Search

Soil moisture (SM) is a significant parameter influencing various environmental processes in hydrology, ecology, and climatology. SAR-derived remote sensing products can be valuable input features for estimating SM. In the past, the results often lacked a sufficient spatial resolution for a local application. With the new Sentinel-1 sensor it seems possible to derive more detailed SM-maps. Therefore, we utilized this sensor to test the applicability of a support vector regression (SVR) based method for SM retrieval for two different grassland-covered floodplains in north-east Germany. The model was then tested for its transferability. Moreover, it was operating exclusively with free and publicly available data. In situ data of volumetric SM were collected in 2015 for both study areas at the Elbe and Peene rivers. Remote sensing input data were VV and VH backscatter, and local incidence angle derived from Sentinel-1 images, as well as height, slope, and aspect derived from SRTM images. Additionally, the Landsat 8 NDVI product was included to compensate vegetation influences on SAR backscatter. Overall, the SVR is capable of estimating SM reasonably accurate (RMSE 9.7 and 13.8 Vol% for the individual study sites). Nevertheless, the performance highly depends on the in situ data—particularly, on the amount of samples (here 98 Peene and 71 Elbe) and the value range (10–100 Vol% Peene and 12–87 Vol% Elbe). Furthermore, the optimal input feature combination and the best performance differed between study sites. In summary, backscatter, elevation, and NDVI were the most important features for SM prediction. Models using only Radar-derived features where only 1.05 or 2.01 Vol% worse than models including optical data and are, therefore, able to estimate SM. Combining samples from both study sites slightly impaired the model. Due to varying site-conditions in terms of humidity and vegetation cover, the transferability of the SVR models is not possible for the studied sites. Bodenfeuchtebestimmung in vegetationsbedeckten Flussauen mit Sentinel-1 SAR-Daten mittels Support-Vektor-Regression.Bodenfeuchte (BF) ist ein wichtiger Parameter, der verschiedene Umweltprozesse in der Hydrologie, Ökologie und Klimatologie beeinflusst. SAR-basierte Fernerkundungsprodukte können wertvolle Daten für die Abschätzung von BF sein. In der Vergangenheit fehlte oft eine ausreichende räumliche Auflösung für eine lokale Anwendung. Mit dem neuen Sentinel-1 Sensor ist es möglich, detailliertere BF-Karten abzuleiten. Daher haben wir Sentinel-1 verwendet, um die Anwendbarkeit der Support Vector Regression (SVR) Methode für die BF Abschätzung für zwei verschiedene Grasland-Überschwemmungsgebiete in Nordostdeutschland zu testen. Anschließend wurde das Modell auf seine Übertragbarkeit getestet. Darüber hinaus wurde ausschließlich mit freien und öffentlich zugänglichen Daten gearbeitet. In-situ-Daten des volumetrischen BF wurden im Jahr 2015 für die Untersuchungsgebiete an den Flüssen Elbe und Peene erhoben. Die Fernerkundungs-Eingabedaten waren VV- und VH-Rückstreuung und der lokale Einfallswinkel aus Sentinel-1-Bildern sowie Höhe, Neigung und Exposition ausSRTM-Bildern. Zusätzlich wurden Landsat 8 NDVI Produkte verwendet, um Vegetationseinflüsse auf die SAR-Rückstreuungen zu kompensieren. Insgesamt ist die SVR in der Lage, BF relativ genau zu schätzen (RMSE 9.7 und 13.8 Vol% für die einzelnen Untersuchungsgebiete). Dennoch hängt die Performance stark von den in-situ Daten ab – insbesondere von der Anzahl der Proben (hier 98 Peene bzw. 71 Elbe) und dem Wertebereich (10 - 100 Vol% Peene bzw. 12 - 87 Vol% Elbe). Darüber hinaus unterschieden sich die optimale Kombination von Eingabemerkmalen und die beste Leistung zwischen den einzelnen Untersuchungsgebieten. Zusammengefasst waren Rückstreuung, Höhe und NDVI die wichtigsten Merkmale für die BF-Vorhersage. Modelle, die ausschließlich von Radar abgeleitete Merkmale verwenden, sind nur um 1,05 bzw. 2,01 Vol% schlechter als Modelle mit optischen Daten und können daher BF bestimmen. Die Kombination von Daten aus beiden Untersuchungsgebieten führte zu einer leichten Beeinträchtigung des Modells. Die Übertragbarkeit der SVR-Modelle ist für die untersuchten Standorte aufgrund unterschiedlicher Standortbedingungen in Bezug auf Bodenfeuchtigkeit und Vegetationsdeckung nicht möglich.

