Laut Gesetz muss regelmäßig eine Flächenerhebung nach Art der tatsächlichen Nutzung sowie eine Flächenerhebung nach Art der geplanten Nutzung stattfinden. Im Rahmen dieser allgemeinen Agrarstrukturerhebung erfolgt alle vier Jahre zu einem festgelegten Stichtag eine Bestandsaufnahme der momentanen Verhältnisse der Bodennutzung in der Bundesrepublik Deutschland durch Auswertung des Liegenschaftskatasters.
Im Rahmen einer zusätzlichen Bodennutzungshauptkartierung wird u.a. der Anbau auf dem Ackerland (Nutzung der Bodenflächen nach Kulturarten, Pflanzengruppen und -arten sowie Kulturformen) erfasst. Für diese Nutzungskartierung wird seit einigen Jahren die Fernerkundung unterstützend eingesetzt. So soll der Anbau-Umfang einzelner Feldfrüchte erfasst werden. Mittlerweile ist es recht unproblematisch, die Hauptanbauarten Getreide, Hackfrüchte und Grünland in Luftbildern zu erkennen. Als schwieriger erweist sich eine weitergehende Differenzierung z.B. in Weizen, Roggen und Gerste (nach ALBERTZ 2001, S. 199).
Fernerkundungsdaten werden sowohl für die Inventur als auch zur Kontrolle landwirtschaftlicher Flächennutzung und zur Erhebung der aktuellen Anbauflächen der Feldfrüchte verwendet.
Inhaltsverzeichnis
1 Einleitung
2 Grundlagen der Klassifizierung
3 Arbeitsschritte der überwachten Klassifikation
3.1 Erstellung eines Klassifikationsschlüssels
3.2 Lokalisieren von Trainingsgebieten
3.3 Signaturanalyse
3.4 Maximum-Likelihood-Verfahren
3.5 Überprüfung und Bewertung der Ergebnisse
4 Schwierigkeiten
Zielsetzung und thematische Schwerpunkte
Diese Arbeit befasst sich mit der Nutzung von Fernerkundungsdaten zur Erstellung präziser Landnutzungsstatistiken. Das zentrale Ziel ist es, die methodischen Ansätze der überwachten Klassifikation darzustellen, um die Bodenbedeckung und landwirtschaftliche Nutzungsarten effizient aus Satellitenbildern ableiten zu können.
- Grundlagen der spektralen Reflexionseigenschaften verschiedener Oberflächen
- Verfahren der überwachten Klassifikation (supervised classification)
- Bedeutung der räumlichen und radiometrischen Auflösung
- Schritte zur Erstellung und Validierung eines Klassifikationsmodells
- Herausforderungen bei der Datenanalyse und Klassifizierung
Auszug aus dem Buch
3.2 Lokalisieren von Trainingsgebieten
Es ist wichtig darauf zu achten, dass die Trainingsgebiete repräsentativ für die jeweilige Objektklasse sind, d.h. sie sollten für die zugehörige Objektklasse typisch sein. Dazu müssen sie ausreichend groß und möglichst homogen in ihrer spektralen Zusammensetzung sein. „Trainingsgebiete können dann als repräsentativ bezeichnet werden, wenn alle spektralen Eigenschaften einer Klasse vollständig und statistisch abgesichert erfasst werden. Deswegen sollte nicht ein einziges zusammenhängendes Trainingsgebiet für eine Klasse, sondern mehrere Teiltrainingsgebiete über das Auswertungsgebiet verteilt, festgelegt werden, um natur- und aufnahmebedingte, räumlich differenzierte spektrale Abweichungen zu berücksichtigen“ (BURGER 2001, S.119).
Eine wichtige Voraussetzung ist die regionale Kenntnis über die Untersuchungsgebiete. Nur mit diesem Wissen über das zu bearbeitende Gebiet lassen sich die Gebiete richtig klassifizieren. Ist die regionale Gebietskenntnis nicht vorhanden, so helfen evtl. schon vorhandene Biotoptypenkartierungen, die sich über die zu bearbeitende Szene legen lassen und so die Möglichkeit bieten, unbekannte Objekte richtig zu klassifizieren.
