Weltweit sind Trockengebiete in ständiger Veränderung, verursacht durch natürliche klimatische Schwankungen und oftmals durch Prozesse der Landdegradation. Auch weisen die meisten semi-ariden Naturräume eine große räumliche Heterogenität auf, hervorgerufen durch ein kleinräumiges Mosaik aus Gräsern, kleineren Sträuchern und Bereichen offenliegenden Bodens. Die Dichte der Vegetation wird primär vom pflanzenverfügbaren Wasser bestimmt, aber auch der Entwicklungs- und Degradationszustand der Böden sowie anthropogen bedingte Faktoren spielen hierbei eine Rolle. Zur Charakterisierung und Kartierung der Vegetation sowie zur Bewertung des Bodenerosionsrisikos und des Degradationszustands hat sich die Erhebung der Bedeckungsgrade von vitaler, photosynthetisch aktiver Vegetation (PV), von abgestorbener oder zeitweise vertrockneter und somit nicht photosynthetisch aktiver Vegetation (NPV) sowie von offenliegendem Boden als zweckmäßig herausgestellt. Die Nutzung der Fernerkundung für diese Aufgabe erfolgt zumeist nur für kleinmaßstäbige Kartierungen und – im Falle von Multispektralsensoren – unter Vernachlässigung nicht-photosynthetisch aktiver Vegetation. Die räumliche Variabilität der Vegetation-Boden-Mosaike liegt oftmals in der Größenordnung von wenigen Metern und somit unterhalb des räumlichen Auflösungsvermögens von Fernerkundungssystemen. Um dennoch die verschiedenen Anteile innerhalb eines Pixels identifizieren und quantifizieren zu können, sind Methoden der Subpixel-Klassifikation notwendig. In dieser Arbeit wird eine Methodik zur verbesserten und automatisierbaren Ableitung von Bodenbedeckungsgraden in semi-ariden Naturräumen vorgestellt. Hierzu wurde ein Verfahren zur linearen spektralen Entmischung in Form einer Multiple Endmember Spectral Mixture Analysis (MESMA) entwickelt und umgesetzt. Durch diese Methodik kann explizit die spektrale Variabilität von Vegetation und Boden in das Mischungsmodellmiteinbezogen werden, und quantitative Anteile für die funktionalen Klassen PV, NPV und Boden innerhalb eines Pixels erfasst werden. Durch die räumliche Kartierung der verwendeten EM wird weiterhin eine thematische Klassifikation erreicht. Die hierfür benötigten Informationen können – wie im Falle der Spektren reiner Materialien (EM-Spektren) – aus den Bilddaten selbst abgeleitet werden, oder können – wie ein Geländemodell und die Information über den Scanwinkel – im Zuge der Vorprozessierung aus weiteren Datenquellen erzeugt werden. Hinsichtlich der automatisierten EM-Ableitung wird eine zweistufige Methodik eingesetzt, welche auf einer angepassten Version des Sequential Maximum Angle Convex Cone (SMACC)-Verfahrens sowie der Analyse einer ersten Entmischungsiteration basiert. Die Klassifikation der gefundenen potentiellen EM erfolgt durch ein merkmalsbasiertes Verfahren. Weiterhin weisen nicht-photosynthetisch aktive Vegetation und Boden eine hohe spektrale Ähnlichkeit auf. Zur sicheren Trennung kann die Identifikation schmaler Absorptionsbanden dienen. Zu diesen zählen beispielsweise die Absorptionsbanden von Holozellulose und – je nach Bodentyp – Absorptionsbanden von Bodenmineralen. Auch die spektrale Variabilität der Klassen PV und NPV erfordert zur sicheren Unterscheidung die Verwendung biophysikalisch erklärbarer Merkmale im Spektrum. Hierzu zählen unter anderem die Stärke der Chlorophyll-Absorption, die Form und Lage der ’RedEdge’ und das Auftreten von Holozellulosebanden. Da diese spektrale Information bei herkömmlichen Entmischungsansätzen nicht berücksichtigt wird, erfolgt überwiegend eine Optimierung der Gesamtalbedo, was zu einer schlechten Trennung der Klassen führen kann. Aus diesem Grund wird in der vorliegenden Arbeit der MESMA-Ansatz dahingehend erweitert, dass spektrale Information in Form von identifizierten und parametrisierten Absorptionsbanden in den Entmischungsprozess mit einfließt und hierdurch das Potential hyperspektraler Datensätze besser genutzt werden kann. Auch wird in einer zusätzlichen Entmischungsiteration die räumliche Nachbarschaft betrachtet, um insbesondere die Verwendung des sinnvollsten Boden-EMs zu gewährleisten. Ein zusätzliches Problemfeld stellt die numerische Lösung des überbestimmten und oftmals schlecht konditionierten linearen Mischungsmodells dar. Hierzu kann durch die