Waldzustandserfassung und -monitoring
mit hochauflösenden Satellitenbilddaten
vorgelegt von
Diplom-Geograph
Bodo Coenradie
Von der Fakultät VII - Architektur Umwelt Gesellschaft
der Technischen Universität Berlin
zur Erlangung des akademischen Grades
Doktor der Ingenieurwissenschaften
- Dr.-Ing. -
genehmigte Dissertation
Promotionsausschuss:
Vorsitzende: Prof. Dr. Birgit Kleinschmit
Berichter: Prof. Dr. Hartmut Kenneweg
Berichter: Prof. Dr.-Ing. Jörg Albertz
Tag der wissenschaftlichen Aussprache: 14.10.2003
Berlin 2003
D 83
1
Danksagung
Die vorliegende Arbeit wurde am Institut für Landschafts- und Umweltplanung (vormals In-
stitut für Landschaftsentwicklung), Fachgebiet Landschaftsplanung, insbesondere Land-
schaftspflege und Naturschutz, der Technischen Universität Berlin erstellt. Die Untersuchun-
gen fanden im Rahmen von zwei BMBF-geförderten Forschungsvorhaben statt.
Mein besonders herzlicher Dank gilt Herrn Prof. Dr. H. Kenneweg für die Betreuung meiner
Arbeit und für den mir eröffneten Freiraum zur Durchführung der Untersuchungen. Sehr ge-
freut habe ich mich über die Bereitschaft von Herrn Prof. Dr.-Ing. J. Albertz zur Übernahme
des Koreferats.
Allen Kolleginnen und Kollegen des Fachgebiets Landschaftsplanung bin ich dankbar für die
freundliche Atmosphäre. Hervorheben möchte ich Herrn C. Roesrath, insbesondere für die
Unterstützung in EDV-technischen Fragen und die Übernahme vieler administrativer Arbei-
ten. Erwähnen möchte ich auch Herrn F. Junggeburth, dessen vielfältige Mitarbeit mir stets
eine sehr große Hilfe war.
Für die langjährige konstruktive Zusammenarbeit mit zahlreichen bereichernden Diskussio-
nen und ihre freundschaftliche Unterstützung bedanke ich mich bei Frau K. Hoffmann und
Herrn H. Sagischewski von der Sächsischen Landesanstalt für Forsten (seit 2002: Landes-
forstpräsidium) in Graupa.
Herrn C. Schierhorn und Herrn E. Binnemann von der Forstlichen Landesanstalt Sachsen-
Anhalt in Haferfeld danke ich für die Bereitstellung der Forsteinrichtungsdaten.
Auch gilt den Mitgliedern der Arbeitsgruppe OFULSA des gleichnamigen Verbundprojekts
mein Dank für den intensiven Erfahrungsaustausch zum Themenkomplex „Operationalisie-
rung von Fernerkundung“.
Herrn H. Gallaun vom Joanneum Research Institut in Graz danke ich für die Bereitstellung
des Programms zur topographischen Normalisierung von Satellitenbilddaten.
Abschließend möchte ich mich an dieser Stelle ganz besonders bei meiner Partnerin Claudia
für ihre langjährige Geduld, Unterstützung und Aufmunterung bedanken.
2
3
Eidesstattliche Erklärung
Hiermit erkläre ich, dass ich die vorliegende Arbeit selbstständig und ohne fremde Hilfe ver-
fasst und andere als die angegebenen Hilfsmittel nicht verwendet habe
Berlin, 3. November 2003
Bodo Coenradie
4
Zusammenfassung
5
Zusammenfassung
Die Forstwirtschaft ist traditionell eines der wichtigsten Anwendungsgebiete der Fernerkun-
dung. Im Gegensatz zur operationellen Nutzung analoger Luftbilder bleibt jedoch im mitteleu-
ropäischen Raum der Praxiseinsatz von Satellitenfernerkundung hinter den technischen
Möglichkeiten zurück. Es gilt, die Lücke zwischen Technologieentwicklung und praktischer
Anwendung (Praxisreife) weiter zu schließen. Die Eigenschaften moderner Sensoren we-
cken zudem Hoffnungen, Satellitenbilddaten bald auch zur Informationsgewinnung für groß-
maßstäbige Planungsebenen zu nutzen (v.a. Forsteinrichtung, 1 : 10 000).
In dieser Arbeit werden planungsrelevante Anwendungsmöglichkeiten sowie (gegenwärtige)
Grenzen der Satellitenfernerkundung für forstliche Zwecke aufgezeigt. Im Mittelpunkt stehen
die Anforderungen des Nutzers. Es werden kommerzielle Softwareprodukte, Standardverfah-
ren sowie Daten operationeller Aufnahmesysteme hoher und mittlerer Auflösung genutzt.
Zur besseren Nutzbarmachung von fernerkundeten Informationen wird ein fernerkundungs-
und planungsrelevanter Systematisierungsansatz für forstliche Objektarten vorgeschlagen,
der eine disziplinübergreifende und dabei weitgehend sensorunabhängige Lösung darstellt.
Um praktikable und effiziente Lösungen für große Teile des Auswertungsprozesses zu errei-
chen, wird die wechselseitige Nutzung von Fachplanungs-, Geo- und Fernerkundungsdaten
angestrebt.
Als besonders vielversprechend, sowohl für die visuelle Interpretation als auch für die digitale
Bildanalyse, erweist sich die Kombination von räumlich hochauflösenden panchromatischen
und spektral hochauflösenden multispektralen Satellitenbilddaten.
Hochaufgelöste Bildprodukte fusionierter Daten erweisen sich für den praktischen Einsatz als
sehr hilfreich, da waldstrukturelle Informationen in einer hohen Detailerkennbarkeit abgebil-
det werden. Forstpraktiker können diese problemlos als kostengünstiges und besitzüber-
greifendes Planungshilfsmittel nutzen bzw. am GIS-Arbeitsplatz in laufenden Arbeiten integ-
rieren. Anwendungsbeispiele unterstreichen das große Nutzungspotenzial hochauflösender
Satellitenbilder für Inventur- und Monitoringaufgaben, die zukünftig unter Kosten-Nutzen-
Aspekten eine Alternative zu Luftbildern darstellen können.
Mit einem multisensoralen Auswertungskonzept (Segmentierung panchromatischer Szenen,
pixelbasierte Klassifizierung von Multispektraldaten, regelbasierte Zusammenführung der
Teilergebnisse) wird eine im Vergleich zu herkömmlichen Klassifizierungen deutlich verbes-
serte waldstrukturelle Differenzierung (Baumart, Wuchs-, Dichteklasse usw.) erzielt. Der An-
satz zielt auf eine möglichst uneingeschränkte Auswahlmöglichkeit von optischen Satelliten-
sensoren hoher und mittlerer Auflösung ab.
Die multispektrale Waldschadenskartierung (Fichte) basiert auf der Erfassung der Schad-
merkmale Nadelverlust und Beschirmungsgrad, eine zuverlässige Kartierung wird für letzte-
ren erreicht. Das Nutzungspotenzial der Satellitenfernerkundung wird vor allem bei der Ab-
grenzung von größeren Schadregionen und dem Monitoring gesehen (v.a. Bestandes-
schlussunterschiede, „waldschadensrelevante Klassen“).
Zur Erfassung von Veränderungen wird ein automatisiertes multitemporales Verfahren vor-
gestellt, das speziell für Waldgebiete ausgelegt ist und eine rasche großräumige Kartierung
von Verdachtsflächen ermöglicht.
Zusammenfassung
6
Abstract
Forestry is traditionally regarded as one of the most promising fields of application of remote
sensing. In contrast to aerial photography, however, which is already operational, the practi-
cal usage of satellite remote sensing in forestry is a long way behind in the development of
its technical capabilities. This is particularly true for forest inventories to be carried out in Eu-
ropean regions. The aim is therefore to better transfer new technical developments in the
field of sensor technology into the operational use of satellite remote sensing. The characte-
ristics of new sensor types justify the hope that in the nearest future satellite remote sensing
will serve as an operational tool for the assessment of high-scale information for use in ma-
nifold forestry planning purposes (e.g. forest management maps, 1 : 10 000).
The task of the thesis was on the one hand to demonstrate to what extent satellite remote
sensing can support planning tasks in forestry. On the other hand, current limitations of re-
mote sensing based methods are demonstrated and discussed. Distinct emphasis is laid on
the analysis of user requirements. Commercial software products, standard procedures,
high- and medium-resolution data from operational sensor systems were used in the study.
The processing chain developed makes use of the complementary information of forest
management data, GIS data and remote sensing data in order to obtain practicable and ef-
fective solutions.
In order to make better use of remote sensing data, an interdisciplinary approach for sys-
tematisation of forestal object-classes was set up which can be applied to different sensor
types.
The investigation has shown that the combined use of panchromatic data with its high spatial
resolution and multi-spectral data with its high spectral resolution is particularly promising.
This is true both for the visual interpretation and the digital classification of the satellite remo-
te sensing data. Thus high-resolution image products derived from the fusion of panchroma-
tic and multi-spectral data have been shown to be very powerful for practical applications,
since detailed information on forest structures can be easily recognised. Forest managers
can use these image products as a cost-effective, comprehensive planning tool and can inte-
grate them into their current GIS work. Manifold application examples underline the enor-
mous potential of high-resolution satellite data for inventory and monitoring purposes, which
can thus be regarded as a thoroughly viable alternative to methods based on aerial photog-
raphy in terms of cost/benefit.
The application of a multi-sensor interpretation concept (segmentation of panchromatic im-
ages, pixel-based classification of multi-spectral images, rule-based postclassification) re-
sults in a significant improvement in the classification of forest parameters such as tree age,
stage of development or density classes, in comparison to conventional classification con-
cepts. The method developed aims at maximum flexibility in the selection of different high
and medium-resolution satellite remote sensing data.
In addition to this, a method for the classification of forest damage based on multi-spectral
data was developed allowing the determination of needle loss and degradation of spruce
forests. Verification of the classification results by means of terrestrially selected reference
areas has shown that the different deforestation stages can be classified precisely on the
basis of satellite remote sensing data. The classification of needle symptoms, however, has
turned out to be far more difficult. The potential of satellite remote sensing can thus be seen
in particular for the classification of the forest condition on a small scale and for the monitor-
ing of changes in forests in general.
An automated procedure based on multi-temporal data is introduced for the detection of
changes, which is especially adapted to forest areas and allows a rapid large-area assess-
ment of potential plots of changes.
Inhalt
7
Inhaltsverzeichnis
Inhaltsverzeichnis ..............................................................................................................7
Abkürzungsverzeichnis....................................................................................................13
Abbildungsverzeichnis .....................................................................................................15
Tabellenverzeichnis .........................................................................................................19
1 Einleitung................................................................................................................21
1.1 Grundproblematik .........................................................................................21
1.2 Rahmenbedingungen für die Untersuchungen..............................................23
2 Zielsetzung .............................................................................................................25
3 Grundlagen.............................................................................................................30
3.1 Wissensstand ...............................................................................................30
3.1.1 Fernerkundungsanwendungen in der Forstwirtschaft.......................30
3.1.1.1 Luftbildfernerkundung.......................................................30
3.1.1.2 Satellitenfernerkundung....................................................32
3.1.1.2.1 Waldklassifizierung......................................................32
3.1.1.2.2 Klassische und Neuartige Waldschäden......................34
3.1.1.2.3 Kartierung von Sturmschäden .....................................36
3.1.1.2.4 Kartierung von Insektenkalamitäten.............................37
3.1.1.2.5 Forstkartographische Aspekte .....................................38
3.1.1.2.6 Zusammenfassung und aktuelle Entwicklung ..............39
3.1.2 Einsatz von Geo-Informationssystemen in der Forstwirtschaft .........40
3.2 Satellitensysteme und -sensoren..................................................................41
3.2.1 Verwendete operationelle Systeme..................................................42
3.2.2 Neue Systeme und Sensoren ..........................................................44
3.3 Untersuchungsgebiete..................................................................................46
3.3.1 Erzgebirge .......................................................................................48
3.3.2 Dübener Heide.................................................................................52
3.3.3 Forstamt Nedlitz...............................................................................53
4 Datengrundlagen ....................................................................................................57
4.1 Satellitenbilddaten ........................................................................................57
4.1.1 Verwendete Szenen.........................................................................57
4.1.2 Datenqualität....................................................................................57
4.1.2.1 Radiometrische Aspekte...................................................57
Inhalt
8
4.1.2.2 Geometrische Aspekte .................................................... 60
4.2 CIR-Luftbilder............................................................................................... 61
4.3 Forstdaten ................................................................................................... 62
4.3.1 Forsteinrichtungsdaten.................................................................... 62
4.3.2 Forstgrundkarte 1 : 5 000................................................................ 64
4.3.3 Standortskarte 1 : 10 000................................................................ 64
4.3.4 Forstliches Geo-Informationssystem (FGIS Sachsen)..................... 64
4.4 Zusätzliche Geo-Daten ................................................................................ 64
4.4.1 Topographische Informationen........................................................ 65
4.4.2 Digitale Gelände- und Höhenmodelle.............................................. 66
4.4.3 Biotoptypen- und Nutzungstypenkartierung..................................... 66
4.4.4 CORINE LandCover........................................................................ 67
5 Vorbereitende Arbeiten zur Satellitenbildauswertung............................................. 68
5.1 Aufbereitung der Geo-Daten........................................................................ 68
5.1.1 Topographische Informationen........................................................ 68
5.1.2 Digitales Geländemodell ................................................................. 68
5.2 Vorverarbeitung der Satellitenbilddaten ....................................................... 69
5.2.1 Geometrische Korrektur.................................................................. 69
5.2.1.1 Interpolationsverfahren.................................................... 70
5.2.1.2 Parametrisches Verfahren ............................................... 71
5.2.1.3 Genauigkeitsbetrachtung................................................. 72
5.2.2 Radiometrische Verbesserung ........................................................ 74
5.2.2.1 Topographische Normalisierung ...................................... 75
5.2.2.2 Qualitätsbeurteilung......................................................... 76
5.2.3 Generierung von synthetischen Kanälen......................................... 78
5.2.3.1 Satellitenbilddatenfusion.................................................. 78
5.2.3.1.1 Verfahrensauswahl..................................................... 81
5.2.3.1.2 Generierung und Eignung von hochauflösenden
Satellitenbildprodukten ............................................... 83
5.2.3.2 Hauptkomponententransformation................................... 87
5.2.3.2.1 Das Grundprinzip........................................................ 87
5.2.3.2.2 Verfahrensanpassung für Forstanwendungen ............ 88
5.2.3.3 Sonstige Kanalkombinationen ......................................... 90
5.2.3.4 Texturkanäle.................................................................... 91
Inhalt
9
5.3 Aufbereitung der Forstdaten .........................................................................92
5.3.1 Terrestrische Erhebungen................................................................93
5.3.2 CIR-Luftbildauswertungen................................................................95
5.3.3 Forsteinrichtungsdaten.....................................................................97
5.3.4 Standortskarte .................................................................................98
5.3.5 Anpassung der Geometriedaten ......................................................99
5.3.6 Aufbau von Projektdatenbanken ....................................................100
6 Systematisierungsansatz für forstliche Objektarten...............................................101
6.1 Hintergrund.................................................................................................101
6.2 Strukturierung und Kategorisierung ............................................................102
6.2.1 Begriffsfestlegung der Objektart „Wald“ .........................................102
6.2.2 Vergleichende Betrachtung von Nomenklaturen ............................104
6.2.3 Strukturierungsansatz....................................................................106
6.3 Ableitung eines Objektartenkatalogs...........................................................107
6.4 Zuweisung von Objektarten und Objektartenkomplexen .............................108
7 Visuelle Interpretation...........................................................................................111
7.1 Eignung von Bildprodukten.........................................................................111
7.2 Ergebnisse .................................................................................................112
7.2.1 Zustandserfassung ........................................................................112
7.2.1.1 Objektarten und Objektartenkomplexe............................113
7.2.1.2 Sonstige Objekte und Ausprägungen .............................118
7.2.2 Lokalisierung von Veränderungsflächen ........................................119
7.2.3 Zusammenfassung ........................................................................120
8 Automatische Auswertung der Satellitenbilddaten ................................................121
8.1 Rahmenbedingungen der Verfahrensentwicklung.......................................121
8.2 Signatur- und Texturanalyse.......................................................................123
8.2.1 Selektion von Trainingsgebieten ....................................................124
8.2.2 Ergebnisse.....................................................................................126
8.2.2.1 Waldstrukturklassen .......................................................126
8.2.2.1.1 Baumarten und Wuchsklassen ..................................127
8.2.2.1.2 Horizontaler Bestandesaufbau /
Beschirmungsgrad.....................................................132
8.2.2.1.3 Vertikaler Bestandesaufbau / Schichtung ..................136
8.2.2.1.4 Klassifizierungsschlüssel...........................................138
8.2.2.2 Nadelverlust ...................................................................140
Inhalt
10
8.3 Waldstrukturklassifizierung .........................................................................143
8.3.1 Hierarchische Klassifizierung .........................................................144
8.3.1.1 Separierung von „Wald / baumbestockte Fläche“ ...........144
8.3.1.2 Multispektral-texturelle Klassifizierung ............................150
8.3.1.2.1 Dübener Heide ..........................................................152
8.3.1.2.2 Erzgebirge.................................................................156
8.3.2 Segmentierung von panchromatischen Satellitenbilddaten ............159
8.3.2.1 Linien- und kantenbasierte Segmentierung.....................160
8.3.2.1.1 Linien- und Kantendetektion ......................................162
8.3.2.1.2 Extraktion von Wirtschaftswegen und Schneisen.......163
8.3.2.1.3 Ergebnis der linien- und kantenbasierten
Segmentierung ..........................................................166
8.3.2.2 Regionenbasierte Segmentierung...................................168
8.3.2.2.1 Ermittlung von Grobsegmenten
(1. Segmentierungsebene) ........................................168
8.3.2.2.2 Ermittlung von Kleinstsegmenten
(2. Segmentierungsebene) ........................................169
8.3.2.2.3 Ergebnis der regionenbasierten Segmentierung........170
8.3.3 Regel- und kontextbasierte Nachklassifizierung.............................171
8.3.3.1 Klassenzuweisung von Segmenten ................................172
8.3.3.2 Klassifizierung von Bildbereichen ohne
Segmentzuweisungen ....................................................176
8.3.4 Ergebnisse der Waldstrukturklassifizierungen................................179
8.4 Waldschadenskartierung ............................................................................181
8.4.1 Stratifizierung.................................................................................181
8.4.2 Multispektrale Klassifizierung.........................................................182
8.4.3 Nachklassifizierung ........................................................................182
8.4.4 Ergebnis der satellitendatenbasierten Waldschadenskartierung.....184
8.5 Kartierung von potenziellen Veränderungsflächen......................................184
8.5.1 Auswahl des Verfahrens ................................................................185
8.5.2 Multitemporale Kartierung ..............................................................186
8.5.2.1 Kanalweise Hauptkomponententransformation...............187
8.5.2.2 Kategorisierung der Transformierten ..............................189
8.5.2.3 Ableitung von Verdachtsflächen......................................189
8.5.2.4 Ergebnis der automatischen
Veränderungsflächenkartierung......................................191
Inhalt
11
9 GIS-Integration und Verifizierung der Auswertungsergebnisse.............................193
9.1 Verifizierung von Waldstrukturklassifizierung und
Waldschadenskartierung ............................................................................193
9.1.1 Integration von Auswertungsergebnissen in das FGIS...................193
9.1.2 Waldstrukturklassifizierung „Dübener Heide“ .................................196
9.1.2.1 GIS-gestütztes Verifizierungsverfahren ..........................196
9.1.2.2 Bestandesdifferenzierungen ...........................................197
9.1.2.3 Erkennung von Bestandesgrenzen.................................202
9.1.3 Waldstrukturklassifizierung „Erzgebirge“ ........................................203
9.1.3.1 Verifizierung mittels Gelände- und
Luftbildauswertungen .....................................................203
9.1.3.2 Bestandesdifferenzierungen ...........................................203
9.1.4 Waldschadenskartierung „Erzgebirge“ ...........................................206
9.2 Bewertung der Kartierung von potenziellen Veränderungsflächen..............208
10 Einsatzmöglichkeiten moderner Satellitenbilddaten in der Forstwirtschaft ............210
10.1 Nutzungspotenziale mittels visueller Interpretation .....................................210
10.1.1 GIS-gestützte Interpretation hochauflösender
Satellitenbildprodukte.....................................................................210
10.1.2 Herstellung von hochauflösenden Satellitenbildkarten ...................212
10.2 Analysen im GIS.........................................................................................214
10.2.1 Waldstrukturkartierung...................................................................214
10.2.2 Waldschadenskartierung................................................................220
10.2.2.1 Zustandserfassung.........................................................220
10.2.2.2 Monitoringaspekte ..........................................................221
10.2.3 Kartierung von potenziellen Veränderungsflächen .........................227
11 Kostenabschätzung ..............................................................................................230
11.1 Herstellung von hochauflösenden Satellitenbildkarten................................231
11.2 Waldstrukturklassifizierungen .....................................................................233
11.3 Waldschadenskartierung ............................................................................235
11.4 Kartierung von potenziellen Veränderungsflächen......................................236
12 Zusammenfassung und Diskussion der Ergebnisse..............................................238
12.1 Datenaufbereitung ......................................................................................238
12.2 Systematisierung forstlicher Objektarten.....................................................240
12.3 Visuelle Interpretation.................................................................................241
12.4 Automatische Datenauswertung .................................................................241
12.4.1 Verfahrensentwicklung...................................................................241
Inhalt
12
12.4.2 Waldstrukturklassifizierung.............................................................243
12.4.3 Waldschadenskartierung................................................................246
12.4.4 Kartierung von potenziellen Veränderungsflächen .........................247
13 Ausblick ................................................................................................................249
Anhang ..........................................................................................................................253
(A) Programm zur automatischen Lokalisierung von potenziellen
Veränderungsflächen (Verdachtsflächen) .............................................................253
(B) Programm zur automatischen Kantenextraktion.......................................................261
(C) Programm zur Ableitung von Schneisen- (Wege-) Kandidaten (Basis:
Kantenextraktion)..................................................................................................262
Literaturverzeichnis........................................................................................................269
Lebenslauf .....................................................................................................................280
Abkürzungsverzeichnis
13
Abkürzungsverzeichnis
AFL Arbeitsgruppe Forstlicher Luftbildinterpreten
ALOS Advanced Land Observing Satellite
AML Arc Macro Language
ARIES Australien Resource Information and Environment Satellite
ASTER Advanced Spaceborne Thermal Emission and Reflection Radiometer
ATCOR Atmospheric and Topographic correction (Software)
ATKIS Amtlich Topographisch-Kartographisches Informationssystem
AVNIR-2 Advanced Visible and Near Infrared Radiometer - Type 2
BG Beschirmungsgrad
BI Birke
BMBF Bundesministerium für Bildung und Forschung
BMFT Bundesministerium für Forschung und Technologie
BS Bestandesschluss
BTNT Biotoptypen und Nutzungstypen
BU Buche
CCD Charge-Coupled Devices
CIR Color-Infrarot
CLC CORINE LandCover
CORINE Coordination of Information on the Environment
DARA Deutsche Agentur für Raumfahrtangelegenheiten e.V.
DB Datenbank
DDR Deutsche Demokratische Republik
DFVLR Deutsche Forschungs- u. Versuchsanstalt für Luft- u. Raumfahrt (seit 1988: DLR)
DGM Digitales Geländemodell
DHM Digitales Höhenmodell
DLR Deutsches Zentrum für Luft- und Raumfahrt
DN Digital Number
DOM Digitales Oberflächenmodell
DPA Digital Photogrammetric Assembly (Flugzeugscanner)
DSWF Datenspeicher Wald(fond)
EARSeL European Association of Remote Sensing Laboratories
EI Eiche
EOS AM1 Earth Observing System - AM1
ER Erle
ERDAS Earth Resources Data Analysis System
EROS Earth Resources Observation Satellite
ERS European Remote-Sensing Satellite
EARSeL European Association of Remote Sensing Laboratories
ERTS Earth Resources Technology Satellite
ETM+ Enhanced Thematic Mapper Plus
ETRS89 European Terrestrial Reference System 1989
FESA Forsteinrichtungssystem Sachsen
FGIS Forstliches Geographisches Informationssystem (Sachsen)
FGK Forstgrundkarte
FI Fichte
FLA Forstliche Landesanstalt (Sachsen-Anhalt)
FoA Forstamt
FS Flächenschadstufe
GAF Gesellschaft für Angewandte Fernerkundung mbH
GIS Geographisches Informationssystem, Geo-Informationssystem
GW Grauwert
ha Hektar
HKT, HK Hauptkomponententransformation, Hauptkomponente
HRG Haute Résolution Géométrique, High Resolution Geometry
HRSC-A High Resolution Stereo Camera - Aerborne
HRV Haute Résolution Visible, High Resolution Visible
HRVIR Haute Résolution Visible et Infra-Rouge, High Resolution Visible and Infrared (Sensor)
IHS Intensity - Hue - Saturation
IR Infrarot
IRS Indian Remote Sensing Satellite
Abkürzungsverzeichnis
14
ISODATA Iterative Self-Organizing Data Analysis Technique
KI Kiefer
km Kilometer
LA Lärche
LAF (Sächsische) Landesanstalt für Forsten
LANDSAT Land (Remote Sensing) Satellite
LAOE Large Area Operational Experiment (for Forest Damage Monitoring in Europe using Satellite
Remote Sensing)
LAU Landesamt für Umweltschutz (Sachsen-Anhalt)
LH Laubholz
LISS Linear Imaging Self Scanning Sensor
LN Laub-Nadel
m Meter
MIR Medium Infrared / Mittleres Infrarot
MIR (russische Raumstation)
ML Maximum-Likelihood
mm Millimeter
MOMS Modularer Opto-elektronischer Multispektral-Scanner
ms multispektral
MSS Multispectral Scanner
m3Kubikmeter
NDVI Normalized Difference Vegetation Index
NIR Near Infrared / Nahes Infrarot
NL Nadel-Laub-Holz
NN Normal Null
NOxStickoxide
OFULSA Operationalisierung von Fernerkundungsdaten für die Umweltverwaltung
des Landes Sachsen-Anhalt
pan panchromatisch
PAN Panchromatic Sensor (System: IRS-1C/1D)
PCA Principal Component Analysis
PCS Principal Component Substitution
PRIRODA („Natur“; Multisensor-Forschungsmodul der MIR-Station)
PRISM Panchromatic Remote-Sensing Instrument for Stereo Mapping
RD Rasterdaten
RGB Rot - Grün - Blau
RMS Root Mean Square
RSG Remote Sensing Software Package Graz
S Schwellenwert
SML Spatial Modeler Language
SML Sächsisches Staatsministerium für Landwirtschaft, Ernährung und Forsten
SMUL Sächsisches Staatsministerium für Umwelt und Landwirtschaft (seit 1998)
SN-6 Spektrozonalfilm (6 Schichten)
SO2Schwefeldioxid
SPOT Système Probatoire d’Observation de la Terre
TK (N) Topographische Karte (Normalausgabe)
TM Thematic Mapper
TU Technische Universität
UG Untersuchungsgebiet
US United States
VDI Verein Deutscher Ingenieure
VIS Visible
WAAC Wide Angle Airborne Camera
WAOSS Wide Angle Optical Stereo Sensor
WiFS Wide Field Sensor
WZE Waldzustandserhebung
°C Grad Celsius
mgMikrogramm
& und
% Prozent
Abbildungsverzeichnis
15
Abbildungsverzeichnis
Abb. 1: Einflussfaktoren für „Operationalität“....................................................................... 26
Abb. 2: Übersicht der Immissionsschadzonen 1990 und 1998 im Freistaat Sachsen.......... 28
Abb. 3: Aufbau des Forstlichen Geo-Informationssystems Sachsen - FGIS........................ 40
Abb. 4: Moderne optische Satellitensysteme und -sensoren - räumliche Auflösung und
Aufnahmestreifenbreite ............................................................................................... 46
Abb. 5: Lage der Untersuchungsgebiete - Übersicht........................................................... 47
Abb. 6: Lage der Untersuchungsgebiete Dübener Heide und Erzgebirge im Freistaat
Sachsen ...................................................................................................................... 48
Abb. 7: Klimastufen im Erzgebirge - Lage der Testgebiete und Testfenster im
Untersuchungsgebiet................................................................................................... 49
Abb. 8: Baumartenverteilung nach Baumartengruppen im Erzgebirge................................ 50
Abb. 9: Forstliche Wuchsgebiete und Wuchsbezirke in Sachsen-Anhalt - Lage des
Untersuchungsgebiets Nedlitz ..................................................................................... 54
Abb. 10: Baumartenverteilung nach Baumartengruppen im Forstamt Nedlitz ..................... 55
Abb. 11: Streifungen in systemkorrigierten panchromatischen IRS-1C-Daten..................... 59
Abb. 12: Überstrahlungseffekte in kontrastreichen Bildbereichen in panchromatischen
SPOT2-Daten.............................................................................................................. 60
Abb. 13: Ermittlung gleicher Grauwerte von Bildpunkten benachbarter Scanzeilen in
systemkorrigierten LANDSAT5-TM-Daten................................................................... 61
Abb. 14: Hierarchie der FESA-Datenbank (Sachsen) ......................................................... 63
Abb. 15: Reliefbedingter Lageversatz von Bildpunkten in Scanneraufnahmen.................... 71
Abb. 16: Geometrische Korrektur - Schema der parametrischen Modellbildung.................. 72
Abb. 17: Geokodierte PAN-Szene (IRS-1C) mit überlagerter Grundrissebene der
digitalen TK10 (RD10)................................................................................................. 73
Abb. 18: Ablaufschema der topographischen Normalisierung............................................. 76
Abb. 19: Topographische Normalisierung von multispektralen SPOT4-Daten..................... 77
Abb. 20: IRS-1C-Daten: Ausgangsdaten und Fusionsdaten ............................................... 79
Abb. 21: Kategorisierung von Image fusion nach Prozessierungsstufen............................. 80
Abb. 22: Mono- und multitemporale Image Fusion.............................................................. 85
Abb. 23: Fusionierung - „Bildfehler" aufgrund von Veränderungen...................................... 85
Abb. 24: Wiedergabe von Waldflächen in Hauptkomponenten (1.HK, 2.HK) nach
standardisierter und waldoptimierter Transformation ................................................... 89
Abb. 25: Ableitung von Varianz-Kanälen auf Basis von hochauflösenden
panchromatischen IRS-1C-Daten................................................................................ 92
Abb. 26: CIR-Luftbildauswertung im Erzgebirge: Testgebiete - Testfenster -
Referenzflächendelinierung......................................................................................... 93
Abb. 27: Aufnahmeblatt für terrestrische Erhebungen: Bestandes- und
Geländeparameter....................................................................................................... 94
Abb. 28: CIR-Luftbildausschnitte - Testfenster im Testgebiet Marienberg........................... 95
Abbildungsverzeichnis
16
Abb. 29: Fusionierte Satellitenbilddaten mit überlagerten Geometrien der digitalen
Forstgrundkarte 1 : 5 000 ............................................................................................ 99
Abb. 30: Aufbau der Projektdatenbanken - Untersuchungsgebiete Erzgebirge und
Dübener Heide .......................................................................................................... 100
Abb. 31: Strukturierungsansatz der forstlichen Objektarten nach Ebenen......................... 107
Abb. 32: Auszug aus dem OFULSA - Objektartenkatalog ................................................. 109
Abb. 33: Objektarten und Objektartenkomplexe - visuelle Interpretation ........................... 110
Abb. 34: Prinzip möglicher Zuordnungen von Objektarten und Objektartenkomplexen ..... 110
Abb. 35: Satellitenbildprodukte und Interpretationsklassen (A) ......................................... 116
Abb. 36: Satellitenbildprodukte und Interpretationsklassen (B) ......................................... 117
Abb. 37: Lokalisierung von Veränderungsflächen: Abnahme des Bestandesschlusses .... 120
Abb. 38: Verkettung von Methoden und Verfahren innerhalb eines Modells
(ERDAS IMAGINE).................................................................................................... 122
Abb. 39: Modellierung und Dokumentation des Satellitendatenauswertungsprozesses -
das Grundprinzip ....................................................................................................... 123
Abb. 40: Überlagerung von gepufferten Forstamtsgeometrien und fusionierten IRS-1C-
Daten zur visuellen Endselektion von Referenzflächen.............................................. 125
Abb. 41: Verknüpfung der Satellitenbilddaten mit den Projektdatenbanken - Selektion
von Trainings- bzw. Referenzgebieten....................................................................... 126
Abb. 42: Kiefernbestände - Abhängigkeit der mittleren Grauwerte in den IR-Kanälen
(TM4, TM5) von Bestandesalter und Bestandesschluss (geschlossen, locker).......... 129
Abb. 43: Verdeutlichung der Kronentransparenz der Kiefer durch Unterlegen eines
weißen Tuches .......................................................................................................... 129
Abb. 44: Darstellung der mittleren Grauwerte von verschiedenen Baumarten (-gruppen)
für die IR-Kanäle TM4 und TM5................................................................................. 130
Abb. 45: Kiefernbestände - Abhängigkeit der mittleren Grauwerte im Ratio-Kanal
TM4/TM5 von Bestandesschluss und Bestandesalter................................................ 133
Abb. 46: Fichtenbestände - Abhängigkeit der mittleren Grauwerte in den IR-Kanälen
(HRVIR3, HRVIR4) und im Ratio-Kanal (HRVIR3/HRVIR4) vom
Beschirmungsgrad..................................................................................................... 134
Abb. 47: Stark aufgelichteter, räumdiger Buchenbestand (Altholz).................................... 135
Abb. 48: Laubholzbestände - Darstellung der mittleren Grauwerte und spektralen
Varianzen von Laubholzbeständen unterschiedlichen Alters und
Bestandesschlusses für den IR-Kanal TM4 und den Varianz-Kanal / IRS-PAN ......... 136
Abb. 49: Aufgelockerte Kiefernbestände im Baumholzstadium ......................................... 137
Abb. 50: Zweischichtige Kiefernbestände - Abhängigkeit der mittleren Grauwerte im
Kanal TM4 von Bestandesschluss (Oberstand, Unterstand) und Unterstandshöhe ... 137
Abb. 51: Darstellung der mittleren Grauwerte von ein- und zweischichtigen
Kiefernbeständen, Lärchen- und Nadel-Laub-Mischbeständen für die Kanäle TM4
und TM5 .................................................................................................................... 138
Abb. 52: Abhängigkeit der mittleren Grauwerte in den IR-Kanälen (HRVIR3, HRVIR4)
und im Ratio-Kanal vom Nadelverlust in Fichtenbeständen ....................................... 141
Abb. 53: Darstellung der mittleren Grauwerte von geschlossenen Fichtenbeständen der
Flächenschadstufen 0, 1, 2 und 3 für die IR-Kanäle (HRVIR3, HRVIR4) ................... 141
Abbildungsverzeichnis
17
Abb. 54: Darstellung der mittleren Grauwerte von vitalen und stark geschädigten
geschlossenen Fichtenbeständen gleicher Wuchsklassen für die Kanäle HRVIR3
und HRVIR4 .............................................................................................................. 142
Abb. 55: Waldstrukturklassifizierung „Dübener Heide“ - Schema des
Verfahrensansatzes................................................................................................... 143
Abb. 56: Vergleich von fusionierten Satellitenbilddaten mit TK10 (Vegetations-Layer) -
Lokalisierung von Aktualitätsdefiziten ........................................................................ 145
Abb. 57: Thematische Grobmaske „Holzbodenfläche und Vegetations-Layer“ (FGIS,
TK10) - Kategorienbildung zur Ableitung von Bereichen mit unterschiedlichen
kartographischen Abgrenzungskriterien/-genauigkeiten von Wäldern........................ 146
Abb. 58: Verbesserung der Separierung von Wald und baumbestockten Flächen............ 147
Abb. 59: Maskierung von SPOT4-Daten ........................................................................... 148
Abb. 60: Verbesserung der Maske „Wald / baumbestockte Fläche“ durch Einbindung
von extrahierten Wegen und Schneisen .................................................................... 149
Abb. 61: Ablaufschema der Waldmaskengenerierung (UG Dübener Heide) ..................... 150
Abb. 62: Grauwertbezogene Separierung von Bildinformationen mittels Hysterese-
Schwellenwertverfahren ............................................................................................ 151
Abb. 63: Hierarchische Klassifizierung „Dübener Heide“ - Klassen, Verfahren der
Vorklassifizierung ...................................................................................................... 154
Abb. 64: Zwischenergebnis der Waldstrukturklassifizierung „Dübener Heide“
(Teilausschnitt).......................................................................................................... 156
Abb. 65: Hierarchische Klassifizierung „Erzgebirge“ - Klassen, Verfahren der
Vorklassifizierung ...................................................................................................... 157
Abb. 66: Kombinierte Linien- und Kantendetektion zur Erfassung von linienhaften
hellen Objekten in panchromatischen Satellitenbilddaten - das Grundprinzip ............ 161
Abb. 67: Ermittlung von Wegen und Schneisen auf Basis extrahierter Linien -
Ablaufschema............................................................................................................ 163
Abb. 68: Automatische Linienextraktion und Erfassung von Wegen und Schneisen
(„Kandidaten“) in panchromatischen IRS-Daten - ausgewählte Zwischenschritte ...... 164
Abb. 69: Automatische Kantenextraktion und Erfassung von Wegen und Schneisen
(„Kandidaten“) in panchromatischen IRS-Daten - ausgewählte Zwischenschritte ...... 165
Abb. 70: Ergebnis der automatischen Erfassung von Wegen und Schneisen ................... 166
Abb. 71: Einbindung der linien- und kantenbasierten Segmentierung im
Klassifizierungsprozess - vereinfachtes Ablaufschema.............................................. 167
Abb. 72: Regionenbasierte Segmentierung - Ablaufschema............................................. 170
Abb. 73: Ergebnisse der regionenbasierten Segmentierung - Teilausschnitt..................... 171
Abb. 74: Verknüpfung der Ergebnisse von Segmentierung und hierarchischer
Klassifizierung im Rahmen der Nachklassifizierung - das Prinzip (Fallbeispiele) ....... 173
Abb. 75: Regelbasierte stufenweise Verknüpfung von Segmenten und hierarchischer
Klassifizierung (Teil A)............................................................................................... 175
Abb. 76: Klassifizierung von gepufferten Waldrandbereichen ........................................... 177
Abb. 77: Regelbasierte stufenweise Verknüpfung von Segmenten und hierarchischer
Klassifizierung (Teil B)............................................................................................... 178
Abb. 78: Waldstrukturklassifizierung „Dübener Heide“ ...................................................... 179
Abbildungsverzeichnis
18
Abb. 79: Ergebnis der Waldstrukturklassifizierung „Erzgebirge" -
Ausschnittvergrößerungen......................................................................................... 180
Abb. 80: Waldschadenskartierung - Ablaufschema der Satellitendatenauswertung .......... 183
Abb. 81: Waldschadenskartierung - Zwischenergebnis der Satellitendatenauswertung
(Ausschnitt) ............................................................................................................... 184
Abb. 82: Hauptkomponententransformation eines multitemporalen Kanalpaares -
Beispiel: NDVI ........................................................................................................... 188
Abb. 83: Ablaufschema der automatischen Kartierung von potenziellen
Veränderungsflächen................................................................................................. 190
Abb. 84: Lokalisierung von potenziellen Veränderungsflächen: Ergebnis der
automatisierten Kartierung......................................................................................... 192
Abb. 85: Beispiel für die Pufferung der Klassifizierungsergebnisse................................... 194
Abb. 86: Prinzip der Verwechselungsmatrix...................................................................... 195
Abb. 87: Verifizierung von Klassifizierungsergebnissen unter Einbeziehung von
Forsteinrichtungsdaten - Schema zur Bestimmung der Zuweisungsgenauigkeiten.... 196
Abb. 88: Überlagerung von Fusionsbildprodukten mit Forstgrundkarten zur visuellen
Erfassung von „Grenzen“ und Lagefehlern ................................................................ 211
Abb. 89: Verfahrensablauf zur Herstellung der Satellitenbildkarte 1 : 10 000 .................... 213
Abb. 90: Satellitenbildkarte 1 : 10 000............................................................................... 213
Abb. 91: Baumartenkarte 1 : 10 000 (Standardforstkartenwerk)........................................ 215
Abb. 92: Waldstrukturkarte 1 : 10 000 - Darstellung mit Topographischer Karte TK10...... 216
Abb. 93: Waldstrukturkarte 1 : 10 000 - Darstellung mit Waldeinteilungsnetz.................... 217
Abb. 94: Waldstrukturkarte 1 : 10 000 - Kombination von Klassifizierungsergebnissen
und Forsteinrichtungsdaten ....................................................................................... 219
Abb. 95: Waldzustandskarte 1 : 25 000............................................................................. 221
Abb. 96: Revierweise Regionalisierung der Kartierungsergebnisse .................................. 224
Abb. 97: Gemarkungsgetreue Regionalisierung der Kartierungsergebnisse ..................... 225
Abb. 98: Klassenauswahl und Datengrundlage für die flexible Schadzonierung................ 226
Abb. 99: Ergebnis der flexiblen Schadzonierung............................................................... 226
Abb. 100: Lokalisierung von potenziellen Veränderungsflächen - interaktive
Nachbearbeitung und Einbindung von Fachinformationen......................................... 228
Abb. 101: Lokalisierung von potenziellen Veränderungsflächen - Ergebnis der hybriden
Kartierung „Abnahme des Bestandesschlusses“........................................................ 229
Tabellenverzeichnis
19
Tabellenverzeichnis
Tab. 1: Flächenschadstufen nach FÖRSTER (FÖRSTER 1989).............................................. 35
Tab. 2: Zuordnung von Satellitensensoren zu geeigneten Darstellungsmaßstäben auf
Basis von kartographischen Anforderungen und Erfahrungswerten............................. 38
Tab. 3: Ausgewählte Parameter der verwendeten Satellitensysteme und -sensoren .......... 43
Tab. 4: Moderne optische Satellitensysteme und -sensoren - eine Auswahl gestarteter
und geplanter Missionen.............................................................................................. 45
Tab. 5: Waldeigentumsformen in den Bundesländern Sachsen und Sachsen-Anhalt ......... 47
Tab. 6: Kriterien der Schadstufenbildung der DDR ............................................................. 51
Tab. 7: Kriterien der Schadzonenbildung der DDR ............................................................. 51
Tab. 8: Baumartenstruktur nach Bestandeszustandstypen im Untersuchungsgebiet
Dübener Heide ............................................................................................................ 53
Tab. 9: Verwendete Satellitenszenen - atmosphärische Beeinträchtigungen und
Gebietsabdeckungen................................................................................................... 58
Tab. 10: Erzielte Genauigkeiten bei der geometrischen Korrektur ...................................... 73
Tab. 11: Hauptkomponententransformation: Eigenvektoren der Transformierten für
standardisiertes und waldoptimiertes Verfahren .......................................................... 89
Tab. 12: Im Gelände erfasste Parameter für die Schadauswertung (Baumart Fichte)......... 95
Tab. 13: Beschirmungsgradklassen.................................................................................... 97
Tab. 14: Nährkraftstufen in Sachsen................................................................................... 98
Tab. 15: Bodenfeuchtestufen in Sachsen............................................................................ 98
Tab. 16: Begriffsbeschreibungen des Objektes „Wald“ ..................................................... 103
Tab. 17: Biotoptypen- und Nutzungstypenkartierung (BTNT): Struktureinheiten und
Biotoptypen der Kartiereinheit „Wald“ - Typisierungsmerkmale.................................. 105
Tab. 18: Parameter und Merkmale zur Strukturierung des Objektartenkatalogs „Wälder“. 108
Tab. 19: Interpretationskriterien zur Erfassung von forstlichen Objekten in hoch
aufgelösten Satellitenbildprodukten........................................................................... 112
Tab. 20: Visuelle Interpretation - Objektartenkomplexe (Interpretationsklassen)............... 114
Tab. 21: Abgrenzbarkeit / Lokalisierbarkeit von sonstigen forstplanungsrelevanten
Objekten / Merkmalen in Bildprodukten fusionierter Satellitendaten .......................... 118
Tab. 22: Waldstrukturklassifizierung Dübener Heide - Klassifizierungsschlüssel............... 139
Tab. 23: Waldstrukturklassifizierung Erzgebirge - Klassifizierungsschlüssel ..................... 139
Tab. 24: Stratifizierung der Auswertungsfläche für die Waldschadenskartierung -
Festlegung der a-priori-Wahrscheinlichkeiten............................................................ 182
Tab. 25: Kategorisierung der 2. Hauptkomponente auf Basis statistischer Maße.............. 189
Tab. 26: Prozentuale Klassifizierungsgenauigkeit nach Bestandestypen - Nutzersicht ..... 198
Tab. 27: Prozentuale Klassifizierungsgenauigkeit nach Bestandestypen -
Herstellersicht............................................................................................................ 198
Tab. 28: Klassifizierungsgenauigkeit von Bestandestypen in Abhängigkeit von der
Bestandesgröße........................................................................................................ 200
Tabellenverzeichnis
20
Tab. 29: Klassifizierungsgenauigkeit nach Hauptbaumarten (1. Baumart im Oberstand) .. 200
Tab. 30: Die Klasse „Mischwald“ - bestandesstrukturelle Ursachen für die Zuweisung ..... 201
Tab. 31: Mischungsform der 2. Baumart der als Mischwald klassifizierten Bestände ........ 201
Tab. 32: Erfassungsgenauigkeit von automatisch erfassten Bestandes- und
Abteilungsgrenzen..................................................................................................... 203
Tab. 33: Genauigkeit der Bestandesstrukturklassifizierung - Nutzersicht .......................... 204
Tab. 34: Prozentuale Klassifizierungsgenauigkeit nach Wuchsklassen bei der Baumart
Fichte (geschlossen) - Nutzersicht............................................................................. 205
Tab. 35: Prozentuale Klassifizierungsgenauigkeit nach Beschirmungsgrad (BG) bei der
Baumart Fichte.......................................................................................................... 205
Tab. 36: Vergleich der Bestandesschadstufen aus der CIR-Luftbildauswertung und der
Satellitenbildklassifizierung - Nutzersicht ................................................................... 207
Tab. 37: Mittlerer Flächenanteil mit deutlichen Schäden - Festlegung der
Berechnungsgrundlage für Regionalisierungen ......................................................... 222
Tab. 38: Kosten für Satellitenszenen: Standardprodukte, Archiv / radiometrische,
geometrische Vorprozessierung (Stand 2001)........................................................... 231
Tab. 39: Arbeitsaufwand für die rechnergestützte Herstellung von
Satellitenbildkarten 1 : 10 000.................................................................................... 232
Tab. 40: Arbeitsaufwand für die Waldstrukturklassifizierung „Dübener Heide“ .................. 233
Tab. 41: Arbeitsaufwand für die Waldstrukturklassifizierung „Erzgebirge“......................... 234
Tab. 42: Arbeitsaufwand für die Waldschadenskartierung „Erzgebirge“ ............................ 236
Tab. 43: Arbeitsaufwand für die Kartierung von potenziellen Veränderungsflächen .......... 237
Kapitel 1: Einleitung
21
1 Einleitung
Die Forstwirtschaft benötigt detaillierte Flächeninformationen über große Areale und ist tradi-
tionell eines der wichtigsten Anwendungsgebiete der Fernerkundung. Seit langem werden
analoge Luftbilder operationell genutzt.
Die Nutzbarmachung der Satellitenfernerkundung erfordert zunächst einen hohen For-
schungsaufwand für die Entwicklung von Sensoren, Datenprozessierungs- und Auswer-
tungsverfahren. Diese grundlegenden Arbeiten bedingen einander und treiben das technolo-
gische Niveau stetig voran. Auf verschiedenen Anwendungsfeldern bleibt jedoch der
Praxiseinsatz von Satellitenfernerkundung hinter den technischen Möglichkeiten zurück, da
eine Praxisreife oftmals nicht erreicht ist. Ein unzureichender Wissenstransfer oder Akzep-
tanzprobleme seitens potenzieller Nutzergruppen können weitere Hürden darstellen. Dies gilt
in besonderem Maße für die Forstwirtschaft.
Die vorliegende Arbeit soll dazu beitragen, die „Lücke“ zwischen Technologieentwicklung
und praktischer Anwendung weiter zu schließen und planungsrelevante Nutzungsmöglich-
keiten sowie Grenzen der Satellitenfernerkundung für forstliche Zwecke aufzuzeigen. Im
Mittelpunkt stehen vorrangig die Anforderungen des forstlichen Anwenders. Es ist in dieser
Arbeit kein primäres Anliegen, den neuesten technologischen Forschungsstand weiter voran-
zutreiben. Vielmehr sollen „bekannte“ Fernerkundungsmethoden aufgegriffen und praktikab-
len Lösungen zugeführt werden. Dabei handelt es sich keineswegs um eine triviale Aufga-
benstellung, vielmehr ergeben sich aus der Notwendigkeit, eine komplexe Technologie an
ein äußerst komplexes Aufgabenfeld (Ökologie, Planung, Forstwirtschaft) anzupassen, zahl-
reiche wissenschaftliche Herausforderungen, zumal sich auch die Randbedingungen (z.B.
„Stand der Technik“ auf anderen Feldern) laufend ändern. Die thematischen Schwerpunkte
werden aus der Grundproblematik (Kap. 1.1) sowie den speziellen Rahmenbedingungen
(Kap. 1.2) gebildet und konkrete Zielsetzungen abgeleitet (Kap. 2).
1.1 Grundproblematik
Schon frühzeitig wurden die Vorzüge von Luftbildern in der Forstwirtschaft erkannt und Aus-
wertungsverfahren entwickelt. Besonders in den mitteleuropäischen Ländern mit ihren fein
strukturierten und kleinflächigen, zumeist intensiv bewirtschafteten Wäldern ist die luftbildge-
stützte Erfassung forstlicher Parameter im Rahmen von Inventuren heute operationell.
Beginnend mit dem Start von LANDSAT4 (1982) wurde auch die Satellitenfernerkundung für
forstliche Anwendungen im mitteleuropäischen Raum interessanter. Mit den Aufnahmesys-
temen der „zweiten Generation“, deren optische Sensoren im Vergleich zu vorangegangenen
Missionen über verbesserte Eigenschaften verfügten, wurden Untersuchungen zu Wald-
klassifizierungen, zur flächenhaften Erfassung des Vitalitätszustandes von Waldbeständen
(„Klassische“ Rauchschäden, Neuartige Waldschäden) und zur Kartierung von weiteren abi-
otischen sowie biotischen Schäden (Sturmwurf, Insektenkalamitäten) durchgeführt. Sowohl
Inventur- als auch Monitoringaspekte standen hierbei im Mittelpunkt. Die Nutzung operatio-
neller Radar-Systeme (u.a. ERS - European Remote-Sensing Satellite), deren besondere
Vorteile in der wetterunabhängigen Erdbeobachtung liegen, hat sich hingegen für detaillierte
Walduntersuchungen als schwierig oder wenig ergiebig erwiesen. Der Sensor Thematic
Mapper (TM) der LANDSAT-Satelliten erwies sich als besonders geeignet für die meisten
Wald- bzw. Vegetationsuntersuchungen. Als Manko galt vor allem die räumliche Auflösung
der Daten (TM-Pixel: 30 m x 30 m). Der Einsatz der Satellitenfernerkundung war weitgehend
auf großflächige Kartierungen im Zielmaßstab 1 : 50 000 und kleiner beschränkt. Für die
Mehrzahl der forstlichen Fragestellungen werden jedoch Flächeninformationen in größeren
Maßstäben und in höherer Genauigkeit benötigt, die weiterhin nahezu ausschließlich durch
arbeitsintensive terrestrische und luftbildgestützte Verfahren erfasst werden. Trotz vieler
Vorzüge der Satellitenfernerkundung haben Daten bzw. Auswertemethoden in Deutschland
zunächst noch keinen festen Platz in der forstlichen Inventur- und Planungspraxis gefunden.
Kapitel 1: Einleitung
22
Seit Mitte der 90er Jahre verspricht eine zunehmende Anzahl moderner Satellitensysteme
eine grundlegende Veränderung auf dem Gebiet der Fernerkundung. Mit dem Start der bau-
gleichen indischen Satelliten IRS-1C und IRS-1D (Start: 1995, 1997) können erstmals hoch
aufgelöste operationelle Sensoren (4 m - 10 m) für zivile Zwecke genutzt werden. Mit Inbe-
triebnahme von IKONOS 2 (Start: 12/1999) als erstem Vertreter der „dritten Generation" ste-
hen zusätzlich höchstauflösende kommerzielle Satellitensysteme (< 4 m) zur Verfügung,
deren Entwicklung auf Spionagesatelliten zurückgeht. Bewährte Programme werden zudem
mit modernisierten Systemen weitergeführt (u.a. SPOT). Besonders die deutlich verbesserte
räumliche Auflösung der Systeme weckt hohe Erwartungen, verfeinerte Informationen abzu-
leiten, die einerseits den hohen Genauigkeitsanforderungen der forstlichen Planungspraxis
genügen und andererseits ökonomische Vorteile gegenüber konventionellen Erfassungs-
und Überwachungsverfahren eröffnen. So ist von besonderem Interesse, die Daten auch für
solche forstlichen Planungsebenen verstärkt einzusetzen, in denen vorwiegend Luftbilder
ausgewertet werden (v.a. Forsteinrichtung). Das potenzielle Einsatzspektrum von Satelliten-
bilddaten und deren Konkurrenzfähigkeit zu terrestrischen oder luftbildgestützten Alternati-
ven sind folglich neu auszuloten. Die automatische Extraktion von Bildinformationen erfordert
die Anpassung und die Neuentwicklung von Auswerteverfahren.
Zur Unterstützung der forstbehördlichen Aufgaben wird bundesweit der Aufbau von forstli-
chen (Geo-) Informationssystemen vorangetrieben. Zudem erfolgt die Umstellung von der
analogen auf die rechnergestützte digitale Erstellung von Forstkartenwerken. Fachplanungs-
übergreifend ist dabei ein sich beschleunigender Prozess des methodisch-technologischen
Zusammenwachsens von GIS und Fernerkundung zu beobachten. Zwangsläufig erhöht sich
damit einerseits das Nutzungspotenzial von Satellitenbildern für die Laufendhaltung und Er-
gänzung von Fachinformationen; andererseits eröffnen sich neue Möglichkeiten, GIS-Daten
in den Auswertungsprozess von Satellitenbilddaten einzubinden.
In den Neuen Bundesländern sind die Forsteinrichtungsdatenbanken der Landesforstver-
waltungen Weiterentwicklungen des Datenspeicher Waldfonds (DSWF) der Forstwirtschaft
der DDR mit einheitlichen, sehr differenzierten und detailreichen Informationen über den Ge-
samtwald. Seit Anfang der 90er Jahre wird von den Landesforstverwaltungen die klassische
terrestrische Forsteinrichtung in erster Linie für den Landes- und Körperschaftswald (z.T.
auch Kirchenwald) durchgeführt. Die Forsteinrichtungsdaten für Privatwälder werden nicht
mehr aktualisiert und veralten stetig. Es entsteht folglich ein Informationsdefizit der Verwal-
tungen zur Wahrnehmung ihrer forstpolitischen sowie gesetzlich verankerten Betreuungs-
aufgaben für den Privatwald. Vor diesem Hintergrund bietet sich die Fernerkundung zur be-
sitzübergreifenden Gewinnung aktueller Daten an.
Neben der Verfolgung rein bzw. vorwiegend wissenschaftlicher Zielsetzungen erwartet die
interessierte Öffentlichkeit von der Satellitenfernerkundung als Disziplin auch praktisch und
wirtschaftlich verwertbare Resultate in Form von verkäuflicher Inventurtechnologie, Daten-
sätzen und operationellen Auswertungsmethoden. Die Schwelle der Operationalität wurde
auf diesem Gebiet der angewandten Forschung jedoch aus verschiedenen Gründen lange
Zeit nur sektoral (z. B. Wettersatelliten) oder überaus zögerlich (z.B. Forstwirtschaft, Land-
schaftsplanung / Naturschutz) überwunden. Anwendungen ließen oftmals eine ausreichende
Praxisnähe vermissen, die in einem unzureichenden Austausch zwischen Nutzergruppen
und Forschung / Wissenschaft (Formulierung von Anforderungen und Ziele, Wissenstransfer,
Akzeptanz neuer Methoden) begründet lagen. Fernerkundung werde von der Forschung zu
sehr als Selbstzweck betrieben („remote sensing for remote sensing“), statt sie als interdiszi-
plinäre Dienstleistung voranzutreiben, war seitens potenzieller Nutzer in Wirtschaft und
Verwaltungen eine zunehmend ernsthafte Kritik an allzu technologie-lastigen Forschungs-
programmen.
Seit Mitte der 90er Jahre wurden daher seitens des Bundesministeriums für Bildung und
Forschung (BMBF) und seinen nachgeordneten Projektträgern Anstrengungen unternom-
men, diesbezüglich eine Wende zu erreichen. So wurden verschiedene Programme zur an-
gewandten und anwendungsfördernden Forschung aufgelegt, in denen „Endnutzer“ stärker
Kapitel 1: Einleitung
23
eingebunden wurden. Die Antragsteller, i.d.R. Wirtschaftsunternehmen oder Verwaltungen,
beteiligen sich an den Kosten und zeigen damit an den Forschungsergebnissen ein essen-
zielles Interesse. Mit projektbezogenen Koalitionen, insbesondere aus Nutzern und For-
schungseinrichtungen, wird eine verbesserte Nutzbarmachung von Fernerkundungsdaten
angestrebt.
1.2 Rahmenbedingungen für die Untersuchungen
Die Untersuchungen für die vorliegende Arbeit waren in zwei Forschungsprojekten an der
TU Berlin eingebunden. Es handelte sich um anwendungsorientierte Vorhaben, die den zu-
vor genannten Förderzielen entsprachen.
Eine Serie von BMBF-mitfinanzierten Forschungsprojekten (Projektträger: Deutsches Zen-
trum für Luft- und Raumfahrt - DLR) sollte die operationelle Nutzbarkeit von modernen bzw.
hochauflösenden Daten exemplarisch untersuchen. Das Anwendungsfeld der Forstwirtschaft
wurde unter anderem im Pilotprojekt
Verbessertes Waldzustandsmonitoring mit MOMS-Priroda-Daten
(Laufzeit: 04/1997 bis 10/2000, DLR-Förderzeichen: 50EE9628)
bearbeitet. Dieses Vorhaben (nachfolgend: MOMSSA-Projekt) wurde in enger Kooperation
zwischen der Sächsischen Landesanstalt für Forsten (LAF) in Graupa und der TU Berlin -
Institut für Landschafts- und Umweltplanung (vormals: Institut für Landschaftsentwicklung),
Fachgebiet Landschaftsplanung, insbesondere Landschaftspflege und Naturschutz - durch-
geführt. Die Arbeitsschwerpunkte der TU Berlin lagen vorrangig auf den konzeptionellen Ar-
beiten und den Verfahrensentwicklungen zur GIS-gestützten Auswertung der Satellitenbilder.
Die benötigten Daten sollten durch den Einsatz des räumlich hochauflösenden und stereofä-
higen MOMS-2P-Sensors (Modularer Optoelektronischer Multispektral-Scanner) gewonnen
werden, der im Rahmen der PRIRODA-Mission auf der damaligen russischen Weltraumsta-
tion MIR installiert war. Technische Probleme auf der MIR-Station bedingten, dass erst ab
Sommer 1999 für die sächsischen Testgebiete MOMS-Daten zur Verfügung standen, die
jedoch wegen ihres hohen Bewölkungsanteils nicht verwendbar waren. Um dennoch die
Entwicklung von verbesserten Verfahren unter Verwendung von hochauflösenden Ferner-
kundungsdaten im Rahmen der Projektlaufzeit zu gewährleisten, wurde auf andere moderne
Satellitensysteme zurückgegriffen (IRS-1C, SPOT4) sowie Daten herkömmlicher Systeme
herangezogen (LANDSAT5, SPOT2). Die anwendungsorientierte Konzeption der so ge-
nannten „MOMS-Projekte“ des DLR erlaubte dieses pragmatische Abweichen vom eigentlich
vorgegebenen Sensor.
Der arbeitsteilige Auswertungsprozess zwischen den Projektpartnern macht die Einbindung
von gemeinsam erarbeiteten oder „externen" Ergebnissen in die vorliegende Arbeit zwingend
erforderlich. Diese werden an entsprechender Stelle genannt. Der Abschlussbericht ist in der
Schriftenreihe der LAF veröffentlicht (COENRADIE et al. 2003).
Im BMBF-mitfinanzierten Verbundprojekt
Operationalisierung von Fernerkundungsdaten
für die Umweltverwaltung des Landes Sachsen-Anhalt - OFULSA
(Laufzeit: 08/1999 bis 10/2002, Projektträger: DLR)
nahmen sieben Projektpartner aus Forschung und Wirtschaft teil. Die Gesamtleitung des
Projektes lag im Landesamt für Umweltschutz (LAU) des Landes Sachsen-Anhalt. Eine
Grundidee des Projektes war es, potenzielle Endanwender in der Umweltverwaltung bei ihrer
praxisorientierten Nutzung von Fernerkundungsdaten zu unterstützen bzw. zu leiten. Im
Rahmen einer interdisziplinären Zusammenarbeit der beteiligen Wissenschaftler und Ingeni-
eure wurde hierzu eine Konzeption und Systematik entwickelt. Eine sowohl planungsrele-
vante wie auch fernerkundungsgerechte Definition von Objektarten und eine klar strukturierte
fachplanungsübergreifende Nomenklatur stellten in diesem Zusammenhang einen ersten
Kapitel 1: Einleitung
24
wichtigen Schritt dar (Objektartenkatalog). Eine Aufsplittung des Auswertungsprozesses in
Methoden und Verfahren für die Herstellung von Produkten bzw. die Beantwortung konkreter
fachplanerischer Fragestellungen sollte dessen Wiederholbarkeit und Transparenz gewähr-
leisten. Der Anwender sollte durch geeignete technische Umsetzungen in die Lage versetzt
werden, einen Teil seiner Fragestellungen weitestgehend selbstständig zu lösen oder aber
ggf. durch externe Hilfe gemäß der Verfahrensfestlegung erarbeiten zu lassen. Ein Projekt-
ergebnis ist eine Softwareapplikation (ArcView-Erweiterung), die den Anwender bei der Ver-
wendung von Fernerkundungsdaten unterstützen soll.
Im Teilvorhaben „Wälder und Forsten“ der TU Berlin (DLR-Förderkennzeichen: 50EE9924)
erfolgte die Strukturierung des forstlichen Objektartenkatalogs sowie die Umsetzung und
Bearbeitung der im Gesamtprojekt festgelegten Arbeitsschwerpunkte für die forstlichen Be-
lange bzw. Objekte. Hierbei waren die Begriffswelten der Naturschützer und Umweltbehör-
den mit denen der Waldbesitzer und Forstbehörden zur Übereinstimmung zu bringen.
Die Arbeiten wurden in Kooperation mit dem LAU und der Forstlichen Landesanstalt Sach-
sen-Anhalt (FLA) als potenziellen Nutzern durchgeführt. Eine umfassende Darstellung des
Gesamtprojektes findet sich auf der OFULSA-Homepage (http://www.delphi-imm.de/ oful-
sa/index/index_g02.html). Darüber hinaus ist eine zusammenfassende Darstellung veröffent-
licht (LANDESAMT FÜR UMWELTSCHUTZ SACHSEN-ANHALT 2002). Der Endbericht des Teilvor-
habens „Wälder und Forsten“ ist ebenfalls im Internet bereitgestellt (COENRADIE & KENNEWEG
2002, http://www.delphi-imm.de/ofulsa/download/endbericht_forst.pdf).
Kapitel 2: Zielsetzung
25
2 Zielsetzung
In dieser Arbeit sollen Lösungsvorschläge und Verfahren entwickelt werden, die zu einer
verbesserten operationellen Nutzung der Satellitenfernerkundung in der forstlichen Praxis,
aber auch bei der disziplinübergreifenden Bearbeitung der Landnutzungsart „Wald“, beitra-
gen sollen. Einen Untersuchungsschwerpunkt bilden hierbei die Einsatzmöglichkeiten von
hochauflösenden Satellitensensoren.
Thematisch konzentrieren sich die Untersuchungen auf den Beitrag der Satellitenfernerkun-
dung zur Gewinnung von verfeinerten Flächendaten für die forstlichen Anwendungsfelder der
Forsteinrichtung, der Waldschadensinventur und der Überwachung / Kontrolle. Die Waldkar-
tierung bzw. die forstliche Kartographie war bisher in Mitteleuropa kein ernsthaftes Anwen-
dungsfeld der Satellitenfernerkundung und bildet aufgrund der veränderten Eigenschaften
neuer Sensoren einen weiteren Schwerpunkt. Ferner soll ein fachplanungsübergreifender
Systematisierungsansatz forstlicher Objektarten erarbeitet werden. Hieraus leiten sich die
nachfolgend beschriebenen konkreten Zielsetzungen und Fragestellungen ab, die verschie-
denste Teile des Satellitendatenauswertungsprozesses betreffen und zur Gliederung der
Arbeit beitragen.
Der bedeutende traditionelle Anwendungsbereich der Fernerkundung in der Forstwirtschaft,
forstliche Großrauminventuren (z.B. mehrphasige oder mehrstufige Inventurverfahren), ist
sehr weitläufig ausdifferenziert. Die Fernerkundung ist jeweils nur für einen Teilaspekt des
Gesamtverfahrens, oft nur marginal, von Bedeutung. Dieses Arbeitsfeld wird in dieser Arbeit
weitgehend ausgeblendet, weil es teils bereits intensiv erforscht ist und andererseits zu einer
Ausuferung der Thematik führen würde.
Mit dem Begriff Operationalität ist zumeist die technische und ökonomische Markt- bzw. Pra-
xisreife von Daten und Verfahren, Produkten und Dienstleistungen gemeint. Der Grad der
Praxisreife resultiert aus einem Wirkungsgefüge verschiedenster Faktoren, deren Bedeutun-
gen anwendungs- oder fachspezifisch variieren können (vgl. Abb. 1). Die Konkurrenzfähig-
keit der Satellitenfernerkundung gegenüber Alternativen (v.a. Terrestrik, Luftbildfernerkun-
dung) wird maßgeblich bestimmt vom Operationalitätsgrad, vom Anwendungszweck und von
Kosten-Nutzen-Aspekten. Die Akzeptanz beim Nutzer steigt, wenn diese Form der Informati-
onsgewinnung konkurrenzlos ist oder deren Anwendung eine vergleichbare oder bessere
Bearbeitung seiner Aufgabenfelder ermöglicht. Die Fernerkundungstechnologie muss daher
dem Auswertungszweck angepasst sein - nicht umgekehrt. Hierbei ist es zumeist unerheb-
lich, ob es sich um neueste Technologieentwicklungen oder um bereits bekannte handelt
(KENNEWEG 2001).
Vor diesem Hintergrund wurde in den zugrunde liegenden Projekten die Anwendung von
Standardverfahren bzw. die Nutzung kommerzieller Softwarelösungen vorgegeben. In den
Auswertungsprozessen sollte ein hoher Automatisierungsgrad angestrebt werden. Um eine
verbesserte Übertragbarkeit zu erreichen, sollen die Verfahren transparent sein und eine
weitgehende Unabhängigkeit von spezifischen Sensoren aufweisen. Forstliche Inventur- und
Planungsdaten sowie Geo-Daten sollen zur Effizienzsteigerung bestmöglich in die Bildverar-
beitungsprozesse eingebunden werden. Das Forstliche Geographische Informationssystem
Sachsens (FGIS) bietet hierzu gute Voraussetzungen für die Bereitstellung von qualitativ
hochwertigen digitalen „Zusatzdaten" in Form von Geometriedaten (u.a. digitalisierte Forst-
grundkarten, Standortskarten) und Sachdaten (z.B. Walddatenbank der Forsteinrichtung).
Zur Inwertsetzung der Ergebnisse sollen diese ins GIS integriert werden.
Datenaufbereitung (Kap. 5)
Im Rahmen der Datenaufbereitung bzw. -vorverarbeitung wird die Erzeugung von qualitativ
hochwertigen und für die weiteren Auswertungszwecke geeigneten Datensätzen angestrebt.
Vor diesem Hintergrund sollen bewährte Standardverfahren zur geometrischen und radio-
metrischen Korrektur der Satellitenbilddaten angewendet und dabei Forst- und Geo-Daten
zur Effizienzsteigerung integriert werden. Es soll eine pragmatische methodische Vorge-
Kapitel 2: Zielsetzung
26
hensweise aufgezeigt werden, die als Orientierungshilfe für die Bearbeitung von Satelliten-
bildern hoher und mittlerer Auflösung dienen kann.
Mit Techniken der image fusion soll eine Verknüpfung von geometrisch hochauflösenden
und spektral hochauflösenden Bilddaten erfolgen. Die Eignung von Verfahren zur Generie-
rung von hochauflösenden Bildprodukten für die visuelle Interpretation wird beurteilt. Ferner
werden die forstspezifischen Anforderungen an die Sensor- und Szenenauswahl untersucht.
Sensor-
unabhängigkeit
Verfügbarkeit
Übertragbarkeit
Standardisierung
Automation
Datenqualität
Preise
Transparenz
GIS - Integration Planungsrelevanz
Verfahren - Methoden Technologien
Daten - Produkte
Sensor-
eigenschaften
O p e r a t i o n a l i t ä t
Anwendungszweck - Anforderungen - Informationsbedarf - ...
Abb. 1: Einflussfaktoren für „Operationalität“
Systematisierung von forstlichen Objektarten (Kap. 6)
In den Umweltverwaltungen werden unterschiedliche Nomenklaturen zur systematischen
Beschreibung, Erfassung und Abgrenzung planungsrelevanter Objekte, Objektarten und Flä-
chenkategorien genutzt. Die Begriffsfestlegungen und der Differenzierungsgrad sowie die
Anforderungen an die räumliche Abgrenzungsgenauigkeit variieren je nach Fachplanung
oder Anwendungsbereich. Die Kompatibilität ist nicht immer gegeben. Dies erschwert auch
die interdisziplinären Mehrfachnutzungen und den Austausch von Fernerkundungsdaten
bzw. Auswertungsergebnissen, die im Hinblick auf mögliche Kosteneinsparungen oftmals
angeregt werden (Synergieeffekte).
Es soll daher ein pragmatischer Systematisierungsansatz für forstliche Objektarten vorge-
schlagen werden, der einerseits einen hohen Differenzierungsgrad für die forstwirtschaftliche
Planungspraxis gewährleistet und andererseits eine fachplanungsübergreifend nutzbare
Begriffsfestlegung aufweist. Ziel ist es, eine fachlich akzeptable und praktikable Nomenklatur
und Struktur zu erreichen (Planungsrelevanz). Aus der Vielzahl der fachlich bedeutsamen
Merkmale bzw. Erfassungsparameter sollen jene zur Objektartendefinition selektiert werden,
die nachweislich zur Unterscheidung von Wäldern mit Fernerkundungssystemen beitragen
bzw. detektierbar sind (Fernerkundungsrelevanz). Die Systematisierung soll eine weitgehend
sensorunabhängige Lösung darstellen.
Kapitel 2: Zielsetzung
27
Visuelle Interpretation (Kap. 7 und Kap. 10)
Im Forstbereich war die visuelle Interpretation von Satellitenbildern lange Zeit wegen der
begrenzten räumlichen Auflösung der nutzbaren Systeme stark eingeschränkt. Aufgrund der
verbesserten Objekterkennbarkeit in hochauflösenden Bilddaten verspricht deren visuelle
Interpretation, neue Anwendungs- bzw. Maßstabsbereiche in der Forstpraxis zu erschließen.
Zunächst soll die Erkennbarkeit von forstlichen Objekten und Objektarten in hochauflösen-
den fusionierten Satellitenbilddaten ermittelt werden. Das Eignungspotenzial von Bildpro-
dukten soll bewertet und deren Nutzungsmöglichkeiten in der Forstpraxis - auch als besitz-
übergreifendes Planungshilfsmittel - exemplarisch aufgezeigt werden. Hierzu zählen
· die Aktualisierung / Ergänzung von Forstbetriebskarten,
· die Herstellung von Satellitenbildkarten im Maßstab der Betriebskarten
der Forsteinrichtung (1 : 10 000),
· die Erfassung von Veränderungen (Monitoring).
Hochauflösende multispektrale Satellitensysteme konnten in den zugrunde liegenden Pro-
jekten nicht genutzt werden (u.a. Verfügbarkeit und Vorgaben, vgl. Kap.1.2). Die Eignungs-
bewertung von fusionierten Bilddaten soll daher auch dazu genutzt werden, konkrete Trends
und Perspektiven für die Informationsgewinnung mit Satellitenfernerkundung aufzuzeigen.
Automatische Auswertung - Waldstrukturklassifizierung (Kap. 8.2 und Kap. 8.3)
Die Klassifizierung richtet sich auf die verbesserte Erfassungsgenauigkeit von waldstruktu-
rellen Leitparametern und auf eine Erweiterung des Spektrums von forstlich relevanten In-
formationen. Im Rahmen der Klassifizierung sollen folgende Ziele angestrebt werden:
· Nutzung von Forsteinrichtungsdaten für die Ermittlung von Referenzflächen
(Verringerung von terrestrischen und luftbildgestützten Arbeiten),
· flächenscharfe Erfassung der Waldfläche,
· verbesserte Differenzierung nach Baumartengruppen (einschließlich der bisher nur wenig
mit Satellitenfernerkundung untersuchten Laubbaumarten), natürlichen Altersstufen und
Beschirmungsgrad / Bestandesschluss,
· Aktualisierung und Ergänzung von Forsteinrichtungsdaten,
· Lokalisierung von kartographisch nicht erfassten Objekten
(bestandesinterne Differenzierungen),
· Erfassung des Wirtschaftswegenetzes (Walderschließung)
Mit den verfügbaren Satellitenbilddaten soll eine maximale waldstrukturelle Unterscheidung
angestrebt werden - auch um die Grenzen dieser Informationsgewinnungsart aufzuzeigen.
Neben Standard-Klassifizierungsverfahren werden neue Segmentierungsansätze angewen-
det. Ferner soll überprüft werden, inwieweit Texturinformationen extrahierbar sind und zu
einer verbesserten Objektartendifferenzierung beitragen können. Die methodische Vorge-
hensweise soll die Einbindung bestehender Fachdaten vorsehen, dabei aber eine besitz-
übergreifende Erfassung nicht einschränken (Privatwald-Problematik).
Automatische Auswertung - Waldschadenskartierung (Kap. 8.2 und Kap. 8.4)
Die in Sachsen auftretenden Waldschäden, im Erzgebirge vorwiegend an Fichte, erfordern
ein objektives Monitoringsystem der Waldzustandserfassung. Die Landesforstverwaltung
richtet dabei große Aufmerksamkeit auf die Ausscheidung von Immissionsschadzonen. Die
Schadzonen gliedern die betroffenen Waldgebiete nach dem flächig auftretenden unter-
schiedlichen Schädigungsgrad. Sie dienen sowohl der differenzierenden waldbaulichen Pla-
nung und Privatwaldförderung als auch der Ausscheidung der Betriebsklasse „Immissions-
schadgebiet“. Damit haben sie unmittelbaren Einfluss auf das dem jeweiligen Forstamt zur
Verfügung stehende Budget. Die Schadzonierung muss periodisch aktualisiert werden, da
sowohl die Immissionsbelastung als auch der Wald nicht statisch gesehen werden dürfen,
Kapitel 2: Zielsetzung
28
sondern jeweils einer starken Dynamik unterliegen. Gegenwärtig werden die Immissions-
schadzonen auf der Grundlage von Luftbildinterpretationsergebnissen ausgeschieden (vgl.
Abb. 2). - Das Projekt Waldzustandserfassung in Erz- und Fichtelgebirge mit Hilfe der Fern-
erkundung (REUTHER et al. 1996) lieferte erste Ergebnisse der Schadgebietsabgrenzung auf
der Basis von LANDSAT-TM-Daten.
Abb. 2: Übersicht der Immissionsschadzonen 1990 und 1998 im Freistaat Sachsen
1998: Luftbildauswertungen ausschließlich für Hoch- und Kammlagen / Kartographie: LAF
Vor diesem Hintergrund soll mittels moderner Satellitenbilddaten eine zuverlässige Erfas-
sung der Schadmerkmale Nadelverlust und Beschirmungsgrad erreicht werden, die als Ba-
sisinformationen für bestandes- bzw. flächenbezogene Analysen dienen. Es ist zu untersu-
chen, inwieweit die Nutzung der Satellitenfernerkundung zur Reduzierung arbeitsintensiver
Luftbildinterpretationen beitragen kann. - Durch die Erfassung und Beobachtung von „Be-
standesauflösungen“ infolge von Schadereignissen können sanierungsbedürftige Flächen
identifiziert und auf lokaler Planungsebene rechtzeitig Gegenmaßnahmen im Hinblick auf
weitere Schäden und Verluste eingeleitet werden. Dieses „Alarmsystem“ funktioniert aller-
dings nur, wenn über die Einbindung in ein forstliches Informationssystem Veränderungen
hinreichend genau abgeleitet werden können.
Ursprünglich sollte überprüft werden, inwieweit Texturinformationen zur Erfassung von Be-
standesverlichtungen beitragen. Wegen der unzureichenden Qualität der verfügbaren hoch-
auflösenden Satellitenbilder (UG Erzgebirge) musste hiervon Abstand genommen werden.
Automatische Auswertung - Erfassung von Veränderungen (Kap. 8.5)
Veränderungen der Wald- bzw. Bestandesstrukturen sind auf waldbauliche Maßnahmen und
natürliche Bestandesentwicklungen sowie auf Waldschäden zurückzuführen. Hinzu kommen
Waldabgänge (Waldumwandlungen) und Erstaufforstungen, die zur Veränderung der Wald-
verteilung beitragen. Für die Ergänzung und Laufendhaltung von Inventurdaten bzw. (Geo-)
Informationssystemen sowie für Monitoring- bzw. Kontrollaspekte ist daher von Interesse,
Kapitel 2: Zielsetzung
29
inwieweit Satellitenbilddaten zur flächenscharfen Erfassung oder Lokalisierung von Verände-
rungen eingesetzt werden können. Zudem ist zu ermitteln, welche Veränderungsarten detek-
tierbar und unterschieden werden können.
Es soll ein Verfahren für die großräumige Lokalisierung von potenziellen Veränderungsflä-
chen innerhalb von Wäldern entwickelt werden, das eine großräumige Kartierung sowie die
(optionale) Einbindung von Fachinformationen zulässt, einen geringen Zeit- und Arbeitsauf-
wand für die Datenvorprozessierung und -auswertung erfordert und einen hohen Automati-
sierungsgrad aufweist. Durch die Lokalisierung von deutlichen waldbaulichen Eingriffen bzw.
waldstrukturellen Veränderungen bzw. Entwicklungen in Satellitenbildprodukten kann ein
Beitrag für forstbehördliche besitzübergreifende Planungsaufgaben geleistet werden (u.a.
Kontrolle von Hiebsflächen). Dies gilt in besonderem Maße auch für die Kartierung und das
Monitoring von abiotischen oder biotischen Schäden (v.a. Sturmwurf, Insektenkalamitäten).
Im Anschluss an die Satellitendatenauswertung (Kap. 8) sollen Einsatzmöglichkeiten moder-
ner Satellitenbilddaten in der Forstwirtschaft exemplarisch dargestellt werden (Kap. 10). Dies
setzt die GIS-Integration von Ergebnissen und deren Verifizierung voraus (Kap. 9). Für die
Konkurrenzfähigkeit der Fernerkundung gegenüber anderen Alternativen ist das Kostenein-
sparungspotenzial von besonderer Bedeutung. Für zielführende Verfahren sowie Produkte
(u.a. Satellitenbildkarte) soll daher eine detaillierte Kostenabschätzung vorgenommen wer-
den, die als Orientierungshilfe dienen kann (Kap. 11).
Die methodischen Arbeiten des MOMSSA-Projektes bilden den Kern der vorliegenden Arbeit
(v.a. Datenaufbereitung, Waldstrukturklassifizierung, Waldschäden, forstliche Kartographie /
GIS). Eine sinnvolle thematische Ergänzung liefern Auswertungen, die vorrangig im Projekt
OFULSA erfolgten (Systematisierung forstlicher Objektarten, visuelle Interpretation, Verän-
derungsnachweise).
Die Untersuchungen wurden in den Regionen der Dübener Heide und des Erzgebirges
(Sachsen, Projekt MOMSSA) sowie im Forstamt Nedlitz (Sachsen-Anhalt, Projekt OFULSA)
durchgeführt (Kap. 3.3).
Kapitel 3: Grundlagen
30
3 Grundlagen
Einführend wird der Wissensstand zu den Themenschwerpunkten der vorliegenden Arbeit
umrissen (Kap. 3.1). Mit einer Auswahl richtungsweisender Arbeiten wird die Nutzung der
Luftbild- und insbesondere der Satellitenfernerkundung in der mitteleuropäischen Forstwirt-
schaft skizziert (Kap. 3.1.1.2). Zudem wird auf den Einsatz von Geo-Informationssystemen in
der forstlichen Verwaltung eingegangen (Kap. 3.1.2). Es folgt eine Beschreibung der verwen-
deten Satellitensysteme, die mit einem Überblick aktuell verfügbarer und geplanter Missio-
nen mit optischen Sensoren erweitert wird (Kap. 3.2). Abschließend werden die Untersu-
chungsgebiete vorgestellt (Kap. 3.3).
3.1 Wissensstand
3.1.1 Fernerkundungsanwendungen in der Forstwirtschaft
Im Anschluss an einen kurzen Abriss zur Luftbildfernerkundung konzentrieren sich die weite-
ren Ausführungen auf die Anwendungsbereiche Waldklassifizierung, Waldschadenskartie-
rung und Waldmonitoring sowie Forstkartographie und GIS. Beschrieben wird die Ausgangs-
situation und Entwicklung, wie sie sich zu Beginn der Arbeiten stellte (MOMSSA-Projekt:
1997 / 1998; OFULSA-Projekt: 1999 / 2000). Neuere Studien erfolgten parallel zu den eige-
nen Auswertungen und sind in entsprechenden Kapiteln berücksichtigt.
3.1.1.1 Luftbildfernerkundung
Die Anwendungsmöglichkeiten von Luftbildern in der Forstwirtschaft wurden von den Forst-
leuten schon frühzeitig erkannt und besitzen eine lange Tradition. Besonders nach dem
1. Weltkrieg wurden die Bemühungen zur praktischen Anwendung von Luftbildaufnahmen für
forstliche Auswertungen forciert. Als Hochburgen der Luftbildanwendungen galten besonders
Bayern und Sachsen, wo in München HILF (1923) und in Tharandt HUGERSHOFF (1911,
1933) den Einsatz von Fernerkundungsdaten wesentlich voran brachten. Insbesondere der
Einsatz des Color-Infrarot-Films (CIR) seit Ende der 60er Jahre revolutionierte die Nutzung
von Luftbildern für forstliche Zwecke.
Einsatzschwerpunkte „Inventuren - Forstkartographie - GIS“
Heute ist der Einsatz von Luftbildern zur Erfassung forstlicher Parameter im Rahmen von
Inventuren operationell (z.B. Baumarten- und Bestandestypenerkennung, Waldschadenser-
fassung). Anwendung finden je nach Zielstellung vorwiegend Luftbilder im Maßstabsbereich
von 1 : 5 000 bis 1 : 20 000. Damit wird den hohen Anforderungen der mitteleuropäischen
Forstwirtschaft nach der Erfassung ihrer fein strukturierten bzw. kleinflächigen Wälder und
der Ausgabe großmaßstäbiger Karten Rechnung getragen. Häufig werden die Luftbilder im
Rahmen von Kartierverfahren und von mehrstufigen oder mehrphasigen (Multiquellen-) In-
venturverfahren mit Verknüpfung verschiedener statistischer Ansätze genutzt.
Seit den 60er Jahren wurden Luftbildaufnahmen verstärkt zur Erstellung von Orthophotos
bzw. Orthophotokarten genutzt. So wurde in den 70er Jahren in Nordrhein-Westfalen und
Rheinland-Pfalz die Herstellung von Luftbildkarten basierend auf analogen Projektionen rou-
tinemäßig eingeführt (u.a. VOSS 1970, PEERENBOOM 1975). Mit der Entwicklung der Geo-
Informationssysteme und der Bildverarbeitung ab den 70er Jahren und vor allem in den 80er
Jahren wurden die technologischen Voraussetzungen zur rechnergestützten Herstellung von
Luftbildkarten geschaffen. Mit der Weiterentwicklung der Hardware sind seit den 90er Jahren
auch die erforderlichen Speicherkapazitäten und schnellen Laufzeiten für deren produktive
Herstellung verfügbar. Seit 1998 wird beispielsweise in Sachsen die Luftbildkarte 1 : 5 000
(Schwarz-Weiß-Film) rechnergestützt erstellt unter Einbeziehung von Elementen digitalisier-
ter Forstgrundkarten 1 : 5 000 und Katasterinformationen aus Flurkarten (UFER 1997).
Kapitel 3: Grundlagen
31
Durch den Aufbau forstlicher (Geo-) Informationssysteme auf Länderebene verstärkte sich
seit Beginn der 90er Jahre der Bedarf nach digitalen Daten mit geographischem Raumbezug
und damit der Einsatz analytischer und digitaler Photogrammetrie bzw. digitaler Bildverar-
beitung in der Forstwirtschaft (u.a. HILDEBRANDT 1993, 1994; GROSS 1993).
Einsatzschwerpunkt „Klassische und Neuartige Waldschäden“
Zahlreiche wissenschaftliche Untersuchungen (u.a. WOLFF 1966; HILDEBRANDT & KENNEWEG
1968; KENNEWEG 1972; RHODE 1977) bzw. praktische Schadensinventuren (u.a. KADRO
1973; MASUMY 1984, 1988; SCHÖPFER & HRADETZKY 1984; HEIDINGSFELD 1989) belegen die
guten Einsatzmöglichkeiten von CIR-Luftbildmaterial für die Erfassung von Waldschäden.
Schadensbedingte strukturelle Veränderungen des Kronenzustandes sowie Veränderungen
der spektralen Reflexion von Einzelbäumen können in großmaßstäbigen CIR-Luftbildern
(Maßstab 1 : 5 000 - 10 000) bei stereoskopischer Betrachtung gut erkannt werden (CEC
1991). Unter maßgeblicher Beteiligung der Arbeitsgruppe Forstlicher Luftbildinterpreten
(AFL) wurde das Verfahren der luftbildgestützten Waldzustandserfassung auf der Basis aus-
gewerteter Einzelkronen standardisiert, operationalisiert und in der VDI-Richtlinie 3793 ver-
ankert (VDI 1993, CEC 1991). Die Klassifizierung der Bäume erfolgt dabei analog zur
5-stufigen Schadklasseneinteilung der nationalen bzw. europaweiten terrestrischen Waldzu-
standserhebung. Das Verfahren hat sich in Sachsen bei der Luftbildauswertung großräumi-
ger Befliegungen von Mittelgebirgsregionen bewährt. Für alle über 60-jährigen Fichtenrein-
bestände wurden ca. 40 Bäume pro Fläche nach der VDI-Richtlinie einzelbaumweise
klassifiziert (SML 1996, 1997, SMUL 1998b).
Es wurden Versuche unternommen, ohne die aufwendige sowie kostenintensive Einzelkro-
nenansprache zu Bestandeskennziffern aus mittel- und kleinmaßstäbigen Luftbildern zu ge-
langen. Dabei wurde eine flächenhaft integrierte Schätzung des Schadgrades ganzer Be-
stände als Mischinformation aus Verlichtungs- und Vergilbungssymptomen in 3 Abstufungen
vorgenommen, die sich in CIR-Luftbildern des Maßstabsbereichs 1 : 12 000 bis 1 : 20 000 in
unterschiedlichen Feinstruktur- und spektralen Farbmerkmalen widerspiegelt (GROSS 1993;
HEIDINGSFELD 1993).
Eine ausführliche Darstellung der angewandten forstlichen Luftbildauswertung gibt HIL-
DEBRANDT (1996: 348ff).
Aktuelle Entwicklungen: digitale Luftbildkameras
Mit der Entwicklung von digitalen (multispektralen) Luftbildkameras sind seit Mitte der 90er
Jahre in zunehmendem Maße digitale flugzeuggestützte Aufnahmen im Dezimeterbereich
möglich. Als erste Vertreter dieser Systeme zählen die Kameras WAOSS (Wide Angle Opti-
cal Stereo Sensor), WAAC (Wide Angle Airborne Camera), HRSC-A und HRSC-AX (High
Resolution Stereo Camera - Airborne) - Systembeschreibungen finden sich unter anderen
bei SANDAU & ECKHARDT (1996), ALBERTZ et al. (1996), NEUKUM & LEHMANN (1998) und
WEWEL et al. (1998).
Die digitale Abbildung birgt einige Vorzüge gegenüber den analogen Luftbildern. Insbeson-
dere die Potenziale der digitalen Datenbasis, die Automation innerhalb der Prozessierungs-
kette zu maximieren - von der Erfassung bis hin zu orthorektifizierten Bildprodukten (u.a.
ALBERTZ et al. 2000, HOFFMANN & LEHMANN 2000), digitalen Oberflächen- bzw. Geländemo-
dellen (WEWEL & SCHOLTEN 2000) - kann den Umfang von zeit- und kostenintensiven inter-
aktiven Bearbeitungen erheblich reduzieren.
In Pilotstudien wurden auf Basis von HRSC-Daten insbesondere Nutzungspotenziale für die
Aktualisierung und Laufendhaltung von Geo-Daten bzw. Informationssystemen aufgezeigt
(u.a. Hydrologie, Telekommunikation, Kartographie und Vermessung, Biotoptypenerfassung,
Landwirtschaft). Um den hohen Informationsgehalt mittels digitaler Bildanalyse extrahieren
zu können, wird zunehmend auf klassische pixelbasierte Klassifizierungsverfahren verzich-
tet. Insbesondere die Entwicklung von objektorientierten wissensbasierten Klassifizierungs-
Kapitel 3: Grundlagen
32
ansätzen - ggf. mit der Einbindung von Fachinformationen - erweist sich als besonders viel-
versprechend. Erste Lösungsansätze zur Erfassung von Bestandesparametern für die Forst-
einrichtung entwickelten HOFFMANN et al. (2000). HESE et al. (2000) generierten Waldober-
flächenmodelle aus HRSC-Daten, um über die Ableitung der mittleren Bestandesoberhöhe
eine Zusatzinformation für die Holzvorratschätzung bereitzustellen. Die gegenwärtigen Mög-
lichkeiten und Grenzen für die operationelle Fortführung von Biotoptypenkartierungen mit
HRSC-Daten werden von LESER (2002) unter Einbeziehung von visuellen, automatischen
und kombinierten Auswertungsansätzen untersucht.
Die automatische Vorprozessierung ist bereits sehr erfolgreich vorangetrieben worden. Für
die automatisierte Auswertung von Daten digitaler Luftbildkameras besteht aber weiterhin ein
erheblicher Forschungs- und Entwicklungsbedarf, sodass ein operationeller und finanzierba-
rer Einsatz in der Forstpraxis erst langfristig denkbar ist.
3.1.1.2 Satellitenfernerkundung
Mit dem Start des ersten zivilen Erderkundungssatelliten ERTS-1 (Earth Resources Tech-
nology Satellite), später als LANDSAT1 bezeichnet, begannen auch die Überlegungen, Welt-
raumdaten für forstliche Zwecke zu nutzen. Erste Untersuchungen stützten sich zumeist auf
Daten des MSS-Sensors (Multispectral Scanner) an Bord von LANDSAT. In diesen Arbeiten
wurden grundlegende Erkenntnisse erarbeitet und Verfahren bzw. Methoden entwickelt. Die
Waldklassifizierung ging wegen des begrenzten räumlichen und spektralen Auflösungsver-
mögens des Sensors (ca. 56 m x 79 m, ohne Spektralkanal im mittleren Infrarot) über die
Abgrenzung von bewaldeten Flächen und groben Waldtypen nicht hinaus. In Regionen mit
weitflächigen und extensiv bewirtschafteten Wäldern (Tropen und Subtropen, Zone der bo-
realen Wälder) wurden MSS-Daten für großräumige Waldinventuren eingesetzt. Auch die
Kartierung von großflächigen Waldschäden war bereits Gegenstand der Untersuchungen.
Anwendungsbeispiele finden sich bei FORSTREUTER (1987).
Beginnend mit dem Start von LANDSAT4 im Jahre 1982 erweiterte sich das Nutzungspoten-
zial der Satellitenfernerkundung für forstliche Anwendungen im mitteleuropäischen Raum.
Mit der zunehmenden Verfügbarkeit von Aufnahmesystemen der „zweiten Generation“ (u.a.
LANDSAT4 / 5, SPOT1 / 2), deren Sensoren im Vergleich zu den vorangegangenen Syste-
men über verbesserte radiometrische, spektrale und geometrische Auflösungen verfügten,
wurden Untersuchungen zu detaillierteren Waldklassifizierungen sowie zur flächenhaften
Erfassung des Vitalitätszustandes von Waldbeständen (Klassische Rauchschäden, Neuarti-
ge Waldschäden) und zur Kartierung von biotischen und abiotischen Schäden (Sturmwurf,
Insektenkalamitäten) durchgeführt. Sowohl Inventarisierungs- als auch Monitoringaspekte
standen hierbei im Mittelpunkt. Der Sensor Thematic Mapper (TM) der LANDSAT-Systeme
erwies sich als besonders geeignet für die meisten Wald- bzw. Vegetationsuntersuchungen.
Nachfolgend wird die Entwicklung der forstlichen Satellitenfernerkundungsanwendungen in
Mitteleuropa bzw. in Deutschland an ausgewählten richtungsweisenden Arbeiten aufgezeigt.
3.1.1.2.1 Waldklassifizierung
Eine erste großflächige Landnutzungsklassifizierung (Maßstab 1 : 200 000, Kartenblatt
Mannheim) erfolgte durch HABERÄCKER et al. (1979) mit LANDSAT-MSS-Daten. Wälder wur-
den in die Klassen Laubwald und Nadelwald mit einer Genauigkeit von 60 - 70 % unter-
schieden. In der Landnutzungskartierung (Maßstab 1 : 200 000, Kartenblatt Neumünster)
von HASSENPFLUG et al. (1987) mit MSS-Daten wurden geographische Informationen in eine
räumlich differenzierte Klassifizierungsanweisung eingebunden. Durch die Stratifizierung
nach Naturräumen konnten Fehlzuweisungen zwischen (natur-) räumlich getrennten Objek-
ten mit ähnlichen spektralen Signaturen deutlich reduziert werden. Für die Klassen Nadel-
und Laubwald wurden Genauigkeiten von ca. 90 % erreicht. Bei der Erstellung einer klein-
Kapitel 3: Grundlagen
33
maßstäbigen Landnutzungskarte von Baden-Württemberg mittels MSS-Daten erfolgte eine
Walddifferenzierung in Nadelwald, Laubwald und Mischwald mittels Maximum-Likelihood-
Methode (u.a. QUIEL 1986). Es konnte aufgezeigt werden, dass für die repräsentative Erfas-
sung einer Klasse die Verteilung von Trainingsgebieten über die gesamte Szene erforderlich
ist, da insbesondere wegen variierender atmosphärischer Einflüsse der statistische Merk-
malsraum einer Objektklasse instabil ist. Die bestehende Varianz durch einzelne oder meh-
rere lokal konzentrierte Referenzflächen kann folglich nur unzureichend erfasst werden.
Eine erste differenziertere Waldklassifizierung wurde von XU (1986) mit LANDSAT-TM-Daten
in einem Untersuchungsgebiet in der Steiermark erzielt. In einem 2-stufigen Klassifizierungs-
ansatz wurden zunächst bewaldete und unbewaldete Gebiete mittels Schwellenwertmethode
getrennt. Die Klassifizierung von Fichte, Kiefer, Laubwald (zwei natürliche Altersstufen) und
Laub-Nadel-Mischwald erfolgte mittels Maximum-Likelihood-Methode (nachfolgend: ML). Zur
Verifizierung der Ergebnisse wurden digitalisierte Forstkarten herangezogen.
In der Untersuchung von STIBIG (1988) in einem stark reliefierten Testgebiet im Schwarzwald
wurde mit TM-Daten eine zufriedenstellende Trennung von Nadel-, Laub- und Mischwald
sowie von einigen natürlichen Altersstufen erreicht. Es konnte nachgewiesen werden, dass
die Modifikation der Bestandesreflexion durch den topographischen Effekt (reliefabhängige
Beleuchtungsunterschiede innerhalb einer Szene, vgl. Kap. 5.2.2.1) objektartenspezifisch
unterschiedlich stark ausgeprägt ist. Zur Verringerung des Reliefeinflusses wurde ein digita-
les Geländemodell (DGM) hinzugezogen und eine Stratifizierung des Gebietes nach ver-
schiedenen Expositionskategorien durchgeführt, welche nachfolgend getrennt voneinander
mit optimierten Trainingsgebiet-Sets klassifiziert wurden.
KEIL et al. (1989, 1990) führten mit TM für große Teile Bayerns erstmalig eine großräumige
Kartierung der Hauptwaldtypen durch (Fichte, Fichte und Kiefer, Kiefer, Laubwald, Laub-
Nadel-Mischwald, Kulturen und Blößen). Für Kiefernbestände konnte eine Standortabhän-
gigkeit des Reflexionsverhaltens nachgewiesen werden (KEIL et al. 1988). Insbesondere im
Spektrum des mittleren Infrarot (TM5) machten sich Unterschiede in der standörtlichen bzw.
substratspezifischen Wasserverfügbarkeit bemerkbar. Durch eine Stratifizierung des Gebie-
tes mit digitalen Wuchsgebietskarten konnten darauf beruhende Fehlklassifizierungen mini-
miert werden. Im Rahmen der Waldkartierung erfolgte zunächst eine Wald-Nichtwald-
Trennung mit Schwellenwerten, der die stratenweise interne Waldklassifizierung mit der ML-
Methode folgte. Die Ergebnisse wurden im Maßstab 1 : 200 000 dargestellt.
SCHARDT (1990) konnte in verschiedenen Untersuchungsgebieten im Oberrheintal und im
Schwarzwald aufzeigen, dass eine weitergehende Aufgliederung der Waldkartierung nach
Baumarten und Wuchsklassen prinzipiell möglich ist. In dieser grundlegenden Arbeit wurden
auch die Grenzen der detaillierten Waldklassifizierungen mit Daten der zweiten Sensorgene-
ration (hier: LANDSAT-TM) deutlich aufgezeigt. Systematische Signaturanalysen wurden zur
Abschätzung des Einflusses von unterschiedlichen Bestandes- und Geländeparametern auf
das Reflexionsverhalten von Wäldern durchgeführt. Insbesondere die Altersstufendifferenzie-
rung von Nadelwäldern ergab zufriedenstellende Ergebnisse (bis zu 4 Klassen: Kultur / Di-
ckung, Gestänge / Stangenholz, geringes und mittleres Baumholz, Altholz). Im Rahmen der
Baumartendifferenzierung konnten vor allem Kiefernreinbestände sowie Pappelbestände,
auch wegen des standortsabhängigen Reflexionsverhaltens, separiert werden. Eine Tren-
nung weiterer Baumarten (-gruppen) wie Buche und Eiche bzw. Fichte und Douglasie war
nicht möglich. Die mehrstufigen Klassifizierungen erfolgten multitemporal unter Einbeziehung
eines DGM zur Ableitung von Beleuchtungsstraten.
Zu Beginn der 90er Jahre waren zunächst keine nennenswerten Ergänzungen bzw. techno-
logischen Verbesserungen bei den verfügbaren optischen operationellen Satellitensystemen
zu verzeichnen. Deutlich verfeinerte Erfassungen von wald- bzw. bestandesstrukturellen
Unterschieden wurden nicht erzielt. Fortschritte wurden bei der geometrischen und radiome-
trischen Korrektur von Bilddaten erzielt. Mit Hilfe (prä-) operationeller Verfahren bzw. kom-
merzieller Softwarelösungen konnten die Klassifizierungsgüten zum Teil erhöht werden.
In stark reliefierten Regionen haben sich parametrische Entzerrungsverfahren sowie Kor-
Kapitel 3: Grundlagen
34
rekturen von geländebedingten Beleuchtungsunterschieden bewährt (u.a. BANKO 1997,
JANOTH & EISL 1998, SCHARDT et al. 2000).
Zur Reduzierung von atmosphärischen Einflüssen auf die Bilddaten, um beispielsweise ei-
nen direkten multitemporalen Szenenvergleich zu ermöglichen, sind in praxisorientierten
Untersuchungen i.d.R. relative Kalibrierungsverfahren (Bild-auf-Bild - Angleichungen) zielfüh-
rend (OLSSON 1995). Absolute Kalibrierungen erfordern hingegen komplexe Berechnungen
zur Beleuchtungsmodellierung; meteorologische Eingangsdaten sind zudem nicht immer
verfügbar, sodass Ungenauigkeiten resultieren können (SCHARDT et al. 2000). Eine ausführ-
liche Behandlung dieser Thematik findet sich bei KATTENBORN (1991), RICHTER (1996, 1998)
und ORTHHABER (1999).
Im Hinblick auf die sich abzeichnenden Sensorentwicklungen (Kap. 3.2.2) wurde damit be-
gonnen, neue oder weiterentwickelte Auswerteverfahren zu testen, die aber zunächst für
anwendungsorientierte Vorhaben nur bedingt geeignet waren (fuzzy-logic-Verfahren, Neuro-
nale Netze, Segmentierung, objektbasierte Ansätze usw.). Seit Mitte der 90er Jahre, mit der
beginnenden Verfügbarkeit von hochauflösenden Daten, gewinnen diese Ansätze zuneh-
mend an Bedeutung. - Entsprechende Studien erfolgten überwiegend zeitlich parallel zu den
Auswertungen für die vorliegende Arbeit und werden an entsprechender Stelle beschrieben.
Die zunehmende Verfügbarkeit von digitalen Geo-Daten, der Aufbau von (forstlichen) Geo-
Informationssystemen sowie steigende Rechnerkapazitäten förderten die Einbindung von
Fachinformationen in den Auswertungsprozess (u.a. KENNEWEG et al. 1993) und steigerten
damit das Nutzungspotenzial von Satellitenbilddaten (Kap. 3.1.2).
Ferner wurde damit begonnen, den Beitrag der Satellitenfernerkundung für landes- und bun-
desweite Forstinventuren auszuloten, die aus Kostengründen als Stichprobeninventuren
konzipiert sind. Verschiedene Ansätze zur Verknüpfung der punktuellen Bestandesinforma-
tionen mit klassifizierten Bilddaten wurden entwickelt, um den terrestrischen Stichproben-
umfang zu reduzieren bzw. die Bestandesparameter eines festen Stichprobenpunktes „in die
Fläche“ zu übertragen (DAHM et al. 1995, TOMPPO & PEKKARINEN 1997, DEES et al. 1998).
DEES (1996) konnte durch Einbeziehung von Satellitenbildern eine Effizienzsteigerung ge-
genüber herkömmlichen terrestrischen Erhebungen aufzeigen. Durch Nutzung von Satelli-
tenbilddaten könnten im Vergleich zu einer solchen Inventur 74 % weniger Trakte aufge-
nommen werden, wenn die Schätzung von Vorrat und Waldfläche im Vordergrund steht.
3.1.1.2.2 Klassische und Neuartige Waldschäden
Grundlegende Untersuchungen zur Verwendbarkeit von Satellitenbildern für die Kartierung
von Waldschäden wurden zwischen 1986 und 1989 im Rahmen des vom damaligen BMFT
geförderten Verbundprojektes der DLR (vormals DFVLR) durchgeführt (LANDAUER & VOSS
1989). Auf Basis umfangreicher Signaturanalysen wurden die Einflüsse einzelner Bestandes-
und Geländeparameter auf das Reflexionsverhalten von Wäldern erfasst. Ferner wurde der
qualitative und quantitative Einfluss von Störeffekten (u.a. Beleuchtungsbedingungen, At-
mosphäre, systembedingte Einflüsse) auf die Reflexionswerte analysiert. Eine Vielzahl von
Ergebnissen ist in die nachfolgend aufgeführten Studien eingeflossen.
KADRO (1990) konnte unter Verwendung mehrerer LANDSAT-Szenen (MSS, TM: 1972 -
1985) die Bestandesauflösungsprozesse im Bereich der Kammlagen und höheren Lagen
des Erzgebirges großräumig visuell interpretieren und dokumentieren.
FÖRSTER (1989) untersuchte im Westharz die Eignung von TM-Daten für die großflächige
Kartierung von Neuartigen Waldschäden in Fichtenreinbeständen. Im Mittelpunkt der Analy-
sen und des Klassifizierungsansatzes stand das Waldschadenssymptom „Entnadelung“.
Wegen der inhomogenen Schadverteilung, des kleinräumig auch innerhalb eines Pixels
(30 m x 30 m) variierenden Entnadelungsgrades von Einzelbäumen bzw. Bestandesteilen,
war eine eindeutige Zuordnung der satellitenbildbezogenen Auswertung zu den terrestri-
schen bzw. luftbildgestützten Schadensansprachen (Schadstufen S0 bis S4) nicht gegeben.
Kapitel 3: Grundlagen
35
FÖRSTER führte daher für den flächenhaften Vergleich eine bestandesbezogene Schadstu-
feneinteilung ein. Der Anteil stark geschädigter Bäume (S2 bis S4: Nadelverlust > 25 %) in-
nerhalb eines Pixels wurde hierbei für die Festlegung von vier Schadenshäufigkeitsklassen
genutzt (vgl. Tab. 1). In Signaturanalysen konnte aufgezeigt werden, dass die Klassifizier-
barkeit von Nadelverlusten von den variierenden Parametern Bestandesalter, Beschir-
mungsgrad sowie Bodenvegetation (bei Bodensicht) beeinträchtigt wird. Ausschließlich in
den Kanälen des nahen und mittleren Infrarot (TM4, TM5) konnte eine schadensbedingte
Veränderung der Reflexionswerte nachgewiesen werden. Die Differenzbildung der Kanäle
TM4 und TM5 lieferte die engsten Zusammenhänge der Signaturen mit den Schadvertei-
lungsmustern bei gleichzeitig geringster Beeinträchtigung durch reliefabhängige Beleuch-
tungsunterschiede. Die Klassifizierung basierte auf einem Schwellenwertverfahren im Diffe-
renzkanal. Eine Stratifizierung nach Beleuchtungsklassen wurde wegen der Kanalauswahl
nicht notwendig. Der Vergleich mit Ergebnissen der niedersächsischen Luftbild-Waldscha-
denserhebung 1984 ergab eine Genauigkeit von ca. 66 %. Ein weiteres Optimierungspoten-
zial sah FÖRSTER in der Einbindung von Forstbetriebs- bzw. Standortskarten.
Tab. 1: Flächenschadstufen nach FÖRSTER (FÖRSTER 1989)
Flächenschadstufe Anteil geschädigter Bäume
Nadelverlust > 25 %
Beschreibung
00 - 10 % keine Schädigung
111 - 33 % geringe Schädigung
234 - 66 % mittlere Schädigung
3über 66 % starke Schädigung
HÄUSLER (1991) führte im Schwarzwald eine Waldschadenskartierung mit TM-Daten durch.
Die besten Resultate wurden durch die Verwendung von Ratio-Kanälen erzielt. Insbesondere
im Quotientenkanal aus TM4 und TM5 wurde der topographische Effekt am besten nivelliert.
Mit Hilfe einer digitalisierten Forstkarte erfolgte eine Stratifizierung nach drei Altersstufen,
wodurch eine verbesserte Schadstufendifferenzierung erreicht wurde. HÄUSLER führte den
Begriff der „spektralen Vitalität“ ein und unterscheidet drei Kategorien (gering, mittel, hoch).
Wegen möglicherweise noch ungeklärten Einflussgrößen auf das vom Sensor empfangene
Signal sollte nach HÄUSLER nicht von Waldschadensunterschieden gesprochen werden. Die
Vergleiche der Klassifizierungsergebnisse mit aus Luftbildern ermittelten Entnadelungsklas-
sen zeigten aber deutliche Parallelitäten.
Am Beispiel von 3 Forstrevieren (Oberförsterei Eibenstock) im Erzgebirge führte HOFMANN
(1992) eine Schadenskartierung mit TM-Daten durch. Hierzu wurde ein GIS aufgebaut (u.a.
DHM, Forstkarten, geologische Karten). Zur Kategorisierung wurde die Schadstufeneintei-
lung gemäß AFL-Schlüssel verwendet (VDI 1990). Jedes Pixel wurde in der Klassifizierung
einer Schadstufe zugeordnet. Die Berechnung einer Bestandesschadstufe erfolgte nicht.
Auflichtungssymptome blieben unberücksichtigt. Für die Kartierung erfolgte eine Schwellen-
wertbildung im Quotientenkanal von TM4 und TM5, getrennt nach drei Illuminationsstraten.
EKSTRAND (1993) bezog bei seinen Schadensklassifizierungen mit TM-Daten an Fichtenrein-
beständen in Schweden digitalisierte Forstkarten mit ein. So konnte der störende Einfluss
des Beschirmungsgrades durch Ausmaskierungen von aufgelichteten Beständen minimiert
werden. Durch die Verwendung von synthetischen Kanälen (u.a. Vegetationsindex) wurde
der Einfluss reliefabhängiger Beleuchtungsunterschiede reduziert.
KENNEWEG et al. (1996) entwickelten Methoden zur Waldschadensklassifizierung an der
Baumart Fichte mittels TM-Daten im Untersuchungsgebiet Harz. Neben dem Waldschadens-
symptom „Entnadelung“ sollte zusätzlich auch das Symptom „Auflichtung“ in einer erweiter-
ten Schadstufeneinteilung Berücksichtigung finden. Die Kombination dieser Parameter setzte
eine Klassendefinition voraus, die im Einklang mit den terrestrischen Inventurmethoden ste-
Kapitel 3: Grundlagen
36
hen musste.
In der Methodikgruppe des vom UNEP/GRID initiierten Verbundprojektes Large Area Opera-
tional Experiment for Forest Damage Monitoring in Europe using Satellite Remote Sensing
(nachfolgend LAOE-Projekt) wurde eine Methodik zur länderübergreifenden Waldschadens-
kartierung erarbeitet (KENNEWEG et al. 1993, UNEP 1995). Es wurde eine Schadstufenein-
teilung vereinbart, die sich aus den Bestandesschadstufen nach FÖRSTER (1989) und dem
Beschirmungsgrad zusammensetzt: Die Bestandesschadstufen werden ausschließlich für
einen Beschirmungsgrad von über 60 % ermittelt, bei stärker aufgelichteten Beständen wird
der Beschirmungsgrad als Ausdruck für Schädigungen angesehen.
Nach dem Aufbau eines Waldinformationssystems (u.a. digitalisierte Forstgrundkarten,
Standortskarten, Forsteinrichtungsdaten, DGM) erfolgte eine umfassende Signaturanalyse
und differenzierte Schadensklassifizierung. Zur Minimierung von Störeinflüssen wurde eine
Stratifizierung nach natürlichen Altersstufen (Wuchsklassen), Beschirmungsgrad und Illumi-
nationsklassen durchgeführt. Aus Entnadelungsgrad und Beschirmungsgrad wurde ein al-
tersspezifischer Gesamtnadelverlust berechnet, welcher als Basis für die Klassifizierung ge-
nutzt wurde. Die Schwellenwert- und die ML-Methode lieferten bei der Klassifizierung von
geschlossenen Waldgebieten vergleichbare Genauigkeiten. Die Klassifizierung von aufge-
lichteten Beständen war hingegen mittels Schwellenwerten besser möglich (TM4, TM5).
Die Untersuchungen des parallel durchgeführten Projektes Waldzustandserfassung im
Fichtelgebirge und Erzgebirge mit Hilfe der Fernerkundung (REUTHER et al. 1996) wurden
durch die Mitarbeit am LAOE-Projekt in entsprechender Weise geprägt. Insbesondere die
Schadstufenfestlegungen wurden für die TM-Datenauswertung übernommen. Die waldinter-
ne Klassifizierung im Erzgebirge erfolgte mittels ML-Methode auf Basis der Infrarot-Kanäle
sowie des Ratio-Kanals TM4/TM5. Auf die Ableitung von Illuminationsstraten wurde verzich-
tet, weil deren Beitrag zur Erhöhung der Klassifikationsgenauigkeit in früheren Untersuchun-
gen überschätzt worden war. Die Ergebnisse der Waldschadenskartierung, innerhalb von
Fichtenreinbeständen der Wuchsklassen Stangenholz bis Altholz, wurden aggregiert (Forst-
revier-Ebene) und Schadzonen abgeleitet. Die Darstellung der Klassifizierungsergebnisse
reichte bis zum Maßstab 1 : 50 000. Es wurde betont, dass ein Bezug zur forstlichen Be-
handlungseinheit, dem Bestand, bei der vorgegebenen geometrischen Auflösung von
30 m x 30 m nicht hergestellt werden kann. In einem Sensorvergleich konnte ferner aufge-
zeigt werden, dass multispektrale SPOT1- und SPOT2-Daten wie auch Radardaten (ERS1-
SAR) im Vergleich zu TM-Daten zur Waldschadenskartierung nicht geeignet sind.
Darüber hinaus nutzten REUTHER et al. (1996) einen hybriden Monitoringansatz für die Kar-
tierung von Bestockungsverlusten im Zeitraum von 1972 bis 1992 (5 LANDSAT-Szenen). Die
Ergebnisse der automatischen Klassifizierung der aktuellsten Szene (Ist-Zustand) wurden
auf Folie geplottet und den älteren analogen Satellitenbildprodukten zur visuellen Interpreta-
tion überlagert. Erkennbare Veränderungen wurden im Maßstab 1 : 200 000 dargestellt.
ARDÖ et al. (1997) führten in einem tschechischen Testgebiet im Erzgebirge eine schrittweise
monotemporale Klassifizierung von Fichtenreinbeständen in 5 LANDSAT-Szenen durch, um
den Prozess der Bestandesauflösungen zwischen 1972 und 1989 zu kartieren. Die maximale
Nadelwaldverteilung wurde mittels überwachter Klassifizierung der ältesten (MSS-) Szene
näherungsweise abgeleitet. Ausschließlich innerhalb der „Nadelwaldmaske“ wurden die übri-
gen Aufnahmen klassifiziert, deren Ergebnisse zur Berechnung von Entwaldungsraten he-
rangezogen wurden.
3.1.1.2.3 Kartierung von Sturmschäden
WIECZOREK (1990) kartierte Sturmwurfflächen im östlichen Hunsrück mit TM-Daten. Das
Schadensbild prägten großflächige Würfe. Die besten Ergebnisse konnten bei Verwendung
eines multitemporalen Datensatzes erzielt werden („vorher-nachher“ - Aspekt). Zudem wur-
den Möglichkeiten zur raschen visuellen Interpretation von analogen Satellitenbildprodukten
auf Basis multitemporaler Datensätze aufgezeigt.
Kapitel 3: Grundlagen
37
KUNTZ & ZIMMERMANN (1993) wählten ebenfalls einen multitemporalen Ansatz, um die Aus-
wirkungen der Orkane Vivian und Wiebke des Jahres 1990 in einem Forstamt in Baden-
Württemberg zu kartieren. Insbesondere die Erfassung von Einzel- und Nesterwürfen erwies
sich wegen des hohen Mischpixelanteils als schwierig. Die verwendeten TM-Szenen konnten
zudem nicht mit ausreichender Genauigkeit aufeinander entzerrt werden. Beides förderte die
Überschätzung der Sturmwurfflächen im Rahmen der automatischen Kartierung.
In beiden zuvor genannten Untersuchungen wurde für die visuelle Erkennbarkeit bzw. Kartie-
rung eine Mindestflächengröße von 1 ha angegeben.
KAHABKA et al. (2001) entwickelten ein zweistufiges Kartierungsverfahren am Beispiel der
Auswirkungen des Orkans Lothar (Dezember 1999) im Starkschadensgebiet Schwarzwald.
Für die erste kurzfristige überregionale Groberfassung werden Radardaten wegen deren
Wetterunabhängigkeit favorisiert. Für eine mittelfristige genaue Kartierung werden in einer
zweiten Phase Daten hochauflösender optischer Satellitensysteme (u.a. IRS-1C) mit vor-
handenen Forstdaten (Forsteinrichtungsdaten, forstliches Geo-Informationssystem) ver-
knüpft und Sturmwurfflächen visuell kartiert. Unter Verwendung von IRS-Daten wurde eine
Erfassungsgenauigkeit von ca. 87 % erreicht (Flächen > 0.5 ha).
