"Ableitung Hydrologischer Parameter aus multifrequenten und
Transcrição
"Ableitung Hydrologischer Parameter aus multifrequenten und
"Ableitung Hydrologischer Parameter aus multifrequenten und multipolarimetrischen E-SAR Flugzeugdaten" eingereicht an der: Chemisch-Geowissenschaftlichen Fakultät der Friedrich Schiller Universität Jena Institut für Geographie im März 2000 Betreuer: Prof. Dr. W. Flügel Prof. Dr. C. Schmullius I Vorwort Die vorliegende Arbeit entstand am Lehrstuhl für Geoinformatik, Geohydrologie und Modellierung des Institutes für Geographie der Friedrich-Schiller-Universität Jena. Die Untersuchungen waren in dem von der Deutschen Forschungsgemeinschaft (DFG) geförderten Projekt „HYDROSAR - Hydrologische Auswertung multifrequenter Flugzeug-SAR-Daten“ (Projekt: HO 1840/3-1) angesiedelt und wurden im Rahmen dieser Diplomarbeit weitergeführt und fanden einen vorläufigen Abschluß. Mein Dank gilt Herrn Prof. Dr. W.-A. Flügel für die Überlassung des Themas und die wissenschaftliche Betreuung. Seine langjährigen hydrologisch orientierten Forschungsaktivitäten im Einzugsgebiet des Flusses Bröl waren eine wesentliche Voraussetzung für das Gelingen der Arbeit. Frau Prof. Dr. C. Schmullius unterstützte und betreute die Arbeit durch vielfältige Hinweise und Diskussionen im Bereich der Radarfernerkundung. Durch ihre Anregungen erhielten die Untersuchungen wichtige Impulse, wofür ich mich recht herzlich bedanken möchte. Die Herren R. Horn und H.-J. Müller vom Institut für Hochfrequenztechnik der Deutschen Forschungsanstalt für Luft- und Raumfahrt (DLR) in Oberpfaffenhofen haben einen erheblichen Anteil an der erfolgreichen Durchführung der E-SAR-Befliegung bzw. an der Aufbereitung der Daten. Auch ihnen gilt mein besonderer Dank. Vielseitige Unterstützung erhielt ich von den Mitarbeitern des Institutes für Geographie der Friedrich-Schiller-Universität Jena. Mein besonderer Dank gilt Dr. V. Hochschild, der mich durch sein Engagement und seine Fürsprache in meinem gesamten Studium bzw. in der Bearbeitung des Themas unterstützend begleitete. Dr. Martin Klenke wirkte durch zahlreiche Anregungen am erfolgreichen Gelingen der Arbeit mit. Er übernahm freundlicherweise die Durchsicht des Manuskripts, wofür ich ihm meinen Dank ausspreche. Den Herren H. Staudenrausch und M. Fink verdanke ich wertvolle Hinweise und Anregungen bei der Durchführung der GIS-Analysen. Mein Dank gilt auch Dr. G. Daut, Leiter des Labors für Geoökologie, der mir in kompetenter Weise die Analyse und Aufbereitung der Geländemessungen ermöglichte. Herrn R. Hoffmann sei für seine Unterstützung als Systemadministrator bei auftretenden soft- und hardwaretechnischen Problemen gedankt. Weiterhin möchte ich mich bei allen nicht namentlich aufgeführten Mitarbeitern, Studenten und Freunden bedanken, die mir sowohl in fachlicher als auch in persönlicher Hinsicht wertvolle Anregungen und Unterstützung zuteil werden ließen. Meinen Eltern möchte ich für die Unterstützung während meiner Ausbildung danken. Jena, im März 2000 Martin Herold Inhaltsverzeichnis Vorwort ................................................................................................................................... I Inhaltsverzeichnis ................................................................................................................. II Abbildungsverzeichnis ......................................................................................................... IV Tabellenverzeichnis ............................................................................................................. VI II 1 Einleitung ............................................................................................................................ 1 2 Theoretische Grundlagen und Stand der Forschung ......................................................... 3 2.1 Fernerkundung......................................................................................................................................... 3 2.1.1 Physikalische Grundlagen................................................................................................................ 3 2.1.2 Grundlagen der Radarfernerkundung............................................................................................ 5 2.1.2.1 Funktionsweise des Synthetic Aperture Radar (SAR) .......................................................... 5 2.1.2.2 Streuung von Mikrowellen ....................................................................................................... 6 2.1.2.3 Speckle......................................................................................................................................... 7 2.1.2.4 Systemspezifische Abbildungsparameter................................................................................ 7 2.1.2.4.1 Wellenlänge.......................................................................................................................... 8 2.1.2.4.2 Polarisation .......................................................................................................................... 9 2.1.2.4.3 Beobachtungswinkel........................................................................................................... 9 2.1.2.5 Objektspezifische Abbildungsparameter.............................................................................. 10 2.1.2.5.1 Dielektrische Eigenschaften ............................................................................................ 11 2.1.2.5.2 Rauhigkeitscharakteristika................................................................................................ 12 2.1.2.5.3 Geometrische Objekteigenschaften ............................................................................... 16 2.1.3 SAR-Fernerkundungssensoren – das E-SAR ............................................................................. 17 2.2 Hydrologische Grundlagen .................................................................................................................. 19 2.2.1 Hydrologische Parameter im System Boden-Vegetation-Atmosphäre................................... 19 2.2.2 Hydrologische Modellierung von Flußeinzugsgebieten............................................................ 21 2.3 Erfassung hydrologischer Parameter mit Radarfernerkundungsmethoden .................................. 22 2.3.1 Erfassung der Landnutzung .......................................................................................................... 23 2.3.2 Bodenfeuchtebestimmung............................................................................................................. 26 2.3.3 Ableitung von Vegetationsparametern ........................................................................................ 30 2.4 Forschungsbedarf .................................................................................................................................. 34 3 Zielsetzung der Arbeit und methodisches Vorgehen ....................................................... 37 3.1 Zielsetzung.............................................................................................................................................. 37 3.2 Methodisches Vorgehen ....................................................................................................................... 38 4 Untersuchungsgebiet .........................................................................................................41 4.1 Geographische Charakterisierung ....................................................................................................... 41 4.2 Bisherige Arbeiten im Untersuchungsgebiet ..................................................................................... 42 5 Datengrundlagen und digitale Vorverarbeitung............................................................... 45 5.1 Vorverarbeitung der Fernerkundungsdaten....................................................................................... 45 5.1.1 Aufgezeichnete Wellenlängen und Polarisationen ..................................................................... 45 5.1.2 Geometrische Korrekturen ........................................................................................................... 46 5.1.3 Berechnung des Radarrückstreukoeffizienten ............................................................................ 47 5.1.4 Radiometrische Korrekturen......................................................................................................... 48 5.1.4.1 Beschreibung und Beseitigung des Reliefeinflusses............................................................ 48 5.1.4.1.1 Berechnung des lokalen Einfallswinkels........................................................................ 48 5.1.4.1.2 Beschreibung des Reliefeinflusses für verschiedene Bildbereiche............................. 50 5.1.4.1.3 Beseitigung der Reliefeinflüsse mit einem empirischen Korrekturmodell ............... 52 5.1.4.2 Reduzierung des Speckle-Effektes ........................................................................................ 53 5.2 Geländedaten.......................................................................................................................................... 54 5.2.1 Landnutzungskartierung ................................................................................................................ 55 5.2.2 Bodenfeuchtemessungen ............................................................................................................... 56 5.2.2.1 Tensiometermessungen........................................................................................................... 56 5.2.2.2 TDR-Messungen...................................................................................................................... 59 III 5.2.3 Aufnahme der Vegetationsparameter .......................................................................................... 61 5.3. Berechnung des Topographischen Index.......................................................................................... 63 6 Ergebnisse ......................................................................................................................... 65 6.1 Interpretation der Rückstreueigenschaften und Anpassung des Level-Ansatzes......................... 65 6.1.1 Visuelle und statistische Interpretation der E-SAR-Daten....................................................... 65 6.1.2 Trennung der Level I-Klassen ...................................................................................................... 68 6.1.3 Anpassung des Levelansatzes für die Level II und III.............................................................. 69 6.2 Erfassung der Landnutzung................................................................................................................. 71 6.2.1 Ausweisung der Landnutzungsklassen ........................................................................................ 71 6.2.2 Spektrale Klassifikation der Bereiche mit niedriger Vegetation............................................... 73 6.2.3 Spektrale und texturale Klassifikation der Wald- und Siedlungsbereiche .............................. 74 6.2.4 Nachbearbeitung des Klassifikationsergebnisses ....................................................................... 76 6.2.5 Interpretation der Ergebnisse und Klassifikationsgenauigkeit................................................. 77 6.2.6 Vergleich mit einer Landnutzungskarte aus optischen FE-Daten........................................... 80 6.3 Bestimmung der Bodenfeuchte ........................................................................................................... 82 6.3.1 Einfluß der Oberflächenrauhigkeit .............................................................................................. 82 6.3.2 Radiometrische Korrektur des Vegetationseinflusses ............................................................... 83 6.3.3 Ableitung der Oberflächenfeuchteverteilung des Bodens ........................................................ 85 6.3.4 Verifizierung und Bewertung der Bodenfeuchteverteilung ...................................................... 87 6.4 Bestimmung der Vegetationsparameter ............................................................................................. 92 6.4.1 Vergleich zwischen der Radarrückstreuung und den Geländemeßwerten............................. 92 6.4.2 Ableitung und Interpretation der räumlichen Verteilung von Vegetationseigenschaften.... 95 6.5 Diskussion der Ergebnisse ................................................................................................................... 97 7 Zusammenfassung und Ausblick.....................................................................................100 8 Literaturliste .....................................................................................................................103 Abbildungsverzeichnis Abb. 1: Abb. 2: Abb. 3: Abb. 4: Abb. 5: Abb. 6: Abb. 7: Abb. 8: Das elektromagnetische Spektrum, nach ALBERTZ (1991) ................................................... 4 Dopplereffekt bei SAR-Systemen, nach BAYER (1990)......................................................... 5 Streuung von Radarstrahlen, nach RANEY (1998).................................................................. 6 Eindringtiefe von Radarwellen unterschiedlicher Wellenlängen in verschiedene Medien der Erdoberfläche, nach KLENKE (1999).................................................................. 8 Bezeichnung der Winkel bei SAR-Aufnahmen, nach BAYER (1990). ............................... 10 Faktoren der Radarrückstreuung von Landoberflächen, nach DOBSON ET AL. (1995a). ........................................................................................................... 11 Dielektrische Eigenschaften des Bodens in Abhängigkeit von Bodenart und Frequenz, aus DOBSON & ULABY (1998, 411)......................................................................................... 12 Geometrische und radiometrische Verzerrungen in SAR - Bildern, nach WEIMANN (1996)....................................................................................................................... 15 IV Abb. 9: Abb. 10: Abb. 11: Abb. 12: Abb. 13: Abb. 14: Abb. 15: Abb. 16: Abb. 17: Abb. 18: Abb. 19: Abb. 20: Abb. 21: Abb. 22: Abb. 23: Abb. 24: Abb. 25: Abb. 26: Abb. 27: Abb. 28: Abb. 29: Abb. 30: Abb. 31: Abb. 32: Abb. 33: Abb. 34: Abb. 35: Abb. 36: Rückstreuintensität von einem dielektrischen Zylinder in Abhängigkeit von der Polarisation und der Zylinderorientierung, nach LECKIE & RANSON (1998). ................. 17 Schematische Darstellung von Flußeinzugsgebietsspeichern und die in ihnen erfolgenden Wasserflüsse, aus FLÜGEL (1996, 46). .............................................................. 20 Lage des Untersuchungsgebietes. ........................................................................................... 41 Ausschnitt aus der topographischen Karte 1:25.000 mit der Lage der Testhänge und dem untersuchten Ausschnitt des Befliegungsstreifens............................................... 43 Karte des lokalen Einfallswinkels für die Konfiguration der L-Band-Aufnahmen......... 49 Zusammenhang zwischen der Radarrückstreuung verschieden polarisierter LBandaufnahmen und dem lokalen Einfallswinkel für (a) Laubwald und (b) Nadelwald (je 2 bis 3 Testgebiete). ................................................................................... 50 Zusammenhang zwischen der Radarrückstreuung verschieden polarisierter LBandaufnahmen und dem lokalen Einfallswinkel für (a) gemähtes und (b) nicht gemähtes Grünland (je 2 bis 3 Testgebiete). ......................................................................... 51 Zusammenhang zwischen dem lokalen Einfallswinkel, nicht standardisiert (a) bzw. standardisierter Kosinuswert (b), und der Radarrückstreuung im LVV aus 7 Testgebieten mit niedriger Vegetation. .................................................................................. 53 Zusammenhang zwischen lokalem Einfallswinkel und Radarrückstreuung nach der Korrektur mit einem komplexen Kosinusmodell (a) und einem einfachen Kosinusmodell (b)..................................................................................................................... 53 RGB-Komposite aus LVV/LHV/LHH vor (a) und nach (b) der Speckle-Filterung. ... 54 Beispiele von vier Grünlandarten zum Überflugszeitpunkt am 26.6.1996....................... 55 Anordnung der Meßstationen K1-K6 und S1-S5 sowie der TDR-Meßpunkte (vgl. Pkt. 5.2.2.2) im Relief der jeweiligen Testhänge........................................................... 57 Stündliche Bodenfeuchtewerte (Meßtiefe 15 cm) und Tagesniederschlagssummen am Kieferhang vom 12.6.96 bis 30.6.96. ...................................................................................... 57 Flächenhafte Bodenfeuchteverteilung am Kieferhang interpoliert aus TDRGeländemessungen (a) und Interpolationsvarianzen (b)..................................................... 60 Vergleich zwischen den Geländemeßwerten von Vegetationsparametern .......................... verschiedener Grünlandarten. ................................................................................................. 62 Der „multiple flow“ topographische Index in einem Ausschnitt des Untersuchungsgebietes. ............................................................................................................ 64 RGB-Komposite aus LVV/LHH/LHV. .............................................................................. 66 Mittelwert und Standardabweichung der Rückstreuintensitäten von fünf Oberflächenkategorien in fünf Radarbändern. ..................................................................... 67 Der Levelansatz angepaßt für die Datenbasis und Ziele dieser Arbeit. ............................ 70 Spektrale Signaturen verschiedener Nutzungen im Bereich niedriger Vegetation. ......... 74 Vergleich der RGB-Kompositen aus XHH/LVV/LHV und Grauwertvarianzen (9x9 Fenster) XHH/LVV/LHV............................................................................................. 75 Spektrale und texturale Eigenschaften der Trainingsgebiete für verschiedene Klassen der Bereiche Wald und Siedlung. ............................................................................. 76 Flächenhafte Landnutzungsverteilung im Untersuchungsgebiet. ...................................... 78 Vergleich der Landnutzungsklassifikationen aus Landsat TM Daten und E-SAR-Daten............................................................................................................................. 81 Korrelation zwischen den Tensiometermeßwerten der Bodenfeuchte und der Radarückstreuung im LHH (a) und LVV (b). ....................................................................... 85 Korrelation zwischen den Geländemessungen der Bodenfeuchte und den Werten der ersten Hauptkomponente.................................................................................................. 86 Vergleich der Bodenfeuchteverteilungen am Meßhang Kiefer abgeleitet aus den Radardaten (a), aus dem DGM (b) und aus den TDR-Messungen (c).............................. 88 Vergleich der Bodenfeuchteverteilungen am Meßhang Simon abgeleitet aus den Radardaten (a), aus dem DGM (b) und aus den TDR-Messungen (c).............................. 89 V Abb. 37: Verteilung der Bodenfeuchte aus den Radardaten, dargestellt in einem 10-fach überhöhten Ausschnitt des DGMs......................................................................................... 90 Abb. 38: Vergleich zwischen dem Pflanzenwassergehalt verschiedener Grünlandnutzungen und der Radarrückstreuung aus LHH (a), LHV (b) und LVV (c) sowie mit den Werten der zweiten Hauptkomponente (d)........................................................................... 93 Abb. 39: Vergleich zwischen der Trockenmasse, der feuchten Biomasse und der Vegetationshöhe verschiedener Grünlandnutzungen und der Radarrückstreuung aus LHV bzw. den Werten der zweiten Hauptkomponente............................................... 94 Abb. 40: Räumliche Verteilung des Pflanzenwassergehaltes im Untersuchungsgebiet................... 96 Tabellenverzeichnis Tab. 1: Tab. 2: Tab. 3: Spektralbänder in der Radarfernerkundung, nach BAYER (1990) ........................................ 8 Technische Spezifikationen des E-SAR-Sensors, nach HORN (1996)............................... 18 Aufnahmezeitpunkte und Eigenschaften der aufgenommenen Frequenzen und Polarisationen............................................................................................................................. 46 Tab. 4: Korrelationen der Radarbänder .............................................................................................. 46 Tab. 5: Bezeichnung, Lage, Porenvolumina und Bodenfeuchtemeßwerte zum Zeitpunkt des Überfluges an den Meßstationen der Testhänge Kiefer und Simon........................... 58 Tab. 6: Geländemeßwerte der Vegetationsparameter ....................................................................... 62 Tab. 7: Eigenschaften der Trainingsgebiete zur Klassifikation der Bereiche niedriger Vegetation................................................................................................................................... 73 Tab. 8: Eigenschaften der Trainingsgebiete zur Klassifikation der Wald- und Siedlungsbereiche ...................................................................................................................... 76 Tab. 9: Eigenschaften und Klassifikationsgenauigkeiten in den Referenzgebieten ...................... 78 Tab. 10: Eigenschaften der Hauptkomponenten aus den Bildbereichen mit niedriger Vegetation im LHH, LHV und LVV ..................................................................................... 84 Einleitung 1 1 Einleitung Die Beschreibung, Analyse und Modellierung des Landschaftswasserhaushalts zum nachhaltigen Management der natürlichen Ressource Wasser stellt eines der Hauptaufgabenfelder anwendungsorientierter geographischer Forschung dar. Die Grundlage derartiger Untersuchungen bildet die Kenntnis des komplexen Gefüges aus interaktiven, dynamischen Transfer- und Speicherprozessen sowie die umfangreiche Aufnahme von Eigenschaften des Systems zu dessen Abbildung und Simulation, beispielsweise durch distributive hydrologische Einzugsgebietsmodelle. Hierbei spielt die Quantifizierung bzw. die Erfassung räumlicher und zeitlicher Heterogenitäten landschaftsbeschreibender Parameter eine entscheidende Rolle (FLÜGEL 1996, HAEFNER & PAMPALONI 1992). Die Fernerkundung hat sich in den letzten Jahren zu einer zentralen Methode in der Aufzeichnung von Informationen über die hydrologisch relevanten Eigenschaften der Erdoberfläche entwickelt (MAUSER ET AL. 1998). Ihr Vorteil liegt in der Möglichkeit flächenhafte Daten in verschiedenen räumlichen und zeitlichen Skalen aufzunehmen. Sie stellen damit eine zeitsparende und kostengünstige Alternative bzw. Ergänzung zu konventionellen Geländearbeitsmethoden dar, die lediglich punktuelle Messungen mit relativ geringer Flächenrepräsentanz liefern können. Mit Verfahren im Bereich der multispektralen optischen Fernerkundung sind aufgrund der zahlreichen Satellitensensoren und der erarbeiteten digitalen Auswerteverfahren bereits bestimmte hydrologische Parameter nahezu operationell erfaßbar. Probleme resultieren lediglich aus der atmosphärischen Beeinflussung der Strahlung, welche die Verfügbarkeit und Qualität der Datenprodukte einschränkt (KLENKE 1999). Die Nutzung von Daten und Methoden der Radarfernerkundung wäre insbesondere durch die witterungs- und beleuchtungsunabhängige Aufnahme, der Sensitivität für andere Oberflächenparameter als optische Daten und durch die Fähigkeit in Medien einzudringen, für viele hydrologische Anwendungen interessant. Besondere Bedeutung wird dem Einsatz multifrequenter und multipolarimetrischer Radarverfahren beigemessen, da sie eine genaue Beschreibung und Trennung der komplexen Rückstreuinformation resultierend aus den dreidimensionalen, dielektrischen und strukturellen Eigenschaften der Landoberfläche bzw. deren Bedeckung ermöglichen (SCHMULLIUS & EVANS 1997). Durch den Start mehrerer satellitengetragener SAR-Sensoren werden in naher Zukunft der Anwendergemeinde erstmals kontinuierliche Radaraufzeichnungen der Landoberfläche in verschiedenen Frequenzen und Polarisationen zur Verfügung stehen. Der daraus zu erwartende Informationsgewinn bedarf der Entwicklung und Evaluierung von entsprechenden Datenverarbeitungsverfahren bezüglich der Anforderungen bestimmter Anwendungsgebiete (ULABY 1998). Insbesondere für hydrologische Fragestellungen wurde in den vergangenen Jahren eine breite theoretische Basis zur Ableitung verschiedener Parameter erarbeitet, deren konkrete Anwendung und Evaluierung in praktischen Untersuchungen noch aussteht. Einleitung 2 Vor diesem Hintergrund beschäftigt sich diese Arbeit mit der hydrologisch orientierten Auswertung multifrequenter und multipolarimetrischer Daten des flugzeuggetragenen experimentellen SAR-Sensors (E-SAR) der Deutschen Forschungsanstalt für Luft- und Raumfahrt (DLR), aufgezeichnet im Einzugsgebiet des Flusses Bröl (Rheinisches Schiefergebirge). Das grundlegende Ziel besteht in einem inhaltlichen und methodischen Beitrag zur Anwendung von SAR-Fernerkundungsdaten für hydrologische Fragestellungen sowie in der Ableitung von Informationen zur Unterstützung und Erweiterung des Kenntnisstandes im Untersuchungsraum. Durch die enge Verknüpfung der Fernerkundungsdatenauswertung mit Messungen und Ergebnissen bisheriger Forschungsarbeiten im untersuchten Gebiet ist eine anwendungsorientierte Einschätzung und Evaluation des Potentials der SAR-Informationen sowie der zur Verarbeitung und Auswertung verwendeten Methoden unter hydrologischen Gesichtspunkten gegeben. Den Schwerpunkt der Datenauswertung bildet die Ableitung flächenhafter Informationen über die hydrologisch relevanten Parameter Landnutzung, die Oberflächenfeuchte des Bodens sowie verschiedene Vegetationsparameter (Pflanzenwassergehalt, Biomasse, Vegetationshöhe). Dabei wird die SAR-Information verwendet, um thematische Bildbereiche zu trennen bzw. punkthafte Geländemessungen mit geeigneten digitalen Methoden zu regionalisieren. Die Interpretation und Verifizierung der Ergebnisse erfolgt unter Berücksichtigung der lokalen hydrologischen Kenntnisse, die in Form bisheriger Untersuchungen vorliegen bzw. durch integrativen Einsatz von Geländemethoden und GIS-Techniken erarbeitet und erweitert werden. Theoretische Grundlagen und Stand der Forschung 3 2 Theoretische Grundlagen und Stand der Forschung 2.1 Fernerkundung Der Begriff der Fernerkundung ergab sich als Übersetzung des Begriffes „remote sensing“, der Anfang der 60er Jahre von Geographen des „US Office of Naval Research“ geprägt wurde. Eine ausführliche Definition bietet HILDEBRAND (1996, 1): „ Fernerkundung im umfassenden Sinne ist die Aufnahme oder Messung von Objekten, ohne mit diesen in körperlichen Kontakt zu treten, und die Auswertung dabei gewonnener Daten oder Bilder zur Gewinnung quantitativer und qualitativer Informationen über deren Vorkommen, Zustand oder Zustandsänderung und ggf. deren natürliche und soziale Beziehungen zueinander.“ Wie aus der Definition zu entnehmen, läßt sich die Fernerkundung in die Bereiche Aufnahme und Messung sowie Auswertung unterscheiden. Während die Aufnahme und Messung von Objekten mit Hilfe von Fernerkundungssensoren vor allem auf theoretisch physikalischen Prozessen beruht, ist die Gewinnung von nutzbaren Informationen immer an ein wissenschaftliches Fachgebiet als Anwendungsrahmen gebunden. 2.1.1 Physikalische Grundlagen Als Informationsträger zwischen dem zu untersuchenden Objekt und dem Fernerkundungssensor dient die elektromagnetische Strahlung, die sich in Form einer harmonischen Welle in Lichtgeschwindigkeit ausbreitet. Sie wird als reflektierte oder emittierte Strahlung des Untersuchungsobjektes detektiert und enthält Informationen über dessen Eigenschaften. Objekte mit unterschiedlichen Eigenschaften, z.B. verschiedene Landoberflächenkategorien (z.B. Siedlung, Wald, Wasser), werden in den Aufzeichnungen des Fernerkundungssensors unterschiedlich abgebildet und können mittels Auswerteverfahren in für Anwender nutzbare Informationen umgewandelt werden. Die Gesamtheit der elektromagnetischen Strahlung wird im elektromagnetischen Spektrum dargestellt. Nach der Art ihrer Entstehung und nach der Wirkung der Strahlung teilt man das gesamte Spektrum in verschiedene Bereiche ein, die ohne scharfe Grenzen ineinander übergehen. Abb. 1 zeigt die verschiedenen Wellenlängenbereiche, ihre Bezeichnung, ihre Transmissivität durch die Atmosphäre und die wichtigsten Aufnahmeverfahren. Zur Trennung und Kennzeichnung eines Spektralbereichs werden die Wellenlänge λ und die Frequenz f verwendet (ALBERTZ 1991). Natürliche Quellen elektromagnetischer Strahlung sind die Sonne und die Erde, die aufgrund ihrer Temperatur ein kontinuierliches Spektrum aussenden. Wie in Abb. 1 sichtbar, ist die Strahlungsenergie der Sonne bedeutend höher als die der Erde und hat ihr Strahlungsmaximum bei ca. 480 nm, d.h. im Bereich des sichtbaren Lichtes. Theoretische Grundlagen und Stand der Forschung 4 100 Atmosphärische Durchlässigkeit [%] 0 16 Frequenz 15 10 Ultraviolett Wellenlänge 0.01 µm 14 10 13 10 nahes IR 0.1 µm 1 µm 12 10 11 10 10 10 mittleres und fernes Infrarot 10 µm 100 µm 1 mm Ku X 0.5 Blau Grün 0.6 Hertz Radiowellen 100 mm 1m C L S Bänder P 1.0 µm 0.7 Gelb Rot 9 Radar-Verfahren Sichtbares Licht 0.4 10 Mikrowellen 10 mm Thermal Scanner UV 10 Infrarot Photographische Aufnahmen Multispektralaufanahmen Abb. 1: Das elektromagnetische Spektrum, nach ALBERTZ (1991). Das Maximum der Erdstrahlungsmenge liegt bei ca. 10 μm im thermalen Infrarot. Die Detektion natürlicher elektromagnetischer Strahlung wird als passive Fernerkundung bezeichnet. Wird die elektromagnetische Strahlung künstlich erzeugt, z.B. bei Radar oder Laser, spricht man von aktiver Fernerkundung (LÖFFLER 1994). Diese Arbeit verwendet Daten und Methoden der Radarfernerkundung. Radar ist ein aktives Fernerkundungsverfahren und nutzt den Spektralbereich der Mikrowellen. Daraus ergeben sich im Vergleich zum Gebiet der optischen Fernerkundung, die hauptsächlich im Bereich des sichtbaren Lichtes und nahen Infrarots aufzeichnet, bestimmte prinzipielle Vorteile. Die Datenaufnahme im Bereich der Mikrowellen ist weitgehend unabhängig von den Beleuchtungs- und Witterungsverhältnissen, so daß Daten, die Verfügbarkeit entsprechender Sensoren vorausgesetzt, in stetiger zeitlicher Auflösung vorliegen. Weiterhin entfallen aufwendige Kalibrierungs- und Korrekturverfahren zur Beseitigung atmosphärischer Einflüsse (BÄHR & VÖGTLE 1998). Ein zweiter Vorteil begründet sich im aktiven Aufnahmeverfahren. Die Eigenschaften (z.B. Wellenlänge, Polarisation, Phase) und die Leistung der ausgesandten Strahlung sind bekannt. Durch die Auswertung des am Sensor detektierten, rückgestreuten Anteils kann die Interaktion mit der Erdoberfläche sehr genau beschrieben bzw. physikalisch modelliert sowie detaillierte, quantitative Informationen über deren Eigenschaften abgeleitet werden. Dabei liefert die Radarfernerkundung, aufgrund ihrer Sensitivität für andere Oberflächenparameter, andere Informationen über Geländeobjekte als optische Fernerkundungsdaten. Neben der aktiven Mikrowellenfernerkundung gibt es auch eine passive Mikrowellenfernerkundung. Diese zeichnet ähnlich der Detektion von Thermalstrahlung der Erde die von Objekten emittierte Strahlung, allerdings im Bereich der Mikrowellen, auf (ULABY ET AL. 1982). Da die Intensität der Strahlung sehr gering ist, lassen sich nur grobe räumliche Auflösungen erreichen. Für die Fernerkundung der Erdoberfläche sind diese Systeme nur bedingt einsetzbar (HILDEBRANDT 1996). Theoretische Grundlagen und Stand der Forschung 5 2.1.2 Grundlagen der Radarfernerkundung Die Aufzeichnung der Erdoberfläche mittels Radar (Radio Detection and Ranging) erfolgt durch das Aussenden von Mikrowellenstrahlung und das Messen des zum Sensor zurückgelangenden Anteils bzw. der Laufzeit (KLENKE 1999). Die Rückstreueigenschaften werden von vielen Faktoren beeinflußt. Sie ergeben sich vor allem aus der Funktionsweise und den physikalischen Grundlagen des Aufnahmeverfahrens, sowie aus sensoreigenen Systemparametern und den Eigenschaften der Oberfläche. 2.1.2.1 Funktionsweise des Synthetic Aperture Radar (SAR) Fernerkundungssysteme die nach dem Prinzip des Radar arbeiten, gliedern sich in nicht abbildende und abbildende Systeme. Nicht abbildende Systeme sind z.B. Radar Altimeter zur Bestimmung von Höhen auf der Landoberfläche. Zu den abbildenden Radarsystemen gehören das Seitensichtradar mit realer Apertur (SLAR - Side Looking Airborne Radar), das Seitensichtradar mit synthetischer Apertur (SAR - Synthetic Apertur Radar) und das Radar mit rotierender Antenne (PPI - Plan Position Indicator) (HOCHSCHILD 1995, WEIMANN 1996). Für die Fernerkundung der Erdoberfläche werden in der Regel Sensoren eingesetzt, die nach dem Aufnahmeprinzip des Synthetic Aperture Radar (SAR) arbeiten. Sie senden die Mikrowellen als Richtstrahlen seitlich in keulenförmigen Energieimpulsen aus und zeichnen mit Hilfe der reflektierten Strahlung einen Geländestreifen in einem bestimmten Abstand parallel zur Flugrichtung auf. Bei der Vorwärtsbewegung der Sensorplattform wird ein Geländeobjekt mehrfach von der ausgesandten „Radarkeule“ bestrahlt (Abb. 2). Sensor d Ra Radarimpulse mit Frequenz v2 ec ar bj eq Fr t ek ue nz Objekt zv 3 Frequenz v2 re l. ni ed rig e Fr eq ue n Flugbahn v1 Synthetische Apertur Dopplerfrequenz O he n ho vo l. re ho v1 - v2 - positive v3 - v2 - negative Abb. 2: Dopplereffekt bei SAR – Systemen, nach BAYER (1990). Theoretische Grundlagen und Stand der Forschung 6 Die reflektierte Strahlung (Radarechos) wird von dem sich vorwärts bewegenden Sensor in verschiedenen aufeinanderfolgenden Positionen aufgezeichnet. Durch die scheinbare Bewegung des Geländeobjektes durch den Radarrichtstrahl kommt es zu einer auf dem Dopplereffekt beruhenden Frequenzverschiebung (KRONBERG 1985). Die Frequenzen der Radarimpulse sind bei Annäherung an das Objekt höher und bei Entfernung vom Objekt niedriger als die der ausgesandten Radarimpulse (BAYER 1990). Im Punkt der größten Nähe zum Geländeobjekt ist die Frequenzverschiebung gleich null. Durch die kontinuierliche Aufzeichnung dieses Effekts, d.h. ein Geländobjekt wird in verschiedenen Sensorpositionen aufgenommen, kann die reale Antenne des Sensors synthetisch verlängert werden und ergibt somit die synthetische Apertur. Die räumliche Auflösung kann dadurch erheblich verbessert werden (HILDEBRANDT 1996). Der SAR-Empfänger registriert und speichert neben der Dopplerfrequenz auch die Intensität und die Phase der Radarstrahlen sowie die Zeitverzögerung, die zur räumlichen Zuordnung der Rückstreusignale benötigt wird (WEIMANN 1996). Die Kalibrierung der empfangenen Strahlung hinsichtlich der Sensorparameter wird mit Hilfe der Radargleichung durchgeführt, die bei ULABY ET AL. (1982) ausführlich hergeleitet und vorgestellt ist. 2.1.2.2 Streuung von Mikrowellen Für die Interaktion der Strahlung an der Erdoberfläche werden zwei Streumechanismen unterschieden. Die Streuung an einer Oberfläche (Oberflächenstreuung) findet an der Grenzschicht zweier Medien mit unterschiedlichen, aber homogenen dielektrischen Eigenschaften statt (ULABY ET AL. 1982). Die Mikrowellenstrahlen werden teils absorbiert und je nach Eigenschaften des unteren Mediums spiegelnd reflektiert oder diffus gestreut (HOCHSCHILD 1995). Der andere Streuvorgang, die Volumenstreuung, findet in dielektrisch inhomogenen Medien statt, in die Mikrowellenstrahlung eindringt. Abbildung 3 verdeutlicht das Streuverhalten verschiedener Oberflächen. A B C D E F G H I ~~ Abb. 3: Streuung von Radarstrahlen, nach RANEY (1998). Die Rückstreuung von der Oberfläche zeigen Fall D und E. Sie ist in der Regel gering, da häufig ein großer Teil der Strahlung durch spiegelnde Reflexion vom Sensor weg gestreut wird. Die Rauhigkeit im Fall D bedingt eine höhere Rückstreuung. Ein Sonderfall der Oberflächenstreuung ist die sogenannte Corner - Reflexion (double bounce), die in Abb. 3 durch die Beispiele A, B, F Theoretische Grundlagen und Stand der Forschung 7 und H dargestellt wird. Durch die zwei- oder mehrfach spiegelnde Reflexion, z.B. zwischen Baumstämmen und der Bodenoberfläche oder zwischen Haus und Straße, gelangen große Anteile der ausgesandten Radarstrahlung, d.h. hohe Intensitäten, zum Sensor zurück (KLENKE 1999). Im Fall C ist die Volumenstreuung angedeutet, die vor allem in der Vegetation stattfindet und aufgrund des diffusen Charakters einen größeren Teil der ausgesandten Strahlung zum Sensor zurück reflektiert als die einfache Oberflächenstreuung. Die gesamte am Sensor aufgezeichnete Strahlung ist als Summe der verschiedenen Streuvorgänge anzusehen, die abhängig von den System- und Oberflächenparametern, unterschiedliche Anteile an der Rückstreuung besitzen (SCHMULLIUS 1992). 2.1.2.3 Speckle In den Intensitätsbildern von Radarsensoren finden sich auch bei homogenen Flächen körnige Bildstrukturen, die als Speckle-Effekt bezeichnet werden. Sie entstehen, wenn kohärent ausgesandte Strahlung nach der Interaktion mit verschiedenen Streuern innerhalb eines räumlichen Mittelungsfensters (Bildpixel) mit unterschiedlichen Phasen, also phasen-diffus zurückgestreut wird. Je nach Phase führt die Überlagerung zu Interferenzen, die wiederum eine merkliche Variation der empfangenen Sendeleistung bedeutet und sich im Radarbild als kleinräumige Helligkeitsvariation (Textur) niederschlägt (BÄHR & VÖGTLE 1998). Das Auftreten von Speckle ist physikalisch durch das Aufnahmesystem bedingt und kann lediglich durch verschiedene Verfahren digitaler Bildverarbeitung reduziert werden. Zumeist wird versucht durch pixelweise Mittelung der Intensitäts- und Phaseninformation den Speckleeinfluß zu vermindern. Dies erfolgt beispielsweise durch sogenannte Multi-Look-Verfahren während der SAR-Aufnahme und Prozessierung. Hier werden durch die Unterteilung der synthetischen Apertur in mehrere unabhängige Aperturen (Single-Looks) Mehrfachaufzeichnungen eines Geländeobjekts vorgenommen, deren Rückstreuung durch Mittelung zusammengefaßt wird (Multi-Look). Die geometrische Auflösung der einzelnen Looks wird bei diesem Verfahren verringert (BÄHR & VÖGTLE 1998, KLENKE 1999). Andere Mittelungsverfahren werden durch Verwendung verschiedener Wellenlängen und Polarisationen (NEZRY ET AL. 1998), mit Hauptkomponententransformationen (HENEBRY 1997) sowie durch Bildsegmentierung in elementare Flächen homogener Eigenschaften durch Integration digitaler Zusatzdaten (NEUSCH & STIES 1998) durchgeführt. Zur Reduzierung des Speckle-Effektes sind weiterhin Filterverfahren weit verbreitet, die bei BÄHR & VÖGTLE (1998, 208 ff.) ausführlich diskutiert werden. 