<
>
Download

Endarbeit
Geowissenschaften

Karl-Franzens-Universität Graz - KFU

2006

Adam M. ©
3.20

3.20 Mb
sternsternsternsternstern_0.25
ID# 252







Endarbeit Geographische Fernerkundung 1


Schritt 1 – Subset und Luftbild


Als erstes wurde ein Subset über Data Preparation – Subset durchgeführt. Das Landsatbild von Graz aus dem Jahr 2000 dazu haben wir bereits während der Übungen erhalten. Auch die 4 Teile des Grazer Orthophotos haben wir in ein gemeinsames Bild mosaikiert um danach das Subset unseres Gebietes auszuschneiden.


Schritt 2 - Unüberwachte Klassifikation


Danach haben wir eine unüberwachte Klassifikation durchgeführt mit 20 Klassen. Um ein leichter zu differenzierendes Ergebnis zu erhalten, haben wir noch eine unüberwachte Klassifikation mit 9 Klassen berechnen lassen.

Unüberwachte Klassifikation mit 9 Klassen

Schritt 3 – Erstellen der Grundklassen (grob)


Aufgrund unseres Vorwissens über das Gelände und mit Hilfe des Orthophotos haben wir eine erste Legende erstellt. Wir markierten einige Geländepunkte auf unserem Landsat Bild bzw. dem und Orthophoto die wir einer Klasse zuordnen konnten, und markierten Gebiete die für uns nicht zuordenbar waren.

Schritt 4 – Geländebegehung, Fotodokumentation


Wir fuhren hinaus in das Gelände zu den vorher markierten Punkten um unsere Klassenzuordnungen zu bestätigen und unbekanntes Gelände einordnen zu können. Hierbei konnten wir z.B. erkennen, daß der Mischwald an einigen Stellen doch stark mit Nadelwald (bis zu 80%) durchsetzt war.

Ein kleines Rinnsal im Westen des Gebietes war auf der Landsat Aufnahme nicht mehr als Wasserfläche zuzuordnen da die Flußvegetation (Bewaldung) zu stark war. Als einzige Wasserfläche im Gebiet war das Freibad Straßgang zuzuordnen.

Wir erstellten eine Fotografische Dokumentation unserer Geländebegehung in die wir die markantesten Bilder einbauten.


Orthophoto – Straßgang mit Fotos der Geländebegehung und Bildwinkel


Bild 1:- Nadelwaldstreifen im Mischwald Bild 6: mittlere und leichte Verbauung


Schritt 5- Erstellen unserer Klassen


Aufgrund der im Gelände gewonnen Daten und der Auswertungen der unüberwachten Klassifikation sowie des Orthophotos erstellten wir folgende 9 Klassen

1.      Nadelwald

2.      Mischwald

3.      Leichte Bewaldung, Jungwald

4.      Äcker

5.      Grünflächen, Wiesen

6.      Gewässer

7.      Dichte Bebauung

8.      Mittlere Bebauung

9.      Leichte Bebauung


Schritt 6- Überwachte Klassifikation - Trainingsgebiete


Für diese Klassifikation haben wir zuerst Trainingsgebiete eingezeichnet welche wir nun aufgrund unserer Geländebegehung und der neu gewonnen Daten leichter erstellen konnten. Wenn möglich wurden zu jeder Klasse mindestens 3 Trainingsgebiete eingezeichnet (AOI – Polygon), welche in den Signature Editor übertragen wurden.

Das Ergebnis der überwachten Klassifikation entsprach schon ziemlich genau unserem Bild des Geländes, jedoch waren die Bebauten Gebiete noch nicht gut ziwchen leicht und mittel verbaut unterschieden

Einzeichnen der Testgebiete mit den AOI Tools

Hinzufügen der Testgebiete in den Signature Editor


Schritt 7 – Evaluierung der Klassen


Mit Hilfe der Feature Space Klassen konnten wir unsere Klassen evaluieren, so sieht man hier ob die größten Pixelhaufen alle zumindest einer Klasse zugeordnet sind, und ob sich die Klassen zu stark überschneiden. Wir führten mehrere Evaluierungen mit den Kanälen 2-3 , 2-4, 2-5 und 3-4 sowie 3-5 durch, denn diese waren die Klassen in denen wir unsere Testgebiete eingezeichnet hatten.



Überwachte Klassifikation mit Signature File


Zur besseren Evaluation der überwachten Klassifikation berechneten wir ein Distance File. Hier sind jene Gebiete sehr hell eingezeichnet welche besonders schlecht zu einer der vorgegeben Klassen zugeordnet werden konnten. Am Besten wurden demnach Wälder und Ackerflächen klassifiziert.


Distance File der überwachten Klassifikation

Schritt 9 - Wissensbasierte Klassifikation:


Diese wurde mittels der Funktion Classification Knowledge Engineerer erstellt. Um Verbesserungen im Ergebnis zu erhalten, wurden bei dieser Klassifikation auch weiter Falschfarbendarstellungen mit einbezogen wie z.b. Tasseled Cap um die Acker und Grünflächen besser zu erkennen, und NDVI um die Bebauungsdichte eindeutig unterscheiden zu können.



Für die Wissensbasierte Klassifikation verwendeten wir also die gleichen Signaturen wie für die Überwachte, aber wir erweiterten die jeweiligen Einschränkungen manchmal. Die Bebauungsdichte unterschieden wir nun zusätzlich mittels des NDVI (kleiner 120 = dicht bebaut, 120-155 = mittel verbaut, 155- 200 = leicht verbaut)


Knowledge Engineer – Klassenaufbau

Wir führten für jede Klasse einzeln eine Klassifikation durch und legen die einzelnen Layer nun Schicht für Schicht übereinander. Mit Hilfe der Swap Funktion konnten wir überprüfen ob sich die einzelnen Layer überschneiden – was aber nur auf wenige einzelne Bildpunkte zutraf. (maximal 10 Bildpunkte)



Da noch einige Bildpunkte übrig geblieben sind die nicht klassifiziert wurden, haben wir diese mittels des Modelmakers herausgefiltert und als gemeinsame Fläche klassifizierte. Dies waren vor allem Flächen die nur eine minimale Bewaldung bzw. Sträucher aufwiesen. Eine 10. Klasse „Sträucher, einzelne Baumgruppen“ wurde hinzugefügt.


Formel zur Filterung der nicht klassifizierten Bildpunkte:[(Wissensbasierte Klassifikation * -1)+1] * Landsat Bild


Model Maker – Restflächen herausfiltern


Ergebnis – Wissensbasierte Klassifikation mit Knowledge Engineer

Mean Plot – Verteilung der Klassen über die verschiedenen spektralen Kanäle


Flächenstatistik – Wissensbasierte Klassifikation


Schritt 11 – Interpretation der Ergebnisse


Eine unüberwachte Klassifikation führt zu keinem wirklich eindeutigem Ergebnis. Auch bei 20 Klassen konnte die Software z.B. dicht Bebauten Flächen und bestimmte Ackerflächen nicht unterscheiden! Waldflächen konnten einigermaßen gut gefiltert werden.


Das Ergebnis der überwachte Klassifikation ist sehr stark abhängig von der Auswahl der Testgebiete, viel Übung ist hier notwendig um ein gutes Ergebnis zu erhalten. Jedoch ist die Methode sehr schnell.



Literaturquellen:

Erdas Imagine – Field-Guide.pdf

Erdas Imagine – Tour-Guide.pdf



| | | | |
Tausche dein Hausarbeiten

G 2 - Cached Page: Thursday 28th of March 2024 12:25:53 AM