- Home  »
- VGI - Die Zeitschrift  »
- Abschlussarbeiten  »
- Jahrgang 2024
Abschlussarbeiten 2024
Bestimmung und Verbesserung von Höhenmodellen aus Crowd-Sensed GNSS-Trajektorien
Department für Geodäsie und Geoinformation, Forschungsgruppe Photogrammetrie, Technische Universität Wien, 2024
Betreuer: Univ.Prof. Dipl.-Ing. Dr. Norbert Pfeifer, Dipl.-Ing. Dr. Johannes Otepka-Schremmer
Kurzfassung/Abstract
Der Anstieg des Geländes spielt bei Langstreckenrennen von professionellen Radsportlern eine zentrale Rolle. Aber auch bei der Tourenplanung im Freizeit- und Amateursport ist dieser Aspekt relevant, besonders für Mountainbiker. Daher greifen gängige Smartphone-Anwendungen für Radfahrer auf Höhenmodelle zurück, um die zu erwartende Steigung bereits bei der Routenplanung abzuschätzen zu können. Viele der Anwendungen streben eine weltweite Abdeckung an. Daher werden dazu meist globale Modelle wie SRTM (Shuttle Radiometry Topography Mission) verwendet. Im Vergleich zu nationalen digitalen Höhenmodellen, die mit Hilfe von Airborne Laser Scanning (ALS) erstellt wurden, haben solche globalen Modelle den Nachteil einer groben Auflösung und einer begrenzten Genauigkeit, was eine korrekte Schätzung der zu erwarteten Höhenmeter erschwert. Heutzutage zeichnen viele Radfahrer ihre Aktivitäten mit Hilfe von globalen Satellitennavigationssystemen (GNSS) mit Smartphones oder Fitnesscomputern auf, welche die aufgezeichneten Daten zum Zweck der Trainingsdokumentation speichern. In dieser Arbeit wird die Nutzung solcher mobiler GNSS-Daten für die Modellierung digitaler Straßenhöhen vorgeschlagen, um die Planung von Radtouren zu verbessern. Da die Genauigkeit mobiler GNSS in Bezug auf Lage und Höhe variiert, ist es wichtig, diese Daten kritisch zu prüfen, um statistische Sicherheit und Integrität zu gewährleisten. Als Eingabedaten wurden über 23000 von Nutzern aufgezeichnete Trajektorien verwendet, die aus über 40 Millionen GNSS Punktmessungen bestehen, die im Zeitraum von drei Jahren zwischen 2019 und 2021 aufgezeichnet wurden. Diese Arbeit stellt verschiedene Methoden vor, um die Homogenität und Qualität dieser Daten zu verbessern, wobei die Beseitigung grober Fehler und die Korrektur systematischer Fehler im Mittelpunkt steht. Die entwickelten Methoden aggregieren die Daten zu einem rasterbasierten Straßenhöhenmodell, welches in sich eine globale Anwendbarkeit und eine statistische Robustheit gegenüber Ausreißern vereint. Auch wenn sich das berechnete Modell in seiner Ausdehnung auf das Gebiet der Stadt Wien beschränkt, wurden die Methoden im Hinblick auf eine globale Anwendbarkeit entwickelt. Da sich die von Nutzern generierten Daten zu einem Großteil auf Straßen und Radwegen befinden, sie aber zusätzlich eine inhomogene Verteilung über das Gebiet der Studie hinweg aufweisen, hängt die statistische Sicherheit des resultierenden Modells stark von der räumlichen Verteilung und Qualität der Daten ab. Ein Vergleich mit Referenzdaten in Bezug auf Lage und Höhe hat gezeigt, dass unser Modell die Straßen mit einer signifikant besseren Genauigkeit als SRTM repräsentieren kann. Unser Modell zeigt gegenüber SRTM Verbesserungen in der mittleren Höhenabweichung um 22% (von 1,09m auf -0,15m), bezugnehmend auf ein ALS Höhenmodell. Die Standardabweichung verbessert sich diesbezüglich sogar um 36% (von 5,84m auf 2,11m). Da die aufgezeichneten Daten von Radfahrern stammen, konzentriert sich das entwickelte Modell hauptsächlich auf Straßen und Radwege und kann daher etwa 25-30% aller Straßen im untersuchten Gebiet abdecken. Obwohl unser Modell in erster Linie für die Verbesserung der Routenplanung in einer mobilen Fahrradanwendung entwickelt wurde, könnte es auch in ortsbezogenen Diensten oder Stadtplanungsanwendungen großen Nutzen bringen.
