[Zurück]


Diplom- und Master-Arbeiten (eigene und betreute):

S. Zwieback:
"Probabilistic Fusion of Ku and C Band Scatterometer Data for Determining the Freeze/Thaw State";
Betreuer/in(nen): W. Wagner, A. Bartsch, T. Melzer; Institut für Photogrammetrie und Fernerkundung, 2011; Abschlussprüfung: 03.05.2011.



Kurzfassung deutsch:
Der Frier/Tau Zustand (Freeze/Thaw state) der Landschaft kann mit Methoden der Mikrowellenfernerkundung
beobachtet und analysiert werden. Da die Bedeutung diverser Einflussfaktoren
auf das gemessene Signal s0 eine Funktion der Radarfrequenz ist, erscheint
die Kombination unterschiedlicher Datenquellen eine vielversprechende Möglichkeit zur
Verbesserung der Ergebnisse.
Angesichts dieser Erkenntnis wird ein neuartiger Sensor-Fusionsalgorithmus vorgestellt,
welcher den Frier/Tau (F/T) Zustand anhand von Scatterometerdaten schätzt: QuikScat
im Ku-Band und ASCAT im C-Band. Darüber hinaus wird ein weit verbreitetes Backscatter
Modell adaptiert. Dieses vereinfacht einerseits der Parametrisierung des Sensor-Fusionsmodells
und ermöglicht andrerseits ein besseres Verständnis der Abhängigkeit von s0 von
verschiedenen Einflussfaktoren.
Der Sensor-Fusionsalgorithmus basiert auf einem wahrscheinlichkeitstheoretischen Modell,
einer Adaption des Hidden Markov Models (HMM). Der F/T Zustand, dessen Wert
nicht direkt beobachtbar ist, wird durch eine Markov-Kette beschrieben. Allerdings beinflusst
der F/T Zustand die gemessenen Signale: s0 in beiden Frequenzen. Die einfache
Struktur des Modells garantiert, dass beispielsweise die Wahrscheinlichkeit des Zustandes
an einem einzelnen Tag effizient berechnet werden kann. Der Algorithmus benötigt keine
Trainingsdaten; die Parameter werden für jede Zeitreihe geschätzt. Dies wird durch Maximierung
der marginalen Likelihood auf Basis des Expectation Maximization Algorithmus
erreicht.
Das Verfahren wird anhand eines Testgebiets in Russland und Nordchina (120 􀀀 130 E,
50 􀀀 75 N) analysiert und validiert. Die Zeitreihen der Wahrscheinlichkeit des F/T Zustandes
werden mit In-Situ Schnee- und Temperaturmessungen sowie globalen Klimamodellen
verglichen. Im Allgemeinen werden Genauigkeiten von mehr als 90% erzielt, jedoch
kann der Algorithmus in landwirtschaftlich genutzten Gebieten sowie über blankem Fels
im Gebirge versagen. Darüber hinaus bestätigt diese Arbeit die Bedeutung der Kombination
zweier verschiedener Frequenzen, da inbesondere trockener Schnee, Vegetation und
das Gefrieren des Bodenwassers unterschiedliche Auswirkungen auf s0 im Ku- und C-Band
haben.

Kurzfassung englisch:
The transition of the landscape from frozen to non-frozen conditions has far-reaching consequences
on numerous geo- and biophysical processes such as plant growth and the hydrologic
cycle. Microwave remote sensing has been shown to be an apt tool for monitoring
the landscape freeze/thaw state. As the measured signal s0 is sensitive to different factors
at different radar frequencies, the combination of distinct data sources can potentially lead
to improved results.
In light of this observation, a novel sensor fusion algorithm is proposed - it estimates
the F/T state based on scatterometer data: SeaWinds on QuikScat in Ku band and ASCAT
on MetOp in C band. In addition, a widely used backscatter model for snow packs is
extended, whose purpose is twofold: firstly, it can give insight into the dependence of s0
on various factors and secondly, it facilitates the parameterization of the aforementioned
sensor fusion model.
The sensor fusion approach is based on a probabilistic model, an adaptation of the wellknown
Hidden Markov model (HMM). The F/T state is assumed to be a Markov chain,
whose value is not directly observable. At each epoch, however, its current state influences
the measurements: s0 at both frequency bands. The simple structure assures that inference
can be done efficiently, e.g. the calculation of the probability of the state on a given day.
The algorithm does not use training data; the parameters are estimated for each time series
in an unsupervised fashion. This is achieved by maximizing the marginal likelihood in the
framework of the Expectation Maximization algorithm.
The algorithm is analyzed and tested in a study area in Russia and northern China, which
encompasses the region of 120 􀀀 130 E and 50 􀀀 75 N. The time series of the probability
of the state are validated with in-situ snow and temperature data as well as global climate
models. In general, the accuracy exceeds 90%, but the algorithm can fail in agriculturally
used land (fields, pastures) and bare rock outcrops in mountainous regions. On a more
qualitative level, the study affirms the importance of using two distinct frequencies, as
particularly dry snow, vegetation and the freezing of the soil water manifest themselves
differently at Ku and C band.


Elektronische Version der Publikation:
http://publik.tuwien.ac.at/files/PubDat_196166.pdf


Erstellt aus der Publikationsdatenbank der Technischen Universität Wien.