Zur Erfassung des Ist-Zustandes in Hinblick auf die konkreten Fragestellungen wurden neben Untersuchungen im Gelände unterschiedliche Methoden der Fernerkundung getestet, evaluiert und angewendet. Neben der Erfassung von Vegetation und Störungen im Röhrichtgürtel zur Beantwortung der zentralen Projektfragen, wurde durch die Querschnittsaufgabe Fernerkundung ferner geprüft, welchen Mehrwert an Information aktuelle, spektral und räumlich unterschiedlich auflösende Sensortechnologien für das Vorland- und Ästuarmonitoring mit sich bringen können im Vergleich zu den bisher eingesetzten und etablierten Sensoren und Methoden. Analysen und Visualisierungen von Unsicherheiten sollen zudem eine nachvollziehbare und objektivierte Interpretierbarkeit der Ergebnisse ermöglichen. Folgende Ziele wurden deshalb definiert: • Konzeption eines kosten- und zeitoptimierten fernerkundungsgestützten Langzeitmonitorings der gezeitenbeeinflussten Ästuarvegetation (Teilprojekt der Arbeitsgruppe Kleinschmit, TU Berlin), • Identifizierung von Störstellen und Neophyten (Teilprojekt der Arbeitsgruppe Schmidtlein, Universität Bonn), • Nutzung von Unsicherheiten als Zusatzinformation (Teilprojekt der Arbeitsgruppe Schiewe, HCU Hamburg), • Schlussfolgerungen für die Praxis. Die wichtigsten Ergebnisse der Teilprojekte werden in komprimierter Form dargestellt. Die Potenzialdiskussionen der einzelnen Teilprojekte münden jeweils in eine Bewertung der verwendeten Verfahren und Sensoren hinsichtlich ihrer Anwendung, ihrer Vor- und Nachteile sowie ihrer Grenzen. Zur Erfassung des Ist-Zustandes in Hinblick auf die konkreten Fragestellungen wurden neben Untersuchungen im Gelände unterschiedliche Methoden der Fernerkundung getestet, evaluiert und angewendet. Neben der Erfassung von Vegetation und Störungen im Röhrichtgürtel zur Beantwortung der zentralen Projektfragen, wurde durch die Querschnittsaufgabe Fernerkundung ferner geprüft, welchen Mehrwert an Information aktuelle, spektral und räumlich unterschiedlich auflösende Sensortechnologien für das Vorland- und Ästuarmonitoring mit sich bringen können im Vergleich zu den bisher eingesetzten und etablierten Sensoren und Methoden. Analysen und Visualisierungen von Unsicherheiten sollen zudem eine nachvollziehbare und objektivierte Interpretierbarkeit der Ergebnisse ermöglichen. Folgende Ziele wurden deshalb definiert: • Konzeption eines kosten- und zeitoptimierten fernerkundungsgestützten Langzeitmonitorings der gezeitenbeeinflussten Ästuarvegetation (Teilprojekt der Arbeitsgruppe Kleinschmit, TU Berlin), • Identifizierung von Störstellen und Neophyten (Teilprojekt der Arbeitsgruppe Schmidtlein, Universität Bonn), • Nutzung von Unsicherheiten als Zusatzinformation (Teilprojekt der Arbeitsgruppe Schiewe, HCU Hamburg), • Schlussfolgerungen für die Praxis. Die wichtigsten Ergebnisse der Teilprojekte werden in komprimierter Form dargestellt. Die Potenzialdiskussionen der einzelnen Teilprojekte münden jeweils in eine Bewertung der verwendeten Verfahren und Sensoren hinsichtlich ihrer Anwendung, ihrer Vor- und Nachteile sowie ihrer Grenzen.
In diesem Bericht werden vielfältige Methoden zur Modellierung, Visualisierung und Nutzung aufgezeigt. Abgeleitet aus einer Anforderungsanalyse - basierend auf einer Befragung von potenziellen Nutzern - wird daraus eine für das Projekt angepasste Teilmenge ausgewählt und angewendet: • Bei der Modellierung werden sowohl thematische Objektunsicherheiten als auch Unsicherheiten im Grenzverlauf berücksichtigt. • Für die Visualisierung wurden die Darstellungsformen Noise Annotation Lines und Ghost Lines für die beiden genannten Unsicherheitsarten ausgewählt und implementiert. • Zusammen mit anderen Geo- und Fachdaten wurden diese Darstellungen in das Webportal der BfG integriert. In diesem Bericht werden vielfältige Methoden zur Modellierung, Visualisierung und Nutzung aufgezeigt. Abgeleitet aus einer Anforderungsanalyse - basierend auf einer Befragung von potenziellen Nutzern - wird daraus eine für das Projekt angepasste Teilmenge ausgewählt und angewendet: • Bei der Modellierung werden sowohl thematische Objektunsicherheiten als auch Unsicherheiten im Grenzverlauf berücksichtigt. • Für die Visualisierung wurden die Darstellungsformen Noise Annotation Lines und Ghost Lines für die beiden genannten Unsicherheitsarten ausgewählt und implementiert. • Zusammen mit anderen Geo- und Fachdaten wurden diese Darstellungen in das Webportal der BfG integriert.
