara- 

EnMAP Referenzflächen in den Bereichen um das 

Naturschutzzentrum, im Ferbitzer Bruch und in 

Krampnitz vegetationskundlich aufgenommen. Die 

Beschreibung der Vegetationsaufnahmen wird 

eingehender in Kapitel 5.3 behandelt. Von diesen 

63 Flächen liegen 18 im NSG Ferbitzer Bruch - die 

anderen 45 Flächen verteilen sich auf die zwei 

anderen bereits oben genannten Bereiche. Im Jahr 

2008 wurden weitere fünf Flächen im 

Untersuchungsgebiet ausgewählt und das 

pflanzliche Arteninventar bestimmt. Von den 23 

Flächen wurden die in den feuchten Bereichen 

liegenden 21 Flächen für die Bearbeitung dieser 

Arbeit verwendet (siehe Abbildung 4-1). 

Jede einzelne Referenzfläche hat die 

Abmessungen von 2 x 2 m. Mit Hilfe eines 

Kompasses wurden sie nach Norden hin 

ausgerichtet und mit einem GPS 20 -Gerät, dem 

Trimble ProXT in Verbindung mit einem Trimble 

Juno ST, verortet. Durch eine integrierte 

Echtzeitkorrektur mit Hilfe von EGNOS 21 und dem 

Empfang eines der drei geostationären Satelliten 

war eine Positionsbestimmung von ca. einem Meter 

Genauigkeit möglich. Um das Auffinden der 

Flächen vor Ort zu erleichtern, wurden sie mit 

Heringen, Magneten und einem Bambusstab in der 

Südostecke vermarkt. 

Abbildung 4-1 Übersicht der Referenzflächen (weiße 

Punkte) und der Validierungsflächen (Schwarze 

Punkte) (EIGENE DARSTELLUNG 2009, Hintergrund: 

Ausschnitt aus dem HyMapstreifen 1 (CIR- 

Darstellung) vom 07.08.2008) 

20 

GPS – Global Positioning System 

21 

EGNOS – European Geostationary Navigation Overlay Service 

17


_____________________________________________________________________________________________________ 

In den Monaten Mai bis September wurden die Flächen bei wolkenlosem bis heiterem 

Himmel in einem zweiwöchigen Rhythmus aufgesucht und die reflektierte Strahlung mit 

einem Feldspektrometer, dem ASD Field Spec ® FR Pro mit einer 8°-Voroptik, gemessen 

(siehe Abbildung 4-2). Das Spektrometer zeichnet die reflektierte Strahlung im 

Wellenlängenbereich von 350 bis 2500 nm auf. Pro Fläche wurden 25 Messungen in 5 

Zeilen und 5 Spalten mit einem Meter Abstand über dem Bestandsmittel durchgeführt, wobei 

pro Messung der Mittelwert von 50 Einzelmessungen errechnet und abgespeichert wurde 

(siehe Abbildung 4-3). 

Die Dokumentation der Messungen erfolgte mit Hilfe eines Protokolls (siehe Anhang A.1) 

und Fotoaufnahmen. 

In den Monaten April und Mai 2009 wurden insgesamt 247 Validierungspunkte in 25 m bis 50 

m langen Transekten im Ferbitzer Bruch und entlang des Großen Grabens verortet und 

vegetationskundlich aufgenommen. 

Abbildung 4-2 Spektrometermessung 

(EIGENE DARSTELLUNG 2009) 

Abbildung 4-3 Schematische 

Darstellung der Messungen pro 

Referenzfläche mit dem Spektrometer 


Die Flächengröße betrug 1 m 2 . Unter Berücksichtigung der Umgebung wurden alle 

Pflanzenarten mit einer Deckung ab 5% bestimmt und sowohl schriftlich als auch 

fotographisch dokumentiert. Dabei bezieht sich die Deckung auf die von der jeweiligen 

Pflanze überragte Fläche, die man von oben sieht. Die Verortung erfolgte über GPS- 

Messung mit einer Genauigkeit von ca. 1 m. 

4.2 Hyperspektraldaten 

Das Gebiet wurde am 07.08.2008 um 09:25 Uhr (UTC 22 ) im Rahmen der HyEurope 

Kampagne 2008 des Deutschen Zentrums für Luft- und Raumfahrttechnik e. V. (DLR) bei 

22 

UTC – Universal Time Coordinated 

18


_____________________________________________________________________________________________________ 

wolkenlosem Himmel beflogen. Der HyMap TM Sensor wird von einem Flugzeug getragen und 

gehört zu den passiven Fernerkundungssystemen, welche die Erdoberfläche mittels der 

reflektierten elektromagnetischen Strahlung abbilden. Beim HyMap Sensor handelt es sich 

um einen hyperspektralen Scanner, der die elektromagnetische Strahlung in 128 Kanälen im 

Wellenlängenbereich von 450 bis 2480 nm aufnimmt, wovon allerdings zwei Kanäle bei der 

Vorprozessierung der Szene bereits wegfallen. Die radiometrische Auflösung beträgt 16 bit. 

Das Scansystem arbeitet opto-mechanisch mit Hilfe eines rotierenden Spiegels, welcher die 

Erdoberfläche quer zur Flugrichtung zeilenweise abtastet (HOLZWARTH 2009). Dabei hat der 

Öffnungswinkel des Scanners (IFOV 23 ) eine Größe von 2,5 mrad in Flugrichtung und 2,0 

mrad in Scanrichtung. Das Sichtfeld (FOV 24 ) beträgt 61,3° und ist der Bereich auf der 

Erdoberfläche, den der Scanner insgesamt in einem Streifen erfassen kann. 

Die eintreffende reflektierte Sonnenstrahlung wird in verschiedene Wellenlängen auf vier 

Spektrometer aufgeteilt (siehe Tabelle 4-1). 

Tabelle 4-1 Typische spektrale Konfiguration des HyMap-Sensors (verändert nach HOLZWARTH 2009) 

Spektrometer 

Wellenlängenbereich 

(in µm) 

Anzahl der Bänder 

durchschnittliche 

Kanalbreite (nm) 

VIS 0.45 – 0.89 32 15 

NIR 0.89 – 1.35 32 15 

SWIR1 1.40 – 1.80 32 13 

SWIR2 1.95 – 2.48 32 17 

Beim Eintreffen der Strahlen am Detektor werden diese in elektrische Signale umgewandelt 

und nach einer Analog-Digital-Umwandlung in Digitalwerte, den Digital Numbers (DNs), 

abgespeichert. Dabei entsteht ein Datenwürfel, welcher aus Lagekoordinaten und 

Wellenlängen der Szene besteht. 

Für diese Arbeit wird von den vier beflogenen Streifen der erste Streifen benutzt. Dieser 

deckt das Gebiet um den Ferbitzer Bruch und den Großen Graben ab. Er wurde dabei in 

Nord-Süd-Richtung bei einer durchschnittlichen Flughöhe von 1.962 m beflogen. Die 

Bodenauflösung beträgt 4 m. 

4.3 Sonstige Daten 

Zusätzlich zu denen in den Kapiteln 4.1 und 4.2 vorgestellten Daten wurden noch weitere 

verwendet, die hier kurz aufgeführt werden sollen. 

23 

IFOV – Instantenous Field of View 

24 

FOV – Field of View 

19


_____________________________________________________________________________________________________ 

Für die Georeferenzierung des HyMapstreifens wurde eine QuickBird Szene der Döberitzer 

Heide aus dem Jahr 2004 verwendet, welche im Rahmen des Forschungs- und 

Entwicklungsprojektes SARA’04 mit Hilfe von Daten des Amtlichen Topographisch- 

Kartographischen Informationssystems (ATKIS) der Ausbaustufe DLM25/2 lagekorrigiert 

wurde. 

Für die Erfassung der Referenzflächen und für die spätere Genauigkeitsanalyse unter 

Verwendung der aufgenommenen Validierungspunkte stand zusätzlich eine digitale Biotopund 

Landnutzungstypenkartierung von 2004 und eine im Jahr 2000 terrestrisch erstellte 

Kartierung der geschützten Biotope nach §32 BrbNatSchG 25 zur Verfügung. 

Das Untersuchungsgebiet wird von drei Topographischen Karten im Maßstab 1:10.000 

(TK10) von 1993 abgedeckt. Dabei handelt es sich um die TK10-Regelblattschnitte 3443SO, 

3444SW und 3544NW. Diese wurden ausschließlich für graphische Darstellungen 

verwendet. 

25 

BrbNatSchG – Brandenburgisches Naturschutzgesetz 

20

Pflanzengesellschaften 

_____________________________________________________________________________________________________ 

5 Pflanzengesellschaften 

Im folgenden Kapitel werden die in dieser Arbeit verwendeten Biotoptypen und 

Pflanzengesellschaften vorgestellt und näher beschrieben (Kapitel 5.2). Dabei werden in 

Kapitel 5.1 vorab einige Grundbegriffe der Pflanzensoziologie erläutert und eine allgemeine 

Einführung in dieses Thema gegeben. In Kapitel 5.3 werden dann die Schritte der 

Vegetationsaufnahmen im Gelände erklärt. 

5.1 Grundbegriffe der Pflanzensoziologie 

In der vorliegenden Arbeit sollen bestimmte Biotoptypen und Pflanzengesellschaften mit Hilfe 

von Fernerkundungsdaten klassifiziert werden. Für ein besseres Verständnis werden die 

beiden genannten Begriffe näher erläutert. 

Unter einem Biotop versteht man die Existenz einer einheitlichen Biozönose 

(Lebensgemeinschaft), welche durch eine spezifische floristische und faunistische 

Artenkombination gekennzeichnet ist. Durch die zu der Biozönose gehörenden 

Pflanzengesellschaft, die Phytozönose, kann die Lebensgemeinschaft räumlich abgegrenzt 

und kartiert werden. Im Sinne der Biotopkartierung ist ein Biotop ein gegenüber der 

Umgebung abgrenzbarer, wieder erkennbarer Landschaftsteil, der in 

vegetationstypologischer und landschaftsökologischer Hinsicht eine Einheit bildet 

(HILDEBRANDT 1996). 

Unter einem Biotoptyp sind verwandte Biotope zusammengefasst, die eine Übereinstimmung 

oder Ähnlichkeit in der Artenzusammensetzung, dem Standort und der Raumstruktur 

aufweisen (ebd.). 

Eine Pflanzengesellschaft wird als ein Vegetationstyp regelhaft wiederkehrender 

Artenverbindungen unter enger Anlehnung an konkrete Pflanzenbestände definiert. Dabei ist 

sie durch einen Merkmalskern gemeinsamer Pflanzensippen, die „Charakteristische 

Artenkombination“ genannt wird, gekennzeichnet und bildet den Grundbaustein der 

Vegetation, welche die Summe aller Pflanzengesellschaften eines Gebietes umfasst 

(DIERSCHKE 1994). Eine Pflanzengesellschaft ist eng mit spezifischen Umweltbedingungen 

und anderen Lebewesen verbunden und bildet damit die bereits oben genannte 

Lebensgemeinschaft. 

Mit Ausnahme von wassergebundenen Pflanzengesellschaften weist eine Vielzahl von 

Pflanzenarten eine recht weite Standortamplitude auf. Die Möglichkeit des Vorkommens von 

unterschiedlichen Artenverbindungen ist dadurch in der Theorie nahezu unendlich. Die 

Anzahl von bestehenden Vergesellschaftungstypen ist dennoch begrenzt (edb.). 

Pflanzengesellschaften werden in die so genannten pflanzensoziologischen Einheiten 

eingeteilt. Dabei ist die erste Stufe die Formation, die relativ grobe, aber leicht erkennbare, 

oft über weite Gebiete der Erde verbreitete Vegetationseinheiten zusammenfasst, die als 

Strukturtypen vor allem durch bestimmte Wuchs- oder Lebensformen gekennzeichnet sind. 

Die nächsten Stufen sind die Klassen (Endung: -tea), die Ordnungen (Endung: -etalia) und 

die Verbände (Endung: -ion). Unter Klassen werden floristisch verwandte Ordnungen 

zusammengefasst. In den Ordnungen wiederum sind die floristisch nahe stehenden 

21


_____________________________________________________________________________________________________ 

Verbände eingeteilt. Die Verbände fassen die floristisch ähnlichen und durch 

Verbandskennarten charakterisierten Assoziationen zusammen. Für die Bestimmung dieser 

Einheiten gibt es die jeweiligen Kennarten, die eine Klasse, eine Ordnung oder einen 

Verband bestimmen (BRAUN-BLANQUET 1964). Dabei sind Kennarten die Charakterarten, die 

ihren Verbreitungsschwerpunkt mehr oder weniger deutlich in nur einer Pflanzengesellschaft 

haben (KOCH 1926). Die letzte hier beschriebene Einheit ist die Assoziation (Endung: -etum), 

die eine rein floristisch-induktive Grundeinheit darstellt. Diese beruht auf annähernd gleicher 

Artenkombination von Pflanzenbeständen und besitzt ebenfalls bestimmte Charakterarten 

(BRAUN-BLANQUET 1964). Damit ist die Assoziation noch nicht die kleinste 

pflanzensoziologische Einheit, da diese noch in Subassoziationen, Fazies und Varianten 

untergliedert werden kann. 

5.2 Vorstellung der Biotoptypen und Pflanzengesellschaften 

Die für die Arbeit relevanten Biotoptypen und Pflanzengesellschaften befinden sich alle auf 

feuchten bis nassen Standorten und gehören nach POTT (1995) zur Formation der 

Pflanzengesellschaften der Dünen, Wiesen, Trocken- und Magerrasen und zur Formation 

der Süßwasser-, Ufer-, Quell- und Verlandungsgesellschaften. In Anhang A.2 sind alle 

Testflächen mit der Zuordnung zum Biotoptyp und zur Pflanzengesellschaft mit den 

pflanzensoziologischen Einheiten Verband und Assoziation aufgelistet. 

Die Informationen der in diesem Kapitel beschriebenen Biotoptypen stammen aus der 

Beschreibung der Biotoptypen des Bandes 2 der Biotopkartierung Brandenburg 

(LANDESUMWELTAMT BRANDENBURG 2007). 

5.2.1 Röhrichte eutropher bis polytropher Moore und Sümpfe 

Unter diesem Biotoptyp sind die mehr oder weniger moosfreien, meist flachgründigen Moore 

nährstoffreicher Standorte zusammengefasst. Diese werden von Großseggen- und/oder 

Röhrichtarten dominiert. 

22 

Abbildung 5-1 Pflanzengesellschaften eutropher bis polytropher Moore und Sümpfe; links: 04511 Phragmitetum 

australis (Gams 1927) Schmale 1939; rechts: 04514 Phalaridetum arundinaceae Libbert 1931 


Für diese Arbeit relevante Röhrichte sind zum einen das Schilfröhricht (Biotoptyp 04511) mit 

der Pflanzengesellschaft des Phragmitetum australis (Gams 1927) Schmale 1939 und dem 

Rohrglanzgras-Röhricht (Biotoptyp 04514) mit dem Phalaridetum arundinaceae Libbert 1931 

(siehe Abbildung 5-1).


_____________________________________________________________________________________________________ 

5.2.2 Großseggenwiesen 

Großseggenwiesen (05101) sind einst durch Mähnutzung zur Gewinnung von Stallstreu 

entstanden und sind von hochwüchsigen Seggen und/oder Binsen beherrscht. Die Flächen 

wurden erst spät oder nur unregelmäßig bzw. nicht jährlich gemäht. Man findet sie auf 

dauernassen anmoorigen oder moorigen Standorten, an Flussauen auch auf wechselnassen 

Mineralböden. 

Die zu den Großseggenwiesen gehörenden Pflanzengesellschaften sind zumeist von einer 

Seggenart dominiert. In dieser Arbeit wurden drei Seggenriede untersucht. Das 

Schlankseggen-Ried (Caricetum gracilis Almquist 1929) ist eine artenarme Gesellschaft auf 

Moorstandorten, die durch hohen, oft stagnierendem Wasserstand gekennzeichnet sind, und 

erträgt lang anhaltende Überstauungen (siehe Abbildung 5-2). 

Abbildung 5-2 Carex acuta (EIGENE DARSTELLUNG 2008) 

Abbildung 5-3 Carex appropinquata (SCHELKLE O. J. ONLINE: 

http://www2.lubw.baden-wuerttemberg.de) 

Auf basenreichen Standorten, welche von Grund- bzw. Schichtwasser durchströmt werden 

und auch zeitweise trocken fallen können, kommt das Sumpfseggen-Ried (Caricetum 

acutiformis Eggler 1933) vor.Beide Seggenarten wachsen rasig und bilden sogenannte 

Ausläufer. 

Das Schwarzschopfseggen-Ried (Caricetum appropinquatae (W. Koch 1926) Aszod 1936) 

ist durch die horstig wachsende Seggenart Carex appropinquatae gekennzeichnet und auf 

nassen Moorstandorten anzutreffen. Sie kann bei unregelmäßiger oder gar keiner Nutzung 

zu riesigen Bulten heranwachsen (siehe Abbildung 5-3). 

5.2.3 Feuchtwiesen nährstoffarmer bis mäßig nährstoffreicher Standorte 

Unter diesem Biotoptyp sind die so genannten Pfeifengraswiesen (Biotoptyp 05102) 

zusammengefasst. Pfeifengraswiesen sind ungedüngte, nährstoffarme bis mäßig 

nährstoffreiche Wiesen feuchter Standorte, die durch eine unregelmäßige Mahd 

bewirtschaftet werden. Ihr Vorkommen erstreckt sich sowohl auf Moor- und 

Anmoorstandorten als auch auf nährstoffarmen Mineralböden. Dabei kommen relativ stark 

schwankende Grundwasserstände im Jahresverlauf vor. Die Pflanzengesellschaft des 

Molinietum caeruleae W. Koch 1926 gehört zu den artenreichen basiklinen 

23


_____________________________________________________________________________________________________ 

Pfeifengraswiesen und kommt auf feuchten bis wechselfeuchten Standorten mit mäßigem 

bis hohem Kalkgehalt vor (siehe Abbildung 5-4). 

Abbildung 5-4 Pfeifengraswiese mit Molinia caerulea und Colchicum 

autumnale (EIGENE DARSTELLUNG 2008) 

5.2.4 Feuchtwiesen nährstoffreicher Standorte 

Feuchtwiesen auf nährstoffreichen Standorten (Biotoptyp 05103) werden in der Regel einbis 

zweimal im Jahr gemäht oder durch eine extensive Beweidung bewirtschaftet. Es sind 

mäßig gedüngte Wiesen und Weiden, die im Jahresverlauf auf mehr oder weniger dauerhaft 

feuchten Standorten vorkommen. Die nährstoffreichen und produktiven Böden befinden sich 

auf mineralischen Feuchtstandorten oder auch auf leicht entwässerten Mooren und 

Anmooren. Die in dieser Arbeit relevante Pflanzengesellschaft dieses Biotoptyps ist die 

Sumpfdotterblumen-Wiese (Calthion palustris Tx. 1937) (siehe Abbildung 5-5). 

Abbildung 5-5 nährstoffreiche Feuchtwiese mit Geranium 

palustre (EIGENE DARSTELLUNG 2008) 

Abbildung 5-6 verbrachte Feuchtwiese mit Phragmites 

australis (EIGENE DARSTELLUNG 2008) 

5.2.5 Gründlandbrachen feuchter Standorte 

Grünlandbrachen feuchter Standorte (Biotoptyp 05131) sind Auflassungsstadien ehemalig 

genutzter Feucht- und Nasswiesen. Fällt eine Wiesen- oder Weidenutzung aus, können sich 

unter nährstoffreichen Standortbedingungen einige wenige wuchskräftige Arten, die vorher 

bereits in der Grünlandvegetation enthalten waren, bis zur Dominanz ausbreiten. Typische 

Arten sind hierbei hochwüchsige Rhizomgräser und Röhrichte. In dieser Arbeit wurde die von 

Schilf dominierte Grünlandbrache (Biotoptyp 051311) untersucht (siehe Abbildung 5-6). 

24


_____________________________________________________________________________________________________ 

5.3 Geländeaufnahmen 

Unter Flächenaufnahmen ist das Verfahren der pflanzensoziologischen Datenerfassung in 

Pflanzenbeständen zu verstehen, wobei die Aufnahme den Datensatz eines Bestandes 

repräsentiert. Pflanzensoziologische Aufnahmen sind die Grundlage pflanzensoziologischer 

Arbeit, von deren Qualität und deren Informationsgehalt das Ergebnis aller weiteren 

Auswertungen abhängt (DIERSCHKE 1994). 

In der Fernerkundung spielt die Qualität der Aufnahmen eine ebenso wichtige Rolle, da auch 

hier die Ergebnisse weiterer Auswertungen unmittelbar damit zusammenhängen. 

In dieser Arbeit wurden die Aufnahmen nach den allgemeinen Vorschlägen von DIERSCHKE 

(1994) und BRAUN-BLANQUET (1964) durchgeführt. 

Im Allgemeinen sollte der Zeitpunkt der Flächenaufnahme nach der optimalen Entfaltung der 

Pflanzen, zumeist in den Monaten Mai und Juni, erfolgen, da nur dann der Deckungsgrad 

richtig geschätzt werden kann. In dieser Arbeit wurden die Aufnahmen im Mai durchgeführt. 

Da die Spektrometermessungen (vgl. Kapitel 4.1.1) im zweiwöchigen Rhythmus den ganzen 

Sommer über erfolgten, wurde der Deckungsgrad immer neu geschätzt und ggf. korrigiert. 

Daher war der Zeitpunkt der Geländeaufnahme weniger wichtig. 

Die Flächenaufnahmen für diese Arbeit fanden im Mai 2007 und 2008 statt. Aufgenommen 

wurde nach subjektiver Einschätzung der floristisch-ökologischen Homogenität des 

Bestandes nach BRAUN-BLANQUET (1964). Das bedeutet, dass eine subjektive, möglichst 

unvoreingenommene, sorgfältige Auswahl der Aufnahmefläche getroffen wurde. Der Begriff 

Homogenität ist dabei das Maß für die Regelhaftigkeit der Verteilung von Strukturelementen 

in einem Bestand. Pflanzen sind demnach dann homogen verteilt, wenn sie auf der ganzen 

Fläche gleichmäßig vorkommen. Das Vorhandensein von größeren homogenen Flächen 

eines Pflanzenbestandes wurde für die Aufnahme vorausgesetzt, konnte aber nicht immer, 

wie z.B. beim Phalaridetum arundinaceae Libbert 1931, gewährleistet werden. 

Die Größe der Aufnahmeflächen wurde aufgrund der besseren Handhabbarkeit für die 

folgenden Spektrometermessungen nicht nach BRAUN-BLANQUET (1964) gewählt. Demnach 

hatten die Probeflächen eine Abmessung von 2 mal 2 Metern. Dadurch wurde es vermieden, 

die Flächen einer unnötigen und störenden Trittbelastung durch die regelmäßigen 

Messungen auszusetzen. Die Umgebung der Flächen wurde auf ihre Homogenität hin 

kontrolliert, damit einer möglichen Fragmentierung der Flächen entgegengewirkt werden 

konnte. 

Die eigentliche Aufnahme der Pflanzen erfolgte nach der Literatur von ROTHMALER (2005), 

ROTHMALER (2000), HAEUPLER & MUER (2007) und KLAPP & OPITZ VON BOBERFELD (1995). 

Die Aufnahmebögen der Testflächen befinden sich in Anhang A.3 bis Anhang A.23. Die 

Florenliste wurde nach der Pflanzenart mit der größten Deckung sortiert. 

Das Maß für die horizontale Ausdehnung in Bezug zu einer Grundfläche wird als 

Deckungsgrad bezeichnet. Er ist der prozentuale Anteil der Teilflächen, die bei senkrechter 

Projektion aller oberirdischen, lebenden Pflanzenteile einer Sippe auf dem Boden gebildet 

werden (DIERSCHKE 1994). Überlagern sich die Sippen, ergibt die Summe des 

Deckungsgrades mehr als 100%. Da für diese Arbeit nur die Pflanzenanteile relevant waren, 

die man von oben sieht, wurden eventuelle Überlagerungen nicht berücksichtigt. Die 

25


_____________________________________________________________________________________________________ 

Deckung wurde so geschätzt, dass das Resultat nicht über 100% ergeben durfte. Pflanzen 

mit einer Deckung von unter 5% wurden nur für die spätere Einteilung in die entsprechende 

Pflanzengesellschaft bestimmt. Die Biotoptypen und Pflanzengesellschaften wurden mit Hilfe 

der Literatur von POTT (1995) und SCHUBERT et al. (2001) unter Zuhilfenahme der §32 

Biotoptypenkartierung (vgl. Kapitel 4.3) und dem Band 2 der Biotopkartierung Brandenburg 

(LANDESUMWELTAMT BRANDENBURG 2007) bestimmt und in die pflanzensoziologischen 

Einheiten Formation, Klasse, Ordnung, Verband und Assoziation sortiert (vgl. Kapitel 5.1). 

26

Methode 

_____________________________________________________________________________________________________ 

6 Methode 

Im folgenden Kapitel wird die in dieser Arbeit verwendete Methodik erläutert. Dabei wird in 

Kapitel 6.1 die durchgeführte atmosphärische und die geometrische Korrektur der HyMap- 

Daten beschrieben. Kapitel 6.2 beschäftigt sich mit dem Vorgang der Datenreduktion, 

insbesondere mit der Minimum-Noise-Fraction Transformation. 

Die Erstellung der verwendeten Endmember aus Bild- und Feldspektren wird im Kapitel 6.3 

beschrieben. Die Kapitel 6.4 und 6.5 erläutern kurz die Arbeitsschritte für die Herleitung der 

Ableitungen und der Maske für das Untersuchungsgebiet. 

Das Kapitel 6.6 beschäftigt sich mit den Klassifikationsverfahren des Spectral Angle Mapper 

(SAM) und des Mixture Tuned Matched Filtering (MTMF), die in dieser Arbeit benutzt 

wurden. Im letzten Kapitel (Kapitel 6.7) wird die verwendete Genauigkeitsanalyse vorgestellt. 

6.1 Vorprozessierung 

6.1.1 Atmosphärenkorrekur 

Bei der Verwendung von hyperspektralen Daten spielt die Atmosphärenkorrektur eine 

wichtige Rolle. Sie dient der Beseitigung von atmosphärischen Fehlerquellen im Signal, das 

von einem Objekt reflektiert wurde. 

