Please use this identifier to cite or link to this item: http://dx.doi.org/10.14279/depositonce-6094
Main Title: Multitemporal soil pattern analysis for organic matter estimation at croplands using multispectral satellite data
Translated Title: Multitemporale Bodenmusteranalyse zur Schätzung der organischen Substanz auf Ackerflächen mittels multispektraler Satellitendaten
Author(s): Blasch, Gerald
Advisor(s): Itzerott, Sibylle
Kaufmann, Hermann
Referee(s): Wessolek, Gerd
Kaufmann, Hermann
Kleinschmit, Birgit
Granting Institution: Technische Universität Berlin
Type: Doctoral Thesis
Language Code: en
Has Part: 10.14279/depositonce-6268
Abstract: Background: The increasing impact of population development and climate change on soils and their functions leads to a growing importance of soil information. Due to the high socioeconomic and ecological relevance of soils, qualitative and quantitative soil data (e.g. on organic matter content) at multiple scales are urgently required for land and resource management, soil protection strategies, and more specific tasks in precision agriculture. Therefore, remote sensing data analysis can provide innovative, inexpensive and rapid tools for soil property prediction. To avoid the disturbance of temporal patterns (caused by vegetation, land management), a multitemporal remote sensing approach with the advantage of potentially higher pattern stability is obligatory. For multitemporal pattern analysis of soils, high resolution multispectral remote sensing data (e.g., RapidEye satellite imagery) are the best option to obtain a suitably large data series of bare soil images. Objective: This research proposes an innovative, transferable and operational model – the Multitemporal Soil Pattern Analysis (MSPA) method – for the generation of user-friendly soil information maps for precision agriculture based on multitemporal remote sensing data analysis and GIS spatial data modelling. The primary research objective is to evaluate the usefulness of spatiotemporal static soil reflectance patterns derived from high resolution multispectral satellite imagery using the reflection signal from soils for precise functional organic matter soil maps at croplands. Data: For model generation and validation, as well as data interpretation, in total 82 RapidEye scenes were obtained. In addition comprehensive soil sampling and analysis (1017 soil surface mixed samples) were conducted at agrarian fields, located in the young morainic soil-landscape of north-eastern German lowlands. Methods: At a demonstration field (study area Demmin), the field-specific MSPA method based on static soil reflectance pattern and soil sampling data was developed, consisting of following steps: (1) Selection of best suitable datasets (bare soil images) out of satellite time-series using automated classification based on NDVI thresholds and phenology data; (2) Soil reflectance pattern detection using standardised principal component analysis; (3) Evaluation of spatiotemporal soil pattern stability using statistical per-pixel analysis; (4) Functional soil mapping based on statistical analysis and stepwise exclusion of temporal effects. For a multi-field landscape-scale MSPA version, the field-scale based MSPA method was testes at single fields and field composites with diverse physical-geographical location characteristics in the study area Demmin. On this basis, both a representative regional organic matter prediction model and multitemporal bare soil mosaics (covering the study area) were created. To evaluate the transferability of the MSPA method and the application potential of the regional organic matter prediction model “Demmin” to other agrarian fields of same soil-landscape, the multi-field landscape-scale MSPA version was applied to croplands of the Quillow catchment area. To cover a larger area of the young morainic soil-landscape, a transregional prediction model was developed. Results: The main findings of this research are i) the highly operational and transferable MSPA method based on spatiotemporal static soil reflectance pattern derived from RapidEye time series and ii) the applicable regional prediction model “Demmin” and the transregional model for precise organic matter estimation at croplands. Prediction models are based on the significant relationship between organic matter values and the soil pattern detecting first standardised principal components. The prediction model “Demmin” (R² = 0.69) and the transregional model (R² = 0.65) show a prediction accuracy of 1.3 OM-% (absolute RMSE). High-quality functional soil maps with low prediction errors to laboratory-analysed data could be produced after excluding temporal effects. The MSPA method meets several requirements of innovative soil property prediction methods, such as “cost-efficiency” (0.95 €/ha for farm sizes of 10,000 ha). Conclusions: In this study, the MSPA method combined with RapidEye data provide a high prediction accuracy of organic matter values, independent of the study area, its value range of organic matter, and applied local, regional or transregional prediction model type.