Der Anstieg des Geländes spielt bei Langstreckenrennen von professionellen Radsportlern eine zentrale Rolle. Aber auch bei der Tourenplanung im Freizeit- und Amateursport ist dieser Aspekt relevant, besonders für Mountainbiker. Daher greifen gängige Smartphone-Anwendungen für Radfahrer auf Höhenmodelle zurück, um die zu erwartende Steigung bereits bei der Routenplanung abzuschätzen zu können. Viele der Anwendungen streben eine weltweite Abdeckung an. Daher werden dazu meist globale Modelle wie SRTM (Shuttle Radiometry Topography Mission) verwendet. Im Vergleich zu nationalen digitalen Höhenmodellen, die mit Hilfe von Airborne Laser Scanning (ALS) erstellt wurden, haben solche globalen Modelle den Nachteil einer groben Auflösung und einer begrenzten Genauigkeit, was eine korrekte Schätzung der zu erwarteten Höhenmeter erschwert. Heutzutage zeichnen viele Radfahrer ihre Aktivitäten mit Hilfe von globalen Satellitennavigationssystemen (GNSS) mit Smartphones oder Fitnesscomputern auf, welche die aufgezeichneten Daten zum Zweck der Trainingsdokumentation speichern. In dieser Arbeit wird die Nutzung solcher mobiler GNSS-Daten für die Modellierung digitaler Straßenhöhen vorgeschlagen, um die Planung von Radtouren zu verbessern. Da die Genauigkeit mobiler GNSS in Bezug auf Lage und Höhe variiert, ist es wichtig, diese Daten kritisch zu prüfen, um statistische Sicherheit und Integrität zu gewährleisten. Als Eingabedaten wurden über 23000 von Nutzern aufgezeichnete Trajektorien verwendet, die aus über 40 Millionen GNSS Punktmessungen bestehen, die im Zeitraum von drei Jahren zwischen 2019 und 2021 aufgezeichnet wurden. Diese Arbeit stellt verschiedene Methoden vor, um die Homogenität und Qualität dieser Daten zu verbessern, wobei die Beseitigung grober Fehler und die Korrektur systematischer Fehler im Mittelpunkt steht. Die entwickelten Methoden aggregieren die Daten zu einem rasterbasierten Straßenhöhenmodell, welches in sich eine globale Anwendbarkeit und eine statistische Robustheit gegenüber Ausreißern vereint. Auch wenn sich das berechnete Modell in seiner Ausdehnung auf das Gebiet der Stadt Wien beschränkt, wurden die Methoden im Hinblick auf eine globale Anwendbarkeit entwickelt. Da sich die von Nutzern generierten Daten zu einem Großteil auf Straßen und Radwegen befinden, sie aber zusätzlich eine inhomogene Verteilung über das Gebiet der Studie hinweg aufweisen, hängt die statistische Sicherheit des resultierenden Modells stark von der räumlichen Verteilung und Qualität der Daten ab. Ein Vergleich mit Referenzdaten in Bezug auf Lage und Höhe hat gezeigt, dass unser Modell die Straßen mit einer signifikant besseren Genauigkeit als SRTM repräsentieren kann. Unser Modell zeigt gegenüber SRTM Verbesserungen in der mittleren Höhenabweichung um 22% (von 1,09m auf -0,15m), bezugnehmend auf ein ALS Höhenmodell. Die Standardabweichung verbessert sich diesbezüglich sogar um 36% (von 5,84m auf 2,11m). Da die aufgezeichneten Daten von Radfahrern stammen, konzentriert sich das entwickelte Modell hauptsächlich auf Straßen und Radwege und kann daher etwa 25-30% aller Straßen im untersuchten Gebiet abdecken. Obwohl unser Modell in erster Linie für die Verbesserung der Routenplanung in einer mobilen Fahrradanwendung entwickelt wurde, könnte es auch in ortsbezogenen Diensten oder Stadtplanungsanwendungen großen Nutzen bringen.
Informatikaspekt der Geoinformationswissenschaft
Institut für Geodäsie, Arbeitsgruppe Geoinformation, Technische Universität Graz, 2024
Betreuer: Ass.Prof. Dipl.-Ing. (FH) Dr. Johannes Scholz
Kurzfassung/Abstract
Die Geoinformationswissenschaft (GIScience) ist ein sich schnell entwickelnder Bereich, der sich stark auf Informatikwerkzeuge und -techniken stützt, um Geodaten zu sammeln, zu verarbeiten und zu analysieren. Durch eine gründliche Durchsicht der Literatur zu diesem Thema soll in dieser Studie untersucht werden, wie die Informatik die GIS-Wissenschaft beeinflusst hat. In der Studie werden die wichtigsten Informatikwerkzeuge und -methoden, die in der GIS-Wissenschaft verwendet werden, identifiziert und ihre Auswirkungen auf die GIS-Forschung und -Anwendungen untersucht. Darüber hinaus wird die Studie die Zukunft der Informatik in diesem Bereich untersuchen und ihr Potenzial für die Bewältigung wichtiger Herausforderungen der GIS-Wissenschaft bewerten. Die Ergebnisse dieser Studie werden zum wachsenden Wissensbestand über die Rolle der Informatik in den GIS-Wissenschaften beitragen und Einblicke in die Art und Weise geben, wie die Informatik genutzt werden kann, um unser Verständnis komplexer georäumlicher Phänomene zu verbessern.
