This study proposes a new automated and completely image based approach, named CRASh, for the extraction of vegetation variables from hyperspectral remote sensing data. The focus of the approach lies on detecting spatial variations in leaf area index, leaf chlorophyll content, leaf dry matter content, and leaf water content. Detecting anomalies in these important indicators of crop development and stress supports agricultural management decision making at a local to regional scale. CRASh relies on the inversion of physically based radiative transfer models, which allows it to exploit the entire spectral feature space and to adapt to changing sun and observation geometry and to local background reflectance and atmospheric properties. The approach incorporates an automated land cover classifier, which facilitates optimizing model inversion to specific land cover types and reduces the under-determined and ill-posed nature common to remote sensing observations of vegetated surfaces. To the latter purpose, also a new regularization technique, based on regression analysis between heuristic spectral vegetation indices and radiative transfer model simulations, was introduced. CRASh was validated at three spatial levels and various sensor configurations, ranging from field spectrometer measurements, over airborne HyMap imaging spectrometer data takes, up to multi-angular observations of CHRIS aboard the PROBA satellite. Biometrical validation measurements took place on intensively used meadows and pastures near Lake Waging-Taching in Upper-Bavaria and on cotton (Gossipium Hirsutum) in The Khorezm region of Uzbekistan. When no a priori knowledge on land cover was assumed, CRASh showed a significant gain in accuracy and stability compared the conventional approaches that were tested. Both the hyperspectral and multi-angular data dimensions provided additional information compared to multi-spectral mono-directional observations, leading increased retrieval accuracy.      «

This study proposes a new automated and completely image based approach, named CRASh, for the extraction of vegetation variables from hyperspectral remote sensing data. The focus of the approach lies on detecting spatial variations in leaf area index, leaf chlorophyll content, leaf dry matter content, and leaf water content. Detecting anomalies in these important indicators of crop development and stress supports agricultural management decision making at a local to regional scale. CRASh relie...     »

Mit CRASh schlägt die vorgelegte Arbeit einen neuen, allein auf die Bildinhalte beruhenden Ansatz vor, um Vegetations-Variablen aus hyperspektralen/multidirektionalen Fernerkundungs-Daten abzuleiten. Über die Bestimmung der Variablen Blattflächenindex, Blattchlorophyll-Gehalt, Blatttrockenmasse und Blattwassergehalt wird das Wuchsverhalten und der Stresszustand von ackerbaulichen Flächen beurteilt und Wuchsanomalien lokalisiert. Die Information kann direkt in Entscheidungsunterstützungssysteme einfließen, wie sie etwa in „Precision Farming“ Anwendungen üblich sind. CRASh gründet sich auf die Invertierung physikalischer Strahlungstransfermodelle, deckt den kompletten optischen spektralen Merkmalsraum ab und kompensiert beliebige Beleuchtungs- und Beobachtungsgeometrien sowie Hintergrundreflexionen und atmosphärische Einflüsse. Ein vorgeschalteter, automatischer Landoberflächen Klassifikator erlaubt es, die Modell-Inversion an die vorkommenden Landoberflächentypen anzupassen. Damit wird das prinzipiell unterdefinierte System, das Fernerkundungsdaten-Auswertungen eigen ist und in typischer Weise zu mehrdeutigen Lösungen führt, entscheidend eingegrenzt. Durch ein neu eingeführtes Rückkoppelungsverfahren, das sich auf Regressionsanalysen zwischen heuristischen spektralen Vegetationsindizes und Strahlungstransfer-Modellsimulationen gründet, wird das Verfahren weiter abgesichert. CRASh wurde auf drei Skalen-Ebenen und für unterschiedliche spektrale Bandkonfigurationen validiert: am Boden mit Daten eines hochauflösenden Feldspektroradiometers, mit Daten des Flugzeuggetragenen HyMap-Sensors und mit multi-direktionalen CHRIS/PROBA Satellitenaufnahmen. Biometrische Vergleichsmessungen wurden für intensiv bewirtschaftete Grünlandflächen am Waging-Tachinger See in Südostbayern und für Baumwolle (Gossipium Hirsutum) in der Khorezm-Region in Usbekistan durchgeführt. Unter der Annahme fehlenden „a priori“ Wissens über die Landoberflächenbedeckung/Landnutzung, zeigt sich der vollautomatisierte CRASh Ansatz den getesteten herkömmlichen Verfahren deutlich überlegen. Die Erweiterung des Merkmalsraumes in Richtung hyperspektraler sowohl als auch in Richtung multi-direktionaler Datensätze führten beide zu einer zusätzlichen Stabilisierung der Variablenbestimmung im Vergleich zu den multi-spektralen und mono-direktionalen Aufnahmen.      «

Mit CRASh schlägt die vorgelegte Arbeit einen neuen, allein auf die Bildinhalte beruhenden Ansatz vor, um Vegetations-Variablen aus hyperspektralen/multidirektionalen Fernerkundungs-Daten abzuleiten. Über die Bestimmung der Variablen Blattflächenindex, Blattchlorophyll-Gehalt, Blatttrockenmasse und Blattwassergehalt wird das Wuchsverhalten und der Stresszustand von ackerbaulichen Flächen beurteilt und Wuchsanomalien lokalisiert. Die Information kann direkt in Entscheidungsunterstützungssysteme e...     »