Auf dem Weg zum Sensor wird die vom Objekt reflektierte Strahlung in der Atmosphäre 

durch verschiedene Einflüsse wie Streuung und Absorption durch Wasserdampf und 

Gasmoleküle sowie Aerosole gestört (vgl. Kapitel 3.1). Des Weiteren kann es zu Fehlern in 

der Aufnahmegeometrie durch mechanische Störungen wie z.B. Flugbahnschwankungen 

kommen (vgl. Kapitel 6.1.2). Ein anderer beeinflussender Faktor kann die Topografie des 

Geländes in hügeligen Regionen sein (JENSEN 2005). Durch entsprechende Korrekturen 

können diese strahlungsbeeinflussenden topographischen und atmosphärischen Faktoren 

herausgerechnet werden. 

Die atmosphärische Transmissions- und Absorptionskorrektur und die Sensorkalibrierung 

von Hyperspektraldaten stellt sich im Gegensatz zu multispektralen Daten aufgrund der 

hohen spektralen Auflösung als schwieriger dar (SCHOWENGERDT 2007). Dafür gibt es 

spezifische Gründe. Einzelne Kanäle können sich mit schmalen atmosphärischen 

Absorptionsbanden decken. Die Breite der einzelnen Spektralbänder variiert zum Teil, 

wodurch benachbarte Bänder verschiedenartig durch die Atmosphäre beeinflusst werden. 

Zudem sind Bandpositionen von abbildenden Spektrometersystemen unter unterschiedlichen 

Operationsbedingungen anfällig für kleine Wellenlängenverschiebungen. Viele 

Analysealgorithmen für hyperspektrale Daten benötigen jedoch sehr präzise 

Absorptionsbandtiefenmessungen, die exakt bei der Wellenlänge mit der maximalen 

Absorption erfolgen müssen (ebd.). 

Im Idealfall ist die Beschaffenheit der Atmosphäre über jedem Bildelement zur Zeit der 

Datenaufnahme wie z.B. barometrischer Druck, Wasserdampf, Menge der atmosphärischen 

Streuung (vgl. Kapitel 3.1) bekannt. Die Atmosphäre ist allerdings über relativ kleine 

geographische Distanzen und Zeitspannen variabel. 

27

Methode 

_____________________________________________________________________________________________________ 

Während dieses Prozesses findet eine Transformation der Hyperspektraldaten von der am 

Sensor gemessenen Strahlung (at-sensor-radiance) in eine skalierte Oberflächenreflektanz 

statt (MUSTARD et al. 2001). Abbildung 6-1 zeigt eine Darstellung des Radianzspektrums 

eines Bildpixels vor und das dazugehörige Reflektanzspektrum nach der 

Atmosphärenkorrektur, wobei die Radianz die von einem Körper ausgesandte 

Strahlungsleistung pro Flächeneinheit und Raumwinkel umfasst [W-m -2 -sr -1 ] und die 

Reflektanz die reflektierte Strahlung des Körpers in Prozent darstellt. 

Abbildung 6-1 Radianzspektrum und Reflektanzspektrum (nach der Atmosphärenkorrektur) aus einem Bildpixel der 

Hymapszene vom 07.08.2010 (EIGENE DARSTELLUNG 2010) 

Für eine Korrektur der Atmosphäre kann man sowohl physikalische (parametrische) als auch 

empirische (nicht-parametrische) Korrekturverfahren benutzen. 

6.1.1.1 Physikalische Korrekturverfahren 

Physikalische Korrekturverfahren beziehen sich auf atmosphärische 

Strahlungstransfermodelle. Diese erfordern bestimmte Eingabeparameter, die für die 

Beschreibung der Atmosphäre zum Zeitpunkte der Aufnahme erforderlich sind. Die meisten 

atmosphärischen Strahlungstransfermodelle bedürfen folgender Parameter (JENSEN 2005): 

- Länge und Breite der fernerkundlich aufgenommenen Bildszene, 

- Datum und Uhrzeit der Datenaufnahme, 

- Aufnahmehöhe, 

- durchschnittliche Höhe der Szene (z.B. ü. NN) 

- ein Atmosphärenmodell (z.B. Sommer der mittleren Breiten, Winter der mittleren 

Breiten, tropisch), 

- Radiometrisch kalibrierte Strahlungsdaten der Bildszene (W m 2 µm -1 sr -1 ), 

- Informationen über jeden einzelnen Bildkanal (z.B. FWHM 26 ), 

- lokale atmosphärische Sicht zum Zeitpunkt des Überflugs. 

26 

FWHM – Full-Width at Half-Maximum (durchschnittliche Kanalbreite) 

28

Methode 

_____________________________________________________________________________________________________ 

Drei häufig verwendete Algorithmen sind ATREM 27 (vgl. TANRE et al. 1986; RESEARCH 

SYSTEMS, INC. 2002), ACORN 28 (vgl. INSPEC 2002) und ATCOR 29 (vgl. THIEMANN & HERMANN 

2002). 

Die meisten kommerziell erhältlichen radianztransferbasierten Atmosphärenkorrekturprogramme 

basieren auf dem MODTRAN-Atmosphärenmodell 30 (BERK et al. 1989). 

Die Atmosphärenkorrektur für die vorliegenden Daten wurde am GFZ Potsdam mit einem 

eigens entwickelten Atmosphärenkorrekturmodell (ACUM) basierend auf MODTRAN4 

durchgeführt (GUANTER et al. 2007). 

6.1.1.2 Empirische Korrekturverfahren 

Mit Hilfe von empirischen Korrekturverfahren kann man Bilddaten auf einfachem Wege ohne 

den expliziten Gebrauch von atmosphärischen Daten und Modellen kalibrieren. Hier wird 

eher eine Normalisierung als eine Kalibrierung der Daten vorgenommen. 

Die in dieser Arbeit verwendete Empirical-Line-Methode passt die fernerkundlich 

aufgenommenen Bilddaten an in situ Referenzmessungen an (JENSEN 2005). Sie basiert auf 

folgende Gleichung (ROBERTS et al. 1986, SMITH & MILTON 1999, INSPEC 2002): 

BV k = ρ λ A k + B k (6-1) 

Dabei ist BV k der digitale Ausgabewert eines Pixels in Band k, ρ λ gleicht einer skalierten 

Oberflächenreflektanz von den Materialien im unmittelbaren Blickfeld (IFOV) bei einer 

bestimmten Wellenlänge λ. Der Multiplikationsterm A k nimmt in erster Linie auf die 

atmosphärische Transmission und die vorhandenen Instrumentenfaktoren Bezug und 

beeinflusst damit den Ausgabewert. Der Additionsterm B k befasst sich hauptsächlich mit der 

atmosphärischen Radianz und einem Instrumentenoffset, wie z.B. dem Dunkelstrom (JENSEN 

2005). 

Dadurch ist ein quantitativer Vergleich zwischen den Spektren des Fernerkundungssensors 

mit vor Ort gemessenen Referenzspektren möglich. Bei der Sammlung von in situ Spektren 

sollten gewisse Bedingungen eingehalten werden. Die Feldmessungen werden mit einem 

Spektroradiometer annähernd zur selben Zeit des Überflugs und bei gleichen 

atmosphärischen Bedingungen gemessen (CLARK ET AL., 2002). 

Die in dieser Arbeit verwendeten in situ Referenzmessungen wurden am Überflugtag zur 

ungefähr gleichen Zeit gemessen. Dabei wurden zusätzlich zu den gewöhnlichen 

Feldmessungen dunkle (Asphalt und Teer) und helle Referenzflächen (Asbest) im Bereich 

27 

ATREM - ATmosphere REMoval 

28 

ACORN - Atmospheric CORrection Now 

29 

ATCOR - ATmospheric CORrection 

30 

MODTRAN - MODerate atmospheric radiance and TRANsmittance model 

29

Methode 

_____________________________________________________________________________________________________ 

um das Naturschutzzentrum und auf dem Parkplatz des Fachmarktzentrums HavelPark 

Dallgow getätigt (siehe Abbildung 6-2) (vgl. Kap. 4.1). 

Mit den parametrisch korrigierten HyMap-Daten (vgl. Kapitel 6.1.1.1) wurde nachfolgend eine 

Empirical-Line-Kalibrierung am GFZ Potsdam mit Hilfe der hellen und dunklen 

Referenzspektren durchgeführt. 

Abbildung 6-2 Links: Asbestdach eines Stalls am Naturschutzzentrum, Rechts: Teerdach des Naturschutzzentrums, Mitte: mit 

dem Spektroradiometer gemessene Spektren der beiden Flächen (EIGENE DARSTELLUNG 2009) 

Für eine noch genauere Anpassung der Bildspektren an die gemessenen Referenzspektren 

empfahl sich eine weitere Empirical-Line-Kalibrierung mit denen am Überflugtag 

gemessenen Referenzspektren einiger Testflächen. Dabei wurden die dazugehörigen 

Bildspektren mit Hilfe der GPS-Punkte (vgl. Kapitel 4.1) manuell in der Bildszene verortet. 

Abbildung 6-3 zeigt je ein Bildspektrum der Referenzfläche Nr. 72 vor und nach der zweiten 

Empirical-Line-Kalibrierung und das dazugehörige Referenzspektrum. 

Zusätzlich zum Empirical-Line-Verfahren wurden das Bild und die in situ gemessenen 

Referenzspektren zur Reduktion des Sensorrauschens mit einem Savitzky-Golay-Filter mit 

einem Polynom 2. Ordnung geglättet (SAVITZKY & GOLAY 1964). 

Abbildung 6-3 Darstellung von Bildspektren der Fläche 72 vor 

und nach der Empirical Line Kalibrierung im Vergleich zu 

einem Referenzspektrum (EIGENE DARSTELLUNG 2009) 

6.1.2 Geometrische Korrektur 

Zur Übertragung der HyMap-Szene in ein amtliches Koordinatensystem wurden während 

des Überflugs Koordinaten kontinuierlich und zeilenweise mit Hilfe eines GPS-Empfängers 

aufgenommen. Zu den Lagekoordinaten werden weitere Parameter während des Überfluges 

30

Methode 

_____________________________________________________________________________________________________ 

gemessen, weil flugzeuggetragene Fernerkundungssysteme in ihren Flugeigenschaften oft 

nicht stabil sind. Durch variierende Luftdruck- und Windverhältnisse oder Abweichungen des 

Flugzeuges von der Flugbahn kommt es zu Störungen der Flugbewegungen in Lage und 

Höhe (Jensen 2005). In Abbildung 6-4 sind diese Faktoren genauer dargestellt. 

Abbildung 6-4 Störungen von Flugbewegungen in Lage und Höhe: a.: Höhe, b.: Roll - Rotation über die x-Achse mit Winkel ω, 

Pitch – Rotation über die y-Achse mit Winkel Φ, Yaw – Rotation über die z-Achse mit Winkel κ (verändert nach JENSEN 2005) 

Der HyMap-Sensor ist auf eine stabilisierende Plattform montiert, wodurch die störenden 

Bewegungen durch ein Austarieren der Flugbewegungen minimiert werden können. 

Des Weiteren können durch eine unzureichende Abstimmung der Fluggeschwindigkeit mit 

der Aufnahmegeschwindigkeit des Sensors Aufnahmelücken (Undersampling) und 

Überlappungen (Oversampling) in den Bildzeilen entstehen (ebd.). Um diese Fehler zu 

korrigieren, werden neben den Koordinaten weitere Navigationsdaten wie Flughöhe, 

Fluggeschwindigkeit, Roll, Pitch, Yaw (vgl. Abbildung 6-4) kontinuierlich für jede Bildzeile 

aufgezeichnet. Diese Flugdaten beziehen sich immer auf den Sensorkopf (SCHLÄPFER & 

RICHTER 2001). 

Die vorliegenden HyMap Daten wurden in zwei Schritten georeferenziert. Am GFZ Potsdam 

wurden die Daten nur mit den oben beschriebenen Navigationsdaten in der Projektion UTM 31 

mit dem geodätischen Datum WGS84 32 von einem hauseigenen Programm grob 

lagekorrigiert, was allerdings für die Bearbeitung dieses Themas nicht ausreichend war. 

In einem zweiten Schritt wurde mit Hilfe des Programmes ERDAS 9.1 33 die Szene auf einem 

Referenzbild, einer QuickBird-Szene von 2004, georeferenziert. Diese Szene umfasst die 

Stadt Potsdam und die Döberitzer Heide und wurde im Zuge des Forschungsprojektes 

Sara’04 mit Hilfe von ATKIS-Daten des DLM25/2 mit Passpunkten, einem Polynom 2. 

Ordnung und der Resampling-Methode „Nearest Neighbor“ entzerrt (FRICK 2006). 

Die HyMap-Szene besitzt eine Auflösung von 4 mal 4 Metern. Da sich das 

Bearbeitungsgebiet auf einem ehemaligen Truppenübungsplatz befindet, gibt es hier kaum 

Möglichkeiten einer Passpunktsetzung an besonders markanten Stellen wie beispielsweise 

befestigten Kreuzungen oder Gebäuden. Alle Wege sind meist unbefestigt und haben sich 

31 

UTM – Universal Transversal Mercator 

32 

WGS84 – World Geodetic System 1984 

33 ERDAS 9.1 – Earth Resources Data Analysis Technique Version 9.1 

31

Methode 

_____________________________________________________________________________________________________ 

im Laufe der Jahre verändert. Aus diesem Grund und weiteren Vorteilen wie ein höherer 

Detaillierungsgrad und die Aktualität wurde die QuickBird-Szene den ATKIS-Daten 

vorgezogen. Insgesamt wurden 20 Passpunkte mit einem gesamten RMS-Fehler 34 von 1,6 

Pixeln gesetzt. Für die Georeferenzierung wurden die Resample-Methode „Nearest 

Neighbor„ und ein Polynom 2. Ordnung gewählt. Koordinatensystem ist das für Brandenburg 

gültige ETRS89 35 . 

6.2 Datenreduktion 

Hyperspektrale Daten enthalten viele redundante Informationen, da die durchschnittliche 

Kanalbreite von hyperspektralen Sensoren nur wenige Nanometer breit ist - beim HyMap- 

Sensor handelt es sich um eine Breite von 15 bis 17 nm (vgl. Kapitel 4.2) – und diese somit 

sehr dicht beieinander liegen. Für einen besseren und leichteren Umgang mit den Daten ist 

man bestrebt, die Dimensionen der Daten zu reduzieren. Dabei sollen keine signifikanten 

Informationen, die für die Bestimmung von Materialien wichtig sind, verloren gehen. In der 

Fernerkundung ist ein bekanntes Mittel zur Minimierung spektraler Redundanz die 

Hauptkomponentenanalyse. Diese generiert einen neuen Datensatz mit geringerer spektraler 

Redundanz (KÖHL & LAUTNER 2001#). Dabei werden die ursprünglichen Spektralwerte jedes 

einzelnen Pixels in einen neuen Merkmalsraum mit neuer Basis unter Beibehaltung der 

Rechtwinkligkeit der Achsen überführt. Die neu entstandenen Achsen erklären sukzessive 

die maximale Varianz und stellen die Faktoren der Hauptkomponentenanalyse (PCA 36 ) dar. 

Das Maß, welches herangezogen wird um die Gesamtzahl aller Variablen durch einen Faktor 

zu erfassen, wird als Eigenwert eines Faktors bezeichnet und trägt am meisten zur 

Varianzaufklärung bei. Dabei beinhalten Faktoren niederer Ordnung wichtige 

Bildinformationen, während Faktoren höherer Ordnung nahezu nur noch Rauschen enthalten 

(ebd.). 

Bei hyperspektralen Datensätzen können die einzelnen Kanäle unterschiedliche Anteile des 

Rauschens enthalten. Daher kommt es vor, dass die bei einer normalen PCA bestimmten 

Faktoren nicht den gewöhnlichen Trend eines zunehmenden Rauschens bei zunehmender 

Ordnung aufweisen. Die MNF-Transformation 37 ist eine modifizierte Form der PCA, die die 

Faktoren nach einem abnehmenden Signal-Rausch-Verhältnis ordnet und in zwei Stufen 

verläuft. In der ersten Stufe wird das Rauschen des Datensatzes dekorreliert und auf der 

Basis einer standardmäßigen Schätzung der Rauschkovarianzmatrix aus dem gesamten Bild 

skaliert (BRUNN 2006). Als Ergebnis des ersten Schrittes erhält man einen Datensatz, der in 

ein Koordinatensystem transformiert ist, in dem das Rauschen zwischen den einzelnen 

Bändern dekorreliert ist und eine einheitliche Varianz besitzt. Im zweiten Schritt erfolgt eine 

gewöhnliche Hauptkomponententransformation, die auf den Ergebnissen von Schritt 1 

34 

gesamter RMS-Fehler – Total Root Mean Square Error 

35 

ETRS89 – European Terrestrial Reference System 89 

36 

PCA – Principal Component Analysis 

37 

MNF-Transformation – Minimum Noise Fraction Transformation 

32

Methode 

_____________________________________________________________________________________________________ 

basieren. Dabei werden die MNF-Komponenten nach der Höhe der Eigenwerte und des 

Informationsgehaltes absteigend sortiert. Der entstehende Datenraum wird in zwei Teile 

sortiert, wovon der erste Teil die komprimierte Information des Datensatzes mit hohen 

Eigenwerten enthält und zu kohärenten Bildern, den sogenannten Eigenimages, führt (KÖHL 

& Lautner 2001). 

Abbildung 6-5 Darstellung eines Spektralen Profils eines 

Bildpixels mit den bei der MNF-Transformation 

ausgeschlossenen Wellenlängenbereichen von 455.6- 

470.2 nm, 1320.3-1447.8 nm, 1738.3-2007.7 nm, 2396.5- 

2490.1 nm (EIGENE DARSTELLUNG 2009) 

Abbildung 6-6 Darstellung der Verteilung der Eigenwerte auf die 

MNF-Komponenten (EIGENE DARSTELLUNG 2009) 

Der zweite Teil besteht aus den Komponenten, die mit niedrigen Eigenwerten von kleiner 

oder gleich 1 gekennzeichnet sind und den dazugehörigen Bildern, die ein starkes Rauschen 

beinhalten und keine räumliche Information besitzen (ebd.). Als Ergebnis der MNF- 

Transformation erhält man einen Datensatz, der dieselbe Anzahl an Kanälen beinhaltet wie 

das Eingabebild. Dabei erfassen die ersten 20 MNF-Komponenten im Normalfall 90% der 

Gesamtvarianz und besitzen das geringste Rauschen. Diese werden dann für die weitere 

Analyse genutzt (SCHOWENGERDT 2007). 

In dieser Arbeit wurde die MNF-Transformation mit 100 Bändern durchgeführt. Die Bänder in 

den in Abbildung 6-5 gezeigten Wellenlängenbereichen wurden nicht verwendet, da diese 

keine brauchbaren Informationen enthalten. In den ersten 20 erzeugten Komponenten 

befindet sich der Datenraum, dessen Eigenwerte größer als der Wert 2,0 sind (siehe 

Abbildung 6-6). Daher werden für die weitere Bearbeitung der Thematik die ersten 20 

Komponenten benutzt. 

6.3 Erstellung der Endmember 

Unter einem Endmember ist ein „reines“ Objekt zu verstehen, von dem angenommen wird, 

dass jedes Pixel einen variablen Anteil dieses Objektes enthält. Dabei sei die in jedem Pixel 

gemessene Strahlung eine Linearkombination der Strahlung der einzelnen Endmember 

(KÖHL & LAUTNER, 2001). Es gibt zwei Ansätze für die Festlegung von Endmembern in 

einem Bild. Zum einen kann man die Bildspektren mit unabhängig davon aufgenommenen 

Feld- oder Laborspektren vergleichen. Als Voraussetzung sind hierbei eine hochwertige 

Kalibrierung und optimale Aufnahmebedingungen zu beachten, da der Bildinhalt mit 

absoluten Messwerten verglichen wird. Zum anderen kann man die benötigten Endmember 

aus dem Bild selbst erzeugen (image-derived) (ebd.). 

33

Methode 

_____________________________________________________________________________________________________ 

Beide Varianten wurden für diese Arbeit benutzt und werden in den nächsten Kapiteln 6.3.1 

und 6.3.2 näher erläutert. 

6.3.1 Endmember aus Feldspektren 

Wie bereits in Kapitel 4.1 beschrieben, wurden die Feldspektren mit Hilfe eines ASD Field 

Spec ® FR Pro mit einer 8°-Voroptik aufgenommen. Später wurden die Spektrometeraufnahmen 

auf die HyMap-Daten mit Hilfe des Programmes ENVI 4.6 38 angepasst, so dass die 

Wellenlängenbereiche der Bänder von Bildszene und Feldspektren übereinstimmen. 

Abbildung 6-7 Erstellte Endmember aus den gemessenen Feldspektren 


Für die Bearbeitung des Themas wurden nur die Spektrometeraufnahmen benutzt, welche 

am Überflugtag und an den Tagen davor und danach gemessen wurden. Den einzelnen 

Referenzflächen wurden Biotoptypen und Pflanzengesellschaften zugeordnet (siehe Anhang 

A.2). Die Feldspektren der Flächen mit dem gleichem Biotoptyp und der gleichen 

Pflanzengesellschaft wurden mit dem Programm SAMS 39 zu einem Referenzspektrum 

gemittelt und anschließend mit dem Savitzky-Golay-Filter mit einem Polynom 2. Ordnung 

geglättet (SAVITZKY & GOLAY 1964) (vgl. Kapitel 6.1.1.2). 

Insgesamt flossen acht Endmember in die Klassifikation mit ein (siehe Abbildung 6-7). 

6.3.2 Endmember aus Bildspektren 

Im Gegensatz zur Auswahl von Endmembern aus Labor- und Feldspektren, liegt der Vorteil 

bei der Auswahl von Endmemberspektren aus einem Bild darin, dass diese unter ähnlichen 

atmosphärischen Bedingungen gesammelt werden (VAN DER MER & DE JONG 2000). 

38 ENVI 4.6 – Environment for Visualizing Images Version 4.6 

39 SAMS – Spectral Analysis and Management System 

34

Methode 

_____________________________________________________________________________________________________ 

Für die Ableitung der Endmember aus den Bildspektren wurden zwei Möglichkeiten 

betrachtet. Zum einem kann man den Pixel Purity Index (PPI) benutzen. Diese 

automatisierte Methode wurde von SMITH et al. (1995) entwickelt. Dabei werden die spektral 

reinsten Pixel in einer Bildszene bestimmt. Nach einer bestimmten Anzahl an 

Rechenwiederholungen wird ein einzelnes PPI-Image erzeugt, in dem jedes Pixel einen Wert 

beinhaltet, der der Anzahl der Male entspricht, die ein Pixel als extrem aufgezeichnet wurde 

(JOLLINEAU, HOWARTH, 2008). Das hellste Pixel im Bild sollte somit einen reinen Endmember 

repräsentieren. 

Abbildung 6-8 Erstellte Endmember aus den Bildspektren 


Auf die Verwendung des PPI wurde in dieser Arbeit verzichtet, da hauptsächlich offene 

Böden als reinste Pixel detektiert wurden. 

Die zweite Möglichkeit war die manuelle Ableitung der Endmember aus dem Bild. Da die 

Testflächen im Gelände mit GPS-Koordinaten aufgenommen wurden, ist eine relativ genaue 

Verortung der Flächen im Bild möglich. Mit einem RMS-Fehler von 1,6 Pixeln (vgl. Kapitel 

6.1.2) war es nötig, die benachbarten Pixel in die Endmembersuche mit einzubeziehen. In 

einem Umkreis von je einem Pixel in alle Richtungen wurden die Bildspektren mit den 

gemessenen Feldspektren verglichen und nach der größten Ähnlichkeit ausgewählt. 

Abbildung 6-8 stellt die gesammelten Bildendmember dar. 

6.4 Bilden von Ableitungen 

In der hyperspektralen Fernerkundung wird häufig mit Ableitungen gearbeitet, da 

Ableitungen zweiter und höherer Ordnung relativ unempfindlich gegenüber 

Beleuchtungsschwankungen sind (WANG et al. 1998). Außerdem können Ableitungen 

Hintergrundeffekte des Bodens reduzieren, da die meisten Hintergrundspektren des Bodens 

hauptsächlich im sichtbaren und nahen Infrarotbereich liegen. 

Als nachteilig wirkt sich die nicht zu unterschätzende Beeinflussung der Spektren durch die 

gasförmigen Absorptionsbanden der Atmosphäre aus. Daher müssen Bänder, die in diesen 

Banden liegen, vorab beseitigt werden, wenn man mit Hilfe von Ableitungen 

35

Methode 

_____________________________________________________________________________________________________ 

Vegetationsinformationen extrahieren möchte. Da Ableitungen sich sehr empfindlich 

gegenüber Rauschen verhalten, ist der erste Schritt bei hyperspektralen 

Ableitungsprozessen die Rauschreduzierung sowie die Glättung (z.B. durch Savitzky-Golay- 

Filterung). 

Für die Berechnung der ersten, zweiten und dritten Ableitung wurden die ersten 20 

Komponenten der MNF-Transformation verwendet (vgl. Kapitel 6.2). Berechnet wurden die 

Ableitungen mit einem von der Humboldt-Universität Berlin programmiertem IDL 40 -Programm. 

6.5 Bilden der Maske 

Da in dieser Arbeit das Hauptaugenmerk auf die Klassifikation von Feuchtgebieten gelegt 

wurde, sind vorab alle anderen Biotoptypen ausmaskiert worden. Dabei wurde die Maske 

zum einen mit Hilfe der Klassifikationsergebnisse des Forschungsprojektes Sara’04 erstellt. 

Ausmaskiert wurden die Haupterfassungseinheiten (HEE) der Tabelle 6-1. Dazu wurde ein 

Resampling der Pixel von der QuickBird-Szene (0,6 x 0,6 m) auf die HyMap-Szene (4 x 4 m) 

durchgeführt. 

