TY  - THES
A1  - Dirscherl, Mariel Christina
T1  - Remote Sensing of Supraglacial Lake Dynamics in Antarctica - Exploiting Methods from Artificial Intelligence for Derivation of Antarctic Supraglacial Lake Extents in Multi-Sensor Remote Sensing Data
T1  - Fernerkundung der Dynamik supraglazialer Seen in der Antarktis - Analyse von supraglazialen Seen in Multi-Sensor Fernerkundungsdaten mittels Methoden der Künstlichen Intelligenz
N2  - With accelerating global climate change, the Antarctic Ice Sheet is exposed to increasing ice dynamic change. During 1992 and 2017, Antarctica contributed ~7.6 mm to global sea-level-rise mainly due to ocean thermal forcing along West Antarctica and atmospheric warming along the Antarctic Peninsula (API). Together, these processes caused the progressive retreat of glaciers and ice shelves and weakened their efficient buttressing force causing widespread ice flow accelerations. Holding ~91% of the global ice mass and 57.3 m of sea-level-equivalent, the Antarctic Ice Sheet is by far the largest potential contributor to future sea-level-rise.

Despite the improved understanding of Antarctic ice dynamics, the future of Antarctica remains difficult to predict with its contribution to global sea-level-rise representing the largest uncertainty in current projections. Given that recent studies point towards atmospheric warming and melt intensification to become a dominant driver for future Antarctic ice mass loss, the monitoring of supraglacial lakes and their impacts on ice dynamics is of utmost importance. In this regard, recent progress in Earth Observation provides an abundance of high-resolution optical and Synthetic Aperture Radar (SAR) satellite data at unprecedented spatial and temporal coverage and greatly supports the monitoring of the Antarctic continent where ground-based mapping efforts are difficult to perform. As an automated mapping technique for supraglacial lake extent delineation in optical and SAR satellite imagery as well as a pan-Antarctic inventory of Antarctic supraglacial lakes at high spatial and temporal resolution is entirely missing, this thesis aims to advance the understanding of Antarctic surface hydrology through exploitation of spaceborne remote sensing.

In particular, a detailed literature review on spaceborne remote sensing of Antarctic supraglacial lakes identified several research gaps including the lack of (1) an automated mapping technique for optical or SAR satellite data that is transferable in space and time, (2) high-resolution supraglacial lake extent mappings at intra-annual and inter-annual temporal resolution and (3) large-scale mapping efforts across the entire Antarctic continent. In addition, past method developments were found to be restricted to purely visual, manual or semi-automated mapping techniques hindering their application to multi-temporal satellite imagery at large-scale. In this context, the development of automated mapping techniques was mainly limited by sensor-specific characteristics including the similar appearance of supraglacial lakes and other ice sheet surface features in optical or SAR data, the varying temporal signature of supraglacial lakes throughout the year as well as effects such as speckle noise and wind roughening in SAR data or cloud coverage in optical data. To overcome these limitations, this thesis exploits methods from artificial intelligence and big data processing for development of an automated processing chain for supraglacial lake extent delineation in Sentinel-1 SAR and optical Sentinel-2 satellite imagery. The combination of both sensor types enabled to capture both surface and subsurface lakes as well as to acquire data during cloud cover or wind roughening of lakes. For Sentinel-1, a deep convolutional neural network based on residual U-Net was trained on the basis of 21,200 labeled Sentinel-1 SAR image patches covering 13 Antarctic regions. Similarly, optical Sentinel-2 data were collected over 14 Antarctic regions and used for training of a Random Forest classifier. Optical and SAR classification products were combined through decision-level fusion at bi-weekly temporal scale and unprecedented 10 m spatial resolution. Finally, the method was implemented as part of DLR’s High-Performance Computing infrastructure allowing for an automated processing of large amounts of data including all required pre- and postprocessing steps. The results of an accuracy assessment over independent test scenes highlighted the functionality of the classifiers returning accuracies of 93% and 95% for supraglacial lakes in Sentinel-1 and Sentinel-2 satellite imagery, respectively.

