Umwelt- und Agrarmonitoring: Thematische Dienst FFH Monitoring Düsseldorf, 09. Juni 2011 Dr. Vanessa Keuck Dr. Jonas Franke Prof. Dr. Florian Siegert Remote Sensing Solutions GmbH – RSS GmbH Gefördert durch die Bundesrepublik Deutschland, Zuwendungsgeber: Raumfahrt-Agentur des Deutschen Zentrums für Luft- und Raumfahrt e. V. mit Mitteln des Bundesministeriums für Wirtschaft und Technologie aufgrund eines Beschlusses des Deutschen Bundestages unter den Förderkennzeichen FKZ 50EE0908, 50EE0909, 50EE0910, 50EE0911, 50EE0912, 50EE0913, 50EE0914, 50EE0915.
Thematische Dienste zum FFH-Monitoring TD Entwicklungen LRT-Beeinträchtigung durch Verbuschung
Nutzungsintensitäten von Grünland
Ziel: Erkennung von Beeinträchtigungen bei Offenland LRT durch Verbuschung
Ziel: Ableitung unterschiedlicher Nutzungsintensitäten von Grünland
Testgebiet: Zinna, Murnau
Testgebiet: Murnau
DeCOVER- Nutzer: LUA BB, LAU-MLU ST Adressaten: BfN, Landesumweltämter Anwendung: FFHMonitoring
DeCOVER- Nutzer: TUM Adressaten: Landesumweltämter Anwendung: Monitoring Streuwiesennutzung, Überwachung Energiepflanzenanbau, Auennutzung
Klassifikation von LRTPotentialflächen
Moorrenaturierung Themenblock 3
Ziel: Identifikation von LRT 6510 Potentialflächen (Magere FlachlandMähwiesen)
Ziel: FE-Möglichkeiten zur Unterstützung der Planung und Evaluierung von Moorrenaturierungsprojekten
Testgebiet: DonauRies, Zinna DeCOVER-Nutzer: LfU, LUA BB, LAUMLU Adressaten: Landesumweltämter Anwendung: Unterstützung der VorOrt-Kartierungen durch Flächenvorauswahl und Flächengrenzen
Testgebiet: Murnau DeCOVER-Nutzer: TUM Adressaten: Landesumweltämter, NGOs, Naturschutzverbände Anwendung: Moorentwicklungskonzept, Emissionshandel, Klimaschutz
Monitoring von Überflutungsflächen
Ziel: Monitoring von Überflutungsflächen Testgebiet: Zinna (Brandenburg) DeCOVER-Nutzer: NABU Brandenburg Adressaten: Landesumweltämter Anwendung: Reporting im Rahmen der EU-Wasserrahmenrichtlinie
2
LRT-Beeinträchtigung durch Verbuschung Nutzeranforderungen •
Detektion von Verbuschungsgeraden in ON-Klassen
Daten • •
Multi-sensorale Daten: 4 RapidEye + 13 TerraSAR-X aus 2010 Referenzdaten (2007, 2009) inkl. Gehölzdeckungswerte (FH-Anhalt Prof. Felinks*) aus der Oranienbaumer Heide
Referenzdaten 2009
RapidEye 21.08.2010
Multi-temp. TerraSAR-X
* DBU: „Pflegemanagement von FFH-Offenlandlebensräumen in der Oranienbaumer Heide“ (Felinks et al. 2007; Felinks et al. 2011)
3
LRT-Beeinträchtigung durch Verbuschung Ansatz Produkt 1 • ON-unabhängig • Definition von 3 Verbuschungsintervallen Produkt 2 • ON-unabhängig • Definition von verbuscht (> 9.9% Deckung) und nicht verbuscht (< 10% Deckung) Multi-sensorale und multi-temporale Klassifikation • Berechnung von Texturinformationen und Vegetationsindicies • Diskriminanzanalyse für Datenreduktion auf 2-3 Szenen • Objekt-basierte Klassifikation mit Integration von See5 Ergebnissen
