Publications by the same author
plus in the repository
plus in Google Scholar

Bibliografische Daten exportieren
 

QUANTIFYING THE DISTRIBUTION OF FOREST FUNCTIONAL TYPES AND FOREST LEAF AREA INDEX IN THE ALPS

URN to cite this document: urn:nbn:de:bvb:703-opus-678

Title data

Bobeva, Albena:
QUANTIFYING THE DISTRIBUTION OF FOREST FUNCTIONAL TYPES AND FOREST LEAF AREA INDEX IN THE ALPS.
Bayreuth , 2003
( Doctoral thesis, 2003 , University of Bayreuth, Faculty of Biology, Chemistry and Earth Sciences)

[thumbnail of AlbenaBobevadissertation.pdf]
Format: PDF
Name: AlbenaBobevadissertation.pdf
Version: Published Version
Available under License Creative Commons BY 3.0: Attribution
Download (7MB)

Abstract

Land cover change is an important element of global environmental change processes. Most ecosystem processes strongly depend on land cover and its attributes. Mapping land cover, especially in mountain terrain is a difficult and challenging task. Remote sensing is an attractive source of thematic maps, such as those depicting land cover. Thematic mapping from remote sensing data is typically based on image classification. The image classification procedure synthesizes satellite data with field data and other ancillary data derived from a Geographic Information System (GIS - ArcInfo) coverage. The present study combines GIS and remote sensing data to produce a land cover map for the National Park Berchtesgaden and to build an extrapolation for other test areas in the Alps (Stubai and Ötz Valleys). Although a vast GIS data set had been assembled for the National Park, remote sensing was not previously used as a tool for land cover mapping and forest ecosystem analysis. For supervised classification, the maximum likelihood algorithm was used to sort and group data into discrete classes, which can be uniquely identified. Comparison and accuracy assessment with „ground truth“ data was carried out. An overall accuracy of 86% and 87% of the classification results in the National Park Berchtesgaden and in Stubai Valley, respectively, was achieved. Another important parameter determining gas exchange (water loss and carbon gain) of alpine forests is Leaf Area Index (LAI). Remote sensing provides a means to estimate LAI over large areas. To map LAI in mountain regions, Landsat TM NDVI index and SR index were examined together with forest inventory data of the Berchtesgaden National Park. “Ground truth” point grid maps for LAI were obtained through the use of allometric relationships (relating tree size and leaf area) as derived from tree harvests and together with the forest inventory database. On the basis of the forest mask derived from land classification and the Landsat vegetation indices, homogeneous forest polygons were identified. They were used for polygon by polygon correlation between LAI and vegetation indices. Mean forest polygon values were used to determine the relationships. With the derived equations, LAI was mapped at 30m resolution (Landsat data). Using the digital elevation model, the distribution of the vegetation types and LAI along elevation gradients was investigated. The results in National Park Berchtesgaden were further used in an extrapolation to classify land cover in Stubai and Ötz Valleys. Except to detect the distribution of land cover classes, supervised classification was used as a part of the algorithm for predicting forest leaf area index at the investigated sites. The digital LAI map of Stubai Valley was compared with LAI map derived from allometric relationships in Neustift (part of Stubai Valley). A correlation between NDVI and LAI in Neustift was derived. The validation results derived for coniferous forest in Neustift (Stubai Valley) show good correspondence to the results derived in Berchtesgaden. For both investigated sites, leaf area index can successfully be described with simple and reasonable correlation with NDVI.

