Veranstaltungsprogramm

Eine Übersicht aller Sessions/Sitzungen dieser Tagung.
Bitte wählen Sie einen Ort oder ein Datum aus, um nur die betreffenden Sitzungen anzuzeigen. Wählen Sie eine Sitzung aus, um zur Detailanzeige zu gelangen.

 
Sitzungsübersicht
Session
S08: Fernerkundung - Anwendung Agrar
Zeit:
Donnerstag, 21.02.2019:
14:00 - 15:30

Chair der Sitzung: Georg Bareth
Ort: EH 05 (Exnerhaus)
EXNH-02/64 Peter-Jordan-Straße 82, 2. Obergeschoß OST 119 Sitzplätze

Zeige Hilfe zu 'Vergrößern oder verkleinern Sie den Text der Zusammenfassung' an
Präsentationen

The FLEX Satellite Mission – Update on ESA’s Earth Explorer 8 and our understanding of solar-induced fluorescence measured on different scales

U. Rascher

Forschungszentrum Jülich, Deutschland

In November 2015 the FLEX (FLuoresence EXplorer) satellite mission concept was selected as the 8th Earth Explorer mission of the European Space Agency (ESA). The mission will provide global measurements at an unprecedented spectral and spatial resolution enabling the retrieval and interpretation of the full fluorescence spectrum emitted by the terrestrial vegetation layer. FLEX will have a spatial resolution of 300 meters and will provide a global map every month. This will allow for the first time to study the spatio-temporal dynamics of vegetation fluorescence on this large scale in the course of the seasons.

With this presentation we will give an overview on the mission concept and the current status of the implementation of the satellite. Additionally, the current knowledge how sun-induced fluorescence can serve as an indicator for specific plant stresses and actual photosynthesis will be reviewed. The results are based on various modelling activities, experimental campaigns that exploit the high resolution signal of the airborne sensor HyPlant. HyPlant allows for the first time quantifying sun-induced fluorescence emission in physical units. Maps of sun-induced fluorescence show a large spatial variability between different vegetation types, which complement classical remote sensing approaches. Different crop types largely differ in emitting fluorescence that additionally changes within the seasonal cycle and are related to the seasonal activation and deactivation of the photosynthetic machinery. Additionally, examples how fluorescence can track acute environmental stresses will be presented.


Maschinelles Lernen und Künstliche Intelligenz zur UAV-gestützten Identifizierung von Schaderregern im Ackerbau

B. Meese1, A. Augstein2, J. Jacob4, M. von Kameke3, B. Kleinhenz1, N. Schackmann5, C. Wolff6

1ZEPP, Deutschland; 2AGRO-SAT Consulting, Deutschland; 3Luftfotos24, Deutschland; 4JKI, Institut für Pflanzenschutz in Gartenbau und Forst, Deutschland; 5Dienstleistungszentrum Ländlicher Raum Eifel, Deutschland; 6Landesamt für Landwirtschaft und Gartenbau Sachsen-Anhalt, Deutschland

Die zunehmend einfache Bedienbarkeit von Drohnen (Unmanned Aerial Vehicles = UAV) sowie sinkende Kosten für deren Einsatz führen zu einer steigenden Bedeutung der luftgestützten Bestandsüberwachung von Ackerbauflächen. Der Mangel praxistauglicher Analyseverfahren für UAV-Bilder zur automatisierten Identifizierung von Schaderregern und der damit verbundenen potentiellen Nutzung für den teilflächenspezifischen Pflanzenschutz soll durch das Projekt „Schadinspektor“ verringert werden: Für den Machbarkeitsnachweis einer automatischen UAV-Bildauswertung werden beispielhaft die zwei Schaderreger Feldmaus (Microtus arvalis) und Gelbrost (Puccinia striiformis) genutzt, da sie großflächig zonal auftreten, aus der Luft sichtbar sind und eine teilflächenspezifische Behandlung der Schaderreger ökonomisch und ökologisch sinnvoll sein kann.

Um einen Datensatz annotierter Luftbilder für Training und Validierung einer automatischen Bildanalyse zu generieren, wurden zunächst UAV-Befliegungen und detaillierte, georeferenzierte Bonituren von Feldmaus- und Gelbrostschäden auf Praxisschlägen durchgeführt. An über 1300 Punkten wurden Feldmausbonituren durchgeführt (Feldmausbefall ja/nein), darüber hinaus wurde an mehr als 200 Punkten die Größe der jeweiligen Feldmauspopulation abgeschätzt („Wieder-geöffnete-Löcher“-Methode). Aufgrund der für Gelbrost ungünstigen Witterungsbedingungen konnten bislang nur etwas über 150 Gelbrostbonituren durchgeführt werden, bei denen je Hotspot von fünf Pflanzen die Befallsstärke der Blätter F3 bis F0 bonitiert wurde. Die UAV-Befliegung aller Untersuchungsfelder zur Aufnahme mittels Multispektralkamera (RGB-NIR) erfolgte innerhalb von 24 Stunden vor den Bonituren. Die georeferenzierten Bilder mit einer räumlichen Auflösung von 2 bis 10 cm je Pixel wurden Tageslicht-korrigiert, zu einem Geotiff je Befliegung zusammengesetzt und in eine einheitliche Auflösung von 10 cm je Pixel umprojiziert.

