Download - Institute of Photogrammetry and Remote Sensing

More documents

Recommendations

Info

Zusammenfassung zu berechnen. Die a priori Abschätzungen und die Kovarianz, die basierend auf diesen Schätzungen berechnet wird, spielen eine entscheidende Rolle in der Stabilisierung der Modellinversion und in der Reduzierung der Mehrdeutigkeit zwischen Variablen mit sich ergänzender spektraler Auswirkung. Die Leistung und Stabilität des neuen Verfahrens wurden getestet auf drei räumlichen Skalenniveaus. Dazu gehören Bodenmessungen durchgeführt mit einem Feldspektrometer, Daten aufgenommen mit dem flugzeuggetragenen HyMap-Sensor und multi-direktionale CHRIS/PROBA Satellitenaufnahmen. Während die Feldspektrometermessungen den direkten Vergleich zwischen spektraler Signatur und Bestandesmessung ermöglichten, indem geometrische und atmosphärische Unsicherheiten ausgeschlossen wurden, boten die flugzeug- und satellitengestützten Aufnahmen einen tieferen Einblick in die Effekte verursacht durch wechselnde Aufnahme- und Sonnengeometrie. Für die Feldspektrometermessungen und HyMap-Aufnahmen wurde die Validierung des Verfahrens auf mehreren intensiv bewirtschafteten Grünlandflächen in Südostbayern durchgeführt, wobei Cw, Cdm und LAI gemessen wurden. Bodenmessungen von Cab und LAI, erhoben für Baumwolle in Uzbekistan, wurden verwendet um die Abschätzungen basierend auf den CHRIS-Daten zu validieren. Mittels resampleten gemessenen Feldspektren wurde getestet, welche Auswirkung unterschiedliche hyper- und multi-spektrale Bandkonfigurationen (HyMap, CHRIS, Landsat ETM+, SPOT HRG, Quickbird) auf die Ableitungsgenauigkeit von Cw, Cdm, and LAI hatten. Die HyMap spektrale Konfiguration, mit gleichmäßig verteilten schmalen Bändern über das gesamte reflektive Spektrum, schnitt am besten ab, gefolgt von der multi-spektralen Landsat ETM+ Konfiguration. Letzteres Ergebnis zeigt, dass Konfigurationen mit gleichmäßig über das Gesamtspektrum verteilten unkorrelierten Kanälen mehr zu einer stabilen Inversion beitragen als eine hohe Zahl von korrelierten Bändern in einem eingeschränkten spektralen Bereich, ähnlich wie beim CHRIS-Sensor. Die Angliederung von SWIR Kanälen führt zu einer deutlichen Stabilisierung der Wassergehaltabschätzung und damit zu einer Stabilisierung der gesamten Invertierung. Die mittlere Genauigkeit, die für die HyMap Konfiguration erreicht wurde, lag bei 70% für die drei Variablen und variierte zwischen 62-89%, wenn die Grünlandflächen nach phenologischen Klassen aufgeteilt wurden. Die minimale und maximale relative mittlere quadratische Abweichung (rRMSE), die auf diesem räumlichen Niveau erreicht wurden, lagen bei 14% beziehungsweise 39%. Für die Daten des flugzeuggetragenen HyMap Sensors lag die mittlere Schätzungsgenauigkeit mit 37 - 70% bedeutend niedriger, während die rRMSE abhängig von Variable und Sonnen- / Aufnahmekonstellation zwischen 36 - 63% schwankte. Diese unbefriedigenden Ergebnisse sind der großen Diskrepanz zwischen den kleinen Validierungsplots (1 × 1 m 2 ) und dem mittleren HyMap Pixelgröße von 5 × 5 m 2 zuzuschreiben, welche vor allem in den heterogenen Weiden eine ausschlaggebende Rolle spielten. Hinzu kommt, dass die Konsistenz der Schätzungsgenauigkeit zwischen unterschiedlichen Aufnahmen von einem und dem selben Gebiet durch Anomalien in der Bodenbedeckungsklassifikation beeinflusst wurde, verursacht durch die unterschiedliche Beobachtungs- und Sonnengeometrie der Datenaufnahmen. Die Ergebnisse, die auf Satellitenebene aus den multi-direktionalen CHRIS/PROBA-Daten erzielt wurden, sind nicht direkt mit