Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Einführung in die Fernerkundung

Einführung in die Fernerkundung
by

Carolin Stauche

on 5 April 2012

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of Einführung in die Fernerkundung

Einführung in die Fernerkundung 1. Georeferenzierung 2.1 Unüberwachte Klassifikation 2.2 Überwachte Klassifikation 3. Change Detection
Band Differencing
Band Rationing 4. digitales Geländemodell Quellenverzeichnis ist die Klassenausscheidung auf Grund von statistischen Größen.

Dabei werden in mehreren Interaktionen im mehrdimensionalen Raum Cluster gebildet.
Die Clusterzentren werden durch die Lage der Mittel bestimmt und die Zuordnung der Einzelpunkte zu den einzelnen Clustern erfolgt durch die geringsten Euklidischen Distanzen.


Die Ausweisung der Klassen erfolgt aufgrund der mathematischen Trennbarkeit. Diesen mathematisch ausgewiesenen Klassen müssen dann semantische „Real-World“ Klassen zugewiesen werden, dabie gilt aber, dass die Grenzen der mathematischen Klassen nicht notwendigerweise mit den semantischen Klassengrenzen übereinstimmen muss. bla bla Die visuelle Bildinterpretation ist ein komplexer Gesamtprozess.
Dabei gibt es zwei entscheidende Schritte:

Erkennen von Objekten
(beruht im Wesentlichen auf Erfahrungen, die Beobachter auf Gebiet der optischen Wahrnehmung mitbringt)

Interpretieren
(bei dem aufgrund der erkannten Objekte Schlussfolgerungen gezogen werden; dabei steht das bewusste Kombinieren mit speziellen Vorkenntnissen im Vordergrund Die Georeferenzierung ist die Abbildung der Erdoberfläche (d.h. der in der Karte darzustellenden Objekte) auf einer 2-dimensionalen Fläche, dabei wird ein Bild in ein geographisches Bezugssystem (z.B. Gauss–Krüger, UTM, etc.) eingepasst.

Warum Georeferenzierung?
eindeutige Identifikation eines jeden Punktes auf Erde
Überlagerung und Verschneiden unterschiedlicher Informationsebenen möglich
genaue Berechnung von Strecken und Flächen möglich

Dabei wird nach eindeutig identifizierbaren Punkten auf dem zu referenzierenden Bild gesucht und Pixel aus der ursprünglichen Bildmatrix in eine neue Position im Referenzgitter übertragen.

umfasst folgende Arbeitsschritte:
Auswahl eines angemessenen mathematischen Modells (Abbildung)
Koordinatentransformation
Resampling (Interpolation) Abschlussaufgabe im Seminar
"Einführung in die Fernerkundung"

Bearbeiterin: Carolin Stauche
Matrikelnummer: 4371925
Dozent: Hans-Peter Thamm
Abgabetermin: 16.04.2010 2. Klassifikationen dabei spielen verschiedene Interpretationsfaktoren eine Rolle:
Grauton, Farbton (tone, colour), ermöglicht Abgrenzung von Raumeinheiten, Form, Umriss (shape), Größe, Höhe (size), Textur, Feinstrukturen, Muster (pattern), Schattenwurf (shadow), Lage im Gelände (site) Was ist eine Klassifizierung?
Eine Klassifikation dient der Umwandlung von (multispektralen) Information in semantische Begriffe, dabei werden Flächen ähnlicher spektraler Eigenschaften zusammengefasst und Information extrahiert (Ausscheidung von Klassen). Arten der Klassifikation:
• Manuelle Ausscheidung der Klassen (Digitalisieren aufgrund von Expertenwissen)
-> Durch diese Methode entstehen aber Nateile, da sie sehr zeitaufwendig ist, eine extreme Abhängigkeit von Bearbeitern (subjektiv) aufweist und nicht reproduzierbare Ergebnisse aufzeigt

Deshalb müssen computergestützte und objektive Klassifikationsmethoden, die reproduzierbar und schnell anwendbar auf große Gebiete sind, genutzt werden!

