Grundlagen Fernerkundung: Unterschied zwischen den Versionen

Aus Waldmonitoring Wiki
 
(2 dazwischenliegende Versionen desselben Benutzers werden nicht angezeigt)
Zeile 36: Zeile 36:
  
 
Zwei waldspezifische, aus den Luftbildern abgeleitete Produkte stehen für die ganze Schweiz frei zur Verfügung: [https://opendata.swiss/de/dataset/waldmischungsgrad-lfi Waldmischungsgrad] (Laubholzanteil, 25m Auflösung) und [https://opendata.swiss/de/dataset/vegetationshohenmodell-lfi Vegetationshöhe] (Kronenhöhenmodell, 1m Auflösung). Diese Daten wurden durch das LFI bereitgestellt und sind auf [https://s.geo.admin.ch/8e2c2dcb60 https://map.geo.admin.ch] verfügbar.
 
Zwei waldspezifische, aus den Luftbildern abgeleitete Produkte stehen für die ganze Schweiz frei zur Verfügung: [https://opendata.swiss/de/dataset/waldmischungsgrad-lfi Waldmischungsgrad] (Laubholzanteil, 25m Auflösung) und [https://opendata.swiss/de/dataset/vegetationshohenmodell-lfi Vegetationshöhe] (Kronenhöhenmodell, 1m Auflösung). Diese Daten wurden durch das LFI bereitgestellt und sind auf [https://s.geo.admin.ch/8e2c2dcb60 https://map.geo.admin.ch] verfügbar.
 
[[Luftbilder]]
 
  
 
====Satellitendaten====
 
====Satellitendaten====
Zeile 43: Zeile 41:
  
 
Mit der verbesserten räumlichen und zeitlichen Auflösung von Satellitenmissionen der neuesten Generation wie insbesondere [https://de.wikipedia.org/wiki/Sentinel-2 Sentinel-2] (10-20m, Aufnahmen je nach Gebiet alle 2-5 Tage, weltweit, frei verfügbar), wurden neue Perspektiven für Anwendungen im Waldbereich eröffnet <ref>Weber D, Ginzler C, Flückiger S, Rosset C (2018) Potenzial von Sentinel-2-Satellitendaten für Anwendungen im Waldbereich. Schweizerische Zeitschrift fur Forstwesen 169: 26–34.</ref>. Die räumliche Auflösung ist für viele Anwendungen ausreichend und die häufige Wiederholung der Aufnahmen erlaubt neben der Erkennung von abrupten Veränderungen auch die Analyse der jährlichen Vegetationsaktivität sowie langfristiger Trends. Die Vorbereitung der Daten (Suchen, Herunterladen, Aufbereitung) wird zwar immer einfacher, beinhaltet aber noch diverse Hürden. Insbesondere der Umgang mit Wolken ist keine einfache Aufgabe. Zudem ist die Verarbeitung und Interpretation von Zeitreihen, welche insbesondere für das langfristige Monitoring ein hohes Potenzial hat, wesentlich komplexer als die Analyse eines einzelnen Bildes.
 
Mit der verbesserten räumlichen und zeitlichen Auflösung von Satellitenmissionen der neuesten Generation wie insbesondere [https://de.wikipedia.org/wiki/Sentinel-2 Sentinel-2] (10-20m, Aufnahmen je nach Gebiet alle 2-5 Tage, weltweit, frei verfügbar), wurden neue Perspektiven für Anwendungen im Waldbereich eröffnet <ref>Weber D, Ginzler C, Flückiger S, Rosset C (2018) Potenzial von Sentinel-2-Satellitendaten für Anwendungen im Waldbereich. Schweizerische Zeitschrift fur Forstwesen 169: 26–34.</ref>. Die räumliche Auflösung ist für viele Anwendungen ausreichend und die häufige Wiederholung der Aufnahmen erlaubt neben der Erkennung von abrupten Veränderungen auch die Analyse der jährlichen Vegetationsaktivität sowie langfristiger Trends. Die Vorbereitung der Daten (Suchen, Herunterladen, Aufbereitung) wird zwar immer einfacher, beinhaltet aber noch diverse Hürden. Insbesondere der Umgang mit Wolken ist keine einfache Aufgabe. Zudem ist die Verarbeitung und Interpretation von Zeitreihen, welche insbesondere für das langfristige Monitoring ein hohes Potenzial hat, wesentlich komplexer als die Analyse eines einzelnen Bildes.
 