Anhand des Feldmausdatensatzes werden zwei verschiedene Verfahren aus den Bereichen maschinelles Lernen und künstliche Intelligenz für die automatische Bildklassifizierung verglichen und das zuverlässigere später für die automatische Bilderkennung genutzt. Für das Objekt-basierte Bildanalyseverfahren (OBIA, maschinelles Lernen) wurden die Luftbilder zunächst vorprozessiert, segmentiert und schließlich alle Segmente räumlich und spektral charakterisiert. Basierend auf den Charakteristika der Segmente und ihrer bonitierten Attribute wurde ein Random Forest Classifier trainiert, der im Validierungsdatensatz 85% aller Feldmausschäden erkannt hat (Recall). Von den „erkannten“ Feldmausnestern waren 88% tatsächliche Feldmausschäden (Precision). Die zweite Bildanalysemethode, die zum Vergleich herangezogen werden soll, nutzt zur Klassifizierung neuronale Netze (Fast Regional Convolutional Neural Network). Für das Trainieren des Algorithmus wurden Bildausschnitte (256x256 Pixel) aller bonitierten Punkte erzeugt und zusammen mit den jeweiligen Boniturdaten in eine Datenbank integriert. Basierend auf dieser Datenbank soll das neuronale Netz trainiert und validiert werden um Feldmausschäden automatisch erkennen zu können. Die verlässlichere Klassifizierungsmethode für Feldmausbefall in Getreidekulturen wird anschließend in ein Bildanalysewerkzeug integriert, das UAV Bilder automatisch auswertet und georeferenzierte Befallskarten ausgibt. Die automatische Identifizierung und Lokalisierung von Gelbrostnestern soll im weiteren Projektverlauf nach einem ähnlichen Schema entwickelt und abschließend ebenfalls in das Bildanalysewerkzeug integriert werden, welches dann auf der Website des ISIP e.V. zur Verfügung gestellt werden soll.


Fernerkundung für Globale Klima-Vegetationsmodelle

M. Forkel1, W. Dorigo1, N. Carvalhais2, K. Thonicke3

1Technische Universität Wien, Österreich; 2Max-Planck-Institut für Biogeochemie Jena, Deutschland; 3Potsdam-Institut für Klimafolgenforschung, Deutschland

Motivation: Die Fernerkundung der Landoberfläche mittels Satelliten erlaubt es langfristige Veränderungen in Ökosystem zu beobachten, wie z. B. Phänologie, Vegetationsproduktivität, Landbedeckung, Biomasse oder Waldbrände. Beispielsweise zeigen Satellitendaten einen früheren Beginn der Vegetationsperiode in vielen Regionen der gemäßigten Zone oder eine Zunahme der Vegetationsbedeckung und -produktivität in den nördlichen Nadelwäldern. Um jedoch den Einfluss von zukünftigen Klimaänderungen auf Änderungen in Ökosystemen abzuschätzen, müssen Dynamische Globale Vegetationsmodelle (DGVMs) und Klimamodelle angewendet werden. Fernerkundungsdaten sind dabei eine wichtige Datengrundlage um die Plausibilität und Güte von Modellsimulationen zu überprüfen. Ziel des Beitrages ist es einen Überblick zu geben, wie die Vielfalt von Fernerkundungsdaten für die Evaluierung und Verbesserung von DGVMs genutzt wird.

Methode: Wir geben einen Überblick über den aktuellen Stand der Forschung zur Anwendung von Fernerkundungsdaten in globalen Vegetationsmodellen. Anhand von mehreren Beispielen wird gezeigt, wie Fernerkundungsdaten verwendet werden für 1) das Benchmarking von Modellergebnissen, 2) die Überprüfung der Plausibilität von modellierten Ökosystem-Prozessen oder 3) für die Kalibrierung von Modellparametern mittels Methoden der Datenassimilation. Die Beispiele basieren überwiegend auf dem LPJmL-Modell des Potsdam-Instituts für Klimafolgenforschung (PIK) im Vergleich mit Daten verschiedener optischer und mikrowellen-basierter Satellitensensoren. Darüber hinaus werden Beispiele für andere Vegetationsmodelle gezeigt.

