Erfassung Von Baumplantagen Im Inselstaat Vanuatu Mittels Landsat- Und Aster-Satellitendaten
Transcript of Erfassung Von Baumplantagen Im Inselstaat Vanuatu Mittels Landsat- Und Aster-Satellitendaten
Friedrich-Schiller-Universität Jena SoSe2007 Institut für Geographie
GEO 390: „Bachelorarbeit“
Betreuung: Dr. Martin Herold
Erfassung von Baumplantagen im Inselstaat
Vanuatu mittels Landsat- und Aster-Satellitendaten
Bachelorarbeit
vorgelegt von:
André Armstroff
Studiengang: Geographie B. Sc.
Semester: 6/6
Abgabedatum: 31.08.2007
II
Inhalt
Abbildungen………………………………………………………………… IV
Tabellen……………………………………………………………………… V
Abkürzungen………………………………………………………………... VI
Vorwort……………………………………………………………………… VII
1 Einleitung……………………………………………………………….1
2 Untersuchungsgrundlagen……………………………………………..2
2.1 Vanuatu und der Kokosanbau…………………………………..2
2.2 Kokosplantagen und -produkte………………………………....4
2.3 Gründe für die Plantagenerfassung……………………………..6
2.3.1 Voraussetzungen für die nachhaltige, effiziente
Nutzung des tropischen Regenwaldes………………...6
2.3.2 Konsequenzen nachhaltiger Nutzung…………………7
2.3.3 Politische Grundlagen für eine nachhaltige und
ökonomische Nutzung………………………………..10
2.4 Spektrale Eigenschaften von Vegetation………………....…….11
2.5 Aktueller Forschungsstand……………………………………..12
2.6 Ziele und Aufbau dieser Arbeit………………………………...15
3 Datenbeschreibung und -vorverarbeitung…………………………..18
3.1 ASTER-Daten………………………………………………….18
3.2 Landsat-Daten…………………………………………………..20
3.3 Weitere Referenzdaten…………………………………………22
3.4 Datenvorverarbeitung…………………………………………..23
4 Datenverarbeitung………………………………………………….....25
4.1 Unterscheidbarkeit der Kokosbedeckungen von anderen
Landbedeckungen mit Hilfe der verfügbaren Daten…………...25
4.1.1 Differenzierbarkeit verschiedener
Landbedeckungsklassen……………………………....26
4.1.2 Auswahl der geeignetsten Daten……………………..28
4.2 Erstellung einer kartographischen Illustration der
Kokosplantagenverteilung……………………………………...30
III
4.2.1 Vorbereitenden Schritte………………………………30
4.2.2 Das Prinzip der Klassifikation………………………..31
4.2.3 Durchführung der unüberwachte Klassifikation……...32
4.3 Genauigkeitsanalyse……………………………………………36
4.3.1 Grundlagen der Genauigkeitsanalyse………………....36
4.3.2 Durchführung der Genauigkeitsanalyse……………....38
5 Ergebnisse……………………………………………………………...39
5.1 Trennbarkeit verschiedener Landbedeckungsklassen…………..39
5.2 Kanaleignung zur Kokos-Nicht-Kokos-Trennung……………...46
5.3 Kartographische Darstellung der Kokosplantagenverteilung…...48
5.4 Ergebnis der Genauigkeitsanalyse……………………………....53
6 Fazit……………………………………………….................................55
Literatur…………………………………………………………………… ...56
Anhang……………………………………………………………………….62
IV
Abbildungen
Abb. 1 Lage Vanuatus im Pazifik………………………………………... 2
Abb. 2 Vanuatu……………………………………………....................... 3
Abb. 3 Palmenanordnungen auf Kokosplantagen…...................................5
Abb. 4 Zwischenfruchtbau von Maniok, Süßkartoffeln und Taro auf
einer Kokosplantage………………………………………………5
Abb. 5 Hauptursachen tropischer Entwaldung…………………………....7
Abb. 6 Muster selektiv gefällten Waldes, zur Korridorerhaltung………...9
Abb. 7 Anteil der Entwaldung an der jährlichen, mittleren, globalen
Kohlenstoffdioxid-Emission………………………………………9
Abb. 8 Reflektionseigenschaften von Vegetation………………………..12
Abb. 9 Ablaufplan der Bachelorarbeit……………………………………17
Abb. 10 Spektrale Kanäle von ASTER und Landsat-ETM………………..19
Abb. 11 Datenlücken der ETM-Daten……………………………………..21
Abb. 12 Versatz zwischen ASTER- und VANRIS-Datensatz……………..23
Abb. 13 PCA-Dekorrelation eines bivariaten Datensatzes………………...27
Abb. 14 Dunsteffekt in einer ASTER-Szene………………………………34
Abb. 15 Zerstörter ASTER-Datensatz……………………………………..34
Abb. 16 Kokosplantage über 60% Bedeckungsgrad……………………….39
Abb. 17 Kokosplantagen 15 bis 60% Bedeckungsgrad……………………40
Abb. 18 Kokosplantagen unter 15% Bedeckungsgrad…………………….40
Abb. 19 Nicht-Kokosplantage über 60% Bedeckungsrad…………………41
Abb. 20 Tropischer Primärwald…………………………………………....41
Abb. 21 Busch- und Strauchland…………………………………………..42
Abb. 22 Reflektanzvergleich in den ASTER-Kanälen……………………..43
Abb. 23 Reflektanzvergleich in den TM-Kanälen…………………………43
Abb. 24 Kokosplantagenverteilung auf Éfaté……………………………...50
Abb. 25 Kokosplantagenverteilung auf Espiritu Santo……………………51
Abb. 26 Kokosplantagenverteilung auf Malakula…………………………52
V
Tabellen
Tab. 1 Eigenschaften der ASTER-Kanäle………………………………..19
Tab. 2 Eigenschaften der Landsat-7-ETM-Kanäle……………………….21
Tab. 3 Error-Matrix……………………………………………………….37
Tab. 4 Jeffries-Matusita-Indizes der Landbedeckungsklassen aus
ASTER-Kanal 1 bis 9……………………………………………..44
Tab. 5 Jeffries-Matusita-Indizes der Landbedeckungsklassen aus
ASTER-Hauptkomponente 1 bis 6……………………………......45
Tab. 6 Jeffries-Matusita-Indizes der Landbedeckungsklassen aus
Landsat-TM-Kanal 1 bis 7………………………………………...45
Tab. 7 Jeffries-Matusita-Indizes der Landbedeckungsklassen aus
Landsat-TM-Hauptkomponente 1 bis 5…………………………..45
Tab. 8 Geeignetste Kanäle zur Kokos-Nicht-Kokos-Trennung………….47
Tab. 9 Jeffries-Matusita-Indizes der Kokos-Nicht-Kokos-
Unterscheidung mit ausgewählten Kanalkombinationen…………47
Tab. 10 Ausgewiesene Flächengrößen in Hektar………………………….53
Tab. 11 Errormatrix der Genauigkeitsanalyse der
Kokosplantagenklassifikation……………………………………..53
VI
Abkürzungen
AA Auswärtiges Amt
ART-MMAP Adaptive Resonance Theory – Mixture Mixture Analysis Model
ASTER Advanced Spaceborne Thermal Emission and Reflection Radiometer
BMLV Bundesministerium für Landesverteidigung
CDM Clean Development Mechanism
CRN Coalition of Rainforest Nations
CSIRO Commonwealth Scientific and Industrial Research Organization
DN Digital Number
ETM Enhanced Thematic Mapper
FAO Food and Agriculture Organization of the United Nations
HKBU Hong Kong Baptist University
ISODATA Iterative Self-Organizing Data Analysis Technique
NASA National Aeronautics and Space Administration
NDWI Normalized Difference Water Index
PCA Principal Component Analysis
RMU Research Mapping Unit
SWIR Shortwave Infrared
TM Thematic Mapper
TIR Thermal Infrared
UN United Nations
UNBC University of Northern British Columbia
UNFCCC United Nations Framework Convention on Climate Change
USGS United States Geological Survey
UT University of Texas
UTM Universal Transverse Mercator
VANRIS Vanuatu Resource Information System
VITO Flemish Institute for Technological Research
VNIR Visible and Near Infrared
VTO Vanuatu Tourism Office
VUW Vicoria University of Wellington
VII
Vorwort
Im Vorfeld dieser, am Lehrstuhl für Fernerkundung zu Jena erstellten Arbeit,
möchte ich jenen Personen danke, die mir bei der Bearbeitung zur Seite standen.
In erster Linie handelt es sich dabei um Frau Prof. Dr. Christiane Schmullius,
die während des Studiums mein Interesse am wissenschaftlichen Arbeiten im
Bereich der Fernerkundung geweckt hat. Weiterhin möchte ich in ganz besonderer
Form meinem Betreuer Dr. Martin Herold sowie Jaqueline Sambale danken, die
mich zu jeder Zeit mit ausführlichen Hilfestellungen und zahlreichen Ratschlägen
unterstützten.
Darüber hinaus möchte ich allen danken, die mir über den
Bearbeitungszeitraum mit Vorschlägen, Anregungen, aber auch Ablenkungen
beistanden. Namentlich möchte ich hier Michael Schultz, Martin Lindner, Kristina
Eritt, Stefan Stange, Norman Bösel, Robert Eckardt und Marcel Urban hervorheben.
Mein besonderer Dank gilt meinen Eltern, die mir mit ihrer engagierten
Unterstützung den Rücken freihielten, so dass ich mich gänzlich auf diese Arbeit
konzentrieren konnte.
1
1 Einleitung
Seit jeher wurde der tropische Regenwald von den Menschen genutzt, jedoch
nie zuvor so sehr, wie dies heutzutage der Fall ist. Jährlich werden durch die
Entwaldung in den Tropen - deren Wälder circa die Hälfe aller weltweiten Bestände
ausmachen - rund 1,7 Gigatonnen Kohlenstoff freigesetzt (WATSON 2000:o.S.;
WOOD 2004:o.S.). Da dieser Wert in den kommenden Jahrzehnten voraussichtlich
weiter steigen wird und der tropische Regenwald durch seine Funktion als
Kohlenstoff-Senke einen großen Einfluss auf das globale Klimageschehen hat, ist es
wichtig, den Rückgang der tropischen Regenwälder zu verfolgen und
entgegenwirkende Maßnahmen zu ergreifen (POTTER 1999:769).
Derartige Ziele verfolgt beispielsweise die Coalition of Rainforest Nations
(CRN), ein internationaler Zusammenschluss tropischer Entwicklungsländer, die
versuchen, die Verwaltung des tropischen Regenwaldes mit den ökonomischen
Zielen zu vereinigen. Zu diesen Nationen zählt auch Vanuatu (CRN 2007:o.S.).
Da sich in Vanuatu die Entwaldung vorwiegend auf der Anlage von Plantagen,
respektive Kokosplantagen begründet, gilt es dort, deren Verteilung, Ausdehnung
und Ausbreitung zu verfolgen und gegebenenfalls zu regulieren (BELLAMY 1991:49;
HEROLD 2007:o.S.).
Ersteres, das heißt, die Verteilung und Ausdehnung abzuschätzen, ist Ziel
dieser Arbeit. Da die ausgedehnten Regenwälder Vanuatus schlecht zugänglich sind,
ist die Fernerkundung für die Kartierung der Kokosgebiete besonders geeignet, da
mit dieser relativ große Gebiete, schnell und verhältnismäßig kostengünstig
untersucht werden können (BISCHOFF 2003:o.S.; CONGALTON 1999:2; VTO
2007:o.S.).
Zur Ausweisung der Kokosplantagen standen Szenen des Advanced
Spaceborne Thermal Emission and Reflection Radiometer (ASTER) zur Verfügung.
Als Referenz, beziehungsweise zur Genauigkeitsabschätzung, wurden Landsat-
Enhanced-Thematic-Mapper (ETM)- und Thematic-Mapper (TM)-Daten, das 1985
im Rahmen des Vanuatu Forest Resource Survey Project aufgenommene Vanuatu
Resource Informations System (VANRIS) sowie Google Earth, verwendet.
2
2 Untersuchungsgrundlagen
2.1 Vanuatu und der Kokosanbau
Vanuatu ist ein aus 83 Inseln bestehender Staat im Süd-West-Pazifik (siehe
Abb. 1) (VTO 2007:o.S.). Die größte Insel ist Espiritu Santo (siehe Abb. 2) mit
knapp 4000 Quadratkilometern. Die Eilande sind hauptsächlich vulkanischen
Ursprungs, wobei viele auch heute noch aktiv sind. Sie weisen daher eine hohe
Reliefenergie auf. Der Inselstaat wird vom tropischen bis subtropischen Klima
beeinflusst und ist von großräumigen Regenwaldgebieten bedeckt (VTO 2007:o.S.).
Vanuatu wird seit circa 4000 Jahren von Menschen bewohnt (VTO 2007:o.S.).
Ab dem späten 18. Jahrhundert siedelten sich die ersten Europäer an (VTO
2007:o.S.). Von 1906 bis 1980 stand es unter britisch-französischer
Kondominiumsherrschaft (VTO 2007:o.S.). Der seit 1980 unabhängige Staat trat
1981 den Vereinten Nationen bei (VTO 2007:o.S.). Seit 2005 ist Vanuatu darüber
hinaus auch Mitglied der Coalition of Rainforest Nations (VUW 2006:o.S.) in
welcher tropische Entwicklungsländer „[…] zusammenarbeiten, um die
Waldverwaltung mit der wirtschaftlichen Entwicklung in Einklang zu bringen.“
(eigene Übers.) (CRN 2007:o.S.)
Abb. 1: Lage Vanuatus im Pazifik (Datenquelle: verändert nach BMLV o.J.:o.S.)
3
Abb. 2: Vanuatu (Datenquelle: verändert nach UT 1998:o.S.)
Die ca. 200.000 Einwohner Vanuatus leben hauptsächlich von der
Landwirtschaft, wobei sich dies meist auf Subsistenzwirtschaft und kleinräumigen
4
Ackerbau beschränkt. Die traditionell angebauten Nahrungsmittel sind
Süßkartoffeln, Maniok, Brotfrüchte sowie Wasserbrotwurzeln (VTO 2007:o.S.).
Eines der Hauptexportgüter ist neben zahlreichen anderen Kokosprodukten das
von den ausgedehnten Kokosplantagen stammenden Holz. Hierbei handelt es sich
um permanente, kapital- und arbeitsintensive, landwirtschaftliche Großbetriebe
(BELLAMY 1991:49; SPEKTRUM 2000:o.S.).
2.2 Kokosplantagen und -produkte
Es existieren viele verschiedene Kokospalmenarten, mit zahlreichen
unterschiedlichen Ausprägungen. Hier wird sich jedoch auf die großen Arten
beschränkt, die kommerziell genutzt werden. Diese werden über 27 Meter hoch und
haben einen rund vierzig Zentimeter dicken, meist gebogenen, astarmen Stamm
(DUKE 1983:o.S.). Dieser besitzt eine verdickte Basis. Kokospalmen haben eine
großblättrige Krone, an welche sich unterhalb der dicht gepackte Wachstumsbereich
des Baumes anschließt. Optimale Bedingungen finden die Palmen auf sandig-
lehmigem Boden, in Wassernähe. Die Bäume können zwischen vierzig und neunzig
Jahre alt werden und tragen erstmals nach acht bis zehn Jahre Blüten (DUKE
1983:o.S.). Diese entwickeln sich zu 15 bis 30 Zentimeter lange Früchten; den
Kokosnüssen (DUKE 1983:o.S.).
Kokospalmen werden seit circa 4000 Jahren kultiviert und heutzutage
besonders im asiatisch-pazifischen Raum, so auch in Vanuatu,
plantagenwirtschaftlich angebaut (FAO 2004:10).
Die Pflanzen haben eine hohe Toleranz gegenüber vielen äußeren Einflüssen,
was sie für den kommerziellen Anbau geeignet macht. Beispielsweise sind sie
beständig gegenüber pH-Wert-Schwankungen, Hitze, Insektenbefall sowie salzigen,
nährstoffarmen Böden. Hingegen sind sie anfällig gegenüber Wassermangel,
niedrigen Temperaturen sowie Bakterien- und Pilzbefall (DUKE 1983:o.S.).
