Fernerkundungsgestützte Landschaftsobjekte des Naturschutzes

Dateninformation MAD 4.0 ("Multifunktional Anwendbarer

Landbedeckungs-Datensatz") in Natflo 1.0


Stand 2019-03-20


  1. Datengrundlagen

  1. Multispektrale (R, G, B, NIR) digitale Orthofotos der Landesvermessung RLP aus den Befliegungen 2015 und 2016, 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 2008 - 2017, dienen durch Subtraktion von DOM zur Erzeugung normalisierter DOM (nDOM), in denen die Höhe der entsprechenden Rasterzelle ÜBER GRUND angegeben wird.
    Auflösung 0.5 m, Z-Genauigkeit 0.15 m.


  1. Software

Die wesentlichen Schritte zur Erzeugung der Daten laufen in Python (Interpolation und Rasterung der Höhenmodelle aus ASCII-Punktwolken) und in TRIMBLE eCognition Developer (Entwicklung des Rulesets zur Segmentierung und Klassifizierung der Daten) sowie eCognition Server (Automatisierung der Geoprozessierungen, batch processing) ab.


  1. Grundsätzliche Methodik

Die Analyse der Luftbilder und Höhenmodelle wird als objektbasierte Bildanalyse (OBIA) durchgeführt. Dabei handelt es sich um die Ableitung oder Abgrenzung von Flächen verschiedener thematischer Zuordnung aus Bilddaten und angeschlossenen Zusatzinformationen.

In einem ersten Schritt der Bildanalyse werden Pixel mit ähnlichen Eigenschaften (Farbe, Helligkeit, Höhe etc.) zu Gruppen zusammengefasst (Segmentierung). Die Grenzen zwischen den Gruppen (bzw. Segmenten) werden durch Linien (Vektoren) repräsentiert. Sie entsprechen letztendlich den Grenzen der im Bild erkennbaren Landschaftselemente. Im Anschluss an die Segmentierung werden den Einzelsegmenten des Bildes anhand ihrer Eigenschaften verschiedene, vorher festgelegte Klassen zugeordnet.


  1. Erzeugte Daten

Die bisher grob differenzierten Klassen wurden weitestgehend auf das EAGLE-Datenmodell

angelehnt. Es beschreibt einen Ansatz zum Land Monitoring, welches eine klare Trennung

zwischen Landbedeckung und Landnutzung aufweist und die INSPIRE-Datenspezifikationen

dazu berücksichtigt. Der aktuelle Stand des MAD-Datensatzes beschreibt ausschließlich

Landbedeckungsklassen. Später erfolgt über eine Auswertung weiterer Parameter (Zonale Statistiken) eine differenziertere Klassenaufteilung der Daten nach den jeweiligen Fachanwendungen.

Der erzeugte RLP-weite MAD beinhaltet über 100 Mio. Einzelgeometrien und umfasst folgende Klassen:


Artificial Surfaces

Flächen ohne Vegetation, Höhe über Grund kleiner 1m und
höchstwahrscheinlich versiegelt

Bushes or Shrubs

Aufragende, wahrscheinlich verholzte Vegetation,

Höhe über Grund zw. 1-5m

Constructions

Aufragende Nicht-Vegetation (Gebäude, Masten, Türme, etc.),
evtl. Fehler bei extremen Schattenbereichen von Bäumen

Herbaceous Plants

Vegetation < 1m Höhe oder
Vegetation zw. 1-4m Höhe mit extrem gleichmäßiger Struktur (Mais, Raps, u.ä.)

Liquid Waters

Gewässerflächen, stehend oder fließend, keine signifikante Reflektion im NIR

Natural Material Surface

Flächen ohne Vegetation, Höhe kleiner 1m und wahrscheinlich nicht versiegelt,

schwer zu trennen von Artificial Surfaces (birgt Fehler, besonders auf Straßen)

Shadow

Schattenbereiche, in denen keine eindeutige Zuordnung möglich ist

Trees

Aufragende, wahrscheinlich verholzte Vegetation,

Höhe über Grund größer 5m

  1. Objektbildung

Als erstes werden mehrere Ableitungen aus den spektralen Kanälen und den Höheninformationen berechnet. Diese dienen als Grundlage der Bildanalyse.