den oben erwähnten Ergebnissen vergleichbar, da sowohl der Vegetationstyp als Sensor-Konfiguration und auch berücksichtigte Variablen unterschiedlich waren. Dennoch ermöglichten die multi-direktionalen Daten einen wichtigen Einblick in die Leistung des Schätzungsverfahrens für in Reihen angeordnete Anbaupflanzen unter unterschiedlichen Beobachtungswinkeln. Außerdem wurde gezeigt, dass die gleichzeitige Inversion von mehreren Beobachtungswinkeln zu einer zusätzlichen Stabilität und Genauigkeit des Schätzungsverfahrens beiträgt. Was die einzelnen Beobachtungswinkel angeht, wurde die höchste Genauigkeit für den 55 ◦ nominalen Rückstreuungs- Blickwinkel erreicht, während die Kombination von allen Blickwinkeln außer dem maximalen vorwärts gerichteten Winkel die gesamtbeste Genauigkeit erzielte. Im letzten Fall betrug die mittlere Genauigkeit 74%, sowohl für Cab als LAI, und die rRMSE bei 22 und 33% für Cab beziehungsweise LAI. Die völlig automatisch erzeugten Ergebnisse waren nur unwesentlich schlechter als die Ergebnisse unter der Verwendung der Bodenmessungen als a priori Wissen. Die Verbesserungen,die durch Einbeziehung von mehreren Blickwinkeln erreicht wurden, unterstreicht den zusätzlichen nutzbaren Informationsgehalt von solchen Daten sogar in einer Situation, wo das Strahlungstransfermodell eine große Diskrepanz mit der Wirklichkeit vorzeigt. Die in dieser Dissertation automatisch erzeugten biogeophysikalischen Produkte zeigen dass basierend viii
Zusammenfassung auf einzelnen Aufnahmen, abbildende Spektrometer, die den gesamten reflektiven Spektralbereich von 400 - 2500 nm abdecken, die robustesten Ergebnisse liefern falls kein a priori Wissen vorhanden ist. Obwohl die erzielten Genauigkeiten noch nicht ausreichen für multi-sensor Ansätze, kann eine erhebliche zusätzliche Konsolidierung der Ergebnisse erreicht werden durch weiter verfeinerte Bodenbedeckungs- und Landnützungsklassifikatoren. Multi-direktionale hypespektrale Aufnahmen zeigen großes Potential für eine komplette und robuste automatisierte Charakterisierung von in Reihen angeordneten Anbaupflanzen. ix
Page 1: Retrieving canopy variables by radi
Page 5: German Aerospace Center - German Re
Page 8 and 9: Abstract The performance and stabil
Page 12 and 13: Zusammenfassung x
Page 14 and 15: xii in Uzbekistan and sharing the d
Page 16 and 17: Contents 2.5.1 Leaf optical models
Page 18 and 19: Contents 4.4.2 Influence of land co
Page 20 and 21: Contents xviii
Page 22 and 23: List of Figures 3.18 Example of att
Page 24 and 25: List of Figures 5.10 Influence of c
Page 26 and 27: List of Tables 5.4 Observation and
Page 28 and 29: LIDF LUT MERIS MODIS MISR MIR NIR O
Page 30 and 31: xxviii
Page 32 and 33: 1.2. User requirements on remote se
Page 34 and 35: 1.3. The challenge of providing rob
Page 36 and 37: 1.5. Research objectives et al., 20
Page 38 and 39: 1.5. Research objectives • The al
Page 40 and 41: 1.6. Structure of the thesis 10
Page 42 and 43: 2.1. Principles of solar-reflective
Page 48 and 49: 2.2. Canopy reflectance Figure 2.3:
Page 50 and 51: 2.2. Canopy reflectance Figure 2.5:
Page 52 and 53: 2.2. Canopy reflectance ARTICLE IN
Page 54 and 55: 2.3. Retrieving canopy variables by
Page 56 and 57: 2.4. Spectral unmixing for cover fr
Page 58 and 59: 2.5. Physical approaches for retrie
Page 60 and 61:
2.5. Physical approaches for retrie
Page 62 and 63:
Page 64 and 65:
Page 66 and 67:
Page 68 and 69:
2.6. Conclusions boundary layers, a
Page 70 and 71:
3.2. Choosing an appropriate radiat
Page 72 and 73:
Page 74 and 75:
Page 76 and 77:
Page 78 and 79:
Page 80 and 81:
