Flächenversiegelung in Thüringen - Thüringer Landesanstalt für ...

22
Flächenversiegelung in Thüringen 2000
• Kombination mehrerer Spektralkanäle kann
Details hervortreten lassen und der Reduzierung
überflüssiger Information dienen.
• Berechnung eines Vegetationsindex auf Basis
des sichtbaren Rot und des nahen Infrarot. Er
lässt einen Rückschluss auf den Versiegelungsgrad
zu.
• Kombination multisensoraler Daten (z. B. multispektrale
D. mit höherauflösenden panchromatischen
D.) zum Zweck einer verbesserten Bildausgabe.
• Kombination multitemporaler Daten zur Identifizierung
von Landschaftsveränderungen.
Die Verfahren der Multispektral-Klassifikation
bedienen sich der in verschiedenen spektralen
Kanälen vorliegenden Informationen. Ziel der Klassifikation
ist es, durch Kombination der Messwerte
die Pixel so zu gruppieren, dass sie namentlich zu
bezeichnende Erscheinungen der Erdoberfläche
repräsentieren.
Der spektralen Klassifikation liegt die Idealvorstellung
zugrunde, dass die gegeneinander aufgetragenen
Messwerte ähnlicher Oberflächen innerhalb
eines zwei- bis mehrdimensionalen Merkmalsraums
Lageschwerpunkte bilden. Im dreidimensionalen
Raum nehmen sie dann die Form einer mehr
oder weniger diffusen Punktwolke an. Durch Klassifikation
werden die Grenzen der Klassen definiert.
Ob eine Pixelfläche der korrekten Klasse zugeordnet
wird, hängt von der relativen Lage im Merkmalsraum,
der gewählten Klassenweite und in besonderem
Maße vom Klassifikationsverfahren ab.
In Anbetracht der nahezu unüberschaubaren Vielzahl
der Verfahrenswege wird hier nicht der Versuch
unternommen, eine vollständige Übersicht der
Klassifikationsmethoden zu geben. Es werden statt
dessen Standardverfahren skizziert.
Bei der unüberwachten Klassifikation werden die
Messwerte ähnlicher Ausprägung mittels Cluster-
Analyse gruppiert. Auf die Klassenbildung wird
außer durch die Wahl der konkreten Algorithmen
keinen Einfluss genommen. Der Bearbeiter kann
aus den Ergebnissen ableiten, ob der von ihm angestrebte
Differenzierungsgrad zu erreichen ist oder
inwiefern sich die gewünschte Objektkategorie
ihrerseits in Unterklassen gliedert. Da dieses automatisierte
Klassifikationsverfahren relativ schnell zu
rechnen ist, kann es daher nützlich sein, es weitergehenden
Klassifikationen vorzuschalten.
Bei überwachten Klassifikationen wird durch die
Auswahl geeigneter Trainingsgebiete, die für die
gewünschten Klassen in spektraler Hinsicht repräsentativ
sein müssen, eine Klassenbildung gesteu-
Schriftenreihe Nr. 46
ert. Die Flächennutzung dieser Übungsgebiete kann
aus Kartenmaterial, Luftbild- oder Geländekartierungen
entnommen werden. Die Daten der selektierten
Pixel werden als charakteristisch für die betreffende
Klasse behandelt und sind Grundlage für
die eigentliche Klassifikation.
• Beim Verfahren der nächsten Nachbarschaft
(Minimum Distance) werden die Trainingswerte
je Klasse und Spektralkanal gemittelt. Für alle
Pixel der auszuwertenden Szene wird der kürzeste
Abstand zu einem der Mittelwerte errechnet
und dann der entsprechenden Klasse zugeschlagen.
• Beim Quader-Verfahren (Parallelepiped) werden
anhand der Referenzwerte die Ober- und Untergrenzen
der Klassen definiert. Im dreidimensionalen
Merkmalsraum entstehen so Quader.
Bei verfeinerten Verfahren dieses Typs resultieren
komplexere Klassenstrukturen. Fällt ein
Wert in keine der Klassen, bleibt das betreffende
Pixel der Bildszene unklassifiziert.
• Wird das Verfahren der größten Wahrscheinlichkeit
(Maximum-Likelihood) angewandt, geht
man von einer Gauß’schen Normalverteilung
der Messwerte um den Klassenmittelpunkt aus.
D. h., dass schon die Statistiken der Referenzflächen
eine annähernde Normalverteilung der
Grauwerte aufweisen müssen. Aus den Lage-
und Streuungsparametern der Trainingsmesswerte
wird für jede Klasse eine Wahrscheinlichkeitsfunktion
abgeleitet. Im zweidimensionalen
Raum werden die Klassen durch
ellipsenförmige Isolinien mit vom Mittelpunkt
abnehmender Wahrscheinlichkeit abgebildet.
Bei einer bi-/multitemporalen Klassifikation werden
Daten mit unterschiedlichem Aufnahmezeitpunkt
berechnet. Ziele dieses Ansatzes können sein,
veränderliche Oberflächen (landwirtschaftliche
Nutzung) zu differenzieren oder Landschaftsveränderungen
(z. B. mit Versiegelung) aufzudecken.
Die Hierarchische Klassifikation unterscheidet sich
von den vorhergehenden dadurch, dass das Ergebnis
schrittweise durch eine Folge von Einzelentscheidungen
gewonnen wird. Durch Bildung von
häufig nur zwei Klassen entstehen jeweils neue
Datenebenen, die anschließend weiter ausgewertet
werden.