• Unüberwachte Klassifikation
• Überwachte Klassifikation

Wichtige Voraussetzung beim Arbeiten an einer Klassifikation sind die Definition von Klassen, außerdem die klare Zielsetzung und die Ableitbarkeit / Trennbarkeit von Klassen.

Im folgenden wird aufgezeigt, wie man die Methodiken anwenden und ein brauchbares Ergebnis erarbeiten wird. Ground Control Points:

GCPs sind unveränderliche, eindeutig erkennbare Landmarken (z. B. Gebäude, Straßenkreuzungen, Eisenbahnkreuzungen, Felsen).

Auswahlkriterien:
ausreichende Anzahl
angemessene räumliche Verteilung
(möglichst gleichmäßige Verteilung über Bild)
gute Erkennbarkeit
möglichst unbeeinflusst von zeitlichen Veränderungen
möglichst in gleicher Höhenlage gelegen (reliefbedingte Bildpunktverlagerung) Georeferenzierung mit Erdas Imagine:

Herunterladen der Datein (aus Blackboard)
Landsat Satellitenbild Berlin 2000-08-14
(p193r023_7k2000-08-14_subset-berlin.img)
Quickbird Bild Berlin 2005-09-24_unreferenziert
(quickbird_2005-09-24_unref.img)

Öffnen der Datein in je einem neuem Viewer
-> Funktion "Tile Viewers" ordnet die Bilder automatisch nebeneinder an
-> Rechtklick "Fit Image to Window" passt Bildgröße auf Bildschirm an

um Georeferenzierung zu starten
-> Data Prep -> Image Geometric Correction

Setup für Input
-> Set Geo Correction Input File -> from Viewer
-> Select Viewer -> in zu referenzierendes Bild klicken (hier: Quickbird)

-> Set Geometric Model -> (hier:) Polynomial -> polynomial Order: 2 -> Apply -> Close

Setup für Referenzbild
-> GCP Tool Reference Setup -> Existing Viewer
-> in Image mit Referenzkoordinaten klicken (hier: Subset) Root Means Square Error (RMS-Error):

ist ein Gütemaß für die Transformation und hängt unmittelbar von den Ground Control Points ab.
Es ist wichtig, viele GCPs gut verteilt über das Bild zu haben, auch wenn dann der RMS eventuell größer wird.

benötigte Genauigkeit für Georeferenzierung:
bei gut ausgewählten GCPs -> RMS von unter 0,5 Pixel nun öffnen sich das GCP Correction Tool, GCP Tool und zwei neue Viewer

-> mit den zwei Viewern kann man genauere Verortung und Bestimmung der GCP vornehmen
-> GCP Tool: GCPs setzen, auswählen, umbennen, einfärben, RMS-Error ablesen Georeferenzierung:

-> auf Fadenkreuz im Kreis-Button drücken
-> ersten Punkt im Subset-Image auswählen (nach den benannten Kriterien) hier: Siegessäule
-> wieder Button drücken und versuchen den markierten Punkt so identisch wie möglich im
Quickbird-Image zu platzieren

-> dies kann jetzt je nach der Anzahl der benötigten Punkte wiederholt werden mit verschiedenen GPCs

-> nach etwa sechs bis sieben GPC wird bei sauberer Arbeit der GPC im zu referenzierenden Bild (Quickbird) automatisch an die zum Subset-Image äquivalente Stelle platziert

-> nun wird auch der RMS-Error angezeigt -> alle Punkte können anschließend nochmals verschoben, gelöscht oder neu platziert werden, um den RMS-Error zu verbessern

-> um die Output zu speichern, muss beim Abschluss der Arbeit auf das farbige Kästchen im GPC Correction Tool gedrückt werden Land Use Land Cover Change ist ein Ausdruck von Prozessen

Warum ist die Kenntnis von LUCC wichtig?

Die Raum- und zeitlichen Muster der Veränderungen der Landnutzung / Landbedeckung sind Ausdruck der Summe aller auf der Erdoberfläche wirksamen Prozesse.
Um die Prozesse zu entschlüsseln und verstehen zu können müssen erst die Raummuster der Veränderungen zwischen zwei Zeitschnitten erfasst werden.

unterschiedliche Verfahren:

• Band differencing
• Band rationing
• post classification approach Band Differencing

Es werden zwei oder mehrere Rasterdatensätze übereinander gelegt,
dabei entsteht durch die Subtraktion der Reflektanzen ein Differenzenbild.

