Please use this identifier to cite or link to this item: http://dx.doi.org/10.14279/depositonce-3905
Main Title: Charakterisierung von Getreidearten aus hyperspektralen Fernerkundungsdaten auf der Basis von 4D-Bestandsmodellen
Translated Title: Hyperspectral remote sensing data for analysing crop canopies based on 4D canopy models
Author(s): Spengler, Daniel
Referee(s): Kleinschmit, Birgit
Kaufmann, Hermann
Granting Institution: Technische Universität Berlin, Fakultät VI - Planen Bauen Umwelt
Type: Doctoral Thesis
Language: German
Language Code: de
Abstract: Eine Hauptaufgabe der fernerkundlichen Analyse von Ackerflächen ist die Charakterisie-rung von Pflanzenbeständen nach Arten und Bewuchseigenschaften. Dazu kommen häufig optische Fernerkundungsdaten zum Einsatz, die mittels überwachter Klassifizie-rungsverfahren ausgewertet werden. Diese Verfahren benötigen Trainingsdaten, die aus den zu analysierenden Bilddaten selektiert bzw. in zuvor aufgebauten spektralen Daten-banken vorgehalten werden. Das erfordert in der Regel einen hohen Aufwand zur Gewinnung von In-situ-Informationen über die Verteilung und den Zustand der Arten, was die Anwendbarkeit und regionale Übertragbarkeit dieser Verfahren einschränkt. Deshalb gibt es seit längerem Bestrebungen, Auswerteverfahren zu entwickeln, die auf der Basis unabhängiger Trainingsdaten arbeiten. Zu diesem Zweck wurde im Rahmen dieser Arbeit erstmals die Eignung simulierter Be-standsreflexionsdaten für die Verwendung als unabhängige Eingabetrainingsdaten für die Klassifizierung von Fernerkundungsdaten unterschiedlicher spektraler Auflösung un-tersucht. Hierfür wurde ein spektrales, räumliches und zeitliches Simulationsmodell zur Modellierung der Bestandsreflexion der in Deutschland flächenmäßig am häufigsten angebauten Getreidearten Winterweizen, Wintergerste und Winterroggen entwickelt. Das System zeichnet sich durch die Integration detaillierter, virtueller 4D Pflanzenmodelle aus, wobei deren phänologische Entwicklung vollständig abgebildet und mit den entsprechenden spektralen Informationen verknüpft wurde. Die Einbeziehung der sensor-spezifischen Aufnahmegeometrien sowie der solaren Einstrahlungswinkel ermöglicht eine realitätsnahe Simulation der Bestandsreflexion in Abhängigkeit des zu klassifizierenden Fernerkundungsdatensatzes. Die Definition der Simulationsparameter für die Erzeugung der Trainingsdaten erfordert außerdem eine spezifische Analyse der spektralen Einflüsse weiterer bestandsoptischer und bestandsstruktureller Parameter, da das Reflexionssignal neben der Pflanzenart und deren phänologischer Entwicklung auch von zahlreichen anderen Parametern wie z.B. der Pflanzdichte und dem Reihenabstand abhängig ist. Zur Einbeziehung all dieser Parameter wurden insgesamt über 50.000 verschiedene Getreidebestände mit variierenden Bestandsstrukturmerkmalen und optischen Eigenschaften simuliert. Auf Grundlage der Analyseergebnisse und unter Berücksichtigung der schlaginternen Heterogenität eines Getreidebestandes erfolgte die Definition der Simulationsparameter zur Erzeugung der synthetischen Trainingsdaten. Für die anschließende Klassifizierung wurde ein paarweiser-Maximum-Likelihood-Ansatz für die Integration synthetischer Trainingsdaten adaptiert und auf vier Untersuchungs-gebiete zu insgesamt sechs Aufnahmezeitpunkten angewendet, wobei die Fernerkundungsdaten sowohl von hyperspektralen (HyMap, AISADual und HySpex) als auch daraus simulierten multispektralen Aufnahmesystemen (Landsat-TM7, RapidEye, Sentinel-2 und WorldView-2) stammen. Im Fall der Hyperspektraldaten konnten bei optimaler Merkmalsauswahl und repräsentativer Simulation der Bestandsspektren die besten Klassifizierungsergebnisse erzielt werden (Gesamtklassifizierungsgenauigkeit 94%, mittlere Klassifizierungsgenauigkeit 96%, Cohens-Kappa-Koeffizient 0,92). Dabei gelang auch eine kombinierte Bestimmung von Pflanzenart und deren phänologischer Entwick-lung. Die Klassifizierungsergebnisse der multispektralen Daten erreichen bei gleichen Voraussetzungen zwar nicht diese Genauigkeiten, sind für Aussagen für einen Gesamt-schlag jedoch ausreichend. Bei der Übertragung des Klassifizierungsansatzes ergaben sich zumeist geringere Klassifizierungsgenauigkeiten, die in erster Linie durch starken Aufwuchs an Begleitvegetation und einen höheren Einfluss des Bodensignals bedingt sind. Für eine standortunabhängige Anwendung der Methode ist daher eine Erweiterung der Simulationsdatenbasis um weitere Fruchtarten sowie Bodeneigenschaften und Be-gleitvegetation erforderlich. Die Arbeit zeigt das große Potenzial synthetischer Trainingsdaten auf der Basis detail-lierter 4D-Bestandsmodelle für die in-situ-Daten unabhängige Klassifizierung von Fernerkundungsdaten auf. Dem einmaligen recht hohen Simulationsaufwand steht ein breites und universales Anwendungsspektrum gegenüber, wodurch die Auswertung der Daten zukünftiger Fernerkundungsmissionen wie Sentinel-2 oder EnMAP im Hinblick auf die Charakterisierung von Ackerflächen erleichtert werden kann.