2.1.2.4 Systemspezifische Abbildungsparameter Eigenschaften des Sensors wie die Aufnahmegeometrie sowie die zeitliche, spektrale oder radiometrische Auflösung bezeichnet man als systemspezifische Abbildungsparameter. Die für die Radarfernerkundung bedeutsamen Aufnahmeparameter Wellenlänge bzw. Frequenz, Polarisation und Beobachtungswinkel werden im folgenden beschrieben. Theoretische Grundlagen und Stand der Forschung 8 2.1.2.4.1 Wellenlänge Die in der Radarfernerkundung genutzten spektralen Bänder sind in Wellenlängen- bzw. Frequenzbereiche unterteilt und mit Großbuchstaben bezeichnet (Tab. 1). Die Bezeichnungen der Bänder sind militärischen Ursprungs und stehen sonst in keinerlei Beziehung zu den sie bezeichnenden Spektralbereichen. Ab einer Wellenlänge von ca. 2 cm kann die Mikrowellenstrahlung die Atmosphäre, auch bei Bewölkung, nahezu unbeeinflußt durchdringen. Lediglich starke Regenereignisse können die Transmissivität der Radarstrahlen bis zu 4 cm Wellenlänge beeinträchtigen (ULABY ET AL. 1981). Tab. 1: Spektralbänder in der Radarfernerkundung, nach BAYER (1990) Band Ka K Ku X C S L P Wellenlänge λ in cm 0,75 – 1,10 1,10 – 1,67 1,67 – 2,40 2,40 – 3,75 3,75 – 7,50 7,50 – 15,0 15,0 – 30,0 30,0 – 100,0 Frequenz f in GHz 40,0– 26,5 26,5 – 18,0 18,0 – 12,5 12,5 – 8,0 8,0 – 4,0 4,0 – 2,0 2,0 – 1,0 1,0 – 0,3 Die Wellenlänge bestimmt den Anteil der Streuung an Objektoberflächen, die Eindringtiefe und die Signaldämpfung der Wellen in der Vegetation oder dem Boden und hat Einfluß auf den Anteil der Volumenstreuung an der Gesamtrückstreuung von der Erdoberfläche (BAYER 1990). X C L X C L Abb. 4: Eindringtiefe von Radarwellen unterschiedlicher Wellenlängen in verschiedene Medien der Erdoberfläche, nach KLENKE (1999). Wie aus Abb. 4 ersichtlich dringt Radarstrahlung größerer Wellenlänge (z.B. L-Band) in bestimmte Medien ein und liefern somit andere Informationen über ein Geländeobjekt als oberflächlich reflektierende Wellenlängenbänder (z.B. X-Band). Entsprechend enthalten Radarfernerkundungssensoren die in mehreren Wellenlängen aufzeichnen (multifrequente Systeme) vielseitige Informationen über die Erdoberfläche (SCHMULLIUS 1992). Theoretische Grundlagen und Stand der Forschung 9 2.1.2.4.2 Polarisation Die von SAR-Systemen ausgesandten Radarstrahlen bewegen sich als Wellen in einer Ebene fort, die entweder vertikal (V) oder horizontal (H) polarisiert ist. SAR - Systeme besitzen insgesamt vier Möglichkeiten entweder horizontal bzw. vertikal zu senden und zu empfangen. Gleichpolarisierte Systeme senden und empfangen in der selben Polarisation (VV oder HH). Kreuzpolarisierte Systeme hingegen senden Signale in horizontaler oder vertikaler Ebene und empfangen die Signale in der jeweils anderen Ebene (HV oder VH) (BAYER 1990). In Abhängigkeit von den Objekteigenschaften dringen verschieden polarisierte Radarstrahlen unterschiedlich tief in Medien ein und zeigen unterschiedliches Rückstreuverhalten. Gleichpolarisierte Radarstrahlen in VV und HH liefern unterschiedliche Rückstreuwerte, wenn die Objekte der Landoberfläche eine horizontale oder vertikale Struktur haben (vgl. Pkt. 2.1.2.5.3). Die kreuzpolarisierten Kanäle zeichnen nur die rückgestreute depolarisierte Strahlung auf. Depolarisationen entstehen vor allem bei Corner-Reflexionen und bei diffuser Streuung (z.B. Volumenstreuung). Entsprechend zeigen Waldgebiete in kreuzpolarisierten Aufnahmen hohe Rückstreuwerte (LEWIS ET AL. 1998). SAR-Sensoren, die in mehreren Polarisationen aufnehmen, bezeichnet man als multipolarimetrische Systeme. Wird neben der Rückstreuintensität auch die polarimetrische Phaseninformation aufgezeichnet, spricht man von vollpolarimetrischen Systemen. Sie ermöglichen die vollständige Beschreibung des Streuverhaltens eines Geländeobjekts durch die Messung einer komplexen Streumatrix, welche die Streumechanismen und die Streuungsheterogenität enthält. Die Verarbeitung vollpolarimetrischer Mikrowellensignale bezeichnet man als Polarimetrie (EVANS ET AL. 1988, CLOUDE & PORTIER 1997). 2.1.2.4.3 Beobachtungswinkel Die Beobachtungswinkel sind aufgrund des Seitensichtcharakters von SAR-Systemen für die Aufnahme von besonderer Bedeutung. Abbildung 5 verdeutlicht und bezeichnet die verschiedenen Winkel bei SAR-Aufnahmen. Der Depressionswinkel ist der Abstrahlwinkel des SAR-Systems. Der bestimmt sich aus dem Komplementärwinkel des Depressionswinkels unter Berücksichtigung der Erdkrümmung. Der lokale Einfallswinkel ergibt sich aus dem Einfallswinkel und der lokalen Topographie (Hangneigung und Exposition) (BAYER 1990, LEWIS ET AL. 1998). Theoretische Grundlagen und Stand der Forschung 10 SAR Vertikale Geländenormale Depressions- Lokale Hangneigung Radarwelle winkel Einfallswinkel Lokaler Einfallswinkel Azimuthwinkel Einfallswinkel Azim Near uth Ra n ge e Rang ahm Aufn en estreif ange Far R Abb. 5: Bezeichnung der Winkel bei SAR-Aufnahmen, nach BAYER (1990). Variationen der Beobachtungswinkel bedingen geometrische und radiometrische Verzerrungen im Radarbild. Die Rückstreuintensität nimmt in der Regel mit sinkendem Einfallswinkel ab (vgl. Pkt. 2.1.2.5.2). Desweiteren ändert sich die am Sensor aufgezeichnete Streuzusammensetzung von Flächen gleicher Oberflächeneigenschaften (JACKSON & O‘NEILL 1985). Bei Vegetationsflächen beispielsweise steigt mit zunehmendem Einfallswinkel der Anteil der Volumenstreuung, bei gleichzeitig verringerter Eindringtiefe der Radarstrahlen (LUCKMAN 1998b, SKRIVER ET AL. 1999). Rauhe Oberflächen zeigen ebenfalls ein vom Einfallswinkel abhängiges Streuverhalten, wobei der Einfluß der Rauhigkeit mit steigendem Einfallswinkel zunimmt (RANEY 1998). 2.1.2.5 Objektspezifische Abbildungsparameter Bei der Interaktion der Radarstrahlung mit Objekten der Erdoberfläche nehmen verschiedene objektspezifische Abbildungsparameter Einfluß auf die Rückstreuung der Strahlung zum Sensor. Sie sind für die Auswertung von Bedeutung, da eine Fernerkundungsdatenauswertung versucht, über die Rückstreuinformation auf bestimmte Eigenschaften der untersuchten Oberfläche zu schließen. Prinzipiell sind Mikrowellen sensitiv für die dielektrischen Eigenschaften sowie die Geometrie der Geländeobjekte in Form von Rauhigkeitscharakteristika und dreidimensionalen räumlichen Strukturen. Diese grundlegenden Sensitivitätskategorien präsentieren sich zum Aufzeichnungszeitpunkt auf der Erdoberfläche als eine komplexe Konfiguration verschiedener Theoretische Grundlagen und Stand der Forschung 11 Landbedeckungs- und Landoberflächenattribute (Abb. 6), deren dreidimensionale Verteilung in einem zweidimensionalen Fernerkundungsbild abgebildet wird (RANEY 1998). Radar-Rückstreuung Landbedeckungsattribute Strukturelle Eigenschaften Dielektrische Eigenschaften Landoberflächenattribute Dielektrische Eigenschaften Rauhigkeitscharakteristika Relief Form, Grösse Orientierung Innere Eigenschaften Externe, ephemere der Objektbestandteile Einflüsse Oberflächenrauhigkeit Abb. 6: Faktoren der Radarrückstreuung von Landoberflächen, nach DOBSON ET AL. (1995a). Radarrückstreurelevante Landbedeckungsattribute sind vor allem Eigenschaften von Vegetation oder Bebauungen, d.h. deren strukturellen Faktoren, wie z.B. Form, Größe und Orientierung der Objektbestandteile und deren Dielektrizitätskonstante. Bei Landoberflächenattributen, z.B. des Bodens oder des Reliefs, werden die geometrischen Eigenschaften vor allem von verschiedenen Rauhigkeitscharakteristika bestimmt (DOBSON ET AL. 1995a). Die Hauptaufgabe bei der Ableitung nutzbarer Informationen über einzelne Objekteigenschaften besteht in der Interpretation und Trennung der geometrischen und dielektrischen Rückstreueffekte innerhalb der jeweiligen Attributkategorie (Abb. 6). Zu berücksichtigen ist, daß der Radarsensor einen zeitlichen „Snapshot“ aufzeichnet und die objektspezifischen Abbildungsparameter mehr oder weniger kurzfristigen, zeitlichen Schwankungen unterliegen. Sie werden durch externe, ephemere Einflüsse der Atmosphäre (Regen, Wind, Tau), Zustandsänderungen der Vegetation oder Nutzungsaktivitäten des Menschen hervorgerufen (DOBSON ET AL. 1995a, LECKIE & RANSON 1998). 2.1.2.5.1 Dielektrische Eigenschaften Die Dielektrizitätskonstante ε ist eine komplexe Materialkonstante. Sie ist ein Maß für die Verschiebung innerer Ladungen eines Materials in Reaktion auf ein elektrisches Feld und beschreibt die Fähigkeit des Materials, durch Ladungstrennung Energie zu speichern und zu reflektieren. Mathematisch beschrieben wird sie durch einen Realanteil ε‘ und einen Imaginärbzw. Bildanteil ε‘‘. Der Realanteil ε‘ ist ein Maß für den Grad der Ladungstrennung und bestimmt so den Reflexionsanteil beim Übergang der Strahlung von einem Medium in ein anderes. Je größer der Kontrast zwischen den Dielektrizitätskonstanten ε zweier Medien, umso stärker ist auch die Interaktion elektromagnetischer Wellen an der Grenzfläche der beiden Medien und somit die Radarrückstreuung (BAYER 1990). Theoretische Grundlagen und Stand der Forschung 12 Die Dielektrizitätskonstante von Wasser beträgt ca. ε=80. Luft (ε≈1), trockener Boden (ε≈3,5) und trockene Vegetation (ε≈2) haben hingegen deutlich niedrigere Werte. Daher sind die dielektrischen Eigenschaften von natürlichen Medien im wesentlichen durch ihren Wassergehalt bestimmt, d.h. Variationen der Bodenfeuchte und des Pflanzenwassergehaltes haben Auswirkungen auf die dielektrischen Eigenschaften bzw. auf die Rückstreueigenschaften dieser Flächen (HALLIKAINEN ET AL. 1985, HOCHSCHILD 1995). Die Dielektrizitätskonstante des Bodens ist neben der Bodenfeuchte auch von der Bodenart und der Frequenz der Radarstrahlung abhängig (ULABY ET AL. 1986, MATTIKALLI ET AL. 1997, Abb. 7). Abb. 7: Dielektrische Eigenschaften des Bodens in Abhängigkeit von Bodenart und Frequenz, aus DOBSON & ULABY (1998, 411). Die Eindringtiefe von Mikrowellenstrahlung in ein Medium ist ebenfalls von dessen dielektrischen Eigenschaften abhängig. Sie verringert sich prinzipiell mit zunehmendem Feuchtegehalt. In trockenem Boden kann Radarstrahlung in Abhängigkeit von der Wellenlänge bis zu mehreren Dezimetern eindringen und wird dort vor allem volumengestreut. Ein feuchter Boden streut im wesentlichen oberflächig und in den ersten Zentimetern (BOISVERT ET AL. 1995, KLENKE 1999). Das Eindringen bzw. Durchdringen von Vegetation hängt von deren Eigenschaften (TACONET ET AL. 1996) und vom Einfallswinkel ab (LUCKMAN 1998b). 2.1.2.5.2 Rauhigkeitscharakteristika Die Rauhigkeiten von Erdoberflächen lassen sich in Abhängigkeit von der räumlichen Auflösung des Sensors in mikroskalige-, mesoskalige- und makroskalige Rauhigkeiten trennen. Sie sind bei der Verarbeitung und Auswertung von SAR-Daten als unabhängige Rückstreueinflüsse zu behandeln. Theoretische Grundlagen und Stand der Forschung 13 Mikroskalige Rauhigkeiten - Oberflächenrauhigkeit Mikroskalige Rauhigkeiten von Geländeoberflächen werden häufig auch als Oberflächenrauhigkeiten bezeichnet. Sie sind in ihrer räumlichen Dimension kleiner als die geometrische Auflösung des Sensors und bestimmen somit den Grauwert des entsprechenden Pixels als Mittelung über diese Fläche. Generell steigt die Rückstreuung mit zunehmender Rauhigkeit an, wobei der zunehmend diffuse oder isotrope Streuanteil gegenüber der kohärenten Streukomponente die höhere Rückstreuung bedingt (LEWIS ET AL. 1998). Die Rauhigkeit einer Oberfläche wird durch die Standardabweichung (RMS-Root Mean Square) der einzelnen Rauhigkeitselemente zu einer mittleren Referenzhöhe (vertikale Rauhigkeit) und durch die Autokorrelationslänge (horizontale Rauhigkeit) beschrieben. Die Autokorrelationslänge gibt die Entfernung an, ab der Rauhigkeiten unabhängig voneinander sind. Im Gelände ist sie aber sehr schwierig zu bestimmen (WEIMANN 1996). Zur Beschreibung von Oberflächenrauhigkeiten wird deshalb häufig auf die RMS-Höhe zurückgegriffen. Mögliche Verbesserungen in der Geländeerfassung kleinräumiger Rauhigkeiten läßt die Betrachtung größerer Flächen mit fraktalen Methoden erwarten (LE TOAN ET AL. 1998). Neben der Rauhigkeit selbst bestimmen die Wellenlänge und der Einfallswinkel der Strahlung die Intensität der Rückstreuung zum Sensor. Bei der Rückstreuung von rauhen Oberflächen im Bereich von kleinen Einfallswinkeln (bis ca. 20-25º) findet hauptsächlich spiegelnde oder stark gerichtete, diffuse Reflexion statt, deren Intensität mit zunehmenden Einfallswinkel abnimmt (RANEY 1998). Dieser Vorgang wird häufig durch das Facettenmodell beschrieben (ULABY ET AL. 1982). Bei größeren Einfallswinkeln hängt die Rückstreuung zunehmend von kleinräumigen Oberflächenrauhigkeiten im Größenordnungsbereich der Wellenlänge ab. Die Rückstreuung ist von diffuser Reflexion dominiert, zu deren Charakterisierung vor allem das Bragg-Modell herangezogen wird (BAYER 1990). Zur Überprüfung, ob eine Oberfläche bei einer bestimmten Wellenlänge (λ) und bestimmten Einfallswinkeln (θ) rauh ist, hat sich das Frauenhoferkriterium bewährt (WEIMANN 1996). Demnach ist eine Oberfläche mit einer relativen Höhendifferenz s als glatt zu bezeichnen, wenn Gleichung 2.1. gilt. s< λ 32 ⋅ cosθ k= 2π λ ks = k ⋅ s (2.1) (2.2) (2.3) HOCHSCHILD (1995) ermittelte für die Konfiguration der ERS-1 Satelliten 1 (λ=5,6 cm; θ=23º) einen Rauhigkeitsgrenzwert s für glatte Oberflächen von 0,19 cm. Betrachtet man dieses Verhältnis für die Systemeigenschaften des JERS-1 Satelliten (λ=23 cm; θ=35º) erhält man einen Wert s=0,88 cm. Durch die Multiplikation der Werte mit der Wellenzahl k (Gleichung 2.2) erhält Theoretische Grundlagen und Stand der Forschung 14 man ks-Werte (Gleichung 2.3), die bei beiden Satellitenkonfigurationen bei ca. 0,2 liegen. Daß heißt Oberflächen, die Rauhigkeiten von ks≤0,2 aufweisen, zeigen keinen Einfluß auf die Radarrückstreuung. Ks-Werte zwischen 0,2 und 1,0 beeinflussen das Rückstreuverhalten nur gering (DUBOIS ET AL. 1995). Oberflächen mit ks-Werten von größer als 1,0 bezeichnen ULABY ET AL. (1982) als sehr rauh und rückstreurelevant. WEIMANN (1996) untersuchte vegetationsfreie landwirtschaftliche Flächen im mitteldeutschen Raum auf ihre ks-Werte. Die mittleren Rauhigkeiten im C-Band liegen bei unterschiedlichen Bearbeitungszuständen immer über ks=1,0 , d.h. Rauhigkeiten geeggter Felder mit ks-Werten zwischen 1,3 und 1,9 sind im C-Band stark rückstreurelevant. Zu ähnlichen Ergebnissen kommen ebenfalls LE TOAN ET AL. (1993). Im L-Band haben die Flächen ks-Werte von 0,3 bis 0,4 und damit einen geringeren Rauhigkeitseinfluß auf die Rückstreuung. Gegrubberte und gepflügte Felder ergeben ks-Werte zwischen 1,9 und 4,2 im C- und zwischen 0,5 und 1,0 im L-Band und bedingen somit in beiden Wellenlängen rauhigkeitsinduzierte, höhere Rückstreuintensitäten. Mesoskalige Rauhigkeiten Mesoskalige Rauhigkeiten sind für die Radarrückstreuung bedeutsame Inhomogenitäten von Oberflächen, die etwas größer als die räumliche Auflösung des Sensors sind. Sie bedingen die Textur des Intensitätsbildes, d.h. die räumliche Anordnung von Bildgrauwerten. Beispielhaft zu nennen wären die Radarrückstreuung von Siedlungen oder von Gebieten mit kleinräumigen Änderungen der Höhe und Hangneigung (LEWIS ET AL. 1998). Makroskalige Rauhigkeiten - Relief Makroskalige Rauhigkeiten werden durch die regionale Topographie, d.h. durch das Relief der Landoberfläche bestimmt. Durch das Seitensichtverfahren von SAR-Systemen führt dieser Einfluß zu geometrischen und radiometrischen Verzerrungen im resultierenden Bild (LEWIS ET AL. 1998). Die räumliche Zuordnung der Geländeobjekte erfolgt bei SAR-Systemen über die Pulslaufzeit, d.h. Geländeobjekte mit kurzen Pulslaufzeiten befinden sich näher am Sensor und werden entsprechend dargestellt (Abb. 8). Im Fall A befindet sich die Bergkuppe näher am Sensor, d.h. ihr Signal wird vom Sensor eher empfangen, als das entsprechende Signal am Fuß des Berges. Der Bergfuß wird im Radarbild geometrisch überlagert. Dieser Effekt heißt Layover und tritt besonders bei kleinen Einfallswinkeln und stark geneigten Hängen auf. Im Fall B kehrt der Radarimpuls des Bergfußes zwar eher zum Sensor zurück, allerdings erfolgt die geometrische Darstellung verkürzt (Foreshortening). Layover- und Forshortening-Bereiche haben aufgrund ihrer zum Sensor gewandten Reflexion eine hohe Rückstreuintensität. Die jeweils vom Sensor abgewandten Bereiche (Schatten) werden im Verhältnis zur ebenen Projektion geometrisch gestreckt dargestellt. Aufgrund der schlechten Ausleuchtung durch das Radarsignal und der vom Relief bestimmten Reflexion vom Sensor weg, haben diese Bereiche geringe Rückstreuintensitäten. Geometrische Theoretische Grundlagen und Stand der Forschung 15 Reliefverzerrungen können mit Hilfe Digitaler Geländemodelle weitestgehend korrigiert werden (KLENKE 1999, WEIMANN 1996). A Überlagerung/Layover B Verkürzung/Foreshortening Rückstreuintensität Schatten Schatten Abb. 8: Geometrische und radiometrische Verzerrungen in SAR - Bildern, nach WEIMANN (1996). Schwankungen der Rückstreuintensität durch das Relief (radiometrische Verzerrungen), hervorgerufen durch unterschiedliche Hangneigungen und Expositionen im Verhältnis zur einfallenden Strahlung, sind bei der Auswertung der Daten als störende Einflüsse in der Regel nicht zu vernachlässigen. In der Praxis wird mit diesem Problem unterschiedlich umgegangen. HOCHSCHILD (1995) schloß Reliefeinflüsse aus seinen Analysen aus, indem er nur Flächen gleicher Hangneigung und Exposition verglich. Einen ähnlichen Ansatz nennt KLENKE (1999) für die Ableitung von Landnutzungsinformation. Er spricht von der Ausweisung einheitlicher Neigungsund Expositionsklassen innerhalb Flächen gleicher Nutzung für das Training eines überwachten Klassifikators. Eine erfolgreiche Eliminierung des Reliefeinflusses bei der multitemporalen Auswertung von SAR-Daten erreichen KLENKE & HOCHSCHILD (1999) mit Hilfe der Hauptkomponentenanalyse. In anderen Ansätze wurde versucht den Reliefeinfluß im Radarbild radiometrisch zu korrigieren. Zur Beschreibung topographischer Effekte wird häufig der lokale Einfallswinkel als Variable der Landoberfläche verwendet (DOMIK ET AL. 1988, BAYER 1990, LUCKMAN 1998a). Er berechnet sich aus einem Digitalen Geländemodell (DGM) und den Aufnahmeparametern des SAR-Sensors (vgl. Pkt. 2.1.2.4.3). GOYAL ET AL. (1998) weisen darauf hin, daß für eine zufriedenstellende Wiedergabe der Reliefeinflüsse die räumliche Auflösung des DGMs mindestens gleich der des SARs sein muß. Andere Autoren nennen sogar eine vierfach höhere DGM-Auflösung als notwendige Voraussetzung für die topographische Normalisierung von Fernerkundungsdaten (GOODENOUGH ET AL. 1990, ITTEN ET AL. 1992). Theoretische Grundlagen und Stand der Forschung 16 Die Korrektur der SAR-Daten wird mit Hilfe eines Rückstreumodells unter Verwendung des lokalen Einfallswinkels durchgeführt. Verbreitet sind einfache Kosinus- bzw. Sinus-Modelle (CHAMPION 1996, LUCKMAN 1998a, SU ET AL. 1997), denen die Annahme einer Lambert‘schen Reflexion, d.h. einer richtungsunabhängigen diffus reflektierenden Oberfläche zugrunde liegt. BAYER (1990) wendete verschiedene Korrekturmodelle an und kommt zu dem Schluß, daß die Annahme einer Lambert‘schen Reflexion zur Korrektur topographischer Einflüsse nur zu ungenügenden Ergebnissen führt. Komplexere Modelle liefern eine bessere Beschreibung der reliefabhängigen Streuvorgänge. Sie sind allerdings aufwendiger zu parameterisieren und für die operationelle Anwendung weniger geeignet. Einen einfachen empirischen Ansatz verwenden GOYAL ET AL. (1998) indem sie einen linearen Zusammenhang zwischen der Radarrückstreuung und dem lokalen Einfallswinkel ermitteln und die Daten damit korrigieren. Sie stellen jedoch fest, daß nicht alle topographischen Effekte in diesem Verfahren beseitigt wurden und kommen zu dem Schluß, daß mit dem lokalen Einfallswinkel die reliefinduzierten radiometrischen Rückstreuvariabilitäten nur unzureichend beschrieben werden können. Vielmehr beeinflussen auch andere Oberflächenparameter, wie beispielsweise unterschiedliche Vegetationstypen oder Oberflächenrauhigkeiten mit ihren einfallswinkelabhängigen Variationen der Streumechanismen die reliefbedingten Rückstreuunterschiede (JACKSON & O‘NEILL 1985, LUCKMAN 1998b, SKRIVER ET AL. 1999, ULANDER 1996). Deshalb sollten die Reliefkorrekturen, wenn möglich, durch Integration von Oberflächenrauhigkeits- und Vegetationsparametern (GOYAL ET AL. 1999) oder durch individuelle Bearbeitung verschiedener thematischer Bildbereiche (z.B. Wald/nicht Wald, KLENKE 1999) erfolgen. Entsprechende nutzungsspezifische Modelle sind bereits bekannt (CHAMPION 1996, DONG ET AL. 1995). Prinzipiell besteht jedoch in der Entwicklung und Anwendung von Korrekturalgorithmen weiterer Forschungsbedarf (KLENKE 1999). 2.1.2.5.3 Geometrische Objekteigenschaften Die dreidimensionalen räumlichen Strukturen von Objekten der Erdoberfläche beeinflussen die Radarrückstreuung hinsichtlich der Intensität und Streucharakteristika. Grundlegende geometrische Eigenschaften sind Größe, Form und Orientierung (BRISCO & BROWN 1998). Der Einfluß der Objektgrößen und -formen hängt vor allem von der Wellenlänge der Strahlung bzw. von der räumlichen Auflösung des Sensors ab. Entspricht die Ausdehnung und Form der Objekte annähernd der Wellenlänge, so zeigen sich vielseitige, inhomogene Streumuster. Größere und hinsichtlich der Form homogenere Geländeobjekte streuen eher einheitlich (LECKIE & RANSON 1998). Die Orientierung ist unter Berücksichtigung der Blickrichtung des Radars zu betrachten. Lineare Objektformationen (z.B. landwirtschaftliche Bearbeitungsrichtungen, Lineamente) können in Abhängigkeit von ihrer range- oder azimuth-Orientierung als Struktur im Radarbild unterschiedlich abgebildet werden. Befindet sich eine solche Struktur parallel zur Flugrichtung wird sie im Radarbild in der Regel nicht wiedergegeben (RANEY 1998, LEWIS ET AL. 1998, BÄHR & VÖGTLE 1998). Die Orientierung von Objekten (z.B. Getreide, Bäume, Weidezäune) kann mit Hilfe von dielektrischen Zylindern beschrieben werden. Abbildung 9 zeigt, daß die Rückstreuung der Radarstrahlung, die in der selben Ebene wie die Zylinderorientierung polarisiert liegt, höher ist, Theoretische Grundlagen und Stand der Forschung 17 als die Rückstreuung der übrigen Polarisationen. Bei vertikaler Struktur finden in der Regel doublebounce-Reflexionen zwischen Boden und Zylinder statt. Geneigte Zylinder produzieren vor allem depolarisierte Rückstreuung (FERRAZZOLI ET AL. 1997). vertikal horizontal Polarisation VV HH HV/VH A hoch niedrig niedrig B mittel niedrig niedrig C niedrig hoch niedrig D niedrig niedrig niedrig Abb. 9: Rückstreuintensität von einem dielektrischen Zylinder in Abhängigkeit von der Polarisaion und der Zylinderorientierung, nach LECKIE & RANSON (1998). Der Einfluß der Geometrie und Morphologie von Vegetation auf die Radarrückstreuung wird aufgrund der vielgestaltigen Beschaffenheit von Feldfrüchten in der Auswertung multifrequenter und multipolarimetrischer SAR-Daten von landwirtschaftlichen Nutzflächen deutlich (BARONTI ET AL. 1995, BRISCO & BROWN 1998, FREEMAN ET AL. 1994, SCHMULLIUS 1992). In urbanen Gebieten findet vorwiegend Rückstreuung aufgrund von double-bounce-Reflexionen zwischen der Erdoberfläche und den eckigen, vertikalen Bebauungstrukturen statt. In den dem Sensor abgewandten Bereichen entstehen Schatten (DONG ET AL. 1997, HENDERSON & XIA 1998, vgl. Abb. 3). 2.1.3 SAR-Fernerkundungssensoren – das E-SAR Die Radarfernerkundung ist im Vergleich zu optischen Verfahren eine relativ junge Fernerkundungstechnologie, da erst seit den siebziger Jahren systematische SAR-Messungen durchgeführt wurden. Der Schwerpunkt der Anwendungen lag zu Beginn im Bereich der Ozeanographie. Der erste SAR-Satellit war der amerikanische SEASAT im Jahr 1978, der allerdings nur für ca. 100 Tage Daten aufzeichnete. Es folgten in den 80er Jahren die ShuttleMissionen SIR-A bzw. B und SIR-C/X-SAR im Jahr 1994. Mit dem ERS-1 und 2 (Start 1991 bzw. 1995), dem JERS-1 (Start 1992) und dem RADARSAT (Start 1995) standen erstmals einer breiten Anwendergemeinde kontinuierlich aufgenommene Radardaten satellitengetragener Systeme zur Verfügung. Diese Satelliten waren allerdings nur mit einem einfrequenten und singlepolarisierten SAR ausgestattet. Für einige Anwendungen gestaltete es sich schwierig, aufgrund der Vielzahl radarrückstreurelevanter Oberflächenparameter die einkanalige SAR-Information erfolgreich Theoretische Grundlagen und Stand der Forschung 18 auszuwerten (ULABY 1998, RANEY 1998). Gute Ergebnisse konnten vor allem mittels multitemporaler Datenauswertung (z.B. KATTENBORN ET AL. 1993, KLENKE 1999) oder mit interferometrischen Verarbeitungsmethoden (BORGEAUD & WEGMÜLLER 1996, FLOURY ET AL. 1996, KLENKE 1998, SCHWÄBISCH 1997) erreicht werden. Multikanalige (multifrequent, multipolarimetrisch) SAR-Aufzeichnungen beschränkten sich bisher auf Daten bodengestützter und flugzeuggetragener Systeme sowie die Aufnahmen der SIR-C/XSAR-Mission. Deren Ergebnisse zeigen das hohe Potential dieser Daten für eine Reihe von Anwendungen (SCHMULLIUS & EVANS 1997, ULABY 1998). In den nächsten fünf Jahren werden mit dem Start von ENVISAT, LightSAR, ALOS (Palsar) und TerraSAR eine Reihe neuer Satelliten diese „Datenlücke“ schließen und kontinuierlich Daten liefern (ULABY 1998). Unter Berücksichtigung der höheren spektralen und räumlichen Auflösung dieser Sensoren sind zur Entwicklung und Evaluierung von Datenverarbeitungsverfahren sowie zur Abschätzung von Anwendungspotentialen zusätzliche Studien mit flugzeuggetragenen Systemen notwendig. Diese Untersuchungen sollten sich an den technischen Spezifikationen zukünftiger Satellitensensoren orientieren. In dieser Arbeit werden Daten des experimentellen, flugzeuggetragenen SAR-Systems (E-SAR) der Deutschen Forschungsanstalt für Luft- und Raumfahrt (DLR), Oberpfaffenhofen verwendet. Das E-SAR ist seit 1989 auf einem Flugzeug der Marke Do-228 im Einsatz. Mit seiner derzeitigen Ausstattung ist es in der Lage, Gebiete im multifrequenten, multipolarimetrischen und interferometrischen SAR-Modus aufzuzeichnen (Tab. 2). Als Radarkanäle stehen das X-, C- und SBand in den Kopolarisationen (HH, VV) sowie das L- und P-Band im vollpolarimetrischen Modus (HH, VV, HV, VH) zur Verfügung. Tab. 2: Technische Spezifikationen des E-SAR Sensors, nach HORN (1996) BAND Centerfrequenz Wellenlänge Polarisation Interferometrie X-BAND C-BAND S-BAND L-BAND P-BAND 9.6 GHz 5.3 GHz 3.3 GHz 1.3 GHz 450 MHz 3 cm 5,6 cm 10 cm 23 cm 67 cm HH + VV HH + VV HH + VV HH, VV, HV, VH HH, VV, HV, VH single pass repeat pass repeat pass Die Einfallswinkel haben bei flugzeuggetragenen Systemen aufgrund der niedrigen Flughöhe einen relativ großen Schwankungsbereich und liegen beim E-SAR zwischen 20°-60°. Die Breite des Aufnahmestreifens ist variabel, liegt in der Regel bei 3 km. In diesem Modus wird in den meisten Aufnahmefrequenzen eine Bodenauflösung von ca. 2 m erreicht. Die Aufnahme interferometrischer Daten ist prinzipiell durch X-Band single-pass- bzw. L-und P-Band repeat-passInterferometrie möglich. Die Baseline für die single-pass-Interferometrie beträgt 1,62 m in Acrosstrack und 0,87 m in Along-track (HORN 1996, HORN ET AL. 1999, BUCKREUSS & HORN 1998, SCHREIBER 1998). Theoretische Grundlagen und Stand der Forschung 19 Die ersten Jahre der E-SAR-Datenaufnahme dienten vor allem dem Aufbau, der Kalibrierung und der Erweiterung des SAR-Sensors. Seit Mitte der neunziger Jahre standen E-SAR-Daten zunehmend dem Anwender zur Verfügung und wurden für verschiedene Fragestellungen eingesetzt. Ein Schwerpunkt der Auswertungen lag auf der multitemporalen Auswertung von multifrequenten und multipolarimetrischen Daten für das Monitoring landwirtschaftlicher Nutzpflanzen (SCHMULLIUS ET AL. 1994, SCHMULLIUS & NITHAK 1996, SCHMULLIUS & SCHRAGE 1998). HAJNSEK ET AL. (1998, 1999a) beschäftigten sich mit der Auswertung von E-SAR-Daten zur Ableitung hydrologisch-relevanter Geländeparameter im Rahmen einer Untersuchung zur ökologischen und morphologischen Dynamik der Elbe. Untersucht wurden dabei die Topographie, die Landbedeckung, die Bodenfeuchte sowie verschiedene Vegetationsparameter. Der Frage zur Ableitung von Bodenfeuchteinformationen aus E-SAR-Daten widmen sich HAJNSEK ET AL. 1999b, NEUSCH & STIES (1998, 1999), SU ET AL. (1997) sowie WEIMANN (1996). 2.2 Hydrologische Grundlagen Die Verfügbarkeit und Qualität der natürlichen Ressource Wasser stellt weltweit eine essentielle Grundlage jeder wirtschaftlichen, sozialen und ökologischen Entwicklung dar. Das global anhaltende Bevölkerungswachstum und die zunehmende Gefährdung der Süßwasservorräte durch anthropogene Eingriffe erfordern deshalb ein nachhaltiges Management der zur Verfügung stehenden Wasservorräte. Die Aufgabe der angewandten hydrologischen Forschung besteht in der Beobachtung, Messung und systematischen Analyse der Ressourcen bzw. der steuernden Prozesse sowie in der Anwendung von wissenschaftlichen Methoden zur Ableitung praxisbezogener, entscheidungsunterstützender Aussagen (DYCK & PESCHKE 1982, HÄFNER & PAMPALONI 1992, FLÜGEL 1996). Insbesondere durch die Entwicklung und Anwendung digitaler Methoden in der Abbildung, Verarbeitung und Modellierung hydrologisch-relevanter Rauminformationen bzw. Prozesse sowie deren Einbindung in integrative Entscheidungsunterstützungssysteme konnte in den letzten Jahren ein erheblicher Beitrag zum hydrologischen Prozeßverständnis bzw. zur praktischen Umsetzung von Erkenntnissen erzielt werden (MAIDMENT 1996, MEIJERINK ET AL. 1994, STAUDENRAUSCH ET AL. 1999). 2.2.1 Hydrologische Parameter im System Boden-Vegetation-Atmosphäre Die in der Natur ablaufenden hydrologischen Prozesse sind außerordentlich vielfältig. Eines der bedeutsamsten Interaktionssysteme in der Steuerung verschiedener hydrologischer Austausch-, Transport- und Speicherprozesse besteht zwischen Boden, Vegetation und Atmosphäre. Abbildung 10 zeigt einen „real world“-Ausschnitt eines Flußeinzugsgebiets mit den wesentlichen Komponenten und Prozessen im System Boden-Vegetation-Atmosphäre. Es verdeutlicht die dreidimensionale räumliche Heterogenität topographischer, geologischer, pedologischer und landnutzungsspezifischer Eigenschaften sowie deren Bedeutung für die hydrologische Dynamik in Form von Evapotranspiration, Infiltration, Oberflächenabfluß und Abflußentstehung (FLÜGEL 1996). Einige für das hydrologische Gefüge bedeutende Gebietseigenschaften und -parameter werden im folgenden näher vorgestellt. Theoretische Grundlagen und Stand der Forschung 20 Abb. 10: Schematische Darstellung von Flußeinzugsgebietsspeichern und die in ihnen erfolgenden Wasserflüsse, aus FLÜGEL (1996, 46). Ein hydrologisch-relevanter Parameter ist die Landnutzung bzw. Landbedeckung. Dabei bezieht sich der Begriff Landbedeckung auf ein allgemein beschreibendes Kriterium der Landoberflächenbedeckung, die im Fernerkundungsbild als solche objektiv zu erkennen ist. Die Landnutzung hingegen berücksichtigt vor allem die anthropogene Nutzungs- und Bewirtschaftungskomponente, die nicht zwingend aus den Fernerkundungsdaten erkennbar sein muß und ggf. durch Integration von zusätzlichem „local knowledge“ zu interpretieren ist (LILLESAND & KIEFER 1994, LO 1998). In dieser Arbeit wird zusammenfassend der Begriff Landnutzung verwendet, der die räumliche und zeitliche Verteilung der Nutzungsarten und -muster in Form thematischer Klassen beschreibt. Diese beinhalten Informationen über den Versiegelungsgrad, über Vegetationseigenschaften (z.B. Bedeckungsgrad, Durchwurzelungstiefe) und über Stoffeinund -austräge (SCHULZE 1995). Weiterhin können zeitlich wiederkehrende Veränderungen (z.B. Ernte, Mahd) berücksichtigt werden. Die Landnutzungseigenschaften eines Raumes beeinflussen die Interzeption und die Evapotranspiration als wichtige Größen der hydrologischen Dynamik (FLÜGEL 1995). Veränderungen der Landnutzung können innerhalb eines oder weniger Jahre erfolgen (z.B. Aufforstungen, Siedlungswachstum) und die hydrologische Dynamik des Gebietes beeinflussen. Es besteht deshalb ein Bedarf nach aktuellen Daten (HALL ET AL. 1995). Der Boden stellt einen wichtigen Wasserspeicher im hydrologischen Kreislauf dar (SCHOLES & SAVAGE 1989). Das in ihm enthaltene Wasser (Bodenwasser, Bodenfeuchte) beeinflußt den Energie- und Wasseraustausch zwischen Erdoberfläche und Atmosphäre (z.B. aktuelle Evapotranspiration, latenter Wärmestrom), die Abflußbildung, die Bodenerosion sowie die Pflanzenversorgung mit Wasser bzw. Nährstoffen und ist deshalb für viele Anwendungen von Theoretische Grundlagen und Stand der Forschung 21 Bedeutung (BLÖSCHL ET AL. 1993, ENTEKHABI ET AL. 1996, HOUSER 1996, WESTERN & BLÖSCHL 1999). Die Bodenfeuchte definiert als der Anteil Wasser der durch Trocknen bei 105° C aus dem Boden getrieben werden kann (SCHEFFER & SCHACHTSCHABEL 1998), hängt von verschiedenen Eigenschaften des Bodens ab. Dazu zählen die Korngrößenverteilung, das Gefüge bzw. das Porenvolumen und die Porengrößenverteilung. Die Zufuhr von Wasser zur Anreicherung des Bodenspeichers erfolgt durch den Niederschlag, das Grundwasser und zu geringem Maße durch Kondensation aus der Atmosphäre (SCHOLES & SAVAGE 1989, SCHEFFER & SCHACHTSCHABEL 1998). Wasserabgabe wird vor allem durch Evapotranspirationsverluste, Versickerung, Abfluß bzw. Aufnahme von Bodenwasser durch Pflanzen bedingt. Das komplexe Gefüge der die Bodenfeuchte beeinflussenden Faktoren führt zu einer hohen zeitlichen und räumlichen Variabilität des Bodenspeicherzustandes und der Bodenwasserbewegungen (BORK 1992, GRAYSON & WESTERN 1998, KACHANOSKI & DE JONG 1988, WESTERN & BLÖSCHL 1999). Der Zustand der Vegetation zeigt ebenfalls hohe räumliche und zeitliche Variabilitäten (MAUSER ET AL. 1997). Zu den vegetationsbeschreibenden Parametern zählen u.a. die Pflanzenart, die Biomasse (Phytomasse), der Pflanzenwassergehalt, die Vegetationshöhe, der Bedeckungsgrad und der Blattflächenindex. Neben ihrer hydrologischen Bedeutung für die Interzeption und Evapotranspiration sind sie wichtige Steuergrößen vieler biochemischer und geochemischer Prozesse wie beispielsweise des Kohlenstoffkreislaufs (HALL ET AL. 1995, LEAVESLEY ET AL. 1983, SCHULTZ 1995, WOHLRAB ET AL. 1995). Desweiteren können aktuelle Informationen über die Vegetation vor allem das landwirtschaftliche und ökologische Management sowie Erntevorhersagen unterstützen (SCHOLES & SAVAGE 1989, HALL ET AL. 1995). 2.2.2 Hydrologische Modellierung von Flußeinzugsgebieten Die Beschreibung und Abbildung der hydrologischen Dynamik von Flußeinzugsgebieten in Modellen ist in einer Reihe wissenschaftlicher Arbeiten behandelt worden, von denen beispielhaft die Untersuchungen von BEVEN & KIRKBY (1979), LEAVSLEY ET AL. (1983), FLÜGEL (1996) und MICHL (1999) genannt werden können. Als Hauptaufgabe hydrologischer Modellierungen nennt SCHULZE (1991) die Unterstützung des Managements von Wasserressourcen, indem sie ermöglichen, Aussagen über die Art und Größe des Wasserumsatzes in Form einer Energie- und Wasserbilanz abzuleiten. Weiterhin tragen sie zur Erweiterung des Wissens und zum Verständnis der interaktiven Transfervorgänge bei. Die Ansätze zur Modellierung des Systems Flußeinzugsgebiet unterscheiden sich in der Art und Weise der Prozeßbeschreibung und der Berücksichtigung der Heterogenität des Einzugsgebietes (SCHULZE 1991, SINGH 1995). Eine einfache Prozeßbeschreibung wird in „black-box“ oder empirischen Modellen verwendet. Sie arbeiten mit einer statistischen „Eingabe-Ausgabe“Beziehung und erfordern kein Systemverständnis (MICHL 1999). Dagegen versuchen physikalischbasierte Modellansätze die systeminterne Prozeßdynamik genau abzubilden und zu beschreiben. Hierbei wird jedoch eine umfangreiche, komplexe Prozeßkenntnis vorausgesetzt (SINGH 1995). Konzeptionelle Modelle nehmen eine Mittelstellung ein. Zwar findet hier, im Gegensatz zu empirischen Ansätzen eine Aggregierung hydrologischer Prozeßeigenschaften statt, allerdings ist Theoretische Grundlagen und Stand der Forschung 22 die physikalische Basiertheit der Parameter nicht zwingend notwendig. Diese Modelle tragen der in der Praxis oft fehlenden Kenntnis physikalischer Systemzusammenhänge Rechnung (MICHL 1999). Durch unterschiedliche Berücksichtigung der räumlichen Heterogenität von Einzugsgebieten werden in der Modellierung prinzipiell „lumped“ und distributive Ansätze unterschieden. Lumped-Modelle arbeiten mit räumlichen Mittelwerten und betrachten des Einzugsgebiet als homogen. Distributive Ansätze dagegen berücksichtigen die heterogene Verteilung wichtiger hydrologischer Einzugsgebietsgrößen und ermöglichen eine bessere Abbildung der realen und komplexen dreidimensionalen Heterogenitäten (FLÜGEL 1995). Aus diesem Grund werden distributive Modelle vor allem unter Verwendung eines konzeptionellen Prozeßbeschreibungsansatzes in vielen Fragestellungen bzw. hydrologischen Modellierungssystemen angewandt (BEVEN ET AL. 1995, LEAVESLEY ET AL. 1983, FLÜGEL & LÜLLWITZ 1993, FLÜGEL 1996, MICHL 1999). Zur erfolgreichen Anwendung dieser Modellansätze ist u.a. eine umfangreiche Datenbasis erforderlich. Diese muß zum einen flächenhafte Informationen in angemessener räumlicher Auflösung zur Umsetzung des distributiven Ansatzes und zum anderen eine hohe thematische Breite an Daten in entsprechender Genauigkeit zur Unterstützung des konzeptionellen Ansatzes beinhalten. Eine Art der räumlichen Diskretisierung eines Flußeinzugsgebietes erfolgt durch die Ausweisung von Hydrological Response Units (HRU’s). Sie stellen Modellentitäten dar, die hinsichtlich ihrer Eigenschaften bzw. ihres hydrologischen Prozeßgefüges annähernd homogene räumliche Einheiten darstellen und deshalb als Flächen gleicher hydrologischer Systemantwort bezeichnet werden (FLÜGEL 1996, MICHL 1999). Sie werden aus den die hydrologische Dynamik beeinflussenden Systemkomponenten Landnutzung/Vegetation, Geologie, Boden und Relief sowie den Niederschlag durch Flächenverschneidung der thematischen Informationen in einem Geographischen Informationssystem räumlich abgeleitet (FLÜGEL 1996). Als notwendige Voraussetzung zur Anwendung des HRU-Konzepts nennt FLÜGEL (1995) die systemanalytische Beschreibung des untersuchten Flußeinzugsgebiets (hydrologische Systemanalyse), die durch detaillierte Prozeßstudien gewährleistet wird. Die für die räumliche Diskretisierung sowie für systemanalystische Detailstudien benötigten flächenhaften Daten können insbesondere durch den Einsatz von Fernerkundungsmethoden gewonnen werden (FLÜGEL 1995, MAUSER ET AL. 1997). 2.3 Erfassung hydrologischer Parameter mit Radarfernerkundungsmethoden Der Vorteil in der Anwendung von Fernerkundungsmethoden zur Ableitung von hydrologisch relevanten Oberflächenparametern liegt in der Möglichkeit flächenhafte Daten in hoher zeitlicher Auflösung und auf verschiedenen räumlichen Skalen aufzuzeichnen. Sie stellen damit eine zeitund kostengünstige Alternative bzw. Ergänzung zu den traditionellen Geländemessungen und Kartierungen dar. Diese beschränken sich häufig auf die Erhebung punktueller Daten, die durch eine je nach Meßpunktdichte geringe Flächenrepräsentanz gekennzeichnet sind. Fernerkundungsverfahren hingegen können die räumliche Heterogenität eines Gebietes erfassen und somit die Daten- und Informationsbasis für hydrologische Anwendungen durch Ableitung bestimmter räumlich und zeitlich hochvariabler Parameter deutlich verbessern. Die Fernerkundung unterstützt Theoretische Grundlagen und Stand der Forschung 23 dabei die räumliche Systemanalyse sowie die Regionalisierung punkthafter Geländemessungen (HOCHSCHILD 1999, KLENKE 1999, MAUSER ET AL. 1998). Der Hauptansatz der Fernerkundung liegt in der Umwandlung der am Sensor aufgezeichneten elektromagnetischen Strahlungseigenschaften in thematische, für den Anwender nutzbare Informationen. In diesem Sinne wurde in den vergangenen Jahren eine Reihe von Untersuchungen zur Ableitung hydrologischer Parameter durchgeführt, die an dieser Stelle nicht im einzelnen aufgeführt werden sollen. Es sei auf die zusammenfassenden Darstellungen bei ENGMAN & GURNEY (1991), HELMSCHROT (1999) und KLENKE (1999) verwiesen. Prinzipiell ist festzustellen, daß multispektrale optische Fernerkundungsdaten aufgrund der zahlreichen Satellitensensoren und der erarbeiteten Bildverarbeitungsmethodik für bestimmte hydrologische Fragestellungen nahezu operationell einsetzbar sind. Als problematisch wird allerdings die atmosphärische Beeinflussung der Strahlung angesehen, die die Verfügbarkeit und die Qualität der Daten einschränkt (KLENKE 1999). SAR-Fernerkundungsdaten sind insbesondere durch ihre witterungs- und beleuchtungsunabhängige Aufnahme, der Sensitivität für andere Oberflächenparameter als optische Daten sowie ihrer Fähigkeit in Medien einzudringen für viele hydrologische Fragestellungen besonders geeignet. Ein bedeutender inhaltlicher Fortschritt für hydrologische Anwendungen ist vor allem durch die Verfügbarkeit von Daten neuer Satelliten-Sensoren zu erwarten (MAUSER ET AL. 1997, PAMPALONI ET AL. 1997a, ULABY 1998). Der inhaltliche Schwerpunkt dieser Arbeit liegt auf der Ableitung der hydrologisch relevanten Information über die Landnutzung, die Oberflächenfeuchte des Bodens und verschiedene Vegetationsparameter aus multifrequenten und multipolarimetrischen E-SAR-Flugzeugdaten. Hierzu wird in den folgenden Punkten (2.3.1-2.3.3) ein Überblick über bisher angewandte Ansätze und Methoden zur Erfassung dieser Parameter gegeben bzw. Anwendungsdefizite und Forschungsbedarf aufgezeigt. Neben den in dieser Arbeit untersuchten Oberflächenparametern bietet die Radarfernerkundung die Möglichkeit, weitere hydrologische Parameter zu bestimmen. Hierbei sei vor allem auf die Ableitung topographischer Informationen mittels interferometrischer Verfahren verwiesen (z.B. CLOUDE & PAPATHANASSIOU 1998, LUDWIG ET AL. 1998, MASSONNET 1996, SANSOSTI ET AL. 1999, SCHWÄBISCH 1997). 