Exploiting the full archive of Sentinel-1 and Sentinel-2, the developed framework for the first time enabled the monitoring of seasonal characteristics of Antarctic supraglacial lakes over six major ice shelves in 2015-2021. In particular, the results for API ice shelves revealed low lake coverage during 2015-2018 and particularly high lake coverage during the 2019-2020 and 2020-2021 melting seasons. On the contrary, East Antarctic ice shelves were characterized by high lake coverage during 2016-2019 and
extremely low lake coverage during the 2020-2021 melting season. Over all six investigated ice shelves, the development of drainage systems was revealed highlighting an increased risk for ice shelf instability. Through statistical correlation analysis with climate data at varying time lags as well as annual data on Southern Hemisphere atmospheric modes, environmental drivers for meltwater ponding were revealed. In addition, the influence of the local glaciological setting was investigated through computation of annual recurrence times of lakes. Over both ice sheet regions, the complex interplay between local, regional and large-scale environmental drivers was found to control supraglacial lake formation despite local to regional discrepancies, as revealed through pixel-based correlation analysis. Local control factors included the ice surface topography, the ice shelf geometry, the presence of low-albedo features as well as a reduced firn air content and were found to exert strong control on lake distribution. On the other hand, regional controls on lake evolution were revealed to be the amount of incoming solar radiation, air temperature and wind occurrence. While foehn winds were found to dictate lake evolution over the API, katabatic winds influenced lake ponding in East Antarctica. Furthermore, the regional near-surface climate was shown to be driven by large-scale atmospheric modes and teleconnections with the tropics. Overall, the results highlight that similar driving factors control supraglacial lake formation on the API and EAIS pointing towards their transferability to other Antarctic regions.
N2  - Der antarktische Eisschild erfährt angesichts der globalen Erderwärmung zunehmende eisdynamische Veränderungen. Zwischen 1992 und 2017 trug die Antarktis mit ~7.6 mm zum globalen Meeresspiegelanstieg bei, was vor allem auf die Erwärmung des Ozeans entlang der Westantarktis und die Erwärmung der Atmosphäre entlang der Antarktischen Halbinsel zurückzuführen ist. Zusammen verursachten diese Prozesse den fortschreitenden Rückgang von Gletschern und Schelfeis und schwächten ihren Rückhalteeffekt. Mit einem Anteil von ~91% an der globalen Eismasse und einem Meeresspiegeläquivalent von 57.3 m ist der antarktische Eisschild der größte potentielle Verursacher eines zukünftigen Meeresspiegelanstiegs.

Trotz des verbesserten Verständnisses der antarktischen Eisdynamik kann die Zukunft der Antarktis nur schwer vorhergesagt werden. In Anbetracht der Tatsache, dass die Erwärmung der Atmosphäre und die damit einhergehende Oberflächenschmelze eine der Hauptursachen für künftige Massenverluste der Antarktis sein werden, ist die Kartierung von supraglazialen Seen von größter Bedeutung und Wichtigkeit. In dieser Hinsicht liefert die Erdbeobachtung eine Vielzahl von räumlich und zeitlich hochaufgelösten Satellitendaten für das Monitoring der Antarktis. Da eine automatisierte Methode zur Kartierung von supraglazialen Seen in Satellitendaten sowie ein großräumiges Inventar gänzlich fehlen, ist das Ziel dieser Arbeit zu einem besseren Verständnis der antarktischen Oberflächenhydrologie beizutragen. Zu diesem Zweck wurde ein neuartiges Prozessierungsverfahren für die automatisierte Kartierung von supraglazialen Seen in Sentinel-1 und Sentinel-2 Satellitenbilddaten entwickelt.