Die Geoinformationswissenschaft (GIScience) ist ein sich schnell entwickelnder Bereich, der sich stark auf Informatikwerkzeuge und -techniken stützt, um Geodaten zu sammeln, zu verarbeiten und zu analysieren. Durch eine gründliche Durchsicht der Literatur zu diesem Thema soll in dieser Studie untersucht werden, wie die Informatik die GIS-Wissenschaft beeinflusst hat. In der Studie werden die wichtigsten Informatikwerkzeuge und -methoden, die in der GIS-Wissenschaft verwendet werden, identifiziert und ihre Auswirkungen auf die GIS-Forschung und -Anwendungen untersucht. Darüber hinaus wird die Studie die Zukunft der Informatik in diesem Bereich untersuchen und ihr Potenzial für die Bewältigung wichtiger Herausforderungen der GIS-Wissenschaft bewerten. Die Ergebnisse dieser Studie werden zum wachsenden Wissensbestand über die Rolle der Informatik in den GIS-Wissenschaften beitragen und Einblicke in die Art und Weise geben, wie die Informatik genutzt werden kann, um unser Verständnis komplexer georäumlicher Phänomene zu verbessern.
VODCA2GPPv2 - An updated global model for estimating GPP from microwave satellite observations with enhanced cross-biome consistency
Department für Geodäsie und Geoinformation, Forschungsgruppe Fernerkundung, Technische Universität Wien, 2024
Betreuer: Univ.Prof. Dr. Wouter Arnoud Dorigo MSc, Dipl.-Ing. Ruxandra-Maria Zotta
Kurzfassung/Abstract
The monitoring of Gross Primary Production (GPP) on a global scale is essential for understanding the role of terrestrial ecosystems in the carbon cycle. Over the past few decades, significant progress has been made in the ability to globally monitor GPP using process-based models and remote sensing techniques. Despite these advancements, there are still substantial differences between GPP products and large uncertainties in GPP estimates. Recently, Vegetation Optical Depth (VOD) has emerged as a useful indicator for deriving GPP from microwave satellite observations. The carbon-sink driven approach developed by Teubner et al. (2019) utilizes VOD as a proxy for the carbon-sink strength of terrestrial ecosystems to derive GPP. Wild et al. (2022) further adapted this approach, creating a global long-term GPP dataset called VODCA2GPP, based on VOD observations from the Vegetation Optical Depth Climate Archive (VODCA). This approach has shown promising results with good agreements with in-situ GPP observations and independent GPP datasets. However, the model still exhibits limited performance in certain regions and biomes, particularly in arid regions and the tropics, where in-situ data is scarce. This study builds on the VODCA2GPPv1 model by Wild et al. (2022) and tries to make it more consistent across biomes. This was done by employing a new random forest machine learning model, by merging three different eddy covariance datasets to more than double the training data in comparison with VODCA2GPPv1 and by adding two new predictors: Land Cover and low frequency VOD. Validation with in-situ GPP observations showed significant improvements in comparison with VODCA2GPPv1. Median correlations increased from 0.67 to 0.78 r, RMSE decreased from 2.81 to 2.25 gC/m2/d, and bias decreased from 0.25 to -0.04 gC/m2/d. Analyzing the cross-validation results based on land cover demonstrated a more consistent performance of the model, making it better suited for diverse regions. Comparisons with the independent FLUXCOM, MODIS and TRENDY GPP datasets revealed good temporal agreement with mean global correlations of 0.56, 0.62 and 0.42 r respectively, which could mostly be improved in comparison to VODCA2GPPv1 (+0.06, -0.02 and +0.03 r). Furthermore, the new model reduced global overestimation with respect to these datasets (bias to FLUXCOM and MODIS could be reduced by 0.44 and 0.45 gC/m2/d respectively). However, the new model still has limitations. It still tends to globally overestimate GPP, particularly in tropical regions. Additionally, it exhibits limited performance in arid environments, highlighting the importance of accounting for water limitation in future models. Overall, the inclusion of new predictors and additional in-situ data has resulted in a model that aligns better with in-situ GPP observations and independent GPP datasets. It also demonstrates improved consistency across different biomes and land cover classes. VODCA2GPPv2 complements existing GPP products and its long temporal availability makes it a valuable tool for studying the carbon cycle over extended time periods.
