Forest Parameter Prediction Based on Spaceborne Dualfrequency PolSAR

Die Fernerkundung spielt bei der Kartierung und Überwachung von Wäldern eine entscheidende Rolle. Insbesondere SAR (Synthetic Aperture Radar) nimmt aufgrund der Wetter- und Beleuchtungsunabhängigkeit diesbezüglich eine immer größere Rolle ein. Für das Forschungsgebiet Nationalpark Bayerischer Wald waren als Satellitendaten insbesondere X-Band (TerraSAR-X) und L-Band (ALOS-2) Daten interessant, da X-Band hauptsächlich von Baumkronen reflektiert wird, während im L-Band eine teilweise Durchdringung bis zum Boden erreicht werden kann.

Die im Quadpol-Modus aufgenommenen Datensätze werden zunächst mit dem Multi-SAR Prozessor des Deutschen Zentrums für Luft- und Raumfahrt in Oberpfaffenhofen zu Kennaugh-Elementen vorprozessiert, die X-Band und L-Band Kennaugh Elemente bilden somit zwei von fünf untersuchten Szenarien. Drei weitere Szenarien beinhalten die Kombination beider Datensätze, mit dem Layerstack als der simpelsten Variante, bei dem die Kennaugh Elemente gestapelt werden. Aus dem Layerstack werden dann zwei Fusionsraster nach den Fusionsmethoden der hyperkomplexen Basen erzeugt. Hierbei findet bei der sogenannten additiven Fusion eine Normalisierung nach der Fusion statt, bei der multiplikativen Fusion wird schon vor der Fusion normalisiert.

Als Referenz werden ausgewählte Attribute und Flächeneigenschaften von gelabelten Baumsegmenten (Vektordaten) in vier Transekten im Forschungsgebiet aus LiDAR und Multispektraldaten mithilfe eines QGIS-Modells als Kanäle auf ein Raster aggregiert (Abbildung 1). Die Kanäle beinhalten unter anderem Eigenschaften wie die Fläche der Baumkronen getrennt nach Laub- und Nadelbäumen, das Kronenvolumen, sowie die Baum- und Kronenbasishöhe. Mit einem an jedem der fünf erwähnten Szenarien trainierten Random Forest Regressionsmodell sollen diese Kanäle dann in unterschiedlichen Testgebieten vorhergesagt werden. Dabei wird das Regressionsmodell bei Training und Vorhersage auf geografisch abhängige und unabhängige Gebiete angewandt (Abbildungen 2,3 & 4).

In den Ergebnissen stellte sich der Layerstack als das insgesamt leistungsfähigste Szenario heraus, mit herausragenden Ergebnissen in geografisch voneinander abhängigen Gebieten. Die additive Fusion zeigt bessere Ergebnisse in unabhängigen Gebieten mit Totholz, während die multiplikative Fusion in unabhängigen Gebieten ohne Totholz Stärken zeigt. Sofern verfügbar, ist eine Kombination von X-Band und L-Band Datensätzen anhand der Ergebnisse selbst in einem simplen Layerstack immer zu empfehlen.

Kooperationen: Nationalpark Bayerischer Wald; Deutsches Zentrum für Luft- und Raumfahrt, Oberpfaffenhofen