Basierend auf einer umfassenden Literaturrecherche in Bezug auf die satellitengestützte Fernerkundung von antarktischen supraglazialen Seen wurden mehrere Forschungslücken identifiziert, darunter das Fehlen von (1) einem automatisierten Klassifikationsalgorithmus für optische und Radar Satellitendaten, der in Raum und Zeit übertragbar ist, (2) hochaufgelösten Kartierungen von supraglazialen Seen mit jährlicher sowie saisonaler zeitlicher Auflösung und (3) großräumigen Kartierungen über der gesamten Antarktis. Darüber hinaus wurde festgestellt, dass sich vergangene Methodenentwicklungen auf eine rein visuelle, manuelle oder halbautomatisierte Kartierungstechnik stützten, was ihre Anwendung auf multitemporale Satellitenbilder über dem gesamten Kontinent verhinderte. Die Entwicklung einer
automatisierten Kartierungsmethode wurde hierbei vor allem durch sensorspezifische Merkmale eingeschränkt, darunter das ähnliche Erscheinungsbild von supraglazialen Seen und anderen Landbedeckungsklassen in optischen oder Radar Daten, die variierende zeitliche Signatur von supraglazialen Seen sowie Effekte wie SpeckleRauschen oder die Windaufrauhung von Seen in Radar Daten. Um diese Limitierungen zu überwinden, basiert der entwickelte Algorithmus zur automatisierten Kartierung von supraglazialen Seen in optischen and Radar Satellitendaten auf Methoden der künstlichen Intelligenz und der Big-Data-Analytik. Die Kombination von beiden Sensortypen ermöglicht es, sowohl supraglaziale als auch mit Schnee bedeckte Seen zu erfassen. Für Sentinel-1 wurde ein neuronales Netzwerk basierend auf „residual U-Net“ mittels 21,200 Radaraufnahmen über 13 antarktischen Regionen trainiert. In ähnlicher Weise wurden optische Sentinel-2 Daten über 14 antarktischen Regionen gesammelt und zum Trainieren eines „Random Forest“ Klassifikators verwendet. Die beiden Methoden wurden durch die Fusion von optischen und Radar Klassifikationsergebnissen kombiniert und als Teil der DLR-internen Prozessierungs-Infrastruktur auf Hochleistungsrechnern implementiert, die eine vollautomatische Verarbeitung großer Datenmengen einschließlich aller erforderlichen Vor- und Nachverarbeitungsschritte ermöglichen. Eine Fehleranalyse über unabhängigen Testszenen zeigte die Funktionalität der Algorithmen, die Genauigkeiten von 93% bzw. 95% für supraglaziale Seen in Sentinel-1 und Sentinel-2 Daten erreichten.

Unter Nutzung des gesamten Archivs an Sentinel-1 und Sentinel-2 Daten im Zeitraum 2015-2021 ermöglichte die entwickelte Prozessierungs-Kette erstmals die Erfassung von saisonalen Merkmalen supraglazialer Seen über sechs großen SchelfeisRegionen. Die Ergebnisse für die Antarktische Halbinsel zeigten ein geringes Auftreten von supraglazialen Seen im Zeitraum 2015-2018 und ein stark erhöhtes Auftreten von supraglazialen Seen während der Schmelzsaison 2019-2020 und 2020-2021. Im Gegensatz dazu war die Ostantarktis durch ein stark erhöhtes Auftreten von supraglazialen Seen in den Jahren 2016-2019 sowie ein stark reduziertes Auftreten von supraglazialen Seen während der Schmelzsaison 2020-2021 gekennzeichnet. Über beiden Regionen entwickelten sich ausgeprägte Seen-Netzwerke, die ein erhöhtes Risiko für die Stabilität von Schelfeis darstellen. Durch statistische Korrelationsanalysen mit saisonalen Klimadaten sowie jährlichen Daten zu atmosphärischen Modi wurden Umwelteinflüsse auf die Entstehung von Seen analysiert. In beiden antarktischen Regionen wurde festgestellt, dass das komplexe Zusammenspiel von lokalen, regionalen und großräumigen Umweltfaktoren die Entstehung von supraglazialen Seen begünstigt. Zu den lokalen Einflussfaktoren gehören die Topographie, die Schelfeisgeometrie, das Vorhandensein von Oberflächen mit geringer Albedo sowie ein reduzierter Luftgehalt im Firn. Andererseits wurde festgestellt, dass die Sonneneinstrahlung, die Lufttemperatur und Wind die Entstehung von Seen regional beeinflussen. Während Föhnwinde über der Antarktischen Halbinsel auftreten, dominieren katabatische Winde in der Ostantarktis. Darüber hinaus wurde verdeutlicht, dass das regionale Klima von atmosphärischen Modi beeinflusst wird. Insgesamt deuten die Ergebnisse darauf hin, dass ähnliche Umweltfaktoren die Entstehung von supraglazialen Seen über beiden Regionen steuern, was Rückschlüsse auf ihre Übertragbarkeit in andere antarktische Regionen zulässt.
