Erfassung von Schäden durch Schwarzwild auf landwirtschaftlichen Kulturflächen - Projektvorstellung - Nesrin Salepci, Carsten Pathe, Christiane ...

Erfassung von Schäden durch Schwarzwild
 auf landwirtschaftlichen Kulturflächen
 - Projektvorstellung -

 Nesrin Salepci, Carsten Pathe, Christiane Schmullius
 Friedrich-Schiller-University Jena

Übersicht

• Ziele des Forschungsvorhabens
• Radarfernerkundung – Eine sehr kurze Einführung
• Untersuchungsgebiet / Daten
• Methodik
• Auswertung

 2

Ziele des Forschungsvorhabens

 • Pilotstudie zur Erfassung von Fehlstellen in landwirtschaftlichen
 Kulturen in der Umgebung des Nationalpark Hainich mit Hilfe der
 Fernerkundung, verursacht durch Schwarzwild für das Jahr 2017
 • Prüfung der Verwendbarkeit von freien ESA Copernicus Radar-
 Satellitendaten (+Optik soweit verfügbar) für 2017
 • Dabei Nutzung bestehender Auswertemethoden
 • Suche nach Fehlstellen in landwirtschaftlichen Kulturen
 innerhalb des Untersuchungsgebietes des Schwarzwild-
 Forschungs-projektes
 • Verknüpfung von FE-Produkten und Telemetrie-Daten zur
 Beantwortung der Frage ob Zusammenhang mit
 Raumnutzung von Schwarzwild vorliegt

 3

Fernerkundung

 4

Passive Fernerkundung

 5

Aktive Fernerkundung

 6

Radarfernerkundung

 • Radar =
 • Radio Detection and Ranging
 • funkgestützte Ortung und Abstandsmessung

 • Radarwellen = Mikrowellen
 • SAR = Aufnahmeverfahren in der Radar-
 Fernerkundung

 7

Radarfernerkundung

• Radarsatelliten nutzen den Mikrowellenbereich des elektro-
 magnetischen Spektrums

 8

Warum Radar?

 • Atmosphäre (inkl. Wolken) sind für Mikrowellenstrahlung
 durchlässig
Durchlässigkeit d. Atmosphäre

 Völlige
 Durchlässig-
 keit der
 Atmosphäre

 Wellenlänge
 Radar
 9

Warum Radar?

 https://ubique.americangeo.org/company-and-not-for-profit-spotlights/ursa-space-systems/
 10

Radarsignal Polarisation
 Senden Empfange
 n
 vertikal vertikal VV gleichpolarisiert

 horizontal horizontal HH gleichpolarisiert

 vertikal horizontal VH kreuzpolarisiert

 horizontal vertikal HV kreuzpolarisiert
vertikal polarisiert
 HH

horizontal polarisiert

VV HV

 11

Beispiele von Wildschweinschäden

Schwarzwild-Schäden im Umfeld des NLP Hainich, Fotos: P. Schmidt (BEAG), A. Klamm (NLP-Verwaltung)

 Martin Faber, 2016 : „Schadscan- Beurteilung von Schäden im Pflanzenbau“
 Einsatz der Drohnentechnologie in der Land- und Forstwirtschaft, TLUG, 18.Mai.2016
 12

Radarrückstreuung von Feldern

 ❶ direkte Rückstreuung von Vegetation
 ❷ direkte Rückstreuung vom Boden
 ❹ Mehrfachstreuung zwischen Boden und Vegetation
 ❹ Mehrfachstreuung innerhalb Vegetation

 13

Radarrückstreuung von Feldern
Dämpfung

 Tag im Jahr

 Vegetationshöhe (cm)
 Ulaby & Long 2014

 14

Radarrückstreuung von Feldern
Weizen

 2005-04-06 © FSU 2005-07-10 © FSU

 2005-05-11 © FSU 2005-07-26 © FSU

 2005-06-16 © FSU Fig.: Scattering behaviour of a wheat canopy, test site Nordhausen, Thuringia, 2005-08-24 © FSU
 Germany (© FSU)