[[Satellitendaten]]
 
  
 
====Drohnenbilder====
 
====Drohnenbilder====
Zeile 57: Zeile 53:
  
 
Standard-Produkte aus LiDAR-Daten sind digitale Gelände- und Oberflächenmodelle (DGM/DHM), und daraus abgeleitet Vegetationshöhenmodelle (VHM). Diese können mit relativ wenig Aufwand generiert werden. Der Einsatz in der Praxis erfolgt vor allem als Unterstützung bei der visuellen Interpretation und teilweise auch mit spezifischen halb- bis vollautomatischen Tools zur Erarbeitung von Bestandeskarten oder für Vorratsschätzungen. Die Punktdichte liegt zurzeit in den meisten Fällen bei ca. 20 Pkt./ m2. Bessere Datensätze existieren (z.B. Kanton Neuenburg) und erweitern die Anwendungsmöglichkeiten (z.B. BHD-Bestimmung direkt aus der Punktwolke<ref>Parkan M (2018) Combined use of airborne laser scanning and hyperspectral imaging for forest inventories: Doctoral Program in Civil and Environmental Engineering. École Polytechnique Fédérale de Lausanne (EPFL).</ref>).
 
Standard-Produkte aus LiDAR-Daten sind digitale Gelände- und Oberflächenmodelle (DGM/DHM), und daraus abgeleitet Vegetationshöhenmodelle (VHM). Diese können mit relativ wenig Aufwand generiert werden. Der Einsatz in der Praxis erfolgt vor allem als Unterstützung bei der visuellen Interpretation und teilweise auch mit spezifischen halb- bis vollautomatischen Tools zur Erarbeitung von Bestandeskarten oder für Vorratsschätzungen. Die Punktdichte liegt zurzeit in den meisten Fällen bei ca. 20 Pkt./ m2. Bessere Datensätze existieren (z.B. Kanton Neuenburg) und erweitern die Anwendungsmöglichkeiten (z.B. BHD-Bestimmung direkt aus der Punktwolke<ref>Parkan M (2018) Combined use of airborne laser scanning and hyperspectral imaging for forest inventories: Doctoral Program in Civil and Environmental Engineering. École Polytechnique Fédérale de Lausanne (EPFL).</ref>).
 
[[Punktwolken / 3D Modelle]]
 
  
 
====Radar-Daten====
 
====Radar-Daten====

Aktuelle Version vom 20. Mai 2021, 07:15 Uhr

Der Begriff Fernerkundung bezeichnet die Gesamtheit der Verfahren zur Gewinnung von Informationen über die Erdoberfläche oder andere nicht direkt zugängliche Objekte durch Messung und Interpretation der von ihnen ausgehenden oder reflektierten elektromagnetischen oder Schallwellen.

Fernerkundung wird im Waldbereich zur Kartierung, Modellierung und für das Monitoring von Waldkomposition, -struktur und -dynamik eingesetzt und stellt wertvolle Grundlagen für die Waldplanung und das Waldmanagement bereit. Die Datengewinnung findet mittels Sensoren statt, die von Satelliten, Flugzeugen, Helikoptern oder Drohnen getragen werden. Dabei spielen die verschiedenen Fernerkundungsplattformen, Aufnahmesysteme und Sensoren sowie die eingesetzten Analysemethoden eine zentrale Rolle.

Fernerkundungsplattformen

Abb. 1: Fernerkundungsplattformen und deren Aufnahmebereiche

Es handelt sich um die Einheit, welche den Sensor trägt, also um Satelliten, Flugzeuge, Helikopter oder Drohnen. Der primäre Unterschied neben den Kosten ist die Distanz zur Erdoberfläche. Grundsätzlich nimmt die Auflösung der erfassten Daten mit zunehmender Distanz zur Erdoberfläche bzw. zunehmender Grösse des Ausschnitts ab (siehe Abb. 1). Die Aufnahme von grösseren Flächen in einer Befliegung kann dafür kostengünstiger sein, häufiger wiederholt werden und liefert für grosse Flächen homogene Daten (z.B. gleiche Beleuchtungsintensität).