Für eine regionale Kartierung desselben Sturmereignisses für Schwarzwald und Vogesen
wurde von KUNTZ (2001) ein multitemporaler hybrider Ansatz unter Verwendung von TM-
und ETM-Daten gewählt („vorher-nachher“ - Aspekt). Nach einer spektralen Waldmaskierung
(Schwellenwertverfahren) erfolgte eine unüberwachte multitemporale Klassifizierung atmos-
phärisch korrigierter Daten zur automatischen Erfassung von potenziellen Sturmwurfflächen.
Diese Vorklassifizierung wurde interaktiv überarbeitet und ergänzt. Im Kartiermaßstab
1 : 200 000 wurden Flächen über 4 ha Größe sicher erfasst. Als Verfahrensschwächen nennt
KUNTZ die fehlende zeitliche Nähe einer verwendbaren Szene (2000er April-Szene) zum
winterlichen Sturmereignis - ein generelles Problem für den Praxiseinsatz. Zudem musste
die Kartierung auf Nadelwälder beschränkt bleiben wegen der fehlenden Belaubung von
Laubwäldern.
3.1.1.2.4 Kartierung von Insektenkalamitäten
KEIL et al. (1990) untersuchten anhand einer Nonnenkalamität im Nürnberger Reichswald,
inwieweit TM-Daten für die Erfassung von biotischen Schäden dieser Art verwendbar sind.
Die Insektenkalamität hatte zu einer großflächigen Entnadelung von Kiefernbeständen ge-
führt. Die Schädigungen reichten von nur geringen Nadelverlusten bis hin zur vollständigen
Entnadelung. Im Gegensatz zu klassischen bzw. neuartigen Waldschäden lag eine homoge-
ne Schadensverteilung vor. In Anlehnung an eine zeitgleich durchgeführte luftbildbasierte
Kartierung erfolgte eine Klassifizierung der Kiefernreinbestände in drei Kategorien (< 11 %,
11 - 50 %, > 50 % Nadelverlust). Als besonders geeignet erwies sich ein Schwellenwertver-
fahren und die Verwendung der Infrarot-Kanäle (TM4, TM5). Die Verifizierung der Ergebnis-
se mit denen der Luftbildauswertung ergab eine Kartierungsgenauigkeit von über 80 %.
COENRADIE (1992) überprüfte die Verwendbarkeit von TM-Daten für die Kartierung von
Totholzflächen im Nationalpark Bayerischer Wald. Hierbei handelte es sich neben Windwür-
fen (liegendes Totholz) insbesondere um Borkenkäferschäden in Fichtenreinbeständen und
Nadel-Laub-Mischbeständen (vorwiegend stehendes Totholz). Letztere traten zumeist klein-
flächig (Borkenkäfernester) oder streifenförmig entlang von Sturmwurfflächen auf. Für die
monotemporale Kartierung der sehr heterogenen Totholzflächen bewährte sich ein Schwel-
lenwertverfahren auf Basis von Infrarot-Kanälen (TM4, TM5, TM4-TM5) und einer Haupt-
komponententransformation (2. Hauptkomponente). Die Erfassungsgenauigkeit variierte in
Abhängigkeit von Größe und Form der Schadflächen, von Bestandestyp, Mischungsform und
Bestandesdichte sowie von der Bodenvegetation (v.a. Art, Dichte, Vitalität).
HILL et al. (2000) kartierten eine Schwammspinnerkalamität (Lymantria dispar L.) im Bien-
wald des Oberrheintals, Rheinland-Pfalz. Der Raupenbefall führte zu einem weitflächigen
Kapitel 3: Grundlagen
38
Licht- und Kahlfraß befallener Laubbäume. Zur Erfassung der Fraßflächen diente eine 91er
TM-Szene als Referenz für den ungeschädigten Zustand sowie zwei weitere aus dem 94er
Schadenssommer zur Dokumentation. Die besten Ergebnisse ergab ein Verfahren zur
Mischpixelmodellierung (Spectral Mixture Modelling), dem eine radiometrische Korrektur der
Daten vorausging. Alle TM-Szenen wurden auf Basis eines „Endmember"-Modells prozes-
siert (Anteile „Vegetation", „Boden", „Schatten" in einer Messung = Pixel). Die Vegetations-
anteile der 94er Kanäle wurden jeweils pixelweise von der Referenzszene (Wert = 100 %)
subtrahiert. Vergleiche mit terrestrischen Auswertungen ergaben hohe Übereinstimmungen:
Auf ca. 90 % der kartierten Fläche wurde auch im Gelände Raupenfraß erfasst.
3.1.1.2.5 Forstkartographische Aspekte
Die Nutzbarkeit von Satellitensystemen für kartographische Zwecke wird von deren Leis-
tungsparametern, insbesondere von der räumlichen Auflösung oder der Stereofähigkeit, be-
stimmt. Die Objekterkennbarkeit und Lagegenauigkeit (bzw. Messgenauigkeit) sind hierbei
wichtige Faktoren, welche die Festlegung von geeigneten Maßstabsbereichen für Satelliten-
bildkarten oder für Darstellungen von Auswertungsergebnissen beschränken.
Die kartographisch-photogrammetrischen Anforderungen an die Positionsgenauigkeit bzw.
Objekterkennung, wie sie an die photogrammetrische Luftbildkartierung zur Herstellung und
Fortführung von Topographischen Karten gestellt werden, liegen beispielsweise für den
Maßstab 1 : 25 000 (1 : 50 000) bei ± 5 m (± 10 m) bzw. 2 m (2 m - 5 m) (KONECNY 1995).
Aus pragmatischen Gründen werden aber in verschiedenen Anwendungsbereichen auch
solche Abbildungsmaßstäbe gewählt, die diesen strengen Kriterien nicht genügen. In der
Literatur finden sich Faustregeln bzw. Orientierungshilfen für die grobe Zuordnung von Sen-
soren und Darstellungsmaßstäben bzw. Planungsebenen (KONECNY 1995, BANKO et al.
1998, ALBERTZ 2001:176ff, EHLERS 2002), die Erfahrungswerte und Empfehlungen darstellen
(vgl. Tab. 2).
Tab. 2: Zuordnung von Satellitensensoren zu geeigneten Darstellungsmaßstäben auf Basis
von kartographischen Anforderungen und Erfahrungswerten
MaßstabSystem / Sensor Objekter-
kennung*) [m] 1 : 100 000 1 : 50 000 1 : 25 000 1 : 10 000 1 : 5 000
LANDSAT5 / TM > 30 MS (MS)
LANDSAT7 / ETM > 30, p: > 15 MS (MS) P, F
SPOT2 / HRV > 20, p: > 10 MS (MS) P, F (P, F)
SPOT4 / HRVIR > 20, p: > 10 MS (MS) P, F (P, F)
IRS-1C / LISS3, PAN > 25, p: > 5 MS (MS) P, F P, F (P, F)
IKONOS 2 > 4, p: > 1 MS (MS) P, F P, F
OrbView > 4, p: > 1 MS (MS) P, F P, F
QuickBird 2 > 3, p: > 1 MS (MS) P, F P, F
Quellen: KONECNY 1995, BANKO et al. 1998, ALBERTZ 2001, EHLERS 2002
MS: multispektral, P: panchromatisch, F: fusioniert
*) grobe Annäherung unter Berücksichtigung der räumlichen Auflösung
In verschiedenen Anwendungsfeldern der Satellitenfernerkundung hat sich die Herstellung
von Satellitenbildkarten als nützliche planerische Hilfsmittel bewährt. Hierunter versteht man
auf die Geometrie einer (topographischen) Karte entzerrte Satellitenbilddaten, die mit karto-
graphischen Gestaltungsmitteln ergänzt und in die äußere Form von Karten gebracht wer-
den. Für Karten in größeren Maßstäben werden i.d.R. panchromatische hochauflösende
Daten und multispektrale Daten geringerer Auflösung zu Farbbildern fusioniert (ALBERTZ
Kapitel 3: Grundlagen
39
2001: 179). Für Forstanwendungen konnten sich diese Bildkarten - im Gegensatz zu opera-
tionellen Luftbildkarten (vgl. Kap. 3.1.1.1) - wegen der unzureichenden Objekterkennbarkeit
in den verfügbaren Bildern zunächst nicht durchsetzen. In den 80er und 90er Jahren wurden
in forstlichen Studien vorwiegend Darstellungsmaßstäbe für Auswertungsergebnisse bis ma-
ximal 1 : 50 000 gewählt (LANDSAT-TM). Aussagen auf Bestandesebene waren nicht mög-
lich. Großmaßstäbige Planungsebenen (Maßstab: < 1 : 25 000, Forsteinrichtung 1 : 10 000)
konnten unter geometrischen und thematischen Kriterien nicht bedient werden.
Mit dem Start der operationellen Satellitensysteme IRS-1C und 1D (1995, 1997) wurden
erstmalig hochauflösende panchromatische Daten mit einer räumlichen Auflösung von ca.
6 m verfügbar (Kap. 3.2.1). Die Detailerkennbarkeit in diesen Bilddaten liegt bei etwa 5 m bis
10 m, sodass seither auch Maßstabsbereiche von 1 : 25 000 unterstützt werden. FRITZ
(1999) konnte unter Einbeziehung von panchromatischen und fusionierten IRS-1C-Daten
das Nutzungspotenzial von hochauflösenden Bildprodukten (Kap. 5.2.3.1) für die visuelle
Erfassung und Delinierung forstlicher Bestandesgrenzen aufzeigen.
3.1.1.2.6 Zusammenfassung und aktuelle Entwicklung
Im Vergleich zu anderen verfügbaren Sensoren erwies sich LANDSAT-TM wegen seiner
radiometrischen und spektralen Eigenschaften als besonders geeignet für die meisten Wald-
bzw. Vegetationsuntersuchungen. Für Waldstrukturklassifizierungen und Waldschadenskar-
tierungen sind Spektralinformationen aus dem nahen und mittleren Infrarot unverzichtbar.
Aufgrund der Pixelgröße der Multispektraldaten beschränkten sich Darstellungen auf den
Maßstabsbereich 1 : 50 000 und kleiner.
Für Waldklassifizierungen wurden pixelbasierte Klassifizierungsverfahren angewendet. Beste
Resultate konnten mittels Maximum-Likelihood- und Schwellenwertmethode erzielt werden.
Eine Verbesserung von Auswertungsergebnissen erfordert die Einbindung von forstlichen
Fachinformationen (v.a. digitale Forstkarten, Forsteinrichtungsdaten) und Geo-Daten (u.a.
DGM) in den Klassifizierungsprozess.
Im Rahmen der Eichung und Validierung von Klassifizierungsverfahren wird angestrebt, mit
möglichst wenig terrestrisch erhobenen Daten auszukommen, da dies einen vergleichsweise
hohen Arbeits- und Kostenaufwand erfordert. Teilweise werden diese Vorgänge mittels Luft-
bildinterpretation erledigt, einem Zwischenschritt, der Geländearbeit einsparen hilft, aber
selbst in Teilen doch darauf angewiesen bleibt (z.B. Interpretationsschlüssel).
In Studien zur Erfassung von Veränderungen wurden vorwiegend die Abnahme des Bestan-
desschlusses, massive Blattverluste oder Waldabgänge dokumentiert - als Auswirkungen
unterschiedlichster Ursachen. In digitalen multitemporalen Auswertungen führten unzurei-
chende Bild-zu-Bild-Registrierungen vielfach zur Verringerung von Kartierungsgenauigkeiten.
Seit Mitte der 90er Jahre werden in zunehmendem Maße Daten moderner Satellitensysteme
verfügbar und ergänzen die bisherige Produktpalette (Kap. 3.2). Zeitgleich zu dieser Ent-
wicklung wurden Forschungs- und Entwicklungstätigkeiten verstärkt, um die erweiterten Nut-
zungspotenziale bzw. den Informationsgehalt von hoch- und höchstauflösenden Satelliten-
bildern besser auszuschöpfen. Aus Sicht des Nutzers stellt sich die Frage nach Algorithmen,
Methoden und Verfahren, mit denen eine operationelle und praxisnahe Datenauswertung
möglich wird. Anbieter von Bildverarbeitungssoftware beginnen damit, ihre Produkte mit
neuen bzw. modernen Auswertungsmethoden zu ergänzen oder gänzlich neue Lösungen
einzuführen. Als Beispiele hierzu sind unter anderem die Softwarepakete eCognition (Firma
Definiens, seit 1999) für die objekt- und regelbasierte Klassifizierung sowie HALCON (Firma
MVTEC, seit 1997) zu nennen. Letzteres wurde in der vorliegenden Arbeit für Segmentie-
rungen herangezogen (Kap. 8.3.2).
Der Trend zu Systemen mit hoher Auflösung ermöglicht zunehmend Kartierungen in größe-
ren Maßstäben - auch im Planungsmaßstab der Forsteinrichtung (1 : 5 000, 1 : 10 000).
Kapitel 3: Grundlagen
40
3.1.2 Einsatz von Geo-Informationssystemen in der Forstwirtschaft
Seit Ende der 80er und Beginn der 90er Jahre wurde mit dem Vorhandensein der entspre-
chenden rechentechnischen Voraussetzungen in den Verwaltungen verstärkt mit dem Auf-
bau von Geo-Informationssystemen (GIS) begonnen. Auf ausführliche Beschreibungen von
GIS wird in der vorliegenden Arbeit verzichtet und auf Lehrbücher verwiesen (u.a. BILL &
FRITSCH 1991). Die Ziele beim Einsatz von GIS bestehen unter anderem in der
· Effizienzsteigerung im Vergleich zu konventionellen Methoden,
· Qualitätssteigerung durch Nutzung fachübergreifender Informationen und der
· Erschließung neuer Anwendungsbereiche.
FRITZ (1999) gibt einen zusammenfassenden Überblick über den Stand des Aufbaus der
forstlichen Geo-Informationssysteme in den einzelnen Bundesländern Deutschlands. Die
Abbildung 3 veranschaulicht am Beispiel des Forstlichen Geographischen Informationssys-
tems Sachsens (FGIS), das seit 1992 an der LAF aufgebaut wird, die wichtigsten Eingangs-
daten eines forstlichen Geo-Informationssystems sowie Möglichkeiten ihrer Zusammenfüh-
rung und gemeinsamen Bearbeitung.
FGIS
Auswertung
Automatisierte
Liegenschaftskarte
(ALK)
Amtliches Topographisch-
Kartographisches
Informationssystem
(ATKIS)
D
R
U
C
K
OUTPUT
INPUT
Thematische Karten
Geologische Karten
Geomophologische Karten
Bodenkarten
Hydromorphologische Karten
Gewässerkarten
Biotopkarten
...
Geometrie-
daten
Forstkarten
Thematische Karten
Flurkarten
Topographische Karten
...
Sach-
daten
Thematische Karten
Geologische Karten
Geomophologische Karten
Bodenkarten
Hydromorphologische Karten
Gewässerkarten
Biotopkarten
...
Luftbilder (Orthophoto)
Satellitendaten
Walddatenbank
der LAF
(periodische Forstbetriebsplanung)
Automatisiertes
Liegenschaftsbuch
(ALB)
Amtliches Topographisch-
Kartographisches
Informationssystem
(ATKIS)
Forstkartenwerk Thematische KartenStatistiken
Forstgrundkarte
Flächenwerk
WaldbiotopkarteStandortskarteForstamtskarte Zielbestockungs-
karte
Waldfunktionen-
karte
Planungskarte
Abb. 3: Aufbau des Forstlichen Geo-Informationssystems Sachsen - FGIS
(verändert, nach COENRADIE et al. 2003)
Unter Ausnutzung funktionaler Zusammenhänge oder wissenschaftlich begründeter Gesetz-
mäßigkeiten können künftige Entwicklungen simuliert sowie deren Ergebnisse prognostiziert
werden. Die Ergebnisse werden in Statistiken (Tabellen, Diagramme) oder Karten darge-
stellt. Zur Präsentation der digitalisierten Objekte und ihrer Analyseergebnisse müssen diese
kartographisch aufbereitet werden. In einem Katalog sind die Signaturen (u.a. Symbole,
Text) festgelegt. Thematische Karten wie beispielsweise die Baumartenkarte der Forstein-
Kapitel 3: Grundlagen
41
richtung können so relativ schnell unter Nutzung von entsprechenden Visualisierungspro-
grammen rechnergestützt erstellt werden.
Die Analyseergebnisse von Forsteinrichtungs-, Standorts-, Waldfunktionen- und Waldbiotop-
daten sowie Fernerkundungsdaten und weiteren Zusatzinformationen finden Eingang in
· Bewirtschaftungskonzepte zur Sicherung der Holzerzeugung, Schutz- und Erholungs-
funktionen,
· die Bewertung des strukturellen und funktionalen Einflusses von Waldveränderungen
auf das Landschaftssystem,
· Zonierungskonzepte für Waldumbaumaßnahmen,
· Dokumentationen von Katastrophen sowie
· ein Monitoring der „Schaddynamik“ durch periodische Wiederholungsaufnahmen.
Die Kontinuität der Datenhaltung in solchen Systemen ermöglicht die Betrachtung von multi-
temporalen Aspekten sowie die Ableitung von Prognosen und Planungsinformationen. Nur
mit Hilfe von GIS sind die rechentechnische Verknüpfung und die gemeinsame räumliche
Betrachtung von auf unterschiedliche geometrische Einheiten (z.B. Waldeinteilung der Forst-
einrichtung, Standortseinheiten) bezogenen Daten möglich. Die auf der Waldeinteilung der
Forsteinrichtung beruhenden Daten der Walddatenbank der Forsteinrichtung können mit den
Aufnahmedaten von Standortskartierung, Waldfunktionenkartierung oder Biotopkartierung
verschnitten werden. Die Einbeziehung von Waldfunktionsdaten bietet Möglichkeiten der
Durchführung von Nutzwertanalysen bzw. monetärer Bewertung der Funktionen des Waldes.
Digitale Höhen- oder Geländemodelle (DHM, DGM) erweitern die Aussagefähigkeit des GIS
in Richtung der dreidimensionalen Betrachtungsweise. Es können folglich auch Problem-
stellungen, die die Geländeneigung und Höhenlage betreffen, bearbeitet werden. So zeigten
KENNEWEG et al. (1996) Möglichkeiten der nach der Exposition modifizierten Herleitung der
höhenzonalen Gliederung des Westharzes unter Verwendung eines DGM auf. Die Ver-
schneidung der höhenzonalen Gliederung mit Standortsparametern diente der Herleitung der
heutigen natürlichen potenziellen Bestockung im Westharz. Unter Verwendung der so her-
geleiteten potenziell natürlichen Vegetation und der heutigen aktuellen Bestockung wurden
von KENNEWEG et al. (1996) die Naturnähe der Waldbestockung im Westharz beurteilt.
Die Integration von Fernerkundungsdaten kann den Aktualitäts- und Dokumentationswert
eines GIS wesentlich erhöhen. Die Aussagegenauigkeit, die Festlegung der kleinsten Be-
zugseinheit und der Darstellungsmaßstab sind von dem verwendeten Fernerkundungssys-
tem abhängig. Einerseits können GIS-Daten dienen zur Verifizierung der Fernerkundungs-
daten sowie der darauf basierenden Auswertungsergebnisse und damit ihrer Bewertung für
die forstliche Praxis. Andererseits können Fernerkundungsdaten aufgrund ihrer aktuellen
Flächeninformation als Zusatzdaten die Forstplanung erleichtern oder zur Aktualisierung
bzw. Laufendhaltung von Fachinformationen beitragen.
Um die Fernerkundungsauswertungen mit den Informationen aus Fachinformationssystemen
(z.B. Walddatenbanken der Forsteinrichtung) zu überprüfen, bedarf es eindeutig definierter
Kriterien, die den jeweiligen Fernerkundungsklassen thematisch einen oder mehrere Forst-
einrichtungsparameter zuordnen (z.B. Alter, Bestandesschlussgrad).
3.2 Satellitensysteme und -sensoren
Zunächst wird eine kurze Beschreibung und Charakterisierung der operationellen Satelliten-
systeme gegeben, deren Daten für die Auswertungen der vorliegenden Arbeit verwendet
werden konnten (Kap. 3.2.1). Ergänzend wird ein Überblick gegeben über moderne optische
Sensoren bereits erfolgreich gestarteter oder geplanter Missionen (Kap. 3.2.2).
Kapitel 3: Grundlagen
42
Auf eine Darstellung der technischen Eigenschaften des MOMS-Sensors, dessen Daten im
MOMSSA-Projekt ursprünglich genutzt werden sollten (vgl. Kap. 1.2), wird verzichtet und auf
das Data User Handbook (DLR 1997) sowie auf Beschreibungen von SEIGE & MEISSNER
(1993) verwiesen.
Hinsichtlich der räumlichen Auflösung wird in Anlehnung an EHLERS (2002) eine Unterschei-
dung in sehr gering (> 250 m), gering (50 - 250 m), mittel (10 - 50 m), hoch (4 - 10 m), sehr
hoch / höchst (1 - 4 m) und ultrahoch (< 1 m) auflösende Satellitensysteme bzw. -sensoren
getroffen.
3.2.1 Verwendete operationelle Systeme
In den praxisorientierten Projekten MOMSSA und OFULSA, in deren Rahmen die Untersu-
chungen der vorliegenden Arbeit stattfanden (vgl. Kap. 1.2), wurden operationelle Satelliten-
systeme der Programme IRS, SPOT und LANDSAT ausgewählt. In Tabelle 3 sind ausge-
wählte Systemparameter aufgelistet, welche die charakteristischen Aufnahmeeigenschaften
der verwendeten Sensoren verdeutlichen. Auf ausführlichere Beschreibungen soll an dieser
Stelle verzichtet werden. Weiterführende Erläuterungen finden sich in KALYANARAMAN et al.
(1995), KRAMER (1996), JÜRGENS (1998) und ALBERTZ (2001: 45ff.) sowie im Internet
(http://www.spotimage.fr, http://www.euromap.de, http://www.eurimage.com).
LANDSAT5 / LANDSAT7
Der Sensor Thematic Mapper (TM) an Bord des bereits seit 1984 im Orbit befindlichen US-
amerikanischen Satelliten LANDSAT5 ist ein mechanisch scannendes Radiometer, das die
elektromagnetische Strahlung in 6 reflektiven Wellenlängenabschnitten und einem thermalen
misst. Wie eine Vielzahl forstlicher Anwendungen gezeigt hat, eignen sich TM-Daten im Ver-
gleich zu denen anderer Sensoren der zweiten Generation von Erdbeobachtungssatelliten
aufgrund ihrer spektralen Informationen am besten für Waldklassifizierungen und für die Er-
fassung von Waldschadensphänomenen (vgl. Kap.3.1.1.2.6). Vor allem die für multispektrale
Klassifizierungen unverzichtbaren Spektralinformationen aus dem nahen und mittleren Infra-
rot (NIR, MIR) werden von vielen anderen Aufnahmesystemen nicht bzw. nur in geringerer
radiometrischer Auflösung erfasst. Die Einsatzmöglichkeiten für forstliche Zwecke wurden
vorrangig von der räumlichen Auflösung begrenzt (30 m x 30 m).
Eine Weiterentwicklung stellt der Enhanced Thematic Mapper (ETM+) dar. Neben einer ver-
besserten räumlichen Auflösung im thermalen Infrarot (60 m x 60 m) verfügt dieser Sensor
zusätzlich über einen panchromatischen Kanal (15 m x 15 m).
SPOT2 / SPOT4
Das französische System SPOT4 wurde im Jahr 1998 gestartet und zählt zu den gegenwär-
tig modernsten Aufnahmesystemen. Zwei baugleiche, unabhängig voneinander arbeitende
Instrumente des nach dem pushbroom-Prinzip arbeitenden Sensors HRVIR (High Resolution
Visible Infrared) sind installiert. Dieser liefert multispektrale (Mode X) oder panchromatische
Aufnahmen (Mode M) und über Parallelschaltung der beiden Instrumente eine Kombination
aus beiden. Im Hinblick auf die Einsatzmöglichkeiten für forstliche Fragestellungen ist der
multispektrale Aufnahmemodus von besonderem Interesse. Im Vergleich zum Sensor HRV
(Haute Résolution Visible) der Vorgängersysteme SPOT1 und SPOT2 besitzt die Weiterent-
wicklung HRVIR bei gleicher Bodenauflösung (20 m x 20 m) eine verbesserte radiometrische
Auflösung (8-bit) und entspricht der von TM. Zudem werden mit einem zusätzlichen Kanal
Spektralinformationen im mittleren Infrarot erfasst.
Im panchromatischen Aufnahmemodus erreichen die genannten SPOT-Sensoren eine Bo-
denauflösung von nominell 10 m x 10 m. Ferner verfügen sie über Schwenkmöglichkeiten
von ± 27° quer zur Flugbahn und erlauben somit Stereo-Anwendungen.
Kapitel 3: Grundlagen
43
IRS-1C / 1D
Der indische Satellit IRS-1C (Indian Remote Sensing Satellite) wurde am 28.12.1995 in Be-
trieb genommen. Im September 1997 folgte der Start des baugleichen IRS-1D. Das IRS-1-
System wird ebenfalls zu den modernen Systemen gezählt und besteht aus 3 Sensoren mit
sehr unterschiedlichen spektralen und räumlichen Eigenschaften, die auf linearen CCD-
Arrays aufbauen und - ähnlich den SPOT-Systemen - nach dem optoelektronischen
pushbroom-Prinzip arbeiten. Schwenkmöglichkeiten von ± 26° quer zur Flugbahn erlauben
Stereo-Anwendungen:
· Der Wide Field Sensor (WiFS) ist aufgrund seiner spektralen und geometrischen Cha-
rakteristika für die vorliegenden Untersuchungen ungeeignet.
· Für forstliche Anwendungen ist vor allem der räumlich hochauflösende panchromatische
Sensor (panchromatic sensor, PAN) von besonderem Interesse. Dieser wurde primär für
kartographische Anwendungen entwickelt. Mit einer nominellen Pixelgröße von
5,8 m x 5,8 m verspricht dieser im Vergleich zu herkömmlichen multispektralen und pan-
chromatischen Systemen, zu einer verbesserten Identifizierung und Abgrenzung von
Objekten bzw. unterschiedlich strukturierten Waldbeständen beizutragen.
· Der multispektrale LISS3-Sensor (Linear Imaging Self Scanning Sensor) nimmt Reflexi-
onswerte in vier Spektralkanälen auf (Grün, Rot, NIR und MIR). Wegen der einge-
schränkten radiometrischen Auflösung (7-bit) und einer räumlichen Auflösung von 23,6 m
(MIR: 70,8 m) stellt dieser jedoch keine wesentliche Neuerung gegenüber herkömmli-
chen Systemen dar. Im Hinblick auf detaillierte Waldklassifizierungen und die Erfassung
von Waldschadensphänomenen stellt insbesondere die geringe Bodenauflösung des
MIR-Kanals ein erhebliches Defizit dar.
Für kartographische Fragestellungen ist die kombinierte Nutzung von zeitsynchron aufge-
zeichneten panchromatischen und multispektralen IRS-1C-Aufnahmen eines Gebietes von
Interesse (vgl. Kap. 5.2.3.1).
Tab. 3: Ausgewählte Parameter der verwendeten Satellitensysteme und -sensoren
System
Sensor
(Mode / Typ)
LANDSAT 5
TM
(MS)
LANDSAT 7
ETM+
(MS / P)
SPOT 1/2
HRV
(MS & P)
SPOT 4
HRVIR
(MS & P)
IRS-1C/1D
LISS3 / PAN
(MS / P)
Start 1984 1999 1986 / 1990 1998 1995 / 1997
B0.45 - 0.52 0.45 - 0.52 - - -
G0.52 - 0.60 0.52 - 0.60 0.50 - 0.59 0.50 - 0.59 0.52 - 0.59
R0.63 - 0.69 0.63 - 0.69 0.61 - 0.68 0.61 - 0.68 0.62 - 0.68
NIR 0.76 - 0.90 0.76 - 0.90 0.79 - 0.89 0.79 - 0.89 0.77 - 0.86
MIR 1.55 - 1.75 1.55 - 1.75 - 1.58 - 1.75 1.55 - 1.75
MIR 2.08 - 2.35 2.08 - 2.35 - - -
Kanäle [µm]
THIR 10.4 - 12.5 10.4 - 12.5 - - -
pan - 0.52 - 0.90 0.51 - 0.73 0.61 - 0.68 0.50 - 0.75
Schwenkwinkel
[°] - - ± 27 c ± 27 c
MS 30 / 120 1) 30 / 60 1) 20 20 23.6 / 70.8 2)
Bodenauflösung
[m] P- 1510105.8
Streifenbreite
[km] 185 185 60 60 142 / 148 2)
70 (pan)
radiometrische
Auflösung 8 bit 8 bit 3) 7 bit
6 bit (pan) 8 bit 7 bit
6 bit (pan)
MS: multispektral, P: panchromatisch, s: Stereo, c: cross track / 1)THIR, 2)MIR, 3)„best 8 of 9“
Kapitel 3: Grundlagen
44
3.2.2 Neue Systeme und Sensoren
Die Palette an verfügbaren Daten optischer Satellitensysteme für die Forstpraxis wird durch
bereits erfolgreich gestartete und geplante Missionen erheblich erweitert. Es handelt sich
teilweise um die Weiterführung von bewährten Programmen mit modernisierten Systemen
und Sensoren (u.a. LANDSAT, SPOT). Hohe Erwartungen werden an die Inbetriebnahme
von hoch- und höchstauflösenden Satellitensystemen geknüpft. Verbesserte Systemeigen-
schaften versprechen ein steigendes Nutzungspotenzial von Bilddaten auch für solche Pla-
nungsebenen, in denen bisher vorwiegend Luftbilder operationell ausgewertet werden (v.a.
Forsteinrichtung). Einen Eindruck von der bereits eingesetzten, rasanten Entwicklung ver-
mittelt die Auflistung von optischen Sensoren und deren Systemparametern in Tabelle 4 (vgl.
auch NIEKE et al. 1997, STONEY 2000 sowie BAKKER 2000).
In der vorliegenden Arbeit konnten einige der modernen Sensoren bereits genutzt werden
(SPOT4, IRS-1C). Die Verfahrensentwicklung sollte weitgehend sensorunabhängig bleiben
und konkrete (zukünftige) Entwicklungen und Eigenschaften optischer Systeme berücksichti-
gen.
Die Eigenschaften moderner optischer Erdbeobachtungssysteme lassen sich vereinfacht wie
folgt charakterisieren:
· Die meisten Systeme liefern sowohl multispektrale als auch panchromatische Daten. Die
Erfassung erfolgt mit unterschiedlichen Sensoren oder kann wahlweise über spezielle
Aufnahmemodi festgelegt werden.
· Die multispektralen Sensoren erfassen die reflektive Strahlung mit Kanälen im sichtbaren
Spektrum sowie im nahen Infrarot. Nur wenige Systeme verfügen über einen weiteren,
für Vegetationskartierungen bedeutsamen Kanal im mittleren Infrarot (u.a. LANDSAT7,
SPOT4, SPOT5A, IRS-P6).
· Multispektraldaten werden zunehmend in räumlichen Auflösungen von unter 20 m bzw.
10 m verfügbar. Die Auflösungsgrenze von 5 m wird von den meisten panchromatischen
Daten unterschritten.
· Die räumliche Auflösung von panchromatischen Daten liegt deutlich über der von multi-
spektralen Daten desselben Systems. Diese Kombination schafft eine ideale Vorausset-
zung für Satellitenbilddatenfusionen (Kap. 5.2.3.1), z.B. zur Ableitung kartographisch
nutzbarer Bildprodukte.
· Speziell für kartographische Zwecke konzipierte Systeme sehen ausschließlich den Ein-
satz eines höchstauflösenden PAN-Sensors vor (u.a. IRS-P5 “Cartosat1“, EROS A1, E-
ROS B1-B6).
· Mit zunehmender räumlicher Auflösung reduziert sich i.d.R. die Breite des Aufnahme-
streifens bzw. die Szenengröße (vgl. Abb. 4). Die Streifenbreite liegt zumeist unter 20 km
(u.a. QuickBird 2, IKONOS 2) bzw. 8 km (u.a. OrbView 3). Lediglich der RapidEye-
Sensor wird während des Überfluges vergleichsweise großflächig (ca. 150 km) und in
hoher räumlicher Auflösung (voraussichtlich 6 m bis 7 m) abtasten.
· Viele Sensoren sind seitlich oder in Flugrichtung schwenkbar, sodass prinzipiell Stereo-
anwendungen möglich werden, vor allem aber eine flexible Aufnahme der Erdoberfläche
gewährleistet ist.
Die Verfügbarkeit von räumlich hochauflösenden Systemen (ca. 4 - 10 m) wird zunehmen.
Auf Daten des panchromatischen IRS-1C Sensors konnte bereits in der vorliegenden Studie
zurückgegriffen werden. Multispektrale Daten mit ähnlichen Auflösungen werden folgen (u.a.
SPOT5A, RapidEye 1-4, ALOS, IRS-P6). Die Planung von RapidEye sieht zudem einen Pa-
rallelbetrieb von voraussichtlich 4 baugleichen Satelliten vor, sodass erstmals eine Erdbeob-
achtung mit einer hohen „zeitlichen“ (Wiederholungsrate) und räumlichen Auflösung erzielt
wird.
Kapitel 3: Grundlagen
45
Tab. 4: Moderne optische Satellitensysteme und -sensoren - eine Auswahl gestarteter und
geplanter Missionen
Kanäle / Modus und räumliche Auflösung [m] Schwenk- Streifen-
Mission / Start Sensor pan multispektral winkel breite
System (-typ) B G R NIR MIR THIR [°] [km]
IRS-1C, 1D 1995/1997 LISS3 23.6 23.6 23.6 70.8 141
PAN 5.8 +/-26 c 70
SPOT 4 1998 HRVIR(2x) 10 20 20 20 20 +/-27 c 60 (2x)
LANDSAT 7 1999 ETM+ 15 30 30 30 30 30 60 - 180
IKONOS 2 1999 (MS&P) 1 4444 +/-30 a, c11
EOS AM-1 2000 ASTER 15 15 15 30(6x) 90 (5x) +/-24 (8) c 60
EROS A1 2000 (P) 1.0 / 1.8 o.A. 6 / 12.5
QuickBird 2 2001 (MS&P) 0.61 2,5 2,5 2,5 2,5 +/-30 a, c 17
OrbView 3 2002 (MS&P) 1 - 24444 +/-23 a, c 8
SPOT 5A 2002 HRG 5 10 10 10 20 +/-19 a, 27 c 60
IRS-P5 > 2002 HR-PAN 2.5 o.A. 30
IRS-P6 > 2002 LISS4 < 10 < 10 < 10 < 10 o.A. 40
RapidEye 1-4 > 2002 (MS&P) 6 - 7 6 - 7 6 - 7 6 - 7 6 - 7 +/-22 c 150
EROS B1-B6 > 2002 (P) 0.82 o.A. 16
ALOS > 2003 AVNIR 2 10 10 10 10 +/-44 a,c 70
PRISM 2.5 stereo a 70 (N)
ARIES-1 >2004 (?) (H) 30 (>60 / >100 Kanäle) +/-30 c 15
(P) 10 +/-30 15
Stand: Ende 2002 / P: panchromatisch, MS: multispektral, H: hyperspektral; a: along track, c: cross
track, stereo: Stereosensor, N: Nadir, o.A.: ohne Angabe, „?“: Realisierung unsicher
Als erster Vertreter der neuen Generation höchstauflösender Sensoren (1 m - 4 m) wurde
das System IKONOS 2 im Dezember 1999 erfolgreich gestartet. Erstmals werden seitdem
digitale Satellitenbilder mit einer Auflösung von ca. 1 m (panchromatisch; multispektral:
4 m x 4 m) für zivile Zwecke angeboten. Panchromatische ultrahochauflösende Bilddaten
(< 1 m) werden in den kommenden Jahren nutzbar sein (u.a. QuickBird 2, EROS B1-B6).
Im Hinblick auf die spektralen Sensoreigenschaften sind ebenfalls Neuerungen zu erwarten.
Geplant sind Missionen mit hyperspektralen Aufnahmesystemen (Bodenauflösung: > 20 m).
Spektrometer sollen die reflektive Strahlung in über 60 Kanälen erfassen (u.a. ARIES-1).
Erste Erfahrungen mit Hyperspektralscannern wurden im Rahmen von flugzeuggestützten
Pilotstudien gesammelt (u.a. PROSMART 1997; HILL 2000). Mit einer operationellen Nutzung
von entsprechenden Satellitensystemen in der Forstpraxis ist jedoch wegen des noch erheb-
lichen Forschungsbedarfs in absehbarer Zeit noch nicht zu rechnen.
Kapitel 3: Grundlagen
46
0
5
10
15
20
25
30
35
0 50 100 150 200
Streifenbreite [km]
räumliche Auflösung [m]
multispektral LANDSAT7
EOS AM1 / ASTER IRS-1C
IRS-P5 IRS-P6
SPOT4 SPOT5
Ikonos 2 OrbView3
EROS A1 EROS-B1-B6
QuickBird2 ALOS
RapidEye1-4 ARIES
Abb. 4: Moderne optische Satellitensysteme und -sensoren - räumliche Auflösung und Auf-
nahmestreifenbreite
3.3 Untersuchungsgebiete
Die Auswertungen für die vorliegende Arbeit wurden in 3 Untersuchungsgebieten durchge-
führt (vgl. Abb. 5). Im Projekt MOMSSA wurden die sächsischen Untersuchungsgebiete
· Erzgebirge und Dübener Heide
ausgewählt (vgl. Abb. 6). Diese stellen landestypische Mittelgebirgs- bzw. Tieflandstandorte
dar und werden von den beiden Hauptbaumarten in Sachsen, der Kiefer bzw. der Fichte,
geprägt. Die Gebiete unterscheiden sich hinsichtlich waldbaulicher, waldstruktureller, stand-
örtlicher und waldschadensstruktureller Aspekte, sodass eine Vielzahl unterschiedlicher Fra-
gestellungen untersucht werden konnte.
Eine thematische Abrundung und Ergänzung liefern Auswertungen, die in der Region des
sachsen-anhaltinischen Forstamtes
· Nedlitz
vorgenommen wurden - einem von drei Untersuchungsgebieten des OFULSA-Projektes
(COENRADIE & KENNEWEG 2002).
Im Freistaat Sachsen sind insgesamt ca. 514 000 ha oder 28 % der Landesfläche mit Wald
bedeckt. Mehr als dreiviertel der Wälder werden durch die Baumarten Fichte (ca. 45 %) und
Kiefer (ca. 35 %) gebildet. In den südlichen niederschlagsreichen Landesteilen herrscht die
Fichte vor, im trockeneren Norden mit seinen leichteren Sandböden dominiert die Kiefer.
Mit einem Waldanteil von ca. 23 % (475 000 ha) zählt Sachsen-Anhalt zu den waldärmsten
Ländern in Deutschland. Weite Teile des Tieflandes werden von der Kiefer geprägt, allein
49 % der Landeswaldfläche entfallen auf sie. Die Fichte erreicht einen Flächenanteil von ca.
15 %, wobei ihr Hauptverbreitungsgebiet der Harz ist. Die wichtigste Laubbaumart ist die
Eiche (ca. 11 %).
Kapitel 3: Grundlagen
47
Forstamt
Nedlitz
Dübener
Heide
Erzgebirge
Abb. 5: Lage der Untersuchungsgebiete - Übersicht
In beiden Bundesländern sind die Wälder - insbesondere Nadelwälder - durch einen hohen
Anteil junger Bestände gekennzeichnet. Das Maximum in der Altersklassenverteilung wird
gebildet von 41 bis 60-jährigen Beständen. Ursache hierfür ist neben umfangreichen Nach-
kriegsaufforstungen infolge von Reparationsschlägen nach dem 2. Weltkrieg auch die indus-
trielle Bewirtschaftung der DDR-Forstwirtschaft mit Umtriebszeiten unter 100 Jahren und
Großkahlschlägen. Ein deutlicher Mangel besteht dagegen bei älteren Bäumen (SÄCH-
SISCHES STAATSMINISTERIUM FÜR UMWELT UND LANDWIRTSCHAFT 1998a, MINISTERIUM FÜR
LANDWIRTSCHAFT UND UMWELT DES LANDES SACHSEN-ANHALT 2001).
Die Landesforstverwaltungen beider Länder erheben nur noch für den Landes-, Körper-
schafts- und (teilweise) Kirchenwald aktuelle Forsteinrichtungsdaten. Für mindestens 50 %
der jeweiligen Landeswaldflächen liegen folglich den Forstverwaltungen zunehmend veral-
tete Informationen vor (vgl. Kap. 1.1). Eine Aufschlüsselung der Wälder nach Eigentumsfor-
men zeigt Tabelle 5.
Tab. 5: Waldeigentumsformen in den Bundesländern Sachsen und Sachsen-Anhalt
Anteil an Landeswaldfläche [%]Eigentumsform
Sachsen Sachsen-Anhalt
Landeswald 36 30
Privatwald und
Treuhandrestwald 47 52
Körperschaftswald 75
Bundeswald 712
Kirchenwald 21
Stand: 31.12.97 - Sachsen (SMUL 1998b) / 01.01.01 - Sachsen-Anhalt (MLU 2001)
Kapitel 3: Grundlagen
48
Abb. 6: Lage der Untersuchungsgebiete Dübener Heide und Erzgebirge im Freistaat Sach-
sen
Kartographie: LAF
3.3.1 Erzgebirge
Räumliche Abgrenzung
Das Erzgebirge umfasst den Abschnitt der kristallinen Mittelgebirge zwischen dem Vogtland
im Westen und dem Elbsandsteingebirge im Osten. Mit einer west-östlichen Erstreckung von
ca. 120 km und einer nordsüdlichen Ausdehnung von 30 bis 40 km ist es das größte Wuchs-
gebiet in Sachsen. Das Untersuchungsgebiet beschränkt sich auf den Bereich des Erzgebir-
ges an der Grenze zur Tschechischen Republik zwischen dem Fichtelbergmassiv im Westen
und dem Kahleberg im Osten. Dieser Bereich zählt zu den Wuchsbezirken
· westliches oberes Erzgebirge (Teilwuchsbezirk Fichtelberg),
· mittleres oberes Erzgebirge,
· östliches oberes Erzgebirge sowie
· obere Nordabdachung des mittleren Erzgebirges / Teilbereiche (LAF 1996).
Forstorganisatorisch umfasst das Untersuchungsgebiet die sächsischen Forstämter Grün-
hain, Neudorf, Ehrenfriedersdorf, Heinzebank, Marienberg, Olbernhau, Brand-Erbisdorf, Bä-
renfels und Altenberg.
Da für das östliche Erzgebirge keine aktuellen wolkenfreien IRS- oder SPOT-Szenen vorla-
gen (Kap. 4.1.1), mussten die Auswertungen auf den Westteil beschränkt werden.
Kapitel 3: Grundlagen
49
Naturräumliche Ausstattung
Im Tertiär brach südlich des heutigen Erzgebirges ein Graben, der Ohretalgraben, ein.
Gleichzeitig wurde am Nordwestrand dieses Grabens die Erzgebirgsscholle um mehr als
1000 m angehoben. Durch diesen Vorgang, der über einen Zeitraum von etwa 30 Millionen
Jahre andauerte, lässt sich die auch noch heute erkennbare flache Abdachung des Erzge-
birges nach Norden und der steile Abfall nach Süden erklären. Die breite, verebnete Nord-
abdachung wird durch zahlreiche Flüsse nach Norden entwässert, die teils tiefe Erosions-
täler gebildet haben (WAGENBRETH et al. 1990). Das Erzgebirge wird vor allem aus meta-
morphen präkambrischen bis altpaläozoischen Gesteinen aufgebaut. Es verdankt seinen
Namen den zahlreichen Erzlagerstätten, die seit über 800 Jahren abgebaut wurden. Die
höchsten Berge sind der Keilberg mit 1244 m auf tschechischer und der Fichtelberg mit
1214 m auf deutscher Seite.
In den unteren und mittleren Berglagen haben sich, in Abhängigkeit vom Ausgangsgestein,
skelettreiche Braunerden bis podsolige Braunerden entwickelt. In den höheren Berglagen
und Kammlagen sind Braunpodsole und Podsole stärker verbreitet. In den niederschlagsrei-
chen höheren Lagen befinden sich zudem ausgedehnte Hochmoore.
Eine höhenzonale Klimastufung ist deutlich ausgeprägt (vgl. Abb. 7). Unterschieden werden
· feuchte Kammlagen (Kf, 3 %),
· feuchte Höhere Berglagen (Hf, 28 %),
· feuchte Mittlere Berglagen (Mf, 48 %) und
· feuchte Untere Berglagen (Uf, 21 %).
Die Niederschläge steigen im Jahresdurchschnitt von 750 - 850 mm in den unteren Berg-
lagen (300 - 500 m) auf bis zu 1200 mm in den Hoch- und Kammlagen an. Gleichzeitig fallen
die Jahresdurchschnittstemperaturen von 7,8°C bis auf 5,5°C ab (LAF 1996).
Abb. 7: Klimastufen im Erzgebirge - Lage der Testgebiete und Testfenster im Untersu-
chungsgebiet
Kartographie: LAF
Kapitel 3: Grundlagen
50
Forstliche Situation
Das Wuchsgebiet Erzgebirge ist mit einem Waldanteil von 42 % eines der waldreichsten
Sachsens. In den höheren Berglagen und Kammlagen liegt der Waldanteil sogar über 70 %,
in den unteren und mittleren Berglagen nur noch etwas über 30 %.
Die natürlichen Waldgesellschaften im Erzgebirge sind stark von der Höhenstufe abhängig.
In den tieferen Lagen wären Hainsimsen-Eichen-Buchenwälder, in den montanen mittleren
Berglagen Hainsimsen-Buchenwälder mit Tanne und Fichte vorherrschend. In den hoch-
montanen höheren Berglagen würden Wollreitgras-Fichten-Buchenwälder sowie Wollreit-
gras-Fichtenwälder in den höchsten Kammlagen folgen (LAF 1996).
Bis zur vorletzten Jahrtausendwende war das Erzgebirge noch geschlossen bewaldet. Erst
im 12. Jahrhundert kam es zu den ersten Waldrodungen und Ortsgründungen. Bis zum be-
ginnenden 14. Jahrhundert hatte sich die Waldfläche um rund 30 bis 40 % reduziert
(THOMASIUS 1995). Im 15. und 16. Jahrhundert kam es infolge des intensiven Erzabbaus zu
einer starken Besiedlung des Erzgebirges, die mit Waldrodungen und einem hohen Holz-
verbrauch im Bergbau verbunden war, sodass die Holzvorräte bald erschöpft waren. Seit
dem 18. und 19. Jahrhundert wurden verstärkt Aufforstungen durchgeführt, die mit einem
Umbau der Wälder zu Fichtenreinbeständen verbunden waren.
Heute ist die Fichte mit einem Anteil von ca. 83 % die dominierende Baumart im Erzgebirge,
in den Wuchsgebieten des Oberen Erzgebirges beträgt der Fichtenanteil sogar über 90 %
(vgl. Abb. 8).
83%
3%
4%
3%
2%
5%
Fichte Kiefer
sonst. Nadelholz Buche
Eiche sonst. Laubholz
Abb. 8: Baumartenverteilung nach Baumartengruppen im Erzgebirge
nach LAF (1996)
Waldschaden
Das Erzgebirge ist ein Schwerpunktgebiet der „Klassischen Rauchschäden“ infolge von SO2-
Luftverunreinigungen. Größere Schäden an Fichtenbeständen waren und sind hier vor allem
in den Kammlagen und höheren Berglagen zu beobachten. Diese Schäden werden durch die
Komplexwirkung der „Neuartigen Waldschäden“ (NOx, Ozon), vereint mit Frostschäden und
sekundären Forstschädlingen verstärkt (LAF 1996).
Auf Basis von Luftbildinterpretationen und terrestrischen Auswertungen wurden seit Ende
der 70er Jahre mit Hilfe des Benadelungsgrades von über 60-jährigen Fichten- und Kiefern-
beständen fünf Immissionsschadzonen ausgeschieden, die auf dem Anteil von Bäumen mit
einem Nadelverlust über 50 % basieren (vgl. Tab. 6 und Tab. 7).
Kapitel 3: Grundlagen
51
Tab. 6: Kriterien der Schadstufenbildung der DDR
Schadstufe
1990
Anteil stark
geschädigter
Bäume [%]
abgestorbene Bäume Mittlere Anzahl ungeschä-
digter Nadeljahrgänge
(Bestandesdurchschnitt)
000 5
1bis 10 nur ausnahmsweise 5
211 - 30 vereinzelt,
vornehmlich vom Rande her 4
331 - 50 einzelstammweise, ggf. flächenweise vom
Rande her 3
451 - 70 einzelstammweise, flächenweise vom Rand
und von lückigen Bestandesteilen her 2
5über 70 flächenweise 2 und weniger
Einteilung nach Betriebsregelungsanweisung BRA V (VEB FORSTPROJEKTIERUNG 1978);
„stark geschädigt“ = Nadelverlust > 50 %
Tab. 7: Kriterien der Schadzonenbildung der DDR
Schadzone 1990 aktuelle Schadstufe(n)
I extrem überwiegend katastrophale Schäden 4 und 5 (AKL II und III)
Iüberwiegend starke Schäden 4 (3, 5)
II überwiegend mäßige Schäden 3, (2)
III überwiegend leichte Schäden 1 und 2, (0)
0keine Schäden keine
Einteilung nach Betriebsregelungsanweisung BRA V (VEB FORSTPROJEKTIERUNG 1978)
Seit 1992 ist in Sachsen ein mehr oder weniger starker Rückgang der SO2-Immissionen zu
beobachten, was auch für das Erzgebirge zutrifft. Im Winter 1995/1996 führten ungünstige
Witterungsbedingungen vorübergehend zu einem erneuten Anstieg der SO2-Immissionen im
Erzgebirge. An der Messstelle Bärenstein im oberen Erzgebirge wurden SO2-Belastungen
mit Wintermitteln von bis zu 147 mg/m3 (gegenüber 66mg/m3 im Winter 1994/95) gemessen,
die auf einen Transport durch Winde von den Kraftwerksfahnen Nordböhmens zurückzufüh-
ren sind. Die hohen SO2-Werte wirkten sich in Verbindung mit der langjährigen Vorschädi-
gung der Bestände und der hohen Säurebelastung der Böden katastrophal auf den Gesund-
heitszustand der Wälder aus (SML 1996). So traten in den Mittelgebirgslagen zwischen
Fichtelberg und Zittauer Gebirge ab März 1996 bei insgesamt 50 000 ha Rotfärbungen an
Nadeln von Fichten auf. Die daraus resultierenden Nadelverluste schädigten 10 000 ha
Fichtenbestände stark, wovon 3 000 ha nahezu ganz abstarben. Besonders dramatisch ge-
staltete sich die Situation in den Wuchsbezirken Mittleres und Östliches Erzgebirge. Dort
zeigten ca. 75 % der Fichten SO2-Schäden mit vorrangig starker Ausprägung. In den Jahren
1996 bis 1998 wurden insgesamt ca. 416 000 ha Schadholz aufbereitet, ca. 330 ha wieder
aufgeforstet und auf ca. 720 ha vorangebaut.
Zur Erfassung der Schadsituation erfolgte neben terrestrischen Inventuren in den Jahren
1996 und 1997 die Luftbildbefliegung der Schadgebiete (Erzgebirge: 1996) mit CIR-Film
(Kap. 4.2). Für alle Fichtenreinbestände und Fichten-Mischbestände mit einem Mischungs-
anteil unter 50 % und älter als 60 Jahre erfolgte eine einzelbaumweise Schadansprache
nach dem Anspracheschlüssel der Arbeitsgruppe Forstlicher Luftbildinterpreten (VDI-
Richtlinie 3793, vgl. Kap. 3.1.1.1) auf Stichprobenbasis. Der Zustand der Fichtenbestände
zwischen 20 und 59 Jahren wurde nach dem Anteil von Fichten mit Nadelverlust ³ 25 % in 4
Kapitel 3: Grundlagen
52
Flächenschadstufen (nach FÖRSTER, vgl. Kap. 3.1.1.2.2) geschätzt (SML 1997). Die Ergeb-
nisse der Luftbildinterpretationen bildeten die Grundlage für die gemarkungsgetreue Aktuali-
sierung der Schadzonierung von 1990. Es wurden 3 Immissionsschadzonen ausgeschieden
(SMUL 1998b und Abb. 2):
· I: starke Schäden (regionale Schädigung: > 66 %, ca. 1 360 ha Wald),
· II: mittlere Schäden (regionale Schädigung: 34 - 66 %, ca. 50 920 ha Wald),
· III: geringe Schäden (regionale Schädigung: 11 - 33 %, ca. 56 160 ha Wald).
3.3.2 Dübener Heide
Räumliche Abgrenzung
Das Untersuchungsgebiet Dübener Heide liegt im Nordwesten des Freistaates Sachsen an
der Grenze zum Bundesland Sachsen-Anhalt (vgl. Abb. 6). Die Landesgrenze zu Sachsen-
Anhalt stellt die nördliche Grenze des Untersuchungsgebiets dar. Östlich und westlich wird
das Gebiet durch die Auenlandschaften von Elbe und Mulde begrenzt. Die südliche Begren-
zung bildet die Wildenhainer Niederung.
Naturräumlich unterteilt sich das Untersuchungsgebiet in die Wuchsbezirke
· Dübener Heidehochfläche,
· Dommitzscher Heiderandplatte und
· Wildenhainer Niederung (nördliche Teile),
die dem Wuchsgebiet Düben-Niederlausitzer Altmoränenland zugeordnet werden. Die Dü-
bener Heidehochfläche nimmt den höchstgelegenen Bereich dieser Landschaft ein. Sie wird,
außer im Norden, von der tiefer gelegenen Dommitzscher Heiderandplatte umgeben.
Das Untersuchungsgebiet deckt die größten Bereiche der sächsischen Forstämter Dober-
schütz und Falkenberg ab.
Naturräumliche Ausstattung
Die Bodensubstrate der Dübener Heide werden aus Moränen, die bis zu 190 m ü. NN an-
steigen, und Sandern aus der Saale-Eiszeit gebildet. Kleine Senken zwischen den Moränen
sind oft vernässt oder vermoort. Auf Sand- und Geschiebelehmresten sowie tertiären San-
den, Tonen und Braunkohlen hat sich ein buntes Mosaik von Böden entwickelt. Tieflehm-
Fahlerden und -Staugleye, Sand-Braunerden und -Podsole, Gleye und Moore bilden hier
hauptsächlich forstliche Standorte mit einer mittleren Nährstoffversorgung von ca. 87 %.
Auch die welligen bis flachen, sanft abfallenden Platten der Dommitzscher Heiderandplatte
wurden von der Saale-Kaltzeit geprägt. Die hier vorherrschenden Sand-Braunerden, Braun-
podsole, die z. T. übersandeten Lehm-Böden sowie in Schmelzwasserrinnen Sand-Gleye
bilden auch hier überwiegend forstliche Standorte mit mittlerer (68 %) sowie ziemlich armer
Nährstoffversorgung (18 %). In der fast ebenen Wildenhainer Niederung befinden sich grö-
ßere vermoorte Flächen. Die forstlichen Standorte sind in diesem Bereich von mittlerer
(65 %) und ziemlich armer Nährkraft (32 %).
Die durchschnittlichen Niederschlagsmengen schwanken zwischen 550 und 660 mm (LAF
1996).
Forstliche Situation
Als natürliche Waldgesellschaften sind Hainsimsen-Eichen-Buchenwälder, Hainbuchen-
Eichenwälder, Birken-Stieleichenwälder sowie Erlenwälder anzusehen.
Große Waldrodungen in der Dübener Heide setzten im 8. und 9. Jahrhundert ein und bereits
im 13. Jahrhundert war die Entwicklung zur heutigen Wald-Feld-Verteilung im Wesentlichen
Kapitel 3: Grundlagen
53
abgeschlossen. Bis ins 16. Jahrhundert erfolgte ein Bestockungswandel zugunsten der Ei-
che. Diese ließ sich durch Stockausschlag gut vermehren und ihr regelmäßiger Fruchtansatz
ermöglichte die Schweinemast. Im 19. Jahrhundert erfolgte der Übergang zur Kiefernwirt-
schaft, da infolge der starken Streunutzung und nachlassender Fruktifikation der Fortbestand
der naturnahen Wälder nicht gewährleistet war.
Im Untersuchungsgebiet dominieren heute unter den Bestandeszustandstypen mit 84,8 %
der Holzbodenfläche die Nadelbaumtypen (vgl. Tab. 8). Dabei haben die Kieferntypen mit
einem Anteil von fast 97 % ein deutliches Übergewicht.
Wie in ganz Sachsen ist die Altersklasse 41 - 60 Jahre mit etwa 30 % der Flächen deutlich
zu stark vertreten, während alle Altersklassen über 80 Jahre nur ca. 18 % der Fläche reprä-
sentieren - die Ursachen hierfür wurden bereits genannt (LAF 1994, 1996).
Tab. 8: Baumartenstruktur nach Bestandeszustandstypen im Untersuchungsgebiet Dübener
Heide
Bestandeszustandstypen Fläche
[ha]
Anteil
[%]
häufige Mischbaumarten
Nadelbaumtypen 7707,7 84,8
Fichtentypen 21,5 0,2 Birke, sonstiges Weichlaubholz
Kieferntypen 7466,2 82,2 Birke, Buche, Eiche
Lärchentypen 220,0 2,4 Kiefer, Birke
Laubbaumtypen 1379,2 15,2
Eichentypen 477,3 5,2 Birke, Buche, Kiefer
Buchentypen 336,0 3,7 Eiche, Kiefer
sonst. Hartlaubtypen 142,4 1,6 Eiche, Kiefer, Birke, Hainbuche
sonst. Weichlaubtypen 423,5 4,7 Kiefer, Birke, Erle
Gesamt 9086,9 100,0
Stichtag: FoA Falkenberg 01.01.1994, FoA Doberschütz 01.01.1997 (LAF 1994, 1997)
Waldschaden
In der Dübener Heide beeinflussen besonders Schälschäden, Harzschäden sowie blatt- und
nadelschädigende Insekten den Waldzustand. Die Dübener Heide liegt entsprechend der
Schadzonierung von 1990 in der Immissionsschadzone III (geringe Schäden; vgl. Abb. 2).
Die Belastung durch industrielle Immissionen, die die Dübener Heide in den 60er und 70er
Jahren zu einem Gebiet für „Klassische Rauchschäden" gemacht hatte, existiert nicht mehr.
Die Ursachen der Schädigungen sind vor allem in der Intensivtierhaltung, insbesondere der
Geflügelproduktion in Mockrehna, zu sehen (LAF 1996). Ende der 90er Jahre kam es auf-
grund des Rückganges der Intensivtierhaltung und günstiger Witterungsbedingungen zu ei-
ner deutlichen Verbesserung der Schadsituation in der Dübener Heide. Die Aktualisierung
der Schadzonierung von 1990 wurde deshalb nur für die „Klassischen Immissionsschadge-
biete" im Süden des Landes (u.a. Erzgebirge) durchgeführt (SMUL 1998b).
3.3.3 Forstamt Nedlitz
Räumliche Abgrenzung
Das Forstamt Nedlitz (Gesamtfläche: 12 395 ha) liegt in den höher gelegenen zentralen Be-
reichen des westlichen Fläming und grenzt im Osten an das benachbarte Bundesland Bran-
denburg. Der Höhenzug des Fläming erstreckt sich in NW-SO-Richtung zwischen dem Glo-
Kapitel 3: Grundlagen
54
gau-Baruther Urstromtal im Norden und dem Bresgau-Magdeburger Urstromtal im Süden.
Das Untersuchungsgebiet liegt auf dieser flachwelligen, nach Westen abfallenden Hochflä-
che in Höhenlagen von 90 m bis 170 m ü. NN. Unterbrochen wird die Hochfläche von Niede-
rungsbereichen der Nuthebäche, die das Gebiet zur Elbe nach Süden und Südwesten ent-
wässern. Die landwirtschaftlich geprägten Niederungen der Nuthe und der Rossel bilden die
südliche Begrenzung des Forstamtes. Im Westen markieren kleinere Waldgebiete und Split-
terflächen als Ausläufer der weitgehend zusammenhängenden Waldflächen des Fläming die
Forstamtsgrenze (FLA 1998).
Naturräumlich gliedert sich das Untersuchungsgebiet in die sehr ähnlichen Wuchsbezirke
· Wiesenburger Fläminghochfläche (Nr. 1601, Teil Sachsen-Anhalt) und
· Nedlitzer Flämingrandplatte (Nr. 1602),
die dem Bundesland übergreifenden Wuchsgebiet Hoher Fläming zugeordnet werden (vgl.
Abb. 9 und SCHWANEKE & KOPP 1994).
Die Bundesforste im nördlichen Bereich des Forstamtes wurden von den Untersuchungen
ausgenommen, da hier keine Zusatz- und Forsteinrichtungsdaten verfügbar waren.
Untersuchungsgebiet
„FoA Nedlitz“
Abb. 9: Forstliche Wuchsgebiete und Wuchsbezirke in Sachsen-Anhalt - Lage des Untersu-
chungsgebiets Nedlitz
Karte aus SCHWANEKE & KOPP (1994)
Naturräumliche Ausstattung
Das Untersuchungsgebiet ist der Standortsregion Tiefland zuzurechnen, die von quartären
Ablagerungen der Warthevereisung geprägt wird. Pleistozäne und holozäne Ablagerungen
wie Grund- und Endmoränen, Sander, Talsande wurden durch periglaziale Vorgänge über-
prägt, sodass relativ einheitlich aufgebaute Ausgangssubstrate für die Bodenbildungspro-
Kapitel 3: Grundlagen
55
zesse vorlagen. Auf tief entkalkten und verwitterten Ablagerungen bildeten sich nährstoff-
mittlere Sand-Braunerden und Tieflehm-Fahlerden sowie ärmere Sand-(Braun)Podsole. In
Senken und Niederungen der Grundmoränenplatten treten Lehm- und Tieflehm-Staugleye
sowie Sand-Gleye auf. Nur im Bereich der größeren Nutheniederungen sind kräftige Stand-
orte ausgebildet (FLA 1998).
Die beherrschende Klimastufe ist das mäßig trockene Tieflandsklima (Tm) mit jährlichen
Niederschlägen von 540 bis 620 mm.
Forstliche Situation
Die natürlichen Waldgesellschaften wurden im Bereich des Forstamtes Nedlitz gebildet aus
Kiefern-Eichenmischwäldern, Kiefern-Birkenbruch-, Roterlenbruch-, Eichenmisch- und Trau-
beneichen-Buchen-Wäldern. Diese wurden vor allem durch Kiefernforste ersetzt.
Zu ersten Waldrodungen kam es im 12. Jahrhundert im Zuge der Flämingkolonisation durch
Albrecht den Bären. Nach zwischenzeitlicher Landflucht setzte eine erneute Besiedlung im
15. Jahrhundert ein, verbunden mit einem hohen Brennholz- und Bauholzbedarf. Dies hatte
eine Verheidung vieler Wälder zu Folge. Durch die Benennung eines „Holzförsters zu Ned-
litz“ im Jahre 1571 wurde versucht, die ungeregelte Holznutzung zu stoppen. Doch erst im
18. Jahrhundert begannen waldbauliche Tätigkeiten und Waldordnungen wurden aufgestellt
zur Regelung von Holzeinschlag und Aufforstungen. In den streugenutzten Kiefernforsten
der Nedlitzer Randplatte entstand in Bärenthoren die Idee des Kiefern-Dauerwaldes. Der
heutige Waldbestand war flächenmäßig zu Beginn des 19. Jahrhundert erreicht (FLA 1998).
In der industriell ausgerichteten Forstwirtschaft der DDR wurde - insbesondere in den er-
tragsreichen Gebieten des Fläming - die Entwicklung von Kiefern-, Lärchen- und Douglasien-
forsten vorangetrieben. Es resultierte eine zunehmende Dominanz der Gemeinen Kiefer und
ein weiterer Rückgang der Laubbaumarten.
3%
69%
4%
9%
10%
5%
Lärche Kiefer
sonst. Nadelholz Buche
Eiche sonst. Laubholz
Abb. 10: Baumartenverteilung nach Baumartengruppen im Forstamt Nedlitz
nach FLA (1998)
Der heutige Waldanteil liegt bei über 50 % und damit deutlich über dem Landesdurchschnitt.
Im Forstamt ist eines der landesweit größten Waldgebiete des Tieflandes erhalten geblieben,
in dem noch größere Buchen-Traubeneichen-Wälder und Kiefernmischwälder vorkommen.
Die Baumartenzusammensetzung wird dennoch von der Gemeinen Kiefer dominiert
(> 69 %). Von den Laubbaumarten erreichen Eichen und Buche einen Anteil von jeweils über
9 % (vgl. Abb. 10). Die negativen Auswirkungen des Kiefernanbaus wurden im Bereich des
heutigen Forstamtes bereits früh erkannt und eine Begründung von Mischwäldern mit Kiefer,
Eiche, Rotbuche, Hainbuche, Fichte und Linde eingeleitet. Über Vor- und Unterbauten wurde
zudem begonnen, den Laubholzanteil in Kiefern- und Lärchenreinbeständen langfristig zu
erhöhen (FLA 1998).
Kapitel 3: Grundlagen
56
Waldschäden
Durch hohe Stickstoffimmissionen aus dem Raum Coswig-Pieterritz-Wittenberg hatte im
Fläming eine Eutrophierung eingesetzt, die zu einer erhöhten Labilität der Kiefer führte
(SCHWANEKE & KOPP 1994). In der Vergangenheit waren Schädigungen auch auf die Inten-
sivtierhaltung zurückzuführen. Wie in der Dübener Heide führte Ende der 90er Jahre der
Rückgang der Intensivtierhaltung und günstige Witterungsbedingungen zu einer deutlichen
Verbesserung der Schadsituation.
Kapitel 4: Datengrundlagen
57
4 Datengrundlagen
Zur Bearbeitung der verschiedenen Themenschwerpunkte wurden neben Satellitenbilddaten
(Kap. 4.1) zusätzlich CIR-Luftbilder (Kap. 4.2), Forstdaten (Kap. 4.3) und Geo-Daten (Kap.
4.4) herangezogen, um diese - soweit praktikabel und sinnvoll - in verschiedenen Teilen des
Auswertungsprozesses zu integrieren. Zur Entwicklung praxisnaher Verfahren soll insbeson-
dere eine weitgehende Nutzung von Forsteinrichtungsdaten und Forstkarten (v.a. Forst-
grundkarte) angestrebt werden. Wesentliche Aspekte sind in diesem Zusammenhang vor
allem die Beschränkung von Geländearbeiten und Luftbildauswertungen auf ein erforderli-
ches Mindestmaß zur Reduzierung des Arbeitszeit- und Kostenaufwands, die Schaffung ei-
nes praktikablen Datenflusses und -austauschs (u.a. Forstliches Informationssystem) sowie
die verbesserte Inwertsetzung von Auswertungsergebnissen.
4.1 Satellitenbilddaten
Für die Untersuchungen wurden Szenen der operationellen Satellitensysteme IRS-1C,
SPOT4, SPOT2, LANDSAT5 und LANDSAT7 ausgewählt und als systemkorrigierte Daten-
sätze bezogen (vgl. Tab. 9).
4.1.1 Verwendete Szenen
Für die Waldstrukturklassifizierung „Dübener Heide“ wurden zwei aktuelle IRS-1C- Aufnah-
men sowie eine LANDSAT5-TM-Szene aus der Vegetationsperiode ausgewählt (11.06.97,
13.08.97 sowie 02.06.97).
Für die Waldschadenskartierung „Erzgebirge“ musste die Recherche zeitlich eingegrenzt
werden, da Szenen aus den Monaten Mai und Juni wegen des frischen Nadelaustriebs nicht
verwendbar sind (FÖRSTER 1989). Als besonders geeignete Monate gelten Juli und August.
Eine multispektrale SPOT4-Szene (11.08.98) konnte diese Anforderung in idealer Weise
erfüllen. Weitere Szenen der Systeme SPOT2 (panchromatisch) und IRS-1C sollten für wei-
tere Fragestellungen genutzt werden.
Für die Untersuchungen im Forstamt Nedlitz konnte auf 4 LANDSAT-Aufnahmen (02.06.97,
30.04.99, 19.07.99, 04.09.99) und eine IRS-1C-Aufnahme zurückgegriffen werden.
4.1.2 Datenqualität
Die Verwendbarkeit von Satellitenbildern wird maßgeblich von der radiometrischen und ge-
ometrischen Datenqualität bestimmt bzw. eingeschränkt. Die qualitative Beurteilung ist wie-
derum von den Anwendungsschwerpunkten und den damit verbundenen Auswertungen ab-
hängig und damit nicht pauschal möglich.
4.1.2.1 Radiometrische Aspekte
Atmosphärischer Einfluss
Für die Beurteilung der Szenen wurden Daten benachbarter Klimamessstationen des Deut-
schen Wetterdienstes herangezogen (DEUTSCHER WETTERDIENST: Monatliche Witte-
rungsberichte), die eine Abschätzung des atmosphärischen Einflusses auf die Bilddaten er-
möglichen (v.a. horizontale Sichtweite, relative Luftfeuchte). Die Kanäle des sichtbaren
Spektrums wurden am Display betrachtet, da diese am stärksten beeinträchtigt werden (vgl.
Tab. 9).
Kapitel 4: Datengrundlagen
58
Tab. 9: Verwendete Satellitenszenen - atmosphärische Beeinträchtigungen und Gebietsab-
deckungen
System Sensor /
Szene
Aufnahme-
zeitpunkt
Atmosphärische Beeinflussung /
(Bewölkung, Sichtweite)
Dübener Heide
IRS-1C LISS3 27/31 02.06.97 wolkenfrei
PAN 27/31-D Sichtweiten: > 30 km
LISS3 27/31 13.08.97 wolkenfrei, nördlich beginnende Schleierbewölkung
PAN 27/31-D Sichtweiten: > 25 km
LANDSAT 5 TM: 193/00
(Miniszene)
11.06.97 wolkenfrei
Sichtweiten: > 30 km
Erzgebirge
IRS-1C LISS3: 28/32
PAN: 28/32-D
14.05.97 z.T. größere Quellwolken
Sichtweiten: > 20 km
westliche Gebiete nicht auswertbar (Fichtelberg)
LISS3: 28/32
PAN: 28/32-D
11.09.97 z.T. größere Quellwolken; Schleierwolken (Westteil)
Sichtweiten: > 20 km
westliche Gebiete nicht auswertbar (Fichtelberg)
SPOT2 PAN: 60/247 07.08.98 Quellwolken
Sichtweiten: > 20 km
Gebietsabdeckung: östliches Erzgebirge
SPOT4 HRVIR: 60/247 11.08.98 nahezu wolkenfrei, lokaler Dunst (nördliches Vorland)
Sichtweiten: > 40 km
Gebietsabdeckung: westliches Erzgebirge
Nedlitz
LANDSAT5 TM 02.06.97 wolkenfrei
Sichtweiten: > 30 km
TM 30.04.99 wolkenfrei
Sichtweiten: > 30 km
TM 19.07.99 wenige kleinere Quellwolken
Sichtweiten: > 30 km
LANDSAT7 ETM+ 04.09.99 wolkenfrei
IRS-1C LISS3
PAN
21.06.98 wenige kleinere Quellwolken
Quellen: DEUTSCHER WETTERDIENST - Monatliche Witterungsberichte; Schätzungen auf Basis
von Werten benachbarter Klimamessstationen
Die Dübener Heide und das Untersuchungsgebiet Nedlitz wurden in nahezu allen Szenen
wolkenfrei abgebildet. Nur geringfügige Beeinflussungen durch Dunst oder Aerosole konnten
festgestellt werden.
Der westliche Teil des Erzgebirges wird in der SPOT4-Szene mit der geringsten Beeinträch-
tigung durch Bewölkung abgebildet. Vor dem Überflugtermin wurden an relevanten Messsta-
tionen große horizontale Sichtweiten geschätzt (z.T. > 40 km). Zum Zeitpunkt des SPOT2-
Überfluges lagen vergleichsweise geringere Sichtweiten vor. Die geringe visuelle Detailer-
kennbarkeit in der panchromatischen SPOT2-Szene kann daher teilweise auf die atmosphä-
rischen Beeinträchtigungen zurückgeführt werden. Die IRS-1C-Aufnahmen sind wegen Wol-
kenbedeckungen für großflächige Auswertungen ungeeignet. Deren Verwendung
konzentrierte sich auf die multisensorale Erstellung von hoch aufgelösten Bildprodukten für
kleinere Gebietsausschnitte (Kap. 5.2.3.1).
Radiometrische Bildstörungen
Die systemkorrigierten panchromatischen IRS-1C-Szenen weisen feine, unregelmäßige
Streifungen in Flugrichtung auf, die vor allem im Bereich von gering reflektierenden ge-
Kapitel 4: Datengrundlagen
59
schlossenen Kiefern- oder Fichtenbeständen und Gewässern deutlich hervortreten und ra-
diometrische Qualitätsdefizite des PAN-Sensors offenbaren (vgl. Abb. 11).
Eine Eliminierung dieser Störungen durch statistische Verfahren bzw. Histogrammanpas-
sungen war in den bereits flugbahnorientiert bezogenen Ausgangsdaten nicht möglich. Ver-
fahren zur Modifizierung des Frequenzspektrums (u.a. Fourier-Analyse) ergaben ebenfalls
keine nennenswerten radiometrischen Bildverbesserungen. Die Ableitung von Texturpara-
metern wurde dadurch erheblich beeinträchtigt und die Einbindung entsprechender Informa-
tionen in die waldstrukturelle Untersuchung stark eingeschränkt.
In den panchromatischen SPOT2-Daten waren Bildstreifungen weniger stark ausgeprägt.
Die radiometrischen Qualitäten der multispektralen IRS- und LANDSAT-Daten waren zufrie-
denstellend. Im Vergleich dazu konnte die Radiometrie der SPOT4-HRVIR-Daten als ausge-
zeichnet bewertet werden. Auch bei starker Kontraststreckung waren Streifungen nur margi-
nal erkennbar.
Abb. 11: Streifungen in systemkorrigierten panchromatischen IRS-1C-Daten
oben: unregelmäßige Streifungen in Flugrichtung
unten: störungsbedingte Grauwertevarianz innerhalb eines homogenen geschlossenen Kiefernbe-
standes (Messstrecke A-B)
Szene 27/31-D vom 02.06.97 / UG Dübener Heide
Kapitel 4: Datengrundlagen
60
Radiometrische Empfindlichkeit
Innerhalb von schwach reflektierenden Nadelholzbeständen zeigen panchromatische IRS-
1C- und SPOT2-Daten eine geringe Grauwertdynamik. Dies beruht einerseits auf den gerin-
gen radiometrischen Auflösungen der Sensoren (64 Graustufen bzw. 6 bit). Andererseits
sind die Bandbreiten dieser Kanäle auf das Spektrum des sichtbaren Lichts begrenzt (vgl.
Tab. 3), sodass die waldklassenspezifischen Reflexionseigenschaften im infraroten Spekt-
rum nicht unmittelbar erfasst werden.
Im Sensorvergleich konnten in der panchromatischen SPOT2-Szene deutlich stärkere Über-
strahlungseffekte festgestellt werden. Innerhalb von Waldflächen treten diese vor allem an
kontrastreichen Waldrand-Feld- sowie Wald-Weg-Übergängen auf (vgl. Abb. 12).
Im visuellen Vergleich der panchromatischen IRS-Szenen konnten deutliche Unterschiede in
der Grauwertedynamik festgestellt werden. Hiernach zeigten die Juni-Aufnahmen (Dübener
Heide, Nedlitz) den weitaus größten Differenzierungsgrad innerhalb der Waldflächen. In der
August-Aufnahme bzw. den das Erzgebirge abbildenden Szenen waren Strukturen und For-
men visuell schlechter erkennbar. Der stark variierende Differenzierungsgrad kann auf das
Zusammenwirken von mehreren Einflussfaktoren zurückgeführt werden:
· geringfügige Unterschiede der atmosphärischen Bedingungen (v.a. Dunst),
· zusätzliche Abflachung der Grauwertedynamik mit abnehmender Illumination
(v.a. Sonnenstand, reliefabhängige Reflexionsunterschiede),
· phänologische Situation.
Die Einsatzmöglichkeiten der verfügbaren panchromatischen Szenen waren somit sehr un-
terschiedlich zu beurteilen.
Die Untersuchungen zur Erfassung von Formen und Texturen wurden in erster Linie anhand
der die Dübener Heide abbildenden Juni-Szene (IRS-1C) durchgeführt.
SPOT2 (panchromatisch) IRS-1C / PAN
Abb. 12: Überstrahlungseffekte in kontrastreichen Bildbereichen in panchromatischen
SPOT2-Daten
Bildvergleich: SPOT2 (07.08.98) und IRS-1C (11.09.97), systemkorrigiert / UG Erzgebirge
4.1.2.2 Geometrische Aspekte
Die SPOT2-, SPOT4- und IRS-1C- Aufnahmen wiesen eine ausgezeichnete innere Szenen-
geometrie auf. In der kanalweisen Prüfung konnten keine markanten Zeilen- oder Spalten-
versätze lokalisiert werden. Dies ist im pushbroom-Aufnahmeprinzip der optoelektronischen
Kapitel 4: Datengrundlagen
61
Sensoren begründet und ist eine Grundvoraussetzung für eine genaue geometrische Kor-
rektur (vgl. Kap. 3.2.1).
Die systemkorrigierten LANDSAT5- und LANDSAT7-Aufnahmen (TM, ETM+) wiesen hinge-
gen eine deutlich geringere Qualität der inneren Szenengeometrie auf. Benachbarte Sweeps
(= 16 Zeilen) sind vereinzelt um +/- 1 Pixel gegeneinander verschoben. Dieser systembe-
dingte Versatz bei mechanisch scannenden Radiometern sollte nach der Systemkorrektur
eliminiert sein. Zwangsläufig führen diese Unzulänglichkeiten zu einer Verminderung der
geometrischen Lagegenauigkeit im entzerrten Bild, da einzelne Scanzeilenversätze im Geo-
kodierungsprozess nicht korrigierbar sind. Eine detaillierte Untersuchung zu diesem Problem
findet sich bei EHRHARDT (1990). Ferner wurde eine regelmäßige, auf die Systemkorrektur
zurückzuführende Zeilenverdoppelung nach jedem Vorwärts- und Rückwärtsschwenk des
Scanners (= 32 Zeilen) festgestellt (vgl. Abb. 13).
Abb. 13: Ermittlung gleicher Grauwerte von Bildpunkten benachbarter Scanzeilen in system-
korrigierten LANDSAT5-TM-Daten
links: Analyseergebnis mit erfassten Scanzeilenverdoppelungen („Linien“)
rechts: Ausschnittvergrößerung, Kanal TM4
4.2 CIR-Luftbilder
Erzgebirge und Dübener Heide
Analoge CIR-Luftbilder (Maßstab: 1 : 7 000; Längs- und Querüberdeckung: 60 %, 30 %)
wurden vorrangig im Untersuchungsgebiet Erzgebirge eingesetzt für
· die Abgrenzung von Trainingsgebieten,
· die Erfassung von Klassifizierungsparametern,
· die Bestimmung des Beschirmungsgrades und Entnadelungsgrades von
Referenzbeständen / Trainingsgebieten sowie für
· die Verifizierung der Klassifizierungsergebnisse.
Es wurden Aufnahmen bzw. Auswertungsergebnisse von Befliegungen aus drei Jahren ge-
nutzt.
Im Jahr 1996 erfolgte eine flächendeckende CIR-Luftbildbefliegung des östlichen und mittle-
ren Erzgebirges. In mehreren Teilbefliegungen wurde das extreme Schadereignis des Win-
Kapitel 4: Datengrundlagen
62
ters 1995/96 erfasst (vgl. Kap. 3.3.1), das in den Jahren 1996 und 1997 erhebliche Verände-
rungen in den Beständen der Hauptschadensgebiete bewirkte. Neben den unmittelbaren
Schäden an den Bäumen führten zu dieser Situation sowohl forstliche Maßnahmen - wie die
Räumung betroffener Flächen und Sanitärhiebe stark geschädigter Bäume - als auch Folge-
schäden durch Windwurf in den stark aufgelichteten, instabilen Beständen.
Da in den Satellitenbildern die Waldstrukturen und Waldschäden der Jahre 1997 und 1998
abgebildet wurden, war das 96er CIR-Luftbildmaterial nur beschränkt nutzbar (u.a. Erfassung
des Beschirmungs- und Entnadelungsgrades von Referenzbeständen). Im Jahr 1997 erfolgte
daher eine projektbezogene Neubefliegung (v.a. Testgebiet Marienberg).
Zudem konnte später auf 99er Luftbilder zurückgegriffen werden (COENRADIE et al. 2003).
Forstamt Nedlitz
Für die Auswertungen im Forstamt Nedlitz konnte auf digitalisierte orthorektifizierte CIR-
Luftbilder zurückgegriffen werden, die vom Ministerium für Landwirtschaft und Umwelt des
Landes Sachsen-Anhalt bereitgestellt wurden. Die nahezu landesweite Hochbefliegung wur-
de im Juni des Jahres 2000 durchgeführt (UG Nedlitz: 20.06.2000).
Die digitalen Orthophotos dienten vorrangig als zusätzliche Informationsquelle im Rahmen
der visuellen Interpretation und der Verfahrensentwicklung (Veränderungsnachweise).
4.3 Forstdaten
Unter dem Begriff „Forstdaten" werden in der vorliegenden Studie sowohl Forsteinrichtungs-
daten, Forstgrundkarten, Standortskarten und Forstplanungskarten als auch Ergebnisse aus
terrestrischen Erhebungen und Luftbildauswertungen verstanden. Auf den häufig verwende-
ten Begriff „Zusatzdaten" soll in diesem Zusammenhang verzichtet werden. In technologisch
orientierten Forschungsarbeiten gibt diese Beschreibung den vorrangigen Nutzen der forstli-
chen Informationen korrekt wieder. In stärker praxisorientierten Studien, in denen das Nut-
zungspotenzial von Fernerkundungsdaten für konkrete Fragestellungen - i.d.R. innerhalb
einer planungstechnisch vorgegebenen Umgebung - ausgelotet wird, ist diese Bezeichnung
jedoch irreführend: Weniger die Fachinformationen als vielmehr die Fernerkundungsdaten
bzw. deren Auswertungsergebnisse werden aus Anwendersicht in der Regel als Zusatzda-
tensätze betrachtet.
4.3.1 Forsteinrichtungsdaten
Die Forsteinrichtungsdatenbanken der Landesforstverwaltungen in den Neuen Bundeslän-
dern sind Weiterentwicklungen des ehemaligen Datenspeicher Waldfonds (DSWF) der
Forstwirtschaft der DDR. Der DSWF war eine flächendeckende Forsteinrichtungsdatenbank,
in der Bestockungs- und Standortinformationen nach einheitlichen Verfahren bearbeitet wur-
den. Dieses sehr leistungsfähige Instrument entsprach in vollem Umfang den Informations-
anforderungen der damaligen Ziele (überwiegend industrielle Forstwirtschaft) und den ein-
heitlichen Eigentumsformen. Die so genannte Zeile war der kleinste flächenmäßig zu
erfassende Bestockungsanteil innerhalb einer Teilfläche und bezog sich auf jeweils eine
Baumart. Jede Zeile der Forsteinrichtungsinventur stellte einen Datensatz dar (daher auch
Datenzeile), der die Speicherungen von 163 Merkmalen ermöglichte. Im Rahmen der Zu-
standserfassung wurden alle wichtigen Bestandesinformationen wie Baumartenzusammen-
setzung, Alter, horizontale und vertikale Struktur sowie Holzvorrat aufgenommen. Die Infor-
mationen bezogen sich je nach Merkmal auf die Teilfläche, den Bestand oder die Bestandes-
schicht. Die räumliche Abgrenzung einer Zeile konnte den genannten Einheiten oder aber
nur Teilen dieser entsprechen (Bestockungsanteil eines Bestandes und Schicht). Innerhalb
einer Teilfläche bzw. eines Bestandes wurden die jeweiligen Zeilen nach ihrem Flächenanteil
hierarchisch geordnet.
Bis Anfang der 90er Jahre wurde in den Neuen Bundesländern das Forsteinrichtungsverfah-
ren entsprechend der Anweisungen zur Forsteinrichtung des Waldfonds der DDR (Betriebs-
Kapitel 4: Datengrundlagen
63
regelungsanweisung BRA V) praktiziert (VEB FORSTPROJEKTIERUNG 1978). Seit 1990 konnte
das Informationssystem im nichtöffentlichen Wald nicht mehr mit aktualisierten Inventurdaten
gestützt werden. Von den Landesforstverwaltungen (hier: LAF Sachsen, FLA Sachsen-
Anhalt) wird die Forsteinrichtung in erster Linie für den Landes- und Körperschaftswald (z.T.
auch Kirchenwald) durchgeführt. Diese Aufnahmen finden im Normalfall in einem 10-jährigen
Turnus statt.
Vor dem Hintergrund forstpolitischer und forstplanerischer Änderungen und neuen Anforde-
rungen begann in den 90er Jahren eine Anpassung und Umstrukturierung des sehr detail-
lierten DSWF durch die jeweiligen Landesbehörden. Die Zeile wurde aber als Planungsein-
heit beibehalten.
Seit Mitte 1993 wird in Sachsen ein neues Forsteinrichtungsverfahren angewandt, das sich
an der waldbaulichen Einzelplanung orientiert. Bis zur Neueinrichtung wurden die Forstein-
richtungsdaten rechentechnisch fortgeschrieben (Stichtag: 01.01.93) - für die Arbeiten im
Untersuchungsgebiet Erzgebirge musste auf diese Daten zurückgegriffen werden. Die Zu-
standserfassung nach neuem sächsischem Forsteinrichtungsverfahren erfolgt teilflächenwei-
se nach Beständen und Schichten. In einem Arbeitsgang mit der Zustandserfassung wird
auch die Planung für den Forsteinrichtungszeitraum vorgenommen. Dabei soll die allgemei-
ne waldbauliche Zielsetzung in eine an Standort und Waldfunktionen angepasste Einzelpla-
nung für den Bestand umgesetzt werden (BRAUN et al. 2000). Die Ergebnisse der Forstein-
richtung werden im Forsteinrichtungssystem Sachsen - FESA digital abgelegt, das auf dem
DSWF aufbaut. Die Datenbankstruktur in FESA ist hierarchisch (vgl. Abb. 14). Eine detail-
lierte Beschreibung der FESA-Datenbank ist in der Forsteinrichtungsdienstanweisung (LAF
1992) sowie bei BIEBERSTEIN & KRANZ (1995) und LOHR & SEIGER (2000) nachzulesen.
Die sachsen-anhaltinische Forsteinrichtungsdatenbank Datenspeicher Wald ist prinzipiell
ähnlich aufgebaut. Auch hier sind die Informationen weiterhin nach Baumartenzeilen abge-
legt.
Die bei der Forsteinrichtung erhobenen Bestandesinformationen werden standardmäßig im
Rahmen der Erstellung des Forstkartenwerkes dargestellt (u.a. Forstgrundkarte 1 : 5 000,
Baumartenkarte 1 : 10 000, Planungskarte 1 : 10 000, Standortskarte 1 : 10 000).
Waldteil
Forstbetrieb
Abteilung
Unterabteilung
Teilfläche
Verjüngungseinheit
Standort
Fläche
Forstamt
Revier
Stichjahr
Landkreis / Gemeinde
Betriebsklasse
außerregelmäßiger Betrieb
Waldfunktion
Hangrichtung
Hangneigung
Gelände
Forstdirektion
Höhenstufe
Bodenfeuchtestufe
Bodennährkraftstufe
Feuchteziffer
Zusatzmerkmal
Flächenanteil Standortformengr.
Befahrbarkeit
Standortsgefahren
textl. Bestandesbeschreibung
textliche Planung
Intensitätsstufe
gezäunte Fläche
Nutzungsart Nichtholzboden
Bestandeszieltyp
Flächenanteil
Verjüngungsdringlichkeit
Verjüngungsart
Verjüngungsfläche Baumart
Verjüngungsbaumart
Zaunfläche
Bestand
Baumartenzeile
Bestandesschicht
Planung
Lage
Mischungsform
weitere Baumarten
Bestandeszustandstyp
Aufnahmeart
Hiebsdringlichkeit
Pflegefläche
Anzahl der Eingriffe
Maßnahme
Nutzungsmenge
Erntenutzungshiebsart
Nutzungshiebsart
Kronenschlussgrad
Wuchsklasse
Grundfläche
Vorrat
Bestandesentstehung
Strauchschicht
Brauchbarkeit
Lage
Mischungsform
Mischungsprozent
Anteilfläche
Alter
Oberhöhe
DGZ
Oberdurchmesser
Bestandesqualität
Astungshöhe
Waldschäden
Abb. 14: Hierarchie der FESA-Datenbank (Sachsen)
Kapitel 4: Datengrundlagen
64
4.3.2 Forstgrundkarte 1 : 5 000
Die Forstgrundkarte 1 : 5 000 (FGK) ist die vermessungstechnische Grundlagenkarte der
sächsischen und sachsen-anhaltinischen Forstwirtschaft. Die analogen Inselkarten wurden
jeweils flächendeckend im Auftrag der Landesforstverwaltungen durch Firmen nach einer
einheitlichen Digitalisieranleitung und einem umfangreichen Objektartenkatalog digitalisiert
sowie georeferenziert. Die kleinste digital erfasste kartographische Bezugseinheit bildet die
Teilfläche bzw. der Bestand (Sachsen: Landes- und Kommunalwald). Die Geometriedaten
liegen als Vektordaten vor (ARC/INFO, coverages).
In Sachsen wurde die Erstdatenerfassung bis Ende 1999 abgeschlossen. Bis 2004 soll die
landesweite FGK-Geometrie vorliegen. Die Georeferenzierung der Vektordaten konnte ins-
besondere im Rahmen von Luftbildkartenherstellungen verbessert werden. In einem ersten
Schritt werden so genannte Forstamtsgeometrien (Randanpassung der FGK-Inselkarten)
aufgebaut, die nachfolgend zu größeren Forstamtskomplexen zusammengeführt werden.
Mit der landesweiten Digitalisierung der Forstgrundkarten wird die kartographische Basis
geschaffen für den Aufbau der forstlichen Geo-Informationssysteme in Sachsen und in
Sachsen-Anhalt (im Aufbau).
4.3.3 Standortskarte 1 : 10 000
Bei der forstlichen Standortsansprache werden sowohl boden- und standortskundliche Ele-
mente als auch vegetationskundliche Aspekte einschließlich der Waldgeschichte berücksich-
tigt (KATZSCHNER et al. 2000). In den Neuen Bundesländern wurden dabei seit 1962 Einzel-
standorte mit ähnlicher Ausstattung und ökologisch gleicher Wertigkeit zu Kartierungsein-
heiten, den Standortsformen, zusammengeschlossen. Waldbaulich gleichwertige Standorts-
formen sind in Standortsformengruppen als forstökologische überregionale Auswerteeinhei-
ten zusammengefasst (LAF 1996). Diese Einheiten sind zu Teilwuchsbezirken, Wuchsbezir-
ken, Wuchsgebieten und Standortsregionen gruppiert. Ausführliche Beschreibungen zur
forstlichen Standortserkundung finden sich bei KOPP & SCHWANEKE (1994).
Um einen möglichen Einfluss des Standortes auf die Bestandesreflexion zu erfassen oder
eine Stratifizierung der Satellitendatenauswertung zu ermöglichen, wurden digitale Stand-
ortskarten für das Untersuchungsgebiet Dübener Heide als zusätzliche Informationsquellen
genutzt. Entsprechende Standortsdaten wurden von der LAF bereitgestellt.
4.3.4 Forstliches Geo-Informationssystem (FGIS Sachsen)
Seit 1992 befindet sich an der LAF ein forstliches Informationssystem mit dem Forstlichen
Geo-Informationssystem Sachsen (FGIS Sachsen) als Kernstück im Aufbau. Das FGIS hat
· die umfassende Bereitstellung raumbezogener Informationen sowie
· die darauf basierenden Anwendungen zur effektiven Durchführung forstspezifischer
Raumanalysen und bedarfsgerechten Kartenherstellung
zum Ziel (KRANZ 1998). Die Basis des FGIS bildet die FESA-Datenbank sowie die digitale
Forstgrundkarte (FGK). Über Adressfelder wird die Verknüpfung der räumlichen Informatio-
nen der Forstgrundkarte mit den Sachinformationen hergestellt (vgl. Kap. 3.1.2, Abb. 3).
4.4 Zusätzliche Geo-Daten
Für verschiedene Arbeitsschritte der Satellitendatenauswertung wurden weitere Geo-Daten
einbezogen. Hierbei handelt es sich vor allem um topographische Karteninformationen (Kap.
4.4.1) und digitale Geländemodelle (Kap. 4.4.2) sowie um eine digitale Biotoptypen- und
Nutzungstypenkarte (Kap. 4.4.3). Die Datensätze wurden von den verantwortlichen Landes-
Kapitel 4: Datengrundlagen
65
ämtern projektbezogen bereitgestellt. Ferner wurde die Nomenklatur des europäischen Pro-
gramms CORINE LandCover aufgegriffen (Kap. 4.4.4).
4.4.1 Topographische Informationen
Als topographische Karteninformationen wurden digitale Topographische Karten (Sachsen)
sowie das Amtliche Topographisch-Kartographische Informationssystem (ATKIS, Sachsen-
Anhalt) herangezogen. Als vorläufiges amtliches geodätisches Bezugssystem wurde in den
Ländern Sachsen und Sachsen-Anhalt bis zur Einführung des ETRS89 (European Terrestrial
Reference System 1989) das Gauß-Krüger-Meridianstreifensystem festgelegt. Es ist auf das
Bessel-Ellipsoid mit dem Datum Rauenberg bezogen.
Die topographischen Informationen wurden unter anderem für die Geokodierung der Satelli-
tenbilddaten, für die automatische Waldmaskengenerierung und für kartographische Dar-
stellungen von Auswertungsergebnissen eingesetzt.
Digitale Topographische Karten TK10 und TK25
Die Topographischen Karten 1 : 10 000 bzw. 1 : 25 000 (TK10 (N), TK25 (N)) werden vom
Landesvermessungsamt Sachsen als Rasterdaten (RD10, RD25) digital vertrieben. Sie lie-
gen kartenblattweise in überwiegend vier Inhaltsebenen vor:
· Grundriss (u.a. Kartenrahmen, Siedlungen, Verkehrswege) mit Kartennamen,
· Gewässer (Konturen und Flächen) mit Kartennamen,
· Relief (u.a. Höhenlinien) mit Kartennamen,
· Vegetation.
Die Pixelauflösung beträgt ca. 0,5 m (RD10) bzw. 1,25 m (RD25). Als Bearbeitungsstand
wurde für die verwendeten TK25 (TK10) ein Zeitraum von 1989 bis 1996 (1992 bis 1996)
angegeben. Der unterschiedliche Aktualitätsgrad der Karten musste daher im Auswertungs-
prozess der Satellitenbilddaten besonders beachtet werden (Kap 5.2.1 und 8.3.1.1).
Amtliches Topographisch-Kartographisches Informationssystem
Das Amtliche Topographisch-Kartographische Informationssystem (ATKIS) ist als System
zur elektronischen Ablage topographischer Informationen von der Arbeitsgemeinschaft der
Vermessungsverwaltungen der Bundesländer (ADV) konzipiert worden. Unter dem Oberbe-
griff ATKIS werden bundesweit einheitliche Standards für verschiedene Produkte bzw. digi-
tale Modelle entwickelt, die von den Vermessungsämtern der einzelnen Bundesländer bear-
beitet werden. Im Projekt OFULSA konnte auf ATKIS-Daten des Landes Sachsen-Anhalt
zurückgegriffen werden. Hierzu wurde von der Vermessungs- und Katasterbehörde Sach-
sen-Anhalt das Basis-DLM (vormals: DLM 25/1) zur Verfügung gestellt (ARC/INFO, covera-
ges).
Die Datenstruktur ist im ATKIS-Objektartenkatalog (ATKIS-OK) festgelegt. Auf der obersten
Ebene des Katalogs steht die Aufschlüsselung in Objektbereiche, welche die Landschafts-
elemente grob beschreiben. Diese sind in Objektgruppen untergliedert, die unter anderem
Unterscheidungen bezüglich der räumlichen Ausdehnung (Fläche oder Einzelobjekt) ermög-
lichen. Die unterste Ebene bildet die Objektart (u.a. „Wald, Forst“), die durch verschiedene
Kategorien weiter differenziert wird (hier: „Laubwald“, „Nadelwald“, „Mischwald“). Die Erfas-
sungsuntergrenze liegt bei 0,1 ha. Eine ausführliche Beschreibung der flächen-, linien- und
punktbezogenen Informationen gibt die ADV (2002).
Kapitel 4: Datengrundlagen
66
4.4.2 Digitale Gelände- und Höhenmodelle
Am Landesvermessungsamt Sachsen lagen während der Projektlaufzeit zwei verschiedene
digitale Höhen- bzw. Geländemodelle (DHM bzw. DGM) mit unterschiedlicher Auflösung,
Qualität und Gebietsabdeckung vor:
· Im Rahmen der ATKIS-Erstellung wird das digitale Geländemodell ATKIS-DGM25 herge-
stellt. Die digital-photogrammetrische Auswertung von Luftbildern im Maßstab 1 : 16 000
stellt in Sachsen die hauptsächliche Erfassungsmethodik dar. In bewaldeten Gebieten
wird die Erfassung der Daten durch Reliefdigitalisierung der TK10 bzw. durch interaktive
Bearbeitung ergänzt. Der Netzpunktabstand beträgt 40 m, teilweise 20 m. Die Höhenge-
nauigkeit bei der Luftbildauswertung wird mit < ± 2 m angegeben.
· Das digitale Höhenmodell DHM/M745 wurde durch Reliefdigitalisierung der Militärtopo-
graphischen Karte 1 : 50 000 erhoben. Der Netzpunktabstand beträgt 25 m und 200 m.
Die Höhengenauigkeit wird mit < ± 5 m für das Flachland, < ± 9 m für das Berg- und Hü-
gelland sowie < ± 15 m für das Gebirge angegeben.
Aufgrund des Bearbeitungsstandes von ATKIS standen nicht für das gesamte Erzgebirge
DGM25-Daten zur Verfügung. Für den westlichen Teil des Untersuchungsgebiets musste auf
die Daten des geringer auflösenden DHM/M745 zurückgegriffen werden.
Die digitalen Höheninformationen wurden für folgende Arbeiten im Erzgebirge eingesetzt:
· Ermittlung von Geländeparametern für Referenzflächen,
· Geokodierung von Satellitenbilddaten (Kap. 5.2.1.1.2),
· topographische Normalisierung der Satellitenbilddaten (Kap. 5.2.2.1) und
· Stratifizierung / Klassifizierung (Kap. 8.3.1.2.3 und 8.4.1).
4.4.3 Biotoptypen- und Nutzungstypenkartierung
Zu Beginn der 90er Jahre wurden die Neuen Bundesländer in mehreren Stufen flächen-
deckend beflogen und stereoskopisch auswertbare CIR-Luftbilder im Maßstab 1 : 10 000
erstellt. Sowohl die flächendeckende aktuelle Dokumentation des damaligen Landschafts-
zustands als auch die Erstellung eines, zumindest auf Länderebene, einheitlichen digitalen
Datenbestands der Biotoptypen und Nutzungstypen zur Verwendung in Naturschutz, Land-
schaftsplanung und anderen Fachplanungen waren die vorrangigen Ziele dieser aufwendi-
gen Befliegungen.
Die Kartierung von Biotop- und Nutzungstypen (nachfolgend: BTNT) des Landes Sachsen-
Anhalt basiert auf der Interpretation von analogen CIR-Luftbildern aus Befliegungen des Jah-
res 1992. Der BTNT-Katalog wurde speziell für die landesweite luftbildgestützte Kartierung
ausgerichtet und bezieht sich auf die bundesweit empfohlene Liste der Biotoptypen und Nut-
zungstypen vom Juli 1992 (PETERSON & LANGNER 1992). Die Erfassungsuntergrenze wurde
auf 0,25 ha festgelegt. Strukturen mit weniger als 10 m Breite und mehr als 100 m Länge
wurden nicht als Fläche, sondern als Linie kartiert. Im BTNT-Katalog werden die zu kartie-
renden Einheiten hierarchisch gegliedert nach
· Kartiereinheit (KE),
· Struktureinheit (SE) und
· Biotoptypen / Nutzungstypen (BTNT).
Es werden 7 Haupteinheiten (Kartiereinheiten) unterschieden. Diese untergliedern sich in
42 Untereinheiten (Struktureinheiten), die jeweils mehrere Biotoptypen bzw. Nutzungstypen
(BTNT) umfassen. Die Typisierung von Struktureinheiten und Biotoptypen der Kartiereinheit
„Wald“ wird in Kapitel 6 dargestellt. Der komplette Katalog wird von PETERSON & LANGNER
(1992) umfassend vorgestellt.
Kapitel 4: Datengrundlagen
67
Die digitale BTNT-Kartierung (ARC/INFO coverage) wurde unter anderem für die Systemati-
sierung von forstlichen Objektarten (Kap. 6) und für die Erfassung von Veränderungsflächen
(Kap. 10.2.3) eingesetzt.
4.4.4 CORINE LandCover
Die Europäischen Kommission hat in der zweiten Hälfte der 80er Jahre im Rahmen des Pro-
gramms CORINE LandCover (CoORdination of INformation on the Environment - CLC) das
methodische Konzept zum Aufbau eines europaweit einheitlichen homogenen geographi-
schen Datenbestandes über die Bodenbedeckung entwickelt (u.a. EEC 1992, DEGGAU
1997). Die Erhebung von Bodenbedeckungsdaten auf dem Maßstabsniveau 1 : 100 000 ba-
siert in erster Linie auf der Auswertung von Satellitenbildern. Als ergänzende Datenquellen
zur Ableitung von insgesamt 44 Kategorien der Bodenbedeckung werden Luftbilder und to-
pographische Karten herangezogen. Die Erfassungsuntergrenze liegt bei 25 ha. Flächen
linienförmiger Ausdehnung (z.B. Gewässerläufe) werden ab einer Breite von 100 m erfasst.
Der Datenbestand über die Bodenbedeckung bildet bei der Europäischen Umweltagentur ein
Element des Umweltinformations- und Umweltbeobachtungsnetzwerkes EIONET (Environ-
mental Information and Observation Network). Im Jahr 2002 wurde damit begonnen, im Auf-
trag des Umweltbundesamtes eine erste bundesweite Aktualisierung mittels LANDSAT7-
Daten aus den Jahren 1999 bis 2001 durchzuführen.
Der Objektartenkatalog (Gruppe „Wälder“) wurde für die Systematisierung von forstlichen
Objektarten berücksichtigt (Kap. 6).
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
68
5 Vorbereitende Arbeiten zur Satellitenbildauswertung
Der erfolgreiche Einsatz der Satellitenfernerkundung in der Forstpraxis wird neben der Qua-
lität und Eignung der ausgewählten Geo-Daten, Forstdaten und Satellitenbilder maßgeblich
bestimmt von der Qualität und Art der zielorientierten Aufbereitung im Vorfeld der eigent-
lichen Bildauswertung und -analyse. Eine möglichst effiziente, wenig zeitaufwendige Bear-
beitung ist anzustreben.
5.1 Aufbereitung der Geo-Daten
Digitale topographische Informationen werden für die geometrischen und radiometrischen
Korrekturen der Satellitenbilddaten benötigt und sind anwendungsorientiert aufzubereiten.
Die Nutzung der digitalen BTNT-Kartierung erfordert keine spezielle Bearbeitung.
5.1.1 Topographische Informationen
Digitale Topographische Karten TK10 und TK25
Die Rasterdaten der TK10 und TK25 (RD10, RD25) wurden vom Landesvermessungsamt
Sachsen kartenblattweise bereitgestellt. Für die Auswertungen wurde das 4. Meridianstrei-
fensystem als einheitliches kartographisches Bezugssystem festgelegt (Gauß-Krüger-
System). Es wurden zwei Ebenen selektiert:
· Grundriss (v.a. Topologie, Waldgrenzen) - als kartographische Grundlage für die
geometrischen Korrekturen der Satellitenbilder (Kap. 5.2.1),
· Vegetation (u.a. „Wald“, Park) - zur Generierung von Waldmasken (Kap. 8.3.1.1).
Die Vegetationsebenen wurden zu einer Gesamtmaske „Vegetation“ zusammengeführt. Im
Hinblick auf die spätere Verknüpfung mit den Satellitenaufnahmen und zur Reduzierung der
Datenmengen wurden die Rasterdaten von etwa 0,5 m auf eine Auflösung von 5 m reduziert.
Die damit verbundenen Informationsverluste waren tolerierbar.
Innerhalb der Maske wurden entlang der Kartenblattschnitte geometrische Lagefehler und
zum Teil auch Aktualitäts- und Generalisierungsunterschiede von angrenzenden Karten
sichtbar. Diese lokal auftretenden Unzulänglichkeiten waren im Rahmen der geometrischen
Korrektur der Satellitenbilddaten und der Generierung der Waldmasken zu beachten.
ATKIS
Im Gegensatz zu den topographischen Rasterdaten war eine Aufbereitung der ATKIS-Daten
nicht erforderlich. Für das Untersuchungsgebiet Nedlitz wurde aus dem blattschnittfreien
Vektordatensatz ein entsprechender Gebietsausschnitt separiert. Die Attributierung gewähr-
leistet im gesamten Auswertungsprozess die Selektion spezieller Informationen.
5.1.2 Digitales Geländemodell
Die Höheninformationen des DHM/M745 und des ATKIS-DGM25 wurden vom Landesver-
messungsamt Sachsen kartenblattweise im ASCII-Format bereitgestellt. Der Netzpunkt-
abstand betrug 25 m (DHM/M745) und 20 m (ATKIS-DGM25). Aus den ASCII-Daten der
Einzelblätter wurde ein zusammenhängendes homogenisiertes DGM „Erzgebirge" mit einer
räumlichen Auflösung von 20 m generiert. Das Mosaiking wurde mit dem Resampling-
Algorithmus der bilinearen Interpolation durchgeführt. Zur Reduzierung des Datenvolumens
wurden die originalen Höheninformationen gerundet und auf eine Auflösung von 1 m pro
Grauwert umgerechnet (16 bit, Integer). Durch diese Informationsreduzierung waren keine
qualitativen Beeinträchtigungen im Auswertungsprozess zu erwarten.
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
69
Zur qualitativen Begutachtung des DGM „Erzgebirge“ am Bildschirm dienten zwei Überprü-
fungsansätze:
· Überlagerung des DGM mit den Grundriss- und Reliefebenen der digitalen TK10:
Anhand von Höhenlinien und -koten, Tiefenlinien, Gewässergrenzen sowie Distanzmes-
sungen zwischen Kontrollpunkten (u.a. Berggipfel, markante Gewässerpunkte) wurden
die DGM-Höhenangaben verglichen und die geometrischen Lagegenauigkeiten über-
prüft. Hiernach wurde eine maximale Lageabweichung von ca. 40 m gemessen. Die Dif-
ferenzen der Höheninformation erreichten 10 m.
· Berechnung eines Inklinationsmodells:
Die Betrachtung der grauwertkodierten Hangneigung ließ insbesondere im Bereich des
DGM/M745 zahlreiche Schnittkanten entlang der Kartenblattränder erkennen. Dies wird
auf fehlende oder unzureichende Randanpassungen der Einzelkarten zurückgeführt. In
weniger stark geneigtem Gelände wurden „Treppungen“ entlang von Isohypsen sichtbar.
Diese Effekte deuten auf eine unzureichende Interpolation bzw. Parametrisierung bei der
Aufrasterung der originalen Höheninformationen hin.
Um negative Auswirkungen auf die Vorprozessierungen der Satellitenbilddaten zu reduzie-
ren, erfolgte eine lokal begrenzte Glättung des DGM mittels Tiefpass-Filterung.
5.2 Vorverarbeitung der Satellitenbilddaten
Neben geometrischen und radiometrischen Korrekturen der Satellitenbilddaten (Kap. 5.2.1
und 5.2.2) wurden synthetische Kanäle abgeleitet zur Hervorhebung relevanter Bildinforma-
tionen (Kap. 5.2.3).
5.2.1 Geometrische Korrektur
Die geometrische Korrektur von Satellitenbildern ist die Grundvoraussetzung für die Ver-
schneidung mit digitalen Zusatzdaten sowie für die Integration und kombinierte Verarbeitung
mit weiteren Datenebenen im GIS. Höchste Genauigkeitsansprüche sind zu erfüllen, wenn
Satellitenbildprodukte und Klassifizierungsergebnisse angestrebt werden, die Aussagen auf
Bestandesebene zulassen sollen (Maßstab 1 : 25 000 und größer).
Als Referenzsystem für die bildpunktweise geometrisch richtige Abbildung der Bilddaten
wurde das amtliche Gauß-Krüger-Koordinatensystem festgelegt, welches auch den verwen-
deten Geo-Daten sowie den forstlichen Geometriedaten zugrunde lag. Die Herstellung der
Beziehungen zwischen Satellitenbildkoordinaten und geodätischem Bezugsystem erfolgte
mittels Passpunktmethode. Die Passpunkte wurden am Bildschirm parallel im Satellitenbild
und in den topographischen Karteninformationen (RD10, RD25: Grundriss; ATKIS) identifi-
ziert und gespeichert. Im Vergleich zwischen hoch aufgelösten panchromatischen Satelliten-
bilddaten und topographischen Karten zeigten sich lokale Abweichungen hinsichtlich der
Form und der Lage von Objekten. Dies konnte teilweise auf Aktualitätsdefizite der Karten
zurückgeführt werden. Innerhalb von Waldgebieten erwies sich vor allem die Wiedergabe
des Waldwegenetzes als fehlerbehaftet.
Aufgrund der unterschiedlichen thematischen Fragestellungen wurden für die Entzerrungen
der Satellitenbilddaten verschiedene Resampling-Verfahren angewendet, da deren Eigen-
schaften jeweils Vor- und Nachteile für spezielle Datenaufbereitungen und -analysen bein-
halten:
· Verfahren der „nächsten Nachbarschaft“ (nearest neighbor):
Die Originalgrauwerte der Ausgangsszenen bleiben ausschließlich bei diesem Algorith-
mus unverändert im entzerrten Bild erhalten.
Die spektrale detaillierte Waldstrukturklassifizierung sowie die Waldschadenskartierung
erfordern diese Methode, da bereits geringe Grauwertnuancen über die Klassenzuwei-
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
70
sungen entscheiden können. Methodisch bedingt kann es zu Verlagerungen um bis zu
± 0,5 Pixel kommen. Besonders deutlich wird dies an schräg verlaufenden Grauwert-
kanten, die stufig wiedergegeben werden.
Die im Klassifizierungsprozess verwendeten Multispektraldaten (v.a. SPOT- und LAND-
SAT-Szenen) wurden mit dieser Methode resampelt.
· Bikubische Interpolation (cubic convolution; bikubische Faltung):
Diese Methode basiert auf einer Interpolation, in der die Grauwerte der 4 x 4 - Umgebung
des rückübertragenen Bildpunktes gewichtet werden. Die umgebungsbezogene Grau-
wertberechnung bedingt Glättungseffekte. Eine Stufung im entzerrten Datensatz tritt nicht
auf. Im Ausgangsbild erfasste Formen, Texturen und Strukturen bleiben in den entzerrten
Daten weitgehend erhalten. Für die Erstellung von Master-Szenen, die Extraktion von
Merkmalen sowie für Segmentierungen ist dieses Verfahren daher besonders geeignet.
Die panchromatischen IRS- und SPOT-Szenen wurden mit diesem Resampling-
Algorithmus geometrisch korrigiert. Ferner wurden die form- und kantenerhaltenden Ei-
genschaften genutzt zur Vorprozessierung von Multispektraldaten, die als geokodierte
Ausgangsdaten für die Erstellung von hoch aufgelösten Bildprodukten mittels Satelliten-
bilddatenfusionierung dienten (Kap. 5.2.3.1).
Ausführliche Beschreibungen der Resampling-Verfahren finden sich unter anderem in
HABERÄCKER (1991) und RICHARDS (1999).
Um für die Untersuchungsgebiete eine exakte geometrische Korrektur der jeweiligen Satelli-
tenszenen zu erzielen, wurden wegen der sehr unterschiedlichen topographischen Gegeben-
heiten zwei verschiedene methodische Vorgehensweisen notwendig.
5.2.1.1 Interpolationsverfahren
Da größere Höhenunterschiede und Hangneigungen in den Untersuchungsgebieten Dübe-
ner Heide und Nedlitz nicht auftreten, sind reliefbedingte Satellitenbildverzerrungen auszu-
schließen. Für die geometrischen Transformationen waren herkömmliche, nichtparametri-
sche Verfahren, ohne Einbindung von digitalen Höhendaten, geeignet. Hierbei wurden zwei
Methoden miteinander kombiniert:
· Bild-auf-Karte - Registrierung:
In einem ersten Arbeitsschritt wurden zunächst die räumlich hochauflösenden panchro-
matischen IRS-1C Aufnahmen für die Passpunktermittlung verwendet. Mit Hilfe eines
polynomialen Ansatzes (Polynom 1. Grades) wurden die PAN-Daten auf das geodätische
Referenzsystem entzerrt.
· Bild-auf-Bild - Registrierung:
Die multispektralen LISS3- und (E)TM-Daten - ggf. auch weitere panchromatische Daten
- wurden nachfolgend auf die georeferenzierte panchromatische Szene (Master-Szene)
entzerrt. Die Aufstellung der Transformationsgleichungen (Ausgleichspolynom 1. Grades)
erfolgte über die Ermittlung von Verknüpfungspunkten. Als Verknüpfungspunkte können
hierbei im Unterschied zu kartenbezogenen Passpunkten beliebige Objekte ausgewählt
werden, die im Referenz- und Ausgangsbild eindeutig identifizierbar sind.
Die gute visuelle Objekterkennbarkeit in den panchromatischen IRS-1C-Aufnahmen (Kap.
7.2) ermöglichte ein präzises Einmessen von Bezugspunkten und bildete die Basis für die
Erstellung von sehr genauen Master-Szenen.
Die Festlegung von Verknüpfungspunkten innerhalb der georeferenzierten panchromati-
schen und der multispektralen Daten trug zur verbesserten Verteilung von sicheren Bezugs-
punkten bei. In Waldgebieten, in denen i.d.R. die Ermittlung von geeigneten Passpunkten
besonders problematisch ist, dienten unter anderem Kronen einzelner Laubbäume bzw.
Laubbaumgruppen innerhalb von Nadelholzbeständen zur exakten Zuordnung. Der Zeitauf-
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
71
wand für die szenenweise Bestimmung der Transformationsgleichung konnte im Vergleich
zur kartenbezogenen Passpunktmethode um den Faktor 4 bis 5 reduziert werden.
Für die multitemporalen Auswertungen im Rahmen der automatischen Erfassung von Ver-
änderungen (Kap. 8.5) wurde eine Bild-auf-Bild-Entzerrung der genutzten TM-Szenen vor-
genommen.
5.2.1.2 Parametrisches Verfahren
Bei der Abbildung von stark reliefierten Gebieten können sich Lagefehler innerhalb einer
Satellitenbildaufnahme ergeben. Diese Verzerrungen sind abhängig von der Nadirdistanz
und der Geländehöhe (vgl. Abb. 15).
Höhe
0 m
Nadirdistanz d Lagefehler
Ddrel
Ddabs
Blickwinkel
Abb. 15: Reliefbedingter Lageversatz von Bildpunkten in Scanneraufnahmen
(nach JOANNEUM RESEARCH 1998)
Für die geometrischen Korrekturen von Szenen des Erzgebirges wurde daher ein Verfahren
ausgewählt, bei dem solche reliefabhängigen Verzerrungen durch die Einbeziehung eines
DGM minimiert werden. Für die Geokodierung wurde das in ERDAS IMAGINE als Zusatz-
modul implementierte Softwarepaket RSG (Remote Sensing Software Package Graz) ange-
wendet, das eine parametrische Korrektur von Fernerkundungsdaten unterstützt (u.a.
JOANNEUM RESEARCH 1998, RAGGAM et al. 1991). Auf Basis von Sensor- und Orbitparame-
tern wird ein sensorspezifisches Abbildungsmodell initialisiert und unter Einbeziehung von
Karteninformationen sowie eines DGM für die Transformation der Satelliten optimiert (vgl.
Abb. 16). Für die geometrischen Korrekturen der Szenen waren zunächst folgende Arbeits-
schritte notwendig:
· Resampling des DGM auf die räumliche Auflösung der jeweiligen Bilddaten,
· szenenweise Ermittlung von Passpunkten und Ergänzung der Lagekoordinaten
mit der Höheninformation des DGM (x, y, z-Koordinaten),
· Bestimmung des sensorspezifischen Abbildungsmodells,
· Optimierung des Abbildungsmodells (szenenabhängig).
