Conditional Random Fields zur Klassifikation multitemporaler Fernerkundungsdaten unterschiedlicher Aufl?sung

摘要

Die Anzahl optischer Fernerkundungssensoren ist in den vergangenen Jahren kontinuierlich gestiegen.Insbesondere sind zunehmend Daten von hochaufl?senden Satelliten und Satellitenkonstellationen miteiner geometrischen Aufl?sung von unter 5 Metern verfügbar. Mit der h?heren Verfügbarkeit von Dateneiner Region zu unterschiedlichen Zeitpunkten kann die Klassifikationsgenauigkeit von Landbedeckungsbzw.Landnutzungsklassen sowie anderen erkennbaren Objekten der Erdoberfl?che gesteigert werden.Darüber hinaus ist es m?glich, Ver?nderungen schneller und sicherer zu erkennen. Allerdings sind dieAnschaffungskosten für Daten hoher geometrischer Aufl?sung meist hoch und die zeitlichen Abst?nde,in denen ein ausgedehntes Gebiet vollst?ndig erfasst wird, unter Umst?nden recht gro?. Hingegenstehen Daten von Sensoren mit einer Bodenaufl?sung zwischen 5m und 30m oft zeitlich hochfrequentund für gro?e Gebiete kostengünstig zur Verfügung.In dieser Arbeit wird eine Methode zur automatischen Interpretation multitemporaler optischerFernerkundungsdaten unterschiedlicher Aufl?sung vorgestellt. Die gemeinsame Auswertung dieserDaten hat mehrere Vorteile: eine hohe zeitliche Dichte verfügbarer Daten, überschaubare Kosten unddie M?glichkeit, Merkmale und Objekte in unterschiedlichen Aufl?sungsstufen zu erfassen. Derneuartige Ansatz erm?glicht eine Steigerung der Klassifikationsgenauigkeit der Daten s?mtlicherZeitpunkte unabh?ngig von ihrer geometrischen Aufl?sung sowie die Erkennung von Ver?nderungen ineinem Auswerteschritt. Dabei wird nicht nur erkannt, ob sich etwas ver?ndert hat, sondern auch, wiesich etwas ver?ndert hat. Für Daten unterschiedlicher Aufl?sungsstufen k?nnen unterschiedlicheKlassenstrukturen definiert werden.Die Methode basiert auf Conditional Random Fields (CRFs), einem probabilistischen Verfahren zurMustererkennung. CRFs geh?ren zur Gruppe der Zufallsfelder (Random Fields). Diese zeichnen sichdurch die M?glichkeit der Integration von Kontext für die Klassifikation einzelner Primitive aus. ImUnterschied zu zahlreichen anderen Arbeiten mit CRFs werden nicht ausschlie?lich r?umlicheNachbarschaften modelliert. Zus?tzlich werden unterschiedlich aufgel?ste Bilder unterschiedlicherZeitpunkte mit übergangswahrscheinlichkeiten zwischen einzelnen Klassen verknüpft. Der CRFStandardansatzwird hierzu um einen zus?tzlichen Interaktionsterm erweitert, der zeitlicheAbh?ngigkeiten modelliert.Der Ansatz wurde in mehreren Experimenten für zwei gro?r?umige Testgebiete evaluiert. Für beideGebiete lagen mehrere Bilder unterschiedlicher Aufl?sung (Ikonos, RapidEye und Landsat) vor. Diealleinige Berücksichtigung r?umlichen Kontexts führte für monotemporale Auswertungen im Vergleichzu einer Maximum-Likelihood-Klassifikation zu einer Verbesserung der Gesamtgenauigkeit von zumeist5%-10%. Es wurden drei unterschiedliche Modelle für die r?umlichen Interaktionen untersucht. DieIntegration des zeitlichen Kontexts erh?hte die Klassifikationsgenauigkeit bei hochaufgel?sten Bilddatenidentischer Aufl?sung um weitere 1%-5%. In Kombination mit niedriger aufgel?sten Daten wurde für dieniedriger aufgel?sten Daten eine Steigerung von teilweise über 10% erzielt. Testgebietsübergreifendwurde bei Experimenten zur Detektion von Ver?nderungen die Majorit?t der Pixel in 20 der 22 durchSimulation ver?nderten Fl?chen korrekt klassifiziert.