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