Moore besitzen weltweit eine große Bedeutung für den Natur- und Klimaschutz. Sie dienen als Lebensraum für eine Vielzahl an Pflanzen- und Tierarten sowie als Kohlenstoffsenken. Aufgrund intensiver land- und forstwirtschaftlicher Nutzung weist die Mehrheit der Moorgebiete jedoch hochgradige Schäden auf, durch welche sie in ihrer Funktionalität beeinträchtigt werden. Um die charakteristischen Biotopeigenschaften wiederherzustellen, laufen derzeit zahlreiche Moorschutzprogramme, unter anderem in der deutsch-tschechischen Grenzregion im Osterzgebirge. Damit die Auswirkungen der durchgeführten Schutz- und Renaturierungsmaßnahmen auf die Vegetationsstruktur verfolgt und kontrolliert werden können, erfolgt in dieser Region regelmäßig eine stereoskopische Luftbildinterpretation der Moorflächen. Derartige manuelle Auswertungen sind jedoch mit einem hohen Arbeitsaufwand verbunden, weswegen eine Automatisierung der Prozesse angestrebt wird. In der vorliegenden Arbeit wird ein Verfahren präsentiert, mit welchem die Vegetationsstrukturen der Moore bei Satzung teilautomatisch klassifiziert werden können. Unter Verwendung von digitalen Luftbildern und einem digitalen Geländemodell lassen sich verschiedene Gras-, Baum- und Bodenarten voneinander trennen und lokalisieren. Für die Unterscheidung der einzelnen Klassen werden sowohl pixel- als auch objektbasierte Merkmale in die Datenanalyse einbezogen. Aufnahmen der Satelliten WorldView-2 und Sentinel-2A wurden ebenfalls auf ihr Auswertepotential hin untersucht, allerdings ohne zufriedenstellende Ergebnisse. Die Automatisierung von Monitoring-Prozessen für Moorschutzgebiete ermöglicht eine Objektivierung des Analyseverfahrens und stellt eine zeit- und kostengünstige Alternative zur stereoskopischen Bildinterpretation dar. / Moorlands are of worldwide importance for nature and climate protection. They serve as a habitat for a variety of plant and animal species, as well as carbon sinks. Most of the moorlands show significant damage from intense agricultural and silvicultural use, affecting the functionality of many. Currently, several moorland protection programs are running to restore the habitats’ characteristic features, such as that in the Czech-German border region in The Eastern Ore Mountains. Using stereoscopic image interpretation, the moorlands in this region are regularly monitored to observe the influence of executed protection and renaturation measures on the local vegetation structures. However, such manual evaluations require high labor costs. Therefore, the automation of this process is sought. The master thesis at hand presents a procedure enabling the semi-automatic classification of vegetation structures in the moorlands nearby Satzung, Germany. Different grass, tree and soil types can be distinguished and localized using digital aerial imagery and a digital terrain model. For the distinction between different object classes, pixel- and object-based features are taken into consideration. Satellite images acquired by WorldView-2 and Sentinel-2A were also tested for their classification suitability, but without satisfactory results. The automation of monitoring processes for protected moorlands facilitates the externalization of the data analysis and represents a time- and cost-efficient alternative to stereoscopic image interpretations.

