Abstract - uni-potsdam.deAbstract Abstract Mediterranean drylands often experience strong erosion in headwater catchments, resulting in reservoir siltation, which can lead to a significant

Abstract

Abstract

Mediterranean drylands often experience strong erosion in headwater catchments, resulting in reservoir siltation,

which can lead to a significant reduction of water availability within a few decades. Fractional abundance of vege-

tation cover and bare soil is one of the most crucial factors in soil erosion assessment and modeling at the

catchment scale. In erosion models, the C-Factor of the Universal Soil Loss Equation (USLE) and its subsequent

Revised Universal Soil Loss Equation (RUSLE) represents the effect of land cover and management on the soil

erosion potential. The main objective of this study is to develop a methodology to derive spatially high-resolution

C-Factor maps for two different seasons for input in soil erosion modeling (April, August 2011). The procedure

included three steps, which can be validated based on extensive ground reference data collected during two field

campaigns.

First, a Multiple Endmember Spectral Mixture Analysis (MESMA) was applied to the hyperspectral bi-temporal

imagery to estimate fractional cover for photosynthetic active (GV), photosynthetic non-active (NPV), soil and

rock at sub-pixel scale. MEMSA shows high potential for modelling the high variability of the complex Mediterra-

nean landscape. Land use classes with high fractional vegetation cover were modelled more accurately than land

use classes with low fractional vegetation cover. Best results were achieved for GV (R²=0.70 April; R²=0.63 Au-

gust). In parts, MESMA shows no confusion of GV and NPV. However, good spectral separation of soil and rock

was not achieved at any time, especially for the summer image the use of hyperspectral imagery allows good

discrimination of green and dry vegetation from soil and rock. In a second step, a supervised land cover classifi-

cation was performed using Support Vector Machine (SVM) classification. Eight land cover classes were distin-

guished. The best land use classification was performed on bitemporal and transformed input layers (overall ac-

curacy: 88%). MESMA-derived fractional ground cover as input layers for land use classification did not contain

enough spectral information for adequate results (overall accuracy: 69%). In a last step, C-Factor mapping was

conducted with two different approaches to assign estimated ground cover abundances to C-Factor on a pixel-by-

pixel basis for the land use classes shrubland, arable land and badland, which are supposed to contribute the

largest proportion of sediments. First, using the empirical relationship between fractional abundance of bare soil

and vegetation cover found by OMASA AND DE ASIS (2007) and second, linking MESMA derived ground cover abun-

dances to RULSE subfactors. To the remaining five land cover classes literature C-Factors were assigned. The

empirical relationship described by OMASA AND DE ASIS (2007) does not allow the differentiation of very low and

very high C-Factors. In general, the complex RUSLE provides the best results for C-Factor mapping, assigning

MESMA-derived GV to canopy cover and NPV and rock together to surface cover. Estimated C-Factor values differ

highly from C-Factors used in literature, which today are often still derived from annually and spatially averaged

empirical values. This work demonstrates the potential to map the temporal and spatially distribution of the C-

Factor. Overall, inaccuracies can be explained by estimation errors during MESMA.

Zusammenfassung

Zusammenfassung

In mediterranen Trockengebieten führen hohe Erosionsraten zur Verlandung von Stauseen und damit zur erhebli-

chen Reduzierung der Wasserverfügbarkeit, oft innerhalb weniger Jahrzehnte. Für die Modellierung von Abfluss-

und Sedimentationsprozessen müssen vorherrschende Landschaftsmuster aus vegetationsbedeckten und offen-

liegenden Flächen berücksichtigt werden. In den meisten Bodenerosionsmodellen wird der Grad des Erosions-

schutzes durch die Bodenbedeckung mit Hilfe des Bedeckungs- und Bearbeitungsfaktors C der Universal Soil Loss

Equation (USLE) bzw. der Revised Universal Soil Loss Equation (RUSLE) beschrieben. Hyperspektrale Bilddaten

ermöglichen die Differenzierung zwischen grüner und trockener Vegetation, die den Boden bedecken und vor

Abtragung schützen. Das übergeordnete Ziel dieser Arbeit ist die Entwicklung einer Methodik zur Ableitung räum-

lich hochaufgelöster C-Faktor-Karten für zwei verschiedene Zeitpunkte (April, August 2011) als Eingangsparame-

ter für die Erosionsmodellierung in zwei Teileinzugsgebieten des Flusses Isábena im semi-humiden Nordostspani-

en. Die Arbeit besteht aus drei methodischen Teilschritten, deren Ergebnisse mit Hilfe einer umfangreichen in-situ

Referenzdatenbank validiert werden.

Im ersten Schritt wurden unter Verwendung der Multiple Endmember Spectral Mixture Analysis (MESMA) die

quantitativen Anteile der Klassen photosynthetisch aktive Vegetation (GV), photosynthetisch nicht-aktive Vegeta-

tion (NPV), Boden und Stein im Subpixelbereich bestimmt. Die hohe Variabilität des komplexen mediterranen

Landschaftraumes konnte durch den spektralen Entmischungsansatz MESMA gut modelliert werden. Dabei wur-

den Landnutzungsklassen mit hohem Vegetationsanteil mit höherer Genauigkeit entmischt als solche mit niedri-

gem Vegetationsanteil. Am genauesten wurden die GV-Anteile modelliert (R²=0.70 April; R²=0.63 August). Die

Klassen NPV und Boden konnten nur teilweise sicher voneinander getrennt werden. Die Trennung von Boden und

Stein war hingegen für keinen der beiden Bilddatensätze zulässig möglich. Insgesamt wurden höhere Genauigkei-

ten für den Augustbilddatensatz ermittelt. In einem zweiten Schritt wurden für eine landnutzungsdifferenzierte

Analyse mit Hilfe des unüberwachten Klassifikators Support Vector Machine (SVM) acht Landnutzungsklassen

abgeleitet. Die höchste Gesamtgenauigkeit erzielte die Klassifikation auf Basis der fusionierten und transformier-

ten Bilddatensätze (88%). Eine Klassifikation ausschließlich auf den Ergebnissen der MESMA Entmischung, d.h.

merkmalsbasiert und mit reduzierter Bandanzahl, führte zu einer reduzierten Gesamtgenauigkeit (69%). Die

räumliche Kartierung des C-Faktors für die Landnutzungsklassen Shrubland, Ackerfläche und Badland, welche die

Hauptsedimentquellen im Einzugsgebiet darstellen, erfolgte dann im dritten Schritt pixelbasiert nach zwei Ansät-

zen: (1) Zum einen wurden die ermittelten quantitativen Anteile der MESMA Entmischung auf den gefunden em-

pirischen Zusammenhang zwischen dem C-Faktor und dem Verhältnis von offener Bodenoberfläche zu Bodenbe-

deckung nach DE ASIS UND OMASA (2007) übertragen, (2) zum anderen auf die Variablen der Subfaktoren der

RUSLE abgebildet. Den übrigen Landnutzungsklassen wurden C-Faktoren aus der Literatur zugewiesen. Nach der

Methode von DE ASIS UND OMASA (2007) konnten keine sehr niedrigen und sehr hohen C-Faktoren differenziert dar-

gestellt werden. Die Verteilung der C-Faktoren spiegelt jedoch generell die naturräumliche Vegetationsdynamik

wider. Die besten Resultate erzielte die Übertragung der Entmischungsergebnisse auf die Variablen der RUSLE

Subfaktoren, wenn GV der Kronendachbedeckung (Fc) und NPV und Stein zusammen der Bodenbedeckung (Sp)

zugewiesen wurden. Die ermittelten C-Faktoren weichen deutlich von den bisher in diesem Landschaftsraum in

der Literatur verwendeten mittleren jährlichen Werten für die C-Faktoren ab. Insgesamt ist durch die entwickelte

Prozesskette eine Ableitung des C-Faktors in seiner räumlichen und zeitlichen Verteilung möglich, wenn auch die

Güte der Ableitung stark von der Genauigkeit der MESMA Entmischung abhängt.

Danksagung

Danksagung

An dieser Stelle möchte ich mich bei allen Personen bedanken, die mich bei der Erstellung dieser Arbeit unter-

stützt haben.

Mein besonderer Dank gilt Frau Dr. Eva-Nora Müller für die konstruktive und hilfreiche Betreuung meiner Diplom-

arbeit und die freundliche Hilfsbereitschaft, die sie mir entgegen gebracht hat. Ebenfalls möchte ich mich herzlich

bei meiner Zweitbetreuerin Dr. Saskia Förster bedanken, die mir bei Rückfragen stehts lehrreich und produktiv

zur Seite stand und mich außerdem in meinem wissenschaftlichen Arbeiten gezielt gefördert hat.

Weiterhin danke ich Arlena Brosinsky, mit der ich zusammen sehr schöne Feldzeiten verbracht habe und die mich

in allen Belangen immer unterstützte.

Karl Segl möchte ich auch meinen Dank aussprechen, da er für alle technische Fragen ein offenes Ohr und für

jedes Problem eine Lösung parat hatte.

Mein besonderer Dank gilt meiner Familie, die mich in all meinen Entscheidungen unterstützt und gefördert ha-

ben.

Herzlich bedanken möchte ich mich auch bei meinen Freunden, die mich immer wieder ermutigten und mit vielen

nützlichen Tipps einen wesentlichen Teil zur Diplomarbeit beigetragen haben.

Inhaltsverzeichnis

I

Inhaltsverzeichnis

Danksagung ............................................................................................................................................. I

Abbildungsverzeichnis .......................................................................................................................... III

Tabellenverzeichnis ............................................................................................................................... IX

Abkürzungsverzeichnis .......................................................................................................................... XI

1 Einführung und Zielsetzung ....................................................................................................... 1

1.1 Motivation und Hintergrund ...................................................................................................... 1

1.2 Aufbau und Zielsetzung............................................................................................................ 2

2 Grundlagen ................................................................................................................................. 5

2.1 Grundlagen der Spektroskopie .................................................................................................. 5

2.1.1 Spektroskopische Grundlagen ...................................................................................... 5

2.1.2 Spektrale Charakteristika von Vegetation....................................................................... 6

2.1.3 Spektrale Charakteristika von Böden ............................................................................. 7

2.1.4 Spektrale Charakteristika von Gesteinen ........................................................................ 9

2.2 Grundlagen der spektralen Entmischung .................................................................................... 9

2.2.1 Das spektrale Mischungsmodell .................................................................................... 9

2.2.2 Die spektrale Entmischung ......................................................................................... 10

2.2.3 Multiple Endmember Spectral Mixture Analysis (MESMA) .............................................. 13

2.3 Der Klassifikator Support Vector Machine (SVM) ....................................................................... 14

2.4 Grundlagen der Revised Universal Soil Loss Equation (RUSLE) ................................................... 16

2.4.1 Der Bedeckungs- und Bearbeitungsfaktor (C-Faktor) .................................................... 16

2.4.2 Bedeutung des C-Faktors für das WASA-SED Modell ..................................................... 19

2.5 Fazit ..................................................................................................................................... 20

3 Methoden .................................................................................................................................. 23

3.1 Untersuchungsgebiet ............................................................................................................. 23

3.2 Datenakquisition ................................................................................................................... 27

3.2.1 Erfassung der Bilddaten ............................................................................................. 27

3.2.2 Erfassung der Bodendaten ......................................................................................... 28

3.3 Datenaufbereitung................................................................................................................. 30

3.3.1 Vorprozessierung der Bilddaten .................................................................................. 30

3.3.2 Vorprozessierung der Bodendaten .............................................................................. 35

3.4 Prozesskette ......................................................................................................................... 36

3.4.1 Multiple Endmember Spectral Mixture Analysis (MESMA) .............................................. 37

3.4.1.1 Aufbau der spektralen Endmember Bibliothek ........................................................ 37

3.4.1.2 Spektrale Entmischung ........................................................................................ 41

3.4.2 Überwachte Landnutzungsklassifikation....................................................................... 43

3.4.3 Kartierung des Bedeckungs- und Bearbeitungsfaktors (C-Faktor) ................................... 45

3.4.3.1 Empirischer Zusammenhang nach de Asis und Omasa (2007) ................................. 45

3.4.3.2 Übertragung der MESMA Entmischungsergebnisse auf die RUSLE Subfaktoren ......... 46

Inhaltsverzeichnis

II

3.5 Methoden der Ergebnisanalyse ............................................................................................... 48

4 Ergebnisse und Diskussion ....................................................................................................... 51

4.1 Multiple Endmember Spectral Mixture Analysis (MESMA) ........................................................... 51

4.1.1 Ergebnisse ............................................................................................................... 51

4.1.2 Diskussion ................................................................................................................ 66

4.2 Überwachte Landnutzungsklassifikation ................................................................................... 77

4.2.1 Ergebnisse ............................................................................................................... 77

4.2.2 Diskussion ................................................................................................................ 80

4.3 Kartierung des Bedeckungs- und Bearbeitungsfaktors (C-Faktor) ............................................... 84

4.3.1 Ergebnisse ............................................................................................................... 84

4.3.2 Diskussion ................................................................................................................ 87

4.4 Analyse der räumlich-zeitlichen Änderung der Bodenbedeckungsgrade im Untersuchungsgebiet ... 95

4.5 Analyse der möglichen Fehlerquellen ..................................................................................... 100

5 Schlussfolgerung und Ausblick .............................................................................................. 103

A Anhang .................................................................................................................................... XIII

Anlagenverzeichnis ............................................................................................................................ XIII

A.1 Erste Anlage - Kartendarstellungen ........................................................................................XIV

A.2 Zweite Anlage – Weitere Abbildungen ................................................................................ XXXII

A.3 Dritte Anlage – Weitere Tabellen .......................................................................................... XLII

A.4 Vierte Anlage – Daten DVD ................................................................................................. XLIV

Literaturverzeichnis ............................................................................................................................ XLV

Abbildungsverzeichnis

III


Abbildung 2-1: Spektrale Charakteristika photosynthetisch aktiver Vegetation (grün) und photosynthetisch nicht-aktiver Vegetation (trocken). Darstellung der Wellenlängenbereiche für die Vegetationsindizes NDVI (grün) und CAI (rot) und der Wasserabsorptionsbanden (blau). Beispiele aus dem Bilddatensatz August 2011. (Quelle: verändert nach JENSEN (2007). .... 7

Abbildung 2-2: Spektrale Signaturen sandiger (a) und toniger Böden (b) mit unterschiedlichen Bodenfeuchtegehalten. (Quelle: verändert nach JENSEN 2007). ................................................................................. 8

Abbildung 2-3: Vereinfachte schematische Darstellung der Ergebnisse des spektralen Mischungs- und Entmischungsprozesses. Ein heterogener Landschaftsausschnitt in einem Bildpixel resultiert in einem Mischpixel. Dieser kann in die jeweilige Abundanz entmischt werden. Ergebnis ist ein Bild mit den quantitativen Anteilen der Materialkomponenten des heterogenen Landschaftsausschnittes. (Quelle: verändert nach

BARTHOLOMEUS 2009)...................................................................... 11

Abbildung 2-4: Ablaufdiagramm der MESMA Entmischung. (Quelle: verändert nach BACHMANN 2007). .......................................................................... 13

Abbildung 2-5: Trennung zweier Klassen mit Hilfe der optimalen Hyperebenen (HO). (Quelle: Eigene Darstellung 2013). ................................................ 15

Abbildung 2-6: a) nicht-lineare Trennung zweier Klassen in einem zweidimensionalem Raum; b) lineare Trennung der gleichen Klassen im dreidimensionalen Raum. (Quelle: Eigene Darstellung 2013). ...................................... 15

Abbildung 3-1: Charakteristische Hauptlandnutzungstypen im Einzugsgebiet Isábena: (Quelle: BROSINSKY 2011). .............................................................. 25

Abbildung 3-2: Hauptsedimentquellen im Einzugsgebiet Isábena. (Quelle: BAUER UND

BROSINSKY 2011). .......................................................................... 26

Abbildung 3-3: Versuchsaufbau für die Erhebung der Bodendaten im April und August 2011. (Quelle: Eigene Darstellung 2013). ....................................... 29

Abbildung 3-4: Geometrische Ungenauigkeit an den Überlappungsbereichen der einzelnen Bildstreifen nach der Mosaikierung. (Quelle: Eigene Darstellung 2013)......................................................................... 32

Abbildung 3-5: Die mosaikierten, geometrisch und atmosphärisch korrigierten Bilddatensätze April 2011 (links) und August 2011 (rechts) nach der Datenoptimierung. Schwarze Bildflächen stellen die ausmaskierten Bildpixel dar. (Quelle: Eigene Darstellung 2013). ............................. 33

Abbildung 3-6: Ausschnitt der vorprozessierten Bilddatensätze April 2011(links) und August 2011 (rechts). Die roten Pfeile deuten auf die ausmaskierten negativen Bildpixel, die sich vorrangig in Nadelwaldbereichen befinden. (Quelle: Eigene Darstellung 2013). ................................................ 34

Abbildung 3-7 Aufbau der Validierungsdatenbank: Alle Bildpixel (weiß), die die Bodentransekte (rot) schneiden, werden markiert und für die spätere Validierung benutzt. (Quelle: Eigene Darstellung 2013). ................... 35

Abbildung 3-8: Vereinfachtes Ablaufdiagramm – Übersicht der Prozesskette. (Quelle: Eigene Darstellung 2013). ............................................................. 37

Abbildung 3-9: Fließdiagramm für den Aufbau einer geeigneten spektralen EM Bibliothek für die MESMA Entmischung. (Quelle: Eigene Darstellung 2013). ......................................................................................... 38

Abbildung 4-1: Endgültige Endmember Bibliothek für die MESMA Entmischung des Bilddatensatzes von April 2011 (10 EM GV, 8 EM NPV, 5 EM Boden, 2 EM Stein). (Quelle: Eigene Darstellung 2013). ................................. 51

Abbildung 4-2: Endgültige Endmember Bibliothek für die MESMA Entmischung des Bilddatensatzes von August 2011 (11 EM GV, 6 EM NPV, 6 EM Boden, 2 EM Stein). (Quelle: Eigene Darstellung 2013). .............................. 52


IV

Abbildung 4-3: Die räumliche RMSE Verteilung der MESMA Entmischung zeigt deutlich unnatürliche Muster in beiden Bilddatensätzen (dunkle Flächen stellen Bildpixel mit niedrigen RMSE Werten dar, helle Flächen Bildpixel mit hohen RMSE Werten; schwarze Bildflächen zeigen nicht klassifizierte Bildflächen). (Quelle: Eigene Darstellung 2013). .............................. 54

Abbildung 4-4: Räumliche Darstellung der Residuen der MESMA Entmischung von April (links) und August (rechts). Im Hintergrund die Landnutzungskarte. Negative Balkenausprägungen zeigen eine Überschätzung der jeweiligen funktionalen Materialklasse, die positiven Balkenausprägungen hingegen eine Unterschätzung. (Quelle: Eigene Darstellung 2013)......................................................................... 59

Abbildung 4-5: MESMA Entmischungsergebnisse (rechts) nach Landnutzungstypen sortiert für jede Bodentransekte (links) im April (2011). (Quelle: Eigene Darstellung 2013)......................................................................... 60

Abbildung 4-6: Ergebnisse der MESMA Entmischung für die Bilddatensätze April und August (2011). Die Grauwerte entsprechen den jeweiligen RMSE und R² Werten; weiß entspricht RMSEmin und R²max, schwarz RMSEmax und R²min. Es werden Ergebnisse der einzelnen Landnutzungstypen dargestellt und die Ergebnisse der zusammengefassten Landnutzungstypen. Des Weiteren wird differenziert zwischen den Ergebnissen der verwendeten EM und den zusammengefassten, neuen Klassen: „Bedeckt“ (GV + NPV) und „Unbedeckt“ (Boden + Stein). (Quelle: Eigene Darstellung 2013). ................................................ 60

Abbildung 4-7: MESMA Entmischungsergebnisse (rechts) nach Landnutzungstypen sortiert für jede Bodentransekte (links) im August (2011). (Quelle: Eigene Darstellung 2013). ............................................................. 62

Abbildung 4-8: Der Einfluss unterschiedliche Gesamtalbedo auf die MESMA Entmischungsergebnisse. Hohe Reflektanzwerte können nicht durch die endgültige EM Bibliothek mit berücksichtigt werden. Die zugehörigen Bildpixel werden als unklassifiziert ausgegeben. (Beispiel April 2011). (Quelle: Eigene Darstellung 2013). ............................... 67

Abbildung 4-9: Ausgewählte Bodentransekten der Landnutzungsklasse Shrubland der Feldkampagne im April 2011 (links) und August 2011 (rechts). Typisches kleinräumiges Mosaik von grüner und trockener Vegetation, Boden und Stein (Quelle Fotos: BROSINSKY 2011). ............................ 72

Abbildung 4-10: Qualität der Bildaten (Beispiel April (Quelle: Eigene Darstellung 2013). .................................................................................................. 73

Abbildung 4-11: Gegenüberstellung der neuen Landnutzungskarte (unten) und der der vorher zur Verfügung stehenden digitalen Landnutzungskarte. Quelle: Eigene Darstellung 2013). ............................................................. 80

Abbildung 4-12: Einfluss des empirischen Koeffizienten b (links) aus RENARD ET AL. (1997) und der mittleren Oberflächenrauigkeit (Ru) bei einem konstanten b=0.035. (Quelle: Eigene Darstellung 2013). ................. 90

Abbildung 4-13: Einfluss der Pflanzenwuchshöhe (H) auf den Kronendachbedeckungsfaktor (CC). (Quelle: RENARD ET AL. 1997). ..... 91

Abbildung 4-14: Scatterplot aus DE ASIS UND OMASA (2007) zur graphischen Darstellung des linearen Zusammenhanges zwischen den simulierten (y-Achse) und gemessenen C-Faktoren (x-Achse). Das r=0.94 ist gleichbedeutend mit dem Bestimmtheitsmaß R²=0.88. Die 1:1 Linie (gestrichelte Linie) und die 20%-Fehlerbegrenzung (gepunktete Linie) sind nachträglich für eine bessere Vergleichbarkeit eingefügt worden. (Quelle: DE ASIS UND OMASA 2007).................................................... 93

Abbildung 4-15: Die Landnutzungsklasse Nadelwald im April (2011). Offenes Kronendach und sichtbare Bodenbedeckung aus grüner und trockener Vegetation und Bodenanteilen. (Quelle: BROSINSKY 2011). ................. 97


V

Abbildung 4-16: Die Landnutzungsklasse Badland im August (2011). Vegetationsbedeckte Bereiche am Unterhang und auf stabilen Flächen. (Quelle: BAUER 2011) .................................................................... 98

Abbildung 4-17: Die Landnutzungsklasse Ackerfläche im August (2011). Trockene Vegetationsreste als organische Auflage der Bodenoberfläche (Quelle: BROSINSKY 2011). .......................................................................... 98

Abbildung 4-18: Graphische Darstellung des relativen Fehleranteils der Einzelkomponenten der entwickelten Prozesskette am Gesamtergebnis. (Quelle: Eigene Darstellung 2013). .............................................. 100

Abbildung A-1: Die Lage des Untersuchungsgebietes (roter Rahmen) im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien. (Quelle: Eigene Darstellung 2013). .............................................. XIV

Abbildung A-2: Die Lithologie im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien. (Quelle: Eigene Darstellung 2013). ..................................................................................................XV

Abbildung A-3: MESMA Entmischungsergebnisse – Quantitative Anteile von GV, NPV, Boden und Stein im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien (April 2011). (Quelle: Eigene Darstellung 2013)....................................................................... XVI

Abbildung A-4: MESMA Entmischungsergebnisse – Quantitative Anteile von GV, NPV, Boden und Stein im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien (August 2011). (Quelle: Eigene Darstellung 2013)...................................................................... XVII

Abbildung A-5: MESMA Entmischungsergebnisse – Grad der Modellkomplexität und RMSE im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien (April & August 2011). (Quelle: Eigene Darstellung 2013)..................................................................... XVIII

Abbildung A-6: MESMA Entmischungsergebnisse – Dominante EM GV, NPV, Boden und Stein im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien (April 2011). (Quelle: Eigene Darstellung 2013). ....................................................................................... XIX

Abbildung A-7: MESMA Entmischungsergebnisse – Dominante EM GV, NPV, Boden und Stein im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien (August 2011). (Quelle: Eigene Darstellung 2013). ......................................................................................... XX

Abbildung A-8: Ergebnis der überwachten Landnutzungsklassifikation – Die Landnutzung im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien. (Quelle: Eigene Darstellung 2013). ................................................................................................ XXI

Abbildung A-9: Räumlich-zeitliche Änderung des EM GV zwischen April und August 2011 im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien. (Quelle: Eigene Darstellung 2013). ........ XXII

Abbildung A-10: Räumlich-zeitliche Änderung des EM NPV zwischen April und August 2011 im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien. (Quelle: Eigene Darstellung 2013). ....... XXIII

Abbildung A-11: Räumlich-zeitliche Änderung des EM Boden zwischen April und August 2011 im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien. (Quelle: Eigene Darstellung 2013). ....... XXIV

Abbildung A-12: Räumlich-zeitliche Änderung des EM Stein zwischen April und August 2011 im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien. (Quelle: Eigene Darstellung 2013). ......... XXV

Abbildung A-13: Kartierung des C-Faktors – C-Faktor Karte nach DE ASIS UND OMASA

(2007) im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien (April 2011). (Quelle: Eigene Darstellung 2013). .................................................................................... XXVII


VI

Abbildung A-14: Kartierung des C-Faktors – C-Faktor Karte nach DE ASIS UND OMASA

(2007) im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien (August 2011). (Quelle: Eigene Darstellung 2013). ................................................................................... XXVIII

Abbildung A-15: Kartierung des C-Faktors – C-Faktor Karte nach RUSLE (RENARD ET AL. 1997) im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien (wenn GV auf Kronendachbedeckung Fc, NPV und Stein auf die Bodenbedeckung (Sp) übertragen werden) (April 2011).(Quelle: Eigene Darstellung 2013). ................................... XXIX

Abbildung A-16: Kartierung des C-Faktors – C-Faktor Karte nach RUSLE (RENARD ET AL. 1997) im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien (wenn GV auf Kronendachbedeckung Fc, NPV und Stein auf die Bodenbedeckung (Sp) übertragen werden) (August 2011). (Quelle: Eigene Darstellung 2013). .................................... XXX

Abbildung A-17: Räumlich-zeitliche Änderung der dominanten EM zwischen April und August 2011 im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien. (Quelle: Eigene Darstellung 2013). .............................................................................................. XXXI

Abbildung A-18: Vergleich der modellierten Abundanzen und Referenzabundanzen der funktionalen Materialklassen GV, NPV, Boden und Stein nach Landnutzungstypen (April 2011): a) Scatterplot und Residuenanalyse der GV-Anteile, b) Scatterplot und Residuenanalyse der NPV-Anteile, c) Scatterplot und Residuenanalyse der Bodenanteile und d) Scatterplot und Residuenanalyse der Steinanteile. (Quelle: Eigene Darstellung 2013). .................................................................................... XXXII

Abbildung A-19: Vergleich der modellierten Abundanzen und Referenzabundanzen der funktionalen Materialklassen GV, NPV, Boden und Stein nach Landnutzungstypen (August 2011): a) Scatterplot und Residuenanalyse der GV-Anteile, b) Scatterplot und Residuenanalyse der NPV-Anteile, c) Scatterplot und Residuenanalyse der Bodenanteile und d) Scatterplot und Residuenanalyse der Steinanteile. (Quelle: Eigene Darstellung 2013). ....................................................... XXXIII

Abbildung A-20: Vergleich der modellierten Abundanzen und Referenzabundanzen der neuen zusammengefassten Klassen „bedeckt“ und „unbedeckt“ nach Landnutzungstypen (April und August 2011): a) Scatterplot und Residuenanalyse der GV-Anteile, b) Scatterplot und Residuenanalyse der NPV-Anteile, c) Scatterplot und Residuenanalyse der Bodenanteile und d) Scatterplot und Residuenanalyse der Steinanteile. (Quelle: Eigene Darstellung 2013). ........................................................XXXIV

Abbildung A-21: Variabilität der Bedeckungsgrade nach Landnutzungstypen – Aufgenommene Bodentransekten im April (2011). (Quelle: Eigene Darstellung 2013)..................................................................... XXXV

Abbildung A-22: Variabilität der Bedeckungsgrade nach Landnutzungstypen – Aufgenommene Bodentransekten im August (2011). (Quelle: Eigene Darstellung 2013)....................................................................XXXVI

Abbildung A-23: Die räumliche Lage ausgewählter offizieller Messstationen. Darstellung der Niederschlagsdiaramme für das Jahr 2010 und 2011. (Quelle: Eigene Darstellung 2013). ...................................................... XXXVII

Abbildung A-24: Darstellung der Verteilungskurven für die berechneten C-Faktoren nach DE ASIS UND OMASA (2007) nach Landnutzungsklasse. Die Werte 0 und 1 sind aus der Darstellung ausgeschlossen (Quelle: Eigene Darstellung 2013)................................................................. XXXVIII

Abbildung A-25: Darstellung der Verteilungskurven für die berechneten C-Faktoren auf die Variablen der RUSLE Subfaktoren nach Landnutzungsklasse (Fall 1). (Quelle: Eigene Darstellung 2013). ................................... XXXVIII


VII

Abbildung A-26: Darstellung der Verteilungskurven für die berechneten C-Faktoren auf die Variablen der RUSLE Subfaktoren nach Landnutzungsklasse (Fall 2). (Quelle: Eigene Darstellung 2013). ...................................... XXXIX

Abbildung A-27: Darstellung der Verteilungskurven für die berechneten C-Faktoren auf die Variablen der RUSLE Subfaktoren nach Landnutzungsklasse (Fall 3). (Quelle: Eigene Darstellung 2013). ...................................... XXXIX

Abbildung A-28: Vergleich der modellierten C-Faktoren und Referenz C-Faktoren nach Landnutzungstypen (April 2011): a) Scatterplot und Residuenanalyse der der berechneten C-Faktoren nach DE ASIS UND OMASA (2007), b) Scatterplot und Residuenanalyse der berechneten C-Faktoren (Fall 1), c) Scatterplot und Residuenanalyse der berechneten C-Faktoren (Fall 2), und d) Scatterplot und Residuenanalyse der berechneten C-Faktoren (Fall 6). (Quelle: Eigene Darstellung 2013). ....................... XL

Abbildung A-29: Vergleich der modellierten C-Faktoren und Referenz C-Faktoren nach Landnutzungstypen (August 2011): a) Scatterplot und Residuenanalyse der der berechneten C-Faktoren nach DE ASIS UND

OMASA (2007), b) Scatterplot und Residuenanalyse der berechneten C-Faktoren (Fall 1), c) Scatterplot und Residuenanalyse der berechneten C-Faktoren (Fall 2), und d) Scatterplot und Residuenanalyse der berechneten C-Faktoren (Fall 6). (Quelle: Eigene Darstellung 2013). XLI

Tabellenverzeichnis

IX

Tabellenverzeichnis

Tabelle 3-1: Übersicht der technischen Eigenschaften der Hyperspektralsensoren AISA-Eagle und AISA-Hawk. (Quelle: nach LAUSCH UND PAUSE 2009). .. 27

Tabelle 3-2: Aufnahmeparamter der Hyperspektralsensoren AISA-Eagle und AISA-Hawk für den 02.04.2011 und 09.08.2011. (Quelle: Eigene Darstellung 2013). ......................................................................................... 28

Tabelle 3-3: Anzahl der Bodentransekten je Landnutzungstyp und Aufnahmezeitpunkt. Die Klasse „Nicht eindeutig bestimmt“ fasst Landnutzungstypen zusammen, die nicht eindeutig einer Landnutzungsklasse zuzuordnen sind, wie z.B. die Mischform „Wiese/Acker“. (Quelle: Eigene Darstellung 2013). .......................... 30

Tabelle 3-4: Die Modellkomplexitätsebenen der verwendeten Modelle für die MESMA Entmischung. In Klammern () ist die Modellnummer angegeben. (Quelle: Eigene Darstellung 2013). .............................. 42

Tabelle 3-5: Teilung des Referenzdatensatzes für die Kalibrierung und Validierung der überwachten Landnutzungsklassifikation. Angabe der Anzahl der Referenzpunkte und die auf die Bilddatensätze übertragenen Referenzpixel. Die Kalibrierungsgrundlage für Anstehendes Gestein setzt sich aus einem Datenpunkt und der GIS Analyse zusammen. (Quelle: Eigene Darstellung 2013). ................................................ 44

Tabelle 3-6: Die unterschiedliche Parametrisierung der drei verschiedenen Übertragungsvorschriften auf die Variablen der RUSLE Subfaktoren. Shrubland (S), Badland (B) und die Ackerflächen (A). (Quelle: Eigene Darstellung 2013)......................................................................... 47

Tabelle 4-1: Modellierten Flächenanteile durch die unterschiedlichen Entmischungsmodelle unterschiedlicher Modellkomplexitätseben. (Quelle: Eigene Darstellung).......................................................... 53

Tabelle 4-2: Mittelwert (MW) in [%] der entmischten Anteile der funktionalen Klassen GV, NPV, Boden und Stein für den Aprilbilddatensatz je Landnutzungsklasse. (Quelle: Eigene Darstellung 2013). .................. 56

Tabelle 4-3: Mittelwert (MW) in [%] der entmischten Anteile der funktionalen Klassen GV, NPV, Boden und Stein für den Augustbilddatensatz je Landnutzungsklasse. (Quelle: Eigene Darstellung 2013). .................. 57

Tabelle 4-4. Übersicht der ermittelten Gütemaße R², Steigung (b), Ordinatenabschnitt (a), RMSE, den mittleren absoluten Fehler (MAE) und die gemittelten Residuen (Bias) für die Ergebnisvalidierung der funktionalen Materialklassen GV, NPV, Boden und Stein und den zusammengefassten, neuen Klassen „Bedeckt“ (GV + NPV) und „Unbedeckt“ (Boden + Stein) (April 2011). (Quelle: Eigene Darstellung 2013). ......................................................................................... 58

Tabelle 4-5: Übersicht der ermittelten Gütemaße R², Steigung (b), Ordinatenabschnitt (a), RMSE, den mittleren absoluten Fehler (MAE) und die gemittelten Residuen (Bias) für die Ergebnisvalidierung der funktionalen Materialklassen GV, NPV, Boden und Stein und den zusammengefassten, neuen Klassen „Bedeckt“ (GV + NPV) und „Unbedeckt“ (Boden + Stein) (August 2011). (Quelle: Eigene Darstellung 2013)......................................................................... 61

Tabelle 4-6: Prozentuale Verteilung der dominanten nach Landnutzungsklasse für April und August (2011). (Quelle: Eigene Darstellung 2013). ............ 64

Tabelle 4-7: Klassifikationsgenauigkeit der dominanten EM (April 2011). (Quelle: Eigene Darstellung 2013). ............................................................. 65

Tabelle 4-8: Klassifikationsgenauigkeit der dominanten EM (August 2011). (Quelle: Eigene Darstellung 2013). ............................................................. 65

Tabelle 4-9: Klassifikationsgenauigkeit der überwachten Landnutzungsklassifikation auf der Datengrundlage Nr.3. (Quelle: Eigene Darstellung 2013). ..... 79

Tabellenverzeichnis

X

Tabelle 4-10: Mittelwert (MW) in [%] der C-Faktoren je verwendeten Ansatz für April (2011). (Quelle: Eigene Darstellung 2013). ..................................... 85

Tabelle 4-11: Mittelwert (MW) in [%] der C-Faktoren je verwendeten Ansatz für August (2011). (Quelle: Eigene Darstellung 2013). .......................... 85

Tabelle 4-12: Übersicht der ermittelten Gütemaße R², Steigung (b), Ordinatenabschnitt (a), RMSE, den mittleren absoluten Fehler (MAE) und die gemittelten Residuen (Bias) für die Ergebnisvalidierung der berechneten C-Faktoren für alle Ansätze (Quelle: Eigene Darstellung 2013). ......................................................................................... 87

Tabelle 4-13: Darstellung der modellierten 0 und 1 Werte durch den Ansatz von DE ASIS UND OMASA (2007) bezogen auf die Bildfläche in [%]. (Quelle: Eigene Darstellung 2013). ............................................................. 89

Tabelle 4-14: Vergleich der Mittelwerte (MW) der nach unterschiedlichen Ansätzen ermittelten C-Faktoren der Landnutzungsklassen Ackerfläche, Shrubland und Badland mit den im WASA-SED Modell verwendeten konstanten, aus der Literatur abgeleiteten C-Faktoren durch. (Quelle: FRANCKE 2009). ............................................................................. 94

Tabelle 4-15: Zeitliche Änderung der dominanten EM zwischen April und August 2011. Die zu 100% fehlenden Angaben setzten sich aus den nicht klassifizierten Bildflächen (20.8%) und der zeitlichen Veränderung zwischen Stein zu Boden und umgekehrt (4.42%) zusammen. Diese Änderung wird nicht der natürlichen Dynamik des Naturraumes zugeschrieben, sondern basiert auf fehlerhaften Entmischungsergebnissen und wird aufgrund dessen nicht angegeben. (Quelle: Eigene Darstellung 2013). ................................................ 96

Tabelle 4-16: Zeitliche Änderung der quantitativen Anteile der funktionalen Materialklassen GV, NPV, Boden und Stein zwischen April und August 2011. Positive Werte kennzeichnen eine Abnahme des Anteiles, negative Werte eine Zunahme. (Quelle: Eigene Darstellung 2013). ... 97

Tabelle 4-17: Jahressumme [mm] des Gesamtniederschlages ausgewählter offizieller Messstationen im Ebro Wassereinzugsgebiet für den Zeitraum 2009-2012. (Quelle: Eigene Darstellung 2013). ....................................... 99

Tabelle A-1: Ergebnisse der überwachten Landnutzungsklasse auf Basis verschiedener Datengrundlagen. Hervorgehoben (grau) ist das beste Klassifikationsergebnis (Nr.3). Die X kennzeichnen die verwendeten Dateninformationen der jeweiligen Bilddatensätze. (Quelle: Eigene Darstellung 2013)...................................................................... XLII

Tabelle A-2: Übersicht der Ergebnisse anderer wissenschaftlicher Publikationen, die den spektralen Entmischungsansatz verwendet haben. (Quelle: Eigene Darstellung 2013)..................................................................... XLIII

Abkürzungsverzeichnis

XI


A. Anhang

ABAG Allgemeine Bodenabtragsgleichung

AISA-Eagle Duales hyperspektrales Sensorsystems AISA-Hawk

ALS50 II Laser scanner

ArcGIS Software für Geografische Informationssysteme

ARSF Airborne Research and Survey Facility

ASTER Advanced Spaceborne Thermal Emission and Reflection Radiometer

ATCOR Atmospheric Correction

ATCOR-4 Atmospheric/Topographic Correction for Airborne Imagery

ATREM Atmosphere Removal Program

b Empirische Koeffizient; Einfluss der Beschaffenheit der Bodenoberfläche auf die allgemeine Bodenerosion

BHD Brusthöhendurchmesser

BRDF Bidirectional Reflectance Distribution Function

Bur Dichte lebendiger und toter Wurzeln im Oberboden

Bus Dichte anderer Pflanzenrückstände im Oberboden

CAI Cellulose Absorption Index

Cb Relativer Einfluss der Pflanzenrückstände auf die Bodenverdichtung

CC Kronendachbedeckungssubfaktor

Cf Bodenverdichtungsfaktor

CoB Count Based Endmember Selection

Cuf Einfluss der Bodenverdichtung auf die im Oberboden integrierten Pflanzenrück-stände

Cus Kalibrationskoeffizienten

DEM Digital Elevation Model

DN Digital Numbers

DSM Digital Surface Model

EAR Endmember Average RMSE

EM Endmember

EnMAP Environmental Mapping and Analysis Program

ENVI Exelis Visual Information Solutions

Fc Kronendach

FLAASH Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes

GCP Ground Control Point

GFZ GeoForschungZentrum

GIFOV Ground Instantaneous Field of View

GSD Ground Sampling Distance

GV Photosynthetisch aktive Vegetation

H Pflanzenwuchshöhe

IDL Interactive Data Language

IFOV Instantaneous Field Of View

LAI Leaf Area Index

LIDAR Light Detection And Ranging


XII

LSMA Linear Spectral Mixure Analysis

MAE Mean Absolute Error

MASA Minimum Average Spectral Angle

MESMA Multiple Endmember Spectral Mixture Analysis

MESMA Multiple Endmember Spectral Mixture Analysis

NDVI Normalized Difference Vegetation Index

NERC Natural Environment Research Council

NIR Near Infrared

NPV Photosynthetisch nicht-aktive Vegetation

o. A. ohne Angabe

PLU Vorhergehende Anbaufrucht und Bewirtschaftung

PPI Purest Pixel Index

RMSE Root Mean Square Error

Ru Mittlere Oberflächenrauigkeit

RUSLE Revised Universal Soil Loss Equation

s. a. siehe auch

SC Bodenbedeckungsfaktor

SLR Bodenabtragsverhältnis

SM Bodenfeuchtefaktor

SMA Spectral Mixture Analysis

SMACC Sequential Maximum Angle Convex Cone

Sp Bodenbedeckung

SR Oberflächenrauigkeitsfaktor

SVM Support Vector Machine

SWIR Short Wave Infrared

ü. NN über Normal-Null

USLE Universal Soil Loss Equation

UTM WGS Universal Transverse Mercator World Geodetic System

VIPER Tool Visualization and Image Processing for Environmental Research Tool

VIS Visible Light

Einführung und Zielsetzung

1

1 Einführung und Zielsetzung

1.1 Motivation und Hintergrund

In mediterranen Trockengebieten führen hohe Erosionsraten zur Verlandung von Stauseen

und damit zur erheblichen Reduzierung der Wasserverfügbarkeit, oft innerhalb weniger

Jahrzehnte. Für die Modellierung von Abfluss- und Sedimentationsprozessen müssen vor-

herrschende Landschaftsmuster aus vegetationsbedeckten und offenliegenden Flächen be-

rücksichtigt werden (PETERS UND HAVSTAD 2006). Die Vegetationsbedeckung reduziert das

Bodenerosionspotential durch Schutz vor auftreffenden Regentropfen, erhöht die Bodenin-

filtrationsraten, reduziert die Geschwindigkeit des Oberflächenabflusses, bindet den Boden

mechanisch, hält die Oberflächenrauigkeit aufrecht und verbessert die physikalische, chemi-

sche und biologische Eigenschaft des Bodens (BAVER 1956; ELWELL UND STOCKING 1976;

DESCROIX ET AL. 2001). Damit stellt das Verständnis der zeitlichen Dynamik auftretender Bo-

denbedeckungsgrade innerhalb verschiedener Landnutzungsklassen einen wichtigen Beitrag

zur methodischen Verbesserung von Bodenerosionsmodellen dar. In den meisten Bodenero-

sionsmodellen wird der Grad des Erosionsschutzes durch die Bodenbedeckung mit Hilfe des

Bedeckungs- und Bearbeitungsfaktors C der Universal Soil Loss Equation (USLE) bzw. der

Revised Universal Soil Loss Equation (RUSLE) beschrieben. Die räumliche Ableitung des C-

Faktors erfolgt üblicherweise über die Zuweisung konstanter Literaturwerte auf Landbede-

ckungsklassen (WISCHMEYER UND SMITH 1978; JUERGENS UND FANDER 1993; MORGAN 1995; FOLLY

ET AL. 1996). Um die räumliche Variabilität zu verbessern und Fehler der Landnutzung zu

minimieren, wird z.B. die Linearregression zwischen Band Ratios und C-Faktoren, die im Feld

gemessen wurden, benutzt (CIHLAR 1987; STEPHENS UND CIHLAR 1982). Ein weitaus verbreiteter

Ansatz ist, den RUSLE/USLE C-Faktor über einfache Regressionsbeziehung mit dem Vegeta-

tionsindex Normalized Difference Vegetation Index (NDVI) zu verknüpfen (U.A. CARTAGENA

2004; DE JONG ET AL. 1999; HAZARIKA UND HONDA 2001; LIN ET AL. 2002, 2006; LU ET AL. 2003;

NAJMODDINI 2003; SYMEONAKIS UND DRAKE 2004; VAN DER KNIJFF ET AL. 2002). DE JONG 1994 und

TWEDDALES ET AL. 2000 verweisen allerdings auf die schwache Korrelation des Zusammenhan-

ges, die oftmals durch das begleitende Bodensignal hervorgerufen wird. Um die räumliche

Variabilität der Vegetation besser mit einzubeziehen, gibt es neue Ansätze, die den Vegeta-

tionsanteil quantitativ im Subpixelbereich durch die spektrale Entmischung bestimmen und

auf den C-Faktor übertragen (DE ASIS UND OMASA 2007; MEUSBURGER 2010). Ferner können

spektrale Entmischungsansätze neben dem Anteil der grünen Vegetation auch den Anteil

der trockenen Vegetation quantifizieren (ASNER UND HEIDEBRECHT 2000).

Das semi-humide Untersuchungsgebiet in Nordostspanien (42°25‘49.47‘‘ N, 0°28‘35.04‘‘ E)

ist durch starke inter-annuelle wie auch jahreszeitliche Variabilität von Niederschlag und

Temperatur gekennzeichnet. Verstärkt durch die lokalen Wuchsbedingungen am Standort

(z.B. Mikroklima, Relief, Bodeneigenschaften, anthropogene Nutzung) bilden sich kleinräu-

mige und heterogene Mosaike an vitaler, degradierter und abgestorbener Vegetation sowie

unbedeckte Boden- und Gesteinsflächen heraus. Die räumliche Ausdehnung der einzelnen

Landschaftsformen liegt oftmals innerhalb eines Quadratmeters und damit unterhalb des

räumlichen Auflösungsvermögens von fernerkundlichen Sensoren. Die quantitative Erfas-


2

sung der einzelnen Bestandteile dieser komplexen Mosaike mit Hilfe hyperspektraler Bildda-

tensätze des Dualsensoren AISA-Eagle und AISA-Hawk (Airborne Imaging Spectrometer for

Application) (Specim Ltd., (Oulu), Finnland) stellt den Hauptbestandteil dieser Arbeit dar,

um die C-Faktoren adäquat für drei Landnutzungstypen (Shrubland, Badland und Ackerflä-

chen) ableiten zu können. Diese Landnutzungstypen sind die potentiellen Hauptsediment-

quellen im Untersuchungsgebiet. Hyperspektrale Bilddaten ermöglichen die Differenzierung

zwischen grüner und trockener Vegetation, die den Boden bedecken und vor Abtragung

schützen. Das kontinuierlich detektierte Spektrum vom sichtbaren bis zum kurzwelligen Inf-

rarot weist darüber hinaus die relevanten Absorptionsmerkmale für eine Trennung von tro-

ckener Vegetation und Boden, und Boden von Gestein auf. Für die Ableitung der typischen

Materialklassen des Landschaftausschnittes -photosynthetisch aktive Vegetation (GV), pho-

tosynthetisch nicht-aktive Vegetation (NPV), Boden und Stein - wird der Ansatz der Multiple

Endmember Spectral Mixture Analysis (MESMA) verwendet, die den Vorteil hat, dass die

Endmember (EM) in Anzahl und Ausprägung je Bildpixel variieren können (ROBERTS ET AL.

1998B). Für die räumliche Diskriminierung der C-Faktoren werden die Bilddatensätze mittels

einer überwachten Landnutzungsklassifikation differenziert. Die detaillierte Kartierung der

Landbedeckung und Separierung verschiedener Vegetationstypen ist entscheidend für die

Erosionsmodellierung, da verschiedene Vegetationstypen unterschiedliche Sedimentationsra-

ten generieren (ISSELIN-NONDEDEU UND BEDECARRATS 2007). Die räumliche Übertragung der

MESMA Entmischungsergebnisse auf den C-Faktor erfolgt über zwei Ansätze: (1) über den

empirischen Zusammenhang zwischen dem C-Faktor und dem Verhältnis von offener Bo-

denoberfläche zu Bodenbedeckung nach DE ASIS UND OMASA (2007) und (2) über die Übertra-

gung quantitativer Anteile auf die Variablen der RUSLE Subfaktoren.

1.2 Aufbau und Zielsetzung

Das übergeordnete Ziel dieser Arbeit ist die Entwicklung einer Methodik zur Ableitung

räumlich hochaufgelöster C-Faktor-Karten für zwei Zeitpunkte im jahreszeitli-

chen Verlauf als Eingangsparameter für die Erosionsmodellierung in zwei Teilein-

zugsgebieten des Flusses Isábena im semi-humiden Nordostspanien. Die Umset-

zung soll sowohl durch die Integration bereits bestehender hyperspektraler Fernerkun-

dungsanalysemethoden erfolgen, als auch durch die geeignete Übertragung auf den für die

Erosionsmodellierung bedeutenden Revised Universal Soil Loss Equation (RUSLE) Boden-

und Bearbeitungsfaktor (C-Faktor) realisiert werden. Der Aufbau der Arbeit gliedert sich an

den Arbeitsschritten 1-3. Die Arbeitsschritte werden anhand folgender Hypothesen (a-f)

analysiert:

(1) Im ersten Schritt wird die Multiple Endmember Spectral Mixture Analysis (MESMA)

angewendet, um die quantitativen Anteile der für die Bodenerosion relevanten

funktionalen Klassen photosynthetisch aktive Vegetation (GV), photosynthetisch

nicht-aktive Vegetation (NPV), Boden und Stein zu bestimmen.


3

Hypothese a) Die MESMA Entmischung ist eine geeignete Methode, um komplexe medi-

terrane Landschaftsräume hinsichtlich ihrer Vegetationsbedeckungsdyna-

mik zu beschreiben, da die quantitativen Anteile der o.g. relevanten funk-

tionalen Klassen im Subpixelbereich, also im Maßstabsbereich der natürli-

chen Objekte, abgeleitet werden.

Hypothese b) Die Verwendung hyperspektraler Bilddatensätze ermöglicht die Differen-

zierung photosynthetisch aktiver von photosynthetisch nicht-aktiver Vege-

tation.

(2) Für die spätere räumliche Diskriminierung der C-Faktoren werden im zweiten

Schritt die Bilddatensätze mit Hilfe einer überwachten Klassifikation nach Landnut-

zungstypen differenziert.

Hypothese c) Durch die Verwendung der spektralen Information des bitemporalen Bild-

datensatzes kann nicht nur die Landbedeckung, sondern auch die Land-

nutzung abgeleitet werden.

Hypothese d) Es ist möglich die Landnutzungsklassen ausschließlich aus den gewonnen

Ergebnissen der MESMA Entmischung, d.h. merkmalsbasiert und mit redu-

zierter Bandanzahl, abzuleiten.

(3) Im letzten Schritt werden die MESMA Entmischungsergebnisse für diejenigen Land-

nutzungsklassen pixelbasiert auf den C-Faktor übertragen, die die potentiellen

Hauptsedimentquellen im Einzugsgebiet darstellen (Badland, Ackerflächen und

Shrubland).

Hypothese e) Der gefundene empirische Zusammenhang von DE ASIS UND OMASA (2007)

zwischen dem C-Faktor und dem Verhältnis von offener Bodenoberfläche

zu Bodenbedeckung kann auf das Untersuchungsgebiet dieser Arbeit über-

tragen werden.

Hypothese f) Um den C-Faktor zu kartieren, können die Entmischungsanteile von GV,

NPV und Stein auf die Variablen der Subfaktoren der RUSLE übertragen

werden.

Jeder Arbeitsschritt kann durch umfangreiche in-situ erhobene Referenzdaten hinreichend

validiert werden.

Zusätzlich werden die Ergebnisse der einzelnen Arbeitsschritte hinsichtlich der räumlich–

zeitlichen Änderung des Bodenbedeckungsgrades analysiert und interpretiert. Des Weiteren

wird versucht die möglichen Fehlerquellen der entwickelten Prozesskette zu identifizieren

und einzuordnen.

Grundlagen

5

2 Grundlagen

2.1 Grundlagen der Spektroskopie

2.1.1 Spektroskopische Grundlagen

In der Spektroskopie wird die Absorption, Emission oder Streuung elektromagnetischer

Strahlung an Molekülen und Atomen genutzt um physikalische Prozesse zu untersuchen. Die

Sonne ist dabei Quelle der elektromagnetischen Strahlung und sendet Wellen aller Längen in

unterschiedlichen Intensitäten des elektromagnetischen Spektrums aus. Ein großer Teil die-

ser Strahlung wird von der Atmosphäre absorbiert, vor allem durch Moleküle der atmosphä-

rischen Gase Wasserdampf, Kohlendioxid und Ozon. Des Weiteren kommt es in der Atmo-

sphäre zu Streuungseffekten an Molekülen (Rayleigh Streuung) und Aerosolen (Mie Streu-

ung), wodurch die Strahlungstransmission abgeschwächt wird (LILLESAND UND KIEFER 2008).

Nur ein kleiner Teil gelangt bis zur Erdoberfläche (LÖFFLER ET AL. 2005). Die Bereiche des

elektromagnetischen Spektrums, die für die Sonnenstrahlung durchlässig sind, werden als

atmosphärische Fenster bezeichnet. Zwischen 0.4 und 2.5μm, zwischen 3.5 und 4μm sowie

zwischen 8 und 12μm befinden sich die wichtigsten atmosphärischen Fenster (LÖFFLER ET AL.

2005). Die Strahlung, die die Atmosphäre durchdringt, wird an der Erdoberfläche reflektiert,

absorbiert oder bei lichtdurchlässigen Objekten transmittiert. Die molekulare Zusammenset-

zung des Objektes bestimmt dabei, wie viel der einfallenden Strahlung absorbiert wird

(CLARK 1999). Aus den Objekteigenschaften kann das spezifische Spektrum als graphische

Darstellung von Reflexion, Absorption und Transmission als Funktion der Wellenlänge abge-

leitet werden (BACHMANN 2007). Aus der Position, Form und Tiefe der Absorptionsbanden

eines Spektrums können dann Rückschlüsse auf die einzelnen Bestandteile gezogen werden

(VAN DER MEER UND DE JONG 2001).

Die elektromagnetischen Wellen sind die Träger der Information, die vom Objekt zum Auf-

nahmegerät geleitet werden, also von Fernerkundungsaufnahmesystemen detektiert werden

(LÖFFLER ET AL. 2005). Dabei werden zwei Hauptarten unterschieden: passive und aktive Sen-

sorsysteme. Die aktiven (z.B. Laser- und Radarsysteme) erzeugen selbst Strahlung und de-

tektieren den an der Erdoberfläche reflektieren Anteil. Das in dieser Arbeit verwendete Auf-

nahmesystem gehört zu der Gruppe der passiven optischen Sensoren. Sie nehmen die direk-

te bzw. indirekte Sonneneinstrahlung vom sichtbaren bis zum kurzwelligen Infrarotbereich

des elektromagnetischen Spektrums auf (SCHOWENGERDT 2006). Die passiven optischen Sen-

sorsysteme können anhand der Anzahl ihrer spektralen Kanäle in multispektrale (wenige

spektrale Kanäle) und hyperspektrale Systeme (i.d.R. mehr als 100 spektrale Kanäle) unter-

schieden werden (JENSEN 2007). Hyperspektrale Sensoren werden auch abbildende Spekt-

rometer genannt. Die eintreffende elektromagnetische Strahlung wird kontinuierlich in vielen

schmalbändigen Kanälen aufgezeichnet. Die typische spektrale Auflösung flugzeuggetrage-

ner Systeme liegt bei ca. 20nm, bei Feldspektrometern sogar deutlich unter 10nm (GOETZ ET

AL. 1985). Der erfasste Wellenlängenbereich im reflektierten Teil des Spektrums umfasst in

der Regel 0.4-2.4µm (BACHMANN 2007). Die hyperspektralen Sensorsysteme besitzen also die

Eigenschaft Erdoberflächenmaterialien durch die kontinuierliche Darstellung des Spektrums

Grundlagen

6

anhand ihrer diagnostischen Absorptionsbanden und Reflexionscharakteristika in den

schmalen Wellenlängenintervallen detektieren zu können (LILLESAND UND KIEFER 2008). Für die

sichere Trennung von Böden und Trockenvegetation ist für fernerkundliche Anwendungen in

Trockengebieten besonders der Wellenlängenbereich von 2.0 bis 2.6µm (SWIR2) von Be-

deutung (ASNER UND LOBELL 2000; ELVIDGE 1990). Durch die Eigenschaften des dualen hyper-

spektralen Sensorsystems AISA-Eagle und AISA-Hawk werden die Rahmenbedingungen für

diese Arbeit abgesteckt.

