Phänologische Strukturierung von zeitlich hochauflösenden...

Gefördert durch:

29.01.2015

Phänologische Strukturierung von zeitlich hochauflösenden Sentinel-2-Datensätzen zur

Optimierung von Landnutzungsklassifikationen

Prof. Dr. Cornelia Gläßer, Henning Gerstmann, Dr. Markus Möller, Dr. Detlef Thürkow (Uni Halle)

Prof. Dr. Christopher Conrad, Patrick Knöfel (Uni Würzburg)

Dr. Daniel Doktor, Xingmei Xu (UFZ)

Workshop: "Nutzung der Sentinels und nationalen Erdbeobachtungs-Missionen"

Bonn

Phänologische Strukturierung von

Sentinel-2-Daten

Motivation

• Klassifikation von Ackerfrüchten nach Arten ist Voraussetzung für Anwendung von Sentinel-2-Daten für EU-Agrarpolitik, Umweltfragen etc.

• Defizite durch große spektrale Ähnlichkeiten

• Phänologische Phasen können als Indikator für optimale Zeitfensterauswahl dienen

Henning Gerstmann

Projektüberblick

Genauere Klassifikationsergebnisse

Partner • Verbundprojekt der Universitäten Halle und Würzburg,Department CLE des

UFZ sowie Fa. UmGeoDat • Laufzeit: März 2013 bis Oktober 2016


Sentinel-2-Daten

• Methodenentwicklung für operationelle Detektion phänologischer Zeitfenster

• WPA-PhenoS: – Prognose-System für:

• Phänologie: phänologische Modellierungsergebnisse

– Auskunftssystem für:

• Klima: tägliche Beobachtungsdaten des DWD zu Temperatur, Wolkenbedeckung, Niederschlag, …

• Phänologische Beobachtungen und Zeitfenster für Satellitenbildauswahl

– Visualisierung

Henning Gerstmann

Projektziele


Sentinel-2-Daten

Henning Gerstmann

Projektziele

WPA-PhenoS

Operationelle Zeitfensterdetektion

Klassifikationsrahmen

Spektrale Maße Phänologische Modellierung

Fernerkundungsdaten Beobachtungsdaten, Höhenmodelle, weitere

Sekundärdaten


Sentinel-2-Daten

Henning Gerstmann

Teilziele: Spektrale Maße für Sentinel-2

• Entwicklung von Vegetationsindizes für Sentinel-2-Daten:

Nutzung der Red-Edge-Kanäle

• Multitemporale Trennbarkeitsanalysen und Zeitfensterdetektion

• Extraktion phänologischer Maße aus Satellitendaten

• Verbindung von spektralem Verhalten mit phänologischen Stadien


Sentinel-2-Daten

Henning Gerstmann

Teilziele: Phänologische Modelle

WPA-PhenoS





Sekundärdaten


Sentinel-2-Daten

Henning Gerstmann

Teilziele: Phänologische Modelle

• Phänologische Modelle für FE-Daten meist auf wenige Phasen beschränkt

• Häufig Ableitung direkt aus spektraler Information

Modelle im Projekt PhenoS: • PHASE:

• statistisches Modell

• Nutzung von phänologischen und meteorologischen Beobachtungsdaten ohne FE-Daten

• PIM:

• Modellierung wachstumsfördernder und -hemmender Prozesse

• Möglichkeit zur Prognose phänologischer Entwicklungsstadien


Sentinel-2-Daten

Henning Gerstmann

Teilziele: Klassifikationsrahmen

WPA-PhenoS





Sekundärdaten


Sentinel-2-Daten

Henning Gerstmann

Projektstruktur

• Multitemporale Klassifikation von Feldfrüchten

Klassifikations-Tool

Beruhend auf spektralen Maßen

Einbeziehung phänologischer Phasen und neu entwickelten Indizes

Teilziele: Klassifikationsrahmen


Sentinel-2-Daten

Henning Gerstmann

Untersuchungsräume und FE-Daten

TERENO-Testgebiete:

• Mitteldeutsches Tiefland / Harzvorland

• Nordostdeutsches Tiefland / Demmin

AISA-Dual RapidEye MODIS (SPOT5) Simulation v.

