Zur Seitenansicht
 

Titelaufnahme

Titel
Systematische Evaluierung verschiedener Datentransformationen für die Klassifizierung von Wald-, Offenland- und Latschen-Flächen in den Bayerischen Alpen / eingereicht von Philipp Toscani
VerfasserToscani, Philipp
GutachterAtzberger, Clement ; Immitzer, Markus
Erschienen[2012]
UmfangXIII, 90, XXX Bl. : Il., graph. Darst., Kt.
HochschulschriftWien, Univ. für Bodenkultur, Masterarb., 2012
Anmerkung
Zsfassung in engl. Sprache
SpracheDeutsch
DokumenttypMasterarbeit
Schlagwörter (DE)Random Forest, Graylevel Co-occurence Matrix, Diskrete Stationäre Wavelet Transformation, Objektbasierte Klassifizierung, Grauwertverteilung im Objekt
Schlagwörter (EN)Random Forest, Graylevel co-occurence Matrix, discrete stationary wavelet transform, object based classification, grayvalue distribution in the object
Schlagwörter (GND)Bayerische Alpen / Wald / Freiland / Latsche / Klassifikation
URNurn:nbn:at:at-ubbw:1-8349 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Systematische Evaluierung verschiedener Datentransformationen für die Klassifizierung von Wald-, Offenland- und Latschen-Flächen in den Bayerischen Alpen [9.28 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Die computergestützte Klassifizierung von Landbedeckungsarten großer Arbeitsgebiete ist eine gängige Fragestellung der Fernerkundung. In Abhängigkeit der Aufgabenstellung und des vorhandenen Datenmaterials ist die Trennung von Klassen unterschiedlich genau möglich. Um die Klassifizierungsgenauigkeit zu erhöhen, können durch Datentransformationen wie z.B. Vegetationsindizes und Texturmaße zusätzliche Eingangsvariablen gewonnen werden. Die Datengrundlage für diese Arbeit stellen digitale Orthofotos in den Bayerischen Alpen mit vier spektralen Kanälen (nahes Infrarot, Rot, Grün, Blau) in fünf Auflösungen (20cm, 100cm, 100cm fm, 200cm, 500cm) dar. Der Einfluss von spektraler und texturaler Information auf die Klassifizierungsgenauigkeit, die Auswirkungen von Variablenauswahl, Umfang und Größe der Trainingsobjekte sowie die Übertragbarkeit des Klassifikators auf andere Testgebiete werden getestet. Die Klassifizierung erfolgte objektbasiert mittels Random Forest Klassifikator in sechs Klassen: Nadelholz, Laubholz, Latsche (Pinus mugo), Offenland Gras, Offenland Fels und Schatten. Objekte die mehr als zwei Klassen aufwiesen, wurden vom Test ausgeschlossen. Die höchste Klassifizierungsgenauigkeit des unabhängigen Testdatensatzes bei Verwendung der vier spektralen Kanäle IR/R/G/B beträgt 77.4%, bei Nutzung aller erzeugten Variablen 85.5% und durch Auswahl der nach MDA-Wichtigkeit 300 wichtigsten aller erzeugten Variablen 86.1%. Eine Klassifizierungsgenauigkeit des unabhängigen Testdatensatzes von 84.2% kann durch Variablenkombination aus spektraler Information und texturaler Information mit GLCM Ansatz nach Haralick et al. sowie spektraler Information und texturaler Information aus der Diskrete Stationäre Wavelet Transformation erzielt werden. Die höchsten Produzenten- und Nutzergenauigkeiten erzielen die Klassen Offenland Fels und Schatten, die geringsten Laubholz. Die häufigsten Fehlklassifizierungen entstehen zwischen den Klassen Nadelholz, Laubholz und Latsche.

Zusammenfassung (Englisch)

The computer-assisted landcover classification of large areas is a common task in remote sensing. Depending from the individual question and the available inputdata, classes reach different levels of separability. For higher overallaccuracies of classification, additional features like vegetation indices or texture features can be produced through datatransformation. The data set for this thesis are four chanel (near Infrared, red, green, blue) digital aerial images of the bavarian alps with in five resolutions (20 cm, 100 cm, 100 cm focal median, 200 cm, 500 cm). The influence of different aspects of spectral and textural features to the classificationresult, the impact of featureselection, amount and size of trainingsamples and the transferability of the classificator to bordering testsites are investigated. For classification an object based approach using Random Forest classifier was chosen. Six classes were classified: coniferous trees, broad-leafed trees, mountain pine (Pinus mugo), grasland, rock and shadows. Objects containing more than two classes were left out of the systematic test. The highest overallaccuracy of the independend testdata using the spectral information from all four channels near infrared, red, green and blue reached 77.4 %. Using all features a result of 85.5 %, through featureselection of the 300 most important of all features, rated by their MDA importance, 86.1 % was reached. Using spectral features and texture features produced with the graylevel co-occurence matrix approach and the discrete stationary wavelet transform, overallaccuracies of 84.2 % of the independend testdataset were reached. The highest Producer- and Useraccuracies were reached for the classes rock and shadow, the lowest for the class broad-leafed trees. Missclassification occured most frequently between the classes coniferous trees, borad-leafed trees and mountain pine.