Technische Universität Dresden Institut für Geographie Lehrstuhl für Raumentwicklung Univ.-Prof. Dr. Dr. Bernhard Müller. Diplomarbeit.

Transkript

1 Technische Universität Dresden Institut für Geographie Lehrstuhl für Raumentwicklung Univ.-Prof. Dr. Dr. Bernhard Müller Diplomarbeit Arbeitstitel: Vergleich der multispektralen Sensoren ETM+ (Landsat 7) und LISS3 (IRS-P6) hinsichtlich der Nutzung einer möglichen CORINE Land Cover-Aktualisierung René Höfer Matrikel-Nummer: Betreuer: Verantwortliche Hochschullehrer: Univ.-Prof. Dr. Dr. Bernhard Müller Lehrstuhl für Raumentwicklung Leibniz-Institut für Ökologische Raumentwicklung e.v. (IÖR) Dr. Günter Strunz Deutsches Fernerkundungsdatenzentrum (DFD) Deutsches Zentrum für Luft- und Raumfahrt e.v. (DLR) Tag der Einreichung: Dresden, den

2 Danksagung An dieser Stelle möchte ich all jenen danken, die durch ihre fachliche und persönliche Unterstützung zum Gelingen dieser Diplomarbeit beigetragen haben. Mein besonderer Dank gilt Herrn Dipl.-Geogr. Thilo Wehrmann vom Deutschen Zentrum für Luft- und Raumfahrt (DLR) für sein Engagement bei der fachlichen Betreuung und für die zahlreichen Denkanstöße. An dieser Stelle soll auch den Mitarbeitern der Abteilung DFD-UG mein Dank für die Hilfsbereitschaft und technische Unterstützung ausgesprochen werden. Dankbar bin ich zudem Herrn Dr. Gotthard Meinel vom Leibniz-Institut für Ökologische Raumentwicklung e.v. (IÖR), der durch seine Beratung und konstruktive Kritik zum Gelingen dieser Arbeit bei trug. Ein Dankeschön auch an die KorrekturleserInnen, die durch ihre Verbesserungen und konstruktiven Anmerkungen die Fertigstellung dieser Arbeit maßgeblich unterstützt haben. Meiner Freundin Susanne danke ich für ihre Hilfe, Aufmunterung und vor allem ihre Geduld mit meiner Laune und Müdigkeit während der letzten Wochen. Abschließend möchte ich meinen Eltern für ihren Zuspruch und ihre Unterstützung während meines Studiums herzlichsten Dank aussprechen.

3 Inhaltsverzeichnis Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis I IV VII IX 1 Einführung Einleitung und Zielstellung der Arbeit Aufbau der Arbeit/Methodik Datengrundlage Benutzte Software Theoretische Grundlagen und Stand der Forschung Das Prinzip der Fernerkundung Der Begriff Fernerkundung Physikalische Grundlagen Elektromagnetische Strahlung Atmosphärische Beeinflussung der Strahlung Materialeigenschaften Satellitenbilddaten Fernerkundungsplattformen Allgemeine Grundlagen Aufnahmeparameter Aufnahmesysteme Landsat IRS-P CORINE Land Cover Datengrundlage Image Datenaufnahme I

4 Inhaltsverzeichnis Ausblick CORINE Land Cover ATKIS Pixel- und objektorientierte Klassifikationsverfahren Pixelbasierte Klassifikationsverfahren Unüberwachte Klassifikationsverfahren Überwachte Klassifikationsverfahren Hierarchische Klassifikationsverfahren Objektbasierte Klassifikationsverfahren Grundprinzip Verfahren Validierungsverfahren Untersuchungsgebiete Geographische Abgrenzung CORINE Land Cover innerhalb der Untersuchungsgebiete Definiens Developer Earth Segmentierung Klassifikation Vergleich von Landsat 7 - ETM+ und IRS-P6 - LISS Allgemeine Spezifikationen Signal-Rausch-Verhältnis Klassifikation Datenaufbereitung Klassifikationsablauf Unüberwachte Klassifikation Überwachte Klassifikation Validierungsergebnisse Ground-Truth-Daten Accuracy Assessment Einfluss der Trainingsgebiete Zwischenergebnisse Umsetzung von CLC mit objektorientierten Verfahren Umsetzung in Definiens Developer Earth Inputlayer Kontinuierliche Daten Thematische Daten Projektaufbau Segmentierung Einflussparameter und Inputlayer II

5 Inhaltsverzeichnis Aufbau Regelwerk Abbildbarkeit der CORINE Land Cover-Klassen Merkmalsextraktion Aufbau der Klassenhierarchie und des Prozessbaums Anwendung im Untersuchungsraum Schleswig-Holstein Abbildbare CORINE Land Cover-Klassen (Schleswig-Holstein) Klassifikationsablauf (Prozessbaum) Klassifikationsgütevalidierung Schleswig-Holstein Übertragung auf den Untersuchungsraum Sachsen Abbildbare CORINE Land Cover-Klassen (Sachsen) Notwendige Anpassungen Klassifikationsgütevalidierung Sachsen Ergebnisse und Diskussion Vergleichbarkeit der Sensorcharakteristik Klassentrennbarkeit Klassifikations- und Validierungsergebnisse Möglichkeiten objektorientierter Verfahren zur Umsetzung von CORINE Land Cover Accuracy Assessment Schleswig-Holstein Accuracy Assessment Sachsen Kritische Punkte bei der Erstellung und Umsetzung des Regelwerks Übertragbarkeit des Regelwerks Unsicherheiten bei der Validierung für objektorientierte Klassifikationsverfahren Fazit und Ausblick 87 Literaturverzeichnis 91 A Abbildungen 97 B Tabellen 111 C Metadaten der Projekt-DVD 119 D Ehrenwörtliche Erklärung 125 III

6 Inhaltsverzeichnis IV

7 Abbildungsverzeichnis 2.1 Elektromagnetisches Spektrum (Quelle: Albertz 2001 [1]) Absorption und Streuung in der Atmosphäre (Quelle: Albertz 2001 [1]) Spektrale Signaturen (Vegetation, Wasser, Boden) (Quelle: Albertz 2001 [1]) Aufnahmesysteme (Quelle: Albertz 2001 [1]) CLC2000 (Quelle: Keil 2005 [28]) Spektraler Merkmalsraum (Quelle: Albertz 2001 [1]) Pixelbasierte Klassifikationverfahren (Quelle: Krause 1988 [32]) Ablauf der pixelbasierten Klassifikationverfahren Hierarchische Klassifikation (Quelle: Albertz 2001 [1]) Beispiel einer pixel- und objektorientierten Klassifikation Abläufe der Interpretation von Fernerkundungsdaten und kognitive Wahrnehmung (Quelle: Schiewe 2003 [47]) Objektrepräsentation in unterschiedlichen Segmentierungsebenen Untersuchungsgebiet Schleswig-Holstein und Abdeckung der LISS3 Szene Untersuchungsgebiet Sachsen und Abdeckung der LISS3-Szene Klassenbeschreibung und Membership-Funktion in Definiens Developer Earth Radiometrische Auflösung ETM+ und LISS Untersuchungsraum Sachsen: Hersteller und Nutzergenauigkeit der Klasse Urban Untersuchungsraum Sachsen: Herstellergenauigkeit der Klasse Offener Boden Schematische Darstellung des Arbeitsablaufs Segmentierungsebenen Vergleich der Phänologie von Ackerland (hellgrün) und Grünland (dunkelgrün) (Quelle: Wehrmann 2007 [52]) Beispiel Klassifikationsablauf der Klasse 211 Nicht bewässertes Ackerland Übersicht der verwendeten Grundklassen Segmentierungsebene V

8 Abbildungsverzeichnis 5.1 Vergleich der Ergebnisse der Maximum Likelihood- und Support Vector Machine-Klassifikation im Untersuchungsraum Schleswig-Holstein (Siedlungsbereich Kiel) Mögliche CLC2006-Umsetzung im Untersuchungsraum Schleswig-Holstein, a) CLC2000 (oben), b) CLC ha (Mitte), c) CLC ha (unten) Fehlklassifikation im Bereich des Großen Garten Dresden Mögliche CLC2006-Umsetzung im Untersuchungsraum Sachsen, a) CLC2000 (links), b) CLC ha (Mitte), c) CLC ha (rechts) Aktualität der ATKIS-Daten des Landesvermessungsamtes Sachsen (Quelle: ATKIS-Objektartenkatalog [2]) Unterschiede der Objektgrenzen von CLC2000 (gelb) und ATKIS (schwarz) 85 A.1 CORINE Land Cover-Legende für Deutschland A.2 ROI Separability - Klassentrennbarkeit A.3 Nutzer- und Herstellergenauigkeit der Klassen der Maximum Likelihood- Klassifikation im Untersuchungsraum Schleswig-Holstein A.4 Nutzer- und Herstellergenauigkeit der Klassen der Maximum Likelihood- Klassifikation im Untersuchungsraum Sachsen A.5 Ergebnisse der Maximum Likelihood-Klassifikation mit ansteigender Anzahl an Trainingsgebieten im Untersuchungsraum Schleswig-Holstein A.6 Ergebnisse der Maximum Likelihood-Klassifikation mit ansteigender Anzahl an Trainingsgebieten im Untersuchungsraum Sachsen VI

9 Tabellenverzeichnis 2.1 Gegenüberstellung von Auswertungsverfahren (verändert nach Neubert 2005 [42]) Koordinaten der Untersuchungsgebiete linker oberer Ecke (UL) und rechter unterer Ecke (LR)(geographisch und nach lat/long) Aufnahmeparameter der ETM+ (Landsat 7)- und LISS3 (IRS-P6)-Szenen für Schleswig-Holstein (S-H) und Sachsen (SA) Vorkommen der häufigsten CORINE Land Cover-Klassen in den Untersuchungsräumen Schleswig-Holstein, Sachsen und Deutschland Werte der Standardabweichung in hellen/ dunklen Bereichen für die Kanäle des ETM+- und LISS3-Sensors in den Untersuchungsräumen Schleswig- Holstein und Sachsen Grundklassen der überwachten Klassifikation für die Untersuchungsräume Schleswig-Holstein und Sachsen Eingangslayer der Klassifikation Unterteilung von Bildmerkmalen Verwendete Merkmale Nutzer- und Herstellergenauigkeiten (in %) der Maximum Likelihood- Klassifikation im Untersuchungsgebiet Schleswig-Holstein Nutzer- und Herstellergenauigkeiten (in %) der Maximum Likelihood- Klassifikation im Untersuchungsgebiet Sachsen Nutzer- und Herstellergenauigkeiten (in %) für die Umsetzung der CORINE Land Cover-Klassifikation in den Untersuchungsgebieten Schleswig-Holstein und Sachsen B.1 Technische Daten Landsat 7 und IRS-P6 (verändert nach Kramer 2002 [31]) 111 B.2 Klassifikationsgüte der Maximum Likelihood-Klassifikation im Untersuchungsgebiet Schleswig-Holstein (Sensor ETM+) VII

10 Tabellenverzeichnis B.3 Klassifikationsgüte der Maximum Likelihood-Klassifikation im Untersuchungsgebiet Schleswig-Hostein (Sensor LISS3) B.4 Klassifikationsgüte der Maximum Likelihood-Klassifikation im Untersuchungsgebiet Sachsen (Sensor ETM+) B.5 Klassifikationsgüte der Maximum Likelihood-Klassifikation im Untersuchungsgebiet Sachsen (Sensor LISS3) B.6 Klassifikationsgüte der CORINE Land Cover-Klassifikation in Schleswig- Holstein Konfusionsmatrix Overall-Accuracy 90,154%; Kappakoeffizient 0, B.7 Klassifikationsgüte der CORINE Land Cover-Klassifikation in Sachsen Konfusionsmatrix Overall-Accuracy 88,8061%; Kappakoeffizient 0, C.1 Metadaten der Projekt-DVD (alphabetisch sortiert) VIII

11 Abkürzungsverzeichnis Abkürzungsverzeichnis ACRES AdV ATCOR ATKIS AWIFS A/D CCD CORINE CLC DFD DLM DLR EEA EIONET ERTS ESA ETC-TE ETM+ EU EVI EW FE FerGI GIS IBA IDL IGFOV IHS IRS ISODATA ISRO JRC LISS LUCAS MODIS Australian Centre for Remote Sensing Arbeitsgemeinschaft der Vermessungsverwaltungen der Länder der Bundesrepublik Deutschland ATmospheric CORrection Amtliches Topographisch-Kartographisches Informationssystem Advanced Wide Field Sensor Analog/Digital Charge Coupled Device CoORdination of INformation on the Environment CORINE Land Cover Deutsches Fernerkundungsdatenzentrum Digitales Landschaftsmodell Deutsches Zentrum für Luft- und Raumfahrt e.v. European Environment Agency European Environment Information and Observation Network Earth Resources Technology Satellite European Space Agency European Topic Centre on Terrestrial Environment Enhanced Thematic Mapper plus Europäische Union Enhanced Vegetation Index) Einwohner Fernerkundung Fernstudienmaterialien Geoinformatik Geographisches Informationssystem Internationale Bauausstellung Interface Definition Language Instantaneous Geometric Field of View Intensity, Hue, Saturation (Farbmodell) Indian Remote Sensing Satellites Iterative Self-Organizing Data Analysis Technique Algorithm Indian Space Research Organisation Joint Research Centre Linear Imaging Self Scanner Land Use/Cover Area frame statistical Survey Moderate Resolution Imaging Spectroradiometer IX

12 Abkürzungsverzeichnis NIR Nahes Infrarot (0,7 µm - 1 µm) NASA National Aeronautics and Space Administration NDVI Normalized Difference Vegetation Index OK Objektartenkatalog PHARE Poland and Hungary: Aid for Restructuring of the Economies PVI Perpendicular Vegetation Index Prod.A Producer Accuracy RGB Red Green Blue (Farbmodell) ROI Region of Interest SA Sachsen SAVI Soil Adjusted Vegetation Index S-H Schleswig-Holstein SLC Scan Line Correction SNR Signal Noise Ratio SPOT System Probatoire d Observation de la Terre SVM Support Vector Machine SWIR Short Wave Infrared (1 µm - 7 µm ) TIR Thermales Infrarot (10,4 µm - 12,5 µm) TK25 Topographische Karte 1 : UBA Umweltbundesamt User.A User Accuracy USGS United States Geological Survey UTM Universal Transverse Mercator VIS Visible (sichtbares Licht; 0,4 µm - 0,7 µm) WGS84 World Geodetic System 1984 X

13 Kapitel 1 Einführung 1.1 Einleitung und Zielstellung der Arbeit Informationen über die Landnutzung und Landbedeckung sind in den verschiedensten Anwendungsbereichen, beispielsweise in der Politik, der Planung sowie im Umweltschutz, notwendige Grundinformationen. Das europäische Programm CORINE Land Cover (engl.: CoORdination of INformation on the Environment), im Folgenden CLC, hat die Bereitstellung von einheitlichen, und damit vergleichbaren Daten der Bodenbedeckung, respektive Landnutzung für Europa mit dem Anwendungsschwerpunkt Umwelt zur Aufgabe. Seit 1990 erfolgt alle zehn Jahre eine Aktualisierung, um mögliche Veränderungen im Rahmen der EU-Richtlinien detektieren und bewerten zu können. Die Grundlage für CORINE Land Cover 2000 lieferte der standardisierte Image Datensatz. Der für den Image2000 -Datensatz verwendete Satellitensensor (ETM+) Landsat 7 weist seit 2003 einen Defekt der SLC (Scan Line Correction) auf, welche die Vorwärtsbewegung der Satellitenplattform ausgleichen soll. Die daraus resultierenden zeilenweisen Bildausfälle machen den Satelliten für weitere Anwendungen nur eingeschränkt nutzbar. Aufgrund ähnlicher Sensorcharakteristik kommen die Satellitensensoren SPOT 4/5 bzw. LISS3 (IRS-P6) als mögliche Alternativen in Frage. Für diese Arbeit wurde, aufgrund der Möglichkeit der Datenbereitstellung von IRS-P6 Daten durch das Deutsche Fernerkundungsdatenzentrum (DFD) in Neustrelitz im Rahmen des Scientific-Datapool-Programmes, der LISS3-Sensor ausgewählt. Die Diskussion der Vergleichbarkeit der Satellitensensoren ETM+ (Landsat 7) und LISS3 (IRS-P6) stellt einen ersten Schwerpunkt der Arbeit dar. Die bisherige Erstellung von CLC erfolgte durch die rechnergestützte visuelle Interpretation (Bossard 2000 [7]). Dabei wurde auf diverse Hilfsmittel wie TK25, Orthophotos etc. zurückgegriffen (Nunes de Lima 2005 [36]). Die Geometrie orientiert sich an den existierenden CLC1990-Objektgrenzen. Um den hohen manuellen Ressourcenaufwand zu optimieren, gehen die Bestrebungen in Richtung einer Automatisierung. Mit deren Hilfe soll die Gefahr eines inkonsistenten Datensatzes aufgrund einer Vielzahl von Interpreten minimiert und 1

14 Kapitel 1. Einführung das Ergebnis objektiv und reproduzierbar generiert werden. Da pixelorientierte Klassifikationsverfahren aufgrund der Komplexität des CORINE Land Cover-Klassifikationsschlüssels, der neben den Klassen der Bodenbedeckung auch Klassen der Landnutzung enthält, schnell an ihre Grenzen stoßen, soll die Umsetzung durch objektorientierte Verfahren erfolgen. Der Vorteil von objektorientierten Verfahren besteht darin, dass Segmente (Bildobjekte) die Merkmalsträger (im Gegensatz zu Pixeln bei pixelorientierten Verfahren) darstellen. Diese Segmente tragen stabilere statistische und strukturelle Merkmale und haben einen geringer korrelierenden Merkmalsraum aufgrund der Zuhilfenahme von Größen- und Formmerkmalen sowie topologischer Beziehungen (Benz 2004 [5]). Ein weiterer Vorteil liegt im Verschwinden des Salz und Pfeffer -Effektes und der stabileren Klassifikation von Objekten (Blaschke 2000a [6]). Vor allem für die Umsetzung der funktionalen Klassen in CORINE Land Cover werden Zusatzinformationen benötigt. Für Deutschland bietet sich das Amtliche Topographisch-Kartographische Informationssystem (ATKIS) als Merkmalsträger an. 1.2 Aufbau der Arbeit/Methodik Die Arbeit gliedert sich in vier Teile: 1. Theoretische Grundlagen und Stand der Forschung, 2. Vergleich von ETM+ (Landsat 7) und LISS3 (IRS-P6), 3. Umsetzung von CORINE Land Cover durch objektorientierte Verfahren, 4. Diskussion der Ergebnisse. Der erste Teil beinhaltet die theoretischen Grundlagen sowie den aktuellen Stand der Forschung und gibt einen Überblick zum bearbeiteten Thema. Im zweiten Teil erfolgt die Gegenüberstellung der Satellitensensoren ETM+ (Landsat 7) und LISS3 (IRS-P6) und stellt den ersten Schwerpunkt der Arbeit dar. Dies geschieht zum einen anhand ihrer Sensorparameter (Charakteristik), zum anderen anhand der Ergebnisse einer überwachten Klassifikation mit identischen Trainingsgebieten. Die Klassifikationsergebnisse werden mit Hilfe von Validierungsdaten (nach Congalton [9]) überprüft. Dabei werden folgende Fragen beantwortet: Sind die Satellitensensoren ETM+ (Landsat 7) und LISS3 (IRS-P6) in ihrer Charakteristik und der erreichten Klassifikationsgüte vergleichbar? Zeigt die Klassentrennbarkeit vergleichbare Ergebnisse für die Satellitensensoren? 2

15 1.3. Datengrundlage Wie verhalten sich beide Sensoren bei Veränderungen der Trainingsgebietanzahl? Der dritte Teil behandelt die Umsetzung von CORINE Land Cover durch objektorientierte Verfahren der zweite Schwerpunkt der Arbeit. Die Umsetzung der CORINE Land Cover-Klassen erfolgt mit Hilfe des Softwareproduktes Definiens Developer Earth (Version 5.08). Die Segmentierung und der Aufbau des Regelwerks sowie die Klassifikation erfolgen in diesem Programm am Beispiel des Untersuchungsraumes Schleswig-Holstein. Die Ergebnisse werden anschließend exportiert und in der Fernerkunungssoftware ENVI einer Klassifikationsgütevalidierung unterzogen. Die Untersuchungen zur Übertragbarkeit des Regelwerks erfolgen anhand der LISS3-Szene aus Sachsen. Die notwendigen Arbeitsschritte für die Anpassung der Klassifikationsregeln werden dokumentiert. Folgende Fragen können dabei herausgegriffen werden: Welche Möglichkeiten bietet die objektorientierte Klassifikation für die Umsetzungen von CORINE Land Cover? Welche CORINE Land Cover-Klassen können umgesetzt werden? Welche Zusatzinformationen werden dafür benötigt? Wie hoch ist die Stabilität des Regelwerks, um eine Übertragbarkeit auf andere Szenen zu gewährleisten? Im vierten Teil werden die Ergebnisse diskutiert. Ein Fazit und Ausblick schließen die Arbeit ab. 1.3 Datengrundlage Die Datengrundlage für die Arbeit bilden je zwei Landsat 7 ETM+ (Image2000 -Datensatz) und IRS-P6LISS3- Satellitenbildszenen, die Teile von Schleswig-Holstein und Sachsen überdecken. Die Daten mussten vor ihrer Verwendung Arbeitsschritten der Vorprozessierung unterzogen werden. Neben der Atmosphärenkorrektur für alle Szenen mit dem Programm ATCOR (Richter 2005 [45]) wurden die LISS3-Daten auf Basis des Image2000 -Datensatzes zusätzlich georeferenziert. Weiterhin wurden ein MODIS-Datensatz (EVI / Enhanced Vegetation Index) aus den Jahren 2004/05 sowie thematische und geometrische Informationen aus ATKIS-Daten verwendet. 1.4 Benutzte Software Für die Erstellung der Arbeit kamen verschiedene Softwareprodukte zum Einsatz. Neben Definiens Developer Earth (Version 5.08) und ENVI 4.2, wurden weiterhin das Softwarepaket ArcGIS 9.1 (ESRI) und das Klassifikationsframework gnosis für die Umsetzung der Arbeit verwendet. 3

16 Kapitel 1. Einführung 4

17 Kapitel 2 Theoretische Grundlagen und Stand der Forschung Dieses Kapitel soll die theoretischen Grundlagen dieser Arbeit in kompakter Form darstellen und dem fachfremden Leser helfen, spätere Arbeitsschritte zu verstehen. 2.1 Das Prinzip der Fernerkundung Der Begriff Fernerkundung Die Entstehung der Fernerkundung geht zurück in die Mitte des 19. Jahrhunderts, als der französische Fotograf Felix Tournachon Aufnahmen von Paris aus einem Ballon machte. Die Entwicklung der Stereoskopie ermöglichte es, Luftbilder photogrammetrisch auszuwerten. Der Begriff remote sensing,im deutschen mit Fernerkundung übersetzt, wurde in den 60er Jahren mit der Entwicklung der Raumfahrt in den Vereinigten Staaten von Amerika geprägt. In dem Begriff Fernerkundung sind neben der Datenaufnahme und Datenauswertung auch die Aufnahmeplattformen eingeschlossen. Heute versteht man unter dem Begriff Fernerkundung die kontaktlose Gewinnung von Informationen über Art und Eigenschaften entfernter Objekte (Albertz 2001 [1]). Der Begriff Fernerkundung beschreibt die Gesamtheit aller Methoden, die das kontaktlose wissenschaftliche Beobachten und Erkunden eines Gebietes aus der Ferne (Löffler et al [37]) erlauben. Die Datenaufnahme erfolgt mit Hilfe von passiven oder aktiven Fernerkundungssystemen. Passiv bedeutet in diesem Zusammenhang, dass der Empfänger das von der Sonne ausgesendete, an der Erdoberfläche reflektierte Signal aufzeichnet. Aktive Systeme arbeiten mit eigenem Sender und Empfänger und nutzen somit eine künstliche Strahlungsquelle. Die Anwendungsmöglichkeiten für Teilbereiche der Fernerkundung gestalten sich heute vielfältig und reichen von der Politik und Planung, Landschaftsökologie, Forstwirtschaft, über die Geologie bis hin zu meteorologischen Fragestellungen. 5

18 Kapitel 2. Theoretische Grundlagen und Stand der Forschung Physikalische Grundlagen Elektromagnetische Strahlung Das Grundprinzip der Fernerkundung beruht auf elektromagnetischer Strahlung, die entweder direkt ausgesendet oder reflektiert wird. Die wichtigste Energiequelle in der Fernerkundung stellt die Sonne dar. Die von der Sonne ausgesendete Strahlung variiert in ihrer Intensität und der spektralen Zusammensetzung. Gekennzeichnet wird die elektromagnetische Strahlung durch die Frequenz ν und die Wellenlänge λ. Die Gesamtheit der vorkommenden Wellenlängen wird als elektromagnetisches Spektrum bezeichnet (vgl. Abbildung 2.1). Das Spektrum kann in verschiedene Bereiche unterteilt werden, die teilweise ineinander übergehen oder sich überlappen. Abbildung 2.1: Elektromagnetisches Spektrum (Quelle: Albertz 2001 [1]) Wie zuvor erwähnt, wird innerhalb der Fernerkundung zwischen aktiven und passiven Systemen unterschieden. Die beiden Systeme nutzen unterschiedliche Bereiche des elektromagnetischen Spektrums. Für die passiven Fernerkundungssysteme werden nur die Bereiche des sichtbaren Lichtes (0,4 bis 0,7 µm) und der Infrarotstrahlung, welche sich in nahes Infrarot (bis 1 µm), mittleres Infrarot (1 bis 7 µm) und fernes (thermales) Infrarot (ab 7 µm) unterteilen lässt, genutzt. Für aktive Fernerkundungssysteme ist die Mikrowellenstrahlung (1mm bis 1m) von Bedeutung. Diese Systeme senden selbst Strahlung aus, die von Objekten auf der Erde unterschiedlich stark reflektiert wird und von der Fernerkundungsplattform aufgezeichnet 6

19 2.1. Das Prinzip der Fernerkundung werden kann. Die auf einen Körper treffende elektromagnetische Strahlung kann von diesem reflektiert, absorbiert oder transmittiert werden. Dabei variieren diese Vorgänge je nach Beschaffenheit des Körpers (vgl. Abschnitt ) und der Wellenlänge der auftreffenden Strahlung. Die von einem Körper an seine Umwelt abgegebene Strahlung wird durch das KIRCH- HOFFsche Gesetz definiert und besagt, dass der Emissionsgrad gleich dem Absorptionsgrad ist. Der Emissions- und Absorptionsgrad sind wellenlängenabhängig. Die weiteren Gesetzmäßigkeiten der Fernerkundung können durch das STEFAN-BOLTZMANN-Gesetz, das PLANCKsches Strahlungsgesetz und das WIENsches Verschiebungsgesetz beschrieben werden. Das STEFAN-BOLTZMANN-Gesetz gibt an, welche Strahlungsleistung von einem schwarzen Körper (idealer Strahler) einer bestimmten Fläche und absoluter Temperatur emittiert wird. Dabei ist die Strahlleistung des schwarzen Körpers proportional zur 4. Potenz seiner absoluten Temperatur. Das PLANCKsche Strahlungsgesetz beschreibt die Intensität und Verteilung der elektromagnetischen Energie in Abhängigkeit von ihrer Wellenlänge, die von einer idealen Strahlungsquelle bei einer bestimmten Temperatur abgestrahlt wird. Das WIENsche Verschiebungsgesetz gibt an, bei welcher Wellenlänge ein nach dem PLANCKschen Strahlungsgesetz strahlender schwarzer Körper die größte Strahlungsleistung abgibt. Dabei verkleinert sich die Wellenlänge, bei der die maximale Energie emittiert wird, proportional mit steigender Temperatur Atmosphärische Beeinflussung der Strahlung Bevor die elektromagnetische Strahlung an CCD-Sensoren (Charged Coupled Device) über Analog/Digital-Wandler (A/D-Wandler) in elektrische Signale umgewandelt und gespeichert werden kann, muss die elektromagnetische Strahlung auf dem Weg von der Sonne zur Erdoberfläche und zurück zum Empfänger zweimal die Atmosphäre durchqueren. Die Strahlung kann auf dem Weg durch die Atmosphäre absorbiert, reflektiert/gestreut oder transmittiert werden (vgl. Abbildung 2.2). Die Durchlässigkeit der Atmosphäre ist durch den Transmissionsgrad gekennzeichnet. Dieser ist innerhalb der Atmosphäre wellenlängenabhängig. Vor allem kurzwellige Strahlung wird stärker absorbiert als langwellige. Verantwortlich für die Absorption sind in der Atmosphäre enthaltenes Wasser und Spurengase wie Kohlendioxid, Ozon, Stickstoff und Sauerstoff. Aus diesem Grund sind nur bestimmte Wellenlängenbereiche, so genannte atmosphärische Fenster (vgl. Abbildung 2.1), innerhalb der Atmosphäre für die Fernerkundung nutzbar. In den kurzwelligen Bereichen bis hin zum fernen Infrarot des elektromagnetischen Spektrums wirken Wolken in der Atmosphäre als besonders störend. Die spektrale Empfindlichkeit der Sensoren beschränkt sich daher auf die atmosphärischen Fenster. Eine Besonderheit bilden Mikrowellen, für die die Atmosphäre vollständig durchlässig ist. Aus diesem Grund liefern diese wetterunabhängige 1 Detaillierte Erläuterungen sind z. B. Albertz 2001 [1] oder Lillesand und Kiefer 1994 [35] zu entnehmen. 7