2.3.1 Erfassung der Landnutzung Die Erfassung der Landnutzung kann als klassisches Beispiel für die Anwendung von Fernerkundungsmethoden angesehen werden, wobei die Auswertung optischer Daten nahezu operationellen Status erreicht hat (KLENKE 1999). Der Einsatz von SAR-Daten für die Ableitung von Landnutzungsinformationen war vor allem in Regionen erfolgreich, die aufgrund ihrer Bewölkungssituation den Einsatz von optischen Sensoren praktisch ausschlossen (z.B. äquatoriale Tropen, LO 1998). Im allgemeinen ist für die Verwendung von SAR-Daten derzeit noch kein effizienter, operationeller Einsatz möglich. Hierfür sind im wesentlichen vier Gründe zu nennen, auf die im folgenden eingegangen wird: Theoretische Grundlagen und Stand der Forschung 24 1. SAR-Daten enthalten thematisch eine andere Information als optische Daten. Die radarrückstreurelevanten Oberflächenparameter in Form physikalischer Eigenschaften der Objekte (z.B. Bodenfeuchte, Oberflächenrauhigkeit, Pflanzenwassergehalt bzw. –struktur) liefern nicht immer die Rückstreuinformation, die zur Trennung aller gewünschten Klassenkategorien nötig sind. Dieses Problem tritt besonders bei SAR-Daten auf, die lediglich eine Frequenz bzw. Polarisation aufweisen (DOBSON ET AL. 1995a, LO 1998, HAGG & STIES 1996). Bessere Ergebnisse zeigte die Verwendung von mehreren Frequenzen bzw. Polarisationen, die vor allem für die Unterscheidung verschiedener Oberflächenkategorien von Bedeutung sind, wie BARONTI ET AL. (1995), FERRAZZOLI ET AL. 1997, FREEMAN ET AL. 1994, HOEKMAN & QUINONES (1998), SMITH ET AL. (1998) und WEVER & BODECHTEL (1994) belegen. Zusätzlicher Forschungsbedarf ergibt sich vor allem für die Interpretation multifrequenter und multipolarimetrischer Rückstreueigenschaften von hydrologisch relevanten Landnutzungskategorien. 2. Die Verfügbarkeit von Daten ist ungenügend, da bisher lediglich einkanalige Satelliten-SARSysteme für Landnutzungskartierungen zur Verfügung standen. Aus ihnen konnten nur durch Verwendung multitemporaler Datensätze (z.B. HAGG & STIES 1996, KLENKE 1999), durch Nutzung zwei verschiedener SAR-Sensoren (z.B. ERS-1 und JERS-1, DOBSON ET AL. 1995a, HAGG & STIES 1996, KELLNDORFER ET AL. 1998), durch zusätzliche Integration der interferometrischen Koheränz (BORGEAUD & WEGMÜLLER 1996, ICHOKU ET AL. 1998, KLENKE 1999) und durch Fusion mit optischen Daten (PALUBINSKAS 1996, SOLBERG ET AL. 1994) ausreichend genaue Landnutzungsinformationen erfaßt werden (DOBSON ET AL. 1995a). In verschiedenen Studien wurde aufgezeigt, daß Landnutzungsklassifikationen aus SatellitenSAR-Daten im Vergleich zu denen aus optischen Daten hinsichtlich ihrer Genauigkeit schlechtere Ergebnisse liefern (HAGG & STIES 1996, KLENKE 1999, STIES & HAGG 1999). Unzureichend war bisher der Vergleich von Landnutzungsklassifikationen aus multifrequenten und multipolarimetrischen SAR-Daten mit denen aus multispektralen optischen Daten. Ein Grund hierfür ist, daß die missionsbezogenen Datenauswertung von Flugzeug- und Shuttlegetragenen multikanaligen SAR-Sensoren nicht primär auf flächenhafte Landnutzungsklassifikationen ausgerichtet war, sondern nur bestimmte Nutzungs- bzw. Oberflächenkategorien, wie beispielsweise landwirtschaftliche Nutzflächen, Waldgebiete oder Siedlungen umfaßte. Hier wäre sicher eine vergleichende Betrachtung von Landnutzungsklassifikationen mit hydrologisch relevanter Klassenthematik anzustreben. 3. Ein weiterer Grund für die unzureichende Operationalität in der Anwendung von SAR-Daten liegt in den aufnahmebedingten geometrischen und radiometrischen Verzerrungen. Insbesondere das Relief sowie der Speckle bedingen oft störende Einflüsse im Datenprodukt, die prinzipiell einen größeren methodischen Aufwand in der digitalen Verarbeitung der Daten erfordern. Obwohl sich diese Effekte wohl nicht gänzlich eliminieren lassen, bieten verschiedene digitale Verfahren die Möglichkeit, die Störungen mehr oder weniger gut zu korrigieren (BÄHR & VÖGTLE 1998, KLENKE 1999). Auf die Problematik der radiometrischen Reliefkorrektur wurde bereits im Punkt 2.1.2.5.2 eingegangen. Theoretische Grundlagen und Stand der Forschung 25 4. In der Verwendung von SAR-Daten für Landnutzungskartierungen sehen LO (1998) und DOBSON ET AL. (1995a) Defizite in der unzureichenden Verfügbarkeit bzw. Anwendung von digitalen Auswertealgorithmen für die komplexe Rückstreuinformation von SAR-Daten in Form von Intensität, Phase und Kohärenz. Für die Klassifikation von Rückstreuintensitäten wurden häufig statistische, pixelbasierte Verfahren wie das unüberwachte „ISODATA-Clustering“ oder überwachte Verfahren wie die „Maximum-Likelihood“-Methode (MLK) oder der „parallelpiped“-Algorithmus (PPA) erfolgreich eingesetzt (z.B. KLENKE 1999, SCHMULLIUS & SCHRAGE 1998, WEVER & BODECHTEL 1994, zu den Methoden siehe ALBERTZ 1991, BÄHR & VÖGTLE 1998). Diese Verfahren haben den Vorteil, daß sie operationell und effizient einzusetzen sind (KLENKE 1999). Neben den Rückstreuintensitäten können in den Klassifikationsprozeß weitere Informationen integriert werden. DELLEPIANE ET AL. (1991), LI ET AL. (1998) und HABERMEYER & SCHMULLIUS (1997) konnten die Klassifikationsgenauigkeit durch zusätzliche Integration von Texturinformationen aus dem Intensitätsbild erhöhen. Insbesondere „man-made“-Objekte (z.B. Bebauungsstrukturen) weisen in Abhängigkeit von der räumlichen Auflösung signifikante Texturen auf (BÄHR & VÖGTLE 1998, HARALICK ET AL. 1973, ULABY ET AL. 1996). Eine weitere Informationsebene für Klassifikationen stellt nach FREEMAN ET AL. (1994) und ULABY ET AL. (1996) die Phasendifferenz zwischen gleichfrequenten, aber unterschiedlich polarisierten SAR-Daten dar. Zur thematischen Trennung der komplexen Information multifrequenter, polarimetrischer und interferometrischer Daten sind in den letzten Jahren eine Reihe spezifischer Verfahren entwickelt worden. Diese beruhen im wesentlichen auf der theoretisch-physikalischen Beschreibung der Rückstreuvorgänge durch Modelle. Für Landnutzungsanwendungen sind prinzipiell Verfahren interessant, die eine Trennung verschiedener Oberflächenkategorien unterstützen. Hierzu stellten HELLMANN ET AL. (1997) in Anlehnung an CLOUDE & POTTIER (1997) ein Verfahren zur unüberwachten Klassifikation vollpolarimetrischer SAR-Daten vor. Dieses benutzt einen Merkmalsraum aus dem α-Winkel und der Entropie H. Der α-Winkel beschreibt die Art des Streumechanismusses, die Entropie H inwieweit ein Streumechanismus dominiert bzw. verschiedene Streumechanismen gleiche Anteile besitzen. Die Ergebnisse zeigen, daß ohne „apriori“-Wissen (unüberwacht) die Bereiche Wald, Siedlung, niedrige Vegetation und Wasser gut getrennt werden konnten. Der Klassifikator wurde durch Integration der interferometrischen Kohärenz bereits erweitert. Bei der Evaluierung bzw. Überführung dieser Verfahren in andere Anwendungsbereiche sind weitere Untersuchungen notwendig. Einen Ansatz zur schrittweisen Verarbeitung multifrequenter und multipolarimetrischer SARDaten stellen DOBSON ET AL. (1995a) und ULABY ET AL. (1996) vor. Er basiert auf der hierarchischen Trennung thematischer Bildbereiche unterschiedlicher Oberflächen- bzw. Rückstreueigenschaften in verschiedene Level. Im Level I werden Gebiete mit deutlich unterschiedlichen Rückstreueigenschaften getrennt. Die eigentliche Trennung wird mit konventionellen Klassifikationsverfahren durchgeführt (z.B. MLK, PPA). Als Level I-Klassen nennen ULABY ET AL. (1996) bebaute Flächen, hohe Vegetation, niedrige Vegetation und „bare surface“ für die Auswertung von multipolarimetrischen C- und L-Band-Daten. Im Level II werden Theoretische Grundlagen und Stand der Forschung 26 die primären Klassen aufgrund unterschiedlicher struktureller oder dielektrischer Eigenschaften weiter thematisch aufgespalten, z.B. die Trennung der Klasse niedrige Vegetation in verschiedene Feldfrucht- oder Grünlandarten. Die im Level II segmentierten Bildbereiche beschreiben nun Flächen, deren Rückstreuung von sehr ähnlichen Oberflächeneigenschaften abhängt. Für „bare soil“-Bereiche wären das die Bodenfeuchte und die Oberflächenrauhigkeit. Für Waldgebiete, die im Level II in verschiedene Baumarten getrennt wurden, ist die Biomasse eine entscheidende Rückstreueigenschaft im L-Band (RANSON & SUN 1994). Das Level III dient der Ableitung dieser Information über geo- und biophysikalische Eigenschaften. Dies erfolgt beispielsweise durch den Einsatz von oberflächenspezifischen Rückstreumodellen oder die Korrelation der Rückstreuwerte mit Geländemessungen (DOBSON ET AL. 1995a). Prinzipiell liegt der Vorteil des Levelansatzes darin, daß Rückstreuinformationsunterschiede, resultierend aus den dreidimensionalen strukturellen und dielektrischen Eigenschaften unterschiedlicher Oberflächen, sukzessive getrennt werden, um die quantitative Ableitung geo- und biophysikalischer Parameter auf bestimmte Bildbereiche zu konzentrieren, in denen dann erarbeitete Methoden (z.B. Rückstreumodelle, Korrelation mit Geländemeßwerten) erfolgreich angewendet werden können. Er trägt damit der komplexen Rückstreuinformation multifrequenter und multipolarimetrischer SAR-Daten Rechnung. 2.3.2 Bodenfeuchtebestimmung Die Methoden zur Erfassung von Bodenfeuchteinformationen lassen sich in drei Gruppen gliedern: Geländemessungen, Fernerkundungsmethoden und Modellierungen (GRAYSON & WESTERN 1998). Die Bestimmung der Bodenfeuchte im Gelände kann mit direkten Messungen, d.h. gravimetrisch, oder durch indirekte Messungen, z.B. durch „Time Domain Reflectometrie“ (TDR) oder Tensiometrie, erfolgen (SCHEFFER & SCHACHTSCHABEL 1998, SCHOLES & SAVAGE 1989). Die TDR-Methode bestimmt die Bodenfeuchte mittels Laufzeitmessung von elektromagnetischen Wellen im Bodensubstrat, deren Betrag von dielektrischen Eigenschaften und somit von der Feuchte des Bodens abhängig ist (BRISCO ET AL. 1992). Mit Tensiometermessungen wird das Matrixpotential über die Saugspannung des Bodens bestimmt. Dabei ist die über ein Manometer aufgezeichnete Saugspannung abhängig vom Bodenwassergehalt, der damit abgeleitet werden kann (SCHEFFER & SCHACHTSCHABEL 1998). Die Geländemessungen sind punktueller Natur und geben nur in bestimmten Grenzen Auskunft über die räumliche Verteilung der Bodenfeuchte (GRAYSON & WESTERN 1998). Da viele Anwendungen eine flächenhafte Information der Bodenfeuchte benötigen, wurden verschiedene Ansätze erarbeitet, um die punktuellen Messungen zu regionalisieren. Einige Untersuchungen zeigen das Potential geostatistischer Methoden, um die räumliche Bodenfeuchtevariabilität zu beschreiben (LOAGUE 1992, RODRIGUEZ-ITURBE ET AL. 1995, WESTERN ET AL. 1998b, WESTERN & BLÖSCHL 1999). Andere Ansätze nutzen topographische Informationen aus digitalen Geländemodellen, die in Form von Indizes zur Regionalisierung der punkthaften Informationen beitragen (BARLING ET AL. 1994, WESTERN ET AL. 1998a). Zu diesen hydrologischen Reliefparametern zählt auch der topographische Index (BEVEN & KIRKBY 1979, QUINN ET AL. Theoretische Grundlagen und Stand der Forschung 1993). Beispiele für die Modellierung flächenhafter Bodenwassergehalte liefern KALMA (1995) und ZHANG ET AL. (1999). 27 ET AL. Trotz der zahlreichen Studien ist die Regionalisierung der Bodenfeuchte aus punktuellen Messungen immer mit Fehlern und Problemen belastet und nicht abschließend geklärt (BLÖSCHL ET AL. 1993, BORK 1992, GRAYSON & WESTERN 1998, WESTERN ET AL. 1998a). ENTEKHABI ET AL. (1996) stellen deshalb fest, daß es derzeit keine operationelle Methode gibt, um flächenhafte Bodenfeuchteinformationen in, für verschiedene Anwendungen benötigten, Genauigkeiten zu erfassen. Sie verweisen, ebenso wie GEORGAKAKOS & BAUMER (1996) und WESTERN & BLÖSCHL (1999), auf die Fernerkundung, die durch flächenhafte Datenaufnahme dieses Defizit erfolgreich beheben könnte. Zur Ableitung von Bodenfeuchteinformation mit Fernerkundungsmethoden wurden bisher Daten in den verschiedensten Wellenlängenbereichen angewendet (vgl. hierzu ENGMAN & GURNEY 1991). Das höchste Potential für hydrologische Anwendungen haben Mikrowellenverfahren. Sie sind sensitiv für die dielektrischen Eigenschaften des Bodens, können in Medien eindringen und liefern Informationen unter verschiedensten topographischen und vegetationsspezifischen Geländebedingungen (ENGMAN & CHAUHAN 1995, ENTEKHABI ET AL. 1996). Passive Mikrowellenverfahren beruhen auf der Messung der Emissionen der Erdoberfläche, die von der Oberflächenfeuchte des Bodens abhängig ist. Aufgrund der geringen Strahlungsmengen in diesem Spektralbereich liefern sie nur grobe räumliche Auflösungen. Diese liegen bei entsprechenden Satellitensensoren im Bereich von 10 km (ENGMAN & CHAUHAN 1995). Aktive Radarverfahren besitzen eine deutlich höhere geometrische Auflösung und stellen somit potentiell die einzige Methode dar, Bodenfeuchteinformationen in den benötigten räumlichen Genauigkeiten operationell zu erfassen. In einer Reihe von Untersuchungen wurden in den letzten Jahren theoretische Grundlagen zur Ableitung von Bodenfeuchteinformationen aus Daten aktiver Mikrowellensensoren erarbeitet. Erste Studien zur Interpretation der Radarrückstreuung von Bodenoberflächen wiesen deren Abhängigkeit von den dielektrischen Eigenschaften des Bodens und somit von der Bodenfeuchte durch punktuellen Vergleich mit Geländemessungen nach (BRUCKLER ET AL. 1988, DOBSON & ULABY 1986, HALLIKAINEN ET AL. 1985, ULABY ET AL. 1986). Die Eindringtiefe der Mikrowellen beträgt in Abhängigkeit von der Wellenlänge und den dielektrischen Eigenschaften des Bodens in der Regel nur wenige Zentimeter, wobei langwelligere Strahlung (z.B. L-Band) tiefer in die Bodenoberfläche penetriert und sich deshalb besser zur Bodenfeuchteableitung eignet (BOISVERT ET AL. 1995, ULABY ET AL. 1982). Die Radarrückstreuung von der Bodenoberfläche wird neben den dielektrischen Eigenschaften auch von der Oberflächenrauhigkeit beeinflußt. Der Rauhigkeitseinfluß ist abhängig von der Wellenlänge und dem Einfallswinkel. Bei langwelliger Strahlung (z.B. L-Band) und kleinem Einfallswinkel (<30°) ist die Rückstreuung am geringsten von der Rauhigkeit abhängig. Zur Trennung der Rückstreuinformation (Dielektrizität, Rauhigkeit) von „bare soil“-Flächen wurden verschiedene Modelle entwickelt, wie die semi-empirischen Ansätze von OH ET AL. (1992) (Oh- Theoretische Grundlagen und Stand der Forschung 28 Modell) und DUBOIS ET AL. (1995) (Dubois-Modell). Beide Autoren entwickelten auf Grundlage bodenstationärer bzw. flugzeuggetragener SAR-Messungen einen empirischen Zusammenhang zwischen Oberflächenrauhigkeit, Einfallswinkel und dielektrischen Eigenschaften aus den Rückstreuintensitäten multipolarimetrischer L-Band-Daten. Das Dubois-Modell benötigt die Polarisationen HH und VV und ergab für die Bodenfeuchteableitung einen RMS-Fehler von 4,2 Vol. %. Das Oh-Modell arbeitet in den Polarisationen HH, VV, HV. Die Genauigkeit lag in der vorgestellten Studie bei einem RMS-Fehler von 3,4 Vol. % Bodenfeuchte. WEIMANN (1996) vereinfachte das Oh-Modell für die Anwendung mit ERS-Daten und erreichte eine Korrelation von 0,82 mit Geländemeßwerten. NEUSCH & STIES (1998, 1999) verwendeten beide Modelle zur Auswertung von E-SAR-Flugzeugdaten. Sie stellten allerdings nur eine mäßige Übereinstimmung mit ihren Geländedaten fest und führten dies u.a. auf den empirischen Charakter der Modelle zurück. Ähnliche Kritik üben DAWSON ET AL. (1997), sie bezeichnen die Modelle als wenig übertragbar und entwickelten einen eigenen „stabileren“ statistischen Ansatz. Einen physikalischen Ansatz zur Modellierung der Rückstreuung von „nackten“ Bodenoberflächen stellten FUNG ET AL. (1992) mit der „Integral Equation Method“ (IEM-Modell) vor. BOISVERT ET AL. (1997) erreichten mit dem IEM-Modell eine bessere Modellierung der Rückstreuung in verschiedenen Systemkonfigurationen (Frequenz, Polarisation, Einfallswinkel) als mit dem Oh-Model. Die besten Ergebnisse erreichten sie mit dem L-Band und mittleren Bodenfeuchtewerten aus 0-11 cm Tiefe. Eine invertierte Form des IEM-Modells wurde von SU ET AL. (1997) zur Ableitung von Bodenfeuchte aus E-SAR-Daten eingesetzt. Die erreichte Genauigkeit lag bei 5 Vol.% Bodenfeuchte. Allerdings benötigt das IEM-Modell eine umfangreiche Parameterisierung, die in der Regel nur durch intensive Geländemessungen ermöglicht werden kann (WEIMANN 1996). SHI ET AL. (1997) vereinfachten das IEM-Modell, um eine bessere praktische Anwendbarkeit zu erreichen. Dabei wurden zunächst die direkten „singlebounce“-Streuanteile durch polarimetrische Verfahren selektiert und durch Verwendung mehrerer Polarisationen die Beschreibung der Oberflächenrauhigkeit im Modell durch Regressionsanalysen vereinfacht (vgl. hierzu SHI & VAN ZYL 1998). Die Vegetation beeinflußt in Abhängigkeit von ihren dielektrischen und strukurellen Eigenschaften die Radarrückstreuung und stellt somit eine zusätzlich „störende“ Größe in der Ableitung von Bodenfeuchteinformationen dar. In bewaldeten Gebieten beispielsweise ist derzeit keine Erfassung von Bodenwassergehalten möglich. Langwelligere Strahlung ist in der Lage niedrige Vegetation mehr oder weniger zu durchdringen. In zahlreichen Studien ist belegt, daß LBand-Aufnahmen trotz Vegetationsbedeckung Bodenfeuchteinformationen, wenn auch gedämpft, enthalten (DOBSON & ULABY 1998, FERRAZZOLI ET AL. 1992, SCHMULLIUS & FURRER 1992b, DU ET AL. 1999). Zur Abgrenzung, ab wann der Vegetationseinfluß die Radarrückstreuung zu stark dominiert, werden verschiedene Verfahren angewandt. DUBOIS ET AL. (1995) nennen einen NDVI (Normalized Difference Vegetation Index, vgl. hierzu MEIJERINK ET AL. 1994) von kleiner 0,4 als notwendige Voraussetzung für ausreichende Bodenfeuchteinformationen in L-Band-Daten. SHI ET AL. (1997) schlossen alle Flächen aus ihren Bodenfeuchteuntersuchungen aus, die eine höhere Rückstreuung in der HH- als in der VV-Polarisation hatten und deren HV/HHRückstreuintensitätsratio größer als -11 db war. Dieses Verfahren beruht auf dem Theoretische Grundlagen und Stand der Forschung 29 unterschiedlichen Rückstreuverhalten von Vegetationsoberflächen in verschiedenen Polarisationen. Einen ähnlichen Ansatz, allerdings zur Korrektur des Vegetationseinflusses stellen TAYLER ET AL. (1996) vor. Sie berechnen eine vegetationskorrigierte Ratio aus (HH-3HV)/(VV3HV). Dieses Verfahren liefert gute Ergebnisse im C-Band, im L- und P-Band wird der Vegetationseinfluß eher überschätzt. In einer Untersuchung von TACONET ET AL. (1996) ist der Pflanzenwassergehalt der entscheidende Vegetationsparameter in einem Vegetationsmodell zur Ableitung von Bodenfeuchte unter Weizenfeldern. Das Modell wurde vor allem für eine Anwendung zur Vegetationskorrektur von ERS-Daten entwickelt. O’NEILL ET AL. (1996) untersuchten die Bodenfeuchtigkeit unter Getreidefeldern. Sie entwickelten ein komplexes Modell zur Beschreibung der Reflexions- und Transmissionseffekte innerhalb der Vegetationsschicht. Das Vegetationsmodell benötigt eine Reihe von Oberflächenparametern wie die Höhe und die dreidimensionale Orientierung. Zur Modellierung der Interaktion mit der Bodenoberfläche griffen sie auf Ansätze des IEM-Modells zurück und leiteten aus verschiedenen bodenstationären und flugzeuggetragenen Sensoren Bodenfeuchtigkeiten mit einem mittleren absoluten Fehler von 2 Vol. % ab. CHAUHAN (1997) nutzte einen ähnlichen Modellierungsansatz. Dabei wurde versucht, durch synergetische Nutzung passiver und aktiver Mikrowellensensoren die umfangreiche Parameterisierung der Modelle zu bewerkstelligen, um den Geländearbeitsaufwand zu verringern. LIN ET AL. (1994) leiteten aus copolarisierten L-Band Daten flächenhafte Bodenfeuchteverteilungen in einem grasbedeckten Gebiet ab. Sie stellten fest, daß niedriger Grasbewuchs nur einen geringen Einfluß auf die co-polarisierte L-Band-Rückstreuung hat. Einen relativ einfachen Ansatz zur Eliminierung von Rauhigkeits- und Vegetationseffekten in SAR-Daten stellen VERHOEST ET AL. (1998) vor. Sie verwenden eine Hauptkomponentenanalyse, um aus acht ERS-1 SAR-Bildern eine flächenhafte Bodenfeuchteverteilung abzuleiten. Die Hauptkomponentenanalyse stellt eine Standardmethodik dar, die in gängigen Bildverarbeitungsprogrammen enthalten ist und bisher vor allem in optischen Auswertungen Anwendung fand. Die wenigen Studien bezüglich der Auswertung von SAR-Daten belegen eine Reduzierung des Speckle-Effektes, ein besseres Signal-Rausch-Verhältnis und die Abbildung übergeordneter Rückstreuvariabilitätsmuster in den höherwertigen Komponenten (HENEBRY 1997, KLENKE 1999, LEE & HOPPEL 1992). In der ersten Hauptkomponente interpretierten VERHOEST ET AL. (1998) vor allem topographische Effekte. KLENKE & HOCHSCHILD (1999) erhielten in einer ähnlich angelegten Studie vergleichbare Ergebnisse. Die zweite Hauptkomponente enthielt nach VERHOEST ET AL. (1998) den Rückstreuanteil der Bodenfeuchte. Sie belegten diese Vermutung durch qualitative Interpretation der Oberflächenfeuchteverteilung mit Bodenkarten und hydrologischen Gebietskenntnissen. ROMBACH & MAUSER (1997) entwickeln eine Methodik zur Ableitung der Bodenfeuchte aus ERSDaten. Dazu erarbeiten sie Verfahren zur Beschreibung des Vegetationseinflusses verschiedener landwirtschaftlicher Flächen in Form eines Rauhigkeitsbeiwertes und von Biomasseninformationen für Grünlandnutzungen. Desweiteren fließen Bodenparameter in eine Modellrechnung ein, die empirisch die Bodenfeuchte für jede Nutzung ableitet. Die erreichten Theoretische Grundlagen und Stand der Forschung 30 Korrelationen liegen je nach Nutzung zwischen 0,90 und 0,97. Der Aufwand an Geländearbeit und Integration zusätzlicher Daten ist allerdings sehr hoch. Prinzipiell ist der ERS-Sensor, aufgrund der einkanaligen CVV-Konfiguration, nicht operationell für die Ableitung aktueller flächenhafter Bodenfeuchtewerte auf der Feldskala geeignet, wie BENALLEGUE ET AL. (1995), SCHMULLIUS & FURRER (1992a) und ULABY (1998) betonen. In absehbarer Zeit werden erstmals polarimetrische L-Band-Daten auf einem Satellitensensor zur Verfügung stehen. Unter Berücksichtigung der bisherigen Untersuchungen haben diese Daten ein höheres Potential für die Erfassung flächenhafter Bodenfeuchtephänomene (ENGMAN & CHAUHAN 1995, ULABY 1998). Aus der Vielzahl der hier vorgestellten Ansätze läßt sich zusammenfassen, daß eine breite theoretische Basis an Methoden und Verfahren existiert, um Bodenfeuchteinformationen aus SAR-Daten unter verschiedenen Oberflächenbedingungen abzuleiten. Der Bedarf an Untersuchungen richtet sich nun auf die Anwendung und Evaluierung der theoretischen Konzepte unter Berücksichtigung der hydrologischen Anforderungen an ein solches „Produkt“, d.h. eine flächenhafte Bodenfeuchteverteilung. Die Verknüpfung der Ergebnisse von Fernerkundungsdatenauswertungen in konkrete hydrologische Fragestellungen ist derzeit nur vereinzelt gegeben. Beispiele hierfür liefern ENTEKHABI ET AL. (1994), die durch einen kombinierten Ansatz von Modellierung und Fernerkundungsmethoden Feuchtedaten aus verschiedenen Bodentiefen ableiteten. MAUSER ET AL. (1997) und STRASSER ET AL. (1999) verwenden die mittels Fernerkundungsdaten erfaßte Bodenfeuchte zur Parameterisierung bzw. Validierung ihrer hydrologischen Modelle. In zukünftigen Untersuchungen gilt es zu ermitteln und zu bewerten mit welchem Aufwand und welcher Genauigkeit die Bodenfeuchte unter natürlichen Voraussetzungen, unabhängig von Reliefund Vegetationsbedingungen abgeleitet werden kann und inwieweit die Ergebnisse hydrologische Anwendungen unterstützen. Die Untersuchungen sollten sich auf Methoden beziehen, die in absehbarer Zeit auch durch operationelle Verfügbarkeit von Daten satellitengetragener Sensoren für hydrologische Fragestellungen angewendet werden können. Weiterhin fehlen weitgehend Vergleiche zu den herkömmlichen Methoden der Erfassung flächenhafter Bodenfeuchte, z.B. durch Verbindung von Geländemessungen und Geostatistik bzw. topographischen- oder „wetness“-Indizes (ENTEKHABI ET AL. 1996, TROCH ET AL. 1997). 2.3.3 Ableitung von Vegetationsparametern Der Zustand der Vegetation kann je nach Anwendung durch verschiedene Parameter beschrieben werden. Dazu zählen Größen, die zum einen die Pflanze an sich beschreiben, wie die Vegetationsart und Vegetationsstrukturen (Höhe, Form, Orientierung) sowie Parameter, die entsprechend ihrer Definition Eigenschaften der Vegetation auf eine Fläche beziehen, wie beispielsweise die Biomasse (feucht/trocken), der Pflanzenwassergehalt oder der Blattflächenindex. Zu deren Erfassung im Gelände existieren eine Reihe von Methoden (vgl. PEARCY ET AL. 1989). Bestimmte Vegetationsparameter lassen sich relativ einfach kartieren (z.B. Vegetationshöhe). Den Pflanzenwassergehalt sowie die trockene und feuchte Biomasse bestimmt man bei niedriger Vegetation durch Wiegen von abgeschnittenem Pflanzenmaterial auf einer 1x1m Theoretische Grundlagen und Stand der Forschung 31 Gelände-Testfläche. Das Naßgewicht ergibt die oberirdische, feuchte Phytomasse (feuchte Biomasse). Aus der Gewichtsdifferenz zwischen feuchter und der bei 105° C getrockneten Biomasse errechnet sich der Pflanzenwassergehalt in kg/m² (FERRAZZOLI ET AL. 1992). Der Blattflächenindex (LAI) beschreibt die Gesamtheit der Blatt- bzw. Nadeloberfläche eines Bestandes zur überschirmten Grundfläche. Die Methoden zur Bestimmung des LAI sind bei HELMSCHROT (1999) ausführlich beschrieben. Ähnlich der Bestimmung von Bodenfeuchte liefern Geländemethoden der Vegetationsbeschreibung nur punktuelle Informationen. Zur quantitativen Erfassung räumlicher Heterogenitäten der Variablen wurden deshalb in den letzten Jahren zunehmend Fernerkundungsdaten eingesetzt (HALL ET AL. 1995). Im Bereich der optischen Fernerkundung erwiesen sich das sichtbare Rot und das nahe Infrarot als besonders vegetationssensitive Spektralbereiche, aus denen eine Reihe von spektralen Indizes für verschiedene Anwendungen abgleitet wurden (BANNARI ET AL. 1995, KIMES ET AL. 1998, TODD ET AL. 1998). Der häufig benutzte NDVI (Normalized Difference Vegetation Index, vgl. hierzu MEIJERINK ET AL. 1994) beruht auf der Reflexionsdifferenz zwischen dem nahen Infrarot und dem sichtbaren Rot und wird zur Ableitung verschiedener Vegetationsparameter verwendet (HALL ET AL. 1995, HELMSCHROT 1999, TODD ET AL. 1998). Die Radarfernerkundung bietet aufgrund ihrer Sensitivität für dielektrische und strukturelle Eigenschaften bzw. durch die Fähigkeit in die Vegetation einzudringen bessere Voraussetzungen zur Bestimmung von Vegetationseigenschaften. Die in den letzten Jahren hierzu durchgeführten Studien lassen sich wegen der grundlegend verschiedenen Rückstreueigenschaften und -einflüsse von Waldgebieten und Flächen mit niedriger Vegetation entsprechend unterscheiden. Da die Untersuchung von Waldgebieten nicht Schwerpunkt dieser Arbeit ist, soll nur kurz auf diesbezügliche Studien verwiesen werden. Wie mehrfach aufgezeigt eignen sich vor allem polarimetrische Daten im L- und P-Band, da sie das Kronendach durchdringen (LECKIE & RANSON 1998, PAMPALONI ET AL. 1997b). Einige Studien verweisen auf das Potential von SARDaten zur Ableitung waldspezifischer Eigenschaften wie z.B. der Biomasse (BEAUDOIN ET AL. 1994, IMHOFF 1995, KASCHINKE ET AL. 1995, LE TOAN ET AL 1992, RANSON ET AL. 1997), dem Baumalter (DE GRANDI ET AL. 1994), der Baumart (RANSON ET AL. 1995, WANG & DAVIS 1997), der Baumhöhe (DOBSON ET AL. 1995b), dem Brusthöhendurchmesser (WANG & DONG 1997), dem Kronenschlußgrad (GREEN 1998) sowie dreidimensionalen Strukturmustern innerhalb von Waldgebieten (SUN & RANSON 1998). Zur quantitativen Erfassung von Vegetationseigenschaften in Gebieten mit niedriger Vegetation (z.B. landwirtschaftliche Nutzflächen) werden empirische bzw. physikalische Modellansätze angewandt, die unter Verwendung von Geländemeßwerten die Radarrückstreuinformationen in entsprechende Vegetationsvariablen auf die Fläche umrechnen (KIMES ET AL. 1998). Im Idealfall ermöglicht ein einfacher empirischer Zusammenhang zwischen der Fernerkundungsmessung und den Geländewerten die Regionalisierung der Geländemeßwerte. Dies setzt allerdings eine hohe Abhängigkeit der Rückstreuung von der entsprechenden Oberflächeneigenschaft voraus. Einen semi-empirischen, nicht linearen Ansatz stellt das sogenannte „Water-Cloud“-Modell dar. Es Theoretische Grundlagen und Stand der Forschung 32 wurde von ATTEMA & ULABY (1978) entwickelt und berücksichtigt die Einflüsse von Vegetationsschicht und Bodenoberfläche auf die Radarrückstreuung. Die benötigten Parameter sind die Bodenfeuchte und der Pflanzenwassergehalt, bei jeweils konstanter Oberflächenrauhigkeit. Das Modell ist leicht invertierbar und deshalb für verschiedene Anwendungen gut geeignet (KIMES ET AL. 1998, PREVOT ET AL. 1993, TACONET ET AL. 1994). Physikalische Ansätze wie das „Michigan Microwave Canopy Scattering Model“ (MIMICS, ULABY ET AL. 1990) oder das Modell von SAATCHI ET AL. (1994) können mehrere Vegetationsschichten mit jeweils verschiedenen Variablen modellieren. Aufgrund der schwierigen Invertierbarkeit und der aufwendigen Parameterisierung dienen sie vor allem der Erweiterung des theoretischen Verständnisses von Volumenstreumechanismen (BRISCO & BROWN 1998, PREVOT ET AL. 1993). Zur Unterscheidung verschiedener Vegetationstypen bietet sich die Verwendung unterschiedlicher Wellenlängen an. Im L- und P-Band trennen sich strukturell und dielektrisch deutlich unterschiedliche Vegetationsbereiche, wie Wald/nicht Wald bzw. Mais oder Sonnenblumen von anderen Vegetationsarten (BARONTI ET AL. 1995, FREEMAN ET AL. 1994). Ihre Rückstreuung hängt von großen zylindrischen Strukturen (Baumstämmen, große Stengel und Äste) der Vegetation ab (FERRAZZOLI ET AL. 1997). X- und C-Band erlauben die Trennung verschiedener Feldfrüchte oder Grünlandnutzungen, da deren Rückstreuung im wesentlichen von der Pflanzen(oberflächen)geometrie, kleineren zylindrischen Formen, der Blattverteilung und dem Pflanzenwassergehalt abhängig ist (BARONTI ET AL. 1995, FERRAZZOLI ET AL. 1997, CHEN ET AL. 1996, SCHMULLIUS 1992). NOERNBERG ET AL. (1999) benutzten zur Unterscheidung von Vegetationstypen verschiedene Indizes aus multipolarimetrischen Rückstreuintensitäten im CBand, wie beispielsweise einen „Cover Structure Index“, einen „Volume Scattering Index“ und einen „Biomass Index“. Die untersuchten Vegetationstypen konnten dadurch sehr deutlich getrennt werden. Eine Reihe von Studien beschäftigte sich mit der Ableitung des Pflanzenwassergehaltes (Plant Water Content, PWC) und der Biomasse (BM) von landwirtschaftlichen Flächen sowie Grünlandnutzungen, wobei die beiden Vegetationsparameter sehr stark miteinander korrelieren. Prinzipiell sehen HILL ET AL. (1999) und PAMPALONI ET AL. (1997b) die Trennung verschiedener Vegetationsklassen als notwendigen Arbeitsschritt zu Eliminierung von bestimmten Effekten (z.B. Rückstreueinflüsse von Vegetationsstrukturen) vor der Ableitung biophysikalischer Parameter. Ein ähnliches Konzept wird mit dem Levelansatz (ULABY ET AL. 1996) verfolgt. TACONET ET AL. (1994) verwenden X- und C-Band-Daten in verschiedenen Polarisationen zur Ableitung des Pflanzenwassergehaltes von Feldfrüchten. Sie nutzen das „Water-Cloud“ Modell und erreichen die besten Genauigkeiten im X-Band mit einem mittleren Fehler von 0,5 kg/m². Das C-Band liefert schlechtere Ergebnisse, was mit dem zunehmenden Einfluß der Bodenfeuchte auf die Rückstreuung begründet wurde. Zu ähnlichen Ergebnissen kommen PREVOT ET AL. (1993) bei der Untersuchung von Weizenfeldern. HILL ET AL. (1999) untersuchen Grünlandflächen verschiedener Nutzungen mit AIRSAR-Daten. Die unterschiedlichen Grünlandzustände wurden durch Klassifikation getrennt und mit Geländemeßwerten verglichen. Die beste Korrelation mit Geländedaten des Pflanzenwassergehaltes (R²=0,66) und der Trockenmasse (R²=0,37) wurde Theoretische Grundlagen und Stand der Forschung 33 durch eine multiple Regression unter Verwendung der Rückstreuinformation von LHV, LVV und PVV erreicht. Die Erfassung der Vegetationshöhe konnte mittels einer linearen Regression mit CBand- (R²=0,49 - 0,58) und L-Band- (R²=0,50 - 0,59) Werten erfolgen. Gute Ergebnisse in der Ableitung des Pflanzenwassergehaltes von landwirtschaftlich genutzten Flächen ermitteln BARONTI ET AL. (1995) durch Korrelation mit der LHV-Rückstreuinformation (R=0,88). Die gleichpolarisierten L-Band-Rückstreuungen sind hingegen von Bodenfeuchteinformationen dominiert. FERRAZZOLI ET AL. (1997) vergleichen die Korrelationskoeffizienten zwischen den Rückstreuintensitäten unterschiedlicher Radarfrequenzen und Polarisationen mit Geländemeßwerten von Pflanzenwassergehalt und Biomasse verschiedener Vegetationsflächen. Die besten Korrelationen wurden abhängig von der Vegetationsstruktur in verschiedenen Wellenlängen erreicht. Die P-Band-Rückstreuung zeigt die größte Abhängigkeit von Pflanzenwassergehalt bzw. Biomasse in Waldgebieten (große Zylinder, geringe Anzahl von Pflanzen pro m²), das L-Band hingegen für Mais und Sonnenblumen (mittlere Zylinder, mittlere Pflanzendichte). Der beste Zusammenhang mit den Geländewerten für Raps, Weizen und Luzerne (kleine Zylinder, hohe Pflanzendichte) wurde im C-Band ermittelt, während in den übrigen Frequenzen deutlich schlechtere Übereinstimmungen festzustellen waren. Dem Potential zur Bestimmung von Biomasse und Pflanzenwassergehalt von Feldfrüchten aus Daten der SAR-Satelliten ERS-1 und JERS-1 im Vergleich zu AIRSAR-Daten widmen sich PAMPALONI ET AL. (1997b). Sie stellen im LHV (AIRSAR) die beste Korrelation zwischen der Rückstreuung und dem Pflanzenwassergehalt fest (R²=0,7). Ähnlich gute Ergebnisse sind aus JERS-1-Daten (LHH) abzuleiten (R²=0,6), wobei der große Einfallswinkel (35°) einen relativ hohen Vegetationseinfluß auf das L-Band-Signal bedingt. Die ERS-1-Rückstreuung (CVV) hingegen zeigte schlechtere Abhängigkeiten zu den dielektrischen Vegetationseigenschaften. Als Grund nennen PAMPALONI ET AL. (1997b) den großen Einfluß der Vegetationsstruktur. In verschiedenen Studien wurde der Versuch unternommen, den Blattflächenindex (LAI) aus der Radarrückstreuung abzuleiten. ULABY ET AL. (1984) erhielten die besten Resultate im Ku-Band (R=0,9) über Weizenflächen. PALOSCIA (1998) verwendet zur Ableitung des LAI in verschiedenen Frequenzen einen „Normalized Volumetric“ LAI, der sich aus dem LAI, multipliziert mit der Blattstärke und der Wellenzahl k (vgl. Pkt. 2.1.2.5.2) berechnet. Dadurch wurde ein empirischer Zusammenhang zwischen den Geländewerten und der LHV-Rückstreuung von R=0,87 erreicht. BRISCO & BROWN (1998) weisen darauf hin, daß für jede Vegetationsart ein unterschiedlicher Zusammenhang zwischen Radarrückstreuung und LAI besteht. Ungenaue Ergebnisse treten vor allem auf, wenn das Rückstreusignal zu stark von Bodeneigenschaften beeinflußt ist. Insgesamt haben Radardaten ein hohes Potential für die flächenhafte Bereitstellung von Informationen über verschiedene Vegetationsparameter. Das Hauptaugenmerk der Forschung lag dabei auf der Erfassung des Pflanzenwassergehalts bzw. der Biomasse, die als dielektrische Eigenschaften der Vegetation die Radarrückstreuung maßgeblich beeinflussen. Die höchste Sensitivität für Vegetationsparameter ergab sich aus den Kreuzpolarisationen. Hinsichtlich der Wellenlängen wurden das L- und P-Band für Waldgebiete bzw. das C- und L-Band für die Theoretische Grundlagen und Stand der Forschung 34 Untersuchung von Bereichen mit niedriger Vegetation erfolgreich eingesetzt. Insbesondere die LBand-Rückstreuung zeigte sich bei niedrigen Vegetationshöhen sensitiver für dielektrische- als für strukturelle Eigenschaften. Es gilt dabei zu beachten, daß der Einfluß der Vegetation mit dem Einfallswinkel zunimmt (FERRAZZOLI ET AL. 1992). Der Anspruch an zukünftige Untersuchungen besteht vor allem in der Anwendung und Evaluierung der verschiedenen Methoden, in der fachgebietsbezogenen Interpretation der Ergebnisse sowie in deren Einbindung in konkrete Fragestellungen. 2.4 Forschungsbedarf Die Bereitstellung flächenhafter Informationen über Eigenschaften und Zustände der Landoberfläche durch Methoden der Fernerkundung besitzt ein hohes Potential zur Unterstützung anwendungsbezogener geowissenschaftlicher Fragestellungen. Die praktische Umsetzung von fernerkundlichen Konzepten in konkreten fachwissenschaftlichen Anwendungen wird hingegen weitgehend vermißt. Diese Tatsache resultiert im wesentlichen aus drei Defiziten, deren Überwindung ein Hauptaufgabenfeld künftiger angewandter Fernerkundungsforschung darstellt: 1. Es fehlen weitgehend anwendungsgebietsbezogene, operationelle, methodische Gesamtkonzepte in der digitalen Verarbeitung und Auswertung verschiedenartiger Fernerkundungsdaten bzw. deren softwaretechnischer Umsetzung. 2. Unterschiedlich räumlich, zeitlich und spektral aufgelöste Daten satellitengetragener Sensoren sind nicht ausreichend verfügbar, auch bezüglich deren Qualität, Vertrieb und Kosten. 