 Im C-Band:
 • Wachstumsphase → Rückgang der Radarrückstreuung durch Dämpfung
 • Reifephase → Längenwachstum eingestellt, Austrocknung der Vegetation
 →2005-07-10
 Wiederanstieg© FSU
 der Radarrückstreuung
 2005-07-26 © FSU

 15

Copernicus-Daten

 Sentinel-1: Radar

 Sentinel-2: Optical

 Sentinel-3: Radiometer
 Sentinel-4/5: Atmosphere

 Sentinel-6:
 Radar Altimeter

 16

Sentinel 1 & 2 Daten
 Optische Daten
 10m Auflösung

 Radardaten
 20m Auflösung
 Sentinel 1 - A/B Akquisitionen

 17

Untersuchungsgebiet

 Mühlhausen

 Radardaten
 subset

 Telemetrie
 daten
 Nationalpark
 Hainich

 Eisenach

 Gotha

 18

Flussdiagram

 19

Vegetationsindex NDVI

 NDVI
 • Normalized Difference Vegetation Index (normierter differenzierter Vegetationsindex)
 • NDVI basiert auf der Tatsache, dass gesunde Vegetation im sichtbaren Rot nur schwach,
 aber im Infrarot stark reflektiert.
 • Hohe werte werden mit grüner und vitaler Vegetation in Verbindung gebracht

 Sentinel-2 NDVI Beispiel -19.06.2017

 ( − )
 NDVI =
 ( + )

 NLP Hainich 1

 0
 20

Ausgewählte Felder für die Analyse

 21

Testfeld

Im folgendem Feldstück war Schwarzwild-
 Schaden bekannt
 (Nördlich des NLP Hainich -
 Agrargenossenschaft Großengottern)

 22

Testfeld – Silomais

 23

Testfeld - Silomais

 Planet- Aufnahme für das betroffene Feldstück (3m Auflösung)

 04-09-2017

 24

Testfeld - Silomais

 Planet False Color (3m)
 04-09-2017
 Schwarzwildschäden: Beispiel in einem Maisfeld
 (Aufnahme: Sept.’17)

 Foto: A. Klamm, NLP-Verwaltung

 25

NDVI-Zeitreihe aus Optischen Daten

 1
 Optisch – Sentinel-2 NDVI (10 m Auflösung)
 Silomais
 0
28.03.2017 20.04.2017 30.04.2017 10.05.2017 17.05.2017 27.05.2017

 19.06.2017 06.07.2017 09.07.2017 19.07.2017 14.10.2017 17.10.2017

 Telemetrie Zeitraum
 26

Auswertung mit Hilfe von Zeitserien-Diagrammen von Radardaten

 Telemetrie-Datum

Telemetrie-Koordinate
(Länge, Breite)

 x

 Telemetrie-Pixel
 Nachbar-Pixel

 Telemetriepixel (vor Telemetriepixel (nach
 Feldmittelwert Schwankungs- Nachbarpixel Niederschlag
 Beobachtung mit Telem.) Beobachtung mit Telem.)
 bereich

 27

Testfeld - Silomais
 Google maps Sentinel2 NDVI (19.06.2017)

 Silomais

 Telemetrie-Daten

 Beginn: 8.12.2017
 Ende: 10.12.2017

 Telemetrie Punkte Telemetrie Punkte
 Manuell gewählte Punkte
 28

Zeitreihenplots von Radardaten

 Ungestörtes Gestörtes
 Pixel Pixel

 Telemetriepixel (vor Telemetriepixel (nach
 Feldmittelwert Schwankungs- Nachbarpixel Niederschlag
 Beobachtung mit Telem.) Beobachtung mit Telem.)
 bereich

 29

Analyse weiterer Feldstücke

 Unterschiedliche Nutzungsarten
in Verknüpfung mit vorhandenen Telemetrie-Daten.