20 Kapitel 2. Theoretische Grundlagen und Stand der Forschung Informationen. Die Reflexion innerhalb der Atmosphäre erfolgt an kleinen Materieteilchen (Aerosole, Molekühle und Wasserteilchen) und ist, je nach Art und Größe dieser, wellenlängenabhängig und unterschiedlich stark. Aufgrund dieser Eigenschaften entstehen Rayleigh-Streuung und Mie-Streuung. Die Mie-Streuung ist die Streuung von Lichtstrahlen an Aerosolpartikeln. Die Partikel, die die Rayleigh-Streuung verursachen, sind deutlich kleiner. Die Rayleigh- Streuung ist im Gegensatz zur Mie-Streuung stärker wellenlängenabhängig und für das Himmelblau und Abendrot verantwortlich. Das Himmelblau entsteht durch die stärkere Streuung von kurzwelliger Strahlung in der Atmosphäre. In den Abendstunden wird aufgrund eines längeren Strahlungsweges durch die Atmosphäre auch Strahlung größerer Wellenlängen (orange-rot) gestreut, so dass der Himmel rot erscheint. Aufgrund der genannten Vorgänge in der Atmosphäre wirkt neben der direkten Sonnenstrahlung auch die diffuse Himmelsstrahlung auf das Objekt am Boden. Die beschriebenen Vorgänge in der Atmosphäre verursachen eine Manipulation der reflektierten Strahlung auf dem Weg vom Objekt zum Sensor. Diese Veränderungen sind besonders für automatische Klassifikationen störend und sollten eliminiert werden (vgl. Abschnitt 3.2.1). Abbildung 2.2: Absorption und Streuung in der Atmosphäre (Quelle: Albertz 2001 [1]) Materialeigenschaften Die Objekte auf der Erdoberfläche verhalten sich gegenüber der auftreffenden Strahlung sehr unterschiedlich. Dabei hängen die Reflexionseigenschaften stark von den materialbzw. objektspezifischen Besonderheiten und den Aufnahmebedingungen ab. Zu den Materialeigenschaften zählen neben dem physikalischen Zustand auch die Oberflächenrauhigkeit. Weiterhin ist die Höhe und der Einfallswinkel der Sonne auf das Objekt wichtig. 8

21 2.1. Das Prinzip der Fernerkundung Aus diesem Grund ist neben den Materialeigenschaften auch der Aufnahmezeitpunkt von großer Bedeutung. Jedes Objekt auf der Erdoberfläche bietet aufgrund seiner Reflexionseigenschaften einen charakteristischen Verlauf der Reflexionskurve, die als spektrale Signaturen bezeichnet wird. Das Wissen über diesen Verlauf ist von großem praktischen Nutzen (Albertz 2001 [1]). Die Abbildung 2.3 zeigt den charakteristischen Verlauf von Vegetation, Boden und Wasser. Abbildung 2.3: Spektrale Signaturen (Vegetation, Wasser, Boden) (Quelle: Albertz 2001 [1]) Grüne Pflanzen zeigen beispielsweise beim Übergang von sichtbarem Licht zum nahen Infrarot einen sehr charakteristischen Anstieg der Reflexionskurve. Diese kann Auskunft über Art, aber auch den Zustand der Vegetation geben. Verursacht wird dieser charakteristische Kurvenverlauf aufgrund der stärkeren Absorption von blauem und rotem Licht gegenüber grünem Licht innerhalb der chlorophyllhaltigen Blattpigmente. Infrarote Strahlung wird im Gegensatz dazu innerhalb der Zellwände mehrfach gespiegelt und zu einem hohen Anteil reflektiert (Albertz 2001 [1]). Das Reflexionsverhalten zeigt über den Jahresverlauf der verschiedener Vegetationsarten charakteristische Veränderungen (z. B. Saisonalität). Diese periodisch wiederkehrenden Erscheinungen werden auch mit dem Begriff Phänologie bezeichnet. Die spektrale Signatur von Gesteinen und offenem Boden ist stark von den folgenden Materialeigenschaften abhängig: Oberflächenrauhigkeit, Eisenanteil im Boden, mögliche Vegetationsbedeckung und dem Wassergehalt im Boden. Die Auswirkungen verschiedener Eigenschaften können stark miteinander korrelieren (z. B. Bodenmaterial und Oberflächen- 9

22 Kapitel 2. Theoretische Grundlagen und Stand der Forschung rauhigkeit). Vor allem mit zunehmender Bodenfeuchtigkeit nimmt die Reflexion über dem Spektralbereich ab. Detaillierte Untersuchungen der Einflussfaktoren von Gesteinen können Kronberg (1985) [33] entnommen werden. Wasser zeigt kompliziert zu erfassende Reflexionsverhältnisse, die je nach Tiefe, Gewässersohle, organischer oder anorganischer Schwebstoffe und den Einstrahlungsverhältnissen stark variieren können. Die Reflexion findet fast ausschließlich im Bereich des sichtbaren Lichtes statt und hat ein Maximum im blauen Bereich bei einer Wellenlänge zwischen 0,42 µm und 0,49 µm (vgl. Abbildung 2.3) Satellitenbilddaten Satellitenbilddaten liegen als eine Matrix von Bildelementen (engl.: picture element oder in Kurzform Pixel genannt) mit zugewiesenen Grauwerten vor. Ein Grauwert beschreibt mit einem Zahlenwert die einem Bildelement zugeordnete die Helligkeit. Um diese Daten auswerten zu können, müssen sie in geometrisch korrekter Form vorliegen. Für die visuelle Interpretation ist weiterhin eine kontrastreiche und thematisch angepasste Darstellung erforderlich. Die Grundlage für die Extraktion von Informationen aus Fernerkundungsdaten bietet die digitale Bildverarbeitung. Die darin enthaltenen Prozesse kann man unterteilen in: geometrische Korrekturen, radiometrische Transformationen, Verfahren der Bildverbesserung (Image Enhancement). Geometrische Korrekturen dienen vor allem dazu, Verzerrungen des Aufnahmesystems oder des Gelängereliefs zu korrigieren, sowie der Einpassung in ein geodätisches Referenzsystem. Die radiometrischen Transformationen sollen störende Einflüsse beseitigen oder reduzieren, die während der Datenaufnahme oder Übertragung entstanden sind. Von besonderem Interesse sind hierbei die atmosphärischen Einflüsse (z. B. Dunst oder Schleierwolken) und mögliche Streifenstrukturen bei zeilenweise arbeitenden Aufnahmesystemen. Die Bildverbesserungsverfahren dienen dem Informationsgewinn und/oder der verbesserten Darstellung für die visuelle Interpretation. Die Methoden beinhalten Verbesserungen der Detailerkennbarkeit und Kontrastverbesserung anhand verschiedener Filteroperationen. Weiterhin gehören die Kombination von verschiedenen Bildkanälen und Datensätzen sowie die Transformation des Farb- und Merkmalsraums zu den Verfahren der Bildverbesserung. 10

23 2.2. Fernerkundungsplattformen 2.2 Fernerkundungsplattformen In diesem Abschnitt werden die Techniken der Fernerkundungsplattformen näher beschrieben und die Grundlagen der Satellitensysteme Landsat und IRS erläutert Allgemeine Grundlagen Der Grundstein der Satellitenfernerkundung wurde in den 70er Jahren des 20. Jahrhunderts gelegt. Im Jahr 1972 startete der erste Landsat Satellit (damals noch ERTS - Earth Resources Technology Satellites) ins All. Heute existieren eine Vielzahl von unterschiedlichen Satellitenplattformen, mit unterschiedlichen Auflösungsvermögen, die in den verschiedensten Bereichen, wie z.b Umweltforschung und Kartographie, Anwendung finden. Allgemein muss zwischen zwei Fernerkundungsplattformen unterschieden werden: geostationäre Satelliten und polarnahe sonnensynchrone Satelltitenplattformen. Geostationäre Satelliten haben eine feste Position auf einer Umlaufbahn in einer Höhe von ca km über der Erdoberfläche. Diese Satellitenplattformen beobachten permanent (bzw. mit sehr kurzer zeitlicher Auflösung <1 h) den gleichen Ausschnitt der Erde. Die polarnahen sonnensychronen Satellitenplattformen umkreisen hingegen die Erde auf einer deutlich niedrigeren Umlaufbahn in einer Höhe von 600 bis 900 km. Sonnensynchron bedeutet, dass der Äquator immer zur gleichen Ortszeit überflogen wird, um möglichst ähnliche Beleuchtungsverhältnisse zu haben. Dabei wird meist eine Zeit am Vormittag gewählt, um die Aufnahme nicht durch zusätzlichen Smog oder Dunst zu verschlechtern. Die Dauer, die der Satellit benötigt, um das identische Gebiet wieder zu überfliegen, beträgt je nach Satellitenplattform zwischen 10 und 20 Tagen Aufnahmeparameter Die Aufnahmesysteme unterscheiden sich neben ihrer Flugbahn vor allem durch ihre räumliche, spektrale, radiometrische und temporale Auflösung. Die geometrische Auflösung gibt die Größe des in einem Pixel enthaltenen Bodenausschnittes wieder. Dabei wird zum Beispiel bei einer geometrischen Auflösung von 1 m, eine Fläche von 1x1 m in einem Pixel wiedergegeben. Die geometrische Auflösung wird auch als IGFOV (Instantaneous Geometric Field of View) bezeichnet und ist in der Realität nicht konstant. Der IGFOV ist von mehreren Einflussfaktoren abhängig: die Höhe über Grund, der Blickwinkel (Entfernung vom Nadir) und die Sensorcharakteristik. Die erforderliche minimale geometrische Auflösung ist von der Art der Anwendung abhängig. In städtischen Bereichen oder für die Detektion von Einzelhäusern wird eine hohe Auflösung verwendet, Wald oder landwirtschaftliche Strukturen dagegen werden auch bei von geringeren Auflösungen noch identifiziert. Linienhafte Objekte sind teilweise auch bei einer geringeren Auflösung aufgrund der kognitiven Eigenschaften des menschlichen Betrachters erkennbar. Die radiometrische Auflösung gibt die Anzahl der maximalen unterscheidbaren Grauwerte 11

24 Kapitel 2. Theoretische Grundlagen und Stand der Forschung an. Zum Beispiel entsprechen 7 bit = 2 7 (128) und 8 bit = 2 8 (256) verschiedenen Grauwerten. Die spektrale Auflösung bestimmt, neben der geometrischen Auflösung, die möglichen Anwendungsbereiche. Dabei gibt die spektrale Auflösung an, für welche Bereiche des elektromagnetischen Spektrums (vgl. Abbildung 2.1 auf S. 6) der Sensor empfindlich ist. Die temporale Auflösung gibt die Zeitspanne an, in der ein Satellit das selbe Gebiet wieder überfliegt bzw. aufnehmen kann. Es existieren einige Fernerkundungssensoren z. B. IKONOS, die die Möglichkeit bieten, durch ein Schwenken des Aufnahmesystems Gebiete außerhalb des Nadir aufzunehmen und damit die temporale Auflösung auf 1-3 Tage zu reduzieren Aufnahmesysteme Es existieren drei verschiedene Typen von Aufnahmesystemen. Nachfolgend werden nur die beiden Satelliten auf polarnahen sonnensynchronen Umlaufbahnen näher betrachtet, da in dieser Arbeit nur diese Bilddaten genutzt werden. Für detailliertere Informationen über Aufnahmesysteme von geostationären Satelliten wird auf Fachliteratur (z. B. Capderou 2005 [8] oder Kramer 2002 [31]) verwiesen. Die Aufnahmesysteme lassen sich unterteilen in opto-mechanische und opto-elektronische Scanner. Opto-mechanische Scanner benutzen rotierende Spiegel oder Prismen, um die Erdoberfläche abzuscannen. Dabei liegt die Scannzeile schräg zur Flugrichtung. Die erfasste Strahlung wird durch Filter oder Prismen in ihre spektralen Bestandteile des sichtbaren Lichts (VIS), des nahen Infrarot (NIR), des mittleren Infrarot (SWIR) und des thermalen Infrarot (TIR) zerlegt und anschließend den Detektoren zugeführt, in denen die Umwandlung in elektrische Signale erfolgt. Danach erfolgt die Transformation an Analog/Digital-Wandlern in ein digitales Signal, das aufgezeichnet oder direkt zur Empfangsstation auf der Erdoberfläche gesendet wird. Stets werden mehrere Scanzeilen gleichzeitig aufgenommen (vgl. Abbildung 2.4(a)). Nachteile von opto-mechanischen Scannern sind die Abnutzung der mechanischen Bauteile, die gestörte Zeilengeometrie (Panoramaverzerrung und Zeilenschiefe), ein schlechtes Signal-Rausch-Verhältnis und damit eine schlechte radiometrische Auflösung. Beispiele für opto-mechanische Scanner sind Landsat 5 und Landsat 7. Bei opto-elektronischen Scannern erfolgt die Bildaufnahme mit Hilfe von zeilenweise angeordneten CCD-Sensoren (Charge Coupled Device). Für jeden Bildpunkt muss ein Detektor zur Verfügung stehen. Durch die Eigenbewegung des Satelliten wird bei entsprechender Aufnahmefrequenz ein Geländestreifen zeilenweise abgebildet. Eine multispektrale Aufnahme kann durch mehrere Reihen von CCD-Sensoren erreicht werden (vgl. Abbildung 2.4(b)). Ein Vorteil von opto-elektronischen Scannern ist, dass keine mechanischen Teile erforderlich sind. Weiterhin ergibt die simultane Aufnahme einer ganzen Zeile günstigere geometrische Bildeigenschaften. Ein Nachteil besteht darin, dass die Detektoren eine 12

25 2.2. Fernerkundungsplattformen (a) opto-mechanischer Scanner (b) opto-elektronischer Scanner Abbildung 2.4: Aufnahmesysteme (Quelle: Albertz 2001 [1]) gleiche Empfindlichkeit aufweisen müssen und damit eine regelmäßige Nachkalibrierung erfolgen muss. Opto-elektronische Scanner finden Anwendung in SPOT (Satellite Pour l Observation de la Terre) und IRS (Indian Remote Sensing Satellite) Landsat 7 Landsat 7 ist der aktuell siebte Satellit der Landsat-Serie und seit 1999 im operationalen Einsatz. Betrieben wird der Satellit von der NASA (National Aeronautics and Space Administration) und dem USGS (U.S. Geological Survey). Landsat 7 befindet sich auf einer polarnahen Umlaufbahn, die gegenüber dem Äquator um 98,2 geneigt ist. Die Flughöhe beträgt 705 km und eine Erdumrundung dauert 98,8 Minuten. Die Wiederholrate die Zeit, die der Satellit benötigt, bis er sich wieder über dem selben Gebiet befindet beträgt 16 Tage. Die geometrische sowie spektrale Auflösung wurde gegenüber den Vorgängermodellen verbessert. Zu den Veränderungen zählen ein zusätzlicher panchromatischer Kanal mit einer geometrischen Auflösung von 15 m sowie die Verbesserung der geometrischen Auflösung des thermalen Kanals auf 60 m. Die geometrische Auflösung der multispektralen Kanäle beträgt 30 m. Die spektrale Auflösung erstreckt sich mit acht Kanälen über den Bereich des sichtbaren Lichts (VIS) über das nahe Infrarot (NIR), zwei Bereiche des mittleren Infrarot (SWIR) bis zum thermalen Infrarot (TIR). Der panchromatische Kanal erstreckt sich direkt über den Bereich des sichtbaren Lichts bis zum nahen Infrarot (0,5 bis 0,9 µm). 13

26 Kapitel 2. Theoretische Grundlagen und Stand der Forschung Das Sensorsystem ETM+ (Enhanced Thematic Mapper plus) des Landsat 7-Satelliten besteht aus einem Rotations-Zeilen-Scanner. Das auftreffende Licht wird über einen rotierenden Prismenspiegel weiter zu den Detektoren geleitet und dort gespeichert. Die Daten des ETM+ können über das USGS in drei verschiedenen Prozessierungstufen erworben werden. Seit dem Defekt des Scan Line Corrector (SLC) im Jahr 2003 ist die Qualität der Bilddaten von ETM+ stark eingeschränkt. Der SLC war für den Ausgleich der Vorwärtsbewegung der Satellitenplattform verantwortlich. Durch den Defekt kommt es bei der Aufnahme zu linienweisen Bildausfällen. Es besteht zwar die Möglichkeit, diese mit zeitnahen Aufnahmen aufzufüllen, eine fernerkundliche Auswertung ist aber nur noch bedingt möglich IRS-P6 Der indische Satellit IRS-P6 Resourcesat-1 startete im Oktober 2003 auf eine polarnahe sonnensynchrone Umlaufbahn. Betrieben wird der Satellit von der Indian Space Research Organisation (ISRO). IRS-P6 ist bereits der zehnte Satellit der Serie (bei fünf erfolgreichen Missionen) seit Die Flughöhe beträgt 817 km bei einer Inklination (Neigung der Flugbahn gegenüber dem Äquator) von 98,7. Dabei beträgt die Wiederholrate 24 Tage. An Bord des Satelliten befinden sich drei verschiedene Aufnahmesysteme LISS4, LISS3 und AWiFS. Die hochauflösende Kamera LISS4 (Linear Imaging Self Scanner) mit einer geometrischen Auflösung von 5,8 m, besitzt drei spektrale Bänder im Bereich des sichtbaren Lichtes und des nahen Infrarot. Die Kamera kann entweder im multispektralen oder im panchromatischen Modus aufnehmen und besitzt die Möglichkeit zur stereoskopischen Auswertung. Der LISS3-Sensor besitzt eine geometrische Auflösung von 23,5 m. Die spektrale Auflösung erstreckt sich über vier Bänder vom Bereich des sichtbaren Lichtes über das nahe Infrarot bis hin zum kurzwelligen Infrarot. Die Kamera AWiFS (Advanced Wide Field Sensor) hat eine geometrische Auflösung von 56 m (Nadir) bis 70 m und die gleiche spektrale Auflösung wie LISS3. Die Kamera besteht aus zwei optischen Modulen und kann einen Streifen von 740 km Breite (370 km je Modul) aufnehmen. Die Streifenbreite für LISS4 beträgt im panchromatischen Modus 70 km und im multispektralen Modus 23,9 km. LISS3 hat eine Streifenbreite von 141 km. Die radiometrische Auflösung beträgt für LISS3 und LISS4 je 7 bit und für AWiFS 10 bit. Eine Übersicht der Parameter bietet die Tabelle B.1 im Anhang. 2.3 CORINE Land Cover Die Aktualisierung von CORINE Land Cover stellt einen der Schwerpunkte dieser Arbeit. Dieser Abschnitt soll dazu dienen, einen Überblick über das CORINE Programm zu ge- 2 Eine ausführliche Beschreibung der verfügbaren Produkte befindet sich auf der Homepage des Australian Centre for Remote Sensing (ACRES) 14

27 2.3. CORINE Land Cover winnen. Das europäische Programm CORINE Land Cover (CoORdination of INformation on the Environment) hat die Bereitstellung von einheitlichen und damit vergleichbaren Daten der Bodenbedeckung respektive Landnutzung für Europa mit dem Anwendungsschwerpunkt Umwelt zur Aufgabe. Das Programm beschäftigt sich mit der Erstellung einer europaweiten Datenbasis anhand eines harmonisierten Klassifikationsschlüssels und einer einheitlichen Erfassungsmethode (Keil et al [29]). Die europaweite Ersterfassung erfolgte in den Jahren 1986 bis 1995 in den Ländern der EU sowie den Mitgliedsstaaten des Gemeinschaftshilfeprogramms für die Länder Mittelund Osteuropas (PHARE). Die erste Aktualisierung für das Jahr 2000 erfolgte zwischen 2002 und Das Ergebnis war neben einer Aktualisierung des Datenbestandes mit dem Bezugsjahr 2000 die Darstellung von Veränderungen gegenüber dem Bezugsjahr Um mögliche Veränderungen im Rahmen der EU-Richtlinien detektieren und bewerten zu können sowie um den Einfluss der Politik auf räumlicher Ebene detaillierter zu erfassen zu können, wurde der Aktualisierungszeitraum auf fünf Jahre verkürzt. Die kommenden Aktualisierungen finden 2006 und 2010 statt (EIONET 2006 [14]). Auf europäischer Ebene wird das Projekt von der Europäischen Umweltagentur (EEA) geleitet. Federführend wurde das deutsche Teilprojekt von CORINE Land Cover 2000 durch das Deutsche Fernerkundungsdatenzentrum in Oberpfaffenhofen im Auftrag des Umweltbundesamtes (UBA) durchgeführt Datengrundlage Image2000 Die Datengrundlage für CORINE Land Cover 2000 liefert der standardisierte Image Datensatz. Dieser Datensatz wurde vom Joint Research Center(JRC) in Ispra (Italien) aufgebaut und beinhaltet die verschiedenen Verarbeitungsstufen von der Datenakquise über die Orthorektifizierung und Projektion bis zum Erstellen der europäischen und nationalen Bildmosaike. Hierbei wurden Aufnahmen des Satellitensensors Landsat 7 ETM+ aus dem Jahr 2000 (± 1 Jahr) verwendet. Die Aufnahmen stammen zum überwiegenden Teil aus der Vegetationsperiode dieser Jahre (Nunes de Lima 2005 [36]). Durch die Bereitstellung der Datengrundlage durch das JRC steht eine einheitliche Datengrundlage für alle beteiligten Länder zur Verfügung Datenaufnahme CORINE Land Cover besteht aus 44 Landnutzungs- und Landbedeckungsklassen, die in drei Hierarchieebenen gegliedert sind. Die erste Hierarchieebene beinhaltet fünf Kategogien: 1. Bebaute Flächen, 15

28 Kapitel 2. Theoretische Grundlagen und Stand der Forschung 2. Landwirtschaftliche Flächen, 3. Wälder und Naturnahe Flächen, 4. Feuchtflächen, 5. Wasserflächen. Von diesen Klassen sind 37 in Deutschland vertreten. Eine Übersicht der CORINE Land Cover-Klassen für Deutschland befindet sich im Anhang A.1. Die detaillierte Beschreibung einzelner CLC-Klassen ist aus Bossard (2000 [7]) zu entnehmen. Die Mindesterfassungsfläche beträgt 25 ha und 5 ha für Flächennutzungsänderungen, der Erfassungsmaßstab ist 1: Die Mindestbreite für linienhafte Objekte beträgt 100 m. Neben Klassen der Landbedeckung (land cover), welche die Landoberfläche (bio-)physikalisch abbilden (z. B. Nadelwald), existieren auch Klassen der Landnutzung (land use), die den Raum funktional beschreiben (z. B. Industrie und Gewerbefläche, Sport und Freizeitanlagen). Dabei besteht ein Problem der Auswertung von Fernerkundungsdaten darin, dass die Landnutzung nur teilweise oder durch Zusatzinformationen identifizierbar ist (Meinel/Hennersdorfer 2002 [39]). Die Erstellung von CLC2000 erfolgte durch rechnergestützte visuelle Interpretation (Bossard 2000 [7]) und orientiert sich an den Objektgrenzen von CLC1990. Dabei wurde auf diverse Hilfsmittel wie z. B. TK25 und Orthophotos zurückgegriffen (Nunes de Lima 2005 [36]). Die angestrebte Klassifikationsgenauigkeit liegt bei 85 %. Um den bisher hohen manuellen Ressourcenaufwand der Kartierung zu mindern, gehen die Bestrebungen in Richtung einer Automatisierung 3. Dabei soll ein inkonsistenter Datensatz durch subjektive Entscheidungen einer Vielzahl von Interpreten minimiert und das Ergebnis objektiv und reproduzierbar generiert werden. Die Abbildung 2.5 stellt einen deutschlandweiten Überblick von CORINE Land Cover 2000 dar. Probleme in CLC2000 bestanden vor allem in der Zuweisung von Ackerland und Grünland. Dabei hing die Interpretation stark vom Aufnahmezeitpunkt ab (Keil et al [28]). Auf eine detailliertere Darstellung von CLC2000 soll an dieser Stelle, aufgrund der großen Anzahl von existierenden Veröffentlichungen verzichtet werden. Der interessierte Leser kann diese unter anderem aus Keil et al [28], Nunes de Lima 2005 [36], EEA 1997 [12] oder EEA und ETC-TE 2002 [13] entnehmen Ausblick CORINE Land Cover 2006 Für das geplante CLC2006 sollen an den Aufnahmeregelungen (Maßstab und Mindestgröße) sowie dem Klassifikationsschlüssel keine Änderungen vorgenommen werden. Die Datengrundlage liefert ein Image2006 -Datensatz, der in Kooperation von ESA, JRC und den national verantwortlichen Einrichtungen erstellt wird. Dieser besteht aus 90 Satellitenszenen des SPOT 4- und SPOT 5-Satelliten sowie 35 Szenen des IRS P6 LISS3-Sensors. 3 Veröffentlichungen von T. Esch et al., S. Haubrock u. R. Lessing und T. Wehrmann in UBA 2004 [41] 16

29 2.3. CORINE Land Cover Abbildung 2.5: CLC2000 (Quelle: Keil 2005 [28]) 17

30 Kapitel 2. Theoretische Grundlagen und Stand der Forschung Der Aufnahmezeitpunkt liegt in der Vegetationsperiode des Jahres 2006 ± 1 Jahr. Um die Unterscheidbarkeit der Vegetationsklassen zu erleichtern, werden bi-temporale Datensätze zur Verfügung gestellt. Die Dauer der Erstellung des Datensatz ist für 1,5 Jahre geplant. Die Anzahl der teilnehmenden Länder hat sich von 28 auf 38 erhöht. Die europäische Umweltagentur (EEA) möchte den Schwerpunkt von CLC2006 auf die Detektion der Veränderungen legen, wogegen die Bestrebungen der nationalen Projekträger zu einem flächendeckenden CLC-Datensatz gehen. Die Auswertung erfolgt weiterhin mit Hilfe von rechnergestützter visueller Interpretation anhand der Geometrie des CLC2000-Datensatzes. Unterstützend werden LUCAS- Projektdaten(Land Use/Cover Area frame statistical Survey) zur Verfügung gestellt. Der Kick off-workshop für CORINE 2006 findet Ende Juni 2007 in Koppenhagen statt (EIO- NET 2006 [14]). 2.4 ATKIS Das Amtliche Topographisch-Kartographische Informationssystem ATKIS ist ein Projekt der Arbeitsgemeinschaft der Vermessungsverwaltungen der Länder der Bundesrepublik Deutschland (AdV) und stellt die grundlegende digitale topographische Datenbasis in Deutschland dar. Die einheitliche Beschreibung des Bundesgebietes erfolgt auf Basis von Digitalen Landschaftsmodellen (DLM). Das ATKIS-Projekt besteht aus verschiedenen DLM (Basis-DLM, ATKIS-OK50, ATKIS-OK250, ATKIS-OK1000) mit unterschiedlicher Detaildichte des Objektartenkatalogs (OK) und Generalisierungen. Die Daten liegen im Vektorformat vor und beinhalten neben der Zuweisung von Objekten auch beschreibende Attribute und Relationen (AdV 2003 [3]). Das Basis-DLM stellt die Grundlage für die weiteren Digitalen Landschaftsmodelle und findet aufgrund der besseren Informationsverfügbarkeit in dieser Arbeit Verwendung. Nach der Ersterhebung zwischen 1993 und 2000 erfolgen die Aktualisierungen anhand von digitalen Orthophotos im Maßstab 1: Die Maßstabsbereiche des Basis-DLM liegen zwischen 1: und 1:25.000, bei einer Genauigkeit von ± 3 m. Die Aktualisierung der Daten ist gesetzlich geregelt. Aktuell wird die dritte Realisierungsstufe umgesetzt. Hierbei wurde der Objektartenkatalog auf 189 Objektarten und sieben Objektbereiche (Präsentation, Siedlung, Verkehr, Vegetation, Gewässer, Relief und Verwaltungseinheiten) festgelegt 4. Die Fortschreibung der Daten erfolgt in unterschiedlichen Aktualisierungsstufen. Hochaktuelle Daten liegen für Bereiche der Infrastruktur vor. Da die Aktualisierung nur schrittweise erfolgt und in dem Kompetenzbereich der Landesvermessungsämter fällt, sind diese von Region zu Region sehr unterschiedlich. Die geometrische und thematische Qualität der Daten nimmt aufgrund der Aktualisierung und Weiterentwicklung des Objektkatalogs immer 4 Realisierungsstufe 1: 61 Objektarten, fünf Objektbereiche; Realisierungsstufe 2: 116 Objektarten, sechs Objektbereiche 18

31 2.5. Pixel- und objektorientierte Klassifikationsverfahren weiter zu (AdV 2003 [3]). 2.5 Pixel- und objektorientierte Klassifikationsverfahren In diesem Abschnitt werden die Unterschiede und Gemeinsamkeiten der pixel- und objektorientierten Klassifikationsverfahren vorgestellt. Unter Klassifikation versteht man die Zuweisung bestimmter Elemente zu einer Klasse (z. B. Acker, Siedlung) anhand der vorhandenen Klassenbeschreibung. Die Klassenbeschreibung speichert die typischen Eigenschaften einer Klasse. Dabei werden die Elemente nur der Klasse zugeordnet, deren Beschreibung sie entsprechen. Der Hauptunterschied der beiden Klassifikationsverfahren liegt im Merkmalsträger (Pixel oder Segment). Pixelbasierte Verfahren nutzen nur die spektralen Informationen (Farbe/Textur) der Bildobjekte, wogegen objektbasierte Verfahren zusätzliche Informationen (Größe, Form oder Nachbarschaften) zur Beschreibung der entsprechenden Klassen verwenden. Neben den spektralen Bilddaten können auch Zusatzdaten, z. B. Ratiobilder, Höhendaten oder Texturbilder, in einen Klassifikationsprozess einbezogen werden Pixelbasierte Klassifikationsverfahren Wie bereits im Abschnitt erläutert, weisen verschiedene Objekte unterschiedliche Reflexionscharakteristika auf, die zur Unterscheidung genutzt werden. Innerhalb eines n-dimensionalen Merkmalsraums (vgl. Abbildung 2.6) kann man die Streuung der spektralen Eigenschaften für verschiedene Objektklassen darstellen. Diese treten als Punktwolken auf, die sich berühren, teilweise auch überlagern können. Aus diesem Grunde sollten bei pixelbasierten Klassifikationsverfahren Spektralbereiche so ausgewählt werden, dass sie die zu trennenden Objektklassen möglichst gut beschreiben. Zusätzlich müssen geeignete Datenvorverarbeitungsverfahren eingesetzt werden, um zuverlässige Ergebnisse zu erhalten (Albertz 2001 [1]). Bevor verschiedene Objektklassen unterschieden werden können, müssen Vorabinformationen der Klassen gesammelt werden. Es stehen dafür zwei verschiedene Verfahren zur Verfügung: die unüberwachte und die überwachte Klassifikation Unüberwachte Klassifikationsverfahren Unüberwachte Klassifikationsverfahren, z. B. Cluster oder ISODATA-Verfahren (Iterative Self-Organizing Data Analysis Technique), arbeiten anhand statistischer Parameter. Diese unterteilen das Bild automatisch in eine definierte Anzahl von Klassen anhand von spektralen Ähnlichkeiten. Die Bedeutung der entstehenden Klassen ist zunächst nicht bekannt und erfolgt nachträglich durch den Bearbeiter. Das Verfahren wird zumeist angewendet, um das 19

