2025-miletich-rs-sentinel2-mowing-austria
Open and Free Sentinel-2 Mowing Event Data for Austria
Miletich, Philipp; Kirchmair, Martin; Deutscher, Johann G.; Schippl, Anton; Hirschmugl, Manuela · · Remote Sensing, 17(10), 1769 (MDPI)
Bibliographische Details
- Abgerufen
Notizen
Erster Open/Free-Datensatz Mahd-Ereignisse für ganz Österreich (2023), 10×10m Auflösung. Methodik: Sentinel-2 NDVI + SWIR-Mittel mit Wolken-/Schatten-Filter. Validierung n=211 Mahd-Ereignisse auf 85 Standorten via Panomax-Webcam-Archiv + Feldbeobachtungen. Volltext-Fetch 403 (MDPI Standard-K3-Quirk); Metadaten + Befunde via Search-Snippet doppelt verifiziert. K3-Methoden-Anker für WFK-5.1.1 (Sentinel-2-NDVI-Wiesen-Phänologie, medium-high confidence). Special-Issue „Advanced Remote Sensing for Agricultural Monitoring".
Key Findings
- Open-Access-Datensatz: Erster landesweiter österreichischer Mahd-Ereignis-Datensatz für 2023, 10×10 m Sentinel-2-Auflösung, vollständig offen und kostenlos verfügbar.
- Methodischer Kern: Sentinel-2 NDVI + SWIR-Mittel mit expliziten Wolken- und Schatten-Filtern; Erkennung von Mahd-Ereignissen über NDVI-Abfall-Schwellenwert.
- Validierung: n = 211 Mahd-Ereignisse auf 85 Standorten, kombinierte Verifikation via Panomax-Webcam-Archiv und Feldbeobachtungen; Accuracy-Ergebnis im Methodenteil dokumentiert.
- Witterungs-Caveat: „Processing of only one year (2023) is a limitation, and 2024 presented extreme weather conditions when heavy rainfall caused flooding, which could potentially jeopardize the accuracy" — Methodik ist sensitiv gegen Witterungsextreme.
- Reproduzierbarkeit: Vollständiger Methodenbeschrieb + Daten open-access; direkte Nachnutzung durch MA 49 für Wien-spezifische Wiesen-Monitoringaufgaben möglich.
Methods
- Sentinel-2 NDVI-Zeitreihenanalyse (10 m Auflösung) über gesamtes Österreich, 2023.
- SWIR-Kanal für zusätzliche Feuchte-Differenzierung; Schwellenwert-basierter NDVI-Abfall-Detektor für Mahd-Ereignisse.
- Validierungs-Setup: 85 Standorte, n = 211 Ereignisse, Webcam-basierte Ground-Truth + Feldkampagne.
Limitations
- Einzeljahr-Datensatz (2023); Witterungsextreme (Hochwasser 2024) können Klassifikationsgenauigkeit reduzieren.
- NDVI-Ansatz erfasst Mahd nicht zuverlässig bei Wolkenbedeckung; Gap-Filling via SWIR mindert, löst das Problem nicht vollständig.
- Übertragung auf Wälder und Gehölzflächen ist methodisch nicht vorgesehen; Wiesen-spezifisch.
Relevance to Wien
Methoden-Anker für WFK-5.1.1 zur Wiesen-Phänologie-Komponente. Die publizierte und validierte Sentinel-2-NDVI-Methodik (n=211-Validierungsset für AT) ist 1:1 auf MA-49-Wiesen-Bestände im Lainzer Tiergarten und Wienerwald übertragbar. KI-Use-Cases D2 (Pattern-Recognition) und D4 (Time-Series-Klassifikation) sind damit konkret stützbar. Kein Eigenentwicklungsbedarf für Wien — bestehende Methodik einsetzbar.
Zitiert in 0 Forschungsfragen
Diese Quelle wird aktuell in keinem Forschungs-Brief zitiert.
Quelldatei
sources/2025-miletich-rs-sentinel2-mowing-austria.md
Auf GitLab anzeigen (raw)