Digitale Klassifizierung und GIS-Analyse von MOMS-02-D2-Bilddaten eines tropischen Regenwaldgebiets in Mindanao (Philippinen)

Abstract

Um das Potential des neuentwickelten MOMS-02 (Modular Optoelectronic Multispectral/Stereo Scanne?) - Aufnahmesystems aufzuzeigen, wurden Bilddaten eines tropischen Regenwaldgebiets von Mindanao, Philippinen, ausgewertet. Hierfür wurden verschiedene Methoden der Bildanalyse angewendet, verglichen und bewertet. Die Wälder des Untersuchungsgebiets in Mindanao bestehen aufgrund der intensiven forstwirtschaftlichen Nutzung hauptsächlich aus Sekundärwaldbeständen, welche zu einem großen Teil stark degradiert sind. Bei der Auswertung der Daten lag daher das Gewicht auf der Erfassung des Zustands der Waldbestände, der anhand der Struktur (Bestandesdichte, Alterszusammensetzung, Schichtaufbau) beschrieben wird.

Neben der visuellen Interpretation wurden verschiedene digitale Klassifizierungsmethoden angewendet, um die spektralen und texturellen Merkmale der Bilddaten für die Abgrenzung der verschiedenen Vegetationseinheiten zu nutzen. Als Basis für die Durchführung der Klassifizierung und der Bestimmung der Klassifizierungsgenauigkeit dienten die Ergebnisse der Geländeuntersuchungen und die visuelle Interpretation der Bilddaten. Als Algorithmen zur Einzelpixelklassifizierung wurde die überwachte Maximum-Likelihood-Klassifizierung und die unüberwachte ISODATA (Iterative Self Organizing DATA Analysis Technique)-Clusteranalyse angewendet. Zudem wurde die überwachte EBIS-Texturklassifizierung (EvidenzBasierte Interpretation von Satellitenbildern), die als Merkmalstyp Co-Occurrence-Matrizen verwendet, durchgeführt. Die Ergebnisse der verschiedenen Klassifizierungen wurden in einem Geographischen Informations-System (GIS) überlagert, ausgewertet und mit topographischer Information verschnitten.

Die Klassifizierungsergebnisse zeigen, daß das im Vergleich zu herkömmlichen operationellen Aufnahmesystemen verbesserte räumliche und spektrale Auflösungsvermögen der MOMS-02/D2-Bilddaten eine detaillierte Analyse der Vegetationsbestände ermöglicht. Die Kronen adulter Regenwaldbäume der oberen Baumschichten sind auf den Bilddaten abgrenzbar. Spektral unterscheiden sich die adulten langlebigen Regenwaldbäume (Schlußwaldbäume) von Jungbäumen und Erstbesiedlern (Pionierbaumarten), was für die Beschreibung der Struktur der Wälder wichtig ist.

Die visuelle Interpretation ermöglicht die Abgrenzung von Altbaumbeständen, drei Klassen der Bestandesdichte der Sekundärwälder und stark degradierter Vegetationsbestände. Für die Klassifizierung linearer Elemente (Einschlagswege der Holzfäller, Flüsse) ist die visuelle Auswertung die einzig geeignete Methode. Dasselbe gilt für die Abgrenzung von Brandrodungsflächen, deren geometrischer Umriß als charakteristisches Unterscheidungsmerkmal dient. Für die Abgrenzung von Klassen der Bestandesdichte der Sekundärwälder ist die Maximum-Likelihood-Klassifizierung bedingt geeignet, da Ungenauigkeiten aufgrund der schlechten spektralen Trennbarkeit der Waldklassen auftreten. Diese Fehlzuweisungen konnten jedoch teilweise korrigiert werden, indem ein glättender Filter auf das Ergebnis angewendet wurde, wobei isolierte Einzelpixel und kleine Pixelgruppen der umliegenden Klasse zugeordnet wurden. Da der Zeitaufwand dieses Verfahrens im Vergleich zur visuellen Interpretation bei der Bearbeitung großer Gebiete geringer ist, bietet es trotz der Ungenauigkeiten Vorteile für die Klassifizierung der Bestandsdichteklassen, v.a. in Gebieten mit kleinräumig wechselnden Strukturen. Zudem ist die Maximum-Likelihood-Klassifizierung die einzige digitale Methode, die die Abgrenzung der elevationsabhängigen Waldtypen ermöglicht, wenn das Klassifizierungsergebnis mit topographischen Daten verschnitten wird. Altbaumbestände können mit der Maximum-Likelihood-Klassifizierungsmethode jedoch nicht ausgewiesen werden. Für die Erfassung der Altbäume ist das EBIS-Texturverfahren geeignet. Diese Klassifizierungsmethode erbrachte dagegen bei der Abgrenzung der sonstigen Vegetationseinheiten durchweg schlechte Ergebnisse. Die Alterszusammensetzung und vertikale Struktur der kleinräumig heterogen zusammengesetzten Vegetationsbestände kann am besten mit der unüberwachten ISODATA-Clusteranalyse durchgeführt werden. Das Klassifizierungsergebnis diente der Ermittlung der Deckungs- bzw. Kronenschlußgrade auf ausgewählten Flächen und der gesamten Bildszene. Die Auswertung und Verknüpfung der Daten in einem GIS ermöglichte die Verbesserung der Klassifizierungsergebnisse und die Abschätzung des Regenerierbarkeitspotentials der Flächen. Zudem konnten anhand der Verschneidung der klassifizierten Daten mit topographischer Information besonders erosionsgefährdete Bereiche ausgewiesen werden. Die Bearbeitung der MOMS-02/D2-Bilddaten hat gezeigt, daß die Anwendung einer einzigen Klassifizierungsmethode nicht den vollständigen Informationsgehalt ausschöpfen kann. Die Durchführung mehrerer Klassifizierungsverfahren und die Analyse in einem GIS ermöglichen jedoch eine detaillierte Erfassung der Parameter Zusammensetzung, Bestandesdichte und vertikale Struktur, die den Zustand der Waldbestände beschreiben.