Tabelle 6-1 links: Ausmaskierte Haupterfassungeinheiten (HEE) aus der QuickBird-Szene, rechts: Ausmaskierte Biotoptypen 

der HEE 5 (Gras- und Staudenfluren) aus der HyMap-Szene (EIGENE DARSTELLUNG 2010) 

HEE Beschreibung Biotoptyp Beschreibung 

3 

Anthropogene Rohbodenstandorte und 

Ruderalfluren 

05111 Frischweiden, Fettweiden 

6 Zwergstrauchheiden und Nadelgebüsche 05113 Ruderale Wiesen 

7 

Laubgebüsche, Feldgehölze, Alleen, 

Baumreihen und Baumgruppen 

8 Wälder und Forsten 

9 Äcker 

10 Biotope der Grün- und Freiflächen 

11 Sonderbiotope 

12 

Bebaute Gebiete, Verkehrsanlagen und 

Sonderflächen 

Zum anderen wurden für die Biotoptypen trockener und frischer Bereiche der HEE 5 die im 

Projekt Sara-EnMap (vgl. Kapitel 1.1) gemessenen Feldspektren der in Tabelle 6-1 

aufgeführten Biotoptypen der Gras- und Staudenfluren für eine SAM-Klassifikation 

verwendet. Die Maske wurde dann mit diesen Ergebnissen ergänzt. Anhang K.2 zeigt die 

fertige Maske mit der HyMap-Szene im Hintergrund. 

40 IDL – Interactive Data Language 

36

Methode 

_____________________________________________________________________________________________________ 

6.6 Klassifikation 

Ziel der Klassifikation soll die Erkennung von Feuchtgebieten mit Hilfe von Referenzspektren 

sein (vgl. Kapitel 1.2). Dafür wurden zwei Methoden ausgewählt, die für diese Aufgabe als 

geeignet erschienen. Ausgewählt wurden der Spectral Angle Mapper (SAM) und das Mixture 

Tuned Matched Filtering (MTMF). Dabei wurden beide Methoden sowohl auf die 

Feldspektren als auch auf die Bildspektren angewandt. Grund für die Wahl dieser beiden 

Verfahren wird in den folgenden Kapiteln 6.6.1 und 6.6.2 näher erläutert. 

6.6.1 Der Spectral Angle Mapper (SAM) 

6.6.1.1 Grundlagen 

Der SAM ist ein nicht wahrscheinlichkeitsbasierter Algorithmus (BECKER et al. 2007, KRUSE 

et al. 1993), welcher die unbekannten Pixelspektren der Bildszene mit vorab ausgewählten 

Endmembern aus Labor-, Feld- oder vom Bild abgeleiteten Spektren (vgl. Kapitel 6.3) 

vergleicht, indem er den spektralen Winkel berechnet (JOLLINEAU & HOWARTH 2008). 

Voraussetzung für die Verwendung des SAM ist eine korrektre Kalibrierung der Bilddaten 

und eine Korrigierung des Dunkelstroms (BRUNN 2006). 

Die absolute Anzahl spektraler Endmember, die in einem SAM-Ansatz benutzt werden 

dürfen, beläuft sich auf n + 1, wobei n der Anzahl der Bänder entspricht (VAN DER MEER 

1999). 

Abbildung 6-9 Abbildung 9 Vereinfachte 

zweidimensionale Darstellung der SAM-Methode 

(verändert nach KRUSE et al. 1994, RESEARCH SYSTEMS, 

INC. 2003) 

Bei dem spektralen Winkel handelt es sich um einen n-dimensionalen Winkel. Je kleiner der 

Winkel ist, desto höher ist die spektrale Ähnlichkeit zum Endmember (KRUSE et al. 1993). 

Dabei kann ein benutzerdefinierter Schwellenwert festgelegt werden, der angibt, wie groß ein 

Winkel zwischen dem unbekanntem Pixelspektrum und dem Endmemberspektrum sein darf, 

damit das entsprechende Pixel der Klasse zugeordnet wird. Abbildung 6-9 zeigt eine 

vereinfachte zweidimensionale Darstellung der SAM-Methode. 

Vorteil des Spectral Angle Mapper ist, dass sich bei Änderungen der Beleuchtungsverhältnisse 

durch Schatten, Steigung, Sonnenexposition, leichte Bewölkung etc. nur die 

37

Methode 

_____________________________________________________________________________________________________ 

Größe des Vektors, nicht aber seine Richtung ändert. Des Weiteren ist es nicht vonnöten, 

dass alle Endmember in einem Bild identifiziert werden (LECKIE et al. 2005). Diese Vorteile 

waren ein Grund dafür, dass dieses Verfahren für die Bearbeitung des Themas gewählt 

wurde, da die Referenzspektren vor Ort gemessen wurden und somit die 

Beleuchtungsverhältnisse nicht kontinuierlich gleich waren. Zum anderen wurden nicht alle 

Endmember des Überflugstreifens erfasst. 

Nachteilig wirkt sich die Methode bei Klassen aus, die dieselbe Winkelausdehnung haben. 

Diese können dann nicht separiert werden. Ebenso werden Pixel, die außerhalb des 

angegebenen Schwellwertes liegen, nicht klassifiziert (JOLLINEAU & HOWARTH 2008). 

6.6.1.2 Vorgehen 

In einem ersten Schritt wurde die MNF-transformierte HyMap-Szene (vgl. Kapitel 6.2) ohne 

Angabe eines Schwellenwertes und mit den je 8 Endmembern der Feld- und Bildspektren mit 

dem Programm ENVI 4.6 klassifiziert. Dabei entstehen ein Klassifikationsbild und die 

dazugehörigen Ausgangsbilder, die sog. rule images, die für jedes Endmember die 

Winkeldifferenz der unbekannten Pixelwerte zum entsprechenden Endmember in Radiant als 

z-Wert enthalten. WANG et al. (1998) bezeichneten die entstandenen Ausgangsbilder als 

einen sogenannten Datenkubus mit der Anzahl der Bänder gleichbedeutend mit der Anzahl 

der Endmember, die für die Klassifikation verwendet wurden. Basierend auf eine 

Ähnlichkeitsdistanzanalyse unter den Referenzspektren wählt der Schwellenwert die 

Identifikation und Klassifikation der Pixel aus. 

Der hier verwendete benutzerdefinierte Schwellenwert wurde aus den Ausgangsbildern 

ermittelt. Dabei werden die Winkel der Testflächen aller Endmember aus jedem 

Ausgangsbild genommen. Für jeden Endmember werden der mittlere Winkel (α mean ), der 

Maximalwinkel (α max ), die erste (sd1) und die zweite Standardabweichung (sd2) aus den 

dazugehörigen Testflächen ermittelt. 

Der eigentliche Schwellenwert (α E ) wird dann aus der Hälfte der Differenz des minimalen 

Ähnlichkeitswinkels (β min ) der jeweiligen Klasse und des mittleren (α mean ) oder maximalen 

Winkels (α max ) der Klasse abgeleitet und auf den mittleren (α mean ) oder maximalen Winkel 

(α max ) und die erste (sd1) oder die zweite Standardabweichung (sd2) addiert (Gleichungen 6- 

2 bis 6-5) (verändert nach WANG et al. 1998). 

β min−αmean 

α Emean + 1sd 

= + αmean 

+ sd1 

(6-2) 

2 

β min−αmean 

α Emean + 2sd 

= + αmean 

+ sd 2 

(6-3) 

2 

β min−α 

max 

α E max+ 1sd 

= + α max+ 

sd1 

(6-4) 

2 

β min−α 

max 

α E max+ 2sd 

= + α max+ 

sd 2 

(6-5) 

2 

Mit den berechneten Schwellwerten wurde dann die eigentliche SAM-Klassifikation 

durchgeführt. 

Im zweiten Schritt wurde die oben erläuterte Vorgehensweise auf die abgeleitete Bildszene 

angewendet. 

38

Methode 

_____________________________________________________________________________________________________ 

6.6.2 Mixture Tuned Matched Filtering (MTMF) 

6.6.2.1 Prinzip der Spektralen Entmischung 

Durch eine geringe geometrische Auflösung (VOSS, 2005) oder durch kleinflächig verteilte 

mosaikartige Oberflächenmaterialien kann es dazu kommen, dass in einem Pixel eine 

Kombination verschiedener Oberflächenkomponenten und demzufolge ihrer Signaturen 

vorhanden ist. Die Spektrale Entmischungsanalyse soll die einzelnen Komponenten und 

deren prozentuale Anteile an den jeweiligen Mischpixeln bestimmen. Dabei werden die 

relativen oder absoluten Anteile einer bestimmten Anzahl spektraler Komponenten 

berechnet, aus denen sich ein betrachteter Bildpunkt zusammensetzt (BRUNN, 2006). Zudem 

sollen Aussagen darüber getroffen werden, aus welchen Komponenten die abgebildete 

Oberfläche des Geländes besteht (ebd.). Es können demnach neben der qualitativen 

Erfassung auch quantitative Aussagen über den prozentualen Flächenanteil der jeweiligen 

Komponenten auf Pixelebene getätigt werden (siehe Abbildung 6-10). Als Ergebnis der 

Spektralen Entmischung entsteht ein neuer Bilddatensatz, bei dem jeder Kanal den relativen 

Anteil eines verwendeten Endmembers angibt. 

Abbildung 6-10 Lineares Mischungsmodell mit Bezug auf ein einzelnes Pixel, 

dass auf Wasser, Vegetation und Rohboden besteht (verändert nach JENSEN 

2005) 

Voraussetzung für eine Spektrale Entmischung ist das Vorhandensein von spektralen 

Signaturen, die die Oberflächenkomponenten möglichst unvermischt repräsentieren. Man 

spricht dabei von „reinen“ Signaturen oder Endmembern. Diese können auf verschiedene 

Weise wie z.B. im Labor, im Feld oder aus dem Bild bestimmt werden (vgl. Kapitel 6.3). 

Labor- und Feldspektren haben den Vorteil, dass sie ein tatsächlich reines Material 

darstellen. Da es sich aber um idealisierte Spektren handelt, ist es schwierig, diese auf eine 

Bildszene anzuwenden, die durch Strahlungseffekte in der Atmosphäre und durch die 

Atmosphärenkorrektur beeinflusst ist. Dem gegenüber geben Endmember aus der Bildszene 

die tatsächlichen Pixelspektren wieder. Diese werden allerdings nicht als „reine“ 

Endmember, sondern als Mischpixel im Bild vorhanden sein. 

Für die Spektrale Entmischungsanalyse gibt es zwei Modelle, die lineare und die nicht 

lineare Entmischung. Bei der Verwendung von linearen Entmischungsmodellen darf das 

reflektierte Licht auf dem Weg zum Sensor nur von einem einzigen Oberflächenobjekt 

beeinflusst werden. Diese Annahme wird in der Praxis nur selten erfüllt (vgl. Kapitel 3.1). Ein 

39

Methode 

_____________________________________________________________________________________________________ 

gängiges lineares Modell ist das Linear Spectral Unmixing (LSU) (SCHOWENGERDT, 2007). 

Bei diesem Verfahren müssen allerdings als Voraussetzung alle Endmember in einem Bild 

bekannt sein. Aufgrund der Vielfalt von möglichen Endmembern in dieser Arbeit und der 

nicht gegebenen Voraussetzung, dass das Licht nur von einem einzigen Objekt beeinflusst 

wurde, wurde ein Mischungsmodell gewählt, was zum einen auf der Anwendung linearer 

Mischungsmodelle basiert, zum anderen aber die unterschiedlichen nicht linearen 

Phänomene statistisch berücksichtigt (BRUNN, 2006). 

6.6.2.2 Grundlagen des Mixture Tuned Matched Filtering 

Das Mixture Tuned Matched Filtering (MTMF) (BOARDMAN, 1998) ist ein Verfahren zur 

Spektralen Entmischung, und beinhaltet eine Mischung aus den Methoden Matched Filtering 

(MF) (GONZALES & WOODS 2001) und Linear Spectral Unmixing (LSU). Für eine Anwendung 

des MTMF müssen die Daten vollständig dekorreliert sein und das Rauschen muss einer 

Normalverteilung entsprechen. Diese Voraussetzungen erreicht man mit der in Kapitel 6.2 

beschriebenen MNF-Transformation. Vorteil der MTMF-Methode gegenüber der LSU- 

Methode ist, dass nicht alle Mischungsbestandteile bekannt sein müssen. 

Beim Matched Filtering wird das Signal eines bestimmten Endmembers maximiert, während 

die Signale des gemischten Hintergrundes unterdrückt werden. Dabei wird der sogenannte 

MF-Zähler (MF-Score) bestimmt. Dieser bestimmt den relativen Ähnlichkeitsgrad des 

Bildpixels zum Referenzspektrum, bei dem ein Wert von 1.0 eine exakte Übereinstimmung 

bedeutet (ITT 2007). Da nach BOARDMAN (1998) die Fehleralarmhäufigkeit bei dieser 

Anwendung sehr hoch ist, wurde es mit den Methoden der Linearen Spektralen Entmischung 

kombiniert. 

Abbildung 6-11 Verfahren des MTMF (verändert nach ITT 2007) 

Das MTMF behandelt jeden Endmember unabhängig voneinander und modelliert die Pixel 

als ein Mischung aus dem Endmember und einem undefiniertem Hintergrundmaterial 

(ANDREW & USTIN 2008) (siehe Abbildung 6-11). 

Als Ergebnis liefert der Algorithmus für jeden Endmember je zwei Bildkanäle. In einem Kanal 

befindet sich der relative Anteil des Endmembers am Bildpunkt („MF score“). Der zweite 

Kanal drückt die der Auswertung zu Grunde liegende Unsicherheit („infeasibility“) aus. Beide 

Kanäle werden in einem zweidimensionalen Koordinatensystem dargestellt. Pixel mit dem 

höchsten Wert für den relativen Anteil und dem niedrigsten Wert für die Unsicherheit werden 

als Endmember oder als Klasse definiert (ITT, 2007). 

40

Methode 

_____________________________________________________________________________________________________ 

6.6.2.3 Vorgehen 

Für diese Arbeit wurde die MTMF-Methode mit den ersten 20 Komponenten der MNF- 

Transformation der HyMap-Szene durchgeführt (vgl. Kapitel 6.2). Dabei wurde je eine 

Klassifikation mit den Feld- und mit den Bildspektren vorgenommen. Die jeweiligen 

Klassenpixel wurden mit Hilfe eines zweidimensionalen Koordinatensystems mit dem „MF 

Score“ als x-Achse und der „Infeasibility“ als y-Achse und den Bedingungen von hohen „MF 

Score-Werten“ und niedrigen „Infeasibility“-Werten in Kapitel 6.6.2.2 bestimmt. Wurden die 

jeweiligen Pixel ausgewählt, dann entspricht der „MF Score“ mit einer Spanne von 0 bis 1.0 

einem prozentualen Endmemberfüllanteil von 0 bis 100% (ITT 2007). 

6.7 Genauigkeitsanalyse 

Um die Qualität der Klassifikationsergebnisse zu überprüfen und um eine Vergleichbarkeit 

unter den Ergebnissen herzustellen, wurde eine Genauigkeitsanalyse durchgeführt. Eine in 

der Fernerkundung häufig verwendete Methode ist die der Konfusionsmatrizen (STORY & 

CONGALTON 1986). Dabei werden die Klassifikationsergebnisse (Zeilen) und die 

Validierungsdaten (Spalten) in eine Matrix gebracht. Die Gesamtgenauigkeit entspricht der 

Summe der Hauptdiagonalen der Konfusionsmatrix dividiert durch die Gesamtzahl aller 

Vergleichsobjekte. Zwei Parameter sind von Interesse. Zum einen beschreibt die Producer’s 

Accuracy den Fehler des Ausschlusses und damit die Untererfassung von Objekten. Das 

bedeutet, dass ermittelt wird, zu wie viel Prozent die Objekte im Bild richtig klassifiziert 

wurden. Zum anderen beschreibt die User’s Accuracy den Fehler des Einschlusses und 

damit die Übererfassung von Objekten (ebd.). Das heißt, ob alle im Ergebnis zugeordneten 

Daten auch wirklich dieser Klasse angehören. 

Tabelle 6-2 Bewertung des Kappa-Koeffizienten 

(übersetzt nach ORTIZ et al. 1997, S. 98) 

K-Wert 

Qualität 

< 0,0 Sehr schlecht 

0,0 bis 0,2 Schlecht 

0,2 bis 0,4 Akzeptabel 

0,4 bis 0,6 Gut 

0,6 bis 0,8 Sehr Gut 

0,8 bis 1,0 Ausgezeichnet 

Neben der Ermittlung der Gesamtgenauigkeit ist es von Vorteil die Genauigkeit mit Kappa zu 

erfassen (vgl. CONGALTON 1981; CONGALTON et al. 1983). Bei der Kappa-Analyse werden 

alle Elemente der Konfusionsmatrix in die Berechnung mit einbezogen. Aus der Differenz 

zwischen tatsächlicher Übereinstimmung der Klassifikationsergebnisse mit den 

Vergleichsobjekten und zufälliger Übereinstimmung von zufällig verteilten Klassen mit den 

Vergleichsobjekten ergibt sich dann der Wert (vgl. JENSEN 2005; CONGALTON & GREEN 1999; 

ROSENFIELD & FITZPATRICK-LINS 1986). 

41

Methode 

_____________________________________________________________________________________________________ 

Die Qualität des Kappa-Koeffizienten wurde nach ORTIZ et al. (1997) bewertet (vgl. Tabelle 

6-2). 

Für die Genauigkeitsanalyse in dieser Arbeit wurden Vergleichspunkte im Feld im Ferbitzer 

Bruch und in der Umgebung des Großen Grabens genommen (vgl. Kapitel 4.1.2). Diese 

wurden mit Hilfe der im Jahr 2000 terrestrisch erstellten Kartierung der geschützten Biotope 

nach §32 BrbNatSchG (vgl. Kapitel 4.3) nochmals überprüft. Da es trotz Georeferenzierung 

(vgl. Kapitel 6.1.2) zu Lageungenauigkeiten von durchschnittlich 1,6 Pixeln kommen kann, 

wurde um die Vergleichspunkte eine Pufferung von sechs Metern vorgenommen (siehe 


Abbildung 6-12 Darstellung der 6 m – Pufferung um einen 

Kontrollpunkt mit einem Beispiel der Klassenvergabe 


Für die dafür entstandenen Flächen wurde die Klassen bei der SAM-Klassifikation wie folgt 

vergeben. Befindet sich in der Fläche eine des Vergleichspunktes übereinstimmende Klasse, 

so wird die Fläche als selbige klassifiziert betrachtet. Flächen, die keine übereinstimmende 

Klasse enthalten, werden der Klasse mit der Mehrheit im Puffer zugeordnet (siehe 


Bei der MTMF-Klassifikation wird die Verteilung der Klassen im Puffer in einer etwas 

veränderten Form vergeben. Dabei erhält der Puffer die Klasse mit dem größten 

Endmemberfüllanteil (vgl. Kapitel 6.6.2.3). 

42

Ergebnisse 

_____________________________________________________________________________________________________ 

7 Ergebnisse 

In diesem Kapitel werden die Ergebnisse der Arbeit vorgestellt. Sie werden nach der Art der 

angewandten Methode nacheinander aufgeführt. Die einzelnen Methoden werden dann noch 

einmal getrennt nach Bild- und Feldendmembern. Kapitel 7.1 beschäftigt sich mit den 

Ergebnissen der Genauigkeitsanalyse der SAM-Methode zum einen mit der MNFtransformierten 

HyMap-Szene (Kapitel 7.1.1) und zum anderen mit den ersten drei 

Ableitungen (Kapitel 7.1.2 bis 7.1.3). Im Kapitel 7.2 werden die Ergebnisse der 

Klassifikationsmethode des Mixture Tuned Matched Filtering (MTMF) mit Bild- und 

Feldendmembern vorgestellt. 

7.1 Der Spectral Angle Mapper 

7.1.1 SAM mit der MNF-transformierten HyMap-Szene 

7.1.1.1 Feldspektren 

Die höchste Gesamtgenauigkeit (Overall Accuracy und Kappa) wurde bei den 

Klassifikationen mit mittleren und maximalen Winkeln bei der Addition von einer oder zwei 

Standardabweichungen erreicht. Die Ergebnisse der Klassifikationen mit den 

Schwellenwerten α Emean+1sd , α Emean+2sd , α Emax+1sd und α Emax+2sd (siehe Gleichungen 6-2 bis 6-5) 

unterscheiden sich untereinander gar nicht. Wenn man diese weiterhin kontinuierlich steigert, 

ändert sich das Ergebnis nicht. Selbst bei einem manuellen Verstellen von Winkeln einzelner 

Endmember verändert sich das Klassifikationsergebnis nur geringfügig. 

In Tabelle 7-1 wird die Konfusionsmatrix des Schwellenwerts α Emean+1sd als Beispiel für alle 

oben genannten Schwellenwerte vorgestellt. Die dazugehörige Klassifikationskarte befindet 

sich im Anhang K.3). Die Konfusionsmatrizen aller verwendeter Schwellenwerte befinden 

sich in den Anhängen A.24 bis A.29. 

Tabelle 7-1 Konfusionsmatrix der SAM-Klassifikation mit der MNF-transformierten HyMap-Szene mit dem Schwellenwert 

αEmean+1sd 

Referenzdaten Producer's User's 

SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy 

(PA + UA)/2 

Unklassifiziert 0 88 3 3 2 3 10 0 0 11 120 1,00 0,73 0,87 

04511_PHR_PHR 1 0 10 0 2 0 1 0 3 2 18 0,59 0,56 0,57 

04514_CAR_PHA 2 0 0 6 3 0 0 0 0 0 9 0,40 0,67 0,53 

05101_CAR_XAP 3 0 0 3 4 3 3 0 0 2 15 0,36 0,27 0,32 

05101_CAR_XGR 4 0 0 0 0 0 0 0 0 1 1 0,00 0,00 0,00 

05102_MOL_MOL 5 0 1 1 0 0 15 0 0 3 20 0,45 0,75 0,60 

05103_CAL_XXX 6 0 2 2 0 7 1 24 0 1 37 0,96 0,65 0,80 

051311_PHR_PHR 7 0 1 0 0 0 0 1 6 1 9 0,67 0,67 0,67 

05101_CAR_XAC 8 0 0 0 0 0 3 0 0 9 12 0,30 0,75 0,53 

Overall Acc. 0,672 

Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,575 

43

Ergebnisse 

_____________________________________________________________________________________________________ 

Die Klasse 05101_CAR_XGR (vgl. Kapitel 5.2) wurde nicht erkannt oder als eine andere 

Gesellschaft klassifiziert, hauptsächlich als die Gesellschaft 05103_CAL_XXX und des 

05101_CAR_XAP. 

Abbildung 7-1 Mittlere Winkel der Endmember pro Klasse aus dem Regelbild der SAM-Klassifikation mit Feldspektren und 

der MNF-transformierten HyMap-Szene (EIGENE DARSTELLUNG 2010) 

In Abbildung 7-1 sind die mittleren Winkel der Endmember pro Klasse aus dem jeweiligen 

Regelbild der SAM-Klassifikation dargestellt. In dieser Darstellung ist zu erkennen, dass die 

Klassen 04511_PHR_PHR, 04514_CAR_PHA, 05102_MOL_MOL, 05103_CAL_XXX und 

051311_PHR_PHR relativ gut unterschieden werden können, da die Winkel im jeweiligen 

Regelbild kleiner als die der anderen Endmember sind. Sehr gute Ergebnisse dabei erzielte 

die Klasse 05103_CAL_XXX mit einer durchschnittlichen Genauigkeit von 80% (PA 96%, UA 

65%). Dabei wurden 24 von 25 Kontrollpunkten richtig erkannt. Dreizehn Kontrollpunkte 

anderer Endmember wurden dieser Klasse falsch zugeordnet, davon 7 in die Klasse 

05101_CAR_XGR. Beim Schwellenwert α Emean erzielte Klasse 05103_CAL_XXX mit einer 

Gesamtgenauigkeit von 91% sein genauestes Ergebnis, da bei einem kleineren Winkel nur 

vier andere Kontrollpunkte dieser Klasse zugeordnet wurden. 

Die Klasse 05102_MOL_MOL hat eine durchschnittliche Genauigkeit von 60% (PA 45%, UA 

75%). Dabei wurden 15 von 33 Kontrollflächen richtig klassifiziert. Zehn Flächen blieben 

unklassifiziert. 

7.1.1.2 Bildspektren 

Bei der SAM-Klassifikation mit der MNF-transformierten HyMap-Szene mit Hilfe von 

Bildspektren wurden die höchsten Werte (OA 77,6%, Kappa 0,72) mit dem Schwellenwert 

α Emean+1sd erreicht (siehe Anhang K.4) (siehe Tabelle 7-2). 

44

Ergebnisse 

_____________________________________________________________________________________________________ 

Tabelle 7-2 Konfusionsmatrix der SAM-Klassifikation mit der MNF-transformierten HyMap-Szene mit dem Schwellenwert α E 

mean + 1 sd 

Referenzdaten 

Producer's User's (PA + 

SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy UA)/2 


04511_PHR_PHR 1 0 14 0 3 4 0 1 0 3 25 0,82 0,56 0,69 

04514_CAR_PHA 2 0 0 3 0 1 0 1 0 0 5 0,20 0,60 0,40 

05101_CAR_XAC 3 0 0 0 20 0 0 9 0 0 29 0,67 0,69 0,68 

05101_CAR_XAP 4 0 0 0 1 6 1 6 0 0 14 0,55 0,43 0,49 

05101_CAR_XGR 5 0 2 8 2 0 11 0 0 0 23 0,85 0,48 0,66 

05102_MOL_MOL 6 0 0 0 0 0 0 16 0 0 16 0,48 1,00 0,74 

05103_CAL_XXX 7 0 0 0 0 0 1 0 23 0 24 0,92 0,96 0,94 

051311_PHR_PHR 8 0 0 0 2 0 0 0 2 6 10 0,67 0,60 0,63 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,721 

In Abbildung 7-2 sind die durchschnittlichen Winkelgrößen der Endmember pro Regelbild 

dargestellt. Im Gegensatz zu den Winkelgrößen der Feldspektren, haben hier die 

Endmember immer geringere Winkel in ihrem jeweiligen Regelbild als die anderen. 

Abbildung 7-2 Mittlere Winkel der Endmember pro Klasse aus dem Regelbild der SAM-Klassifikation mit Bildspektren und 

der MNF-transformierten HyMap-Szene (EIGENE DARSTELLUNG 2010) 

Dennoch gibt es bei den Klassen 04514_CAR_PHA und 05101_CAR_XAP 

Fehlklassifikationen mit anderen Klassen. Die Genauigkeiten liegen hier bei unter 50%. 