Angepflanzt werden die Bäume gewöhnlich mit einem Abstand von neun
Metern (siehe Abb. 3), wobei nach einem Jahr aus verkümmerten Palmen
resultierende Lücken durch Gewächshausexemplare ersetzt werden. Zwischen den
Palmen werden Maniok, Augenbohnen, Wasserbrotwurzeln oder Süßkartoffeln
angepflanzt (siehe Abb. 4) (DUKE 1983:o.S.; REYNOLDS 1995:o.S.).
5
Abb. 3: Palmenanordnungen auf Kokosplantagen
(Datenquelle: verändert nach REYNOLDS 1995:o.S.)
Abb. 4: Zwischenfruchtbau von Maniok, Süßkartoffeln und Taro auf einer Kokosplantage
(Datenquelle: verändert nach REYNOLDS 1995:o.S.)
Die Kokospalme ist eine bedeutende und vielseitig verwendbare
Kulturpflanze, bei der alle Teile, insbesondere Holz, Blätter, Blüten und Früchte,
genutzt werden (DUKE 1983:o.S.). Von diesen Verwendungen werden im Folgenden
einige vorgestellt:
6
Aus den Blüten kann Zucker gewonnen werden. Das Fruchtfleisch und die
Kokosmilch werden vor allem als Nahrungsmittel genutzt. Außerdem wird aus dem
getrockneten Fruchtfleisch, dem Kopra, Kokosöl gewonnen, aus dem unter anderem
Seifen, Cremes und Shampoos hergestellt werden. Auch das Holz, das in Plantagen
am Ende eines Lebenszyklus in großen Mengen anfällt, wird beispielsweise im
Hausbau oder als Brennmaterial benutzt (DUKE 1983:o.S.; FAO 2004:10).
2.3 Gründe für die Plantagenerfassung
Der tropische Regenwald, der „[...] sich entlang des Äquators wie ein Gürtel
um die Erde erstreckt" (KRÜGER et al. 2004:1) „[...] ist das artenreichste Ökosystem"
(KRÜGER et al. 2004:1) und eines, welches den Werdegang der klimatischen
Entwicklung des gesamten Planeten entscheidend mit regelt. Dessen zunehmende
Beeinflussung durch den Menschen verlangt einen ausführlichen Kenntnisgewinn
über dessen Funktionsweise, Bedeutung sowie Nutzung, um einen angemessenen,
nachhaltigen Umgang mit den bereitstehenden Ressourcen zu gewährleisten.
Hierbei bilden die Plantagen, und in Vanuatu speziell die Kokosplantagen, den
zentralen Untersuchungspunkt, da deren Einfluss, besonders aufgrund der
wachsenden Holznachfrage, vorrangig in den Jahren nach 1990, entscheidend
zugenommen hat (FAO 2004:5f.).
2.3.1 Voraussetzungen für die nachhaltige, effizien te Nutzung des
tropischen Regenwaldes
Der ökologische und ökonomische Umgang mit den Ressourcen des
tropischen Regenwaldes setzt drei Punkte voraus:
Einerseits ist ein gewisser Kenntnisstand der Funktionsweise dieses
Ökosystems sowie dessen geophysikalische Effekte unabdingbar. Beispielsweise
sind Erkenntnisse über die Reaktion des Regenwaldes, insbesondere auf
anthropogene Störungen wichtig, um eine Überbeanspruchung des Systems zu
vermeiden (LAMB 1990:20ff.).
7
Weiterhin ist entscheidend, welche Bedeutung den Wäldern, auf Grund ihrer
Funktionen für den Menschen, beigemessen wird. In traditionellen Gesellschaften
beispielsweise, haben sie mitunter die Bedeutung von Rohstofflieferanten. Doch
auch in modernen Gesellschaften spielen sie eine wichtige Rolle. Insbesondere
durch Wanderfeldbau, Nutz- und Brennholzentnahme sowie die am stärksten zur
Entwaldung beitragende permanente Landwirtschaft (siehe Abb. 5), stellen sie eine
wichtige Lebensgrundlage, nicht nur für dort lebenden Menschen, dar (KUMMER
1992:12, 31; LAMB 1990:23).
Abb. 5: Hauptursachen tropischer Entwaldung (Datenquelle: verändert nach CALLAHAN 2000:o.S.)
Wissen über die biologischen und geophysikalischen Grundlagen sowie über
die sozioökonomischen Kräfte und die weltmarktpolitische Situation sind jedoch
nutzlos, wenn nicht entsprechende politische Entscheidungen getroffen und
eingehalten werden (KUMMER 1992:10ff., 30).
2.3.2 Konsequenzen nachhaltiger Nutzung
Bei konsequenter Umsetzung der unter 2.3.1 genannten Punkte wäre eine
nachhaltige Regenwaldnutzung, ohne zwangsläufig damit einhergehende
ökonomische Nachteile, möglich (GREENPEACE 2007:1).
8
Beispielsweise kann durch einen achtsam gewählten Saat-Ernte-Zyklus,
beziehungsweise durch nachsichtige Primärwaldabholzung, die Oberbodenstörung
minimiert werden. Bei einer Entfernung der bodenschützenden Baumbestände in
trockeneren Perioden können Bodenverdichtung und Nährstoffverlust durch
Auswaschung gering gehalten werden. Dies bewirkt ein schnelleres Wachstum neu
angelegter Bestände, was einer Produktivitätssteigerung gleichkommt. Daraus folgt,
dass, beispielsweise auf eine gesteigerte Holznachfrage ohne Extensivierung der
Plantagenwirtschaft reagiert werden kann (LAMB 1990:99ff.; FAO 2004:12).
Unmittelbar mit der Aufrechterhaltung des Nährstoffkreislaufs
zusammenhängend sollte auch der Erhalt des Wasserkreislaufs im ökologischen und
ökonomischen Fokus stehen. Mitunter kann unkontrolliertes Anlegen von
monokulturellen Plantagen zur Versumpfung flussabwärts gelegener Gebiete führen.
Dies begründet sich auf gesteigertem Oberflächenabfluss und verminderter
Evaporation im Plantagenbereich (GRACE et al. 2003:5f.; LAMB 1990:100, 143).
Damit einher geht auch der Biodiversitätserhalt, da derartige
Biotopsänderungen diese ebenfalls grundlegend verändern können. Weiterhin spielt
die räumliche Plantagenverteilung eine Rolle, da dadurch der Kontakt mehrerer
Waldstücke durch Korridore, garantiert oder verhindert werden kann (siehe Abb. 6).
Sollte eine Wechselwirkung dieser nicht mehr möglich sein, hätte auch dies negative
Auswirkungen auf die Biodiversität (LAMB 1990:99ff.).
Weiterhin können durch eingeschränkte Ausweitung agrarischen Flächen,
beispielsweise durch Rodung, der Kohlenstoffdioxid- sowie der Methan-Kreislauf
positiv beeinflusst werden. Hierbei können durch Verbrennen beziehungsweise
Verrotten organischen Materials sowie durch Landwirtschaftsfahrzeuge
hervorgerufene Emissionen verringert oder vermieden werden. Durch derartige
Prozesse wird rund ein Viertel der globalen Treibhausgasemission verursacht (siehe
Abb. 7) (VUW 2006:o.S.).
9
Abb. 6: Muster selektiv gefällten Waldes, zur Korridorerhaltung
(Datenquelle: verändert nach LAMB 1990:103)
Abb. 7: Anteil der Entwaldung an der jährlichen, mittleren, globalen CO2-Emission
(Datenquelle: verändert nach CRN 2007:o.S.)
10
2.3.3 Politische Grundlagen für eine nachhaltige un d ökonomische
Nutzung
Wie bereits in Kapitel 2.3.1 erwähnt, können Profite aus der nachhaltigen
Nutzung nur gezogen werden, wenn entsprechende, beschlossene Gesetze und
Verordnungen eingehalten und befolgt, und nicht etwa durch illegale
Plantagenerweiterung korrumpiert werden.
Konkrete Bemühungen Vanuatus sind insbesondere die 1992 in New York
verabschiedete Klimarahmenkonvention der Vereinten Nationen sowie die
Bestrebungen der vanuatuischen Forstbehörde um die Durchsetzung des Vanuatu
Forest Projects zur nachhaltigen Naturwaldbewirtschaftung (AA 2007:o.S.).
Ziel Ersterer ist es „[…] die Stabilisierung der Treibhausgaskonzentrationen in
der Atmosphäre auf einem Niveau zu erreichen, auf dem eine gefährliche
anthropogene Störung des Klimasystems verhindert wird.“ (UN 1992:5) Die
Maxime des Vanuatu Forest Projects ist, Vorteile aus dem Clean Development
Mechanism (CDM) des Kyoto-Protokolls zu ziehen. Gemäß diesem wäre es
möglich, durch Aufforstung Emissions-Kredit-Punkte zu erwerben, welche dann an
Industrienationen verkauft werden können (VUW 2006:o.S.).
Um allerdings von dieser Regelung profitieren zu können, beziehungsweise
um nachzuweisen, dass die Auflagen Vanuatus, als Mitgliedsstaaten der United
Nations Framework Convention on Climate Change (UNFCCC) (einer
internationalen Organisation die versucht, dem Klimawandel entgegenzuwirken)
erfüllt wurden, ist es notwendig, die Änderungen der Waldbedeckung sowie die
Aktivitäten auf den Kokosplantagen und deren Expansion detailliert zu kontrollieren
(UN 1998:11). Die Aufforstung darf nämlich keineswegs dadurch geschehen, dass
tropischer Primärwald für Neuanpflanzungen abgeholzt wird, da das mehr CO2
freisetzen als binden würde, was dem Prinzip der Karbon-Kredite widerspräche
(HEROLD et al. 2007:o.S.).
Um derartige Kontrollfunktionen wird sich aktuell, zum Beispiel im Vanuatu
Carbon Credits Project, bemüht (ANONYMOUS 2007:3; VUW 2006:o.S.).
11
2.4 Spektrale Eigenschaften von Vegetation
Zur Differenzierung der Kokosgebiete von anderen Landbedeckungen ist die
Fernerkundung, aus den in Kapitel 2.5 genannten Gründen, gut geeignet. Daher sind
Kenntnisse über sie spektralen Eigenschaften der Vegetation unabdingbar, um die
Kokos-Nicht-Kokos-Trennung durchführen zu können (ALBERTZ 2001:3).
Die elektromagnetische Strahlung interagiert insbesondere mit den Pigmenten,
dem Wasser und interzellulären Lufteinschlüssen. Dementsprechend sind diese
Komponenten für die am Sensor gemessenen Reflektionseigenschaften der Pflanzen
verantwortlich (siehe Abb. 8) (JENSEN 2000:334).
Im optischen Bereich bestimmen Blattpigmente, wie Chlorophyll, die
Interaktion mit elektromagnetischer Strahlung. Diese absorbieren jeweils Licht
spezifischer Wellenlängen. Zerfallen die im Palisadengewebe befindlichen Pigmente
(beispielsweise durch Wassermangel), steigt die Reflektanz im sichtbaren
Wellenlängenbereich. Dadurch können andere Pigmente dominant werden, deren
Reflektionseigenschaften die Blattfarbe signifikant verändern (JENSEN
2000:335,337f.).
Ein starker Anstieg der Pflanzenreflektanz ist im nahinfraroten Bereich zu
verzeichnen (siehe Abb. 8). Hierbei ist insbesondere das lufteinschlussreiche
Schwammgewebe für Streuung verantwortlich. Sinkt die Vitalität eines Blattes, geht
auch dessen nahinfrarote Reflektanz zurück, wodurch sich die red edge
(Reflektanzsprung zwischen sichtbarem und nahinfrarotem Bereich) zurückbildet
(JENSEN 2000:335,338f.).
Im Mittelinfraroten werden die Reflektionscharakteristika vom Wassergehalt
der Pflanzen bestimmt. Je größer der Blattwasseranteil, desto höher die Absorption.
Dies gilt insbesondere in den Absorptionsbanden des Wassers bei Wellenlängen von
1,45; 1,94 und 2,7 Mikrometer (JENSEN 2000:335). Zwar gibt es auch im Sichtbaren
und Nahinfraroten Absorptionsbanden, doch sind diese weniger ausgeprägt als bei
mittelinfraroten Wellenlängen (JENSEN 2000:335).
12
Abb. 8: Reflektionseigenschaften von Vegetation
(Datenquelle: verändert nach JENSEN 2000:335)
Die gemessene Reflektion einer Vegetationsbedeckung ist jedoch noch von
weiteren Faktoren abhängig. Beispielsweise sind der vorherrschende
Bedeckungsgrad, beziehungsweise auch der Beleuchtungswinkel, entscheidend.
Weiterhin kommt es auf die Pflanzenart an und wie deren Kronenform,
-durchmesser und auch Blattstellung beschaffen ist. Hinsichtlich dieser Faktoren
lässt sich, wie Kapitel 5.1 zeigen wird, auch Kokospalmenbedeckung vom
tropischen Primärwald unterscheiden (DUKE 1983:o.S.; JENSEN 2000:345).
2.5 Aktueller Forschungsstand
Wie in Kapitel 2.3 beschrieben, ist durch die wachsenden Einflüsse auf den
tropischen Regenwald, die regelmäßige Aktualisierung der Daten über
Waldbedeckung sowie Ausdehnung, Größe, Verteilung und Stadien der in ihm
befindlichen Kokosplantagen, nötig (ANISE 1995:13).
Um dies zu erreichen kann die Fernerkundung eingesetzt werden, da sie
innerhalb kurzer Zeit große Datenmengen, auch von abgelegenen Gebieten,
13
aufnehmen kann. Dies liegt in der Kontaktlosigkeit der fernerkundlichen
Untersuchung begründet. Informationen werden durch die Auswertung detektierter
elektromagnetischer Wellen verschiedener spektrale Bereiche gewonnen
(CONGALTON 1999:2; OCHEGO 2003:2f.).
Bisher wurden zahlreiche Bemühungen angestellt, die Landbedeckung in den
tropischen Regenwäldern zu kartieren. Diese beruhten auf unterschiedlichsten
Datengrundlagen. Die angewandten Methodologien beschränken sich weitestgehend
auf Klassifikationsverfahren. Eine Auswahl vergleichsweise erfolgreicher Verfahren
soll im Folgenden näher gebracht werden.
Eine besonders aussichtsreiche Variante der Regenwaldkartierung stellt die
Radar-Fernerkundung dar, bei der der Boden mit langwelliger Radiostrahlung
abgetastet wird. Der Vorteil hierbei ist, dass Radiostrahlung die in den Tropen
häufig vorhandenen Wolken durchdringt und somit keine Datenlücken entstehen
(SRI SUMANTYO 2002:IX).
Weiterhin wird in HAACK et al. (2002:2ff.) von verschiedenen Anwendungen
einer Kombination aus optischen und Radar-Daten berichtet, die aber nicht direkt
auf die Tropen, beziehungsweise die Kokosdetektierung bezogen sind.
Beispielsweise wurde im Katmandu-Tal Nepals anhand von Radarsat und Landsat-
Szenen eine überwachte Maximum Likelihood Klassifikation durchgeführt. Dabei
werden die Bildpunkte jeweils den Klassen mit den ähnlichsten spektralen
Eigenschaften zugeordnet (wobei sowohl Lage, als auch Varianz und Kovarianz des
Clusters (Punktwolken von Bildpunkten mit ähnlichen spektralen Eigenschaften in
einem vieldimensionalen Eigenschaftsraum) entscheidend sind) (ECKER et al.
1995:o.S.; RICHARDS et al. 2005:194-196). Diese Klassen wurden vorab durch
Trainingsgebiete festgelegt. Nach der Klassifikation ergab die Fehlerabschätzung,
dass sowohl optische als auch die Radar-Daten für sich genommen nur begrenzt
fähig waren, die Landbedeckung herauszuarbeiten. Eine Kombination aus beiden
lieferte jedoch genaue Ergebnisse (HAACK et al. 2002:4, 10).
Da für diese Arbeit keine Radar-Daten zur Verfügung standen, werden die in
derartigen Studien angewandten Methoden jedoch nicht ausführlicher erläutert.
Einen tieferen Einblick in diese Thematik bietet SRI SUMANTYO (2002:1ff.).
Sehr gute Ergebnisse konnten auch durch Klassifikation texturgefilterter Daten
erzielt werden. Allerdings erfordern diese besseren Auflösungen als 225
14
beziehungsweise 900 Quadratmeter, wie sie ASTER und Landsat liefern (BHUSAN
et al. 1995:2; NASA 2004:8; USGS 2006:o.S.).
