To monitor and predict variation in phenology, the unmanned aerial vehicle (UAV) has become an evident source to collect data at any required time. The high-resolution data contains information on shadows which are usually treated as an error or misinterpreted by the user which leads to loss or suboptimal utilization of the information. Therefore, it is necessary to detect these shadows. Hence, the objectives of the study were to identify the best method to detect shadows and identify which vegetation indices (VIs) were sensitive to shadows. Unsupervised classification, supervised classification, threshold classification for the multispectral UAV bands and threshold classification for VIs were compared through the results of the two datasets that were obtained in spring 2019. The unsupervised and supervised classification methods showed higher accuracy levels as compared to the threshold classification for bands and VIs. As for the vegetation indices, Canopy Chlorophyll Content Index (CCCI) and Normal Difference Vegetation Index (NDVI) were more sensitive to shadows as compared to Enhanced Vegetation Index (EVI) and Green Chromatic Coordinate (GCC). While comparing shadow detection methods, it was observed that a few parameters such as the size of the study area, time, objectives and desired land covers to be detected need to be given due consideration to decide which method would be best to detect shadows. The results showed a variation in the physical characteristics of shadows throughout the spring season which affected the accuracy of the methods to detect shadows. It also showed that spectral characteristics of shadows were similar to the spectral characteristics of the dormant forest and tree trunks before spring leaf development started, while this changed during the peak season of the spring when the shadows showed similarity with forest. To conclude, this thesis identified the best method to detect shadows and response of vegetation indices to shadows which can be used to provide new insights in studying variation in the phenology.     «

To monitor and predict variation in phenology, the unmanned aerial vehicle (UAV) has become an evident source to collect data at any required time. The high-resolution data contains information on shadows which are usually treated as an error or misinterpreted by the user which leads to loss or suboptimal utilization of the information. Therefore, it is necessary to detect these shadows. Hence, the objectives of the study were to identify the best method to detect shadows and identify which vege...     »

Zur Überwachung und Vorhersage von Variationen in der Phänologie ist das unbemannte Luftfahrzeug (UAV) zu einer offensichtlichen Quelle geworden, um Daten zu jeder gewünschten Zeit zu sammeln. Die hochauflösenden Daten enthalten Informationen über Schatten, die in der Regel als Fehler behandelt oder vom Benutzer fehlinterpretiert werden, was zu einem Verlust oder einer suboptimalen Nutzung der Informationen führt. Daher ist es notwendig, diese Schatten zu erkennen. Die Ziele der Studie waren daher, die beste Methode zur Erkennung von Schatten zu identifizieren und herauszufinden, welche Vegetationsindizes (VIs) empfindlich für Schatten sind. Unüberwachte Klassifizierung, überwachte Klassifizierung, Schwellenwert klassifizierung für die multispektralen UAV-Bänder und Schwellenwert klassifizierung für VIs wurden anhand der Ergebnisse der beiden Datensätze, die im Frühjahr 2019 gewonnen wurden, verglichen. Die unbeaufsichtigten und überwachten Klassifizierungsmethoden zeigten höhere Genauigkeitsstufen im Vergleich zur Schwellenwert klassifizierung für Bänder und VIs. Was die Vegetationsindizes betrifft, waren der Canopy Chlorophyll Content Index (CCCI) und der Normal Difference Vegetation Index (NDVI) empfindlicher gegenüber Schatten als der Enhanced Vegetation Index (EVI) und die Green Chromatic Coordinate (GCC). Beim Vergleich der Schattenerkennungsmethoden wurde festgestellt, dass einige Parameter wie die Größe des Untersuchungsgebiets, die Zeit, die Ziele und die gewünschten Landbedeckungen, die erkannt werden sollen, gebührend berücksichtigt werden müssen, um zu entscheiden, welche Methode am besten geeignet ist, um Schatten zu erkennen. Die Ergebnisse zeigten eine Variation der physikalischen Eigenschaften von Schatten während der Frühjahrssaison, was die Genauigkeit der Methoden zur Schattenerkennung beeinflusste. Es zeigte sich auch, dass die spektralen Eigenschaften der Schatten den spektralen Eigenschaften des ruhenden Waldes und der Baumstämme ähnlich waren, bevor die Blattentwicklung im Frühjahr begann, während sich dies während der Hauptsaison im Frühjahr änderte, als die Schatten Ähnlichkeit mit dem Wald zeigten. Zusammenfassend lässt sich sagen, dass in dieser Arbeit die beste Methode zur Erkennung von Schatten und die Reaktion von Vegetationsindizes auf Schatten identifiziert wurde, die verwendet werden können, um neue Erkenntnisse bei der Untersuchung der Variation in der Phänologie zu gewinnen.     «

Zur Überwachung und Vorhersage von Variationen in der Phänologie ist das unbemannte Luftfahrzeug (UAV) zu einer offensichtlichen Quelle geworden, um Daten zu jeder gewünschten Zeit zu sammeln. Die hochauflösenden Daten enthalten Informationen über Schatten, die in der Regel als Fehler behandelt oder vom Benutzer fehlinterpretiert werden, was zu einem Verlust oder einer suboptimalen Nutzung der Informationen führt. Daher ist es notwendig, diese Schatten zu erkennen. Die Ziele der Studie waren dah...     »