Die Entzerrung der panchromatischen und multispektralen Aufnahmen erfolgte unter Einbe-
ziehung des DGM „Erzgebirge“.
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
72
Abb. 16: Geometrische Korrektur - Schema der parametrischen Modellbildung
Quelle: RAGGAM et al. (1998)
5.2.1.3 Genauigkeitsbetrachtung
Eine erste Abschätzung der geometrischen Genauigkeiten der entzerrten Szenen ermöglicht
der RMS-Fehler (Root Mean Square Error). Dieser Wert wird bei der Berechnung der
Transformationsgleichungen auf Basis der verwendeten Passpunkte ermittelt (Ausgleichung
nach der Methode der kleinsten Quadrate; vgl. Tab. 10).
Die Berechnung der Ausgleichspolynome ergab für die panchromatischen IRS-Szenen der
Dübener Heide und des Forstamtes Nedlitz einen mittleren Lagefehler von ca. 1 Pixel. Die
erzielten Genauigkeiten bestätigten die Festlegung der hochauflösenden Daten als Master-
Szenen. Mit dem Verfahren der Bild-auf-Bild - Registrierung konnten die meisten multispek-
tralen LISS3 und TM-Daten mit einem mittleren Restfehler von maximal 0,6 Pixel sehr exakt
auf die jeweiligen Referenzszenen entzerrt werden. Für die parametrischen Transformatio-
nen der Szenen des Erzgebirges wurden ebenfalls geringe Restfehler berechnet.
Für Aussagen über die tatsächlich resultierenden Genauigkeiten innerhalb der entzerrten
Szenen sind die berechneten RMS-Werte nur bedingt aussagekräftig. Zur Überprüfung der
geometrischen Lagegenauigkeiten wurden daher stichprobenhaft die digitalen topographi-
schen Informationen (Grundrissebene der TK10, ATKIS) den georeferenzierten Bilddaten
überlagert (vgl. Abb. 17). Für die Genauigkeitsbeurteilung erfolgte die Messung von unab-
hängigen Kontrollpunkten sowie die Ermittlung von geometrischen Lageabweichungen von
Objekten, die in Satellitenbild und Karte eindeutig identifizierbar und abgrenzbar waren.
Die geringsten durchschnittlichen und maximalen Lageabweichungen wurden in den IRS-1C-
Aufnahmen gemessen. So wurden innerhalb der georeferenzierten Master-Szenen (IRS-1C /
PAN) maximale Lageabweichungen von 8 - 9 m gemessen. Dieses gute Ergebnis unter-
streicht deren Potenzial für (forst-)kartographische Anwendungen. In den LISS3-Aufnahmen
lagen die maximalen Abweichungen unter 25 m. Vergleichsweise hohe Maximalwerte von
50 m wurden in den TM-Szenen gemessen. Dies wird auf die eingeschränkte Qualität der
inneren Geometrie der systemkorrigierten Ausgangsdaten zurückgeführt (vgl. Kap. 4.1.2.2).
Entsprechende Lageungenauigkeiten wurden allerdings sehr vereinzelt lokalisiert. Der
durchschnittliche Wert lag zumeist deutlich unter einem Pixel.
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
73
Tab. 10: Erzielte Genauigkeiten bei der geometrischen Korrektur
Untersuchungs-
gebiet
System /
Sensor
Szene RMS-Fehler )*
[m]
Referenz-
daten
(Lage)
Pixel-
größe
[m]
Bezeichnung Datum X Y XY
Forstamt Nedlitz IRS-1C / PAN 27 / 31 21.06.98 3.3 3.6 4.9 ATKIS 5
IRS-1C / LISS3 27 / 31q3 21.06.98 3.8 4.0 5.5 IRS-1C / PAN 25
LANDSAT5 / TM 193 / 24 02.06.97 11.2 13.4 17.5 TM (19.07.99) 25
LANDSAT5 / TM 193 / 24 30.04.99 7.8 8.3 11.3 ETM+ 25
LANDSAT5 / TM 193 / 24 19.07.99 8.0 8.4 11.6 ETM+ 25
LANDSAT7 / ETM+ 194 / 24 04.09.99 13.8 15.4 20.7 IRS-1C / PAN 25
Dübener Heide IRS-1C / PAN 27 / 31 02.06.97 2.7 3.7 4.5 TK10/TK25 5
IRS-1C / PAN 27 / 31 13.08.97 3.5 4.0 5.3 TK10/TK25 5
IRS-1C / LISS3 27 / 31d 02.06.97 8.0 6.0 10.0 IRS-1C / PAN 25
IRS-1C / LISS3 27 / 31d 13.08.97 7.3 8.0 10.8 IRS-1C / PAN 25
LANDSAT5 / TM 193 / 23 11.06.97 13.2 9.3 16.2 IRS-1C / PAN 25
Erzgebirge IRS-1C / PAN 28 / 32d 20.07.98 5.2. 3.7 6.2 TK10/TK25 5
IRS-1C / PAN 28 / 32d 08.08.98 3.4 4.9 6.0 TK10/TK25 5
IRS-1C / LISS3 28 / 32 20.07.98 7.3 8.0 10.6 TK10/TK25 25
IRS-1C / LISS3 28 / 32 08.08.98 6.8 8.7 11.1 TK10/TK25 25
SPOT2 / HRV (pan) 60 / 247 07.08.98 3.8 4.1 5.6 TK10/TK25 10
SPOT4 / HRVIR 60 / 247 11.08.98 5.8 5.4 9.4 TK10/TK25 20
)* Nedlitz, Dübener Heide: Polynom 1. Grades; Erzgebirge: Polynom 2. Grades
Abb. 17: Geokodierte PAN-Szene (IRS-1C) mit überlagerter Grundrissebene der digitalen
TK10 (RD10)
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
74
In panchromatischen IRS-1C- und SPOT2-Aufnahmen des Erzgebirges wurden Maximalab-
weichungen von 15 - 20 m gemessen. In den multispektralen Daten (LISS3, HRVIR) lagen
diese bei ca. 30 m. Die durchschnittlichen Lageabweichungen der Multispektraldaten lagen
wiederum unter 1 Pixel, sodass zufriedenstellende Genauigkeiten resultierten. Als Ursachen
für die im Vergleich zu den anderen Untersuchungsgebieten geringeren Genauigkeiten sind
zum einen die geometrischen Fehler und Aktualitätsdefizite der für die Passpunktsuche ver-
wendeten Karten (TK10) zu nennen. Zum anderen könnten die bekannten Qualitätsdefizite
des DGM „Erzgebirge“ (vgl. Kap. 5.1.2) die geometrische Korrektur nachteilig beeinträchtigt
haben.
Zusammenfassend sind die erzielten Genauigkeiten der entzerrten Satellitenszenen als zu-
friedenstellend zu bewerten. Insbesondere die hohen Lagegenauigkeiten der panchromati-
schen IRS-Daten kommen den kartographischen Anforderungen für Darstellungen im Maß-
stabsbereich von 1 : 25 000 sehr nahe (vgl. Kap. 3.1.1.2.5). Die Maßstabsebene 1 : 10 000
kann unter kartographischen Gesichtspunkten nicht bedient werden. Dennoch können diese
Bilddaten als kostengünstige alternative Informationsquelle für spezielle forstplanerische
Fragestellungen auch im großmaßstäbigen Bereich Verwendung finden (u.a. Kap. 10.1 und
10.2.1).
5.2.2 Radiometrische Verbesserung
Die von Satellitensensoren aufgezeichnete spektrale Rückstrahlung wird von variierenden
topographischen Verhältnissen sowie von unterschiedlichen atmosphärischen Bedingungen
und Sonneneinstrahlungswinkeln modifiziert - sowohl innerhalb einer Szene als auch zwi-
schen multitemporalen Aufnahmen. Je nach Anwendungszweck ist abzuwägen, ob und in
welchem Umfang aufwendige radiometrische Korrekturen erforderlich sind. In der vorliegen-
den Arbeit konzentrierten sich die Bearbeitungen aus pragmatischen Gründen auf die sze-
nenweise Reduzierung von Geländeeinflüssen (UG Erzgebirge). Auf atmosphärische Korrek-
turen wurde verzichtet, da diese für monotemporale Klassifizierungen nicht zwingend erfor-
derlich sind, wenn - wie im vorliegenden Fall - nur geringe (lokale) Beeinträchtigungen vor-
liegen (vgl. Kap. 4.1.2.1). Im Rahmen der automatischen Erfassung von Veränderungs-
flächen wurde zudem eine multitemporale Verfahrensentwicklung angestrebt, die ohne auf-
wendige absolute Kalibrierungen der Satellitenbilder auskommt und einfache relative Bildan-
passungen vorsieht (Kap. 8.5). Ferner ergab die testweise Bearbeitung der SPOT4-Szene
mit Hilfe des in ERDAS IMAGINE implementieren Software-Moduls ATCOR 2 (Atmospheric
and Topographic correction) eine fehlerhafte Korrektur von IR-Kanälen. - Eine Fehlerbehe-
bung war zum Zeitpunkt der Datennutzung nicht möglich.
Reliefbedingte Beleuchtungsunterschiede führen zu unterschiedlichen Strahldichten der zum
Sensor gerichteten Reflexion. In Aufzeichnungen von stark reliefierten Gebieten resultieren,
je nach Hangneigung und Exposition, verschiedene Rückstrahlwerte für dieselbe Objektklas-
se. So weisen Fichtenwälder auf sonnenexponierten Hängen deutlich höhere Reflexions-
werte auf als vergleichbar aufgebaute Bestände auf Schattenhängen. Hieraus ergeben sich
spektrale Überschneidungen mit anderen Objektklassen. Ohne Berücksichtigung des Ein-
flusses dieser Geländeparameter auf die Bestandesreflexionen sind Fehlzuweisungen bei
digitalen Klassifizierungen zu erwarten.
Durch die Einbeziehung eines DGM können die topographischen Effekte vermindert werden.
Von den zahlreichen Verfahrensentwicklungen wurden in forstlichen Anwendungen vorrangig
zwei Ansätze verfolgt:
· Stratifizierung:
Expositions- und Inklinationsmodelle werden aus Höhendaten abgeleitet oder - unter Be-
rücksichtigung des Sonnenstands zum Aufnahmezeitpunkt - szenenbezogene Illuminati-
onsmodelle berechnet. Es folgt die Definition von Beleuchtungsstraten. Die daraus resul-
tierenden Teilgebiete bzw. Bildteile werden getrennt voneinander ausgewertet (u.a.
STIBIG 1988, SCHARDT 1990, COENRADIE 1992, KENNEWEG et al. 1996). Eine radiometri-
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
75
sche Veränderung der Satellitenbilddaten findet nicht statt.
Für überwachte Klassifizierungen ist eine hohe Anzahl von Trainingsgebieten notwendig
zur statistischen Abdeckung aller Objektklassen bzw. Straten. Dies erhöht zumeist den
Arbeitsaufwand im Vergleich zu Auswertungen in weitgehend ebenen Gebieten.
· Radiometrische Bildverbesserung:
Digitale Höheninformationen sowie szenenspezifische Sonnenstandsdaten fließen in Kor-
rekturmodelle ein, um eine Ausgleichung der reliefbedingten Reflexionsunterschiede zu
erreichen. Es wird eine Neuberechnung der Grauwerte vorgenommen. Ausschließlich die
radiometrisch korrigierten Satellitenbilddaten werden im Klassifizierungsprozess genutzt.
Die exakte Geokodierung der Szenen und deren Registrierung auf das zugrunde liegen-
de DGM sowie dessen geeignete Lage- und Höhenauflösung (x,y,z-Koordinaten) sind die
Voraussetzungen für eine erfolgreiche Korrektur.
Ein zusätzlicher Aufwand für die Ermittlung von Trainingsgebieten entsteht nicht.
Für die Auswertungen im Erzgebirge wurde auf Stratifizierungsansätze verzichtet. Vielmehr
sollte unter Operationalitätsaspekten das Potenzial von radiometrischen Korrekturverfahren
für Waldklassifizierungen in stark reliefierten Gebieten zur Aufwandreduzierung und zur Ver-
besserung von Klassifizierungsgenauigkeiten genutzt werden.
5.2.2.1 Topographische Normalisierung
Als Korrekturverfahren wurde die topographische Normalisierung ausgewählt, die in forstli-
chen Anwendungen bereits erfolgreich eingesetzt wurde (BANKO 1997, JANOTH & EISL 1998,
SCHARDT et al. 2000). Die topographische Normalisierung basiert auf einem trigonometri-
schen Ansatz, bei dem zur Ausgleichung von Helligkeitsunterschieden für jeden Bildpunkt
die Rückstrahlwerte berechnet werden, die in einem ebenen Gelände auftreten würden. Un-
ter Berücksichtigung von Geländeparametern und Sonnenstand wird die bildpunktweise Be-
leuchtungssituation zum Aufnahmezeitpunkt des Satellitenbildes nachgebildet. Für die Nor-
malisierung wurde in der vorliegenden Arbeit das Minnaert-Korrekturmodell ausgewählt
(COLBY 1991). Hierzu konnte ein am Institut für Digitale Bildverarbeitung der Joanneum Re-
search Forschungsgesellschaft mbH, Graz, entwickeltes Programm (ARC/INFO aml) genutzt
werden, in das die Berechnung der Konstanten und aller benötigten Geländeparameter so-
wie das Minnaert-Modell implementiert ist. - Das gesamte Ablaufschema zur radiometrischen
Korrektur zeigt Abbildung 18.
Die Parametrisierung des Minnaert-Modells lautet wie folgt:
Ln(l) = L(l, e) * cos(e) / ( cosk(l) i * cosk(l) e )
mit: Ln
L
l
e
i
k
normalisierte Rückstrahlung (Lichteinfallswinkel = Geländeneigung = 0)
gemessene Rückstrahlung
Wellenlänge
Geländeneigung
Lichteinfallswinkel
Minnaert - Konstante
Der Lichteinfallswinkel wird vom Sonnenstand und der Flächennormalen bestimmt:
cos i = cos qs * cos qn + sin qn * sin qn * cos ( fs - fn )
mit: cos i Cosinus des Lichteinfallswinkel
qsSonnenzenitwinkel
f
sSonnenazimut
qnGeländeneigung
f
nGeländeexposition
Die Minnaert-Konstante k ist ein Maß für die objektklassenspezifische Abweichung von einer
in alle Richtungen gleich reflektierenden Oberfläche (k = 1) und stellt damit ein wichtiges
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
76
Korrekturglied des Modells dar. Reliefbedingte Beleuchtungsunterschiede wirken sich unter-
schiedlich auf die spektrale Reflexion von Objektklassen aus (u.a. LEPRIEUR et al. 1988),
sodass die Minnaert-Konstante vorrangig für die besonders interessierenden Bildinhalte bzw.
Objektklassen ermittelt werden sollte. Im vorliegenden Fall wurden dazu geschlossene
Fichtenreinbestände (geringes bis mittleres Baumholz) festgelegt. Entsprechende Bestände
wurden für alle Expositionen und Hangneigung mittels Datenbank-Abfragen aus den Forst-
einrichtungsdaten vorselektiert, im Satellitenbild mit entsprechenden Forstgeometrien mar-
kiert und geeignete Flächen interaktiv am Bildschirm als Referenzgebiete ausgewählt. Auf
Basis der Referenzflächen wurde für jeden Spektralkanal eine lineare Regression zwischen
Lichteinfallwinkel und den Reflexions- bzw. Grauwerten berechnet. Die Minnaert-Konstante k
entspricht der Steigung der Regressionsgeraden. Die erforderlichen Geländeparameter wur-
den aus dem DGM „Erzgebirge“ abgeleitet. Der Sonnenstand zum Aufnahmezeitpunkt wurde
den Header-Informationen der verwendeten Satellitenbildaufnahme entnommen.
Auf vergleichende Darstellungen von Verfahren zur Reduzierung des topographischen Effek-
tes sowie zur topographischen Normalisierung wird auf JUSTICE et al. (1981) und GU &
GILLESPIE (1998) verwiesen.
DGM
DGM Satellitendaten
- geokodiert -
Satellitendaten
- geokodiert -
Minnaert - Korrektur
(Topographische Normalisierung)
Referenzflächen
Fichte, Baumholz
(geschlossen)
Referenzflächen
Fichte, Baumholz
(geschlossen)
Sonnenzenit
Sonnenazimut
Sonnenzenit
Sonnenazimut FGIS
FGIS
Referenzflächen-Vorselektion
interaktive Auswahl
Markierung /
Extraktion der Signaturen
Berechnungen von
Geländeparametern
Lichteinfalls-
winkel
Lichteinfalls-
winkel
Satellitendaten
- korrigiert -
Satellitendaten
- korrigiert -
lineare Regression
(k - Wert, kanalweise)
Berechnungen von
Lichteinfallswinkel
Abb. 18: Ablaufschema der topographischen Normalisierung
Optimierung der radiometrischen Korrektur für Fichtenreinbestände / UG Erzgebirge
5.2.2.2 Qualitätsbeurteilung
Für die qualitative Beurteilung der normalisierten Satellitenbilddaten wurden am Bildschirm
Messprofile in Bildbereichen festgelegt, in denen gemäß Forstdatenbank auf unterschied-
lichen Expositionen und Hangneigungen Fichtenreinbestände gleichen Aufbaus stocken. Die
spektralen Profile wurden jeweils aus den unkorrigierten sowie korrigierten Daten extrahiert
und vergleichend analysiert (vgl. Abb. 19).
In schwach bis stark geneigten Gebieten sind reliefabhängige Grauwertunterschiede weitge-
hend eliminiert. Grauwertanstiege entlang der Profile sind in den korrigierten Daten deutlich
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
77
abgeflacht. Überkorrekturen des topographischen Effektes konnten innerhalb von wald-
bestockten Flächen nicht festgestellt werden. In Bildbereichen mit Beleuchtungsextremen
wurden Bildelemente allerdings unterkorrigiert. Hierbei handelt es sich vorrangig um Sonnen-
und Schattenhänge mit Hangneigungen über 30 Grad. Die lokal auftretenden Fehlkorrektu-
ren werden vorwiegend auf das verwendete DGM zurückgeführt. Die zur Eliminierung von
Schnittlinien und Treppungen durchgeführte Filterung der gerasterten Höheninformationen
(vgl. Kap. 5.1.2) konnte die Gesamtqualität des DGM zwar deutlich erhöhen, führte in Ein-
zelfällen und lokal begrenzt zu einer unzureichenden Reliefwiedergabe (v.a. kleinflächige
Steillagen, Glättungseffekte entlang von Tallinien). Zudem gibt das Modell das Gelände im
Vergleich zur Auflösung der Satellitenbilddaten (£ 20 m) nicht ausreichend genau wieder
(Netzpunktabstand DGM/M745: 25 m).
Zusammenfassend wurde die erzielte Qualität der topographischen Normalisierung als zu-
friedenstellend beurteilt. Die Vorteile der radiometrischen Korrekturen von Satellitenbilddaten
überwiegen die lokal begrenzten Defizite. Grundvoraussetzung für eine weitere Verbesse-
rung der radiometrischen Korrekturen ist die Verfügbarkeit eines fehlerfreien und höher auf-
gelösten DGM. Dies wird mit der landesweiten Fertigstellung des ATKIS-DGM25 für Bildda-
ten mittlerer Auflösung gewährleistet sein. Für die Bearbeitung hochauflösender Daten
müssen höhere Anforderungen an die Geländemodellierung gestellt werden.
Abb. 19: Topographische Normalisierung von multispektralen SPOT4-Daten
oben: Kanal HRVIR3 - unkorrigiert (links) und korrigiert (rechts)
unten: Grauwerte entlang eines Messprofils (gleich strukturierte Fichtenbestände)
- - - - - unkorrigiert / --------- korrigiert
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
78
5.2.3 Generierung von synthetischen Kanälen
Auf Basis der geometrisch und ggf. radiometrisch korrigierten Satellitenbilddaten wurden
synthetische Kanäle generiert. Ein Ziel ist es, relevante Bildinhalte in diesen neuen Kanälen
die stärker hervorzuheben bzw. die Informationsgehalte der Originalkanäle zu verdichten.
Generiert wurden solche, die sich als Zusatzkanäle in forstlichen Untersuchungen bereits
mehrfach bewährt haben. Folgende Standardverfahren bzw. -methoden wurden genutzt und
teilweise themenbezogen optimiert:
· Satellitenbilddatenfusion (Kap. 5.2.3.1; Anwendungsschwerpunkte: Waldstrukturklassifi-
zierung, visuelle Interpretation),
· Hauptkomponententransformation (Kap. 5.2.3.2; Anwendungsschwerpunkt: automatische
Erfassung von Veränderungen),
· arithmetische Verknüpfungen von Multispektralkanälen (Kap. 5.2.3.3; Anwendungs-
schwerpunkte: Waldstrukturklassifizierung, Waldschadenskartierung).
Ferner wurden Texturkanäle aus panchromatischen IRS-Daten abgeleitet (Kap. 5.2.3.4).
5.2.3.1 Satellitenbilddatenfusion
Beim Ausloten von Nutzungspotenzialen von verfügbaren und konkret geplanten Satelliten-
systemen (vgl. Kap. 3.2.2) in der Forst- und Umweltplanung sind unter anderen folgende
Aspekte zu berücksichtigen:
· Eine wachsende Anzahl panchromatischer Sensoren liefert räumlich hoch- und höchst-
aufgelöste Daten (< 10 m, teilweise < 1 m). Die Objekterkennbarkeit wird durch die geo-
metrisch-strukturellen Bildinformationen deutlich verbessert. Eine Differenzierung auf Ba-
sis von spektralen Merkmalen ist begrenzt, da nur Informationen eines Spektralbereichs
vorliegen.
· Die Palette multispektraler Sensoren wird mit modernen Geräteentwicklungen ergänzt.
Im Gegensatz zu den panchromatischen Daten ermöglicht die hohe spektrale Auflösung
eine bessere thematische Unterscheidung. Wegen der zumeist geringeren räumlichen
Auflösung wird die Objekterkennbarkeit von panchromatischen Daten i.d.R. nicht erreicht.
· Panchromatische und multispektrale Sensoren sind vielfach in einem System integriert.
Ausnahmen bilden unter anderem kartographisch ausgerichtete panchromatische Sen-
soren. Weitere Systeme können wahlweise im panchromatischen oder multispektralen
Modus betrieben werden.
Aufgrund der komplementären Charakteristik der panchromatischen und multispektralen
Fernerkundungsaufzeichnungen kann eine effiziente Nutzung darin bestehen, den Informati-
onsgehalt beider zu extrahieren und zu kombinieren. Vor diesem Hintergrund gewinnt die
Fusionierung („Verschmelzung“) von Satellitenbilddaten immer mehr auch für forstliche An-
wendungen an Bedeutung. Auf der Basis von räumlich hochauflösenden panchromatischen
und multispektral hochauflösenden Datensätzen werden mit Fusionstechniken neue synthe-
tische Bilddaten erzeugt, die die geometrisch-strukturellen und die spektral-radiometrischen
Vorzüge der Ausgangsdaten vereinen. Aus diesem Informationsgewinn resultiert eine deut-
lich verbesserte Detailwiedergabe. Einen visuellen Vergleich von panchromatischen und
multispektralen Ausgangsdaten mit fusionierten Daten bietet Abbildung 20.
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
79
Abb. 20: IRS-1C-Daten: Ausgangsdaten und Fusionsdaten
LISS3: 25 m x 25 m, Kanäle 1-3-2 (RGB) / PAN: 5 m x 5 m (Szene vom 02.06.97)
Fusionsdaten (LISS3, PAN): 5 m x 5 m, Verfahren: Brovey-Algorithmus
Die EARSeL-SEE-EMP-Arbeitsgruppe (European Association of Remote Sensing Laborato-
ries; French Society for Electricity and Electronics), die sich mit Festlegungen von Definiti-
onen und Terminologien auseinandersetzt, liefert eine methodenunabhängige Definition zur
Datenfusion (WALD 1998):
„data fusion is a formal framework in which are expressed means and tools for the alli-
ance of data originating from different sources, in order to obtain information of greater
quality; the exact definition of ‚greater quality‘ will depend upon the application.“
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
80
Diese Beschreibung lässt bewusst die Datenquellen offen und reduziert die Datenfusion
nicht auf Techniken und Verfahren. In anderen Definitionen stehen vorrangig die Methoden
im Mittelpunkt. POHL & VAN GENDEREN (1998) grenzen die Datenquelle auf Fernerkundungs-
systeme ein und definieren den Begriff image fusion (häufig benutzte Synonyme: multisensor
data fusion, image merging):
„Image Fusion is the combination of two or more different images to form a new image
by using a certain algorithm.“
Hiernach kann letzteres als Teil der weiter gefassten Datenfusion betrachtet werden. In der
vorliegenden Arbeit werden ausschließlich Satellitenbilddaten miteinander kombiniert, so-
dass der Begriff Satellitenbilddatenfusion - in Anlehnung an image fusion - verwendet wird.
Neben Daten des gleichen Sensors (z.B. LANDSAT7-ETM) sind multisensorale Datensätze
eines (z.B. IRS-1C) oder mehrerer Aufnahmesysteme nutzbar. Eine Kombination aus satel-
liten- und flugzeuggestützten Systemen ist prinzipiell möglich. Die Verwendung verschiede-
ner Systeme kann eine multitemporale Verknüpfung implizieren, die unter bestimmten Be-
dingungen zulässig ist (Kap. 5.2.3.1.2).
Bei der Fusionierung von räumlich und spektral unterschiedlich aufgelösten Bilddaten ist eine
vollständige Erhaltung beider Eigenschaften nicht möglich. Hieraus resultiert eine große
Vielfalt von Fusionstechniken bzw. -algorithmen, um die Informationen aus unterschiedlichen
Datensätzen in einem neuen zu verschmelzen. Ausgehend von der Prozessierungsstufe, auf
der die Fusionierung durchgeführt wird, unterscheiden POHL & VAN GENDEREN (1998) die
Verfahren in drei Kategorien (vgl. Abb. 21):
· pixelbasierte Verfahren:
Die bildpunktweise Kombination der Datensätze wird über mathematische Algorithmen
erzielt. Es resultiert ein multispektraler Datensatz, der die räumliche Auflösung und De-
tailinformation des panchromatischen Kanals aufweist.
· merkmalsbasierte Verfahren:
Bildmerkmale werden aus den verschiedenen Ausgangsdaten extrahiert (z.B. Kanten,
Segmente / Regionen, Texturen) und nachfolgend zueinander in Beziehung gebracht.
Auf Basis der umgebungsabhängigen multisensoralen Informationen werden Objekte
(Regionen) mittels statistischer Ansätze abgeleitet.
· entscheidungsbasierte Verfahren:
Die Ausgangsdaten werden getrennt voneinander ausgewertet. Erst die thematischen
Ergebnisse (z.B. klassifizierte Daten) werden zusammengeführt, ggf. mittels Regelwerk.
Evaluation
Result
Fusion Pixel
Level
Processing
Image 1 Image 2 Image n
...
Feature Extraction
Evaluation
Result
Image 1
Fusion Feature
Level
Processing
Image 1 Image 2 Image n
...
Feature Extraction
Evaluation
Result
Image 1
Fusion
Feature Identification
Decision
Level
Processing
Image 1 Image 2 Image n
...
Abb. 21: Kategorisierung von Image fusion nach Prozessierungsstufen
(aus: POHL & GENDEREN 1998)
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
81
Die entscheidungsbasierten Ansätze spielen eine nachgeordnete Rolle. Die Gruppe der pi-
xelbasierten Verfahren vereint zahlreiche Ansätze, die in vielen Softwarepaketen zur Bild-
verarbeitung standardmäßig integriert sind. In praxisbezogenen Anwendungen wurden diese
bisher am häufigsten eingesetzt. Einen Schwerpunkt der Verfahrensentwicklung bildet zu-
nehmend die Fusionierung mittels Merkmalen bzw. Objekten.
Einige Fusionstechniken bieten Vorzüge für die visuelle Interpretation, da geometrische bzw.
strukturelle Eigenschaften der panchromatischen Ausgangsdaten (u.a. Struktur, Textur,
Form) in den abgeleiteten Bildprodukten betont werden. Die multispektralen Informationen
der Ausgangsdaten werden mehr oder weniger stark verändert (ZHANG & ALBERTZ 1998).
Andere Ansätze verändern die originalen spektralen Informationen nur geringfügig und
verbessern somit die Verwendbarkeit der synthetischen Kanäle für automatische Klassifizie-
rungen. Die Eignung und Auswahl von Fusionsverfahren ist folglich anwendungsbezogen.
Die präzise geometrische Korrektur der Ausgangsdaten gilt als Grundvoraussetzung für eine
erfolgreiche Fusionierung. Ferner sollte zwischen den verwendeten Szenen bzw. Kanälen
eine möglichst hohe Korrelation vorliegen - aufgrund zeitlicher (Reflexions-) Veränderungen
von abgebildeten Oberflächen bzw. Objekten sollte daher ein möglichst geringes Zeitintervall
zwischen den jeweiligen Aufnahmen vorliegen. Der zeitliche Toleranzbereich kann je nach
Anwendungsbereich variieren.
Um das gesamte Informationsspektrum der multisensoralen Daten besser ausnutzen zu
können, wird an der Entwicklung neuer Fusionsverfahren gearbeitet, die in verstärktem Ma-
ße Bildmerkmale heranziehen (u.a. STEINNOCHER 1997, DE BETHUNE et al. 1998). Auch wer-
den Ansätze aus der Signalprozessierung, beispielsweise Wavelet-Transformationen, auf
Fernerkundungsdaten angewendet (u.a. GARGUET-DUPORT et al. 1996, ZHOU et al. 1998).
Zukünftig werden einige dieser neuen Entwicklungen eine größere Verbreitung erlangen und
die Verfahrens- und Methodenpalette für praxisorientierte Anwendungen erweitern.
Detaillierte Beschreibungen und vergleichende Darstellungen von Fusionsverfahren finden
sich in WALD et al. (1997), POHL & VAN GENDEREN (1998) sowie HILL et al. (1999).
5.2.3.1.1 Verfahrensauswahl
Für den Praxiseinsatz in Forstwirtschaft und Umweltschutz ist das Nutzungspotenzial detail-
reicher Satellitenbildprodukte für visuelle Auswertungszwecke von besonderem Interesse
(Kap. 7). Die Festlegung von Eignungskriterien für die Auswahl und Beurteilung von Fusions-
verfahren und der resultierenden Bildprodukte richtete sich daher auf die Interpretationsfä-
higkeit von Bildprodukten und weniger auf die Potenziale für digitale Auswertungen. Zahlrei-
che Neu- bzw. Weiterentwicklungen von Fusionstechniken stellten im Untersuchungszeit-
raum noch Insellösungen dar und waren für einen operationellen Einsatz nicht nutzbar. Es
wurden die in ERDAS IMAGINE implementierten Standardverfahren angewendet:
· IHS-Transformation:
Diese Farbraumtransformation ist eines der am häufigsten anwendeten Verfahren. Multi-
spektraldaten, die zur Visualisierung mittels additiver Farbmischung üblicherweise den
Primärfarben zugeordnet sind (RGB), werden hierbei in einen anderen Farbraum trans-
formiert. Dieser wird durch die Intensität I (Intensity), den Farbton H (Hue) und die Sätti-
gung S (Saturation) festgelegt. Die Ableitung der Farbkomponenten erfolgt jeweils unter
Einbeziehung aller RGB-Kanäle. Die Einzelkomponenten I, H und S werden als Sekun-
därkanäle abgelegt und können unabhängig voneinander bearbeitet werden. Die Ver-
schmelzung der Daten wird erreicht, indem der Intensitätskanal des multispektralen Da-
tensatzes durch den hochauflösenden panchromatischen Kanal ersetzt wird. Farbton und
Farbsättigung der Multispektraldaten bleiben davon unbeeinflusst. Nachfolgend werden
die IHS-Kanäle in den ursprünglichen RGB-Farbraum rücktransformiert.
Weitergehende Beschreibungen finden sich in HAYDN et al. (1982), WELCH & EHLERS
(1987), CHAVEC et al. (1991) und PELLEMANS et al. (1993).
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
82
· PCS-Verfahren:
Das Kernstück dieses statistischen Ansatzes bildet die Hauptkomponententransforma-
tion. Hierbei handelt es sich primär um eine Methode zur Kompression von multivariaten
Datensätzen mit dem Ziel, die Datenmenge unter Beibehaltung maximaler Informations-
dichte zu reduzieren. Sie ist auf maximale Varianz ausgelegt, der Hauptanteil der multi-
spektralen Information wird in der ersten Hauptkomponente erklärt bzw. dargestellt - eine
ausführliche Beschreibung der Hauptkomponententransformation wird in Kapitel 5.2.3.2.1
gegeben.
Nach der Transformation der Multispektralkanäle erfolgt ein Austausch der ersten Haupt-
komponente (HK1) mit dem panchromatischen Kanal, nachdem dieser auf den Grau-
wertebereich der Transformierten gestreckt wurde - daher auch der Verfahrensname
principal component substitution (PCS). Durch eine inverse Transformation der Haupt-
komponenten erfolgt die Fusionierung.
Es wird eine hohe Korrelation zwischen panchromatischen Daten einerseits und Multi-
spektraldaten sowie HK1 andererseits vorausgesetzt. Im rücktransformierten multispek-
tralen mehrkanaligen Datensatz bewirkt die vorherige Integration der panchromatischen
Informationen eine Steigerung der räumlichen Abbildungsschärfe (WELCH & EHLERS
1987, SHETTIGARA 1992 ).
· Brovey-Algorithmus:
Im Brovey-Verfahren werden die Grauwerte (DN) der Multispektralkanäle bildpunktweise
arithmetisch verknüpft und mit dem Grauwert des hochauflösenden Kanals multipliziert
(u.a. HALLADA & COX 1983). Mittels Ratio-Bildung erfolgt dabei eine Normalisierung der
multispektralen Kanäle k. Die Intensität bzw. Helligkeit des höher aufgelösten Kanals wird
hinzugefügt:
DNFusion_1: (DNk1 / (DNk1 + DNk2 + DNk3)) * DNPAN
DNFusion_2: (DNk2 / (DNk1 + DNk2 + DNk3)) * DNPAN
DNFusion_3: (DNk3 / (DNk1 + DNk2 + DNk3)) * DNPAN
Für die Eignungsprüfung dieser Verfahren wurde auf multitemporale Fusionierungen ver-
schiedener Aufnahmesysteme verzichtet. Um sensor- und aufnahmespezifische Einflüsse
auszuschließen, wurden panchromatische und multispektrale IRS-Aufnahmen verwendet
(LISS3-Kanäle: 1,2,3 / Grün, Rot, NIR). Zur Beurteilung der visuellen Interpretierbarkeit wur-
den jeweils verschiedene Bildprodukte mit alternativen RGB-Belegungen generiert. Zur Er-
haltung von Formen und Strukturen bzw. zur Minimierung von Blockungen (Treppeneffekte)
in den synthetischen Kanälen wurden ausschließlich Satellitenbilddaten verwendet, die mit
dem Resampling-Verfahren der bikubischen Interpolation entzerrt wurden (vgl. Kap. 5.2.1.2).
Zur Verbesserung der Ergebnisse des Brovey-Verfahrens erwies sich die vorhergehende
waldoptimierte Kontraststreckung des panchromatischen Kanals als sinnvoll.
Als Beurteilungskriterien der Bildprodukte dienten die Erkennbarkeit von Formen, Strukturen
und Texturen innerhalb von Wäldern sowie die geometrisch exakte Abgrenzbarkeit von un-
terschiedlich strukturierten Beständen und anderen forstlichen Einzelobjekten. Zur Unterstüt-
zung der visuellen Begutachtung erfolgte die Festlegung von spektralen Messprofilen in inte-
ressierenden Bildteilen und deren graphische Darstellung. Im Hinblick auf die mögliche
Nutzung von Bildprodukten zur Herstellung von großmaßstäbigen Satellitenbildkarten erfolg-
te die Betrachtung vorrangig im Maßstab 1 : 10 000.
Der visuelle Vergleich der kontrastgestreckten Fusionsprodukte führte zu folgenden Ergeb-
nissen:
· Mittels PCS-Verfahren generierte Bildprodukte zeigten Defizite bei der flächenscharfen
Wiedergabe von kleinflächigen Bilddetails. Innerhalb von Wäldern zeigten sich ver-
gleichsweise unscharfe Übergänge zwischen Laubholz- und Nadelholzbeständen, insbe-
sondere aber zwischen geschlossenen Nadelwäldern unterschiedlicher Wuchsklassen.
Aufgrund der altersspezifischen Reflexionseigenschaften (vgl. Kap. 8.2.2.1.1) kann
Letzteres auf eine geringe Korrelation von panchromatischen und multispektralen Daten
zurückgeführt werden, der zu einem Informationsverlust im Fusionsprozess führt.
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
83
Linienstrukturen (u.a. Wege, Schneisen) wurden vorwiegend kontrastarm abgebildet.
Bildbereiche, die sowohl in den panchromatischen als auch in den multispektralen Aus-
gangsdaten als markante Grauwertstufen (u.a. Wald-Feld-Grenze) hervortreten, konnten
dagegen flächenscharf, die Kanten betonend, erfasst werden.
· Die IHS-Transformation und der Brovey-Algorithmus lieferten vergleichbare Bildprodukte.
Die geometrisch-strukturellen Informationen des panchromatischen Kanals blieben im
Vergleich zum PCS-Verfahren in größerem Maße erhalten. Auch Formen kleinerer Ob-
jekte waren dadurch visuell besser abgrenzbar. Die geometrische Lage von Flächen und
Linien konnte zuverlässiger erfasst werden. Durch eine höhere Grauwertedynamik inner-
halb von Waldflächen wurden Texturen betont, was zur Steigerung der visuellen Inter-
pretationsmöglichkeiten beitrug.
· Im Bildprodukt der IHS-Transformation blieb entlang von ausgeprägten Grauwertkanten
(u.a. Wald-Feld-Grenze) die Rasterung der multispektralen Daten teilweise erhalten und
wirkte störend bei der großmaßstäbigen Betrachtung. Unter Verwendung des Brovey-
Algorithmus konnten entsprechende Kachelungen nicht nachgewiesen werden.
Für den operationellen Einsatz von fusionierten Satellitenbilddaten in der Forstpraxis sollte
die Vorgehensweise weitgehend szenen- und sensorunabhängig auf andere Gebiete bei
annähernd gleicher Bildqualität übertragbar sein. Die Verfahrensentwicklung sollte auch
großräumige Auswertungen zulassen:
· Das PCS-Verfahren erfüllt diese Anforderungen nur bedingt, da die Berechnung der
Hauptkomponenten auf Basis der Gesamtszene erfolgt. Die Transformationsergebnisse
sind gebiets- und szenenabhängig. Insbesondere die jeweils abgebildeten Landnut-
zungsstrukturen (u.a. Oberflächenbedeckungsarten und deren Flächenanteile) bzw. de-
ren Reflexionswerte, bestimmen die statistische Berechnung der Hauptkomponenten,
sodass die Wiedergabe und Unterscheidbarkeit von Wäldern in den transformierten, und
folglich auch in den fusionierten Bildprodukten, variieren können.
· Die IHS-Farbraumtransformation weist den methodisch bedingt höchsten Speicherplatz-
bedarf auf, welches bei großräumigen Untersuchungen zu Schwierigkeiten führen kann.
· „Schwarze“ Bildbereiche ohne Informationen (u.a. schräg verlaufende Szenenränder)
führten bei Verknüpfungen mittels IHS- und PCS-Verfahren zu erheblichen Prozessie-
rungsproblemen. Zu deren Behebung sind zusätzliche Arbeitsschritte notwendig.
· Im Brovey-Verfahren wurden die größten Abweichungen zwischen synthetischen Bild-
daten und multispektralen Ausgangdaten ermittelt (Grauwerte). Wenn entsprechende
Bilddaten nicht für die waldstrukturellen Detailklassifizierungen herangezogen werden, ist
dieses Defizit jedoch tolerierbar.
Aufgrund der Robustheit und der zufriedenstellenden Abbildungsschärfe wurde der Brovey-
Algorithmus für die weiteren Auswertungen ausgewählt.
5.2.3.1.2 Generierung und Eignung von hochauflösenden Satellitenbildprodukten
Das Nutzungspotenzial von fusionierten Satellitenbilddaten in der Forstpraxis wird maßgeb-
lich bestimmt von der visuellen Interpretationsfähigkeit analoger oder digitaler Bildprodukte
(Kap. 7). Eine weitgehende Unabhängigkeit von spezifischen Sensoren ist wünschenswert,
damit ein möglichst breites Angebot an aktuellen Aufnahmen verschiedener Systeme ver-
wendbar ist. Zudem ist abzuschätzen, welche Kriterien für die Auswahl und Kombination von
geeigneten Systemen, Sensoren, Spektralkanälen und Szenen zu beachten sind.
Ein grobes Anforderungsprofil für die Herstellung von Bildprodukten und für eine sinnvolle
Datenauswahl wurde daher aus der Generierung der folgenden multisensoralen und multi-
temporalen Fusionsprodukten hergeleitet:
· IRS-1C / PAN und IRS-1C / LISS3 (Dübener Heide, Nedlitz, Erzgebirge),
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
84
· IRS-1C / PAN und LANDSAT5 / TM bzw. LANDSAT7 / ETM+ (Dübener Heide, Nedlitz),
· IRS-1C / PAN und SPOT4 / HRVIR (Erzgebirge),
· SPOT2 / HRV-PAN und SPOT4 / HRVIR (Erzgebirge).
Die Auswahl der Szenen war auf den Zeitraum von Mai bis September beschränkt. Es wur-
den jeweils die Grün-, Rot- und NIR-Kanäle ausgewählt. Obwohl die panchromatischen In-
formationen aus dem sichtbaren Spektrum mit denen des nahen Infrarot teilweise schwach
korreliert sind, ist ein Verzicht auf den für Walddifferenzierungen wichtigsten Kanal nicht
sinnvoll. MIR-Kanäle wurden nicht verwendet, da der entsprechende LISS3-Kanal über eine
zu geringe räumliche Auflösung verfügt (ca. 70 m x 70 m).
Zur Erhöhung der Abbildungsschärfe in Fusionsdatenprodukten hat sich die vorhergehende
waldoptimierte stufenweise lineare Kontraststreckung der panchromatischen Ausgangsdaten
bewährt (Anpassung von 4 Stützpunkten). Linien, Kanten, Texturen und Strukturen werden
hervorgehoben sowie Grobunterscheidungen verbessert (u.a. Laubwald, Nadelwald).
Fusionsdatenprodukte mit unterschiedlichen RGB-Belegungen wurden generiert („Vegetati-
on-Grün“-Variante: Grün-NIR-Rot; „Vegetation-Rot“-Variante: NIR-Rot-Grün oder NIR-Grün-
Rot - in Anlehnung an CIR-Luftbilder), sodass bei gleichem Informationsgehalt die subjekti-
ven Farbwahrnehmungen und Gewohnheiten von forstlichen Bildinterpreten Berücksichti-
gung fanden. Als Ergebnis der Fusionierung resultierten multispektrale Bilddaten (8-bit) in
der räumlichen Auflösung des jeweils höher auflösenden Kanals (5 m: IRS-PAN, 10 m:
SPOT2). In Anlehnung an die multispektralen Ausgangsdaten wurde für die resultierenden
Fusionsdaten erneut eine Kontraststreckung vorgenommen.
Die Fusionsdatenprodukte übergreifende Begutachtung lässt folgende Aussagen zu:
Zeitliche Aspekte
· Wenn auf synchron aufgenommene Szenenpaare eines Systems nicht zurückgegriffen
werden kann, wird i.d.R. die Verwendung von zeitnahen Aufnahmen empfohlen.
Die daraus resultierende Beschränkung der Verwendbarkeit und Kombinierbarkeit ist für
Waldanwendungen jedoch weniger gravierend als für andere Bereiche. So unterliegen
Wälder innerhalb der Vegetationsperiode (Sommeraspekt) deutlich geringeren zeitlichen
Veränderungen als beispielsweise die landwirtschaftliche Nutzfläche. Kurzfristige mar-
kante Veränderungen mit deutlichen Auswirkungen auf die spektralen und strukturellen
Eigenschaften von Beständen sind auf intensive waldbauliche Eingriffe (u.a. starke Auf-
lichtungen) oder auf abiotische bzw. biotische Schäden (v.a. Sturmwurf) begrenzt und er-
reichen i.d.R. innerhalb einer Vegetationsperiode einen vergleichsweise geringen Flä-
chenanteil.
Wie der Vergleich eines IRS-Fusionsdatenproduktes (Juni 1998) mit einer IRS-
LANDSAT-Kombination (PAN-Szene: Juni 1998; TM-Szene: Juli 1999) zeigt, kann die
Qualität der multitemporalen Variante an die des „idealen“ Bildproduktes heranreichen
(vgl. Abb. 22). Die Detailerkennbarkeit wurde für beide Datensätze als nahezu identisch
eingestuft. Eine bessere Abbildungsschärfe wurde jedoch für das IRS-Produkt ermittelt.
Obwohl die multisensorale Szenenpaarung „IRS / LANDSAT“ ein Zeitintervall von ca. ei-
nem Jahr aufweist - bei allerdings vergleichbarer Vegetationsphase - erlaubt die hohe
partielle Bildkorrelation innerhalb der bewaldeten Gebiete eine nur wenig eingeschränkte
Interpretationsfähigkeit. Für Landwirtschaftsanwendungen wäre diese Verknüpfung un-
geeignet.
· Charakteristisch für multitemporale Fusionierungen ist das Auftreten von vereinzelten
lokalen „Bildfehlern“ als Folge von zeitlichen Veränderungen. Zur Vermeidung von Fehl-
interpretationen muss deren Wiedergabe bekannt sein (vgl. Abb. 23).
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
85
Die Gesamtbetrachtung der verschiedenen multitemporalen Fusionsprodukte lässt erkennen,
dass für Forstanwendungen die Nutzung von Szenen unterschiedlicher Aufnahmezeitpunkte
prinzipiell möglich ist, wenn vereinzelte Qualitätseinbußen aufgrund markanter Veränderun-
gen tolerierbar sind.
Abb. 22: Mono- und multitemporale Image Fusion
links: IRS-1C / PAN u. LISS3 (3-1-2), rechts: IRS-1C / PAN und LANDSAT5-TM (4-2-3)
Szenen vom 19.07.1999 (LANDSAT5) und 21.06.1998 (IRS-1C) / Brovey-Algorithmus
Gebietsausschnitt: UG Nedlitz
Abb. 23: Fusionierung - „Bildfehler" aufgrund von Veränderungen
links: IRS-1C / PAN („vorher" - Aspekt)
Mitte: LANDSAT5 / TM („nachher" - Aspekt; nach waldbaulichem Eingriff / Auflichtung)
rechts: Fusionsprodukt mit Bildfehler
Radiometrisch-spektrale Aspekte
· Aufgrund der Reflexionseigenschaften von Wäldern sind Szenen bzw. Szenenpaarungen
aus den Monaten Juni bis September (Mittelgebirge: Juni bis August) verwendbar. Die
phänologischen Entwicklungen verlaufen in diesem Zeitraum zumeist langsam und stetig.
Der Blattaustrieb sollte abgeschlossen sein und herbstliche Laubverfärbung noch nicht
eingesetzt haben. Dies begrenzt die Szenenverwendbarkeit im Mittelgebirge (hier: Erz-
gebirge).
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
86
· Auf negative Auswirkungen der geringen Grauwertedynamik von panchromatischen IRS-
Daten auf die Bild- und Kanalkorrelationen und im Fusionierungsprozess wird bei HILL
et al. (1999) hingewiesen.
Durch atmosphärische Beeinträchtigungen (v.a. Dunstschleier) und ungünstige Beleuch-
tungsbedingungen (Sonnenstand, Relief) können die radiometrischen Qualitäten von
panchromatischen Szenen weiter eingeschränkt werden. Eine zusätzliche Reduzierung
der Grauwertedynamik von Waldgebieten äußert sich im Fusionsprodukt durch vermin-
derte Abbildungsschärfe und Informationsverluste.
Beste Ergebnisse konnten bei Verwendung einer atmosphärisch nur gering beeinflussten
Juni-Szene erzielt werden (IRS-1C, Dübener Heide). Einen verminderten Detaillierungs-
grad zeigten Fusionsdatenprodukte, die mit panchromatischen Aufnahmen aus dem
Spätsommer abgeleitet wurden (vgl. Kap. 4.1.2.1).
Sofern mehrere panchromatische Szenen verfügbar sind, sollte dieser Aspekt bei der
Auswahl beachtet werden.
· Unabhängig vom Kombinationsverfahren führten die unregelmäßigen Streifungen im
panchromatischen IRS-Kanal zur Abwertung der optischen Qualität der abgeleiteten
Bildprodukte. Insbesondere im Bereich der gering reflektierenden Nadelwälder traten
diese radiometrischen Defizite hervor. Ohne Kenntnis dieser Störungen wären diese ver-
einzelt als Waldstrukturen interpretierbar.
Geometrisch-strukturelle Aspekte
· Als Grundvoraussetzung für die erfolgreiche Satellitenbilddatenfusion gilt eine exakte
geometrische Übereinstimmung der Ausgangsdaten. Aufgrund der guten Entzerrungser-
gebnisse wurden diese Anforderungen weitgehend erfüllt (vgl. Kap. 5.2.1.3).
· Partielle Bildunschärfen resultieren bereits durch geringfügige Lageabweichungen zwi-
schen den Ausgangsdaten. Dies gilt in besonderem Maße für divergierende ungleichge-
richtete Abweichungen, die vorrangig bei der Verknüpfung von Aufnahmen unterschiedli-
cher Systeme vorkommen (IRS-LANDSAT, IRS-SPOT usw.).
Dieser zumeist lokal auftretende Effekt war in Fusionsdatenprodukten des Erzgebirges
stärker ausgeprägt. Eine Ursache kann darin begründet liegen, dass die Ausgangssze-
nen im Rahmen der parametrischen Geokodierung einzeln auf das DGM „Erzgebirge“
entzerrt wurden. Die direkte Bild-auf-Bild-Registrierung - in der vorliegenden Studie für
die flacheren Untersuchungsgebiete vorgenommen - trägt dazu bei, die Unschärfen zu
vermeiden.
· Die geringsten Lageabweichungen konnten erwartungsgemäß bei synchron aufgenom-
men Szenenpaaren eines Systems festgestellt werden (hier: IRS-1C).
Aus der Kombination der panchromatischen IRS-1C- mit TM-Daten resultierten etwas
größere Abweichungen, die auf bereits genannte Geometriedefizite der Multispektralda-
ten zurückzuführen sind.
Für forstkartographische Arbeiten (z.B. Überprüfungen von digitalen Karten bzw. Geo-
metriedaten) sollten daher fusionierte IRS-1C-Daten den anderen Kombinationen vorge-
zogen werden.
Die Registrierungsprobleme zwischen Szenenpaaren verschlechtern folglich im Mittelgebirge
(hier: Erzgebirge) die Qualität von Fusiondatenprodukten. RAGGAM et al. (1998) greifen die
Geometrieprobleme multitemporaler und multisensoraler Auswertungen auf und entwickeln
ein Verfahren, das eine Koregistrierung von zuvor parametrisch geokodierten Bilddaten auf
„Referenzbilder" mittels Autokorrelationsmethoden vorsieht. Durch den 2-stufigen Entzer-
rungsansatz konnten partielle Bildübereinstimmungen deutlich verbessert werden. In aktuel-
len Versionen der Geokodierungssoftware RSG, die auch in den eigenen Arbeiten eingesetzt
wurde, ist eine entsprechende Softwarelösung implementiert.
Um den Aufwand für die Erstellung von Bildprodukten gering zu halten, ist aus pragmati-
schen Aspekten zu erwägen, eine einfache rubber-sheeting - Anpassung (lokale, blockweise
Entzerrung mittels Verknüpfungspunkten) von parametrisch geokodierten Satellitenbildern
vorzunehmen, wenn die Fusionierung für kleinflächige stark reliefierte Gebiete vorgenommen
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
87
werden soll (z.B. Forstamt). Als Referenz kann die hochauflösende panchromatische Szene
dienen.
5.2.3.2 Hauptkomponententransformation
Die Hauptkomponententransformation (HKT, principal component analysis - PCA ) von
Fernerkundungsdaten liefert synthetische Kanäle, deren Eigenschaften und Informationen in
zahlreichen Untersuchungen für die Inventarisierung und für das Monitoring von Wäldern
genutzt wurden. In der vorliegenden Arbeit wird das Verfahren angewendet und optimiert für
die die automatische Erfassung von Veränderungen in Waldgebieten (Kap. 8.5.2.1).
Nachfolgend wird zunächst das Grundprinzip der HKT skizziert. Ferner wird eine Verfah-
rensanpassung für Waldanwendungen beschrieben, die in den zugrunde liegenden Untersu-
chungen zu einer Verbesserung von Auswertungsergebnissen beigetragen hat.
5.2.3.2.1 Das Grundprinzip
Die Hauptkomponententransformation ist primär eine Methode zur Datenkompression von
multivariaten Datensätzen mit dem Ziel, die Datenmenge unter Beibehaltung maximaler In-
formationsdichte zu reduzieren. Eine wichtige Voraussetzung für diesen Algorithmus ist die
Unkorreliertheit der Hauptkomponenten (HK, principal component - PC ), die als neue Varia-
blen aus den alten, mehr oder weniger stark korrelierten Variablen bzw. Datensätzen durch
lineare Transformation hervorgehen.
Im Falle der maximal 7-dimensionalen Grauwerteverteilung von TM-Daten (7 Kanäle) liegt
eine solche Korrelation vor. Insbesondere zwischen Kanälen des sichtbaren Spektrums
(TM1, TM2, TM3) oder denen des mittleren Infrarot (TM5, TM7) sind hohe Korrelationen
festzustellen, die aber je nach Oberflächenbedeckungsart bzw. Objektart unterschiedlich
stark ausgeprägt sind (HORLER & AHERN 1986). Gleiches gilt aber auch für den Vergleich von
Szenen unterschiedlicher Aufnahmezeitpunkte des gleichen Gebiets. Hierbei liegen i.d.R.
hohe Korrelationen zwischen gleichen Kanälen vor.
Zur Eliminierung bzw. Verringerung bestehender Korrelationen werden bei der Transformati-
on die n Koordinatenachsen (hier: n Multispektralkanäle und deren Grauwerteverteilungen),
die den Merkmalsraum der (Satelliten-) Daten aufspannen, derart gedreht und orthogonali-
siert, dass die gesamte (Bild-) Information in n neuen Variablen, den Hauptkomponenten
enthalten ist. Im Rahmen der schrittweisen Extraktion der Hauptkomponenten wird zunächst
die Linearkombination ermittelt, deren Ausrichtung der maximalen Streuung bzw. Varianz
von Merkmalskombinationen (hier: Grauwertkombinationen) im Merkmalsraum der Aus-
gangsdaten folgt - diese entspricht HK1. Wiederum in Richtung der größten verbleibenden
Varianz wird HK2 ausgerichtet usw..
Da die HKT auf maximale Varianz ausgelegt ist, wird der Hauptanteil der Ausgangsinforma-
tionen (hier: Multispektralkanäle) in HK1 erklärt bzw. dargestellt. Der Anteil der Gesamtvari-
anz nimmt in den Hauptkomponenten höherer Ordnung drastisch ab.
Die Hauptkomponententransformation des multivariaten Datensatzes (hier: Pixel und Kanäle
des Ausgangsbildes) erfolgt in mehreren Stufen:
· Berechnung der Kovarianzmatrix:
Die Kovarianz zwischen den TM-Kanälen beschreibt die Korrelation, ist somit ein Maß für
die Redundanz des Datenmaterials und bildet die statistische Grundlage für weitere Be-
rechnungen. Üblicherweise wird die Berechnung für die unmaskierte (Gesamt-) Szene
durchgeführt.
· Berechnung der Eigenwerte und Eigenvektoren:
Der Eigenwert entspricht der Varianz, die den einzelnen Hauptkomponenten zufällt, und
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
88
gibt deren Länge an. Der Eigenvektor gibt die Achsenrichtung der Hauptkomponente an
und zeigt somit in die der maximalen (Rest-)Varianz. Dieser Vektor ist ein Maß für die li-
neare Beziehung zwischen i-tem Kanal und l-ter Hauptkomponente, stimmt mit den ent-
sprechenden Korrelationskoeffizienten überein und dient daher der Beschreibung der
Hauptkomponenten.
· Pixelweise lineare Transformation der Originalgrauwerte in den Merkmalsraum der
Hauptkomponenten:
Zur Berechnung des neuen Grauwertes werden die n-dimensionalen Merkmalsvektoren
des Ausgangsbildes mit den entsprechenden Eigenvektoren multipliziert.
Ausführliche Beschreibungen des statistischen Ansatzes sowie der Transformationsalgo-
rithmik finden sich in den einschlägig bekannten Fernerkundungshandbüchern (u.a.
HABERÄCKER 1991: 220ff, RICHARDS & JIA 1999: 133ff).
5.2.3.2.2 Verfahrensanpassung für Forstanwendungen
Die Hauptkomponententransformation der Ausgangskanäle wird im Standardverfahren auf
Grundlage des gesamten Ausgangsbildes, also unter Berücksichtigung aller Oberflächen-
bedeckungsarten und deren Flächenanteile durchgeführt. Die statistische Berechnung und
Ausrichtung der Hauptkomponenten bzw. die Informationsverdichtung ist nicht auf Waldge-
biete optimiert, sodass es zu Verlusten relevanter Bildinformationen kommen kann. Die
Transformationsergebnisse sind zudem gebiets- und szenenabhängig.
Um eine möglichst optimale Informationsverdichtung bzw. -extraktion für Forstanwendungen
zu erreichen, ist daher für die statistischen Berechnungen eine Fokussierung auf die abge-
bildeten Waldgebiete notwendig. Hierzu erwies sich folgende Vorgehensweise als geeignet:
· Waldmaskierung:
Um ausschließlich abgebildete Waldgebiete im Transformationsprozess zu berücksichti-
gen, wurde eine Maskierung der verwendeten Bilddaten vorgenommen. Hierzu diente die
Maske „Wald und baumbestockte Flächen“ (Kap. 8.3.1.1).
Zur Reduzierung des Arbeitsaufwands können optional aber auch Fachinformationen ge-
nutzt werden (z.B. Forsteinrichtungsdaten: Holzbodenfläche, ATKIS: „Wald“, BTNT:
„Wald“).
· Waldoptimierte Hauptkomponententransformation:
Die maskierten Satellitenbilddaten (Nichtwald = 0) wurden dem Transformationsalgorith-
mus übergeben. Die Berechnung der Kovarianzmatrix und aller darauf aufbauenden Pa-
rameter erfolgt dabei unter Ausschluss von Grauwert „0“ und somit nahezu ausschließ-
lich für Waldflächen. Zum Standardverfahren ergeben sich wesentliche statistische
Unterschiede (vgl. Tab. 11):
- Die Ladungen (Eigenvektoren) der 1. HK zeigen, dass der hohe Informationsgehalt ins-
besondere auf die für Waldunterscheidungen wichtigsten IR-Kanäle zurückgeht (v.a.
NIR). Alle Korrelationen mit der Transformierten sind gleichermaßen positiv (v.a. auf-
grund der Dominanz von gleichgerichteten Reflexionen in geschlossenen Beständen: Pa-
rameter Baumart und Wuchsklasse, vgl. Kap. 8.2.2.1.1).
- Auch die 2. HK wird von Informationen aus den Infrarot-Kanälen geprägt, wobei die La-
dungen der VIS-Kanäle geringfügig ansteigen. Der NIR-Kanal korreliert als einziger ne-
gativ mit der Transformierten. Gegenläufiges Reflexionsverhalten zwischen nahem Infra-
rot und den übrigen Spektren - typisch für aufgelichete Bestände sowie andere
unbestockte Flächen - konzentriert sich somit auf einer Hauptkomponente.
- Die 1. und 2. HK sind nach waldoptimierter Transformation weniger stark korreliert als
bei Anwendung des Standardverfahrens. Dies entspricht dem zuvor skizzierten Grund-
prinzip des statistischen Verfahrens (v.a. Redundanzfreiheit der Transformierten). Abbil-
dung 24 verdeutlichen den Einfluss der Waldmaskierung auf die Transformationsergeb-
nisse für Waldflächen.
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
89
Tab. 11: Hauptkomponententransformation: Eigenvektoren der Transformierten für standar-
disiertes und waldoptimiertes Verfahren
Hauptkomponenten
Ausgangs-
kanäle 1 2 3 4 5
TM2 0.2357 0.0344 -0.3975 0.3946 0.7934
TM3 0.3722 0.2224 -0.6033 0.3261 -0.5846
TM4 0.1570 -0.9312 -0.2767 -0.1670 -0.0619
TM5 0.6578 -0.1404 0.6277 0.3862 -0.0670
(A) Standard-
verfahren TM7 0.5904 0.2501 -0.0867 -0.7489 0.1428
Hauptkomponenten
Ausgangs-
kanäle 1 2 3 4 5
TM2 0.0609 0.1540 0.4550 0.1403 -0.8636
TM3 0.0587 0.2894 0.7506 0.3122 0.5020
TM4 0.7723 -0.5980 0.1889 -0.0960 0.0317
TM5 0.5769 0.5389 -0.4260 0.4417 -0.0159
(B) wald-
optimiertes
Verfahren TM7 0.2520 0.4945 0.1116 -0.8238 0.0309
Daten: LANDSAT5 / TM2-TM5,TM7 (19.07.99)
Abb. 24: Wiedergabe von Waldflächen in Hauptkomponenten (1.HK, 2.HK) nach standardi-
sierter und waldoptimierter Transformation
Basis: LANDSAT5 / TM2-TM5, TM7 (19.07.99)
Standardverfahren: Kovarianzberechnung für Gesamtszene
Waldoptimierung: Kovarianzberechnung ausschließlich für Waldflächen (Maskierung)
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
90
· Generierung der synthetischen Kanäle:
Für die Grauwertkodierung der berechneten Gleitkommawerte wurde eine Streckung auf
den 8-bit-Wertebereich vorgenommen.
Diese Vorgehensweise gewährleistet eine waldoptimierte Ableitung der Hauptkomponenten
und schafft eine verbesserte Datengrundlage für nachfolgende Auswertungen (Klassifizie-
rungen, Erfassung von Veränderungen).
In Abhängigkeit der jeweiligen Auswertungsschwerpunkte wurden für die HKT unterschiedli-
che Multispektral- und Zusatzkanäle (TM: 2 - 5,7; HRVIR: 2 - 4) ausgewählt. Im Rahmen der
automatischen Erfassung von Veränderungen wurden zudem multitemporale Kanalkombina-
tionen transformiert (Kap. 8.5).
5.2.3.3 Sonstige Kanalkombinationen
Auf Basis der spektralen Reflexionseigenschaften von Vegetation und der resultierenden
spektralen Signaturen können gezielt Parameter entwickelt werden, um relevante Bildinfor-
mationen hervorzuheben. Durch arithmetische Verknüpfungen von Spektralkanälen werden
insbesondere Abgrenzungen von Objekten bzw. Objekteigenschaften unterstützt, die in die-
sen Spektren ein tendenziell gegenläufiges Reflexionsverhalten aufweisen. Für Vegetations-
untersuchungen ist eine Vielzahl an unterschiedlich komplexen Ratio-, Differenz- bzw. Quo-
tientenbildungen entwickelt worden. Für die vorliegende Arbeit wurden solche ausgewählt,
die in Forstanwendungen bereits erprobt wurden.
Verknüpfung von Rot- und NIR-Kanälen
Im nahen Infrarot reflektieren lebende Pflanzenbestände mehr und im Roten weniger als
unbewachsene Oberflächen bzw. abgestorbene Vegetation. Mehrere Vegetationsindices
werden vorgeschlagen, die Informationen aus diesen Spektren kombinieren (HILDEBRANDT
1996: 54f).
Ausgewählt wurde der Normalized Difference Vegetation Index - NDVI ([NIR-Rot]/[NIR+Rot]).
Dieser bekannteste Vegetationsindex kann neben der Differenzierung von vegetationsbe-
deckten und unbedeckten Oberflächen zur Hervorhebung bestimmter Vegetationstypen und
zur Erfassung von Veränderungen beitragen.
Verknüpfung von NIR- und MIR-Kanälen
Für waldstrukturelle Unterscheidungen und Waldschadenskartierungen weisen bekanntlich
die Infrarot-Kanäle den höchsten Informationsgehalt auf (Kap. 8.2). Entsprechend vielfältig
sind die Kombinationsansätze zur Hervorhebung spektraler Bildinhalte. In der vorliegenden
Arbeit wurden der Ratiokanal NIR/MIR, der Differenzkanal NIR-MIR sowie der Quotientenka-
nal (NIR-MIR) / (NIR+MIR) ausgewählt. Letzterer kann als Variante des NDVI betrachtet
werden (HILDEBRANDT 1996: 56).
Die synthetischen Kanäle konnten erfolgreich eingesetzt werden unter anderem zur Differen-
zierung von Beschirmungsgradklassen (KENNEWEG et al. 1996), zur Nivellierung des Topo-
graphischen Effektes in stark reliefierten Gebieten (HÄUSLER 1991, REUTHER et al. 1996)
sowie zur Kartierung von Neuartigen Waldschäden (FÖRSTER 1989) und zur Kartierung von
Insektenkalamitäten (COENRADIE 1992).
Die Ratio- und Quotientenberechnungen liefern Gleitkommazahlen (z.B. NDVI: -1 bis +1).
Für die Weiternutzung im Auswertungsprozess wurden daher mittels automatischer Sprei-
zung auf den 256-stufigen Grauwertebereich jeweils zusätzliche Kanäle generiert (8-bit, In-
teger).
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
91
5.2.3.4 Texturkanäle
Bis Mitte der 90er Jahre beruhten digitale Auswertungen von Satellitenbilddaten i.d.R. auf
bildpunktbezogenen Merkmalen (v.a. multispektrale Signatur). Durch die zunehmende Ver-
fügbarkeit von hochauflösenden Satellitensystemen gewinnen seither umgebungsabhängige
Merkmale (v.a. Struktur, Textur, Form) für eine Vielzahl von Fernerkundungsanwendungen
an Bedeutung. Für Forstanwendungen ist von Interesse, inwieweit Texturen erkennbar bzw.
automatisch extrahierbar sind und zu einer verfeinerten waldstrukturellen Differenzierung
oder zur Kartierung von Waldschäden beitragen.
Untersuchungen zur Verwendbarkeit von Texturen wurden im Projekt MOMSSA durchge-
führt. Aufgrund der eingeschränkten radiometrischen Qualitäten der verfügbaren panchro-
matischen Daten (vgl. Kap. 4.1.2.1) eignete sich jedoch nur eine IRS-Szene für die Ableitung
von Texturkanälen (UG Dübener Heide). Auswertungen hinsichtlich der texturbasierten Er-
fassung von Beschirmungsgradunterschieden im Rahmen eines Waldschadensmonitoring im
Erzgebirge konnten nicht vorgenommen werden.
Allgemeines
Nach ALBERTZ (2001: 128) versteht man unter Textur „[...] die Strukturierung einer Fläche,
die sich in einem Bild aufgrund von Material- und Oberflächeneigenschaften ergibt.“ Mehr
oder weniger regelmäßig oder unregelmäßig angeordnete Einzelobjekte werden nicht mehr
getrennt wahrgenommen. Das Auftreten von Texturen ist folglich eng mit dem Bildmaßstab
bzw. der räumlichen Auflösung des Sensors verknüpft. Für die Beschreibung typischer Tex-
turen von Objekten muss daher diese Abhängigkeit berücksichtigt werden und setzt die
Kenntnis und Analyse der jeweiligen Objektkomponenten voraus.
Die Oberflächenstruktur bzw. Rauigkeit von Waldbeständen oder Waldoberflächen wird ins-
besondere von den Bestandesparametern Beschirmungsgrad / Bestandesschluss, vertikale
Struktur (u.a. Baumhöhendifferenzen, Schichtung), Wuchsklasse und Mischungsform (v.a.
Laub- und Nadelbaumarten) geprägt. Deren Einfluss auf die spektralen Bestandesreflexio-
nen ist weitgehend bekannt (Kap. 8.2). HILDEBRANDT (1996: 552) betont, dass bei der Mehr-
zahl der Objektklassen zwar typische, aber vielfältig variable bzw. sehr unregelmäßige Tex-
turerscheinungen innerhalb einzelner Klassen vorkommen, die Verwendbarkeit von Textur-
merkmalen als Trennparameter bei digitalen Klassifizierungen daher begrenzt ist.
Grundlegende Darstellungen von Texturmerkmalen sowie deren Einsatzmöglichkeiten in
Fernerkundung, Mustererkennung und Künstliche Intelligenz finden sich unter anderem in
HARALIK (1986).
Kanalauswahl
Aufgrund der praxisnahen Ausrichtung der Untersuchungen und der stark eingeschränkten
Bilddatenlage beschränkte sich die Auswahl auf die in ERDAS IMAGINE implementierten
Standardmethoden (u.a. Varianz, Skewness).
Im Gegensatz zu bildpunktbezogenen Merkmalen werden Texturmerkmale zumeist aus einer
kleinen lokalen Umgebung des jeweiligen zentralen Pixels berechnet. Über die Dimensionie-
rung der Umgebung werden die Parameter und folglich die Ergebnisse erheblich beeinflusst:
Bei zu klein gewählten Umgebungen werden nicht alle Eigenschaften der Oberflächenstruk-
tur erfasst, in zu großen Umgebungen können hingegen unterschiedliche Texturen angren-
zender Objekte bzw. Objektarten in die Analyse einfließen, wodurch die Ergebnisse nachtei-
lig beeinflusst werden können. Die Festlegung einer geeigneten Nachbarschaft ist sensor-
und objektabhängig. Es wurden daher Filter mit Fenstergrößen von 3 x 3, 5 x 5 und 7 x 7 auf
die panchromatischen IRS-Daten angewendet (vgl. Abb. 25). Zur Ermittlung geeigneter
Merkmale und Fenstergrößen wurde ein visueller Vergleich der abgeleiteten Texturkanäle
vorgenommen - eine statistische Auswertung erfolgte im Rahmen der Signatur- und Textur-
analyse der Trainingsgebietsstatistiken (Kap. 8.2.2).
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
92
Allen synthetischen Kanälen ist gemein, dass Kanten entlang von spektral sehr unterschied-
lich reflektierenden Beständen oder Waldaußen- und Waldinnenränder hervortreten, hinge-
gen texturelle (flächenbezogene) Informationen im engeren Sinne deutlich hinter diesen zu-
rücktreten. Der Varianzkanal zeigte die größte Dynamik innerhalb von Beständen (v.a. auf-
gelichtete Nadel- und Laubwälder). Als geeignete Filtergröße für die Erfassung von Rauig-
keitsunterschieden erwies sich die 5 x 5 - Umgebung. Die Texturkanäle wurden bei Verwen-
dung eines 3 x 3 - Fensters stärker beeinflusst von den radiometrischen Defiziten des PAN-
Sensors (unregelmäßige Streifung). In der 7 x 7 - Umgebung wurden Kanten zu stark betont,
Details innerhalb von Beständen gingen verloren.
Als Texturmerkmal für weitere Auswertungen wurde die Varianz ausgewählt und ein synthe-
tischer Kanal mit 5 x 5 - Umgebung generiert. Zur Reduzierung von unerwünschten Rand-
bzw. Kanteneffekten erfolgte eine Median-Filterung (5 x 5).
IRS-1C / PAN Filtergröße 3 x 3 Filtergröße 5 x 5 Filtergröße 7 x 7
Abb. 25: Ableitung von Varianz-Kanälen auf Basis von hochauflösenden panchromatischen
IRS-1C-Daten
Basis: Szene vom 02.06.97 / UG Dübener Heide
5.3 Aufbereitung der Forstdaten
Für die kombinierte Nutzung von Satellitenfernerkundungsdaten und Forstdaten im Auswer-
tungs- und Analyseprozess ergeben sich spezielle Anforderungen an die forstlichen Informa-
tionen (u.a. Aktualität, Datenstruktur und -format, Erfassungs-/ Darstellungsmaßstab). Bei
der Selektion bzw. Erhebung von Bestandesparametern ist zudem deren Fernerkundungs-
relevanz zu beachten (Kap. 6). Zur Erhöhung des Operationalitätsgrads muss es ein Ziel
sein, arbeitsintensive Geländeerhebungen und Luftbildauswertungen auf ein erforderliches
Mindestmaß zu begrenzen.
In den Untersuchungsgebieten Dübener Heide und Nedlitz lagen für den Landeswald aktu-
elle Forsteinrichtungsdaten vor. Zudem konnte auf digitale Forstgrundkarten zurückgegriffen
werden mit dem Bestand (Landes- und Kommunalwald in Sachsen) bzw. der Teilfläche als
kleinster Flächeneinheit. Die gute Forstdatenbasis erlaubte eine pragmatische Verfahrens-
entwicklung zur Selektion und Generierung von forstlichen Referenzdaten (Kap. 8.2.1).
Die Datenlage im Erzgebirge sah wesentlich ungünstiger aus. Hier fanden die letzten Forst-
einrichtungen teilweise Mitte der 80er Jahren statt (FoA Neudorf: 1985). Die Ermittlung von
zuverlässigen Referenzdaten erforderte daher zusätzliche, zeit- und kostenintensive terrest-
rische Erhebungen sowie Luftbildauswertungen (Kap. 5.3.2). Um die Vergleichbarkeit von
Ergebnissen zu erreichen, sollte zudem die nachfolgend skizzierte Herangehensweise des
Projektes Waldzustandserfassung im Erz- und Fichtelgebirge mit Hilfe der Fernerkundung
(1993 - 1996) berücksichtigt werden, die umfangreiche Luftbildauswertungen vorsah
(REUTHER et al. 1996). Im Untersuchungsgebiet wurden für Testgebiete (Altenberg, Marien-
berg und Fichtelberg) Forsteinrichtungsdaten und Forstgrundkarten aufbereitet. Innerhalb
der Testgebiete wurden Testfenster ausgewählt (vgl. Abb. 7 und Abb. 26), die jeweils etwa
die Fläche eines Luftbildes im Maßstab 1 : 7 000 (ca. 260 ha) abdecken. Für diese Areale
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
93
wurden CIR-Luftbildauswertungen durchgeführt. Bei der Auswahl der Testgebiete und Test-
fenster wurde die gesamte Variationsbreite der für die Satellitendatenauswertungen rele-
vanten Waldtypen, -strukturen, Nutzungsarten und Vitalitätszustände sowie die verschiede-
nen topographischen Gegebenheiten ausreichend abgedeckt.
Aus den aufbereiteten bzw. ermittelten Forstdaten wurden geeignete Informationen ausge-
wählt. Wegen ihrer unterschiedlichen Herkunft (Terrestrik, Luftbildauswertung, Datenbanken)
wurden die Sachdaten in Projektdatenbanken zusammengeführt (Kap. 5.3.6). In Kombination
mit den Geometriedaten dienten diese unter anderem als Basis für die Selektion von Trai-
ningsgebieten (Kap. 8.2.1).
Untersuchungsgebiet
mit Testgebieten
Testgebiet
mit Testfenstern
Testfenster mit
Delinierungseinheiten
Abb. 26: CIR-Luftbildauswertung im Erzgebirge: Testgebiete - Testfenster - Referenzflä-
chendelinierung
5.3.1 Terrestrische Erhebungen
Bestandes- und Geländeparameter
Für die terrestrische Erfassung von Gelände- und Bestandesparametern zur (ergänzenden)
Beschreibung von Trainings- bzw. Verifizierungsgebieten wurden 12 Parameter ausgewählt,
die einen modifizierenden Einfluss auf das Reflexionsverhalten von Wäldern ausüben kön-
nen (vgl. Abb. 27). Für die Parameter Bestandesschluss und Wuchsklasse (natürliche Al-
tersstufe) waren auch Mehrfachnennungen möglich (z.B.: „vorwiegend geschlossen, locker”,
„Dickung, Tendenz Stangenholz”), um die Variabilität und Komplexität von Bestandesstruktu-
ren differenzierter zu erfassen.
Im Erzgebirge wurden zudem die Ergebnisse der Luftbildauswertung „Waldschaden“ (Kap.
5.3.2) terrestrisch geprüft - die oben beschriebene Datenlage machte diese zusätzlichen
Aufnahmen notwendig. Die einzelbaumweise Ansprache erfolgte nach den Erfassungskrite-
rien der Waldzustandserhebung (WZE). Hieraus wurde eine Bestandesaussage abgeleitet.
Im Rahmen von terrestrischen Erhebungen erfolgten die Abgrenzungen von Referenzflächen
mittels vorangegangener Luftbildauswertung (Erzgebirge) oder über Markierungen in hoch-
auflösenden Bildprodukten fusionierter Satellitenbilddaten (Dübener Heide, Nedlitz). Die
terrestrisch erhobenen Informationen wurden in kodierter Form in Projektdatenbanken
abgelegt (Kap. 5.3.6).
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
94
Testgebiet: ......................... Testfenster: .............. Trainingsgebiet: .................
Forstamt: ........................... Revier: ...................... Abt./Tfl.: ..............................
CIR-Luftbildstreifen/-nummer: ....../..... Aufnahme durch: ......... am: .......... Wetter: .............
Bestandesparameter
vertikaler Aufbau Sonderformen Schlussgrad Bodenflora (%) Naturverj. (%)
einschichtig ohne geschlossen ohne Lh
zweischichtig Vorwald locker vergrast Nh
stufig Überhalt licht verkrautet ohne
Schirmschlagverj. lückig verbuscht
Femelschlagverj. Schlagabraum
Baumarten (%) Mischungsform Altersgruppe
OU O U OU
FI BU Einzelmischung Kultur
PFI ES Gruppe / Trupp Dickung
OFI ER Horst Stangenholz
KI BI geringes Bh.
MKI EB mittleres Bh.
LA sonst.: starkes Bh.
..........
EI mittl.Baumhöhe: ........ ........
Geländeparameter
Hangneigung Exposition Lage Bodenfeuchte
0 - 10° N Plateau trocken
11 - 20° NO Oberhang frisch
21 - 30° O Mittelhang feucht
> 30° SO Unterhang nass
S Tallage
SW
W
NW
Abb. 27: Aufnahmeblatt für terrestrische Erhebungen: Bestandes- und Geländeparameter
O: Oberstand, U: Unterstand
Erstellung eines Interpretationsschlüssels für die CIR-Luftbildauswertung
Für die CIR-Luftbildauswertung „Waldschaden“ im Erzgebirge wurde ein Interpretations-
schlüssel erstellt, der neben standardmäßig aufzunehmenden Parametern (u.a. Nadelver-
lust, Vergilbung) auch regionale, phänologische und aufnahmetechnische Besonderheiten
berücksichtigt (z.B. Verlichtungstyp, Verzweigungstyp), die ggf. einen Einfluss auf das vom
Sensor empfangene Signal ausüben (vgl. Tab. 12). Für jedes Testfenster wurden aus den
Luftbildern Fichtenkronen der Wuchsklassen Stangenholz, Baumholz und Altholz kartiert. Im
Gelände erfolgte die einzelbaumweise Erfassung der Parameter sowie der Kraft‘schen Klas-
se (vorherrschend, herrschend, mitherrschend).
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
95
Tab. 12: Im Gelände erfasste Parameter für die Schadauswertung (Baumart Fichte)
Erhebungsparameter Ausprägung
Verzweigungstyp Kamm - Bürste - Platte - intermediär
Nadelverlust 5%-stufig
Verlichtungstyp gleichmäßig - Innenkrone - Kronenperipherie -
Fenstereffekt - Wipfel
Kronenbruch
abgestorbene Wipfel (Anmerkung bei Häufung)
Chlorose 5%-stufig
Nadelverfärbung
(ohne Chlorose) (Anmerkung bei Häufung)
biotische Schäden
(Insekten-/Pilzbefall) (Anmerkung bei Häufung: Art und Intensität)
sonstige abiotische Schäden (Anmerkung bei Häufung: Dürre - Windwirkung - Frost -
Feuer - Fäll-/ Rückeschäden - Sonne - Blitz )
Fruchtanhang wenig - mittel - hoch
5.3.2 CIR-Luftbildauswertungen
Stereoskopische Auswertungen von analogen CIR-Luftbildern konzentrierten sich auf das
Untersuchungsgebiet Erzgebirge, die an der LAF in Graupa durchgeführt wurden. Im Mittel-
punkt stand die Referenzdatenerfassung für die Waldschadenskartierung. Die methodische
Vorgehensweise für die luftbildgestützte Ermittlung und Abgrenzung von Referenzflächen ist
aber auf andere Fragestellungen übertragbar.
Für die Auswertungen wurden zu Projektbeginn CIR-Luftbilder des Jahres 1996 herangezo-
gen. Als Folge des extremen Schadereignisses im Winter 1995/96 (vgl. Kap. 3.3.1 und 4.2)
führten forstliche Maßnahmen (u.a. Räumung von Totholz, Sanitärhiebe) und Folgeschäden
in den Jahren 1996 und 1997 zu erheblichen strukturellen Veränderungen (vgl. Abb. 28).
Abb. 28: CIR-Luftbildausschnitte - Testfenster im Testgebiet Marienberg
links: 1996, stark geschädigter Bestand; rechts: 1997 - nach Sanitärhieb / UG Erzgebirge
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
96
Da zudem erst mit 2-jähriger Verspätung eine geeignete wolkenfreie Satellitenbildaufnahme
zur Verfügung stand (SPOT4-Szene vom 11.08.98), mussten umfangreiche Überarbeitungen
und Prüfungen von Teilen der 96er Auswertungsergebnisse vorgenommen werden. Hierzu
wurde 97er Luftbildmaterial genutzt und ergänzende Geländearbeiten im Jahr 1998 durch-
geführt.
Im Folgenden sollen die wichtigsten Auswertungsschritte der Luftbildauswertung kurz skiz-
ziert werden. Eine ausführliche Beschreibung findet sich im MOMSSA-Abschlussbericht
(COENRADIE et al. 2003).
Ermittlung und Delinierung von Referenzflächen
Aus CIR-Luftbildern der 96er Befliegungen wurden homogene Bestandeseinheiten als Trai-
nings- und Verifizierungsgebiete erfasst. Als Kriterien für die Ermittlung von repräsentativen
Bestandeseinheiten dienten folgende Parameter:
· Baumartenmischung (Reinbestand: < 10 %, Mischbestand: 50 - 90 %),
· Bestandesalter / Wuchsklasse,
· Beschirmungsgrad,
· Bestandesschadstufe,
· „fernerkundungsgerechte“ Flächengröße (> 1 ha) und -form (kompakt, zusammenhän-
gend) und die
· Topographie (Hangneigung, Exposition).
Innerhalb der Testfenster wurden jeweils alle entsprechenden Flächen der Hauptbaumart
Fichte erfasst. Ungeeignete Flächen blieben undifferenziert. Ergänzend und im Hinblick auf
die Waldstrukturklassifizierung wurden zudem Trainingsgebiete für andere Objektarten (z.B.
andere Baumarten, Sukzessionsflächen, Blößen) kartiert.
Die Abgrenzung der Flächen erfolgte stereoskopisch. Die einzelnen Flächen wurden dabei
manuell in der FGK deliniert. Beim Aufbau der Polygon-Topologie wurden die Flächen über
ein Adressfeld eindeutig definiert.
CIR-Luftbildinterpretation „Waldschaden“
Es wurden insgesamt 317 Referenzflächen mit der Hauptbaumart Fichte der Wuchsklassen
Stangenholz bis starkes Baumholz aus Luftbildern abgegrenzt und bezüglich ihres Zustan-
des mittels Luftbildauswertung bewertet. Die Luftbildinterpretation umfasste einzelbaumwei-
se Schadauswertungen, die die Grundlage für die Berechnung einer Bestandesschadstufe
für jedes Referenzgebiet bildeten. Diese Bestandesschadstufe wurde mit dem jeweils ermit-
telten Beschirmungsgrad zu einer kombinierten Schadstufe zusammengeführt.
Bei den angewendeten Verfahren handelt es sich um Standardverfahren, die von der LAF für
die Waldschadenserfassung verwendet werden (SMUL 1998b), in zahlreichen Studien ihre
Eignung gezeigt haben (KENNEWEG et al. 1996; REUTHER et al. 1996) und aufgrund dieser
Erfahrungen international empfohlen werden (UNEP 1995).
· Einzelbaumweise Schadensauswertung nach dem AFL-Schlüssel:
Die einzelbaumweise Schadensauswertung wurde nach dem AFL-Schlüssel durchge-
führt (CEC 1991), der eine praxisorientierte standardisierte Richtlinie zur Waldzustands-
erfassung mit Hilfe von CIR-Luftbildern darstellt. Das einheitliche Vorgehen nach diesem
Schlüssel gewährleistet eine Vergleichbarkeit zwischen Auswertungen aus verschiede-
nen Gebieten bzw. unterschiedlicher Jahre.
Die bestandesweise Auswertung der Einzelkronen erfolgte nach einem Stichprobenver-
fahren. Unter Verwendung eines systematischen Rasters mit unterschiedlichem Punkt-
abstand, abhängig von der Größe der Trainingsgebiete, wurden je Fläche mindestens
40 Einzelkronen ausgewertet.
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
97
· Berechnung von Flächenschadstufen:
Ein vom Satellitensensor erfasster Bildpunkt kann, in Abhängigkeit von dessen geometri-
scher Auflösung, mehrere Bäume umfassen, sodass die Zuweisung eines auf einem
Baum beruhenden Entnadelungszustandes auf ein Pixel nicht möglich ist. Auch zeigte
sich bei der Luftbildauswertung, dass in vielen Flächen unterschiedlich stark geschädigte
bzw. gesunde Bäume nebeneinander stehen. Deshalb wurde auch im MOMSSA-Projekt
der im Rahmen des LAOE-Projektes (UNEP 1995) als am geeignetsten erscheinenden
Flächenschadstufendefinition nach FÖRSTER (1989) der Vorzug gegenüber anderen
Verfahren gegeben. Diese Flächenschadstufen basieren auf dem Anteil deutlich geschä-
digter Bäume mit einem Nadelverlust von über 25 % (Schadstufen 2 - 4, AFL-Schlüssel)
innerhalb einer Fläche (Tab. 1).
· Ermittlung von Beschirmungsgraden (Bestandesverlichtung):
Da ein vom Sensor aufgenommener Bildpunkt neben Kronen auch Bestandeslücken in-
nerhalb eines Bestandes erfasst und die Auswertung der Schäden bestandesweise er-
folgt, ist der Beschirmungsgrad bedeutend für das Signal. Als Beschirmungsgrad wird
dabei der Anteil der überschirmten Bestandesfläche verstanden.
Die stereoskopische Bestimmung des Beschirmungsgrades im CIR-Luftbild erfolgte mit-
tels überlagerter Rasterfolie (Gitternetzabstand: 1 mm). Dabei wurde für jeden Referenz-
bestand die prozentuale Anzahl der Punkte ermittelt, die auf eine Baumoberkrone treffen.
· Kombination aus Entnadelungs- und Beschirmungsgrad:
Aus dem Entnadelungs- und dem Beschirmungsgrad wurde eine kombinierte Schadstufe
gebildet. Oberhalb eines Beschirmungsgrades von 60 % wird ausschließlich nach der
Bestandesschadstufe nach FÖRSTER unterschieden. Unterhalb dieses Beschirmungsgra-
des werden drei Beschirmungsgradklassen mit einer Abstufung von je 20 % gebildet (vgl.
Tab. 13), da bei einem Beschirmungsgrad unter 60 % aufgrund des Einflusses der Bo-
denvegetation eine Erfassung von Nadelverluststufen nicht möglich ist (UNEP 1995;
KENNEWEG et al. 1996; REUTHER et al. 1996).
Tab. 13: Beschirmungsgradklassen
Beschirmungsgradklasse Beschirmungsgrad
[%]
0> 60
1 41 - 60
2 21 - 40
3 0 - 20
Erfassung von Nadelverluststufen ausschließlich für BG > 60 %
Aufgrund der Notwendigkeit, zeitlich vergleichbare und aktuelle Luft- und Satellitenbilder
auszuwerten, stößt das Verfahren im vorliegenden Anwendungsfall an die Praktikabilitäts-
grenzen. Insbesondere das Fehlen geeigneter, zeitnah zum Schadereignis aufgenommener
Satellitenbilder verdeutlicht die Bedeutung der Operationalitätsfaktoren „Verfügbarkeit" und
„Unabhängigkeit von spezifischen Sensoreigenschaften" (vgl. Kap. 2, Abb. 1).
5.3.3 Forsteinrichtungsdaten
Die Forsteinrichtungsdaten lagen noch nicht in einer für die Anbindung an die Geometrieda-
ten geeigneten Form vor, sodass eine Aufbereitung dieser Daten notwendig war.
Die Forsteinrichtungsdaten für den Landeswald wurden der FESA-Datenbank (Dübener Hei-
de, Erzgebirge) sowie dem Datenspeicher Wald (Sachsen-Anhalt) entnommen (vgl. Kap.
4.3.1). In der FESA-Datenbankstruktur sind die Baumarteninformationen für jede im Bestand
vorkommende Baumart in einer eigenen Sachdatenzeile abgelegt. Die kleinste digital er-
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
98
fasste Einheit bildet der Bestand (Landes- und Kommunalwald) bzw. die Teilfläche. Für die
Anbindung an die Geometrie wurden deshalb alle Informationen eines Bestandes in einem
Datensatz abgelegt. Die Verknüpfung der Sachdaten mit den Forstgeometrien erfolgte über
ein Adressfeld, gebildet aus den Datenbankfeldern Forstamt, Revier, Abteilung, Unterabtei-
lung, Teilfläche (und Bestand). Die aus der Forsteinrichtungsdatenbank selektierten Bestan-
desparameter wurden in den Projektdatenbanken (Kap. 5.3.6) abgelegt.
5.3.4 Standortskarte
Die Aufbereitung der digitalen Standortskarte durch die LAF beschränkte sich auf das Unter-
suchungsgebiet Dübener Heide und wird im MOMSSA-Abschlussbericht ausführlich be-
schrieben (COENRADIE et al. 2003). Da für die Satellitenbildauswertungen vorrangig Informa-
tionen über die Nährstoffversorgung und die Wasserverfügbarkeit der Standorte benötigt
wurden, konnte die Sachdatenstruktur vereinfacht werden (vgl. Tab. 14). Hinsichtlich der
Wasserverfügbarkeit der einzelnen Standorte wurde eine vereinfachte Methode genutzt, die
eine Unterscheidung zwischen schlechter und besser mit Wasser versorgten Standorten
zulässt. Für jeden Standort wurde die Bodenfeuchtestufe bestimmt (vgl. Tab. 15).
Tab. 14: Nährkraftstufen in Sachsen
Nährkraftziffer
NZ
Nährkraftstufe
(Abkürzung)
Beschreibung der Nährkraftstufe
1RC reich, auf Carbonatgestein
2 R reich
3 K kräftig
4M+ mäßig nährstoffhaltig (reicherer Untergrund)
5 M mäßig nährstoffhaltig
6M- mäßig nährstoffhaltig (ärmerer Untergrund)
7Z+ ziemlich arm (reicherer Untergrund)
8 Z ziemlich arm
9 A arm
Basis: Standortserkundungsverfahren der DDR
Tab. 15: Bodenfeuchtestufen in Sachsen
Bodenfeuchtestufe Eigenschaften
OOrganische
Nassstandorte
> 40cm feuchtebedingte organische Auflagen
[Moor, Staugley-(Gley)-Moor, sumpfige und sehr sumpfige Anmoor-Staugleye (-Gleye)]
NMineralische
Nassstandorte
Nassstandorte mit Dauerfeuchte
[Gleye, Humus-/ Anmoor-/ Moor-Staugleye, Staugleye (ab feuchte mittlere Berglagen)]
BBachtälchenstandorte
(Komplexstandorte)
von Grund-, Stauwasser, Überschwemmungen, reliefbedingter Feuchte und besonde-
ren Mesoklima-Erscheinungen in Bachbereichen geprägt
ÜAuenartige Standorte
(Komplexstandorte)
Auen, Niederungen mit starken Grundwasserschwankungen, kombinierten Grund- u.
Stauwassereinfluss, periodische Überschwemmungen
WWechselfeuchte
Standorte Jahreszeitlich bedingter Wechsel von Vernässung und Austrocknung [Staugleye]
(T) Terrestrische
Standorte
unvernässte, normal bewirtschaftbare Standorte
[u.a. Braunerden, Podsole, Podsol-Braunerden]
S,F,X Extremstandorte
(Komplexstandorte)
unvernässte, schwer bewirtschaftbare bzw. schutzwaldartige Standorte
[Steilhangkomplexe, Block-/Felsböden, Schluchten (=F), Trockenstandorte (=X)]
nach KATZSCHNER et al. (2000)
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
99
5.3.5 Anpassung der Geometriedaten
Um eine eindeutige Zuweisung der Flächen und der Informationen zu diesen Flächen zu
gewährleisten, mussten die verschiedenen digital vorliegenden Karten (v.a. FGK, Standorts-
karte) zur Verschneidung mit den Satellitenbilddaten an diese angepasst werden.
Zum Zeitpunkt der Untersuchungen lag die forstliche Geometrie digital nur in Form einzelner
Forstgrundkarten (FGK) vor. Diese Inselkarten mussten zu einem Vektordatensatz zusam-
mengeführt werden. Die Bildung von Forstamtsgeometrien wurde für beide sächsische Un-
tersuchungsgebiete von der LAF durchgeführt. Hierbei wurde eine hohe Lagegenauigkeit
zwischen den Vektor- und Satellitenbilddaten angestrebt. Aufgrund der ausgezeichneten
Lagegenauigkeiten und der guten Detailerkennbarkeit von fusionierten Bilddaten konnten
hierzu entsprechende Bildprodukte genutzt werden. Für die Anpassungen wurden die Vek-
tordaten dem Satellitenbildprodukt am Bildschirm überlagert. Diese Vorgehensweise ermög-
lichte, die Lagegenauigkeit der vektorisierten FGK-Inselkarten unter Plausibilitätsaspekten
visuell zu beurteilen und gegebenenfalls zu korrigieren (vgl. Abb. 29).
Abb. 29: Fusionierte Satellitenbilddaten mit überlagerten Geometrien der digitalen Forst-
grundkarte 1 : 5 000
Fusionsdaten: IRS-1C „Rot-Variante“
FGK vor (gelb) und nach (grün) der Anpassung an die Satellitenbilddaten / UG Dübener Heide
Die Bearbeitung der vektorisierten Karten gliederte sich in mehrere Schritte:
· Anpassung der Waldaußengrenzen der Inselkarten an das Satellitenbild:
Die geometrischen Relationen innerhalb der Waldaußengrenzen wurden nach
Möglichkeit nicht verändert.
· Anpassung der inneren Geometrien:
Hierbei konnte es zur Veränderung von räumlichen Strukturen kommen.
· Aufbau einer forstamtsweisen Gesamtgeometrie (Forstamtsgeometrie):
Aus mehreren geometrisch korrigierten FGK-Inselkarten wurde forstamtsweise
eine Gesamtgeometrie aufgebaut.
· Aufbau einer Untersuchungsgebietsgeometrie:
Die einzelnen Forstamtsgeometrien wurden (optional) zusammengeführt.
Nachfolgend wurden die digitalen Standortskarten an die Forstamtsgeometrien angepasst.
Kapitel 5: Vorbereitende Arbeiten zur Satellitenbildauswertung
100
Zur Verknüpfung der Geometrien mit den Sachdaten von FESA wurde für jeden Bestand
(Dübener Heide: Landes- und Kommunalwald) bzw. Teilfläche eine eindeutige Adresse ge-
bildet (Basis: Forstamt, Reviers, Abteilung, Unterabteilung, Teilfläche, Bestand).
In der GIS-gestützten Bearbeitung der Geometriedaten konnten somit bereits Vorzüge von
hochauflösenden Satellitenbildprodukten genutzt werden. Zudem konnten erste praktische
Erfahrungen bei der visuellen Interpretation bzw. Auswertung dieser Daten gesammelt wer-
den. Das kartographische Nutzungspotenzial dieser Daten wird in Kapitel 10.1 nochmals
aufgegriffen und weiter ausgeführt.
Für das sachsen-anhaltinische Forstamt Nedlitz wurde die Zusammenführung der Geo-
metrien über einfache GIS-Funktionen erreicht (ARC/INFO: JOIN, APPEND). Geringfügige
Lageungenauigkeiten und -fehler innerhalb sowie zwischen einzelnen Karten wurden tole-
riert, da im Rahmen der Auswertungen keine Datenverschneidungen vorgesehen waren.
5.3.6 Aufbau von Projektdatenbanken
Der Aufbau von Projektdatenbanken (Basis: MS-ACCESS) diente der Schaffung einer opti-
malen Referenzdatenbasis zur Auswertung der Satellitenbilddaten. In der Projektdatenbank
wurden alle für den Auswertungsprozess notwendigen und in geeigneter Form aufbereiteten
Forstdaten zusammengeführt, aneinander angepasst und über gemeinsame Adressen mit-
einander verknüpft (vgl. Abb. 30).
Die Projektdatenbank „Dübener Heide“ wurde vorrangig mit aktuellen Forsteinrichtungsdaten
der FESA-Datenbank sowie der digitalen Standortskarten (Geometrie, Sachdaten) aufge-
baut. Die geometrische Grundlage bildete die Gesamtgeometrie der digitalisierten FGK
1 : 5 000 des FGIS Sachsen (vgl. Kap. 5.3.5).
In den Aufbau der Projektdatenbank „Erzgebirge“ als einheitliche Referenzdatenbasis für die
Satellitendatenauswertung flossen sowohl die Forsteinrichtungsdaten und digitalen Forst-
grundkartendaten als auch die terrestrisch und aus dem Luftbild zusätzlich erfassten Para-
meter ein. Zudem konnte das DGM „Erzgebirge“ zur Ableitung von Geländeparametern für
Referenzflächen genutzt werden.
Dübener Heide
Projektdatenbank
Sachdaten
Projektdatenbank
Sachdaten
FGIS
Sachsen
(FGK, FESA,
Standortskarte...)
FGIS
Sachsen
(FGK, FESA,
Standortskarte...)
Satellitendaten-
auswertung
Referenzflächenermittlung
Signaturanalyse
Waldstrukturklassifizierung
Forst-Satellitenbildkarte
...
Satellitendaten-
auswertung
Referenzflächenermittlung
Signaturanalyse
Waldstrukturklassifizierung
Forst-Satellitenbildkarte
...
Geometrie
Zusatzdaten
- digitale TK10
Zusatzdaten
- digitale TK10
Erzgebirge
CIR-
Auswertung
CIR-
Auswertung
Projektdatenbank
Sachdaten
Projektdatenbank
Sachdaten
Zusatzdaten
- digitale TK10
- DGM
Zusatzdaten
- digitale TK10
- DGM
Satellitendaten-
auswertung
Referenzflächenermittlung
Signaturanalyse
Waldstrukturkartierung
Waldschadenskartierung
Forst-Satellitenbildkarte
...
Satellitendaten-
auswertung
Referenzflächenermittlung
Signaturanalyse
Waldstrukturkartierung
Waldschadenskartierung
Forst-Satellitenbildkarte
...
Gelände-
aufnahmen
Gelände-
aufnahmen
Geometrie der
Trainingsgebiete
Abb. 30: Aufbau der Projektdatenbanken - Untersuchungsgebiete Erzgebirge und Dübener
Heide
Kapitel 6: Systematisierungsansatz für forstliche Objektarten
101
6 Systematisierungsansatz für forstliche Objektarten
In den Umweltverwaltungen werden unterschiedliche Nomenklaturen zur systematischen
Beschreibung, Erfassung und Abgrenzung planungsrelevanter Objekte, Objektarten und Flä-
chenkategorien genutzt. Die Begriffsfestlegungen und der Differenzierungsgrad sowie die
Anforderungen an die räumliche Abgrenzungsgenauigkeit variieren je nach Fachplanung
oder Anwendungsbereich.
In Zeiten immer knapper werdender Finanzmittel werden zudem viele kostenintensive Erhe-
bungen und Fortschreibungen von Geo-Daten nicht oder stark eingeschränkt durchgeführt
(z.B.: BTNT-Kartierung). Die Fernerkundung kann prinzipiell einen Beitrag zur kostengünsti-
gen Informationsgewinnung leisten. Insbesondere die interdisziplinäre Mehrfachnutzung von
Daten oder Auswertungsergebnissen in den Umweltverwaltungen wird in diesem Zusam-
menhang als Möglichkeit für weitere Kosteneinsparungen genannt (Synergieeffekte). Erstre-
benswert ist daher eine fachplanungsübergreifende Strukturierung und weitgehende Harmo-
nisierung von Objekten, deren Begriffsbestimmungen einerseits den unterschiedlichen
Fachanwendungen gerecht werden und andererseits „fernerkundungstauglich“ sind.
Die Flächenbedeckung „Wald“ ist unter Aspekten des Umwelt- und Naturschutzes sowie der
Vermessung / Kartographie eine bedeutsame Größe in verschiedenen Fachplanungen. Wäl-
der oder forstliche Objekte und Objektarten sind folglich in unterschiedlichen Nomenklaturen
bzw. Katalogen begrifflich definiert. Dies kann beim Vergleich von Informationen zu Schwie-
rigkeiten führen, da die Kompatibilität nicht immer gegeben ist - bereits der forstwirtschaftli-
che Waldbegriff unterscheidet sich von dem anderer Verwaltungen.
Im Nachfolgenden wird ein pragmatischer Systematisierungsansatz forstlicher Objekte vor-
gestellt, der einerseits einen hohen Differenzierungsgrad für die forstliche Planungspraxis
zulässt und andererseits eine fachplanungsübergreifend nutzbare Begriffsfestlegung auf-
weist. Die Möglichkeiten und Grenzen der Standardisierung werden aufgezeigt.
6.1 Hintergrund
Im interdisziplinären Verbundprojekt OFULSA wurden konzeptionelle Arbeiten zur Ableitung
eines fachübergreifenden Objektartenkatalogs für die Umweltverwaltung in Sachsen-Anhalt
geleistet (LANDESAMT FÜR UMWELTSCHUTZ SACHSEN-ANHALT 2002). Es wurde eine Strukturie-
rung und Abgleichung planungsrelevanter Objektarten vorgenommen, um eine weitgehende
Kompatibilität der in den Umweltverwaltungen verwendeten Flächen- und Objektkategorien
herzustellen. Die Ergebnisse wurden im „OFULSA-Objektartenkatalog“ zusammengeführt.
Der eigene Beitrag lag in der Systematisierung von forstlichen Objektarten, deren Ergebnis-
se in den Objektartenkatalog integriert wurden. Neben den Parametern der Forsteinrichtung
(hier: Datenspeicher Wald) wurden folgende Nomenklaturen berücksichtigt:
· Katalog der Biotoptypen- und Nutzungstypen für die CIR-luftbildgestützte Kartierung
(BTNT) im Land Sachsen-Anhalt (vgl. Kap. 4.4.3),
· ATKIS-Objektartenkatalog - ATKIS-OK25 (vgl. Kap. 4.4.1),
· EU-Programm CORINE LandCover - CLC (vgl. Kap. 4.4.4).
Es handelt sich um hierarchische Nomenklaturen, in denen die Flächenbedeckung jeweils
nach bestimmten fachspezifischen Kriterien in Klassen und Unterklassen unterteilt wird. De-
ren baumartige Verzweigungen ermöglichen eine Anpassung an verschiedene Informations-
ebenen und Maßstäbe (Aggregierung von Klassen).
Für die Strukturierung des OFULSA-Objektartenkatalogs wurde ein solcher hierarchischer
Ansatz festgelegt. Gemäß den Begriffsbestimmungen in OFULSA ist ein Objekt „...eine iden-
tifizierbare Erscheinungsform bzw. ein Sachverhalt der realen Landschaft" (z.B.: Wald,
Laubwald, Baum, Bestandeslücke, Wirtschaftsweg) und „... eine fachplanungsspezifische
Kapitel 6: Systematisierungsansatz für forstliche Objektarten
102
räumliche Informationseinheit" (z.B.: Bestand). Sowohl Fernerkundungs- als auch Planungs-
aspekte werden somit berücksichtigt.
6.2 Strukturierung und Kategorisierung
Die Strukturierungen und Abgleichungen wurden vorrangig auf Basis der Informationssyste-
me der Forstverwaltung (hier: Forsteinrichtungsdaten / Datenspeicher Wald) und der Natur-
schutzverwaltungen (BTNT-Kartierung) vorgenommen. Der Harmonisierung der forstwirt-
schaftlichen Nomenklaturen bzw. Kategorien mit denen des Naturschutzes kam eine zentrale
Bedeutung zu, da sich diese zum Teil beträchtlich unterscheiden.
Für die Systematisierung forstlicher Objektarten wurden folgende Anforderungen formuliert:
· Definition und Ableitung von planungsrelevanten Objektarten:
Grundvoraussetzung ist eine fachlich akzeptable und praktikable Nomenklatur und
Struktur. Für fachplanungsübergreifende Festlegungen müssen ggf. Kompromisslösun-
gen gefunden werden. Die Kompatibilität der Objektarten zu den einzelnen fachspezifi-
schen Nomenklaturen muss weiterhin gewährleistet sein.
· Definition und Ableitung von „fernerkundungsrelevanten“ Objektarten:
Aus der Vielzahl der fachlich bedeutsamen Merkmale bzw. Parameter sind jene zur Ob-
jektartendefinition zu selektieren, die nachweislich zur strukturellen, texturellen oder
spektralen Unterscheidbarkeit von Wäldern mit Fernerkundungssystemen prinzipiell bei-
tragen bzw. detektierbar sind. Hierzu konnte auf eine Vielzahl grundlegender und praxis-
naher Studien Bezug genommen werden (z.B. SCHARDT 1990, KEIL et al. 1990, HILDE-
BRANDT 1996, KENNEWEG et al. 1996).
Die Genauigkeit der Erkennbarkeit und räumlichen Abgrenzbarkeit von Objektarten kann
szenen- und sensorspezifisch variieren.
· Unabhängigkeit von Aufnahmesystem und Sensor:
Die Nutzung des Katalogs für Auswertungen von Daten anderer Aufnahmesysteme - die
im Rahmen der zugrunde liegenden Untersuchungen keine Verwendung fanden - sollte
gewährleistet sein. Die Nomenklaturen sollten nicht auf den Informationsgehalt spezieller
Sensoren ausgerichtet sein.
Nach MEINEL & HENNERSDORF (2002) sollte eine Nomenklatur unabhängig vom Erhebungs-
maßstab sein (Maßstabskonsistenz) und ein umfassendes Regelwerk mit einer minimalen
Zahl von Kriterien zur Einstufung von Objekten zugrunde gelegt werden. Auf jeder Hierar-
chieebene muss die Summe aller Klassen die jeweils übergeordnete vollständig abbilden.
6.2.1 Begriffsfestlegung der Objektart „Wald“
Die Objektart „Wald“ wird in den verschiedenen Fachplanungen und Kartierungsschlüsseln
sehr unterschiedlich definiert. Der Waldbegriff in der Naturschutzverwaltung (BTNT-Kartie-
rung) und in anderen Objektartenkatalogen (ATKIS, CLC) bezieht sich auf baumbestockte
Flächen. Mindestmaße (Flächengröße und -breite) und werden für die Abgrenzung zu ande-
ren Objektarten genutzt. Ferner werden maßstabsbedingte Erfassungsuntergrenzen festge-
legt (vgl. Tab. 16).
Nach der Begriffsbeschreibung von RUNKEL (1990) dienen die Parameter Kronenschluss-
grad, Flächengröße und -breite als wesentliche Abgrenzungskriterien von Wald und Nicht-
Wald. Hiernach ist der definierte Waldcharakter grundsätzlich gewährleistet, wenn ein Kro-
nenschlussgrad von 0,2 auf einer Mindestfläche von 0,3 ha vorliegt. Kleinere Flächen müs-
sen dichter bestockt sein (> 0,1 ha). Linienförmige Bestockungen (u.a. Baumreihen) werden
wegen des fehlenden spezifischen Binnenklimas erst ab einer Mindestbreite von 25 m als
Wald bezeichnet.
Kapitel 6: Systematisierungsansatz für forstliche Objektarten
103
Ferner wird natürlich aufkommende Bestockung (v.a. Sukzessionsflächen) gemäß Bundes-
waldinventur dann als Wald bezeichnet, wenn diese ein durchschnittliches Alter von 5 Jahren
erreicht hat und mindestens 50 % der Fläche bestockt ist.
Im Sinne des Bundeswaldgesetzes (§2 BWaldG) ist Wald sowohl jede mit Forstpflanzen be-
stockte Grundfläche als auch weitere im Wald liegende oder mit ihm verbundene Flächen
(z.B. Waldwege, Waldparkplätze, Blößen und Waldwiesen, Moore, Gewässer von unterge-
ordneter Bedeutung). Dieser gesetzlich festgelegte Waldbegriff lässt zumeist eine vollständi-
ge Flächenerfassung und -abgrenzung mittels Fernerkundungsdaten nicht zu (vgl. Tab. 16).
Vielmehr ist die Einbindung von Forstdaten (Forsteinrichtungsdaten und digitale Forstgrund-
karte) zwingend notwendig.
Aus pragmatischen Erwägungen wird daher vorgeschlagen, dass sich die Begriffsfestlegung
von „Wald“ an der baumbestockten Fläche orientiert, die weitgehend der forstlichen Holzbo-
denfläche entspricht. In visuellen oder automatischen Satellitendatenauswertungen werden
somit unbestockte Flächen, die per Gesetz dem Wald zuzurechnen sind, anderen Objektar-
ten zugeschlagen (z.B. Waldwiese, Blöße als krautige Vegetation - hier: gemäß OFULSA-
Objektartenkatalog). Durch Einbeziehung von forstwirtschaftlichen Fachinformationen kön-
nen diese „Fehler“ interpretiert und korrigiert werden.
Tab. 16: Begriffsbeschreibungen des Objektes „Wald“
Fach-
planung
Gesetz /
Katalog, Nomenklatur
Begriffsfestlegung
„Wald“
Erfassungs-
untergrenze /
Maßstabsbereich
Forstwirtschaft §2 Bundeswaldgesetz 1) (1) Wald [...] ist jede mit Forstpflanzen bestockte
Grundfläche. Als Wald gelten auch kahlgeschlagene
oder verlichtete Grundflächen, Waldwege, Waldeintei-
lungs- und Sicherungsstreifen, Waldblößen und Lich-
tungen, Waldwiesen, Wildäsungsplätze, Holzlagerplät-
ze sowie weitere mit dem Wald verbundene und ihm
dienende Flächen.
(2) In der Flur oder im bebauten Gebiet gelegene klei-
nere Flächen, die mit einzelnen Baumgruppen, Baum-
reihen oder mit Hecken bestockt sind oder als Baum-
schulen verwendet werden, sind nicht Wald im Sinne
dieses Gesetzes.
(3) Die Länder können andere Grundflächen dem Wald
zurechnen und Weihnachtsbaum- und Schmuckreisig-
kulturen sowie zum Wohnbereich gehörende Parkanla-
gen vom Waldbegriff ausnehmen.
-
1 : 10 000
(Forsteinrichtung)
Naturschutz,
Umwelt
Katalog der Biotoptypen und
Nutzungstypen (BTNT) 2)
- Kartiereinheit „Wald“ (W)
[...] alle nicht linienhaften, geschlossenen Baumbe-
stände > 2 ha (Ausnahme: linienhafte Erlen-Eschen-
und Erlen-Bachwälder an Bächen und kleinen Flüssen)
0,25 ha
1 : 10 000
Vermessung,
Kartographie
ATKIS - Objektartenkatalog
(ATKIS-OK25) 3)
- Objektbereich (4000)
„Vegetation“
- Objektgruppe (4100)
„Vegetationsflächen“
- Objektart (4107)
„Wald, Forst”
Fläche, die mit Forstpflanzen bestockt ist (Waldbäume
und Waldsträucher)
0,1 ha
1 : 25 000
Umwelt,
Kartographie
(europaweit)
CORINE-LandCover (CLC) 4)
- Bereiche „Wälder und
naturnahe Flächen“ (3)
- Gruppe „Wälder“ (3.1)
Flächen mit überwiegendem Baumbewuchs, die aber
auch mit Büschen und Sträuchern durchsetzt sein
können. Der Kronenschluss erreicht mindestens 30 %
je Flächeneinheit. Aufforstungen mit mehr als 500
Pflanzen je Hektar werden der Waldfläche zugerechnet.
25 ha
1 : 100 000
1) Bundesministerium für Verbraucherschutz, Ernährung u. Landwirtschaft (2002),
2) PETERSON & LANGNER (1992), 3) ADV (2002), 4) European Communities-Commission ECC (1992)
Kapitel 6: Systematisierungsansatz für forstliche Objektarten
104
6.2.2 Vergleichende Betrachtung von Nomenklaturen
Durch den Vergleich von Parametern, Kategorien und Kartierungsschlüsseln wurden sowohl
geeignete fachübergreifende Strukturierungsmerkmale ermittelt als auch sachliche Grenzen
der Harmonisierung aufgezeigt.
Forstwirtschaftliche Differenzierung (Waldinventur - Forsteinrichtungsdaten)
In der Forsteinrichtung dienen unter anderem folgende in Fachinformationssystemen (hier:
Datenspeicher Wald, vgl. Kap.4.3.1) abgelegte Parameter zur Charakterisierung von Wald-
beständen:
· Bestandeszustandstyp,
· Baumart(en/-gruppen),
· Mischungsform,
· Bestandesschluss,
· Bestandesart / -schichtung,
· Alter,
· Wuchsklasse,
· Standort (Feuchte, Nährstoff),
· Bestandesentstehung,
· Hangneigung, Hangrichtung,
· Waldfunktionen,
· Biotopmerkmale,
· Schäden,
· Bestandeszieltyp (Planung).
Mittels Fernerkundungsdaten werden Walddifferenzierungen durchgeführt auf Basis der Be-
standesparameter
· Baumart / Baumartengruppe, Wuchsklasse, Bestandesschluss sowie
· Schichtung, Schäden und Mischungsform (vorwiegend CIR-Luftbild).
Naturschutzfachliche Differenzierung (BTNT-Kartierung)
Der Katalog der Biotoptypen und Nutzungstypen wurde speziell für die luftbildgestützte Kar-
tierung ausgerichtet. Zur Typisierung von Struktureinheiten und Biotoptypen der Kartierein-
heit „Wald“ (vgl. Tab. 17) werden insbesondere folgende Merkmale verwendet:
· Baumart (Hauptart, Nebenart),
· Wuchsklasse,
· Stufung,
· Windbruch (mit Totholz / Überhälter),
· pflanzensoziologische Parameter
(Biotopmerkmale).
Insbesondere die pflanzensoziologischen Merkmale sind mit herkömmlichen multispektralen
Satellitenbilddaten (z.B. LANDSAT-TM) i.d.R. nicht erfassbar.
Walddifferenzierung in ATKIS und CORINE-LandCover
In den Objektartenkatalogen von ATKIS und CLC wird eine grobe Walddifferenzierung in
jeweils drei Kategorien vorgenommen:
· Laubholz, Nadelholz, Laub- und Nadelholz (ATKIS-OK25, Attribute der Kategorie 1),
· Laubwald, Nadelwald, Mischwald (CLC, Gruppe „Wälder“).
Bei nahezu identischer Nomenklatur variieren die Erfassungsuntergrenzen und Begriffs-
definitionen entsprechend der unterschiedlichen Darstellungsmaßstäbe und thematischen
Hintergründe. Es ist zu beachten, dass die sachlichen Abgrenzungen von Nadelwald- bzw.
Laubwaldreinbeständen (zu Mischwäldern) im Vergleich zu forstwirtschaftlichen Festlegun-
gen geringfügig variieren (v.a. Forsteinrichtung: > 90 %, CLC: > 80 %).