Eine weitere viel versprechende Methode stellen die mehrstufigen
Klassifikationen dar. Beispielsweise lieferte ein solches Verfahren, laut APAN
(1997:1031), sehr genaue Ergebnisse. Auch in KLASNER et al. (1998:13) wird ein
Beispiel einer erfolgreichen hierarchischen Klassifikation, in der zunächst nur vier
Klassen unterschieden werden, beschrieben. Anschließend wurde diese Einteilung in
drei weiteren Schritten verfeinert.
Weiterhin konnte PALANISWAMI (2006:1707ff.) zeigen, dass auch eine
Subpixel-Klassifikation zur Kokosplantagenextraktion geeignet ist. Bei dieser wird
davon ausgegangen, dass sich die spektralen Eigenschaften jedes Bildpunktes linear
aus den Reflektanzen der in ihm befindlichen Komponenten zusammensetzen.
Darauf aufbauend lieferte auch Adaptive Resonance Theory – Mixture Mixture
Analysis Model (ART-MMAP); eine auf neuronalen Netzen basierende, gute
Ergebnisse (PALANISWAMI 2006:1710). Allerdings werden dazu Kenntnisse der
genauen Reflektionseigenschaften der verschiedenen Waldkomponenten
vorausgesetzt.
Aus all diesen Anwendungsbeispielen wird deutlich, dass es durchaus
Möglichkeiten gibt, die tropischen Regenwälder zu kartieren beziehungsweise
Kokosplantagen auszuweisen. Allerdings erfordert die in dieser Arbeit zur
Verfügung stehende Datengrundlage (siehe Kapitel 3), dass auch neue Methoden
auf die Probe gestellt werden. Diese können dann als Grundlage weiterer Studien
mit ähnlichen Datengrundlagen dienen. Ein Beispiel hierfür könnte der Normalized
Difference Water Index (NDWI) sein, der sich nach VITO (2006:o.S.)
folgendermaßen berechnet:
54
54
TMTM
TMTMNDWI
+−= (1)
mit: TM 4 = 4. Kanal des Landsat-Thematic Mapper (TM)
(entspricht 4. ETM-Kanal beziehungsweise 3. ASTER-Kanal)
TM 5 = 5. Kanal des TM (entspricht 5. ETM-Kanal beziehungsweise 4.
ASTER-Kanal)
15
Es zeigte sich nämlich, dass laut PALANISWAMI (2006:1708) insbesondere im
fünften, teilweise aber auch im siebten Kanal dieses Sensors der National
Aeronautics and Space Administration (NASA), der amerikanischen Luft- und
Raumfahrtbehörde, Kokosplantagen deutlich von den natürlichen Regenwäldern zu
unterscheiden sind (USGS 2006:o.S.). Die Ursache hierfür liegt vermutlich in den,
in Kapitel 2.3 geschilderten, Anbaustrukturen sowie den spezifischen Eigenschaften
der Palmen begründet. Weiterhin ist dieser Index sensitiv für Biomasseunterschiede
sowie Wassermangel in der Pflanzendecke (DENNISON et al. 2004:3).
2.6 Ziele und Aufbau dieser Arbeit
Als Ziel dieser Arbeit wurde die Detektierung von Baumplantagen der drei
größten Inseln Vanuatus - Espiritu Santo, Éfaté und Malakula - in Angriff
genommen. Hierzu werden im Wesentlichen optische und nahinfrarote
Fernerkundungsdaten verwendet (HEROLD 2007:o.S.).
Da in Vanuatu, entsprechend Kapitel 2.1, hauptsächlich Kokosplantagen
angelegt wurden und da in dem als Referenz verwendeten VANRIS-Datensatz
(siehe Kapitel 3.3) lediglich Kokosplantagen explizit ausgewiesen sind, wird das
Hauptaugenmerk auf diesen liegen. Jedoch gibt es auch andere, teils sehr
unterschiedliche Baumplantagen, deren Trennbarkeit von anderen Landnutzungen
ebenfalls exemplarisch bestimmt wurde (BELLAMY 1991:49; HEROLD 2007:o.S.).
In dem 1985 aufgenommen VANRIS sind zwar Kokosplantagen ausgewiesen,
jedoch mit geringerer Genauigkeit, als es als Ziel für diese Arbeit angestrebt wurde.
Daher kann die hier durchgeführte Analyse als Überholung dieser, in bestimmten
Gebieten, veralteten, ungenauen Kartierung angesehen werden.
Um diese Ziele zu erreichen, ist es wichtig - aufbauend auf den in Kapitel 2.5
geschilderten Kenntnissen - herauszufinden, welche der zur Verfügung stehenden
Daten (siehe Kapitel 3) besonders gut zur Unterscheidung welcher Bestände
geeignet sind und welche teilweise, beziehungsweise gänzlich bedeutungslos sind.
Ferner ist in diesem Zusammenhang nicht unerheblich, inwiefern sich
unterschiedliche Bestandsdichten der Baumplantagen von anderen Landnutzungen
trennen lassen, beziehungsweise ob saisonale Unterschiede die Differenzierbarkeit
beeinflussen (HEROLD 2007:o.S.).
16
Die Hauptziele der vorliegenden Arbeit können demnach wie folgt
zusammengefasst werden:
• Ausarbeitung einer Methode zur Trennung der Baumplantagen
(insbesondere Kokosplantagen) von den tropischen Nicht-
Baumplantagen (bzw. Nicht-Kokosplantagen)
• Ausweisung und Visualisierung der Kokosplantagenbereiche auf den
Inseln Espiritu Santo, Éfaté und Malakula sowie die Abschätzung der
Ergebnisgenauigkeit
Dies soll dazu dienen, zukünftige Studien, deren Untersuchungsbereich
ebenfalls Baum- beziehungsweise Kokosplantagen einschließt, ein umfassendes und
fundiertes Ausgangswissen bereitzustellen.
Zur Ausarbeitung der oben beschriebenen Ziele, wurden die Softwarepakete
PCI Geomatica Version 9.1.0, Erdas Imagine 9.1, Google Earth 4.0.2737, ArcView
3.2 sowie ArcGIS 9.1 verwendet. Die dabei zur Anwendung gekommene
Vorgehensweise wird in Abbildung 9 veranschaulicht.
17
Abb. 9: Verlaufsplan der Bachelor-Arbeit
(Datenquelle: eigene Darstellung)
Unüberwachte Klassifikation + Cluster-Aggregierung
Erfassung der Kokosplantagen Vanuatus
Datenbearbeitung Dokumentation
Datensätze:
• Landsat 2000 / 2006
• ASTER
• RMUs 1985
Literaturrecherche
Schilderung der Hintergründe über:
• Vanuatu
• Kokosplantagen
• Notwendigkeit der Plantagenerfassung
Formulierung der Ziele der Bachelorarbeit
Beschreibung der Datensätze
Beschreibung der Datenvorverarbeitung
Datenvorverarbeitung:
• Import
• Umprojektion
Beschreibung der Datenverarbeitung
Beschreibung der Ergebnisse
Fazit
Trennbarbeitsanalyse verschiedener
Landbedeckungen
Ermittlung der geeignetsten Kanäle
Ermittlung der geeignetsten
Trennungsmethode
Genauigkeitsanalyse
Kartenerstellung
18
3 Datenbeschreibung und -vorverarbeitung
Zur Ausarbeitung einer Trennungsmethode, beziehungsweise zur Kartierung
der Kokosplantagen Vanuatus, stehen im Wesentlichen fünf unterschiedliche
Datenquellen zur Verfügung.
Zum einen werden Daten des Enhanced Thematic Mapper von Landsat 7
sowie des Thematic Mapper von Landsat 5 verwendet, zum anderen Szenen des,
ebenfalls von der NASA stammenden, ASTER-Sensors an Bord des Satelliten Terra
(NASA 2003:8; JENSEN 2000:197). Weiterhin standen als Referenzdaten der von
1984 bis 1986 im Rahmen des Vanuatu National Forest Resource Survey Project
aufgenommene VANRIS-Landbedeckungsdatensatz Vanuatus und das frei
verwendbare Programm Google Earth zur Verfügung (BELLAMY 1991:1, 49). Diese
Informationsquellen werden im Folgenden näher erläutert.
3.1 ASTER-Daten
Das seit 1999 im Orbit befindliche ASTER-Instrument an Bord des
amerikanischen Satelliten Terra, hat eine sonnensynchrone Erdumlaufbahn (NASA
2003:8f.). Daher wurden alle verwendeten Szenen zur selben Tageszeit
aufgenommen und weisen lediglich durch den Jahresgang der Sonne
Einstrahlungsunterschiede auf. ASTER nimmt in drei verschiedenen spektralen
Bereichen Daten auf: dem Visuellen und nahen Infraroten (Visible and Near
Infrared (VNIR)), dem kurzwelligen Infraroten (Short Wave Infrared (SWIR))
sowie dem thermalen Infrarot (Thermal Infrared (TIR)) (NASA 2003:8f.). Diese
werden in insgesamt 14 spektralen Kanälen aufgenommen (siehe Abb. 10), deren
genaue Eigenschaften in Tabelle 1 beschrieben sind (NASA 2003:10).
19
Abb. 10: Spektrale Kanäle von ASTER und Landsat-ETM
(Datenquelle: verändert nach NASA 2004:o.S.)
Tab. 1: Eigenschaften der ASTER-Kanäle
(Datenquelle: verändert nach NASA 2003:10)
Für die Bearbeitung standen jedoch von jeder der 12 Szenen nur die
radiometrisch und geometrisch kalibrierten VNIR- und die SWIR-Level-1B-Daten
zur Verfügung (NASA 2003:16). Aufgenommen wurden diese, circa 3600
Quadratkilometer umfassenden Szenen, im Zeitraum von 2003 bis 2007 (exakte
Daten sind Anhang 1 zu entnehmen) (NASA 2003:65). Weiter wurde die räumliche
Auflösung, der in Längen- und Breitengrad vorliegenden Daten, bereits im Vorfeld
auf 28,5 Meter umgerechnet (resampled), um sowohl bei den ASTER-, als auch den
20
Landsat-Daten mit einheitlichen Auflösungen arbeiten zu können. Dies geschah mit
Hilfe des Nearest-Neighbour-Verfahren, bei welchem dem neuen Pixel der Wert des
ihm nächsten liegenden alten Pixel-Zentrums zugewiesen wird. Somit können
potentielle Grauwertänderungen, wie sie bei anderen Resampling-Verfahren
auftreten, ausgeschlossen werden (RAMSEY 2006:o.S.).
Zusätzlich stand noch eine Szene Nord-Espiritu Santos zur Verfügung, bei der
die Digital Numbers (DN) - die an das 8-bit-Format angepassten Rückstreuwerte - in
sensorunabhängige Reflektanzwerte umgewandelt waren. Darüber hinaus war diese
atmosphärenkorrigiert, so dass etwaige Einflüsse von Dunst oder Aerosolen
weitestgehend eliminiert waren.
3.2 Landsat-Daten
Der Thematic Mapper, des 1984 von der NASA gestarteten Landsat-5 liefert
Informationen aus sieben spektralen Kanälen in Szenen mit einer Ausdehnung von
183 mal 170 Kilometer (HEMPHILL 2001:o.S.; JENSEN 2000:197). Auch dessen
Nachfolger, der Enhanced Thematic Mapper, an Bord des seit 2000 in einer
Erdumlaufbahn befindlichen Landsat-7, nimmt in den gleichen spektralen Bereichen
Daten auf (HEMPHILL 2001:o.S.). Jedoch besitzt er, im Gegensatz zu seinem
Vorgänger, einen zusätzlichen panchromatischen sowie einen viermal so gut
aufgelösten thermalen Kanal (TM: 120 mal 120 Meter; ETM: sechzig mal sechzig
Meter) (HEMPHILL 2001:o.S.). Die Eigenschaften der sechs spektralen Kanäle (ohne
thermalen und panchromatischen) sind in Tabelle 2 wiedergegeben und in
Abbildung 10 noch einmal visualisiert. Da der thermale Kanal bei der
Datenauswertung nicht zur Verfügung stand, können die Angaben des ETM in
dieser Abbildung auch die Daten des TM repräsentieren.
Weil beide Landsat-Satelliten einen sonnensynchronen Orbit innehaben,
entstanden Einstrahlungsunterschiede, genau wie bei den ASTER-Szenen,
ausschließlich durch jahreszeitliche Unterschiede (HEMPHILL 2001:o.S.).
21
Tab. 2: Eigenschaften der Landsat-7-ETM-Kanäle (ausgenommen: thermal und panchromatisch)
(Datenquelle: verändert nach PALANISWAMI 2006:1707)
Grundsätzlich standen zwei, bereits georeferenzierte, in Universal Transverse
Mercator (UTM) projizierte Datensätze des Untersuchungsgebiets zur Verfügung.
Diese wiesen trotz des offiziellen Wertes von dreißig mal dreißig Metern, eine
räumlicher Auflösung von 28,5 mal 28,5 Metern auf (JENSEN 2000:199).
Der Aufnahmezeitraum der TM-Szenen war zwischen 2001 und 2003 (siehe
Anhang 2). Die ETM-Szenen wurden 2004 aufgenommen (siehe Anhang 3). Durch
diese waren alle drei zu untersuchende Inseln abgedeckt. Allerdings befanden sich
sowohl durch Wolken als auch durch Sensorfehler Datenlücken in den Szenen
(siehe Abb. 11).
Abb. 11: Datenlücken der ETM-Daten (Datenquelle: eigene Darstellung)
22
Ferner stand noch eine atmosphärenkorrigierte, in Reflektanzen umgewandelte
Szene des Landsat-TM (Path: 82, Row: 70 (siehe Anhang 2)) zur Verfügung, die
vom thermalen Kanal befreit war. Diese überlappte sich mit der entsprechenden
ASTER-Szene teilweise.
3.3 Weitere Referenzdaten
Über die Landsat-Daten hinaus wurden, wie bereits erwähnt zwei weitere
Referenzdatensätze benutzt.
Das kostenlose, online verfügbare Google Earth verwendet teilweise
hochauflösende Daten, wobei sich diese insbesondere auf Grund der erkennbaren
texturellen Unterschiede sehr gut zur visuellen Trennung von Kokos und Regenwald
eignen. Der Nachteil dieser Daten besteht darin, dass sie nicht für alle Gebiete
Vanuatus so hohe Auflösungen liefern und in diesen Regionen automatisch auf
Informationen niedriger Auflösung zurückgegriffen werden muss. Diese erwiesen
sich während der Untersuchungen als ungeeignet, da in ihnen keine Veränderung
der spektralen Informationen (lediglich der blaue, grüne und rote Kanal
(vergleichbar mit den Landsat-Kanälen eins, zwei und drei (siehe Abb. 10)) wurden
angezeigt), und auch keine Kontraststreckung möglich war und daher nicht immer
eindeutige Unterschiede zwischen Kokos und Nicht-Kokos auszumachen waren.
Weiterhin bestand das Problem, dass die hochauflösenden Szenen - die im
Zeitraum von 2002 bis 2007 aufgenommen wurden - stellenweise wolkenverhangen
waren und daher über diese Gebiete keine Informationen, außer der 1985
aufgenommenen Landbedeckungsdaten, als Referenzinformationen zur Verfügung
standen.
Zusätzlich zu den spektralen Daten, lieferte Google Earth auch
Höheninformationen, die visuell abrufbar sind und zur Ausmaskierung der
Gebirgsbereiche dienten.
Der 1985er-Landbedeckungsdatensatz wurde von der australischen
Commonwealth Scientific and Industrial Research Organization (CSIRO) und dem
Department of Primary Industries aus Daten aus dem Zeitraum von 1984 bis 1986
erstellt (BELLAMY 1991:1, 49). In ihm sind so genannte Research Mapping Units
(RMUs) ausgewiesen. Zu diesen in sich homogenen Flächeneinheiten sind
23
zahlreiche Informationen enthalten, von denen für diese Arbeit aber grundsätzlich
nur die Landbedeckungen von Bedeutung waren.
Da die RMUs allerdings eine vergleichsweise große Ausdehnung gegenüber
den Plantagen aufweisen und mehrere Nutzungen in sich vereinen, lassen sie sich
nur schlecht als Referenzgebiete verwendet. Jedoch waren sie vor allem in stark
bewölkten Gebieten der Satellitenszenen zur Trennung von Land und Wasser gut
geeignet. Allerdings bestand der Nachteil, dass in ihnen, gegenüber den Landsat-
und ASTER-Datensätzen, ein Versatz enthalten war (siehe Abb. 12).
