TY - THES A1 - Wehrmann, Thilo T1 - Automatisierte Klassifikation von Landnutzung durch Objekterkennung am Beispiel von CORINE Land Cover T1 - Automated classification of CORINE land use classes using object recognition techniques N2 - Informationen über die Landbedeckung und die mit der anthropogenen Komponente verbundenen Landnutzung sind elementare Bestandteile für viele Bereiche der Politik, Wirtschaft und Wissenschaft. Darunter fallen beispielsweise die Strukurentwicklungsprogramme der EU, die Schadensregulierung im Versicherungswesen und die Modellierung von Stoffkreisläufen. CORINE Land Cover (CLC) wurde infolge eines erweiterten Bedarfs an einem europaweit harmonisierten Datensatz der Landoberfläche erstellt. Das CORINE Projekt weist für diese Arbeit eine hohe Relevanz durch die regelmäßigen Aktualisierungen von 10 Jahren, dem Einsatz der Daten in vielen europäischen und nationalen Institutionen und der guten Dokumentation der CORINE Nomenklatur auf. Die Erstellung der Daten basiert auf der computergestützten manuellen Interpretation, da automatische Verfahren durch die Komplexität 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 für 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 für die Bestimmung der CLC Klasse zugewiesen. Dabei liegt die wichtigste Information in der Ableitung der Landbedeckung durch den überwachten Stützvektor-Klassifikator. Die Landoberfläche wird hierzu in zehn Basisklassen untergliedert, um weiteren Merkmalen einen semantischen Unterbau zu geben. Zur Bestimmung der anthropogenen Komponente von ausgewählten Landnutzungsklassen, wie beispielsweise Ackerland und Grünland, wird der phänologische Verlauf der Vegetation durch die Parameter temporale Variabilität und temporale Intensität beschrieben. Neben dem jahreszeitlichen Verlauf der Vegetation können Nachbarschaftsbeziehungen untersucht werden, um weitere anthropogene Klassen und heterogen aufgebaute Sammelklassen beschreiben zu können. Der Versiegelungsgrad als Beispiel für 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 Repräsentation der CORINE Objekte durch ihre einzelnen Bestandteile und vergleicht die gefundenen Strukturen mit der Wissensbasis. Semantisch homogen aufgebaute Klassen, wie Wälder und Siedlungen oder Protoklassen mit eindeutigen Merkmalen, beispielsweise zur Bestimmung von Grünland durch die Phänologie, können durch den bottom–up Ansatz identifiziert werden. Das übergeordnete CLC Objekt kann direkt aus den Bestandteilen zusammengebaut und einer Klasse zugewiesen werden. Semantisch heterogene Klassen, wie zum Beispiel bestimmte Sammelklassen (Komplexe Parzellenstrukur), können 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 für 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 können. Zehn Klassen können durch diese Methodik aufgrund fehlender Merkmale oder Zusatzdaten nicht klassifiziert werden. Die Gesamtgenauigkeit der automatisierten Klassifikation für die Testgebiete beträgt zwischen 70% und 80% für die umgesetzten Klassen. Betrachtet man davon einzelne Klassen, wie Siedlungs-, Wald- oder Wasserklassen, wird aufgrund der verwendeten Merkmale eine Klassifikationsgenauigkeit von über 90% erreicht. Ein möglicher Einsatz der entwickelten Software gnosis liegt in der Unterstützung einer kommenden CORINE Aktualisierung durch die Prozessierung der identifizierbaren Klassen. Diese CLC Klassen müssen vom Interpreten nicht mehr überprüft werden. Für bestimmte CLC Klassen aus dem Top-down Ansatz wird der Interpret die letzte Entscheidung aus einer Auswahl von Klassen treffen müssen. Weiterhin können die berechneten Merkmale, wie die temporalen Eigenschaften und der Versiegelungsgrad dem Bearbeiter als Entscheidungsgrundlage zur Verfügung gestellt werden. Der Einsatz dieser neu entwickelten Methode führt zu einer Optimierung des bestehenden Aufnahmeverfahrens durch die Integration von semi-automatisierten Prozessen. N2 - Land cover and land use classifications provide significant information for politics, economy and science. CORINE Land Cover (CLC) represents a harmonised Pan-European land cover dataset utilised by many European and national institutions. The mapping product comprising 44 classes of land cover and land use, is well documented. At the same time it is periodically updated in intervals of 10 years. Mainly due to the complexity of the CORINE nomenclature, generating and updating of this product has ever since been solely based on computer–aided manual image interpretation. To this date, manual interpretation being the backbone of CORINE actualisation has not been replaced by computer aided approaches. As a consequence, this study aims at developing a semi-automated methodology to derive CORINE Land Cover from optical remotely sensed data. The methodology presented, is based upon the former CLC 1990 classification