Sentinel-2-Daten

Methodenentwicklung

Sentinel-2

Daten:


Sentinel-2-Daten

Bisherige Ergebnisse

Henning Gerstmann


Sentinel-2-Daten

Henning Gerstmann

Phänologische Modellierung

WPA-PhenoS





Sekundärdaten


Sentinel-2-Daten

Statistisches Modell PHASE • Erstmals vorgestellt von MÖLLER ET AL. (2012) als R-Script

• Temperatur erklärt Unterschiede im Eintrittsdatum phänologischen Phasen

• Berechnung von Temperatursummen (Growing degree days) aus täglichen Beobachtungsdaten

• Übertragung auf Deutschland über Regression (RandomForest, Regression Kriging)

• Prognose des Eintrittsdatum eines phänologischen Ereignisses

• Verschiedene Maßstäbe möglich:

1. DGM

2. DGM-Segmente

3. Naturräumliche Haupteinheiten

Henning Gerstmann



Sentinel-2-Daten

Henning Gerstmann


300

250

200

Deutschlandweite räumliche Prognose phänologischer Phasen


Sentinel-2-Daten

PHASE: • Modellierung phänologischer Phasen als Indikator für Zeitfensterdetektion von

Fernerkundungsdaten

• Tagesgenaue Interpolationen kann das Modell nicht leisten

• Benötigt keine Parametrisierung durch Nutzer, optimale Parametrisierung wird durch Kreuzvalidierung bestimmt

• Retrospektiv unter Nutzung von Jahresmelder-Daten und aktuell bei Nutzung von phänologischen Sofortmeldern

Henning Gerstmann


Zweites Modell: PIM


Sentinel-2-Daten Promoter-Inhibitor-Model (PIM)

Xingmei Xu


Sentinel-2-Daten PIM: Fitting, Sensitivity Analysis and Prediction

Fitting with differential evolution algorithm (R-package 'DE optim'), which

uses selection, mutation and crossover for optimisation Sensitivity analysis: check influence of model parameters on modelled

phenological phases and goodness of fit Training and test on observed phenology from 1951-2012 Prediction of phenological phases based on climate scenarios until 2100

Xingmei Xu


Sentinel-2-Daten PIM: Outlook

Adapt the model to agricultural species

• Implement sowing date

Potential integration of other model concepts:

• non-linear dependencies

Xingmei Xu


Sentinel-2-Daten Spektrale Maße

WPA-PhenoS





Sekundärdaten

Xingmei Xu


Sentinel-2-Daten

MODIS RapidEye AISA

Time period 2000-2013 2010-2014 2010-2013

Temporal resolution daily ~15 days during

vegetation period ~2 per year

Spatial resolution (m) 250 5 1/2/3

Data

Phänologische Maße aus Satellitendaten

Xingmei Xu


Sentinel-2-Daten

MODIS GQ09 Surface reflectance

RapidEye radiance

RapidEye reflectance

Respective NDVI time series

ATCOR

Phenological matrices

“phenex”--R package[1]

• Green-up + senescence dates

• Length of growing season

• Growing season Integrated NDVI

• Maximum and minimum NDVI

• Dates of the year with highest and lowest NDVI


Data processing

Xingmei Xu


Sentinel-2-Daten

Year: 2012

Satellite: MODIS aqua

Method: BISE

Model: Linear interpolation

Phenophase: senescence

Threshold: local 0.55


Xingmei Xu


Sentinel-2-Daten

Year: 2012

Satellite: MODIS aqua

Method: BISE


Phenophase: senescence

Threshold: local 0.55

Year: 2012

Satellite: RapidEye

Method: BISE


Phenophase: Green-up

Threshold: Local 0.55

White area: no data

affected by clouds


Xingmei Xu


Sentinel-2-Daten

AISA data processing

Radiometric correction (with Caligeo)

Adjustment of AISA Hawk (SWIR) signal

Destriping (ROME)

Geometric correction (with Caligeo)

Georeferencing Orthorectification

(with PARGE)

Atmospheric correction with BRDF correction

(with ATCOR 4)

Atmospheric correction (with ATCOR 4)

Geometric correction (with Caligeo)

Georeferencing

Mosaicing


Xingmei Xu


Sentinel-2-Daten

Spatial resolution: 60m

Band combination:

R-band 9(945nm)

G-band 1(443nm)

B-band 10(1375nm)


Band combination:

R-band 8(842nm)

G-band 4(665nm)

B-band 3(560nm)

Simulated Sentinel-2 images

signali

——the plot-based simulated signal of Sentinel-2 in band i

srci —— the spectral response curve for band i of Sentinel-2; ∑src

i=1

ref —— the plot-based canopy reflectance observed by AISA

rad —— the radiometric resolution

[1]


[1] Hannes Feilhauer et al., 2013, Assessing floristic composition with multispectral sensors—A comparison based on monotemporal and multiseasonal field spectra, Int. Journal of Applied Earth Observation and Geoinformation, 21(218–229).

