Hyperspektrale Fernerkundung und Inversion forstlicher biophysikalischer Parameter

Hyperspektrale Anwendungen

Die Absorptionseigenschaften im nahinfraroten Bereich des Spektrums (1000–2500 nm) hängen von den Biege- und Streckschwingungen biochemischer Bindungen (z. B. zwischen Wasserstoff- und Kohlenstoffatomen sowie Stickstoff- und Sauerstoffatomen) und deren Harmonischen und Obertönen ab. Im sichtbaren Bereich bewirken Chlorophyll und Carotinoide aufgrund elektronischer Energieübergänge eine starke Absorption. Zur Bestimmung von Blatt- und Kroneneigenschaften aus Reflexionsmessungen existieren verschiedene Methoden.

(1) Empirische Modelle (Exponential- und/oder multiple Regression):Das Prinzip besteht darin, mathematische Kombinationen mehrerer Reflexionsmessungen in schmalen oder breiten Spektralbändern zu erstellen und diese mit spezifischen Merkmalen der beobachteten Oberfläche zu korrelieren. Diese Beziehungen werden anhand experimenteller oder simulierter Reflexionsdatenbanken (basierend auf Strahlungstransportmodellen) kalibriert. Dieser Ansatz ist zwar einfach, hat aber einige Einschränkungen: Bei Kalibrierung anhand einer experimentellen Datenbank ist die Repräsentativität der Beziehungen auf die Repräsentativität der Datenbank beschränkt (Abbildung 1). Darüber hinaus können exponentielle und multivariate Regressionen empfindlich auf verschiedene Einzelmerkmale reagieren. Sie sind außerdem abhängig von atmosphärischen Bedingungen, der Aufnahmegeometrie und der räumlichen Auflösung, weshalb typischerweise für jedes Bild eine Kalibrierung erforderlich ist.

△Abbildung 1. Strategien zur Extraktion von Waldattributen aus Fernerkundungsdaten im Rahmen der forstlichen Forschung

(2) Modellinversion:Diese Methode nutzt ein Modell zur Simulation der Reflexionsspektren von Blättern, Baumkronen und Bodeneigenschaften und ermittelt anschließend Blatt- und Baumkronenparameter durch Modellinversion. Typische numerische Inversionsverfahren legen einige Parameter auf sinnvolle Werte fest und bestimmen andere Parameter (freie Parameter) durch Minimierung einer Funktion der Differenz zwischen beobachteter (P_meas) und simulierter (P_mod) Reflexion. Diese Funktion wird als Bewertungsfunktion bezeichnet. Ein effizientes Minimierungsverfahren, wie beispielsweise die von Nelder und Mead (1965) vorgeschlagene Simplex-Optimierungsmethode, wurde von Privette et al. (1994) nach der Erprobung verschiedener Inversionsverfahren empfohlen. Für praktische Anwendungen werden Inversionstechniken, die auf vorab berechneten Reflexionsdatenbanken basieren, im Allgemeinen gegenüber rechenintensiveren iterativen Verfahren bevorzugt. Häufig verwendete effiziente Rechenmethoden umfassen Nachschlagetabellen und neuronale Netze.

Beide oben genannten Methoden basieren auf Trainingsdatenbanken, die auf Simulationen oder Messungen beruhen. Unsicherheiten in Messungen und Modellen können zwar zu erheblichen Ergebnisabweichungen führen, doch numerische Inversionsstrategien müssen auch andere Herausforderungen bewältigen: Das Inversionsproblem beinhaltet die Bestimmung der Ursachen erwarteter oder beobachteter Ergebnisse oder die Kalibrierung mathematischer Modellparameter zur Reproduktion der Beobachtungen. Inversionsprobleme erfüllen typischerweise nicht die wichtigen Annahmen der Wohldefiniertheit: Es existiert möglicherweise keine eindeutige Lösung, die Lösung ist möglicherweise nicht eindeutig und/oder sie hängt inkonsistent von den Daten ab. Inversionen solcher Modelle liefern oft eine große Anzahl unterschiedlicher Lösungen, d. h. sie sind schlecht konditioniert. Daher ist die Anwendung effektiver Regularisierungsstrategien (Beschränkung der Minimierung der empirischen Fehlerfunktion) für numerische Inversionsstrategien entscheidend.

△Abbildung 2. Sammlung hyperspektraler biophysikalischer Parameter für die Forstwirtschaft