KW  - Optische Fernerkundung
KW  - Radarfernerkundung
KW  - Antarktis
KW  - Gletscher
KW  - Fernerkundung
KW  - Supraglaziale Seen
Y1  - 2022
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-279505
ER  - 
TY  - THES
A1  - Asam, Sarah
T1  - Potential of high resolution remote sensing data for leaf area index derivation using statistical and physical models
T1  - Potenzial hochaufgelöster Fernerkundungsdaten für die Ableitung des Blattflächenindex aus statistischen und physikalischen Modellen
N2  - Information on the state of the terrestrial vegetation cover is important for several ecological, economical, and planning issues. In this regard, vegetation properties such as the type, vitality, or density can be described by means of continuous biophysical parameters. One of these parameters is the leaf area index (LAI), which is defined as half the total leaf area per unit ground surface area. As leaves constitute the interface between the biosphere and the atmosphere, the LAI is used to model exchange processes between plants and their environment.  However, to account for the variability of ecosystems, spatially and temporally explicit information on LAI is needed both for monitoring and modeling applications.
Remote sensing aims at providing such information. LAI is commonly derived from remote sensing data by empirical-statistical or physical models. In the first approach, an empirical relationship between LAI measured in situ and the corresponding canopy spectral signature is established. Although this method achieves accurate LAI estimates, these relationships are only valid for the place and time at which the field data were sampled, which hampers automated LAI derivation. The physical approach uses a radiation transfer model to simulate canopy reflectance as a function of the scene’s geometry and of leaf and canopy parameters, from which LAI is derived through model inversion based on remote sensing data. However, this model inversion is not stable, as it is an under-determined and ill-posed problem.
Until now, LAI research focused either on the use of coarse resolution remote sensing data for global applications, or on LAI modeling over a confined area, mostly in forest and crop ecosystems, using medium to high spatial resolution data. This is why to date no study is available in which high spatial resolution data are used for LAI mapping in a heterogeneous, natural landscape such as alpine grasslands, although a growing amount of high spatial and temporal resolution remote sensing data would allow for an improved environmental monitoring. Therefore, issues related to model parameterization and inversion regularization techniques improving its stability have not yet been investigated for this ecosystem.
This research gap was taken up by this thesis, in which the potential of high spatial resolution remote sensing data for grassland LAI estimation based on statistical and radiation transfer modeling is analyzed, and the achieved accuracy and robustness of the two approaches is compared. The objectives were an ecosystem-adapted radiation transfer model set-up and an optimized LAI derivation in mountainous grassland areas. Multi-temporal LAI in situ measurements as well as time series of RapidEye data from 2011 and 2012 over the catchment of the River Ammer in the Bavarian alpine upland were used. In order to obtain accurate in situ data, a comparison of the LAI derivation algorithms implemented in the LAI-2000 PCA instrument with destructively measured LAI was performed first. For optimizing the empirical-statistical approach, it was then analyzed how the selection of vegetation indices and regression models impacts LAI modeling, and how well these models can be transferred to other dates. It was shown that LAI can be derived
with a mean accuracy of 80 % using contemporaneous field data, but that the accuracy decreases to on average 51 % when using these models on remote sensing data from other dates. The combined use of several data sets to create a regression which is used for LAI derivation at different points in time increased the LAI estimation accuracy to on average 65 %. Thus, reduced field measurement labor comes at the cost of LAI error rates being increased by 10 - 30 % as long as at least two campaigns are conducted. Further, it was shown that the use of RapidEye’s red edge channel improves the LAI derivation by on average 5.4 %.