Die Klasse 05103_CAL_XXX erreichte von allen Endmembern die höchste Genauigkeit von 

durchschnittlich 94%. Von 25 Kontrollpunkten wurden 23 Punkte richtig klassifiziert und nur 

ein Punkt einer anderen Klasse wurde dieser Gesellschaft zugeordnet (siehe Tabelle 7-2). 

Die Klasse 05102_MOL_MOL hat mit 74% die zweithöchsten Genauigkeitswerte erreicht. 

Fehlklassifikationen kamen mit den Klassen 05101_CAR_XAC und 05101_CAR_XAP auf 

der unregelmäßig genutzten Pfeifengraswiese, die aus bultig wachsenden Horsten besteht, 

zustande (vgl. Kapitel 8.1.1). 

45

Ergebnisse 

_____________________________________________________________________________________________________ 

Die Konfusionsmatrizen befinden sich in den Anhängen A.30 und A.35. 

7.1.2 SAM mit der ersten Ableitung der MNF-transformierten HyMap-Szene 


Die Klassifikation mit der ersten Ableitung der MNF-transformierten HyMap-Szene erbrachte 

im Gegensatz zu den Ergebnissen der MNF-Transformation ungenauere Ergebnisse. Die 

größte Gesamtgenauigkeit wurde mit einer Overall Accuracy von 61% (Kappa 0,52) mit dem 

Schwellenwert α Emax+2sd erreicht. Allerdings kam die Klassifikation mit dem Schwellenwert 

α Emean+2sd auf genauere Einzelergebnisse der Endmember, weshalb dieses Ergebnis dem 

anderen bevorzugt betrachtet wurde (siehe Tabelle 7-3) (siehe Anhang K.5). In Abbildung 7- 

3 ist zu erkennen, dass die Klasse 05103_CAL_XXX nahezu in allen Regelbildern die 

geringsten Winkelwerte aufweist. Dies führte zu einer Überrepräsentation dieser Klasse. Aus 

diesem Grunde wurden die erste und die zweite Standardabweichung nicht auf die Maximalund 

mittleren Winkel aufaddiert, sondern jeweils von diesen subtrahiert. Dies konnte die 

Dominanz dieses Endmembers verringern. 

Tabelle 7-3 Konfusionsmatrix der SAM-Klassifikation mit der ersten Ableitung der MNF-transformatierten HyMap-Szene mit 

dem Schwellenwert α E mean + 2 sd 


(PA + UA)/2 



04511_PHR_PHR 1 0 3 0 0 0 0 0 0 0 3 0,18 1,00 0,59 

04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAP 3 0 11 3 8 0 10 0 1 11 44 0,73 0,18 0,45 

05101_CAR_XGR 4 0 2 7 3 13 5 2 3 16 51 1,00 0,25 0,63 

05102_MOL_MOL 5 0 0 0 0 0 6 0 0 0 6 0,18 1,00 0,59 

05103_CAL_XXX 6 0 0 3 0 0 12 23 0 3 41 0,92 0,56 0,74 

051311_PHR_PHR 7 0 0 0 0 0 0 0 5 0 5 0,56 1,00 0,78 

05101_CAR_XAC 8 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,519 

Betrachtet man die Producer’s und User’s Accuracy der einzelnen Endmember, so ist zu 

erkennen, dass sie untereinander große Werteunterschiede besitzen, insbesondere bei den 

Klassen 04511_PHR_PHR, 05101_CAR_XAP, 05101_CAR_XGR und 05102_MOL_MOL 

(siehe Tabelle 7-3). Klasse 04511_PHR_PHR besitzt eine UA von 100%, d. h., dass keine 

Kontrollpunkte anderer Endmember diesem Endmember zugeordnet wurden. Allerdings 

wurden nur drei von 17 Kontrollpunkten richtig klassifiziert, was eine Unterrepräsentation 

dieses Endmembers darstellt. Gleiches gilt für 05102_MOL_MOL. Bei Klasse 

05101_CAR_XGR verhält es sich genau in umgekehrter Weise. Alle 13 Kontrollpunkte 

werden richtig erkannt (PA 100%), 38 weitere Punkte anderer Klassen werden der Klasse 

05101_CAR_XGR zugeordnet (UA 25%). 

46

Ergebnisse 

_____________________________________________________________________________________________________ 

Abbildung 7-3 Mittlere Winkel der Endmember pro Klasse aus dem Regelbild der SAM-Klassifikation mit Feldspektren 

und der ersten Ableitung der MNF-transformierten HyMap-Szene (EIGENE DARSTELLUNG 2010) 

Die Konfusionsmatrizen aller Schwellenwerte befinden sich in den Anhängen A.36 bis A.41. 


Die SAM-Klassifikation mit Hilfe der ersten Ableitung und aus dem Bild abgeleiteten 

Endmembern erlangte die genauesten Ergebnisse. Dabei erreichte die Klassifikation mit dem 

Schwellenwert α Emax+1sd das höchste Ergebnis mit 82,6% (Kappa 0,78) (siehe Anhang A.45). 

Betrachtet man die Genauigkeiten der einzelnen Endmember, so hat die Klassifikation mit 

dem Schwellenwert α Emean+1sd genauere Ergebnisse (siehe Tabelle 7-4, siehe Anhang K.6). 

Tabelle 7-4 Konfusionsmatrix der SAM-Klassifikation mit der ersten Ableitung der MNF-transformatierten HyMap-Szene mit 



(PA + UA)/2 



04511_PHR_PHR 1 0 13 0 4 3 0 0 0 4 24 0,76 0,54 0,65 

04514_CAR_PHA 2 0 0 9 2 0 0 1 0 0 12 0,60 0,75 0,68 

05101_CAR_XAC 3 0 0 0 15 0 1 8 0 0 24 0,50 0,63 0,56 

05101_CAR_XAP 4 0 0 0 3 7 0 1 0 0 11 0,64 0,64 0,64 

05101_CAR_XGR 5 0 0 1 1 0 11 0 0 0 13 0,85 0,85 0,85 

05102_MOL_MOL 6 0 0 1 2 0 0 23 0 0 26 0,70 0,88 0,79 

05103_CAL_XXX 7 0 0 0 0 0 0 0 23 0 23 0,92 1,00 0,96 

051311_PHR_PHR 8 0 0 0 1 0 0 0 2 5 8 0,56 0,63 0,59 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,755 

47

Ergebnisse 

_____________________________________________________________________________________________________ 

Im Allgemeinen halten sich die Genauigkeiten von Producer’s und User’s Accuracy ungefähr 

im Gleichgewicht. In Abbildung 7-4 ist zu erkennen, dass alle Winkel in ihren Regelbildern 

kleinere Werte haben als die der anderen Endmember. 

Abbildung 7-4 Mittlere Winkel der Endmember pro Klasse aus dem Regelbild der SAM-Klassifikation mit Bildspektren 

und der ersten Ableitung der MNF-transformierten HyMap-Szene (EIGENE DARSTELLUNG 2010) 

Mit einer Gesamtgenauigkeit von 96% (PA 92%; UA 100%) konnte die Klasse 

05103_CAL_XXX am besten von den anderen Endmembern getrennt werden. Nur zwei der 

25 Kontrollpunkte wurden in eine andere Klasse gebracht (Klasse 051311_PHR_PHR). 

Diese Kontrollpunkte lagen im Übergangsbereich von Calthion Tx. 1937 als nährstoffreiche 

Feuchtwiese ins Phragmitetum australis (Gams 1927) Schmale 1939 als vom Schilf 

dominierte Grünlandbrache (siehe Abbildung 7-5). 

Die Klasse 05101_CAR_XGR hat eine Gesamtgenauigkeit von 85% erreicht und damit auch 

ihr höchstes Ergebnis von allen Klassifikationen sowohl mit den Ableitungen als auch mit der 

MNF-transformierten Bildszene. Von 13 Kontrollflächen wurde 11 richtig klassifiziert (PA 

85%). Nur zwei Kontrollpunkte anderer Klassen wurden als diese Klasse erkannt (UA 85%). 

Die Klasse 05102_MOL_MOL hat die dritthöchste Gesamtgenauigkeit von 79% erreicht. 

Acht der Kontrollflächen wurden im Bereich der unregelmäßig genutzten Pfeifengraswiese 

als Klasse 05101_CAR_XAC klassifiziert. Bei einer Klassifikation mit einem Schwellenwert 

von α Emax+1sd wird dieses Ergebnis auf 83% verbessert, da vier der zuvor fehlklassifizierten 

Kontrollpunkte als richtige Klasse erkannt wurden. 

48

Ergebnisse 

_____________________________________________________________________________________________________ 

Abbildung 7-5 Kontrollpunkte der Klasse 05103_CAL_XXX; grün: als 

05103_CAL_XXX klassifiziert; blau: als 051311_PHR_PHR klassifiziert (EIGENE 

DARSTELLUNG 2010) 

Die anderen Endmember liegen in Genauigkeitsbereichen zwischen 50% und 70% (siehe 

Tabelle 7-4). 

Die Konfusionsmatrizen befinden sich in den Anhängen A.42 bis A.47. 

7.1.3 SAM mit der zweiten und der dritten Ableitung der MNF-transformierten HyMap- 

Szene 


Bei der Klassifikation mit der zweiten und der dritten Ableitung der MNF-transformierten 

HyMap-Szene mit Hilfe von Feldspektren als Endmember wurden Gesamtgenauigkeiten von 

um die 60% (Kappa um die 0,5) erreicht. Betrachtet man die einzelnen Ergebnisse der 

Endmember und vergleicht man Producer’s und User’s Accuracy, dann spiegelt der Wert der 

Gesamtgenauigkeit nicht das reale Ergebnis wider (siehe Tabelle 7-5). 

Tabelle 7-5 Konfusionsmatrix der SAM-Klassifikation mit der zweiten Ableitung der MNF-transformatierten HyMap-Szene mit 



(PA + UA)/2 



04511_PHR_PHR 1 0 3 0 0 0 0 0 0 0 3 0,18 1,00 0,59 

04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAP 3 0 3 0 2 0 0 0 0 0 5 0,18 0,40 0,29 

05101_CAR_XGR 4 0 9 12 9 13 8 11 8 26 96 1,00 0,14 0,57 

05102_MOL_MOL 5 0 0 0 0 0 1 0 0 0 1 0,03 1,00 0,52 

05103_CAL_XXX 6 0 1 1 0 0 19 14 0 1 36 0,56 0,39 0,47 

051311_PHR_PHR 7 0 0 0 0 0 0 0 1 0 1 0,11 1,00 0,56 

05101_CAR_XAC 8 0 0 0 0 0 4 0 0 2 6 0,07 0,33 0,20 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,519 

49

Ergebnisse 

_____________________________________________________________________________________________________ 

Als erläuterndes Beispiel wird der Endmember 05101_CAR_XGR und 05102_MOL_MOL 

aus Tabelle 7-5 benutzt. Bei der Klasse 05101_CAR_XGR wurden alle 13 Kontrollpunkte der 

richtigen Klasse zugeordnet (PA 100%). Bei der User’s Accuracy wurden nur 14% erreicht, 

da 83 Fehlklassifikationen anderer Klassen in diese Klasse stattfanden. Die Klasse 

05101_CAR_XGR ist bei der Klassifikation mit der zweiten und dritten Ableitung bei allen 

Schwellenwerten stark überrepräsentiert. Im Gegensatz dazu ist das Klasse 

05102_MOL_MOL stark unterrepräsentiert. Von 33 Kontrollpunkten wurde nur einer richtig 

klassifiziert (UA 3%). Die restlichen 32 Punkte wurden in drei andere Endmemberklassen 

geordnet, davon kamen 19 in die Klasse 05103_CAL_XXX und 8 in die Klasse 

05101_CAR_XGR. 

Die Konfusionsmatrizen aller Schwellenwerte befinden sich in den Anhängen A.48 und A.59. 


Wie schon bei der Klassifikation mit der ersten Ableitung der MNF-transformierten HyMap- 

Szene hat auch die zweite Ableitung mit Bildendmembern gute Ergebnisse (OA 81,7%, 

Kappa 0,77) erreicht (siehe Tabelle 7-6). 

Tabelle 7-6 Konfusionsmatrix der SAM-Klassifikation mit der zweiten Ableitung der MNF-transformatierten HyMap-Szene mit 



(PA + UA)/2 



04511_PHR_PHR 1 0 14 1 4 3 0 0 0 4 26 0,82 0,54 0,68 

04514_CAR_PHA 2 0 2 10 3 0 3 0 0 0 18 0,67 0,56 0,61 

05101_CAR_XAC 3 0 0 0 11 0 0 2 0 0 13 0,37 0,85 0,61 

05101_CAR_XAP 4 0 0 0 9 7 0 0 0 0 16 0,64 0,44 0,54 

05101_CAR_XGR 5 0 0 1 0 0 9 0 0 0 10 0,69 0,90 0,80 

05102_MOL_MOL 6 0 0 1 2 0 0 30 0 0 33 0,91 0,91 0,91 

05103_CAL_XXX 7 0 0 0 0 0 1 1 23 0 25 0,92 0,92 0,92 

051311_PHR_PHR 8 0 0 0 1 0 0 0 2 5 8 0,56 0,63 0,59 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,773 

Die höchsten Genauigkeiten haben die Klassen 05103_CAL_XXX (PA 92%, UA 92%), des 

05102_MOL_MOL (PA 91%, UA 91%) und 05101_CAR_XGR (PA 69%, UA 90%) erzielt. 

Alle anderen Endmember liegen in Genauigkeitsbereichen zwischen 50% und 70%. 

Die Konfusionsmatrizen aller Schwellenwerte befinden sich in den Anhängen A.60 bis A.65. 

50

Ergebnisse 

_____________________________________________________________________________________________________ 

Bei der Klassifikation mit der dritten Ableitung wurden die höchsten Genauigkeitswerten bei 

einem Schwellenwert von α E mean + 1 sd erreicht (OA 76,8%, Kappa 0,71). Dabei hatten die 

Klassen 04511_PHR_PHR, 05102_MOL_MOL und 05103_CAL_XXX Genauigkeiten 

zwischen 70 und 85% (siehe Tabelle 7-7). 

Tabelle 7-7 Konfusionsmatrix der SAM-Klassifikation mit der dritten Ableitung der MNF-transformatierten HyMap-Szene mit 



(PA + UA)/2 



04511_PHR_PHR 1 0 17 1 5 4 0 0 0 3 30 1,00 0,57 0,78 

04514_CAR_PHA 2 0 0 3 1 0 0 0 0 0 4 0,20 0,75 0,48 

05101_CAR_XAC 3 0 0 0 10 0 0 1 0 0 11 0,33 0,91 0,62 

05101_CAR_XAP 4 0 0 1 7 6 0 5 0 0 19 0,55 0,32 0,43 

05101_CAR_XGR 5 0 0 2 1 0 9 0 0 0 12 0,69 0,75 0,72 

05102_MOL_MOL 6 0 0 1 1 0 1 23 0 0 26 0,70 0,88 0,79 

05103_CAL_XXX 7 0 0 1 1 0 1 1 23 0 27 0,92 0,85 0,89 

051311_PHR_PHR 8 0 0 0 1 0 0 0 2 6 9 0,67 0,67 0,67 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,707 

Die Ergebnisse aller Schwellenwerte befinden sich in den Anhängen A.66 bis A.71. 

7.2 Das Mixture Tuned Matched Filtering 

Bei dieser Methode wird den Pixeln ein prozentualer Anteil des Endmembers am Pixel 

zugeordnet (vgl. Kapitel 6.6.2). In dieser Arbeit werden vier Anteilsklassen nach Tabelle 7-8 

erstellt. 

Tabelle 7-8 Anteilsklassen der Endmember (EIGENE 


Anteilsklasse prozentualer Anteil [%] 

1 10-30 

2 30-50 

3 50-75 

4 75-100 

Bei der Genauigkeitsanalyse wurde wie folgt vorgegangen. Endmember, die den größten 

Anteil am entsprechenden Pixel besitzen, werden als dieses Endmember klassifiziert (vgl. 

Kapitel 6.7). Anteile von unter 10% wurden nicht berücksichtigt. 

51

Ergebnisse 

_____________________________________________________________________________________________________ 

7.2.1 Feldspektren 

Bei der Klassifikation mit dem Verfahren des MTMF und Feldspektren als Endmember 

ergaben sich Gesamtgenauigkeiten von 71,0% (Kappa 0,62). Aus Tabelle 7-9 ist zu 

erkennen, dass die Klassen 05101_CAR_XAP, 05102_MOL_MOL, 05103_CAL_XXX und 

051311_PHR_PHR die höchsten Gesamtgenauigkeiten haben. 

Tabelle 7-9 Konfusionsmatrix der MTMF-Klassifikation mit der MNF-transformierten HyMap-Szene und Feldendmembern 



(PA + UA)/2 


04511_PHR_PHR 1 0 14 5 1 0 0 0 4 5 29 0,82 0,48 0,65 

04514_CAR_PHA 2 0 0 0 0 0 0 1 0 1 2 0,00 0,00 0,00 

05101_CAR_XAP 3 0 0 1 8 1 0 1 0 1 12 0,73 0,67 0,70 

05101_CAR_XGR 4 0 0 0 0 0 1 0 0 2 3 0,00 0,00 0,00 

05102_MOL_MOL 5 0 1 0 0 0 24 0 0 5 30 0,73 0,80 0,76 

05103_CAL_XXX 6 0 0 0 0 0 0 23 0 0 23 0,92 1,00 0,96 

051311_PHR_PHR 7 0 0 0 0 0 0 0 5 0 5 0,56 1,00 0,78 

05101_CAR_XAC 8 0 0 0 0 0 0 0 0 9 9 0,30 1,00 0,65 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,619 

Der Unterschied von Producer’s und User’s Accuracy beläuft sich bei diesen Klassen auf 

weniger als 50 Prozentpunkte. 

Mit einer durchschnittlichen Genauigkeit von 96% hat die Klasse 05103_CAL_XXX den 

höchsten Wert (PA 92%, UA 100%) erreicht. Die Klassen 04514_CAR_PHA und 

05101_CAR_XGR wurden gar nicht erkannt. Die Pflanzengesellschaft des Phragmitetum 

australis (Gams 1927) Schmale 1939 auf von Schilf dominierten Grünlandbrachen (Klasse 

051311_PHR_PHR) erlangte bei der User’s Accuracy 100%, bei der Producer’s Accuracy 

30%, da 21 von 30 Kontrollpunkten zu andere Klassen geordnet wurden. 

In den Anhängen K.7 bis K.10 befinden sich die dazugehörigen Karten der Klassen 

05101_CAR_XAP, 05102_MOL_MOL, 05103_CAL_XXX und 051311_PHR_PHR. 

7.2.2 Bildspektren 

Mit der Verwendung von Bildspektren als Endmember wurden Gesamtgenauigkeiten von 

83,8% (Kappa 0,78) erreicht (siehe Tabelle 7-10). 

Dabei lagen die höchsten Einzelgenauigkeiten bei den Klassen 05102_MOL_MOL, 7 

05103_CAL_XXX, 05101_CAR_XAC und 051311_PHR_PHR. Mit einer Genauigkeit von 

97% (PA 100%, UA 94%) hat die Klasse 05102_MOL_MOL das höchste Ergebnis von allen 

Endmembern erreicht. Die Klasse 04514_CAR_PHA hat mit einer Producer’s Accuracy von 

6% die geringsten Werte erlangt. 

52

Ergebnisse 

_____________________________________________________________________________________________________ 

Tabelle 7-10 Konfusionsmatrix der MTMF-Klassifikation mit der MNF-transformierten HyMap-Szene und Bildendmember 

Referenzdaten Producer's User's (PA + 

SAM-Klassifikation 0 1 2 3 4 5 6 7 8 Summe Accuracy UA)/2 


04511_PHR_PHR 1 0 15 5 4 1 0 0 0 1 26 0,88 0,58 0,73 

04514_CAR_PHA 2 0 0 1 0 0 0 0 0 0 1 0,06 1,00 0,53 

05101_CAR_XAC 3 0 0 0 20 0 0 0 0 0 20 0,67 1,00 0,83 

05101_CAR_XAP 4 0 0 0 4 9 3 0 0 1 17 0,82 0,53 0,67 

05101_CAR_XGR 5 0 1 0 1 0 6 0 0 0 8 0,46 0,75 0,61 

05102_MOL_MOL 6 0 0 1 0 0 1 33 0 0 35 1,00 0,94 0,97 

05103_CAL_XXX 7 0 0 0 1 1 1 0 24 0 27 0,96 0,89 0,92 

051311_PHR_PHR 8 0 0 1 0 0 0 0 1 7 9 0,78 0,78 0,78 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,780 

Die entsprechenden Klassifikationskarten der Klassen 05101_CAR_XAC, 

05102_MOL_MOL, 05103_CAL_XXX und 051311_PHR_PHR befinden sich in den 

Anhängen K.11 bis K.14. 

53

Diskussion 

_____________________________________________________________________________________________________ 

8 Diskussion 

In diesem Kapitel sollen die in Kapitel 7 vorgestellten Ergebnisse näher beleuchtet und 

mögliche Gründe für die Qualität der Resultate aufgezeigt werden. Dabei beschäftigt sich 

das Kapitel 8.1 mit den allgemeinen Ergebnissen der Vorprozessierung. Kapitel 8.2 und 8.3 

beleuchten die Ergebnisse der jeweiligen Klassifikationsmethode näher, während Kapitel 8.3 

beide Verfahren miteinander vergleicht. 

8.1 Allgemeines 

Die in dieser Arbeit verwendete HyMap-Szene wurde im August 2008 erstellt. In diesem 

Monat haben die meisten Pflanzengesellschaften ihre optimale Wachstumsphase bereits 

überschritten, da ein großer Teil der Blütenpflanzen bereits ihre Blühphase beendet hat. Zu 

prüfen wäre, ob die Phänologie der hier verwendeten Pflanzengesellschaften in einem 

anderen Monat größere Unterschiede aufweist und somit eine bessere Unterscheidbarkeit 

möglich wäre. 

Für die Bearbeitung der Aufgabenstellung ist eine sorgfältige Vorprozessierung der 

verwendeten Bildszene von großer Bedeutung. Probleme sind hierbei sowohl bei der 

geometrischen als auch bei der radiometrischen Korrektur aufgetreten. 

Die Georeferenzierung ergab einen RMS-Fehler von 1,6 Pixeln (vgl. Kapitel 6.1.2). Da die 

Kontrollflächen für die Genauigkeitsanalyse nur eine Größe von einem Quadratmeter hatten, 

ist es durchaus möglich, dass nicht genau das entsprechende Pixel beim Accuracy 

Assessment getroffen wurde. Es wurden zwar Puffer von 6 Metern um die Kontrollpunkte 

erstellt um somit die Treffsicherheit zu erhöhen (vgl. Kapitel 6.7). Ein Restfehlerrisiko bleibt 

dennoch bestehen. 

Die Atmosphärenkorrektur wurde am GFZ Potsdam durchgeführt (vgl. Kapitel 6.1.1). Sie 

lieferte keine zufrieden stellenden Ergebnisse, da die Feldspektren trotz Korrektur nicht 

optimal auf die Bildszene passten. Mit einem weiteren empirischen Korrekturverfahren 

konnte eine minimale Verbesserung der Angleichung der Feldspektren auf die Bildszene 

erreicht werden. Ein optimales Ergebnis wurde dennoch erreicht, was sich in den 

Ergebnissen der beiden Klassifikationsverfahren mit Hilfe der Feldspektren widerspiegelt. 

8.2 Spectral Angle Mapper 

8.2.1 MNF-Transformation 

Die Klassifikation mit der MNF-transformierten HyMap-Szene erbrachte im Allgemeinen 

zufrieden stellende Ergebnisse. Dabei haben die Bildspektren als Endmember höhere 

Genauigkeiten (Kappa: 0,72) erreicht als die der Feldspektren (Kappa 0,58). Bei der 

Verwendung von Feldspektren sind häufig Fehlklassifikationen bei bestimmten Endmembern 

aufgetreten. Dies soll an einigen Beispielen näher erläutert werden. 

Grund für die Fehlklassifikation der Klasse 05101_CAR_XGR in die Klasse 

05103_CAL_XXX kann die Durchmischung beider Pflanzengesellschaften (aufgrund der 

geringen räumlichen Auflösung von 4 x 4m sein, die besonders im Norden des 

54

Diskussion 

_____________________________________________________________________________________________________ 

Untersuchungsgebietes vorhanden ist. Dadurch kann angenommen werden, dass 

05101_CAR_XGR nur als Mischpixel mit 05103_CAL_XXX im Bild vorkommt (vgl. ROSSO et 

al. 2005). 

Im Süden im Bereich des Großen Grabens wurde die Klasse 05101_CAR_XGR zum größten 

Teil als Klasse 05103_CAL_XXX erkannt. Der Bereich des Großen Grabens vernässt 

zunehmend von Jahr zu Jahr, was zu einer Verdrängung der reichen Feuchtwiesen und 

einer Etablierung der Großseggenwiesen führt (QUERHAMMER 2009, mündliches Gespräch). 

Da die Kontrollpunkte ein Jahr später aufgenommen wurden, ist es möglich, dass zum 

Zeitpunkt des Überflugs die entsprechenden Bereiche mehr von der Klasse 

05103_CAL_XXX geprägt waren. 

Ein weiterer Grund der Unterrepräsentation Klasse 05101_CAR_XGR kann sein, dass es 

keine Testflächen, sondern nur reine Einzelmessungen von Carex acuta gibt, wohingegen 

die Klasse 05103_CAL_XXX auf vier Testflächen beprobt wurde. Gleiches gilt auch für die 

Klassen 05101_CAR_XAP und 05101_CAR_XAC. 

Für die Klasse 04514_CAR_PHA gibt es nur eine Testfläche, was ebenfalls zu einer 

Unterrepräsentation dieser Pflanzengesellschaft geführt haben könnte. ROSSO et al. (2005) 

und JOLLINEAU & HOWARTH (2008) vermuten ebenfalls bei der Schwierigkeit der Identifikation 

von bestimmten Pflanzengesellschaften deren flächige und spektrale Unterrepräsentation. 

