Zugl.: Hannover, Univ., Diss., 2007

Techn. Univ., Diss.--München, 1999.

Informationen über die Landbedeckung und die mit der anthropogenen Komponente verbundenen Landnutzung sind elementare Bestandteile für viele Bereiche der Politik, Wirtschaft und Wissenschaft. Darunter fallen beispielsweise die Strukurentwicklungsprogramme der EU, die Schadensregulierung im Versicherungswesen und die Modellierung von Stoffkreisläufen. CORINE Land Cover (CLC) wurde infolge eines erweiterten Bedarfs an einem europaweit harmonisierten Datensatz der Landoberfläche erstellt. Das CORINE Projekt weist für diese Arbeit eine hohe Relevanz durch die regelmäßigen Aktualisierungen von 10 Jahren, dem Einsatz der Daten in vielen europäischen und nationalen Institutionen und der guten Dokumentation der CORINE Nomenklatur auf. Die Erstellung der Daten basiert auf der computergestützten manuellen Interpretation, da automatische Verfahren durch die Komplexität der Aufgabenstellung und Thematik nicht in der Lage waren, den menschlichen Interpreten zu ersetzen. Diese Arbeit stellt eine Methodik vor, um CORINE Land Cover aus optischen Fernerkundungsdaten für eine kommende Aktualisierung abzuleiten. Hierzu dienen die Daten von CLC 1990 und der Fernerkundungsdatensatz Image 2000 als Grundlage, sowie die CLC 2000 Klassifikation als Referenz. Die entwickelte und in dem Softwarepaket gnosis implementierte Methodik wendet die objektorientierte Klassifikation in Kombination mit Theorien aus der menschlichen Bildwahrnehmung an. In diesen Theorien wird die Bildwahrnehmung als informationstechnischer Prozess gesehen, der den Klassifikationsprozess in die drei folgenden Subprozesse unterteilt: Bildsegmentierung, Merkmalsgenerierung und Klassenzuweisung. Die Bildsegmentierung generiert aus den untersten Bildprimitiven (Pixeln) bedeutungsvolle Bildsegmente. Diesen Bildsegmenten wird eine Anzahl von bildinvarianten Merkmalen aus den Fernerkundungsdaten für die Bestimmung der CLC Klasse zugewiesen. Dabei liegt die wichtigste Information in der Ableitung der Landbedeckung durch den überwachten Stützvektor-Klassifikator. Die Landoberfläche wird hierzu in zehn Basisklassen untergliedert, um weiteren Merkmalen einen semantischen Unterbau zu geben. Zur Bestimmung der anthropogenen Komponente von ausgewählten Landnutzungsklassen, wie beispielsweise Ackerland und Grünland, wird der phänologische Verlauf der Vegetation durch die Parameter temporale Variabilität und temporale Intensität beschrieben. Neben dem jahreszeitlichen Verlauf der Vegetation können Nachbarschaftsbeziehungen untersucht werden, um weitere anthropogene Klassen und heterogen aufgebaute Sammelklassen beschreiben zu können. Der Versiegelungsgrad als Beispiel für eine Reihe von unscharfen Merkmalen dient der weiteren Differenzierung der verschiedenen Siedlungsklassen aus CORINE LC. Mit Hilfe dieser Merkmale werden die CLC Klassen in abstrakter Form im Klassenkatalog (a-priori Wissensbasis) als Protoklassen beschrieben. Die eigentliche Objekterkennung basiert auf der Repräsentation der CORINE Objekte durch ihre einzelnen Bestandteile und vergleicht die gefundenen Strukturen mit der Wissensbasis. Semantisch homogen aufgebaute Klassen, wie Wälder und Siedlungen oder Protoklassen mit eindeutigen Merkmalen, beispielsweise zur Bestimmung von Grünland durch die Phänologie, können durch den bottom–up Ansatz identifiziert werden. Das übergeordnete CLC Objekt kann direkt aus den Bestandteilen zusammengebaut und einer Klasse zugewiesen werden. Semantisch heterogene Klassen, wie zum Beispiel bestimmte Sammelklassen (Komplexe Parzellenstrukur), können durch ihre Bestandteile validiert werden, indem die Bestandteile eines existierenden CLC Objektes mit der Wissensbasis auf Konsistenz untersucht werden (top–down Ansatz). Eine a-priori Datengrundlage ist für die Erkennung dieser Klassen essentiell. Die Untersuchung der drei Testgebiete (Frankfurt, Berlin, Oldenburg) zeigte, dass von der CORINE LC Nomenklatur 13 Klassen identifiziert und weiteren 14 Klassen validiert werden können. Zehn Klassen können durch diese Methodik aufgrund fehlender Merkmale oder Zusatzdaten nicht klassifiziert werden. Die Gesamtgenauigkeit der automatisierten Klassifikation für die Testgebiete beträgt zwischen 70% und 80% für die umgesetzten Klassen. Betrachtet man davon einzelne Klassen, wie Siedlungs-, Wald- oder Wasserklassen, wird aufgrund der verwendeten Merkmale eine Klassifikationsgenauigkeit von über 90% erreicht. Ein möglicher Einsatz der entwickelten Software gnosis liegt in der Unterstützung einer kommenden CORINE Aktualisierung durch die Prozessierung der identifizierbaren Klassen. Diese CLC Klassen müssen vom Interpreten nicht mehr überprüft werden. Für bestimmte CLC Klassen aus dem Top-down Ansatz wird der Interpret die letzte Entscheidung aus einer Auswahl von Klassen treffen müssen. Weiterhin können die berechneten Merkmale, wie die temporalen Eigenschaften und der Versiegelungsgrad dem Bearbeiter als Entscheidungsgrundlage zur Verfügung gestellt werden. Der Einsatz dieser neu entwickelten Methode führt zu einer Optimierung des bestehenden Aufnahmeverfahrens durch die Integration von semi-automatisierten Prozessen. / Land cover and land use classifications provide