Feldfruchtklassifikation

In Preidl et al. (2020) haben wir detaillierte Karten der Feldfrüchte in ganz Deutschland erstellt. Eine Herausforderung dabei ist die häufige Wolkenbedeckung in temperierten Mittelbreiten bei Nutzung optischer Fernerkundungsdaten zum Monitoring dynamischer Landoberflächenprozesse aus dem Weltraum. APiC, ein neuartiger, anpassungsfähiger pixelbasierter Kompositions- und Klassifikationsansatz, wurde speziell für die Nutzung hochauflösender raum-zeitlicher Daten aus dem All entwickelt. Hierbei wird die pixelbasierte Komposition getrennt für Trainings- und Prognosedaten eingesetzt.

Zunächst werden wolkenfreie Pixel über Referenzdaten, innerhalb angepasster Kompositionszeiträume genutzt, um einen Trainingsdatensatz zu erstellen. Der erstellte Trainingsdatensatz enthält features spektraler Reflexionen für die jeweiligen Landbedeckungsklassen in jedem Kompositionszeitraum. Für die Ableitung wird die pixelbasierte Komposition dann flächendeckend angewendet. Mehrere Vorhersagemodelle werden auf Basis temporaler Teilmengen des erstellten Trainingsdatensatzes genutzt, um dynamisch die Wolkenbedeckung auf Pixelebene zu berücksichtigen. Der rein datengesteuerte Klassifikationsansatz ist in Regionen mit unterschiedlichen Wetterbedingungen, Artenzusammensetzungen und Phänologie anwendbar.

Die Leistungsfähigkeit unserer Methode wird durch die Kartierung von 19 Landbedeckungsklassen in Deutschland für das Jahr 2016-2021 auf Basis von Sentinel-2-Daten demonstriert. Da sich die klimatischen Bedingungen und damit die Pflanzenphänologie großflächig verändern, wurde die Klassifikation separat in sechs Landschaftsregionen mit unterschiedlichen bio-geografischen Merkmalen durchgeführt. Die Studie stützte sich auf umfangreiche Bodenvalidierungsdaten, die von den Bundesländern Deutschlands bereitgestellt wurden. Für jede Landschaftsregion wurden Kompositionszeiträume unterschiedlicher Länge festgelegt, die sich regional sowohl in ihrer zeitlichen Anordnung als auch in ihrer Gesamtzahl unterscheiden und den Vorteil eines flexiblen regionalisierten Klassifikationsverfahrens unterstreichen.

Mithilfe eines Random-Forest-Klassifikators, der gegen unabhängige Referenzdaten validiert wurde, konnte eine Gesamtgenauigkeit von 88 % erreicht, wobei insbesondere für die Hauptfeldfrüchte eine hohe Klassifikationsgenauigkeit von etwa 90 % erzielt wurde. Eine ungleiche Verteilung der Klassen (Anzahl pro Feldfrucht) hat einen signifikanten Einfluss auf die Klassifikationsgenauigkeit. Basierend auf mehreren temporalen Teilmengen des erstellten Trainingsdatensatzes wurden über 10.000 Random-Forest-Modelle berechnet, deren Leistung sich erheblich zwischen und innerhalb der Landschaftsregionen unterschied. Die berechnete Bedeutung der Kompositionszeiträume zeigt, dass eine hohe zeitliche Auflösung des erstellten Trainingsdatensatzes notwendig ist, um die unterschiedliche Phänologie der Landbedeckungstypen besser zu erfassen.

APiC ist mittels seiner rein datengesteuerte Natur ein sehr flexibler (übertragbarer) Kompositions- und Klassifikationsansatz, der eine effiziente Nutzung dichter Satellitenzeitreihen in Gebieten mit häufiger Wolkenbedeckung ermöglicht. Daher kann in zukünftigen großflächigen Klassifikationen der Regionalisierung mehr Gewicht beigemessen werden, um eine bessere Integration kleinräumiger biophysikalischer Bedingungen zu erleichtern und noch bessere Ergebnisse bei der detaillierten Landbedeckungskartierung zu erzielen. Diese Daten – zusammen mit Baumartenkarten – können in einem Webdienst betrachtet sowie als GeoTiff-Dateien für weitere Analysen heruntergeladen werden.