The monitoring of Gross Primary Production (GPP) on a global scale is essential for understanding the role of terrestrial ecosystems in the carbon cycle. Over the past few decades, significant progress has been made in the ability to globally monitor GPP using process-based models and remote sensing techniques. Despite these advancements, there are still substantial differences between GPP products and large uncertainties in GPP estimates. Recently, Vegetation Optical Depth (VOD) has emerged as a useful indicator for deriving GPP from microwave satellite observations. The carbon-sink driven approach developed by Teubner et al. (2019) utilizes VOD as a proxy for the carbon-sink strength of terrestrial ecosystems to derive GPP. Wild et al. (2022) further adapted this approach, creating a global long-term GPP dataset called VODCA2GPP, based on VOD observations from the Vegetation Optical Depth Climate Archive (VODCA). This approach has shown promising results with good agreements with in-situ GPP observations and independent GPP datasets. However, the model still exhibits limited performance in certain regions and biomes, particularly in arid regions and the tropics, where in-situ data is scarce. This study builds on the VODCA2GPPv1 model by Wild et al. (2022) and tries to make it more consistent across biomes. This was done by employing a new random forest machine learning model, by merging three different eddy covariance datasets to more than double the training data in comparison with VODCA2GPPv1 and by adding two new predictors: Land Cover and low frequency VOD. Validation with in-situ GPP observations showed significant improvements in comparison with VODCA2GPPv1. Median correlations increased from 0.67 to 0.78 r, RMSE decreased from 2.81 to 2.25 gC/m2/d, and bias decreased from 0.25 to -0.04 gC/m2/d. Analyzing the cross-validation results based on land cover demonstrated a more consistent performance of the model, making it better suited for diverse regions. Comparisons with the independent FLUXCOM, MODIS and TRENDY GPP datasets revealed good temporal agreement with mean global correlations of 0.56, 0.62 and 0.42 r respectively, which could mostly be improved in comparison to VODCA2GPPv1 (+0.06, -0.02 and +0.03 r). Furthermore, the new model reduced global overestimation with respect to these datasets (bias to FLUXCOM and MODIS could be reduced by 0.44 and 0.45 gC/m2/d respectively). However, the new model still has limitations. It still tends to globally overestimate GPP, particularly in tropical regions. Additionally, it exhibits limited performance in arid environments, highlighting the importance of accounting for water limitation in future models. Overall, the inclusion of new predictors and additional in-situ data has resulted in a model that aligns better with in-situ GPP observations and independent GPP datasets. It also demonstrates improved consistency across different biomes and land cover classes. VODCA2GPPv2 complements existing GPP products and its long temporal availability makes it a valuable tool for studying the carbon cycle over extended time periods.
Comparative Analysis of Airborne Laser Scanning and Image Matching Point Clouds in Forestry: Enhancing Temporal Resolution using Machine Learning
Department für Geodäsie und Geoinformation, Forschungsgruppe Photogrammetrie, Technische Universität Wien, 2024
Betreuer: Univ.Prof. Dipl.-Ing. Dr. Norbert Pfeifer, Anna Iglseder MSc, Dipl.-Ing. Dr. Markus Hollaus
Kurzfassung/Abstract
Luftgestützte Laserscanning-Punktwolken werden landesweit zur Erstellung digitaler Oberflächenmodelle und weiterführend zur Ableitung von Informationen über Waldgebiete verwendet. Diese Aufnahmemethode gilt bis dato als state-of-the-art bei der Aufnahme, vor allem in bewaldeten Gebieten. Da diese jedoch in Österreich und Europa zwar regelmäßig, jedoch selten erstellt werden, ist die Modellierung basierend auf Airborne-Laserscanning-Daten (ALS) von Waldparametern in hoher zeitlicher Auflösung schwierig. Insbesondere die Ableitung von dynamischen Informationen wie Biomasse oder der Zustand eines Baumbestandes nach Umweltereignissen wie Unwettern oder Waldbränden beziehungsweise das Monitoring von Schutzgebieten erfordert relativ hohe zeitliche Auflösungen. Luftbilder und daraus abgeleitete bildbasierte Punktwolken bieten eine Alternative, Oberflächenmodelle zu erstellen. Diese Daten werden in kürzeren Intervallen aufgenommen, wie etwa jährlich in Wien oder flächendeckend für Österreich alle drei Jahre. Vor allem in Gebieten mit hoher Vegetationsbedeckung wie Wälder führen die beiden Modellansätze zu unterschiedlichen Höhenwerten. Das Ziel dieser Arbeit ist es, diese Unterschiede zu quantifizieren und Möglichkeiten zu eruieren, die Image Matching (IM) Modelle an die ALS Modelle anzunähern. Zur Entwicklung und Evaluierung eines solchen Prozesses zur Minimierung der Höhenunterschiede wurde ein Gebiet innerhalb des Wienerwaldes im Bereich des Lainzer Tiergartens ausgewählt. Zunächst wurden aus den gegebenen Punktwolken der beiden unterschiedlichen Verfahren topographische Modelle, wie das normalisierte digitale Oberflächenmodell (nDSM), abgeleitet und innerhalb einer eigens definierten Kronendach-Maske statistische Parameter für verschiedene Kernelgrößen des IM nDSM berechnet. Diese Parameter wurden zusammen mit der bekannten Abweichung zwischen dem ALS- und IM-Modell verwendet, um eine Random Forest Regression für die Erstellung eines Anpassungsmodells der IM an die ALS Daten zu trainieren. Die Validierung, durchgeführt anhand dreier separat definierter Gebiete, zeigt eine Annäherung der Höhenwerte an das als Referenz verwendete Laserscanning-nDSM innerhalb der mit Baumkronen überschirmten Flächen. Diese Verbesserung zeigt eine Annäherung der beiden Modelle von etwa 77% bezogen auf den Median der Abweichungen zwischen dem angepassten und dem gegebenen Modell gegenüber der Ausgangssituation. In langgezogenen Lücken im Kronendach stößt die in Python implementierte Regressionsfunktion an ihre Grenzen und ist daher nicht in der Lage, die im IM-Modell nicht erkennbaren Lücken in bewaldeten Gebieten adäquat an das Laserscanning-Modell an diesen Stellen anzupassen.