Kapitel 6: Systematisierungsansatz für forstliche Objektarten
105
Tab. 17: Biotoptypen- und Nutzungstypenkartierung (BTNT): Struktureinheiten und Biotopty-
pen der Kartiereinheit „Wald“ - Typisierungsmerkmale
Struktureinheit Biotoptyp und Nutzungstyp / Typisierungsmerkmal
Laubwald-Reinbestand
(WL)
Buche, Eiche, Hainbuche, Edellaubholz, Esche, Birke,
Erle, Pappel, Weide, Robinie, Linde, sonst. Laubbaumart
Nadelwald-Reinbestand
(WN) Fichte, Kiefer, Lärche, Douglasie, sonstige Nadelbaumart
Laubmischwald
(WU) Hauptart / Nebenart
Nadelmischwald
(WE) Hauptart / Nebenart
Mischwald
(WM) Hauptart / Nebenart
Auwald
(WA)
Weichholzaue, Erlen-Eschen-Wald / Erlen-Bachwald,
Hartholzaue
Schluchtwald
(WS) -
Blockschuttwald
(WB)
Laubwald (Ahorn-Linden-BW)
Nadelwald (Blockfichtenwald)
Bruch-, Sumpfwald
(WF) Hauptart / Nebenart
Trockenwald
(WT)
Eichentrockenwald, Felsheidekiefernwald,
Kieferntrockenwald
Wuchsklasse
Aufforstung
Dickung
Stangenholz
schwaches (ger.-mittleres) Baumholz
starkes Baumholz
Altholz
natürlicher Jungwuchs
Stufung
gestufter Bestand - jung/mittl. Holz
gestufter Bestand - mittl./starkes Holz
Windbruch
- mit Totholz
- mit Überhältern
- mit Totholz und Überhältern
vereinfachte Auflistung gemäß BTNT-Kartierung Sachsen-Anhalt (nach PETERSON & LANGNER 1992)
Zusammenführung der Kategorisierungen
Die fachplanungsübergreifende Strukturierung erfordert die Zusammenführung sowie begriff-
liche Anpassung von Objektarten, denen unter naturschutzfachlichen und forstwirtschaftli-
chen Aspekten teilweise eine unterschiedliche Bedeutung zukommt:
· Der vertikale und horizontale Bestandesaufbau stellt in der Forsteinrichtung ein wichtiges
Merkmal dar für die Erfassung des Bestandeszustandes, für die Holzvorratschätzung
sowie für die Nutzungs-, Verjüngungs- und Vollzugsplanung. Aus forstwirtschaftlicher
Sicht ist daher die Berücksichtigung der Bestandesdichte - durch die Messparameter
Kronenschlussgrad oder Bestandesschluss - sowie der Schichtung für die Systematisie-
rung unerlässlich. Im BTNT-Katalog fehlen entsprechende Typisierungsmerkmale.
· Den BTNT-Struktureinheiten steht in der forstwirtschaftlichen Nomenklatur u.a. die Cha-
rakterisierung über die Baumarten, den Standort, die Geländeausformung und der Be-
standesart gegenüber, die mit Biotopmerkmalen sowie mit Angaben zu den (Wald-)
Schutzfunktionen und zur Nutzungsplanung ergänzt wird.
· Die Gemeinsamkeiten des Naturschutz- und Forstwirtschaftssystems liegen vorrangig in
der Erfassung der Baumarten bzw. Baumartengruppen, der natürlichen Altersstufe
(Wuchsklasse) sowie der Stufung.
· Die groben Walddifferenzierungen in den ATKIS- und CLC-Objektartenkatalogen sind in
der Forsteinrichtung unüblich und in Informationssystemen bzw. in Forsteinrichtungsda-
tenbanken i.d.R. nicht als Merkmale abgelegt. Dennoch lässt sich durch geeignete Ag-
gregierung und Kategorisierung der zeilen- und bestandesbezogenen Forsteinrichtungs-
daten prinzipiell eine Zuordnung zu den 3 Objektarten „Laubwald“, „Nadelwald“ und
„Mischwald“ herstellen. Eine entsprechende Zuordnung der BTNT-Struktureinheiten ist
ebenfalls möglich.
Kapitel 6: Systematisierungsansatz für forstliche Objektarten
106
6.2.3 Strukturierungsansatz
Für die Systematisierung und begrifflichen Festlegungen wurden
· die Parameter Baumart / Baumartengruppe, natürliche Altersstufe (Wuchsklasse),
Bestandesschluss, Schichtung und Stufung,
· die BTNT-Struktureinheiten sowie
· die Grobkategorien „Nadelwald", „Mischwald", „Laubwald" (ATKIS, CLC)
verwendet. Anhand dieser Merkmale wurden die forstlichen Objektarten gebildet und in 6
Hierarchieebenen gegliedert (vgl. Abb. 31) und als Baustein in die Strukturierung des OFUL-
SA-Objektartenkatalogs integriert (2. bis 7. Ebene, vgl. Tab. 18). Die höheren Ebenen stellen
jeweils Aggregierungen bzw. Zusammenführungen von Objektarten dar und können aus den
jeweils tieferen hergeleitet werden. Gemäß des BTNT-Kartierungsschlüssels bilden Wälder
gemeinsam mit Gehölzen die „Gehölzstrukturen“ (Ebene 1).
Ebene 2 (Wald)
Wälder werden auf dieser stark aggregierten bzw. generalisierten Ebene von „Gewässer“,
„krautige Vegetation“ und anderen Objektarten abgegrenzt. Insbesondere die Unterschei-
dung zur Objektart „Gehölz“ (gemäß BTNT-Struktureinheit), mit denen Wälder auf der
höchsten Ebene die „Gehölzstrukturen“ bilden, kann mit der bereits erläuterten Begriffsbe-
stimmung von „Wald“ durchgeführt werden (v.a. Mindestflächenmaße, Holzboden).
Ebene 3 (Vegetationseinheiten)
In Anlehnung an die Nomenklatur der ATKIS- und CLC-Objektartenkataloge gliedert sich
diese Ebene in die Vegetationseinheiten „Laubwald“, „Nadelwald“ und „Mischwald“. Bei die-
sen Objektarten ist zu beachten, dass die sachlichen Abgrenzungen von Reinbeständen
geringfügig variieren (s.o.). Maßstababhängige Generalisierungen (geometrisch und thema-
tisch) können bei entsprechenden Ausweisungen ebenfalls zu Abweichungen führen.
Ebene 4 (Struktureinheiten)
Die Objektartendifferenzierung erfolgt mit naturschutzfachlichen bzw. pflanzensoziologischen
Merkmalen. Im Unterschied zur BTNT-Kartierung werden die Struktureinheiten nach den
jeweiligen Vegetationseinheiten aufgesplittet, um eine bessere Zuordnung innerhalb der Hie-
rarchie (Ebene 3) zu erreichen. So wird beispielsweise die Struktureinheit „Trockenwald“ je
nach Ausprägung den Vegetationseinheiten „Nadelwald“ (Kieferntrockenwald) und „Laub-
wald“ (Eichentrockenwald) zugeordnet.
Die Vegetationseinheit „Mischwald“ wird in die Objektarten „Laub-Nadel-Mischwald“ (Laub-
holzanteil: 90 % - 50 %) und „Nadel-Laub-Mischwald“ (Nadelholzanteil: 90 % - 50 %) unter-
teilt.
Die Merkmale zur Kartierung von Struktureinheiten sind in CIR-Luftbildern von Fachinter-
preten i.d.R. gut erkennbar. Bei der visuellen Abgrenzung von Einheiten findet vor allem der
räumliche Kontext Berücksichtigung. Dem hingegen ist die sichere Differenzierung von forst-
lichen Struktureinheiten in Satellitenbilddaten schwierig und zumeist ausschließlich unter
Einbeziehung von Zusatzinformationen teilweise möglich. Die Verwendung von detailreiche-
ren Daten höchstauflösender Satellitensysteme lässt aber eine verbesserte Differenzierung
erwarten.
Dennoch sind weitere Unterscheidungen von Wäldern nach Baumarten, Wuchsklassen oder
Bestandesaufbau prinzipiell möglich. Durch die zusätzliche Einführung der Objektarten
„Laubwaldreinbestand, undifferenziert“ und „Nadelwaldreinbestand, undifferenziert“ wird eine
Möglichkeit geschaffen, entsprechende Abgrenzungen auf den nachfolgenden Ebenen
(5,6,7) vorzunehmen. Diese vereinen sowohl die gleichnamigen Struktureinheiten als auch
solche Laub- bzw. Nadelwälder, deren Zuordnung zu anderen Struktureinheiten nicht sicher
möglich ist.
Kapitel 6: Systematisierungsansatz für forstliche Objektarten
107
Ebene 4
Ebene 1
Ebene 2
Ebene 5
Ebene 6
Ebene 7 horizontaler / vertikaler Bestandesaufbau
Wuchsklasse / Ungleichförmigkeit
Baumart / Baumartengruppe
Ebene 3
Struktureinheit
- undifferenziert - Struktureinheit (BTNT)
Vegetationseinheit (ATKIS)
Wälder
Gehölzstrukturen
Abb. 31: Strukturierungsansatz der forstlichen Objektarten nach Ebenen
Ebene 5 (Baumarten)
Die vorwiegend bestandesbildenden Baumartengruppen dienen der Differenzierung dieser
Ebene. Im Hinblick auf die Struktureinheiten „Auwald“ und „Feuchtwald“ wurde die Liste um
die Baumarten Erle und Esche entsprechend erweitert.
Zudem wurde die Ausprägung „Laubbaumart (Nadelbaumart), undifferenziert“ eingeführt.
Dies gewährleistet weitere Unterscheidungen auf tieferen Ebenen (Wuchsklasse, Bestan-
desstruktur), auch wenn eine sichere Baumartenzuweisung nicht möglich ist.
Ebene 6 (Wuchsklasse)
Die 7-stufige Differenzierung nach Wuchsklassen (natürlichen Altersstufen) folgt der Baum-
artendifferenzierung. Die Wuchsklassenbestimmung setzt nicht notwendigerweise eine
Baumartenbestimmung voraus, da die Bestandesentwicklung einen stark modifizierenden
Einfluss auf die Bestandesreflexionseigenschaften ausübt.
Um eine aus forstlicher und naturschutzfachlicher Sicht sinnvolle Unterscheidung von zu-
meist gleichartig aufgebauten Altersklassenwäldern einerseits und eher uneinheitlichen bzw.
gestuften Beständen mit kleinflächig wechselnder vertikaler und horizontaler Struktur ande-
rerseits zu erreichen, wurde die Ausprägung ungleichmäßig eingeführt.
Ebene 7 (horizontaler und vertikaler Bestandesaufbau)
Forstwirtschaftliche Merkmale dominieren die unterste Ebene. Auf Basis der Bestandespara-
meter Bestandesschluss (4 Kategorien) und Schichtung (ein-/ mehrschichtig) werden für jede
der zuvor genannten Baumarten altersspezifische Kombinationen gebildet, die den vertikalen
und horizontalen Bestandesaufbau beschreiben.
Zusätzlich werden stark ungleichförmige Wälder weiter differenziert: Deutlich gestufte Wälder
mit ausgeprägtem vertikalem Strukturwechsel und sehr hoher Kronendachrauigkeit („struk-
turreich, gestuft“) werden von solchen unterschieden, deren Ungleichförmigkeit auf kleinflä-
chige waldbauliche Maßnahmen bzw. durch Schadensereignisse (z.B. Femelschlag, Wind-
wurf, Verlichtung) entstanden sind („lückig, löchrig“).
6.3 Ableitung eines Objektartenkatalogs
Das Ergebnis der hierarchischen Strukturierung nach Objektarten bzw. Typisierungsmerk-
malen wird in Tabelle 18 skizziert. Aus der konsequenten Kombination dieser sowohl pla-
nungsrelevanten als auch fernerkundungstauglichen Unterscheidungsmerkmale resultieren
ca. 400 forstliche Objektarten mit unterschiedlichem Aggregierungsgrad. Die sehr hohe An-
Kapitel 6: Systematisierungsansatz für forstliche Objektarten
108
zahl ist vor allem auf die Vielzahl der real vorkommenden Kombinationen von Forsteinrich-
tungsparametern und deren Ausprägungen (Baumart - Wuchsklasse - Bestandesschluss -
Schichtung) zurückzuführen. Die Nutzung dieser detaillierten Objektartendifferenzierung er-
fordert wegen der Mehrdeutigkeiten fernerkundeter Informationen eine spezielle Verknüp-
fung mit Ergebnissen von Satellitendatenauswertungen (Kap. 6.4).
Tab. 18: Parameter und Merkmale zur Strukturierung des Objektartenkatalogs „Wälder“
Ebene 3 Ebene 4 Ebene 5 Ebene 6 Ebene 7
Laubwald Laubmischwald
Auwald
Bruch-/ Sumpfwald
Schluchtwald
Blockschuttwald
Trockenwald
[...]
sonst. Laubwald-
Reinbestand
Buche
Eiche
Birke
Erle
Esche
Pappel
[...]
Laubbaumart,
undifferenziert
Jungwuchs
Dickung
Stangenholz
geringes Baumholz
mittleres Baumholz
starkes Baumholz /
Altholz
geschlossen
locker, einschichtig
locker, mehrschichtig
licht, einschichtig
licht, mehrschichtig
räumdig, einschichtig
räumdig, mehr-
schichtig
Nadelwald Nadelmischwald
Bruch-/ Sumpfwald
Schluchtwald
Blockschuttwald
Trockenwald
[...]
sonst. Nadelwald-
Reinbestand
Fichte
Kiefer
Lärche
[...]
Nadelbaumart,
undifferenziert
ungleichförmig strukturreich, gestuft
lückig, löchrig
Mischwald Laub-Nadel-
Mischwald
Nadel-Laub-
Mischwald
Baumarten,
undifferenziert
Die so definierten Objektarten wurden verbal beschrieben und in den OFULSA - Objektar-
tenkatalog eingebunden. Es folgte eine systematische Untersuchung hinsichtlich der Erkenn-
barkeit und Abgrenzbarkeit dieser Objektarten mittels visueller Interpretation und automati-
scher Klassifizierung in mehreren multispektralen und fusionierten Bildprodukten der Syste-
me LANDSAT und IRS-1C (COENRADIE & KENNEWEG 2002). Die Interpretationsergebnisse
wurden dokumentiert und mit entsprechenden Bildbeispielen in den Katalog integriert (vgl.
Abb. 32). Dieser ist Bestandteil der im Rahmen des Projektes entwickelten OFULSA-Soft-
ware, die potenzielle Nutzer von Fernerkundungsdaten in Umweltverwaltungen bei deren
fachplanungsspezifischen Untersuchungen unterstützen soll (LANDESAMT FÜR UMWELT-
SCHUTZ SACHSEN-ANHALT 2002).
Die Systematisierung wurde sensorunabhängig vorgenommen. Die Detailliertheit des Kata-
logs lässt erwarten, dass dessen prinzipielle Eignung für Auswertungen von Daten hoch- und
höchstauflösender Satellitensysteme gewährleistet ist. Eine entsprechende Prüfung hinsicht-
lich der Übertragbarkeit konnte aber in der vorliegenden Arbeit nicht vorgenommen werden.
6.4 Zuweisung von Objektarten und Objektartenkomplexen
Die Objektarten sind in Satellitenbildern selten eindeutig voneinander abgrenzbar. Die Erfas-
sungsgenauigkeiten und die Differenzierbarkeit variieren in Abhängigkeit vom jeweils ver-
wendeten Aufnahmesystem. Auch die Reflexionseigenschaften von unterschiedlich aufge-
bauten Wäldern lassen eine feine Objektdifferenzierung, wie sie im Katalog vorliegt, i.d.R.
Kapitel 6: Systematisierungsansatz für forstliche Objektarten
109
nicht zu. Die spektralen und texturellen Informationen der Satellitenbilddaten sind zumeist
mehrdeutig. Die Erfassung von Formen, Strukturen oder Texturen innerhalb von Beständen
ist zudem an eine hohe räumliche Auflösung des Sensors gebunden.
Die visuelle Interpretation und die automatische Klassifizierung von Satellitenbilddaten basie-
ren auf Interpretations- und Klassifizierungsschlüsseln. Die szenenspezifische Klassenaus-
weisung erfolgt über Interpretations- bzw. Abgrenzungskriterien. Hierbei wird zumeist ein
möglichst hoher Differenzierungsgrad angestrebt. In Abhängigkeit von der jeweiligen thema-
tischen Schwerpunktbildung kann die Interpretationstiefe durch Aggregierung von Klassen
reduziert werden kann.
Abb. 32: Auszug aus dem OFULSA - Objektartenkatalog
(ausführliche Beschreibung in LANDESAMT FÜR UMWELTSCHUTZ SACHSEN-ANHALT 2002)
Häufig sind einer Interpretationsklasse oder einer thematischen Klasse mehrere forstliche
Objektarten zuzuordnen. Aus Sicht der (forstlichen) Fachplanung sind folglich die Auswer-
tungsergebnisse zumeist mehrdeutig. Um deren Verwendbarkeit zu verbessern, werden Zu-
ordnungen von „Fernerkundungsklassen" und Objektarten notwendig. Dies kann unter Ein-
bindung von Fachinformationen bzw. in einer GIS-Umgebung erreicht werden. Vor diesem
Hintergrund wird daher der Begriff „Objektartenkomplex“ eingeführt für Interpretationsklassen
und thematische Klassen (visuelle Interpretation, automatische Klassifizierung), um deren
Mehrdeutigkeit stärker zu betonen (vgl. Abb. 33).
Bei der Zuordnung von Objektarten und Objektartenkomplexen sind verschiedene Fälle zu
unterscheiden (vgl. Abb. 34):
· Die Objektartenkomplexe werden nur selten ausschließlich von einer Objektart gebildet.
Eine 1:1 - Beziehung liegt am ehesten vor auf den obersten, stark aggregierten Ebenen
des Kataloges (z.B. Vegetationseinheiten „Nadelwald“, „Laubwald“, „Mischwald“).
Kapitel 6: Systematisierungsansatz für forstliche Objektarten
110
· Am häufigsten besteht ein Komplex aus mehreren forstlichen Objektarten (n:1 - Bezieh-
ung). Diese sind somit ohne Zusatzinformationen untereinander nicht abgrenzbar. Eine
Abgrenzbarkeit besteht dagegen zu Objektarten anderer Komplexe.
· Da Verwechselungsmöglichkeiten zwischen ähnlichen Klassen vorkommen, sind in ge-
ringem Umfang auch n:m - Beziehungen möglich.
Fachplanungsdaten
- Kartierungen / Inventuren
- (GEO-)Informationssysteme
- . . .
Satellitendaten
Objektartenkatalog
Objektart
Interpretationsschlüssel
Objektartenkomplex
Abb. 33: Objektarten und Objektartenkomplexe - visuelle Interpretation
Objektarten-
komplex Objektart
1
2
3
4
5
6
7
8
9
10
11
12
...
n
A
B
C
D
E
F
...
M
Abb. 34: Prinzip möglicher Zuordnungen von Objektarten und Objektartenkomplexen
Die Übertragbarkeit von Zuweisungen auf andere Szenen ist nur eingeschränkt möglich, da
die Klassenausweisungen sensor- und szenenabhängig (Aufnahmezeitpunkt, Region / wald-
strukturelle Situation) sind. Bewährte Zuweisungslisten können aber bei Verwendung ver-
gleichbarer Systeme und Aufnahmezeitpunkte als Basis dienen.
Die Einbeziehung von Zusatzdaten (z.B. Forsteinrichtung, BTNT) verbessert die Zuordnung
von Objektartenkomplexen und Objektarten sowie deren Abgrenzungen. So kann z.B. die
Klasse „geschlossene Laubholzreinbestände / Dickung, Stangenholz“ durch Verknüpfung mit
Forstdaten oder BTNT-Karten zur Lokalisierung von Wuchsklassen spezieller Laubbaumar-
ten beitragen. Dieser Aspekt ist insbesondere im Hinblick auf die Erfassung von Verände-
rungsflächen von Bedeutung (Waldabgang, Auflichtungen, Insektenkalamitäten usw.).
Kapitel 7: Visuelle Interpretation
111
7 Visuelle Interpretation
Neben der (halb-) automatischen Extraktion und Klassifizierung von Bildinhalten stellt die
visuelle Interpretation von modernen Satellitenbilddaten einen wichtigen Teilaspekt dar. Die
visuelle Interpretation hat im Vergleich zur digitalen Bildauswertung den Vorteil, dass diese
bereits mit einfachen Hilfsmitteln bei geringen Anforderungen an die Software- und Hard-
wareausstattung erfolgen kann. Analoge oder digitale Satellitenbildprodukte können auch
von Planern bzw. forstlichen Nutzern nach kurzer Anleitung interpretiert werden, ohne dass
diese über spezielle Fernerkundungs- bzw. Bildverarbeitungskenntnisse verfügen. Geeignete
Satellitenbilddaten bzw. -produkte können als zusätzliche großräumige, besitzübergreifende
und aktuelle Informationsquelle für planerische Zwecke herangezogen werden.
Wegen der begrenzten räumlichen Auflösung der in den 80er und 90er Jahren vorwiegend
verwendeten TM-Daten war bisher das forstliche Nutzungspotenzial für visuelle Interpretati-
onszwecke stark eingeschränkt. Durch die verbesserte Detailerkennbarkeit in hoch aufge-
lösten Bildprodukten fusionierter Satellitenbilddaten verspricht deren visuelle Interpretation,
weitere Anwendungsbereiche in der Forstpraxis zu erschließen.
Die nachfolgenden Ausführungen zur Interpretationsfähigkeit von Fusionsdatenprodukten
beruhen auf eigenen systematischen Auswertungen im Projekt OFULSA (COENRADIE &
KENNEWEG 2002). Auf Basis des Objektartenkatalogs (vgl. Kap. 6.3) wurde eine umfassende
visuelle Interpretation der dort beschriebenen Objektarten in unterschiedlichen Satellitenbild-
produkten durchgeführt. Es fließen Ergebnisse aus dem Projekt MOMSSA und Erfahrungen
aus anderen forstlichen Studien mit ein. Ferner werden Erkenntnisse aus dem Forschungs-
projekt „MOMSIS“ berücksichtigt, in dem insbesondere der Einsatz von Satellitenbilddaten
für die Aktualisierung von BTNT-Karten in Sachsen-Anhalt untersucht wurde (KENNEWEG et
al. 2000).
Für die Interpretationen der forstlichen Objekte und die Erfassung von Veränderungen wur-
den Referenzflächen aus den Forstdaten (Forsteinrichtungsdaten mit digitaler Forstgrund-
karte) und der BTNT-Kartierung (UG Nedlitz) selektiert. Hierzu wurden die digitalen Karten
am Bildschirm den Satellitenbildprodukten überlagert. Ferner wurden CIR-Luftbilder als In-
formationsquellen genutzt.
Auf ausführlichere Darstellungen von operationellen Methoden zur visuellen Interpretation
von Luft- und Satellitenbildern wird in der vorliegenden Arbeit verzichtet, da diese in Lehrbü-
chern umfassend beschrieben sind (u.a. HILDEBRANDT 1996: 286ff, ALBERTZ 2001: 123ff).
7.1 Eignung von Bildprodukten
Ausgangsdaten / Kanalkombinationen
· Hoch aufgelöste Bildprodukte auf Basis von panchromatischen Satellitendaten:
Die Interpretationsfähigkeit von panchromatischen IRS-1C- und SPOT2-Szenen für de-
taillierte Walddifferenzierungen ist wegen des geringen objektartenspezifischen Informa-
tionsgehaltes stark eingeschränkt. Bereits die sichere Trennung von Laub- und Nadel-
wald ist aufgrund der spektralen Eigenschaften der Kanäle nicht gewährleistet.
Die Vorzüge der hohen räumlichen Auflösung (Erfassung von Formen, Strukturen, Textu-
ren) können jedoch durch die Fusionierung mit Multispektraldaten genutzt werden.
· Hoch aufgelöste Bildprodukte auf Basis von fusionierten Satellitendaten:
Innerhalb von Waldgebieten werden Formen, Strukturen und Texturen in panchromati-
schen IRS-1C-Szenen weitaus detailreicher bzw. flächenschärfer abgebildet als in pan-
chromatischen SPOT2-Daten (auch: LANDSAT7-ETM+). Dies ist vorrangig auf die höhe-
re räumliche Auflösung der IRS-Daten zurückzuführen (vgl. Abb. 12). Fusionierte Satel-
litenbilddaten, deren geometrisch-strukturelle Informationen auf panchromatischen IRS-
Daten basieren, geben Wälder folglich am differenziertesten wieder. Für die Fusionierung
erwies sich die Auswahl von Grün-, Rot- und NIR-Kanälen der Systeme LANDSAT5,
Kapitel 7: Visuelle Interpretation
112
LANDSAT7 und SPOT4 als besonders geeignet.
Weitere Ausführungen zur Fusionierung von Satellitenbilddaten und der Bildproduktgene-
rierung finden sich in Kapitel 5.2.3.1.
· Bildprodukte auf Basis von multispektralen Satellitendaten:
Wie bereits in zahlreichen Studien aufgezeigt wurde, weisen die Spektralkanäle des na-
hen und mittleren Infrarot (NIR, MIR) den höchsten Informationsgehalt für Walddifferen-
zierungen auf (vgl. Kap. 3.1.1.2). Für die Herstellung von multispektralen Bildprodukten
hat sich die Auswahl von Rot-, NIR- und MIR-Kanälen bewährt.
Auch in der vorliegenden Studie konnte die besondere Eignung dieser Kanäle im Rah-
men von Interpretationen und Signaturanalysen (Kap. 8.2.2) bestätigt werden.
Bildausgabe / RGB-Belegung
Für die Bildproduktherstellung können unterschiedliche RGB-Belegungen festgelegt werden.
Bei gleichem Informationsgehalt können somit subjektive Farbwahrnehmungen und Ge-
wohnheiten von forstlichen Bildinterpreten Berücksichtigung finden:
· Bei Multispektraldaten wird in forstlichen Anwendungen i.d.R. die Kombination MIR-NIR-
Rot bevorzugt, bei der grünliche Farbtöne dominieren. Seltener wird die Belegung NIR-
MIR-Rot gewählt, bei der geschlossene Waldbestände in rötlichen Farbtönen wieder-
gegeben werden. Beide Bildvarianten wurden generiert.
· Bei Fusionsdaten (Spektralkanäle: Rot, Grün, NIR) werden sogenannte Falschfarbendar-
stellungen gewählt. Für die Auswertungen wurden eine „Vegetation-Grün“-Variante
(RGB: Grün-NIR-Rot) und eine „Vegetation-Rot“-Variante (RGB: NIR-Rot-Grün, NIR-
Grün-Rot) verwendet.
7.2 Ergebnisse
Die Ausführungen zur Erfassung und Abgrenzung von forstlichen Objekten und Objektarten
(Kap. 7.2.1) sowie von Veränderungsflächen (Kap. 7.2.2) beziehen sich vorrangig auf die
Interpretationsfähigkeit von hochauflösenden Bildprodukten fusionierter Satellitenbilddaten
(Fusionsdatenprodukte). Für Vergleichszwecke werden die für Walduntersuchungen in den
80er und 90er Jahren üblicherweise verwendeten Multispektraldatenprodukte herangezogen
(Rot-, NIR- und MIR-Kanäle). Die Datengrundlage bildeten Szenen mit Sommeraspekt (Aus-
nahme: ETM-Szene vom 04.09.99, UG Nedlitz).
7.2.1 Zustandserfassung
Zur Beschreibung und Erfassung bzw. Abgrenzung von forstlichen Objekten, Objektarten
und -komplexen eignen sich die Kriterien Farbe (spektrale Signatur), Textur, nutzungs-
bedingte Strukturen, Form und Lage (vgl. Tab. 19).
Tab. 19: Interpretationskriterien zur Erfassung von forstlichen Objekten in hoch aufgelösten
Satellitenbildprodukten
Kriterien Beschreibung
Farbe Farbton - Sättigung - Intensität - Variabilität - ...
Textur Homogenität / Heterogenität - Fleckigkeit - ...
nutzungsbedingte Strukturen Rückegassen - Wirtschaftswege - (Durchforstung) -
Form Kompaktheit - Gestalt - Abgrenzungsschärfe - ...
Lage Wuchsgebiet / Region - Topographie - lokaler Kontext - ...
Kriterienfestlegung gemäß OFULSA (COENRADIE & KENNEWEG 2002)
Kapitel 7: Visuelle Interpretation
113
In Bildprodukten fusionierter Satellitenbilddaten sind verschiedenste waldstrukturelle Detail-
informationen abgebildet, die vielfach auch ohne zusätzliche Forst- bzw. Fachinformationen
verschiedenen Objektartenkomplexen zuzuordnen sind. Die Vorteile gegenüber den multi-
spektralen Bildprodukten liegen in der besseren Wiedergabe von Formen, Strukturen und
Texturen. Bei geometrischen Abgrenzungen wird eine höhere Flächenschärfe erzielt. Die
Erfassungs- und Abgrenzungsgenauigkeiten verbessern sich mit zunehmender Flächengrö-
ße und -breite:
· Eine sichere Erkennbarkeit flächenhafter Objekte (v.a. Bestände) ist i.d.R bei Über-
schreitung einer Mindestbreite von 60 m (90 m) bzw. einer Mindestflächengröße von ca.
0,5 ha (1 ha) gewährleistet.
· Linienartige Strukturen oder punkthaft abgebildete Objekte (z.B. Baumgruppen, Bestan-
deslücken) können häufig auch bei starker Unterschreitung der genannten Mindestmaße
lokalisiert werden (z.B. Waldwege, Rückegassen, Solitärbäume und Überhälter). Für eine
genauere Zuordnung sind zumeist Zusatzinformationen oder Fachkenntnisse notwendig.
Die Vorteile von multispektralen Bildprodukten liegen in der spektralen Unterscheidbarkeit
von Wuchsklassen, Baumarten und Beschirmungsgraden. Sowohl das Fehlen eines MIR-
Kanals als auch die schwache Korrelation zwischen panchromatischem und NIR-Kanal füh-
ren dazu, dass in Fusionsdatenprodukten die Erkennbarkeit von einzelnen Objektartenkom-
plexen herabgesetzt ist (vgl. Abb. 35). Für die Erfassungsgenauigkeit von Objekten gilt:
· Bei Unterschreitung einer Mindestbreite von 90 m (120 m) bzw. einer Mindestflächengrö-
ße von ca. 1 ha (1,5 - 2 ha) ist zumeist eine sichere Erkennbarkeit flächenhafter Objekt-
arten in multispektralen TM-Bildprodukten nicht mehr gewährleistet. Bei entsprechenden
HRVIR-Bildprodukten (SPOT4, UG Erzgebirge) lagen die Mindestmaße bei ca. 60 m
(80 m) bzw. 0,7 ha (1 ha).
· Linienartige Strukturen und punkthaft abgebildete Objekte sind nicht abgrenzbar.
Die Genauigkeiten variieren objektartenspezifisch und in Abhängigkeit von den lokalen Aus-
prägungen der Bestandesstrukturen (u.a. Bestandesschlussgrad, Mischungsform und
Baumarten/ -anteile). Die Ergebnisse werden von der Flächen- bzw. Objektform und vom
lokalen „Kontrast" stark modifiziert (u.a. räumliche Verzahnung unterschiedlicher Bestan-
destypen oder Landnutzungsklassen). Die Beleuchtungssituation kann eine Abgrenzung von
Beständen erschweren (u.a. Kontrastreduzierung auf Schattenhängen).
7.2.1.1 Objektarten und Objektartenkomplexe
Ohne die Einbeziehung von Forstdaten und Zusatzdaten können verschiedene Objektarten
(-komplexe) erfasst und voneinander separiert werden. In den zugrunde liegenden Untersu-
chungen wurden entsprechende Interpretationsklassen szenenübergreifend für Fusions- und
Multispektraldatenprodukte ermittelt (vgl. Tab. 20). Die Abgrenzungsgenauigkeit der Klassen
variiert geringfügig zwischen unterschiedlichen Aufnahmezeitpunkten (u.a. Qualität der Aus-
gangsdaten, Phänologie) und Gebieten (u.a. Waldstrukturen, Relief). Die Abbildungen 35
und 36 zeigen Bildprodukte mit exemplarischen Markierungen von Objektartenkomplexen.
Die Ergebnisse werden nachfolgend in Anlehnung an die Strukturierung der forstlichen Ob-
jektarten beschrieben (vgl. Kap. 6.3).
Wald - Gehölzstrukturen (Ebene 2)
Innerhalb der Vegetationsperiode ist eine sichere Abgrenzung der Objektart „Wald“ - in Fusi-
onsprodukten auch vergleichsweise flächenscharf - möglich. Die Abgrenzungsgenauigkeiten
werden unter anderem von den lokalen Ausprägungen der Bestandesstrukturen modifiziert
(Ebenen 3 bis 7).
Zur Verbesserung der visuellen Erfassungsgenauigkeiten in Fusionsdatenprodukten sind
neben Formmerkmalen insbesondere Lage- bzw. Kontextbezüge zu berücksichtigen. Dies
Kapitel 7: Visuelle Interpretation
114
gilt vor allem für die Abgrenzung zu Gehölzstrukturen (v.a. Baumreihen, Hecken, Baumgrup-
pen, Gebüsche). Unsicher ist die Trennung zwischen Waldflächen und Sukzessionsflächen
sowie im (stetigen) Übergangsbereich von Wald und Waldsiedlungen. Eine entsprechende
Problematik ist in der Luftbildauswertung bekannt.
Vegetationseinheiten (Ebene 3)
Mit dem Erreichen des Bestandesschlusses und mit zunehmenden Bestandesalter steigt die
Erfassungs- bzw. Abgrenzungsgenauigkeit von „Nadelwald“, „Laubwald“ und „Mischwald“.
Tab. 20: Visuelle Interpretation - Objektartenkomplexe (Interpretationsklassen)
Interpretationsklassen (Objektartenkomplexe) Satellitenbildprodukte
Baumart / -gruppe Wuchsklasse Bestandesschluss
(Schichtung)
Fusions-
daten1) Multispektral-
daten2)
Nadelwald 4 4
undifferenziert Jungwuchs locker bis räumdig 44
Dickung geschlossen 44
Stangenholz geschlossen -- 4
Stangenholz / Baumholz geschlossen 4--
vorw. Fichte (Douglasie) Baumholz geschlossen -- 4
Baumholz licht, räumdig 4(4)
vorw. Kiefer Baumholz geschlossen 44
Baumholz locker (4)--
Baumholz licht 4(4)
Baumholz räumdig (4)(4)
Baumholz licht (mehrschichtig) (4)4
vorw. Lärche Dickung / Stangenholz geschlossen -- (4)3)
Laubwald 44
undifferenziert Jungwuchs locker bis räumdig 4(4)
Dickung / Stangenholz geschlossen 4(4)
Baumholz geschlossen 44
vorw. Roteiche Dickung / Stangenholz geschlossen (4)--
vorw. Buche Baumholz geschlossen (4)(4)
Baumholz licht 4--
Baumholz räumdig 4(4)
Mischwald 44
undifferenziert Dickung - Baumholz geschlossen bis locker 44
Blöße, Anwuchs (4)(4)
Klassenausweisung (beim Vorkommen entsprechender Bestände):
4 = in allen verwendeten Bildprodukten möglich (Sommeraspekt)
(4) = nicht in allen verwendeten Bildprodukten möglich (Sommeraspekt)
-- = nicht ausgewiesen (produktspezifisch)
1) panchromatische Daten: IRS-1C; Spektralkanäle: Grün, Rot, NIR (LANDSAT5/7, SPOT4, IRS-
1C); 2) Spektralkanäle: Rot, NIR, MIR (LANDSAT5 u. 7, SPOT4); 3) v.a. April-Aspekt
Kapitel 7: Visuelle Interpretation
115
In Fusionsdatenprodukten sind einige Mischungsformen erkennbar (u.a. horstweise und
streifenweise Mischung, Kleinbestand). Dies kann dazu führen, dass Teile von Mischwäldern
als Nadel- oder Laubwaldreinbestände interpretiert werden - durch Einbindung von Fachin-
formationen (z.B. Forstgrundkarte) kann dieser „Fehler“ behoben werden. Licht- und Schat-
teneffekte innerhalb des rauen Kronendachs von aufgelichteten Laubwäldern können die
Abgrenzung zu Mischwäldern erschweren. Das Kronendach von Mischwäldern wird vielfach
von den weitaus größeren Laubbaumkronen geprägt (v.a. Buche, Eiche), sodass der tat-
sächliche Laubbaumanteil überbetont wird und zu einer entsprechenden Modifikation der
Bestandesreflexion beiträgt. Eine sichere Abgrenzung zwischen Laubwäldern (max. 10 %ige
Beimischung von Nadelbäumen) und laubbaumdominierten Mischwäldern ist aus diesem
Grunde nicht erreichbar (Kap. 8.2.2.1.1).
In Multispektraldatenprodukten können aufgelichtete mehrschichtige Nadelwälder (vorwie-
gend Kiefer) teilweise erfasst werden, deren Unterstand aus Laubbäumen gebildet wird. Ent-
sprechende Bestandesteile können daher als Mischwälder interpretiert werden (Kap.
8.2.2.1.3).
Struktureinheiten gemäß BTNT (Ebene 4)
Die Erkennbarkeit der meisten Struktureinheiten ist ohne zusätzliche Fachinformationen bzw.
Geo-Daten nur eingeschränkt möglich. Spezifische Vorkenntnisse des Interpreten müssen
vorausgesetzt werden (Gebiet, Verbreitung und Vorkommen von Struktureinheiten).
Insbesondere die sichere Abgrenzung von „Trockenwald“, „Blockschuttwald“, „Schluchtwald“
sowie „Bruch-/ Sumpfwald“ ist nicht erreichbar. „Auwald“ ist über Kontext- und Formmerk-
male in Fusionsdatenprodukten teilweise erkennbar bzw. als solcher interpretierbar. Die
Laubwald- und Nadelwald-Objektartenkomplexe bleiben somit hinsichtlich der Strukturein-
heiten weitgehend undifferenziert.
Durch die Überlagerung von Bildprodukten mit vorhandenen (veralteten) BTNT-Kartierungen
ist aber eine Lokalisierung von möglichen Veränderungen teilweise möglich (Kap. 7.2.2).
Ferner ist auf Basis der verwendeten Bildprodukte eine Unterteilung von Mischwäldern
(laubbaumdominiert, nadelbaumdominiert) wegen der genannten Mischwaldproblematik
nicht sinnvoll.
Baumart - Wuchsklasse - horizontaler und vertikaler Bestandesaufbau (Ebenen 5, 6, 7)
Es zeigen sich bildproduktspezifische Unterschiede hinsichtlich der Abgrenzbarkeit bzw. Er-
kennbarkeit von forstlichen Objekten. Die jeweilige Produkteignung variiert deutlich stärker
als auf höheren, stärker aggregierten Hierarchieebenen.
Unterscheidungen von Laubwaldreinbeständen mit unterschiedlichem Bestandesschluss und
Alter sind am besten in Fusionsdatenprodukten zu erreichen, da diese mittels Textur- bzw.
Homogenitätsunterschieden teilweise abgrenzbar sind:
· In Einzelfällen können spezielle Laubbaumarten (-gruppen) tendenziell voneinander un-
terschieden werden. So sind beispielsweise junge Roteichenbestände (Dickung, Stan-
genholz) durch einen sehr homogenen gleichartigen Bestandesaufbau mit sehr geringer
Kronendachrauigkeit gekennzeichnet und werden im Fusionsdatenprodukt als sehr
„glatte" und helle Oberflächen erfasst (minimale Varianzen).
· Alte lichte bzw. räumdige Laubwälder im Baumholzstadium (vorwiegend Buchenbestän-
de, Altholz) sind hingegen durch sehr hohe spektrale Varianzen (hohe bis sehr hohe
Kronendachrauigkeit, Licht-Schatten-Effekte, Bodensicht) gekennzeichnet, sodass deren
Abgrenzung zu anderen Laubwaldreinbeständen mittels Texturmerkmalen möglich ist.
Kapitel 7: Visuelle Interpretation
116
Objektartenkomplexe
Nadelwald
1: Jungwuchs
2: Dickung
3: Stangenholz
4: Fichte, Baumholz, geschl.
5: Fichte, Baumholz
licht / räumdig
6: Kiefer, Baumholz, geschl.
7: Kiefer, Baumholz, locker
8: Kiefer, Baumholz, licht
9: Kiefer, Baumholz, räumdig
10: Kiefer, Baumholz, licht
(mehrschichtig)
Laubwald
11: Jungwuchs
12: Dickung / Stangenholz
13: Baumholz, geschlossen
14: vorw. Buche, Baumholz,
geschl.
15: vorw. Buche, Baumholz,
licht
Mischwald
21: Dickung - Baumholz
sonstige
31: Blöße, Anwuchs
Objekte
A: Waldaußenrand
B: Wirtschaftsweg
C: Schneise (Verkehrsweg)
D: Einzelbaum, Überhälter
Baumgruppe
E: größere Bestandeslücke
F: Rückegasse
G: Hiebsfläche
(ggf. Anwuchs)
H: Allee, Baumreihe, Hecke
Abb. 35: Satellitenbildprodukte und Interpretationsklassen (A)
oben: Multispektraldaten / LANDSAT5 (TM4-TM5-TM3) vom 19.07.99
unten: Fusionsdaten / LANDSAT5 (TM4-TM5-TM3), IRS-1C (PAN) vom 19.07.99 u. 21.06.98
UG Nedlitz
Kapitel 7: Visuelle Interpretation
117
Objektartenkomplexe
Nadelwald
1: Jungwuchs
2: Dickung
3: Stangenholz
4: Fichte, Baumholz, geschl.
5: Fichte, Baumholz
licht / räumdig
6: Kiefer, Baumholz, geschl.
7: Kiefer, Baumholz, locker
8: Kiefer, Baumholz, licht
9: Kiefer, Baumholz, räumdig
10: Kiefer, Baumholz, licht
(mehrschichtig)
Laubwald
11: Jungwuchs
12: Dickung / Stangenholz
13: Baumholz, geschlossen
14: vorw. Buche, Baumholz,
geschl.
15: vorw. Buche, Baumholz,
licht
Mischwald
21: Dickung - Baumholz
sonstige
31: Blöße, Anwuchs
Objekte
A: Waldaußenrand
B: Wirtschaftsweg
C: Schneise (Verkehrsweg)
D: Einzelbaum, Überhälter,
Baumgruppe
E: größere Bestandeslücke
F: Rückegasse
G: Hiebsfläche
(ggf. Anwuchs)
H: Allee, Baumreihe, Hecke
Abb. 36: Satellitenbildprodukte und Interpretationsklassen (B)
oben, Mitte: Fusionsdaten / IRS-1C (LISS1-LISS3-LISS2, PAN) vom 02.06.97 / UG Dübener Heide
unten: Fusionsdaten / SPOT4 (HRVIR1-HRVIR3-HRVIR2), IRS-1C (PAN) vom 11.08.98 und
11.09.97 / UG Erzgebirge
Kapitel 7: Visuelle Interpretation
118
Für die Abgrenzbarkeit von jüngeren Beständen (Jungwuchs, Dickung, Stangenholz) ist die
Abbildung von nutzungsbedingten Strukturen (Wegenetz, Rückegassen usw.) innerhalb der
Flächen bzw. als Begrenzung ein wichtiges Kriterium. Auch Schattenwurf von angrenzenden
älteren höheren Beständen - zumeist entlang von südlichen Bestandesgrenzen - trägt zur
Abgrenzung bei.
In multispektralen Bildprodukten lassen sich natürliche Altersstufen (v.a. Dickung, Stangen-
holz, Baumholz) innerhalb von Nadelwäldern besser unterscheiden aufgrund der spektralen
Informationen der IR-Kanäle. Innerhalb von Kiefernwäldern ermöglichen die IR-Kanäle zu-
dem eine deutlich verbesserte Lokalisierung von Bestandesschlussunterschieden. Auch
mehrschichtige Kiefernreinbestände sind teilweise erkennbar (Unterstand: Laubholz).
Eine Separierung von Kiefernreinbeständen und Fichtenreinbeständen ist in beiden Bildpro-
duktarten teilweise möglich. Lärchenreinbestände sind in einer Aprilaufnahme am besten
trennbar von anderen Nadelbaumarten (hier nicht berücksichtigt; vgl. COENRADIE &
KENNEWEG 2002), da der frühzeitigere Nadelaustrieb zu deutlich höheren Reflexionswerten
führt (nahes Infrarot).
7.2.1.2 Sonstige Objekte und Ausprägungen
Innerhalb von Wäldern sind neben den oben genannten Objektartenkomplexen weitere Ob-
jekte bzw. waldstrukturelle Details in Fusionsdatenprodukten abgebildet, die im Rahmen der
visuellen Interpretation bereits für die Bestimmung einzelner Objektarten teilweise genutzt
werden (vgl. Tab. 21).
Das Wirtschaftswegenetz ist in großen Teilen abgebildet bzw. kann im Kontext abgeleitet
werden (u.a. Schatten). Schneisen sind sicher abgrenzbar (v.a. Verkehrswege- und Versor-
gungsnetz). Innerhalb der Bestände sind zwar grobe, aber doch sehr informative Unter-
scheidungen hinsichtlich der Bestandesdichte (Bestandesschluss) möglich. Teilweise wer-
den auch Mischungsformen (hier: Mischwald) sowie kleinbestand- und horstweise Bei-
mischungen von Laubholz sowie in Einzelfällen auch Laubholz-Überhälter in Nadelwaldrein-
beständen erfasst. Auch größere Bestandeslücken sind lokalisierbar. Hiebsflächen und Auf-
lichtungen können von geschlossenen Beständen sicher abgegrenzt werden.
Tab. 21: Abgrenzbarkeit / Lokalisierbarkeit von sonstigen forstplanungsrelevanten Objekten /
Merkmalen in Bildprodukten fusionierter Satellitendaten
Objekte / Ausprägungen Abgrenzbarkeit / Lokalisierbarkeit
Schneisen, Verkehrswegenetz sicher erkennbar
(Haupt-) Wirtschaftswegenetz (sicher) erkennbar
Rückegassen teilweise erkennbar
größere Bestandeslücken, Femelschlag teilweise erkennbar
Mischungsform (gruppen-, trupp-, streifenweise) teilweise erkennbar (im Kontext)
Einzelbäume / Baumgruppen / Laubholz-Überhälter teilweise erkennbar (im Kontext)
waldbauliche Eingriffe
(u.a. starke Auflichtungen, Hiebsflächen) teilweise erkennbar (im Kontext)
Kapitel 7: Visuelle Interpretation
119
7.2.2 Lokalisierung von Veränderungsflächen
Eine Neukartierung, ggf. ohne die Einbindung von Fachinformationen, wird nur auf wenige
forstliche Fragestellungen beschränkt bleiben (z.B. Erstaufforstungsflächen). Von großem
planerischem Interesse ist das Nutzungspotenzial von Satellitenbildprodukten für das Erken-
nen bzw. Lokalisieren von Veränderungen. So werden beispielsweise die Forsteinrichtungs-
daten im Privatwald durch die sächsische und sachsen-anhaltinische Forstverwaltung nicht
mehr aktualisiert. Dies hat zur Folge, dass die Forstpraktiker im Rahmen der hoheitlichen
Aufgaben in zunehmendem Maße auf veraltete Daten zurückgreifen müssen (vgl. Kap. 1.1).
Insbesondere abiotische und biotische Schäden (v.a. Immissionsschäden, Windwurf, Kala-
mitäten) sowie waldbauliche Maßnahmen führen zu strukturellen Veränderungen. Für deren
Erfassung bzw. Verortung sind zwei miteinander kombinierbare Herangehensweisen mög-
lich:
· Einbindung von Fachinformationen (digitale Fachplanungskarten, GIS),
· multitemporaler Vergleich von Satellitenbildprodukten.
Ein Hinweis auf eine mögliche Veränderung - seltener auch Datenbankfehler - liegt vor,
wenn innerhalb einer kartographisch erfassten Bezugsfläche Merkmalsausprägungen auf-
treten, die aufgrund der beschriebenen Bestandesstruktur nicht zu erwarten sind (Far-
be / Signatur, Struktur, Textur usw.). Dies setzt die Kenntnis der sonst üblichen objektarten-
typischen Abbildung voraus.
Für Veränderungsnachweise innerhalb von Wäldern sind sowohl hoch aufgelöste Fusions-
datenprodukte - teilweise auch panchromatische Daten - als auch multispektrale Bildpro-
dukte verwendbar. Im Hinblick auf deren spezielle Vorzüge kann im Einzelfall auch eine
kombinierte Nutzung bzw. Betrachtung zur Verbesserung der Interpretationsergebnisse bei-
tragen. In Waldgebieten sind die Aussagen beschränkt auf markante Veränderungen, die
i.d.R. auch eine Mindestflächengröße erreichen müssen. Am sichersten sind Veränderungen
erkennbar, die sich auf den Bestandesschluss auswirken (Zunahme, Abnahme) und somit zu
einer deutlich veränderten Bestandesreflexion beitragen (Abfall, Anstieg). Folgende Verän-
derungen sind insbesondere im Abgleich mit Forstdaten oder BTNT teilweise lokalisierbar:
· Auflichtungen entlang von Bestandesaußenrändern (Fichten- und Kiefernreinbestände),
· Auflichtungen von vormals geschlossenen Nadelwäldern,
· Auflichtungen von vormals geschlossenen Laubwäldern,
· Windwurf (v.a. flächig) in weitgehend geschlossenen, lockeren Fichtenreinbeständen,
· forstliche Maßnahmen wie das Anlegen von Rückegassen, starke Durchforstungen in
älteren Beständen,
· Hiebsflächen / Kahlschläge,
· Waldabgänge,
· Zunahme des Schlussgrads bei jungen Beständen (natürliche Bestandesentwicklung:
Anwuchs - Jungwuchs - Dickung),
· Zunahme des Bestandesschlusses nach Durchforstung (v.a. Nadelwald, Kronenentwick-
lung).
Beispiele für die visuelle Erfassung von potenziellen Veränderungsflächen sind in Abbildung
37 dargestellt.
Eine mittelfristige Beobachtung von Aufforstungen im Waldaußenbereich erscheint vor allem
bei Verwendung von mehreren Zeitschnitten möglich, sofern Flächenabgrenzungen entspre-
chender Flächen digital vorliegen. Die Zunahme des Schlussgrads bei jungen Beständen
kann hierzu genutzt werden.
Kapitel 7: Visuelle Interpretation
120
02.06.97 21.06.98 19.07.99
Abb. 37: Lokalisierung von Veränderungsflächen: Abnahme des Bestandesschlusses
links, rechts: Multispektraldaten / LANDSAT5 (TM4-TM5-TM3)
Mitte: Fusionsdaten / IRS-1C (LISS3-LISS1-LISS2, PAN) / UG Nedlitz
7.2.3 Zusammenfassung
In digitalen und analogen Bildprodukten fusionierter Satellitenbilddaten werden waldstruktu-
relle Informationen in einer mit herkömmlichen Satellitenbilddaten nicht erreichten visuellen
Detailerkennbarkeit wiedergegeben. Die Informationsdichte von Luftbildern wird zwar nicht
erreicht, dennoch können einige in der monoskopischen Luftbildauswertung verwendeten
Erfassungsparameter für die visuelle Interpretation der Satellitenbilder herangezogen wer-
den.
Eine deutliche Verbesserung der Interpretationsergebnisse kann erzielt werden, wenn eine
gleichzeitige Betrachtung jeweils eines hochauflösenden Bildproduktes fusionierter Daten
und eines multispektralen Bildproduktes erfolgt. Die Vorzüge beider Produkte können vom
Interpreten für das Erkennen und Abgrenzen von Objekten ausgeschöpft werden.
Eine Übertragbarkeit der ausgewiesenen Interpretationsklassen (Objektartenkomplexe) auf
vergleichbare Satellitenbildprodukte anderer Gebieten und Aufnahmezeitpunkte (Sommer-
aspekt) ist prinzipiell möglich - wobei ggf. geringfügige Anpassungen sowie Ergänzungen
(Objektarten) erforderlich werden.
In der forstlichen Planungspraxis wird die maximale Nutzung und Einbindung von Fachinfor-
mationen in den Auswertungsprozess den Regelfall darstellen. Die Satellitenbildprodukte
dienen primär als Zusatzdaten in der operationellen Anwendung. Durch die Hinzunahme von
forstlichen Inventur- und Planungsdaten, vor allem die Überlagerung der Bildprodukte mit
digitalen Forstgrundkarten in einer GIS-Umgebung, reduziert sich die Mehrdeutigkeit der
Satellitenbildinformationen und steigert deren Interpretationsmöglichkeiten und Nutzungs-
potenzial. Einige Anwendungsbereiche für den Einsatz hochauflösender Satellitenbilddaten
werden in der vorliegenden Studie exemplarisch untersucht (Kap. 10.1).
Eine Kostenabschätzung für die Herstellung von Satellitenbildprodukten wird in Kapitel 11
gegeben.
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
121
8 Automatische Auswertung der Satellitenbilddaten
Das visuelle Erkennen von Objekten und Objekteigenschaften in Fernerkundungsdaten be-
ruht auf der menschlichen Wahrnehmung von Helligkeits- bzw. Farbunterschieden, Struktu-
ren und Texturen usw.. Unter Berücksichtigung der relativen Lage (Kontext) erlaubt das Ex-
pertenwissen des Bildbetrachters eine mehr oder weniger zuverlässige Interpretation, der
eine Zuordnung in planungsrelevante Kategorien oder Klassen folgen kann (ALBERTZ 1999).
Diese vorteilhaften menschlichen Fähigkeiten sind bei ihrer Nutzung gleichwohl kosteninten-
siv, sodass eine automatisierte Erfassung von relevanten Bildinformationen angestrebt wird.
Der visuelle Wahrnehmungsprozess kann jedoch erst ansatzweise in Algorithmen zur rech-
nerischen Bildanalyse umgesetzt werden. Auf dem Gebiet der Fernerkundungsbildverarbei-
tung besteht ein erheblicher Forschungs- und Entwicklungsbedarf an operationellen Ver-
fahren zur automatisierten Muster- bzw. Objekterkennung. In forstlichen Untersuchungen
wurden in der Vergangenheit vorwiegend Differenzierungen auf Basis von spektralen Infor-
mationen vorgenommen (multispektrale Klassifizierungen). Mit der Verfügbarkeit von Satel-
litenbilddaten hoher Auflösungen steigen die Anforderungen an Algorithmik und Software,
um die hohe Informationsdichte der aufgezeichneten Daten auch ausschöpfen zu können.
Erste neuartige Softwareprodukte werden dem Fernerkundungsanwender bereits angeboten
und erweitern die Methoden- bzw. Verfahrenspalette.
In der vorliegenden Arbeit erfolgte die automatische Extraktion von forstlichen Objekten und
Objekteigenschaften auf Basis von spektralen Signaturen, Texturen und Strukturen. Neben
pixelbasierten Standardverfahren kamen auch Verfahren zur Segmentierung zum Einsatz.
Angestrebt wurden ein maximaler Detaillierungsgrad und möglichst hohe Klassifizierungs-
genauigkeiten, um sowohl die Möglichkeiten als auch die Grenzen der ausgewählten Satel-
litenbilddaten für die Forstpraxis aufzuzeigen (vgl. Kap. 1).
Im Folgenden werden zunächst die Rahmenbedingungen für die Verfahrensentwicklungen
(Kap. 8.1) und die wesentlichen Ergebnisse der zielorientierten Signatur- und Texturanalyse
erläutert (Kap. 8.2). Anschließend werden die Verfahren zur Waldstrukturklassifizierung
(Kap. 8.3), zur Waldschadenskartierung (Kap. 8.4) und zur automatischen Kartierung von
potenziellen Veränderungsflächen (Kap. 8.5) vorgestellt.
8.1 Rahmenbedingungen der Verfahrensentwicklung
Um einen möglichst hohen Grad an Operationalität und Praxisnähe zu erreichen, wurden
folgende Eckpunkte für die Verfahrensentwicklung festgelegt:
· Die Verfahrensentwicklung sollte auf kommerziell nutzbarer GIS- und Bildverarbeitungs-
software aufbauen - im Projekt MOMSSA war zudem die Softwareumgebung an der
sächsischen Landesanstalt für Forsten zu berücksichtigen. Hierbei sollten Standard-
Bildanalyseverfahren optimiert und miteinander kombiniert werden. Für die Waldstruktur-
klassifizierung kamen die Softwarepakete ERDAS IMAGINE (Bildverarbeitung) und
ARC/INFO (GIS) zum Einsatz. Als Ergänzung zu diesen bewährten Produkten wurde
HALCON/HDEVELOP für spezielle Bildauswertungen verwendet. Ursprünglich für An-
wendungen in der industriellen Bildverarbeitung konzipiert, bietet diese Software zahlrei-
che Operatoren und Algorithmen, die auch zur Segmentierung von Satellitenbilddaten
und digitalen Luftbildern genutzt werden können (MACHINE VISION TECHNOLOGIES -
MVTEC 2000).
· Die Entwicklung praxisnaher Verfahren setzt ein Höchstmaß an Transparenz voraus. Erst
die Nachvollziehbarkeit der Auswertungskette gewährleistet die Wiederholbarkeit und die
Weiterentwicklung sowie ggf. auch die erforderliche Anpassung (u.a. Gebiets-, Szenen-
und Sensorauswahl). Im Rahmen der Verfahrensentwicklung wurden daher die Möglich-
keiten der verwendeten Bildverarbeitungssoftware genutzt, um Bearbeitungsschritte in
einem Ablaufschema festzuhalten und zu dokumentieren. In ERDAS IMAGINE wurde die
Vielzahl der zur Satellitendatenauswertung genutzten Teilprogramme zu kleineren Pro-
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
122
grammpaketen, so genannten Modellen, zusammengefügt (Modul Spatial Modeler, vgl.
Abb. 38). In diesen Modellen ist jeweils ein Teil des Verfahrensablaufes fixiert, mittels
graphischer Oberfläche visualisiert und erläutert. Zusätzlich können SML-Skripte gene-
riert werden (spatial modeler language). Da jedes Teilprogramm mit der gewählten Pa-
rametrisierung vorliegt (u.a. Schwellenwerte, Fenstergrößen bei Filterungen bzw. Kon-
textanalysen, Konditionalfunktionen), ist eine rasche Anpassung bzw. Optimierung von
Zwischenschritten und -ergebnissen gewährleistet. Die Stapelverarbeitung mehrerer
Programmpakete unterstützt die identische Nachbildung von Endergebnissen und Zwi-
schenprodukten. Bei der Anwendung von HALCON / HDEVELOP werden zur problem-
orientierten Lösung geeignete Operatoren ausgewählt, mit einer sinnvollen Parameter-
kombination belegt und zu einem Batch-Programm verkettet. Die textlich dokumentierte
Auswertungsprozedur legt ebenso die gesamte Bearbeitung offen. In Abbildung 39 wird
das Prinzip der Verarbeitung und Dokumentation vereinfacht skizziert.
Im Anhang finden sich drei Programme (Anhang A, B und C), die exemplarisch die ge-
nannten Dokumentations- und Prozessierungsmöglichkeiten mit HALCON und ER-
DAS IMAGINE verdeutlichen sollen. Die komplette Auflistung und Beschreibung sämtli-
cher Programme ist im Rahmen dieser Arbeit nicht möglich.
Abb. 38: Verkettung von Methoden und Verfahren innerhalb eines Modells
(ERDAS IMAGINE)
Fallbeispiel:
Input:
Maske „Rauigkeit" (Basis: Texturkanal, IRS-1C / PAN),
Maske „Laub- / Laub-Nadelmischwald" (Basis: multispektrale Klassifizierung, LANDSAT-TM
Output:
Klasse „Laubwald - Altholz, aufgelichtet"
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
123
Ergebnisse
klassifizierte Daten • Statistik
Auswahl
Datenauswertung
Datenaufbereitung / -analyse
Satellitendaten • Forstdaten • Zusatzdaten
Verfahren
•
Methoden
Verfahren • Methoden
Parameter
Daten
Verkettung
Modell 1
Modell 2
Modell ...
Verfahren N
Modell n
Verkettung
Modell 1
Modell 2
Modell ...
Modell n
Abb. 39: Modellierung und Dokumentation des Satellitendatenauswertungsprozesses - das
Grundprinzip
Für die automatischen Satellitendatenauswertungen wurden vorrangig multispektrale Szenen
der Systeme SPOT4, LANDSAT5 und LANDSAT7 herangezogen. Auf die Verwendung von
multispektralen IRS-1C-Daten für die waldstrukturellen Detailklassifizierungen und die Wald-
schadenskartierung musste wegen der zu geringen räumlichen Auflösung des MIR-Kanals
verzichtet werden (vgl. Kap. 3.2.1). Die Verwendung der LISS3-Daten konzentrierte sich pri-
mär auf die Ableitung von hoch aufgelösten fusionierten Satellitendaten, deren Eignung für
flächenscharfe Wald-Nichtwald-Trennungen geprüft wurde (Kap. 8.3.1.1).
In der Waldstrukturklassifizierung der Dübener Heide wurde eine hochauflösende panchro-
matische IRS-1C-Szene einbezogen. Auf die Verwendung von panchromatischen IRS- bzw.
SPOT2-Daten musste im Untersuchungsgebiet Erzgebirge aufgrund der geringen Daten-
qualität verzichtet werden (vgl. Kap. 4.1.2).
8.2 Signatur- und Texturanalyse
Die Analyse spektraler Signaturen soll aufzeigen, welche Objekte bzw. Objekteigenschaften
sich anhand ihrer spektralen Reflexionseigenschaften von anderen unterscheiden lassen.
Ferner ist zu prüfen, ob aus hochauflösenden panchromatischen Aufnahmen forstrelevante
Texturinformationen extrahierbar sind, die zu einer verbesserten Klassentrennung beitragen.
Die Ergebnisse der Signatur- und Texturanalysen ermöglichen sowohl die Festlegung eines
sinnvollen Klassifizierungsschlüssels (Kap. 8.2.2.1.4) als auch die gezielte Auswahl bzw.
Kombination von Klassifizierungsverfahren sowie von Spektral- bzw. Texturkanälen.
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
124
Der Einfluss von einzelnen Geländeparametern (u.a. Standort / Bodenfeuchte, Topographie)
und Bestandesparametern (u.a. Baumarten, natürliches Bestandesalter, Entnadelung) auf
die Reflexion von Waldbeständen ist in zahlreichen Studien systematisch untersucht worden
(v.a. LANDAUER & VOSS 1989, SCHARDT 1990, KENNEWEG et al. 1996), deren Ergebnisse in
der vorliegenden Arbeit aufgegriffen werden. Auf detaillierte Darstellungen soll an dieser
Stelle verzichtet werden. Einen umfassenden Überblick gibt HILDEBRANDT (1996).
8.2.1 Selektion von Trainingsgebieten
Auf Basis von Projektdatenbanken (vgl. Kap. 5.3.6) und digitalen Flächenabgrenzungen
wurden für die Waldstrukturklassifizierung und Waldschadenskartierung repräsentative Flä-
chen selektiert:
Trainingsgebietsermittlung auf Basis terrestrischer und luftbildgestützter Auswertun-
gen
Für die Untersuchungen im Erzgebirge erfolgte die (Vor-) Selektion von Referenzflächen auf
herkömmliche Art - durch die Kombination aus CIR-Luftbildauswertungen und terrestrischen
Erhebungen. Insbesondere für die Ermittlung von Nadelverlusten ist diese Vorgehensweise
unerlässlich. Die Flächenabgrenzungen wurden vorrangig aus Luftbildern deliniert und digi-
talisiert (vgl. Kap. 5.3.1 und 5.3.2).
Trainingsgebietsermittlung auf Basis von Forsteinrichtungsdaten und Forstgrundkar-
ten
Die gute Forstdatenbasis in Untersuchungsgebiet Dübener Heide eröffnete die Möglichkeit,
einen alternativen pragmatischen Ansatz zur Selektion und Generierung von forstlichen Re-
ferenzdaten aufzuzeigen. Aktuelle Forsteinrichtungsdaten konnten in die Projektdatenbank
integriert werden. Zudem konnte auf digitale Forstgrundkarten zurückgegriffen werden mit
dem Bestand als kleinster Flächeneinheit. Folgende Vorgehensweise wurde gewählt:
· Vorselektion von potenziellen Referenzbeständen:
Mittels systematischer Datenbankabfragen wurde eine Vorselektion von potenziell geeig-
neten Referenzbeständen vorgenommen (Kriterien: u.a. Baumarten, Mischungsform,
Schichtung, Alter und mittlere Oberhöhe, Bestandesschluss, Flächengröße, Gelände-
parameter). Da Forsteinrichtungsdaten nur für die Landes- und Körperschaftswälder ak-
tualisiert werden, liegen geeignete Informationen nur für einen Teil der Waldfläche vor.
Deren räumliche Verzahnung mit Privatwäldern, für die i.d.R. veraltete Daten vorliegen
(vgl. Kap. 1.1), gewährleistet jedoch eine hinreichende Verteilung und Repräsentativität
der selektierten Bestände.
· Ermittlung von Flächenabgrenzungen:
Die Flächenabgrenzungen für die vorselektierten Bestände wurden aus digitalen Forst-
grundkarten mittels gemeinsamer Adressfelder ermittelt und extrahiert.
Arbeitsintensive terrestrische Erhebungen können somit auf ein erforderliches Mindestmaß
reduziert werden. Angaben zum Bestandesschluss bedürfen allerdings einer kritischen Prü-
fung. So zeigten Überprüfungen im Gelände, dass durch die bestandesweise Schätzung im
Rahmen der Forsteinrichtung eine stärkere Schwankungsbreite innerhalb eines Bestandes
häufig nur unzureichend erfasst wird. Unterschiedliche Einstufungen von vergleichbar aufge-
bauten Beständen ließen zudem subjektive Einflüsse durch das Forstpersonal erkennen.
Ferner können waldbauliche Maßnahmen (Durchhieb, Auflichtung) sowie Waldschäden
kurzfristige Veränderungen des Bestandesschlusses herbeiführen.
Bei Verwendung älterer Forsteinrichtungsdaten ist eine entsprechende Vorselektion von
Referenzbeständen prinzipiell möglich, der Aufwand für die Endselektion (Geländeüberprü-
fungen, Zusatzinformationen) würde allerdings ansteigen.
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
125
Die (Bildschirm-) Digitalisierung von Flächenabgrenzungen bleibt auf vereinzelte Korrekturen
oder Ergänzungen beschränkt, sodass auch hierbei Zeit- und Kosteneinsparungen im Ver-
gleich zu herkömmlichen Herangehensweisen erzielt werden können.
Generierung von Analyseflächen
Zur Vermeidung von Mischpixeln entlang von Bestandesrändern und zur Ausgleichung von
geometrischen Überlagerungsungenauigkeiten wurden die Referenzflächen zunächst um
einen Saum von 30 m Breite entlang der Außengrenzen (Dübener Heide: Bestandesgren-
zen, Wege) automatisch verkleinert.
Endselektion von Trainingsgebieten
Die visuelle Endselektion der Trainingsgebiete erfolgte am Bildschirm. Die digitalen Flächen-
abgrenzungen wurden fusionierten Satellitenbilddaten überlagert. Sowohl die geometrische
Abgrenzung und Lage der Referenzflächen als auch deren Homogenität bzw. Repräsentati-
vität konnten somit gut beurteilt werden (vgl. Abb. 40). Die in den Projektdatenbanken abge-
legten Bestandes- und Geländeparameter fanden hierbei Berücksichtigung.
Abb. 40: Überlagerung von gepufferten Forstamtsgeometrien und fusionierten IRS-1C-Daten
zur visuellen Endselektion von Referenzflächen
Linien (grün): gepufferte Forstamtsgeometrie auf Basis der FGK
markierte Flächen: vorselektierte Bestände mittels Abfragen der Projekt-DB
rot: akzeptiert, grün: abgelehnt
Nachfolgend wurden die resultierenden Geometrien den Satellitenbilddaten überlagert, die
Grauwerte der markierten Trainingsgebiete extrahiert und die Grauwerteverteilungen einer
statistischen Analyse unterzogen (vgl. Abb. 41).
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
126
(A) Dübener Heide
Analysefläche
Projekt-DB
DB-Abfragen
dig. FGK
FoA-Geometrie
Sachdaten
vorselektierte
Referenzbestände
Pufferung von
Bestandesgrenzen
selektierte
Referenzflächen
Satelliten-
daten
visuelle
Flächenbeurteilung
(Display)
Überprüfungen
im Gelände
Markierung /
Extraktion der
Grauwertverteilung
Signatur-/
Texturanalyse
(B) Erzgebirge
Analysefläche
Projekt-DB
DB-Abfragen
delinierte
Trainings-
gebietsflächen
vorselektierte
Trainingsgebiete
Pufferung von
Trainingsgebieten
selektierte
Referenzflächen
Satelliten-
daten
visuelle
Flächenbeurteilung
(Display)
Markierung /
Extraktion der
Grauwertverteilung
Signatur-/
Texturanalyse
Abb. 41: Verknüpfung der Satellitenbilddaten mit den Projektdatenbanken - Selektion von
Trainings- bzw. Referenzgebieten
8.2.2 Ergebnisse
Die Analysen erfolgten sowohl unter dem Aspekt der Trennbarkeit bzw. Klassifizierung von
unterschiedlich strukturierten Waldklassen (Kap. 8.2.2.1) und von Nadelverluststufen (Kap.
8.2.2.2). In den multispektralen LANDSAT5- und SPOT4-Szenen werden jeweils unter-
schiedliche Gebiete abgebildet (UG Dübener Heide, UG Erzgebirge). Ein Sensorvergleich
war folglich nicht möglich. Da aber die spektralen und radiometrischen Eigenschaften der
beiden Sensoren hinsichtlich waldstruktureller Unterscheidungen annähernd vergleichbar
sind (vgl. Kap. 3.2.1, Tab. 3), werden die Auswertungsergebnisse, soweit sinnvoll, sensorun-
abhängig formuliert. Neben den originalen multispektralen und panchromatischen Kanälen
wurden auch synthetische Kanäle (u.a. Kanalverknüpfungen, Textur-Kanäle) ausgewählt und
deren Eignungen für die vorliegenden Fragestellungen geprüft.
8.2.2.1 Waldstrukturklassen
Die wichtigsten Ergebnisse und Schlussfolgerungen der Signatur- und Texturanalysen für die
Waldstrukturklassen sind nachfolgend zusammengefasst:
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
127
· Erwartungsgemäß weisen die Infrarot-Kanäle (NIR, MIR) den höchsten Informations-
gehalt für die Unterscheidung von Baumarten, Wuchsklassen und Beschirmungsgraden
auf.
· Die Spektralkanäle des sichtbaren Wellenlängenbereichs (VIS-Kanäle) tragen weitaus
weniger zur Unterscheidung von Waldstrukturklassen bei. Der Informationsgehalt der
Grün- und Rot-Kanäle kann genutzt werden für die Unterscheidung von Hauptbaumarten
sowie zur Trennung von baumbestockten Flächen und Blößen bzw. Nichtwald. Auf den
Blau-Kanal (hier: TM1) wurde wegen seines geringen Informationsgehaltes verzichtet.
· Die Ratio NIR/MIR trägt zur Hervorhebung von spektralen Objekteigenschaften bei (v.a.
Beschirmungs-/ Entnadelungsgrad). Ferner werden reliefbedingte Beleuchtungseinflüsse,
die mittels topographischer Normalisierung bereits minimiert wurden, zusätzlich reduziert.
· Der Index (NIR-MIR) / (NIR+MIR) und der Differenzkanal NIR-MIR, beide wurden bereits
in verschiedenen Walduntersuchungen eingesetzt (u.a. FÖRSTER 1989), weisen im Ver-
gleich zum Ratio-Kanal NIR/MIR einen deutlich geringeren Informationsgehalt auf. In der
vorliegenden Untersuchung wurden diese Kanalverknüpfungen daher nicht weiter ver-
wendet.
· Der Vegetationsindex NDVI ((NIR-Rot) / (NIR+Rot)) trägt im Untersuchungsgebiet Dübe-
ner Heide zur Abgrenzung von Nadel- und Laubbaumbeständen bei. Für die Erfassung
von unterschiedlichen Wuchsklassen oder Beschirmungsgraden beinhaltet dieser Quo-
tient im Vergleich zu anderen Kanälen die geringste Information.
· Im panchromatischen IRS-Kanal werden ausschließlich Spektralinformationen innerhalb
eines breiten Spektralbandes des sichtbaren Wellenlängenbereiches erfasst. Spektrale
Unterscheidungen von Baumarten und Wuchsklassen sind daher eingeschränkt. Als Zu-
satzinformationen können die erfassten Helligkeitsunterschiede im Klassifizierungspro-
zess dennoch zur Erhöhung der thematischen und insbesondere der räumlichen Klassifi-
zierungsgenauigkeit beitragen.
· Die radiometrischen Defizite des IRS-PAN-Sensors schränken dessen Verwendbarkeit
für texturbasierte Unterscheidungen stark ein. Die unregelmäßigen Bildstreifungen über-
lagern teilweise die Texturinformationen.
Im Varianz-Kanal werden vor allem Rauigkeitsextreme innerhalb des Kronendachs er-
kennbar (Kap. 8.2.2.1.2). Diese sind nicht klassenspezifisch ausgeprägt. Der Textur-
Kanal kann aber ggf. als Zusatzinformation zur Abgrenzung von horizontal unterschied-
lich strukturierten Beständen beitragen.
8.2.2.1.1 Baumarten und Wuchsklassen
Fichte
Das alters- bzw. wuchsklassenspezifische Reflexionsverhalten von geschlossenen, gleich-
altrigen und gesunden Nadelbaumbeständen wird von HILDEBRANDT (1996) charakterisiert
und konnte in der vorliegenden Untersuchung auf Fichtenreinbestände (hier: UG Erzgebirge)
übertragen werden:
· Jüngere Fichtenbestände reflektieren in allen Spektralbereichen stärker als ältere Be-
stände. Die Signaturen älterer Altersstufen überschneiden sich stärker als die der jünge-
ren. Insbesondere im Baumholzalter (geringes, mittleres, starkes Baumholz) ist die spek-
trale Trennbarkeit reduziert. Im nahen Infrarot werden Altersunterschiede am signifikan-
testen erfasst.
· Aufforstungen sowie nicht geschlossene Kulturen und Jungwuchs erreichen höchste Re-
flexionswerte, wenn vor allem die vitale Bodenvegetation an der Reflexion beteiligt ist.
Hieraus ergeben sich spektrale Überlagerungen mit Blößen und Sukzessionsflächen so-
wie anderen Nadelbaumarten der gleichen Wuchsklasse (u.a. Lärche, Kiefer).
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
128
Für die Waldstrukturklassifizierung im Untersuchungsgebiet Erzgebirge wurden 5 Wuchs-
klassen festgelegt: 4 Fichtenklassen (schwaches Stangenholz, Stangenholz, geringes
Baumholz, mittleres bis starkes Baumholz) und die Klasse Nadelholz-Dickung (vgl. Tab. 23).
Kiefer
Die Signaturen von einschichtigen geschlossenen Kiefernreinbeständen in der Dübener Hei-
de zeigten eine von geschlossenen Fichtenwäldern abweichende Charakteristik - mit Aus-
wirkungen auf das methodische Vorgehen. Ein stetiger Reflexionsabfall mit zunehmendem
Bestandesalter, der zuvor für Fichtenbestände beschrieben wurde, konnte für vergleichbar
aufgebaute Kiefernbestände nicht nachgewiesen werden.
Die Reflexionseigenschaften von Kiefernreinbeständen können wie folgt skizziert werden:
Bei jüngeren Beständen sinken zunächst die Reflexionswerte mit zunehmendem Bestandes-
schluss und abnehmendem Einfluss der Bodenflora. Für gedrängte Bestände im Dickungs-
und vor allem im Stangenholzstadium, das Alter liegt hier bei etwa 20 bis 40 Jahren, werden
minimale Reflexionswerte im mittleren Infrarot gemessen. Im Gegensatz zu geschlossenen
Fichtenbeständen ist allerdings die weitere Bestandesentwicklung (geringes und mittleres
Baumholz) mit einem erneuten geringfügigen Anstieg der Reflexionswerte verbunden. Im
mittleren Infrarot ist diese Umkehrung am markantesten (vgl. Abb. 42).
Ein Erklärungsversuch für das unterschiedliche Reflexionsverhalten von Fichten- und Kie-
fernbeständen kann aus der baumartenspezifischen Struktur der Kronen und des Kronen-
dachs abgeleitet werden:
· Im Unterschied zur Fichtenkrone ist die der Kiefer weniger stark vertikal ausgerichtet und
schließt somit einen wesentlich geringeren Schattenanteil innerhalb des Kronendachs
ein. Die Anordnung der Kiefernnadeln am Zweig, deren geringere Dichte sowie die Mor-
phologie der Krone bedingen einerseits „hellere“ Schatten innerhalb des Kronendachs.
Andererseits führt dies zu der für Kiefern charakteristischen höheren Kronentransparenz,
die im Laufe der Altersentwicklung zunehmen kann (vgl. Abb. 43). In diesem Zusammen-
hang konnte HERRMANN (1989) mittels Spektroradiometermessungen nachweisen, dass
Signaturen von Kiefernkronen durch einen beleuchteten Untergrund beeinflusst werden
können, wenn dieser von stark reflektierenden Arten (u.a. Gräser) bewachsen ist. Im
Untersuchungsgebiet Dübener Heide trifft dies zu.
· Gedrängte und geschlossene Kiefernbestände im Dickungs- und Stangenholzstadium
sind durch ein sehr gleichmäßiges, homogenes („glattes“) und dichtes Kronendach cha-
rakterisiert. Die spektralen Signaturen dieser Wuchsklassen werden somit nur geringfü-
gig von Beschattungseffekten bestimmt.
· Durchforstungen und die zunehmende Transparenz der Kiefernkronen verbessern be-
reits bei geschlossenen Beständen im Stangenholz- und Baumholzalter die Beleuch-
tungssituation am Boden, die eine frühzeitige Entwicklung der Bodenflora fördert.
· Im Baumholzalter dominieren zunehmend abgerundete bzw. schirmartige Kronenformen.
Im Vergleich zu Fichtenbeständen variieren zudem die Baumhöhen innerhalb von gleich-
altrigen Beständen weniger stark, sodass eine geringere Kronendachrauigkeit resultiert.
Licht- und Schatteneffekte sind daher weniger stark ausgeprägt.
· Da einerseits der Untergrund verstärkt an der Bestandesreflexion teilnimmt, andererseits
Beschattungseffekte innerhalb des Kronendachs sowie des Waldbodens weniger präg-
nant sind, kann eine Erhöhung der Reflexionswerte im nahen und mittleren Infrarot resul-
tieren (hier: TM4, TM5).
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
129
35
45
55
65
75
0 102030405060708090100110
Bestandesalter
TM 4, TM 5 [mittl. GW]
TM4 / Kiefer (<10J.) TM5 / Kiefer (<10J.)
TM4 / Kiefer, geschlossen TM5 / Kiefer, geschlossen
TM4 / Kiefer, locker TM5 / Kiefer, locker
Trend (TM4 / geschlossen) Trend (TM4 / locker)
Trend (TM5 / locker) Trend (TM5 / geschlossen)
Abb. 42: Kiefernbestände - Abhängigkeit der mittleren Grauwerte in den IR-Kanälen (TM4,
TM5) von Bestandesalter und Bestandesschluss (geschlossen, locker)
Trendlinien: Regression, Polynome 2. Ordnung / UG Dübener Heide
Die spektrale Trennung von Wuchsklassen wird durch den Einfluss der Kronentransparenz
erschwert. Spektrale Überschneidungen von älteren geschlossenen Kiefernbeständen mit
solchen geringerer Beschirmungsgrade lassen daher eine sichere Unterscheidung von
Baumholzklassen nicht zu.
Eine Abgrenzung von gedrängten bzw. geschlossenen Dickungen und Stangenhölzern ist
sowohl in den Infrarot-Kanälen (hier: TM4, TM5) als auch im Ratio-Kanal (TM4/TM5) möglich
(vgl. Abb. 45). Im Vergleich zu den übrigen Waldklassen belegen diese Klassen jeweils die
geringsten bzw. höchsten (Ratio NIR/MIR) Grauwerte. Für die Klassifizierung von Dickungen
und Stangenhölzern eignet sich somit ein Schwellenwertverfahren.
Abb. 43: Verdeutlichung der Kronentransparenz der Kiefer durch Unterlegen eines weißen
Tuches
Quelle: HERRMANN (1989)
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
130
Ein stark modifizierender Einfluss des Standortes auf die Signaturen von Kiefernreinbestän-
den - wie dies KEIL et al. (1990) beschreiben - ist für das Untersuchungsgebiet Dübener Hei-
de nicht festgestellt worden. Für die Waldstrukturklassifizierung war daher eine Stratifizie-
rung mittels Standortskarte nicht erforderlich.
Buche, Eiche
Für geschlossene Buchen- und Eichenbestände (UG Dübener Heide) konnte eine wuchs-
klassenspezifische Reflexion lediglich im NIR-Kanal erfasst werden. Junge Bestände reflek-
tierten wiederum etwas stärker als ältere (vgl. Abb. 44 und Abb. 48). Ausgeprägte spektrale
Überlagerungen zwischen den Wuchsklassen ließen jedoch keine Unterscheidung zu.
Geschlossene Altholzbestände und starke Baumhölzer sind im Texturkanal des panchroma-
tischen IRS-Kanals von anderen Altersstufen tendenziell abgrenzbar. Eine Abgrenzung die-
ser Bestände ist aber erst mit abnehmendem Beschirmungsgrad möglich (Kap. 8.2.2.1.2).
Mittelalte Buchenbestände (geringes bis mittleres Baumholz) reflektieren im Infrarot tenden-
ziell stärker als Eichenbestände (v.a. Stiel- / Traubeneichen). Im NDVI-Kanal wird diese al-
tersspezifische Baumartentrennung durch etwas höhere Indexwerte für Buchen hervorge-
hoben. Jüngere Bestände (Dickung, Stangenholz) zeigen hingegen nahezu identische Sig-
naturen.
Sonstige Baumarten
Wegen der geringen Verbreitung weiterer bestandesbildender Baumarten konnten in den
sächsischen Untersuchungsgebieten jeweils nur einzelne Altersstufen mit Trainingsgebieten
abgedeckt werden. Eine systematische Analyse war folglich nicht möglich. In Abbildung 44
sind Signaturen von repräsentativen Beständen dargestellt, die Trends im baumartenspezifi-
schen Reflexionsverhalten erkennen lassen.
25
35
45
55
65
75
45 55 65 75 85 95 105 115 125
TM 4 [mittl. GW]
TM 5 [mittl. GW]
Kiefer, geschlossen
Kiefer, zweischichtig (Laub)
Lärche
Birke
Erle
Roteiche (Dickung-Stangenholz)
Eiche (Dickung)
Eiche (Stangenholz, Baumholz)
Buche
Abb. 44: Darstellung der mittleren Grauwerte von verschiedenen Baumarten (-gruppen) für
die IR-Kanäle TM4 und TM5
UG Dübener Heide
Geschlossene junge Lärchenbestände reflektieren im nahen Infrarot stärker als gleichaltrige
Kiefern- oder Fichtenbestände. Im Dickungsstadium sind in erster Linie spektrale Über-
schneidungen mit Laubholzbeständen (Erzgebirge), im Stangenholzalter solche mit Nadel-
Laub-Mischwäldern und zweischichtigen Kiefernbeständen (Dübener Heide) festzustellen.
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
131
Roterlenbestände im Stangenholzalter reflektieren im Spektrum des nahen und vor allem
des mittleren Infrarot geringer als Buchenreinbestände (Dübener Heide). Die niedrigen Re-
flexionswerte deuten darauf hin, dass die Bestandesreflexion der auf organischen und mine-
ralischen Nassböden stockenden Erlen maßgeblich vom Standort (v.a. Bodenfeuchte) modi-
fiziert wird, da ein hoher Feuchtegehalt von Pflanzen bzw. Blattorganen im mittleren Infrarot
reflexionsmindernd wirkt. Eine sichere Unterscheidung der Signaturen von Eichen- bzw. Bir-
ken- und Erlenbeständen ist nicht möglich. Da die Verbreitung von Erlenwäldern vorwiegend
auf Nassstandorte begrenzt ist, kann eine geeignete Stratifizierung mittels Standortskarte zur
Minderung von Fehlzuweisungen beitragen.
Die Reflexionswerte von Birkenbeständen in der Dübener Heide (Stangenholz, geringes
Baumholz) liegen im nahen Infrarot deutlich unter denen von Eichen- und Buchenbeständen.
Eine sichere Zuordnung wird jedoch durch spektrale Überlagerungen mit Nadel-Laub-
Mischwäldern, Erlenwäldern und aufgelockerten Kiefernbeständen erschwert.
Mischwald (Nadelholz-Laubholz)
Mischwälder mit Nadel- und Laubbaumarten nehmen in beiden Untersuchungsgebieten, be-
sonders aber im Erzgebirge, einen geringen Flächenanteil ein. Dies erschwerte die Ermitt-
lung von repräsentativen Beständen für unterschiedliche Wuchsklassen, Baumartenmi-
schungen, Mischungsverhältnisse und Mischungsformen.
Die Signaturen dieser Bestände sind bekanntermaßen sehr heterogen. Je nach Baumarten
und deren Kraft‘sche Klassen, Kronendurchmesser sowie Beschattungen innerhalb des
mehr oder weniger gegliederten Kronendachs können gleiche Mischungsverhältnisse, wie
sie in der Forsteinrichtung über Grundflächenanteile näherungsweise durch Anteile an der
überschirmten Fläche hergeleitet werden, durch unterschiedlichste Signaturen wiedergege-
ben werden. Kleinräumige Variabilitäten im Mischungsverhältnis und in der Mischungsform
führen zudem zu unterschiedlichen Baumartenanteilen innerhalb der Fläche eines Pixels.
Die zufällige räumliche Abdeckung ruft eine zusätzliche Modifizierung hervor. Es resultiert
eine räumliche Verzahnung von „reinen“ Nadel- oder Laubbaumsignaturen und vielfältigsten
Mischsignaturen. Eine detaillierte sichere Unterscheidung von Mischungsanteilen ist daher
kaum erreichbar. Auf die besondere Problematik der Trainingsgebietsermittlung und Klassifi-
zierung von Mischbeständen weist SCHARDT (1990) hin.
Zusammenfassend sind folgende Aussagen ableitbar:
· Die Genauigkeit der spektralen Abgrenzung von Nadelholzreinbeständen (bis 10 % Bei-
mischung von Laubbäumen gemäß Forsteinrichtung) wird von den Laubbaumarten mo-
difiziert. Beispielsweise erreichen ältere Buchen im Vergleich zu Birken einen größeren
Einfluss auf die Bestandesreflexion bei gleichem Grundflächenanteil wegen der unter-
schiedlichen Kronendurchmesser und -formen. Da Buchen innerhalb des Kronendachs
eine größere reflektive Fläche einnehmen, können sich aus der erhöhten Reflexion stär-
kere spektrale Überlagerungen von Reinbeständen und Nadel-Laub-Mischbeständen er-
geben. In multispektralen Klassifizierungen kann dies im Vergleich zu den Forsteinrich-
tungsdaten zur Überschätzung des Laubholzanteils führen.
· Die Signaturen von Laubholzreinbeständen (bis 10 % Beimischung von Nadelbäumen)
und Laub-Nadel-Mischwäldern zeigen in beiden Untersuchungsgebieten starke Überla-
gerungen. Ältere Laub-Nadel-Mischbestände werden i.d.R. von den Baumarten Buche
und Eiche dominiert. Der Flächenanteil von Nadelbaumkronen am Kronendach ist daher
im Verhältnis zu den ausladenden Laubbaumkronen relativ gering. Auch höhere Nadel-
baumanteile (> 20 %) können ggf. von den stark reflektierenden Laubbäumen überprägt
werden. In multispektralen Klassifizierungen kann dies zur Unterschätzung des Nadel-
holzanteils beitragen.
Das Mischungsverhältnis von Laub- und Nadelbaumarten, für das eine spektrale Trenn-
barkeit von Laubholzreinbeständen und Laub-Nadel-Mischwäldern erreichbar ist,
schwankt in der Dübener Heide zwischen 20 und 30 %. Im Untersuchungsgebiet Erzge-
birge ist eine Trennung nicht sicher möglich.
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
132
· Spektrale Überschneidungen zwischen Nadel-Laub-Mischwäldern und zweischichtigen
Kiefernreinbeständen können auftreten, wenn der Unterstand von Laubbäumen gebildet
wird. Mit zunehmender Unterstandshöhe und -dichte erhöhen sich die Reflexionen in den
Infrarot-Kanälen. Einer strukturellen Annäherung der beiden Bestandestypen folgt die
Auflösung der spektralen Trennbarkeit der beiden Klassen (Kap. 8.2.2.1.3).
· Im Gebiet der Dübener Heide verbessert der NDVI-Kanal die Abgrenzung von Kiefern-
reinbeständen und Nadel-Laub-Mischwäldern.
Durch die Variabilität des vertikalen und horizontalen Bestandesaufbaus von Mischwäldern
und der damit verbundenen spektralen Heterogenität ist im Gebiet der Dübener Heide die
Unterscheidung auf die Klassen Nadel-Laub-Mischwald (Nadelbaumanteil: 50 - 80 %) und
Laub-Nadel-Mischwald (Laubbaumanteil: 50 - 80 %) beschränkt. Im Erzgebirge sind aus-
schließlich Nadel-Laub-Mischwälder von reinen Laub- und Nadelholzbeständen abgrenzbar.
8.2.2.1.2 Horizontaler Bestandesaufbau / Beschirmungsgrad
Für die Analyse der Kiefernbestände in der Dübener Heide wurde der Parameter Bestandes-
schluss (BS) aus den Forsteinrichtungsdaten selektiert. Der Beschirmungsgrad von Fichten-
beständen des Erzgebirges wurde aus CIR-Luftbildern ermittelt (vgl. Kap. 5.3.2).
Unabhängig vom verwendeten Sensor (TM, HRVIR) gilt für beide Bestandestypen, dass so-
wohl die IR-Kanäle als auch die Ratio NIR/MIR eine Abgrenzung von unterschiedlichen Be-
standesschluss- bzw. Beschirmungsgradklassen ermöglichen:
· Bei Beschirmungsgraden oberhalb von 60 bzw. 70 % bleibt die Reflexion im mittleren
Infrarot relativ konstant. Ein geringer Reflexionsabfall im nahen Infrarot von 90 bis 60 %,
wie ihn KENNEWEG et al. (1996) für Fichtenbestände beschreiben, ist in der vorliegenden
Untersuchung zwar festzustellen, jedoch für keinen der beiden Bestandestypen von den
altersspezifischen Reflexionseigenschaften zu trennen.
· Mit zunehmender Auflichtung (unter 60 bzw. 70 %) ist ein Anstieg der Reflexionswerte in
den Infrarot-Kanälen zu beobachten. Besonders sensibel reagiert der MIR-Kanal auf Än-
derungen des Beschirmungsgrades. Im Ratio-Kanal NIR/MIR wird die Abnahme des Be-
schirmungsgrades durch eine stetige Reduzierung der Grauwerte erfasst.
Bei geringeren Beschirmungsgraden lockerer und lichter Bestände (unter 60 %) nimmt der
Waldboden in verstärktem Maße an der Bestandesreflexion teil. Als Folge der kleinräumig
variierenden, die Bestandesreflexion beeinflussenden Parameter (Bodenbedeckungsart und
-grad, Beschattungs- und Baumkronenanteil, standortsbedingte Wasserversorgung usw.)
resultiert eine hohe spektrale Heterogenität. Der spektrale Übergang von Beständen mit ge-
ringsten Beschirmungsgraden (unter 30 - 20 %) zu unbestockten Flächen ist zumeist stetig.
Mit abnehmendem Schlussgrad verstärken sich folglich die spektralen Überschneidungen
mit Blößen, Sukzessionsflächen sowie Aufforstungen und Nicht-Waldflächen.
Kiefernreinbestände
Das Reflexionsverhalten von älteren einschichtigen Kiefernwäldern wird dominant vom Be-
standesparameter Bestandesschluss (Beschirmungsgrad) beeinflusst. Wie bereits ausge-
führt wurde, sind wuchsklassenspezifsche Reflexionen von Baumhölzern nicht erfassbar und
werden vom Bestandesschluss bzw. von der Hintergrundreflexion überprägt. Im Vergleich zu
Fichtenbeständen ist die Abschattung des Unterwuchses bzw. des Waldbodens weniger
intensiv. Bodenvegetation und Strauchschicht gewinnen somit einen großen Einfluss auf die
Bestandesreflexion.
Da die Kiefernbestände in der Dübener Heide vor allem auf trockenen Standorten stocken,
neigt hier die Bodenvegetation vermehrt zur Austrocknung. Eine zunehmende Beteiligung
der Bodenvegetation an der Bestandesreflexion trägt daher zum Anstieg der Reflexionswerte
im mittleren Infrarot bei (hier: TM5), da insbesondere dieser Wellenlängenbereich auf den
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
133
Wassergehalt von Vegetation reagiert (KEIL et al. 1987). Je nach Art der Bodenflora und dem
Bodenbedeckungsgrad sowie dem Vorhandensein einer Strauchschicht variieren die Refle-
xionswerte im nahen Infrarot (hier: TM4).
Wegen der Kronentransparenz und dem Einfluss der Hintergrundreflexion ist eine spektrale
Unterscheidung von geschlossenen, lockeren und lichten Beständen im Baumholzstadium
erschwert. Eine Abgrenzung zu geschlossenen Stangenholzbeständen ist hingegen möglich
(vgl. Abb. 45).
Spektrale Überlagerungen treten unter anderem mit zweischichtigen Kiefernbeständen auf,
wenn deren Unterstand licht bis räumdig ist bzw. aus Jungwuchs gebildet wird. Räumdige
Kiefernbestände, die in der Endnutzung stehen, zeigen die genannten Überschneidungen.
20
30
40
50
60
0 20406080100120
Bestandesalter
Ratio TM4/TM5 [mittl. GW]
< 10 Jahre
gedrängt / geschlossen (< 60J.)
locker (40-60J.)
geschlossen (> 60J.)
locker (> 60J.)
licht (> 60J.)
räumdig (> 60J.)
vorw. Dickung / Stangenholz
Abb. 45: Kiefernbestände - Abhängigkeit der mittleren Grauwerte im Ratio-Kanal TM4/TM5
von Bestandesschluss und Bestandesalter
UG Dübener Heide
Im panchromatischen IRS-Kanal weisen gedrängte und geschlossene Kiefernbestände die
niedrigsten Reflexionswerte auf. Im Texturkanal wird deren sehr homogenes und dichtes
Kronendach durch geringste Varianzen wiedergegeben. Innerhalb von lichten und räumdigen
Beständen führt deren starke Heterogenität zu erhöhten Varianzen. Eine sichere Unterschei-
dung von unterschiedlichen Beschirmungsgraden ist dennoch aufgrund der großen Werte-
spannbreiten sowie der schon mehrfach genannten radiometrischen Bildstörungen nicht
möglich. Im Klassifizierungsprozess wurde daher auf die Zusatzinformationen des Textur-
kanals zur Abgrenzung von Kiefernklassen verzichtet, da wegen der Bildstörungen eine Ver-
besserung der multispektral zufriedenstellend abgrenzbaren Wuchsklassen Dickung und
Stangenholz nicht zu erwarten war.
Innerhalb der Kiefernreinbestände erfolgte eine Unterteilung des Beschirmungsgrades in drei
Kategorien (vgl. Tab. 22). Die spektralen Schwellenwerte wurden in den Infrarot-Kanälen
(hier: TM4, TM5) und im Ratio-Kanal NIR/MIR festgelegt.
Fichtenreinbestände
Die Beeinflussungen der multispektralen SPOT4-Daten durch reliefabhängige Beleuchtungs-
unterschiede wurden im Rahmen der radiometrischen Korrektur weitgehend ausgeglichen.
Die topographische Normalisierung erfolgte unter besonderer Berücksichtigung der ge-
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
134
schlossenen Fichten-Baumholzbestände, da vor allem für diese Flächen die Waldschadens-
kartierung erfolgte (vgl. Kap. 5.2.2.1). Verbleibende Beeinflussungen von Signaturen kon-
zentrieren sich vor allem auf abgeschattete und stark beleuchtete Steillagen (vgl. Kap.
5.2.2.2). So zeigen lichte bzw. räumdige, auf steilen Südosthängen stockende Fichtenbe-
stände mit stark reflektierender Bodenflora höhere Reflexionswerte als gleichartige auf
nordwestlichen Hängen.
Zur weiteren Eindämmung des topographischen Effektes erweist sich die Ratio NIR/MIR als
besonders geeignet. Bereits REUTHER et al. (1996) und HÄUSLER (1991) konnten den syn-
thetischen Kanal erfolgreich zur Reduzierung von störenden Illuminationseinflüssen nutzen.
KENNEWEG et al. (1996) geben zu bedenken, dass mit abnehmendem Beschirmungsgrad
eine tendenziell gleichgerichtete Grauwerte- bzw. Reflexionsentwicklung in den Kanälen des
nahen und mittleren Infrarot zu beobachten ist, diese positive Korrelation der Kanäle bei ei-
ner Quotientenbildung (hier: HRVIR3/HRVIR4) folglich zur Reduzierung des Informationsge-
haltes führen kann. In der vorliegenden Untersuchung konnte dennoch für den Ratio-Kanal
die höchste Korrelation mit dem Parameter Beschirmungsgrad ermittelt werden (vgl. Abb.
46), die Vorteile der Quotientenbildung überwiegen letztendlich die erwähnten Nachteile.
30
40
50
60
70
80
90
100
110
120
130
140
150
160
170
180
190
200
0 102030405060708090
Beschirmungsgrad [%]
mittlere Grauwerte
Ratio HRVIR3/HRVIR4
HRVIR 4 (SWIR)
HRVIR 3 (NIR)
Trend - Ratio
Trend - HRVIR 4
Trend - HRVIR 3
Abb. 46: Fichtenbestände - Abhängigkeit der mittleren Grauwerte in den IR-Kanälen
(HRVIR3, HRVIR4) und im Ratio-Kanal (HRVIR3/HRVIR4) vom Beschirmungsgrad
Trendlinien: Regression, Polynome 2.Ordnung / UG Erzgebirge
Es konnten spektrale Überlagerungen von stark aufgelichteten Fichtenbeständen (BG:
< 40 %) mit Blößen sowie mit anderen Nicht-Waldflächen festgestellt werden. Signaturen von
aufgelockerten Fichtenwäldern (BG: 40 - 60 %) zeigten vereinzelt auch Ähnlichkeiten mit
denen von Nadel-Laub-Mischwäldern. Hierbei handelt es sich vor allem um Mischsignaturen,
die für diese Klassen typisch sind.
Der Beschirmungsgrad wurde gemäß der im LAOE-Projekt (UNEP 1995) getroffenen Festle-
gungen in vier Klassen unterteilt (vgl. Kap. 5.3.2, Tab. 13).
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
135
Für die Klassifizierung des Beschirmungsgrades von Fichtenbeständen eignet sich wiederum
ein Schwellenwertverfahren. Die Ratio NIR/MIR wird primär genutzt.
Laubbaumbestände (Dübener Heide)
Aufgelichtete bzw. gestufte alte Laubwälder (Altholz und starkes Baumholz, vgl. Abb. 47),
vorwiegend Buchenbestände - seltener auch Eichen- und Laubmischbestände - sind aus-
schließlich im Texturkanal des panchromatischen IRS-Kanals von anderen Laubbaumbe-
ständen abgrenzbar. Eine multispektrale Klassenabgrenzung ist nicht möglich.
Die Erfassung mittels Texturmerkmalen (Varianz-Kanal) ist auf die charakteristische Bestan-
desstruktur zurückzuführen. Die Einzelbäume dieser stammzahlarmen Bestände erreichen
maximale Kronengrößen im Pixelbereich der verwendeten Satellitenbilddaten (i.d.R. > 10 m).
Die Bestandesoberflächen lockerer und geschlossener Bestände weisen deutliche Vertie-
fungen zwischen den Einzelkronen auf, die ausgeprägte Schattenfurchen entstehen lassen.
Bereits geschlossene Bestände weisen einzelne Lücken bzw. Schattenlöcher auf. Die Grob-
struktur des Kronendachs bedingt somit starke Helligkeitsunterschiede zwischen beschatte-
ten und beleuchteten, stark reflektierenden Kronenpartien. Mit zunehmender Auflichtung und
Stufung der Bestände verstärkt sich dieser Effekt. Die ausgeprägten Laubbaumkronen sowie
deren Schattenwurf führen lokal zu extremen Reflexionsgegensätzen, die im panchromati-
schen Kanal als kontrastreiche Hell-Dunkel-Mosaike abgebildet werden. Innerhalb der Be-
standesfläche werden Grauwertsprünge bzw. -kanten als hohe Varianzwerte erfasst (vgl.
Abb. 48).
Abb. 47: Stark aufgelichteter, räumdiger Buchenbestand (Altholz)
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
136
1
1,5
2
2,5
3
3,5
4
70 80 90 100 110 120 130
TM 4 [mittl. GW]
IRS-1C / PAN [mittl. Varianz]
Buche (20-100)
Buche (>100Jahre)
sonst. Laubholz (>20Jahre)
sonst. Laubholz (<20Jahre)
gestufte,
aufgelichtete
Bestände
Abb. 48: Laubholzbestände - Darstellung der mittleren Grauwerte und spektralen Varianzen
von Laubholzbeständen unterschiedlichen Alters und Bestandesschlusses für den IR-
Kanal TM4 und den Varianz-Kanal / IRS-PAN
UG Dübener Heide
8.2.2.1.3 Vertikaler Bestandesaufbau / Schichtung
Zweischichtige Kiefernbestände unterscheiden sich spektral von anders strukturierten Kie-
fernreinbeständen, wenn bestimmte Bestandesparameterkombinationen vorliegen:
· der Unterstand wird von Laubbaumarten gebildet und ist geschlossen bzw. locker,
· der Oberstand ist durch waldbauliche Maßnahmen zumeist aufgelichtet,
· das Verhältnis der mittleren Baumhöhen von Ober- und Unterstand beträgt ca. 3:1
(Mindesthöhe des Unterstandes: ca. 6 bis 8 m).
Insbesondere im nahen Infrarot erhöhen sich die Reflexionswerte im Vergleich zu einschich-
tigen Kiefernbeständen mit zunehmender Unterstandshöhe und Dichte (vgl. Abb. 49 und
Abb. 50). Bei mittleren Unterstandshöhen von über 10 m ist selbst bei einem relativ ge-
schlossenen Oberstand eine Erhöhung der Bestandesreflexion durch die stark reflektierende
Laubbaumschicht zu erkennen. Eine Ursache für die starke Beteiligung der zweiten Schicht
an der Gesamtreflexion ist wiederum in dem Zusammenspiel von baumartenspezifischer
Kronentransparenz und Beschirmungsgrad zu suchen.
Mit zunehmender Unterstandshöhe kommt es zur spektralen Überlagerung mit gleichaltrigen
und einschichtigen Nadel-Laub-Mischwäldern. Die Verschmelzung der klassenspezifischen
Signaturen wird begleitet von einer strukturellen Annäherung im horizontalen und vertikalen
Bestandesaufbau. Letztlich liegt ein stetiger Übergang vom zweischichtigen Kiefernreinbe-
stand zum Nadel-Laub-Mischwald vor (vgl. Abb. 51).
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
137
Abb. 49: Aufgelockerte Kiefernbestände im Baumholzstadium
links: einschichtiger Bestand,
rechts: zweischichtiger Bestand, Unterstand wird von Laubbaumarten gebildet
55
65
75
85
01020
mittlere Baumhöhe des Unterstandes [m]
TM 4 [mittl. GW]
Oberstand: locker / Unterstand: geschl.
Oberstand: locker / Unterstand: locker
Oberstand: locker / Unterstand: licht
Oberstand: licht / Unterstand: geschl.
Oberstand: licht / Unterstand: locker
Abb. 50: Zweischichtige Kiefernbestände - Abhängigkeit der mittleren Grauwerte im Kanal
TM4 von Bestandesschluss (Oberstand, Unterstand) und Unterstandshöhe
Trendlinie: Regression, Polynom 3. Ordnung / UG Dübener Heide
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
138
35
45
55
65
50 60 70 80
TM 4 [mittl. GW]
TM 5 [mittl. GW]
Kiefer, einschichtig / geschl.
Kiefer, einschichtig / locker-licht
Kiefer, zweischichtig
Lärche
Nadel-Laub (ge - lo)
Trend - zweischichtig
Trend - einschichtig / locker-licht
Abb. 51: Darstellung der mittleren Grauwerte von ein- und zweischichtigen Kiefernbestän-
den, Lärchen- und Nadel-Laub-Mischbeständen für die Kanäle TM4 und TM5
Trendlinien: Polynome 2. Ordnung / UG Dübener Heide
8.2.2.1.4 Klassifizierungsschlüssel
Aus den Signatur- und Texturanalyseergebnissen wird deutlich, dass für die Kartierung der
unterschiedlichen Waldstrukturklassen der kombinierte Einsatz verschiedener Klassifizie-
rungsverfahren (v.a. Maximum-Likelihood-Verfahren, Schwellenwertmethode) die besten
Ergebnisse erwarten lässt. Die Klassifizierungsschlüssel „Dübener Heide“ und „Erzgebirge“
sind in den Tabellen 22 und 23 aufgelistet.
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
139
Tab. 22: Waldstrukturklassifizierung Dübener Heide - Klassifizierungsschlüssel
Hauptgruppe Baumart /
-gruppe
Wuchsklasse Bestandesschluss
(Schichtung)
Nadelwald Kiefer Dickung vorw. geschlossen
Kiefer Stangenholz geschlossen
Kiefer geringes Baumholz geschlossen
Kiefer mittleres Baumholz - Altholz licht (einschichtig)
Kiefer mittleres Baumholz - Altholz räumdig (einschichtig)
Kiefer mittleres Baumholz - Altholz licht - räumdig (mehrschichtig)
Lärche Stangenholz - Altholz geschlossen - locker
undifferenziert undifferenziert undifferenziert
Mischwald Nadelholz dominiert Dickung - Altholz undifferenziert
Laubholz dominiert Dickung - Altholz undifferenziert
Laubwald vorw. Buche Dickung - Altholz geschlossen - locker
vorw. Eiche Dickung - Altholz geschlossen - locker
vorw. Erle Dickung - Altholz geschlossen - locker
vorw. Birke Dickung - Altholz geschlossen - locker
Buche / Eiche starkes Baumholz, Altholz licht - räumdig, gestuft
undifferenziert undifferenziert undifferenziert
Blöße / Kultur vorw. Nadelholz - -
vorw. Laubholz - -
Jungwuchs / Sukzession undifferenziert undifferenziert vorw. nicht geschlossen
sonst. bestockte Fläche undifferenziert undifferenziert undifferenziert
vegetationsarme Fläche - - -
Tab. 23: Waldstrukturklassifizierung Erzgebirge - Klassifizierungsschlüssel
Hauptgruppe Baumart /
-gruppe
Wuchsklasse Beschirmungsgrad
[%]
Nadelwald undifferenziert Dickung > 60
Fichte schwaches Stangenholz > 60
Fichte Stangenholz > 60
Fichte geringes Baumholz > 60
Fichte mittleres Baumholz - Altholz > 60
Fichte geringes Baumholz - Altholz 41 - 60
Fichte geringes Baumholz - Altholz 21 - 40
Fichte geringes Baumholz - Altholz 0 - 20
Lärche vorw. Dickung undifferenziert
Laubwald / LN-Mischwald undifferenziert Dickung - Altholz undifferenziert
Mischwald Nadelholz dominiert Dickung - Altholz undifferenziert
Jungwuchs / Sukzession undifferenziert undifferenziert < 60
sonst. bestockte Fläche undifferenziert undifferenziert undifferenziert
Blöße - - -
vegetationsarme Fläche - - -
Moore undifferenziert undifferenziert undifferenziert
LN: Laub-Nadel
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
140
8.2.2.2 Nadelverlust
Die Waldschadenskartierung für die Baumart Fichte basiert auf der Schadstufendefinition
des LAOE-Projektes: Die Schadstufe setzt sich danach aus den Bestandesschadstufen nach
FÖRSTER (1989) und dem Beschirmungsgrad zusammen (vgl. Kap. 5.3.2). Die Klassifizie-
rung nach Nadelverlustkategorien erfolgt ausschließlich für weitgehend geschlossene Be-
stände mit einem Beschirmungsgrad von über 60 %. Bei einem Beschirmungsgrad von unter
60 % erfolgt eine Aufteilung in drei Auflichtungsklassen.
Die Signaturanalyse für den Entnadelungsgrad von einschichtigen Fichtenbeständen auf
Basis der multispektralen SPOT4-Daten ergab folgende Ergebnisse:
· Die IR-Kanäle weisen den höchsten Informationsgehalt für die Abschätzung von Nadel-
verlusten auf. Dies stimmt überein mit Ergebnissen aus früheren Waldschadenskartie-
rungen (vgl. Kap. 3.1.1.2.2). Mit zunehmendem Entnadelungsgrad (hier: Flächenanteil
mit Nadelverlust > 25 %) sinkt tendenziell die Reflexion im nahen Infrarot. Die Verände-
rung im mittleren Infrarot ist dabei gegenläufig. Durch diese negative Korrelation ist der
Ratio-Kanal NIR/MIR besonders geeignet, da dieser entsprechende Unterschiede betont
(vgl. Abb. 52).
· Anhand der Testgebiete ist eine starke spektrale Überschneidung von benachbarten Be-
standesschadstufen festzustellen (vgl. Abb. 53). Da aufgrund der Waldschadenscharak-
teristik im Erzgebirge ein flächenhaft „homogener“ Entnadelungsgrad praktisch nicht vor-
kommt, vielmehr das Nebeneinander von unterschiedlich stark geschädigten Fichten
innerhalb eines Bestandes überwiegt, kann die Analyse der Signaturen einzelner Test-
bestände primär zur Trendermittlung beitragen. Die Überlagerungen benachbarter Be-
standesschadstufen lässt folglich auch im Klassifizierungsergebnis eine räumliche
Durchmischung mit lokalen Konzentrationen einzelner Kategorien erwarten. Erst GIS-
gestützte statistische Analysen ermöglichen die bestandesweise Ableitung der Flächen-
schadstufen unter Einbeziehung der Beschirmungsgradklassen (vgl. Kap. 10.2.2).
· Bei gleichaltrigen Beständen sind unterschiedliche Entnadelungsgrade am sichersten
nachweisbar. Insbesondere die Gegenüberstellung von vitalen Beständen (Schadstufe
S0) und solchen mittlerer und starker Schädigung (S2, S3) lässt den Einfluss des Entna-
delungsgrades auf die Bestandesreflexion erkennen (vgl. Abb. 54).
Geringste Überlagerungen zwischen den Schadstufen treten bei geschlossenen Dickun-
gen bzw. schwachen Stangenhölzern auf. Bei Stangen- und Baumhölzern ist eine zu-
nehmende Konvergenz der Signaturen zu beobachten, die Grauwertespannbreite zwi-
schen gesunden und stark geschädigten Beständen verringert sich.
Als mögliche Ursache für die altersspezifisch unterschiedlich ausgeprägten Trennschär-
fen kann die Kronendachstruktur genannt werden:
Mit zunehmendem Bestandesalter erhöht sich die Rauigkeit innerhalb des Kronendachs,
der Anteil beschatteter Kronenpartien nimmt zu und bedingt ein Absinken der Reflexi-
onswerte in den infraroten Kanälen. Die Reflexion von jungen Fichtenbeständen wird
hingegen weniger von Beschattungseffekten sondern zu einem größeren Anteil von den
Blattorganen bestimmt. Vom Parameter Nadelverlust kann daher ein prägnanter Einfluss
auf deren Bestandesreflexion ausgehen. Ferner zeigen geschädigte Jungbestände im
Vergleich zu vitalen gleichaltrigen vielfach eine stärkere Höhendifferenzierung, welche
zusätzlich die Reflexionsunterschiede verstärken kann.
· Stark geschädigte Bestände (S3) sind von Beständen mit Beschirmungsgraden unter
60 % schlecht trennbar. Sehr hohe Nadelverluste führen in vielen Fällen zu einem star-
ken Anstieg der Reflexionswerte im mittleren Infrarot, begleitet von einer nur geringfügi-
gen Veränderung der Reflexionswerte im nahen Infrarot. Vielfach sind zudem stark ge-
schädigte (Referenz-) Bestände mit einem hohen Totholzanteil durchsetzt (bis 10 %), der
zur Verstärkung dieses Reflexionstrends beitragen kann. Spektrale Überschneidungen
konnten vor allem bei aufgelichteten Beständen mit schwach entwickelter Bodenflora
festgestellt werden.
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
141
30
40
50
60
70
80
90
100
110
120
130
140
150
160
170
180
190
200
210
220
0 102030405060708090
Anteil von Einzelbäumen mit Nadelverlusten über 25% / S2-4 [%]
mittlere Grauwerte
Ratio HRVIR3/HRVIR4
HRVIR 3 (NIR)
HRVIR 4 (SWIR)
Trend - Ratio
Trend - HRVIR 3
Trend - HRVIR 4
Abb. 52: Abhängigkeit der mittleren Grauwerte in den IR-Kanälen (HRVIR3, HRVIR4) und im
Ratio-Kanal vom Nadelverlust in Fichtenbeständen
hier: Anteil der Fichten mit Nadelverlusten über 25 % (Ergebnisse der einzelbaumweisen Schadan-
sprachen: Stangenholz bis starkes Baumholz, Beschirmungsgrad > 60 %);
Trendkurven: Polynome 2. Ordnung / UG Erzgebirge
45
50
55
60
30 35 40 45 50
HRVIR 4 [mittl. GW]
HRVIR 3 [mittl. GW]
Flächenschadstufe 0
Flächenschadstufe 1
Flächenschadstufe 2
Flächenschadstufe 3
Beschirmungsgrad: <60%
Abb. 53: Darstellung der mittleren Grauwerte von geschlossenen Fichtenbeständen der Flä-
chenschadstufen 0, 1, 2 und 3 für die IR-Kanäle (HRVIR3, HRVIR4)
Basis: CIR-Luftbildauswertung von Referenzbeständen / UG Erzgebirge
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
142
30
40
50
60
45 55 65 75
HRVIR 3 [mittl. GW]
HRVIR 4 [mittl. GW]
(A) Dickung / schw. Stangenholz
30
40
50
60
45 55 65 75
HRVIR 3 [mittl. GW]
HRVIR 4 [mittl. GW]
(B) Stangenholz
30
40
50
60
45 55 65 75
HRVIR 3 [mittl. GW]
HRVIR 4 [mittl. GW]
(C) geringes Baumholz
30
40
50
60
45 55 65 75
HRVIR 3 [mittl. GW]
HRVIR 4 [mittl. GW]
(D) mittleres / starkes Baumholz
Abb. 54: Darstellung der mittleren Grauwerte von vitalen und stark geschädigten geschlos-
senen Fichtenbeständen gleicher Wuchsklassen für die Kanäle HRVIR3 und HRVIR4
rot: Flächenschadstufen 2 und 3; grün: Flächenschadstufe 0 / UG Erzgebirge
Eine Modifizierung der Signaturen durch reliefbedingte Beleuchtungsunterschiede (topogra-
phischer Effekt) konnte wiederum nur für Bestände auf nordwest- und südostexponierten
Steilhängen nachgewiesen werden. Durch die Einbindung des Ratio-Kanals konnte dieser
Störfaktor in den normalisierten Satellitenbilddaten reduziert werden.
Für die Kartierung der Entnadelungskategorien wurden die Informationen der IR-Kanäle
HRVIR3 und HRVIR4 sowie die Ratio HRVIR3/HRVIR4 genutzt und das ML-Verfahren an-
gewendet (Kap. 8.4.2).
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
143
8.3 Waldstrukturklassifizierung
Ein Ziel der Auswertungen ist es, die Potenziale von modernen Satellitenbilddaten zur Erfas-
sung von Grunddaten von Forstinventuren auszuloten. Von besonderem Interesse ist dabei
deren Beitrag für großmaßstäbige Inventuren. Voraussetzung hierzu ist eine exakte themati-
sche und räumliche Extraktion und Abgrenzung von forstlichen Objekten bzw. Objektarten,
die den Genauigkeitsansprüchen der Forstplanung auf Forstamtsebene genügen.
Wie bereits aufgezeigt werden konnte, erweitern die geometrisch-strukturellen Vorzüge von
hochauflösenden panchromatischen bzw. fusionierten Satellitenbilddaten das Nutzungspo-
tenzial für die visuelle Interpretation (vgl. Kap. 7.2). Es stellt sich die Frage, inwieweit die
panchromatischen Bildinformationen auch zur geometrischen und thematischen Verbesse-
rung von multispektralen Waldklassifizierungen genutzt werden können, deren Ergebnisse
i.d.R. auf Auswertungen mit pixelbasierten Standardauswertungsverfahren beruhen.
Für die Waldstrukturklassifizierung wurde daher ein mehrstufiges Auswertungskonzept ent-
wickelt. Durch die Einbeziehung von Geo-Daten und die Auswahl bzw. Kombination von ver-
schiedenen Satellitenbilddaten und Auswertungsverfahren sollten die jeweiligen Vorzüge von
multispektralen und panchromatischen Satellitenbilddaten bestmöglich für Detailklassifizie-
rungen genutzt werden (vgl. Abb. 55):
· hierarchische Klassifizierung:
thematische Bildauswertung mit multispektralen und texturellen Merkmalen sowie
Forst- und Geo-Daten (Kap. 8.3.1).
