Dominant Tree Species for Germany (2017/2018)
Spatially explicit and detailed information on tree species composition is critical for forest management, nature conservation and the assessment of forest ecosystem services. In many countries, forest attributes are monitored regularly through sample-based forest inventories. In combination with satellite imagery, data from such forest inventories have a great potential for developing large area tree species maps. Here, the high temporal and spatial resolution of Sentinel-1 and Sentinel-2 has been useful for extracting vegetation phenology, information that may also be useful for improving forest tree species mapping. Thus, we generate cloud free time series with 5-day intervals from Sentinel-2 imagery and combine those with monthly Sentinel-1 backscatter composites to map the dominant tree species throughout Germany. Further, we incorporate information on topography, meteorology, and climate to account for environmental gradients in Germany. We use the German National Forest Inventory (NFI) as source for training data for a random forest classifier and for validation data to assess map accuracy. The optical Sentinel-2 data were downloaded, processes and structured in an analysis-ready data cube with the open-source software FORCE (Framework for operational radiometric correction for environmental monitoring; Frantz, D., 2019, doi.org/10.3390/rs11091124; https://force-eo.readthedocs.io/en/latest/ last accessed: 02. Nov. 2022). The preprocessed Sentinel-1 SAR data was obtained through the CODE-DE platform (https://code-de.org/en/portfolio/?q=Sentinel-1 last accessed: 02. Nov. 2022) and included in the ARD cube along with the environmental data. We used Sentinel-2, Sentinel-1 and environmental data from the two years 2017 and 2018 to generate the map with 11 tree species groups, including two broader deciduous tree classes (ODH: other deciduous trees with high life expectancy, ODL: other deciduous trees with low life expectancy), within the wooded forest area using a previously produced forest mask: Langner et al. (2022, doi.org/10.3220/DATA20221205151218). The reference data for model training and map validation is based on the third German National Forest Inventory which was recorded in 2011/2012 (https://www.bundeswaldinventur.de/en/third-national-forest-inventory, last accessed: 02. Nov. 2022). To exclude inventory plots where tree species composition might have changed in between 2012 and 2018, we used the forest disturbance maps by Senf et al. (2020, doi.org/10.1038/s41893-020-00609-y). The map accuracies were estimated based on a stratified estimator according to Stehman et al. (2014, doi.org/10.1080/01431161.2014.930207). Map accuracies were estimated for pure species stands in a first step and for the entire map, including mixed species stands, in a second step. The overall accuracy of pure-species stands is 87.07 ± 0.3 % and 75.53 ± 0.07 % for the entire map, including mixed-species stands. For further details please see the scientific publication: Blickensdörfer, L., Oehmichen, K., Pflugmacher, D., Kleinschmit, B., Hostert, P., 2024. National tree species mapping using Sentinel-1/2 time series and German National Forest Inventory data. Remote Sensing of Environment. 304, 114069. DOI: 10.1016/j.rse.2024.114069.
EPSG:3035
Räumlich explizite und detaillierte Informationen über Baumartenzusammensetzung im Wald sind entscheidend für die Waldbewirtschaftung, den Naturschutz und die Abschätzung der Ökosystemleistungen des Waldes. In vielen Ländern findet das Waldmonitoring regelmäßig durch stichprobenartige Waldinventuren statt. In Kombination mit Satellitenbildern haben die Daten solcher Waldinventuren ein großes Potenzial für die Erstellung großflächiger Baumartenkarten. Hier lässt sich durch die hohe zeitliche und räumliche Auflösung der Sentinel-1 und Sentinel-2 Satellitenbilder die Phänologie und spektralen Eigenschaften der Bäume charakterisieren, welche das Kartieren von Baumarten ermöglichen. Wir erstellen wolkenfreie Sentinel-2 Bildzeitreihen mit zeitlicher Auflösung von 5 Tagen und kombinieren diese mit monatlichen Sentinel-1 backscatter Kompositen, um die dominierenden Baumarten für Deutschland zu kartieren. Außerdem nutzen wir Informationen über Topographie, Meteorologie und Klima, um unterschiedliche Umweltbedingungen in Deutschland mit zu berücksichtigen. Wir verwenden die deutsche Bundeswaldinventur als Quelle für Trainingsdaten um Random-Forest Klassifikationsmodelle zu trainieren und als Quelle für Validierungsdaten zur Bewertung der Kartengenauigkeit. Die optischen Sentinel-2-Daten wurden mit der Open-Source-Software FORCE (Framework for operational radiometric correction for environmental monitoring; Frantz, D., 2019, doi.org/10.3390/rs11091124; https://force-eo.readthedocs.io/en/latest/ last accessed: 02. Nov. 2022) prozessiert. Die vorprozessierten Sentinel-1 Komposite wurden über die CODE-DE-Plattform bezogen (Sentinel-1 L3 BS - Monthly Composite, https://code-de.org/en/portfolio/, letzter Zugriff: 02. Nov. 2022) und zusammen mit den Umweltdaten in den FORCE-Data-Cube aufgenommen. Wir verwendeten Sentinel-2-, Sentinel-1- und Umweltdaten aus den Jahren 2017 und 2018 um 11 Baumartengruppen zu kartieren, einschließlich zwei generischer Laubbaumklassen (ODH: andere Laubbäume mit hoher Lebenserwartung, ODL: andere Laubbäume mit geringer Lebenserwartung). Die Baumartenkartierung beschränkt sich auf die bestockte Holzbodenfläche, definiert durch eine Holzbodenmaske (Langner et al., 2022, doi.org/10.3220/DATA20221205151218). Die Referenzdaten für das Modelltraining und die Kartenvalidierung basieren auf den Daten der dritten Bundeswaldinventur, die 2011/2012 durchgeführt wurde (https://www.bundeswaldinventur.de/en/third-national-forest-inventory, letzter Zugriff: 02. Nov. 2022). Um Inventurflächen auszuschließen, auf denen sich die Baumartenzusammensetzung zwischen 2012 und 2018 geändert haben, verwenden wir die Waldstörungskarten von Senf et al. (2020, doi.org/10.1038/s41893-020-00609-y). Die Genauigkeit der Karte wurde auf der Grundlage eines stratifizierten Schätzers nach Stehman et al. (2014, doi.org/10.1080/01431161.2014.930207) geschätzt. Die Genauigkeit der Karten wurde in einem ersten Schritt für Reinbestände und in einem zweiten Schritt für die gesamte Karte, einschließlich der Mischbestände, berechnet. Die Gesamtgenauigkeit für Reinbestände beträgt 87,07 ± 0,3 % und für die gesamte Karte, einschließlich der Mischbestände, 75,53 ± 0,07 %. Für weiterführende methodische Details verweisen wir auf die wissenschaftliche Veröffentlichung: Blickensdörfer, L., Oehmichen, K., Pflugmacher, D., Kleinschmit, B., Hostert, P., 2024. National tree species mapping using Sentinel-1/2 time series and German National Forest Inventory data. Remote Sensing of Environment. 304, 114069. DOI: 10.1016/j.rse.2024.114069. Für weitere Einzelheiten wenden Sie sich bitte an lukas.blickensdoerfer@thuenen.de
EPSG:3035
Preview
Cite
Access Statistic
Rights
Use and reproduction:
