Was sehen Sie auf diesem Bild? Nennen Sie bitte möglichst viele Details.

Transkript

1 Was sehen Sie auf diesem Bild? Nennen Sie bitte möglichst viele Details.

2 Man sieht nur, was man weiß Was würden unterschiedliche Menschen auf dem vorigen Bild wohl erkennen? Düsseldorfer Australier Neandertaler (Rechner) Rhein Fluss dunkle Linie Zahlen Düsseldorf Stadt??? Zahlen A3 Schnellstraße helle Linie Zahlen Felder Felder Vierecke Zahlen Objekte, Objekte Formen Zahlen benannt Ziel ist, den Rechner mindestens auf das Niveau des Neandertalers, besser auf das des Australiers zu bringen. Zum Düsseldorfer wird es wohl nicht reichen, oder?

3 Landnutzungsklassifikation mittels Multispektralbildern Ein toller Titel und eine gute Gelegenheit, uns erst einmal zu fragen, was Farben sind... Das elektromagnetische Spektrum Schall [Abb. aus Wikipedia]

4 Das menschliche Auge ist ein passiver Sensor: Bei totaler Dunkelheit sehen wir nichts. Bei sehr schwachem Licht (späte Dämmerung) erkennen wir nur noch schwach die Formen, aber kaum noch Farben ( nachts sind alle Katzen grau ). Und überhaupt nehmen wir mit unseren Augen nur einen winzig kleinen Teil des elektromagnetischen Spektrums wahr. Wie entsteht nun unser Farbeindruck? Wenn wir sagen der Junge hat ein rotes Hemd an, bedeutet das folgendes: Das Sonnenlicht ist weiß, beinhaltet also alle Farben zu etwa gleichen Teilen ( additive Farbmischung ). Die davon beleuchteten Objekte reflektieren bzw. absorbieren jeweils einen Teil des Lichts. Im Falle des roten Hemdes befindet sich das Maximum der reflektierten Strahlung [innerhalb des sichtbaren Bereichs] bei etwa 630 nm. Wie das Reflektionsverhalten außerhalb des sichtbaren Bereichs ist, können wir nicht sehen (logisch), aber durchaus sichtbar machen.

5 Die Sache mit der Absorption bzw. Reflektion kennen Sie alle: Im Hochsommer bevorzugt man helle Kleidung, läuft nicht ohne Not in schwarzen Sachen draußen herum. Wer den Energieverbrauch durch die Klimaanlage minimieren möchte, fährt kein dunkles Auto usw. Nun kann man für jedes Material nach Frequenzen getrennt analysieren, wie viel von der einfallenden Strahlung reflektiert bzw. absorbiert wird. Daraus resultieren die sog. Reflektionsspektren: red edge µm [Quelle:

6 Folgerungen Um die Landnutzung eines Gebietes aus Luft- oder Satellitenbildern zu ermitteln, würde man idealer Weise folgende Informationen benötigen: Reflektionswerte weit über den sichtbaren Bereich hinaus Diese aufgeteilt in sehr viele, sehr schmale Intervalle Eichkurven für einzelne Pflanzen (z.b. Mais, Kartoffeln, Laubwald) Die tatsächliche Datenlage weicht davon natürlich mehr oder weniger stark ab. Wir wollen uns nun beispielhaft mit Daten des Fernerkundungs- Satelliten LandSat TM (TM = thematic mapper ) beschäftigen. Verfügbar und für uns interessant sind Daten der Satellitenmissionen 5 und 7; für technische und historische Details finden Sie viele Informationen im Internet.

7 Die Spektralkanäle des LandSat-TM-Satelliten (jeweils 8 Bit tief) Kanal Wellenlänge [µm] Bodenauflösung ,45-0,52 blau 30m 2 0,53-0,61 grün sichtbares Licht 30m 3 0,63-0,69 rot 30m 4 0,78-0,90 nahes Infrarot (NIR) 30m 5 1,57-1,78 mittleres IR 30m 6 10,42-11,66 Thermal-IR 100m 7 2,10-2,35 mittleres IR 30m

8 Beispiele für die einzelnen Kanäle (Originaldaten, TM 5): ?

9 Man sieht bereits, dass das Reflektionsverhalten einzelner Objekte in den verschiedenen Kanälen sehr unterschiedlich sein kann. Demzufolge sind zum Erkennen bestimmter Oberflächen Daten aus jeweils unterschiedlichen Kanälen besonders geeignet, etwa Kanal 5 zum Auffinden von Wasser. Beim letzten Beispiel der vorigen Folie, dem Farbbild, handelt es sich um eine sogenannte Farbkomposite. Hier wurden die Kanäle 1, 2 und 3 (also der Bereich des sichtbaren Lichts), die jeweils 8 Bit radiometrische Auflösung haben, den entsprechenden RGB-Kanälen eines 24-Bit-Bildes zugeordnet. Es ergibt sich ein einigermaßen realitätsnahes Bild. Kanal 3 Kanal 2 Kanal Farbkomposite, 24 Bit

10 Das Beispiel Kanal 5 / Wasserflächen sehen wir uns einmal etwas genauer an: % Wir haben hier ein bimodales (zweigipfeliges) Histogramm, so dass die Trennung von Wasser und Land recht einfach möglich ist. Die weitere Klassifizierung der Landflächen dürfte aber alleine mit nur diesem Bild schwierig werden. Immerhin die Idee ist also, aus den Helligkeiten in den einzelnen Kanälen auf die Nutzung der Landoberfläche zu schließen.