Ziel der regionalen Zusammenarbeit im Grundwassersektor in Maghreb ist die Unterstützung der Entscheidungsträger bei der Ermittlung qualitativer und quantitativer Informationen über die landwirtschaftliche Grundwassernutzung, um so die Einführung eines nachhaltigen Grundwassermanagements voranzutreiben. Im Rahmen dieses Projekts sollen die Behörden der drei Partnerländer Marokko, Algerien und Tunesien bei der Sammlung und dem Austausch relevanter hydrogeologischer Informationen auf regionaler Ebene unterstützt werden. Des Weiteren werden moderne und effiziente Methoden zur Schätzung und zum Monitoring des Grundwasserpegels eingesetzt. Fernerkundl. Multispektral - und RADAR Daten werden hierfür verwendet, um den Grundwasserverbrauch für die landwirtschaftliche Nutzung zu schätzen und nachhaltig zu überwachen. Um das Grundwasservolumen zu berechnen werden insbesondere Methoden der Landnutzungsklassifikation eingesetzt und die Bodenbewegungen ermittelt. Der Wasserverbrauch und der Zeitraum der Bewässerung sind stark von der Art der angebauten landwirtschaftlichen Kultur abhängig. Die Kartierung und das regelmäßige Monitoring der Kulturarten und deren zeitlichen Veränderungen erlauben es den lokalen Verantwortlichen, den Wasserverbrauch für landwirtschaftliche Nutzung besser zu verstehen und gegebenenfalls effiziente Maßnahmen zum schonenderen Umgang zu entwickeln. Basierend auf multispektrale Daten werden multitemporale Merkmale definiert, die es erlauben, die unterschiedlichen Kulturarten - und somit die unterschiedl. Wasserbedarfe - voneinander zu unterscheiden. Für die multitemporale Landnutzungsklassifikation werden fernerkundl.multispektrale Daten der Satelliten Missionen SPOT, Rapid Eye, Sentinel2 und Landsat8 verwendet. Die Ausschöpfung des Oberflächenwassers resultiert in einer intensiveren Entnahme des Grundwassers, gewonnen durch Bohrlöcher in den Aquiferen. Die dadurch entstehende Übernutzung des Grundwasserspeichers kann nicht vollständig durch Niederschläge ausgeglichen werden. Die aus den Grundwasserentnahmen resultierende Verdichtung des Untergrundes verursacht, in Abhängigkeit von den jeweiligen Bodeneigenschaften, eine Landabsenkung. Die entstehenden Bodenbewegungen können durch RADAR Fernerkundung detektiert werden. Hierfür werden Methoden der RADAR Interferometrie basierend auf langzeitstabilen Punktstreuern, Persistent Scatterer Interferometrie (PSI) und Small-Baseline Subset (SBAS), verwendet (Ferretti et al., 2000; Bernardino et al., 2002). Basierend auf der Auswertung mehrerer Datensätze, die über einen Zeitraum von mehreren Jahren aufgenommen wurden, erlauben solche Methoden die Schätzung sowohl von Langzeittrends, wie Landabsenkung aufgrund unumkehrbarer Grundwasserentnahme, als auch von kurzzeitigen Trends, wie z.B. jahreszeitliche Erhebung aufgrund bedingter Grundwasserneubildung während der Regenzeit. Für die Ermittlung der Bodenbewegungen werden Daten der Satellitenmissionen TerraSAR-X (SM) und Sentinel 1 (IW) genutzt.
