Hyperspektrale Fernerkundung zur Klassifizierung von Landnutzung und Landbedeckung in der Landwirtschaft

Die Lebensmittelproduktion ist für etwa 20–30 % der anthropogenen Treibhausgasemissionen verantwortlich, wobei der Agrarsektor zur dominierenden Quelle dieser Emissionen wird. Landnutzungsinformationen sind wichtig für das Agrarmanagement; die Informationen darüber können durch hyperspektrale (HyS) Fernerkundung („remote sensing“, RS) gewonnen werden. Die hohe spektrale Information aus hyperspektralen Sensoren kann bei der Unterscheidung verschiedener Landnutzungs-Landbedeckungs(LU/LC)-Klassen helfen. Bei LU/LC soll der Fokus auf die Klassifizierung von eng verwandten Klassen gelegt werden, was nur mit HyS RS möglich ist. Dies erfordert die Entwicklung spezifischer Algorithmen. In diesem Kapitel wird ein Überblick über aktuelle Algorithmen zur Verarbeitung von HyS-Datensätzen gegeben. Dies beinhaltet die Validierung verschiedener Atmosphärenkorrektur(AC)-Modelle, Dimensionsreduktions(DR)-Verfahren und Klassifizierungsmethoden. Die Ergebnisse zeigen, dass das FLAASH absolute AC model eine größere Ähnlichkeit mit den Bodenspektren aufweist, mit einer höheren Korrelation für die Klassen Landwirtschaft und bebaute Gebiete. Die Klassifizierung erfolgt mit sieben Pixel-für-Pixel-Klassifikatoren und einem Ensemble-Klassifikator. Support Vector Machine (SVM) und Ensemble-Klassifikatoren haben für sowohl Hyperion- als auch AVIRIS-NG-HyS-Aufnahmen eine höhere Genauigkeit gezeigt, mit einem Genauigkeitsgrad zwischen 90 und 95 %. Dementsprechend erleichtern die Fallstudien zur Abgrenzung von LU/LC unter verschiedenen Szenarien eine machbare und brauchbare  Gesamtkohlenstoffsequestrierung.