@phdthesis{Wehrmann2007,
  author    = {Wehrmann, Thilo},
  title     = {Automatisierte Klassifikation von Landnutzung durch Objekterkennung am Beispiel von CORINE Land Cover},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-25260},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2007},
  abstract  = {Informationen {\"u}ber die Landbedeckung und die mit der anthropogenen Komponente verbundenen Landnutzung sind elementare Bestandteile f{\"u}r viele Bereiche der Politik, Wirtschaft und Wissenschaft. Darunter fallen beispielsweise die Strukurentwicklungsprogramme der EU, die Schadensregulierung im Versicherungswesen und die Modellierung von Stoffkreisl{\"a}ufen. CORINE Land Cover (CLC) wurde infolge eines erweiterten Bedarfs an einem europaweit harmonisierten Datensatz der Landoberfl{\"a}che erstellt. Das CORINE Projekt weist f{\"u}r diese Arbeit eine hohe Relevanz durch die regelm{\"a}ßigen Aktualisierungen von 10 Jahren, dem Einsatz der Daten in vielen europ{\"a}ischen und nationalen Institutionen und der guten Dokumentation der CORINE Nomenklatur auf. Die Erstellung der Daten basiert auf der computergest{\"u}tzten manuellen Interpretation, da automatische Verfahren durch die Komplexit{\"a}t 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 f{\"u}r 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 f{\"u}r die Bestimmung der CLC Klasse zugewiesen. Dabei liegt die wichtigste Information in der Ableitung der Landbedeckung durch den {\"u}berwachten St{\"u}tzvektor-Klassifikator. Die Landoberfl{\"a}che wird hierzu in zehn Basisklassen untergliedert, um weiteren Merkmalen einen semantischen Unterbau zu geben. Zur Bestimmung der anthropogenen Komponente von ausgew{\"a}hlten Landnutzungsklassen, wie beispielsweise Ackerland und Gr{\"u}nland, wird der ph{\"a}nologische Verlauf der Vegetation durch die Parameter temporale Variabilit{\"a}t und temporale Intensit{\"a}t beschrieben. Neben dem jahreszeitlichen Verlauf der Vegetation k{\"o}nnen Nachbarschaftsbeziehungen untersucht werden, um weitere anthropogene Klassen und heterogen aufgebaute Sammelklassen beschreiben zu k{\"o}nnen. Der Versiegelungsgrad als Beispiel f{\"u}r 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 Repr{\"a}sentation der CORINE Objekte durch ihre einzelnen Bestandteile und vergleicht die gefundenen Strukturen mit der Wissensbasis. Semantisch homogen aufgebaute Klassen, wie W{\"a}lder und Siedlungen oder Protoklassen mit eindeutigen Merkmalen, beispielsweise zur Bestimmung von Gr{\"u}nland durch die Ph{\"a}nologie, k{\"o}nnen durch den bottom-up Ansatz identifiziert werden. Das {\"u}bergeordnete CLC Objekt kann direkt aus den Bestandteilen zusammengebaut und einer Klasse zugewiesen werden. Semantisch heterogene Klassen, wie zum Beispiel bestimmte Sammelklassen (Komplexe Parzellenstrukur), k{\"o}nnen 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 f{\"u}r 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 k{\"o}nnen. Zehn Klassen k{\"o}nnen durch diese Methodik aufgrund fehlender Merkmale oder Zusatzdaten nicht klassifiziert werden. Die Gesamtgenauigkeit der automatisierten Klassifikation f{\"u}r die Testgebiete betr{\"a}gt zwischen 70\% und 80\% f{\"u}r die umgesetzten Klassen. Betrachtet man davon einzelne Klassen, wie Siedlungs-, Wald- oder Wasserklassen, wird aufgrund der verwendeten Merkmale eine Klassifikationsgenauigkeit von {\"u}ber 90\% erreicht. Ein