Präsentation Rossi AKFE 101014 · Mattia Rossi 1. Phänologie Was ist Phänologie? „Phenology is the study of the timing of recurring biological events, the causes

Statistische Analyse von Standortfaktoren zur Erklärung von aus Fernerkundungsdaten abgeleiteten phänologischen Zeitpunkten am

Beispiel von Grünlandflächen im Alpenvorland

10. Oktober 2014

Mattia Rossi, Carina Kübert, Christopher Conrad

Universität Würzburg, Institut für Geographie und Geologie, Lehrstuhl für Fernerkundung, Oswald‐Külpe‐Weg 86, 97074 Würzburg

Mattia Rossi

1. Phänologie

Was ist Phänologie?

„Phenology is the study of the timing of recurring biological events, the causes of their timing with regard to biotic and abiotic forces[…]“ (Lieth 1974)

Wie wird Phänologie gemessen?

• Realer Raum: Erhebung durch Beobachter anhandmorphologischer Entwicklungsphasen von Pflanzen.z.B. BBCH (BIOLOGISCHE BUNDESANSTALT FÜR LAND UND FORSTWIRTSCHAFT 2001), Zadoks (ZADOKS, CHANG, KONZAK 1974)

• Datenraum: Ableiten von phänologischen Parameternaus vegetationskundlichen Indizes fernerkundlicher Daten. z.B. NDVI, EVI

2AK Fernerkundung | TU Berlin | 10. 10. 2014

Mattia Rossi

1. Phänologie

Messung der Phänologie im realen Raum:


Quelle: dwd.de/phaenologie

Mattia Rossi

1. Phänologie

Messung der Phänologie im Datenraum:


Quelle: JÖNSSON, EKLUNDH 2004

Mattia Rossi

1. Phänologie

MODIS Start of Season 2012:


Mattia Rossi

2. Zielsetzung

Zielsetzung:

• Sind fernerkundlich abgeleitete Indikatoren dazu geeignet die räumliche Variabilität phänologischer Parameter zu erklären?

• Literarische Recherche von Indikatoren• Ableitung von Indikatoren aus Fernerkundungsdaten• Statistische Modelle Testen der Indikatoren mit in‐situ erhobenen

phänologischen Informationen Testen der Indikatoren mit aus MODIS Zeitserien

abgeleiteten phänologischen Parametern Anwendung des „Random Forest“ Algorithmus Bestimmung der Relevanz der Indikatoren

6

Indikatoren

Statistische ModelleDaten

AK Fernerkundung | TU Berlin | 10. 10. 2014

Mattia Rossi

3. Arbeitsablauf ‐ Indikatoren

Indikatoren:

Topographie (CORNELIUS 2013; SCHABER 2002, ZIELLO et al. 2009)

• Hangneigung (Slope)• Höhe ü. NN (Elevation)• Hangexposition (Aspect) N/S

Temperatur (CORNELIUS 2013; HAMUNYELA et al. 2013)

• Temperatur über 0°C• Temperatur über 5°C• Mittlere Temperatur im Frühling (Jan‐Mai)

Schneebedeckung (CORNELIUS 2013; DIETZ, WOHNER, KUENZER 2012; JÖNSSON et al. 2010)

• Schneebedeckung in 8 Tages Komposit• 7 aufeinanderfolgende schneefreie Tage • Snow Cover Melt (SCM)

7

Indikatoren



Mattia Rossi

Zu erklärende Variablen• Phänologie

• DWD „Ergrünen Beginn“ 2012 von Dauergrünland (www.dwd.de/phaenologie)

• MODIS Start‐of‐Season (SOS) 2012 (lpdaac.usgs.gov)

• Landbedeckung• Corine Land Cover Klassen 3.2.1

(Natürliches Grünland) und 2.3.1 (Wiesen und Weiden)

Datengrundlage:

Erklärende Variablen• MODIS LST (lpdaac.usgs.gov)

• MOD11A2• Geometrische Auflösung: ca. 1000m• Temporale Auflösung: 8 Tage

• MODIS Snow Cover (nsidc.org)• MOD10A2• Geometrische Auflösung: ca. 500m• Temporale Auflösung: 8 Tage bzw. 1

Tag• SRTM (srtm.csi.cgiar.org)

• Geometrische Auflösung: 90m

8

Indikatoren



3. Arbeitsablauf ‐ Daten

Mattia Rossi

3. Arbeitsablauf ‐ Untersuchungsgebiet


Mattia Rossi 10AK Fernerkundung | TU Berlin | 10. 10. 2014

3. Arbeitsablauf ‐ Untersuchungsgebiet

Mattia Rossi

Statistik:

Random Forest (Breiman 2001):

• Klassifikations‐ bzw. Regressionsverfahren basierend auf CART Algorithmus (Breiman 1984)

• Definition einer Zielvariable (Phänologie) und bestimmten Prädiktoren (Indikatoren)

• Ausbildung von n‐Bäumen durch zufällige Zusammensetzung der Prädiktoren

• Trainings‐, Validierungs‐ und Out‐of‐Bag‐Daten Erklärungsanteil und Wichtigkeit der Prädiktoren

11

Indikatoren



3. Arbeitsablauf ‐ Statistiken


Korrelationen:

4. Ergebnisse


4. Ergebnisse

Random Forest DWD Statistiken:


4. Ergebnisse

Random Forest MODIS Statistiken:

Mattia Rossi

Random Forest Variabilität:


