View/Open - JUWEL - Forschungszentrum Jülich

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