Teil 2 Internationaler Vergleich LABES als Monitoringinstrument und Weiterentwicklung der
2.9 Indikator für eine zeitlich hochauflösende Erfassung des städtischen Grün (Indikator NEU-14,
Zukünftige Verbesserungen: Zukünftige Verbesserungen dieser Arbeit lägen in der Verwendung von Sen-tinel-2 Level 2A Oberflächenreflexionsdaten anstelle von SenSen-tinel-2 Level 1C. Diese Daten wurden wei-ter verarbeitet, um den Einfluss der Atmosphäre aus dem vom Satelliten aufgezeichneten Signal zu ent-fernen. Sie haben eine verbesserte Wolkenmaske und könnten möglicherweise die Kartierung der In-tensität der landwirtschaftlichen Landnutzung verbessern.
Aufgrund der kurzen Verfügbarkeit von Sentinel-2-Daten (seit Juli 2015) wurden nur drei Jahre, 2016-2018, zur Ermittlung der Verteilung der sdNDVI-Werte berücksichtigt. Unser Ziel ist es, einen «Basiszeit-raum» von 4-5 Jahren zu haben, der dazu dient, feste Schwellenwerte für sdNDVI festzulegen, anhand derer landwirtschaftliche Flächen in eine Landnutzungsintensitätsklasse eingeteilt werden. Dann kön-nen wir diese «Basis» nutzen, um Veränderungen der landwirtschaftlichen Nutzungsintensität über die Jahre auf regionaler oder landschaftlicher Ebene zu beobachten.
2.9 Indikator für eine zeitlich hochauflösende Erfassung des städtischen Grün (Indikator NEU-14, Anhang A)
Motivation: Quantifizierung und Überwachung der Grünflächen in den städtischen Gebieten der Schweiz in jährlichen Abständen.
Methodik: Die für die Berechnung dieses Indikators verwendeten Fernerkundungsdaten waren Sentinel-2 MSI, die die gesamte Schweiz abdecken. Sentinel-Sentinel-2 ist eine breit angelegte, hochauflösende, multi-spektrale Bildmission der ESA zur Überwachung von Vegetation, Boden und Wasserbedeckung. Es wur-den Sentinel-2 Level-1C-Daten verwendet, die radiometrisch und geometrisch korrigierte Top-Of-Atmo-sphere Produkte sind. Die Korrekturen umfassen die Orthorektifizierung und die räumliche Registrie-rung auf einem globalen Referenzsystem (kombinierte UTM-Projektion und WGS84-Ellipsoid) mit Sub-Pixel-Genauigkeit. Level-1C-Bilder werden in Kacheln von 100×100 km geliefert. Um die Ausdehnung der Schweiz abzudecken, werden insgesamt 11 Kacheln benötigt (Abbildung 13).
Abbildung 13 Sentinel-2-Kacheln für die Schweiz
Da wir daran interessiert waren, die Vegetation im vollen Wachstum zu erfassen, wurden alle verfügba-ren Sentinel-2-Kacheln für die Jahre 2017 und 2018 im Zeitraum von Mitte Mai bis Mitte September verwendet. Insgesamt wurden 561 (2017) und 740 (2018) Kacheln für die Jahre 2017 und 2018 für die Analysen berücksichtigt. Zu den ersten Schritten gehörte die Entfernung der wolkenverunreinigten Pi-xel. Bei der Untersuchung der ersten Ergebnisse stellten wir fest, dass die von der ESA bereitgestellte Wolkenmaske nicht alle Wolkenpixel ausreichend entfernt hat. Wir haben uns daher entschieden, die Analysen mit Sentinel-2-Kacheln fortzusetzen, die eine Wolkenbedeckung von 30% und weniger hatten.
Daraus ergaben sich 223 (2017) und 441 (2018) Kacheln, die für die nachfolgenden Analysen zur Verfü-gung standen. Für jede Kachel wurde der Normalized Difference Vegetation Index (NDVI) mit einer Auf-lösung von 10m unter Verwendung der roten und nahen Infrarotbänder des Sentinel-2-Sensors berech-net. Schliesslich wurde eine jährliche NDVI-Schicht für 2017 und 2018 als Median aller verfügbaren Da-ten für das jeweilige Jahr berechnet. Die Verwendung des Medians ist eine bessere Darstellung des wahren Wertes des Pixels im Vergleich zum Mittelwert, wenn die Daten noch mit eher hohen oder niedrigen Werten wie Restwolken und deren Schatten verunreinigt sein könnten.