· Segmentierung (hochauflösender panchromatischer Satellitendaten):
Erfassung bzw. Hervorhebung geometrisch-struktureller Details (Kap. 8.3.2).
· regel- und kontextbasierte Nachklassifizierung:
Kombination von Teilergebnissen der hierarchischen Klassifizierung und der Segmentie-
rung zur Ableitung einer detaillierten Waldstrukturklassifizierung (Kap. 8.3.3).
Waldstruktur-
klassifizierung
Waldstruktur-
klassifizierung
Datenanalyse
Datenanalyse
FGIS / Projekt-DB
LANDSAT 5-TM (IRS-LISS3)
spektrale Signatur
IRS-1C / PAN
Struktur - Form
Helligkeit - Textur
- Verknüpfung: Segmente und
themat. Klassifizierungsergebnisse
- Neuzuweisung von Mischpixeln
Regel- und kontextbasierte
Nachklassifizierung
- linienhafte Segmente (Kanten)
- Flächensegmente / Regionen
Bildsegmentierung
(Waldfläche)
- multispektral-texturell
- Einbindung von Zusatzdaten
Hierarchische
(Vor-) Klassifizierung
Abb. 55: Waldstrukturklassifizierung „Dübener Heide“ - Schema des Verfahrensansatzes
Die Verfahrensentwicklung erfolgte in den sächsischen Untersuchungsgebieten. Im Erzge-
birge musste jedoch auf die Einbindung von hochauflösenden panchromatischen Satelliten-
bilddaten in den Klassifizierungsprozess verzichtet werden, da die unzureichenden radio-
metrischen Qualitäten der Szenen weder eine texturelle Differenzierung noch eine Segmen-
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
144
tierung zuließen (vgl. Kap. 4.1.2.1). Als Satellitenbilddaten wurden panchromatische und
fusionierte IRS-1C- und LANDSAT5-TM-Szenen (UG Dübener Heide) sowie eine multispek-
trale SPOT4-Aufnahme (UG Erzgebirge) verwendet.
8.3.1 Hierarchische Klassifizierung
Die hierarchische Klassifizierung bezeichnet ein Vorgehen, bei dem die Satellitenszenen
schrittweise und nacheinander in mehreren Entscheidungsschritten segmentiert und klassifi-
ziert werden. Für die einzelnen Entscheidungsschritte können unterschiedliche spektrale
Datensätze und Zusatzdaten sowie verschiedene Trennfunktionen bzw. -kriterien herange-
zogen werden. Zudem erlaubt dieses Vorgehen die Kombination von verschiedenen Klassifi-
zierungs- bzw. Segmentierungsverfahren. Ziel ist es, bei jeder Bearbeitungsstufe eine best-
mögliche Trennung einzelner Objektklassen bzw. -gruppen mit zunehmendem Differenzie-
rungsgrad zu erreichen (HILDEBRANDT 1996: 543).
In dem nachfolgend beschriebenen hierarchischen Klassifizierungsansatz wird in der ersten
Stufe eine Trennung der wald- und baumbestockten Flächen von anderen Oberflächenbede-
ckungsarten vorgenommen (Kap. 8.3.1.1). Für diese Bildbereiche erfolgt eine mehrstufige
Waldklassifizierung unter Verwendung verschiedener Klassifizierungsverfahren. Sowohl die
Verfahrens- und Methodenauswahl als auch die Festlegungen der Klassifizierungsschlüssel
basieren in erster Linie auf Ergebnissen der Signatur- und Texturanalysen (vgl. Kap. 8.2.2,
Tab. 22 und Tab. 23).
Einen Gesamtüberblick über das Klassifizierungsschema geben die Abbildungen 63 (Dübe-
ner Heide) und 65 (Erzgebirge).
8.3.1.1 Separierung von „Wald / baumbestockte Fläche“
Zur Separierung von thematisch interessierenden Bildteilen werden häufig Fachinformatio-
nen bzw. Geo-Daten genutzt oder spektrale Masken aus den Satellitenbilddaten generiert.
Für die Ableitung spektraler Waldmasken haben sich Schwellenwertverfahren bewährt (u.a.
KEIL et al. 1987). Die Einbeziehung von Forst- oder Geo-Daten in den Klassifizierungspro-
zess bzw. deren regelbasierte Verknüpfung mit den Satellitenbilddaten kann zur Erhöhung
der Abgrenzungsgenauigkeit beitragen (u.a. SCHARDT et al. 1998, FRANZEN et al. 1998).
Vor einer detaillierten Waldstrukturklassifizierung ist zunächst eine möglichst flächenscharfe,
lagerichtige und vollständige Erfassung der wald- bzw. baumbestockten Flächen notwendig.
Die alleinige Abgrenzung mittels Forstgrundkarten oder topographischen Karten (hier: Vege-
tationsebene der TK10 / TK25, vgl. Kap. 4.4.1) ist jedoch häufig nicht mit hinreichender Ge-
nauigkeit möglich:
· Geeignete Informationen aus Forstkarten (Holzbodenfläche) fehlen i.d.R. im Bereich von
Bundesforsten. Zudem sind baumbestockte Flächen, die gemäß Waldgesetz nicht der
Waldfläche zugehörig sind, nicht erfasst. Dazu zählen unter anderem auch Moorgebiete,
Baumgruppen und Gehölze.
· In topographischen Karten ist die Abgrenzung von Wäldern thematisch generalisiert. So
werden auch unbestockte Nicht-Holzbodenflächen, Leitungstrassen innerhalb von Wald-
gebieten, Waldsiedlungen oder Teile von Truppenübungsplätzen dem Vegetations-Layer
zugeschlagen.
Park- und Gartenanlagen des Siedlungsbereichs werden im selben Layer erfasst (Bei
Verwendung von ATKIS-Daten, die während der Auswertungen nicht verfügbar waren,
tritt dieses Abgrenzungsproblem nicht auf).
· Waldflächenveränderungen (Abgänge, Aufforstungen) können lokal begrenzte Aktuali-
tätsdefizite in topographischen Karten hervorrufen (vgl. Abb. 56).
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
145
Abb. 56: Vergleich von fusionierten Satellitenbilddaten mit TK10 (Vegetations-Layer) - Loka-
lisierung von Aktualitätsdefiziten
Abweichende Wiedergabe des Waldaußenrandes / UG Dübener Heide
links: panchromatische IRS-1C-Daten mit überlagerter Forstamtsgeometrie (Abteilungsnetz)
rechts: Vegetations-Layer der TK10 (Rasterdaten)
Für die flächenscharfe Walderfassung wurde ein Verfahren entwickelt, bei dem primär die
vorhandenen Fachinformationen (Forsteinrichtungsdaten, Forstgrundkarte, TK10 / TK25)
Verwendung finden, diese aber durch eine regelbasierte Verknüpfung mit aktuellen Satelli-
tenbilddaten überprüft, ergänzt und ggf. aktualisiert werden. Die (klassifizierten) Satelliten-
bilddaten dienen somit als Zusatzdaten zur Optimierung von fachspezifischen Waldabgren-
zungen mittels digitaler Karten. Hochauflösende fusionierte Satellitenbilddaten sind hierfür
prädestiniert, da die geometrisch-strukturellen Vorzüge der panchromatischen Daten mit den
multispektralen Informationen vereint werden. Im Untersuchungsgebiet Dübener Heide
konnten hierzu zwei fusionierte IRS-1C-Szenen (02.07.97 und 13.08.97) genutzt werden. Die
synthetischen Kanäle wurden zu einem multitemporalen Datensatz zusammengeführt. Im
Erzgebirge mussten aus bereits genannten Gründen multispektrale SPOT4-Daten herange-
zogen werden. Nachfolgend wird die Maskengenerierung skizziert (vgl. Abb. 61).
Erstellung einer multispektralen Grobmaske
In einer unüberwachten ISODATA-Klassifizierung (RICHARDS 1999, S. 223ff) von fusionierten
Bilddaten wurden Pixel mit ähnlichen Grauwertkombinationen in 10 Iterationen zu 80 Spek-
tralklassen (Cluster) zusammengeführt. Da eine Spektralklasse mehrere Objektklassen ab-
decken kann, wurden unter Hinzunahme von Referenzdaten (z.B. aktuelle Luftbilder, topo-
graphische Karten, Forstkarten) die gebildeten Cluster interaktiv am Display den folgenden
drei Kategorien zugewiesen:
· Kategorie A „unbestockt - sicher“:
Spektralklasse eindeutig zuzuordnen,
· Kategorie B „baumbestockte Fläche - sicher“:
Spektralklasse eindeutig zuzuordnen,
· Kategorie C „baumbestockte Fläche - unsicher“:
Spektralklasse nicht eindeutig zuzuordnen.
Als Zwischenergebnis resultiert eine multispektrale Grobmaske, mit der sowohl die Minimal-
fläche (Kategorie B) als auch die Maximalfläche (Kategorie C) abgrenzbar ist.
Erstellung von thematischen Einzelmasken
Aus den Forstdaten und topographischen Karten wurde jeweils eine Waldmaske abgeleitet:
· TK10 / TK25: „Vegetations-Layer“,
· Forstgrundkarte / Forsteinrichtungsdaten: „Holzbodenfläche“ (aufgerastert).
Bei Nutzung von ATKIS wäre die Selektion „Wald" vorzunehmen. Für nachfolgende Bear-
beitungen bewährte sich eine Vektor-Raster-Konvertierung von selektierten Flächen (Forst-
grundkarte, ggf. ATKIS, Rasterweite: 5 m x 5 m).
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
146
Ableitung und Kategorisierung einer thematischen Grobmaske
Durch die Überlagerung von Einzelmasken resultieren Segmente, die sich hinsichtlich ihrer
thematischen Kombinationen, ihrer Größe sowie ihrer Lagebeziehungen unterscheiden. Zwi-
schen topographischen Karten und Forstgrundkarten (bzw. Forstamtsgeometrie) bestehen
zudem lokale Lagedifferenzen, die unterschiedlich stark ausgeprägt sein können (u.a. Wirt-
schaftswege, Waldaußenrand). Auf Basis der Segmente wurden daher Kategorien gebildet,
die sich hinsichtlich ihrer (geometrischen bzw. thematischen) Erfassungsgenauigkeiten von
wald- und baumbestockten Flächen unterscheiden:
· Die sicherste geometrisch exakte Erfassung liegt vor, wenn sowohl die Forstkarte als
auch die topographische Karte eine Waldfläche ausweisen („sichere Kernfläche“).
Eine Überprüfung mit Satellitenbilddaten ist nicht notwendig.
· Waldrandbereiche, die lediglich in einer der Karten als Waldfläche ausgewiesen werden
und zudem eine maximale Breite nicht überschreiten, gelten als Segmente mit poten-
ziellen Lageversätzen („unsichere Randflächen“). Diese zumeist bandartigen Bereiche
werden im Auswertungsprozess einer Prüfung mit Satellitenbilddaten unterzogen.
· Liegt großflächig ausschließlich die topographische Karteninformation vor, beispielsweise
im Bereich von Bundesforsten oder aber in Siedlungsbereichen (u.a. Grünflächen, Park-
anlagen), erfolgt eine Prüfung entlang der potenziellen Wald-Nichtwald-Grenze (Puffer:
30 m, „unsichere Randfläche“). Gleiches gilt für großflächige Segmente, die ausschließ-
lich als Holzbodenfläche markiert sind (z.B. Erstaufforstungsflächen).
· Zusätzlich werden kleinere Inselflächen des Vegetations-Layer speziell untersucht, die
für Siedlungsbereiche charakteristisch sind und folglich besonders unsichere Bildberei-
che darstellen (optional).
Als Zwischenprodukt resultiert eine thematische Grobmaske, die alle dargestellten Waldge-
biete, baumbestockten Flächen bzw. Grünflächen der beiden Kartengrundlagen umfasst. Die
Kategorienbildung trägt zur Unterscheidung von Bereichen mit unterschiedlichen Erfas-
sungswahrscheinlichkeiten bzw. -genauigkeiten bei (vgl. Abb. 57).
Abb. 57: Thematische Grobmaske „Holzbodenfläche und Vegetations-Layer“ (FGIS, TK10) -
Kategorienbildung zur Ableitung von Bereichen mit unterschiedlichen kartographischen
Abgrenzungskriterien/-genauigkeiten von Wäldern
Darstellung: gerasterte Daten, daher teilweise Linienverlust / UG Erzgebirge
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
147
Logische Verknüpfung von multispektraler und thematischer Grobmaske
Die Ergebnisse der ISODATA-Kategorisierung und die thematische Grobmaske wurden mit-
tels Konditionalfunktionen miteinander verknüpft und eine multispektral-thematische Wald-
maske abgeleitet.
Mit dem Ziel, eine aktuelle und möglichst flächenscharfe Abgrenzung von wald- und baum-
bestockten Flächen zu erreichen, wurden innerhalb der thematischen Grobmaske die unsi-
cheren Bereiche lokalisiert und als Prüfbereiche festgelegt. Innerhalb dieser Maskenteile
erfolgte eine kontextbasierte Analyse der ISODATA-Kategorien, um eine lokale Verbesse-
rung der Abgrenzungsgenauigkeiten zu erreichen. In einem Regelwerk wurden dazu Ent-
scheidungskriterien festgelegt, die eine pixel- oder segmentweise Überprüfung und Zuwei-
sung von unsicheren Masken- bzw. Bildbereichen ermöglichten (u.a. Lage, Nachbarschaft,
Flächengröße). Es können unter anderem folgende Fälle unterschieden werden:
· Innerhalb der Holzbodenfläche wird die Maximalfläche zugelassen („baumbestockte Flä-
che: sicher / unsicher“).
· Innerhalb von unsicheren Randbereichen wird die Minimalfläche zugelassen. Die Katego-
rie „baumbestockte Fläche - unsicher“ wird akzeptiert,
- wenn sich diese innerhalb einer unmittelbar angrenzenden Kernfläche großflächig fort-
setzt (Segment) oder
- wenn in der Nachbarschaft sicher zugewiesene Pixel dominieren (Pixel),
die Wahrscheinlichkeit einer Fehlzuweisung folglich gering ist.
· Innerhalb von Inselflächen (Segmente) der topographischen Karten wird die Minimalflä-
che zugelassen („baumbestockte Fläche, sicher“). Pixel der Maximalfläche werden nur
dann akzeptiert, wenn keine Nachbarschaft zur Kategorie „unbestockt, sicher“ vorliegt.
Zudem muss das resultierende - potenziell baumbestockte - Segment eine Mindestgröße
überschreiten. Diese strenge Regel wurde im Hinblick auf die Eliminierung von Wald-
siedlungen und Siedlungsgrünflächen festgelegt.
· Die Kategorie A („unbestockt, sicher“) sollte in allen Fällen gelten, um unter anderem
Mischpixel entlang von Waldrändern oder Wirtschaftswegen zu eliminieren oder Aktuali-
tätsdefizite bzw. Lageungenauigkeiten der Karten zu korrigieren.
Abb. 58: Verbesserung der Separierung von Wald und baumbestockten Flächen
links: Prüfbereiche innerhalb der thematischen Grobmaske:
u.a. Kleinstflächen - grau, potenzielle Versatzflächen und Randpuffer - schwarz
Mitte: ISODATA-Klassifizierung (SPOT4-HRVIR); Kategorien der spektralen Grobmaske:
baumbestockt - sicher (grün), unsicher (gelb, orange), nicht baumbestockt - sicher (rot)
rechts: verbesserte Maske nach Zusammenführung von thematischer und spektraler Maske:
Wald / baumbestockt (grün), abgelehnte Maskenteile (rot)
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
148
Mittels kontextbasierter Filterungen wurde die resultierende Waldmaske aggregiert (vgl. Abb.
58 und Abb. 59). Die Bildoperationen wurden an Bedingungen geknüpft und damit lokal be-
grenzt. Unerwünschte Effekte wie beispielsweise der Verlust an räumlichen Details oder die
Reduzierung der Abgrenzungsschärfe, die bei einer undifferenzierten Filterung der Gesamt-
maske auftreten würden, konnten somit deutlich minimiert werden.
Optional können kartographisch erfasste Straßen und (Haupt-) Wirtschaftswege aus den
digitalen Karten selektiert, aufgerastert und in die Maske eingerechnet werden.
Abb. 59: Maskierung von SPOT4-Daten
links: Verwendung der thematischen Grobmaske,
rechts: Verwendung der verbesserten Maske (gefiltert)
RGB: HRVIR4-3-2 / UG Erzgebirge
Integration von linienhaften Segmenten (optional; UG Dübener Heide)
Wie die Segmentierungsergebnisse von IRS-1C-Daten verdeutlichen (Kap. 8.3.2.1.3), kön-
nen Teile des Wirtschaftswegenetzes sowie Schneisen aus hochauflösenden panchromati-
schen Satellitenbilddaten extrahiert werden. Somit sind Bildelemente in multispektralen Sa-
tellitenszenen lokalisierbar, die aufgrund der geringeren räumlichen Auflösung mit hoher
Wahrscheinlichkeit als Mischsignaturen im Klassifizierungsprozess wirksam werden, und ein
hohes Fehlzuweisungspotenzial aufweisen.
Eine Integration der Liniensegmente in die Waldmaske konnte die waldinterne Abgrenzungs-
und Klassifizierungsgenauigkeit von bestockten Flächen erhöhen. Dies galt vor allem auch
für Bildbereiche, für die keine Forstkarten verfügbar sind (vgl. Abb. 60).
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
149
Abb. 60: Verbesserung der Maske „Wald / baumbestockte Fläche“ durch Einbindung von
extrahierten Wegen und Schneisen
links: IRS-1C / PAN (Ausgangsdaten für Linienextraktion)
Mitte: Waldmaske (Nichtwald = weiß), ergänzt durch Linien (rot)
rechts: LANDSAT5-TM (Ausgangsdaten für multispektrale Klassifizierung) / UG Dübener Heide
Visuelle Nachbereitung
Die Reduzierung von Restfehlern erforderte eine interaktive visuelle Nachbereitung der (Zwi-
schen-) Ergebnisse am Bildschirm. Hierzu wurden (fusionierte) Satellitenbildprodukte hinter-
legt und entsprechend interpretiert. In der vorliegenden Untersuchung beschränkten sich die
Korrekturen auf wenige stark aufgelichtete Bestände, Blößen und Kulturen bzw. Jungwuchs-
flächen, die wegen ihrer starken spektralen Überlagerungen mit Nichtwald-Flächen teilweise
ausmaskiert wurden.
Mit der korrigierten Waldmaske „Wald / baumbestockte Fläche“ (Rasterung: 5 m x 5 m) er-
folgte die Maskierung der im weiteren Klassifizierungsprozess verwendeten Satellitendaten.
Wie ein Vergleich der für die Untersuchungsgebiete Dübener Heide und Erzgebirge erstell-
ten Masken erkennen lässt, werden durch die Einbindung von räumlich hoch aufgelösten
fusionierten Satellitenbilddaten die geometrischen Abgrenzungsgenauigkeiten (Lage, Form)
von bestockten Flächen deutlich verbessert - außerhalb der geschlossenen Waldgebiete
werden teilweise Baumgruppen, Solitärbäume (Buchen, Eichen) und Hecken erfasst. Bei
Verwendung von originalen Multispektraldaten geringerer Auflösung (hier: HRVIR, TM), wie
dies in zahlreichen forstlichen Studien in den 90er Jahren erfolgte, wäre diese Qualität nicht
erreichbar. Durch die Nutzung verfügbarer Fachplanungsdaten kann zudem die thematische
Abgrenzung praxisnäher vorgenommen werden.
Die Verfahrensentwicklung basiert in erster Linie auf der Verwendung des ERDAS-Moduls
Spatial Modeler (Input: ISODATA-Kategorien, fachspezifische Waldmasken). Durch die Mo-
dellbildungen und deren Verkettung wird ein hoher Automatisierungsgrad erreicht.
Die Anwendung des Verfahrensansatzes im Projekt OFULSA zeigte, dass dessen Übertrag-
barkeit auf andere Gebiete und Szenen gewährleistet ist (COENRADIE & KENNEWEG 2002).
Neben Forstdaten wurden die digitale BTNT-Kartierung und ATKIS-Daten eingebunden.
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
150
TK10, TK25
[optional ATKIS]
TK10, TK25
[optional ATKIS]
FGIS Sachsen
FGIS Sachsen
Holzbodenfläche
(VEG)
Holzbodenfläche
(VEG) Vegetations-Layer
(HB)
Vegetations-Layer
(HB)
multispektrale
Grobmaske
(MS)
multispektrale
Grobmaske
(MS)
Logische Verknüpfung / Regelwerk
>WENN {VEG = 1} UND {HB = 1}
> ODER {VEG = 1} UND ( {MS = 2} UND {FocalMAJORITY [MS] = 1} ) UND ...
> ODER ...
> ...
>DANN
> „baumbestockte Fläche“
>SONST
> WENN {Bedingung n} UND {Bedingung m}
>ODER...
> ...
Waldmaske
- grob -
Waldmaske
- grob -
panchromatische
Satellitendaten
panchromatische
Satellitendaten
fusionierte
Satellitendaten
- multitemporal -
fusionierte
Satellitendaten
- multitemporal -
erfasste Wege
und Schneisen
erfasste Wege
und Schneisen
Waldmaske
- fein -
Waldmaske
- fein -
Waldmaske
Waldmaske
Bildsegmentierung /
Linienextraktion
Integration erfasster Wege
visuelle Nachbereitung
Datenaufbereitung ISODATA - Clusteranalyse
Kategorienbildung
Straßen /
Wirtschaftswege
Straßen /
Wirtschaftswege
Abb. 61: Ablaufschema der Waldmaskengenerierung (UG Dübener Heide)
8.3.1.2 Multispektral-texturelle Klassifizierung
Für die hierarchische Klassifizierung der Waldflächen wurde eine methodische Herange-
hensweise gewählt, die auf beide Untersuchungsgebiete angewendet werden konnte. Auf-
grund der abweichenden Satellitendatenbasis und der unterschiedlichen Klassifizierungs-
schlüssel (vgl. Kap. 8.2.2.1.4) war jedoch eine gebietsspezifische Anpassung unumgänglich.
Mit Hilfe von Standardverfahren wurde eine maximale Unterscheidung von forstrelevanten
Objektarten angestrebt.
Die verwendeten Satellitenbilddaten wurden zunächst mit der Waldmaske maskiert. Zur Re-
duzierung von Fehlklassifizierungen entlang der Wald-Nichtwald-Grenzen erfolgte eine Ver-
kleinerung (Pufferung) der Auswertungsfläche um einen Saum von 30 m. Mischsignaturen
entlang von Wegen und Waldaußenrändern, die häufig fehlerhaft klassifiziert werden, konn-
ten somit weitgehend eliminiert werden. Die Klassifizierung dieser Randbereiche erfolgte
nachträglich im Rahmen der kontextbasierten Nachklassifizierung (Kap. 8.3.3.2). Die hierar-
chische Klassifizierung der separierten Waldflächen erfolgte schrittweise. Auf jeder Erfas-
sungsebene wurde jeweils eine Vor- und Nachklassifizierung durchgeführt.
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
151
Vorklassifizierung
Im Klassifizierungsprozess wurde für jede Ebene die bestmögliche klassenspezifische Ver-
fahrens- und Kanalauswahl unter Beachtung der Signaturanalyseergebnisse angestrebt. Für
die Klassenzuweisungen wurden vorrangig multispektrale Eigenschaften herangezogen. Für
die Vorklassifizierungen wurden pixelbasierte Standardverfahren angewendet. Die besten
Ergebnisse lieferten Maximum-Likelihood-Verfahren (nachfolgend: ML), Schwellenwertver-
fahren und ISODATA-Clusteranalysen. Für jede ML-Klassifizierung (Hauptbaumarten,
Baumarten, Wuchsklassen, Beschirmungsgrad) war die Trainingsgebietsauswahl entspre-
chend der auszuweisenden Klassen anzupassen. Auf eine Beschreibung der Verfahren wird
an dieser Stelle verzichtet und auf die einschlägige Lehrbuchliteratur verwiesen (u.a.
RICHARDS 1999). Die Verfahrensauswahl wurde objektklassenspezifisch durchgeführt:
· Zur Erfassung von spektral sehr heterogenen bzw. in ihrer Ausprägung stark variieren-
den Waldklassen eignen sich besonders Schwellenwert- und ISODATA-Verfahren. Für
diese Klassen sind entweder die statistischen Grundvoraussetzungen für den erfolgrei-
chen Einsatz des ML-Verfahrens nicht immer gegeben oder nicht alle Ausprägungen
mittels Trainingsgebieten erfassbar. Für die Klassifizierung von spektral homogenen
Klassen ist das Schwellenwertverfahren vor allem dann geeignet, wenn deren charakte-
ristische Grauwerteverteilungen im Vergleich zu Konkurrenzklassen den jeweils obersten
oder untersten Grauwertebereich in mindestens einem Kanal einnehmen.
· Für die übrigen Waldklassen (v.a. geschlossen und aufgelockerte Bestände, Baumarten,
Wuchsklassen) hat sich in Walduntersuchungen das ML-Verfahren bewährt (vgl. Kap.
3.1.1.2).
Um die starre Abgrenzung von Klassen mittels Schwellenwerten zu vermindern, die übli-
cherweise auf der Bestimmung nur eines festen Grenzwertes pro Kanal (Ober- und / oder
Untergrenze) basiert, wurde ein Hysterese-Schwellenwertverfahren gewählt (vgl. Abb. 62).
Hierbei wird zunächst ein „sicherer“ Schwellenwert ermittelt. Zur besseren Berücksichtigung
der klassenspezifischen Grauwertestreuungen wird nun ein zweiter, etwas „unsicherer“
Schwellenwert festgelegt, der geringfügig vom ersten abweicht (z.B. ± 2 Grauwerte). Für
Bildelemente mit Grauwerten innerhalb dieses Intervalls wird deren Nachbarschaft unter-
sucht: Wenn in der Umgebung (z.B. Fenstergröße: 3 x 3, 5 x 5 usw.) ein sicherer Grenzwert
vorliegt und zugleich kein Grauwert unmittelbar angrenzt, der von beiden Schwellen abge-
lehnt wird, dann wird das überprüfte Bildelement akzeptiert und zur Abgrenzung der jeweili-
gen Klasse genutzt. Die sicheren Bildelemente strahlen folglich auf ihre Umgebung aus, sie
„wirken nach“ (Hysterese; vgl. CANNY 1986).
schwarz = Abgrenzungen mit sicherem Schwellenwert (Grauwert)
dunkelgrau = Abgrenzungen mit unsicherem Schwellenwert
- akzeptiert wegen Nachbarschaft
hellgrau = Abgrenzungen mit unsicherem Schwellenwert
- abgelehnt
weiß = sonstige Grauwerte
Abb. 62: Grauwertbezogene Separierung von Bildinformationen mittels Hysterese-
Schwellenwertverfahren
Abgrenzungsergebnis: schwarze und dunkelgraue Pixel (Beispiel: 3 x 3 - Umgebung)
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
152
Die Objektklassenabgrenzungen konnten deutlich verbessert werden, da die spektrale Tren-
nung im lokalen Kontext geringfügig variieren kann und zur informationsverlustfreien Aggre-
gierung beiträgt. Die Festlegungen von Schwellenwertintervallen erfolgten interaktiv am Bild-
schirm unter Berücksichtigung von Referenzflächen bzw. Ergebnissen der Signaturanalyse.
Nachklassifizierung
Zur qualitativen Verbesserung der Vorklassifizierungsergebnisse wurden neben der spek-
tralen Signatur zusätzliche Merkmale in den Klassifizierungsprozess eingebunden, um ge-
zielt Zuweisungen solcher Klassen zu überprüfen, die erhebliche spektrale Überlagerungen
mit anderen aufweisen. Für die pixel- und segmentbezogenen Merkmale
· spektrale Signatur,
· Textur,
· Größe (zusammenhängender Bildbereiche einer Klasse),
· Form und
· Nachbarschaft / Kontext
wurden geeignete Attribute berechnet und in Regelwerken objektklassenspezifische Ent-
scheidungskriterien aufgestellt. Über Konditionalfunktionen wurden die Ergebnisse der Vor-
klassifizierung mit den pixel- und flächenbezogenen Merkmalen verknüpft. Die Klassenzu-
gehörigkeit eines Bildelementes bzw. einer Bildelementgruppe wurde mittels Logikabfragen
entsprechend geprüft und ggf. korrigiert.
Durch die gezielte klassenspezifische Prüfung im lokalen Kontext konnte eine deutliche Ver-
ringerung des für pixelbasierte Klassifizierungen typischen salt-and-pepper - Effekts erreicht
werden. Die Anwendung starrer Filterungen des Gesamtbildes konnte damit umgangen wer-
den.
Die Verfahrensentwicklung zur Nachklassifizierung wurde wiederum mit Modellen umgesetzt
(ERDAS IMAGINE: Spatial Modeler, vgl. Kap. 8.1). Als Eingangsdaten für die Verfahrens-
und Methodenverkettung sind v.a. die Waldmaske, die Ausgangskanäle für die Vorklassifi-
zierung, die jeweiligen Vorklassifizierungsergebnisse (mit Klassencodierung, Schwellenwer-
te) sowie digitale Zusatzdaten für Stratifizierungszwecke (Standortkarte „Dübener Heide“,
DGM „Erzgebirge“) zu nennen.
8.3.1.2.1 Dübener Heide
Für die multispektralen und texturellen Vorklassifizierungen der Waldstrukturklassen wurden
Schwellenwertverfahren, das ML-Verfahren und die ISODATA-Clusteranalyse gewählt. Es
wurden die LANDSAT5-Kanäle TM2, TM3, TM4, TM5 und TM7 sowie die Indizes NDVI und
TM4/TM5 für die spektralen Unterscheidungen genutzt. Auf Basis des aus den panchromati-
schen IRS-1C-Daten berechneten Varianzkanals wurde ein „Rauigkeitskanal“ abgeleitet (u.a.
Mittelwert-Filterung, Eliminierung von Kanteneffekten) und als zusätzliche Texturinformation
im Klassifizierungsprozess eingebunden. Zur Steigerung der Klassifizierungsgenauigkeiten
von unterschiedlichen Laubbaumarten wurde für Stratifizierungszwecke die digitale Stand-
ortkarte einbezogen. Eine Skizzierung des multispektral-texturellen Klassifizierungsprozes-
ses gibt Abbildung 63.
In einer Nachklassifizierung wurden Zuweisungsfehler minimiert und zusätzlich Texturinfor-
mationen zur Verfeinerung der Klassenausweisungen eingebunden.
Klassifizierungsebene 1
In einem ersten Schritt wurden zunächst
· „geschlossene, einschichtige Kiefernwälder“
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
153
mittels Schwellenwerten (nachfolgend: S) separiert. Entsprechende Bestände werden durch
die geringsten Grauwerte in den Infrarotkanälen TM4 und TM5 (< S) wiedergegeben. Eine
verbesserte spektrale Trennung zu aufgelichteten bzw. zweischichtigen Kiefernbeständen,
Nadel-Laub-Mischwäldern sowie Kulturen ermöglicht eine zusätzliche Festlegung im Ratio-
Kanal TM4/TM5 (> S).
In einem zweiten Schritt wurden sehr heterogene Waldklassen von den übrigen bestockten
Flächen abgegrenzt. Hierzu zählen
· „stark aufgelichtete einschichtige Kiefernreinbestände“ und „Kulturen, Blößen“,
die auch untereinander starke Überlagerungen aufweisen. Die besten Resultate konnten
über eine kombinierte Grenzwertfestlegung im Ratio-Kanal TM4/TM5 (< S) und in TM5 (> S)
erzielt werden.
Klassifizierungsebene 2
Innerhalb der geschlossenen, einschichtigen Kiefernwälder konnten mittels Schwellenwert-
bildungen in den Infrarot-Kanälen TM4 und TM5 die Wuchsklassen
· „Kiefer - Dickung“,
· „Kiefer - Stangenholz“ und
· „Kiefer - Baumholz / geschlossen“
voneinander abgegrenzt werden. Zur Vereinfachung kann alternativ auch eine ML-Klassifi-
zierung vorgenommen werden (Kanalauswahl: TM3, TM4, TM5). In der Untersuchung zeig-
ten deren Resultate eine ausgeprägtere räumliche Durchmischung der spektralen Konkur-
renzklassen.
Zur Unterscheidung von sehr heterogenen Waldflächen erfolgte eine ISODATA-Klassifizie-
rung der entsprechenden Bildteile (Kanalauswahl: TM3, TM4, TM5, TM7, TM4/TM5 und
NDVI). Im Vergleich mit Referenzflächen wurden die Spektralklassen am Bildschirm folgen-
den Klassen zugewiesen:
· „Kiefer - Baumholz, einschichtig / locker - licht“,
· „Kiefer - Baumholz, einschichtig / räumdig“,
· „Kultur / Blößen“ (weitere Unterscheidung: „vorwiegend Nadelholz / vegetationsarm“,
„vorwiegend Laubholz / teilweise verbuscht“).
Klassifizierungsebene 3
Die übrigen Bildteile bzw. Waldflächen wurden mittels ML-Verfahren klassifiziert (Kanalaus-
wahl: TM2, TM3, TM4, TM5, TM7 und NDVI). Wegen der spektralen Überlagerungen von
Baumartenklassen wurde unter Berücksichtigung der bekannten Bestockungsverhältnisse im
Untersuchungsgebiet Dübener Heide eine Eintrittswahrscheinlichkeit für einzelne Klassen
festgelegt (a-priori - Wert p als ML-Klassifizierungsparameter). So erfolgte beispielsweise
eine Reduzierung für die nur selten bestandesbildenden Baumarten Birke und Lärche.
Zur weiteren Reduzierung von Fehlklassifizierungen erfolgte eine Stratifizierung. Wegen der
spektralen Überlagerungen der Erlenbestände mit Eichen- und Laub-Nadel-Mischbeständen
wurde auf Basis der digitalen Standortskarte (vgl. Kap. 4.3.3 und 5.3.4) ein potenzielles Er-
len-Verbreitungsgebiet definiert (organische und mineralische Nassstandorte) und zwei
Straten generiert. Die Klasse „Erle“ wurde ausschließlich in der Klassifizierung der kartogra-
phisch erfassten Nassstandorte mit Trainingsgebieten berücksichtigt. Nach Zusammenfüh-
rung der beiden Teilklassifizierungsergebnisse wurden folgende Klassen ausgewiesen:
· (vorwiegend) „Buche“, „Eiche“, „Erle“, „Birke“, „Lärche“,
· „Nadel-Laub-Mischwald“, „Laub-Nadel-Mischwald“,
· „aufgelichtete zweischichtige Kiefernreinbestände“.
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
154
Schwellenwertverfahren
Schwellenwertverfahren Maximum-Likelihood
Eiche
Schwellenwertverfahren
Wald /
baumbestockte Fläche
Kiefer
geschlossen, einschichtig
LEVEL 1
Dickung
Stangenholz
Baumholz
Kiefer
aufgelichtet, einschichtig
übrige
bestocke Fläche
ISODATA
Baumholz
licht
Kultur
(Blößen)
Baumholz
räumdig
Kiefer
Baumholz
zweischichtig
Nadel-Laub-
Mischwald
Lärche Birke Erle
Buche
Laub-Nadel-
Mischwald
Eiche
Buche
Laub-Nadel-
Mischwald
Laubholz
licht/räumdig
LEVEL 2a LEVEL 2b
LEVEL 3
LEVEL 4
Abb. 63: Hierarchische Klassifizierung „Dübener Heide“ - Klassen, Verfahren der Vorklassifi-
zierung
Klassifizierungsebene 4
Durch die Einbindung von Texturinformationen (hier: Rauigkeitskanal) konnte die Klasse
„Laubholz / Altholz (licht - räumdig)“ ausgewiesen werden. Eine multispektrale Abgrenzung
entsprechender Bestände war nicht möglich. Vielmehr erfolgte auf Ebene 3 deren Zuordnung
zu den Klassen „Buche“, „Eiche“ sowie „Laub-Nadel-Mischwald“ (vgl. Abb. 63).
Im Rauigkeitskanal wurden zunächst Bildbereiche mit hohen Varianzwerten separiert (> S).
Hierbei handelt es sich um aufgelichtete und gestufte Laubwälder, Nadel-Laub-Mischwälder
sowie um kontrastreiche Bestandesgrenzen (Nadel- und Laubwald, Wald und Nichtwald,
Schneisen, Wege). Eine Neuzuweisung von Laubwald- und Laub-Nadel-Mischwald-Klassen
erfolgt nur dann, wenn zugleich hohe Varianzen bzw. Rauigkeiten im Textur-Kanal vorliegen.
Die Klassenausweisung ist an die Auswertung hochauflösender panchromatischer Satelli-
tenbilddaten gekoppelt (hier: IRS-1C) und somit optional.
Nachklassifizierungen
In multispektralen Waldklassifizierungen verstärken sich mit zunehmender Verfeinerung des
Klassifizierungsschlüssels auch die Überschneidungen von spektralen Konkurrenzklassen.
Dies führt bei pixelbasierten Verfahren zur Verstärkung des salt-and-pepper-Effekts. Im
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
155
Rahmen der automatischen Nachklassifizierungen wurden daher gezielt Durchmischungen
spektral benachbarter Klassen untersucht und selektive Filterungen im lokalen Kontext vor-
genommen (z.B.: „Kiefer - Dickung" und „Kiefer - Stangenholz", „Kiefer - Baumholz / ge-
schlossen" und „Kiefer - Baumholz / locker-licht", „Erle" und „Eiche"). Bei Dominanz der je-
weiligen Konkurrenzklasse in der unmittelbaren Umgebung des zentralen Pixels erfolgte
dessen entsprechende Klassenneuzuweisung (v.a. Majority-Filter, Fenstergrößen: 3 x 3,
5 x 5), um eine räumliche Entmischung der Konkurrenzklassen zu erreichen. In anderer Um-
gebung wurden Klassenzuweisungen auch einzelner Pixel akzeptiert, wenn spektrale Über-
schneidungen weitgehend auszuschließen sind (z.B. „Buche" im „Kiefer - Stangenholz").
Das Kriterium Flächengröße diente unter anderem zur umgebungsabhängigen Prüfung von
Klassensegmenten (= zusammenhängende Bildelementgruppen einer Klasse, ERDAS IMA-
GINE: clumps). Folgende Beispiele verdeutlichen das Prinzip:
Entlang von Bestandesgrenzen zu Nadelwäldern oder Wirtschaftswegen treten häufig hohe
Varianzen auf. In der Vorklassifizierung aufgelichteter Laubwälder führte dies zu Fehlzuwei-
sungen. Jedes ermittelte Segment muss daher eine Mindestflächengröße aufweisen, lang
gestreckte Formen werden ebenfalls eliminiert.
Wenn ein Klassensegment eine Mindestflächengröße nicht erreicht und von der jeweiligen
spektralen Konkurrenzklasse umschlossen wird, dann wird von einer Fehlklassifizierung
ausgegangen und es erfolgt eine Neuzuweisung. Die Klassifizierungsgenauigkeit konnte
deutlich verbessert werden (u.a. „aufgelichtete Kiefernbestände“ und „Blößen / Kulturen“,
„zweischichtige Kiefernbestände“ - „Nadel-Laub-Mischwald“).
Die Teilklassifizierungen der 4-stufigen Auswertung wurden zu einem Zwischenergebnis ver-
eint (vgl. Abb. 64). Im Unterschied zu herkömmlichen Waldklassifizierungen handelt es sich
hierbei nicht um das Endergebnis. Vielmehr wird im weiteren Klassifizierungsprozess eine
Verbesserung der thematischen und geometrischen Klassifizierungsgenauigkeiten ange-
strebt, indem Informationen hochauflösender panchromatischer Satellitenbilder eingebunden
werden (Kap. 8.3.3).
Auf eine abschließende Filterung der multispektral-texturellen Klassifizierung, wie sie i.d.R.
zur Eliminierung von isolierten Klassenzuweisungen erfolgt (v.a. Median- oder Majority-
Filter), wurde verzichtet, um einen frühzeitigen Informationsverlust durch Filterungseffekte
auszuschließen.
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
156
Abb. 64: Zwischenergebnis der Waldstrukturklassifizierung „Dübener Heide“ (Teilausschnitt)
Laubwald-Klassen sind aus Darstellungsgründen zusammengeführt
weiß: Nichtwald, schwarz: Randpuffer und Inselflächen, unklassifiziert, blau: Gewässer
8.3.1.2.2 Erzgebirge
Für die hierarchische Klassifizierung „Erzgebirge“ wurde die topographisch normalisierte
multispektrale SPOT4-Szene (11.09.98) genutzt. Es wurden die Kanäle HRVIR2, HRVIR3
und HRVIR4 sowie der Ratio-Kanal HRVIR3/HRVIR4 ausgewählt. Ferner wurde das DGM
„Erzgebirge“ als Zusatzinformation eingebunden. Für die Vorklassifizierung wurden Schwel-
lenwertverfahren und das ML-Verfahren (3 Klassifizierungen) angewendet. Eine Übersicht
über den hierarchischen Klassifizierungsprozess wird in Abbildung 65 gegeben.
Zur Verminderung von Fehlzuweisungen wurde im Rahmen der Waldstrukturklassifizierung
auf Trainingsgebiete verzichtet, die als Referenzflächen der Flächenschadstufen 2 oder 3 für
die Waldschadenskartierung erhoben wurden.
Klassifizierungsebene 1
Für die Klassifizierung von Laubwäldern und Mischwäldern wurden mittels ML-Verfahren die
besten Ergebnisse erzielt (Kanalauswahl: HRVIR 2, 3 und 4).
Die Trennung von Laubwäldern und Laub-Nadel-Mischbeständen (50 - 80 %) erwies sich als
unzureichend, sodass diese zu einer Klasse zusammengeführt wurden. Da im Erzgebirge
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
157
der Arbeitsschwerpunkt auf die Analyse von Nadelwäldern gelegt wurde, stand jedoch die
sichere spektrale Separierung von Nadelholzreinbeständen im Vordergrund, die mit Hilfe der
genannten Konkurrenzklassen unterstützt wurde. Als Klassen wurden
· „Laubholz / Laub-Nadel-Mischwald“ und
· „Nadel-Laub-Mischwald“
ausgewiesen. Die übrigen Bildbereiche blieben undifferenziert.
Maximum-Likelihood
LEVEL 2
Nadelholz (BG: >60%)
Nadelholz (BG: <60%)
sonst. Flächen
Maximum-Likelihood
Wald /
baumbestockte Fläche
Laubolz
Laub-Nadel-Mischwald
LEVEL 1
Nadel-Laub-Mischwald
Nadelholz
sonst. Flächen
Schwellenwertverfahren
Blößen
LEVEL 3b
Fichte
Baumholz
BG: 40-60%
Fichte
Baumholz
BG: 20-40%
Fichte
Baumholz
BG: <20%
Jungwuchs
Sukzession
vegetationsarme
Flächen
Maximum-Likelihood
Fichte
mittl./st. Baumholz
Fichte
ger. Baumholz
LEVEL 3a
Fichte
Stangenholz
Fichte
schw. Stangenholz
Lärche
(vorw. Dickung)
Nadelholz
Dickung
Abb. 65: Hierarchische Klassifizierung „Erzgebirge“ - Klassen, Verfahren der Vorklassifizie-
rung
BG: Beschirmungsgrad
Klassifizierungsebene 2
In einer ML-Klassifizierung (Kanalauswahl: HRVIR-Kanäle 2, 3, 4 sowie HRVIR3/HRVIR4)
erfolgte die Separierung der Kategorien
· „geschlossene Fichten-/ Nadelholzbestände“ (Beschirmungsgrad: > 60 %) und
· „aufgelichtete Fichtenbestände (Beschirmungsgrad: < 60 %)“, „Jungwuchs und
Sukzession“, „vegetationsarme Flächen“, „Blößen“,
um diese im weiteren Klassifizierungsprozess getrennt voneinander zu klassifizieren.
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
158
Da die Grauwerteverteilungen von Trainingsgebieten der unbestockten oder aufgelichteten
Waldflächen aufgrund der spektralen, kleinräumigen Heterogenität nur teilweise die statisti-
schen Voraussetzungen für die Anwendung des ML-Verfahrens aufweisen (v.a. Normalver-
teilung der Grauwerte), wurde die Eintrittswahrscheinlichkeit entsprechender Klassen herab-
gesetzt (a-priori - Wert p = 0.7). Die Separierung der geschlossenen Fichtenbestände wurde
somit deutlich verbessert. Eine sichere Grobabgrenzung gewährleistete zudem die Hinzu-
nahme des Ratio-Kanals, da dieser besonders sensibel auf Unterschiede im Beschirmungs-
grad (Auflichtungen) reagiert (vgl. Kap. 8.2.2.1.2).
Klassifizierungsebene 3(a)
Mittels ML-Verfahren erfolgte die Detailklassifizierung der geschlossenen Nadelwälder (Be-
schirmungsgrad: > 60 %) nach Wuchsklassen. Ausschließlich Trainingsgebiete der verschie-
denen geschlossenen Nadelholzklassen wurden dem Klassifikator übergeben. Durch den
Verzicht auf den Ratio-Kanal und die Verwendung der HRVIR-Kanäle 2, 3 und 4 konnten die
besten Resultate erzielt werden. Unterschieden wurden die Klassen
· „Fichte - Baumholz“ (Beschirmungsgrad: > 60 %),
· „Fichte - geringes Baumholz“,
· „Fichte - Stangenholz“,
· „Fichte - schwaches Stangenholz“.
Eine Abgrenzung von Fichten-Dickungen war aufgrund der starken spektralen Überlappun-
gen mit anderen Nadelbaumarten (u.a. Blaufichte - picea pungens glauca, Murraykiefer -
pinus contorta, Lärche) nicht möglich, sodass eine Klasse
· „Nadelholz-Dickung“
gebildet wurde.
Klassifizierungsebene 3(b)
Die übrigen Bildbereiche setzen sich zusammen aus aufgelichteten Fichtenreinbeständen,
Jungwuchs-/ Sukzessionsflächen, Blößen und anderen vegetationsarmen Flächen. Für die
Abgrenzung dieser spektral sehr heterogenen Waldklassen, die auch untereinander starke
spektrale Überlagerungen aufweisen, wurden die Vorzüge der Schwellenwertverfahren ge-
nutzt. Die Trennung der einzelnen Klassen erfolgte schrittweise in der nachfolgend beschrie-
benen Reihenfolge unter Verwendung der Infrarot-Kanäle HRVIR3 und HRVIR4, des Ratio-
Kanals HRVIR3/HRVIR4 sowie der Vorklassifizierungsergebnisse der Ebene 2:
· „Vegetationsarme Flächen“ und „Fichte - Baumholz (< 20 %)“ konnten im Ratio-Kanal
von anderen Klassen getrennt werden (< S), da diese Flächen durch die niedrigsten
Grauwerte wiedergegeben werden. Eine zufriedenstellende Separierung der räumdigen
und lückigen Fichtenreinbestände von vegetationsarmen Flächen (u.a. Fels, Bereiche mit
geringem Bodenbedeckungsgrad, teilweise Wege) konnte in HRVIR3 erzielt werden
(< S).
· Zur Erfassung von unbestockten Flächen, vorwiegend „Blößen“, wurden geeignete
Grenzwerte im Ratio-Kanal (< S) und in HRVIR3 (> S) festgelegt. Dadurch konnte eine
grobe spektrale Abgrenzung zu Jungwuchs- und Sukzessionsflächen sowie aufgelichte-
ten Fichtenbeständen erzielt werden.
· Durch die Separierung von Blößen und vegetationsarmen Flächen einerseits und der
bereits auf Klassifizierungsebene 2 erfolgten Abgrenzung zu Dickungen andererseits, re-
sultiert die indirekte Ableitung der Klasse „Jungwuchs / Sukzession“.
· Für die Erfassung der Beschirmungsgradklassen „Fichte - Baumholz (40 - 60 %)“ und
„Fichte - Baumholz (20 - 40 %)“ innerhalb der verbleibenden Bildbereiche wurden wie-
derum zunächst die Ergebnisse der Klassifizierungsebene 2 herangezogen. Im Ratio-
Kanal wurde ein sicherer Schwellenwert festgelegt, anhand dessen eine Neuzuweisung
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
159
der vorklassifizierten Daten erfolgte und zur Erhöhung der Trennungsgenauigkeit beider
Klassen beitrug.
Nachklassifizierungen
Die Überprüfung und räumliche Entmischung von spektralen Konkurrenzklassen entsprach
der methodischen Vorgehensweise, wie sie bereits für die Waldklassifizierung „Dübener Hei-
de“ beschrieben wurde.
Innerhalb von älteren Fichtenbeständen (Baumholz) wurden die Zuweisungen der Beschir-
mungsgradklassen von kontextbasierten Prüfungen ausgenommen, da deren mehr oder
weniger starke räumliche Durchmischung der real vorhandenen Variabilität im horizontalen
Aufbau aufgelichteter Fichtenbestände nahe kommt.
Im Bereich der Kammlagen konzentrierten sich Fehlklassifizierungen zwischen aufgelichte-
ten Fichtenbeständen und der Klasse „Nadel-Laub-Mischwald“. Da Mischwaldbestände in
diesen Höhenlagen eine geringe Verbreitung aufweisen, erfolgte die Einbindung von Gelän-
dehöheninformationen (DGM) zur Eliminierung dieser Fehler.
Für die Erfassung der vorwiegend auf angrenzendem tschechischem Gebiet verbreiteten
Klasse „Moore“ wurden die Kartierungsergebnisse aus einer früheren Auswertung (REUTHER
et al. 1996) in die aktuelle Klassifizierung integriert.
Die Teilergebnisse der drei Klassifizierungsstufen wurden zusammengeführt und einer ab-
schließenden automatischen Nachbearbeitung unterzogen (Kap. 8.3.3.2). Bildelemente, de-
ren Grauwertkombinationen eine sichere Klassenzuweisung nicht erlaubte, wurden als „nicht
klassifiziert“ festgelegt. Das Klassifizierungsergebnis zeigt Abbildung 77 (Kap. 8.3.3.2).
8.3.2 Segmentierung von panchromatischen Satellitenbilddaten
Im Rahmen der visuellen Interpretation werden innerhalb eines Bildes - aufgrund von Kon-
trasten, Kanten, Linien, Farben und Texturunterschieden - Untereinheiten erkannt (z.B. Ob-
jekte, Figuren, Hintergrund). Die menschlichen Wahrnehmungsfähigkeiten erlauben, selbst
unvollständige Objekte oder Figuren zu Ganzheiten zu ergänzen. Diese komplexen Vorgän-
ge werden auch als „flächenhafte Gliederung" bezeichnet. In der digitalen Bildanalyse ent-
spricht dies näherungsweise der Bildsegmentierung (ALBERTZ 1999).
Die rechnergestützte Segmentierung soll das Bild räumlich strukturieren und in Bereiche
unterteilen, die in der realen Welt eine Bedeutung haben. Diese Segmente entsprechen
räumlich zusammenhängenden Mengen bzw. Gruppierungen von Pixeln. Die zahlreichen
Segmentierungsverfahren können nach den Kriterien
· Homogenität innerhalb eines Segmentes,
· Verschiedenheit / Trennstärke räumlich angrenzender Segmente sowie
· Formhomogenität (Segmentgrenzen)
eingeteilt werden. In den unterschiedlichen Ansätzen werden jeweils bestimmte Kriterien
besonders betont (BLASCHKE 2000).
Die Abgrenzung von homogenen Objekten bzw. Segmenten stellt i.d.R. die Basis für weitere
Bearbeitungsschritte dar. Spektrale, texturelle und strukturelle Eigenschaften sowie Form-
merkmale der extrahierten Objekte erlauben anschließend deren Zuordnung zu themati-
schen Klassen. BLASCHKE (2000) sieht hierin einen wesentlichen Vorteil gegenüber den pi-
xelweise arbeitenden Klassifizierungsverfahren, da für die objektbasierte Auswertung
Nachbarschaftsbeziehungen zwischen Bildelementen - sowohl bei der Segmentbildung als
auch bei der anschließenden Klassifizierung - berücksichtigt werden können. Im Segmentie-
rungsprozess kann zudem Vorwissen über relevante Bildinhalte eingebracht werden. Die
Klassifizierung der Segmente erfolgt zumeist regelbasiert (u.a. mittels Konditionalfunktionen
oder fuzzy-logic - Ansätzen).
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
160
In forstlichen Studien gewinnt die Entwicklung und Anwendung von Segmentierungsverfah-
ren bzw. objektbasierten Klassifizierungsansätzen zunehmend an Bedeutung. Im Rahmen
des Teilprojektes Forst des österreichischen MISSION-Programms wurde ein regionen-
basiertes Segmentierungsverfahren unter anderem zur Waldflächenerfassung aus LAND-
SAT-TM-Daten angewendet (BANKO et al. 1998). Für die Auswertung höchstauflösender
Daten des flugzeuggetragenen DPA-Sensors entwickelten BUCK et al. (1999) sowie DE KOK
et al. (1999) hierarchische objektorientierte Klassifizierungsverfahren. Neben konventionellen
Methoden konnte auch auf moderne Segmentierungsansätze (hier: Fractal Net Evolution,
implementiert im Softwareprodukt eCognition) zurückgegriffen werden. Schrittweise wurden
so genannte Unterobjekte (u.a. Schatten, Baumkronenteile, Boden) zu komplexeren forstre-
levanten Objekten aggregiert.
In der vorliegenden Arbeit wird der Segment-Begriff sowohl für Regionen (flächenhafte Glie-
derung im engeren Sinne) als auch für linienhafte Objekte verwendet. Innerhalb von Wald-
gebieten werden Forstwirtschaftswege (teilweise Rückegassen), Trassen des Schienen- und
Straßennetzes sowie Stromleitungstrassen vorwiegend als Linien abgebildet. Es handelt sich
jeweils um flächenhafte Objekte der realen Welt, die in den Bilddaten einerseits wegen ihrer
Form und andererseits aufgrund der räumlichen Auflösung des verwendeten Aufnahmesys-
tems als Pseudo-Linien wiedergegeben werden. Nachfolgend sollen daher die extrahierba-
ren Bildbereiche nach Liniensegmenten und Flächensegmenten unterschieden werden.
Die Verfahrensentwicklung zur Erfassung von forstlichen Details mittels Segmentierung von
panchromatischen Satellitenbilddaten erfolgte am Beispiel einer IRS-Szene vom 2. Juni 1997
(UG Dübener Heide). Die Vorzüge der räumlich hochauflösenden Daten sollten hierbei ge-
nutzt werden
· zur Verbesserung der geometrischen Erfassungsgenauigkeiten von relevanten Objekten
und Objektarten,
· zur Verbesserung der thematischen Trennung von Waldklassen (Ergebnisse der hierar-
chischen Klassifizierung) und
· zur Reduzierung von Fehlklassifizierungen durch die Lokalisierung von Mischpixeln.
Ferner wurde überprüft, inwieweit das Wirtschaftswegenetz automatisiert erfasst werden
kann.
Die Bildsegmentierung wird in zwei Erfassungsstufen aufgeteilt:
· linien- und kantenbasierte Segmentierung:
Erfassung von abgebildeten Wegen bzw. Schneisen mittels Linien- und Kantendetektion
- Liniensegmente (Kap. 8.3.2.1).
· regionenbasierte Segmentierung:
Abgrenzung von Beständen und Bestandesteilen - Flächensegmente, mit Integration von
zuvor extrahierten Liniensegmenten (Kap. 8.3.2.2).
Die digitalen Auswertungen erfolgten ausschließlich innerhalb der Waldmaske.
8.3.2.1 Linien- und kantenbasierte Segmentierung
Die automatische oder halbautomatische Extraktion von Objekten aus digitalisierten Luftbil-
dern ist Thema in zahlreichen Forschungsarbeiten. Bereits die vermeintlich einfache Erfas-
sung von Straßen stellt jedoch hohe Anforderungen an die Algorithmik zur Mustererkennung
und an die objektbezogene Theorie- bzw. Modellbildung (u.a. BAUMGARTNER et al. 1999). Die
Verfahren erlangen gegenwärtig erst ansatzweise die prä-operationelle Reife. In der vorlie-
genden Arbeit werden Ansätze aus der automatischen Luftbildanalyse aufgegriffen und für
die Extraktion von Wirtschaftswegen und Schneisen aus hochauflösenden Satellitenbildda-
ten genutzt.
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
161
Um Objekte aus Satelliten- oder Luftbildern extrahieren zu können, müssen diese zunächst
über ihre charakteristischen Eigenschaften, sowohl in der realen Welt als auch im Satelliten-
bild, beschrieben werden. Hierzu dienen zumeist die Merkmale Geometrie, Form, Oberflä-
chenmaterialien und spektrale Reflexionseigenschaften sowie der lokale Kontext. Die spezi-
fischen Ausprägungen im jeweiligen Untersuchungsgebiet sind zudem in besonderem Maße
zu beachten. Für die Erfassung von Waldwegen und -schneisen in der Dübener Heide gilt
Folgendes:
· Wege (v.a. Wirtschaftswege) sind teilweise beschattet oder gänzlich von Baumkronen
verdeckt. Das Wegematerial besteht vorwiegend aus Schotter bzw. weist einen hohen
Sandanteil auf. Beleuchtete Abschnitte weisen folglich hohe Reflexionswerte im Spek-
trum des sichtbaren Lichts auf. Das Wegenetz ist topographisch bedingt vorwiegend ge-
radlinig angelegt. Unter geometrischen Aspekten ist der Übergang von Wirtschaftswegen
und Schneisen (u.a. Verkehrswege, Stromleitungstrassen) fließend. Die Oberflächenbe-
deckungsart von Waldschneisen ist allerdings sehr uneinheitlich und spektral heterogen.
Jungwuchsflächen wechseln mit krautiger Vegetation und Blößen sowie vegetations-
armen Bereichen.
· In der panchromatischen IRS-Szene sind Wege und Schneisen als mehr oder weniger
lang gestreckte „Linien“ abgebildet. Mit zunehmender Breite treten diese aber auch als
bandartige „Flächen“ hervor, die von mehr oder weniger parallelen Kanten seitlich be-
grenzt werden (vgl. Abb. 66). Im Vergleich zu ihrer Umgebung sind beide Objekte meist
heller. Dunkle Linienstrukturen deuten auf beschattete Wege (-abschnitte) hin. Wegen
der begrenzten Bodenauflösung des Sensors wird in den Bilddaten allerdings nur ein Teil
des gesamten Wegenetzes sicher abgebildet. Partiell klaffen mehr oder weniger große
Lücken, in denen helle oder dunkle linienhafte Strukturen fehlen.
Dank der enormen Flexibilität und Leistungsfähigkeit des menschlichen Wahrnehmungs-
vermögens ist mittels „visueller Mustererkennung“ ein weitaus größerer (unsicherer) Teil
des Wegenetzes im Kontext erkennbar.
Breite (Pixel)
Pixel
Linie (parallele)
Kante
Erfassung als
Objektabbildung
Abb. 66: Kombinierte Linien- und Kantendetektion zur Erfassung von linienhaften hellen Ob-
jekten in panchromatischen Satellitenbilddaten - das Grundprinzip
Für die automatische Erfassung von Wegen und Schneisen wurde daher eine Strategie ent-
wickelt, in die neben Objektmerkmalen auch der lokale Kontext einfließt. Hierzu wird ein An-
satz von BAUMGARTNER et al. (1999) zur automatischen Straßenextraktion in Luftbildern auf-
gegriffen.
Der Grundgedanke des Verfahrens besteht darin, zunächst die am einfachsten und sichers-
ten erkennbaren Abschnitte des Wegenetzes bzw. der Schneisen zu extrahieren. In einem
iterativen Prozess erfolgt deren schrittweise Verlängerung und Lückenschließung unter Ein-
beziehung von unsichereren Abschnitten. Die Basis für die Objekterfassung bildet einerseits
die Extraktion von hellen Linien und andererseits die von (parallelen) Kanten.
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
162
8.3.2.1.1 Linien- und Kantendetektion
Liniendetektion
Wege und Schneisen von geringer Breite (< 15 - 20 m) werden im panchromatischen IRS-
Bild als linienhafte Strukturen wiedergegeben. Als besonders geeignet für deren Detektion
erwies sich der in HALCON/HDEVELOP implementierte Linienextraktor Lines_gauss
(MVTEC 2000). Der Verfahrensansatz lässt sich folgendermaßen skizzieren:
In jedem Bildpunkt werden unter Verwendung der partiellen Ableitungen einer Gauß-
schen Glättungsmaske die Parameter eines quadratischen Polynoms in x und y be-
rechnet. Mit Hilfe dieser Parameter wird in jedem Bildpunkt die Linienrichtung be-
stimmt. Bildpunkte, die ein lokales Maximum in der zweiten Richtungsableitung senk-
recht zur Linienrichtung besitzen (Gradientenbetrag), werden als Linienpunkte markiert.
Diese werden zu Konturen zusammengefasst. Durch die Festlegung von zwei
Schwellenwerten werden sichere Linienpunkte (> obere Grenze) ermittelt und andere
verworfen (< untere Grenze). Alle Punkte, deren zweite Ableitung innerhalb dieses
Werteintervalls liegt (unsichere Linienpunkte), werden akzeptiert, wenn sie durch einen
„Pfad" mit sicheren Punkten verbunden sind. Das Prinzip entspricht dem eines Hyste-
rese-Schwellenwertverfahrens (vgl. CANNY 1986 sowie Kap. 8.3.1.2).
Als Ergebnis der Liniendetektion resultierten Linien unterschiedlichster Längen, Formen,
Helligkeit und Ausrichtungen (vgl. Abb. 68). Das Wegenetz konnte erwartungsgemäß nur in
Teilen erfasst werden. Einzelne Abschnitte wurden von Lücken unterbrochen. Neben siche-
ren Wegen wurden vereinzelt auch waldbauliche Strukturen als helle Linien erfasst (u.a.
streifenweise Mischung von Laub- und Nadelbäumen). Innerhalb von aufgelichteten Laub-
holzbeständen bildeten sich Pseudo-Linien infolge der bestandestypischen Beleuchtungs-
situation. Als besonders nachteilig erwies sich die Bildstreifung der IRS-Daten (vgl. Kap.
4.1.2.1). Die Bildstörungen verhinderten eine optimale Parametrisierung der Operatoren,
sodass die potenziellen Möglichkeiten der Liniendetektion nicht vollständig ausgeschöpft
werden konnten.
Kantendetektion
Breitere Wege und Schneisen werden im Bild als flächenhafte Objekte abgebildet. Die meist
lang gestreckten bandförmigen Objekte werden von mehr oder weniger parallelen Grauwert-
kanten begrenzt. Parallelität ist somit ein wichtiges Erfassungsmerkmal. Für die Extraktion
von Stufenkanten wurde das Programm edges_sub_pix (MVTEC 2000) ausgewählt. Als
Kantenoperator wurde ein darin integrierter rekursiver Filter verwendet (LANSER & ECKSTEIN
1991).
Das Prinzip:
Für jeden Kantenpunkt werden zunächst die Parameter Kantenrichtung und Kanten-
amplitude über die Gaußsche Glättungsmaske definiert. Die einzelnen Kantenpunkte
werden danach über ihre Amplitudenwerte mittels Schwellenwertoperationen in glei-
cher Weise miteinander verknüpft, wie dies bereits bei der Linienextraktion beschrie-
ben wurde (hier: sichere und unsichere Kantenpunkte).
Mittels Kantenextraktion wurden neben Schneisenbegrenzungen und Teilen des Waldwege-
netzes auch Bestandes- und Waldränder flächenscharf erfasst (vgl. Abb. 69). Geschlossene
Abgrenzungen von Beständen traten nur in Einzelfällen auf. Innerhalb von stark aufgelichte-
ten Kiefern- und Laubbaumbeständen führten die teilweise starken Kontraste ebenfalls zur
Ableitung von kurzen, gekrümmten Kanten. - Das entwickelte Programm zur automatischen
Detektion von Stufenkanten findet sich im Anhang dieser Arbeit.
Aus der Vielzahl der detektierten Linien und Kanten mussten nachfolgend jene selektiert
werden, die charakteristische Merkmale der Objekte „Weg“ und „Schneise“ aufwiesen.
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
163
8.3.2.1.2 Extraktion von Wirtschaftswegen und Schneisen
In einem iterativen Verfahren wurden die detektierten Linien und Kanten als potenzielle Kan-
didaten für Wege- bzw. Schneisenabschnitte akzeptiert oder verworfen. Hierbei wurde eine
maximale Verkettung und Lückenschließung angestrebt.
Basis: Linien
Als sicherste Kandidaten für Wege und Schneisen wurden in einem ersten Schritt sehr helle
oder lange Linien selektiert. Charakteristisch sind jedoch die gerichteten Abfolgen von extra-
hierten Linien unterschiedlicher Länge und Lücken, die sich aus dem Wechsel von beleuch-
teten, beschatteten und verdeckten Wegabschnitten bzw. der Bodenauflösung des Sensors
ergeben. Zur Schließung der Lücken sind daher größere Abstände zu überbrücken. Um aus
der Vielzahl von Kandidaten eine sichere Selektion und Verkettung zu erreichen, wurde im
iterativen Ansatz die Richtungskomponente besonders betont (vgl. Abb. 67):
· Zunächst erfolgte eine Aufsplittung der Linien an Knickpunkten und die abschnittsweise
Neuberechnung der jeweiligen Ausrichtungen. Dies ermöglichte eine schrittweise Linien-
selektion nach insgesamt acht, einander geringfügig überlagernder Richtungssektoren.
Splitting
Parameterberechnung
Extraktion
sicherer „Kandidaten“
1 - 8
(Richtungskategorien)
1 - 6
OUTPUT:
„Wege / Schneisen“
INPUT:
Ergebnis der Linienextraktion
Auswahl
(nach Richtungssektoren)
Linienverkettung
Parameterneuberechnung
Extraktion
sicherer „Kandidaten“
Abb. 67: Ermittlung von Wegen und Schneisen auf Basis extrahierter Linien - Ablaufschema
schwarz: Linien, Liniensegmente (extrahiert, gesplittet, verkettet)
grau, weiß: Waldfläche, existierendes Waldwegenetz und Schneisen („reale Welt“)
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
164
· Für jedes Linien-Set wurden zunächst sichere Kandidaten mittels geometrischer (u.a.
Länge, Anisometrie / Krümmung) und spektraler Kriterien ermittelt. Im ersten Iterations-
schritt wurden diese als unterbrochene Linien betrachtet und bei minimaler Winkelabwei-
chung bis zu einem maximalen Endpunktabstand (< 50 m) verkettet.
· In den nachfolgenden Iterationen wurde vom Ideal der Geraden zunehmend abgewichen,
um auch leicht gekrümmte Linien zu selektieren. Hierzu wurden Parameterkombinationen
der Merkmale Winkelmaß, (Achs-/ Endpunkt-) Abstand, Rundheit und Anisometrie in ge-
eigneter Weise verändert.
Nach jeder Richtungsanalyse wurden somit sichere Kandidaten separiert. Unsichere wurden
abgelehnt und aus der verbleibenden Linienschar eliminiert. Die Ergebnisse der automati-
schen sektorenweisen Extraktion wurden zu einem Gesamtergebnis „Wege und Schneisen /
Linien" zusammengeführt (vgl. Abb. 68).
Abb. 68: Automatische Linienextraktion und Erfassung von Wegen und Schneisen („Kandi-
daten“) in panchromatischen IRS-Daten - ausgewählte Zwischenschritte
Analyse innerhalb der Waldfläche; Input: IRS-1C / PAN und Waldmaske
oben, links: Detektion heller Linien (Linienextraktor: lines_gauss, Softwarepaket HALCON)
oben, rechts: erste Verkettungen, Vorselektion von „Kandidaten“
unten, links: Verkettung von Linien und Selektion von Kandidaten innerhalb eines Richtungssektors
unten, rechts: Gesamtergebnis / UG Dübener Heide (hier: Teilausschnitt)
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
165
Basis: Kanten
Aus der Vielzahl der Stufenkanten wurden Kantenpaare mit mehreren Gruppierungsregeln
selektiert, mit denen breitere Wege- und Schneisenabschnitte relativ sicher erkannt werden
(vgl. Abb. 69): Die Kanten müssen näherungsweise parallel zueinander liegen, dürfen einen
maximalen Abstand nicht überschreiten und müssen eine spektral homogene Fläche ein-
schließen, die heller als ihre unmittelbare Umgebung reflektiert. Für entsprechende Kanten-
bereiche, die die genannten Kriterien erfüllen, wurden jeweils Parallelen gebildet. Diese um-
schließen Flächen bzw. Bildteile, die i.d.R. sichere Ausgangsbereiche für die nachfolgende
Expansion und Lückenschließung darstellen.
Abb. 69: Automatische Kantenextraktion und Erfassung von Wegen und Schneisen („Kandi-
daten“) in panchromatischen IRS-Daten - ausgewählte Zwischenschritte
Analyse innerhalb der Waldfläche; Input: IRS-1C / PAN und Waldmaske
oben, links: Detektion von Stufenkanten (Kantenoperator: edges_sub_pix, Softwarepaket HAL-
CON)
oben, rechts: Vorselektion von „Kandidaten", Ermittlung von parallelen Kantenabschnitten
unten, links: Verkettung von Kanten, Selektion von „Kandidaten" innerhalb eines Richtungssektors
unten, rechts: Gesamtergebnis der automatischen Erfassung; rot: Gesamtheit der extrahierten
Kanten, grün: „Kandidaten" / UG Dübener Heide (hier: Teilausschnitt)
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
166
Die iterative Verlängerung und Verkettung der teilweise kurzen Kantenabschnitte erfolgte
über geometrische (u.a. Richtung, Abstand, Breitenverhältnis) und spektrale (mittlerer Grau-
wert, Standardabweichung) Kriterien entlang der mit diesen sicheren Abschnitten verbunde-
nen Kanten. Räumlich isolierte und stark gekrümmte Kanten wurden vorab eliminiert (lücken-
hafte Erfassung von Waldaußenrändern und Bestandesgrenzen, Bestandeslücken usw.).
Zunächst wurden unmittelbar angrenzende Abschnitte miteinander verbunden. Die weitere
Expansion erfolgte in Richtung der von benachbarten Kanten umschlossenen Fläche. Jeder
Iterationsschritt führte durch die Akzeptanz oder die Ablehnung von Kanten und Kantenab-
schnitten zur Ausdünnung der verbleibenden potenziellen Kandidaten. - Das Programm zur
Ableitung von Schneisen findet sich im Anhang dieser Arbeit.
Diese Vorgehensweise berücksichtigt die Variabilität des zu erfassenden Objektes „Schnei-
se“: Bereits durch kleinflächige Ausbuchtungen und Breitenunterschiede, Schattenwurf und
Verdeckungen, Veränderungen in der Oberflächenbedeckungsart usw. werden benachbarte
Kanten innerhalb solcher Schneisenabschnitte als unsicher eingestuft, da nicht alle Kriterien
erfüllt werden.
Zusammenführung und Nachbereitung
Die Selektionsergebnisse aus der Linien- und Kantenextraktion wurden zusammengeführt
und homogenisiert (vgl. Abb. 70). Die aufgerasterten Linien wurden zuvor auf eine mittlere
Breite von ca. 15 m ausgedehnt. Abschließend wurden die automatisch extrahierten Wege
und Schneisen am Bildschirm den hochauflösenden IRS-Daten überlagert und fehlerhaft
selektierte Flächen interaktiv eliminiert.
Abb. 70: Ergebnis der automatischen Erfassung von Wegen und Schneisen
rot: Ergebnis der kantenbasierten Selektion (vorwiegend Schneisen, breitere Wege)
gelb: Ergebnis der linienbasierten Selektion (vorwiegend Wege, ggf. Straßen)
Nachbearbeitung zur Eliminierung von vereinzelten Fehlkartierungen erforderlich
8.3.2.1.3 Ergebnis der linien- und kantenbasierten Segmentierung
Die Extraktion von Wegen und Schneisen innerhalb von Wäldern stößt rasch an Grenzen. In
der panchromatischen IRS-Szene ist das Wegenetz erwartungsgemäß nur in Teilen automa-
tisch erfassbar. Einerseits ist die räumliche Auflösung des Sensors für diese Aufgabe nur
bedingt ausreichend, andererseits verhindern Verdeckungen durch das Kronendach vielfach
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
167
die Detektion „von oben“. Die Erfassungsprobleme dieser vermeintlich „einfachen“ linienhaf-
ten Bildobjekte verdeutlichen, welch hoher Forschungsaufwand auf dem Gebiet der automa-
tischen Mustererkennung weiterhin zu leisten ist, um die komplexen Vorgänge der visuellen
Wahrnehmung mit Algorithmen und Regeln abzubilden.
Die erzielten Ergebnisse sind jedoch innerhalb der Waldstrukturklassifizierung von zentraler
Bedeutung. Wegen des geringeren räumlichen Auflösungsvermögens von multispektralen
Sensoren (u.a. TM, LISS3, HRVIR) werden Wege und Schneisen nur marginal erfasst. Diese
Objekte können die vom Sensor empfangenen Reflexionswerte in hohem Maße modifizieren.
Die resultierenden Mischpixel können zu erheblichen Fehlklassifizierungen von angrenzen-
den Waldbeständen führen. Eine spektrale Abgrenzung dieser Bildbereiche ist zumeist nur
unzureichend möglich. Die aus panchromatischen Szenen extrahierbaren Waldwege und
Schneisen ermöglichen nun die Lokalisierung und damit auch die Eliminierung von Misch-
pixeln innerhalb von Multispektraldaten (hier: IRS-1C / PAN und LANDSAT-TM). Die Infor-
mationsgewinnung aus den hochauflösenden Satellitenbilddaten trägt somit zu einer verbes-
serten multispektralen Waldstrukturklassifizierung bei (vgl. Abb. 58).
Die Extraktionsergebnisse wurden in die Maske „Wald / baumbestockte Fläche“ integriert
(vgl. Kap. 8.3.1.1). Diese verbesserte Waldabgrenzung bildete die Grundlage für die multi-
spektral-texturelle Waldklassifizierung und für die nachfolgend beschriebenen Bildsegmentie-
rungen (vgl. Abb. 71).
Kantensegmentierung
„parallele Kanten“
„Wege und
Schneisen“
„Wege und
Schneisen“
IRS-1C / PAN
IRS-1C / PAN Waldmaske
- grob -
Waldmaske
- grob -
Waldmaske
- fein -
Waldmaske
- fein -
Hierarchische
Klassifizierung /
Regionenbasierte
Segmentierung
Hierarchische
Klassifizierung
Linien- und kantenbasierte
Segmentierung
Automatische Erfassung
abgebildeter Wirtschaftswege u. Schneisen
IRS-1C / PAN
„Wald“
IRS-1C / PAN
„Wald“
Maskierung
Liniensegmentierung
„helle Linien“
visuelle Nachbearbeitung
Integration /
Ergänzung
Abb. 71: Einbindung der linien- und kantenbasierten Segmentierung im Klassifizierungspro-
zess - vereinfachtes Ablaufschema
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
168
8.3.2.2 Regionenbasierte Segmentierung
Ein Großteil der Segmentierungsverfahren im Bildraum lässt sich folgenden Kategorien zu-
ordnen:
· kantenbasierte Verfahren:
Hierbei werden mit Hilfe von Gradienten-Operatoren innerhalb des Bildes Kanten ermit-
telt und diese zu Gruppen zusammengefasst. Es wird angenommen, dass Segmentgren-
zen vorrangig von Diskontinuitäten dargestellt werden.
· regionenbasierte Verfahren:
Bei diesen Ansätzen wird vorrangig von der „Fläche“ ausgegangen. Mittels Homogeni-
täts- bzw. Ähnlichkeitskriterien werden benachbarte Pixel zu Regionen zusammenge-
fasst.
BLASCHKE (2000) weist darauf hin, dass regionenbasierte Verfahren als toleranter gegenüber
Bildstörungen gelten. Ferner sei die Homogenität von Segmenten bei rein kantenbasierten
Verfahren nicht automatisch garantiert.
Im Hinblick auf die radiometrischen Defizite der IRS-Daten sowie der Nutzbarkeit kommer-
zieller Softwarelösungen zum Zeitpunkt der Auswertungen wurde ein regionenbasiertes
Verfahren ausgewählt (Kap. 8.3.2.2.1). Zur Verfeinerung der Flächensegmentierung erwies
sich die Einbindung eines Schwellenwertverfahrens als geeignet (Kap. 8.3.2.2.2). Ein Ab-
laufschema des Segmentierungsverfahrens gibt Abbildung 72.
Vor der Segmentierung erfolgte eine nichtlineare Glättung der panchromatischen IRS-Daten
mit einem Sigma-Filter, um eine Reduzierung von störenden Bildstreifungen zu erreichen.
Innerhalb eines lokalen Fensters wird hierbei für jeden Umgebungspunkt dessen Standard-
abweichung vom Grauwert des jeweils aktuellen zentralen Bildelementes ermittelt. Falls alle
Differenzen über einem Schwellenwert liegen, wird der Grauwert des Zentralpunktes unver-
ändert übernommen. Trifft dies nicht zu, werden Umgebungspunkte, deren Standardabwei-
chungen unter dem Grenzwert liegen, zur Neuberechnung des Zentralpunktes verwendet.
Hierzu erfolgt eine Mittelwertbildung der ausgewählten Punkte. Bildbereiche mit geringen
Standardabweichungen werden somit stärker geglättet, solche mit hohen Standardabwei-
chungen bleiben nahezu unverändert. Die Filterung wirkt folglich kantenerhaltend und
zugleich homogenisierend. Im vorliegenden Fall trug dieses Verfahren zur deutlichen Unter-
drückung der störenden Bildstreifungen bei.
8.3.2.2.1 Ermittlung von Grobsegmenten (1. Segmentierungsebene)
Als geeignetes Segmentierungsverfahren hat sich ein Flächenwachstumsalgorithmus erwie-
sen (region-growing, MVTec 2000). Ausgehend von vorgegebenen Startpunkten (seed oder
„Saatzelle") führt der Operator ein Flächenwachstum mit Mittelwertbildung aus. Es werden
Regionen auf Basis von Grauwertunterschieden erzeugt. Zu jedem Zeitpunkt des Wachs-
tumsprozesses ist der mittlere Grauwert der bisherigen Region bekannt. Die Grauwerte der
Randpunkte werden mit diesem verglichen und zur Region hinzugefügt, falls der Grauwert
innerhalb eines Toleranzbereiches liegt. Nach jeder neu entstandenen Region wird der
Wachstumsprozess mit dem ersten, bisher unbearbeiteten Bildelement fortgesetzt.
Die gebildeten Regionen wurden in einer zweiten Bearbeitungsstufe durch weitere Bildope-
ratoren verbessert. Eine Expansion und Schrumpfung der Flächensegmente (blow-and-
shrink - Prinzip) verbesserte deren geometrischen Randabgleich durch die nachträgliche
Zuordnung von isolierten Randpixeln.
Der Regionenbildungsprozess ergab folgendes Ergebnis (vgl. Abb. 73):
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
169
· Die beste Lagegenauigkeit von Regionengrenzen wird entlang von Grauwertstufen er-
zielt. Entscheidend für die lokale Trennschärfe ist folglich das räumliche Nebeneinander
von Objektklassen bzw. Waldklassen, die im panchromatischen Kanal durch Helligkeits-
unterschiede trennbar sind (u.a. Nadel- und Laubholzabgrenzungen, stark aufgelichtete
und geschlossene Kiefernflächen).
Die lokale Verzahnung von unterschiedlich strukturierten Beständen oder Bestandestei-
len kann aber auch zur indirekten umgebungsabhängigen Abgrenzung von Objektklas-
sen führen, die im sichtbaren Spektralbereich nicht trennbar sind (v.a. Baumarten,
Wuchsklassen).
Die Regionenbildung erfolgt somit im Zusammenwirken von spektralen Reflexionseigen-
schaften und Kontext.
· Die Einbindung des Hauptwirtschaftswegenetzes (Waldmaske, vgl. Kap. 8.3.1.1) verbes-
sert partiell die Regionenbildung, da dieses i.d.R. Bestandes-, Teilflächen- oder Abtei-
lungsgrenzen nachzeichnet.
· Die Abgrenzungen verschlechtern sich erwartungsgemäß bei spektral schwer trennbaren
Klassen. Die teilweise nur schwach ausgeprägten, lokal auch fehlenden Grauwertekan-
ten führen zu einem „Schwingen“ der Regionengrenzen (u.a. Wuchsklassen, Mischungs-
verhältnisse). Gleiches gilt für fließende Bestandesübergänge.
· Bei Veränderung des Startpunktes für den Regionenbildungsprozess konnte eine ge-
ringfügig veränderte Regionenabgrenzung beobachtet werden. Entlang von Grauwert-
stufen waren diese weniger stark ausgeprägt. Deutlichere Unterschiede konnten in Be-
reichen festgestellt werden, in denen ohnehin die zuvor beschriebenen unsicheren
Grenzen vorkommen.
Eine Lösung für dieses Problem - von dem auch in anderen Untersuchungen, unabhän-
gig von der genutzten Software, berichtet wird - konnte nicht gefunden werden. Es be-
steht somit ein akuter Forschungsbedarf, um eine verbesserte Reproduzierbarkeit von
Ergebnissen zu gewährleisten. Entsprechende Arbeiten konnten im Rahmen der vorlie-
genden Arbeit mit Hinblick auf die thematischen Schwerpunktbildungen nicht angegan-
gen werden.
Die gebildeten Regionen können ihrerseits Kleinstsegmente beinhalten, welche eine festge-
legte Mindestflächengröße nicht erreichen, dennoch aber forstlich relevante Objekte darstel-
len. In der nachfolgend beschriebenen zweiten Segmentierungsstufe werden diese extra-
hiert.
8.3.2.2.2 Ermittlung von Kleinstsegmenten (2. Segmentierungsebene)
Als Kleinstflächen wurden nahezu ausschließlich helle Bildteile innerhalb von dominant
dunklen Flächensegmenten erfasst. Es handelte sich hierbei einerseits um stark reflektieren-
de Laubbaum-Überhälter, Laubbaumgruppen bzw. -trupps und Kleinbestände innerhalb von
Kiefernreinbeständen sowie Laubbaumkonzentrationen in Mischwäldern. Andererseits wur-
den unter anderem Teile des Wegenetzes sowie Waldbodenflächen in stark aufgelichteten
Kiefernbeständen in gleicher Weise abgebildet. Nachfolgend sollten die thematisch interes-
sierenden Laubbaumsegmente selektiert werden.
Hierzu wurden zunächst solche Grobsegmente selektiert, die von geschlossenen Kiefern-
reinbeständen bzw. Nadel-Laub-Mischwäldern dominiert werden (Kriterien: Flächengröße,
Helligkeit). Innerhalb der einzelnen dunklen Regionen wurde eine Separierung von hellen
Bildteilen unter Verwendung eines Hysterese-Schwellenwertverfahrens vorgenommen (vgl.
Kap. 8.3.1.2), dem die Bildung von Kleinstsegmenten folgte. Für jedes neue Segment wur-
den Form-, Kontext- und Spektralmerkmale berechnet, mit denen eine möglichst zuverlässi-
ge Selektion von Laubbäumen bzw. Laubbaumgruppen gewährleistet wurde. Kleinstseg-
mente wurden nur dann als relevante Objekte akzeptiert, wenn folgende Kriterien erfüllt
waren:
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
170
· kompakte, rundliche Form,
· Lage: Mindestabstand zur äußeren Grobsegmentgrenze zur Reduzierung von Randef-
fekten (u.a. entlang von Wirtschaftswegen oder Waldrändern),
· optional: hoher NDVI-Wert (hier: LANDSAT-TM, zur verbesserten Trennung von Laub-
holz und vegetationsarmen Flächen),
· hoher Kontrast zur lokalen Umgebung (hier: Kontrast = lokales Maximum des Segmentes
- lokales Minimum der Nachbarschaft),
· maximale / minimale Flächengröße.
Über ein Regelwerk konnte damit die zusätzliche Klasse „Laubholz - Einzelbäume, Baum-
gruppen“ aus den Kleinstsegmenten abgeleitet werden.
IRS-1C
PAN
IRS-1C
PAN
Waldmaske
- fein -
Waldmaske
- fein -
1. Segmentierungsstufe
Automatische Verbesserungen
IRS-1C / PAN
- geglättet -
IRS-1C / PAN
- geglättet -
LANDSAT5
TM
Grobsegmente
Grobsegmente Kleinstsegmente
„Laubholz“
Kleinstsegmente
„Laubholz“
Regel-/
kontextbasierte
Klassifizierung
Linien- u.
kantenbasierte
Segmentierung
2. Segmentierungsstufe
Maskierung
Sigma-Filterung
Flächenwachstumsverfahren
Hysteresis - Schwellenwertverfahren
Extraktion von Laubbaumgruppen
Bildung von Kleinstsegmenten
Selektion von Regionen
(mit Kleinstsegmenten)
Abb. 72: Regionenbasierte Segmentierung - Ablaufschema
8.3.2.2.3 Ergebnis der regionenbasierten Segmentierung
In zwei Segmentierungsstufen konnten Grob- und Kleinstsegmente extrahiert werden (vgl.
Abb. 73):
· Aus den Kleinstsegmenten konnte die Klasse „Laubholz - Einzelbäume und Baumgrup-
pen“ abgeleitet werden. Es handelt sich um Objekte bzw. Flächen, die in herkömmlichen
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
171
Klassifizierungen multispektraler Satellitenbilddaten mittlerer Auflösung wegen ihrer ge-
ringen Flächengröße nicht erfasst worden wären. Selbst die korrekt klassifizierten, einge-
streuten Laubholz-Pixel würden im Rahmen von Nachbesserungen (u.a. Majority- oder
Median-Filterungen) eliminiert, ein Informationsverlust wäre die Konsequenz. Durch die
mehrstufige Segmentierung und regelbasierte Selektion konnten diese Bildinformationen
erhalten und zugeordnet werden.
· Durch die Bildsegmentierung der hochauflösenden Bilddaten wird eine flächenscharfe
Erfassung von wald- und bestandesstrukturellen Details möglich. Eine Zuordnung der
gebildeten Grobsegmente zu thematischen Waldklassen ist wegen der fehlenden Multi-
spektralinformationen jedoch unzulässig. Innerhalb einer Region können zudem ver-
schiedene, im panchromatischen Kanal unzureichend unterscheidbare Waldklassen vor-
kommen. Dies gilt vor allem für angrenzende Bestände unterschiedlicher Nadel- bzw.
Laubbaumarten sowie Wuchsklassen, die vorwiegend im Spektrum des nahen und mitt-
leren Infrarot abgrenzbar sind.
Im Rahmen der regel- und kontextbasierten Nachklassifizierung erfolgt eine Verknüpfung der
Segmente mit den Ergebnissen der thematischen Klassifizierung.
Abb. 73: Ergebnisse der regionenbasierten Segmentierung - Teilausschnitt
links: 1. Segmentierungsstufe (Grobsegmente)
rechts: 2. Segmentierungsstufe (Kleinstsegmente „Laubholz“) / UG Dübener Heide
8.3.3 Regel- und kontextbasierte Nachklassifizierung
Aus den vorangegangenen multisensoralen Satellitendatenauswertungen resultieren zwei
Teilergebnisse (UG Dübener Heide):
· Mittels Bildsegmentierung der panchromatischen IRS-Daten wurden forstliche Objekte in
bestmöglicher Detail- und Lagetreue erfasst und abgegrenzt. Eine zuverlässige Klassifi-
zierung der gebildeten Segmente fehlt.
· Im Rahmen der hierarchischen Klassifizierung konnte eine differenzierte waldstrukturelle
Unterscheidung nach Baumarten, Wuchsklassen sowie vertikalem und horizontalem Be-
standesaufbau erzielt werden. Zur Eliminierung von Mischpixeln wurden bereits Teiler-
gebnisse der Segmentierung (Liniensegmente „Wege und Schneisen") genutzt. Eine ab-
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
172
schließende geometrisch-thematische Verbesserung der Klassifizierungsergebnisse fehlt
aber weiterhin.
Die extrahierten Bildinformationen wurden nachfolgend zur Ableitung einer detaillierten, geo-
metrisch und thematisch verbesserten Waldstrukturklassifizierung zusammengeführt. In ei-
ner regel- und kontextbasierten Nachklassifizierung wurden hierzu die Resultate der multi-
spektral-texturellen Klassifizierung mit denen der regionenbasierten Segmentierung ver-
knüpft (vgl. Abb. 74). Hierzu wurden Regelwerke bzw. Konditionalfunktionen aufgestellt, mit
denen logische Beziehungen zwischen den Eingangsgrößen aufgestellt und eine Entschei-
dungsstruktur abgeleitet werden konnten.
Ziel ist es zum einen, durch die Einbindung von Segmenten bzw. deren Grenzen die räumli-
chen Abgrenzungen von klassifizierten Objekten bzw. Beständen und damit die geometri-
sche Klassifizierungsgenauigkeit zu verbessern (u.a. Detailwiedergabe, Lagegenauigkeit).
Andererseits soll die thematische Klassifizierungsgenauigkeit gesteigert werden, indem
Mischpixel entlang von Regionengrenzen lokalisiert und ggf. im Kontext neu zugewiesen
werden. Die Nachklassifizierung der multispektral-texturellen Klassifizierungsergebnisse soll
zudem dazu genutzt werden, den salt-and-pepper - Effekt der pixelbasierten Klassifizie-
rungsverfahren zu reduzieren.
Bei der Verfahrensentwicklung war zu berücksichtigen, dass die thematischen Informationen
vorwiegend in der räumlichen Auflösung der Multispektraldaten vorliegen (hier: 25 m x 25 m,
TM), die geometrisch-strukturellen Informationen aus den panchromatischen Daten (hier:
5 m x 5 m, IRS-1C / PAN) somit im Subpixelbereich des klassifizierten Bildes liegen. Als
Ausgangsdaten für die Nachklassifizierung dienten neben den Segmenten und der themati-
schen Klassifizierung auch die panchromatischen und multispektralen Ausgangsdaten. Die
weitgehend automatisierte Verknüpfung und Klassifizierung erfolgte unter Verwendung von
ERDAS IMAGINE (Spatial Modeler).
8.3.3.1 Klassenzuweisung von Segmenten
Die Verknüpfung erfolgte iterativ in mehreren Stufen. Für jede Region (Grobsegment) wur-
den unter anderem folgende Attribute berechnet:
· Flächengröße,
· Lage
(u.a. Waldrand, „Waldinsel“ im Sinne von Streulage),
· Verteilung der Klassen
(MIN, MAX, RANGE, DIVERSITY),
· Verteilung der aggregierten Hauptklassen „Nadelholz“, „Laubholz“, Blößen
(MIN, MAX, RANGE, DIVERSITY),
· relativer / absoluter Anteil der häufigsten und zweithäufigsten (Haupt-)Klassen
(MAJORITY, MAJORITY-FRACTION),
· Mittlerer Grauwert / Standardabweichung (IRS-1C / PAN).
Auf Basis der Attribute wurden Regelwerke aufgestellt, die eine maximale und sichere Klas-
sifizierung von Flächensegmenten ermöglichten. Im Wesentlichen traten folgende Fälle ein:
· Die gesamte Fläche einer Region kann einer thematischen Klasse sicher zugeordnet
werden (multispektral homogene Region).
· Die Region ist aus mindestens zwei, sicher zugeordneten thematischen Klassen aufge-
baut. Innerhalb des Flächensegmentes werden die Klassenbegrenzungen beibehalten.
Lediglich die Regionengrenzen tragen hier zur Flächenschärfung bei (multispektral hete-
rogene Region).
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
173
· Die Region ist charakterisiert von einer räumlichen Verzahnung zahlreicher thematischer
Klassen, eine sichere Zuweisung ist nicht möglich. Die thematische Klassifizierung bleibt
daher innerhalb dieses Bildbereiches unverändert.
· Die Region ist keiner Klasse sicher zuzuweisen, da diese wegen ihrer Größe oder Form
ausschließlich bzw. überwiegend von klassifizierten Mischpixeln abgedeckt wird. Der
Kontextbezug entscheidet zwischen Neuzuweisung (zur Haupt- bzw. Konkurrenzklasse)
und Ablehnung (nicht klassifiziert) des Segmentes.
Ferner musste ein Sonderfall erkannt und speziell behandelt werden, der bei kleinflächigen
oder schmalen Segmenten zu Fehlzuweisungen führen kann: Innerhalb der geokodierten
TM-Szene und damit auch im klassifizierten Bild kann der methodisch bedingte Bildpunkt-
versatz von ca. ± 0.5 Pixel (nearest neighbour - Resampling) sowie der geometrische Zeilen-
versatz von ca. ± 1 Pixel lokale Lageungenauigkeiten herbeiführen. Die Verknüpfung der
Ergebnisse der (Vor-) Klassifizierung mit den lagegenaueren panchromatischen IRS-Daten
sowie den daraus abgeleiteten Segmenten sollte daher zur Erfassung und geometrisch-
thematischen Korrektur von größeren Lagefehlern beitragen.
Regel-/ kontextbasierte
Nachklassifizierung
Segmentierung
IRS-1C / PAN
Hierarchische
Klassifizierung
LANDSAT5-TM
(IRS-1C / PAN)
Regionen
(Kanten)
+
Thematische
Waldklassen
+
+
Logische Verknüpfungen / Konditionalfunktionen
Kontextanalyse
Abb. 74: Verknüpfung der Ergebnisse von Segmentierung und hierarchischer Klassifizierung
im Rahmen der Nachklassifizierung - das Prinzip (Fallbeispiele)
oben: sichere Zuweisung von thematisch homogenen Regionen
Mitte: lokal begrenzte Zuweisung von thematisch heterogenen Regionen
unten: Übernahme von Kleinstsegmenten („Laubholz“: ohne Klassenzuordnung)
Im kontext- und regelbasierten Klassifizierungsprozess konnten die besten Ergebnisse über
eine schrittweise iterative Zuordnung von Regionen und klassifizierten Daten erzielt werden.
Auf jeder Zuweisungsstufe konzentrierten sich die Analysen auf ausgewählte Haupt- (u.a.
Laubholz, Nadelholz) bzw. Subklassen (u.a. Baumarten, Wuchsklassen). Dies ermöglichte
eine klassenspezifische Anpassung und Optimierung des Regelwerks. Die Entscheidungs-
kriterien wurden hierbei für verschiedene Größenkategorien festgelegt, um das von Regio-
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
174
nengröße und -form bestimmte Verhältnis von „reinen" Pixeln zu Mischpixeln bei der Analyse
der Klassenverteilungen zu berücksichtigen. Die sicher zugeordneten Regionen wurden je-
weils extrahiert. In den übrigen Bildbereichen (nicht klassifizierte Regionen) wurden - soweit
erforderlich - entsprechend klassifizierte Bildelemente gezielt rekodiert. Vor jeder weiteren
Zuweisungsstufe erfolgte eine regionenweise Neuberechnung der Attribute (vgl. Abb. 75).
Am Beispiel der Klasse Eiche soll die automatisierte Verknüpfung erläutert werden:
(1) Ermittlung von Laubwald-Segmenten (Hauptklasse)
Die Hauptklasse Laubwald wird aus den Subklassen Buche, Eiche, Erle und Birke abgeleitet.
Über weitere sinnvolle Rekodierungen werden entsprechende Konkurrenzklassen definiert
(u.a. Nadelwald, Laub-Nadel-Mischwald, Nadel-Laub-Mischwald).
Das Regelwerk sieht nun vor, dass für die Zuordnung von größeren Segmenten vorrangig
ein hoher prozentualer Laubholzanteil ausschlaggebend ist. Entsprechende Schwellenwerte
legen den Toleranzbereich fest.
Mit abnehmender Flächengröße erhöht sich der Rand- bzw. Mischpixelanteil zuungunsten
der reinen Bildelemente, die innerhalb der Regionengrenzen liegen. Die Komplexität der
Entscheidungskriterien nimmt damit zu:
· Wenn die Hauptklasse Laubwald bei mittleren Segmentgrößen dominiert (häufigster
Wert), jedoch weniger als 50 % der Region einnimmt, wird zusätzlich der zweithäufigste
Wert analysiert. Handelt es sich hierbei um die Klassen Laub-Nadel-Mischwald bzw. Na-
del-Laub-Mischwald, spricht die spektrale und räumliche Nachbarschaft dieser Konkur-
renzklassen dafür, dass es sich mit hoher Wahrscheinlichkeit um ein reines Laubwald-
Segment handelt. Die Konkurrenzklassenanteile werden auf Mischsignaturen zurückge-
führt.
· Wenn die Hauptklasse Laub-Nadel-Mischwald (häufigster Wert) bei mittleren Segment-
größen nur geringfügig über dem Laubwaldanteil (zweithäufigster Wert) liegt und zugleich
im panchromatischen Kanal sehr hohe Reflexionswerte erfasst werden (mittlerer Grau-
wert), deuten die Attribute auf ein Laubwald-Segment hin.
· Wenn ein Segment wegen seiner Größe bzw. Form überwiegend oder ausschließlich von
Rand- bzw. Mischpixeln abgedeckt wird, ist eine sichere multispektrale Laubholzklassifi-
zierung nahezu auszuschließen.
Über Kontext- bzw. Logikbezüge kann dennoch eine Zuweisung erreicht werden: Wird
etwa ein sehr hoher Laub-Nadel-Mischwaldanteil berechnet, kann eine Region als Laub-
waldfläche angenommen werden, wenn zugleich hohe bis sehr hohe Reflexions- bzw.
Grauwerte im panchromatischen IRS-Kanal ermittelt werden. Die Hypothese wird zusätz-
lich gestützt, wenn die Umgebung von gering reflektierenden Nadelwald-Klassen domi-
niert wird.
(2) Ermittlung von Eichen-Segmenten (Subklasse)
Die thematische Klassifizierung von verschiedenen Laubbaumarten beruht auf einer ver-
gleichsweise schwachen spektralen Trennbarkeit (vgl. Kap. 8.2.2.1.1). Im klassifizierten Bild
äußert sich dies in mehr oder weniger stark ausgeprägten räumlichen Verzahnungen und
lokalen Konzentrationen der Subklassen. Entsprechend strenge Entscheidungskriterien sind
festzulegen, die eine sichere baumartenspezifische Segmentzuordnung zulassen.
Für die Zuweisung werden von den zuvor ermittelten Laubwald-Segmenten ausschließlich
solche berücksichtigt und analysiert, deren Größen eine relativ sichere multispektrale Erfas-
sung mittels TM-Daten gewährleisten (> 1 ha). Kleinere Laubwald-Segmente werden zu ei-
ner neuen Klasse „Laubwald - undifferenziert“ rekodiert. Bildelemente innerhalb der ermit-
telten Laubwald-Segmente, die ursprünglich anderen Klassen zugeordnet waren, werden
ebenfalls dieser neuen Klasse zugeführt. Abschließend erfolgt die Neuberechnung der Attri-
bute für die Subklassenverteilung.
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
175
Zur sicheren Zuweisung der Subklasse Eiche ist in erster Linie ein hoher prozentualer Anteil
am Flächensegment notwendig. Die räumliche Konzentration einer Baumartenklasse wird als
Hinweis auf eine zuverlässige Ausweisung gedeutet. Wenn der Eichenanteil dominiert (häu-
figster Wert), dabei 40 % bis 60 % der Segmentfläche einnimmt, zugleich aber der zweithäu-
figste Wert auf die Klasse „Laubwald - undifferenziert“ entfällt, gilt die Segmentzuweisung als
relativ sicher, da die räumliche Verzahnung mit den unmittelbaren Konkurrenzklassen Bu-
che, Erle und Birke weiterhin gering bleibt.
Ist eine baumartenspezifische Klassifizierung nicht sicher möglich, wird die gesamte Region
der Klasse „Laubwald - undifferenziert“ zugeschlagen.
Abb. 75: Regelbasierte stufenweise Verknüpfung von Segmenten und hierarchischer Klassi-
fizierung (Teil A)
oben: Prinzip der iterativen Zuweisung von Segmenten (links: Hauptklasse, rechts: Subklasse)
unten, links: Ergebnis der Segmentklassifizierung
unten, rechts: Ausschnitt IRS-1C / PAN (UG Dübener Heide)
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
176
(3) Rekodierung
Nach der Haupt- und Subklassenzuweisung erfolgt eine Rekodierung von verstreuten Laub-
holz-Pixeln außerhalb der klassifizierten Laubwald-Segmente. Ein weiteres Vorkommen von
Laubholz-Klassen innerhalb der nachfolgend zu analysierenden Regionen ist nicht zulässig.
Da es sich hierbei vorwiegend um vereinzelte Bildelemente innerhalb von Laub-Nadel-
Mischwäldern handelt, kann aufgrund der spektralen und räumlichen Nachbarschaft eine
entsprechende kontextbezogene Klassenneuzuweisung durchgeführt werden, ohne dabei
größere Fehler einzugehen.
Die Kenntnis über die Baumartenverteilung innerhalb des Untersuchungsgebiets erlaubte die
sinnvolle klassenweise Festlegung von Entscheidungskriterien bzw. von Grenzwerten und
Toleranzbereichen. Die Segmentzuweisung von Baumarten mit vergleichsweise geringer
Verbreitung (u.a. Birke, Lärche) wurde an schärfere Regeln gekoppelt, als die der vorwie-
gend bestandesbildenden Arten, um Fehlklassifizierungen zu minimieren.
Ferner war die automatische Ableitung von Wuchsklassen-Segmenten, insbesondere Kie-
ferndickung und -stangenhölzer, nur bei hohen Flächenanteilen der jeweiligen Subklasse
zulässig. Entsprechende Segmente wurden in erster Linie aufgrund ihrer lokalen Umgebung
gebildet. Bei ihrer Abgrenzung überwog somit die kontextbezogene Komponente, da eine
altersspezifische Signatur im panchromatischen Kanal fehlt.
Nach Abschluss der stufenweisen Verknüpfung der Regionen bzw. Flächensegmente mit der
multispektral-texturellen Klassifizierung ist im Bereich der zugewiesenen Bildsegmente das
Endergebnis der Waldstrukturklassifizierung erreicht (vgl. Abb. 75). Für Bildbereiche ohne
Segmentzuweisungen erfolgte eine abschließende Nachbereitung.
8.3.3.2 Klassifizierung von Bildbereichen ohne Segmentzuweisungen
Für die klassifizierten Bildbereiche ohne Segmentzuweisungen erfolgte in einem ersten Ar-
beitsschritt eine nachbarschaftsbezogene Nachklassifizierung, wie sie bereits im Rahmen
der multispektral-texturellen Klassifizierung durchgeführt wurde (vgl. Kap. 8.3.1.2.2).
Im zweiten Arbeitsschritt wurde die Klassifizierung innerhalb der Randbereiche der zuvor
bearbeiteten Bildbereiche gezielt analysiert und verbessert. Hierbei handelt es sich um
· die unklassifizierten (gepufferten) Säume entlang von Wegen und Waldrändern, die we-
gen der Mischpixel-Problematik separiert und im Klassifizierungsprozess bisher unbe-
rücksichtigt blieben (vgl. Kap. 8.3.1.2) sowie
· den Grenzsaum zwischen zugewiesenen und abgelehnten Bildbereichen bzw. Segmen-
ten, da dort klassifizierte Bildelemente (hier: TM-Pixel) im Rahmen der vorangegangenen
Verknüpfungen aufgesplittet wurden.
Für die Neuklassifizierung der Waldrandflächen und des Grenzsaumes (Korrekturbereich
von ca. 30 m) erwies sich folgende Vorgehensweise als besonders geeignet (vgl. Abb. 76):
· Entlang der Pufferkante (Übergang: unklassifizierter Waldrand bzw. Grenzsaum - klassi-
fiziertes Bild) wurden isolierte Kleinstflächen eliminiert bzw. neu zugewiesen. Durch diese
„Säuberung“ mit Hilfe einer iterativen, ausschließlich lokal wirkenden Majority-Filterung
konnten restliche Randeffekte weiter vermindert werden.
· Entlang von Wegen und Waldrändern wurden solche Waldklassen überprüft, die be-
kanntermaßen starke spektrale Überschneidungen mit Nicht-Waldklassen aufweisen
(u.a. lichte Kiefernreinbestände, Blößen). Wenn eine Mindestflächengröße nicht erreicht
wurde, in der Nachbarschaft kompaktere zusammenhängende Bildbereiche der unter-
suchten Klasse fehlten oder die Flächenform (schmal, lang gestreckt) auf einen Randef-
fekt hindeutete, erfolgte wegen der Randlage eine nachbarschaftsbezogene Neuzuwei-
sung der selektierten Bildbereiche. Konnte auf Grundlage der Nachbarschaftsanalyse
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
177
keine eindeutige Klassenzuweisung erzielt werden, wurden die Sammelklassen „Nadel-
wald - undifferenziert“ („Laubwald - undifferenziert“) oder „baumbestockte Fläche - nicht
klassifiziert“ genutzt.
· In der lokalen Nachbarschaft der („gesäuberten“) Kante wurde für jeden Bildpunkt die
jeweils häufigste Klasse ermittelt. Der angrenzende Randpuffer (Waldrand, Segment-
bzw. Grenzsaum) wurde abschließend der entsprechenden Klasse zugewiesen.
?
lokale iterative Filterung
innerhalb des Prüfsaumes
korrigierte
Klassifizierung
Klassenzuweisung der
(Wald-)Randbereiche
klassenspezifische
Selektion (Segmente)
umgebungsabhängige
Prüfung / Neuzuweisung
Klassenzuweisung der
(Wald-)Randbereiche
Verteilung von
„Problemklassen“
Prüf-
saum
Wald / bestockte Fläche
Rand-
puffer
klassifizierte
Bildteile
Abb. 76: Klassifizierung von gepufferten Waldrandbereichen
oben: lokale iterative Filterung zur Randfehlerminimierung im klassifizierten Bild innerhalb eines
Prüfsaumes mit anschließender Klassifizierung des Randpuffers
unten: klassenspezifische Überprüfung von Bildelementgruppen entlang des Waldrandpuffers: Se-
lektion (u.a. Größe, Form, Nachbarschaft), ggf. umgebungsabhängige Neuzuweisung ausgewählter
Segmente, Klassifizierung des Randpuffers („?“: Selektion ohne Neuzuweisung: Wald, nicht klassi-
fiziert)
Bildbereiche, die wegen ihrer Größe oder Form keiner thematischen Klasse zugeführt wer-
den konnten (z.B. kleinere Baumgruppen bzw. Inselflächen innerhalb der landwirtschaftli-
chen Nutzfläche), wurden der Sammelklasse „baumbestockte Fläche - nicht klassifiziert"
zugeführt.
Durch die kontextbasierte Nachklassifizierung der Randbereiche konnten Fehlklassifizierun-
gen deutlich reduziert werden.
Die Klassifizierungsergebnisse für Bildbereiche mit und ohne Segmentzuweisung wurden
abschließend zum Endergebnis der Waldstrukturklassifizierung „Dübener Heide“ zusam-
mengeführt (vgl. Abb. 77).
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
178
Abb. 77: Regelbasierte stufenweise Verknüpfung von Segmenten und hierarchischer Klassi-
fizierung (Teil B)
oben, links: Ergebnis der Segmentzuweisungen (s. Abb. 75, Teil A)
oben, rechts: Vereinigung mit Klassifizierungsergebnissen im Bereich nicht zugewiesener Seg-
mente
unten, links: Endergebnis nach umgebungsbezogenen Filterungen und Randklassifizierung / Mitte:
unten, rechts: Ausschnitt IRS-1C / PAN (UG Dübener Heide)
Für die hierarchische Klassifizierung „Erzgebirge“ wurde eine entsprechende Filterung und
Nachklassifizierung entlang von Waldrändern vorgenommen und das Endergebnis der
Waldstrukturklassifizierung „Erzgebirge“ abgeleitet (vgl. Abb. 79).
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
179
8.3.4 Ergebnisse der Waldstrukturklassifizierungen
Dübener Heide
Das Endergebnis der Waldstrukturklassifizierung „Dübener Heide“ zeigt Abbildung 78. Im
Vergleich zum Zwischenergebnis der hierarchischen Klassifizierung werden sowohl die the-
matischen als auch die geometrischen Verbesserungen deutlich. Die regel- oder wissens-
basierte Klassenzuweisung von Segmenten auf der Basis von multispektral-texturellen Er-
gebnissen pixelbasierter Klassifizierungsverfahren trägt zur Reduzierung von Fehlzuweisun-
gen und zur Erhöhung der flächenscharfen Abgrenzung von unterschiedlich strukturierten
Waldflächen bei. Zudem ermöglicht die Verknüpfung die Ausweisungen neuer Klassen (z.B.
„Laubbaumgruppen“). Voraussetzung ist die Festlegung von strengen Bedingungen in einem
Regelwerk, um Fehlzuweisungen von Segmenten möglichst gering zu halten.
Die Einbindung von Forsteinrichtungsdaten (Forstgrundkarte, Datenbank) kann im Segmen-
tierungsprozess oder in einer regelbasierten (Nach-) Klassifizierung zu einer zusätzlichen
Verbesserung der Ergebnisse beitragen. Da in der vorliegenden Untersuchung jedoch eine
besitzübergreifende Waldstrukturklassifizierung des Gesamtraumes Dübener Heide ange-
strebt wurde - die Verfahrensentwicklung daher von der restriktiven Forstdatenverfügbarkeit
frei sein sollte - wurde auf eine entsprechende Integration verzichtet.
Abb. 78: Waldstrukturklassifizierung „Dübener Heide“
oben: Zwischenergebnis der hierarchischen Klassifizierung (mit Randpufferung)
unten: Endergebnis - nach Verknüpfung mit Segmenten und regelbasierter Nachklassifizierung
Ausschnittvergrößerung (Legende: s. Abb. 77)
Am Beispiel der Waldstrukturklassifizierung „Dübener Heide" wird eine methodische Vorge-
hensweise aufgezeigt, die eine multisensorale Auswertung von panchromatischen und multi-
spektralen Satellitenbilddaten unterschiedlicher räumlicher Auflösungen zulässt. Die unter-
schiedlichen Daten werden getrennt mit modernen Segmentierungsansätzen sowie mit
pixelbasierten Standardverfahren ausgewertet und im Rahmen einer regelbasierten Nach-
klassifizierung zusammengeführt. Die Verfahrensauswahl orientiert sich an den zum Zeit-
punkt der Auswertungen verfügbaren Ansätzen. Das Auswertungskonzept gewährleistet
aber eine Verwendung anderer bzw. neuerer Verfahren zur Segmentierung oder auch eine
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
180
abweichende Kombination von pixelbasierten Klassifizierungsverfahren für die thematische
Differenzierung.
Erzgebirge
Nach der Reduzierung von Randeffekten lag das Ergebnis der Waldstrukturklassifizierung
„Erzgebirge“ vor (vgl. Abb. 79). Da für dieses Untersuchungsgebiet keine Segmentierung von
hochauflösenden Satellitenbilddaten durchgeführt werden konnte, liegen die geometrischen
und thematischen Abgrenzungsgenauigkeiten unter denen der Dübener Heide. Innerhalb
von Nadelwäldern wird aber dennoch eine sehr zufriedenstellende Differenzierung nach
Wuchsklassen und Beschirmungsgrad erreicht. Als Grundvoraussetzungen sind sowohl die
Abb. 79: Ergebnis der Waldstrukturklassifizierung „Erzgebirge" - Ausschnittvergrößerungen
oben: SPOT-4 (RGB: HRVIR4-3-2)
unten: Schwerpunkte „Wuchsklassen" (links), „Beschirmungsgrad" (Mitte),
„Sukzession und Jungwuchs" (rechts) / schwarz: Nicht-Wald
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
181
ausgezeichnete Qualität der verwendeten SPOT4-Aufnahme als auch die radiometrischen
und spektralen Eigenschaften des HRVIR-Sensors anzuführen. Ferner sind beleuchtungs-
bedingte Beeinträchtigungen der Klassifizierungsgüte nicht festzustellen. Dies wird auf die
topographische Normalisierung der Ausgangsdaten und auf die Nutzung von Ratio-Kanälen
zurückgeführt.
Die Ergebnisse der Waldstrukturklassifizierungen wurden in das FGIS Sachsen integriert
(Kap. 9.1.1). In der GIS-Umgebung erfolgten weitergehende Analysen sowie exemplarische
Erstellungen von thematischen Forstkarten (Kap. 10.2). Eine umfassende Verifizierung der
Ergebnisse findet sich in Kapitel 9.1.2 (Dübener Heide) bzw. 9.1.3 (Erzgebirge).
8.4 Waldschadenskartierung
Für die Waldschadenskartierung im Untersuchungsgebiet Erzgebirge wurden wiederum die
multispektrale SPOT4-Szene vom 11. August 1998 ausgewählt sowie die Ergebnisse der
Waldstrukturklassifizierung genutzt. Die Kartierung von Flächenschadstufen (FS0, FS1, FS2,
FS3) konzentrierte sich auf weitgehend geschlossene Fichtenreinbestände mit einem Be-
schirmungsgrad über 60 %. Die Analysefläche wurde aus der Waldstrukturklassifizierung
abgeleitet. Hierzu erfolgte eine Maskengenerierung auf Basis der Fichtenklassen „mittleres
Baumholz - Altholz (> 60 %)“, „geringes Baumholz“, „Stangenholz“ und „schwaches Stan-
genholz“. Als Klassifizierungsmethode diente Maximum-Likelihood. Die besten Ergebnisse
konnten über eine Stratifizierung des Untersuchungsgebiets erzielt werden. Eine Übersicht
gibt Abbildung 80.
8.4.1 Stratifizierung
In der Signaturanalyse von unterschiedlich stark geschädigten Fichtenreinbeständen konnte
die starke spektrale Überlagerung der Flächenschadstufen (FS) aufgezeigt werden. Insbe-
sondere zwischen FS0 und FS1 wurden nur tendenzielle Unterschiede ermittelt (vgl. Kap.
8.2.2.2). Zudem bestehen starke spektrale Überschneidungen zwischen FS3 und aufgelich-
teten Beständen (< 60 %). Ein Grund für die unscharfen Abgrenzungen ist die Charakteristik
der Schadensverteilung, da ein flächig einheitlicher Entnadelungsgrad nicht vorliegt. Selbst
innerhalb von repräsentativen Referenz- bzw. Trainingsgebieten treten Varianzen des Nadel-
verlustes sowie des Verlichtungstyps auf, die in Verbindung mit geringfügigen bestandes-
strukturellen Unterschieden (u.a. Beschirmungsgrad) eine spektrale Heterogenität herbeifüh-
ren.
Zur Verbesserung der Kartierungsgenauigkeiten wurden daher Vorkenntnisse über die un-
gleiche räumliche Verteilung der verschiedenen FS-Kategorien genutzt und eine Stratifizie-
rung des Untersuchungsgebiets durchgeführt. Da im Erzgebirge die Verbreitung unterschied-
lich stark geschädigter Fichten bzw. Fichtenbestände nicht gleichmäßig verteilt ist, vielmehr
eine Konzentration besonders stark geschädigter Bestände auf die höheren Lagen und
Kammlagen sowie der vitaleren Bestände auf untere Lagen vorliegt, wurden anhand des
DGM „Erzgebirge“ - in Abstimmung mit der Landesanstalt für Forsten - drei Straten gebildet.
Deren Abgrenzung erfolgte über die Geländehöhe und entspricht der höhenzonalen Gliede-
rung (vgl. Tab. 24). Die Zonierung erlaubt eine grobe Unterteilung des Untersuchungsgebiets
hinsichtlich der Häufung und folglich der Eintrittswahrscheinlichkeiten der FS-Kategorien.
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
182
Tab. 24: Stratifizierung der Auswertungsfläche für die Waldschadenskartierung - Festlegung
der a-priori-Wahrscheinlichkeiten
Stratum a-priori Wahrscheinlichkeit - Flächenschadstufen
FS 0 FS 1 FS 2 FS 3
Zone A (< 500 m)
untere Lagen 1 1 0.75 0.5
Zone B (500 m - 749 m)
mittlere Lagen 1111
Zone C (³ 750 m)
höhere Lagen / Kammlagen 0.75 0.75 1 1
8.4.2 Multispektrale Klassifizierung
Für die ML-Klassifizierung wurden die Spektralinformationen der Infrarot-Kanäle verwendet
(HRVIR3, HRVIR4, Ratio HRVIR3/HRVIR4). Dem Klassifikator wurden ausschließlich Trai-
ningsgebiete der Subklassen FS0, FS1, FS2 und FS3 übergeben.
Die Stratifizierung des Untersuchungsgebiets in Zonen mit unterschiedlichen Eintrittswahr-
scheinlichkeiten der einzelnen FS-Kategorien ermöglichte die separate Klassifizierung dieser
Gebiete. Die a-priori-Wahrscheinlichkeiten (p) basieren auf einer groben Schätzung unter
Berücksichtigung der bekannten räumlichen Verteilungsmuster. Diese wurden für jedes
Stratum der FS-Kategorien angepasst (vgl. Tab. 24):
· In unteren Lagen (Zone A) tritt ein flächenhaftes Vorkommen besonders stark geschä-
digter Bestände (FS3) seltener auf (p = 0,5). Hingegen ist FS2 häufiger zu erwarten
(p = 0,75), ohne dass jedoch die Eintrittswahrscheinlichkeit von weitgehend vitalen Be-
ständen (FS0, FS1) erreicht wird.
