Untersuchung der Eignung logistischer Regressionsmodelle zur Kartierung forstlicher Merkmale mit Satelliten-Fernerkundungsdaten

Abstract

Zur Kartierung der forstlichen Merkmale Waldstatus, Mischung und Totholzvorkommen wurde die Eignung logistischer Regressionsmodelle untersucht. In fünf Testgebieten, die zusammen rund 11 % der Waldfläche Deutschlands abdecken, wurden Modelle für Landsat-TM- und -ETM+-Daten angepasst, für ein Testgebiet zusätzlich eine multispektrale QuickBird-Szene. Als Informationsquelle diente ein Auszug der Bundeswaldinventurdatenbank. Mit den Modellen als Basis wurden Waldmasken erzeugt. Die Modelle wurden mit der k-Block-Kreuzvalidierungsmethode auf numerische Stabilität geprüft, für die Genauigkeitsanalyse der Waldmasken wurden Orthophotos verwendet.

Das Merkmal „Waldvorkommen“ war mit einer maximalen Gesamtgenauigkeit von 95,4 % (Modell) bzw. 94,6 % (Karte) mit Landsat-Daten klassifizierbar. Das für die QuickBird-Szene angepasste Modell lieferte eine vergleichsweise niedrige Gesamtgenauigkeit von 83 %, weshalb keine Waldmaske erzeugt wurde. Ein 3 x 3 km großer Ausschnitt innerhalb des QuickBird-Bildes wurde getrennt untersucht; dort konnte durch die Delinierung von Trainingsgebieten unabhängig von der BWI-Datenbank mit umfangreicheren Parametrisierungsdatensätzen gearbeitet werden. Die Modellanpassung gestattete dann eine Modellklassifizierungsgenauigkeit von rund 99 %; die resultierende Waldmaske wies 94%ige Übereinstimmung mit der Referenz auf.

Weniger genau ließen sich unterschiedliche Waldmischungen klassifizieren. Bei drei Klassen - Nadel-, Misch-, Laubwald - waren Mischwaldpixel per Model nur marginal besser als durch Zufallswahl zu klassifizieren. Die ungemischten Klassen waren aus Sicht des Erstellers mit ca. 75 bis 83 % Übereinstimmung zwischen Trainingsdaten und BWI-Referenz trennbar.

Das Vorkommen des in der BWI-Datenbank aufgenommenen Totholzes konnte ebenfalls erfolgreich mit logistischen Regressionsmodellen in den Landsat-ETM+-Szenen vorhergesagt werden. Die Streuung der Gesamtgenauigkeiten (ca. 70 bis fast 90 %) war größer als bei der Klassifizierung von Waldvorkommen.