Statistische Analyse von Standortfaktoren zur Erklärung von aus Fernerkundungsdaten abgeleiteten phänologischen Zeitpunkten am
Beispiel von Grünlandflächen im Alpenvorland
10. Oktober 2014
Mattia Rossi, Carina Kübert, Christopher Conrad
Universität Würzburg, Institut für Geographie und Geologie, Lehrstuhl für Fernerkundung, Oswald‐Külpe‐Weg 86, 97074 Würzburg
Mattia Rossi
1. Phänologie
Was ist Phänologie?
„Phenology is the study of the timing of recurring biological events, the causes of their timing with regard to biotic and abiotic forces[…]“ (Lieth 1974)
Wie wird Phänologie gemessen?
• Realer Raum: Erhebung durch Beobachter anhandmorphologischer Entwicklungsphasen von Pflanzen.z.B. BBCH (BIOLOGISCHE BUNDESANSTALT FÜR LAND UND FORSTWIRTSCHAFT 2001), Zadoks (ZADOKS, CHANG, KONZAK 1974)
• Datenraum: Ableiten von phänologischen Parameternaus vegetationskundlichen Indizes fernerkundlicher Daten. z.B. NDVI, EVI
2AK Fernerkundung | TU Berlin | 10. 10. 2014
Mattia Rossi
1. Phänologie
Messung der Phänologie im realen Raum:
3AK Fernerkundung | TU Berlin | 10. 10. 2014
Quelle: dwd.de/phaenologie
Mattia Rossi
1. Phänologie
Messung der Phänologie im Datenraum:
4AK Fernerkundung | TU Berlin | 10. 10. 2014
Quelle: JÖNSSON, EKLUNDH 2004
Mattia Rossi
1. Phänologie
MODIS Start of Season 2012:
5AK Fernerkundung | TU Berlin | 10. 10. 2014
Mattia Rossi
2. Zielsetzung
Zielsetzung:
• Sind fernerkundlich abgeleitete Indikatoren dazu geeignet die räumliche Variabilität phänologischer Parameter zu erklären?
• Literarische Recherche von Indikatoren• Ableitung von Indikatoren aus Fernerkundungsdaten• Statistische Modelle Testen der Indikatoren mit in‐situ erhobenen
phänologischen Informationen Testen der Indikatoren mit aus MODIS Zeitserien
abgeleiteten phänologischen Parametern Anwendung des „Random Forest“ Algorithmus Bestimmung der Relevanz der Indikatoren
6
Indikatoren
Statistische ModelleDaten
AK Fernerkundung | TU Berlin | 10. 10. 2014
Mattia Rossi
3. Arbeitsablauf ‐ Indikatoren
Indikatoren:
Topographie (CORNELIUS 2013; SCHABER 2002, ZIELLO et al. 2009)
• Hangneigung (Slope)• Höhe ü. NN (Elevation)• Hangexposition (Aspect) N/S
Temperatur (CORNELIUS 2013; HAMUNYELA et al. 2013)
• Temperatur über 0°C• Temperatur über 5°C• Mittlere Temperatur im Frühling (Jan‐Mai)
Schneebedeckung (CORNELIUS 2013; DIETZ, WOHNER, KUENZER 2012; JÖNSSON et al. 2010)
• Schneebedeckung in 8 Tages Komposit• 7 aufeinanderfolgende schneefreie Tage • Snow Cover Melt (SCM)
7
Indikatoren
Statistische ModelleDaten
AK Fernerkundung | TU Berlin | 10. 10. 2014
Mattia Rossi
Zu erklärende Variablen• Phänologie
• DWD „Ergrünen Beginn“ 2012 von Dauergrünland (www.dwd.de/phaenologie)
• MODIS Start‐of‐Season (SOS) 2012 (lpdaac.usgs.gov)
• Landbedeckung• Corine Land Cover Klassen 3.2.1
(Natürliches Grünland) und 2.3.1 (Wiesen und Weiden)
Datengrundlage:
Erklärende Variablen• MODIS LST (lpdaac.usgs.gov)
• MOD11A2• Geometrische Auflösung: ca. 1000m• Temporale Auflösung: 8 Tage
• MODIS Snow Cover (nsidc.org)• MOD10A2• Geometrische Auflösung: ca. 500m• Temporale Auflösung: 8 Tage bzw. 1