3. Fernerkundliche Konzepte haben eine unzulängliche Akzeptanz in vielen Bereichen fachwissenschaftlicher Applikation aufgrund fehlender Überzeugung bzw. Kenntnis des methodischen Potentials sowie durch einen ungenügenden Dialog zwischen den Akteuren der Forschung und der Anwendung. Diese Defizite gelten im besonderen für die Anwendung von Methoden der Radarfernerkundung für hydrologische Fragestellungen, die vor allem durch eine witterungs- und beleuchtungsunabhängige Aufzeichnung der Erdoberfläche prinzipiell anderen Datenaquisitionsmethoden überlegen sind. Die Literaturdiskussion verdeutlicht das Potential von Radarfernerkundungsmethoden für die Regionalisierung bestimmter hydrologischer Parameter sowie zur Unterstützung der hydrologischen Systemanalyse. Besondere Bedeutung wird dem Einsatz multifrequenter und multipolarimetrischer Radarverfahren beigemessen. Nur mit deren Informationsgehalt ist es möglich, die komplexen radarrückstreurelevanten, dreidimensionalen dielektrischen und strukturellen Eigenschaften der Landoberfläche bzw. von Objekten der Landbedeckung sowie externer, ephemerer Einflüsse hinreichend genau zu trennen, um spezifische Oberflächeninformationen zu erfassen. Vor diesem Hintergrund wurden eine Reihe methodischer Theoretische Grundlagen und Stand der Forschung 35 Ansätze und Verfahren zur Verarbeitung und Auswertung multikanaliger SAR-Daten vor allem theoretisch erarbeitet. Der Bedarf an Untersuchungen bezieht sich nun auf die Anwendung und Evaluation der verschiedenen Ansätze sowie die Interpretation der Ergebnisse unter Berücksichtigung der Ansprüche hydrologischer Fragestellungen und im Hinblick auf in naher Zukunft zur Verfügung stehender Daten satellitengetragener SAR-Sensoren. Im einzelnen besteht deshalb folgender Forschungsbedarf: • Es existieren keine allgemeingültigen Verfahren zur Korrektur der aufnahmebedingten radiometrischen Verzerrungen durch das Relief und den Speckle. Insbesondere die Beschreibung und Eliminierung topographischer Verzerrungen in Abhängigkeit von verschiedenen Landoberflächenkategorien bedürfen weiterer Untersuchung. • Zur Erfassung der Landnutzung aus multifrequenten und multipolarimetrischen Radardaten besteht weiterer Forschungsbedarf in der vergleichenden, flächenhaften Interpretation der Rückstreueigenschaften verschiedener hydrologisch relevanter Landnutzungstypen. Die Untersuchungen sollten in unterschiedlichen Landschafts- und Klimaräumen unter Einbeziehung der komplexen SAR-Information aus Intensität, polarimetrischer Phase und interferometrischer Kohärenz erfolgen. Die Klassifikationsergebnisse bedürfen eines Vergleichs bzw. einer Evaluierung mit denen aus multispektralen, optischen Daten. • Zur digitalen Klassifikation von Radardaten stehen neben allgemeingültigen operationell verfügbaren Algorithmen (z.B. Maximum Likelihood Klassifikator), spezielle, z.B. polarimetrische Klassifikatoren zur Verfügung, deren Anwendung bisher nur theoretisch bzw. testgebietsbezogen erfolgte. Das Potential dieser neuen, vielversprechenden Ansätze für hydrologische Fragestellungen gilt es zu erkunden. • Für die Ableitung von Bodenfeuchteinformation unter natürlichen Bedingungen sind polarimetrische Aufzeichnungen im Wellenlängenbereich von L- und P-Band am besten geeignet, die allerdings nicht unbeeinflußt von Vegetation und Oberflächenrauhigkeit sind. Zur Trennung bzw. Korrektur dieser Rückstreueinflüsse existieren eine Reihe, meist modellhafter Ansätze unterschiedlicher Komplexität. Für zukünftige Anwendungen ist es von Interesse, diese Verfahren hinsichtlich ihres Aufwandes und ihrer Ergebnisse vergleichend zu evaluieren. • Da bisher nur in wenigen Studien eine flächenhafte Bodenfeuchteverteilung aus Radardaten abgeleitet wurde, fehlt es weitgehend an deren hydrologischer Interpretation. Hier wären vor allem vergleichende Untersuchungen mit den Ergebnissen anderer Methoden zur flächenhaften Bodenfeuchtebestimmung (Geostatistik, topographische Indizes) bzw. mit den Resultaten hydrologischer Modellierungen anzustreben. • Die flächenhafte Erfassung vegetationsspezifischer Parameter aus Radardaten in Gebieten mit Wald bzw. niedriger Vegetation erfordert die Betrachtung bzw. Trennung struktureller und dielektrischer Pflanzeneigenschaften. Der Anspruch an zukünftige Untersuchungen besteht Theoretische Grundlagen und Stand der Forschung 36 vor allem in der Anwendung und Evaluierung der verschiedenen hierzu erarbeiteten Methoden, um eine bestmögliche Regionalisierung der Geländemeßwerte zu erreichen. • Multifrequente, multipolarimetrische und interferometrische SAR-Daten beinhalten eine komplexe Vielfalt an Informationen, die zur Ableitung verschiedener hydrologischer Parameter dienen können. Zur operationellen Verarbeitung und Auswertung dieser Daten ist ein methodisches Gesamtkonzept nötig, das als rahmensetzendes Schema den Einsatz spezifischer Methodiken koordiniert. Ziel sollte es sein, die komplexe Rückstreuinformation sukzessive zu trennen, um die quantitative Ableitung einzelner Oberflächeneigenschaften zu ermöglichen. Der Gegenstand dieser Arbeit widmet sich dem oben aufgeführten Bedarf an Untersuchungen. Entsprechend orientieren sich die in Kapitel 3 formulierten Ziele der Arbeit bzw. das methodische Vorgehen an den Vorgaben des Forschungsbedarfs, allerdings mit unterschiedlicher Gewichtung. Zielsetzung der Arbeit und methodisches Vorgehen 37 3 Zielsetzung der Arbeit und methodisches Vorgehen 3.1 Zielsetzung Diese Arbeit widmet sich der hydrologisch orientierten Auswertung multifrequenter und multipolarimetrischer Daten des flugzeuggetragenen Radarsensors E-SAR, aufgezeichnet in einer Befliegungskampagne im Einzugsgebiet des Flusses Bröl (Rheinisches Schiefergebirge). Grundlegendes Ziel ist ein inhaltlicher und methodischer Beitrag zur Anwendung von SARFernerkundungsdaten für hydrologische Fragestellungen sowie die Ableitung von Informationen zur Unterstützung und Erweiterung des hydrologischen Kenntnisstandes im Untersuchungsgebiet. Den inhaltlichen Kern der Arbeit bildet die Verarbeitung und Auswertung der Fernerkundungsdaten. Diese werden hinsichtlich ihres thematischen Informationsgehaltes über verschiedene hydrologische Parameter interpretiert bzw. unter Verwendung der Radarrückstreuung mit Hilfe von Geländedaten sowie verschiedenen digitalen Methodiken regionalisiert. Die Verifizierung und Interpretation der Ergebnisse erfolgt unter Berücksichtigung des lokalen geographischen und hydrologischen Wissens, das auf Grundlage bisheriger Untersuchungen vorliegt bzw. durch integrativen Einsatz von Geländemethoden und GIS-Techniken aufgenommen bzw. aufgearbeitet wurde. Neben der digitalen Vorverarbeitung der Fernerkundungsdaten, deren wesentliches Ziel in der akkuraten radiometrischen Beschreibung und Korrektur des Reliefeinflusses besteht, widmet sich die Arbeit drei übergeordneten Zielen: 1) Kartierung der Landnutzung: Die Bedeutung der Landnutzung für die hydrologische Abflußdynamik im Bröl-Einzugsgebiet unterstreicht FLÜGEL (1995). Unter Beachtung der im Untersuchungsgebiet regional vorherrschenden Flächenbewirtschaftungsstrukturen bzw. deren hydrologischer Relevanz wird zunächst die spektrale Wiedergabe der verschiedenen Landnutzungskategorien in den unterschiedlichen Radarfrequenzen und -polarisationen interpretiert. Darauf aufbauend erfolgt mit geeigneten digitalen Methoden die Ableitung einer flächenhaften Landnutzungskarte sowie die Überprüfung deren Genauigkeit. Das Ergebnis wird anhand einer Landnutzungsklassifikation aus multispektralen optischen Satellitendaten (KLENKE 1999) vergleichend interpretiert, um Aussagen über das Potential von multifrequenten und multipolarimetrischen SAR-Daten zur hydrologisch relevanten Landnutzungserfassung zu treffen. 2) Bestimmung der Oberflächenfeuchte des Bodens: In Anlehnung und Fortsetzung der im Untersuchungsgebiet durchgeführten Studien zur Hangwasserdynamik an den Testhängen „Kiefer“ und „Simon“ (FLÜGEL 1999, MÄRKER 1996) wird aus der Radarrückstreuinformation eine flächenhafte Verteilung der Oberflächenfeuchte des Bodens bestimmt. Hierzu ist es nötig, die geeigneten Frequenzen und Polarisationen auszuwählen sowie die Einflüsse von Vegetation und Oberflächenrauhigkeit zu beschreiben und durch Anwendung entsprechender Methoden zu korrigieren. Über eine vergleichende Zielsetzung der Arbeit und methodisches Vorgehen 38 Interpretation der Ergebnisse mit flächenhaften Bodenfeuchteverteilungen aus geostatistischen Ansätzen bzw. aus einem topographischen Index erfolgt die Verifizierung und Evaluierung der Ergebnisses hinsichtlich der Ansprüche hydrologischer Anwendungen. 3) Erfassung von Vegetationsparametern auf Flächen mit niedriger Vegetation: Die Gebiete mit niedriger Vegetation im Untersuchungsgebiet sind durch Grünlandwirtschaft geprägt, die je nach Nutzungszustand zu einer heterogenen räumlichen Verteilung von hydrologisch relevanten Vegetationsparametern führt. Durch einen Vergleich der Radarrückstreuwerte mit den Geländemessungen wird ein empirischer Zusammenhang abgeleitet bzw. die punkthaften Informationen damit regionalisiert. Schwerpunkt der Untersuchungen bildet die Erfassung von Pflanzenwassergehalt bzw. Biomasse sowie der Vegetationshöhe. Unter Berücksichtigung der zur Verfügung stehenden Daten, den Ergebnissen der Literaturauswertung sowie der Konfiguration der in naher Zukunft geplanten Satelliten-SARSensoren steht im Mittelpunkt der Untersuchungen die Auswertung der multipolarimetrischen LBand-Rückstreuintensitäten. Prinzipiell ist diese Arbeit eher methodisch ausgerichtet, d.h. es geht vorwiegend um die Einschätzung des Potentials der genutzten Fernerkundungsdaten sowie der zur Verarbeitung und Auswertung verwendeten Methoden. Allerdings ermöglicht die enge Verknüpfung mit bisherigen Forschungsarbeiten im Untersuchungsgebiet eine genaue Evaluierung von deren Leistungsfähigkeit für hydrologische Fragestellungen. 3.2 Methodisches Vorgehen Das methodische Vorgehen leitet sich aus den formulierten Zielsetzungen sowie aus den Vorgaben des Forschungsbedarfes ab, in denen auch auf methodische Defizite in der Verarbeitung und Auswertung multikanaliger SAR-Informationen hingewiesen wurde. Kapitel 4 liefert eine geographische Charakterisierung des Bröl Einzugsgebietes sowie eine ausgewählte Vorstellung der im Untersuchungsgebiet bisher durchgeführten Forschungsarbeiten. Schwerpunktmäßig geht es dabei um die Darstellung des anthropo- und physio-geographischen „local knowledge“, das für die Interpretation und Auswertung der SAR-Daten von besonderer Bedeutung ist. Im Kapitel 5 werden die Datengrundlagen und deren digitale Vorverarbeitung vorgestellt. Abschnitt 5.1 beschäftigt sich mit der Beschreibung der Fernerkundungsdaten sowie mit deren Vorverarbeitung. Dazu sind im einzelnen folgende Arbeitsschritte nötig: • Geometrische Korrektur (Georeferenzierung), • Berechnung des Radarrückstreukoeffizienten, • Radiometrische Korrektur. Zielsetzung der Arbeit und methodisches Vorgehen 39 Die radiometrische Korrektur beinhaltet die Speckle-Filterung und die Reduzierung topographischer Einflüsse. Zur Reliefnormalisierung wird aus einem Digitalen Geländemodell (räumliche Auflösung 10 Meter) und den Sensorparametern zunächst der lokale Einfallswinkel berechnet. Innerhalb verschiedener Oberflächenkategorien erfolgt ein Vergleich der Radarrückstreuung mit dem lokalen Einfallswinkel. Der daraus abgeleitete empirische Zusammenhang dient als Korrekturansatz zur Reduzierung topographischer Verzerrungen. Der letzte Teil von Kapitel 5 beschreibt die Aufnahme und digitale Aufarbeitung der Geländedaten sowie weiterer digitaler Zusatzdaten, die zur Ableitung der hydrologischen Parameter und zur Verifizierung der Ergebnisse benötigt werden. Den methodischen Schwerpunkt bildet die Erarbeitung flächenhafter Bodenfeuchtekarten mittels Geländemethoden/Geostatistik und dem topographischen Index als Verifizierungsgrundlage der aus den Radardaten abgeleiteten Oberflächenfeuchteverteilung. Kapitel 6 beschreibt die durchgeführten Arbeitsschritte und die erzielten Ergebnisse. Da die Untersuchungen auf die Ableitung mehrerer, sowohl qualitativer als auch quantitativer hydrologischer Parameter ausgerichtet sind, wird als methodisches Rahmenkonzept der Levelansatz nach ULABY ET AL. (1996, vgl. Pkt. 2.3.1) angewandt bzw. für die Anforderungen dieser Untersuchungen modifiziert. Die Level I-Trennung dient der Unterscheidung von thematischen Bildbereichen mit deutlich unterschiedlichem Rückstreuverhalten unter Berücksichtigung der angestrebten Parametererfassung. Dazu erfolgt die visuelle und statistische Interpretation der Rückstreucharakteristika verschiedener Oberflächen und nachfolgend die Klassifikation mit einem unüberwachten Verfahren (Abschnitt 6.1). Die Level II-Trennung berücksichtigt im wesentlichen nutzungsspezifische Aspekte in der thematischen Klassendefinition. Der Ablauf der überwachten Klassifikation (Level II) zur Erfassung der Landnutzung beinhaltet folgende Arbeitsschritte (Abschnitt 6.2): • • • • Spektrale und texturale Signaturanalysen bzw. Ausweisung der Trainingsgebiete, Überwachte Klassifikation nach Maximum-Likelihood-Methode, Nachbearbeitung des Klassifikationsergebnisses, Bestimmung der Klassifikationsgenauigkeit. Das Ergebnis der Landnutzungserfassung wird anhand einer Klassifikation aus multispektralen, optischen Fernerkundungsdaten vergleichend interpretiert. Die Bestimmung der Bodenfeuchte (Abschnitt 6.3) ist nur in Bildbereichen mit niedriger Vegetation möglich, die im Level I und II entsprechend segmentiert wurden. Ihre Bildeigenschaften in den längerwelligen Radarfrequenzen (L-Band) werden zunächst auf Einflüsse von Oberflächenrauhigkeit und Vegetation untersucht und mit geeigneten Verfahren radiometrisch modifiziert. Durch einen empirischen Vergleich mit den Geländemessungen erfolgt die Auswahl des Bandes mit dem optimalen Gehalt an Bodenfeuchteinformationen. Die anschließende Überprüfung und Evaluierung der daraus bestimmten flächenhaften Feuchteverteilung berücksichtigt die erarbeiteten flächenhaften Verifizierungsgrundlagen (Abschnitte 5.2 und 5.3). Zielsetzung der Arbeit und methodisches Vorgehen 40 Die Auswertung der Radardaten zur Bestimmung der Vegetationsparameter findet ebenfalls durch einen empirischen Vergleich zwischen Radarrückstreuung und Geländemeßwerten statt (Abschnitt 6.4). Die untersuchten Vegetationseigenschaften, d.h. Pflanzenwassergehalt, trockene bzw. feuchte Biomasse und Vegetationshöhe, werden mit der Rückstreuinformation verschiedener Radarbänder bzw. daraus abgeleiteter Derivate (Hauptkomponenten) korreliert. Unter Verwendung des besten Zusammenhangs erfolgt die Regionalisierung der punktuellen Geländeinformationen. Im Abschnitt 6.5 werden die verwendeten Methoden, die Genauigkeit bzw. die Probleme der hydrologischen Parameterableitung diskutiert. Kapitel 7 faßt die Ergebnisse zusammen und trifft allgemeine Aussagen über das Potential multifrequenter und multipolarimetrischer SAR-Daten für hydrologische Fragestellungen. Vor diesem Hintergrund wird ein Ausblick auf zukünftige Anwendungen bzw. weiterführende Forschungsaufgaben gegeben. Zur Verarbeitung, Auswertung und Visualisierung der Daten finden die Geographischen Informations- bzw. Digitalen Bildverarbeitungssysteme Arc/Info, Arc/View, Erdas/Imagine sowie PCI Easi/Pace Anwendung. Untersuchungsgebiet 41 4 Untersuchungsgebiet 4.1 Geographische Charakterisierung Die Untersuchungen dieser Arbeit sind räumlich im Einzugsgebiet der Bröl (Größe: 216 km²), einem Teileinzugsgebiet der Sieg (Größe: 2853 km²) angesiedelt. Die naturräumliche Lage ist durch die Zugehörigkeit zum zentralen, rechtsrheinischen Schiefergebirge mit Höhen zwischen 64 m bis 400 m üNN gekennzeichnet. Das konkrete Untersuchungsgebiet, d.h. der E-SARFlugstreifen, liegt im Bereich zweier Testhänge ca. 30 km nordöstlich von Bonn (MÄRKER 1996, Abb. 11). S ül z Untersuchungsgebiet er A gg Sieg Br öl R in he Siegen Deutschland N Siegburg Sieg 10 km e is bach Pl Bonn Hennef SiegEinzugsgebiet N ist er Abb. 11: Lage des Untersuchungsgebietes. Geologisch ist das Gebiet von mittel- und unterdevonischen Formationen geprägt, die einen weitgehend undurchlässigen Untergrund bilden. Vereinzelt treten tertiäre Rumpfflächenreste und diluviale bzw. alluviale Ablagerungen in Form von Flußterrassen auf. Weite Teile des Gebietes sind mit quartären Verwitterungsdecken überzogen, in denen sich vorwiegend Braunerden und Parabraunerden, zum Teil auch Pseudogleye entwickelten. In den Talauen finden sich vor allem Auenböden, Naßgleye und Gleye. Die Bodenart ist im Untersuchungsraum mit einem Flächenanteil von 93 % schluffigem Lehm relativ homogen (BENDE 1994, DAAMEN 1993). Klimatisch wird das Gebiet vom atlantisch-ozeanischen Klimabereich beeinflußt. Die jährliche Niederschlagssumme beträgt 1039 mm, bei einer Jahresmitteltemperatur von ca. 8,5° C und einer mittleren jährlichen Verdunstung von 536 mm (FLÜGEL & SMITH 1999). Untersuchungsgebiet 42 Die Landnutzung im Bröl-Einzugsgebiet ist von verschiedenen Grünlandnutzungen und Wald dominiert, deren Gebiete 52,6 % bzw. 33,8 % der Fläche betragen. 10,9 % der Fläche sind Siedlungen, 2,7 % ackerbaulich genutzte Bereiche. Die Grünlandnutzungen lassen sich prinzipiell in Wiese, Mähweide und Standweide unterscheiden. Nur einige wenige Grünlandflächen sind unbewirtschaftet oder werden anderweitig genutzt. Die Standweiden sind von März bis Oktober Weideflächen. Ihr Anteil an der Gesamtfläche liegt bei ca. 5 %. Wiesen haben einen Flächenanteil von 15,5 % und werden nicht beweidet. Die Bewirtschaftung erfolgt durch zwei bis dreimaliges Mähen im Jahr. Auf den Mähweiden wird in der Regel der erste Schnitt im Frühjahr eingebracht, danach stehen die Flächen als Weide zur Verfügung. Mähweiden haben mit 30 % den größten Flächenanteil aller Grünlandnutzungen. Auf landwirtschaftlichen Nutzflächen wird vorwiegend Mais, seltener Getreide und Rüben angebaut (BENDE 1994, FLÜGEL & SMITH 1999). 4.2 Bisherige Arbeiten im Untersuchungsgebiet In den letzten Jahren wurden im Bereich des Untersuchungsgebietes eine Reihe von Forschungsarbeiten durchgeführt. Der Schwerpunkt lag auf der Analyse und Modellierung des Wasser- und Stoffhaushaltes im Sieg- bzw. im Bröl-Einzugsgebiet. Aus der Vielzahl der Untersuchungen (vgl. hierzu KLENKE 1999) werden im folgenden die für diese Arbeit relevanten Studien kurz vorstellt. Untersuchungen zur Analyse und Modellierung des hydrologischen Prozeßgefüges im BrölEinzugsgebiet widmeten sich FLÜGEL (1995, 1996), FLÜGEL ET AL. (1997), FLÜGEL & SMITH (1999) und MÄRKER (1996). Als bedeutender Prozeß in der Abflußbildung wurde von FLÜGEL (1995) der Interflow (vgl. hierzu FLÜGEL 1979) aus den Hangbereichen hervorgehoben, der etwa 60-70 % des Gesamtabflusses stellt. Zur Untersuchung und Regionalisierung der Interflowdynamik im Bröl-Einzugsgebiet erfolgten deshalb Detailstudien an zwei Testhängen. Diese wurden mit umfangreichen Geländeinstrumentierungen bestückt, um die reliefgesteuerte Hangwasserdynamik kleinräumig, differenziert zu erfassen. Die Testhänge sind nach deren Besitzern und Bewirtschaftern, Herrn Kiefer und Herrn Simon benannt und befinden sich nahe der Gemeinden Niederbreidenbach (Kieferhang) und Niederelben (Simonhang). Die geographische Lage der Mitte des Kieferhanges kann mit einem Hochwert von 5640 km und einem Rechtswert von 394,3 km (Gauß/Krüger Zone 3) angegeben werden. Die Mitte des Simonhanges hat einen Hochwert von 5638,8 km und einen Rechtswert von 395,8 km (Gauß/Krüger Zone 3). Beide Hänge lagen innerhalb des E-SAR-Flugstreifens (Abb. 12). Der Kieferhang ist nordexponiert und liegt im Ost-West ausgerichteten Tal des Breidenbachs. Der Simonhang ist nordwestexponiert, an seinem Fuß fließt der Elbach (Abb. 12). Die Testhänge wurden hinsichtlich der Hangneigung, der Landnutzung und des Substrataufbaus als repräsentativ für das BrölEinzugsgebiet ausgewählt (FLÜGEL 1999). Untersuchungsgebiet 0 43 1 2 Kilometer Abb. 12: Ausschnitt aus der topographischen Karte 1:25.000 mit der Lage der Testhänge und dem untersuchten Ausschnitt des Befliegungsstreifens. Die Geländeaufnahmen zur hydrologischen Systemanalyse der Hangbereiche umfaßten die Instrumentierung zur Erfassung hydrometeorologischer Zeitreihen sowie die morphologische und bodenkundliche Aufnahme der Testhänge. Mit Hilfe der permanenten Meßstationen wurden in einer zeitlichen Auflösung von fünf Minuten die Komponenten Niederschlag, Evapotranspiration (nach Penman-Monteith Modell: Strahlungsbilanz, Lufttemperatur, relative Luftfeuchte, Windgeschwindigkeit), die Bodenwasser- bzw. Grundwasserdynamik sowie der Vorfluterabfluß (nur Kieferhang) aufgezeichnet. Die Aufnahme der Bodenwasserdynamik erfolgte mit Druckaufnehmertensiometern in Meßtiefen von 15, 30, 50, 70, 90 und 120 cm Tiefe. Am Kieferhang wurden dazu sechs Meßstationen (K1-K6) und am Simonhang fünf Meßstationen (S1S5) entlang von Hangcatenen eingerichtet und über einen Zeitraum von zwei Jahren (1995-97) betrieben (FLÜGEL 1999, vgl. Pkt. 5.2.2). Parallel zu den Tensiometermessungen erfolgte die detaillierte Aufnahme bodenkundlicher und bodenphysikalischer Parameter (z.B. Bodenart, Gesamtporenvolumen) an einer Reihe von Bodenprofilen innerhalb der quartären Solifluktionsschuttdecken bis zum liegenden, undurchlässigen Devongestein. Die Ergebnisse der Untersuchungen dienten u.a. der Umrechnung der Tensiometermeßwerte in Bodenwassergehalte sowie der Erfassung von Muldenstrukturen im Untersuchungsgebiet 44 Devongestein, die eine wichtige Rolle bei der Hangwasserbewegung spielen (MÄRKER 1996). Die Bodenfeuchtewerte der Tensiometermessungen in 15 cm Tiefe konnten als Geländevergleichswerte bei der Auswertung der E-SAR-Daten verwendet werden (vgl. Pkt. 5.2.2). Eine weitere, für diese Arbeit bedeutsame Untersuchung, stammt von KLENKE (1999). Er beschäftigte sich mit dem Aufbau eines Datenpools für das Siegeinzugsgebiet, in der er verschiedene Datensätze, bestehend aus digitalem Geländemodell, Klima- und Bodendaten integrierte sowie aus Fernerkundungsdaten eine Landnutzungskarte ableitete. Als Grundlage der Landnutzungserfassung dienten drei Szenen des multispektralen optischen Satelliten Landsat TM aus den Jahren 1986, 1989 und 1992 mit einer räumlichen Auflösung von 30 m. Er trennte insgesamt acht Landnutzungsklassen (dichte Bebauung; lockere Bebauung; ackerbaulich genutzte Fläche, abgeerntete oder gemähte Flächen, Grünland, Laub- und Mischwald, Nadelwald, Wasser). Nach einer umfangreichen Nachbearbeitung konnte eine Klassifikationsgenauigkeit von knapp 95% erreicht werden. Die Ergebnisse bieten sich für einen Vergleich mit den Resultaten der Landnutzungsklassifikation an, die in dieser Arbeit aus multifrequenten und multipolarimetrischen SAR-Daten abgeleitet werden. Datengrundlagen und digitale Vorverarbeitung 45 5 Datengrundlagen und digitale Vorverarbeitung Nachfolgend sollen die dieser Arbeit zugrundeliegenden Daten sowie deren digitale Aufbereitung vorgestellt werden. Der Schwerpunkt liegt dabei auf der Beschreibung und Vorverarbeitung der SAR-Flugzeugdaten (Abschnitt 5.1), der Aufnahme und digitalen Aufarbeitung der Geländemessungen und -kartierungen (Abschnitt 5.2) sowie der Gewinnung zusätzlicher Informationen aus bestehenden digitalen Datensätzen (Abschnitt 5.3). Die akkurate Vorverarbeitung des vorliegenden Datenmaterials ist notwendige Voraussetzung für die erfolgreiche Auswertung der E-SAR-Flugzeugdaten sowie für die Ergebnisverifizierung. 5.1 Vorverarbeitung der Fernerkundungsdaten 5.1.1 Aufgezeichnete Wellenlängen und Polarisationen Die verwendeten Fernerkundungsdaten stammen aus einer E-SAR-Befliegung, die am 26. Juni 1996 in einem Teilbereich des Bröl-Einzugsgebietes stattfand. Die Aufzeichnung erfolgte in vier Flugtracks, in denen jeweils verschiedene Frequenzen und Polarisationen aufgenommen wurden. Konkret wurden das L-Band multipolarimetrisch, das C-Band in VV und HH sowie das X-Band in HH aufgezeichnet. Tabelle 3 faßt die wesentlichen Aufnahmezeiten und -parameter der einzelnen Radarbänder zusammen. Die Ausdehnung des gesamten Aufnahmestreifens betrug 3x10 km, wobei nur der Bereich um die beiden Testhänge in die Auswertungen einbezogen wurde. Die E-SAR-Daten wurden im ersten Arbeitsschritt von der DLR Oberpfaffenhofen aufbereitet. Unter Berücksichtigung von Systemparametern und den Aufnahmebedingungen erfolgte • • • • • die Korrektur der Verzerrungen durch Bewegung des Flugzeugs (Motion Compensation), die Erzeugung diskreter Bildpunktsignale aus den Radar-Rohdaten (Prozessierung), die radiometrische Kalibrierung, die Generierung von Bildern in Ground-Range-Geometrie, die Erzeugung von Multi-Look-Bildern. Multi-Look-Daten zeigen einen deutlich geringeren Speckle-Einfluß, da eine Mittelung der Rückstreuinformationen bei gleichzeitiger Verringerung der geometrischen Auflösung erfolgt (KLENKE 1999, vgl. Pkt. 2.1.2.3). Die L-Bänder lagen in 4-Look, X- und C-Band in 8-Look Format vor (Tab. 3). Die Verwendung von Bilddaten in Ground-Range-Geometrie erleichtert deren Georeferenzierung, da die verzerrte geometrische Darstellung der Rohdaten im Schrägentfernungsbild, beruhend auf der Pulslaufzeit (Slant-Range), bereits in horizontale Entfernungen umgerechnet wurde (Ground-Range). Diese Abbildung entspricht eher den realen Verhältnissen (HOCHSCHILD 1995). Die räumliche Auflösung betrug bei allen Radarbändern 2,5 m. Datengrundlagen und digitale Vorverarbeitung 46 Tab. 3: Aufnahmezeitpunkte und Eigenschaften der aufgenommenen Frequenzen und Polarisationen Radarband XHH CHH CVV LHH LVV LHV LVH Aufnahmezeit Anzahl der Looks Flughöhe über NN (m) Slant Range Pixelgröße (m) 8 8 8 4 4 4 4 3140,40 3138,80 3139,20 3140,00 3140,00 3140,00 3140,00 2,500 2,500 2,500 2,498 2,498 2,498 2,498 9.50 Uhr 10.09 Uhr 9.59 Uhr 10.17 Uhr 10.17 Uhr 10.17 Uhr 10.17 Uhr Ground Range Distanz Near Range (m) 1344,60 1342,01 1343,00 1350,10 1350,10 1350,10 1350,10 Das C- Band (VV) war für die Auswertung weitgehend unbrauchbar, da der Aufnahmestreifen deutlich schmaler war und das Untersuchungsgebiet der beiden Testhänge nur ungenügend erfaßte. Tabelle 4 verdeutlicht die Korrelationen der verschiedenen Radarkanäle untereinander. Die Ergebnisse zeigen Korrelationen im Bereich von 0,5 zwischen Bändern verschiedener Frequenzen, was auf unterschiedliche Informationsgehalte bzw. Rückstreueigenschaften der Erdoberfläche hinweist. Die verschiedenen Polarisationen des L-Bandes sind zwischen 0,87 und 0,98 miteinander korreliert, wobei der LVV-Kanal die niedrigsten Korrelationen mit den übrigen L-Bändern aufweist. Die beiden kreuzpolarisierten L-Bänder haben einen ähnlichen Informationsgehalt (Korrelation: 0,98). Deshalb wurde in den nachfolgenden Verarbeitungs- und Auswerteschritten das Band LVH nicht verwendet. Tab. 4: Korrelationen der Radarbänder XHH CHH LHH LHV LVH LVV XHH 1,00 ------ CHH 0,55 1,00 ----- LHH 0,50 0,52 1,00 ---- LHV 0,46 0,50 0,90 1,00 --- LVH 0,45 0,49 0,91 0,98 1,00 -- LVV 0,54 0,54 0,88 0,87 0,88 1,00 5.1.2 Geometrische Korrekturen Die geometrischen Korrekturen umfassen die Beseitigung reliefbedingter geometrischer Verzerrungen sowie die Georeferenzierung der Daten. Ziel ist es, die Radarbänder auf eine einheitliche geometrische und kartographische Grundlage mit anderen Datensätzen, z.B. dem DGM zu bringen. Diese Arbeiten wurden teilweise im Rahmen eines Studienprojektes am Geographischen Institut der Friedrich-Schiller-Universität Jena ausgeführt und umfassend beschrieben (BARTSCH 1998). Datengrundlagen und digitale Vorverarbeitung 47 Die geometrische Reliefkorrektur und die Georeferenzierung wurde in einem Arbeitsschritt unter Verwendung der Module GCP, FLIGHT und STG im Bildverarbeitungssystem PCI Easi/Pace durchgeführt. Dazu wurden in einem SAR-Kanal aus topographischen Karten (Maßstab 1:25.000, Blätter 5111, 5110) und Orthofotokarten (Maßstab 1:5.000, Aufnahmezeitpunkt 1988) zunächst 49 Paßpunkte in dreidimensionalen Koordinaten bestimmt. Als kartographische Referenz diente die UTM-Projektion (Zone 32, WGS84 Spheroid). Desweiteren war ein Digitales Höhenmodell nötig, das in Form eines hochaufgelösten DGM (10 m horizontale und 0,5 m vertikale Genauigkeit) vom Landesvermessungsamt Nordrhein-Westfalen vorlag. Unter Verwendung der Paßpunkte, des DGM’s und bestimmter Flugbahn- und Aufnahmeparameter wurde die Entzerrung und Georeferenzierung mit einer Polynomialtransformation dritten Grades und „Nearest Neighbour Resampling“ (vgl. hierzu HILDEBRANDT 1996) durchgeführt. Allerdings konnte lediglich das Radarband CHH erfolgreich mit diesem Verfahren korrigiert werden (BARTSCH 1998). Die übrigen Radarbänder wurden deshalb durch eine Bild-zu-Bild Koregistrierung unter Verwendung von 4050 Paßpunkten und einer Polynomialtransformation dritten Grades entzerrt. Die Genauigkeiten der geometrischen Korrekturen liegen im Bereich von 0,7 bis 1,4 Pixel RMSFehler, der unter Berücksichtigung der hohen räumlichen Auflösung der Daten, durchaus akzeptabel ist. Zur weiteren Überprüfung wurden die verschiedenen Radarfrequenzen zu RGBKompositen zusammengefügt, die den Eindruck einer erfolgreichen geometrischen Entzerrung untermauerten. 5.1.3 Berechnung des Radarrückstreukoeffizienten Der Radarrückstreukoeffizient, bezeichnet als σ°, ist eine geeichte Größe der Radarrückstreuintensität einzelner Rückstreuquerschnitte (Aufnahmepixel). Bei seiner Berechnung wird die Rückstreuinformation unter Verwendung von Aufnahme-, Kalibrierungs- und Reliefparametern in eine neue Größe umgerechnet, die bekannte und systematische systembedingte Abbildungseffekte weitgehend reduziert. Dadurch wird eine quantitative Vergleichbarkeit zwischen dem Rückstreuverhalten verschiedener Geländeobjekte bzw. zwischen unterschiedlichen SAR-Aufzeichnungen ermöglicht (HOCHSCHILD 1995, KLENKE 1999). Für die E-SAR-Daten berechnet sich der Radarrückstreukoeffizient σ° für jedes Pixel nach Gleichung 5.1 (SU ET AL. 1997). σ 0 [dB ]= β 0 ∗ cosθ (5.1) θ ist der lokale Einfallswinkel und β0 ist die sogenannte „Radarbrightness“, die nach Gleichung 5.2 berechnet wird. β 0 [dB] =10 ∗ log(DN + 32768)2 − K (5.2) DN stellt den digitalen Meßwert der Radarrückstreuintensität im E-SAR-Rohdatenbild (precision image) dar. Die Kalibrationskonstante K wird während der SAR-Datenaufzeichung aus der Rückstreuung von Cornerreflektoren ermittelt. Sie betrug für diesen Datensatz 60. Datengrundlagen und digitale Vorverarbeitung 48 Der in Gleichung 5.1 benötigte lokale Einfallswinkel θ dient der radiometrischen Korrektur von Reliefeinflüssen sowie von Rückstreuunterschieden zwischen Near- und Far-Range-Bereichen im Radarbild (vgl. Abb. 5). Während die Near/Far-Range-Verzerrungen in allen Radaraufnahmen vorzufinden sind, zeigen topographische Effekte Abhängigkeiten von den Oberflächeneigenschaften. Entsprechend der Zielsetzung sind hierzu genauere Untersuchungen zu Reliefeinflüssen in unterschiedlichen thematischen Bildbereichen notwendig, die im Pkt. 5.1.4.1.2 vorgestellt werden. An dieser Stelle erfolgt deshalb lediglich die Berechnung der Radarbrightness β0 nach Gleichung 5.2. Der Radarrückstreukoeffizient σ0 wird erst nach der Parameterisierung eines empirischen Rückstreumodells unter Pkt. 5.1.4.1.5 abgeleitet. 5.1.4 Radiometrische Korrekturen In Radaraufnahmen haben vor allem das Relief und der Speckle Einfluß auf die Bildradiometrie. Für eine erfolgreiche Auswertung der SAR-Daten ist eine Beseitigung dieser Phänomene mit Hilfe digitaler Verfahren nötig. Die radiometrischen Korrekturen der Reliefeinflüsse (Pkt. 5.1.4.1) und des Speckle-Effektes (Pkt. 5.1.4.2) in den E-SAR-Daten werden im folgenden vorgestellt. 5.1.4.1 Beschreibung und Beseitigung des Reliefeinflusses Wie bereits im Pkt. 2.1.2.5.2 ausgeführt, gibt es derzeit keine operationellen Verfahren zur radiometrischen Korrektur der Reliefeinflüsse. Insbesondere die Verwendung des lokalen Einfallswinkels ohne Berücksichtigung der Rückstreuunterschiede verschiedener thematischer Bildbereiche sowie einfache Kosinus-Korrekturmodelle liefern oft nur unbefriedigende Ergebnisse (GOYAL ET AL. 1998, 1999). Deshalb wird in dieser Arbeit ein empirischer Ansatz zur Beschreibung und Beseitigung der Reliefeffekte genutzt. Dabei erfolgt zunächst die Untersuchung des Einflusses der lokalen Einfallswinkel auf die Rückstreuintensität verschiedener thematischer Bildbereiche sowie die Parameterisierung und Anwendung eines komplexen KosinusKorrekturmodells. 5.1.4.1.1 Berechnung des lokalen Einfallswinkels Der lokale Einfallswinkel entspricht dem Winkel zwischen der einfallenden Radarstrahlung und der Senkrechten zur Geländenormalen (vgl. Abb. 5). Er berechnet sich nach ROBINSON (1966, zitiert in SU ET AL. 1997) wie folgt (Gleichung 5.3): θ = cos −1 (cos α ∗ cos γ + sin α ∗ sin γ ∗ cos (τ − β )) (5.3) θ ist dabei der lokale Einfallswinkel, α und β sind Hangneigung und Exposition, abgeleitet aus dem DGM. γ stellt den lokalen Zenithwinkel (Gleichung 5.4) und τ die Flugrichtung des E-SARSensors im Bezug auf Norden dar. Der Zenithwinkel γ dient der Beschreibung von Near- und FarRange-Effekten. Near-Range-Bereiche bezeichnen die Bildzeilen parallel zur Flugrichtung, die dem Sensor am nächsten sind, d.h. einen relativ kleinen Einfallswinkel haben. Sie zeigen Datengrundlagen und digitale Vorverarbeitung 49 aufnahmebedingt höhere Rückstreuwerte als die Far-Range-Bereiche, die sich am weitesten weg vom Sensor befinden, d.h. große Einfallswinkel aufweisen (vgl. Abb. 13). Der Zenithwinkel γ berechnet sich wie folgt (SU ET AL. 1997, Gleichung 5.4). γ = cos −1 ((H − h ) / R ) (5.4) H ist die Flughöhe über NN in Meter, h ist die Geländehöhe des entsprechenden Pixels in Meter. Diese Informationen sind dem DGM zu entnehmen. R bezeichnet die Slant-Range-Entfernung zwischen dem Sensor und dem jeweiligen Pixel in Meter (Gleichung 5.5). R = R0 + xp (5.5) R0 stellt die Slant-Range-Entfernung zur ersten Bildzeile dar. Diese Information ist ebenso wie die Pixelgröße in Slant-Range (xp) aus den Aufnahmeparametern abzuleiten (vgl. Tab. 3, BARTSCH 1998). N E-SAR Near-Range 0 Grad Far-Range 0 0,5 1 Kilometer 100 Grad Abb. 13: Karte des lokalen Einfallswinkels für die Konfiguration der L-Band Aufnahmen. Da jede Radarfrequenz in einem anderen Flugtrack aufgenommen wurde, ist der lokale Einfallswinkel jeweils neu zu berechnen. Abbildung 13 zeigt beispielhaft die räumliche Verteilung des lokalen Einfallswinkels für die L-Band-Konfiguration. Dem Sensor zugeneigte Hänge haben kleine Einfallswinkel, während entgegen exponierte Bereiche große Winkel aufweisen. Deutlich tritt auch der Effekt der unterschiedlichen Einfallswinkel im Near- und Far-Range hervor. Datengrundlagen und digitale Vorverarbeitung 50 5.1.4.1.2 Beschreibung des Reliefeinflusses für verschiedene Bildbereiche Prinzipiell war ein bedeutender Reliefeinfluß in den E-SAR-Daten nicht zu erwarten. Grund hierfür ist zum einen der große mittlere Depressionswinkel von 40º, da bei kleinen Einfallswinkeln die reliefabhängige Rückstreuung deutlich höher ist. Desweiteren bedingt die weitgehende Vegetationsbedeckung im Untersuchungsgebiet einen hohen Volumenstreuanteil, der wegen seines diffusen Charakters nur wenig topographische Beeinflussung aufweist (LECKIE & RANSON 1998, RANEY 1998). Zur Beschreibung der Abhängigkeit der Radarrückstreuung vom Relief wurden Testgebiete gleicher thematischer Bildbereiche mit unterschiedlichen lokalen Einfallswinkel, aber ähnlicher Distanz zum Sensor, d.h. mit gleichen Einfallswinkeln bzw. Zenithwinkeln, untersucht. Durch Ausschluß dieser Einflüsse waren Rückstreuunterschiede im wesentlichen auf die lokale Topographie zurückzuführen. Der Schwerpunkt der Betrachtungen lag auf den Landoberflächenklassen Wald und Grünland. Pro Klasse wurde je 2 bis 3 Testgebiete ausgewählt. b) Laubwald 0 LHH Rückstreuung (dB) LHH Rückstreuung (dB) a) Nadelwald -5 -10 -15 -20 y = -0,0665x - 5,8003 -25 30 35 40 45 50 55 60 -5 -10 -15 -20 -25 y = 0,0797x - 15,764 -30 65 35 40 0 -5 -10 -15 -20 y = -0,0344x - 12,631 -25 30 35 40 45 50 55 60 -15 y = -0,0364x - 9,0273 40 45 50 55 Lokaler Einfallswinkel (Grad) 70 75 80 75 80 75 80 -15 -20 -25 y = 0,0439x - 19,044 -30 35 LVV Rückstreuung (dB) LVV Rückstreuung (dB) -10 35 65 40 45 50 55 60 65 70 Lokaler Einfallswinkel (Grad) -5 30 60 -10 65 0 -25 55 -5 Lokaler Einfallswinkel (Grad) -20 50 Lokaler Einfallswinkel (Grad) LHV Rückstreuung (dB) LHV Rückstreuung (dB) Lokaler Einfallswinkel (Grad) 45 60 65 -5 -10 -15 -20 -25 y = 0,0546x - 16 -30 35 40 45 50 55 60 65 70 Lokaler Einfallswinkel (Grad) Abb. 14: Zusammenhang zwischen der Radarrückstreuung verschieden polarisierter L-Bandaufnahmen und dem lokalen Einfallswinkel für (a) Laubwald und (b) Nadelwald (je 2 bis 3 Testgebiete). Datengrundlagen und digitale Vorverarbeitung 51 Abbildung 14 verdeutlicht den Zusammenhang zwischen der Radarrückstreuung von Waldgebieten in verschiedenen L-Band-Polarisationen und dem lokalen Einfallswinkel. Insgesamt zeigt sich ein ähnliches Bild in den unterschiedlichen Polarisationen. In den Diagrammen a) ist ein Trend geringer Abnahme der Rückstreuung mit zunehmenden Einfallswinkel sichtbar. Ein deutlicher Reliefeinfluß zeigt sich allerdings nicht. Die beiden Punktwolken in den Diagrammen b) resultieren aus Testgebieten mit deutlich unterschiedlichen Einfallswinkeln. Auch hier zeigt sich kein bedeutender Reliefeinfluß. Vielmehr wird in den gleichpolarisierten L-Bändern eine geringere Rückstreuung bei kleinem Einfallswinkel deutlich. Dieser Effekt ist vermutlich durch dominante double-bounce-Reflexionen zwischen Bodenoberfläche und Baumstamm zu erklären, die bei kleinen Einfallswinkel eher vom Sensor weg gerichtet sind (BAYER 1990, LECKIE & RANSON 1998, LUCKMAN 1998b). In der kreuzpolarisierten Rückstreuung ist dieses Phänomen kaum zu erkennen. Insgesamt ist der Reliefeinfluß in Waldgebieten sehr gering und unsystematisch. Da diese Flächen nicht primäres Ziel quantitativer Analysen dieser Arbeit sind, wird auf eine Korrektur der topographischen Effekte verzichtet. b) Grünland nicht gemäht -10 LHH Rückstreuung (dB) LHH Rückstreuung (dB) a) Grünland gemäht -15 -20 -25 -30 y = -0,0348x - 19,516 -35 45 50 55 60 65 70 -15 -20 -25 -30 -35 y = 0,0576x - 24,964 -40 75 35 40 -10 y = 0,0088x - 28,942 -15 -20 -25 -30 -35 45 50 55 60 65 70 -15 -25 y = -0,0435x - 18,709 -35 60 65 Lokaler Einfallswinkel (Grad) 65 60 65 60 65 -30 -35 -40 35 LVV Rückstreuung (dB) LVV Rückstreuung (dB) -20 55 60 40 45 50 55 Lokaler Einfallswinkel (Grad) -15 50 55 -25 75 -10 45 50 y = 0,1481x - 38,907 -20 Lokaler Einfallswinkel (Grad) -30 45 Lokaler Einfallswinkel (Grad) LHV Rückstreuung (dB) LHV Rückstreuung (dB) Lokaler Einfallswinkel (Grad) 70 75 -15 -20 -25 -30 -35 y = -0,051x - 17,457 -40 35 40 45 50 55 Lokaler Einfallswinkel (Grad) Abb. 15: Zusammenhang zwischen der Radarrückstreuung verschieden polarisierter L-Bandaufnahmen und dem lokalen Einfallswinkel für (a) gemähtes und (b) nicht gemähtes Grünland (je 2 bis 3 Testgebiete). Datengrundlagen und digitale Vorverarbeitung 52 Den Zusammenhang zwischen der Radarrückstreuung und dem lokalen Einfallswinkel in Bildbereichen von gemähtem und nicht gemähtem Grünland verdeutlicht Abb. 15. Bei gemähtem Grünland (Diagramm a) fällt auf, daß der größte Reliefeinfluß im LVV-Band zu erkennen ist. Die LHH-Rückstreuung zeigt hingegen nur wenig, die im LHV keine Abhängigkeit vom lokalen Einfallswinkel. In Bildbereichen von nicht gemähtem Grünland (Diagramme b) ist diese Tendenz noch deutlicher zu erkennen. Hier tritt lediglich im LVV-Band ein signifikanter Reliefeinfluß hervor. Die Rückstreuungen im LHH und LHV zeigen im Vergleich zum lokalen Einfallswinkel einen ähnlichen Trend ohne signifikanten Reliefeinfluß. Die Begründung hierfür ergibt sich wahrscheinlich aus der unterschiedlichen Durchdringung der Vegetation in verschiedenen Polarisationen. Während die LHH- und LHV-Kanäle offensichtlich eine sehr starke, vegetationsbedingte Volumenstreuung aufweisen, penetriert das LVV die Grünlandflächen teilweise und liefert auch Informationen der Bodenoberfläche, die aufgrund des Oberflächenstreucharakters eine Reliefabhängigkeit aufweisen (SKRIVER ET AL. 1999). Zwar ist der Reliefeinfluß relativ gering, aber die Tatsache, daß die Polarisationen unterschiedliche Abhängigkeiten zeigen, macht die topographische Normalisierung notwendig. Deshalb bedürfen die Bildbereiche mit niedriger Vegetation in der LVV-Rückstreuung einer radiometrischen Korrektur des Reliefeinflusses. In den Radarbändern XHH und CHH wurde ebenfalls für die Bereiche niedriger Vegetation ein Reliefeinfluß festgestellt. 5.1.4.1.3 Beseitigung der Reliefeinflüsse mit einem empirischen Korrekturmodell Zur Korrektur der Reliefeinflüsse wurde ein empirischer Modellansatz (Gleichung 5.6) zur Beschreibung der Abhängigkeit der Radarrückstreuungsintensität σ° vom lokalen Einfallswinkel θ nach BAYER (1990) verwendet. Dieses Verfahren beruht auf einem Kosinusansatz, der durch einen zusätzlichen Exponenten q ergänzt wurde. Er stellt damit eine Erweiterung des einfachen Kosinusmodells dar, das in seiner Anwendung weit verbreitet ist, aber keine Anpassung an den jeweiligen Datensatz ermöglicht. σ 0 [dB ] = β 0 * cos q (θ ) (5.6) Die Ableitung des empirischen Parameters q erfolgte durch Bestimmung der Regressionsgeraden zwischen dem standardisierten Kosinuswert des lokalen Einfallswinkels und den standardisierten Rückstreuintensitäten für ein Radarband aus sechs-acht Testgebieten. Diese Gebiete waren so ausgewählt, daß alle zu korrigierenden thematischen Bildbereiche in verschiedenen Positionen innerhalb des Bildes bzw. mit unterschiedlichem Relief erfaßt wurden. Abbildung 16 verdeutlicht den Zusammenhang zwischen dem lokalen Einfallswinkel und der LVV-Rückstreuung aus den Testgebieten in nicht standardisierter (a) und standardisierter Form (b). Die Steigung der Regressionsgeraden entspricht dem Wert von q (BAYER 1990). Mit diesem Verfahren konnte das Korrekturmodell in Bildbereichen mit niedriger Vegetation für die Radarbänder LVV (q=0,40), CHH (q=0,30) und XHH (q=0,29) parameterisiert werden. Die eigentliche Korrektur war erst möglich, nachdem die thematischen Bereiche im gesamten Bild segmentiert wurden. Dies erfolgte mit der Level I-Trennung, die unter Punkt 6.1 vorgestellt wird. -10 53 LVV Rückstreuung (dB), standardisiert LVV Rückstreuung (dB) Datengrundlagen und digitale Vorverarbeitung a) y = -0,1117x - 14,547 -15 -20 -25 -30 30 40 50 60 70 3 b) y = 0,4068x - 0,0002 2 1 0 -1 -2 -3 80 -3 Lokaler Einfallswinkel (Grad) -2 -1 0 1 2 3 COS[Lokaler Einfallswinkel (Grad)], standardisiert Abb. 16: Zusammenhang zwischen dem lokalen Einfallswinkel, nicht standardisiert (a) bzw. dem standardisierten Kosinuswert (b), und der Radarrückstreuung im LVV aus sieben Testgebieten mit niedriger Vegetation. -10 LVV Rückstreuung (dB) LVV Rückstreuung (dB) Abbildung 17 zeigt die Beseitigung des Reliefeinflusses für die Bereiche mit niedriger Vegetation im LVV-Band mit dem komplexeren Kosinusmodell (Gleichung 5.6), das nach Abb. 16 abgeleitet wurde und einem einfachen Kosinusansatz (Gleichung 5.1). Deutlich wird die Eliminierung topographischer Effekte mit dem empirischen Modellansatz, während das einfache Kosinusmodell den Reliefeinfluß überschätzt und das Bild überkorrigiert. -15 -20 -25 a) y = -0,0076x - 17,866 -30 30 40 50 60 70 80 Lokaler Einfallswinkel (Grad) -10 -15 -20 -25 b) y = 0,1078x - 21,203 -30 30 40 50 60 70 80 Lokaler Einfallswinkel (Grad) Abb. 17: Zusammenhang zwischen lokalem Einfallswinkel und Radarrückstreuung nach der Korrektur mit einem komplexen Kosinusmodell (a) und einem einfachen Kosinusmodell (b). Die übrigen Radarbänder und Bildbereiche wurden einer Korrektur der Near/Far-Range-Effekte unterzogen. Dazu wurde in Gleichung 5.6 lediglich der lokale Einfallswinkel θ durch den Zenithwinkel γ (Gleichung 5.4) ersetzt. Als Exponent q wurde für alle zu korrigierenden Bänder 0,4 gewählt, der die beste Beseitigung der Near/Far-Range-Rückstreuunterschiede im Radarbild zeigte. Die Korrekturergebnisse waren visuell sehr gut zu interpretieren und ermöglichten eine zuverlässige Abschätzung des Exponenten q. 5.1.4.2 Reduzierung des Speckle-Effektes Im Abschnitt 2.1.2.3 wurde bereits kurz auf die Ursachen des Speckle-Effektes und die Möglichkeiten seiner Reduzierung eingegangen. Durch die Mehr-Look-Prozessierung der E-SARDaten erfolgte bereits eine erste Verminderung des Speckle-Einflusses. Zur weiteren Korrektur Datengrundlagen und digitale Vorverarbeitung 54 standen im Bildverarbeitungssystem Erdas/Imagine verschiedene adaptive Filter zur Verfügung. Sie berechnen den neuen Pixelwert unter Berücksichtigung des Mittelwertes und der Standardabweichung im Beobachtungsfenster sowie bandstatistischer Parameter. Dabei werden Kanten und Einzelobjekte weitgehend erhalten, was bei nicht-adaptiven Filtern in der Regel nicht der Fall ist (BÄHR & VÖGTLE 1998, KLENKE 1999). Die Auswahl des „optimalen“ Specklefilters ist von der Fragestellung und dem Datenmaterial abhängig (KLENKE 1999). Dementsprechend wurden verschiedene Filterverfahren mit unterschiedlichen Fenstergrößen (5x5, 7x7) angewandt und die Ergebnisse visuell interpretiert. Bei den unterschiedlichen Verfahren (Filtermethode, Fenstergröße) konkurriert die Intensität der Specklereduzierung mit dem Verlust an räumlicher Detailinformation. Die beste visuelle Bildverbesserung ergab der Frostfilter (detailliert beschrieben bei FROST ET AL. 1982, BÄHR & VÖGTLE 1998) mit einer Fenstergröße von 7x7. Abbildung 18 vergleicht eine RGB-Komposite aus den E-SAR-Daten vor und nach der Filterung. Deutlich wird die homogenere flächenhafte Abbildung verschiedener Vegetationsbereiche bei gleichzeitiger Erhaltung von Feldgrenzen und einzelnen punktuellen Strukturen im Siedlungsraum und der Umgebung. Insgesamt wirkt das speckle-gefilterte Bild jedoch etwas unschärfer, was auf einen gewissen Verlust an räumlicher Detailinformation, z.B. von Textur im Siedlungsbereich, zurückzuführen ist. Vom Einsatz eines Filters mit einem Beobachtungsfenster größer als 7x7 wurde deshalb abgesehen. a) b) Abb. 18: RGB-Komposite aus LVV/LHV/LHH vor (a) und nach (b) der Speckle-Filterung. 