Die Fernerkundung mit räumlich und zeitlich hochauflösenden Satellitendaten birgt für die kontinuierliche Beobachtung und die Erfassung quantitativer und qualitativer Veränderungen der gezeitenbeeinflussten Vegetation des Elbeästuars ein großes Potenzial. Im Teilprojekt „Konzeption für ein Langzeitmonitoring der gezeitenbeeinflussten Vegetation mit hochauflösenden Satellitendaten“ des KLIWAS-Projekts 3.09 wurde dieses Leistungsvermögen in drei Untersuchungsgebieten entlang des Elbeästuars untersucht. Im Vordergrund stand der seit 2009 operierende hochauflösende RapidEye-Satellitensensor. Satellitendaten aus den Frühjahrs- und Sommermonaten 2009 und 2010 wurden aus dem RapidEye Science Archive für die Untersuchung zur Verfügung gestellt. Für die flächendeckende Kartierung als Grundlage für das Monitoring wurde eine objektbasierte Klassifikationsmethode unter Anwendung verschiedener, dem Stand der Forschung entsprechende, Ansätze getestet: Nearest Neighbour (NN), Classification and Regression Trees (CART), Support Vector Machine (SVM). Neben den Spektralkanälen wurden Indices sowie weitere Zusatzdaten wie das Digitale Gelände- und Landschafts-modell (DGM, DLM) und Expertenwissen in Form von Nachbarschafts-beziehungen in die Klassifikation eingebunden. Es wurde ein hierarchischer Ansatz gewählt, bei dem das Gebiet auf der ersten Ebene in Landnutzungs-/Landbedeckungs-Klassen (LULC) und auf der zweiten Ebene in Biotoptypen klassifiziert wurde. Auf der Stufe der Biotoptypen wurde zusätzlich die Erkennbarkeit von Störstellen untersucht. Es konnte gezeigt werden, dass RapidEye eine Alternative zu luftbildgestützten Verfahren für ein Langzeitmonitoring der gezeitenbeeinflussten Vegetation der Tideelbe bietet.
1. Vorhabenziel Der Fokus von EnFusionMap liegt inhaltlich auf der Entwicklung und Adaption von Methoden zum verbesserten Monitoring urbaner Ballungszentren. Dabei kommt der verbesserten Ableitung von materialbasierten Subpixelinformationen auf Basis von EnMAP-Daten sowie der Ableitung von urbanen Informationsprodukten mittels synergetischer Nutzung unterschiedlicher Erdbeobachtungsdaten eine entscheidende Bedeutung zu 2. Arbeitsplanung Das Projekt fokussiert sich unter anderem auf das enorme Innovationspotenzial der EnMAP-Mission sowie Synergien mit RapidEye und TerraSAR-X zur Ableitung urbaner lnformationsprodukte. Unter anderem sind folgende Arbeitspakte vorgesehen: (i) Ableitung von Subpixelinformationen auf EnMAP Daten mittels Verfahren des Maschinellen Lemens, (ii) synergetische Nutzung von EnMAP und TerraSAR-X Daten, und (iii) synergetische Nutzung von EnMAP und RapidEye Daten.
Das Gesamtziel des Projektes 'BigPicture - Die Diagnose im Feld: Big Data basierte Ursachenklärung für satellitenerfasste Standortunterschiede' besteht darin, aus den mit Satellitensensoren in einer Vielzahl von landwirtschaftlichen Feldern erfassten Pflanzensymptomen eindeutige Diagnosen ihrer Ursachen und entsprechende Behandlungsempfehlungen abzuleiten. Damit sollen Landwirte bei Entscheidungen über die Bodenbearbeitung, Saat, Düngung und den Pflanzenschutz teilflächengenau im Feld unterstützt werden. Ein wesentlicher Fortschritt soll dadurch erzielt werden, dass die in den Satellitenbildern erfassten Feldmuster mit Hilfe weiterer Parameter, wie deren Geometrie und Lage im Feld sowie Daten zu Boden, Wetter und Feldbewirtschaftung, charakterisiert werden. Durch die Bündelung der Kompetenzen von SBI GmbH als Spezialist für Satellitenbild-basierte Produkte für die Landwirtschaft und rasdaman GmbH als Experte für Big Data Rasterdatendienste werden die Voraussetzungen geschaffen, um an einer großen Stichprobe von Feldmustern die Zusammenhänge zu erforschen und Methoden zu entwickeln, mit denen die Prozesskette von Satellitenbildrohdaten bis hin zur Informations-basierten Maßnahmenentscheidung geschlossen werden kann. Ein Pilotkunde mit Marktzugang zu Landwirten unterstützt bei der Datenerfassung und kundenorientierten Lösungsentwicklung. Die besondere Praxisrelevanz des Projektes wird durch die deutschlandweite Beteiligung von Landwirten erreicht, die Informationen über ihre Felder zur Verfügung stellen. Anwendungspotenzial: Die Verwertung der Projektergebnisse fokussiert auf den Markt der Präzisionslandwirtschaft und hier auf die Ertragssicherung bei ressourceneffizienter, umweltschonender und nachhaltiger Agrarproduktion. Der Service wird portalbasiert mit Zugang über ortsfeste und schwerpunktmäßig mobile Endgeräte darin bestehen, dass Landwirte auf in Satellitenbildern entdeckte Phänomene in ihren Schlägen aufmerksam gemacht werden und Erklärungs- und Behandlungsvorschläge erhalten. Gleichzeitig wird die Möglichkeit angeboten, die Satellitenbildkarten in das ISOBUSFormat zu überführen und zur Maschinensteuerung auszulesen. Der hier verfolgte Lösungsansatz soll damit eine deutliche Überlegenheit gegenüber Informationsservices erreichen, die bei der Bereitstellung von nicht interpretierter, rein visueller Satellitenbildinformation enden.