Bewertung:

sehr einfach durchzuführendes Verfahren
gibt schnell Hinweise auf Veränderungen
kann auch mit nicht radiometrisch kalibierten Szenen
durchgeführt werden
Interpretation der Veränderung eher qualitativ
um Veränderungsbilder zu interpretieren müssen
Trainingsgebiete herangezogen werden
genaue Quantifizierung setzt präzise radiometrische
Kalibierung voraus Band Rationing

Das Ergebnis beim Band Rationing ist das Verhältnisse
der Kanäle zwischen zwei Zeiträumen und gibt dabei
die Veränderungen prozentual wieder.
Ähnlich wie Band Differencing.

Vorteil:
einfach zu berechnen
schnelle Abschätzung der Veränderung
auch bei nicht kalibierten Bildern möglich

zu Beachten:
eher qualitative Methode solange Bilder nicht radiometrisch kalibiert waren Arbeitsschritte Band Differencing

Herunterladen der Datein (aus Blackboard)
Landsat Subset Berlin 2008-10-14 (LS Subset Berlin 2000-08-14.zip)
Landsat Subset Berlin 1989-07-07 (LS Subset Berlin 1989-07-07.zip)
-> in Viewern öffnen

nun kommt der sogenannte "Modeler" zum Einsatz
-> Model Maker -> Place a raster objekt in the model (jeweils links und rechts und unten einmal) -> Place a function in the model (in die Mitte) -> alles mit Pfeilen verbinden (connect inputs to functions or functions to outputs)

-> Doppelklick auf das linke raster object -> Landsat Subset Berlin 1989 als Input einfügen
-> Doppelklick auf das rechte raster object -> Landsat Subset Berlin 2000 als Input einfügen

-> Doppelklick auf function in Mitte -> hier: 7.Band von Landsat Subset Berlin 1989 Minus (-) 7.Band von Landsat Subset Berlin 2000

-> Doppelklick auf unteres raster object -> Output-Name einfügen -> Signed 16-Bit einstellen

-> wenn dies alles getan wurde -> auf Blitzpfeil im Modeler drücken

-> nun neuen Viewer öffnen -> Output-File einfügen -> aber nicht als Greyscale sondern Pseudocolor, um anschließend die Karte einfärben zu können Arbeitsschritte unüberwachte Klassifikation:

-> Classifier -> Unsupervised Classification
-> Unsupervised Classification (Isodata) -> Input Raster File: die zu klassifizierende Karte (hier: Subset Berlin) -> Output Cluster Layer: Name für neues Image -> Häkchen bei Output Signature Set weg

-> Number of Classes: je nachdem wie viel klassifiziert werden soll (hier: 10)
-> Maximum Iterations: hier 30
-> Convergence Treshold: je höher, desto besser (hie: 0,998)

-> dann wird das Image in neuem Viewer geöffnet Klassifizierung

-> unter Raster -> Attributes kann man eine Attributtabelle öffnen (es besteht die Möglichkeit Farben, Namen und Landnutzungen zu bestimmen)

-> unter Raster Attribute Editor -> Edit -> Colomn Properties -> Tabelle nach eigenen Bedürfnissen ausrichten

-> im Graubild auf das große Kreuz (+) drücken -> nun öffnet sich ein neuer Viewer bei dem die Pixel Value abgelesen werden kann, die wichtig zur Bestimmung der Klassen ist

-> die Pixel Value entsprechen einer Landnutzung, die auch im Raster Attribute Editor mit verschiedenen Grauwerten unterlegt sind

-> nun wird auf Grundlage des eigenen Erfahrungsschatzes bestimmt um welche Lnadnutzung es sich handelt (bei Class Name reinschreiben) und passend je nach Geschmack eingefärbt (auf Color klicken -> Farbe auswählen -> Nuancierung unter Other) Ausscheiden von Testflächen der gewünschten Klassen, Analyse der spektralen Eigenschaften,Zuweisung der Klassen mit ähnlichen Spektralen Eigenschaften in die jeweilige Klasse