Tag• SRTM (srtm.csi.cgiar.org)
• Geometrische Auflösung: 90m
8
Indikatoren
Statistische ModelleDaten
AK Fernerkundung | TU Berlin | 10. 10. 2014
3. Arbeitsablauf ‐ Daten
Mattia Rossi
3. Arbeitsablauf ‐ Untersuchungsgebiet
9AK Fernerkundung | TU Berlin | 10. 10. 2014
Mattia Rossi 10AK Fernerkundung | TU Berlin | 10. 10. 2014
3. Arbeitsablauf ‐ Untersuchungsgebiet
Mattia Rossi
Statistik:
Random Forest (Breiman 2001):
• Klassifikations‐ bzw. Regressionsverfahren basierend auf CART Algorithmus (Breiman 1984)
• Definition einer Zielvariable (Phänologie) und bestimmten Prädiktoren (Indikatoren)
• Ausbildung von n‐Bäumen durch zufällige Zusammensetzung der Prädiktoren
• Trainings‐, Validierungs‐ und Out‐of‐Bag‐Daten Erklärungsanteil und Wichtigkeit der Prädiktoren
11
Indikatoren
Statistische ModelleDaten
AK Fernerkundung | TU Berlin | 10. 10. 2014
3. Arbeitsablauf ‐ Statistiken
Mattia Rossi 12AK Fernerkundung | TU Berlin | 10. 10. 2014
Korrelationen:
4. Ergebnisse
Mattia Rossi 13AK Fernerkundung | TU Berlin | 10. 10. 2014
4. Ergebnisse
Random Forest DWD Statistiken:
Mattia Rossi 14AK Fernerkundung | TU Berlin | 10. 10. 2014
4. Ergebnisse
Random Forest MODIS Statistiken:
Mattia Rossi
Random Forest Variabilität:
15AK Fernerkundung | TU Berlin | 10. 10. 2014
4. Ergebnisse
Mattia Rossi 16AK Fernerkundung | TU Berlin | 10. 10. 2014
4. Ergebnisse
Variablenwichtigkeit DWD:
Mattia Rossi 17AK Fernerkundung | TU Berlin | 10. 10. 2014
4. Ergebnisse
Variablenwichtigkeit MODIS:
Mattia Rossi
Unsicherheiten der Datengrundlagen:
• In‐situ Daten:• Subjektive Einschätzung, und freiwillige Beobachter können pro Station variieren• Erschwerte räumliche Zuordnung der Geländemessung durch „erlaubte“
Abweichung vom angegeben Standort von max. 5km• „Dauergrünland“ sehr weitläufiger Begriff• Kleine STP Zahl (N=63)• In‐situ Messungen sind trotzdem die „beste“ Annäherung an die Realität
• Fernerkundungsdaten:• Unterschiedliche Auflösungen (temporal, geometrisch)• Methode zur Ableitung der Phänologie aus MODIS Daten• Unterschiede in der Größe der CLC Objekte
18AK Fernerkundung | TU Berlin | 10. 10. 2014
5. Diskussion
Mattia Rossi
6. Ausblick
• Diverse Datengrundlagen für Indikatoren testen
• Weitere Indikatoren hinzufügen
• Statistiken stabilisieren (z.B. Random Forest Parameter Tuning)
• Weitere Vegetationstypen einbeziehen
• Umgang mit Skalensprung
• Testen an unterschiedlichen phänologischen Parametern
• Räumliche Analyse um zeitliche Komponente erweitern
19AK Fernerkundung | TU Berlin | 10. 10. 2014
Mattia Rossi
Literatur:
BREIMAN, L. (2001): “Random Forests”. In: Machine Learning 45 (1), S. 5‐32.
CORNELIUS, C., LEINGÄRTNER, A., HOISS, B., KRAUSS, J., STEFFAN‐DEWENTER, I., MENZEL, A. (2013): "Phenologicalresponse of grassland species to manipulative snowmelt and drought along an altitudinal gradient". In: Journal of Experimental Botany 64 (1), S. 241–251.
HAMUNYELA, E., VERBESSELT, J., ROERINK, G., HEROLD, M. (2013): “Trends in Spring Phenology of Western European Deciduous Forests”. In: Remote Sensing 5, S. 6159‐6179.