With regard to physical LAI modeling, special interest lay in assessing the accuracy improvements that can be achieved through model set-up and inversion regularization techniques. First, a global sensitivity analysis was applied to the radiation transfer model in order to identify the most important model parameters and most sensitive spectral features. After model parameterization, several inversion regularizations, namely the use of a multiple sample solution, the additional use of vegetation indices, and the addition of noise, were analyzed. Further, an approach to include the local scene’s geometry in the retrieval process was introduced to account for the mountainous topography. LAI modeling accuracies of in average 70 % were achieved using the best combination of regularization techniques, which is in the upper range of accuracies that were achieved in the few existing other grassland studies based on in situ or air-borne measured hyperspectral data. Finally, further physically derived vegetation parameters and inversion uncertainty measures were evaluated in detail to identify challenging modeling conditions, which was mostly neglected in other studies. An increased modeling uncertainty for extremely high and low LAI values was observed. This indicates an insufficiently wide model parameterization and a canopy deviation from model assumptions on some fields. Further, the LAI modeling accuracies varied strongly between the different scenes. From this observation it can be deduced that the radiometric quality of the remote sensing data, which might be reduced by atmospheric effects or unexpected surface reflectances, exerts a high influence on the LAI modeling accuracy.
The major findings of the comparison between the empirical-statistical and physical LAI modeling approaches are the higher accuracies achieved by the empirical-statistical approach as long as contemporaneous field data are available, and the computationally efficiency of the statistical approach. However, when no or temporally unfitting in situ measurements are available, the physical approach achieves comparable or even higher accuracies. Furthermore, radiation transfer modeling enables the derivation of other leaf and canopy variables useful for ecological monitoring and modeling applications, as well as of pixel-wise uncertainty measures indicating the robustness and reliability of the model inversion and LAI derivation procedure. The established look-up tables can be used for further LAI derivation in Central European grassland also in other years.
The use of high spatial resolution remote sensing data for LAI derivation enables a reliable land cover classification and thus a reduced LAI mapping error due to misclassifications. Furthermore, the RapidEye pixels being smaller than individual fields allow for a radiation transfer model inversion over homogeneous canopies in most cases, as canopy gaps or field parcels can be clearly distinguished. However, in case of unexpected local surface conditions such as blooming, litter, or canopy gaps, high spatial resolution data show corresponding strong deviations in reflectance values and hence LAI estimation, which would be reduced using coarser resolution data through the balancing effect of the surrounding surface reflectances. An optimal pixel size with regard to modeling accuracy hence depends on the canopy and landscape structure. Furthermore, a reduced spatial resolution would enable a considerable acceleration of the LAI map derivation.
This illustration of the potential of RapidEye data and of the challenges associated to LAI derivation in heterogeneous grassland areas contributes to the development of robust LAI estimation procedures based on new and upcoming, spatially and temporally high resolution remote sensing imagery such as Landsat 8 and Sentinel-2.
N2  - Informationen zum Zustand der Vegetation sind relevant für einige ökologische, ökonomische, und planerische Fragestellungen. Vegetationseigenschaften wie der Typ, die Vitalität oder die Dichte einer Pflanzendecke können dabei anhand von kontinuierlichen biophysikalischen Parametern beschrieben werden. Einer dieser Parameter ist der Blattflächenindex (engl. leaf area index, LAI), der als die halbe gesamte Blattoberfläche pro Bodenoberfläche definiert ist. Da die Blattfläche eine wichtige Schnittstelle zwischen der Biosphäre und der Atmosphäre darstellt, wird der LAI dazu verwendet, Austauschprozesse zwischen Pflanzen und ihrer Umwelt zu modellieren. Um die natürliche Variabilität von Ökosystemen berücksichtigen zu können, benötigt man für solche Monitoring- und Modellierungsanwendungen jedoch räumlich und zeitlich explizite LAI Informationen.
Die Fernerkundung stellt solche Informationen zur Verfügung. Fernerkundungsbasierte LAI-Kartierung basiert auf empirisch-statistischen und physikalischen Modellen. Im ersten Ansatz wird ein empirisches Verhältnis zwischen dem aufgezeichneten Reflexionssignal der Vegetationsdecke und in situ gemessenem LAI erstellt. Obwohl dieses Verfahren meist hohe Genauigkeiten erzielt, gilt das erstellte Verhältnis nur für den Ort und Zeitpunkt der Feldmessungen, was ein automatisiertes Verfahren behindert. Der physikalische Ansatz verwendet ein Strahlungstransfermodell um die spektrale Signatur einer Pflanzendecke in Abhängigkeit von der Szenengeometrie und verschiedenen Blatt- und Pflanzenparametern zu simulieren, von der LAI durch die Inversion des Modells basierend auf Fernerkundungsdaten abgeleitet wird. Die Modellinversion ist jedoch nicht stabil, da sie ein unterdeterminiertes und inkorrekt gestelltes Problem ist.