2.1.2 Spektrale Charakteristika von Vegetation

Spektral betrachtet hat Vegetation in der Regel ein recht ähnliches Reflexionsspektrum,

auch wenn es sich um verschiede Pflanzenarten handelt (FOURTY ET AL. 1996; CLEVERS ET AL.

2001; KUMAR ET AL. 2001). Die meisten biochemischen Pflanzenstoffe treten nur in geringen

Konzentrationen auf, ausgenommen Chlorophyll. Ihre Absorptionsbanden sind daher nur

schwach ausgebildet. Die spektrale Variabilität innerhalb eines Artenbestandes, bedingt

durch Pflanzenzustand und Bestandsparametern (u.a. Blatthaltung, LAI, Bedeckungsgrad),

ist oftmals größer als zwischen Pflanzenbeständen verschiedener Pflanzenarten. Daher wird

die spektrale Detektion von Arten als kritisch (OKIN ET AL. 2001; PRICE UND BAUSCH 1995), hin-

gegen die Unterscheidung verschiedener Zustände (vital oder geschädigt, dichter oder lo-

ckerer Bestand) als möglich angesehen (KOKALY UND CLARK 1999; SIMS UND GAMON 2002; GAMON

ET AL. 1997).

Das Reflexionsspektrum grüner gesunder Blattorgane lässt sich in drei Teilbereiche unter-

gliedern (s. Abbildung 2-1). Der Bereich des sichtbaren Lichtes (VIS: 0.4-0.7µm) wird von

den Blattpigmenten beeinflusst, der Bereich des Nahen Infrarots (NIR: 0.7-1.3µm) vom

Zellaufbau der Blätter und Nadeln, und der Bereich des kurzwelligen Infrarots (SWIR: 1.3-

2.6µm) vom Wassergehalt der Zellen (HILDEBRANDT 1996). Im VIS wird der Kurvenverlauf des

Reflexionsspektrums durch die starke Absorption von Chlorophyll a (vorwiegend bei 0.43

und 0.66µm) und b (vorwiegend bei 0.45 und 0.65µm) sowie Carotinoiden bestimmt. Dabei

wird der blau-und rotwellige Anteil des VIS in den Chloroplasten stärker absorbiert als der

grüne Anteil. Die stärkere Reflexion im grünen Wellenlängenbereich bei ca. 0.54µm lässt als

Folge vitale gesunde Blattorgane für das menschliche Auge grün erscheinen („Green Peak“).

Zwischen ca. 0.7-1.3µm bestimmt die Blattstruktur das Reflexionsverhalten des Blattorga-

nes. Großen Einfluss haben die Strukturen des Schwammgewebes im Mesophyll sowie die

Art der Füllung (Luft, Wasser oder Öl). Der Übergang zwischen starker Absorption im roten

Wellenlängenbereich und hoher Reflexion im NIR bezeichnet man als „Red Edge“. Der Was-

sergehalt der Pflanze spiegelt sich im Reflexionsverhalten ab ca. 0.9µm wider. Mit zuneh-

mendem Pflanzenwassergehalt nimmt der Reflexionsgrad über den gesamten SWIR Bereich

ab und Absorptionsbanden anderer Pflanzenbestandteile werden überdeckt. Ebenso können

Änderungen des Pflanzenwassergehaltes an den Wasserabsorptionsbanden detektiert wer-

den (bei 0.97µm, 1.2µm und 1.77µm und stark bei 1.4µm und 1.9µm) (BACHMANN 2007;

JENSEN 2007).

Grundlagen

7

Abbildung 2-1: Spektrale Charakteristika photosynthetisch aktiver Vegetation (grün) und photosynthetisch nicht-aktiver Vegetation (trocken). Darstellung der Wellenlängenbereiche für die Vegetationsindizes NDVI (grün) und CAI (rot) und der Wasserabsorptionsbanden (blau). Beispiele aus dem Bilddatensatz August 2011. (Quelle: verändert nach JENSEN (2007).

Beim Absterben der Pflanze nimmt der Pflanzenwassergehalt im Schwammgewebe ab, die

Wasserabsorptionsbanden gehen zurück, die gesamte Reflexion im SWIR steigt. Die Absorp-

tionsbanden anderer Pflanzenbestandteile treten hervor. Beim Zerfall der Pflanze wird das

leicht zersetzbare Chlorophyll zuerst abgebaut, was zu einer höheren Reflexion im VIS führt.

Der dann gelbliche Farbeindruck eines sterbenden Blattes wird durch die Carotinoide verur-

sacht, die weiterhin im blauen Wellenlängenbereich absorbieren. Ebenfalls charakteristisch

ist der sich abschwächende „Red Edge“. Mit zunehmender Zersetzung dominieren Tannine

und führen zu einer Reduktion der Reflexion um 0.4 - 07µm (BACHMANN 2007).

2.1.3 Spektrale Charakteristika von Böden

Die Reflexionseigenschaft von Böden ohne Pflanzenbedeckung wird vorwiegend durch Ab-

sorption der mineralischen Bestandteile, der organischen Bestandteile sowie des Wasserge-

haltes im Oberboden (obersten Mikrometer) bestimmt. Mit zunehmender Bodenfeuchte sinkt

die spektrale Reflexion über den ganzen Wellenlängenbereich, die Wasserabsorptionsban-

den bei 1.45µm, 1.95µm und 2.7µm lassen sich im Verlauf der spektralen Signatur immer

deutlicher erkennen (HILDEBRANDT 1996). Dieser Sachverhalt tritt bei allen Bodenarten auf,

zwei Beispiele für sandige und tonige Böden können aus Abbildung 2-2 entnommen werden.

Ebenfalls haben Humusstoffe in oder auf der obersten Bodenschicht Einfluss auf das spekt-

rale Verhalten der Böden. Je höher der Humusanteil, desto geringer das Reflexionsverhalten

über den gesamten VNIR Bereich. Allerdings wird der Grad der Reflexionsabsenkung nicht

nur von den Humusstoffen selbst, sondern auch von der mineralischen Zusammensetzung

des Bodens bestimmt (JENSEN 2007). Der Verlauf des Spektrums wird meist durch Begleitmi-

nerale geprägt, da die Hauptbestandteile der Bodenminerale Si und Al in den Wellenlängen-

Grundlagen

8

bereichen VNIR und SWIR keine Absorption aufweisen (BAUMGARDNER ET AL. 1985; BEN-DOR ET

AL. 1999; CLEVERS ET AL. 2001). Durch die feine Vermischung sind Absorptionsbanden aller-

dings nicht so stark ausgeprägt wie bei reinen Stoffen. Jedoch können aus der Detektion

spezifischer Absorptionsbanden einzelner Mineralien Rückschlüsse auf die Bodenart getrof-

fen werden (HILDEBRANDT 1996). Eines der am meisten vertretenen Minerale in Böden ist

Eisen, das gut löslich in Wasser ist (HUNT ET AL. 1971). Viele der spezifischen Absorptions-

banden von Böden im ultra-violetten und sichtbaren Licht und nahem Infrarot sind auf den

Eisengehalt zurückzuführen. Ferner führt die Größe der Bodenpartikel (Korngröße) zur Ver-

änderung der spektralen Signatur über den gesamten Wellenlängenbereich. Feine Partikel

weisen einen höheren Reflexionsgrad auf, gröbere (bspw. Tonaggregate) hingegen führen

zu niedrigen Reflexionsgraden (BACHMANN 2007).

Abbildung 2-2: Spektrale Signaturen sandiger (a) und toniger Böden (b) mit unter-schiedlichen Bodenfeuchtegehalten. (Quelle: verändert nach JENSEN 2007).

Da Fernerkundungssysteme häufig Mischsignale der Erdoberfläche aufnehmen, sind genaue

Kenntnisse über das komplexe spektrale Reflexionsvermögen der Böden für Vegetationsun-

tersuchungen von großer Bedeutung. Weist ein Mischpixel sowohl Vegetations- als auch

Bodenanteile auf, haben beide Komponenten Einfluss auf die spektrale Signatur. So sollte

neben dem Reflexionsverhalten des Pflanzenbestandes auch das Reflexionsverhalten des

Bodens berücksichtigt werden, um genaue Analyseergebnisse erzielen zu können.

Grundlagen

9

2.1.4 Spektrale Charakteristika von Gesteinen

Abbildende Spektrometer sind sehr hilfreich um quantitative und qualitative Informationen

über Gesteinsarten oder Mineralkompositionen zu erhalten. Die verschiedenen Mineraltypen

absorbieren oder reflektieren die einfallende elektromagnetische Strahlung in unterschiedli-

cher Weise. Das Auftreten von charakteristischen Absorptionsbanden ist auf zwei wesentli-

che Prozesse zurückzuführen: Elektronentransfer- und die Vibrationsprozesse (JENSEN ET AL.

2007). Vibrationsprozesse treten häufig in den Wellenlängenbereichen größer 1µm auf,

während die energiereichen Elektronentransferprozesse eher in den Wellenlängenbereichen

kleiner 1µm lokalisiert sind (IRONS ET AL. 1989; HUNT ET A. 1971). Ursachen für elektronische

Absorption können Kristallfelddefekte, Ladungsübergänge oder Leitungsbänder sein. Eine

genaue Ausführung der einzelnen Prozesse findet sich bei IRONS ET AL. (1989) und GOETZ

(1989). Jeder Transfer von Elektronen zu einem höheren Energieniveau bedingt eine Ab-

sorption der elektromagnetischen Strahlung in verschiedenen Wellenlängenbereichen und

resultiert damit in einem charakteristischen spektralen Kurvenverlauf. Die Absorption durch

Vibrationsprozesse findet in Molekülen statt. Die Vibration eines Moleküls beinhaltet geringe

Verlagerungen der Atome aus ihren Gleichgewichtszuständen (HUNT 1971). Moleküle können

unterschiedliche Vibrationszustände aufweisen. Die Übergänge zwischen den Zuständen

resultiert in der Emission oder Absorption von elektromagnetischer Strahlung. Die Anzahl,

Position, Stärke und Ausprägung des spektralen Merkmals ist abhängig von den Atommas-

sen, deren Geometrie und der Bindungsstärke. Absorptionsbanden, die durch Elektronen-

prozesse hervorgerufen werden, sind oftmals breiter im Vergleich zu den Absorptionsmerk-

malen der Vibrationsprozesse (HUNT UND SALISBURY 1971).

2.2 Grundlagen der spektralen Entmischung

2.2.1 Das spektrale Mischungsmodell

Die Definition des spektralen Mischungsmodell besagt, dass „[…] die vom Sensor gemesse-

ne Strahldichte die integrierte Summe der spektralen Ausstrahlung aller Objekte innerhalb

des erfassten Raumwinkels (IFOV) darstellt, wobei die Anteile am Signal in Relation zu den

geometrischen Anteilen im IFOV stehen“ (BACHMANN 2007). Wenn die Anteile am Signal an-

nähernd den geometrischen Anteilen innerhalb der erfassten Fläche (GIFOV) entsprechen,

wird von einem linearen spektralen Mischungsmodell gesprochen (ADAMS UND SMITH 1986;

SHIMABUKURO UND SMITH 1991) (s. Abbildung 2-3) und lässt sich wie folgt formulieren:

Formel 1

wobei ρm der gemessene Reflexionsgrad, n die Anzahl der Oberflächenmaterialien im Bildpi-

xel, ρmaterial (n) der Reflexionsgrad des Oberflächenmaterials n und ƒMaterial (n) Anteil des Ober-

flächenmaterials n in einem Bildpixel ist (verändert nach BACHMANN 2007). Die einzelnen

Oberflächenmaterialien werden im Folgenden als Endmember (EM) bezeichnet. Diese Be-

zeichnung ist auch in deutschsprachigen Arbeiten gebräuchlich (HOSTERT ET AL. 2001; HEIDEN

2004). Der Begriff EM-Modell wird dann gebraucht, wenn die Entmischung mit allen EM

Grundlagen

10

gleichzeitig angewandt wird. Die in dieser Arbeit verwendeten EM-Modelle bestehen aus je

einem Spektrum der Materialklassen GV, NPV, Boden, Stein und/oder einer photometrischen

Schattenkomponente. Sieben verschiedene Ursachen können die spektralen Mischungspro-

zesse bedingen:

(1) Die Grenze von zwei diskreten Objekten verläuft innerhalb eines GIFOVs

(2) Es treten diskrete Objekte auf, die kleiner als GIFOV sind,

(3) Das Material selbst ist eine Mischung aus anderen Materialien

(4) Das Material wird innerhalb des GIFOVs teilweise oder verschieden stark be-

schattet

(5) Es dringt von benachbarten Bereichen verstärkt Strahlung in das Bildpixel ein

(adjacency effect)

(6) Aufgrund der Sensoreigenschaft beeinflussen verstärkt Signale umgebener Be-

reiche die Messung (PSF-Effekte)

(7) Innerhalb eines GIFOVs treten häufig Mehrfachstreuungsprozesse auf

Nur die Ursachen 1-4 können über das lineare Mischungsmodell erklärt werden, da sie In-

formationen über flächenmäßige Subpixelanteile liefern (eba.). Die Ursachen 6 und 7 gehö-

ren zu den nicht-linearen Effekten eines spektralen Mischungsprozesses.

2.2.2 Die spektrale Entmischung

Die spektrale Entmischung (engl. Spectral Mixture Analysis, SMA) modelliert den Reflexi-

onsgrad eines Bildpixels als eine Linearkombination reiner Spektren, die Endmember (EM)

genannt werden (ADAMS ET AL. 1993). Die Spektrale Entmischung erwies sich als geeignete

Methode in einer Vielzahl von Vegetationsstudien (GRAETZ UND GENTLE 1982; SMITH ET AL.

1990; HILL 1993; WESSMAN ET AL. 1997; GARDNER 1997; ROBERTS ET AL. 1993, 1998; OKIN ET AL.

1998, 1999; MCGWIRE ET AL. 2000; ELMORE ET AL. 2000). Die spektrale Entmischung nimmt an,

dass die am Sensor gemessene Radianz als lineare Summe einzelner Bildpixelkomponenten

gewichtetet nach ihrer anteiligen Abundanz jeder spektralen Komponente modelliert werden

kann. Die anteilige Abundanz wir generell als die relative Fläche interpretiert, die eine Mate-

rialkomponente in einem Bildpixel einnimmt (OKIN ET AL. 1998). Der Mischungs- und Ent-

mischungsprozess ist in Abbildung 2-3 vereinfacht dargestellt. Die spektrale Entmischung

gehört zu der Gruppe der „weichen“ Klassifikation, da jedes Bildpixel zu mehr als einer Klas-

se gehören kann und unterschiedliche Zugehörigkeitswahrscheinlichkeiten zu den jeweiligen

Klassen besitzt. Harte Klassifikationssysteme weisen jedem Bildelement eine feste Klasse zu

(LILLESAND UND KIEFER 2008; BACHMANN 2007). Viele Studien zeigen eine hohe Korrelation zwi-

schen den entmischten Abundanzen und dem Anteil grüner Vegetation in einem räumlichen

Referenzausschnitt (SMITH ET AL. 1990; ELMORE ET AL. 2000; MCGWIRE ET AL. 2000).

Grundlagen

11

Abbildung 2-3: Vereinfachte schematische Darstellung der Ergebnisse des spektralen Mischungs- und Entmischungsprozesses. Ein heterogener Land-schaftsausschnitt in einem Bildpixel resultiert in einem Mischpixel. Dieser kann in die jeweilige Abundanz entmischt werden. Ergebnis ist ein Bild mit den quantitativen Anteilen der Materialkomponenten des heterogenen Landschaftsausschnittes. (Quelle: verändert nach BARTHOLO-

MEUS 2009).

Die Annahme der spektralen Entmischung, dass die Bildkomponenten linear gemischt sind,

ignoriert nicht-lineare Effekte, wird jedoch in vielen Studien verwendet um die Analyse und

Interpretation zu vereinfachen (SMITH ET AL. 1990; ADAMS ET AL. 1993; ROBERTS ET AL. 1993,

1998; OKIN ET AL. 1998, 1999; PAINTER ET AL. 1998; ELMORE ET AL. 2000; MCGWIRE ET AL. 2000).

Die mathematische Formulierung nach ADAMS ET AL. (1996) lautet wie folgt:

Formel 2

wobei Pi das zu entmischende Spektrum in Band i ist, n ist die Anzahl der EM, fki ist der An-

teil des EM k in Band i, Pki der Reflektanzwert des EM k in Band i und ɛi ist der Fehler der

Residuen im entsprechendem Band i. Die modellierten Abundanzen werden durch folgende

Bedingung beschränk:

Formel 3

Die Modellgüte wird über den Root Mean Square Error (RMSE) der Residuen der modellier-

ten Bildpixel über alle Bänder bestimmt. Der RMSE gibt mit

Grundlagen

12

Formel 4

den Grad der Anpassung eines modellierten Spektrums an das Originalspektrum an (ADAMS

ET AL. 1993; ROBERTS ET AL. 1998; OKIN ET AL. 1998, 1999; PAINTER ET AL. 1998), wobei das Resi-

duum (ei) für jedes Band (λ) quadriert wird. Anschließend wird das Mittel über alle Wellen-

längen berechnet und erneut quadriert. Dabei deuten hohe RMSE auf Bildflächen hin, die

wahrscheinlich nicht durch geeignete EM modelliert werden können (BARTHOLOMEUS 2009).

Die geläufigsten spektralen Entmischungsansätze benutzen ein einzelnes Mischungsmodell

mit einer festen Anzahl von EM um alle Pixel eines Bilddatensatzes oder mehrerer Bilddaten-

sätze zu modellieren (GILLESPIE ET AL. 1990; SMITH ET AL. 1990; SABOL ET AL. 1992; ADAMS ET AL.

1993; ROBERTS ET AL. 1993; ELMORE ET AL. 2000; MCGWIRE ET AL. 2000). Die grundlegenden EM

Modelle terrestrischer Bilder verwenden die Materialkomponenten Schatten, grüne Vegetati-

on und dominante Substrate (SABOL ET AL. 1992). Das EM Model speziell für Vegetationsstu-

dien wurde um die Materialkomponente photosynthetisch nicht-aktive Vegetation (NPV)

erweitert (ADAMS ET AL. 1995; ROBERTS ET AL. 1997). Allerdings vernachlässigt der relativ einfa-

che Entmischungsansatz die Variabilität in der Anzahl und Ausprägung der EM, die innerhalb

eines Bilddatensatzes vorkommen.

Als Trainingsdaten für die spektrale Entmischung werden reine Spektren von Objekten der

Erdoberfläche benötigt. Das können entweder Spektren sein, die direkt aus dem Bilddaten-

satz gewonnen werden (ADAMS ET AL. 1993; ROBERTS ET AL. 1999B) oder bildunabhängige

Spektren, die bspw. im Labor (GILLESPIE ET AL. 1990; SMITH ET AL. 1990; SABOL ET AL. 1992; RO-

BERTS ET AL. 1993, 1998; OKIN ET AL. 1998, 1999) oder am Boden mit einen Feldspektrometer

(HALLIGAN 2002) aufgenommen worden sind. Eine Mischung beider Ansätze verwendet RO-

BERTS ET AL. (1999A). In dieser Arbeit werden die EM aus dem Bild abgeleitet. Die Verwen-

dung von Bildspektren schafft Kostenkontrolle, limitiert die Diskrepanzen zwischen den Bild-

spektren und den Spektren der EM Bibliothek, vermeidet die Anschaffung teurer Aufnahme-

techniken und ermöglicht sogar die Detektion von EM in dicht bewachsenen Landschafts-

ausschnitten. Des Weiteren kann die räumliche Auflösung der Bildspektren nicht-lineare

Mischungsprozesse minimieren, da Mehrfachstreuungsprozesse in den EM mit enthalten sind

(HALLIGAN 2002) Die Auswahl geeigneter EM für MESMA Entmischung kann manuell durch

Szenen-Kenntnisse erfolgen (GARCÍA-HARO ET AL. 2005; ROBERTS ET AL. 1998) oder aber durch

automatische Ansätze (BACHMANN 2007). In einem Merkmalsraum sind die Spektren der EM

die Extrempunkte der Datenverteilung. Deshalb zielen die meisten Ansätze zur Auswahl der

EM auf die Bestimmung der Extrempunkte im Datenraum ab. Die Detektion reiner EM wird

besonders von dem Größenverhältnis GSD des Sensors zur Objektgröße des EM Materials

beeinflusst. Es ist ebenso problematisch reine EM zu detektieren, wenn diskrete räumliche

Mischungen auftreten, was bspw. in semi-ariden Landschaften der Fall ist, die durch kleine

Mosaike aus Gräsern, offenen Boden und Sträuchern gekennzeichnet sind (BACHMANN 2007).

Haben die EM keine charakteristischen Merkmale in ihren Spektren oder weisen starke Ähn-

lichkeiten mit anderen EM auf, dann liegen sie nicht an den Extrempunkten im Datenraum

Theorie der Endmemberauswahl

Grundlagen

13

und werden mit hoher Wahrscheinlichkeit nicht detektiert (GARCÍA-HARO ET AL. 1999). BRDF-

und Beleuchtungseffekte sowie Sensorrauschen rufen atypische und extreme Ausprägungen

der EM Spektren hervor, was ebenfalls die Detektion geeigneter EM erschwert (BACHMANN

2007). Die Auswahl geeigneter EM stellt einen der kritischsten Schritte für die spektrale

Entmischung dar (DENNISON UND ROBERTS 2003; TOMPKINS ET AL. 1997).

2.2.3 Multiple Endmember Spectral Mixture Analysis (MESMA)

Abbildung 2-4: Ablaufdiagramm der MESMA Entmischung. (Quelle: verändert nach BACH-MANN 2007).

Normalerweise wird für die spektrale Entmischung eine vorgegebene Anzahl repräsentativer

EM verwendet, üblicherweise zwischen 2 und 5 EM, und damit anschließend der gesamte

Bilddatensatz entmischt. Allerdings kann die limitierte Anzahl an EM nicht immer alle Materi-

alkomponenten in einem Bilddatensatz hinreichend modellieren oder Bildpixel werden durch

einen EM modelliert, der nicht der Materialkomponente auf der Erdoberfläche entspricht

(POWELL 2007). Beide Fälle reduzieren die Genauigkeit der bestimmten quantitativen Anteile

(SABOL ET AL. 1992). Besonders für urbane (POWELL 2007) und heterogene mediterrane Land-

schaftsräume (BACHMANN 2007), die durch eine hohe räumliche spektrale Variabilität inner-

halb eines kleinen Landschaftsausschnittes gekennzeichnet sind, ist die Verwendung des

einfachen spektralen Entmischungsansatzes problematisch. Den eben angesprochenen Prob-

Grundlagen

14

lematiken wirkt der Ansatz der Multiple Endmember Spectral Micture Analysis (MESMA)

entgegen, bei dem die EM in Anzahl und Ausprägung je Bildpixel variieren können (ROBERTS

ET AL. 1998B). Eine vereinfachte Darstellung der einzelnen MESMA Schritte ist in Abbildung

2-4 dargestellt. Hierbei kann das optimale Mischungsmodell auf jeden Bildpixel angewendet

werden, anstatt mit einer limitierten EM Bibliothek lediglich ein einzelnes Mischungsmodell

ausfindig zu machen. Ein weiterer wesentlicher Unterschied zur normalen spektralen Ent-

mischung besteht in der Auswahl der EM. MESMA fokussiert nicht die Identifizierung reiner

Spektren, sondern solcher, die die Variabilität der gesamten Oberfläche repräsentieren (OKIN

ET AL. 2001; PAINTER ET AL. 1998; ROBERTS ET AL. 1998B). Der MESMA Ansatz ist erfolgreich an-

gewendet worden zur Kartierung schneebedeckter Flächen und Differenzierung der Korn-

größe von Schnee (PAINTER ET AL. 1998), zur Kartierung von Vegetation im Unterholz (RO-

BERTS ET AL. 1996, 1998; GARDNER 1997), Nadelwald (ROBERTS ET AL. 1999) und Trockenvegeta-

tion (OKIN ET AL. 1998, 1999). In dieser Arbeit wurde der MESMA Ansatz angewandt um in

einem Zwischenschritt die quantitativen Anteile der Materialkomponenten GV, NPV, Boden

und Stein eines stark heterogenen mediterranen Landschaftsausschnittes zu bestimmen.

Viele der bisherigen Forschungsarbeiten, die den spektralen Entmischungsansatz verwendet

haben, konnten keine Angaben zur absoluten Genauigkeit der Ergebnisse machen (ELMORE

ET AL. 2000; XIAO UND MOODY 2005). In dieser Arbeit können die durch MESMA bestimmten

quantitativen Anteile aufgrund umfangreicher in-situ Referenzdaten hinreichend validiert

werden.

2.3 Der Klassifikator Support Vector Machine (SVM)

Als Support Vector Machine (SVM) wird ein universelles Lernverfahren bezeichnet, das sei-

nen Ursprung in der statistischen Lerntheorie hat und für die Lösung von Klassifikations-

und Regressionsproblemen angewandt wird (SMOLA UND SCHOELKOPF 2004; VAPNIK 1999). Im

deutschen Sprachraum ist SVM auch als Stützvektormethode bekannt. Für eine genauere

Vertiefung der statistischen Hintergrundtheorien sei auf VAPNIK (1999), BURGES (1998), SMOLA

(1998) verwiesen, für die Anwendung von SVM im fernerkundlichen Kontext auf FOODY UND

MATHUR (2004), HUANG ET AL. (2002), MELGANI UND BRUZZONE (2004) und WASKE UND VAN DER

LINDEN (2008). Im Allgemeinen besagt die Theorie der SVM, dass aus einer gegebenen Men-

ge an Trainingsdaten Klassifikationsregeln abgeleitet werden können, die in der Lage sind

unbekannte Datensätze mit einer möglichst hohen Genauigkeit zu klassifizieren. Dabei ist

das Ziel, die Wahrscheinlichkeit einer falschen Klassenvorhersage für einen neuen Datensatz

zu minimieren (WROBEL ET AL. 2003). Im einfachsten Fall lassen sich zwei Klassen voneinan-

der trennen. Die beiden Klassen werden mit Hilfe von sogenannten Hyperebenen (H) vonei-

nander abgegrenzt. Hyperebenen sind Geraden in einem zweidimensionalen Raum und kön-

nen als lineare Gleichungen beschrieben werden. Die Merkmale der Klassen, die der optima-

len Hyperebene (HO) am nächsten sind, werden Stützvektoren (support vectors) genannt.

Die Hyperebenen dieser Stützvektoren (HA und HB) liegen in einem bestimmten Abstand δ

parallel zur optimalen Hyperebene (s. Abbildung 2-5). Selbige müssen im Falle einer linearen

Trennung mindestens alle anderen Merkmalsausprägungen dieser Klasse aufweisen.

Grundlagen

15

Abbildung 2-5: Trennung zweier Klassen mit Hilfe der optimalen Hyperebenen (HO). (Quelle: Eigene Darstellung 2013).

Für nicht-linear trennbare Klassen - wenn beispielweise Merkmalsausprägungen nicht den

erforderlichen Abstand δ zur optimalen Hyperebene erfüllen können - werden die Merkmals-

vektoren in einen hochdimensionalen Raum transformiert. Hier können die Klassen ebenfalls

durch lineare Klassifikationsregeln getrennt werden, wohingegen die nicht-lineare Klassifika-

tionsregel im Eingaberaum beliebig komplex ist (s. Abbildung 2-6).

Abbildung 2-6: a) nicht-lineare Trennung zweier Klassen in einem zweidimensiona-lem Raum; b) lineare Trennung der gleichen Klassen im dreidimensio-nalen Raum. (Quelle: Eigene Darstellung 2013).

Da die Transformation sehr rechen- und zeitintensiv ist, wird der sogenannte Kerneltrick

angewandt. Der Kerneltrick bezeichnet Algorithmen, die die Ermittlung der optimalen Hy-

Grundlagen

16

perebene in einem hochdimensionalen Raum vereinfachen. Eine genaue Beschreibung be-

findet sich in den Arbeiten von SCHÖLKOPF UND SMOLA (2004) und VAPNIK (1999). Die SVM zeigt

gute Klassifikationsergebnisse im Vergleich zu anderen Klassifikatoren u.a in den Studien

von PAL UND MATHER (2006), FOODY UND MATHUR (2004A), HUANG ET AL. (2002) und MELGANI UND

BRUZZONE (2004). Ein weiterer Vorteil ist die Anzahl der Trainingspixel für die Parametrisie-

rung. Diese kann deutlich reduziert werden, da für die Ermittlung der optimalen Hyperebene

nur die Pixel notwendig sind, die am Rand einer Klasse liegen und als Stützvektoren ver-

wendet werden (FOODY UND MATHUR 2004B). Für die Bildklassifikation im Bereich der hyper-

spektralen Fernerkundungsdaten hat die SVM den Vorteil, mit der hohen Dimensionalität der

Daten umgehen zu können (BRAUN ET AL. 2010).

2.4 Grundlagen der Revised Universal Soil Loss Equation (RUSLE)

Ursprünglich haben WISCHMEYER UND SMITH (1978) in zahlreichen Versuchen auf standardisier-

ten Flächen den langjährigen Bodenabtrag (1930-1978) gemessen. Durch Korrelation vieler

Eigenschaften des Bodenabtrages an den beprobten Standorten in den USA konnten sie

sechs Faktoren identifizieren, die den jährlichen Abtrag hinreichend beschreiben. Die Fakto-

ren sind in der Universal Soil Loss Equation (USLE) zusammengefasst worden. Im deutsch-

sprachigen Raum wird diese Gleichung als Allgemeine Bodenabtragsgleichung (ABAG) be-

zeichnet. Die Gleichung wird wie folgt formuliert:

Formel 5

wobei A den jährlichen Bodenabtrag durch Flächen-und Rillenerosion in [t/acre] darstellt, R

den Regen- und Oberflächenabflussfaktor, K den Bodenerodierbarkeitsfaktor, LS den Topo-

graphiefaktor, C den Bedeckungs- und Bearbeitungsfaktor und P den Erosionsschutzfaktor.

Es handelt sich um ein empirisches Modell zur Abschätzung der Bodenerosion durch Wasser.

Es wird nur die Flächen- und Rillenerosion betrachtet. Die Revised Universal Soil Loss

Equation (RUSLE) (RENARD ET AL. 1997) ist eine überarbeitete Version der USLE. Die RUSLE

übernimmt die Faktoren der USLE um ebenfalls den jährlichen Bodenabtrag durch Flächen-

und Rillenerosion zu bestimmen. Jedoch wurden die einzelnen Faktoren entweder aktuali-

siert oder neue Zusammenhänge und Erkenntnisse aus moderneren Erosionstheorien inte-

griert. Der Bedeckungs- und Bearbeitungsfaktor (C-Faktor) kann nun durch weitere Subfak-

toren für Ackerflächen und Weideland bestimmt werden (JONES ET AL. O. A.).

2.4.1 Der Bedeckungs- und Bearbeitungsfaktor (C-Faktor)

Der Bedeckungs- und Bearbeitungsfaktor (engl. crop and managment factor) beschreibt die

Wirkung landwirtschaftlicher Bearbeitungsmaßnahmen auf den Bodenabtrag. Er zeigt auf,

inwieweit bestimmte Bewirtschaftungsstrategien den mittleren jährlichen Bodenabtrag be-

einflussen und wie sich das Erosionspotential in Abhängigkeit von Managementmaßnahmen

wie bspw. verschiedene Fruchtfolgen oder Bautätigkeiten über einen Zeitraum verteilt ver-

ändert (RENARD ET AL. 1997). Wie die meisten anderen Faktoren der RUSLE, basiert auch der

Grundlagen

17

C-Faktor auf der Abweichung eines Standards. Als Bezugsgröße dient eine Fläche, die einen

definierten Bearbeitungszyklus aufweist. Das Bodenabtragsverhältnis (engl. soil-loss-ratio)

(SLR) wird bestimmt aus dem Verhältnis von Bodenabtrag unter aktuell vorherrschenden

Bedingungen zum Bodenabtrag, der unter Referenzbedingungen gemessen worden ist.

WISCHMEIER (1975) und MUTCHLER ET AL. (1982) erkennen, dass sich die Hauptursachen für

Bodenabtrag in Subfaktoren beschreiben lassen. RUSLE benutzt die Subfaktoren modifiziert

nach LAFLEN ET AL. (1985) und WELTZ ET AL. (1987). Der Ansatz der RUSLE zieht Parameter in

Betracht wie den Einfluss der vorhergehenden Anbaufrucht und Bewirtschaftung, den Erosi-

onsschutz durch das Kronendach, die Bodenbedeckung und die Oberflächenrauigkeit sowie

die Bodenfeuchte. In der RUSLE wird jeder Parameter einem Subfaktor zugeordnet. Die

einzelnen Subfaktoren multipliziert ergeben SLR.

Basierend auf der Beschreibung in LAFLEN ET AL. (1985) der Wirkung landwirtschaftlicher Be-

arbeitungsmaßnahmen auf den Bodenabtrag, kann das Bodenabtragsverhältnis (SLR) wie

folgt beschrieben werden:

Formel 6

wobei der PLU Subfaktor Informationen über die vorhergehende Anbaufrucht und Bewirt-

schaftung, CC die Kronendachbedeckung, SC den Bodenbedeckungsgrad, SR die Oberflä-

chenrauigkeit und SM die Bodenfeuchte darstellt. Jeder Subfaktor enthält weitere Landbe-

wirtschaftungsvariablen und geht als Funktion einer oder mehrerer Variablen in die Glei-

chung ein. Der Wertebereich variiert zwischen 0 und 1, wobei kleine Werte Flächen mit ei-

nem geringen Erosionspotential (hoher Bedeckungsgrad) ausweisen, große Werte hingegen

Flächen mit einem hohen Erosionspotential kennzeichnen (niedriger Bedeckungsgrad).

Der Subfaktor über die vorhergehende Anbaufrucht und Bewirtschaftung (engl. prior-land-

use-subfactor) kombiniert den Einfluss der unterirdischen Pflanzenrückstände (Wurzeln etc.)

des vorhergehenden Fruchtbestandes auf die Bodenerosion und die Effekte ehemaliger Be-

wirtschaftungspraktiken hinsichtlich der Bodenverdichtung. Die Beziehung wird wie folgt

formuliert:

Formel 7

Wobei Cf den Bodenverdichtungsfaktor darstellt, Cb den relativen Einfluss der Pflanzenrück-

stände auf die Bodenverdichtung, Bur die Dichte lebendiger und toter Wurzeln im Oberboden

und Bus die Dichte anderer Pflanzenrückstände im Oberboden. cuf repräsentiert den Einfluss

der Bodenverdichtung auf die Effekte der im Oberboden integrierten Pflanzenrückstände, cur

und cus sind Kalibrationskoeffizienten, die den Effektgrad der Pflanzenrückstände angeben

(RENARD ET AL. 1997).

Der Kronendachbedeckungsfaktor (engl. canopy-cover-subfactor) formuliert den Effekt der

Vegetationsbedeckung die Energieleistung der Regentropfen zu verringern, bevor sie auf die

Bodenoberfläche treffen. Die Regentropfen werden im Kronendach geteilt oder gelangen

Subfaktor über die vorhergehende

Anbaufrucht und Bewirtschaftung (PLU)

Kronendachbedeckungs-subfaktor (CC)

Grundlagen

18

über die Blätter und den Stamm auf die Bodenoberfläche. Dieser Effekt des Kronendaches

des Vegetationsbestandes wird durch folgende Gleichung ausgedrückt:

Formel 8

Wobei Fc den Flächenanteil des Kronendaches in einem Wertebereich von 0-1 angibt und H

die Fallhöhe in [ft] der Regentropfen nach dem Auftreffen auf das Kronendach (RENARD ET AL.

1997).

Die Bodenbedeckung (engl. surface-cover-subfactor) wirkt in vielerlei Hinsicht auf die Bo-

denerosion und ist damit der wichtigste Subfaktor in der Bestimmung des SLR (RENARD ET AL.

1997, S.158). Durch die Bodenbedeckung wird die Transportkapazität des Oberflächenab-

flusses verringert (FOSTER 1982), Oberflächenmaterialen in gefluteten Arealen abgelagert

(LAFLEN 1983) und die Energie der auftreffenden Regentropfen abgeschwächt. Elemente der

Bodenbedeckung sind Pflanzenrückstände, Steine, Flechten, Moose und andere nicht

erodierbare Materialien, die direkt auf der Erdoberfläche gelagert sind (SIMANTON ET AL. 1984;

BOX 1981; MEYER ET AL. 1972). Der Einfluss auf die Bodenerosion durch die Bodenbedeckung

wird wie folgt beschrieben:

Formel 9

Wobei Fc den Flächenanteil der Bodenbedeckung in [%] angibt und Ru die mittlere Oberflä-

chenrauigkeit in [in] darstellt. Der empirische Koeffizient b beschreibt den Einfluss der Be-

schaffenheit der Bodenoberfläche auf die allgemeine Bodenerosion. Bodenoberflächen auf

denen hauptsächlich Rillenerosion auftritt wird ein b Wert von ca. 0.050 zugewiesen; Bo-

denoberflächen, die durch Flächenerosion dominiert werden erhalten einen b Wert von ca.

0.025 (RENARD ET AL. 1997).

COGO ET AL. (1984) haben in ihrer Arbeit nachgewiesen, dass die Oberflächenrauigkeit eines

Bodens direkten Einfluss auf die Bodenerosion hat. Die Oberflächenrauigkeit (engl. surface-

roughness-subfactor) ist eine Funktion der mittleren Oberflächenrauigkeit (Ru), welche als

Standardabweichung des Oberflächenreliefs definiert ist. Nicht zufällige Oberflächenstörun-

gen (bspw. Ackerfurchen), die durch Bewirtschaftungsmaßnahmen hervorgerufen worden

sind, werden nicht mit in Betracht gezogen (ALLMARAS ET AL. 1966). Ein stark ausgeprägtes

Bodenrelief verlangsamt die Fließgeschwindigkeit des Oberflächenabfluss und verringert

damit die Transportkapazität und die Verlagerung von Oberflächenmaterialien (RENARD ET AL.

1997, S.160). Des Weiteren tendieren Böden mit einer geringeren Oberflächenrauigkeit zu

höheren Infiltrationsraten. Durch auftreffenden Niederschlag werden die Bodenporen durch

die feine Bodentextur verdichtet, Niederschlagswasser wird kaum infiltriert und fließt als

Oberflächenabfluss ab (SUMMER UND STEWART 1992). Der Einfluss der Oberflächenrauigkeit

wird an der Abweichung von einem definierten Grundzustand der Bezugsfläche gemessen.

Weist der Boden diesen Grundzustand auf, wird SR gleich eins gesetzt, die mittlere Oberflä-

Bodenbedeckungs- subfaktor (SC)

Oberflächenrauigkeits- subfaktor (SR)

Grundlagen

19

chenrauigkeit (Ru) beträgt dann 0.24. Durch Festlegung dieser Bedingungen können auch

SR Werte größer als eins auftreten, wenn die Oberbodentextur sehr fein ist und damit Ru

kleiner als 0.24 bestimmt wird. Die methodische Anleitung zur Bestimmung von Ru im Ge-

lände befindet sich in RENARD ET AL. (1997). Für die Berechnung von SR ergibt sich folgende

Gleichung:

Formel 10

Die Bodenfeuchte hat einen erheblichen Einfluss auf die Infiltrationsrate und den Oberflä-

chenabfluss und damit indirekt auch auf die Bodenerosion. Befindet sich das Bodenprofil

nahe der Feldkapazität beträgt der Bodenfeuchtesubfaktor (engl. soil-moisture-subfactor)

den Wert eins. Befindet es sich hingegen bei 6 [ft] Bodentiefe nahe dem Welkepunkt, wird

also kein Oberflächenabfluss erwartet, ist SM gleich null (RENARD ET AL. 1997).

Fernerkundungsdaten werden oft dazu verwendet die Vegetationskomponente auf verschie-

denen räumlichen Skalen abzuleiten und anschließend die USLE/RUSLE zu parametrisieren.

Für Einzugsgebiete im Maßstab dieser Arbeit (100-400km²) kann auf die Arbeiten von CIHLAR

(1987), ANYS ET AL. (1994), BONN ET AL. (1997) und BABAN UND YUSOF (2001) verwiesen werden.

Um den C-Faktor zu kartieren werden verschiedene Ansätze verwendet. So kann bspw. die

Linearregression zwischen Band Ratios und C-Faktoren, die im Feld gemessen wurden, be-

nutzt werden (CIHLAR 1987; STEPHENS UND CIHLAR 1982). Ein weitaus verbreiteter Ansatz ist

den RUSLE/USLE C-Faktor über einfache Regressionsbeziehung mit dem Vegetationsindex

Normalized Difference Vegetation Index (NDVI) zu verknüpfen (U.A. CARTAGENA 2004; DE

JONG ET AL. 1999; HAZARIKA UND HONDA 2001; LIN ET AL. 2002, 2006; LU ET AL. 2003; NAJMODDINI

2003; SYMEONAKIS UND DRAKE 2004; VAN DER KNIJFF ET AL. 2002). DE JONG 1994 und TWEDDALES ET

AL. 2000 verweisen allerdings auf die schwache Korrelation des Zusammenhangs, die oft-

mals durch das begleitende Bodensignal hervorgerufen wird. Um die räumliche Variabilität

der Vegetation besser mit einzubeziehen, gibt es neue Ansätze, die den Vegetationsanteil

quantitativ im Subpixelbereich durch die spektrale Entmischung bestimmen und auf den

C-Faktor übertragen (DE ASIS UND OMASA 2007; MEUSBURGER ET AL. 2010).

2.4.2 Bedeutung des C-Faktors für das WASA-SED Modell

Das WASA-SED Modell simuliert Abfluss- und Sedimentationsprozesse am Hang, Transport-

prozesse gelöster und fester Stoffe in Flüssen und Speicherung und Remobilisierung von

Sedimenten in großen Reservoiren. Damit können nachhaltige Managementstrategien zur

Reduzierung des Sedimenteintrages in den Quellbereichen von Wassereinzugsgebieten ent-

worfen sowie Wasserreservoire adäquat bewirtschaftet werden. Die hydrologischen Algo-

rithmen basieren auf dem WASA Modell (Model of Water Availability in Semi-arid Environ-

ments), das von GÜNTER (2002) und Günter und BRONSTERT (2002, 2003) entwickelt worden

ist, um die Wasserverfügbarkeit in semi-ariden Landschaftsräumen zu quantifizieren. Der

Programmcode wurde mit Routinen für die Berechnung von Sedimentationsprozessen auf

drei verschiedenen Skalen erweitert: der Hang Skala, der Fluss Skala und der Reservoir Ska-

la. Die Sedimentationsbildung am Hang durch Wassererosion wird durch vier Gleichungen

Bodenfeuchte- subfaktor (SM)

Grundlagen

20

beschrieben (USLE, Onstad-Foster, MUSLE und MUST nach WILLIAMS, 1995). Der Modellan-

satz für die Simulation von Wasser- und Stofftransportprozessen im Flussnetz ist semi-

prozessbasiert und räumlich verteilt. Das Reservoir Modul simuliert neben den Wasser- und

Stofftransportprozessen auch die Verlandung eines Staukörpers. Die Betrachtungsebenen

werden in Boden-Vegetationseinheiten, Geländekomponenten und Landschaftseinheiten

räumlich diskretisiert. Als Modellparameter gehen Klimavariablen, Bodenvariablen, Flussvari-

ablen, Reservoirvariablen und Vegetationsvariablen ein. Die Vegetationsvariablen sind z.B.

Pflanzenwuchshöhe, Durchwurzelungstiefe, LAI (Leaf Area Index), Albedo und der USLE

C-Faktor. Die Änderung im phänologischen Verlauf des Vegetationsbestandes (z.B. durch

Regen- und Trockenzeit) kann durch vier Zeitvariablen simuliert werden. Die Zeitvariablen

repräsentieren die Vegetationseigenschaften vor, bei Beginn, bei Ende und nach der Regen-

zeit. Eine vollständige Modellparametrisierung für das betrachtete Einzugsgebiet Isábena

kann in APPEL (2006) und FRANCKE (2009) nachgelesen werden. Letzterer verwendet zeitlich

konstante C-Faktor Werte für die Landnutzungstypen Ackerfläche (0.25), Shrubland (0.031),

Nadelwald (0.00058), Laubwald (0.00158), offener Wald (0.05), Stein (0.00) und Wie-

se/Weide (0.1515).

2.5 Fazit

Abbildende spektroskopische Sensoren detektieren Objekte der Erdoberfläche in schmalen

Wellenlängenintervallen und liefern damit kontinuierliche physikalische Messwerte. Die Aus-

wertung der Daten kann damit auf den physikalischen Eigenschaften der Materialien basie-

ren anstelle von statistischen Methoden. Die bio- und geophysikalischen Eigenschaften der

Materialklassen GV, NPV, Boden und Stein können mit Hilfe bestimmter materialspezifischer

Absorptionsbanden abgeleitet werden. Für die Aufgabenstellung sind also Sensoren notwen-

dig, die eine hohe spektrale Auflösung aufweisen und bis in die Wellenlängenbereiche des

SWIR aufzeichnen, um trockene von vitaler Vegetation und Böden von Trockenvegetation

sicher unterscheiden zu können.

Für die quantitative Bestimmung von Erdoberflächenmaterialien im Subpixelbereich eignen

sich spektrale Entmischungsverfahren. Hierbei wird ein einzelner Pixel als Mischung mehre-

rer Materialien aufgefasst (Mischpixel). Ein großer Nachteil herkömmlicher Entmischungsver-

fahren ist, dass eine feste EM-Bibliothek zur Entmischung verwendet wird. Um aber die

spektrale Varianz einer Klasse abbilden zu können, werden mehrere Spektren je Klasse als

EM benötigt. Ebenfalls muss die natürliche spektrale Varianz eines reinen Materials in Form

von EM abgebildet werden, wie bspw. unterschiedliche Vitalitätszustände von Vegetation

(vital-welken-vertrocknen). Die Multiple Endmember Spectral Mixture Analysis (MESMA)

erfüllt diese Bedingungen. Des Weiteren erfolgt die Lösung des spektralen Mischungsmodel-

les bei diesem Entmischungsansatz durch Ausprobieren aller möglichen EM-Kombinationen

je Bildpixel (pixelweise Optimierung). Durch die Modellierung der optimalen Lösung wird der

Fehler minimiert (BACHMANN 2007). Allerdings ist dieser Lösungsansatz sehr rechenintensiv

und die Reaktion des Modellgütekriteriums, der RMSE Fehler, hinsichtlich der Anzahl der

verwendeten EM je Bildpixel sehr empfindlich (u.a. OKIN 2001). Der Anwender muss also

eine Auswahl an EM treffen, da die Rechenleistung und der Modellierungsfehler der einzel-

Grundlagen

21

nen Fraktionen sonst mit zunehmender EM Anzahl steigen (SABOL ET AL. 2002). Wie bei den

meisten Entmischungsverfahren wird auch beim MESMA Ansatz eine lineare Mischung der

Materialien angenommen, um die Lösung zu vereinfachen. Nicht-lineare Effekte können nur

bedingt berücksichtigt werden. Allerdings kann in dieser Arbeit eine Einschätzung hinsicht-

lich der absoluten Genauigkeit gegeben werden, da eine umfangreiche Referenzdatenbank

zur Ergebnisvalidierung aufgenommen worden ist. Es existieren viele wissenschaftliche Pub-

likationen, die den MESMA Ansatz oder verwandte Verfahren verwenden, jedoch gehen nur

wenige auf die absolute Genauigkeit der Ergebnisse ein (BACHMANN 2007).

Die überwachte Klassifikation mittels der Support Vector Machine (SVM) zeigt gute Klassifi-

kationsergebnisse im Vergleich zu anderen Klassifikatoren (PAL UND MATHER 2006; FOODY UND

MATHUR 2004A; HUANG ET AL. 2002; MELGANI UND BRUZZONE 2004). Darüber hinaus reicht eine

geringe Anzahl von Trainingspixeln für die Parametrisierung, da für die Ermittlung der Hy-

perebenen nur die Pixel notwendig sind, die am Rand einer Klasse liegen und als Stützvekto-

ren verwendet werden (FOODY UND MATHUR 2004B). Für hyperspektrale Bilddatensätze eignet

sich die SVM aufgrund ihres guten Umganges mit der hohen Datendimensionalität (BRAUN ET

AL. 2010).

Um die USLE/RUSLE hinsichtlich des Bedeckungs- und Bearbeitungsfaktor zu parametrisie-

ren, werden häufig Fernerkundungsdaten verwendet. Dabei werden verschiedene Ansätze

genutzt, wie bspw. Band Ratios (CIHLAR 1987; STEPHENS UND CIHLAR 1982) oder die Berech-

nung des C-Faktors über eine Regressionsbeziehung mit dem Vegetationsindex NDVI (CAR-

TAGENA 2004; DE JONG ET AL. 1999; HAZARIKA UND HONDA 2001; LIN ET AL. 2002, 2006; LU ET AL.

2003; NAJMODDINI 2003; SYMEONAKIS UND DRAKE 2004; VAN DER KNIJFF ET AL. 2002). Eine sehr

vielversprechende Methode, die auch die hohe räumliche Variabilität der Vegetation mit

einbezieht ist die Übertragung entmischter quantitativer Bodenbedeckungsanteile auf den C-

Faktor (DE ASIS UND OMASA 2007; MEUSBURGER ET AL. 2010). Die größte Herausforderung ist

dabei, die bestimmten Entmischungsanteile möglichst landnutzungsabhängig mit dem USLE

oder RUSLE C-Faktor zu verknüpfen. Bisher verwenden alle Arbeiten unterschiedliche Ansät-

ze, die meistens durch die räumlichen Gegebenheiten bestimmt sind. Eine globale Anwend-

barkeit ist zu klären.

Methoden

23

3 Methoden

3.1 Untersuchungsgebiet

Das Überfliegungsareal (42°25‘49.47‘‘ N, 0°28‘35.04‘‘ E) zur Aufnahme der hyperspektralen

Bilddaten, welches gleichzeitig das Untersuchungsgebiet für die vorliegende Arbeit darstellt,

deckt etwa ein Viertel des sub-humiden Kleineinzugsgebietes des Flusses Isábena ab. Dieses

liegt in den südlichen Zentralpyrenäen im Nordosten Spaniens in der Provinz Huesca in der

unabhängigen Region von Aragón und entwässert 0.48% des Ebro-Beckens. Die Einzugsge-

bietsgröße umfasst insgesamt 445km² und ist aufgrund der geomorphologischen Inhomo-

genität in fünf weitere Teileinzugsgebiete untergliedert (Cabecera, Villacarli, Carrasquero,

Ceguera und Lascuarre) (s. Abbildung A-1). Die Abdeckung des Flugstreifens umfasst die

Teileinzugsgebiete Carrasquero und Villiacarli. Der mittlere jährliche Abfluss beläuft sich auf

ca. 5.7m³/s, was in etwa 1.4% des gesamten Abflusses des Ebro entspricht (VERDÚ ARNAL

2003). Das Relief ist stark ausgeprägt mit 450m ü. NN am Gebietsauslass und 2720m ü. NN

am höchsten Punkt, dem Pico de Gallinero im Norden des Untersuchungsgebietes. Der Ab-

fluss des Isábena wird nach Zusammenfluss mit dem Fluss Ésera im Barasona Stausee mit

einem Stauvolumen von 92x106m³ gespeichert und dient unter anderem zur Trinkwasser-

gewinnung und Bewässerung landwirtschaftlicher Flächen (VALERO-GARCÉS ET AL. 1999).

Im Einzugsgebiet Isábena herrscht ein typisches Gebirgsklima mit kontinentalem und ozea-

nischem Einfluss (VALERO-GARCÉS ET AL. 1999). Es ist besonders durch seine extremen ther-

malen Schwankungen gekennzeichnet. Die Winter sind trocken und kalt. Im Sommer treten

häufig Unwetter auf. Exposition und Reliefausprägung des Einzugsgebietes bedingen ein

starkes klimatisches Gefälle innerhalb kurzer Distanzen. Damit lässt sich das Untersu-

chungsgebiet in einen wärmeren, trockeneren Bereich südlich des Bergmassivs Turbón und

einen nördlich davon gelegenen kühleren, feuchteren Bereich unterteilen. In den südlichen

Regionen variiert die mittlere Jahrestemperatur zwischen 11-14°C. Im nördlichen Teil hin-

gegen sind die mittleren Jahrestemperaturen mit durchschnittlich 9-11°C etwas geringer

(VERDÚ ET AL. 2002). Temperaturmaxima treten im Juli und August (21°C-22°C) auf, Tempe-

raturminima im Dezember und Januar (2°C-4°C). Der mittlere jährliche Niederschlag nimmt

mit der Höhe ü. NN zu, von 450mm in den tieferen Höhenlagen bis etwas 1300mm in den

Berggipfeln (CHEBRO 1996). Der mittlere jährliche Niederschlag für das gesamte Untersu-

chungsgebiet liegt bei 767mm. Hohe Niederschlagsintensitäten treten im Frühling und

Herbst auf (APPEL 2006). Juli ist der Monat mit den geringsten Niederschlagsraten, Mai und

Juni mit den höchsten. Die mittlere jährliche potentielle Evapotranspiration schwankt zwi-

schen 550-750mm (FRANCKE 2009).

Der Isábena ist durch ein pluvio-nivales Abflussregime charakterisiert (LÓPEZ TARAZÓN 2011)

mit ersten Spitzenabflüssen im Spätfrühling und Frühsommer durch die eintretende Schnee-

schmelze in den Quellgebieten. Abflussminima treten mit zeitlicher Verzögerung auf den

niederschlagsärmsten Monat Juli zwischen August und September auf. Das zweite nieder-

schlagsbedingte Abflussmaximum tritt überwiegend im Spätherbst auf, mit historischen mitt-

leren Spitzenwerten von über 40m³/s (1960er Jahre). Der gesamte mittlere jährliche Abfluss

für die Messperiode von 1945-2009 beträgt 4.1m³/s. Die dazu ermittelte mittlere Standard-

Lage

Klima

Hydrologie

Methoden

24

abweichung von 2.2m³/s gibt Hinweis auf die hohen jährlichen Schwankungen (LÓPEZ

TARAZÓN 2011).

