TerraSAR-X Daten zur Unterstützung der Aktualisierung von Geodatenbanken

Transkript

1 TerraSAR-X Daten zur Unterstützung der Aktualisierung von Geodatenbanken MICHAEL SCHLUND 1 & FELICITAS VON PONCET 2 Zusammenfassung: Das hier vorgestellte Verfahren soll zur effizienteren Aktualisierung von existierenden Landnutzungs- und Landbedeckungsdatensätzen auf Basis von TerraSAR-X oder anderen hochauflösenden Satellitendaten beitragen. Dabei ist eine Bild zu Bild Veränderungsanalyse im ersten Aktualisierungszyklus meist nicht möglich, so dass ein Vergleich der Geodaten mit den aktuellen Satellitendaten durchgeführt werden muss. Das angewandte parametrische Vergleichsverfahren nutzt die vorhandene überwiegend korrekte Geoinformation effektiver als es ein Vergleich der Geodaten mit einer Neuklassifizierung zulässt. Durch die Anwendung eines Regelwerkes zur Überprüfung der Veränderungsplausibilität kann die Fehlalarmrate zusätzlich reduziert werden. 1 Einleitung Die Erstellung und Aktualisierung von Geoinformationen ist meist zeit- und kostenintensiv, sowie stark vom Produzenten und dessen Interpretation abhängig (SMITS & ANNONI 1999). Durch internationale Berichtspflichten gegenüber der Europäischen Kommission und den Vereinten Nationen sind die Anforderungen an Landbedeckungs- und -nutzungsinformationen in Hinblick auf Aktualität, Vergleichbarkeit und Aktualisierungsfrequenz deutlich gestiegen. Daher werden im Rahmen des DeCOVER2 Projektes Methoden entwickelt, die die Kosteneffizienz zur Aktualisierung bestehender Geodatenbanken durch die Nutzung neuer Satellitendaten der Sensoren TerraSAR-X und Rapid Eye verbessern sollen. Im Fokus der Aktualisierung stehen die Daten des Amtlichen Topographisch-Kartographischen Informationssystems (ATKIS) sowie CORINE LandCover. Grundsätzlich soll die Veränderungsindikation die Kosteneffizienz des Aktualisierungsprozesses von Geodaten erhöhen, indem eine Überarbeitung von Nutzerdatengeometrien und Attributen nur für die Flächen durchgeführt wird, die sich mit hoher Wahrscheinlichkeit verändert haben. Durch diese Fokussierung der Neukartierung auf Veränderungsflächen muss keine Vollinventur durchgeführt werden. Meist existieren keine Satellitendaten, die zeitgleich zur Erstellung der Geodatenbank aufgenommen wurden. Die übliche Methode eines Bild zu Bild Vergleichs zur Veränderungsanalyse kann folglich nicht angewandt werden. Infolge dessen muss die Kartierung mit aktuellen Fernerkundungsdaten verglichen werden, um den Geodatensatz zu aktualisieren. 1) Michael Schlund, Astrium GEO-Information Services, Claude-Dornier-Straße, Immenstaad; E- Mail: michael.schlund@infoterra-global.com 2) Felicitas von Poncet, Astrium GEO-Information Services, Claude-Dornier-Straße, Immenstaad; felicitas.poncet@infoterra-global.com 1