Abb. 12: Versatz zwischen ASTER- und VANRIS-Datensatz (rote Polygone)
(Datenquelle: eigene Darstellung)
3.4 Datenvorverarbeitung
Um die eigentliche Datenverarbeitung, das heißt die Extraktion der
Kokosplantagen aus den ASTER-Datensätzen vornehmen zu können, war es
zunächst notwendig, diese in ein geeignetes Format zur Weiterverarbeitung
umzuwandeln. Da während der Arbeit im Wesentlichen PCI Geomatica eingesetzt
wurde, bot sich hierfür das von diesem verwendete pix-Format an.
Weiterhin war es zweckmäßig alle zur Verfügung stehenden Daten auf ein
einheitliches Koordinatensystem zu beziehen. Da alle gegebenen ASTER-Daten
24
bereits mit Längen- und Breitenangaben (Longitude and Latitude) vorlagen, wurden
auch die Landsat-Daten von UTM in diese umgewandelt.
Eine geometrische oder radiometrische Korrektur war nicht mehr nötig, da die
Daten bereits georeferenziert und ohne radiometrische Mängel waren. Auch die
geometrische Auflösung, wie in Kapitel 3.1 beschrieben, war bereits im Vorfeld an
die der Landsat-ETM-Daten angeglichen worden.
Für die Darstellung der Kokosplantagenkarte (wie in Kapitel 4.2 beschrieben),
war es abschließend noch nötig, den groben Versatz des VANRIS-Datensatzes
gegenüber der ASTER- und Landsat-Szenen zu eliminieren. Dies geschah derart,
dass eine korrekt georeferenzierte ASTER-Szene mit den RMUs in ArcGIS geöffnet
wurde. Anschließend konnten diese Polygone mit Hilfe der Editor-Toolbar so
verschoben werden, bis sie mit der ASTER-Szene kongruent waren. Diese Methode
war hinreichend genau, da der so korrigierte VANRIS-Datensatz lediglich zur
Veranschaulichung der Inselausdehnungen in den finalen kartographischen
Darstellungen dienen sollte. Um letztlich für jede Insel nur ein Polygon verwenden
zu können, wurden alle RMUs eines Eilandes jeweils mit dem, ebenfalls in die
Editor-Toolbar integrierten Union-Befehl, verbunden.
25
4 Datenverarbeitung
Die in Kapitel 2.6 angeführten Ziele verfolgend, war es zunächst wichtig
herauszufinden, inwiefern sich die zur Verfügung stehenden Daten zur Trennung
der Kokosflächen von anderen Landbedeckungen verwenden lassen.
Aufbauend auf diesem Wissen sollte eine geeignete Methode herausgearbeitet
werden, die zur Trennung eben dieser Charakteristika genutzt werden kann.
Abschließend bestand der Anspruch einer kartographischen Darstellung der
Ergebnisse, die durch diese Methode erzielt wurden. Weiterhin war zugehörig zu
dieser Darstellung auch eine Genauigkeitsanalyse durchzuführen, um die Qualität
der erzielten Ergebnisse einschätzen zu können.
4.1 Unterscheidbarkeit der Kokosbedeckungen von and eren
Landbedeckungen mit Hilfe der verfügbaren Daten
Da es, unter anderem gemäß PALANISWAMI (2006:1706), insbesondere bei
Kokosbeständen spektrale Unterschiede gegenüber anderen tropischen
Landbedeckungen gibt (weitere Bespiele siehe Kapitel 2.5), war es nahe liegend,
auch als Basis dieser Arbeit die spektralen Eigenschaften der Kokospflanze als
Trennungskriterium heranzuziehen.
Bei der Ausarbeitung der Methode sowie der damit einhergehenden Analyse
der spektralen Charakteristika war es daher wichtig, mit den Reflektanzen, statt mit
den an das 8-bit-Format angepassten Digital Numbers zu arbeiten, da nur diese ein
wahrheitsgetreues Abbild der spektralen Eigenschaften der Landbedeckungen
liefern. Daher wurde mit den eigens dafür zur Verfügung gestellten
atmosphärenkorrigierten Reflektanzdatensätzen von ASTER und Landsat-TM
gearbeitet (UNBC 2007:o.S.).
Bei der Betrachtung der Referenzdaten aus Google Earth fiel auf, dass
innerhalb der betrachteten Gebiete erhebliche Inhomogenitäten bestanden. Zum
einen gab es unterschiedlich dichte Kokosbestände (siehe Abbildungen 16, 17 und
18), zum anderen kamen auch vereinzelte andere, angelegte Baumbestände vor,
deren Struktur und Reflektanz sich signifikant von denen der kokosbedeckten
Gebiete unterschieden (siehe Abb. 19). Zudem waren auch mehrere andere
26
natürliche Landbedeckungen auszumachen, von denen die, durch den Menschen
angelegten Bäume, zu trennen waren.
4.1.1 Differenzierbarkeit verschiedener Landbedecku ngsklassen
Um die Unterscheidbarkeit der verschiedenen Kokosbestandsdichten
untereinander, beziehungsweise deren Unterschiede zu den anderen
Landbedeckungen, mit den vorhandenen Daten, analysieren zu können, wurden
diese in sechs Klassen eingeteilt. Diese Aufgliederung gewährte nahezu die
Abdeckung der gesamten Landbedeckung der untersuchten Inseln (Ausnahmen
bilden vor allem urbane Flächen und Wasser). Zudem wurden dadurch diejenigen
Flächen abgedeckt, die den Kokosplantagen in spektraler Hinsicht am stärksten
ähnelten, beziehungsweise die in diese übergingen und somit Misch-Pixel bilden
konnten. Weiterhin garantierte diese Einteilung in Google Earth in visueller
Hinsicht eine gute Differenzierbarkeit (insbesondere auf Grund textureller
Unterschiede), was das Erstellen von eindeutigen Trainingsgebieten erlaubte. Bei
den Klassen handelte es sich im Einzelnen um drei Kokosplantagen-Klassen, deren
Grenzen auf 15 beziehungsweise 60% Bedeckungsgrad festgesetzt wurden, eine
Nicht-Kokos-Plantagen-Klasse, eine Primärwald-Klasse sowie eine Busch- und
Strauchlandklasse (beispielhafte Gebiete sowie deren Reflektanzen in den
jeweiligen ASTER- und Landsat-Kanälen sind in den Abbildungen 16 bis 21 zu
sehen).
Für jede Klasse wurden in Google Earth mehrere Polygone im
programmeigenen kml-Format erstellt. Mit Hilfe einer frei im Internet verfügbaren
Programmerweiterung für ArcView3.x namens kmltoshp, wurden die erzeugten
Polygondateien in das Shape-Format konvertiert (ESRI 1999:o.S.). Dieses kann in
ArcView, ArcGis und auch Geomatica weiterverwandt werden.
Im weiteren Verlauf wurden jeweils alle Polygone einer Klasse mittels des
merge_management-Kommandozeilenbefehls in ArcGIS in einer Datei vereinigt
und durch den Poly2bit-Algorithmus Geomaticas in Bitmaps umgewandelt. Bei
diesen handelt es sich um Rasterdatensätze, bei denen jedes Pixel entweder den
Wert 1 (Bitmap-Segment) oder 0 (Umgebung) annimmt (PCI GEOMATICS
27
2003:o.S.). Diese Bitmap-Layer wurden im Zuge ihrer Erstellung sowohl an den
ASTER- als auch an den Landsat-TM-Datensatz angehängt.
Um ferner die spektralen Eigenschaften der Bereiche unter den Bitmaps zu
untersuchen, mussten diese in Signatur-Segmente konvertiert werden. Diese
beinhalten Statistiken über die spektralen Charakteristika der Objekte und der
spektralen Kanäle für die sie erstellt wurden. Die Signatur-Segmente wurden
zunächst sowohl in den ASTER- als auch in den Landsat-TM-Daten für alle
verfügbaren spektralen Kanäle erzeugt. Dies geschah mit dem Geomatica-Modul
CSG (PCI GEOMATICS 2003:o.S.).
Darüber hinaus sollte auch untersucht werden, inwiefern sich die Bitmap-
Bereiche in den Hauptkomponenten der spektralen Daten unterscheiden lassen.
Hierzu wurden mit dem Principal Component Analysis-Modul (PCA-Modul) in
Geomatica für die neun verfügbaren ASTER-Kanäle die ersten sechs, und für die
sechs Landsat-TM-Kanäle die ersten fünf Hauptkomponenten berechnet (PCI
GEOMATICS 2003:o.S.). Anschließend wurden auch in diesen die Signatur-Segmente
aus den Bitmaps erzeugt.
Bei der PCA handelt es sich um ein Verfahren, dass die Dimensionalität eines
Datensatzes, mit mehreren korrelierenden Variablen, herabsetzt und trotzdem einen
Großteil der Informationen aufrechterhält. Dies geschieht, indem der ursprüngliche
n-dimensionale Eigenschaftsraum (siehe Abb. 13a) auf einen, durch neue Variablen
aufgespannten, abgebildet wird. In diesem, ebenfalls n-dimensionalen Raum
(entlang der größten Varianzen), enthält ein Teil der Variablen fast alle
Informationen (siehe Abb. 13b) (JOLLIFFE 2002:1; PCI GEOMATICS 2003:o.S.).
Abb. 13: PCA-Dekorrelation eines bivariaten Datensatzes
(Datengrundlage: verändert nach JOLLIFFE 2001:2f.)
28
Abschließend wurde für alle Signatur-Segment-Komplexe, das heißt jeweils in
den spektralen ASTER- und Landsat-Kanälen als auch in deren Hauptkomponenten,
für alle sechs Klassen deren Unterscheidbarkeit berechnet. Dies geschah mit dem in
Geomatica implementierten SIGSEP-Modul (PCI GEOMATICS 2003:o.S.). Hierbei
wurde als Maß der Differenzierbarkeit zweier Segmente der Jeffries-Matusita-Index
ausgeben. Dieser hat einen Wertebereich von 0 bis 2, wobei 2 für sehr gute
Differenzierbarkeit steht und 0 für ununterscheidbare Segmente (PCI GEOMATICS
2003:o.S.). Der Jeffries-Matusita-Index berechnet sich nach PCI GEOMATICS
(2003:o.S.) entsprechend folgender Formel:
))],(exp(1[2),( jiajiBD −−∗= (2)
mit: BD(i,j) = Jeffries-Matusita-Index (Bhattacharrya Distanz) von Klasse i
und j
)]()([)],([)]()([125,0),( jMiMjiAInvjMiMTjia −∗∗−∗=
))(det())(det(
)),(det(ln5,0
jSiS
jiA
∗∗+
T[ ] = Transponierte Matrix
M(i) = Mittlerer Vektor der Klasse
S(i) = Kovarianzmatrix der Klasse i
Inv[ ] = Invertierung einer Matrix
A(i,j) = 0,5*[S(i)+S(j)]
det [ ] = Determinante einer Matrix
4.1.2 Auswahl der geeignetsten Daten
Zur Identifikation der Kanäle, die sich am besten für die Trennung von
Kokosbedeckungen und Nicht-Kokos-Gebieten eignen, wurden zunächst wieder die
atmosphärenkorrigierten Reflektanz-Szenen verwendet.
Da nunmehr die Trennbarkeit der Kokosplantagen als solches, von jeglichen
Nicht-Kokos-Nutzungen im Fokus stand, war es zunächst angebracht, die in Kapitel
4.1.1 erzeugten Bitmaps derart zu kombinieren, dass statt sechs Klassen nur noch
zwei vorlagen. Hierbei handelte es sich zum einen um eine Kokos-Klasse, die sich
29
aus den verschiedenen Kokos-Bedeckungsgraden zusammensetzte sowie eine Nicht-
Kokosklasse die die Bitmaps der Primärwälder, Strauch- und Buschlandschaften
sowie die Nicht-Kokos-Baumplantagen enthielt.
Aus diesen zwei Klassen von Bitmaps wurden nun erneut Signatur-Segmente
für beide Datensätze, und in diesen, sowohl für die spektralen Kanäle, als auch für
die Hauptkomponenten erzeugt.
Vor der Bestimmung der geeignetsten Kanäle wurde nochmals der Jeffries-
Matusita-Index für diese beiden Klassen in allen vier Datensätzen berechnet.
Dadurch sollte auch die Trennbarkeit dieser heterogeneren Mischklassen
quantifiziert werden, um etwaige Trennungsprobleme aufzudecken.
Ferner wurden mit Hilfe des Geomatica-Algorithmus CHNSEL die besten
Kanäle für die Trennung der Kokosflächen von den anderen Landbedeckungen
herausgearbeitet (PCI GEOMATICS 2003:o.S.). Ziel dieses Algorithmus war es, für
die spektralen ASTER- und Landsat-Daten die fünf geeignetsten Kanäle ausgeben
zu lassen sowie die vier beziehungsweise drei besten der Hauptkomponenten.
Hierdurch wurde sich eine Reduktion der umfangreichen, zur Verfügung stehenden
Datenmenge ohne nennenswerten Informationsverlust versprochen.
Der CHNSEL-Algorithmus entscheidet anhand der spektralen Divergenz der
Signatur-Segmente, welche Kanäle sich am besten zur Unterscheidung eignen.
Diese wird aus den Mittelwerten der Klassen sowie deren Kovarianzmatrix wie folgt
berechnet (PCI GEOMATICS 2003:o.S.):
))()(())()(()]()([5,0),( jMiMjInvSiInvSjMiMTjiD −∗+∗−∗=
]2)()()()([5,0 IiSjInvSjSiInvSTrace ∗−∗+∗∗+ (3)
mit: D(i,j) = Divergenz zwischen den Klassen i und j
M(i), S(i), Inv[ ], T[ ] = Bedeutung entsprechend (2)
Trance[ ] = Summe der Hauptdiagonalenelemente einer Matrix
I = Identitätsmatrix
Aufbauend auf den Ergebnissen des CHNSEL-Moduls wurden nun noch einmal die
Jeffries-Matusita-Indizes der besten Kanalkombinationen (jeweils für ASTER und
TM) sowie zusätzlich inklusive des NDWI beziehungsweise der besten
Hauptkomponenten, berechnet.
30
4.2 Erstellung einer kartographischen Illustration der
Kokosplantagenverteilung
Um die Kokosplantagen in Vanuatu in Form einer Karte darzustellen, musste
zunächst aufbauend auf den in Kapitel 2.5 geschilderten Erfahrungen sowie den aus
Kapitel 4.1 hervorgehenden Ergebnissen (welche im Kapitel 5.1 und 5.2 näher
beschrieben werden) die eigentliche Trennung der kokosbewachsenen Flächen von
den anderen Landbedeckungen vorgenommen werden. Anschließend waren diese
Ergebnisse in eine anschauliche kartographische Form zu bringen. Die
Vorgehensweise dieser Illustrierung sowie die ihr vorausgehenden Schritte werden
im Folgenden näher erläutert.
4.2.1 Vorbereitende Schritte
Um störende Einflüsse auf die Bildstatistik zu minimieren wurden anfangs
Wasser und Wolken aus allen ASTER-Datensätzen ausmaskiert. Dies wurde durch
Schwellenwerte realisiert, die den betrachteten Reflektanzbereich sowohl nach oben
als auch nach unten beschränkte.
Für die Ausmaskierung der Wolken erwies sich der erste VNIR-Kanal als
geeignet, da in ihm die Wolken-Pixel fast ausschließlich Grauwerte über denen der
Land-Pixel aufwiesen. Zur Extraktion der Wasserflächen wurde dagegen der erste
SWIR-Kanal verwandt, in dem Wasserbereiche sehr niedrige Reflektanzen
aufwiesen (die genauen Schwellenwerte der Masken sind in Anhang 4 aufgelistet).
Zwar gab es auch Land-Pixel mit Reflektanzen außerhalb der Spanne, jedoch lagen
diese ausschließlich in Schattenbereichen sehr stark reliefierten Geländes
beziehungsweise in urbanen Gebieten. Somit konnte ausgeschlossen werden, dass es
sich dabei um kokosbedeckte Bereiche handelt. Ein weiterer positiver Nebeneffekt
der Maskierung war, dass auch Gebiete im Wolkenschatten von der Analyse
ausgeschlossen wurden, da in ihnen die Reflektanzen ebenfalls sehr niedrig waren.