4. Ergebnisse


4. Ergebnisse

Variablenwichtigkeit DWD:


4. Ergebnisse

Variablenwichtigkeit MODIS:

Mattia Rossi

Unsicherheiten der Datengrundlagen:

• In‐situ Daten:• Subjektive Einschätzung, und freiwillige Beobachter können pro Station variieren• Erschwerte räumliche Zuordnung der Geländemessung durch „erlaubte“

Abweichung vom angegeben Standort von max. 5km• „Dauergrünland“ sehr weitläufiger Begriff• Kleine STP Zahl (N=63)• In‐situ Messungen sind trotzdem die „beste“ Annäherung an die Realität

• Fernerkundungsdaten:• Unterschiedliche Auflösungen (temporal, geometrisch)• Methode zur Ableitung der Phänologie aus MODIS Daten• Unterschiede in der Größe der CLC Objekte


5. Diskussion

Mattia Rossi

6. Ausblick

• Diverse Datengrundlagen für Indikatoren testen

• Weitere Indikatoren hinzufügen

• Statistiken stabilisieren (z.B. Random Forest Parameter Tuning)

• Weitere Vegetationstypen einbeziehen

• Umgang mit Skalensprung

• Testen an unterschiedlichen phänologischen Parametern

• Räumliche Analyse um zeitliche Komponente erweitern


Mattia Rossi

Literatur:

BREIMAN, L. (2001): “Random Forests”. In: Machine Learning 45 (1), S. 5‐32.

CORNELIUS, C., LEINGÄRTNER, A., HOISS, B., KRAUSS, J., STEFFAN‐DEWENTER, I., MENZEL, A. (2013): "Phenologicalresponse of grassland species to manipulative snowmelt and drought along an altitudinal gradient". In: Journal of Experimental Botany 64 (1), S. 241–251.

HAMUNYELA, E., VERBESSELT, J., ROERINK, G., HEROLD, M. (2013): “Trends in Spring Phenology of Western European Deciduous Forests”. In: Remote Sensing 5, S. 6159‐6179.

JÖNSSON, A.M., EKLUNDH, L., HELLSTRÖM, M., BÄRRING, L. AND JÖNSSON, P., (2010): „Annual changes in MODIS vegetation indices of Swedish coniferous forests in relation to snow dynamics and tree phenology“. In: Remote Sensing of Environment 114, S.2719‐2730.

SCHABER, J. (2002): "Phenology in Germany in the 20th Century: Methods, Analyses and Models". Potsdam: Dissertation.

ZIELLO, C., ESTRELLA, N., KOSTOVA, M., KOCH, E., MENZEL, A. (2009): "Influence of altitude on phenology of selected plant species in the Alpine region (1971‐2000)". In: Clim Research 39 (3), S. 227–234.


Vielen Dank für die Aufmerksamkeit

Universität Würzburg, Institut für Geographie und Geologie, Lehrstuhl für Fernerkundung, Oswald‐Külpe‐Weg 86, 97074 Würzburg

10. Oktober 2014

Mattia Rossi, Carina Kübert, Christopher Conrad

Mattia Rossi

1. Phänologie

Messung der Phänologie im Reellen Raum


Quelle: dwd.de

Quelle: CASPERS 2013

Mattia Rossi

1. Phänologie

Messung der Phänologie im Datenraum


Quelle: JÖNSSON, EKLUNDH 2004

Mattia Rossi

1. Phänologie

Messung der Phänologie im Datenraum


Mattia Rossi

Statistik:

Validierung:

• Berechnen von Validierungsfehler• Berechnen von OOB (Out‐of‐Bag) Fehler• Pseudo R‐Quadrat bestimmen: 1‐MSE/Var(y)

Variablenwichtigkeit:

• „Percentual increase in MSE“ (%IncMSE)Erhöhung des MSE wenn die Variable aus Bäumen ausgeschlossen wird

• „Increase in Node Purity“ (IncNodePurity)Unterschied zwischen RSS vor und nach den Knoten mit der respektiven Variable


3. Arbeitsablauf ‐ Statistiken

Mattia Rossi

4. Verteilung zu erklärender Variablen

DWD Untersuchungsgebiete:


Mattia Rossi

MODIS Untersuchungsgebiet:


4. Verteilung zu erklärender Variablen

Mattia Rossi

Anwendung auf Pfeifengraswiesen:


5. Anwendung


5. Ergebnisse


5. Ergebnisse


4. Ergebnisse

Variablenwichtigkeit:


5. Ergebnisse

Mattia Rossi

Unsicherheiten der Datengrundlagen:

• DWD:• Subjektive Einschätzung, und freiwillige Beobachter können pro Station variieren• Erschwerte räumliche Zuordnung der Geländemessung durch „erlaubte“

Abweichung vom angegeben Standort von max. 5km• Schwierig insb. bei hoher Heterogenität der Standortfaktoren Topographie und

Boden• „Dauergrünland“ sehr weitläufiger Begriff (Artenzusammensetzung,

Flächenanteile, Bewirtschaftung, …)• In‐situ Messungen sind die „beste“ Annäherung an die Realität

• MODIS:• Subjektive Einschätzung, und freiwillige Beobachter können pro Station variieren


5. Diskussion

Documents

Präsentation Rossi AKFE 101014 · Mattia Rossi 1. Phänologie Was ist Phänologie? „Phenology is the study of the timing of recurring biological events, the causes