2 Traditionell wird dazu ein Vergleich zweier unabhängig voneinander erstellter Kartierungen - zu aktualisierende Kartierung (t0) versus Neuklassifizierung der aktuellen Fernerkundungsdatensätze (t1) - durchgeführt. Die Neuklassifizierung nutzt hierbei nicht die Annahme, dass die Anzahl der Veränderungen im Vergleich zu der Gesamtzahl der Objekte der Geoinformation gering ist (WALTER 2004). Im Gegensatz dazu erfolgt im vorgeschlagenen Ansatz der Vergleich über eine Modellbildung, in dem die Karte in idealtypische Referenzsignaturen für jede Klasse übersetzt wird. Dadurch soll die bestehende Datenbasis effizienter genutzt werden und im Sinne einer Apriori-Information in den Vergleichsprozess mit einfließen. 2 Datengrundlage Im ersten Testszenario steht die Entwicklung der Veränderungsanalyse basierend auf ATKIS Basis-DLM im Vordergrund. Diese Daten liegen als mehrlagiger Datensatz im Vektorformat vor und wurden von einem Projektpartner geometrisch in einen flachen Datensatz transformiert. Um Interoperabilität mit anderen Geoinformationen zu erreichen, wurde die Geodatenbank in die im Vorgängerprojekt entwickelte DeCOVER Nomenklatur übersetzt. Die DeCOVER Klassen sind ähnlich wie CORINE LandCover hierarchisch strukturiert. Auf dem feinsten Level der Klassenhierarchie gibt es mehr als 30 Klassen. Diese sind häufig durch deren Landnutzung definiert und daher schwer mit Methoden der Fernerkundung zu detektieren. Abb. 1: Ausschnitt des Untersuchungsgebiets: Farbkomposit aus multitemporalen TerraSAR-X Daten 2

3 Zur Aktualisierung dieser Daten wurden einfach polarisierte TerraSAR-X StripMap Aufnahmen verwendet, da sie mit einer Auflösung von 3 m den besten Kompromiss zwischen Auflösung und Abdeckung (1500 km²) darstellen. Diese repräsentieren den zweiten Zeitpunkt der Veränderungsanalyse (t1). Hierbei wurde ausschließlich die HH-Polarisation (horizontal) verwendet. Um eine hohe Genauigkeit zu erzielen, reicht meist eine Szene nicht aus und ein vielseitiger Datensatz sollte verwendet werden (BRUZZONE et al. 2004). Daher wurden multitemporale Aufnahmen der gleichen Aufnahmegeometrie genutzt, um die saisonalen Veränderungen der Vegetation zur Charakterisierung der Landoberfläche zu erfassen. Um eine höhere Trennbarkeit zwischen den Klassen zu erzielen, wurden weitere Merkmale abgeleitet. Diese sind co-occurence Texturmaße (HARALICK et al. 1973), der Variationskoeffizient, die langzeitliche und kurzzeitliche Kohärenz. In Abbildung 1 sind drei multi-temporale TerraSAR-X Aufnahmen eines Ausschnitts des Untersuchungsgebietes dargestellt. Das Untersuchungsgebiet befindet sich im Großraum Herne in Nordrhein-Westfalen. Tab. 1: Übersicht der abgeleiteten Merkmale Merkmal Ursprungsdatensatz des Pixelausdehnung (in m) Merkmals 7 Amplituden - 2,5 Texturmaß mean ,5 Variance ,5 Homogeneity ,5 Contrast ,5 Dissimilarity ,5 Entropy ,5 Second moment ,5 Correlation ,5 Variationskoeffizient Langzeitliche Kohärenz & Kurzzeitliche Kohärenz & Tabelle 1 zeigt eine Übersicht der abgeleiteten Merkmale. Hierbei ist zu erkennen, dass insgesamt 18 Merkmale zur Veränderungsdetektion verwendet wurden. Zusätzlich sind der ursprüngliche Datensatz sowie die Pixelausdehnung der Merkmale dargestellt. 3 Methodik 3.1 Trennbarkeitsanalyse & Merkmalsselektion Die Erstellung und Verwendung vieler Merkmale ist zeit- und kostenintensiv. Durch die Verwendung korrelierter oder irrelevanter Merkmale wird die Trennbarkeit der Klassen nicht obligatorisch höher (LU & WENG 2007). Daher wurde vor der Veränderungsdetektion eine Trennbarkeitsanalyse mit schrittweiser Merkmalsselektion durchgeführt. Als Maß der Trennbarkeit wurde ein parametrisches Trennbarkeitsmaß, Wilks Lambda, verwendet, das 3