32 Kapitel 2. Theoretische Grundlagen und Stand der Forschung Abbildung 2.6: Spektraler Merkmalsraum (Quelle: Albertz 2001 [1]) Potential des Datensatzes und damit die statistische Unterscheidbarkeit der gewünschten Klassen zu überprüfen und dient der Vorbereitung von überwachten Klassifikationsverfahren. Dabei zeigt sich die mögliche Trennbarkeit der Klassen oder aber das Vorhandensein von Unterklassen Überwachte Klassifikationsverfahren Für überwachte Klassifikationsverfahren werden Referenzpixel benötigt, deren Objektklassen vorab bekannt sind. Diese werden als Trainingsgebiete bezeichnet. Die Anzahl der für die Klassenbeschreibung notwendigen Trainingsgebiete ist unterschiedlich und richtet sich nach der Daten- und Klassencharakteristik. Bei schwer trennbaren oder stark heterogenen Klassen muss versucht werden, die Klassen in Unterklassen zu zerlegen, um die Varianz innerhalb der Klasse und damit die Überlappung mit anderen Klassen zu vermeiden. Die Zuweisung der Objektklassen kann mit Hilfe verschiedener parametrischer (z. B. Minimum Distance, Maximum Likelihood) und nicht-parametrischer Verfahren (z. B. Parallelepiped, Support Vector Machine oder Hierarchische Verfahren) erfolgen. Parametrische Verfahren nutzen die Kenntnis der statistischen Verteilung der Klassen im Merkmalsraum. Im Gegensatz dazu trennen nicht-parametrische Verfahren unabhängig von der statistischen Verteilung anhand von Mustern und Gesetzmäßigkeiten. Das Maximum Likelihood-Verfahren (Verfahren der größten Wahrscheinlichkeit) berechnet anhand statistischer Kenngrößen der interaktiv ausgewählten Trainingsgebiete die Wahrscheinlichkeiten, mit denen einzelne Pixel dieser Klasse zugeordnet werden. Dabei wird vorausgesetzt, dass die Reflexionswerte eines Objektes nicht willkürlich im Mermalsraum verteilt sind, sondern annähernd der Gauß schen Normalverteilung entsprechen(vgl. Abbil- 20

33 2.5. Pixel- und objektorientierte Klassifikationsverfahren Abbildung 2.7: Pixelbasierte Klassifikationverfahren (Quelle: Krause 1988 [32]) dung 2.7). Einen schematischen Überlick des Arbeitsschritte pixelbasierter Klassifikationsverfahren gibt Abbildung 2.8. Für detaillierte Erläuterungen der anderen Verfahren sei an dieser Stelle auf die Literatur verwiesen (z. B. Lillesand und Kiefer 1994 [35]) Hierarchische Klassifikationsverfahren Hierarchische Klassifikationsverfahren nehmen eine Sonderrolle ein. Sie unterscheiden sich vor allem dadurch, dass die Zuweisung nicht in einem einmaligen Vorgang, sondern über eine Folge iterativer Schritte erfolgt. Dabei wird, wie in Abbildung 2.9 dargestellt, in Einzelschritten zwischen zwei bis drei Hauptklassen unterschieden, welche wiederum in weitere Einzelklassen zerlegt werden können. Ein großer Vorteil liegt in der zielgerichteten Kanaloder Komponentenauswahl für die einzelnen Zuweisungsschritte. In den jeweiligen Stufen können dabei neben spektralen und nicht spektralen Datensätzen auch vielfältige Trennfunktionen bzw. -merkmale, wie z. B. Originalkanäle, Ratiobilder oder Hauptkomponenten, zur Anwendung kommen (Albertz 2001 [1]). Der Informationsträger bei diesen Verfahren ist das Pixel. Da dieses isoliert betrachtet wird, erhält man in Abhängigkeit von der Objektoberfläche meist ein sehr heterogenes Klassifikationsergebnis. Dieses entsteht aufgrund der Mischpixelproblematik. Dabei fallen je nach Auflösung verschiedene Bodenobjekte in ein Bildobjekt (Pixel). Diese Bodenobjekte beeinflussen die spektrale Signatur des Pixels und bilden ein künstliches spektrales Profil. Die entstandene spektrale Signatur kann einer anderen Objektklasse ähneln und dieser bei der Klassifikation zugeordnet werden. Da bei pixelbasierten Verfahren die Kontextinformationen außer Acht gelassen werden, entsteht der sogenannte Salz 21

34 Kapitel 2. Theoretische Grundlagen und Stand der Forschung Abbildung 2.8: Ablauf der pixelbasierten Klassifikationverfahren und Pfeffer -Effekt (Blaschke 2000a [6]). Den Vergleich des Klassifikationsergebnisses einer Maximum Likelihood-Klassifikation und eines objektorientierten Klassifikationsverfahren zeigt Abbildung Bei höher auflösenden Satellitensensoren besteht das Auflösungsparadoxon darin, dass in Abhängigkeit der Objektgröße und Auflösung des Sensors zwar die Mischpixelproblematik reduziert und somit eine bessere Objektabgrenzung möglich macht. Dies verursacht allerdings eine erhöhte Heterogenität innerhalb der Objekte (Schiewe et al [48]). Die Verknüpfung der Fernerkundung mit der menschlichen Bildwahrnehmung stellt das Grundprinzip der objektorientierten Klassifikationsverfahren. Ein menschlicher Interpret verarbeitet anhand seines a-priori-wissens Muster und Texturen auf verschiedenen Maßstabsebenen Objektbasierte Klassifikationsverfahren Grundprinzip Pixelbasierte Verfahren nutzen nur einen geringen Teil des zur Verfügung stehenden Merkmalsumfangs für die Klassifikation, in der Regel Farbe und Textur, und stoßen damit zunehmend an ihre Grenzen (Schiewe 2003 [47]). In Zusammenhang mit hoch auflösenden Satellitendaten rücken bei der Bildinterpretation Merkmale wie räumliche Muster und Abhängigkeiten sowie Formmerkmale weiter in den Mittelpunkt des Interesses. 22

35 2.5. Pixel- und objektorientierte Klassifikationsverfahren Abbildung 2.9: Hierarchische Klassifikation (Quelle: Albertz 2001 [1]) Objektorientierte Verfahren haben ihre Grundlagen in der Wahrnehmungsforschung und versuchen die Arbeitsweise des menschlichen Interpreten nachzuempfinden. Dabei orientieren sie sich stark an der kognitiven Bildwahrnehmung. Nach Goldstein 2002 [21] wird in Erweiterung des Ansatzes von Marr 1982 [38] davon ausgegangen, dass neben der eigentlichen Wahrnehmung auch die im Gedächtnis gespeicherten Informationen zum Erkennen von Objekten benutzt werden. Dabei kann der Vorgang je nach Verarbeitungsrichtung als bottom-up - oder top-down -Ansatz betrachtet werden. Parallelen bestehen zur von Haralick und Shapiro (1985) stammenden Computer Vision (Machine Vision) [24]. Abbildung 2.11 zeigt die Analogien der kognitiven Bildwahrnehmung und der Interpretation von Fernerkundungsdaten. Die objektorientierten Verfahren bestehen aus drei Teilschritten: Segmentierung, Aufbau einer Klassenhierarchie und der Klassifikation. Diese Teilschritte werden im Folgenden näher beschrieben Verfahren Bevor Merkmale aus einer Fernerkundungsszene entnommen werden können, müssen vorab zusammenhängende, nicht überlappende Segmente gebildet werden. Den Ausgangspunkt bilden die Grundregeln der Wertähnlichkeit und des Nachbarschaftsprinzips. Die Wertähnlichkeit besagt, dass ein Objekt bezüglich eines oder mehrerer Parameter homogen ist und sich anhand dieser Eigenschaft zu benachbarten Regionen signifikant abgrenzt (Fer- GI2007 [16]). Das Nachbarschaftsprinzip nach Tober 1970 [50] geht von der Hypothese aus, je näher Raumelemente beieinander liegen, desto wahrscheinlicher können sie als zusam- 23

36 Kapitel 2. Theoretische Grundlagen und Stand der Forschung (a) LISS3 (b) Ergebnis der Maximum Likelihood-Klassifikation (c) Ergebnis der objektorientierten Klassifikation Abbildung 2.10: Beispiel einer pixel- und objektorientierten Klassifikation mengehörig betrachtet werden 5. Für die Objektgenerierung stehen verschiedene Segmentierungsverfahren zur Verfügung. Dabei unterscheidet man grundsätzlich zwischen punkt-, kanten- und regionenbasierten Verfahren. Bei punktbasierten Verfahren kommen globale Schwellwertoperationen zum Einsatz. Die Auswahl des Schwellenwertes erfolgt statisch oder dynamisch auf Basis von Histogramminformationen. Vorteile dieses Verfahrens liegen in dem schnellen Auffinden der Parameter, wobei das Verfahren für die Fernerkundung nur beschränkt nutzbar ist, da die unterschiedliche Ausleuchtung für identische Objekte und die Heterogenität von Oberflächenklassen unterschiedliche Grauwerte verursachen. Kantenbasierte Verfahren beschreiben die Segmente anhand der Umrisslinien. Dabei wird davon ausgegangen, dass an den Grenzbereichen signifikante Grauwertsprünge entstehen. Die Kanten können über Gradientfilter 6 gefunden und zu Segmenten zusammengefasst werden. Große Probleme entstehen bei Bildern mit geringer geometrischer und radiometrischer Auflösung oder bei einem ungünstigen Signal-Rausch-Verhältnis. Regionenbasierte Verfahren kann man unterteilen in Regionenteilungsverfahren (region splitting) und Regionenwachstumsverfahren (region growing). Regionenteilungsverfahren arbeiten nach dem top-down -Prinzip und unterteilen ein Bild so lange in Untersegmente, bis alle Pixel innerhalb eines Segmentes ein bestimmtes Homogenitätskriterium erfüllen. Nachteilig ist, dass diese Verfahren zur Übersegmentierung neigen und aufgrund der Aufteilung in vier Unterelemente teilweise nicht die tatsächliche Raumverteilung wiedergeben. Regionenwachstumsverfahren repräsentieren das bottom-up -Prinzip. Dabei werden ausgehend von so genannten Saatpunkten anhand eines Homogenitätskriteriums noch nicht 5 Tobler s first law of geography [50] 6 Sucht richtungsabhängigen Grauwertsprünge durch Kernelfilter. 24

37 2.5. Pixel- und objektorientierte Klassifikationsverfahren Abbildung 2.11: Abläufe der Interpretation von Fernerkundungsdaten und kognitive Wahrnehmung (Quelle: Schiewe 2003 [47]) zugeordnete Nachbarpixel dem Segment hinzugefügt. Das Segment wächst, bis das Homogenitätskriterium nicht mehr erfüllt und ein neues Segment gebildet wird. Der Nachteil dieses Verfahrens liegt in der willkürlichen Auswahl der Saatpixel, wodurch es zu unterschiedlichen Segmentgrößen kommen kann. Eine Übersicht der Grundlagen von Segmentierungsverfahren sind z. B. aus Jähne 2005 [27] oder Halle 1999 [22] zu entnehmen. Das Problem der Segmentierung entsteht aufgrund der unterschiedlichen Möglichkeiten, geographische Regionen zu unterteilen. Die Segmentierung ist von den Bilddaten abhängig. Je nach Bildinhalt müssen unterschiedliche Homogenitätsparameter gewählt werden, um Teilbereiche möglichst gut zu repräsentieren 7. Aus diesem Grund muss die Parameterauswahl nach dem Trial-and-Error-Prinzip erfolgen. Durch Variation der Skalierungsparameter kann versucht werden, den geographischen Gegebenheiten der jeweiligen Szene Rechnung zu tragen. Diese mehrskalige Vorgehensweise hat den Vorteil unterschiedliche Merkmale aus verschiedenen Generalisierungsstufen ableiten zu können. Die Abbildung 2.12 zeigt die unterschiedliche Objektrepräsentation in verschiedenen Skalierungsebenen. 7 Modifiable Areal Unit Problem (MAUP) Openshaw 1984 [43] 25

38 Kapitel 2. Theoretische Grundlagen und Stand der Forschung (a) LISS3 (b) Ebene 1 Skalierungsfaktor 10 (c) Ebene 2 Skalierungsfaktor 15 Abbildung 2.12: Objektrepräsentation in unterschiedlichen Segmentierungsebenen Nach der Segmentierung muss eine objektklassenspezifische Selektion der Merkmale stattfinden. Dabei wird versucht, die Merkmale zu finden, die eine Objektklasse signifikant von anderen Objektklassen unterscheidet. Art und Umfang der vorhandenen Merkmale können je nach Datengrundlage variieren. Die Merkmale werden wie folgt unterteilt: radiometrische und spektrale Merkmale, geometrische Merkmale (Form, Größe), temporale Merkmale (Phänologie), kontextbezogene Merkmale (Nachbarschaften, Strukturen), thematische Merkmale (aus Zusatzlayern). Anhand dieser Merkmale kann eine Klassenhierarchie aufgebaut werden, auf der nachfolgend die Zuweisung der Bildobjekte zu den festgelegten Objektklassen erfolgt. Die Zuweisung selbst wird mit Hilfe von Regeln der Fuzzy-Logik unscharf vollzogen. Dabei werden die Segmente der im Regelsatz beschriebenen Klasse, für die die höhsten Zugehörigkeit besteht, zugewiesen. Die Anwendung objektorientierter Verfahren für fernerkundliche Zwecke ist z. B. in dem Softwarepaket Definiens Developer Earth umgesetzt. Eine nähere Vorstellung erfolgt in Abschnitt 4.1. Verschiedene Arbeiten zum Vergleich von objekt- und pixelorientierten Verfahren sind z. B. Neubert 2005 [42], Meinel et al [40], Koch et al [30] und Esch 2003 [15] zu entnehmen. Eine Übersicht der beschriebenen Verfahren gibt Tabelle Validierungsverfahren Die Beurteilung der Klassifikationsgüte erfolgt mit Hilfe von Validierungsverfahren, in der englischsprachigen Literatur als Accuracy Assessment bezeichnet. Mit Hilfe dieser Verfahren wird die Klassenzugehörigkeit anhand von Referenzflächen oder Ground Truth -Daten 26

39 2.5. Pixel- und objektorientierte Klassifikationsverfahren Tabelle 2.1: Gegenüberstellung von Auswertungsverfahren (verändert nach Neubert 2005 [42]) Vergleichskriterien Visuelle Interpretation Klassifikationsverfahren pixelbasiertsche Ver- Hierarchi- Klassifikatiofahren Objektbasierte Verfahren Notwendige Eingangsdaten Bilddaten Bilddaten Bilddaten Bilddaten Haupteinflussfaktor auf die Qualiät Interpretenerfahrung Training Training Klassendefinition Nutzung von Nachbarschaftsbeziehungen ja ja 8 nein ja Nutzung von Texturen ja möglich möglich möglich Nutzung von Objekteigenschaften ja nein nein ja (außer spektrale Signatur) Trainingsaufwand sehr hoch mittel hoch mittel Automatisierungsgrad gering mittel mittel mittel Eignung für CORINE gut gering mittel gut überprüft. Dabei hat sich die Fehler- oder Konfusionsmatrix als Darstellungsstandard weitgehend durchgesetzt. Die Konfusionsmatrix zeigt nicht nur Richtig oder Falsch an, sondern verdeutlicht vorteilhaft in Zeilen und Spalten, welche Klassen falsch zugeordnet wurden. Die Suche und Anzahl der Referenzflächen der Klassen stellt eine schwierige Aufgabe dar. Die Referenzdaten müssen eine möglichst hohe Genauigkeit besitzen, um eine aussagekräftige Validierung zu gewährleisten. Die Anzahl der Validierungsgebiete sollte nicht zu klein gewählt werden, um statistische Aussagen zuzulassen. Congalton [9] schlägt eine Mindestanzahl von 50 Pixeln pro Klasse vor. Bei einer großen Klassenanzahl sollte die Anzahl auf 75 bis 100 erhöht werden. Alternativ können die Referenzflächen auch gewichtet und relativ zu ihrem Vorkommen ausgewählt werden. Weiterhin sollten die Referenzflächen in der gesamten Szene zufällig verteilt werden. Für die Darstellung der Validierung kommen meist Fehler- oder Konfusionsmatrizen zum Einsatz. Die Fehlermatrix enthält die Anzahl der Pixel in paarweisen Klassenkombinationen vom Klassifizierungsergebnis und der Referenzinformation. Die Konfusionsmatrix dient 8 Nur statisch mit Hilfe von Filtern möglich. 27

40 Kapitel 2. Theoretische Grundlagen und Stand der Forschung als Basis für die Beschreibung der Klassifikationsgüte und die detaillierte Charakterisierung des Fehlers. Aus diesen Informationen können verschiedene Parameter abgeleitet werden. Neben der Gesamtgenauigkeit Overall Accuracy sind dies die Nutzer- und Herstellergenauigkeiten User s und Producer s Accuracy, Einschlussfehler Error of Commission und Unterlassungsfehler Error of Omision sowie der KHAT oder Kappa-Koeffizient. Die Gesamtgenauigkeit gibt den korrekt klassifizierten Anteil der gesamten Stichprobe wieder. Der Unterlassungsfehler ist der Anteil einer Klasse bezogen auf den Referenzdatensatz, der im Klassifikationsergebnis nicht erfasst wurde. Der Einschlussfehler bezeichnet den Anteil einer Klasse, der fälschlicherweise in dieser Klasse enthalten ist. Die Nutzergenauigkeit gibt die Genauigkeit wieder, die sich dem Nutzer darstellt. Zum Beispiel bedeutet 80 % Nutzergenauigkeit, dass 80 % der Pixel als korrekt klassifiziert eingeschätzt werden. Der Einschlussfehler beträgt in diesem Fall 20 %. Die Herstellergenauigkeit gibt an, zu welchem Anteil die Realität richtig erfasst wurde. Eine Herstellergenauigkeit von 80 % bedeutet, dass gemäß Referenzdaten 80 % der Fläche im Klassifikationsergebnis enthalten sind. Daraus ergibt sich ein Unterlassungsfehler von 20 %. Der Kappa-Koeffizient gibt die Stärke des Zusammenhangs zwischen zwei nominal skalierten Variablen an, dabei wird die beobachtete Übereinstimmung in Beziehung zur erwarteten Übereinstimmung gesetzt. Die Werte reichen von 0 bei rein zufälliger Übereinstimmung bis 1 bei vollständiger Übereinstimmung (Gangkofner 1996 [20]). Die Annahme, dass Fehler nur in den Klassifikationsdaten nicht aber in den Referenzdaten auftreten, kann zu Fehleinschätzungen der Klassifikationsgüte führen. Fehler, die das Ergebnis verschlechtern können, sind Digitalisierungsfehler, eine schlechte geometrische Entzerrung, die Rasterung von Vektordaten in Übergangsbereichen (Mischpixel) oder unscharfe Klassifikationsschemata sowie unterschiedliche Klassendefinitionen der Referenzdaten. Foody 2002 [17] stellt fest, dass anhand der Konfusionsmatrix keine Aussage über die räumliche Verteilung der Klassifikationsfehler getroffen werden kann. Weitere Informationen zu den Fehlermatrizen und Qualitätsindizes sind unter Lillesand und Kiefer 1994 [35], Congalton 1991 [9] und Gangkofner 1996 [20] zu entnehmen. 2.6 Untersuchungsgebiete Geographische Abgrenzung Das Untersuchungsgebiet Schleswig-Holstein erstreckt sich über einen 90 x 40 km breiten Streifen quer über das Bundesland Schleswig-Holstein (vgl. Abbildung 2.13). 28

41 2.6. Untersuchungsgebiete Abbildung 2.13: Untersuchungsgebiet Schleswig-Holstein und Abdeckung der LISS3 Szene Geographisch betrachtet kann das Gebiet in drei naturräumliche Einheiten unterteilt werden. Im Westen befinden sich die Inseln, Watten- und Marschenküste der Nordsee, im mittleren Teil die niedere und hohe Geest und östlich anschließend das Schleswig-Holsteinische Hügelland. Klimatisch betrachtet befindet sich das Gebiet in den westwindgeprägten Mittelbreiten und hat aufgrund des schwachen Einflusses des Reliefs einen stark ozeanisch geprägten Klimacharakter. Das Vorkommen unterschiedlicher Bodenformationen deckt sich mit den verschiedenen naturräumlichen Einheiten. Die Böden im Bereich der Inseln, Watten- und Marschenküste sind stark von Grundwasser beeinflusst. Das Gebiet der niederen und hohen Geest ist dem Altmoränenland mit domierenden Podsol oder podsolierten und lessivierten Braunerden zugeordnet. Die eher trockenen unfruchtbaren Böden zeichnen sich verstärkt durch Grünlandnutzung aus. Das Schleswig-Holsteinische Hügelland gehört zu dem Jungmoränenland und wurde direkt von der letzten Eiszeit (Weichsel-Kaltzeit) überprägt. Parabraunerden und grundwasserbeeinflusste Gleye und Pseudogleye dominieren diesen Bereich. Diese deutlich nährstoffreicheren Böden sind stark ackerbaulich genutzt (Haversath 1997 [25]). Im Westen und Osten wird das Untersuchungsgebiet von der Nord- bzw. Ostsee begrenzt. Die größten Fließgewässer sind die Eider und der Nordostseekanal. Größere Binnengewässer sind der Westensee westlich von Kiel und Kleine und Große Breite bei Schleswig. 29

42 Kapitel 2. Theoretische Grundlagen und Stand der Forschung Der Raum Schleswig-Holstein kann mit 179 EW/km 2 als dünn besiedelt bezeichnet werden 9. Die bevölkerungsreichste Stadt mit Einwohnern 10 ist die Landeshauptstadt Kiel und befindet sich im Osten des Untersuchungsgebietes. Weitere größere Siedlungen sind Eckernförde, Schleswig, Husum und Rendsburg, welche Bevölkerungszahlen von weniger als Einwohner aufweisen. Die peripheren Bereiche des Untersuchungsgebietes sind nur dünn besiedelt. In Tabelle 2.2 sind die Eckkoordinaten der Untersuchungsräume widergegeben. Tabelle 2.2: Koordinaten der Untersuchungsgebiete linker oberer Ecke (UL) und rechter unterer Ecke (LR)(geographisch und nach lat/long) Schleswig-Holstein Sachsen UL ,47 E ,99 N ,44 E ,38 N E N E N LR ,64 E N ,10 E ,64 N E N E N Das Untersuchungsgebiet Sachsen erstreckt sich mit einem Streifen von 35 x 65 km über die zwei Bundesländer Sachsen und Brandenburg (vgl. Abbildung 2.14). Geographisch werden die Naturräume der Ober- und Niederlausitz sowie des Elbtales berührt. Großklimatisch betrachtet, befindet sich der Untersuchungsraum in einem Übergangsgebiet zwischen ozeanischen und kontinentalen Klimaeinflüssen. Dabei werden regionale Unterschiede vor allem durch orographische Gegebenheiten verursacht. Der gesamte Untersuchungsraum ist sowohl glazial als auch periglazial geprägt. Der Bereich des Elbtals ist ein stark glazial überprägtes Durchbruchstal, welches pedographisch von Gleyen und Pseudogleyen beeinflusst ist. Im mittleren Teil befindet sich eine kleiner Bereich der sächsischen Lößgefilde mit Schwarzerden, die stark ackerbaulich genutzt werden. Östlich daran anschließend befindet sich das Niederlausitzer Heideland mit Braun- und Parabraunerden. Der nördliche Teil des Untersuchungsgebietes (Brandenburg) ist geprägt von Braunkohletagebaugebieten, die bereits stillgelegt sind. Die Böden der Bergbaufolgelandschaften sind künstlich entstandene Oberböden mit leichten Sandsubstraten (Rother 1997 [46]). Die Gewässerstruktur ist innerhalb des Oberlausitzer Teichland geprägt von einer Vielzahl an Wasserkörpern. Diese waren lange Zeit Brauchwasserspeicher für die Braunkohlereviere. Durch Revitalisierung der Tagebaugebiete entsteht bis 2018 eines der größten zusammenhängenenden Seengebeite Mitteleuropas (IBA Fürst-Pückler-Land) 11. Das Gewässernetz folgt der nördlichen Abdachung. Die Elbe und die Schwarze Elster bil- 9 Bundesdurchschnitt 232 EW/km 2 10 Statistisches Bundesamt Deutschland - Gemeindeverzeichnis Stand 31.Dez

43 2.6. Untersuchungsgebiete Abbildung 2.14: Untersuchungsgebiet Sachsen und Abdeckung der LISS3-Szene den die größten Fließgewässer innerhalb des Untersuchungsraums. Im Süden des Untersuchungsgebietes befindet sich der Siedlungsbereich Dresden. Die Einwohnerdichte liegt im Dresdner Elbtal über 200 EW/km 2. Die nördliche Oberlausitz ist im Gegensatz dazu mit Einwohnerdichten von 0-40 EW/km 2 dünnbesiedelt. Um Senftenberg im nördlichen Teil des Untersuchungsraums kommt es in Folge des ehemaligen Braunkohletagebaus wieder eine Zunahme der Bevölkerungsdichte bis 180 EW/km 2. Tabelle 2.3 zeigt die Aufnahmeparameter der ETM+ (Landsat 7)- und LISS3 (IRS-P6)- Szenen für beide Untersuchungsräume. Tabelle 2.3: Aufnahmeparameter der ETM+ (Landsat 7)- und LISS3 (IRS-P6)-Szenen für Schleswig-Holstein (S-H) und Sachsen (SA) Aufnahmeparameter Landsat 7 ETM+ IRS-P6 LISS3 S-H SA S-H SA Projektion UTM Zone32N UTM Zone 33N UTM Zone 32N UTM Zone33N Ellipsoid WGS84 WGS84 WGS84 WGS 84 Path/Row 196/22 192/24 23/29 29/32 Pixelgröße (RAW) 30m 30m 23,5m 23,5m Aufnahmedatum Aufnahmezeit 10:13 09:47 10:41 10:14 Sonnenazimut [ ] 154,1 159,1 166,0 166,8 Sonnenwinkel [ ] 52,3 35,7 39,43 38,5 31

44 Kapitel 2. Theoretische Grundlagen und Stand der Forschung CORINE Land Cover innerhalb der Untersuchungsgebiete Deutschlandweit ist die Verbreitung der CORINE Land Cover-Klassen nicht einheitlich. Die Klassen mit den größten Flächenanteilen in Deutschland sind die Klasse 211 Nicht bewässertes Ackerland über 38 %, 312 Nadelwald mit fast 16 % und 231 Wiesen und Weiden mit nahezu 13 %. Danach folgen mit je ca. 6 % die Klassen 311 Laubwald, 313 Mischwald und 112 Nicht durchgängig stadtische Prägung (Keil et al [28]). Von den 37 in Deutschland vorkommenden CLC-Klassen sind 31 im Untersuchungsraum Schleswig-Holstein und 25 im Untersuchungsraum Sachsen vertreten. Tabelle 2.4 zeigt eine Übersicht der am häufigsten vorkommenden CLC-Klassen in beiden Untersuchungsgebieten. Innerhalb der Untersuchungsgebiete zeigen sich deutliche Unterschiede im Vorkommen und Häufigkeit der vorhandenen CORINE Land Cover-Klassen. Schleswig-Holstein prägen vor allem die landschaftlichen und klimatischen Gegebenheiten die vorhandene Landbedeckung. Der hohe Anteil an Grün- und Ackerland ist charkteristisch für die Szene von Schleswig-Holstein. Die Szene wurde ausgewählt, da die Trennung von Ackerflächen und Grünland in der CLC2000 große Probleme bereiteten und aufgrund laufender Projekte Referenzflächeninformationen zur Verfügung stehen. Der Untersuchungsraum Sachsen besitzt einen deutlich geringeren Anteil an Grün- und Ackerland. Das Gebiet ist geprägt durch einen hohen Waldanteil und einen großen zusammenhängenden Siedlungsbereich (Dresden). Vornehmlich soll anhand dieser Szene die Trennbarkeit der unterschiedlichen Waldtypen im Mittelpunkt stehen. 32

45 Tabelle 2.4: Vorkommen der häufigsten CORINE Land Cover-Klassen in den Untersuchungsräumen Schleswig-Holstein, Sachsen und Deutschland 33 CLC Schleswig-Holstein Sachsen Deutschland Anzahl Fläche [km 2 ] Anteil [%] Anzahl Fläche [km 2 ] Anteil [%] Anzahl Fläche [km 2 ] Anteil [%] ,99 4, ,96 10, ,34 6, ,40 0, ,60 2, ,35 0, ,53 29, ,46 34, ,03 38, ,98 36, ,54 4, ,48 12, ,45 4, ,57 2, ,37 5, ,76 0, ,72 2, ,46 2, ,78 2, ,22 1, ,15 6, ,83 1, ,92 25, ,19 15, ,87 1, ,44 5, ,66 6, ,58 0, ,36 1, ,75 0, ,67 1, ,96 0, ,36 2, ,61 1, ,15 0, ,46 7, ,94 0, Untersuchungsgebiete

