Gefördert durch:
29.01.2015
Phänologische Strukturierung von zeitlich hochauflösenden Sentinel-2-Datensätzen zur
Optimierung von Landnutzungsklassifikationen
Prof. Dr. Cornelia Gläßer, Henning Gerstmann, Dr. Markus Möller, Dr. Detlef Thürkow (Uni Halle)
Prof. Dr. Christopher Conrad, Patrick Knöfel (Uni Würzburg)
Dr. Daniel Doktor, Xingmei Xu (UFZ)
Workshop: "Nutzung der Sentinels und nationalen Erdbeobachtungs-Missionen"
Bonn
Phänologische Strukturierung von
Sentinel-2-Daten
Motivation
• Klassifikation von Ackerfrüchten nach Arten ist Voraussetzung für Anwendung von Sentinel-2-Daten für EU-Agrarpolitik, Umweltfragen etc.
• Defizite durch große spektrale Ähnlichkeiten
• Phänologische Phasen können als Indikator für optimale Zeitfensterauswahl dienen
Henning Gerstmann
Projektüberblick
Genauere Klassifikationsergebnisse
Partner • Verbundprojekt der Universitäten Halle und Würzburg,Department CLE des
UFZ sowie Fa. UmGeoDat • Laufzeit: März 2013 bis Oktober 2016
Phänologische Strukturierung von
Sentinel-2-Daten
• Methodenentwicklung für operationelle Detektion phänologischer Zeitfenster
• WPA-PhenoS: – Prognose-System für:
• Phänologie: phänologische Modellierungsergebnisse
– Auskunftssystem für:
• Klima: tägliche Beobachtungsdaten des DWD zu Temperatur, Wolkenbedeckung, Niederschlag, …
• Phänologische Beobachtungen und Zeitfenster für Satellitenbildauswahl
– Visualisierung
Henning Gerstmann
Projektziele
Phänologische Strukturierung von
Sentinel-2-Daten
Henning Gerstmann
Projektziele
WPA-PhenoS
Operationelle Zeitfensterdetektion
Klassifikationsrahmen
Spektrale Maße Phänologische Modellierung
Fernerkundungsdaten Beobachtungsdaten, Höhenmodelle, weitere
Sekundärdaten
Phänologische Strukturierung von
Sentinel-2-Daten
Henning Gerstmann
Teilziele: Spektrale Maße für Sentinel-2
• Entwicklung von Vegetationsindizes für Sentinel-2-Daten:
Nutzung der Red-Edge-Kanäle
• Multitemporale Trennbarkeitsanalysen und Zeitfensterdetektion
• Extraktion phänologischer Maße aus Satellitendaten
• Verbindung von spektralem Verhalten mit phänologischen Stadien
Phänologische Strukturierung von
Sentinel-2-Daten
Henning Gerstmann
Teilziele: Phänologische Modelle
WPA-PhenoS
Operationelle Zeitfensterdetektion
Klassifikationsrahmen
Spektrale Maße Phänologische Modellierung
Fernerkundungsdaten Beobachtungsdaten, Höhenmodelle, weitere
Sekundärdaten
Phänologische Strukturierung von
Sentinel-2-Daten
Henning Gerstmann
Teilziele: Phänologische Modelle
• Phänologische Modelle für FE-Daten meist auf wenige Phasen beschränkt
• Häufig Ableitung direkt aus spektraler Information
Modelle im Projekt PhenoS: • PHASE:
• statistisches Modell
• Nutzung von phänologischen und meteorologischen Beobachtungsdaten ohne FE-Daten
• PIM:
• Modellierung wachstumsfördernder und -hemmender Prozesse
• Möglichkeit zur Prognose phänologischer Entwicklungsstadien
Phänologische Strukturierung von
Sentinel-2-Daten
Henning Gerstmann
Teilziele: Klassifikationsrahmen
WPA-PhenoS
Operationelle Zeitfensterdetektion
Klassifikationsrahmen
Spektrale Maße Phänologische Modellierung
Fernerkundungsdaten Beobachtungsdaten, Höhenmodelle, weitere
Sekundärdaten
Phänologische Strukturierung von
Sentinel-2-Daten
Henning Gerstmann
Projektstruktur
• Multitemporale Klassifikation von Feldfrüchten
Klassifikations-Tool
Beruhend auf spektralen Maßen
Einbeziehung phänologischer Phasen und neu entwickelten Indizes
Teilziele: Klassifikationsrahmen
Phänologische Strukturierung von
Sentinel-2-Daten
Henning Gerstmann
Untersuchungsräume und FE-Daten
TERENO-Testgebiete:
• Mitteldeutsches Tiefland / Harzvorland
• Nordostdeutsches Tiefland / Demmin
AISA-Dual RapidEye MODIS (SPOT5) Simulation v.