One of the main goals of agricultural remote sensing is the determination of the crop type and the characteristics of the canopies. For that purpose often optical remote sens-ing data are used, that are analysed by supervised classification. These methods require trainings samples that have to be selected in the image data or must be provided by previously built up spectral databases. The information about land use and crop status is typically gathered by extensive in-situ-acquisitions. Therefore, the usability and trans-ferability of these methods is generally limited. Currently, various research activities concentrate on classification methods using independent trainings samples. For this purpose, in the context of this thesis the suitability of simulated canopy reflec-tance data as independent trainings samples for the classification of remote sensing data of differing spectral resolution is investigated for the first time. Therefore, a spectral, spatial and temporal canopy reflectance simulation system was developed for the most commonly grown grains in Germany - winter wheat, winter barley and winter rye. The system is characterized by the integration of detailed 3-D virtual plant models whereby their phenological development has been completely mapped and linked to the corre-sponding spectral information. The inclusion of sensor-specific acquisition geometries and of solar radiation angle geometries allows a realistic simulation of the canopy reflectance in dependence of the remote sensing data set to be classified. The definition of the simulation parameters for the generation of training data also re-quires a specific analysis of the spectral influences of other optical and structural canopy parameters. Besides of the species and the phenological development the canopy reflec-tance data are influenced by many other parameters such as seeding density, and the seeding row distance. Over 50,000 different canopy configurations were simulated with varying canopy structure characteristics and optical properties for the integration of all these parameters. Based on the analysis results and considering the impact of internal heterogeneity of a natural grain canopy the definition of the simulation parameters for the generation of synthetic training data was established. For the subsequent classification, a pairwise maximum likelihood approach is adapted for the integration of synthetic training data and is applied on six data sets of four different test sites. Besides hyperspectral image data (HyMap, AISADual and HySpex), simulated multispectral data (Landsat-TM7, RapidEye, Sentinel-2 and WorldView-2) are used for the classification. With optimal feature selection and representative simulation of the canopy reflectance spectra, the best classification results are obtained by hyperspectral data (overall classification accuracy of 94 %, average classification accuracy of 96 %, Cohens-Kappa-Coefficient 0.92). A combined determination of plant species and their phenological development is also achieved. Although the classification results of the multispectral data do not achieve these accuracies, but are sufficient enough for statements about the overall canopy characteristics. Transfer of the classification method mostly gave lower classification accuracies, which are caused by strong grow up of accompanying vegetation and a higher influence of the soil signal. For a location-independent application of the method, therefore an extension of the simulation data base to more crops and integration location specific soil properties and accompanying vegetation is required. The work demonstrates the great potential of synthetic training data on the basis of detailed 4D canopy models for in-situ-data independent classification of remote sensing data. The simulation effort is quite high, but has to be done only one time. On the other hand the method enables a broad and universal range of applications facilitating the characterization of arable land by future remote sensing data missions like Sentinel-2 or EnMAP.
URI: urn:nbn:de:kobv:83-opus4-45894
http://depositonce.tu-berlin.de/handle/11303/4202
http://dx.doi.org/10.14279/depositonce-3905
Exam Date: 18-Dec-2013
Issue Date: 16-Jan-2014
Date Available: 16-Jan-2014
DDC Class: 500 Naturwissenschaften und Mathematik
Subject(s): Abbildende Spektroskopie
landwirtschaftliche Fernerkundung
Reflexionssimulation
Klassifizierung
Imaging spectroscopy
agriculture remote sensing
reflectance simulation
classification
Creative Commons License: https://creativecommons.org/licenses/by-nc-nd/3.0/de/
Appears in Collections:Technische Universität Berlin » Fakultäten & Zentralinstitute » Fakultät 6 Planen Bauen Umwelt » Institut für Landschaftsarchitektur und Umweltplanung » Publications

Files in This Item:
File Description SizeFormat 
spengler_daniel.pdf30,72 MBAdobe PDFThumbnail
View/Open


Items in DepositOnce are protected by copyright, with all rights reserved, unless otherwise indicated.