46 Kapitel 2. Theoretische Grundlagen und Stand der Forschung 2.7 Definiens Developer Earth Die Umsetzung der objektorientierten Klassifikation erfolgt mit der Software Definiens Developer Earth. Die Software der Definiens AG stellte im Jahr 2000 die erste kommerziell vertriebene Software für segmentbasierte Klassifikation von Fernerkundungsdaten dar. Die objektorientierte Klassifikation läuft anhand der folgenden Arbeitsschritte ab: 1. Projektaufbau, 2. Segmentierung, 3. Aufbau Regelwerk, 4. Klassifikation, 5. Validierung und Export. Beispielhaft wird die Software anhand ausgewählter Arbeitsschritte im nächsten Abschnitt kurz zusammengefasst Segmentierung Der erste Arbeitsschritt einer objektorientierten Klassifikation ist die Segmentierung des Bildes in Bildobjekte, die noch ohne semantischen Inhalt sind. Das Programm stellt verschiedene Segmentierungsalgorithmen zur Verfügung. Neben der Schachbrett- und Quadtree-Segmentierung, die ein Bild je nach Bildinhalt in regelmäßige Vierecke unterteilt, soll die multiresolution segmentation im Mittelpunkt der Betrachtung stehen. Der multiresolution segmentation-algorithmus ist ein Optimierungsalgorithmus, der für eine definierte Auflösung die durchschnittliche Heterogenität über das gesamte Bild minimiert. Die Eingangsdaten können aus verschiedenen Sensoren, Kanälen und thematischen Layern gewichtet in die Segmentierung einfließen. Neben der Auswahl der Eingangsdaten besteht ferner die Möglichkeit, die Form der Segmente anhand verschiedener Parameter zu definieren. Der Scaleparameter gibt die maximal zulässige Heterogenität der Bildobjekte und damit indirekt die Größe der Bildobjekte an. Neben dem Skalierungsparameter (Scaleparameter) werden die Segmente weiterhin von der Composition of Homogeneity Criteria bestimmt. Diese können in die Parameter Farbe (Color) und Form (Shape) unterteilt werden. Das Formkriterium kann weiter in Glattheit (Smoothness) und Kompaktheit (Compactness) untergliedert werden (Definiens Developer Referenzbuch [10] S. 7 ff). Da die Güte der Segmentierung das Ergebnis der Klassifikation beeinflusst, ist die Parameterwahl für die optimale Erfassung der Bildobjekte wichtig. Dabei muss unterschiedlichen Oberflächenbedeckungen Rechnung getragen werden. Die Abgrenzung unterschiedlicher 34

47 2.7. Definiens Developer Earth Bildregionen ist wichtiger als die Größe der einzelnen Objekte (Definiens Developer Referenzbuch [10]). Eine mehrskalige Segmentierung mit unterschiedlichen Segmentierungsparametern kann dabei verschiedenen Oberflächenbedeckungen gerecht werden. Neue Segmentgrenzen orientieren sich immer an den bereits existierenden Grenzen. Durch das mehrskalige Vorgehen entsteht ein hierarchisches System, so dass auch Informationen aus den Nachbarbzw. Über- und Unterobjekten abgefragt werden können. Somit nähert sich das Verfahren stark an die visuelle Bildinterpretation (kognitives Sehen) an (Meinel und Hennersdorfer 2002 [39]) Klassifikation Die Klassifikation erfolgt mit einem hierarchisch aufgebautes Klassifikationsschema (Class Hierarchie). Für die Klassenbildung können verschiedene Objekt-, Klassen- oder Szeneneigenschaften ausgewählt werden. Zu den objektbezogenen Merkmalen zählen die Attribute der spektralen Kanäle, die Form, die Textur und die hierarchischen Merkmale sowie die Attribute der thematischen Layer. Klassenbezogene Merkmale beziehen sich auf eine durchgeführte Klassifikation der Bildobjekte. Hier können Beziehungen zu Nachbar-, Ober- oder Unterobjekten, aber auch zur Klassifikation selbst abgefragt werden. Die möglichen Abfragen betreffen das Vorkommen bestimmter Klassen, gemeinsame Grenzverläufe oder gemeinsame Flächenanteile. Szenenbezogene Merkmale beziehen sich auf die Eigenschaften der gesamten Szene, z B. wie bestimmte Bildobjekte zum Bildrand liegen. Weiterhin ist es möglich, eigene Merkmalsabfragen zu kreieren. Ausführliche Beschreibungen hierzu sind im Developer Earth Benutzerhandbuch [11] (S. 107 ff) zu entnehmen. Die Zuweisungsfunktion kann auf Basis von Trainingsgebieten bestimmt werden oder anhand einer Membership Function (vgl. Abbildung 2.15). Für die Kombination verschiedener Merkmale stehen unterschiedliche Operatoren zur Verfügung: and (min), and (*), or, mean (geom), mean (arithmetic). Die Beziehungen in der Klassenhierarchie stellen zwei unterschiedliche Vorgehensweise vor. Zum einen ist mit Inheritance das Vererben von Eigenschaften auf Unterklassen möglich. Eine zweite Möglichkeit stellt Group zum Erstellen von semantischen Gruppen dar. Nach der Klassendefinition erfolgt die eigentliche Zuweisung der Bildobjekte anhand der Klassenhierarchie. Die Klassifikation erfolgt überwacht und mit Hilfe der Fuzzy-Logik, bei 35

48 Kapitel 2. Theoretische Grundlagen und Stand der Forschung (a) Klassenbeschreibung der Klasse Vegetation (b) Membership-Funktion des Normalized Difference Vegetation Index (NDVI) Abbildung 2.15: Klassenbeschreibung und Membership-Funktion in Definiens Developer Earth dem eine Klasse nicht mit Ja(1) oder Nein(2) bestimmt wird, sondern mit einer Zuweisungsfunktion, die alle Werte zwischen 0 und 1 annehmen kann. Die Anwendung kann auf allen Segmentierungsebenen erfolgen, sofern dafür ein gültiges Klassifikationsschema existiert. Die Klassifikation selbst kann mit unterschiedlichen Klassifikationsalgorithmen erfolgen. Die Grundklassifikationsalgorithmen können dem Definiens Developer Referenzbuch [10] (S. 16 ff) entnommen werden. Die Möglichkeit einer Automatisierung und Übertragung ist anhand des Prozessbaums gegeben. In diesem kann der Ablauf und die Reihenfolge der Segmentierungs- und Klassifikationschritte festgelegt werden. Aufgrund der Exportmöglichkeit ist die Übertragbarkeit auf andere Projekte möglich. Der Export der Klassifikationsergebnisse kann im Rasteroder Vektorformat erfolgen mit zugehöriger Attributtabelle (Definiens Developer Referenzbuch [10] S. 39ff). Da die Validierung der Daten in dieser Arbeit nicht innerhalb des Programms erfolgte, wird diesbezüglich auf die Literatur bzw. die Benutzerhandbücher verwiesen. 36

49 2.7. Definiens Developer Earth Die Vorteile von Definiens Developer Earth gegenüber der Definiens Professional-Version liegen im erweiterten Funktionsumfang. Es besteht die Möglichkeit, durch Variablen und Schleifen deutlich flexiblere Regelwerke zu erstellt, die gleichzeitig die Übertragbarkeit verbessern. 37

50 Kapitel 2. Theoretische Grundlagen und Stand der Forschung 38

51 Kapitel 3 Vergleich von Landsat 7 - ETM+ und IRS-P6 - LISS3 Aufgrund des Defektes des Scan Line Correction (SLC)-Instruments, welches die Vorwärtsbewegung der Satellitenplattform ausgleicht, sind die Daten des Sensors Landsat 7 ETM+ nur noch bedingt nutzbar. Bei der Suche nach einer alternativen Aufnahmeplattform fallen die Parallelen zu SPOT 4 und IRS-P6 LISS3 ins Auge. Durch die Möglichkeit des Empfangs und der Bereitsstellung von IRS-P6-Daten durch die Empfangsstation des Deutschen Fernerkundungsdatenzentrums (DFD) in Neustrelitz wurde der IRS-P6-Sensor für die weiteren Untersuchungen ausgewählt. In dem folgenden Kapitel soll der Vergleich der beiden Satellitensensoren im Mittelpunkt stehen. Dieser erfolgt mit allgemeinen Sensorspezifikationen und anhand der Durchführung eines überwachten Klassifikationsverfahrens mit identischen Trainingsgebieten. 3.1 Allgemeine Spezifikationen Betrachtet man die allgemeinen Spezifikationen der beiden Fernerkundungssensoren, fallen die Ähnlichkeiten zwischen ETM+ und LISS3 schnell ins Auge (vgl. Tabelle B.1). Geringe Unterschiede bestehen jeweils in der spektralen, der geometrischen und der radiometrischen Auflösung. Die spektrale Auflösung von ETM+ (Landsat 7) umfasst im Gegensatz zu LISS3 (IRS-P6) einen zusätzlichen Kanal im mittleren Infrarot, sowie je einem weiteren Kanal für das thermale Infrarot und Blau. Der existierende panchromatische Kanal des ETM+-Sensors wurde in die Auswertung nicht einbezogen, da die geometrische Auflösung von 15 m zwar als Vorteil anzusehen ist, aber spektral keine zusätzlichen Informationen gewonnen werden. Für die visuelle Interpretation wurden verschiedene Verfahren zu Merging und Pan-sharpening untersucht. Da das Hauptaugenmerk der Arbeit auf objektorientierten Verfahren liegt, ist der zusätzliche Informationsgehalt nur bedingt nutzbar. Aus diesem Grund findet der pan- 39

52 Kapitel 3. Vergleich von Landsat 7 - ETM+ und IRS-P6 - LISS3 chromatische Kanal in der Auswertung keine Beachtung. Die geometrische Auflösung beläuft sich bei ETM+ auf 30 m und bei LISS3 auf 23,5 m. Bei dem Vergleich der Ausgangsdatensätze zeigt die höhere geometrische Auflösung von LISS3 vor allem in den städtischen Bereichen durch eine höhere Detailerkennbarkeit deutliche Vorteile. Des Weiteren zeigt sich in Übergangsbereichen zwischen unterschiedlichen Landbedeckungsklassen eine geringere Anzahl an Mischpixeln. Im vorliegenden Fall des Image2000 -Datensatzes wurden die Ausgangsdaten des ETM+ bereits auf 25 m resampled, wodurch der Unterschied der geometrischen Auflösung geringer ausfällt. Die radiometrische Auflösung unterscheidet sich um 1 bit bei ETM+ (8 bit) und LISS3 (7 bit). Der Unterschied von 1 bit entspricht 128 möglichen Grauwerten. Um die radiometrische Auflösung vergleichen zu können, wurde die dem Image2000 -Datensatz zugrunde liegende Originalszene genutzt. Der Grund für diese Maßnahme liegt zum einen in der geometrischen Verbesserung des Image2000 -Datensatz auf 25 m, zum anderen wurden an dem Datensatz nicht näher spezifizierte radiometrische Veränderungen vorgenommen, welche die visuelle Interpretation erleichtern sollen. Wie Abbildung 3.1 zeigt, nutzt der ETM+- Sensor die zur Verfügung stehende radiometrische Breite nur im nahen (NIR) und mittleren Infrarot (SWIR) annähernd im vollem Umfang aus. Die Kanäle des sichtbaren Lichts (VIS) verwenden dabei nur einen Bereich von ungefähr 7 bit, so dass der Unterschied zur radiometrischen Auflösung von LISS3 als vernachlässigbar angesehen werden kann. Ein direkter Vergleich der Kurven ist aufgrund der unterschiedlichen Aufnahmezeitpunkte und Sensorcharakteristik nicht möglich Signal-Rausch-Verhältnis Das Signal-Rausch-Verhältnis (SNR Signal Noise Ratio) stellt ein Maß für die am Sensor ankommende Strahlung, auch Signalvariation genannt, dar. Die Untersuchung erfolgte an den Ausgangsszenen, vor der Korrektur der Einflüsse der Atmosphäre. Die Messung der Grauwerte wurde in beiden Szenen in sehr hellen und sehr dunklen Bereichen innerhalb eines Fensters von 3x4 Pixeln durchgeführt. Als Indikator für das Rauschen wurde die Standardabweichung gewählt. Die ermittelten Zahlen geben Auskunft über das vorhandene Rauschen im Empfangssignal. Für den Untersuchungsraum Sachsen ist festzustellen, dass die Standardabweichung in den dunklen Bereichen für LISS3 Werte bis 1,1 annimmt. Die Werte für die Kanäle Grün, Rot und SWIR liegen mit 0,54 bzw. 0,44 deutlich unter diesem Wert. Für ETM+ liegt die Standardabweichung mit einem Maximum in den Kanälen Grün und Rot bei 1,1 und 1,3. Blau und NIR liegen bei 0,9, die beiden SWIR Kanäle und das TIR bei einem Wert von 0,67. Für die hellen Bereiche zeigt der LISS3 Sensor in den Kanälen Grün und Rot Werte um 5,3, NIR 4,2 und SWIR 2,7. ETM+ hat für die Grün- und Rot-Kanäle Werte um 5,5, NIR liegt ebenfalls bei 5,0. Die Werte für SWIR unterscheiden sich stark mit 10,44 für den 40

53 3.1. Allgemeine Spezifikationen (a) ETM+-Kanal 2 - LISS3-Kanal 1 (b) ETM+-Kanal 3 - LISS3-Kanal 2 (c) ETM+-Kanal 4 - LISS3-Kanal 3 (d) ETM+-Kanal 5 - LISS3-Kanal 4 Abbildung 3.1: Radiometrische Auflösung ETM+ und LISS3 Kanal 5 und 0,51 für den Kanal 7. Das TIR liegt bei 4,3. Im Untersuchungsraum Schleswig-Holstein umfasst die Standardabweichung für LISS3 in den dunklen Bereichen höhere Werte als in der Szene des Untersuchungsraums Sachsen. Der Grün-Kanal zeigt mit 0,64 eine vergleichbare Standardabweichung. Die Kanäle Rot und NIR liegen bei einem Wert um 1,1. Das SWIR hat in dieser Szene Werte von 2,1. Die Werte für ETM+ liegen vergleichbar mit denen der Szene des Untersuchungsraums Sachsen unter bzw. um 1,0. Die hellen Bereiche zeigen für alle LISS3-Kanäle eine Standardabweichung von unter 2. ETM+ zeigt ähnlich der Szene für den Untersuchungsraum Sachsen gleiche Werte für die Standardabweichung der einzelnen Kanäle, die zwischen 5 und 11 schwanken. Das geringere Rauschen des LISS3-Sensors kann vor allem auf die optoelektronische Aufnahmetechnik zurückgeführt werden. Ein direkter Vergleich der absoluten Werte ist aufgrund der unterschiedlichen Sensoreneigenschaften, Aufnahmezeitpunkte und Vorkalibrierungen nicht möglich. Die Unterschiede von LISS3 in den beiden Untersuchungsräumen sind auf eine verbesserte Vorverarbeitung durch den Distributor zurückzuführen. Eine Übersicht der Werte der Standardabweichung für beide Sensoren bietet Tabelle

54 Kapitel 3. Vergleich von Landsat 7 - ETM+ und IRS-P6 - LISS3 Tabelle 3.1: Werte der Standardabweichung in hellen/ dunklen Bereichen für die Kanäle des ETM+- und LISS3-Sensors in den Untersuchungsräumen Schleswig-Holstein und Sachsen Schleswig-Holstein Sachsen ETM+ LISS3 ETM+ LISS3 Kanal Dunkel Hell Dunkel Hell Dunkel Hell Dunkel Hell BLAU 1,03 6,46 0,97 2,47 GRÜN 0,45 8,45 0,64 1,09 1,07 5,50 0,45 5,24 ROT 0,87 13,71 1,09 2,49 1,27 5,50 0,55 5,37 NIR 0,40 5,70 1,15 1,56 0,90 4,98 1,10 4,20 SWIR1 0,52 6,56 2,08 1,91 0,67 10,45 0,55 2,66 SWIR2 0,00 2,61 0,67 0,52 TIR 0,93 11,52 0,67 4, Klassifikation In diesem Abschnitt soll untersucht werden, inwieweit sich die Unterschiede der beiden Sensorsysteme auf ein pixelorientiertes Klassifikationsverfahren auswirken. Dazu wurde nach einer notwendigen Datenaufbereitung ein unüberwachtes und ein überwachtes Klassifikationsverfahren angewandt und die Ergebnisse für beide Untersuchungsräume und Sensoren auf signifikante Unterschiede hin überprüft Datenaufbereitung Eine Aufbereitung der Daten ist notwendig, um eine vergleichbare Ausgangssituation der Eingangsdaten zu schaffen. Bei beiden Datensätzen wurde mit dem Programm ATCOR 12 eine Atmosphärenkorrektur durchgeführt. Diese dient dazu, die in Abschnitt dargestellten Beeinflussungen der am Sensor auftreffenden Strahlung auf dem Weg durch die Atmosphäre zu eliminieren und somit die wahren Reflexionswerte zu rekonstruieren. Die ETM+-Szenen aus Schleswig-Holstein und Sachsen stammen aus dem Image Datensatz. Sie liegen bereits georeferenziert und auf eine geometrische Auflösung von 25 m resampled vor. Die LISS3-Daten wurden auf Basis des Image2000 -Datensatzes georeferenziert. Für die Schleswig-Holstein-Daten wurde ein Destriping durchgeführt, um eine regelmäßige linienhafte Signalstörung am Sensor auszugleichen. Dieser Fehler war in den Daten der Szene aus Sachsen nicht vorhanden, bzw. wurde dieser Fehler vom Datendistributor vorab beseitigt. Beide Datensätze liegen in der Univeral Transverse Mercator (UTM) Projektion vor. Das geodätische Datum und das Ellipsoid ist World Geodetic System (WGS84). Alle Satellitenbildszenen wurden auf das benötigte Subset zugeschnitten. Um die Auswirkungen der 12 Richter 2005 [45] 42

55 3.2. Klassifikation fehlenden Kanäle (Blau, SWIR, TIR) zu überprüfen, wurde aus den Image2000 -Subsets ein auf die spektralen Kanäle von LISS3 reduziertes ETM-Bild (ETMresampled) berechnet Klassifikationsablauf Unüberwachte Klassifikation Bevor Trainingsgebiete für eine überwachte Klassifikation ausgewählt werden konnten, wurde eine unüberwachte Klassifikation durchgeführt. Ziel war es, spektral trennbare Klassen zu finden, die als Basisklassen die Grundlage für die überwachte Klassifikation zu bilden. Als unüberwachtes Klassifikationsverfahren wurde der K-Mean-Algorithmus verwendet. Dieses Verfahren trennt spektral, nach statistischen Merkmalen, eine vom Nutzer bestimmte Anzahl an Klassen. Es erfolgt eine willkürliche Verteilung von Saat-Punkte, die das Clusterzentrum bilden. Anschließend wird jedes Pixel einem Cluster zugeordnet und das Clusterzentrum neu berechnet. Im folgenden Arbeitsschritt kommt es zur erneuten Entnahme der Bildobjekte, welche daraufhin dem Clusterzentrum mit dem geringsten Abstand neu zugeordnet werden. Daraus resultiert eine Neuberechnung des Clusterzentrums. Dieser Vorgang wird so lange wiederholt, bis sich das Clusterzentrum stabilisiert hat, d.h. die Differenz zwischen dem alten und neuen Clusterzentrum unterhalb eines festgelegten Schwellwertes liegt (Lillesand und Kiefer 1994 [35]). Die unüberwachte Klassifikation wurde in den vorliegenden Fällen mit 25 Klassen durchgeführt. Die rein spektrale Klassentrennung stimmt häufig nicht mit den in der Realität vorkommenden Klassen überein, so dass die 25 Klassen anschließend zu zehn Basisklassen zusammengefasst wurden Überwachte Klassifikation Anhand der ermittelten Basisklassen erfolgte die Auswahl der Trainingsgebiete für die überwachte Maximum Likelihood-Klassifikation. Das Verfahren berechnet anhand statistischer Parameter die Wahrscheinlichkeiten mit denen ein Bildelement einer Klasse zugewiesen werden kann. Entscheidend für die Vergleichbarkeit der Ergebnisse beider Sensoren ist die Verwendung identischer Trainingsgebiete. Dabei muss gewährleistet sein, dass die Flächen über den Differenzzeitraum von fünf Jahren noch die gleiche Bodenbedeckung besitzen. Dazu wurden potentielle Referenzflächen anhand der spektralen Signatur in beiden Szenen verglichen. Es wurden für beide Untersuchungsgebiete ausgehend von den Basisklassen, zehn Grundklassen gebildet, welche aber aufgrund der unterschiedlichen geographischen Gegebenheiten in den Untersuchungsräumen nicht identisch sind. Eine Übersicht der Grundklassen für beide Untersuchungsräume bietet Tabelle 3.2. Für jede Klasse wurde eine Anzahl von mindestens 190 Trainingspixeln ausgewählt. Die Trainingsgebiete wurden aufgrund der unterschiedlichen geometrischen Auflösungen mit der ENVI-Funktion ROI reconcil map 43

56 Kapitel 3. Vergleich von Landsat 7 - ETM+ und IRS-P6 - LISS3 angepasst. Die Unterschiede in der Klassentrennbarkeit können in ENVI mit Hilfe der Funktion ROI Separability dargestellt werden. Die Berechnung erfolgt nach Jeffries-Matusita Distance und Transformed Divergence. Dabei wird die Klassentrennbarkeit durch eine Gegenüberstellung von zwei Klassen anhand der Ausgangsdaten bestimmt. Der Wertebereich liegt zwischen 0 und 2, wobei ab einem Wert von 1,9 von einer guten Trennbarkeit gesprochen werden kann. Die mathematischen Grundlagen hierzu sind z. B. in Richards und Jia 1999 [44] nachzulesen. Die Klassentrennbarkeit wurde nicht nur für die Originaldaten errechnet, sondern auch für das ETM+-Bild ohne den thermalen Infrarotkanal und für das auf die LISS3-Kanäle reduzierte Bild. Mit Hilfe dieser Informationen sollte der Einfluss der zusätzlichen Kanäle von ETM+ auf die Klassentrennbarkeit gezeigt werden. Die Ergebnisse sind im Anhang in der A.2 grafisch dargestellt und werden in Abschnitt diskutiert. Aufgrund der großen Unterschiede zwischen LISS3 und ETM+ wurde eine mögliche Verbesserung der Klassifkationsergebnisse für LISS3 mit Hilfe des Support Vector Mashine (SVM)-Verfahrens untersucht. Die Klassifikation zeigte im Untersuchungsraum Schleswig- Holstein für stark heterogene Klassen deutliche Verbesserungen. Im Untersuchungsraum Sachsen konnten keine nennenswerten Verbesserungen der Klassifikationsgüte erreicht werden, so dass dieser Ansatz dort nicht weiter verfolgt wurde. Tabelle 3.2: Grundklassen der überwachten Klassifikation für die Untersuchungsräume Schleswig-Holstein und Sachsen Schleswig-Holstein Nadelwald Laub-/Mischwald Urban Grünland Vegetation 1 Vegetation 2 Offener Boden Restvegetation Flachwasser Wasser Sachsen Nadelwald Laubwald Mischwald Urban Tagebau Offener Boden Grünland Vegetation Offener Boden mit Vegetation Wasser 44

57 3.2. Klassifikation Validierungsergebnisse Bevor die Ergebnisse der überwachten Klassifikation validiert werden konnten, mussten von den Trainingsgebieten unabhängige Referenzflächen (Ground-Truth-Daten) gefunden werden Ground-Truth-Daten Grundlage für die Referenzdaten ist der ATKIS-Datensatz. Die Validierungsflächen mussten aufgrund der großen Zeitdifferenz zwischen den Aufnahmen für ETM+ und LISS3 separat ausgewählt werden. Dabei wurde versucht, die Referenzflächen möglichst gleichmäßig über das Bild verteilt auszuwählen. Da die AKTIS-Daten thematisch nicht mit den ausgewählten zehn Grundklassen übereinstimmen, wurden lediglich die ATKIS-Geometrien verwendet und die Klassen anhand visueller Überprüfung bestimmt. Die Anzahl der Referenzflächen variiert allerdings je nach Klasse zwischen den beiden Sensoren Accuracy Assessment Die Validierung erfolgte anhand der Referenzdaten und wurde durch Fehlermatrizen (Congalton 1991 [9]) visuell umgesetzt (vgl. Anhang B.2, B.3, B.4 und B.5). Neben der Gesamtgenauigkeit und dem Kappakoeffizienten, wurden auch die Nutzer- und Herstellergenauigkeiten berechnet. Das Ergebnis zeigt, dass sich die bei der Überprüfung der Klassentrennbarkeit ermittelten Probleme auch in der Validierung durch deutliche Fehlklassifikationen widerspiegeln. Die ausführliche Beschreibung der Ergebnisse und deren Interpretation sind in Abschnitt zu finden Einfluss der Trainingsgebiete In diesem Abschnitt soll untersucht werden, wie stark sich der Anteil der Trainingsgebiete auf die Klassifikationsergebnisse und damit auf die Klassifikationsgüte auswirkt. In Anlehnung an Foody et al [18] sollen unter ansteigender Anzahl der Trainingsgebiete die Veränderungen der Nutzer- und Herstellergenauigkeiten aufgezeigt werden. Abweichend von der Forderung, mindestens p Trainingsgebiete pro Klasse zu suchen (wobei p die Anzahl der verfügbaren spektralen Bänder beschreibt), wird gezeigt, dass bereits deutlich weniger Trainingsgebiete ähnlich gute Validierungsergebnisse aufweisen können. Die Methodik für den Nachweis ist im Folgenden detailliert beschrieben. Der Einfluss der Anzahl von Trainingsgebieten wird mittels eines IDL-Programms überprüft. In diesem Programm wird innerhalb einer Schleife schrittweise die Anzahl der in die Klassifikation einfließenden Trainingsgebiete für eine Klasse erhöht. Die Erhöhung erfolgt bis 30 % in 3 %-Schritten und ab 30 % in 10 %-Schritten. Das Klassifikationsergebnis wird 45

58 Kapitel 3. Vergleich von Landsat 7 - ETM+ und IRS-P6 - LISS3 nach jeder Erhöhung anhand der Klassifikation mit 100 % der Trainingsgebiete validiert. Neben den Nutzer- und Herstellergenauigkeiten wird ebenfalls untersucht, in welche Klassen und zu welchen Anteilen die Fehlklassifikationen erfolgen. In den Diagrammen der Abbildung 3.2 ist beispielhaft dargestellt, welche Anzahl der Trainingsgebiete mindestens erforderlich ist, um ein stabiles Niveau zu erreichen. Diese Anzahl ist für eine Klassifikation in gleicher Qualität ausreichend. Die Übersicht der Ergebnisse aller Klassen der beiden Untersuchungsräume befindet sich in den Abbildungen A und A. Abbildung 3.2: Untersuchungsraum Sachsen: Hersteller und Nutzergenauigkeit der Klasse Urban Im Untersuchungsraum Schleswig-Holstein zeigen die Kurvenverläufe für homogene Klassen ähnliche Tendenzen. Es war festzustellen, dass die Fehlklassifizierungen, wenn auch in sehr unterschiedlicher Ausprägung, in die gleichen Klassen erfolgten. Aufgrund der phänologisch unterschiedlichen Aufnahmezeitpunkte ist der direkte Vergleich beider Sensoren nur bedingt möglich, so dass der Vergleich anhand des Untersuchungsraums Sachsen erfolgt. Im Untersuchungsraum Sachsen zeigt die Charakteristik der Kurvenverläufe für die Herstellergenauigkeiten vergleichbare Verläufe. Ein stabiles Niveau bei einer Klassifikationsgüte von 90 % wird fast immer bei einem ähnlichen Anteil an Trainingsgebieten erreicht, wobei die Startwerte variieren können. Die Fehlklassifikationen zu Gunsten anderer Klassen können, selbst für stark heterogene Klassen, als vergleichbar bezeichnet werden. Teilweise gibt es leichte Schwankungen in den absoluten Werten der Fehlklassifikation oder in den Anteilen der einzelnen Klassen. Große Unterschiede sind nur bei der Klasse Tagebau festzustellen, welche in den beiden Untersuchungsräumen sehr unterschiedliche Ausprägungen besitzt. Verdeutlicht wird dies z. B. an der Klasse Offener Boden in Abbildung 3.3 und der Übersicht der Ergebnisse im Anhang (A und A). Zusammenfassend kann festgestellt werden, dass bereits nach einer deutlich geringeren Anzahl an Trainingsgebieten ein gleiches Klassifikationsniveau erreicht werden kann. Homogene Klassen zeigen bereits nach weniger als 20 % der Trainingsgebiete eine Genauigkeit von über 90 %. Heterogene Klassen hingegen zeigen einen starken Anstieg der Genauigkeit bei unterschiedlichen Startpunkten. Starke Schwankungen in der Kurve sind eher bei hetero- 46