5.2 Geländedaten Wie im Kapitel 4 bereits dargestellt, existierten aufgrund der zahlreichen Forschungsaktivitäten im Untersuchungsgebiet eine Reihe von Geländemessungen und -informationen, die zur Auswertung der E-SAR-Daten bzw. zur Ergebnisverifizierung zur Verfügung standen. Desweiteren wurden durch Kartierung und Aufnahme von weiteren Parametern, die weitestgehend zum Überflugszeitpunkt erfolgte, zusätzliche Geländedaten erhoben. Datengrundlagen und digitale Vorverarbeitung 55 5.2.1 Landnutzungskartierung Parallel zur E-SAR-Befliegung erfolgte die flächenhafte Kartierung der Landnutzung unter Verwendung der topographischen Karten im Maßstab 1:25.000 (Blätter 5110, 5111) und Luftbildkarten im Maßstab 1:5000. Besonderes Augenmerk wurde dabei auf die Erfassung nutzungsspezifischer Eigenschaften von Vegetationsflächen gerichtet. Andere permanente Landoberflächentypen, wie beispielsweise Siedlungen oder Gewässer, sind in diesem Gebiet ausreichend kartographisch erfaßt und mußten nicht gesondert aufgenommen werden. Der räumliche Schwerpunkt der Kartierungen lag im Bereich der beiden Testhänge Kiefer und Simon. Waldgebiete wurden hinsichtlich ihrer vorherrschenden Baumart (Laub-, Nadel oder Mischwald) und ihres Alters bestimmt, wobei insgesamt 13 Flächen erfaßt wurden. Sowohl reiner Laub- als auch Nadelwald waren im Untersuchungsgebiet häufig anzutreffen. Mischwald gab es hingegen nur selten. Eine weitere Informationsquelle stellten die Luftbildkarten im Maßstab 1:5000 dar, denen in Erweiterung der Geländekartierungen Eigenschaften der Waldgebiete zu entnehmen waren. Besondere Bedeutung wurde der Erfassung verschiedener Grünlandnutzungen beigemessen. Sie haben im Untersuchungsraum eine große flächenanteilige bzw. hydrologische Relevanz und unterliegen, entsprechend der im Kapitel 4 vorgestellten Nutzungsarten, kurzfristigen Veränderungen. Insgesamt erfolgte die Aufnahme von 24 Grünlandflächen verschiedener Nutzungszustände. a) Grünland, gemäht b) Grünland, nicht gemäht c) Weide d) Grünland, unbewirtschaftet Abb. 19: Beispiele von vier Grünlandarten zum Überflugszeitpunkt am 26.6.1996. Datengrundlagen und digitale Vorverarbeitung 56 Abbildung 19 informiert über wesentliche Grünlandarten, die zum Überflugzeitpunkt vorzufinden waren. Bildbeispiel a) zeigt ein frisch gemähtes Grünland mit einheitlicher Vegetationshöhe von etwa 10 cm. Es handelt sich deshalb vorwiegend um Wiesen. In Bildbeispiel b) ist ein nicht gemähtes Grünland mit einer einheitlichen Vegetationshöhe von ca. 50 cm dargestellt. Diese Flächen werden im wesentlichen im Frühjahr zum ersten Aufwuchs gemäht und nachfolgend beweidet. Es handelt sich weitestgehend um Mähweiden. Bestimmte Bereiche wurden gerade zum Zeitpunkt der Befliegung gemäht, in diesem Fall wird es sich wahrscheinlich um Mähwiesen handeln. Allerdings erfolgt der zweite Schnitt im allgemeinen etwas früher im Jahr, so daß der Großteil der Flächen mit den Eigenschaften des Bildbeispiels b), den Mähweiden zuzuordnen ist. Im Bildbeispiel c) wird eine Weide dargestellt. Auffällig ist die weitgehend kurze, aber inhomogene Vegetationsverteilung, die auf selektive Futteraufnahme zurückzuführen ist. Im Untersuchungsgebiet gibt es ausschließlich als Weiden genutzte Flächen (Standweiden) und die bereits erwähnten Mähweiden. Eine Trennung der beide Weidearten war durch eine einmalige Erfassung nicht möglich. Das Bildbeispiel d) zeigt eine Grünlandart, die im Verlauf des Jahres noch keiner Nutzung unterlag, d.h. weder gemäht noch beweidet wurde. Diese Flächen dienen häufig speziellen Nutzungen, wie beispielsweise der Pferdezucht und sind im Untersuchungsraum nur selten anzutreffen. Die Kartierungen der Landnutzung sowie die Informationen aus den digitalen Luftbildkarten und der Landsat TM-Klassifikation (KLENKE 1999) bilden die Grundlage der Signaturanalysen und der Trainingsgebietsausweisung für die Klassifikation sowie die Referenz zur Verifizierung der Ergebnisse. 5.2.2 Bodenfeuchtemessungen Die Geländemessungen zur Bodenfeuchte konzentrierten sich auf den Bereich der Testhänge Kiefer und Simon. Zum Zeitpunkt des Überfluges wurden an den dort installierten TensiometerMeßstationen punkthafte Bodenfeuchtewerte aufgezeichnet (Pkt. 5.2.2.1). Zusätzlich erfolgte in einer späteren Geländekampagne die Aufnahme weiterer Oberflächenfeuchteinformationen mittels TDR-Sonden entlang von Hangprofilen mit hoher Meßdichte. Aus diesen Messungen wurde mit Hilfe geostatistischer Methoden in einem GIS eine flächenhafte Bodenfeuchtekarte erstellt (Pkt. 5.2.2.2). 5.2.2.1 Tensiometermessungen Zum Zeitpunkt des Überfluges war der Kieferhang mit sechs- (K1-K6) und der Simonhang mit fünf (S1-S5) Tensiometermeßstationen instrumentiert (FLÜGEL 1999, vgl. Pkt 4.2). Mit Tensiometern wird die Saugspannung des Bodens, die mittels Kenntnis bodenphysikalischer Kennwerte in die volumetrische Bodenfeuchte umgerechnet werden kann, gemessen (vgl. hierzu MÄRKER 1996, SCHEFFER & SCHACHTSCHABEL 1998). Über die Position der Meßstationen am Hang informiert Abb. 20. Datengrundlagen und digitale Vorverarbeitung 57 Abb. 20: Anordnung der Meßstationen K1-K6 und S1-S5 sowie der TDR-Meßpunkte (vgl. Pkt. 5.2.2.2) im Relief der jeweiligen Testhänge. Die Stationen mit der Nummer 1 (K1 und S1) befinden sich jeweils am Oberhang bzw. auf der Hochfläche. Die übrigen Meßpunkte folgen einem Hangprofil über Mittelhang, Unterhang bis zur Talaue mit den Stationen K6 und S5. Dadurch sind alle Hangpositionen repräsentiert. Im Bereich der Meßstationen K2 und K3 wurde bei der bodenphysikalischen Aufnahme eine Muldenstruktur im anstehenden Devongestein festgestellt. Sie ist mit Kolluvium verfüllt und aus der Oberflächenmorphologie nicht abzuleiten. Die bodenkundliche Interpretation ergab einen dauerhaften Wassereinfluß innerhalb der Dellenstruktur. Offensichtlich wirkt die Mulde als Dränageniveau der oberhalb am Hang gelegenen Bereiche, in der Interflow linienhaft abgeführt 12.6 13.6 14.6 15.6 16.6 17.6 18.6 19.6 20.6 21.6 22.6 23.6 24.6 25.6 26.6 27.6 28.6 29.6 30.6 30 E-SAR 55 25 50 20 45 15 40 10 35 5 30 0 K1 K2 K4 K5 K6 Niederschlag in mm Bodenfeuchte in Vol.% 60 Niederschlag K0 wird (FLÜGEL 1999). Abb. 21: Stündliche Bodenfeuchtewerte (Meßtiefe 15 cm) und Tagesniederschlagssummen am Kieferhang vom 12.6.96 bis 30.6.96. Datengrundlagen und digitale Vorverarbeitung 58 Die Tensiometerstationen zeichneten in verschiedenen Tiefen Meßwerte in einer zeitlichen Auflösung von 5 Minuten auf. Für die Auswertung der Radardaten waren die Messungen in 15 cm Tiefe wichtig, weil die Eindringtiefe des L-Bandes in diesem Bereich liegt (BOISVERT ET AL. 1995). Die Umrechnung der von den Tensiometern aufgezeichneten Saugspannungswerte in volumetrische Bodenfeuchte erfolgte durch Multiplikation mit dem Porenvolumen, das für die Meßstationen des Kieferhanges in Laboruntersuchungen ermittelt wurde (MÄRKER 1996). Die Porenvolumina der Meßstationen am Simonhang wurden aus denen des Kieferhanges abgeleitet, da die Geländeuntersuchungen vergleichbare bodenphysikalische Eigenschaften an beiden Testhängen ergaben (FLÜGEL 1999). Die Meßstationen S1-S3 erhielten den Mittelwert der Porenvolumina von K1-K4, für S4 wurde der Wert von K5 und für S5 der Mittelwert aus K5 und K6 übernommen (vgl. Tab. 5). Die Mittelung der Porenvolumina von Meßpunkten im Ober- und Mittelhangbereich (K1-K4) und in der Talaue waren nötig, da die bodenphysikalischen Eigenschaften der Meßstationen K2 und K3 bzw. K6 aufgrund der deutlich abweichenden Werte, als nicht repräsentativ und nicht einfach übertragbar gelten konnten. Die Bodenfeuchtewerte und Niederschlagswerte am Kieferhang wenige Tage vor und nach der ESAR-Befliegung sind in Abb. 21 dargestellt. Die Tagesniederschlagssummen, aufgenommen an der Klimastation K0, zeigen keine Niederschläge am Befliegungstag (26.6.96) bzw. an den vorangegangenen Tagen. Am 22.6. und 23.6. wurden jeweils wenige Millimeter Niederschlag gemessen, der allerdings nur geringe Auswirkungen auf die Bodenfeuchte hatte, d.h. offensichtlich durch Interzeption zurückgehalten wurde. Durch das Radar wurde demnach eine Phase trockenen Bodenzustandes aufgezeichnet. Tab. 5: Bezeichnung, Lage, Porenvolumina und Bodenfeuchtemeßwerte zum Zeitpunkt des Überfluges an den Meßstationen der Testhänge Kiefer und Simon Bezeichnung Lage am Hang K1 K2 K3 K4 K5 K6 S1 S2 S3 S4 S5 Hochfläche Oberhang Mittelhang Mittelhang Hangfuß Talaue Oberhang Mittelhang Unterhang Hangfuß Talaue Porenvolumen (Vol. %), Bodentiefe 15 cm 42,7 49,4 43,5 48,6 48,0 54,1 45,2 45,2 45,2 48,0 51,0 Bodenfeuchte (Vol.%), Bodentiefe 15 cm 36,1 49,4 -43,4 42,7 47,9 35,0 36,1 36,4 -37,1 Abbildung 21 verdeutlicht weiterhin einen Tagesgang in der Bodenfeuchtedynamik, dessen Entstehung noch nicht endgültig geklärt ist. Deutliche Feuchteunterschiede treten zwischen den Datengrundlagen und digitale Vorverarbeitung 59 Stationen K1 (Hochfläche), K4 und K5 (Mittel- und Unterhang), K2 (Oberhang mit beschriebener Dellenstruktur) und K6 (Talaue) hervor, was dem hydrologischen Verständnis einer Bodenfeuchteverteilung am Hang entspricht. Zum Zeitpunkt des Überflugs wurde im Punkt K2 Vollsättigung gemessen (Abb. 21, Tab. 5), was auf die beschriebene Besonderheit im Untergrund zurückzuführen ist. Meßstation K3 war ebenso wie S4 zur Radaraufzeichnung defekt. Für die Auswertung der Fernerkundungsdaten standen insgesamt neun punkthafte Meßwerte zur Verfügung, die verschiedene Hangpositionen und somit eine große Breite an Bodenfeuchtewerten repräsentieren. 5.2.2.2 TDR-Messungen Die Tensiometerwerte konnten lediglich einzelne punkthafte Informationen liefern. Deshalb wurden in einer weiteren Geländekampagne an den beiden Testhängen zusätzliche Oberflächenfeuchtewerte mit TDR-Sonden gemessen. Ziel war es, durch die Aufnahme in hoher Meßpunktdichte und nachfolgender geostatistischer Interpolation einen flächenhaften Eindruck der Oberflächenfeuchteverteilung zu erhalten. Die Messungen wurden am 26.6. und 27.6.1999 durchgeführt. Der Boden war aufgrund der Jahreszeit, des Vegetationsbestandes und der Witterungsverhältnisse (2 Tage vor Messungen niederschlagsfrei) in einem vergleichbaren Feuchtezustand wie zur E-SAR-Befliegung. Die aufgenommenen TDR-Messungen wurden wegen der zeitlichen Differenz zur Befliegung und der anderen Meßmethode jedoch lediglich als relative Werte zur qualitativen Überprüfung der Ergebnisse aus der Radardatenauswertung verwendet. Die Methode der „Time Domain Reflektrometrie“ (TDR) beruht darauf, daß die Reflexion eines vom Meßgerät ausgesandten Pulses (Spannungsstoß) zwischen zwei Metallsonden um so stärker verzögert wird, je höher deren Dielektrizitätskonstante ist (BRISCO ET AL. 1992, SCHEFFER & SCHACHTSCHABEL 1998). Diese ist wiederum abhängig vom Wassergehalt, wie bereits unter Pkt. 2.1.2.5.1 dargestellt. Die TDR-Sonden sind leicht zu transportieren und effektiv einzusetzen, um größere Areale in hoher Meßpunktdichte und relativ kurzer Zeit aufzunehmen. Die Messungen an den Testhängen erfolgten entlang von Hangprofilen zwischen markanten Geländepunkten, wie einzelnen Bäumen, Waldecken u.ä., orientiert an einer Haupthimmelsrichtung (vgl. Abb. 20), was die spätere Digitalisierung der Meßpunkte erleichterte. Als Punktabstand wurde in der Regel 20 m gewählt. Die Aufnahme einiger Meßreihen erfolgte in 50 m Differenz. Pro Meßpunkt sind prinzipiell zwei Messungen durchgeführt worden. Zeigten die beiden Werte deutliche Abweichungen wurde eine dritte Messung vorgenommen. Mit diesem Verfahren erfolgte die Aufnahme der Bodenfeuchte an 36 Meßpunkten am Kieferhang und an 32 Meßpunkten am Simonhang. Die räumliche Anordnung der Meßpunkte und Profile an den beiden Testhängen ist in Abb. 20 dargestellt. Die Meßpunkte und Meßwerte wurden durch Digitalisierung und Attributierung als PunkteCoverage in das Geographische Informationssystem Arc/Info überführt. Zur Interpolation der punkthaften Informationen diente ein geostatistisches Interpolationsverfahren, das sogenannte Kriging. Dabei wird versucht über ein Semivariogramm eine räumliche Korrelation zwischen den unterschiedlichen Meßpunkten abzuleiten. Variablenwerte kurzer Distanzen sind dabei ähnlicher Datengrundlagen und digitale Vorverarbeitung 60 als über größere Entfernungen. Aus der Korrelationsfunktion im Semivariogramm, der verschiedene Methoden zugrundeliegen können (z.B. linear, exponentiell), werden die fehlenden Werte geschätzt. Dieses Verfahren eignet sich besonders zur Regionalisierung von räumlichen Datensätzen natürlicher Variablen (z.B. Bodenfeuchtewerte, LOAGUE 1992, WESTERN ET AL. 1998b), deren räumliche Verteilung sich nicht durch einfache mathematische Funktionen beschreiben läßt (BURROUGH & MCDONNELL 1998, MEIJERINK ET AL. 1994). Im GIS Arc/Info stehen dem Anwender verschiedene Methoden des Kriging zur Verfügung. Die Interpolation des TDR-Meßpunkt-Coverages wurde auf Grundlage einer exponentiellen Beschreibung des Zusammenhangs zwischen der räumlichen Entfernung und der Semivarianz durchgeführt. Sie zeigt die beste Anpassung an das räumliche Verteilungsmuster der hier vorliegenden Meßpunkte bzw. -werte. Für den resultierenden Raster-Layer wurde ein räumliche Auflösung von 1 m gewählt. Der Wert eines Pixels errechnete sich durch Einbeziehung der zwölf am nächsten gelegenen Geländemeßpunkte (maximale Entfernung: 250 m) auf Grundlage der exponentiellen Korrelationsgleichung aus dem Semivariogramm. a) N b) # # # # # # # # # # # Bodenfeuchte in Vol. % # 10 - 12 # 12 - 15 # 15 - 17 # 17 - 19 # # # # # # # # # # # # 19 - 22 22 - 24 24 - 26 26 - 28 28 - 31 31 - 33 100 0 # # # # 100 Meter Varianz in Vol % 0-1 1-2 2-3 3-4 4-5 5-6 6-7 7-8 # TDR-Meßpunkte Landnutzungsgrenzen Abb. 22: Flächenhafte Bodenfeuchteverteilung am Kieferhang interpoliert aus TDR-Geländemessungen (a) und Interpolationsvarianzen (b). Das Ergebnis der Interpolation für die TDR-Meßwerte am Kieferhang ist in Abb. 22 dargestellt. Bild a) zeigt die flächenhafte Bodenfeuchteverteilung mit den Meßpunkten aus denen sie interpoliert wurde. Betrachtet man die räumliche Verteilung unter Berücksichtigung des Reliefs (vgl. Abb. 20), so sind trockenere Hochflächen- und Oberhangbereiche sowie die feuchtere Talaue auffällig. Im mittleren und unteren Teil des Bildes fällt eine feuchte Position im Mittelhangbereich auf, die nahe der Meßstationen K2 und K3 liegt und entsprechend als der Bereich der Muldenstruktur zu interpretieren ist. Insgesamt geben die TDR-Messungen den Trend der Bodenfeuchteverteilung am Hang, wie sie in den Tensiometermessungen zum Überflugszeitpunkt vorzufinden war, sehr gut wieder (vgl. Pkt. 5.2.2.1). Auffällig sind lediglich die unterschiedlichen Datengrundlagen und digitale Vorverarbeitung 61 absoluten Werte der Bodenfeuchte. Diese Diskrepanz ist auf den Zeitpunkt der Aufnahme bzw. auf die verwendeten Geländemethoden zurückzuführen. Prinzipiell ist davon auszugehen, daß mit der TDR-Methode die realen Bodenfeuchteverhältnisse unterschätzt werden. Am Meßpunkt K2 beispielsweise beträgt der permanente Welkepunkt (PWP) in 15 cm Tiefe 24,8 Vol. %. Die TDRMeßwerte zeigen Bodenfeuchtewerte, die nahe dem PWP liegen, was unter den gegebenen klimatischen Umständen unwahrscheinlich erscheint. In Abb. 22 ist weiterhin die Verteilung der Interpolationsvarianzen dargestellt. Sie geben Auskunft über die Genauigkeit der durch die Interpolationsmethode geschätzten Pixelwerte. Entlang der Meßprofile ist die Genauigkeit erwartungsgemäß hoch, sie wird zwischen den Profilen allerdings geringer. Die Bereiche mit den unsichersten Bodenfeuchtewerten finden sich an den beiden unteren Ecken. Insgesamt ist das Interpolationsergebnis in seiner Genauigkeit akzeptabel. Die flächenhafte Bodenfeuchteverteilung aus den TDR-Messungen am Simonhang konnte mit ähnlich guter Genauigkeit abgeleitet werden. Sie wird im Pkt. 6.3.3 mit der Ergebnissen den Radardatenauswertung vergleichend interpretiert. 5.2.3 Aufnahme der Vegetationsparameter Die Untersuchungen zu Eigenschaften der Vegetation waren schwerpunktmäßig auf die Erfassung von Parametern in Grünlandbereichen ausgerichtet. Die Kenntnis ihrer nutzungsbedingten, räumlichen und zeitlichen Heterogenitäten ist für hydrologische Fragestellungen von besonderer Bedeutung. Untersucht wurden die Vegetationseigenschaften Bestandeshöhe, Pflanzenwassergehalt sowie die trockene und feuchte Biomasse. Die Vegetationshöhe ist im Gelände mit relativ einfachen Methoden zu bestimmen und wurde parallel zur Landutzungskartierung durchgeführt. Die Erfassung von Pflanzenwassergehalt bzw. trockener und feuchter Biomasse erfolgte durch ebenerdiges Abschneiden aller Vegetationsbestandteile auf einer Referenzfläche von 1x1 m bzw. 0,5x0,5 m. Die Proben wurden luftdicht verpackt und im Labor erfolgte eine Gewichtsfeststellung im feuchten Zustand. Das Gewicht ergab die feuchte Biomasse. Danach wurden die Proben im Trockenschrank bei 105° C zwei Tage bis zur Gewichtskonstanz getrocknet und erneut gewogen, was der trockenen Biomasse entsprach. Die Gewichtsdifferenz zwischen feuchter und trockener Biomasse ergab den Pflanzenwassergehalt in kg/m². Im Untersuchungsgebiet wurden insgesamt 12 Proben entnommen. Tabelle 6 informiert über die verschiedenen Proben mit ihrer Nutzung und den gemessenen Parametern. Erwartungsgemäß zeigen gemähte Grünlandflächen die niedrigsten Untersuchungswerte. Die beweideten Testgebiete haben höhere, allerdings uneinheitliche Werte in drei Messungen. Grund hierfür ist die inhomogene Vegetationsverteilung durch die selektive Futteraufnahme auf diesen Flächen (vgl. Pkt. 5.2.1). Datengrundlagen und digitale Vorverarbeitung 62 Tab. 6: Geländemeßwerte der Vegetationsparameter Beschreibung der Testfläche Naßgewicht [kg/m2] (feuchte Biomasse) Trockengewicht [kg/m2] (Trockenmasse) Pflanzenwassergehalt [kg/m2] Vegetationshöhe [cm] Grünland, gemäht 1 Grünland, gemäht 2 Grünland, gemäht 3 Weide 1 Weide 2 Weide 3 Grünland, nicht gemäht 1 Grünland, nicht gemäht 2 Grünland, unbewirtschaftet 1 Grünland, unbewirtschaftet 2 Mais 1 Mais 2 0,93 1,05 0,93 1,98 1,32 2,11 0,17 0,16 0,20 0,49 0,27 0,46 0,76 0,89 0,73 1,49 1,05 1,65 8 12 10 19 15 31 1,93 0,42 1,51 39 1,98 0,39 1,61 43 3,49 0,98 2,51 95 4,94 1,62 3,32 110 1,35 1,67 0,15 0,17 1,20 1,50 50 58 120 100 80 60 40 20 0 Trockenmasse (kg/m²) Vegetationshöhe (cm) Die höchsten ermittelten Werte für die Vegetationsparameter zeigen die nicht gemähten Grünlandflächen. Insgesamt ist festzustellen, daß die Parameter Vegetationshöhe, Pflanzenwassergehalt sowie die trockene und feuchte Biomasse in Abhängigkeit von der Nutzungsart untereinander einen deutlichen Zusammenhang aufweisen. Abbildung 23 verdeutlicht in zwei Diagrammen die hohe Abhängigkeiten zwischen Pflanzenwassergehalt und Vegetationshöhe bzw. zwischen Pflanzenwassergehalt und trockener Biomasse. 0 0,5 Grünland, gemäht 1 1,5 2 2,5 3 Pflanzenwassergehalt (kg/m²) Weide Grünland, nicht gemäht Mais 3,5 4 Grünland, unbewirt. 1800 1500 1200 900 600 300 0 0 Grünland, gemäht 0,5 Weide 1 1,5 2 2,5 3 Pflanzenwassergehalt (kg/m²) Grünland, nicht gemäht Mais 3,5 4 Grünland, unbewirt. Abb. 23: Vergleich zwischen den Geländemeßwerten von Vegetationsparametern verschiedener Grünlandarten. Datengrundlagen und digitale Vorverarbeitung 63 5.3. Berechnung des Topographischen Index Ein Beispiel eines hydrologischen Reliefparameters ist der Topographische Index (TI). Er wird im hydrologischen Model TOPMODEL als Hangparameterisierungsansatz verwendet (BEVEN & KIRKBY 1979) und stellt ein Maß für das Bodensättigungspotential dar (MICHL 1999). Aus der räumlichen Verteilung des Topographischen Index ist ein Eindruck über die flächenhafte Struktur der Bodenfeuchte abzuleiten (BARLING ET AL. 1994, WESTERN ET AL. 1998a). Der TI berechnet sich aus einem digitalen Geländemodell bzw. aus den daraus abgeleiteten Derivaten Hangneigung β und Fließakkumulation a (Gleichung 5.7). TI = ln (a/tanβ) (5.7) Die Fließakkumulation a versteht sich als Summe aller in eine Zelle entwässernden Rasterzellen. Grundlage der Fließakkumulation ist die Fließrichtung. Zu ihrer Berechnung aus dem DGM können zwei verschiedene Ansätze verfolgt werden. Zum einen kann die Fließrichtung über einen sogenannten „single path“ erfolgen, d.h. jede Rasterzelle entwässert der größten Hangneigung folgend in genau eine Rasterzelle. Der zweite Ansatz geht von einer Abflußaufteilung in alle am Hang unterhalb gelegenen Rasterzellen aus, wobei die Umrißlängen (Distanzen der Pixelmittelpunkte) und die Hangneigung gewichtet in die Berechnung der Abflußteilung eingehen. Diesen Ansatz nennt man „multiple path“. Die resultierenden Fließakkumulationen heißen entsprechend „single flow“ bzw. „multiple flow“ (MICHL 1999, QUINN ET AL. 1993). Der Ansatz der multiplen Fließakkumulation zeigt eine deutlichere Flächenhaftigkeit und vermag die Abflußbildung bzw. die räumlichen Bodenwassergehalte realitätsnäher abzubilden. Problematisch sind lediglich Talauenbereiche, da das Verfahren keine Ausbildung von scharfen Tiefenlinien zuläßt (MICHL 1999). Bezüglich der geometrischen Auflösung digitaler Geländemodelle für eine optimale Abbildung der räumlichen Heterogenitäten wird vielfach eine Pixelgröße im Bereich von 10 m als günstig herausgestellt (WOLOCK & PRICE 1994, ZHANG & MONTGOMERY 1994). Unter Verwendung des Ansatzes der multiplen Fließakkumulation wurde aus dem DGM (10 m räumliche Auflösung) im GIS Arc/Info der Topographische Index für das Untersuchungsgebiet berechnet. Zunächst erfolgte die Ableitung der Hangneigung und der multiplen Fließrichtung. Dazu wurde ein Zusatzprogramm benötigt, da die Berechnung der „multiple path flow direction“ nicht standardmäßig in Arc/Info implementiert ist. Dieses Programm steht am Institut für Geographie der Universität Jena zur Verfügung. Aus der Fließrichtung wurde die Fließakkumulation und folgend nach Gleichung 5.7 der Topographische Index berechnet. Zur Glättung sichtbarer kleinräumiger Inhomogenitäten erfolgte in einem letzten Arbeitsschritt die Filterung mit einem Modal-Filter (Fenstergröße 3x3). Abbildung 24 zeigt den TI in einem Ausschnitt des Untersuchungsgebietes. Kleine Indexwerte treten bei Hochflächen, Oberhängen bzw. bei großen Hangneigungen auf, d.h. sie haben einen geringeren relativen Bodenwassergehalt. Die Unterhänge sowie Tiefenlinien und die Talaue haben hohe Indexwerte. Diese Bereiche neigen zur Wassersättigung und weisen höhere relative Bodenfeuchtewerte auf. Datengrundlagen und digitale Vorverarbeitung 64 Abb. 24: Der „multiple flow“ topographische Index in einem Ausschnitt des Untersuchungsgebietes. Ergebnisse 65 6 Ergebnisse In den vorangegangenen Kapiteln wurde vor dem Hintergrund der formulierten Ziele die Datenund Wissensbasis dieser Arbeit vorgestellt. Auf dieser Grundlage erfolgt die Auswertung der ESAR-Daten hinsichtlich der Erfassung von flächenhaften Informationen über die Landnutzung, die Bodenfeuchte und bestimmte Vegetationsparameter. Als methodisches Rahmenkonzept dient der Levelansatz, der für diese Arbeit modifiziert und angepaßt wurde (6.1). In einem ersten Schritt erfolgt zunächst eine grundlegende Interpretation der Rückstreuinformation in den unterschiedlichen Radarfrequenzen und -polarisationen (Pkt. 6.1.1). Daraus leitet sich die thematische Definition und Trennung der Level I-Klassen ab (Pkt. 6.1.2). Diese dient als Grundlage für die nachfolgende Ableitung nutzungsspezifischer Flächeninformationen (Level II, Pkt. 6.2) bzw. die quantitative Erfassung geo- und biophysikalischer Parameter (Level III, Pkt. 6.3 und 6.4) in bestimmten thematischen Bildbereichen entsprechend der Level I-Klassen. Die Überprüfung, Evaluierung und Diskussion der Ergebnisse beruht auf den in Kapitel 4 und 5 vorgestellten und erarbeiteten Grundlagen. 6.1 Interpretation der Rückstreueigenschaften und Anpassung des LevelAnsatzes Die Rückstreuintensitäten multifrequenter und multipolarimetrischer E-SAR-Flugzeugdaten stellen eine komplexe Information über bestimmte dreidimensionale strukturelle und dielektrische Eigenschaften der Landoberfläche und der Landbedeckung dar, d.h. verschiedene thematische Bildbereiche enthalten Informationen über unterschiedliche radarsensitive Oberflächeneigenschaften. Die Ableitung einer einzelnen radarrückstreurelevanten Größe macht es deshalb notwendig das Gesamtbild sukzessive zu segmentieren, um die Auswertemethoden (z.B. Rückstreumodelle) gezielt auf bestimmte Oberflächengegebenheiten anzupassen und anzuwenden. Der Levelansatz folgt dieser grundlegenden Annahme. 6.1.1 Visuelle und statistische Interpretation der E-SAR-Daten Zur visuellen Interpretation der E-SAR-Daten wurden unterschiedliche Radarbänder zu RGBKompositen zusammengefügt. Die kontrastreichste Wiedergabe verschiedener Landoberflächenkategorien ergab sich aus der Kombination der unterschiedlichen L-Band-Polarisationen (Abb. 25). Grünlandflächen zeigen insgesamt eine geringe Rückstreuung in allen L-Bändern und erscheinen in braun, braun-gelb und braun-rot Tönen. Flächenscharfe Intensitätsunterschiede, die auf verschiedene Nutzungszustände zurückzuführen sind, werden deutlich sichtbar. Mit etwas höherer Rückstreuung fallen einige landwirtschaftlich genutzte Flächen in rosa/rot Farben auf die jedoch nur vereinzelt anzutreffen sind. Ergebnisse 66 Abb. 25: RGB-Komposite aus LVV/LHH/LHV. Eine hohe Rückstreuintensität in allen L-Band-Polarisationen zeigen Waldgebiete und Siedlungen, wobei letztere sich vor allem durch eine signifikante Textur abheben. Innerhalb der Waldgebiete trennen sich Flächen in hell-rosa und hell-blaue Farben. Diese repräsentieren Laub- und Nadelwaldflächen, wobei offensichtlich Rückstreuunterschiede in den verschiedene Polarisationen existieren. In einigen Bildbereichen finden sich lineare grüne Strukturen die entlang von Feldgrenzen verlaufen. Dabei handelt es sich um parallel zur Flugbahn des Sensors verlaufende Weidezäune. Sie bilden sich aufgrund ihrer dielektrischen Eigenschaften sowie der horizontalen Orientierung im LHH-Band ab. Abbildung 26 zeigt die spektralen Signaturen verschiedener Oberflächentypen in den vom E-SAR aufgezeichneten Radarbändern. Sie wurden aus je vier Testgebieten ermittelt. Die niedrigste Rückstreuung im LHH zeigen die Gebiete mit niedriger Vegetation. Dabei trennen sich gemähte und nicht gemähte Grünlandflächen sehr deutlich. Grund hierfür ist der Unterschied im Pflanzenwassergehalt (PWC) bzw. in der Biomasse, da eine ähnliche Vegetationsstruktur vorliegt. Landwirtschaftliche Feldfrüchte haben ebenfalls einen ähnlichen PWC wie gemähtes Grünland, allerdings sind die unterschiedlichen LHH-Intensitäten im Vergleich zu Grünlandflächen auch auf Unterschiede in den strukturellen Eigenschaften zurückzuführen. Ergebnisse 67 LHH LHV LVV XHH CHH 0 Radarrückstreuung (dB) -5 -10 -15 -20 -25 -30 Grünland gemäht Feldfrüchte Grünland, nicht gemäht Siedlung Wald Abb. 26: Mittelwert und Standardabweichung der Rückstreuintensitäten von fünf Oberflächenkategorien in fünf Radarbändern. Wie aus Abb. 26 weiterhin ersichtlich ist, haben Wald- und Siedlungsbereiche in den L-Bändern die höchsten Rückstreuwerte mit einem ähnlichen Mittelwert. Sie beruhen vorwiegend auf doublebounce-Reflexionen zwischen Bodenoberfläche und Stamm bzw. vertikalen Bebauungsstrukturen. Bei Siedlungsflächen ist eine hohe Standardabweichung auffällig, die sich in der signifikanten Textur begründet (vgl. Abb. 25). Sie resultiert aus den heterogenen Oberflächenstrukturen, die durch den kleinräumigen Wechsel von Überstrahl- und Schattenbereichen eine inhomogene Grauwertverteilung im Radarbild bedingen. Die Wiedergabe der Oberflächenkategorien im LHV zeigt einen ähnlichen Trend wie im LHH, allerdings mit insgesamt niedrigerer Rückstreuung (Abb. 26). Der ähnliche Informationsgehalt dieser beiden Bänder wurde bereits bei der Untersuchung der Korrelationen der einzelnen Radarbänder deutlich (vgl. Pkt. 5.1.1, Tab. 4). Auffällig ist lediglich der höhere Rückstreuunterschied zwischen gemähtem und nicht gemähtem Grünland, der darauf hindeutet, daß verschiedene Pflanzenwassergehalte der Grünlandflächen im LHV deutlicher getrennt werden als im LHH. Im LVV findet sich dieser Unterschied kaum, d.h. die Rückstreuung ist von der Grünlandvegetation nur wenig beeinflußt. Bei den Untersuchungen zu reliefabhängigen Rückstreuunterschieden wurde bereits eine offensichtlich höhere Durchdringung der Grünlandvegetation durch die LVV-Strahlung festgestellt. Die höhere Rückstreuintensität der landwirtschaftlichen Nutzflächen, auf denen vorwiegend Mais angebaut wurde, ist auf die vertikale Struktur der dickeren Stengel von Maispflanzen zurückzuführen. Sie führen zu double-bounceReflexionen zwischen Bodenoberfläche und Vegetation und somit zu intensiverer Rückstreuung im vertikal-polarisierten L-Band. Ergebnisse 68 Im Vergleich zu den spektralen Signaturen der L-Bänder zeigen die XHH- und CHH-Kanäle eine deutlich schlechtere Trennung der Oberflächenkategorien an. Im XHH haben die beiden Grünlandklassen eine ähnliche Rückstreuung, d.h. der Pflanzenwassergehalt spielt bei der Interaktion der X-Band-Strahlung mit der Graslandvegetation keine Rolle. Im CHH nimmt der Einfluß der dielektrischen Grünlandvegetationseigenschaften aufgrund der höheren Eindringtiefe zu. Die Rückstreuunterschiede im X- und C-Band zu den landwirtschaftlichen Nutzflächen sind vermutlich durch verschiedene strukturelle Eigenschaften bedingt. Eine spektrale Trennung zu den Wald- und Siedlungsbereichen liegt nicht vor. Zusammenfassend lassen sich zur Frage des Informationsgehaltes der verschiedenen Radarbänder und Polarisationen für die weitere Auswertung folgende Aussagen ableiten: • Als thematische Bildbereiche mit deutlich unterschiedlichem Rückstreuverhalten lassen sich die Level I-Klassen niedrige Vegetation und Wald/Siedlung ableiten, wobei eine sehr gute spektrale Trennung in den L-Band-Aufnahmen vorzufinden ist. • Die Flächen mit niedriger Vegetation lassen sich aufgrund ihrer strukturellen und dielektrischen Eigenschaften in Grünlandnutzungen und landwirtschaftliche Flächen trennen. Die Unterscheidung verschiedener Grünlandbereiche ist vom unterschiedlichen Pflanzenwassergehalt bestimmt. • Die Bildbereiche Wald und Siedlung zeigen aufgrund der spektralen Rückstreueigenschaften keine zufriedenstellende Trennbarkeit. Eine flächenhafte Segmentierung ist allerdings durch verschiedene texturale Eigenschaften gegeben. • Die L-Band-Polarisationen sind unterschiedlich stark von der Vegetation beeinflußt. Während LHH und LHV sehr ähnliche Rückstreucharakteristika aufweisen und insbesondere Abhängigkeiten von den Eigenschaften niedriger Vegetation zeigen, durchdringt die LVVStrahlung die Grünlandbereiche weitgehend. Zwischen Gebieten mit Laub- und Nadelwald sind unterschiedliche Rückstreueigenschaften in den Polarisationen des L-Bandes erkennbar. • Die LHV-Rückstreuung hat offensichtlich die größte Sensitivität für Pflanzenwassergehaltsunterschiede innerhalb der Grünlandflächen. • Die Bänder XHH und CHH zeigen einen deutlich geringeren Informationsgehalt über die im Untersuchungsgebiet relevanten Oberflächenkategorien als die L-Band-Kanäle. 6.1.2 Trennung der Level I-Klassen Entsprechend der Ergebnisse aus der Interpretation der E-SAR-Daten erfolgte die Auswahl der Bildbereiche „niedrige Vegetation“ und „Wald/Siedlung“ als Level I-Klassen. Zusätzlich wurde eine Klasse Schatten/Wasser ausgewiesen. Schatteneffekte finden sich vor allem im X- und CBand an vom Sensor abgewandten Waldrändern. Im L-Band sind diese Schatteneffekte nicht sichtbar, da die Strahlung in stärkerem Maße den Wald durchdringt. In den SAR-Daten sichtbare Wasserflächen gibt es im Untersuchungsgebiet nur in Form einiger wenige Pixel großer Bereiche. Sowohl Schatten- als auch Wasserflächen haben in allen Radarbändern sehr geringe Rückstreuwerte und spielen für die nachfolgenden Auswertungen keine Rolle. Ergebnisse 69 Zur Trennung der Klassen wurde ein unüberwachtes Klassifikationsverfahren angewendet. Dabei wird die Gesamtheit der Bildelemente automatisch in eine vom Anwender zu definierende Anzahl von Klassen mit ähnlichen spektralen Eigenschaften unterteilt (ALBERTZ 1991). Der Vorteil des Verfahrens liegt in einer einfachen, effektiven und objektiven Anwendbarkeit. Im Bildverarbeitungssystem Erdas/Imagine steht mit dem ISODATA-Clustering ein iterativ arbeitender Algorithmus zur unüberwachten Klassifikation zur Verfügung. Bei der ersten Iteration werden unter Berücksichtigung der Klassenanzahl und statistischer Eigenschaften der Eingabekanäle die Klassendefinition durch Mittelwert und Standardabweichung im spektralen Merkmalsraum gleichmäßig festgelegt. Die Bildelemente werden der Klasse zugewiesen, zu deren Mittel sie die geringste spektrale Distanz haben. Auf Grundlage der Spektralcharakteristik erfolgt in den folgenden Iterationen die Optimierung der Klassendefinitionen bis ein festzulegender Prozentsatz der Pixel ihre Klassenzugehörigkeit zwischen zwei Iterationen nicht mehr ändert. In der Regel wird als Konvergenzkriterium 95 % gewählt (KLENKE 1999). Die unüberwachte Klassifikation der E-SAR-Daten erfolgte unter Verwendung aller Radarbänder. Als Klassenanzahl wurde 10 gewählt, um eine sichere Segmentierung der drei Level I-Klassen zu gewährleisten. Das Konvergenzkriterium von 95 % war nach acht Iterationen erreicht. Die resultierenden zehn Klassen wurden im folgenden zu den drei Level I-Klassen reklassifiziert. Anschließend erfolgte eine Filterung mit einem 3x3 Majority-Filter, um einzelne fehlklassifizierte Pixel zu eliminieren. Die einzelnen Radarbänder sind mit Hilfe der thematischen Informationen aus dem Level I-Klassifikationsergebnis segmentiert worden. Aufgrund der deutlich unterschiedlichen Rückstreueigenschaften der Level I-Klassen und der hohen räumlichen Auflösung, es lag praktische keine spektrale Mischung vor, konnte mit dem unüberwachten Klassifikationsverfahren eine exakte Bildunterteilung erreicht werden. Stichprobenhafte Interpretationen des Klassifikationsergebnisses ergaben eine homogene, flächenscharfe Bildsegmentierung, die objektiv keine fehlklassifizierten Pixel aufweist. ULABY (1998) spricht von einer Genauigkeit von über 96 % in der Trennung von fünf Level I-Klassen, wenn multifrequente und multipolarimetrische SAR-Daten zur Verfügung stehen. 6.1.3 Anpassung des Levelansatzes für die Level II und III Nach der Trennung der Level I-Klassen wird im folgenden die Anpassung des Levelansatzes für die Level II und III unter Berücksichtigung der angestrebten Parametererfassung vorgestellt. Dabei ist die hierarchische Struktur als inhaltliches und methodisches Rahmenkonzept zur Anwendung verschiedener Auswertetechniken zu verstehen. Abbildung 27 zeigt den Levelansatz für die in der Zielsetzung formulierten Schwerpunkte dieser Arbeit. Die in den Leveln II und III dargestellten Sachverhalte und Auswertemethoden werden in diesem Zusammenhang nur genannt, um den nachfolgenden Abschnitten nicht vorzugreifen. Ergebnisse 70 Ausgangsdaten, vorverarbeitet XHH, CHH, LHH, LHV, LVV Level I Klassifikation unüberwacht Wald/ Siedlung Landwirtschaft/ Grünland Klassifikation spektral/ textural L(mp) Klassifikation spektral X,C,L(mp) Siedlung Nadelwald Laubwald Feldfrüchte Schatten/ Wasser Level II Grünland gemäht Grünland nicht gemäht Weide Level III Hauptkomponentenanalyse L(mp) Regressionen Landnutzung Pflanzenwassergehalt Biomasse Vegetationshöhe Bodenfeuchte Abb. 27: Angepasster Levelansatz für die Datenbasis und Ziele der Arbeit. Die Trennung der drei Level I-Klassen mit einem unüberwachten Klassifikationsverfahren wurde bereits vorgestellt. Die Klasse Schatten/Wasser ist für die weitergehende Auswertung nicht relevant. Die beiden anderen thematischen Bildbereiche werden in den folgenden Arbeitsschritten getrennt weiterverarbeitet bzw. ausgewertet. Das zweite Level dient der qualitativen, detaillierteren Trennung innerhalb der Level I-Bildbereiche. Dementsprechend erfolgt die Ausweisung und Klassifikation hydrologisch relevanter Klassen, die sich aufgrund ihrer strukturellen und dielektrischen Oberflächeneigenschaften im SAR-Bild abbilden. Hierzu werden überwachte Klassifikationsverfahren unter Verwendung spektraler und texturaler Eigenschaften aus unterschiedlichen Radarbändern angewandt. Durch Zusammenfügen aller Level II-Klassen leitet sich die Landnutzungskarte ab. Im dritten Level erfolgt die Ableitung quantitativer geo- und Ergebnisse 71 biophysikalischer Parameter innerhalb der im Level II segmentierten strukturellen Klassen. In dieser Arbeit konzentriert sich die Ableitung geo- und biophysikalischer Parameter auf die Bereiche mit niedriger Vegetation, da beispielsweise die Radarrückstreuung von Wald- oder Siedlungsgebieten keine Bodenfeuchteinformationen enthält. Für die Level II-Klassen Laubwald und Nadelwald wäre allerdings die Erfassung von Vegetationsparametern aus der L-BandRückstreuung denkbar (vgl. Pkt. 2.3.3). Aufgrund fehlender Geländemeßwerte und der Zielsetzungen dieser Arbeit wird auf derartige Untersuchungen verzichtet. Zur Bestimmung der Level III-Parameter Bodenfeuchte, Pflanzenwassergehalt, Biomasse und Vegetationshöhe in den vier Level II-Klassen mit niedriger Vegetation, wird methodisch auf die Hauptkomponentenanalyse und Regressionen zwischen Radarrückstreuung und Geländemeßwerten zurückgegriffen. Grundlage der Analysen ist die multipolarimetrische L-BandRückstreuung. Dabei gilt es zu klären, ob alle Level II-Klassen mit einheitlichen Auswertemethoden oder durch Anwendung gesonderter Verfahren bearbeitet werden müssen. Abschließend erfolgt eine Überprüfung und Evaluierung der Ergebnisse. 6.2 Erfassung der Landnutzung Die Klassifikation der Landnutzung entspricht der Trennung der Level II-Klassen. Dazu werden zunächst hydrologisch relevante Landnutzungsklassen ausgewiesen, mit einem überwachten Klassifikationsverfahren getrennt (Pkt. 6.2.2 und 6.2.3), digital nachbearbeitet und die Genauigkeit des Verfahrens nachfolgend evaluiert. 