Das Gesamtziel des Projektes 'BigPicture - Die Diagnose im Feld: Big Data basierte Ursachenklärung für satellitenerfasste Standortunterschiede' besteht darin, aus den mit Satellitensensoren in einer Vielzahl von landwirtschaftlichen Feldern erfassten Pflanzensymptomen eindeutige Diagnosen ihrer Ursachen und entsprechende Behandlungsempfehlungen abzuleiten. Damit sollen Landwirte bei Entscheidungen über die Bodenbearbeitung, Saat, Düngung und den Pflanzenschutz teilflächengenau im Feld unterstützt werden. Ein wesentlicher Fortschritt soll dadurch erzielt werden, dass die in den Satellitenbildern erfassten Feldmuster mit Hilfe weiterer Parameter, wie deren Geometrie und Lage im Feld sowie Daten zu Boden, Wetter und Feldbewirtschaftung, charakterisiert werden. Durch die Bündelung der Kompetenzen von SBI GmbH als Spezialist für Satellitenbild-basierte Produkte für die Landwirtschaft und rasdaman GmbH als Experte für Big Data Rasterdatendienste werden die Voraussetzungen geschaffen, um an einer großen Stichprobe von Feldmustern die Zusammenhänge zu erforschen und Methoden zu entwickeln, mit denen die Prozesskette von Satellitenbildrohdaten bis hin zur Informations-basierten Maßnahmenentscheidung geschlossen werden kann. Ein Pilotkunde mit Marktzugang zu Landwirten unterstützt bei der Datenerfassung und kundenorientierten Lösungsentwicklung. Die besondere Praxisrelevanz des Projektes wird durch die deutschlandweite Beteiligung von Landwirten erreicht, die Informationen über ihre Felder zur Verfügung stellen. Anwendungspotenzial: Die Verwertung der Projektergebnisse fokussiert auf den Markt der Präzisionslandwirtschaft und hier auf die Ertragssicherung bei ressourceneffizienter, umweltschonender und nachhaltiger Agrarproduktion. Der Service wird portalbasiert mit Zugang über ortsfeste und schwerpunktmäßig mobile Endgeräte darin bestehen, dass Landwirte auf in Satellitenbildern entdeckte Phänomene in ihren Schlägen aufmerksam gemacht werden und Erklärungs- und Behandlungsvorschläge erhalten. Gleichzeitig wird die Möglichkeit angeboten, die Satellitenbildkarten in das ISOBUSFormat zu überführen und zur Maschinensteuerung auszulesen. Der hier verfolgte Lösungsansatz soll damit eine deutliche Überlegenheit gegenüber Informationsservices erreichen, die bei der Bereitstellung von nicht interpretierter, rein visueller Satellitenbildinformation enden.