Die verschiedenen Plattformen eignen sich dementsprechend für unterschiedliche Fragenstellungen. Mit Drohnen können z.B. sehr detaillierte Informationen für kleine Waldgebiete erhoben werden, sie sind jedoch für eine rasche Übersicht nach einem nationalen Sturmereignis nicht geeignet.

Aufnahmesysteme und Sensoren

Es wird zwischen aktiven und passiven Systemen unterschieden, wobei die passiven Systeme die reflektierte Sonnenstrahlung aufzeichnen, die aktiven Systeme dagegen selbst Mikrowellen- oder Laserstrahlen aussenden. Aktive Systeme wie LiDAR (Light Detection and Ranging) und Radar (Radio Detection and Ranging) sind grösstenteils unabhängig von Wetter und Sonnenstand, wobei passive Systeme (optische oder thermale Sensoren) stark witterungsabhängig sind.

Abb. 2: Aktive und passive Sensoren

Mit den beiden Aufnahmesystemen können sehr unterschiedliche Informationen über den Wald erhoben werden. So liefern z.B. LiDAR-Daten detaillierte Informationen über die Vegetationshöhe, eignen sich aber nicht für Spektralanalysen (Blattfarbe, Vitalität etc.).

Bei den passiven Systemen unterscheidet man die Anzahl der Aufnahmebänder: von panchromatischen (ein Band) über multispektrale (mehrere Bänder) bis zu hyperspektralen Sensoren (mehrere hundert Bänder). Die verschiedenen spektralen Bereiche, z.B. Infrarot, liefern für Vegetationsanalysen wertvolle Informationen. Typischerweise werden multispektrale Sensoren mit 4 bis 13 Kanälen verwendet, wie dies bei diversen Luft- und Satellitenbildern (Swissimage, Landsat, Sentinel-2) der Fall ist.


Fernerkundungsprodukte

Abb. 3: Die wichtigsten Kriterien und Eigenschaften zur Beschreibung von Fernerkundungsdaten und deren Qualität.

Die folgenden vier Auflösungen beschreiben die wichtigsten Eigenschaften von Fernerkundungsdaten (siehe Abb. 3):

  • Räumliche Auflösung (Pixelgrösse, Punktdichte)
  • Zeitliche Auflösung (Zeitdauer zwischen zwei Aufnahmen)
  • Spektrale Auflösung (Anzahl spektraler Kanäle)
  • Radiometrische Auflösung (unterscheidbare Graustufen, z.B. 8 Bit)

Je höher eine Auflösung, desto höher der Detaillierungsgrad. Die verschiedenen Auflösungen stehen in einem Trade-Off, das heisst, es können nicht alle Auflösungen gleichzeitig ohne Zusatzkosten optimiert werden. Dabei zählt nicht nur die Pixelgrösse bzw. die Punktdichte - für gewisse Anwendungen sind die Erfassung der zeitlichen Dynamik, die grossflächige Verfügbarkeit oder spezifische spektrale Informationen entscheidend. Zudem stellen räumlich hochaufgelöste Daten, die für das menschliche Auge sehr gut interpretierbar sind, hohe Ansprüche an die Rechenleistung und sind eine Herausforderung für die automatische Auswertung.

Es existiert mittlerweile eine enorme Vielzahl von Fernerkundungsdaten. Nachfolgend wird eine Übersicht über die wichtigsten Datensätze und abgeleiteten Produkte für die Schweiz gegeben.

Luftbilder

Die von einem Flugzeug aufgenommen Bilder haben eine lange Tradition – in der Schweiz zeigt dies das Archiv der Swisstopo deutlich, welches bis ins Jahr 1927 zurück reicht. Die hohe räumliche Auflösung (<50cm) eignet sich besonders für die visuelle Interpretation und wird seit längerem für die Ausscheidung der Waldfläche, von Bestandesgrenzen, zur Bestimmung des Mischungsgrades und zur Beurteilung der Vitalität verwendet. Bei den neueren Datensätzen der Swisstopo (z.B. SWISSIMAGE RS) wird neben RGB-Kanälen zusätzlich ein Kanal im für Vegetationsanalysen wichtigen nahen Infrarotbereich zur Verfügung gestellt.