4 gegenüber anderen parametrischen Verfahren jedoch einige Vorteile aufweist (FOODY et al. 1994). Es ist im Wertebereich zwischen 0 und 1 normiert und invers, daher bedeuten niedrigere Werte eine höhere Trennbarkeit (KLECKA 1992). Die Trainingsgebiete konnten aus dem vorhandenen ATKIS Vektordatensatz extrahiert werden. Zur Auswahl und Abschätzung der Relevanz von Merkmalen (siehe Tabelle 1) wurde eine schrittweise Merkmalsselektion implementiert. Das Ziel ist die Minimierung des Trennbarkeitsmaßes. Daher werden bei der schrittweisen Selektion diejenigen Merkmale zur Auswahl hinzugefügt, die Wilks Lambda minimieren. Das Prinzip der schrittweisen Merkmalsselektion mit Wilks Lambda wird in Abbildung 2 verdeutlicht. Die Auswahl stoppt, wenn alle Merkmale ausgewählt wurden oder das Trennbarkeitsmaß sich nicht signifikant geändert hat. Abb. 2: Schematische Darstellung der schrittweisen Merkmalsselektion mit Wilks Lambda 3.2 Signaturanalyse Zur Unterstützung nachfolgender Prozesse wurde eine Signaturanalyse vorgenommen, denn das Wissen über die Verteilung und die statistischen Eigenschaften der Daten ist wichtig in deren Analyse (CHITROUB et al. 2002). Für die Ermittlung der Wahrscheinlichkeitsverteilung der Daten wurde ein parametrisches Verfahren verwendet. Hierzu wurde eine große Anzahl an Messwerten von Flächen häufig vorkommender Landbedeckungen aus den Bilddaten extrahiert, die die empirischen Verteilungen repräsentieren. Nach einer visuellen Histogrammanalyse wurden zu testende Verteilungen determiniert. Die Parameter der theoretischen Verteilung wurden mit Hilfe der maximum likelihood Methode aus den empirischen Daten geschätzt. Die Güte der Anpassung der theoretischen und der empirischen Verteilung wurde mit dem Kolmogorov-Smirnov-Test untersucht. Weiterhin wurden die Ergebnisse visuell überprüft. 3.3 Vergleichsanalyse Die Veränderungsindikation erfolgt auf Basis von bestehenden Nutzerdaten (Vektordaten), die einem Zeitpunkt t0 entsprechen, sowie aktueller Satellitenfernerkundungsdaten, die zum Zeitpunkt t1 aufgenommen werden. Der Schritt der Vorverarbeitung der Satellitendaten umfasst sowohl die Orthorektifizierung und Kalibrierung, als auch die Segmentierung heterogener Klassen (bspw. Ackerland) auf Basis der 4

5 Nutzerdatengeometrien. Im hier beschriebenen Ausgangsszenario sind die zu vergleichenden Informationen unterschiedlichen Ursprungs, und lassen somit keinen unmittelbaren Vergleich von Messwerten zu. Der Vergleich erfolgt daher über eine Modellbildung, in dem die Karte in idealtypische Referenzsignaturen für jede Klasse - abgelegt in der Signaturdatenbank - übersetzt wird. Die Signaturdatenbank wird für jeden aktuell verwendeten Merkmalskatalog automatisch mithilfe der Attributierung aus ATKIS t0 generiert. Ausreißer sind hierbei statistisch zu eliminieren. Die Signaturdatenbank enthält für jede Referenzsignatur die Parameter der jeweiligen Wahrscheinlichkeitsverteilung für jedes Merkmal, sowie die Güte der Anpassung zwischen empirischen Daten und theoretischer Verteilung. Die Erkennung von Veränderungen erfolgt anhand eines statistischen Vergleichs zwischen einer Referenzsignatur, abgeleitet aus der Apriori vorgegebenen Klassenzuordnung (ATKIS t0), und der aus aktuellen Bilddaten gewonnenen Merkmalsausprägung (siehe Abbildung 3). Abb. 3: Prozessübersicht der Veränderungsdetektion Der Vergleich wird für jedes aus der Nutzergeometrie abgeleitete Objekt (gegebenenfalls Subobjekt) durchgeführt und beruht auf der Bestimmung der Ähnlichkeit der Verteilungen der Objektsignatur (t1) und Referenzklassensignatur (t0). Diese daraus resultierende Wahrscheinlichkeit kann als Maß der Übereinstimmung zwischen aktuell erhobener Bildinformation und Referenz interpretiert werden. Diese bilddatenbasierte Veränderungswahrscheinlichkeit bildet die Basis für die nachfolgende Bewertung der Veränderungsplausibilität. Die Plausibilitätsprüfung erfolgt im Rahmen eines Regelwerks, das zum Veränderungsentscheid führt. Ergebnis dieses Prozesses ist ein Vektordatensatz mit Flächen die sich mit hoher Wahrscheinlichkeit geändert haben. 3.4 Regelwerk und Plausibilitätsprüfung Der Vorteil des beschriebenen Verfahrens gegenüber einem direkten Vergleich auf der Basis einer Neuklassifizierung besteht darin, eine quantitative Wahrscheinlichkeitsaussage des Übereinstimmungsgrades zu erhalten. Dies ermöglicht eine flexible klassenspezifische Schwellwertanpassung bei der Bewertung potentiell veränderter Objekte. Der Schwellwert wird im ersten Bewertungsschritt so bestimmt, dass Flächen, die sich mit hoher Sicherheit nicht verändert haben, ausselektiert werden. Tendenziell werden folglich zu viele Veränderungen 5