Somit konnte gewährleistet werden, dass in diesen Regionen, durch die verzerrten
Reflektionseigenschaften keine Fehlklassifikationen vorgenommen werden.
31
Die eigentliche Maskierung erfolgte dann mittels der Geomatica-Algorithmen
THR (zur Erstellung der Bitmap-Maske) und Clipping/Subsetting (zum
ausschneiden der Szene).
4.2.2 Das Prinzip der Klassifikation
Bei der Klassifikation handelt es sich um eines der am häufigsten in der
Fernerkundung eingesetzten Verfahren, bei dem die Grundbausteine der
aufgenommenen Szene (für gewöhnlich die Pixel), entsprechend ihrer Eigenschaften
in Klassen eingeteilt werden. Diese Eigenschaften können beispielsweise spektraler
oder auch topologischer Natur sein (PALANISWAMI et al. 2006:1706).
Auf spektralen Eigenschaften basierende Klassifikationen können auf
zahlreiche unterschiedliche Weisen durchgeführt werden. Beispielsweise ist eine
Einteilung in überwachte und unüberwachte, parametrische und nicht-parametrische
sowie auch in harte und weiche Klassifikationen legitim (PALANISWAMI et al.
2006:1706).
Bei der überwachten Klassifikation werden im Gegensatz zu ihrem
unüberwachten Pendant Trainingsgebiete festgelegt, die die spektralen
Eigenschaften der zukünftigen Klassen vordefinieren. In unüberwachten dagegen
werden zufällige Klassenzentren angelegt, die dann je nach den spektralen
Eigenschaften der untersuchten Bildpunkte iterativ verlagert werden (KARAKOS
2005:1f.).
Parametrische Klassifikationen zeichnen sich gegenüber nicht-parametrischen
dadurch aus, dass bei ihnen die erzeugten Klassen in einem vieldimensionalen
Eigenschaftsraum (der durch die spektralen Kanäle aufgespannt wird) durch
statistische Parameter, wie Mittelwert oder Standartabweichung abgegrenzt werden
(YU 2006:803).
Die harten unterscheiden sich von den weichen Klassifikationen dadurch, dass
bei ersteren jedes Pixel genau einer Klasse zugeordnet wird. In weichen
Klassifikationen ist dagegen auch eine Einordnung in mehrere Klassen möglich
(PALANISWAMI et al. 2006: 1706).
Am Ende einer Klassifikation steht eine thematische Karte. Diese ist per
Definition „[…] eine informierende Darstellung einer Szene, welche Auskunft über
32
die räumliche Verteilung eines bestimmten Sachverhalts illustriert.“ (eigene Übers.)
(PALANISWAMI et al. 2006: 1706)
Zusätzlich zu jeder Klassifikation muss eine Genauigkeitsanalyse durchgeführt
werden, bei der die Zuverlässigkeit der erzielten Ergebnisse, anhand von
Trainingsgebieten, analysiert wird (COOPS 2007:1ff.).
Ob, und wenn ja, welche Klassifikationsverfahren letztendlich verwendet
werden, hängt in erster Linie von der Aufgabenstellung und dem zu erreichenden
Ziel ab, denn je nach Thematik und Datengrundlage kann es zu Fehlzuweisungen
kommen, welche es zu vermeiden gilt. Nicht zuletzt ist aber auch entscheidend,
welche Softwarepakete zur Verfügung stehen und welche Klassifikationsverfahren
in diese implementiert sind (APAN 1997:1029f.; PALANISWAMI et al. 2006: 1706).
4.2.3 Durchführung der unüberwachten Klassifikation
Aufbauend auf den in Kapitel 2.5 vorgestellten Erfahrungen wurde ein
Klassifikationsverfahren angewandt.
Hierbei stellte sich heraus, dass ein unüberwachtes parametrisches Verfahren
am geeignetsten ist, da bei überwachten Klassifikationen der Nachteil besteht, dass
alle Nicht-Kokos-Flächen durch Trainingsgebiete explizit als solche ausgewiesen
werden müssen. Andernfalls kann es sein, dass Flächen auf denen sich keine
Kokosplantagen befinden, trotzdem als solche klassifiziert werden. Weiterhin
erwiesen sich die parametrischen gegenüber den nicht-paramerischen Verfahren als
vorteilhaft, da die spektralen Eigenschaften der reinen Kokos-Pixel einschließlich
der, durch andere Landbedeckungen verunreinigten Misch-Pixel (deren spektrale
Eigenschaften dann entsprechend abweichen), gut durch statistische Parameter wie
Mittelwert und Standartabweichung beschrieben werden können (HKBU 2000:o.S.;
PALANISWAMI 2006:1706).
Unter den unüberwachten parametrischen Klassifikationen, zeichnete sich die
Iterative Self-Organizing Data Analysis Technique (ISODATA) als geeignetste ab.
Im Gegensatz zu dem 1967 entwickelten K-Means-Klassifikator, besteht bei der
ISODATA der Vorteil, dass extrem nahe beieinander liegende Cluster bis zu einem
gewissen definierbaren Maß vereinigt werden, und Cluster mit zu großer
Standartabweichung in mehrere aufgespalten werden können (RASKOB 2004:o.S.).
33
Ausgehend von den in Kapitel 5.2 geschilderten Ergebnissen wurden die
ISODATA, wegen der guten Trennbarkeit von Kokos- und Nicht-Kokos-Beständen,
auf alle ASTER-Szenen angewandt. Weiterhin hatten diese Szenen den Vorteil der
Aktualität und der Vollständigkeit gegenüber den Landsat-ETM-Daten.
Bei dem Klassifikationsverfahren wurden jeweils 30 Cluster ausgegeben.
Dabei wurde zunächst eine Kanalkombination aus dem ersten und zweiten VNIR-
Kanal sowie dem 3. SWIR-Kanal, dem NDWI und der ersten Hauptkomponente
(deren Erstellung in Kapitel 4.1.1 erläutert wird) verwandt. Dies geschah mit der
Begründung, dass diese Kanäle laut den Ergebnissen aus Kapitel 5.2 eine gute
Trennbarkeit der Kokos- und Nicht-Kokosbestände gewährleisten. Weiterhin
wurden mehrere Probeläufe der Klassifikation mit verschiedenen anderen Kanal-
Kombinationen durchgeführt, wobei sich diese als gut geeignet herausstellte.
Bei fünf Szenen jedoch (siehe Anhang 1) waren die Effekte des nicht
ausmaskierten Dunstes so stark (siehe Abb. 14), dass mittels dieser Kanäle kein
gutes Klassifikationsergebnis erzielt werden konnte. Somit wurde auf diese Daten
eine weitere, als gut erachtete Kombination angewandt. Diese bestand aus dem
zweiten und dritten VNIR- sowie dem ersten SWIR-Kanal und den ersten beiden
Hauptkomponenten.
Weiterhin bestand das Problem, dass es bei der Klassifikation mancher
Datensätze, ohne ersichtlichen Grund, zu einer Aufspaltung kam, wodurch dessen
räumlicher Bezug zerstört wurde (siehe Abb. 15). Aus diesem Grund wurden die
betroffenen Szenen durch das Geomatica-Modul FEXPORT in img-Dateien
exportiert und in beschriebener Weise in Erdas Imagine klassifiziert.
34
Abb. 14: Dunsteffekt in einer ASTER-Szene (Kanalkombination rot: 1. VNIR, grün: 2. VNIR, blau:
3. VNIR) (Datenquelle: eigene Darstellung)
Abb. 15: Zerstörter ASTER-Datensatz (Nord-Espiritu Santo)
(Datenquelle: eigene Darstellung)
Im Anschluss an die Klassifikation wurde eine Aggregierung der
ausgegebenen Cluster vorgenommen. Dies geschah derart, dass Cluster geringer
Kokosbedeckung (zwischen fünf und vierzig Prozent Kronenschluss), hoher
Kokosbedeckung (über vierzig Prozent) und keiner Kokosbedeckung (unter fünf
35
Prozent) in jeweils einer Klasse vereinigt wurden. Zur Ausweisung dieser Flächen
wurden insbesondere die hochauflösenden Daten von Google Earth verwendet. Für
die Szene 22109 (siehe Anhang 1) lagen jedoch keine solchen Daten vor, so dass als
Referenz auf die Landsat-TM-Daten beziehungsweise auf die Landsat-ETM-Daten
(jeweils Path: 82, Row: 71) zurückgegriffen werden musste.
Weiterhin wurde eine Siebung durchgeführt. Hierzu wurden alle in Geomatica
klassifizierten und aggregierten Datensätze ebenfalls in Erdas Imagine exportiert.
Anschließend konnten die drei erzeugten Klassen durch das Clump-Modul noch
einmal räumlich aggregiert werden. Dabei waren keine diagonalen Verbindungen
zwischen den Pixeln erlaubt, da anderenfalls sehr viele diffus verteilte, durch
Konfusion bei der Klassifikation, als Kokos ausgezeichnete Nicht-Kokos-Flächen,
erhalten geblieben wären. Daraufhin entfernte der Eliminate-Befehl alle
einheitlichen Flächen unter einer Größe von circa 0,5 Hektar (beziehungsweise
unter sechs Pixeln). Diese Flächen schlossen sich jeweils dem Nachbarn an, mit dem
sie die längste gemeinsame Grenze besaßen (LEICA GEOSYSTEMS 2006:o.S.).
Darauf folgend wurden aus allen drei Inseln die gebirgigen Bereiche
ausmaskiert. Dies geschah indem, mit Hilfe des AOI-Tools in Erdas Imagine,
Polygone erstellt wurden, innerhalb derer jegliche, als Kokosplantagen
ausgewiesene Flächen, durch eine Änderung des Grauwertes, auf den Status von
Nicht-Kokosplantagen gesetzt wurden. Die Grundlage hiefür lieferte die visuelle
Auswertung der in Google Earth enthaltenen Höheninformationen.
Weiterhin wurden alle fertig klassifizierten Szenen zu einem Endergebnis, in
dem alle Inseln enthalten waren, zusammengefügt. Dies geschah durch die Mosaic
Direct-Funktion in Erdas Imagine. Hierbei war darauf zu achten, dass alle Dateien
die gleiche Kodierung (2 Bit unsigned, das heißt Grauwerte von null bis drei) hatten.
Außerdem mussten die jeweiligen Klassen in allen Dateien die gleichen Grauwerte
haben, um auch nach dem Zusammenfügen identischen Klassen zu repräsentieren.
Abschließend erfolgte die eigentliche Anfertigung der kartographischen
Darstellung, indem die zusammengefügten Szenen inklusive der VANRIS-RMUs in
ArcGIS geöffnet wurden. Letztere sollten in der finalen Karte die Funktion des
nicht-kokos-bedeckten Hintergrundes erfüllen. Hierfür wurden diese mit Hilfe des
Editor-Befehls Union derart kombiniert, dass für jede der betrachteten Inseln jeweils
nur noch eine RMU vorlag.
36
Unter Verwendung dieser zusammengesetzten RMUs und des
Klassifikationsergebnisses wurde nun im Layout-Menü von ArcGIS die Integration
aller weiteren Kartenkomponenten (beispielsweise Legende, Nordpfeil…)
durchgeführt.
4.3 Genauigkeitsanalyse
Um die Aussagekraft des erzeugten Klassifikationsergebnisses bewerten zu
können, ist es nötig, eine Abschätzung der Genauigkeit der
Klassifikationsergebnisse durchzuführen. Anhand dieser können dann potentielle
Probleme aufgedeckt und gegebenenfalls ausgebessert werden, was wiederum zu
einer höheren Genauigkeit führen kann (CONGALTON 1999:3).
Im Folgenden werden nun die Grundlagen der Genauigkeitsanalyse erläutert
sowie die Vorgehensweise der hier durchgeführten Abschätzung beschrieben.
4.3.1 Grundlagen der Genauigkeitsanalyse
Die Genauigkeitsanalyse stellt in der Fernerkundung ein noch junges
Forschungsfeld dar. Erst in den 1970er Jahren setzte sich ihre Anwendung
zunehmend durch und seit den späten 1980er Jahren gibt es eine breite Palette von
Veröffentlichungen (CONGALTON 1999:8).
Bei der Genauigkeitsanalyse wird ein vorhandener Datensatz mit einem
Referenzdatensatz verglichen, von dessen Richtigkeit ausgegangen wird. Da hierbei
ein Vergleich aller Bildpunkte unzweckmäßig wäre, werden lediglich Beispiel-Pixel
betrachtet. Auf Grund der Tatsache, dass die Genauigkeitsanalyse eine Aussage
treffen soll, die für die gesamte Karte repräsentativ ist, ist es wichtig, dass die
ausgewählten Pixel nicht ausschließlich zufallsverteilt sind, sondern auch in
Abhängigkeit der dargestellten Informationen sowie deren räumlicher Verteilung
ausgewählt werden (CONGALTON 1999:4,11; COOPS 2007:5; STEHMAN et al.
1998:331ff.).
Weiterhin wurden bisher zahlreiche Versuche durchgeführt, um für einen
Datensatz die optimale Beispiel-Pixel-Zahl zu ermitteln, da zu wenige Bildpunkte
37
ein ungenaues Ergebnis liefern würden und zu viele, zu hohen Aufwand, und damit
Kosten erfordern. In ausführlicher Weise berichtet darüber CONGALTON
(1999:17ff.).
Ebenfalls von Bedeutung für die Genauigkeit ist der Ursprung des
Referenzdatensatzes. Grundsätzlich ist ein neu aufgenommener Datensatz (sei es
durch Satellitenbilder, Geländebegehungen oder ähnliches) einem älteren, an andere
Bedürfnisse angepassten, vorzuziehen. Jedoch treibt dies die Kosten der
Untersuchung in die Höhe, so dass meist ein Kompromiss getroffen werden muss
(CONGALTON 1999:28).
Nachdem der Vergleich des erstellten Datensatzes mit den Referenzdaten
vollzogen wurde, kann eine Error Matrix (siehe Tab. 3) aufgestellt werden. In ihr
werden die verschiedenen Klassen der angefertigten Karte und der Referenzdaten
gegenübergestellt. Dadurch können verschiedene Genauigkeiten quantifiziert
werden. Die Overall Accuracy gibt an, wie viel Prozent der Beispiel-Pixel in der
Karte und den Referenzdaten gleich klassifiziert wurden. Im Fallbeispiel (siehe Tab.
3) wäre diese (35 + 37 + 41) / 136 = 113 / 136 = 0,83 = 83%. Weiterhin lassen sich
User und Producer Accuracy quantifizieren. Diese können für jede Klasse bestimmt
werden und geben an, wie viel Prozent der in der Karte als Klasse x ausgewiesene
Pixel in den Referenzdaten ebenfalls so eingeordnet wurden (User Accuracy),
beziehungsweise wie viel Prozent der in den Referenzdaten als Klasse x
ausgewiesenen Bildpunkten in der Karte auch in Klasse x eingeordnet wurden
(Producer Accuracy). Für das Beispiel in Tabelle 3 wäre für Klasse A die User
Accuracy: 35 / 39 = 90% und die Producer Accuracy: 35 / 50 = 70% (CONGALTON
1999:45f.; COOPS 2007:8-12; STEHMAN et al. 1998:338f.).
Tab. 3: Error Matrix
(Datenquelle: verändert nach COOPS 2007:12)
38
4.3.2 Durchführung der Genauigkeitsanalyse
Obwohl sich CONGALTON (1999:28) insbesondere aus Gründen der
Veränderung des Untersuchungsgebiets im Aufnahmezeitraum (zwischen
Klassifizierten und Referenzdaten) ausdrücklich für neu aufgenommene Daten zur
Genauigkeitsabschätzung ausspricht, muss bei der hier durchgeführten Analyse auf
bereits bestehende Daten zurückgegriffen werden. Diese entstammen Google Earth
sowie den Landsat-ETM und -TM-Szenen.
Zunächst galt es, Beispiel-Pixel-Anzahl zu bestimmen, die zur
Genauigkeitsanalyse verwendet werden sollten. Hierbei wurden aufbauend auf
CONGALTON (1999:18) fünfzig Beispiel-Pixel pro Klasse verwendet, so dass die
Genauigkeitsanalyse für 150 Pixel (jeweils für Kokosbestände unter 40%
Kronenschluss, über 40% Kronenschluss und nicht-kokosbedeckte Landgebiete)
durchgeführt wurde.