Alle drei Jahre, abwechselnd im Winter und Sommer, werden die Daten für die ganze Schweiz erfasst. Der neueste Luftbilder-Datensatz von swisstopo, SWISSIMAGE 10cm, kommt in einer erhöhten räumlichen Auflösung von 10cm. Die Befliegung ist witterungsabhängig und es können nur kleine Ausschnitte auf einmal aufgenommen werden. Der schweizweite Datensatz setzt sich dementsprechend aus verschiedenen Aufnahmen zusammen (Flugperiode z.B. zwischen Frühling und Herbst; abhängig von Wetter und Gesamtplanung). Die Aktualität der Daten ist nicht für alle Anwendungen ausreichend bzw. bringt eine gewisse Unsicherheit mit sich. Gewisse Kantone führen deshalb zusätzlich separate Befliegungen durch. Automatische Klassifikationen und statistische Modelle zeigen eine hohes Potenzial, sind jedoch anspruchsvoll und benötigen Referenzdaten.

Zwei waldspezifische, aus den Luftbildern abgeleitete Produkte stehen für die ganze Schweiz frei zur Verfügung: Waldmischungsgrad (Laubholzanteil, 25m Auflösung) und Vegetationshöhe (Kronenhöhenmodell, 1m Auflösung). Diese Daten wurden durch das LFI bereitgestellt und sind auf https://map.geo.admin.ch verfügbar.

Satellitendaten

Die Verfügbarkeit von Satellitenbildern wie auch deren räumliche und zeitliche Auflösung hat in den letzten Jahrzehnten stark zugenommen. Neben den frei verfügbaren Datensätzen (MODIS, Landsat, Sentinel etc.) gibt es immer mehr private Anbieter (DigitalGlobe, Planet Labs, …) mit teilweise extrem hoher räumlicher (WorldView4, 30cm) oder zeitlicher Auflösung (Planet, täglich). Die meisten Systeme verwenden multispektrale optische Sensoren, welche Informationen in 4-13 verschiedenen spektralen Regionen, meist im sichtbaren und im nahen bis kurzwelligen Infrarot, erfassen. Diese Spektralbereiche haben sich für die Vegetationsanalyse etabliert. Die Nutzung von Hyperspektralsensoren mit mehreren 100 Kanälen hat für Anwendungen im Waldbereich bis dato nur in spezifischen Fällen einen klaren Mehrwert[1].

Mit der verbesserten räumlichen und zeitlichen Auflösung von Satellitenmissionen der neuesten Generation wie insbesondere Sentinel-2 (10-20m, Aufnahmen je nach Gebiet alle 2-5 Tage, weltweit, frei verfügbar), wurden neue Perspektiven für Anwendungen im Waldbereich eröffnet [2]. Die räumliche Auflösung ist für viele Anwendungen ausreichend und die häufige Wiederholung der Aufnahmen erlaubt neben der Erkennung von abrupten Veränderungen auch die Analyse der jährlichen Vegetationsaktivität sowie langfristiger Trends. Die Vorbereitung der Daten (Suchen, Herunterladen, Aufbereitung) wird zwar immer einfacher, beinhaltet aber noch diverse Hürden. Insbesondere der Umgang mit Wolken ist keine einfache Aufgabe. Zudem ist die Verarbeitung und Interpretation von Zeitreihen, welche insbesondere für das langfristige Monitoring ein hohes Potenzial hat, wesentlich komplexer als die Analyse eines einzelnen Bildes.

Drohnenbilder

Drohnenbilder sind vom Detaillierungsgrad mit Luftbildern vergleichbar, weisen jedoch tendenziell eine noch höhere räumliche Auflösung auf. Der Einsatz ist sehr flexibel (Zeit und Ort), jedoch auf kleinere Gebiete beschränkt und die Qualität variiert nach System und Anwendung.

Die technologische Entwicklung im Drohnenbereich (auch UAVs, engl. unmanned aerial vehicle) läuft zurzeit rasend schnell und zeigt ein hohes Potenzial. Die Software für die Planung und Verarbeitung der Daten sind immer besser aufeinander abgestimmt und einfacher zu bedienen. Die Anwendungen im Waldbereich befinden sich mehrheitlich noch im experimentellen Stadium, eine rasche Entwicklung ist aber zu erwarten[3]. Die Erfassung von Vegetationshöhe und Waldlücken durch Photogrammmetrie, die Beurteilung von Schäden und Vitalität durch Spektralanalyse sowie die Planung von Seillinien durch die visuelle Interpretation sind nur einige der unzähligen Anwendungsbeispiele. Primäre Einschränkungen sind derzeit der limitierte Kontrollbereich (gesetzliche Bestimmungen, Flug auf Sicht) und die relativ kurze Flugzeit (Akku), sowie je nach System die Qualitätssicherung der Daten.