Das Einzugsgebiet Isábena gehört zu der geologischen Formation des Tremp-Graus-

Beckens, eine breite topographische Senke zwischen hohen Gebirgszügen mit einer Ost-

West Ausrichtung. Morphologisch gehört das Becken zur primären Achsen- und der Subpy-

renäenzone (LÓPEZ TARAZÓN 2011). In den Quellbereichen fließt der Isábena in schmalen

Rinnen durch erodiertes, metamorphes und granithaltiges, siliziklastisches oder

carbonathaltiges Gestein des Paläozoikums der primären Achsenzone. Richtung Süden er-

streckt sich ein großer Senkungsraum, gefüllt mit kreidezeitlichen Kalkgesteinen und paläo-

genen Sedimenten. Während der alpinen Gebirgsbildung wurden die leicht erodierbaren

Ablagerungen gegen die primäre Achsenzone gepresst, gefaltet und bilden die heutigen von

großen Tälern durchzogenen „Internal Ranges“ (Sierras Interiores). Daran anschließend

erstreckt sich die „Intermediate Depression“, ein mit synorogenem Flysch, Mergel und oligo-

zänen Konglomeraten gefülltes Becken, dessen ebene Gebiete bevorzugt für die Landwirt-

schaft genutzt werden. Abbildung A-2 in Anhang A.1 zeigt die Lithologie im Untersuchungs-

gebiet. Der Isábena verbindet zwei morphologische Einheiten: im Westen die Senke „intra

Pre-Pyrenean“ bestehend aus dem Vall de Lierp, dem Corredor de Merli und der Sierra del

Chordal und im Osten die Sierra de Sis, die gleichzeitig die östliche Grenze des Beckens bil-

det. In den zentralen Bereichen des Einzugsgebietes befinden sich sogenannte Badland-

strukturen, wo ehemals mächtige Sandsteinschichten den eozänen Mergel abdeckten. Ob-

wohl sie weniger als 1% der gesamten Gebietsfläche ausmachen, gelten sie als wesentliche

Sedimentquelle bei Starkregenperioden (FRANCKE ET AL. 2008A; FRANCKE ET AL. 2008B). Weitere

in dem Untersuchungsgebiet auftretende Erosionsformen sind in den mittleren Höhenlagen

vor allem Gullies vorwiegend landwirtschaftlicher Fläche mit Gefällen bis zu 10-20% (LÓPEZ

TARAZÓN 2011). Aktive fluviatile Tiefenerosions- oder Akkumulationsprozesse in den Haupt-

gewässerläufen wurden seit den letzten 10 Jahren nicht beobachtet (VERDÚ ET AL. 2006B).

Aktuelle geomorphologische Prozesse sind daher eher fluvial bestimmte Massentransporte

an Hängen und in den Badlands (LÓPEZ TARAZÓN 2011).

Die Böden im Untersuchungsgebiet sind besonders durch ihre jungen, schwach vertikal aus-

gebildeten Profile ohne diagnostische Horizonte gekennzeichnet (MARTINEZ-CASSASNOVAS UND

POCH 1998). Sie können als Xerorthents (SOIL SURVEY STAFF 1994) klassifiziert werden, an

kalkhaltigen Hängen finden sich Litic Xerorthents und auf weniger widerstandsfähigem, an-

stehendem Gestein sogar besser profilierte Tipic Xerorthents. Sie haben eine schluffig-

lehmige bis sandig-lehmige Textur mit geringem Anteil an organischem Kohlenstoff (<2%).

Sie besitzen eine hohe Wasserleitfähigkeit, hingegen ist die Wasserspeicherkapazität auf-

grund der dünnen Mächtigkeit sehr gering. Die am stärksten erodierten Böden befinden sich

in den Badlands und in den landwirtschaftlich bearbeiteten Bereichen mit Hanglage (LÓPEZ

TARAZÓN 2011).

Die Vegetation des Einzugsgebietes spiegelt die hohe klimatische Variabilität wider und wird

zusätzlich durch die sonnige oder schattige Exposition der Standorte bedingt. Als natürliche

Vegetation kann Carrasca angenommen werden, ein Wald bestehend aus Quercus Ilex ssp.

Ballota (NINOT ET AL. 1993). Diese Vegetationsform ist jedoch gegenwärtig nur noch spärlich

Geologie und Geomorphologie

Böden

Vegetation und Landnutzung

Methoden

25

verbreitet. Hauptsächlich sind degradierte Vegetationstypen mit buschigen und krautigen

Wuchsformen vertreten. Die größte Landbedeckungsform dieser Art bildet dabei mit mehr

als 22%1 das Matorral2 (span.) (s. Abbildung 3-1). Der nördliche Teil des Einzugsgebietes ist

überwiegend von den Nadelwaldarten Pinus sylvestris ab 600m ü. NN, ab 1600m ü. NN mit

Pinus unicata (10%) bedeckt (VERDÚ ET AL. 2003). Die Laubwaldarten Quercus faginea,

Betula pendula und Fraxinus sp. haben zusammen einen Flächenanteil von etwas weniger

als 14%. Die Mischform beider Waldtypen bedeckt 23% des Einzugsgebietes. Ebenfalls stark

vertreten sind verschiedene Grünlandformen, die zu 3/4 als Weideland (insgesamt 13% der

gesamten Fläche) genutzt werden. Vorkommende Arten sind hier Festucion supinae,

Festuca nigrescens, Festuca ovina, Festuca eskia und Cares sempervirens. In den südlichen

Regionen des Untersuchungsgebietes dominieren landwirtschaftlich genutzte Flächen das

Landschaftsbild (13%). Hauptanbauarten sind Weizen (Triticum aestivum), Gerste

(Hordeum vulgare) und Sonnenblumen (Helianthus annuus). Dauerhafte Anbaufrüchte sind

Oliven (Olea europea) und Mandeln (Prunuc dulcis), allerdings mit weniger als 1% der ge-

samten Gebietsfläche nur spärlich vertreten.

Abbildung 3-1: Charakteristische Hauptlandnutzungstypen im Einzugsgebiet Isábena: (Quelle: BROSINSKY 2011).

Das Einzugsgebiet des Isábena ist zusammen mit dem angrenzenden Einzugsgebiet des

Ésera starken Erosionsprozessen durch Oberflächenabfluss unterworfen. Die erodierten Se-

dimente werden größtenteils während Hochwasserereignissen in das südlich gelegene Was-

serreservoir Barasona entwässert (VALERO-GARCÉS ET AL. 1997). Der Staudamm wurde Anfang

der 1930er Jahre gebaut und ist seit nunmehr 80 Jahren starken Verlandungsprozessen

unterworfen mit jährlichen Sedimentationsraten zwischen 0.3-0.5hm³ (FRANCKE ET AL. 2008A).

1 Die Angaben über die Gebietsgrößen der Landnutzungstypen stammen aus der Auswertung der digitalen Landnutzungskarte (span. Mapas de clases Agrológicas) des „Departamento de Ecología de la Universidad de Barcelona, Oficina de Planificación Hidrológica, C.H.E.“ mit dem Maßstab 1:50.000 aus dem Jahr 2008 (http://oph.chebro.es/). 2 Für das span. Matorral wird im weiteren Verlauf der Arbeit die Bezeichnung „Shrubland“ verwendet.

Sedimentbildung und Sedimentquellen

Methoden

26

Die ursprüngliche Speicherkapazität des Reservoirs von 71hm³ wurde 1972 zwar auf 92hm³

erweitert, dennoch mussten 1992 Maßnahmen gegen die zunehmende Verlandung vorge-

nommen werden. Heute hat das Reservoir etwa die gleiche Speicherkapazität wie zur Zeit

der Maßnahmen (76hm³) (MAMEDE 2008) und hat damit ein Drittel der ursprünglichen Kapa-

zität verloren (VALERO-GARCÉS ET AL. 1997).

Abbildung 3-2: Hauptsedimentquellen im Einzugsgebiet Isábena. (Quelle: BAUER UND BROSINSKY 2011).

FARGAS ET AL. (1997) weisen mit einer einfachen GIS-Analyse 25% der Einzugsgebietsfläche

Ésera-Isábena als besonders stark erosionsgefährdet aus. Für das Einzugsgebiet Isábena

sind das besonders Bereiche in den Subeinzugsgebieten Villacarli und Carrasquero (s. Abbil-

dung A-1), bei denen der ehemals mit Sandstein bedeckte eozäne Mergel freiliegt und sich

Badlandstrukturen herausgebildet haben (s. Abbildung 3-2). Neben der Lithologie bedingen

außerdem ein relativ hoher topographischer Gradient und eine (teilweise) geringe Vegetati-

onsbedeckung die räumliche Identifikation der erosionsgefährdeten Gebiete. Die Theorie,

dass die Badlands die größten Sedimentquellen im Isábena-Einzugsgebiet sind, wird durch

Studien von POCH UND MARTÍNEZ-CASANOVAS (1997) und MARTÍNEZ-CASANOVAS UND POCH (1998)

gestützt. Selbige Autoren geben eine Sedimentrate von 0.6hm³/a für die Badlands an, die

sich mit den Resultaten von FRANCKE ET AL. (2008A) deckt. Der größte Teil (0.5h³/a) gelangt

durch steile Gerinnestrukturen mit hohen Fließgeschwindigkeiten in den mittleren Bereichen

der Einzugsgebiete direkt in das Entwässerungssystem und wird schließlich im Barasona

Reservoir akkumuliert (MARTÍNEZ-CASANOVAS UND POCH 1998). Die Studie von VALERO-GARCÉS ET

AL. (1997) zeigt allerdings, dass neben den physikalischen Einflussfaktoren wie Topographie,

Lithologie und den Entwässerungsmustern auch die anthropogen bedingte Landnutzungsän-

derung eine Rolle spielt. Weitere große Sedimentlieferanten sind daher auch die Ackerflä-

chen im Süden des Einzugsgebietes. MARTÍNEZ-CASASNOVAS UND POCH (1998) bestimmen für

über 70% der Flächen eine Erosionsrate durch Flächen- und Rillenerosion von größer als

Methoden

27

20t/ha pro Jahr unter Verwendung des Ansatzes der Universal Soil Loss Equation (USLE)

(WISCHMEIER UND SMITH 1978).

3.2 Datenakquisition

3.2.1 Erfassung der Bilddaten

Die hyperspektralen Bilddaten wurden mit den abbildenden Spektrometern AISA-Eagle und

AISA-Hawk aufgenommen (Airborne Imaging Spectrometer for Application) (Specim Ltd.,

(Oulu), Finnland). Das duale Sensorsystem wurde auf einen Flugzeugträger installiert. Der

AISA-Eagle zeichnet mit einer spektralen Auflösung von 2.9nm im sichtbaren Licht (VIS) und

nahen Infrarot (NIR) auf (400-970nm). Der AISA–Hawk detektiert hingegen mit einer gerin-

geren spektralen Auflösung von 8.5nm im nahen Infrarot (NIR) und im kurzwelligen Infrarot

(SWIR) von 970-2500nm. Die Eigenschaften der Sensorsysteme sind optimal für Vegetati-

onsuntersuchungen (LAUSCH UND PAUSE 2009). Weitere technische Eigenschaften sind in Ta-

belle 3-1 zusammengefasst dargestellt.

Tabelle 3-1: Übersicht der technischen Eigenschaften der Hyperspektralsensoren AISA-Eagle und AISA-Hawk. (Quelle: nach LAUSCH UND PAUSE 2009).

SENSOREIGENSCHAFTEN AISA-EAGLE AISA-HAWK

Spektralbereich 400-970nm 970-2500nm

Spektrale Auflösung 2.9nm 8.5nm

Anzahl der Kanäle 60-488 254

Signal-Rausch-Verhältnis (SNR) 1:350 1:500

Geometrische Bodenauflösung 0.5-4m (abhängig von der Flug-

höhe: 1000m=0.52m Auflösung

0.5-4m (abhängig von der Flug-

höhe: 1000m=0.97m Auflösung

Öffnungswinkel 29.9-62.1° 24°

Die Überfliegung3 für die Aufnahme der hyperspektralen Bilddaten erfolgte durch NERC (Na-

tural Environment Research Council) am 02.04.2011 und erneut 4 Monate später am

09.08.2011. Im April ist das Kleinflugzeug mit dem installierten Dual-Sensor mit einer mittle-

ren Flughöhe von ca. 4200 m insgesamt 12 Flugstreifen in abwechselnder Flugrichtung von

Nord nach Süd geflogen, zuzüglich eines Querstreifens. Im August betrug die mittlere Flug-

höhe ebenfalls ca. 4200m. Hier wurden 15 Flugstreifen ebenfalls abwechselnd von Nord

nach Süd bzw. umgekehrt geflogen, zuzüglich eines Querstreifens. Die Flughöhe bedingt bei

beiden Überfliegungen eine Bodenauflösung von 2.2m für den AISA-Eagle und 4.1m für den

AISA-Hawk. Der AISA-Eagle hat die spektrale Information in 255 Bändern in einem Wellen-

längenbereich von 399.97 bis 998.46nm mit einer spektralen Auflösung zwischen 2.20nm

und 2.44nm aufgezeichnet. Der AISA-Hawk detektierte in 256 Bändern zwischen 907.68nm

und 2516.28nm mit einer spektralen Auflösung von 6.31nm. Die AISA Dualsensoren beste-

hen aus zwei sogenannten Pushbroom-Scannern. Die Aufnahme der Szene erfolgt mittels

3 Die Kampagnen wurden über das Transnational Access Programm im EU-Projekt EUFAR (April) bzw. das BMWi (August) finanziert.

AISA-Eagle und AISA-Hawk

Methoden

28

zeilenweise angeordneten Einzeldetektoren. Alle Pixel quer zur Flugrichtung orientieren Bild-

zeile werden dabei gleichzeitig erfasst (ELACHI 1987).

Tabelle 3-2: Aufnahmeparamter der Hyperspektralsensoren AISA-Eagle und AISA-Hawk für den 02.04.2011 und 09.08.2011. (Quelle: Eigene Darstellung 2013).

SENSOREIGENSCHAFTEN AISA-EAGLE AISA-HAWK

Spektralbereich 399.97-998.46nm 907.68-2516.28nm

Spektrale Auflösung 2.20-2.44nm 6.31nm

Anzahl der Kanäle 255 320

Aufnahmehöhe 4200m 4200m

Bodenauflösung (GSD) ca. 2.2m ca. 4.1m

Der Überfliegungsauftrag im August wurde um die Aufnahme von LIDAR Daten erweitert

(Light detection and ranging). Das Aufnahmeprinzip dieser aktiven Fernerkundungsmetho-

dik beruht auf dem Aussenden von Laserimpulsen und der Detektion des zurückgestreuten

Lichtes von verschiedenen Erdobjekten. Aus der Laufzeit der Lasersignale und der Lichtge-

schwindigkeit lässt sich die Entfernung zum Ort der Streuung berechnen (LILLESAND 2008).

Das Aufnahmeinstrument war der ALS50 II Laserscanner (Leica Geosystems AG, Heerbrugg,

Schweiz), die Flughöhe im Mittel ca. 4200m. Der vertikale mittlere Fehler des Aufnahmein-

strumentes liegt zwischen 8-24cm, der laterale zwischen 7-64cm (LEICA GEOSYSTEMS

AG 2007). NERC gibt einen weiteren mittleren Fehler für die Befliegung an: 3.3cm mit einer

Standardabweichung von 4.1cm bei einer Flughöhe von 2500m. Zusätzlich verursachte eine

fehlerhafte Boresightkalibrierung einen systematischen Fehler von 10-15cm (NERC 2011).

Der gesamte mittlere Fehler des LIDAR Datensatzes kann damit mit ca. 10-15cm angegeben

werden. Für das Untersuchungsgebiet steht somit eine räumliche hochaufgelöste Informati-

on über die unterschiedlichen Vegetationshöhen zur Verfügung. Die Daten können außer-

dem zu einem Digitalen Geländemodell (DGM) weiterverarbeitet werden.

3.2.2 Erfassung der Bodendaten

Während der Überfliegung wurden zeitgleich mehrere Referenzspektren für die Kalibrierung

und Validierung verschiedener Vorprozessierungsschritte der Bilddaten mit dem Feldspekt-

rometer ASD FieldSpec3 High-Res (ASD Inc., Boulder, CO, USA) eingemessen. Im April wa-

ren es insgesamt zehn Messungen (zuzüglich weiterer fünf Messungen am 01.04.2011) der

Oberflächenmaterialien Wasser, Badland, Flussbett, Wiese/Weide, offener Boden, heller

Beton, dunkler Asphalt und Solarzellen. Im August wurden sechs Messungen mit den Ober-

flächencharakteristika dunkler Asphalt, Badland, trockenes Flussbett an den Uferrandberei-

chen, heller Beton und offene Böden durchgeführt.

Die Überfliegungen begleiteten aufwändige Feldkampagnen zur Erhebung verschiedener

Boden- und Vegetationsparameter im Gelände für die spätere Bilddatenauswertung. Der

Bodenbedeckungsgrad wurde nach der Gitterrahmenmethode geschätzt. Diese Standardme-

thode der Vegetationsaufnahme wird in zahlreichen Studien, Lehrbüchern und

LIDAR

Feldspektrometer-messungen

Aufnahme der Bodentransekten

Methoden

29

Kartieranleitungen (KREEB 1983; COULLOUDON ET AL. 1999; KERCHER ET AL. 2003) beschrieben

sowie im Methodenvergleich von BROGAARD UND ÓLAFSDÓTTIR (1997) empfohlen. Der Ver-

suchsaufbau bestand hierbei aus jeweils 20m langen Bodentransekten, die auf verschiede-

nen Landnutzungstypen ausgelegt wurden. Zunächst wurde der gesamte Messplot nach

Landnutzungstyp, gegenwärtigen Wetterbedingungen, Hanglage, Bodenfeuchte und Boden-

farbe charakterisiert und mit dem Hand-GPS eTrex H (GarminInternational Inc., Olathe, KS,

USA) räumlich eingemessen. Die Genauigkeit schwankt zwischen 4 und 12m, da das Signal

z.T. vom dichten Kronendach umliegender Bäume oder vorherrschender Topographie ge-

stört wurde. In regelmäßigen Abständen von 2m wurden anschließend mittels eines ca. 1m²

großen quadratischen Holzrahmens die Bodenbedeckungskomponenten photosynthetisch-

aktive Vegetation (GV), photosynthetisch nicht-aktive Vegetation (NPV), Boden und Stein

visuell durch eine Person in 10%-Schritten geschätzt. Um die Schätzung zu vereinfachen,

und vor allem zu verbessern, wurde das Quadrat wiederum in neun Einzelquadrate unterteilt

(s. Abbildung 3-3). Die Summe aller Bodenbedeckungskomponenten ergibt 100%. Zur spä-

teren Rekonstruktion wurde von jedem Einzelquadrat ein Foto möglichst in Nadir aufge-

nommen. Bei 3m, 7m, 11m, 15m und 19m sind neben den Schätzungen noch der Leaf Area

Index (LAI) mit dem SS1 Sun Scan Canopy Analysis Sytem (Delta T Devices Ltd., Cambrid-

ge, UK), spektroskopische Charakteristika mit dem ASD FieldSpec3 High-Res, die Vegetati-

onshöhe und die Artenzusammensetzung gemessen bzw. bestimmt worden. Befand sich die

Bodentransekte in einem Waldgebiet wurden zusätzlich noch die Baumhöhen nach dem

trigonometrischen Prinzip mit einem Winkel eingemessen und der Brusthöhendurchmesser

(BHD) bestimmt. Im April ist die Bodenfeuchte nur grob nach der Kartieranleitung K5 abge-

leitet worden, im August hingegen konnten mit einem Bodentensiometer4 genauere Mes-

sungen gemacht werden.

Abbildung 3-3: Versuchsaufbau für die Erhebung der Bodendaten im April und August 2011. (Quelle: Eigene Darstellung 2013).

4 Gerätename und Hersteller sind nicht bekannt.

Methoden

30

Die Feldkampagne, die die erste Überfliegung begleitete, fand vom 26.03.2011 bis

07.04.2011 statt. In diesem Zeitraum wurden insgesamt 60 Bodentransekten aufgenom-

men. Die Feldkampagne im August dauerte 12 Tage, vom 04.08.2011 bis 16.08.2011. Hier

wurden 53 Bodentransekten protokolliert. Die genaue räumliche Lage der Bodentransekten

innerhalb des Überfliegungsareales Abbildung A-1 zu entnehmen. Tabelle 3-3 zeigt die Ver-

teilung der Beprobungspunkte auf die einzelnen Landnutzungstypen je Aufnahmezeitpunkt.

Tabelle 3-3: Anzahl der Bodentransekten je Landnutzungstyp und Aufnahmezeit-punkt. Die Klasse „Nicht eindeutig bestimmt“ fasst Landnutzungsty-pen zusammen, die nicht eindeutig einer Landnutzungsklasse zuzu-ordnen sind, wie z.B. die Mischform „Wiese/Acker“. (Quelle: Eigene Dar-stellung 2013).

LANDNUTZUNGSTYP APRIL

26.03.2011-07.04.2011

AUGUST

04.08.2011-16.08.2011

Acker 12 13

Badland 7 5

Nadelwald 2 5

Laubwald 3 8

Anstehendes Gestein 1 -

Wiese/Weide 9 4

Shrubland 14 14

Flussbett 5 2

Nicht eindeutig bestimmt 7 2

GESAMT 60 53

3.3 Datenaufbereitung

3.3.1 Vorprozessierung der Bilddaten

Die Vorprozessierung der hyperspektralen Bilddaten umfasst die atmosphärische und geo-

metrische Korrektur. Die gelieferten Rohdaten der Überfliegungen sind Datenprodukte der

Levelstufe 1b, d.h. sie sind bisher nur radiometrisch korrigiert und an Navigationsinformati-

on angepasst worden (ARSF 2011). Vor der eigentlichen Bildauswertung wurden die Bildda-

ten durch Entfernung der Wasserbanden, durch Glättung des Spektrums über den gesamten

Wellenlängenbereich und Entfernung von Datenartefakten noch optimiert. Eine ausführliche

Dokumentation ist in der Sektion Fernerkundung am GeoForschungsZentrum in Potsdam

hinterlegt.

Die radiometrische Korrektur beinhaltet die Überführung der reflektierten elektromagneti-

schen Strahlung in DN-Werte (Digital Numbers). Mit ermittelten Kalibrationskoeffizienten

der Hersteller der Sensoren werden die DN-Werte dann in die sogenannte Strahlendichte

oder auch Radianz (W/m²sr) umgewandelt. Die Korrektur wurde von Natural Environment

Research Council (NERC) durchgeführt.

Radiometrische Korrektur

Methoden

31

Die geometrische Korrektur beinhaltet die Kompensation der Bildverzerrungen, die durch

das vorherrschende Relief, das Aufnahmesystem selbst oder durch die Schwankungen des

Flugzeuges in Geschwindigkeit und Höhe verursacht wurden (LÖFFLER ET AL. 2005). Damit die

Ergebnisse der Bilddatenauswertung später mit den Geländedaten validiert werden können,

ist es notwendig, dass die Fernerkundungsdaten entzerrt und in ein Koordinatensystem ein-

gepasst werden (JENSEN 2005). Die geometrische Korrektur im Zuge dieser Arbeit schließt

sich der radiometrischen Korrektur an und erfolgte nach Sensoren getrennt. Zunächst wur-

den fehlerhafte Bildstreifen in den einzelnen Kanälen der AISA-Hawk Bilddaten durch einfa-

che Interpolation der Nachbarzellen beseitigt. Anschließend wurden die Bilddaten beider

Sensoren mit in-house Software orthorektifiziert. Als digitales Geländemodell hat NERC ei-

nen LIDAR Datensatz mit einer Bodenauflösung von 2m für den AISA-Eagle und 4m für den

AISA-Hawk für das entsprechende Gebiet bereitgestellt. Fehlende Bildrandbereiche wurden

mit dem ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) DGM

in 30m Bodenauflösung erweitert. Ebenfalls von NERC mitgeliefert wurden Dateien, die Aus-

kunft über die Lage der Sensoren geben. Die Korrektur wird dabei in 2 Schritten ausgeführt.

Zunächst wird die Höhe und räumliche Position jedes Bildpixels berechnet und in einer Datei

ausgegeben. Anschließend erfolgt das Resampling des Bildes mittels der Nearest Neighbour

Interpolation in das UTM WGS 84 Koordinatensystem. Die korrigierten AISA-Eagle und AISA-

Hawk Bilddatensätze mussten daraufhin zusammengeführt werden um eine durchgängige

spektrale Information beider Sensoren in einer Bilddatei zu erhalten. Hierbei wurde ebenfalls

ein am GFZ entwickeltes Programm verwendet. Die räumliche Auflösung des AISA-Eagle

Datensatz wird dabei auf den AISA-Hawk Datensatz angepasst. Für den zusammengeführ-

ten Bilddatensatz ergibt sich damit eine räumliche Auflösung von 4m je Bildpixel. Mit einer

weiteren in-house Software wurde der Überlappungsbereich der spektralen Reflexion beider

Sensoren optimiert. Da die Bildauswertung einen Vergleich beider Aufnahmezeitpunkte be-

inhaltet, mussten die mosaikierten Bilddaten nach der Atmosphärenkorrektur noch zusätzlich

räumlich aufeinander angepasst werden (BRUCE UND HILBERT 2004). Damit sollen nicht-

systematische Verzerrungen und Lageungenauigkeiten beseitigt werden (LÖFFLER ET AL.

2005). Als Referenzierungsgrundlage diente hierfür eine lagegenaue Orthophotoszene5, die

das ganze Untersuchungsgebiet abdeckt. In ArcGIS 10.0 wurden etwa 120 Ground Control

Points (GCPs) in beiden Bilddatensätzen räumlich zufällig verteilt manuell selektiert. Schlecht

gesetzte Punkte wurden bis zum Erreichen eines RMSE Fehlers (Root Mean Square Error)

von kleiner 4m entfernt. Als Resamplingmethode wurde die Nearest Neighbour Interpolation

gewählt. Die geometrische Genauigkeit ist über die Bildmosaike unterschiedlich und variiert

zwischen 0 und 8m (0 bis 2 Bildpixel). Besonders stark sind die geometrischen Ungenauig-

keiten an den Überlappungsbereichen der einzelnen Bildstreifen nach der Mosaikierung

sichtbar (Abbildung 3-4). Auf Grund der starken Reliefierung des Gebietes entspricht dies

auch der erwarteten Genauigkeit. Systematische Lagefehler im traten nicht auf.

5 Die Orthophotoszene wurde vom „Centro de Descargar - Centro Nacional de Información Geográfica“ heruntergeladen (http://centrodedescargas.cnig.es/CentroDescargas/catalogo.do).

Geometrische Korrektur

http://centrodedescargas.cnig.es/CentroDescargas/catalogo.do

Methoden

32

Abbildung 3-4: Geometrische Ungenauigkeit an den Überlappungsbereichen der ein-zelnen Bildstreifen nach der Mosaikierung. (Quelle: Eigene Darstellung 2013).

Der Transport der Solarstrahlung von der Sonne zur Erdoberfläche und umgekehrt wird

durch Absorptions- und Streuungsprozesse in der Atmosphäre gestört. Das am Sensor ge-

messene Signal ist je nach Wellenlänge und Atmosphärenzusammensetzung verändert. Um

exakte Informationen über die Erdoberfläche zu erhalten und optische Fernerkundungsdaten

für verschiedene Anwendung räumlich und zeitlich vergleichbar zu machen, muss der Atmo-

sphäreneinfluss korrigiert werden. Die besten Ergebnisse liefern dabei Korrekturverfahren,

denen ein Strahlungstransfermodell zu Grunde liegt. Bekannte und häufig benutzte Pro-

gramme, die auf dieser Grundlage beruhen, sind ATCOR, ACORN, ATREM und FLAASH. Die

Radianz wird in den Reflexionsgrad (ρ) umgerechnet, der das Verhältnis zwischen reflektier-

ter und einfallender Intensität als Energiegröße bezeichnet (JENSEN 2005). Für die Korrektur

der zusammengefügten AISA Daten wurde das Programm ATCOR-4

(Atmospheric/Topographic Correction for Airborne Imagery) verwendet (RICHTER 2009).

Anschließend wurde auf dem gesamten Bildmosaik eine weitere Atmosphärenkorrektur

durchgeführt, die sogenannte Empirical-Line Korrektur mit einer am GFZ entwickelten in-

house Software. Für jeden Bildkanal wird eine Regressionsfunktion zwischen Reflexionswer-

ten der Bilddaten und den korrespondierenden Reflexionswerten aus feldspektrometrischen

Referenzmessungen erzeugt. Damit werden die Spektren der Bilddaten den Spektren der

Geländedaten angepasst. Für eine optimale Regression sollten Referenzflächen gewählt

werden, die einen möglichst großen Bereich der Reflexionswerte abdecken, die der Sensor

aufzeichnet, d.h. also helle und dunkle Flächen (KARPOUZLI UND MALTHUS 2003). Für die

Empirical-Line Korrektur des Bildmosaikes des Aprilbilddatensatzes wurden als Referenz

helle Betonflächen, Wasserflächen, Bereiche mit offenliegendem Boden, Badlandflächen,

Flächen der Landnutzung Wiese/Weide und trockenliedende Uferrandbereiche gewählt (s.

Kapitel 3.2.2). Das Bildmosaik des Augustbilddatensatzes wurde anschließend aufgrund un-

zureichender Referenzspektren auf den korrigierten Aprilbilddatensatz angepasst.

Atmosphärische Korrektur

Methoden

33

Die Mosaike beider Bilddatensätze wurden vor der eigentlichen Bildauswertung optimiert.

Standardmäßig werden die atmosphärischen Wasserdampfabsorptionsbanden und stark

rauschende Kanäle am Anfang und Ende der spektralen Information entfernt. Die Wasser-

banden als nicht zufälliges Störsignal beeinflussen stark den RMSE-Fehler der Mischungs-

modelle (BACHMANN 2007). ROBERTS ET AL (2008) entfernen ebenfalls die großen Wasser-

dampfabsorptionsbanden vor dem Anwenden der Entmischungsalgorithmen. Ein weiterer

Aspekt für die Entfernung der Wasserbanden ist die Anforderung der im nächsten Schritt

angewandten Savitzky-Golay-Filterung zur Glättung der Spektren. Diese benötigt eine quasi-

kontinuierliche Datenverteilung (SAVITZKY UND GOLAY, 1964; TALSKY 1994). Starke Änderungen

und Sprünge im Spektrum bedingen Filterartefakte. Der Savitzky-Golay-Filter, welcher auf

polynomischer Approximation beruht, dient der Reduktion des Sensorrauschens. Im Gegen-

satz zu gleitenden Mittelwertsfiltern bleiben die absoluten Höhen und Tiefen von Extremwer-

ten weitgehend erhalten. Parametrisiert wird der Filter über den Grad des Polynoms (in die-

ser Arbeit: 2) und die Fenstergröße (in dieser Arbeit: n=7). Bei einer Fenstergröße von n

Datenpunkten können die ersten und letzten (n-1)/2 Datenpunkte nicht berechnet werden

(BACHMANN 2007). Sie werden anschließend ebenfalls entfernt.

Abbildung 3-5: Die mosaikierten, geometrisch und atmosphärisch korrigierten Bildda-tensätze April 2011 (links) und August 2011 (rechts) nach der Daten-optimierung. Schwarze Bildflächen stellen die ausmaskierten Bildpixel dar. (Quelle: Eigene Darstellung 2013).

Datenoptimierung

Methoden

34

Durch einen radiometrische Kalibrationsfehler von NERC tritt ein weiteres Datenartefakt im

Überlappungsbereich von AISA-Eagle und AISA-Hawk auf. Der von der Firma mitgeschickte

Datenqualitätsbericht weist deutlich darauf hin, dass AISA-Eagle Spektren kleiner 450nm

und höher 900nm und AISA-Hawk Spektren kleiner 1100nm und größer 2400nm mit Vor-

sicht zu behandeln sind (ARSF 2011). In den Bildspektren äußert sich dieser Bereich als

Sprung. Der Wellenlängenbereich zwischen 920 und 1000nm wird deshalb entfernt. Somit

wurden die Bilddatensätze auf insgesamt 380 Kanäle reduziert. Als weiterer vorbereitender

Schritt erfolgt eine Segmentierung der Bilder durch einfache Ausmaskierung aller gesättig-

ten sowie fehlerhaften Pixel. Als Kriterium für die Ausmaskierung der gesättigten Pixel dient

die Vorgehensweise von BACHMANN (2007): Der Reflexionswert muss in mindestens einem

Band den Reflexionswert von 90% übersteigen. Davon sind besonders die bergigen Bereiche

im Norden des Aprilbilddatensatzes betroffen, dort befand sich zum Zeitpunkt der Aufnahme

Schnee auf den Gipfeln (s. Abbildung 3-5:).

Fehlerhafte Pixel sind Bildpixel, deren Reflexionswerte in mindestens einem Band negative

Werte aufweisen. Das sind in beiden Bildern besonders Bereiche mit dem Landnutzungstyp

Nadelwald (s. Abbildung 3-6). Für den Aprilbilddatensatz wurden 11.14% der gesamten

Bildpixel ausmaskiert, für den Augustbilddatensatz 5.59%.

Abbildung 3-6: Ausschnitt der vorprozessierten Bilddatensätze April 2011(links) und August 2011 (rechts). Die roten Pfeile deuten auf die ausmaskierten negativen Bildpixel, die sich vorrangig in Nadelwaldbereichen befin-den. (Quelle: Eigene Darstellung 2013).

Die genaue Aufbereitung der LIDAR Daten wird in BAUER (2013) beschrieben. Nach der Ge-

nerierung eines DSM (Digital Surface Model) wurde die Vegetation herausgerechnet und ein

Digital Elevation Model (DEM) abgeleitet. Durch Subtraktion beider kann die Vegetations-

höhe errechnet werden, die in der späteren Berechnung der räumlich kontinuierlichen C-

Faktoren mit eingeht. Die räumliche Auflösung musste zuvor den hyperspektralen Bilddaten-

sätzen angepasst werden. Die bei der Berechnung durch den allgemeinen Fehler des Auf-

nahmesystems entstandenen negativen Werte wurden gleich Null gesetzt. Der mittlere Feh-

ler liegt insgesamt bei ca. 15-20cm (s. Kapitel 3.2.1).

LIDAR

Methoden

35

3.3.2 Vorprozessierung der Bodendaten

Die an den 10 Punkten der 20m langen Bodentransekte geschätzten Anteile von GV, NPV,

Boden und Stein wurden für die Validierung gemittelt. Ebenfalls gemittelt wurden die ge-

messenen, mittleren Vegetationshöhen. Datengrundlage hierbei waren aber nur 5 Messun-

gen bei 3m, 7m, 11m, 15 und 19m. Alle weiteren Messungen finden in dieser Arbeit keine

Verwendung und wurden demnach nicht aufbereitet. Für die spätere Validierung der MESMA

Entmischung und die Ergebnisse der räumlichen Übertragung des C-Faktors wurden die

End- und Startpunkte der Hand-GPS in ArcGIS 10.1 eingelesen und ein Linienshape gene-

riert. Die Validierung selbst erfolgte mit dem Bildbearbeitungsprogramm ENVI 4.8 (Envi-

ronment for Visualizing Images). Dafür wurden alle Bildpixel, die durch die Liniensegmente

geschnitten werden, markiert (s. Abbildung 3-7) Für jedes Bodentransekt variiert daher die

in die Validierung eingehende Bildpixelanzahl. Zusätzlich wurden offensichtliche Lageunge-

nauigkeiten manuell korrigiert, in dem die visuelle Bildinformation mit herangezogen wurde.

Liniensegmente, die eindeutig durch die Ungenauigkeiten des Hand-GPS neben den be-

stimmten Landnutzungstypen liegen, wurden angepasst.

Abbildung 3-7: Aufbau der Validierungsdatenbank: Alle Bildpixel (weiß), die die Bodentransekte (rot) schneiden, werden markiert und für die spätere Validierung benutzt. (Quelle: Eigene Darstellung 2013).

Um die in einem späteren Prozessschritt errechneten landnutzungsabhängigen bildbasierten

C-Faktoren validieren zu können, wurden aus den Bodendaten der Landnutzungstypen

Shrubland, Badland und Ackerflächen RUSLE C-Faktoren für die einzelnen Bodentransekten

beider Aufnahmezeitpunkte abgeleitet. Grundlage hierfür waren vor allem die in Nadir auf-

genommen Fotos der 5 Einzelquadrate bei 3m, 7m, 11m, 15m und 19m je Bodentransekte

der betrachteten Landnutzungstypen. Anhand dieser wurde sowohl der Anteil der Fläche des

Kronendaches, welche die Bodenoberfläche bedeckt (Fc), der Anteil der direkten Bodenbe-

deckung (Sp) als auch die zufällige Oberflächenrauigkeit (Ru) in [in] geschätzt. Letzteres

beruht auf der methodischen Anleitung zur Bestimmung von Ru im Gelände nach RENARD ET

Allgemeine Datenaufbereitung

Ableitung des C-Faktors

Methoden

36

AL. (1997) und ist Grundlage für die Berechnung von SR. Der Wirkungsgrad der Bodenober-

fläche Bodenerosion zu verhindern (b) wurde für jeden Landnutzungstypen als konstant

angenommen und aus KUENSTLER (O. A.) abgeleitet. Der kleinste Wert (0.035) wurde dem

Landnutzungstyp Acker zugewiesen, der größte Wert (0.05) den Badlands. Shrubland erhielt

den Wert 0.045. Der Subfaktor PLU für die nicht landwirtschaftlich bewirtschafteten Flächen

Shrubland und Badland wurde als eins angenommen. Nach VERSTRAETEN ET AL. (2002) errech-

nen sich für den Subfaktor PLU für jährliche bearbeitete landwirtschaftliche Flächen Werte

zwischen 0.9 und 1. Da die Ackerflächen nach eigenen Beobachtungen jährlich bearbeitet

werden, wurde PLU für Acker in den Berechnungen ebenfalls gleich eins gesetzt. Aufgrund

unzureichender Informationen über den Bodenfeuchtegehalt wurde für den Subfaktor SM

ein Wert von eins für alle Landnutzungstypen vergeben. SCHIETTECATTE ET AL. (2008) nehmen

in ihrer Arbeit zumindest für Ackerflächen einen Wert von eins an, wenn diese regelmäßig

bearbeitet werden. Die in die Berechnung von CC eingehende Vegetationshöhe (H) ist die

mittlere gemessene Vegetationshöhe der jeweils fünf Messpunkte je Bodentransekte. Fünf

C-Faktor Werte je Bodentransekt wurden ermittelt. Für die Validierung wurden die errechne-

ten Ergebnisse gemittelt.

3.4 Prozesskette

Die entwickelte Prozesskette zur Ableitung räumlich hochaufgelöster C-Faktor Karten lässt

sich in drei Hauptschritte untergliedern (s. Abbildung 3-8): (1) zunächst die spektrale Ent-

mischung mittels der Multiple Endmember Spectral Mixture Analysis (MESMA) mit dem

Aufbau der spektralen Endmember Bibliotheken, anschließend die (2) Landnutzungsklassifi-

kation mit Hilfe des Klassifikators Support Vector Machine (SVM) und schließlich die (3)

Generierung räumlicher C-Faktor Karten auf der Basis von zwei verschiedenen Ansätzen: auf

Grundlage eines gefundenen empirischen Zusammenhangs zwischen dem C-Faktor und dem

Verhältnis bedeckter zu unbedeckter Bodenoberfläche von DE ASIS UND OMASA (2007) und auf

Grundlage der Subfaktoren der Revised Universal Soil Loss Equation (RUSLE).

Methoden

37

Abbildung 3-8: Vereinfachtes Ablaufdiagramm – Übersicht der Prozesskette. (Quelle: Eigene Darstellung 2013).

3.4.1 Multiple Endmember Spectral Mixture Analysis (MESMA)

3.4.1.1 Aufbau der spektralen Endmember Bibliothek

Die besondere Herausforderung für den Aufbau einer geeigneten EM Bibliothek für die

MESMA Entmischung besteht darin, einen geeigneten Kompromiss zwischen einer hinrei-

chenden Anzahl an geeigneten EM und der zur Verfügung stehenden Computerleistung zu

schaffen (POWELL ET AL. 2007). Zum einen muss für jede ausgewählte Materialklasse eine

ausreichende Anzahl an EM gefunden werden, die die Variabilität innerhalb der Klassen

möglichst genau abbilden kann. Hingegen sollte die totale Anzahl der EM der endgültigen

Bibliothek möglichst gering gehalten werden, da die Computerleistung mit steigender Anzahl

der EM exponentiell sinkt (HALLIGAN 2002). Um diese Anforderungen erfüllen zu können,

wurde der Aufbau der spektralen EM Bibliothek in drei Schritte untergliedert (s. Abbildung

3-9). Zunächst wurde eine vorläufige Bibliothek für die Materialklassen GV, NPV, Boden und

Stein mit Hilfe verschiedener Indizes aus den Bilddaten extrahiert. Anschließend wurden mit

Methoden

38

Hilfe verschiedener Gütemaße, die in der Software in dem IDL Code basierten ENVI Plugin

VIPER Tools6 zur Verfügung gestellt werden, die Spektren ausgewählt, die am besten die

jeweilige Materialklasse repräsentieren und am eindeutigsten von den anderen Materialklas-

sen zu unterscheiden sind. Im letzten Schritt wurde eine erneute Subauswahl all derjenigen

EM getroffen, die zusätzlich noch am besten die tatsächlichen Oberflächenmaterialen am

Boden repräsentieren. Die endgültige EM Bibliothek für die MESMA Entmischung enthält

demnach ausschließlich Bildspektren.

Abbildung 3-9: Fließdiagramm für den Aufbau einer geeigneten spektralen EM Biblio-thek für die MESMA Entmischung. (Quelle: Eigene Darstellung 2013).

Auswahl der Bild-EM

Um möglichst homogene Bildflächen der zu detektierenden Oberflächenmaterialien GV, NPV,

Boden und Stein identifizieren und damit geeignete EM extrahieren zu können, wurden die

Bilddatensätze mit Hilfe des Normalized Difference Vegetation Index (NDVI) (ROUSE ET AL.

1973; TUCKER 1979) und des Cellulose Absorption Index (CAI) (DAUGHTRY ET AL. 1996; NAGLER

ET AL. 2000; DAUGHTRY 2001; DAUGHTRY ET AL. 2005) räumlich diskretisiert. Die im Untersu-

chungsgebiet auftretenden Wasserflächen und versiegelten Flächen wurden vernachlässigt,

weil sie insgesamt nur einen kleinen Anteil an der Gesamtfläche aufweisen (1.05km²). Der

NDVI minimiert die topographischen Effekte (HOLBEN UND JUSTICE 1981), ist unabhängig von

Oberflächencharakteristika und ist sensitiv gegenüber photosynthetisch aktiver Vegetation.

Der Wertebereich liegt zwischen -1 und 1, wobei 1 den höchsten Grad der Vitalität des Ve-

getationsbestandes angibt. Der NDVI wird wie folgt berechnet:

Formel 11

wobei R0.8 den Reflektanzwert im Wellenlängenbereich um 0.8µm im nahen Infrarot angibt,

R0.67 den Reflektanzwert bei 0.67µm im roten sichtbaren Licht. Als Schwellenwert wurde für

vitale, photosynthetisch aktive Vegetation (GV) ein NDVI>0.7 angenommen. Für die Detek-

tion trockener Vegetation sind Indizes basierend auf dem SWIR besonders geeignet, weil sie

die Absorptionsbänder für Lignin und Zellulose aufweisen. Der in dieser Arbeit verwendete

6 www.vipertools.org

http://www.vipertools.org/

Methoden

39

Index zur spektralen Identifikation von EM sehr trockener, nicht-photosynthetisch aktiver

Vegetation (NPV) ist daher der CAI. Der Wertebereich liegt zwischen -0.03 und 0.06 bezo-

gen auf die Wellenlängeneinheit µm (GUERSCHMAN ET AL. 2009). Positive Werte kennzeichnen

das Auftreten von Zellulose (NAGLER ET AL. 2003). Der CAI-Wert nimmt linear mit dem Anteil

der Pflanzenstreu in der Bildszene zu und trennt klar Pflanzenreste von Bodenmineralen

(MULDER ET AL. 2011). Der CAI berechnet sich wie folgt:

Formel 12

wobei R2.0, R2.2 und R2.1 die Reflektanz um die Wellenlängenbereiche 2.0, 2.2 und 2.1µm

repräsentieren. Als Schwellenwert wurde für nicht-photosynthetisch aktive Vegetation (NPV)

ein CAI>0.03 angenommen. NAGLER ET AL. (2003) geben für Pflanzenstreu einen mittleren

CAI von 5.2 an. EM für die Materialklassen Boden und Stein wurden aus den Bildflächen

einer kombinierten Schwellenwert-Abfrage aus booleanschen und rationalen Operatoren

beider genannter Indizes gewonnen (NDVI<0.3 AND CAI<0.0). Mit dieser Abfrage verblei-

ben alle Flächen, die weder vitale noch trockene Vegetation beinhalten und daher versiegel-

te Flächen, Wasserflächen, Offenen Boden oder Anstehendes Gestein identifizieren. NAGLER

ET AL. (2003) bestimmen für Offenen Boden einen mittleren Wert von -0.02, bezogen auf die

Wellenlängeneinheit µm. Der Aufbau einer geeigneten spektralen EM Bibliothek für die

MESMA Entmischung erfordert die Identifikation von Spektren, die die spektrale Variabilität

der Oberflächenmaterialien repräsentieren (OKIN ET AL. 2001; PAINTER ET AL. 1998; ROBERTS ET

AL. 1998B). Damit die Intravariabilität jeder Materialklasse in der EM Bibliothek abgebildet

werden kann, wurden die identifizierten homogenen Flächen ausmaskiert und mittels des

unüberwachten Klassifikators k-means klassifiziert. Die Klassen, die aus einer

unüberwachten Klassifikation resultieren sind spektral ähnliche Klassen (LILLESAND UND KIEFER

2008). Somit können nun auch verschiedene Vegetations- und Bodentypen für die jeweili-

gen Materialklassen mit berücksichtigt werden. Der k-means Algorithmus ist ein Verfahren

der Clusteranalyse. Er bildet für jeden Cluster in einem multidimensionalen Merkmalsraum

einen Mittelpunkt. Jedes Pixel wird der Klasse zugeordnet, dessen Vektor zu den jeweiligen

Clustermittelpunkten am geringsten ist (LILLESAND UND KIEFER 2008). Die Anzahl der Iterati-

onsschritte für jede Klassifikation wurde auf 20 gesetzt, die Anzahl der möglichen Klassen

auf sechs und für den Schwellenwert (Change Threshold [0-100%]) wurden 5% gewählt.

Anschließend wurde das spektrale Mittel jeder Klasse gebildet um Klassen, die nicht von

Interesse sind, wie beispielsweise versiegelte Flächen oder Wasser, auszusortieren. Für den

Aprilbilddatensatz ergaben sich sechs Subklassen für GV, fünf für NPV, ebenfalls fünf für

Boden und eine Subklasse für Stein. Für den Augustbilddatensatz sechs Subklassen für GV,

fünf für NPV, sechs für Boden und eine Subklasse für Stein. Mittels einer stratifizierten zufäl-

ligen Stichprobenentnahme, deren Algorithmus die Software ENVI zur Verfügung stellt, wur-

den proportional 0.1% der Bildpunkte je Subklasse für die vorläufige EM Bibliothek extra-

hiert. Die Materialklasse Stein wurde zusätzlich mit einer Subklasse von 30 Bildpixeln erwei-

tert, deren Lage durch eine Bodentransekte mit dem Landnutzungstypen „Anstehendes Ge-

Methoden

40

stein“ (s. Tabelle 3-3) gegeben war. Damit ergeben sich für beide Bilddatensätze zwei Sub-

klassen der Materialklasse Stein.

Auswahl repräsentativer EM je Materialklasse

In diesem Schritt sollen diejenigen Spektren aussortiert werden, die nicht eindeutig ihrer

Materialklasse zuzuordnen sind und sämtliche Spektren extrahiert werden, die am besten

ihre Materialklasse repräsentieren. Die Verfahrensweise baut auf den Arbeiten von HALLIGAN

(2002) und DENNISON UND ROBERTS (2003) auf. Jedes Spektrum der vorläufigen EM Bibliothek

wird mit einer Reihe von 2 EM-Modellen modelliert, die sich aus allen Spektren der EM Bibli-

othek und einer photometrischen Schattenkomponente zusammensetzen. Das Hinzuziehen

einer Schattenkomponente berücksichtigt unterschiedliche Beleuchtungsverhältnisse

(DENNISON UND ROBERTS 2003). Die Reflektanzwerte in allen Bändern des photometrischen

Schattenspektrums sind 0 (POWELL ET AL. 2007). Die Güte der jeweiligen Entmischung wird

als RMSE und als spektraler Winkel [°] angegeben. Letzteres Gütemaß wurde erst in der

Software VIPER Tool implementiert. Als Randbedingung für die Spectral Mixture Analysis

(SMA) wurde „partially constrained“ gewählt. Hierbei werden Schwellenwerte für die insge-

samt eintretende Fraktion und RMSE festgelegt, die während der Entmischung gestaffelt

berücksichtigt werden. Die Schwellenwerte für die minimal und maximal mögliche zu model-

lierende Fraktion eines EM wurde auf -0.05 und 1.05 gesetzt und der bei der Entmischung

maximal mögliche Root Mean Square Error (RMSE) mit 0.025 angegeben. Die geeignete

Parametrisierung der Entmischung wurde aus den Arbeiten von HALLIGAN (2002) und ROBERTS

ET AL. (2003) abgeleitet, die ebenfalls diese Werte benutzen. Wenn die Fraktion überschrit-

ten wird, wird der RMSE an der Stelle des Erreichens des Schwellenwertes berechnet. Befin-

det sich der an diesem Punkt berechnete RMSE innerhalb des eigenen Schwellenwertes,

wird das Modell als „partially constrained“ akzeptiert. Das hat den Vorteil, dass auch die

Modelle mit berücksichtigt werden, bei denen die Spektren zwar gut abgebildet werden,

aber das zu modellierende Spektrum etwas zu dunkel oder zu hell ist. Jedes Spektrum, das

erfolgreich durch ein Spektrum einer anderen Materialklasse modelliert wurde, wurde aus

den weiteren Betrachtungen ausgeschlossen. Als Auswahlkriterium für die Identifikation

repräsentativer EM je Materialklasse stellt die Software VIPER Tool verschiedene Gütemaße

zur Verfügung: Endmember Average RMSE (EAR) (DENNISON AND ROBERTS 2003A), Minimum

Average Spectral Angle (MASA) (DENNISON ET AL. 2004) und Count based Endmember selec-

tion (CoB) (ROBERTS ET AL. 2003). CoB extrahiert die EM, die die größte Anzahl an Spektren

innerhalb ihrer Klasse modellieren können. Die ausgegebene Zahl gibt die Anzahl der model-

lierten Spektren durch den jeweiligen EM wieder. Der höchste CoB Wert beschreibt also das

repräsentativste Spektrum einer Materialklasse. Um weitere optimale Spektren an zweiter

und fortlaufender Stelle zu identifizieren wurde der Ansatz von CLARK ET. AL. (2005) imple-

mentiert. EAR ist der mittlere RMSE, der sich aus den einzelnen Fehlern der fortlaufenden

Modellierung aller Spektren einer Materialklasse durch einen EM zusammensetzt. Er beruht

auf der Annahme, dass sich ein geeigneter EM als Linearkombination eines anderen EMs

derselben Klasse mit einem geringen Fehler darstellen lässt (BACHMANN 2007). EAR wird für

jeden EM in jeder Materialklasse innerhalb der gesamten Bibliothek berechnet und gibt Auf-

schluss über diejenigen EM, die den anderen EM der Materialklasse am ähnlichsten sind. Der

Methoden

41

kleinste Wert ist daher Indikator für den optimalsten EM der jeweiligen Materialklasse. MASA

ist dem EAR sehr ähnlich, jedoch wird hier als Gütekriterium der mittlere Fehler der Winkel-

abweichung (Spectral Angle in [°]) des zu modellierenden Spektrums durch einen EM in

einem multidimensionalen Vektorraum verwendet, nicht der RMSE. EM mit einem geringen

Wert können daher als optimale EM angenommen werden.

CoB, EAR und MASA wurden für jeden EM je Subklasse der Materialklassen GV, NPV, Boden

und Stein berechnet. Die jeweils ersten drei optimalen EM jedes Gütemaßes wurden extra-

hiert. Um den Merkmalsraum zu erweitern und damit die Anzahl der möglichen Linearkom-

binationen zu vergrößern, wurde noch zusätzlich für jede Subklasse das jeweils hellste

Spektrum ausgewählt. Jede Subklasse besteht nach diesem Schritt demnach aus insgesamt

zehn EM.

Auswahl repräsentativer EM für Geländematerialien

Wie gut ein Spektrum einer EM Bibliothek modelliert werden kann, gibt noch keinen Auf-

schluss darüber, ob das Spektrum auch repräsentativ für das zu modellierende Material im

Bild ist (SONG 2005). Des Weiteren kann keine Aussage darüber getroffen werden, ob mit

den gefundenen optimalen EM die spektrale Variabilität der Oberflächenmaterialien genü-

gend berücksichtigt werden konnte (POWELL 2007). Um sicherzustellen, dass sowohl die EM

in der endgültigen Bibliothek ausgewählt worden sind, die am besten ihre Materialklasse

innerhalb der spektralen EM Bibliothek, als auch am besten das Material ihrer Klasse auf der

Erdoberfläche repräsentieren, wurde einer weiterer Schritt dem Auswahlverfahren hinzuge-

fügt. Das zu entmischende Bild wurde mit einer Reihe von 2-EM Modellen modelliert, beste-

hend aus allen bisherigen extrahierten EM und einer photometrischen Schattenkomponente.

Alle Spektren, die mehr als 1% der Bildfläche modellieren konnten, wurden identifiziert und

ausgewählt. Als ergänzendes Kriterium muss mindestens ein Spektrum je Subklasse der

jeweiligen Materialklassen GV, NPV, Boden und Stein ausgewählt werden, um die spektrale

Variabilität erhalten zu können, auch wenn es das erste Kriterium nicht erfüllen konnte. Es

ist dann das Spektrum der jeweiligen Subklasse, das die meiste Fläche des Bildes modellie-

ren konnte.

3.4.1.2 Spektrale Entmischung

Mit Hilfe der im vorangegangenen Schritt entwickelten spektralen EM Bibliothek kann nun

jedes Pixel der Bilddatensätzen nach dem MESMA Ansatz entmischt und die Abundanzen,

die quantitativen Anteile der Materialklassen GV, NPV, Boden und Stein, im Subpixelbereich

bestimmt werden. Die MESMA Entmischung wurde mit dem IDL Code basierten ENVI Plugin

VIPER Tools durchgeführt. Modelle verschiedener Modellkomplexitätsstufen wurden auf die

Bilddatensätze angewandt (s. Tabelle 3-4).

Methoden

42

Tabelle 3-4: Die Modellkomplexitätsebenen der verwendeten Modelle für die MESMA Entmischung. In Klammern () ist die Modellnummer angege-ben. (Quelle: Eigene Darstellung 2013).