Sentinel-2-Daten
Methodenentwicklung
Sentinel-2
Daten:
Phänologische Strukturierung von
Sentinel-2-Daten
Bisherige Ergebnisse
Henning Gerstmann
Phänologische Strukturierung von
Sentinel-2-Daten
Henning Gerstmann
Phänologische Modellierung
WPA-PhenoS
Operationelle Zeitfensterdetektion
Klassifikationsrahmen
Spektrale Maße Phänologische Modellierung
Fernerkundungsdaten Beobachtungsdaten, Höhenmodelle, weitere
Sekundärdaten
Phänologische Strukturierung von
Sentinel-2-Daten
Statistisches Modell PHASE • Erstmals vorgestellt von MÖLLER ET AL. (2012) als R-Script
• Temperatur erklärt Unterschiede im Eintrittsdatum phänologischen Phasen
• Berechnung von Temperatursummen (Growing degree days) aus täglichen Beobachtungsdaten
• Übertragung auf Deutschland über Regression (RandomForest, Regression Kriging)
• Prognose des Eintrittsdatum eines phänologischen Ereignisses
• Verschiedene Maßstäbe möglich:
1. DGM
2. DGM-Segmente
3. Naturräumliche Haupteinheiten
Henning Gerstmann
Phänologische Modellierung
Phänologische Strukturierung von
Sentinel-2-Daten
Henning Gerstmann
Phänologische Modellierung
300
250
200
Deutschlandweite räumliche Prognose phänologischer Phasen
Phänologische Strukturierung von
Sentinel-2-Daten
PHASE: • Modellierung phänologischer Phasen als Indikator für Zeitfensterdetektion von
Fernerkundungsdaten
• Tagesgenaue Interpolationen kann das Modell nicht leisten
• Benötigt keine Parametrisierung durch Nutzer, optimale Parametrisierung wird durch Kreuzvalidierung bestimmt
• Retrospektiv unter Nutzung von Jahresmelder-Daten und aktuell bei Nutzung von phänologischen Sofortmeldern
Henning Gerstmann
Phänologische Modellierung
Zweites Modell: PIM
Phänologische Strukturierung von
Sentinel-2-Daten Promoter-Inhibitor-Model (PIM)
Xingmei Xu
Phänologische Strukturierung von
Sentinel-2-Daten Promoter-Inhibitor-Model (PIM)
Xingmei Xu
Phänologische Strukturierung von
Sentinel-2-Daten PIM: Fitting, Sensitivity Analysis and Prediction
Fitting with differential evolution algorithm (R-package 'DE optim'), which
uses selection, mutation and crossover for optimisation Sensitivity analysis: check influence of model parameters on modelled
phenological phases and goodness of fit Training and test on observed phenology from 1951-2012 Prediction of phenological phases based on climate scenarios until 2100
Xingmei Xu
Phänologische Strukturierung von
Sentinel-2-Daten PIM: Fitting, Sensitivity Analysis and Prediction
Fitting with differential evolution algorithm (R-package 'DE optim'), which
uses selection, mutation and crossover for optimisation Sensitivity analysis: check influence of model parameters on modelled
phenological phases and goodness of fit Training and test on observed phenology from 1951-2012 Prediction of phenological phases based on climate scenarios until 2100
Xingmei Xu
Phänologische Strukturierung von
Sentinel-2-Daten PIM: Fitting, Sensitivity Analysis and Prediction
Fitting with differential evolution algorithm (R-package 'DE optim'), which
uses selection, mutation and crossover for optimisation Sensitivity analysis: check influence of model parameters on modelled
phenological phases and goodness of fit Training and test on observed phenology from 1951-2012 Prediction of phenological phases based on climate scenarios until 2100
Xingmei Xu
Phänologische Strukturierung von
Sentinel-2-Daten PIM: Fitting, Sensitivity Analysis and Prediction
Fitting with differential evolution algorithm (R-package 'DE optim'), which
uses selection, mutation and crossover for optimisation Sensitivity analysis: check influence of model parameters on modelled
phenological phases and goodness of fit Training and test on observed phenology from 1951-2012 Prediction of phenological phases based on climate scenarios until 2100
Xingmei Xu
Phänologische Strukturierung von
