Erdfernerkundung - Numerische Physik: Modellierung

7.3. AUTOMATISCHE KLASSIFIKATION 345
Abbildung 7.17: Unitemporale
(links) und multitemporale
(rechts) 2D-Klassifikation [154]
• das Quader-Verfahren (Teilbild b) ist rechentechnisch ebenfalls einfach: hier wird jeder
klassifizierte Bereich der Datenmatrix mit einem Rechteck umschrieben. Zu klassifizierende
Pixel, die in ein derartiges Rechteck fallen, werden dieser Objektklasse zugeordnet;
Bildpunkte, die in keines der Rechtecke fallen, werden nicht klassifiziert. Das Verfahren
hat den Nachteil, dass Merkmalsgruppen sich nicht zwingend geschickt in ein Rechteck
einordnen lassen (z.B. die Wiesen (H)) und sich Rechtecke überlappen können obwohl sich
die Merkmalsklassen nicht überlappen (Wiese H und Getreidefeld C).
• das detaillierte Quaderverfahren (Teilbild c) ist eine Verfeinerung des Quaderverfahres
bei dem die Merkmalsklasse nicht in ein Rechteck sondern in eine aus mehreren kleinen
Rechtecken gebildete Fläche eingeschlossen wird.
• das Verfahren der größten Wahrscheinlichkeit (Maximum Likelihood Method) unterscheidet
sich von den Quaderverfahren dadurch, dass die Punkte einer Merkmalsklasse nicht
gleichberechtigt behandelt werden sondern gewichtet werden. Dies basiert auf der Annahme,
dass es einen Mittelwert für die Merkmalsklasse gibt, um den die Punkte in Form einer
Normalverteilung schwanken. Dann lassen sich neben dem Mittelwert Linien gleicher Wahrscheinlichkeit
festlegen. Dies ermöglicht nicht nur eine Klassifikation wie bei der Methode
der geringsten Distanz sondern insbesondere bei überlappenden Merkmalsbereichen auch
eine Aussage über die Wahrscheinlichkeit, mit der ein zu klassifizierender Bildpunkt einer
oder mehreren Merkmalsklassen angehört. Das Verfahren der größten Wahrscheinlichkeit
wird daher, obwohl rechentechnisch aufwendiger, häufig angewendet.
§ 1148 Insbesondere bei Untersuchungen der Vegetation kann eine multitemporale Klassifikation
bessere Ergebnisse liefern: eine Birke im Frühjahr mit frischen Blättern erzeugt ein
anderes Signal als die gleiche Birke im Sommer mit ausgewachsene Blättern oder gar später
im Jahr in Herbstfärbung. Eine Verbesseung der automatischen Klassifikation ergibt sich,
wenn die Trainingsmatrix nicht für einen festen Zeitpunkt aufgenommen wird sondern zu
verschiedenen Zeiten über die Vegetationsperiode verteilt. Als Beipsiel zeigt Abb. 7.17 die
Streuellipsen (Kurven fester Wahrscheinlichkeit beim Verfahren größter Wahrscheinlichkeit)
im Merkmalsraum für verschiedene Landnutzungsklassen in unitemporaler (links) und multitemporaler
(rechts) Auswertung. Generell ist bei der multitemporalen Auswertung eine bessere
Trennung der verschiedenen Nutzungsklassen möglich – offensichtlich in der geringeren
Überlappung der Streuellipsen.
Beispiel: Klassifikation von Schnee
§ 1149 Auf den ersten Blick sollte die Identifikation der Schneebedeckung in Satellitenbildern
ein triviales Problem sein: Schnee ist weiß und reflektiert den größten Teil der auf ihn
auftreffenden solaren Strahlung (Albedo zwischen 75% und 90%). Damit sollte er sich im
sichtbaren Spektrum hell abzeichnen, d.h. durch einfache Betrachtung einer Schwarzweißoder
Farbaufnahme erkennbar sein. Das ist korrekt, solange man nur die Bodenbedeckung
betrachtet. Dass die Identifikation von Schneeflächen in der Realität jedoch schwieriger ist,
kann man bei einem Blick auf eine normale MeteoSat-Aufnahme sofort nachvollziehen: außer
Schnee haben auch Wolken ein sehr hohes Reflektionsvermögen, d.h. auch diese zeichnen
c○ M.-B. Kallenrode 2. Juli 2008