6.2.1 Ausweisung der Landnutzungsklassen Die thematische Ausweisung der Landnutzungsklassen beruht auf ihrer hydrologischen Relevanz für das Untersuchungsgebiet, der im Verlaufe der Interpretation der Rückstreucharakteristika gewonnenen Erkenntnisse (vgl. Pkt. 6.1.1) und der Landnutzungskartierung parallel zum Überflugszeitpunkt (vgl. Pkt. 5.2.1). FLÜGEL (1995) verwendet vier Landnutzungsklassen für die Ausweisung von HRU’s im Einzugsgebiet der Bröl: • • • • Wald (Laub- und Nadelwald) Grünland (Wiese und Weide) Landwirtschaft (alle Feldfrüchte) Versiegelt (Siedlungen und Straßen) Diese vier Klassen werden für die thematische Klassenausweisung übernommen. Im Untersuchungsgebiet sind vor allem Grünland- und Waldflächen flächenanteilig stark vertreten. Die Interpretation der multifrequenten und multipolarimetrischen Rückstreueigenschaften hat ergeben, daß es möglich ist, mit Hilfe der Radardaten innerhalb der Wald- und Grünlandbereiche weitere Klassen zu trennen. Hydrologisch sinnvoll ist sicherlich die Unterscheidung von Laubund Nadelwaldgebieten. Desweiteren wäre es anzustreben, die verschiedenen Arten der Ergebnisse 72 Grünlandnutzungen zu erfassen. Deren unterschiedliche jahreszeitliche Dynamik durch Mahd bzw. Beweidung hat Einfluß auf den Wasser- und Stoffhaushalt im Untersuchungsgebiet (BENDE 1994). Insgesamt wurden sieben hydrologisch relevante Landnutzungskategorien ausgewählt, die im folgenden vorgestellt bzw. thematisch abgegrenzt werden: 1. Die Klasse „gemähtes Grünland“ beinhaltet die Bildbereiche niedriger Vegetation die wenige Tage bzw. ein bis zwei Wochen vor dem Überflug gemäht wurden. Bei diese Flächen handelt es weitestgehend um Wiesen. Sie zeigen eine einheitliche Vegetationshöhe von etwa 10 cm. 2. Die Kategorie „nicht gemähtes Grünland“ umfaßt alle Grünlandflächen mit einer Vegetationshöhe von größer 40 cm, die nicht beweidet sind. Dies beinhaltet Bereiche in denen lediglich der erste Schnitt eingebracht wurde oder die im Verlaufe des Jahres noch nicht bewirtschaftet waren. Die meisten dieser Bereiche sind den Mähweiden zuzuordnen, allerdings fallen in diese Kategorie auch einige Wiesen deren zweiter Schnitt noch aussteht und wenige unbewirtschaftete Grünlandflächen. 3. In der Klasse „Weide“ werden alle zum Überflugszeitpunkt beweideten Gebiete zusammengefaßt, d.h. diese Kategorie berücksichtigt sowohl ganzjährige Standweiden als auch Mähweiden. Ihre Vegetationshöhe liegt zwischen 10 und 50 cm und zeigt eine inhomogene räumliche Verteilung aufgrund von selektiver Futteraufnahme durch die Weidetiere. 4. Die Klasse „Landwirtschaft“ ist durch landwirtschaftliche Flächennutzung gekennzeichnet und berücksichtigt alle Feldfruchtarten auf Ackerland. Auf über die Hälfte der Flächen dieser Kategorie war Mais angebaut. 5. Die Klasse „Siedlung“ umfaßt alle zusammenhängend bebauten Orte innerhalb des Untersuchungsgebietes, die weitestgehend als versiegelte Flächen anzusehen sind. Straßen sind in dieser Kategorie nicht enthalten. 6. Der Kategorie „Laubwald“ werden alle Bereiche zugeordnet, die vorwiegend mit Laubbäumen bestanden sind. Eine Unterscheidung nach Alter, Höhe und Art der Bäume wurde nicht vorgenommen. Gebiete mit gemischten Waldbestand gab es im Untersuchungsraum kaum. Sie waren aufgrund der hohen räumlichen Auflösung des SAR-Sensors jeweils gut dem dominierenden, „reinen“ Waldtyp zuzuordnen. 7. Die Klasse „Nadelwald“ beinhaltet alle Waldgebiete, die dominant einen Nadelbaumbestand aufweisen. Entsprechend der Klasse „Laubwald“ erfolgt keine weitere Differenzierung innerhalb der Kategorie. Als überwachter Klassifikationsansatz zur Segmentierung des Bildes hinsichtlich der definierten Landnutzungskategorien wurde der Maximum-Likelihood-Klassifikator (MLK) verwendet. Er Ergebnisse 73 berechnet aufgrund statistischer Kenngrößen im spektralen Merkmalsraum, der vorher in Testgebieten definierten Klassen bzw. deren Eigenschaften, die Wahrscheinlichkeiten mit der ein Pixel zu einer Klasse gehört. Idealerweise ordnen sich die Pixel einer Klasse in Normalverteilung um den Mittelwert im Merkmalsraum. Aus der Streuung der Bildelemente lassen sich Linien gleicher Wahrscheinlichkeit ableiten, welche die Grundlage für die Klassenzuweisung darstellen. Zugewiesen wird jedes Pixel der Klasse, zu der es mit der größten Wahrscheinlichkeit gehört (ALBERTZ 1991). Die eigentliche Klassifikation wird vom Bildverarbeitungssystem weitgehend automatisch durchgeführt, so daß die spektrale Definition der Klassen in Form von Trainingsgebieten den entscheidenden Arbeitsschritt für die Genauigkeit des Klassifikationsergebnisses darstellt. 6.2.2 Spektrale Klassifikation der Bereiche mit niedriger Vegetation Die im vorigen Punkt beschriebenen vier Landnutzungsklassen für die Bereiche mit niedriger Vegetation bilden die Grundlage für die Ausweisung der Trainingsgebiete bzw. die überwachte Klassifikation. Im Punkt 6.1.1 wurde bereits die spektrale Charakteristik der Klassen gemähtes und nicht gemähtes Grünland sowie der landwirtschaftlichen Nutzflächen untersucht. Die Ergebnisse zeigen, daß alle Radarbänder relevante Rückstreuinformationen zur Trennung für die Bereiche mit niedriger Vegetation enthalten. Entsprechend finden alle E-SAR-Frequenzen und Polarisationen im Klassifikationsprozeß Anwendung. Die Ausweisung der Trainingsgebiete erfolgte unter Zuhilfenahme der Geländekartierungen und der Orthofotokarten. Bei der Auswahl der Trainingsflächen wurde darauf geachtet, daß diese möglichst räumlich gleichmäßig im Radarbild verteilt waren. Desweiteren sollte die gesamte thematische und spektrale Breite der Klassen repräsentiert werden. Tabelle 7 faßt die Eigenschaften der ausgewiesenen Trainingsgebiete zusammen. Tab. 7: Eigenschaften der Trainingsgebiete zur Klassifikation der Bereiche niedriger Vegetation Nutzung Grünland, gemäht Weide Grünland, nicht gemäht Feldfrüchte Anzahl der Teilflächen 12 7 11 5 Pixelzahl 21876 18798 23942 12420 Fläche (m²) 136725 117487 149637 77625 Die spektralen Eigenschaften der Trainingsgebiete sind in Abb. 28 dargestellt. Sie zeigen die Rückstreuunterschiede im L- und C-Band innerhalb des Grünlands, die auf verschiedene dielektrische Vegetationseigenschaften zurückzuführen sind. Dabei haben gemähte Grünlandbereiche niedrige, Weideflächen mittlere und nicht gemähtes Grünland die höchsten Rückstreuwerte. Auffällig ist die größere Grauwertstreuung in den Klassen Weide und nicht gemähtes Grünland. Bei Weideflächen ist dies auf die inhomogene Vegetationsstruktur aufgrund von selektiver Futteraufnahme zurückzuführen. Die höhere Standardabweichung in der Klasse nicht gemähtes Grünland beruht auf der Tatsache, daß sowohl Flächen bei denen der erste Schnitt Ergebnisse 74 erfolgte bzw. nicht erfolgte, in dieser Kategorie erfaßt sind. Bei der Trennung von Grünland und ackerbaulich genutzten Flächen spielen zunehmend Unterschiede in der Pflanzenstruktur eine Rolle, wie aus allen Radarbändern deutlich hervorgeht. Insgesamt ist unter Berücksichtung aller Radarbänder eine zufriedenstellende spektrale Trennbarkeit der Landnutzungsklassen gegeben. LHH LHV LVV XHH CHH Radarrückstreuung (dB) -5 -10 -15 -20 -25 -30 Grünland gemäht Weideland Grünland, nicht gemäht Feldfrüchte Abb. 28: Spektrale Signaturen (Mittelwert und Standardabweichung) verschiedener Nutzungen im Bereich niedriger Vegetation. Unter Verwendung der vorgestellten spektralen Signaturen der Klassen aus den Trainingsgebieten wurde die überwachte Klassifikation mit Modulen des Bildverarbeitungssystems Erdas/Imagine durchgeführt. Die Nachbearbeitung, die Bestimmung der Klassifikationsgenauigkeit sowie die Interpretation der Ergebnisse erfolgt in den Abschnitten 6.2.4 und 6.2.5. 6.2.3 Spektrale und texturale Klassifikation der Wald- und Siedlungsbereiche Zur Unterscheidung von Wald- und Siedlungsbereichen in den E-SAR-Daten reichen die spektralen Eigenschaften der Radarbänder nicht aus. Die visuelle Interpretation hat allerdings gezeigt, daß es signifikante Unterschiede in der Bildtextur zwischen den beiden Kategorien gibt. Insbesondere die Siedlungsflächen werden aufgrund ihrer inhomogenen Oberflächenstruktur im Radarbild mit kleinräumigen Grauwertunterschieden abgebildet. Aus diesem Grund wurden im Bildverarbeitungssystem Erdas/Imagine Texturmaße für die Wald- und Siedlungsbereiche berechnet. Als besonders informationsreich hat sich das Maß der Varianz mit einer Fenstergröße von 9x9 erwiesen. Dabei wird die Grauwertvarianz im Beobachtungsfenster berechnet und dieser Wert dem zentralen Pixel zugewiesen. Aufgrund der kleinräumigen Grauwertunterschiede in Siedlungsbereichen ist deren Varianz im Vergleich zu Waldgebieten deutlich höher, wie Abb. 29 verdeutlicht. Probleme zeigen sich an den Waldrändern, die ebenfalls Gebiete hoher Grauwertvarianz darstellen. Zur Eliminierung dieser linienhaften Strukturen erfolgte zunächst eine Mittelwertfilterung (Fenstergröße 5x5), um die Siedlungsbereiche in flächenhafte, kompakte Ergebnisse 75 Strukturen im Texturbild zu überführen. Nachfolgend wurde ein Minoritätsfilter (Fenstergröße 5x5) verwandt, der die linearen Strukturen an den Waldrändern weitestgehend eliminierte und gleichzeitig die kompakten Siedlungsbereiche mit hoher Varianz erhielt. Abb. 29: Vergleich der RGB-Kompositen aus XHH/LVV/LHV (links) und Grauwertvarianzen (9x9 Fenster) XHH/LVV/LHV (rechts). Die Texturinformation wurde als zusätzlicher Kanal in den Klassifikationsprozeß integriert. Keine Verwendung fanden die X- und C-Bänder, die zur Trennung von Wald und Siedlung bzw. Laubund Nadelwald keine zusätzlichen Informationen liefern konnten. Erste Versuche der überwachten Klassifikation ergaben ein inhomogenes Klassifikationsergebnis, das keine Ausweisung homogener Landnutzungseinheiten ermöglichte. Als Grund hierfür sind kleinräumige Rückstreuinhomogenitäten in den Waldgebieten zu nennen. Sie resultieren aus der hohen räumlichen Auflösung von 2,5 m, aus deren Bildinformation einzelne Bäume bzw. deren Zwischenräume visuell zu identifizieren waren. Die Radarbänder enthalten demnach räumliche Heterogenitäten, die für die Trennung der Landnutzungsklassen nicht relevant sind. Aus diesem Grund erfolgte ein „resampling“ der Daten mit einem Mittelungsverfahren auf 10 m räumliche Auflösung. Dadurch wurden die störenden Phänomene weitgehend beseitigt. Die Ausweisung der Trainingsgebiete erfolgte ähnlich der Vorgaben für die Klassifikation der Bereiche niedriger Vegetation. Tabelle 8 stellt die Eigenschaften der ausgewählten Trainingsgebiete dar. Die geringere Anzahl der Pixel im Vergleich zu den Testgebieten der Klassifikation von Grünland- und ackerbaulich genutzten Bereichen ist auf die unterschiedliche räumliche Auflösung zurückzuführen. Ergebnisse 76 Tab. 8: Eigenschaften der Trainingsgebiete zur Klassifikation der Wald- und Siedlungsbereiche Nutzung Nadelwald Laubwald Siedlung Anzahl der Teilflächen 11 7 4 Pixelzahl 7067 5798 2942 Fläche (m²) 706700 579800 294200 In Abb. 30 sind die spektralen und texturalen Eigenschaften der Klassen dargestellt, wie sie aus den Testgebieten ermittelt wurden. Die in allen L-Bändern sehr ähnliche Rückstreuung von Waldund Siedlungsflächen ist deutlich zu erkennen, allerdings ermöglicht die Berücksichtigung der Textur eine Trennung dieser Flächen. Zwischen Laub- und Nadelwald treten Rückstreuunterschiede vor allem im LHH-Band und etwas abgeschwächter im LHV hervor. Diese Tatsache ist wahrscheinlich auf die diffuse Orientierung der Äste bei Laubbäumen zurückzuführen. LHV LVV Textur 6 -5 5 -7,5 4 -10 3 -12,5 2 -15 1 -17,5 0 Nadelwald Laubwald Grauwertvarianz 9x9 Fenster (dB) Radarrückstreuung (dB) LHH -2,5 Siedlung Abb. 30: Spektrale und texturale Eigenschaften (Mittelwert und Standardabweichung) der Trainingsgebiete für verschiedene Klassen der Bereiche Wald und Siedlung. Auf Grundlage der Trainingsgebietssignaturen erfolgte die überwachte Klassifizierung unter Verwendung der Maximum-Likelihood-Methode. Im folgenden wird die Nachbearbeitung, die Genauigkeitsbestimmung und die Interpretation des Klassifikationsergebnisses vorgestellt. 6.2.4 Nachbearbeitung des Klassifikationsergebnisses Die Ergebnisse der Landnutzungsklassifikation für die Bereiche niedriger Vegetation und der Wald- und Siedlungsflächen wurden in einem ersten Nachbearbeitungsschritt zu einer thematischen Karte mit 2,5 m Auflösung zusammengefaßt. Im Anschluß erfolgte die Anwendung verschiedener Bildverarbeitungsverfahren zur nachträglichen Optimierung und Evaluierung des Klassifikationsergebnisses. Im einzelnen werden in Anlehnung an KLENKE (1999) folgende Arbeitsschritte durchgeführt: Ergebnisse 77 • Zurückweisung falsch oder unsicher klassifizierter Pixel, • umgebungsbezogene Reklassifikation und räumliche „Glättung“, • Ausweisung von Referenzflächen für jede Klasse und Ableitung der Klassifikationsgenauigkeit für jede Klasse bzw. das gesamte Untersuchungsgebiet. Die Zurückweisung falsch oder unsicher klassifizierter Pixel erfolgte unter Verwendung der Mahalanobis-Distanzen, die ein Maß für den spektralen Abstand des Bildelements vom Hauptvektor der Klasse darstellen. In Erdas/Imagine wird es dem Anwender ermöglicht, den Klassenschwellenwert so zu verschieben, daß die Pixel die mit geringster Wahrscheinlichkeit aller zu dieser Klasse gehörenden Bildelemente ausgeschlossen und als nicht klassifiziert deklariert werden. Dieses Verfahren wurde für die Klassen angewandt, die aufgrund ihrer spektralen Signaturen (vgl. Abb. 28, 30) sowie erster visueller Interpretationen des Klassifikationsergebnisses offensichtlich falsch oder unsicher klassifizierte Pixel enthalten. Dies traf für die Klassen Weide, Laubwald und Siedlung zu. Die bei diesem Vorgang entstandenen unklassifizierten Bildelemente wurden durch ein umgebungsbezogenes Reklassifikationsverfahren mit thematischer Information „aufgefüllt“. Dieser Ansatz beruht auf einem Modalfilter und weist dem zentralen Pixel die in seiner Umgebung dominierende Landnutzung zu. Das Verfahren nimmt dabei mehrere Iterationen vor. Die softwaretechnische Umsetzung des Reklassifikationsalgorithmus in Erdas/Imagine erfolgte von KLENKE (1999). Als Filterkonfiguration wurde eine Fenstergröße von 9x9 gewählt, was wegen der hohen räumlichen Auflösung durchaus zu akzeptieren ist. Die Ergebnisse der Zurückweisung und Reklassifikation zeigen ein deutlich kompakteres, homogenes Bild der Landnutzungsverteilung im Untersuchungsgebiet. 6.2.5 Interpretation der Ergebnisse und Klassifikationsgenauigkeit Untersuchungen zur Abschätzung der Klassifikationsgenauigkeit wurden auf verschiedenen Wegen durchgeführt. Erstens erfolgte die Ausweisung von Referenzgebieten in den verschiedenen Klassen, die hinsichtlich ihrer richtig bzw. falsch klassifizierten Pixel untersucht wurden. Diese Methode ermöglicht zwar eine quantitative Aussage zur Klassifikationsgenauigkeit, berücksichtigt aber nur die Informationen aus den entsprechenden Testgebieten, die nur in bestimmten Bereichen des Untersuchungsgebietes vorhanden waren. Deshalb erfolgte weiterhin eine Interpretation des Klassifikationsergebnisses unter Beachtung des „local knowledge“ sowie eine vergleichende Evaluierung mit der Landnutzungsklassifikation aus multispektralen optischen Fernerkundungsdaten (vgl. Pkt. 6.2.6). Tabelle 9 faßt die Eigenschaften der Referenzflächen für die verschiedenen Klassen sowie die erreichten Klassifikationsgenauigkeiten zusammen. Anzumerken ist, daß in den Referenzflächen lediglich richtig und falsch klassifizierte Pixel unterschieden wurden. Ergebnisse 78 Tab. 9: Eigenschaften und Klassifikationsgenauigkeiten in den Referenzgebieten Landnutzung Grünland, gemäht Grünland, nicht gemäht Weide Feldfrüchte Siedlung Laubwald Nadelwald Unklassifiziert Insgesamt Anzahl der Referenzflächen 4 3 2 2 3 3 4 0 Richtig klassifizierte Pixel (%) 94,0 92,2 85,3 95,4 87,4 78,2 85,8 --- Prozentualer Flächenanteil (%) 13,3 23,6 19,2 5,0 3,1 12,0 23,0 0,7 21 88,32 99,9 Der Grund hierfür ist, daß Fehlklassifikationen zwischen den meisten Klassen aufgrund der nahezu fehlerfreien Level I-Trennung auszuschließen sind. Mögliche Fehlklassifikationen zwischen einzelnen Klassen werden durch die Interpretation des Klassifkationsergebnisses betrachtet. Die Berechnung der Gesamtgenauigkeit erfolgte unter der flächenanteilsgewichteten Mittelung aus den Einzelgenauigkeiten der Klassen. Landnutzungsklassen: Grünland, gemäht Weide Grünland, nicht gemäht Feldfrüchte Nadelwald Laubwald Siedlung Abb. 31: Flächenhafte Landnutzungsverteilung im Untersuchungsgebiet. Ergebnisse 79 Die Landnutzungskarte zeigt insgesamt eine gute Wiedergabe der nutzungsspezifischen Eigenschaften des Untersuchungsgebietes (Abb. 31, Tab. 9). Vorherrschend finden sich verschiedene Grünlandnutzungen, davon flächenanteilig 13,3 % gemähtes, 23,6 % nicht gemähtes Grünland sowie 19,2 % Weide. Die Bereiche mit gemähtem und nicht gemähtem Grünland werden in Abb. 31 flächenscharf in guter Genauigkeit von 94,0 % bzw. 92,2 % wiedergegeben. Ungenauigkeiten treten bei Weideflächen auf. So zeigt sich in der Landnutzungskarte eine teilweise inhomogene, fleckige Verteilung der beweideten Gebiete, die sich offensichtlich mit Bereichen des gemähten Grünlands mischen. Ein Grund hierfür ist die durch selektive Futteraufnahme geprägte kleinräumig wechselnde Vegetationsstruktur, die diese Fehlklassifikationen verursacht. Weiterhin gibt es im Untersuchungsgebiet, insbesondere nahe der Siedlungen, eine sehr kleinräumige Parzellierung der Grünlandflächen, die sich im Klassifikationsergebnis als eine unreal scheinende, inhomogene Landnutzungsverteilung abbilden. Leider waren diese Gebiete nicht Bestandteil der Landnutzungskartierung und flossen nicht in die Auswahl der Referenzgebiete ein. In diesem Zusammenhang sei nochmals auf die hohe räumliche Auflösung von 2,5 m verwiesen, so zeigen sich in der Landnutzungskarte teilweise Bereiche entlang von Feldgrenzen bzw. Weidezäunen, die nicht von der Nutzung erfaßt sind. Die Erfassung der im Untersuchungsgebiet vorherrschenden Grünlandnutzungen Wiese, Mähweide bzw. Standweide war nur in gewissen Grenzen möglich. Prinzipiell wurde gezeigt, daß aus Radardaten unterschiedliche Grünlandzustände erfaßt werden können. Allerdings war die thematische Unterscheidung der sich durch eine jahreszeitliche Nutzungsdynamik auszeichnenden Wiesen- und Weideflächen aufgrund des monotemporalen Charakters der SAR-Daten nicht eindeutig möglich. In sehr hoher Klassifikationsgenauigkeit wurden die ackerbaulich genutzten Flächen erfaßt. Die Siedlungsflächen sind mit 3,1 % Flächenanteil gegenüber ihrem Anteil am gesamten BrölEinzugsgebiet unterrepräsentiert. Diese Tatsache begründet sich zum einen im ländlichen Charakter des Untersuchungsgebietes, auf einigen Fehlklassifikationen bzw. auf den unterschiedlichen Generalisierungsgrad der Landnutzungskartierungen. Besonders die Randbereiche der Siedlungen werden teilweise als Wald klassifiziert. Anhand der Orthofotokarten erfolgte eine genaue Evaluierung dieses Phänomens. Dabei zeigte sich, daß an den Siedlungsrändern sehr häufig kleinere Streuobstwiesen bzw. Gärten anzutreffen sind. Diese sind zwar rein administrativ zur Siedlung zu zählen, aber von der Landnutzung als Wald bzw. Wiese mit Bäumen weitgehend richtig erfaßt. Möglicherweise sind diese Flächen bei bisherigen Landnutzungskartierungen, z.B. bei BENDE (1994), aufgrund des Generalisierungsgrades als Siedlungsbereiche erfaßt worden und bedingen die Diskrepanz zwischen den prozentualen Flächenteilen. Anzumerken ist, daß auch einige fälschlicherweise als Wald klassifizierte, vorwiegend bebaute Flächen auftraten. Insgesamt entsprechen die Siedlungsflächen, die aus den E-SAR-Daten ermittelt wurden, der Klassendefinition als der im Zusammenhang bebaute Ortsbereich. Die Klassifikation der Waldgebiete ergab nur gute bis befriedigende Ergebnisse, obwohl die Trennung von Wald- und Siedlungsbereichen durch Verwendung von Texturinformationen sehr Ergebnisse 80 gute Ergebnisse brachte. Das Problem in der Unterscheidung von Laub- und Nadelwald begründet sich in der spektralen Ähnlichkeit. Die L-Band-Rückstreuung ist im wesentlichen von der Beschaffenheit des Stammes, der großen Äste bzw. deren Biomasse abhängig, die auch in den E-SAR-Daten zu signifikanten Rückstreuunterschieden in verschiedene Polarisationen geführt hat (vgl. Abb. 30). Allerdings zeigen die Bäume gleicher Art, aber mit unterschiedlichem Alter und Höhe, verschiedene Rückstreueigenschaften. Die resultierende spektrale Streuung des Radarsignals beeinflußt die Trennbarkeit von Laub- und Nadelwald. In der resultierenden Landnutzungskarte (Abb. 31) treten vor allem in dem Waldgebiet am oberen, mittleren Bildrand Fehlklassifikationen insbesondere von Laubwald auf. In den übrigen Waldflächen wurden deutlich bessere Klassifikationsgenauigkeiten erreicht. Der obere Bildbereich liegt im Near-Range und war in den Rohdaten sehr überstrahlt. Obwohl dieser Effekt weitgehend korrigiert werden konnte, ist der spektrale Informationsgehalt in diesen Bereichen offensichtlich geringer. Die Klassifikationsgenauigkeiten von 78,2 % für Laubwald und 85,8 % für Nadelwald spiegeln diese Ungenauigkeiten wieder. Aus der flächengewichteten Mittelung wurde die Gesamtgenauigkeit mit 88,3 % berechnet. Das Ergebnis ist demnach insgesamt als gut zu bezeichnen. Die für die Ableitung von HRU’s relevanten Landnutzungsklassen Grünland, Ackerland, Wald und Siedlung (FLÜGEL 1995) wären aus der Landnutzungskarte durch Reklassifikation abzuleiten. Dabei würde sich die Genauigkeit der Landnutzungskarte deutlich erhöhen. So wurde beispielsweise die nahezu fehlerfreie Trennung der Level I-Klassen Wald/Siedlung bzw. niedrige Vegetation durch das Klassifikationsergebnis bestätigt. 6.2.6 Vergleich mit einer Landnutzungskarte aus optischen FE-Daten Im Rahmen seiner Dissertation leitete KLENKE (1999) eine Landnutzungskarte für das SiegEinzugsgebiet aus multispektralen Daten des optischen Fernerkundungssatelliten Landsat TM ab. Als Ergebnis seiner Untersuchungen stellte er abschließend fest, daß mit Hilfe der zur Verfügung stehenden Daten und Bildverarbeitungsmethoden die hydrologisch relevante Landnutzung nahezu operationell erfaßt werden kann. Die räumliche Auflösung der Landnutzungskarte beträgt 30 m und ist damit erheblich geringer als die der E-SAR-Daten, so daß bei der Interpretation vor allem qualitative, generalisierte Flächenvergleiche vorzunehmen sind. Abbildung 32 zeigt die Klassifikationsergebnisse aus den Landsat TM-Daten, des Jahres 1992, und den E-SAR-Daten, aufgenommen 1996. Die thematische Auflösung der Klassen ist durchaus vergleichbar. In den E-SAR-Daten wurde lediglich die Klasse Grünland in drei Unterkategorien unterteilt. Weiterhin existiert in der Legende zu den TM-Daten eine Klasse „bare soil“, die in den E-SAR-Daten nicht zu finden ist. Der Vergleich in Abb. 32 zeigt eine ähnliche räumliche Verteilung der grundlegenden Landnutzungsklassen Wald, Siedlung, Grünland und Ackerland in beiden Bildern. Im Bereich der Grünlandnutzungen liefern die E-SAR-Daten aufgrund der höheren thematischen Auflösung eine bessere Wiedergabe der Flächennutzungen. Allerdings beschreibt auch KLENKE (1999) die Ergebnisse 81 Unterscheidung verschiedener Grünlandnutzungen bei der visuellen Interpretation der Landsat TM-Daten, die allerdings in die Klassifikation nicht übernommen wurde. Eine sehr gute Übereinstimmung wird für die wenigen ackerbaulich genutzten Flächen deutlich. Sie trennen sich offensichtlich in beiden Fernerkundungsdatensätzen spektral recht gut und werden in den Landnutzungskarten flächenscharf wiedergegeben. Landnutzungsklassen: TM ‘92 E-SAR ‘96 Grünland, gemäht Weide Grünland, nicht gemäht Feldfrüchte Nadelwald Laubwald Siedlung bare soil Abb. 32: Vergleich der Landnutzungsklassifikationen aus Landsat TM-Daten (links) und E-SARDaten (rechts). Die Siedlungsbereiche werden in beiden Datensätzen gut erkannt. Unterschiede in der räumlichen Form resultieren im wesentlichen aus den verschiedenen geometrischen Auflösungen. In beiden Landnutzungsklassfikationen finden sich als Wald kategorisierte Bereiche um die Siedlungsflächen. Die Waldbereiche zeigen insbesondere im linken Teil des Bildes eine sehr gute Übereinstimmung in der räumlichen Verteilung von Laub- und Nadelwaldflächen. In den übrigen Bildbereichen zeigen sich einige Ungenauigkeiten in beiden Klassifikationen. Anzumerken bleibt die höhere Genauigkeit der Landnutzungskarte nach KLENKE (1999). Sie liegt mit 94,7 % deutlich über der aus den E-SAR-Daten abgeleiteten Flächennutzungsinformation (88,3 %). Mögliche Gründe resultieren aus der höheren thematischen Auflösung bei der Klassendefinition für einige Landnutzungskategorien, z.B. den Grünlandnutzungen, sowie durch Ergebnisse 82 Schwierigkeiten bei der Trennung von Wald und Siedlung bzw. Laub- und Nadelwald in den SAR Daten. In der Unterscheidung bestimmter Oberflächenkategorien zeigen multifrequente und multipolarimetrische Radardaten ein höheres Potential. So ist die spektrale Trennbarkeit zwischen Grünland- bzw. Ackerflächen und Waldbereichen, von verschiedenen Grünlandnutzungen sowie zwischen „bare soil“-Gebieten bzw. Flächen niedriger Vegetation und bebauten Bereichen besonders in den L-Band-SAR-Daten offensichtlich höher. Die Unterscheidung dieser Bildbereiche wird von KLENKE (1999) als teilweise problematisch beschrieben. Zusätzlichen Informationsgewinn verspricht die Integration der polarimetrischen Phase (HELLMANN ET AL. 1997). Zusammenfassend ist festzustellen, daß mit der spektralen Information der Datensätze bei der Erfassung der hydrologisch relevanten Landnutzung ähnlich gute Ergebnisse zu erreichen sind. Aufgrund der zukünftigen Verfügbarkeit von Multi-parameter-Daten satellitengetragener SARSensoren könnte die Landnutzungserfassung bei weiterer Evaluation von Auswertealgorithmen, einen ähnlichen operationellen Status erreichen, wie das für die Anwendung optischer Daten bereits gegeben ist. 6.3 Bestimmung der Bodenfeuchte Die Ableitung flächenhafter Informationen über die Bodenfeuchte ist prinzipiell nur in Gebieten mit niedriger Vegetation möglich, die bereits im Level I als thematische Bildbereiche in den ESAR-Daten segmentiert wurden. Der höchste Informationsgehalt über die dielektrischen Eigenschaften des Bodens ist in den L-Band-Daten zu erwarten. Sie zeigen die geringste Abhängigkeit von der Vegetation und der Oberflächenrauhigkeit und dringen am weitesten in den Boden ein. Vor der Umwandlung der Rückstreuinformation sind Betrachtungen bzw. Korrekturen der Einflüsse von Oberflächenrauhigkeit (Pkt. 6.3.1) und Vegetation vorzunehmen (Pkt. 6.3.2). Durch Korrelation der Radarrückstreuintensität mit Geländemeßwerten erfolgt die Ableitung einer flächenhaften Bodenfeuchteverteilung (Pkt. 6.3.3), die im Anschluß mit Bodenfeuchtekarten, die aus dem topographischen Index sowie durch integrativen Einsatz von Geländemessungen und Geostatistik erarbeitet wurden, evaluiert (6.3.4). 6.3.1 Einfluß der Oberflächenrauhigkeit Bereits im Punkt 2.1.2.5.2 wurde auf den Einfluß der Oberflächenrauhigkeit auf die frequenzabhängige Rückstreuung Bezug genommen. Nach dem strengen Frauenhoferkriterium haben alle Oberflächen mit einem ks-Wert größer 0,2 einen Einfluß auf die Radarrückstreuintensität (ULABY ET AL. 1982). Zwischen ks=0,2 bis ks=1,0 wird die Rückstreuintensität nur gering beeinflußt (DUBOIS ET AL. 1995, SHI ET AL. 1997), über ks=1 zeigen sich hohe Rückstreuabhängigkeiten (ULABY ET AL. 1982). Wie WEIMANN (1996) in der Untersuchung von Rauhigkeiten landwirtschaftlicher Nutzflächen im mitteldeutschen Raum darstellt, liegen die ks-Werte von geeggten Feldern im Bereich von 0,3 bis 0,4, von gegrubberten Ergebnisse 83 Feldern zwischen 0,4 und 0,6 sowie für gepflügte Felder bei ca. 0,95. Daraus läßt sich schließen, daß die Rauhigkeit von Flächen, wenn sie geringer als bei gegrubberten bzw. gepflügten Feldern ist, nur eine sehr geringe bzw. keine Rückstreurelevanz im L-Band haben (SHI ET AL. 1997). Im Untersuchungsgebiet sind insbesondere die Grünlandflächen den Bereichen geringster Rauhigkeit zuzuordnen. Die Einflüsse der Oberflächenrauhigkeit auf das Rückstreusignal der LBand-SAR-Daten ist deshalb für die Erfassung von Bodenfeuchteinformationen zu vernachlässigen. 6.3.2 Radiometrische Korrektur des Vegetationseinflusses Die bisherigen Untersuchungen und Interpretationen zum Informationsgehalt des L-Bandes haben gezeigt, daß die Vegetation vor allem in den Polarisationen HH und HV einen erheblichen Einfluß auf die Rückstreuung hat. Lediglich im LVV ist eine weitgehende Durchdringung der Grünlandvegetation anzunehmen. Im kreuzpolarisierten L-Band ist kaum Bodenfeuchteinformation zu erwarten. Zur Anwendung einer invertierten Form des semi-empirischen Modells nach DUBOIS ET AL. (1995) sind allerdings die weitgehend vegetationseinflußfreien L-BandRückstreuintensitäten der Polarisationen HH und VV nötig. Aus diesem Grund wurde versucht, das LHH-Band radiometrisch zu korrigieren. Dadurch sollte der Rückstreuanteil der Vegetation an der Gesamtinformation des LHH beseitigt werden, um auf den Bodenfeuchteeinfluß schließen zu können. Der grundlegende Ansatz des Korrekturverfahrens bestand darin, die Rückstreuinformation des LHV- zur Korrektur des LHH-Kanals zu nutzen. Die LHV-Rückstreuung ist fast ausschließlich von der Vegetation abhängig und eignet sich demnach zur relativen Beschreibung des Vegetationseinflusses im LHH. Eine weitere grundlegende Annahme bildet die Tatsache, daß gemähte Grünlandflächen den geringsten bzw. keinen Vegetationseinfluß aufweisen. Unter diesen Voraussetzungen wurde folgender Korrekturansatz entwickelt (Gleichung 6.1). (mσ°cop+ mσ°crp) σ°vc-cop = • σ°cop (6.1) (σ°cop + σ°crp ) mσ°cop mσ°crp σ°cop σ°crp σ°vc-cop - mittlere Radarrückstreuung im LHH von gemähten Grünlandflächen - mittlere Radarrückstreuung im LHV von gemähten Grünlandflächen - Rückstreuwert im LHH - Rückstreuwert im LHV - vegetationskorrigierter Rückstreuwert Für jedes Pixel berechnet sich zunächst der Quotient aus der Summe der Rückstreumittelwerte für gemähte Gründlandflächen im HH bzw. HV und der Summe der Rückstreuwerte des zu korrigierenden Bildelementes in HH und HV. Die mittleren Rückstreuwerte (HH+HV) der gemähten Grünlandbereiche repräsentieren die Radarrückstreuung ohne Vegetationseinfluß im Zähler. Der Nenner beschreibt die Rückstreuintensität des Pixels, die in der Regel größer ist als der Zähler. Durch die Division wird ein Korrekturfaktor berechnet der ein relatives Maß für den Ergebnisse 84 Einfluß der Vegetation auf die Rückstreuung in diesem Bildelement darstellt. Die Multiplikation des Korrekturfaktors mit dem LHH-Pixelwert korrigiert den Vegetationsanteil an der Gesamtrückstreuung. Die Verwendung der Rückstreuung aus zwei Polarisationen ist nötig, damit nicht die Bodenfeuchteinformation mit korrigiert wird. Die Ergebnisse zeigen eine deutliche Veränderung der Radarrückstreuung in Gebieten mit nicht gemähtem Grünland und für ackerbaulich genutzte Flächen, d.h. in diesen Bereichen war eine befriedigende visuelle, vegetationsbezogene Homogenisierung der LHH-Rückstreuung festzustellen. Das Ziel der Korrektur, die Ableitung eines synthetischen Radarkanals der im wesentlichen Bodenfeuchteinformationen enthält, wurde allerdings nicht erreicht. Insbesondere an Feldgrenzen sowie innerhalb einiger Vegetationsflächen waren Inhomogenitäten sichtbar, die keinesfalls mit Bodenfeuchteeinflüssen zu begründen waren. Weiterhin fanden sich in der Betrachtung des Gesamtbildes kaum visuelle Anhaltspunkte, die auf eine ausschließliche Bodenfeuchteinformation schließen lassen. Offensichtlich ist das Korrekturverfahren aufgrund der Verwendung von Mittelwerten nicht genau genug bzw. eignet sich die LHV-Rückstreuinformation nicht zur Korrektur der LHH-Grauwerte. Ein weiterer nachteiliger Grund beruht auf dem zu geringen Informationsgehalt des LHH-Bandes über die Bodenfeuchte. Ein weiterer möglicher Ansatz zur Trennung übergeordneter Rückstreuvariabilitätsmuster aus den multipolarimetrischen L-Band-Daten ergibt sich aus der Verwendung der Hauptkomponentenanalyse. Wie in einigen Studien nachgewiesen wurde, lassen sich die Informationen wesentlicher rückstreurelevanter Oberflächenparameter (z.B. Relief, Vegetationseigenschaften, Bodenfeuchte) aus mehrkanaligen SAR-Daten mit Hilfe dieser Methode trennen bzw. in neue synthetische Kanäle (Hauptkomponenten) ablegen (HENEBRY 1997, KLENKE 1999, VERHOEST ET AL. 1998). Vor diesem Hintergrund erfolgte die Berechnung von drei Hauptkomponenten aus den multipolarimetrischen L-Band-Daten innerhalb der Bereiche mit niedriger Vegetation. Da der Reliefeinfluß bereits korrigiert wurde, beruhen die übergeordneten Rückstreuvariabilitätsmuster in den Daten auf den Eigenschaften der Vegetation bzw. des Bodens. Tab. 10: Eigenschaften der Hauptkomponenten aus den Bildbereichen mit niedriger Vegetation im LHH, LHV und LVV 1. Hauptkomponente 2. Hauptkomponente 3. Hauptkomponente Erklärte Varianz [%] 87,92 12,00 0,07 Korrelation mit LHH 0,147 0,545 -0,837 Korrelation mit LHV 0,072 0,834 0,547 Korrelation mit LVV 0,986 -0,085 0,000 Tabelle 10 faßt die Eigenschaften der ermittelten Hauptkomponenten (HK) zusammen. Die 1. HK beschreibt mit etwa 88 % den größten Teil der Variationen in den L-Bändern. Die Korrelation mit dem LVV beträgt 0,986, während zu den übrigen Bändern nur ein geringer Zusammenhang besteht. Das LVV wurde in den bisherigen Bildanalysen als das Band mit dem potentiell höchsten Gehalt an Bodenfeuchteinformation identifiziert. Die erste HK wird demnach vor allem in der Ergebnisse 85 Ableitung flächenhafter Bodenfeuchteverteilung Anwendung finden (vgl. Pkt. 6.3.3). Die zweite HK enthält ca. 12 % der Variation aus den L-Bändern. Sie hat damit eine geringere Aussagekraft als die erste HK über den Gesamtinformationsgehalt der drei Polarisationen. Allerdings setzt sich die zweite HK aus der Rückstreuinformation des LHV und des LHH zusammen, mit den sie zu 0,834 bzw. mit 0,545 korreliert. Unter Berücksichtigung der vorangegangenen Rückstreuinterpretationen repräsentiert diese HK offensichtlich Vegetationseigenschaften. Sie wird deshalb in die Auswertungen zur Erfassung von Vegetationsparametern eingebunden. Die Informationen der dritten HK fanden in den weiteren Bildanalysen aufgrund der geringen erklärten Varianz von 0,07 %, keine Anwendung. 6.3.3 Ableitung der Oberflächenfeuchteverteilung des Bodens Die Ergebnisse der bisherigen Bildinterpretationen sowie die Versuche zur radiometrischen Korrektur der Vegetationseinflüsse haben gezeigt, daß lediglich die Rückstreuung im LVV-Band bzw. die Informationen der 1. HK wesentlich von der Bodenfeuchte beeinflußt ist. Die Anwendung semi-empirischer Modellansätze zur Umwandlung der Rückstreuintensitäten in volumetrische Bodenfeuchtewerte war deshalb nicht möglich. Sie benötigen mindestens zwei Polarisationen ohne wesentlichen Vegetationseinfluß. Aus diesem Grund wurde methodisch auf einen einfachen empirischen Ansatz zurückgegriffen. Er beruht auf der Ableitung des Zusammenhangs zwischen der Radarrückstreuung und den Geländemeßwerten der Bodenfeuchte. Die so ermittelte Regressionsgleichung dient der Regionalisierung der punkthaften Geländeinformationen. -12,5 Radarrückstreuung (dB) Radarrückstreuung (dB) Abbildung 33 zeigt die lineare Korrelation zwischen den neun Tensiometermeßwerten und der Radarrückstreuung im LHH und LVV im Bereich der Meßpunkte. Die Radarmessungen geben nicht den Rückstreuwert eines einzelnen Pixels wieder, sondern stellen einen Mittelwert aus den vier, dem Tensiometermeßpunkt am nächsten gelegenen Bildelementen dar. Das ist aufgrund der hohen räumlichen Auflösung legitim und dient dem Ausschluß kleinräumiger Rückstreuvariabilitäten. -15 -17,5 -20 a) LHH - R = 0,57 -22,5 30 35 40 45 Bodenfeuchte (Vol. %) 50 55 -12,5 -15 -17,5 -20 b) LVV R = 0.77 -22,5 30 35 40 45 50 55 Bodenfeuchte (Vol. %) Abb. 33: Korrelation zwischen den Tensiometermeßwerten der Bodenfeuchte und der Radarrückstreuung im LHH (a) und LVV (b). Die Bodenfeuchtemessungen zeigen fünf Meßpunkte mit niedrigen-, zwei mit mittleren- und zwei mit hohen Feuchtewerten an (vgl. Tab. 5). Die niedrigen Bodenfeuchten wurden an den Ergebnisse 86 Meßstationen K1, S1-S3 und S5 gemessen, d.h. die Bereiche des Simonhanges hatten zum Überflug deutlich trockenere Oberbodenverhältnisse. Die mittleren Feuchtewerte gehören zu den Meßstationen K4 und K5, die höchsten zu den Messungen an K2 und K6. Die Geländemessungen repräsentieren demnach eine große Breite an Bodenfeuchtewerten. Der Vergleich zwischen den Geländewerten und der LHH-Rückstreuung in Diagramm a) (Abb. 33) verdeutlicht eine relativ geringe Korrelation. Die Rückstreuintensitäten zeigen eine hohe Streuung insbesondere im Bereich niedriger Bodenfeuchtewerte, die im wesentlichen auf Einflüsse der Vegetation zurückzuführen sind. So war beispielsweise der Bereich um die Meßstation K1 (Bodenfeuchte 36,1 %, Radarrückstreuung -14,23 dB) von nicht gemähtem Grünland (Vegetationshöhe 50 cm) bestanden. Diese Tatsache begründet die Abweichung des Radarmeßwertes von der Regressionsgeraden. Die Geländepunkte mit höherer Bodenfeuchte zeigen dagegen ein bessere Anpassung an den ermittelten linearen Zusammenhang. Eine zunehmende Sensitivität für Bereiche mit höheren Bodenfeuchtigkeitswerten wäre denkbar. Der Vergleich der Rückstreuwerte des LVV-Kanals mit den Tensiometermessungen zeigt eine deutlich bessere Korrelation als im LHH-Band. Auffällig ist die geringe Streuung der Rückstreuintensitäten um die Regressionsgerade. Grund hierfür ist die weitestgehende Durchdringung der Grünlandvegetation durch die LVV-Strahlung. Damit läßt sich die geäußerte Vermutung bestätigen, daß das LVV-Signal der E-SAR-Daten wesentlich von der Bodenfeuchte beeinflußt ist. Werte der 1. HK -12,5 -15 -17,5 -20 R = 0,79 -22,5 30 35 40 45 50 55 Bodenfeuchte (Vol. %) Abb. 34: Korrelation zwischen den Geländemessungen der Bodenfeuchte und den Werten der ersten Hauptkomponente. In Abb. 34 ist der Vergleich zwischen den Bodenfeuchtemessungen und den Werten der ersten HK dargestellt, die im wesentlichen die Information des LVV enthält (vgl. Tab. 10). Entsprechend zeigt sich ein sehr ähnlicher Trend wie in Diagramm b) (Abb. 33) mit einer guten Anpassung an den linearen Zusammenhang zwischen Geländemessungen und den synthetischen Rückstreuwerten der HK. Die Tatsache, daß mit dieser Hauptkomponente ca. 88 % der Variationen in den L-Bändern beschrieben werden, läßt vermuten, daß die L-Band-Rückstreuung insgesamt deutlich mehr Abhängigkeit von der Bodenfeuchte zeigt, als aus den bisherigen Bildanalysen deutlich wurde. Offensichtlich enthalten auch die Bänder LHH und LHV einen signifikanten bodenfeuchigkeits-induzierten Rückstreuanteil. Möglich wäre auch, daß sich Variationen der Bodenfeuchte in den dielektrischen Eigenschaften der Vegetation durchpausen und ähnliche Ergebnisse 87 Rückstreuvariabilitätsmuster bedingen wie im LVV-Kanal. Auf diesem Wege ist auch die geringfügig höhere Korrelation in Abb. 34 gegenüber dem in Abb. 33, Diagramm b) dargestellten Zusammenhang zu erklären. Er könnte aus einem gewissen Hervorheben des dominierenden Rückstreuanteils, d.h. der Bodenfeuchteinformation über alle L-Bänder resultieren. Andere Rückstreueinflüsse, z.B. der Vegetation oder des Speckles, würden dadurch vermindert. Aufgrund des geringen Anteils der LHH- und LHV-Rückstreuung auf die erste HK ist dieser Effekt allerdings als sehr gering anzusehen. Die Ableitung der flächenhaften Bodenfeuchteinformationen erfolgte unter Verwendung des besten empirischen Zusammenhangs zwischen den Geländemessungen und den Radardaten, wie in Abb. 34 dargestellt ist. Die resultierende Gleichung der Regressionsgeraden diente der Umrechnung der Radarückstreumessungen in Werte volumetrischer Bodenfeuchte (Gleichung 6.2). y = 2,6334x + 88,263 (6.2) Dabei entspricht x den Werten der ersten Hauptkomponente und y der resultierenden Bodenfeuchte in dem entsprechenden Pixel. Die Interpretation und Evaluierung der Oberflächenfeuchteverteilung des Bodens erfolgt im nachfolgenden Abschnitt. 