LiDAR-Daten

Mit diesem aktiven Fernerkundungssystem können, als grosser Vorteil gegenüber passiven optischen Systemen, detaillierte 3D-Informationen über den Wald erhoben werden. Die Aufnahme erfolgt meist mit Flugzeugen oder Helikoptern (engl. Airborne Laser Scanning, ALS). Mit LiDAR kann mindestens die Vegetationshöhe effizient und flächendeckend erfasst werden, und zwar mit einer Genauigkeit, die traditionelle Felderhebungen übertrifft. Zusammen mit den technologischen Fortschritten, welche sich in der Zunahme von Genauigkeit und Detaillierungsgrad wiederspiegeln, haben auch die Datenverfügbarkeit (z.B. kantonale Daten) und die Anzahl wissenschaftlicher Studien und entwickelter Methoden für forstliche Anwendungen in den letzten 15 Jahren rasant zugenommen.

LiDAR-Daten können mittlerweile als Standardformat in einem GIS eingelesen und verarbeitet werden. Schweizweit (bis 2000 m ü.M.) existiert zurzeit ein flächendeckender LiDAR-Datensatz aus den Jahren 2000-2007 (swissALTI3D), wobei aktuellere Daten in diversen Kantonen vorhanden sind. Die neue Messkampagne zur Beschaffung von LiDAR-Daten der Swisstopo findet in verschiedenen Etappen verteilt auf die Jahre 2017 – 2023 statt.

Standard-Produkte aus LiDAR-Daten sind digitale Gelände- und Oberflächenmodelle (DGM/DHM), und daraus abgeleitet Vegetationshöhenmodelle (VHM). Diese können mit relativ wenig Aufwand generiert werden. Der Einsatz in der Praxis erfolgt vor allem als Unterstützung bei der visuellen Interpretation und teilweise auch mit spezifischen halb- bis vollautomatischen Tools zur Erarbeitung von Bestandeskarten oder für Vorratsschätzungen. Die Punktdichte liegt zurzeit in den meisten Fällen bei ca. 20 Pkt./ m2. Bessere Datensätze existieren (z.B. Kanton Neuenburg) und erweitern die Anwendungsmöglichkeiten (z.B. BHD-Bestimmung direkt aus der Punktwolke[4]).

Radar-Daten

Radar-Daten werden mit satellitengestützten, aktiven Fernerkundungssystemen aufgenommen, indem Mikrowellen ausgesendet und die Intensität der Rückstreuung gemessen wird (Synthetic Aperture Radar, SAR). Damit können in erster Linie Informationen über die Oberflächenrauhigkeit, aber auch über die Waldstruktur und die Bodenfeuchte erhoben werden.

Ein Zusammenhang zwischen Biomasse und SAR-Daten wurde schon vor langem festgestellt[5]. SAR-Daten sind jedoch relativ komplex, brauchen viel Aufbereitungszeit und sind schwieriger zu interpretieren als klassische Bilddaten. Zudem sind Radardaten sensitiv auf diverse Umweltfaktoren, primär Bodenfeuchte und Schnee. Dies führt zu Unsicherheiten, welche zusammen mit dem generell hohen „Rauschen“ bzw. der beschränkten Datenqualität, eine Herausforderung darstellen. Dementsprechend ist die Nutzungsintensität im Waldbereich wesentlich geringer als bei den Spektral- und LiDAR-Daten, und in der Praxis finden sie noch kaum Verwendung. Ein steigender Trend ist aber zurzeit spürbar, insbesondere aufgrund der neuen Satellitenmission Sentinel-1. Der grosse Vorteil von Radardaten ist, dass diese mehr oder weniger unabhängig von Wetter und Tageszeit verwendet werden können. Dies hat z.B. für die rasche Erfassung von Sturmschäden eine grosse Bedeutung und das hohe Potenzial konnte bereits aufgezeigt werden[6].