Da für alle Klassen gleich viele Test-Punkte erstellt werden sollten, wurde die
equalized random-Funktion des Accuracy Assessment-Moduls von Erdas Imagine
verwendet. Die so erstellten Zufalls-Pixel wurden anschließend mittels der
Referenzdaten verifiziert beziehungsweise falsifiziert. Hierbei dienten als
Referenzdaten allen voran die hochauflösenden Google Earth-Daten. Standen diese
nicht zur Verfügung, musste auf die entsprechenden niedriger aufgelösten ETM-
Szenen zurückgegriffen werden, anhand welcher auf Grund der spektralen
Eigenschaften abgeschätzt wurde, ob der betreffende Bildausschnitt dichte, dünne
oder keine Kokosbedeckung beinhaltet. Lagen auch in den ETM-Szenen keine
Daten vor (durch Wolken oder Datenfehler (siehe Kapitel 3.2)), wurden als weitere
Referenzen die Landsat-TM- und zuletzt die ASTER-Daten, auf denen auch schon
die Klassifikation beruhte, zu Rate gezogen.
39
5 Ergebnisse
Im Folgenden werden die Ergebnisse der in Kapitel 4 durchgeführten
Untersuchungen vorgestellt. Zunächst wird dabei auf die Trennbarkeit der
verschiedenen Landbedeckungsklassen eingegangen. Weiterhin beschäftigt sich
dieser Abschnitt mit den Resultaten der Analyse der Dateneignung zur Trennung
von Kokos- und Nicht-Koks-Beständen sowie den fertigen
Klassifikationsprodukten.
5.1 Trennbarkeit verschiedener Landbedeckungsklasse n
Wie bereits in Kapitel 4.1.1 beschrieben, wurden zunächst anhand von
Polygonen, Gebiete unterschiedlicher Landbedeckung unterschieden, indem ihre
Reflektanzeigenschaften zum einen zwischen den beiden Sensoren und zum anderen
untereinander verglichen wurden. Beispielpolygone für die jeweiligen Klassen
sowie deren Reflektanzvergleich zwischen ASTER und TM sind in den
Abbildungen 16 bis 21 zu sehen.
Abb. 16: Kokosplantage über 60% Bedeckungsgrad (Datenquelle: eigene Darstellung)
0 160m m
Oben links: Google Earth Aufnahmedatum: 07.03.2005
Oben Mitte: TM Aufnahmedatum: 17.04.2001, Kanalkombination: r: rot g: NIR1 b: NIR2 Links
Oben rechts: ASTER Aufnahmedatum: 01.01.2003, Kanalkombination:
r: VNIR2 g: VNIR3 b: SWIR1 Unten: Reflektanzvergleich TM-ASTER
40
Abb. 17: Kokosplantagen 15 bis 60% Bedeckungsgrad (Datenquelle: eigene Darstellung)
Abb. 18: Kokosplantage unter 15% Bedeckungsgrad (Datenquelle: eigene Darstellung)
0 120m m
0 120m m
Oben links: Google Earth Aufnahmedatum: 07.03.2005
Oben Mitte: TM Aufnahmedatum: 17.04.2001, Kanalkombination: r: rot g: NIR1 b: NIR2 Links
Oben rechts: ASTER Aufnahmedatum: 01.01.2003, Kanalkombination:
r: VNIR2 g: VNIR3 b: SWIR1 Unten: Reflektanzvergleich TM-ASTER
Oben links: Google Earth Aufnahmedatum: 07.03.2005
Oben Mitte: TM Aufnahmedatum: 17.04.2001, Kanalkombination: r: rot g: NIR1 b: NIR2 Links
Oben rechts: ASTER Aufnahmedatum: 01.01.2003, Kanalkombination:
r: VNIR2 g: VNIR3 b: SWIR1 Unten: Reflektanzvergleich TM-ASTER
41
Abb. 19: Nicht-Kokosplantage über 60% Bedeckungsrad (Datenquelle: eigene Darstellung)
Abb. 20: Tropischer Primärwald (Datenquelle: eigene Darstellung)
0 240 m
0 160 m
Oben links: Google Earth Aufnahmedatum: 07.03.2005
Oben Mitte: TM Aufnahmedatum: 17.04.2001, Kanalkombination: r: rot g: NIR1 b: NIR2 Links
Oben rechts: ASTER Aufnahmedatum: 01.01.2003, Kanalkombination:
r: VNIR2 g: VNIR3 b: SWIR1 Unten: Reflektanzvergleich TM-ASTER
Oben links: Google Earth Aufnahmedatum: 07.03.2005
Oben Mitte: TM Aufnahmedatum: 17.04.2001, Kanalkombination: r: rot g: NIR1 b: NIR2 Links
Oben rechts: ASTER Aufnahmedatum: 01.01.2003, Kanalkombination:
r: VNIR2 g: VNIR3 b: SWIR1 Unten: Reflektanzvergleich TM-ASTER
42
Abb. 21: Busch- und Strauchland (Datenquelle: eigene Darstellung)
Es fällt auf, dass sich die Reflektanzen von ASTER und TM in allen Klassen
ähneln. Dies begründet sich auf der Tatsache, dass es sich hierbei um die sensor-
und atmosphärenunabhängigen Daten handelt, die lediglich von den
Reflektanzeigenschaften der betrachteten Vegetation (insbesondere der Red Edge)
abhängen (JENSEN 2000:339; UNBC 2007:o.S.).
Die größten Unterschiede zwischen den beiden Sensoren wurden im nahen
infraroten Bereich (3. VNIR-Kanal beziehungsweise 4. Landsat-Kanal) festgestellt,
wobei diese insbesondere bei den drei Kokosklassen sowie der Klasse des
tropischen Primärwaldes auftraten. Eine mögliche Erklärung für diese Unterschiede
könnte ein, beispielsweise durch saisonale Effekte hervorgerufener
Vitalitätsunterschied der Vegetation sein. Dies würde auch erklären, warum die
Reflektanzen des TM-Sensors für die beiden Kokosklassen geringeren
Bedeckungsgrades jeweils über denen des ASTER-Sensors liegen; in den Klassen
der hohen Kokosbedeckung sowie der dichten, tropischen Primärwälder dagegen
darüber. Möglicherweise handelt es sich hierbei um eine jahreszeitlich verminderte
Wasserversorgung, bei der dichte Bestände einem Rückgang der Vitalität länger
widerstehen können als dünne. Allerdings kann auf Grund der weit auseinander
liegenden Aufnahmedaten nicht ausgeschlossen werden, dass diese Unterschiede
durch Veränderungen in der Landschaft hervorgerufen wurden.
0 240 m
Oben links: Google Earth Aufnahmedatum: 07.03.2005
Oben Mitte: TM Aufnahmedatum: 17.04.2001, Kanalkombination: r: rot g: NIR1 b: NIR2 Links
Oben rechts: ASTER Aufnahmedatum: 01.01.2003, Kanalkombination:
r: VNIR2 g: VNIR3 b: SWIR1 Unten: Reflektanzvergleich TM-ASTER
43
Weiterhin wird deutlich, dass in den SWIR-Kanälen 2 bis 6 keine bedeutenden
Schwankungen auftreten, und diese somit durch den 7. Landsat-Kanal repräsentiert
werden können.
Beim Vergleich der Reflektanzen der verschiedenen Landbedeckungen
untereinander (wie dies in Abbildung 22 und 23 unternommen wurde) zeigt sich ein
deutlich differenziertes Bild, als bei der ASTER-TM-Gegenüberstellung.
Reflektanzvergleich verschiedener Landbedeckungen i n den spektralen ASTER-Kanälen
0
5
1015
20
25
30
3540
45
50
450 950 1450 1950Wellenlänge in nm
Ref
lekt
anz
in %
Busch- und Stauchland
Kokosplantagen unter 15%Bedeckungsgrad
Kokosplantagen über 60%Bedeckungsgrad
Kokosplantagen mit 15 bis60% Bedeckungsgrad
Nicht-Kokos-Baumplantagenüber 60% Bedeckungsgrad
Tropischer Primärwald
Abb. 22: Reflektanzvergleich in den ASTER-Kanälen (Mittelwerte über alle Klassen-
Trainingsgebiete) (Datenquelle: eigene Darstellung)
Reflektanzvergleich verschiedener Landbedeckungen i n den spektralen ETM-Kanälen
0
5
10
15
20
25
30
35
40
45
50
450 950 1450 1950Wellenlänge in nm
Ref
lekt
anz
in %
Busch- und Stauchland
Kokosplantagen unter 15%Bedeckungsgrad
Kokosplantagen über 60%Bedeckungsgrad
Kokosplantagen mit 15 bis60% Bedeckungsgrad
Nicht-Kokos-Baumplantagenüber 60% Bedeckungsgrad
Tropischer Primärwald
Abb. 23: Reflektanzvergleich in den TM-Kanälen (Mittelwerte über alle Klassen-Trainingsgebiete)
(Datenquelle: eigene Darstellung)
Aufnahmedatum: 01.01.2003
Aufnahmedatum: 17.04.2001
44
Beiden Diagrammen (deren exakte Datengrundlage inklusive allen
Standartabweichungen den Anhängen 5 und 6 zu entnehmen ist) ist gemein, dass
sowohl die Kokosklasse mit über 60% Bedeckungsgrad, als auch die Klasse der
tropischen Primärwälder in beiden Datensätzen verhältnismäßig geringe
Reflektanzen ausweisen. Dies lässt sich durch die wachsenden Einflüsse der
komplexen Blätterdächer und deren Schatteneffekte erklären. Kokosbedeckung
unter 15% und die Busch- und Strauchländer besitzen hingegen relativ hohe
Reflektionswerte, was auf einen starken Einfluss der Bodenkomponente
zurückzuführen ist (AGUILAR 2005:71).
Jedoch gibt es Ausnahmen. So hat der tropische Primärwald im dritten VNIR-
Kanal des ASTER-Sensors eine vergleichsweise hohe Reflektanz und die
Kokosbedeckung unter 15% eine recht geringe. Auch hier kann auf Grund der
großen Abstände zwischen den Aufnahmedaten nicht ausgeschlossen werden, dass
es Änderungen in den untersuchten Gebieten gab, jedoch beziehen sich die in
Abbildung 22 und 23 dargestellten Werte nicht nur auf jeweils ein Polygon (wie in
den Abbildungen 16 bis 21), sondern auf die Mittelwerte über alle Polygone der
jeweiligen Klasse. Dies macht die Zeitkomponente als Ursache der Abweichungen
unwahrscheinlich.
Außerdem fällt auf, dass in den ASTER-Daten die Reflektanzunterschiede der
Kokosklassen zwischen dem 3. VNIR- und dem 1. SWIR-Kanal geringfügig
niedriger sind, als in den Nicht-Kokosklassen. Das spricht für den NDWI als ein
wichtiges Trennungskriterium von Kokos und Nicht-Kokos.
Abschließend wurden anhand der erzeugten Segmente für die jeweiligen
Klassen, wie in Kapitel 4.1.1 beschrieben, eine Trennbarkeitsanalyse durchgeführt,
die die Jeffries-Matusita-Indizes in Tabelle 4 bis 7 zum Ergebnis hatte:
Tab. 4: Jeffries-Matusita-Indizes der Landbedeckungsklassen aus ASTER-Kanal 1 bis 9
(Datenquelle: eigene Darstellung)
45
Tab. 5: Jeffries-Matusita-Indizes der Landbedeckungsklassen aus ASTER-Hauptkomponente 1 bis 6
(Datenquelle: eigene Darstellung)
Tab. 6: Jeffries-Matusita-Indizes der Landbedeckungsklassen aus Landsat-TM-Kanal 1 bis 7 (ohne 6.)
(Datenquelle: eigene Darstellung)
Tab. 7: Jeffries-Matusita-Indizes der Landbedeckungsklassen aus Landsat-TM-Hauptkomponente 1 bis 5 (aus Kanal 1 bis 7 (ohne 6.))
(Datenquelle: eigene Darstellung)
46
Es fällt auf, das bei allen Trennungsanalysen die verschieden dichten
Kokosbestände, zwar nicht zwingend untereinander, jedoch fast in jeder Hinsicht
von den Nicht-Kokos-Klassen zu trennen sind. Die Trennung der Kokosklassen
untereinander gelingt insbesondere zwischen den Klassen hohen und niedrigen
Bedeckungsgrades. Auch gelingt diese Trennung in den ASTER-Daten signifikant
besser, als in den TM-Daten. Dies könnte durch saisonale Unterschiede im
Untersuchungsgebiet, beziehungsweise jahreszeitliche Veränderungen der Insolation
hervorgerufen werden.
Weiterhin wird auch deutlich, dass sich die Nicht-Kokos-Baumplantagen
insbesondere in den TM-Daten, von den Primärwäldern und den Busch- und
Strauchländern weniger gut unterscheiden lassen. Auch dies kann vermutlich, in
Abhängigkeit der angepflanzten Arten in den Plantagen, auf ähnliche spektrale
Eigenschaften der Blätterdächer sowie ähnliche Schattenverhältnisse zurückgeführt
werden. In gleicher Weise könnte sich auch die etwas herabgesetzte
Differenzierbarkeit der tropischen Wälder gegenüber der Busch- und Strauchländer
erklären.
Alle anderen Indizes (insbesondere die der Kokosklassen gegenüber den
Nicht-Baumplantagen-Klassen) befinden sich auf einem hohen Niveau, so dass von
einer guten Trennbarkeit ausgegangen werden kann. Jedoch ist darauf hinzuweisen,
dass es sich lediglich um die Trennbarkeit von reinen Testgebieten handelt. In der
Realität herrschen aber oft Misch-Gebiete vor, in welchen sich mehrere
Bedeckungen abwechseln. In diesen Gebieten, deren Reflektanz ein Mischsignal ist,
können die Trennbarkeiten deutlich herabgesetzt sein (PALANISWAMI 2006:1706).
5.2 Kanaleignung zur Kokos-Nicht-Kokos-Trennung
Um die Möglichkeit abschätzen zu können, in wie fern sich die ASTER- und
Landsat-Daten zur Trennung der heterogenen Mischklassen (sprich der Kokos- und
der Nicht-Kokos-Klassen) eignen, wurden nun mit dem CHNSEL-Algorithmus die
dafür geeignetsten Kanäle extrahiert. Das Ergebnis ist in Tabelle 8 zu sehen.
47
Tab. 8: Geeignetste Kanäle zur Kokos-Nicht-Kokos-Trennung (erstgenannte Kanäle sind bestgeeignetste)
(Datenquelle: eigene Darstellung)
Es wird deutlich, dass sich sowohl bei ASTER als auch bei ETM, die
optischen und nahen infraroten Kanäle am besten eigenen. Dies stützt die Aussage
der Abbildungen 22 und 23, bei denen die Unterschiede ebenfalls in diesem Bereich
am größten sind. Dass sich jedoch insbesondere der sechste SWIR-Kanal zur
Trennung eignet, kann durch die Werte in Abbildung 22 nicht gestützt werden.
Bei der Berechnung der Jeffries-Matusita-Indizes für die Kokos- und Nicht-
Kokos-Klasse, wurden aufbauend auf den Ergebnissen des CHNSEL-Moduls
verschiedene Kanalkombinationen gewählt. Diese und die mit ihnen erreichten
Trennbarkeiten sind in Tabelle 9 veranschaulicht.
Tab. 9: Jeffries-Matusita-Indizes der Kokos-Nicht-Kokos-Unterscheidung mit ausgewählten Kanalkombinationen
(Datenquelle: eigene Darstellung)
In allen Fällen ist die Trennbarkeit in den ASTER-Kanälen höher, als durch
die TM-Daten. Wie schon in Abschnitt 5.1 angedeutet, könnte dies auf einer
gewissen Saisonalität begründet sein, die entweder Feuchtigkeits- und damit
Vitalitätsschwankungen hervorruft, oder aber durch die unterschiedlichen
Sonnenstände verursacht wurde.
Auch die Auswirkungen von Datenredundanz wurden untersucht. Hierbei
wiesen Unterscheidungsverfahren in die sowohl der NDWI als auch der dritte
VNIR- und der erste SWIR-Kanal eingingen, höhere Jeffries-Matusita-Indizes auf,
48
als entsprechende Verfahren mit dem NDWI oder dritten VNIR- und ersten SWIR-
Kanal. Somit bewirken die zusätzlichen Daten eine bessere Trennbarkeit.
Ein Verfahren, bei dem alle außer der ersten Hauptkomponente verwendet
wurden, wodurch sich die Reduktion topographischer Effekte versprochen wurde,
resultierte in einer leicht herabgesetzten Trennbarkeit.