11 Zu diesem Zweck betrachten wir folgendes Beispiel: Vergleichen Sie die Helligkeiten links (Kanal 4 / NIR) mit den Farben im mittleren Bild. Vegetation hat üblicherweise im nahen Infrarot starke Reflektionswerte, u.a. abhängig vom Alter und Zustand. So nimmt z.b. die Reflektion von Waldgebieten deutlich ab, wenn die Bäume geschädigt sind, weshalb man Aufnahmen aus diesem Spektralbereich für Waldschadenskartierungen nutzt. Rechts ein Falschfarbenbild, Komposite aus den Kanälen 2, 3 und 4.

12 Erweitern wir unsere Idee... Man müsste experimentell für jede zu untersuchende Nutzungsart bestimmen, wie ihr Reflektionsverhalten in jedem der Kanäle aussieht. Dies würde im einfachsten Fall bedeuten, dass man pro Kanal ein Intervall der Helligkeitswerte (Pixelwerte) bestimmt, z.b.: Kanal Kanal Kanal usw. Wenn man dann mittels logischer UND-Verknüpfung alle Kanäle durchmustert, sollte es klappen: WENN Pixelwert Kanal 1 zwischen 35 und 57 UND Pixelwert Kanal 2 zwischen 40 und 62 UND..., DANN haben wir an diesem Punkt die gesuchte Nutzungsart (z.b. Laubwald) vorliegen. Statt Nutzungsart spricht man übrigens allgemeiner von Klassen.

13 Das Ganze hier einmal anschaulich dargestellt für zwei Kanäle (mittels zweidimensionalem Histogramm): 255 Kanal 4 Weizen Laubwald Wasser begrenzendes Rechteck 0 0 Kanal Die in der vorigen Folie genannten Intervalle werden hier zu Rechtecken, bei drei Kanälen zu Quadern usw. ( Box oder Parallelepiped ).

14 Soweit die Theorie In der Praxis sieht es meist deutlich anders aus: Viele kleine Punktwolken ( cluster ), Klassen unterschiedlich ausgedehnt, oft ineinander laufend (Mischformen), damit schwer trennbar usw. Korrelationskoeffizient Zweidimensionale Histogramme aus den Kanälen 1 und 2 (links) bzw. 3 und 4 (rechts) von den Beispielbildern der letzten Folien.

15 Fazit: (1) Je mehr Spektralkanäle zur Verfügung stehen und verwendet werden, desto besser es bringt jedoch nichts, hoch korrelierte Kanäle zu nutzen (Beispiel Kanal 1 und 2; hier reicht einer der beiden aus). (2) In den meisten Fällen liefert der Ansatz über Intervalle (Rechtecke, Quader) kein gutes Ergebnis, da die Cluster zu eng liegen und dann nicht sauber getrennt werden. Es wurden daher alternative Verfahren entwickelt.

16 Alternative Begrenzungen der Cluster zur Festlegung der Klassen: Mittelpunkt, ggf. maximale Entfernung ( minimum distance ) Ellipsen ( maximum likelihood )

17 Bleibt noch zu klären, wie man denn nun praktisch die Parameter für die einzelnen Klassen bestimmt. Hierzu gibt es zwei unterschiedliche Vorgehensweisen: Überwachte Klassifikation Für jede Klasse werden repräsentative Gebiete ausgewählt und analysiert ( Trainingsgebiete ), danach startet die Klassifikation. Anzahl und Bedeutung der Klassen stehen also vorher fest. Unüberwachte Klassifikation Die Kanäle werden einer n-dimensionalen Clusteranalyse unterzogen, die eine Anzahl von Klassen findet. Erst nach der darauf folgenden Klassifikation wird untersucht, welche Bedeutung die automatisch definierten Klassen haben (z.b. Klasse 7 = Gerste). Beispiele für Klassifikationen in der Übung!

18 Im Zusammenhang mit Klassifikationsverfahren soll noch eine spezielle Art der Bildverschneidung angesprochen werden, die sogenannten Indizes. Einer der bekanntesten ist der NDVI, der normalised difference vegetation index. Er dient zur Untersuchung der Dichte und Gesundheit der Vegetation und berechnet sich zu NDVI = NIR Rot = Kanal 4 Kanal 3 für LandSat TM NIR + Rot Kanal 4 + Kanal 3 Wie man gut sieht, haben Wasserflächen die niedrigsten Pixelwerte, gefolgt von Siedlungs- und Verkehrsflächen sowie brachliegenden oder abgeernteten Äckern.

19 Etwas zum Lesen: oder mal selbst suchen unter Klassifizierung und multispektral. Die Übung findet im Block statt von Mo bis Do , jeweils 10:30 16:00 Uhr. Klausur am , 10:30 12:00 Uhr