Fernerkundungsgestützte Landschaftsobjekte des Naturschutzes

Daten

Dateninformation MAD 1.0 ("Mutter aller Datensätze") in Natflo 1.0

1 Ursprung
Im Projekt "Verbuschungserfassung" sollte die Vegetationsbedeckung in RLP landesweit in
mehreren Höhenstufen (Höhe der Vegetation über Grund) erfasst werden. Die "unterste
Schicht" erfasste zusätzlich zur Vegetation ab 100 cm Höhe auch den Rest der
Landbedeckung in Form einiger Landbedeckungsklassen. So lag nach der Datenprozessierung
ein RLP-weiter Landbedeckungsdatensatz vor, der nun Schritt für Schritt optimiert wird.

2 Datengrundlagen
1. Multispektrale (B, G, R, NIR) digitale Orthophotos der Landesvermessung RLP aus den
Befliegungen 2012, 2013, wie vom LVermGeo fertig mosaikiert und gekachelt. Auflösung
0.2 m.

2. Digitale Oberflächenmodelle (DOM, DSM), photogrammetrisch durch
Stereomatching-Verfahren aus den entsprechenden Luftbildern erzeugt. Auflösung 0.5 m.

3. Digitale Geländemodelle (DGM, DTM) aus LiDAR-Befliegungen 2003 - 2009, dienen
durch Subtraktion von DOM zur Erzeugung normalisierter DOM (nDOM), in denen die Höhe
der entspr. Rasterzelle ÜBER GRUND angegeben wird. Auflösung 0.5 m, Z-Genauigkeit
0.15 m.

3 Software
Die wesentlichen Schritte zur Erzeugung der Daten laufen in ESRI ArcGIS (Interpolation
gerasterter Höhenmodelle auf ASCII-Punktwolken) und in eCognition Developer
(Entwicklung des Rulesets zur Segmentierung und Klassifizierung der Daten) sowie
eCognition Server (Automatisierung der Geoprozessierungen, batch processing) ab.

4 Methodische Ansätze
Das im Zuge der Erzeugung der digitalen Höhenmodelle (Vorprozessierung) angewandte
Interpolationsverfahren ist die Inverse Distanzwichtung (IDW, inverse distance weighting).

Die Landbedeckungsdaten werden als georeferenzierte Vektorgeometrien in einer
objektorientierten Bildanalyse (OBIA bzw. GEOBIA) erzeugt. In ihr wird das Bild im ersten
Schritt in die die landschaftlichen Elemente repräsentierenden Segmente aufgeteilt. Im
nächsten Schritt werden die Segmente anhand ihrer Eigenschaften klassifiziert.

5 Erzeugte Daten
Der erzeugte RLP-weite Datensatz beinhaltet über 40 Mio Einzelgeometrien und umfasst
folgende Klassen:

Nicht-Vegetation (aufragend)
Gewässer
Vegetation, aufragend kleiner 100cm
Vegetation, ackerbaulich genutzt
Verkehr, pot.
Vegetation, aufragend größer 100cm
Offener Boden, ackerbaulich genutzt
Vegetation Boden, stark
Vegetation Boden, schwach
Sonstiges

Die Klassifizierung hält noch nicht konsequent den Fokus der "Landbedeckeung" durch,
sondern enthält auch Nutzungsaspekte (Verkehr, "ackerbaulich genutzte" Vegetation). Es
wird angestrebt, die Landnutzungsaspekte möglichst weitgehend aus den abgebildeten
Klassen zu entfernen.

6 Objektbildung
Die Bildung der geometrischen Objekte (Polygone) basiert zum aktuellen Zeitpunkt auf den
Parametern
1. NDVI
2. Höhe über Grund
bzw. auf aus diesen gebildeten Ableitungen.

Die kleinste kartierte Raumeinheit (MMU, minimal mapping unit) beträgt im Natflo-MAD
4 m², ursprünglich waren 3 m² umgesetzt. Dieser Wert wird im Moment noch unspezifisch
für alle Klassen gebraucht. Es wird über klassenspezifische MMU nachgedacht.