· In mittleren Lagen (Zone B) ist die Eintrittswahrscheinlichkeit für alle FS-Kategorien
gleich.
· In höheren Lagen und insbesondere im Bereich der Kammlagen (Zone C) konzentrieren
sich die am stärksten geschädigten Bestände. Das Vorkommen von vitalen Fichtenbe-
ständen (FS0) ist dort gering und vorrangig auf Jungbestände beschränkt (p = 0,75).
Ziel der zonenspezifischen a-priori-Festlegung ist es, im Hinblick auf die geringen klassen-
spezifischen Grauwerteunterschiede einerseits sowie der spektralen Varianz andererseits
die statistische ML-Klassenzuweisung über eine raumbezogene Komponente (hier: Gelän-
dehöhe) geringfügig zu modifizieren. Sichere Klassenzuweisungen bleiben davon unbeein-
flusst. Erst mit zunehmender statistischer Unsicherheit der bildpunktweisen Klassifizierung
wirkt sich die Festlegung der a-priori-Wahrscheinlichkeit aus.
Die Ergebnisse der drei Teilkartierungen wurden zur Gesamtkartierung zusammengeführt,
die abschließend einer Nachklassifizierung unterzogen wurde.
8.4.3 Nachklassifizierung
Die Waldschadenskartierung von geschlossenen Fichtenreinbeständen ist erwartungsgemäß
durch eine starke räumliche Durchmischung bzw. Verzahnung der Flächenschadstufen cha-
rakterisiert. Die räumlichen Verteilungen der einzelnen FS-Kategorien weisen dabei jedoch
deutliche Konzentrationen auf, die auf lokale Unterschiede der Schadenssituation hindeuten.
Das Verteilungsmuster resultiert einerseits aus der genannten spektralen Überlagerung der
Flächenschadstufen. Andererseits wird diese unscharfe Wiedergabe aus dem realen Wald-
schadensbild bestimmt, das von einem einzelbaumweisen und kleinräumigen Wechsel des
Verlichtungsgrades geprägt wird. Im Rahmen der Nachklassifizierung ist somit eine Filterung
unzulässig.
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
183
Um Fehlklassifizierungen zu reduzieren, wurden folgende Verbesserungen durchgeführt:
· Isolierte Bildelemente der Flächenschadstufe FS3 wurden entlang von Waldrändern,
Wirtschaftswegen sowie Laubholzbeständen abgelehnt, da diese Klasse spektrale Über-
schneidungen mit Nichtwald-Klassen sowie Mischsignaturen aufweist. Im Einzelfall kön-
nen hierdurch korrekt erfasste Schäden an Bestandesrändern wegfallen. Da bei der
Waldschadenskartierung jedoch bewusst auf die Auswertung von Bestandesrändern ver-
zichtet wurde und vielmehr das Bestandesinnere im Vordergrund stand, konnte dieser
Effekt toleriert werden.
· Zur verbesserten Trennung der Flächenschadstufen FS1 und FS2 wurde ein Schwellen-
wert im Ratio-Kanal festgelegt, dessen Überschreitung unter Berücksichtigung der Sig-
naturanalyseergebnisse eine sichere Ablehnung der FS2-Kategorie gewährleistet.
Digitales
Geländemodell
Digitales
Geländemodell
SPOT4
HRVIR 3, 4, 3/4
SPOT4
HRVIR 3, 4, 3/4
Zone C
(> 749m)
Zone C
(> 749m)
Zone B
(500m - 749m)
Zone B
(500m - 749m)
Waldstruktur-
klassifizierung
Waldstruktur-
klassifizierung
Fichtenbestände
BG > 60%
(ab Stangenholz)
Fichtenbestände
BG > 60%
(ab Stangenholz)
Auswertungs-
fläche
Auswertungs-
fläche
Vorklassifizierung
Zone A
(< 500m)
Zone A
(< 500m)
Nachklassifizierung
FS 0
FS 0 FS 1
FS 1 FS 2
FS 2 FS 3
FS 3
Stratenbildung
Klassenselektion
Bildmaskierung
Maximum-Likelihood-Klassifizierung
Festlegung der a-priori-Wahrscheinlichkeiten FS 0-3
FS 0,1,2,3
FS 0,1,2,3 FS 0,1,2,3
FS 0,1,2,3 FS 0,1,2,3
FS 0,1,2,3
Stratenzusammenführung
Nachbarschaftsanalyse / klassenspez. Filterung
Abb. 80: Waldschadenskartierung - Ablaufschema der Satellitendatenauswertung
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
184
8.4.4 Ergebnis der satellitendatenbasierten Waldschadenskartierung
Aus der Nachbearbeitung resultiert das Endergebnis der Satellitendatenauswertung. Im Ge-
samtprozess der Waldschadenskartierung handelt es sich bei dieser pixelweisen Erfassung
um ein Zwischenergebnis (vgl. Abb. 81). Die genannten Verteilungsmuster der Flächen-
schadstufen lassen eine bestandesbezogene Aussage hinsichtlich der Schadenssituation
nicht zu. Erst die Integration in das FGIS und die flächenbezogenen Analysen bzw. Berech-
nungen führen zum Ergebnis der Waldschadenskartierung. Insbesondere die bestandesbe-
zogene Verknüpfung mit den Ergebnissen der Beschirmungsgradklassen ist hierzu zwingend
notwendig. Die GIS-gestützte Weiterbearbeitung wird in Kapitel 10 ausführlich beschrieben.
Abb. 81: Waldschadenskartierung - Zwischenergebnis der Satellitendatenauswertung (Aus-
schnitt)
links: SPOT4 (RGB: HRVIR 4-3-2)
rechts: Kartierung der geschlossenen Fichtenreinbestände
FS0 = grün, FS1 = gelb, FS2 = orange, FS3 = rot
(blau: Waldeinteilung, FGIS / schwarz: Waldmaske, sonstige Waldklassen )
8.5 Kartierung von potenziellen Veränderungsflächen
Die hoheitlichen Aufgaben der Forstverwaltungen erfordern möglichst aktuelle Daten, viel-
fach auch besitzübergreifend, für unterschiedliche Planungsebenen (Forsteinrichtungsdaten,
Waldverteilung). Für die Ergänzung, Laufendhaltung oder Aktualisierung von Inventurdaten
bzw. (Geo-) Informationssystemen sowie für Monitoringaspekte ist daher von Interesse, in-
wieweit Satellitenbilddaten zur flächenscharfen Erfassung oder zur Lokalisierung von Verän-
derungsflächen eingesetzt werden können.
Veränderungen der Wald- bzw. Bestandesstrukturen sind auf waldbauliche Maßnahmen und
natürliche Bestandesentwicklungen sowie auf Waldschäden zurückzuführen. Hinzu kommen
Waldabgänge (Waldumwandlungen) und Erstaufforstungen, die zur Veränderung der Wald-
verteilung beitragen. Die Ergebnisse der visuellen Interpretation haben gezeigt, dass die
Satellitenfernerkundung einen Beitrag leisten kann zur Erfassung von markanten Verände-
rungen (vgl. Kap. 7.2.2). Insbesondere die Einbindung von Fachinformationen verbessert
hierbei die quantitative und qualitative Erfassungsgenauigkeit. Bei Verwendung von hoch-
auflösenden panchromatischen oder multispektralen Daten der Systeme IRS-1C, LANDSAT
und SPOT4 sind vorrangig stärkere Auflichtungen, Verlichtungen und Hiebsflächen, abioti-
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
185
sche und biotische Waldschäden (Insektenkalamitäten, Sturmwurf), Waldumwandlungen
(z.B. Umwandlungen zu Verkehrs- oder Siedlungsfläche) sowie z.T. Aufforstungen lokalisier-
bar. In allen Fällen handelt es sich um Veränderungen, die vergleichsweise kurzfristig bzw.
innerhalb von kurzen Zeiträumen entstehen und sich auf den Bestandesschluss auswirken
(Abnahme, Zunahme). Eine parzellenscharfe Erfassung ist wegen der Sensoreigenschaften
i.d.R. nicht erreichbar. Zahlreiche zumeist stetige Veränderungen von Waldstrukturen erstre-
cken sich über längere Zeiträume (u.a. Bestandesoberhöhe, Wuchsklassen). Von Satelliten-
sensoren detektierbare Auswirkungen dieser Entwicklungen auf die Bestandesreflexionen
sind folglich in vergleichenden multitemporalen Satellitenbildauswertungen erst erkennbar,
wenn größere Zeitintervalle ausgewertet werden.
Vor diesem Hintergrund wurde ein Auswertungskonzept für die Lokalisierung von potenziel-
len Veränderungsflächen angestrebt, das folgende Kriterien erfüllen sollte:
· großräumige besitzübergreifende Lokalisierung (Einbindung von Fachinformationen nicht
zwingend erforderlich, sondern optional),
· geringer Zeit- und Arbeitsaufwand für die Vorprozessierung der Satellitenbilddaten (Ver-
wendung geokodierter, systemkorrigierter Daten; Anwendung einfacher radiometrischer
Bildanpassungsverfahren und Verzicht auf absolute Kalibrierungsmethoden),
· geringer Zeitaufwand für die Satellitendatenauswertung (v.a. im Hinblick auf Sturmschä-
den),
· geringer Einfluss der phänologischen Bedingungen auf das Kartierungsergebnis
(Szenenverwendbarkeit),
· weitgehende Unabhängigkeit von spezifischen Sensoreigenschaften,
· Realisierung eines hohen Automatisierungsgrads,
· Integration der Kartierungsergebnisse in bestehende Fachinformationssysteme.
Die Verfahrensentwicklung erfolgte im Rahmen des Projektes OFULSA im sachsen-
anhaltinischen Untersuchungsgebiet Nedlitz anhand von LANDSAT-TM-Szenen. Die Aus-
wertung konzentrierte sich auf die Kartierung von kurzfristigen Veränderungen des Bestan-
desschlusses (Zunahme, Abnahme), deren Ursachenerkennung erst durch (nachträgliche)
Verknüpfungen mit Fachinformationen (GIS, digitale Karten) bzw. die Interpretation von
Fachpersonal möglich ist.
8.5.1 Auswahl des Verfahrens
Es sind zahlreiche Verfahren zur Erfassung von Veränderungen (change-detection) be-
schrieben, die insbesondere für die Auswertung von LANDSAT-TM-Daten eingesetzt wur-
den. Multitemporale Ansätze nutzen zumeist „vorher-nachher"-Aspekte zur Kartierung von
Sturmwurfereignissen, Insektenkalamitäten oder Bestandesauflichtungen bzw. Bestandes-
verlichtungen (vgl. Kap. 3.1.1.2.3 und 3.1.1.2.4). Als problematisch für die automatische Er-
fassung hat sich die Bildregistrierung erwiesen: Da bei zwei geokodierten bzw. aufeinander
registrierten Satellitenbildern i.d.R. ein lokal variierender Versatz zwischen den Szenen von
±1 Pixel methodisch bedingt vorliegen kann, ist eine sichere Kartierung von kleinen oder
schmalen, lang gestreckten Veränderungsflächen mit großen Unsicherheiten behaftet. Als
Erfassungsuntergrenze wird häufig eine Mindestflächengröße von ca. 1 ha angegeben.
Die Verfahren können folgenden Kategorien zugeordnet werden:
· Klassifizierung (multitemporal, Vergleich von monotemporalen Ergebnissen),
· arithmetische Verfahren (u.a. univariate Differenzbildung, Ratiobildung),
· lineare Transformation (u.a. Hauptkomponententransformation).
Im Hinblick auf die festgelegten Kriterien zur Verfahrensentwicklung scheiden Klassifizierun-
gen aufgrund des vergleichsweise hohen Arbeitsaufwands aus, den der Auswertungspro-
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
186
zess erfordert. Arithmetische Verfahren erfordern zumeist detaillierte radiometrische Anpas-
sungen der Szenen (v.a. Einfluss der Atmosphäre), um deren Vergleichbarkeit herzustellen
bzw. zu verbessern. Um relative Veränderungen auf Basis von systemkorrigierten Ausgangs-
daten festzustellen, haben sich Ansätze bewährt, die das Verfahren der Hauptkomponenten-
transformation einbinden. Auch in der vorliegenden Studie wurde dieser statistische Ansatz
aufgegriffen. Die Grundprinzipien des Verfahrens wurden bereits ausführlich erläutert (vgl.
Kap. 5.2.3.2.1).
Die weitgehende Unkorreliertheit der Hauptkomponenten (HK), die aus einer linearen
Transformation der mehrkanaligen Satellitenbilddaten hervorgehen, kann genutzt werden,
um Veränderungsflächen in multitemporalen Auswertungen hervorzuheben: Hohe Korrelati-
onen charakterisieren Bildregionen ohne zeitliche Veränderungen, sehr geringe Korrelati-
onen sind hingegen typisch für Bildregionen mit starken Veränderungen (RICHARDS & JIA
1999: 276f). Entsprechende statistische Informationen fließen in die Bildung und Grauwert-
kodierung der Hauptkomponenten ein. Auf dieser statistischen Grundlage der Hauptkompo-
nententransformation wurden unterschiedliche methodische Ansätze für die Erfassung von
Veränderungsflächen entwickelt. Diese unterscheiden sich unter anderem in der Kanalaus-
wahl, der multitemporalen Datenverknüpfung sowie in der Definition von „Veränderung" und
der verwendeten Erfassungskriterien.
In der vorliegenden Studie wurde ein mehrstufiges Verfahren entwickelt, das mittels Haupt-
komponententransformation einen paarweisen multitemporalen Vergleich von geeigneten
Multispektralkanälen vorsieht. Dieser Ansatz wurde bereits erfolgreich zur Erfassung von
Veränderungen im Rahmen des Projekts Monitoring of Changes in Biotope and Land Use
Inventories in Schleswig Holstein and Denmark by means of Satellite Image Analysis and
GIS - MoBio eingebunden (WEIERS et al. 1999). In Anlehnung an MoBio erfolgte in der vor-
liegenden Arbeit eine methodische Anpassung und Erweiterung an die speziellen Anforde-
rungen, die eine Lokalisierung von Veränderungsflächen innerhalb von Waldgebieten erfor-
derlich machen.
8.5.2 Multitemporale Kartierung
In Rahmen der Verfahrensentwicklung wurde eine automatisierte Datenauswertung realisiert,
die ohne spezielle Fachinformationen auskommt und somit eine großräumige Kartierung
ermöglicht. Die Möglichkeit zur interaktiven Nachbearbeitung der Ergebnisse ist gewährleis-
tet - auch durch die optionale Einbindung von Fachinformationen. Die Kartierung von poten-
ziellen Veränderungsflächen gliedert sich entsprechend in zwei Auswertungsstufen:
· automatisierte Lokalisierung von potenziellen Veränderungsflächen:
Für zwei Aufnahmezeitpunkte erfolgt die Auswahl von geeigneten Kanälen. Für jedes
multitemporale Kanalpaar wird eine waldoptimierte Hauptkomponententransformation
durchgeführt (Kap. 8.5.2.1). Zur Separierung von potenziellen Veränderungsflächen er-
folgt eine statistische Analyse und Kategorisierung der 2. HK (Kap. 8.5.2.2). Über ein
Regelwerk werden die Einzelauswertungen zusammengeführt (Kap. 8.5.2.3) und ein Ge-
samtergebnis abgeleitet (Kap. 8.5.2.4).
· interaktive Nachbearbeitung und Einbindung von Fachinformationen:
Die Ergebnisse der automatisierten Lokalisierung werden unter Einbeziehung von Fach-
informationen analysiert. Es erfolgt eine abschließende automatische oder visuelle Se-
lektion von Veränderungsflächen (Kap. 10.2.3).
Die zweite Auswertungsstufe ist optional und kann als Teil eines hybriden Verfahrensansat-
zes zur Verbesserung der Kartierungsergebnisse beitragen.
Für die Verfahrensentwicklung wurden LANDSAT-TM(ETM)-Szenen vom 02.06.97 und vom
19.07.99 (30.04.99, 04.09.99) verwendet. Die 97er Szene wurde mittels Passpunktmethode
auf die 99er Szene entzerrt. Alle Satellitenbilddaten wurden mit der Methode der bikubischen
Interpolation resampelt.
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
187
8.5.2.1 Kanalweise Hauptkomponententransformation
Radiometrische Verbesserung - relative Bildanpassung (optional)
Eine einfache und wenig zeitaufwendige Angleichung multitemporaler Satellitenbilder ermög-
lichen Methoden zur relativen Bildanpassung. Im vorliegenden Verfahrensansatz werden
Referenzflächen ermittelt, die sich zwischen den Aufnahmezeitpunkten nicht verändert ha-
ben. Hierzu dienen stehende Gewässer, möglichst verteilt über das gesamte Untersuchungs-
gebiet, die im sichtbaren und infraroten Spektrum gering reflektieren. Im multitemporalen
Vergleich gleicher Spektralkanäle wird anhand der geometrisch erfassten Referenzflächen
eine kanalspezifische Grauwert-Konstante errechnet, die eine Abschätzung des Atmosphä-
reneinflusses zulässt (mittl. GrauwertSzene A - mittl. GrauwertSzene B = Differenz). Mit diesem
Korrekturbetrag wird eine automatische lineare Anpassung der Bilddaten vorgenommen. Als
Referenzkanal gilt der des am geringsten atmosphärisch beeinträchtigten Satellitenbildes.
Da die Atmosphäre i.d.R. keinen nennenswerten Einfluss auf IR-Kanäle ausübt, kann ggf.
auf diese grobe Bildanpassung verzichtet werden, wenn die Kanalauswahl keine Beteiligung
bzw. Kombination von Kanälen des sichtbaren Spektrums vorsieht.
Kanalauswahl
Eine starke Zunahme oder Abnahme des Bestandesschlusses innerhalb von Wäldern ist in
Multispektralkanälen und in synthetischen Kanälen erkennbar. Stark aufgelichtete Bestände
oder Hiebsflächen reflektieren im roten Spektrum (mittleren Infrarot) stärker (geringer) als
vergleichbare geschlossene Bestände (hier:TM3, TM5). Im NDVI-Kanal sowie im Ratio-
Kanal NIR/MIR (hier: TM4/TM5) bilden aufgelichtete Bestände und Hiebsflächen die dun-
kelsten Bildteile, geschlossene Wälder werden in mittleren bis sehr hohen Werten wieder-
gegeben.
Kanalpaarung
Gleiche Kanäle werden jeweils in einem neuen zweikanaligen multitemporalen Datensatz
zusammengeführt.
Waldoptimierte Hauptkomponententransformation
Für jedes Kanalpaar wird eine waldoptimierte Hauptkomponententransformation durchge-
führt, wobei der neue Merkmalsraum jeweils von der 1. und 2. HK aufgespannt wird. Die
Vorzüge gegenüber dem Standardverfahren sind in Kapitel 5.2.3.2.2 ausführlich beschrie-
ben.
Die originalen Kanalpaare sind innerhalb von Waldgebieten jeweils stark miteinander korre-
liert, da sehr ähnliche Bildbereiche dominieren. Die Gesamtinformation aus den beiden Da-
tensätzen wird daher durch die Transformation sehr stark komprimiert (vgl. Abb. 82):
· In der 1. HK werden solche Informationen wiedergegeben, die zu den beiden Zeitpunkten
nur geringfügig voneinander abweichen und hoch korreliert sind. Es handelt sich um
weitgehend „unveränderte“ Bildbereiche.
· In der 2. HK werden Informationen wiedergegeben, die in den Datensätzen mehr oder
weniger stark voneinander abweichen und geringe Korrelationen aufweisen. Es handelt
sich um mehr oder weniger stark „veränderte“ Bildbereiche.
Bei den Korrelationsberechnungen kommt den absoluten Grauwerten eine nur geringe Be-
deutung zu. Gleichgerichtete Unterschiede bzw. Trends zwischen Szenen bzw. Kanälen
(„heller“, „dunkler“) werden in den Berechnungen weitgehend normiert. Radiometrisch oder
atmosphärisch bedingte Modifikationen der Multispektraldaten bleiben ohne großen Einfluss
auf die Hauptkomponententransformation, wenn die Bedingungen innerhalb der Ausgangs-
szenen einheitlich sind. Dies gilt auch für geringfügige phänologische Unterschiede (Som-
mer-Aspekt).
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
188
Für die nachfolgenden Auswertungen wird lediglich die 2. HK benötigt, in der Veränderungs-
flächen besonders hervorgehoben sind.
NDVI (TM-Szene vom 02.06.97) NDVI (TM-Szene vom 19.07.99)
1. Hauptkomponente „NDVI 97/99 2. Hauptkomponente „NDVI 97/99“
Abb. 82: Hauptkomponententransformation eines multitemporalen Kanalpaares - Beispiel:
NDVI
oben: NDVI-Kanäle der Ausgangsszenen
Mitte: 1. und 2. Hauptkomponente (schwarz: Waldmaske)
unten: Histogramme der Hauptkomponenten / UG Nedlitz
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
189
8.5.2.2 Kategorisierung der Transformierten
Auf Basis der Grauwerteverteilungen wird für jede Transformierte eine Separierung und Ka-
tegorisierung von potenziellen Veränderungsflächen vorgenommen. Hierzu wird Folgendes
angenommen:
· Die Grauwerte der 2. HK sind nahezu normalverteilt: Für die meisten Bildelemente wer-
den nur geringfügige oder keine Unterschiede ermittelt, sodass deren Informationen bzw.
Grauwerte nur geringfügig von arithmetischem Mittelwert und Modus abweichen.
· Veränderungsflächen werden von Bildelementen wiedergegeben, die mehr oder weniger
starke Abweichungen vom Mittelwert aufweisen.
· Mit zunehmender Abweichung vom Mittelwert steigt die Wahrscheinlichkeit, dass es sich
um Veränderungsflächen handelt.
Auf Basis der statistischen Standardabweichung wurde eine Kategorisierung festgelegt, die
nach positiven und negativen Abweichungen unterscheidet (vgl. Tab. 25). Die statistischen
Schwellenwerte stellen Erfahrungswerte dar, die in Auswertungen mehrerer Szenenpaare
getestet und bestätigt wurden. Für jedes Kanalpaar wird die Grauwerteverteilung der 2. HK
nach den festgelegten Schwellenwerten automatisch kategorisiert.
Tab. 25: Kategorisierung der 2. Hauptkomponente auf Basis statistischer Maße
Kategorie
(X: Mittelwert, d:Standardabweichung)
Veränderungs-
intensität
> (X + 2,0d)hoch
> (X + 1,5d)mittel
> (X + d)gering
< (X - 2d)hoch
< (X - 1,5xd)mittel
< (X - d)gering
8.5.2.3 Ableitung von Verdachtsflächen
Im Vergleich der einzelnen Teilergebnisse zeigten sich geringfügige Abweichungen in der
Erfassung von möglichen Veränderungen. Diese sind unter anderem auf die unterschiedli-
chen Spektralinformationen der beteiligten Kanäle zurückzuführen. Die verschiedenen Kate-
gorisierungen können übereinstimmen und sich teilweise ergänzen.
Es wurde daher ein Regelwerk aufgestellt, mit dem die separierten und kategorisierten Flä-
chen der kanalspezifischen Einzelauswertungen zu einem Gesamtergebnis zusammenge-
führt werden können: So werden beispielsweise Flächen verworfen, die ausschließlich in
einer Kanalpaarung der unsichersten Kategorie „geringe Veränderungsintensität" angehören;
als sicherste Flächen gelten solche, die in allen Kanalpaarungen der höchsten Verände-
rungsintensität zuzuordnen sind usw..
Eine Gruppierung ermöglicht die Unterscheidung nach den Veränderungsklassen „Zunahme“
sowie „Abnahme“ des Bestandesschlusses.
Das Zwischenergebnis ergibt eine Differenzierung nach den drei Kategorien
· geringe Veränderung / unsicher,
· mittlere Veränderung / sicher,
· starke Veränderung / sehr sicher.
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
190
Diese unterscheiden sich hinsichtlich der flächenbezogenen Veränderungsintensität sowie
der Verlässlichkeit der Erfassung. Eine sehr sichere Erfassung liegt beispielsweise vor, wenn
eine starke Veränderung eines vormals geschlossenen Bestandes hin zu einem stark aufge-
lichteten Bestand oder einer Hiebsfläche vorliegt. Eine vergleichsweise unsichere Erfassung
kann angenommen werden, wenn waldbauliche Maßnahmen zu einer Auflockerung eines
vormals geschlossenen oder gedrängten Kiefernbestandes führen und die Veränderungen
des Bestandesschlusses vom Satellitensensor entsprechend weniger deutlich erfasst wer-
den.
Ergebnis: automatische Kartierung
Ergebnis: automatische Kartierung
„Zunahme“
(Bestandesschluss)
„Zunahme“
(Bestandesschluss) „Abnahme“
(Bestandesschluss)
„Abnahme“
(Bestandesschluss)
„vorher“
„vorher“ „vorher“
„vorher“
„nachher“
„nachher“
„nachher“
„nachher“
„vorher“
„vorher“
Waldmaske
Waldmaske
„Zunahme“
(Bestandesschluss)
„Zunahme“
(Bestandesschluss)
LANDSAT-TM
„vorher“
LANDSAT-TM
„vorher“ LANDSAT-TM
„nachher“
LANDSAT-TM
„nachher“
Geokodierung /
Bild-auf-Bild-Registrierung
Generierung synthetischer Kanäle
Kanalauswahl / Kanalpaarung
waldoptimierte
Hauptkomponententransformation
2. Haupt-
komponente
2. Haupt-
komponente 2. Haupt-
komponente
2. Haupt-
komponente
2. Haupt-
komponente
2. Haupt-
komponente
statistische Kategorisierung
(Basis: Standardabweichung)
Zusammenführung und Gruppierung
(Regelwerk)
„Abnahme“
(Bestandesschluss)
„Abnahme“
(Bestandesschluss)
„nachher“
„nachher“
Filterung
Segmentbildung
Eliminierung von Randeffekten
Selektion von Flächen (Regelwerk)
optional
Referenzflächen
„stehende Gewässer“
Referenzflächen
„stehende Gewässer“
relative Bildanpassung
(Reduzierung von Atmosphäreneinflüssen)
Abb. 83: Ablaufschema der automatischen Kartierung von potenziellen Veränderungsflächen
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
191
Zur Reduzierung von Fehlkartierungen entlang von Waldrändern, Wirtschaftswegen oder
Verkehrswegen können Zusatzinformationen optional integriert werden. Im Untersuchungs-
gebiet Nedlitz dienten Pufferungen von Waldmaske oder ATKIS-Daten („Verkehrswege“) zur
Beseitigung von Randeffekten. Abschließend erfolgt eine Filterung (Majority-Filter) sowie die
Eliminierung von verbliebenen Kleinstsegmenten (< 1 ha).
Der Auswertungsprozess wird in Abbildung 83 schematisch dargestellt. Das Programm zur
automatischen Kartierung von Veränderungsflächen findet sich im Anhang dieser Arbeit
(ERDAS IMAGINE, Spatial Modeler / 7 Modelle).
8.5.2.4 Ergebnis der automatischen Veränderungsflächenkartierung
Als Ergebnis resultieren zwei sich ergänzende Kartierungen von potenziellen Veränderungs-
flächen:
· Zunahme des Bestandesschlusses,
· Abnahme des Bestandesschlusses.
Eine grobe Differenzierung nach der Veränderungsintensität bzw. der geschätzten Erfas-
sungsgenauigkeit von Einzelflächen ist möglich (s.o.). Die Kartierungsergebnisse auf der
Basis von 97er und 99er TM-Daten zeigt Abbildung 84. Eine Bewertung der erzielten Kartie-
rungsgenauigkeiten zeigt, dass die automatische Auswertung für eine erste großräumige
Erfassung geeignet ist (Kap. 9.2).
Eine Verbesserung und Nutzungssteigerung der Auswertungsergebnisse kann erreicht wer-
den, wenn der vollautomatisierte Verfahrensansatz als schnell durchführbare großräumige
Vorkartierung genutzt wird. Von Fachinterpreten bzw. Anwendern können diese Zwischener-
gebnisse durch visuelle Interpretation, auch durch Einbeziehung von Fachinformationen, ggf.
in einer GIS-Umgebung, mit geringem Zeitaufwand weiter ergänzt und korrigiert werden. Die
optionale Erweiterung des Auswertungsprozesses zu einem hybriden Verfahren wird in Ka-
pitel 10.2.3 dargestellt.
Das Verfahren wurde im Projekt OFULSA exemplarisch auf andere zur Verfügung stehende
(TM-) Szenen angewendet (u.a. 19.07.99 und 04.09.99, 02.06.97 und 19.07.99, 30.04.99
und 04.09.99). Hiernach erscheint eine Übertragbarkeit gewährleistet, wenn Sommer- oder
(Früh-) Herbst-Szenen ausgewählt werden. Die Verwendbarkeit von Frühjahrs- und Winter-
Szenen ist wegen der fehlenden bzw. nicht vollständigen Belaubung eingeschränkt, zur Re-
duzierung von phänologischen Effekten ist die Einbindung von Zusatzinformationen zwin-
gend erforderlich.
Kapitel 8: Automatische Auswertung der Satellitenbilddaten
192
„vorher“ (Szene vom 02.06.97) „nachher“ (Szene vom 19.07.99)
Zunahme des Bestandesschlusses Abnahme des Bestandesschlusses
Abb. 84: Lokalisierung von potenziellen Veränderungsflächen: Ergebnis der automatisierten
Kartierung
Kategorien (Veränderungsintensität, Verlässlichkeit): stark (rot) - mittel (gelb) - gering (grün)
TM-Ausgangsszenen (RGB: TM4-TM5-TM3) / UG Nedlitz
Kapitel 9: GIS-Integration und Verifizierung der Auswertungsergebnisse
193
9 GIS-Integration und Verifizierung der Auswertungsergebnisse
Zur Nutzungssteigerung der Satellitenfernerkundung in der Forstverwaltung ist die Einbin-
dung von Auswertungsergebnissen in bestehende Fach- bzw. Geo-Informationssysteme
anzustreben. Eine praktikable Verknüpfung bildet eine Grundvoraussetzung für weiterfüh-
rende GIS-gestützte Analysen und für Ergänzungen, Aktualisierungen oder Laufendhaltun-
gen von Daten. Die Integration ermöglicht zudem eine maximale Nutzung verfügbarer Sach-
und Geometriedaten für Verifizierungszwecke, sodass der Aufwand für Gelände- oder Luft-
bildauswertungen gering gehalten werden kann.
Im Projekt MOMSSA wurde ein Verfahren entwickelt zur automatischen Integration von Sa-
tellitenbildauswertungsergebnissen in das FGIS Sachsen. Die Ergebnisse wurden auf die in
der sächsischen Forstverwaltung angewandten Datenstrukturen thematisch und geometrisch
abgestimmt (Kap. 9.1.1).
Die Verifizierungen der integrierten Waldstrukturklassifizierungen wurden vorrangig auf Basis
von GIS-gestützten Analysen durchgeführt (Kap. 9.1.2 und 9.1.3). Die Verifizierung der
Waldschadenskartierung erforderte zusätzliche Auswertungen von CIR-Luftbildern (Kap.
9.1.4). Für die Bewertung der Kartierungsergebnisse von potenziellen Veränderungsflächen
im Untersuchungsgebiet Nedlitz wurde eine vollständige visuelle Überprüfung vorgenommen
(Kap. 9.2).
9.1 Verifizierung von Waldstrukturklassifizierung und Waldschadenskartie-
rung
An der Sächsischen Landesanstalt für Forsten (LAF) wurde sowohl die GIS-Integration der
Auswertungsergebnisse (hier: FGIS Sachsen) und die Verfahrensentwicklung zur GIS-
basierten Verifizierung vorgenommen. In der vorliegenden Arbeit werden wesentliche Ver-
fahrensschritte kurz skizziert - ausführliche Beschreibungen finden sich im Abschlussbericht
(COENRADIE et al. 2003). Entsprechende Analyseergebnisse werden aufgegriffen und be-
wertet.
9.1.1 Integration von Auswertungsergebnissen in das FGIS
Die Einbindung von Klassifizierungsergebnissen in bestehende forstliche Geo-
Informationssysteme erfordert zwei wesentliche Bearbeitungsschwerpunkte:
· Geometriedaten:
Die forstlichen Geometrien (hier: digitale Forstgrundkarten) müssen mit denen der Satel-
litenbildklassifizierung (räumliche Verteilung der Objektklassen) verschnitten werden,
damit eine räumliche Verknüpfung beider Datensätze möglich wird.
· Sachdaten:
Die Klassifizierungsschlüssel sind mit den Daten bzw. der Nomenklatur der Forsteinrich-
tung inhaltlich-thematisch abzustimmen (Harmonisierung und Zuweisung).
Im Projekt MOMSSA wurde ein Lösungsweg aufgezeigt, der sich an dem speziellen Aufbau
des FGIS orientiert.
Geometrische Anpassung
In einem ersten Schritt wurde eine Raster-Vektor-Konvertierung der Klassifizierungsergeb-
nisse vorgenommen. Hierbei entstehen Polygone, die die treppenförmige Pixelstruktur ent-
lang von Flächengrenzen (hier: Segmente mit gleicher Klassenzuweisung) nachzeichnen.
Bei einer direkten Verschneidung der vektorisierten Klassifizierungsergebnisse mit forstli-
chen Geometriedaten (hier: Forstamtsgeometrien bzw. digitale Forstgrundkarte) würden
entlang von kartographisch erfassten Bestandesgrenzen Fehlzuweisungen entstehen, da
Kapitel 9: GIS-Integration und Verifizierung der Auswertungsergebnisse
194
hier häufig Informationen aus den jeweils benachbarten Beständen in einem Bildpunkt ver-
eint sind (Mischpixelproblematik).
Um diese Fehler zu minimieren, wurden nach der Verschneidung neu entstandene Polygone
innerhalb eines Toleranzbereiches (Saumbreite: 10 m) entlang der forstlichen Grenzen eli-
miniert (vgl. Abb. 85). Nachfolgend wurden die übrigen aus den Satellitenbilddaten ermittel-
ten Polygone analysiert:
· Die im Toleranzbereich liegenden Abgrenzungen wurden durch die forstlichen Bestan-
desgrenzen der Forstgrundkarte ersetzt.
· Polygone, die außerhalb dieses Saumes lagen, wurden als „Bestandesgrenzen" bzw.
Begrenzungen von unterschiedlichen forstlichen Objekten (u.a. gruppen-, trupp- bzw.
kleinbestandsweise Mischung, Bestandeslücken, teilweise geometrisch nicht erfasste
Nebenbestände, Unterschiede des Bestandesschlusses) betrachtet und für die weiteren
Auswertungen genutzt.
Als Zwischenergebnis wurde ein neuer geometrischer Bezugsdatensatz erstellt, der sich aus
bestehenden, kartographisch erfassten Bestandesgrenzen und ergänzenden fernerkundeten
„Grenzen“ zusammensetzt. Beim Aufbau der neuen Polygonstruktur wurde ein Adressenfeld
aus der forstlichen Adresse und den Objektklassen der Klassifizierung generiert, sodass die
Anbindung der Forsteinrichtungsdaten an die klassifizierten Flächen möglich wurde.
Abb. 85: Beispiel für die Pufferung der Klassifizierungsergebnisse
Pufferbereiche (weiß) beiderseits der forstlichen Grenzen (schwarz) / UG Dübener Heide
Anpassung der Sachdatenstrukturen
Die Klassifizierungsschlüssel der Satellitenbildauswertungen entsprechen i.d.R. nicht den
Parametern und der Nomenklatur der Forsteinrichtung:
· Die Objektklassen (Objektartenkomplexe) sind wegen der begrenzten spektralen Trenn-
barkeiten häufig mehrdeutig (z.B. „Buche“, „Laubwald“). Teilweise fehlt eine direkte Zu-
ordnung zu den Forsteinrichtungsdaten (z.B. „Mischwald“).
· Einzelne Parameter werden innerhalb von Beständen aber auch weiter differenziert.
So werden beispielsweise (gruppen-, truppweise) Laubholz-Beimischungen oder Laub-
holz-Überhälter in Kiefernbeständen erfasst, die kartographisch nicht verortet sind.
Im Rahmen des Systematisierungsansatzes wurde diese Problematik bereits aufgegriffen
und beschrieben (vgl. Kap. 6).
Es besteht somit die Notwendigkeit einer inhaltlichen Anpassung der Forsteinrichtungsdaten
an die Klassifizierungsergebnisse (Verknüpfung von Objektarten und Objektartenkomplexen,
Kapitel 9: GIS-Integration und Verifizierung der Auswertungsergebnisse
195
vgl. Kap. 6.4). Hierzu wurden in der Projektdatenbank zusätzliche Merkmale mit der Nomen-
klatur der Klassifizierungsschlüssel definiert. Durch gezielte Datenbankabfragen konnten aus
den Forsteinrichtungsdaten entsprechende Werte für folgende Felder abgeleitet werden:
· Baumarten:
Baumarten einer Gattung wurden aggregiert
(z.B. Gemeine Kiefer, Murraykiefer, Schwarzkiefer zur Klasse „Kiefer“),
nicht klassifizierte Baumarten wurden in Sammelklassen zusammengeführt
(z.B. UG Dübener Heide: Zuordnung der Baumart Fichte zur Klasse „Nadelholz“).
· Baumartengruppe:
Begriffsfestlegung: Unterscheidung von Laubwald und Nadelwald.
· Wuchsklasse:
Wuchsklasse der jeweiligen Baumartenzeile.
Die Verifizierungsergebnisse wurden tabellarisch in Form von Verwechselungsmatrizen
(confusion matrices) dargestellt (vgl. Abb. 86). Die Interpretation der prozentualen Angaben
kann nach zwei Betrachtungsweisen erfolgen (STORY & CONGALTON 1986):
· Sicht des Nutzers (user accuracy):
Den Datennutzer, die Forstverwaltung, interessiert, zu welchem Prozentsatz das Ergeb-
nis zutrifft und welche Zuweisungsfehler - zu anderen Beständen - sich darin verstecken
(Spaltensumme der Matrix = 100 %).
· Sicht des Herstellers (producer accuracy):
Den Hersteller interessiert, wie viel Prozent der Bildelemente jeder Klasse richtig zuge-
wiesen wurden und wie hoch die Fehlzuweisungsquote zu den anderen Klassen lag
(Zeilensumme der Matrix = 100 %).
Deren Kombination trägt dazu bei, eine umfassende Bewertung von Klassifizierungen zu
erlangen. Die Prozentangaben geben insbesondere Hinweise auf die Über- oder Unterreprä-
sentanz von einzelnen Klassen.
Klassifizierungsergebnis
[absolute Zahlen]
Klasse A B C
A300 0 0 300
B100 600 100 800
C50 50 900 1000
reale
Klasse
S450 650 1000 2100
Klassif.-Ergebnis [%]
- Herstellersicht -
Klassif.-Ergebnis [%]
- Nutzersicht -
Klasse A B C SKlasse A B C
A100 0,0 0,0 100 A66,7 0,0 0,0
B12,5 75,0 12,5 100 B22,2 92,3 10,0
C5,0 5,0 90,0 100 C11,1 7,7 90,0
S100 100 100
Abb. 86: Prinzip der Verwechselungsmatrix
oben: Klassifizierungsergebnis in absoluten Pixelwerten
unten: Klassifizierungsergebnis in Prozentzahlen aus Herstellersicht und Nutzersicht
verändert nach HILDEBRANDT (1996: 555)
Kapitel 9: GIS-Integration und Verifizierung der Auswertungsergebnisse
196
9.1.2 Waldstrukturklassifizierung „Dübener Heide“
9.1.2.1 GIS-gestütztes Verifizierungsverfahren
Für das GIS- bzw. datenbankbasierte Verifizierungsverfahren der Klassifizierungsergebnisse
werden aktuelle Forsteinrichtungsdaten und digitale Forstgrundkarten genutzt. Die zuvor
beschriebenen Anpassungen der Daten bilden hierfür die methodischen Voraussetzungen.
Dies gewährleistet eine sehr kritische Prüfung der fernerkundeten Informationen, da die ho-
hen Genauigkeitsanforderungen der Forstpraxis zugrunde gelegt werden.
Die GIS-gestützte Auswertung ermöglicht prinzipiell eine Analyse der gesamten Holzboden-
fläche des Untersuchungsgebiets. Sofern aktuelle Forsteinrichtungsdaten verfügbar sind -
wie dies für den Landes- und Körperschaftswald im Untersuchungsgebiet zutraf - können
aufwendige terrestrische oder luftbildgestützte Erhebungen von Verifizierungsdaten erheblich
reduziert werden.
Die kleinste geometrisch erfasste Einheit im FGIS ist der Bestand. Alle Angaben aus der
Forsteinrichtung unterhalb dieser Ebene sind somit nicht lokalisierbar. Aus diesem Grund
können nur Bestandesaussagen miteinander verglichen werden. Die GIS-gestützte Verifizie-
rung von Satellitenbildauswertungen setzt daher die Zusammenfassung und Aggregation der
Ergebnisse auf Bestandesebene voraus. Im Rahmen der automatisierten Verifizierung wur-
den nur Bestände im Landeswald analysiert.
Bewertungsschema
Nach der Verschneidung der Geometrien lagen die Auswertungsergebnisse auch bestandes-
weise vor, sodass diese mit den projektspezifisch aufbereiteten Forsteinrichtungsdaten kom-
biniert werden konnten. Für die Verifizierung der Klassifizierungsergebnisse konnte nun ein
Vergleich mit jeder Baumartenzeile durchgeführt werden. Im Ergebnis des Datenvergleichs
erfolgte die Übernahme der Flächen mit der höchsten Zuweisungsgenauigkeit für einen ge-
meinsamen Datensatz. In einem zusätzlichen Datenbankfeld wurde jeder Zeile ein Gewich-
tungsfaktor zugewiesen, der angibt, mit welcher Wahrscheinlichkeit die Baumartenzeile in
der Klassifizierung korrekt erfasst wurde. Hierbei fand auch Berücksichtigung, auf welcher
Aggregationsstufe eine Übereinstimmung erzielt wurde (vgl. Abb. 87).
Bewertungsschema mit Gewichtungskategorien
Baumart
identisch
?
Mischungs-
form
?
Baumart
Kiefer
?
Wuchsklasse
benachbart
?
Wuchsklasse
identisch
?
Baumartengruppe
identisch
?
Mischwald-
klasse
?
0
1
2
3
4b
4a
5
5
janeinja
ja
ja
ja
nein
nein
ja
ja
nein
nein
nein
nein
Abb. 87: Verifizierung von Klassifizierungsergebnissen unter Einbeziehung von Forstein-
richtungsdaten - Schema zur Bestimmung der Zuweisungsgenauigkeiten
Beispiel: Waldstrukturklassifizierung „Dübener Heide
Kapitel 9: GIS-Integration und Verifizierung der Auswertungsergebnisse
197
9.1.2.2 Bestandesdifferenzierungen
Bestandeszustandstyp
Laut Forsteinrichtungsdienstanweisung Sachsens (FED, 1993) beschreibt der Bestandeszu-
standstyp auf der Ebene Bestand die Baumartenvergesellschaftung im Oberstand. Er setzt
sich zusammen aus 9 Bestandesgruppen (Fichten-, Kiefern-, Lärchen-, Eichen-, Buchen-,
Birkentypen und Typen sonstiger Nadelbaumarten, sonstiger Hartlaubbaumarten sowie
sonstiger Weichlaubbaumarten) und dem Mischungsanteil der Mischbaumarten.
Da bestimmte Baumarten im Satellitenbild nicht klassifizierbar sind, wurden für jeden Be-
stand aus der Forsteinrichtung ein den Klassen der Satellitenbildklassifizierung entsprechen-
der Bestandestyp gebildet und die Ergebnisse miteinander verglichen. Es wurden folgende
Bestandestypen ausgeschieden:
· Kiefer (KI),
· Lärche (LA),
· Nadellaubmischwald (NL),
· Laubnadelmischwald (LN),
· Buche (BU),
· Eiche (EI),
· Erle (ER),
· Birke (BI),
· Laubholz (LH),
· Nadelholz (NH).
Bestände mit anderen dominierenden Baumarten wurden in den Sammelklassen „Laubholz“
(LH) und „Nadelholz“ (NH) zusammengefasst. Die Sonderklasse „Erle“ (ER) wurde ausge-
schieden, da Bestände mit dieser Hauptbaumart aus den Forsteinrichtungsdaten selektiert
werden konnten. Die Mischwaldklassen „Nadel-Laub-Mischwald“ (NL) und „Laub-Nadel-
Mischwald“ (LN) - im Rahmen der Forsteinrichtung nicht ausgeschieden - wurden aus den
ermittelten Baumarten und Mischungsangaben bestandesweise kompiliert.
Aus Nutzersicht ergibt sich folgendes Ergebnis (vgl. Tab. 26):
· Kieferntypen konnten mit sehr hoher Genauigkeit klassifiziert werden (91 %). Einzelne
Bestände wurden als nadelbaumdominierter Mischwald klassifiziert. Dieser Fehler beruht
zum einen auf dem stetigen spektralen Übergang von Reinbeständen zu Mischwäldern
sowie zum anderen auf der spektralen Ähnlichkeit von Mischwäldern und zweischichtigen
Kiefernbeständen (Unterstand: Laubholz, geschlossen).
· Die Erfassung von Lärchen- sowie Birkentypen war unzureichend (< 9 %, < 7 %). Diese
Baumarten sind in der Dübener Heide allerdings selten bestandesbildend. Der darauf
begründete geringe Stichprobenumfang (Trainingsgebiete) erschwerte die sichere Erfas-
sung. Zahlreiche Lärchen- und Birkentypen wurden der spektralen Konkurrenzklasse
„Mischwald“ zugewiesen (vgl. Kap. 8.2.2.1.1).
· Ein hoher Anteil von Buchen- und Eichentypen wurde als „Laubholz" (undifferenziert)
klassifiziert. Hierbei handelte es sich vorwiegend um jüngere Bestände (Anwuchs, Di-
ckung, Stangenholz), deren spektrale Separierung nicht möglich ist. Die Klassifizierungs-
genauigkeiten von älteren Buchen- und Eichentypen (v.a. Baumholz) lagen folglich über
den ermittelten Werten. So werden beispielsweise ca. 60 % der Buchenbestände richtig
klassifiziert, wenn Anwuchs-Flächen unberücksichtigt bleiben.
· Erlentypen (> 56 %) wurden häufig als „Eiche“ fehlklassifiziert (> 18 %). Deren spektrale
Trennbarkeit ist sehr schwach ausgeprägt und erforderte bereits die Einbindung von
Standortsinformationen in den Klassifizierungsprozess.
Eine sichere Abgrenzung gegenüber Buchentypen konnte hingegen erzielt werden.
· Die Klasse „Laubholz“ ist mit insgesamt nur 9 Beständen nicht repräsentativ. In dieser
Klasse sind verschiedene Laubbaumarten zusammengefasst, die nicht weiter unter-
schieden werden konnten.
Kapitel 9: GIS-Integration und Verifizierung der Auswertungsergebnisse
198
Tab. 26: Prozentuale Klassifizierungsgenauigkeit nach Bestandestypen - Nutzersicht
Klassifizierungsergebnis „Bestandestypen“
Klassen KI LA BU EI ER BI NL LN LH S
KI 91,0 0,0 0,0 0,4 0,0 0,0 8,3 0,1 0,2 100
LA 33,3 8,3 0,0 0,0 0,0 0,0 41,7 16,7 2,0 100
BU 0,0 0,0 50,0 3,8 0,0 0,0 0,0 0,0 46,2 100
EI 14,3 0,0 19,0 38,1 0,0 0,0 0,0 9,5 19,0, 100
ER 0,0 0,0 0,0 18,8 56,3 0,0 0,0 18,8 6,3 100
Forsteinrichtungs-
daten
BI 18,8 0,0 0,0 0,0 12,5 6,3 37,5 25,0 0,0 100
Basis: Bestände >2,5 ha, alle Wuchsklassen (Landeswald), Berechnung: LAF / UG Dübener Heide
Aus Herstellersicht ergibt sich folgendes Ergebnis (vgl. Tab. 27):
· Alle Hauptbaumarten wurden mit Genauigkeiten über 60 % erfasst. Insbesondere die
sehr gute Erfassung von Kiefernbeständen (> 97 %) ist hervorzuheben.
· Alle als Lärchen- und Birkenflächen klassifizierten Bestände sind auch überwiegend mit
Lärche und Birke bestockt. Allerdings ist hier die Anzahl der Bestände nicht repräsenta-
tiv.
· Eine hinreichend genaue Verifizierung der Klassen „Nadel-Laub-Mischwald“ und „Laub-
Nadel-Mischwald“ war nicht möglich, da in den Forsteinrichtungsdaten entsprechende
Mischwaldtypen nicht beschrieben werden (s.o.). Folglich resultiert eine starke Streuung
über alle Bestandestypen.
· In der Klasse „Laubholz“ (undifferenziert) summieren sich Flächen, die zwar als Laubholz
richtig erfasst wurden, im Rahmen der Klassifizierung aber keinem der Bestandestypen
sicher zugeordnet werden konnten. Hierbei handelt es sich vorwiegend um kleinere Flä-
chen und um junge Bestände (Anwuchs bis Stangenholzstadium). Dies erklärt die hohe
Quote an „Fehlzuweisungen“.
Tab. 27: Prozentuale Klassifizierungsgenauigkeit nach Bestandestypen - Herstellersicht
Forsteinrichtungsdaten
Klassen KI LA BU EI ER BI FI LH S
KI 97,9 0,0 0,1 0,5 0,0 0,9 0,2 0,0 100
LA 0,0 100,0 0,0 0,0 0,0 0,0 0,0 0,0 100
BU 0,0 0,0 62,1 27,6 0,0 6,9 0,0 3,4 100
EI 22,7 0,0 4,5 54,5 18,2 0,1 0,0 0,0 100
ER 0,0 0,0 0,0 0.0 75,0 25,0 0,0 0,0 100
BI 0,0 0,0 0,0 0,0 12,5 100,0 0,0 0,0 100
NL 75,0 9,3 0,0 2,8 0,0 13,0 0,7 0,0 100
LN 22,2 16,7 5,6 11,1 16,7 27,8 0,0 0,0 100
Klassifizierungsergebnis
„Bestandesstruktur“
LH 10,5 0,0 52,6 26,3 5,3 0,0 0,0 5,3 100
Basis: Bestände >2,5 ha, alle Wuchsklassen (Landeswald), Berechnung: LAF / UG Dübener Heide
Mit Hilfe von CIR-Luftbildern wurden die laut Forsteinrichtungsdaten falsch klassifizierten
Bestände überprüft. Dabei lassen sich die Fehlzuweisungen in verschiedene Kategorien
einteilen:
Kapitel 9: GIS-Integration und Verifizierung der Auswertungsergebnisse
199
· Anteilfehler:
Aufgrund der Baumartenzusammensetzung oder der Baumartenmischung wurden zwi-
schen Satellitenbilddaten und Forsteinrichtungsdaten verschiedene Anteile der Baumar-
ten ermittelt und die Bestände zu unterschiedlichen Bestandestypen zugeteilt.
Dieses Problem tritt häufig bei Beständen mit ähnlichen Anteilen von Nadel- und Laub-
baumarten auf, die aufgrund der größeren Kronen der Laubbäume in der Satellitenbild-
klassifizierung diesen Bestandesklassen zugewiesen werden. Auch Laubbaum-Über-
hälter und -gruppen können hier das Ergebnis erheblich beeinflussen.
· Jungbestände (v.a. Anwuchs):
Innerhalb von älteren aufgelichteten (zweischichtigen) Beständen wurden Flächen mit
Unterwuchs teilweise der Klasse „Blöße/Jungwuchs“ zugeordnet. Aus Nutzersicht han-
delt es sich dabei um einen erheblichen Fehler. Dieser beruht auf den spektralen und
strukturellen Ähnlichkeiten dieser Flächen und konnte im Rahmen der hierarchischen
Klassifizierung durch Kontextanalysen bereits reduziert werden (vgl. Kap. 8.3.3).
Durch eine angemessene Beachtung und Bewertung dieses Sonderfalls (z.B. „Jung-
wuchs innerhalb von Kiefern-Baumholzbestand“ = aufgelichteter Bestandesteil) in der
automatisierten Verifizierung wäre eine bessere Klassifizierungsgüte zu erzielen.
Besonders bei Beständen mit Laubbaumarten wird das Klassifizierungsergebnis deutlich
besser, wenn die Wuchsklasse Jungwuchs bei der Baumartenklassifizierung nicht be-
rücksichtigt wird.
· „Fehler“ aufgrund forstlicher Maßnahmen:
Zwischen dem Zeitpunkt der Forsteinrichtung und dem Aufnahmezeitpunkt der Satelli-
tenszene erfolgten waldbauliche Maßnahmen mit Veränderungen der Bestandesstruk-
turen (u.a. Auflichtungen, Alt- und Jungdurchforstung). Entsprechende Effekte können
auch durch abiotische oder biotische Einflüsse eintreten (v.a. Windwurf).
· Datenfehler:
Fehler in den Forsteinrichtungsdaten (fehlerhafte Datenbankeingaben, Taxationsfehler)
oder Adressierungsfehler können dazu führen, dass Forsteinrichtungsdaten nicht mit der
Fläche übereinstimmen.
· Sonderformen in Baumartenzusammensetzung und Bestandesaufbau:
Aufgrund ihrer geringen Anzahl konnten diese nicht im Klassifizierungsprozess berück-
sichtigt werden.
Die Klassifizierungsgenauigkeit ist abhängig von der Bestandesgröße und -form und wird
von der Pixelgröße der verwendeten Satellitenbilddaten modifiziert. Mit abnehmender Flä-
chengröße und -breite verändert sich das Verhältnis von „reinen“ Pixeln (der Innenflächen)
und Randpixeln zuungunsten ersterer. Mischsignaturen können somit vermehrt zu Fehlzu-
weisungen führen. Ein Vergleich der Forsteinrichtungsdaten mit den Klassifizierungsergeb-
nissen verdeutlicht die starke Abhängigkeit der Klassifizierungsgenauigkeit von der Bestan-
desgröße (vgl. Tab. 28). Bereits bei einer Mindestflächengröße von 1 ha wurden knapp 75 %
aller Bestände (hier: ohne Anwuchs) richtig klassifiziert. Für Bestände mit einer Flächengrö-
ße von mehr als 5 ha konnte eine Genauigkeit von fast 90 % ermittelt werden.
Hauptbaumarten
Für Bestände mit einer Mindestflächengröße von 1 ha wurde die Hauptbaumart mit einer
Genauigkeit von mehr als 84 % (Baumart) bzw. 92 % (gleiche Baumart oder Baumarten-
gruppe) klassifiziert. Lediglich für knapp 1 % wurde eine falsche Baumart bzw. Baumarten-
gruppe ermittelt (vgl. Tab. 29).
Da nicht alle Baumarten als separate Klasse ausgewiesen werden konnten, finden sich in
der Kategorie „gleiche Baumartengruppe“ zum Teil auch richtig klassifizierte Bestände wie-
der, etwa wenn ein Fichtenreinbestand der Klasse „Nadelholz“ zugewiesen wurde.
Kapitel 9: GIS-Integration und Verifizierung der Auswertungsergebnisse
200
Tab. 28: Klassifizierungsgenauigkeit von Bestandestypen in Abhängigkeit von der Bestan-
desgröße
Bestandesgröße
[ha]
Klassifizierungsgenauigkeit
[%]
> 0,1 68,8
> 0,5 70,2
> 1,0 74,3
> 2,0 80,3
> 2,5 81,6
> 5,0 87,8
Basis: alle Bestandestypen, ohne Anwuchs (Landeswald), Berechnung: LAF / UG Dübener Heide
Tab. 29: Klassifizierungsgenauigkeit nach Hauptbaumarten (1. Baumart im Oberstand)
Kategorie Klassifizierungsgenauigkeit [%]
alle Bestände Anteilsfläche > 1 ha
richtige Baumart 74,1 84,4
gleiche Baumartengruppe 12,4 8,2
Mischwaldklassen 11,6 6,5
falsche Zuweisung 1,9 0,9
Basis: alle Bestände, ohne Anwuchs (Landeswald), Berechnung: LAF / UG Dübener Heide
Wuchsklassen
Für die Baumart Kiefer wurden die Wuchsklassen „Dickung“, „Stangenholz“ und „Baumholz“
unterschieden. Für die Verifizierung wurde die jeweils dominierende Wuchsklasse (Flächen-
anteil) innerhalb eines Bestandes verwendet.
Der Vergleich mit den Forsteinrichtungsdaten ergab, dass ca. 78 % aller Bestände in der
richtigen bzw. benachbarten Wuchsklasse lagen.
Mischwald-Problematik
Die Verifizierung der Mischwald-Klassen mit Forsteinrichtungsdaten kann nicht im direkten
Vergleich stattfinden, da diese in den Forsteinrichtungsdaten so nicht existieren. Mit Hilfe von
Forsteinrichtungsdaten ist es jedoch möglich, die bestandesstrukturelle Situation mit den
Klassenzuweisungen zu korrelieren und somit die Ursachen für die Erfassung als „Misch-
wald“ zu bestimmen.
Eine dieser möglichen Ursachen ist die reale Mischung von Beständen, wenn neben der
Hauptbaumart eine weitere Baumart forsteinrichtungstechnisch erfasst ist. Diese weitere
Baumart wird als 2. Baumart oder Nebenbaumart erfasst, wenn ihr Anteil 5 % übersteigt. Bei
geringerem Anteil wird sie nur als weitere Baumart erwähnt. Ferner können auch Überhälter
eine Mischwald-Signatur verursachen (z.B. Buchen-Überhälter im Kiefernreinbestand). Aus
den Forsteinrichtungsdaten ist der Anteil der Überhälter nicht ermittelbar.
Eine Untersuchung von Beständen, deren flächenmäßig größter Anteil als Mischwald klassi-
fiziert wurde (vgl. Tab. 30), ergab, dass ca. 47 % der Bestände Nebenbaumarten enthalten.
Kapitel 9: GIS-Integration und Verifizierung der Auswertungsergebnisse
201
Tab. 30: Die Klasse „Mischwald“ - bestandesstrukturelle Ursachen für die Zuweisung
Ursachen
(Bestandesstruktur)
Trefferwahrscheinlichkeit
[%]
2. Baumart (Nebenbaumart) 46,7
Überhälter und weitere Baumarten 7,9
weitere Baumart 18,7
Überhälter 9,3
ohne 17,4
Basis: alle Bestände, ohne Anwuchs (Landeswald), Berechnung: LAF / UG Dübener Heide
Etwa 8 % wiesen sowohl Überhälter als auch weitere Baumarten auf, rund 19 % weitere
Baumarten mit einem Anteil der einzelnen Baumart unter 5 % und ca. 10 % Überhälter. Le-
diglich für einen Anteil von ca. 17 % der Mischwaldbestände konnte keine bestandesstruktu-
relle Ursache erkannt werden.
Da in den Forsteinrichtungsdaten nur die Mischungsform für den Hauptbestand erfasst ist,
wird die Unterscheidung der Mischungsform der 2. Baumart erschwert. Die Unterscheidung
der Mischungsform der 2. Baumart der Hauptbestände ergab, dass hier die baumweise Mi-
schung deutlich überwog (vgl. Tab. 31), was den fernerkundlichen Mischwald-Klassen durch-
aus entspricht.
Tab. 31: Mischungsform der 2. Baumart der als Mischwald klassifizierten Bestände
Mischungsform
(2. Baumart)
„Mischwald“-Bestände
[%]
baumweise 63,5
truppweise (jeweils zu 1 -3 a) 6,7
gruppenweise (jeweils zu 4 - 10 a) 6,7
horstweise (jeweils zu 11 - 50 a) 5,4
reihen- und streifenweise 5,4
ein Horst (11 - 50 a) 8,1
ein Kleinbestand (über 50 a) 4,1
kleinbestandesweise 0
Berechnung: LAF / UG Dübener Heide
Ferner wurden vereinzelt zweischichtige Kiefernreinbestände als „Mischwald“ klassifiziert,
wenn deren Unterstand aus Laubbaumarten besteht. Insbesondere ältere Unterstände, de-
ren mittlere Oberhöhen sich denen des Oberstandes annähern, wurden der Klasse „Misch-
wald“ zugewiesen. Eine ausführliche Beschreibung dieses Effektes erfolgte bereits in der
Signaturanalyse (vgl. Kap. 8.2.2.1.3). Aus Sicht der sächsischen Forstwirtschaft handelt es
sich zumeist um grobe Fehler, da Reinbestände über die Baumartenanteile im Oberstand
definiert werden. Unter waldökologischen Aspekten ist dieser Fehler weniger gravierend, da
mit zunehmender Oberhöhe des Unterstands in vielen Fällen eine strukturelle Annäherung
von geschichteten Reinbeständen und Mischwäldern eintritt.
Angaben aus der Forsteinrichtung sind unterhalb der Bestandesebene nicht lokalisierbar. Es
ist daher zu beachten, dass die Aggregationen und Zusammenfassungen der Klassifizie-
rungsergebnisse auf Bestandesebene in Einzelfällen auch zu fehlerhaften Aussagen bezüg-
lich der Klassifizierungsgenauigkeiten führen können. In exemplarischen Überprüfungen von
vermeintlich fehlerhaft klassifizierten Flächen bzw. Beständen in aktuellen CIR-Luftbildern
Kapitel 9: GIS-Integration und Verifizierung der Auswertungsergebnisse
202
konnte festgestellt werden, dass die lokale Klassenverteilung häufig durchaus der Realität im
Bestand entsprach. So muss beispielsweise das Vorkommen der Klassen „Laubholz“ oder
„Mischwald“ in geschlossenen Kiefernreinbeständen mit Laubholzbeimischung nicht zwangs-
läufig auf einen Klassifizierungsfehler schließen lassen, wenn dadurch eine Laubholzgruppe
oder eine kleinräumige Konzentration von Laubbäumen abgebildet wurde.
Es ist anzunehmen, dass die Anwendung von konventionellen Verifizierungsverfahren (Refe-
renzflächenermittlung und -aufnahme mittels Luftbildern und Geländearbeiten) im Vergleich
zum GIS-gestützten Ansatz zu höheren Klassifizierungsgüten führen würde. Aus Rationali-
sierungsaspekten bzw. im Interesse der Praktikabilität wurde aber an der Entwicklung eines
alternativen, weitgehend automatisierten Verifizierungsverfahrens festgehalten. Zudem führt
die Zusammenführung und Aggregation der Klassifizierungsergebnisse dazu, eine bessere
Vergleichbarkeit mit den Parametern der Forsteinrichtung zu erreichen.
9.1.2.3 Erkennung von Bestandesgrenzen
Wie bereits aufgezeigt wurde, sind mittels visueller Interpretation von hochauflösenden Sa-
tellitenbildprodukten zahlreiche waldstrukturelle Details erkennbar und in zufriedenstellender
Lagegenauigkeit abgebildet (vgl. Kap. 7.2). FRITZ (1999) untersuchte die visuelle Erkennbar-
keit von Bestandesgrenzen in fusionierten Satellitenbilddaten. In verschiedenen Bildproduk-
ten wurden Grenzen erfasst und nachfolgend die Kartierungsergebnisse mit Forstkarten ver-
glichen. Hierbei konnten Übereinstimmungen von jeweils mehr als 70 % erzielt werden.
In der vorliegenden Arbeit wird ein Klassifizierungsverfahren vorgestellt mit dem Ziel, nun
auch im automatischen Klassifizierungsprozess eine verbesserte geometrische Abgrenzung
von Objekten bzw. Beständen zu erreichen. Für die Überprüfung der Erfassungsgenauigkeit
von Bestandesgrenzen im klassifizierten Bild erfolgte eine GIS-basierte Analyse am Beispiel
eines Ausschnittes der TK10 (vgl. Tab. 32). Aus den Forstgrundkartendaten wurden hierzu
die kartierten Bestandesgrenzen für das Testgebiet abgeleitet (Gesamtlänge: ca. 180 km)
und die Abweichungen zu den fernerkundeten „Grenzen“ ermittelt.
Die Abstandsanalyse ergibt folgendes Ergebnis:
· Innerhalb eines 15 m-Saumes (halbe TM-Pixelgröße) entlang der in der FGK dargestell-
ten Grenzen wurden knapp 70 % aller Bestandesgrenzen im klassifizierten Bild erfasst.
Über ein Drittel der erfassten Bestandesgrenzen lagen innerhalb eines Intervalls von
± 5 m. Diese bestmögliche geometrische Erfassungsgenauigkeit von Bestandesgrenzen
resultiert aus der Pixelgröße der panchromatischen IRS-Daten.
· Neben der Erfassungsgenauigkeit von Bestandesgrenzen wurde auch die von Abtei-
lungsgrenzen bestimmt. Abteilungsgrenzen wurden mit 75 % innerhalb eines 15 m-
Saumes aus dem Satellitenbild ermittelt. Da Abteilungsgrenzen häufig mit Schneisen
bzw. Wegen verbunden sind, wird die satellitenbildgestützte Erfassung vereinfacht.
Dieses sehr gute Ergebnis ist in erster Linie auf die exakte Entzerrung (vgl. Kap. 5.2.1.3)
sowie auf die Objekterkennbarkeit der panchromatischen IRS-Daten zurückzuführen, deren
geometrisch-strukturellen Informationen in den Klassifizierungsprozess eingebunden wur-
den.
Bei der satellitenbildgestützten Erfassung von Bestandes- und Abteilungsgrenzen zeigt sich
als Hauptproblem, dass das Abteilungsnetz forsthistorisch relativ stabil ist. Aus diesem
Grund existieren forstorganisatorische bzw. forsteinrichtungstechnische Grenzen, die im
Satellitenbild nicht erkennbar bzw. nachvollziehbar sind.
Eine weitere Ursache liegt in der forsteinrichtungstechnischen Erfassung, die Bestände nach
anderen Kriterien untergliedert, als dies aus Satellitenbildern möglich ist. So sind beispiels-
weise Kiefernreinbestände mit einem Altersunterschied von wenigen Jahren spektral nicht
unterscheidbar. Entsprechende „Fehler“ führen zur Verschlechterung des Ergebnisses.
Kapitel 9: GIS-Integration und Verifizierung der Auswertungsergebnisse
203
Schließlich kommen sowohl geometrische Fehler der Forstgrundkarten, die beim Aufbau der
Forstamtsgeometrie nicht ausgeglichen werden konnten, als auch geometrische Defizite der
LANDSAT-TM-Daten (vgl. Kap. 4.1.2.2) als Ursachen für eine fehlerhafte Erkennung von
Bestandes- bzw. Abteilungsgrenzen in Betracht.
Tab. 32: Erfassungsgenauigkeit von automatisch erfassten Bestandes- und Abteilungsgren-
zen
Abstand
[m]
erfasste Bestandesgrenzen
[%]
erfasste Abteilungsgrenzen
[%]
536,4 43,9
10 57,7 64,4
15 68,4 75,4
20 75,2 81,8
Basis: digitale Forstgrundkarte, Berechnung: LAF / UG Dübener Heide
9.1.3 Waldstrukturklassifizierung „Erzgebirge“
9.1.3.1 Verifizierung mittels Gelände- und Luftbildauswertungen
Bei der Verifizierung der Klassifizierungsergebnisse im Untersuchungsgebiet Erzgebirge
wurden sowohl Forsteinrichtungsdaten als auch aus Luftbildern ermittelte Parameter ver-
wendet. Da im Erzgebirge die Forsteinrichtungsdaten veraltet waren, mussten ergänzende
terrestrische und luftbildgestützte Erhebungen von Verifizierungsparametern durchgeführt
werden. Die Aufnahme der Parameter für die Verifizierungsgebiete erfolgte analog der Vor-
gehensweise zur Erfassung von Trainingsgebieten (vgl. Kap. 5.3.1 und 5.3.2). Die Verifizie-
rung konzentrierte sich aus datentechnischen Gründen vorrangig auf ein Forstamt (FoA
Neudorf).
9.1.3.2 Bestandesdifferenzierungen
Es wurden bei der Klassifizierung der Bestandesstruktur die Klassen „Nadel-Laub-Misch-
wald“, „Fichte“ und „Lärche“ unterschieden. Da der Auswertungsschwerpunkt auf die Diffe-
renzierung von Fichtenreinbeständen gelegt wurde (Wuchsklassen, Beschirmungsgrad,
Waldschadenskartierung), erfolgte in der Klasse „Laubwald“ die Zusammenführung von
Reinbeständen und Laub-Nadel-Mischwäldern. In der Sammelklasse „Nadelwald (Dickung)“
wurden vorrangig Jungbestände der Baumarten Murray-Kiefer (pinus contorta) und Blau-
fichte (picea pungens glauca) zusammengeführt. Ferner wurden die Klassen „Blöße“ und
„Jungwuchs / Sukzession“ erfasst.
Zusammenfassend sind folgende Ergebnisse festzuhalten (Nutzersicht, vgl. Tab. 33):
· Es konnte eine sehr hohe Klassifizierungsgenauigkeit von Fichtenreinbeständen (> 95 %)
erzielt werden. Die Fehlklassifizierungen als „Blöße“ und „Jungwuchs / Sukzession“ kon-
zentrierten sich vorrangig auf stark aufgelichtete Bestände und Bestandesteile (vgl. Kap.
8.2.2.1.2).
· Die Klasse „Nadelwald (Dickung)“ wurde dominant der Fichtenklasse (ca. 60 %) zugeteilt
(vorwiegend „schwaches Stangenholz“). Eine Abgrenzung von jungen Fichtenbeständen
zu anderen Nadelbaumarten gleicher Wuchsklasse ist somit nicht sicher möglich.
· Die Erfassung von Laubwaldreinbeständen und Laubbaum-dominierten Mischwäldern
war zufriedenstellend (> 73 %). Besonders die Abgrenzung zu „Nadel-Laub-Mischwald“
blieb jedoch unscharf bei einer Fehlzuweisungsrate von ca. 27 %. Dies wird zurückge-
Kapitel 9: GIS-Integration und Verifizierung der Auswertungsergebnisse
204
führt auf die mehrfach beschriebenen Einflüsse der Baumartenzusammensetzungen und
Mischungsformen auf die Mischwalddifferenzierung (vgl. Kap. 8.2.2.1.1).
· Die Klasse „Nadel-Laub-Mischwald“ konnte alle entsprechend typisierten Bestände er-
fassen. Obwohl eine statistisch abgesicherte Aussage wegen der geringen Anzahl von
Referenzbeständen nicht ableitbar war, lassen die Werte dennoch auf eine vergleichs-
weise hohe Erfassungsgenauigkeit schließen.
(Herstellersicht: Die Fehlzuweisungen von Laubwäldern deuten auf eine Überrepräsen-
tanz von „Nadel-Laub-Mischwald“ im klassifizierten Bild hin).
· Die sichere Erfassung der Klassen „Blöße“ sowie „Jungwuchs / Sukzession“ gewährleis-
tet eine gute Separierung von geschlossenen bzw. älteren Beständen.
Tab. 33: Genauigkeit der Bestandesstrukturklassifizierung - Nutzersicht
Klassifizierungsergebnis „Bestandesstruktur“
Klassen Fichte Nadelwald
(Dickung) Lärche Laubwald N-L-
Mischwald
Blöße,
Jungwuchs
Sukzession
S
Fichte 95,6 0,8 0,0 0,0 0,0 3,6 100
Nadelwald
(Dickung) 60,0 40,0 0,0 0,0 0,0 0,0 100
Lärche 33,3 0,0 66,6 0,0 0,0 6,9 100
Laubwald *) 0,0 0,0 0,0 73,3 26,7 0,0 100
N-L-Mischwald 0,0 0,0 0,0 0,0 100,0 0,0 100
Forstdaten (CIR-Luftbild)
Blöße,
Jungwuchs
Sukzession
0,0 0,0 0,0 0,0 0,0 100,0 100
*) einschließlich Laub-Nadel-Mischwald; N-L-Mischwald = Nadel-Laub-Mischwald
Berechnung: LAF / UG Erzgebirge
Wuchsklassen bei Fichten
Aus Nutzersicht erreichte die Wuchsklassendifferenzierung von Fichtenreinbeständen (vgl.
Tab. 34) sehr hohe Klassifizierungsgenauigkeiten bei den Klassen „mittleres bis starkes
Baumholz“ und „Stangenholz“.
Dagegen war bei der Wuchsklasse „geringes Baumholz“ eine starke Verschiebung zur ältes-
ten Klasse „mittleres bis starkes Baumholz“ zu erkennen. Insbesondere die Trennung von
geringem und mittlerem Baumholz erwies sich als besonders unsicher. Zur Optimierung des
Klassifizierungsverfahrens sollte in zukünftigen Auswertungen eine weitere Klassenaufsplit-
tung für die Erfassung von Baumholzbeständen angestrebt werden. Durch die Einteilung in
die Klassen „mittleres Baumholz“ und „starkes Baumholz (Altholz)“ wäre die methodische
Voraussetzung für eine bessere Abgrenzung zu geringem Baumholz geschaffen; eine Zu-
sammenführung der älteren, spektral nicht hinreichend genau trennbaren Baumholzklassen
wäre nachträglich möglich.
Kapitel 9: GIS-Integration und Verifizierung der Auswertungsergebnisse
205
Tab. 34: Prozentuale Klassifizierungsgenauigkeit nach Wuchsklassen bei der Baumart Fichte
(geschlossen) - Nutzersicht
Klassifizierungsergebnis „Wuchsklassen“
Klassen Stangen-
holz
geringes
Baumholz
mittleres,
starkes
Baumholz
Nadelwald
(Dickung) S
Stangenholz 89,3 7,1 0,0 3,6 100
geringes
Baumholz 4,3 35,0 60,0 0,0 100
Forstdaten
(Luftbild)
mittleres,
starkes
Baumholz
0,0 0,0 100,0 0,0 100
Basis: CIR-Luftbildauswertungen, Berechnung: LAF / UG Erzgebirge
Beschirmungsgrad
Für Fichtenreinbestände im Baumholzstadium erfolgte die Differenzierung des Beschir-
mungsgrades (BG) mit 4 Klassen (vgl. Tab. 35). In der Verifizierung wurden die Klassen
„Blöße“ und „Jungwuchs / Sukzession“ aufgrund der bekannten Überschneidungen mit stark
aufgelichteten Beständen separat ausgewiesen. Für jedes Verifizierungsgebiet wurde aus
den CIR-Luftbildern ein mittlerer Beschirmungsgrad ermittelt (vgl. Kap. 5.3.2). Aus den Klas-
sifizierungsergebnissen wurde die jeweils häufigste Klasse dargestellt (Flächenanteil am
Verifizierungsgebiet).
Tab. 35: Prozentuale Klassifizierungsgenauigkeit nach Beschirmungsgrad (BG) bei der
Baumart Fichte
Klassifizierungsergebnis „Beschirmungsgradklasse“ (BG)
Klassen >60 % 41 - 60 % 21 - 40 % 0 - 20 %
Blöße,
Jungwuchs /
Sukzession
S
41 - 60 % 21,0 63,2 15,8 0,0 0,0 100
21 - 40 % 0,0 9,5 90,5 0,0 0,0 100
Luftbild-
auswertung
0 - 20 % 0,0 0,0 8,3 58,4 33,3 100
Basis: CIR-Luftbildauswertungen, Berechnung: LAF / UG Erzgebirge
Zusammenfassend ergeben sich folgende Ergebnisse (Nutzersicht):
· Beschirmungsgrad < 20 %:
Sehr stark aufgelichtete Bestände zeigten die erwarteten Überschneidungen mit Blößen
und Jungwuchsflächen. Mit fast 60 %iger Erfassungsgenauigkeit ist dennoch ein beacht-
liches Ergebnis erzielt worden. Die spektrale Nachbarschaft zu unbestockten Flächen
und Jungwuchs (vgl. Kap. 8.2.2.1.2) zeigt der sehr hohe Fehlzuweisungswert von über
30 %.
Mit GIS-gestützten, bestandesweisen Auswertungen, bei denen die Beschirmungsgrad-
klasse zunächst mit den genannten Konkurrenzklassen zusammengeführt wird (hier:
> 90 %), könnten sicherere Aussagen zu Bestandesauflichtungen abgeleitet werden.
· Beschirmungsgrad 21 - 40 %:
Entsprechende Bestände wurden im Satellitenbild mit über 90 %iger Genauigkeit richtig
erfasst. Eine sichere Abgrenzung zu geschlossenen Beständen liegt vor.
Kapitel 9: GIS-Integration und Verifizierung der Auswertungsergebnisse
206
· Beschirmungsgrad 41 - 60 %:
Bei einer Klassifizierungsgenauigkeit von ca. 63 % verteilen sich die Fehlzuweisungen
auf die benachbarten Beschirmungsgradklassen.
Ausschließlich für diese Klasse konnten Fehlzuweisungen mit geschlossenen Beständen
ermittelt werden.
Der Bestandesschluss bzw. der Beschirmungsgrad wird in der Forsteinrichtung durch mittle-
re Dichteverhältnisse beschrieben. Im Satellitenbild wird die Variabilität dieses Parameters
teilweise erfasst, sodass ggf. Bestandesteile voneinander abgrenzbar sind.
Insgesamt wurde eine sehr gute Abgrenzung von geschlossenen Beständen (BG: > 60 %)
erzielt. Gleiches gilt für die Erfassung von stark bis sehr stark aufgelichteten Beständen (BG:
< 40 %). Unter Monitoringaspekten sind diese zuverlässigen Unterscheidungen von großer
Bedeutung. So können widersprüchliche Angaben in Forsteinrichtungsdatenbank und Klas-
sifizierung zur Lokalisierung von potenziellen Veränderungsflächen beitragen (Forsteinrich-
tungsdaten: geschlossener Fichtenbestand, Klasse: BG < 40 %). Die Einbindung von (veral-
teten) Forsteinrichtungsdaten eröffnet somit die Möglichkeit, im Rahmen von monotempo-
ralen GIS-gestützten Satellitenbildauswertungen eine Erfassung von Auflichtungen als Folge
von waldbaulichen Maßnahmen (z.B. Privatwald) oder von Waldschäden (z.B. Sturmwurf,
Verlichtungen) zu erzielen.
Eine starke Beeinträchtigung der Klassifizierungsergebnisse durch den Topographischen
Effekt (vgl. Kap. 5.2.2.1) konnte weder für Wuchsklassen noch für Beschirmungsgradklassen
nachgewiesen werden. Fehlzuweisungen konzentrierten sich auf wenige Steillagen. So wur-
den insbesondere auf Schattenhängen stockende Fichtenreinbestände tendenziell älter bzw.
geschlossener klassifiziert. Auf steilen Sonnenhängen konnte bei aufgelockerten bzw. aufge-
lichteten Beständen vereinzelt eine Unterschätzung des Beschirmungsgrads festgestellt
werden (z.B. bei vergrastem oder felsigem Untergrund). Diese Ergebnisse bestätigen die
qualitative Bewertung der normalisierten SPOT4-Daten (vgl. Kap. 5.2.2.2).
Reliefbedingte Fehlzuweisungen zwischen den Klassen „Laubwald" und „Nadel-Laub-
Mischwald" wurden häufiger ermittelt. Dies wird darauf zurückgeführt, dass die objektklas-
senspezifische topographische Normalisierung der SPOT4-Daten für Fichtenreinbestände
vorgenommen wurde, da diese im Mittelpunkt der Auswertungen standen (vgl. Kap. 2).
Die insgesamt sehr guten Verifizierungsergebnisse für Nadelwald-Klassen unterstreichen die
Notwendigkeit einer topographischen Normalisierung von multispektralen Satellitenbilddaten
für differenzierte waldstrukturelle Unterscheidungen in reliefierten Gebieten.
9.1.4 Waldschadenskartierung „Erzgebirge“
Der in der SPOT4-Szene vom 11.08.1998 erfasste und klassifizierte Waldzustand wurde mit
CIR-Luftbildern aus dem Jahr 1999 verifiziert. In der Luftbildauswertung wurden ältere Fich-
tenreinbestände (³ 60 Jahre) ausgewählt, jeweils ca. 40 Bäume nach der VDI-Richtlinie 3793
(VDI 1993) ausgewertet und aus diesen Einzelbaumschadstufen die Flächenschadstufen
aggregiert. Für Fichtenreinbestände im Alter von 20 - 59 Jahren wurde eine Flächenschad-
stufe angeschätzt. Die Luftbildauswertung erfolgte somit bestandesweise (vgl. Kap. 5.3.2).
Zum Zeitpunkt der Auswertungen stellte die Teilfläche die kleinste geometrisch abgegrenzte
Einheit dar (Erzgebirge). Zur Einbindung in das FGIS mussten sowohl die Kartierungsergeb-
nisse als auch die Ergebnisse der bestandesweisen Luftbildauswertung (Flächenschadstufe,
Beschirmungsgrad) auf die Teilfläche bezogen werden. Eine bestandesweise GIS-gestützte
Analyse war somit nicht möglich. Die Aussagen sind folglich unsicher und können zu fehler-
haften Bewertungen führen. Im Hinblick auf die landesweite Verfeinerung der FGIS-Geo-
metrie (Bezugseinheit: Bestand) wurde aber an einer praktikablen auch zukünftig anwendba-
ren Verfahrensentwicklung festgehalten.
Kapitel 9: GIS-Integration und Verifizierung der Auswertungsergebnisse
207
Da Waldschäden oft verbunden sind mit Bestandesverlichtungen, wurden die Bereiche, die
als Auflichtungen klassifiziert wurden (BG: < 60 %), als stark geschädigte Bereiche eines
Bestandes gewertet (vgl. Kap. 3.1.1.2.2 und 5.3.2).
Sowohl die sehr hohe Klassifizierungsgenauigkeit von Fichtenreinbeständen als auch die
zufriedenstellende Abgrenzung von geschlossenen und aufgelockerten Beständen ermög-
licht eine zuverlässige multispektrale Festlegung der Analysefläche für die Waldschadens-
kartierung (geschlossene Stangenholz- und Baumholzbestände). Der Vergleich der Satelli-
ten- und Luftbildauswertung ergibt folgende Ergebnisse (Nutzersicht, vgl. Tab. 36):
· Die Flächenschadstufen der Satellitenbildauswertung entsprachen i.d.R. den Flächen-
schadstufen der Luftbildauswertung bzw. wurden einer benachbarten FS zugeordnet.
· FS 0:
Keine bei der Luftbildauswertung als gesund interpretierte Bestände wurden der höchs-
ten und nur 8,5 % der 2. Bestandesschadstufe zugewiesen.
Eine sehr hohe Fehlzuweisungsrate (> 50 %) fiel allerdings auf die benachbarte Flächen-
schadstufe (FS1). Die sichere Abgrenzung zu FS1 wurde somit nicht erreicht.
· FS 1:
Die Erfassungsgenauigkeit war zufriedenstellend (> 60 %). Die hohen Anteile an der Be-
standesschadstufe FS1 deuten jedoch darauf hin, dass diese Klasse in der Satelliten-
bildauswertung deutlich überrepräsentiert wurde.
· FS 2:
Eine sichere Abgrenzung zu stark geschädigten Beständen (FS3) konnte erzielt werden.
Eine hohe Fehlzuweisungsrate (> 50 %) fiel allerdings auf die benachbarte Flächen-
schadstufe (FS1). Die sichere Abgrenzung zu dieser Klasse wurde somit nicht erreicht.
· FS 3:
Keine der im Luftbild als stark geschädigt interpretierten Flächen wurde bei der Satelli-
tenbildauswertung als ungeschädigt klassifiziert.
Über ein Viertel wurde FS2 zugeordnet, sodass diese Klasse überrepräsentiert wird.
(Herstellersicht: Nahezu alle FS3 - Bestände wurden richtig zugewiesen, hier: Spalte
FS3)
Tab. 36: Vergleich der Bestandesschadstufen aus der CIR-Luftbildauswertung und der Sa-
tellitenbildklassifizierung - Nutzersicht
Kartierungsergebnis „Bestandesschadstufen“ (FS)
Klassen 0 1 2 3 S
036,9 54,6 8,5 0,0 100
119,7 60,3 18,8 1,2 100
24,3 55,5 36,5 3,7 100
Luftbild-
auswertung
30,0 21,4 28,6 50,0 100
Basis: CIR-Luftbildauswertungen, Berechnung: LAF / UG Erzgebirge
Bei der Bewertung der Bestandesschadstufen muss die Bestandesverlichtung beachtet wer-
den, die i.d.R. mit der fortschreitenden Schadentwicklung verknüpft ist. Im Rahmen der CIR-
Luftbildauswertung wurden jedoch nur die stehenden Bäume interpretiert und über die Be-
standesverlichtung keine Aussagen getroffen. Da bei forstlichen Maßnahmen die stärker
geschädigten Bäume zuerst entnommen werden (vgl. Abb. 28, Kap. 3.3.1), werden die Be-
stände zum Teil gesünder bewertet als sie in Wirklichkeit sind. Bei der Satellitenbildklassifi-
zierung wurde dagegen die Bestandesverlichtung (Beschirmungsgradklasse) berücksichtigt
und als starke Schädigung gewertet. Dies kann dazu führen, dass Bestände, die im Luftbild
als gesund eingestuft wurden, im Rahmen der satellitenbildgestützten Klassifizierung jedoch
Kapitel 9: GIS-Integration und Verifizierung der Auswertungsergebnisse
208
einer schlechteren Bestandesschadstufe zugewiesen wurden. In einer Verfahrensoptimie-
rung sollte daher der Beschirmungsgrad bei der Referenzdatenermittlung (Luftbildauswer-
tung) in verstärktem Maße berücksichtigt werden, ggf. zur Ableitung eines weiteren ergän-
zenden Vergleichsparameters.
Zu Unterschieden zwischen Satelliten- und Luftbildauswertungsergebnissen kann es auch
dadurch kommen, dass der Vergleich anhand von Klassen (hier: Flächenschadstufen) er-
folgte. So kann beispielsweise ein Bestand bei der Satellitendatenauswertung am unteren
Ende der Schadstufe liegen (FS2, Anteil deutlicher Schäden: 65 %) und bei der Luftbildaus-
wertung am oberen Ende der folgenden Schadstufe (FS3, Anteil deutlicher Schäden: 67 %),
sodass ein skalierungsbedingter „Fehler“ resultiert.
Bis zum Jahr 2004 werden Landes- und Kommunalwälder nach neuem Sächsischen Forst-
einrichtungsverfahren bearbeitet die landesweite Umstellung auf den Bestand als kleinste
FGIS-Einheit abgeschlossen sein. Lediglich für Privatwälder wird die Teilfläche - mit altem
Datenbestand - weiterhin die kleinste geometrische Einheit bilden. Das Verifizierungsverfah-
ren kann somit zukünftig auf Bestandesebene angewendet werden, sodass die beschriebe-
nen Unsicherheiten der Zuordnung und Bewertung von satellitenbildgestützten Waldscha-
denskartierungen entfallen und konkrete Bestandesaussagen möglich werden.
9.2 Bewertung der Kartierung von potenziellen Veränderungsflächen
Zur Überprüfung der Ergebnisse der automatischen Lokalisierung von potenziellen Verände-
rungsflächen wurden digitale CIR-Luftbild-Orthophotos des Jahres 2000, Forsteinrichtungs-
daten und digitale Forstgrundkarten sowie die BTNT-Kartierung herangezogen. Die Entwick-
lung des Kartierungsverfahrens erfolgte im Untersuchungsgebiet Nedlitz. Da die Auswertung
der TM-Szenen auf dieses Gebiet beschränkt blieb, konnte aufgrund der geringen Anzahl
der Verdachtsflächen eine vollständige Überprüfung der Kartierung vorgenommen werden.
Ferner wurden einzelne Flächen im Gelände aufgesucht.
Zusammenfassend ergibt sich folgendes Ergebnis:
· Hiebsflächen und starke Auflichtungen (u.a. geschlossen - licht) sind - nach den Ergeb-
nissen der visuellen Interpretation (vgl. Kap. 7.2) - erwartungsgemäß sehr gut lokalisier-
bar.
· Die Erkennbarkeit von Auflockerungen vormals geschlossener Bestände ist vor allem bei
reinen Nadelwäldern möglich. Eine sichere Erfassung wird erst erreicht, wenn der Ein-
fluss der Hintergrundreflexion zu veränderten Bestandesreflexionswerten führt (v.a. Kie-
fernreinbestände).
· Die Zuverlässigkeit und Abgrenzungsschärfe variiert in Abhängigkeit von der jeweiligen
Umgebung:
So sind beispielsweise starke Auflichtungen innerhalb von geschlossenen Nadelwäldern
sehr sicher lokalisierbar aufgrund starker Reflexionsunterschiede zwischen veränderten
und unveränderten Bestandesteilen (hoher „Kontrast“).
Innerhalb von Mischwäldern ist die Erfassung am unsichersten. Die spektrale Heteroge-
nität der Bestandesreflexionen, die zufällige szenenspezifische Abtastung des Bestandes
(v.a. Baumartenanteile am jeweiligen integralen TM-Flächensignal) sowie die begrenzte
geometrische Genauigkeit der Bild-auf-Bild-Registrierung (± 1 Pixel) erschweren insbe-
sondere die Lokalisierung von kleineren Flächen (< 1 ha).
· Für die zuverlässige Lokalisierung wurde eine Erfassungsuntergrenze von ca. 1 ha er-
mittelt. Kleinere Flächen sind bis zu einer Größe von 0,5 bis 0,7 ha kartierbar (v.a. Auf-
lichtungen), wenn diese eine kompakte Form aufweisen.
· Schmale Auflichtungssäume entlang von Waldinnen- und Waldaußenrändern (< 50 m)
wurden i.d.R. nicht erfasst. Dies wird darauf zurückgeführt, dass im Rahmen der notwen-
Kapitel 9: GIS-Integration und Verifizierung der Auswertungsergebnisse
209
digen automatischen Reduzierung von Randeffekten auch einzelne richtige Kartierungen
eliminiert werden - zugunsten einer Verbesserung des Gesamtergebnisses.
· Die Bestandesentwicklung von Aufforstungen und Jungwuchsflächen hin zu geschlosse-
nen Dickungen - also die Zunahme des Bestandesschlusses - ist vielfach als Verände-
rung kartiert worden.
Die verwendeten Szenen sollten für entsprechende Untersuchungen aufgrund der ver-
gleichsweise langsamen Prozesse der Bestandesentwicklung mindestens 2 Jahre aus-
einander liegen.
· Lokale Lageversätze zwischen den TM-Szenen führten zum Teil zu Fehlern entlang von
Bestandesgrenzen (v.a. kontrastreiche Übergänge zwischen Laubholz und Nadelholz).
Dies ist auf die bekannten geometrischen Defizite der systemkorrigierten Daten zurück-
zuführen (Zeilenversätze, Zeilen- und Spaltenverdoppelungen, vgl. Kap. 4.1.2.2).
· Sämtliche Veränderungsflächen mit markanter Abnahme oder Zunahme des Bestandes-
schlusses wurden automatisch erfasst (> 1 ha).
Aufgrund der genannten Fehlerquellen resultiert eine Überschätzung der Flächen. Mögli-
che Nachbearbeitungen der Ergebnisse können somit auf die Erkennung und Reduzie-
rung von entsprechenden Flächen beschränkt werden.
Die Ergebnisse der automatischen Kartierung sind zufriedenstellend. Die interaktive Nach-
bearbeitung und die Einbindung von Fachinformationen, ggf. in einer GIS-Umgebung, kön-
nen zur weiteren Verbesserung der Kartierungsergebnisse beitragen. Eine praktikable Nach-
bzw. Weiterverarbeitung wird in Kapitel 10 behandelt.
Kapitel 10: Einsatzmöglichkeiten moderner Satellitenbilddaten in der Forstwirtschaft
210
10 Einsatzmöglichkeiten moderner Satellitenbilddaten in der Forst-
wirtschaft
Moderne Satellitenbilddaten können heute ihren Einsatz in der Forstwirtschaft sowohl bei der
visuellen Interpretation von hochauflösenden Bildprodukten als auch bei der (halb-) automati-
sierten Ableitung von Waldstruktur- und Waldschadensparametern finden. Hierbei können
die fernerkundeten (Zusatz-) Informationen für Inventur- und Monitoringaufgaben einbezogen
werden. Die Überführung von Auswertungsergebnissen in bestehende Fachinformations-
bzw. Geo-Informationssysteme erweitert deren Nutzungspotenzial in der forstlichen Pla-
nungspraxis. Eine praktikable Verknüpfung bildet eine Grundvoraussetzung für weiterführen-
de GIS-gestützte Analysen und für Ergänzungen, Aktualisierungen oder Laufendhaltungen
von Daten (vgl. Kap. 9.1.1).
10.1 Nutzungspotenziale mittels visueller Interpretation
Analoge oder digitale Satellitenbildprodukte können von Forstpraktikern vor Ort und von GIS-
geschultem Personal am Bildschirmarbeitsplatz nach kurzer Anleitung visuell interpretiert
und als zusätzliche waldbesitzübergreifende Informationsquellen für forstplanerische Zwecke
herangezogen werden (Inventur, Monitoring).
Die alleinige visuelle Auswertung von Satellitenbilddaten wird in forstlichen Anwendungen
auch weiterhin vorrangig auf großräumige kleinmaßstäbliche Kartierungen beschränkt blei-
ben. Die maximale Einbindung von Fachinformationen im visuellen Auswertungsprozess wird
den Regelfall darstellen, wenn Aussagen auf Bestandesebene angestrebt werden.
Die visuelle Objekterkennbarkeit in multispektralen und hoch aufgelösten fusionierten Satel-
litenbildprodukten sowie deren jeweilige Vorzüge wurden bereits beschrieben (vgl. Kap. 7.2).
Insbesondere der Einsatz von hoch aufgelösten Satellitenbildprodukten, in denen wald-
strukturelle Informationen in einer mit herkömmlichen multispektralen Satellitenbilddaten
(z.B. TM) nicht erreichten visuellen Detailerkennbarkeit wiedergegeben werden, verspricht
eine Nutzungssteigerung.
Nachfolgend werden Anwendungsbeispiele für die Nutzung von hochauflösenden Satelliten-
bildprodukten aufgezeigt, die in den hier zugrunde liegenden Projekten erarbeitet wurden.
Diese beziehen sich vorrangig auf Fusionsdatenprodukte, sollen aber auch - vor dem Hinter-
grund einer sich rasant erweiternden Palette hochauflösender Sensoren - einen Eindruck
vermitteln über den sich abzeichnenden Trend.
10.1.1 GIS-gestützte Interpretation hochauflösender Satellitenbildprodukte
Ohne die Einbeziehung von Forstdaten können verschiedene Grobkategorien (auch: Objekt-
artenkomplexe) zumeist sicher lokalisiert bzw. separiert werden (vgl. Kap. 7.2.1.1). Die Hin-
zunahme von forstlichen Inventur- und Planungsdaten, vor allem die Überlagerung mit digi-
talen Forstgrundkarten, steigert die Interpretationsmöglichkeiten von Satellitenbildprodukten.
Die Mehrdeutigkeit der Satellitenbildinformationen kann dadurch erheblich reduziert werden,
da die Interpretation im räumlich-thematischen Kontext erfolgen kann. Auf Basis eines Inter-
pretationsschlüssels kann eine gezielte Verknüpfung von Interpretationsklassen (Objektar-
tenkomplexen) und forstlichen Objekten bzw. Objektarten (z.B.: Überhälter, Bestand) vorge-
nommen werden.
Die Interpretation am Bildschirm eröffnet dem forstlichen Interpreten die Möglichkeit zur Ak-
tualisierung oder Ergänzung von Sach- oder Geometriedaten. Im Folgenden sind Anwen-
dungen exemplarisch aufgeführt, die auch miteinander kombiniert werden können und von
forstlichen Anwendern mit GIS-Erfahrungen einfach umzusetzen sind.
Kapitel 10: Einsatzmöglichkeiten moderner Satellitenbilddaten in der Forstwirtschaft
211
Abgrenzung / Lokalisierung von Objekten, Objektarten und Veränderungen
Durch Editierung von einzelnen Bezugseinheiten (z.B.: Bestand, Teilfläche) in einer dem
Satellitenbildprodukt überlagerten Forstkarte sind am Bildschirm sämtliche Forsteinrichtungs-
parameter abrufbar. Innerhalb der betrachteten Fläche können Interpretationsklassen lokali-
siert und - soweit möglich - eindeutig einem konkreten Bestand, einer Baumart bzw. Wuchs-
klasse zugeordnet werden (z.B.: Zuordnung der Klasse „ältere geschlossene Laubwälder“
zum Bestandeszustandstyp „Buchentyp“ / Rotbuche, starkes Baumholz, geschlossen, ein-
schichtig).
· Handelt es sich um aktuelle Forsteinrichtungsdaten, ist ggf. mittels Bildschirmdigitalisie-
rung (on-screen - Digitalisierung) eine Abgrenzung von Objekten oder Beständen mög-
lich, die bisher kartographisch nicht erfasst wurden (z.B. Überhälter, Nebenbestand,
Trupp). Voraussetzung hierfür ist die eindeutige Zuordnung von Objektarten und Inter-
pretationsklassen (vgl. Kap. 6.4). Entsprechende Flächenattributierungen auf Basis der
Forsteinrichtungsdaten sind dabei denkbar.
Unter vermessungs- und forsteinrichtungstechnischen Aspekten (Genauigkeitsanforde-
rungen, Abgrenzungskriterien) kann mit Satellitenbilddaten nur eine grobe Neuabgren-
zung vorgenommen werden. Diese können z.B. als Vorkartierungen für terrestrische Ar-
beiten herangezogen werden oder als praktikable Zusatzinformationen dienen.
· Sind die Daten veraltet, können Flächen gezielt überprüft werden, inwieweit die Wieder-
gabe im Satellitenbild auf mögliche Veränderungen von Beständen oder Bestandesteilen
hindeutet (Verdachtsflächen für Veränderungen). Von besonderem Interesse ist diese
partielle visuelle Interpretation
- für die Lokalisierung von Veränderungen in Privatwäldern (da entsprechende Forstein-
richtungsdaten i.d.R. nicht mehr aktualisiert werden),
- für die Lokalisierung von Waldschäden (Sturmwurf, Kalamitäten, Neuartige Waldschä-
den),
- für das Controlling von Aufforstungsflächen (Voraussetzung: digitale Flächenerfassung).
Abb. 88: Überlagerung von Fusionsbildprodukten mit Forstgrundkarten zur visuellen Erfas-
sung von „Grenzen“ und Lagefehlern
links: Delinierung von zusätzlichen Grenzen (rot: Bestandesgrenzen, Einzelobjekte)
rechts: Lageversatz in digitalisierten Forstgrundkarten (Inselkarten)
Fusionsdaten: IRS-1C / PAN, LANDSAT5-TM (TM4-TM2-TM3) / UG Nedlitz
Kapitel 10: Einsatzmöglichkeiten moderner Satellitenbilddaten in der Forstwirtschaft
212
Lageüberprüfung und -korrektur von Geometriedaten
Die geometrische Lagegenauigkeit von digitalisierten Forstgrundkarten kann lokal zum Teil
stark variieren. Dies ist in geringem Umfang auf Digitalisierungsfehler zurückzuführen und
liegt vor allem in der historischen Entstehungsgeschichte der Karten begründet (z.T. ältere
analoge Inselkarten, Vermessung mit Schrittmaß). Der visuelle Vergleich von Forstgrund-
karten mit Fusionsdaten und ATKIS (Sachsen-Anhalt) bzw. TK10 (Sachsen) ließ lokale Ab-
weichungen von bis zu 40 m erkennen (vgl. Abb. 88). Aufgrund der hohen Lagegenauigkeit
von hochauflösenden Satellitenbilddaten können diese beitragen zur Ermittlung und Korrek-
tur von geometrischen Ungenauigkeiten.
Im Projekt MOMSSA wurden entsprechende Bildprodukte erfolgreich als Grundlage für die
geometrische Anpassung von digitalisierten Forstgrundkarten (Basis: analoge Inselkarten)
und zum Aufbau der Forstamtsgeometrie genutzt (vgl. Kap. 5.3.5). Vergleiche ergaben, dass
in den Satellitenbilddaten innere Waldstrukturen lagegenauer und vor allem aktueller wieder-
gegeben werden als in den Karten der TK10 (COENRADIE et al. 2003). Für die Anpassung
wurden die Forstgrundkarten den Satellitenbildprodukten digital überlagert, die Lagegenau-
igkeit der Geometriedaten unter Plausibilitätsaspekten visuell beurteilt und erforderlichenfalls
korrigiert.
Die Ortholuftbilddaten, die an der Sächsischen Landesanstalt für Forsten - neben Rasterda-
ten der TK10 - standardmäßig zur Verbesserung der vektorisierten Forstgrundkarten genutzt
werden, sind den hier verwendeten Satellitenbilddaten hinsichtlich der Lagegenauigkeit im-
mer noch überlegen, dafür aber kostenintensiver. Deshalb bietet sich gerade in Gebieten, in
denen keine aktuellen Ortholuftbilddaten zur Verfügung stehen, die alternative Nutzung von
Satellitenbilddaten an.
10.1.2 Herstellung von hochauflösenden Satellitenbildkarten
Im Projekt MOMSSA wurde nach Wegen zu einer effektiven und kostengünstigen Alternative
zu den in Sachsen seit 1998 erstellten, für die forstliche Praxis akzeptablen großmaßstäbige
Luftbildkarten gesucht und ein Vorschlag zur Herstellung einer Satellitenbildkarte im Maß-
stab 1 : 10 000 erarbeitet (COENRADIE et al. 1999a, 1999b).
Im Zusammenhang mit der Neugestaltung des Forstkartenwerkes Sachsens und dessen
künftiger rechnergestützter Ausgabe werden seit 1998 im Auftrag der LAF Schwarz-Weiß-
Luftbildkarten 1 : 5 000 auf der Basis von digitalen Orthophotos und Forstgrundkarten
1 : 5 000 landesweit rechnergestützt erstellt. Die Grundlagen zur Herstellung und Ausgabe
der Luftbildkarte wurden anhand der Erarbeitung eines Musterkartenblattes an der LAF ent-
wickelt (UFER 1998). Die Technologie zur rechnergestützten Herstellung der Satellitenbild-
karte (vgl. Abb. 89) orientierte sich im Interesse der Praxisrelevanz und -akzeptanz an dem
Verfahren der Luftbildkartenherstellung.
Die Grundlage der Satellitenbildkarte bilden die geokodierten Fusionsdaten (hier: IRS-1C).
Zur Verbesserung der visuellen Interpretierbarkeit, auch durch weniger geschultes Forstper-
sonal, wurden Bildprodukte mit verschiedenen RGB-Farbbelegungen erstellt, die sich an den
in der Forstpraxis genutzten konventionellen Luftbildern (CIR-Luftbild) oder an einem natur-
nahen Eindruck (Echtfarben) orientieren.
Für die Kartenherstellung (vgl. Abb. 90) wurden die Forstamtsgeometrien den fusionierten
Satellitenbilddaten digital überlagert. Die Ausgabe der Satellitenbildkarte wurde in die Nut-
zeroberfläche der LAF zur rechnergestützten Erstellung des Forstkartenwerkes eingebun-
den. Damit können die standardmäßig in der Sächsischen Forstverwaltung angewandten
Signaturen (Objektarten-, Signaturenkatalog) und Gestaltungsrichtlinien auch für die Her-
stellung der Satellitenbildkarte eingesetzt werden. Dies fördert die Praxisakzeptanz, da auf-
grund des für den Nutzer gewohnten Erscheinungsbildes die Karten leichter lesbar bzw.
verwendbar sind.
Kapitel 10: Einsatzmöglichkeiten moderner Satellitenbilddaten in der Forstwirtschaft
213
Geokodierte
Satellitendaten Digitale
Forstgrundkarte
(FGK) 1 : 5 000
Digitale
Forstgrundkarte
(FGK) 1 : 5 000
fusionierte
Satellitendaten
Satellitenbildkarte
1 : 10 000
Satellitenbildkarte
1 : 10 000
Forstamtsgeometrie
(FGK)
Forstamtsgeometrie
(FGK)
Datenfusion
Kontrastverbesserung
Rechnergestützte
Kartenherstellung
Kartenblattweise Anpassung
(FGK an Fusionsdaten)
Korrektur v. innerer Geometrie
(Basis: Fusionsdaten)
Abb. 89: Verfahrensablauf zur Herstellung der Satellitenbildkarte 1 : 10 000
Abb. 90: Satellitenbildkarte 1 : 10 000
links: Musterkartenblatt „Forstamt Falkenberg, Revier Spitze" (RGB: NIR-Grün-Rot)
rechts: Ausschnitt (RGB: Grün-NIR-Rot)
Basis: Fusionsdaten (IRS-1C / LISS3 und PAN), Forstamtsgeometrie, Signaturen des sächsischen
Standardforstkartenwerks / Kartographie: LAF
Der gewählte Darstellungsmaßstab von 1 : 10 000 stellt sicherlich die Grenze für die geomet-
rische Auflösung der verwendeten Daten dar (hier: IRS-1C), wurde aber sowohl im Hinblick
auf zukünftige Sensorentwicklungen als auch als traditioneller Maßstab vieler forstlich-
thematischer Karten (u.a. Baumartenkarte, Planungskarte) gewählt. Die heute mögliche Sa-
tellitenbildkarte erreicht noch nicht die Detailerkennbarkeit der Luftbildkarte, sie stellt aber
unter dem Kostenaspekt eine Alternative zur Luftbildkarte dar. Ein Kostenvergleich am Bei-
spiel eines sächsischen Forstamtes mittlerer Flächengröße ergab, dass nur ca. 30 % der
Mittel der Luftbildkartenherstellung eingesetzt werden müssen (Kap. 11.1). Die höheren
Kosten der Luftbildkarte resultieren vor allem auf hohen Ausgaben für die Befliegung, der
Messung von Pass- und Verbindungspunkten im Gelände sowie der Erstellung von Ortho-
bildern unter Verwendung digitaler Geländemodelle.
Kapitel 10: Einsatzmöglichkeiten moderner Satellitenbilddaten in der Forstwirtschaft
214
10.2 Analysen im GIS
Die Überführung von Auswertungsergebnissen in bestehende Fachinformations- und Geo-
Informationssysteme, wie sie exemplarisch am Beispiel des FGIS beschrieben ist (vgl. Kap.
9.1.1), eröffnet verschiedene Einsatzmöglichkeiten in der forstlichen Praxis. GIS-Funktionali-
täten können zudem für kartographische Zwecke, zur Erhöhung von Klassifizierungsgenau-
igkeiten oder für weiterführende Analysen eingesetzt werden.
Im Folgenden werden Anwendungsbeispiele vorgestellt, die zur Nutzungssteigerung von
Ergebnissen automatischer Satellitenbildauswertungen in der Forstpraxis beitragen können.
Die rechnergestützte Herstellung von Musterkartenblättern zur Darstellung von Klassifizie-
rungsergebnissen (Kap. 10.2.1) und die weiterführende Analyse der Waldschadenskartie-
rung (Kap. 10.2.2) erfolgten an der LAF. Die Ergebnisse werden hier aufgegriffen und bewer-
tet. Ferner werden Möglichkeiten zur Erhöhung der Kartierungsgenauigkeiten von automa-
tisch erfassten Veränderungsflächen aufgezeigt (Kap. 10.2.3).
10.2.1 Waldstrukturkartierung
Wie bereits die Herstellung der Satellitenbildkarte verdeutlicht, gewährleisten der Bezug zu
forstlichen Einteilungen sowie die Verwendung von Signaturen - wie sie in der forstkartogra-
phischen Bearbeitung üblich sind - die verbesserte Lesbarkeit von Auswertungsprodukten
durch den forstlichen Anwender. Dies schafft eine wichtige Voraussetzung, die Akzeptanz
von Auswertungsergebnissen und deren Darstellung in der Praxis zu erhöhen.
In diesem Zusammenhang wurden im Projekt MOMSSA verschiedene Vorschläge für die
kartographische Darstellung von Klassifizierungsergebnissen entwickelt. Durch die Überfüh-
rung der Klassifizierungsergebnisse ins FGIS standen sämtliche GIS-Funktionalitäten zur
Verfügung. Die Musterkartenherstellung wurde in eine bestehende kartographische Benut-
zeroberfläche eingebunden und orientierte sich an der Baumartenkarte 1 : 10 000. Für die
kartographische Umsetzung wurden die Signaturen des Standardforstkartenwerks Sachsen
verwendet.
Die im Rahmen des Standardforstkartenwerks produzierte Baumartenkarte 1 : 10 000 beruht
auf den Taxationsergebnissen der klassischen terrestrischen Forsteinrichtung (vgl. Abb. 91).
In ihr wird die Hauptbaumart in Abhängigkeit von ihrer Zugehörigkeit zur Baumartengruppe
und dem Altersbereich (1 - 40 Jahre, 41 - 80 Jahre, > 80 Jahre) bestandesweise als Flä-
cheninformation dargestellt. Die Mischbaumarten im Oberstand werden als Anteilszehntel-
kästchen beschrieben. Unterstände, in denen die 1. und 2. Baumart mehr als 75 % der Flä-
che ausmacht, werden in Abhängigkeit ihrer zugehörigen Baumartengruppe als Schraffur
bestandesweise flächendeckend dargestellt. Die exakte Lokalisierung der Baumarten im
Oberstand ist mit Hilfe der Baumartenkarte nicht möglich. Die Baumartenkarte wird für den
Landeswald, Kommunalwald und teilweise für den Kirchenwald hergestellt. Für den Privat-
wald und Treuhandwald stehen somit dem örtlichen Wirtschafter zur Erfüllung seiner hoheit-
lichen Aufgaben nur noch zunehmend veraltende Forsteinrichtungsdaten zur Verfügung
(letzte Forsteinrichtungen der DDR aus den Jahren vor 1990, die bis 1993 rechnerisch fort-
geschrieben wurden).
Vor diesem Hintergrund wurden Vorschläge zur kartographischen Darstellung von Wald-
strukturklassifizierungen entwickelt, die sich unterschiedlich stark an der Baumartenkarte und
den Signaturen des Standardforstkartenwerks orientieren. Die Herstellung von zwei Muster-
kartenblättern erfolgte entsprechend der Satellitenbildkarte im Maßstab 1 : 10 000 - diese
großmaßstäbige Darstellung wurde bereits begründet (vgl. Kap. 10.1). Eine Übertragbarkeit
des Verfahrens auf Auswertungsergebnisse anderer Satellitenbilddaten und -sensoren - ggf.
mit erweitertem Differenzierungsgrad - ist grundsätzlich möglich.
Kapitel 10: Einsatzmöglichkeiten moderner Satellitenbilddaten in der Forstwirtschaft
215
Abb. 91: Baumartenkarte 1 : 10 000 (Standardforstkartenwerk)
links: Ausschnitt; rechts: Legende / Kartographie: LAF
Kombination von Klassifizierungsergebnissen und topographischen
Karteninformationen
Topographische Karteninformationen können Auswertungsergebnisse sinnvoll ergänzen und
deren räumliche Einordnung erheblich verbessern. Unter Verwendung von ArcView wurde
daher ein Musterkartenblatt (UG Dübener Heide: TK10, Kartenblatt 4442-NO) hergestellt,
das folgende Informationen umfasst (vgl. Abb. 92):
· Waldstrukturklassifizierung,
· Segmente (2. Segmentierungsstufe),
· Grundriss-, Gewässer- und Isolinienebene der TK10 (N).
Diese Informationen wurden ergänzt mit Elementen aus der Forstamtsgeometrie (Forstamt-
und Reviergrenzen, Abteilungsbezeichnungen) zur Einordnung der dargestellten Waldstruk-
turinformationen im Bezug zur Forstorganisationsstruktur und Waldeinteilung der Forstein-
richtung.
Die Farbwahl für die dargestellten Baumarten (-gruppen) wurde unter Praktikabilitätsaspek-
ten sehr stark an die Legende der Baumartenkarte des Standardforstkartenwerkes ange-
lehnt.
Die räumliche Lage einzelner Baumarten ist lokalisierbar. Die Integration der Segmentie-
rungsergebnisse (vgl. Kap. 8.3.2.2.3) ermöglicht, dass darüber hinaus einzelne Laubbäume
bzw. Laubbaumgruppen - häufig auch Laubbaum-Überhälter - innerhalb von Nadelwäldern
unterschieden werden können. Damit liefern die satellitenbildgestützten Waldstrukturkarten
teilweise sogar detailliertere Informationen als die herkömmliche Baumartenkarte.
Das wesentliche Einsatzgebiet für diese Waldstrukturkarte wird für Gebiete gesehen, in de-
nen keine Forsteinrichtungsdaten oder nur stark veraltete Informationen vorliegen. Hier lie-
fern die aus den Satellitenbildern ermittelten Waldstrukturklassen dem Forstpraktiker - aber
auch Projektplanern, Landschaftsplanern, Kommunalpolitikern oder Verbänden - raumbezo-
gen Informationen zum Vorkommen der wichtigsten gebietsspezifischen Baumarten (z.B.
Kiefer in der Dübener Heide) als auch einige Angaben zu deren Schichtung und Wuchsklas-
sen. Damit erhält man mehr als ein Minimum an Waldzustandsinformationen, die kombiniert
mit der visuellen Interpretation von vorhandenen Bildkarten (Luftbild- oder Satellitenbildkarte)
zur Erfüllung hoheitlicher Aufgaben im Privatwald und für unterschiedliche Planungszwecke
nutzbar sind. Der Bezug zur Topographischen Karte (als Grundlagenkarte im weiteren Sin-
Kapitel 10: Einsatzmöglichkeiten moderner Satellitenbilddaten in der Forstwirtschaft
216
ne) wurde gewählt, um eine alternative kartographische Darstellung zu nutzen, die von der
forstlichen Einteilung unabhängig ist.
Die thematisch für den Forstpraktiker aufbereitete Charakterisierung der Waldstruktur der
Bestände kann nicht nur gedruckt als Karte sondern auch digital zur Verfügung gestellt wer-
den. Damit können die Informationen mit anderen Daten kombiniert oder nur räumlich oder
thematisch auszugsweise dargestellt werden.
Abb. 92: Waldstrukturkarte 1 : 10 000 - Darstellung mit Topographischer Karte TK10
oben: Musterblatt, Legende / unten: Ausschnittvergrößerung (UG Dübener Heide)
Basis: Waldstrukturklassifizierung, Rasterdaten der TK10, Forstamts-, Reviergrenze (FGIS), Sig-
naturen gemäß Standardforstkartenwerk Sachsen / Kartographie: LAF
Kombination von Klassifizierungsergebnissen und
Forsteinrichtungsdaten - Geometriedaten
Die einfachste Kombinationsvariante wird in der gemeinsamen Darstellung von Waldstruk-
turklassifizierungsergebnissen mit dem Waldeinteilungsnetz der Forsteinrichtung gesehen.
Hierzu wurden exemplarisch folgende Informationen überlagert (FoA Neudorf, UG Erzgebir-
ge):
Kapitel 10: Einsatzmöglichkeiten moderner Satellitenbilddaten in der Forstwirtschaft
217
· Waldstrukturklassifizierung,
· Forstorganisationsstruktur (Forstamts- und Reviergrenze, Stand: 01.01.1996),
· Abteilungsnetz aus der Forstamtsgeometrie (Stand: 01.01.1985).
Die rechnergestützte Kartenherstellung (vgl. Abb. 93) erfolgte unter Verwendung des Signa-
turenkatalogs der LAF (ARC/INFO).
Durch den Bezug zur forstlichen Einteilung wird die Aussagekraft wesentlich erhöht. Die
Verwendung der Signaturen des Standardforstkartenwerkes (Abteilungsgrenze als Linie mit
Punkten) gewährleistet die sofortige Lesbarkeit der Karte durch den Forstpraktiker und er-
höht damit auch die Akzeptanz der Karte in der Praxis. Durch die Visualisierung von Forst-
amts-, Revier- und Abteilungsgrenzen bzw. -bezeichnungen kann der Praktiker die darge-
stellten Informationen im Kontext zu anderen ihm vorliegenden Datenquellen wie beispiels-
weise Luftbild- oder Satellitenbildkarte oder (altes) Forsteinrichtungswerk betrachten bzw.
nutzen. Die Verschneidung der Satellitenbildklassifizierungsergebnisse mit dem Abteilungs-
netz garantiert die abteilungsbezogene Zuordnung und Interpretation der Daten. Die Wald-
strukturinformationen können damit nicht nur in Kartenform sondern auch als Tabelle (analog
als Liste oder digital als Teil einer Datenbank) genutzt werden.