Verwendung des BVLS-Algorithmus und des Ausschlusses kritischer EM-Kombinationen eine numerisch stabile Lösung gefunden werden. Um die oftmals immense Rechenzeit von MESMA-Verfahren zu verkürzen, besteht die Möglichkeit einer iterativen EM-Auswahl und somit die Vermeidung einer Lösung des Mischungssystems durch Berechnung aller EM-Kombinationen (’Brute-Force’-Ansatz). Ein weiterer wichtiger Punkt ist die explizite pixelweise Angabe zur Zuverlässigkeit der Entmischungsergebnisse. Dies erfolgt auf Basis des Mischungsmodells selbst, durch den Vergleich zu empirischen Regressionsmodellen, durch die Berücksichtigung des lokalen Einfallswinkels sowie durch die Integration von Qualitätsangaben der Ausgangsdaten. Um das Verfahren systematisch und unter kontrollierten Bedingungen zu verifizieren und um den Einfluss verschiedener externer Parameter sowie die typischen Genauigkeiten auf einer breiten Datenbasis zu ermitteln, wird eine Simulationskette zur Erzeugung synthetischer Mischungen erstellt. In diese Simulationen fließen Feldspektren von Böden und Pflanzen verschiedener semi-arider Gebiete mit ein, um möglichst viele Fälle abdecken zu können. Die eigentliche Validierung erfolgt auf HyMap-Datensätzen des Naturparks ’Cabo de Gata’ in der andalusischen Provinz Almería sowie auf Messungen, die begleitend im Feld durchgeführt wurden. Hiermit konnte die Methodik auf ihre Genauigkeit unter den konkreten Anforderungen des Anwendungsbeispiels überprüft werden. Die erzielbare Genauigkeit dieser automatisierten Methodik liegt mit einem mittleren Fehler um rund 10% Abundanz absolut im selben Wertebereich oder nur geringfügig höher als die Ergebnisse publizierter manueller MESMA-Ansätze. Weiterhin konnten die typischen Genauigkeiten der Verifikation im Zuge der Validierung bestätigt werden. Den limitierenden Faktor des Ansatzes stellen in der Praxis fehlerhafte oder unvollständige EM-Modelle dar. Mit der vorgestellten Methodik ist somit die Möglichkeit gegeben, die Bedeckungsgrade quantitativ und automatisiert im Subpixelbereich zu erfassen. / Hyperspectral remote sensing has shown the potential to directly identify and parameterize absorption features and form parameters of spectral signatures. Using this information bio- and geo-physical properties of the sensed surfaces can be retrieved. Conventional spectral unmixing approaches disregard this information since all data values are equally incorporated despite their spectral position. The approach introduced in this thesis for the first time combines an automated spectral unmixing methodology with methods of spectral identification in order to use the full potential of spectroscopic data. An intrinsic property of semi-arid environments all over the world is large spatial heterogeneity caused by a small-scaled mosaic of grasses, small bushes and patches of bare soil. Vegetation cover is primarily limited by water, but also the status of the soil as well as anthropogenetic factors are important. The cover percentage is a standard parameter in vegetation mapping, for soil risk assessment, and for the assessment of land degradation. Therefore, it was found appropriate in a large number of studies to retrieve cover percentage for the functional classes of bare soil, vital photosynthetic active vegetation (PV) as well as dead or senescent non-photosynthetic Vegetation (NPV). For these tasks remote sensing is often applied only for small-scaled applications, and, when using multispectral sensors, commonly neglects non-photosynthetic vegetation. Also, the spatial extent of vegetation and soil patches is in many cases smaller than the spatial resolution of the sensor. Thus subpixel classifiers are required in order to identify and quantify the fractions within a single pixel. The aim of this study is to develop a methodology to provide accurate cover fractions for the mentioned functional classes at the patch scale. Therefore an automated methodology for quantitative subpixel classification based on linear spectral unmixing of hyperspectral data is introduced. This automated thematic processor, denoted muMESMA in the following, can be linked to automated pre-processing chains for hyperspectral data. All parts of muMESMA are verified using a series of spectral simulations in order to