 30

Silomais

Silomais – nördlich des NLP

 31

Silomais

Silomais

 Telemetrie-Daten
 Beginn: 16.09.2017
 Ende: 08.10.2017

 32

Silomais

 1
Optisch – Sentinel-1 NDVI (10 m Auflösung)
Silomais
 0
 28.03.2017 20.04.2017 30.04.2017 10.05.2017

 17.05.2017 27.05.2017 19.06.2017 06.07.2017

 09.07.2017 19.07.2017 14.10.2017 17.10.2017

 Telemetrie Zeitraum
 33

Silomais

 Ungestörtes Gestörtes
 Pixel Pixel

 Telemetriepixel (vor Telemetriepixel (nach
 Feldmittelwert Schwankungs- Nachbarpixel Niederschlag
 Beobachtung mit Telem.) Beobachtung mit Telem.)
 bereich

 34

Winterraps

Winterraps – östlich des NLP

 35

Winterraps

Winterraps

 Telemetrie-Daten
 Beginn: 10.05.2017
 Ende: 16.09.2017

 36

Winterraps

 Schwarzwildschäden: Beispiel in Raps (Aufnahme: Juni‘17)

 Foto: M. Stimpel, NLP-Verwaltung

 37

Winterraps

 1
Optisch – Sentinel-1 NDVI (10 m Auflösung)
Winterraps
 0
 28.03.2017 20.04.2017 30.04.2017 10.05.2017

 17.05.2017 27.05.2017 19.06.2017 06.07.2017
 bewölkt

 09.07.2017 19.07.2017 14.10.2017 17.10.2017

 Telemetrie Zeitraum
 38

Winterrapsfeld

 Telemetriepixel (vor Telemetriepixel (nach
 Feldmittelwert Schwankungs- Nachbarpixel Niederschlag
 Beobachtung mit Telem.) Beobachtung mit Telem.)
 bereich

 39

Mähweiden

Mähweiden – westlich des NLP

 40

Mähweiden

 Telemetrie-Daten
 Beginn: 16.11.2017
Mähweiden Ende: 13.12.2017

 41

Mähweiden

 Schwarzwildschäden: Beispiel auf Grünland

 Foto: P. Schmidt, BEAG

 42

Maehweiden

 0
Optisch – Sentinel-1 NDVI (10 m Auflösung)
Maehweiden
 1
 28.03.2017 20.04.2017 30.04.2017 10.05.2017

 17.05.2017 27.05.2017 19.06.2017 06.07.2017
 bewölkt

 09.07.2017 19.07.2017 14.10.2017 17.10.2017

 Telemetrie Zeitraum
 43

Maehweiden
 attenuation
Rückstreuung VV

 Für Betrachtung von Mähweiden ist die VV
 Polarisation besser geeignet.

 Zeit

 Mahd Mahd

 Ohne Kenntnis der
 Mahdzeitpunkte
 Auswertung sehr
 schwierig!

 Telemetriepixel (vor Telemetriepixel (während
 Feldmittelwert Schwankungs- Nachbarpixel Niederschlag
 Beobachtung mit Telem.) Beobachtung mit Telem.)
 bereich

 44

Maehweiden

 Telemetriepixel (vor Telemetriepixel (während
 Feldmittelwert Schwankungs- Nachbarpixel Niederschlag
 Beobachtung mit Telem.) Beobachtung mit Telem.)
 bereich

 45

Winterweichweizen

Winterweichweizen – östlich des NLP

 46

Winterweichweizen

 Winterweichweizen

 Telemetrie-Daten
 Beginn: 23.06.2017
 Ende: 09.09.2017

 47

Winterweichweizen
 1
Optisch – Sentinel-1 NDVI (10 m Auflösung)
Winterweichweizen 0
28.03.2017 20.04.2017 30.04.2017 10.05.2017 17.05.2017 27.05.2017

19.06.2017 06.07.2017 09.07.2017 19.07.2017 14.10.2017 17.10.2017

 Telemetrie Zeitraum
 48

Winterweichweizen
 Für Betrachtung von
 Winterweizen ist die VV
 Polarisation besser
 geeignet.