Maps are important for both human and robot navigation. Given a route, drivingassistance systems consult maps to guide human drivers to their destinations. Similarly, topological maps of a road network provide a robotic vehicle with information about where it can drive and what driving behaviors it should use. By providing the necessary information about the driving environment, maps simplify both manual and autonomous driving. The majority of existing cartographic databases are built, using manual surveys and operator interactions, to primarily assist human navigation. Hence, the resolution of existing maps is insufficient for use in robotics applications. Also, the coverage of these maps fails to extend to places where robotics applications require detailed geometric information. To augment the resolution and coverage of existing maps, this thesis investigates computer vision algorithms to automatically build lane-level detailed maps of highways and parking lots by analyzing publicly available cartographic resources, such as orthoimagery. Our map-building methods recognize image patterns and objects that are tightly coupled with the structure of the underlying road network by 1) identifying, without human intervention, locally consistent image cues and 2) linking them based on the obtained local evidence and prior information about roadways. We demonstrate the accuracy of our bootstrapping approach in building lane-level detailed roadwaymaps through experiments. Due to expected abnormal events on highways such as roadwork, the geometry and traffic rules of highways that appear on maps can occasionally change. This thesis also addresses the problem of updating the resulting maps with temporary changes by analyzing perspective imagery acquired from a vision sensor installed on a vehicle. To robustly recognize highway work zones, our sign recognizer focuses on handling variations of signs’ colors and shapes. Sign recognition errors, which are inevitable, can cause our system to misread temporary highway changes. To handle potential errors, our method utilizes the temporal redundancy of sign occurrences and their corresponding classification decisions. We demonstrate the effectiveness and robustness of our approach highway workzone recognition through testing with video data recorded under various weather conditions. Two major results of this thesis work are 1) algorithms that analyze orthoimages to produce lane-level detailed maps of highways and parking lots and 2) on-vehicle computer vision algorithms that are able to recognize temporary changes on highways. Our maps can provide detailed information about a route, in advance, to either a human driver or a self-driving vehicle. While driving on highways, our roadway-assessing algorithms enable the vehicle to update the resulting maps with temporary changes to the route.

Moore besitzen weltweit eine große Bedeutung für den Natur- und Klimaschutz. Sie dienen als Lebensraum für eine Vielzahl an Pflanzen- und Tierarten sowie als Kohlenstoffsenken. Aufgrund intensiver land- und forstwirtschaftlicher Nutzung weist die Mehrheit der Moorgebiete jedoch hochgradige Schäden auf, durch welche sie in ihrer Funktionalität beeinträchtigt werden. Um die charakteristischen Biotopeigenschaften wiederherzustellen, laufen derzeit zahlreiche Moorschutzprogramme, unter anderem in der deutsch-tschechischen Grenzregion im Osterzgebirge. Damit die Auswirkungen der durchgeführten Schutz- und Renaturierungsmaßnahmen auf die Vegetationsstruktur verfolgt und kontrolliert werden können, erfolgt in dieser Region regelmäßig eine stereoskopische Luftbildinterpretation der Moorflächen. Derartige manuelle Auswertungen sind jedoch mit einem hohen Arbeitsaufwand verbunden, weswegen eine Automatisierung der Prozesse angestrebt wird. In der vorliegenden Arbeit wird ein Verfahren präsentiert, mit welchem die Vegetationsstrukturen der Moore bei Satzung teilautomatisch klassifiziert werden können. Unter Verwendung von digitalen Luftbildern und einem digitalen Geländemodell lassen sich verschiedene Gras-, Baum- und Bodenarten voneinander trennen und lokalisieren. Für die Unterscheidung der einzelnen Klassen werden sowohl pixel- als auch objektbasierte Merkmale in die Datenanalyse einbezogen. Aufnahmen der Satelliten WorldView-2 und Sentinel-2A wurden ebenfalls auf ihr Auswertepotential hin untersucht, allerdings ohne zufriedenstellende Ergebnisse. Die Automatisierung von Monitoring-Prozessen für Moorschutzgebiete ermöglicht eine Objektivierung des Analyseverfahrens und stellt eine zeit- und kostengünstige Alternative zur stereoskopischen Bildinterpretation dar. / Moorlands are of worldwide importance for nature and climate protection. They serve as a habitat for a variety of plant and animal species, as well as carbon sinks. Most of the moorlands show significant damage from intense agricultural and silvicultural use, affecting the functionality of many. Currently, several moorland protection programs are running to restore the habitats’ characteristic features, such as that in the Czech-German border region in The Eastern Ore Mountains. Using stereoscopic image interpretation, the moorlands in this region are regularly monitored to observe the influence of executed protection and renaturation measures on the local vegetation structures. However, such manual evaluations require high labor costs. Therefore, the automation of this process is sought. The master thesis at hand presents a procedure enabling the semi-automatic classification of vegetation structures in the moorlands nearby Satzung, Germany. Different grass, tree and soil types can be distinguished and localized using digital aerial imagery and a digital terrain model. For the distinction between different object classes, pixel- and object-based features are taken into consideration. Satellite images acquired by WorldView-2 and Sentinel-2A were also tested for their classification suitability, but without satisfactory results. The automation of monitoring processes for protected moorlands facilitates the externalization of the data analysis and represents a time- and cost-efficient alternative to stereoscopic image interpretations.