5.3 Kartographische Darstellung der Kokosplantagenv erteilung
Wie bereits in Kapitel 4.2 beschrieben wurden sämtliche ASTER-Daten einer
unüberwachten ISODATA-Klassifikation unterzogen.
Durch die anschließende Cluster-Aggregierung war bereits eine a priori-
Einschätzung der Qualität der ISODATA möglich. Das bedeutet, dass bereits durch
die Kombination der Cluster ersichtlich wurde, in wie fern bei den einzelnen
Klassen Konfusion (das heißt Verwechslung, beziehungsweise Fehlklassifikation)
eine Rolle spielte. Diese trat insbesondere dann auf, wenn in den Szenen zahlreiche
Wolkenfelder und Dunstschleier vorhanden waren, die bei der Ausmaskierung nur
teilweise entfernt werden konnten. In solchen Datensätzen entfiel ein Großteil der
dreißig erstellten Cluster auf diese atmosphärischen Störungen, wodurch die
Trennbarkeit der restlichen Szene beeinträchtigt wurde.
Ein besseres Klassifikationsergebnis konnte darauf hin, bei den Szenen, bei
denen dies nötig war (siehe Anhang 1), durch eine erneute Klassifikation, auf die in
Kapitel 4.2 beschriebene Weise, erreicht werden. Dies begründet sich darauf, dass
der erste, kurzwelligste VNIR-Kanal, in dem die elektromagnetische Strahlung noch
stärker mit atmosphärischem Wasser wechselwirkt, aus der Analyse ausgeschlossen
wurde (ALBERTZ 2001:15).
Fehlzuweisung von Bildpunkten trat insbesondere bei tropischen
Primärwaldflächen als auch bei Weide- beziehungsweise Grasflächen auf. Bei
Ersteren kam es vornehmlich zur Einordnung in die Kokosklasse hoher
Bedeckungsgrade, Pixel der Grasländer wurden dagegen vor allem der Klasse
geringer Kokosbedeckung zugewiesen. Dies gegründet sich vermutlich darauf, dass
sowohl die dichten Kokosbestände als auch die Primärwälder komplexe
Blätterdächer, und daher Schatteneffekte die Rückstreuung beider
Bedeckungsklassen vereinheitlichen. Die Konfusion zwischen offenen
49
Kokosbeständen und Grasländern lässt sich dadurch erklären, dass in den Gebieten
dünner Kokosbedeckung, Gras beziehungsweise zwischen den Palmen angebaute
Pflanzen einen sehr hohen Anteil an der Reflektanz dieser Flächen hat. Daher ist
eine Unterscheidbarkeit gegenüber den reinen Grasflächen nicht mehr gewährleistet
(AGUILAR 2005:71; PALANISWAMI 2006:1706).
Ein weiteres Problem bestand darin, dass die Referenzdaten zur Zuweisung der
Cluster zu einer bestimmten Klasse, nicht zum selben Zeitpunkt aufgenommen
wurden, wie die klassifizierten Daten. Somit konnte nicht ausgeschlossen werden,
dass es zwischen den beiden Aufnahmedaten Veränderung im Gelände gab, die zu
einer Fehleinordnung des entsprechenden Clusters geführt hätte. Das Problem einer
falschen Zuordnung konnte jedoch minimiert werden, indem ein Vergleich des
Klassifikationsergebnisses mit den Referenzdaten an mehreren Stellen in der Szene
vorgenommen wurden.
Zu einer weiteren Verbesserung des Ergebnisses kam es durch die räumliche
Überarbeitung des Resultates durch die Eliminierung sehr kleiner Flächen und die
Ausmaskierung stark reliefierter Bereiche. Da die Kartierung von Kokosplantagen
und nicht die der allgemeinen Kokosbedeckung im Fokus stand, konnte auf das
Hintergrundwissen zurückgegriffen werden, dass Kokosplantagen nicht in
unzugänglichen, stark geneigten Regionen angelegt werden und darüber hinaus stets
größere zusammenhängende Fläche bilden. Daher war bei solchen Flächen davon
auszugehen, dass es sich entweder um Fehlklassifizierungen, oder um wild
wachsende Kokosbestände handelt. Außerdem herrschte Kenntnis darüber, dass mit
den ASTER-Daten (mit ihrer 28,5 mal 28,5 Metern betragenden Auflösung),
insbesondere durch Rauschen, Kleinstplantagen schlecht beziehungsweise gar nicht
erfasst werden können. Die Mindestgröße der, in den Abbildungen 24 bis 26
dargestellten Endprodukten, beträgt daher rund 0,5 Hektar.
50
Abb. 24: Kokosplantagenverteilung auf Éfaté (Vanuatu)
(Datenquelle: eigene Darstellung)
51
Kokosplantagenverbreitung auf Espiritu Santo (Vanuatu)
4
0 5 10 15 202,5Kilometers
Legend
Wasser
FestlandKokosbedeckung unter 40% KronenschlussKokosbedeckung über 40% Kronenschluss
keine Angaben
Erstellung: André ArmstroffErstellungsdatum: 17.08.2007
Abb. 25: Kokosplantagenverteilung auf Espiritu Santo (Vanuatu)
(Datenquelle: eigene Darstellung)
52
Abb. 26: Kokosplantagenverteilung auf Malakula (Vanuatu)
(Datenquelle: eigene Darstellung)
Alle drei Karten bestätigen die Vorkenntnisse, dass sich der Großteil der
Plantagen in den schwach reliefierten Küstenbereichen, beziehungsweise in den
Flussauen befindet. Die wenigen, als Plantagen ausgewiesene Flächen im
Landesinneren, begründen sich vorrangig auf Konfusion mit dichten, tropischen
53
Primärwäldern, die auf Grund ihrer zu geringen Reliefenergie nicht ausmaskiert
werden konnten. Diese wird einerseits durch die starken Einflüsse der Schatten in
den komplexen Blätterdächern hervorgerufen, zum anderen auch durch nicht
vollständig entfernte Dunsteffekte.
Eine Gegenüberstellung der ausgewiesenen Flächen ist in Tabelle 10 zu sehen.
Auffällig ist, dass Malakula große Flächen dichter Kokosbestände, beziehungsweise
Espiritu Santo weiträumige lockere Plantagen aufweist. Auch dies lässt sich auf das
Relief zurückführen, welches nahezu auf ganz Malakula stark ausgeprägt ist. Auf
Espiritu Santo hingegen existieren zahlreiche ausgedehnte Ebenen.
Tab. 10: Ausgewiesene Flächengrößen in Hektar
(Datenquelle: eigene Darstellung)
5.4 Ergebnis der Genauigkeitsanalyse
Die an dem fertig klassifizierten Datensatz durchgeführte Genauigkeitsanalyse
(gemäß Kapitel 4.3.2), hatte die in Tabelle 10 dargestellten Werte zum Ergebnis:
Tab. 11: Errormatrix der Genauigkeitsanalyse der Kokosplantagenklassifikation
(Datenquelle: eigene Darstellung)
Als Gesamtgenauigkeit der Klassifikation ergibt sich eine Overall Accuracy
von 72%. Diese basiert auf einer verhältnismäßig guten User Accuracy der Nicht-
54
Kokos-Klasse. Von den fünfzig Beispiel-Pixeln wurden lediglich drei
fehlklassifiziert. Jedoch kam es zu einer erheblichen Überklassifizierung, sowohl
der dichten, als auch der dünnen Kokosbestände. Hierbei stellten sich durch die
Genauigkeitsanalyse zwanzig (bei dichtem Kokosbewuchs) beziehungsweise zwölf
(bei dünnem Kokosbewuchs) der jeweils fünfzig untersuchten Pixel als Nicht-
Kokos-Flächen heraus. Als Ursache hierfür kann die Konfusion der tropischen
Primärwälder mit den dichten Kokosbeständen sowie die, der Grasländer mit den
dünnen Kokosbedeckungen angesehen werden. Diese konnte zwar, ähnlich wie die
Einflüsse von Wolken und Dunst, durch Ausmaskierung verringert werden, eine
vollständige Beseitigung des Problems kann dadurch allerdings nicht erreicht
werden.
Hingegen weißt die Producer Accuracy hohe Werte (82,35 und 89,19%) in
den beiden Kokosklassen und einen niedrigen (59,49%) in der Nicht-Kokos-Klasse
auf. Das deutet darauf hin, dass ein hoher Prozentsatz der tatsächlich existierenden
Plantagen, auch derart ausgewiesen wurde. Bei der nicht Kokosklasse kam es
jedoch, wie bereits an der User Accuracy zu sehen, zu einer gehäuften Einordnung
in die Kokosklassen.
Allerdings ist davon auszugehen, dass die Referenzdaten, anhand derer die
Genauigkeitsanalyse durchgeführt wurde, nicht in jeder Hinsicht korrekt sind,
beziehungsweise korrekt ausgewertet wurden. Zum einen treten erhebliche
Unterschiede in den Aufnahmedaten auf, so dass Geländeveränderungen nicht
ausgeschlossen werden können, zum anderen lagen teilweise Daten niedriger
räumlicher Auflösung als Referenz vor, so dass eine grobe Abschätzung anhand der
spektralen Eigenschaften vorgenommen werden musste. Eine derartige Auswertung
ist jedoch fehleranfällig und teilweise spekulativ.
55
6 Fazit
Diese Bachelorarbeit befasste sich mit der der Erarbeitung von Methoden zur
Trennung von Baumplantagen und anderen Landnutzungen. Die Untersuchungen
haben gezeigt, dass in erster Linie eine Extrahierung der Kokosplantagen aus
Fernerkundungsdaten anhand spektraler Eigenschaften möglich ist. Darüber hinaus
existieren aber auch verschiedenste andere Baumplantagen, die jeweils aber nur sehr
kleine Flächenanteile einnehmen. Eine explizite Untersuchung dieser hätte daher
den Rahmen dieser Arbeit gesprengt.
Grundsätzlich lies sich die Kokos-Nicht-Kokos-Trennung mit den ASTER-
Daten besser bewältigen als mit den Landsat-Daten. Da sich jedoch der blaue Kanal
(bei Landsat) sowie die SWIR-Bänder zwei bis sechs (bei ASTER), als kein
entscheidendes Trennungskriterium herausstellten, ist davon auszugehen, dass die
schlechtere Eignung der Landsat-Daten andere Gründe hat. Beispielsweise wäre zu
untersuchen, in wie fern sich saisonale Effekte, beziehungsweise bidirektionale
Sonneneinfallswinkel, die durch die Jahreszeiten verursacht werden, auf die
Trennbarkeit auswirken (JENSEN 2000:345).
Das Ergebnis der Klassifikation sowie die Genauigkeitsanalyse zeigten, dass
eine Verschlechterung der Trennung vor allem durch Konfusion mit tropischen
Primärwäldern sowie Grasländern hervorgerufen wird. Diese tritt vor allem in
wolkenverhangenen Szenen mit hohen Dunstanteilen auf. Eine Lösung dieses
Problems konnte auf Basis der Datengrundlage nicht erarbeitet werden.
Insbesondere unter den feuchten Bedingungen des tropischen Regenwaldes kann es
daher sinnvoll sein, zusätzlich auch die Möglichkeiten der Radar-Fernerkundung zu
Raten zu ziehen.
Abschließend gilt es noch, darauf hinzuweisen, dass in der vorliegenden
Arbeit versucht wurde, die Kokosplantage zu kartieren. Jedoch stellen diese eine
Landnutzung dar; der Fernerkundung ist es aber nur möglich die Landbedeckung zu
analysieren. Somit können die, in dieser Arbeit vorgestellten Methoden, unabhängig
von der Genauigkeit der Ergebnisse, nur eine Abschätzung der Plantagenverbreitung
im Untersuchungsraum liefern. Die exakte Ausweisung von wild wachsenden
Kokospalmen beziehungsweise tatsächlichen Plantagen, kann demnach nur durch
zusätzlich Daten aus aktuellen geographischen Informationssystemen erfolgen. Für
diese jedoch stellen die hier erzielten Fernerkundungsergebnisse wiederum eine
nützliche Informationsquelle dar.
56
Literatur
AA (Auswärtiges Amt) (2007): Vanuatu. Wirtschafts- und Umweltpolitik.
<http://www.auswaertiges-amt.de/diplo/de/Laenderinformationen/Vanuatu/
Wirtschaft.html> (Stand: 2006-05-27) (Zugriff: 2007-06-28).
AGUILAR, A. (2005): Remote Sensing of Forest Regeneration in Highland
Tropical Forests. In: GIScience & Remote Sensing 05, 1, 66-79.
ALBERTZ, J. (20012): Einführung in die Fernerkundung. Grundlagen der
Interpretation von Luft- und Satellitenbildern. Darmstadt: Wissenschaftliche
Buchgeselschaft.
ANISE, R. (1995): The New Forest Cover / Forest Function Map of Fiji.
<http://www.picisoc.org/files/1995-04.pdf> (Stand: 2007-06-22) (Zugriff: 2007-06-
25).
ANONYMOUS (2007): Vanuatu represented at UN conference in Cairns.
<http://www.geo.vuw.ac.nz/research/climate-change/vanuatu-forests/documents/
DailyPost13March2007.pdf> (Stand: 2007-03-13) (Zugriff: 2007-06-27).
APAN, A. (1997): Land Cover Mapping for Tropical Forest Rehabilitation
Planning Using Remotely-Sensed Data. In: International Journal of Remote Sensing
97, 5, 1029-1049.
BELLAMY , J. (1991): Vanuatu Resource Information System. VANRIS
Handbook. Brisbane: CSIRO.
BISCHOFF, L. (2003): Fernerkundung in der Geologie. Eine kurze Einführung.
<http://www.uni-muenster.de/GeoPalaeontologie/Geologie/Ferngis/ferninfo.html>
(Stand: 203-09-17) (Zugriff: 2007-07-19).
57
BHUSAN, J.; LATILEVU , V.; TUPUA, E. & A. WATA (1995): Forest Type
Mapping of Taveuni. <http://www.picisoc.org/files/1995-04.pdf> (Stand: 2007-06-
22) (Zugriff: 2007-06-25).
BMLV (Bundesministerium für Landesverteidigung) (o.J.): Neuseeländisches
Hoheitsgebiet und Streitkräftedislokation. <http://www.bmlv.gv.at/omz/
galerie.php?id=26> (Stand: o.S.) (Zugriff: 2007-07-02).
CALLAHAN , C. (2000): Rainforest Deforestation. <http://kanat.jsc.vsc.edu/
student/callahan/mainpage.htm#raininfo> (Stand: 2001-05-08) (Zugriff: 2007-06-
25).
CONGALTON, R. (1999): Assessing the Accuracy of Remotely Sensed Data.
Principles and Practices. Boca Raton: Lewis Publishers.
COOPS, N. (2007): Accuracy Assessment. <http://www.forestry.ubc.ca/
irss/lectures/Accuracy-Assessment.pdf> (Stand: 2007) (Zugriff: 2007-07-03).
CRN (Coalition of Rainforest Nations) (2007): Coalition of Rainforest
Nations. <http://www.rainforestcoalition.org/eng/> (Stand: o.S.) (Zugriff: 2007-06-
28).
DENNISON, P.; ROBERT, D.; PETERSON, S. & J. RECHEL (2004): Use of
Normalized Difference Water Index for Monitoring Live Fuel Moisture.
<http://www.geog.utah.edu/~pdennison/pubs/dennison_ijrs_ndwi_abstract.pdf>
(Stand: 2004-07-30) (Zugriff: 2007-08-26).
DUKE, J. (1983): Handbook of Energy Crops.
<http://newcrop.hort.purdue.edu/newcrop/duke_energy/Cocos_nucifera.html>
(Stand: 1996-07-08) (Zugriff: 2007-06-28).
ECKER, R., KALLIANY , R. & K. STEINNOCHER (1995): Fernerkundungsdaten für
die Planung eines Mobilfunknetzes. <http://www.ipf.tuwien.ac.at/publications/
re_rk_ks_p_oez95.html> (Stand: 2006-12-13) (Zugriff: 2007-07-03).
58
ESRI (Environmental Systems Research Institute) (Hrsg.) (1999): ArcView –
ArcView Help. Version 3.2, CD-ROM. Redlands: ESRI GIS and Mapping
Software.