Luftgestützte Laserscanning-Punktwolken werden landesweit zur Erstellung digitaler Oberflächenmodelle und weiterführend zur Ableitung von Informationen über Waldgebiete verwendet. Diese Aufnahmemethode gilt bis dato als state-of-the-art bei der Aufnahme, vor allem in bewaldeten Gebieten. Da diese jedoch in Österreich und Europa zwar regelmäßig, jedoch selten erstellt werden, ist die Modellierung basierend auf Airborne-Laserscanning-Daten (ALS) von Waldparametern in hoher zeitlicher Auflösung schwierig. Insbesondere die Ableitung von dynamischen Informationen wie Biomasse oder der Zustand eines Baumbestandes nach Umweltereignissen wie Unwettern oder Waldbränden beziehungsweise das Monitoring von Schutzgebieten erfordert relativ hohe zeitliche Auflösungen. Luftbilder und daraus abgeleitete bildbasierte Punktwolken bieten eine Alternative, Oberflächenmodelle zu erstellen. Diese Daten werden in kürzeren Intervallen aufgenommen, wie etwa jährlich in Wien oder flächendeckend für Österreich alle drei Jahre. Vor allem in Gebieten mit hoher Vegetationsbedeckung wie Wälder führen die beiden Modellansätze zu unterschiedlichen Höhenwerten. Das Ziel dieser Arbeit ist es, diese Unterschiede zu quantifizieren und Möglichkeiten zu eruieren, die Image Matching (IM) Modelle an die ALS Modelle anzunähern. Zur Entwicklung und Evaluierung eines solchen Prozesses zur Minimierung der Höhenunterschiede wurde ein Gebiet innerhalb des Wienerwaldes im Bereich des Lainzer Tiergartens ausgewählt. Zunächst wurden aus den gegebenen Punktwolken der beiden unterschiedlichen Verfahren topographische Modelle, wie das normalisierte digitale Oberflächenmodell (nDSM), abgeleitet und innerhalb einer eigens definierten Kronendach-Maske statistische Parameter für verschiedene Kernelgrößen des IM nDSM berechnet. Diese Parameter wurden zusammen mit der bekannten Abweichung zwischen dem ALS- und IM-Modell verwendet, um eine Random Forest Regression für die Erstellung eines Anpassungsmodells der IM an die ALS Daten zu trainieren. Die Validierung, durchgeführt anhand dreier separat definierter Gebiete, zeigt eine Annäherung der Höhenwerte an das als Referenz verwendete Laserscanning-nDSM innerhalb der mit Baumkronen überschirmten Flächen. Diese Verbesserung zeigt eine Annäherung der beiden Modelle von etwa 77% bezogen auf den Median der Abweichungen zwischen dem angepassten und dem gegebenen Modell gegenüber der Ausgangssituation. In langgezogenen Lücken im Kronendach stößt die in Python implementierte Regressionsfunktion an ihre Grenzen und ist daher nicht in der Lage, die im IM-Modell nicht erkennbaren Lücken in bewaldeten Gebieten adäquat an das Laserscanning-Modell an diesen Stellen anzupassen.
