"Ableitung Hydrologischer Parameter aus multifrequenten und

Transcrição

"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.
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).
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).
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
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.
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).
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).
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
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).
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.
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
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
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).
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,
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
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).
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.
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
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
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
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:
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.
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
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.
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-
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
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
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
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
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
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
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
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
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
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.
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).
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.
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).
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.
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
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.
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)
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)
-10
35
65
40
45
50
55
60
65
70
-5
30
60
-10
65
0
-25
55
-5
-20
50
LHV Rückstreuung (dB)
45
60
65
-5
-10
-15
-20
-25
y = 0,0546x - 16
-30
35
40
45
50
55
60
65
70
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).
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
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
65
60
65
60
65
-30
-35
-40
35
-20
55
60
40
45
50
55
-15
50
55
-25
75
-10
45
50
y = 0,1481x - 38,907
-20
-30
45
70
75
-15
-20
-25
-30
-35
y = -0,051x - 17,457
-40
35
40
45
50
55
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).
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
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
-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
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
-10
-15
-20
-25
b) y = 0,1078x - 21,203
-30
30
40
50
60
70
80
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
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.
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.
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.
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.
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
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
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
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).
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
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
Mais
3,5
4
Grünland, unbewirt.
Abb. 23: Vergleich zwischen den Geländemeßwerten von Vegetationsparametern verschiedener
Grünlandarten.
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.
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
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
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
-5
-10
-15
-20
-25
-30
Grünland gemäht
Weideland
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)
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
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
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
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
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
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
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)
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
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)
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
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
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
-5
c) LVV R = 0,76
-10
1,5
2
2,5
3
3,5
4
3,5
4
-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
3,5
4
0
0,5
1
1,5
2
2,5
3
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
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
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
-22,5
-25
-27,5
-30
0
20
40
60
80
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
Feuchte Biomasse (kg/m²)
-17,5
1,25
-17,5
1
100
120
-5
-7,5
-10
-12,5
-15
-17,5
-20
0
20
40
60
80
100
120
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.
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
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.
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
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
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
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
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
Passive, Vol. II: Radar Remote Sensing and Surface Scattering and Emission Theory.
Norwood
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

"Ableitung Hydrologischer Parameter aus multifrequenten und

Transcrição

Documentos relacionados

Die in Zusammenarbeit mit der Fa. KLUG

Beispielsammlung – DC/DC Konverter – Grundstrukturen

Technische Unterstützungssysteme im Hochleistungssport

Nagelveränderungen bei Kindern

Wieder obenauf oben

Untitled

NIERENSTEINE WERDEN IMMER HÄUFIGER

Mit Ramuz unterwegs

Klima und Vegetation der Tropen und Subtropen

Postgeschichte

Die Sprinter Komplettlösungen mit den Kofferaufbauten von Spier.

Einzelbaumextraktion aus Laser Fernerkundungsdaten