MOMS-02/D2 (Modular Optoelectronic Multispectral Stereo Scanner) image data of a tropical rain forest area in Mindanao, Philippines, were evaluated to find out the potential of the newly developed sensor. Different methods of image analysis were applied, compared and evaluated for this purpose.

Because of the intensive logging activities, the forests of the test site are mainly composed of secondary forest stands, which are partially severely degraded. For the image analysis importance was therefore attached to the registration of the condition of the forest stands, which can be described by structure (density, age, vertical layering).

Besides the visual interpretation, different methods of digital classification were applied to use spectral and textural features of the image data to differentiate the vegetation classes. The results of the ground survey and the visual interpretation of the image data were the basis for the classification and evaluation of the classification accuracy.

The supervised Maximum Likelihood classification method and the unsupervised ISODATA (Iterative Self Organizing Data Analysis Technique) clustering, both multispectral classification methods, were applied. The supervised EBIS (Evidence Based Interpretation of Satellite data) texture classification was performed additionally. The results of these different classifications were processed, merged and interpreted in a Geographic Information System (GIS).

The classification results show that the spectral and textural properties of the MOMS-02/D2 image data enable a detailed analysis of the vegetation stands.

The crowns of adult rain forest trees of the upper storeys can be indentified. Spectral differences can be pointed out between adult long-living trees, young trees and pioneers, an important fact for the description of the vegetation structure.

The visual interpretation allows the differentiation of old growth stands, three density classes of secondary forest and severely degraded forests. This is the only method which is suitable for classifying linear elements (logging routes, rivers) and shifting cultivation areas.

The Maximum Likelihood classification is not the optimum method of discriminating different density classes of secondary forests, due to the inaccuracies produced by the spectral similarity of these classes. The further application of a majority filter led to a partial improvement of the classification result. For the classification of large areas this method may be suitable in spite of these inaccuracies, because it may be less time-consuming compared to the visual interpretation, particularely for the distinction of severely inhomogenously structured vegetation classes. Besides this, the Maximum Likelihood classification is the only digital method which enables the distinction of mossy forests involving topographic data. Old growth stands, however, cannot be separated from relatively closed secondary forests.

For the distinction of old trees the EBIS texture classification is a suitable method. However, the accuracy of the classification of the other vegetation classes was insufficient.

The ISODATA cluster analysis allows a detailed description of composition of age and vertical structure of the forest stands.

The processing of the data in a GIS enabled the improvement of classification accuracy and the estimation of areas with high regeneration potential. Furthermore, the combining classification results with topographic data allowed the identification of areas with high erosion risk.

This analysis demonstrates that a single classification method cannot take into account the entire information provided by the MOMS-02/D2 image data. The application of different classification methods and the combination in a GIS enable a detailed description of composition, density and vertical structure, which are important parameters for the examination of the condition of the vegetation stands.