Für die Kartierung von Grünflächen innerhalb städtischer Gebiete für 2017 und 2018 wurden Pixel mit einem NDVI-Wert von mehr als 0,35 verwendet. Der Schwellenwert von 0,35 wurde gewählt, da neben Bereichen mit hoher Kronendachabdeckung und -stärke auch Bereiche mit mittlerer bis niedriger Kro-nendachabdeckung erfasst wurden. Dies kann oft der Fall sein bei gemischten Pixeln innerhalb von Städ-ten, die teilweise Vegetation und teilweise urbane Strukturen aufweisen, was zu einem gemischten NDVI-Signal führt, das niedriger als das der reinen Vegetation ist. Da der Indikator mit einer Auflösung von 100m benötigt wird, wurden die 10m Sentinel-2-Daten auf 100m aggregiert, wobei der Massstab von 0 -100% Grünflächenbedeckung reicht.
Um die Veränderungen des städtischen Grüns zwischen 2017 und 2018 zu beobachten, haben wir Be-reiche im Jahr 2018 identifiziert, in denen eine Veränderung des NDVI von mindestens 30% gegenüber 2017 festgestellt werden konnte. Schliesslich wählten wir eine Stichprobe dieser Bereiche aus und be-urteilten visuell die Gültigkeit und die Art der Veränderung. Die Veränderungsprozesse des Stadtgrüns wurde mit der 10m-Auflösung der Sentinel-2-Daten überwacht.
Alle Analysen wurden mit der Google Earth Engine (GEE) durchgeführt und Skripte zur Replikation der Ergebnisse findet man unter:
https://code.earthengine.google.com/df93ffe95636fd81721a1aa70e716da4 und
https://code.earthengine.google.com/
GEE ist eine Cloud-basierte Geospatial-Processing-Plattform für die Durchführung von grossflächigen Raumdatenanalysen mit einem Multi-Petabyte-Katalog von Satellitenbildern, Klima-, Bevölkerungs- und anderen globalen oder regionalen Vektordatensätzen.
Ergebnisse: Die jährlichen NDVI für 2017 und 2018 für die gesamte Schweiz sind in Abbildung 14 darge-stellt.
Abbildung 14 Median NDVI für 2017 (links) und 2018 (rechts) für den Zeitraum Mitte Mai bis Mitte September Ein Beispiel des LABES-Indikators «Städtisches Grün» für 2017 für den Grossraum Zürich zeigt Abbil-dung 15, während ein detaillierteres Beispiel für die Innenstadt von Zürich zusammen mit dem Senti-nel-2 10m Pixel als städtische Grünfläche kartiert in Abbildung 16 zu sehen ist.
Abbildung 15 Städtischer Grünindikator mit 100m Auflösung für den Grossraum Zürich für 2017: die grünen Far-ben zeigen Gebiete mit hohem Anteil an Vegetation, die roten FarFar-ben Gebiete ohne Vegetation (versiegelt,,
Ge-wässer usw.).
A
B
C
Abbildung 16 Indikator für städtisches Grün in 100m Auflösung für das Zentrum von Zürich (C) für 2017. Das erste Bild (A) ist ein RGB-Bild von Google Earth. Im zweiten Bild (B) sind die weissen Bereiche Sentinel-2 10m Pixel; sie haben einen NDVI von mehr als 0,35, sind also als Vegetation klassifiziert. Diese 10m Pixel werden dann zu 100m
aggregiert und ihre Summe stellt den Prozentsatz der grünen Vegetation dar.
Abbildung 17 zeigt ein Beispiel der Veränderung der städtischen Grünflächen im Raum Zürich zwi-schen 2017 und 2018.
Abbildung 17 Veränderung der städtischen Grünflächen zwischen 2017 und 2018 in der Region Zürich. (C): Ge-biete mit grüner Farbe belegen eine Zunahme des NDVI im Jahr 2018 gegenüber dem Jahr 2017 um mindestens
30%, während rote Gebiete auf eine Abnahme des NDVI hinweisen. Bild A ist ein RGB-Bild aus Google Earth, während Bild B und Bild D die 10m Sentinel-2-Pixel zeigen, die für 2017 bzw. 2018 als Vegetation klassifiziert
wurden.
