Direkt zum Inhalt | Direkt zur Navigation

Eingang zum Volltext

Lizenz

Bitte beziehen Sie sich beim Zitieren dieses Dokumentes immer auf folgende
URN: urn:nbn:de:bsz:25-opus-29052
URL: http://www.freidok.uni-freiburg.de/volltexte/2905/


Siwe Ngamabou, René

Evaluating the efficacy of remote sensing techniques in monitoring forest cover and forest cover change in the Mount Cameroon region

Evaluierung der Effektivität von Fernerkundungstechniken der Waldflächenbedeckung und Waldflächenveränderung am Kamerunerberg zu erfassen

Dokument1.pdf (14.130 KB) (md5sum: 65f52f263c018829b84b72ec3f522e46)

Kurzfassung in Englisch

The mount Cameroon region is experiencing rapid and continuous changes mainly due to anthropogenic influences (wood extraction and agricultural extension). The changes occur at varying spatial scales most often not more than 250 m for small scale farms and extraction of fuelwood; extending to hundreds of hectares for plantation agriculture and commercial logging. Given the importance of land use and land cover data in conservation planning, accurate and efficient techniques to provide up-to-date data are required.
Techniques based on multi-temporal, multi-spectral, satellite-sensor-acquired data have demonstrated great potential as a means to detect, identify, map and monitor forest cover and forest cover changes irrespective of their causal agents. Nevertheless variable opinions still exist about the value and appropriateness of these techniques due to landscape complexities of study areas and data used.
Moreover, forest cover change is a location specific problem with the effect, pattern and magnitude of identified drivers not just differing from country to country but also from one region to another. Consequently, it is absolutely necessary to devise techniques that empirically determine the extent and identify the magnitude at which factors identified, influence the continuous changes in forest cover patterns. Furthermore, given that many different factors influence changes in forest cover and that these factors operate at different levels, mixing up the factors of various levels generally leads to a wrong specification of the causal relationships between variables. It is thus of utmost importance to understand the role of each of these factors on forest cover change.
The thesis summarises the methods and results of applying different thematic information extraction algorithms as well as different change detection algorithms to monitor forest cover and forest cover change in the mount Cameroon region. Furthermore, the study sought to explain the forest cover changes detected using spatial geophysical variables extracted from available remote sensing and GIS data. The research mainly focuses on determining, suitable techniques for monitoring forest cover within the difficult Cameroonian context - lack of decent soft- and hardware, unavailability of satellite imagery, lack of personnel etc.
Bi-temporal Landsat imagery (Landsat TM 1987 and ETM+ 2002) coupled with ancillary GIS data were employed to pursue the objectives shortlisted. The scenes were geometrically and radiometrically corrected and the time series co-registered to avoid erroneous changes. They were subsequently enhanced spectrally and spatially to obtain ancillary information pertaining to forest cover distribution.
The supervised pixel-based classification using Maximum Likelihood Classifier (MLC) and the Nearest Neighbour (NN) object-based classification were implemented to map the tropical forests of the mount Cameroon. The efficacy of both approaches was assessed based on the accuracy of the respective thematic maps and a visual evaluation of the delineation of land cover/use categories.
Five change detection procedures were also tested to determine their effectiveness in detecting and delineating forest cover changes. The following techniques were implemented: univariate image differencing using bands 4 and 5, transformed band differencing (NDVI), post classification comparison, change vector analysis using tasseled cap as biophysical parameter and multi date change detection using binary mask (analysis of differencing in classification results).
The accuracy of the resultant change maps was assessed based on information procured during field study. The algorithms were compared based on their ability to identify quantitative and qualitative changes. Moreover, aspects like ease of implementation of technique and interpretability of results were also taken into consideration – important considerations for transferring remote sensing technology to local and international governmental and non-governmental organisations as well as being a sustainability requirement for community forest management initiatives.
Finally, univariate statistical models were developed to understand the effect of certain spatial variables on forest cover change. Nearness to roads, nearness to watersheds, nearness to settlement, aspect, slope and soil types were extracted from available remote sensing and GIS data and implemented in this study.
The implementation of the object oriented approach did not lead to substantial improvements in the results. On the contrary, the pixel-based technique had slightly better overall accuracy results than the object-oriented approach (89.39 % as against 87.12 %). Nevertheless the strength of the object-oriented approach in classifying heterogeneous land cover categories was confirmed.
The highest overall accuracy from a single change detection technique was achieved with the band 5 differencing 89.6 %. Post classification comparison also produced substantially good results (89.4 %), with a Kappa coefficient better than that of the Band 5 differencing (0.86 against 0.79). The other techniques produced modest results with overall accuracies of 72.7 %, 70.1 %, and 61 % for the NDVI differencing, CVA and Band 4 differencing respectively.
Nevertheless, each algorithm has its own merits with respect to facility of implementation, information content and interpretability of results. The high complementarity between different change detection methods makes it possible to combine algorithms and improve efficacy in detecting changes. The hybrid approach (multidate change detection procedure using binary mask) produced optimal qualitative and quantitive results – providing “from-to” information as well as high location accuracy of change areas. Despite requiring a number of steps (hybrid method), it reduces change detection errors and provides “from-to” change classification information. The efficacy of the method depends on the “change/no-change” binary mask.
Nearness to road proved to be the most influencial factor on forest cover change followed by nearness to settlement and slope. Nearness to watersheds had an insignificant effect on the changes while the variables aspect, soil type had no effect on forest cover change. Nevertheless, it was proven that the spatial variables implemented in this work failed to interpret the change of forest land to industrial plantations therefore suggesting the implementation of other socio-economic and political variables to better explain their occurrence.