Abb. 93: Waldstrukturkarte 1 : 10 000 - Darstellung mit Waldeinteilungsnetz
Basis: Waldstrukturklassifizierung, Forstamtsgeometrie (Abteilungsnetz), Signaturen gemäß Stan-
dardforstkartenwerk Sachsen / Kartographie: LAF / UG Erzgebirge (Ausschnitt, FoA Neudorf)
Kapitel 10: Einsatzmöglichkeiten moderner Satellitenbilddaten in der Forstwirtschaft
218
Die Anwendungsgebiete für diese Karte bzw. die Daten werden wiederum vorrangig für Ge-
biete des Privat- und Treuhandwaldes gesehen, wo das Abteilungsnetz größtenteils noch
aktuell ist, die hierarchisch untergeordneten Grenzen (Unterabteilung, Teilfläche) aber schon
veraltet sein können.
Durch eine Überlagerung der Klassifizierungsergebnisse mit allen Elementen der Forstamts-
geometrie (u.a. Abteilung, Unterabteilung, Teilfläche, Bestand) ist es möglich, die räumliche
Lage einzelner Baumarten im Bestand zu lokalisieren.
Kombination von Klassifizierungsergebnissen
und Forsteinrichtungsdaten - Sach- und Geometriedaten
Eine sehr starke thematische und kartographische Annäherung an das forstliche Standard-
kartenwerk wird durch die Ableitung einer Kombinationskarte erzielt, in der sowohl Forstein-
richtungsdaten als auch Satellitenbildinformationen einfließen.
Unter Verwendung von ArcView wurde ein Musterkartenblatt (UG Dübener Heide: TK10,
Kartenblatt, s.o.) hergestellt, das folgende Informationen umfasst (vgl. Abb. 94):
· Daten der terrestrischen Forsteinrichtung (FoA Falkenberg: 01.01.1995, FoA Dober-
schütz: 01.01.1997; Differenzierung nach Baumartengruppen und Altersbereichen),
· Waldstrukturklassifizierung,
· Segmente (2. Segmentierungsstufe),
· Grundriss-, Gewässer- und Isolinienebenen der Rasterdaten der TK10 (N) und
· Elemente aus den Forstamtsgeometrien (Forstamts- und Reviergrenzen, Abteilungsbe-
zeichnungen).
Die Farbwahl orientiert sich an der Legende der Baumartenkarte des Standardforstkarten-
werks.
Die aktuellen Forsteinrichtungsdaten dienen bei diesem Ansatz als Basisdaten. Die Ergeb-
nisse der satellitenbildgestützten Waldstrukturklassifizierung werden ausschließlich dann
genutzt, wenn diese über den Informationsgehalt der Forsteinrichtungsdaten hinausreichen
und als relativ genau eingeschätzt werden können (v.a. Klassen „Nadelholz-Dickung“, „Kie-
fer, Baumholz, zweischichtig“, „Kiefer, Baumholz räumdig / durchforstet“, „Blöße / Kultur, ve-
getationsarm/ vorwiegend Nadelholz“, „Laubwald, Überhälter / Trupp“). Die Satellitenbild-
klassifizierung wird selektiv genutzt. In der resultierenden Kombinationskarte werden somit
die Forsteinrichtungsdaten mit fernerkundeten Informationen ergänzt.
Die Integration der Satellitenklassifizierungsergebnisse in das FGIS Sachsen ermöglicht den
unmittelbaren Vergleich mit den Forsteinrichtungsdaten. Damit ist es im Rahmen der auto-
matisierten Verifizierung der Auswertungsergebnisse möglich, Flächen (hier: Bestände) hin-
sichtlich ihrer Klassenübereinstimmung zu unterscheiden. Der Vergleich kann in Differenz-
karten dargestellt werden. Diese können im Rahmen der Verifizierung im Gelände genutzt
werden, da sie die ggf. auftretenden Unsicherheiten der Klassifizierungsergebnisse räumlich
differenziert dokumentieren. Gleichzeitig geben die Karten dem Nutzer Hinweise, in welchen
Gebieten er ggf. eine Vor-Ort-Kontrolle bei detailliertem Informationsbedarf durchführen
muss.
Die Ergebnisse der Satellitenbildauswertungen bzw. der Differenzkarten können aber auch
zur Ermittlung von Veränderungsflächen genutzt werden. Der Vergleich der Klassifizierungs-
ergebnisse mit den Daten von zurückliegenden Forsteinrichtungen (Karte, Datenbank) trägt
dazu bei, Verdachtsflächen automatisch zu kartieren bzw. zu lokalisieren. Die Forsteinrich-
tungsdaten können mit Hilfe der Klassifizierungsergebnisse fortgeschrieben bzw. ergänzt
werden. Zu berücksichtigen sind dabei die teilweise unterschiedliche Parameterdefinition von
Forsteinrichtungsdaten und Klassifizierungsergebnissen sowie die verschiedenen Aufnah-
megenauigkeiten (vgl. Kap. 9.1.2 und 9.1.3).
Kapitel 10: Einsatzmöglichkeiten moderner Satellitenbilddaten in der Forstwirtschaft
219
Abb. 94: Waldstrukturkarte 1 : 10 000 - Kombination von Klassifizierungsergebnissen und
Forsteinrichtungsdaten
oben: Musterblatt / Mitte: Ausschnittvergrößerung (UG Dübener Heide) / unten: Legende
Basis: Waldstrukturklassifizierung, Forsteinrichtungsdaten, Forstamtsgeometrie, Signaturen gemäß
Standardforstkartenwerk Sachsen / Kartographie: LAF
Kapitel 10: Einsatzmöglichkeiten moderner Satellitenbilddaten in der Forstwirtschaft
220
10.2.2 Waldschadenskartierung
10.2.2.1 Zustandserfassung
Im Ergebnis der satellitenbildgestützten Waldschadenskartierung „Erzgebirge“ wurde jedem
Bildpunkt, der eine Fichtenfläche abbildet (Analysefläche: Beschirmungsgrad > 60 %, Stan-
genholz - Altholz), eine Schadstufe zugewiesen. Die übrigen Waldflächen wurden im Rah-
men der Waldstrukturklassifizierung nach Baumartengruppen, Wuchsklassen, Beschir-
mungsgradklassen sowie unbestockten Flächen unterschieden.
Um eine Vergleichbarkeit der Ergebnisse mit anderen terrestrischen, luftbild- und satelliten-
bildgestützten Waldzustandsansprachen im Rahmen eines umfassenden Waldzustandsmo-
nitoring zu erreichen (früherer Erhebungszeitpunkt oder anderes Gebiet), wurde die interna-
tional und national bewährte Einteilung gemäß UNEP (1995) angewendet:
· Nadelverlustklassen (vgl. Kap. 3.1.1.2.2):
0 - 10 %: Anteil von Fichten mit Nadelverlust ³ 25 %
11 - 33 %: Anteil von Fichten mit Nadelverlust ³ 25 %
34 - 66 %: Anteil von Fichten mit Nadelverlust ³ 25 %
> 66 %: Anteil von Fichten mit Nadelverlust ³ 25 %
· Beschirmungsgradklassen (vgl. Kap. 5.3.2):
0 - 20 %: Beschirmungsgrad
21 - 40 %: Beschirmungsgrad
41 - 60 %: Beschirmungsgrad
Fichtenflächen mit geringem Beschirmungsgrad (< 60 %) wurden der Schadstufe 3 (stark
geschädigt) zugewiesen. Grundlage dafür bildet die Annahme, dass in Immissionsschadge-
bieten eine Absenkung des Beschirmungsgrades unter 60 % durch eine schadbedingte Ver-
lichtung der Bestände verursacht wird, da waldbauliche Gründe für eine derartige Behand-
lung von Fichtenbeständen kaum vorstellbar sind.
Es erfolgte die exemplarische rechnergestützte Herstellung einer Waldzustandskarte
1 : 25 000 (FoA Neudorf), die folgende Informationen umfasst (vgl. Abb. 95):
· Waldschadenskartierung: Nadelverlustklassen (SPOT4-HRVIR),
· Waldstrukturklassifizierung: Beschirmungsgradklassen (SPOT4-HRVIR),
· Elemente aus der Forstamtsgeometrie (Forstamts-, Revier-, Abteilungsgrenzen, Be-
zeichnungen) zur Einordnung der Waldschadensinformationen im Bezug zu Forstorgani-
sationsstruktur und Waldeinteilung.
Die kartographische Zusammenführung der pixelbasierten Kartierungsergebnisse gibt einen
Überblick über räumliche Konzentrationen und Verzahnungen der unterschiedlichen Schad-
flächen. In der Darstellung werden die Vorzüge der Satellitenfernerkundung für eine groß-
räumige synchrone Erfassung von Waldschadensparametern genutzt.
Im Vergleich zu den mittels Luftbildinterpretationen abgeleiteten bestandesbezogenen Flä-
chenschadstufen (vgl. Kap. 2 und 3.1.1.1) beschreiben die Klassifizierungsergebnisse den
Zustand homogener Schadflächen, unabhängig von starren und vom Schadausmaß nicht
geprägten Anspracheeinheiten (z.B. Teilfläche, Bestand). Das resultierende Schadstufenmo-
saik der pixelbasierten Zuweisungen ermöglicht die Lokalisierung von stark geschädigten
Bestandesteilen, die bei der Angabe einer bestandesbezogenen Flächenschadstufe entwe-
der heraus gemittelt werden oder den gesamten Bestand stärker geschädigt erscheinen las-
sen, als er in der Realität ist.
Die räumliche Auflösung der multispektralen SPOT4-Daten liegt über der von TM-Daten.
Damit sind die Flächenabgrenzungen der Schadstufen vergleichsweise schärfer (REUTHER et
al. 1996) und die Aussagekraft der Schadstufen erhöht. Die Ergebnisse können zudem in
einem größeren Maßstab sinnvoll dargestellt werden (1 : 25 000 statt 1 : 50 000).
Kapitel 10: Einsatzmöglichkeiten moderner Satellitenbilddaten in der Forstwirtschaft
221
Durch die Integration der Auswertungsergebnisse in das FGIS können diese mit den Forst-
amtsgeometrien verschnitten und auf Teilflächen- oder Bestandesebene zu einer Bestan-
desschadstufe zusammengefasst werden. Diese abgeleitete Bestandesschadstufe steht da-
mit für weitergehende Analysen im Kontext mit anderen Datenbankparametern (z.B.: Bestan-
desalter, Mischungsgrad) zur Verfügung. Ferner ist deren kartographische Darstellung in
einer Waldzustandskarte teilflächen- bzw. bestandesbezogen möglich.
Die Waldzustandskarten sind für den örtlichen Wirtschafter ein wichtiges Arbeitsinstrument
bei der Steuerung der waldbaulichen und sanitären Maßnahmen. Bei satellitenbildgestützten
Waldzustandskarten kann die kombinierte Nutzung von pixelbasierten und flächenbezoge-
nen Darstellungen oder Analysen eine sinnvolle Ergänzung darstellen.
Abb. 95: Waldzustandskarte 1 : 25 000
links: Ausschnitt (FoA Neudorf) / rechts: Legende „Flächenschadstufen“
Basis: Waldschadenskartierung, Waldstrukturklassifizierung (SPOT4-HRVIR), Forstamtsgeometrie
Kartographie: LAF / UG Erzgebirge
10.2.2.2 Monitoringaspekte
Der Waldzustand des Erzgebirges bedarf vor allem in den Kammlagen und höheren Bergla-
gen einer periodischen Beobachtung und Kontrolle, da sowohl die Immissionsbelastung als
auch der Wald einer starken Dynamik unterliegen. Die Sächsische Landesforstverwaltung
richtet große Aufmerksamkeit auf die Ausscheidung von „Immissionsschadzonen“, die die
betroffenen Waldgebiete nach dem flächig auftretenden unterschiedlichen Schädigungsgrad
gliedern. Sie dienen der differenzierenden waldbaulichen Planung und Privatwaldförderung.
Diese Schadzonierung erfolgt seit den 60er Jahren periodisch auf der Basis von terrestri-
schen Aufnahmen und Luftbildauswertungen (vgl. Kap. 2, 3.1.1.1 und 3.3.1). Im Projekt
Waldzustandserfassung im Erz- und Fichtelgebirge mit Hilfe der Fernerkundung (REUTHER et
al. 1996) wurde erstmals auch der Beschirmungsgrad, neben dem Nadelverlust, zur Abgren-
zung von Schadzonen (Basis: LANDSAT-TM) berücksichtigt.
Im Projekt MOMSSA wurde versucht, die Aussagefähigkeit von fernerkundeten Informatio-
nen für die großräumige Erfassung der Waldschadenssituation im Erzgebirge weiter zu ver-
bessern. Für die Charakterisierung des Waldzustands wurden folgende Auswertungsergeb-
nisse ausgewählt und nachfolgend analysiert:
· Waldschadenskartierung: Nadelverlustklassen,
· Waldstrukturklassifizierung: Beschirmungsgradklassen,
Kapitel 10: Einsatzmöglichkeiten moderner Satellitenbilddaten in der Forstwirtschaft
222
· Waldstrukturklassifizierung: waldschadensrelevante Klassen
(Nadelholz-Jungwuchs, Nadelholz-Dickung, Lärche-Dickung, Jungwuchs / Sukzession,
Blöße, vegetationsarme / vegetationslose Flächen).
Die Waldstrukturklassifizierung und die Waldschadenskartierung dienen hierbei als Zwi-
schenergebnisse zur Beschreibung der Schadmerkmale Nadelverlust und Beschirmungs-
grad. Darüber hinaus wurden „waldschadensrelevante Waldstrukturklassen“ festgelegt und
in den Auswertungsprozess einbezogen. Ein großflächiges Vorkommen dieser Klassen
(Mindestgröße: 20 ha) hat im Erzgebirge i.d.R. keine waldbaulichen Ursachen, die Existenz
und Konzentration entsprechender Flächen wird daher als Hinweis auf den Waldschadens-
prozess gedeutet (z.B. Aufforstungsmaßnahmen in den Kammlagen). Die Festlegung der
beiden Flächenkategorien beruht auf Erfahrungen und Kenntnissen von Forstpraktikern.
Die Klassen wurden zu einem Datensatz zusammengeführt und rechnergestützt zu größeren
Schadeinheiten nach unterschiedlichen Methoden regionalisiert. Hierzu wurde ein Berech-
nungsschlüssel aufgestellt, der eine eindeutige und gewichtete klassenspezifische Zuwei-
sung von Einzelpixeln ermöglicht. So wurde zur weiteren Auswertung jedem Pixel, das einer
Nadelverlustklasse angehört, der Mittelwert der entsprechenden Nadelverlustklasse zuge-
wiesen. Den entsprechenden Bildpunkten der waldschadensrelevanten Klassen wurde der
mittlere Anteil von deutlichen Schäden der am stärksten geschädigten Nadelverlustklasse
(84 %) zugeordnet (vgl. Tab. 37). Bei kleinflächigem Auftreten der Klassen (< 20 ha) wurde
den Bildpunkten der Wert 5 % (Klassenmitte von gesunden Fichtenbeständen) zugewiesen.
Tab. 37: Mittlerer Flächenanteil mit deutlichen Schäden - Festlegung der Berechnungs-
grundlage für Regionalisierungen
Satellitenbild-
auswertung Klasse Mittlerer Anteil
deutlicher Schäden [%]
FS 0 (0 - 10 % deutliche Schäden) 5
FS 1 (11 - 33 % deutliche Schäden) 22
FS 2 (34 - 66 % deutliche Schäden) 50
Waldschadens-
kartierung
FS 3 ( > 66 % deutliche Schäden) 84
Beschirmungsgrad 41 - 60 % 84
Beschirmungsgrad 21 - 40 % 84
Beschirmungsgrad 0 - 20 % 84
Nadelholz (Jungwuchs bis Dickung) 84 (>20 ha), sonst 5
Lärche (vorwiegend Dickung) 84 (>20 ha), sonst 5
Jungwuchs / Sukzession 84 (>20 ha), sonst 5
vegetationsarm / vegetationslos 84 (>20 ha), sonst 5
Waldstruktur-
klassifizierung
Blößen 84 (>20 ha), sonst 5
deutliche Schäden: Nadelverlust > 25 %; FS: Flächenschadstufe / UG Erzgebirge
Revierweise Regionalisierung - Ausscheidung von Immissions-Betriebsklassen
In Immissionsschadgebieten wird von der Sächsischen Forstverwaltung revierweise die so
genannte Betriebsklasse „Immissionsschadgebiet“ anlässlich der Forsteinrichtung bzw. der
Zwischenrevision oder infolge von Organisationsänderungen ausgewiesen. Der Ausschei-
dung liegen Eckwerte von folgenden Parametern zugrunde, von denen mindestens 4 erfüllt
sein müssen:
· Schadzonierung auf der Basis von Luftbildinterpretationsergebnissen,
· Einschätzung des Bodens basierend auf Ergebnissen der Level-I-Erhebungen,
Kapitel 10: Einsatzmöglichkeiten moderner Satellitenbilddaten in der Forstwirtschaft
223
· Vorrat von Nadelholz,
· Anteil der I. und II. Altersklasse von Nadelholz,
· Anteil der Ersatzbaumarten,
· Hiebssatz.
Der Parameter Schadzonierung beruhte zum Zeitpunkt der Auswertungen auf der revierwei-
sen Regionalisierung von Luftbildinterpretationsergebnissen aus den Jahren 1996 und 1999.
Da bei der Luftbildinterpretation keine Beschirmungsgrade ausgewiesen wurden, fand nur
der Nadelverlust Eingang in die Zonierung:
Zone 1: > 66 % Anteil von deutlichen Schäden
Zone 2: 34 - 66 % Anteil von deutlichen Schäden
Zone 3: 10 - 33 % Anteil von deutlichen Schäden
Zone 0: 0 - 9 % Anteil von deutlichen Schäden (vgl. Abb. 2).
Das Kriterium für die Betriebsklassenzugehörigkeit ist erfüllt, wenn das Revier zu 100 % in
die Zone 1 oder 2 eingestuft wurde.
Im Interesse einer möglichen Rationalisierung dieser luftbildgestützten Schadzonierung er-
folgte die satellitenbildgestützte Ausweisung von Schadzonen auf Basis der Nadelverlust-
klassen. Optional wurde eine weitere Regionalisierung mit der zusätzlichen Einbeziehung
der Beschirmungsgradklassen vorgenommen. Die Schadzone für ein Forstrevier (vgl. Abb.
96) wurde wie folgt abgeleitet:
· Ermittlung des mittleren Anteils deutlicher Schäden pro Nadelverlustklasse - FS (vgl.
Tab. 37),
· Ermittlung des mittleren Anteils deutlicher Schäden pro Nadelverlustklasse - Beschir-
mungsgrad (optional),
· Ermittlung des flächengewogenen mittleren Anteils deutlicher Schäden pro Revier,
· Einteilung des flächengewogenen mittleren Anteils deutlicher Schäden pro Forstrevier in
die Schadzonen (Zone 0 - Zone 3).
Der Vergleich der beiden Regionalisierungsansätze verdeutlicht, dass satellitenbildgestützte
Schadzonierungen ohne die Berücksichtigung des Beschirmungsgrades nicht zielführend
sind. Eine Differenzierung auf Revierebene mittels Nadelverlustklassen konnte nicht erzielt
werden. Dies kann darauf zurückgeführt werden, dass stark und mittelstark geschädigte
Bäume i.d.R. verlichteten Beständen angehören. Die Einbeziehung beider Schadmerkmale,
Nadelverlust und Beschirmungsgrad, ist deshalb bei der weiteren Verarbeitung und Wertung
des Waldzustandes unerlässlich.
Gemarkungsgetreue Regionalisierung
Ein alternativer Regionalisierungsansatz bietet die Bezugseinheit der Gemarkung. Diese ist
eine relativ stabile und vor allem von forstorganisatorischen Änderungen unabhängige Ein-
heit und eignet sich daher besonders für forstpolitische Zwecke (z.B. Vergabe von Förder-
mitteln an Privatwaldbesitzer). Für die exemplarischen Berechnungen wurden Nadelverlust-
und Beschirmungsgradklassen genutzt (vgl. Abb. 97).
Der Vergleich mit der revierweisen Zonierung veranschaulicht, dass die Ausscheidung einer
Schadzone sehr stark von der Größe und der Form der Regionalisierungseinheit abhängt.
So führt eine lang gestreckte Einheit, die sich z.B. von den höheren Berglagen im Süden
(stärkere Schädigungen) bis in die unteren Berglagen im Norden (geringere Schädigungen)
erstreckt, zur Herausmittelung der starken Schäden. Für eine möglichst objektive Schadzo-
nierung wird deshalb eine flexible, von starren vorgegebenen Einheiten unabhängige Regio-
nalisierung präferiert.
Kapitel 10: Einsatzmöglichkeiten moderner Satellitenbilddaten in der Forstwirtschaft
224
Abb. 96: Revierweise Regionalisierung der Kartierungsergebnisse
oben: auf Basis von Nadelverlustklassen (Waldschadenskartierung)
unten: auf Basis von Nadelverlust- und Beschirmungsgradklassen (Waldschadenskartierung,
Waldstrukturklassifizierung) / Kartographie: LAF / UG Erzgebirge
Kapitel 10: Einsatzmöglichkeiten moderner Satellitenbilddaten in der Forstwirtschaft
225
Abb. 97: Gemarkungsgetreue Regionalisierung der Kartierungsergebnisse
Basis: Nadelverlust- und Beschirmungsgradklassen / Kartographie: LAF / UG Erzgebirge
Flexible Regionalisierung
Die Grundlage für die flexible Regionalisierung bilden alle im Ergebnis der Waldschadens-
und Waldstrukturklassifizierung ermittelten Nadelverlust- und Beschirmungsgradklassen so-
wie die waldschadensrelevanten Klassen. Diese werden mit dem Bewertungsschlüssel be-
legt und nachfolgend analysiert (vgl. Tab. 37 sowie Abb. 98).
Folgende Vorgehensweise ermöglicht eine einfach handhabbare Ableitung einer flexiblen
Schadzonierung (vgl. Abb. 99):
· Selektion von waldschadensrelevanten Klassen (Waldstrukturklassifizierung),
· Kategorisierung der waldschadensrelevanten Klassen nach der Größe zusammenhän-
gender Klassensegmente (³ 20 ha, < 20 ha),
· Zusammenführung von Nadelverlust-, Beschirmungsgradklassen und kategorisierten
Waldstrukturklassen,
· Berechnung des mittleren Nadelverlustes pro Klasse,
· Majority-Filterung,
· Einteilung in die Schadzonen (Zone 1, Zone 0 - Zone 3).
Die bei der Betriebsklassenfestlegung in der Forsteinrichtung (Immissions-Betriebsklasse)
verwendeten Kriterien zur Schadzonierung - Nadelverlust (Luftbildinterpretationsergebnisse),
Anteil der I. und II. Altersklasse von Nadelholz, Anteil der Ersatzbaumarten - werden voll be-
rücksichtigt.
Aus den Abbildungen 98 und 99 wird ersichtlich, dass besonders in den Kammlagen und
höheren Berglagen entlang und jenseits der Grenze zur Tschechischen Republik bereits der
hohe Anteil an Jungwuchsflächen, Dickungen, Sukzessionen, Blößen und vegetationsarmen
Flächen zur Zuweisung der Schadzone 1 (starke Schädigung) erfolgt. Da das Fehlen von
älteren Bestockungen bekanntlich auf die langjährig wirksamen Waldschadens- bzw. Ver-
lichtungsprozesse in diesen Regionen des Erzgebirges zurückzuführen ist, kann somit durch
Kapitel 10: Einsatzmöglichkeiten moderner Satellitenbilddaten in der Forstwirtschaft
226
Abb. 98: Klassenauswahl und Datengrundlage für die flexible Schadzonierung
Waldschadenskartierung: Nadelverlustklassen
Waldstrukturklassifizierung: Beschirmungsgradklassen, waldschadensrelevante Klassen
Kartographie: LAF / UG Erzgebirge
Abb. 99: Ergebnis der flexiblen Schadzonierung
Kartographie: LAF / UG Erzgebirge
Kapitel 10: Einsatzmöglichkeiten moderner Satellitenbilddaten in der Forstwirtschaft
227
die Integration der ausgewählten Waldstrukturklassen in die Auswertung ein wesentlicher
zeitlicher Aspekt in die Erfassung und Darstellung der Schadenssituation mit einfließen,
wenn dies für spezielle Betrachtungen bzw. Fragestellungen gewünscht ist.
Die Abbildung 99 veranschaulicht ferner die klein strukturierte und von administrativen und
forstorganisatorischen Grenzen unabhängige Ausprägung der starken bzw. mittleren Schä-
den. Die Kartierung dieser Schadflächen wird als zuverlässig beurteilt, da zum einen für die
zugrunde gelegten Waldstrukturklassen und Beschirmungsgradklassen zufriedenstellende
Klassifizierungsgenauigkeiten erzielt wurden (vgl. Kap. 9.1.3.2), zum andern das Größenkri-
terium (20 ha) einen stabilen Erfahrungswert darstellt.
Im Rahmen eines satellitenbildgestützten Waldmonitoring könnte der Prozess der schadens-
beeinträchtigten waldstrukturellen Entwicklung großräumig weiter verfolgt werden durch wie-
derholte Auswertungen. Bei einer positiven (ggf. regional variierenden) Entwicklung des
Waldzustands ist davon auszugehen, dass dies zur Erhöhung des Beschirmungsgrads bei-
trägt (z.B.: Kronenentwicklung in jüngeren oder lückigen Beständen, Aufwuchs). Bei weit-
gehend ungestörter natürlicher Bestandesentwicklung wird eine tendenzielle Abnahme von
waldschadensrelevanten Klassen eintreten (z.B.: geringerer Flächenzuwachs bei gleichzeiti-
ger natürlicher Bestandesentwicklung). Als deutlichste Merkmale für einen negativen Verlauf
würde ein weiter fortschreitender Auflichtungs- bzw. Verlichtungsprozess sowie die Flächen-
zunahme waldschadensrelevanter Klassen resultieren, die beide mit multispektralen Satelli-
tenbilddaten gut erfassbar sind.
Die flexible Regionalisierung auf Basis von Parametern, die aus satellitenbildgestützten
Waldschadens- und Waldstrukturklassifizierungen gewonnen werden können, wird als ein
operatives Verfahren zur Schadzonierung eingeschätzt.
10.2.3 Kartierung von potenziellen Veränderungsflächen
In der vorliegenden Arbeit wird ein automatisches Auswertungsverfahren zur Lokalisierung
von Veränderungsflächen innerhalb von Wäldern vorgestellt (vgl. Kap. 8.5). Wie die Bewer-
tungen der Kartierungsergebnisse (vgl. Kap. 9.2) erkennen lassen, verspricht die Kombinati-
on mit Fachinformationen eine Erhöhung der Genauigkeiten. Eine Nutzungssteigerung der
Auswertungsergebnisse kann daher erreicht werden, wenn die automatisierte Erfassung als
schnell durchführbare großräumige Vorkartierung genutzt wird und in einer interaktiven
Nachbearbeitung - unter Einbindung von Fachinformationen - Fehlzuweisungen eliminiert
werden.
Die Vorkartierungsergebnisse können beispielsweise von Fachinterpreten bzw. Anwendern
durch visuelle Interpretation mit geringem Zeitaufwand weiter ergänzt und korrigiert werden
(vgl. Abb. 100). Hierzu können bereits die Hinterlegung von Satellitenbild- oder Luftbildpro-
dukten und die Überlagerung mit digitalen Karten genügen. Sensorbedingte Kartierungsfeh-
ler (u.a. Zeilenversatz) können durch interaktive Nachbereitung sicher erkannt und eliminiert
werden.
Kapitel 10: Einsatzmöglichkeiten moderner Satellitenbilddaten in der Forstwirtschaft
228
Zwischenergebnis: automatisierte Kartierung
Zwischenergebnis: automatisierte Kartierung
„Zunahme“
(Bestandesschluss)
„Zunahme“
(Bestandesschluss) „Abnahme“
(Bestandesschluss)
„Abnahme“
(Bestandesschluss)
Fachinformationen
- Sachdaten
- Geometriedaten
(digit. Karten, GIS )
Fachinformationen
- Sachdaten
- Geometriedaten
(digit. Karten, GIS )
Endselektion: Veränderungsflächen
Endselektion: Veränderungsflächen
„Zunahme“
(Bestandesschluss)
„Zunahme“
(Bestandesschluss) „Abnahme“
(Bestandesschluss)
„Abnahme“
(Bestandesschluss)
Endselektion: Bezugsflächen mit Veränderungen
Endselektion: Bezugsflächen mit Veränderungen
„Zunahme“
(Bestandesschluss)
„Zunahme“
(Bestandesschluss) „Abnahme“
(Bestandesschluss)
„Abnahme“
(Bestandesschluss)
Vorselektion: Bezugsflächen mit Veränderungen
Vorselektion: Bezugsflächen mit Veränderungen
„Zunahme“
(Bestandesschluss)
„Zunahme“
(Bestandesschluss) „Abnahme“
(Bestandesschluss)
„Abnahme“
(Bestandesschluss)
visuelle Interpretation
interaktive Flächenprüfung
Veschneidung und Attributierung
automatische Selektion
von Bezugsflächen (z.B. Bestand)
visuelle Interpretation
interaktive Flächenprüfung
Abb. 100: Lokalisierung von potenziellen Veränderungsflächen - interaktive Nachbearbeitung
und Einbindung von Fachinformationen
links: GIS-gestützte Analyse mit interaktiver Nachbearbeitung am Display
rechts: Überlagerung am Display
Eine weitere Möglichkeit stellt die Verschneidung der Vorkartierungsergebnisse mit Fachin-
formationen bzw. digitalen Karten (Vektordaten) dar:
· Berechnung von Merkmalen / Attributierung:
Für jede geometrisch erfasste Bezugsfläche (z.B.: Bestand, Teilfläche / hier: BTNT-
Kartiereinheit) werden Merkmale berechnet. Hierzu zählen z.B. die Veränderungskatego-
rie (Vorkommen, Dominanz) sowie deren absolute oder relative Flächenanteile.
· Vorselektion von Bezugsflächen:
Durch Festlegung von Kriterien kann eine automatische Selektion von solchen Bezugs-
flächen vorgenommen werden, die aufgrund der automatischen Auswertung als Ver-
dachtsflächen eingestuft werden.
Fehlzuweisungen entlang von Wald- oder Bestandesgrenzen bzw. Waldwegen können
somit erheblich reduziert werden, da die gesamte ggf. gepufferte Einzelfläche analysiert
wird.
· Endselektion von Bezugsflächen:
Eine abschließende Endselektion von Bezugsflächen mit Veränderungen ist wiederum
interaktiv am Bildschirm möglich, z.B. durch Hinterlegung von Satellitenbild- oder Luft-
bildprodukten (vgl. Abb. 101).
Fachinformationen können zudem genutzt werden, die Analysefläche weiter einzugrenzen.
So kann die Einschränkung auf Nadelwälder von Interesse sein, wenn Satellitenbildszenen
ohne Belaubung in den Auswertungsprozess einfließen und eine Auswertung von Laubwäl-
dern i.d.R. nicht möglich ist (Winter-, Frühjahrsaspekt).
Kapitel 10: Einsatzmöglichkeiten moderner Satellitenbilddaten in der Forstwirtschaft
229
Die Ergebnisse der Vorkartierung oder der Vor- bzw. Endselektion können z.B. in der Forst-
praxis dazu verwendet werden, lokalisierte (Bezugs-) Flächen im Gelände gezielt aufzusu-
chen, um eine Überprüfung vorzunehmen und ggf. die Ursachen der detektierten Verände-
rung zu ermitteln.
Zwischenergebnis (automatisierte Erfassung) Überlagerung mit Fachinformationen (hier: BTNT)
automatische Vorselektion von Bezugsflächen interaktive Endselektion von Bezugsflächen
Abb. 101: Lokalisierung von potenziellen Veränderungsflächen - Ergebnis der hybriden Kar-
tierung „Abnahme des Bestandesschlusses“
oben, links: Ergebnis der automatischen Erfassung (Abnahme des Bestandesschlusses)
oben, rechts: Verknüpfung mit BTNT-Karte und Berechnung von Attributen
unten, links: GIS-gestützte Vorselektion von Einheiten mit potenziellen Veränderungen
unten, rechts: Endselektion der Einzelflächen mittels visueller Interpretation
sicher (rot), unsicher - ggf. zusätzliche Prüfung (grün), abgelehnt (weiß)
hinterlegt: LANDSAT-TM-Szene vom 19.07.99 (RGB: TM4-TM5-TM3) / UG Nedlitz
Kapitel 11: Kostenabschätzung
230
11 Kostenabschätzung
Die Kostenabschätzung erfolgt getrennt für die Themenkomplexe Satellitenbildprodukt- und
Satellitenkartenherstellung, Waldstrukturklassifizierung, Waldschadenskartierung und Kartie-
rung von Veränderungsflächen. Der Auswertungsprozess wird hierzu aufgesplittet in die Ar-
beitsschwerpunkte
· Aufbereitung / Erfassung von Forst- und Zusatzdaten,
· Satellitenbildauswertung - Datenaufbereitung,
· Satellitenbildauswertung - Klassifizierungs-/ Kartierungsprozess und
· Integration von Auswertungsergebnissen ins FGIS / kartographische Darstellung.
Die Kostenabschätzung basiert auf den zugrunde liegenden Projekterfahrungen und gilt vor-
rangig für die Auswertungen im Bundesland Sachsen (Sachsen-Anhalt: Veränderungskartie-
rung). Die strukturierte schrittweise Auflistung ermöglicht aber eine Anpassung an die Rah-
menbedingungen anderer Bundesländern (z.B.: Eigenschaften und Verfügbarkeit von Geo-
Daten, Strukturierung von forstlichen Fach-/ Geo-Informationssystemen). Die Aussagen kön-
nen daher als grobe Orientierungshilfe genutzt werden.
Die Kalkulation berücksichtigt ausschließlich die Personalkosten, da die Ausgaben für Ar-
beitsmaterial oder Rechnerkosten sehr unterschiedlich veranschlagt werden können. Die
Kosten für Datenbeschaffung und Nutzungsrechte (v.a. Satellitenbilddaten, TK10) sind in der
Kalkulation nicht enthalten. Eine pauschale Preisübersicht zu den vorwiegend genutzten
Produkten der Systeme SPOT4, LANDSAT5 und LANDSAT7, IRS-1C/1D sowie EROS A1
und IKONOS 2 gibt Tabelle 38 (Stand 2001).
Abschätzung des Zeitaufwands
Die Abschätzung des erforderlichen Zeitaufwands orientiert sich an der zielführenden me-
thodischen Vorgehensweise. Die jeweils angewendeten bzw. entwickelten Verfahren setzen
die Nutzung und Verfügbarkeit von konkreten Forst- bzw. Zusatzdaten voraus. Der Arbeits-
aufwand für die Verfahrensentwicklungen bleibt unberücksichtigt. Dies gilt in gleicher Weise
für Datenaufbereitungen, die im Rahmen des Auswertungsprozesses zwingend notwendig
waren und zum Teil einen erheblichen Zeitaufwand erforderten, jedoch in zukünftigen Aus-
wertungen aufgrund der verbesserten Datengrundlage nicht mehr zu erwarten sind (z.B. Di-
gitalisierung von Standortkarten, Anpassung von Forstgrundkarten, Aufbereitung von TK10
und digitalem Geländemodell). Es wird davon ausgegangen, dass eine geeignete Forst-
amtsgeometrie vorliegt - die in Sachsen standardmäßig an der LAF erstellt wird. Sowohl die
Rasterdaten der topographischen Karten als auch die Daten des digitalen Geländemodells
(ATKIS-DGM-25) werden an der LAF standardmäßig für andere Aufgaben verwendet und
zukünftig in aufbereiteter Form unmittelbar nutzbar sein.
Szenen der verwendeten Systeme IRS-1C, LANDSAT5/7 und SPOT4 bilden die Satelliten-
bilddatenbasis. Die Nutzung von vergleichbaren räumlich hochauflösenden panchromati-
schen oder multispektral hochauflösenden Daten ist methodisch möglich, der Aufwand für
Aufbereitung und Auswertung kann ggf. von dem hier geschätzten abweichen.
Abschätzung des Kostenaufwands
Zur Durchführung der vielfältigen Arbeiten werden unterschiedliche methodische und techni-
sche Anforderungen an die Bearbeiter gestellt. Die Abschätzung der Personalkosten sieht
daher folgendes Zeit- bzw. Arbeitssplitting vor:
· 50 %: Personal des höheren Dienstes (47,55 EUR/h),
· 25 %: Personal des gehobenen Dienstes (30,68 EUR/h),
· 25 %: (studentische) Hilfskräfte (5,39 EUR/h).
Kapitel 11: Kostenabschätzung
231
Bei der Berechnung der Personalkosten werden die Kostensätze laut Sächsischer Verwal-
tungsvorschrift über die Berücksichtigung des Verwaltungsaufwandes bei der Festlegung
von Verwaltungsgebühren sowie Benutzungsgebühren und Entgelten für die Inanspruch-
nahme der Landesverwaltung verwendet (SÄCHSISCHE STAATSKANZLEI 1996: Sächsisches
Amtsblatt - Verwaltungsgebühren, Stand 2000).
Die Anteile geben die Einschätzung des Projektteams wieder. Eine deutliche Verschiebung
der Anteile zugunsten der niedrigeren Gehaltsstufen wird im standardisierten Auswertungs-
prozess erreicht.
Tab. 38: Kosten für Satellitenszenen: Standardprodukte, Archiv / radiometrische, geometri-
sche Vorprozessierung (Stand 2001)
Preise*) [EUR]
System Sensor Produkt
(P: panchromatisch, M: multispektral) gesamt km2
IRS-1C / 1D PAN P Vollszene 70 km x 70 km 2500 0,51
Subszene 23 km x 23 km 800 1,51
LISS-3 M Vollszene 141 km x 141 km 2700 0,14
Subszene 70 km x 70 km 1700 0,35
LISS3+PAN M & P 70 km x 70 km 3700 0,76
LANDSAT5 TM M Vollszene 172 km x 183 km 1500 0,05
Subszene 94 km x 88 km 1300 0,16
LANDSAT7 ETM+ M & P Vollszene 172 km x 183 km 600 0,02
Subszene 94 km x 88 km 550 0,07
SPOT4 HRVIR P Vollszene 60 km x 60 km 2600 0,72
M Vollszene 60 km x 60 km 2600 0,72
M & P Vollszene 60 km x 60 km 3900 1,00
IKONOS 2 P GEO, Minimum: 100 km23500$ -
M GEO, Minimum: 100 km23500$ -
M & P GEO, Minimum: 100 km25300$ -
EROS A1 P Vollszene 12,5 km x 12,5 km 1500$ -
*) Preisangaben ohne Mehrwertsteuer
Quellen (Provider, Preislisten): Eurimage, Stand: 09/2001 (LANDSAT5 und 7, IKONOS) / Spot-
image, Stand: 03/2001 (SPOT4) / Euromap, Stand: 04/2001 (IRS-1C) / ImageSat International,
Stand: 09/2001 (EROS A1)
11.1 Herstellung von hochauflösenden Satellitenbildkarten
Für die Kostenabschätzung wird der Zeitaufwand für die Herstellung von Musterkartenblät-
tern in der Dübener Heide („Satellitenbildkarte - Forstamt Falkenberg“) und im Erzgebirge
herangezogen (vgl. Tab. 39).
Der gesamte Zeitaufwand für die Bearbeitung eines Forstamtes im Flachland beträgt ca. 62
Stunden, die in stark reliefierten Gebieten ca. 98 Stunden. Setzt man das zuvor beschriebe-
ne Splitting voraus, so belaufen sich die Personalkosten für die Herstellung von Satelliten-
bildkarten für Forstämter im Flachland auf ca. 2 000 EUR und für im Gebirge liegende Forst-
ämter auf 3 200 EUR. Bei Verwendung von IRS-1C-Daten belaufen sich die Kosten für die
Satellitenbilddaten auf ca. 4 872 EUR (LISS3-Viertelszene, ca. 70 km x 70 km: 1 700 EUR
und PAN-Vollszene, ca. 70 km x 70 km: 2 500 EUR, zzgl. 16 % Mehrwertsteuer).
Entsprechend der Kalkulationsvorgaben resultieren Gesamtkosten im Flachland in Höhe von
ca. 6 905 EUR und im Gebirge von ca. 8 085 EUR.
Kapitel 11: Kostenabschätzung
232
Durch die Einbindung eines DGM wird die Herstellung von hochauflösenden Satellitenbild-
produkten für Mittelgebirgsregionen erheblich aufwendiger als vergleichbare Bearbeitungen
für Forstämter im flachen Terrain. Wird die visuelle Interpretationsfähigkeit von Bildprodukten
ohne topographische Normalisierung als ausreichend erachtet, kann jedoch auf die zeitinten-
siven radiometrischen Korrekturen verzichtet werden.
Der Arbeitsablauf für die Herstellung von analogen oder digitalen Bildprodukten kann prob-
lemlos standardisiert werden. Der Beitrag von hoch qualifiziertem Personal ist dann nicht
mehr zwingend erforderlich, sodass eine erhebliche Kosteneinsparung möglich wird. Dies gilt
vor allem für die Bearbeitung von Gesamtszenen (hier: IRS-1C / PAN), da die Aufwendun-
gen für geometrische und radiometrische Korrekturen mit zunehmender Gebietsgröße - be-
zogen auf eine Flächeneinheit (ha, km2, Forstamt) - sinken.
Tab. 39: Arbeitsaufwand für die rechnergestützte Herstellung von Satellitenbildkar-
ten 1 : 10 000
Arbeitsschritt Bemerkungen Zeitaufwand
[h]
1. Aufbereitung der Satellitenbild- und Zusatzdaten
.......1(a) Flachland (ohne Einbindung eines digitalen Höhenmodells) 30
- geometrische Korrektur Basis: Rasterdaten der TK10 (N)
IRS-1C (PAN-Vollszene, LISS3) 16
- radiometrische Korrektur - -
- Datenfusion waldoptimierte Kontraststreckung PAN,
Brovey-Algorithmus (PAN / LISS3: 2,3,4) 4
- Bildproduktherstellung Festlegung der RGB-Belegung,
waldoptimierte Kontraststreckung 8
- Erstellung von Teilbildern gemäß Kartenkoordinaten 2
1(b) Mittelgebirge (mit DHM-Einbindung) 66
- Aufbereitung DHM u.a. Beleuchtungsmodell 4
- geometrische Korrektur Basis: Rasterdaten der TK10 (N), DHM,
IRS-1C (PAN-Vollszene, LISS3) 24
- radiometrische Korrektur Ermittlung von Referenzbeständen,
topographische Normalisierung 24
- Datenfusion waldoptimierte Kontraststreckung PAN
Brovey-Algorithmus (PAN / LISS3: 2,3,4) 4
- Bildproduktherstellung (Farbkomposit) Festlegung der RGB-Belegung,
waldoptimierte Kontraststreckung 8
- Erstellung von Teilbildern - 2
2. Bearbeitung der Forstgrundkartendaten und Kartenausgabe 32
- Bearbeitung der Vektordaten Anpassung der Forstamtsgeometrie an das
Satellitenbild *) 24
- Rechnergestützte Ausgabe der
Satellitenbildkarte
Plotfile-Erstellung, Kartenblattaufteilung
Ausgabe Plotfiles, Schneiden, Sortieren 8
*) Forstamtsgeometrie ist sachsenweit erstellt, Aufwand entfällt zukünftig
Der Vergleich der forstamtsbezogen Kosten für die Herstellung von Satellitenbildkarten im
Maßstab 1 : 10 000 mit den Kosten der in Sachsen standardmäßig hergestellten Schwarz-
Kapitel 11: Kostenabschätzung
233
Weiß-Luftbildkarte 1 : 5 000 führt zu dem Ergebnis, dass für die Herstellung der Satelliten-
bildkarte 1 : 10 000 nur ca. 31 % der zur Herstellung der Luftbildkarte 1 : 5 000 notwendigen
Finanzmittel eingesetzt werden müssen.
11.2 Waldstrukturklassifizierungen
Dübener Heide
Im Untersuchungsgebiet Dübener Heide wurden nahezu alle Zusatzinformationen und Refe-
renzdaten aus bestehenden Daten gewonnen. Geländearbeiten konnten dadurch reduziert
werden. Die Aufbereitung der Forstdaten erfolgte für zwei Forstämter.
Tab. 40: Arbeitsaufwand für die Waldstrukturklassifizierung „Dübener Heide“
Arbeitsschritt Bemerkungen Zeitaufwand
[h]
1. Vorbereitende Arbeiten 56
- Anpassung der Forstdaten Sachdaten (FESA) / Geometrie (Forstamts-
geometrie, FGK) / Projekt-Datenbank 16
- Aufbereitung der Zusatzdaten Standortskarte / TK10 (ATKIS) 8
- Ermittlung v. Trainingsgebieten DB-Vorselektion / Bildschirm-Selektion 24
- Geländearbeiten stichprobenhafte Überprüfung von
Referenzflächen / Ergänzungen 8
2. Satellitenbildauswertung - Datenaufbereitung 24
- Geometrische Korrektur Bild-auf-Karte, Bild-auf-Bild
1 IRS-1C (PAN, LISS3), 1 LANDSAT5/TM 16
- Radiometrische Korrektur - -
- Datenkombination IRS-1C (PAN / LISS3) 8
3. Satellitenbildauswertung - Klassifizierung 128
- Aufbereitung v. Trainingsgebieten Extraktion: Signaturen, Texturen; Analysen 16
- Segmentierung Linien-, Kantendetektion/Regionenbildung *) 32
- Hierarchische Klassifizierung Wald-Nichtwald-Trennung /
Multispektral-texturelle Klassifizierung *) 54
- regelbasierte Nachklassifizierung Verknüpfung von Zwischenergebnissen *) / Kon-
textanalyse 24
4. Integration von Auswertungsergebnissen ins FGIS / Verifizierung 88
- Verschneidung mit Forstdaten Geometrische Anpassung, Eliminierung von
Randeffekten 40
- Übernahme in den
Forstdatenbestand
Anpassung der Sachdaten, Vergleich der
Datenbestände 16
- Verifizierung - 32
*) einschl. der Anpassung bzw. Optimierung von Modellen
Es ergibt sich ein Zeitaufwand von ca. 294 Stunden (vgl. Tab. 40). Entsprechend dem Split-
ting belaufen sich die Gesamtkosten für ein Gebiet von ca. 19 800 ha Waldfläche bzw.
Kapitel 11: Kostenabschätzung
234
1 200 km2 Gesamtfläche auf rund 9.641 EUR (Waldfläche: 0,49 EUR/ha, Gesamtfläche: 8,03
EUR/km2). Mit der Zunahme der Größe des Untersuchungsgebiets werden die Kosten auf-
grund von Synergieeffekten sinken.
Erzgebirge
Die Kostenabschätzung bezieht sich auf die Auswertung von ca. 9 Forstämtern (Grünhain,
Neudorf, Ehrenfriedersdorf, Heinzebank, Marienberg, Olbernhau, Brand-Erbisdorf, Bärenfels
und Altenberg).
Der gesamte Zeitaufwand für die Bearbeitung dieser Forstämter beträgt ca. 344 Stunden
(vgl. Tab. 41). Entsprechend der Kalkulationsvorgaben resultieren Gesamtkosten in Höhe
von rund 11.280 EUR.
Tab. 41: Arbeitsaufwand für die Waldstrukturklassifizierung „Erzgebirge“
Arbeitsschritt Bemerkungen Zeitaufwand
[h]
1. Vorbereitende Arbeiten 152
- Anpassung der Forstdaten Sachdaten (FESA) / Geometrie (Forstamts-
geometrie, FGK) / Projekt-Datenbank 24
- Aufbereitung der Zusatzdaten TK10 / DGM (ggf. ATKIS) 8
- CIR-Luftbildauswertung
(Ermittlung v. Trainingsgebieten)
Referenzflächendelinierung / Digitalisierung /
Ermittlung des Bestandesschlusses 80
- Geländearbeiten Erfassung von Bestandesparametern 40
2. Satellitenbildauswertung – Datenaufbereitung 40
- Geometrische Korrektur Einbeziehung DGM / 1 SPOT4 HRVIR 24
- Radiometrische Korrektur topographische Normalisierung 16
- Satellitenbilddatenfusion - -
3. Satellitenbildauswertung – Klassifizierung 64
- Aufbereitung Referenzflächen Extraktion v. Signaturen, Texturen / Analyse 16
- Segmentierung - -
- Hierarchische Klassifizierung Wald-Nichtwald-Trennung
Multispektrale Klassifizierung *) 40
- regelbasierte Nachklassifizierung Kontextanalyse *) 8
4. Integration von Auswertungsergebnissen ins FGIS / Verifizierung 88
- Verschneidung mit Forstdaten Geometrische Anpassung, Eliminierung von
Randeffekten 40
- Übernahme in den
Forstdatenbestand
Anpassung der Sachdaten, Vergleich der Da-
tenbestände 16
- Verifizierung - 32
*) einschl. der Anpassung bzw. Optimierung von Modellen
Kapitel 11: Kostenabschätzung
235
Die vergleichsweise höheren Kosten für die Auswertungen im Untersuchungsgebiet Erzge-
birge sind zurückzuführen auf die zeitintensiven Luftbildauswertungen und Geländearbeiten,
die im Rahmen des Verfahrens erforderlich sind. Im Unterschied zur kostengünstigeren
Auswertung „Dübener Heide" sind zudem im stark reliefierten Erzgebirge zusätzliche bzw.
komplexere Datenaufbereitungen (Einbindung eines DGM, geometrische Korrektur, topogra-
phische Normalisierung) notwendig, um zufriedenstellende Ergebnisse zu erreichen.
Wie der Vergleich der Klassifizierungsverfahren zeigt, sind die Kosten sehr stark forstamts-
spezifisch. Vor allem die Geländeausformung, die Größe eines Forstamtes und die Qualität
der Daten ist ausschlaggebend. Die Verfahrensentwicklung im Untersuchungsgebiet Dübe-
ner Heide sieht auf verschiedenen Prozessierungsstufen eine maximale Nutzung von aktu-
ellen Forsteinrichtungsdaten vor (z.B. Referenzflächenermittlung, hierarchische Klassifizie-
rung), sodass für die Auswertung von Flachlandstandorten ein kostengünstigeres Verfahren
beschrieben wird.
11.3 Waldschadenskartierung
Die Kostenabschätzung bezieht sich auf ein Forstamt. Es wird davon ausgegangen, dass
7 Testfenster zur Referenzierung für eine Schadauswertung notwendig sind. Ein Testfenster
deckt die Fläche eines Luftbildes im Maßstab 1 : 7 000 ab. Die Waldschadenskartierung
setzt die Klassifizierung von Wuchsklassen und Beschirmungsgrad voraus, sodass folglich
ein Großteil der Satellitenbilddatenaufbereitung (v.a. geometrische und radiometrische Kor-
rektur) bzw. der Waldstrukturklassifizierung (v.a. Abgrenzung und Differenzierung von Fich-
tenreinbeständen) entspricht und in der Kalkulation entsprechend zu berücksichtigen ist.
Ferner ist die partielle Verfügbarkeit von verwendbaren bzw. aktuellen CIR-Luftbildern not-
wendig, um den Aufwand für Geländearbeiten möglichst gering zu halten.
Der gesamte Zeitaufwand für die Bearbeitung eines Forstamtes beträgt ca. 404 Stunden
(vgl. Tab. 42). Entsprechend der Kalkulationsvorgaben resultieren Gesamtkosten in Höhe
von rund 13 248 EUR. Bezogen auf das Forstamt Altenberg, mit einer Gesamtfläche von
210 km2 bzw. einer Waldfläche von ca. 8 800 ha, betragen damit die Kosten 63 EUR/km2
(Gesamtfläche) bzw. 1,51 EUR/ha (Waldfläche). Da die Bezugsgröße bei der Satellitenbild-
auswertung (Datenaufbereitung und Klassifizierung) eine SPOT-Vollszene bildet (ca.
3 600 km2), die wesentlich mehr als die Fläche eines Forstamtes abdeckt, sinken die Kosten
pro Flächeneinheit (ha, km2) mit zunehmender Gebietsgröße. Ursache dafür sind die auftre-
tenden Synergieeffekte insbesondere bei der geometrischen und radiometrischen Bearbei-
tung der Satellitenbilddaten und deren Klassifizierung.
Mit der schrittweisen Verbesserung der Georeferenzierung der Forstamtsgeometrien des
FGIS im Rahmen des sachsenweiten Luftbildkartenprojektes und dem Vorhandensein von
bestandesweisen Waldzustandsinformationen (vgl. Kap. 4.3.1) werden in zukünftigen Aus-
wertungen deutliche Kosteneinsparungen möglich sein. Die auszuwertende Analysefläche
kann mittels FGIS auf Bestandesebene abgegrenzt werden, sodass die Satellitendatenaus-
wertung zukünftig auf die Waldschadenskartierung fokussiert und der Umfang für zusätzliche
waldstrukturelle Unterscheidungen damit erheblich reduziert werden kann (z.B. „Laubwald“,
„Mischwald“).
Kapitel 11: Kostenabschätzung
236
Tab. 42: Arbeitsaufwand für die Waldschadenskartierung „Erzgebirge“
Arbeitsschritt Bemerkungen Zeitaufwand
[h]
1. Luftbildauswertung 136
- Erstellung eines
Interpretationsschlüssels
Erfassung v. Referenzbäumen / Schadstufen-
ermittlung im Gelände (2 Schlüssel / Testfenster) 56
- Ermittlung von Referenzflächen Delinierung / Digitalisierung von Trainings- und
Verifizierungsgebieten 32
- Ermittlung von
Bestandesschadstufen
gebietsweise Einzelkronen-Ansprache (Stich-
probenraster)/ Ableitung v. Bestandesschadstufe 24
- Ermittlung des Beschirmungsgrads gebietsweise Abschätzung
(systematisches Stichprobenraster) 24
2. Vorbereitende Arbeiten 76
- Anpassung der Forstdaten Sachdaten (FESA) / Geometrie (Forstamts-
geometrie, Testfenster) / Projekt-Datenbank 28
- Aufbereitung der Zusatzdaten TK10 / DGM (ATKIS) 8
- Geländearbeiten Erfassung von Bestandesparametern
(v.a. Wuchsklasse, z.T. FESA-DB) 40
3.1. Satellitenbildauswertung - Datenaufbereitung 48
- Geometrische Korrektur Einbeziehung eines DGM / 1 SPOT4 HRVIR 24
- Radiometrische Korrektur - Ermittlung von Referenzbeständen
- topographische Normalisierung 24
3.2. Satellitenbildauswertung – Klassifizierung 56
- Aufbereitung Referenzflächen Extraktion v. Signaturen, Texturen / Analysen 8
- Hierarchische Klassifizierung Multispektrale Klassifizierung *)
(Abgrenzung v. älteren Fichtenbeständen) 32
- Schadenskartierung Stratifizierung (Höhenstufen)
Multispektrale Klassifizierung *) 16
4. Integration von Auswertungsergebnissen ins FGIS / Verifizierung 88
- Verschneidung mit Forstdaten Geometrische Anpassung, Eliminierung von
Randeffekten 40
- Übernahme in den
Forstdatenbestand
Anpassung der Sachdaten, Vergleich der
Datenbestände 16
- Ableitung von Flächenschadstufen Zusammenfassung der pixelweisen
Schadklassifizierung 8
- Verifizierung - 24
*) einschl. der Anpassung bzw. Optimierung von Modellen / Kalkulationsgrundlage: ein Forstamt
11.4 Kartierung von potenziellen Veränderungsflächen
Die Kartierung von potenziellen Veränderungsflächen gliedert sich in zwei Bearbeitungsstu-
fen. In der ersten Stufe erfolgt die automatische Satellitenbildauswertung - als Resultat wer-
den Verdachtsflächen lokalisiert. Diese kann optional als Vorkartierung dienen und in einer
zweiten Stufe einer interaktiven Nachbearbeitung unterzogen werden, ggf. mit Einbindung
von Fachinformationen. In der Kostenkalkulation werden beide Varianten berücksichtigt (vgl.
Tab. 43).
Kapitel 11: Kostenabschätzung
237
Die Verfügbarkeit einer digitalen Waldmaske wird vorausgesetzt (Basis: ATKIS, BTNT,
BTNT, Forsteinrichtungsdaten / Forstgrundkarte), ggf. kann diese mit geringem zeitlichem
Aufwand abgeleitet werden. Der Verfahrensansatz beruht auf der Verwendung von zwei
multispektralen Szenen eines Sensors („vorher-nachher"-Aspekt, hier: TM). Die Kalkulatio-
nen basieren auf Erfahrungen aus dem Untersuchungsgebiet Nedlitz (Flachlandstandort).
Für die automatische Lokalisierung von Veränderungsflächen wird ein Zeitaufwand von rund
19 Stunden ermittelt. Der Verfahrensansatz erlaubt eine einfache relative Bildanpassung, auf
die bei ausschließlicher Verwendung von IR-Kanälen auch verzichtet werden kann. Aufwen-
digere radiometrische Korrekturen sind nicht erforderlich (v.a. absolute Kalibrierungen). Der
weitaus größte Anteil entfällt daher auf die geometrische Korrektur. Die Kartierung ist auto-
matisiert, sodass primär Zeitaufwendungen für mögliche Anpassungen der Programme an-
genommen werden (ERDAS IMAGINE: Spatial Modeler).
Unter Beibehaltung der Kalkulationsgrundlagen ergeben sich Personalkosten in Höhe von
ca. 557 EUR (FoA Nedlitz mit umliegenden Waldflächen). Aufgrund des hohen Automations-
grads sowie der technisch-methodisch unproblematischen Datenaufbereitungen sind bei
Anwendung des Verfahrens aber deutlich niedrigere Kosten zu erwarten.
Die interaktive Nachbearbeitung und Einbindung von Fachinformationen erfordert weitere
Aufwendungen. Eine Abschätzung ist aber nicht sinnvoll, da insbesondere der Aufwand für
die visuelle Interpretation von Selektionsergebnissen abhängt von der Gebietsstruktur und
Gebietsgröße sowie von der Szenenqualität (z.B. innere TM-Szenengeometrie, Aufnahme-
zeitpunkt).
Tab. 43: Arbeitsaufwand für die Kartierung von potenziellen Veränderungsflächen
Arbeitsschritt Bemerkungen Zeitaufwand
[h]
1.1 Satellitenbildauswertung - Datenaufbereitung 14
- Geometrische Korrektur Bild-auf-Karte,
Bild-auf-Bild 8
- Radiometrische Korrektur Referenzflächenermittlung 2
- Erstellung der Datenbasis Generierung synthetischer Kanäle,
Kanalauswahl und multitemporale Kanalpaarung 4*)
1.2 Satellitenbildauswertung - automatische Kartierung 5
- Hauptkomponententransformation waldoptimiert: Einbindung von Waldmaske 1*)
- Ableitung von Kategorien statistische Kategorisierung der 2.HK
Zusammenführung u. Gruppierung (Regelwerk) 1*)
- Nachbereitung Filterung, Eliminierung von Randeffekten,
Segmentbildung 1*)
- Selektion Verdachtsflächenermittlung (Regelwerk) 2*)
2. Interaktive Nachbereitung / Einbindung von Fachinformationen (GIS) 4+
- Einbindung von Fachinformationen Verschneidung mit Geometriedaten (Bezugsflä-
chen), Attributierung 2*)
- Vorselektion Ermittlung von Bezugsflächen mit potenziellen
Veränderungen 2*)
- Endselektion Kriterienfestlegung (u.a. Flächenanteile),
interaktive Nachbearbeitung
abhängig von
Gebietsgröße
*) ggf. Anpassung von Modellen / Basis: 2 TM-Szenen (hier: Viertelszenen) / UG Nedlitz
Kapitel 12: Zusammenfassung und Diskussion der Ergebnisse
238
12 Zusammenfassung und Diskussion der Ergebnisse
Nachfolgend werden die jeweiligen Auswertungsergebnisse und thematischen Schwerpunk-
te, die in der Zielstellung beschrieben sind, zusammenfassend bewertet.
12.1 Datenaufbereitung
Neben Forstdaten wurden - soweit erforderlich und praktikabel - Geo-Daten in die Satelliten-
bildauswertungen eingebunden, die der Forstverwaltung auch zukünftig digital und ggf. in
besserer Qualität zur Verfügung stehen werden (v.a. topographische Karteninformationen,
DGM). Dadurch konnte eine Vereinfachung und Beschleunigung standardisierter Arbeitsab-
läufe in der Datenaufbereitung erzielt (v.a. Georeferenzierung, radiometrische Korrekturen)
und Auswertungsergebnisse verbessert werden (u.a. geometrische Lagegenauigkeiten,
Wald-Nichtwald-Trennung).
Geometrische Korrektur
Die hohen geometrischen Lagegenauigkeiten in geokodierten panchromatischen IRS-Sze-
nen kommen den strengen kartographischen Anforderungen - wie sie beispielsweise an die
photogrammetrische Luftbildkartierung zur Herstellung und Fortführung Topographischer
Karten gestellt werden - für Darstellungen im Maßstabsbereich von 1 : 25 000 (1 : 20 000)
sehr nahe oder erfüllen diese. Die Maßstabsebene der Forsteinrichtung (1 : 10 000) kann
unter diesen Gesichtspunkten natürlich nicht bedient werden. Dennoch haben sowohl An-
wendungsbeispiele als auch kritische Stellungnahmen von möglichen Anwendern in der
Forstverwaltung (hier: Landesanstalt für Forsten, Sachsen) gezeigt, dass diese Satelliten-
bilddaten als kostengünstige Informationsquelle erstmals auch im großmaßstäbigen Bereich
- eingeschränkt - verwendbar sind (vgl. Kap. 10.1 und 10.2). Da neue hoch- und höchstauf-
lösende panchromatische Sensoren zum Teil speziell für kartographische Zwecke konzipiert
werden, ist nach den vielversprechenden Projekterfahrungen deren Nutzungspotenzial für
forstkartographische Anwendungen sehr hoch einzuschätzen (Maßstabsbereiche: ca.
1 : 5 000 / 1 : 10 000 bis 1 : 20 000).
Aufnahmen der im pushbroom-Prinzip arbeitenden Aufnahmesysteme (hier: SPOT2, SPOT4,
IRS-1C) verfügen i.d.R. über eine ausgezeichnete innere Szenengeometrie - eine Grundvor-
aussetzung für genaue geometrische Korrekturen und GIS-Verschneidungen. Die mecha-
nisch scannenden Radiometer des LANDSAT-Programms weisen hier bekanntlich Defizite
auf. In der vorliegenden Arbeit führte dies zur Verschlechterung von Auswertungsergebnis-
sen (v.a. Waldstrukturklassifizierung: Verknüpfung von Flächensegmenten und klassifizierten
Daten, Veränderungsflächenkartierung: Bild-zu-Bild - Registrierungen). Für die erneute An-
wendung der Verfahren sollte daher auf Daten moderner Systeme mit spektral vergleichba-
ren Eigenschaften zurückgegriffen werden, sofern dies methodisch und unter Kostenaspek-
ten möglich ist. Hierzu zählen in erster Linie SPOT4 und SPOT5.
Im Vergleich zu den anderen (Tiefland-) Untersuchungsgebieten wurden im Erzgebirge et-
was geringere Korrekturgenauigkeiten erzielt. Als Ursache hierfür werden vor allem Quali-
tätsdefizite des verwendeten DGM angeführt (vgl. Kap. 5.1.2), die die parametrische Kor-
rektur der Daten beeinträchtigten. Nach Fertigstellung des ATKIS-DGM25 kann aber optional
auf eine verbesserte Korrekturgrundlage zurückgegriffen werden, die im Bearbeitungszeit-
raum noch nicht nutzbar war.
Für multitemporale Auswertungen und für Satellitenbilddatenfusionierungen haben sich Bild-
auf-Bild-Entzerrungen bewährt. Panchromatische Bilddaten eignen sich als hochgenau geo-
kodierte Master-Szenen, anhand derer eine rasche und präzise Registrierung anderer Bild-
daten erreicht wird. - Die Sächsische Landesforstverwaltung kann in naher Zukunft auf ein
landesweites Orthophotomosaik zurückgreifen. Dessen Vorzüge sollten für eine noch effi-
zientere Satellitendatenaufbereitung genutzt werden („Satellitenbild-auf-Luftbild" - Registrie-
rung).
Kapitel 12: Zusammenfassung und Diskussion der Ergebnisse
239
Topographische Normalisierung
Die topographische Normalisierung von Satellitenbilddaten wurde im Untersuchungsgebiet
Erzgebirge vorgenommen. Insbesondere die radiometrische Korrektur der multispektralen
SPOT4-Szene stand im Vordergrund, die zur Waldstrukturklassifizierung und zur Waldscha-
denskartierung ausgewertet wurde.
Durch die zunächst zeitaufwendige Prozessierung konnte letztlich eine erhebliche Zeitein-
sparung und Vereinfachung im nachfolgenden Auswertungsprozess erzielt werden. Insbe-
sondere durch den Verzicht auf arbeitsintensive Stratifizierungen (z.B. nach Illuminationsun-
terschieden) gewinnt die Satellitenbildnutzung an Operationalität. Die guten Klassifizierungs-
ergebnisse bestätigten die gewählte Vorgehensweise zur Reduzierung des topographischen
Effekts. Vereinzelte Fehlklassifizierungen, insbesondere im Bereich von Steilhängen, konn-
ten teilweise auf Defizite des verwendeten DGM zurückgeführt werden (s.o.).
Zur weiteren Effizienzsteigerung wird die einmalige GIS-gestützte Anlage eines festen Refe-
renzflächennetzes vorgeschlagen (hier: Erzgebirge). So können beispielsweise geometri-
sche Abgrenzungen vorselektierter Fichtenreinbestände jeweils neuen geokodierten Satelli-
tenszenen überlagert und geeignete Flächen zur automatischen Regressionsberechnung
(Ermittlung von k-Wert) visuell am Bildschirm ausgewählt werden.
Satellitenbilddatenfusion
Für Waldanwendungen können sowohl multisensorale als auch multitemporale Fusionierun-
gen von panchromatischen und multispektralen Satellitenbilddaten zur Erstellung pragmati-
scher Planungshilfsmittel dienen. Obwohl die besten Ergebnisse bei Verwendung von syn-
chron aufgenommenen Szenen eines Systems erzielt werden (hier: IRS-1C), ist eine Vielzahl
sinnvoller Sensor- und Szenenkombinationen denkbar. Im Hinblick auf die wachsende Zahl
moderner Satellitensysteme (vgl. Kap. 3.2.2) steigen mit dieser Flexibilität auch die Chancen
für den Nutzer, auf aktuelle wolkenfreie Aufnahmen zurückgreifen zu können. Die Eignung
variiert jeweils nach gefordertem Aktualitätsgrad und Anschaffungskosten sowie möglichen
Mehrfachnutzungen (thematisch, disziplin- / behördenübergreifend).
Nach den Projekterfahrungen sollte, als grobe Orientierungsgröße für die Szenenauswahl,
die räumliche Auflösung des höher auflösenden Sensors mindestens die der panchromati-
schen IRS-1C-Daten erreichen (< 6 m). Der Multispektralsensor sollte maximal um den Fak-
tor 5 gröber auflösen (Zielmaßstab: < 1 : 25 000).
Der vergleichsweise hohe Aufwand für eine atmosphärische Korrektur oder eine topographi-
sche Normalisierung der Ausgangsdaten ist nicht zwingend erforderlich und sollte nach dem
Verwendungszweck der Fusionsdaten abgewogen werden (visuelle Interpretation, Grob-/
Detailklassifizierung).
Die ausgewählten Standard-Fusionsverfahren unterstützen die Ableitung von Bildprodukten,
deren Vorzüge in einer möglichst flächenscharfen Wiedergabe geometrisch-struktureller De-
tails liegen. Da die Fusionsdaten stark von den multispektralen Ausgangsdaten abweichen,
ist deren Eignung im Rahmen von automatischen Bildauswertungen auf grobe Differenzie-
rungen beschränkt (hier: Wald-Nichtwald-Trennung). Die intensiven Bemühungen auf dem
Forschungsfeld der Datenfusionierung (vgl. Kap. 5.2.3.1) lassen erwarten, dass neue kom-
merziell nutzbare Softwarelösungen zu weiteren Verbesserungen in der Datenprozessierung
führen werden.
Im Hinblick auf die Vielzahl der betriebenen und geplanten Missionen ist die Satellitenbild-
datenfusionierung eine der vielversprechendsten Möglichkeiten zur Nutzbarmachung der
Satellitenfernerkundung für die forstliche Planungspraxis. Kostengünstig generierte hoch-
auflösende Bildprodukte können für verschiedene Anwendungszwecke zu einer Alternative
zum Luftbild (Orthophotoplan, -karte) reifen.
Kapitel 12: Zusammenfassung und Diskussion der Ergebnisse
240
Hauptkomponententransformation
Das Standardverfahren wird in der Fernerkundung häufig für multitemporale Veränderungs-
erfassungen eingesetzt. Die Hauptkomponententransformation der Ausgangskanäle wird
i.d.R. auf Grundlage des gesamten Ausgangsbildes, also unter Berücksichtigung aller Ober-
flächenbedeckungsarten und deren Flächenanteile, durchgeführt. Die statistische Berech-
nung und Ausrichtung der Hauptkomponenten ist nicht auf Waldgebiete optimiert, sodass es
zu Verlusten relevanter Bildinformationen kommen kann.
Um eine möglichst optimale Informationsverdichtung bzw. -extraktion für Forstanwendungen
zu erreichen, wird in der vorliegenden Arbeit eine einfache Verfahrensanpassung vorgenom-
men. Hierzu erfolgt eine Fokussierung der Berechnungen auf Waldgebiete. Dies gewähr-
leistet eine waldoptimierte Ableitung der Hauptkomponenten und schafft eine verbesserte
Datengrundlage für forstliche Auswertungen.
Im Rahmen der automatischen Erfassung von Veränderungsflächen in Wäldern wurde die
waldoptimierte Hauptkomponententransformation erfolgreich angewendet. Ein weiterer An-
wendungsbereich wird in der Satellitenbilddatenfusionierung gesehen (PCS-Verfahren, vgl.
Kap. 5.2.3.1.1). Da im Gegensatz zum Standardverfahren eine Eingrenzung der statistischen
Datenanalyse auf die Oberflächenbedeckungsart „Wald“ erfolgt, wird die Gebiets- und Sze-
nenabhängigkeit der Transformationsergebnisse deutlich reduziert. Es wird somit eine ver-
besserte Übertragbarkeit des Verfahrens erzielt.
12.2 Systematisierung forstlicher Objektarten
Von großer Bedeutung für den operationalisierten Fernerkundungseinsatz in der Forstwirt-
schaft und in anderen Umweltverwaltungen (v.a. Naturschutz / Landschaftspflege) ist eine
Systematisierung und Hierarchisierung von Objektarten, die dem Nutzerbedarf entspricht.
Durch fachplanungsübergreifende Lösungsansätze können zudem Synergieeffekte gefördert
und genutzt werden, die den Austausch oder die Mehrfachnutzung von Auswertungsergeb-
nissen möglich machen und so zur Attraktivitätssteigerung der Satellitenfernerkundung für
Verwaltungen auf Landes- oder Bundesebene beitragen.
In der vorliegenden Arbeit wird ein Systematisierungsansatz vorgeschlagen, der die forst-
wirtschaftlichen Anforderungen berücksichtigt und dabei eine bestmögliche fachplanungs-
übergreifende Kompatibilität der Nomenklaturen anstrebt (Forsteinrichtung, BTNT, ATKIS,
CLC). Ziel war es, eine fachlich akzeptable und praktikable Nomenklatur und Struktur zu er-
reichen.
Bei der äußerst komplexen Objektartengruppe „Wald“ wird deutlich, dass diese Aufgabe kei-
neswegs trivial ist, zumal verschiedene Nutzerdisziplinen (hier: Forstwirtschaft und Natur-
schutz / Landschaftspflege) unterschiedliche Ziele verfolgen und von teilweise sehr unter-
schiedlichen Objektarten ausgehen (z.B. BTNT-Struktureinheiten, „Mischwald“-Klasse).
Zudem werden unterschiedliche Planungs- bzw. Maßstabsebenen bedient. Dies schließt
eine vollständige Kompatibilität aus und verlangt Kompromisslösungen bei der Ableitung
einer sowohl planungs- als auch fernerkundungsrelevanten Nomenklatur und Struktur.
Die Systematisierung der Objektarten und die Festlegung der Nomenklaturen wurden sen-
sorunabhängig vorgenommen. Der Aufbau und die Detailliertheit des Objektartenkatalogs
gewährleisten dessen prinzipielle Eignung für Auswertungen von Satellitenbildern mittlerer,
hoher und höchster Auflösung.
Die Leistungsfähigkeit und -begrenzung der jeweils eingesetzten Sensoren muss im kon-
kreten Auswertungsprozess berücksichtigt werden. Dies geschieht bei der an Objektarten
reichen Landnutzungsart „Wald“, indem die Objektarten zu „fernerkundungsgerechten“ Ob-
jektartenkomplexen zusammengefasst werden (Mehrdeutigkeit der fernerkundeten Informa-
tionen). Diese Zuweisungen sind somit sensorabhängig und in geringerem Maße auch sze-
Kapitel 12: Zusammenfassung und Diskussion der Ergebnisse
241
nenabhängig (Vegetationsperiode, gebietsabhängige Objektartenmischung) - und können
folglich variieren.
Die Festlegungen der Objektarten wurden für das Land Sachsen-Anhalt vorgenommen (v.a.
BTNT-Kartierung), sodass vorrangig Struktureinheiten des Tieflands und des Mittelgebirges
berücksichtigt wurden. Die Übertragung auf andere Bundesländer bzw. Regionen kann da-
her Ergänzungen oder geringfügige Anpassungen erforderlich machen (v.a. Hochgebirge,
Küstengebiete).
Der Systematisierungsansatz ist Bestandteil des OFULSA-Objektartenkatalogs und in die
gleichnamige ArcView-Softwareapplikation integriert (LAU 2002, OFULSA-Homepage:
http://www.delphi-imm.de/ofulsa/index/index_g02.html).
12.3 Visuelle Interpretation
In fusionierten Bilddaten werden waldstrukturelle Informationen in einer mit herkömmlichen
multispektralen Daten nicht erreichten Detailerkennbarkeit wiedergegeben. Die Erstellung
analoger oder digitaler Bildprodukte hat sich dabei als sehr praxisnah erwiesen. Diese sind
von Forstpraktikern nach kurzer Einweisung problemlos nutzbar und können als kostengüns-
tige Planungshilfsmittel dienen, die auch größere Gebiete besitzübergreifend abbilden (u.a.
Forstliche Rahmenplanung). Schadensabschätzungen nach Sturmereignissen oder Insek-
tenkalamitäten können kurzfristig vorgenommen werden (mono-/ multitemporal, ggf. GIS-
gestützt). Für differenzierte Unterscheidungen von Baumarten und Wuchsklassen ist die
Hinzunahme (Parallelbetrachtung) eines weiteren multispektralen Bildproduktes zu empfeh-
len, um die Informationen des IR-Spektrums besser zu nutzen (NIR- und MIR-Kanal).
In der Planungspraxis wird die maximale Nutzung und Einbindung von Fachinformationen in
den Auswertungsprozess den Regelfall darstellen. Die Satellitenbildprodukte dienen primär
als Zusatzdaten und können zur Aktualisierung, Laufendhaltung oder Ergänzung der forstli-
chen Fachdatenbasis beitragen. Am Bildschirmarbeitsplatz kann vor allem die Überlagerung
der aktuellen fernerkundeten Informationen mit digitalen Forstgrundkarten für vielfältige Fra-
gestellungen hilfreich sein (z.B. Lokalisierung von Veränderungen). Die Ausschöpfung von
GIS-Funktionalitäten (u.a. on-screen-Digitalisierung) gewährleistet eine problemlose interak-
tive Analyse und Extraktion von Bildinformationen.
Das Nutzungspotenzial von hochauflösenden Bildprodukten wird am Beispiel der exempla-
risch hergestellten Satellitenbildkarte 1 : 10 000 besonders deutlich (vgl. Kap. 10.1.2), auch
wenn die Detailerkennbarkeit der in Sachsen standardmäßig hergestellten Schwarz-Weiß-
Luftbildkarten 1 : 5 000 nicht erreicht wird. Die Herstellungskosten für die Satellitenbildkarte
belaufen sich auf lediglich 31 % der für die Luftbildkarte erforderlichen Finanzmittel (Voraus-
setzung: Luftbilddaten werden nicht kostenlos bereitgestellt).
Unter Berücksichtigung des Aspekts der immer knapper verfügbaren Haushaltsmittel einer-
seits und der zunehmenden Verfügbarkeit von hochauflösenden Sensoren andererseits ist
es daher erwägenswert, Qualitätseinbußen in Kauf zu nehmen und auf kostengünstigere und
auf jeden Fall aktuelle Satellitenbilddaten zurückzugreifen.
12.4 Automatische Datenauswertung
12.4.1 Verfahrensentwicklung
Die Verfahrensentwicklung für den operationellen Einsatz von Satellitenfernerkundungsdaten
in der Forstplanung setzt ein Höchstmaß an Transparenz voraus. Erst die Nachvollzieh-
barkeit der Auswertungsprozesse gewährleistet die Wiederholbarkeit, die Weiterentwicklung
sowie ggf. auch die erforderliche Anpassung von Verfahren. Gemäß den Zielvorgaben er-
folgte die Verfahrensentwicklung unter Verwendung von kommerziell nutzbarer GIS- und
Bildverarbeitungssoftware (ARC/INFO, ArcView, ERDAS IMAGINE, HALCON). Die Doku-
mentationsmöglichkeiten der Softwareprodukte wurden ausgeschöpft, um zielführende Be-
Kapitel 12: Zusammenfassung und Diskussion der Ergebnisse
242
arbeitungsschritte möglichst lückenlos in Ablaufschemata zu fixieren. Sowohl ein Großteil der
Satellitenbildauswertungen als auch die GIS-Bearbeitungen sind in Programmpaketen bzw.
Skripten zusammengeführt (vgl. Anhang). Deren Verkettung unterstützt eine Stapelverarbei-
tung (batch-processing), sodass große Teile der Prozessierungskette automatisierbar sind.
Da jede Prozedur bzw. Methode mit der gewählten Parametrisierung vorliegt (u.a. Schwel-
lenwerte, Filtergrößen, Regelwerke), ist eine Anpassung bzw. Optimierung von Ergebnissen
und Zwischenschritten möglich.
Um die Übertrag- und Wiederholbarkeit zu verbessern, sollen die Verfahren eine möglichst
große Auswahl von gleichermaßen geeigneten Sensoren und Systemen zulassen. Sensor-
spezifische Besonderheiten müssen daher möglichst umgangen werden. Da die Informatio-
nen aus dem infraroten Spektrum (NIR, MIR) für multispektrale Waldstrukturklassifizierungen
und Waldschadenskartierungen unverzichtbar sind, wurden Sensoren verwendet, die über
entsprechende Kanäle verfügen (SPOT4-HRVIR, LANDSAT5-TM, LANDSAT7-ETM+). Das
Design der aktuell verfügbaren und geplanten Sensoren schränkt daher die Auswahl ein. Für
detaillierte Untersuchungen sind besonders die neuen Systeme SPOT5 und IRS-P6 geeignet
(vgl. Kap. 3.2.2). Der LISS3-Sensor der IRS-Systeme wird aufgrund der geringen räumlichen
Auflösung des MIR-Kanals (> 70 m) als ungeeignet erachtet.
Die Verfahrensansätze zur digitalen Auswertung wurden anhand von Satellitenbilddaten ho-
her und mittlerer Auflösung entwickelt, die in den zugrunde liegenden Projekten genutzt wer-
den konnten. Eine Übertragung auf höchstauflösende multispektrale Daten (< 4 m) ist nicht
möglich und galt auch nicht als Ziel dieser Arbeit. Deren Auswertung mit pixelbasierten Ver-
fahren ist nicht zielführend und erfordert eine verstärkte Berücksichtigung von Textur-, Form-
oder Kontextparametern. Hinsichtlich der räumlichen Auflösung wird angenommen, dass die
methodischen Vorgehensweisen der Waldstrukturklassifizierungen und der Veränderungs-
kartierung eine sinnvolle Auswahl von Sensoren mit Auflösungen bis ca. 7 - 10 m (multispek-
tral) bzw. 2 - 5 m (panchromatisch) unterstützt. Eine entsprechende Untersuchung konnte in
der vorliegenden Arbeit nicht vorgenommen werden.
Die methodische Vorgehensweise der Waldstrukturklassifizierung ermöglicht grundsätzlich
eine Bearbeitung von anderen Gebieten (Tiefland, Mittelgebirge), sofern die dort vorherr-
schenden Bestandesstrukturen nicht erheblich variieren. Da bereits bei Auswahl der Unter-
suchungsgebiete auf die Vielfalt und die Repräsentanz der dort vorkommenden Waldformen
geachtet wurde, ist für das Land Sachsen eine Übertragbarkeit der waldstrukturellen Aus-
wertungen gewährleistet.
Darüber hinaus erscheint die Waldstrukturklassifizierung „Dübener Heide" besonders geeig-
net für die Auswertung von kiefernreichen Standorten in den Neuen Bundesländern (Tief-
landstandorte). Das Auswertungskonzept (Segmentierung - pixelbasierte Klassifizierung -
regelbasierte Nachklassifizierung) ist uneingeschränkt anwendbar. Die Klassifizierungsvari-
ante „Erzgebirge" ist vorrangig auf fichtenreiche Tiefland- und Mittelgebirgsstandorte über-
tragbar.
Die Übertragbarkeit der exemplarisch im Untersuchungsgebiet Nedlitz durchgeführten auto-
matischen Veränderungskartierung auf andere Tieflandregionen erscheint unproblematisch.
In Mittelgebirgsregionen kann die multitemporale Auswertung eine interaktive Nachbereitung
der Flächenerfassung erfordern, wenn zum Zeitpunkt der Aufnahmen sehr unterschiedliche
Beleuchtungsbedingungen vorliegen. Besonders für Auswertungen in stark reliefierten Ge-
bieten wird eine topographische Normalisierung der Ausgangsszenen als sinnvoll erachtet.
Die Integration von Auswertungsergebnissen in ein GIS (hier: FGIS Sachsen) und deren
Weiterbearbeitung bzw. Analyse konnten weitgehend automatisiert werden (ARC/INFO; Be-
arbeitung: LAF). Die Satellitenfernerkundung kann damit in einem erhöhten Maße zur Aktua-
lisierung und Laufendhaltung von Planungsdaten beitragen. So sind deutliche Veränderun-
gen durch einen Abgleich von Datenbank und Waldstrukturklassifizierung (monotemporal)
oder durch eine Veränderungsflächenkartierung (multitemporal) erfassbar.
Kapitel 12: Zusammenfassung und Diskussion der Ergebnisse
243
Die Nutzung von GIS-Funktionalitäten und -Oberflächen ermöglicht kartographische Dar-
stellungen, die sich an vorhandenen Forstkartenwerken orientieren. Die positive Resonanz
bei forstlichen Fachanwendern auf exemplarisch hergestellte Musterkartenblätter (LAF
Sachsen) lässt erkennen, dass damit eine Akzeptanzsteigerung der Satellitenfernerkundung
in der Praxis unterstützt werden kann.
12.4.2 Waldstrukturklassifizierung
Selektion von Referenzbeständen (Trainingsgebieten)
Eine deutliche Zeitersparnis wurde durch die GIS-basierte Vorselektion und Abgrenzung von
Referenzbeständen bzw. Trainingsgebieten erzielt (hier: FGIS, UG Dübener Heide). Auf-
wendige Geländearbeiten konnten auf ein erforderliches Mindestmaß reduziert werden. Die
Vorzüge dieses Ansatzes gegenüber herkömmlichen Verfahren (Luftbildauswertung, Ter-
restrik, Flächendigitalisierung) schlagen sich auch in der Kostenkalkulation nieder (Vergleich:
Dübener Heide - Erzgebirge).
Der Bestand bildet in Sachsen ab 2004 landesweit die kleinste geometrisch erfasste Bezugs-
fläche für den Landes- und Kommunalwald (Forstgrundkarte 1 : 5 000). Die Vorgehensweise
zur Verknüpfung von Satellitenbilddaten und Forsteinrichtungsdaten ist somit auf andere
Landesteile übertragbar.
Das Verfahren eignet sich insbesondere auch für Untersuchungen in besitzstrukturellen
Mischwaldrevieren (Landes-, Privatwald usw.): Im Landeswald werden Referenzbestände
ermittelt und für die Waldstrukturklassifizierung der benachbarten Privatwälder genutzt, für
die in zunehmendem Maße keine aktuellen Forsteinrichtungsdaten verfügbar sind.
Stehen keine aktuellen Forsteinrichtungsdaten bereit, können dennoch vorselektierte Refe-
renzbestände mittels visueller Interpretation am Bildschirm ausgewählt werden (Hinterlegung
der Bestandesgrenzen mit hoch aufgelösten Fusionsdaten).
Die GIS- bzw. datenbankgestützte Referenzflächenermittlung ist besonders für Gebiete ge-
eignet, deren Bestände nur selten stark heterogen aufgebaut sind.
Separierung von Wald und baumbestockten Flächen
Zielführend für eine zufriedenstellende Separierung von wald- und baumbestockten Flächen
ist die Betrachtung von Satellitenbildern als „Zusatzdaten". Deren Vorzüge (v.a. Aktualität,
ggf. Lagegenauigkeit) werden gezielt zur partiellen Verbesserung von vorhandenen themati-
schen Waldabgrenzungen eingesetzt (z.B. TK10 / ATKIS, Forsteinrichtungsdaten und Forst-
grundkarte). Durch die regelbasierte Verknüpfung von Fachinformationen und klassifizierten
Fusionsdaten wird eine flächenscharfe Abgrenzung realisiert.
Eine sichere spektrale Erfassung von Erstaufforstungsflächen, insbesondere in der An-
wuchsphase, ist vor dem Bestandesschluss nicht möglich. Waldflächenzugänge werden da-
her mit diesem Verfahren i.d.R. nicht erkannt. Ein Monitoring dieser Flächen (Bestandesent-
wicklung, Kontrolle) setzt deren kartographische Abgrenzung voraus.
Linien- und kantenbasierte Segmentierung
Die automatische Extraktion von Waldwegen und Schneisen auf Basis extrahierter Linien
und Kanten (Liniensegmente) aus hochauflösenden panchromatischen Satellitenbilddaten
kann zu einer deutlich verbesserten Separierung von Waldflächen und zur Reduzierung von
Fehlklassifizierungen beitragen (Lokalisierung von Mischpixeln in Multispektraldaten geringe-
rer Auflösung).
Die Segmentierung stößt jedoch rasch an ihre Grenzen, wenn die Extraktion des gesamten
Waldwegenetzes das Ziel ist. In der panchromatischen IRS-Szene wird das Wegenetz er-
wartungsgemäß nur in Teilen erfasst. Die guten Ergebnisse der visuellen Interpretation wer-
den nicht erreicht. Bereits die Erfassungsprobleme dieser vergleichsweise einfach zu be-
schreibenden Bildobjekte lassen erahnen, welch hoher Forschungsaufwand auf dem Gebiet
der automatischen Mustererkennung weiterhin zu leisten ist, um die komplexen kognitiven
Kapitel 12: Zusammenfassung und Diskussion der Ergebnisse
244
Fähigkeiten des menschlichen Gehirns in Algorithmen und Regeln abzubilden - in der vorlie-
genden praxisorientierten Arbeit konnte hierauf kein Schwerpunkt gelegt werden.
Für die Kartierung des Wirtschaftswegenetzes sowie anderer linienhafter Objekte kann das
hier beschriebene automatische Auswertungsverfahren zur raschen großräumigen Vorkartie-
rung eingesetzt werden. Dessen Zwischenergebnisse können mittels interaktiver Bildschirm-
auswertung ergänzt und korrigiert werden. Nach den Projekterfahrungen wird angenommen,
dass eine räumliche Sensorauflösung von ca. 3 m die geometrische Voraussetzung schafft
für eine ausreichende Erfassung des fernerkundlich abbildbaren Teils des Waldwegenetzes
(IRS-1C / PAN: nominell 5,8 m x 5,8 m).
Regionenbasierte Segmentierung
Die Vorzüge räumlich hochauflösender panchromatischer Bilddaten liegen in der Wiederga-
be geometrisch-struktureller Details. Durch die regionenbasierte Segmentierung wird ein Teil
dieser Informationen extrahiert und bildet im Auswertungsprozess die geometrische Grund-
lage für eine deutlich verbesserte Waldstrukturklassifizierung.
Die Verfahrensentwicklung erfolgte mit den verfügbaren IRS-Daten - eine weitgehend sen-
sorunabhängige Auswahl panchromatischer Szenen ist aber möglich. Der Klassifizierungs-
ansatz gewährleistet die optionale Anwendung anderer ggf. neuer Segmentierungsverfahren.
Vielversprechend sind Verfahrensansätze, die eine stärkere Berücksichtigung von Textur-
und Formmerkmalen zulassen.
Mit dem Ziel, eine von Zusatzinformationen unabhängige Auswertung der gesamten baum-
bestockten Fläche des Untersuchungsgebiets zu gewährleisten, wurden lediglich Straßen
und Teile des Wirtschaftswegenetzes in den Segmentbildungsprozess eingebunden. Auf
Abteilungs-, Teilflächen- oder Bestandesgrenzen wurde verzichtet, da diese nicht für die ge-
samte Auswertefläche vorlagen.
Durch diese Vorgaben werden viele der forstorganisatorischen bzw. forsteinrichtungstechni-
schen Grenzen nicht erfasst, da diese im Satellitenbild nicht immer erkennbar (z.B. geringer
Altersunterschied) oder nachvollziehbar (Abgrenzung von gleich strukturierten Beständen)
sind. Dieser vermeintliche Verfahrensnachteil kann aber auch dazu beitragen, eine ergän-
zende Gliederung des Waldes „von oben“ zu beschreiben, die nur in Teilen von forsthisto-
risch stabilen Einteilungen bzw. Bewirtschaftungseinheiten bestimmt ist.
Nach den Projekterfahrungen sollte künftig dennoch, sowohl zur weiteren Verbesserung der
Segmentierungsergebnisse als auch zur Akzeptanzsteigerung in der Forstpraxis, auf die
stärkere Integration der existierenden Waldeinteilung nicht verzichtet werden (Einbindung
von Vektordaten). Bereits mit geringem methodischem Aufwand ist die Berücksichtigung der
forstwirtschaftlichen Abgrenzungen möglich (Vorsegmentierung oder Waldmaskenanglei-
chung). Dies unterstützt einerseits die parzellenweise Gliederung innerhalb von Teilflächen
oder Beständen und gewährleistet andererseits eine einfache Segmentierung von Bildteilen,
für die keine Fachinformationen vorliegen.
Der Nachteil gegenüber hochauflösenden multispektralen Daten besteht darin, dass Infor-
mationen des infraroten Spektrums in der Bandbreite der meisten panchromatischen Kanäle
kaum erfasst werden und in der Regionenbildung weitgehend unberücksichtigt bleiben.
Hierarchische Klassifizierung
Die Vorzüge multispektraler Satellitenbilddaten liegen in der spektralen Walddifferenzierbar-
keit. Im hierarchischen Klassifizierungsprozess werden diese Informationen mit pixelbasier-
ten Standardverfahren ausgewertet. Die Ergebnisse entsprechen weitgehend denen kon-
ventioneller Klassifizierungen. In dem vorgestellten Auswertungsansatz bilden diese - als
Zwischenergebnisse - die thematische Grundlage für eine deutlich verbesserte Waldstruktur-
klassifizierung.
Für die waldinterne Klassifizierung wurde eine Klassenausweisung und Abgrenzungsgenau-
igkeit angestrebt, die ohne zusätzliche Informationen (Forsteinrichtungsdaten) auskommt.
Kapitel 12: Zusammenfassung und Diskussion der Ergebnisse
245
Dies gewährleistet eine besitzübergreifende Auswertung der gesamten Waldfläche und er-
leichtert eine Übertragbarkeit des Verfahrens auf andere Gebiete - mit anderer Ausgangs-
datenlage.
In der vorliegenden Arbeit wurde eine maximal mögliche Klassenausweisung und Klassifizie-
rungsgenauigkeit angestrebt, um letztlich auch die sensorspezifischen Grenzen der spektra-
len Differenzierung aufzuzeigen. Zur Erreichung dieses Ziels wurde eine komplexe digitale
Auswertung unumgänglich. Obwohl ein hoher Automatisierungsgrad erzielt werden konnte,
steht dies zunächst im Widerspruch zu dem Ziel, Auswertungen möglichst zu vereinfachen.
Eine Beschleunigung und Vereinfachung der hierarchischen Auswertung kann aber entspre-
chend der jeweils zugrunde liegenden Fragestellung vorgenommen werden. Die verstärkte
GIS-Integration kann beispielsweise zur Abgrenzung von Analyseflächen beitragen, um den
Aufwand der multispektralen Abgrenzung deutlich zu verringern (z.B. Abgrenzung von Auf-
forstungsflächen: Klassifizierung zur Kontrolle im Rahmen eines Monitoring; Abgrenzung von
Nadelwaldbeständen: Kartierung von aufgelichteten Bestandesteilen bzw. Beschirmungs-
gradklassen).
Regelbasierte Nachklassifizierung
Die Ermittlung von Segmenten und deren regelbasierte Klassifizierung auf Basis von Ergeb-
nissen pixelbasierter Klassifizierungsverfahren (hierarchische Klassifizierung) führten zu ei-
ner Reduzierung von Fehlzuweisungen und zur Erhöhung der flächenscharfen Abgrenzung
von unterschiedlich strukturierten Waldflächen und Einzelobjekten. Zudem ermöglichte die
Verknüpfung eine Ausweisung neuer Klassen. Im Vergleich zu konventionellen, rein pixelba-
sierten Auswertungen werden sowohl die geometrischen als auch die thematischen Klassifi-
zierungsgenauigkeiten deutlich übertroffen.
Am Beispiel der Waldstrukturklassifizierung „Dübener Heide“ wird eine methodische Vorge-
hensweise aufgezeigt, die eine kombinierte Nutzung von hochauflösenden panchromati-
schen und multispektral hochauflösenden Bilddaten zulässt. Die Daten werden zunächst
getrennt voneinander ausgewertet. Dieser Ansatz zielt auf eine möglichst uneingeschränkte
Auswahl und Kombination optischer Satellitensysteme bzw. -sensoren.
Im Hinblick auf die Vielzahl der aktuell verfügbaren und geplanten Systeme erhöht eine ver-
fahrensbedingte Flexibilität die Wahrscheinlichkeit, aktuelle fernerkundete Informationen nut-
zen zu können. Die Auswahl von hoch- und höchstauflösenden panchromatischen Bilddaten
ist kaum eingeschränkt. Die räumliche Auflösung von IRS-Daten sollte aber nicht überschrit-
ten werden (< 6 m). Wenn detaillierte waldstrukturelle Unterscheidungen angestrebt werden,
sollten multispektrale Sensoren ausgewählt werden, die über Kanäle im nahen und mittleren
Infrarot verfügen. Nach den Projekterfahrungen sollte der Multispektralsensor maximal um
den Faktor 5 (besser: 3 bis 4) gröber auflösen. Dies entspricht auch der Empfehlung für die
Fusionierung von Satellitenbilddaten.
Der Klassifizierungsansatz „Dübener Heide“ ist vielversprechend, da neben deutlich verbes-
serten Klassifizierungsgenauigkeiten auch ein höherer waldstruktureller Differenzierungsgrad
erreicht werden kann (Baumarten, Wuchsklassen, Bestandesschluss / Beschirmungsgrad).
Ergänzende Informationen können bei der Beschreibung der Mischungsform (u.a. Gruppen,
Trupps) sowie der Lokalisierung von Überhältern im Bestand zur Verfügung gestellt werden.
Der Klassifizierungsansatz kann unter bestimmten Aspekten als mögliche Alternative oder
Ergänzung zu Auswertungen von hoch- oder höchstauflösenden multispektralen Satelliten-
bilddaten vorgeschlagen werden, wenn die erzielbaren Ergebnisse der jeweiligen Fragestel-
lung genügen:
· Aspekt Gebietsabdeckung:
In großräumigen Untersuchungen, wie dies in Forstanwendungen häufig zutrifft (z.B.
Wuchsgebiete oder -bezirke), kann die zeitlich-räumliche Abdeckung mit Szenen hoch-
auflösender multispektraler Systeme wegen der geringen Streifenbreiten Schwierigkeiten
bereiten (z.B. IKONOS 2: ca. 11 km). Die Klassifizierung erfordert zusätzliche aufwendi-
ge Datenaufbereitungen (Mosaiking, atmosphärische Korrekturen bzw. Anpassungen der
Kapitel 12: Zusammenfassung und Diskussion der Ergebnisse
246
einzelnen Kacheln).
Bei zahlreichen hochauflösenden panchromatischen Systemen tritt das Problem der
Szenenabdeckung weniger stark auf (vgl. Kap. 3.2.2). Ein Mosaiking mehrerer, sich ü-
berlappender panchromatischer Szenen und deren radiometrische Anpassung sind mit
vergleichsweise geringerem Aufwand möglich. Durch die Verwendung von multispektra-
len Systemen geringerer Auflösung begünstigt und vereinfacht ein breiter Aufnahme-
streifen die Erfassung (z.B. SPOT4, SPOT5, RapidEye).
· Aspekt Kosten:
In der Forstwirtschaft werden i.d.R. große Waldareale beplant. Im Hinblick auf die gerin-
ger werdenden Finanzmittel in der Forstverwaltung und das hohe gegenwärtige Preisni-
veau für hoch- und höchstauflösende multispektrale Satellitenbilder, erscheint deren Ein-
satz zunächst auf kleinräumige Anwendungen beschränkt zu bleiben.
Die kombinierte Auswertung von panchromatischen und kostengünstigen Multispektral-
daten - mit Auflösungsvermögen zwischen 20 m (max. 30 m) und 6 m - kann hier als
mögliche Variante genannt werden (vgl. Tab. 38).
In neuesten Klassifizierungsansätzen erfolgt eine zunehmende Abkehr von rein pixelbasier-
ten Analysen und eine Orientierung hin zu objektbasierten Klassifizierungen. Im Hinblick auf
die hohe Informationsdichte in den hoch- und höchstauflösenden Daten der neuen Sensor-
generation wird zukünftig vor allem die Weiterentwicklung von objekt- und wissensbasierten
Klassifizierungsstrategien hin zu operationellen Lösungen im Mittelpunkt stehen. Insbeson-
dere die Festlegung von möglichst stabilen, übertragbaren Regelwerken wird einen wichtigen
Aspekt darstellen.
Der in der vorliegenden Arbeit vorgestellte 3-stufige Klassifizierungsansatz kombiniert hoch-
auflösende panchromatische mit multispektralen Bilddaten und nutzt dabei pixel- und seg-
mentbasierte Klassifizierungsverfahren. Dieser stellt somit ein Bindeglied zwischen konventi-
onellen und rein objektbasierten Klassifizierungskonzepten dar.
Gemessen an den sehr hohen Ansprüchen einer intensiv wirtschaftenden Landesforstver-
waltung sind die erreichten Baumarten- und Wuchsklassentrennungen hinsichtlich ihrer Ge-
nauigkeit und Klassenanzahl aus Nutzersicht weiterhin verbesserungswürdig. Wo aktuelle
Inventurdaten fehlen oder wo Fragestellungen mit weniger intensivem Informationsbedarf zu
bearbeiten sind, ist der mit Satellitenbilddaten erzielbare Nutzen vergleichsweise höher ein-
zuschätzen als für den Staatswald, der i.d.R. über gute Grundlagendaten aus anderen
Quellen verfügt.
Im Rahmen der automatischen Klassifizierung konnte ein hoher Automatisierungsgrad er-
reicht werden. Die notwendige Komplexität der Auswertungsansätze verdeutlicht, dass mit-
tels einfachster Verfahren keine Klassifizierungsergebnisse erreichbar sind, die den forstpla-
nerischen Differenzierungs- und Genauigkeitsanforderungen nahe kommen. Detaillierte
Waldklassifizierungen sind daher von Nutzern ohne spezielle Fachkenntnisse kaum durch-
führbar. Entsprechende Klassifizierungsprodukte sind zumeist nur von Dienstleistern oder
von entsprechend geschultem Personal zu erzielen. Dokumentierte Prozessierungsketten
können aber dazu beitragen, Dienstleistungen bzw. Arbeitsschritte klar festzulegen.
12.4.3 Waldschadenskartierung
Ein Ziel der Untersuchungen war die Nutzung von modernen Satellitenbilddaten zur verbes-
serten Erfassung von Waldschäden auf Bestandesebene. Neben der großräumigen Abgren-
zung von Schadzonen sollte eine möglichst flächenscharfe Differenzierung nach Bestandes-
schädigungen (Nadelverlust, Verlichtungen) erreicht werden. Verwendet wurden Daten des
zum Bearbeitungszeitpunkt modernsten multispektralen Sensors SPOT4-HRVIR.
Erfassung von Verlichtungen / Auflichtungen (Beschirmungsgradklassen)
Die multispektrale Kartierung verlichteter Fichtenreinbestände (Beschirmungsgrad: < 60 %)
sowie deren weitere Differenzierung mit SPOT4-Daten, bei Verwendung eines überwachten
Kapitel 12: Zusammenfassung und Diskussion der Ergebnisse
247
Klassifizierungsverfahrens (Maximum-Likelihood), führte zu sehr guten Ergebnissen. Die
Methodik gewährleistet die Auswahl auch anderer Sensoren. Voraussetzung ist allerdings
die Verfügbarkeit von zwei IR-Kanälen gleicher räumlicher Auflösung (NIR, MIR).
Erfassung von Nadelverlusten (Nadelverlustklassen)
Die Differenzierung von gesunden und gering geschädigten Beständen (FS0, FS1) ist nicht
möglich (vgl. Kap. 8.2.2.2 und 9.1.4). Eine Erfassung stark geschädigter Bestände (FS3)
wird von der Ausscheidung der Beschirmungsgradklassen überprägt: In den meisten Fällen
sind Bestände mit hohen Nadelverlusten auch stark aufgelichtet und fallen somit in die ent-
sprechende Beschirmungsgradklasse. Bestände mit mittlerer Schädigung (FS2) können am
sichersten erfasst werden.
Die bestandesweise Abgrenzung von Flächenschadstufen, wie sie mit Hilfe von terrestri-
schen und luftbildgestützten Erhebungen operationell erzielt wird, ist folglich mit dem ange-
wendeten Verfahren bzw. den genutzten Satellitenbilddaten nicht hinreichend genau reali-
sierbar. Da geringfügige Veränderungen von Nadelverlusten nur unsicher erfassbar sind,
können Satellitenbilddaten im Hinblick auf die Genauigkeitsanforderungen der Forstverwal-
tung nur in Kombination mit weiteren Daten in ein „Frühwarnsystem“ einfließen.
Unter Einbeziehung von Beschirmungsgradklassen sind aber dennoch praxisrelevante, kos-
tengünstige Abgrenzungen von Schadzonen zu erzielen. Damit kann die im Sächsischen
Waldgesetz (§32 SächsWaldG 1992) geforderte Ausweisung von Immissionsschadzonen mit
Hilfe von Satellitenbildern rechnergestützt und objektiv realisiert werden. Im Vergleich zur
luftbildgestützten Waldschadensinventur stellt dieser Ansatz eine kostengünstige Alternative
dar. In zukünftigen Auswertungen bleibt abzuwägen, ob auf flächenscharfe Aussagen, wie
sie bei Verwendung von Luftbildern möglich wären, verzichtet werden kann.
Da vor allem deutliche Schädigungen mittels Satellitenbildern erkennbar sind (FS2 und FS3,
BG < 60 %), ist die Nutzung besonders bei größeren Schadereignissen wie im Schadwinter
1995/96 im Erzgebirge sowie bei Sturmschäden sinnvoll. Vielversprechend sind hierbei mul-
titemporale Auswertungen („vorher- nachher“). Ein möglicher Verfahrensansatz zur Erfas-
sung von Veränderungen wird in der vorliegenden Arbeit aufgezeigt.
Untersuchungen, inwieweit Texturmaße zur verbesserten Waldschadenskartierung beitragen
(u.a. Beschirmungsgradunterschiede, Nadelverlust / Verlichtungen), konnten nicht durchge-
führt werden, da die panchromatischen IRS-Daten nicht verwendbar waren (vgl. Kap.
4.1.2.1). In künftigen Auswertungen sollten entsprechende Analysen aufgegriffen werden,
ggf. unter Verwendung anderer Sensoren.
12.4.4 Kartierung von potenziellen Veränderungsflächen
Den methodischen Kern des 2-stufigen Auswertungskonzepts bildet eine waldoptimierte
multitemporale Hauptkomponententransformation. Durch einfache relative radiometrische
Angleichungen der multispektralen Satellitenszenen kann auf zeitaufwendige absolute Kali-
brierungen verzichtet werden. Der hohe Automatisierungsgrad unterstützt eine rasche groß-
räumige Lokalisierung von potenziellen Veränderungsflächen.
Die automatische Erfassung von Bestandesschlussunterschieden bildet die Grundlage für
die Lokalisierung von Verdachtsflächen. Eine Verbesserung und Nutzungssteigerung der
Ergebnisse wird erzielt, wenn der vollautomatisierte Verfahrensansatz als schnelle Vorkartie-
rung genutzt wird. Von Fachinterpreten können diese Zwischenergebnisse durch visuelle
Interpretation oder durch Einbeziehung von Fachinformationen mit geringem Zeitaufwand
ergänzt und korrigiert werden.
Die Verknüpfung der (Vor-) Kartierungsergebnisse mit Fachinformationen und die Nutzung
von GIS-Funktionalitäten kann zur Ermittlung von Bezugsflächen mit möglichen Veränderun-
gen beitragen (z.B.: Bestand, Teilfläche, BTNT-Einheit). Diese Flächen können im Gelände
Kapitel 12: Zusammenfassung und Diskussion der Ergebnisse
248
gezielt aufgesucht werden, um eine Überprüfung vorzunehmen und um ggf. die Ursachen
der detektierten Veränderung zu ermitteln.
In der Verfahrensentwicklung wurde eine weitgehende Sensorunabhängigkeit angestrebt.
Erforderlich ist eine Auswahl von Sensoren mit gleichen radiometrischen und räumlichen
Auflösungen der Kanäle, eine multisensorale Szenenkombination ist daher grundsätzlich
möglich. Die Auswertung von hochauflösenden Satellitenbilddaten macht eine methodische
Anpassung notwendig (Filter, Mindestflächengrößen, Regelwerke).
Das Verfahren kann zur Erfassung bzw. Lokalisierung von Sturmwurfflächen, Insektenkala-
mitäten / flächigen Fraßschäden, Hiebsflächen / Auflichtungen (Abnahme des Bestandes-
schlusses) sowie der Beobachtung von Aufforstungsflächen (Zunahme des Bestandes-
schlusses) beitragen. Bei Verwendung von LANDSAT-TM-Szenen liegt die Erfassungs-
untergrenze bei ca. 1 ha. Je nach Flächenform und Umgebung sind aber auch kleinere Flä-
chen bis zu einer Größe von 0,4 bis 0,7 ha lokalisierbar.
Kapitel 13: Ausblick
249
13 Ausblick
Aspekt - Sensoreignung
Mit dem Start des operationellen Systems IRS-1C wurden erstmalig hochauflösende digitale
Satellitenbilddaten für zivile Zwecke nutzbar. Seitdem hat sich die Palette an modernen für
die Forstpraxis verwendbaren Satellitensystemen stetig erweitert. Die rasante Entwicklung
wird mit zahlreichen konkret geplanten Missionen fortgesetzt (vgl. Kap. 3.2.2). Stärker als
bisher wird zukünftig abzuwägen sein, welche Fernerkundungssysteme für die jeweiligen
Zielsetzungen sinnvoll eingesetzt werden können. Neben Kosten-Nutzen-Aspekten stellen
die Parameter Szenengröße, spektrale und räumliche Auflösung wichtige Auswahlkriterien
für Forstanwendungen dar:
· In großräumigen Waldkartierungen werden i.d.R. synoptische Gebietserfassungen mit
einer minimalen Szenenanzahl angestrebt. Systeme mit sehr geringen Streifenbreiten
(u.a. IKONOS 2, OrbView 3) erschweren die Gebietsabdeckung. Die Nutzung unter-
schiedlicher Aufnahmezeitpunkte erhöht zudem den Aufwand für die Datenvorprozessie-
rung (u.a. radiometrische Anpassungen).
· Da spektrale Informationen aus dem Wellenlängenbereich des nahen und mittleren Infra-
rot für viele waldstrukturelle Unterscheidungen unverzichtbar sind, sollte ein multispektra-
les Aufnahmesystem neben einem NIR-Kanal zusätzlich über einen weiteren MIR-Kanal
verfügen.
· Der Zielmaßstab der Forsteinrichtung (1 : 10 000) erfordert einen hohen thematischen
und räumlichen Detaillierungsgrad. Der hohe Informationsgehalt und die gute geometri-
sche Lagegenauigkeit von höchstauflösenden Satellitenbildern versprechen daher den
größten Nutzen.
Von besonderem forstlichem Interesse sind deshalb Aufnahmen multispektraler Satelliten-
systeme, die eine verbesserte räumliche Auflösung mit einer großflächigen Walderfassung
vereinen und darüber hinaus Informationen des sichtbaren Spektrums und des nahen und
mittleren Infrarot liefern. Hierzu zählen SPOT5A und IRS-P6, RapidEye 1-4 und ALOS (Ein-
schränkung: ohne MIR-Kanal) sowie SPOT4 und EOS AM-1 (Einschränkung: räumliche
Auflösung). Nach den Projekterfahrungen ist SPOT5A besonders hervorzuheben, da dieses
System für einen 60 km breiten Aufnahmestreifen sowohl höchstauflösende panchromati-
sche als auch hochauflösende multispektrale Daten liefert (vgl. Kap. 3.2.2, Tab. 4, Abb. 4).
Für den Einsatz von Sensoren ohne entsprechende Spektralinformationen ist zukünftig zu
prüfen, inwieweit Textur- und Kontextinformationen sowie Struktur- und Formmerkmale für
die Erfassung von Bestandesparametern verstärkt genutzt werden können. Dass trotz der
hervorragenden räumlichen Auflösung von IKONOS 2-Daten die Trennbarkeit verschiedener
Bestände durch die fehlende Spektralinformation aus dem Bereich des mittleren Infrarot
deutlich beeinträchtigt werden kann, berichten unter anderem JANOTH et al. (2002).
Die wolkenfreie Szenen-Abdeckung der waldreichen Mittel- und Hochgebirge hat in der Ver-
gangenheit vielfach zu erheblichen Schwierigkeiten geführt. Da die meisten modernen Sys-
teme über Schwenkmöglichkeiten des Sensors verfügen, können auch kürzere „Gutwetter“-
Perioden zukünftig besser genutzt werden. Es bleibt zu prüfen, unter welchen Vorausset-
zungen „Schrägaufnahmen“ für forstliche Inventur- und Monitoringaufgaben nutzbar sind
(Schwenkwinkel, Topographie, Bestandesparameter usw.). Da die Betreiber der kommer-
ziellen Systeme die Festlegung der Aufnahmekapazitäten vorrangig nach Kundenanfragen
ausrichten (programming request), können die Schwenkmöglichkeiten aber auch zu konkur-
rierenden Ansprüchen zwischen Nutzern führen, wenn aktuelle Szenen ausgewertet werden
sollen. Eine großräumige (Nadir-) Abbildung von Waldflächen kann dadurch zusätzlich er-
schwert werden.
Das Nutzungspotenzial der höchstauflösenden Satellitensysteme wird vor allem für Belange
der Forsteinrichtung zu untersuchen sein. Im Vergleich mit Luftbildern ist aufzuzeigen, in-
wieweit diese ersetzt werden können oder ob für spezielle Fragestellungen eine alternative
Kapitel 13: Ausblick
250
und ergänzende Nutzung sinnvoll ist (z.B. Satellitenbildkarte 1 : 5 000 / 1 : 10 000, Baumar-
tenkarte 1 : 10 000, ggf. multisensorales Monitoring).
Als Quellen zur Informationsgewinnung für Forstplanungen werden zukünftig konventionelle
Luftbilder bzw. daraus abgeleitete Produkte mit Daten digitaler Luftbildkameras sowie mit
Aufnahmen räumlich hoch- und höchstauflösender Satellitensensoren konkurrieren. Inwie-
weit jedoch die neuen Fernerkundungsdaten zu einer praktikablen Alternative zu herkömm-
lichen Luftbildern reifen, wird neben der Produktqualität und der Entwicklung operationeller
Auswertungsverfahren (-software) insbesondere über das Preis/Leistungsverhältnis ent-
schieden werden. Es bleibt aus Nutzersicht zu hoffen, dass eine sich belebende Konkur-
renzsituation zwischen Anbietern digitaler Luftbilddaten oder höchstauflösender Satelliten-
bilddaten zu günstigeren Preisen führt.
Aspekt - visuelle Interpretation
Bereits die zufriedenstellende Interpretationsfähigkeit von hochauflösenden Fusionsdaten-
produkten verdeutlicht, dass mit zunehmender Bodenauflösung der Systeme auch solche
Interpretationsmerkmale herangezogen werden können, die bisher auf die monoskopische
Luftbildauswertung begrenzt waren. Es ist eine methodische Annäherung der Interpretation
von Satellitenbildern an die von Luftbildern zu erwarten. Dies wird eine erhebliche Akzep-
tanzsteigerung der Satellitenfernerkundung in der Forstpraxis bewirken.
Aspekt - automatische Verfahrensentwicklung / GIS
Für die Extraktion des hohen Informationsgehalts aus höchstauflösenden Satellitenbildern
sowie aus Daten digitaler Luftbildkameras stellt sich aus Sicht des Nutzers zwangsläufig die
Frage nach geeigneten operationellen Auswertungsverfahren. Einen Schwerpunkt der aktu-
ellen - und auch zukünftigen - Forschungsaktivitäten bildet daher die Entwicklung von neuen
Auswertungs- bzw. Klassifizierungsverfahren, in denen unter anderem Ansätze zur automa-
tischen Mustererkennung und objektbasierten Erfassung einfließen. Die verstärkte Integrati-
on von Vorwissen bzw. Fachinformationen gilt als Grundvoraussetzung für ein automatisier-
tes Auswerten. Die operationelle wissensbasierte Auswertung erfordert die Erarbeitung von
möglichst stabilen und übertragbaren Regelwerken.
Der Einsatz automatischer Auswertungsverfahren in der Forstpraxis erfordert die technolo-
gisch-methodisch machbare und finanzierbare Bearbeitung höchstauflösender Satellitenbild-
daten für zumeist große Areale. Dieses ist kurzfristig nicht zu erwarten. Gleiches gilt auch für
Daten digitaler Luftbildkameras. Hingegen ist die visuelle Bildinterpretation eine praktikable
Möglichkeit, fernerkundete Informationen in vorgegebene Arbeits- und Planungsabläufe von
Forst- und anderen Umweltverwaltungen einfließen zu lassen. Auch hybride Verfahrensan-
sätze, die eine Kombination aus visueller und automatischer Bildauswertung vorsehen, kön-
nen daher für den Anwender durchaus zielführend sein. Die visuelle Interpretation sollte da-
her nicht als veraltetes Verfahren in einer technologiegeprägten Forschungs- und Entwick-
lungsumgebung betrachtet werden. Vielmehr stellt sie eine einfache und zielführende Option
zur Objekt- und Mustererkennung in digitalen Bilddaten dar - auch im Hinblick auf die zahl-
reichen notwendigen Forschungsanstrengungen, um menschliche Wahrnehmungsfähigkei-
ten in Algorithmen nachzubilden.
In vielen Publikationen und Diskussionen wird der Doppelbegriff „Fernerkundung und GIS“
wie eine kaum noch trennbare Einheit verwendet. Das Zusammenwachsen von GIS und
Fernerkundung stellt einen sich beschleunigenden Prozess dar, der von einer verbesserten
Integration von GIS- und Bildverarbeitungssystemen begleitet wird. BLASCHKE (2000) misst
hierbei der verstärkten Integration beider in einer Desktop-Umgebung eine wichtige Rolle zu.
Zwangsläufig erhöht sich damit das Nutzungspotenzial von Fernerkundungsdaten für die
Laufendhaltung und Ergänzung von bestehenden Fachinformationen bzw. Geo-Daten sowie
für die Erfassung von Veränderungen.