2-ENDMEMBER MODELL 3-ENDMEMBER MODELL 4-ENDMEMBER MODELL

(1)GV + Schatten (5) GV + NPV + Schatten (11) GV + NPV + Boden + Schatten

(2) NPV + Schatten (6) GV + Boden + Schatten (12) GV + NPV + Stein + Schatten

(3) Boden + Schatten (7) GV + Stein + Schatten (13) NPV + Boden + Stein + Schatten

(4) Stein + Schatten (8) NPV + Boden + Schatten (14) GV + Boden + Stein + Schatten

(9) NPV + Stein + Schatten

(10) Boden + Stein + Schatten

Um Helligkeitsunterschiede der Erdoberfläche aufgrund von Aufnahmewinkel, Topographie

und andere Formen der Schattenbildung mit zu berücksichtigen, enthält jede Modellkombi-

nation eine photometrische Schattenkomponente (DENNISON UND ROBERTS 2003). Theoretisch

können n+1 EM in der SMA angewandt werden, wobei n die Anzahl der spektralen Bänder

in einem Bilddatensatz angibt (ADAMS ET AL. 1993). Jedoch muss eine Auswahl getroffen wer-

den, da die Rechenleistung und der Modellierungsfehler der einzelnen Fraktionen mit zu-

nehmender EM Anzahl steigt (SABOL ET AL. 1992). Die Modellgüte wird über den RMSE der

Residuen der modellierten Bildpixel über alle Bänder bestimmt (ADAMS ET AL. 1993; ROBERTS ET

AL. 1998A). Die Randbedingungen für die Auswahl des optimalen Modell je Pixel wurden wie

folgt gesetzt: (a) Der Schwellenwert für die minimale und maximale Fraktion wurde mit -

0.05 und 1.05 eingestellt, (b) der RMSE darf maximal den Wert 0.025 erreichen und (c) der

Anteil der Schattenkomponente in einem Bildpixel darf maximal 0.80 betragen. Letzteres

ermöglicht den Ausschluss von sehr dunklen Bildpixeln. Die Verwendung der Fraktionsbe-

dingung orientiert sich an den Arbeiten von HALLIGAN (2002) und POWELL (2007) und POWELL

(2008) Die angewandte Randbedingung für den RMSE ist in vielen anderen Arbeiten weit

verbreitet (ROBERTS ET AL. 1998B; DENNISON UND ROBERTS 2003). Für jedes Pixel wurde an-

schließend das beste Modell auf jeder Modellkomplexitätsstufe (2-EM Modell, 3-EM Modell,

4-EM Modell) ausgewählt. Dabei wurden alle Modelle, die die Randbedingungen erfüllen,

verglichen und dasjenige selektiert, das den kleinsten RMSE aufweist. Dem Auswahlkriteri-

um liegt die Annahme zugrunde, dass der kleinste RMSE gleichbedeutend mit dem am bes-

ten angepassten Modell ist (PAINTER ET AL. 1998; OKIN ET AL. 1999). Wenn ein Modell keine der

Randbedingungen erfüllen konnte, wurde das Pixel als unklassifiziert ausgegeben. Da zu

diesem Zeitpunkt für jedes Bildpixel drei mögliche Modelle ausgewählt worden sind, aus

jeder Modellkomplexitätsstufe eins, wurde das gleiche Auswahlkriterium angewandt, um das

beste Modell zwischen den verschiedenen Modellkomplexitätsstufen zu identifizieren

(HALLIGAN 2002). Das Entmischungsergebnis besteht demnach aus Bildpixeln, die mit dem

kleinsten RMSE innerhalb und zwischen den Modellkomplexitätsebenen modelliert worden

sind. In den neu generierten Bändern werden die quantitativen Anteile der Materialklassen

GV, NPV, Boden, Stein und photometrischer Schatten in einem Wertebereich zwischen -0.05

und 1.05 ausgegeben. Da photometrischer Schatten keine physikalische Landbedeckungs-

komponente ist, sondern dazu benutzt wurde die Helligkeitsunterschiede der Nicht-

Methoden

43

Schattenkomponenten mit zu berücksichtigen, wurden die Schattenabundanzen den ent-

sprechenden Materialklassen zugewiesen. Jede Fraktion wurde mit einem Normalisierungs-

faktor (Berechnung nach Formel vier) neu skaliert und die Schattenkomponente somit ent-

fernt (ADAMS ET AL., 1995; HILL ET AL., 1994; SMITH ET AL., 1990).

Formel 13

Für jedes Bildpixel wird in der Summe aller physikalisch auftretenden Oberflächenmaterialien

eine Fraktion von 100% angenommen. Deshalb wurde in einem letzten Schritt allen negati-

ven Abundanzen der Wert 0 zugewiesen und alle Bildpixel, die die Fraktion von 100% über-

schreiten, auf den Wert 100 zurückgesetzt.

3.4.2 Überwachte Landnutzungsklassifikation

Für die Landnutzungsklassifikation der hyperspektralen Bilddatensätze vom April und August

2011 wurde die IDL basierte Software ImageSVM 2.1 verwendet. Sie wird in der EnMAP

Toolbox7 zur Verfügung gestellt und wurde vom Geomatics Labs der Humboldt Universität

zu Berlin entwickelt und kann kostenfrei genutzt werden. Eine genaue Beschreibung der

Funktionen von ImageSVM liegt der Software bei. Die Verwendung des Klassifikators SVM

erzielte in vielen Arbeiten für hyperspektrale Bilddatensätze gute Ergebnisse (GUALTIERI UND

CROMP 1998; GUALTIERI ET AL. 1999; WATANACHATURAPORN ET AL. 2006, SIEGMANN 2011). Da die

SVM ausschließlich binäre Klassentrennung beherrscht, wurden Methoden entwickelt um den

Klassifikator auch auf Probleme der Mehrklassentrennung anzuwenden. In dieser Arbeit wird

der Ansatz One-Against-One verwendet, dessen Algorithmus das Problem der Mehrklassen-

trennung auf viele Zweiklassentrennungen reduziert. Die optimale Hyperebene wird für je-

des Klassenpaar ermittelt, jeder Bildpixel wird aufgrund einer binären Entscheidung einer

Klasse zugeordnet. Die Endklassifikation eines Pixels orientiert sich an der Häufigkeit der

getroffenen binären Entscheidungen (BRAUN ET AL. 2010). Üblicherweise können aus Ferner-

kundungsdaten lediglich Landbedeckungen abgeleitet werden (KAUFMANN ET AL. 2010). Unter

der Verwendung der Informationen der bitemporalen hyperspektralen Bilddatensätze kann

jedoch ebenfalls die Landnutzung klassifiziert werden. Eine Klassifikation auf beiden Bildda-

tensätzen beinhaltet neben der spektralen Information auch eine temporale Komponente.

Vegetationsänderungen können damit detektiert werden. Diese Eigenschaft trifft besonders

auf die Landnutzungsklasse Ackerflächen zu, deren Bedeckung sich im jahreszeitlichen Ver-

lauf durch die Bewirtschaftung ändert. Die Festlegung der insgesamt zu klassifizierenden

Landnutzungsklassen orientiert sich an der Arbeit von FRANCKE (2009). FRANCKE (2009) defi-

niert sieben Landschaftseinheiten (engl. landscape unit LU) für die Modellparametrisierung.

Für die Landnutzungsklassifikation dieser Arbeit wurden die Klassen „Shrubland“, „Badland“,

„Ackerflächen“, „Wiese/Weide“, „Nadelwald“, „Laubwald“, „Flussbett“, „Offener Boden“ und

„Anstehendes Gestein“ gewählt. „Shrubland“, „Badland“ und „Ackerflächen“ sind die Land-

nutzungsklassen, die für die weitere Betrachtung verwendet werden, das sie die Hauptsedi-

7 http://www.enmap.org/

http://www.enmap.org/

Methoden

44

mentquellen im Einzugsgebiet darstellen. Auf Basis derer werden die C-Faktoren kartiert.

FRANCKES (2009) Klassifikation wurde um die Landnutzungsklassen „Badland“, „Flussbett“

und „Offener Boden“ erweitert. Die in seiner Arbeit verwendete Landnutzungsklasse „spär-

lich bewachsener Wald“ wird nicht betrachtet. Für die Klassifikationskalibrierung und –

validierung wurde der im Feld aufgenommene Referenzdatensatz von beiden Zeitpunkten

geteilt (s. Tabelle 3-5). Die Teilung von Datensätzen ist eine häufig angewandte Methode

zur Ergebnisvalidierung (RICHTER ET AL. 2012). Da „Offener Boden“ während der Feldkam-

pagnen nicht als Landnutzungstyp klassifiziert worden ist, wurden die Bildpixel mit Hilfe eine

GIS Analyse detektiert. Dafür wurden die generierten NDVI- und CAI-Masken aus Kapitel

3.4.1.1 verwendet. Es wurden nur die Bildpixel ausgegeben, die einen kleineren NDVI als

0.3 und einen kleineren CAI als 0.0 besitzen, d.h. keine grüne und trockene Vegetation,

sondern Offene Bodenoberflächen darstellen. Unter Hinzuziehung von Ortskenntnissen und

Identifizierung von Strukturen im Echtfarbenbild wurden Bildpixel für die Klassifikationskali-

brierung und –validierung extrahiert. Der Bedeckungstyp „Anstehendes Gestein“ wurde

ebenfalls mit visuell identifizierten Flächen im Bild erweitert, die als Anstehendes Gestein

angenommen werden können. Das sind vor allem die steilen Hangbereiche des Turbón im

Norden des Untersuchungsgebietes (s. Abbildung 3-5).

Tabelle 3-5: Teilung des Referenzdatensatzes für die Kalibrierung und Validierung der überwachten Landnutzungsklassifikation. Angabe der Anzahl der Referenzpunkte und die auf die Bilddatensätze übertragenen Refe-renzpixel. Die Kalibrierungsgrundlage für Anstehendes Gestein setzt sich aus einem Datenpunkt und der GIS Analyse zusammen. (Quelle: Eigene Darstellung 2013).

LANDNUTZUNGSKLASSE KALIBRIERUNG VALIDIERUNG

DATENPUNKTE BILDPIXEL DATENPUNKTE BILDPIXEL

Shrubland 13 629 13 1687

Badland 4 74 4 128

Ackerflächen 10 967 10 3205

Wiesen/Weiden 5 372 6 1413

Nadelwald 3 198 3 217

Laubwald 5 648 6 1008

Flussbett 2 47 3 55

Offener Boden GIS Analyse 92 GIS Analyse 72

Anstehendes Gestein 1 und GIS Ana-

lyse

45 GIS Analyse 86

GESAMT 43 3072 45 7871

Die Landnutzungsklassifikation wurde auf verschiedenen Datengrundlagen getestet. Zum

einen wurde getestet, ob die Landnutzungsklassifikation auch allein auf Grundlage der in der

MESMA Entmischung produzierten Ergebnisse (Anteile von GV, NPV, Boden und Stein für

beide Aufnahmezeitpunkte) erfolgen kann, also ausschließlich merkmalsbasiert ist. Zum

anderen wurden die Informationen der bitemporalen Datensätze mit Hilfe von Standard-

techniken verdichtet. Um die spektralen Informationen für Vegetationseigenschaften zu

Methoden

45

erhöhen, wurde eine Hauptkomponentenanalyse durchgeführt. Eine Hauptkomponentenana-

lyse ist eine häufig genutzte Methode um die Dimensionalität des Datensatzes zu reduzieren

und gleichzeitig die Datenvarianz hervorzuheben (LILLESAND UND KIEFER 2008). Um die Eigen-

schaften der Absorptionsbanden der Bodenminerale besser berücksichtigen zu können, wur-

de auf den Bilddatensätzen zusätzlich die Methode des Continuum Removal angewandt.

Continuum Removal normalisiert die Reflektanzspektren, so dass individuelle Absorptions-

merkmale von einer gemeinsamen Nulllinie aus verglichen werden können (CLARK UND ROUSH

1984, KOKALY 2001). Nach der Hauptkomponentenanalyse wurden die Bilddatensätze auf 235

Bänder reduziert, nach dem Anwenden des Continuum Removals auf 40. Eine Kombination

verschiedener Dateninformationen wurde ebenfalls getestet.

Für imageSVM 2.1 mussten die Daten zunächst auf 0-1 skaliert werden. Anschließend müs-

sen die Referenzdaten vor der eigentlichen Klassifikation parametrisiert werden. Der Vorteil

von imageSVM 2.1 besteht darin, dass mit Hilfe einer Rastersuche (grid search) die optima-

len Werte für die Kontrollparameter automatisch ermittelt werden können. Nach der erfolg-

reichen Parametrisierung können nun die Bilddatensätze klassifiziert werden. Die Landnut-

zungsklassen werden pixelbasiert ausgegeben. Die Ergebnisvalidierung wurde in ENVI

durchgeführt. Die Flächen der Landnutzungstypen des besten Validierungsergebnisses wur-

den anschließend mit einem Majority Filter (kernel size: 7x7; weight: 5) generalisiert. Flä-

chen, die kleiner als 2000m² sind wurden in ArcGIS 10.1. eliminiert.

3.4.3 Kartierung des Bedeckungs- und Bearbeitungsfaktors (C-Faktor)

3.4.3.1 Empirischer Zusammenhang nach de Asis und Omasa (2007)

DE ASIS UND OMASA (2007) benutzen einen Linear Spectral Mixure Analysis (LSMA) Ansatz

(ADAMS ET AL. 1986; ELMORE ET AL. 2000; SMITH ET AL. 2000 UND SMALL 2003;) um den Bodenbe-

deckungsgrad auf Basis von Landsat ETM Daten zu ermitteln. Der C-Faktor im Gelände wur-

de nach DISSMEYER UND FOSTER (1981) bestimmt, die die Arbeit VON WISCHMEYER UND SMITH

(1978) für Waldbedingungen angepasst haben. Letztere geben drei Subfaktoren für die Be-

rechnung des C-Faktors an: (a) die Kronendachbedeckung, (b) die Bodenbedeckung und (c)

Faktoren, die unter der Erde lokalisiert sind (z.B. Wurzeln). Die Methode der Übertragung

der Entmischungsergebnisse auf den C-Faktor beruht auf den Studien von KELLMANN 1969

und LAFLEN UND COLVIN (1981). Beide Arbeiten bestätigen einen Zusammenhang zwischen

steigender Bodenbedeckung und sinkender Bodenerosion. Der C-Faktor wird auf Pixelbasis

wie folgt definiert:

Formel 14

Methoden

46

mit Fbs als Anteil des Offenen Bodens, Fveg als Anteil der photosynthetisch aktiven Vegetation

und FNPM als Anteil der photosynthetisch nicht-aktiven Vegetation. Der Gleichung liegt die

Annahme zugrunde, dass nur dann Bodenerosion auftritt, wenn Offene Bodenflächen vor-

kommen. Des Weiteren wird angenommen, dass in dicht bewachsenen Arealen die C-Faktor

Werte auch 0 annehmen können. Der Faktor 1 in der Formel limitiert den Wertebereich zwi-

schen 0 und 1, wobei niedrige Werte exponiertere Böden kennzeichnen, und hohe Werte

Bereiche mit hoher Kronendach- und Bodenbedeckung. Die Ergebnisse zeigen, dass die aus

den LSMA Ergebnissen gewonnen C-Faktoren mit den am Boden gemessenen Werten stark

korrelieren. Der Korrelationskoeffizient wird mit r=0.94 angegeben.

Der empirische Zusammenhang wurde in einem ersten Schritt benutzt, um die Ergebnisse

der MESMA Entmischung in dieser Arbeit ebenfalls pixelbasiert auf den C-Faktor zu übertra-

gen und damit eine kontinuierliche C-Faktor Karte, bezogen auf die Landnutzungsklassen

„Shrubland“, „Badland“ und „Ackerflächen“, zu generieren. Der Nenner der Formel 5 wurde

um den Anteil der Steinbedeckung erweitert. Steine und Schotter werden nach DISSMEYER

UND FOSTER (1981) ebenfalls zur Bodenbedeckung gezählt. Daraus ergibt sich folgende adap-

tierte Gleichung:

Formel 15

wobei FBoden der bestimmte Bodenanteil je Bildpixel nach der MESMA Entmischung darstellt,

FGV den Anteil der photosynthetisch aktiven Vegetation, FNPV den Anteil der photosynthetisch

nicht-aktiven Vegetation und FStein den Anteil der Steinfraktion.

Für die restlichen Landnutzungstypen wurde ein konstanter Literaturwert vergeben, der sich

nach den Modellparameterwerten der Arbeit von FRANCKE (2009) richtet. Der Landnutzungs-

klasse „Stein“ wurde der C-Faktor Wert 0 zugewiesen, „Nadelwald“ 0.00058, „Laubwald“

0.00158 und „Wiese/Weide“ 0.1515. „Offener Boden“ wurde ebenfalls der C-Faktor Wert 0

zugewiesen, da Offene Böden durch fehlende Bodenbedeckung direkt den Bodenerosions-

prozessen durch Wasser ausgesetzt sind (KELLMANN, 1969).

3.4.3.2 Übertragung der MESMA Entmischungsergebnisse auf die RUSLE Subfaktoren

Die Bestimmung des C-Faktors in der RUSLE wird durch die Multiplikation von fünf Subfakto-

ren realisiert: der Faktor, der Informationen über die vorhergehende Anbaufrucht und Be-

wirtschaftung gibt (PLU) sowie die Faktoren für die Kronendachbedeckung (CC), die Boden-

bedeckung (SC), die Oberflächenrauigkeit (SR) und die Bodenfeuchte (SM). Jeder Subfaktor

enthält weitere Landbewirtschaftungsvariablen und geht also als Funktion einer oder mehre-

rer Variablen in die Gleichung ein. Beispielsweise geben die Variablen Informationen über

die Pflanzenwuchshöhe, Flächenangaben über Pflanzenrückstände, Kronendachbedeckung

und Bodenbedeckung (RENARD ET AL. 1997). Die Subfaktoren PLU und SM werden für die

Berechnung mit dem konstanten Wert 1 besetzt, haben also keinen Einfluss auf die Berech-

Methoden

47

nung des C-Faktors. Die Annahmen basieren auf den Arbeiten von SCHIETTECATTE ET AL.

(2008) und VERSTRAETEN ET AL. (2002). Die Beschreibung der Ableitung des C-Faktors aus den

Referenzdaten befindet sich im Kapitel 3.3.2. Im Gundlagenkapitel 2.4.1. werden die Glei-

chungen für die Berechnung der restlichen drei Subfaktoren CC (s. Formel 8), SC (s. Formel

9) und SR (s. Formel 10) aufgeführt. Für die Bestimmung von CC wird der Flächenanteil des

Kronendaches (Fc) in einem Wertebereich von 0-1 sowie die Pflanzenwuchshöhe (H) in [ft]

benötigt. Für die Bestimmung von SC müssen Informationen über die Bodenbedeckung (Sp)

in [0-100%], die mittlere Oberflächenrauigkeit (Ru) in [in] und den landnutzungsabhängigen

empirischen Koeffizienten b einfließen. SR benötigt ebenfalls die Variable Ru.

Nach der MEMSA Entmischung sind je Pixel die quantitativen Anteile von GV, NPV, Boden

und Stein berechnet worden. Die Herausforderung in diesem Prozessschritt ist die Verknüp-

fung der RUSLE Subfaktoren mit den MESMA Entmischungsergebnissen, d.h. die richtige

Übertragung der Materialklassen auf die RUSLE Variablen Fc und Sp. Die MESMA Ent-

mischungsergebnisse unterscheiden lediglich photosynthetisch aktiver von photosynthetisch

nicht-aktiver Vegetation, geben aber keine Aussage über die vertikale Verteilung. Die spekt-

rale Signatur eines Kronendaches, die von den Aufnahmesensoren fernerkundlicher Beo-

bachtungssysteme detektiert wird, ist sowohl durch die spezifischen Pflanzeneigenschaften

als auch das Hintergrundsignal von Offenem Boden und Bodenvegetation charakterisiert

(GUYOT ET AL. 1989).

Tabelle 3-6: Die unterschiedliche Parametrisierung der drei verschiedenen Über-tragungsvorschriften auf die Variablen der RUSLE Subfaktoren. Shrubland (S), Badland (B) und die Ackerflächen (A). (Quelle: Eigene Darstellung 2013).

KRONENDACH-

BEDECKUNG (FC)

[0-1]

BODEN- BEDECKUNG (SP)

[%]

PFLANZENWUCHS- HÖHE (H)

[FT]

EMPIRISCHER KOEFFIZIENT

(B)

OBERFLÄCHEN-

RAUIGKEIT (RU) [IN]

1 GV NPV, Stein LIDAR Daten S: 0.045 S: 0.8

B: 0.05 B: 0.6

A: 0.035 A: 0.4

2 GV, NPV Stein LIDAR Daten

S: 0.045 S: 0.8

B: 0.05 B: 0.6

A: 0.035 A: 0.4

3 GV, NPV NPV, Stein LIDAR Daten

S: 0.045 S: 0.8

B: 0.05 B: 0.6

A: 0.35 A: 0.4

Die Übertragung der MESMA Entmischungsergebnisse erfolgte daher auf drei verschiedene

Arten (s. Tabelle 3-6). (1) GV wird der Kronendachbedeckung (Fc) zugeordnet, NPV und

Stein der Bodenbedeckung (Sp). (2) Beide Vegetationsanteile GV und NPV werden der Kro-

nendachbedeckung (Fc) zugeordnet, lediglich Stein der Bodenbedeckung (Sp). (3) NPV wird

sowohl der Kronendachbedeckung (Fc) als auch der Bodenbedeckung (Sp) zugeordnet. GV

ebenfalls der Kronendachbedeckung (Fc), Stein der Bodenbedeckung (Sp). Die Pflanzen-

wuchshöhe (H) in [ft] kann durch die Ergebnisse der LIDAR Daten pixelbasiert in die Be-

Methoden

48

rechnung von CC eingehen. Der empirische Korrelationskoeffizient b wurde für die einzelnen

Landnutzungstypen aus KUENSTLER (O. A.) genutzt (s. Tabelle 3-6). Für die Bestimmung von

SR wurde die mittlere Oberflächenrauigkeit (Ru) aus RENARD ET AL. (1997) für die einzelnen

Landnutzungstypen abgeleitet (s. Tabelle 3-6). Damit sind die Werte des empirischen Korre-

lationskoeffizienten b und der mittleren Oberflächenrauigkeit (Ru) für die einzelnen Landnut-

zungstypen konstant. Für die restlichen Landnutzungstypen wurde derselbe konstante Lite-

raturwert vergeben, wie bereits in Kapitel 3.4.3.1 beschrieben.

3.5 Methoden der Ergebnisanalyse

Für die Ergebnisanalyse werden verschiedene Gütemaße angewendet. Zur Gruppe der abso-

luten Gütemaße gehören die Wurzel des mittleren quadratischen Fehlers (RMSE = Root

Mean Square Error) und der mittlere absolute Fehler (MAE = Mean Absolute Error) (BÄSE

2005, S.19). RICHTER ET AL. (2012) teilen RMSE und MAE in die Gruppe der Fehlermaße, die

auf den Residuen der gemessenen und simulierten Werte basieren. Ebenso das Gütemaß

Bias. Die Berechnung des RMSE, MAE und Bias ergibt sich aus folgenden Formeln:

Formel 16

Formel 17

Formel 18

Formel 19

Mit n als Anzahl der Paare aus gemessenen ( ) und simulierten Werten ( ) an der Bildpo-

sition i. MSE und RMSE betrachten die größeren Differenzen zwischen den gemessenen und

simulierten Werten. Der MAE beschreibt die Abweichung zwischen den gemessenen und

simulierten Werten in deren physikalischer Einheit und kann somit einen allgemeinen Über-

blick über das Ausmaß der Differenz geben (BÄSE 2005). Der Bias gibt den systematischen

Fehler der Schätzung an. Negative Werte sind gleichbedeutend mit einer Überschätzung der

gemessenen Werten, positive Werte mit einer Unterschätzung.

Der Pearson´sche Produkt-Moment Korrelationskoeffizient r und sein Quadrat, das Be-

stimmtheitsmaß R², gehören zur Gruppe der relativen Gütemaße (BÄSE 2005). RICHTER ET AL.

(2012) zählen beide zu der Gruppe der korrelationsbasierten Maße. Mittels beider Maße

kann der Grad der Kolinearität zwischen gemessenen und simulierten Werten abgeleitet

Gütemaße

Methoden

49

werden. Jedoch ist ihr Beurteilungsvermögen in Bezug auf das Modellverhalten nur begrenzt

von Wert. Es wird lediglich die lineare Beziehung zwischen den Variablen evaluiert. Die line-

are Beziehung wird wie folgt beschrieben:

Formel 20

b entspricht der Steigung und a dem Ordinatenabschnitt der Regressionsgeraden. Ohne

Berücksichtigung der Steigung b kann R² für jeden Ordinatenabschnitt den Wert 1 anneh-

men. Somit ist R² nicht sensitiv gegenüber Unterschieden zwischen gemessenen und model-

lierten Werten. Bei einer systematischen Über- oder Unterschätzung erreicht R² auch den

Wert 1, obwohl die Modellsimulation unzureichend ist. Des Weiteren reagieren korrelations-

basierte Maße sensitiv auf Ausreißer. Das heißt gut modellierte hohe Werte können einen

hohen Wert des Bestimmtheitsmaßes bedingen, Abweichungen kleinerer Werte werden

dann vernachlässigt. Der Wertebereich des Bestimmtheitsmaßes R² liegt zwischen 0 und 1

wobei ein höherer Wert gleichbedeutend mit einer besseren Übereinstimmung von gemes-

senen und simulierten Werten ist (LEGATES UND MCCABE 1999). R² wird wie folgt berechnet:

Formel 21

Oft werden neben dem R² auch noch als Zusatzinformationen b und a angegeben. Bei einer

guten Übereinstimmung sollte a nahe 0 sein. Im Beispiel der quantitativen Anteilsmodellie-

rung der funktionalen Materialklassen durch MESMA Entmischung sollte eine gemessene

Abundanz von 0% auch im Bilddatensatz mit 0% modelliert werden. Liegt die Steigung b im

Bereich von 1, so ist auch ein guter Wert von R² gleichbedeutend mit einem guten Modellie-

rungsergebnis (KRAUSE ET AL. 2005). Zusammen geben diese Informationen also einen einfa-

chen Indikator für die Modelldarstellung (BÄSE 2005).

RMSE und R² werden auch in RICHTER ET AL. (2012) unter anderem als „optimale“ statistische

Gütemaße für die Validierung von aus Fernerkundungsdaten abgeleiteten biophysikalischen

Variablen genannt. Ferner wurden die Gütemaße MAE und Bias zusätzlich bestimmt, um in

Kapitel 4.1.2 die Ergebnisse der MESMA Entmischung besser mit anderen wissenschaftlichen

Arbeiten vergleichen zu können.

Um systematische Fehler in der Kalibrierung zu erkennen, können auch sogenannte Muster-

indizes angewandt werden (RICHTER ET AL. 2012). Beispielsweise können die Residuen neben

dem korrespondierenden Scatterplot in einer Graphik dargestellt werden. Die Residuen (e)

lassen sich wie folgt berechnen:

Formel 22

Methoden

50

Damit deuten negative Werte auf eine Überschätzung, positive Werte auf eine Unterschät-

zung der simulierten gegenüber den gemessenen Werten hin.

Um die Genauigkeit der Landnutzungsklassifikation und der Klassifikation der dominanten

EM zu bestimmen, wurde eine Überprüfung durch eine Fehlermatrix angewendet. Die Me-

thode ist seit den 1980er Jahren ein Standardverfahren in der fernerkundlichen Auswertung

(CONGALTON UND GREEN 2009; JENSEN 2005). Die Referenzdaten werden auf der Abszisse und

die klassifizierten Ergebnisse auf der Ordinate dargestellt (CONGALTON UND GREEN 2009). Die

Diagonale zeigt die Anzahl der richtig klassifizierten Bezugsflächen, in den übrigen Zellen

werden die falsch klassifizierten Objekte eingetragen. Das Summenzeichen Σ zeigt einmal

die Summe der Zeilen und Spalten und den Gesamtumfang der zu überprüfenden Objekte.

Als einfachste Kennzahl lässt sich die Gesamtgenauigkeit („overall accuracy“) der Klassifika-

tion ableiten. Sie stellt das Verhältnis von korrekt klassifizierten Objekten (Summe der

Hauptdiagonalen) zur Gesamtzahl aller betrachteten Objekte dar (CONGALTAN UND GREEN

2009). Die Klassifikationsgenauigkeit der einzelnen Klassen kann durch die Benutzergenau-

igkeit („users accuracy“) und Herstellergenauigkeit („producers accuracy“) bestimmt wer-

den. Die Benutzergenauigkeit gibt die Wahrscheinlichkeit an, dass ein klassifiziertes Bildpixel

tatsächlich die entsprechende Klasse auf der Erdoberfläche in einer Karte repräsentiert. Der

Fehler wird als Fehler 1. Art bezeichnet („commission error“). Die Herstellergenauigkeit gibt

hingegen für die einzelnen Klassen die Anzahl der Referenzsegmente an, die der richtigen

Kategorie zugewiesen wurden. Dieser Fehler wird als Fehler 2. Art bezeichnet („omission

error“). Eine weitere Kennzahl die Genauigkeit einer Klassifikation anzugeben ist der Kappa

Koeffizient. Der Kappa Koeffizient ist ein Maß für die Stärke des Zusammenhangs zwischen

Klassifikationsergebnis und dem Referenzdatensatzs. Dessen Wertebereich erstreckt sich

zwischen -1 und 1, wobei -1 darauf hindeutet, dass alle Übereinstimmungen zwischen Refe-

renzdatensatz und Klassifikationsergebnis zufällig sind, der Wert 1 hingegen anzeigt, dass

die Übereinstimmungen nicht zufällig sind.

Bewertung der Klassifikations-

ergebnisse

Ergebnisse und Diskussion

51

4 Ergebnisse und Diskussion

4.1 Multiple Endmember Spectral Mixture Analysis (MESMA)

4.1.1 Ergebnisse

Ergebnisse der MESMA Entmischung

Die endgültige spektrale EM Bibliothek beinhaltet durch Verwendung der vorgestellten Me-

thodik in Kapitel 3.4.1.1 all jene Spektren, die am besten ihre jeweilige Materialklasse in der

EM Bibliothek repräsentieren und ebenfalls repräsentativ für das zu modellierende Material

ihrer Klasse auf der Erdoberfläche sind. Aussortiert wurden jene, welche zur Vermischung

mit anderen Materialklassen führen. Die EM Bibliothek für die MESMA Entmischung des Bild-

datensatzes von April beinhaltet 10 EM für die Materialklasse GV, 8 EM für NPV, 5 EM für

Boden und 2 EM für Stein (s. Abbildung 4-1).

Abbildung 4-1: Endgültige Endmember Bibliothek für die MESMA Entmischung des Bilddatensatzes von April 2011 (10 EM GV, 8 EM NPV, 5 EM Boden, 2 EM Stein). (Quelle: Eigene Darstellung 2013).

Die EM Bibliothek für die MEMSA Entmischung des Augustbilddatensatz beinhaltet 11 EM für

die Materialklasse GV, 6 EM für NPV, 6 EM für Boden und 2 EM für Stein (s. Abbildung 4-2).

Den EM Bibliotheken für beide Aufnahmezeitpunkte wurde ein photometrischer Schatten als

weiterer EM hinzugefügt.

MESMA EM Bibliothek


52

Abbildung 4-2: Endgültige Endmember Bibliothek für die MESMA Entmischung des Bilddatensatzes von August 2011 (11 EM GV, 6 EM NPV, 6 EM Boden, 2 EM Stein). (Quelle: Eigene Darstellung 2013).

Die Bildpixel wurden auf verschiedenen Modellkomplexitätsstufen modelliert (2-EM Modell,

3-EM-Modell und 4-EM-Modell). Dabei setzen sich die möglichen Modellkombinationen aus

den gebildeten funktionalen Materialklassen GV, NPV, Boden, Stein und photometrischer

Schatten zusammen (s. Tabelle 3-4). Für April resultieren daraus 25 2-EM Modelle, 216

3-EM Modelle und 680 4-EM Modelle. Für August ebenfalls 25 2-EM Modelle, 214 3-EM Mo-

delle und 732 4-EM Modelle. Im Aprilbilddatensatz konnten 83.79% der Bildpixel mit Hilfe

der jeweiligen EM Bibliotheken und den gesetzten Randbedingungen (vgl. Kapitel 3.4.1.2)

modelliert werden, 90.15% im Augustbilddatensatz. Bezogen auf die Gesamtanzahl der

Bildpixel beider Datensätze, abzüglich der ausgeschlossen Bildpixel nach der Datenoptimie-

rung (s. Kapitel 3.3.1), konnten demnach nur 1.07% der Bildpixel des Aprilbilddatensatzes

und 4.26% der Bildpixel des Augustbilddatensatzes nicht durch MESMA modelliert werden.

Der größte Teil der Bildpixel des Aprilbilddatensatzes, bezogen auf alle Bildpixel (100 %)

wurde durch 4-EM Modelle modelliert (76.77 %) (s. Tabelle 4-1). Dabei modellieren die Mo-

dellkombinationen GV/NPV/Boden/Schatten (28.37 %) (Modellnr.11) und

GV/NPV/Stein/Schatten (33.03 %) (Modellnr.12) (s. Tabelle 3-4 ) den größten Anteil. Die 3-

EM Modelle modellieren 6.81% der Bildfläche, die 2-EM Modelle nur 0.21 %. Auffällig ist die

Akkumulation der 3-EM Modelle auf den Flächen des Landnutzungstypen Badland und den

Ackerflächen im Norden des Gebietes. Die 2-EM Modelle modellieren vorwiegend Bildflächen

an den Rändern der nicht klassifizierten Flächen und Bildflächen im Südosten des Bildmosa-

iks. Die 4-EM Modelle modellieren auch den größten Flächenanteil des Augustbilddatensat-

zes (79.87%). Dabei dominieren die Modellkombinationen GV/NPV/Boden/Schatten

(Modellnr.11) mit 38.85% und die Modellkombination GV/Boden/Stein/Schatten

(Modellnr.14) mit 21.50% (s. Tabelle 3-4).

MESMA Modell-komplexitätsebenen


53

Tabelle 4-1: Modellierten Flächenanteile durch die unterschiedlichen Ent-mischungsmodelle unterschiedlicher Modellkomplexitätseben. (Quelle: Eigene Darstellung).

MODELL-

KOMPLEXITÄTSEBENE

APRIL AUGUST

MODELLIERTE

PIXEL

BILDFLÄCHE

[%]

MODELLIERTE

PIXEL

BILDFLÄCHE

[%]

2-EM Modell 18129 0.21 171560 2.05

3-EM Modell 571662 6.81 813243 9.70

4-EM Modell 6446419 76.77 6710159 79.87

Nicht klassifiziert 1361294 16.21 702542 8.38

TOTAL 8397504 100 8397504 100

Die 3-EM Modelle modellieren vorwiegend die Landnutzungsklasse Badland und flächenhafte

im Echtfarbenbild hellgrün erscheinende Flächen der Landnutzungstypen Ackerfläche und

Wiese/Weide. Die 2-EM Modelle verteilen sich räumlich ebenfalls an den Rändern nicht klas-

sifizierter Flächen und treten gehäuft im Nordosten und Nordwesten des Bildmosaiks auf.

Die prozentuale Verteilung der modellierten Bildflächen auf die verschiedenen Modellkomp-

lexitätsebenen ist für beide Bilddatensätze in etwa gleich ausgeprägt (s. Tabelle 4-1). Ein

Eindruck der räumlichen Verteilung der Modellkomplexitätsgrade für einen Raumausschnitt

der Überfliegungsareale kann im Anhang A.1 der Abbildung A-5 entnommen werden.

Die räumliche Verteilung des Entmischungsfehlers (RMSE), der den Grad der Anpassung

eines modellierten Spektrums an das Originalspektrum während der MESMA Entmischung

angibt, zeigt in beiden Bilddatensätzen deutlich unnatürliche Muster (s. Abbildung 4-3). Die

streifenhaften Auffälligkeiten decken sich mit den einzelnen Flugstreifen. Die hellen Flächen

stellen Bildpixel mit hohen RMSE Werten, die dunklen solche mit niedrige RMSE Werte dar.

Der durchschnittliche RMSE für beide Entmischungsergebnisse ist relativ gering (April

0.0075; August 0.0082). Im Aprilbilddatensatz zeigen die Landnutzungstypen mit Vegetati-

onsbestand RMSE Werte auf, die den ganzen zulässigen Wertebereich von 0-0.025 abde-

cken. Dabei wird die Landnutzungsklasse Nadelwald mit dem insgesamt geringsten mittleren

RMSE (0.0066) modelliert. Laubwald weist einen durchschnittlichen RMSE von 0.0075 auf,

Shrubland 0.0077, Wiese/Weide 0.0073 und Ackerflächen 0.0095. Die RMSE Minima der

Landnutzungstypen, die überwiegend durch die Materialklassen Boden und Stein dominiert

werden sind größer null und reichen ebenfalls bis zum zulässigen RMSE Höchstwert von

0.025. Dabei wird Badland mit dem insgesamt größten mittleren RMSE von 0.0113 model-

liert, Anstehendes Gestein mit 0.0111 und Offener Boden mit 0.0105. Die räumliche Vertei-

lung des RMSE zeigt für den Aprilbilddatensatz geringere RMSE Werte (0.0066-0.0095) für

Bereiche mit hohen Vegetationsanteilen und höhere RMSE Werte (0.0105-0.0113) für Berei-

che mit geringen Vegetationsanteilen (s.a. A.1 Abbildung A-5).

MESMA RMSE


54

Abbildung 4-3: Die räumliche RMSE Verteilung der MESMA Entmischung zeigt deut-lich unnatürliche Muster in beiden Bilddatensätzen (dunkle Flächen stellen Bildpixel mit niedrigen RMSE Werten dar, helle Flächen Bildpi-xel mit hohen RMSE Werten; schwarze Bildflächen zeigen nicht klassi-fizierte Bildflächen). (Quelle: Eigene Darstellung 2013).

Für den Augustbilddatensatz ähneln sich die mittleren RMSE Werte der einzelnen Landnut-

zungstypen. Der Landnutzungstyp Shrubland wird mit dem insgesamt geringsten RMSE Wert

von 0.0075 modelliert. Nadelwald mit 0.0079, Ackerflächen mit 0.0082, Offener Boden mit

0.0090, Wiese/Weide mit 0.0091, Anstehendes Gestein mit 0.0096, Badland mit 0.0100 und

Laubwald mit einem mittleren RMSE von 0.0114. Bis auf die Landnutzungsklassen Anste-

hendes Gestein und Badland werden RMSE Werte ausgegeben, die den ganzen zulässigen

Wertebereich von 0-0.025 abdecken. Anstehendes Gestein und Badland werden mit RMSE

Werten größer 0 modelliert, was sich auch in den relativ großen mittleren RMSE Werten

widerspiegelt. Die starke räumliche Korrelation zwischen hohen RMSE Werten und offenlie-

genden Flächen und niedrigen RMSE Werten und vegetationsbedeckten Flächen nimmt im

Augustbilddatensatz ab.

Kartierung der quantitativen Anteile der funktionalen Materialklassen

Die Kartierung der berechneten quantitativen Anteile der funktionalen Materialklassen GV,

NPV, Boden und Stein sind für einen Raumausschnitt des Überfliegungsareales in Abbildung

A-3 und Abbildung A-4 im Anhang A.1 dargestellt. Helle Flächen der jeweiligen assoziierten

Farbgebung sind gleichbedeutend mit einem geringen prozentualen Auftreten der Material-


55

klasse je Bildpixel, dunkle Flächen mit einem hohen prozentualen Auftreten. Die schwarzen

Bildflächen zeigen die nicht klassifizierten Bildpixel. Der ganzjährig dichte Nadelwaldbestand

in den mittleren und nordöstlichen Bereichen der Bilddatensätze wird durch hohe GV-Anteile

modelliert. Die Ackerflächen im Süden und Norden sind im Aprilbilddatensatz ebenfalls durch

hohe GV-Anteile gekennzeichnet, im August hingegen durch ein Mosaik aus hohen NPV und

Bodenanteilen. Generell beinhaltet der Bewirtschaftungszyklus im Frühjahr die Aussaat mit

anschließend schnellem Wachstum zu einem dichten, sehr vitalen Vegetationsbestand und

im Spätsommer die Ernte und das Pflügen. Für die sommergrünen Laubwälder im Osten

zeigt sich ebenfalls ein Wechsel aus hohen NPV-Anteilen im April und hohen GV-Anteilen im

August. Die Beobachtung deckt sich mit den Eindrücken, die während der Feldkampagnen

gemacht worden sind: Das Kronendach besteht im Frühjahr ausschließlich aus verwelkten

Blättern, im August hingegen ist der Blattbestand vital und grün. Die Steilhänge des Turbón

im Norden werden in beiden Bilddatensätzen mit hohen Steinanteilen modelliert, ebenfalls

die Südhänge der Erhebung im mittleren Teil des Bildausschnittes. Die sich im Nordwesten

befindenden Badlandstrukturen sind deutlich anhand des hohen modellierten Bodenanteils

zu identifizieren. Die offenen Naturräume sollten im jahreszeitlichen Verlauf stabil bleiben,

da aufgrund fehlender Vegetation keine Änderung und Dynamik in den Abundanzen aller

funktionalen Klassen zu erwarten ist. Allerdings finden sich in den landwirtschaftlich bewirt-

schafteten Flächen im Norden und Süden ebenfalls großflächige homogene Strukturen mit

hohem Steinanteil. Die großen Flächen der Landnutzungsklasse Shrubland zeigen die erwar-

teten kleinräumigen Muster aus GV, NPV und Boden. Dabei scheint der hohe NPV-Anteil im

April zugunsten des hohen GV-Anteils im August zurück zu gehen. Bereiche, die Wie-

se/Weide kennzeichnen zeigen für beide Aufnahmezeitpunkte hohe Anteile für GV und NPV.

In beiden Bilddatensätzen stellen linienhafte Strukturen mit hohen Bodenanteilen nicht as-

phaltierte Feldwege dar. Auch an den Flussverlauf angrenzende Bereiche zeigen hohe Bo-

denanteile, die vermutlich das trockene Flussbett am Uferrandbereich darstellen. In allen

Ergebnisbildern sind die streifenhaften Strukturen der Flugstreifen in unterschiedlichen Aus-

prägungen zu sehen.

Die visuelle Analyse der räumlichen Verteilung der ermittelten Abundanzen deckt sich mit

den gemittelten Anteilen an den funktionalen Klassen GV, NPV; Boden und Stein bezogen

auf die Landnutzungsklassen (Tabelle 4-2 und Tabelle 4-3). Für den Aprilbilddatensatz zei-

gen die vegetationsbedeckten Landnutzungsklassen Shrubland, Laubwald, Nadelwald, Wie-

se/Weide und Ackerflächen die größten Vegetationsanteile (GV und NPV). Dabei liegen die

höchsten prozentualen Anteile von NPV bei Shrubland und Laubwald, bei den restlichen

Landnutzungstypen bei GV. Die Anteile der funktionalen Materialklassen GV, NPV, Boden

und Stein der durch kleinräumig verteilte vegetationsbedeckte und offene Bereiche charak-

terisierten Landschaftsform Shrubland lassen sich in ihrer Anteilsgrößenordnung nicht deut-

lich voneinander abgrenzen. Wiese/Weide zeigt ein ähnliches Verhalten, allerdings in etwas

abgeschwächter Form. Nadelwald besitzt einen hohen GV-Anteil von 71%. Wie bereits an-

gesprochen, bedingt der phänologische Zyklus des sommergrünen Laubwaldbestandes einen

hohen modellierten NPV und vergleichsweise geringen GV-Anteil. Ebenfalls bestätigt sich der

vorab gewonnene räumliche Eindruck von vitalen Vegetationsbeständen auf Ackerflächen.


56

Der mittlere prozentuale Anteil von GV liegt bei Ackerflächen im April bei 61%. Bei den of-

fenliegenden Landschaftstypen Offener Boden, Badland und anstehendes Gestein liegen die

höchsten prozentualen Anteile wie erwartet bei den funktionalen Materialklassen Boden und

Stein. Offener Boden und Badland werden mit den höchsten Bodenanteilen modelliert, An-

stehendes Gestein mit dem höchsten Steinanteil.

Tabelle 4-2: Mittelwert (MW) in [%] der entmischten Anteile der funktionalen Klassen GV, NPV, Boden und Stein für den Aprilbilddatensatz je Land-nutzungsklasse. (Quelle: Eigene Darstellung 2013).

LANDNUTZUNG GV NPV BODEN STEIN

MW [%] MW [%] MW [%] MW [%]

Shrubland 23 40 24 14

Laubwald 17 73 6 5

Nadelwald 71 23 7 1

Wiese/Weide 47 33 15 6


Offener Boden 5 9 55 32

Badland 6 15 63 18

Anstehendes Gestein 3 16 10 72

Wie bereits in der räumlichen Verteilung der ermittelten Abundanzen ersichtlich, nimmt der

GV-Anteil zum August in den Landnutzungsklassen Shrubland, Laubwald und Wiese/Weide

zu, der NPV-Anteil nimmt hingegen ab. Boden- und Steinanteil unterscheiden sich gegen-

über April nur geringfügig. Der hohe GV-Anteil von Nadelwald ändert sich nur leicht von

April zu August. Hingegen ist der NPV-Anteil zugunsten des Bodenanteils reduziert. Bei den

Ackerflächen steigt der NPV-Anteil, der GV-Anteil wird in der gleichen Größenordnung redu-

ziert. Der Bodenanteil in den Badlands vergrößert sich von 63% auf 71%, das Verhältnis der

NPV und GV-Anteile kehrt sich um. Der Steinanteil des Anstehenden Gesteins ist gegenüber

dem Aprilbilddatensatz reduziert, der Bodenanteil hingegen erhöht. Für die Landnutzungs-

klasse Offener Boden steigt der Bodenanteil zugunsten des Steinanteils im Augustbilddaten-

satz.


57

Tabelle 4-3: Mittelwert (MW) in [%] der entmischten Anteile der funktionalen Klassen GV, NPV, Boden und Stein für den Augustbilddatensatz je Landnutzungsklasse. (Quelle: Eigene Darstellung 2013).


MW [%] MW [%] MW [%] MW [%]

Shrubland 40 27 26 8

Laubwald 74 9 4 1

Nadelwald 79 9 11 2

Wiese/Weide 58 29 8 4


Offener Boden 7 10 68 15

Badland 13 7 71 6

Anstehendes Gestein 4 14 26 57

Ergebnisvalidierung der MESMA Entmischungsergebnisse

Die Validierung der MESMA Entmischungsergebnisse erfolgt gegen die im Gelände erhobe-

nen Bodenbedeckungsgrade. Die mit dem Hand-GPS verorteten Bodentransekten werden in

den Bilddaten durch Bildpixel repräsentiert, die die Transekten schneiden (s. Kapitel 3.3.2,

Abbildung 3-7). Die bestimmten Bedeckungsgrade im Gelände wurden für jede

Bodentransekte gemittelt. Die Landnutzungstypen beziehen sich auf die im Gelände aufge-

nommenen (s. Tabelle 3-3). Für die Ergebnisvalidierung werden die Landnutzungsklassen

Nadelwald und Laubwald ausgeschlossen. Der Bedeckungsgrad wurde nur eindeutig für die

Landnutzungsklassen bestimmt, deren Vegetationsbestand kleiner als 1.5 m war. Der Bede-

ckungsgrad höherer Vegetationsbestand konnte nicht mit der in dieser Arbeit verwendeten

Gitterrahmenmethode bestimmt werden. Für die Waldbereiche wurde die Kronendachbede-

ckung nur sehr ungenau mit groben Prozentwerten visuell geschätzt. Die Schätzungen wer-

den als nicht hinreichend betrachtet.

Abbildung A-18 , Abbildung A-19 und Abbildung A-20 zeigen die Korrelation modellierten

Abundanzen der funktionalen Materialklassen GV, NPV, Boden und Stein der MESMA Ent-

mischung gegen die gemittelten Abundanzen der Referenzpunkte der Bodentransekten.

Dabei werden die Landnutzungsklassen differenziert abgebildet. Die Darstellung der Residu-

en der Wertepaare als Funktion der Abundanzen der Referenzdaten zeigt Muster der Über-

und Unterschätzung auf. Die ermittelten Gütemaße R², Steigung, Ordinatenabschnitt, RMSE

und MAE der funktionalen Materialklassen sind in Tabelle 4-4 und Tabelle 4-5 dokumentiert.

Um die Ergebnisse der MESMA Entmischung landnutzungsdifferenziert analysieren zu kön-

nen, sind in Abbildung 4-6 die Gütemaße R² und RMSE in einer Matrix qualitativ dargestellt.

Die dunkle Farbgebung stellt hohe RMSE oder niedrige R² Wert dar, helle und weiße Berei-

che sind gleichbedeutend mit niedrigen RMSE und hohen R² Werte. Die simulierten

Abundanzen der MESMA Entmischung sind die normalisierten GV, NPV, Boden- und Steinan-

teile ohne Schatten. Um die sichere Trennung der grünen (GV) von der trockenen Vegetati-

on (NPV) und der trockenen Vegetationskomponente (NPV) von Boden zu überprüfen und


58

die Auswahl repräsentativer EM zu evaluieren, werden GV und NPV sowie Boden und Stein

zu den neuen Klassen „Bedeckt“ und „Unbedeckt“ zusammengefügt und erneut validiert.

Die GV-Anteile wurden für den Aprilbilddatensatz am besten geschätzt, mit einem R² von

0.70, einem niedrigen Wert des Ordinatenabschnittes (a) von 0.05 und einem hohen Wert

für die Steigung (b) (0.86) (s. Tabelle 4-4) Alle drei Korrelationsparameter deuten auf ein

gutes Modellergebnis hin. Der RMSE ist vergleichsweise ebenfalls recht niedrig (0.16) sowie

der MAE (0.13). Das R² für die modellierten Boden- und Steinanteile und die ermittelten

Werte für Ordinatenabschnitt und Steigung deutet auf eine schlechte Übereinstimmung hin

(R²=0.22, a=0.13, b=0.48 und R²=0.23, a=0.06, b=0.39 entsprechend). Allerdings ist der

RMSE und MAE Wert für Stein niedriger (0.19 und 0.12 entsprechend) als für Boden (0.26

und 0.20 entsprechend). Etwas besser werden die NPV-Anteile geschätzt, allerdings mit

hohen RMSE und MAE Werten.

Tabelle 4-4. Übersicht der ermittelten Gütemaße R², Steigung (b), Ordinatenab-schnitt (a), RMSE, den mittleren absoluten Fehler (MAE) und die ge-mittelten Residuen (Bias) für die Ergebnisvalidierung der funktionalen Materialklassen GV, NPV, Boden und Stein und den zusammengefass-ten, neuen Klassen „Bedeckt“ (GV + NPV) und „Unbedeckt“ (Boden + Stein) (April 2011). (Quelle: Eigene Darstellung 2013).

MESMA GV NPV BODEN STEIN BEDECKT UNBEDECKT

N=46

(GVUNDNPV) (BODENUNDSTEIN)

R² 0.70 0.38 0.22 0.23 0.48 0.48

STEIGUNG [b] 0.86 0.53 0.48 0.39 0.65 0.65

ORDINATENABSCHNITT [a] 0.05 0.14 0.13 0.06 0.24 0.12

RMSE 0.16 0.22 0.26 0.19 0.25 0.25

MAE 0.13 0.17 0.20 0.12 0.19 0.20

BIAS 0.08 -0.09 -0.08 0.09 -0.02 0.01

In der graphischen Darstellung des linearen Zusammenhanges zwischen modellierter Abun-

danz und Referenzabundanz (s. Abbildung A-18) liegt der größte Teil der Wertepaare für GV

innerhalb der 20% Fehlerbegrenzung. Die Residuenanalyse lässt keinen Trend hinsichtlich

einer Über- oder Unterschätzung mit zunehmendem GV-Anteil in den Referenzdaten erken-

nen. Es kann ebenfalls kein landnutzungsabhängiger Einfluss auf die Ergebnisse festgestellt

werden. Der größte Teil der Wertepaare für NPV liegt ebenfalls innerhalb der 20% Fehler-

begrenzung. Deutliche Muster sind für die Landnutzungen Ackerfläche und Anstehendes

Gestein zu erkennen. Geringe NPV-Anteile auf Ackerflächen in den Referenzdaten werden

durch die MESMA Entmischung überschätzt, NPV-Anteile der Landnutzungsklasse Flussbett

immer unterschätzt. Auch 3 von 4 Referenzpunkten der Landnutzungsklasse Badland wer-

den deutlich überschätzt. Die Residuenanalyse zeigt für alle Datenpunkte einen Trend stei-

gender Unterschätzung mit zunehmendem Anteil der trockenen Vegetationskomponente

(NPV) auf den Referenzflächen. Selbigen Trend zeigen auch die Validierungsergebnisse der

übrigen funktionalen Materialklassen Boden und Stein. Wobei die Unterschätzung des Stein-

anteils schon bei geringen prozentualen Werten (>10%) auftritt, bis auf den positiven Aus-

reißer der Landnutzungsklasse Anstehendes Gestein. Die Validierungsergebnisse der Land-

nutzungsklassen Ackerfläche und Badland zeigen häufig unterschätzte Bodenanteile, die

April


59

Landnutzungsklassen Flussbett und Shrubland hingegen häufig überschätze Bodenanteile.

Auf Ackerflächen werden die geringen Steinanteile in den MESMA Entmischungsergebnissen

oftmals überschätzt, die hohen Steinanteile auf dem Landnutzungstypen Flussbett hingegen

unterschätzt. Die übrigen Landnutzungsklassen zeigen kein auffälliges Muster einer Über-

oder Unterschätzung.

Die räumliche Residuendarstellung (s. Abbildung 4-4) zeigt keine klaren Muster, dass sich

Über- oder Unterschätzungen bestimmter funktionale Merkmalsklassen bevorzugt aufheben.

Bspw. werden Überschätzungen des Bodenanteils sowohl mit unterschätzen GV, NPV oder

auch Steinanteilen ausgeglichen. Es ist außerdem kein räumlicher Trend der Verteilung der

Residuen auszumachen. Die Residuen (Bias) der funktionalen Materialklassen GV und Stein

aller Landnutzungsklassen zeigen im Mittel eine Unterschätzung, NPV und Boden eine Über-

schätzung (s. Tabelle 4-4).

Abbildung 4-4: Räumliche Darstellung der Residuen der MESMA Entmischung von April (links) und August (rechts). Im Hintergrund die Landnutzungs-karte. Negative Balkenausprägungen zeigen eine Überschätzung der jeweiligen funktionalen Materialklasse, die positiven Balkenausprä-gungen hingegen eine Unterschätzung. (Quelle: Eigene Darstellung 2013).

Abbildung 4-5 zeigt im Vergleich die Feldmessungen (links) mit den MESMA Entmischungs-

ergebnissen (rechts) nach Landnutzungsklassen. Die vegetationsbedeckten Landnutzungs-

klassen Ackerfläche, Wiese/Weide und Shrubland zeigen in den Entmischungsergebnissen

tendenziell steigende oder sinkende Anteile von Boden, wenn entsprechend die NPV-Anteile

in den Referenzpunkten hoch oder niedrig sind. Für die offenliegenden Landnutzungsklassen

Flussbett, Anstehendes Gestein und Badland kann kein Trend abgeleitet werden.


60

Abbildung 4-5: MESMA Entmischungsergebnisse (rechts) nach Landnutzungstypen sortiert für jede Bodentransekte (links) im April (2011). (Quelle: Eigene Darstellung 2013).

Abbildung 4-6: Ergebnisse der MESMA Entmischung für die Bilddatensätze April und August (2011). Die Grauwerte entsprechen den jeweiligen RMSE und R² Werten; weiß entspricht RMSEmin und R²max, schwarz RMSEmax und R²min. Es werden Ergebnisse der einzelnen Landnutzungstypen darge-stellt und die Ergebnisse der zusammengefassten Landnutzungstypen. Des Weiteren wird differenziert zwischen den Ergebnissen der ver-wendeten EM und den zusammengefassten, neuen Klassen: „Bedeckt“ (GV + NPV) und „Unbedeckt“ (Boden + Stein). (Quelle: Eigene Darstel-lung 2013).

Die offenliegenden Landnutzungsklassen Flussbett und Badland zeigen hohe RMSE Werte

hinsichtlich der bestimmten Steinanteile, die vegetationsbedeckten Landnutzungsklassen

AUGUST APRIL


61

Wiese/Weide, Shrubland, Ackerflächen vergleichsweise niedrige (s. Abbildung 4-6) Die übri-

gen geschätzten Anteile der Badlandflächen zeigen im Vergleich aller Landnutzungsklassen

ebenfalls hohe RMSE Werte. Ackerflächen und Wiese/Weide zeigen niedrige RMSE Werte für

die geschätzten Steinanteile, Flussbett für die geschätzten NPV-Anteile und Shrubland für

die geschätzten GV-Anteile. Einen hohen linearen Zusammenhang zeigt Shrubland für die

geschätzten GV-Anteile. Trotz hoher RMSE Werte ist der lineare Zusammenhang der

Badland Referenzpunkte hinsichtlich des modellierten Boden- und Steinanteils gut. Einen

schlechten linearen Zusammenhang zeigen die modellierte Abundanzen und

Referenzabundanzen der NPV und Steinanteile der Landnutzungsklasse Ackerflächen. Das

R² für die Boden- und Steinanteile der Landnutzungsklasse Wiese/Weide, sowie des NPV-

Anteils der Shrublandreferenzpunkte, ist ebenfalls niedrig. Die Verteilung von R² innerhalb

der Matrix deckt sich nicht mit der Verteilung der RMSE Werte.