Ein anderer Grund kann allerdings auch sein, dass sich die Phänologie dieser Klasse 

94514_CAR_PHA vom Zeitpunkt der Spektrometeraufnahme im Juni bis zum Zeitpunkt des 

Überflugs im August verändert hat, und die Signatur somit nicht auf die HyMap-Szene passt. 

Da die Klassifikation mit den Bildspektren jedoch ähnliche Ergebnisse erlangte wie die mit 

den Feldspektren, wird ersteres hier als wahrscheinlicher angenommen. 

Abbildung 8-1 Darstellung der spektralen Signaturen der 

Testfläche des Feldendmembers 04514_CAR_PHA und einer 

Kontrollfläche im Bereich des Großen Grabens (EIGENE 


Neben der hohen Variabilität von Vegetation in Bezug auf die Abundanz gibt es auch 

Unterschiede in ihrem Zustand und der strukturellen Ausrichtung des Pflanzengewebes 

(JOLLINEAU & HOWARTH 2008). Diese spektralen Variationen können nicht einfach in einer 

spektralen Bibliothek vorbestimmt werden (ASNER & LOBELL 2000). 

Ein großer Teil der Kontrollflächen von 04514_CAR_PHA liegt am Großen Graben. Dieser 

unterliegt einer anderen Grünlandnutzung (extensive Weide- und Wiesenwirtschaft), was zu 

Beeinflussungen der Spektren führen kann, da die Kontrollflächen möglicherweise zum 

55

Diskussion 

_____________________________________________________________________________________________________ 

Zeitpunkt des Überflugs, durch vorherige Beweidung oder Mahd, einen anderen 

Wachstumsstand hatten. 

In Abbildung 8-1 sind Reflexionsspektren der Testfläche und einer Kontrollfläche dargestellt. 

Im Wellenlängenbereich von 540 bis 900 nm ist zu erkennen, dass das Spektrum der 

Testfläche möglicherweise nicht mehr in seiner optimalen Wachstumsphase steht, sondern 

sich bereits das Chlorophyll aus den Blättern der Pflanze zurückgezogen haben könnte. 

Durch eine frühere Mahd oder Beweidung ist es möglich, dass die Vegetation der 

Kontrollfläche einen zweiten Flor bekommen hat und sich somit in einer anderen 

Vegetationsphase befindet. 

Nach MASELLI (2001) kann die Variabilität von Zustand und struktureller Ausrichtung des 

Pflanzengewebes (JOLLINEAU & HOWARTH 2008) auch das Ergebnis von Umweltfaktoren wie 

Topografie, Wassertiefe und Bodentyp sein. Demnach kann vermutet werden, dass die 

Standortbedingungen im Ferbitzer Bruch im Gegensatz zum Großen Graben nicht optimal 

sind. In den Wasserabsorptionsbanden in den Wellenlängenbereichen bei 970 nm, 1200 nm, 

1480 nm und 1940 nm ist die spektrale Kurve bei der Kontrollfläche tiefer als bei der 

Testfläche. Das bedeutet, dass der Boden der Kontrollfläche mehr Wasser enthält. 

Im Gegensatz zur Klassifikation mit Feldspektren erlangen die Bildspektren auch bei den 

oben genannten Endmembern ohne Testflächen bessere Ergebnisse, da hier weitere mit 

GPS verortete Referenzflächen in die Endmemberauswahl mit einflossen. Dadurch konnten 

Parameter wie andere Artenzusammensetzung, Nutzung, Boden- und Wasserverhältnisse in 

der Signaturbildung berücksichtigt werden. 

Abbildung 8-2 Unregelmäßig gemähte 

Pfeifengraswiese mit bultigen Horsten 

und viel totem Material (EIGENE 


Abbildung 8-3 Darstellung der spektralen 

Signaturen einer unregelmäßg gemähten 

und einer jährlich gemähten 

Pfeifengraswiese (EIGENE DARSTELLUNG 

2010) 

Abbildung 8-4 Jährlich gemähte 

Pfeifengraswiese ohne bultige Horste 


Für die Klasse 05102_MOL_MOL waren insgesamt neun Testflächen vorhanden. Diese 

Flächen liegen alle in einem Bereich, in dem die Nutzung (Mahd) regelmäßig stattfindet. Im 

Ferbitzer Bruch gibt es noch weitere Pfeifengraswiesen, deren Nutzung sehr unregelmäßig 

erfolgt. Aus diesem Grund hat sich das zu den Horstgräsern zählende Molinia caeruleae dort 

zu großen bultigen Horsten entwickelt. Durch die andere Struktur und die veränderte 

Pflanzenartenzusammensetzung ist es wahrscheinlich, dass Kontrollpunkte, die sich in 

diesen Bereichen befinden, nicht als solche erkannt werden (vgl. Kapitel 7.1) (vgl. JOLLINEAU 

& HOWARTH 2008, MASELLI 2001). In den Abbildungen 8-2 bis 8-4 sind die Unterschiede der 

unregelmäßig und jährlich gemähten Fläche deutlich zu erkennen. Auf Abbildung 8-2 ist 

mehr abgestorbenes Material vorhanden als auf der Fläche in Abbildung 8-4. Auch in den 

Wasserabsorptionsbanden kommt es aufgrund des abgestorbenen Materials der 

unregelmäßig genutzten Fläche zu Unterschieden (siehe Abbildung 8-3). 

56

Diskussion 

_____________________________________________________________________________________________________ 

Betrachtet man die Ergebnisse der Klasse 05103_CAL_XXX, so erreichen die Feldspektren 

sehr gute und die Bildspektren ausgezeichnete Ergebnisse bei der MNF-transformierten 

Bildszene. Besonders in den ersten vier Komponenten der MNF-Transformation kommt es 

zu guten Übereinstimmungen der Endmemberspektren (siehe Abbildung 8-5). 

Abbildung 8-5 Darstellung eines Bildspektrums der Klasse 05103_CAL_XXX aus der MNF-transformierten Bildszene mit den 

Komponenten R=3, G=2, B=1 (links) und den dazugehörigen Spektrum des Feld- und des Bildendmembers (rechts) (EIGENE 


Die Gesamtgenauigkeiten, bei den Feldspektren 91% und bei den Bildspektren 94%, 

varieren nur geringfügig (vgl. Kapitel 7.1.1). Demnach ist es möglich, die die Klasse 

05103_CAL_XXX in der hier vorgefundenen Ausprägung gut von den anderen 

Pflanzengesellschaften feuchter Bereiche zu unterscheiden. 

Die Klasse 04511_PHR_PHR erreichte gute bis sehr Ergebnisse von 57% (Feldspektren) 

und 69% (Bildspektren), im Gegensatz zu 05103_CAL_XXX ist aber eine deutliche 

Verschlechterung zu erkennen. In Abbildung 8-6 ist ein Ausschnitt aus der Klassifikation mit 

Bildendmembern zu sehen. 

Abbildung 8-6 klassifizierte Schilfbestände an Land (grün) und die nicht erkannten 

Schilfbestände im Wasser (gestreift) (EIGENE DARSTELLUNG 2010) 

Dabei ist zu erkennen, dass die im Wasser stehenden Schilfflächen des Ferbitzer Bruchs 

unerkannt blieben. Die Schilfflächen waren in diesen Bereichen durchschnittlich drei Meter 

57

Diskussion 

_____________________________________________________________________________________________________ 

hoch und standen bis zu einem Meter tief im Wasser. Dadurch war eine Messung mit Hilfe 

der verwendeten Technik nicht möglich, da das Kabel des Feldspektrometers weniger als ein 

Meter lang ist. Im Vergleich zu den an Land gemessenen Schilfbeständen sind dessen 

Spektralsignaturen mit denen von Wasser gemischt und somit von unterschiedlichen 

Spektraleigenschaften geprägt. 

Fehlklassifikation gab es besonders mit den Pflanzengesellschaften in den 

Übergangsbereichen, wie z.B. mit den Klassen 051311_PHR_PHR, 05101_CAR_XAP und 

05101_CAR_XAC. 

8.2.2 Ableitungen 

Im Gegensatz zur Klassifikation mit der MNF-transformierten HyMap-Szene liefert die 

Klassifikation mit Ableitungen und den Feldspektren als Endmember schlechtere Ergebnisse, 

die mit zunehmender Höhe der Ableitung (2. und 3.) noch schlechter werden. Laut WANG et 

al. 1998 werden Ableitungen mit zunehmender Höhe empfindlicher gegenüber Rauschen. 

Trotz der Rauschreduzierung mit Hilfe einer Savitzky-Golay-Filterung (vgl. Kapitel 6.1.1.2) 

und der darauffolgenden MNF-Transformation (vgl. Kapitel 6.2) reagieren die Ableitungen 

dennoch empfindlich darauf. Der Grund dafür lässt sich in den eher unbefriedigenden 

Ergebnissen der zuvor durchgeführten Atmosphärenkorrektur vermuten (vgl. Kapitel 6.1.1). 

Sowohl die Klasse 05102_MOL_MOL (Gesamtgenauigkeit: 60%) als auch 05103_CAL_XXX 

(Gesamtgenauigkeit 80%) erlangten bei der Klassifikation mit der MNF-transformierten 

HyMap-Szene mit Feldspektren als Endmember sehr gute Ergebnisse (vgl. Kapitel 7.1.1.1). 

Bei der Klassifikation mit der ersten, zweiten und dritten Ableitung wurden die Ergebnisse 

zunehmend schlechter, wobei die Klasse 05102_MOL_MOL stark unterrepräsentiert, die 

Klassen 05103_CAL_XXX und 05101_CAR_XGR stark überrepräsentiert waren. Bei einem 

Verzicht auf diese Endmember oder einer Verringerung der Schwellenwerte gab es keine 

Verbesserung im Ergebnis, da dann andere Endmember dominierten. 

Im Gegensatz zu WANG et al. (1998) konnte die hier untersuchte Vegetation mit Hilfe von 

Ableitungen und Feldendmembern nicht mit hoher Genauigkeit klassifiziert werden. Gründe 

dafür könnten sein, dass WANG et al. (1998) andere Pflanzengesellschaften als Endmember 

benutzten und diese noch einmal anhand ihrer Standorte aufteilte. Des Weiteren besteht die 

Möglichkeit, dass die Atmosphärenkorrektur bessere Ergebnisse hervorbrachte. 

Anders als bei den Feldspektren kommt es bei den Bildspektren zu keinen 

Überrepräsentationen einzelner Pflanzengesellschaften. Das beste Ergebnis mit einer 

Gesamtgenauigkeit von 80,5% (Kappa 0,76) wurde bei der Klassifikation mit der ersten 

Ableitung erreicht (vgl. Kapitel 7.1.2.2). Bei der Verwendung von höheren Ableitungen wird 

das Ergebnis nicht verbessert, sondern eher verschlechtert (vgl. WANG et al. 1998). Da die 

Endmember aus dem Bild abgeleitet waren, passen die Spektren sehr gut auf die der 

Bildszene. 

Die Klassen 05103_CAL_XXX und 05102_MOL_MOL erlangten bei der Klassifikation mit der 

ersten Ableitung ihre besten Ergebnisse. Selbst die unregelmäßig genutzte Pfeifengraswiese 

ist als solche, im Gegensatz zur Klassifikation mit der MNF-transformierten HyMap-Szene, 

erkannt worden. Laut WANG et al. 1998 können Ableitungen Beeinflussungen von 

Hintergrundeffekten des Bodens reduzieren und sind relativ unempfindlich gegenüber 

Beleuchtungseffekten. Dadurch lässt sich vermuten, dass Beeinflussungen durch die 

58

Diskussion 

_____________________________________________________________________________________________________ 

unterschiedliche Struktur und die daraus resultierenden veränderten 

Beleuchtungsverhältnisse minimiert wurden. 

Klassen, von denen es wenige oder keine Testflächen gab (z.B. 05101_CAR_XAP), erzielten 

hier sehr gute Ergebnisse. Wie schon in Kapitel 8.1.1.1 erläutert flossen bei der Auswahl der 

Bildspektren weitere Referenzpunkte mit in die Signaturbildung ein und somit auch andere 

Standortparameter wie Artenzusammensetzung, Boden, etc. 

Die Klasse 04511_PHR_PHR erlangte durchschnittliche Ergebnisse (durchschnittliche 

Genauigkeit 65%), da bei der Auswahl der Testflächen nicht der Wasserstand berücksichtigt 

wurde (vgl. Kapitel 8.1.1.1, siehe Abbildung 8-6). 

8.2.3 Schwellenwerte 

Für die Bestimmung des Schwellenwertes berechneten WANG et al. (1998) die 

Ähnlichkeitswinkel zwischen den abgeleiteten Referenzspektren für jeweils zwei Klassen. 

Der Schwellenwert wurde dann aus der Hälfte des minimalen Ähnlichkeitswinkels zwischen 

der jeweiligen Klasse und den anderen Klassen bestimmt (vgl. Kapitel 6.6.1.2). Bei dieser 

Arbeit konnten dadurch keine zufrieden stellenden Ergebnisse erreicht werden, da die 

Schwellenwerte zu klein waren und somit viele Pixel unklassifiziert blieben. Aus diesem 

Grund wurde die Bestimmung des Schwellenwertes nach WANG et al. (1998) modifiziert, in 

dem auf die durchschnittlichen und maximalen Winkel der Testflächen eine oder zwei 

Standardabweichungen aufaddiert wurden (vgl. Kapitel 6.6.1.2 Gleichungen 6-2 bis 6-5). 

Abbildung 8-7 Beispiel für die Ähnlichkeitswinkel in einem 

SAM-Regelbild (EIGENE DARSTELLUNG 2010) 

Die besten Ergebnisse wurden zum größten Teil mit den durchschnittlichen Winkeln der 

Testflächen addiert mit einer oder zwei Standardabweichungen erlangt. 

Sind die Winkel im Regelbild eines Endmembers kleiner als die der anderen Endmember, 

dann kommt es meist zu einem guten Ergebnis (siehe Abbildung 8-7) Bei 

Ähnlichkeitswinkeln, die im Regelbild größer ausfallen als die der anderen Endmember, 

kommt es zu ungenügenden Ergebnissen und die jeweilige Klasse ist meist 

unterrepräsentiert. 

59

Diskussion 

_____________________________________________________________________________________________________ 

8.3 Mixture Tuned Matched Filtering 

Wie bei der SAM-Methode schließen beim MTMF-Verfahren die Endmember aus den 

Feldspektren im Allgemeinen schlechter ab als die aus den Bildspektren. Wie bereits in 

Kapitel 8.1.1 erläutert, liegt die Vermutung darin, dass zum einen Bildspektren im Gegensatz 

zu Feldspektren keinen Störungen wie z.B. Rauschen unterliegen, da sie direkt aus der 

Bildszene abgeleitet wurden. Zum anderen kann die nicht zufrieden stellende 

Atmosphärenkorrektur die Ursache dafür sein. 

Ein für das MTMF-Verfahren spezifischer Grund für eventuelle Fehlklassifikationen liegt 

darin, dass die MF-Score-Werte teilweise über einem Wert von 1.0 lagen. Für diese Methode 

deuten Werte, die über 1.0 liegen, darauf hin, dass für die Klassifikation gewisse 

Endmember fehlen. Diese fehlenden Endmember führen wiederum zu Fehlklassifikationen in 

den anderen Klassen. Das wird hier als Grund vermutet, warum Pixel gleichzeitig in zwei 

Klassen mit einem Anteil von 75 bis 100% eingeordnet wurden. 

Wie schon beim SAM-Verfahren in Kapitel 8.1.1 erläutert, nehmen auch ANDREW & USTIN 

(2008) an, dass unterschiedliche Umweltbedingungen eine große Rolle bei der Klassifikation 

von Pflanzengesellschaften mit Hilfe der MTMF-Methode spielen. 

8.4 Methodenvergleich 

Im Allgemeinen ähneln sich die Ergebnisse der MTMF mit denen der SAM-Klassifikation. 

Ausgezeichnete Ergebnisse sowohl bei der Klassifikation mit Feld- als auch mit Bildspektren 

erlangten die Klassen 05103_CAL_XXX und 05102_MOL_MOL (vgl. Kapitel 7.2). 

Gesellschaften, die weniger oder gar keine Testflächen besaßen, ergaben bei der 

Klassifikation mit Feldspektren keine zufrieden stellenden Ergebnisse. Bei der Verwendung 

von Bildspektren waren diese deutlich besser. Die vermuteten Gründe dafür wurden bereits 

ausführlich im Kapitel 8.2.1 erläutert. ANDREW & USTIN (2008) nehmen an, dass 

Gesellschaften, die größere Flächen im zu klassifizierenden Bild abdecken, besser erkannt 

werden können als Gesellschaften, die nur in kleinen Bereichen vorkommen, da diese meist 

unterrepräsentiert sind. In dieser Arbeit könnte das beispielsweise auf Klasse 

04514_CAR_PHA zutreffen (vgl. Kapitel 8.2.1). 

Beide Verfahren kommen bei der Verwendung der MNF-transformierten HyMap-Szene und 

Feldspektren als Endmember auf zufrieden stellende Ergebnisse. Diese könnten durchaus 

durch eine Erweiterung der Sammlung von Feldspektrometermessungen und durch eine 

umfangreichere Testflächenauswahl verbessert werden (vgl. Kapitel 9). 

60

Fazit 

_____________________________________________________________________________________________________ 

9 Fazit 

Die Bedeutung der Verwendung von hyperspektralen Fernerkundungsdaten zur 

Differenzierung von Biotoptypen und Pflanzengesellschaften nimmt in der Landschafts- und 

Umweltplanung stetig zu. Trotz der im Gegensatz zu multispektralen Daten geometrisch 

geringeren Auflösung erlangen Klassifikationen von Feuchtgebieten mit Hyperspektraldaten 

gute Ergebnisse. Besonders flugzeuggetragene hyperspektrale Systeme liefern 

vielversprechende Informationen zur Kartierung und zum Monitoring sowohl von 

ausgedehnten als auch von fragmentierten Feuchtgebieten im Binnenland (vgl. JOLLINEAU & 

HOWARTH 2008). 

Die beiden in dieser Arbeit verwendeten klassischen Methoden der hyperspektralen 

Fernerkundung erlangten bei einigen Pflanzengesellschaften ausgezeichnete 

Gesamtgenauigkeiten von ca. 90 bis 95%. Die in Kapitel 1.2 gestellten Fragen, ob die 

untersuchten Gesellschaften mit hyperspektralen Fernerkundungsdaten klassifiziert werden 

können und ob sich die Verfahren SAM und MTMF dafür eignen, lassen sich dennoch nur 

teilweise positiv beantworten, da Pflanzengesellschaften, die von keinen oder nur wenigen 

Testflächen vertreten waren, keine zufrieden stellenden Ergebnisse lieferten (vgl. Kapitel 8). 

Für zukünftige ähnliche Aufgabenstellungen ist aus diesem Grunde anzuraten, für jede 

Klasse ausreichend Testflächen festzulegen, da die Endmember ansonsten nicht 

repräsentativ genug sind. 

Die Frage, ob die Verwendung von in situ gemessenen Referenzspektren als Endmember 

geeignet ist, lässt sich ebenfalls nur teilweise positiv beantworten. Nach Beseitigung der in 

Kapitel 8 vermuteten Defizite ist es durchaus möglich die Ergebnisse zu optimieren. 

Durch die in dieser Arbeit durchgeführte Mittelwertbildung der Endmembermessungen kann 

es zu einer starken Verallgemeinerung der spektralen Signaturen kommen. Dadurch können 

spektrale Eigenschaften von Testflächen einer Pflanzengesellschaft, die unterschiedlichen 

ökologischen Bedingungen unterliegen, verloren gehen. Eine Möglichkeit, die noch zu prüfen 

wäre, jedoch den Rahmen dieser Arbeit gesprengt hätte, ist, jede Testfläche als einzelnen 

Endmember zu verwenden und die Klassen im Nachhinein zusammenzufügen. Des 

Weiteren kann die Verwendung von spektralen Indizes zur Optimierung der 

Klassifikationsergebnisse beitragen. 

Eine gut aufgebaute und gegliederte Spektralbibliothek, die nicht nur Informationen über 

Pflanzengesellschaften, sondern auch über Klima, Zustand, Feuchtegrad des Bodens, 

Deckung, Nutzung, Wachstumsphase und andere Parameter enthält, kann einen 

entscheidenden Beitrag zur besseren Differenzierung von Pflanzengesellschaften mit Hilfe 

von Feldspektren leisten. Auf Gebietsbegehungen kann dennoch nicht verzichtet werden, 

denn trotz allem können nicht immer alle Parameter einer Pflanzengesellschaft 

aufgenommen werden, da sie sich aufgrund ihrer Wachstumsdynamik nicht genau an 

Modelle halten. In der Natur gibt es so viele verschiedene Übergänge im Artengefüge, dass 

diese nicht alle dokumentiert und modelliert werden können. 

An dieser Stelle wird daher eine Kombination der klassischen Methoden mit 

wissensbasierten Klassifikationsansätzen vorgeschlagen. Im Zuge des Forschungsprojektes 

Sara_EnMAP wurde diese Kombination mit den hier entstandenen Ergebnissen, weiteren 

Ergebnissen aus klassischen Verfahren und CART-Modellen durchgeführt. Im Rahmen der 

61

Fazit 

_____________________________________________________________________________________________________ 

vorliegenden Arbeit ist ein Vergleich der dort entstandenen Resultate zeitlich nicht möglich 

gewesen. 

Für eine optimale Einbindung der ökologischen Bedingungen von Pflanzengesellschaften 

wird eine weitere Untersuchung mit Hilfe der Kombination von Ordination und Klassifikation, 

wie es im Forschungsprojekt „Monitoring Döberitzer Heide: Vegetation und Fernerkundung“ 

getestet wird, vorgeschlagen (vgl. Kapitel 1.4, vgl. NEUMANN et al. 2010). 

Die Übertragbarkeit auf andere Gebiete wurde nicht erprobt, könnte allerdings ein Thema für 

eine weitere Studie darstellen. 

Zudem wurden die Klassifikationsverfahren nur für Pflanzengesellschaften in feuchten 

Gebieten untersucht. Es wäre durchaus interessant, diese Verfahren mit 

Pflanzengesellschaften auf frischen und trockenen Standorten zu testen. 

62

Literatur 

_____________________________________________________________________________________________________ 

10 Literatur 

ALBERTZ, J. (2007): Einführung in die Fernerkundung – Grundlagen der Interpretation von 

Luft- und Satellitenbildern. 3. Aufl. Darmstadt. Wissenschaftliche Buchgesellschaft. 254 S. 

ANDREW, M.E. & S.L. USTIN (2008): The role of environmental context in mapping invasive 

plants with hyperspectral image data. In: Remote Sensing of Environment, 112 (12). S. 4301- 

4317. 

ASNER, G.P. AND LOBELL, D.B. (2000): A biogeophysical approach for automated SWIR 

unmixing of soils and vegetation. In: Remote Sensing of Environment, 74, S. 99-112. 

BACH, H. (1995): Die Bestimmung hydrologischer und landwirtschaftlicher 

Oberflächenparameter aus hyperspektralen Fernerkundungsdaten. In: Münchener 

Geographische Abhandlungen, Reihe B, Band 21. 

BECKER, B. L.; LUSCH, D. P.; QI, J. (2007): A classification-based assessment of the optimal 

spectral and spatial resolutions for Great Lakes coastal wetland imagery. In: Remote 

Sensing of Environment (2007), doi: 10.1010/j.rse.2006.11.005. 

BERK, A.; BERNSTEIN, L.S. AND D.C. ROBERTSON (1989): MODTRAN: A moderate Resolution 

Model for LOWTRAN 7, GL-TR-89-0122, Air Force Geophysics Lab, Hanscom AFB, MA, 

38 S. 

BOARDMAN, J.W. (1998): Leveraging the high dimensionality of AVIRIS data for improved 

sub-pixel target unmixing and rejection of false positives: mixture tuned matched filtering. In: 

Summaries of the Seventh Annual JPL Airborne Geoscience Workshop, Pasadena, C.A. 

BRAUN-BLANQUET, J. (1964): Pflanzensoziologie: Grundzüge der Vegetationskunde. 3. Aufl. 

Wien. Springer. 865 S. 

BRUNN, A. (2006): Methoden zur Auswertung hyperspektraler Fernerkundungsdaten für die 

Untersuchung von Zustandsveränderungen perennierender Pflanzen im Rahmen des 

Monitorings bergbaubedingter Umwelteinwirkungen. Diss. TU Clausthal. 173 S. 

COLLINS, W. (1978): Remote Sensing of crop type and maturity. In: Photogrammetric 

Engineering and Remote Sensing, 44. S. 43-55. 

CONGALTON, R.G. (1981): The Use of Discrete Multivariate Analysis for the Assessment of 

Landsat Classification Accuracy, Blacksburg, VA: Virginia Polytechnic Institute and State 

University, Master’s Thesis. 

CONGALTION, R.G.; ODERWALD, R.G. & R.A. MEAD (1983): Assessing Landsat Classification 

Accuracy Using Discrete Mulivariate Statistical Techniques. In: Photogrammetric Engineering 

& Remote Sensing, 49 (12), S. 1671-1678. 

CONGALTON, R.G. & K. GREEN (1999): Assessing the Accuracy of Remotely Sensed Data: 

Principles and Practices. Lewis Publishers. New York. 

63

Literatur 

_____________________________________________________________________________________________________ 

DIERSCHKE, H. (1994): Pflanzensoziologie: Grundlagen und Methoden. Stuttgart. Ulmer. 

683 S. 

FÖRSTER, M. (2008): Integration of Geo-Information in Classification Processes of Satellite 

Imagery for NATURA 2000 Monitoring. Diss. TU Berlin. 139 S. 

FÖRSTER, M., FRICK, A., SCHUSTER, C., KÖRTH, K., ITZEROTT, S., NEUMANN, C., FÖRSTER, S. & 

KLEINSCHMIT, B. (2009): Multi-sensor Approaches for Detecting Protected Plant Communities 

in a Nature Conservation Heathland Area in Germany. 3rd. Workshop of EARSeL SIG on 

Remote Sensing of Land Use & Land Cover. Bonn. S. 125-126. 

FRICK, A. (2006): Beiträge höchstauflösender Satellitenfernerkundung zum FFH-Monitoring. 