Die Segmentierung der Flächen verläuft in mehreren Schritten. Zunächst wird die Höhe über Grund dazu verwendet, aufragende Elemente von nicht aufragenden Elementen zu unterscheiden: nDOM > 1 m gilt als aufragend (Bäume, Häuser etc.); nDOM < 1 wird zu Ackerflächen, Straßen etc.


Im nächsten Schritt erfolgt die Trennung über den NDVI (Normalised Difference Vegetation Index). Gesunde Vegetation reflektiert im roten Bereich des sichtbaren Lichts relativ wenig und im nahen Infrarot-Bereich recht viel Strahlung. Die Verrechnung der beiden Kanäle beschreibt die Differenz und lässt somit Rückschlüsse zu, ob es sich um vegetationsbedeckte oder vegetationsfreie Flächen handelt.


Der Wertebereich des NDVI liegt zw. -1 und +1. Da die DOPs nicht alle am gleichen Tag im Jahr aufgenommen worden sind, sind auch die Werte des Vegetationsindex nicht immer exakt gleich. Also wird zunächst sehr konservativ segmentiert: NDVI < 0 wird als definitiv keine Vegetation gewertet; NDVI > 0 ist potentiell Vegetation. Über weitere Indices werden die Geometrien dann immer weiter differenziert und klassifiziert.


Diese Art der Segmentierung bezeichnet man als schwellwertbasiert. Nach dem diese

Essentiell unterschiedlichen Bereiche in den Daten über diese Segmentierung voneinander getrennt worden sind, werden die „nicht aufragenden Gebiete“ mit einer weiteren Segmentierungsmethode in kleinere Polygone aufgeteilt, der sog. „Multiresolution Segmentation“. Dabei bestimmt die Homogenität eines Gebietes über die Kriterien Farbe, Glattheit und Kompaktheit die weitere Flächenunterteilung.

Die Gebiete mit eindeutig aufragender Vegetation (= Bäume, Büsche) werden mit einem sog. Growing-down-Algorithmus segmentiert. Dazu werden die höchsten Vegetationspunkte des DOPs gesucht, anschließend lässt man in 0,5m-Schritten Bereiche zum Boden hin „wachsen“. Über diese Methode kommt man zu einer teilweisen Einzelbaum- bzw. Baumgruppen-Segmentierung. In Bereichen mit gleichaltrigen bzw. gleichhohen Bäumen ergeben sich immer Baumgruppen.


Im MAD 4.0 beträgt die kleinste kartierte Raumeinheit (MMU, minimal mapping unit) 3 m². Dieser Wert wird im Moment noch unspezifisch für alle Klassen gebraucht. Die Einführung klassenspezifischer MMU steht noch aus.


  1. Bekannte Fehler im Datensatz/ Erfassungsalgorithmus:

  • Die Unterscheidung der Klassen Artificial Surfaces und Natural Material Surface auf Grundlage der Orthofotos ist nicht häufig nicht eindeutig, da beide einen sehr geringen NDVI aufweisen und sich die Farbspektren von „schmutzigen“ Straßen und offenem Boden sehr ähneln. Das Gleiche gilt für die Farbspektren von Steinen/ Schotter im Vergleich zu asphaltieren Wegen.

  • Besonders hohe Bodenvegetation wie Maisfelder wird häufig als Busch- und Strauchvegetation (Bushes or Shrubs) fehlklassifiziert. In der kommenden Version des MAD ist bereits ein Texturparameter integriert, der hier zu besseren Ergebnissen führen soll.

  • In den DOM- Ausgangsdaten kommen unter bestimmten Bedingungen noch signifikante Höhenfehler vor (z.B. bei besonders homogenen Flächen wie Gewässer und Äcker). Hierfür konnten bisher nur teilweise Lösungen gefunden werden.

  • Durch die Zentralperspektive bei der Luftbildaufnahme entstehen gegen den Bildrand größere, durch Vegetation und andere Erhebungen verdeckte, sichttote Räume. Diese Verkippungseffekte könnten bei der Bildkorrelation vermindert werden, indem Luftbilder mit einer höheren Überdeckung der Flugstreifen aufgenommen und mehr Bildbereiche nahe der Nadirlinie für die Bildkorrelation verwendet werden (ab 2018 in RLP bereits umgesetzt worden).