Automatische Baumartenerkennung auf der Grundlage digitalisierter CIR-Luftbilder

2001

S. 131-140

5 Abb., 9 Lit. Ang.

Unselbständiges Werk

200092543

Ziel des vorliegenden Aufsatzes war es anhand der Analyse von Farb- bzw. Texturparametern digitaler großmaßstäblicher Infrarotluftbilder eine automatische Baumartenerkennung der fünf Baumarten Fichte, Tanne, Douglasie, Lärche und Buche durchzuführen. Es wurden zunächst an einer digitalen Stereo-Photogrammetriestation die Vorbereitungsarbeiten vorgenommen. Es handelte sich um visuelle Interpretation und Delinierung der Referenzbäume (Bäume auf der Versuchsfläche von 0,25 ha Größe) im Projektgebiet "Sankt Märgen" mit anschließender Berechnung des Orthophotobildes. Für die Bildanalyse wurden aus den delinierten Baumkronen die Signaturstatistiken mittlerer Grauwerte und mittlere Standardabweichungen in den Kanälen 1, 2 und 3 (infrarot, rot und grün) für jede Baumart berechnet. Als Eingabedaten für die automatische Klassifizierung standen ein originaler Bilddatensatz und zwei vorverarbeitete Bilddatensätze mit visuell abgegrenzten und segmentierten Baumkronen zur Verfügung. Die Klassifizierung der Signatur erfolgte anhand der berechneten Signaturstatistiken durch den Maximum-Likelihood-Klassifikator. Für die drei Bilddatensätze wurden sowohl die Nutzergenauigkeiten der einzelnen Objektklassen als auch die Gesamtgenauigkeit der Klassifizierung des Untersuchungsgebietes im Bild ermittelt. Die höchste Gesamtgenauigkeit der Klassifizierung (90,1%) wurde beim Bilddatensatz mit visuell abgegrenzten Baumkronen erreicht. Eine geringere Genauigkeit wurde für den automatisch segmentierten, schattenmaskierten Bilddatensatz (62,1%) erreicht und die geringste Genauigkeit (38,6%) beim originalen Bilddatensatz. Da beim Bilddatensatz mit visuell abgegrenzten Baumkronen die Kronensegmente durch visuelle Kronendelinierung gebildet wurden, lassen sich die erreichten Klassifizierungsgenauigkeiten als theoretisch wahrnehmen. Für den praktischen Einsatz dieser Bilder müssten alle Baumkronen automatisch deliniert werden, um praxinah auch größere Flächen bearbeiten zu können. Die automatische Segmentierung scheint ein vielversprechender Ansatz, wenn auch mit der ß-Version der eCognition Software noch deutliche Probleme bei der Segmentierung großmaßstäblicher Bilder auftraten. In dem vorliegenden Aufsatz wurden deshalb weitere Wege zur Verbesserung der Segmentierung und Klassifizierung erprobt und verschiedene Texturparameter getestet. Die Ergebnisse zeigen, dass insbesondere der Einsatz von Texturfilter 1. Ordnung und die Texturparameter 2. Ordnung Contrast und Mean zur Verbesserung bei der automatischen Klassifizierung hochaufgelöster Luftbilddaten beitragen können. Insgesamt kann davon ausgegangen werden, dass für hochaufgelöste Luftbilddaten oder sonstige multispektral Daten der ansatz der objektoerientierten Klassifizierung für die Einzelkronen erfolgreich ist, insbesondere wenn über die reinen spektralen Refelxionswerte hinaus noch abgeleitete Kennwerte der Textur hinzugenommen werden.