@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}
}