59 3.3. Zwischenergebnisse genen Klassen anzutreffen. Meist erfolgt bei diesen ein kurzer Einbruch der Genauigkeiten zwischen 30 % und 50 %, danach pegelt sich der Wert über 90 % ein. Abbildung 3.3: Untersuchungsraum Sachsen: Herstellergenauigkeit der Klasse Offener Boden Es kann festgehalten werden, dass der Ansatz von Foody et al [18] auf die beiden Sensorsysteme übertragbar ist und vergleichbare Ergebnisse liefert. Je nach vorhandener Datengrundlage und verwendetem Klassifikationsalgorithmus ist somit vor allem für große Untersuchungsräume eine Kosteneinsparung durchaus möglich und erstrebenswert. Es stellt sich heraus, dass für beide Sensoren der Zeitpunkt des Erreichens einer hohen Herstellergenauigkeit mit den Ergebnissen der Klassentrennbarkeit (ROI Separability) korreliert. 3.3 Zwischenergebnisse Im Untersuchungsgebiet von Schleswig-Holstein zeigten sich deutliche Unterschiede zwischen den beiden Sensoren. Diese sind aber zum großen Teil den unterschiedlichen Aufnahmezeitpunkten und der damit verbundenen unterschiedlichen phänologischen Entwicklung der Vegetation geschuldet. Was anhand der Sachsen-Szene belegt werden konnte. Natürlich sind die fast identischen Aufnahmezeitpunkte im September kein Garant für absolut identische phänologische Jahresverläufe, aber die Validierungsergebnisse zeigen, dass der Unterschied der beiden Sensoren nahezu vernachlässigbar ist. Die detaillierte Diskussion der Ergebnisse folgt in Abschnitt 5.1. Zusammenfassend kann festgehalten werden, dass der LISS3-Sensor für eine CORINE Land Cover-Aktualisierung verwendet werden kann. 47

60 Kapitel 3. Vergleich von Landsat 7 - ETM+ und IRS-P6 - LISS3 48

61 Kapitel 4 Umsetzung von CLC mit objektorientierten Verfahren In diesem Kapitel soll die Umsetzung der CORINE Land Cover-Klassen mit Hilfe objektorientierter Verfahren im Mittelpunkt stehen. Nach der Beschreibung der Inputlayer und der notwendigen Bildverarbeitungsschritte soll der Projektaufbau in Definiens Developer Earth näher erläutert werden. Anschließend erfolgt die Umsetzung im Untersuchungsraum Schleswig-Holstein und die Übertragung des Regelwerks auf den Untersuchungsraum Sachsen. 4.1 Umsetzung in Definiens Developer Earth Die Umsetzung der Aktualisierung von CORINE Land Cover erfolgt mit dem Softwarepaket Definiens Developer Earth (Version 5.08) der Definiens AG. Das Softwarepaket ist aktuell die einzige kommerziell vertriebene Software zur objektorientierten Klassifikation von Fernerkundungsdaten. Eine Übersicht der notwendigen Arbeitsschritte ist in Abbildung 4.1 schematisch dargestellt. Die Arbeitsschritte werden in den folgenden Abschnitten jeweils detailliert erläutert Inputlayer Die Datengrundlage beschränkt sich für diesen Teil der Untersuchungen auf die LISS3- Szenen der IRS-P6/Resourcesat-1-Plattform beider Untersuchungsräume. Ausgehend von den Ausgangsdaten wurden verschiedene Bildverarbeitungsprodukte berechnet und Zusatzdaten, wie beispielsweise MODIS-EVI-Datensätze und die Geobasisdaten von ATKIS und CORINE Land Cover 2000 aufbereitet, da diese im Projektaufbau Anwendung finden sollten. Bevor die ausgewählten Eingangsdaten in den Projektaufbau einfließen, müssen diese mit 49

62 Kapitel 4. Umsetzung von CLC mit objektorientierten Verfahren Abbildung 4.1: Schematische Darstellung des Arbeitsablaufs Hilfe unterschiedlicher Datenaufbereitungsschritte angeglichen werden. Da Definiens Developer Earth keine vollständige Bildverarbeitungssoftware darstellt, wurden diese Arbeitsschritte mit Hilfe konventioneller GIS/FE-Software durchgeführt. Um mögliche Fehler durch Lageungenauigkeiten oder Pixelversatz zu verhindern, müssen alle Inputlayer eine identische Georeferenzierung aufweisen und möglichst denselben Ausschnitt abdecken. Eine Übersicht der in den Projektaufbau eingehenden Daten liefert Tabelle 4.1. Die notwendigen Vorverarbeitungsschritte der einzelnen Inputlayer werden im Folgenden, unterteilt in kontinuierliche und thematische Daten und näher beschrieben Kontinuierliche Daten Die Ausgangsdaten des LISS3-Sensors wurden bereits für den Vergleich mit Landsat 7 ETM+ (vgl. Kapitel 3) georeferenziert und atmosphärenkorregiert, so dass dieser Arbeitsschritt an dieser Stelle entfallen konnte. Zwei Textur-Layer wurden in Anlehnung an Steinnocher [49] erstellt. Die richtungsunabhängigen Texturbilder wurden auf Basis des NDVI (Normalized Difference Vegetation Index) und des LISS3-Band 1 (Grün) des Homogenitätswertes aus der Greylevel Cooccurence Matrix (Haralick et al [23]) berechnet. Mit Hilfe einer IHS-Farbraumtransformation der Inputbänder SWIR-RED-NIR wurde ein 50

63 4.1. Umsetzung in Definiens Developer Earth HUE (Farbton)-Layer erstellt. Im IHS-Farbraum wird die Farbe durch Intensität I (Intensity), Farbton H (Hue) und Sättigung S (Saturation) beschrieben. Die Intensität stellt in diesem Modell die Gesamthelligkeit dar. Der Farbton bezieht sich auf die bestimmende bzw. durchschnittliche Wellenlänge für eine Farbe und die Sättigung bezeichnet die Intensität des jeweiligen Farbtons. Dieses Verfahren wird normalerweise zur Verbesserung der Darstellung im RGB-Modell (Rot-Grün-Blau) verwendet, indem entweder ein Histogrammstretch zur Erhöhung der Intensiät durchgeführt wird oder mittels image fusion - Verfahren die Möglichkeiten der visuellen Bildinterpretation erleichtert werden (Lillesand und Kiefer 1994 [35]). Für die 16-tägigen MODIS-Zeitreihen (EVI / Enhanced Vegetation Index) aus den Jahren 2004/05 wird mit Hilfe der Beschreibung durch eine Fouriertransformation die zeitliche Variabilität und die zeitliche Intensität der Vegetation über den Jahresverlauf charakterisiert (Wehrmann 2007 [52]). Die MODIS-Daten wurden aufgrund der geometrischen Auflösung von ca. 250 m auf 23,5 m mit einem Spline-Verfahren interpoliert Thematische Daten Die in der Arbeit verwendeten thematischen Daten mussten, wie auch die kontinuierlichen Daten, unterschiedlichen Schritten der Datenaufbereitung unterzogen werden. Die CORINE Land Cover Daten wurden für die Untersuchungsgebiete als thematischer Layer aufbereitet. Die ATKIS-Daten sind aufgrund ihres Schwerpunktbereiches Kartographie in ihrer ursprünglichen Form nicht vollständig für die Umsetzung von CLC nutzbar. Zum Beispiel finden die ATKIS-Objektbereiche 6000 Relief oder 7000 Verwaltungseinheiten in CORINE Land Cover keine Verwendung. Vor der Verwendung der ATKIS-Daten mussten diese für den Projektaufbau bereinigt werden. Dazu wurden Datensätze erstellt, die nur die Flächeninformationen, nach Objektgruppen getrennt, enthalten. Punktinformationen wurden für die Datensätze nicht übernommen. Diese zwei Einzellayer beinhalten zum einen die ATKIS-Objektgruppe Siedlung/baulich geprägte Flächen und zum anderen die ATKIS- Objektgruppe Vegetationfslächen. Im Layer der Objektgruppe 2100 Baulich geprägte Flächen wurden nur die städtischen Objektarten 2111Wohnbaufläche bis 2135 Abfallbehandlungsanlage genutzt. Die Objektarten 2101 Ortslage und 2102 Wohnplatz wurden nicht übernommen, da diese von ihrer Geometrie als redundante Informationen nicht nutzbar sind. Im Layer der Objektgruppe 4100 Vegetationsflächen sind die Objektarten 4101 Ackerland bis 4120 Vegetationslose Fläche enthalten. Auf weitere Vegetationsklassen wurde aufgrund nicht nutzbarer Informationen (z. B Fläche z. Z. nicht bestimmbar) verzichtet. Da die Möglichkeit von Mehrfachzuweisungen in den ATKIS-Daten gegeben ist und die daraus resultierenden Probleme für die spätere Klassenzuweisung vermieden werden sollen, wurde auf weitere ATKIS-Objektarten verzichtet. 51

64 Kapitel 4. Umsetzung von CLC mit objektorientierten Verfahren Die in Abschnitt 3.2 durchgeführte Maximum Likelihood-Klassifikation mit zehn Klassen wurde als Vorklassifikation in das Projekt integriert. Die Klassenzuweisung konnte nur über einen Zwischenschritt erfolgen, da die Segmente einheitlich der Klasse mit dem höchsten Vorkommen zugewiesen werden mussten. Diese Zuweisung erfolgte mit Hilfe einer Majority- Zuweisung an die Segmente des ersten Segmentierungslevels. Dazu wurde die thematische Ebene erst nach der im Abschnitt beschriebenen Segmentierung dem Projekt hinzugefügt. Die Vorabklassifikation soll die Bildung von Basisklassen unterstützen. Alle thematischen Daten wurden in einem letzten Vorverarbeitungsschritt gerastert und über die eindeutige Objekt-ID, mit einer Attributtabelle verknüpft, in das Projekt eingefügt. Dies beschleunigte den Projektaufbau in Definiens Developer Earth deutlich Projektaufbau Die im vorherigen Abschnitt vorgestellten Eingangsdaten (vgl. Tabelle 4.1) wurden in das Projekt eingefügt. Bevor die klassenbeschreibenden Merkmale abgefragt und für den Aufbau der Klassenhierarchie ausgewählt werden können, musste eine Segmentierung durchgeführt werden Segmentierung Einflussparameter und Inputlayer Der Segmentierungsalgorithmus unterteilt das Bild in spektral zusammengehörende Bildobjekte (Segmente). Um das Eingangsbild möglichst optimal zu segmentieren, stehen wie in Abschnitt 2.7 beschrieben eine Reihe unterschiedlicher Parameter zur Verfügung. Um die unterschiedlichen Objektstrukturen der verschiedenen Landnutzungs-/Landbedeckungsklassen möglichst genau zu berücksichtigen, werden zusätzlich unterschiedliche Skalierungsfaktoren benötigt. Nach im Vorfeld durchgeführten Untersuchungen der zur Verfügung stehenden Segmentierungsalgorithmen wurde das multiresolution segmentation-verfahren ausgewählt und mit drei verschiedenen Skalierungsfaktoren (vgl. Abbildung 4.2) segmentiert. Die Segmentierung auf der ersten Ebene erfolgte anhand der vier spektralen Bänder des LISS3-Sensors, die alle gleich gewichtet in den Segmentierungsprozess einflossen. Auf den Einfluss weiterer Rasterdaten bei der Segmentierung wurde bewusst verzichtet, da Voruntersuchungen gezeigt haben, dass die spektralen Kanäle die realen Objekte der Landbedeckung am besten repräsentieren. Der Informationsgehalt in Form der Geometrie der ATKIS-Daten wurde für die unterste Segmentierungsebene vollständig genutzt. Die diskreten Informationen der thematischen Daten fließen vollständig in die Segmentierung ein (eine Gewichtung ist nicht möglich) und bestimmen so direkt den Grenzverlauf der Segmente (Developer Earth Benutzerhandbuch [11] S. 95). Der Skalierungsfaktor der ersten 52

65 4.1. Umsetzung in Definiens Developer Earth Abbildung 4.2: Segmentierungsebenen Ebene beträgt 10 und die Werte für Farbe 0,9 und Form 0,1. Kompaktheit (compactness) und Glattheit (smoothness) gingen gleich gewichtet mit 0,5 in die Segmentierung ein. Die beiden höheren Segmentierungsebenen mit den Skalierungsfaktoren 15 und 28 wurden ebenfalls rein spektral mit Hilfe der LISS3-Kanäle gebildet, ohne dass Informationen aus den thematischen Layern direkt in den Prozess einflossen. Die neu entstehende Segmentebene orientiert sich jeweils an den Grenzen der Über- oder Unterebene, wodurch hierarchische Bildobjekte entstehen (vgl. Abbildung 4.2). Die Eingangsdaten, die nicht in dem Segmentierungsprozess einflossen, werden für die Klassifikation benötigt und sind deshalb direkt im Projektaufbau enthalten. Tabelle 4.1: Eingangslayer der Klassifikation Rasterlayer Thematische Layer LISS3 CLC 2000 MODIS cos 04/05 ATKIS 21xx (temporale Intensität) ATKIS 41xx MODIS sin 04/05 Vorklassifikation (temporale Variabilität) Textur NDVI Textur grün Farbton (342) Die Ergebnisse der Segmentierung wurden anhand des Klassifikationsframeworks gnosis 13 überprüft und zeigen eine geometrische Repräsentation auf der ersten Ebene von mehr als 70 %. Das Klassifikationsframework gnosis entstand im Rahmen der Dissertation Wehrmann 2007 [52], um objektorientiert, weitgehend automatisiert, multispektrale Fernerkundungsdaten auf Basis von Zusatzinformationen wie abgeleiteten Phänologien, Formparametern und erweiterten Nachbarschaftsbeziehungen auszuwerten. Die geometrische Repräsentation stellt ein Maß für die räumliche Abdeckung der CLC2000-Objekte durch die 13 Wehrmann 2007 [52] 53

66 Kapitel 4. Umsetzung von CLC mit objektorientierten Verfahren Bildsegmente dar. Dabei ist ein Wert von 100 % als Ergebnis nahezu ausgeschlossen, da sich der Grenzverlauf der CORINE-Objekte oft nicht an spektralen Objektgrenzen orientiert und CORINE Land Cover durch manuelle Interpretation und Generalisierung gekennzeichnet ist. Die entstandenen Segmente stellen die Informationsträger dar und dienen als Grundlage für den Aufbau der Klassenhierarchie Aufbau Regelwerk Nach der Segmentierung erfolgt der Aufbau der Klassenhierarchie. Dabei muss zunächst versucht werden, die Bildsegmente anhand der verfügbaren Merkmalsinformationen oder mit Hilfe der Merkmale aus den zusätzlichen Inputlayern klassenweise voneinander zu unterscheiden. Basierend auf den gefundenen Eigenschaften wird die Klassenhierarchie erstellt Abbildbarkeit der CORINE Land Cover-Klassen Von den 37 in Deutschland vorkommenden CLC-Klassen waren 31 im Untersuchungsgebiet Schleswig-Holstein und 25 im Untersuchungsgebiet Sachsen vorhanden. Diese Klassen haben nach ihrem Vorkommen unterschiedliche Gewichtungen (vgl. Tabelle 2.4). Auf die am häufigsten vorkommenden Klassen wurde bei der Erstellung der Klassenhierarchie ein Schwerpunkt gelegt. Da die Mindestobjektgröße aufgrund der geometrischen Informationen aus den ATKIS-Daten auf 5 ha reduziert werden konnte, wurden die Klassen 242 Komplexe Parzellenstruktur und 243 Landwirtschaft mit natürlicher Bodenbedeckung in ihre Unterklassen aufgegliedert. Die Klassen 423 In der Gezeitenzone liegende Flächen, 522 Mündungsgebiet und 523 Meere und Ozeane wurden nicht umgesetzt, da diese aufgrund der unterschiedlichen Ausprägung von Ebbe und Flut in den Satellitenszenen nicht eindeutig identifiziert werden konnten und auch bei CLC2000 der TK25 entnommen wurden (Keil et al [28]). Weiterhin konnten die Klassen 133 Baustellen und 333 Flächen mit spärlicher Vegetation nicht realisiert werden. Insbesondere die CLC-Klassen 111 Durchgängig städtische Prägung, 122 Straßen, Eisenbahn, 123 Hafengebiete und 124 Flughafen konnten nur mit Hilfe der Informationen der CLC2000-Daten umgesetzt werden. Einerseits liegen die Gründe dafür in den unterschiedlichen Klassendefinitionen von ATKIS und CLC, andererseits schränken die genutzten ATKIS-Objektgruppen den Informationsgehalt des ATKIS-Objektartenkataloges ein, so dass diese für die gesuchten CLC-Klassen fehlen. Mögliche Veränderungen dieser Klassen können nur im Fall von Flächenvergrößerungen identifiziert werden, Flächenverkleinerungen sind jedoch nicht überprüfbar. Die jeweils für die verschiedenen Untersuchungsgebiete umgesetzten Klassen werden in den Abschnitten und beschrieben. 54

67 4.1. Umsetzung in Definiens Developer Earth Merkmalsextraktion Die für die Klassenzuordnung zur Verfügung stehenden Merkmale können in bildabhängige und bildunabhängige Merkmale unterteilt werden (vgl. Tabelle 4.2). Bildabhängige Merkmale sind szenenabhängig und bedürfen einer Anpassung an unterschiedliche Untersuchungsräume. Damit unterscheiden sich diese Merkmale je nach Aufnahmezeitpunkt und Aufnahmecharakteristik sowie Szeneninhalt. Zu den bildabhängigen Parametern zählen spektrale Merkmale, Vegetationsindizes sowie Farb- und Texturmerkmale. Die bildunabhängigen Parameter umfassen neben Form- und Kontextmerkmalen, zeitliche Merkmale (z. B. Phänologie) und thematische Attribute (z. B. ATKIS oder CORINE Land Cover). Tabelle 4.2: Unterteilung von Bildmerkmalen Bildabhängige Merkmale Spektrale Merkmale Vegetationsindex Farbmerkmale Texturmerkmale Bildunabhängige Merkmale Form-/Kontextmerkmale zeitliche Merkmale (Phänologie) Thematische Attribute (ATKIS, CLC2000, Vorklassifikation) Zu den bildabhängigen Merkmalen zählen spektrale Merkmale, mit deren Hilfe ist es möglich, einzelne Bodenbedeckungsklassen, wie z. B. 51x Wasserflächen und 31x Wälder, von CLC abzuleiten. Aufgrund der CLC-Klassenbeschreibung und der spektralen Auflösung von LISS3 sind einige Klassen nur unzureichend abbildbar. Vor allem eine Bestimmung funktionaler Klassen kann auf diese Weise nicht erfolgen. Die Arbeit von Wehrmann 2007 [52] zeigt für den Image2000 -Datensatz, dass nur ein geringer Teil der CLC-Klassen direkt spektral mit einer zufriedenstellenden Genauigkeit ermittelt werden kann. Aufgrund der angeführten Argumente wurden spektral vor allem Basisklassen unterschieden. Der Normalised Difference Vegetation Index (NDVI) (Gleichung 4.1) basiert auf der Eigenschaft der Reflexionscharakteristik des Chloropylls und beschreibt die Dichte und den Zustand der Vegetationsdecke. Für die Bildung wird der charakteristische Reflexionsanstieg zwischen dem roten und dem nahen Infrarotband ausgenutzt. NDV I = NIR Rot NIR + Rot. (4.1) Vegetationsindizes, wie der NDVI, dienen vor allem der Unterscheidung der Grundklassen in Vegetation und Nicht-Vegetation. Es existieren eine große Anzahl weiterer Vegetationsindizes (z. B. Perpendicular Vegetation Index(PVI) oder Soil Adjusted Vegetation Index 55

68 Kapitel 4. Umsetzung von CLC mit objektorientierten Verfahren (SAVI)), die in dieser Arbeit keine Anwendung fanden. Die Farbmerkmale können zur Unterscheidung von versiegelten Bereichen und vegetationslosen Bodentypen genutzt werden. Dabei dient die Charakteristik einer Farbkombination der Beschreibung von Objekteigenschaften. Neben der Darstellung durch das RGB-Modell (Rot, Grün, Blau) kann der Parameter Farbe auch anhand des IHS-Wertes (Intensität, Farbton, Sättigung)beschrieben werden. Der Farbton wird als Merkmal für die Bodenfarbe verwendet. Farbliche Unterschiede zwischen versiegelten Bereichen und vegetationslosen Bodentypen sollen die Trennbarkeit dieser Landbedeckungsklassen erhöhen. Weiterhin soll die Differenzierung von homogenen und heterogenen Strukturen durch die Texturmerkmale in den nach Steinnocher 1997 [49] erstellten Texturbildern erleichtert werden. Der NDVI und der Grün-Kanal wurden ausgewählt, um die Trennbarkeit von versiegelten Flächen und vegetationslosem Boden zu verbessern. Bildunabhängige Merkmale, wie z. B. Form- und Kontextmerkmale, dienen der Unterscheidung der CLC-Klasse 51x Wasserflächen im Landesinneren in die Klassen 511 Gewässerläufe und 512 Wasserflächen. Neben der Flächengröße und -umfang sowie der Kompaktheit werden weiterhin Nachbarschaftsmerkmale innerhalb und zwischen den verschiedenen Segmentierungsebenen zur Unterscheidung genutzt. Über Nachbarschaftsmerkmale konnten die Klassen 423 Salzwiesen, 331 Strände/Dünen/Sandflächen und 141 Innerstädtische Grünflächen bestimmt werden. Mittels kontinuierlicher Daten ist die Berücksichtigung von temporalen Veränderungen von Objekten möglich. Anhand der Phänologie ermöglichen diese die Identifikation bestimmter Vegetationsarten. Natürliche Veränderungen der Vegetation vollziehen sich, ausgenommen von Naturkatastrophen, langsam und sind jahreszyklusübergreifend, während anthropogene Eingriffe zeitlich kurzfristig, also innerhalb eines Jahreszyklus, von statten gehen (vgl. Abbildung 4.3). Die Zeitreihen des EVI (Enhanced Vegetation Index) des MODIS-Sensors dienen als Grundlage für die Phänologie. Die zeitlichen Merkmale helfen vor allem bei der Unterscheidung der Klassen 211 Nicht bewässertes Ackerland und 231 Wiesen und Weiden. Dabei zeigt der Vergleich der beiden Vegetationsklassen anthropogen verursachte Unterschiede, z. B. den Einbruch der Vegetationstätigkeit in der Ernteperiode. In der Auswertung wurden die 16tägigen-Produkte aus zwei Jahren genutzt, so dass auch aktuell in der LISS3-Szene brach liegende Flächen als Ackerland klassifiziert werden konnten. Ein Nachteil der MODIS Daten entsteht durch die Bodenauflösung von > 250 m, die eine Mindestobjektgröße von 5 ha nur unzureichend erfasst und ein Mischsignal bei kleinräumigen heterogenen Strukturen wiedergeben kann. Die Daten wurden durch das Spline- Verfahrens auf 23,5 m interpoliert, wobei dies nur bedingt die Vegetationswerte wiedergibt. Wie Wehrmann 2007 [52] zeigt, ist es möglich die phänologische Kurve durch harmonische 56

69 4.1. Umsetzung in Definiens Developer Earth Abbildung 4.3: Vergleich der Phänologie von Ackerland (hellgrün) und Grünland (dunkelgrün) (Quelle: Wehrmann 2007 [52]) Schwingungen der Sinus- und Kosinuskoeffizienten mittels einer Fourier-Transformation zu beschreiben. Damit können sowohl die Vegetationsdichte (temporale Intensität) als auch die Schwankungen der Phänologie im Jahresverlauf (temporale Variabilität) beschrieben werden. Die temporale Intensität stellt aufgrund der kontinuierlichen Charakterisierung folgende Klassen dar: vegetationslose Klassen wie Wasser und Siedlungsflächen ohne Intensität, niedrige Intensität bei Nadelwald und spärlich bewachsenen Flächen, mittlere Intensität bei Laubwäldern und landwirtschaftlichen Flächen und eine hohe Intensität bei Weideland. Die temporale Variabilität dient zur Unterscheidung von natürlicher Vegetationsbedeckung und anthropogen genutzten Flächen. Niedrige Werte erhält man für Wasser und versiegelte Flächen, die höchsten Werte für Ackerland. Die thematischen Attribute stammen zum einen aus den ATKIS-Daten, zum anderen aus den CLC2000-Daten. Die ATKIS-Daten sollen vor allem Zusatzinformationen für die funktionalen CLC-Klassen liefern. Neben den 11x Städtisch geprägte Flächen und der Klasse 121 Industrie- und Gewerbeflächen werden die Informationen ebenfalls verwendet, um die Klassen 411 Sümpfe und 412 Torfmoore zu identifizieren. Die CLC-Daten haben die Aufgabe, Informationen über die Klassen zu liefern, die anhand der LISS3-Daten und den zusätzlichen Inputlayern nicht abgebildet werden können (z. B. 111 Durchgängig städtische Prägung und 122 Strassen, Eisenbahn). 57

70 Kapitel 4. Umsetzung von CLC mit objektorientierten Verfahren Die Merkmale werden durch unscharfe Merkmalszuweisung für den Klassifikationsprozess genutzt. Die Zuweisung erfolgt nach dem Grad der Erfüllung bestimmter Objekteigenschaften. Tabelle 4.3: Verwendete Merkmale CodeCLC Merkmale CodeCLC Merkmale 111 CLC spektral 112 ATKIS, Textur 312 spektral 121 ATKIS, Versieglung, 313 spektral spektral 122 CLC /324 NDVI, zeitliche Merkmale 123 CLC ATKIS 124 CLC spektral, Kontextinformationen 131 spektral 333 nicht umgesetzt 132 ATKIS 411/412 ATKIS 133 nicht umgesetzt 421 NDVI, Kontextinformationen 141/142 NDVI, Kontextinformationen 423 nicht umgesetzt 211 NDVI, spektral, zeitliche Merkmale, Farbe, 511 spektral, Formparameter Textur 231 zeitliche Merkmale 512 spektral, Formparameter 242 nicht umgesetzt 522 nicht umgesetzt 243 nicht umgesetzt 523 nicht umgesetzt Aufbau der Klassenhierarchie und des Prozessbaums Die Klassenhierarchie wurde für die verschiedenen Segmentierungsebenen aufgebaut und orientiert sich an der CLC-Hierarchie. Der Prozessbaum bietet vor allem die Möglichkeit, die für die Erstellung der Endklassen notwendigen Zwischenschritte und Abfragen innerhalb der gleichen oder anderer Ebenen in der benötigten Reihenfolge umzusetzen und damit das Regelwerk zusätzlich auf andere Projekte zu übertragen. Auf der untersten Ebene erfolgt die Erstellung der Grundklassen und den auf Grundlage von ATKIS oder CLC gebildeten Klassen. Die klassifizierten Segmente werden in einem weiteren Arbeitsschritt zusammengefasst und auf die zweite Ebene übertragen, die gleichzeitig die Ergebnisebene darstellt. Hier entsteht am Ende das Ausgabeprodukt. Auf dieser Ebene werden aber auch direkt Klassen gebildet. So kann die Grundklasse Wasser in der 58

71 4.2. Anwendung im Untersuchungsraum Schleswig-Holstein zweiten Segmentierungsebene in die Klassen 511 Gewässerläufe und 512 Wasserflächen durch Formparameter unterschieden werden. Anhand der dritten Ebene werden vor allem heterogene Klassen zusammengefasst bzw. überprüft. Heterogene Klassen bestehen aufgrund des hierarchischen Aufbaus aus einer bestimmten Anzahl und Zusammensetzung von Unterobjekten und können so abgefragt werden. Beispielhaft soll an der Abbildung 4.4 die Klassifikation der CLC-Klasse 211 Nicht bewässertes Ackerland dargestellt werden. Im ersten Arbeitsschritt (A) werden die unklassifizierten Segmente der ersten Ebene den Grundklassen zugeordnet (Vegetation Landwirtschaftliche Fläche, bzw. Nicht-Vegetation Offener Boden Acker_brach). Im folgenden Arbeitsschritt (B) wird auf der zweiten Ebene das Vorkommen von landwirtschaftlicher Fläche im Unterobjekt abgefragt und für die Segmente die Klassenbeschreibung für Grünland, Ackerland und Natürlicher Vegetation umgesetzt. Anschließend (C) wird in der Ebene 3 überprüft, ob die Klasse Acker_brach in den Unterobjekten der als natürliche Vegetation klassifizierten Segmente vorkommt. Ist dies der Fall, werden diese Segmente als Natürliche Vegetation unsicher bezeichnet. Auf der zweiten Ebene wird (D) dann die Klasse 211 aus den Segmenten der Klassen Ackerland, Segmenten mit dem als Natürliche Vegetation unsicher klassifizierten Überobjekt und Segmenten mit dem als Acker_brach klassifizierte Unterobjekt gebildet. Abschließend werden die Objekte aggregiert und Objekte < 5 ha mit der Umgebung verschmolzen. Abbildung 4.4: Beispiel Klassifikationsablauf der Klasse 211 Nicht bewässertes Ackerland 4.2 Anwendung im Untersuchungsraum Schleswig-Holstein Die detaillierte Beschreibung der naturräumlichen Gegebenheiten erfolgte in Abschnitt 2.6. Im folgenden Abschnitt soll nun die Umsetzung der CLC-Klassen beschrieben werden Abbildbare CORINE Land Cover-Klassen (Schleswig-Holstein) Der Schwerpunkt für die Erstellung der Klassenhierarchie wurde, wie bereits erwähnt, auf die am häufigsten vorkommenden CORINE-Klassen gelegt. Die Klassen 112 Nicht durch- 59