systematically test the consistency, general applicability and dependency on input variables of the approach. Also, typical error margins of the approach are estimated based on this large database of test scenarios. Validation of the thematic processor is then carried out for an application example based on multiple HyMap scenes of the ’Cabo de Gata’ natural park, province Almería, southeast Spain. The area is dominated by tussock grasses, small bushes and abandoned agricultural fields, and can be considered typical for semi-arid grasslands. To ensure an automated and widely applicable methodology, all required information should be retrieved from the imagery itself or from standard pre-processing products. In the case of spectral unmixing, the detection of all required spectral signatures of pure scene materials (denoted as Endmembers, EM) from the image itself is critical. For this purpose the Sequential Maximum Angle Convex Cone (SMACC) method is adjusted for automated usage. In order to increase the EM detection rate an additional approach is included in muMESMA. Potential new EM can be identified during a first unmixing iteration based on the assumption that pixels which can not be accurately modelled have a higher chance of being EM themselves. Using this two-step approach for endmember detection, about 70% of all EM spectra could be automatically retrieved in a series of simulated test cases. As for most unsupervised classification methods these two approaches do not include an identification of spectra. Thus muMESMA includes a decision-based spectral classifier for the classes of interest of this study. Based on diagnostic features in the spectra, the use of threshold values can be mostly avoided. The classification accuracy of this approach was 93% when using pure field spectra of the relevant classes. But this chance of ~ 1 in 10 for an inappropriate EM is critical since the accurate unmixing of most scenes requires more than 10 EM. Thus in order to guarantee suitable EM spectra and therefore accurate unmixing results a manual control of retrieved EM is highly recommended. After that the final EM set is selected based on different criteria and data tests, such as Endmember Average RMSE (EAR). To include the spectral variability of all classes in the unmixing process a large number of EM is required. But linear dependencies between spectrally similar classes significantly reduce the mathematical accuracy of the solution when using an increasing number of EMs. To avoid an ’ill-condition’ of the unmixing a Multiple Endmember Spectral Mixture Analysis (MESMA) approach is used. In this approach each image spectrum is linearly unmixed using all combinations of one spectrum for each of the classes PV, NPV and Soil. Afterwards, the model with the smallest modelling RMS-error is selected and the corresponding fractions are assigned to the pixel. For simulation scenarios the mean unmixing error can be reduced from 11.3% when using conventional manual unmixing to 9.6% using an automated MESMA. For the test area of ’Cabo de Gata’ the MESMA approach was able to accurately model the whole image with one comprehensive EM set despite changing spectral characteristics of surfaces (e. g., changes in vegetation status or composition, variation in soil type). In addition, a good condition of the mixing model without linear dependencies was achieved. The mean error over all test plots could be reduced by 0.6% abundance absolute. Using only the modelling RMS error as model selection criterion is not optimal since this measure is dominated by the overall albedo and small but important spectral features are often neglected. This might cause an increased inaccuracy of estimated ground cover fractions for the spectrally similar classes of NPV and bare soil, since the overall shape of the spectra is highly similar. Thus the residual spectrum (i. e., the part of the signal which cannot be modelled with the given EMs) is analysed using a knowledge-based approach in order to identify a meaningful EM model for each pixel. Using a combined model selection criterion based on this residual analysis, on modelling RMS and on physical constraints, the unmixing error can be further reduced to an average of 8.6% abundance absolute in