Bisher fokussierten LAI-Studien entweder auf die Verwendung räumlich grob ausgelöster  Fernerkundungsdaten für globale Anwendungen, oder auf LAI-Modellierung für Wälder und Anbaufrüchte innerhalb eines räumlich eingeschränkten Gebiets basierend auf mittel und hoch aufgelösten Daten. Obwohl die Menge an räumlich und zeitlich hoch aufgelösten Fernerkundungsdaten für ein verbessertes Umweltmonitoring kontinuierlich zunimmt, führte dies dazu, dass es keine Studie gibt die sich mit der Ableitung des LAI in heterogenen Landschaften wie beispielsweise alpinem Grünland, basierend auf räumlich hoch aufgelösten Daten, beschäftigen. Dementsprechend wurden damit verbundene Aspekte wie die Modellparametrisierung und Regularisierungsmöglichkeiten der Inversion für dieses Ökosystem noch nicht untersucht.
Diesem Forschungsbedarf wird mit dieser Arbeit, in der das Potenzial räumlich hoch aufgelöster Fernerkundungsdaten für die Ableitung von Grünland-LAI basierend auf statistischen Modellen und Strahlungstransfermodellierung analysiert wird, und in der die Genauigkeiten und Stabilität beider Verfahren verglichen werden, begegnet. Die Ziele der Arbeit sind eine an das Grünlandökosystem angepasste Einrichtung des Strahlungstransfermodells und die Ableitung des LAI für Grünland im Gebirgsraum. Multitemporale in situ LAI-Messungen sowie RapidEye-Zeitreihen aus den Jahren 2011 und 2012 aus dem Ammereinzugsgebiet im bayrischen Voralpenland wurden dazu verwendet.
Um verlässliche in situ Messwerte zu erhalten, wurde zunächst ein Vergleich der im LAI-2000 PCA Messinstrument implementierten Algorithmen mit destruktiv erhobenen LAI Werten durchgeführt. Zur Optimierung des empirisch-statistischen Ansatzes wurde dann untersucht, in welchem Maße die Verwendung verschiedener Vegetationsindizes und Regressionsmodelle die LAI-Modellierung beeinflussen, und wie gut diese Modelle auf andere Zeitpunkte übertragen werden können. Es wurde gezeigt, dass unter Verwendung von zeitgleich erhobenen Felddaten der LAI mit einer mittleren Genauigkeit von 80 % abgeleitet werden kann, dass sich die Genauigkeit aber auf 51 % verringert, wenn die Modelle auf Fernerkundungsdaten anderer Zeitpunkte angewendet werden. Die gemeinsame Nutzung mehrerer Felddatensätze zur Erstellung einer Regression welche auf andere Zeitpunkte
angewendet wird, erhöhte die Genauigkeit der LAI-Ableitung wiederum auf durchschnittlich 65 %. Ein verringerter Arbeitsaufwand für Feldmessungen wird also durch erhöhte Fehlerraten von 10 - 30 % pro Szene ausgewogen, solange mindestens zwei Messkampagnen durchgeführt werden. Außerdem wurde gezeigt, dass die Verwendung des “red edge” Bandes des RapidEye Sensors die LAI-Ableitung um im Mittel 5.4 % verbessert.
Im Hinblick auf die physikalische LAI-Modellierung waren vor allem die Verbesserung der Genauigkeit, die anhand von Modelleinstellungen und Regularisierungstechniken erzielt werden konnten, von Interesse. Zunächst wurde eine globale Sensitivitätsanalyse des Strahlungstransfermodells durchgeführt, um die wichtigsten Modellparameter und die sensitivsten spektralen Bereiche zu identifizieren. Nach der darauf basierenden Modellparametrisierung wurden in den nächsten Schritten mehrere Verfahren zu Stabilisierung der Inversion, nämlich die Verwendung multipler Lösungen, von Vegetationsindizes als Inputdaten, und von simuliertem Datenrauschen, analysiert. Außerdem wurde ein Ansatz eingeführt, der die Berücksichtigung der lokalen Szenengeometrien, und damit der Topographie des Untersuchungsgebietes, erlaubt.