m{\"o}glicher Einsatz der entwickelten Software gnosis liegt in der Unterst{\"u}tzung einer kommenden CORINE Aktualisierung durch die Prozessierung der identifizierbaren Klassen. Diese CLC Klassen m{\"u}ssen vom Interpreten nicht mehr {\"u}berpr{\"u}ft werden. F{\"u}r bestimmte CLC Klassen aus dem Top-down Ansatz wird der Interpret die letzte Entscheidung aus einer Auswahl von Klassen treffen m{\"u}ssen. Weiterhin k{\"o}nnen die berechneten Merkmale, wie die temporalen Eigenschaften und der Versiegelungsgrad dem Bearbeiter als Entscheidungsgrundlage zur Verf{\"u}gung gestellt werden. Der Einsatz dieser neu entwickelten Methode f{\"u}hrt zu einer Optimierung des bestehenden Aufnahmeverfahrens durch die Integration von semi-automatisierten Prozessen.},
  subject      = {Optische Fernerkundung},
  language  = {de}
}
@phdthesis{Taubenboeck2008,
  author    = {Taubenb{\"o}ck, Hannes},
  title     = {Vulnerabilit{\"a}tsabsch{\"a}tzung der erdbebengef{\"a}hrdeten Megacity Istanbul mit Methoden der Fernerkundung},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-28045},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2008},
  abstract  = {Urbane R{\"a}ume z{\"a}hlen zu den dynamischsten Regionen dieser Erde. Besonders Megacities zeigen bereits heute Trends und Dimensionen der Urbanisierung, deren regionale und globale Folgen noch kaum vorhersehbar, und erst ansatzweise erforscht sind. Die enorme r{\"a}umliche Konzentration von Menschen, Werten und Infrastruktur auf engem Raum ist f{\"u}r diese urbanen R{\"a}ume die Grundlage einer hohen Verwundbarkeit (Vulnerabilit{\"a}t). Gerade im Kontext von Naturgefahren potenzieren sich die Risiken, die durch den schnellen strukturellen, sozio{\"o}konomischen und {\"o}kologischen Wandel entstehen. Das {\"u}bergeordnete Ziel dieser Dissertation ist daher die Analyse von Potentialen der Fernerkundung zur Absch{\"a}tzung von Risiko und Vulnerabilit{\"a}t am Beispiel der erdbebengef{\"a}hrdeten Megacity Istanbul. Um die Zielstellung systematisch zu verfolgen, wird ein konzeptioneller, thematischer Leitfaden entwickelt. Dieser besteht aus einer Systematisierung der abstrakten {\"U}berbegriffe ‚Risiko', ‚Vulnerabilit{\"a}t' und ‚Gef{\"a}hrdung' in einem Indikatorensystem. Konkrete, messbare Indikatoren f{\"u}r das System ‚urbaner Raum' erlauben eine quantitative Absch{\"a}tzung von Einzelaspekten, addieren sich aber auch zu einer ganzheitlichen Perspektive des Risikos. Basierend auf dieser holistischen Idee, erlaubt das Indikatorensystem Potentiale, aber auch Limitierungen der Fernerkundungsdaten und Bildverarbeitungsmethoden f{\"u}r die Absch{\"a}tzung von Risiko und Vulnerabilit{\"a}t zu identifizieren. Anhand des Leitfadens werden zielgerichtet Methoden zur automatisierten Extraktion r{\"a}umlicher Informationen aus Fernerkundungsdaten entwickelt. Ein objektorientierter, modularer Klassifikationsansatz erm{\"o}glicht eine Landbedeckungsklassifikation h{\"o}chst aufgel{\"o}ster Daten im urbanen Raum. Dieses modulare Rahmenwerk zielt auf eine einfache und schnelle {\"U}bertragbarkeit auf andere h{\"o}chst aufl{\"o}sende Sensoren bzw. andere urbane Strukturen. Zur Anpassung der Methoden werden neben IKONOS Daten der Megacity Istanbul und der erdbeben- und tsunamigef{\"a}hrdeten K{\"u}stenstadt Padang in Indonesien, Quickbird Daten f{\"u}r die zuk{\"u}nftige Megacity Hyderabad in Indien getestet. Die Resultate zeigen die