berichte 2011 - Förderergesellschaft der Geodäsie und ...
berichte 2011 - Förderergesellschaft der Geodäsie und ...
berichte 2011 - Förderergesellschaft der Geodäsie und ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
50<br />
AUTOMATISCHE INTERPRETATION MULTITEMPORALER F ERNERKUNDUNGSDATEN UN-<br />
TERSCHIEDLICHER AUFLÖSUNG (DFG-EINZELPROJEKT, THORSTEN H OBERG)<br />
Die Zahl optischer Fernerk<strong>und</strong>ungssatelliten <strong>und</strong> somit die Verfügbarkeit<br />
von Daten in unterschiedlichen Auflösungsstufen hat sich in den<br />
vergangenen Jahren rasant gesteigert. Somit bieten sich neue<br />
Möglichkeiten zur Verbesserung <strong>der</strong> Klassifikationsgenauigkeit von<br />
Landnutzungsklassen o<strong>der</strong> zur Detektion von Verän<strong>der</strong>ungen in einer<br />
höheren Frequenz.<br />
Die Beschaffung hochaufgelöster Daten (ca. 1 Meter Bodenauflösung) ist<br />
allerdings zumeist sehr teuer, während Daten in einer mittleren Auflösung<br />
(ca. 30 Meter Bodenauflösung) deutlich günstiger sind. Letztere haben<br />
jedoch einen wesentlich geringeren Informationsgehalt.<br />
In dem Projekt wurde eine Methode entwickelt, die eine kombinierte<br />
Auswertung beliebiger Daten unterschiedlicher Auflösung ermöglicht. Auf<br />
diese Weise wird zum einen die Klassifikationsgenauigkeit erhöht, zum<br />
an<strong>der</strong>en ist das Verfahren in <strong>der</strong> Lage, Verän<strong>der</strong>ungen zu erkennen.<br />
Diese beiden Zielsetzungen wurden in bisherigen Arbeiten stets getrennt<br />
betrachtet. Zudem können unterschiedliche Klassenstrukturen in den<br />
einzelnen Auflösungsstufen berücksichtigt werden, welche z.B. durch das<br />
Verschmelzen einzelner Klassen einer höheren Auflösungsstufe zu einer<br />
übergeordneten Klasse in <strong>der</strong> niedrigeren Auflösungsstufe entstehen.<br />
Die Methode basiert auf einem Verfahren aus <strong>der</strong> Mustererkennung, den<br />
Conditional Random Fields (CRF). Diese ermöglichen die Nutzung<br />
zeitlicher <strong>und</strong> räumlicher Kontextinformation sowohl auf Basis von<br />
Information, die aus den Daten gewonnen werden, als auch durch<br />
Integration von Modellwissen. Auf diese Weise können zum Beispiel<br />
Wahrscheinlichkeiten für den Übergang einer Landnutzungsklasse zu<br />
einer an<strong>der</strong>en Klasse in die Analyse integriert werden.<br />
Das Beispiel zeigt die Ergebnisse einer Auswertung einer Ikonos-Szene<br />
(4 Meter Bodenauflösung), welche zu einem früheren Zeitpunkt<br />
aufgenommen wurde, mit einer Landsat-Szene (30 Meter<br />
Bodenauflösung). In <strong>der</strong> Landsat-Szene wurden 12 großräumige<br />
Verän<strong>der</strong>ungen von Acker- bzw. Waldflächen zu Siedlungsflächen<br />
simuliert – siehe Verän<strong>der</strong>ungsmaske. Für diese Szene konnte zum einen<br />
die Klassifikationsgenauigkeit um 15% im Vergleich zu einer<br />
Standardklassifikation gesteigert werden, zum an<strong>der</strong>en wurden 70% aller<br />
Pixel, die einer Än<strong>der</strong>ung unterworfen waren, korrekt klassifiziert.<br />
VON LINKS NACH RECHTS: REFERENZ; VERÄNDERUNGSMASKE; ERGEBNIS EINER STANDARD-MAXIMUM-<br />
LIKELIHOOD-KLASSIFIKATION; ERGEBNIS DER AUF CRF-BASIERENDEN METHODE (JEWEILS LANDSAT): KLAS-<br />
SEN: GELB: ACKER/GRÜNLAND; GRÜN: WALD; ROT: SIEDLUNG; WEIßE RECHTECKE: TRAININGSGEBIETE.