Quantifizierung von Vegetationsänderungen als Folge von Thermokarst mit Methoden der Fernerkundung
Department für Geodäsie und Geoinformation, Forschungsgruppe Fernerkundung, Technische Universität Wien, 2024
Betreuer: Priv.-Doz. Dipl.-Geograf Dr. Annett Bartsch
Kurzfassung/Abstract
Die arktischen Permafrostgebiete befinden sich in einem schnellen Wandel und sind stark von der Klimaveränderung betroffen. Methoden der Fernerkundung können dabei helfen, diese Landbedeckungsveränderungen besser zu verstehen und zu überwachen. Gemeinsame Merkmale arktischer Permafrostgebiete sind Thermokarstseen und verschwindende Seen. Sie spielen eine wichtige Rolle für die geomorphologische, hydrologische und ökologische Entwicklung arktischer Gebiete. Die Veränderung des Lebensraumes wirkt sich auch auf die lokale Artenvielfalt aus. Die Vertiefung unseres Verständnisses der Prozesse im Zusammenhang mit Entwässerungsereignissen und entwässerten Einzugsgebieten in der arktischen Umwelt ist für zahlreiche Anwendungen (z.B. Landschaftsmodelle) von entscheidender Bedeutung. Diese Arbeit fokusiert auf das Gebiet der Halbinsel Jamal im Norden Russlands, Sibirien. Jamal wird in eine diskontinuierliche und eine kontinuierliche Permafrost-Tundra-Region eingeteilt werden. Jamal ist von verschiedenen Tundra-Vegetationsgemeinschaften, Tauwasserseen, Feuchtgebieten und Flussauen bedeckt. Entwässerte Tauseebecken unterscheiden sich zwischen den Regionen in ihrer Häufigkeit und Größe. Für diese Arbeit wurden mehrere entwässerte Seebecken auf der Jamal-Halbinsel manuell ausgewählt. Dabei wurde ein Nord-Süd-Klimagradient und verschiedene Entwicklungsstadien der entwässerten Seebecken berücksichtigt. Einige trockengelegte Seebecken liegen in der Nähe von Infrastruktur. Menschliche Aktivitäten auf Jamal umfassen nicht nur Gasinfrastrukturprojekte, sondern auch die Rentierhaltung dient als wichtigste traditionelle Landnutzungsform. Entwässerte Seebecken und damit verbundene Landschaftsdynamiken wie Veränderungen der Oberflächenwasserfläche und der Vegetationsbedeckung können aus dem Weltraum überwacht und mit verschiedenen Fernerkundungsindizes beschrieben werden. Die Indizes können aus mehreren Satellitenbildern auf Jahres- und Zwischenjahresebene berechnet werden. Im Detail werden die ausgewählten entwässerten Seebecken auf dem Höhepunkt der Vegetationsperiode (zwischen dem 1. Juli und dem 31. August) und der zwischenjährlichen Landbedeckungsdynamik von 2016 bis heute bewertet. In dieser Arbeit werden multispektrale Bilddaten von Sentinel-2- und Landsat-8-Satelliten verwendet und eine Reihe verschiedener Landbedeckungsmetriken berechnet, wie z.B. den Normalized Difference Vegetation Index (NDVI) und die Tasseled Cap (TC) - Indizes. Die TC Indizes wurden an den entsprechenden Satelliten angepasst und die spektralen Indikatoren für "Brightness", "Greenness" und "Wetness" berechnet. Die Ergebnisse wurden anhand der verschiedenen Standorte verglichen, wobei der Schwerpunkt auf standortspezifischen Faktoren (wie relatives Beckenalter, hydrologische Konnektivität) lag. Darüber hinaus wurden Vergleiche mit Landbedeckungsklassifizierungen durchgeführt, die im Rahmen der ESA-Projekte DUE GlobPermafrost und Permafrost cci entwickelt wurden und auf der Fusion von Sentinel-1- und 2-Daten mithilfe maschinellen Lernens basieren. Diese Ergebnisse sollen helfen das Verständnis der Begrünung entwässerter Seen und der damit verbundenen Veränderung von Flora und Fauna und der einhergehenden Änderung von Biodiversität voranzutreiben.