Für den Augustbilddatensatz zeigen die geschätzten GV-Anteile ebenfalls den stärksten line-

aren Zusammenhang, allerdings mit einem etwas geringeren R² von 0.63 im Vergleich zum

Aprilbilddatensatz (s. Tabelle 4-5). Der Wert der Steigung liegt bei 0.70, der Wert des Ordi-

natenabschnittes ist gering (0.3). Damit zeigen alle drei Korrelationsparameter ein gutes

Modellergebnis. Die NPV und Bodenanteile liegen in etwa gleich mit einem R² von 0.53 und

0.50 entsprechend. Einen sehr schwachen linearen Zusammenhang von R² 0.19 wurde für

den Steinanteil ermittelt. Der RMSE für alle modellierten Anteile variiert zwischen 0.20 und

0.26, ist also insgesamt relative hoch. Der mittlere absolute Fehler (MAE) liegt für alle funk-

tionalen Materialklassen unter 20%. Der Steinanteil wurde mit dem geringsten MAE model-

liert (0.12), der Bodenanteil mit dem höchsten (0.19).

Tabelle 4-5: Übersicht der ermittelten Gütemaße R², Steigung (b), Ordinatenab-schnitt (a), RMSE, den mittleren absoluten Fehler (MAE) und die ge-mittelten Residuen (Bias) für die Ergebnisvalidierung der funktionalen Materialklassen GV, NPV, Boden und Stein und den zusammengefass-ten, neuen Klassen „Bedeckt“ (GV + NPV) und „Unbedeckt“ (Boden + Stein) (August 2011). (Quelle: Eigene Darstellung 2013).

MESMA GV NPV BODEN STEIN BEDECKT UNBEDECKT

N=38

(GVUNDNPV) (BODENUNDSTEIN)

R² 0.63 0.53 0.50 0.19 0.77 0.83

STEIGUNG [B] 0.70 0.81 0.68 0.84 0.80 0.84

ORDINATENABSCHNITT [A] 0.03 0.14 0.16 0.02 0.13 0.06

RMSE 0.20 0.21 0.26 0.23 0.18 0.16

MAE 0.14 0.17 0.19 0.12 0.14 0.12

BIAS 0.00 -0.03 -0.01 0.02 .0.10 0.00

Ein deutliches Muster zeigen die Wertepaare der Landnutzungsklasse Shrubland in der gra-

phischen Darstellung des linearen Zusammenhanges zwischen modellierter GV Abundanz

und Referenzabundanz (Abbildung A-19). Sämtliche Referenzanteile werden unterschätzt.

Die GV-Anteile im Entmischungsergebnis der übrigen Landnutzungsklassen werden zufällig

über- oder unterschätzt. Besonders gut werden geringe GV-Anteile modelliert. Ein allgemei-

ner Trend einer Über- oder Unterschätzung des GV-Anteils der Referenzpunkte kann jedoch

nicht abgeleitet werden. Hingen zeigen NPV, Boden- und Steinanteil gleiches Verhalten wie

August


62

die Entmischungsergebnisse im Aprilbilddatensatz. Mit zunehmender Abundanz der jeweili-

gen funktionalen Materialklasse der Referenzpunkte werden die Anteile unterschätzt. Der

Trend für die entmischten NPV-Anteile ist dabei am schwächsten ausgeprägt. Die Landnut-

zungsklasse Shrubland zeigt auch in den Ergebnissen der Berechnung des Bodenanteils ein

eindeutiges Muster. Hier werden alle Bodenanteile durch die MESMA Entmischung über-

schätzt. Geringe Steinanteile der Referenzpunkte aller Landnutzungsklassen werden gut

simuliert. Hingegen können keine hohe Steinanteile der Referenzpunkte der Landnutzungs-

klassen Shrubland und Flussbett modelliert werden. Während alle Anteile des offenliegenden

Landnutzungstypen Badland gut simuliert werden können, wird der Bodenanteil der Land-

nutzungsklasse Flussbett zugunsten des Steinanteils überschätzt.

Die räumliche Residuendarstellung (s. Abbildung 4-4) zeigt ebenfalls wie im Aprilbilddaten-

satz keine klaren Muster, dass sich Über- oder Unterschätzungen bestimmter funktionale

Merkmalsklassen bevorzugt aufheben. Wieder ist kein räumlicher Trend der Verteilung der

Residuen auszumachen. Die Residuen (Bias) der funktionalen Materialklassen aller Landnut-

zungsklassen sind im Vergleich zum Aprilbilddatensatz weniger stark ausgeprägt. NPV und

Boden zeigen im Mittel eine geringe Überschätzung, Stein wird insgesamt leicht unterschätzt

und GV zeigt einen Bias von 0.00 (s. Tabelle 4-5). Die visuelle Analyse wird durch die Dar-

stellung in Abbildung 4-7 gestützt. Allenfalls kann eine Tendenz dahingehend abgeleitet

werden, dass Bodenanteile in den Referenzpunkten durch NPV-Anteile in den Ent-

mischungsergebnissen ersetzt werden. Allerdings können die sinkenden modellierten GV-

Anteile in den Entmischungsergebnissen z.T. auch durch einen steigenden NPV-Anteil er-

setzt worden sein.

Abbildung 4-7: MESMA Entmischungsergebnisse (rechts) nach Landnutzungstypen sortiert für jede Bodentransekte (links) im August (2011). (Quelle: Ei-gene Darstellung 2013).

Die geringsten RMSE Werte wurden für die entmischten Steinanteile der Landnutzungsklas-

sen Ackerfläche, Wiese/Weide und Badland ermittelt. Für Badland sind die RMSE aller ent-


63

mischten Anteile insgesamt gering. Die vegetationsbedeckten Landnutzungstypen Wie-

se/Weide und Shrubland zeigen gegenläufige RMSE Werte für die entmischten Vegetations-

anteile und Anteile von Boden und Stein. Während die RMSE Werte für die ermittelten Bo-

den- und Steinanteile von Wiese/Weide gering und die GV und NPV-Anteile hoch sind, erge-

ben sich für Shrubland hohe RMSE Werte für Boden und Stein und niedrige RMSE Werte für

GV und NPV. Bis auf den Steinanteil zeigen alle entmischten Anteile der Ackerflächen einen

starken linearen Zusammenhang bezogen auf die Abundanzen der Referenzpunkte. Einen

ebenfalls hohen R² Wert ergibt die Modellierung des GV-Anteils für den Landnutzungstyp

Shrubland. Die modellierten Anteile der funktionalen Materialklassen des Landnutzungstypen

Wiese/Weide zeigen alle einen insgesamt schwachen linearen Zusammenhang bezogen auf

die Referenzabundanzen. Die Verteilung des RMSE innerhalb der Matrix deckt sich nicht mit

der Verteilung des R².

Für den Aprilbilddatensatz verbessert sich durch das Zusammenfassen der funktionalen Ma-

terialklassen GV und NPV zu „Bedeckt“ sowie Boden und Stein zu „Unbedeckt“ das R² nur

geringfügig. Der relative starke lineare Zusammenhang der modellierten GV-Anteile bezogen

auf die Referenzdatenpunkte wird durch die Hinzunahme der NPV-Anteile reduziert (0.48).

Das Zusammenfassen der funktionalen Materialklassen Boden und Stein verbessert den

linearen Zusammenhang (0.48) bezogen auf das ermittelte R² der einzelnen Klassen. Der

Wert des Ordinatenabschnittes für beide zusammengefassten, neuen Klassen ist hoch, die

Steigung gering. Alle drei Korrelationsparameter deuten auf ein nicht hinreichendes Modell-

ergebnis hin. Die RMSE Werte sind ebenfalls hoch (0.25). Für den Augustbilddatensatz hin-

gegen steigt der lineare Zusammenhang durch Zusammenfassen zu den neuen Klassen „be-

deckt“ und „unbedeckt“. Für die Klasse „bedeckt“ resultiert ein R² von 0.77, für die Klasse

„unbedeckt“ ein R² von 0.81. Die Werte des Ordinatenabschnittes sind gering, die Werte der

Steigung hoch. Zusammen betrachtet, deuten alle drei Korrelationsparameter auf ein gutes

Modellergebnis hin. Die RMSE sind ebenfalls vergleichsweise gering. Die Verteilung der R²

Werte in den einzelnen Landnutzungsklassen für den Aprilbilddatensatz zeigt bis auf

Shrubland überwiegend schwache lineare Zusammenhänge (Abbildung 4-6). Die Verteilung

der R² Werte innerhalb der Landnutzungsklassen im Augustbilddatensatz bis auf Wie-

se/Weide zeigen hingegen starke lineare Zusammenhänge.

Die graphische Darstellung der Residuen zeigt für beide Bilddatensätze einen eindeutigen

Trend (s. Abbildung A-20). Mit zunehmender Abundanz der zusammengefassten Material-

klasse der Referenzpunkte werden die Anteile im Entmischungsergebnis unterschätzt. Dabei

werden vor allem die geringen bedeckten Anteile der offenliegenden Landnutzungstypen

Badland, Flussbett und Anstehendes Gestein überschätzt, die hohen bedeckten Anteile der

vegetationsbedeckten Landnutzungstypen Wiese/Weide, Shrubland und Ackerfläche unter-

schätzt. Für die neue zusammengefasste Klasse „unbedeckt“ verhält es sich gegenläufig.

Geringe unbedeckte Anteile der vegetationsbedeckten Landnutzungstypen Wiese/Weide,

Shrubland und Ackerfläche werden überschätzt, die hohen unbedeckten Anteile der offenlie-

genden Landnutzungstypen Badland, Flussbett und Anstehendes Gestein unterschätzt. Die

Wertepaare des Aprilbilddatensatz sind gegenüber dem Augustbilddatensatz stärker um die

1:1 Linie gestreut, was den insgesamt hohen ermittelten RMSE erklärt.

Bedeckt und Unbedeckt


64

Kartierung der dominanten EM

Im Anhang A.1 in der Abbildung A-6 und Abbildung A-7 sind die jeweiligen Ergebnisse der

räumlichen Kartierung der dominanten EM für beide Aufnahmezeitpunkte für einen Raum-

ausschnitt dargestellt. Jedem Bildpixel wird die funktionale Materialklasse zugeordnet, die im

Vergleich die höchste Abundanz aufweist, unabhängig von der allgemeinen Verteilung der

Abundanzen auf die EM. Tabelle 4-6 zeigt für jede Landnutzungsklasse für beide Aufnahme-

zeitpunkte den am häufigsten auftretenden dominanten EM mit der jeweiligen Prozentanga-

be. Die Flächen der vegetationsbedeckten Landnutzungsklassen Nadelwald und Wie-

se/Weide werden für beide Aufnahmezeitpunkte mit GV als dominanten EM klassifiziert. Der

klassifizierte dominante EM für die offenliegenden Landnutzungsklassen Offener Boden,

Badland und Anstehendes Gestein bleibt ebenfalls konstant. Die Flächen der Landnutzungs-

klassen Offener Boden und Badland werden mit der funktionalen Materialklasse Boden als

dominanten EM klassifiziert, Anstehendes Gestein mit der funktionalen Materialklasse Stein.

Für die übrigen vegetationsbedeckten Landnutzungsklassen Shrubland, Laubwald und

Ackerfläche ändert sich der am häufigsten auftretende EM. Die Bildpixel der Landnutzungs-

klassen Shrubland und Laubwald werden im Aprilbilddatensatz mit NPV als dominanten EM

klassifiziert, im Augustbilddatensatz mit GV. Für die Landnutzungsklasse Ackerfläche verhal-

ten sich die Klassifikationsergebnisse gegenläufig. Im Aprilbilddatensatz werden die Bildpixel

überwiegend mit GV als dominanten EM klassifiziert, im Augustbilddatensatz mit NPV als

dominanten EM.

Tabelle 4-6: Prozentuale Verteilung der dominanten nach Landnutzungsklasse für April und August (2011). (Quelle: Eigene Darstellung 2013).

LANDNUTZUNG DOMINATER EM DOMINATER EM

APRIL AUGUST

Shrubland NPV (45%) GV (44%)

Laubwald NPV (89%) GV (81%)

Nadelwald GV (88%) GV (92%)

Wiese/Weide GV (54%) GV (68%)

Ackerflächen GV (72%) NPV (74%)

Offener Boden Boden (64%) Boden (84%)

Badland Boden (72%) Boden (84%)

Anstehendes Gestein Stein (90%) Stein (77%)

Validierungsgrundlage sind die im Gelände mit dem Hand-GPS verorteten Bodentransekten.

Sie werden in den Bilddaten durch Bildpixel repräsentiert, die die Transekten schneiden

(s. Kapitel 3.3.2, Abbildung 3-7). Die Abundanzen der auf der Bildtransekte liegenden Bildpi-

xel wurden gemittelt und anschließend die prozentual am häufigsten auftretende funktionale

Materialklasse als dominanter EM identifiziert. Für die ermittelten Bedeckungsgrade im Ge-

lände wurde für jedes Bodentransekt ebenfalls der Mittelwert gebildet und der dominante

EM nach gleicher Klassifikationsregel bestimmt. Für April können 46 Referenzpunkte validiert

werden, für August 38. Tabelle 4-7 und Tabelle 4-8 zeigen die Fehlermatrizen für beide Auf-


65

nahmezeitpunkte, um die Genauigkeit der jeweiligen Klassifikation nach dominanten EM zu

bestimmen. Die Gesamtgenauigkeit für den Aprilbilddatensatz liegt bei 65.22%, 30 von 46

Referenzpunkten konnten richtig klassifiziert werden. Für den Augustbilddatensatz liegt die

Gesamtgenauigkeit etwas niedriger bei 57.89%, nur 22 von 36 Referenzpunkten konnten

richtig klassifiziert werden. Das beste Klassifikationsergebnis für den Aprilbilddatensatz lie-

fert der dominante EM GV, 15 von 18 Referenzpunkten konnten der richtigen Kategorie zu-

gewiesen werden (83.33%). Die übrigen drei wurden der Klasse NPV zugewiesen. Die be-

stimmten dominanten EM NPV und Boden der Bodentransekten wurden in gleicher Weise

hinreichend mit einer Herstellergenauigkeit von 63.63% klassifiziert. Drei als NPV bestimmte

Referenzpunkte wurden fälschlicherweise als Boden klassifiziert, drei als Boden bestimmte

Referenzpunkte fälschlicherweise als GV. Die niedrigste Genauigkeit wird für den dominan-

ten EM Stein erzielt (16.67%). Bis auf einen Referenzpunkt wurden die übrigen als Boden

oder NPV klassifiziert. Fehlerhafte Klassifikationen der dominanten EM treten vor allem bei

Landnutzungstypen auf, bei denen die ermittelten Abundanzen der Materialklasse gleichmä-

ßig verteilt sind.

Tabelle 4-7: Klassifikationsgenauigkeit der dominanten EM (April 2011). (Quelle: Eigene Darstellung 2013).

KLA

SS

IFIK

AT

ION

SE

RG

EB

NIS

BODENDATEN

APRIL GV NPV BODEN STEIN Σ USERS A. [%]

GV 15 1 3 0 19 78.95

NPV 3 7 1 2 13 53.85

BODEN 0 3 7 3 13 53.85

STEIN 0 0 0 1 1 100.00

Σ 18 11 11 6 46 OVERALL A. [%]

PRODUCERS A. [%] 83.33 63.64 63.64 16.67

65.22

Tabelle 4-8: Klassifikationsgenauigkeit der dominanten EM (August 2011). (Quelle: Eigene Darstellung 2013).

KLA

SS

IFIK

AT

ION

SE

RG

EB

NIS

BODENDATEN

AUGUST GV NPV BODEN STEIN Σ USERS A. [%]

GV 8 2 0 0 10 80.00

NPV 8 5 0 1 14 35.71

BODEN 1 0 8 4 13 61.54

STEIN 0 0 0 1 1 100.00

Σ 17 7 8 6 38 OVERALL A. [%]

PRODUCERS A. [%] 47.06 71.43 100.00 16.67

57.89

Die höchste Klassifikationsgenauigkeit für den Augustbilddatensatz liefert der dominante EM

Boden, alle Referenzpunkte konnten richtig klassifiziert werden (Herstellergenauigkeit:

100%). Die niedrige Herstellergenauigkeit für den dominanten EM Stein bleibt bestehen. GV

wurde mit einer reduzierten Herstellergenauigkeit gegenüber dem Aprilbilddatensatz von

47.06% richtig klassifiziert. 8 von 17 Referenzpunkten wurden der Klasse NPV zugewiesen.


66

Mit einer Herstellergenauigkeit von 71.43% konnte NPV richtig klassifiziert werden (5 von

insgesamt 7 Referenzpunkten). Die übrigen zwei wurden der Klasse GV zugewiesen.

4.1.2 Diskussion

Der Einfluss interner Faktoren auf das MESMA Entmischungsergebnis

Für die spektrale Entmischung empfiehlt BACHMANN (2007) den Einsatz von bildspezifischen

EM. Diese haben den Vorteil die spektralen Charakteristika der Vegetation auf Bestandsebe-

ne zu repräsentieren. Sie können den phänologischen Zustand und Vitalität, Prozesse der

Abschattung und Mehrfachbestreuung innerhalb des Bestandes abbilden. Weitere Vorteile

werden in HALLIGAN (2002) abgehandelt. Ein wesentlicher Nachteil der Verwendung von Bild-

EM ist, dass diese mit hoher Wahrscheinlichkeit keine komplett reinen Materialspektren,

sondern bereits Mischungen mehrerer Vegetations-, Boden- und Gesteinsarten darstellen

(BACHMANN 2007). Allerdings argumentieren KAUFMANN ET AL. (O. A.), dass auch Mischspektren

als EM benutzt werden können, wenn sie das Oberflächenmaterial gut widerspiegeln. Wie

bei allen auf Trainingsdaten basierenden Klassifikationsverfahren ist die erzielbare Genauig-

keit der Modellergebnisse abhängig von der Vollständigkeit und Korrektheit der EM. Die

Auswahl repräsentativer EM ist eine der kritischsten Schritte (TOMPKINS ET AL. 1997; DENNISON

UND ROBERTS 2003;). Der Auswahlprozess repräsentativer EM dieser Arbeit verfolgt den glei-

chen Ansatz. Der in dieser Arbeit verwendete 3-stufige Aufbau der spektralen EM Bibliothek

(s. Abbildung 3-9) ermöglicht zum einen, dass die für MESMA erforderliche hinreichende

spektrale Variabilität jedes Material der Erdoberfläche (PAINTER ET AL. 1998A; ROBERTS ET AL.

1998B; OKIN ET AL. 2001) in den Auswahlprozess integriert werden kann, zum anderen, dass

die endgültige EM Bibliothek hinreichend reduziert wird, um die Rechenintensitäten durch-

führen zu können. POWELL ET AL. (2007) verfolgen den gleichen Ansatz. BACHMANN (2007)

schlägt für die verbesserte Identifizierung repräsentativer EM eine Segmentierung des Bildes

durch simple Ausmaskierung einfach zu trennender Klassen (Vegetation – keine Vegetation)

sowie gesättigter Bereiche auf Basis von Bandindizes vor. Der Ansatz der verbesserten Iden-

tifikation repräsentativer EM durch Bildsegmentierung mittels Vegetationsindizes und

unüberwachter Klassifikation wird auch in dieser Arbeit verfolgt.

Die durch MESMA nicht klassifizierten Bildflächen beruhen zum überwiegenden Teil auf gro-

ßen Unterschieden der Gesamtalbedo (s. Abbildung 4-8). Die gleiche Ackerfläche zeigt bis zu

10% Reflektanzunterschiede im NIR. Spektren mit einer hohen Gesamtalbedo können nicht

durch die EM der Bibliothek repräsentiert werden, obwohl im Zuge des Auswahlverfahrens

die Helligkeitsunterschiede in den verschiedenen funktionalen Materialklassen durch Hinzu-

nehmen des jeweils hellsten Spektrums mit berücksichtigt worden sind (s. Kapitel 3.4.1.1)

Gradienten der Gesamtalbedo können auch die geschätzten Bodenanteile beeinflussen. Un-

terschiede in der Gesamthelligkeit der Bildpixel werden teilweise durch den Bodenanteil im

Signal modelliert und dieser dadurch verfälscht (BACHMANN 2007). Da keine für Wasserflä-

chen und versiegelte Bereiche repräsentativen EM in den Entmischungsmodellen integriert

wurden, können diese Bildflächen ebenfalls nicht klassifiziert werden.

Repräsentative Endmember


67

Abbildung 4-8: Der Einfluss unterschiedliche Gesamtalbedo auf die MESMA Ent-mischungsergebnisse. Hohe Reflektanzwerte können nicht durch die endgültige EM Bibliothek mit berücksichtigt werden. Die zugehörigen Bildpixel werden als unklassifiziert ausgegeben. (Beispiel April 2011). (Quelle: Eigene Darstellung 2013).

Für beide Bilddatensätze wurde der GV-Anteil am genausten modelliert (R²=0.70 April;

R²=0.63 August). Die Auswahl repräsentativer EM für die funktionale Materialklasse GV ist

damit verifiziert. Die sichere Trennung von NPV und Boden durch die hyperspektralen Bild-

datensätze kann besonders in Bezug auf den Augustbilddatensatz bestätigt werden. Die

Ergebnisse in Kapitel 4.1.1 zeigen, dass kein Trend zur bevorzugten Vermischung von NPV

und Bodenanteilen abgeleitet werden kann. Die neuen zusammengefügten Klassen „Be-

deckt“ und „Unbedeckt“ zeigen sehr gute Modellergebnisse, die sich im Fall einer nicht si-

cheren Trennung der funktonalen Materialklassen NPV und Boden negativ darstellen müss-

ten. Der Aprilbilddatensatz zeigt hingegen Unsicherheiten in der Trennung der Boden und

NPV Spektren. Exemplarisch sei auf die Landnutzungsklasse Ackerfläche verwiesen, deren

NPV-Anteile zugunsten von unterschätzten Bodenanteilen überschätzt werden (Abbildung

A-18). Oder in Tabelle 4-7 die fehlerhafte Zuweisung dominanter NPV oder Boden EM in die

jeweils andere Klasse. Die Darstellung der ausgewählten EM für NPV und Boden für die

endgültige EM Bibliothek zeigt ähnliche spektrale Kurvencharakteristika und bestärkt damit

die Annahme (s. Abbildung 4-1). Ferner wird das Modellergebnis durch das Zusammenfas-

sen zur neuen Klasse „Bedeckt“ nicht verbessert. Lediglich der starke lineare Zusammen-

hang der geschätzten und gemessenen GV-Anteile wirkt sich positiv auf das Bestimmtheits-

maß aus. Der RMSE bleibt weiterhin hoch. Allerdings können auch naturräumliche Eigen-

schaften das Spektralverhalten von Böden maßgeblich bestimmen. Bspw. beeinflusst das

Auftreten von physikalischen und biologischen Bodenkrusten das Reflexionsverhalten (BEN-

DOR ET AL. 2003) und kann damit die Schätzung der modellierten NPV- und Bodenanteile

beeinflussen. Die Variabilität der spektralen Ausprägung verschiedener Gesteinsarten konnte

im EM Auswahlprozess nicht mit berücksichtigt werden. Die Darstellung der Lithologie in

Abbildung A-2 des Untersuchungsgebietes zeigt das Vorkommen vieler unterschiedlicher

Gesteinsformationen. Die unüberwachte Klassifikation für die Bildflächen ohne Vegetation

beinhaltet eine Vielzahl von möglichen Oberflächenmaterialien (Boden, Gestein, versiegelte

Fläche, Wasser etc.). Vermutlich ist die Anzahl von sechs Klassen zur sicheren Trennung der

unterschiedlichen Oberflächenmaterialien ungenügend, da Mischklassen die Auswahl geeig-


68

neter Stein EM beeinflussen. Die Ergebnisse der MESMA Entmischung für die funktionale

Materialklasse Stein für beide Aufnahmezeitpunkte sind unbefriedigend. Jedoch wird der

lineare Zusammenhang stärker, wenn Stein neben Boden in einer neuen Klasse zusammen-

gefasst wird („unbedeckt“) (s. Tabelle 4-4 und Tabelle 4-5). Die Scatterplots und Residuen

der geschätzten und gemessenen Boden- und Steinanteile für beide Aufnahmezeitpunkte in

Abbildung A-18 und Abbildung A-19 zeigt ebenfalls eine systematische Überschätzungen des

Bodenanteils einzelner Landnutzungsklassen zugunsten einer Unterschätzung des Steinan-

teils. Die Darstellung der ausgewählten EM für Boden und Stein für die endgültige EM Biblio-

thek zeigt besonders für den Augustbilddatensatz ähnliche spektrale Kurvencharakteristika

(s. Abbildung 4-2). Die hohen ermittelten RMSE Werte während der MESMA Entmischung

für offenliegende Landnutzungsklassen für beide Bilddatensätze decken sich mit den Ergeb-

nissen von MEUSBURGER ET AL. (2010) (hohe RMSE für Anstehendes Gestein), DE ASIS UND

OMASA (2007) und BACHMANN (2007) (beide hohe RMSE für Boden). Wenn nicht die ganze

Variabilität abgedeckt werden kann, werden nur bestimmte Boden- und Gesteinstypen kor-

rekt modelliert, die anderen weisen hohe Entmischungsfehler auf. Demnach wurden die

Spektren der funktionalen Materialklassen Boden und Stein in dieser Arbeit nicht hinreichend

voneinander getrennt.

Es bleibt zu testen, ob andere Auswahlstrategien für den Aufbau einer repräsentativen EM

Bibliothek bessere Ergebnisse erzielen können. Eine Vielzahl von wissenschaftlichen Arbeiten

verwendt bspw. automatische Auswahlstrategien um repräsentative EM zu identifizieren. DE

ASIS UND OMASA (2007), POWELL ET AL. (2007) und MEUSBURGER ET AL. (2010) nutzen bspw. den

Purest Pixel Index (PPI) (BOARDMAN ET AL. 1995), BACHMANN (2007) den Sequential Maximum

Angle Convex Cone (SMACC) (GRUNINGER ET AL. 2004). ES gibt auch Beispiele für eine Bild-EM

Auswahl auf transformierten Bilddaten (BARTHOLOMEUS 2009; BACHMANN 2007). Des Weiteren

gibt es Ansätze die drei funktionalen Materialklassen GV, NPV und Boden lediglich mittels

dem SWIR Bereich hyperspektraler Bilddatensätze zu differenzieren. ASNER UND HEIDEBRECHT

(2002) erzielen mit diesem Ansatz hohe Genauigkeiten für alle Klassen. Hierbei ist anzumer-

ken, dass sich die Wahl der Auswahlstrategie neben der erzielbaren Genauigkeit der Ergeb-

nisse auch nach dem Anwender richten sollte. Fachkräfte für Bodenschutz und Wasserein-

zugsgebietsmanagement verfügen bspw. über kein vertieftes fernerkundliches Fachwissen

(DE ASIS UND OMASA 2007).

Mittels MESMA kann jedes Bildpixel durch eine Vielzahl von spektralen Mischungsmodellen

modelliert werden. Dabei müssen Auswahlkriterien getroffen werden, die das „optimale“

Modell definieren. Die Auswahlkriterien der Modellpriorisierung können sich nach dem RMSE,

der Modellkomplexitätsstufe und/oder nach der modellierten Abundanz in einem Bildpixel

durch ein Modell richten (HALLIGAN 2002). In dieser Arbeit wurden die Modelle priorisiert, die

die kleinsten RMSE innerhalb und zwischen den verschiedenen Modellkomplexitätsstufen

aufweisen. Das Auswahlkriterium liegt der Annahme zugrunde, dass der kleinste RMSE

gleich bedeutend mit dem am besten angepassten Modell ist (PAINTER ET AL. 1998; OKIN ET AL.

1999). POWELL ET AL. (2007) hingegen legen ihrer Modellpriorisierung die Annahme zugrunde,

dass eine negative Korrelation zwischen steigender Modellkomplexität und Modellgenauig-

keit auftritt (HALLIGAN 2002; SABOL ET AL. 1992). Das „optimale“ Modell ist daher das Modell

Modellpriorisierung


69

mit der geringsten Modellkomplexitätsstufe. Das 4-EM Modell würde nur dann ausgewählt

werden, wenn die Modelle der niedrigeren Komplexitätsebene das Bildpixel nicht schätzen

können. Demnach werden nur sehr wenige Bildpixel in der Studie von POWELL ET AL. (2007)

mit 4-EM Modellen modelliert (ca. 1%), während in dieser Arbeit beinahe ¾ der gesamten

Bildfläche durch diese Modellgruppe geschätzt wird (April: 76.77%; August: 79.87%). OKIN

ET AL. (1998) kombinieren einen Abundanzschwellenwert mit dem RMSE als Auswahlkriteri-

um, ROBERTS ET AL. (1997) verwenden einen ähnlichen Ansatz aus RMSE und berechneten

Differenzen zwischen den modellierten und gemessenen Abundanzen. HALLIGAN (2002) ver-

folgt einen weiteren Ansatz, in dem er weniger komplexe Modelle bevorzugt und gewichtete

RMSE verwendet. Unterschiedliche Gewichtungsfaktoren wurden empirisch getestet. Beste

Resultate ergab ein Gewichtsfaktor von 1.20. Der größter Teil der Untersuchungsfläche im

Yellow Stone Nationalpark wurde mit 3-EM Modellen modelliert (76%). Die räumliche Vertei-

lung der Modellkombination ist stark abhängig von der Modellpriorisierung. POWELL (2006)

fand heraus, dass natürliche Systeme am besten durch 2 EM modelliert werden, gestörte

Landschaften durch 3 EM und urbane Räume durch 4 EM. HEROLD UND ROBERTS (2006) bestä-

tigen diese Ergebnisse. Sie empfehlen, dass Bildpixel, die durch homogene Vegetation dar-

gestellt werden (z.B. Waldflächen) eine geringere Anzahl von EM benötigen als solche, die

durch komplexe Vegetationstypen (z.B. Shrubland) abgebildet werden. Hingegen merken

OKIN ET AL. (1999) und OKIN ET AL. (2001) an, dass durch steigende Modellkomplexität die

Freiheitsgrade der Entmischungsgleichungen ebenfalls steigen und damit der RMSE zwangs-

läufig reduziert wird. Damit bleibt für diese Arbeit zu klären, ob die gewählte Modellpriorisie-

rung den komplexen Landschaftsraum hinreichend gut modelliert oder das hohe Auftreten

vom 4-EM Modellen durch ein mathematisches Phänomen bedingt ist.

Wie in vielen anderen Ansätzen zur spektralen Entmischung wird auch in dieser Arbeit eine

Schattenkomponente als zusätzlicher EM integriert, um Beleuchtungseffekte und Bestands-

schatten zu berücksichtigen. Nach diesem Ansatz kann der Schattenanteil für jedes Bildpixel

bestimmt und anschließend herausgerechnet werden. Die Benutzung des photometrischen

Schattens (auch „flacher“ Schatten) wird oftmals als kritisch angesehen (GRUNINGER ET AL.

2001). Oftmals entspricht die ermittelte Schattenabundanz nicht dem Schattenanteil, son-

dern dient der mathematischen Optimierung der Lösung, um die Rahmenbedingungen erfül-

len zu können. Somit wirkt sich ein zusätzlicher Schatten-EM als Ausgleich von generellen

Albedounterschieden zwischen EM- und Bildspektren aus (BACHMANN 2007). GARCÍA-HARO ET

AL. (2005) stellen fest, dass ein über allen Wellenlängen konstanter Term z.B. nicht einen

von Vegetation beschatteten Boden repräsentieren kann, da dieser vom spektralen Trans-

missionsgrad des Vegetationsbestandes beeinflusst wird. Auch die anschließende Schatten-

normalisierung beeinflusst das Entmischungsergebnis. Der Abzug der Schattenkomponente

zur Erfüllung des Kriteriums der Abundanzsumme wird kritisch angesehen, da der Schatten-

anteil allen Klassen zu gleichen Teilen zugeschlagen wird, obwohl diese unterschiedlich stark

von Schatten beeinflusst werden (GARCÍA UND USTIN 2001; GRUNINGER ET AL. 2001; GARCÍA-HARO

ET AL. 2005). Durch die Skalierung der Abundanzsummen wird ein formal korrektes Mi-

schungsmodell suggeriert, obwohl die mathematischen Lösungen nicht mehr dem physika-

lisch korrekten Wertebereich entsprechen (BACHMANN 2007). Des Weiteren werden durch die

Schatten


70

Reliefoberflächenkorrekturen die reliefbedingen Beleuchtungseffekte reduziert und auch die

Bild-EM der Vegetationsbestände beinhalten mit hoher Wahrscheinlichkeit bereits einen

Schattenanteil (BACHMANN 2007). Aus diesem Grund sollte überprüft werden, ob die Verwen-

dung keiner oder szenenspezifischer Schattenkomponenten zu einer Verbesserung der

MESMA Entmischungsergebnisse der vorliegenden Untersuchung beitragen könnte. Die

Verwendung von szenenspezifischen Schattenkomponenten in BACHMANN (2007) reduziert

z.B. die Überschätzung von NPV sowie die Unterschätzung des Bodenanteils.

Einen Einfluss auf die MESMA Entmischungsergebnisse hat auch die vorgenommene Daten-

skalierung der negativen und positiven Abundanzen. Um das Summenkriterium (die Summe

aller Abundanzen beträgt gleich 100%, (vgl. Formel 3 in Kapitel2.2.2) einhalten zu können,

wurden die Ergebnisse nachträglich skaliert. Negative Werte wurden gleich Null gesetzt,

Werte größer 100 auf 100 zurückgesetzt. Die Schwellenwerte für die minimal und maximal

mögliche zu modellierende Abundanz eines EM wurden um 5% in beide Richtungen erwei-

tert. Dadurch können die Genauigkeiten der Ergebnisse um ±5% absolut schwanken.

Nicht-lineare Mischungseffekte, die nicht durch die lineare Modellannahme berücksichtigt

werden können, beeinflussen die Genauigkeit des Entmischungsergebnisses. Eine Quelle

von Mischsignaturen stellen Nachbarschaftseffekte räumlich getrennter Bildpixel dar. Die

Stärke wird über die „Überstrahleffekte“ (spektraler Kontrast benachbarter Bildpixel) und

das Relief reguliert, sollten aber im Zuge der angewandten Atmosphärenkorrektur reduziert

worden sein (BACHMANN 2007). Ein weiterer nicht-linearer Mischungseffekt ist das geometri-

sche Überlappen der GIFOVs durch eine Sensor Point Spread Function (PSF). Für hyper-

spektrale Sensoren liegt der Überlappungsbereich bei einer Größenordnung von bis zu 20%.

Des Weiteren ist die relative Sensitivität eines GIFOVs nicht konstant. Die Ausstrahlung von

Objekten im Zentrum des GIFOVs fließt stärker in die spektrale Mischung ein, als die Aus-

strahlung von am Rande liegender Objekte. Dies hat einen negativen Einfluss auf die Ent-

mischungsergebnisse (TOWNSHEND ET AL. 2000; SETTLE 2006). Auch die Mehrfachstreuung

führt zur nicht-linearen Mischung. Das tritt z.B. dann auf, wenn Boden durch den Vegetati-

onsbestand hindurch sichtbar ist oder Reflexions- und Transmissionsprozesse an verschie-

denen Blattschichten auftreten (GILABERT ET AL. 2000, OKIN UND ROBERTS 2004). Die Mischung

von Boden und Vegetation ist an sich linear, nicht jedoch die Streuungsprozesse innerhalb

des Vegetationsbestandes. Von diesem Effekt sind vor allem die Wellenlängenbereiche im

NIR betroffen. Die Vegetationsbedeckung von Beständen mit niedrigem LAI wird bspw.

überschätzt (ROBERTS ET AL. 1993; RAY UND MURRAY 1996 UND GILABERT ET AL. 2000). Der Einfluss

des Mehrfachstreuungsprozeses kann durch eine geeignete Wahl passender Vegetations-EM

reduziert werden (GILABERT ET AL. 2000). OKIN ET AL. 2001 sehen in allen nicht-linearen Mi-

schungsprozessen eine Ursache für die Überschätzung der grünen Vegetation während ei-

nes Entmischungsvorganges. Im Aprilbilddatensatz werden die GV-Anteile der Landnut-

zungsklasse Ackerfläche überschätzt und könnten durch die nicht-linearen Mischungsprozes-

se erklärt werden (s. Abbildung A-18). Für alle anderen Landnutzungsklassen kann keine

Überschätzung des GV-Anteils festgestellt werden, was wiederum auf einen relativ geringen

Einfluss der nicht-linearen Mischungseffekte hindeutet.

Datenskalierung

Nicht-lineare Mischungseffekte


71

Ein bisher vernachlässigtes Problem bei der Ableitung von Bodenbedeckungsgraden ist die

Verdeckung, die durch eine ungünstige Beobachtungsgeometrie verursacht wird. Bei niedri-

gen lokalen Einfallswinkeln kommt es zur Verdeckung von offenliegendem Boden und Stein

durch Vegetation. Dieser Effekt wird als „Kulisseneffekt“ bezeichnet, folglich der Boden- und

Steinanteil unterschätzt. Der prozentuale Anteil der Überschätzung steigt mit zunehmender

Pflanzenhöhe und abnehmender Basisfläche. Der Effekt tritt besonders bei stark reliefiertem

Gelände auf und kann damit auch auf die MESMA Entmischungsergebnisse des in dieser

Arbeit untersuchten Raumausschnitts einen Einfluss haben. Besonders für Flächen vegetati-

onsbedeckter Landnutzungsklassen, deren reale Bodenanteile sehr gering sind, könnte der

Effekt die schlechten Modellergebnisse für Boden und Stein erklären (s. Abbildung 4-6). Eine

detaillierte Analyse des Effektes auf die geschätzten Bedeckungsgrade findet sich in BACH-

MANN (2007).

Der Einfluss externen Faktoren auf das MESMA Entmischungsergebnis

Auch die Qualität der aufgenommen in-situ Referenzdatenbank beeinflusst die Genauigkeit

der Ergebnisse der Validierung und die Entscheidung der optimalen Übertragungsvorschrift

der Referenzpunkte auf die Bilddatensätze. Nach CURRAN UND WILLIAMSON 1986 soll sich die

Auswahl der Bezugsgröße für die Integration der Referenzpunkte in den Bilddatensatz zur

Ergebnisvalidierung nach der Genauigkeit der Erfassungsmethode richten. BROGAARD UND

ÓLAFSDÓTTIR (1997) untersuchen die Genauigkeit verschiedener Geländemethoden zur Erfas-

sung von Bodenbedeckungsgraden in semi-ariden Grasländern mit spärlichem Bewuchs. Die

Eigenschaften des Untersuchungsgebietes sind zumindest vergleichbar mit der in dieser

Studie untersuchten Landnutzungsklasse Shrubland, die fast 50% der Gebietsfläche im

Untersuchungsgebiet ausmacht. Die absolute Differenz (MAE) zwischen den verschiedenen

Erfassern und Erfassungsmethoden beträgt bei bis zu 20% Bedeckung absolut mit Abwei-

chung zwischen 10% und 20%. KERCHER ET AL. (2003) vergleichen die zwei Erfassungsme-

thoden Gitterrahmenmethode und „line-intercept“ Methode (MORRISON ET AL. 1993). Erstere

wird in dieser Arbeit verwendet, letztere u.a. in der Arbeit von DE ASIS UND OMASA (2007) (s.

Tabelle A-2. Darüber hinaus wird in der Studie von KERCHER ET AL. (2003) die Wiederholbar-

keit durch zwei Feldteams untersucht. Die durch das Gütemaß R² ermittelte Übereinstim-

mung liegt bei 0.92, wobei die typische Schwankungsbreite der Bedeckungsgrade um ±7%

lag und nur 13.3% der Testflächen keine Unterschiede aufweisen. Allerdings ist in diesem

Zusammenhang anzumerken, dass die Gesamtbedeckungsgrade in sechs Klassen eingeteilt

worden sind und damit sogar der eigentliche Fehler reduziert wurde. Auf Grundlage dieser

Studien kann von einer durchschnittlichen Genauigkeit der im Gelände geschätzten Bede-

ckungsgrade von ca. ±10% ausgegangen werden. Einzelne Messgenauigkeiten können

durchaus im Bereich von ±20% absolut liegen.

Eine weitere Fehlerquelle kann durch die nicht hinreichende Erfassung der vorherrschenden

naturräumlichen Heterogenität mittels der Erfassungsmethode gegeben sein. Selbst auf

homogenen Ackerflächen kann die räumliche Variabilität bis zu 10% betragen (DAUGHTRY UND

HOLLINGER 1984). Bei der Betrachtung der erhobenen Bedeckungsgrade während den Mess-

kampagnen im April und August 2011 fällt die natürliche Heterogenität einzelner Landnut-

zungstypen auf. In Abbildung 4-5 und Abbildung 4-7 sind die prozentualen Anteile der visu-

Lokaler Einfallswinkel

Qualität der Referenzdaten


72

ell geschätzten Anteile der funktionalen Materialklassen GV, NPV, Boden und Stein je Land-

nutzungsklasse der einzelnen Bodentransekten neben den MESMA Entmischungsergebnissen

in gestapelten Balkendiagrammen dargestellt. Die Anteile der Materialklassen variieren stark

innerhalb der Landnutzungsklassen, besonders auf den räumlich sehr variablen Flächen von

Shrubland. Die Ursache hierfür liegt in dem typischen kleinräumigen Mosaik von Vegetation

und Boden. So grenzen Bereiche mit dichter Vegetation direkt an offenliegenden Bodenarea-

le (s. Abbildung 4-9).

Abbildung 4-9: Ausgewählte Bodentransekten der Landnutzungsklasse Shrubland der Feldkampagne im April 2011 (links) und August 2011 (rechts). Typi-sches kleinräumiges Mosaik von grüner und trockener Vegetation, Boden und Stein (Quelle Fotos: BROSINSKY 2011).

Die hohe Variabilität der visuell geschätzten funktionalen Materialklassen innerhalb der

Landnutzungsklassen wird außerdem durch die Darstellung in Boxplots für den Aprilbildda-

tensatz in Abbildung A-21 und für den Augustbilddatensatz in Abbildung A-22 sichtbar. Be-

sonders stark streuen die dominanten Anteile der Materialklassen je Landnutzung für beide

Aufnahmezeitpunkte um das arithmetische Mittel (s. Tabelle 4-2 und Tabelle 4-3). Die

Streuung der geschätzten Werte der Landnutzungsklasse Shrubland betrifft alle funktionalen

Materialklassen, hingegen nur maximal zwei in den restlichen Landnutzungsklassen. Die

geschätzten Anteile von GV, NPV, Boden und Stein mit geringer Variabilität äußern sich in

den modellierten Ergebnissen mit geringen RMSE Werten (s. Abbildung 4-6). Hingegen ist

ein Trend erkennbar, dass der lineare Zusammenhang (R²) mit zunehmender Streuung

stärker wird.

Des Weiteren hat die Genauigkeit der Verortung der Bodentransekten Einfluss auf die Er-

gebnisvalidierung. Die mittlere Genauigkeit des einfachen Hand-GPS liegt für April bei 4m

und für August bei 6m, d.h. bei einer Abweichung von bis zu 2 Bildpixeln. Mit dem Fehler

der Georeferenzierung (s. Kapitel 3.3.1) addiert sich der gesamte Fehler zu 4 Bildpixeln, also

16m auf. Für weitere Feldkampagnen wird vorgeschlagen, die Koordinaten der Testflächen


73

mit präziseren GPS-Geräten zu verorten, was zu einer Verminderung von Fehlern im Zuge

der Validierung der Klassifikationsergebnisse beitragen würde.

Ein weiterer Aspekt ist der zeitliche Versatz der Aufnahme der Bodentransekten und der Tag

der Überfliegung für die Aprilbilddatensätze. Während die Feldkampagne vom 26.03.2011

bis 07.04.2011 durchgeführt wurde, fand die Überfliegung am 02.04.2011 statt. Die offizielle

Messstation Chordal, die direkt im Untersuchungsgebiet liegt (s. Abbildung A-23) misst vier

Niederschlagsereignisse vor (4.8mm, 0.2mm, 0.2mm, 1.6mm) und zwei Niederschlagsereig-

nisse (3.8mm, 3.0mm) nach der Überfliegung. 5 von 7 Referenzmessungen zum Ende der

April-Feldkampagne für Bodentransekten auf Ackerflächen und Wiese/Weide zeigen eine

deutliche Zunahme des GV-Anteil (bis zu 40%). Das vorherrschende Niederschlagsregime im

Frühjahr hat einen starken Einfluss auf das Pflanzenwachstum. Besonders der geschätzten

Anteile der funktionalen Materialklassen GV könnten dadurch in den Entmischungsergebnis-

sen überschätzt werden.

Die Ergebnisse der MESMA Entmischung in Kapitel 4.1.1 zeigen deutlich den Einfluss der

radiometrischen Unterschiede der einzelnen mosaikierten Bildstreifen in beiden Bilddaten-

sätzen. Abbildung 4-10 zeigt in einem Beispiel die resultierenden streifenhaften Muster in den

unterschiedlichen Ergebnissen des Aprilbilddatensatzes. Die Fehler resultieren zum einen

aus fehlerhaften Spektren im SWIR (a). Die Reflektanzwerte zeigen starkes Rauschen und

einen unnatürlichen Anstieg nach der zweiten großen Wasserabsorptionsbande ab ca. 2.0

µm.

Abbildung 4-10: Qualität der Bildaten (Beispiel April (Quelle: Eigene Darstellung 2013).

Zum anderen unterscheidet sich die Gesamtalbedo einzelner Flugstreifen (b). Der Kurven-

verlauf ist ähnlich, jedoch resultieren insgesamt dunkleren Reflektanzwerte in höheren

RMSE Werte nach der MESMA Entmischung als die insgesamt helleren Reflektanzwerte. Die

Unterschiede in der Gesamtalbedo wirken sich auch auf die MEMSA Entmischungsergebnisse

Bilddaten Qualität der Bilddaten


74

aus. In den fehlerhaften Bildstreifen liegende Flächen werden bevorzugt mit geringen Bo-

denanteilen modelliert, hingegen mit hohen NPV und Steinanteilen. Die flächenhafte Darstel-

lung der quantitativen Anteile der funktionalen Materialklasse GV zeigt keine eindeutigen

Muster. Der genaue Einfluss der fehlerhaften Flugstreifen kann nicht evaluiert werden. Da

die räumliche Ausdehnung nur sehr gering ist (s. Abbildung 4-3) und die Ergebnisse insge-

samt hinreichend interpretiert werden können, wird der Einfluss bis auf die fehlerhafte

räumliche Darstellung in der Ergebnisauswertung als gering eingeschätzt.

Fernerkundungsdaten haben den Vorteil eine gesamte räumliche Population abzubilden,

während Referenzpunkte nur eine räumliche Stichprobe darstellen (CURRAN UND WILLIAMSON

1986). Die Betrachtung der Bezugsgröße der Bildreferenz ist von besonderer Bedeutung,

wenn Fernerkundungsdaten mit den Bodenreferenzdaten korreliert werden sollen (TUCKER

1977; CURRAN 1983). Für die Bearbeiter solcher Anwendungen sollte deshalb die minimale

Anzahl der Stichproben kennen, die einen Raumausschnitt mit einem akzeptablen Fehler

repräsentieren. Die Ausdehnung der Referenzfläche sollte mindesten der räumlichen Auflö-

sung des aufnehmenden Sensors betragen (CURRAN UND WILLIAMSON 1986). JUSTICE UND

TOWNSHED (1981) empfehlen sogar, aufgrund von Unschärfen in den Bilddaten und geomet-

rischen Fehlern, eine Referenzfläche, die doppelt so groß wie die räumliche Auflösung der

aufnehmenden Sensoren ist. TOWNSHED ET AL. (2000); BACHMANN (2007), und BROGAARD UND

ÓLAFSDÓTTIR (1997) merken ebenfalls an, dass eine Validierung auf Basis einzelner Bildpixel

aufgrund des Unsicherheitsbereiches der Georeferenzierung, der Sensor-PSF-Effekte sowie

der hohen naturräumlichen Heterogenität nicht aussagekräftig ist. Bezogen auf die in dieser

Arbeit verwendeten Bilddatensätze, bei einem GSD der AISA Sensoren von 4m, wären das 2

mal 2 Bildpixel, also insgesamt 64m². Die Gitterrahmenmethode deckt die Vorgabe in der

Länge mit 20m mehr als hinreichend ab, jedoch nicht in der Breite, die mit 1m durch die

Größe des Messgitters vorgegeben ist. Die mit dem Hand-GPS verorteten Bodentransekten

werden in den Bilddaten durch Bildpixel repräsentiert, die die jeweiligen Transekten schnei-

den (s. Kapitel 3.3.2, Abbildung 3-7). Dadurch ergeben sich anstatt der vorgeschlagenen

quadratischen, linienhafte Bildreferenzflächen. Die Anzahl der Referenzbildpixel je

Bodentransekte beträgt für beide Bilddatensätze im Mittel sieben Bildpixel (max. 28m). PO-

WELL ET AL. (2007) untersuchen in ihrer Arbeit den Einfluss der Bezugsgröße als Bildreferenz

auf die Ergebnisvalidierung der MESMA Entmischungsergebnisse. Datengrundlage sind

Landsat ETM+ Bilddaten mit einer räumlichen Auflösung von 30m x 30m. Die Fenstergröße

der Referenzflächen variiert zwischen 1 x 1 und 17 x 17 Bildpixel, also 30m x 30m und

510m x 510m. Der lineare Zusammenhang zwischen modellierten und gemessenen quanti-

tativen Anteilen der ausgewählten funktionalen Materialklassen GV, Boden und versiegelter

Fläche wird mit zunehmender Fenstergröße stärker (Vegetation von R²=0.53 zu R²=0.92;

versiegelte Fläche von R²=0.36 zu R²=0.92, Boden von R²=0.26 zu R²=0.71). Dafür wer-

den drei Ursachen angegeben: (1) die zunehmende Fenstergröße reduziert eine fehlerhafte

Koregistrierung, (2) das detektierte Signal am Sensor wird durch die spektralen Eigenschaf-

ten umliegender Bildpixel beeinflusst, wobei dieser Effekt durch die Aggregation der model-

lierten Daten reduziert wird (FORSTER 1985; TOWNSHEND ET AL. 2000; HUANG ET AL. 2002) und

(3) die Mittelung der Abundanzen über größere Bezugsflächen reduziert die Varianz des

Bezugsgröße der Bildreferenz

Bezugsgröße der Bildreferenz


75

Bilddatensatzes (WOODCOCK UND STRAHLER 1987). Die letztlich zu wählende Fenstergröße ist

dabei abhängig von der Anwendung und wird für den heterogenen urbanen Untersuchungs-

raum in der Studie von POWELL ET AL. (2007) mit 9 x 9 Bildpixeln (270m x 270m) angegeben.

Es wäre zu überprüfen, ob die gewählte Übertragungsvorschrift der Bodentransekten auf die

Bildfläche hinreichend die hohe naturräumliche Heterogenität einzelner untersuchter Land-

nutzungsklassen wiedergeben kann und wie sich eine Zunahme der Referenzflächengröße

auf die ermittelten Gütemaße auswirkt. Auftretende hohe RMSE und kleine R² Werte der

modellierten Abundanzen der funktionalen Materialklassen GV, NPV, Boden und Stein der

untersuchten heterogenen Landnutzungsklassen Shrubland, Wiese/Weide und z.T. auch

Ackerfläche könnten dadurch erklärt werden.

RMSE betrachtet die größeren Differenzen zwischen den gemessenen und simulierten Wer-

ten (BÄSE 2005). Die offenliegenden Landnutzungsklassen Badland und Flussbett zeigen

kleine RMSE Werte für die funktionalen Materialklassen GV und NPV, deren geschätzte als

auch gemessene Anteile in den Referenzpunkten sehr gering sind (s. Abbildung 4-6). Die

gemessenen hohen Stein- und Bodenanteile hingegen zeigen große RMSE gegenüber den

geschätzten Werten. Bei den vegetationsbedeckten Landnutzungsklassen Ackerfläche, Wie-

se/Weide und Shrubland verhält es sich ähnlich. Geringe geschätzte und gemessene prozen-

tuale Anteile bestimmter funktionaler Materialklassen zeigen geringe RMSE, hohe prozentua-

le Anteile hohe RMSE. Damit ist der RMSE für kleine Wertepaare nicht sehr aussagekräftig,

für große hingegen ein guter Indikator für auftretende Abweichung.

Das R² kann lediglich die lineare Beziehung zwischen den Variablen evaluieren, jedoch ist

das Beurteilungsvermögen in Bezug auf das Modellverhalten nur begrenzt von Wert. R² ist

nicht sensitiv gegenüber Unterschieden zwischen gemessenen und modellierten Werten. Bei

einer systematischen Über- oder Unterschätzung erreicht R² auch den Wert 1, obwohl die

Modellsimulation unzureichend ist. Des Weiteren reagieren korrelationsbasierte Maße sensi-

tiv auf Ausreißer (BÄSE 2005). Werden bspw. hohe Wertepaare gut modelliert, dann wird das

Bestimmtheitsmaß positiv beeinflusst. Abweichungen kleinerer Werte werden dann vernach-

lässigt. Für den Aprilbilddatensatz ist bis auf GV der ermittelte lineare Zusammenhang

schwach (s. Tabelle 4-4). Die funktionalen Materialklassen NPV, Boden und Stein zeigen in

ihren Scatterplots keine bzw. schlecht modellierte hohe Wertepaare (s. Abbildung A-18). Für

den Augustbilddatensatz steigt das ermittelte R² der funktionalen Materialklassen NPV und

Boden (s. Tabelle 4-5). Die Scatterplots zeigen viele gut geschätzte hohe Wertepaare (s.

Abbildung A-19). Das Bestimmtheitsmaß der funktionalen Materialklasse Stein bleibt hinge-

gen weiter gering, es sind keine hohen Wertepaare vorhanden. Der z.T. im Vergleich zu den

Einzelklassen bestimmte stärkere lineare Zusammenhang der neuen zusammengefassten

Klassen „Bedeckt“ und „Unbedeckt“, kann unter anderem auch durch die positive Reaktion

gut geschätzter hoher Wertepaare auf das Bestimmtheitsmaß hervorgerufen sein, die sich

durch die Addition der Einzelklassen bedingen (s.Abbildung A-20).

Ein hoher R² impliziert nicht unbedingt einen niedrigen RMSE, die Ergebnismuster können

stark voneinander abweichen (s. Abbildung 4-6). Die Kombination der in dieser Arbeit ver-

wendeten Gütemaße aus den verschiedenen Gruppen der Fehlermaße, die auf den Residuen

Ausgewählte Gütemaße


76

der gemessenen und simulierten Werte basieren und der korrelationsbasierten Fehlermaße

stellt jedoch eine geeignete Auswahl für eine differenzierte Fehleranalyse dar. RICHTER ET AL.

(2012) sehen vor allem RMSE und R² als „optimale“ statistische Gütemaße für die Validie-

rung von aus Fernerkundungsdaten abgeleiteten biophysikalischen Variablen.

