Cop4Stat und SDG Fernerkundung für die Statistik · Cop4Stat und SDG – Fernerkundung für die Statistik Sylvia Seissiger [Cop4Stat], Patrick Knöfel [SDG] Bundesamt für Kartographie

Cop4Stat und SDG –

Fernerkundung für die Statistik Sylvia Seissiger [Cop4Stat],

Patrick Knöfel [SDG]

Bundesamt für Kartographie und Geodäsie

Nationales Forum für Fernerkundung und Copernicus , 27.-29.11.2018, Berlin

Stephan Arnold

Statistisches Bundesamt

© Statistisches Bundesamt (Destatis) & Bundesamt für Kartographie und Geodäsie

Inhalt

Anforderungen der Statistik

Eurostat LUCAS Felderhebung

LUCAS Pilotstudie

Cop4Stat_2015plus

Exkurs: SDG

Ausblick


Anforderungen


Harmonisierte Statistik zu Land Cover (LC)

und Land Use (LU)

Kriterien bei Datenerfassung

Vergleichbare MMU Vergleichbare Erfassungszeitpunkte / Intervall Vergleichbare Definitionen des Dateninhalts

Bereitstellung von Flächenstatistik für nationale und

internationale Belange

CLC/

EEA

Topogr.

ATKIS

Kataster

ALKIS

Flächen

Stat

Eurostat Europ.

Ebene

Länder-

Ebene

Amtliche Flächenstatistik beruht auf Katasterdaten (ALB/ALKIS) Getrennter Datenfluss zwischen Topographie und Kataster (bisher)

LBM-

DE

Flächen

Stat

Bundes-

Ebene Agrar

Stat

Copernicus

BWI

LUCAS | Forest Agrar |

Datenfluss von nationaler zur europäischen Ebene


Eurostat LUCAS Erhebung


LUCAS (Land Use / Cover Area Frame Survey)


Koordination durch Eurostat, gemäß Bedarf der EU-Kommission

Europaweit durchgeführte Erfassung der Landbedeckung

und Landnutzung (LB/LN)

Drei-jähriger Erfassungszyklus: 2006 / 2009 / 2012 / 2015 / 2018

Punktstichproben-basierte Geländeerhebung orientiert an regelmäßigem

Gitternetz (2x2 km)

Quelle: Eurostat LUCAS Foto Viewer, https://ec.europa.eu/eurostat/web/lucas/lucas-photo-viewer ; Eurogeographics; OpenStreetMap


~ 270,000 points in Europe

https://ec.europa.eu/eurostat/web/lucas/lucas-photo-viewer






Quelle: GeoBasisDE


Verteilung der LUCAS-Punkte, Ausschnitt Südhessen Deutschland

E

W

N

S


Quelle: Eurostat LUCAS Overview https://ec.europa.eu/eurostat/web/lucas/overview

https://ec.europa.eu/eurostat/web/lucas/overview




S

W

E

N

A00 ARTIFICIAL LAND A10 Roofed built-up areas

A20 Artificial non-built up areas

A30 Other built-up areas

B00 CROPLAND B10 Cereals

B20 Root crops

B30 Non-permanent industrial crops

B40 Dry pulses, Vegetables and flowers

B50 Fodder crops

B70 Permanent crops: fruit trees, nuts

B80 Other permanent crops

C00 WOODLAND

C10 Broadleaved woodland

C20 Coniferous woodland

C30 Mixed woodland

CXX Forest types

D00 SHRUBLAND D10 Shrubland with sparse trees

D20 Shrubland without trees


E00 GRASSLAND E10 Grassland with sparse trees

E20 Grassland without trees/shrub

E30 Spontaneously re-vegetated surface

F00 BARE LAND, LICHENS / MOSS F10 Rocks and stones

F20 Sand

F30 Lichens and moss

F40 Other bare soil

G00 WATER SURFACES G10 Inland water bodies

G20 Inland running water

G30 Transitional water bodies

G50 Glaciers, Permanent ice and snow

H00 WETLANDS

G10 Inland wetlands

G20 Coastal wetlands

LUCAS Land Cover Classes

Vorläufer-Projekt

LUCAS Pilotstudie 2013-2014 [StBA]


» Langfristige Ziele

» Semantische Harmonisierung zwischen nationalen und europäischen LB/LN-

Statistiken

» Verbesserung der Konsistenz zwischen nat. und europ. Ergebnissen

» Aufwandsreduktion bei LUCAS-Geländekartierung, bzw. Vermeidung

redundanter Erfassung zugunsten anderer Schwerpunkte

» Einbindung nationaler Initiativen (Geodaten und Flächenstatistiken) in

europäische Erhebungs- und Schätzverfahren


LUCAS Pilotstudie (DE: 2013-2014)