Der essentielle Schritt ist eine Trennung von Vegetation und Nichtvegetation über den oben
genannten Parameter NDVI. Der Segmentierungsalgorithmus ist ein sog. Contrast Split, der
über feste Schwellwerte die entsprechenden Bereiche räumlich voneinander trennt. Die
entstandenen Objekte werden dann weiter differenziert und klassifiziert.

Vegetation
Der NDVI-Schwellwert für Vegetation liegt bei >= 0.25. Im Ausschlussprinzip werden dann
weitere Klassen abgetrennt: Alles kleiner 0.1 ist NICHTVEGETATION. Im entstehenden
Werte-Zwischenbereich liegen Sonderfälle, z.B. blühende Bäume, Sondersorten Dachziegel,
Nadelwald.Die Vegetation wird dann weiter aufgeschlüsselt:
Vegetation < 1m (MMU 3 m²) Höheninformation a)
Vegetation > 1m (MMU 3 m²) Höheninformation b)

a)Bodenvegetation stark (HüG = 0.5 m, NDVI-Schwelle: >0.3, keine MMU festgelegt)
a)Bodenvegetation schwach (HüG = 0.5 m, NDVI-Schwelle: <0.3, keine MMU festgelegt) a) Vegetation < 100 (HüG < 1.0 m und > 0.5 m)

b) Vegetation > 1m
b) Vegetation > 1 m unter
anthropogener Nutzung: (Sonderfall, gleichmäßige Oberflächentextur/ charakterist.
Farbe, Bsp.: Maisacker: > 3,8 m, Rapsacker: gelb, Slope im
Randbereich zeigt signifikante abrupte Höhenänderung.)

Nichtvegetation
Offener Boden (HüG 0 cm, NDVI-Schwelle: siehe Vegetation, keine MMU festgelegt,
alle Nichtvegetations-Restflächen)
Verkehrswege (HüG 0 cm, NDVI-Schwelle: siehe Vegetation, Lage auf ALKIS Verkehr* ,
keine MMU festgelegt)
(Aufragende)
Nichtvegetation (HuG > 2m, NDVI-Schwelle: s.o., keine MMU festgelegt, evtl. 10 m²
(kleine Schuppen), evtl. Übernahme der LVermGeo-eCog-Gebäude ins
Datenmodell
Wasser (Welche Parameter? Woher kommt die Grenze? Stark
Hilfsdatenabhängig, spektral extrem variabel, mögl. über DDVI)

*Diskussion sinnvoll, welche Rolle Eigentumsgrenzen insb. öffentlicher Eigentümer haben
sollen: Eigentumsgrenzen sind eine "landschaftswirksame Realität".


7 Bekannte Fehler im Datensatz/ Erfassungsalgorithmus:
1. Schwächen bei der Erfassung von Vegetation im Bereich von Nadelwäldern in
Luftbildern mit ungünstigen Eigenschaften durch schwaches NDVI-Signal (schlechte
Ausleuchtung/ ungünstiger Aufnahmezeitpunkt: zu früh/ spät in Vegetationsperiode/ am
Aufnahmetag, atmosphärische Bedingungen)

2. Fehlklassifizierungen in den Bereichen Simmern und Mainz durch fehlerhafte
Abfragen während der eCog-Bearbeitung.

8 Ausblick
Im Zuge des Natflo-Projektes wird der Datensatz Schritt für Schritt weiterentwickelt.
1. geometrisch: Segmentierung
2. attributiv: Objekteigenschaften
3. thematisch: Landcover-Klassen

Nächste Schritte
1. Geometrische und attributive Differenzierung der großflächig mit aufragender
Vegetation bestockten Bereiche (Wald etc.): Landesweite Erzeugung der in Zusammenarbeit
mit LökPlan entwickelten Wald-Grundgeometrien, Einbau eines entsprechenden
Teilalgorithmus (multiresolution segmentation) in den Gesamtworkflow. Einbindung waldrelevanter Parameter in Form von Attributen in die Objektdatenbank. Im Vorfeld
Parametertests durch TU Berlin im Hinblick auf Eignung für EUNIS-Wald.

2. Identifikation zeitstabiler Geometrien im Offenland mit dem Ziel der Abbildung
dauerhafter landschaftlicher Strukturen.