Der rasche Anstieg der Weltbevölkerung führte zu einem erhöhten Druck auf landwirtschaftliche Flächen. Die Folge ist ein verringertes Nahrundmittelangebot bei zeitgleicher Verdopplung der Nachfrage. Dadurch entsteht ein Bedarf nach kontinuierlichem Monitoring zur Laufendhaltung der räumlichen Information über die Nutzung von Agrarflächen als eine wichtige Voraussetzung zur Unterstützung entscheidungstragenden gesellschaftlichen Organe bei der Sicherung der Versorgung mit Nahrungsmitteln. Die Wahl der angebauten Kulturen wird dabei von ökonomischen und ökologischen (z.B. Klima, Boden etc.) Aspekten, des Weiteren der Bewirtschaftungsweise und politischen Entscheidungen beeinflusst. Diese durchaus dynamischen Faktoren gilt es bei der Auswahl von Daten und Methoden zur kartografischen Erfassung von Feldfrüchten zu berücksichtigen. Die vorliegende Studie nutzt bildgebendes Radar (Synthetic Aperture Radar, SAR) zur Datenerfassung. Mikrowellenbasierte Fernerkundung ist unabhängig von Wetter- sowie Tageslichtverhältnissen und garantiert daher in allen klimatischen Zonen der Erde eine höchstmögliche zeitliche Dichte der Daten. Damit besteht die Möglichkeit, Aufnahmen aus allen phänologischen Entwicklungsstadien der einzelnen Feldfruchtarten zu liefern.

Die Phänologie der Feldfrüchte weist eine starke räumliche und zeitliche Dynamik im jährlichen Wachstumszyklus auf. Die hier auftretenden biophysikalischen Prozesse führen zu unterschiedlichen spektralen Reflektionseigenschaften im Radarbild. Die spektralen Eigenschaften verschiedener Feldfrüchte können bei gleichen Phänologien zu zeitweise identischen Messungen führen, in späteren Entwicklungsstadien jedoch variieren. Dementsprechend führen Klassifikationsverfahren mittels Bildern, die lediglich zu einem bestimmten Zeitpunkt des Pflanzenwachstums aufgenommen wurden, nicht zu optimalen Ergebnissen im Falle ähnlicher Phänologien. Zusätzlich hierzu führt ein sehr großer Merkmalsraum, in den alle Aufnahmen der Vegetationsperiode einfließen, zu einer Überlappung der Klassen und somit ebenfalls zu einer schlechten Trennbarkeit. Die Phänologie der Pflanzen kann jedoch insofern hilfreich bei der Klassentrennung sein, als dass der gemessene Rückstreukoeffizient zeitlich variiert. Das Ziel dieser Studie ist daher die Entwicklung eines Klassifikationsverfahrens, welches phänologische Sequenzen der Feldfrüchte unter Verwendung von Radarbildern berücksichtigt. Die Methode ist dabei derart konstruiert, dass sie den zeitlichen und räumlichen Kontext berücksichtigt.

Im Rahmen der Forschungsarbeit wurde ein Ansatz entwickelt, der auf Zufallsfeldern erster und höherer Ordnung (Dynamic Conditional Random Fields, DCRFs) basiert. Das DCRFs-Modell hat die Struktur sich wiederholender, zeitlich verbundener Zufallsfelder (Conditional Random Fields, CRF), die als ungerichtete Graphen definiert sind. Jeder Knoten der Sequenz ist über eine Matrix von bedingtenWahrscheinlichkeiten mit seinem jeweiligen zeitlichen Nachbarn verbunden. Die Berechnung der Matrix erfolgte über die Bestimmung der A-posteriori-Wahrscheinlichkeiten mittels des Random Forests Klassifikators. Die Matrix wird einerseits zur Implementierung expertenbasierter und phänologischer Information in den DCRFs höherer Ordnung verwendet. Zugleich ermöglicht sie die Berücksichtigung phänologischer Information ausschließlich aus den Daten bei Anwendung der DCRFs ersten Ordnung. Ein Ergebnisvergleich der Klassifikation einzelner Epochen zeigt, dass die Verwendung der DCRFs höherer Ordnung zu den höchsten Klassifikationsgenauigkeiten für alle Epochen der Sequenz führt. Beteiligte Akteure und Politiker benötigen oftmals quantitative Informationen über die vorhandenen Feldfrüchte sowie deren räumliche Verteilung zur Sicherstellung der Nahrungsmittelproduktion und eines ausgeglichenen Naturhaushaltes. Aus diesem Grund wurde in einem weiteren Arbeitsschritt ein DCRFs-Ensemble-Klassifikationsverfahren entwickelt. Dieses berücksichtigt einen Satz berechneter A-posteriori-Wahrscheinlichkeiten für jede Klasse zu jeder Epoche mit dem Ziel, eine optimale Klassenentscheidung für einen Knoten zu treffen. Hierzu werden die A-posteriori-Wahrscheinlichkeiten der Sequenzen maximiert, nachdem sie basierend auf dem maximalen F1-score ausgewählt und mit den Nutzergenauigkeiten gewichtet wurden. Diese Ensemble-Technik wird anschließend mit Standardverfahren verglichen, bei denen alle Aufnahmen in einen Merkmalsraum zusammengeführt und mit dem Maximum Likelihood Klassifikator (MLC) sowie den CRFs klassifiziert werden. Es zeigt sich, dass mit dem entwickelten Verfahren bessere Ergebnisse erzielt werden als mit MLC und CRFs. Dies gilt sowohl für die Berechnung der feldfruchtspezifischen A-posteriori-Wahrscheinlichkeit mit den DCRF erster Ordnung als auch mit jenen der höheren Ordnung.