Die Anwendung von Auswertungsverfahren durch weitgehend ungeschultes Personal wird
auch in absehbarer Zukunft auf einfache Prozeduren und insbesondere auf die visuelle In-
Kapitel 13: Ausblick
251
terpretation digitaler oder analoger Satellitenbildprodukte beschränkt bleiben. Ähnlich der
Anforderungsprofile im GIS-Tätigkeitsbereich setzen komplexere Analysen weiterhin Exper-
tenwissen beim Bearbeiter voraus, um die geforderten Qualitäten zu erreichen. Sollten die
weiteren Fortschritte in der Sensor- und Verfahrensentwicklung zur verstärkten Nutzung der
Satellitenfernerkundung für forstliche Fragestellungen führen, wäre ein Bedarf an entspre-
chend qualifiziertem Personal gegeben. Konkrete Auswertungen könnten auch von Dienst-
leistern erbracht werden, wie dies bereits bei Luftbildauswertungen oder im GIS-Sektor üb-
lich ist.
Aspekt - Kosten
Im Hinblick auf die knapper werdenden finanziellen Ressourcen in der Forstverwaltung stellt
sich die Frage nach dem Kosteneinsparungspotenzial, das sich aus der Nutzbarmachung
von Satellitenfernerkundungsdaten ergeben kann. Eine systematische, die verschiedenen
forstlichen Planungsebenen berücksichtigende Kosten-Nutzen-Abschätzung von Satelliten-
daten, (prä-) operationellen Verfahren und abgeleiteten Produkten (Sensorauflösung, Pla-
nungsebene, Bestandesparameter, Genauigkeiten, analog / digital), gekoppelt mit Verglei-
chen zu konventionellen Ansätzen (Terrestrik, Luftbild), ist folglich wünschenswert.
Eine großräumige Auswertung mit höchstauflösenden Satellitensystemen wird zukünftig erst
bei reduzierten Datenpreisen denkbar. Die kombinierte Nutzung von Satellitenbilddaten un-
terschiedlicher Bodenauflösungen kann in diesem Zusammenhang für verschiedene Einsatz-
bereiche als eine kostengünstige Option angesehen werden. So ermöglicht die Fusionierung
von panchromatischen und multispektralen Bilddaten eine detaillierte Abbildung größerer
Gebiete. Auch das in der vorliegenden Arbeit vorgestellte multisensorale Klassifizierungs-
konzept bietet in diesem Zusammenhang Vorzüge, da auf vergleichsweise preisgünstigere
Satellitenbilder zurückgegriffen werden kann (panchromatische Sensoren hoher und sehr
hoher Auflösung, Multispektralsensoren mittlerer und hoher Auflösung).
Zur Förderung der Satellitenfernerkundung in den Umweltverwaltungen wird zunehmend
auch nach Möglichkeiten gesucht, eine disziplinübergreifende und damit Kosten senkende
Mehrfachnutzung von Daten zu erreichen („Fernerkundungsdatenpool“). Gemeinsam mit
Vertreibern von Fernerkundungsprodukten sind zukünftig Lösungen für vertragliche bzw.
lizenzrechtliche Fragen zu suchen.
Aspekt - Fachplanungsdaten
Die Informationsgewinnung über den von der Forstverwaltung hoheitlich zu betreuenden
Privatwald ist eine dringliche Aufgabe, da geeignete Daten fehlen oder stetig veralten. Die
Satellitenfernerkundung kann hierzu einen wichtigen Beitrag leisten. So wird beispielsweise
im Freistaat Sachsen die zukünftige Nutzung von Satellitenbildern vor allem in großen Privat-
und Treuhandwaldgebieten gesehen. Gleiches gilt für Kippenfolgelandschaften, wo der Be-
darf an aktuellen Waldzustandsinformationen durch die ständigen Veränderungen (u.a. Rut-
schungen, Aufforstungen, Sukzessionen) noch verstärkt wird. Hier ist die Bereitstellung einer
fernerkundungsgerechten „Minimalvariante von Waldzustandsinformationen" wie Baumarten
und Baumartengruppen, Wuchsklassen, horizontale / vertikale Bestandesstrukturen, Verjün-
gungen sowie Waldeinteilung zielführend.
Ein hohes Nutzungspotenzial kann zudem auch in Bundesländern erreicht werden, in denen
weniger detaillierte bestandesweise Informationen verfügbar sind. So wird beispielsweise im
Freistaat Bayern mit Stichprobeninventuren auf Betriebsebene gearbeitet. Die erhobenen
Stichprobeninformationen könnten hier durch die flächig vorliegenden Ergebnisse der Satel-
litendatenauswertungen sinnvoll ergänzt werden.
Auch im Hinblick auf die Umsetzung der Konzepte des ökologischen Waldumbaus ist ein
Bedeutungszuwachs von Fernerkundungsdaten zu erwarten. Die verbesserten Eigenschaf-
ten der modernen Sensoren lassen eine weitere Nutzungssteigerung für die (halb-) automa-
tisierte Ableitung von Waldzustandsparametern bzw. Waldumbauindikatoren erwarten. In
diesem Zusammenhang sollte auch die Erfassung von Parametern für die forstliche Rah-
Kapitel 13: Ausblick
252
menplanung weiter verfolgt werden (Waldrandlängen, Erfassung von waldstruktureller Viel-
falt, usw.). So können beispielsweise fernerkundete Informationen in die Generierung von
Waldbrandgefährdungskarten mit einfließen - erste Ansätze werden von JUNGGEBURTH
(2003) vorgestellt.
Ferner ist für unterschiedlichste Inventur- und Planungsaufgaben eine objektive, GIS-
gestützte Erfassung von Veränderungen notwendig (v.a. abiotische und biotische Schäden,
waldbauliche Veränderungen). Die fernerkundungsgestützte Beobachtung des Bestandes-
schlusses kann hierzu wichtige Zusatzinformationen liefern (z.B. Waldzustandsmonitoring,
Kontrolle von Hiebsflächen oder Erstaufforstungsflächen, Sturmwurfkartierung).
Anhang
253
Anhang
(A) Programm zur automatischen Lokalisierung von potenziellen Verände-
rungsflächen (Verdachtsflächen)
Software: ERDAS IMAGINE (8.4): model maker
Verkettung von 7 Modellen (hier: sml-Skripte)
· Modell 1 „Bearbeitung von Waldmasken“
COMMENT "Generated from graphical model: d:/change/modelle/1_waldmaskenbearbeitung.gmd";
#
# INPUT:
# n1: Waldmaske (Wald == GW1, 5 m-Rasterung)
# n2: Wirtschaftfswege / optional (Weg == GW1, Basis: z.B. ATKIS, FGK, 5 m-Rasterung)
# OUTPUT (Zwischenergebnis):
# n5 (Zwischenergebnis): Waldmaske mit zusätzlichen Wirtschaftswegen (5 m-Rasterung)
# OUTPUT :
# n6: Waldmaske mit zusätzlichen Wirtschaftswegen, mit 25 m-Randpufferung (Wald == GW1, 5 m-Rasterung)
#
SET CELLSIZE MAX;
SET WINDOW INTERSECTION;
SET AOI NONE;
#
# declarations
Integer RASTER n1_waldmaske FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/waldmaske.img";
Integer RASTER n2_waldwege FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/waldwege.img";
Integer RASTER n5_wald_und_waldwege FILE DELETE_IF_EXISTING USEALL THEMATIC BIN DIRECT DEFAULT 2 BIT
UNSIGNED INTEGER "d:/change/waldmaske_mit_wegen.img";
Integer RASTER n6_waldmaske_buffer FILE DELETE_IF_EXISTING USEALL THEMATIC BIN DIRECT DEFAULT 2 BIT UN-
SIGNED INTEGER "d:/change/waldmaske_buffer.img";
INTEGER MATRIX n4_Custom_Integer;
#
# Festlegung der Filtergröße für Randpufferung
n4_Custom_Integer = MATRIX(13, 13:
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
#
# wenn keine Wege übergeben werden (GW <> 1), wird ausschließlich die Waldmaske bearbeitet
n5_wald_und_waldwege = CONDITIONAL {($n1_waldmaske == 1 and $n2_waldwege == 1) 0 , ($n1_waldmaske == 1) 1 } ;
# Pufferung:
n6_waldmaske_buffer = FOCAL MIN ( $n5_wald_und_waldwege , $n4_Custom_Integer , NO_APPLY_AT_VALUE 0 ) ;
QUIT;
Anhang
254
· Modell 2 „Relative radiometrische Anpassung, Kanalgenerierung“
COMMENT "Generated from graphical model: d:/change/modelle/2_kanalgenerierung.gmd";
#....................................................................................................................................................................................................
# INPUT:
# n1, n2: 2 TM-Szenen: „vorher, before“ (hier: 02.06.1997) und „nachher, later“ (hier: 19.07.1999),
# Resampling: cubic convolution
# n7, n8: ein Schwellenwert pro Szene - sichere spektrale Abgrenzung von Gewässern (keine Randpixel)
# (Basis: Kanal TM5, interaktive Ermittlung am Display)
# OUTPUT (Zwischenergebnisse):
# n5, n6: maskierte TM-Szenen: „Gewässerflächen“, sonst GW == 0
# n11, n12, n15, n16, n56, n58: arithmetische GW-Mittelwerte für die Gewässerflächen je Ausgangskanal
# (hier: TM3, TM4, TM5)
# n23, n24, n61: kanalweise Differenzen
# OUTPUT:
# n31, n32, n28, n26, n64, n65: radiometrisch angepasste Spektralkanäle (hier: TM3, TM4, TM5)
# n72, n78: 2 NDVI-Kanäle
# n53, n54: 2 Ratio-Kanäle TM4/TM5
#.....................................................................................................................................................................................................
SET CELLSIZE MAX;
SET WINDOW INTERSECTION;
SET AOI NONE;
#
# declarations
Integer RASTER n1_tm_190799cc FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/tm_190799cc.img";
Integer RASTER n2_tm_020697cc FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/tm_020697cc.img";
Integer RASTER n5_tm_later_gewaesser FILE DELETE_IF_EXISTING USEALL ATHEMATIC 8 BIT UNSIGNED INTEGER
"d:/change/tm_later_gewaesser.img";
Integer RASTER n6_tm_before_gewaesser FILE DELETE_IF_EXISTING USEALL ATHEMATIC 8 BIT UNSIGNED INTEGER
"d:/change/tm_before_gewaesser.img";
Integer RASTER n26_tm4_later FILE DELETE_IF_EXISTING USEALL ATHEMATIC 8 BIT UNSIGNED INTEGER
"d:/change/tm4_later.img";
Integer RASTER n28_tm4_before FILE DELETE_IF_EXISTING USEALL ATHEMATIC 8 BIT UNSIGNED INTEGER
"d:/change/tm4_before.img";
Integer RASTER n31_tm5_later FILE DELETE_IF_EXISTING USEALL ATHEMATIC 8 BIT UNSIGNED INTEGER
"d:/change/tm5_later.img";
Integer RASTER n32_tm5_before FILE DELETE_IF_EXISTING USEALL ATHEMATIC 8 BIT UNSIGNED INTEGER
"d:/change/tm5_before.img";
Float RASTER n49_tm4tm5_later FILE DELETE_IF_EXISTING USEALL ATHEMATIC FLOAT SINGLE
"d:/change/tm4tm5_later.img";
Float RASTER n50_tm4tm5_before FILE DELETE_IF_EXISTING USEALL ATHEMATIC FLOAT SINGLE
"d:/change/tm4tm5_before.img";
Integer RASTER n53_tm4tm5_later_int FILE DELETE_IF_EXISTING USEALL ATHEMATIC 8 BIT UNSIGNED INTEGER
"d:/change/tm4tm5_later_int.img";
Integer RASTER n54_tm4tm5_before_int FILE DELETE_IF_EXISTING USEALL ATHEMATIC 8 BIT UNSIGNED INTEGER
"d:/change/tm4tm5_before_int.img";
Integer RASTER n64_tm3_before FILE DELETE_IF_EXISTING USEALL ATHEMATIC 8 BIT UNSIGNED INTEGER
"d:/change/tm3_before.img";
Integer RASTER n65_tm3_later FILE DELETE_IF_EXISTING USEALL ATHEMATIC 8 BIT UNSIGNED INTEGER
"d:/change/tm3_later.img";
Float RASTER n72_ndvi_later FILE DELETE_IF_EXISTING USEALL ATHEMATIC FLOAT SINGLE "d:/change/ndvi_later.img";
Float RASTER n78_ndvi_before FILE DELETE_IF_EXISTING USEALL ATHEMATIC FLOAT SINGLE
"d:/change/ndvi_before.img";
FLOAT TABLE n11_Output;
FLOAT TABLE n12_Output;
FLOAT TABLE n15_Output;
FLOAT TABLE n16_Output;
FLOAT TABLE n23_Output;
FLOAT TABLE n24_Output;
FLOAT TABLE n56_Output;
FLOAT TABLE n58_Output;
FLOAT TABLE n61_Output;
INTEGER SCALAR n7_Integer;
INTEGER SCALAR n8_Integer;
#
Anhang
255
# read scalar n7_Integer
READ n7_Integer FROM "d:/change/threshhold/wasser_tm5_before.sca";
#
# read scalar n8_Integer
READ n8_Integer FROM "d:/change/threshhold/wasser_tm5_later.sca";
#
# function definitions
n5_tm_later_gewaesser = Either $n1_tm_190799cc if ($n1_tm_190799cc(5) <= $n8_Integer and $n1_tm_190799cc(5) > 0) or 0
otherwise;
n56_Output = GLOBAL MEAN ( $n5_tm_later_gewaesser (3) , IGNORE 0 ) ;
WRITE $n56_Output TO "d:/change/wasser_mean_tm3_later.tbl";
SHOW $n56_Output;
n15_Output = GLOBAL MEAN ( $n5_tm_later_gewaesser (4) , IGNORE 0 ) ;
WRITE $n15_Output TO "d:/change/wasser_mean_tm4_later.tbl";
SHOW $n15_Output;
n12_Output = GLOBAL MEAN ( $n5_tm_later_gewaesser (5) , IGNORE 0 ) ;
WRITE $n12_Output TO "d:/change/wasser_mean_tm5_later.tbl";
SHOW $n12_Output;
n6_tm_before_gewaesser = either $n2_tm_020697cc if ($n2_tm_020697cc(5) <= $n7_Integer and $n2_tm_020697cc(5) > 0) or
0 otherwise;
n58_Output = GLOBAL MEAN ( $n6_tm_before_gewaesser (3) , IGNORE 0 ) ;
WRITE $n58_Output TO "d:/change/wasser_mean_tm3_before.tbl";
SHOW $n58_Output;
n61_Output = $n58_Output - $n56_Output;
WRITE $n61_Output TO "d:/change/wasser_mean_tm3_diff.tbl";
SHOW $n61_Output;
n64_tm3_before = integer (round ($n2_tm_020697cc(3) + ABS ( $n61_Output ) ));
n65_tm3_later = Integer (round (($n1_tm_190799cc(3)+ ABS ($n61_Output)) + $n61_Output));
n16_Output = GLOBAL MEAN ( $n6_tm_before_gewaesser (4) , IGNORE 0 ) ;
WRITE $n16_Output TO "d:/change/wasser_mean_tm4_before.tbl";
SHOW $n16_Output;
n23_Output = $n16_Output - $n15_Output;
WRITE $n23_Output TO "d:/change/wasser_mean_tm4_diff.tbl";
SHOW $n23_Output;
n28_tm4_before = integer (round ($n2_tm_020697cc(4) + ABS ( $n23_Output ) ));
#define n76_memory Float($n28_tm4_before + $n64_tm3_before)
#define n74_memory Float($n28_tm4_before - $n64_tm3_before)
n78_ndvi_before = EITHER 0 IF ( $n76_memory == 0.0 ) OR $n74_memory / $n76_memory OTHERWISE;
n26_tm4_later = Integer (round (($n1_tm_190799cc(4) + ABS ($n23_Output)) + $n23_Output));
#define n70_memory Float($n26_tm4_later + $n65_tm3_later)
#define n68_memory Float($n26_tm4_later - $n65_tm3_later)
n72_ndvi_later = EITHER 0 IF ( $n70_memory == 0.0 ) OR $n68_memory / $n70_memory OTHERWISE;
n11_Output = GLOBAL MEAN ( $n6_tm_before_gewaesser (5) , IGNORE 0 ) ;
WRITE $n11_Output TO "d:/change/wasser_mean_tm5_before.tbl";
SHOW $n11_Output;
n24_Output = $n11_Output - $n12_Output;
WRITE $n24_Output TO "d:/change/wasser_mean_tm5_diff.tbl";
SHOW $n24_Output;
n32_tm5_before = integer (round ($n2_tm_020697cc(5) + ABS ( $n24_Output ) ));
n50_tm4tm5_before = (float ($n28_tm4_before) + 1) / (float ($n32_tm5_before) + 1);
n54_tm4tm5_before_int = round (($n50_tm4tm5_before / 3.5) * 255);
n31_tm5_later = integer (round (($n1_tm_190799cc(5) + ABS ( $n24_Output )) + $n24_Output ));
n49_tm4tm5_later = (float ($n26_tm4_later) + 1) / (float ($n31_tm5_later) + 1);
n53_tm4tm5_later_int = round (($n49_tm4tm5_later / 3.5) * 255);
QUIT;
Anhang
256
· Modell 3: „Multitemporale Kanalzusammenführung“
COMMENT "Generated from graphical model: d:/change/modelle/3_kanalpaarung.gmd";
#.....................................................................................................................................................................................................
# Zusammenführung gleicher Kanäle (Kanalpaarung für nachfolgende Hauptkomponententransformation)
# INPUT:
# n1 - n10: TM3, TM4, TM5, NDVI, Ratio TM4/TM5 (aus Modell 2)
# (radiometrisch angepasste Kanäle und abgeleitete Kanalkombnationen)
# OUTPUT:
# n12, n15, n16, n19, n20: multitemporale Datensätze, jeweils gleiche Kanäle
#.....................................................................................................................................................................................................
SET CELLSIZE MAX;
SET WINDOW INTERSECTION;
SET AOI NONE;
#
# declarations
Integer RASTER n1_tm4_later FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/tm4_later.img";
Integer RASTER n2_tm4_before FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/tm4_before.img";
Integer RASTER n3_tm5_later FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/tm5_later.img";
Integer RASTER n4_tm5_before FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/tm5_before.img";
Integer RASTER n5_tm3_before FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/tm3_before.img";
Integer RASTER n6_tm3_later FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/tm3_later.img";
Float RASTER n7_tm4tm5_later FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/tm4tm5_later.img";
Float RASTER n8_tm4tm5_before FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/tm4tm5_before.img";
Float RASTER n9_ndvi_later FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/ndvi_later.img";
Float RASTER n10_ndvi_before FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/ndvi_before.img";
Integer RASTER n12_tm3_multi FILE DELETE_IF_EXISTING USEALL ATHEMATIC 8 BIT UNSIGNED INTEGER
"d:/change/tm3_multi.img";
Integer RASTER n15_tm4_multi FILE DELETE_IF_EXISTING USEALL ATHEMATIC 8 BIT UNSIGNED INTEGER
"d:/change/tm4_multi.img";
Integer RASTER n16_tm5_multi FILE DELETE_IF_EXISTING USEALL ATHEMATIC 8 BIT UNSIGNED INTEGER
"d:/change/tm5_multi.img";
Float RASTER n19_tm4tm5_multi FILE DELETE_IF_EXISTING USEALL ATHEMATIC FLOAT SINGLE
"d:/change/tm4tm5_multi.img";
Float RASTER n20_ndvi_multi FILE DELETE_IF_EXISTING USEALL ATHEMATIC FLOAT SINGLE
"d:/change/ndvi_multi.img";
#
# function definitions
n19_tm4tm5_multi = STACKLAYERS ( $n8_tm4tm5_before , $n7_tm4tm5_later ) ;
n20_ndvi_multi = STACKLAYERS ( $n10_ndvi_before , $n9_ndvi_later ) ;
n16_tm5_multi = STACKLAYERS ( $n4_tm5_before , $n3_tm5_later ) ;
n15_tm4_multi = STACKLAYERS ( $n2_tm4_before , $n1_tm4_later ) ;
n12_tm3_multi = STACKLAYERS ( $n5_tm3_before , $n6_tm3_later ) ;
QUIT;
· Modell 4 „Hauptkomponententransformation für multitemporale Kanalpaare“
COMMENT "Generated from graphical model: d:/change/4_pca12.gmd";
#.....................................................................................................................................................................................................
# Hauptkomponententransformation von multitemporalen Kanalpaaren, für Waldflächen optimiert
# INPUT:
# n1, n19, n30, n41, n52: multitemporale Kanalkombinationen
n16: Waldmaske (25 m-Rasterung)
# OUTPUT:
# n7, n24, n35, n46, n57: 1. und 2. Hauptkomponente
#.....................................................................................................................................................................................................
SET CELLSIZE MAX;
SET WINDOW UNION;
SET AOI NONE;
#
# declarations
Anhang
257
Integer RASTER n1_tm3_before_later FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/tm3_before_later.img";
Float RASTER n7_pca12_tm3 FILE DELETE_IF_EXISTING USEALL ATHEMATIC FLOAT SINGLE
"d:/change/pca12_tm3.img";
Integer RASTER n16_waldmaske_25 m FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/waldmaske_25 m.img";
Integer RASTER n19_tm4_before_later FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/tm4_before_later.img";
Float RASTER n24_pca12_tm4 FILE DELETE_IF_EXISTING USEALL ATHEMATIC FLOAT SINGLE
"d:/change/pca12_tm4.img";
Integer RASTER n30_tm5_before_later FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/tm5_before_later.img";
Float RASTER n35_pca12_tm5 FILE DELETE_IF_EXISTING USEALL ATHEMATIC FLOAT SINGLE
"d:/change/pca12_tm5.img";
Float RASTER n41_ndvi_before_later FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/ndvi_before_later.img";
Float RASTER n46_pca12_ndvi FILE DELETE_IF_EXISTING USEALL ATHEMATIC FLOAT SINGLE
"d:/change/pca12_ndvi.img";
Float RASTER n52_tm4tm5_before_later FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/tm4tm5_before_later.img";
Float RASTER n57_pca12_tm4tm5 FILE DELETE_IF_EXISTING USEALL ATHEMATIC FLOAT SINGLE
"d:/change/pca12_tm4tm5.img";
#
{
# function definitions
#define n62_memory Float(either 0 if ($n16_waldmaske_25 m == 0) or $n52_tm4tm5_before_later otherwise)
n57_pca12_tm4tm5 = PRINCIPAL COMPONENTS ( $n62_memory , 2 , IGNORE 0 ) ;
#define n51_memory Float(either 0 if ($n16_waldmaske_25 m == 0) or $n41_ndvi_before_later otherwise)
n46_pca12_ndvi = PRINCIPAL COMPONENTS ( $n51_memory , 2 , IGNORE 0 ) ;
#define n40_memory Integer(either 0 if ($n16_waldmaske_25 m == 0) or $n30_tm5_before_later otherwise)
n35_pca12_tm5 = PRINCIPAL COMPONENTS ( $n40_memory , 2 , IGNORE 0 ) ;
#define n29_memory Integer(either 0 if ($n16_waldmaske_25 m == 0) or $n19_tm4_before_later otherwise)
n24_pca12_tm4 = PRINCIPAL COMPONENTS ( $n29_memory , 2 , IGNORE 0 ) ;
#define n18_memory Integer(either 0 if ($n16_waldmaske_25 m == 0) or $n1_tm3_before_later otherwise)
n7_pca12_tm3 = PRINCIPAL COMPONENTS ( $n18_memory , 2 , IGNORE 0 ) ;
}
QUIT;
· Modell 5 „Kategorisierung der 2.Hauptkomponenten“
COMMENT "Generated from graphical model: d:/change/modelle/5_kategorien.gmd";
#.....................................................................................................................................................................................................
# Kategorienbildung „Veränderung" auf Basis der 2.Hauptkomponente mittels Standardabweichung
#
# INPUT:
# n52, n49, n73, n80: 1. und 2. Hauptkomponenten der Kanalpaare (aus Modell 4)
# n65: Waldmaske (Wald == GW1; Rasterung entsprechend der Satellitenbilddaten, hier 25 m)
# OUTPUT (Zwischenergebnisse):
# n*_Output: Standardabweichungen (SD) und arithmetische Mittelwerte
# (für die GW-Histogramme der jeweils 2. Hauptkomponente)
# OUTPUT:
# n51, n61, n75, n82: kategorisierte 2. Hauptkomponenten
# (unverändert - geringe Veränderung - starke Veränderung / sehr starke Veränderung)
# Festlegungen für Kategorienbildung (Grenzen):
# GW 0: Nichtwald
# GW 1: Werte < -2,0-fache SD: sehr starke Veränderung
# GW 2: Werte < -1,5-fache SD: starke Veränderung
# GW 3: Werte < -1,0-fache SD: geringe Veränderung
# GW 21: Werte > +2,0-fache SD: sehr starke Veränderung
# GW 20: Werte > +1,5-fache SD: starke Veränderung
# GW 19: Werte > +1,0-fache SD: geringe Veränderung
# GW 10: (sonstige Werte) unverändert
#.....................................................................................................................................................................................................
SET CELLSIZE MIN;
SET WINDOW UNION;
SET AOI NONE;
#
# declarations
Anhang
258
Float RASTER n49_pca12_tm5 FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/pca12_tm5.img";
Float RASTER n52_pca12_tm3 FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/pca12_tm3.img";
Float RASTER n73_pca12_ndvi FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/pca12_ndvi.img";
Float RASTER n80_pca12_tm4tm5 FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/pca12_tm4tm5.img";
Integer RASTER n85_waldmaske_25 m FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/waldmaske_25 m.img";
Integer RASTER n51_pca_tm5_kat FILE DELETE_IF_EXISTING USEALL THEMATIC BIN DIRECT DEFAULT 8 BIT UN-
SIGNED INTEGER "d:/change/pca_tm5_kat.img";
Integer RASTER n61_pca_tm3_kat FILE DELETE_IF_EXISTING USEALL THEMATIC BIN DIRECT DEFAULT 8 BIT UN-
SIGNED INTEGER "d:/change/pca_tm3_kat.img";
Integer RASTER n75_pca_ndvi_kat FILE DELETE_IF_EXISTING USEALL THEMATIC BIN DIRECT DEFAULT 8 BIT UN-
SIGNED INTEGER "d:/change/pca_ndvi_kat.img";
Integer RASTER n82_pca_tm4tm5_kat FILE DELETE_IF_EXISTING USEALL THEMATIC BIN DIRECT DEFAULT 8 BIT UN-
SIGNED INTEGER "d:/change/pca_tm4tm5_kat.img";
FLOAT TABLE n14_Output;
FLOAT TABLE n50_Output;
FLOAT TABLE n58_Output;
FLOAT TABLE n59_Output;
FLOAT TABLE n71_Output;
FLOAT TABLE n74_Output;
FLOAT TABLE n78_Output;
FLOAT TABLE n81_Output;
#
# Kategorisierung: 2.HK (TM4/TM5)
# (a) Berechnung von Standardabweichung (SD) und Mittelwert
n78_Output = GLOBAL SD ( $n80_pca12_tm4tm5(2) , IGNORE 0 ) ;
SHOW $n78_Output;
n81_Output = GLOBAL MEAN ( $n80_pca12_tm4tm5(2) , IGNORE 0 ) ;
SHOW $n81_Output;
# (b) Regelwerk
n82_pca_tm4tm5_kat = CONDITIONAL {($n85_waldmaske_25 m == 0) 0,
($n80_pca12_tm4tm5(2) < ($n81_Output - 2 * $n78_Output)) 1 , ($n80_pca12_tm4tm5(2) < ($n81_Output - 1.5 * $n78_Output))
2 , ($n80_pca12_tm4tm5(2) < ($n81_Output - 1 * $n78_Output)) 3 , ($n80_pca12_tm4tm5(2) < 1000) 10} ;
# Kategorisierung: 2.HK (ndvi)
# (a) Berechnung von Standardabweichung (SD) und Mittelwert
n71_Output = GLOBAL SD ( $n73_pca12_ndvi(2) , IGNORE 0 ) ;
SHOW $n71_Output;
n74_Output = GLOBAL MEAN ( $n73_pca12_ndvi(2) , IGNORE 0 ) ;
SHOW $n74_Output;
# (b) Regelwerk
n75_pca_ndvi_kat = CONDITIONAL {($n85_waldmaske_25 m == 0) 0,
($n73_pca12_ndvi(2) > ($n74_Output + 2 * $n71_Output)) 21 , ($n73_pca12_ndvi(2) > ($n74_Output + 1.5* $n71_Output)) 20 ,
($n73_pca12_ndvi(2) > ($n74_Output + 1 * $n71_Output)) 19 , ($n73_pca12_ndvi(2) < ($n74_Output - 2 * $n71_Output)) 1 ,
($n73_pca12_ndvi(2) < ($n74_Output - 1.5 * $n71_Output)) 2 , ($n73_pca12_ndvi(2) < ($n74_Output - 1 * $n71_Output)) 3 ,
($n73_pca12_ndvi(2) < 1000) 10} ;
# Kategorisierung: 2.HK (tm3)
# (a) Berechnung von Standardabweichung (SD) und Mittelwert
n58_Output = GLOBAL SD ( $n52_pca12_tm3(2) , IGNORE 0 ) ;
SHOW $n58_Output;
n59_Output = GLOBAL MEAN ( $n52_pca12_tm3(2) , IGNORE 0 ) ;
SHOW $n59_Output;
# (b) Regelwerk
n61_pca_tm3_kat = CONDITIONAL {($n85_waldmaske_25 m == 0) 0,
($n52_pca12_tm3(2) > ($n59_Output + 2 * $n58_Output)) 21 , ($n52_pca12_tm3(2) > ($n59_Output + 1.5* $n58_Output)) 20 ,
($n52_pca12_tm3(2) > ($n59_Output + 1 * $n58_Output)) 19 , ($n52_pca12_tm3(2) < ($n59_Output - 2 * $n58_Output)) 1 ,
($n52_pca12_tm3(2) < ($n59_Output - 1.5 * $n58_Output)) 2 , ($n52_pca12_tm3(2) < ($n59_Output - 1 * $n58_Output)) 3 ,
($n52_pca12_tm3(2) < 1000) 10} ;
# Kategorisierung: 2.HK (tm5)
# (a) Berechnung von Standardabweichung (SD) und Mittelwert
n14_Output = GLOBAL SD ( $n49_pca12_tm5(2) , IGNORE 0 ) ;
SHOW $n14_Output;
n50_Output = GLOBAL MEAN ( $n49_pca12_tm5(2) , IGNORE 0 ) ;
SHOW $n50_Output;
n51_pca_tm5_kat = CONDITIONAL {
($n85_waldmaske_25 m == 0) 0,
Anhang
259
($n49_pca12_tm5(2) > ($n50_Output + 2 * $n14_Output)) 21 , ($n49_pca12_tm5(2) > ($n50_Output + 1.5 * $n14_Output)) 20 ,
($n49_pca12_tm5(2) > ($n50_Output + 1 * $n14_Output)) 19 , ($n49_pca12_tm5(2) < ($n50_Output - 2 * $n14_Output)) 1 ,
($n49_pca12_tm5(2) < ($n50_Output - 1.5 * $n14_Output)) 2 , ($n49_pca12_tm5(2) < ($n50_Output - 1 * $n14_Output)) 3 ,
($n49_pca12_tm5(2) < 1000) 10} ;
QUIT;
· Modell 6: „Regelbasierte Zusammenführung der kategorisierten Hauptkomponenten“
COMMENT "Generated from graphical model: d:/change/modelle/6a_vorselektion_abnahme.gmd";
#.....................................................................................................................................................................................................
# Ableitung von potenziellen Verdachtsflächen auf Basis der kanalspezifischen Kategorisierungen: regelbasierte Verknüpfung
# mittels Konditionalfunktionen
# Veränderungen: i.d.R. (a) Abnahme oder (b) Zunahme des Bestandesschlusses
# (nachfolgend: Programm zur Erfassung von „Abnahme“, hier: Kategorisierung von HK(TM4/TM5) bleibt unberücksichtigt)
#
# INPUT:
# n1 - n4: Kategorisierte Hauptkomponenten (aus Modell 5)
#OUTPUT:
# n7: Verdachtsflächen „Abnahme des Bestandesschlusses“
# Kategorienbildung, die aus den kanalspezifisch unterschiedlichen Erfassungen abgeleitet wird:
# 3: starke Veränderung, sehr sicher
# 2: mitttlere Veränderung, sicher
# 1: geringe Veränderung, unsicher
#.....................................................................................................................................................................................................
SET CELLSIZE MAX;
SET WINDOW INTERSECTION;
SET AOI NONE;
#
# declarations
Integer RASTER n1_pca_tm5_kat FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/pca_tm5_kat.img";
Integer RASTER n2_pca_tm3_kat FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/pca_tm3_kat.img";
Integer RASTER n3_pca_tm3_kat FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/pca_tm3_kat.img";
Integer RASTER n4_pca_ndvi_kat FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/pca_ndvi_kat.img";
Integer RASTER n5_pca_tm4tm5_kat FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/pca_tm4tm5_kat.img";
Integer RASTER n7_change_h FILE DELETE_IF_EXISTING USEALL THEMATIC BIN DIRECT DEFAULT 8 BIT UNSIGNED
INTEGER "d:/change/change_h.img";
#
# function definitions
# Regelwerk
n7_change_h = CONDITIONAL {
($n2_pca_tm3_kat>20 && $n3_pca_tm3_kat>0 && $n1_pca_tm5_kat>0 && $n4_pca_ndvi_kat>0) 3,
($n2_pca_tm3_kat>0 && $n3_pca_tm3_kat>0 && $n1_pca_tm5_kat>20 && $n4_pca_ndvi_kat>0) 3,
($n2_pca_tm3_kat>0 && $n3_pca_tm3_kat>0 && $n1_pca_tm5_kat>0 && $n4_pca_ndvi_kat<2) 3,
($n2_pca_tm3_kat>0 && $n3_pca_tm3_kat>0 && $n1_pca_tm5_kat>0 && $n4_pca_ndvi_kat<2) 3,
($n2_pca_tm3_kat>19 && $n3_pca_tm3_kat>0 && $n1_pca_tm5_kat>19 && $n4_pca_ndvi_kat<3) 3,
($n2_pca_tm3_kat>0 && $n3_pca_tm3_kat>0 && $n1_pca_tm5_kat>0 && $n4_pca_ndvi_kat<3) 2,
($n2_pca_tm3_kat>0 && $n3_pca_tm3_kat>0 && $n1_pca_tm5_kat>0 && $n4_pca_ndvi_kat<3) 2,
($n2_pca_tm3_kat>18 && $n3_pca_tm3_kat>0 && $n1_pca_tm5_kat>18 && $n4_pca_ndvi_kat>0) 2,
($n2_pca_tm3_kat>0 && $n3_pca_tm3_kat>0 && $n1_pca_tm5_kat>0 && $n4_pca_ndvi_kat<4) 2,
($n2_pca_tm3_kat>0 && $n3_pca_tm3_kat>0 && $n1_pca_tm5_kat>18 && $n4_pca_ndvi_kat>0) 1,
($n2_pca_tm3_kat>0 && $n3_pca_tm3_kat>0 && $n1_pca_tm5_kat>18 && $n4_pca_ndvi_kat>0) 1,
($n2_pca_tm3_kat>0 && $n3_pca_tm3_kat>0 && $n1_pca_tm5_kat>0 && $n4_pca_ndvi_kat<4) 0,
($n2_pca_tm3_kat>18 && $n3_pca_tm3_kat>0 && $n1_pca_tm5_kat>0 && $n4_pca_ndvi_kat>0) 0,
($n2_pca_tm3_kat>0 && $n3_pca_tm3_kat>0 && $n1_pca_tm5_kat>0 && $n4_pca_ndvi_kat<1) 0};
QUIT;
Anhang
260
· Modell 7a „, Eliminierung von Fehlern, Filterungen, Endselektion von Verdachtsflächen“
COMMENT "Generated from graphical model: d:/change/modelle/7a_abnahme.gmd";
#.....................................................................................................................................................................................................
# Ableitung, Endselektion von potenziellen Veränderungsflächen: „Abnahme“ des Bestandesschlusses
#
# INPUT:
# n14: Waldmaske, 25 m-Randpufferung (Wald == GW1), ggf. mit Waldwegen (aus Modell 1)
# n7: Verdachtsflächen „Abnahme des Bestandesschlusses“ (aus Modell 6)
# OUTPUT:
# n57: Ergebnis der automatischen Kartierung (hier: „Abnahme des Bestandesschlusses“)
#.....................................................................................................................................................................................................
SET CELLSIZE MAX;
SET WINDOW INTERSECTION;
SET AOI NONE;
#
# declarations
#
Integer RASTER n7_change_h FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/change_h.img";
Integer RASTER n14_waldmaske_5buffer FILE OLD NEAREST NEIGHBOR AOI NONE "d:/change/waldmaske_buffer.img";
Integer RASTER n42_temp;
Integer RASTER n51_clump FILE DELETE_IF_EXISTING USEALL THEMATIC BIN DIRECT DEFAULT 16 BIT UNSIGNED
INTEGER "d:/change/clump.img";
Integer RASTER n55_sieve FILE DELETE_IF_EXISTING USEALL THEMATIC BIN DIRECT DEFAULT 16 BIT UNSIGNED
INTEGER "d:/change/sieve.img";
Integer RASTER n57_abnahme FILE DELETE_IF_EXISTING USEALL THEMATIC BIN DIRECT DEFAULT 8 BIT UNSIGNED
INTEGER "d:/change/abnahme.img";
FLOAT MATRIX n10_Custom_Float;
FLOAT MATRIX n45_Low_Pass;
INTEGER TABLE n53_Output;
#
# load matrix n10_Custom_Float
n10_Custom_Float = MATRIX(3, 3:
1, 1, 1,
1, 0, 1,
1, 1, 1);
# normalize matrix n10_Custom_Float
if (global sum ($n10_Custom_Float) NE 0)
{n10_Custom_Float = $n10_Custom_Float / global sum ($n10_Custom_Float);}
#
# load matrix n45_Low_Pass
n45_Low_Pass = MATRIX(3, 3:
1, 1, 1,
1, 1, 1,
1, 1, 1);
# normalize matrix n45_Low_Pass
if (global sum ($n45_Low_Pass) NE 0)
{n45_Low_Pass = $n45_Low_Pass / global sum ($n45_Low_Pass);}
#
# function definitions
#
# 1. Filterung: Reduzierung von Randeffekten:
#define n8_memory Integer (either 0 if (FOCAL MAX ( $n7_change_h, $n10_Custom_Float ) == 0 OR ($n14_waldmaske_buffer
== 0)) or $n7_change_h otherwise)
# 2. Filterung: Eliminierung von Einzelpixeln:
#define n20_memory Integer(either 0 if (FOCAL MAX ( $n8_memory, $n45_Low_Pass ) == 0 ) or $n8_memory otherwise)
# 3. Filterung: Majority
n42_temp = FOCAL MAJORITY ( $n20_memory , $n45_Low_Pass , APPLY_AT_VALUE { 1, 2, 3} ) ;
# Separierung von „Veränderungs-Pixeln“ , Segmentbildung, Flächenbestimmung pro Segment und
# Eliminierung von Kleinstflächen (<10 Pixel):
#define n47_memory Integer(either 1 if ($n42_temp > 0) or 0 otherwise)
n51_clump = CLUMP ( $n47_memory , 4 ) ;
n53_Output = SIEVETABLE ( 10 , HISTOGRAM ( $n51_clump ) ) ;
Anhang
261
n55_sieve = LOOKUP ( $n51_clump , $n53_Output );
#
# ERGEBNIS:
n57_abnahme = CONDITIONAL {( $n55_sieve > 0) $n42_temp, ($n55_sieve == 0) 0 };
QUIT;
(B) Programm zur automatischen Kantenextraktion
Software: HALCON / HDEVELOP (5.2)
* .....................................................................................................................................................................................................
* +++ Kantenermittlung
* +++ Sub-Pixel-genaue Detektion von Stufenkanten mit Lanser-Kantenoperator
* +++ Verknüpfung der Kantenpunkte mit einem Hysterese-Schwellenwert-artigem Verfahren zu Kanten
* INPUT:
* IRS-1C / PAN (Szenenausschnitt)
* binäre Waldmaske (Wald == 1)
* world-file (.tfw)
* OUTPUT:
* Stufenkanten innerhalb der Waldmaske
* .....................................................................................................................................................................................................
* +++ Einlesen, Festlegung des Bildausschnitts
read_image (pan_sub, 'irs_pan.tif')
read_image (wald_sub, 'wald_01.tif')
read_world_file ('wald_a.tfw', world_sub)
get_image_pointer1 (pan_sub, Pointer_psub, Type1, Width1, Height1)
get_image_pointer1 (wald_sub, Pointer_wsub, Type2, Width2, Height2)
crop_rectangle1 (pan_sub, pan_a, 0, 0, 3000, 4500)
crop_rectangle1 (wald_sub, wald_a, 0, 0, 3000, 4500)
get_image_pointer1 (pan_a, Pointer_p, Type3, Width3, Height3)
get_image_pointer1 (wald_a, Pointer_w, Type4, Width4, Height4)
clear_obj (pan_sub)
clear_obj (wald_sub)
* +++ Waldflächen - Markierung
label_to_region (wald_a, wald_nichtwald)
select_gray (wald_nichtwald, wald_a, nicht_wald, 'max', 'or', 255, 255)
background_seg (nicht_wald, wald)
union1 (wald, wald_union)
clear_obj (wald_nichtwald)
gen_rectangle1 (Rectangle, 1, 1, 5, 5)
minkowski_add1 (wald_union, Rectangle, wald_gebuffert, 1)
reduce_domain (pan_a, wald_gebuffert, pan_sub_waldbuffer)
* stop ()
* +++ Kantenermittlung
* +++ Sub-Pixel-genaue Detektion von Stufenkanten mit Lanser-Kantenoperator
* +++ Verknüpfung der Kantenpunkte mit einem Hysterese-Schwellenwert-artigem Verfahren zu Kanten
edges_sub_pix (pan_sub_waldbuffer, Edges, 'lanser2', 0.5, 1, 8)
* stop ()
* +++ Ausspielung von Kanten
affine_trans_contour_xld (Edges, Kanten, world_sub)
write_contour_xld_arc_info (Kanten, 'Kanten_a.gen')
stop ()
*
Anhang
262
(C) Programm zur Ableitung von Schneisen- (Wege-) Kandidaten (Basis: Kan-
tenextraktion)
Software: Halcon - HDEVELOP (5.2)
Programm „Schneisen-Kandidaten“
* .....................................................................................................................................................................................................
* +++ Ableitung von Schneisen (und Wegen) auf Basis von Stufenkanten
* INPUT:
* IRS-1C / PAN (Szenenausschnitt)
* binäre Waldmaske (Wald == 1)
* world-file (.tfw)
* Kanten (aus Programm „Kanten“)
* OUTPUT:
* Schneisen (Wege)
* .....................................................................................................................................................................................................
* +++ Einlesen, Festlegung des Bildausschnitts
read_image (pan_sub, 'irs_pan.tif')
read_image (wald_sub, 'wald_01.tif')
read_world_file ('wald_a.tfw', world_sub)
get_image_pointer1 (pan_sub, Pointer_psub, Type1, Width1, Height1)
get_image_pointer1 (wald_sub, Pointer_wsub, Type2, Width2, Height2)
crop_rectangle1 (pan_sub, pan_a, 0, 0, 3000, 4500)
crop_rectangle1 (wald_sub, wald_a, 0, 0, 3000, 4500)
get_image_pointer1 (pan_a, Pointer_p, Type3, Width3, Height3)
get_image_pointer1 (wald_a, Pointer_w, Type4, Width4, Height4)
clear_obj (pan_sub)
clear_obj (wald_sub)
* +++ Waldflächen - Markierung
label_to_region (wald_a, wald_nichtwald)
select_gray (wald_nichtwald, wald_a, nicht_wald, 'max', 'or', 255, 255)
background_seg (nicht_wald, wald)
union1 (wald, wald_union)
clear_obj (wald_nichtwald)
gen_rectangle1 (Rectangle, 1, 1, 5, 5)
minkowski_add1 (wald_union, Rectangle, wald_gebuffert, 1)
reduce_domain (pan_a, wald_gebuffert, pan_sub_waldbuffer)
* stop ()
* +++ Kantenermittlung / hier: Importierung der ermittelten Kanten (Programm „Kanten“)
read_contour_xld_arc_info (edge_import, 'Kanten_a.gen')
hom_mat2d_invert (world_sub, world_sub_invert)
affine_trans_contour_xld (edge_import, Edges, world_sub_invert)
* stop ()
* +++ Ermittlung von parallelen Kanten: Hinweise auf Schneisen- und Wegeabschnitte
* +++ „sichere“ Ausgangsbereiche für iterative Ableitung von Kandidaten „Schneisen und Wege“
gen_polygons_xld (Edges, Polygons2, 'ray', 1)
gen_parallels_xld (Polygons2, Parallels, 10, 13, 0.4, 'true')
gen_parallels_xld (Polygons2, Parallels2, 10, 13, 0.2, 'true')
* stop ()
mod_parallels_xld (Parallels2, pan_a, ModParallels, ExtParallels, 0.4, 92, 250, 10)
* stop ()
anzahlmod := |ModParallels|
parallele_kanten_m := []
for i := 1 to anzahlmod by 1
aktuelle_kante_m := ModParallels[i]
get_parallels_xld (aktuelle_kante_m, Row1m, Col1m, Length1m, Phi1m, Row2m, Col2m, Length2m, Phi2m)
gen_contour_polygon_xld (Contourm, Row1m, Col1m)
parallele_kanten_m := [Contourm,parallele_kanten_m]
gen_contour_polygon_xld (Contourm2, Row2m, Col2m)
parallele_kanten_m := [Contourm2,parallele_kanten_m]
endfor
regress_contours_xld (parallele_kanten_m, parallele_kanten_m_r, 'no', 1)
union_straight_contours_xld (parallele_kanten_m_r, parallele_kanten_m_r_u, 2, 0.3, 50, 'noparallel', 'maximum')
Anhang
263
select_contours_xld (parallele_kanten_m_r_u, parallele_kanten_m_r_sel, 'length', 5, 9999999, -0.5, 0.5)
gen_polygons_xld (parallele_kanten_m_r_sel, kanten_m, 'ramer', 1)
anzahlkanten_m := |kanten_m|
kanten_regio_m := []
for i := 1 to anzahlkanten_m by 1
aktuelle_einzelpolygone_m := kanten_m[i]
get_polygon_xld (aktuelle_einzelpolygone_m, Rowkantem, Colkantem, Lengthkantem, Phikantem)
gen_region_polygon (kantenregion_m, Rowkantem, Colkantem)
kanten_regio_m := [kantenregion_m,kanten_regio_m]
endfor
* stop ()
max_parallels_xld (ExtParallels, MaxPolygons)
anzahlpoly := |MaxPolygons|
parallele_einzelpolygone := []
for i := 1 to anzahlpoly by 1
aktuelle_einzelpolygone := MaxPolygons[i]
get_polygon_xld (aktuelle_einzelpolygone, Rowmax, Colmax, Lengthmax, Phimax)
gen_region_polygon (parallele_polygone_einzeln, Rowmax, Colmax)
parallele_einzelpolygone := [parallele_polygone_einzeln,parallele_einzelpolygone]
endfor
* stop ()
*
* ++++ Ableitung von „Schneisen-Kandidaten“ auf Basis von (parallelen) Kanten
split_skeleton_region (parallele_einzelpolygone, split, 4)
select_shape (split, spit_ueber30, 'contlength', 'and', 30, 999999)
expand_region (spit_ueber30, spit_ueber30, spit_ueber30_exp, 1, 'image')
*
* ++++ Verkettung und Vorselektion von Kanten innerhalb von Richtungssektoren
* ++++ 1. Richtungssektor (NW - SE)
set_system ('neighborhood', 8)
select_shape (split, nwse, 'phi', 'and', -1.8, -0.9)
union1 (nwse, nwse_u)
closing_circle (nwse_u, close_cir1, 1)
gen_rectangle2 (Rectangle1, 100, 100, 0.3, 0.5, 1)
closing (close_cir1, Rectangle1, close_rect1)
set_system ('neighborhood', 8)
connection (close_rect1, nwse_ucon)
select_shape (nwse_ucon, nwse_ucon_sel1, 'contlength', 'and', 30, 99999)
union1 (nwse_ucon_sel1, nwse_ucon_sel1_u)
closing_circle (nwse_ucon_sel1_u, nwse_ucon_sel1_uclos, 4.5)
fill_up (nwse_ucon_sel1_uclos, nwse_ucon_sel1_uclosfil)
set_system ('neighborhood', 8)
connection (nwse_ucon_sel1_uclosfil, nwse_ze)
*
gerichtet := []
*
* ++++ 2. Richtungssektor (W - E)
select_shape (split, we, 'phi', 'and', -1, -0.4)
union1 (we, we_u)
closing_circle (we_u, close_cir2, 1.5)
gen_rectangle2 (Rectangle2, 100, 100, 0.8, 0.5, 1.5)
closing (close_cir2, Rectangle2, close_rect2)
set_system ('neighborhood', 8)
connection (close_rect2, we_ucon)
set_system ('neighborhood', 8)
select_shape (we_ucon, we_ucon_sel1, 'contlength', 'and', 30, 99999)
union1 (we_ucon_sel1, we_ucon_sel1_u)
closing_circle (we_ucon_sel1_u, we_ucon_sel1_uclos, 4.5)
fill_up (we_ucon_sel1_uclos, we_ucon_sel1_uclosfil)
set_system ('neighborhood', 8)
connection (we_ucon_sel1_uclosfil, we_ze)
* Zusammenführung der Zwischenergebnisse
gerichtet := [we_ze,nwse_ze]
Anhang
264
* ++++ 3. Richtungssektor (SW - NE)
select_shape (split, swne, 'phi', 'and', -0.5, 0.1)
union1 (swne, swne_u)
closing_circle (swne_u, close_cir3, 1.5)
gen_rectangle2 (Rectangle3, 100, 100, 1.35, 0.5, 1.5)
set_system ('neighborhood', 8)
closing (close_cir3, Rectangle3, close_rect3)
set_system ('neighborhood', 8)
connection (close_rect3, swne_ucon)
select_shape (swne_ucon, swne_ucon_sel1, 'contlength', 'and', 30, 99999)
union1 (swne_ucon_sel1, swne_ucon_sel1_u)
closing_circle (swne_ucon_sel1_u, swne_ucon_sel1_uclos, 4.5)
fill_up (swne_ucon_sel1_uclos, swne_ucon_sel1_uclosfil)
set_system ('neighborhood', 8)
connection (swne_ucon_sel1_uclosfil, swne_ze)
* Zusammenführung der Zwischenergebnisse
gerichtet := [swne_ze,gerichtet]
*
* ++++ 4. Richtungssektor (SE-NW)
select_shape (split, senw, 'phi', 'and', 0, 0.6)
union1 (senw, senw_u)
set_system ('neighborhood', 8)
closing_circle (senw_u, close_cir4, 1.5)
gen_rectangle2 (Rectangle4, 100, 100, -1.3, 0.5, 1.5)
set_system ('neighborhood', 8)
closing (close_cir4, Rectangle4, close_rect4)
set_system ('neighborhood', 8)
connection (close_rect4, senw_ucon)
select_shape (senw_ucon, senw_ucon_sel1, 'contlength', 'and', 30, 99999)
union1 (senw_ucon_sel1, senw_ucon_sel1_u)
closing_circle (senw_ucon_sel1_u, senw_ucon_sel1_uclos, 4.5)
fill_up (senw_ucon_sel1_uclos, senw_ucon_sel1_uclosfil)
set_system ('neighborhood', 8)
connection (senw_ucon_sel1_uclosfil, senw_ze)
* Zusammenführung der Zwischenergebnisse
gerichtet := [senw_ze,gerichtet]
*
* ++++ 5. Richtungssektor (NE - SW)
select_shape (split, nesw, 'phi', 'and', 0.5, 1.1)
union1 (nesw, nesw_u)
set_system ('neighborhood', 8)
closing_circle (nesw_u, close_cir5, 1.5)
gen_rectangle2 (Rectangle5, 100, 100, -0.9, 0.5, 1.5)
set_system ('neighborhood', 8)
closing (close_cir5, Rectangle5, close_rect5)
set_system ('neighborhood', 8)
connection (close_rect5, nesw_ucon)
select_shape (nesw_ucon, nesw_ucon_sel1, 'contlength', 'and', 30, 99999)
union1 (nesw_ucon_sel1, nesw_ucon_sel1_u)
closing_circle (nesw_ucon_sel1_u, nesw_ucon_sel1_uclos, 4.5)
fill_up (nesw_ucon_sel1_uclos, nesw_ucon_sel1_uclosfil)
set_system ('neighborhood', 8)
connection (nesw_ucon_sel1_uclosfil, nesw_ze)
* Zusammenführung der Zwischenergebnisse
gerichtet := [nesw_ze,gerichtet]
*
* ++++ 6. Richtungssektor (N - S)
select_shape (split, ns, 'phi', 'and', 1, 1.8)
union1 (ns, ns_u)
set_system ('neighborhood', 8)
closing_circle (ns_u, close_cir6, 1.5)
gen_rectangle2 (Rectangle6, 100, 100, -0.2, 0.5, 1.5)
closing (close_cir6, Rectangle6, close_rect6)
Anhang
265
set_system ('neighborhood', 8)
connection (close_rect6, ns_ucon)
select_shape (ns_ucon, ns_ucon_sel1, 'contlength', 'and', 30, 99999)
union1 (ns_ucon_sel1, ns_ucon_sel1_u)
closing_circle (ns_ucon_sel1_u, ns_ucon_sel1_uclos, 4.5)
fill_up (ns_ucon_sel1_uclos, ns_ucon_sel1_uclosfil)
set_system ('neighborhood', 8)
connection (ns_ucon_sel1_uclosfil, ns_ze)
*
* Zusammenführung der Zwischenergebnisse
set_system ('neighborhood', 8)
gerichtet := [ns_ze,gerichtet]
* stop ()
*
* +++ Analysen der vorselektierten Kanten (z.T. Regionen) zur Auswahl von Kandidaten
* +++ Kriterien: Fläche, Umfang, Kompaktheit, Anisometrie, Grauwerte (min, max, Mittelwert) und Bedingungen
* +++ (iterative Vorgehensweise)
luecken := [ns_ucon,nesw_ucon]
luecken := [luecken,senw_ucon]
luecken := [luecken,swne_ucon]
luecken := [luecken,we_ucon]
luecken := [luecken,nwse_ucon]
difference (luecken, split, luecken_a)
select_shape (luecken_a, luecken_a_sel1, 'area', 'and', 1, 3)
split_mit_luecken := [split,luecken_a_sel1]
union1 (split_mit_luecken, split_mit_luecken_u)
set_system ('neighborhood', 8)
connection (split_mit_luecken_u, split_mit_luecken_ucon)
* stop ()
*
set_system ('neighborhood', 4)
difference (gerichtet, split_mit_luecken_u, gerichtet_split)
connection (gerichtet_split, gerichtet_split_con)
select_shape (gerichtet_split_con, gerichtet_all_split_sel1, 'area', 'and', 70, 100000)
select_shape (gerichtet_all_split_sel1, gerichtet_all_split_sel2, 'compactness', 'and', 2.1, 99999)
*
set_system ('neighborhood', 8)
* Kandidatenauswahl - ja == akzeptiert, nein == abgelehnt
ja := []
nein := []
select_shape (gerichtet_all_split_sel2, gerichtet_all_split_sel2a1, 'anisometry', 'and', 22, 99999)
ja := [gerichtet_all_split_sel2a1,gerichtet_all_split_sel2a1]
* Eliminierung der akzeptierten und abgelehnten Kanten aus der Kantenschar, die weiter analysiert wird
difference (gerichtet_all_split_sel2, ja, gerichtet_all_split_sel3)
*
set_system ('neighborhood', 8)
select_shape (gerichtet_all_split_sel3, gerichtet_all_split_sel3a1, 'contlength', 'and', 200, 99999)
select_gray (gerichtet_all_split_sel3a1, pan_a, gerichtet_all_split_sel3a2, 'mean', 'and', 98, 255)
difference (gerichtet_all_split_sel3a1, gerichtet_all_split_sel3a2, nein1)
ja := [ja,gerichtet_all_split_sel3a2]
nein := [nein1,nein1]
difference (gerichtet_all_split_sel2, nein, gerichtet_all_split_sel3_n4)
difference (gerichtet_all_split_sel3_n4, ja, gerichtet_all_split_sel4)
*
select_shape (gerichtet_all_split_sel4, gerichtet_all_split_sel4a1, 'area', 'and', 1, 200)
select_shape (gerichtet_all_split_sel4a1, gerichtet_all_split_sel4a2, 'contlength', 'and', 100, 99999)
select_gray (gerichtet_all_split_sel4a2, pan_a, gerichtet_all_split_sel4a3, 'max', 'and', 103, 255)
ja := [ja,gerichtet_all_split_sel4a3]
difference (gerichtet_all_split_sel4, ja, gerichtet_all_split_sel5)
*
select_shape (gerichtet_all_split_sel5, gerichtet_all_split_sel5a1, 'area', 'and', 200, 99999)
select_shape (gerichtet_all_split_sel5a1, gerichtet_all_split_sel5a2, 'contlength', 'and', 150, 100000)
select_shape (gerichtet_all_split_sel5a2, gerichtet_all_split_sel5a3, 'anisometry', 'and', 12, 99999)
Anhang
266
select_gray (gerichtet_all_split_sel5a3, pan_a, gerichtet_all_split_sel5a4, 'mean', 'and', 99, 255)
difference (gerichtet_all_split_sel5a3, gerichtet_all_split_sel5a4, nein2)
ja := [ja,gerichtet_all_split_sel5a4]
nein := [nein,nein2]
difference (gerichtet_all_split_sel4, nein, gerichtet_all_split_sel5_n6)
difference (gerichtet_all_split_sel5_n6, ja, gerichtet_all_split_sel6)
*
select_shape (gerichtet_all_split_sel6, gerichtet_all_split_sel6a1, 'area', 'and', 50, 100)
select_shape (gerichtet_all_split_sel6a1, gerichtet_all_split_sel6a2, 'anisometry', 'and', 5, 99999)
select_gray (gerichtet_all_split_sel6a2, pan_a, gerichtet_all_split_sel6a3, 'mean', 'and', 97, 255)
difference (gerichtet_all_split_sel6a1, gerichtet_all_split_sel6a3, nein3)
nein := [nein,nein3]
ja := [ja,gerichtet_all_split_sel6a3]
difference (gerichtet_all_split_sel6, nein, gerichtet_all_split_sel_n7)
difference (gerichtet_all_split_sel_n7, ja, gerichtet_all_split_sel7)
*
select_gray (gerichtet_all_split_sel7, pan_a, nein4, 'max', 'and', 1, 101)
nein := [nein,nein4]
difference (gerichtet_all_split_sel7, nein, gerichtet_all_split_sel8)
*
select_gray (gerichtet_all_split_sel8, pan_a, gerichtet_all_split_sel8a1, 'min', 'and', 100, 255)
select_shape (gerichtet_all_split_sel8a1, gerichtet_all_split_sel8a2, 'anisometry', 'and', 8, 99999)
difference (gerichtet_all_split_sel8a1, gerichtet_all_split_sel8a2, nein5)
nein := [nein5,nein]
ja := [ja,gerichtet_all_split_sel8a2]
difference (gerichtet_all_split_sel8, ja, gerichtet_all_split_sel9)
*
select_shape (gerichtet_all_split_sel9, gerichtet_all_split_sel9a1, 'area', 'and', 250, 99999)
select_shape (gerichtet_all_split_sel9a1, gerichtet_all_split_sel9a2, 'compactness', 'and', 0, 4)
select_gray (gerichtet_all_split_sel9a2, pan_a, gerichtet_all_split_sel9a3, 'mean', 'and', 103, 255)
select_gray (gerichtet_all_split_sel9a3, pan_a, gerichtet_all_split_sel9a4, 'min', 'and', 0, 96)
select_shape (gerichtet_all_split_sel9a4, gerichtet_all_split_sel9a5, 'contlength', 'and', 120, 99999)
ja := [ja,gerichtet_all_split_sel9a5]
difference (gerichtet_all_split_sel9, ja, gerichtet_all_split_sel10)
*
select_shape (gerichtet_all_split_sel10, gerichtet_all_split_sel10a1, 'contlength', 'and', 80, 99999)
select_shape (gerichtet_all_split_sel10a1, gerichtet_all_split_sel10a2, 'anisometry', 'and', 8, 99999)
select_gray (gerichtet_all_split_sel10a2, pan_a, gerichtet_all_split_sel10a3, 'mean', 'and', 97, 120)
set_system ('neighborhood', 8)
*
* ++++ Zwischenergebnis der als Kandidaten akzeptierten Kanten
ja := [ja,gerichtet_all_split_sel10a3]
difference (gerichtet_all_split_sel10, ja, gerichtet_all_split_sel11)
*
* ++++ abschließende Bearbeitungen und Zusammenführungen, Endselektion
set_system ('neighborhood', 8)
closing_circle (ja, ja_dicht, 1)
schnei_poly := [ja_dicht,parallele_einzelpolygone]
union1 (schnei_poly, schnei_poly_u)
connection (schnei_poly_u, schnei_poly_ucon)
fill_up_shape (schnei_poly_ucon, schnei_poly_ucon_fill, 'area', 1, 50)
closing_circle (schnei_poly_ucon_fill, schnei_poly_ucon_fill_clos, 2.5)
fill_up_shape (schnei_poly_ucon_fill_clos, schnei_poly_fill2, 'area', 1, 150)
difference (schnei_poly_fill2, parallele_einzelpolygone, schnei_poly_fill2_minus_poly)
set_system ('neighborhood', 4)
connection (schnei_poly_fill2_minus_poly, schnei_poly_fill2_minus_poly_con4)
set_system ('neighborhood', 8)
select_shape (schnei_poly_fill2_minus_poly_con4, schnei_poly_con4_unter100, 'area', 'and', 10, 100)
select_gray (schnei_poly_con4_unter100, pan_a, schnei_poly_con4_unter100_gray, 'mean', 'and', 108, 255)
difference (schnei_poly_con4_unter100, schnei_poly_con4_unter100_gray, schnei_poly_con4_unter100_dunkel)
difference (schnei_poly_fill2_minus_poly_con4, schnei_poly_con4_unter100_dunkel, schnei_poly_con4_minus_dunkel)
select_shape (schnei_poly_con4_minus_dunkel, schnei_poy_minus_dunkel_ohneklein, 'area', 'and', 10, 9999999)
closing_circle (schnei_poy_minus_dunkel_ohneklein, schnei_poly_con4_minus_dunkel_clos, 1)
Anhang
267
union1 (schnei_poly_con4_minus_dunkel_clos, schnei_poly_con4_minus_dunkel_clos_u)
complement (schnei_poly_con4_minus_dunkel_clos_u, hintergrund)
* stop ()
union1 (ja_dicht, ja_dicht_u)
expand_region (ja_dicht_u, hintergrund, ja_grow, 'maximal', 'image')
connection (ja_grow, ja_grow_con)
set_system ('neighborhood', 4)
difference (schnei_poly_con4_minus_dunkel_clos_u, ja_grow, zusatz_kandi)
connection (zusatz_kandi, zusatz_kandi_con)
set_system ('neighborhood', 8)
select_gray (zusatz_kandi_con, pan_a, zusatz_kandi_sel1, 'mean', 'and', 107, 255)
select_shape (zusatz_kandi_sel1, zusatz_kandi_sel2, 'circularity', 'and', 0, 0.4)
select_shape (zusatz_kandi_sel2, zusatz_kandi_ok, 'contlength', 'and', 35, 99999)
*
schnei_poly_ergebnis := [ja_grow_con,zusatz_kandi_ok]
schnei_poly_2 := [schnei_poly_ergebnis,parallele_einzelpolygone]
union1 (schnei_poly_2, schnei_poly_2_u)
connection (schnei_poly_2_u, schnei_poly_2_ucon)
closing_circle (schnei_poly_2_ucon, schnei_poly_2_ucon_clos, 3.5)
fill_up_shape (schnei_poly_2_ucon_clos, schnei_poly_2_ucon_closfill, 'area', 1, 1000)
difference (schnei_poly_2_ucon_closfill, schnei_poly_ergebnis, schnei_poly_grow2)
difference (schnei_poly_grow2, schnei_poly_con4_unter100, schnei_pol2_grow2_sel1)
difference (schnei_pol2_grow2_sel1, parallele_einzelpolygone, schnei_pol2_grow2_sel2)
connection (schnei_pol2_grow2_sel2, schnei_pol2_grow2_sel2con)
select_shape (schnei_pol2_grow2_sel2con, schnei_pol2_grow2_sel3, 'area', 'and', 300, 99999)
select_shape (schnei_pol2_grow2_sel3, schnei_pol2_grow2_sel4, 'anisometry', 'and', 5, 99999)
select_gray (schnei_pol2_grow2_sel4, pan_a, schnei_pol2_grow2_sel5, 'mean', 'and', 100, 255)
select_gray (schnei_pol2_grow2_sel5, pan_a, schnei_pol2_grow2_sel6, 'min', 'and', 90, 255)
*
union1 (schnei_poly_ergebnis, schnei_poly_ergebnis1_u)
complement (schnei_poly_ergebnis1_u, hintergrund_ergebnis1)
expand_region (schnei_pol2_grow2_sel6, hintergrund_ergebnis1, schnei_pol2_ergebnis_exp, 'maximal', 'image')
difference (schnei_pol2_grow2_sel6, schnei_pol2_ergebnis_exp, schnei_pol2_ergebnis_nein)
difference (schnei_pol2_grow2_sel6, schnei_pol2_ergebnis_nein, schnei_pol2_grow2_ergebnis_ok)
SCHNEISEN_ergebnis1_2 := [schnei_poly_ergebnis,schnei_pol2_grow2_ergebnis_ok]
union1 (SCHNEISEN_ergebnis1_2, SCHNEISEN_ergebnis1_2_u)
connection (SCHNEISEN_ergebnis1_2_u, SCHNEISEN_ergebnis1_2_ucon)
*
thinning_seq (SCHNEISEN_ergebnis1_2_ucon, RegionThin1, 'f2', 1)
thinning_seq (RegionThin1, KANTEN_ergebnisa, 'f2', 1)
select_shape (KANTEN_ergebnisa, KANTEN_ergebnisb, 'area', 'and', 100, 9999999)
KANTEN_ergebnis := [KANTEN_ergebnisb,zusatz_kandi_ok]
*
* stop ()
* +++ Ergebnis - als Konturen bzw. Linien ausspielen
gen_contour_region_xld (KANTEN_ergebnis, Kanten_conturen, 'border')
smooth_contours_xld (Kanten_conturen, kanten_conturen_smooth, 5)
affine_trans_contour_xld (kanten_conturen_smooth, schneisen_out, world_sub)
write_contour_xld_arc_info (schneisen_out, 'schneisen_a.gen')
* stop ()
* +++ Ergebnisse - als Regionen ausspielen +++
write_region (KANTEN_ergebnis, 'schneisen_regio_a')
stop ()
Anhang
268
Literaturverzeichnis
269
Literaturverzeichnis
ADV - ARBEITSGEMEINSCHAFT DER VERMESSUNGSVERWALTUNGEN DER LÄNDER DER BUNDES-
REPUBLIK DEUTSCHLAND (2002): ATKIS - Amtliches Topographisch-Kartographisches In-
formationssystem. http://atkis.de
ALBERTZ, J. (1999): Methoden der Mustererkennung. In: BAYERISCHE AKADEMIE DER WISSEN-
SCHAFTEN (Hrsg.): Fernerkundung und Ökosystem-Analyse. Rundgespräche der Kom-
mission für Ökologie, Band 17, München, 37-52
ALBERTZ, J. (2001): Einführung in die Fernerkundung - Grundlagen der Interpretation von
Luft- und Satellitenbildern. Wissenschaftliche Buchgesellschaft, 2. Aufl., Darmstadt
ALBERTZ, J.; H. EBNER & G. NEUKUM (1996): The HRSC/WAOSS Camera Experiment on the
Mars96 Mission - A Photogrammetric and Cartographic View of the Project. International
Archives for Photogrammetry and Remote Sensing, Vol. 31, Part 4, 58-63
ALBERTZ, J.; K. GWINNER & H. LEHMANN (2000): The „Topographic Image Map Fossa di
Vulcano 1:5000 - A digital mapping approach based on „High Resolution Stereo Camera-
Airborne“ Imagery. International Archives of Photogrammetry and Remote Sensing,
Vol. 33, Part B4, Amsterdam, 62-69
ARDÖ, J.; N. LAMBERT; V. HENZLIK & B.N. ROCK (1997): Satellite-based Estimations of Coni-
ferous Forest Cover Changes: Krusné Hory, Czech Republic 1972-1989. Ambio, Vol. 26,
No. 3, 158-166
BAKKER, W. (2000): Earth Observation Satellite Launch Table. International Institute for
Aerospace Survey and Earth Sciences (ITC), Enschede.
http://www.itc.nl/~bakker/launch-table.html
BAUMGARTNER, A.; C. STEGER; H. MAYER; W. ECKSTEIN & H. EBNER (1999): Automatische
Straßenextraktion auf Grundlage von verschiedenen Auflösungsstufen, Netzbildung und
Kontext. Photogrammetrie - Fernerkundung - Geoinformation, Heft 1/1999, 5-17
BANKO, G. (1997): Waldoptimierte Korrektur von geländebedingten Beleuchtungsunterschie-
den in Landsat-TM-Daten. In: DOLLINGER, F. & J. STROBL (Hrsg.): Angewandte Geogra-
phische Informationsverarbeitung IX, Beiträge zum GIS-Symposium vom 2.-4. Juli 1997.
Salzburger geographische Materialien, Heft 26, Salzburg, 1-10
BANKO, G.; H. BURGER & W. SCHNEIDER (1998): Forstliche Anwendungsmöglichkeiten hoch-
auflösender Satellitenbilddaten. MISSION-Abschlussbericht, Universität für Bodenkultur,
Wien. http://ivflserver.boku.ac.at/Mission_vgi.html
BIEBERSTEIN, K. & K. KRANZ (1995): Das Forstliche Geographische Informationssystem
Sachsens. In: Geo-Informations-Systeme, Jg. 7, Heft 5, 2-8
BILL, R. & D. FRITSCH (1991): Grundlagen der Geo-Informationssysteme, Band 1. Wichmann
Verlag, Karlsruhe
BLASCHKE, T. (2000): Objektextraktion und regelbasierte Klassifikation von Fernerkundungs-
daten: Neue Möglichkeiten für GIS-Anwender und Planer. In: SCHRENK, M. (Hrsg.):
Computergestützte Raumplanung (CORP 2000) - Beiträge zum 5. Symposium zur Rolle
der Informationstechnologie in der und für die Raumplanung, Band 1. Wien, 153-162
BRAUN, H.; G. SCHULZE & W. REINHARDT (2000): FESA - Forsteinrichtung in Sachsen. AFZ -
Der Wald, 55. Jg., Heft 1, 4-6
Literaturverzeichnis
270
BUCK, A.; R. DE KOK; T. SCHNEIDER & U. AMMER (1999): Integration von Fernerkundungsda-
ten und GIS zur Beobachtung und Inventur von Schutzwäldern in den Bayerischen Al-
pen. In: STROBL, J. & T. BLASCHKE (Hrsg.): Angewandte Geographische Informations-
verarbeitung XI - Beiträge zum AGIT-Symposium Salzburg 1999. Wichmann-Verlag,
Heidelberg, 94-101
BUNDESMINISTERIUM FÜR VERBRAUCHERSCHUTZ, ERNÄHRUNG UND LANDWIRTSCHAFT (2002):
Bundeswaldgesetz.
http://www.verbraucherministerium.de/wald_forst/bundeswaldgesetz/inhalt.htm
Canny, J.F. (1986): A computational Approach to Edge Detection. IEEE Transactions on
Pattern Analysis and Machine Intelligence, PAMI-8(6), 679-698
CHAVEZ, P.S.; ST.C SIDES & J. A. ANDERSON (1991): Comparison of Three Different Methods
to Merge Multiresolution and Multispectral Data: Landsat TM and SPOT Panchromatic.
Photogrammetric Engineering & Remote Sensing, Vol. 57, No. 3, 295-303
COLBY, J.D. (1991): Topographic Normalization in rugged Terrain. Photogrammetric Engi-
neering & Remote Sensing, Vol. 57, No. 5, 531-537
COENRADIE, B. (1992): Waldklassifizierung und Totholzkartierung im Nationalpark Bayeri-
scher Wald unter Verwendung von Landsat-TM- und digitalen Zusatzdaten. DLR-
Forschungsbericht (DLR-FB) 92-10, Oberpfaffenhofen
COENRADIE, B.; K. HOFFMANN; H. KENNEWEG & H. SAGISCHEWSKI (1999a): Nutzung moderner
Satellitendaten in der sächsischen Forstwirtschaft. Forst und Holz, 54. Jg., Nr. 4, 99-102
COENRADIE, B.; K. HOFFMANN; H. KENNEWEG & H. SAGISCHEWSKI (1999b): Forstkarte mit
Satellitenbilddaten. Österreichische Forstzeitung, 110. Jg., Nr. 4, 12-13
COENRADIE, B. (2002): Anwendungsmöglichkeiten im Teilvorhaben Wälder und Forsten. In:
LANDESAMT FÜR UMWELTSCHUTZ SACHSEN-ANHALT (Hrsg.): OFULSA - Operationalisie-
rung von Fernerkundungsdaten für die Umweltverwaltung des Landes Sachsen-Anhalt.
Berichte des Landesamtes für Umweltschutz Sachsen-Anhalt, Heft 37, Halle, 57-68
(sowie: http://www.delphi-imm.de/ofulsa/download/LAU-Heft37.pdf)
COENRADIE, B. & H. KENNEWEG (2002): OFULSA - Operationalisierung von Fernerkundungs-
daten für die Umweltverwaltung des Landes Sachsen-Anhalt - Teilvorhaben Wälder und
Forsten. Endbericht zum Forschungsprojekt, BMBF-Förderkennzeichen 50EE9924, Ber-
lin/Halle (sowie: http://www.delphi-imm.de/ofulsa/download/endbericht_forst.pdf)
COENRADIE, B.; K. HOFFMANN; H. SAGISCHEWSKI; H. KENNEWEG & H. BRAUN (2003): Ab-
schlussbericht zum Forschungsprojekt „Verbessertes Waldzustandsmonitoring mit
MOMS-Priroda Daten“. LANDESFORSTPRÄSIDIUM (Hrsg.), DLR-Förderkennzeichen
50EE9628, ISBN: 3-932967-28-3, Graupa
CEC - COMMISSION OF THE EUROPEAN COMMUNITIES (1991): Anwendungen der Fernerkun-
dung zur Beurteilung des Gesundheitszustandes der Wälder. Walphot, Belgien, Lose-
blattsammlung
DAHM, S.; J. SABOROWSKI & A. AKCA (1995): Kostengünstiges Alternativkonzept für eine Flä-
chenschätzung mit Hilfe von Satellitenaufzeichnungen im Rahmen der Bundeswaldin-
ventur. Geo-Informations-Systeme, 7. Jg., Heft 5, 18-25
DE BETHUNE, S.; F. MULLER & J.P. DONNAY (1998): Fusion of Multispectral and Panchromatic
Images by Local Mean and Variance Matching Filtering Techniques. In: RANCHIN, T. &
L. WALD (ed.): Fusion of Earth Data. Sophia Antipolis/Nice, France, 20-30 january, 31-37
DEES, M. (1996): Regressions- und Kleingebietsschätzung bei forstlichen Großrauminventu-
ren unter Nutzung von Forsteinrichtungs- und Satellitendaten. Mitteilungen der Abteilung
Forstliche Biometrie, 96-1, Universität Freiburg
Literaturverzeichnis
271
DEES, M; D.R. PELZ & B. KOCH (1998): Integrating Satellite Based Forest Mapping with
Landsat TM in a Concept of a Large Scale Forest Information System. Photogram-
metrie - Fernerkundung - Geoinformation, Heft 4/1998, 209-220
DEGGAU, M. (1997): Bodenbedeckungsdaten für Europa - Corine LandCover. Tagungsband:
14. Nutzerseminar des Deutschen Fernerkundungsdatenzentrums, DLR-Mitteilung 97-
05, 35-42
DE KOK, R.; T. SCHNEIDER & U. AMMER (1999): Object-Based classification and applications
in the alpine forest environment. International Archives of Photogrammetry and Remote
Sensing, Vol. 32, Part 7-4-3 W6, Valladolid, Spain, 3-4 June
(sowie: http://www.data-fusion.org/article.php?sid=59)
DEUTSCHER WETTERDIENST (1996, 1997): Monatlicher Witterungsbericht 1996. 44. Jg.,
Offenbach
DEUTSCHER WETTERDIENST (1997, 1998): Monatlicher Witterungsbericht 1997. 45. Jg.,
Offenbach
DEUTSCHER WETTERDIENST (1998, 1999): Monatlicher Witterungsbericht 1998. 46. Jg.,
Offenbach
DEUTSCHER WETTERDIENST (1999, 2000): Monatlicher Witterungsbericht 1999. 47. Jg.,
Offenbach
DLR (1997): Data User Handbook for MOMS on Priroda. Neustrelitz
ECC - EUROPEAN COMMUNITIES-COMMISSION (1992): EUR 12585 - CORINE Land Cover
Project, Technical Guide. Office for Official Publications of the European Communities,
ISBN: 92-826-2578-8, Luxembourg.
(sowie: http://www.destatis.de/stabis/oc_1090/f20/d/arbanle3/arban00.htm)
EHRHARDT, H. (1990): Modellorientierte Entzerrung von TM Rohdaten. DLR Forschungsbe-
richt (DLR-FB) 90-55, Oberpfaffenhofen
EKSTRAND, S. (1993): Assessment of Forest Damage Using Landsat TM, Elevation Models
and Digital Forest Maps. Dissertation, Royal Institute of Technology, Environmental and
Natural Resources Information Systems, Stockholm
EKSTRAND, S. (1996): Landsat TM-Based Forest Damage Assessment: Correction for
Topographic Effects. Photogrammetric Engineering & Remote Sensing, Vol. 62, No. 2,
151-161
EHLERS, M. (2002): Fernerkundung für GIS-Anwender - Sensoren und Methoden zwischen
Anspruch und Wirklichkeit. In: BLASCHKE, T. (Hrsg.): Neue Sensoren - innovative Metho-
den. Wichmann Verlag, Heidelberg, 10-23
FÖRSTER, B. (1989): Untersuchung der Verwendbarkeit von Satellitenbilddaten (Thematic
Mapper) zur Kartierung von Waldschäden. DFVLR-Forschungsbericht (DFVLR-FB) 89-
06, Oberpfaffenhofen
FORSTREUTER, W. (1987): Untersuchungen zum Einsatz von Weltraumluftbildern (Spacelab-
RMK-Aufnahmen) für routinemäßige Großrauminventuren extensiv bewirtschafteter
Wälder. DFVLR-Forschungsbericht (DFVLR-FB) 87-22, Oberpfaffenhofen
FRANZEN, M.; G. KOHLHOFER; J. JANSA & A. SINDHUBER (1998): Ergänzung und Fortfüh-
rung des Digitalen Landschaftsmodelles des BEV mit Fernerkundung. Österreichische
Zeitschrift für Vermessung und Geoinformation (VGI), 86. Jg., H. 3, 161-166
FORSTLICHE LANDESANSTALT SACHSEN-ANHALT - FLA (1998): Erläuterungsbericht zur Wald-
biotopkartierung im Forstamt Nedlitz. Gernrode-Haferfeld
Literaturverzeichnis
272
FRITZ, R. (1999): Digitale Forstkartenerstellung und Feldgrenzendelinierung mit Hilfe hoch-
auflösender Satellitensysteme - zwei Anwendungsbeispiele aus der Forst- und Landwirt-
schaft. Dissertation, Universität Freiburg.
GARGUET-DUPORT, B.; J. GIREL; J.M. CHASSERY & G. PAUTOU (1996): The use of multire-
solution analysis and wavelets transform for merging SPOT panchromatic and multi-
spectral image data. Photogrammetric Engineering and Remote Sensing, Vol. 62, No. 9,
1057-1066
GROSS, C.-P. (1993): Regionale Waldinventur zur Erfassung des Waldzustandes mit klein-
maßstäbigen Color-Infrarot-Luftbildern. Dissertation, Universität Freiburg
GU, D. & A. GILLESPIE (1998): Topographic Normalization of Landsat TM Images of Forest
Based on Subpixel Sun-Canopy-Sensor Geometry. Remote Sensing of Environment,
Vol. 64, No. 2, 166-175
HABERÄCKER, P. (1991): Digitale Bildverarbeitung: Grundlagen und Anwendungen. 4. Aufl.,
Carl Hanser Studienbücher, München/Wien
HABERÄCKER, P.; W. KIRCHHOF; E. KRAUTH; G. KRITIKOS; R. WINTER; M. SCHRAMM & H.
SOSNOWSKI (1979): Auswertung von Satellitenaufnahmen zur Gewinnung von Flächen-
nutzungsdaten. Schriftenreihe „Raumordnung“ des Bundesministers für Raumordung,
Bauwesen und Städtebau, 06.039, Bad Godesberg
HALADA, W.A. & S. COX (1983): Image sharpening for mixed spatial and spectral resolution
satellite systems. Proc. of the 17th International Symposium on Remote Sensing of Envi-
ronment, 9. - 13. May, 1023-1032
HARALIK, R. M. (1986): Statistical Image Texture Analysis. In: YOUNG, T.Y. & K.S. FU (ed.):
Handbook of Pattern Recognition and Image Processing. Academic Press, New York,
247-279
HÄUSLER, T. (1991): Waldschadenskartierung in Fichtenrevieren durch Auswertung von Sa-
tellitenaufnahmen und raumbezogenen Zusatzdaten. Dissertation, Universität Freiburg
HASSENPFLUG, W.; W. FINK; G. HOFFELNER; D. GABRIEL; J. BÖMELBURG & B. SCHULZ (1987):
Landnutzungskartierung nach Satellitendaten - Methodenstudie am Beispiel des Blattes
Neumünster der Topographischen Übersichtskarte 1:200.000. ALR-Beiträge, Bd. 92,
Hannover
HAYDN, R.; G.W. DALKE & J. HENKEL (1982): Application of the IHS color transform to the
processing of multisensor data and image enhancement. Proc. of the International Sym-
posium Remote Sensing of Arid and Semiarid Lands, Cairo, 599-616
HEIDINGSFELD, N. (1989): Verfahren zur luftbildgestützten Intensiv-Waldschadenserhebung in
Rheinland-Pfalz. Mitteilungen aus der Forstlichen Versuchsanstalt Rheinland-Pfalz,
Nr. 10, Trippstadt
HEIDINGSFELD, N. (1993): Neue Konzepte zum Luftbildeinsatz für großräumig permanente
Waldzustandserhebungen und zur bestandesbezogenen Kartierung flächenhafter Wald-
schäden. Mitteilungen aus der Forstlichen Versuchsanstalt Rheinland-Pfalz, Nr. 23,
Trippstadt
HERRMANN, K. (1989): Signaturanalysen und Klassifizierungsergebnisse an Kiefer unter-
schiedlicher Vitalität unter Verwendung multispektraler Flugzeug-Scannerdaten. DFVLR-
Forschungsbericht (DFVLR-FB) 89-07, Oberpfaffenhofen
HESE, S.; A. HOFFMANN & F. LEHMANN (2000): Vergleich digitaler Waldoberflächenmodelle
der HRSC-A (High Resolution Stereo Camera - Airborne) mit Laserscanner Daten zur
Bestimmung von bestandesspezifiischen Parametern. In: ALBERTZ, J. (Hrsg.): Pho-
togrammetrie und Fernerkundung - Neue Sensoren, neue Anwendungen. Vorträge der
Literaturverzeichnis
273
19. Wissenschaftlich-Technischen Jahrestagung der DGPF, Essen 1999. Publikationen
der DGPF, Bd. 8.
HILDEBRANDT, G. (1993): Die Entwicklung der Fernerkundung in der Forstwirtschaft. In:
ZIHLAVNIK, S. & L. SCHEER (Hrsg.): Application of Remote Sensing in Forestry. Zvolen
Sept. 22. - 24., 1993, Proceedings, 1-15
HILDEBRANDT, G. (1994): Vorwort zur Tagung. In: PRÖBSTING, T. (Hrsg.): Photogrammetrie
und Forst - Stand der Forschung und Anwendungen in der Praxis. Tagungsband, Uni-
versität Freiburg
HILDEBRANDT, G. (1996): Fernerkundung und Luftbildmessung: für Forstwirtschaft, Vegetati-
onskartierung und Landschaftsökologie. Wichmann-Verlag, 1. Aufl., Heidelberg
HILDEBRANDT, G. & H. KENNEWEG, H. (1968): Einige Anwendungsmöglichkeiten der Falsch-
farbenphotographie im forstlichen Luftbildwesen. Allg. Forst- und Jagdzeitung, 139,
205-213
HILF, H.H. (1923): Die Bedeutung des Luftbildes für die Forstwissenschaft. Silva (1923),
393-395
HILL, J.; C. DIEMER; O. STÖVER & TH. UDELHOVEN (1999): A Local Correlation Approach for
the fusion of Remote Sensing Data with different spatial resolution in forestry Appliclati-
ons. International Archives of Photogrammetry and Remote Sensing, Vol. 32, Part 7-4-3
W6, Valladolid, Spain, 1999 (sowie: http://www.data-fusion.org/article.php?sid=58)
HILL, J.; H.G. PEERENBOOM; O. STÖVER; C. ATZBERGER; M. VOHLAND; C. DIEMER; A. BLÜMEL;
H. EGIDI & F. ENGELS (2000): Die Nutzung von MOMS-2P-Daten zur Waldzustandserfas-
sung und Aktualisierung von Forsteinrichtungsdaten in Rheinland-Pfalz. Abschlussbe-
richt, Universität Trier
HOFFMANN, A.; G. SMITH; S. HESE & F. LEHMANN (2000): Die Klassifizierung hochauflösender
Daten: Ein per-parcel-Ansatz mit Daten des digitalen Kamerasystems HRSC-A. In:
ALBERTZ, J. (Hrsg.): Photogrammetrie und Fernerkundung - Neue Sensoren, neue An-
wendungen. Vorträge der 19. Wissenschaftlich-Technischen Jahrestagung der DGPF,
Essen 1999. Publikationen der DGPF, Bd. 8
HOFFMANN, A. & F. LEHMANN (2000): Vom Mars zur Erde - die erste digitale Orthobildkarte
Berlin mit Daten der Kamera HRSC-A. Kartographische Nachrichten, 50. Jg., Heft 2,
61-71
HOFMANN, K. (1992): Methodische Untersuchungen zur digitalen Luftbild- und Satellitenbild-
auswertung von Waldschäden in Fichtenbeständen. Dissertation, Universität Potsdam
HUGERSHOFF, R. (1911): Die Photogrammetrie und ihre Bedeutung für das Forstwesen. Tha-
randter Forstliches Jahrbuch 62, 123-132
HUGERSHOFF, R. (1933): Die photogrammetrische Vorratsermittlung. Tharandter Forstliches
Jahrbuch 84, 159-166
JANOTH, J. & M. EISL (1998): Umweltmonitoring im Alpinen Raum mit hochauflösenden Sa-
tellitendaten. Österreichische Zeitschrift für Vermessung und Geoinformation (VGI),
86. Jg., Heft 3, 166-171
JANOTH, J.; M. EISL; F. KLAUSHOFER & W. LUCKERL (2002): Segmentbasierte Verfahren zur
Veränderungsanalyse und Waldklassifizierung. In: BLASCHKE, T. (Hrsg.): Fernerkundung
und GIS: Neue Sensoren - innovative Methoden. Wichmann Verlag, Heidelberg, 98-107
JOANNEUM RESEARCH FORSCHUNGSGESELLSCHAFT (1998): Field Guide - Remote Sensing
Software Package Graz (RSG), Version 1.1, Graz
Literaturverzeichnis
274
JUNGGEBURTH, F. (2003): Beitrag der Satellitenfernerkundung zur Erfassung von Waldstruk-
turen. unveröfftl. Diplomarbeit, Technische Universität Berlin
JÜRGENS, C. (1998): Satellitenfernerkundung - Ein Überblick über derzeitige und zukünftige
Aufnahmesysteme. Geoökodynamik, Band 19, Heft 1/2, 119-137
JUSTICE, C.O; S.W. WHARTON & B.N. HOLBEN (1981): Application of digital terrain data to
quantify and reduce the topographic effect on Landsat data. International Journal of Re-
mote Sensing, Vol. 2, No. 3, 213-230
KADRO, A. (1973): Die Auswertung von IR-Farbluftbildern für eine Inventur des Vitalitätszu-
standes der städtischen Straßenbäume in Freiburg i. Breisgau. Diplomarbeit, Universität
Freiburg
KADRO, A. (1990): Forest damage inventory using Landsat imagery by means of computer-
aided classification. International Archives of Photogrammetry and Remote Sensing.
Vol.18, Part 7-1, 425-432
KAHABKA, H.; G. RAMMINGER; N. SAIDANI; M. DEES & B. KOCH (2001): Schadenserfassung
nach Orkan "Lothar" mit Methoden der Fernerkundung. AFZ - Der Wald, 56. Jg., Heft 25,
1331-1334
KALYANARAMAN, R. K.; R.K. RAJANGAM & R. RATTAN (1995): Indian remote sensing space-
craft - 1C/1D. International Journal of Remote Sensing, Vol. 16, No. 5, 791-799.
KATTENBORN, G. (1991): Atmosphärenkorrektur von multispektralen Satellitendaten für forst-
liche Anwendungen. Dissertation, Universität Freiburg
KATZSCHNER, W.; R. GEMBALLA & F. LEUBE (2000): Standortsverhältnisse in Sachsen. AFZ -
Der Wald, 55. Jg., Heft 1, 11-13
KEIL, M.; J. JANOTH; I. ROTH; M. SCHARDT; A. SCHUREK & R. WINTER (1987): Waldkartierung
mit Satellitendaten in Bayern. In: DEUTSCHE FORSCHUNGS- UND VERSUCHSANSTALT FÜR
LUFT- UND RAUMFAHRT - DFVLR (Hrsg.): 2. DFVLR Statusseminar „Untersuchung und
Kartierung von Waldschäden mit Methoden der Fernerkundung“. Tagungsband, Ober-
pfaffenhofen, 117-137
KEIL, M.; M. SCHARDT; A. SCHUREK & R. WINTER (1989): Waldkartierung mit Satellitendaten
in Bayern. In: LANDAUER, G. & H.H. VOSS (Hrsg.): Untersuchung und Kartierung von
Waldschäden mit Methoden der Fernerkundung. DLR-Abschlussdokumentation, Teil A,
Oberpfaffenhofen, 194-212
KEIL, M.; M. SCHARDT; A. SCHUREK & R. WINTER (1990): Auswertung von Satellitendaten. In:
KEIL, M. & H.H. VOSS (Hrsg.): Untersuchung und Kartierung von Waldschäden mit Me-
thoden der Fernerkundung. DLR-Abschlußdokumentation, Teil B7, Oberpfaffenhofen,
71-131
KENNEWEG, H. (1972): Die Verwendung von Farb- und Infrarot-Farbluftbildern für Zwecke der
forstlichen Photointerpretation unter besonderer Berücksichtigung der Erkennung und
Abgrenzung von Kronenschäden in Fichtenbeständen. Dissertation, Universität Freiburg
KENNEWEG, H. (2001): Essentiell oder marginal? Mögliche Beiträge der Fernerkundung zu
Inventuren, Planung, Modellierung und Monitoring im Naturschutz. In: BUNDESAMT FÜR
NATURSCHUTZ (Hrsg.), bearb. von C. GLÄßER: Naturschutz und Fernerkundung - Referate
der gleichnamigen Tagung des Arbeitskreises „Interpretation von Fernerkundungsdaten“
der DGPF und des Bundesamtes für Naturschutz, 11.-12. Mai 2000, INA, Insel Vilm.
BfN-Skripten 42, Bad Godesberg, 11-23
KENNEWEG, H; M. SCHARDT & H. SAGISCHEWSKI (1993): Large Area Operational Experiment
for Forest Damage Monitoring in Europe using Satellite Remote Sensing. Proceedings of
Literaturverzeichnis
275
the International Symposium "Operationalization of Remote Sensing", April 19-23, 1993,
Enschede
KENNEWEG, H.; M. SCHARDT & H. SAGISCHEWSKI (1996): Beobachtungen von Waldschäden
im Gesamtharz mit Methoden der Fernerkundung. ISBN 3-00-001176-5, Berlin
KENNEWEG, H.; S. LEHNERT; F. MICHAEL; R. SCHÖNFELD & C. WERNER (2000): MOMSIS -
Biotoptypenüberwachung mit Satellitenfernerkundung. Arbeitsmaterialien zur Land-
schaftsplanung 18, ISBN 3-935092-17-2, Berlin
KONECNY, G. (1995): Satelliten-Fernerkundung und Kartographie. Geo-Informations-
Systeme, Jg. 8, Heft 2, 3-12
KOPP, D. & W. SCHWANECKE (1994): Standörtlich-naturräumliche Grundlagen ökologiege-
rechter Forstwirtschaft. Deutscher Landwirtschaftsverlag Berlin GmbH, Berlin
KRAMER, H. J. (1996): Earth Observation Remote Sensing - Survey of Missions and Sensors.
Springer Verlag, 3. Aufl., Berlin/London/NewYork
KRANZ, K. (1998): Aufbau des FGIS von Sachsen. AFZ - Der Wald, 53. Jg., Heft 20,
1240-1242
KRANZ, K. (2000): Aufbau und Herstellung des Forstkartenwerkes in Sachsen. AFZ - Der
Wald, 55. Jg., Heft 1, 14-17
KUNTZ, S. (1991): Anwendung von Satellitendaten zur Erfassung und Kartierung von Sturm-
schäden. In: OESTEN, G.; S. KUNTZ & C.P. GROSS (Hrsg.): Fernerkundung in der Forst-
wirtschaft. Wichmann Verlag, Karlsruhe, 124-134
KUNTZ, S & C. ZIMMERMANN (1993): Erfassung von Sturmschäden im nördlichen Schwarz-
wald mit Satellitenbilddaten. Allgemeine Forst- und Jagdzeitung, 164, Jg. 1993, Heft 8,
150-155
KUNTZ, S. & U. EBEL (2001): Regionale Kartierung von Sturmschäden in Mitteleuropa. Pho-
togrammetrie - Fernerkundung - Geoinformation, Heft 4/2001, 245-252
LANDAUER, G. & H.H. VOSS (Hrsg.) (1989): Untersuchung und Kartierung von Waldschäden
mit Methoden der Fernerkundung. DLR-Abschlußdokumentation, Teil A, Oberpfaffenho-
fen
LANDESAMT FÜR UMWELTSCHUTZ SACHSEN-ANHALT - LAU (Hrsg.) (2002): OFULSA - Operati-
onalisierung von Fernerkundungsdaten für die Umweltverwaltung des Landes Sachsen-
Anhalt. Berichte des Landesamtes für Umweltschutz Sachsen-Anhalt, Heft 37, Halle
(sowie: http://www.delphi-imm.de/ofulsa/download/LAU-Heft37.pdf)
LANSER, S. & W. ECKSTEIN (1991): Eine Modifikation des Deriche-Verfahrens zur Kantende-
tektion. Informatik Fachberichte 290, München, 151-158
LEPRIEUR, C.E.; J.M. DURANCH & J.L. PEYRON (1988): Influence of Topography on Forest
Reflectance using Landsat Thematic Mapper and Digital Terrain Data. Photogrammetric
Engineering & Remote Sensing, Vol. 54, No. 4, 491-496
LESER, C. (2002): Operationelle Biotoptypenkartierung mit HRSC-Daten - Probleme und
Lösnungsansätze. In: BLASCHKE, T. (Hrsg.): Fernerkundung und GIS - Neue Sensoren -
innovative Methoden. Wichmann Verlag, Heidelberg, 88-97
LOHR, C. & G. SEIGER (2000): Das Sächsische Forsteinrichtungssystem FESA. AFZ - Der
Wald, 55. Jg., Heft 1, 7-9
MASUMY, S.A. (1984): Interpretationsschlüssel und ihre Bedeutung bei der Durchführung der
Waldschadensinventur mittels Infrarot-Farbluftbildern. Mitteilungen der Forstlichen Ver-
suchs- und Forschungsanstalt Baden-Württemberg, Nr. 111, 63-68
Literaturverzeichnis
276
MASUMY, S.A. (1988): Die Entwicklung der Mortalität in den Wäldern im Raum Bucholtwel-
men zwischen 1974 und 1987. 12. Gutachten, Müllheim, Baden
MEINEL, G. & J. HENNERSDORF (2002): Erhebungsmethoden, Programme und Nomenklatu-
ren der Flächenbedeckung und Flächennutzung. Photogrammetrie - Fernerkundung -
Geoinformation, Heft 4/2002, 271-286.
MACHINE VISION TECHNOLOGIES - MVTEC (2000): HALCON Reference Manual, Version 6.0.
http://www.mvtec.com/download/documentation/reference/hdevelop
NEUKUM, G. & F. LEHMANN (1998): HRSC-A: Eine hochauflösende, multispektrale CCD-
Stereo-Kamera. In: LIST, F. K. (Hrsg.): Photogrammetrie im Wandel - Lehre, Forschung,
Ausbildung. Vorträge der 17. Wissenschaftlich-Technischen Jahrestagung der DGPF,
Frankfurt/M, 1997. Publikationen der DGPF, Bd. 6, 203-209.
NIEKE, J.; H. SCHWARZER; A. NEUMANN & G. ZIMMERMANN (1997): Imaging Spaceborne and
Airborne Sensor Systems in the Beginning of the Next Century. http://www.ba.dlr.de/NE-
WS/ws5/sensor/sensors.html (aktualisierte Version)
MINISTERIUM FÜR LANDWIRTSCHAFT UND UMWELT DES LANDES SACHSEN-ANHALT (Hrsg.)
(2001): Waldbericht.
http://www.mrlu.sachsen-anhalt.de/fla/public/Waldbericht/Waldbericht2
OLSSON, H. (1995): Reflectance calibration of thematic mapper data for forest change detec-
tion. International Journal of Remote Sensing, Vol. 16, No. 1, 81-96
ORTHABER, H.J. (1999): Bilddatenorientierte atmosphärische Korrektur und Auswertung von
Satellitenbildern zur Kartierung vegetationsdominierter Gebiete. Dissertation,
TU Dresden
PALUBINSKAS, G.; M. KEIL & R. WINTER (1994): Fuzzy classification of a Bavarian forest area
using Landsat TM data. Geo-Informations-Systeme, Jg. 7, Heft 3, 15-24
PEERENBOOM, H.G. (1975): Erfahrungen bei der Einführung forstlicher Orthophotokarten aus
Sicht der Forstdirektion Koblenz. Allgemeine Forstzeitschrift, 25, 14-18
PELLEMANS, A.H. ; R.W.L. JORDANS & R. ALLEWIJN (1993): Merging Multispectral and Panch-
romatic SPOT Images with Respect to the Radiometric Properties of the Sensor. In:
Photogrammetric Engineering & Remote Sensing, Vol. 59, No. 1, 81-87
PETERSON, J. & U. LANGNER (1992): Katalog der Biotoptypen und Nutzungstypen für die CIR-
luftbildgestützte Biotoptypen- und Nutzungstypenkartierung im Land Sachsen-Anhalt.
Berichte des Landesamtes für Umweltschutz Sachsen-Anhalt, Heft 4, Halle
POHL, C. & J.L. VAN GENDEREN (1998): Multisensor image fusion in remote sensing: Con-
cepts, methods and applications. International Journal of Remote Sensing, Vol. 19,
No. 5, 823-854
PROSMART (1997): Product development for Systematic Market Development Approach for
Remote Sensing Technologies (Gemeinschaftsprojekt deutscher Geoinformationsan-
bieter unter Federführung der Firma Dornier Satellitensysteme GmbH).
http://www.infoterra-global.com/Prosmart1/homepage.htm
QUIEL, F. (1986): Landnutzungskartierung mit Landsat-Daten. Fernerkundung in Raumord-
nung und Städtebau, Heft 17, Bad Godesberg
RAGGAM, H; A. ALMER; D. STROBL & M.F. BUCHROITHNER (1991): RSG - Workstation Soft-
ware for Geometric Multisensor Data Processing. In: EBNER, H.; D. FRITSCH & C. HEIPKE
(Hrsg.): Digital Photogrammetric Systems - Proceedings, München, 184-191
RAGGAM, H.; M. SCHARDT & H. GALLAUN (1999): Geocoding and Coregistration of Multisen-
sor and Multitemporal Remote Sensing Data. International Archives of Photogrammetry
Literaturverzeichnis
277
and Remote Sensing, Vol. 32, Part 7-4-3 W6, Valladolid, Spain, 1999
(sowie: http://www.data-fusion.org/article.php?sid=36)
REUTHER, M.; T. HÄUSLER; E. AKGÖZ; K. HOFFMANN & R. STÄTTER (1996): Waldzustandser-
fassung im Fichtelgebirge und Erzgebirge mit Hilfe der Fernerkundung. Schriftenreihe
der Forstwissenschaftlichen Fakultät der Universität München und der Bayerischen Lan-
desanstalt für Wald und Forstwirtschaft, Heft 160
RHODE, H. (1977): Untersuchungen zur Erkennung von Vitalitätsunterschieden an Kiefern
durch digitale Auswertung von Infrarot-Farbluftbildern. Dissertation, Universität Freiburg.
RICHARDS, J.A. & X. JIA (1999): Remote Sensing Digital Image Analysis - An Introduction.
Springer-Verlag, 3rd Edition, Berlin/Heidelberg
RICHTER, R. (1996): A spatially adaptive fast atmospheric correction algorithm. International
Journal of Remote Sensing, Vol. 17, 1201-1214
RICHTER, R. (1998): Correction of satellite imagery over mountainous terrain. Applied Optics,
Vol. 37, No. 18, 4004-4015
RUNKEL, M. (1990): Möglichkeiten der Datengewinnung über die Waldstruktur eines Bun-
deslandes aufgrund von Luftbildstichproben im Zusammenhang mit der Waldschadens-
erfassung. Dissertation, Technische Universität Berlin
SANDAU, R. & A. ECKARDT (1996): The Stereo Camera Family WAOSS/WAAC for Spacebor-
ne / Airborne Applications. International Archives of Photogrammetry and Remote Sen-
sing, Vol. 31, Part B1, Vienna, 170-175
SÄCHSISCHE STAATSKANZLEI (Hrsg.) (1996): Verwaltungsvorschrift über die Berücksichtigung
des Verwaltungsaufwandes bei der Festlegung der Verwaltungsgebühren sowie Benut-
zungsgebühren und Entgelten für die Inanspruchnahme der Landesverwaltung (VwV
Kostenfestlegung). Sächsisches Amtsblatt, 18.01.1996, Dresden
SÄCHSISCHE LANDESANSTALT FÜR FORSTEN - LAF (Hrsg.) (1994): Forsteinrichtungswerk Lan-
deswald des Forstamtes Falkenberg. Stichtag: 1.1.1994, Graupa
SÄCHSISCHE LANDESANSTALT FÜR FORSTEN - LAF (Hrsg.) (1996): Forstliche Wuchsgebiete
und Wuchsbezirke im Freistaat Sachsen. Heft 8, Graupa
SÄCHSISCHE LANDESANSTALT FÜR FORSTEN - LAF (Hrsg.) (1997): Forsteinrichtungswerk Lan-
deswald des Forstamtes Doberschütz. Stichtag: 1.1.1997, Graupa
SÄCHSISCHES STAATSMINISTERIUM FÜR LANDWIRTSCHAFT, ERNÄHRUNG UND FORSTEN - SML
(Hrsg.) (1995): Arbeitsanweisung zur bestandesweisen Zustandserfassung und Planung
(Waldaufnahmebeleg). Dresden
SÄCHSISCHES STAATSMINISTERIUM FÜR LANDWIRTSCHAFT, ERNÄHRUNG UND FORSTEN - SML
(Hrsg.) (1996): Waldschadensbericht 1996. Dresden
SÄCHSISCHES STAATSMINISTERIUM FÜR LANDWIRTSCHAFT, ERNÄHRUNG UND FORSTEN - SML
(Hrsg.) (1997): Waldschadensbericht 1997. Dresden
SÄCHSISCHES STAATSMINISTERIUM FÜR UMWELT UND LANDWIRTSCHAFT - SMUL (Hrsg.)
(1998a): Forstbericht der Sächsischen Staatsregierung, Berichtzeitraum: 1.1.93 -
31.12.97. Dresden
SÄCHSISCHES STAATSMINISTERIUM FÜR UMWELT UND LANDWIRTSCHAFT - SMUL (Hrsg.)
(1998b): Waldschadensbericht 1998. Dresden
SCHARDT, M. (1990): Verwendbarkeit von Thematic Mapper-Daten zur Klassifizierung von
Baumarten und natürlichen Altersklassen. DLR-Forschungsbericht (DLR-FB) 90-44,
Oberpfaffenhofen
Literaturverzeichnis
278
SCHARDT, M., U. SCHMITT & M. FRANZEN (1998): Einsatz von hochauflösenden Satellitenbild-
daten zum Aufbau und zur Aktualisierung des Digitalen Landschaftsmodells von Öster-
reich - Objektklasse Wald. In: STROBL, J. & F. DOLLINGER (Hrsg.): Angewandte Geogra-
phische Informationsverarbeitung X - Beiträge zum AGIT-Symposium Salzburg, 1.-3. Juli
1998. Wichmann Verlag, Heidelberg
(sowie: http://www.agit.at/papers/1998/mschardt.pdf)
SCHARDT, M.; H. GALLAUN & K. GRANICA (2000): Fernerkundungsgestützte Methoden zum
Waldmonitoring in den Alpen. In: GRUEHN, D.; A. HERBERG & C. ROESRATH (Hrsg.): Na-
turschutz und Landschaftsplanung - Moderne Technologien, Methoden und Verfahrens-
weisen. Festschrift zum 60. Geburtstag von Prof. Dr. Hartmut Kenneweg, Mensch &
Buch Verlag, Berlin, 191-201
SCHÖPFER, W. & J. HRADETZKY (1984): Waldschadensinventur Baden-Württemberg 1983 mit
Infrarot-Farbluftbildern. Mitteilungen der Forstlichen Versuchs- und Forschungsanstalt
Baden-Württemberg, Heft 111, Freiburg
SCHWANEKE, W. & D. KOPP (1994): Forstliche Wuchsgebiete und Wuchsbezirke des Landes
Sachsen-Anhalt. Gernrode/Haferfeld.
SEIGE, P. & D. MEISSNER (1993): MOMS-02: An advanced high resolution multispectral Ste-
reo Scanner for Earth observation. Geo-Informations-Systeme, Jg. 6, Heft 1, 4-11
SHETTIGARA, V. K. (1992): A generalised component substitution technique for spatial en-
hancement of multispectral images using a higher resolution data set. Photogrammetric
Engineering & Remote Sensing, Vol. 58, No. 5, 561-567
STEINNOCHER, K. (1997): Application of adaptive filters for multisensoral image fusion. In:
Proc. IEEE Symp. Geoscience and Remote Sensing (IGARSS ´97), Singapore, August
1997, 77-81.
STIBIG, H.J. (1988): Untersuchung zum Anwendungspotential von SPOT- und TM-Daten für
die digitale land- und forstwirtschaftliche Landnutzungsklassifikation anhand von Simula-
tions- und Originalaufnahmen. Mitteilungen der Abteilung für Forstliche Biometrie und
der Abteilung für Luftbildmessung und Fernerkundung der Universität Freiburg.
STONEY, W.E. (2000): Remote Sensing in the 21st Century: Outlook for the Future.
http://rst.gsfc.nasa.gov/Sect21/Sect21_1.html
THOMASIUS, H. (1995): Der Einfluß des Bergbaus auf Wald- und Forstgeschichte im sächsi-
schen Erzgebirge bis zum Beginn des 19. Jahrhunderts. Sächsischer Forstverein, Tha-
randt
TOMPPO, E. & A. PEKKARINEN (1997): Methodenerprobung der Finnischen Nationalen Mul-
tiquellen-Waldinventur in Nordrhein-Westfalen. Schriftenreihe der Landesforstverwaltung
Nordrhein-Westfalen, Heft 5, Düsseldorf, 52-67
Ufer, F. (1997): Rechnergestützte Herstellung einer Luftbildkarte 1 : 5 000 als Bestandteil
des Forstkartenwerkes Sachsen auf der Basis der GIS-Software ARC/INFO und der
Bildverarbeitungssoftware Erdas-Imagine (Modul OrthoMAX). Unveröffentlichte Diplom-
arbeit, Institut für Kartografie, TU Dresden
UNEP (1995): Forest Damage in Central European Mountains. Final report of a Large Area
Operational Experiment for Forest Damage Monitoring in Europe Using Satellite Remote
Sensing. Genf
VDI - VEREIN DEUTSCHER INGENIEURE (1993): Messen von Vegetationsschäden am natürli-
chen Standort. Interpretationsschlüssel für die Auswertung von CIR-Luftbildern zur Kro-
nenzustandserfassung von Nadel- und Laubgehölzen Fichte, Buche, Eiche und Kiefer.
VDI-Richtlinie 3793, Blatt 2, Düsseldorf
Literaturverzeichnis
279
VEB FORSTPROJEKTIERUNG (1978): Betriebsregelungsanweisung BRA V / 1978 - Anweisung
zur periodischen Forsteinrichtung des Waldfonds der DDR. Potsdam
VOSS, F. (1970): Zur Herstellung von Forstbetriebskarten mit Hilfe maßstäbiger Luftbildkarten
und automatischer Rechen- und Kartieranlagen unter besonderer Berücksichtigung der
Verhältnisse in Nordrhein-Westfalen. Allgemeine Forst- und Jagdzeitung 141, 153-160
WAGENBRETH, O. & W. STEINER (1990): Geologische Streifzüge - Landschaft und Erdge-
schichte zwischen Kap Arkona und Fichtelberg. Leipzig
WALD, L. (1998): A European proposal for terms of reference in data fusion. International
Archives of Photogrammetry and Remote Sensing, Vol. 32, Part 7, 651-654
WALD, L.; T. RANCHIN & M. MANGOLINI (1997): Fusion of Satellite Images of Different Spatial
Resolutions: Assessing the Quality of Resulting Images. Photogrammetric Engineering &
Remote Sensing, Vol. 63, No. 6, 691-699.
WEIERS, S.; S. MIELBY; G. GROOM; M. STJERNHOLM; M. WISSEN; M. BOCK; B. SCHADE & E.
TSCHACH (1999): Monitoring of Changes in Biotope and Land Use Inventories in Schles-
wig Holstein and Denmark by means of Satellite Image Analysis and GIS Technology -
MoBio. Final Report, Köln (sowie: http://www.dfd.dlr.de/extern/MOBIO/)
WELCH, R. & W. EHLERS (1987): Merging Multiresulution SPOT HRV and Landsat TM Data.
Photogrammetric Engineering & Remote Sensing, Vol. 53, No. 3, 301-303
WEWEL, F.; F. SCHOLTEN; G. NEUKUM & J. ALBERTZ (1998): Digitale Luftbildaufnahme mit der
HRSC - Ein Schritt in die Zukunft der Photogrammetrie. Photogrammetrie - Fernerkun-
dung - Geoinformation, Heft 6/1998, 337-348
WEWEL, F. & F. SCHOLTEN (2000): Erstellung von Digitalen Oberflächenmodellen mit dem
Mehrzeilen-Stereoscanner HRSC-A. In: ALBERTZ, J. (Hrsg.): Photogrammetrie und Fern-
erkundung - Neue Sensoren, neue Anwendungen. Vorträge der 19. Wissenschaftlich-
Technischen Jahrestagung der DGPF, Essen 1999. Publikationen der DGPF, Bd. 8,
57-66
WIECZOREK, J. (1990): Erfassung von Sturmwurfflächen im östlichen Hunsrück mit Hilfe von
Landsat-TM-Daten - Eine landschaftsökologische Analyse für die forstliche Praxis. DLR-
Forschungsbericht (DLR-FB) 90-31, Oberpfaffenhofen
WOLFF, G. (1966): Schwarzweiße und falschfarbige Luftbilder als diagnostische Hilfsmittel für
operative Arbeiten beim Forstschutz (Rauchschaden) und bei der Waldbestandesdün-
gung. Actes du II. Symp. Int. de Photointerpretation, Paris, 1966, 85-95
XU, G.Q. (1986): Forstklassifikation mit Landsat-Daten - Eine Fallstudie aus der Steiermark.
Mitteilungen der forstlichen Bundesversuchungsanstalt Wien, Nr. 157, Wien, 121-130
ZHANG, Y. & J. ALBERTZ (1998): Vergleich verschiedener Verfahren zur Kombination multi-
sensoraler Satelliten-Bilddaten. Photogrammetrie - Fernerkundung - Geoinformation,
Heft 5/1998, 261-274
ZHOU, J.; D.L. CIVCO & J.A. SILANDER (1998): A Wavelet Transform Method to Merge Land-
sat TM and SPOT Panchromatic Data. International Journal of Remote Sensing, Vol. 19,
No. 4, 743-757
Lebenslauf
280
Lebenslauf
persönliche Daten
Name Bodo Coenradie
Geburtsdatum und -ort 14. November 1961, Gummersbach
Familienstand ledig
Staatsangehörigkeit niederländisch
schulische Ausbildung
1968 - 1972
1972 - 1982
Grundschule in Wegescheidt
Gymnasium in Engelskirchen
Abschluss: allgemeine Hochschulreife
universitäre Ausbildung
1983 - 1991 Studium der Geographie
Geographisches Institut,
Rheinische Friedrich-Wilhelms-Universität Bonn
Abschluss: Diplom Geograph
beruflicher Werdegang
06/1990 - 10/1992 Freier Mitarbeiter
Sachverständigenbüro für Luftbildauswertung
und Umweltfragen (SLU), Gräfelfing
03/1992 - 11/1992 Wissenschaftlicher Mitarbeiter
Lehrstuhl für Landschaftstechnik,
Ludwig-Maximilians-Universität München
11/1992 - 05/1997 Angestellter
WIB Ingenieurgesellschaft mbH, Berlin
06/1997 - 10/2002 Wissenschaftlicher Mitarbeiter
Institut für Landschafts- und Umweltplanung
(vormals: Institut für Landschaftsentwicklung)
Technische Universität Berlin
seit 09/2003 freiberufliche Tätigkeit
Liste der Veröffentlichungen
COENRADIE, B.; K. HOFFMANN; H. KENNEWEG & H. SAGISCHEWSKI (1999): Nutzung moderner
Satellitendaten in der sächsischen Forstwirtschaft. Forst und Holz, 54. Jg., Nr. 4, 99-102
COENRADIE, B.; K. HOFFMANN; H. KENNEWEG & H. SAGISCHEWSKI (1999): Forstkarte mit Sa-
tellitenbilddaten. Österreichische Forstzeitung, 110. Jg., Nr. 4, 12-13
Lebenslauf
281
SAGISCHEWSKI, H.; K. HOFFMANN; H. BRAUN; B. COENRADIE & H. KENNEWEG (2000): High-
Resolution Satellite Data for Forest Mapping and Monitoring. In: ZAWILA-NIEDZWIECKI, T.
& M. BRACH (ed.): Proc. of Converence on „Remote Sensing and Forest Monitoring“,
1.-3. June 1999, Rogow, Poland, 371-383
(sowie: http://rogow99.sggw.waw.pl/08_session_4/05/)
COENRADIE, B. (2002): Anwendungsmöglichkeiten im Teilvorhaben Wälder und Forsten. In:
LANDESAMT FÜR UMWELTSCHUTZ SACHSEN-ANHALT (Hrsg.) (2002): OFULSA -
Operationalisierung von Fernerkundungsdaten für die Umweltverwaltung des Landes
Sachsen-Anhalt. Berichte des Landesamtes für Umweltschutz Sachsen-Anhalt, Heft 37,
Halle, 57-68 (sowie: http://www.delphi-imm.de/ofulsa/download/LAU-Heft37.pdf)
COENRADIE, B. & H. KENNEWEG (2002): OFULSA - Operationalisierung von Fernerkundungs-
daten für die Umweltverwaltung des Landes Sachsen-Anhalt - Teilvorhaben Wälder und
Forsten. Endbericht zum Forschungsprojekt, BMBF-Förderkennzeichen 50EE9924, Ber-
lin/Halle,
http://www.delphi-imm.de/ofulsa/download/endbericht_forst.pdf
COENRADIE, B.; K. HOFFMANN; H. SAGISCHEWSKI; H. KENNEWEG & H. BRAUN (2003): Ab-
schlussbericht zum Forschungsprojekt „Verbessertes Waldzustandsmonitoring mit
MOMS-Priroda Daten“. Landesforstpräsidium (Hrsg.), DLR-Förderkennzeichen
50EE9628, ISBN: 3-932967-28-3, Graupa.
