Flächenversiegelung in Thüringen - Thüringer Landesanstalt für ...
Flächenversiegelung in Thüringen - Thüringer Landesanstalt für ...
Flächenversiegelung in Thüringen - Thüringer Landesanstalt für ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
22<br />
<strong>Flächenversiegelung</strong> <strong>in</strong> Thür<strong>in</strong>gen 2000<br />
• Komb<strong>in</strong>ation mehrerer Spektralkanäle kann<br />
Details hervortreten lassen und der Reduzierung<br />
überflüssiger Information dienen.<br />
• Berechnung e<strong>in</strong>es Vegetations<strong>in</strong>dex auf Basis<br />
des sichtbaren Rot und des nahen Infrarot. Er<br />
lässt e<strong>in</strong>en Rückschluss auf den Versiegelungsgrad<br />
zu.<br />
• Komb<strong>in</strong>ation multisensoraler Daten (z. B. multispektrale<br />
D. mit höherauflösenden panchromatischen<br />
D.) zum Zweck e<strong>in</strong>er verbesserten Bildausgabe.<br />
• Komb<strong>in</strong>ation multitemporaler Daten zur Identifizierung<br />
von Landschaftsveränderungen.<br />
Die Verfahren der Multispektral-Klassifikation<br />
bedienen sich der <strong>in</strong> verschiedenen spektralen<br />
Kanälen vorliegenden Informationen. Ziel der Klassifikation<br />
ist es, durch Komb<strong>in</strong>ation der Messwerte<br />
die Pixel so zu gruppieren, dass sie namentlich zu<br />
bezeichnende Ersche<strong>in</strong>ungen der Erdoberfläche<br />
repräsentieren.<br />
Der spektralen Klassifikation liegt die Idealvorstellung<br />
zugrunde, dass die gegene<strong>in</strong>ander aufgetragenen<br />
Messwerte ähnlicher Oberflächen <strong>in</strong>nerhalb<br />
e<strong>in</strong>es zwei- bis mehrdimensionalen Merkmalsraums<br />
Lageschwerpunkte bilden. Im dreidimensionalen<br />
Raum nehmen sie dann die Form e<strong>in</strong>er mehr<br />
oder weniger diffusen Punktwolke an. Durch Klassifikation<br />
werden die Grenzen der Klassen def<strong>in</strong>iert.<br />
Ob e<strong>in</strong>e Pixelfläche der korrekten Klasse zugeordnet<br />
wird, hängt von der relativen Lage im Merkmalsraum,<br />
der gewählten Klassenweite und <strong>in</strong> besonderem<br />
Maße vom Klassifikationsverfahren ab.<br />
In Anbetracht der nahezu unüberschaubaren Vielzahl<br />
der Verfahrenswege wird hier nicht der Versuch<br />
unternommen, e<strong>in</strong>e vollständige Übersicht der<br />
Klassifikationsmethoden zu geben. Es werden statt<br />
dessen Standardverfahren skizziert.<br />
Bei der unüberwachten Klassifikation werden die<br />
Messwerte ähnlicher Ausprägung mittels Cluster-<br />
Analyse gruppiert. Auf die Klassenbildung wird<br />
außer durch die Wahl der konkreten Algorithmen<br />
ke<strong>in</strong>en E<strong>in</strong>fluss genommen. Der Bearbeiter kann<br />
aus den Ergebnissen ableiten, ob der von ihm angestrebte<br />
Differenzierungsgrad zu erreichen ist oder<br />
<strong>in</strong>wiefern sich die gewünschte Objektkategorie<br />
ihrerseits <strong>in</strong> Unterklassen gliedert. Da dieses automatisierte<br />
Klassifikationsverfahren relativ schnell zu<br />
rechnen ist, kann es daher nützlich se<strong>in</strong>, es weitergehenden<br />
Klassifikationen vorzuschalten.<br />
Bei überwachten Klassifikationen wird durch die<br />
Auswahl geeigneter Tra<strong>in</strong><strong>in</strong>gsgebiete, die <strong>für</strong> die<br />
gewünschten Klassen <strong>in</strong> spektraler H<strong>in</strong>sicht repräsentativ<br />
se<strong>in</strong> müssen, e<strong>in</strong>e Klassenbildung gesteu-<br />
Schriftenreihe Nr. 46<br />
ert. Die Flächennutzung dieser Übungsgebiete kann<br />
aus Kartenmaterial, Luftbild- oder Geländekartierungen<br />
entnommen werden. Die Daten der selektierten<br />
Pixel werden als charakteristisch <strong>für</strong> die betreffende<br />
Klasse behandelt und s<strong>in</strong>d Grundlage <strong>für</strong><br />
die eigentliche Klassifikation.<br />
• Beim Verfahren der nächsten Nachbarschaft<br />
(M<strong>in</strong>imum Distance) werden die Tra<strong>in</strong><strong>in</strong>gswerte<br />
je Klasse und Spektralkanal gemittelt. Für alle<br />
Pixel der auszuwertenden Szene wird der kürzeste<br />
Abstand zu e<strong>in</strong>em der Mittelwerte errechnet<br />
und dann der entsprechenden Klasse zugeschlagen.<br />
• Beim Quader-Verfahren (Parallelepiped) werden<br />
anhand der Referenzwerte die Ober- und Untergrenzen<br />
der Klassen def<strong>in</strong>iert. Im dreidimensionalen<br />
Merkmalsraum entstehen so Quader.<br />
Bei verfe<strong>in</strong>erten Verfahren dieses Typs resultieren<br />
komplexere Klassenstrukturen. Fällt e<strong>in</strong><br />
Wert <strong>in</strong> ke<strong>in</strong>e der Klassen, bleibt das betreffende<br />
Pixel der Bildszene unklassifiziert.<br />
• Wird das Verfahren der größten Wahrsche<strong>in</strong>lichkeit<br />
(Maximum-Likelihood) angewandt, geht<br />
man von e<strong>in</strong>er Gauß’schen Normalverteilung<br />
der Messwerte um den Klassenmittelpunkt aus.<br />
D. h., dass schon die Statistiken der Referenzflächen<br />
e<strong>in</strong>e annähernde Normalverteilung der<br />
Grauwerte aufweisen müssen. Aus den Lage-<br />
und Streuungsparametern der Tra<strong>in</strong><strong>in</strong>gsmesswerte<br />
wird <strong>für</strong> jede Klasse e<strong>in</strong>e Wahrsche<strong>in</strong>lichkeitsfunktion<br />
abgeleitet. Im zweidimensionalen<br />
Raum werden die Klassen durch<br />
ellipsenförmige Isol<strong>in</strong>ien mit vom Mittelpunkt<br />
abnehmender Wahrsche<strong>in</strong>lichkeit abgebildet.<br />
Bei e<strong>in</strong>er bi-/multitemporalen Klassifikation werden<br />
Daten mit unterschiedlichem Aufnahmezeitpunkt<br />
berechnet. Ziele dieses Ansatzes können se<strong>in</strong>,<br />
veränderliche Oberflächen (landwirtschaftliche<br />
Nutzung) zu differenzieren oder Landschaftsveränderungen<br />
(z. B. mit Versiegelung) aufzudecken.<br />
Die Hierarchische Klassifikation unterscheidet sich<br />
von den vorhergehenden dadurch, dass das Ergebnis<br />
schrittweise durch e<strong>in</strong>e Folge von E<strong>in</strong>zelentscheidungen<br />
gewonnen wird. Durch Bildung von<br />
häufig nur zwei Klassen entstehen jeweils neue<br />
Datenebenen, die anschließend weiter ausgewertet<br />
werden.