72 Kapitel 4. Umsetzung von CLC mit objektorientierten Verfahren gängig städtische Prägung, 211 Nicht bewässertes Ackerland, 231 Wiesen und Weiden und 242 Komplexe Parzellenstruktur bestimmen in diesem Raum über 70 % der Landbedeckung bzw. Nutzung. Aufgrund der Änderung der Mindestobjektgröße auf 5 ha wurden die Klassen 242 Komplexe Parzellenstruktur und 243 Landwirtschaft mit natürlicher Bodenbedeckung in ihre Einzelklassen bzw. Unterklassen zerlegt und somit nicht direkt umgesetzt. Die Klassen der ersten Hierarchieebene (1xx) der CORINE-Nomenklatur wurden bis auf die Klasse 133 Baustellen umgesetzt, da diese ausschließlich mit sehr guten Ortskenntnissen überprüft werden kann. Aufgrund der beschränkten geometrischen Auflösung zeigten sich hier die Probleme der Fernerkundungsdaten bei der Umsetzung der CORINE- Nomenklatur. Notwendig sind Zusatzdaten sowohl aus ATKIS, die vor allem mit ihrem geometrischen und thematischen Informationsgehalt auf der untersten Ebene für die notwendige kleinräumige Auflösung verantwortlich sind, als auch CLC-Daten für die funktionalen Klasseninformationen, die nicht aus den ATKIS-Daten entnommen werden konnten. Für die landwirtschaftlichen Flächen (2xx) wurden nur die CLC-Klassen 211 Nicht bewässertes Ackerland und 231 Wiesen und Weiden umgesetzt, da die CLC-Klasse 24x Heterogenen Landwirtschaftlichen Flächen durch die Veränderung der Mindestgröße auf fünf Hektar in die Unterklassen aufgelöst wurden. Bei den CORINE-Klassen 3xx Wälder und naturnahe Flächen wurden aus der Klasse 31x Wälder alle Klassen umgesetzt. Die CLC-Klassen 321 Natürliche Grünland und 324 Wald- Strauch-Übergangsstadien konnten aufgrund der vorhandenen Merkmale nicht getrennt werden. Die Klasse 324 Wald-Strauch-Übergangsstadien, die vor allem Rodungsflächen wiedergeben soll, konnte über die Nachbarschaft zu Wald nur mit großen Fehlklassifikationen bestimmt werden. Die Klasse 322 Heiden und Moorheiden wurde mit Hilfe der ATKIS- Daten näher bestimmt. Von den Klassen 33x Offene Flächen ohne/mit geringer Vegetation sind nur 331 Strände, Dünen und Sandflächen und 333 Flächen mit spärlicher Vegetation im Untersuchungsgebiet vorhanden. Die Klasse 331 konnte über spektrale Merkmale und Nachbarschaften bestimmt werden. Die Klasse 333 war anhand der gegebenen Merkmale nicht abbildbar. In den CLC-Klassen 4xx Feuchtflächen konnten die Klassen 411 Sümpfe und 412 Moore anhand der ATKIS-Daten identifiziert werden. Die Klasse 421 Salzwiesen konnte über Nachbarschaftsmerkmale bestimmt werden, während,wie bereits erwähnt, die Klasse 423 In der Gezeitenzone liegende Flächen nicht wiedergegeben wurde. Die Wasserflächen 511 Gewässerläufe und 521 Wasserflächen wurden vollständig umgesetzt und spektral bzw. über Formmerkmale unterschieden. Die Klasse 52x Meeresgewässer wurde aufgrund der Bestimmung in CLC anhand topographischer Karten nicht umgesetzt. 60

73 4.2. Anwendung im Untersuchungsraum Schleswig-Holstein Klassifikationsablauf (Prozessbaum) Neben der Erstellung der Klassenhierarchie ist der Ablauf und die Reihenfolge der Klassifikationsschritte von großer Bedeutung. Der Prozessbaum bietet die Möglichkeit, den Projektablauf von der Segmentierung bis zur Reihenfolge der einzelnen Klassifikationsschritte festzulegen und zu speichern. In der vorliegenden Arbeit wurde der Prozessbaum zuerst für den Untersuchungsraum Schleswig-Holstein erstellt. Dieser wurde im nächsten Arbeitsschritt auf die Szene Sachsen übertragen, wobei die notwendigen Änderungen dokumentiert wurden. Im Folgenden sollen der erarbeitete Prozessbaum und dessen Übertragung auf den Untersuchungsraum Sachsen detailliert erläutert werden. Der erste Arbeitsschritt im Prozessbaum ist die Erstellung der Segmentierungsebenen. Hierbei wird nach dem bottom up Prinzip vorgegangen. Von der feinsten Segmentierungsebene mit dem Skalierungsfaktor 10 ausgehend, werden die beiden gröberen Segmentierungsebenen mit den Skalierungsfaktoren 15 und 28 erstellt. Die in die Segmentierung einfließenden Eingangsdaten werden mit ihrer Gewichtung festgelegt. Abbildung 4.5: Übersicht der verwendeten Grundklassen Segmentierungsebene 1 Die folgenden Prozessschritte beziehen sich auf die Klassifikation der Grundklassen in der ersten Segmentierungsebene (vgl. Abbildung 4.5). Zuerst wurde die Zugehörigkeit der Segmente zu den Grundklassen Vegetation oder Nicht-Vegetation anhand eines unscharfen Schwellenwertes des NDVI bestimmt. Nachfolgend fand die Unterteilung der Grundklasse Vegetation in die Klassen Landwirtschaftliche Flächen und Wald anhand spektraler Merkmale statt. Die weitere Unterteilung der Grundklasse Wald in Laub-, Nadel- und Mischwald erfolgte wiederum durch spektrale Merkmale in der unteren Segmentierungsebene und wur- 61

74 Kapitel 4. Umsetzung von CLC mit objektorientierten Verfahren de später nur noch in die anderen Ergebnisebenen übergeben. Die Klasse ATKIS-Konflikt diente der Überprüfung der ATKIS-Daten auf eine Mehrfachzuweisung für ein identisches Segment. Sollte dies der Fall sein, wurden diese Segmente nicht weiter klassifiziert, da eine eindeutige Zuweisung ohne erneute Bearbeitung der ATKIS-Eingangsdaten nicht möglich war. Im Anschluss daran wurde aus der Grundklasse Nicht-Vegetation die Klasse Wasser bestimmt. Dazu wurde neben der spektralen Abgrenzung der Grundklasse Wasser auch die Unterscheidung der CORINE-Klassen 511 Gewässerläufe und 512 Gewässerflächen vollzogen. Dazu wurde auf der Ebene 3 (Skalierungsfaktor 28) überprüft, wie groß der Anteil der Unterobjekte Wasser am Oberobjekt ist. Die als Wasser identifizierten Objekte wurden mit Hilfe des Befehls Merge zusammengefasst und die Einteilung in die Klassen 511 Gewässerläufe und 512 Gewässerflächen anhand von Formparametern vollzogen. Für die CLC-Klasse 512 wurden die Objekte, welche Salz- und Süßwasser entsprechen, unterschieden. Dieser Prozessschritt erfolgte für die spätere Bestimmung der Segmente für die Klassen 331 Strände, Dünen, Sandflächen und 421 Salzwiesen. Die in Ebene 3 als 511 Gewässerläufe und 512 Gewässerflächen klassifizierten Objekte, wurden abschließend auf die Ergebnisebene (Ebene 2) übertragen. Die weitere Unterscheidung der Klasse Nicht-Vegetation erfolgte im nächsten Prozessschritt in die Klassen offener Boden und Siedlung anhand der Informationen aus den ATKIS- Daten. Die Klasse Siedlung wurde weiter in Siedlung - hoch versiegelt und Siedlung - niedrig versiegelt anhand von spektralen Merkmalen unterschieden. Anschließend erfolgte die Bestimmung der Klasse Gewerbe, die direkt in die CORINE-Klassen 131 Abbauflächen und 132 Deponien und Abraumhalden unterschieden wurde. Nachfolgend wurden auf der Ebene 1 die funktionalen CORINE-Klassen 111 Durchgängig städtische Prägung, 122 Straßen und Eisenbahn, 123 Hafengebiete und 124 Flughäfen anhand der ClC2000-Daten gebildet. Als abschließender Arbeitsschritt auf der ersten Segmentebene erfolgte die Konvertierung der Oberobjekte von der Ebene 2 in die Unterobjekte für ausgewählte Klassen auf der Ebene 1. Das beinhaltete vor allem die Klassen, die bereits vollständig gebildet wurden, bzw. aufgrund ihrer Größe in den Obersegmenten nicht mehr als Einzelobjekte berücksichtigt werden konnten. Ein Beispiel sind kleine Siedlungsbereiche oder schmale Straßendörfer, die in höheren Segmentierungsebenen nicht mehr als Einzelobjekte segmentiert werden. Auf der Ebene 2, der Ergebnisebene, wurden die abbildbaren CORINE-Klassen gebildet. Dazu wurden die bereits in Ebene 1 vollständig erzeugten Flächen auf die Ebene 2 übertragen. Die Klasse 112 Nicht durchgängige städtische Prägung wurde aus den auf der Ebene 1 klassifizierten Objekten der Klasse Siedlung gebildet. Die Klasse Gewerbe der ersten Ebene dient als Grundlage für die Bestimmung der CORINE-Klasse 121 Industrie- und Gewerbeflächen. Außerdem wurden die bereits in Ebene 1 bestimmten CORINE-Klassen 131 Abbauflächen und 132 Deponien und Abraumhalden auf die Ebene 2 übertragen. 62

75 4.2. Anwendung im Untersuchungsraum Schleswig-Holstein Die CORINE-Klassen 311 Laubwald, 312 Nadelwald und 313 Mischwald wurden aus den in der Ebene 1 bestimmten Grundklassen Laub-, Nadel- und Mischwald gebildet. Nachfolgend wurden die CORINE-Klassen 421 Salzwiesen und 331 Strände, Dünen und Sandflächen über die Nachbarschaft zur vorher bestimmten Klasse Salzwasser gebildet. Die Erstellung der CORINE-Klassen 411 Sümpfe und 412 Moore erfolgte durch die ATKIS- Informationen. Beide CORINE-Klassen wurden allerdings im Projekt nicht unterschieden und als 411/412 umgesetzt. Im Anschluss daran erfolgte die Differenzierung der landwirtschaftlichen Flächen. Hierbei wurden aufbauend auf die in Ebene 1 definierten Landwirtschaftlichen Flächen anhand der zeitlichen Merkmale eine Unterteilung in Ackerland, Grünland und Natürliche Vegetation vorgenommen. Diese Informationen wurden auf der Ebene 3 (Skalierungsfaktor 28) überprüft. Anhand der gefundenen Informationen konnten dann auf der Ebene 2 die CORINE- Klassen 211 Nicht bewässertes Ackerland, 231 Wiesen und Weiden und 32x Kraut- und Strauchvegetation bestimmt werden. Dabei konnte 231 Natürliches Grünland nicht von 324 Wald-Strauch-Übergangsstadien getrennt werden. Beide bildeten eine gemeinsame Klasse 321/324. Die CORINE-Klasse 322 Heiden und Moorheiden konnte teilweise durch Informationen aus den ATKIS-Daten bestimmt werden. Jedoch beschreibt die ATKIS-Objektart 4104 Heiden die CLC-Klasse 322 Heiden und Moorheiden nicht vollständig. Für die bis zu dieser Stelle auf der Ergebnisebene bestimmten CORINE-Klassen wurden die klassifizierten Segmente mit dem Befehl Merge zusammengefasst. Erst nach diesem Arbeitsschritt konnte die Zuweisung der CLC-Klassen 141 städtische Grünflächen und 142 Sport und Freizeitanlagen erfolgen. Die beiden CORINE-Klassen konnten wiederum nicht differenziert betrachtet werden und stellten somit eine Klassenkombination 141/142 dar. Nachdem diese Arbeitsschritte erfolgt sind, wurde das Verfahren Grow Region angewendet, um ausgewählte Klassen kontrolliert, um unklassifizierte oder eine bestimmte Bedingung erfüllende Segmente zu erweitern. Dabei war darauf zu achten, dass die Klassen in einer bestimmten Reihenfolge wuchsen und keine Schleifen entstanden (Die Objekte wuchsen mit jedem Schleifendurchlauf aufgrund neuer Ausgangsbedingungen weiter). Besonders beim Grow Region-Verfahren ist es wichtig, die korrekte Reihenfolge der anwachsenden Klassen der Segmente zu finden, da es sonst zu Fehlklassifikationen kommen kann. In dem abschließenden Prozessschritt wurden die Segmente kleiner 5 ha mit dem umgebenden Segment verschmolzen Klassifikationsgütevalidierung Schleswig-Holstein Die Validierung der Klassifikationsergebnisse erfolgte auf Basis von 170 Referenzflächen, die mit Hilfe der CLC2000-Daten visuell auf dem LISS3-Bild für 2005 erarbeitet wurden. Grenzbereiche zwischen unterschiedlichen Landnutzungs-/Landbedeckungsklassen wurden bewusst vermieden, um die Validierungsaussage nicht zu beeinträchtigen. Das Ergebnis der erstellten Klassifikation wurde exportiert und anschließend in ENVI, anhand der Referenz- 63

76 Kapitel 4. Umsetzung von CLC mit objektorientierten Verfahren daten, eine Konfusions- oder Fehlermatrix berechnet. Die Gesamtklassifikationsgüte beträgt für den Untersuchungsraum 90,2 %. Die Validierungsergebnisse werden in Abschnitt detailliert für alle abbildbaren Klassen erläutert. 4.3 Übertragung auf den Untersuchungsraum Sachsen Die Übertragbarkeit des Regelwerks ist ein wichtiges Anliegen der Automatisierung. Das Ausmaß der notwendigen Anpassungen stellt ein maßgebliches Kriterium der Anwendbarkeit im Alltag dar. Als problematisch sind dabei vor allem die bildabhängigen Merkmale zu betrachten. Diese zeigen aufgrund der unterschiedlichen Aufnahmebedingungen und Aufnahmezeitpunkte der Image2006 -Daten eine große Variabilität der für die Klassenzuweisung bestimmten Merkmale auf. Im Folgenden werden schrittweise die durchgeführten Anpassungen beschrieben Abbildbare CORINE Land Cover-Klassen (Sachsen) Im Untersuchungsraum Sachsen sind 25 CORINE Land Cover-Klassen enthalten. Im Vergleich zum Untersuchungsraum Schleswig-Holstein kommen keine neuen Klassen hinzu. Die Verteilung der CLC-Klassen unterscheidet sich vom Untersuchungsraum Schleswig- Holstein. Die Klassen 211 Nicht bewässertes Ackerland, 312 Nadelwald, 112 Nicht durchgängig städtische Prägung, 313 Mischwald und 231 Wiesen und Weiden bilden, sortiert nach der Häufigkeit ihres Vorkommens, den Schwerpunkt. Für die Übertragbarkeit des Regelwerks müssen die Klassenhierarchie sowie der Prozessbaum angepasst werden. Die Änderungen in der Klassenhierarchie beschränken sich auf das Eliminieren der im Vergleich zu Schleswig-Holstein nicht mehr vorhandenen CLC- Klassen. Die Anpassung des Prozessbaums schließt neben der Adaption der Merkmale für die Klassenzuweisungen auch eine mögliche Anpassung der Prozessschritte mit ein Notwendige Anpassungen Die Übertragung des Regelwerks konnte nicht ohne Anpassungen vollzogen werden. In einem ersten Schritt wurden die im Untersuchungsraum nicht vorhandenen Klassen einschließlich der dazugehörigen Prozesse gelöscht. Die Überprüfung der Segmentierungsparameter ist der zweite Arbeitsschritt. Da diese bereits vorab nicht spezifisch auf den Untersuchungsraum Schleswig-Holstein angepasst waren, sondern geographischen Gegebenheiten Rechnung trugen, war die Übertragung problemlos möglich. Erste Anpassungen erfolgten für die Merkmale der Klassenzuweisung der Basisklassen auf der Segmentierungsebene 1. Der Grund liegt in der fast ausschließlichen Nutzung von bildabhängigen Merkmalen (NDVI, Spektralwerte) für die Bestimmung dieser Klassen. Die vor 64

77 4.3. Übertragung auf den Untersuchungsraum Sachsen allem spektralen Merkmale der Klassen Wasser, Wald (Nadelwald, Laubwald, Mischwald) und Offener Boden mussten an die Gegebenheiten im Untersuchungsraum angepasst werden. Auch die Formmerkmale, welche zur Trennung der CLC-Klassen 511 Gewässerläufe und 512 Wasserflächen genutzt wurden, mussten angepasst werden. Eigentlich gelten diese Merkmale als bildunabhängig, jedoch machen unterschiedliche räumliche Gegebenheiten eine Anpassung dieser Werte notwendig. Zum Beispiel besitzt ein stark verzweigter Fluss für Kompaktheit andere Werte als ein geradliniger. Ebenso können die Feldgrößen und Feldstrukturen in Nord- und Süddeutschland stark voneinander abweichen. Die zeitlichen Merkmale konnten nahezu unverändert übernommen werden. Die anhand der bildunabhängigen Merkmale von ATKIS und CLC gebildeten Klassen auf der Ebene 1 bedurften keiner Anpassung und konnten direkt übernommen werden. Szenenspezifisch mussten im Untersuchungsraum Sachsen, aufgrund der für Brandenburg nicht verfügbaren ATKIS-Daten, Anpassungen für die Klasse 112 Nicht durchgängig städtische Prägung erfolgen. Auf der Ebene 1 wurde die Grundklasse Siedlung_ohneATKIS mit Hilfe der Vorklassifikation sowie der Texturlayer des Grünkanals erzeugt. Weiterhin waren viele Fehlzuweisungen der Klasse Wasser zur Klasse Nadelwald festzustellen. Ein Grund dieser Fehlklassifikationen liegt in den durch die Atmosphärenkorrektur veränderten Werten des nahen und mittleren Infrarot. Die Werte werden in diesen Bereichen künstlich auf 0,5 bzw. 0,25 gesetzt. Der NDVI eines Sees oder Teiches kann aus diesem Grund in Einzelfällen den Schwellwert von 0,5 überschreiten. Gelöst wurde das Problem durch die Anpassung des Regelwerks. Die Klasse Wasser wurde nicht mehr anhand der Klasse Nicht-Vegetation gebildet. Stattdessen flossen alle Objekte in den Prozess ein und die Zuweisung erfolgte mit Hilfe des spektralen Wertes im mittleren Infrarot und der in der Vorklassifikation als Wasser klassifizierten Objekte. Weiterhin wurde aufgrund der großen Braunkohletagebaugebiete im Norden der Szene eine neue Grundklasse Tagebau eingeführt. Diese konnte bei der Bildung der CORINE-Klasse 131 Abbauflächen zu Hilfe genommen werden. Die Ergebnisse der Validierung der Klassifikationsgüte im Untersuchungsraum Schleswig- Holstein haben eine unbefriedigende Güte für die CORINE-Klasse 313 Mischwald ermittelt. Da im Untersuchungsgebiet Dresden ein deutlich höherer Mischwaldanteil vorhanden war, wurde die Erstellung der Klasse im Regelwerk verbessert Klassifikationsgütevalidierung Sachsen Nach der Durchführung der Anpassungen des Regelwerks konnten die Klassifikationsergebnisse für den Untersuchungsraum Sachsen validiert werden. Dies erfolgte auf Basis von 190 Trainingsgebieten nach dem Export der Klassifikationsergebnisse in ENVI. Die Gesamtklassifikationsgüte beträgt für den Untersuchungsraum 88,8 %. Eine Ergebnisübersicht der Validierung ist in Abschnitt aufgeführt. 65

78 Kapitel 4. Umsetzung von CLC mit objektorientierten Verfahren 66

79 Kapitel 5 Ergebnisse und Diskussion Im folgenden Kapitel sollen die Ergebnisse der in den Kapiteln 3 und 4 durchgeführten Arbeitsschritte detailliert dargestellt und diskutiert werden. 5.1 Vergleichbarkeit der Sensorcharakteristik Um Vergleichbarkeitsbetrachtungen der beiden Satellitensensoren ETM+ (Landsat 7) und LISS3 (IRS-P6) durchzuführen, wurden verschiedene Methoden gewählt. Der Vergleich der allgemeinen Sensordaten zeigte die Unterschiede und Gemeinsamkeiten in der Charakteristik auf und wurde in Abschnitt 3.1 bereits ausführlich beschrieben. Anhand der Maximum Likelihood-Klassifikation mit identischen Trainingsgebieten wurde gezeigt, inwieweit sich die Sensoren bzgl. des Klassifikationsergebnisses unterscheiden. Zur Veranschaulichung der Ergebnisse wurde die Klassentrennbarkeit (ROI Separability) und die Fehlermatrix der Validierungsgüte (Accuracy Assessment) zu Hilfe genommen. Diese Ergebnisse werden in den folgenden Abschnitten ausführlich diskutiert Klassentrennbarkeit Im Bezug auf die Klassentrennbarkeit zeigt der Vergleich deutliche Unterschiede zwischen beiden Untersuchungsräumen. Während in Schleswig-Holstein der ETM+-Sensor eine deutlich bessere Klassentrennbarkeit in nahezu allen Klassen aufweist, sind die Charakteristika im Untersuchungsgebiet Sachsen auf einem vergleichbarem Niveau. Aufgrund dessen müssen die Ergebnisse in den Untersuchungsräumen getrennt betrachtet werden. Im Untersuchungsraum Schleswig-Holstein zeigt der ETM+-Sensor eine deutlich bessere Klassentrennbarkeit. Das gilt sowohl für die Ausgangsdaten des ETM+ als auch für die auf die LISS3-Kanäle reduzierten Daten. Besonders große Probleme sind aufgrund des früheren Aufnahmezeitpunktes im Vergleich zur ETM+-Szene in fast allen Vegetationsklassen für den LISS3-Sensor zu erkennen. Die Klassentrennbarkeit für die Daten des ETM+ zeigt ähnliche Tendenzen, wobei sich das 67

80 Kapitel 5. Ergebnisse und Diskussion Fehlen des blauen Kanals und der mittleren und thermischen Infrarotkanäle in deutlich schlechteren Werten für ETM(resampled) zeigt. Für den ETM+-Sensor liegen die größten Probleme in der Trennbarkeit von urbanen Gebieten und vegetationslosen Flächen. Im Vergleich dazu zeigt die Klassentrennbarkeit der Szenen im Untersuchungsraum Sachsen trotz der unterschiedlichen Sensorsysteme sehr ähnliche Charakteristika auf. Die absoluten Werte zeigen eine bessere Klassentrennbarkeit des ETM+-Sensors, wobei diese nur wenig besser sind als die Werte von LISS3. Alle drei Sensoren zeigen die größten Schwierigkeiten bei der Trennung von Nadelwald und Mischwald. Der Grund liegt in der schwierigen Abgrenzung der Klasse Mischwald, die aus unterschiedlichen Laub- und Nadelwaldanteilen besteht. Die Abbildungen A.3(a) und A.3(b) im Anhang dieser Arbeit zeigen die Ergebnisse der Klassentrennbarkeit und verdeutlichen die ähnlichen Charakteristika der unterschiedlichen Sensoren. Zusammenfassend kann festgestellt werden, dass die großen Unterschiede im Untersuchungsraum Schleswig-Holstein vor allem auf die unterschiedlichen Aufnahmezeitpunkte und Aufnahmesituationen zurückzuführen sind. Die Ausprägung der Vegetation in der Maiszene des ETM+-Sensors ist im Vergleich zur Aprilszene des LISS3-Sensors deutlich fortgeschritten, wodurch eine bessere Unterscheidbarkeit der einzelnen Vegetationsklassen gegeben ist. Im Untersuchungsgebiet Sachsen konnte dieser Störfaktor ausgeschlossen werden. Der relativ späte Aufnahmezeitpunkt am Ende der Vegetationsperiode schafft nahezu gleiche Bedingungen, auch wenn eine Differenz von fünf Jahren zwischen den beiden Aufnahmen liegt. Die Ergebnisse zeigen, wenn auch nicht mit identischen Werten, für die Klassentrennbarkeit sehr ähnliche Tendenzen. Dieses Ergebnis ist auf die spektrale Auflösung beider Sensoren mit fast identischen Bereichen des elektromagnetischen Spektrums zurückzuführen. Die Vorteile des ETM+-Sensors liegen in der höheren spektralen Auflösung mit dem zusätzlichen Blau-, mittleren Infrarot- und thermalen Infrarotkanal. Deutlich sichtbar wird dieser Umstand durch die schlechteren Werte des ETM(resampled) im Vergleich zu ETM+. Der Vergleich des ETM(resampled) und LISS3 zeigt die Vorteile des LISS3-Sensors aufgrund der besseren geometrischen Auflösung Klassifikations- und Validierungsergebnisse Die Resultate der pixelbasierten Klassifikation spiegeln die Ergebnisse der Klassentrennbarkeit wider. Spektral ähnliche Klassen, die schwer trennbar sind, zeigen ebenfalls deutliche Abweichungen in der Klassifikationsgüte. Große Probleme durch Fehlklassifkationen entstehen bei stark heterogenen Klassen und in Mischpixelbereichen aufgrund der begrenzten Bodenauflösung. Um den Unterschieden der beiden Untersuchungsräume gerecht zu werden und eine bessere Übersichtlichkeit zu gewährleisten, erfolgt die Diskussion der Klassifikationsgütevalidierung 68

81 5.1. Vergleichbarkeit der Sensorcharakteristik getrennt für beide Untersuchungsräume. Die Gesamtklassifikationsgüte in Schleswig-Holstein liegt bei ETM+ und ETM(resampled) bei 79,6 % bzw. 75,7 %, der Wert für den Kappakoeffizienten bei 0,769 bzw. 0,725 (vgl. Anhang Tabelle B.2(a) und Tabelle B.2(b)). Für LISS3 ist die Gesamtklassifikationsgüte 75,5 % und der Kappakoeffizient liegt bei 0,722 (vgl. Anhang Tabelle B.3(a)). Die Tabelle 5.1 zeigt eine Übersicht der Nutzer- und Herstellergenauigkeiten. Aufgeschlüsselt nach den Grundklassen zeigen diese deutliche Abweichungen, die auf unterschiedliche Ursachen zurückzuführen sind. Die Klasse Wasser konnte mit allen Sensoren die besten Klassifikationsgenauigkeiten erreichen, während die Klasse Urban die größten Probleme verursachte. Nachfolgend kommt es zu einer genaueren Betrachtung dieser Basisklassen. Tabelle 5.1: Nutzer- und Herstellergenauigkeiten (in %) der Maximum Likelihood- Klassifikation im Untersuchungsgebiet Schleswig-Holstein Klasse ETM+ LISS3 ETMres Prod.A User.A Prod.A User.A Prod.A User.A Nadelwald 74,12 84,63 74,58 46,73 66,30 86,24 Laub-/Mischwald 80,11 83,28 51,97 64,18 77,89 71,17 Urban 55,10 53,74 38,94 46,05 43,88 52,06 Grünland 74,35 82,63 89,37 88,30 70,70 80,59 Vegetation 1 85,83 90,06 69,64 53,70 83,31 78,06 Vegetation 2 84,39 98,07 66,08 82,86 81,86 98,31 Offener Boden 77,23 85,84 83,59 90,69 75,84 84,32 Restvegetation 79,64 53,43 75,09 71,66 69,82 48,86 Flachwasser 79,47 97,55 98,56 84,10 82,03 91,45 Wasser 99,80 88,93 98,86 97,88 99,86 90,68 Wasser konnte für alle drei Sensoren mit einer Genauigkeit von über 98 % korrekt bestimmt werden. Probleme traten in Uferrandbereichen bzw. kleinen Flüssen auf, bei denen ein Mischsignal mit der Ufervegetation entstand. Die Flachwasserbereiche zeigen unterschiedliche Validierungsgüten. Aufgrund der unterschiedlichen Ebbe- und Flut-Verhältnisse treten diese in den Szenen mit unterschiedlicher Häufigkeit auf. Die schlechtere Genauigkeit und die damit verbundenen Fehlklassifikationen bei ETM+ und ETM(resampled) sind zu einem großen Teil auf schlecht gewählte Referenzflächen zurückzuführen. Aus diesem Grund wird zum einen Flachwasser der Klasse Wasser zugeordnet und zum anderen wurden vor allem ufernahe Flachwasserbereiche als Klasse Urban fehlklassifiziert. Die visuelle Überprüfung zeigte, dass bei ETM+ weniger Fehlklassifikationen zur Klasse Urban im Uferbereich vorhanden sind, als dies bei LISS3 und ETM(resampled) der Fall ist. Die Ergebnisse der Klassentrennbarkeit bestätigen diese Beobachtung. Die Ursache ist also den fehlenden Kanälen (Blau, mittleres und thermales 69

82 Kapitel 5. Ergebnisse und Diskussion Infrarot) geschuldet. Die Waldgebiete wurden mit unterschiedlicher Genauigkeit klassifiziert. Nadelwald erreicht für ETM+ und LISS3 eine Herstellergenauigkeit von über 74 %. Für den ETM(resampled) liegt diese nur bei 66 %. Die Fehlklassifikationen gehen vor allem zu Gunsten der Klasse Laub-/Mischwald aus. Die Gründe dafür sind in der spektralen Ähnlichkeit mit der heterogenen Klasse Laub-/Mischwald zu suchen, was sich durch die sehr schlechten Werte der Klassentrennbarkeit bestätigen lässt. Die Klasse Laub-/Mischwald zeigt bei ETM+ und ETM(resampled) eine ähnliche Charakteristik. Die Abgabe in andere Klassen erfolgt (wie auch bei LISS3) hauptsächlich in die Klasse Nadelwald sowie zu kleineren Anteilen in die anderen Vegetationsklassen. Große Probleme zeigt die Herstellergenauigkeit von 52 % für LISS3. Die Fehlklassifikationen gehen hier zu 38 % in die Klasse Nadelwald ein. Zurückzuführen ist dieses Problem auf die schlechte Klassentrennbarkeit infolge des frühen Zeitpunkts in der Vegetationsperiode. Die Ausbildung der Laubblätter befindet sich noch in einem Anfangsstadium, so dass ein sehr hoher Anteil von Boden im empfangenen Signal die Klassenbeschreibung beeinflusst. Die Vegetationsklassen Grünland, Vegetation 1, Vegetation 2 und Restvegetation zeigen beim LISS3-Sensor große Abweichungen. Die Hersteller- und Nutzergenauigkeiten liegen außer für das Grünland in Bereichen unter 70 %. Bereits bei der Untersuchung der Klassentrennbarkeit hat sich diese Problematik angekündigt. Vor allem die beiden Klassen Vegetation 1 und Vegetation 2 werden mit einer Klassifikationsgüte unter 70 % im Vergleich zu ETM+ sehr schlecht repräsentiert. Die Abgabe der fehlklassifizierten Flächen erfolgt zu großen Teilen in die jeweils andere Vegetationsklasse. ETM+ und ETM(resampled) zeigen hier mit über 80 % deutlich bessere Werte. Die Gründe dafür sind ebenfalls in den unterschiedlichen Aufnahmezeitpunkten zu suchen. Die beiden Vegetationsklassen, die dem Ackerland zuzuordnen sind, können in der phänologisch frühen Aufnahme der LISS3-Szene nur schwer eindeutig voneinander getrennt werden. Gegenteilige Beobachtungen wurden für die Klasse Grünland gemacht. Grünland konnte in der LISS3-Szene mit einer Genauigkeit von über 85 % richtig klassifiziert werden. Hierbei zeigt sich das frühe Vegetationsstadium als vorteilhaft für die Unterscheidung von Acker- und Grünland. ETM+ und ETM(resampled) haben anhand der ausgewählten Trainingsgebiete nur eine Klassifikationsgüte von unter 75 % für die Klasse Grünland erreicht. Die Schwierigkeiten bei der Trennung von Acker und Grünland sind innerhalb der Vegetationsperiode deutlich sichtbar, was bereits während der CORINE Land Cover 2000-Klassifikation kritisiert wurde (vgl. Seite 15). Es zeigt sich die Notwendigkeit von multitemporalen Datensätzen oder eines frühen oder sehr späten Aufnahmzeitpunktes für die Unterscheidung von Acker- und Grünland. Die Klasse Restvegetation stellt eine Mischklasse dar. Die Klasse umfasst neben der inner- 70

