Das Suchergebnis hat sich seit Ihrer Suchanfrage verändert. Eventuell werden Dokumente in anderer Reihenfolge angezeigt.
  • Treffer 8 von 42
Zurück zur Trefferliste

Einsatz einer lokal adaptiven Klassifikationsstrategie zur satellitengestützten Waldinventur in einem heterogenen Mittelgebirgsraum

Stand-wise forest cover mapping using a spatially adaptive classification approach for a heterogeneous forest landscape

  • Das Ziel dieser Forschungsarbeit liegt in der Entwicklung einer innovativen Klassifikationsstrategie zur satellitengestützten Forstinventur in einem europäischen Mittelgebirgsraum. Über die Ableitung von thematischen Karten der flächenscharfen Verbreitung von fünf Baumartengruppen (Eiche, Buche, Fichte, Douglasie und Kiefer) sowie drei Entwicklungsphasen (Qualifizierung, Dimensionierung und Reife) werden wichtige für eine nachhaltige Bewirtschaftung von Wäldern erforderliche Grundlagendaten bereitgestellt. rnDie nachhaltige Bewirtschaftung der Vielfachfunktionen von Wäldern (Nutz-, Schutz- und Erholungsfunktionen) sowie der steigende Informationsbedarf in Folge nationaler und internationaler Monitoring- und Berichtspflichten (u.a. Montréal Prozess und Kyoto Protokoll) erfordern aktuelle und flächendeckende Informationen über den Zustand der Wälder. In diesem Kontext können fernerkundliche Daten und Methoden zur Unterstützung konventioneller terrestrischer Verfahren zum Einsatz kommen.rnDas Untersuchungsgebiet dieser Studie umfasst den südlichen und östlichen Teil der rheinland-pfälzischen Eifel mit einer Fläche von mehr als 5200 km-², davon rund 2080 km-² bewaldet. Die naturräumliche Heterogenität, die wuchsklimatischen Unterschiede, die Variabilität von Relief und Topographie, die große Zahl vorkommender Baumarten sowie die kulturhistorische Waldentwicklung in der Eifel stellen eine besondere Herausforderung für satellitengestützte Inventurmethoden dar.rnDurch die bevorzugte Verwendung von Referenzdaten aus der unmittelbaren räumlichen Umgebung eines zu klassifizierenden Bereichs wird bei der Parametrisierung des Klassifikationsansatzes die jeweilige naturräumliche und wuchsklimatische Charakteristik berücksichtigt. Der Vergleich dieses räumlich adaptiven Klassifikationsansatzes mit einer konventionellen Maximum-Likelihood Klassifikation zeigt, dass eine Verbesserung der Klassifikationsgenauigkeit um 12 Prozentpunkte erreicht werden konnte. Die Adaptierung der Klassifikationsstrategie an die naturräumlichen und wuchsklimatischen Bedingungen sowie die Anpassung an bestehende Erhebungsmethoden und Datenorganisation bilden die Grundlage für eine erfolgreiche Anwendung des Verfahrens in einem heterogenen Mittelgebirgsraum. Die hohe erreichte Gesamtgenauigkeit des Klassifikationsergebnisses von rund 74% (über 87% für die fünf Hauptbaumarten) erlaubt die Einbindung der Methode in operationelle Erhebungsverfahren zur Unterstützung der terrestrischen Forstinventur.
  • This research presents an innovative method to combine forest inventory information at stand level and satellite imagery using a spatially adaptive classification approach to produce an accurate forest cover map, considering five tree species (oak, beech, Norway-spruce, Douglas-fir and Scots-pine) and three development stages (stand qualification, dimensioning and maturing). rnEconomic and sustainable forest management needs periodic surveys about the state the forests. Modern silvicultural land use concepts are focused on the management of a variety of forest functions and services (e.g. for timber production, as reservoirs of bio-diversity, carbon sinks or as recreation areas). In addition multiple national and international commitments for reporting on forest resources such as the Montréal Process or the Kyoto Protocol, are leading to an increasing demand for expanded information within the framework of forest inventories. As conventional forest inventory methods are time-consuming and cost-intensive, multispectral remote sensing data offer an attractive alternative to complement and optimize terrestrial forest inventories. rnThe study area comprises the southern and eastern parts of the Eifel low mountain range (Rhineland-Palatinate, Germany) and extends over more than 5200 km-², with 2080 km-² of forest. According to the variability of local climate and natural environment, the study area is divided into five growing regions with different phenological stages. Due to these heterogeneous conditions and the resulting high variation in forest communities and forest structure special requirements for satellite based forest inventory methods in Central Europe are given. rnThe prior use of local reference data, which best represent the ecoregional and phenological characteristics of a given location makes it possible to derive a precise forest cover map of the heterogeneous landscape. This spatially adaptive classification approach was compared to a standard maximum likelihood classification, for the entire study area. The results demonstrate that by implementing the spatially adaptive classification approach a significant increase in classification accuracy of the order of 12% can be achieved compared to the standard maximum likelihood classification. Due to the high overall accuracy of 74% (87% at tree species level) of the derived forest cover map, the developed spatially adaptive classification approach has the potential to be implemented in regular state forest inventory procedures.

Volltext Dateien herunterladen

Metadaten exportieren

Weitere Dienste

Teilen auf Twitter Suche bei Google Scholar
Metadaten
Verfasserangaben:Johannes Stoffels
URN:urn:nbn:de:hbz:385-5475
DOI:https://doi.org/10.25353/ubtr-xxxx-1261-1aef/
Betreuer:Joachim Hill
Dokumentart:Dissertation
Sprache:Deutsch
Datum der Fertigstellung:15.10.2009
Veröffentlichende Institution:Universität Trier
Titel verleihende Institution:Universität Trier, Fachbereich 6
Datum der Abschlussprüfung:30.04.2009
Datum der Freischaltung:15.10.2009
Freies Schlagwort / Tag:Fernerkundung; Geodatenverarbeitung; Klassifikationsverfahren; Prognosekarte
Classification approach; Forest cover mapping; Geoinformation Processing; Remote Sensing
GND-Schlagwort:Biomonitoring; Eifel; Fernerkundung; Geoinformationssystem; Mittelgebirge; Waldinventur
Institute:Fachbereich 6 / Raum- und Umweltwissenschaften
DDC-Klassifikation:5 Naturwissenschaften und Mathematik / 55 Geowissenschaften, Geologie / 550 Geowissenschaften

$Rev: 13581 $