Worksheet 07 · Referenzdaten und LAI-Schätzung
Punktwerte, Satellitenprädiktoren und Residuen zusammenführen
Daten übernehmen
Laden Sie den Datenordner der EON2026-Materialien zu Machine Learning und verwenden Sie aus ML_AOA.qmd den Abschnitt Case Study 2: Modelling the Leaf Area Index. Benötigt werden trainingsites_LAI.gpkg sowie sentinel_uniwald.grd einschließlich der zugehörigen Rasterdatendatei. Übernehmen Sie die Eingangsdaten in Ihr Projekt. Das Beispiel liegt im Marburger Universitätswald.
Lesen Sie die LAI-Referenzen mit sf, den Prädiktorstack mit terra. Prüfen Sie CRS, räumliche Überdeckung, Zahl der Referenzen und verfügbare Prädiktorbänder. Halten Sie Mess- und Aufnahmezeitpunkt sowie die Messmethode fest, soweit sie im Quelldatensatz dokumentiert sind. Fehlende Angaben werden als fehlend ausgewiesen.
Lineares Modell ausführen
- Transformieren Sie die Referenzgeometrien in das Raster-CRS. Extrahieren Sie die Prädiktoren an den Referenzen. Die
ID-Spalte austerra::extract()dient der Zuordnung zur Referenz; sie ist kein Prädiktor. - Schließen Sie unvollständige NDVI-/LAI-Paare aus und protokollieren Sie deren Anzahl. Berechnen Sie
lm(LAI ~ NDVI, data = trainDat)und erzeugen Sie die flächenhafte Schätzung mit dem Modellobjekt. Übernehmen Sie keine fest eingetragenen Regressionskoeffizienten aus der Vorlage. - Speichern Sie die beobachteten und angepassten LAI-Werte sowie die Residuen. Zeichnen Sie Residuen gegen angepasste Werte und stellen Sie ihre Vorzeichen an den Referenzorten kartografisch dar.
- Markieren Sie Zellen, deren NDVI außerhalb des Trainingsbereichs liegt, und prüfen Sie die Karte auf negative LAI-Schätzungen.
Ergebnis
Geben Sie eine Datenübersicht, die Regressionsgleichung, ein Streudiagramm und eine LAI-Karte mit Referenzpunkten ab. Nennen Sie Zahl und Wertebereich der verwendeten Referenzen sowie erkennbare Residuenmuster. Der Fehler an den zum Fit verwendeten Punkten ist ein Anpassungsfehler; die Prüfung an ausgelassenen Referenzen folgt in Worksheet 08.