Entwicklung eines wissensbasierten Klassifikationsverfahrens und Anwendung in 

Brandenburg. Diss. TU Berlin. 241 S. 

FÜRSTENOW, J. (2004): Naturschutzfachliche Bewertung einer 10-jährigen Landschaftspflege 

im NSG Ferbitzer Bruch (Landkreis Potsdam-Mittelmark). In: Naturschutz und 

Landschaftspflege in Brandenburg. Jhg. 13, Heft 1. S. 37-44. 

GESETZ- UND VERORDNUNGSBLATT FÜR DAS LAND BRANDENBURG (1996): Teil II Verordnungen. 

7. Jg. Nr. 35 Verordnung über das Naturschutzgebiet Ferbitzer Bruch (16.04.1996): 722-725. 

GONZALES, R.C.; WOODS, R.E. (2001): Digital Image Processing, 2 nd ed., Prentice Hall, Upper 

Saddle River, NJ. 

GUANTER, L.; ESTELLÉS, V.; MORENO, J. (2007): Spectral calibration and atmospheric 

correction of ultra-fine spectral and spatial resolution remote sensing data. Application to 

CASI-1000 data. In: Remote Sensing of Environment, Vol. 109 (2007), S. 54-65. 

HAEPLER, H. & T. MUER (2007): Bildatlas der Farn- und Blütenpflanzen Deutschlands. 2. 

Aufl., Stuttgart. Ulmer. 789 S. 

HARKEN, J. AND SUGUMARAN, R. (2005): Classification of Iowa wetlands using an airborne 

hyperspectral image: a comparison of the spectral angle mapper classifier and an objectoriented 

approach. In: Canadian Journal of Remote Sensing, 31, S. 167-174. 

HEINZ SIELMANN STIFTUNG (Hrsg.) (o. J.): Sielmanns Naturlandschaft Döberitzer Heide. 

Im Internet unter: http://www.sielmann-stiftung.de/de/projekte/sielmanns_naturlandschaften/ 

doeberitzer_heide/index.php - Abruf am 03.09.2009. 

HELD, A.; TICEHURST, C.; LYMBURNER, L. AND WILLIAMS, N. (2003): High resolution mapping of 

tropical mangrove ecosystems using hyperspectral and radar remote sensing. In: 

International Journal of Remote Sensing, 24 (2003), S. 2739-2759. 

HILDEBRANDT, G. (1996): Fernerkundung und Luftbildmessung: für Forstwirtschaft, 

Vegetationskartierung und Landschaftsökologie. 1. Aufl. Heidelberg. Wichmann. 676 S. 

HOLZWARTH, S. (2009): Airborne RemoteSensing - HyEurope 2008 Summary Report. Vom 

06.09.2009 

64

Literatur 

_____________________________________________________________________________________________________ 

INSPEC (2002): ACORN 4.0 User’s Guide, Boulder, CO: Analytical Imaging and Geophysics, 

LLC, 76 S. 

ITT VISUAL INFORMATION SOLUTIONS (Hrsg.) (2007): ENVI User’s Guide. ENVI Version 4.4. 

USA. 

JENSEN, J.R. (2005): Introductory digital image processing: a remote sensing perspective – 

3 rd ed. p. cm. – (Prentice Hall series in geographic information science). Upper Saddle River, 

N.J., USA, 526 S. 

JOLLINEAU, M.Y.; HOWARTH, P.S. (2008): Mapping an inland wetland complex using 

hyperspectral imagery. In: International Journal of Remote Sensing, Vol. 29, Nos. 11-12, S. 

3609-3631. 

KAUFMANN, H.; GUANTER, L.; SEGL, K.; HOFER, S.; SANG, B.; MUELLER, A. & C. CHLEBEK 

(2009): The EnMAP hyperspectral imager – An advanced optical playload for earth 

observation. Beitrag zum EnMAP Workshop in Potsdam am 15.10.2009. 

KLAPP, E. & OPITZ VON BOBERFELD, W. (1995): Gräserbestimmungsschlüssel für die 

häufigsten Grünland- und Rasengräser. Zur Ansprache im blütenlosen Zustand. Blackwell 

Berlin, 4. Aufl. 

KOCH, W. (1926): Die Vegetationseinheiten der Linthebene unter Berücksichtigung der 

Verhältnisse in der Nordostschweiz. - Jahrb. St. Gallische Naturwiss. Ges. 61 (2): 1-144. St. 

Gallen. 

KÖHL, M.; LAUTNER, M. (2001): Erfassung von Waldökosystemen durch Hyperspektraldaten. 

In: PFG 2001, Heft 2, S. 107-117. 

KRUSE, F.A.; LEFKOFF, A.B.; BOARDMAN, J.B.; HEIDEBRECHT, K.B.; SHAPIRO, A.T. BARLOON, 

P.J. AND GOETZ, A.G.H. (1993): The spectral image processing (SIPS) – interactive 

visualization and analysis of imaging spectrometer data. In: Remote Sensing of Environment, 

44, S. 145-163. 

LAND BRANDENBURG MINISTERIUM FÜR WIRTSCHAFT (HRSG.) (2007): 15 Jahre Konversion im 

Land Brandenburg. 

Im Internet unter: http://www.parldok.brandenburg.de/parladoku/w4/drs/ab_4000/4063.pdf - 

Abruf am 02.09.2009. 

LANDESUMWELTAMT BRANDENBURG (HRSG.) (2007): Biotopkartierung Brandenburg: Band 2 – 

Beschreibung der Biotoptypen. 3. Aufl. Verlagsgesellschaft Potsdam mbH. 512 S. 

LECKIE, D.G.; CLONEY, E.; JAY, C. AND PARADINE, D. (2005): Automated mapping of stream 

features with high-resolution multispectral imagery: an example of the capabilities. In: 

Photogrammetric Engineering and Remote Sensing, 71, S. 145-155. 

MASELLI, F. (2001): Definition of spatially variable spectral endmembers by locally calibrated 

multivariate regression analysis. In: Remote Sensing of Environment, 75, S. 29-38. 

65

Literatur 

_____________________________________________________________________________________________________ 

MUSTARD, J.F.; STAID, M.I. AND W.J. FRIPP (2001): A Semianalytical Approach to the 

Calibration of AVIRIS Data to Reflectance over Water Application in a Temperate Estuary. In: 

Remote Sensing of Environment, 75 (2001), S. 335-349. 

NATURSCHUTZ-FÖRDERVEREIN „DÖBERITZER HEIDE“ E.V. (2007): Chronik des Naturschutz- 

Fördervereins „Döberitzer Heide“ e. V. Im Internet unter: 

http://www.doeberitzerheide.de/content-pages/geschichte.html - Abruf am 02.09.2009. 

NEUMANN, C.; ITZEROTT, S.; FÖRSTER, S. (2010): From Field Spectra to an Area-Wide 

Monitoring – A Case Study in a Dryland Nature Reserve in Germany. Posterpräsentation auf 

dem Hyperspectral 2010 Workshop in Frascati, Italien am 17.03.2010. 

OEHLSCHLÄGER, S.; BEIER, W.; VAN DORSTEN, P.; HARNISCH, R.; HINRICHSEN, A.; TSCHÖPE, 

O.; ZIERKE, I. (2004): Das Naturschutzgebiet Döberitzer Heide. In: ANDERS, K.; MRZLJAK, J.; 

WALLSCHLÄGER, D.; WIEGLEB, G. (Hrsg): Handbuch Offenlandmanagement – Am Beispiel 

ehemaliger und in Nutzung befindlicher Truppenübungsplätze. Heidelberg, Springer-Verlag. 

320 S. 

ORTIZ, M.; FORMAGGIO, R. & EPIPHANIO, J. (1997): Classification of croplands through 

integration of remote sensing, GIS and historical database. In: International Journal of 

Remote Sensing, Vol. 18, No. 1. S. 95-105. 

OZESMI, S.L. AND BAUER, M.E. (2002): Satellite remote sensing of wetlands. In: Wetlands 

Ecology and Management, 10, S. 381-402. 

PENGRA, B.W.; JOHNSTON, C.A.; LOVELAND, T.R. (2007): Mapping an invasive plant, 

Phragmites australis, in coastal wetlands using the EO-1 Hyperion hyperspecral sensor. In: 

Remote Sensing of Environment, Vol. 108 (1), S. 74-81. 

PIGNATTI, S., CAVALLI, R.M., CUOMO, V., FUSILLI, L., PASCUCCI, S., POSCOLIERI, M., SANTINI, F. 

(2009): Evaluation Hyperion capability for land cover mapping in a fragmented ecosystem: 

Pollino National Park, Italy. In: Remote Sensing of Environment, 113 (3), S.622-634. 

POTT, R. (1995): Die Pflanzengesellschaften Deutschlands. 2. Aufl., Stuttgart. Ulmer. 

QUERHAMMER (2009): mündliches Gespräch vom 24.05.2009. 

RESEARCH SYSTEMS (2002): ATREM, Boulder, CO: Research Systems, Inc., Im Internet 

abrufbar unter: http://www.ittvis.com - Abruf am 18.03.2010. 

ROBERTS, D.A.; YAMAGUSHI, Y. AND R.J.P. LYON (1986): Comparison of Various Techniques 

for Calibration of AIS Data. In: Vane, G. and A.F.H. Goetz (Eds.): Proceedings, 2 nd Airborne 

Imaging Spectrometer Data Analysis Workshop, Pasadena: NASA Jet Propulsion 

Laboratory, JPL Publication #86-35, S. 21-30. 

ROSENFIELD, G.H. & K. FITZPATRICK-LINS (1986): A coefficient of agreement as a measure of 

thematic classification accuray. In: Photogrammetric Engineering and Remote Sensing, Vol. 

52. 

66

Literatur 

_____________________________________________________________________________________________________ 

ROSSO, P.H., USTIN, S.L. AND HASTINGS, A. (2005): Mapping marshland vegetation of San 

Francisco Bay, California, using hyperspectral data. In: International Journal of Remote 

Sensing, 26, S. 5169-5191. 

ROTHMALER, W. (2005): Exkursionsflora von Deutschland. Bd. 2: Gefäßpflanzen: Grundband. 

Begr. von W. Rothmaler, hrsg. von E. Jäger & K. Werner, 19. Aufl., Spektrum Akad. Verlag, 

Heidelberg, 640 S. 

ROTHMALER, W. (2000): Exkursionsflora von Deutschland. Bd. 3: Gefäßpflanzen: Atlasband. 

Begr. von W. Rothmaler, hrsg. von E. Jäger & K. Werner, 10. Aufl., Spektrum Akad. Verlag, 

Heidelberg, 753 S. 

SAVITZKY, A.; GOLAY, M.J.E. (1964): Smoothing and Differentiation of Data by Simplified 

Least Squares Procedures. In: Anal. Chem. 36 (8). S. 1627-1639. 

SCHLÄPFER, D. U. R. RICHTER (2001): Geo-atmospheric processing of airborne imaging 

spectrometry data. Part 1: parametric orthorectification. In: International Journal of Remote 

Sensing, Vol. 23, No. 13, S. 2609-2630. 

SCHOKNECHT, TH. (1993): Die Naturschutzgebiete Ferbitzer Bruch und Döberitzer Heide auf 

dem Truppenübungsplatz Döberitz. In: Naturschutz und Landschaftspflege in Brandenburg. 

Heft 1 (1993). S. 23-25. 

SCHOKNECHT, TH. (1996): Neue Naturschutzgebiete in Brandenburg. In: Naturschutz und 

Landschaftspflege in Brandenburg, Heft 4 (1996). S. 36-37. 

SCHOKNECHT, TH.; ZERNING, M. (2005): Das Europäische Vogelschutzgebiet (SPA) 

Döberitzer Heide. In: Naturschutz und Landschaftspflege in Brandenburg. Jhg. 14, Heft 3, 4. 

S. 107-109. 

SCHOLZ, E. (1962): Die naturräumliche Gliederung Brandenburgs. In: Päd. Bezirkskabinett, 

Potsdam (Hrsg.): Märkische Volksstimme. Bd. 1. 

SCHOWENGERDT, R.A. (2007): Remote Sensing – Models and Methods for Image Processing. 

3 rd Edition. Elsevier Inc., USA. 515 S. 

SCHUBERT, R.; HILBIG, H.; KLOTZ, S. (2001): Bestimmungsbuch der Pflanzengesellschaften 

Deutschlands. Heidelberg. Spektrum, Akad. Verlag. 472 S. 

SIELMANNS NATURLANDSCHAFT DÖBERITZER HEIDE GEMEINNÜTZIGE GMBH (Hrsg.)(o.J.): 

Verordnungen. Im Internet unter: http://typo3.doeberitzer-heide-naturlandschaft.de/steckbrief/ 

schutzstati/verordnungen - Abruf am 02.09.2009. 

SMITH, M.O.; JOHNSON, P.E. AND ADAMS, J.B. (1985): Quantitative determination of mineral 

types and abundances from reflectance spectra using principal component analysis. In: 

Journal of Geophysical Research, 90, S. 797-804. 

SMITH, G.M. AND E.J. MILTON (1999): The Use of Empirical Line Method to Calibrate 

Remotely Sensed Data to Reflectance. In: International Journal of Remote Sensing, 20, 

(1999), S. 2653-2662. 

67

Literatur 

_____________________________________________________________________________________________________ 

STIX, E. (1997): Chronik der Döberitzer Heide. Döberitzer Heide mit Ferbitzer Bruch – 

Beiträge zum Naturschutz, zur Landschaft und zur Geschichte. In: Jahresheft 7 des 

Naturschutz-Fördervereins „Döberitzer Heide“ e. V. Elstal. S. 4-6. 

STORY, M. & R. CONGALTON (1986): Accuracy assessment: A user’s perspective. In: 

Photogrammetric Engineering and Remote Sensing. Vol. 52. 

TANRE, D.; DEROO, C.; DUHAUT, P.; HERMANN, M. ; MORCRETTE, J.; PERBOS, J. & P.Y. 

DESCHAMPS (1986): Second Simulation of the Satellite Signal in the Solar Spectrum (6S) 

User’s Guide. U.S.T. de Lille, 59655 Villeneuve d’Ascq, France: Lab d’Optique 

Atmospherique. 

THIEMANN, S. & K. HERMANN (2002): Lake Water Quality Monitoring Using Hyperspectral 

Airborne Date – A Semiempirical Multisensor und Multitemporal Approach for the 

Mecklenburg Lake District, Germany. In: Remote Sensing of Environment, 81 (2002), S. 228- 

237. 

USGS (Hrsg.) (2009): EO-1. Im Internet unter: http://edcsns17.cr.usgs.gov/eo1/index.php - 

Abruf am 23.03.2010. 

VAN DER MEER, F. (1999): Iterative spectral unmixing (ISU). In: International Journal of 

Remote Sensing, 20, S. 3431-3436. 

VAN DER MEER, F. AND DE JONG, S.M. (2000): Improving the results of spectral unmixing of 

Landsat thematic mapper imagery by enhanced the orthogonality of end-members. In: 

International Journal of Remote Sensing, 21, S. 2781-2797. 

VOSS, K. (2005): Beitrag zur strukturabhängigen Erfassung teilschlagsspezifischer 

Pflanzenschäden mit Methoden der Fernerkundung und Geoinformatik, Bonn. S. 80-107. 

WANG. J.; ZHANG, L.; TONG, Q. (1998): The Derivative Spectral Matching for Wetland 

Vegetation Identification and Classification by Hyperspectral Data. In: Hyperspectral Remote 

Sensing and Application. S. 280 – 289. 

WEIß, C. (2008): Monitoring Large Conservation Areas with Imaging Spectroscopy: 

Combining Discrete and Non-discrete Approaches. Dissertation, LMU München: Fakultät für 

Geowissenschaften. 160 S. 

68

Anhang 

_____________________________________________________________________________________________________ 

11 Anhang 

Tabelle A. 1 Protokollauszug für die Feldspektrometermessung 

Gebiet: 

Datum: 

Uhrzeit: von: bis: 

Nummer des ASD: 

Name des Messenden: 

Name des Protokollanten: 

Wetter aktuell und in den vorherigen Tagen und Wochen: 

Nr. der 

Aufnahme 

Flächennr./ 

Sondermessung 

Fehlmessung 

Weißabgleich/optimierung 

Bemerkung: (Blühaspekt, Zeit, 

Foto) 

69

Anhang 

_____________________________________________________________________________________________________ 

Tabelle A. 2 Übersicht über die Testflächen mit den dazugehörigen Biotoptypen und Pflanzengesellschaften, die in die Erstellung der Endmember mit eingeflossen sind 


Biotop- 

Biotopbezeichnung Verband Assoziation Flächennummer 

Datum 

der 

Endmember- 

Klasse 

code 

nr. 

Aufnahme 

bezeichnung 

04511 

Schilfröhricht eutropher 

bis polytropher Moore 

und Sümpfe 

Phragmition australis 

( W. Koch 1926) 

Phragmitetum 

australis (Gams 1927) 

Schmale 1939 

26 28.07.2008 

34 07.08.2008 

Phragmites 

australis rein 

07.08.2008 

04511_PHR_PHR 1 

04514 

Rohrglanzgras- 

Röhricht eutropher bis 

polytropher Moore und 

Sümpfe 

Caricion elatae W. 

Koch 1926 

Phalaridetum 

arundinaceae Libbert 

1931 

19 02.07.2008 04514_CAR_PHA 2 

Caricetum 

appropinquatae W. 

Koch 1926 

Carex 

appropinquata 

rein 

07.08.2008 05101_CAR_XAP 3 

05101 

Großseggenwiesen 

(Streuwiesen) 

Caricion elatae W. 

Koch 1926 

Caricetum gracilis 

(Almquist 1929) 

Graebner et Hueck 

Carex acuta rein 07.08.2008 05101_CAR_XGR 4 

1931 

Caricetum acutiformis 

Eggler 1933 

Carex 

acutiformis rein 

07.08.2008 05101_CAR_XAC 8 

05102 

Feuchtwiesen 

nährstoffarmer bis 

mäßig nährstoffreicher 

Standorte 

(Pfeifengraswiesen) 

Molinion 

W. Koch 1926 

caeruleae 

Molinietum caeruleae 

W. Koch 1926 

23 28.07.2008 

25 28.07.2008 

31 07.08.2008 

05102_MOL_MOL 5 

70

Anhang 

_____________________________________________________________________________________________________ 

Fortsetzung der Tabelle A.2 

Biotop- 

Biotopbezeichnung Verband Assoziation Flächen- 

Datum 

der 

Endmember- 

Klasse 

code 

nr. 

Aufnahme 

bezeichnung 

05102 

Feuchtwiesen 

nährstoffarmer bis 

mäßig nährstoffreicher 

Standorte 

(Pfeifengraswiesen) 

Molinion 

W. Koch 1926 

caeruleae 

Molinietum caeruleae 

W. Koch 1926 

32 07.08.2008 

33 07.08.2008 

05102_MOL_MOL 5 

70 

05103 

Feuchtwiesen 

nährstoffreicher 

Standorte 

Calthion Tx. 1937 - 

71 

72 

07.08.2008 05103_CAL_XXX 6 

73 

051311 

Grünlandbrachen 

feuchter Standorte, von 

Schilf dominiert 

Phragmition australis 

( W. Koch 1926) 

Phragmitetum 

australis (Gams 1927) 

Schmale 1939 

74 07.08.2008 051311_PHR_PHR 7 

71

Anhang 

_____________________________________________________________________________________________________ 

Anhang 

_____________________________________________________________________________________________________ 

Tabelle A. 3 Aufnahmebogen der Fläche 18 

Aufnahmebogen 


Aufnahmebogen 

Titeldaten 

Titeldaten 

Flächennummer: 18 Datum: 10.06.2008 Bearbeiter: Dziock (2007), Clasen, Körth 


Lokalität: NSG Ferbitzer Bruch 

Biotoptyp / Nutzung: 

Ggf. LRT 

04511 - Schilfröhricht auf feuchtem Standort. Liegt am Ostrand einer 

sehr ausgedehnten, sumpfigen Schilffläche 

Max. Höhe: 250 cm 

Ø Höhe: 200 cm 

Gesamtdeckung: 

98 % 

Moose: - 

Flechten: - 

Bemerkung: 



Ggf. LRT 

04514 - Nasses Rohrglanzgrasröhricht: Liegt am Ostrand einer sehr 

ausgedehnten, sumpfigen Schilffläche 




100 % 

Moose: - 

Flechten: - 

Bemerkung: 

Geschätzte Artenzahl: 16 

Aufgenommene Arten 



Art Deckung Bemerkung 

Phragmites australis 60% Deckungen vom 07.08.2008 

Carex appropinquata 20% 

Equisetum palustre 5% 

Mentha aquatica 5% 

Lysimachia vulgaris 4% 

Juncus inflexus 

Festuca arundinacea 

Lathyrus pratensis 


Phalaris arundinacea 45% Deckungen vom 07.08.2008 

Carex acutiformis 45% 

Lysimachia vulgaris 

Serratula tinctoria 

Equisetum palustre 

Symphytum officinale 

Mentha aquatica 

Daucus carota 


Phragmites australis 

72 

73

Anhang 

_____________________________________________________________________________________________________ 

Anhang 

_____________________________________________________________________________________________________ 



Aufnahmebogen 

Aufnahmebogen 

Titeldaten 

Titeldaten 




Ggf. LRT 

05102 – Pfeifengrasbestand 

LRT - 6410 




99 % 

Offener Boden: 1% 

Flechten: - 

Bemerkung: 




Ggf. LRT 

05102 – Homogener, nasser Pfeifengrasbestand 

LRT - 6410 




100 % 

Moos: 2% 

Flechten: - 

Bemerkung: 






Molinia caerulea 50 % Deckungen vom 07.08.2008 

Equisetum palustre 30 % 

Cirsium oleraceum 6 % 

Galium uliginosum 5 % 

Carex panicea 5 % 

Lysimachia vulgaris 1 % 


Vicia cracca 

Ranunculus acris 

Carex flacca 

Valeriana officinalis 



Carex tomentosa 5 % 



Potentilla erecta 


Cirsium oleraceum 

Galium uliginosum 

Festuca rubra 

Angelica sylvestris 

Symphytum offincinale 

74 

75

Anhang 

_____________________________________________________________________________________________________ 

Anhang 

_____________________________________________________________________________________________________ 


Aufnahmebogen 


Aufnahmebogen 

Titeldaten 

Titeldaten 




Ggf. LRT 

05102 – Mäßig nasser Pfeifengrasbestand 

LRT - 6410 




98 % 

Moos: 1% 

Offener Boden: 1% 

Bemerkung: 




Ggf. LRT 

05102 – Pfeifengras-Schilfbestand 

LRT - 6410 




100 % 

Moos: 

Offener Boden: 

Bemerkung: 







Carex flacca 15 % 


Carex panicea 5 % 


Festuca arundinacea 

Selinum carvifolia 

Cirsium palustre 

Vicia cracca 

Dactylorhiza majalis 

Lythrum salicaria 



Phragmites australis 25 % 

Galium uliginosum 20 % 


Vicia cracca 


Filipendula ulmaria 

Lathyrus pratensis 

Cirsium arvense 

Briza media 

Potentilla reptans 

76 

77

Anhang 

_____________________________________________________________________________________________________ 

Anhang 

_____________________________________________________________________________________________________ 


Aufnahmebogen 


Aufnahmebogen 

Titeldaten 

Titeldaten 




Ggf. LRT 

05102 – mäßig-nasser Pfeifengrasbestand 

LRT - 6410 




98 % 

Moos: 

Offener Boden: 2 % 

Bemerkung: 



Biotoptyp / Nutzung: 04511 – Nasser, lückiger Schilfbestand 

Ggf. LRT 




95 % 

Moos: 5 % 


Bemerkung: alte Blüten noch vorhanden; leicht gestörter Standort, relativ homogen 







Carex hostiana 5 % 




Carex flacca 



Galium album 


Potentilla reptans 


Phragmites australis 90 % Deckungen vom 07.08.2008 

Molinia caerulea 


Calamagrostis epigeios 





Deschampsia cespitosa 

Alisma plantago-aquatica 

Carex appropinquata 


78 

79

Anhang 

_____________________________________________________________________________________________________ 


Aufnahmebogen 

Anhang 

_____________________________________________________________________________________________________ 


Aufnahmebogen 

Titeldaten 

Titeldaten 






Ggf. LRT 

04511 – Nasser, dichter, homogener und hochwüchsiger Schilfbestand 


Ggf. LRT 

04511 – Sehr nasser, dichter, homogener und hochwüchsiger 

Schilfbestand 



Bemerkung: 


98 % 

Moos: 


Max. Höhe: 250 cm Gesamtdeckung: 

Ø Höhe: 250 cm 98 % 

Bemerkung: etwa 30 cm überstaut 

Moos: 

Offene Wasserfläche: 2 % 







Carex appropinquata 15 % 




Hydrocharis morsus-ranae 

Lycopus europaeus 

Lathyrus palustris 



Poa trivialis 

Scutelaria galericulata 

Cardamine amara 

Peucedanum palustre 

Carex pseudocyperus 


Alisma plantago-aquatica 

80 

81

Anhang 

_____________________________________________________________________________________________________ 


Aufnahmebogen 

Anhang 

_____________________________________________________________________________________________________ 


Aufnahmebogen 

Titeldaten 

Titeldaten 



Biotoptyp / Nutzung: 04511 – Sehr nasser, relativ dichter, homogener Schilfbestand 

Ggf. LRT 




95 % 

Moos: 

Offene Wasserfläche: 5 % 

Bemerkung: ohne vertrocknete Schilfüberhälter vom letzten Jahr 




Ggf. LRT 

05102 – Homogener, feuchter Pfeifengrasbestand 

LRT - 6410 




98 

Moos: 


Bemerkung: Blühaspekt: Potentilla erecta, Carex spec., Dactylorhiza majalis 







Carex acutiformis 20 % 

Lycopus europaeus 




Poa trivialis 

Scutelaria galericulata 




Tetragonolobus maritimus 




Carex flacca 


Pimpinella major 

Vicia cracca 

Carex hostiana 

Briza media 



Dactylis glomerata 

82 

83

Anhang 

_____________________________________________________________________________________________________ 


Aufnahmebogen 

Anhang 

_____________________________________________________________________________________________________ 


Aufnahmebogen 

Titeldaten 

Titeldaten 






05102 – Pfeifengrasbestand 


05102 – Homogener, relativ trockener Pfeifengrasbestand. 