Precise and region-wide information about soil moisture with a high spatial resolution is required for river flood plains to fulfil statutory provisions from the EU Water Framework Directive. Influenced by constraints like precipitation and vegetation cover, this complex parameter is often measured point-by-point. Continuous soil moisture products derived from remote sensing are currently available only at coarse spatial resolutions. In this context, plants are of special interest, as their growth and distribution is determined by soil properties. Plant characteristics can be utilized as indicators or proxies of mean soil moisture. This study focuses on the derivation of top soil layer moisture content based on these indicator values by synergistically utilizing different methods and active as well as passive sensors. Subsequently, a joint model was developed to derive a high spatial resolution soil moisture product for the investigated wetlands. This model reached a coefficient of determination of 0.93. The result is valuable to many different user groups like water or nature conservation authorities of all administrative levels. The implementation is mainly based on Sentinel-1 and -2 along with Landsat data sets. The high repetition rate of the Sentinel sensors can increase the classification accuracy of the bio-indicators by a precise mapping of the phenological stages. The results indicate that the method is transferable to other riparian areas to a certain degree. In addition, a time series analysis covering a period of 16 years based on a soil moisture index derived from Landsat data sets was realized. Changes in soil moisture, following restoration measures, emerge clearly and thus allow for a remote sensing-based monitoring of restoration success. Indikatorenbasiertes Bodenfeuchtemonitoring auf Flussauen durch eine synergistische Nutzung von Sentinel- und Landsat-Fernerkundungsdaten. Zur Erfüllung der gesetzlichen Vorgaben, die sich aus der nationalen Umsetzung der europäischen Wasserrahmenrichtlinie ergeben, sind genaue und räumlich hoch aufgelöste flächendeckende Informationen zur Bodenfeuchte in Flusslandschaften notwendig. Beeinflusst durch Faktoren wie Niederschlag und Vegetationsbedeckung ist die Bodenfeuchte mit konventionellen terrestrischen Messmethoden nur punktuell zu erfassen. Das Fehlen geeigneter flächendeckender Daten und Messsysteme wird als großes Defizit gesehen. Die Fernerkundung ist als vielversprechender Ansatz für die Entwicklung einer kostengünstigen und zeitsparenden Lösung zu betrachten. Derzeit sind fernerkundlich abgeleitete Bodenfeuchteprodukte jedoch nur in geringer räumlicher Auflösung verfügbar. Pflanzen haben in diesem Zusammenhang eine große Bedeutung, da sie unmittelbar durch die Eigenschaften des Bodens in ihrem Wachstum und ihrer Ausbreitung bestimmt werden. Diese Eigenschaften kann man nutzen, um Pflanzen u.a. als Bioindikatoren für die mittlere Bodenfeuchte zu verwenden. Das so genannte Zeigersystem nach Ellenberg ordnet den Gefäßpflanzen Europas Zeigerwerte zu, so z.B. die Feuchtezahl, die von Trockenheitszeigern bis zu Wasserpflanzen in zwölf Bereiche unterteilt ist. Fokus dieses Beitrags ist die Bestimmung des Feuchtigkeitsgehaltes der oberen Bodenschicht basierend auf diesen Indikatorwerten und mit anderen Ansätzen unter Nutzung verschiedener aktiver und passiver Sensoren. Synergien zwischen den verschiedenen Produkten wurden evaluiert und schließlich ein gemeinsames Modell entwickelt, um ein hochaufgelöstes Bodenfeuchteprodukt für die betrachteten Flussauen zu generieren. Das Bestimmtheitsmaß $$(\hbox {R}^{2})$$ (R2) des Produktes beträgt 0.93 und ist damit interessant für verschiedene Nutzergruppen, beispielsweise Naturschutz- oder Wasserbehörden aller Verwaltungsebenen. Die Umsetzung basiert hauptsächlich auf Sentinel-1, -2 sowie verschiedenen Landsat-Datensätzen. Die hohe zeitliche Wiederholrate der Sentinel-Satelliten kommt der Fragestellung entgegen, da u.a. die Klassifikationsgenauigkeit der Indikatorarten durch die Zusatzinformation der phänologischen Entwicklung deutlich verbessert wird. Die Ergebnisse deuten darauf hin, dass die Methode zu einem bestimmten Grad auch auf andere Flussauen übertragbar ist. Zusätzlich wurde eine 16 Jahre umfassende Zeitreihenanalyse mit einem auf Landsat-Daten basierenden Bodenfeuchte-Index durchgeführt. Bodenfeuchteänderungen als Folge von Renaturierungsmaßnahmen auf ausgewählten Poldern treten in der Auswertung deutlich hervor und erlauben so, den Erfolg durchgeführter Maßnahmen mittels Fernerkundungsmethoden zu überwachen.

