Baumartenklassifikation mit SENTINEL2 Daten

1. Baumartenklassifikation mit SENTINEL2 Daten
 Nutzeranforderungen
 SENTINEL2 Satellitendaten (Erfassung und Aufbereitung)
 Erhebung von Referenzdaten
 CIR Luftbilder (airborne Laserscannerdaten)
 Geländebegehungen
 Forstliche Daten
 Signaturanalyse und Qualitätskontrolle
 Klassifikation

2.  Hauptbaumarten
 Fichte
 Lärche
 Kiefer
 Tanne
 Laubwald
 Mischwaldklassen
 Flächendeckende
Auswertung (mit 10m
Rasterweite)
 Statistisch abgesicherte
Genauigkeit
Nutzeranforderungen

3. SENTINEL2 Daten
 SENTINEL 2A – 13. August 2015
 Sensor
 13 Spektralbänder
 10m / 20m / 60m räuml. Auflösung
 Orbitstreifen von 290 km
 Jede Szene besteht aus Kacheln
von 110 km x 110km
 Vorverarbeitung
 Download, Import Level 1C
 Resampling auf 10m Rasterweite
 Atmosphärische Korrektur 
SEN2COR (Level2A)
 Topographische Korrektur 
IMPACT

4. SENTINEL2 Daten vor der topographischen Korrektur

5. SENTINEL2 Daten nach der topographischen Korrektur

6. Erhebung der Referenzgebiete
 Erhebung von Referenzdaten
 CIR Luftbilder
 Verschiedene Aufnahmezeitpunkte zu berücksichtigen
(2009 – 2015)
 Visuelle Auswertung von ca. 450 Referenzflächen nach
Baumart, Überschirmung und Alter (mind. 0,3 ha)
 Sonstige Forstliche Daten
 Waldtypisierung, etc.
 Airborne Laserscannerdaten
 Erstellung eines nDOM (digitales Oberflächenmodell) zur
Abfrage der Baumhöhen
 Geländebegehungen
 Durchgeführt von den Experten der Landesforstdirektion Tirol

7. Signaturanalyse
Basiert auf den Referenzflächen
Analyse und Optimierung der Referenzflächen
Trennbarkeitsanalyse mittels statistischer Kennmaße

8. Signaturanalyse - Beispiele
Basiert auf den Referenzflächen
Analyse und Optimierung der Referenzflächen
Trennbarkeitsanalyse mittels statistischer Kennmaße

9. Zwischenergebnis der Klassifikation
 Pixelbasierte Klassifikation (Maximum Likelihood Klassifikator)
 Multispektrales SENTINEL 2A - Ausgangsbild

10. Zwischenergebnis der Klassifikation
 Pixelbasierte Klassifikation (Maximum Likelihood Klassifikator)
 Räumliches Verteilungsmuster der Baumarten

11. Zwischenergebnis der Klassifikation
 Pixelbasierte Klassifikation (Maximum Likelihood Klassifikator)
 Räumliches Verteilungsmuster der Baumarten

12. Ausblick
 Fertigstellung der Klassifikation
 Validierung
 Geländebegehung durch Forstexperten
 Statistische Auswertung
 Kovarianzmatrix – user accuracy / producer accuracy
 Die Klassifikationsergebnisse können verwendet werden
 Storm Damage Resilience
 Gefahrenhinweiskarten
 Forstmanagementpläne
 Berechnung des Holzvolumens