Sentinel-2-Daten PIM: Fitting, Sensitivity Analysis and Prediction
Fitting with differential evolution algorithm (R-package 'DE optim'), which
uses selection, mutation and crossover for optimisation Sensitivity analysis: check influence of model parameters on modelled
phenological phases and goodness of fit Training and test on observed phenology from 1951-2012 Prediction of phenological phases based on climate scenarios until 2100
Xingmei Xu
Phänologische Strukturierung von
Sentinel-2-Daten PIM: Outlook
Adapt the model to agricultural species
• Implement sowing date
Potential integration of other model concepts:
• non-linear dependencies
Xingmei Xu
Phänologische Strukturierung von
Sentinel-2-Daten Spektrale Maße
WPA-PhenoS
Operationelle Zeitfensterdetektion
Klassifikationsrahmen
Spektrale Maße Phänologische Modellierung
Fernerkundungsdaten Beobachtungsdaten, Höhenmodelle, weitere
Sekundärdaten
Xingmei Xu
Phänologische Strukturierung von
Sentinel-2-Daten
MODIS RapidEye AISA
Time period 2000-2013 2010-2014 2010-2013
Temporal resolution daily ~15 days during
vegetation period ~2 per year
Spatial resolution (m) 250 5 1/2/3
Data
Phänologische Maße aus Satellitendaten
Xingmei Xu
Phänologische Strukturierung von
Sentinel-2-Daten
MODIS GQ09 Surface reflectance
RapidEye radiance
RapidEye reflectance
Respective NDVI time series
ATCOR
Phenological matrices
“phenex”--R package[1]
• Green-up + senescence dates
• Length of growing season
• Growing season Integrated NDVI
• Maximum and minimum NDVI
• Dates of the year with highest and lowest NDVI
Phänologische Maße aus Satellitendaten
Data processing
Xingmei Xu
Phänologische Strukturierung von
Sentinel-2-Daten
MODIS GQ09 Surface reflectance
RapidEye radiance
RapidEye reflectance
Respective NDVI time series
ATCOR
Phenological matrices
“phenex”--R package[1]
• Green-up + senescence dates
• Length of growing season
• Growing season Integrated NDVI
• Maximum and minimum NDVI
• Dates of the year with highest and lowest NDVI
Phänologische Maße aus Satellitendaten
Data processing
Xingmei Xu
Phänologische Strukturierung von
Sentinel-2-Daten
Year: 2012
Satellite: MODIS aqua
Method: BISE
Model: Linear interpolation
Phenophase: senescence
Threshold: local 0.55
Phänologische Maße aus Satellitendaten
Xingmei Xu
Phänologische Strukturierung von
Sentinel-2-Daten
Year: 2012
Satellite: MODIS aqua
Method: BISE
Model: Linear interpolation
Phenophase: senescence
Threshold: local 0.55
Year: 2012
Satellite: RapidEye
Method: BISE
Model: Linear interpolation
Phenophase: Green-up
Threshold: Local 0.55
White area: no data
affected by clouds
Phänologische Maße aus Satellitendaten
Xingmei Xu
Phänologische Strukturierung von
Sentinel-2-Daten
AISA data processing
Radiometric correction (with Caligeo)
Adjustment of AISA Hawk (SWIR) signal
Destriping (ROME)
Geometric correction (with Caligeo)
Georeferencing Orthorectification
(with PARGE)
Atmospheric correction with BRDF correction
(with ATCOR 4)
Atmospheric correction (with ATCOR 4)
Geometric correction (with Caligeo)
Georeferencing
Mosaicing
Phänologische Maße aus Satellitendaten
Xingmei Xu
Phänologische Strukturierung von
Sentinel-2-Daten
Spatial resolution: 60m
Band combination:
R-band 9(945nm)
G-band 1(443nm)
B-band 10(1375nm)
Spatial resolution: 10m
Band combination:
R-band 8(842nm)
G-band 4(665nm)
B-band 3(560nm)
Simulated Sentinel-2 images
signali
——the plot-based simulated signal of Sentinel-2 in band i
srci —— the spectral response curve for band i of Sentinel-2; ∑src
i=1
ref —— the plot-based canopy reflectance observed by AISA
rad —— the radiometric resolution
[1]
Phänologische Maße aus Satellitendaten
[1] Hannes Feilhauer et al., 2013, Assessing floristic composition with multispectral sensors—A comparison based on monotemporal and multiseasonal field spectra, Int. Journal of Applied Earth Observation and Geoinformation, 21(218–229).