6 gefunden, um im nächsten Schritt die relativen Abstände der Zuweisungswahrscheinlickeiten in plausible Klassen zur weiteren Eingrenzung potentieller Veränderungen zu berücksichtigen. Im letzten Analyseschritt werden die verbleibenden Flächen einem kontextbasierten Bewertungsverfahren unterzogen. Beispielsweise wurden innerhalb von Siedlungs- und Industriepolygonen mithilfe der TerraSAR- X Rückstreuung und abgeleiteter Merkmale neue Objekte durch Segmentierung erstellt. Anschließend wurden diese Segmente in versiegelte und unversiegelte Objekte klassifiziert. Die Trennbarkeit dieser Klassen mit Hilfe von langzeitlicher Kohärenz und der normierten mittleren Intensität ist im 2-D Merkmalsraum dargestellt (siehe Abbildung 4). Das Prinzip kontextbasierter Bewertung wird in Abbildung 5 deutlich. Links sind die potentiell veränderten Industrie- und Siedlungspolygone zu erkennen. Die anschließende Subsegmentierung und Klassifikation ist rechts dargestellt. Überschreitet die relative Fläche der unversiegelten Objekte einen Grenzwert innerhalb des ATKIS Polygons, wird es weiterhin als verändert betrachtet. Abb. 4: Trennbarkeit von versiegelten & unversiegelten Objekten im 2-D Merkmalsraum 4 Ergebnisse Abb. 5: Potentiell veränderte Industrie- & Siedlungspolygone (links) und Klassifikation unversiegelter Flächen (rechts) 4.1 Auswertung der Trennbarkeitsanalyse und Merkmalsselektion Die Trennbarkeitsanalyse wurde für jede binäre Klassenkombination durchgeführt. Insgesamt wurde eine mittlere Trennbarkeit von 0,53 erzielt. Klassen, die hauptsächlich durch Landbedeckung beschrieben sind, erzielen ein niedriges Wilks Lambda und sind somit gut voneinander trennbar. Hingegen sind Klassen, die hauptsächlich durch ihre Nutzung definiert sind, schwer voneinander trennbar. Beispielsweise erzielt die Trennbarkeit von städtischer Grünfläche und Laubwald lediglich ein Wilks Lambda von 0,7. Die Trennung von Ackerland und Laubwald dagegen erreicht einen Wert von 0,3. Vor allem Klassen mit analoger Landbedeckung erzeugen ein Wilks Lambda nahe 1. Dies betrifft unter anderem Gewässerflächen und Gewässerläufe. Die Auswertung der Merkmalsselektionen bestätigte, dass die abgeleiteten Merkmale hilfreich sind. Diese werden im Durchschnitt häufiger selektiert als die Amplituden. Des Weiteren zeigte die Analyse der Minimierung des Wilks Lambda, dass das co-occurence Texturmaß mean das relevanteste Merkmal ist. Weitere relevante abgeleitete Merkmale sind die Texturmaße variance und homogeneity, der Variationskoeffizient und die kurzzeitliche Kohärenz. Die Untersuchung 6