Ergebnisse: Anhand der Assimilation von Vegetationszeitreihen in das LPJmL-Modell wurde festgestellt, dass dieses Modell phänologische Veränderungen unzureichend simuliert. Nach einer grundlegenden Überarbeitung des Phänologie-Submoduls und einer Kalibrierung gegen Fernerkundungsdaten ist LPJmL nun in der Lage saisonale Veränderungen und den globalen Kohlenstoffkreislauf besser zu repräsentieren. Weiterhin konnte durch die Assimilation von Satellitendaten der sonnen-induzierten Fluoreszenz, der Biomasse und der Landbedeckung eine Verbesserung der Simulation räumlicher Muster der Vegetationsverteilung erreicht werden. Die Verwendung von Fernerkundungsdaten führt damit zu einer kontinuierlichen Verbesserung von globalen Vegetationsmodellen und damit von Klimaprognosen. Darüber hinaus zeigen die Beispiele das Potential wie Fernerkundungsdaten und Vegetationsmodelle gekoppelt werden können um Zustände und Dynamiken von Ökosystemen umfassend und kontinuierlich zu quantifizieren.


Using Harmonic Analysis Of Green LAI Time Series Obtained From Sentinel-2 Imagery For Daily Representation Of Crop Growth In A Hydro-Agroecological Model

L. Graf1, I. Kausch1, H. Bach1, H. Tobias2

1Vista Geowissenschaftliche Fernerkundung GmbH, Deutschland; 2Ludwig-Maximilians-Universität, Department für Geographie, Deutschland

Motivation

Time series of green leaf area index (LAI) obtained from optical Sentinel-2 data provide essential information about crop growing conditions for wider areas. By assimilating these time series data into the coupled hydro-agroecological PROMET model the implementation of site-specific farming measures becomes feasible (Hank, et al., 2015). In order to capture land surface dynamics with high temporal and spatial resolution contiguous LAI time series are required. However, due to gaps in data availability and undetected artefacts (i.e. cloud shadows) remotely-sensed time series often suffer from outliers and data gaps. In order overcome these limitations the use of the HANTS (Harmonic Analysis of Time Series) algorithm is proposed that showed promising results on NDVI time series (Roerink, et al., 2000) but was rarely applied to LAI series to remove outliers and reconstruct daily values.

Methods

40 cloud free Sentinel-2 images were acquired for a test-site north of Munich (Germany) including a winter wheat and maize field regularly monitored by in-situ measurements of LAI between 1st March and 31st August 2018 (12 measurements at 9 points and 11 measurements at 9 points for maize and wheat, respectively). The imagery was corrected for atmospheric effects using MODTRAN and checked for geolocation errors. The obtained surface reflectance values were used to run the Soil-Leaf-Canopy radiative transfer model (Verhoef & Bach, 2007) in inverse-mode using a lookup-table built upon crop specific plant parameters that were altered during phenological development (BBCH stages) to account for changes of crop characteristics over the growing period. Quality checking was carried out for each derived LAI-value and data points performing poorly during the inversion (high RMSE between simulated and observed spectra) were removed from the data base. The green LAI time series were then processed by the HANTS algorithm that decomposes a time series into a set of harmonic components that is expressed mathematically as a superposition of sines and cosines with different frequencies. Data points showing too large deviations from the harmonic terms were rejected iteratively until a user-defined error tolerance threshold was exceeded or the number of remaining data points dropped below a pre-defined threshold. Before assimilation into PROMET the HANTS output was post-processed to remove possible over- or undershooting that would cause unrealistic representation of crop development. Finally the reconstructed time series of green LAI were used to update PROMET by choosing among a set of scenario runs the scenario reflecting best those green LAI values obtained from HANTS.

Results

HANTS was able to detect and remove outliers from green LAI time series obtained from S2 data. Comparison of HANTS-derived and in-situ measured green LAI values showed good agreement in case of winter wheat (R²=0.92; RMSE=0.77) but lower retrieval accuracy for maize (R²=0.83; RMSE=1.10). Further validation will show a comparison of in-situ measured and PROMET simulated grain weight as well as crop yield to demonstrate the accuracy of HANTS and its use in hydro-agroecological modelling.

Literature

Hank, T. B., Bach, H. & Mauser, W., 2015. Using a Remote Sensing-Supported Hydro-Agroecological Model for Field-Scale Simulation of Heterogeneous Crop Growth and Yield: Application for Wheat in Central Europe. Remote Sensing, 7(4), pp. 3934-3965.

Roerink, G., Menenti, M. & Verhoef, W., 2000. Reconstructing cloudfree NDVI composites using Fourier analysis of time series. Int. J. Remote Sensing, 21(9), pp. 1911-1917.

Verhoef, W. & Bach, H., 2007. Coupled soil–leaf-canopy and atmosphere radiative transfer modeling to simulate hyperspectral multi-angular surface reflectance and TOA radiance data. Remote Sensing of Environment, 109(2), pp. 166-182.



 
Impressum · Kontaktadresse:
Datenschutzerklärung · Veranstaltung: DLT 2019
Conference Software - ConfTool Pro 2.6.126
© 2001 - 2019 by Dr. H. Weinreich, Hamburg, Germany