Fernerkundung in der Waldwirtschaft

Fernerkundungsdaten werden auf nationaler und kantonaler Ebene, sowie von Forstbetrieben und privaten Planungsbüros genutzt. Die Nutzungsintensität ist sehr unterschiedlich, nimmt aber tendenziell zu, begünstigt durch das immer grössere Angebot und den einfacheren Zugang zu Daten, Software und Wissen. Der Mehrwert von Fernerkundung wird in der Praxis verstärkt wahrgenommen und das Interesse ist gross.

Typische Anwendungsfelder sind die forstliche Planung, die Berichterstattung, die Vollzugskontrolle, die Beantwortung von raumbezogenen Forschungsfragen und die Erarbeitung von Entscheidungsgrundlagen für die Politik. Flächendeckend haben mindestens die fernerkundungsbasierte Waldabgrenzung, sowie die Schätzung des Mischungsgrades und der Vegetationshöhe die Produktreife erreicht. Im Alltag unterstützen Fernerkundungsdaten die Vorbereitung von Feldarbeiten, die Orientierung im Wald, die visuelle Dokumentation (regelmässige Nachführung von Luftbildern) und dienen dazu, sich bereits im Büro ein Bild über die Situation im Wald zu verschaffen (z.B. Waldrecht/Waldränder). Vereinzelt wird Fernerkundung auch bereits im Zusammenhang mit Waldschutzproblemen (z.B. Sturmschäden, Borkenkäfer) und im Gebirgswald (z.B. Seillinien, Stammzahl, Lücken; siehe [7]) eingesetzt. Detaillierte LiDAR Daten ermöglichen eine flächendeckende Analyse von Waldstrukturen und Biodiversität, und eignen sich z.B. gut für eine Volumenschätzung von Totholz (> Ref?).

Die Ansprüche an den Detaillierungsgrad, die Genauigkeit und Aktualität der Daten sind in der Schweiz aufgrund der naturnahen Bewirtschaftung generell sehr hoch. Teilweise werden diese jedoch bereits jetzt mit hochdetaillierten LiDAR-Daten (z.B. Kanton Neuenburg) und zeitlich hochaufgelösten Satellitenbildern (fast täglich) erfüllt.

Datenverarbeitung

Visuelle Überprüfung

Fernerkundungsdaten können visuell oder digital interpretiert werden. Die visuelle Bildinterpretation, z.B. durch am Computer dargestellte Stereoluftbilder, hat eine lange Tradition. Für verschiedene Anwendungen ist diese Methode sehr effektiv. Beispiele sind die Ausscheidung von Bestandesgrenzen, Sturmflächen, Lücken oder Baumkronen. Grossflächige Analysen und die regelmässige Nachführung sind jedoch zeitaufwändig und teuer. Weitere Einschränkungen ergeben sich durch die Subjektivität der interpretierenden Person und die Schwierigkeit, komplexere Daten wie z.B. Zeitreihen, visuell auszuwerten.

Automatisierte Verfahren

Der Einsatz von automatisierten Verfahren ist daher sehr verbreitet. Oft werden statistische Schätzverfahren eingesetzt, um die „Pixel“ innerhalb einer Stichprobe (z.B. Stichprobeninventur) zu analysieren. Werden aussagekräftige Korrelationen zwischen der Zielgrösse (Vorrat, Stammzahl etc.) und den Fernerkundungsdaten gefunden, kann eine flächendeckende Vorhersage getroffen werden. Neben den klassischen parametrischen Ansätzen wie z.B. Regressionsmodellen werden vermehrt auch nicht-parametrische Verfahren und moderne Algorithmen aus dem Bereich des maschinellen Lernens, wie z.B. «Random Forest», eingesetzt. Es existiert eine Vielzahl von statistischen und nicht-statistischen automatisierten Verfahren. Die Methoden erstrecken sich von der Anwendung von räumlichen Filtern (z.B. die Einzelbaumerkennung[8]), der Berechnung von Vegetationsindizes, der Bildsegmentierung durch regelbasierte Algorithmen (Beispiel TBk - Toolkit Bestandeskarte) bis hin zu komplexen Zeitreihenanalysen. Photogrammetrie wird vermehrt für das Generieren von 3D Oberflächenmodellen verwendet, speziell dort, wo keine aktuellen LiDAR-Daten verfügbar sind[9].

