Search

Imagery acquired by the Moderate-resolution Imaging Spectroradiometer (MODIS) provides a global archive of dailyNormalized Difference Snow Index (NDSI) at 500 m nominal resolution since the year 2000. While Sentinel-2 (S2) NDSI provides an increased spatial resolution of 20 m since the year 2015, the temporal resolution amounts to only 5 days and thus lacks the high temporal resolution of MODIS. Efforts to combine NDSI datasets for an increased temporal and spatial resolution have so far focused on the deriving binary snow cover maps or combining data from other sensors. In contrast, we produce fine scale (20 m) fractional snow cover (FSC) by downscaling MODIS NDSI to S2 resolution. Random forest regression predicts S2 NDSI based on dynamic features (MODIS NDSI, day-of-year) and static, topographic features for an alpine study site. Subsequently, FSC is derived from S2 NDSI. Cross-validation results in R2 of 0.795 and RMSE of 0.155 for FSC and outperforms common resampling methods. Multi-annual S2 NDSI metrics are able to slightly improve model accuracy. Our results suggest that combining topographical data and low-resolution NDSI allows to produce daily, high-resolution S2 NDSI and FSC and improve fine scale characterization of snow cover dynamics in mountain landscapes., Mathematical Geodesy and Positioning

Satellitenbilder mit einer hohen zeitlichen und räumlichen Auflösung (z.B. Sentinel-2) sind in den letzten Jahren zunehmend frei verfügbar. Trotz des vereinfachten Datenzugangs existieren wenige Ansätze, die eine flächendeckende Kartierung von Baumarten anstreben. Die vorliegende Arbeit beschäftigt sich daher mit der flächendeckenden Kartierung von Baumarten basierend auf Satellitenbildern. Aufbauend auf Sentinel-2-Zeitreihen für das Jahr 2018, die einen Großteil von Tirol (Österreich) abdecken, werden verschiedene methodische Ansätze unter Berücksichtigung topographischer Parameter untersucht.Existierende Ansätze bauen oftmals auf einer multitemporalen Datengrundlage auf. Um die Möglichkeiten zeitlich hochaufgelöster Zeitreihen zu untersuchen, werden in der vorliegenden Arbeit zudem weitere Variablen wie beispielweise zeitlich aggregierte Bilder und phänologische Parameter abgeleitet. Die Güte der Klassifikation wird mittels einer räumlichen Kreuzvalidierung quantifiziert, um den Einfluss der räumlichen Autokorrelation auf die Genauigkeitsmaße gering zu halten. Die Arbeit wird in einem Gebirgsgebiet (Ostalpen, Tirol, Österreich) durchgeführt und untersucht, ob speziell topographische Parameter (Hangneigung, Ausrichtung, Schlagschatten) eine Auswirkung auf die Genauigkeit der abgeleiteten Karten haben. Zudem wird der Einfluss struktureller Waldparameter (Überschirmungsgrad und Baumhöhe) untersucht. Die wichtigsten Aufnahmezeitpunkte und Bänder werden mit Hilfe zusätzlicher Ausgaben des Random Forest Algorithmus eingeschätzt.Die Ergebnisse zeigen, dass fünf verschiedene Baumarten und -typen (Laubbäume, Lärchen, Kiefern, Fichten/Tannen, Bergkiefern) mit einer Genauigkeit von rund 85% kartiert werden können. Phänologische Parameter verbessern die Qualität der Kartierung nicht. Bereiche innerhalb von Schlagschatten und mit nördlicher Ausrichtung zeigen eine höhere Rate von Fehlklassifikationen. Ob Faktoren wie Baumhöhe und Überschirmungsgrad einen Einfluss auf die Klass, This work represents a methodological investigation into the field of accurate and comprehensive mapping of tree species in mountainous environments based on time series of satellite imagery which - despite the nowadays huge amount of freely available imagery - has recently still been regarded as a challenge. The aim is to quantify the value of these both temporally and spatially dense time series, with a special focus on errors that might be related to characteristics of mountainous environments. The study is based on Sentinel-2 time series of the year 2018 that cover a vast part of the Province of Tyrol, Austria.In addition to single Sentinel-2 acquisitions, temporal image composites and phenological metrics are computed and incorporated into the classification workflow in order to evaluate potential benefits. Accuracy assessment is based on spatial cross-validation, a technique that aims at reducing positively biased results due to spatial autocorrelation. Errors are qualitatively analysed with respect to topographic parameters (aspect, slope, shadows cast by mountains) and structural forest parameters (mean tree height, crown coverage). Additional information of the Random Forest algorithm is used to analyse the importance of features with respect to the wavelength and acquisition date.The results show that mapping five different species (broadleaved-, larch-, pine-, spruce/fir- and dwarf pine stands) is possible with an overall accuracy of around 85%. Phenological metrics did not improve mapping accuracies. Areas within cast shadows and northern sectors showed worse results. The influence of stand characteristics (crown coverage, tree height) on mapping accuracy is ambiguous and needs further investigation. It could be shown that many existing approaches cannot be applied in area-wide mapping efforts because they rely on cloud-free imagery which often is not available. Therefore specific preprocessing (gap-filling, temporal aggregation, extracting temporal metr, submitted by Andreas Kollert, Zusammenfassung in deutscher Sprache, Druck-Ausgabe ohne Berücksichtigung der Errata (siehe Digitale Bibliothek), Masterarbeit University of Innsbruck 2019

