View/Open - JUWEL - Forschungszentrum Jülich
View/Open - JUWEL - Forschungszentrum Jülich
View/Open - JUWEL - Forschungszentrum Jülich
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
88 KAPITEL 5. Klassifizierung mit neuronalen Netzen<br />
veränderte Gewichtung im Gradientabstiegsverfahren iterativ minimiert<br />
(RUMELHART et al. 1989 [163]). Neben dem möglichen Verfangen in einem<br />
lokalen Minimum der Fehlerfunktion ist ein weiteres Problem dieser Methodik die<br />
geringe Konvergenzgeschwindigkeit (C HEN et al. 1996 [44]) . Daher wird in dieser<br />
Studie ein Ansatz gewählt, der auf einem Kalmanfilter basiert (K ALMAN 1960<br />
[94]). Um ein Feed-Forward-Netz zu trainieren, wurde die Methode angepasst<br />
und von S HAH & PALMIERI 1990 [179] unter dem Namen Multiple Extended<br />
Kalman Algorithm (MEKA) eingeführt . S HAH et al. 1992 [180] bezeichnen<br />
diesen Ansatz als einen exzellenten Kompromiss zwischen der Genauigkeit des<br />
Ergebnisses und Komplexit ät bzw. Rechenzeit . Die Gewichte werden sequenziell<br />
für jedes Neuron einzeln optimiert (lokaler Ansatz) . Eine Herleitung ist detailliert<br />
in C ANTY 2006 [41] angegeben.<br />
Nach dem Trainingsvorgang kann die gesamte Satellitenszene klassifiziert wer-<br />
den, indem die spektrale Information jedes Pixels durch das bereits trainierte Netz<br />
geschickt wird . Dabei hat die Komplexität eines solchen Netzes nur einen sehr ge-<br />
ringen Einfluss auf das resultierende Klassifikationsergebnis, eher sind die Qua-<br />
lität des Trainingsdatensatzes und die Zahl der Kan äle entscheidend (F OODY &<br />
A RORA 1997 [67]) . Damit ist der Anwender von der Separabilit ät der einzelnen<br />
Klassen abh ängig.<br />
Der Vektor m k am Ausgang des Netzes gibt die Klassifikationswahrscheinlichkeit<br />
eines Pixels zur Klasse k an, die aufsummiert Eins ergeben . Diese werden im<br />
folgenden Kapitel 5 .3 zur Filterung herangezogen . Das Maximum der Vektorele-<br />
mente gibt die Klasse eines Pixels an.<br />
5.3 . Wahrscheinlichkeitstheoretische Filterung<br />
Das Klassifikationsergebnis der neuronalen Netze weist einige Inhomogenitäten<br />
innerhalb der Ackerparzellen auf. Einzelne Pixel werden einer anderen Klasse<br />
zugeschrieben als die, in der die restliche Fläche ausgewiesen wird. Spektral<br />
werden sie zwar korrekt eingeordnet, doch kleinräumige Unterschiede im Boden-<br />
untergrund können Auswirkungen auf die oberirdische Phytomasse haben und<br />
eine Einteilung in eine alternative Klasse bewirken . Auch Mischpixel am Feld-<br />
rand werden oft einer falschen Klasse zugeordnet . Diese Bildelemente können<br />
mit einer auf Klassifikationswahrscheinlichkeiten basierten Filterung in die richti-<br />
ge Klasse übertragen werden .