Kurzfassung in Deutsch

Die Studie folgt den Bemühungen Wissenschaftler aus aller Welt, die tropischen Ökosysteme zu schützen und somit die globalen Klimaänderungen abzumildern. In diesem Zusammenhang wurden zahlreiche Versuche unternommen, die tropischen Wälder auf globaler Ebene zu kartieren. Heutzutage versucht man zusätzlich auf regionaler Ebene zu agieren.
Im Rahmen der vorliegenden Arbeit wurde analysiert, inwiefern der Einsatz hochauflösender Satellitendaten und Bildinterpretations-Algorithmen die Deutung der kontinuierlichen Waldveränderungen am Mount Kamerun verbessern kann. Im Forstsektor mit mangelnden Informationen über den Zustand der Wälder, kann die Anwendung von Fernerkundungstechnologien die Grundlage eine effektivere Bewirtschaftung gewährleisten.
Robuste und leistungsfähige Interpretations-Algorithmen wurden mit dem Beginn der Satellitenerdüberwachung entwickelt. Die Algorithmen ermöglichen, die Flächen der Landbedeckungskategorien nach Ähnlichkeit zu unterscheiden. Es wurden daher verschiedene Algorithmen entwickelt um Vegetation zu kartieren und zu analysieren. Der Einsatz dieser Algorithmen führte zu unterschiedlichen Ergebnissen, weshalb verschiedene Meinungen über den Wert und die Effektivität der jeweiligen Algorithmen bestehen.
Im Zusammenhang mit dieser Forschungsarbeit wurden Fernerkundungs- und GIS-Daten sowie erhobene terrestrische Daten evaluiert, um eine quantitative und qualitative Einschätzung von klein- und großräumigen Waldveränderungen des Mount Kamerun zu erfassen. Dabei standen die kleinräumigen Veränderungen im Vordergrund. Es wurde analysiert, inwiefern diese Veränderungen mit verschiedenen Bildinterpretations-Algorithmen sichtbar gemacht werden können.
Heutzutage erfordert nachhaltige Waldbewirtschaftung genaue Ressourcen-Daten, die kontinuierlich aktualisiert werden müssen. Leider fehlen solche Informationen im kamerunschen Forstsektor. Präzise Informationen über das Ausmaß der Walddegradierung können über Luftbilder festgestellt werden. Die Kosten der notwendigen wiederholten Erfassung sind jedoch sehr hoch. Außerdem haben Luftbilder in Kamerun einen restriktiven Status und sind sehr schwer Zugänglich. Vor diesem Hintergrund muss das Potential anderer Formen der Fernerkundungsdaten und Techniken sondiert werden.
Das Hauptziel der aktuellen Forschung war die Ermittlung der besten Konstellation von Klassifikationsvariablen zur Feststellung, Abgrenzung und Kartierung der Waldflächen sowie deren Veränderungen in den letzten zwei Jahrzehnten durch den Einsatz von multi-temporären Landsat TM und ETM Satellitendaten.
 Testen von verschiedenen Klassifikationsvariablen, um die vorhandene Vegetationsklassifikation zu verbessern,
 Einsetzung von Änderungs-Detektion Techniken, um Waldveränderungen besser zu kartieren,
 Entwicklung von Veränderungsmodellen anhand von Indizien aus Fernerkundung- und GIS-Techniken, um die Veränderungen ausreichend zu verstehen und zu erklären,
 Bestimmung möglicher Waldveränderungsflächen
Die folgenden Fragen wurden beantwortet:
 Stellt der Einsatz von objekt-basierter Klassifizierung eine wesentliche Verbesserung der Waldklassifikation im Gegensatz zur pixel-basierten Technik dar?
 Ist das Vergleich nach Klassifizierungs-Verfahren optimal, um Waldflächenveränderungen feststellen zu können?
 Welche Zusammenhänge bestehen zwischen Waldflächenveränderungen und räumlichen Faktoren wie die Entfernung zu Straßen, Entfernung zu Gewässern, Entfernung zu Siedlungen, Hangneigung, Aspekt und Bodentypen?