Page 82 and 83:
3.3. The inversion approach Figure
Page 84 and 85:
Page 86 and 87:
3.3. The inversion approach LAI Fig
Page 88 and 89:
Page 90 and 91:
3.4. The optimization algorithm Fig
Page 92 and 93:
Page 94 and 95:
3.4. The optimization algorithm (a)
Page 96 and 97:
3.4. The optimization algorithm pra
Page 98 and 99:
3.4. The optimization algorithm (a)
Page 100 and 101:
Page 102 and 103:
3.4. The optimization algorithm Tab
Page 104 and 105:
3.5. Conclusions and preface to Cha
Page 106 and 107:
3.5. Conclusions and preface to Cha
Page 108 and 109:
4.1. Introduction 4.1.1 Preceding g
Page 110 and 111:
4.2. Study site and data Figure 4.1
Page 112 and 113:
Page 114 and 115:
4.2. Study site and data (a) (b) 80
Page 116 and 117:
4.2. Study site and data Table 4.1:
Page 118 and 119:
Page 120 and 121:
Page 122 and 123:
4.3. Exploring algorithm potential
Page 124 and 125:
Page 126 and 127:
Page 128 and 129:
Page 130 and 131:
Page 132 and 133:
Page 134 and 135:
Page 136 and 137:
Page 138 and 139:
Page 140 and 141:
Page 142 and 143:
Page 144 and 145:
Page 146 and 147:
Page 148 and 149:
Page 150 and 151:
Page 152 and 153:
4.4. RTM inversion applied to HyMap
Page 154 and 155:
-30° 3° -30° 3° 0° 31° 4.4
Page 156 and 157:
Page 158 and 159:
Page 160 and 161:
Page 162 and 163:
Page 164 and 165:
Page 166 and 167:
4.5. Conclusions Figure 4.40: Estim
Page 168 and 169:
4.5. Conclusions Generally, radiati
Page 170 and 171:
4.5. Conclusions 140
Page 172 and 173:
5.1. Introduction surface propertie
Page 174 and 175:
5.2. Study site and data 5.1.4 Obje
Page 176 and 177:
Page 178 and 179:
Page 180 and 181:
Page 182 and 183:
5.3. Quantifying spectral anisotrop
Page 184 and 185:
Page 186 and 187:
Page 188 and 189:
5.4. RTM inversion using the fully
Page 190 and 191:
Page 192 and 193:
Page 194 and 195:
5.5. RTM inversion including measur
Page 196 and 197:
5.6. Conclusions 5.6 Conclusions Th
Page 198 and 199:
5.6. Conclusions 168
Page 200 and 201:
6.2. Resuming the performance of th
Page 202 and 203:
Page 204 and 205:
Page 206 and 207:
6.3. Conclusions data. The large di
Page 208 and 209:
6.4. Outlook models, and ground bas
Page 210 and 211:
Class name Decision rules snow b4/b
Page 212 and 213:
B.2. SPECL class 3: Average vegetat
Page 214 and 215:
B.4. SPECL class 5: Yellow vegetati
Page 216 and 217:
B.5. SPECL class 6: Mixed vegetatio
Page 218 and 219:
B.7. SPECL class 13: Sparse vegetat
Page 220 and 221:
B.7. SPECL class 13: Sparse vegetat
Page 222 and 223:
(continued) Vegetation Index Equati
Page 224 and 225:
194
Page 226 and 227:
VIS NIR SWIR1 SWIR2 Band λ FWHM Ba
Page 228 and 229:
Table E.1: Results of canopy measur
Page 230 and 231:
200
Page 232 and 233:
Band nr. λ (nm) FWHM (nm) 1 442.5
Page 234 and 235:
Bibliography Bacour, C. (2001). Con
Page 236 and 237:
Bibliography Borel, C. C., Gerstl,
Page 238 and 239:
Bibliography Combal, B., Baret, F.,
Page 240 and 241:
Bibliography Garrigues, S., Allard,
Page 242 and 243:
Bibliography Hapke, B. (1981). Bidi
Page 244 and 245:
Bibliography Kaufman, Y. and Tanré
Page 246 and 247:
Bibliography LICOR (2000). LAI-2000
Page 248 and 249:
Bibliography Proceedings of the 8th
Page 250 and 251:
Bibliography Rondeaux, G., Steven,
Page 252 and 253:
Bibliography Suits, G. (1983). The
Page 254 and 255:
Bibliography Weiss, M., Baret, F.,
Page 256 and 257:
Bibliography 226
Page 258 and 259:
Rischbeck, P., Schneider, W., Suppa
Page 260:
Wouter Dorigo Date and place of bir
show all

Download - Institute of Photogrammetry and Remote Sensing

Create successful ePaper yourself

Delete template?

Save as template?