Genauigkeiten von im Mittel 70 % konnten für die LAI-Modellierung unter Verwendung der besten Modell- und Inversionseinstellungen erreicht werden. Diese sind mit den Ergebnissen anderer Grünland-Studien, die jedoch auf in situ oder flugzeuggetragen gemessenen hyperspektralen Daten beruhen, vergleichbar. Zuletzt wurden weitere physikalisch modellierte Vegetationsparameter sowie Inversionsunsicherheitsmaße evaluiert, um besonders schwierige Modellierungsbedingungen zu identifizieren, was in anderen Studien bisher meist vernachlässigt wurde. Erhöhte Modellierungsunsicherheiten wurden für die Ableitung besonders niedriger und hoher LAI Werte beobachtet, was auf eine ungenügend weit gefasste Modellparametrisierung und stellenweise Abweichungen der Vegetationsdecke von den Modellannahmen hinweist. Außerdem variieren die Genauigkeiten der LAI Modellierung stark zwischen den einzelnen Szenen woraus abgeleitet werden kann dass die radiometrische Qualität der Fernerkundungsdaten, welche beispielsweise durch
atmosphärische Effekte oder unerwartete Oberflächenreflexionen beeinfluss werten kann, einen großen Einfluss auf die Modellierungsgenauigkeit hat.
Im Vergleich der empirisch-statistischen und physikalischen LAI-Modellierung fiel der empirisch-statistische Ansatz mit höheren Genauigkeiten, solange zeitgleich aufgenommene Felddaten vorliegen, sowie mit einer geringeren Berechnungszeit auf. Wenn jedoch keine zeitlich passenden Felddaten vorhanden sind, erreicht die physikalische Modellierung vergleichbare oder sogar höhere Genauigkeiten. Des Weiteren ermöglicht das Strahlungstransfermodel die Ableitung weiterer Blatt- und Pflanzeneigenschaften, welche für ökologische Monitoring- und Modellierungsanwendungen nützlich sind. Außerdem werden pixelgenaue Unsicherheitsmaße generiert, welche die Stabilität und Verlässlichkeit der Modellinversion und des gewonnenen LAI-Wertes charakterisieren. Die erstellten Datenbanken können darüber hinaus für die LAI-Modellierung in anderen Mitteleuropäischen Grünländern auch in anderen Jahren verwendet werden.
Die Verwendung von hochaufgelösten Fernerkundungsdaten ermöglicht eine verlässliche Landbedeckungsklassifikation und verringert damit Fehler in der LAI-Modellierung die durch Fehlklassifikationen verursacht werden. Da die RapidEye-Pixel außerdem kleiner als einzelnen Felder sind, konnte das Strahlungstransfermodell in den meisten Fällen über homogenen Pflanzendecken invertiert werden. Angesichts unerwarteter lokaler Oberflächenreflexionen, hervorgerufen beispielsweise durch Blüten, Streu, oder Lücken, zeigen die hochaufgelösten Daten jedoch auch entsprechend starke Abweichungen, welche in gröber aufgelösten Daten durch die Reflexion der umgebenden Oberflächen verringert sind. Eine optimale Pixelgröße im Hinblick auf die Modellierungsgenauigkeit hängt also von der Struktur der Vegetationsdecke und der Landschaft ab. Eine verringerte Pixelgröße würde darüber hinaus die Ableitung von LAI-Karten deutlich beschleunigen.
Diese Darstellung des Potenzials von RapidEye Daten für LAI-Modellierung und der speziellen Herausforderungen an die genutzten Verfahren in heterogenen Grünländern kann zur Entwicklung von robusten LAI-Ableitungsverfahren beitragen, anhand welcher neue, räumlich und zeitlich hoch aufgelöste, Fernerkundungsdaten wie die der Landsat 8 oder Sentinel-2 Sensoren in Wert gesetzt werden können.
KW  - Optische Fernerkundung
KW  - Blattflächenindex
KW  - Strahlungstransport
KW  - RapidEye
KW  - grasland
KW  - inversion techniques
Y1  - 2014
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-108399
ER  -