Spektrale Indizes

Vegetationsindizes werden aus der Kombination mehrerer Spektralbänder berechnet und eignen sich zur Beurteilung des Vegetationszustandes. Zum Beispiel kann mit solchen Indizes das Verhältnis der Reflexionen im roten und nahen infraroten Spektralbereich abgebildet werden, welches sich in Abhängigkeit vom Chlorophyllgehalt der Pflanzen und der Zellstruktur der Blätter ändert (siehe Abb. 4). Basierend auf Reflexionsverhältnissen im roten (ca. 630–690 nm), nahen infraroten (ca. 780– 900 nm) und kurzwellig infraroten (ca. 1400-3000 nm) Spektralbereich dienen spektrale Vegetationsindizes als Indikatoren für die Dichte, Produktivität und Vitalität der Vegetation und sind somit sehr interessant für das Monitoring von Waldveränderungen.

Abb. 4: Reflexionsgrad der Vegetation [%] in Abhängigkeit von der Wellenlänge des Lichtes [nm]. Der starke Anstieg der Reflexion innerhalb des roten und nahen infraroten Spektralbereichs ist ein Indikator für die Vitalität von Pflanzen und eignet sich zur Unterscheidung von gesunder (grüne Kurve) und gestresster (schwarze Kurve) Vegetation.
  • NDVI
Der NDVI (Normalized Difference Vegetation Index) ist der am häufigsten verwendete Vegetationsindex. Er berechnet sich aus den Reflexionswerten im nahen Infrarotbereich (NIR) und im roten sichtbaren Bereich (Rot) des Lichtspektrums:
NDVI=(NIR-Rot)/(NIR+Rot)
Durch die Normierung ergibt sich ein Wertebereich zwischen −1 und +1. Negative Werte bezeichnen Wasserflächen. Ein Wert zwischen 0 und 0.2 entspricht nahezu vegetationsfreien Flächen, während ein Wert nahe 1 auf eine hohe Vegetationsbedeckung mit vitalen grünen Pflanzen schließen lässt.
  • NBR
Der NBR (Normalized Burn Ratio), auch NDII genannt (Normalized Difference Infrared Index), wird häufig für die Erkennung von Waldbrandflächen aber auch für die Detektion anderer Waldveränderungen wie Sturmschadflächen verwendet. Er berechnet sich aus den Reflexionswerten im nahen (NIR) und kurzwelligen (SWIR) Infrarotbereich:
NBR=(NIR-SWIR)/(NIR+SWIR)

Daneben existieren zahlreiche weitere spektrale Indizes, sowohl vegetationsbezogene als auch z.B. betreffend Bodeneigenschaften, Wassergehalt oder Schnee.

Einzelnachweise

  1. Ginzler C, Waser LT (2017) Entwicklungen im Bereich der Fernerkundung für forstliche Anwendungen. Schweizerische Zeitschrift fur Forstwesen 168: 118–126.
  2. Weber D, Ginzler C, Flückiger S, Rosset C (2018) Potenzial von Sentinel-2-Satellitendaten für Anwendungen im Waldbereich. Schweizerische Zeitschrift fur Forstwesen 169: 26–34.
  3. Tang L, Shao G (2015) Drone remote sensing for forestry research and practices. Journal of Forestry Research 26: 791–797.
  4. Parkan M (2018) Combined use of airborne laser scanning and hyperspectral imaging for forest inventories: Doctoral Program in Civil and Environmental Engineering. École Polytechnique Fédérale de Lausanne (EPFL).
  5. Le Toan T, Beaudoin A, Riom J, Guyon D (1992) Relating forest biomass to SAR data. IEEE Transactions on Geoscience and Remote Sensing 30: 403–411.
  6. Rüetschi M, Small D, Waser L (2019) Rapid Detection of Windthrows Using Sentinel-1 C-Band SAR Data. Remote Sensing 11: 115.
  7. Zürcher S, Glanzmann L, Schickmüller R (2018) Betriebliche Planung im Gebirgswald.
  8. Menk J, Dorren L, Heinzel J, Marty M, Huber M (2017) Evaluation automatischer Einzelbaumerkennung aus luftgestützten Laserscanning-Daten. Schweizerische Zeitschrift fur Forstwesen 168: 151–159.
  9. Ginzler C, Hobi M (2015) Countrywide Stereo-Image Matching for Updating Digital Surface Models in the Framework of the Swiss National Forest Inventory. Remote Sensing 7: 4343–4370.