JÖNSSON, A.M., EKLUNDH, L., HELLSTRÖM, M., BÄRRING, L. AND JÖNSSON, P., (2010): „Annual changes in MODIS vegetation indices of Swedish coniferous forests in relation to snow dynamics and tree phenology“. In: Remote Sensing of Environment 114, S.2719‐2730.
SCHABER, J. (2002): "Phenology in Germany in the 20th Century: Methods, Analyses and Models". Potsdam: Dissertation.
ZIELLO, C., ESTRELLA, N., KOSTOVA, M., KOCH, E., MENZEL, A. (2009): "Influence of altitude on phenology of selected plant species in the Alpine region (1971‐2000)". In: Clim Research 39 (3), S. 227–234.
20AK Fernerkundung | TU Berlin | 10. 10. 2014
Vielen Dank für die Aufmerksamkeit
Universität Würzburg, Institut für Geographie und Geologie, Lehrstuhl für Fernerkundung, Oswald‐Külpe‐Weg 86, 97074 Würzburg
10. Oktober 2014
Mattia Rossi, Carina Kübert, Christopher Conrad
Mattia Rossi
1. Phänologie
Messung der Phänologie im Reellen Raum
22AK Fernerkundung | TU Berlin | 10. 10. 2014
Quelle: dwd.de
Quelle: CASPERS 2013
Mattia Rossi
1. Phänologie
Messung der Phänologie im Datenraum
23AK Fernerkundung | TU Berlin | 10. 10. 2014
Quelle: JÖNSSON, EKLUNDH 2004
Mattia Rossi
1. Phänologie
Messung der Phänologie im Datenraum
24AK Fernerkundung | TU Berlin | 10. 10. 2014
Mattia Rossi
Statistik:
Validierung:
• Berechnen von Validierungsfehler• Berechnen von OOB (Out‐of‐Bag) Fehler• Pseudo R‐Quadrat bestimmen: 1‐MSE/Var(y)
Variablenwichtigkeit:
• „Percentual increase in MSE“ (%IncMSE)Erhöhung des MSE wenn die Variable aus Bäumen ausgeschlossen wird
• „Increase in Node Purity“ (IncNodePurity)Unterschied zwischen RSS vor und nach den Knoten mit der respektiven Variable
25AK Fernerkundung | TU Berlin | 10. 10. 2014
3. Arbeitsablauf ‐ Statistiken
Mattia Rossi
4. Verteilung zu erklärender Variablen
DWD Untersuchungsgebiete:
26AK Fernerkundung | TU Berlin | 10. 10. 2014
Mattia Rossi
MODIS Untersuchungsgebiet:
27AK Fernerkundung | TU Berlin | 10. 10. 2014
4. Verteilung zu erklärender Variablen
Mattia Rossi
Anwendung auf Pfeifengraswiesen:
28AK Fernerkundung | TU Berlin | 10. 10. 2014
5. Anwendung
Mattia Rossi 29AK Fernerkundung | TU Berlin | 10. 10. 2014
5. Ergebnisse
Mattia Rossi 30AK Fernerkundung | TU Berlin | 10. 10. 2014
5. Ergebnisse
Mattia Rossi 31AK Fernerkundung | TU Berlin | 10. 10. 2014
4. Ergebnisse
Variablenwichtigkeit:
Mattia Rossi 32AK Fernerkundung | TU Berlin | 10. 10. 2014
5. Ergebnisse
Mattia Rossi
Unsicherheiten der Datengrundlagen:
• DWD:• Subjektive Einschätzung, und freiwillige Beobachter können pro Station variieren• Erschwerte räumliche Zuordnung der Geländemessung durch „erlaubte“
Abweichung vom angegeben Standort von max. 5km• Schwierig insb. bei hoher Heterogenität der Standortfaktoren Topographie und
Boden• „Dauergrünland“ sehr weitläufiger Begriff (Artenzusammensetzung,
Flächenanteile, Bewirtschaftung, …)• In‐situ Messungen sind die „beste“ Annäherung an die Realität
• MODIS:• Subjektive Einschätzung, und freiwillige Beobachter können pro Station variieren
33AK Fernerkundung | TU Berlin | 10. 10. 2014
5. Diskussion