simulation scenarios. The robustness of the approach is also increased, especially when introducing additional sources of error like partial shadowing, lichens, increased sensor noise or inexact EM. This increased stability is highly important for the HyMap imagery of Cabo de Gata since in all real-world applications the whole spectral variability cannot be completely represented by EMs. Thus the mean unmixing error can be significantly lowered from 15.1% abundance absolute when only optimizing the model RMS error to 11.6% abundance absolute when using the combined optimization criterion including residual analysis. The correlation between field measurements and unmixing results was significant (p < 0.005) with correlation coefficients between 0.76 and 0.86 (R2 values). This average accuracy of the automated muMESMA approach is in the same range as published values of manual field cover measurements, and is equal or only slightly higher than published results using manual MESMA approaches with similar thematic. Also, an additional unmixing iteration incorporating spatial neighbourhood information is included to ensure that a reasonable EM model is selected for each pixel. To reduce the calculation time of the three MESMA unmixing iterations muMESMA can iteratively propose EM models to avoid a ’brute force’ calculation. This methodology based on the residual analysis can significantly reduce calculation time by a factor of 7, but also reduces unmixing accuracy. Another important part of this automated thematic processor is a reliability measure of unmixing quality for every pixel. Based on the residual analysis, modelling error, comparison with empirical regression models and local incidence angle, pixels which are likely error-prone can be identified with the muMESMA approach. For areas with rough terrain the unmixing accuracy can further be increased. Local incidence angle effects significantly affect the accuracy of ground cover estimates for all measurements off-nadir where terrain is rough and vegetation patchy. When the line of sight from bare soil patches to the sensor is (partially) blocked by vegetation, the cover percentage of bare soil is underestimated, while fractional cover by vegetation is overestimated. Using the local incidence angle and empirical vegetation parameters (average height and basal area) a pixel-based empirical correction can be carried out. For the ’Cabo de Gata’ test site the average accuracy of ground increased by an additional 2% abundance absolute. Within this thesis it could be shown that the estimation of ground cover fractions for the functional classes PV, NPV and bare soil can be carried out with increased accuracy using hyperspectral data. With the exception of a recommended manual check the muMESMA approach is fully automated and can retrieve all required information from standardized input data generated by most preprocessing chains. The results of the verification carried out on a large database of field spectra from different semi-arid natural environments and different phenological conditions could be confirmed in the validation for the specific application case ’Cabo de Gata’ based on three multitemporal HyMap data sets. Thus the wide applicability of the approach can be assumed.

Zugl.: Göttingen, Univ., Diss., 2005

University, Diss., 2005--Göttingen.

Techn. University, Diss., 2004--Berlin.

University, Diss--Göttingen, 2005.

Die LUCAS-Erhebung ist eine Stichprobenerhebung in welcher vor Ort Informationen zu Bodenbedeckung und Bodennutzung aber auch Umweltinformationen, Fotos und Bodenproben (10 % der Punkte) gesammelt werden. Diese Erhebung findet in ihrer jetzigen Form seit 2009 alle drei Jahre statt. Aus den gesammelten Daten werden verschiedene EU-weit harmonisierte Informationen abgeleitet: validierte Rohdaten, statistische Tabellen zu Bodenbedeckung und Bodennutzung sowie Indikatoren, z. B. zur Charakterisierung der Landschaft. Diese Informationen finden ihre Anwendung u. a. in den folgenden Bereichen der EU-Politik: Naturschutz, Wald, Agrarpolitik, Klimawandel und Biodiversität. Es werden Anwendungsbeispiele in einigen Politik-Bereichen vorgestellt und Ergebnisse und Grenzen der derzeitigen Erhebung diskutiert sowie Maßnahmen zur ihrer Verbesserung vorgestellt.