Zur Seitenansicht
 

Titelaufnahme

Titel
Soil mapping using remote sensing techniques / author: Manuel Scherrer
VerfasserScherrer, Manuel
GutachterAtzberger, Clement ; Vuolo, Francesco
ErschienenVienna, November 2015
UmfangIII, 68 Seiten : Illustrationen, Diagramme, Karten
HochschulschriftUniversität für Bodenkultur, Univ., Masterarbeit, 2015
SpracheEnglisch
DokumenttypMasterarbeit
Schlagwörter (DE)Fernerkundung, digitale Bodenkartierung, Marchfeld, unüberwachte Klassifikation, R
Schlagwörter (EN)digital soil mapping, remote sensing, unsupervised classification, Marchfeld, Landsat, R
Schlagwörter (GND)Marchfeld / Bodenkartierung / Fernerkundung
URNurn:nbn:at:at-ubbw:1-22554 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Soil mapping using remote sensing techniques [6.48 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Bodenproben stellen unter anderem die Grundlage für Bodenkarten dar. Satellitenbilder und Fernerkundungsdaten können diese Karten durch eine höhere Bodenauflösung und durch die Wiedergabe von diversen Bodenattributen verbessern. Ihre zeitliche und räumliche Verfügbarkeit erlaubt es, Regionen ungeachtet ihrer Abgeschiedenheit und dem Grad an dokumentierten Vorwissen zu untersuchen. Das Ziel dieser Arbeit ist, die Durchführbarkeit von Bodenkartierungen mittels frei verfügbaren Fernerkundungsdaten unter der Zuhilfenahme von Open-Source-Software zu evaluieren. Dabei wird die Region Marchfeld in Niederösterreich als Testregion ausgewählt. Sie charakterisiert sich durch eine hohe Bodenvariabilität. Auf der Basis von 16 Landsat-7 Aufnahmen generiert der Autor drei bodenreflexionsbasierende Indikatoren (1: der Median einer Zeitreihe basierend auf der spektralen Reflexion des Pixels; 2: die Koeffizienten einer - an die spektralen Reflexionswerte des Pixels angepassten - polynomischen Funktion; 3: die Steigung und der Intercept (Achsenabschnitt) der "Soil line"). Die Datensätze der drei Indikatoren werden für eine unüberwachte Klassifikation verwendet, welche auf den "kMeans" Algorithmus und den "selbstorganisierende Karte" (SOM - self organizing map) Algorithmus zurückgreift. Die resultierenden Karten werden analytisch und visuell mit einer bereits existierenden Bodenkarte der Region abgeglichen. Es zeigt sich, dass die Unterschiede in den Karten mehr auf den verwendeten Indikator als auf die zwei verschiedenen Algorithmen zurückzuführen sind. Der Indikator 2 schneidet dabei am besten ab. Die räumliche Verteilung von Bodentypen kann von den resultierenden Karten abgelesen werden - mit dem Vorteil eine bessere Bodenauflösung, verglichen mit der bereits existierenden Bodenkarte, zu erzielen. Um die Ergebnisse zu verbessern, können zusätzliche bodenspezifische Informationen, wie zum Beispiel Bodenproben, für eine unüberwachte Klassifikation herangezogen werden.

Zusammenfassung (Englisch)

Traditional soil surveys are conducted via in-situ measurements and provide among other uses information for soil maps. Satellite images and remote sensing data can help to enhance these maps by addressing different soil attributes and providing better spatial resolution. Their temporal and spatial availability enables users to assess any remote region, without prior or deeper knowledge about it. This thesis aims to evaluate the feasibility of soil mapping with free earth observation satellite data using open source software. It is conducted in the Marchfeld region in Lower Austria which is characterized by high soil variability. The author generates three bare-soil-reflectance based indicators (median over time of spectral reflectance, coefficients of a polynomial function fitted on the spectral reflectance of the pixel, intercept and slope of the soil line) on the basis of 16 Landsat-7 images. They serve as input features for an unsupervised classification, using the "self-organizing map" (SOM) and the "kMeans" algorithm. The resulting maps are compared analytically and visually with an existing soil map of the area of interest. It is shown that the maps produced are more dependent on the input feature used, than on the algorithm applied, with one reflectance based indicator - the coefficients of a polynomial function fitted on the spectral reflectance of the pixel - outperforming the other indicators. Coarse patterns and shapes can be delineated from the results and a better spatial resolution compared to the existing soil map is provided. For an improvement of the results, additional soil specific information - like in-situ measurements - can be used as an input feature or for a supervised classification.