1 |
Workflows für Bilddaten und Big Data Analytics – Das Potenzial von Sentinel- 2-Daten zur BaumartenklassifizierungBrandmeier, Melanie, Wessel, Mathias 22 May 2018 (has links)
In diesem Beitrag werden erste Ergebnisse eines Forschungsprojekts zur akkuraten Klassifikation von Baumarten anhand von Sentinel-2-Daten vorgestellt. Basierend auf der ArcGIS-Plattform wird über Rasterfunktionsketten ein optimaler Workflow erstellt, um einzelne Baumarten hierarchisch zu klassifizieren und die Übertragbarkeit auf ein anderes Gebiet zu testen. Dieser Workflow kann dann über den ArcGIS-Image-Server auf große Datenmengen angewendet werden. Sowohl klassisch als auch multitemporal wurden verschiedene Bandkombinationen, Vegetationsindizes und Hauptkomponenten in pixel- vs. objektbasierten Klassifikationsansätzen verglichen. Als Klassifikatoren wurden zwei Machine-Learning-Algorithmen gewählt: ein Support Vector Machine Classifier (SVM) und ein Random Trees Classifier (RTC). Die besten Ergebnisse wurden über einen objektbasierten, hierarchischen Ansatz erzielt. Laub- und Nadelwälder wurden zunächst mit einer Gesamtgenauigkeit von 97,2 % über eine multitemporale, objektbasierte Klassifikation, basierend auf Kanal 8, erreicht. Ähnliche Genauigkeiten lieferte auch die SVM-Klassifikation, basierend auf den vier Hauptkomponenten der Augustszene mit vorangestellter Segmentierung der Maiszene. Eine anschließende Klassifikation der Laubbäume zwischen Buche, Eiche und restlichen Laubbäumen erzielte in einem multitemporalen Ansatz eine Gesamtgenauigkeit von 91 %. Es wurde an einer Szene im Mai, basierend auf den Kanälen 8,3 und 2, segmentiert und dann an den Hauptkomponenten 1 bis 12 der Augustszene über einen SVM-Algorithmus klassifiziert. Diese vorläufigen Ergebnisse sind vor dem Hintergrund der mittleren räumlichen Auflösung der Sentinel-2-Daten als sehr vielversprechend zu bewerten. Weitere Ziele des Projekts liegen in der Klassifikation einzelner Nadelbaumarten und in einer Übertragbarkeitsstudie auf ein zweites Gebiet.
|
Page generated in 0.0891 seconds