Quantification of land use and land cover in a Monsoon agricultural mosaic from space

Die Landnutzung/Landbedeckung (LULC: Land Use / Land Cover) ist ein grundlegender Faktor im globalen sozioökologischen System und ihre Veränderung ist ein bedeutender Treiber für den globalen Wandel. Informationen über LULC sind essentiell in Umweltwissenschaften, Forschun- gen zu Ökosystemleistungen und für Entscheidungsprozesse in der Landschaftsplanung. Die Qualität von Informationen zu LULC beeinflusst deshalb maßgeblich deren Ergebnisse. Daher ist die Akquisition von geeigneten LULC-Daten von entscheidender Bedeutung, insbesondere in komplexen heterogenen Agrarlandschaften. ... mehrFür diese Landschaften weisen existierende Produkte zur globalen Landbedeckung (GLC) Einschränkungen in ihrer thematischen, räumlichen und zeitlichen Auflösung auf. Die Nutzung dieser Produkte führt daher zu einer schlechten Repräsentation der tatsächlichen Landschaften, was die Entwicklung einer Methode zur Extraktion hochwertiger LULC-Daten als auch die Verbesserung der GLC-Produkte erforderlich macht.
Die vorliegende Dissertation beschäftigt sich mit der Verbesserung der LULC-Quantifizierung in komplexen, heterogenen Agrarlandschaften. Die Gewinnung detaillierter räumlicher und thematischer LULC-Informationen auf Basis vorhandener grob aufgelöster multispektraler Satelliten- Produkte wird angestrebt. Es werden drei wesentliche Beiträge zur LULC-Quantifizierung präsentiert: Erhebung von Felddaten, kontinuierliche LULC-Repräsentation und LULC-Klassifikation von landwirtschaftlichen Systemen mit mehreren Feldfrüchten.
Erstens wurden hochqualitative LULC-Beobachtungsdaten im Forschungsgebiet Haean in Süd- korea erhoben. Die Daten spiegeln die detaillierte LULC des Einzugsgebiets über den Zeitraum von drei Jahren (2009 – 2011) wider. Der Vergleich mit dem MODIS Landbedeckungsprodukt (MCD12Q1) offenbarte dessen Einschränkungen der GLC-Repräsentation im Forschungsgebiet. Die Einschränkungen der räumlichen und thematischen Auflösung des GLC-Produkts ergaben sich sowohl durch die große Pixelgröße als auch durch die weit gefassten Nutzpflanzen- Klassen.
Zweitens wurde bisher die Schätzung von kontinuierlichen LULC in Frage gestellt. In dieser Ar- beit wurde basierend auf einem MODIS Multispektral-Datensatz (MODIS 13Q1) ein Regressionsmodell für fraktionales LULC für ein 10-Typen-System entwickelt, mit dem die kontinuierliche Repräsentation von LULC im Forschungsgebiet erstellt wurde. Um fundierte Entscheidungen in Bezug auf die Auswahl geeigneter Optionen der Datenverarbeitung treffen zu können, wurden basierend auf dem Modell drei Schlüssel-Optionen der Datenverarbeitung evaluiert. Da das Modell die räumliche Verteilung von LULC-Fraktionen erfolgreich reproduzierte, hat die vorgeschlagene Methode ein Potential um gut aufgelöste Daten aus grob aufgelösten Satelliten- Produkten zu extrahieren. Die Wirksamkeit der verschiedenen Datenverarbeitung-Optionen in Bezug auf die Sub-Pixel LULC-Modellierung konnte durch deren Vergleich gezeigt werden. Drittens wird in dieser Arbeit ein Klassifikationsmodell für mehrere Feldfrüchte vorgestellt, welches die thematische LULC-Repräsentation verbessert. LULC-Daten sind oft ungleich verteilt, weil die räumlich häufig angebauten Feldfrüchte die seltener angebauten dominieren. Dies ist einer der Gründe für mangelnde Qualität von LULC-Produkten für landwirtschaftliche Sys- teme mit mehreren Feldfrüchten. In dieser Arbeit wurde eine synthetische Sampling-Methode angewendet, um das Problem der Ungleichverteilung in den LULC-Daten zu vermindern. Künstliches Ausgleichen der Daten erhöhte die Klassifikationsleistung für einige Beobachtungsklassen erheblich. Die Klassifikation einiger kleinerer LULC-Klassen blieb jedoch auf Grund von substantiellen Informations-Überlappungen zwischen diesen LULC-Klassen schwierig.
