Im Rahmen des DUE (Data User Element) Permafrost Project der ESA (European Space Agency) entstand die vorliegende Arbeit, die untersucht, wie Vegetation und Vegetationsmuster im sibirischen Permafrostgebiet mithilfe hochaufgelöster Satellitendaten erkannt und klassifiziert werden können. Dieses Ziel soll mittels einer objektorientierten Lösungsmethode erreicht werden (Definiens Developer).
Die hierbei betrachtete Region bei Jakutsk ist eines von vier von Permafrost unterlagerten, panarktischen Untersuchungsgebieten des genannten Projektes.
Inhaltsverzeichnis
1 Einleitung
2 Hintergrund und Ziele der Arbeit
2.1 Das Projekt DUE Permafrost
2.2 Stand der Forschung
2.3 Ziele der Arbeit
3 Untersuchungsgebiet
4 Theoretische Grundlagen
4.1 Permafrost und Permafrostdegradation
4.2 Zusammensetzung der Vegetation
4.3 Wechselwirkung zwischen Permafrost und Vegetation
4.4 Fernerkundung der Vegetation
5 Daten und Methoden
5.1 Datengrundlage
5.1.1 ALOS PRISM
5.1.2 ALOS AVNIR-2
5.1.3 Bildstörung im PRISM-Datensatz
5.2 Vorprozessierung der Daten
5.3 Objektorientierte Bildverarbeitung
5.3.1 Vergleich Pixel- und Objektbasierter Bildverarbeitung
5.4 Multiresolution Segmentation
5.5 Klassenerstellung
5.6 Klassifikation
5.6.1 Erste Klassifikation Level 2
5.6.2 Klassifikation Level 1
5.6.3 Zweite Klassifikation Level 2
5.6.4 Abschließende Prozesse
6 Ergebnisse und Diskussion
6.1 Genauigkeitsanalyse
6.1.1 Ausführung in PCI Geomatica
6.1.2 Ausführung in Definiens Developer
6.2 Analyse des Ergebnisses
7 Zusammenfassung
Zielsetzung und Themen der Arbeit
Das Hauptziel dieser Arbeit besteht darin, zur Vegetationskartierung und -klassifizierung im von Permafrost geprägten Gebiet bei Jakutsk (Sibirien) beizutragen, indem eine objektorientierte Klassifikationsmethode auf Basis hochaufgelöster Satellitendaten (ALOS PRISM und AVNIR-2) angewendet und dokumentiert wird.
- Anwendung objektorientierter Bildverarbeitung zur Vegetationsklassifikation
- Einsatz und Kalibrierung von ALOS PRISM und AVNIR-2 Satellitendaten
- Entwicklung eines nachvollziehbaren Regelwerks für die Klassifikation
- Unterscheidung von Vegetationsmustern und verschiedenen Walddichteklassen gemäß LCCS/FAO
- Validierung der Klassifikationsergebnisse mittels Genauigkeitsanalysen
Auszug aus dem Buch
5.4 Multiresolution Segmentation
Anschließend an die Vorprozessierung der Daten wurde ein Subset des Layerstacks gewählt, das als Grundlage zur Erstellung des Regelwerkes in Definiens Developer diente. Um eine zu lange Rechenzeit zur Ausführung der einzelnen, später erstellten Prozesse wie vor allem der sehr feinskaligen Segmentierung zu vermeiden, wurde die Größe des Ausschnittes auf ca. 16 km² begrenzt. Dabei wurde er nach visueller Einschätzung so gewählt, dass alle anschließend erstellten Klassen vertreten waren und keine Wolkenbedeckung auftrat. Ein weiterer Faktor, der die Wahl der Größe des Testgebietes begrenzte, waren die in Kapitel 5.1.3 erläuterten Bildstörungen, die flächenhaft in der PRISM-Szene auftraten und eine Klassifikation in diesen Gebieten erschwerten. Die Plattform für jede weitere Bearbeitung des Eingangsdatensatzes stellte dessen Segmentierung dar.
„The fundamental step of any Definiens image analysis is a segmentation of a scene - representing an image - into image object primitives“ (Definiens AG 2007:121). Die Segmentierung beschreibt allgemein also eine Zerlegung des Gesamtbildes in einzelne, kleinere und in sich homogene Bildobjekte. Jedoch wird auch das sogenannte Merging, unter dem ein Zusammenfügen dieser Objekte verstanden wird, in Definiens Developer als Segmentation bezeichnet. Die generierten Objekte, deren Charakteristika wie nachfolgend beschrieben vom Benutzer definiert werden können, haben eindeutige Grenzen und bestehen aus einer bestimmten Anzahl von Pixeln, wobei jedes Pixel genau einem Objekt zugeordnet ist. Die kleinstmögliche Segmentgröße wäre die eines Pixels, jedoch hätte ein solch kleines Objekt nur einen geringen Informationsgehalt. Aus diesem Grund sollte darauf geachtet werden, dass die Objekte so groß wie möglich geraten, aber immer noch klein genug sind, um reelle, gesuchte Objekte sauber zu detektieren und Details nicht zu generalisieren. Durch die Bildung der Bildsegmente wird eine sogenannte Segmentierungsebene, auch als Objektlevel bezeichnet, kreiert. Diese Ebene dient als Ausgangsbasis aller weiteren Bearbeitungen des Bildes (DEFINIENS AG 2007:121f.). Abhängig von der Aufgabenstellung ist es angebracht und möglich, verschiedene Level zu erstellen, die sich jeweils aus Objekten gleicher Charakteristiken zusammensetzen und ein hierarchisches Netzwerk bilden. Ein feiner segmentiertes Level liegt dabei stets unterhalb einer gröber segmentierten Ebene, in welcher die kleineren Objekte zu größeren zusammengefasst werden. Daraus resultiert, dass die Grenzen der großen Objekte auch kleinere einfassen. Hierdurch wird garantiert, dass präzise relationale Abfragen der Segmente zu ihren Ober-, Unter- und Nachbarobjekten ausgeführt werden können (TOMOWSKI et al. 2006:42).
