Verwertung der räumlichen Information in hochauflösenden Satellitendaten und Nutzung weiterer Geodaten zur Kartierung der Vegetationstypen in einem tropischen Gebirge

Die vorliegende Arbeit beschäftigt sich mit Methoden zur automatisierten Kartierung von tropischen Bergwäldern und anderen Landoberflächen unter Ausnutzung der räumlichen Information in Satellitendaten hoher räumlicher Auflösung. Die mit hochauflösenden Satellitendaten (IKONOS) erzielten Ergebnisse werden dabei mit den Möglichkeiten und Grenzen einer konventionellen Landsat-Klassifizierung verglichen. Das heterogene, fragmentierte Muster der Vegetationstypen im oberen Einzugsgebiet des Río Yaque del Norte in der Zentralkordillere der Dominikanischen Republik ist typisch für viele tropische Gebirgsbereiche. Teile des Einzugsgebietes wurden im Laufe des 20. Jahrhunderts besiedelt. Es gibt aber in diesem Gebiet auch noch verschiedene primäre Bergwälder, darunter fragmentierte Nebelwaldbereiche mit bedrohten endemischen Arten. Entwaldung und nicht nachhaltige Landnutzung auf den steilen Hängen des Untersuchungsgebietes haben zu Erosion und Landdegradierung geführt. Es gibt Bemühungen, nachhaltigere Landnutzungsmethoden zu fördern, einige Gebiete wieder aufzuforsten und die bedrohten Ökosysteme zu schützen. Detaillierte Landbedeckungskarten wären wichtig, um den Raumnutzungsplänen eine bessere Grundlange zu geben. Die Nutzbarkeit von Satellitendaten mittlerer Auflösung (z.B. Landsat) für die Kartierung der Vegetationstypen des Untersuchungsgebietes ist begrenzt, weil das kleinräumige Mosaik verschiedener Landbedeckungstypen zu einem großen Anteil von Mischpixeln in diesen Daten führt. Die neue Generation kommerzieller hochauflösender Satelliten wie IKONOS ermöglicht detailliertere Kartierung von kleineren Interessensgebieten, aber die automatische Klassifizierung räumlich hochaufgelöster Daten beinhaltet auch neue Herausforderungen. Bei diesen Daten repräsentieren einzelne Pixel nicht das integrierte Signal der Elemente der Zielklassen (z. B. Waldtypen), und die zusätzliche räumliche Information, die diese Daten beinhalten, kann mit den für Satellitendaten mittlerer Auflösung üblichen pixelweisen Multispektral-Klassifizierungsansätzen nicht vollständig ausgenutzt werden. Um die räumliche Information in den Daten des panchromatischen IKONOS-Kanals in automatischen Klassifizierungen zu nutzen, wurden angepasste Texturparameter erstellt und in der Klassifizierung als zusätzliche Kanäle eingesetzt. Um die spektralen Signaturen der Bildelemente repräsentativer für die Zielklassen zu machen, wurden verschiedene Methoden für die räumliche Integrierung der Multispektraldaten getestet und verglichen. Sowohl die räumliche Integrierung der Multispektraldaten (besonders die Tiefpassfilterung) als auch die Einfügung von Texturparametern führten zu signifikant erhöhten Klassifizierungsgenauigkeiten. Die Integrierung von Daten aus anderen Quellen (Landsat-Multispektralkanäle oder topographische Modelle) mit den IKONOS-Daten führte nicht zu signifikant besseren Ergebnissen als die Verarbeitung der IKONOS-Daten allein. Die Höhendaten ermöglichten allerdings eine bessere Trennbarkeit einiger Klassen. Das Maximum-Likelihood-Verfahren führte zu besseren Ergebnissen als die getesteten nicht-parametrischen Klassifizierungsverfahren. Mit den optimierten Methoden war eine detaillierte Landbedeckungsklassifizierung (mit 13 Klassen, darunter sechs Waldtypen) möglich, die auf aus IKONOS-Daten gewonnenen Informationen beruhte. Es gab einige problematische Klassen wie offener Kiefernwald und Agroforst, aber für die meisten Waldklassen konnten gute Klassifizierungsgenauigkeiten erreicht werden, besonders für die ökologisch wichtige Nebelwaldklasse.This study investigates methods for the automatic mapping of tropical mountain forests and other land cover types using the spatial information in high resolution satellite data. The results which are achieved using high spatial resolution satellite data (IKONOS) are compared to the possibilities and limitations of a conventional Landsat classification. The heterogeneous, fragmented land cover pattern of the upper catchment area of the Río Yaque del Norte, in the Cordillera Central of the Dominican Republic, is typical for many tropical mountain areas. Parts of the catchment area have been colonised in the course of the 20th century. At the same time, there are still several types of primary mountain forests remaining in this mountain range, among them fragmented cloud forest areas with threatened endemic species. Deforestation and unsustainable land use methods on the steep slopes of the study area have led to erosion and land degradation. There are efforts to foster more sustainable land use practices, to reforest some areas and to protect the threatened ecosystems. Detailed spatial land cover information would be important for improving the basis of the necessary land management decisions. The usefulness of medium resolution (e.g. Landsat) satellite data for mapping the study area s vegetation types is limited, because the small-scale mix of land cover types leads to a large proportion of mixed pixels in such data. The introduction of a new generation of commercial high spatial resolution satellites like IKONOS has led to new possibilities for more detailed classifications of special interest areas, but the high resolution data also pose new challenges for automated land cover mapping. Single pixels in these data fail to integrate the elements of the target classes (e.g. forest types) and the increased amount of spatial information contained in the data cannot be fully extracted by using the per-pixel multispectral classification approaches which are common for medium resolution satellite data. To make use of the high resolution spatial information contained in the IKONOS panchromatic channel in automated classifications, customised texture parameters were created and used as additional channels in the classification. In order to make the spectral signals of the image primitives more representative of the target classes, several methods for the spatial integration of the multispectral data were tested and compared. Both the spatial integration of the multispectral data (especially low pass filtering) and the introduction of texture parameters led to significantly increased classification accuracies. The integration of multi-source data as input for the classifiers (combining additional Landsat multispectral channels or DEM-derived topographic models with the IKONOS data sets) did not lead to significantly improved results, compared to the results which were achieved with IKONOS data alone. However, the elevation data did show some potential to increase the separability of some classes. The Maximum-Likelihood-Classifier produced better results than the tested non-parametric classifiers. With the optimised methods, a detailed land cover classification (13 classes, six of which represented forest types) was possible using information derived from the IKONOS data. There were some inherently problematic classes like open pine forest and agroforestry, but for most forest classes, good classification accuracies could be achieved, particularly for the ecologically important cloud forest class