Kategorien
Allgemein Demonstrator News

Ableitung phänologischer Phasen verschiedener Kulturpflanzenarten in Deutschland mittels Sentinel-2 Satellitendatenzeitreihen

Ableitung phänologischer Phasen verschiedener Kulturpflanzenarten in Deutschland mittels Sentinel-2 Satellitendatenzeitreihen

Das Julius Kühn-Institut (JKI) hat sich in NaLamKI zum Ziel gesetzt, qualitativ hochwertige, engmaschige Satellitendatenindex-Zeitreihen für das Monitoring landwirtschaftlicher Bestände bereitzustellen. Eine kürzlich in der internationalen Fachzeitschrift Remote Sensing erschienene Studie (https://doi.org/10.3390/rs16173183) zeigt nun, wie eine verbesserte Rekonstruktion von NDVI-Zeitreihen (engl.: Normalized Difference Vegetation Index; deutsch: „Normierte-Differenz-Vegetationsindex“) aus Sentinel-2 Satellitendaten in Kombination mit einer optimierten Schwellwertdetektion die Ableitung phänologischer Phasen unterschiedlicher Kulturpflanzenarten (Weizen, Mais, Zuckerrübe) verbessern kann.

Die Methode wurde mit Daten aus zwei Jahren (2019-2020) in drei Bundesländern entwickelt und in einem weiteren Jahr (2021) getestet. Dabei zeigte sich, dass die berechneten phänologischen Daten in der Regel um weniger als ±10 Tage von den beobachteten Daten abwichen. Die Validierung anhand von unabhängigen Feldbeobachtungen auf Schlagebene ergab einen RMSE von weniger als 10 Tagen und ein Bestimmtheitsmaß (R²) von etwa 0,9, was auf eine hohe Genauigkeit hindeutet.

Die Kenntnis des phänologischen Entwicklungsstadiums der Ackerkulturen ist für den Landwirt von Nutzen, um Managemententscheidungen bezüglich der Applikation von Dünge- und Pflanzenschutzmitteln oder der Bewässerung zu treffen.

Graphische Kurzbeschreibung & vollständige Referenz: Htitiou, A.; Möller, M.; Riedel, T.; Beyer, F.; Gerighausen, H. Towards Optimising the Derivation of Phenological Phases of Different Crop Types over Germany Using Satellite Image Time Series. Remote Sens. 2024, 16, 3183. https://doi.org/10.3390/rs16173183
Kategorien
Allgemein Demonstrator

Ableitung von Wachstumsgradtagen aus fernerkundungsbasierten Oberflächentemperaturmessungen

Ableitung von Wachstumsgradtagen aus fernerkundungsbasierten Oberflächentemperaturmessungen

Planet hat vor kurzem die Ergebnisse einer Studie veröffentlicht (Blog), in der untersucht wurde, inwiefern auf Fernerkundungsdaten basierte Oberflächentemperaturen als Alternative zu den üblicherweise hierfür genutzten meteorologischen Daten verwendet werden können, um Wachstumsgradtage (oder thermische Zeit) zu berechnen. 

Temperatur spielt als Umweltfaktor für das Pflanzenwachstum und die Messung bzw. Vorhersage von Wachstumsgradtagen (thermische Zeit) eine wichtige Rolle.Die thermische Zeit bietet einen quantitativen Rahmen zur Messung der Temperaturakkumulation während der Vegetationsperiode. Ihre Vorhersage unterstützt Landwirte dabei, fundierte Managemententscheidungen zu treffen. Die zur Berechnung erforderlichen Temperaturdaten basieren typischerweise auf meteorologischen Datenquellen, lassen sich aber auch alternativ aus Fernerkundungsdaten ableiten. Im Rahmen des NaLamKI-Projekts hat Planet untersucht, ob sich die aus Mikrowellendaten abgeleitete Land Surface Temperature (LST) als Alternative zu punktuellen Lufttemperaturmessungen für die Berechnung der thermischen Zeit eignet. Die Hypothese war, dass LST aufgrund ihrer hohen räumlichen Auflösung und der direkten Messung der Oberflächentemperatur, die die für Pflanzen verfügbare Wärmeenergie genauer widerspiegelt, Vorteile bei der Berechnung bietet. Die Studie zeigt, dass das LST-Produkt zur Berechnung der thermischen Zeit in vergleichbarer Qualität wie meteorologische Daten verwendet werden kann. Dies wurde anhand von Daten zweier unterschiedlicher Regionen (Deutschland und Kansas, USA) und für unterschiedliche räumliche Ebenen (regional und feldspezifisch) über mehrere Vegetationsperioden hinweg (~10 Jahre) nachgewiesen. Mehr Details finden sich im Blogbeitrag. 