Die arktischen Permafrostgebiete befinden sich in einem schnellen Wandel und sind stark von der Klimaveränderung betroffen. Methoden der Fernerkundung können dabei helfen, diese Landbedeckungsveränderungen besser zu verstehen und zu überwachen. Gemeinsame Merkmale arktischer Permafrostgebiete sind Thermokarstseen und verschwindende Seen. Sie spielen eine wichtige Rolle für die geomorphologische, hydrologische und ökologische Entwicklung arktischer Gebiete. Die Veränderung des Lebensraumes wirkt sich auch auf die lokale Artenvielfalt aus. Die Vertiefung unseres Verständnisses der Prozesse im Zusammenhang mit Entwässerungsereignissen und entwässerten Einzugsgebieten in der arktischen Umwelt ist für zahlreiche Anwendungen (z.B. Landschaftsmodelle) von entscheidender Bedeutung. Diese Arbeit fokusiert auf das Gebiet der Halbinsel Jamal im Norden Russlands, Sibirien. Jamal wird in eine diskontinuierliche und eine kontinuierliche Permafrost-Tundra-Region eingeteilt werden. Jamal ist von verschiedenen Tundra-Vegetationsgemeinschaften, Tauwasserseen, Feuchtgebieten und Flussauen bedeckt. Entwässerte Tauseebecken unterscheiden sich zwischen den Regionen in ihrer Häufigkeit und Größe. Für diese Arbeit wurden mehrere entwässerte Seebecken auf der Jamal-Halbinsel manuell ausgewählt. Dabei wurde ein Nord-Süd-Klimagradient und verschiedene Entwicklungsstadien der entwässerten Seebecken berücksichtigt. Einige trockengelegte Seebecken liegen in der Nähe von Infrastruktur. Menschliche Aktivitäten auf Jamal umfassen nicht nur Gasinfrastrukturprojekte, sondern auch die Rentierhaltung dient als wichtigste traditionelle Landnutzungsform. Entwässerte Seebecken und damit verbundene Landschaftsdynamiken wie Veränderungen der Oberflächenwasserfläche und der Vegetationsbedeckung können aus dem Weltraum überwacht und mit verschiedenen Fernerkundungsindizes beschrieben werden. Die Indizes können aus mehreren Satellitenbildern auf Jahres- und Zwischenjahresebene berechnet werden. Im Detail werden die ausgewählten entwässerten Seebecken auf dem Höhepunkt der Vegetationsperiode (zwischen dem 1. Juli und dem 31. August) und der zwischenjährlichen Landbedeckungsdynamik von 2016 bis heute bewertet. In dieser Arbeit werden multispektrale Bilddaten von Sentinel-2- und Landsat-8-Satelliten verwendet und eine Reihe verschiedener Landbedeckungsmetriken berechnet, wie z.B. den Normalized Difference Vegetation Index (NDVI) und die Tasseled Cap (TC) - Indizes. Die TC Indizes wurden an den entsprechenden Satelliten angepasst und die spektralen Indikatoren für "Brightness", "Greenness" und "Wetness" berechnet. Die Ergebnisse wurden anhand der verschiedenen Standorte verglichen, wobei der Schwerpunkt auf standortspezifischen Faktoren (wie relatives Beckenalter, hydrologische Konnektivität) lag. Darüber hinaus wurden Vergleiche mit Landbedeckungsklassifizierungen durchgeführt, die im Rahmen der ESA-Projekte DUE GlobPermafrost und Permafrost cci entwickelt wurden und auf der Fusion von Sentinel-1- und 2-Daten mithilfe maschinellen Lernens basieren. Diese Ergebnisse sollen helfen das Verständnis der Begrünung entwässerter Seen und der damit verbundenen Veränderung von Flora und Fauna und der einhergehenden Änderung von Biodiversität voranzutreiben.
Ableitung des Bruttoinlandprodukts von Brasilien auf Basis von Nacht-Satellitenbildern und weiteren Geodaten durch Anwendung eines Deep Learning Modells
Institut für Geographie und Raumforschung, Universität Graz, 2023
Betreuer: Ao.Univ.-Prof. Mag. Dr. Wolfgang Sulzer
Kurzfassung/Abstract
Der Begriff Deep Learning beschreibt eine Methode der Datenverarbeitung durch künstliche Intelligenz. Die künstliche Intelligenz ist mittlerweile im Alltag der meisten Menschen präsent, aber auch in der Wissenschaft spielt sie eine immer größer werdende Rolle. Diese Masterarbeit widmet sich der Ableitung des Bruttoinlandsprodukts von Brasilien auf Basis von Nacht-Satellitenbildern und weiteren Geodaten durch die Anwendung eines Deep Learning Modells. Das Ziel dieser Arbeit ist die Erstellung eines Datensatzes, mit dem ein Deep Learning Modell trainiert werden kann, um das Bruttoinlandsprodukt bestimmter Regionen in Brasilien vorherzusagen. Die Forschungsfragen, die im Zuge dieser Arbeit behandelt werden, beschäftigen sich damit, ob das Modell auf unterschiedliche Testgebiete innerhalb Brasiliens angewandt werden kann und ob ein Zusammenhang zwischen der nächtlichen Beleuchtung und der Wirtschaftskraft einer Region besteht. Der Datensatz, der zur Beantwortung der Forschungsfragen erstellt werden muss, besteht aus Referenzdaten, die in einer Auflösung von 1x1km das BIP enthalten und den Inputdaten des Modells, die in der gleichen geometrischen Auflösung akquiriert werden müssen. Die Referenzdaten des Bruttoinlandsprodukts werden durch eine einkommensbasierte Disaggregation beziehungsweise Aufschlüsselung erstellt. Die Inputdaten hingegen bestehen aus Sentinel-2 und Black Marble Satellitenbildern, sowie aus den Sentinel-2 Bandkombinationen „NDVI“, „NDBI“ und „MNDWI“. Nach der Erstellung des Datensatzes werden unterschiedlichste Parameterkombinationen für das Modell getestet, um ein optimales Ergebnis zu erzielen. Beim Deep Learning Modell handelt es sich um ein Fusionsmodell aus einem Convolutional Neural Network (CNN) und einem Multilayer Perceptron (MLP), welches vom DLR speziell für diesen Einsatz entwickelt und zur Verfügung gestellt wurde. Durch die Anwendung des Vorhersagemodells konnten Ergebnisse für 14 der bevölkerungsreichsten Städte Brasiliens berechnet werden. Darunter Sao Paulo, mit einem Bruttoinlandsprodukt von 687 035 890 brasilianischen Real (R$). Das BIP konnte mit einem Determinationskoeffizienten R² von 0,64 und einer Pearson Korrelation R von 0,8 nachmodelliert werden. Die Genauigkeit der Modellierung variiert jedoch stark zwischen den unterschiedlichen Testgebieten. Es stellt sich heraus, dass die Werte durch die Modellierung geglättet werden und somit Ausreißer in den BIP-Werten verloren gehen. Weiters werden Kacheln, die sich in ruralen Regionen befinden, zu hohe Werte zugewiesen. Der Einfluss der nächtlichen Beleuchtung auf das BIP zeigt sich in der Verbesserung der Performance des Modells durch die Einbindung der Black Marble Daten. Weiterführende Forschung in diesem Bereich wäre eine Disaggregation der BIP-Daten nach Wirtschaftssektoren unter Einbindung von Landbedeckungs- und OpenStreetMap Daten, sowie eine weitere Optimierung des Modells hinsichtlich ruraler Räume.