Xingmei Xu


Sentinel-2-Daten


Band combination:

R-band 5(705nm)

G-band 7(783nm)

B-band 6(740nm)


signali



i=1



[1]



Xingmei Xu


Sentinel-2-Daten


Band combination:

R-band 9(945nm)

G-band 1(443nm)

B-band 10(1375nm)


signali



i=1



[1]



Xingmei Xu


Sentinel-2-Daten

Period Fields covered Data Measurements

11-03-2014

⁞

11-11-2014

from Aschersleben

to Straßberg

Fields number: 70 in total---50 per week

Data types: BBCH code

plant height

BBCH Code (Biologische Bundesanstalt für Land- und Forstwirtschaft,

Bundessortenamt und CHemische Industrie) :

• Oilseed rape : 39---9 or more visibly extended internodes

50---Flower buds present, still enclosed by leaves

60---First flowers open

• Cereal : 13---3 leaves unfolded

39---Flag leaf stage

51---Beginning of heading

Field observations


62

55

Xingmei Xu


Sentinel-2-Daten

Henning Gerstmann

Spektrale Maße

WPA-PhenoS





Sekundärdaten


Sentinel-2-Daten

Henning Gerstmann

Spektrale Maße

Vegetationsindizes: • Vergleich Standard-Indizes mit sensorspezifischen neuen Indizes im VIS/NIR

• Automatisierte Bestimmung des optimalen Index zur Trennung bestimmter Feldfrüchte:

o Gütemaß η2 zur Zusammenhangsanalyse zwischen Klassenzugehörigkeit und mittlerem Indexwert

• Berechnung von fruchtartspezifischen Index-Zeitreihen

• Berechnung der Indexdifferenz der Zielarten als Trennbarkeitsindikator

• Kopplung an modellierte phänologische Phasen

• Erweiterung des Klassifikationsrahmens

cd2*Β2d1*Β1Β1Β2Β1Ιndex

B1-B3: Spektralkanäle

d1,d2: Wichtungsfaktoren

c: Absolutglied


Sentinel-2-Daten

• Beispiel

Henning Gerstmann

Spektrale Maße

Monotemporale Trennung von Gerste und Roggen am 4. Juni 2011 mit RapidEye:

11*NIR7*BlueRedEdge

BlueRedEdgeIndex

Index η2

NDVI 0.036

SRR (RedEdge/NIR) 0.123

SAVI 0.068

EVI 0.005

Optimaler Index 0.382

RapidEye-Tile 3262922, Bandkombination 3-2-1 RESA-ID: 653


Sentinel-2-Daten

Henning Gerstmann

Spektrale Maße

Zeitreihe

Sep `10 Okt Nov Dez Jan Feb März Apr Mai Jun Jul Aug Sep`11


Sentinel-2-Daten

Henning Gerstmann

Spektrale Maße

Zeitreihe Differenz



Sentinel-2-Daten

Henning Gerstmann

Spektrale Maße

Roggen: Blüte Gerste: Ährenschieben

Zeitreihe Differenz Kopplung an phänologische Phase



Sentinel-2-Daten

Patrick Knöfel


WPA-PhenoS





Sekundärdaten


Sentinel-2-Daten

Teilziele: Uni Würzburg

• Entwicklung eines Klassifikationsrahmens – Definition der Zielklassen

– Spezifikation des Klassifikationsrahmens

– Aufbau und Test eines angepassten Klassifikationsalgorithmus

MELanGe (Multi-functional tool for the Evaluation of Land use classification and Geometric accuracy)

– Bestimmung der Klassifikationsgüte durch Validierungswerkzeuge

• Szenarien für optimierte Klassifikationen – Variation der Datendichte (Datenverfügbarkeit und Referenzdaten)

– Variation der Klassentiefe

– Integration phänologischer Maße als Merkmale

– Variation von Sensorauflösungen und Zusatzinformationen

– Untersuchung der Einflüsse der Standorteigenschaften auf die räumlichen Unsicherheiten

Patrick Knöfel



Sentinel-2-Daten

Patrick Knöfel


Definition der Zielklassen

– Spezifikation der Zielklassen sowie Analyse deren Vorkommen in den landwirtschaftlichen Untersuchungsgebieten

– Herausforderung: Trennung von spektral ähnlichen Klassen (Getreide)

Klassen

Referenzobjekte in 2011

Demmin

(Gesamt: 493)