6.3.4 Verifizierung und Bewertung der Bodenfeuchteverteilung Die Umrechnung der Radarrückstreuintensitäten in Bodenfeuchtewerte erfolgte mit einem empirischen Ansatz bei einer Korrelation von 0,79, d.h. in guter Genauigkeit. Eine sinnvolle Verifizierung und Bewertung der Ergebnisse kann allerdings nur durch eine Interpretation der flächenhaften Bodenfeuchteverteilung erfolgen. Zu diesem Zweck wurden in den Abschnitten 5.2.2 und 5.3 Flächeninformationen der Bodenfeuchte mit anderen Methoden erarbeitet. In einem Ansatz kam ein integratives Verfahren aus Geländearbeit und Geostatistik zum Einsatz. Im Gelände aufgenommene, punkthafte TDR-Messungen wurden mit einer „Kriging“-Interpolation regionalisiert. Der andere Ansatz verwendete die Informationen des „multiple flow“ topographischen Index (TI), berechnet aus einem DGM, zur Gewinnung eines flächenhaften Eindrucks der Bodenfeuchteverteilung im Untersuchungsgebiet. In Abb. 35 und 36 sind die Bodenfeuchteverteilung am Kiefer- und am Simonhang dargestellt, wie sie aus den Radardaten, aus dem DGM und aus den TDR-Messungen abgeleitet wurden. Zu beachten sind die jeweils unterschiedlichen Legenden. Der TI beschreibt Indexwerte, wobei ein höherer topographischer Index mit einem höheren Bodenwassergehalt gleichzusetzen ist. Die volumetrischen Bodenfeuchten aus den Radardaten und den TDR-Messungen unterscheiden sich aufgrund der verwendeten Geländemeßmethode. Den Radar-Bodenfeuchten liegen die Saugspannungswerte der Tensiometermessungen zugrunde. Die Grundlage der TDRMeßmethode bilden die dielektrischen Eigenschaften des Bodens, die offensichtlich eine Unterschätzung der realen Bodenwassergehalte herbeiführen. Eine relative Vergleichbarkeit ist aber gegeben. Ergebnisse a) 88 c) b) Bodenfeuchte (Vol. %) 30 - 32.5 32.5 - 35 35 - 37.5 37.5 - 40 40 - 42.5 42.5 - 45 45 - 47.5 47.5 - 50 50 - 52.5 Landnutzungsgrenzen mf-topographischer Index 3-4 4-5 5-6 6-7 7-8 8-9 9 - 10 10 - 11 11 - 12 200 Bodenfeuchte (Vol. %) 12 - 15 15 - 17 17 - 19 19 - 22 22 - 24 24 - 26 26 - 28 28 - 31 31 - 33 0 200 400 Meters Abb. 35: Vergleich der Bodenfeuchteverteilungen am Meßhang Kiefer abgeleitet aus den Radardaten (a), aus dem DGM (b) und aus den TDR-Messungen (c). Die TI-Werte am Kieferhang weisen deutlich die Tiefenlinien bzw. die feuchteren Bereiche am rechten oberen Bildrand aus (Abb. 35). Diese Strukturen sind sowohl den Radardaten als auch den TDR-Messungen zu entnehmen. Als relativ trockene Bereiche fallen in allen Bodenfeuchtekarten die Gebiete am linken unteren Bildrand auf. Es handelt sich um den Teil der Hochfläche und den Oberhang, in dem auch die Meßstation K1 installiert war. In der Radar-Bodenfeuchtekarte zeigt sich im mittleren unteren Bildbereich eine bogenförmige Struktur mit deutlich feuchteren Bodenverhältnissen. Diese findet sich ebenfalls in der TDR-Karte. Durch den topographischen Index wird sie allerdings nicht wiedergegeben. Dieser Bereich ist der untergrund-bedingten Besonderheit nahe den Meßstationen K2 und K3 zuzuordnen. Sie wurden bei den bisherigen Geländeuntersuchungen (MÄRKER 1996, FLÜGEL 1999) als Gebiete mit dauerhaften Grundwassereinfluß identifiziert. Der Grund hierfür ist eine Dellenstruktur im Untergrund. Diese fungiert als Drainageniveau der am Hang oberhalb gelegenen Bereiche und führt im Bereich der Delle zu feuchteren Bodenverhältnissen. Da diese Struktur nicht aus der Oberflächenmorphologie abzuleiten ist, wird sie durch das DGM bzw. den TI nicht wiedergegeben. Die Abbildung der Radardaten verdeutlicht das räumliche Ausmaß und den Entwässerungsverlauf des Interflow innerhalb der Dellenstruktur. Im Ober- und Mittelhangbereich wird ein höhenlinienparalleler, linearer Verlauf deutlich. Hier zeigen sich die höchsten Feuchtewerte mit teilweise über 50 Vol.%. An der Meßstation K2 wurde zum Aufnahmezeitpunkt Vollsättigung im Oberboden mit einer Bodenfeuchte von 49,2 Vol.% gemessen, d.h. selbst unter trockenen Verhältnissen, wie zum Überflugszeitpunkt, findet in diesem Bereich Interflow statt, der die hohen Feuchtewerte des Oberbodens bedingt. Das sich in der Delle sammelnde Bodenwasser wird offensichtlich erst höhenlinienparallel bis nahe dem in Abb. 35 angedeuteten Gebiet eines Landnutzungswechsels geleitet. Danach mündet die Muldenstruktur in die Tiefenlinie, die im Bild Ergebnisse 89 des TI deutlich wird. In dieser wird der Interflow in die Breidenbachaue abgeführt. Aus den TDRMessungen werden die Interpretationen trendhaft bestätigt. Eine flächenscharfe Abgrenzung der feuchteren Bereiche ist aufgrund der punkthaften Meßanordnung nicht möglich. a) c) b) Bodenfeuchte (Vol. %) 30 - 32.5 32.5 - 35 35 - 37.5 37.5 - 40 40 - 42.5 42.5 - 45 45 - 47.5 47.5 - 50 50 - 52.5 Landnutzungsgrenzen Bodenfeuchte (Vol. %) 10 - 12 12 - 15 15 - 17 17 - 19 19 - 22 22 - 24 24 - 26 26 - 28 28 - 30 30 - 34 mf-topographischer Index 3-4 4-5 5-6 6-7 7-8 8-9 9 - 10 10 - 11 11 - 12 200 0 200 400 Meters Abb. 36: Vergleich der Bodenfeuchteverteilungen am Meßhang Simon abgeleitet aus den Radardaten (a), aus dem DGM (b) und aus den TDR-Messungen (c). Abbildung 36 zeigt die drei Oberflächenfeuchteverteilungen für das Gebiet des Testhanges Simon. Im Vergleich zum Kieferhang finden sich prinzipiell trockenere Bodenverhältnisse. Im zentralen Bildbereich fällt in allen Feuchteverteilungen ein Gebiet relativ geringer Bodenfeuchte auf. Es handelt sich um den Ober- und Mittelhangbereich in dem die Tensiometerstationen S1-S3 installiert waren. Deutlich feuchtere Verhältnisse zeigen sich in allen Bodenfeuchtekarten am linken, unteren Bildrand im Bereich des Unterhanges bzw. der Aue. In den Gebieten im rechten, mittleren Bildrand tritt eine Diskrepanz in der relativen Feuchteverteilung aus den Radardaten und TDR-Messungen einerseits und dem TI anderseits auf. Leider ist nicht zu klären, wo die Ursachen dieses nicht reliefbedingten Phänomens liegen. Mögliche Erklärungen könnten sich aus Bodensubstrats- oder Expositionsunterschieden ergeben. Desweiteren befinden sich im Hangbereich ältere Drainagesysteme, deren Position und Zustand nicht bekannt sind. Sie könnten Einfluß auf die relativen Bodenfeuchteunterschiede haben, wie sie in den Radardaten und TDRMessungen erkennbar sind. Bei der Betrachtung der Radarbodenfeuchtekarten am Kiefer- und Simonhang fällt die etwas inhomogene, fleckige Struktur auf. Sie entspricht nicht dem hydrologischen Verständnis einer Bodenfeuchteverteilung. Wahrscheinliche Ursache für dieses Phänomen sind Reste des SpeckleEffektes. Sein Einfluß wurde zwar durch Mehr-Look-Prozessierung und adaptive Filter vermindert, allerdings zeigt sich bei der quantitativen Analyse mit einer relativen Streckung der Ergebnisse 90 Grauwertinformation, daß der Speckle in abgeschwächter Form nach wie vor in der Bildradiometrie enthalten ist. Deutlich sichtbar ist dieser Effekt auch in Abb. 37. Sie zeigt die Radar-Bodenfeuchtekarte in dreidimensionaler topographischer Darstellung, allerdings in 10-facher Überhöhung. Im zentralen unteren Bildbereich liegt die Gemeinde Lindscheid. Die Blickrichtung entspricht ungefähr der des E-SARs, d.h. man blickt im wesentlichen auf nordost-exponierte Hänge, die dem Radarsensor zugewandt sind bzw. kleine lokale Einfallswinkel aufweisen. A C D A B Abb. 37: Verteilung der Bodenfeuchte aus den Radardaten, dargestellt auf einem 10-fach überhöhten Ausschnitt des DGMs. Die in Abb. 37 mit A gekennzeichneten Bereiche zeigen Unterhänge und Talauen in Gebieten mit kleinen lokalen Einfallswinkeln. Sie heben sich durch deutlich feuchtere Bodenverhältnisse von ihrer Umgebung ab. In den entsprechenden Mittel-, Oberhang- und Kuppenbereichen (Abb. 37, B) lassen sich geringere Bodenfeuchtewerte feststellen. Offensichtlich wird die reliefabhängige räumliche Bodenfeuchtedynamik in diesen Bildbereichen sehr gut wiedergegeben. Probleme zeigen sich allerdings in Gebieten mit großen lokalen Einfallswinkeln, die in Abb. 37 mit C bezeichnet sind. In diesem Bereichen finden sich kaum relative Bodenfeuchteunterschiede, die eigentlich aus der jeweiligen Reliefposition zu erwarten gewesen wären. Der wesentliche Grund für dieses Phänomen dürfte aus dem unterschiedlichen Informationsgehalt der Radarrückstreuung zwischen Bereichen mit kleinen und großen lokalen Einfallswinkeln resultieren. Bei zum Sensor Ergebnisse 91 geneigten Hängen zeigt die Radarstrahlung eine höhere Durchdringung der Vegetation. Weiterhin gelangt bei kleinem Einfallswinkel ein höherer Anteil der Strahlung von Oberflächenstreuprozessen, z.B. an der Bodenoberfläche, zum Sensor zurück. Die Radarstrahlung hat deshalb in Bereichen kleiner Einfallswinkel eine höhere Sensitivität für die dielektrischen Eigenschaften des Bodens, als bei großen Einfallswinkeln. Aus diesem Grund finden sich lediglich in dem Sensor zugeneigten Hängen räumliche Bodenfeuchteunterschiede, die dem hydrologischen Verständnis einer reliefgesteuerten Dynamik entsprechen. In den Bildbereichen mit großen, lokalen Einfallswinkeln ist diese Bodenfeuchtedynamik nicht abgebildet. In Abb. 37 wird auf ein weiteres Phänomen in der aus den Radardaten abgeleiteten Bodenfeuchtekarte hingewiesen. Mit D sind Bildbereiche bezeichnet, in denen vegetationsbedingte Strukturen innerhalb der Bodenfeuchteverteilung sichtbar sind. Dabei handelt es sich um die Flächen landwirtschaftlicher Nutzung mit Feldfrüchten. Deren Vegetationsbestand bedingt, im Gegensatz zu Grünlandflächen, eine höhere Rückstreuung im LVV und führt zu einer Überschätzung der Bodenfeuchtewerte. Die Ackerfläche im Vordergrund des zentralen, unteren Bildausschnitts verläuft von der Kuppe über verschiedene Hangbereiche bis zur Talaue. Dabei zeigt sich die Kuppe bzw. der Oberhang deutlich trockener als der Unterhangbereich, was als reliefbedingter Bodenfeuchteunterschied zu interpretieren ist. Offensichtlich besitzt die L-BandRadarrückstreuung von landwirtschaftlichen Nutzflächen ebenfalls einen signifikanten Anteil an Bodenfeuchteinformation. Der Einfluß der Vegetationstruktur und des Pflanzenwassergehaltes bedingt in der Bodenfeuchtekarte eine höhere Bodenfeuchte als bei den umgebenden Grünlandflächen, die allerdings nicht den realen Verhältnissen entspricht. Die mit Feldfrüchten bestandenen Flächen müßten in der Bodenfeuchteableitung als eigener Bildbereich (Level IIKlassen) durch Geländemessungen beschrieben und ausgewertet werden. Zusammenfassend ist festzuhalten, daß die Bodenfeuchteverteilung aus den Radardaten hilfreiche und für hydrologische Anwendungen relevante Informationen enthält. Relative Bodenfeuchteunterschiede durch die reliefgesteuerte Hangwasserdynamik sowie Sättigungszonen, bedingt durch Variationen der unterlagernden Gesteinsschichten, konnten flächenhaft erfaßt und interpretiert werden. Es wurde veranschaulicht, daß die Bodenfeuchteverteilung aus den Radarrückstreuintensitäten in einigen Bereichen eine realistischere Abbildung der räumlichen Bodenwassergehalte ermöglicht als andere Methoden der flächenhaften Charakterisierung der Feuchteeigenschaften des Bodens. Allerdings ist die aus den Rückstreuinformationen abgeleitete flächenhafte Bodenfeuchtekarte nicht frei von Ungenauigkeiten und Fehlern. Probleme resultierten ausschließlich aus „störenden“ Einflüssen in den Radardaten. Folgende Ursachen sind hier zu nennen: 1. Eine unzureichende flächenhafte Genauigkeit der Radar-Bodenfeuchtekarte ergab sich aus der Vegetationsbedeckung. Sie beeinflußte insbesondere die L-Band-Rückstreuung, so daß lediglich ein Radarband (LVV) zur Ableitung der Bodenfeuchte verwendet werden konnte. Selbst die Rückstreuinformation in diesem Kanal war, wenn auch gering, von der Vegetation beeinflußt und bedingte eine gedämpfte Sensitivität für die Bodenfeuchte. Ergebnisse 92 2. Die insgesamt großen Einfallswinkel bzw. deren Variationen über das Relief erhöhten den Einfluß der Vegetation im gesamten Bild und führten zum Verlust der Bodenfeuchteinformation in den Rückstreueigenschaften von Gebieten mit großen lokalen Einfallswinkeln. Die Ableitung einer einheitlichen Bodenfeuchteverteilung wurde dadurch verhindert. 3. Ein weiterer störender Faktor in der Radar-Bodenfeuchteverteilung stellte der Speckle dar. Trotz Anwendung mehrerer Korrekturverfahren zeigte die abgeleitete Bodenfeuchtekarte ein inhomogenes, fleckiges Bild, das nicht dem hydrologischen Verständnis einer Bodenfeuchteverteilung entspricht. Aus den genannten Gründen konnte eine flächenhafte Oberflächenfeuchteverteilung mit einer Genauigkeit, die den Ansprüchen hydrologischer Fragestellungen genügt, nur eingeschränkt erfaßt werden. 6.4 Bestimmung der Vegetationsparameter Die Erfassung von Vegetationsparametern konzentriert sich auf die im Level I segmentierten Bildbereiche der niedrigen Vegetation. Der grundlegende Ansatz in der Bestimmung flächenhafter Informationen über Eigenschaften der Vegetation beruht auf der Regionalisierung punkthafter Geländemessungen unter Verwendung der räumlichen Rückstreucharakteristika aus den SARDaten. Auf deren Sensitivität für dielektrische und strukturelle Pflanzeneigenschaften wurde bereits im Pkt. 2.3.3 hingewiesen. Ziel der Untersuchungen war die Ableitung einer flächenhaften Verteilung über den Pflanzenwassergehalt, die trockene und feuchte Biomasse sowie die Vegetationshöhe. Dazu erfolgte zunächst die Erarbeitung eines empirischen Zusammenhangs zwischen den Geländemeßwerten und der Radarrückstreuintensität verschiedener Radarbänder. Aus bisherigen Interpretationen und Analysen der E-SAR-Bildinformationen wurde deutlich, daß insbesondere in den Radarbändern LHV und LHH mit einem hohen Einfluß der dielektrischen Vegetationseigenschaften auf die Rückstreuintensität zu rechnen ist. Als vielversprechend ist weiterhin der Informationsgehalt der 2. Hauptkomponente aus den L-Band-Polarisationen zu bewerten. Das Radarband mit dem besten Informationsgehalt über den jeweiligen Vegetationsparameter dient als Grundlage für die Ableitung der entsprechenden thematischen Vegetationskarte. 6.4.1 Vergleich zwischen der Radarrückstreuung und den Geländemeßwerten Die dielektrischen Eigenschaften der Vegetation sind im wesentlichen vom Pflanzenwassergehalt bestimmt. Aus diesem Grund stellt der Pflanzenwassergehalt eine Größe dar, die direkten Einfluß auf die Radarrückstreuung von diesen Flächen hat. In Abb. 38 ist ein Vergleich zwischen den Rückstreuwerten der L-Band-Polarisationen und den Geländemessungen des Pflanzenwassergehaltes verschiedener Grünlandflächen dargestellt. Die Rückstreuintensitäten stellen einen Ergebnisse 93 Mittelwert aus vier, den Geländemeßpunkten nächstgelegenen, Bildelementen dar. Die große Streuung der Werte des Pflanzenwassergehaltes resultiert aus verschiedenen Grünlandzuständen. -5 Radarrückstreuung (dB) Radarrückstreuung (dB) Einen guten linearen Zusammenhang zwischen den Gelände- bzw. den Rückstreuwerten der Bänder LHH und LHV zeigen die Diagramme a) und b) (Abb. 38). Die sehr gute Korrelation im LHV-Kanal ist auf den fast ausschließlichen Einfluß der Vegetation auf das Rückstreusignal zu erklären. Die LHH-Rückstreuinformation ist hingegen von weiteren Oberflächenparametern beeinflußt. Hier wäre eine gewisse Abhängigkeit von der Bodenfeuchtigkeit denkbar, wie bereits im Pkt. 6.3.3 vermutet wurde. Die Korrelation zwischen dem Pflanzenwassergehalt und der Rückstreuintensität im LVV ist erwartungsgemäß gering. Die Informationen dieses Radarbandes sind im wesentlichen von der Bodenfeuchtigkeit bestimmt. a) LHH R = 0,91 -10 -15 -20 -25 -30 0 0,5 1 1,5 2 2,5 3 3,5 -5 b) LHV R = 0,93 -10 -15 -20 -25 -30 0 4 0,5 Werte der 2. HK Radarrückstreuung (dB) -5 c) LVV R = 0,76 -10 1,5 2 2,5 3 3,5 4 3,5 4 Pflanzenwassergehalt (kg/m²) Pflanzenwassergehalt (kg/m²) -5 1 -15 -20 -25 -30 d) 2. Hauptkomponente R = 0,98 -10 -15 -20 -25 -30 0 0,5 1 1,5 2 2,5 3 Pflanzenwassergehalt (kg/m²) 3,5 4 0 0,5 1 1,5 2 2,5 3 Pflanzenwassergehalt (kg/m²) Abb. 38: Vergleich zwischen dem Pflanzenwassergehalt verschiedener Grünlandnutzungen und der Radarrückstreuung aus LHH (a), LHV (b) und LVV (c) sowie mit den Werten der zweiten Hauptkomponente (d). Der beste statistische Zusammenhang läßt sich zwischen den Geländemessungen und den Werten der zweiten HK ableiten. Wie im Pkt. 6.3.2 bereits ausgeführt, besteht der thematische Gehalt der zweiten Hauptkomponente aus den Informationen des LHV bzw. des LHH, mit denen es zu 0,83 bzw. 0,55 korreliert. Da die erste Hauptkomponente im wesentlichen Bodenfeuchteinformation enthielt, ist davon auszugehen, daß diese Einflüsse in der zweiten HK weitestgehend auszuschließen sind, da die HK’s statistisch unabhängig voneinander sind. Sie enthält offensichtlich den vegetationsbedingten Rückstreuanteil durch Verknüpfungen der Informationen aus den LHV-und LHH-Radarsignalen. Desweiteren verweisen Untersuchungen zur Anwendung der Hauptkomponentenanalyse in der SAR-Datenauswertung auf eine Reduktion kleinräumiger, untergeordneter Rückstreuvariabilitäten, wie sie durch Speckle-Effekte bzw. durch ungünstige Signal-Rausch-Verhältnisse hervorgerufen werden (HENEBRY 1997, LEE & HOPPEL 1992). Aus Ergebnisse 94 den genannten Gründen läßt sich die sehr gute Korrelation zwischen den Werten der zweiten HK und den Geländemeßwerten des Pflanzenwassergehaltes erklären. Mit den Informationen der zweiten HK wird die Ableitung einer sehr genauen, flächenhaften Karte des Pflanzenwassergehaltes für die Grünlandbereiche ermöglicht. -17,5 LHV, R = 0,91 -20 Werte der 2. HK Radarrückstreuung (dB) Der Vergleich zwischen den Geländemeßwerten der übrigen Vegetationseigenschaften, d.h. der trockenen und feuchten Biomasse sowie der Vegetationshöhe, und der Radarrückstreuung erfolgt in Abb. 39. Anzumerken ist, daß diese Vegetationseigenschaften mit dem Pflanzenwassergehalt zusammenhängen. Dies resultiert aus den nutzungsspezifischen Unterschieden der Grünlandflächen, d.h. gemähtes Grünland hat sowohl einen geringen Pflanzenwassergehalt, niedrige Biomassewerte als auch eine geringe Vegetationshöhe. Dadurch wird ermöglicht, daß aus bestimmten Radarinformationen, die im wesentlichen vom Pflanzenwassergehalt abhängig sind, indirekt auch andere Vegetationseigenschaften erfaßt werden können. -22,5 -25 -27,5 -30 0 0,25 0,5 0,75 1 1,25 1,5 1,75 -5 -7,5 -10 -12,5 -15 -17,5 -20 2. Hauptkomponente, R = 0,97 0 2 0,25 0,5 0,75 Werte der 2. HK Radarrückstreuung (dB) LHV, R = 0,90 -20 -22,5 -25 -27,5 -30 0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5 -5 -7,5 -10 -12,5 -15 -17,5 -20 5,5 0 Werte der 2. HK Radarrückstreuung (dB) -22,5 -25 -27,5 -30 0 20 40 60 80 Vegetationshöhe (cm) 1,75 2 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5 5,5 Feuchte Biomasse (kg/m²) LHV, R = 0,88 -20 1,5 2. Hauptkomponente, R = 0,97 Feuchte Biomasse (kg/m²) -17,5 1,25 Trockenmasse (kg/m²) Trockenmasse (kg/m²) -17,5 1 100 120 -5 -7,5 -10 -12,5 -15 -17,5 -20 2. Hauptkomponente, R = 0,96 0 20 40 60 80 100 120 Vegetationshöhe (cm) Abb. 39: Vergleich zwischen der Trockenmasse, der feuchten Biomasse und der Vegetationshöhe verschiedener Grünlandnutzungen und der Radarrückstreuung aus LHV bzw. den Werten der zweiten Hauptkomponente. Ergebnisse 95 Die Korrelationen zwischen den Gelände- und Radardaten zeigen für alle Vegetationsparameter einen höheren Wert für die Informationen der 2. HK im Vergleich zur kreuzpolarisierten L-BandRückstreuung an. Damit werden die Ergebnisse in der Erfassung des Pflanzenwassergehalts bestätigt. Die übrigen, in Abb. 39 nicht dargestellten Radarbänder, zeigen schlechtere Korrelationen. Der Vergleich von Radarrückstreuung und Trockenmasse ergab einen logarithmischen Regressionsverlauf. Dieser Trend beruht auf dem veränderten Verhältnis von Pflanzenwassergehalt und Trockenmasse bei nicht bewirtschafteten Grünlandflächen. Sie haben bei gleichem relativen Pflanzenwassergehalt einen höhere, trockene Biomasse als andere Grünlandnutzungen. Das resultiert aus der unterschiedlichen Ausbildung der Graslandvegetation, z.B. verschiedene Blüten- und Fruchtstände, bzw. teilweise abgestorbenen, trockenen Pflanzenreste innerhalb der Vegetationsschicht. Aus diesem Grund bietet die logarithmische Regression die beste Anpassung mit hoher Korrelation. Für die Geländedaten der feuchten Biomasse bzw. der Vegetationshöhe lassen sich lineare Regressionen mit hohen Abhängigkeiten zu den Werten der zweiten HK erkennen. Zusammenfassend ist somit festzustellen, daß sich für alle vier untersuchten Vegetationsparameter deutliche Zusammenhänge zwischen den Geländemeßwerten und den Radarinformationen, insbesondere den Werten der zweiten HK ergeben. Die statistische Beschreibung dieser Abhängigkeiten dient als empirischer Ansatz zur Ableitung flächenhafter Informationen im folgenden Abschnitt. 6.4.2 Ableitung und Interpretation der Vegetationseigenschaften räumlichen Verteilung von In Anlehnung an die im vorherigen Punkt erarbeiteten statistischen Zusammenhänge zwischen den Geländemessungen sowie den Werten der zweiten Hauptkomponente erfolgt die Regionalisierung der Vegetationseigenschaften. Dabei dient für die räumliche Erfassung des Pflanzenwassergehaltes (Gleichung 6.3), der Vegetationshöhe (Gleichung 6.4) und der feuchten Biomasse (Gleichung 6.5) eine lineare Regressiongleichung. Flächenhafte Informationen der trockenen Biomasse wurde mittels einer exponentiellen Regression abgeleitet (Gleichung 6.6). y = 0,2256x + 4,8398 (6.3) y = 9,6293x + 178,3 (6.4) y = 0,3429x + 7,0369 (6.5) y = 7,7151 e0,02049x (6.6) In den Gleichungen 6.3 bis 6.6 entspricht x dem Pixelwert der zweiten Hauptkomponente und y dem resultierenden Wert der Vegetationseigenschaften im entsprechenden Bildelement. Die Genauigkeit der abgeleiteten flächenhaften Informationen über die vier untersuchten Vegetationseigenschaften ist aufgrund der engen Korrelation als sehr hoch einzuschätzen. Ergebnisse 96 In Abb. 40 ist die räumliche Verteilung des Pflanzenwassergehaltes im Untersuchungsgebiet dargestellt. Die flächenhafte Interpretation erfolgt beispielhaft auch für die übrigen Vegetationsparameter. Deren Verteilungen beruhen auf der gleichen inhaltlichen Grundlage, d.h. den Werten der zweiten HK, und zeigen aufgrund der nutzungs- und vegetationsspezifischen Eigenschaften einen starken Zusammenhang mit dem Pflanzenwassergehalt. Auf die Darstellung und Interpretation der räumlichen Verteilungen der Vegetationseigenschaften Trockenmasse, feuchte Biomasse und Vegetationshöhe wird deshalb an dieser Stelle verzichtet. Pflanzenwassergehalt (kg/m²) 0.0 - 0.5 0.5 - 1.0 1.0 - 1.5 1.5 - 2.0 2.0 - 2.5 2.5 - 3.0 3.5 - 4.0 Wald,Siedlung, keine Daten N 1000 0 1000 Meters Abb. 40: Räumliche Verteilung des Pflanzenwassergehaltes (PWC) im Untersuchungsgebiet. In den braun-roten Tönen (PWC 0-1 kg/m²) zeigen sich im wesentlichen die Bereiche mit gemähtem Grünland (Abb. 40). Sie befinden sich vor allem im mittleren und linken oberen Teil des Bildes und decken sich weitestgehend mit den Ergebnissen der Landnutzungsklassifikation (vgl. Pkt. 6.2.5). Ihre räumliche Ausdehnung und Struktur ermöglicht eine gute Wiedergabe der Feldgrenzen. Insgesamt zeigt sich auf diesen Flächen eine homogene Pflanzenwassergehaltsverteilung. Beweidete Flächen zeichnen sich hingegen durch eine heterogene, räumliche Struktur der Vegetationseigenschaften aus. Sie sind in Abb. 40 durch einen kleinräumigen Wechsel Ergebnisse 97 von Rot-, Orange- und hellen Grün-Tönen gekennzeichnet und heben sich visuell nur schlecht von ihrer Umgebung ab. Ein Vergleich mit der Landnutzungskarte verdeutlicht, daß die im Pkt. 6.2.5 beschriebenen Fehlklassifikationen sich mit den Flächen kleinräumiger, inhomogener Pflanzenwassergehalte decken. Die Ungenauigkeiten in der Klassenzuweisung sind deshalb diesem Phänomen zuzuschreiben. Die Flächen mit nicht gemähtem Grünland treten in Abb. 40 durch hell- und dunkelgrüne, in wenigen Fällen durch orange Töne hervor (PWC 2-4 kg/m²). Sie sind vor allem im unteren sowie im oberen, rechten Ausschnitt des Bildes zu erkennen. Ähnlich dem gemähten Grünland zeigen sie eine eher homogene Verteilung des Pflanzenwassergehaltes. Unterschiede innerhalb einzelner Grünlandflächen haben vor allem flächenhaften Charakter. Ackerbauliche Nutzflächen erscheinen in dunkel- bis blau-grünen Tönen. Sie zeichnen sich ebenfalls durch homogene räumliche Eigenschaften der Vegetation aus. Die relativ hohen Werte sind allerdings mit gewisser Vorsicht zu interpretieren, da sich die Vegetationsstruktur dieser Flächen von denen der Grünlandnutzungen unterscheidet. Die relativen Unterschiede in der L-Band-Rückstreuung sind deshalb nicht allein auf verschiedene dielektrische Eigenschaften zurückzuführen. Hier wäre die Ableitung eines spezifischen, empirischen Zusammenhangs zwischen den Geländewerten der Ackerflächen und der Radarrückstreuung innerhalb der im Level II segmentierten Bildbereiche anzustreben. Aufgrund fehlender Geländedaten mußte in dieser Arbeit auf diesen Schritt verzichtet werden. Zusammenfassend läßt sich feststellen, daß die räumlichen Heterogenitäten der untersuchten Vegetationseigenschaften geometrisch und thematisch mit hoher Genauigkeit wiedergegeben werden. Der wesentliche Grund liegt in der direkten Abhängigkeit der Radarrückstreuung von dielektrischen Pflanzenparametern. Die Einflüsse struktureller Vegetationsvariabilitäten waren in den L-Band-Informationen, zumindest für die Bereiche des Grünlands, weitestgehend auszuschließen. Mit Hilfe der Hauptkomponententransformation erfolgte zusätzlich die Normalisierung einzelbandspezifischer bzw. kleinräumiger Rückstreuvariationen. Die resultierenden thematischen Karten enthalten detaillierte flächenhafte Informationen, die beispielsweise für Bilanzierungen, z.B. Wasseraustrag aus dem hydrologischen System beim Mähen einer Fläche, verwendet werden können. 6.5 Diskussion der Ergebnisse Der Informationsgehalt der zur E-SAR-Befliegung aufgezeichneten Radarbänder war in Abhängigkeit von der Wellenlänge und der Polarisation sehr unterschiedlich. Während die X- und C-Band-Rückstreuung für die angestrebte Ableitung hydrologischer Parameter nur einen geringen Beitrag leisten konnte, erwiesen sich die Polarisationen des L-Bandes als besonders sensitiv für die untersuchten Eigenschaften der Erdoberfläche. Die Bänder LHH und LHV zeigten eine ähnliche, von dielektrischen Vegetationseigenschaften dominierte Rückstreuung. Ihre Informationen wurden erfolgreich für die Klassifikation der Landnutzung sowie für die quantitative Ableitung von Vegetationsparametern verwendet. In der Erfassung der hydrologisch relevanten Landnutzung wurden vergleichbare Ergebnisse erreicht, wie mit multispektralen optischen Daten. Ergebnisse 98 Die Rückstreuintensitäten des LVV-Kanals wiesen hingegen eine weitestgehende Durchdringung der Grünlandvegetation und folglich eine hohe Sensitivität für die Bodenfeuchte auf. Diese Tatsache widerspricht den Ergebnissen einer Reihe von Untersuchungen, die vor allem die LHHInformation wegen ihrer geringeren Vegetationsabhängigkeit zur Bodenfeuchtebestimmung favorisieren (ENGMAN & CHAUHAN 1995, GOYAL ET AL. 1999). Diese Diskrepanz läßt sich wie folgt erklären. Prinzipiell wird die Rückstreuung im LVV aufgrund der vertikalen Struktur zylindrischer Vegetationsstrukturen (z.B. Mais, Sonnenblumen) stärker beeinflußt als die des LHH. Bei Grünlandflächen sind in der Regel dünne zylindrische Strukturen anzutreffen, die nur einen geringen Einfluß auf die L-Band-Rückstreuung haben (CHAUHAN ET AL. 1992). Das bedeutet, daß sich die Grasvegetation für das L-Band als eine diffus orientierte dielektrisch inhomogene Schicht präsentiert. Unter solchen Bedingungen sinkt die Durchdringung der Vegetation im LHH mit zunehmenden Einfallswinkel. Im LVV hingegen bleibt sie in Abhängigkeit von den dielektrischen Eigenschaften der Vegetation konstant und steigt sogar geringfügig bis ca. 60-80 Grad an, dem Bereich des sogenannten „Brewster“-Winkels (BOISVERT ET AL. 1995, LECKIE & RANSON 1998). Da das Untersuchungsgebiet mit relativ großen Einfallswinkeln aufgezeichnet wurde, ist damit die höhere Sensitivität der LVV-Rückstreuung für die dielektrischen Eigenschaften des Bodens zu erklären. Die Ergebnisse der Ableitung von flächenhaften Informationen über die Bodenfeuchte war aufgrund „störender“ Einflüsse in der Radardaten nur in eingeschränkter Genauigkeit möglich. Negative Auswirkungen hatte vor allem die Vegetationsbedeckung, der große Einfallswinkel und der Speckle-Effekt. Trotzdem wurde nachgewiesen, daß die Bodenfeuchteverteilung aus den Rückstreuintensitäten in vielen Bereichen eine realistischere Abbildung der räumlichen Bodenwassergehalte ermöglicht als andere Methoden der flächenhafte Charakterisierung der Feuchteeigenschaften des Bodens. Die Geländemessungen sind prinzipiell durch eine hohe zeitliche und thematische Genauigkeit, aber durch lediglich punkthafte Informationen gekennzeichnet. Mit Hilfe geostatistischer Methoden war es möglich einen qualitativen, flächenhaften Eindruck der Bodenfeuchteverteilung zu erhalten. Der dazu nötige Geländeaufwand ist allerdings nur für lokale Studien zu realisieren. Der topographische Index liefert, bei Vorhandensein eines DGMs mit relativ geringem digitalen Verarbeitungsaufwand räumliche Informationen über die Bodenwassergehalte. Allerdings berücksichtigt diese Methode nur reliefbedingte Bodenfeuchtevariationen in Form eines Indexes, der keinerlei zeitliche Dynamik und Bodeneigenschaften berücksichtigt. Aus diesem Grund traten mehrfach Diskrepanzen mit den Geländedaten bzw. mit der Bodenfeuchteverteilung aus den Radardaten auf. Insbesondere räumliche Bodenfeuchtephänomene, die auf Variationen der Bodeneigenschaften bzw. des Untergrundes beruhen und eine große Bedeutung für die Hangentwässerung besitzen, wurden durch den topographischen Index nicht wiedergegeben. Vor diesem Hintergrund stellt die Radarfernerkundung in Verbindung mit Geländemessungen den potentiell einzigen Ansatz dar, um räumliche und zeitliche Heterogenitäten der Bodenfeuchte für größere Gebiete zu quantifizieren. Als methodisches Rahmenkonzept wurde der Levelansatz nach ULABY ET AL. (1996) für die Voraussetzungen und Erfordernisse der Untersuchungen dieser Arbeit angewendet und angepaßt. Ergebnisse 99 Es konnte aufgezeigt werden, daß die Verarbeitung und Auswertung der SAR-Daten auf eine hierarchische Trennung thematischer Bildbereiche angewiesen ist. Insbesondere die erfolgreiche Anwendung von Verfahren zur radiometrischen Reliefkorrektur sowie zur quantitativen Ableitung von geo- und biophysikalischen Parametern setzt eine „Entmischung“ der komplexen multifrequenten und multipolarimetrischen Rückstreuinformation, resultierend aus den dreidimensionalen strukturellen und dielektrischen Eigenschaften der Erdoberfläche, voraus. Aus diesem Grund ist der Levelansatz für die Analyse von multikanaligen SAR-Daten in zukünftigen Studien als rahmensetzendes Standardkonzept zu empfehlen. Für die Ableitung quantitativer Informationen über die Bodenfeuchte und bestimmter Vegetationsparameter wurden mit der Hauptkomponentenanalyse die besten Ergebnisse erreicht. Dabei zeigte sich, daß die beiden hochwertigen Komponenten die wesentlichen Rückstreueinflüsse in den L-Band-Daten wiedergeben. Die erste HK enthielt weitestgehend die Informationen der Bodenfeuchtigkeit, die zweite HK die der dielektrischen Eigenschaften der Vegetation. Die Fähigkeit großräumige Rückstreuvariabilitätsmuster abzubilden wurde dadurch deutlich, daß mit den Geländemessungen und den Werten der HK bessere Korrelationen erreicht wurden, als mit den Rückstreuintensitäten einzelner Radarkanäle. Die Hauptkomponentenanalyse stellt deshalb eine effiziente Methode dar, „störende“ Rückstreueinflüsse z.B. durch den Speckle oder die Vegetation für die inhaltliche Auswertung von SAR-Daten zu vermindern. Diese Erkenntnisse decken sich mit den Ergebnissen anderer Untersuchungen (HENEBRY 1997, ICHOKU ET AL. 1998, KLENKE 1999, VERHOEST ET AL. 1998). Als problematisch stellten sich die aufnahmebedingten radiometrischen Verzerrungen durch den Speckle-Effekt und topographische Einflüsse heraus. Die radiometrische Reliefkorrektur konnte zwar erfolgreich durchgeführt werden, allerdings nur unter intensivem methodischen Aufwand. Die derzeit verfügbaren Verfahren zur Beschreibung und Beseitigung topographischer Effekte in den Rückstreuintensitäten sind deshalb als keineswegs operationell zu bezeichnen. Phänomene des Speckle-Effektes wurden trotz Anwendung verschiedener Korrekturverfahren in der aus den Radardaten abgeleiteten Bodenfeuchteverteilung deutlich. Die weitere Reduzierung des Speckles ist in der Regel nur durch einen weiteren Verlust an räumlicher Detailinformation zu verwirklichen, was angesichts der Ergebnisse dieser Arbeit nötig erscheint. Aus diesem Grund empfehlen GOYAL ET AL. (1998, 1999) zusätzlich zu den Standard-Speckle-Reduzierungsverfahren die flächenhafte Mittelung der SAR-Information durch räumliche Aggregation bei Verringerung der geometrischen Auflösung. Dadurch erfolgt zusätzlich eine Normalisierung von kleinräumigen Rückstreueinflüssen, die beispielsweise aus topographischen Variationen und Fehlern in der geometrischen Entzerrung resultieren. Für anwendungsorientierte Studien ist in den resultierenden Datenprodukten prinzipiell von einer deutlich geringeren geometrischen Genauigkeit, als die räumliche Auflösung der zugrundeliegenden SAR-Daten, auszugehen. Zusammenfassung und Ausblick 100 7 Zusammenfassung und Ausblick Die Fragestellung dieser Arbeit bestand in der anwendungsorientierten Evaluierung und Einschätzung von digitalen Methoden zur Erfassung flächenhafter hydrologisch relevanter Informationen über die Landnutzung, die Bodenfeuchte und über bestimmte Vegetationsparameter aus multifrequenten und multipolarimetrischen E-SAR-Flugzeugdaten. Die Untersuchungen waren räumlich in einem Teststreifen des Einzugsgebiets des Flusses Bröl angesiedelt, wo aus verschiedenen forschungsbezogenen Detailstudien eine breite hydrologische Wissens- und Informationsbasis zur Verfügung stand. Durch zusätzliche Aufnahme und Aufbereitung von Geländedaten bzw. durch Modellierung vorhandener digitaler Datensätze konnte eine umfangreiche Grundlage zur Auswertung der SAR-Daten bzw. zur Ergebnisverifizierung erarbeitet werden. Die Ergebnisse können folgendermaßen zusammengefaßt werden: • Die digitale Vorverarbeitung der Fernerkundungsdaten diente deren Aufbereitung, der geometrischen Entzerrung sowie der radiometrischen Korrektur aufnahmebedingter Einflüsse. Zur Beseitigung der Reliefverzerrungen wurde ein Ansatz vorgestellt, der unter Verwendung des lokalen Einfallswinkels die Reliefabhängigkeit der Radarrückstreuung in verschiedenen thematischen Bildbereichen beschreibt. Die Erkenntnisse unterstützten die Parameterisierung und Anwendung eines empirisches Korrekturmodells. Die Speckle-Reduzierung erfolgte durch Verwendung von Multi-Look-prozessierten Daten und durch adaptive Filterung. Beide radiometrische Korrekturverfahren sind aufgrund ihres Arbeitsaufwandes sowie der teilweise unbefriedigenden Ergebnisse als wenig operationell anzusehen. • In einem ersten Auswertungsschritt erfolgte die visuelle und statistische Interpretation der Rückstreucharakteristika verschiedener Landoberflächenkategorien. Es wurde gezeigt, daß die SAR-Daten in Abhängigkeit von der Frequenz und der Polarisation vielseitige Informationen über die Erdoberfläche enthalten. Zur hierarchischen Trennung der komplexen Rückstreuinformation diente der Levelansatz als methodisches Rahmenkonzept. Im Level I wurde drei, im Level II sieben thematische Bildbereiche unter Berücksichtigung der Datengrundlagen und Zielsetzung der Fernerkundungsdatenauswertung klassifiziert. Für die Erfassung der Bodenfeuchte bzw. der Vegetationsparameter war die Maskierung der Bildbereiche mit niedriger Vegetation nötig, was mit einer entsprechenden Level I-Klasse verwirklicht wurde. Die Definition der Level II-Klassen erfolgte in Landnutzungsklassen hydrologischer Relevanz. • Die Erfassung der Landnutzung erfolgte mittels überwachtem Klassifikationsverfahren unter Verwendung spektraler und texturaler SAR-Bildinformationen. Insgesamt konnten sieben hydrologisch relevante Klassen mit einer Gesamtgenauigkeit von 88,3 % getrennt werden. Die Ergebnisinterpretation ergab eine gute Wiedergabe nutzungsspezifischer Eigenschaften im Untersuchungsgebiet, wobei insbesondere verschiedene Nutzungszustände von Zusammenfassung und Ausblick 101 Grünlandflächen unterschieden werden konnten. Der Vergleich mit einer Landnutzungskarte aus multispektralen optischen Fernerkundungsdaten hat gezeigt, daß mit multifrequenten und multipolarimetrischen SAR-Informationen ähnlich gute Ergebnisse in der Landnutzungserfassung zu erwarten sind. • Die Ableitung der Oberflächenfeuchte des Bodens beruhte im wesentlichen auf den Informationen der LVV-Rückstreuung, welche die höchste Durchdringung der Grünlandvegetation aufwies. Zur Umwandlung der Rückstreuinformationen in volumetrische Bodenfeuchte wurde ein empirischer Zusammenhang (R=0,79) zwischen den Geländemessungen und den Werten der ersten Hauptkomponente aus den L-Band-Daten, die zu 99 % die Informationen des LVV-Kanals enthält, verwendet. Aus den Ergebnissen waren vielseitige Erkenntnisse über räumliche Strukturen der Bodenfeuchteverteilung in den untersuchten Gebieten abzuleiten. Eine flächenhafte Bodenfeuchtekarte für das gesamte Untersuchungsgebiet konnte nur in eingeschränkter Genauigkeit erstellt werden. Negative Auswirkungen hatten vor allem die Vegetationsbedeckung, die großen Einfallswinkel und der Speckle-Effekt. Trotzdem konnte in einer vergleichenden Interpretation mit den anderen flächenhaften Bodenfeuchteverteilungen (Geländemessungen/Geostatistik, Topographischer Index) nachgewiesen werden, daß die Radar-Bodenfeuchtekarte in vielen Bereichen eine realistischere Abbildung der flächenhaften Feuchteeigenschaften des Bodens ermöglicht. • Die Erfassung von Vegetationsparametern konzentrierte sich auf den Pflanzenwassergehalt, die trockene und feuchte Biomasse sowie die Vegetationshöhe von Bereichen mit niedriger Vegetation. Hier zeigten die L-Band-Polarisationen HH und HV die höchste Sensitivität für die dielektrischen Vegetationseigenschaften. Mit Hilfe der Hauptkomponentenanalyse aus den L-Band-Daten konnte die vegetationsbedingte Rückstreuinformation der beiden Bänder in einem neuen Kanal, der zweiten Hauptkomponente, konzentriert werden. Ihr Informationsgehalt führte zu den besten Korrelationen mit den Geländemeßwerten. Die daraus abgeleiteten empirischen Zusammenhänge dienten der Regionalisierung der punkthaften Geländemessungen, wobei für den Pflanzenwassergehalt (R=0,98), die Trockenmasse (R=0,97), die feuchte Biomasse (R=0,97) und die Vegetationshöhe (R=0,96) hochgenaue flächenhafte Verteilungen abgeleitet wurden. Die resultierenden thematischen Karten geben insbesondere die nutzungsbedingte räumliche Heterogenität der Vegetation sehr gut wieder. Die Auswertung der E-SAR-Daten hat gezeigt, daß die Rückstreuinformationen der multipolarimetrischen L-Bänder den wesentlichsten inhaltlichen Beitrag zur Ableitung der hydrologischen Parameter leisten konnten. Vor dem Hintergrund der in absehbarer Zeit zur Verfügung stehenden Daten satellitengetragener polarimetrischer L-Band-SAR-Sensoren ist von einem inhaltlichen Fortschritt in der Anwendung von Fernerkundungsmethoden für hydrologische Fragestellungen auszugehen. Die weitgehend operationelle Parametererfassung aus optischen Fernerkundungsdaten wird durch die Methoden der Multi-parameter-Radarfernerkundung erweitert, auch aufgrund der bewölkerungs- und beleuchtungsunabhängigen Datenaufnahme. Zusammenfassung und Ausblick 102 Die Erkenntnisse aus dieser Arbeit können für zukünftige Untersuchungen genutzt werden, die sich zum einen auf die Radardatenauswertung sowie auf die Evaluation und Anwendung der Ergebnisse für konkrete hydrologische Fragestellungen beziehen. Als künftige Forschungsschwerpunkte sind zu nennen: • Bei der Radardatenverarbeitung traten in den Untersuchungen inhaltliche und methodische Mängel in der radiometrischen Korrektur von Reliefeinflüssen bzw. durch Effekte des Speckle-Phänomens auf. Hierzu gilt es Verfahren zu entwickeln, die hinsichtlich ihrer Genauigkeit, ihrer methodischen Komplexität und ihrer softwaretechnischen Verfügbarkeit den Ansprüchen anwendungsorientierter Studien genügen. • Ein inhaltlicher Fortschritt ist aus der Integration der polarimetrischen und interferometrischen Phaseninformation in die Auswertung von SAR-Daten zu erwarten. Mögliche Ansätze zur Klassifikation der Landnutzung wurden bereits erarbeitet (HELLMANN 1997). Weiterhin wären Untersuchungen zur polarimetrischen Trennung dielektrischer und struktureller Eigenschaften der Vegetation bzw. des Bodens anzustreben. Deren Erkenntnisse könnten zu einer verbesserten „Entmischung“ der komplexen SAR-Rückstreuinformation beitragen (CLOUDE ET AL. 1999, HAJNSEK ET AL. 1999b). • Zur Ableitung von flächenhafter Bodenfeuchte sind weitere Detailstudien nötig, deren Ergebnisse in hohem Maße von der Quantität und Qualität der verfügbaren Geländevergleichsmessungen abhängen. Schwerpunktmäßig sollte dabei die polarimetrische Lund P-Band-Rückstreuung von Flächen inhomogener Vegetationseigenschaften, unterschiedlichem Relief und variierender Oberflächenrauhigkeit untersucht werden. Die resultierenden Bodenfeuchtekarten gilt es durch Nachbearbeitungsmethoden, beispielsweise durch räumliche Filterverfahren, zu verbessern (ULABY 1998). • Ein weiterer Schwerpunkt zukünftiger Untersuchungen sollte sich mit der Einbindung der Ergebnisse von Radardatenauswertungen in konkrete hydrologische Fragestellungen beschäftigen. So zeigt sich beispielsweise eine Diskrepanz zwischen verschiedenen Fernerkundungsdatenprodukten und den thematischen Anforderungen der Parameterisierung und Validierung hydrologischer Modelle. Eine Optimierung der Datenauswertung bzw. eine gezielte Nachbearbeitung, möglicherweise durch Integration zusätzlicher digitaler Informationen, könnten dieses inhaltliche Defizit beheben. Literaturliste 103 8 Literaturliste ALBERTZ, J. (1991): Grundlagen der Interpretation von Luft- und Satellitenbildern: Eine Einführung in die Fernerkundung, Wissenschaftliche Buchgesellschaft, Darmstadt ATTEMA, E. P. W. & ULABY, F. T. (1978): Vegetation modeled as a water cloud, Radio Science, 13, pp. 357-364 BÄHR, H.