7 der Relevanz der Amplituden ergab, dass 3 Amplituden eine hohe Bedeutung haben. Dies sind die Amplituden der Aufnahmetermine vom , und In weiteren Testgebieten wurden daher 3 Aufnahmetermine akquiriert. 4.2 Signaturanalyse der verwendeten Merkmale Jedes Merkmal wurde hinsichtlich seiner Statistik und Verteilung untersucht. Dies zeigte, dass die Mehrzahl der Merkmale durch eine theoretische Verteilung beschrieben werden kann. Lediglich für die Merkmale entropy und second moment konnte keine passende Verteilung gefunden werden. Die Ergebnisse des Anpassungstests wurden durch visuelle Analysen belegt. Abbildung 6 zeigt ein Beispiel für die visuelle Analyse der Anpassungsgüte für das Merkmal homogeneity. Die Dichtefunktionen der empirischen (Balken) und theoretischen (Linie) Verteilung sowie kumulative Dichtefunktionen, Quantile-Quantile- und Wahrscheinlichkeits- Plots sind darin zu erkennen. Das Merkmal homogeneity kann demnach durch eine Gammaverteilung beschrieben werden. Weitere gammaverteilte Merkmale sind die Amplitude, die co-occurence Texturmaße mean, variance, correlation, der Variationskoeffizient und beide Kohärenzen. Die Merkmale contrast und dissimilarity sind normalverteilt. Das Wissen über die Verteilung ist die Basis des parametrischen Vergleichsverfahrens und wird in der Signaturdatenbank abgelegt. Abb. 6: Visuelle statistische Analyse des Merkmals homogeneity 4.3 Ergebnisse der Veränderungsdetektion Aufgrund der hierarchischen Anordnung innerhalb des Regelwerks werden verschiedene Stufen der Veränderungsdetektion erzeugt. Hierbei werden die potentiellen Veränderungen von Schritt zu Schritt eingegrenzt und anschließend mit Hilfe von relationalen Merkmalen und 7

8 Bestandteilsklassifikation hinsichtlich ihrer Plausibilität geprüft. Insgesamt haben sich ~12 % der Polygone verändert, was einen Flächenanteil von ~17 % entspricht. Im Untersuchungsgebiet Herne haben sich insgesamt 86 km² verändert. Diese Veränderungsdetektion (siehe Abbildung 7) wird anschließend an Prozessteams weitergeleitet, die für diese Flächen einen Aktualisierungsvorschlag erarbeiten. Abb. 7: Ergebnis der Veränderungsdetektion (Veränderungen farblich kodiert nach DeCOVER Klasse t0) Die Klassen Ackerland und Grünland verändern sich am häufigsten. Rund 50 % aller Ackerlandpolygone wurden als verändert detektiert. Bei der Klasse Grünland sind es ~35 %. Weitere häufige Veränderungen sind Laubwald (10 %) und Gewässerflächen (15 %). Abbildung 8 zeigt konkrete Beispiele der Veränderungsdetektion. Im linken Ausschnitt ist zu erkennen, dass ein Grünlandpolygon als verändert detektiert wurde. Hierbei ist von einem Kartierungsfehler in der Geoinformation auszugehen, da die Fläche auch in älteren Aufnahmen bereits bebaut war. Im rechten Beispiel ist eine Industrieanlage zu sehen, die im ATKIS als Ackerfläche ausgewiesen ist und korrekt als Veränderung detektiert wurde. 8