Xingmei Xu
Phänologische Strukturierung von
Sentinel-2-Daten
Spatial resolution: 20m
Band combination:
R-band 5(705nm)
G-band 7(783nm)
B-band 6(740nm)
Simulated Sentinel-2 images
signali
——the plot-based simulated signal of Sentinel-2 in band i
srci —— the spectral response curve for band i of Sentinel-2; ∑src
i=1
ref —— the plot-based canopy reflectance observed by AISA
rad —— the radiometric resolution
[1]
Phänologische Maße aus Satellitendaten
[1] Hannes Feilhauer et al., 2013, Assessing floristic composition with multispectral sensors—A comparison based on monotemporal and multiseasonal field spectra, Int. Journal of Applied Earth Observation and Geoinformation, 21(218–229).
Xingmei Xu
Phänologische Strukturierung von
Sentinel-2-Daten
Spatial resolution: 60m
Band combination:
R-band 9(945nm)
G-band 1(443nm)
B-band 10(1375nm)
Simulated Sentinel-2 images
signali
——the plot-based simulated signal of Sentinel-2 in band i
srci —— the spectral response curve for band i of Sentinel-2; ∑src
i=1
ref —— the plot-based canopy reflectance observed by AISA
rad —— the radiometric resolution
[1]
Phänologische Maße aus Satellitendaten
[1] Hannes Feilhauer et al., 2013, Assessing floristic composition with multispectral sensors—A comparison based on monotemporal and multiseasonal field spectra, Int. Journal of Applied Earth Observation and Geoinformation, 21(218–229).
Xingmei Xu
Phänologische Strukturierung von
Sentinel-2-Daten
Period Fields covered Data Measurements
11-03-2014
⁞
11-11-2014
from Aschersleben
to Straßberg
Fields number: 70 in total---50 per week
Data types: BBCH code
plant height
BBCH Code (Biologische Bundesanstalt für Land- und Forstwirtschaft,
Bundessortenamt und CHemische Industrie) :
• Oilseed rape : 39---9 or more visibly extended internodes
50---Flower buds present, still enclosed by leaves
60---First flowers open
• Cereal : 13---3 leaves unfolded
39---Flag leaf stage
51---Beginning of heading
Field observations
Phänologische Maße aus Satellitendaten
62
55
Xingmei Xu
Phänologische Strukturierung von
Sentinel-2-Daten
Henning Gerstmann
Spektrale Maße
WPA-PhenoS
Operationelle Zeitfensterdetektion
Klassifikationsrahmen
Spektrale Maße Phänologische Modellierung
Fernerkundungsdaten Beobachtungsdaten, Höhenmodelle, weitere
Sekundärdaten
Phänologische Strukturierung von
Sentinel-2-Daten
Henning Gerstmann
Spektrale Maße
Vegetationsindizes: • Vergleich Standard-Indizes mit sensorspezifischen neuen Indizes im VIS/NIR
• Automatisierte Bestimmung des optimalen Index zur Trennung bestimmter Feldfrüchte:
o Gütemaß η2 zur Zusammenhangsanalyse zwischen Klassenzugehörigkeit und mittlerem Indexwert
• Berechnung von fruchtartspezifischen Index-Zeitreihen
• Berechnung der Indexdifferenz der Zielarten als Trennbarkeitsindikator
• Kopplung an modellierte phänologische Phasen
• Erweiterung des Klassifikationsrahmens
cd2*Β2d1*Β1Β1Β2Β1Ιndex
B1-B3: Spektralkanäle
d1,d2: Wichtungsfaktoren
c: Absolutglied
Phänologische Strukturierung von
Sentinel-2-Daten
• Beispiel
Henning Gerstmann
Spektrale Maße
Monotemporale Trennung von Gerste und Roggen am 4. Juni 2011 mit RapidEye:
11*NIR7*BlueRedEdge
BlueRedEdgeIndex
Index η2
NDVI 0.036
SRR (RedEdge/NIR) 0.123
SAVI 0.068
EVI 0.005
Optimaler Index 0.382
RapidEye-Tile 3262922, Bandkombination 3-2-1 RESA-ID: 653
