This study describes the development of a hyperspectral remote sensing method to map
and monitor submerged aquatic vegetation, meeting examination and assessment criteria for
adoption in the European Water Framework Directive. Identifying macrophyte species using objective remote sensing methods can be a consistent and reliable means to map large areas of lakeshores for monitoring purposes, but only if the spectral properties of in situ species are distinct. To determine this, the spectral signatures of eight common aquatic macrophyte species (Potamogeton perfoliatus, P. pectinatus, Chara aspera, C. contraria,C. intermedia,C. tomentosa, Nitellopsis obtusa, Najas marina) were investigated to establish whether or not they contain sufficient information for species differentiation. To assess the range of spectal variability that may be found in each species, reflectance spectra of homogenous patches were measured in situ with a submersible spectroradiometer (RAMSES) in 2003 and 2004 at Lake Constance and Lake Starnberg, Germany. Results show that reflectance spectra of macrophyte species were significantly different for various spectral regions. A genetic algorithm (GALGO) technique was used to determine important waveband combinations ideal for remote sensing identification of substrate types. Statistical tests such as unsupervised classifications (Principal Component Analysis) and distance measure (Jeffries-Matusita) indices were used to confirm species separation. Cross-validation by linear discriminant analysis, a supervised classification approach, confirmed that in situ spectra could be used to discriminate between seven species with > 98% accuracy using as few as four optimally-positioned bands in the visible wavelengths. Classification method was applied to airborne hyperspectral remote sensing data from HyMap, acquired during the HyEurope flight campaign in 2003 and 2004. Images were corrected for atmospheric, air-water interface and water body effects using the physical based Modular Inversion & Processing System (MIP). After pre-processing, the hyperspectral data were classified to bottom cover classes by linear spectral unmixing. The result contains percent cover classes for short-growing macrophytes (e.g. Characeae), tall-growing macrophytes (e.g. P. pectinatus), and bottom sediments. A subsequent classification of pixels more than 70 % vegetation cover was performed on species level, producing a detailed macrophyte distribution map (in 4 × 4 m2 pixel resolution) to 4.5 m water depth. The results of this study demonstrate that it is possible to accurately detect and delineate submerged macrophytes using a hyperspectral remote sensing technique, and that the potential for species separation using advanced data-analysis techniques exists.
Übersetzte Kurzfassung:
In dieser Arbeit wurde eine operationelle Methode zur Kartierung von Unterwasserpflanzen mit Hilfe von hyperspektralen (spektral und räumlich sehr hochauflösenden) Fernerkundungsdaten entwickelt. In Zukunft soll es damit möglich sein, die Überwachungs-und Bewertungskriterien der Europäischen Wasserrahmenrichtlinie zu erfüllen. Die Identifizierung von Unterwasserpflanzen (submersen Makrophyten) auf Basis von Fernerkundungsdaten kann eine zuverlässige Methode zur großflächigen Kartierung der Litoralzone von Seen sein. Dies ist jedoch nur dann möglich, wenn die vorhandenen Arten in ihren spektralen Signaturen unterscheidbar sind. In der vorliegenden Arbeit wurden die spektralen Eigenschaften von acht häufig auftretenden Makrophytenarten (Chara aspera, C. contraria, C. intermedia, C. tomentosa, Nitellopsis obtusa, Najas marina, Potamogeton pectinatus, P. perfoliatus) untersucht. Um ein Mass für die spektrale Variabilität einer Art zu erhalten, wurden in den Jahren 2003 und 2004 im Rahmen von Feldmessungen am Bodensee und am Starnberger See die Reflexion einzelner homogener Makrophytenpolster mit einem Unterwasserspektrometer (RAMSES) bestimmt. Ergebnisse zeigen, dass die in situ gemessenen Reflexionsspektren der Makrophytenarten in einigen Wellenlängenbereichen signifikante Unterschiede aufweisen. Um die besten Wellenlängenkombinationen für eine optimale Klassifizierung zu ermitteln, wurde ein genetischer Algorithmus (GALGO) verwendet. Mit Hilfe einer Linearen Diskriminanz Analyse (LDA), wurden die Makrophyten zu Arten klassifiziert. Es konnte nachgewiesen werden, dass bis zu 98% der
Arten mit nur vier optimal ausgewählten Wellenlängen im sichbaren Wellenlängenbereich richtig eingeordnet werden können. Die Ergebnisse der beschriebenen Klassifikationsmethoden wurden auf hyperspektrale, aus einem Flugzeug aufgezeichnete Messungen (HyMap) übertragen. Diese Messungen wurden während der HyEurope Flugkampagne in den Jahren 2003 und 2004 aufgenommen. Mit dem physikalisch basierten Modular Inversion & Processing System (MIP) wurden die Einflüsse der Atmosphäre und der Wassersäule korrigiert. Nach der Vorprozessierung wurden die Hyperspektraldaten durch linear spectral unmixing nach Bodenbedeckungsgraden klassifiziert. Als Ergebnis ergaben sich Bedeckungsgrade (in %) für niedrigwüchsige Pflanzen (z. B. Characeae), für hochwüchsige Pflanzen (z.B. P. Pectinatus) und für unbedecktes Sediment. Anschließend wurden die Pixel, weiter nach Arten klassifiziert und eine detaillierte Verteilungskarte (in 4 x 4 m2 Pixelauflösung) bis zu einer Wassertiefe von 4.5 m erstellt. Die Ergebnisse dieser Studie demonstrieren, dass es möglich ist, submerse Makrophyten mit hyperspektralen Fernerkundungsmethoden zu erfassen, und dass mit geeigneten Datenanalyseverfahren verschiedene Makrophytenarten potenziell unterscheidbar sind.
Login
BibTeX