83 5.1. Vergleichbarkeit der Sensorcharakteristik städtischen Vegetation alle nicht eindeutig einer anderen Vegetationsklasse zuordenbaren Flächen. Dies spiegelt sich in der Validierungsgüte durch Fehlklassifikationen in nahezu allen Vegetationsklassen wider. Die Fehlklassifikationen entstanden ebenso in Mischpixelbereichen beim Übergang zwischen unterschiedlichen ackerbaulich genutzten Flächen. Außerdem wurde bei LISS3 eine Fehlklassifikation zu Gunsten der Klasse Laub-/Mischwald festgestellt. Diese ist ebenfalls auf das frühe Vegetationsstadium zurückzuführen und war bereits in der schlechten Klassentrennbarkeit von Laubwald und Restvegetation erkennbar. (a) ETM+ (b) ETM+ Maximum Likelihood- Klassifikation (c) ETM(resampled) Maximum Likelihood-Klassifikation (d) LISS3 (e) LISS3 Maximum Likelihood- Klassifikation (f) LISS3 Support Vector Machine-Klassifikation (g) Legende Abbildung 5.1: Vergleich der Ergebnisse der Maximum Likelihood- und Support Vector Machine-Klassifikation im Untersuchungsraum Schleswig-Holstein (Siedlungsbereich Kiel) 71

84 Kapitel 5. Ergebnisse und Diskussion Die Klasse Urban zeigt für alle Sensoren die schlechtesten Werte in der Klassifikationsgüte. LISS3 mit 38 %, ETM(resampled) und ETM+ mit 43 % bzw. 55 % erreichen nur eine ungenügende Genauigkeit. Aufgrund der starken Heterogenität der Klasse und der spektralen Ähnlichkeit zu anderen Klassen kommen Fehlklassifikationen, bspw. zur Klasse Restvegetation, zustande. Als Restvegetation werden weniger stark versiegelte Bereiche ebenso wie innerstädtische Vegetationsflächen klassifiziert. Die Probleme der Klassentrennbarkeit bestätigen die spektrale Ähnlichkeit für beide Klassen. Weitere Fehlklassifikationen, vor allem in hochversiegelten Bereichen, werden zu Gunsten der Klasse Offener Boden und für ETM(resampled) und LISS3 zu Gunsten der Klasse Flachwasser zugeordnet. Die spektrale Ähnlichkeit der beiden Klassen ist hierbei wiederum als Grund anzuführen. Abbildung 5.1 visualisiert für beide Satellitensensoren die Fehlklassifikationen im Bereich der Kieler Innenstadt und des Hafens. Offener Boden kann, wie bereits erwähnt, rein spektral nur schwer von urbanen Flächen getrennt werden. Im Untersuchungsraum ist für ETM+ und ETM(resampled) festzustellen, dass die Fehlklassifikationen sich auf die Klassen Urban und Restvegetation beschränkten, während LISS3 aufgrund des frühen Aufnahmezeitpunktes offenen Boden zu Gunsten fast aller Klassen fehlklassifiziert. Aufgrund der schlechten Validierungsergebnisse für die Klasse Urban wurde anhand der LISS3-Szene eine Klassifikation mit dem Stützvektor-Klassifikator (Support Vector Machine (SVM)) (Foody et.al 2006 [18]) mit identischen Trainingsgebieten durchgeführt. Der SVM-Algorithmus bildet anhand der Trainingsgebiete eine in einem mehrdimensionalen Merkmalsraum aufgespannte Ebene, um die verschiedenen Klassen möglichst ideal voneinander abzugrenzen. Die Tabelle B.3(b) im Anhang der Arbeit zeigt eine deutliche Verbesserung der Klassifikationsgüte, vor allem in heterogenen Klassen, z. B. in der Klasse Urban. Die Gesamtklassifikationsgüte für den Untersuchungsraum Sachsen zeigt für ETM+ und ETM(resampled) eine Genauigkeit von 75,8 % bzw. 71,5 % und einen Kappakoeffizienten von 0,728 bzw. 0,678 (vgl. Anhang Tabellen B.4(a) und B.4(b)). Für LISS3 ergibt sich eine Genauigkeit von 74,9 % und ein Kappakoeffizient 0,719 (vgl. Anhang Tabelle B.5(a)). Die Aufschlüsselung für die einzelnen Grundklassen wird im Folgenden dargestellt und ist zur Übersicht in Tabelle 5.2 zusammengefasst. Für die Klasse Wasser ergab sich eine Herstellergenauigkeit der Klassifikation von über 91 % für alle drei Sensoren. Die Fehlklassifikationen erfolgten in die Klasse Urban und zu geringen Teilen in die Klasse Offener Boden mit Vegetation. Der Grund für die Fehlklassifikationen ist in Mischpixelbereichen an Uferrandbereichen der Elbe und Seen zu suchen. 72

85 5.1. Vergleichbarkeit der Sensorcharakteristik Die Waldklassen zeigen sehr verschiedene Genauigkeiten für die einzelnen Waldklassen und verschiedenen Sensoren. Die Klasse Nadelwald besitzt eine Genauigkeit von 90 % für ETM+ und ETM(resampled). Im Vergleich dazu erreicht LISS3 nur 74 % Herstellergenauigkeit. Die Fehlklassifikation erfolgt bei allen Sensoren zu Gunsten der Klasse Mischwald. Die Klassentrennbarkeit zwischen Misch- und Nadelwald bzw. Misch- und Laubwald weist nur unzureichende Werte auf. Dies wird auch bei der Klassifikationsgenauigkeit der Klasse Laubwald bestätigt. Diese kann nur mit einer Genauigkeit von unter 73 % korrekt bestimmt werden und die Fehlklassifikationen erfolgen zum größten Teil zu Gunsten der Klasse Mischwald. Mischwald zeigt für den LISS3-Sensor eine Herstellergenauigkeit von 88 %. Die Fehlklassifikation zu Gunsten der Klasse Nadelwald ist hier am geringsten im Vergleich zu ETM+ und ETM(resampled). In der Klassentrennbarkeit erreichte LISS3 den besten Wert für die Unterscheidbarkeit der beiden Klassen. ETM+ und ETM(resampled) weisen für die Klasse Mischwald nur eine Herstellergenauigkeit von 79 % bzw. 77 % auf. Zusammenfassend kann für die Waldklassen festgehalten werden, dass die Fehlklassifikationen zum größten Teil zu Gunsten einer anderen Waldklasse erfolgt sind und mit Hilfe einer Verbesserung der Trainingsgebiete eine Optimierung der Ergebnisse möglich ist. Tabelle 5.2: Nutzer- und Herstellergenauigkeiten (in %) der Maximum Likelihood- Klassifikation im Untersuchungsgebiet Sachsen Klasse ETM+ LISS3 ETMres Prod.A User.A Prod.A User.A Prod.A User.A Nadelwald 90,68 80,62 74,27 86,95 90,07 79,16 Laubwald 73,02 80,87 71,52 77,54 73,88 80,47 Mischwald 79,35 69,85 88,43 66,37 77,03 68,81 Urban 75,14 46,31 85,24 49,08 49,92 54,89 Tagebau 92,21 93,90 95,49 89,03 79,99 52,61 Offener Boden 67,40 89,97 74,26 93,08 70,32 85,86 Grünland 89,29 56,08 90,76 64,16 88,29 55,59 Vegetation 83,13 92,23 68,51 92,36 81,39 94,10 Off_BmVeg. 52,98 74,36 39,91 73,70 46,91 56,47 Wasser 91,99 99,41 91,75 99,97 91,81 99,40 Die drei Vegetationsklassen zeigen für alle Sensoren ähnliche Tendenzen. Grünland kann bei allen Sensoren mit fast 90 %iger Genauigkeit identifiziert werden. Der Grund für diese guten Validierungswerte liegt im späten Aufnahmezeitpunkt, da zu diesem Zeitpunkt das Ackerland bis auf wenige Feldfrüchte bereits komplett abgeerntet ist. Die wenigen Fehlklassifikationen erfolgen vor allem zu Gunsten der verbleibenden Vegetationsklassen, bei LISS3 auch in die Klasse Urban. 73

86 Kapitel 5. Ergebnisse und Diskussion Die Klasse Vegetation erreicht Herstellergenauigkeiten von 68 % für LISS3, über 83 % für ETM+ und bis zu 81 % für ETM(resampled). Die Hauptklassen, in welche die Fehlklassifikationen erfolgen, sind Grünland und bei LISS3 ebenso urbane Flächen. Die Gründe für die Fehlklassifikation in die Klasse Urban sind den Mischpixelbereichen an Feldgrenzen zuzuschreiben, aber auch kleineren Siedlungsbereichen innerhalb großer Feldstrukturen. Die Klasse Offener Boden mit Vegetation stellt wie beim Untersuchungsraum Schleswig- Holstein eine Art Restklasse dar, die zwar von Flächen mit Vegetationsbedeckung dominiert ist, welche aber insich stark heterogen sind. Die schlechten Werte der Herstellergenauigkeit von unter 55 % (LISS3 < 40 %) und die Fehlklassifikationen in die Klasse Urban und Grünland, aber auch Tagebau unterstreichen diesen Umstand. Die Fehlklassifikationen zu Gunsten der Klasse Urban erfolgten aufgrund der spektralen Ähnlichkeit mit gering versiegelten, innerstädtischen Flächen. Die nicht Vegetationsklassen Tagebau, Offener Boden und Urban zeigen ein sehr unterschiedliches Bild der Validierungsgenauigkeiten. Die Tagebau-Flächen werden bei LISS3 mit 95 % Herstellergenauigkeit am besten wiedergegeben. ETM+ zeigt 92 % korrekt klassifizierte Validierungsflächen und ETM(resampled) erreicht einen Wert von 79 %. Die Fehlklassifikationen bei LISS3 und ETM+ gehen zu Gunsten der Klasse Offener Boden. ETM(resampled) hat eine Vielzahl von Fehlklassifikationen zu Gunsten der Klasse Offener Boden mit Vegetation. Die Fehlklassifikation erfolgt vor allem innerhalb der Mischpixelbereiche. Die Klasse Offener Boden zeigt mit ca. 70 % für ETM+ und ETM(resampled) und 74 % Klassifikationsgenauigkeit für LISS3 nur durchschnittliche Werte. Die Fehlklassifikationen erfolgen in die Klassen Urban, Offener Boden mit Vegetation, aber auch zu Gunsten der Klasse Tagebau bei ETM(resampled). Die Klasse Urban zeigt sehr unterschiedliche Ausprägungen. LISS3 zeigt eine Herstellergenauigkeit von 85 %, was als ein zufriedenstellendes Ergebnis betrachtet werden kann. Die Fehlklassifikationen erfolgen vor allem zu Gunsten der Klassen Grünland und offener Boden mit Vegetation, die auch bei der Klassentrennbarkeit Probleme zeigten. ETM+ und ETM(resampled) besitzen dagegen weniger überzeugende Werte der Klassifikationsgenauigkeit von 75 % und 50 %. Die Fehlklassifikationen bei ETM+ sind tendenziell denen der LISS3-Aufnahme ähnlich, nur mit etwas höherer Häufigkeit. ETM(resampled) zeigt starke Fehlklassifikationen in die Klassen Offener Boden und Offener Boden mit Vegetation, bei denen die Unterscheidbarkeit durch die Klassentrennbarkeit nur schlecht gegeben ist. Die für diesen Untersuchungsraum ebenfalls durchgeführte Klassifikation mit dem Support Vector Machine-Verfahren (vgl. Seite 43) brachte keine Verbesserungen der Klassifikationsgüte und wird deswegen nicht weiter betrachtet. 74

87 5.2. Möglichkeiten objektorientierter Verfahren zur Umsetzung von CORINE Land Cover Zusammenfassend kann festgehalten werden, dass die Sensoren tendenziell sehr ähnliche Ergebnisse liefern. Die im phänologischen Verlauf unterschiedlichen Aufnahmezeitpunkte und die damit verbundenen Probleme konnten anhand des Vergleichs mit dem Untersuchungsraum Sachsen ausgeräumt werden. Die Klassentrennbarkeit zeigt, dass die geringen Abweichungen vor allem den Unterschieden der spektralen und geometrischen Auflösung zuzuschreiben sind. Die Untersuchung des Einflusses ansteigender Trainingsgebiete auf das Klassifikationsergebnis wurde bereits in Abschnitt diskutiert. Für die Vergleichbarkeit des ETM+ (Landsat 7) und LISS3 (IRS-P6) belegen die Ergebnisse der in Kapitel 3 durchgeführten Untersuchungen mit durchaus gleichen Charakteristika. Damit bestätigt sich die Annahme, LISS3-Daten für die Aktualisierung von CORINE Land Cover verwenden zu können. 5.2 Möglichkeiten objektorientierter Verfahren zur Umsetzung von CORINE Land Cover In Abschnitt 4.1 wurde eine Möglichkeit der Umsetzung von CORINE Land Cover in Definiens Developer Earth aufgezeigt. Die Umsetzung durch objektorientierter Verfahren zeigt im Vergleich zu pixelorientierten Klassifikationsverfahren große Potentiale. Vor allem die Nutzung von Zusatzinformationen in Form von zeitlichen Merkmalen oder thematischen Attributen der ATKIS-Daten ermöglichen die Umsetzung von 21 (Schleswig-Holstein) bzw. 19 (Sachsen) der in den Untersuchungsgebieten vorkommenden CORINE Land Cover-Klassen. Von diesen umgesetzten Klassen wurden 13 mit einer Genauigkeit von mehr als 85 % korrekt bestimmt. Im Folgenden werden die Ergebnisse der Validierung der Untersuchungsräume dargestellt. Weiterhin wird die Erstellung und Übertragbarkeit des Regelwerks diskutiert Accuracy Assessment Schleswig-Holstein Die mit Hilfe der Referenzflächen im Unterschuchungsraum durchgeführte Validierung ermittelt die nachfolgend beschriebenen Genauigkeiten für die einzelnen CORINE Land Cover-Klassen. Die Gesamtgenauigkeit, die die Prozentzahl der korrekt klassifizierten Flächen angibt, beträgt für das Untersuchungsgebiet 90,2 %. Die detaillierten Klassifikationsgenauigkeiten können der Tabelle B.6 im Anhang entnommen werden. Eine zusammenfassende Übersicht stellt die Tabelle 5.3 dar. 75

88 Kapitel 5. Ergebnisse und Diskussion Die Klassen, 111 Durchgängig städtische Prägung, 122 Straßen und Eisenbahn, 123 Hafengebiete und 124 Flughäfen, die mit Hilfe von CLC2000 gebildet wurden, zeigen bis auf 123 Hafengebiete eine Genauigkeit von über 90 %. Dieses Ergebnis bestätigt die Notwendigkeit einer sehr feinen Segmentierung für die städtischen Bereiche. Eine sehr hohe Validierungsgüte von über 90 % zeigt auch die mit Hilfe der ATKIS-Objektgruppe 2100 erstellte Klasse 112 Nicht durchgängig städtische Prägung. Nicht korrekt wiedergegeben werden die Grenzbereiche von Straßendörfern und Streusiedlungen. Vom Siedlungskern entfernte Siedlungsteile werden zwar mit Hilfe der ATKIS-Daten identifiziert, jedoch werden diese, bei eine Fläche kleiner fünf Hektar, mit dem umgebenden Objekt generalisiert. Die Klassifikationsgüte von unter 65 % der funktionalen Klassen 121 Industrie- und Gewerbeflächen und 131 Abbauflächen muss als nicht ausreichend beurteilt werden, da die Klassen spektral nicht trennbar sind. Der Fehler kommt aufgrund abweichender Klassendefinitionen von ATKIS und CLC und daraus folgenden abweichenden Objektgeometrien und Objektzuweisungen zustande. Die CLC-Klasse 132 Deponien wurde mit Hilfe der ATKIS-Objektart 2122 Deponien gut wiedergeben, wobei zu erwähnen ist, dass die Klassendefinitionen der beiden Klassen nicht identisch sind und aus diesem Grund Fehlzuweisungen in anderen Untersuchungsräumen nicht ausgeschlossen werden können. Die 14x innerstädtischen Grünflächen bedürfen mehr Feinabstimmung. Die Klasse 141 Städtische Grünflächen ist mit hoher Genauigkeit bestimmbar, jedoch kann die verwendete Klassenbeschreibung zu Fehlklassifikationen, vor allem in ländlichen Bereichen, führen. Die Klasse 142 Sport- und Freizeitanlagen ist im städtischen Bereich spektral mit Hilfe von Nachbarschaften nicht von der Klasse 141 Innerstädtischen Grünflächen zu unterscheiden. Die ATKIS-Objektgruppe 2200 Siedlungsfreiflächen könnte für diese Klassenunterscheidung zu Hilfe gezogen werden, fand aber im konkreten Projektaufbau noch keine Berücksichtigung. Die Ergebnisse der Validierung der CORINE-Klasse 2xx Landwirtschaftliche Flächen zeigt, dass den Problemen bei der Unterscheidung von den Klassen 211 Nicht bewässertes Ackerland und 231 Wiesen und Weiden in existierenden CLC-Klassifikationen mit Hilfe der Phänologie wirksam begegnet werden kann. Die spektral gebildeten Klassen 511 Gewässerläufe, 512 Wasserflächen und 311 Laubwald zeigen eine sehr hohe Validierungsgüte. Die CLC-Klasse 421 Salzwiesen wurde über die Beschreibung der Nachbarschaft gut wiedergegeben. Kleinere Bereiche, die als CLC-Klasse 231 Wiesen und Weiden klassifiziert wurden, sind aufgrund der spektralen Ähnlichkeiten beider Klassen nicht überraschend. Einige Klassen konnten nur unzureichend wiedergegeben werden. Größere Probleme entstanden vor allem bei der Zuordnung der Klasse 32x Strauch und Krautvegetation. Zurückzuführen ist dies auf die spektrale phänologische Ähnlichkeit zu anderen Vegetationsklassen. Eine Ausnahme bildet hierbei die Klasse 322 Heiden und Moorheiden, die anhand der 76

89 5.2. Möglichkeiten objektorientierter Verfahren zur Umsetzung von CORINE Land Cover Tabelle 5.3: Nutzer- und Herstellergenauigkeiten (in %) für die Umsetzung der CORINE Land Cover-Klassifikation in den Untersuchungsgebieten Schleswig-Holstein und Sachsen CLC Schleswig-Holstein Sachsen Prod.A. User.A. Prod.A. User.A ,94 100,00 98,46 100, ,03 90,10 91,46 86, ,57 89,91 72,79 81, ,31 100,00 100,00 100, ,71 53,50 100,00 100, ,92 100,00 100,00 100, ,31 38,03 77,19 100, ,00 100,00 66,67 100,00 141/142 86,24 94,68 69,92 44, ,85 97,81 84, ,00 84,34 92,86 96, ,00 84,96 100,00 82, ,46 93,63 95,78 98, ,26 63,38 95,29 99,92 321/324 43,72 67,14 64,11 57, ,00 100,00 35,41 100, ,70 100,00 411/412 90,78 100,00 99,44 98, ,47 100, ,00 100,00 100,00 100, ,00 100,00 96,59 100,00 ATKIS-Objektart 4104 Heide teilweise sehr genau bestimmt werden kann. Die Klasse 41x Feuchtflächen im Landesinneren kann anhand der ATKIS-Objektarten 4105 Moor, Moos sowie 4106 Sumpf Ried sehr gut wiedergegeben werden, jedoch wurden die beiden Unterklassen 411 Sümpfe und 412 Torfmoor beim Aufbau der Klassenhierarchie nicht getrennt. Abbildung 5.2 zeigt einen Überblick des Klassifikationsergebnisses. Die Abbildungen 5.2.(b) und 5.2.(c) zeigen ein mögliches CORINE Land Cover 2006 mit einer Mindestobjektgröße von 25 ha (vgl. Abbildung 5.2.(b) und 5 ha (vgl. Abbildung 5.2.(c)). Zum Vergleich dazu zeigt Abbildung 5.2.(a) die CORINE Land Cover-Klassifikation Accuracy Assessment Sachsen Die Übertragung des Regelwerks wurde in Abschnitt 4.3 beschrieben. Die Ergebnisse der Validierung werden im Folgenden umfassend erläutert. Die Gesamtgenauigkeit für den Untersuchungsraum liegt bei 88,8 %, was ein zufriedenstel- 77

90 Kapitel 5. Ergebnisse und Diskussion Abbildung 5.2: Mögliche CLC2006-Umsetzung im Untersuchungsraum Schleswig-Holstein, a) CLC2000 (oben), b) CLC ha (Mitte), c) CLC ha (unten) 78

91 5.2. Möglichkeiten objektorientierter Verfahren zur Umsetzung von CORINE Land Cover lendes Ergebnis bedeutet. Eine Übersicht der Hersteller- und Nutzergenauigkeiten kann der Tabelle 5.3 entnommen werden. Die komplette Fehlermatrix befindet sich im Anhang (Tabelle B.7). Die CORINE-Klassen 1xx Bebaute Flächen zeigen unterschiedliche Klassifikationsgenauigkeiten. Die CLC-Klasse 112 Nicht durchgängig städtische Prägung wurde mit einer Genauigkeit von über 90 % gut wiedergegeben. Eine geringe Anzahl von Fehlklassifikationen entstanden im brandenburgischen Teil des Untersuchungsgebietes aufgrund der fehlenden ATKIS-Daten. Die alternative Bestimmung der Siedlungsklasse (Siedlung_ohneATKIS) führte in Mischpixelbereichen zu Fehlklassifikationen. Vereinzelt traten Fehlzuweisungen bei vegetationslosem Boden auf. Weiterhin kam es zu geometrischen Fehlern bei Streusiedlungen und Straßendörfern. Diese entstehen bei größeren Abständen zwischen den einzelnen Siedlungsteile durch abschließende Generalisierung der Objekte kleiner als fünf Hektar mit den übergeordneten Objekten. Die CLC-Klasse 121 Industrie- und Gewerbeflächen zeigt Probleme mit Fehlklassifikationen, vor allem in die CLC-Klasse 112 Nicht durchgängig städtische Prägung. Dieser Fehler ist auf unterschiedliche Klassendefinitionen für CORINE und ATKIS zurückzuführen. Vereinzelt traten Fehlzuweisungen von Objekten ohne Vegetationsbedeckung zur CLC-Klasse 121 auf. Eine nicht zu 100 % korrekte Zuweisung der Grundklasse Acker_brach ist für diesen Fehler verantwortlich. Die mit Hilfe der CORINE Land Cover 2000-Daten gebildeten Klassen wurden alle zu fast 100 % wiedergegeben. Es bleibt festzuhalten, dass die Klassen zwar für den Stand 2000 aufgrund der feinen Segmentierung in der ersten Segmentierungsebene wiedergegeben werden, aber die Änderungen innerhalb des Aktualisierungszeitraums nicht erfasst werden können. Die Klassen 131 Abbauflächen und 132 Deponien und Abraumhalden wurden nur unzureichend wiedergegeben. Die Fehlklassifikationen sind auch hier auf unterschiedliche Klassenbeschreibungen für CORINE und ATKIS zurückzuführen. Die Fehlklassifikationen in die Klasse 121 Industrie- und Gewerbeflächen sind aber nicht als falsch, sondern als nicht ausreichend detailliert zu betrachten und müssen gegebenenfalls manuell nachbearbeitet werden. Probleme bei der Zuweisung von Klasse 131 Abbauflächen werden vor allem in den stillgelegten Tagebauregionen in Brandenburg sichtbar. Diese Flächen wurden zum Teil in der Ebene 1 bereits als Acker_brach fehlklassifiziert und konnten so auf der Ergebnisebene nicht mehr der Klasse 131 zugewiesen werden. Die 14x Grünflächen werden nur unzureichend abgebildet. Die Genauigkeit von unter 70 % hängt vor allem mit funktionellen Beschreibungen der ATKIS-Objektarten zusammen, die zwar einen Informationsgewinn mit sich bringen, die im Regelwerk exisiterende Klassenbeschreibung aber nicht mehr zutreffen lässt. Ein Beispiel ist der Bereich des Großen Gartens in Dresden (vgl. Abbildung 5.3). Da die ATKIS Objektart 2113 Flächen funktionaler Prägung in der erstellten Klassenhierarchie nicht als Vegetationsklasse bestimmt wird, kommt 79

92 Kapitel 5. Ergebnisse und Diskussion es zu einer unzureichenden Zuordnung dieses Bereiches. Die ATKIS-Objektgruppe 2200 Siedlungsfreiflächen könnte für eine detailliertere Beschreibung zu Hilfe gezogen werden. (a) LISS3 (b) ATKIS (Städtische Klassen rot, Vegetationsklassen grün) (c) CLC 2006 (d) Legende CLC Abbildung 5.3: Fehlklassifikation im Bereich des Großen Garten Dresden Die CLC-Klassen 2xx Landwirtschaftliche Flächen werden wie beim Untersuchungsraum Schleswig-Holstein mit einer sehr hohen Genauigkeit von mehr als 90 % mit Hilfe der zeitlichen Merkmale identifiziert. Die Fehlklassifikationen in der Klasse 231 Wiesen und Weiden zur CORINE-Klasse 312 Nadelwald erfolgen durch zu ungenau gesetzte Schwellenwerte (NDVI, LISS3-Band 3 und 4) bei der Trennung der Klassen Landwirtschaftliche Flächen und Wald. Die CLC-Klassen 3xx Wälder und naturnahe Flächen werden anhand des erstellten Regelwerks mit unterschiedlichen Genauigkeiten wiedergegeben. Die CORINE-Klassen 311 Laubwald, 312 Nadelwald und 313 Mischwald zeigen alle konstant hohe Werte. Die Änderung der Klassifikation auf die unterste Ebene hat eine Verbesserung der Unterteilung der verschiedenen Waldarten zur Folge. Die Fehlklassifikationen der Klasse 313 Mischwald wurden durch die Zuweisung der Waldarten bereits auf der Ebene 1 deutlich verringert. Die CLC-Klassen 32x Strauch- und Krautvegetation konnten mit dem Regelwerk nur ungenau wiedergegeben werden. Eine Trennung der Klassen 321 Natürliches Grünland und 324 Wald-Strauch-Übergangsstadien war nicht möglich. Die Validierungsergebnisse zeigen die Güte von 64 %, dabei gehen die Fehlklassifikationen in die Klasse 211 Nicht bewässertes Ackerland. Die Fehlzuweisungen erfolgen aufgrund einer unzureichenden Beschreibung der Klassen Offener Boden bzw. Acker_brach, wodurch die Klasse Offener Boden auch der 80

93 5.2. Möglichkeiten objektorientierter Verfahren zur Umsetzung von CORINE Land Cover CORINE-Klasse 211 Nicht bewässertes Ackerland zugewiesen werden musste. Das Problem entsteht durch die verwendeten zeitlichen Merkmale. Diese zeigen über zwei Jahresschnitte und bei Flächen die kleiner als 20 ha sind nur eine ungenügende Genauigkeit, so dass die Klasse Acker_brach vereinzelt nicht korrekt zugewiesen wurde. Die Klasse 322 Heiden und Moorheiden zeigt mit Hilfe der Zuweisung durch die ATKIS- Objektart 4104 Heiden ein Klassifikationsergebnis von 35 %. Durch die Zuweisung mit Hilfe der ATKIS-Objektart 4104 Heiden kann die Beschreibung der CORINE-Klasse nur teilweise erfolgen, wodurch die Objekte, deren Größe unter 5 ha fällt, später generalisiert werden. Die CORINE-Klasse 411 Sümpfe wurde trotz geringen Vorkommens im Untersuchungsgebiet, mit einer Genauigkeit von 99 %, anhand der ATKIS-Daten fast vollständig identifiziert. Die spektral und mit Hilfe der Vorklassifikation gebildeten Klassen 511 Gewässerläufe und 512 Wasserflächen zeigen ebenfalls eine sehr hohe Validierungsgüte. Die Fehlklassifikationen der Klasse 512 Wasserflächen zu Gunsten der Klasse 2xx Landwirtschaftliche Flächen erfolgten aufgrund der Probleme des NDVI infolge der Atmosphärenkorrektur sowie in Mischpixelbereichen am Uferrand. Die Abbildungen 5.4.(b) und 5.4.(c) zeigen ein mögliches CORINE Land Cover 2006 mit einer Mindestobjektgröße von 5 ha (vgl. Abbildung 5.4.(b) und 25 ha (vgl. Abbildung 5.4.(c)) für den Untersuchungsraum Sachsen. Zum Vergleich dazu zeigt Abbildung 5.4.(a) die CORINE Land Cover-Klassifikation