4
LRT-Beeinträchtigung durch Verbuschung Produkt 1 • unterschiedliche Datenszenarien (multi-temp. TSX Daten, multi-temp. TSX + RE, mono-temp. TSX + RE) Î Kombination 2 TSX Szenen und eine RapidEye Szene liefert beste Ergebnis Training: 75%; Validierung 61%
Verallgemeinerte Referenzdaten
5
LRT-Beeinträchtigung durch Verbuschung
6
Produkt 2
Verallgemeinerte Referenzdaten
Klassifikation auf Basis von RapidEye (03.07.2010)+ TerraSAR-X (29.08.2010)
• Gesamtgenauigkeit der unabhängigen Validierung 67%
LRT-Beeinträchtigung durch Verbuschung Fazit: Î Referenzdaten sind räumlich schlechter aufgelöst als Satellitendaten, d.h. die Klassifikation gibt ein exakteres räumliches Muster des Naturraums wieder
7
Nutzungsintensitäten von Grünland
8
TD Entwicklungen LRT-Beeinträchtigung durch Verbuschung
Nutzungsintensitäten von Grünland
Ziel: Erkennung von Beeinträchtigungen bei Offenland LRT durch Verbuschung
Ziel: Ableitung unterschiedlicher Nutzungsintensitäten von Grünland
Testgebiet: Zinna, Murnau
Testgebiet: Murnau
DeCOVER- Nutzer: LUA BB, LAU-MLU ST Adressaten: BfN, Landesumweltämter Anwendung: FFHMonitoring
DeCOVER- Nutzer: TUM Adressaten: Landesumweltämter Anwendung: Monitoring Streuwiesennutzung, Überwachung Energiepflanzenanbau, Auennutzung
Klassifikation von LRTPotentialflächen
Moorrenaturierung Themenblock 3
Ziel: Identifikation von LRT 6510 Potentialflächen (Magere FlachlandMähwiesen)
Ziel: FE-Möglichkeiten zur Unterstützung der Planung und Evaluierung von Moorrenaturierungsprojekten
Testgebiet: DonauRies, Zinna DeCOVER-Nutzer: LfU, LUA BB, LAUMLU Adressaten: Landesumweltämter Anwendung: Unterstützung der VorOrt-Kartierungen durch Flächenvorauswahl und Flächengrenzen
Testgebiet: Murnau DeCOVER-Nutzer: TUM Adressaten: Landesumweltämter, NGOs, Naturschutzverbände Anwendung: Moorentwicklungskonz ept, Emissionshandel, Klimaschutz
Monitoring von Überflutungsflächen
Ziel: Monitoring von Überflutungsflächen Testgebiet: Zinna (Brandenburg) DeCOVER-Nutzer: NABU Brandenburg Adressaten: Landesumweltämter Anwendung: Reporting im Rahmen der EU-Wasserrahmenrichtlinie
Nutzungsintensitäten von Grünland Nutzeranforderungen • Aufgrund wachsender Biokraftstoffproduktion stehen Wiesen unter erhöhtem Druck Î ansteigender Grünlandumbruch Î Nutzungsintensivierung von Grünland (auch vorher extensiv genutzter Flächen) Î erhöhten Freisetzung von CO2 durch Oxidation von im Boden gebundenen Kohlenstoffs bei Moorflächen Î Rückgang der Artenvielfalt Flächenhaftes Monitoring der Nutzungsintensität von Grünland
Quelle: nach Höper 2007, entnommen aus http://www.dgmtev.de/downloads/DGMT_Flyer_2009_Web.pdf
9
Nutzungsintensitäten von Grünland Daten Multitemporale RapidEye Daten TG Murnau
T1: 29.04.2010 T2: 05.06.2010 T3: 08.07.2010 T4: 21.07.2010 T5: 26.08.2010