Vergleich mit anderen wissenschaftlichen Arbeiten

Die ermittelte Genauigkeit der MESMA Entmischungsergebnisse sind vergleichbar mit den

Ergebnissen anderer wissenschaftlicher Publikationen, die verschiedene spektrale Ent-

mischungsansätze verwendet haben (MESMA, µMESMA und Lineare Entmischung). Eine

Übersicht über deren Ergebnisse ist in Tabelle A-2 dargestellt. Eine Vielzahl der aufgelisteten

Studien verwendet als Datengrundlage multispektrale Bilddatensätze, jedoch werden die

Entmischungsergebnisse validiert und die Genauigkeiten mittels verschiedener Gütemaße

angegeben und können deshalb verglichen werden. Die Validierungsgrundlagen variieren

zwischen im Gelände aufgenommenen Referenzdaten und Referenzbilddatensätzen. Die

Ergebnisse von BACHMANN (2007) sind am geeignetsten für einen Vergleich. Die spektrale

Entmischungsmethode, Boden- und Bildreferenz, Datengrundlage und verwendete

Gütemaße stimmen mit denen dieser Arbeit überein. Das Untersuchungsgebiet liegt eben-

falls in Spanien, die vorkommenden Vegetationstypen ähneln sich stark. Alle Arbeiten ver-

wenden das Bestimmtheitsmaß R² als Qualitätsmaß für das Modellergebnis. Die stärksten

ermittelten linearen Zusammenhänge werden für die GV oder kombinierten Vegetationsan-

teile ermittelt. Bei 3 von 4 Arbeiten (POWELL ET AL. 2007, BACHMANN 2007 UND MEUSBURGER ET AL.

2010) ist der lineare Zusammenhang für die ermittelten Bodenanteile sehr schwach. DE ASIS

UND OMASA (2007) verwendet einen NPV EM, der lineare Zusammenhang für die ermittelten

Bodenanteile ist stark, der lineare Zusammenhang für die ermittelten NPV-Anteile gering.

BACHMANN (2007) verwendet in den Entmischungsmodellen ebenfalls einen NPV EM. Der

ermittelte lineare Zusammenhang ist im Vergleich zu DE ASIS UND OMASA (2007) stark. Durch

die Verwendung hyperspektraler Bilddatensätze als Datengrundlage werden vermutlich die

Spektren von trockener Vegetation und Boden besser voneinander getrennt. Der lineare

Zusammenhang der GV-Anteile in der vorliegenden Arbeit ist ebenfalls für beide Aufnahme-

zeitpunkte am stärksten (April=0.70, August=0.63). Für den Aprilbilddatensatz ist das ermit-

telte R² für die NPV-Anteile größer als für die Bodenanteile, für den Augustbilddatensatz ist

die Ausprägung etwa gleich. Die Entmischungsergebnisse von BACHMANN (2007) zeigen des

Weiteren eine systematische Unterschätzung der Bodenabundanzen bei gleichzeitiger Über-

schätzung des NPV-Anteils. Als Hauptursache werden die Verdeckungseffekte bei ungünsti-

gen lokalen Einfallswinkeln genannt. Der Trend ist für keinen der Zeitpunkte dieser Arbeit

sichtbar, damit wird der Einfluss des lokalen Einfallswinkels auf das Entmischungsergebnis

als gering eingeschätzt. Der zusammengefasste MAE für alle Materialklassen beträgt für

diese Arbeit 0.16 für beide Aufnahmezeitpunkte und liegt damit unter dem ermittelten der

Studie von BACHMANN (2007) UND POWELL ET AL. (2007). Die Abweichungen in den Ergebnissen

anderer wissenschaftlicher Publikationen im Vergleich zu den Ergebnissen dieser Arbeit kön-

nen unter anderem auf den unterschiedlichen verwendeten Boden- und/oder Bildreferenzen

und den verwendeten Gütemaßen beruhen. Beispielsweise wird bei näherer Betrachtung des

Scatterplots von DE ASIS UND OMASA (2007) deutlich, dass sich Verteilungsmuster kleiner Wer-


77

tepaare, wie auch bei dem Augustbilddatensatz decken. Darüber hinaus entspricht das Ver-

teilungsmuster der gemessenen und geschätzten NPV-Anteile des Augustbilddatensatzes

denen von BACHMANN (2007). Auch das Verteilungsmuster der neuen zusammengefassten

Klassen „Bedeckt“ und „Unbedeckt“ für beide Aufnahmezeitpunkte deckt sich mit den Er-

gebnissen von POWELL ET AL. (2007). Wenn auch viele Unsicherheitsfaktoren eine Vergleich-

barkeit beeinflussen, so kann doch zumindest der Trend hinsichtlich der ermittelten Be-

stimmtheitsmaße der modellierten funktionalen Klassen anderer Studien auf diese Arbeit

übertragen werden.

Die 4-EM Modelle dominieren den Landschaftsausschnitt (ca. 80% der Bildfläche). Offenlie-

gende Landnutzungsklassen zeigen höhere RMSE Werte als vegetationsbedeckte. Am ge-

nauesten werden die GV Anteile modelliert (R²=0.70 April; R²=0.63 August). Die Klassen

NPV und Boden konnten nur teilweise sicher voneinander getrennt werden. Die Trennung

von Boden und Stein war hingegen für keinen der beiden Bilddatensätze möglich. Insgesamt

wurden höhere Genauigkeiten für den Augustbilddatensatz ermittelt. Die repräsentative

Schätzung für den beprobten Zeitraum im April wurde durch die Witterungsbedingungen

erschwert. Die Vegetationsbedeckung reagiert sensitiv auf die häufig im April auftretenden

Niederschlagsereignisse und ist damit zeitlich sehr variabel. Fehlerhafte Klassifikationen der

dominanten EM traten vor allem bei Landnutzungsklassen auf, bei denen die ermittelten

Abundanzen der Materialklasse prozentual gleichmäßig verteilt sind. Die Güte der MESMA

Entmischung wird durch eine Vielzahl von internen und externen Faktoren bedingt. Dabei

beeinflussen vor allem die nicht hinreichende Auswahl repräsentativer EM und die Wahl der

Bezugsgröße der Bildreferenz die Entmischungsergebnisse. Dennoch ist die Güte der ermit-

telten quantitativen Anteile der funktionalen Materialklassen, besonders im Vergleich mit

den anderen wissenschaftlichen Studien, die den spektralen Mischungsansatz gewählt ha-

ben, als zulässig einzuordnen. Die hohe räumliche Variabilität des komplexen mediterranen

Landschaftsraumes kann durch die gewählte Modellparametrisierung modelliert werden.

4.2 Überwachte Landnutzungsklassifikation

4.2.1 Ergebnisse

Die Überwachte Landnutzungsklassifikation mittels des Klassifikators SVM wurde auf ver-

schiedenen Datengrundlagen getestet. Die für die verschiedenen Klassifikationsdurchläufe

verwendeten Dateninformationen und deren Klassifikationsergebnisse sind in Tabelle A-1

dargestellt. Als Datengrundlage waren die mittels der Hauptkomponentenanalyse verdichte-

ten Reflektanz- oder Continuum Removal Bildinformationen, die MESMA Entmischungser-

gebnisse und die Vegetationshöhe, die aus den LIDAR Daten der Augustüberfliegung ermit-

telt worden sind. Die Datengrundlage der Testdurchläufe setzt sich aus den eben genannten

Einzelinformationen oder einer Kombinationen mehrerer Dateninformationen zusammen von

einem der beiden Aufnahmezeitpunkte oder beiden. Die Bandanzahl der Reflektanzdaten

wurde nach der Hauptkomponentenanalyse auf 235 Bänder reduziert, die Bandanzahl für

das Continuum Removal auf 40 Bänder. Auswahlkriterium war das Erreichen des Wertes 1

des Eigenwertes. Hohe Werte deuten auf hohe Varianzen in den Bändern hin, wird der Wert

Fazit


78

1 erreicht ist nur noch Rauschen in den transformierten Bändern vorhanden. Für die Kali-

brierung und Validierung der Klassifikation wurde der Referenzdatensatz geteilt (s. Kapitel

3.4.2). Die Landnutzungsklasse Flussbett wurde für die Validierung der Landnutzungsklasse

Offener Boden zugeführt. Damit resultieren insgesamt 8 Landnutzungsklassen nach der

SVM: Shrubland, Ackerfläche, Badland, Laubwald, Wiese/Weide, Nadelwald, Offener Boden

und Anstehendes Gestein (s. Tabelle 4-9). Die schlechtesten Klassifikationsergebnisse liefert

die SVM (68.82%), wenn die MESMA Entmischungsergebnisse beider Aufnahmezeitpunkte

als Datengrundlage gewählt werden (Nr.8). Die besten Klassifikationsergebnisse liefert der

Testdurchlauf Nr.3, wenn die transformierten Dateninformationen (Reflektanz und

Conntinuum Removal) beider Bilddatensätze verwendet werden. Die Klassifikation liefert

eine Gesamtgenauigkeit von 87.99% und einen Kappa Koeffizienten von 0.8399. Die Kom-

bination aller möglichen Dateninformationen resultiert in einer Gesamtgenauigkeit von

85.99% (Nr.4). Die Hauptkomponenten transformierten Reflektanzinformationen beider

Bilddatensätze als Datengrundlage erzielen gleichwertige Klassifikationsergebnisse (84.97%;

Nr.1) wie die Klassifikation auf den Hauptkomponenten transformierten Continuum Removal

Bändern (83.53%, Nr.2). Für einen besseren Vergleich, wurde die Klassifikation ausschließ-

lich auf den reinen Reflektanzinformationen des Augustbilddatensatzes getestet. Eine Ge-

samtgenauigkeit von 81.88% wurde ermittelt. Die Klassifikation auf den transformierten

Reflektanzdaten des Augustbilddatensatzes führt zu einer reduzierten Gesamtgenauigkeit

(77.02%; Nr.6), durch die Verwendung der transformierten Continuum Removal Werte als

Datengrundlage verbessert sich das Klassifikationsergebnis (82.75%; Nr.7).

Die Fehlermatrix (Tabelle 4-9) untersucht das gute Klassifikationsergebnis des Testdurchlau-

fes Nr.3 bezogen auf die Landnutzungsklassen genauer. Landnutzungslassen mit einem

hohen Vegetationsanteil zeigen gegenüber den Landnutzungsklassen mit einem geringen

Vegetationsanteil höhere Herstellergenauigkeiten. Dabei ist die Herstellergenauigkeit der

Bedeckungstyp Anstehendes Gestein mit 25.58% am geringsten, für Badland mit 73.44%

am höchsten. Die geringe Benutzergenauigkeit von 17.82% der Klasse Offener Boden deu-

tet daraufhin, dass die im Bild als Offener Boden klassifizierten Pixel nur mit geringer Wahr-

scheinlichkeit die tatsächliche Landnutzungsklasse Offener Boden auf der Erdoberfläche

repräsentieren. Die Benutzergenauigkeiten aller anderen Landnutzungsklassen sind >75%.

Die Waldflächen werden mit der höchsten Herstellergenauigkeit klassifiziert (Nadel-

wald=93.55%; Laubwald=91.47%). Die ermittelten Herstellergenauigkeiten der übrigen

Landnutzungsklassen sind >84%. Die Genauigkeit der Klassifikation für Landnutzungsklas-

sen mit hoher Vegetationsdynamik (Laubwald, Ackerflächen) ist hoch. Auffällig ist die häufi-

ge Falschzuweisung vieler Referenzbildpixel zur Landnutzungsklasse Shrubland besonders

durch Landnutzungstypen mit geringem Vegetationsanteil. Die Bildpixel der Referenzflächen

der Landnutzungsklasse Wiese/Weide werden am häufigsten als Ackerfläche fehlklassifiziert.

Die Referenzsegmente der Ackerflächen und Badland werden z.T. als Offener Boden fehl-

klassifiziert. Die Kalibrierungsflächen von Shrubland werden häufig der Landnutzungsklasse

Wiese/Weide zugewiesen.


79

Tabelle 4-9: Klassifikationsgenauigkeit der überwachten Landnutzungsklassifika-tion auf der Datengrundlage Nr.3. (Quelle: Eigene Darstellung 2013).

KLA

SS

IFIK

AT

ION

SE

RG

EB

NIS

BODENDATEN

Kappa Koeffzient =

0.8399

SHRUB-LAND

ACKER-

FLÄCHEN BAD-LAND

LAUB-WALD

WIESE/

WEIDE NADEL-WALD

AN-STEHENDES

GESTEIN

OFFENER

BODEN Σ USERS A.

[%]

SHRUBLAND 1487 39 1 79 44 13 45 40 1748 85.07

ACKERFLÄCHEN 0 2862 0 0 101 1 0 0 2964 96.56

BADLAND 23 3 94 0 0 0 0 3 123 76.42

LAUBWALD 0 0 0 922 12 0 0 2 936 98.50

WIESE/WEIDE 145 1 0 0 1256 0 0 0 1402 89.59

NADELWALD 15 0

7 0 203 0 0 225 90.22

ANSTEHENDES

GESTEIN 0 0 0 0 0 0 22 2 24 91.67

OFFENER BODEN 17 300 33 0 0 0 19 80 449 17.82

Σ 1687 3205 128 1008 1413 217 86 127 7871 OVERALL

A. [%] PRODUCERS A.

[%] 84.14 89.30 73.44 91.47 88.89 93.55 25.58 62.99

87.99

Die im Anschluss durch eine Majority-Filterung und Eliminierung von Bildsegmenten kleiner

als 2000m² generalisierten Landnutzungsflächen werden in einem Ausschnitt als

resultierende Landnutzungskarte in A.1 in Abbildung 4-15 dargestellt. Die Anzahl der nicht

klassifizierten Bildfläche (20.78%) setzt sich aus den identifizierten fehlerhaften Pixeln

während der Datenoptimierung (s. Kapitel 3.3.1) und nicht klassifizierten Bildpixeln der

MESMA Entmischung (s. Kapitel 4.1.1) für beide Bilddatensätze zusammen. Die prozentuale

ermittelte Bildfläche für die Landnutzungsklasse Shrubland beträgt 48.5%, für Nadelwald

27.8%, für Wiese/Weide 7.6%, für die Ackerflächen 5.1%, für Offenen Boden 1.1%, für

Badland 2.2%, für Anstehendes Gestein 0.2% und für Laubwald 7.5%. Im Vergleich zu der

vorher zur Verfügung stehenden digitalen Landnutzungskarte des Departamento de Ecología

de la Universidad de Barcelona, Oficina de Planificación Hidrológica (C.H.E.)8 von 2008 im

Maßstab 1:50.000 können die untersuchten Landnutzungsflächen mittels der SVM

detaillierter abgebildet werden (s. Abbildung 4-11).

8 http://oph.chebro.es/


80

Abbildung 4-11: Gegenüberstellung der neuen Landnutzungskarte (unten) und der der vorher zur Verfügung stehenden digitalen Landnutzungskarte. Quelle: Eigene Darstellung 2013).

4.2.2 Diskussion

Die detaillierte Kartierung der Landbedeckung und Separierung verschiedener Vegetations-

typen ist entscheidend für die Erosionsmodellierung, da verschiedene Vegetationstypen un-

terschiedliche Sedimentationsraten generieren (ISSELIN-NONDEDEU UND BEDECARRATS 2007). Die

Anforderung dieses Prozessschrittes lag vor allem in der Ableitung relevanter Landnutzungs-

klassen aus den zur Verfügung stehenden hyperspektralen Bilddatensätzen um die Vegetati-

onsdynamiken ausgesuchter Landnutzungsklassen evaluieren zu können. Nach KAUFMANN ET

AL. (O. A.) können mithilfe der Fernerkundung nur Landbedeckungen abgeleitet werden.

Einige Studien verlinken Landnutzungsklassen indirekt zu Landbedeckungsklassen (LU UND

WENG 2006), jedoch soll in diesem Schritt die Klassifizierung auf direktem Weg erfolgen.

Aufgrund der hohen temporalen Dynamiken landwirtschaftlicher Flächen, unterscheidet sich

deren Klassifikation von anderen Landbedeckungsklassifikationen. Während z.B. die spektra-

len Charakteristiken bebauter Flächen, Nadelwald oder Wasserflächen sich im jahreszeitli-

chem Verlauf kaum ändern, variieren die Reflektanzeigenschaften von bewirtschaften Acker-

flächen alle 3-4 Monate von einem typischen Vegetationsspektrum zu einem typischen Bo-

denspektrum. Es ist außerdem möglich, dass sich innerhalb eines Jahres die Anbaufrüchte


81

einer bewirtschafteten Fläche ändern (KAUFMANN ET AL. O. A.). Um die temporale Änderung

der spektralen Charakteristiken der Ackerflächen mit zu berücksichtigen und damit auch

explizit Landnutzungen ausweisen zu können, wurden die Bildinformationen beider Bildda-

tensätze fusioniert. Die Datenfusionierung sieht RICHARDS (2005) als zukünftigen, fest im-

plementierten, methodischen Ansatz für viele Klassifikationsstudien. Darüber hinaus sieht er

den zukünftigen Trend im Bereich der Bildklassifikation in der Anwendung des Klassifikators

SVM. In den Testdurchläufen wurden ebenfalls die berechneten Vegetationshöhen aus den

im August 2011 aufgenommenen LIDAR Daten verwendet. Gute Klassifikationsergebnisse

unter der zusätzlichen Verwendung von LIDAR Dateninformationen erzielen GARCÍA ET AL.

(2011) und KOETZ ET AL. (2008) in ihren Arbeiten. Die beste Gesamtgenauigkeit von 87.99%

zeigt der Testdurchlauf Nr.3 (s. Tabelle A-1), bei dem die transformierten Bänder der

Reflektanzdaten und des Contiuum Removals beider Bilddatensätze als Datengrundlage

verwendet wurden. Die Gesamtgenauigkeiten der Landnutzungsklassifikationen auf der Da-

tengrundlage von Informationen eines Zeitpunktes (August 81.88%) liegen unter denen des

bitemporalen Ansatzes. Die SVM ist in der Lage mit der bitemporalen Dateninformation um-

zugehen und erzielt hinreichende Landnutzungsklassifikationsergebnisse. Die Klassifikations-

genauigkeit von Testdurchlauf Nr.3 wird als hinreichend angesehen. Vergleichbare Klassifi-

kationsgenauigkeiten, die ebenfalls auf hyperspektralen Bilddatensätzen basieren liegen bei

SIEGMANN (2011) (Datengrundlage AISA Eagle) für die Klassifikation von Offenlandvegetation

zwischen 80% und 85% und in PAL UND MATHER (2006) für die Klassifikation von acht ver-

schiedenen Landbedeckungen bei 94% (Datengrundlage: hyperspektrale DAIS Bilddaten).

In KAUFMANN ET AL. (O. A.) wird ebenfalls angemerkt, dass die SVM auch Bilddaten klassifizie-

ren kann, die auch andere Dateninformationen (bspw. Höhe, geometrische Informationen

etc.) beinhaltet. Testlauf Nr. 9 verwendet als Datengrundlage die MESMA Entmischungser-

gebnisse beider Zeitpunkte und die aus den LIDAR abgeleiteten Vegetationshöhen. Die Ge-

samtgenauigkeit wird im Vergleich zur die Klassifikation nur auf Grundlage der MESMA Ent-

mischungsergebnisse (71.05%). Der rein merkmalsbasierte Klassifikationsansatz kann in

diesem Zusammenhang keine hinreichende Gesamtgenauigkeit erzielen. Die Klassifikation

auf den MESMA Entmischungsergebnissen resultiert in der niedrigsten Gesamtgenauigkeit

(68.82%). Werden die MESMA Entmischungsergebnisse und die Vegetationshöhe mit den

transformierten Bändern der Reflektanzdaten und des Continuum Removals kombiniert

(Testlauf Nr.4), also alle zur Verfügung stehenden Informationen verwertet, liegt die Ge-

samtgenauigkeit bei 85.99% und damit unter dem Ergebnis von Testlauf Nr.3. Die Informa-

tionen der MESMA Entmischung und die Vegetationshöhe können damit für diesen Testlauf

als redundant gewertet werden, sie verbessern nicht das Klassifikationsergebnis.

Flächen mit einem hohen Boden- und/oder Steinanteil werden zu einem hohen Anteil als

Shrubland klassifiziert. Die Landnutzungsklasse Shrubland kann aufgrund ihres sehr hetero-

genen Gefüges aus verschieden Vegetationsbeständen und offenliegenden Flächen als

Mischklasse mit hoher spektraler Variabilität aufgefasst werden, das oftmals kleiner als der

GSD von 4m ist. Die schlechte Herstellergenauigkeit der Landnutzungsklasse Anstehendes

Gestein resultiert darüber hinaus aus der hohen spektralen Variabilität der in dem Untersu-

chungsgebiet vorkommenden Gesteinsarten (s. Abbildung A-2) die nicht hinreichend in den


82

Trainingsdaten repräsentiert ist. Flächen, die in der Landnutzungskarte von CHEBRO (2008)

(s. Abbildung 4-11) als Intensivlandwirtschaft gekennzeichnet sind, werden in der neuen

Klassifikation als ein Muster aus Ackerflächen und Wiese/Weide dargestellt. Während den

Feldkampagnen gab es Unsicherheiten, den Landnutzungstyp Wiese/Weide sicher zu identi-

fizieren, da einige Ackerflächen ebenfalls Graspflanzen als Zwischenvegetation aufwiesen.

Referenzpunkte, die als Wiese/Weide aufgenommen worden sind, real aber Ackerflächen

entsprechen, weil sich das spektrale Verhalten der Flächen im jahreszeitlichen Verlauf än-

dert (Boden- oder anderes Vegetationsspektrum), werden durch die SVM als Ackerflächen

klassifiziert. Daher resultieren die Fehlzuweisungen einzelner Pixel der Landnutzungsklasse

Wiese/Weide (s. Tabelle 4-9). Ebenfalls zeigen über das ganze Jahr brachliegende Ackerflä-

chen hohe spektrale Charakteristika wie Offene Böden. Die Trennung der Landnutzungsklas-

sen ist dann kaum möglich, die Bildpixel der Referenzpunkte der Ackerflächen werden als

Offener Boden klassifiziert.

Die Verwendung der Fehlermatrix ist eine häufig eingesetzte Technik für die Genauigkeits-

analyse der Klassifikationsergebnisse (FOODY 2002). Selbiger merkt aber an, dass sich die

ermittelten Gütemaße für die Klassifikationsgenauigkeit auf die Übereinstimmung der Refe-

renzdaten auf die simulierten Daten beziehen, nicht aber zwingend die Übereinstimmung

zwischen simulierten Daten und der „Wahrheit“ widerspiegeln. Die Klassifikationsergebnisse

werden vor allem durch die Genauigkeit der Koregistrierung der Bilddatensätze mit den Re-

ferenzdaten beeinflusst. Der mittlere Fehler der Hand-GPS Geräte liegt bei 4m für den April-

bilddatensatz und 6m für den Augustbilddatensatz. Da sich die Trainings- und Validierungs-

daten aus großflächig aufgespannten Polygonen in den Bilddatensätzen zusammensetzen

und damit die Genauigkeit der Verortung der Landnutzungsklasse nur eine untergeordnete

Bedeutung hat, wird dieser Einfluss auf die Genauigkeit der Klassifikation als gering einge-

schätzt. Hingegen wird der Einfluss der Fehlregistrierung der beiden Bilddatensätze zuei-

nander als hoch eingeschätzt, da die spektrale Information beider Datensätze für die Land-

nutzungsklassifikation verwendet wird. Die Lagegenauigkeit der beiden Bilddatensätze zuei-

nander wird mit einen Versatz von 4-8m (1-2 Bildpixel) angegeben. Die Abweichung variiert

über das gesamte Mosaik (s. Kapitel 3.3.1). Es können Mischpixel mit spektralen Informati-

onen entstehen, die real gar nicht existieren. Bspw. könnte ein Bildpixel die spektrale Infor-

mation von Wiese/Weide für den Aprilbilddatensatz enthalten und durch den räumlichen

Versatz zusätzlich die spektrale Information einer angrenzenden Nadelwaldfläche für den

Augustbilddatensatz beinhalten. Dieses Problem betrifft mit hoher Wahrscheinlichkeit die

Randbereiche von Landnutzungsklassen, kleinräumige Areale und heterogene Landschafts-

ausschnitte. Ein Klassifikator ist nur dann so gut oder schlecht wie die Trainingsdaten

(FOODY 2002). Bspw. können thematische Fehler auftreten, wenn während der Aufnahme

der Referenzdaten fehlerhafte Klassenzuweisungen gemacht werden. Mit welcher Sicherheit

die zugewiesene Klassen „richtig“ ist, ist oft abhängig von der subjektiven Einschätzung

(THIERRY UND LOWELL 2001). Tatsächlich gab es während den Feldkampagnen Interpretati-

onsunstimmigkeiten, was sich in sieben nicht eindeutig bestimmten Referenzpunkten im

April und zwei nicht eindeutig bestimmten Referenzpunkten im August widerspiegelt (s.

Tabelle 3-3). FOODY (1988) führt außerdem als mögliche Fehlerquelle spezielle Sensoreigen-


83

schaften an. Die eindeutig identifizierten streifenförmigen Fehler in den beiden Bilddatensät-

zen (s. Abbildung 4-3) könnten ebenfalls die Klassifikationsgenauigkeit beeinflussen. Durch

die Verwendung der spektralen Informationen beider Bilddatensätze, sollte sich der Einfluss

allerdings verringern, da die fehlerhaften Flugstreifen unterschiedlich lokalisiert sind. Die

spektrale Information je Bildpixel ist also maximal zur Hälfte durch Sensorstörungen beein-

trächtigt.

Auch mit der vergleichsweise geringen Anzahl von Trainingsdaten (0.1% der gesamten Bild-

pixelanzahl) kann die SVM gut umgehen. FOODY ET AL. (2006) belegen in ihrer Arbeit, dass

sich eine Reduzierung der Trainingsdaten pro Klasse kaum auf die Klassifikationsergebnisse

mit dem Algorithmus SVM ausgewirkt hat. Mittels der SVM lässt sich also auch mit einer

geringe Anzahl an Trainingsdaten eine relativ präzise Klassentrennung vornehmen. Der Er-

folg der SVM ist abhängig von der räumlichen Auflösung der Datensätze. Mit abnehmender

räumlicher Auflösung nimmt die Anzahl der Mischpixel zu, was zu höheren Fehlklassifikatio-

nen führt (SIEGMAN 2011). Der GSD von 4m des in dieser verwendeten Dualsensorsystems

AISA-Eagle und AISA-Hawk bietet eine hinreichende Auflösung für die zulässige Detektion

von Landnutzungsklassen, deren räumliche Heterogenität größer als 4m ist. Das sehr hete-

rogenen Gefüge aus verschieden Vegetationsbeständen und offenliegenden Flächen der

Shrublandflächen hingen liegt oftmals unter der GSD von 4m. Die sichere Klassentrennung

von Shrubland ist daher z.T. nicht möglich und führt zu Verwechslung mit anderen Klassen.

Die SVM setzt sich auch als geeigneter Klassifikator für hyperspektrale Bilddatensätze gegen

die Klassifikationsalgorithmen Maximum Likelihood, Neural Network und Decision Tree durch

(PAL UND MATHER 2006). Nachteil der SVM ist der „black-box“ Charakter, da zwar Klassifikati-

onsentscheidungen getroffen werden können, der ablaufende Klassifikationsmechanismus

aber nicht nachvollzogen werden kann (PALL ET AL. 2004).

Die Verwendung bitemporaler Datensätzen als Klassifikationsgrundlage ermöglicht die hin-

reichende Differenzierung von acht Landnutzungsklassen. Die Landnutzungsklassifikation

ausschließlich auf den gewonnenen Ergebnissen der MESMA Entmischung, d.h. merkmals-

basiert und mit reduzierter Bandanzahl, führte zu einer reduzierten Gesamtgenauigkeit

(69%). Die höchste Gesamtgenauigkeit erzielte die Klassifikation auf Basis der fusionierten

und transformierten Bilddatensätze (88%). Landnutzungsklassen mit einer hohen Vegetati-

onsdynamik und Landnutzungsklassen mit geringer spektraler Variabilität erzielten höhere

Herstellergenauigkeiten. Hingegen zeigten Klassen mit hohen Boden-und Steinanteilen oft-

mals Verwechslungen mit anderen Landnutzungsklassen, vorrangig mit dem stark heteroge-

nen Landnutzungstypen Shrubland. Die spektrale Variabilität von Shrublandflächen kann z.T.

nicht durch den GSD von 4m erfasst werden. Die resultierenden Mischpixel können durch

SVM nicht sicher von den anderen Klassen getrennt werden. Dennoch ist der Klassifikator

SVM hinsichtlich des Klassifikationsergebnisses für diesen Ansatz gut geeignet. Darüber hin-

aus liefert die neu generierte Landnutzungskarte eine hoch aufgelöste differenzierte Darstel-

lung für die Erosionsmodellierung relevanter Landnutzungsklassen für die Teileinzugsgebiete

Villacarli und Carrasquero (s. A.1 Abbildung 4-15). Es ist zu überprüfen, ob Ergebnisse der

Erosionsmodellierung durch das WASA-SED Modells damit verbessert werden könnten.

Fazit


84

4.3 Kartierung des Bedeckungs- und Bearbeitungsfaktors (C-Faktor)

4.3.1 Ergebnisse

Kartierung der C-Faktoren

Im Anhang A.1 ist ein Ausschnitt der Kartierungsergebnisse der C-Faktoren nach DE ASIS UND

OMASA (2007) in Abbildung A-13 für April 2011 und in Abbildung A-14 für August 2011 darge-

stellt. Die räumliche Übertragung der MESMA Entmischungsergebnisse auf die RUSLE Sub-

faktoren, wenn GV der Kronendachbedeckung (Fc), NPV und Stein der Bodenbedeckung (Sp)

zugeordnet werden (Fall 1), ist in A.1 für einen Raumausschnitt in Abbildung A-15 für den

Aprilbilddatensatz 2011 dargestellt und in Abbildung A-16 für den Augustbilddatensatz 2011.

Fall 2 und Fall 3 werden nicht in Kartenform angehängt. Die räumliche Darstellung unter-

scheidet sich nur geringfügig von Fall 1. Den übrigen Landnutzungsklassen werden konstan-

te C-Faktor Werte zugewiesen, die aus FRANCKE (2009) entnommen worden sind

(s. Kapitel 3.4.3.2).

In der räumlichen Darstellung der C-Faktoren nach DE ASIS UND OMASA (2007) im Aprilbildda-

tensatz sind die Shrublandflächen durch ein Mosaik von hohen und niedrigen C-Faktoren

gekennzeichnet. Die Ackerflächen werden überwiegend durch geringe C-Faktoren model-

liert, die Badlandflächen überwiegend durch hohe C-Faktoren. Die Flächen der Landnut-

zungsklasse Shrubland zeigen im Augustbilddatensatz weniger hohe C-Faktor Werte. Für die

Acker- und Badlandflächen ist keine visuelle Änderung des Wertebereiches festzustellen.

Lediglich einige Akkumulationen hoher C-Faktor Werte der Ackerflächen ändern ihre räumli-

che Lage. Die räumlichen Dynamiken der C-Faktoren für beide Zeitpunkte, wenn die MEMSA

Entmischungsergebnisse nach Fall 1 auf die RUSLE Subfaktoren übertragen werden, sind

verschieden im Vergleich zu DE ASIS UND OMASA (2007). Tendenziell sind weniger Flächen mit

sehr hohen C-Faktor Werten visuell auszumachen. Auffällig sind die geringen C-Faktor Wer-

te der Badlandflächen im April gegenüber August. Eine Änderung der C-Faktoren auf dieser

stabilen Landnutzungsklasse wurde nicht erwartet. Ebenfalls zeigen die Ackerflächen eine

Veränderung der C-Faktoren im jahreszeitlichen Verlauf, im Aprilbilddatensatz werden grö-

ßere C-Faktor Werte als im Augustbilddatensatz modelliert. Die Darstellung der Mittelwerte

(MW) der C-Faktoren der untersuchten Landnutzungsklassen für die unterschiedlichen Me-

thoden zur räumlichen Übertragung der C-Faktoren für beide Aufnahmezeitpunkte in Tabelle

4-10 (April 2011) und Tabelle 4-11 (August 2011) unterstütz die visuelle Analyse. Die Bad-

landflächen, abgeleitet nach DE ASIS UND OMASA (2007), bleiben im jahreszeitlichen Verlauf

stabil mit jeweils hohen mittleren C-Faktor Werten.


85

Tabelle 4-10: Mittelwert (MW) in [%] der C-Faktoren je verwendeten Ansatz für April (2011). (Quelle: Eigene Darstellung 2013).

LANDNUTZUNG

DE ASIS UND

OMASA (2007)

RUSLE

FC=GV/SP=NPV+STEIN

1

RUSLE

FC=GV+NPV/SP=STEIN

2

RUSLE

FC=GV+NPV/SP=NPV+STEIN

3

MW MW MW MW

Ackerflächen 0.11 0.16 0.22 0.15

Shrubland 0.17 0.11 0.17 0.09

Badland 0.53 0.26 0.26 0.25

Die gemittelten C-Faktor Werte für die Landnutzungsklassen Ackerfläche und Shrubland

ändern sich nicht. Für den Fall 1 erhöht sich der gemittelte C-Faktor Wert für die Badland-

flächen gegenüber dem Aprilbilddatensatz. Die mittleren C-Faktor Werte für die Landnut-

zungsklassen Ackerfläche und Shrubland kehren sich jeweils um. Die allgemeinen Tenden-

zen der C-Faktor Dynamiken bleiben auch für Fall 2 und Fall 3 bestehen. Jedoch sind die

mittleren C-Faktoren Werte für Fall 2, gegenüber dem Fall 1, für beide Zeitpunkte höher, für

Fall 3 niedriger.

Tabelle 4-11: Mittelwert (MW) in [%] der C-Faktoren je verwendeten Ansatz für August (2011). (Quelle: Eigene Darstellung 2013).

LANDNUTZUNG

DE ASIS UND

OMASA (2007)

RUSLE

FC=GV/SP=NPV+STEIN

1

RUSLE

FC=GV+NPV/SP=STEIN

2

RUSLE


3

MW MW MW MW

Ackerflächen 0.10 0.11 0.20 0.07

Shrubland 0.15 0.16 0.25 0.14

Badland 0.58 0.41 0.50 0.40

Verteilung der C-Faktoren innerhalb der untersuchten Landnutzungsklassen

Abbildung A-24, Abbildung A-25, Abbildung A-26 und Abbildung A-27 im A.3 zeigen die Ver-

teilungskurven der C-Faktoren innerhalb der untersuchten Landnutzungsklassen Ackerfläche,

Shrubland und Badland für die beiden Aufnahmezeitpunkte. Zur besseren Darstellung sind

alle C-Faktoren mit dem Wert 0 und 1 aus der graphischen Ansicht der Verteilung der C-

Faktoren auf Basis des empirischen Zusammenhanges nach DE ASIS UND OMASA (2007) ent-

fernt worden. Die Häufigkeit der C-Faktoren der Landnutzungsklasse Badland steigt mit grö-

ßer werdenden C-Faktor Werten leicht bis ca. 0.5 an. Anschließend fallen die Häufigkeiten

wieder leicht ab, bis zu einem C-Faktor Wert von 1. Der Verlauf der Häufigkeitsverteilung ist

für beide Aufnahmezeitpunkte breitgipflig und beinahe identisch. Jedoch steigen die Häufig-

keiten zu Beginn stärker an, der Scheitelpunkt verläuft unter dem des Aprilbilddatensatzes

und das Abfallen der Verteilungskurve tritt später ein. Für alle drei Fälle der Übertragung der

MESMA Entmischungsergebnisse auf die RULSE Subfaktoren steigen die Häufigkeiten im

Aprilbilddatensatz stark zu einem ersten Höchstpunkt zwischen 0.01 und 0.05 an, fallen


86

anschließend ab und steigen dann schwach zwischen 0.4 und 0.6 zu einem zweiten Höchst-

punkt an, bevor sie ab 0.75 erneut abfallen. Die Form der Verteilungskurven im Augustbild-

datensatz ähnelt dem Kurvenverlauf der C-Faktoren Verteilung für die Badlandflächen nach

DE ASIS UND OMASA (2007). Jedoch ist der Höchstpunkt bei sehr hohen C-Faktor Werten lokali-

siert. Die vegetationsbedeckten Landnutzungsklassen Shrubland und Ackerfläche zeigen für

alle Ansätze für beide Bilddatensätze rechtsschiefe, schmalgipflige Verteilungen. Bei rechts-

schiefen Verteilungen ist der Median kleiner als das arithmetische Mittel. Der überwiegende

Teil der C-Faktoren hat demnach kleine Werte. Ein Großteil der C-Faktoren der Ackerfläche

für den Aprilbilddatensatze nimmt Werte <0.2 an. Für den Augustbilddatensatz ist der

Höchstpunkt niedriger, der Kurvenverlauf wird breitgipfliger, die Häufigkeiten fallen schwä-

cher ab. Für die Landnutzungsklasse Shrubland verhält es sich ähnlich, nur sind die Höchst-

punkte für beide Aufnahmezeitpunkte jeweils geringer. Die ermittelten C-Faktor Werte für

beide Zeitpunkte der Landnutzungsklasse Ackerfläche in den Fällen 1 und 2 zeigen eine

bimodale Verteilung mit einem kleinen ersten Höchststand bei 0 und einem direkt darauf

folgendem zweiten Höchststand <0.1. Für den Fall 3 ist die Verteilung unimodale, es tritt ein

Maximum nahe 0 auf. Im Vergleich zum Augustbilddatensatz sind die C-Faktor Werte insge-

samt kleiner, der zweite Höchstpunkt verschiebt sich nach rechts. Die Verteilung der C-

Faktor Werte der Landnutzungsklasse Shrubland für alle Fälle für beide Zeitpunkte ist eben-

falls unimodal. Im Augustbilddatensatz verschiebt sich der Höchstpunkt erneut nach rechts,

die C-Faktor Werte werden also insgesamt größer. Die Verteilungskurven für Fall 3 sind ins-

gesamt schmalgipfliger und die Höchstpunkte größer im Vergleich zu den anderen Fällen.

Ergebnisvalidierung der räumlichen Übertragung der C-Faktoren

Die Validierung der bestimmten räumlichen C-Faktoren erfolgt gegen die aus in Nadir auf-

genommen Fotos der Messpunkte der Bodentransekten abgeleiteten RUSLE C-Faktoren

(s. Kapitel 3.4.3.2). Die mit dem Hand-GPS verorteten Bodentransekten werden in den Bild-

daten durch Bildpixel repräsentiert, die die Transekten schneiden (s. Kapitel 3.3.2, Abbil-

dung 3-7 Die Validierung erfolgt differenziert nach den Landnutzungsklassen Ackerfläche,

Shrubland und Badland.

Für den Aprilbilddatensatz zeigen alle methodischen Ansätze zur Berechnung der räumlichen

C-Faktoren keinen bzw. nur einen schlechten linearen Zusammenhang (s. Tabelle 4-12). Die

übrigen Gütemaße deuten ebenfalls auf ein schlechtes Modellergebnis hin. Der RMSE ist

jeweils >0.20, der MAE lässt auch hohe mittlere Abweichungen erkennen. Den stärksten

linearen Zusammenhang für den Augustbilddatensatz zeigen Fall 1 und Fall 3 der Übertra-

gung der MESMA Entmischungsergebnisse auf die RUSLE Subfaktoren (R²=0.71 und

R²=0.70 entsprechend). Zusammen mit den hohen Werten der Steigung und den niedrigen

Werten des Ordinatenabschnittes deuten die Korrelationsparameter auf ein gutes Modeller-

gebnis hin. Die auf den Residuen der gemessenen und simulierten Werte basierenden

Gütemaße RMSE und MAE sind ebenfalls vergleichsweise gering. Für Fall 1 wurde ein RMSE

von 0.11 und ein MAE von 0.09 ermittelt, für Fall 3 ebenfalls ein RMSE von 0.11 und ein

MAE von 0.14.


87

Tabelle 4-12: Übersicht der ermittelten Gütemaße R², Steigung (b), Ordinatenab-schnitt (a), RMSE, den mittleren absoluten Fehler (MAE) und die ge-mittelten Residuen (Bias) für die Ergebnisvalidierung der berechneten C-Faktoren für alle Ansätze (Quelle: Eigene Darstellung 2013).

C-FAKTOR

DE ASIS UND

OMASA (2007)

RUSLE

FC=GV/SP=NPV+STEIN

1

RUSLE

FC=GV+NPV/SP=STEIN

2

RUSLE


3

APRIL AUGUST APRIL AUGUST APRIL AUGUST APRIL AUGUST

N 29 32 29 32 28 31 28 31

R² 0.21 0.51 0.04 0.71 0.14 0.56 0.02 0.70

STEIGUNG [B] 0.36 0.95 0.08 0.77 0.23 0.75 0.07 0.79

ORDINATENABSCHNITT [A] 0.11 0.13 0.13 0.07 0.18 0.17 0.11 0.04

RMSE 0.22 0.22 0.23 0.11 0.23 0.19 0.25 0.11

MAE 0.19 0.16 0.19 0.09 0.19 0.15 0.17 0.14

BIAS 0.01 -0.12 -0.03 -0.04 -0.03 -0.13 0.07 -0.14

Abbildung A-28 zeigt die Scatterplots der ermittelten C-Faktoren gegen die abgeleiteten

RUSLE C-Faktoren der Referenzpunkte sowie die Residuen der Wertepaare als Funktion der

C-Faktor Werte der Referenzdaten für den Aprilbilddatensatz. Die Residuenanalyse aller

methodischen Ansätze zur Berechnung der räumlichen C-Faktoren zeigt einen deutlichen

Trend der Überschätzung kleiner C-Faktor Werte und zunehmender Unterschätzung mit

steigender Größe der C-Faktoren. Der Großteil der simulierten C-Faktoren der Landnut-

zungsklasse Shrubland wird überschätzt. Die sich im mittleren Wertebereich befindenden C-

Faktoren der Referenzpunkte der Landnutzungsklasse Ackerfläche werden in den Bilddaten

gleichmäßig über- oder unterschätzt. Die C-Faktoren der Landnutzungsklasse Badland wer-

den unterschätzt. Dabei werden die C-Faktoren der Referenzpunkte durch die simulierten C-

Faktoren nach DE ASIS UND OMASA (2007) und Fall 3 mit kleineren Residuen modelliert. Die C-

Faktoren der vegetationsbedeckten Landnutzungsklassen Ackerfläche und Shrubland werden

am genauesten im Fall 1 und 3 geschätzt. Die Punktwolke innerhalb des Scatterplots liegt

innerhalb der 20% Fehlerbegrenzung.

Die geringen C-Faktor Werte der Referenzpunkte der Landnutzungsklasse Shrubland werden

auch in den Augustdatensätze durch alle methodischen Ansätze überschätzt (s. Abbildung

A-29) Für Fall 1 und Fall 3 jedoch liegen die Residuen deutlich innerhalb der 20% Fehlerbe-

grenzung. Auch die Residuen der Landnutzungsklasse Ackerfläche werden in Fall 1 und Fall

3 kleiner. Die offenliegende Landnutzungsklasse Badland wird am besten im Fall 2 ge-

schätzt. Der Trend einer zunehmenden Unterschätzung mit steigender Größe der C-Faktoren

ist nicht so stark ausgeprägt wie für den Aprilbilddatensatz.

4.3.2 Diskussion

Ableitung des RUSLE C-Faktor aus den Referenzdaten

Die Genauigkeit der räumlichen Kartierung der C-Faktoren ist wie bei der MESMA Ent-

mischung stark von der Güte der aufgearbeiteten Referenzpunkte, deren Lagegenauigkeit

und Übertragungsvorschrift auf die Bilddaten für die Validierung beeinflusst (s. Kapitel 4.1.2)


88

Für den finalen Schritt der entwickelten Prozesskette, wurden aus den in Nadir aufgenom-

menen Fotos der Referenzpunkte die RUSLE C-Faktoren für die Validierung abgeleitet. Als

besonders schwierig erwies sich die Bestimmung der mittleren Oberflächenrauigkeit (Ru) an

dicht bewachsenen Messpunkten, bei denen kein offener Boden sichtbar war. Hier wurde

näherungsweise ein sehr kleiner Ru Wert von 0.125 vergeben. Besonders häufig trat dieser

Sachverhalt bei der Landnutzungsklasse Shrubland ein. Ein zu niedrig angenommener Ru

Wert überschätzt den berechneten C-Faktor. Für Referenzpunkte mit hoher Kronendachbe-

deckung ergaben sich ebenfalls ungenaue Schätzungen der Bodenbedeckung, da die Sicht

auf die Bodenoberfläche versperrt war.

Ableitung des RUSLE C-Faktors nach dem empirischen Zusammenhang von DE

ASIS UND OMASA (2007)

Eine Einschränkung der nach DE ASIS UND OMASA (2007) abgeleiteten C-Faktoren ist die

Annahme, dass unter dichtbewachsenen Vegetationsbeständen und Flächen mit guter

Bodenbedeckung der C-Faktor den Wert 0 annimmt. Als dicht bewachsen werden die

Landnutzungstypen immergrüner sekundärer Regenwald und Wiese definiert und in ihrer

Wirksamkeit gegen Bodenerosion gleichgestellt. Des Weiteren liegt der Gleichung die

Annahme zugrunde, dass nur dann Bodenerosion auftritt, wenn offene Bodenflächen

auftreten. Beides bedingt den Aufbau der Formel des empirischen Zusammenhanges

zwischen dem C-Faktor und dem Verhältnis von offener Bodenfläche zu Bodenbedeckung (s.

Formel 15), bei dem der Anteil des offenen Bodens als Variable allein im Zähler steht und

die restlichen Bedeckungsanteile dem Nenner zugesprochen werden. Für die konkrete

Anwendung des empirischen Zusammenhanges auf die mittels MESMA berechneten

quantitativen Anteile der funktionalen Materialklassen GV, NPV, Boden und Stein bedeutet

dies, dass jedes Pixel, das keinen Bodenanteil aufweist, den C-Faktor Wert 0 zugewiesen

bekommt. Der prozentuale Anteil der berechneten C-Faktoren mit der Wert 0 ist in Tabelle

4-13 dargestellt. Besonders für die vegetationsbedeckten Landnutzungsklassen Shrubland

und Ackerfläche ist der prozentuale Anteil sehr hoch, z.T. über die Hälfte aller Bildpixel. Der

prozentuale Anteil von C-Faktoren mit dem Wert 0 für die offenliegende Landnutzungsklasse

Badland ist geringer. Die durch offenen Boden dominierte Landnutzungsklasse sollte im

überwiegenden Teil der Bildpixel Bodenanteile enthalten und demnach kaum C-Faktoren mit

dem errechneten Wert 0 aufweisen. Für den Augustbilddatensatz ist der niedrige

prozentuale Wert von 5.66% damit realistisch, die 14.06% im April müssen durch einen

weiteren Fehler verursacht worden sein. Aus den MESMA Entmischungsergebnissen in

Kapitel 4.1.1 geht hervor, dass die funktionalen Materialklassen Boden und Stein besonders

für den Aprilbilddatensatz nicht hinreichend gut getrennt werden konnten. Werden also

reale Bodenanteile der Landnutzungsklasse Badland im MESMA Entmischungsergebnis als

Steinanteile simuliert, gehen die Anteile nicht in den Zähler des empirischen

Zusammenhanges ein, sondern in den Nenner. Damit ergeben sich dann ebenfalls C-

Faktoren mit dem Wert 0. Es werden außerdem viele Bildpixel mit dem C-Faktor Wert von 1

modelliert (s. Tabelle 4-13). Dieser Fall tritt dann ein, wenn die Bildpixel keine

Bedeckungsanteile beinhalten. Der C-Faktor Wert 1 ist für viele offenliegende Flächen

realistisch, entspricht in der Höhe allerdings keiner natürlichen Verteilungsdarstellung. Der

empirische Zusammenhang nach DE ASIS UND OMASA (2007) modelliert also gut die Werte


89

größer 0 und kleiner 1, kann aber sehr kleine und sehr große C-Faktor Werte nicht

differenziert wiedergeben. Für die Flächen, die mit dem Wert 0 modelliert werden, wird die

Bodenerosion demnach unterschätzt.

Tabelle 4-13: Darstellung der modellierten 0 und 1 Werte durch den Ansatz von DE ASIS UND OMASA (2007) bezogen auf die Bildfläche in [%]. (Quelle: Eigene Darstellung 2013).

LANDNUTZUNG WERT 0 WERT 1 WERT 0 WERT 1

APRIL AUGUST

Badland 14.06 % 14.27 % 5.66 % 15.62 %

Shrubland 43.07 % 5.54 % 29.91 % 5.23 %

Ackerfläche 51.35 % 5.84 % 44.84 % 5.76 %

Die im jahreszeitlichen Verlauf stabilen, hohen mittleren C-Faktoren der Landnutzungsklasse

Badland (s. A.3 Abbildung A-24) sind gleichbedeutend mit einem hohen Bodenerosionsrisiko

und resultieren aus den hohen Bodenanteilen. Das Ergebnis unterstützt die Theorie, dass

die Badlands die größten Sedimentquellen im Isábena Einzugsgebiet sind (FARGAS ET AL.

1997; POCH UND MARTÍNEZ-CASANOVAS 1997; MARTÍNEZ-CASANOVAS UND POCH 1998; FRANCKE ET AL.

2008A). Die C-Faktoren der Landnutzungsklasse Ackerfläche sind für den C-Faktor im August

insgesamt niedriger als für April. Der Vegetationsbestand variiert nur zwischen vitaler grüner

Vegetation im Frühjahr und vermehrt auftretender trockener Erntebestände und auf der

Bodenoberfläche aufliegende Ernterückstände im August. Der Bedeckungsanteil bleibt im

Jahresverlauf stabil. Das Bodenerosionspotential scheint damit von April bis August kon-

stant. Es können jedoch keine Aussagen über den Zustand der Ackerflächen – und über die

Dynamik des C –Faktors - für den sich anschließenden Zeitraum August bis April getroffen

werden. Für eine weitere Einschätzung müssten Bewirtschaftungszyklen des Untersu-

chungsgebietes bekannt sein. Eine ähnliche Dynamik ist aus den Verteilungskurven der

Landnutzungsklasse Shrubland zu beobachten. Die C-Faktor Werte nehmen zum August hin

ebenfalls ab. Im Vergleich zu Landnutzungsklasse Ackerfläche sind die Werte aber insge-

samt im Mittel höher. Das kleinräumige heterogene Muster aus offenliegenden und vegeta-

tionsbedeckten Flächen bedingt über das ganze Jahr betrachtet ein höheres stabiles Bode-

nerosionspotential.

Ableitung des RUSLE C-Faktors aus den MESMA Entmischungsergebnissen

Die Limitierung der C-Faktor Werte, die durch Übertragung der MESMA Entmischungsergeb-

nisse auf die RUSLE Subfaktoren mittels drei verschiedenen Ansätzen errechnet worden

sind, resultieren aus den konstantem Oberflächenrauigkeitssubfaktor (SR) je Landnutzungs-

klasse. SR wird nur über die Variable Ru (mittlere Oberflächenrauigkeit) bestimmt (s. Kapitel

2.4.1). Um die Berechnung des C-Faktoren unabhängig von den Referenzpunkten durchzu-

führen, wurde Ru für die untersuchten Landnutzungsklassen aus der Literatur abgeleitet

(s. Kapitel 3.4.3.2). Damit errechnet sich ein SR für Badland von 0.79, für Shrubland 0.69

und für die Ackerflächen 0.90. Die Werte stellen das Maximum der möglichen C-Faktoren für

alle drei Fälle dar, wenn der Kronendackbedeckungssubfaktor (CC) und der Bodenbede-

ckungssubfaktor (SC) den Wert 1 annehmen. Ru ist neben Sp und dem empirischen Koeffi-


90

zienten b auch eine Variabel für die Berechnung von SC. Der Koeffizient b wurde ebenfalls

aus der Literatur abgeleitet (s. Kapitel 3.4.3.2). Demnach ist nur Sp für die Berechnung von

SC variabel, Ru und b sind konstant. Alle Variablen stehen im Exponenten der Exponential-

funktion. Der Einfluss des Koeffizienten b auf SC ist in Abbildung 4-12 dargestellt. Mit stei-

gendem Wert des Koeffizienten werden die SC Werte größer bei gleichbleibender Bodenbe-

deckung (Sp). Der Einfluss des Koeffizienten b auf SC ist für höhere Bodenbedeckungsgrade

(Sp) stärker als für niedrige. Werden die b Koeffizienten für die untersuchten Landnutzungs-

klassen überschätzt, wird der SC und damit der gesamte C-Faktor unterschätzt. Der Einfluss

der Variablen Ru auf die Berechnung von SC ist hingegen sehr gering (Abbildung 4-12). Wird

Ru für die einzelnen Landnutzungsklassen überschätzt, wird SC in einem geringen Maße

unterschätzt.

Abbildung 4-12: Einfluss des empirischen Koeffizienten b (links) aus RENARD ET AL. (1997)

und der mittleren Oberflächenrauigkeit (Ru) bei einem konstanten b=0.035. (Quelle: Eigene Darstellung 2013).

Einen weitaus größeren Einfluss auf die Berechnung des C-Faktors hat die Vegetationshöhe,

die in den Kronendachbedeckungssubfaktor eingeht. Die Korrelation zwischen der ermittel-

ten Vegetationshöhe aus den LIDAR Daten vom August 2011 und den gemessen mittleren

Wuchshöhen der Bodentransekten zeigt einen schwachen Zusammenhang für die Landnut-

zungsklassen mit geringen maximalen Wuchshöhen (Shrubland, Badland, Ackerfächen,

Flussbett und Wiese/Weide) von R²=0.02. Die Referenzdaten werden zu beiden Teilen über-

oder unterschätzt. Der mittlere absolute Fehler (MAE) liegt bei 18cm. Die Werte der Bildpi-

xel, die je Referenzpunkt auf der digitalisierten Bodentransekte lokalisiert sind variieren

stark (Standardabweichung=26cm). Die lineare Zusammenhang zwischen der errechneten

Vegetationshöhe der LIDAR Daten und den Baumhöhen der Landnutzungsklasse Nadelwald

und Laubwald ist hingegen stark (R²=0.75). Allerdings beträgt der mittlere absolute Fehler

MAE 3.32m. Ebenfalls werden die Wuchshöhen der Referenzpunkte hauptsächlich unter-

schätzt. Die Werte der Bildpixel auf den digitalisierten Bodentransekten variieren auch eben-

falls stark (Standardabweichung=2.05m). Jedoch müssen hier die hohen Ungenauigkeiten

der verorteten Referenzpunkte mittels des einfachen Hand-GPS berücksichtigt werden. Die-

se liegen im Mittel bei einer Abweichung von 7m. Die aus den LIDAR Daten abgeleiteten

Vegetationshöhen, die in die pixelbasierte Berechnung beider Bilddatensätze einfließen,


91

wurden während der Augustüberfliegung aufgenommen. Für den Aprilbilddatensatz gibt es

keine Informationen über die Pflanzenwuchshöhe. Für die offenliegend Landnutzungsklasse

Badland sollte der Einfluss gering sein, für die vegetationsbedeckten Landnutzungsklassen

Shrubland und Ackerflächen hingegen, könnte dieser Sachverhalt zu Fehlern in der Berech-

nung des Faktors führen. Die Vegetationshöhen variieren zeitlich aufgrund des phänologi-

schen Zyklus. Für Shrubland und Ackerfläche nimmt die mittlere Wuchshöhe ab. Die gemit-

telten Pflanzenwuchshöhen der Bodentransekten der Landnutzungsklasse Shrubland sind im

April 22cm und im August 18cm. Für die Landnutzungsklassen nimmt die mittlere Wuchs-

höhe von 17cm auf 14cm ab. Für die Anwendung der LIDAR Datensatz auf beide Zeitpunkte

wurde sich deshalb entschieden, um die Übertragung der MESMA Entmischungsergebnisse

auf den C-Faktor unabhängig von den Referenzpunkten zu realisieren. Die Variable Pflan-

zenwuchshöhe (H) in der Berechnung von CC steht im Exponenten der Exponentialfunktion.