94 Kapitel 5. Ergebnisse und Diskussion 82 Abbildung 5.4: Mögliche CLC2006-Umsetzung im Untersuchungsraum Sachsen, a) CLC2000 (links), b) CLC ha (Mitte), c) CLC ha (rechts)

95 5.2. Möglichkeiten objektorientierter Verfahren zur Umsetzung von CORINE Land Cover Kritische Punkte bei der Erstellung und Umsetzung des Regelwerks Der Projektaufbau und die Datenaufbereitung erfordern einen hohen Aufwand und eine hohe Genauigkeit. Vor allem die Probleme, die bei der Arbeit mit unterschiedlichen Softwareprodukten entstehen, sind hier zu nennen. Unterschiedliche Startpunkte, von denen aus Daten eingelesen werden (Eckpunkt oben links oder Mittelpunkt), führen durch die unterschiedlichen geometrischen Auflösungen der Daten zu einem Pixelversatz. Ein Pixelversatz von bereits einem halben Pixel führt zu Problemen bei der Segmentierung. Durch die Segmentierung anhand der ATKIS-Geometrien wurden diskrete Grenzen gebildet. Die Segmentierungsalgorithmen der genutzten Softwareversion liefern zwar reproduzierbare Segmentierungsergebnisse, allein die komplexen und heterogenen Informationen der Satellitendaten sind aber für die Bildung diskreter Grenzverläufe über einen größeren Zeitraum nicht ausreichend. Die Segmentierung mit den genutzten Skalierungsfaktoren unterteilte außerhalb der Siedlungsbereiche die spektral heterogenen Bereiche weiter in Unterobjekte, so dass Bodenbedeckungs- oder Landnutzungsänderungen trotzdem ermittelt werden können. Dabei darf der Unsicherheitsfaktor der unterschiedlichen Aktualität der ATKIS-Daten (vgl. Abbildung 5.5) nicht unberücksichtigt bleiben. Die Spitzenaktualität, insbesondere die Infrastruktur, ist aber auch für ältere Kartenblätter gegeben (ATKIS- Objektartenkatalog [2]). Abbildung 5.5: Aktualität der ATKIS-Daten des Landesvermessungsamtes Sachsen (Quelle: ATKIS-Objektartenkatalog [2]) Die Nutzung der zeitlichen Merkmale in Form der MODIS-EVI-Zeitreihe ist für eine Mindestobjektgröße von 5 ha nur bedingt möglich. Die geometrische Auflösung der Daten von 83

96 Kapitel 5. Ergebnisse und Diskussion 250 m und die damit verbundene Interpolation birgt Risiken für die Genauigkeit der Merkmalszuweisung. Eine mögliche Alternative ist in Form des AWiFS-Sensors des IRS-P6- Satelliten gegeben. Die Auflösung von ca. 60 m zeigt deutliche Vorteile gegenüber den MODIS-EVI-Daten. Weiterhin sorgt die Szenenabdeckung von 740 km für einen kalkulierbaren Kostenanstieg. Andere bildunabhängige Merkmale wie Form- und Kontextparameter sind zwar für die Szene und geographisch gleiche Gebiete ohne Anpassung übertragbar, jedoch bedürfen die Merkmale einer Anpassung auf unterschiedliche Landschaftsräume. Vor allem Formparameter für Feldgrößen in Nord- und Süddeutschland, aber auch unterschiedlich erschlossene Flussbereiche sind hierbei zu erwähnen. Die ATKIS-Daten stellen für die Aktualisierung von CORINE Land Cover aufgrund des geometrischen und thematischen Informationsgehaltes in jedem Fall ein großes Potential dar. Um die Nutzbarkeit der Daten im Klassifikationsprozess zu gewährleisten, müssen diese vorab umfassend aufbereitet werden. Der hohe Informationsgehalt aufgrund der kartographischen Grundlage der ATKIS-Daten ist für die Umsetzung von CLC nicht unproblematisch. Neben nicht nutzbaren punktuellen Informationen zeigt die Möglichkeit, dass ein Objekt mehreren ATKIS-Objektarten angehören kann, einen Nachteil für die Umsetzung im Regelwerk. Eine umfassende Analyse der umsetzbaren ATKIS-Objektarten sowie eine notwendige Rangordnung der Wertigkeiten der Objektarten muss erstellt werden. Mit Hilfe der hohen geometrischen Genauigkeit der ATKIS-Daten kann eine Verringerung der Mindestobjektgröße (sowie Mindestbreite für linienhafte Objekte) und damit eine Aufwertung der Qualität der CLC-Daten erreicht werden. Jedoch stellt die unterschiedliche Aktualität der ATKIS-Daten ein Risiko für mögliche Fehlzuweisungen dar. Dies ist ein Grund, warum nur die deutlich aktuelleren ATKIS-Informationen der städtischen Bereiche für die Erstellung des Regelwerks genutzt wurden. Die thematischen Informationen der Vegetationsklassen besitzen meist eine deutlich geringere Aktualität. Aus diesem Grund wurden nur Klassen, die eine geringe Dynamik aufweisen (z. B Moore), im Regelwerk vewendet. Das im Prozessbaum für das Verschmelzen von Flächen unter 5 ha mit den umliegenden Flächen sowie bei der Zuweisung noch unklassifizierter Bereiche verwendete Region Grow-Verfahren ist stark bildabhängig und damit nicht ohne Weiteres in seiner bestehenden Reihenfolge übertragbar. Zum Beispiel werden Streusiedlungen und Straßendörfer im ländlichen Raum mit Hilfe der ATKIS-Daten korrekt identifiziert, jedoch ist das Zusammenfassen der einzelnen Siedlungsbereiche bei einem Abstand von unter 300 m nicht möglich. Aus diesem Grund werden einzelne Siedlungsteile mit dem umgebenden Objekt generalisiert. 84

97 5.2. Möglichkeiten objektorientierter Verfahren zur Umsetzung von CORINE Land Cover Die notwendigen Anpassungen müssen vom Interpreten nach der Überprüfung der Klassifikationsergebnisse manuell festgestellt werden. Im Falle einer Nutzung von ATKIS-Daten für die Aktualisierung von CLC2006 bzw. CLC2010 muss das Problem der unterschiedlichen Objektgeometrien von ATKIS und CLC (vgl. Abbildung 5.6) gelöst werden. Die Lageungenauigkeiten bei CORINE Land Cover sind auf die Methodik der manuellen Auswertung von CLC zurückzuführen. Eine Orientierung an spektralen Objektgrenzen bzw. den ATKIS-Geometrien führt dabei zu deutlich besseren Objektgeometrien. Weiterhin haben die ATKIS-Daten den Vorteil, auch spektral nur schwer oder nicht identifizierbare Objekte in der Segmentierung zu erfassen. Abbildung 5.6: Unterschiede der Objektgrenzen von CLC2000 (gelb) und ATKIS (schwarz) Es lässt sich zusammenfassend konstatieren, dass die Klassifikationsergebnisse durch eine Anpassung des Regelwerkes und der Klassenhierarchie oder durch weitere Zusatzdaten weiter verbessert werden können, um den vollständigen Klassenkatalog mit der vorgegebenen Genauigkeit von mehr als 85 % zu klassifizieren. Jedoch ist infolge dessen eine Übertragbarkeit nicht mehr gewährleistet bzw. die Anpassung auf die neue Szene mit einem zu großem Arbeitsaufwand verbunden Übertragbarkeit des Regelwerks Die Übertragung des für den Untersuchungsraum Schleswig-Holstein erstellten Regelwerks auf den Untersuchungsraum Sachsen zeigte eine Reihe von notwendigen Anpassungen. Die allgemeine Übertragbarkeit von Prozessbaum und Klassenhierarchie ist trotz des gleichen Sensors nicht problemlos gewährleistet. Einen größeren Einfluss als die Sensorcharakteristik hat der Aufnahmezeitpunkt der Daten. Neben den unterschiedlich starken und größ- 85

98 Kapitel 5. Ergebnisse und Diskussion tenteils zu korrigierenden atmosphärischen Einflüssen zeigen vor allem unterschiedliche Ausprägungszustände der Vegetation Anpassungsbedarf. Daher erfordert es in jedem Fall einer Anpassung der bildabhängigen Variablen. Der Aufwand ist jedoch vorab schwer einzuschätzen. In Hinblick auf eine Automatisierung der Abläufe ist mit dem Prozessbaum eine gute Möglichkeit gegeben. Für die vollständige Automatisierung muss die Anpassung der bildabhängigen Variablen automatisch anhand von bekannten Referenzflächen oder eine vollständige Umsetzung mittels bildunabhängiger Bildmerkmale erfolgen Unsicherheiten bei der Validierung für objektorientierte Klassifikationsverfahren Gähler und Schiewe 2006 [19] zeigen, dass vor allem für objektorientierte Klassifikationsverfahren zusätzliche Probleme bei den klassischen Validierungverfahren auftreten. Eine Klassenzuweisung anhand von diskreten Grenzen, die sich in der Realität als eher unscharf darstellen, führen zu Messungenauigkeiten oder thematischen Unschärfen. Das Validierungsergebnis ist stark von dem zu Grunde liegenden Stichprobenverfahren abhängig. Punktuelle Stichproben berücksichtigen die Objektgeometrien nicht. Bei flächenhaften Stichproben führen unterschiedliche Grenzverläufe zu Fehleinschätzungen der Klassifikationsgüte. Um die Höhe des Fehlers in der Validierungsgüte einschätzen zu können, bedarf es weiterer Untersuchungen. 86

99 Kapitel 6 Fazit und Ausblick Das Ziel der vorliegenden Arbeit war es, die Möglichkeit einer CORINE Land Cover- Aktualisierung durch objektorientierter Klassifikationsverfahren aufzuzeigen. Dabei liegt ein Schwerpunkt der Arbeit im Nachweis der Vergleichbarkeit der multispektralen Sensoren ETM+ (Landsat 7) und LISS3 (IRS-P6). Der Nachweis erfolgte neben dem Vergleich der Sensorparameter durch die Maximum Likelihood-Klassifikation. Der Vergleich der spektralen, der geometrischen und der radiometrischen Auflösung beider Sensoren zeigte eine ähnliche Charakteristik. Die Klassifikationsergebnisse spiegelten ebenfalls vergleichbare Werte wider. Mit der Untersuchung der Klassentrennbarkeit konnten die ähnlichen spektralen Eigenschaften beider Sensoren belegt werden. Anhand des Anstiegs der Anzahl von Trainingsgebieten wurde der Einfluss auf das Klassifikationsergebnis untersucht. Dabei zeigten beide Sensoren wiederum vergleichbare Ergebnisse zum Zeitpunkt des Erreichens eines stabilen Klassifikationsniveaus und dem Verlauf der Sättigungskurven. Die Umsetzung einer möglichen CORINE Land Cover-Aktualisierung erfolgte am Beispiel des Softwarepaketes Definiens Developer Earth. Die Software stellt nur eine Möglichkeit der objektorientierten Umsetzung dar. Objektorientierte Klassifikationsverfahren bieten durch Ausnutzung der zur Verfügung stehenden Merkmale die Möglichkeit, neben der Landbedeckung auch die Bodenbedeckung abzubilden und damit auch komplexere Klassifikationsschlüssel umzusetzen. Die erzielte Klassifikationsgüte von 88 % ist als gutes Ergebnis zu bewerten, jedoch ist die Umsetzbarkeit nicht für alle Klassen und nicht in konstanter Qualität möglich. Einige der CLC-Klassen sind mit einer sehr hohen Genauigkeit bestimmbar, z. B. die CORINE- Klassen 112 Nicht durchgängig städtische Prägung und 51x Wasserflächen. Für andere Klassen können nur Oberklassen (Ebene 2) bestimmt werden, welche anschließend von geschulten Interpreten in die detaillierten CLC-Klassen der Ebene 3 unterteilt werden müssen. Ein Beispiel hierfür bildet die Klasse 32x Strauch und Krautvegetation. 87

100 Kapitel 6. Fazit und Ausblick Selbst bei der Anwendung objektorientierter Klassifikationsverfahren ist ein Großteil des CLC-Klassenkatalogs nur durch weitere Hilfsmittel, wie z. B. ATKIS und Phänologie, umzusetzen. Vorteile gegenüber der manuellen Bearbeitung liegen vor allem in der gestiegenen Effizienz und in der Reproduzierbarkeit der Ergebnisse. Die Erstellung des Regelwerks in Form der Klassenhierarchie und des Prozessbaums bedarf eines hohen Arbeits- und Zeitaufwandes. Mit Hilfe von Fuzzy-Logik Verfahren ist es möglich, die Zuweisungen der Klassen mit einer hohen Genauigkeit durchzuführen. Jedoch muss das Verfahren weiterentwickelt werden, damit die Klassenhierarchie es in Zukunft zulässt, Bildobjekte zu einem späteren Zeitpunkt anderen Klassifikationszweigen zuzuweisen oder zumindest Fehlzuweisungen sichtbar zu machen. Ein großes Potential für eine Übertragbarkeit des Klassifikationsschlüssels in Deutschland liegt aufgrund der Bildunabhängigkeit sowie des hohen thematischen und geometrischen Informationsgehaltes bei den ATKIS-Daten. Für die Übertragbarkeit des erstellten Regelwerks ist mit dem Prozessbaum eine gute Möglichkeit gegeben. Die Stabilität der Klassenhierarchie und des Prozessbaums wurde am Untersuchungsraum Sachsen aufgezeigt. Es wurde gezeigt, dass in jedem Falle eine Adaption der bildabhängigen Merkmale erfolgen muss. Je höher der Anteil an Klassen ist, die durch bildunabhängige Merkmale beschrieben werden können, desto stabiler wird die Übertragbarkeit des Regelwerks. Des Weiteren ist eine Anpassung aufgrund unterschiedlicher Landschaftseinheiten und damit verbundener spezifischer Landbedeckungs- und Landnutzungsklassen notwendig. Eine Landschaftseinheitenspezifische Klassifikationshierarchie kann die notwendigen Anpassungen für einen deutschlandweiten Datensatz minimieren. Sollte der Arbeitsaufwand für die Übertragung auf andere Untersuchungsräume nicht verringert werden können, muss zumindest eine deutliche Verbesserung der Klassifikationsgüte oder eine höhere Anzahl umsetzbarer CORINE-Klassen erreicht werden. Die vollständig automatisierte Umsetzung der CORINE Land Cover-Klassen ist zurzeit noch nicht möglich. Eine operationelle Nutzbarkeit des Verfahrens ist vor allem aufgrund der bildabhängigen Merkmale im Regelwerk sowie der Klassendefinition und Genauigkeit von CLC nicht durchführbar. Die Nutzung von verschiedenen Sensoren wird für eine Übertragbarkeit nur geringfügige Anpassungen zur Folge haben. Ungünstiger wirken sich die unterschiedlichen Aufnahmezeitpunkte aus. Der Image2006 -Datensatz mit 90 SPOT- und 35 LISS3-Szenen für Deutschland erlaubt aus diesem Grund maximal eine teilweise automatisierte Umsetzung. 88

101 Festzuhalten ist, dass eine Umsetzung von CORINE Land Cover mit pixelorientierten Verfahren nicht möglich ist. Die Gründe hierfür liegen in den spektral ähnlichen Oberflächen verschiedener Klassen, die mit Hilfe des Image oder Image2006 -Datensatzes nicht unterscheiden werden können. Weiterhin sind viele Landnutzungsklassen allein spektral nicht zu unterschieden; zusätzliche Merkmale wie Nachbarschaften, thematische oder zeitliche Informationen werden benötigt. Problematisch ist auch die Geometrie der CORINE-Daten, die durch die zu Grunde gelegte Methodik der manuellen Auswertung mit Hilfe von Zusatzinformationen nicht diskreten Pixeln entsprechen. Das Festhalten an der Geometrie von 1990 stellt eines der größten Probleme der automatischen Umsetzung von CORINE Land Cover dar. Für kommende CORINE Land Cover-Aktualisierungen sollte die Mindestobjektfläche auf 5 ha gesenkt werden, um Objektgeneralisierungen zu reduzieren und um die Objektgenauigkeit zu erhöhen und damit den Einsatz automatischer Klassifikationsverfahren zu ermöglichen. Dafür ist ein Paradigmenwechsel, von den bestehenden Objektgeometrien hin zu den neu generierten und höher aufgelösten Objektgeometrien notwendig. Im Rahmen der Arbeit haben sich verschiedene Fragestellungen aufgetan, die für zukünftige Arbeiten zu diesem Thema Schwerpunkte bilden könnten. So sollte z. B. die Suche nach weiteren möglichst bildunabhängigen Merkmalen für eine vollständige Umsetzung von CORINE Land Cover im Mittelpunkt stehen. In diesem Zusammenhang ergibt sich die Aufgabe, das Potential der Nutzbarkeit der ATKIS-Daten über die verwendeten Objektgruppen hinaus zu untersuchen und in das Regelwerk einzubinden. Um eine Verbesserung der Übertragbarkeit zu erreichen, muss die Anpassung der bildabhängigen Parameter in den Image2006 -Datensatz untersucht werden. Die Atmosphärenkorrektur kann zwar die unterschiedlichen Aufnahmebedingungen annähernd angleichen, jedoch liegt der Schwachpunkt in den unterschiedlichen Aufnahmezeitpunkten. Weiterhin kann eine Überprüfung der Klassifikationsergebnisse noch während des Klassifikationsprozesses helfen, Fehlzuweisungen frühzeitig zu erkennen und die starre Zuordnung in der Klassenhierarchie aufzuweichen und dadurch die Klassifikationsgüte zu erhöhen. Letztendlich müssen Ansätze für die Validierung von objektorientierten Klassifikationsverfahren erarbeitet werden, die neben der Objektklassenzugehörigkeit auch deren Geometrie überprüfen. Für eine automatische Umsetzung von CORINE Land Cover muss die Loslösung von den Objektgeometrien der CLC1990 erfolgen. In diesem Zusammenhang müssen Festlegungen der Methodik für eine computergestützte automatisierte Umsetzung von der Europäischen Umweltagentur (EEA) getroffen werden. Weiterhin sind Regelungen für die Erstellung eines Bezugsdatensatzes z. B. CLC2000_automatisch notwendig, um die Veränderungen 89

102 Kapitel 6. Fazit und Ausblick weiterhin erfassen zu können. Nur so können für alle teilnehmenden Länder die Vergleichbarkeit, die Konsistenz und die Kontinuität weiterhin gewährleistet werden. Spätestens für ein CORINE Land Cover 2010 sollten Einigungen über die Rahmenbedingungen erzielt und damit eine Umsetzung mit Hilfe automatischer Verfahren durchführbar gemacht werden. 90

103 Literaturverzeichnis [1] J. Albertz. Einführung in die Fernerkundung - Grundlagen der Interpretation von Luft- und Satellitenbildern. Wissenschaftliche Buchgesellschaft, Darmstadt, [2] Arbeitsgemeinschaft der Vermessungsverwaltungen der Länder der Bundesrepublik Deutschland (AdV). ATKIS-Objektkartenkatalog. dstinfo2.dst_gliederung (Stand ). [3] AdV-Arbeitsgruppe ATKIS. Amtliches Topographisch-Kartographisches Informationssystem. Objektartenkatalog (ATKIS OK), Teil D0, Erläuterungen zu allen Teilkatalogen (Version 3.2) Stand Arbeitsgemeinschaft der Vermessungsverwaltungen der Länder der Bundesrepublik Deutschland (AdV), [4] Australian Government Geosience Australia. Australian Centre for Remote Sensing (ACRES). (Stand ). [5] U. Benz, P. Hofmann, G. Willhauck, I. Lingenfelder, M. Heynen. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for gis-ready information. ISPRS Journal of Photogrammetry & Remote Sensing, 58: , [6] T. Blaschke. Ohne Salz und Pfeffer Objektorientierte Bildanalyse eine Revolution in der Fernerkundung. GIS/GeoBit, 2:30-32, [7] M. Bossard, J. Feranec, J. Otahel. CORINE Land Cover Technical Guide Addendum Technical Report 40. EEA, Copenhagen, [8] M. Capderou. Satellites - Orbits and missions. Springer Verlag France, [9] R.G. Congalton. A review of assessing the accuracy of classifications of remotey sensed data. Remote Sensing of Environment, 37(1):35 46, [10] Definiens AG. Definiens Developer 5 Reference Book [11] Definiens AG. Definiens Developer Earth 5 User Guide

104 Literaturverzeichnis [12] EEA. Technical and methododical guide for updating CORINE land cover data base. Technical Guidelines. EEA, Copenhagen, [13] EEA, ETC-TE. CORINE Land Cover update I&CLC2000 project. Technical Guidelines. Final Version. EEA, Copenhagen, [14] EIONET. European topic centre on land use and spatial information 2007 activities of the ETC-LUSI. (Stand ). [15] T. Esch. Eignung eines objektorientierten Klassifikationsverfahrens zur Gewinnung planungsrelevanter Informationen über urban geprägten Räumen. Diplomarbeit, Universität Trier, [16] Fernstudienmaterialien Geoinformatik (FerGI) - Niedersachsen. (Stand ). [17] G.M. Foody. Status of land cover classification accuracy assessment. Remote Sensing of Environment, 80: , [18] G.M. Foody, A. Mathur, C. Sanches-Hernandez, D.S. Boyd. Trainings set size requirements for the classification of a specific class. Remote Sensing of Environment, 104:1 14, [19] M. Gähler, J. Schiewe. Aussagekraft von Angaben der Klassifikationsgüte zur Beurteilung thematischer Auswertungen höchstauflösender Fernerkundungsdaten. Strobl,J., Blaschke,T., Griesebner, G. (Hrsg.): Angewandte Geographische Informationsverarbeitung XVIII. AGIT-Symposium Salzburg, , [20] U. Gangkofner. Methodische Untersuchungen zur Vor- und Nachbereitung der Maximum Likelihood Klassifizierung optischer Fernerkundungsdaten, 24 Münchener Universitätsschriften. GEOBUCH-Verlag. München, [21] E.B. Goldstein. Wahrnehmungspsychologie. Spektrum Akademischer Verlag, Heidelberg, Berlin, [22] W. Halle. Ausgewählte Algorithmen der Segmentierung und Klassifikation zur thematischen Bildverarbeitung in der Fernerkundung. Deutsches Zentrum für Luft- und Raumfahrt e.v., [23] R.M. Haralick, K. Shanmugam, I. Dinstein. Texture feature for image classification. IEEE Trans. SMC, 3 (1): , [24] R.M. Haralick, L.G. Shapiro. Computer & Robot Vision. Reading Addison-Wesley,

105 Literaturverzeichnis [25] J.B. Haversath. Das Geographischen Seminar: Deutschland - Der Norden. Westermann Schulbuchverlag, [26] Internationale Bauausstellung (IBA). Fürst-Pückler-Land (Stand ). [27] B. Jähne. Digitale Bildverarbeitung. Verlag Springer. Berlin, [28] M. Keil, R. Kiefl, G. Strunz. CORINE Land Cover Germany. Final Report. German Aerospace Center, German Remote Sensing Data Center Oberpfaffenhofen, [29] M. Keil, B. Mohaupt-Jahr, R. Kiefl, G. Strunz. Das Projekt CORINE Land Cover 2000 in Deutschland. S. Dech et al. (Hrsg.): Tagungsband 19. DFD-Nutzerseminar, 15. und 16. Oktober 2002, , [30] B. Koch, M. Jochum, E. Ivits, M. Dees. Pixelbasierte Klassifizierung im Vergleich und zur Ergänzung zum objektbasierten Verfahren. Photogrammetrie, Fernerkundung, Geoinformation, 3: , [31] H.J. Kramer. Observation of the earth and its environment - survey of missions and sensors. Springer Verlag Berlin, [32] K. Krause, W. Schneider. Fernerkundung - Band 1 Physikalische Grundlagen und Aufnahmetechniken. Ferd. Dümmlers Verlag Bonn, [33] P. Kronberg. Fernerkundung der Erde - Grundlagen und Methoden des Remote Sensing in der Geologie. Enke Verlag Stuttgart, [34] K. Leukert. Übertragbarkeit der objektbasierten Analyse bei der Gewinnung von GIS-Daten aus Satellitenbildern mittlerer Auflösung. Dissertation, Universität der Bundeswehr München, [35] M. Lillesand, R.W. Kiefer. Remote Sensing and Image Interpretation, Third Edition. John Wiley & Sons, Inc. New York, [36] M.V. Nunes de Lima. IMAGE2000 and CLC2000 Products and Methods. JRC and EEA, Ispra, [37] E. Löffler, U. Honecker, E. Stabel. Studienbücher der Geographie: Geographie und Fernerkundung. Gebrüder Borntraeger Verlagsbuchhandlung Berlin Stuttgart, [38] D. Marr. Vision. W.H. Freeman, San Francisco,

106 Literaturverzeichnis [39] G. Meinel, J. Hennersdorf. Erhebungsmethoden, Programme und Nomenklaturen der Flächenbedeckung und Flächennutzung. Photogrammetrie, Fernerkundung, Geoinformation, 4: , [40] G. Meinel, M. Neubert, J. Reder. Pixelorientierte versus segmentorientierte Klassifikation von IKONOS-Satellitenbilddaten - ein Methodenvergleich. Photogrammetrie, Fernerkundung, Geoinformation, 3: , [41] B. Mohaupt-Jahr, M. Keil, R. Kiefl. Proceeding Workshop CORINE Land Cover 2000 Workshop, Texte 04/04, Berlin, January Federal Environmental Agency, [42] M. Neubert. Bewertung, Verarbeitung und segmentbasierte Auswertung sehr hoch auflösender Satellitenbilddaten vor dem Hintergrund landschaftsplanerischer und landschaftsökologischer Anwendungen. Dissertation, Technische Universität Dresden, [43] S. Openshaw. The modifiable areal unit problem. Concepts and Techniques in Modern Geography, 38 41, [44] J.A. Richards, X. Jia. Remote sensing digital image analysis - an introduction. Springer Verlag Berlin, [45] R. Richter. Atmospheric / topographic correction for satellite imagery: Atcor-2/3 user guide. DLR IB /05, Wessling, Germany, [46] K. Rother. Das Geographische Seminar: Deutschland - Die östliche Mitte. Westermann Schulbuchverlag, [47] J. Schiewe. Ansätze zur Übertragung von Theorien der kognitiven Wahrnehmung auf die rechnerische Interpretation von Fernerkundungsszenen. Photogrammetrie Fernerkundung Geoinformation, 3: , [48] J. Schiewe, L. Tufte, M. Ehlers. Potential and problems of multi-scale segmentation methods in remote sensing. GeoBIT/GIS, 6:34 39, [49] K. Steinnocher. Texturanalyse zur Detektion von Siedlungsgebieten in hochauflösenden panchromatischen Satellitenbildern. Strobl, J., Blaschke, T., Griesebner, G. (Hrsg.): Angewandte Geoinformatik 1997, Beiträge zum IX. AGIT-Symposium, Salzburg, , [50] W.R. Tobler. A computer movie simulating urban growth in the detroit region. Economic Geography, 46 (2): ,

107 Literaturverzeichnis [51] Erd Ware. Lexikon der Fernerkundung. (Stand ). [52] T. Wehrmann. Automatisierte Klassifikation von Landnutzung durch Objekterkennung am Beispiel von CORINE Land Cover(in Druck). Dissertation, Universität Würzburg,

108 Literaturverzeichnis 96

109 Anhang A Abbildungen Abbildung A.1: CORINE Land Cover-Legende für Deutschland 97

110 Anhang A. Abbildungen Abbildung A.2: ROI Separability - Klassentrennbarkeit (a) Klassentrennbarkeit Untersuchungsraum Schleswig-Holstein (b) Klassentrennbarkeit Untersuchungsraum Sachsen 98

111 Abbildung A.3: Nutzer- und Herstellergenauigkeit der Klassen der Maximum Likelihood- Klassifikation im Untersuchungsraum Schleswig-Holstein (a) Klasse Nadelwald (b) Klasse Laub-/Mischwald (c) Klasse Urban 99

112 Anhang A. Abbildungen (d) Klasse Offener Boden (e) Klasse Grünland (f) Klasse Vegetation1 (g) Klasse Vegetation2 100

113 (h) Klasse Restvegetation (i) Klasse Flachwasser (j) Klasse Wasser 101

114 Anhang A. Abbildungen Abbildung A.4: Nutzer- und Herstellergenauigkeit der Klassen der Maximum Likelihood- Klassifikation im Untersuchungsraum Sachsen (a) Klasse Nadelwald (b) Klasse Laubwald (c) Klasse Mischwald 102

115 (d) Klasse Urban (e) Klasse Tagebau (f) Klasse Offener Boden (g) Klasse Grünland 103

116 Anhang A. Abbildungen (h) Klasse Vegetation (i) Klasse Offener Boden mit Vegetation (j) Klasse Wasser 104

117 Abbildung A.5: Ergebnisse der Maximum Likelihood-Klassifikation mit ansteigender Anzahl an Trainingsgebieten im Untersuchungsraum Schleswig-Holstein (a) Klasse Nadelwald (b) Klasse Laub/Mischwald (c) Klasse Urban 105

118 Anhang A. Abbildungen (d) Klasse Grünland (e) Klasse Vegetation 1 (f) Klasse Vegetation 2 (g) Klasse Restvegetation 106

119 (h) Klasse Offener Boden (i) Klasse Flachwasser (j) Klasse Wasser 107

120 Anhang A. Abbildungen Abbildung A.6: Ergebnisse der Maximum Likelihood-Klassifikation mit ansteigender Anzahl an Trainingsgebieten im Untersuchungsraum Sachsen (a) Klasse Nadelwald (b) Klasse Laubwald (c) Klasse Mischwald 108

121 (d) Klasse Urban (e) Klasse Tagebau (f) Klasse Offener Boden (g) Klasse Grünland 109

122 Anhang A. Abbildungen (h) Klasse Vegetation (i) Klasse Offener Boden mit Vegetation (j) Klasse Wasser 110