Satellitenbilder mit einer hohen zeitlichen und räumlichen Auflösung (z.B. Sentinel-2) sind in den letzten Jahren zunehmend frei verfügbar. Trotz des vereinfachten Datenzugangs existieren wenige Ansätze, die eine flächendeckende Kartierung von Baumarten anstreben. Die vorliegende Arbeit beschäftigt sich daher mit der flächendeckenden Kartierung von Baumarten basierend auf Satellitenbildern. Aufbauend auf Sentinel-2-Zeitreihen für das Jahr 2018, die einen Großteil von Tirol (Österreich) abdecken, werden verschiedene methodische Ansätze unter Berücksichtigung topographischer Parameter untersucht.Existierende Ansätze bauen oftmals auf einer multitemporalen Datengrundlage auf. Um die Möglichkeiten zeitlich hochaufgelöster Zeitreihen zu untersuchen, werden in der vorliegenden Arbeit zudem weitere Variablen wie beispielweise zeitlich aggregierte Bilder und phänologische Parameter abgeleitet. Die Güte der Klassifikation wird mittels einer räumlichen Kreuzvalidierung quantifiziert, um den Einfluss der räumlichen Autokorrelation auf die Genauigkeitsmaße gering zu halten. Die Arbeit wird in einem Gebirgsgebiet (Ostalpen, Tirol, Österreich) durchgeführt und untersucht, ob speziell topographische Parameter (Hangneigung, Ausrichtung, Schlagschatten) eine Auswirkung auf die Genauigkeit der abgeleiteten Karten haben. Zudem wird der Einfluss struktureller Waldparameter (Überschirmungsgrad und Baumhöhe) untersucht. Die wichtigsten Aufnahmezeitpunkte und Bänder werden mit Hilfe zusätzlicher Ausgaben des Random Forest Algorithmus eingeschätzt.Die Ergebnisse zeigen, dass fünf verschiedene Baumarten und -typen (Laubbäume, Lärchen, Kiefern, Fichten/Tannen, Bergkiefern) mit einer Genauigkeit von rund 85% kartiert werden können. Phänologische Parameter verbessern die Qualität der Kartierung nicht. Bereiche innerhalb von Schlagschatten und mit nördlicher Ausrichtung zeigen eine höhere Rate von Fehlklassifikationen. Ob Faktoren wie Baumhöhe und Überschirmungsgrad einen Einfluss auf die Klass, This work represents a methodological investigation into the field of accurate and comprehensive mapping of tree species in mountainous environments based on time series of satellite imagery which - despite the nowadays huge amount of freely available imagery - has recently still been regarded as a challenge. The aim is to quantify the value of these both temporally and spatially dense time series, with a special focus on errors that might be related to characteristics of mountainous environments. The study is based on Sentinel-2 time series of the year 2018 that cover a vast part of the Province of Tyrol, Austria.In addition to single Sentinel-2 acquisitions, temporal image composites and phenological metrics are computed and incorporated into the classification workflow in order to evaluate potential benefits. Accuracy assessment is based on spatial cross-validation, a technique that aims at reducing positively biased results due to spatial autocorrelation. Errors are qualitatively analysed with respect to topographic parameters (aspect, slope, shadows cast by mountains) and structural forest parameters (mean tree height, crown coverage). Additional information of the Random Forest algorithm is used to analyse the importance of features with respect to the wavelength and acquisition date.The results show that mapping five different species (broadleaved-, larch-, pine-, spruce/fir- and dwarf pine stands) is possible with an overall accuracy of around 85%. Phenological metrics did not improve mapping accuracies. Areas within cast shadows and northern sectors showed worse results. The influence of stand characteristics (crown coverage, tree height) on mapping accuracy is ambiguous and needs further investigation. It could be shown that many existing approaches cannot be applied in area-wide mapping efforts because they rely on cloud-free imagery which often is not available. Therefore specific preprocessing (gap-filling, temporal aggregation, extracting temporal metr, submitted by Andreas Kollert, Zusammenfassung in deutscher Sprache, Druck-Ausgabe ohne Berücksichtigung der Errata (siehe Digitale Bibliothek), Masterarbeit University of Innsbruck 2019