Phänologische Strukturierung von
Sentinel-2-Daten
• Beispiel
Henning Gerstmann
Spektrale Maße
Monotemporale Trennung von Gerste und Roggen am 4. Juni 2011 mit RapidEye:
11*NIR7*BlueRedEdge
BlueRedEdgeIndex
Index η2
NDVI 0.036
SRR (RedEdge/NIR) 0.123
SAVI 0.068
EVI 0.005
Optimaler Index 0.382
RapidEye-Tile 3262922, Bandkombination 3-2-1 RESA-ID: 653
Phänologische Strukturierung von
Sentinel-2-Daten
Henning Gerstmann
Spektrale Maße
Zeitreihe
Sep `10 Okt Nov Dez Jan Feb März Apr Mai Jun Jul Aug Sep`11
Phänologische Strukturierung von
Sentinel-2-Daten
Henning Gerstmann
Spektrale Maße
Zeitreihe Differenz
Sep `10 Okt Nov Dez Jan Feb März Apr Mai Jun Jul Aug Sep`11
Phänologische Strukturierung von
Sentinel-2-Daten
Henning Gerstmann
Spektrale Maße
Roggen: Blüte Gerste: Ährenschieben
Zeitreihe Differenz Kopplung an phänologische Phase
Sep `10 Okt Nov Dez Jan Feb März Apr Mai Jun Jul Aug Sep`11
Phänologische Strukturierung von
Sentinel-2-Daten
Patrick Knöfel
Klassifikationsrahmen
WPA-PhenoS
Operationelle Zeitfensterdetektion
Klassifikationsrahmen
Spektrale Maße Phänologische Modellierung
Fernerkundungsdaten Beobachtungsdaten, Höhenmodelle, weitere
Sekundärdaten
Phänologische Strukturierung von
Sentinel-2-Daten
Teilziele: Uni Würzburg
• Entwicklung eines Klassifikationsrahmens – Definition der Zielklassen
– Spezifikation des Klassifikationsrahmens
– Aufbau und Test eines angepassten Klassifikationsalgorithmus
MELanGe (Multi-functional tool for the Evaluation of Land use classification and Geometric accuracy)
– Bestimmung der Klassifikationsgüte durch Validierungswerkzeuge
• Szenarien für optimierte Klassifikationen – Variation der Datendichte (Datenverfügbarkeit und Referenzdaten)
– Variation der Klassentiefe
– Integration phänologischer Maße als Merkmale
– Variation von Sensorauflösungen und Zusatzinformationen
– Untersuchung der Einflüsse der Standorteigenschaften auf die räumlichen Unsicherheiten
Patrick Knöfel
Klassifikationsrahmen
Phänologische Strukturierung von
Sentinel-2-Daten
Patrick Knöfel
Klassifikationsrahmen
Definition der Zielklassen
– Spezifikation der Zielklassen sowie Analyse deren Vorkommen in den landwirtschaftlichen Untersuchungsgebieten
– Herausforderung: Trennung von spektral ähnlichen Klassen (Getreide)
Klassen
Referenzobjekte in 2011
Demmin
(Gesamt: 493)
Mitteldeutschland
(Gesamt: 2342)
Objektanzahl Relation Objektanzahl Relation
Weizen
(Winter/Sommer) 122/- 24,7 %/ - 1250/51 53,3 %/2,2 %
Raps 138 28 % 416 17,8 %
Gerste
(Winter/Sommer) 31/8 6,2 %/1,6 % 234/58 10 %/2,5 %
Winterroggen 24 4,8% 17 0,7 %
Mais 132 26,8 % 221 9,4 %
Zuckerrüben 29 5,8 % 142 6,1 %
Kartoffeln 13 2,6 % 24 1 %
Hafer - - 126 5,3 %
Weizen
Gerste
Phänologische Strukturierung von
Sentinel-2-Daten
Patrick Knöfel
Klassifikationsrahmen
MELanGe besteht aus drei separaten Programmteilen
1. Automatisierte schlagspezifische Berechnung der Merkmale – Spektrale Indizes
– Phänologische Maße
2. Automatische Berechnung der Klassifikationsgütemaße aller Zeitschnittkombinationen
3. Interaktive Visualisierung der Klassifikationsgütemaße – Auswahl Zeitschnitte
– Auswahl Gütemaß
– Auswahl betrachtete Klasse
1 2 3
Phänologische Strukturierung von
Sentinel-2-Daten
• Datenverfügbarkeit RapidEye (Intervallänge 5 Tage)
– Unregelmäßige Aufnahmen (Vergleichbarkeit der Ergebnisse?)
