Signal decomposition of hypertemporal Sentinel-1 time series to optimize the information gain for land applications
Final Report Abstract
Das HyperSense Projekt ging der Frage nach, wie die durch den Start der Sentinel-1 Satelliten verfügbaren dichten Zeitreihen von hochaufgelösten SAR-Daten durch Zeitreihenanalysen besser genutzt werden können. Hierbei haben wir die folgenden Anwendungen untersucht: Bodenfeuchtekartierung, Feuchtgebietskartierung, Landbedeckung und Entwaldung. Für die Analyse der Zeitreihen ist eine möglichst gute Vorverarbeitung der Daten notwendig, um den ungewollten Einfluss des Geländes zu reduzieren. Hierzu wurden eigene Methoden in einem Open-Source Paket implementiert und die Qualität der Vorprozessierung analysiert. Die hochaufgelösten dichten Zeitreihen führen zu sehr großen Datensätzen. Für die Analyse dieser großen Datensätze wurden zwei verschiedene Datenumgebungen mitentwickelt und getestet. Das eine ist ein bisher unveröffentlichtes Paket basierend auf Python und C++, das andere ist das Julia Paket EarthDataLab.jl. Beide Datenverarbeitungsansätze werden in Zukunft in weiteren Projekten eingesetzt und erweitert werden. Für die Unterteilung der Zeitreihen in unterschiedliche zeitliche Frequenzen haben wir die Empirische Modus Zerlegung (EMD) verwendet. Diese ist eine datengetriebene Alternative zur Fourier Transformation. Die EMD zerlegt die Zeitreihe in mehrere intrinsische Modusfunktionen, die Prozesse mit verschiedener zeitlicher Frequenz repräsentieren. Für die Analyse von hochfrequenten Prozessen haben wir den Zusammenhang der Bodenfeuchte und dem SAR-Signal auf Grünlandflächen in Thüringen untersucht. Es hat sich gezeigt, dass durch das Filtern der Sentinel-1 Zeitreihe mittels EMD die Übereinstimmung zur Bodenfeuchte deutlich erhöht werden konnte. Des weiteren haben wir klare Unterschiede in der Korrelation des Sentinel-1 Signals mit dem Bodenfeuchtesignal für verschiedenen Landbedeckungsklassen beobachtet. Dies zeigt, dass die Bodenfeuchte große Auswirkungen auf die hochfrequenten Signale in Grünlandflächen hat, die durch den Einsatz von EMD herausgearbeitet werden können. Die Analyse unregelmäßig wiederkehrender zeitlicher Muster in Feuchtgebieten haben wir mit zwei Methoden durchgeführt. Zum einen mit der Untersuchung der EMD Zerlegung von Gebieten mit jährlich wiederkehrenden Flutungen des Amazonas Regenwaldes. Überraschenderweise hat sich gezeigt, dass die Flutungsflächen in dichtem tropischen Regenwald in den Zeitreihen des VH-Signals detektierbar sind. Des weiteren entwickelten wir eine Methode zur Klassifizierung von Oberflächenwasserdynamiken basierend auf Gaussian Mixture Modellen. Die hieraus abgeleiteten Wasserdynamiksarten weisen eine hohe räumliche und zeitliche Auflösung auf. Beim Vergleich mit dem Global Surface Water Produkt des JRC zeigt sich eine gute generelle Übereinstimmung, wobei unsere Ergebnisse größere temporäre Überflutungsflächen zeigen. Dies kann möglicherweise durch eine höhere Aufnahmedichte erklärt werden. Um Landbedeckungen mit Hilfe der periodischen Muster in der Zeitreihe zu kartieren haben wir ein interaktives Dashboard entwickelt, das es erlaubt, die Ähnlichkeit zwischen einem repräsentativen Beispielpixel und allen anderen Pixeln in einem Untersuchungsgebiet zu errechnen. Die verschiedenen Landbedeckungstypen zeigen große Unterschiede in den Verläufen bestimmter IMFs, die mit Hilfe eines Schwellwertansatzes zur Erstellung von Landbedeckungskarten benutzt werden könnte. Zur Kartierung von abrupten Veränderungen am Beispiel von Abholzungsereignissen hat sich EMD nicht als geeignet herausgestellt. Wir haben daher weitere Untersuchungen mit der Rekurrenzquantifikationsanalyse durchgeführt. Diese stellte sich nicht nur als geeignet heraus um Entwaldungen zu kartieren, sondern auch um zwischen neuer und länger zurückliegender Entwaldung unterscheiden zu können. Wir haben gezeigt, dass die Zerlegung der Sentinel-1 Zeitreihe in Subsignale unterschiedlicher zeitlicher Frequenzen einen Mehrwert für die Ableitung von Informationen über verschiedene Landbedeckungsparameter erwirkt. Diese Analyse dichter SAR-Zeitreihen wird vermutlich in den nächsten Jahren noch relevanter durch die kontinuierliche Bereitstellung nicht nur globaler C- Band Datensätze mit der Weiterführung der Sentinel-1 Mission, sondern auch mit dem Start mehrere L-Band Missionen.
Publications
-
Towards Sentinel-1 SAR Analysis-Ready Data: A Best Practices Assessment on Preparing Backscatter Data for the Cube. Data, 4(3), 93.
Truckenbrodt, John; Freemantle, Terri; Williams, Chris; Jones, Tom; Small, David; Dubois, Clémence; Thiel, Christian; Rossi, Cristian; Syriou, Asimina & Giuliani, Gregory
-
Potential of Recurrence Metrics from Sentinel-1 Time Series for Deforestation Mapping. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 5233-5240.
Cremer, Felix; Urbazaev, Mikhail; Cortes, Jose; Truckenbrodt, John; Schmullius, Christiane & Thiel, Christian
-
Towards a global understanding of vegetation–climate dynamics at multiple timescales. Biogeosciences, 17(4), 945-962.
Linscheid, Nora; Estupinan-Suarez, Lina M.; Brenning, Alexander; Carvalhais, Nuno; Cremer, Felix; Gans, Fabian; Rammig, Anja; Reichstein, Markus; Sierra, Carlos A. & Mahecha, Miguel D.
-
Verfahren zur Messung von Bodenfeuchte, Sender und Empfänger. Patent Nr. 20164788.0–1001. München: Europäisches Patentamt. Patentinhaber: Deutsches Zentrum für Luft- und Raumfahrt e.V.
Thiel, C. & Truckenbrodt, J.