Ggf. LRT 

LRT - 6410 

Ggf. LRT 

LRT - 6410 



Moos: 



Moos: 


99 % 



99 % 


Bemerkung: Leicht gestörter Standort , der mit Gemeinem Knaulgras und Ackerkratzdistel 

durchsetzt ist 

Bemerkung: 







Serratula tinctoria 15 % 




Festuca pratensis 


Taraxacum officinale 

Galium uligonosum 

Succisa pratensis 



Tetragonolobus maritimus 


Carex flacca 





Epipactis palustris 

Tetragonalobus maritimus 



Carex hostiana 

Carex flacca 

Briza media 


Succisa pratensis 


Vicia cracca 



84 

85

Anhang 

_____________________________________________________________________________________________________ 


Aufnahmebogen 

Titeldaten 




Ggf. LRT 

05102 – feuchte Pfeifengraswiese 

LRT - 6410 




98 % 

Moos: 2 % 


Bemerkung: 

Anhang 

_____________________________________________________________________________________________________ 

Fortsetzung Tabelle A.17 




Juncus inflexus 

Phragmites australis 

Carex panicea 












Vicia cracca 



Carex flacca 



Rubus idaeus 

86 

87

Anhang 

_____________________________________________________________________________________________________ 


Aufnahmebogen 

Anhang 

_____________________________________________________________________________________________________ 


Aufnahmebogen 

Titeldaten 

Titeldaten 



Flächennummer: 70 Datum: 17.06.2008 Bearbeiter: Clasen, Körth 



Ggf. LRT 

04511 – Nasser, lückiger, seggenreicher, relativ homogener 

Schilfbestand 


Ggf. LRT 

05103 – von Sumpf-Storchschnabel und Wiesenfuchsschwanz 

durchsetzte nährstoffreiche Feuchtwiese 



Moos: 



Moos: 


97 % 

Offene Wassserfläche: 3 % 


100 % 

Offene Wassserfläche: 

Bemerkung: Mit einigen Wasserstellen durchsetzt 

Bemerkung: Blühaspekt: Geranium palustre, Alopecurus pratense 







Carex appropinquata 30 % 

Molinia caerulea 5 % 






Geranium palustre 60 % Deckungen vom 07.08.2008 

Carex acuta 20 % 

Lotus pedunculatus 10 % 

Alopecurus pratensis 




Vicia cracca 

Valeriana dioica 

88 

89

Anhang 

_____________________________________________________________________________________________________ 


Aufnahmebogen 

Anhang 

_____________________________________________________________________________________________________ 


Aufnahmebogen 

Titeldaten 

Titeldaten 






05103 – von Mädesüß durchsetzte nährstoffreiche Feuchtwiese 


05103 – mit Landreitgras durchsetzte Feuchtwiese 

Ggf. LRT 

Ggf. LRT 



Moos: 



Moos: 


98 % 



100 % 


Bemerkung: sonniger Standort; nach N und O schließt sich Feuchtwiese mit Wiesenfuchsschwanz 

an, nach S seggenreiche Feuchtwiese 

Bemerkung: Blühaspekt: Beginn Calamagrostis epigejos 


Blühaspekt: Beginn Filipendula ulmaria, Geranium palustre, Carex acutiformis 





Carex acutiformis 45 % Deckungen vom 07.08.2008 

Filipendula ulmaria 25 % 

Geranium palustre 5 % 

Mentha aquatica 5 % 


Lotus pedunculatus 

Juncus effusus 


Myosotis scorpioides L. ssp scorpioides 


Carex acutiformis 70 % Deckungen vom 07.08.2008 

Calamagrostis epigejos 20 % 

Geranium palustre 


Vicia Cracca 




Agrimonia eupatoria 


Vicia cracca 

90 

91

Anhang 

_____________________________________________________________________________________________________ 


Aufnahmebogen 

Anhang 

_____________________________________________________________________________________________________ 


Aufnahmebogen 

Titeldaten 

Titeldaten 






Ggf. LRT 

05103 – von Mentha aquatica dominierte nährstoffreiche Feuchtwiese 

im Übergangsbereich zu Schilfröhricht 


Ggf. LRT 

051311 – verbrachte nährstoffreiche Feuchtwiese, von Schilf dominiert 



Moos: 



Moos: 


100 % 



100 % 


Bemerkung: Blühaspekt: Beginn Ranunculus acris 

Bemerkung: Blühaspekt: Beginn Geranium palustre, Symphytum officinale beginnend 






Mentha aquatica 60 % Deckungen vom 07.08.2008 

Carex acutiformis 15 % 

Lotus pedunculatus 10 % 

Phragmites australis 5 % 






Mentha aquatica 10 % 



Lotus pedunculatus 


Vicia cracca 




Scophularia nodosa 

92 

93

Anhang 

_____________________________________________________________________________________________________ 

SAM-Klassifikation mit Feldspektren als Endmember und der MNF-transformierten 

HyMap-Szene 

Tabelle A. 24 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, der MNF-transformatierten HyMap- 

Szene und dem Schwellenwert α E mean 




Szene und dem Schwellenwert α E mean + 1 sd 



(PA + 

UA)/2 


04511_PHR_PHR 1 0 10 0 2 0 1 0 3 2 18 0,59 0,56 0,57 

04514_CAR_PHA 2 0 0 6 3 0 0 0 0 0 9 0,40 0,67 0,53 

05101_CAR_XAP 3 0 0 3 4 3 3 0 0 2 15 0,36 0,27 0,32 

05101_CAR_XGR 4 0 0 0 0 0 0 0 0 1 1 0,00 0,00 0,00 

05102_MOL_MOL 5 0 1 1 0 0 15 0 0 3 20 0,45 0,75 0,60 

05103_CAL_XXX 6 0 2 2 0 7 1 24 0 1 37 0,96 0,65 0,80 

051311_PHR_PHR 7 0 1 0 0 0 0 1 6 1 9 0,67 0,67 0,67 

05101_CAR_XAC 8 0 0 0 0 0 3 0 0 9 12 0,30 0,75 0,53 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,575 


Szene und dem Schwellenwert α E mean + 2 sd 



(PA + 

UA)/2 


04511_PHR_PHR 1 0 7 0 1 0 1 0 4 3 16 0,41 0,44 0,42 

04514_CAR_PHA 2 0 0 7 3 0 0 0 0 0 10 0,47 0,70 0,58 

05101_CAR_XAP 3 0 0 3 4 6 6 0 0 2 21 0,36 0,19 0,28 

05101_CAR_XGR 4 0 0 1 0 0 0 0 0 2 3 0,00 0,00 0,00 

05102_MOL_MOL 5 0 0 0 0 0 12 0 0 1 13 0,36 0,92 0,64 

05103_CAL_XXX 6 0 0 0 0 3 0 24 0 1 28 0,96 0,86 0,91 

051311_PHR_PHR 7 0 0 0 0 0 0 1 5 0 6 0,56 0,83 0,69 

05101_CAR_XAC 8 0 2 1 0 0 5 0 0 9 17 0,30 0,53 0,41 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,540 

(PA + 

UA)/2 


04511_PHR_PHR 1 0 10 0 2 0 1 0 3 2 18 0,59 0,56 0,57 

04514_CAR_PHA 2 0 0 6 3 0 0 0 0 0 9 0,40 0,67 0,53 

05101_CAR_XAP 3 0 0 3 4 3 3 0 0 2 15 0,36 0,27 0,32 

05101_CAR_XGR 4 0 0 0 0 0 0 0 0 1 1 0,00 0,00 0,00 

05102_MOL_MOL 5 0 1 1 0 0 15 0 0 3 20 0,45 0,75 0,60 

05103_CAL_XXX 6 0 2 2 0 7 1 24 0 1 37 0,96 0,65 0,80 

051311_PHR_PHR 7 0 1 0 0 0 0 1 6 1 9 0,67 0,67 0,67 

05101_CAR_XAC 8 0 0 0 0 0 3 0 0 9 12 0,30 0,75 0,53 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,575 

94 

Anhang 

_____________________________________________________________________________________________________ 


Szene und dem Schwellenwert α E max 



(PA + 

UA)/2 


04511_PHR_PHR 1 0 10 0 2 0 1 0 3 2 18 0,59 0,56 0,57 

04514_CAR_PHA 2 0 0 6 3 0 0 0 0 0 9 0,40 0,67 0,53 

05101_CAR_XAP 3 0 0 3 4 3 3 0 0 1 14 0,36 0,29 0,32 

05101_CAR_XGR 4 0 0 0 0 0 0 0 0 2 2 0,00 0,00 0,00 

05102_MOL_MOL 5 0 1 2 0 0 15 0 0 2 20 0,45 0,75 0,60 

05103_CAL_XXX 6 0 2 1 0 7 1 24 0 3 38 0,96 0,63 0,80 

051311_PHR_PHR 7 0 1 0 0 0 0 1 6 1 9 0,67 0,67 0,67 

05101_CAR_XAC 8 0 0 0 0 0 3 0 0 8 11 0,27 0,73 0,50 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,570 

Tabelle A. 28 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der MNF-transformatierten 

HyMap-Szene und dem Schwellenwert α E max + 1 sd 



(PA + 

UA)/2 


04511_PHR_PHR 1 0 10 0 2 0 1 0 3 2 18 0,59 0,56 0,57 

04514_CAR_PHA 2 0 0 6 3 0 0 0 0 0 9 0,40 0,67 0,53 

05101_CAR_XAP 3 0 0 3 4 3 3 0 0 2 15 0,36 0,27 0,32 

05101_CAR_XGR 4 0 0 0 0 0 0 0 0 1 1 0,00 0,00 0,00 

05102_MOL_MOL 5 0 1 1 0 0 15 0 0 3 20 0,45 0,75 0,60 

05103_CAL_XXX 6 0 2 2 0 7 1 24 0 1 37 0,96 0,65 0,80 

051311_PHR_PHR 7 0 1 0 0 0 0 1 6 1 9 0,67 0,67 0,67 

05101_CAR_XAC 8 0 0 0 0 0 3 0 0 9 12 0,30 0,75 0,53 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,575 

Tabelle A. 29 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der MNF-transformatierten 




(PA + 

UA)/2 


04511_PHR_PHR 1 0 10 0 2 0 1 0 3 2 18 0,59 0,56 0,57 

04514_CAR_PHA 2 0 0 6 3 0 0 0 0 0 9 0,40 0,67 0,53 

05101_CAR_XAP 3 0 0 3 4 3 3 0 0 2 15 0,36 0,27 0,32 

05101_CAR_XGR 4 0 0 0 0 0 0 0 0 1 1 0,00 0,00 0,00 

05102_MOL_MOL 5 0 1 1 0 0 15 0 0 3 20 0,45 0,75 0,60 

05103_CAL_XXX 6 0 2 2 0 7 1 24 0 1 37 0,96 0,65 0,80 

051311_PHR_PHR 7 0 1 0 0 0 0 1 6 1 9 0,67 0,67 0,67 

05101_CAR_XAC 8 0 0 0 0 0 3 0 0 9 12 0,30 0,75 0,53 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,575 

95

Anhang 

_____________________________________________________________________________________________________ 

SAM-Klassifikation mit Bildspektren als Endmember und der MNF-transformierten 

HyMap-Szene 

Tabelle A. 30 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der MNF-transformatierten 

HyMap-Szene und dem Schwellenwert α E mean 



(PA + 

UA)/2 


04511_PHR_PHR 1 0 12 0 4 4 0 1 0 3 24 0,71 0,50 0,60 

04514_CAR_PHA 2 0 0 0 1 1 0 0 0 0 2 0,00 0,00 0,00 

05101_CAR_XAC 3 0 0 0 17 0 0 10 0 0 27 0,57 0,63 0,60 

05101_CAR_XAP 4 0 0 0 2 6 0 6 0 0 14 0,55 0,43 0,49 

05101_CAR_XGR 5 0 0 0 0 0 2 0 0 0 2 0,15 1,00 0,58 

05102_MOL_MOL 6 0 0 0 0 0 0 15 0 0 15 0,45 1,00 0,73 

05103_CAL_XXX 7 0 0 0 0 0 1 0 23 0 24 0,92 0,96 0,94 

051311_PHR_PHR 8 0 0 0 1 0 0 0 2 6 9 0,67 0,67 0,67 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,611 

Anhang 

_____________________________________________________________________________________________________ 


HyMap-Szene und dem Schwellenwert α E max 



(PA + 

UA)/2 


04511_PHR_PHR 1 0 16 0 4 4 0 1 0 3 28 0,94 0,57 0,76 

04514_CAR_PHA 2 0 0 1 1 1 0 0 0 0 3 0,07 0,33 0,20 

05101_CAR_XAC 3 0 0 0 17 0 0 10 0 0 27 0,57 0,63 0,60 

05101_CAR_XAP 4 0 0 5 3 6 5 7 0 0 26 0,55 0,23 0,39 

05101_CAR_XGR 5 0 0 6 1 0 5 0 0 0 12 0,38 0,42 0,40 

05102_MOL_MOL 6 0 0 0 0 0 0 15 0 0 15 0,45 1,00 0,73 

05103_CAL_XXX 7 0 0 0 0 0 2 0 23 0 25 0,92 0,92 0,92 

051311_PHR_PHR 8 0 0 0 2 0 0 0 2 6 10 0,67 0,60 0,63 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,670 




HyMap-Szene und dem Schwellenwert α E mean + 1 sd 



(PA + 

UA)/2 



(PA + 

UA)/2 


04511_PHR_PHR 1 0 14 0 3 4 0 1 0 3 25 0,82 0,56 0,69 

04514_CAR_PHA 2 0 0 3 0 1 0 1 0 0 5 0,20 0,60 0,40 

05101_CAR_XAC 3 0 0 0 20 0 0 9 0 0 29 0,67 0,69 0,68 

05101_CAR_XAP 4 0 0 0 1 6 1 6 0 0 14 0,55 0,43 0,49 

05101_CAR_XGR 5 0 2 8 2 0 11 0 0 0 23 0,85 0,48 0,66 

05102_MOL_MOL 6 0 0 0 0 0 0 16 0 0 16 0,48 1,00 0,74 

05103_CAL_XXX 7 0 0 0 0 0 1 0 23 0 24 0,92 0,96 0,94 

051311_PHR_PHR 8 0 0 0 2 0 0 0 2 6 10 0,67 0,60 0,63 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,721 


04511_PHR_PHR 1 0 16 0 4 4 0 1 0 3 28 0,94 0,57 0,76 

04514_CAR_PHA 2 0 0 3 1 1 1 0 0 0 6 0,20 0,50 0,35 

05101_CAR_XAC 3 0 0 0 17 0 0 10 0 0 27 0,57 0,63 0,60 

05101_CAR_XAP 4 0 0 3 3 6 4 7 0 0 23 0,55 0,26 0,40 

05101_CAR_XGR 5 0 0 5 1 0 6 0 0 0 12 0,46 0,50 0,48 

05102_MOL_MOL 6 0 0 0 0 0 0 15 0 0 15 0,45 1,00 0,73 

05103_CAL_XXX 7 0 0 0 1 0 2 0 23 0 26 0,92 0,88 0,90 

051311_PHR_PHR 8 0 0 1 2 0 0 0 2 6 11 0,67 0,55 0,61 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,686 







(PA + 

UA)/2 



(PA + 

UA)/2 


04511_PHR_PHR 1 0 15 0 3 4 0 1 0 3 26 0,88 0,58 0,73 

04514_CAR_PHA 2 0 0 4 1 2 0 1 0 0 8 0,27 0,50 0,38 

05101_CAR_XAC 3 0 0 0 20 0 0 12 0 0 32 0,67 0,63 0,65 

05101_CAR_XAP 4 0 0 0 0 3 1 3 0 0 7 0,27 0,43 0,35 

05101_CAR_XGR 5 0 1 6 2 0 11 0 0 0 20 0,85 0,55 0,70 

05102_MOL_MOL 6 0 0 1 1 0 0 15 0 0 17 0,45 0,88 0,67 

05103_CAL_XXX 7 0 0 0 0 2 1 1 23 0 27 0,92 0,85 0,89 

051311_PHR_PHR 8 0 0 1 1 0 0 0 2 6 10 0,67 0,60 0,63 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,711 


04511_PHR_PHR 1 0 16 0 4 4 0 1 0 3 28 0,94 0,57 0,76 

04514_CAR_PHA 2 0 0 4 1 1 1 1 0 0 8 0,27 0,50 0,38 

05101_CAR_XAC 3 0 0 0 18 0 0 10 0 0 28 0,60 0,64 0,62 

05101_CAR_XAP 4 0 0 1 1 6 1 6 0 0 15 0,55 0,40 0,47 

05101_CAR_XGR 5 0 0 6 2 0 7 0 0 0 15 0,54 0,47 0,50 

05102_MOL_MOL 6 0 0 1 1 0 0 15 0 0 17 0,45 0,88 0,67 

05103_CAL_XXX 7 0 0 0 1 0 4 0 23 0 28 0,92 0,82 0,87 

051311_PHR_PHR 8 0 0 1 1 0 0 0 2 6 10 0,67 0,60 0,63 

Overall 

Acc. 0,759 

Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,702 

96 

97

Anhang 

_____________________________________________________________________________________________________ 

SAM-Klassifikation mit Feldspektren als Endmember und der ersten Ableitung der 

MNF-transformierten HyMap-Szene 

Tabelle A. 36 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der ersten Ableitung der MNFtransformatierten 




(PA + 

UA)/2 


04511_PHR_PHR 1 0 2 0 0 0 0 0 0 0 2 0,12 1,00 0,56 

04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAP 3 0 2 0 1 0 0 0 0 0 3 0,09 0,33 0,21 

05101_CAR_XGR 4 0 0 3 1 5 0 0 0 2 11 0,38 0,45 0,42 

05102_MOL_MOL 5 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05103_CAL_XXX 6 0 3 10 2 4 23 25 4 8 79 1,00 0,32 0,66 

051311_PHR_PHR 7 0 0 0 0 0 0 0 3 0 3 0,33 1,00 0,67 

05101_CAR_XAC 8 0 0 0 0 0 2 0 0 0 2 0,00 0,00 0,00 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,350 

Anhang 

_____________________________________________________________________________________________________ 





(PA + 

UA)/2 


04511_PHR_PHR 1 0 2 0 0 0 0 0 0 0 2 0,12 1,00 0,56 

04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAP 3 0 3 0 2 0 0 0 0 0 5 0,18 0,40 0,29 

05101_CAR_XGR 4 0 3 3 2 8 1 0 1 11 29 0,62 0,28 0,45 

05102_MOL_MOL 5 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05103_CAL_XXX 6 0 7 10 7 5 29 25 6 16 105 1,00 0,24 0,62 

051311_PHR_PHR 7 0 0 0 0 0 0 0 2 0 2 0,22 1,00 0,61 

05101_CAR_XAC 8 0 0 0 0 0 3 0 0 1 4 0,03 0,25 0,14 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,415 







(PA + 

UA)/2 



(PA + 

UA)/2 


04511_PHR_PHR 1 0 2 0 0 0 0 0 0 0 2 0,12 1,00 0,56 

04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAP 3 0 9 1 8 0 6 0 0 3 27 0,73 0,30 0,51 

05101_CAR_XGR 4 0 2 6 3 11 3 0 3 18 46 0,85 0,24 0,54 

05102_MOL_MOL 5 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05103_CAL_XXX 6 0 2 6 0 2 21 25 2 5 63 1,00 0,40 0,70 

051311_PHR_PHR 7 0 0 0 0 0 0 0 4 0 4 0,44 1,00 0,72 

05101_CAR_XAC 8 0 0 0 0 0 2 0 0 3 5 0,10 0,60 0,35 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,489 


04511_PHR_PHR 1 0 3 0 0 0 0 0 0 0 3 0,18 1,00 0,59 

04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAP 3 0 8 0 6 0 7 0 0 4 25 0,55 0,24 0,39 

05101_CAR_XGR 4 0 2 3 5 10 2 0 2 16 40 0,77 0,25 0,51 

05102_MOL_MOL 5 0 0 0 0 0 1 0 0 0 1 0,03 1,00 0,52 

05103_CAL_XXX 6 0 3 10 0 3 23 25 4 10 78 1,00 0,32 0,66 

051311_PHR_PHR 7 0 0 0 0 0 0 0 3 0 3 0,33 1,00 0,67 

05101_CAR_XAC 8 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,467 







(PA + 

UA)/2 



(PA + 

UA)/2 


04511_PHR_PHR 1 0 3 0 0 0 0 0 0 0 3 0,18 1,00 0,59 

04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAP 3 0 11 3 8 0 10 0 1 11 44 0,73 0,18 0,45 

05101_CAR_XGR 4 0 2 7 3 13 5 2 3 16 51 1,00 0,25 0,63 

05102_MOL_MOL 5 0 0 0 0 0 6 0 0 0 6 0,18 1,00 0,59 

05103_CAL_XXX 6 0 0 3 0 0 12 23 0 3 41 0,92 0,56 0,74 

051311_PHR_PHR 7 0 0 0 0 0 0 0 5 0 5 0,56 1,00 0,78 

05101_CAR_XAC 8 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,519 


04511_PHR_PHR 1 0 3 0 0 0 0 0 0 0 3 0,18 1,00 0,59 

04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAP 3 0 6 1 7 0 6 0 0 6 26 0,64 0,27 0,45 

05101_CAR_XGR 4 0 2 7 4 11 3 0 3 18 48 0,85 0,23 0,54 

05102_MOL_MOL 5 0 3 0 0 0 9 0 0 0 12 0,27 0,75 0,51 

05103_CAL_XXX 6 0 2 6 0 2 15 25 2 5 57 1,00 0,44 0,72 

051311_PHR_PHR 7 0 0 0 0 0 0 0 4 0 4 0,44 1,00 0,72 

05101_CAR_XAC 8 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,521 

98 

99

Anhang 

_____________________________________________________________________________________________________ 

SAM-Klassifikation mit Bildspektren als Endmember und der ersten Ableitung der 

MNF-transformierten HyMap-Szene 

Tabelle A. 42 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der ersten Ableitung der MNFtransformatierten 




(PA + 

UA)/2 


04511_PHR_PHR 1 0 13 0 4 3 0 0 0 4 24 0,76 0,54 0,65 

04514_CAR_PHA 2 0 0 3 0 0 0 1 0 0 4 0,20 0,75 0,48 

05101_CAR_XAC 3 0 0 0 16 0 0 5 0 0 21 0,53 0,76 0,65 

05101_CAR_XAP 4 0 0 0 3 7 0 2 0 0 12 0,64 0,58 0,61 

05101_CAR_XGR 5 0 0 0 0 0 3 0 0 0 3 0,23 1,00 0,62 

05102_MOL_MOL 6 0 0 1 1 0 0 19 0 0 21 0,58 0,90 0,74 

05103_CAL_XXX 7 0 0 0 0 0 0 0 23 0 23 0,92 1,00 0,96 

051311_PHR_PHR 8 0 0 0 1 0 0 0 2 5 8 0,56 0,63 0,59 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,653 

Anhang 

_____________________________________________________________________________________________________ 





(PA + 

UA)/2 


04511_PHR_PHR 1 0 16 0 4 3 0 0 0 4 27 0,94 0,59 0,77 

04514_CAR_PHA 2 0 0 9 2 0 0 1 0 0 12 0,60 0,75 0,68 

05101_CAR_XAC 3 0 0 0 15 0 1 8 0 0 24 0,50 0,63 0,56 

05101_CAR_XAP 4 0 0 0 3 7 0 1 0 0 11 0,64 0,64 0,64 

05101_CAR_XGR 5 0 0 1 1 0 10 0 0 0 12 0,77 0,83 0,80 

05102_MOL_MOL 6 0 0 1 2 0 1 23 0 0 27 0,70 0,85 0,77 

05103_CAL_XXX 7 0 0 0 0 0 0 0 23 0 23 0,92 1,00 0,96 

051311_PHR_PHR 8 0 0 0 1 0 0 0 2 5 8 0,56 0,63 0,59 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,766 







(PA + 

UA)/2 



(PA + 

UA)/2 


04511_PHR_PHR 1 0 13 0 4 3 0 0 0 4 24 0,76 0,54 0,65 

04514_CAR_PHA 2 0 0 9 2 0 0 1 0 0 12 0,60 0,75 0,68 

05101_CAR_XAC 3 0 0 0 15 0 1 8 0 0 24 0,50 0,63 0,56 

05101_CAR_XAP 4 0 0 0 3 7 0 1 0 0 11 0,64 0,64 0,64 

05101_CAR_XGR 5 0 0 1 1 0 11 0 0 0 13 0,85 0,85 0,85 

05102_MOL_MOL 6 0 0 1 2 0 0 23 0 0 26 0,70 0,88 0,79 

05103_CAL_XXX 7 0 0 0 0 0 0 0 23 0 23 0,92 1,00 0,96 

051311_PHR_PHR 8 0 0 0 1 0 0 0 2 5 8 0,56 0,63 0,59 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,755 


04511_PHR_PHR 1 0 15 1 4 3 0 0 0 4 27 0,88 0,56 0,72 

04514_CAR_PHA 2 0 2 8 2 1 0 1 0 0 14 0,53 0,57 0,55 

05101_CAR_XAC 3 0 0 0 15 0 0 4 0 0 19 0,50 0,79 0,64 

05101_CAR_XAP 4 0 0 0 3 7 0 1 0 0 11 0,64 0,64 0,64 

05101_CAR_XGR 5 0 0 1 3 0 11 0 0 0 15 0,85 0,73 0,79 

05102_MOL_MOL 6 0 0 2 2 0 1 27 0 0 32 0,82 0,84 0,83 

05103_CAL_XXX 7 0 0 0 0 0 1 0 23 0 24 0,92 0,96 0,94 

051311_PHR_PHR 8 0 0 1 1 0 0 0 2 5 9 0,56 0,56 0,56 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,784 







