Assessing, monitoring and mapping forest rexources in the Blue Nile region of Sudan using an object-based image analysis approach

Da das Waldressourcenmanagement hierarchisch strukturiert ist, beschäftigt sich die vorliegende Arbeit mit der natürlichen Waldbedeckung auf verschiedenen Abstraktionsebenen, das heißt insbesondere mit der Ebene der kategorischen Landnutzung / Landbedeckung (LU/LC) sowie mit der kontinuierlichen empirischen Abschätzung auf lokaler operativer Ebene. Da zurzeit kein Sensor die Anforderungen aller Ebenen der Bewertung von Waldressourcen und von Multisource-Bildmaterialien (d.h. RapidEye, TERRA ASTER und LANDSAT TM) erfüllen kann, wurden zusätzlich andere Formen von Daten und Wissen untersucht und in die Arbeit mit eingebracht. Es wurde eine objekt-basierte Bildanalyse (OBIA) in einer destabilisierten Region des Blauen Nils im Sudan eingesetzt, um nach möglichen Lösungen zu suchen, erforderliche Informationen für die zukünftigen Waldplanung und die Entscheidungsfindung zu sammeln. Außerdem wurden die räumliche Heterogenität, sowie die sehr schnellen Änderungen in der Region untersucht. Dies motiviert nach effizienteren, flexibleren und genaueren Methoden zu suchen, um die gewünschten aktuellen Informationen zu erhalten. Das Konzept von OBIA wurde als Substitution-Analyse-Rahmen vorgeschlagen, um die Mängel vom früheren pixel-basierten Konzept abzumildern. In diesem Sinne untersucht die Studie die beliebtesten Maximum-Likelihood-Klassifikatoren des pixel-basierten Konzeptes als Beispiel für das Verhalten der spektralen Klassifikatoren in dem jeweiligen Datenbereich und der Region. Im Gegensatz dazu analysiert OBIA Fernerkundungsdaten durch den Einbau von Wissen des Analytikers sowie kostenlose Zusatzdaten in einer Art und Weise, die menschliche Intelligenz für die Bildinterpretation als eine reale Darstellung der Funktion simuliert. Als ein Segment einer Basisverarbeitungseinheit wurden verschiedene Kombinationen von Segmentierungskriterien getestet um ähnliche spektrale Werte in Gruppen von relativ homogenen Pixeln zu trennen. An der kategorische Subtraktionsebene wurden Regeln entwickelt und optimale Eigenschaften für jede besondere Klasse extrahiert. Zwei Verfahren (Rule Based (RB) und Nearest Neighbour (NN) Classifier) wurden zugeteilt um die segmentierten Objekte der entsprechenden Klasse zuzuweisen. Außerdem versucht die Studie die Fragen zu beantworten, ob OBIA in feiner räumlicher Auflösung grundsätzlich genauer ist als eine gröbere Auflösung, und wie beide, das pixel-basierte und das OBIA Konzept sich in einer relativen Genauigkeit als eine Funktion der räumlichen Auflösung vergleichen lassen. Diese Arbeit zeigt insbesondere, dass das OBIA Konzept eine fortschrittliche Lösung für die Bildanalyse ist, da die Genauigkeiten - an den verschiedenen Skalen angewandt - im Vergleich mit denen der Pixel-basierten Konzept verbessert wurden. Unterdessen waren die berichteten Ergebnisse der feineren räumlichen Auflösung nicht nur für die beiden Ansätze konsequent hoch, sondern durch das OBIA Konzept deutlich verbessert. Die schnellen Veränderungen und die Heterogenität der Region sowie die unterschiedliche Datenherkunft haben dazu geführt, dass die Umsetzung von Post- Klassifizierungs- Änderungserkennung besser geeignet ist als radiometrische Transformationsmethoden. Basierend auf thematische LU/LC Karten wurden Serien von optimierten Algorithmen entwickelt, um die Dynamik in LU/LC Einheiten darzustellen. Deshalb wurden für Detailänderung "von-bis"-Informationsklassen sowieVeränderungsstatistiken erstellt. Ferner wurden die erzeugten Änderungskarten bewertet, was zeigte, dass die Genauigkeit der Änderungskarten konstant hoch ist. Aggregiert auf die Gemeinde-Ebene bieten Sozialerhebungen der Haushaltsdaten eine umfassende zusätzliche Sichtweise auf die Fernerkundungsdaten. Die vorher festgelegten degradierten und erfolgreich wiederhergestellten Hot Spots wurden untersucht. Die Studie verwendet einen gut gestalteten Fragebogen um Faktoren die die Dynamik der Änderung der Landbedeckung und mögliche Lösungen, die auf der Wahrnehmung der Gemeinden basieren, anzusprechen. Auf der Ebene des operativen strukturellen Waldbestandes wird die Begründung für die Einbeziehung dieser Analysen angegeben um semi-automatische OBIA Metriken zu schätzen, die aus dem Wald-Attribut durch automatisierte Segmentierungsalgorithmen in den Baumkronen abgegrenzt oder Cluster von Kronen Ebenen erworben wird. Korrelations- und Regressionsanalysen wurden angewandt, um die Beziehungen zwischen einer Vielzahl von spektralen und strukturellen Metriken und den aus den Untersuchungsgebieten abgeleiteten Waldattributen zu identifizieren. Die Ergebnisse des OBIA Rahmens zeigen starke Beziehungen und präzise Schätzungen. Die besten Modelle waren mit einem unabhängigen Satz von kreuz-validierten Feldproben ausgestattet, welche hohe Genauigkeiten ergaben. Eine wichtige Frage ist, wie die räumliche Auflösung und die verwendete Bandbreite die Qualität der entwickelten Modelle auch auf der Grundlage der verschiedenen untersuchten Sensoren beeinflussen. Schließlich zeigt die Studie, dass OBIA in der Lage ist, als ein effizienter und genauer Ansatz Kenntnisse über die Landfunktionen zu erlangen, sei es bei operativen Attributen der Waldstruktur oder auch auf der kategorischen LU/LC Ebene. Außerdem zeigt der methodischen Rahmen eine mögliche Lösung um präzise Fakten und Zahlen über die Veränderungsdynamik und ihre Antriebskräfte zu ermitteln.