detaillierte und hochgenaue Erfassung kleinr{\"a}umiger, heterogener urbaner Objekte mit Genauigkeiten von {\"u}ber 80 \%. Auch mittel aufgel{\"o}ste Landsat Daten werden mit einem objektorientierten modularen Rahmenwerk mit hohen Genauigkeiten klassifiziert, um komplement{\"a}re temporale und gesamtst{\"a}dtische Analysen hinzuzuf{\"u}gen. Damit wird eine aktuelle, fl{\"a}chendeckende und multiskalige Informationsbasis generiert, die als Ausgangsprodukt zur Analyse urbaner Vulnerabilit{\"a}t dient. Basierend auf diesen Informationsebenen werden dem konzeptionellen Leitfaden folgend Indikatoren zur Absch{\"a}tzung von Vulnerabilit{\"a}t und Risiko extrahiert. Der Fokus ist dabei die Entwicklung von Methoden zur automatisierten, interpreterunabh{\"a}ngigen Ableitung vulnerabilit{\"a}ts- und gef{\"a}hrdungsrelevanter Indikatoren. Die physische Analyse des kleinr{\"a}umigen urbanen Raums konzentriert sich dabei auf die Typisierung des Geb{\"a}udebestandes mit Parametern wie Dichte, H{\"o}he, Alter, Gr{\"o}ße, Form sowie Dachtyp. Indirekt wird zudem mittels dieser Parameter die Bev{\"o}lkerungsdichteverteilung abgeleitet. Weitere Standortfaktoren ergeben sich aus Lageparametern wie Distanzen zu Hauptverkehrsachsen, Freifl{\"a}chenanalysen oder der Gel{\"a}ndeoberfl{\"a}che. Schließlich f{\"u}hrt die Vulnerabilit{\"a}tsabsch{\"a}tzung den modellhaften, thematischen Leitfaden mit den abgeleiteten Indikatoren zusammen. Dazu erfolgt eine Normierung der unterschiedlichen abgeleiteten Indikatoren auf einen einheitlichen Vulnerabilit{\"a}tsindex. Dieser zielt auf eine r{\"a}umliche und zeitliche Vergleichbarkeit und die M{\"o}glichkeit, die vielf{\"a}ltigen Informationsebenen zu kombinieren. Damit wird das Zusammenspiel verschiedenster Indikatoren simuliert und erlaubt daraus Identifizierung und Lokalisierung von Brennpunkten im Desasterfall. {\"U}ber das fernerkundliche Potential hinaus, werden die Resultate in einer interdisziplin{\"a}ren Methode zu einem synergetischen Mehrwert erhoben. Statt einer quantitativen Absch{\"a}tzung der physischen Geb{\"a}udeparameter, erm{\"o}glicht eine Methode des Bauingenieurwesens in Kombination mit der fernerkundlichen Geb{\"a}udetypisierung eine Absch{\"a}tzung der wahrscheinlichen Schadensanf{\"a}lligkeit von Geb{\"a}uden im Falle eines Erdbebens. Exemplarisch wird das Potential der Resultate f{\"u}r Entscheidungstr{\"a}ger anhand eines Erdbebensszenarios aufgezeigt. Risiko und Vulnerabilit{\"a}t lassen sich dadurch r{\"a}umlich sowohl nach betroffenen H{\"a}usern und betroffenen Menschen als auch nach r{\"a}umlichen Standortfaktoren wie beispielsweise Zug{\"a}nglichkeit quantifizieren. Dies erm{\"o}glicht gezielt pr{\"a}ventiv zu agieren oder w{\"a}hrend und nach einem Desaster gezieltes Krisenmanagement zu betreiben. Im Hinblick auf die zentrale Fragestellung dieser Dissertation l{\"a}sst sich res{\"u}mieren, dass die Aktualit{\"a}t sowie die geometrische und thematische Qualit{\"a}t der Resultate aus Fernerkundungsdaten, den Anforderungen des komplexen, kleinr{\"a}umigen und dynamischen urbanen Raums gerecht werden. Die Resultate f{\"u}hren zu der Erkenntnis, dass das Potential der Fernerkundung zur Absch{\"a}tzung von Vulnerabilit{\"a}t und Risiko vor allem in der direkten Ableitung physischer Indikatoren sowie der indirekten Ableitung demographischer Parameter liegt.},
  subject      = {Fernerkundung},
  language  = {de}
}