Zwei detaillierte Beispiele für die negative (Verlust) und positive (Gewinn) Veränderung von städtischen Grünflächen zwischen 2017 und 2018 für den Raum Zürich sind in Abbildung 18 dargestellt.
A
D B
C
Abbildung 18 Beispiele für Veränderungen in städtischen Grünflächen zwischen 2017 und 2018, die mit der für diesen Bericht entwickelten Methode ermittelt wurden. Bilder A und B zeigen die identifizierten Veränderungen
(Rot = Verlust der Grünfläche; Grün = Gewinn der Grünfläche). Die Bilder C und E bzw. D und F sind, die RGB-Bilder für 2017 bzw. 2018 der gleichen Ausschnitte. Sie zeigen die Umwandlung eines Parks in bebaute Fläche
(links) bzw. die Umwandlung eines Hartplatzes in ein Spielfeld.
Diskussion und Schlussfolgerungen: Insgesamt kommen wir zum Schluss, dass die Verwendung von Fer-nerkundungsdaten des Sentinel-2-Sensors ein grosses Potential für die Kartierung und Überwachung von städtischen Grünflächen auf jährlicher Basis in der ganzen Schweiz hat. Durch die hohe Frequenz und schnelle Verfügbarkeit der Sentinel-2-Daten können diese Ergebnisse und das Monitoring nahezu
«in Echtzeit» erreicht werden. Ein weiterer Vorteil der in diesem Bericht vorgestellten Arbeit ist, dass alle Analysen mit der verteilten, cloud-basierten Rechenleistung der Google Earth Engine durchgeführt wurden. Damit entfällt das Herunterladen, Speichern und Vorverarbeiten der Fernerkundungsdaten so-wie die Notwendigkeit teurer Hardware oder Cluster-Infrastrukturen. Durch den Einsatz der Google E-arth Engine konnten wir die Bearbeitungszeiten um Grössenordnungen reduzieren und können unsere Ergebnisse und Skripte einfach und schnell den Interessenten zur Verfügung stellen.
Eine Einschränkung dieses Ansatzes besteht jedoch darin, dass die 10-Meter-Auflösung der Sentinel-2-Daten zwar als hoch angesehen wird, aber kleine Einzelbäume innerhalb städtischer Gebiete nur schwer korrekt erfasst und kartiert werden können.
Zukünftige Verbesserungen: Zukünftige Verbesserungen wären die Verwendung von Sentinel-2 Level 2A Oberflächenreflexionsdaten anstelle von Sentinel-2 Level 1C. Diese Daten wurden weiter verarbeitet, um den Einfluss der Atmosphäre aus dem vom Satelliten aufgezeichneten Signal zu entfernen. Sie haben
A
E F C D
B
eine verbesserte Wolkenmaske und könnten möglicherweise die Kartierung städtischer Grünflächen verbessern.
Eine weitere Möglichkeit, die Ergebnisse dieses Berichts zu verbessern, besteht darin, einen NDVI-Grenzwert (der die Vegetation gegenüber der Nichtvegetation bestimmt) für die verschiedenen Boden-bedeckungstypen in städtischen Gebieten zu optimieren. Beispielsweise könnte eine auf Grasland und eine auf Laub- und Nadelbäume abgestimmte NDVI-Schwelle innerhalb von Städten eine höhere Ge-nauigkeit bei der Erfassung der Vegetation und deren Veränderungen im Laufe der Zeit ergeben.
Eine weitere Verbesserung für die Überwachung der Veränderungen im Laufe der Jahre wäre die Ver-ringerung des «Salz und Pfeffer»-Effekts, der auf die Ergebnisse einwirkt. Wie in Abbildung 18B zu sehen ist, gibt es mehrere einzelne 10m grosse Pixel, die entweder als positive oder negative Veränderung identifiziert wurden. Die Festlegung von Regeln wie z.B. eine «Minimalfläche», die erforderlich ist, um einen Bereich als Änderung zu kennzeichnen, die Nähe zu anderen Änderungen in der Nachbarschaft oder das Filtern der Ergebnisse mit anderen Datensätzen (z.B. TLS) würde die Qualität des Endergebnis-ses potentiell verbessern.