Hintergrund: Die zunehmenden Auswirkungen der Bevölkerungsentwicklung und des Klimawandels auf Böden und ihre Funktionen führen zu einer wachsenden Bedeutung an Bodeninformationen. Aufgrund der hohen sozioökonomischen und ökologischen Relevanz von Böden sind qualitative und quantitative Bodendaten (z.B. organische Substanz) auf mehreren Maßstäben für die Landschafts- und Ressourcenplanung, Bodenschutzstrategien und für exaktere Aufgaben in der Präzisionslandwirtschaft dringend erforderlich. Hierfür kann die fernerkundliche Datenanalyse innovative, preiswerte und schnelle Instrumente zur Vorhersage von Bodeneigenschaften liefern. Um die Störung durch temporäre Muster (verursacht durch Vegetation und Landmanagement) zu vermeiden, ist ein multitemporaler Fernerkundungsansatz mit dem Vorteil potenziell höherer Musterstabilität obligatorisch. Für die mulitemporale Musteranalyse von Böden sind hochauflösende, multispektrale Fernerkundungsdaten (z.B. RapidEye Satellitenbilder) die beste Option, um eine genügend große Datenreihe von Bildern mit vegetationslosen Böden zu erhalten. Ziel: Diese Forschungsarbeit empfiehlt ein innovatives, übertragbares und operatives Model – die multitemporale Bodenmusteranalyse-Methode (engl. Multitemporal Soil Pattern Analysis; MSPA) – zur Erstellung von benutzerfreundlichen Bodeninformationskarten für die Präzisionslandwirtschaft basierend auf der Analyse von Fernerkundungsdaten und der GIS-Modellierung von raumbezogenen Daten. Das Hauptforschungsziel ist die Nutzenevaluierung von raumzeitlich stabilen Bodenreflektionsmustern, die von hochauflösenden multispektralen Satellitenbildern über das Reflexionssignal von Böden abgeleitet wurden, zur Erstellung von präzisen Bodenfunktionskarten zur organischen Bodensubstanz auf Ackerflächen. Daten: Zur Modellerstellung und -validierung sowie zur Dateninterpretation wurden insgesamt 82 RapidEye-Satellitenbildszenen erhalten. Darüber hinaus wurde eine umfangreiche Bodenprobenentnahme und -analyse (1017 Oberbodenmischproben) auf Ackerflächen durchgeführt, die sich in der Jungmoränenlandschaft der nordostdeutschen Tiefebene befinden. Methoden: Auf einem Demonstrationsfeld (Untersuchungsgebiet Demmin) wurde die feldspezifische MSPA-Methode basierend auf stabilen Bodenreflektionsmustern und Bodendaten aus folgenden Schritten entwickelt: (1) Auswahl der am besten geeigneten Datensätze (Bilder mit vegetationslosen Böden) aus der Satellitenbildzeitreihe mittels einer automatischen Klassifizierung anhand von NDVI-Schwellenwerte und Phänologiedaten; (2) Bodenmustererkennung unter Einsatz der standardisierten Hauptkomponentenanalyse; (3) Bewertung der raumzeitlichen Bodenmusterstabilität mittels statistischer Per-Pixel-Analyse; (4) Erstellung von Bodenfunktionskarten basierend auf statistischer Analyse und schrittweiser Exklusion von temporären Effekten. Für die Schaffung einer Mehrfeld-Landschaftsskala-MSPA-Version wurde die Feldskalen basierte MSPA-Methode auf Einzelfeldern und Feldverbunden unter Berücksichtigung der verschiedenen physisch-geographischen Standorteigenschaften im Untersuchungsgebiet Demmin getestet. Auf dieser Grundlage wurden sowohl ein repräsentatives regionales Vorhersagemodell für die organische Substanz als auch multitemporale Bild-Mosaike von vegetationslosen Böden (die das gesamte Untersuchungsgebiet abdecken) entwickelt. Um die Übertragbarkeit der MSPA-Methode und das Anwendungspotential des regionalen Vorhersagemodells „Demmin“ auf andere Ackerflächen der gleichen Bodenlandschaft zu bewerten, wurde die Mehrfeld-Landschaftsskala-MSPA-Version auf Ackerflächen im Quillow-Einzugsgebiet angewendet. Zur größeren Flächenabdeckung der Jungmoränenlandschaft wurde ein überregionales Vorhersagemodell erstellt. Ergebnisse: Die Hauptergebnisse dieser Forschungsarbeit sind i) die hoch operative und übertragbare MSPA-Methode basierend auf raumzeitlich stabilen Bodenreflektionsmustern, abgeleitet aus der RapidEye-Zeitreihe, und ii) das anwendbaren regionale Vorhersagemodell „Demmin“ sowie das überregionale Modell zur präzisen Schätzung der organischen Substanz auf Ackerflächen. Die Vorhersagemodelle stützen sich auf dem signifikanten Zusammenhang zwischen Werten der organischen Bodensubstanz und den Bodenmuster detektierenden ersten standardisierten Hauptkomponenten. Das Vorhersagemodell „Demmin“ (R² = 0.69) und das überregionale Model (R² = 0.65) zeigen eine Vorhersagegenauigkeit von 1.3 OM-% (absolute RMSE). Hochwertige Bodenfunktionskarten mit niedrigen Vorhersagefehlern gegenüber den im Labor gemessenen Daten konnten nach dem Ausgrenzen von temporären Effekten erzeugt werden. Die MSPA-Methode erfüllt mehrere Anforderungen an eine innovative Vorhersagemethode von Bodeneigenschaften, wie zum Beispiel „Kosteneffizienz“ (0.95 €/ha für Betriebsgrößen von 10,000 ha). Fazit: Die MSPA-Methode kombiniert mit RapidEye-Daten bietet in dieser Studie eine hohe Vorhersagegenauigkeit der organischen Substanz, unabhängig von dem Untersuchungsgebiet, seinem Wertebereich der organischen Substanz und dem angewendeten lokalen, regionalen oder überregionalen Vorhersagemodelltyp.
URI: http://depositonce.tu-berlin.de/handle/11303/6653
http://dx.doi.org/10.14279/depositonce-6094
Exam Date: 9-May-2017
Issue Date: 2017
Date Available: 5-Oct-2017
DDC Class: DDC::500 Naturwissenschaften und Mathematik::550 Geowissenschaften, Geologie::550 Geowissenschaften
Subject(s): agriculture
remote sensing
pattern analysis
bare soil
digital soil mapping
Landwirtschaft
Fernerkundung
Musteranalyse
nackter Boden
digitale Bodenkartierung
Usage rights: Terms of German Copyright Law
Appears in Collections:Institut für Ökologie » Publications

Files in This Item:
File Description SizeFormat 
blasch_gerald.pdf13.71 MBAdobe PDFThumbnail
View/Open


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