FAO (Food and Agriculture Organization of the United Nations) (2004): What
does it take? The role of incentives in forest plantation development in Asia and the
Pacific. <ftp://ftp.fao.org/docrep/fao/007/ad524e/ad524e00.pdf> (Stand: o.S.)
(Zugriff: 2007-06-25).
GRACE, J.; KRUIJT, B. & A. FREIBAUER (2003): Scientific and Technical Issues
in the Clean Development Mechanism. <http://www.bgc-jena.mpg.de/public/
carboeur/archive/CDM2.pdf> (Stand: o.S.) (Zugriff: 2007-06-24).
GREENPEACE (2007): Die grüne Schatzkammer. <www.greenpeace.at/uploads/
media/Nachhaltige_Regenwald-Nutzung.doc> (Stand: o.S.) (Zugriff: 2007-07-19).
HAACK, B., SOLOMON, E. & N. HEROLD (2002): Radar and Optical Data Sensor
Integration for Land Cover Extraction. <http://www.isprs.org/commission1/
proceedings02/paper/00077.pdf> (Stand: 2002-11-26) (Zugriff: 2007-07-01).
HEMPHILL, J. (2001): On the Value of Coordinating Landsat Operations.
<http://www.geog.ucsb.edu/~jeff/projects/thesis/index.html> (Stand: 2002-05-29)
(Zugriff: 2007-07-09).
HEROLD, M. (2007): Besprechung der Ziele der Bachelorarbeit von André
Armstroff. Inhaltliche Themendiskussion über den Ablauf der Bachelorarbeit (2007-
06-18 17.00 Uhr). Jena: Institut für Geographie.
HEROLD, M. & J. SAMBALE (2007): Besprechung der Vorgehensweise in der
Datenverarbeitung der Bachelorarbeit von André Armstroff (2007-07-05 15.00
Uhr). Jena. Institut für Geographie.
59
HKBU (Hong Kong Baptist University) (2000): Supervised Classification.
<http://geog.hkbu.edu.hk/virtuallabs/rs/classification2.htm> (Stand: 2000-12-05)
(Zugriff: 2007-08-20).
JENSEN, J. (2000): Remote Sensing of the Environment. An Earth Resource
Perspective. Upper Saddle River: Prentice-Hall, Inc.
JOLLIFFE, I. (20022): Principal Component Analysis. New York: Springer.
KARAKOS, D.; KHUDANPUR, S.; EISNER, J. & C. PRIEBE (2005): Unsupervised
Classification via Decision Trees. An Information-theoretic Perspective.
<http://www.clsp.jhu.edu/ ~damianos/icassp05_camera.pdf> (Stand: 2007-08-24)
(Zugriff: 2007-08-27).
LAMB , D. (1990): Exploiting the Tropical Rain Forest. Paris: UNESCO.
LEICA GEOSYSTEMS (2006): Erdas Imagine - On-Line Help. Version 9.1, CD-
ROM. Norcross: Leica Geosystems Geospatial Imaging.
KLASNER L. & C. MIKAMI (1998): Land Use on the Island of Oahu, Hawaii.
<http://pubs.usgs.gov/wri/wri024301/pdf/wri02-4301.pdf> (Stand: 2004-04-16)
(Zugriff: 2007-07-04).
KRÜGER, N., WEBER, M. & D. LACHMANN (2004): Ökosystem Tropischer
Regenwald. <http://www.uni-giessen.de/geographie/mitarbeiter/scholz/download/
semanthro/20_01_2004.pdf> (Stand: 2004-01-20) (Zugriff: 2007-06-26).
KUMMER, D. (1992): Deforestation in the Postwar Philippines. Chicago:
University of Chicage Press.
NASA (National Aeronautics and Space Administration) (2003): Aster User
Handbook. <http://asterweb.jpl.nasa.gov/content/03_data/04_Documents/
aster_user_guide_v2.pdf> (Stand: 2003-05-08) (Zugriff: 2007-07-04).
60
NASA (National Aeronautics and Space Administration) (2004): Aster Talk.
<http://asterweb.jpl.nasa.gov/bibliography.asp> (Stand: 2004-09-07) (Zugriff: 2007-
07-01).
OCHEGO, H. (2003): Application of Remote Sensing in Deforestation
Monitoring. A Case Study of the Aberdares (Kenya). <http://www.fig.net/pub/
morocco/proceedings/TS11/TS11_4_ochego.pdf> (Stand: 2006-12-27) (Zugriff:
2007-07-01).
PALANISWAMI , C., UPADHYAY , A. & H. MAHESWARAPPA (2006): Spectral
Mixture Analysis for Subpixel Classification of Coconut. In: Current Science 06, 12,
1706-1711.
PCI GEOMATICS (Hrsg.) (2003): PCI Geomatica - Geomatica Prime Help
9.1.0, CD-ROM. Richmond Hill: PCI Geomatics.
POTTER, C. (1999): Terrestrial Biomass and the Effects of Deforestation on the
Global Carbon Cycle. In: BioScience 99, 10, 769-778.
RAMSEY, R. (2006): Introductory Digital Image Processing. Resampling
Methods. Neares Neighbor. <http://www.cas.sc.edu/geog/rslab/Rscc/mod5/5-
2/nn.html> (Stand: 2006-11-06) (Zugriff: 2007-08-26).
RASKOB, C. (2004): Schwerpunkt-Voronoi-Diagramme. <http://
www.mcgods.de/fun/d/doc/CentroidalVoronoi/> (Stand: 2004-06-22) (Zugriff:
2007-07-30).
REYNOLDS, S. (1995): Pasture-Cattle-Coconut Systems. <http://www.fao.org/
docrep/005/af298e/af298e00.htm> (Stand: o.S.) (Zugriff: 2007-08-21).
RICHARDS, J. & X. JIA (20054): Remote Sensing Digital Image Analysis. An
Introduction. New York: Springer.
61
SPEKTRUM (Hrsg.) (2000): Lexikon der Geowissenschaften. Heidelberg:
Spektrum Akademischer Verlag.
SRI SUMANTYO , J. (2002): Tropical Forest Monitoring Using Synthetic
Aperture Radar. Theories and Applications. <http://www.pandhitopanji-f.org/
jtetukoss/documents/> (Stand: 2007-04-07) (Zugriff: 2007-07-01).
STEHMAN, S. & R. CZAPLEWSKI (1998): Design and Analysis for Thematic Map
Accuracy Assessment. Fundamental Principles. In: Remote Sensing of Environment
98, 64, 331-344.
UN (United Nations) (1992): Rahmenübereinkommen der vereinten Nationen
über Klimaänderungen. <http://unfccc.int/resource/docs/convkp/convger.pdf>
(Stand: 2007-06-21) (Zugriff: 2007-06-20).
UN (United Nations) (1998): Kyoto Protocol to the United Nations
Framework Convention on Climate Change. <http://unfccc.int/resource/
docs/convkp/kpeng.pdf> (Stand: 2007-06-08) (Zugriff: 2007-06-21).
UNBC (University of Northern British Columbia) (2007): Radiometric
Correction. <http://www.gis.unbc.ca/courses/geog432/lectures/lect6/index.php>
(Stand: o.S.) (Zugriff: 2007-08-09).
USGS (United States Geological Survey) (2006): Landsat Thematic Mapper
Data (TM). <http://edc.usgs.gov/guides/landsat_tm.html> (Stand: 2006-08-22)
(Zugriff:2007-07-03).
UT (University of Texas) (1998): Vanuatu. Shaded Relief.
<http://www.lib.utexas.edu/maps/australia/vanuatu_rel98.jpg> (Stand: 2007-06-22)
(Zugriff: 2007-07-19).
VITO (Flemish Institute for Technological Research) (2006): NDWI.
<http://www.vgt4africa.org/ViewContent.do?pageId=27> (Stand: 2007-06-25)
(Zugriff: 2007-07-06).
62
VTO (Vanuatu Tourism Office) (2007): Vanuatu Tourism.
<http://www.vanuatutourism.com/vanuatu/cms/index.html> (Stand: o.S.) (Zugriff:
2007-06-21).
VUW (Victoria University of Wellington) (2006): Vanuatu Forests: Reducing
Emissions from Deforestation. <http://www.geo.vuw.ac.nz/research/climate-change/
vanuatu-forests/index.html> (Stand: 2007-01-10) (Zugriff: 2007-06-27).
WATSON, R. (2000): A Report on the Key Findings from the IPCC Special
Report on Land-Use, Land-Use Change and Forestry.
<http://www.ipcc.ch/present/sp-lulucf.htm> (Stand: 2000-06-13) (Zugriff: 2007-08-
09).
WOOD, R. (2004): Auf dem absteigenden Ast. Zur Lage der tropischen Wälder
weltweit. < http://tropenwald.org/ > (Stand: 2006-04-19) (Zugriff: 2007-07-19).
YU, Q.; GONG; P. CLINTON, N.; BIGING, G.; KELLY , M. & D. SCHIROKAUER
(2006): Object-based Detailed Vegetation Classification with Airborne High Spatial
Resolution Remote Sensing Imagery. In: Photogrammetric Engineering & Remote
Sensing 06, 7, 799–811.
63
Anhang
Anhang 1: Daten der verwendeten ASTER-Szenen Szenen-Nr. Aufnahmedatum enthaltene Inseln Klassifizierte Kanäle
19439 17.10.2006 Malakula VNIR 2, 3, SWIR 1, PCA 1, 2 20467 17.04.2006 Éfaté VNIR 1, 2, SWIR 3, NDWI, PCA 1 20476 17.04.2006 Éfaté VNIR 1, 2, SWIR 3, NDWI, PCA 1 21244 18.06.2006 Ambrym, Malakula VNIR 1, 2, SWIR 3, NDWI, PCA 1 22109 09.11.2006 Malakula VNIR 1, 2, SWIR 3, NDWI, PCA 1 22119 11.05.2004 Espiritu Santo VNIR 2, 3, SWIR 1, PCA 1, 2 22121 11.05.2004 Espiritu Santo VNIR 2, 3, SWIR 1, PCA 1, 2 23248 24.12.2005 Ambrym, Malakula VNIR 1, 2, SWIR 3, NDWI, PCA 1 24043 01.01.2003 Espiritu Santo VNIR 1, 2, SWIR 3, NDWI, PCA 1 24691 29.07.2006 Éfaté VNIR 2, 3, SWIR 1, PCA 1, 2 26624 09.06.2006 Espiritu Santo VNIR 2, 3, SWIR 1, PCA 1, 2 27284 09.06.2006 Espiritu Santo VNIR 1, 2, SWIR 3, NDWI, PCA 1
(Datenquelle: eigene Darstellung) Anhang 2: Daten der verwendeten Landsat-TM-Szenen
Path Row Aufnahmedatum enthaltene Inseln 81 71 11.02.2003 Malakula 82 70 unbekannt Espiritu Santo 82 71 17.04.2001 Malakula, Espiritu Santo
(Datenquelle: eigene Darstellung) Anhang 3: Daten der verwendeten Landsat-ETM-Szenen
Path Row Aufnahmedatum enthaltene Inseln 81 72 22.07.2004 Éfaté
82 71 27.05.2004 Malakula, Espiritu Santo (Datenquelle: eigene Darstellung) Anhang 4: Schwellenwerte der Wasser- und Wolkenmaskierung für die ASTER-Szenen
Szene Obergrenze im 1. VNIR Untergrenze im 1. SWIR 19439 150 40 20467 115 25 20476 115 25 21244 100 25 22109 145 35 22119 110 20 22121 110 20 23248 140 35 24043 110 35 24691 100 20 26624 90 25 27284 100 25
(Datenquelle: eigene Darstellung)
64
Anhang 5: Reflektanzmittelwerte und -standartabweichungen der Trainingsgebiete verschiedener Landbedeckungsklassen in den verfügbaren ASTER-Kanälen
Busch- und Strauchland Kokosbedeckung unter 15%
Kanalbezeichnung Mittelwert Standartabweichung Mittelwert Standartabweichung VNIR1 4,16171 4,356579 8,03874 8,995666 VNIR2 1,95836 2,638976 5,86577 6,996132 VNIR3 46,43978 42,661217 34,60090 21,395670 SWIR1 21,90372 18,003265 22,45495 20,594208 SWIR2 9,83234 7,731763 11,43874 9,038627 SWIR3 9,94721 8,464015 11,53694 11,527428 SWIR4 8,68364 7,364337 10,09459 9,862878 SWIR5 7,33048 6,563673 9,06126 9,223131 SWIR6 9,57807 9,264005 11,78288 7,484367
(Datenquelle: eigene Darstellung)
Kokosbedeckung über 60% Kokosbedeckung zwischen 15 und 60%
Kanalbezeichnung Mittelwert Standartabweichung Mittelwert Standartabweichung VNIR1 5,91687 4.256.238 6,94524 6.475.972 VNIR2 3,97449 4.333.894 4,80714 6.371.039 VNIR3 33,97654 19.436.466 35,36310 18.036.854 SWIR1 15,19136 7.204.019 18,37738 21.244.804 SWIR2 7,68066 4.194.798 9,30357 11.365.619 SWIR3 7,25185 4.661.667 9,05595 13.169.546 SWIR4 6,06831 5.162.623 7,88571 13.113.192 SWIR5 5,27366 4.312.459 6,94524 11.707.146 SWIR6 8,04527 6.431.087 9,95952 10.828.884
(Datenquelle: eigene Darstellung)
Nicht-Kokosbedeckung über 60% Tropischer Primärwald
Kanalbezeichnung Mittelwert Standartabweichung Mittelwert Standartabweichung VNIR1 4,30982 3.727.225 4,66490 8.051.929 VNIR2 2,30982 3.508.473 2,46202 5.182.717 VNIR3 39,20613 26.572.206 39,12163 46.892.536 SWIR1 18,86012 7.386.391 16,98413 13.095.023 SWIR2 9,08282 2.825.378 8,07933 2.993.672 SWIR3 8,83190 3.505.833 7,82981 4.368.550 SWIR4 7,68957 3.238.218 6,43750 3.565.830 SWIR5 6,51227 2.973.860 5,41394 2.791.605 SWIR6 9,67791 3.444.609 6,74519 12.766.302
(Datenquelle: eigene Darstellung)
65
Anhang 6: Reflektanzmittelwerte und -standartabweichungen der Trainingsgebiete verschiedener Landbedeckungsklassen in den verfügbaren TM-Kanälen
Busch- und Strauchland Kokosbedeckung unter 15%
Kanalbezeichnung Mittelwert Standartabweichung Mittelwert Standartabweichung Blau 5,59051 6.192.879 6,10936 6.264.400 Grün 8,55506 7.297.951 9,55029 9.950.388 Rot 4,88165 5.138.387 6,37544 6.317.934
NIR1 45,08861 39.741.726 42,57368 71.131.256 NIR2 24,55380 17.863.277 20,83333 22.487.423 NIR3 10,98228 7.765.160 9,24620 7.401.005
(Datenquelle: eigene Darstellung)
Kokosbedeckung über 60% Kokosbedeckung zwischen 15 und 60%
Kanalbezeichnung Mittelwert Standartabweichung Mittelwert Standartabweichung Blau 5,13939 6.828.370 5,62381 7.533.448 Grün 6,80000 7.716.177 8,40238 9.872.974 Rot 5,23818 7.277.589 5,68571 5.812.840
NIR1 31,28242 38.615.582 37,60000 60.359.440 NIR2 14,00970 20.863.546 17,25000 23.943.136 NIR3 6,53758 9.781.462 7,87857 9.001.417
(Datenquelle: eigene Darstellung)
Nicht-Kokosbedeckung über 60% Tropischer Primärwald
Kanalbezeichnung Mittelwert Standartabweichung Mittelwert Standartabweichung Blau 5,13301 8.801.355 3,32466 11.839.044 Grün 7,38544 13.869.998 5,17557 9.627.641 Rot 4,69029 8.883.840 3,13699 8.956.781
NIR1 42,81359 38.522.228 34,14703 89.560.684 NIR2 21,42039 20.033.642 15,65479 30.174.625 NIR3 9,58544 9.282.416 7,17831 12.857.171
(Datenquelle: eigene Darstellung)
66
Selbstständigkeitserklärung Hiermit wird bestätigt, dass die vorliegende Bachelor-Arbeit von dem Studierenden
selbstständig verfasst und keine anderen als die angegebenen Quellen und
Hilfsmittel benutzt sowie Zitate und gedankliche Übernahmen kenntlich gemacht
wurden.
_____________________________
Datum, Unterschrift