Abstract in another language

Landnutzungsänderung ist ein wichtiges Element der globalen Klimaänderungsprozesse, da die meisten Ökosystemprozesse stark von der Landnutzung und von ihren Attributen abhängen. Landnutzung, besonders im Gebirgsgelände, abzubilden ist dabei eine schwierige und lockende Aufgabe. In diesem Zusammenhang ist die Fernerkundung eine attraktive Quelle thematischer Karten. Die thematischen Karten der Fernerkundung basieren gewöhnlich auf der Methode der Bildklassifikation. Das Bildklassifikationsverfahren synthetisiert Satellitendaten mit Felddaten und anderen zusätzlichen Daten, die von Geographischen Informationssystemen (GIS) abgeleitet werden. Die vorliegende Untersuchung kombiniert GIS und Fernerkundung, um Landnutzungskarten für den Nationalpark Berchtesgaden zu produzieren und Nutzungskarten auf andere Testgebiete in den Alpen (Stubaital und Ötztal) zu extrapolieren. Obwohl eine ausgedehnte GIS Datenbank für den Nationalpark zusammengestellt worden war, wurde die Fernerkundung vorher nicht zur Erstellung von Landnutzungskarten und für die Waldökosystemanalyse verwendet. Während der „supervised classification“ wurde der Maximum Likelihood Algorithmus verwendet, um Daten in getrennte Kategorien zu sortieren und zu gruppieren. Ein Vergleich und eine Genauigkeitseinschätzung mit “ground truth“ Daten wurden durchgeführt. Es wurde eine gesamte Genauigkeit der Klassifikationresultate von 86% im Nationalpark Berchtesgaden und 87% im Stubaital erzielt. Ein anderer wichtiger Parameter für den Gasaustausch (Wasserverlust und Kohlenstoffgewinn) der alpinen Wälder ist der Blattflächenindex (LAI). Die Fernerkundung liefert Mittel, den LAI für große Gebiete zu schätzen. Um den LAI in den Gebirgsregionen abzubilden, wurden Landsat TM NDVI-Index und SR-Index zusammen mit Waldinventurdaten des Nationalpark Berchtesgaden überprüft. „Ground truth“ Punktrasterdaten für LAI wurden über allometrischen Beziehungen aus Baumernten, die Baumgröße und Blattfläche verknüpfen, und der Waldinventurdatenbank abgeleitet. Mit Hilfe einer Maske, die Koniferen, Mischwald und Laubwald unterscheidet, und die von der Landklassifikation und von den Landsat-Vegetationindizes abgeleitet wurde, wurden homogene Waldpolygone identifiziert. Auf der Basis dieser Polygone wurde für jeden Waldtyp ein mathematischer Zusammenhang zwischen LAI und Vegetationindex bestimmt. Mit den abgeleiteten Gleichungen wurde der LAI in der Landsat Daten Auflösung (30m) abgebildet. Mittels eines digitalen Geländemodell wurde die Verteilung der Vegetationstypen und des LAI entlang den Höhengradienten untersucht. Die Resultate im Nationalpark Berchtesgaden wurden in einer weiteren Extrapolation verwendet, um die Landnutzung im gesamten Stubaital und im Ötztal zu klassifizieren. Außer für die Verteilung der Landnutzungsklassen wurde in der Arbeit stets „supervised classification“ als Teil des Algorithmus zur Vorhersage des LAI in den Untersuchungsgebieten verwendet. Die digitale LAI-Karte des Stubaital wurde aus allometrischen Beziehungen in Neustift im Stubaital abgeleitet und anhand von „ground truth“ Daten validiert. Dafür wurde ein mathematischer Zusammenhang zwischen NDVI und LAI in Neustift wurde abgeleitet. Der Korrelationskoeffizient für Koniferenwald im Neustift (Stubaital) ist ähnlich wie die für Berchtesgaden erhaltenen Werte. Für beide Untersuchungsgebiete konnte der LAI mit einer einfachen Beziehung aus dem NDVI berechnet werden.

Further data

Item Type: Doctoral thesis (No information)
Keywords: Vegetationskartierung; Geoinformationssystem; Satellitenfernerkundung; Waldökosystem; Topographische Korrektion; Blattflächenindex; NDVI; Höhengradient; Modellparametrisierung; Alpen; Leaf Area Index; NDVI; Elevation gradient; Model Parameterization; Alps
DDC Subjects: 500 Science > 570 Life sciences, biology
Institutions of the University: Faculties > Faculty of Biology, Chemistry and Earth Sciences > Department of Biology
Faculties
Faculties > Faculty of Biology, Chemistry and Earth Sciences
Language: English
Originates at UBT: Yes
URN: urn:nbn:de:bvb:703-opus-678
Date Deposited: 26 Apr 2014 14:02
Last Modified: 26 Apr 2014 14:03
URI: https://epub.uni-bayreuth.de/id/eprint/973

Downloads

Downloads per month over past year