LUCAS Bottom-up Pilotstudie (2013-2014) Ableitung von Informationen zu Landbedeckung und Landnutzung aus nationalen

Datenquellen über semantische Transformationstabelle (STT)

Europäische

Ebene:

ALB BO ALKIS Nationale

Ebene: DLM-DE

LUCAS

STT (a) STT (b) STT (c) STT (d)

Folie 14

Land cover area 2009 for LUCAS classes (in sqkm) depending on different data source


ALB

2009

ALB_MVP

2009

Agrar

2010

LBM-DE

2009 LUCAS 2009

ARTIFICIAL LAND 41.004 24.512 2.877 30.036 24.375

CROPLAND 106.164 0 !! 117.788 127.688 118.128

WOODLAND 107.521 107.534 13.809 107.452 120.897

SHRUBLAND 620 620 0 963 2.087

GRASSLAND 71 0 !! 49.071 69.181 81.368

BARE LAND AND LICHENS 1.814 1.656 0 366 2.367

WATER 5.452 5.452 0 5.422 6.248

WETLAND 1.099 1.099 0 1.889 1.664

CROPLAND / GRASSLAND 53.064 0 0 0 0

CROPLAND & GRASSLAND 159299 0 166859 197349 199496

CROPLAND & nat VEGETATION 0 0 0 94 0

SHRUBLAND/GRASSLAND 0 0 0 7.172 0

Non-forest VEGETATION 26.470 185.741 327 0 0

Any VEGETATION 953 356 0 1.201 0

UNKNOWN 12.894 30.156 173.266 5.815 0

Total Area data source 357.125 357.125 357.138 357.665 357.134

Share of unique assigned areas 73,85% 39,45% 51,39% 96,04% 100,00%

Delta A

Delta B

59 %

110 % 111 %

99,9% 112 %

114 %

124 % 125 %

90 %

Cop4Stat_2015plus

2015-2018 [BKG u. StBA]


COP4STAT_2015plus


» Projektziel:

» Einsatzmöglichkeiten von Copernicus-Produkten für Informationsbedarf der

Statistik zur LB und LN

» Erfüllung der Anforderungen auf europäischer Ebene

(Eurostat: LUCAS): Trennung LB & LN, Ackerland/Grünland, Nutzungsintensität,

saisonale Muster

» Aufgreifen der LUCAS-Pilotstudie 2014: Welche existierenden nat. Quelldaten

eignen sich zur Füllung der LUCAS-Klassen

COP4STAT_2015plus


» Projektpartner des Verbundvorhabens:

» Statistisches Bundesamt, Wiesbaden (StBA) [Konzept, Stat. Analyse]

» Bundesamt für Kartographie und Geodäsie, Frankfurt (BKG) [Prozessierung, Cal./Val.]

» Zeitplan:

» Projektskizze eingereicht 31.01.2014

» Förderantrag eingereicht 31.10.2014

» Projektlaufzeit Mai 2015 – September 2018

» Finanzierung:

» 2 x 3 Personenjahre (StBA, BKG)

» Copernicus Förderprogramm des BMVBS/BMVI & DLR

CLC/

EEA

ATKIS ALB/

ALKIS

Flächen

Stat

Eurostat Europ.

Ebene

Länder-

Ebene

Testen einer ergänzenden Datenquelle: Fernerkundung

LBM-

DE

Flächen

Stat

Bundes-

Ebene Agrar

Stat

Copernicus

LC/LU

Stat BWI

LUCAS | Forest Agrar |

Datenfluss von nationaler zur europäischen Ebene


Vereinfachter Workflow Cop4Stat


Semantische Transformation ATKIS -> LUCAS


Vector data Artificial Land

Cropland Woodland Shrubland Grassland Bare Land

Water Surface Wetlands UNKOWN

Land Cover Info from Sat-imagery

Standardisierter Vergleich zwischen Datenquellen Thema: Waldflächen

HRL Forest 2012 (100x100m Raster cells)

Wald Nicht-Wald



LBM-DE 2012 (1 ha MMU Polygons)

Wald Nicht-Wald



Comparison grid 1 x 1 km (LBM-DE vs HRL)

Relativ weniger

Relativ mehr

Ähnlich


Random Forest

/Decision Tree

Classification

Workflow

ATKIS Basis-

DLM

Training/

validation data

Transformation

to LUCAS

Sentinel-1,

Sentinel-2,

RapidEye

normalized Digital

Surface Model

(nDSM)

Vegetation

indices

Landcover

map

Digital Surface

Model (DSM)

Digital Terrain

Model (DTM)

Segmentation Leaf Area

Index

Validation

LBM-DE

2015 Input

Prepro-

cessing

Classifikation

Results


Classification of buildings in Southern Hesse (Germany) with RapidEye and 3D-data Workflow (simplified)

