Monitoring der Vegetationsdynamik in Ostafrika mit multisensoralen Satellitendaten

Abstract

Diese Arbeit hat zum Ziel, die Vegetationsbedeckung sowie die Vegetationsdynamik in ihrer saisonalen und interannuellen Ausprägung mit Hilfe multisensoraler Satellitendaten zu erfassen. Auf unterschiedlichen zeitlichen und räumlichen Skalen werden vor allem degradierte Flächen, im Sinne einer verringerten Vegetationsbedeckung, analysiert. Das Untersuchungsgebiet liegt westlich des Mount Kenya in Zentralkenia, in einem semihumiden bis semiariden Gebiet, geprägt von einer hohen raum-zeitlichen Niederschlagsvariabilität, hohem Bevölkerungsdruck und unterschiedlichen Landnutzungssystemen.<br /> Die Klassifikation der Vegetationsbedeckung erfolgte mit Hilfe unterschiedlicher Methoden, um das Potential der Kombination der neuen ENVISAT MERIS- und ASAR-Daten zu prüfen. Für die untersuchten 10 Landbedeckungsklassen wurde mit der Maximum Likelihood Klassifikation des Layerstack von MERIS- und ASAR-Daten die höchste Gesamtgenauigkeit mit 64 % erreicht, gefolgt von 62 % bei der Klassifikation mit Neuronalen Netzen. Der Vorteil gegenüber der Klassifikation von MERIS-Daten allein liegt hauptsächlich in der erhöhten räumlichen Auflösung. Die Klassifikation von ASAR-Daten allein oder unter Verwendung zusätzlicher Texturmaße ergab nur geringe Gesamtgenauigkeiten.<br /> Die Analyse der saisonalen Dynamik erfolgte zum einen über den annuellen Variationskoeffizienten (Vk) der neuen MERIS Vegetationsindizes, "`MERIS Global Vegetation Index"' (MGVI), "`MERIS Terrestrial Chlorophyll Index"' (MTCI), "`Red Edge Position"' (REP) und der Radarrückstreuung von ASAR (HH-, HV- und VV-Polarisation), zum anderen über phänologische Maße, die mit SPOT VEGETATION NDVI berechnet wurden. Die klassenweise Analyse des Vk über den Verlauf eines Jahres zeigt, dass degradierte Flächen mehrheitlich einen höheren Vk bei einem niedrigeren Mittelwert aufweisen. Die räumlichen Muster von Vegetationsbeginn und -länge geben vor allem die Niederschlagsmuster wieder. Bei geringen Niederschlagsmengen scheinen sich die degradierten Flächen jedoch in ihrer Phänologie zu unterscheiden. Entsprechend ist die Korrelation zwischen geringen Niederschlägen und dem NDVI standortspezifisch. <br /> Für die Untersuchung der interannuellen Vegetationsänderungen wurde mit einer hohen räumlichen jedoch geringen zeitlichen Auflösung die NDVI-Differenz von LANDSAT TM, ETM+ und ASTER für den Zeitraum 1987 bis 2005 berechnet. Für die Veränderungsdetektion mit einer hohen zeitlichen jedoch geringen räumlichen Auflösung wurde mittels Change-Vektor-Analyse (CVA) eine SPOT VEGETATION NDVI-Zeitreihe von 1999 bis 2004 analysiert. Während die multitemporale CVA in diesem semiariden Ökosystem vor allem niederschlagsbedingte Änderungen zeigte, konnten mit den LANDSAT- und ASTER-Daten Gebiete höchster und konstant negativer Vegetationsänderung ausgewiesen werden. Sie liegen vor allem im Bereich der kleinbäuerlichen Farmen und deuten auf die Übernutzung der Savannenvegetation hin.<br /> Schließlich wurden die verschiedenen Ergebnisse in einem Geographischen Informationssystem zueinander in Beziehung gesetzt, um bereits degradierte und degradationsgefährdete Gebiete, sogenannte "`Hot Spots"' der Vegetationsentwicklung, auszuweisen. Insbesondere für diese Regionen ist ein angepaßtes Ressourcenmanagement dringend notwendig, um eine weitere Degradation zu verhindern und eine nachhaltige Nutzung zu ermöglichen. Die Ergebnisse dieser Studie bezüglich Vegetationsdynamik und Landdegradation können als Grundlage für ein weiteres Monitoring in diesem fragilen Ökosystem dienen, sowie als Basis für ein Entscheidungsunterstützungssystem für Landmanagement.

<strong>Monitoring of Vegetation Dynamics in East Africa Using Multisensoral Satellite Data</strong><br /> In this thesis, vegetation cover as well as vegetation dynamics in its seasonal and interannual variation are analysed using multi-sensoral satellite data. Especially degraded areas in terms of a reduced vegetation cover are investigated on different spatial and temporal scales. The study area is located in central Kenya, west of Mount Kenya, in a semi-humid to semi-arid environment characterised by high rainfall variability, a high population density and different land use systems.<br /> The vegetation cover was classified using different methods in order to test the potential of combining ENVISAT MERIS and ASAR data. The highest classification accuracy (65 %) was achieved using the Maximum Likelihood classification of a layer stack of MERIS and ASAR data for 10 land cover classes. Using feed-forward neural networks resulted in a similarly good classification accuracy (62 %). The main advantage in using a combination of MERIS and ASAR data lies in the higher spatial resolution of the resulting classification in comparison with a classification based on the MERIS data alone. The classification of ASAR data alone or in combination with texture measures resulted in rather low classification accuracies.<br /> The seasonal dynamics were analysed first by using the coefficient of variation (CV) of several new MERIS vegetation indices, "`MERIS Global Vegetation Index"' (MGVI), "`MERIS Terrestrial Chlorophyll Index"' (MTCI), "`Red Edge Position"' (REP), and the HH-, HV- and VV-polarized radar data from ASAR sensor. Second, phenological metrics were calculated based on SPOT VEGETATION NDVI. The class specific investigation of CV over one year showed that degraded areas are mainly characterised by higher CV and lower mean values. The spatial pattern of start and length of the vegetation periods reflected primarily the main rainfall patterns. However, after sparse precipitation, differences in phenology can be attributed to different land cover types. Accordingly the correlation of time series with low rainfall amounts and NDVI shows site specific differences.<br /> To monitor interannual vegetation cover changes at high spatial but low temporal resolution, NDVI differences were calculated for LANDSAT TM, ETM+ and ASTER images between 1987 and 2005. To calculate vegetation changes at low spatial but high temporal resolution Change-Vector-Analysis (CVA) of SPOT VEGETATION NDVI-time series from 1999 to 2004 was applied. While the multitemporal CVA captures mainly changes due to the high rainfall variability in this semi-arid environment, by using LANDSAT- and ASTER-data enabled the identification of areas characterised by a pronounced and constant negative vegetation change. These sites are found mostly within the area of small scale farms and indicate an overuse of savanna vegetation.<br /> Finally, the different results were displayed using a Geographic Information System (GIS) to delineate areas either being at risk of degradation or already degraded areas. Areas with uncertain vegetation periods, high rainfall variability, vegetation decrease and a high population pressure may lead to "`hot spots"' of vegetation change. Particularly for these regions an adapted resource management is essential to avoid further land degradation and to ensure more sustainable land use practices. The results on vegetation dynamics and land degradation may provide not only a comprehensive basis for the further monitoring of this fragile ecosystem but could also serve as decision support on land management.