Realnutzungsklassifikation
Wie aus Abb 2.1. (allgemeine Teilprojektstruktur) hervorgeht, war eines der Hauptziele der Arbeiten am MCR Lab eine gegenüber einer reinen LANDSAT-TM-Klassifikation verbesserte Kartierung der Realnutzung unter Zuhilfenahme der zusätzlichen Information aus dem SAR-Signal des ERS-1. Dazu wurde zunächst auf "konventionelle" Art eine Maximum-Likelihood Klassifikation durchgeführt, die nur auf den LANDSAT-TM-Daten basierte, um einen Vergleich für die anschließende multisensorale Klassifikation (Landsat-TM und ERS-1) zu erhalten. Es stellten sich sehr schnell einige typische Probleme heraus, die bei der Erstellung von Landnutzungsklassifikationen auftreten, welche auf Daten optischer Satellitensensoren aufbauen (Scherer et al. 1993). Am problematischsten gestaltete sich die Wahl der Trainingsgebiete zum einen im Bereich der landwirtschaftlichen Sonderkulturen und zum anderen im Siedlungsbereich. Vor allem zu diesem Aspekt waren ausführliche Überprüfungen im Gelände nötig.
Nach der Einstrahlungskorrektur der LANDSAT-TM-Daten, d.h. der Korrektur von reliefbedingten Reflexionsunterschieden (Parlow 1996), wurden in vielen Bereichen merkliche Verbesserung der Klassifikation erzielt. Es zeigten sich aber auch neue Probleme. Diese traten in stark reliefierten Gebieten auf (v.a. im Wald). Dort wo Trainigsgebiete offenbar nicht exakt genug abgegrenzt waren, traten jetzt Mischungen zwischen Klassen auf, die im unkorrigierten Bild aufgrund unterschiedlicher Einstrahlungsbedingungen ähnliche Rückstreuwerte lieferten.
Die Güte der Klassifikation ist der Tab. 2.1 zu entnehmen:
Es wurden 8775 Pixel bzgl. ihres Klassifikationsergebnisses überprüft. Richtig klassifiziert waren 89.8 %, falsch klassifiziert waren 10.1 % und nicht klassifiziert wurden 0.1 %.
Im Kapitel Methodische Grundlagen wurde bereits dargelegt, wie an die TM-Klassifikation anschließend mit den Trainingsgebieten Klassifikationen mit mehreren monotemporalen reinen ERS-Datenebenen durchgeführt wurden. Gleiches wurde auch mit mehreren multitemporalen ERS-Originalszenen probiert. Alle Ansätze dieser Art führten zu völlig unbrauchbaren Klassifikationen. In den Trainingsgebieten lag der Prozentsatz richtig klassifizierter Pixel, jeweils über alle Klassen betrachtet, etwa zwischen fünf und fünfzehn Prozent. Dies liegt im Bereich der statistischen Zufälligkeit. d.h. es brächte kein besseres Ergebnis, wenn man jedem Pixel nach dem Zufallsprinzip eine Klassenzugehörigkeit zuordnen würde. Betrachtet man diese Klassifikationen am Bildschirm, stellt man fest, daß lediglich die Pixel im Rhein auf diese Art einigermaßen zuverlässig als Fließgewässer klassifiziert werden. Das übrige Bild zeigt keinen eindeutigen Bezug zur darzustellenden Realnutzung.
Die im Kapitel Methodische Grundlagen geschilderten Ansätze für ein kombiniertes Verfahren unter Verwendung von Landsat-TM und ERS-1-SAR-Daten zeigten vielversprechendere Ergebnisse. Bei allen untersuchten Kombinationen von Datenquellen zur multisensoralen Maximum-Likelihood-Klassifikation wurde der zusätzliche Informationsgehalt des SAR-Signals deutlich. Die meisten Klassen veränderten ihren Prozentsatz richtig klassifizierter Pixel in einer Weise, die durch die Eigenschaften des ERS-1-Bildes gut erklärbar ist. Die beiden besten Ergebnisse lieferten
Deshalb sollen im weiteren nur diese Produkte behandelt werden.
Es sei noch erwähnt, daß beim Betrachten der ersten Hauptkomponente am Bildschirm auffällt, daß der Speckle signifikant gegenüber dem Originalbild reduziert ist und Einzelheiten im Bild sehr viel besser erkennbar sind. Vor allem die Wälder erscheinen wesentlich detailierter und plastischer. Es wäre sinnvoll, in einer weiteren Studie eine Hauptkomponententransformation mit mehr als drei multitemporalen Szenen zu rechnen und darauf zu achten, ob eine weitere Verbessung der Specklereduktion eintritt. In der zweiten Hauptkomponenten ist vor allem die Struktur der Äcker sehr deutlich erkennbar.
Obwohl die genannten beiden Klassifikationen keine Verbesserung in der Güte der Gesamtklassifikation gegenüber reiner TM-Klassifikation zeigen (89,3% bzw. 88,9% richtig klassifizierter Pixel gegenüber 89,8%), gibt es einige Klassen, die ihr Ergebnis zum Teil um über fünf Prozent verbesserten. Die Tab. 2.2 zeigt die wichtigsten Veränderungen gegenüber der reinen TM-Klassifikation.
Verbesserungen im Ergebnis gegenüber der reinen TM-Klassifikation sind grau unterlegt. Es zeigt sich, daß die Klassifikation mit Erwartungswertbild und Residuenbild die besten Resultate lieferte.
Das Ergebnis der multisensoralen Klassifikation auf der Basis der sieben Landsat-TM-Kanäle, dem Erwartungswertbild und dem Residuenbild aus der multiplen Regression zwischen verschiedenen ERS-1-Szenen zeigt die Abb 2.1.
Aus der Tab. 2.3. ist die Güte der Klassifikation abzulesen, die an 8350 Pixeln überprüft wurde. Richtig klassifiziert wurden 90.5 % der Pisel, während 9.3 % falsch und 0.1 % nicht klassifiziert wurden.
Abb.2.1.