In Südkirgistan werden durch Hangrutschungsereignisse regelmäßig Menschenleben sowie technische und soziale Infrastruktur gefährdet. Da die Hangrutschungsaktivität in dieser Region zwischen den Jahren sehr variiert, besteht der dringende Bedarf, Methoden zu entwickeln, welche eine dynamische und räumlich differenzierte Einschätzung der Hangrutschungsgefährdung auf regionaler Ebene erlauben. Aufgrund der Größe des Untersuchungsgebietes von über 12.000 km2 sind für die Entwicklung dieser Methoden satellitengestützte Fernerkundungsdaten besonders geeignet, da sie die einzige räumlich kontinuierliche und zeitlich wiederholbare Informationsbasis für die gesamte Region darstellen. In diesem Paper wird gezeigt, wie GIS- und Fernerkundungsverfahren für die Erfassung, Überprüfung und Homogenisierung heterogener Hangrutschungsdaten aus mehreren Quellen verwendet werden, um eine multitemporale Inventarisierung von Hangrutschungen zu ermöglichen. Besonderer Wert wird dabei auf die räumliche Konsistenz der Daten, die Dokumentation des zeitlichen Auftretens und die Erfassung von wiederholten Hangrutschungsereignissen innerhalb desselben Hangs gelegt. Um die multitemporale Hangrutschungsinventarisierung zu unterstützen, ist ein QGIS-basiertes Informationssystem entwickelt worden, welches mit angepassten Datenabfragen und räumlichen Analysen zur Ableitung von Hangrutschungsattributen beiträgt. Das Informations-system beinhaltet zusätzliche Geobasisdaten wie ein räumlich konsistentes multitemporales Archiv von Satellitenbildern und topographische Karten.

