Conditional Random Fields zur Klassifikation multitemporaler Fernerkundungsdaten unterschiedlicher Auflösung

摘要

Die Anzahl optischer Fernerkundungssensoren ist in den vergangenen Jahren kontinuierlich gestiegen.Insbesondere sind zunehmend Daten von hochauflösenden Satelliten und Satellitenkonstellationen miteiner geometrischen Auflösung von unter 5 Metern verfügbar. Mit der höheren Verfügbarkeit von Dateneiner Region zu unterschiedlichen Zeitpunkten kann die Klassifikationsgenauigkeit von Landbedeckungsbzw.Landnutzungsklassen sowie anderen erkennbaren Objekten der Erdoberfläche gesteigert werden.Darüber hinaus ist es möglich, Veränderungen schneller und sicherer zu erkennen. Allerdings sind dieAnschaffungskosten für Daten hoher geometrischer Auflösung meist hoch und die zeitlichen Abstände,in denen ein ausgedehntes Gebiet vollständig erfasst wird, unter Umständen recht groß. Hingegenstehen Daten von Sensoren mit einer Bodenauflösung zwischen 5m und 30m oft zeitlich hochfrequentund für große Gebiete kostengünstig zur Verfügung.In dieser Arbeit wird eine Methode zur automatischen Interpretation multitemporaler optischerFernerkundungsdaten unterschiedlicher Auflösung vorgestellt. Die gemeinsame Auswertung dieserDaten hat mehrere Vorteile: eine hohe zeitliche Dichte verfügbarer Daten, überschaubare Kosten unddie Möglichkeit, Merkmale und Objekte in unterschiedlichen Auflösungsstufen zu erfassen. Derneuartige Ansatz ermöglicht eine Steigerung der Klassifikationsgenauigkeit der Daten sämtlicherZeitpunkte unabhängig von ihrer geometrischen Auflösung sowie die Erkennung von Veränderungen ineinem Auswerteschritt. Dabei wird nicht nur erkannt, ob sich etwas verändert hat, sondern auch, wiesich etwas verändert hat. Für Daten unterschiedlicher Auflösungsstufen können unterschiedlicheKlassenstrukturen definiert werden.Die Methode basiert auf Conditional Random Fields (CRFs), einem probabilistischen Verfahren zurMustererkennung. CRFs gehören zur Gruppe der Zufallsfelder (Random Fields). Diese zeichnen sichdurch die Möglichkeit der Integration von Kontext für die Klassifikation einzelner Primitive aus. ImUnterschied zu zahlreichen anderen Arbeiten mit CRFs werden nicht ausschließlich räumlicheNachbarschaften modelliert. Zusätzlich werden unterschiedlich aufgelöste Bilder unterschiedlicherZeitpunkte mit Übergangswahrscheinlichkeiten zwischen einzelnen Klassen verknüpft. Der CRFStandardansatzwird hierzu um einen zusätzlichen Interaktionsterm erweitert, der zeitlicheAbhängigkeiten modelliert.Der Ansatz wurde in mehreren Experimenten für zwei großräumige Testgebiete evaluiert. Für beideGebiete lagen mehrere Bilder unterschiedlicher Auflösung (Ikonos, RapidEye und Landsat) vor. Diealleinige Berücksichtigung räumlichen 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 räumlichen Interaktionen untersucht. DieIntegration des zeitlichen Kontexts erhöhte die Klassifikationsgenauigkeit bei hochaufgelösten Bilddatenidentischer Auflösung um weitere 1%-5%. In Kombination mit niedriger aufgelösten Daten wurde für dieniedriger aufgelösten Daten eine Steigerung von teilweise über 10% erzielt. Testgebietsübergreifendwurde bei Experimenten zur Detektion von Veränderungen die Majorität der Pixel in 20 der 22 durchSimulation veränderten Flächen korrekt klassifiziert.