Streng genommen handelt es sich hier zunächst um eine Segmentierung; erst bei der Zuweisung der Nutzungen auf die jeweiligen Teilflächen spricht man von der eigentlichen Klassifizierung.
Nachdem die Trainingsgebiete ausgewählt wurden, muss ihre spektrale Trennbarkeit untersucht werden.
Zusammenfassung der Kapitel
1 Einleitung: Beschreibt die gesetzlichen Anforderungen an Flächenerhebungen und den zunehmenden Einsatz der Fernerkundung zur Erfassung landwirtschaftlicher Nutzungsarten.
2 Grundlagen der Klassifizierung: Erläutert die physikalischen Prinzipien der spektralen Reflexion und unterscheidet zwischen unüberwachten und überwachten Klassifikationsmethoden.
3 Arbeitsschritte der überwachten Klassifikation: Detailliert den praktischen Ablauf, von der Erstellung des Klassifikationsschlüssels bis zur mathematischen Validierung der Ergebnisse mittels Konfusionsmatrizen.
4 Schwierigkeiten: Reflektiert kritisch über Datenqualität, Fehlerquellen bei der Trainingsgebiet-Definition und das Problem von Mischpixeln.
Schlüsselwörter
Fernerkundung, Landnutzung, Klassifikation, Maximum-Likelihood-Verfahren, Satellitendaten, Trainingsgebiete, Signaturanalyse, Multispektral-Klassifizierung, Konfusionsmatrix, Geomatik, Flächenerhebung, Spektralsignatur, Bodenbedeckung.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit thematisiert den Einsatz von Fernerkundungsdaten zur automatisierten Erstellung von Landnutzungsstatistiken in der Landwirtschaft.
Was sind die zentralen Themenfelder?
Im Fokus stehen die physikalischen Grundlagen der spektralen Reflexion, die Methodik der überwachten Klassifikation und die Qualitätssicherung der erhobenen Daten.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist die Darstellung und Erläuterung der Arbeitsschritte, die notwendig sind, um aus Satellitenbildern verlässliche Informationen über die tatsächliche Landnutzung zu gewinnen.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit konzentriert sich auf die Methode der überwachten Klassifikation (supervised classification), speziell unter Anwendung des Maximum-Likelihood-Verfahrens.
Was wird im Hauptteil behandelt?
Der Hauptteil beschreibt praxisnah die Erstellung von Klassifikationsschlüsseln, die Auswahl repräsentativer Trainingsgebiete, die Signaturanalyse sowie die statistische Validierung mittels Konfusionsmatrizen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit lässt sich primär über Begriffe wie Fernerkundung, Landnutzungsstatistik, Klassifikation, Spektralsignatur und Konfusionsmatrix definieren.
Warum ist die geometrische und radiometrische Auflösung wichtig?
Eine hohe geometrische Auflösung ist notwendig für die parzellenscharfe Differenzierung, während eine hohe radiometrische Auflösung die feine Unterscheidung verschiedener Bodenbedeckungs-Graustufen ermöglicht.
Wie lässt sich die Genauigkeit der Klassifizierung bewerten?
Die Genauigkeit wird primär durch den Vergleich mit amtlichen Statistiken oder durch die Erstellung einer Konfusionsmatrix (Fehlermatrix) auf Basis von Referenzdaten überprüft.
Welches Problem stellen inhomogene Flächen bei der Klassifikation dar?
Inhomogene Flächen führen häufig zu „klassenfremden“ Pixeln innerhalb von Trainingsgebieten und erhöhen die Gefahr von Signaturüberschneidungen, was die Genauigkeit des Modells mindert.
Was unterscheidet das Maximum-Likelihood-Verfahren?
Es ist ein statistisches Wahrscheinlichkeitsmodell, das Bildelemente basierend auf der Ähnlichkeit ihrer Grauwertkombinationen zu vordefinierten Trainingsgebieten automatisch einer Klasse zuordnet.
- Quote paper
- B.A. Silke Gerlach (Author), 2006, Landnutzungsstatistiken aus Fernerkundungsdaten, Munich, GRIN Verlag, https://www.grin.com/document/64645