Mit zunehmender Wuchshöhe wird die Erosionskraft auf die Erdoberfläche fallender Regen-

tropfen größer (RENARD ET AL. 1997). Der Einfluss verschiedener Pflanzenwuchshöhen auf die

Berechnung von CC ist in Abbildung 4-13 dargestellt. Mit zunehmender Wuchshöhe, wird

der Einfluss der Kronendachbedeckung (Fc) auf den CC Subfaktor geringer. Bei 6m variieren

die CC Werte zwischen 0.8 und 1.0, ist die Wuchshöhe gleich 0m nehmen die CC Subfakto-

ren alle Werte im Wertebereich zwischen 0 und 1 an. Das Werteminimum für die Landnut-

zungsklassen Ackerfläche und Shrubland der digitalisierten Bodentransekten ist 0m, das

Wertemaximum 1.5m. Die Größenangabe 6ft in Abbildung 4-13 beträgt umgerechnet 1.8m

und ist damit vergleichbar für die Problemstellung dieser Arbeit. Werden die Vegetations-

höhen durch die LIDAR Daten überschätzt, wird der CC ebenfalls überschätzt. D.h. auch,

dass damit der gesamte C-Faktor überschätzt wird. Der Zusammenhang wirkt sich bei höhe-

ren Fc Werten stärker aus.

Abbildung 4-13: Einfluss der Pflanzenwuchshöhe (H) auf den Kronendachbedeckungs-faktor (CC). (Quelle: RENARD ET AL. 1997).

Die besten Resultate für den Ansatz der Übertragung der MESMA Entmischungsergebnisse

auf den RUSLE Subfaktor für beide Bilddatensätze werden dann ermittelt, wenn die berech-

neten GV-Anteile der Kronendachbedeckung (Fc) und die berechneten NPV und Steinanteile

der Bodenbedeckung (Sp) zugewiesen werden (Fall 1) (s. Kapitel 4.3.1). Vitale Vegetation ist


92

damit vermutlich vorrangig im Kronendach der Vegetationsbestände lokalisiert, trockene

Vegetation hingegen als Residuen auf der Bodenoberfläche. Das Heranziehen des Steinan-

teils zur Schätzung der Bodenbedeckung Sp bestätigt die Aussage der Arbeit von DISSMEYER

UND FOSTER (1981), dass Steine und Schotter ebenfalls zur Bodenbedeckung gezählt werden

können. Die Verteilungskurven für die berechneten C-Faktoren der untersuchten Landnut-

zungen für beide Aufnahmezeitpunkte dieses Ansatzes ähneln den Verteilungskurven der

berechneten C-Faktoren nach DE ASIS UND OMASA (2007). Die Landnutzungsklasse Badland

zeigt für beide Aufnahmezeitpunkte über den gesamten Wertebereich verteilte C-Faktoren.

Jedoch werden mehr kleine Werte im April berechnet, höhere Werte im August. Die diffe-

renziertere Darstellung sehr kleiner und sehr hoher C-Faktor Werte gegenüber DE ASIS UND

OMASA (2007) spiegelt möglicherweise kleinräumige Vegetationsdynamiken auf den unteren

flachen oder stabilen Hangbereichen der Badlandflächen wieder. Vegetationsbedeckte Berei-

che im April resultieren in einem Anstieg der kleineren C-Faktoren, während der Rückgang

der Vegetation in August den Anstieg der höheren C-Faktoren bedingt. Der erste Peak der

Verteilungskurve der Landnutzungsklasse Ackerfläche im April deutet auf die vielen dicht mit

Anbaufrüchten bewachsenen Flächen im Frühling hin, die nach der Aussaat im Untersu-

chungsgebiet auftreten. Für die Landnutzungsklasse Shrubland nehmen die C-Faktoren ge-

genüber April auch leicht ab. Die Verteilungskurven der Fälle 2 und 3 spiegeln ebenfalls die

gleichen Dynamiken wieder, lediglich der Wertebereich der C-Faktoren ändert sich. Dies

wird durch die unterschiedliche Übertragung der ermittelten MESMA Entmischungsergebnis-

se auf die RUSLE Subfaktoren und deren Gleichungen bedingt. Der Einfluss des Kronenda-

ches auf die Berechnung des Kronendachbedeckungsfaktors (CC) ist linear (Formel 8). Der

Einfluss der Bodenbedeckung auf die Berechnung des Bodenbedeckungsfaktor (SC) hinge-

gen exponentiell (Formel 9). Für Fall 2 wird der Anteil der Kronendachbedeckung (Fc) durch

Kombination der MESMA Entmischungsanteile GV und NPV vergrößert, daraus resultieren

vornehmlich kleine CC Werte. Da die insgesamt geringen Anteile der funktionalen Material-

klasse Stein der Bodenbedeckung (Sp) zugewiesen werden, sind die Werte für SC überwie-

gend sehr hoch. Daraus ergeben sich C-Faktoren, die im Mittel im Vergleich zu den anderen

Ansätzen größer sind (s. Tabelle 4-10 und Tabelle 4-11). Für Fall 3 ergeben sich C-Faktor

Werte, die hingegen im Mittel sehr niedrig sind (s. Tabelle 4-10 und Tabelle 4-11). Hier

werden die funktionalen Anteile der Materialklassen NPV neben GV sowohl Fc als auch ne-

ben Stein Sp zugewiesen. Für diesen Ansatz berechnen sich neben niedrigen CC Werten

auch niedrige SC Werte, da der Anteil der Bodenbedeckung größer wird. Die Multiplikation

von CC, SC und den konstanten SR Werte ergibt als Konsequenz im Mittel niedrige C-Faktor

Werte.

Vergleich der Ergebnisse der kartierten C-Faktoren mit der Studie von de Asis und Omasa (2007)

Die Ergebnisse von de ASIS UND OMASA (2007) zeigen eine starken linearen Zusammenhang

(R=0.94) zwischen den aus den Entmischungsanteile der linearen spektralen Entmischung

über den empirischen Zusammenhang abgeleiteten C-Faktoren und den C-Faktoren, die

über die line-point-intercept Methode nach MORRISON ET AL. 1993 im Feld bestimmt wurden.

Der größte Teil der ermittelten C-Faktoren liegt in dem Wertebereich von 0.05 und 0.4.

DE ASIS UND OMASA (2007) verwendet für ihre Genauigkeitsanalyse nur den Pearson´sche


93

Produkt-Moment Korrelationskoeffizienten R als Gütemaß. Hierbei kann zwar der Grad der

Kollinearität zwischen gemessenen und simulierten Werten abgeleitet werden, jedoch ist das

Beurteilungsvermögen in Bezug auf das Modellverhalten nur begrenzt von Wert. Es wird

lediglich die lineare Beziehung zwischen den Variablen evaluiert. Der hohe Wert der Stei-

gung (0.90) und der niedrige Wert des Ordinatenabschnittes (0.06) lassen zwar auf ein gu-

tes Modellergebnis schließen, jedoch wird bei genauerer Betrachtung deutlich, dass der line-

are Zusammenhang stark von gut getroffenen hohen Wertepaaren beeinflusst wird. Niedrige

C-Faktor Werte der Referenzdaten werden ausschließlich in den simulierten Bilddaten über-

schätzt. Das Muster der akkumulierten Punktwolke ist deutlich zu erkennen und spiegelt die

Verteilung der Wertepaare der Landnutzungsklasse Shrubland in den Scatterplots wider.

Zieht man eine imaginäre 1:1 Linie (gestrichelte Linie) wird auch ein Trend mit zunehmen-

den Werten der C-Faktoren der Referenzdaten ersichtlich. Niedrige Werte werden tendenzi-

ell überschätzt, höhere Werte unterschätzt. Bis auf 2 Wertepaare liegen alle Datenpunkte

innerhalb der 20% - Fehlerbegrenzung (MAE) (gepunktete Linie). Der gemittelte MAE für die

in dieser Arbeit simulierten C-Faktoren liegt für alle Ansätze ebenfalls unter 0.20 (s. Tabelle

4-12). Die Ergebnisse der Referenzpunkte der Landnutzungsklasse Shrubland stimmen da-

mit für beide Aufnahmezeitpunkte mit den Ergebnissen von DE ASIS UND OMASA (2007) über-

ein. Des Weiteren ist der allgemeine Trend, der ebenfalls in der Residuenanalyse ermittelt

worden ist, mit den Ergebnissen von DE ASIS UND OMAS (2007) konsistent (s. Abbildung A-28

und Abbildung A-29).

Abbildung 4-14: Scatterplot aus DE ASIS UND OMASA (2007) zur graphischen Darstellung des linearen Zusammenhanges zwischen den simulierten (y-Achse) und gemessenen C-Faktoren (x-Achse). Das r=0.94 ist gleichbedeu-tend mit dem Bestimmtheitsmaß R²=0.88. Die 1:1 Linie (gestrichelte Linie) und die 20%-Fehlerbegrenzung (gepunktete Linie) sind nach-träglich für eine bessere Vergleichbarkeit eingefügt worden. (Quelle: DE ASIS UND OMASA 2007).

Vergleich der Ergebnisse der kartierten C-Faktoren mit den verwendeten C-Faktoren in FRANCKE (2009) zur Parametrisierung des WASA-SED Modells

Der Vergleich der Mittelwerte der nach unterschiedlichen Ansätzen ermittelten C-Faktoren

der Landnutzungsklassen Ackerfläche, Shrubland und Badland mit denen im WASA-SED


94

Modell verwendeten konstanten, aus der Literatur abgeleiteten C-Faktoren durch FRANCKE

(2009) macht deutlich, dass große Unterschiede bestehen (s. Tabelle 4-14). Der von FRANCKE

(2009) genutzte C-Faktor Wert für die Landnutzungsklasse beträgt 0.25, die ermittelten C-

Faktoren der vorliegenden Arbeit liegen bis auf Fall 2 deutlich darunter. Die Analyse der

Verteilungskurven und der Mittelwerte der C-Faktoren der Landnutzungsklasse Ackerfläche

hat ergeben, dass die Werte der C-Faktoren durch den zunehmenden Anteil von trockener

Vegetation ansteigen, das Bodenerosionspotential sinkt also. Es bleibt zu untersuchen, ob

der mittlere C-Faktor nach August steigt und sich damit dem in FRANCKE (2009) verwendeten

angleicht, wenn zu einem späteren Zeitpunkt im Jahr die Strohauflage der Ackerflächen

entfernt und anschließend gepflügt wird und damit offenliegende Bodenoberflächen zuneh-

men. Der konstante Wert überschätzt jedoch die vorherrschende Bodenerosion. Der C-

Faktor Wert für Shrubland wird mit 0.031 deutlich unterschätzt. Der sehr kleine C-Faktor

deutet auf hohe Vegetationsanteile und damit geringes Bodenerosionspotential hin. Die Er-

gebnisse dieser Arbeit zeigen hingegen, dass die räumlich hoch variable Landnutzungsklasse

Shrubland durch das kleinräumige Mosaik aus vegetationsbedeckten und offenliegenden

Bereichen ein deutliches höheres Bodenerosionspotential besitzt, welches im jahreszeitlichen

Verlauf in seiner Größenordnung stabil bleibt. Die Landnutzungsklasse Badland wird in der

Modellparametrisierung nicht mit berücksichtigt. Jedoch zeigt diese Landnutzungsklasse

ebenfalls kleinräumige Vegetationsdynamiken und damit temporale Änderungen des C-

Faktors. Des Weiteren zeigen die Badlandflächen insgesamt ein hohes Bodenerosionspoten-

tial im jahreszeitlichen Verlauf und untermauern damit ihre Notwendigkeit der Einbeziehung

in das Erosionsmodell. Unabhängig von den unterschiedlichen Wertebereichen, fließt die

ermittelte temporale Variabilität der C-Faktoren der untersuchten Landnutzungsklassen

durch die Verwendung konstanter Werte in FRANCKE (2009) nicht in das Modellergebnis ein.

Dabei bietet der Algorithmus des WASA-SED Modells die Möglichkeit die Änderung des phä-

nologischen Verlaufs des Vegetationsbestandes durch vier Zeitvariabeln zu simulieren (s.

Kapitel 2.4.2). Es ist zu überprüfen, inwieweit sich die temporale Variabilität und die in die-

ser Arbeit ermittelten C-Faktoren für die Landnutzungsklassen Shrubland, Ackerfläche und

Badland auf das Modellergebnis auswirken.

Tabelle 4-14: Vergleich der Mittelwerte (MW) der nach unterschiedlichen Ansätzen ermittelten C-Faktoren der Landnutzungsklassen Ackerfläche, Shrubland und Badland mit den im WASA-SED Modell verwendeten konstanten, aus der Literatur abgeleiteten C-Faktoren durch. (Quelle: FRANCKE 2009).

C-FAKTOR

DE ASIS UND

OMASA (2007)

RUSLE

1

RUSLE

2

RUSLE

3

FRANCKE

(2009)

MW MW MW MW MW

APRIL AUGUST APRIL AUGUST APRIL AUGUST APRIL AUGUST KONSTANT, LITERATUR

Ackerflächen 0.11 0.10 0.16 0.11 0.22 0.20 0.15 0.07 0.250

Shrubland 0.17 0.15 0.11 0.16 0.17 0.25 0.09 0.14 0.031

Badland 0.53 0.58 0.26 0.41 0.26 0.50 0.25 0.40 X


95

Die Güte der MESMA Entmischungsergebnisse, also die realistische Simulation von quantita-

tiven Anteilen der funktionalen Materiaklassen GV, NPV, Boden und Stein, ist entscheidend

für eine hinreichende Modellierung der C-Faktoren der untersuchten Landnutzungsklassen

Shrubland, Badland und Ackerflächen. Beispielsweise resultieren die stark überschätzten

Bodenanteile der heterogenen Landnutzungsklasse Shrubland beider Bilddatensätze in über-

schätzten C-Faktoren. Die überschätzten NPV Anteile der Badlandflächen im Aprilbilddaten-

satz modellieren unterschätzte C-Faktoren. Eine Einschätzung des relativen Fehleranteils der

Einzelkomponenten der Prozesskette am Gesamtergebnis wird in Kapitel 4.5 näher erläutert.

Nach der Methode von DE ASIS UND OMASA (2007) konnten keine sehr niedrigen und sehr ho-

hen C-Faktoren differenziert dargestellt werden. Die Vertielung der C-Faktoren spiegelt je-

doch generell die naturräumliche Vegetationsdynamik wider. Die besten Resultate erzielte

die Übertragung der Entmischungsergebnisse auf die Variablen der RULSE Subfaktoren,

wenn GV der Kronendachbedeckung (Fc) und NPV und Stein zusammen der Bodenbede-

ckung (Sp) zugewiesen wurden. Die mittlere Oberflächenrauigkeit (Ru) und die Vegetations-

höhe (H) sind dabei die kritischsten Variablen. Die Einbeziehung der Oberflächenrauigkeit in

die Berechnung des RUSLE C-Faktors erfolgte durch konstante Literaturwerte und kann

nicht aus den MESMA Entmischungsergebnisse abgeleitet werden. Die Vegetationshöhen

spiegeln nur den Vegetationsbestand im August wider. Die Verwendung der gleichen Über-

tragungsvorschrift der MESMA Ergebnisse auf die Variablen der Subfaktoren der RUSLE für

einen anderen Landschaftsausschnitt wird als kritisch bewertet. Andere Naturräume können

abweichende Verteilungen von GV und NPV innerhalb des Vegetationsbestandes aufweisen.

Insgesamt zeigen die ermittelten C-Faktoren vergleichbare Ergebnisse mit der Studie von DE

ASIS UND OMASA (2007). Die modellierten C-Faktoren weichen deutlich von den bisher in die-

sem Landschaftsraum in der Literatur verwendeten mittleren jährlichen Werten für die C-

Faktoren ab. Es ist zu überprüfen, inwieweit sich die temporale Variabilität der neu berech-

neten C-Faktoren auf die Modellergebnisse des WASA-SED Modells auswirkt.

4.4 Analyse der räumlich-zeitlichen Änderung der Bodenbedeckungsgrade im Untersuchungsgebiet

Die sich an den Hauptteil dieser Arbeit anschließende Analyse der räumlich-zeitlichen Ände-

rung der Bodenbedeckungsgrade im Untersuchungsgebiet versucht die durch die MESMA

Entmischung bestimmten quantitativen Anteile der funktionalen Materialklassen GV, NPV,

Boden und Stein landnutzungsdifferenziert im betrachteten Landschaftsausschnitt grob ein-

zuordnen. Die Vegetationsbedeckung reduziert das Bodenerosionspotential durch Schutz vor

auftreffenden Regentropfen, erhöht die Bodeninfiltrationsraten, reduziert die Geschwindig-

keit des Oberflächenabflusses, bindet den Boden mechanisch, hält die Oberflächenrauigkeit

aufrecht und verbessert die physikalischen, chemischen und biologischen Eigenschaften des

Bodens (BAVER 1956). Damit stellt das Verständnis der zeitlichen Dynamik auftretender Bo-

denbedeckungsgrade innerhalb verschiedener Landnutzungsklassen einen wichtigen Beitrag

zur methodischen Verbesserung von Bodenerosionsmodellen dar.

Fazit


96

Im Anhang A.1 sind in der Abbildung A-17die zeitlichen Änderungen zwischen April und Au-

gust 2011 der dominanten EM für einen Raumausschnitt abgebildet. Die stabilen Landnut-

zungsklassen Boden und Stein werden zusammengefasst. Die Darstellung beinhaltet die

zeitliche Änderung von bedeckten zu offenen Flächen und umgekehrt. Dabei wird „bedeckt“

in grüne (GV) und trockene Vegetation (NPV) untergliedert. Tabelle 4-15 zeigt den prozen-

tualen Flächenanteil der jeweiligen Änderungsgruppen. 20.3% der gesamten Bildfläche ver-

ändert sich zu grüner Vegetation, wobei besonders die Flächen, die vorher durch trockene

Vegetation dominiert worden sind, im August grüne Vegetationsbestände aufweisen. Zu

gleichen Flächenanteilen zeigt das Untersuchungsgebiet sowohl einen Wechsel von Boden

und Stein dominierten Flächen (4.3%) als auch von grüner Vegetation dominierten Flächen

(4.5%) zu trockener Vegetation. Einen Rückgang von trockener und grüner Vegetation und

anschließendes Auftreten unbedeckter Bereiche ist nur auf 6.4% der Bildfläche auszuma-

chen. Das überwiegende Gebietsareal bleibt im jahreszeitlichen Verlauf stabil (39.3%).

Tabelle 4-15: Zeitliche Änderung der dominanten EM zwischen April und August 2011. Die zu 100% fehlenden Angaben setzten sich aus den nicht klassifizierten Bildflächen (20.8%) und der zeitlichen Veränderung zwischen Stein zu Boden und umgekehrt (4.42%) zusammen. Diese Änderung wird nicht der natürlichen Dynamik des Naturraumes zuge-schrieben, sondern basiert auf fehlerhaften Entmischungsergebnissen und wird aufgrund dessen nicht angegeben. (Quelle: Eigene Darstellung 2013).

ZEITLICHE ÄNDERUNG DER FLÄCHENANTEILE DER DOMINANTEN EM ZWISCHEN APRIL UND AUGUST 2011 IN [%]

Veränderung zu GV 20.3

Boden/Stein zu GV 4.7

NPV zu GV 15.6

Veränderung zu NPV 8.8

Boden/Stein zu NPV 4.3

GV zu NPV 4.5

Veränderung zu Boden/Stein 6.4

NPV zu Boden/Stein 4.1

GV zu Boden/Stein 2.3

Keine Veränderung 39.3

Im Anhang A.1 sind die zeitlichen Änderungen zwischen April und August 2011 der quantita-

tiven Anteile der funktionalen Materialklasse GV, NPV, Boden und Stein für einen Raumaus-

schnitt abgebildet (Abbildung A-9; Abbildung A-10; Abbildung A-11; Abbildung A-12). Die

kontinuierliche Farbskala verläuft von grün zu rot, wobei eine grüne bis orangene Farbge-

bung eine Zunahme des Anteils, eine orangene bis rote Farbgebung eine Abnahme des An-

teils darstellt. Tabelle 4-16 quantifiziert die zeitliche Zu- oder Abnahme der Anteile der funk-

tionalen Materialklassen bezogen auf die jeweilige Landnutzungsklasse in Prozent.


97

Tabelle 4-16: Zeitliche Änderung der quantitativen Anteile der funktionalen Materi-alklassen GV, NPV, Boden und Stein zwischen April und August 2011. Positive Werte kennzeichnen eine Abnahme des Anteiles, negative Werte eine Zunahme. (Quelle: Eigene Darstellung 2013).


FLÄCHENANTEIL [%]

MW [%] MW [%] MW [%] MW [%]

Shrubland -0.18 0.13 -0.02 0.06 48.5

Laubwald -0.57 0.63 0.02 0.04 7.5

Nadelwald -0.08 0.14 -0.04 -0.01 27.8

Wiese/Weide -0.11 0.04 0.07 0.02 7.6

Ackerflächen 0.39 -0.43 0.01 0.02 5.1

Offener Boden -0.01 -0.01 -0.13 0.17 1.1

Badland -0.07 0.07 -0.08 0.11 2.2

Anstehendes Gestein -0.01 0.02 -0.16 0.16 0.2

Der Anteil der grünen Vegetation zwischen April und August nimmt außer auf der Landnut-

zungsklasse Ackerfläche auf allen vegetationsbedeckten Landnutzungsklassen zu. Das be-

trifft insbesondere auf die sommergrünen Laubwaldbestände im östlichen Teil des Untersu-

chungsgebietes, die im Frühjahr ausschließlich verwelkte Blätter im Kronendach aufweisen,

im August hingegen durch grüne und vitale Blattbestände gekennzeichnet sind.

Abbildung 4-15: Die Landnutzungsklasse Nadelwald im April (2011). Offenes Kronendach und sichtbare Bodenbedeckung aus grüner und trockener Vegetation und Bodenanteilen. (Quelle: BROSINSKY 2011).

Die Nadelwaldbestände weisen nur eine geringe Zunahme des GV-Anteils auf, bedingt durch

ihren immergrünen Charakter. Hingegen nimmt der Anteil der trockenen Vegetation zuguns-

ten eines erhöhten Boden- und Steinanteils ab. Die Änderungen sind vermutlich der Vegeta-

tionsdynamik der Bodenoberfläche zuzuschreiben. Die Nadelwaldflächen zeigen z.T. einen


98

spärlichen Bewuchs innerhalb ihrer Bestandsflächen mit sichtbarer Bodenbedeckung aus

grüner und trockener Vegetation und Bodenanteilen (s. Abbildung 4-15). Die Zunahme der

grünen Vegetation auf der Landnutzungsklasse Shrubland (18%) geht einher mit einer Ab-

nahme der trockenen Vegetation (13%). Die totale Vegetationsbedeckung bleibt damit im

jahreszeitlichen Verlauf konstant. Die Landnutzungsklasse Wiese/Weide zeigt insgesamt eine

Zunahme der vegetationsbedeckten Flächen. Die an den flachen Unterhängen und stabilen

Bereichen der Badlandflächen anzutreffende Vegetationsbedeckung entwickelt sich im jah-

reszeitlichen Verlauf ebenfalls zu einem grünen Pflanzenbestand, der Anteil der trockenen

Vegetation nimmt ab (s. Abbildung 4-16).

Abbildung 4-16: Die Landnutzungsklasse Badland im August (2011). Vegetationsbe-deckte Bereiche am Unterhang und auf stabilen Flächen. (Quelle: BAUER 2011)

Abbildung 4-17: Die Landnutzungsklasse Ackerfläche im August (2011). Trockene Ve-getationsreste als organische Auflage der Bodenoberfläche (Quelle: BROSINSKY 2011).


99

Die grünen Fruchtbestände der Ackerflächen im April reduzieren die Photosyntheseleistung

zum Ende ihres phänologischen Zyklus im August. Die Abnahme des GV und Zunahme des

NPV-Anteils wird jedoch vornehmlich durch die Detektion trockener Pflanzenstreu, die nach

der Ernte einen Teil der Ackerflächen als organische Auflage bedeckt, beeinflusst (s. Abbil-

dung 4-17). Bei den offenliegenden Landnutzungsklassen Offener Boden und Anstehendes

Gestein sind Zu- und Abnahmen in den funktionalen Materiaklassen Boden und Stein abzu-

lesen. Diese Änderung wird nicht der natürlichen Dynamik des Naturraumes zugeschrieben,

sondern basiert auf fehlerhaften MESMA Entmischungsergebnissen (s. Kapitel 4.1.2).

In nicht bewässerten Trockengebieten wird das pflanzenverfügbare Wasser primär aus Nie-

derschlägen gebildet. Das Pflanzenwachstum ist daher in erster Linie durch das verfügbare

Wasser limitiert. In Tabelle 4-17 sind die Jahressummen des Gesamtniederschlages in [mm]

ausgewählter offizieller Messstationen im Ebro Wassereinzugsgebiet für den Zeitraum von

2009-2012 dargestellt. Abbildung A-23 veranschaulicht die räumliche Lage der Messstatio-

nen und fasst die jeweiligen Monatssummen in Niederschlagsdiagrammen zusammen. Die

Messstation Chordal liegt innerhalb des Untersuchungsgebietes. Die mittlere Jahressumme

für alle aufgelisteten Messstationen im Jahr 2011 liegt unter dem Jahresdurchschnitt

(767mm) (LÓPEZ-TERAZON 2011). 2011 ist insgesamt trockener als die vorangegangenen Jah-

re.

Tabelle 4-17: Jahressumme [mm] des Gesamtniederschlages ausgewählter offiziel-ler Messstationen im Ebro Wassereinzugsgebiet für den Zeitraum 2009-2012. (Quelle: Eigene Darstellung 2013).

GESAMTJAHRESNIEDERSCHLAG HÖHE 2009 2010 2011 2012

NIEDERSCHLAGSSTATION [M Ü. NN] [mm] [mm] [mm] [mm]

Campo 691 932 1038 660 668

Las Paules 1435 978 1161 726 802

Calvera 1213 X 934 707 X

Chordal 1341 242 838 709 675

Capella 523 618 693 493 471

Bei der Betrachtung der zeitlichen Veränderung der Bedeckungsgrade ist eine starke Abhän-

gigkeit von Phänologie und Wuchsbedingungen in der entsprechenden Vegetationsperiode

erkennbar. Während der Vegetationsbestand auf den Ackerflächen bereits im Frühling grün

und vital ist, zeigen weniger gestörte Standorte eine Zunahme des GV-Anteils erst zum

Sommer hin. Der relativ feuchte März (75.60mm) und die generell im Frühling auftretenden

Niederschlagsereignisse mit hohen Intensitäten (LÓPEZ-TERAZÓN 2011) können die grünen

und vitalen Fruchtbestände im April erklären. Die Niederschlagsmaxima im Isábena Einzugs-

gebiet treten allerdings von Mai bis Juni auf (75-90mm) (LÓPEZ-TERAZÓN 2011). Die mittleren

Niederschlagssummen für den Monat August sind zusätzlich für das Jahr 2011 höher als für

das Jahr 2010. Zwischen dem 01.07.2011 und dem Tag der Überfliegung am 09.08.2011

wurden fünf Niederschlagsereignisse mit mittleren Niederschlagsummen (ca. 11mm) an der

Messstation Chordal gemessen. Zusammen betrachtet können die eben genannten Nieder-


100

schlagsbedingungen vor der zweiten Flugkampagne im August den Anstieg des GV-Anteils

auf weniger gestörten Standorten erklären. Für eine detailliertere Analyse der Vegetations-

dynamik im Untersuchungsgebiet müssen allerdings weitere Faktoren, wie bspw. Tempera-

tur, Lichtverhältnisse, Artenzusammensetzungen, spezielle Pflanzeneigenschaften, Boden-

wasserhaushalt, anthropogener Einfluss und die Lage der Vegetation innerhalb des Reliefs

mit einbezogen werden.

4.5 Analyse der möglichen Fehlerquellen

Die Analyse der möglichen Fehlerquellen soll eine Einschätzung über die relativen Fehleran-

teile der Einzelkomponenten der Prozesskette am Gesamtergebnis geben und versucht mög-

liche Fehlerfortpflanzungen einzuordnen. Eine graphische Zusammenfassung gibt Abbildung

4-18.

Abbildung 4-18: Graphische Darstellung des relativen Fehleranteils der Einzelkompo-nenten der entwickelten Prozesskette am Gesamtergebnis. (Quelle: Ei-gene Darstellung 2013).

Das Gesamtergebnis ist stark abhängig von der Güte der MESMA Entmischungsergebnisse.

Diese wird durch eine Vielzahl von internen und externen Faktoren beeinflusst. Die Auswahl

repräsentativer EM für den Entmischungsprozess ist dabei der empfindlichste Schritt. Der

entwickelte 3-Stufen-Ansatz (s. Abbildung 3-9) und die Verwendung von Bild-EM konnten

viele Unsicherheiten minimieren. Die geeignete Auswahl repräsentativer EM für grüne Vege-

tation modelliert hohe Genauigkeiten. Auch die EM NPV und Boden konnten insbesondere

für den Augustbilddatensatz sicher getrennt werden. Die Trennung von Boden und Stein war

hingegen für keinen der beiden Bilddatensätze zulässig möglich. Durch die hohe spektrale

Variabilität der Erdoberfläche bedarf es einer Generalisierung der EM, indem nur ein gerin-


101

ger Anteil dieser Variabilität berücksichtigt wird. Schlechtere Entmischungsergebnisse müs-

sen in Kauf genommen werden. Die Entscheidung über die Auswahlstrategie der Modellprio-

risierung ist ein weiterer wichtiger Einflussfaktor. In dieser Arbeit wird der RMSE als Gütekri-

terium gewählt. Das Modell mit dem kleinsten RMSE wird priorisiert. In der Folge werden

fast 80% der Bildfläche durch 4-EM modelliert. Da in der Literatur vergleichbare Land-

schaftsausschnitte vorwiegend mit 3-M modelliert werden (POWELL 2006; HALLIGAN 2002) und

mit steigender Modellkomplexität vorwiegend kleine RMSE Werte berechnet werden (OKIN ET

AL. 1999; OKIN ET AL. 2001), müssten andere Auswahlstrategien getestet werden, um ein

ausschließlich mathematisches Problem zu identifizieren. Wie in vielen anderen Ansätzen zur

spektralen Entmischung wird auch in dieser Arbeit eine Schattenkomponente als zusätzliches

EM integriert. Oftmals entspricht die ermittelte Schattenabundanz nicht dem Schattenanteil,

sondern dient der mathematischen Optimierung der Lösung (BACHMANN 2007, S.170). Den-

noch sind die ermittelten MESMA Entmischungsergebnisse, insbesondere im Vergleich mit

den anderen wissenschaftlichen Studien, die den spektralen Mischungsansatz gewählt ha-

ben, als zulässig einzuordnen. Die hohe räumliche Variabilität des komplexen mediterranen

Landschaftsraumes kann durch die gewählte Modellparametrisierung modelliert werden. Den

nicht-linearen Mischungseffekten, dem lokalen Einfallswinkel und der Datenskalierung wird

nur ein geringer Einfluss auf das Entmischungsergebnis zugeordnet. Nicht-lineare Mi-

schungsprozesse sind Ursache für die Überschätzung der grünen Vegetation während eines

Entmischungsvorganges (OKIN ET AL. 2001). Der Effekt kann für diese Arbeit durch die gute

Schätzung des GV-Anteils nicht bestätigt werden. Ein niedriger lokaler Einfallswinkel unter-

schätzt niedrige Boden- und Steinanteile auf vegetationsbedeckten Landnutzungsklassen.

Da die Ergebnisvalidierung beider Bilddatensätze eher einen umgekehrten Trend aufweist,

wird der Einfluss des lokalen Einfallswinkels als gering eingeschätzt. Der Fehler durch die

Datenskalierung schwankt ±5% absolut.

Eine Überschätzung der quantitativen Anteile wirkt sich direkt auf die Ergebnisse der C-

Faktor Berechnung auf. Überschätzte Bodenanteile der Landnutzungsklasse Shrubland resul-

tieren in überschätzten C-Faktoren für alle verwendeten Ansätze für beide Zeitpunkte. Eben-

falls werden die C-Faktoren der Badlandflächen im April aufgrund eines überschätzten NPV-

Anteils unterschätzt. Der Grad der Über-oder Unterschätzung hängt dabei vor allem von

dem verwendeten Ansatz der Übertragung der Entmischungsergebnisse auf den C-Faktor

ab. Während der Gleichungsaufbau von DE ASIS UND OMASA (2007) das einfache Verhältnis

von offenen Bodenoberflächen zu Bodenbedeckung darstellt, ist die Berechnung des RUSLE

C-Faktors sehr komplex. Überschätzte Steinanteile zugunsten unterschätzter Bodenanteile

gehen zu beiden Teilen in den empirischen Zusammenhang von DE ASIS UND OMASA (2007)

ein, während bei der Übertragung auf die Variablen der Subfaktoren der RUSLE nur die

überschätzen Steinanteile den Ergebnisfehler beeinflussen. Die Einbeziehung verschiedener

Größen in die Berechnung des RUSLE C-Faktors kann nicht allein durch die MESMA Ent-

mischungsergebnisse erfüllt werden. Es müssen Literaturwerte herangezogen werden, die

zusätzlich das Gesamtergebnis beeinflussen können.

Die Qualität thematischer Fernerkundungsprodukte wird maßgeblich durch die Qualität


102

der Daten selbst bestimmt. (BACHMANN 2007, S.95). Die Ergebnisvalidierung der MESMA

Entmischungsergebnisse und der C-Faktoren beeinflussen vor allem die Qualität der Refe-

renzdaten und die gewählte Übertragungsvorschrift der Referenzdaten auf die Bilddaten.

Der mittlere Fehler der im Gelände geschätzten Bedeckungsgrade liegt bei ca. ±10%. Ein-

zelne Messgenauigkeiten können durchaus im Bereich von ±20% absolut liegen. Darüber

hinaus erschwerten die Witterungsbedingungen im April die repräsentative Schätzung für

den beprobten Zeitraum. Die Bestimmung der C-Faktoren aus den in Nadir aufgenommenen

Fotos war ebenfalls unsicher. Die Betrachtung der Bezugsgröße der Bildreferenz ist von be-

sonderer Bedeutung, wenn Fernerkundungsdaten mit den Bodenreferenzdaten korreliert

werden sollen (VGL. TUCKER 1977; CURRAN 1983). POWELL ET AL. (2007) zeigen in ihrer Studie

einen steigenden linearen Zusammenhang mit zunehmender Bezugsgröße der Bildreferenz.

Der Einfluss der Wahl der Bezugsgröße auf die Ergebnisvalidierung wird als groß einge-

schätzt. RICHTER ET AL. (2012) sehen die verwendeten Gütemaße RMSE und R² als „optimale“

statistische Gütemaße für die Validierung von aus Fernerkundungsdaten abgeleiteten bio-

physikalischen Variablen. Dennoch müssen die Ergebnisse mit Hilfe einer Kombination aus

mehreren Qualitätsmaßen interpretiert werden. Der genaue Einfluss der fehlerhaften Flug-

streifen kann nicht evaluiert werden. Da die räumliche Ausdehnung nur sehr gering ist (s.

Abbildung 4-3 und die Ergebnisse insgesamt hinreichend interpretiert werden können, wird

der Einfluss, bis auf die fehlerhafte räumliche Darstellung in der Ergebnisauswertung, als

gering eingeschätzt.

Der relative Fehleranteil Landnutzungsklassifikation auf das Gesamtergebnis wird insgesamt

als gering beurteilt. Die Gesamtgenauigkeit von 88% ist für die weitere landnutzungsdiffe-

renzierte Analyse der MESMA Entmischungsergebnisse und der berechneten C-Faktoren

zulässig. Der Klassifikator SVM ist hinsichtlich des Klassifikationsergebnisses für diesen An-

satz gut geeignet. Die hohe spektrale Variabilität der Landnutzungsklasse und die Qualität

der Referenzdaten beeinflusst das Klassifikationsergebnis.

Schlussfolgerung und Ausblick

103

5 Schlussfolgerung und Ausblick

Übergeordnetes Ziel dieser Arbeit war die Entwicklung einer Methodik zur Ableitung räumlich

hochaufgelöster C-Faktor-Karten für zwei verschiedene Zeitpunkte (April, August 2011) als

Eingangsparameter für die Erosionsmodellierung in zwei Teileinzugsgebieten des Flusses

Isábena im semi-humiden Nordostspanien. (a) Die hohe Variabilität des komplexen Land-

schaftsraumes konnte durch den spektralen Entmischungsansatz MESMA gut modelliert

werden. Dabei wurden Landnutzungsklassen mit hohem Vegetationsanteil mit höherer Ge-

nauigkeit entmischt als solche mit niedrigem Vegetationsanteil. Das Entmischungsergebnis

wird vornehmlich durch die spektrale Variabilität natürlicher Oberflächen dominiert. Da in

der Praxis nicht alle auftretenden Pflanzenarten, deren Zustände sowie Bestandparameter

über die Wahl repräsentativer EM abgedeckt werden können, bedarf es einer Generalisie-

rung der EM, die nicht die gesamte Variabilität mitberücksichtigen kann. Darüber hinaus

muss die Anzahl der EM der endgültigen Bibliothek möglichst gering gehalten werden, da

die Computerleistung mit steigender Anzahl der EM exponentiell sinkt. Ungenauigkeiten im

Entmischungsergebnis müssen hingenommen werden. Dennoch sind die ermittelten MESMA

Entmischungsergebnisse durch die Vergleichbarkeit mit anderen Studien, die den spektralen

Mischungsansatz gewählt haben, als zulässig einzuordnen. Insbesondere die guten Ergeb-

nisse für die Entmischung der grünen Vegetationsanteile. (b) Die Verwendung hyperspektra-

ler Bilddatensätze ermöglicht also die Differenzierung photosynthetisch aktiver von photo-

synthetisch nicht-aktiver Vegetation. Grüne und trockene Vegetation schützt den Boden zu

gleichen Teilen vor Abtrag. Die Berücksichtigung beider Vegetationskomponenten verbessert

die Abbildung der tatsächlich auftretenden räumlichen Vegetationsdynamik im Untersu-

chungsraum. Das kontinuierlich detektierte Spektrum vom sichtbaren bis zum kurzwelligen

Infrarot weist darüber hinaus die relevanten Absorptionsmerkmale für eine Trennung von

trockener Vegetation und Boden, und Boden von Gestein auf. Trockene Vegetation und Bo-

den konnten nur teilweise sicher voneinander getrennt werden. Die Trennung von Boden

und Stein war hingegen für keinen der beiden Bilddatensätze zulässig möglich. Insgesamt

wurden höhere Genauigkeiten für den Augustbilddatensatz ermittelt. Die repräsentative

Schätzung für den beprobten Zeitraum im April wurde durch die Witterungsbedingungen

erschwert. Die Vegetationsbedeckung reagiert sensitiv auf die häufig im April auftretenden

Niederschläge und ist damit zeitlich sehr variabel. Die Ungenauigkeiten in der Ergebnisvali-

dierung deuten zwar auf ein schlechtes Modellergebnis hin, sind aber nicht gleichbedeutend

mit einer unzureichenden Abbildung der tatsächlichen räumlichen Gegebenheiten.

Die detaillierte Kartierung der Landbedeckung und Separierung verschiedener Vegetations-

typen ist entscheidend für die Erosionsmodellierung, da verschiedene Vegetationstypen un-

terschiedliche Sedimentationsraten generieren. (c) Durch die Verwendung der spektralen

Information des bitemporalen Bilddatensatzes konnten acht Landnutzungsklassen abgeleitet

werden. Landschaftstypen mit hoher homogener Vegetationsbedeckung und temporaler

Vegetationsdynamik konnten mit besseren Herstellergenauigkeiten klassifiziert werden. Hin-

gegen zeigten Klassen mit hohen Boden- und Steinanteilen oftmals Verwechslungen mit

anderen Landnutzungsklassen, vorrangig mit dem stark heterogenen Landnutzungstypen

Shrubland. Die spektrale Variabilität von Shrublandflächen konnte z.T. nicht durch den GSD

Schlussfolgerung


104

von 4m erfasst werden. Die resultierenden Mischpixel beeinflussen eine sichere Klassentren-

nung. Die höchste Gesamtgenauigkeit erzielte die Klassifikation aus Basis der fusionierten

und transformierten Bilddatensätze (88%). (d) Eine Klassifikation ausschließlich auf den

Ergebnissen der MESMA Entmischung, d.h. merkmalsbasiert und mit reduzierter Bandan-

zahl, führte zu einer reduzierten Gesamtgenauigkeit (69%). Die neue Information über die

quantitativen Anteile der funktionalen Materiaklassen GV, NPV, Boden ist gegenüber den

Informationen in den ursprünglichen Bilddatensätzen verringert worden. Die Fusionierung

der MESMA Entmischungsergebnisse mit den LIDAR Vegetationshöhen verbessert das Klas-

sifikationsergebnis. Da die neu generierten Informationen die hohe Datendimensionalität

hyperspektraler Bilddatensätze erheblich reduzieren, sind die Rechenzeiten wesentlich ver-

ringert. Möglicherweise können ergänzende Informationen (z.B. Vegetationsindices) die

Klassifikationsgenauigkeit verbessern. Der Klassifikator SVM ist hinsichtlich des Klassifikati-

onsergebnisses für diesen Ansatz gut geeignet.

Nach der Methode von DE ASIS UND OMASA (2007) konnten keine niedrigen und sehr hohen C-

Faktoren differenziert dargestellt werden. Die Verteilung der C-Faktoren spiegelt jedoch

generell die naturräumliche Vegetationsdynamik wider. (e) Der einfache empirische Zusam-

menhang kann für eine erste Einschätzung durchaus verwendet werden. Jedoch wird die

Genauigkeit der Ergebnisse stark durch die vereinfachten getroffenen Annahmen beein-

flusst, deren Übertragung nur z.T. auf das Untersuchungsgebiet zulässig ist. (f) Die besten

Resultate der räumlichen Ableitung des C-Faktors erzielte die Übertragung der Ent-

mischungsergebnisse auf die Variablen der Subfaktoren der RUSLE, wenn der grüne Vegeta-

tionsanteil der Kronendachbedeckung (Fc), der trockene Vegetationsanteil und Stein zu-

sammen der Bodenbedeckung (Sp) zugewiesen wurden. Die Übertragungsvorschrift auf an-

dere Landschaftsräume wird als kritisch angesehen. Die spezifische Verteilung von grüner

und trockener Vegetation innerhalb eines Vegetationsbestandes kann variieren. Die komple-

xe Berechnung des RUSLE C-Faktors kann nicht vollständig ausgenutzt werden. Der sehr

einflussreiche Parameter, die mittlere Oberflächenrauigkeit (Ru), muss aus der Literatur ge-

schätzt werden. Flächendeckende Vegetationsinformationen stehen in der Praxis auch nur

bedingt zur Verfügung. Innerhalb dieser Anwendung liefert die Modellparametrisierung al-

lerdings zulässige Ergebnisse. Die ermittelten C-Faktoren weichen deutlich von den bisher in

diesem Landschaftsraum in der Literatur verwendeten mittleren jährlichen Werten für die C-

Faktoren ab. Die entwickelte Prozesskette ermöglicht die Ableitung räumlich-zeitlich variab-

ler C-Faktoren für zwei Teileinzugsgebiete für drei Landnutzungsklassen, die die potentiellen

Hauptsedimentquellen im Untersuchungsgebiet darstellen (Shrubland, Badland und Acker-

fläche). Die Parametrisierung der Bedeckungsgrade im WASE-SED Erosionsmodell erfolgte

bisher über zeitlich konstante C-Faktoren aus der Literatur. Allerdings kann die Änderung im

phänologischen Verlauf des Vegetationsbestandes durch Zeitvariablen simuliert werden. Der

Einfluss der räumlich-zeitlichen Vegetationsdynamik des Untersuchungsgebietes auf das

Modellergebnis sollte getestet werden.

Die Fehleranalyse zeigt, dass viele Faktoren das Gesamtergebnis der entwickelten Prozess-

kette beeinflussen können. Dennoch zeigen die Resultate vergleichbare Genauigkeiten mit

anderen wissenschaftlichen Arbeiten. Insbesondere die umfangreiche in-situ Referenzdaten-


105

bank ermöglicht eine genaue Ergebnisvalidierung, die in anderen Studien oftmals vernach-

lässigt wird.

Da die Auswahl repräsentativer EM den kritischsten Schritt der MESMA Entmischung dar-

stellt, können neue Auswahlstrategien getestet werden, um die Genauigkeit der Schätzung

der quantitativen Anteile der funktionalen Materialklassen zu verbessern.

Für fernerkundliche Anwendungen stellt diese Arbeit eine Vorstudie für skalenübergreifende

Untersuchungen dar. Insbesondere die Übertragbarkeit der entwickelten methodischen An-

sätze auf die Bilddatensätze der zukünftigen Satellitenmission EnMAP (Environmental Map-

ping and Analysis Program) sollte getestet werden. Der EnMAP Sensor bietet aufgrund sei-

nes hyperspektralen Charakters (über 200 Kanäle, Aufnahme im Wellenlängenbereich von

420-2450nm ) die Voraussetzung für die differenzierte Detektion von trockener und grüner

Vegetation, Boden und Gestein. Der gleiche Erdoberflächenausschnitt kann alle vier Tage

aufgenommen werden. Damit bietet die hohe temporale Auflösung des Sensors optimale

Vorrausetzungen für multitemporale Studien der Bedeckungsgrade. Die Herausforderung

liegt in der kleineren räumlichen Auflösung von 30x30m. Mit abnehmender räumlicher Auflö-

sung nimmt die Anzahl der Mischpixel zu, die eine Detektion repräsentativer EM erschwert.

Der Forschungsschwerpunkt sollte daher vermehrt auf die Identifikation geeigneter Aus-

wahlstrategien zur Lokalisierung repräsentativer EM aus Bilddaten mit niedriger räumlicher

Auflösung gelegt werden.

Für die Abfluss- und Erosionsmodellierung müssen vorherrschende Landschaftsmuster aus

vegetationsbedeckten und offenliegenden Flächen berücksichtigt werden. Die Ableitung

räumlich hochaufgelöster C-Faktoren im jahreszeitlichen Verlauf stellt eine Verbesserung

gegenüber den bisher verwendeten mittleren jährlichen Werten für C-Faktoren dar. Aller-

dings kann durch die zwei Zeitpunkte nicht der gesamte phänologische Zyklus mitberück-

sichtigt werden. Lokale, zeitlich sehr variable, sich ändernde Klimabedingungen haben auf

die Vegetationsbedeckung einen großen Einfluss. In nicht bewässerten Trockengebieten

wird das Pflanzen verfügbare Wasser primär aus Niederschlägen gebildet. Das Pflanzen-

wachstum ist daher in erster Linie durch das verfügbare Wasser limitiert. Veränderungen

zwischen den Zeitpunkten könnten als genereller Trend interpretiert werden, obwohl die

Vegetationsbedeckung des Aufnahmezeitpunktes eine Anomalie aufweist. Des Weiteren ist

zu überprüfen, ob der RUSLE C-Faktor die Bedeckungsgrade im Untersuchungsgebiet reprä-

sentieren und hinreichend Abfluss- und Erosionsprozesse modellieren kann. Die Gleichung

wurde durch Experimente auf standardisierten Flächen in den USA entwickelt und berück-

sichtigt nicht explizit den Oberflächenabfluss und individuelle Abtragungs- und Ablagerungs-

prozesse. Die mögliche Einbindung der zeitlichen Vegetationsdynamik in Erosionsmodelle

über andere Verfahren (z.B. Verteilungskurven) ist zu erforschen.

Ausblick

Anhang

XIII

A Anhang

Anlagenverzeichnis

A.1 Erste Anlage - Kartendarstellungen ........................................................................................ XIV

A.2 Zweite Anlage – Weitere Abbildungen ................................................................................ XXXII

A.3 Dritte Anlage – Weitere Tabellen .......................................................................................... XLII

A.4 Vierte Anlage – Daten DVD .................................................................................................... XLIV

Erste Anlage - Kartendarstellungen

XIV

A.1 Erste Anlage - Kartendarstellungen

Abbildung A-1: Die Lage des Untersuchungsgebietes (roter Rahmen) im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien. (Quelle: Eigene Dar-stellung 2013).


XV

Abbildung A-2: Die Lithologie im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien. (Quelle: Eigene Darstellung 2013).


XVI

Abbildung A-3: MESMA Entmischungsergebnisse – Quantitative Anteile von GV, NPV, Boden und Stein im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nord-ostspanien (April 2011). (Quelle: Eigene Darstellung 2013).


XVII

Abbildung A-4: MESMA Entmischungsergebnisse – Quantitative Anteile von GV, NPV, Boden und Stein im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien (August 2011). (Quelle: Eigene Darstellung 2013).


XVIII

Abbildung A-5: MESMA Entmischungsergebnisse – Grad der Modellkomplexität und RMSE im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien (April & August 2011). (Quelle: Eigene Darstellung 2013).


XIX

Abbildung A-6: MESMA Entmischungsergebnisse – Dominante EM GV, NPV, Boden und Stein im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien (April 2011). (Quelle: Eigene Darstellung 2013).


XX

Abbildung A-7: MESMA Entmischungsergebnisse – Dominante EM GV, NPV, Boden und Stein im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien (August 2011). (Quelle: Eigene Darstellung 2013).


XXI

Abbildung A-8: Ergebnis der überwachten Landnutzungsklassifikation – Die Landnutzung im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien. (Quelle: Eigene Darstellung 2013).


XXII

Abbildung A-9: Räumlich-zeitliche Änderung des EM GV zwischen April und August 2011 im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien. (Quelle: Eigene Darstellung 2013).


XXIII

Abbildung A-10: Räumlich-zeitliche Änderung des EM NPV zwischen April und August 2011 im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien. (Quelle: Eigene Darstellung 2013).


XXIV

Abbildung A-11: Räumlich-zeitliche Änderung des EM Boden zwischen April und August 2011 im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien. (Quelle: Eigene Darstellung 2013).


XXV

Abbildung A-12: Räumlich-zeitliche Änderung des EM Stein zwischen April und August 2011 im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien. (Quelle: Eigene Darstellung 2013).


XXVII

Abbildung A-13: Kartierung des C-Faktors – C-Faktor Karte nach DE ASIS UND OMASA (2007) im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien (April 2011). (Quelle: Eigene Darstellung 2013).


XXVIII

Abbildung A-14: Kartierung des C-Faktors – C-Faktor Karte nach DE ASIS UND OMASA (2007) im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien (August 2011). (Quelle: Eigene Darstellung 2013).


XXIX

Abbildung A-15: Kartierung des C-Faktors – C-Faktor Karte nach RUSLE (RENARD ET AL. 1997) im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien (wenn GV auf Kronendachbedeckung Fc, NPV und Stein auf die Bodenbedeckung (Sp) übertragen werden) (April 2011).(Quelle: Eigene Darstellung 2013).


XXX

Abbildung A-16: Kartierung des C-Faktors – C-Faktor Karte nach RUSLE (RENARD ET AL. 1997) im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien (wenn GV auf Kronendachbedeckung Fc, NPV und Stein auf die Bodenbedeckung (Sp) übertragen werden) (August 2011). (Quelle: Eigene Darstellung 2013).


XXXI

Abbildung A-17: Räumlich-zeitliche Änderung der dominanten EM zwischen April und August 2011 im mesoskaligen, semi-humiden Einzugsgebiet des Flusses Isábena, Nordostspanien. (Quelle: Eigene Darstellung 2013).

Zweite Anlage – Weitere Abbildungen

XXXII

A.2 Zweite Anlage – Weitere Abbildungen

Abbildung A-18: Vergleich der modellierten Abundanzen und Referenzabundanzen der funktionalen Materi-alklassen GV, NPV, Boden und Stein nach Landnutzungstypen (April 2011): a) Scatterplot und Residuenanalyse der GV-Anteile, b) Scatterplot und Residuenanalyse der NPV-Anteile, c) Scatterplot und Residuenanalyse der Bodenanteile und d) Scatterplot und Residuenanalyse der Steinanteile. (Quelle: Eigene Darstellung 2013).


XXXIII

Abbildung A-19: Vergleich der modellierten Abundanzen und Referenzabundanzen der funktionalen Materi-alklassen GV, NPV, Boden und Stein nach Landnutzungstypen (August 2011): a) Scatterplot und Residuenanalyse der GV-Anteile, b) Scatterplot und Residuenanalyse der NPV-Anteile, c) Scatterplot und Residuenanalyse der Bodenanteile und d) Scatterplot und Residuenanalyse der Steinanteile. (Quelle: Eigene Darstellung 2013).


XXXIV

Abbildung A-20: Vergleich der modellierten Abundanzen und Referenzabundanzen der neuen zusammenge-fassten Klassen „bedeckt“ und „unbedeckt“ nach Landnutzungstypen (April und August 2011): a) Scatterplot und Residuenanalyse der GV-Anteile, b) Scatterplot und Residuenanalyse der NPV-Anteile, c) Scatterplot und Residuenanalyse der Bodenanteile und d) Scatterplot und Residuenanalyse der Steinanteile. (Quelle: Eigene Darstellung 2013).


XXXV

Abbildung A-21: Variabilität der Bedeckungsgrade nach Landnutzungstypen – Aufgenommene Bodentransekten im April (2011). (Quelle: Eigene Darstellung 2013).


XXXVI

Abbildung A-22: Variabilität der Bedeckungsgrade nach Landnutzungstypen – Aufgenommene Bodentransekten im August (2011). (Quelle: Eigene Darstellung 2013).


XXXVII

Abbildung A-23: Die räumliche Lage ausgewählter offizieller Messstationen. Darstellung der Niederschlags-diaramme für das Jahr 2010 und 2011. (Quelle: Eigene Darstellung 2013).


XXXVIII

Abbildung A-24: Darstellung der Verteilungskurven für die berechneten C-Faktoren nach DE ASIS UND OMASA (2007) nach Landnutzungsklasse. Die Werte 0 und 1 sind aus der Darstellung ausgeschlos-sen (Quelle: Eigene Darstellung 2013).

Abbildung A-25: Darstellung der Verteilungskurven für die berechneten C-Faktoren auf die Variablen der RUSLE Subfaktoren nach Landnutzungsklasse (Fall 1). (Quelle: Eigene Darstellung 2013).


XXXIX




XL

Abbildung A-28: Vergleich der modellierten C-Faktoren und Referenz C-Faktoren nach Landnutzungstypen (April 2011): a) Scatterplot und Residuenanalyse der der berechneten C-Faktoren nach DE ASIS UND OMASA (2007), b) Scatterplot und Residuenanalyse der berechneten C-Faktoren (Fall 1), c) Scatterplot und Residuenanalyse der berechneten C-Faktoren (Fall 2), und d) Scat-terplot und Residuenanalyse der berechneten C-Faktoren (Fall 6). (Quelle: Eigene Darstellung 2013).


XLI

Abbildung A-29: Vergleich der modellierten C-Faktoren und Referenz C-Faktoren nach Landnutzungstypen (August 2011): a) Scatterplot und Residuenanalyse der der berechneten C-Faktoren nach DE ASIS UND OMASA (2007), b) Scatterplot und Residuenanalyse der berechneten C-Faktoren (Fall 1), c) Scatterplot und Residuenanalyse der berechneten C-Faktoren (Fall 2), und d) Scatterplot und Residuenanalyse der berechneten C-Faktoren (Fall 6). (Quelle: Eigene Darstel-lung 2013).