DAS UNTERSUCHUNGSGEBIET
Das Untersuchungsgebiet liegt südwestlich des Mount Kamerun und grenzt an den Atlantik. Die Vegetation besteht aus tropischem Regenwald, montaner und submontaner Vegetation. Landnutzungstypen sind prinzipiell kleinräumige Agrarfelder (Banane, Mais usw.) und großräumige Plantagen (Kakao und Palmen). Die Temperatur liegt im Jahresdurchschnitt zwischen 28° C und 33° C und die Luftfeuchtigkeit beträgt über 70 %. Der Niederschlag ist mit 10 000 mm jährlich sehr hoch.
MATERIAL UND METHODE
Bei der Untersuchung wurden Landsat TM und ETM Bilder eingesetzt. Das TM Bild wurde am 18.03.1987 erfasst, während das ETM am 30.01.2002 erfasst wurde.
Zusätzliche Materialien:
 Topografische Karte (Russian Quandrangle) 1:500 000 mit 50 m Höhenlinien (bestellt von East View Cartographic),
 Digitale topografische Karte (Buea/Douala index) – 20 m Auflösung mit 40 m Höhenlinien,
 Alte Landnutzungs- und Landbedeckungs-Karten.
 Bodenkarte Kameruns 1:1 000 000 (bestellt von East View Cartographic).
In Bezug auf die beschriebenen Ziele, lässt sich die Methodik in drei Teile gliedern: erstens das Testen von verschiedenen Klassifikationsvariablen, um die Klassifikation der Vegetation zu verbessern; zweitens der Einsatz von verschiedenen Änderungs-Detektion Algorithmen, um Waldflächenveränderung festzustellen; drittens die Erstellung eines Univariat-Modells, um den Verlauf der Waldflächenveränderung zu interpretieren.
Zu Interpretation von Satellitenbildern werden sogenannte „Ground Truth“ Informationen, die durch terrestrische Aufnahmen erhoben werden, benötigt. Die terrestrischen Aufnahmen erfolgten in zwei Phasen: zunächst erfolgte eine Pilotstudie im Dezember 2003, gefolgt von einer Studie von Dezember 2004 bis Februar 2005, in welcher die hier verwendeten Daten erhoben wurden. Punkte aus Wege-Kreuzungen wurden erhoben um die Geometrie der Bilder zu rektifizieren. Zusätzliche Punkte wurden auf allen verschiedenen Landbedeckungskategorien des Gebiets erfasst, um „Training“ und „Accuracy Assessment“ Datensätze zu erstellen.
Ein Klassifikationsschema wurde anhand der terrestrischen Daten erarbeitet. Die folgenden Landbedeckungs-Kategorien wurden betrachtet: „mature secondary forest, young secondary forest, mono-dominant forest, mid-elevation forest, bare ground, forest regrowth“.
Für die Veränderungsanalyse wurden Flächen, die später entstanden sind, gemessen und die terrestrische Messung wurde als Basis für die Beurteilung der verschiedenen Änderungs-Detektion Algorithmen verwendet.
Zusätzliche Daten in Bezug zur Waldveränderung wurden durch Interviews manche Dorfbewohner erfasst.
Vor der Interpretation der Bilder wurden sie vorprozessiert, indem die Geometrie korrigiert wurde. Der Einfluss der Topographie auf die digitalen Werte auf Grund von Sonnenwinkeln wurde mit dem C-Faktor-Algorithmus korrigiert. Ein DGM wurde erstellt, nachdem die Höhelinien der topographischen Karte extrahiert und interpoliert wurden. Das DGM wurde für die topographische Korrektur angewendet. Verschiedene räumliche und spektrale Techniken wurden angewandt, um zusätzliche Informationen aus den Bildern zu gewinnen. Das hochauflösende panchromatische Band des Landsat ETM-Bildes wurde mit den spektralen Kanälen der ETM-Daten fusioniert, um zusätzliche Informationen zu erhalten.
