Fakultätsbericht 2016-2017

Lehrstuhl für Fernerkundung Prof. Dr. Christiane Schmullius Forschungsschwerpunkte  Ableitung von Waldparametern auf lokaler, regionaler und globaler Ebene anhand unterschiedlicher Fernerkundungsdaten  Radarsatellitengestützte Vermessung von Hebungs- und Senkungsprozessen  Fernerkundung urbaner Räume zur Ableitung von Strukturtypen und stadtklimarelevanter Parameter  Datenassimilation zur Verbesserung des satellitengestützten flächenhaften Monitoring der vegetationsbedeckten Landoberfläche  Automatisierte Kartierung der Landbedeckung sowie von Feuchtgebieten und der Bodenfeuchte  Entwicklung von Citizen-Science-Beiträgen zur Unterstützung der Umweltbeobachtung (Stichwort Pixelkataster)  Ausbildungsinitiative SAR-EDU: Ausbildung der Ausbilder und Anwender imBereich Radarfernerkundung 98 — FORSCHUNG Die tropischen Waldökosysteme sind für die Sta- bilisierung des globalen Klimas, den Schutz von Wassereinzugsgebieten, die Erhaltung der Arten- vielfalt und für den Lebensunterhalt eines erhebli- chen Teils der Weltbevölkerung von herausragen- der Bedeutung. In der letzten Dekade hat die Erd- beobachtungstechnologie bei der Beschaffung von konsistenten, zuverlässigen und aktuellen Entwicklung von integrierten multi-temporalen Prozessierungsketten für die Unterstützung der REDD+ -Initiative im Rahmen der United Nations Framework Convention on Climate Change (UNFCCC) Informationen zu Waldflächenveränderungen eine herausragende Rolle gespielt. Durch den REDD+ (Reducing Emissions from Deforestation and Forest Degradation)- Prozess haben sich die Bestrebungen, Waldzustandsänderungen mit Erd- beobachtung zu überwachen und zu kartieren, weiter verstärkt. Das übergeordnete Ziel des Sentinel4REDD-Projektes ist die Entwicklung neuer erdbeobachtungsbasierter Methoden ba- sierend auf Sentinel-1 und -2-Daten zur Unter- stützung der REDD+- Initiative im Rahmen der United Nations Framework Convention on Clima- te Change (UNFCCC). Um REDD+ -Produkte zu erstellen (Entwaldungs-, Walddegradierungskar- ten), wenden wir zwei verschiedene Ansätze auf den Zeitreihen der optischen und SAR-Daten an. Die erste Methode basiert auf multi-temporalen Metriken, z. B. Mittelwert, Standardabweichung und verschiedene Perzentilen der SAR-Rückstreu- ung für mehrere Zeiträume. Die zweite Methode basiert auf den unterschiedlichen temporalen Mustern der Landbedeckungsklassen. Hierfür werden die Zeitreihen der einzelnen Pixel in Test- signale mit verschiedenen zeitlichen Frequenzen unterteilt. Von diesen Teilsignalen werden Statis- tiken berechnet, die dazu genutzt werden, mit Hilfen von Methoden des maschinellen Lernens zwischen Wald und Nichtwald zu unterscheiden. Abb. 1. RGB-Bild basierend auf multi-temporalen Metriken von 50 Sentinel-1-Aufnahmen von 2015- 2016. Der Ausschnitt zeigt eine Waldplantage in Südafrika. Bewaldete Flächen sind in Grün; veränderte Flächen in 2015 sind in Rot; veränderte Flächen in 2016 sind in Blau.