Der Begriff Deep Learning beschreibt eine Methode der Datenverarbeitung durch künstliche Intelligenz. Die künstliche Intelligenz ist mittlerweile im Alltag der meisten Menschen präsent, aber auch in der Wissenschaft spielt sie eine immer größer werdende Rolle. Diese Masterarbeit widmet sich der Ableitung des Bruttoinlandsprodukts von Brasilien auf Basis von Nacht-Satellitenbildern und weiteren Geodaten durch die Anwendung eines Deep Learning Modells. Das Ziel dieser Arbeit ist die Erstellung eines Datensatzes, mit dem ein Deep Learning Modell trainiert werden kann, um das Bruttoinlandsprodukt bestimmter Regionen in Brasilien vorherzusagen. Die Forschungsfragen, die im Zuge dieser Arbeit behandelt werden, beschäftigen sich damit, ob das Modell auf unterschiedliche Testgebiete innerhalb Brasiliens angewandt werden kann und ob ein Zusammenhang zwischen der nächtlichen Beleuchtung und der Wirtschaftskraft einer Region besteht. Der Datensatz, der zur Beantwortung der Forschungsfragen erstellt werden muss, besteht aus Referenzdaten, die in einer Auflösung von 1x1km das BIP enthalten und den Inputdaten des Modells, die in der gleichen geometrischen Auflösung akquiriert werden müssen. Die Referenzdaten des Bruttoinlandsprodukts werden durch eine einkommensbasierte Disaggregation beziehungsweise Aufschlüsselung erstellt. Die Inputdaten hingegen bestehen aus Sentinel-2 und Black Marble Satellitenbildern, sowie aus den Sentinel-2 Bandkombinationen „NDVI“, „NDBI“ und „MNDWI“. Nach der Erstellung des Datensatzes werden unterschiedlichste Parameterkombinationen für das Modell getestet, um ein optimales Ergebnis zu erzielen. Beim Deep Learning Modell handelt es sich um ein Fusionsmodell aus einem Convolutional Neural Network (CNN) und einem Multilayer Perceptron (MLP), welches vom DLR speziell für diesen Einsatz entwickelt und zur Verfügung gestellt wurde. Durch die Anwendung des Vorhersagemodells konnten Ergebnisse für 14 der bevölkerungsreichsten Städte Brasiliens berechnet werden. Darunter Sao Paulo, mit einem Bruttoinlandsprodukt von 687 035 890 brasilianischen Real (R$). Das BIP konnte mit einem Determinationskoeffizienten R² von 0,64 und einer Pearson Korrelation R von 0,8 nachmodelliert werden. Die Genauigkeit der Modellierung variiert jedoch stark zwischen den unterschiedlichen Testgebieten. Es stellt sich heraus, dass die Werte durch die Modellierung geglättet werden und somit Ausreißer in den BIP-Werten verloren gehen. Weiters werden Kacheln, die sich in ruralen Regionen befinden, zu hohe Werte zugewiesen. Der Einfluss der nächtlichen Beleuchtung auf das BIP zeigt sich in der Verbesserung der Performance des Modells durch die Einbindung der Black Marble Daten. Weiterführende Forschung in diesem Bereich wäre eine Disaggregation der BIP-Daten nach Wirtschaftssektoren unter Einbindung von Landbedeckungs- und OpenStreetMap Daten, sowie eine weitere Optimierung des Modells hinsichtlich ruraler Räume.