5 Spektralbänder 5 m räumliche Auflösung
10
Nutzungsintensitäten von Grünland Ansatz Kontextbasierte multitemporale Klassifikation Schechenfilz
(naturnahes Hochmoor)
Indikatoren für Intensivbewirtschaftung:
Indikatoren für Extensivbewirtschaftung: • Wenige Schnitte • Meist kein Schnitt bis Mitte Juni • Streuwiesenschnitte meist erst im Herbst • Artenreich Indikatoren für natürliches Grünland: Murnauer Moos (alle Moortypen, alle Nutzungen vorhanden)
• Dient nur selten zur Futter- oder Streugewinnung (Magerwiesen) • Meist extreme Standorte (zu nass/zu trocken) • Geringe Nährstoffverfügbarkeit • Sehr Artenreich
• Ende April/Anfang Mai erster Schnitt • Normalfall mind. 3 Schnitte pro Mooseurach (degradierte und renaturierte Vegetationsperiode Hochmoore) • Artenarm
11
Nutzungsintensitäten von Grünland •
Mangel an Referenzdaten zur Nutzungsintensität, da oft Managementpläne entweder nicht vorhanden sind oder die tatsächliche Nutzung abweicht
•
Bedarf Referenzdaten oder Kontextinformationen zur Anpassung der Kontext-basierten Klassifikation
•
Mehrmalige Kartierung der Nutzungsintensität von Grünland im Testgebiet im Jahr 2010
Ziel: Robuste Methode - übertragbar auf jegliche Grünlandstandorte
12
Nutzungsintensitäten von Grünland Annahme: Die spektrale Dynamik von Grünlandflächen über mehrere Zeitpunkte erhöht sich mit zunehmender Nutzungsintensität „Mean Absolute Spectral Dynamic Parameter (MASD)“ Loisach-Kochelsee Moor 2010 Mooseurach
(degradierte und renaturierte Hochmoore)
13
Nutzungsintensitäten von Grünland Kontext-basierte Klassifikation mittels Entscheidungsbaum der GrünlandNutzungsintensitäten innerhalb der ATKIS GL-Flächen
Schechenfilz
(naturnahes Hochmoor)
Mooseurach
(degradierte und renaturierte Hochmoore)
14
Nutzungsintensitäten von Grünland
15
Validierung mittels unabhängiger Referenzpunkte aus Kartierung Gesamtgenauigkeit= 82.7% Kappa Coefficient = 0.6 Referenz (%) Klasse Intensiv Extensiv Grünlandumbr. Naturnah
Intensiv 88.11 8.58 0.54 2.77
Extensiv 32.32 65.24 0.00 2.44
Grünlandumbr. 0.00 2.33 97.67 0.00
Naturnah 0.00 20.72 0.00 79.28
Nutzungsintensitäten von Grünland
16
Nutzungsintensitäten der Grünlandflächen auf historischen Mooren (Layer von LfU)
Nicht-Grünland Grünlandumbruch
Hektar
% der Gesamtfläche
30180.0
60.3
443.8
0.9
% der Grünlandfläche
auf historische m Moor
auf Niedermoor
auf Hochmoor
auf mineralischen Inseln
2.2
112.0 ha (0.6%)
62.2ha (0.3%)
43.7 ha (0.2%)
6.1 ha (0.1%)
1797.2 ha (9.1%)
1746.2 ha (8.8%)
112.0 ha (0.5%)
Intensivgrünland
12928.6
25.8
65.1
3655.4 ha (18.4%)
Extensivgrünland
5892.4
11.8
29.7
2310.9 ha (11.6%)
989.3 ha (5.0%)
1248.4 ha (6.3%)
73.2 ha (0.3%)
586.5
1.2
3.0
229.1 ha (1.2%)
100.5 ha (0.5%)
123.5 ha (0.6%)
5.1 ha (0.1%)
100.0
6307.4 ha (31.8%)
2949.2 ha (14.9%)
3161.8 ha (15.9%)
191.4 ha (1.0%)
Naturnahes Grünland Gesamt Grünland
19851.3
Gesamt Untersuchungsgebiet