and the Landsat ETM+ based Image 2000 while reference and validation is realised utilising the CLC 2000 data set. Implementation of the presented approach is realised by the software package gnosis combining object oriented classification paradigms with theories related to human image perception. Human image perception itself is known to be a process of information engineering including three sub-processes as follows: image segmentation, feature generation, and class assignment. With regard to image segmentation, meaningful image segments are generated based upon the most simple image primitives, the pixels. Resulting image segments consist of a wide range of invariant image features describing actual CLC classes. However, precise knowledge about land cover is the uttermost important information for any further processing steps presented in this work. Therefore, ten baseline land cover classes are extracted from multi spectral image 2000 data sets using a novel supervised classification approach of support vector machines. In order to estimate the anthropogenic impact affecting some CORINE classes, the phenological characteristics are analysed and processed. Thus temporal parameters like temporal variability and temporal intensity are used for the delineation of pastures and arable land. Conjointly with these vegetation features, neighbourhood analysis is used to derive functionality or heterogeneity of complex classes. At last, additional error reduction and further specification is addressed by the extraction of fuzzy features. Based on these features sets, CLC classes are represented abstractly stored within a class catalogue i.e. an a-priori knowledge base. Class assignment itself is based on the representation of CORINE objects by its integral parts. In the following this sub-process, representing the final step of image perception, is used to compare the extracted structures with the prototypical classes of the knowledge base. On one hand homogeneous classes, consisting of a single land cover type of baseline classes like forests and pastures, are identified with a bottom–up approach. This is based on the assumption that any superior CLC object is composed of and therefore directly linked to its components and consecutively assigned to a specific CLC class. On the other hand heterogeneous classes, consisting of multiple cover types like complex cultivation patterns, can be validated by comparing its components to the knowledge base, i.e. a top–down approach. However, the a-priori geometry provided by a former classification is essential for this type of object recognition. The analysis of test sites located in the vicinities of Frankfurt, Berlin, and Oldenburg indicates that 13 CLC classes can be identified automatically while a second set of 14 CLC classes can be validated. On the contrary, ten classes can not be acquired by the presented approach due to the lack of required features or missing ancillary information. Thus the overall accuracy of the automated classification of the test sites ranges between 70% and 80 %. In addition it increases to more than 90% as observation is limited to classes with intrinsic prototypical description and distinct features like settlement, forest, and water. As a result of this thesis the software package gnosis will provide a fundamental service and support for the forthcoming CORINE update. By means of the software, 13 identifiable classes can be processed automatically based on the bottom–up approach. In regards to the set of 14 CLC classes derived from the top–down approach, distinct class definition will rely on the trained interpreters selecting from a given set of potential classes. This decision making process can also be facilitated by existing feature sets describing temporal characteristics and impervious cover fraction. As a consequence both automated and semi-automated processes presented in this thesis can be considered a good advancement of the existing compilation and updating procedures of the CORINE land cover project. KW - Optische Fernerkundung KW - Objekterkennung KW - Automatische Klassifikation KW - Objektorientierte Klassifikation KW - Remote Sensing KW - Object oriented classification KW - automated classification Y1 - 2007 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-25260 ER - TY - THES A1 - Taubenböck, Hannes T1 - Vulnerabilitätsabschätzung der erdbebengefährdeten Megacity Istanbul mit Methoden der Fernerkundung T1 - Vulnerability assessment of the earthquake prone mega city Istanbul utilizing remote sensing methods N2 - Urbane Räume zählen 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 räumliche Konzentration von Menschen, Werten und Infrastruktur auf engem Raum ist für diese urbanen Räume die Grundlage einer hohen Verwundbarkeit (Vulnerabilität). Gerade im