Mitteldeutschland

(Gesamt: 2342)

Objektanzahl Relation Objektanzahl Relation

Weizen

(Winter/Sommer) 122/- 24,7 %/ - 1250/51 53,3 %/2,2 %

Raps 138 28 % 416 17,8 %

Gerste

(Winter/Sommer) 31/8 6,2 %/1,6 % 234/58 10 %/2,5 %

Winterroggen 24 4,8% 17 0,7 %

Mais 132 26,8 % 221 9,4 %

Zuckerrüben 29 5,8 % 142 6,1 %

Kartoffeln 13 2,6 % 24 1 %

Hafer - - 126 5,3 %

Weizen

Gerste


Sentinel-2-Daten

Patrick Knöfel


MELanGe besteht aus drei separaten Programmteilen

1. Automatisierte schlagspezifische Berechnung der Merkmale – Spektrale Indizes

– Phänologische Maße

2. Automatische Berechnung der Klassifikationsgütemaße aller Zeitschnittkombinationen

3. Interaktive Visualisierung der Klassifikationsgütemaße – Auswahl Zeitschnitte

– Auswahl Gütemaß

– Auswahl betrachtete Klasse

1 2 3


Sentinel-2-Daten

• Datenverfügbarkeit RapidEye (Intervallänge 5 Tage)

– Unregelmäßige Aufnahmen (Vergleichbarkeit der Ergebnisse?)

– Flächenhafte Abdeckung nicht immer gegeben (=> Datenfusion, Techs4TimeS)

Patrick Knöfel


Demmin

März April Mai Juni Juli August September Oktober

2009

2010

2011

2012

Mitteldeutschland

März April Mai Juni Juli August September Oktober

2009

2010

2011

2012

2013

Beispiel 2011, Mitteldeutschland: 6 Zeitschnitte

5-Tages Intervall mit verfügbaren Datensätzen


Sentinel-2-Daten

• Variation der Klassentiefe am Beispiel Getreide in Mitteldeutschland 2011

Patrick Knöfel


Zeitschnitte: 1. 07. März 2011 3. 08. Mai 2011 4. 06. Juni 2011


Sentinel-2-Daten

Aktuell in Bearbeitung:

– Anpassungen des Tools MELanGe (tw. optional) • Steuerung des RF-Algorithmus

• Auswahl aus Liste von Indizes (wichtig für die Bewertung der Integration neuer Merkmale)

• Einstellungen für Validierung (Cross-Validation, Out-Of-Bag, etc.)

• Benutzerfreundlichkeit

• Protokollausgabe

– Analytik: • Variation der Klassentiefe für weitere Untersuchungsjahre und –gebiete

• Untersuchung der Einflüsse der Standorteigenschaften auf die räumlichen Unsicherheiten der Klassifikation

• Bewertung der Integration der neuen spektralen Maße

Patrick Knöfel



Sentinel-2-Daten

Patrick Knöfel

WPA - PhenoS

WPA-PhenoS





Sekundärdaten


Sentinel-2-Daten

Henning Gerstmann

WPA - PhenoS


Sentinel-2-Daten

Henning Gerstmann

WPA - PhenoS | Metadatenbank

- Beschreibung relevanter Geodaten in Metadatenbank - aktuell z.B.183 Satelliten- bilder - Verwendung des -standardkonformen Metadatenstandards Dublin-Core Lightweight Profile for Geospatial (DCLight4G)

http://wiki.osgeo.org/wiki/DCLite4G




Sentinel-2-Daten

Henning Gerstmann

WPA - PhenoS |Geodatenviewer - Wetter

Stationsspezifische Zeitreihen aktueller meteorologischer Messdaten des DWD und eigener Stationen zu: • Niederschlag • Temperatur • Sonnenscheindauer


Sentinel-2-Daten

Henning Gerstmann

WPA - PhenoS | Geodatenviewer - PHASE


Sentinel-2-Daten

1. Modellierung phänologischer Phasen

2. Extraktion spektraler Merkmale von zur Unterscheidung von Feldfrüchten

3. Ableitung optimaler Zeitfenster für spektrale Trennung

4. Umgebung für multitemporale Klassifikation

Henning Gerstmann

Zusammenfassung

WPA PhenoS


Sentinel-2-Daten

Henning Gerstmann

paradigmaps.geo.uni-halle.de/phenos

Vielen Dank für die Aufmerksamkeit

Phänologische Strukturierung von zeitlich hochauflösenden...

Documents

Transcript of Phänologische Strukturierung von zeitlich hochauflösenden...