RapidEye ( 6 timesteps 2015)

Vector Dataset 3D-data (LoD1)

Urban segments

Segmentation (eCognition)

LUCAS A11, A12

Spatial combination Extraction of height information

A11 Buildings with one to three floors A12 Buildings with more than three floors

(Source: https://scihub.copernicus.eu/dhus/#/home, mosaick of Sentinel-2 data, modified by BKG)

Study Area: Southern Hesse


https://scihub.copernicus.eu/dhus/#/home

RapidEye tile

ID: 3262113

Area:

LoD1:

27,57 km²

RapidEye

segmentation:

34,28km²

Overestimation of area with segmentation: 24,3 %

Classification of buildings in Southern Hesse (Germany) with RapidEye and 3D-data


Cropland (B00):

NDVI of one time step: <0.5

Woodland (C00):

nDSM > 5m

Shrubland (D00):

nDSM < 5 m

Grassland (E00):

nDSM < 1.5 m

NDVI of all time steps > 0.5

Water bodies (G00):

NDVI of one time step < 0.3

Skeleton Basis-DLM Imagery Segmentation

Labelling of segments based

on Basis-DLM

Training polygons

Segmentation and nDSM


Analysis of Training Data


Classification Results


a) ATKIS-LUCAS-Transformation

Artificial Land

Cropland

Woodland

Shrubland

Grassland

Bare Soils

Water

Wetlands

Unknown

Classification Results


b) Random Forest Classification

Artificial Land

Cropland

Woodland

Shrubland

Grassland

Bare Soils

Water

Wetlands

Unknown

Clasification Results




b) ATKIS-LUCAS-Transformation



c) Random Forest Classification

Basis

-DL

M /

LB

M-D

E

Land Cover Classification, Results from RapidEye

Validation – Accuracy Assessment

a) without nDSM Artificial land Crop-land

Wood-land

Shrub-land

Grass-land

Water

bodies Total number

Producer’s

accuracy

Artificial land 39 2 9 1 3 0 54 0.72

Cropland 3 33 5 1 5 0 47 0.70

Woodland 0 0 1200 2 2 1 1205 1.00

Shrubland 1 0 31 4 5 0 41 0.10

Grassland 0 7 3 5 41 0 56 0.73

Water bodies 0 0 0 0 0 13 13 1.00

Total number 43 42 1248 13 56 14 1416

User’s accuracy 0.91 0.79 0.96 0.31 0.73 0.93

Overall accuracy 0.94

b) with nDSM Artificial land Crop-land Wood-land Shrub-land Grass-land Water

bodies

Total number

Producer’s

accuracy

Artificial land 42 2 4 4 0 0 54 0.83

Cropland 1 44 2 0 0 0 47 0.94

Woodland 0 0 1205 0 0 0 1205 1.00

Shrubland 4 1 0 31 5 0 41 0.78

Grassland 0 4 0 4 38 0 46 0.85

Water bodies 0 0 1 0 0 12 13 0.92

Total number 49 50 1212 39 44 12 1406

User’s accuracy 0.92 0.88 0.99 0.80 0.89 1.00

Overall accuracy 0.98


Basis

-DL

M /

LB

M-D

E

Land Cover Classification, Results from Sentinel-1& -2

Validation – Accuracy Assessment


A00 B10 B80 C10 C20 D00 E00 G00 Summe Prod. Acc.

A00 216675 1883 385 744 209 2568 6466 6 228936 0.95 B10 563 34522 137 24 14 70 1560 0 36890 0.94 B80 11 21 768 1 0 1 26 0 828 0.93 C10 383 81 37 64005 1191 1841 1713 2 69253 0.92 C20 222 34 2 2492 21053 480 1237 1 25521 0.82 D00 1441 144 62 2094 220 6070 3643 0 13674 0.44 E00 2039 1282 113 1533 236 1728 26720 2 33653 0.79 G00 67 16 3 0 0 204 372 1904 2566 0.74 Summe 221401 37983 1507 70893 22923 12962 41737 1915 411321 User Acc. 0.98 0.91 0.51 0.90 0.92 0.47 0.64 0.99 Overall Acc. 0.90

Statistische Analyse – Ergebnisvergleich


0

100

200

300

400

500

600

700

800

ATKIS_2015 ALKIS_2016 LBM-DE_2015 LANDSAT_2015 SENTINEL-2_2015 SENTINEL-2_2016

Taus

ende

[ha]

Zusammenschau der Datenquellen und Bezugsjahre für Südhessen, Flächengrößen nach LUCAS-Klassen Level1 A00 ARTIFICIAL LAND