Für die Ökosystemforschung und landschaftsplanerische Entscheidungsfindungen in komplexen und heterogenen Landschaften sind kontinuierliche Informationen über Landbedeckung und Landnutzung und Darstellungen von landwirtschaftlichen Systemen mit mehreren Feldfrüchten essentiell. In dieser Dissertation werden dafür Ansätze vorgeschlagen, die extensive Feldarbeit, Fernerkundung und moderne Analysemethoden (z.B. Random Forest) miteinander kom- binieren. Es wird gezeigt, dass eine gut gewählte Methode der Datenvorverarbeitung (die z.B. überflüssiges Glätten vermiedet) und synthetisches Resampling zu einer Verbesserungen der LULC-Repräsentationen aus groben Fernerkundungsdaten in komplexen Kulturlandschaften führen kann. Die Modellierungsansätze und Ergebnisse dieser Studie bilden einen hilfreichen Leitfaden für die Entwicklung ähnlicher Modelle in verschiedenen Landschafen. Durch den in dieser Arbeit entwickelten Ansatz können frei verfügbare Fernerkundungsdaten zur detaillierten Identifizierung von LULC-Typen, wie z.B. bestimmter Ackerfrüchte verwendet werden und zur Verbesserung von globalen GLC-Produkten genutzt werden.

Land use and land cover (LULC) are fundamental elements of the global ecosystem and LULC changes are key aspects of global change. Information on LULC is essential in a wide range of research fields, including environmental science, ecosystem services, and environmental decision making. The quality of LULC information significantly impacts on the outcomes of these research applications. Hence, acquisition of appropriate LULC data is an important issue for research, especially in complex heterogeneous agricultural landscapes. Particularly in these types of landscapes, the existing global land cover (GLC) products are restricted in their thematic, spatial, and temporal resolution. ... mehrTherefore, the use of the GLC products may lead to an inadequate representation of the actual landscape. For cultivated landscapes, methods able to retrieve detailed LULC data as well as improvements of GLC products are strongly desired.
This dissertation focuses on enhancing LULC quantification in complex heterogeneous agricultural landscapes. Specifically, extraction of spatially and thematically detailed LULC information from existing, medium resolution, multi-spectral satellite products is pursued. Three main contri- butions to LULC quantification are presented: ground data collection, derivation of continuous LULC, and classification of multi-crop LULC.
First, high-quality LULC observation data was collected over the study site Haean catchment, South Korea. The observed data illustrates the detailed LULC of the catchment for the three-year study period (2009 – 2011). A comparison with the MODerate Resolution Imaging Spectroradiometer (MODIS) land cover product (MCD12Q1) revealed limitations of this GLC product in spatial and thematic resolution. The limitations were due to the large cell size and the broadly defined cropland classes of the product. This result illustrates the difficulty in using GLC products to monitor LULC changes in complex heterogeneous landscapes.
Second, estimation of continuous LULC was addressed. For the study site, a fractional LULC regression model was developed for 10 LULC classes based on a MODIS multi-spectral dataset (MODIS 13Q1) and Random Forests models. In order to allow for making informed decisions when choosing data-processing options, three key data-processing options were evaluated: selection of spectral predictor sets (NDVI, EVI, surface reflectance, and all combined), time interval (8-day vs. 16-day), and smoothing (no smoothing vs. Savitzky-Golay filter). The models successfully reproduced spatial distributions of the LULC fractions, thus illustrated the potential of existing, medium resolution satellite products for continuous LULC estimation. Third, a multi-crop LULC classification model was developed to improve thematic LULC representation. LULC data tends to be imbalanced as majority types dominate over minority types (e.g. un- equal distributions of LULC type labels in raster maps). This imbalance is partly a cause of the under-development of multi-crop LULC products. Here, a synthetic sampling method was used to alleviate the problem of data imbalance in the LULC observation data for the study site. Artificial balancing of the training data substantially increased the classification performance of some minority LULC types. However, other minority LULC types remained difficult to classify due to substantial class overlaps (i.e. spectral similarities between LULC types).
For ecosystem research and decision making, continuous representations of LULC and multi-crop LULC are key information sources. In this dissertation, approaches connecting extensive field work, remote sensing and state-of-the-art analysis methods (e.g. Random Forests) are proposed and evaluated. It is shown that a judicious choice of data processing options (e.g. avoiding exces- sive data smoothing) and synthetic resampling methods can be useful to achieve better LULC presentations from medium resolution remote sensing data in complex cultivated landscapes. The data analysis approach presented in the dissertation was designed to be transferable to other landscapes. The methods can help analysing publicly available remote sensing data for creating detailed spatial and thematic representations of LULC types such as cultivated crops, and enhancing existing global land use and land cover products.