– Flächenhafte Abdeckung nicht immer gegeben (=> Datenfusion, Techs4TimeS)
Patrick Knöfel
Klassifikationsrahmen
Demmin
März April Mai Juni Juli August September Oktober
2009
2010
2011
2012
Mitteldeutschland
März April Mai Juni Juli August September Oktober
2009
2010
2011
2012
2013
Beispiel 2011, Mitteldeutschland: 6 Zeitschnitte
5-Tages Intervall mit verfügbaren Datensätzen
Phänologische Strukturierung von
Sentinel-2-Daten
• Variation der Klassentiefe am Beispiel Getreide in Mitteldeutschland 2011
Patrick Knöfel
Klassifikationsrahmen
Zeitschnitte: 1. 07. März 2011 3. 08. Mai 2011 4. 06. Juni 2011
Phänologische Strukturierung von
Sentinel-2-Daten
Aktuell in Bearbeitung:
– Anpassungen des Tools MELanGe (tw. optional) • Steuerung des RF-Algorithmus
• Auswahl aus Liste von Indizes (wichtig für die Bewertung der Integration neuer Merkmale)
• Einstellungen für Validierung (Cross-Validation, Out-Of-Bag, etc.)
• Benutzerfreundlichkeit
• Protokollausgabe
– Analytik: • Variation der Klassentiefe für weitere Untersuchungsjahre und –gebiete
• Untersuchung der Einflüsse der Standorteigenschaften auf die räumlichen Unsicherheiten der Klassifikation
• Bewertung der Integration der neuen spektralen Maße
Patrick Knöfel
Klassifikationsrahmen
Phänologische Strukturierung von
Sentinel-2-Daten
Patrick Knöfel
WPA - PhenoS
WPA-PhenoS
Operationelle Zeitfensterdetektion
Klassifikationsrahmen
Spektrale Maße Phänologische Modellierung
Fernerkundungsdaten Beobachtungsdaten, Höhenmodelle, weitere
Sekundärdaten
Phänologische Strukturierung von
Sentinel-2-Daten
Henning Gerstmann
WPA - PhenoS
Phänologische Strukturierung von
Sentinel-2-Daten
Henning Gerstmann
WPA - PhenoS | Metadatenbank
- Beschreibung relevanter Geodaten in Metadatenbank - aktuell z.B.183 Satelliten- bilder - Verwendung des -standardkonformen Metadatenstandards Dublin-Core Lightweight Profile for Geospatial (DCLight4G)
Phänologische Strukturierung von
Sentinel-2-Daten
Henning Gerstmann
WPA - PhenoS |Geodatenviewer - Wetter
Stationsspezifische Zeitreihen aktueller meteorologischer Messdaten des DWD und eigener Stationen zu: • Niederschlag • Temperatur • Sonnenscheindauer
Phänologische Strukturierung von
Sentinel-2-Daten
Henning Gerstmann
WPA - PhenoS | Geodatenviewer - PHASE
Phänologische Strukturierung von
Sentinel-2-Daten
1. Modellierung phänologischer Phasen
2. Extraktion spektraler Merkmale von zur Unterscheidung von Feldfrüchten
3. Ableitung optimaler Zeitfenster für spektrale Trennung
4. Umgebung für multitemporale Klassifikation
Henning Gerstmann
Zusammenfassung
WPA PhenoS
Phänologische Strukturierung von
Sentinel-2-Daten
Henning Gerstmann
paradigmaps.geo.uni-halle.de/phenos
Vielen Dank für die Aufmerksamkeit