B00 CROPLAND

C00 WOODLAND

D00 SHRUBLAND

E00 GRASSLAND

F00 BARE LAND ANDLICHENS/MOSSG00 WATER AREAS

H00 WETLANDS

Z00 UNKOWN

TOTAL AREA

X

Statistische Analyse – Ergebnisvergleich (II)


0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

ATKIS_2015 ALKIS_2016 LBM-DE_2015 LANDSAT_2015 SENTINEL-2_2015 SENTINEL-2_2016

Summenbalken der Flächenanteile in Südhessen nach LUCAS-Klassen Level1 je Datenquelle und Bezugsjahr

Z00 UNKOWN

H00 WETLANDS

G00 WATER AREAS

F00 BARE LAND ANDLICHENS/MOSSE00 GRASSLAND

D00 SHRUBLAND

C00 WOODLAND

B00 CROPLAND

A00 ARTIFICIAL LAND

X

Sentinel-2: Einfluss von Mischpixeln größer als bei RapidEye

Verbesserung durch Integration von zusätzl. Daten (Digital surface models)

RapidEye (5x5m) zeigt insgesamt leicht bessere Ergebnisse als Sentinel (10x10m)

Topographische Daten als Trainingsdaten führten zu unerwartet guten

Ergebnissen trotz Variationen des spektralen Signals innerhalb z.T. generalisierter

Polygone des Basis-DLM

Sentinel-2 Daten eignen sich prinzipiell, um LUCAS-Klassen daraus herzuleiten,

Genauigkeiten können noch verbessert werden, z.B. durch Verfeinerung der

semantischen Zuordnungen und der Trainingsdaten


Technische Zusammenfassung Cop4Stat_2015plus

Exkurs: Globale Nachhaltigkeitsziele SDG

[BKG u. StBA]


Folie 41

Inter-agency and Expert Group on Sustainable Development Goal

Indicators (IAEG-SDGs)

Working Group on Geo-spatial

Information (WGGI)

Working Group on Inter-linkages of SDG Statistics to

allow for Integrated Analyses in the Monitoring

Working Group on SDMX

Work stream Disaggregation

Drafting Group for the development of the

guidelines on data flow and global data reporting

Gremienstruktur unterhalb der IAEG SDG


Kooperation/Testberechnung BKG u. StBA bei SDG-Indikatoren


» 15.4.2 Green Mountain Cover Index

» Aufgabe: Anteil der begrünten Flächen in Bergregionen

» Testberechnung für Deutschland entsprechend den Definitionen der FAO (Unterteilung in

Höhenstufen, Landnutzungsklassen) durch BKG

» Eingangsdaten: LBM-DE, digitale Höhenmodelle, Geobasisdaten

» 11.7.1 Öffentlich zugänglicher Raum in Städten

» Testberechnung für Südhessen durch BKG entsprechend der UN-Habitat-Definitionen

» Eingangstestdaten BKG: Sentinel-2, LBM-DE2015, HRL Imperviousness

» Vergleich mit amtlicher Flächenstatistik als Eingangsdaten

Ausblick und Rundschau


» Cop4Stat:

» Fernerkundung kann amtliche Statistik unterstützen

» Möglichkeiten des Abgleich und ins Verhältnis setzen zwischen Datenquellen

» Anpassung an Europäische Ebene und im Vergleich zu anderen EU-Staaten

» Mitarbeit in AdV PG LB/LN: Entwurf Neu-Strukturierung GeoInfoDok, Trennung

LB/LN

» Synergien mit Schwesterprojekt für Agrar-Statistik zur Ernteertragsschätzungen

» Fortführung der Erkenntnisse Cop4Stat, Ausrollen für gesamte Fläche DE

Ausblick und Rundschau


» SDG:

» Nationalen Ebene: Memorandum of Understanding StBA & BKG

u.a. zur Kooperation bei einzelnen SDG-Indikatoren

» Internationale Ebene: Engagement innerhalb IAEG Working Group on GI,

Wissenstransfer zwischen UN-Mitgliedstaaten

Vielen Dank für Ihre Aufmerksamkeit!

Stephan Arnold Telefon: 0228 / 99 643 - 8612 [email protected] www.destatis.de Sylvia Seissiger [Cop4Stat] Telefon: 069/ 6333 481 [email protected] www.bkg.bund.de


Patrick Knöfel [SDG] Telefon: 069/ 6333 207 patrick.knö[email protected]

mailto:[email protected]

http://www.destatis.de/


http://www.bkg-bund.de/


Documents

Cop4Stat und SDG Fernerkundung für die Statistik · Cop4Stat und SDG – Fernerkundung für die Statistik Sylvia Seissiger [Cop4Stat], Patrick Knöfel [SDG] Bundesamt für Kartographie