 Kumulierte Wachstumsgradtage (Cumulative GDD) pro Wachstumsstadium (BBCH) berechnet aus dem 100m LST-Produkt (blau) und DWD Wetter Stationen (schwarz) für Rapsfelder in Brandenburg (PatchCROP Daten) in den Jahren 2021 (links), 2022 (Mitte) und 2023 (rechts). 

Kategorien
Allgemein Demonstrator

Ableitung von Wachstumsstadien aus täglichen Zeitreihen optischer, hochauflösender Satellitenbilddaten

Ableitung von Wachstumsstadien aus täglichen Zeitreihen optischer, hochauflösender Satellitenbilddaten

Im Rahmen von NaLamKI hat die Firma Planet Labs untersucht, inwiefern aus den firmeneigenen Satellitenbilddaten Information zum Wachstumsstadium von Feldfrüchten abgeleitet werden können. Die Ergebnisse dieser Studie wurden Ende Juli in einer Spezialausgabe der Fachzeitschrift Remote Sensing veröffentlicht (https://doi.org/10.3390/rs16152730). 

Aktuelle Informationen zum Pflanzenzustand sowie zum phänologischen Wachstumsstadium unterstützen den Landwirt bei Managemententscheidungen bezüglich der Applikation von Dünge- und Pflanzenschutzmitteln und der Bewässerung. Fernerkundungstechnologien können hierzu beitragen, denn durch sie können Vegetationsflächen effizient, systematisch und kontinuierlich überwacht werden. Allerdings bleibt die Verknüpfung von Fernerkundungsdaten mit am Boden gemessenen Wachstumsstadien der Pflanzen nach wie vor eine Herausforderung.  

Die Nutzung von Satellitenkonstellationen und die Integration der durch diese aufgenommenen Daten erlauben die Generierung zeitlich sehr hochauflösender Datenzeitreihen, mit deren Hilfe subtile Veränderungen in der Pflanzenentwicklung besser erfasst werden können. Ein solcher Datensatz ist Planet Fusion, bei dem es sich um tägliche analysefertige Daten handelt, die durch die Integration von Aufnahmen der firmeneigenen PlanetScope-Konstellation mit denen der Sentinel-2- und Landsat-Konstellation gewonnen werden. 

Im Rahmen der Studie wurde die innovative Dynamic Time Warping Methode verwendet, um Wachstumsstadien von Mais zu erkennen und ihre Effizienz über 70 Mikro-Phasen hinweg zu bewerten. Im Gegensatz zu singulären Templates bewahrt diese Methode kritische Datenmuster, verbessert die Vorhersagegenauigkeit und reduziert Fehler im eigentlichen Felddatensatz. Die Experimente wurden mit acht häufig verwendeten Vegetationsindizes durchgeführt (abgeleitet aus den Planet Fusion Daten). Die Methode erreicht eine hohe Vorhersagegenauigkeit, wobei 90 % der Vorhersagen innerhalb eines 10-Tage-Fehlerbereichs liegen. Um den potenziellen Vorteil von Planet Fusion gegenüber öffentlich zugänglichen Daten zu verstehen, wurde eine vergleichende Analyse mit Harmonized Landsat Sentinel-2-Daten (HLS) durchgeführt. Planet Fusion übertrifft HLS, wobei in wichtigen phänologischen Stadien wie V4, R1 und spätem R5 signifikante Verbesserungen beobachtet wurden. Schließlich zeigt diese Studie auch die Übertragbarkeit der Methode auf andere Kontinente und Jahre. Die beiden nachfolgenden Abbildungen bieten Einblick in die Ergebnisse. 

(a)
(b)

Vergleich der Vorhersagegenauigkeit am Beispiel von zwei Wachstumsstadien V4 (orange) und R1 (lila) mit (a) Planet Fusion Daten und (b) Harmonized Landsat Sentinel-2 Daten. Durchgezogene Linien, gepunktete Linien und gestrichelte Linien repräsentieren Null-Abweichung, 5-Tage- und 10-Tage-Fehlerbereich. 

Vergleich der aus Planet Fusion (PF) und Harmonized Landsat Sentinel-2 (HLS) generierten NDVI-Zeitreihen über eine Vegetationsperiode. Vertikale gestrichelte Linien zeigen den Tag (day of year DOY) an, an dem das jeweilige Mikro-Wachstumsstadium im Feld registriert wurde (Ground Observation). Kreuze zeigen den aus PF- (blau) und HLS-Daten (rot) mit Hilfe der entwickelten Methode abgeleiteten DOY an (predicted).