50031.6
39.7
Klassifikation von LRT-Potentialflächen
17
TD Entwicklungen LRT-Beeinträchtigung durch Verbuschung
Nutzungsintensitäten von Grünland
Ziel: Erkennung von Beeinträchtigungen bei Offenland LRT durch Verbuschung
Ziel: Ableitung unterschiedlicher Nutzungsintensitäten von Grünland
Testgebiet: Zinna, Murnau
Testgebiet: Murnau
DeCOVER- Nutzer: LUA BB, LAU-MLU ST Adressaten: BfN, Landesumweltämter Anwendung: FFHMonitoring
DeCOVER- Nutzer: TUM Adressaten: Landesumweltämter Anwendung: Monitoring Streuwiesennutzung, Überwachung Energiepflanzenanbau, Auennutzung
Klassifikation von LRTPotentialflächen
Moorrenaturierung Themenblock 3
Ziel: Identifikation von LRT 6510 Potentialflächen (Magere FlachlandMähwiesen)
Ziel: FE-Möglichkeiten zur Unterstützung der Planung und Evaluierung von Moorrenaturierungsprojekten
Testgebiet: DonauRies, Zinna DeCOVER-Nutzer: LfU, LUA BB, LAUMLU Adressaten: Landesumweltämter Anwendung: Unterstützung der VorOrt-Kartierungen durch Flächenvorauswahl und Flächengrenzen
Testgebiet: Murnau DeCOVER-Nutzer: TUM Adressaten: Landesumweltämter, NGOs, Naturschutzverbände Anwendung: Moorentwicklungskonz ept, Emissionshandel, Klimaschutz
Monitoring von Überflutungsflächen
Ziel: Monitoring von Überflutungsflächen Testgebiet: Zinna (Brandenburg) DeCOVER-Nutzer: NABU Brandenburg Adressaten: Landesumweltämter Anwendung: Reporting im Rahmen der EU-Wasserrahmenrichtlinie
Klassifikation von LRT-Potentialflächen Nutzeranforderungen Klassifikation von LRT Potentialflächen außerhalb bereits kartierter FFH Gebiete am Beispiel LRT 6510 „Extensive Mähwiesen der planaren bis submontanen Stufe“
Daten RapidEye Zeitreihe 2010 (6 Zeitschnitte zwischen Mai und Oktober)
LRT 6510 Quelle: http://ffh-gebiete.de/img/lrt/6510.jpg
18
Klassifikation von LRT-Potentialflächen Vorgehen •
LRT6510-Referenzflächen aus Biotopkartierung (mit Flächenanteil > 70%)
19
Klassifikation von LRT-Potentialflächen Multitemporale Gebietsabdeckung 2010
20
Klassifikation von LRT-Potentialflächen
21
• Zeitreihenanalyse MASD und NDVI • Ableitung der LRT-Potentialflächenwahrscheinlichkeiten
Geringe Wahrsch. Mittlere Wahrsch. Hohe Wahrsch.
Klassifikation von LRT-Potentialflächen Klassifikationsergebnis
22
Klassifikation von LRT-Potentialflächen Klassifikationsergebnis
Anzahl der Referenz-Polygone mit Klassifikationstreffer: Hohe Priorität: 13/32 Mittlere Priorität: 32/32 Geringe Priorität: 32/32
23
Klassifikation von LRT-Potentialflächen
24
Klassifikation von LRT-Potentialflächen Ausblick •
Validierung der Ergebnisse mittels Referenzkartierung (läuft)
•
Übertragbarkeit auf weitere LRTs
25
26
Herzlichen Dank für Ihre Aufmerksamkeit !
RSS - Remote Sensing Solutions GmbH Isarstrasse 3 82065 Baierbrunn(München) Tel: 089-48954766 Fax: 089-48954767
[email protected];
[email protected];
[email protected] www.rssgmbh.de