Informationsgehalt von ERS-1/-2 SAR-Daten zur Erfassung der Arteninventare und des Zustandes landwirtschaftlich genutzter Böden und Vegetation

Abstract

Auf einer drei Anbauperioden umfassenden Ground Truth Datenbasis wird der Informationsgehalt multitemporaler ERS-1/-2 Synthetic Aperture Radar (SAR) Daten zur Erfassung der Arteninventare und des Zustandes landwirtschaftlich genutzter Böden und Vegetation in Agrarregionen Bayerns evaluiert.Dazu wird ein für Radardaten angepaßtes, multitemporales, auf landwirtschaftlichen Schlägen beruhendes Klassifizierungsverfahren ausgearbeitet, das auf bildstatistischen Parametern der ERS-Zeitreihen beruht. Als überwachte Klassifizierungsverfahren wird vergleichend der Maximum-Likelihood-Klassifikator und ein Neuronales-Backpropagation-Netz eingesetzt. Die auf Radarbildkanälen beruhenden Gesamtgenauigkeiten variieren zwischen 75 und 85%. Darüber hinaus wird gezeigt, daß die interferometrische Kohärenz und die Kombination mit Bildkanälen optischer Sensoren (Landsat-TM, SPOT-PAN und IRS-1C- PAN) zur Verbesserung der Klassifizierung beitragen. Gleichermaßen können die Klassifizierungsergebnisse durch eine vorgeschaltete Grobsegmentierung des Untersuchungsgebietes in naturräumlich homogene Raumeinheiten verbessert werden. Über die Landnutzungsklassifizierung hinaus, werden weitere bio- und bodenphysikalische Parameter aus den SAR-Daten anhand von Regressionsmodellen abgeleitet. Im Mittelpunkt stehen die Paramter oberflächennahen Bodenfeuchte vegetationsfreier/-armer Flächen sowie die Biomasse landwirtschaftlicher Kulturen. Die Ergebnisse zeigen, daß mit ERS-1/-2 SAR-Daten eine Messung der Bodenfeuchte möglich ist, wenn Informationen zur Bodenrauhigkeit vorliegen. Hinsichtlich der biophysikalischen Parameter sind signifikante Zusammenhänge zwischen der Frisch- bzw. Trockenmasse des Vegetationsbestandes verschiedener Getreide und dem Radarsignal nachweisbar. Die Biomasse-Informationen können zur Korrektur von Wachstumsmodellen genutzt werden und dazu beitragen, die Genauigkeit von Ertragsschätzungen zu steigern.

AbstractComprehensive ground truth data, gathered during three cultivation periods, allowed the evaluation of multitemporal ERS-1/-2-SAR time series for crop discrimination, biomass determination and soil moisture detection. A radar-adapted multitemporal and object orientated classification methodology based on statistical image parameters is designed. The standard Maximum-Likelihood classifier and a Neuronal Backpropagation Network have been used in a supervised classification. On average, classification results based on radar derived channels reach overall accuracies between 75 and 85%. The integration of coherence channels from interferometric ERS image pairs and the complementary use of channels from optical sensors (Landsat-TM, SPOT-PAN, IRS-1C-PAN) improve the classification results. Further improvements can be achieved by using a stratification technique which divides the large study area into geophysically homogenous units. Another objective of this study is the retrieval of bio- and soil-physical parameters from the ERS-SAR data using linear regression models. The key parameters of interest are biomass and near-surface soil moisture over bare soils. The results show clearly that it is difficult to obtain reliable estimates of soil moisture from single-frequency and single-polarized ERS measurements when surface roughness is an unkown variable. With regard to the retrieval of biophysical parameters strong correlations between the biomass / dry matter and the backscattering coefficient are found for cereals. Nevertheless, the relationship, gained from early growth stages, can be used as an input into vegetation growth models to improve the prediction of crop yield.