9 Abb. 8: Beispiele für korrekt detektierte Veränderungen (Links: Grünland zu Siedlung; Rechts: Ackerland zu Industrie) In diesen Beispielen werden zwei Ziele der Karte zu Bild Veränderung deutlich. Zum einen werden Kartierungsfehler detektiert, zum anderen kann die Veränderungsindikation zur Aktualisierung der Datenbasis beitragen. 5 Fazit Erste stichprobenartige Genauigkeitsanalysen in einem Blindtestgebiet zeigen, dass die Fehlalarmrate ca. 10 % beträgt. Allerdings ist eine quantitative statistisch repräsentative Genauigkeitsanalyse durch ein unabhängiges Validierungsteam abzuwarten, das Aufschluss über die Zuverlässigkeit der Veränderungsanalyse geben wird. Die hohe Veränderungsrate der Klassen Ackerland und Gewässerflächen zeigt Probleme des Verfahrens. Durch die Segmentierung innerhalb der Nutzerpolygone von ATKIS werden kleine Segmente innerhalb von Äckern erzeugt. Diese können zum einen Wege, Fuhrrinnen und Hecken sein. Zum anderen entstehen durch die Aufnahmegeometrie Objekte, die Radarschatten oder layover abgrenzen. Im Untersuchungsgebiet erzeugt dies eine erhöhte Fehlalarmrate aufgrund von Baumreihen, Hecken oder Wäldern, die an Acker und Grünlandflächen grenzen. Diese Fehlzuweisungen sollen zukünftig durch zusätzliche relationale Merkmale verhindert werden. Die meisten Fehlalarme werden durch Subpolygone in landwirtschaftlichen Flächen oder durch Polygone sehr heterogener Landbedeckung (in den Fällen in denen keine Subsegmentierung durchgeführt wurde) ausgelöst. Auch hier wird Verbesserungspotential gesehen. Derzeit wird folglich geprüft, ob die Implementierung eines Gamma Mixture Models das Problem besser lösen kann als eine geometrische Segmentierung. Auslassungsfehler (nicht gefundene Veränderungen) sind meist das Resultat schlechter Klassentrennbarkeit und daher ist eine Minimierung dieser Fehler im Vergleich zu Fehldetektionen - mit deutlich höherem Aufwand verbunden. Abhilfe kann hier durch einen Bild 9

10 zu Bild Veränderungsansatz geschaffen werden. Aufgrund der hohen Sensitivität von X-Band Daten in Bezug auf Veränderungen ist anzunehmen, dass nahezu alle Veränderungen erfasst werden können und der Aufwand eher in der Reduktion der Fehlalarme liegt. Im Rahmen eines kosteneffizienten Fortführungskonzeptes würden die in Szenario 1 verwendeten Satellitendaten des Zeitpunktes t1 die Basis für den folgenden Aktualisierungszyklus t2 bilden und somit eine Image to Image Change Detection ermöglichen. Danksagung Das Projekt DeCOVER2 wird gefördert von der Raumfahrt-Agentur des Deutschen Zentrums für Luft- und Raumfahrt e.v. mit Mitteln des Bundesministeriums für Wirtschaft und Technologie. 6 Literaturverzeichnis BRUZZONE, L., MARCONCINI, M., WEGMÜLLER, U. & WIESMANN, A., 2004: An Advanced System for the Automatic Classification of Multitemporal SAR Images. IEEE Transactions on Geoscience and Remote Sensing, 42 (6), S CHITROUB, S., HOUACINE, A. & SANSAL, B., 2002: Statistical characterisation and modelling of SAR images. Signal Processing, 82, S FOODY, G.M., MCCULLOCH, M.B. & YATES, W.B., 1994: Crop classification from C-band polarimetric radar data. International Journal of Remote Sensing, 15 (14), S HARALICK, R.M., SHANMUGAM, K. & DINSTEIN, I., 1973: Textural Features for Image Classification. IEEE Transactions on Systems, Man and Cybernetics, 3 (6), S KLECKA, W.R., 1992: Discriminant analysis. Quantitative applications in the socials sciences S., Sage Publications, Newbury Park. LU, D. & WENG, Q., 2007: A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 28 (5), S SMITS, P.C.. & ANNONI, A., 1999: Updating Land-Cover Maps by Using Texture Information from Very High-Resolution Space-Borne Imagery. IEEE Transactions on Geoscience and Remote Sensing, 37 (3), S WALTER, V., 2004: Object-based classification of remote sensing data for change detection. ISPRS Journal of Photogrammetry & Remote Sensing, 58, S