Das objekt-basierte Verfahren mit der Erstellung von Segmenten und der Kategorisierung der Segmente anhand des „Nearest Neighbour“-Algorithmus sowie das pixel-basierte Verfahren mit dem Einsatz des „Maximum Likelihood“-Algorithmus für die Klassifizierung der Pixels wurden für die Kartierung der Landbedeckung des Mount Kamerun Gebiets eingesetzt.
Die Genauigkeit der beiden Verfahren wurde anhand einer „Error Matrix“ überprüft (Klassifizierte Punkte wurden mit Terrestrischen Daten gekreuzt). Die Gesamtgenauigkeit, der Kappa Koeffizient so wie die Ersteller- und Benutzer-Genauigkeiten wurden ermittelt.
Fünf verschiedene Änderungs-Detektion Verfahren wurden angewendet, um die Waldflächenveränderungen festzustellen. (Band-Differenzierung mit Kanälen 4 und 5, NDVI-Differenzierung, Change Vector Analysis, Vergleich nach Klassifikation und Vergleich nach Klassifikation mit einer binären Maske auf dem zweiten Bild). Die Verfahren wurden nach folgenden Kriterien verglichen: Lage der Veränderung, Typ und Natur der Veränderung, Einsetzbarkeit des Verfahrens und Interpretierbarkeit der Ergebnisse.
Ein räumliches Univariat-Modell wurde entwickelt, um den Zusammenhang zwischen den Veränderungsflächen und einigen räumlichen Faktoren zu erklären. Die folgenden räumlichen Faktoren wurden betrachtet:
- Entfernung zu Straßen
- Entfernung zu Gewässern (Flüsse, Bäche, Seen)
- Entfernung zu Siedlungen
- Hangneigung und Aspekt
- Bodentypen
ERGEBNISSE UND SCHLUSSFOLGERUNG
Multi-temporäre und multi-spektrale Bilder können eingesetzt werden um die Waldflächenveränderung im Mount Kamerun Gebiet zu überwachen und festzustellen.
Die beiden Klassifikations-Verfahren, das objekt-basierte und das pixel-basierte Verfahren haben gute Ergebnisse für die Klassifizierung der Landschaft geliefert. Das pixel-basierte Verfahren hat das Gebiet mit einer Gesamtgenauigkeit von 89,36 % kartiert, während das objekt-basierte Verfahren das Areal mit einer Gesamtgenauigkeit von 87,12 % kartiert. Die Kappa Koeffizienten betragen jeweils 0,86 und 0,83 für das pixel- bzw. das objekt-basierte Verfahren.
Die objekt-basierte Klassifizierung führte nicht unbedingt zu einer Verbesserung der Vegetationskartierung. Es eignet sich besser bei der Kartierung von heterogenen Flächen, als das pixel-basierte Verfahren. Dass die meisten „ground truth points“ aus homogenen Flächen aufgenommen wurden und die mäßige räumliche Auflösung des Landsatbildes, waren natürlich einen Vorteil für das pixel-basierte Verfahren.
Die hauptsächlichen Waldveränderungen in Mount Kamerun Gebiet – Umwandlung von Wäldern zu Agrarfeldern - konnten beobachtet werden und wurden mit großen Präzision mit Hilfe einfacher Fernerkundungstechniken gekennzeichnet. Dies gewinnt, angesichts der Schwierigkeit, die Wälder Kameruns mit Fernerkundungs- und GIS-Techniken zu überwachen, an Bedeutung. Die Verfahren bieten eine Kosten-günstige Alternative, wenn viele Informationen gebraucht werden, die Mittel aber begrenzt sind. Dies ist meist der Fall bei kommunaler Waldbewirtschaftung.
Mit allen angewendeten Verfahren konnten die meisten Waldflächenveränderungen lokalisiert werden. Jedes Verfahren hat seine Vorteile und offensichtlich gibt es kein optimales Verfahren um Änderungs-Detektion durchzuführen. Vielmehr hängt es von den jeweils verfolgten Untersuchungszielen (Lage, Typ, oder Natur der Veränderung) ab, welcher Verfahren geeignet ist.
Die höchste Genauigkeit wurde mit der Band 5-Differenzierung und dem Vergleich nach Klassifikation- erzielt: jeweils 89,61 % and 89,12 %. Die NDVI-Differenzierung hatte eine Gesamt-Genauigkeit von 72,73 %; die Change Vector Analyse ergab 70,13 % während die Band 4-Differenzierung die niedrigste Genauigkeit von 61,04 % hatte.
