Simultane kontextbasierte Klassifikation multitemporaler und multiskaliger Fernerkundungs-aufnahmen unter Verwendung existierender GIS-Daten zum Training

• Antragsteller: Professor Dr.-Ing. Christian Heipke
• Fachliche Zuordnung: Geodäsie, Photogrammetrie, Fernerkundung, Geoinformatik, Kartographie
• Förderung: Förderung von 2016 bis 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 290281376

Ziel dieses Projekts ist die Erstellung einer neuen Methode für die überwachte kontextbasierte Klassifikation multitemporaler, multiskaliger Fernerkundungsdaten ohne manuell erstellte Trainingsdaten. Der wichtigste wissenschaftliche Beitrag ist die Entwicklung von neuen Trainingsmethoden, welche mit fehlerhaften Klassenlabels in den Trainingsdaten umgehen können. Dadurch wird es möglich, für jedes Pixel des zu klassifizierenden Bildes ein aus bestehenden Bodenbedeckungsdaten abgeleitetes Klassenlabel zum Training zu nutzen. Anstelle von wenigen per Hand gewonnenen Trainingsdaten setzen nutzen wir eine große Menge automatisch generierter Trainingsdaten in Kombination mit Methoden, welche mit den unvermeidlichen Fehlern in diesen Daten umgehen können. Den mathematischen Rahmen für das Projekt liefern Conditional Random Fields (CRF). Es wird ein CRF entwickelt, welches simultan Daten aus mehreren Epochen und mit verschiedener geometrischer Auflösung klassifizieren kann, wobei für Daten unterschiedlicher Auflösung unterschiedliche Klassenstrukturen berücksichtigt werden. Zur Gewinnung von Trainingsdaten stützt sich das Projekt auf vorhandene globale, regionale und lokale Bodenbedeckungsdaten. Es werden neue probabilistische Verfahren zur Berück-sichtigung falscher Klassenlabels in den Trainingsdaten entwickelt, um nicht nur die Parameter der Klassifi-katoren, welche im CRF die Daten mit den Klassenlabels verknüpfen, zum bestimmen, sondern auch jene der Modelle, die die Bilder unterschiedlicher Epochen mit einander in Beziehung setzen. Ein wesentlicher Beitrag besteht in der Berücksichtigung der räumlichen Korrelation von Fehlern in Bodenbedeckungsdaten. Das vorgeschlagene Projekt stellt die erste Anwendung von Trainingsprozeduren, welche gegen fehlerhafte Klassenlabels in den Trainingsdaten tolerant sind, im Zusammenhang mit graphenbasierter Bildklassifizierung dar, und es liefert eine der allgemeinsten Methoden zur Berücksichtigung der Interaktionen zwischen Objekten, die mit unterschiedlichem semantischen Detaillierungsgrad modelliert werden. Dadurch sollte es möglich werden, die Kosten für die Aktualisierung von globalen bzw. regionalen und lokalen Bodenbedeckungsdatensätzen zu reduzieren, indem man z.B. kostengünstiges Bildmaterial niedriger Auflösung dazu nutzt, um Hinweise auf Veränderungen in den hoch aufgelösten Daten zu erhalten. Die neue Methode wird mit realen Daten auf Basis einer manuell erstellten Referenz evaluiert. Im Rahmen eines bestehenden Memorandum of Understanding mit dem National Geomatics Center of China (NGCC) werden wir diese anhand verschiedener Testgebiete in Deutschland und China testen. In diesen Testgebieten wird der vom NGCC erfasste und frei verfügbare globale Bodenbedeckungsdatensatz GLC30 (Global Landcover 30) mit einer geometrischen Auflösung von 30 m als grob aufgelöster Datensatz verwendet, die hoch aufgelösten Datensätze werden von den deutschen Vermessungsbehörden bzw. vom NGCC zur Verfügung gestellt.

• DFG-Verfahren: Sachbeihilfen
• Mitverantwortlich: Professor Dr.-Ing. Franz Rottensteiner