-P. & VÖGTLE, T. (eds.) (1998): Digitale Bildverarbeitung: Anwendung in Photogrammetrie, Kartographie und Fernerkundung, 3.Auflage, Wichmann Verlag, Heidelberg BANARDI, A., MORIN, D. & BONN, F. (1995): A review of vegetation indices, Remote Sensing Reviews, 13, pp. 95-120 BARLING, R. R. D., MOORE, I. D. & GRAYSON, R. B. (1994): A quasi-dynamik wetness index for characterization the spatial distribution of zones of saturation and soil water content, Water Resources Research, 30, 4, pp. 1029-1044 BARONTI, S., DEL FRATE, F., FERRAZZOLI, P., PALOSCIA, S., PAMPALONI, P. & SCHIAVON, G. (1995): SAR polarimetric features of agricultural areas, International Journal of Remote Sensing, 16, 14, pp. 2639-2656 BARTSCH, A. (1998): Digitale Bildverarbeitung von flugzeuggetragenen multifrequenten E-SARDaten für die hydrologische Modellierung am Beispiel des Bröl-Einzugsgebietes (Oberbergisches Land, NRW), Studienprojektarbeit, Geographisches Institut der Universität Jena, unveröffentlicht BAYER, T. (1990): Korrektur reliefbedingter radiometrischer Verzerrungen in geocodierten SeasatA SAR Bildern am Beispiel des Szenenausschnittes Bonn und Umgebung, in DLRForschungsbericht. Oberpfaffenhofen BEAUDOIN, A., LE TOAN, T., GOZE, S., NEZRY, E., LOPEZ, A., MOUGIN, E., HSU, C. C., HAN, H. C., KONG, J. A., & SHIN, R. T. (1994): Retrieval of forest biomass from SAR data. International Journal of Remote Sensing, 15, pp. 2777-2796 BENALLEGUE, M., TACONET, O., VIDAL-MADJAR, D., & NORMAND, M. (1995): The use of radar backscattering signals for measureing soil moisture and surface roughness. Remote Sensing of the Environment, 53, pp. 61-68 BENDE, U. (1994): Abgrenzung von landnutzungsspezifischen „Chemical Response Units (CHRU’s)“ unter Verwendung eines GIS zur Regionalisierung der Stoffdynamik im Einzugsgebiet der Bröl. Diplomarbeit Universität Bonn BEVEN, K. J. & KIRKBY, M. J. (1979): A physically based, variable contributing area model of basin hydrology, Hydrologoical Science Bulletin, 24, pp. 43-69 BEVEN, K. J., LAMP, R., QUINN, P. ROMANOWICZ, R. & FREER, J. (1995): TOPMODEL, in SINGH, V. P. (ed.) (1995): Computer models of watershed hydrology, Water Ressources Publications. BORK, H. R. (1992): Regionalisierung bodenhydrologischer Parameter und Zustandsvariablen, in KLEEBERG, H. G. (ed.) (1992): Regionalisierung in der Hydrologie, Mitteilung der Senatskommission fuer Wasserforschung der DFG, pp. 201-220 Literaturliste 104 BLÖSCHL, G., GUTKNECHT, D., GRAYSON, R. B., SIVAPALAN, M. & MOORE, I.D. (1993): Organization and randomness in catchments and the verification of hydrologic models, EOS Trans. Am Geophys. Union, 74, 317 BRISCO, B. & BROWN, R. J. (1998): Agricultural applications with Radar, in HENDERSON, F. M. & LEWIS, A. J. (eds.) 1998: Principles and application of imaging Radar, Manual of remote sensing, Vol. 2, pp. 381-406 BRISCO, B., PULTZ, T. J., BROWN, R. J., TOPP, G. C., HARES, M. A. & ZEBCHUK, W. D. (1992): Soil moisture measurements using portable dielectric probes and time domain reflectometry. Water Resources Research, 23, 1339 - 1346 BOISVERT, J. B., GWYN, Q. H., BRISCO, B., MAJOR, D. J. & BROWN, R. J. (1995): Evaluation of soil moisture techniques and microwave penetration depth for radar applications. Canadian Journal of Remote Sensing, 21, pp. 110-123 BOISVERT, J. B., GWYN, Q. H. J., CHANZY, A., MAJOR, D. J., BRISCO, B. & BROWN, R. J. (1997): Effect of surface soil moisture gradients on modelling radar backscattering from bare fields. International Journal of Remote Sensing, 18, 1, pp. 153–170 BORGEAUD, M. & WEGMÜLLER, U. (1996): On the use of ERS SAR Interferometry for the Retrieval of Geo- and Bio-Physical Information, Proceedings of the ´Fringe 96‘ Workshop on ERS SAR Interferometry, Zurich, 30.09.-02.10.96, ESA SP-406, Noordwijk BRUCKLER, L., WITONO, H., & STENGEL, P. (1988): Near surface soil moisture estimation from microwave measurements, Remote Sensing of the Environment, 26, pp. 101–121 BUCKREUSS, S. & HORN, R. (1998): E-SAR P-band SAR subsystem design RF-interference supression, in Proceedings of the International Geosience and Remote Sensing Symposium (IGARSS’98), Seattle, Washington, on CD Rom BURROUGH, P. A. & MCDONNELL, R. A. (1998): Principles of Geographic Information Systems, Oxford University Press CHAMPION, I. (1996): Simple Modelling of Radar Backscattering Coefficient over a Bare Soil: Variation with Incidence Angle, Frequency and Polarization, International Journal of Remote Sensing, 17, 4, pp. 783-800 CHAUHAN, N., O’NEILL, P., LE VINE, D., LANG, R. & KHADR, N. (1992): L-band radar scattering from grass, Proceedings of the International Geosience and Remote Sensing Symposium (IGARSS’92), 26. – 29. May 1992, Houston, Texas, pp. 1755-1757 CHAUHAN, N. S. (1997): Soil moisture estimation under a vegetation cover: combined active passive microwave remote sensing approach, International Journal of Remote Sensing, 18, 5, pp. 1079-1097 CHEN, K. S., HUANG, W. P., TSAY, D. H. & AMAR, F. (1996): Classification of multifrequency polarimetric SAR imagery using a dynamik learning neural network, IEEE Transactions on Geosience and Remote Sensing, 3, pp. 814-820 CLOUDE, S. R. &, POTTIER, E. (1997): An entropy based classification scheme for land applications of polarimetric SAR, IEEE Transactions on Geosience and Remote Sensing, 35, 1, pp. 68-78 CLOUDE, S. R. & PAPATHANASSIOU, K. P. (1998): Polarimetric SAR Interferometry, IEEE Transactions on Geosience and Remote Sensing, 5, pp. 1551-1565 Literaturliste 105 CLOUDE, S. R., FORTUNY, J., LOPEZ-SANCHEZ, J. M. & SIEBER, A. J. (1999): Wide-band polarimetric radar inversion studies for vegetation layers, IEEE Transactions on Geosience and Remote Sensing, 37, 5, pp. 2430-2441 DAAMEN, K. (1993): Das hydrologische Flußeinzugsgebietsmodell HSPF und seine Anwendung im Einzugsgebiet der Bröl, Diplomarbeit, Geographische Institute der Universität Bonn, unveröffentlicht DAWSON M. S., FUNG, A. K., MANRY, M. T. (1997): A robust statistical-based Estimator for soil moisture retrieval from radar measurements, IEEE Transactions on Geosience and Remote Sensing, 35, 1, pp. 57-67 DE GRANDI, G. F., LEMOINE, G. G., DE GROOF, H., LAVALLE, C. & SIEBER, A. J. (1994): Fully polarimetric classification of the Black Forest MAESTRO 1 AIRSAR data, International Journal of Remote Sensing, 15, 14, pp. 2755-2775 DELLPIANE, S., GUISTO, D. D., SERPICO, S. B., & VERNAZZA, G. (1991): SAR image recognition by integration of intensity and textural information, International Journal of Remote Sensing, 12, pp. 1915 – 1932 DOBSON, M. C., ULABY, F. T., & PIERCE, L. E. (1995a): Land-cover classification and estimation of terrain attributes using synthetic aperture radar, Remote Sensing of Environment, 51, pp. 199-214 DOBSON, M. C., ULABY, F. T., PIERCE, L. E., SHARIK, T. L., BERGEN, K. M., KELNDORFER, J., KENDRA, J. R., LI, E., LIN, Y. C., NASHASHIBA, A., SARABANDI, K., & SIQUERA, P. (1995b): Estimation of forestal biophysical characteristics in northern Michigan using SIR-C/X-SAR, IEEE Transactions on Geosience and Remote Sensing, 33, pp. 877-895 DOBSON, M., & ULABY, F. T. (1986): Active microwave soil moisture research. IEEE Transactions on Geosience and Remote Sensing, 24, pp. 23–36 DOBSON, C. & ULABY, F. T. (1998): Mapping soil moisture distribution with Radar, in HENDERSON, F. M. & LEWIS, A. J. (eds.) (1998): Principles and application of imaging Radar, Manual of remote Sensing, Vol. 2, pp. 407-430 DOMIK, G., LEBERL, F. & CIMINO, J. (1988): Dependence of image grey values on topography of SIR-B images, International Journal of Remote Sensing, 9, 5, pp. 1013-1022 DONG, Y., RICHARDS, J.A. & CASHMAN, J. (1995): A Model of Volume Attenuation and Backscattering by Foliage at L- and P-Bands, International Journal of Remote Sensing, 16, 7, pp. 1231-1247 DONG, Y &, FOSTER, B. (1996): Understanding of partial polarization in polarimetric SAR data. International Journal of Remote Sensing, 17, 12, pp. 2467–2475 DONG, Y., FORSTER, B. & TICEHURST, C. (1997): Radar Backscatter Analysis for Urban Environments, International Journal of Remote Sensing, 18, 6, pp. 1351-1364 DU, Y., ULABY, F. T. & DOBSON, M. C. (1999): Sensitivity to soil moisture by active and passive microwave sensors, Proceedings of the International Geosience and Remote Sensing Symposium (IGARSS'99), Hamburg, Germany, on CD-Rom DUBOIS, P. C., VAN ZYL, J., & ENGMAN, T. (1995): Measuring soil moisture with imaging radars, IEEE Transactions on Geosience Remote Sensing, 4, pp. 915-926 DYCK, S. & PESCHKE, G. (1982): Grundlagen der Hydrologie, Berlin Literaturliste 106 ENGMAN, E. T. & GURNEY, R. J. (1991): Remote sensing in Hydrology, London, Chapman and Hall ENGMAN, E. T., & CHAUHAN, N. (1995): Status of microwave soil moisture measurements with remote sensing. Remote Sensing of Environment, 51, pp. 189-198 ENTEKHABI, D., NAKAMURA, H. & NJOKU (1994): Solving the inverse problem for soil moisture and temperature profiles by sequentional assimilation of multifrequency remotely sensed observations, IEEE Transactions on Geosience Remote Sensing, 2, pp. 438-448 ENTEKHABI, D., RODRIGEZ-ITURBE, I., & CASTELLI, F. (1996) Mutual interaction of soil moisture state and atmospheric processes, Journal of Hydrology, 184, pp. 3-17 EVANS, D. A., FARR, T. G., VAN ZYL, J. J. & ZEBKER, H. A. (1988): Radar polarimetry: analysis tools and application. IEEE Transactions on Geosience and Remote Sensing, 26 , pp. 774-798 FERRAZZOLI, P., PALOSCIA, S., PAMPALONI, P., SCHIAVON, G., SOLOMINI, D., & COPPO, P. (1992): Sensitivity of microwave measurements to vegetation biomass and soil moisture content: a case study. IEEE Transactions on Geosience and Remote Sensing, 30, 4, pp. 750-756 FERRAZZOLI, P., PALOSCIA, S., PAMPALONI, P., SCHIAVON, G., SOLOMINI, D., & Sigismondi, S., (1997): The potential of multifrequency polarimetric SAR in assessing agricultural and arboreous biomass. IEEE Transactions on Geosience and Remote Sensing, 35, 1, pp. 517 FLOURY, N. LE TOAN, T. & SOUYRIS J.-C. (1996): Interferometry for Forest Studies. in Proceedings of the ERS SAR Interferometry Workshop FRINGE, Zürich FLÜGEL, W. A. (1979): Untersuchungen zum Problem des Interflow, Heidelberger Geographische Arbeiten, Heft 56 FLÜGEL, W. A. (1995): Delineating hydrological Response units by Geographical Information Systems analysis for regional hydrological modelling using PRMS/MMS in the drainage basin of the river Broel, Germany, Hydrological Processes, 9, 423 - 436 FLÜGEL, W.A. (1996): Hydrological Response Units (HRU’s) as Modelling Entities for Hydrological River Basin Simulation and their Methodological Potential for Modelling Complex Environmental Process Systems – Results from the Sieg Catchment. – Die Erde, 127, pp. 43-62 FLÜGEL, W. A. (1999): Untersuchung und Modellierung der reliefgesteuerten Hangentwässerung im Mittelgebirgs-Einzugsgebiet der Bröl (Rheinisches Schiefergebirge), Abschlussbericht zum DFG Forschungsprojekt Fl 141/6-3 und Fl 141/6-4, 56 S. FLÜGEL, W. A., KRAWULSKI, T. & SMITH, R. E. (1997): Integrated process studies to simulate hillslope hydrology and interflow dynamics using the HILLS model, in MODSIM’97 International Congress on Modelling and Simulation, pp. 572-577 FLÜGEL, W. A. & LÜLLWITZ, T. (1993): Using a distributed model with GIS and comparitive hydrological modelling of micro- and mesoscale catchments in the USA and Germany, in Proceedings of the Symposium of Macroscale Modelling of the Hydrosphere, IAHS publications 214. FLÜGEL, W. A. & SMITH, R. E. (1999): Integrated process studies and modelling simulations of Literaturliste 107 hillslope hydrology and interflow dynamics using the HILLS model, in Environmental Modelling and Software, 14, pp. 153-160 FREEMAN, A., VILLASENOR, J., KLEIN, J. D., HOOGEBOOM, P., GROOT, J. (1994): On the use of multifrequency and polarimetric radar backscatter features for classification of agricultural crops, International Journal of Remote Sensing, 15, 9, pp. 1799-1812 FROST, V. S., STILES, J., SHANMUGAN, J. & HOLTZMAN, J. (1982): A model for radar imges and its application to adaptive digital filtering of multiplicative noise, IEEE Transcations on Pattern Analysis and Machine Intelligence, 4, 2, pp. 157-166 FUNG, A.K., LI, Z. & CHEN, K.Z. (1992): Backscattering from a Randomly Rough Dielectric Surface, IEEE Transactions on Geoscience and Remote Sensing, 30, 2, pp. 356-369 GEORGAKAKOS, K. P. & BAUMER, O. W., (1996): Measurement and utilization of on site soil moisture data, Journal of Hydrology, 184, pp. 131-152 GOODENOUGH, D. G., DEGUISE, J. C. & ROBSON, M. A. (1990): Multiple expert systems for using digital terrain models, in Proceedings of the International Geosience and Remote Sensing Symposium (IGARSS’90), Washington DC, p. 961 GOYAL, S. K., SEYFRIED, M. S. & O‘NEILL, P. E. (1998): Effect of Digital Elevation Model resolution on topographic correction of airborne SAR, in International Journal of Remote sensing, 19, 16, pp. 3075-3096 GOYAL, S. K., SEYFRIED, M. S. & O‘NEILL, P. E. (1999): Correction of surface roughness and topographic effects on airborne SAR in mountainous rangeland areas, in Remote Sensing of Environment, 67, pp. 124-136 GRAYSON, R. B. & WESTERN, A. W.(1998): Towards areal estimation of soil water content from point measurements: time and space stability of mean response. Journal of Hydrology, 207, pp. 68 - 82 GREEN, R. M. (1998): Relationship between polarimetric SAR backscatter and forest canopy and sub-canopy biophysical proporties, International Journal of Remote Sensing, 19, 12, pp. 2395–2412 HABERMEYER, M. & SCHMULLIUS, C. C. (1997): Ein Algorithmus zur wissensbasierten Klassifikation multitemporaler Fernerkundungsdaten, Photogrammetrie, Fernerkundung, Geoinformation, 5, pp. 313-323 HAEFNER, H. & PAMPALONI, P. (1992): Water Ressources, in International Journal of Remote Sensing, 13, 6+7, pp. 1277-1303 HAGG, W. & STIES, M. (1996): Bundesweite Landnutzungskartierung mit ERS-1 SAR –Bilddaten, Abschlußbericht, Universität Karlsruhe HALL, F., TOWNSHEND, J., & ENGMAN, T. (1995): Status of remote sensing algorithms for estimation of land surface state parameters, Remote Sensing of Environment, 51, pp. 138-156 HALLIKAINEN, M. T., ULABY, F. T., DOBSON, M. C., EL-RAYES, M. A., & WU, L. K. (1985): Microwave Dielectric Behavior of wet soil – Part 1: Empirical models and experimental observations. IEEE Transactions on Geosience Remote Sensing, 1, pp. 25–34 HAJNSEK, I., ERGENZINGER, P. & SCHMULLIUS, C. (1998): Flood-plain mapping with multi- Literaturliste 108 frequency and multi-polarisation airborne-radar data (DLR E-SAR), in Proceedings of the International Geosience and Remote Sensing Symposium (IGARSS’98), Seattle, Washington, on CD Rom HAJNSEK, I., BUSCHE, T., ERGENZINGER, P. & SCHMULLIUS, C. (1999a): Determination of hydrological parameters using airborne radar data (DLR E-SAR), in Proceedings of the International Geosience and Remote Sensing Symposium (IGARSS’99), Hamburg, Germany, on CD Rom HAJNSEK, I., PAPPATHANASSIUO K. P., REIGBER, A. & CLOUDE, S. R. (1999b): Soil-moisture estimation using polarimetric SAR data, in Proceedings of the International Geosience and Remote Sensing Symposium (IGARSS’99), Hamburg, Germany, on CD Rom HARALICK, R. M., SHANMUGAM, K. & DINSTEIN, I. (1973): Textural features for image classification, IEEE Transactions on Systems, Man and Cybernetics, 3, pp. 610 - 621 HILL, M. J., DONALD, G. E. & VICKERY, P. J. (1999): Relating radar backscatter to biophysical properties of temperate perennial grassland, Remote Sensing of Environment, 67, pp. 1531 HELLMANN, M., CLOUDE, S. R. & PAPATHANASSIOU, K. P. (1997): Interpretation of SAR-Data using polarimetric and interferometric techniques, in Proceedings of SPIE 1997, San Diego HELMSCHROT, J. (1999): Íntegration von Fernerkundung und empirischer Geländeaufnahme zur Parameterisierung physiogeographischer Faktoren für die distributive hydrologische Modellierung. Eine Fallstudie im semiariden Einzugsgebiet des Umzimvubu, Ostkap Provinz, Südafrika, Diplomarbeit am Geographischen Institut der Friedrich-SchillerUniversität Jena, unveröffentlicht HENDERSON, F. M. & XIA, Z. G. (1998): Radar applications in urban analysis, settlement detection and population estimation, in HENDERSON, F. M. & LEWIS, A. J. (eds.) (1998): Principles and application of imaging Radar, Manual of remote Sensing, Vol. 2, pp. 733-768 HENEBRY, G.M. (1997): Advantages of Principal Components Analysis for Land Cover Segmentation from SAR Image Series, in Proceedings of the Third ERS Symposium, Florence, 1997 HILDEBRAND, G. (1996): Fernerkundung und Luftbildmessung für Forstwirtschaft, Vegetationskartierung und Landschaftsökologie, Heidelberg HOCHSCHILD, V. (1995): Geomorphologische Kartierung und Untersuchung der Auftaudynamik mit ERS-1-SAR-Daten im Bereich der Antarktischen Halbinsel, Bremer Beiträge zur Geographie und Raumplanung, Heft 28 HOCHSCHILD, V. (1999): Parameterization of Hydrological Models: The Contribution of Remote Sensing to Water Resources Management. – Proceedings of the MODSIM’99, International Congress on Modelling and Simulation, 06.-09.12.99, Hamilton, New Zealand HOEKMAN, D. H. & QUINTONES, M. J. (1998): Land cover type and biomass classification using AirSAR data for evaluation of monitoring scenarios in the Colobian Amazon, in Literaturliste 109 Proceedings of the 2nd International Workshop on Retrieval of Bio- and Geo-physical Parameters from SAR Data for Land Applications, ESTEC Noorwijk, NL HORN, R. (1996): The DLR Airborne SAR Project E-SAR, http://www.dlr.de/NEHF/projects/ESAR/igars96_scheiber.html, Version September 1999 HORN, R., Schreiber, R., Buckreuss, S., Zink, M. & Moreira, A. (1999): E-SAR generates Level-3 products for ProSmart, in Proceedings of the International Geosience and Remote Sensing Symposium (IGARSS’99), Hamburg, Germany, on CD Rom HOUSER, P. R. (1996): Remote sensing soil moisture using four dimensional data assimilation, Dissertation, University of Arizona ICHOKU, C., KARNELLI, A., ARKIN, Y., CHOROWICZ, J., FLEURY, T., & RUDANY, J.-P. (1998): Exploring the utility potential of SAR interferometric coherence images. International Journal of Remote Sensing, 19, 6 ,pp. 1147 – 1160 IMHOFF, M. L. (1995): A theoretical analysis of the effect of structure on synthetic aperture radar backscatter and the remote sensing of biomass, IEEE Transactions on Geosience and Remote Sensing, 33, pp. 341–352 ITTEN, K. L., MEYER, P. KELLENBERGER, T., LEU, R., SANDMEIER, ST., BITTER, P. & SEIDEL, K. (1992): Correction of the impact of topography and atmosphere on Landsat TM forest mapping of alpine regions, Remote Sensing series, Vol. 18, Department of Geography, University of Zürich, pp. 48 JACKSON, T. J. & O’NEILL, P. E. (1985): Aircraft scatterometer observations of soil moisture on rangeland watersheds, International Journal of Remote Sensing, 6, pp. 1135-1152 KACHANOWSKI, R. G. & DE JONG, E. (1988): Scale dependence and the temporal persitence of spatial patterns of soil water storage, Water Resources Research, 24, 1, pp. 85-91 KALMA, J. D., BATES, B. C. WOODS, R. A. (1995): Predicting catchment scale soil moisture status with limited field measurements, Hydrological Processes, 9, pp. 445-467 KASCHINKE, E. S., BOURGEAU-CHAVEZ, L. L. & CHRISTENSEN, N. L. JR. (1995): Correlating radar backscatter with components of biomass in Loblolly pine forest. IEEE Transactions on Geosience Remote Sensing, 33, pp. 643–659 KATTENBORN G. ET AL. (1993): High Resolution Detection and Monitoring of Changes Using ERS-1 Time Series, in Proceedings of the Second ERS-1 Symposium Hamburg, pp. 635642 KELLNDORFER, J. M., XIE, H., ULABY, F. T. & DOBSON, M. C. (1998): Combined multi-temporal ERS-1/JERS-1 imagery for land-cover classification, in Proceedings of the International Geosience and Remote Sensing Symposium (IGARSS’98), Seattle, Washington, on CD Rom KIMES, D. S., NELSON, R. F., MANRY, M. T., & FUNG, A. K. (1998): Attributes of neural networks for extracting continuous vegetation variables, from optical and radar measurements. International Journal of Remote Sensing, 19, 14, pp. 2639-2663 KLENKE, M. (1998): Using Backscatter and Coherence Information from Air- and Spaceborne SAR for the Delineation of Hydrological Response Units in a Mesoscale Catchment in Literaturliste 110 Germany. - Proceedings of the 27th International Symposium on Remote Sensing of Environment, 08.06. - 12.06.98, Tromsø, Norway, pp. 316 - 319 KLENKE, M. (1999): GIS-gestützte Landnutzungsklassifikationen auf Grundlage von Daten passiver und aktiver Fernerkundungssensoren zur distributiven Flußeinzugsgebietsmodellierung. Jenaer Geographische Schriften, Band 8 KLENKE, M. & HOCHSCHILD, V. (1999): Reducing the Radiometric Terrain Effect in SAR Imagery by Means of Principal Components Analysis. - Proceedings of the IGARSS'99 - Vol.II, 28.06. - 02.07.99, Germany, pp. 1288 - 1290 KRONBERG, P. (1985): Fernerkundung der Erde, Stuttgart LECKIE, D. G. & RANSON, K. J. (1998): Forestry applications using imaging Radar, in HENDERSON, F. M. & LEWIS, A. J. (eds.) 1998: Principles and application of imaging Radar, Manual of remote Sensing, Vol. 2, pp. 435-510 LE TOAN, T., BEAUDOIN, A., RIOM, J., & GUYON, D. (1992): Relating forest biomass to SAR data. IEEE Transactions on Geosience and Remote Sensing, 30, pp. 403–411 LE TOAN, T. SMACCHIA, P., SOUYRIS, BEAUDOIN, A., MERDAS, M., WOODING, M. & LICHTENEGER, J. (1993): The retrieval of soil moisture from ERS-1 data, in Space at the service our environment, Second ERS-1 Symosium, Hamburg 1993, pp. 883-892 LE TOAN, T., DAVIDSON, M., BODERIES, P. CHENERIE, I., MATTIA, F., MANNINEN T. & BORGEAUD, M. (1998): Improved oberservations and modelling of bare surfaces for soil moisture retrieval, in Proceedings of the International Geosience and Remote Sensing Symposium (IGARSS’98), Seattle, Washington, on CD Rom LEAVSLEY, G. H., LICHTY, R. W., TROUTMAN, B. M. & SAINDON, L. G. (1983): PrecipitationRunoff Modeling System (PRMS): User manual, USGS Water Resources Investigations Report 83-4238, Denver, CO, USA LEE, J. S. & HOPPEL, K. (1992): Principal component transformation of multifrequency polarimetric SAR imagery, IEEE Transactions on Geosience and Remote Sensing, 32, pp. 1017–1028 LEWIS, A. J., HENDERSON, F. M. & HOLCOMB, D. W. (1998): Radar fundamentals: The Geosience perspective, in HENDERSON, F. M. & LEWIS, A. J. (eds.) (1998): Principles and application of imaging Radar, Manual of Remote Sensing, Vol. 2, pp. 131 - 182 LI, W., BENIE, B., HE, D.-C., WANG, S., ZIOU, D. & GWYN, Q. H. J. (1998): Classification of SAR images using morphological texture features, in International Journal of Remote Sensing, 19, 17, pp. 3399-3410 LILLESAND, T.M. & KIEFER, R.W. (1994): Remote Sensing and Image Interpretation, John Wiley & Sons, New York, third edition LIN, D. S., WOOD, E. F., BEVEN, K. & SAATCHI, S. (1994): Soil moisture estimetion over grasscovered using AIRSAR, International Journal of Remote Sensing, 15, 11, pp. 2323-2343 LO, C. P. (1998): Applications of imaging radar to land use and land cover mapping, in HENDERSON, F. M. & LEWIS, A. J. (eds.) 1998: Principles and application of imaging Radar, Manual of Remote Sensing, Vol. 2, pp. 705-732 LOAGUE, K. (1992): Soil water content at R-5, Part 1, Spatial and temporal variability, Journal of Hydrology, 139, 233 - 251 Literaturliste 111 LÖFFLER, E. (1994): Geographie und Fernerkundung, Teubner Verlag , Stuttgart LUCKMAN, A. (1998a): Correction of SAR imagery for variation in pixel scattering arae caused by topography, in IEEE Transactions on Geoscience and Remote Sensing, 36, 1, pp. 344350 LUCKMAN, A. (1998b): The effects of topography on mechanisms of radar backscatter from coniferous forest and upland pasture, IEEE Transactions on Geoscience and Remote Sensing, 36, 5, pp. 1830-1834 LUDWIG, R., LAMPART, G. & MAUSER, W. (1998): The determination of hydrological model parameters from airborne interferometric SAR-data, in Proceedings of the International Geosience and Remote Sensing Symposium (IGARSS’98), Seattle, Washington, on CD Rom MAIDMENT, D. R. (1996): GIS and hydrologic modelling – an assessment of progress, in Proceedings of the Third International Conference on GIS and EnvironmentalModeling, Santa Fe, NM, January 1996, http://www.ncgia.ucsb.edu/conf/SANTA_FE MÄRKER, M (1996): Bodenchemische und bodenphysikalische Untersuchungen an ausgewählten Hangstandorten als Mittel für die Interpretation der reliefgesteuerten Hangwasserdynamik, Diplomarbeit, Geographische Institute der Universität Bonn, unveröffentlicht MASSONET, D. (1996): Tracking the earth‘s surface at the centimetre level: an introduction to radar interferometry, Nature and Ressources, 32, 4, pp. 20-29 MATTIKALLI, N. M., ENGMAN E. T., AHUJA, L. R. & JACKSON, T. J. (1997): Microwave Remote Sensing of soil moisture for estimation of profile soil property, International Journal of Remote Sensing, 19, 9, pp. 1751-1767 MAUSER, W., BACH, H., DEMICRAN, A. EIBL, B., RIEGLER, G. & SCHNEIDER, K. (1997): The Contribution of Microwave Data to Distributes Hydrologic Modeling, in Proceedings of the Third ERS Symposium, Florence, 1997 MAUSER, W., BACH, H., STRASSER, U. & SCHNEIDER, K. (1998): The contribution of Remote Sensing data to distributed hydrologic modelling, in Proceedings of the 27th International Symposium on Remote Sensing of Environment, Tromsoe, Norway, pp. 295-299 MEIJERINK, A.M., DE BROUWER, H.A.M., MANNAERTS, C.M. & VALENZUELA, C.R. (1994): Introduction to the use of Geographic Information Systems for practical hydrology. ITC-Publ. No. 23, 243 p. MICHL, C. (1999): Prozessorientierte Modellierung des Wasserhaushalts zweier Quelleinzugsgebiete im Thüringer Wald, Dissertation, Institut fuer Geographie der Friedrich-Schiller Universität Jena. NEUSCH, T. & STIES, M. (1998): Experiments with Multi-frequency and Multi-polarization SAR Data for Hydrological Parameter Modelling, in Proceedings of the ISPRS Symposium Resource and Environmental Monitoring Budapest 1998, pp. 549-554 NEUSCH, T. & STIES, M. (1999): Application of the Dubois-model using experimental synthetic aperture radar for the determination of soil moisture and surface roughness, ISPRS Journal of Photogrammetry & Remote Sensing, 54, pp. 273-278 NEZRY, E. ET AL. (1998): Control systems principles applied to speckle Filtering and to the retrieval of geophysical parameters through Radarsat and ERS Bayesian sata fusion, in Literaturliste 112 Proceedings of the Second International Conference Fusion of Earth data, Sophia Antipolis 1998. NOERNBERG, M. A., NOVO, E. M. & KRUG, T. (1999): The use of biophysical indizes and coefficient of variation from airborne synthetic aperture radar for monitoring the sread of aquatic vegetation in tropical reservoirs, International Journal of Remote Sensing, 20, 1, pp. 67-82 O‘NEILL, P. E., CHAUHAN, N. S. & JACKSON, T. J. (1996): Use of active and passive microwave Remote Sensing for soil moisture estimation through corn. International Journal of Remote Sensing, 10, pp. 1851-1865 OH, Y., SARABANDI, K., & ULABY. F. T. (1992): An empirical model and an iversion techniques for radar scattering from bare soils, IEEE Transactions on Geosience and Remote Sensing, 30, pp. 370-381 PALOSCIA, S. (1998): An empirical approach to estimating leaf area index from multifrequency SAR data, International Journal of Remote Sensing, 19, 2, pp. 359-364 PALUBINSKAS, G. (1996): Classification of agricultural crops using SPOT HRV and ERS-1 SAR data in the test site Ostalb (South Germany), in Zeitschrift für Photogrammetrie und Fernerkundung, 5, pp. 155-162 PAMPALONI, P., MACELLONI, G., PALOSCIA, S. & SIGISMONDI, S. (1997a): ERS-1 sensitivity to hydrological parameters: A comparison with SIR-C and AIRSAR data, in Proceedings of the Third ERS Symposium, Florence PAMPALONI, P., MACELLONI, G., PALOSCIA, S. & SIGISMONDI, S. (1997b): The potential of C- and L-Band SAR in assessing vegetation biomass: the ERS-1 and JERS-1 experiments, in Proceedings of the Third ERS Symposium, Florence PEARCY, R. L., EHRLINGER, J. R., MOONAY, H. A. & RUNDEL, P. W. (eds.) (1989): Plant physiological ecology, field methods and instruments, London PREVOT, L., DECHAMBRE, M., TACONET, O., VIDAL-MADJAR, D., NORMAND, M., & GALLE, S. (1993): Estimation the characteristics of vegetation canopies with the airborne radar measurements, International Journal of Remote Sensing, 14, 15, pp. 2803 - 2818 QUINN, P. BEVEN, K., CHEVALLIER, P. & PLANCHON, O. (1993): The prediction of hillslope flow paths for distributed hydrological modelling using Digital Terrain Models, in BEVEN, K. J., & MOORE, I. D. (1993): Terrain analysis and distributed Modelling in Hydrology, pp. 7-34 RANEY, K. R. (1998): Radar fundamentals: Technical perspective, in HENDERSON, F. M. & LEWIS, A. J. (eds.) (1998): Principles and application of imaging Radar, Manual of Remote Sensing, Vol. 2, pp. 9-130 RANSON, K. J., & SUN, G. (1994): Mapping biomass of a northern forest using multifrequency SAR data. IEEE Transactions on Geosience and Remote Sensing, 32, pp. 388–396 RANSON, J., SAATSCHI, S., & SUN, G. (1995): Boreal ecosystem characterization with SIR-C/XSAR. IEEE Transactions on Geosience and Remote Sensing, 33, pp. 867-876 RANSON, K. J., SUN, G., WEISHAMPEL, J. F., & KNOX, R. G. (1997): Forest biomass from combined ecosystem and radar backscatter modeling. Remote Sensing of the Literaturliste 113 environment, 59, pp. 118–133 RODRIGUEZ-ITURBE, I., VOGEL, G., RIGON, R., ENTEKHABI, D., CASTELLI, F., & RINALDO, A. (1995): On the special organisation of soil moisture fields. Geophysical Research letters, 22, pp. 2757-2760 ROMBACH, M & MAUSER, W. (1997): Multi-annual analysis of ERS surface soil moisture of different land uses, in Proceedings of the third ERS-Symposium, Florence, Italy SAATCHI, S. S., LE VINE, D. M. & LANG, R. H. (1994): Microwave backscattering and Emission model for grass canopies, IEEE Transactions on Geosience and Remote Sensing, 1, pp. 177-186 SANSOSTI, E., LANARI, R., FORNARO, G., FRANCESCHETTI, G., TESAURO, M., PUGLISI, P. & COLTELLI, M. (1999): Digital elevation model generation using ascending and descending ERS-1/ERS-2 tandem data, International Journal of Remote Sensing, 20, pp. 1527-1547 SCHEFFER. F. & SCHACHTSCHABEL P. (1998): Lehrbuch der Bodenkunde, Stuttgart SCHMULLIUS, C. C. (1992): Radarfernerkundung landwirtschaftlicher Flächen mit einem flugzeuggetragenen L-, C- und X-Band Scatterometer, Berliner Geowissenschaftliche Abhandlungen, Reihe D, Band 3, pp. 111 SCHMULLIUS, C. C., & EVANS, D. L. (1997): Synthetic aperture radar (SAR) frequency and polarisation requirements for applications in ecology, geology, hydrology and oceanography: a tabular status quo after SIR-C/X-SAR, International Journal of Remote Sensing, 18, 13, pp. 2713-2722 SCHMULLIUS, C. C. & FURRER, R. (1992a): Some critical remarks on the use of C-Band radar data for soil moisture detection, International Journal of Remote Sensing, 13, 17, pp. 33873390 SCHMULLIUS, C. C. & FURRER, R. (1992b): Frequency dependence of radar backscattering under different moisture conditions of vegetation-covered soil, International Journal of Remote Sensing,13, 12, pp. 2233-2245 SCHMULLIUS, C. C. & NITHAK, J. (1996): Crop monitoring with multitemporal airborne DLR ESAR images, Proceedings International Geosience and Remote Sensing Symposium (IGARSS’95), Florence, Italy, 10 – 14 July 1995, vol. 1 (Picataway, NJ), pp. 719-721 SCHMULLIUS, C. C., NITHAK, J. & KERN, M. (1994): Comparison of multitemporal ERS – 1 and airborne DLR E-SAR image data for crop monitoring, Proceedings Second ERS-1 Symposium, Hamburg, Germany, Oct. 1993, ESA SP-361 SCHMULLIUS, C. C. & SCHRAGE, T. (1998): Classification, crop parameter estimation and synergy effects using air DLR E-SAR and Daedalus images, in Proceedings of the International Geosience and Remote Sensing Symposium (IGARSS’98), Seattle, Washington, on CD Rom SCHOLES, R. J. & SAVAGE, M. J. (eds.) (1989): Studying water in the soil-plant-atmosphere continuum: a bibliographic guide to techniques, South African National Scientific Programmes Report No. 163 SCHREIBER, R. (1998): Along and across track single pass interferometry using the E-SAR System, in Proceedings of the International Geosience and Remote Sensing Symposium Literaturliste 114 (IGARSS’98), Seattle, Washington, on CD Rom SCHULTZ, J. (1995): Die Ökozonen der Erde, UTB, Ulmer, Stuttgart SCHULZE, R. E. (1991): Hydrological models, Pietermaritzburg, RSA, unveroeffentlicht SCHULZE, R. E. (1995): Hydrology and agrohydrology: a text to accompany the ACRU 3.0 Agrohydrological Systems, Water Research Commission, Pretoria SCHWAEBISCH, M. (1997): SAR-Interferoemtrie: Technik, Anwendungen, Perspektiven, Zeitschrift für Photogrammetrie und Fernerkundung, 1, pp. 22-29 SHI, J., WANG, J. HSU, A. Y., O‘NEILL, P. & ENGMAN, T. (1997): Estimation of bare surface soil moisture and surface roughness parameter using L-band SAR image data, in IEEE Transactions on Geosience and Remote Sensing, 35, 5, pp. 1254-1265 SHI, J. & VAN ZYL, J. (1998) On the improvement of bare surface soil moisture estimation, , in Proceedings of the International Geosience and Remote Sensing Symposium (IGARSS’98), Seattle, Washington, on CD Rom SINGH, V. P. (ed.) (1995): Computer models of watershed hydrology, Water Ressources Publications SKRIVER, H., THOUGARD SVENDSEN, M. & THOMSON, A. G. (1999): Multitemporal C- and L-Band polarimetric signatures of crops, in IEEE Transactions on Geosience and Remote Sensing, 37, 5, pp. 2413-2429 SMITH, A. J. E., VAN DEN BROEK, A. C. & DEKKER, R. J. (1998): Landuse classification using PHARUS polarimetric SAR, in Proceedings of the 2nd International Workshop on Retrieval of Bio- and Geo-physical Parameters from SAR Data for Land Applications, ESTEC Noorwijk, NL SOLBERG, A. H. S., JAIN, A. K. & TAXT, T. (1994): Multisource classification of remotely sensed data: Fusion of Landsat TM and SAR images, in , IEEE Transactions on Geosience and Remote Sensing, 4, pp. 768-778 STAUDENRAUSCH, H., FLUEGEL, W. A., RANCHIN, T., HERLIN, I., RUDOLFI, G., CLARK, M., SCHULZE, R. E. KING, N., TEVERA, D. & MATONDO, J. (1999): The development of an innovative computer based „Integrated Water Resources Management System“ for semiarid catchments: concepts and first results, in Zbl. Geol. Palaeont. Teil I, Heft 3-4, pp. 189-212 STIES, M. & HAGG, W. (1999): Verarbeitung und Klassifizierung von SAR-Satellitenbilddaten, in ALBERTZ, J. & DECH, S. (1999): Proceedings der 18. Wissenschaftlich-Technischen Jahrestagung der DGPF, München 1998, pp. 409-418 STRASSER, G., SCHNEIDER, K. & MAUSER, W. (1999): The use of ERS SAR data derived soil moisture distributions for SVAT-Model validation, in Proceedings of the International Geosience and Remote Sensing Symposium (IGARSS’99), Hamburg, Germany, on CD Rom SU, Z., TROCH, P. A., & DE TROCH, F. P. (1997): Remote Sensing of bare soil moisture using EMAC/ESAR data. International Journal of Remote Sensing, 18, 10, pp. 2105-2124 SUN, G., & RANSON, K. J. (1998): Radar modelling of forest spatial patterns. International Journal of Remote Sensing, 19, 9, pp. 1769-1791 TACONET, O., BENALLEGUE, M., VIDAL-MADJAR, D., PREVOT, L., DECHAMBRE, M., & NORMAND, M. (1994): Estimation of soil and crop parameters for wheat from airborne radar Literaturliste 115 backscattering data in C and X bands. Remote Sensing of Environment, 50, pp. 287-294 TACONET, O., VIDAL-MADJAR, D., EMBLANCH, CH. & NORMAND, M. (1996): Taking into account vegetation effects to estimate soil moisture from C-band radar measurements, Remote Sensing of Environment, 56, pp. 52-56 TAYLER, G. R., MAH, A. H., KRUSE, F. A., KIEREIN-YOUNG, K. S., HEWSON, R. D., BENNETT, B. A., (1996): The extraction of soil dielectric properties from AIRSAR data. International Journal of Remote Sensing, 17, 3, pp. 501-512 TODD, S. W., HOFER, R. M. & MILCHUNAS, D. G. (1998): Biomass estimation of grazed and ungrazed rangelands using spectral indices, International Journal of Remote Sensing, 19, 3, pp. 427-438 TROCH, P. A., DE TROCH, F. F., GRAYSON, R., WESTERN, A., DERAUW, D. & BARBIER, CH. (1997): Spatial organization of hydrological processes in small catchments derived advanced SAR image processing – field work and preliminary results, in Proceedings of the third ERSSymposium, Florence, Italy ULABY, F. (1998): SAR Biophysical Retrievals: Lessons learned and Challenges to Overcome, in Proceedings of the 2. International Workshop on Retrieval of Bio- and Geo-Physical Parameters from SAR Data for Land Applications, ESTEC, Noorwijk 1998 ULABY, F. T., DUBOIS, P. C., VAN ZYL, J. (1996): Radar mapping of surface soil moisture. Journal of Hydrology, 184, pp. 57-84 ULABY, F. T., MOORE, R. K., FUNG, A. K. (1981): Microwave Remote Sensing – Active and Passive, Vol. I: Microwave Remote Sensing Fundamentals and Radiometrie. Norwood ULABY, F. T., MOORE, R. K., FUNG, A. K. (1982): Microwave Remote Sensing – Active and Passive, Vol. II: Radar Remote Sensing and Surface Scattering and Emission Theory. Norwood ULABY, F. T., MOORE, R. K., FUNG, A. K. (1986): Microwave Remote Sensing – Active and Passive, Vol. III: From Theory to Applications. Norwood ULABY, F. T., ALLEN, C. T., EGER, G., & KANEMASU, E. (1984): Relating microwave backscatter coefficients to leaf area index, Remote Sensing of the Environment, 14, pp. 113–133 ULABY, F. T., SARABANDI, K., MC DONALD, K., WHITT, M. & DOBSON, M. C. (1990): Michigan Microwave Canopy Scattering Model, International Journal of Remote Sensing, 11, 7, pp. 1223-1253 ULANDER, L. M. H. (1996): Radiometric slope correction of Synthetic-Aperture Radar images, IEEE Transactions on Geoscience and Remote Sensing, 34, 5, pp. 1115-1122 VAN ZYL, J. J. (1993): The effect of topography on radar scattering from vegetated areas. IEEE Transactions on Geosience and Remote Sensing, 21, pp. 153–160 VERHOEST, N. E. C., TROCH, P. A., PANICONI, C. & DE TROCH, F. P. (1998): On the retrieval of bio-physical parameters from multi-temporal series of ERS-SAR PRI images, Proceedings of the 2nd International Workshop on Retrieval of Bio- and Geo-physical Parameters from SAR Data for Land Applications, ESTEC Noorwijk, NL WANG, Y. & DAVIS; F. W. (1997): Decomposition of polarimetric synthetic aperture radar backscatter from upland and flooded forests, International Journal of Remote Sensing, 18, 6, 1319 - 1332 Literaturliste 116 WANG, Y. & DONG, D. (1997): Retrieving forest stand parameters from SAR backscatter data using a neural network trained by a canopy backscatter model. International Journal of Remote Sensing, 18, 4, pp. 981–989 WEIMANN, A. (1996): Bestimmung der Bodenfeuchte mittels aktiver Mikrowellensensoren. Dissertation am Fachbereich Geowissenschaften, Freie Universität Berlin WESTERN, A. W., GRAYSON, R. B., BLÖSCHL, G., WILLGOOSE, G. R., & MC MAHON, T. A. (1998a): Observed spatial organisation of soil moisture and its relation to terrain indices, Water Resources Research, 35, 3, pp. 797-810 WESTERN, A. W., BLÖSCHL, G. & GRAYSON, R. B. (1998b): Geostatistical characterization of soil moisture patterns in the Tarrawarra catchment, Journal of Hydrology, 205, pp. 20-37 WESTERN, A. W. & BLÖSCHL, G. (1999): On the spatial scaling of soil moisture, Journal of Hydrology, 217, pp. 203-224 WEVER, T. & BODECHTEL, J. (1994): Simulation eines mehrfrequenten X-SAR/SIR-C Bildes aus Flugzeugdaten für die Erfassung der Landnutzung., Zeitschrift für Photogrammetrie und Fernerkundung, 62, 2, pp. 72-75 WOHLRAB, B., ERNSTBERGER, H., MEUSER, A. & SOKOLLEK, V. (1995): Landschaftswasserhaushalt, Paul Parey, Hamburg WOLOCK, D. M. & PRICE, C. V. (1994): Effects of digital elevation model scale and data resolution on a topography-based watershed model, Water Resources Research, 30, 11, pp. 30413052 ZHANG, L., DAWES, W. R., HATTON, T. J., REECE, P. H., BEALE, G. T. H. & PACKER, I. (1999): Estimation of soil moisture and groundwater recharge using the TPOG_IRM model, Water Ressources Research, 35, 1, pp. 149-161 ZHANG, W. & MONTGOMERY, D. R. (1994): Digital elevation model grid size, landscape representation and hydrologic simulations, Water Resources Research, 30, 4, pp. 10191028