Kontext von Naturgefahren potenzieren sich die Risiken, die durch den schnellen strukturellen, sozioökonomischen und ökologischen Wandel entstehen. Das übergeordnete Ziel dieser Dissertation ist daher die Analyse von Potentialen der Fernerkundung zur Abschätzung von Risiko und Vulnerabilität am Beispiel der erdbebengefährdeten Megacity Istanbul. Um die Zielstellung systematisch zu verfolgen, wird ein konzeptioneller, thematischer Leitfaden entwickelt. Dieser besteht aus einer Systematisierung der abstrakten Überbegriffe ‚Risiko’, ‚Vulnerabilität’ und ‚Gefährdung’ in einem Indikatorensystem. Konkrete, messbare Indikatoren für das System ‚urbaner Raum’ erlauben eine quantitative Abschätzung 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 für die Abschätzung von Risiko und Vulnerabilität zu identifizieren. Anhand des Leitfadens werden zielgerichtet Methoden zur automatisierten Extraktion räumlicher Informationen aus Fernerkundungsdaten entwickelt. Ein objektorientierter, modularer Klassifikationsansatz ermöglicht eine Landbedeckungsklassifikation höchst aufgelöster Daten im urbanen Raum. Dieses modulare Rahmenwerk zielt auf eine einfache und schnelle Übertragbarkeit auf andere höchst auflösende Sensoren bzw. andere urbane Strukturen. Zur Anpassung der Methoden werden neben IKONOS Daten der Megacity Istanbul und der erdbeben- und tsunamigefährdeten Küstenstadt Padang in Indonesien, Quickbird Daten für die zukünftige Megacity Hyderabad in Indien getestet. Die Resultate zeigen die detaillierte und hochgenaue Erfassung kleinräumiger, heterogener urbaner Objekte mit Genauigkeiten von über 80 %. Auch mittel aufgelöste Landsat Daten werden mit einem objektorientierten modularen Rahmenwerk mit hohen Genauigkeiten klassifiziert, um komplementäre temporale und gesamtstädtische Analysen hinzuzufügen. Damit wird eine aktuelle, flächendeckende und multiskalige Informationsbasis generiert, die als Ausgangsprodukt zur Analyse urbaner Vulnerabilität dient. Basierend auf diesen Informationsebenen werden dem konzeptionellen Leitfaden folgend Indikatoren zur Abschätzung von Vulnerabilität und Risiko extrahiert. Der Fokus ist dabei die Entwicklung von Methoden zur automatisierten, interpreterunabhängigen Ableitung vulnerabilitäts- und gefährdungsrelevanter Indikatoren. Die physische Analyse des kleinräumigen urbanen Raums konzentriert sich dabei auf die Typisierung des Gebäudebestandes mit Parametern wie Dichte, Höhe, Alter, Größe, Form sowie Dachtyp. Indirekt wird zudem mittels dieser Parameter die Bevölkerungsdichteverteilung abgeleitet. Weitere Standortfaktoren ergeben sich aus Lageparametern wie Distanzen zu Hauptverkehrsachsen, Freiflächenanalysen oder der Geländeoberfläche. Schließlich führt die Vulnerabilitätsabschätzung den modellhaften, thematischen Leitfaden mit den abgeleiteten Indikatoren zusammen. Dazu erfolgt eine Normierung der unterschiedlichen abgeleiteten Indikatoren auf einen einheitlichen Vulnerabilitätsindex. Dieser zielt auf eine räumliche und zeitliche Vergleichbarkeit und die Möglichkeit, die vielfältigen Informationsebenen zu kombinieren. Damit wird das Zusammenspiel verschiedenster Indikatoren simuliert und erlaubt daraus Identifizierung und Lokalisierung von Brennpunkten im Desasterfall. Über das fernerkundliche Potential hinaus, werden die Resultate in einer interdisziplinären Methode zu einem synergetischen Mehrwert erhoben. Statt einer quantitativen Abschätzung der physischen Gebäudeparameter, ermöglicht eine Methode des Bauingenieurwesens in Kombination mit der fernerkundlichen Gebäudetypisierung eine Abschätzung der wahrscheinlichen Schadensanfälligkeit von Gebäuden im Falle eines Erdbebens. Exemplarisch wird das Potential der Resultate für Entscheidungsträger anhand eines Erdbebensszenarios aufgezeigt. Risiko und Vulnerabilität lassen sich dadurch räumlich sowohl nach betroffenen Häusern und betroffenen Menschen als auch nach räumlichen Standortfaktoren wie beispielsweise Zugänglichkeit quantifizieren. Dies ermöglicht gezielt präventiv zu agieren oder während und nach einem Desaster gezieltes Krisenmanagement zu betreiben. Im Hinblick auf die zentrale Fragestellung dieser Dissertation lässt sich resümieren, dass die Aktualität sowie die geometrische und thematische Qualität der Resultate aus Fernerkundungsdaten, den Anforderungen des komplexen, kleinräumigen und dynamischen urbanen Raums gerecht werden. Die Resultate führen zu der Erkenntnis, dass das Potential der Fernerkundung zur Abschätzung von Vulnerabilität und Risiko vor allem in der direkten Ableitung physischer Indikatoren sowie der indirekten Ableitung demographischer Parameter liegt. N2 - Urban areas are among the most dynamic regions on the planet. Specifically megacities show trends and dimensions of urbanization with hardly foreseeable regional or global consequences