Monitoring der deutschlandweiten Landbedeckung mittels hochauflösender Sentinel-2 Satellitenbilddaten

Kurzfassung

In dieser Arbeit soll die deutschlandweite Landbedeckungsklassifikation des Deutschen Zentrums für Luft- und Raumfahrt (DLR) (vgl. Weigand u. a.) aus dem Jahr 2015-2017 reproduziert werden für das Jahr 2018. Anschließend wird das Klassifikationsergebnis aus dieser Arbeit mit der Klassifikation 2015-2017 des DLRs vergleichen und die Veränderungen analysiert. Als Hauptdatengrundlage für die Landbedeckungsklassifkation dienen deutschlandweite Sentinel-2 Szenen aus den Monaten Mai bis September 2018. Die ausgewählten Szenen sollen zudem eine geringere Wolkenbedeckung als 60% aufweisen. Um einen hochdimensionalen Merkmalsraum zu generieren werden basierend auf den erhobenen Setinel-Daten weitere Berechnungen durchgeführt. Es werden neben den drei Indizes: Normalized Difference Built-Up Index (NDBI), Normalized Difference Vegetation Index (NDVI) und Normalized Difference Water Index (NDWI), die auf die zeitlichen Perzentile 25, 50 und 75 reduziert werden, auch acht Bildtexturmerkmale basierend auf der Gray Level Co-occurrence Matrixs (GLCMs) berechnet. Zusätzlich werden drei statistische Merkmalberechnungen (Standardabweichung, Mittelwert, Median) für die Layer der Satellitenbilder und der Indizes durchgeführt mit einem beweglichen Fenster in den Größen 3x3, 5x5 und 9x9. Für eine klarere Abgrenzung von bebauten Flächen werden unterstützend sowohl ein Gebäuderaster aus Level of Detail 1 (LoD1) und OpenStreetMap (OSM) Daten, als auch zwei Raster, die Informationen über Verkehrswege aus dem OSM Projekts enthalten, hinzugezogen. Insgesamt liegen 229 Rasterlayer für die Klassifikation vor. Für das Training des Klassifikationsmodells wird der Land Use and Coverage Area frame Survey (LUCAS) Datensatz des statistischen Amts der Europäischen Union herangezogen. Dieser Datensatz enthält Punkte, die Informationen zur Landbedeckung enthalten. Um einen hochdimensionalen Merkmalsraum zu erschaffen werden unter jedem Punkt die Werte aller 229 Raster extrahiert. So erhält man einen Merkmalsraum, der die Informationen über die Lage und die Landbedeckungsklasse der LUCAS Punkte, sowie die dazugehörigen Werte der Raster, enthält. Basierend darauf wird ein überwachtes Klassifikationsverfahren durchgeführt. Das Klassifikationsschema umfasst die sieben verschiedenen Klassen bebautes Land, offener Boden, hohe Vegetation (saisonal, beständig), niedrige Vegetation (saisonal, beständig) und Wasser. Zu Beginn wird mit dem Random Forest Klassifikator das Klassifikationsmodell trainiert und einer Konfusionsmatrix auf die Genauigkeit geprüft. Die erreichte Klassifikationsgenauigkeit für diese Arbeit liegt bei 92%. Im nächsten Schritt wird das Klassifikationsergebnis dieser Arbeit mit der Klassifikation vom DLR verglichen. Die vorliegende DLR-Klassifikation weist eine Genauigkeit von 93% auf. Die beiden Klassifikationen werden pixelweise miteinander verglichen. Überprüft wird hierbei ob und zu was sich die sieben verschiedenen Klassen verändert haben. Insgesamt haben sich von der Klassifikation 2015-2017 11% der Pixel in der Klassifikation 2018 verändert. Die vorgeschlagenen Klassifikationsmethode von Weigand u. a. (2020) erzielte in beiden Klassifikationen sehr vielversprechende Ergebnisse in einer hohen räumlichen Auflösung. Sie eignet sich daher gut, um Veränderungen zu detektieren.