Dritte Anlage – Weitere Tabellen

XLII

A.3 Dritte Anlage – Weitere Tabellen

Tabelle A-1: Ergebnisse der überwachten Landnutzungsklasse auf Basis verschiedener Datengrundla-gen. Hervorgehoben (grau) ist das beste Klassifikationsergebnis (Nr.3). Die X kennzeich-nen die verwendeten Dateninformationen der jeweiligen Bilddatensätze. (Quelle: Eigene Dar-stellung 2013).

Daten-

grundlage HKA9

(Reflektanz)

HKA (Continuum Removal)

MESMA Ent-mischungs-ergebnisse

LIDAR (Vegetationshöhe)

Overall Accuracy10

[%]

Kappa Koeffizient

1 APRIL X

84.97 0.80 AUGUST X

2 APRIL X

83.53 0.7808 AUGUST X

3 APRIL X X

87.99 0.8399 AUGUST X X

4 APRIL X X X X

85.99 0.8511 AUGUST X X X

5 APRIL X X

85.67 0.8077 AUGUST

6 APRIL

77.02 0.6238 AUGUST X

7 APRIL

82.75 0.7408 AUGUST X

8 APRIL X

68.82 0.5768 AUGUST X

9 APRIL X

71.05 0.6168 AUGUST X X

10 APRIL X X

82.68 0.7693 AUGUST X X

11 APRIL X X

83.76 0.7839 AUGUST X X

12 APRIL X X X

84.78 0.7968 AUGUST X X

9 HKA steht für Hauptkomponentenanalyse 10 Gesamtgenauigkeit (engl. overall accuracy)

Dritte Anlage – W

eitere Tabellen

XLIII

Ta

be

lle A

-2:

Üb

ersich

t d

er

Erg

eb

nisse

an

de

rer

wisse

nsch

aftlich

er

Pu

blik

atio

ne

n,

die

d

en

sp

ek

trale

n

En

tmisch

un

gsa

nsa

tz ve

rwe

nd

et h

ab

en

. (Quelle: Eigene D

arstellung 2013).

ERGEBNISSE

GV R²=0.83 (gleichmäßig)

NPV R²=0.25 (gleichmäßig)

Boden R²=0.79 (unterschätzt)

GV/NPV R²=0.85 (unterschätzt)

MAE=10.4

Versiegelte Fläche R²=0.85 (überschätzt) Bias=10.5 MAE=12.2

Boden R²=0.31 (unterschätzt) Bias=-5.8 MAE=10.0


MAE=10.4

Versiegelte Fläche R²=0.85 (überschätzt) Bias=10.5 MAE=12.2

Boden R²=0.31 (unterschätzt) Bias=-5.8 MAE=10.0


Boden R²=0.284 (unterschätzt)

13 PPI = Purest Pixel Index (BOARDMAN ET AL. 1995) 14 Nach der “line-point intercept sampling” Methode von MORRISON ET AL. 1993; Gesamtlänge: 60m 15 DE ASIS UND OMASA (2007) geben als Gütemaß r an, für einen besseren Vergleich wurde das Bestimmtheitsmaß R² berechnet 16Anteile wurden durch Bildsegmentierung berechnet 17 SMACC= Sequential Maximum Angle Convex Cone (GRUNINGER ET AL. 2004) 18 auf 10 Testflächen (25m x 25m) 19 R2 hat nur eine schwache Aussagekraft (10 Referenzpunkte) (µMESMA komb. Fehlermaß)

GÜTEMAß

R²15

Bias, MAE, R²

R²19, MAE

R²

VALIDIERUNGSGRUNDLAGE

Bodenreferenz: Bodendaten14

Bildreferenz: 2 Bildpixel (60x60m)

Bodenreferenz: Luftbildmosaik16 (Räumliche Auflösung: 1.5m)

Bildreferenz: 9 Bildpixel (270mx270m)

Bodenreferenz: Gitterrahmenmethode18

Bildreferenz: mit GPS verortete digitalisierte Polygone

Bodendaten: Gitterrahmenmethode

Bildreferenz: keine Angabe über die Bezugsgröße

SPEK. ENT-

MISCHUNGS-ANSATZ Lineare Entmischung

MESMA

µMESMA

Lineare Entmischung

LANDNUTZUNGS-KLASSEN

Immergrüner Se-kundärwald, Gras-land

Urbaner und sub-urbaner Raum

Ackerflächen, Shrubland, Gras-land, Anstehendes Gestein, offener Boden

Alpines Grasland, Shrubland, Anste-hendes Gestein, Gletscher, Wald, urbaner Raum

EM

Bildspektren (PPI13)

GV, NPV, Boden, Was-ser/Schatten

Bildspektren (PPI) Bo-denspektren Labor-spektren

GV, NPV, Boden, versiegel-te Fläche, Schatten

Bildspektren (SMACC17)

GV, NPV, Boden, Schatten

Bildspektren (PPI)

Vegetation, Boden, Was-ser/Schatten

DATENGRUNDLAGE

multispektral

Landsat ETM+ (30m)

multispektral

Landsat ETM+ (30m)

hyperspektral

HyMap (5m)

multispektral

Quickbird (2.4m)

UNTER-SUCHUNGS-GEBIET Lamesa EZG, Phillipinen

Manaus, Brasi-lien

Naturpark Cabo de Gata, Spanien

Urseren Tal, Zentralalpen, Schweiz

LITERATUR

DE ASIS UND OMASA (2007)

POWELL ET AL. (2007)

BACHMANN (2007)

MEUSBURGER ET AL. (2010)

Vierte Anlage – Daten DVD

XLIV

A.4 Vierte Anlage – Daten DVD

Die dritte Anlage beinhaltet eine Daten DVD und ist der Arbeit auf der letzten Seite angehef-

tet. Die DVD beinhaltet folgende Daten:

(1) Eine vorbereitete .mxd Datei für die kommerzielle Geoinformations Software ArcGIS

10.0 mit den räumlichen Darstellungen der berechneten Bodenbedeckungsgraden

mittels MESMA, den räumlich kartierten C-Faktoren nach dem Ansatz von DE ASIS

UND OMASA (2007) und dem ersten Fall der Übertragung der MESMA Entmischungs-

ergebnisse auf die RUSLE Subfaktoren, die Vegetationshöhen, den Ergebnissen der

räumlich-temporalen Änderungen der Bodenbedeckungsgraden und die Ergebnisse

der überwachten Landnutzungsklassifikation. Des Weiteren liegen der GIS Daten-

bank für die verbesserte Darstellung relevante Vektorgraphiken bei, sowie ein

Höhenmodell (25m).

(2) Das programmierte Skript der freien Statistiksoftware R für die statistische Aufbe-

reitung der Ergebnisse.

(3) Die Sammlung der Abbildungen, die in dieser Arbeit verwendet werden.

(4) Die Exceltabellen der Auswertung

Literaturverzeichnis

XLV


ADAMS, J. B., SMITH, M. O. & JOHNSON, P. E. (1986): Spectral mixture modelling: a new analysis of rock and soil types at the Viking Lander 1 Site. IN: Geophysical Research, Bd. 91 (8), S. 098–112.

ADAMS, J. B., SMITH, M. O. & GILLESPIE, A. R. (1993): Imaging spectroscopy: Interpretation based on spectral mixture analysis. IN: Pieters, C. M. & Englert P. A. J. [Hrsg.]: Re-mote geochemical analysis: Elemental and mineralogical composition, S. 145–166.

AIRBORNE RESEARCH AND SURVEY FACILITY (ARSF) (2011): Hyperspectral Data Report pp.12 ANYS, H., BONN, F. & MERZOUK, A. (1994): Remote sensing and GIS based mapping and mod-

eling of water erosion and sediment yield in a semi-arid watershed of Morocco. IN: Geocarto International, Bd. 9, S. 31–40.

APPEL, K. (2006): Characterisation of badlands and modelling of soil erosion in the Isábena watershed, NE Spain. Unveröffentlichte Abschlussarbeit Master of Science, Universität Potsdam, Germany. 80 S.

ASNER, G. P. & LOBELL, D. B. (2000): A biogeophysical approach for automated SWIR unmixing of soils and vegetation. IN: Remote Sensing of Environment, Bd. 74, S. 99−112.

ASNER, G.P. & HEIDEBRECHT, K.B. (2002): Spectral unmixing of vegetation, soil and dry carbon cover in arid regions: comparing multispectral and hyperspectral observations. IN: In-ternational Journal of Remote Sensing, Bd. 23 (19), S. 3939–3958.

BABAN, S.M.J. & YUSOF, K.W. (2001): Modelling soil erosion in tropical environments using remote sensing and geographical information systems. IN: Hydrological Sciences Journal, Bd. 46 (2), S. 191–198.

BACHMAN, M. (2007): Automatisierte Ableitung von Bodenbedeckungsgraden durch MESMA-Entmischung. Doktorarbeit, Julius-Maximilians-Universität Würzburg, 262 S.

BARTHOLOMEUS, H. (2009): The influence of vegetation on the spectroscopic estimation of soil properties. Doktorarbeite, Wageningen UR, S. 1–143.

BÄSE, F. (2005): Beurteilung der Parametersensitivität und der Vorhersagesicherheit am Bei-spiel des hydrologischen Modells J2000. Unveröffentlichte Diplomarbeit, Friedrich-Schiller Universität Jena, 102 S.

BAUMGARDNER, M.F., BIEHL, L.L. & STONER, E. (1985): Reflectance properties of soils. IN: Ad-vances in Agronomy, Bd. 38, S. 1-44.

BAVER, L.D. (1956): Soil Physics. Aufl. 3, 490 S. BEN-DOR, E., IRONS, J. R. & EPEMA, G. F. (1999): Soil reflectance. IN: Rencz, A. N [Hrsg.]: Re-

mote Sensing for the Earth Sciences, Aufl.3, S. 111–188. BOARDMAN, J. W., KRUSE, F. A. & GREEN, R. O. (1995): Mapping target signatures via partial

unmixing of AVIRIS data. Proc. IN: University of Colarado [Hrsg.], S. 23–26. BONN, F., MÉGIER, J. & AIT FORA, A. (1997): Remote sensing assistedspatialization of soil ero-

sion models with a GIS for land degradation quantification: expectations, errors and beyond. IN: Spiteri, A. [Hrsg.]: Remote Sensing ’96: Integrated Applications for Risk Assessment and Disaster Prevention for the Mediterranean, S. 191–198.

BRAUN, A.C., WEIDNER, U. & HINZ, S. (2010): Support Vector Machines for Vegetation Classifi-cation – A Revision. IN: Photogrammetrie, Fernerkundung, Geoinformation, S. 273-281.

BROGAARD, S. & ÓLAFSDÓTTIR, R. (1997): Groundtruths or Groundlies? Environmental Sampling for Remote Sensing Application Exemplified by Vegetation Cover Data. IN: Lund Elec-tronic Reports in Physical Geography. Abgerufen am 28.01.2013 von http://www.natgeo.lu.se/Publikationer/Lerpg/1/1Abstract.htm

BURGES, C. (1998): A tutorial on support vector machines for pattern recognition. IN: Data Mining and Knowledge Discovery, Bd. 2, S. 121-167.

BRUCE, C. M. & HILBERT, D. W. (2004): Preprocessing Methodology for Application to Landsat TM/ETM+ Imagery of the Wet Tropics. 44 S.

CARTAGENA, D.F. (2004): Remotely Sensed Land Cover Parameter Extraction for Watershed Erosion Modeling. Abschlussarbeit Master of Science. IN: ITC Publications, 84 S.

CHEBRO [HRSG.] (1996): Mapa “Isoyetas Medias Anuales” 1:50000. Abgerufen am 28.01.2013 von http://www.oph.chebro.es/ContenidoCartoClimatologia.htm

CHEBRO [HRSG.] (1998): Usos de Suelos (1984/1991/1995) de la cuenca hidrográfica del Eb-ro; 1:100.000, Consultora de M. AngelFernández-Ruffete y Cereyo, Oficina de Planificación Hidrológica. Abgerufen am 28.01.2013 von http://oph.chebro.es/

CHEBRO [HRSG.] (2008): Departamento de Ecología de la Universidad de Barcelona, Oficina de Planificación Hidrológica, C.H.E. Abgerufen am 28.01.2013 von http://oph.chebro.es/

CIHLAR, J. (1987): A methodology for mapping and monitoring cropland soil erosion. IN: Ca-nadian Journal of Soil Science, Bd. 67 (3), S. 433–444.

http://www.oph.chebro.es/ContenidoCartoClimatologia.htm

http://oph.chebro.es/

http://oph.chebro.es/


XLVI

CLARK, M. L., ROBERTS, D. A. & CLARK, D. B. (2005): Hyperspectral discrimination of tropical rain forest tree species at leaf to crown scales. IN: Remote Sensing of Environment, Bd. 96, S. 375-398.

CLARK, R. N. (1999): Spectroscopy of rocks and minerals and principles of spectroscopy. IN: Rencz, A. N. [Hrsg.]: Manual of Remote Sensing, S. 3-58.

CLARK, R. N. & ROUSH, T. L. (1984): Reflectance spectroscopy: quantitative analysis tech-niques for remote sensing applications. IN: Journal of Geophysical Research, Bd. 89, S. 6329-6340.

CLEVERS, J.G.P.W., DE JONG, S.M., EPEMA, G.F., VAN DER MEER, F.D., BAKKER, W.H., SKIDMORE, A.K. & ADDINK, E.A. (2001): MERIS and the red - edge position. IN: International Journal of Applied Earth Observation and Geoinformation, Bd. 3 (4), S. 314-320.

CONGALTON R. G. & GREEN K. (2009): Assessing the accuracy of remotely sensed da-ta: Principles and practices, Aufl. 2.

COULLOUDON, B., ESHELMAN, K., GIANOLA, J., HA-BICH, N., HUGHES, L., JOHNSON, C., PELLANT, M., PODBORNY, P., RASMUS- SEN, A., ROBLES, B., SHAVER, P., SPEHAR, J. & WILLOUGHBY, J. (1999): Sampling Vegetation Attributes. Interagency Technical Reference, S. 129.

CURRAN, P. J. (1983): Multispectral remote sensing for the estimation of green leaf area in-dex. IN: Philosophical Transactions of the Royal Society B, Bd. 309 (1508), S. 257–270.

CURRAN, P.J. & WILLIAMSON, H.D. (1986): Sample Size for Ground and Remotely Sensed Data. IN: Remote Sensing of Environment, Bd. 20, S. 31-41.

DAUGHTRY, C. S. T. (2001): Discriminating crop residues from soil by shortwave infrared re-flectance. IN: Agronomy Journal, Bd. 93, S. 125−131.

DAUGHTRY, C. S. T. & HOLLINGER, S. E. (1984): Costs of measuring leaf area index of corn. IN: LARS Technical Reports, Bd. 27, 15 S. Abgerufen am 28.01.2013 von http://docs.lib.purdue.edu/larstech/27

DAUGHTRY, C. S. T., HUNT, E. R., DORAISWAMY, P. C. & MCMURTREY, J. E. (2005): Remote sensing the spatial distribution of crop residues. IN: Agronomy Journal, Bd. 97, S. 864−871.

DAUGHTRY, C.S.T., MCMURTREY III, J.E., CHAPPELLE, E.W., HUNTER, W.J. & STEINER, J.L. (1996): Measuring crop residue cover using remote sensing techniques. IN: Theoretical and Applied Climatology, Bd. 54 (1–2), S. 17–26.

DE ASIS, A. M. & OMASA, K. (2007): Estimation of vegetation parameter for modeling soil ero-sion using linear Spectral Mixture Analysis of Landsat ETM data. IN: Journal of Photo-grammetry & Remote Sensing, Bd. 62, S. 309-324.

DE JONG, S.M., (1994): Derivation of vegetative variables from a Landsat TM image for mod-elling soil erosion. IN: Earth Surface Processes and Landforms, Bd.19 (2), S. 165‑ 178.

DE JONG, S.M., PARACCHINI, M.L., BERTOLO, F., FOLVING, S., MEGIER, J. & DE ROO, A.P.J. (1999): Regional assessment of soil erosion using the distributed model SEMMED and remote-ly sensed data. IN: Catena, Bd. 37 (3– 4), S. 291–308.

DENNISON, P. E. & ROBERTS, D. A. (2003A): Endmember selection for multiple endmember spectral mixture analysis using endmember average RMSE. IN: Remote Sensing of Environment, Bd. 87, S. 123–135.

DENNISON, P. E., & ROBERTS, D. A. (2003B): The effects of vegetation phenology on endmember selection and SPECIES MAPPING IN SOUTHERN CALIFORNIA CHAPARRAL. IN: REMOTE

SENSING OF ENVIRONMENT, BD. 87, S. 295–309. DESCROIX, L., VIRAMONTES, D., VAUCLIN, M., GONZALES BARRIOS, J.L. & ESTEVES, M. (2001): Influ-

ence of soil surface features and vegetation on runoff and erosion in the Western Si-erra Madre (Durango,Northwest Mexico). IN: Catena, Bd. 43, S. 115-135.

DISSMEYER, G. E. & FOSTER, G. R. (1981): Estimating the cover-management factor (C) in the Universal Soil Loss Equation for forest conditions. IN: Journal of Soil andWater Con-servation, Bd. 36 (4), S. 235–240.

ELACHI, C. (1987): Introduction to the Physics and Techniques of Remote Sensing, 413 S. ELMORE, A. J., MUSTARD, J. F., MANNING, S. J. & LOBELL, D. B. (2000): Quantifying vegetation

change in semiarid environments: Precision and accuracy of spectral mixture analysis and the Normalized Difference Vegetation Index. IN: Remote Sensing of Environment, Bd. 73, S. 87–102.

ELVIDGE, C. D. (1990): Visible and near infrared reflectance characteristics of dry plant mate-rials. IN: International Journal of Remote Sensing, Bd. 11, S. 1775–1795.

FARGAS, D., MARTÍNEZ-CASASNOVAS, J. & POCH, R. (1997): Identification of Critical Sediment Source Areas at Regional Level. IN: Physics and Chemistry of the Earth, Bd. 22 (3-4), S. 355-359.


XLVII

FAVIS-MORTLOCK, D. T., QUINTON, J. N. & DICKINSON, W. T. (1996): The GCTE validation of soil erosion models for global change studies. IN: Journal of Soil and Water Conservation, Bd. 51 (5), S. 397–403.

FOLLY, A., BRONSVELD, M.C. & CLAVAUX, M., (1996): A knowledge-based approach for C-factor mapping in Spain using Landsat TM and GIS. IN: International Journal of Remote Sensing, Bd. 17 (12), 2401–2415.

FOODY, G. M. (1988): The effects of viewing geometry on image classification. IN: Interna-tional Journal of Remote Sensing, Bd. 9, S. 1909–1915.

FOODY, G. M. (2002): Status of land cover classification accuracy assessment. IN: Remote Sensing of Environment, Bd. 80 (1), 185–201.

FOODY, G. M. & MATHUR, A. (2004A): Toward intelligent training of supervised image classifica-tions: Directing training data acquisition for SVM classification. IN: Remote Sensing of Environment, Bd. 93, S. 107−117.

FOODY, G. M. & MATHUR, A. (2004B): Toward intelligent training of supervised image classifica-tions: directing data acquisition for SVM classification. IN: Remote Sensing of Envi-ronment, Bd. 93, S. 107-117.

FOODY, G.M., MATHUR, A., SANCHEZ-HERNANDEZ, C. & BOYD, D. (2006): Training set size require-ments for the classification of a specific class. IN: Remote Sensing of Environment, Bd. 104, S. 1-14.

FORSTER, B. C. (1985): An examination of some problems and solutions in monitoring urban areas from satellite platforms. IN: International Journal of Remote Sensing, Bd. 6, S. 139−151.

FOSTER, G.R. (1982): Modeling the erosion process. IN: Haan, C. T., Johnson, H. D. & Brakensiek, D. L. [Hrsg.]: Hydrologic Modeling of Small Watersheds. ASAE Monography, Bd. 5, S. 940-947.

FOURTY, T., BARET, F., JACQUEMOUD, S., SCHMUCK, G. & VERDEBOUT, J. (1996): Leaf optical proper-ties with explicit description of its biochemical composition: direct and inverse prob-lems. IN: Remote Sensing of Environment, Bd. 56 (2), S. 104-117.

FRANCKE, T. K. O. (2009): Measurement and Modelling of Water and Sediment Fluxes in Meso-Scale Dryland Catchments, 127 S.

FRANCKE, T., GÜNTNER, A., BRONSTERT, A., MAMEDE, G. & MÜLLER, E. N. (2008A): Automated cate-na-based discretisation of landscapes for the derivation of hydrological modelling units. IN: International Journal of Geographical Information Science, Bd. 22, S. 111-132.

FRANCKE, T., LÓPEZ-TARAZÓN, J. A. & SCHRÖDER, B. (2008B): Estimation of suspended sediment concentration and yield using linear models, Random Forests and Quantile Regression Forests. IN: Hydrological Processes, Bd. 22, S. 4892–4904.

GAMON, J.A., SERRANO, L. & SURFUS, J.S. (1997): The photochemical reflectance index: an opti-cal indicator of photosynthetic radiation use efficiency across species, functional types, and nutrient levels. IN: Oecologia, Bd. 112, S. 492-501.

GARCIA, M. & USTIN, S. L. (2001): Detection of interannual vegetation responses to climatic variability using AVIRIS data in a coastal savanna in California. IN: IEEE Transactions on Geoscience and Remote Sensing, Bd. 39, S.1480–1490.

GARCIA, M., RIANO, D., CHUVIECO, E., SALAS, J. & DANSON, M. (2011): Multispectral and LiDAR data fusion for fuel type mapping unsing Support Vector Machine and deciion rules. IN: Remote Sensing of Environment, Bd. 115, S. 1369-1379.

GARCÍA-HARO, F.J., GILABERT, M. A. & MELIÁ, J. (1999): A radiosity model for heterogeneous canopies in remote sensing. IN: Journal of Geophysical Research, Bd. 104 (10), S. 12159–12175.

GARCIA-HARO, F.J., SOMMER, S. & KEMPER, T. (2005): A new tool for variable multiple endmember spectral mixture analysis (VMESMA). IN: International Journal of Remote Sensing, Bd. 26, S. 2135-2162.

GARDNER, M. (1997): Mapping Chaparral with AVIRIS Using Advanced Remote Sensing Tech-niques. Abschlussarbeit Master of Science. University of California, Santa Barbara, Santa Barabara, 58 S.

GILABERT, M.A., GARCÍA-HARO, F.J. & MELIÁ, J. (2000): A Mixture Modeling Approach to Esti-mate Vegetation Parameters for Heterogeneous Canopies in Remote Sensing. IN: Re-mote Sensing of Environment, Bd. 72, S. 328– 345.

GILLESPIE, A. R., SMITH, M. O., ADAMS, J. B., WILLIS, S. C., FISCHER, A. F. III, & SABOL, D. E. (1990): Interpretation of residual images: spectral mixture analysis of AVIRIS images, Owens Valley, California. IN: 2nd AVIRIS Workshop, S. 243–270.

GOETZ, A. F. H. (1989): Spectral Remote Sensing in Geology. IN: Asrar, G. [Hrsg.]: Theory and Applications of Optical Remote Sensing, S. 491-526.


XLVIII

GOETZ, A. F. H., VANE, G., SOLOMON, J. E. & ROCK, B. N. (1985): Imaging spectrometry for earth remote sensing. IN: Science, Bd. 228 (4704), S. 1147–1153.

GRAETZ, R. D. & GENTLE, M. R. (1982): The relationships between reflectance in the Landsat wavebands and the composition of an Australian semi-arid shrub rangeland. IN: Pho-togrammetric Engineering and Remote Sensing, Bd. 48, S. 1721–1730.

GRUNINGER, J. H., FOX, M.J. & SUNDBERG, R.L. (2001): Hyperspectral Mixture Analysis Using Constrained Projections onto Material Subspaces. IN: Proceedings ISSSR, Internation-al Symposium on Spectral Sensing Research, S. 4381-07.

GRUNINGER, J. H., RATKOWSKI, A. J. & HOKE, M. L. (2004): The sequential maximum angle con-vex cone (SMACC) endmember model. IN: Prociding of SPIE, Algorithms and Technolo-gies for Multispectral, Hyperspectral, and Ultraspectral Imagery, Bd. 5425, 14 S.

GUALTIERI, J. A. & CROMP, R. F. (1998): Support vector machines for hyperspectral remote sensing classification. IN: Proceedings of the 27th AIPR Workshop: Advances in Com-puter Assisted Recognition, S. 221–232.

GUALTIERI, J. A., CHETTRI, S. R., CROMP, R. F. & JOHNSON, L. F. (1999): Support vector machines applied to AVIRIS data. Summaries of the Airborne Earth Science Workshop.S. (o. A.).

GUERSCHMAN, J. P., HILL, M. J., RENZULLO, L. J., BARRETT, D. J., MARKS, A. S. & BOTHA, E. J. (2009): Estimating fractional cover of photosynthetic vegetation, non-photosynthetic vegeta-tion and bare soil in the Australian tropical savanna region upscaling the EO-1 Hyperi-on and MODIS sensors. IN: Remote Sensing of Environment, Bd. 113, S. 928–945.

GÜNTNER, A. (2002): Largesscale hydrological modelling in the semi-arid North-East of Brazil. IN: Potsdam Institute for Climate Research [Hrsg.]: PIK- Report (77), 128 S.

GÜNTNER, A. & BRONSTERT, A. (2004): Representation of landscape variability and lateral redis-tribution processes esses for large-scale hydrological modelling in semi-arid areas. IN: Journal of Hydrology, Bd. 297 (1-4), S. 136-161.

GUYOT, G., GUYON, D. & RIOM, J. (1989): Factors affecting the spectral response of forest can-opies: A review. IN: Geocarto International, Bd. 4 (3), S. 3-18.

HALLIGAN, K. Q. (2002): Multiple endmember spectral mixture analysis of vegetation in the northwest corner of Yellowstone National Park. Abschlussarbeit Master of Science, University of California, Santa Barbara, 64 S.

HAZARIKA, M.K. & HONDA, K. (2001): Estimation of soil erosion using remote sensing and GIS: its valuation and economic implications on agricultural production. IN: Stott, D.E., MOHTAR, R.H. & STEINHARDT, G.C. [HRSG.]: SUSTAINING THE GLOBAL FARM, S. 1090–1093.

HEIDEN, U. (2004): Analyse hyperspektraler Flugzeugscannerdaten zur ökologischen Charak-terisierung städtischer Biotope. Doktorarbeit, Technischen Universität Berlin. 110 S.

HEROLD, M. & ROBERTS, D. A. (2006): Multispectral Satellites – Imaging Spectrometry – LIDAR: Spatial–spectral tradeoffs in urban mapping. IN: International Journal of Geoinformatics, Bd. 2, S. 1−14.

HILDEBRANDT, G. (1996): Fernerkundung und Luftbildmessung für Forstwirtschaft, Vegetati-onskartierung und Landschaftsökologie. 676 S.

HILL, J. (1993): Monitoring land degradation and soil erosion in Mediterranean environments. IN: ITC Journal, Bd. 4, S. 323–331.

HILL, J., MEHL, W. & ALTHERR, M. (1994): LAND DEGRADATION AND SOIL EROSION MAPPING IN

MEDITERRANEAN ECOSYSTEMS. IN: Hill, J. & Megier, H. [Hrsg.]: Imaging Spectrometry - A Tool for Environment Observations, S. 237–260.

HOLBEN, B. & JUSTICE, C. (1980), The topographic effect on spectral response from nadir-pointing sensors. IN: Photogrammetric Engineering & Remote Sensing, Bd. 46, S. 1191–1200.

HOSTERTA, P., RÖDER, A. & HILL, J. (2001): Coupling spectral unmixing and trend analysis for monitoring of long-term vegetation dynamics in Mediterranean rangelandsPatrick. IN: Remote Sensing of Environment, Bd. 87, S. 183–197.

HUANG, C., DAVIS, L. S. & TOWNSHED, J. R. G. (2002): An assessment of support vector ma-chines for land cover classification. IN: International Journal of Remote Sensing, Bd. 23, S. 725–749.

HUNT, G.R. & SALISBURY, J.W. (1971): Visible and near infrared spectra of minerals and rocks - II: Carbonates. IN: Modern Geology, Bd. 2, S. 23-30.

HYPERSPECTRAL DATA QUALITY OVERVIEW (2011): A comparison of error metrics and constraints for multiple endmember spectral mixture analysis and spectral angle mapper. IN: Re-mote Sensing of Environment, Bd. 93 (3), S. 359-367.

IRONS, J.R., WEISMILLER, R.A. & PETERSEN, G.W. (1989): Soil reflectance. IN: Asrar, G. [Hrsg.]: Theory and Application of Optical Remote Sensing, S. 66–106

JENSEN, J. R. (2005): Introductory Digital Image Processing. A Remote Sensing Perspective, Aufl. 3, S. 525.


XLIX

JENSEN, J. R. (2007): Remote Sensing of the Environment - An Earth Resource Perspective, Aufl. 2, 585 S.

JONES, D. S., KOWALSKI, D. S., SHAW, R. D. (O. A.): Calculating Revised Universal Soil Loss Equation (RUSLE) Estimates on Department of Defense Lands: A Review of RUSLE Factors and U.S. Army Land Condition-Trend Analysis (LCTA) Data Gaps, 9 S.

JONES, R.G.B. & KEECH, M.A. (1966): Identifying and assessing problem areas in soil erosion surveys using aerial photographs. IN: Photogrammetric Record, Bd. 5 (27), S. 189–197.

JUERGENS, C. & FANDER, M. (1993): Soil erosion assessment by means of Landsat-TM and an-cillary digital data in relation to water quality. IN: Soil Technology, Bd. 6 (3), S. 215–223.

JUSTICE, C.O. & TOWNSHEND, J.R.G. (1981): The use of Landsat data for land cover inventories of Mediterranean lands. IN: Townshend, J.R.G. [Hrsg.]: Terrain Analysis and Remote Sensing, S. 133-153.

KARPOUZLI, E. & MALTHUS, T. (2003): The empirical line method for the atmospheric correction of IKONOS imagery. IN: International Journal of Remote Sensing, Bd. 24 (5), S. 1143-1150.

KAUFMANN, H., SEGL, K., ITZEROTT, S., BACH, H., WAGNER, A., HILL, J., HEIM, B., OPPERMANN, K., HELDENS, W., STEIN, E., MÜLLER, A., VAN DER LINDEN, S., LEITÃO, P. J., RABE, A. & HOSTERT, P. (2010): Hyperspectral algorithms : report of the frame of EnMAP preparation activi-ties. IN: Deutsches GeoForschungsZentrum GFZ [Hrsg.]: Scientific Technical Report STR 10/08, 268 S.

KELLMAN, M.C. (1969): Some environmental components of shifting cultivation in Upland Min-danao. IN: Journal of Tropical Geography, Bd. 28, S. 1–28.

KERCHER, S.M., FRIESWYK, C.B. & ZEDLER, J.B. (2003): Effects of Sampling Teams and Estima-tion Methods on the Assessment of Plant Cover. IN: Journal of Vegetation Science, Bd. 14, S. 899–906.

KOETZ, B., MORSDORF, F., VAN DER LINDEN, S., CURT, T. & ALLGÖWER, B. (2008): Multi-source land cover classification for forest fire management based on imaging spectrometry and LiDAR data. IN: Forest Ecology and Management, Bd. 256 (3), S. 263-271.

KOKALY, R. & CLARK, R. (1999): Spectroscopic determination of leaf biochemistry using band- depth analysis of absorption features and stepwise multiple linear regression. IN: Re-mote Sensing of Environment, Bd. 67, S. 267–287.

KOKALY, R. F. (2001): Investigating a physical basis for spectroscopic estimates of leaf nitro-gen concentration. IN: Remote Sensing of Environment, Bd. 75, S. 153-161.

KRAUSE, P., BOYLE, D. & F. BÄSE (2005): Comparison of different efficiency criteria for hydro-logical model assessment. IN: Advances in Geosciences, Bd. 5, S. 89–97.

KREEB, K. H. (1983): Vegetationskunde. Methoden und Vegetationsformen unter Berücksich-tigung ökosystemischer Aspekte. 331 S.

KUENSTLER, W. (O.A.): C factor: Cover-Management, 20 S. KUMAR, S., GHOSH, J. & CRAWFORD, M.M. (2001): Best-bases feature extraction algorithms for

classification of hyperspectral data. IN: IEEE Transactions on Geoscience and Remote Sensing, 39 (7), S. 1368-1379.

LAFLEN, J.M. (1983): Tillage and residue effect on erosion fiom cropland. IN: DeCoursey, D. A. [Hrsg.]: Natural Resources Modeling Symposium, S. 438-441.

LAFLEN, J.M. & COLVIN, T.S. (1981): Effect of crop residue on soil loss from continuous row cropping. IN: Transactions of the American Society of Agricultural Engineers, Bd. 24 (3), S. 605–609.

LAUSCH, A. & PAUSE, M. (2009): Skalenspezifische hyperspektrale Fernerkundung mit dem Airborne Imaging Spectrometer for Application (AISA-EAGLE/HAWK 400-2500nm). IN: DGPF Tagungsband 18, S. 287-294.

LEGATES, D. R. & MCCABE, G. J. (1999): Evaluating the use of ‘goodness-of-fit’ measures in hydrologic and hydroclimatic model validation. IN: Water Resources Research, Bd. 35, S. 233–241.

LEICA GEOSYSTEMS AG (2007): Leica Als50 Ii Airborne Laser Scanner Product Specification, Heerbrugg, 12 S.

LILLISAND, T. & KIEFER, R. (2008): Remote sensing and image interpretation, Bd. 3 (5), 612. LIN, C.-Y., LIN, W.-T. & CHOU, W.-C. (2002): Soil erosion prediction and sediment yield estima-

tion: the Taiwan experience. IN: Soil and Tillage Research, Bd. 68 (2), S. 143–152. LIN, W. T., LIN, C. Y. & CHOU, W.-C. (2006): Assessment of vegetation recovery and soil ero-

sion at landslides caused by a catastrophic earthquake: a case study in Central Tai-wan. IN: Ecological Engineering, Bd. 28, S. 79–89.


L

LÖFFLER, D., WEBER, J. & KAPPES, M. (2005): Photodetachment spectroscopy of PtBr4(2-): prob-ing the Coulomb barrier of a doubly charged anion. IN: The Journal of chemical phys-ics, Bd. 123 (22), S. 224308 - 224308(9)

LÓPEZ TARAZÓN, J. A. (2011): The Sediment Budget of a Highly Erodible Catchment. The River Isábena (Ebro Basin, Central Pyrenees) Balanç de Sediment D’una Conca Altament Erosionable. El Riu Isàbena (Conca De L'ebre, Pirineu Central). Doktorarbeit, Universi-ty of Lleida, 319 S.

LU, D.S. & WENG, Q.H. (2006): Use of impervious surface in urban landuse classification. IN: Remote Sensing Of Environment, Bd. 102, S. 146-160.

LU, H., PROSSER, I.P., MORAN, C.J., GALLANT, J.C., PRIESTLY, G. & STEVENSON, J.G. (2003): Predict-ing sheetwash and rill erosion over the Australian continent. IN: Australian Journal of Soil Research, Bd. 41 (6), S. 1037–1062.

MAMEDE, G. (2008): Reservoir sedimentation in dryland catchments: Modelling and manage-ment. Doktorarbeit, Universität Potsdam, 95 S. Abgerufen am 28.01.2013 von http://opus.kobv.de/ubp/volltexte/2008/1704/.

MARTÍNEZ-CASASNOVAS, J. & POCH, R. (1997): Estado de conservación de los suelos de la cuen-ca del embalse ‘Joaquín Costa’. IN: Proceedings of ‘Encuentro científico-técnico sobre el vaciado total y prolongado delembalse de Joaquin Costa’, Zaragoza, Spain. 87 S.

MARTINEZ-CASASNOVAS, J.A. & POCH, R.M. (1998): Estado de conservación de los suelos de la cuenca del embalse de Joaquin Costa. In: Limnética, Bd. 14, 83-91.

MARTINEZ-CASASNOVAS, J.A. & POCH, R.M. (1998): Estado de conservación de los suelos de la cuenca del embalse de Joaquin Costa. IN: Limnética, Bd. 14, S. 83-91.

MCGWIRE, K., MINOR, T. & FENSTERMAKER, L. (2000): Hyperspectral mixture modeling for quan-tifying sparse vegetation cover in arid environments. IN: Remote Sensing of Environ-ment, Bd. 72 (3), S. 360–374.

MELGANI, F. & BRUZZONE, L. (2004): Classification of hyperspectral remote sensing images with Support Vector Machines. IN: IEEE Transactions on Geoscience and Remote Sensing, Bd. 42, S. 1778 – 1790.

MELGANI, F. & BRUZZONE, L. (2004): Classification of hyperspectral remote sensing images with Support Vector Machines. IN: IEEE Transactions on Geoscience and Remote Sensing, Bd. 42, S. 1778 – 1790.

MEUSBURGER, K., KONZ, N., SCHAUB, M. & ALEWELL, C. (2010): Soil erosion modelled with USLE and PESERA using QuickBird derived vegetation parameters in an alpine catchment. IN: International Journal of Applied Earth Observation and Geoinformation, Bd. 12, S. 208-2015.

MORGAN, R.P.C. (1995): Soil Erosion and Conservation, 320 S. MULDER, V.L., DE BRUIN, S., SCHAEPMAN, M.E. & MAYR, T.R. (2011): The use of remote sensing in

soil and terrain mapping - A review. IN: Geoderma, Bd. 162 (1-2), S. 1-19. MUTCHLER, C. K., MURPHREE, C. E. & MCGREGOR, K. C. (1982): Subfactor method for computing

C-factors for continuous cotton. IN: Transactions of the ASAE, Bd. 25, S. 327-332. NAGLER, P. L., DAUGHTRY, C. S. T. & GOWARD, S. N. (2000): Plant litter and soil reflectance. IN:

Remote Sensing of Environment, Bd. 71, S. 207−215. NAGLER, P. L., INOUE, Y., GLENN, E. P., RUSS, A. L. & DAUGHTRY, C. S. T. (2003): Cellulose absorp-

tion index (CAI) to quantify mixed soil-plant litter scenes. IN: Remote Sensing of Envi-ronment, Bd. 87, S. 310−325.

NAJMODDINI, N. (2003): Assessment of Erosion and Sediment Yield Processes Using Remote Sensing and GIS: A Case Study in Rose Chai Sub-catchment of Orumieh Basin, W. Azarbaijan, Abschlussarbeit Master of Science, IN: ITC Publications. 95 S.

NATURAL ENVIRONMENT RESEARCH COUNCIL (NERC) (2011): Lidar Data Quality Overview, 3 S. NINOT SUGRAÑES, J.M., ROMO DÍEZ, À.M. & SESÉ FRANCO, J.A. (1993): Macizo del Turbón y Sierra

de Sis: flora. Paisaje vegetal e itinerarios, 43 S. OKIN, G. S., OKIN,W. J., ROBERTS, D. A. & MURRAY, B. C. (1998): Multiple endmember spectral

mixture analysis: application to an arid/semi-arid landscape. IN: 7th AVIRIS Work-shop, S. 291–300.

OKIN, W. J., OKIN, G. S., ROBERTS, D. A. & MURRAY, B. (1999): Multiple endmember spectral mixture analysis: Endmember choice in an arid shrubland. IN: 1999 AVIRIS Work-shop, S. 323–332.

OKIN, G. S., ROBERTS, D. A., MURRAY, B. & OKIN, W. J. (2001): Practical limits on hyperspectral vegetation discrimination in arid and semiarid environments. IN: Remote Sensing of Environment, Bd. 77, S. 212–225.

OKIN, G.S. & ROBERTS, D.A. (2004): Remote Sensing in Arid Regions: Challenges and Oppor-tunities. IN: Manual of Remote Sensing - Remote Sensing for Natural Resource Man-agement and Environmental Monitoring, Bd. 4, S. 111–146.


LI

PAINTER, T. H., ROBERTS, D. A., GREEN, R. O. & DOZIER, J. (1998): The effect of grain size on spectral mixture analysis of snow-covered area from AVIRIS data. IN: Remote Sensing of Environment, Bd. 65, S. 320–332.

PAL, M. & MATHER, P.M. (2006): Some issues in the classification of DAIS hyperspectral data. IN: International Journal of Remote Sensing, Bd. 27, S. 2895-2916.

PALL, O.G., BENEDIKTSSON, J.A. & SVEINSSON, J.R. (2004): Random Forest Classification of Multi-source Remote Sensing and Geographic Data. IN: IGARSS '04. Proceedings, S. 1049-1052.

PETERS, D. P. C. & HAVSTD, K. M (2005): Nonlinear dynamics in arid and semi-arid systems: Interactions among drivers and processes across scales. IN: Journal of Arid Environ-ments, Bd. 65, S. 96–206.

POCH, R. M. & MARTÍNEZ-CASASNOVAS, J.A. (1997): Prevention of reservoir siltation in large wa-tersheds: from sediment source identification to the design of soil conservation measures. IN: Journal of Soil and Water Conservation, Bd. 52, S. 285-286.

POWELL, R. L., ROBERTS, D. A., DENNISON, P. E. & HESS, L. L. (2007): Sub-pixel mapping of urban land cover using multiple endmember spectral mixture analysis: Manaus, Brazil. IN: Remote Sensing of Environment, Bd.106, S. 253–267.

POWELL, R. L. & ROBERTS, D. A. (2008): Characterizing Variability of the Urban Physical Envi-ronment for a Suite of Cities in Rondônia, Brazil. IN: Earth Interactions, Bd. 12 (13), S. 1-32.

PRICE, J. C. & BAUSCH, W. C. (1995): Leaf area index estimation from visible and near-infrared reflectance data. IN: Remote Sensing of Environment, Bd. 52, S. 55–65.

RAY, T. W. & MURRAY, B. C. (1996): Nonlinear spectral mixing in desert vegetation. IN: Re-mote Sensing of Environment, Bd. 55, S. 59–64.

RENARD, K.G., FOSTER, G.R., WEESIES, G.A., MCCOOL, D.K. & YODER, D.C. (1997): Predicting soil erosion by water: a guide to conservation planning with the Revised Universal Soil Loss Equation. IN: Agricultural Handbook, U.S. Department of Agriculture, Bd. 703, S. 404.

RICHARDS, L. (2005): Handling qualitative data: A practical guide. 207 S. RICHTER, K., ATZBERGER, C., HANK, T. B. & MAUSERA, W. (2012): Derivation of biophysical varia-

bles from Earth observation data: validation and statistical measures. IN: Journal of Applied Remote Sensing, Bd. 6, S. 1-23.

RICHTER, R. (2009): Atmospheric / Topographic Correction for Airborne Imagery (ATCOR-4 User Guide, Version 5.0), 145 S.

ROBERTS, D. A., DENNISON, P. E., MORAIS, M., GARDNER, M. E., REGELBRUGGE, J. & USTIN, S. L. (1999): Mapping wildfire fuels using imaging spectrometry along the wildland urban interface. IN: Proc. Joint Fire Science Conference Workshop, Bd. 1, S. 212–223.

ROBERTS, D. A., GARDNER, M., CHURCH, R., USTIN, S. L. & GREEN, R. O. (1997): OPTIMUM STRATEGIES

FOR MAPPING VEGETATION USING MULTIPLE ENDMEMBER SPECTRAL MIXTURE MODELS. IMAGING SPEC-

TROMETRY III. IN: SPIE OPTICAL ENGINEERING PRESS. S. 108–119. ROBERTS, D. A., GARDNER, M., CHURCH, R., USTIN, S., SCHEER, G. & GREEN, R. O. (1998): Mapping

chaparral in the Santa Monica Mountains using multiple endmember spectral mixture models. IN: Remote Sensing of Environment, Bd. 65, S. 267–279.

ROBERTS, D. A., G. T. BATISTA, L. G. PEREIRA, E. K. WALLER & B. W. NELSON (1998A): Change iden-tification using multitemporal spectral mixture analysis: Applications in Eastern Ama-zonia. Remote Sensing Change Detection: IN: Lunettam R. S. & Elvidge, C. D. [Hrsg.]: Environmental Monitoring Methods and Applications, S. 137–161.

ROBERTS, D. A., GARDNER, M., CHURCH, R., USTIN, S., SCHEER, G. & GREEN, R. O (1998B): Mapping chaparral in the Santa Monica Mountains using multiple endmember spectral mixture models. Remote Sens. Environ., 65, 267–279.

ROBERTS, D. A., SMITH, M. O. & ADAMS, J. B. (1993): Green vegetation, nonphotosynthetic veg-etation, and soils in AVIRIS data. IN: Remote Sensing of Environment, Bd. 44, S. 255–269.

ROUSE, J.W., HAAS, R.H., SCHELL, J.A. & DEERING, D.W. (1973): Monitoring vegetation systems in the Great Plains with ERTS. Third ERST Symposium, NASA SP-351 I, S. 309-317.

SABOL, D. E., ADAMS, J. B. & M. O. SMITH, (1992): Quantitative subpixel spectral detection of targets in multispectral images. IN: Journal of Geophysical Research, Bd. 97, S. 2659–2672.

SAVITZKY, A. & GOLAY, M. J. (1964): Smoothing and differentiation of data by simplified least squares procedures. IN: Analitical Chemistry, Bd. 36, S. 1627–1639.

SCHIETTECATTE, W., D´HONDT, L., CORNELIS, W.M., ACOSTA, M.L., LEAL, Z., LAUWERS, N., ALMOZA, Y., ALONSO, G.R., DÍAZ, J., RUÍZ, M. & GABRIELS, D. (2008): Influence of landuse on soil erosion risk in the Cuyaguateje watershed (Cuba). IN: Catena, Bd. 74, S. 1-12.


LII

SCHOLKOPF, B. & SMOLA, A. J. (2002): A tutotial on support vector regression. IN: Statistics and Computing, Bd. 14, S. 199-222.

SCHOORL, J.M., SONNEVELD, M.P.W. & VELDKAMP, A. (2000): Three-dimensional landscape pro-cess modelling: the effect of DEM resolution. IN: Earth Surface Processes and Land-forms, Bd. 25 (9), S. 1025–1034.

SCHOWENGERDT, R. (2006): Remote Sensing: Models and Methods for Image Processing, Aufl. 3, 510 S.

SETTLE, J.J. (2006): On the Effect of Variable Endmember Spectra in the Linear Mixture Mod-el. IN: IEEE Transactions on Geoscience and Remote Sensing, Bd. 44 (2), S. 389–396.

SHIMABUKURO, Y. E. & SMITH, A. J. (1991): The least-squares mixing models to generate frac-tion images derived from remote sensing multispectral data. IN: IEEE Transactions on Geoscience and Remote Sensing, Bd. 29, S. 16–20.

SIEGMANN, B. (2011): Klassifikation trockener Offenlandvegetation mit bildspektrometrischen Daten unterschiedlicher Auflösung im Naturschutzgebiet Döberitzer Heide. Ein Ver-gleich verschiedener Klassifikationsverfahren des maschinellen Lernens. Unveröffent-lichte Diplomarbeit, Martin-Luther Universität Halle-Wittenberg, 114 S.

SIMS, D. & GAMON, J. (2002): Relationships between leaf pigment content and spectral reflec-tance across a wide range of species, leaf structures and developmental stages. IN: Remote Sensing of Environment, Bd. 81, S. 337–354.

SMALL, C. (2003): High spatial resolution SpectralMixtureAnalysis of urban reflectance. IN: Remote Sensing of Environment, Bd. 88 (1–2), S. 170–186.

SMITH, L.C., ALSDORF, D.E., MAGILLIGAN, F.J., GOMEZ, B., MERTES, L.A.K., SMITH, N.D. & GARVIN, J.D. (2000): Estimation of erosion, deposition, and net volumetric change caused by the 1996 Skeiðara´rsandur jo ¨kulhlaup,Iceland, from synthetic aperture radar inter-ferometry. IN: Water Resources Research, Bd. 36 (6), S. 1583–1594.

SMITH, M.O., USTIN, S. L., ADAMS, J. B. & GILLESPIE, A. R. (1990): Vegetation in deserts: I. A regional measure of abundance from multispectral images. IN: Remote Sensing of En-vironment, Bd. 31, S. 1–26.

SMOLA, A.J. & SCHÖLKOPF, B. (2004): A Tutorial on Support Vector Regression. IN: Statistics and Computing. Bd. 14, S. 199-222.

SOIL SURVEY STAFF (1994): Keys to soil taxonomy. 306 S. SONG, C. (2005): Spectral mixture analysis for subpixel vegetation fractions in the urban

environment: How to incorporated endmember variability. IN: Remote Sensing of Environment, Bd. 95, S. 248–263.

STEPHENS, P.R. & CIHLAR, J. (1982): Mapping erosion in New Zealand and Canada. IN: Johannsen C.J & Sanders, J.L. [Hrsg.]: Remote Sensing for Resource Management. S. 232–242.

STOCKING, M.A. & ELWELL, H.A. (1976): Rainfall erosivity over Rhodesia. IN: Transactions of the Institute of British Geographers, Bd. 1 (2), S. 231-245.

SYMEONAKIS, E. & DRAKE, N. (2004): Monitoring desertification and land degradation over sub-Saharan Africa. IN: International Journal of Remote Sensing, Bd. 25 (3), S. 573–592.

TALSKY, G. (1994): Derivative Spectrophotometry. Low and Higher Order, 228 S. THIERRY, B., & LOWELL, K. (2001): An uncertainty-based method of photointerpretation. IN:

Photogrammetric Engineering and Remote Sensing, Bd. 67, S. 65–72 TOMPKINS, S., MUSTARD, J. F., PIETERS, C. M. & FORSYTH, D. W. (1997): Optimization of

endmembers for spectral mixture analysis. IN: Remote Sensing of Environment, Bd. 59, S. 472–489.

TOWNSHEND, J. R. G., HUANG, C., KALLURI, S. N. V., DEFRIES, R. S., LIANG, S. & YANG, K. (2000): Beware of per-pixel characterization of land cover. IN: International Journal of Re-mote Sensing, Bd. 21, S. 839−843.

TUCKER, C. J. (1977): Use of near infrared/red radiance ratios for estimating vegetation bio-mass and physiological status, 46 S.

TUCKER, C.J. (1979): Red and Photographic Infrared Linear Combinations for Monitoring Vegetation. IN: Remote Sensing of Environment, Bd. 8, S. 127-150.

TWEDDALES, S.C., ESCHLAEGER, C.R. & SEYBOLD, W.F. (2000): An Improved Method for Spatial Extrapolation of Vegetative Cover Estimates (USLE/RUSLE C factor) using LCTA and Remotely Sensed Imagery. IN: USAEC Report No. SFIM-AEC-EQ-TR-200011, S. (o. A.).

VALERO-GARCÉS, B., NAVAS, A. & MACHÍN, J. (1997): Sediment deposition in the Barasona reser-voir (central Pyrenees, Spain): temporal and spatial variability of sediment yield and land use impacts. IN: Human Impact on Erosion and Sedimentation, Bd. 245, S. 241-249.


LIII

VALERO-GARCÉS, B.L., NAVAS, A., MACHIN, J. & WALLING, D. (1999): Sediment sources and silta-tion in mountain reservoirs: A case study from the Central Spanish Pyrenees. IN: Ge-omorphology, Bd. 28, S. 23-41.

VAN DER KNIJFF, J., JONE, R.J.A. & MONTANARELLA, L. (2002): Soil erosion risk assessment in Ita-ly. IN: European Soil Bureau, Joint Research Center of European Commission [Hrsg.]: 51 S.

VAN DER MEER, F.D. & DE JONG, S.M. (2001): Imaging Spectrometry. Basic Principles and Pro-spective Applications, 403 S.

VAPNIK, V. N. (1999): An overview of statistical learning theory. IN: IEEE Transactions on Neural Networks, Bd. 10 (5), S. 988-999

VERDÚ, J.M. (2003): Análisis y modelización de la respuesta hidrológica y fluvial de una extensa cuenca de montaña mediterránea (río Isábena, Pre-Pirineo), Doktorarbeit, Universitat de Lleida, España. 239 S.

VERDÚ, J.M., MARTINEZ-CASASNOVAS, A. & GARCÍA, N. (2002): Respuesta hidrológica de la cuenca del rio Isábena, (Huesca) a los cambios de vegetación y usos del suelo en la década de 1990. Unveröffentliche Abschlussarbeit. Revista del Instituto de Estudios Altoaragoneses. 87 S.

VERSTRAETEN, G., VAN OOST, K., VAN ROMPAEY, A., PESEN, J. & GOVERS, G. (2002): Integraal land-en waterbeheer in landelijke gebieden met og op het beperken van ersosie en modderoverlast (proefproject gemeente Gingelom). IN: Ministry of the Flemish Com-munity [Hrsg.]: ANIMAL, Department Land, 69 S.

WASKE, B. & VAN DER LINDEN, S. (2008): Classifying multilevel imagery from SAR and optical sensors by decision fusion. IN: IEEE Transactions on Geoscience and Remote Sensing Bd. 46 (5), S. 1457–1466.

WATANACHATURAPORN, P., ARORA, M. K. & VARSHNEY, P. K. (2006): Hyperspectral image classifi-cation using support vector machines: A comparison with decision tree and neural network classifiers. IN: American Society for Photogrammetry & Remote Sensing (2005) Annual Conference.

WELTZ, M. A., RENARD, K. G. & SIMANTON, J.R. (1987): Revised universal, soil loss equation for western rangelands. IN: US/Mexico Symposium on Strategies for Classification and Management of Native Vegetation for Food Production in Arid Zones, S. 104-111.

WESSMAN, C. A., BATESON, C. A. & BENNING, T. L. (1997): Detecting fire and grazing patterns in tallgrass prairie using spectral mixture analysis. IN: Ecological Applications, Bd. 7, S. 493–512.

WILLIAMS, J. R. (1995): The EPIC Model. IN: Singh, V. P. [Hrsg.]: Computer Models of Water-shed Hydrology. Water Resources Publications, Highlands Ranch, S. 909-1000.

WISCHMEIER, W.H. (1975): Estimating the soil loss equations cover and management factor for undisturbed lands. IN: Present and Prospective Technology for Predicting Sedi-ment Yields and Sources, S. 118-125.

WISCHMEYER, W. H. & SMITH, D.D. (1978): Predicting Rainfall Erosion Losses. A Guide to Con-servation Planning, 48 S.

WOODCOCK, C. E. & STRAHLER, A. H. (1987): The factor of scale in remote sensing. IN: Remote Sensing of Environment, Bd. 21, S. 311−332.

WROBEL, S., MORIK, K. & JOACHIMS, T. (2003): Maschinelles Lernen und Data Mining. IN: Görz, G., Rollinger, C. R. & Schneeberger J. [Hrsg.]: Handbuch der künstlichen Intelligenz. S. 517-597.

XIAO, J. & MOODY, A. (2005): A comparison of methods for estimating fractional green vege-tation cover within a desert-to-upland transition zone in central New Mexico, USA. IN: Remote Sensing of Environment, Bd. 98 (2–3), S. 237–250.

Ehrenwörtliche Erklärung

Ehrenwörtliche Erklärung

Ich erkläre hiermit an Eides statt,

dass ich die vorliegende Studienarbeit selbstständig angefertigt,

keine anderen als die angegebenen Quellen benutzt,

die wörtlich oder dem Inhalt nach aus fremden Arbeiten entnommenen Stellen, bildlichen

Darstellungen und dergleichen als solche genau kenntlich gemacht und

keine unerlaubte fremde Hilfe in Anspruch genommen habe.

Ort, 18. Juli 2013

Charlotte Wilczok

Documents

Abstract - uni-potsdam.deAbstract Abstract Mediterranean drylands often experience strong erosion in headwater catchments, resulting in reservoir siltation, which can lead to a significant