which have so far only been rudimentarily researched. The tremendous spatial concentration of people, financial value and infrastructure is the reason for the high vulnerability of urban areas. Especially in combination with natural hazards, risks emerging from rapid structural, socio-economic and ecological changes in the complex urban landscape increases dramatically. The central goal of the dissertation is therefore the analysis of the capabilities of remote sensing to assess risk and vulnerability in the case of the earthquake prone megacity Istanbul. Systematic analysis of the overall goal involves the development of a thematic, conceptual guideline. The concept leads to the concretization of abstract terms like ‘risk’, ‘vulnerability’ and ‘hazard’, resulting in a system of indicators which are capable of quantitative measurement. The indicators for the system ‘urban area’ enable a quantitative assessment of single aspects, but also add up to a holistic perspective of risks. By means of this concept the capabilities and limitations of remote sensing data and image processing methods to assess risk and vulnerability are identified. On the basis of this guideline the initial focus is on automated extraction of spatial information from remote sensing data. An object-oriented, modular classification approach produces a land-cover classification from high resolution satellite data in complex urban areas. The modular framework enables fast and easy adjustments to apply the algorithm to different high resolution data as well as to different urban structures. The transfer of methodology has been tested on IKONOS data for the megacity Istanbul and for the earthquake prone coastal town of Padang, Indonesia, as well as for Quickbird data for the incipient megacity Hyderabad, India. The results show the highly-detailed and high-precision coverage of small-scale, heterogeneous objects for the manifold urban landscapes with accuracies higher than 80 %. In addition, medium resolution Landsat data sets are classified with high accuracy also using an object-oriented and modular classification approach for a complementary temporal and area-wide analysis. The derived results provide an up-to-date, area-wide and multiscale information basis, usable as a starting point to analyze vulnerability.Based on this information, indicators of the conceptual guideline are extracted. The development of methods for an automated and interpreter-independent derivation of indicators relevant for assessing vulnerability and hazards is the focus. The physical perspective of vulnerability centers on an analysis of the building stock, classified by parameters like density, height, age, size, form and roof type. These parameters are indirectly used to derive the spatial population density distribution. Further location factors result from distances to main infrastructure, an open spaces analysis, or surface slope. Eventually the assessment of vulnerability and risks combines the thematic guideline with the derived indicators. The standardization of the diverse indicators leads to a consistent index. This enables spatial and temporal comparability as well as the combining of the different information layers. This simulates the interaction of the various indicators and enables identification and localization of focal points in the disaster case. Beyond the capabilities of remote sensing an interdisciplinary method elevates the results to a synergistic value-added product. Instead of a quantitative assessment of the physical parameters of structures, civil engineering, using an area-wide classification of buildings, enables a probabilistic assessment of damage grades for various building types in case of an earthquake. An earthquake scenario exemplifies the capabilities of the results to support decisionmakers. Risk and vulnerability are quantified showing with spatial reference affected houses and affected people as well as location factors, such as accessibility. This makes possible specific preventive measures or crisis management during and after a disaster. The résumé of the central goal of this dissertation concludes, that timeliness, high geometric resolution and thematic quality of the results from remote sensing data, fully achieve the requirements posed by the complex, heterogeneous and fast changing urban environment. The performance shows that the potential of remote sensing to assess risk and vulnerability centres on the direct derivation of physical parameters and the indirect derivation of demographic information. KW - Fernerkundung KW - Entscheidung bei Risiko KW - Stadt KW - urbane Räume KW - Vulnerabilität KW - Remote Sensing KW - urban areas KW - risk management KW - vulnerability assessment Y1 - 2008 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-28045 ER -