1. Vorhabenziel - Derzeit verfügbare regionale, nationale und internationale Landbedeckungs- und nutzungsinformationen besitzen eine oftmals als nicht ausreichend beschriebene geometrische, syntaktische und semantische Kompatibilität. Die DeCOVER Hauptphase (2006-2008) hat gezeigt, dass Satellitenfernerkundung gerade im Hinblick auf neue Sensoren wie RapidEye und TerraSAR-X einen entscheidenden Beitrag zur Aktualisierung und Erweiterung existierender Landnutzungs- bzw. Landbedeckungsdatensätze leisten kann. Die DeCOVER Phase 2 wird sowohl die politischen Entwicklungen in Hinblick auf eine integrierte Datenerfassung, -fortführung und -erweiterung berücksichtigen, als auch die methodischen und konzeptionellen Entwicklungen der Hauptphase unter besonderer Berücksichtigung der neuen, operationellen deutschen Fernerkundungssensoren RapidEye und TerraSAR-X aufgreifen, zielgerecht weiterführen und weiterentwickeln. 2. Arbeitsplanung - Die GAF AG ist für die technische Umsetzung des AG Wald zuständig. Darüber hinaus sind Arbeiten zur Entwicklung einheitlicher Qualitätsstandards geplant. Für eine ausführliche Beschreibung vgl. Vorhabensbeschreibung DeCOVER 2
Das EnMAP Doktorandenprogramm ist Teil der wissenschaftlichen Nutzungsvorbereitung der deutschen hyperspektralen Environmental Mapping and Analysis Mission (EnMAP) und ist speziell auf die Ausbildung des wissenschaftlichen Nachwuchses im Bereich der hyperspektralen Fernerkundung ausgerichtet. Die EnMAP Mission im Zusammenhang mit den Missionen der Sentinel-2, RapidEye- und TerraSAR-X Satellitensysteme können aufgrund ihrer operationellen Verfügbarkeit, der Wiederholraten und der großflächigen Abdeckung einen entscheidenden Beitrag zum operationellen Umweltmonitoring urbaner Räume und der Beobachtung der räumlich-zeitlichen Dynamik von Megacities leisten. In diesem Verbundvorhaben soll das Potenzial der EnMAP Daten zusammen mit Daten der Sentinel-2-, RapidEye- und TerraSAR-X-Satellitensysteme wissenschaftlich erschlossen werden. Der Fokus liegt dabei auf der Methodenentwicklung zur Nutzung multi-sensoraler Datensätze, welche es ermöglichen die mit der strukturellen Komplexität urbaner Räume einhergehenden Anforderungen an Methoden und Daten zur erfüllen. Dabei werden Verfahren des spektralen Entmischens sowie des maschinellen Lernens berücksichtigt. Ausgangspunkt sind flugzeuggetragene hyperspektrale Daten, die die schrittweise Analyse von urbanen Klassen in verschiedenen räumlichen und spektralen Skalenebenen ermöglichen. Diese sehr grundlegenden Untersuchungen sind notwendig, da bisher nur sehr wenige Arbeiten in diesem Kontext existieren. Das Gesamtziel des Projektes ist es, das enorme Innovationspotenzial der EnMAP-Mission für urbane Räume methodisch und inhaltlich zu erforschen, sowie Konzepte und Verfahren zu entwickeln, um Synergien zwischen verschiedenen Satelliten Missionen nutzen zu können. Die operationelle Verfügbarkeit der oben erwähnten Sensorsysteme wird ein zeitlich hochaufgelöstes Monitoring von urbanen Gebieten ermöglichen. Dazu sind geeignete Verfahren zur Informationsextraktion notwendig, die im Rahmen dieses Verbundprojektes entwickelt werden sollen. Anwendungpotenzial: - Erstellung eines Frameworks für eine möglichst global anwendbare spektrale Bibliothek urbaner Oberflächen, die die Integration weltweit vorkommender urbaner Oberflächen ermöglicht. - Erstellung und Anpassung von Verfahren zur Ableitung relevanter sub-pixel Informationen aus EnMAP Daten durch zwei unterschiedliche Ansätze: (i) spektrale Entmischung und (ii) Algorithmen aus dem Bereich des Maschinellen Lernens. - Bereitstellung vielfältiger Informationen für politische Entscheidungsträger, um Ursachen und Treiber raumbezogener urbaner Entwicklungsprozesse zu verstehen und nachhaltige Konzepte zu entwickeln, die den kulturellen und politischen Anforderungen entsprechen.
| Organisation | Count |
|---|---|
| Bund | 34 |
| Wissenschaft | 10 |
| Type | Count |
|---|---|
| Förderprogramm | 31 |
| unbekannt | 3 |
| License | Count |
|---|---|
| Offen | 31 |
| Unbekannt | 3 |
| Language | Count |
|---|---|
| Deutsch | 34 |
| Englisch | 2 |
| Resource type | Count |
|---|---|
| Dokument | 3 |
| Keine | 1 |
| Webseite | 30 |
| Topic | Count |
|---|---|
| Boden | 28 |
| Lebewesen und Lebensräume | 28 |
| Luft | 12 |
| Mensch und Umwelt | 34 |
| Wasser | 12 |
| Weitere | 34 |