(PA + 

UA)/2 



(PA + 

UA)/2 


04511_PHR_PHR 1 0 15 1 4 3 0 0 0 4 27 0,88 0,56 0,72 

04514_CAR_PHA 2 0 2 6 2 1 0 1 0 0 12 0,40 0,50 0,45 

05101_CAR_XAC 3 0 0 0 15 0 0 4 0 0 19 0,50 0,79 0,64 

05101_CAR_XAP 4 0 0 0 3 7 0 1 0 0 11 0,64 0,64 0,64 

05101_CAR_XGR 5 0 0 1 3 0 11 0 0 0 15 0,85 0,73 0,79 

05102_MOL_MOL 6 0 0 2 2 0 1 27 0 0 32 0,82 0,84 0,83 

05103_CAL_XXX 7 0 0 0 0 0 1 0 23 0 24 0,92 0,96 0,94 

051311_PHR_PHR 8 0 0 3 1 0 0 0 2 5 11 0,56 0,45 0,51 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,774 


04511_PHR_PHR 1 0 17 2 4 3 0 0 0 4 30 1,00 0,57 0,78 

04514_CAR_PHA 2 0 0 4 1 1 0 1 0 0 7 0,27 0,57 0,42 

05101_CAR_XAC 3 0 0 0 15 0 0 1 0 0 16 0,50 0,94 0,72 

05101_CAR_XAP 4 0 0 0 3 7 1 3 0 0 14 0,64 0,50 0,57 

05101_CAR_XGR 5 0 0 1 3 0 10 0 0 0 14 0,77 0,71 0,74 

05102_MOL_MOL 6 0 0 2 2 0 1 27 0 0 32 0,82 0,84 0,83 

05103_CAL_XXX 7 0 0 0 0 0 1 1 23 0 25 0,92 0,92 0,92 

051311_PHR_PHR 8 0 0 4 2 0 0 0 2 5 13 0,56 0,38 0,47 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,769 

100 

101

Anhang 

_____________________________________________________________________________________________________ 

SAM-Klassifikation mit Feldspektren als Endmember und der zweiten und dritten 

Ableitung der MNF-transformierten HyMap-Szene 

Tabelle A. 48 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der zweiten Ableitung der MNFtransformatierten 




(PA + 

UA)/2 


04511_PHR_PHR 1 0 3 0 0 0 0 0 0 0 3 0,18 1,00 0,59 

04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAP 3 0 1 0 0 0 1 0 0 0 2 0,00 0,00 0,00 

05101_CAR_XGR 4 0 3 10 3 10 1 6 4 7 44 0,77 0,23 0,50 

05102_MOL_MOL 5 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05103_CAL_XXX 6 0 4 3 2 0 24 18 5 3 59 0,72 0,31 0,51 

051311_PHR_PHR 7 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAC 8 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,350 

Anhang 

_____________________________________________________________________________________________________ 





(PA + 

UA)/2 


04511_PHR_PHR 1 0 3 0 0 0 0 0 0 0 3 0,18 1,00 0,59 

04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAP 3 0 1 0 1 0 0 0 0 0 2 0,09 0,50 0,30 

05101_CAR_XGR 4 0 4 10 6 13 1 0 3 16 53 1,00 0,25 0,62 

05102_MOL_MOL 5 0 0 0 0 0 1 0 0 0 1 0,03 1,00 0,52 

05103_CAL_XXX 6 0 7 3 4 0 29 25 6 12 86 1,00 0,29 0,65 

051311_PHR_PHR 7 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAC 8 0 0 0 0 0 1 0 0 0 1 0,00 0,00 0,00 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,415 







(PA + 

UA)/2 



(PA + 

UA)/2 


04511_PHR_PHR 1 0 2 0 0 0 0 0 0 0 2 0,12 1,00 0,56 

04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAP 3 0 3 0 2 0 0 0 0 0 5 0,18 0,40 0,29 

05101_CAR_XGR 4 0 8 11 9 13 6 9 7 24 87 1,00 0,15 0,57 

05102_MOL_MOL 5 0 0 0 0 0 1 0 0 0 1 0,03 1,00 0,52 

05103_CAL_XXX 6 0 2 2 0 0 23 16 2 2 47 0,64 0,34 0,49 

051311_PHR_PHR 7 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAC 8 0 0 0 0 0 2 0 0 2 4 0,07 0,50 0,28 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,489 


04511_PHR_PHR 1 0 2 0 0 0 0 0 0 0 2 0,12 1,00 0,56 

04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAP 3 0 3 0 1 0 0 0 0 0 4 0,09 0,25 0,17 

05101_CAR_XGR 4 0 6 12 9 13 2 1 3 23 69 1,00 0,19 0,59 

05102_MOL_MOL 5 0 0 0 0 0 1 0 0 0 1 0,03 1,00 0,52 

05103_CAL_XXX 6 0 5 2 1 0 28 24 6 6 72 0,96 0,33 0,65 

051311_PHR_PHR 7 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAC 8 0 0 0 0 0 2 0 0 0 2 0,00 0,00 0,00 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,464 







(PA + 

UA)/2 



(PA + 

UA)/2 


04511_PHR_PHR 1 0 3 0 0 0 0 0 0 0 3 0,18 1,00 0,59 

04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAP 3 0 3 0 2 0 0 0 0 0 5 0,18 0,40 0,29 

05101_CAR_XGR 4 0 9 12 9 13 8 11 8 26 96 1,00 0,14 0,57 

05102_MOL_MOL 5 0 0 0 0 0 1 0 0 0 1 0,03 1,00 0,52 

05103_CAL_XXX 6 0 1 1 0 0 19 14 0 1 36 0,56 0,39 0,47 

051311_PHR_PHR 7 0 0 0 0 0 0 0 1 0 1 0,11 1,00 0,56 

05101_CAR_XAC 8 0 0 0 0 0 4 0 0 2 6 0,07 0,33 0,20 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,519 


04511_PHR_PHR 1 0 3 0 0 0 0 0 0 0 3 0,18 1,00 0,59 

04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAP 3 0 1 0 1 0 0 0 0 0 2 0,09 0,50 0,30 

05101_CAR_XGR 4 0 8 12 10 13 6 8 4 26 87 1,00 0,15 0,57 

05102_MOL_MOL 5 0 0 0 0 0 1 0 0 0 1 0,03 1,00 0,52 

05103_CAL_XXX 6 0 4 2 0 0 25 17 5 4 57 0,68 0,30 0,49 

051311_PHR_PHR 7 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAC 8 0 0 0 0 0 1 0 0 0 1 0,00 0,00 0,00 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,521 

102 

103

Anhang 

_____________________________________________________________________________________________________ 

Tabelle A. 54 Konfusionsmatrix der SAM-Klassifikation mit Feldspektren als Endmember, mit der dritten Ableitung der MNFtransformatierten 


Anhang 

_____________________________________________________________________________________________________ 





(PA + UA)/2 



(PA + 

UA)/2 


04511_PHR_PHR 1 0 2 0 0 0 0 0 0 0 2 0,12 1,00 0,56 

04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAP 3 0 0 0 2 0 6 0 0 0 8 0,18 0,25 0,22 

05101_CAR_XGR 4 0 2 5 3 8 1 0 0 2 21 0,62 0,38 0,50 

05102_MOL_MOL 5 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05103_CAL_XXX 6 0 6 8 3 1 18 25 9 11 81 1,00 0,31 0,65 

051311_PHR_PHR 7 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAC 8 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,369 


04511_PHR_PHR 1 0 3 0 0 0 0 0 0 0 3 0,18 1,00 0,59 

04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAP 3 0 3 0 2 0 8 0 0 0 13 0,18 0,15 0,17 

05101_CAR_XGR 4 0 0 4 5 10 1 0 0 12 32 0,77 0,31 0,54 

05102_MOL_MOL 5 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05103_CAL_XXX 6 0 8 9 4 3 23 25 9 15 96 1,00 0,26 0,63 

051311_PHR_PHR 7 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAC 8 0 1 0 0 0 0 0 0 2 3 0,07 0,67 0,37 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,427 







(PA + 

UA)/2 



(PA + 

UA)/2 


04511_PHR_PHR 1 0 3 0 0 0 0 0 0 0 3 0,18 1,00 0,59 

04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAP 3 0 3 0 2 0 12 0 0 0 17 0,18 0,12 0,15 

05101_CAR_XGR 4 0 2 8 7 13 3 2 0 11 46 1,00 0,28 0,64 

05102_MOL_MOL 5 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05103_CAL_XXX 6 0 5 5 0 0 14 23 5 4 56 0,92 0,41 0,67 

051311_PHR_PHR 7 0 0 0 0 0 0 0 4 0 4 0,44 1,00 0,72 

05101_CAR_XAC 8 0 2 0 2 0 3 0 0 13 20 0,43 0,65 0,54 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,511 


04511_PHR_PHR 1 0 2 0 0 0 0 0 0 0 2 0,12 1,00 0,56 

04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAP 3 0 2 0 2 0 6 0 0 0 10 0,18 0,20 0,19 

05101_CAR_XGR 4 0 1 6 3 10 2 0 0 8 30 0,77 0,33 0,55 

05102_MOL_MOL 5 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05103_CAL_XXX 6 0 7 8 4 2 21 25 9 9 85 1,00 0,29 0,65 

051311_PHR_PHR 7 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAC 8 0 4 0 2 1 4 0 0 13 24 0,43 0,54 0,49 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,480 







(PA + 

UA)/2 



(PA + 

UA)/2 


04511_PHR_PHR 1 0 2 0 0 0 0 0 0 0 2 0,12 1,00 0,56 

04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAP 3 0 3 0 2 0 10 0 0 0 15 0,18 0,13 0,16 

05101_CAR_XGR 4 0 2 12 4 13 0 1 0 10 42 1,00 0,31 0,65 

05102_MOL_MOL 5 0 0 0 0 0 2 0 0 0 2 0,06 1,00 0,53 

05103_CAL_XXX 6 0 1 0 0 0 11 15 0 1 28 0,60 0,54 0,57 

051311_PHR_PHR 7 0 1 0 0 0 0 0 4 0 5 0,44 0,80 0,62 

05101_CAR_XAC 8 0 7 1 5 0 9 9 5 19 55 0,63 0,35 0,49 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,505 


04511_PHR_PHR 1 0 2 0 0 0 0 0 0 0 2 0,12 1,00 0,56 

04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAP 3 0 2 0 2 0 6 0 0 0 10 0,18 0,20 0,19 

05101_CAR_XGR 4 0 0 8 3 11 0 0 0 7 29 0,85 0,38 0,61 

05102_MOL_MOL 5 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05103_CAL_XXX 6 0 6 6 2 1 14 24 6 4 63 0,96 0,38 0,67 

051311_PHR_PHR 7 0 0 0 0 0 0 0 1 0 1 0,11 1,00 0,56 

05101_CAR_XAC 8 0 6 0 4 1 13 1 2 19 46 0,63 0,41 0,52 


Summe 88 17 15 11 13 33 25 9 30 241 Kappa 0,515 

104 

105

Anhang 

_____________________________________________________________________________________________________ 

SAM-Klassifikation mit Bildspektren als Endmember und der zweiten und dritten 

Ableitung der MNF-transformierten HyMap-Szene 

Tabelle A. 60 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der zweiten Ableitung der MNFtransformatierten 




(PA + 

UA)/2 


04511_PHR_PHR 1 0 10 0 3 3 0 0 0 4 20 0,59 0,50 0,54 

04514_CAR_PHA 2 0 0 3 0 0 1 0 0 0 4 0,20 0,75 0,48 

05101_CAR_XAC 3 0 0 0 11 0 0 1 0 0 12 0,37 0,92 0,64 

05101_CAR_XAP 4 0 0 0 8 6 0 1 0 0 15 0,55 0,40 0,47 

05101_CAR_XGR 5 0 0 0 0 0 1 0 0 0 1 0,08 1,00 0,54 

05102_MOL_MOL 6 0 0 0 2 0 0 24 0 0 26 0,73 0,92 0,83 

05103_CAL_XXX 7 0 0 0 0 0 1 0 23 0 24 0,92 0,96 0,94 

051311_PHR_PHR 8 0 0 0 1 0 0 0 2 4 7 0,44 0,57 0,51 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,611 

Anhang 

_____________________________________________________________________________________________________ 





(PA + 

UA)/2 


04511_PHR_PHR 1 0 13 0 4 2 0 0 0 4 23 0,76 0,57 0,66 

04514_CAR_PHA 2 0 1 11 2 1 2 0 0 0 17 0,73 0,65 0,69 

05101_CAR_XAC 3 0 0 0 10 0 0 2 0 0 12 0,33 0,83 0,58 

05101_CAR_XAP 4 0 0 0 10 7 0 0 0 0 17 0,64 0,41 0,52 

05101_CAR_XGR 5 0 0 1 0 0 9 0 0 0 10 0,69 0,90 0,80 

05102_MOL_MOL 6 0 0 1 1 0 0 30 0 0 32 0,91 0,94 0,92 

05103_CAL_XXX 7 0 0 0 0 0 1 1 23 0 25 0,92 0,92 0,92 

051311_PHR_PHR 8 0 0 0 1 0 0 0 2 5 8 0,56 0,63 0,59 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,767 







(PA + 

UA)/2 



(PA + 

UA)/2 


04511_PHR_PHR 1 0 13 0 3 2 0 0 0 4 22 0,76 0,59 0,68 

04514_CAR_PHA 2 0 1 12 2 1 3 0 0 0 19 0,80 0,63 0,72 

05101_CAR_XAC 3 0 0 0 10 0 0 2 0 0 12 0,33 0,83 0,58 

05101_CAR_XAP 4 0 0 0 11 7 0 0 0 0 18 0,64 0,39 0,51 

05101_CAR_XGR 5 0 0 0 0 0 7 0 0 0 7 0,54 1,00 0,77 

05102_MOL_MOL 6 0 0 1 1 0 0 29 0 0 31 0,88 0,94 0,91 

05103_CAL_XXX 7 0 0 0 0 0 1 0 23 0 24 0,92 0,96 0,94 

051311_PHR_PHR 8 0 0 0 1 0 0 0 2 5 8 0,56 0,63 0,59 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,755 


04511_PHR_PHR 1 0 14 1 4 3 0 0 0 4 26 0,82 0,54 0,68 

04514_CAR_PHA 2 0 2 10 2 0 2 0 0 0 16 0,67 0,63 0,65 

05101_CAR_XAC 3 0 0 0 10 0 0 2 0 0 12 0,33 0,83 0,58 

05101_CAR_XAP 4 0 0 0 9 7 0 1 0 0 17 0,64 0,41 0,52 

05101_CAR_XGR 5 0 0 1 1 0 10 0 0 0 12 0,77 0,83 0,80 

05102_MOL_MOL 6 0 0 1 2 0 0 29 0 0 32 0,88 0,91 0,89 

05103_CAL_XXX 7 0 0 0 0 0 1 1 23 0 25 0,92 0,92 0,92 

051311_PHR_PHR 8 0 0 0 1 0 0 0 2 5 8 0,56 0,63 0,59 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,768 







(PA + 

UA)/2 



(PA + 

UA)/2 


04511_PHR_PHR 1 0 14 1 4 3 0 0 0 4 26 0,82 0,54 0,68 

04514_CAR_PHA 2 0 2 10 3 0 3 0 0 0 18 0,67 0,56 0,61 

05101_CAR_XAC 3 0 0 0 11 0 0 2 0 0 13 0,37 0,85 0,61 

05101_CAR_XAP 4 0 0 0 9 7 0 0 0 0 16 0,64 0,44 0,54 

05101_CAR_XGR 5 0 0 1 0 0 9 0 0 0 10 0,69 0,90 0,80 

05102_MOL_MOL 6 0 0 1 2 0 0 30 0 0 33 0,91 0,91 0,91 

05103_CAL_XXX 7 0 0 0 0 0 1 1 23 0 25 0,92 0,92 0,92 

051311_PHR_PHR 8 0 0 0 1 0 0 0 2 5 8 0,56 0,63 0,59 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,773 


04511_PHR_PHR 1 0 14 1 4 4 0 0 0 4 27 0,82 0,52 0,67 

04514_CAR_PHA 2 0 3 10 2 1 0 0 0 0 16 0,67 0,63 0,65 

05101_CAR_XAC 3 0 0 0 10 0 0 1 0 0 11 0,33 0,91 0,62 

05101_CAR_XAP 4 0 0 0 9 6 0 1 0 0 16 0,55 0,38 0,46 

05101_CAR_XGR 5 0 0 0 2 0 9 0 0 0 11 0,69 0,82 0,76 

05102_MOL_MOL 6 0 0 1 2 0 1 30 0 0 34 0,91 0,88 0,90 

05103_CAL_XXX 7 0 0 1 0 0 3 1 23 0 28 0,92 0,82 0,87 

051311_PHR_PHR 8 0 0 1 1 0 0 0 2 5 9 0,56 0,56 0,56 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,764 

106 

107

Anhang 

_____________________________________________________________________________________________________ 

Tabelle A. 66 Konfusionsmatrix der SAM-Klassifikation mit Bildspektren als Endmember, mit der dritten Ableitung der MNFtransformatierten 


Anhang 

_____________________________________________________________________________________________________ 





(PA + UA)/2 



(PA + 

UA)/2 


04511_PHR_PHR 1 0 10 0 4 3 0 0 0 3 20 0,59 0,50 0,54 

04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAC 3 0 0 0 8 0 0 0 0 0 8 0,27 1,00 0,63 

05101_CAR_XAP 4 0 0 0 10 7 0 3 0 0 20 0,64 0,35 0,49 

05101_CAR_XGR 5 0 0 2 1 0 5 0 0 0 8 0,38 0,63 0,50 

05102_MOL_MOL 6 0 0 1 1 0 0 20 0 0 22 0,61 0,91 0,76 

05103_CAL_XXX 7 0 0 0 1 0 1 1 23 0 26 0,92 0,88 0,90 

051311_PHR_PHR 8 0 0 0 1 0 0 0 2 6 9 0,67 0,67 0,67 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,599 


04511_PHR_PHR 1 0 17 1 5 4 0 0 0 3 30 1,00 0,57 0,78 

04514_CAR_PHA 2 0 0 0 0 0 0 0 0 0 0 0,00 0,00 0,00 

05101_CAR_XAC 3 0 0 0 9 0 0 0 0 0 9 0,30 1,00 0,65 

05101_CAR_XAP 4 0 0 2 9 6 3 5 0 0 25 0,55 0,24 0,39 

05101_CAR_XGR 5 0 0 5 2 0 7 0 0 0 14 0,54 0,50 0,52 

05102_MOL_MOL 6 0 0 0 1 0 0 23 0 0 24 0,70 0,96 0,83 

05103_CAL_XXX 7 0 0 2 1 0 2 2 23 0 30 0,92 0,77 0,84 

051311_PHR_PHR 8 0 0 0 1 0 0 0 2 6 9 0,67 0,67 0,67 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,678 







(PA + 

UA)/2 



(PA + 

UA)/2 


04511_PHR_PHR 1 0 17 1 5 4 0 0 0 3 30 1,00 0,57 0,78 

04514_CAR_PHA 2 0 0 3 1 0 0 0 0 0 4 0,20 0,75 0,48 

05101_CAR_XAC 3 0 0 0 10 0 0 1 0 0 11 0,33 0,91 0,62 

05101_CAR_XAP 4 0 0 1 7 6 0 5 0 0 19 0,55 0,32 0,43 

05101_CAR_XGR 5 0 0 2 1 0 9 0 0 0 12 0,69 0,75 0,72 

05102_MOL_MOL 6 0 0 1 1 0 1 23 0 0 26 0,70 0,88 0,79 

05103_CAL_XXX 7 0 0 1 1 0 1 1 23 0 27 0,92 0,85 0,89 

051311_PHR_PHR 8 0 0 0 1 0 0 0 2 6 9 0,67 0,67 0,67 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,707 


04511_PHR_PHR 1 0 17 3 5 4 0 0 0 3 32 1,00 0,53 0,77 

04514_CAR_PHA 2 0 0 1 0 0 0 0 0 0 1 0,07 1,00 0,53 

05101_CAR_XAC 3 0 0 0 9 0 0 1 0 0 10 0,30 0,90 0,60 

05101_CAR_XAP 4 0 0 3 10 6 2 7 0 0 28 0,55 0,21 0,38 

05101_CAR_XGR 5 0 0 2 1 0 8 0 0 0 11 0,62 0,73 0,67 

05102_MOL_MOL 6 0 0 2 2 0 1 23 0 0 28 0,70 0,82 0,76 

05103_CAL_XXX 7 0 0 2 1 0 2 2 23 0 30 0,92 0,77 0,84 

051311_PHR_PHR 8 0 0 0 1 0 0 0 2 6 9 0,67 0,67 0,67 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,692 







(PA + 

UA)/2 



(PA + 

UA)/2 


04511_PHR_PHR 1 0 17 1 5 4 0 0 0 3 30 1,00 0,57 0,78 

04514_CAR_PHA 2 0 0 1 0 0 0 0 0 0 1 0,07 1,00 0,53 

05101_CAR_XAC 3 0 0 0 9 0 0 2 0 0 11 0,30 0,82 0,56 

05101_CAR_XAP 4 0 0 1 9 6 1 4 0 0 21 0,55 0,29 0,42 

05101_CAR_XGR 5 0 0 5 2 0 9 0 0 0 16 0,69 0,56 0,63 

05102_MOL_MOL 6 0 0 3 2 0 1 23 0 0 29 0,70 0,79 0,75 

05103_CAL_XXX 7 0 0 2 1 0 2 2 23 0 30 0,92 0,77 0,84 

051311_PHR_PHR 8 0 0 0 1 0 0 0 2 6 9 0,67 0,67 0,67 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,696 


04511_PHR_PHR 1 0 17 3 5 4 0 0 0 3 32 1,00 0,53 0,77 

04514_CAR_PHA 2 0 0 1 0 0 0 0 0 0 1 0,07 1,00 0,53 

05101_CAR_XAC 3 0 0 0 9 0 0 0 0 0 9 0,30 1,00 0,65 

05101_CAR_XAP 4 0 0 3 10 6 1 8 0 0 28 0,55 0,21 0,38 

05101_CAR_XGR 5 0 0 0 1 0 8 0 0 0 9 0,62 0,89 0,75 

05102_MOL_MOL 6 0 0 3 3 0 1 23 0 0 30 0,70 0,77 0,73 

05103_CAL_XXX 7 0 0 2 1 0 3 2 23 0 31 0,92 0,74 0,83 

051311_PHR_PHR 8 0 0 1 1 0 0 0 2 6 10 0,67 0,60 0,63 


Summe 88 17 15 30 11 13 33 25 9 241 Kappa 0,692 

108 

109

Anhang 

_____________________________________________________________________________________________________ 

Anhang K. 1 Übersicht über die nach §32 BrbNatSchG geschützten Biotoptypen (EIGENE DARSTELLUNG 2010) 

110

Anhang 

_____________________________________________________________________________________________________ 

Anhang K. 2 Ausmaskiertes Untersuchungsgebiet (EIGENE DARSTELLUNG 2010) 

111

Anhang 

_____________________________________________________________________________________________________ 

Anhang K. 3 SAM-Klassifikationsergebnis (Endmember aus Feldspektren; MNF-transformierte HyMap-Szene; Schwellenwert α 

E mean + 1 sd) (EIGENE DARSTELLUNG 2010) 

112

Anhang 

_____________________________________________________________________________________________________ 

Anhang K. 4 SAM-Klassifikationsergebnis (Endmember aus Bildspektren; MNF-transformierte HyMap-Szene; Schwellenwert α 

E mean + 1 sd) (EIGENE DARSTELLUNG 2010) 

113

Anhang 

_____________________________________________________________________________________________________ 

Anhang K. 5 SAM-Klassifikationsergebnis (Endmember aus Feldspektren; erste Ableitung der MNF-transformierten HyMap- 

Szene; Schwellenwert α E mean + 2 sd) (EIGENE DARSTELLUNG 2010) 

114

Anhang 

_____________________________________________________________________________________________________ 

Anhang K. 6 SAM-Klassifikationsergebnis (Endmember aus Bildspektren; erste Ableitung der MNF-transformierten HyMap- 

Szene; Schwellenwert α E mean + 1 sd) (EIGENE DARSTELLUNG 2010) 

115

Anhang 

_____________________________________________________________________________________________________ 

Anhang K. 7 MTMF-Klassifikationsergebnis von 05101_CAR_XAP (Endmember aus Feldspektren; MNF-transformierte HyMap- 

Szene) (EIGENE DARSTELLUNG 2010) 

116

Anhang 

_____________________________________________________________________________________________________ 

Anhang K. 8 MTMF-Klassifikationsergebnis von 05102_MOL_MOL (Endmember aus Feldspektren; MNF-transformierte HyMap- 


117

Anhang 

_____________________________________________________________________________________________________ 

Anhang K. 9 MTMF-Klassifikationsergebnis von 05103_CAL_XXX (Endmember aus Feldspektren; MNF-transformierte HyMap- 


118

Anhang 

_____________________________________________________________________________________________________ 

Anhang K. 10 MTMF-Klassifikationsergebnis von 051311_PHR_PHR (Endmember aus Feldspektren; MNF-transformierte 

HyMap-Szene) (EIGENE DARSTELLUNG 2010) 

119

Anhang 

_____________________________________________________________________________________________________ 

Anhang K. 11 MTMF-Klassifikationsergebnis von 05101_CAR_XAC (Endmember aus Bildspektren; MNF-transformierte HyMap- 


120

Anhang 

_____________________________________________________________________________________________________ 

Anhang K. 12 MTMF-Klassifikationsergebnis von 05102_MOL_MOL (Endmember aus Bildspektren; MNF-transformierte 

HyMap-Szene) (EIGENE DARSTELLUNG 2010) 

121

Anhang 

_____________________________________________________________________________________________________ 

Anhang K. 13 MTMF-Klassifikationsergebnis von 05103_CAL_XXX (Endmember aus Bildspektren; MNF-transformierte HyMap- 


122

Anhang 

_____________________________________________________________________________________________________ 

Anhang K. 14 MTMF-Klassifikationsergebnis von 05103_CAL_XXX (Endmember aus Bildspektren; MNF-transformierte HyMap- 


123

Erklärung 

Ich erkläre hiermit, dass ich diese Arbeit selbstständig erstellt und nur die angegebenen 

Hilfen benutzt habe. 

Anschrift: 

Dennewitz 7, 14913 Niedergörsdorf 

Niedergörsdorf, den 28.03.2010 

__________________________ 

Kristin Körth

Diplomarbeit Körth - Fakultät VI Planen Bauen Umwelt - TU Berlin

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?