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung führt in die Bedeutung des Permafrostgebiets in Sibirien ein und beschreibt das Ziel der Arbeit, Vegetation mithilfe hochaufgelöster Satellitendaten und objektorientierter Methoden zu klassifizieren.
2 Hintergrund und Ziele der Arbeit: Das Kapitel stellt das ESA-Projekt DUE Permafrost vor, ordnet das Thema in den Stand der Forschung ein und definiert die spezifischen Ziele der Vegetationskartierung.
3 Untersuchungsgebiet: Hier wird das Untersuchungsgebiet in Jakutien vorgestellt, inklusive seiner geographischen Lage, klimatischen Bedingungen und der morphologischen Gliederung.
4 Theoretische Grundlagen: Dieses Kapitel vermittelt theoretisches Wissen über das System Permafrost, die Vegetation in Jakutien, deren wechselseitige Beziehungen und die Prinzipien der optischen Fernerkundung.
5 Daten und Methoden: Dieser zentrale Abschnitt beschreibt die Datengrundlage (ALOS PRISM/AVNIR-2), die Vorprozessierung sowie detailliert den objektorientierten Klassifikationsansatz und das erstellte Regelwerk.
6 Ergebnisse und Diskussion: Das Kapitel präsentiert die Klassifikationsresultate, führt Genauigkeitsanalysen durch und bewertet die Eignung der gewählten Methodik für die heterogene Landschaftsstruktur.
7 Zusammenfassung: Die Zusammenfassung rekapituliert die Vorgehensweise, die erzielten Klassifikationsergebnisse und betont das Potenzial der Fernerkundung zur Beobachtung des Permafrost-Systems.
Schlüsselwörter
Permafrost, Vegetation, Jakutien, Fernerkundung, Satellitendaten, ALOS PRISM, ALOS AVNIR-2, objektorientierte Bildverarbeitung, Klassifikation, Vegetationskartierung, Thermokarst, Walddichte, Definiens Developer, Georeferenzierung, Klimawandel.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Bachelorarbeit befasst sich mit der automatisierten Kartierung und Klassifikation von Vegetation und Waldbeständen in einem durch Permafrost geprägten Gebiet in Jakutien, Sibirien, mithilfe von hochaufgelösten Satellitendaten.
Was sind die zentralen Themenfelder der Untersuchung?
Zentrale Themen sind die Permafrostdegradation, die ökologischen Wechselwirkungen zwischen Dauerfrostboden und Vegetation sowie die Anwendung und Validierung objektorientierter Bildverarbeitungsmethoden zur Auswertung von Fernerkundungsdaten.
Was ist das primäre Ziel oder die Forschungsfrage?
Das primäre Ziel ist es, ein objektorientiertes Klassifikationsregelwerk zu entwickeln, um Vegetationstypen sowie verschiedene Walddichteklassen im Untersuchungsgebiet zu identifizieren, da keine großmaßstäbigen Vegetationskarten vorliegen.
Welche wissenschaftliche Methode wird verwendet?
Es wird ein objektorientierter Ansatz zur Bildanalyse gewählt, der nicht nur spektrale Informationen, sondern auch Form, Größe und topologische Beziehungen von Bildsegmenten nutzt, implementiert in der Software Definiens Developer.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil umfasst die Vorstellung der Satellitendaten, die Vorprozessierung (Georeferenzierung), die detaillierte Beschreibung der Segmentierungsschritte, die Klassifizierung der Vegetationsklassen und die anschließende Genauigkeitsanalyse der Ergebnisse.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Schlüsselwörter sind unter anderem Permafrost, Objektorientierte Klassifikation, ALOS PRISM/AVNIR-2, Vegetationskartierung und Walddichte.
Warum wurden die AVNIR-Daten stärker für die Validierung oder als Ergänzung genutzt?
Die AVNIR-Daten wurden genutzt, um durch den spektral höher aufgelösten Sensor zusätzliche Indizes wie den NDVI zu berechnen, die für die Detektion von Vegetation und zur Unterstützung der Klassifikation notwendig waren.
Wie wird mit der Herausforderung von Bildstörungen (Streifenbildung) im PRISM-Datensatz umgegangen?
Bildstörungen wurden als Hindernis identifiziert, weshalb die Klassifikation durch iterative Prozesse und die Definition von Hilfsklassen sowie die Nutzung relationaler Abfragen angepasst werden musste, um die Auswirkungen der Störungen auf das Endergebnis zu minimieren.
- Arbeit zitieren
- B.Sc. Veit Trübenbach (Autor:in), 2009, Vegetationsklassifikation mittels hochaufgelöster Satellitendaten im Permafrostgebiet von Jakutsk, München, GRIN Verlag, https://www.grin.com/document/200572