Deriving soil moisture content (SMC) at the regional scale with different spatial and temporal land cover changes is still a challenge for active and passive remote sensing systems, often coped with machine learning methods. So far, the reference measurements of the data-driven approaches are usually based on point data, which entails a scale gap to the resolution of the remote sensing data. Cosmic Ray Neutron Sensing (CRNS) indirectly provides SMC estimates of a soil volume covering more than 1 ha and vertical depth up to 80 cm and is thus able to narrow this scale gap. So far, the CRNS-based SMC has only been used as validation source of remote sensing based SMC products. Its beneficial large sensing volume, especially in depth, has not been exploited yet. However, the sensing volume of the CRNS, which is changing with hydrological conditions, bears challenges for the comparison with remote sensing observations. This study, for the fist time, aims to understand the direct linkage of optical (Sentinel 2) and SAR (Sentinel 1) data with CRNS-based SMC. Thereby, the CRNS-based SMC is obtained by an experimental CRNS cluster that covers the high temporal and spatial SMC variability of an entire pre-alpine subcatchment. Using different Random Forest regressions, we analyze the potentials and limitations of both remote sensing sensors to follow the CRNS-based SMC signal. Our results show that it is possible to link the CRNS-based SMC signal with SAR and optical remote sensing observations via Random Forest modelling. We found that Sentinel 2 data is able to separate wet from dry periods with a R2of 0.68. It is less affected by the changing soil volume that contributes to the CRNS-based SMC signal and it is able to assign a land cover specific SMC distribution. However, Sentinel 2 regression models are not accurate (R2 < 0.21) in mapping the CRNS-based SMC for the frequently mowed grassland areas of the study site. It requires soil type and topographical information to accurately follow the CRNS-based SMC signal with Random Forest regression. Sentinel 1 data instead is affected by the changing soil volume that contributes to the CRNS-based SMC signal. It has reasonable model performance (R2 = 0.34) when the CRNS data correspond to surface SMC. Also for Sentinel 1 the retrieval is impacted by the mowing activities at the test site. When separating the CRNS data set into dry and wet periods, soil properties and topography are the main drivers of SMC estimation. Sentinel 1 or Sentinel 2 data add the existing temporal variability to the regression models. The analysis underlines the need of combining optical and SAR observations (Sentinel 1, Sentinel 2) as well as soil property and topographical information to understand and follow the CRNS-based SMC signal for different hydrological conditions and land cover types.

Auenökosysteme haben ein hohes Speicherpotenzial für organischen Kohlenstoff (Corg), auch im Vergleich zu anderen terrestrischen Ökosystemen. Allerdings fehlt eine wissenschaftliche Grundlage für die Schaffung von großmaßstäbigen Karten, die die räumliche Verteilung des Corgzeigen. In diesem Beitrag untersuchen wir einen Ansatz des maschinellen Lernens mittels Fernerkundungs- und zusätzlichen geografischen Daten für eine flächendeckende hochauflösende Abschätzung der Corg-Verteilung und bewerten die Relevanz der einzelnen Geofaktoren. Das Untersuchungsgebiet ist der Nationalpark Donau-Auen in Österreich, eine der wenigen unberührten Auenhabitate in Mitteleuropa. Zwei Satellitenbilder (Ikonos und RapidEye), historische und aktuelle topografische Karten, das digitale Geländemodell und Grundwasserdaten wurden einbezogen. Wir verglichen die Klassifizierung des Corg-Gehalts in Vegetation, Boden und Gesamtbiomasse in zwei, drei, vier und fünf Klassen. Die Ergebnisse zeigen ein räumliches Modell der Corg-Verteilung in Auwäldern mit der Kombination einer objektbasierten Bildanalyse (OBIA) und einem CART (Klassifikations- und Regressionsbaum) -Algorithmus. Die Komplexität der Auen, in denen Muster von Corg-Veteilung von Natur aus schwer zu definieren sind, erschwerte es, eine hohe Klassifizierungsgenauigkeit zu erzielen. Bei der Beurteilung der Relevanz einzelner Geofaktoren zeigte sich, dass die Fernerkundungsparameter wichtig für die Klassifizierung von Corgin der Vegetation sind, während die Höhe oder die Lage des historischen Flussbetts mehr Einfluss auf die Klassifizierung des Corg-Gehalts im Boden haben. Dies wurde auch durch eine vergleichende lineare multiple Regression bestätigt.

Ziel dieses Artikels ist es, einen Überblick über die Motivation, den Aufbau und die Entwicklung von spektralen und geometrischen Modellen für die Anwendung in der forstlichen Fernerkundung zu geben. Es werden die Hauptmodelltypen (geometrisch-optisch (GO), Strahlungstransfer (RT), Kopplung von GO und RT (GORT) und Ansätze mittels Computergraphik) vorgestellt. Weiterhin wird eine Auswahl der einflussreichsten Modelle benannt und kurz beschrieben. Mit RAMI (Vergleich von Strahlungstransfermodellen) wird eine Initiative zum Vergleich der verschiedenen Modelle vorgestellt. Zusätzlich werden die Modelle, welche explizit forstliche Anwendung haben noch bezüglich ihrer Verwendung von Pflanzenmodellen und deren Verteilung verglichen.