significant information for politics, economy and science. CORINE Land Cover (CLC) represents a harmonised Pan-European land cover dataset utilised by many European and national institutions. The mapping product comprising 44 classes of land cover and land use, is well documented. At the same time it is periodically updated in intervals of 10 years. Mainly due to the complexity of the CORINE nomenclature, generating and updating of this product has ever since been solely based on computer–aided manual image interpretation. To this date, manual interpretation being the backbone of CORINE actualisation has not been replaced by computer aided approaches. As a consequence, this study aims at developing a semi-automated methodology to derive CORINE Land Cover from optical remotely sensed data. The methodology presented, is based upon the former CLC 1990 classification and the Landsat ETM+ based Image 2000 while reference and validation is realised utilising the CLC 2000 data set. Implementation of the presented approach is realised by the software package gnosis combining object oriented classification paradigms with theories related to human image perception. Human image perception itself is known to be a process of information engineering including three sub-processes as follows: image segmentation, feature generation, and class assignment. With regard to image segmentation, meaningful image segments are generated based upon the most simple image primitives, the pixels. Resulting image segments consist of a wide range of invariant image features describing actual CLC classes. However, precise knowledge about land cover is the uttermost important information for any further processing steps presented in this work. Therefore, ten baseline land cover classes are extracted from multi spectral image 2000 data sets using a novel supervised classification approach of support vector machines. In order to estimate the anthropogenic impact affecting some CORINE classes, the phenological characteristics are analysed and processed. Thus temporal parameters like temporal variability and temporal intensity are used for the delineation of pastures and arable land. Conjointly with these vegetation features, neighbourhood analysis is used to derive functionality or heterogeneity of complex classes. At last, additional error reduction and further specification is addressed by the extraction of fuzzy features. Based on these features sets, CLC classes are represented abstractly stored within a class catalogue i.e. an a-priori knowledge base. Class assignment itself is based on the representation of CORINE objects by its integral parts. In the following this sub-process, representing the final step of image perception, is used to compare the extracted structures with the prototypical classes of the knowledge base. On one hand homogeneous classes, consisting of a single land cover type of baseline classes like forests and pastures, are identified with a bottom–up approach. This is based on the assumption that any superior CLC object is composed of and therefore directly linked to its components and consecutively assigned to a specific CLC class. On the other hand heterogeneous classes, consisting of multiple cover types like complex cultivation patterns, can be validated by comparing its components to the knowledge base, i.e. a top–down approach. However, the a-priori geometry provided by a former classification is essential for this type of object recognition. The analysis of test sites located in the vicinities of Frankfurt, Berlin, and Oldenburg indicates that 13 CLC classes can be identified automatically while a second set of 14 CLC classes can be validated. On the contrary, ten classes can not be acquired by the presented approach due to the lack of required features or missing ancillary information. Thus the overall accuracy of the automated classification of the test sites ranges between 70% and 80 %. In addition it increases to more than 90% as observation is limited to classes with intrinsic prototypical description and distinct features like settlement, forest, and water. As a result of this thesis the software package gnosis will provide a fundamental service and support for the forthcoming CORINE update. By means of the software, 13 identifiable classes can be processed automatically based on the bottom–up approach. In regards to the set of 14 CLC classes derived from the top–down approach, distinct class definition will rely on the trained interpreters selecting from a given set of potential classes. This decision making process can also be facilitated by existing feature sets describing temporal characteristics and impervious cover fraction. As a consequence both automated and semi-automated processes presented in this thesis can be considered a good advancement of the existing compilation and updating procedures of the CORINE land cover project.

Zugl.: Ilmenau, Techn. Universiẗat, Diss., 2007.

Zugl.: München, Techn. Univ., Diss., 2009

Zugl.: Aachen, Techn. Hochsch., Diss., 2008

Darmstadt, Techn. Universiẗat, Diss., 2007.

Darmstadt, Techn. Universiẗat, Diss., 2006.

Zugl.: Stuttgart, Univ., Diss., 2005

Zugl.: Erlangen, Nürnberg, Univ., Diss., 2007