Die Univariate und NDVI-Differenzierungs- Techniken sind einfach und direkt einzusetzen. Sie identifizieren Veränderungen ohne zusätzliche Informationen über deren Typ und deren Natur. Die CVA und der Vergleich nach Klassifikation haben den Vorteil, qualitative Informationen über den Typ und die Natur der Veränderung abzuliefern.
Der Vergleich nach Klassifikation ist die einzige Technik, die, Waldflächenveränderung mit höher Präzision identifiziert und abgrenzt, und gleichzeitig qualitative Informationen liefert. Die Genauigkeit kann durch das Hybrid Verfahren mit der Band 5-Differenzierung verbessert werden. Dieses kombinierte Verfahren bietet eine genaue Lokalisierung und zusätzliche qualitative Informationen.
Die komplexe und dynamische Natur der Landschaft und die Wechselwirkungen zwischen Einflussfaktoren auf gleichen und verschiedenen Ebenen verlangt eine kontinuierliche Beobachtung mit Fernerkundungsanalysen und Feldforschungen.
Waldflächenveränderungen in Kamerun werden von insgesamt drei Hauptfaktoren beeinflusst: dem Ausbau von Siedlungen, der Nutzung von Holz und der Verbreitung von Agrarflächen. Diese Faktoren treten in verschiedenen Formen auf und unterscheiden sich in den unterschiedlichen Regionen: Extraktion von Brennholz, kommerzielle Holzausbeutung, Einrichtung kleinräumiger Agrarfelder und Gründung von Agrarplantagen.
Im Mount Kamerun Gebiet sind die Verbreitung von Agrarflächen für kommerzielle oder private Zwecke die Hauptursachen der Waldvernichtung. Während die kommerziellen Plantagen eine permanente Beeinträchtigung der Wälder zu Folge hat, hängt diese bei den kleinräumigen Agraraktivitäten von der Intensität, in der diese Aktivitäten durchgeführt werden, ab: je länger eine Flächebrach, desto wahrscheinlicher ist es, dass die Bodennutzung nachhaltig wird.
Von den räumlichen Faktoren hat die Entfernung zu Strassen den größten Einfluss auf Waldflächenveränderung. Obwohl eine starke positive Korrelation zwischen Waldflächenveränderung und Entfernung zu Strassen, Entfernung zu Siedlungen sowie Hangneigung existiert, beeinflussen andere geophysische und sozioökonomische Faktoren die Waldvernichtung stärker als die räumlichen Faktoren, welche hier dargestellt sind.
Andauernde Wolken sind weiterhin ein Hindernis für das optische Fernerkundungs-Monitorring der Vegetation in den Tropen. Diese Region ist dafür bekannt, dass sie mit optischen Fernerkundungsmethoden schwer zu überwachen ist, weil Wolken fast ganzjährig die Sicht versperren. Die Aufnahme wolkenfreien Bilder ist praktisch unmöglich. Die Region ist bekannt für die Schwierigkeit, sie mit optischen Fernerkundungsdaten zu überwachen.
Es ist sinnvoll adäquate Möglichkeiten von aktiven Sensoren wie Radarsat, SAR, JERS in Zusammenhang mit passiven Sensoren zu erforschen, um die Wälder Mount Kamerun besser überwachen zu können.


SWD-Schlagwörter: Fernerkundung , Bildverarbeitung
Freie Schlagwörter (englisch): Remote Sensing , Digital Image Interpretation , Land Cover/Use Change , Change Detection , Forest Cover Mapping , GIS, Cameroon
Institut: Institut für Forstökonomie
Fakultät: Fakultät für Forst- und Umweltwissenschaften
DDC-Sachgruppe: Land- und Forstwirtschaft, Veterinärmedizin
Dokumentart: Dissertation
Erstgutachter: Koch, Barbara (Prof. Dr.)
Sprache: Englisch
Tag der mündlichen Prüfung: 12.02.2007
Erstellungsjahr: 2006
Publikationsdatum: 15.03.2007
Indexliste