 Telemetriepixel (vor Telemetriepixel (nach
 Feldmittelwert Schwankungs- Nachbarpixel Niederschlag
 Beobachtung mit Telem.) Beobachtung mit Telem.)
 bereich

 49

Fazit

• Aufgrund Bewölkung sehr viel weniger optische Daten (Sentinel-2)
 als Radardaten (Sentinel-1)
• Radardaten alle 3 Tage unabhängig von Bewölkung verfügbar
• Pixel mit Telemetriedaten weichen i.d.R. deutlich vom Mittelwert
 aller Pixel eines Feldes ab, aber nicht alle Pixel mit vorher
 bekanntem Schadereignis zeigen dieses Verhalten
• Aufgrund technischer Restriktionen ist räumliche Auflösung der
 Radardaten teilweise nicht ausreichend, da bekannte
 Schadereignisse zu kleinräumig; hinzu kommt radartypischer
 Speckle-Einfluss
• Fernerkundung kann Pixel mit Auffälligkeiten identifizieren, aber
 kennt nicht die Ursache für deren Veränderung benennen
 50

Ausblick

 NDVI aus optischen Daten Kullback-Leibler-Divergenz aus Radardaten
 des Sentinel-2 des Sentinel-1

 51

Kontakt:

Dr. Nesrin Salepci
nesrin.salepci@uni-jena.de
06341/94 89 71

Dr. Carsten Pathe
carsten.pathe@uni-jena.de
03641/ 94 89 05

 Vielen Dank
 für Ihre Aufmerksamkeit!

 52

Ausblick: UAV-Einsatz zur Schadenserfassung

 53

Ausblick: UAV-Einsatz zur Schadenserfassung

 54

Ausblick: UAV-Einsatz zur Waldkartierung

 55

Ausblick: UAV-Einsatz zur Waldkartierung

 56

Ausblick: UAV-Einsatz zur Waldkartierung

 57

Ausblick: UAV-Einsatz zur Waldkartierung

 58

Ausblick: UAV-Einsatz zur Waldkartierung
 1 km

 59

Ausblick: UAV-Einsatz zur Waldkartierung

 LiDAR Drohne

 60

DLR Jena: Bürgerwissenschaften

 The DLR Institute of Data Science is currently located in the IT-Paradies Building, Mälzerstraße 3, 07751 Jena,
 Germany. Source of Photograph: Jenawirtschaft, Tina Peißker

 61

DLR Jena: Bürgerwissenschaften

 “Citizen science is the involvement of the public in scientific
 research – whether community-driven research or global
 investigations.”
 [citizenscience.org]

 Levels of
 involvement

 Source: http://www.citizen-science.at/images/White_Paper-Final-Print.pdf

 62

DLR Jena: Bürgerwissenschaften

• Zusätzliche Skala verbessert Link zwischen Satellitendaten und Wildschwein-
 Transponderdaten

• Zunächst Befliegung aktueller Schadensflächen 2018 durch Fachpersonal

• Später Einbindung von Hobby-Drohnenpiloten → großes Potential, da
 „Spannungsfeld Landwirtschaft“ auf breites Interesse vieler Bürger stößt &
 da viele Hobby-Drohnenpiloten vorhanden sind (z.B. http://uaviators.org/)

• Prozessierung der Bilddaten zentral bei DLR (Mosaike, Punktwolken)

• Anleitung der Hobby-Drohnenpiloten durch DLR

• Einbindung der Bürger/Landwirte durch Schadensmeldungen vom Boden
 aus (z.B. Photographien mit GPS-Tag + Metainformationen)

 63

DLR.de • Folie 64 > Vortrag > Thiel, Christian • Pilotstudie > 2018/06/20

 Bei generellem Interesse bitte melden:

 PD Dr. habil. Christian Thiel
 Christian.Thiel@dlr.de
 Dr. Carsten Pathe
 Dr. Friederike Klan

65