Vorgehen bei überwachter Klassifikation:
Festlegen von Trainingsgebieten („Areas Of Interest“)
spektrale Signaturen dieser Trainingsgebiete dienen als Referenzen für andere Gebiete des Bildes
spektrale Signaturen können weiter bearbeitet werden

Wahl der Trainingsgebiete
so viel wie möglich pro Landnutzung-/Landbedeckungsklassen
Klassen müssen gut über das Bild verteilt sein
Klassen so homogen wie möglich sind!
vermeiden, dass die Trainingsgebiete einer gleichen Klasse zu nahe nebeneinander liegen (räumliche Autokorrelation)
Landnutzungsklassen sollten die gleichen phänologischen Statien haben.
genaue Dokumentation der Trainingsgebiete muss erfolgen

Zuweisung von Pixel zu Klassen
Spektren der Pixel werden verglichen mit Spektren der Testgebieten
Zuweisung kann auf unterschiedliche Weise erfolgen:
parametric– mit einer statistischen Repräsentation
non parametric – als Objekte im Merkmalsraum (feature space) In der Praxis werden oft unüberwachte Klassifikationen als erste Näherung durchgeführt.
So werden Informationen über die mathematische Trennbarkeit gesammelt und anschließend wird dann eine genauere überwachte Klassifikation durchgeführt.

Genauigkeit von Klassifikationen:

Testgebiete hierfür notwendig -> dürfen NICHT für Klassifikation verwendet worden sein
Überprüfung wie häufig die Testgebiete richtig klassifiziert werden

Fehlerarten:
Ommision Error (exclusion)-> Pixel werden nicht der korrekten Klasse zugeordnet
Commision error (inclusion) -> Pixel werden fälschlicherweise einer Klasse zugeordnet
Overall accuracy -> Gesamtanzahl der korrekt klassifizierten Pixel durch Gesamtanzahl der Referenzpixel
Producers accuracy -> korrekt klassifizierte Pixel pro Klasse durch Anzahl der Trainings Daten für den Pixel
Users accuracy -> korrekt klassifizierte Pixel pro Klasse durch Anzahl der klassifizierten Pixel Arbeitsschritte überwachte Klassifikation

-> Subset Image in neuen Viewer laden

Testflächen für Erfassung der spektralen Eigenschaften erstellen
-> Signature-Datei erstellen (speichert Informationen der Polygone)
-> Classifier -> Signature Editor -> Polygone hinzufügen und Signatur geben
-> AOI (im Subset-Image) -> Tools -> Polygonsymbol klicken (möglichst viele homogene Polygone für identifizierte Klassen erstellen)

Polygon Signature Editor hinzuzufügen
-> markieren -> auf Symbol klicken -> Polygon erscheint Name "Class 1" -> reicht nicht aus für eine Klasse nur je ein Polygon zu erstellen -> noch weitere müssen Signature Editor hinzugefügt werden, um Mittelwert zu erhalten

Mittelwert von Klassen
-> markieren aller Polygone einer Klasse -> auf Zusammenführungspfeil klicken
-> Klassen bennen

-> speichern als als Signature Datei -> File -> Save as
-> Polygone speichern -> im Viewer -> File -> Save -> AOI Layer as Arbeitsschritte überwachte Klassifikation

-> Classifier -> Supervised Classification
-> Input Raster File ( hier: Subset Berlin)
-> Classified File (Output-Name)
-> Input Signature File (erstellte .sig-Datei)

Bestimmung Decision Rules

-> Non Parametric -> hier: None
-> Parametric Rule -> hier: Minimum Distance 4. Digitales Geländemodell (DGM) Das DGM beschreibt die räumlichen Formen der Erdoberfläche (Geländerelief) mit 3-D-Koordinaten.
Es besteht aus dreidimensionalen Positionsangaben für eine Vielzahl von Oberflächenpunkten, den sogenannten Stützpunkten.
Die Lage der Stützpunkte ist durch ihre Rechts- und Hochwerte im Gauß-Krüger-System festgelegt.
Die Bezugsfläche für die Höhe der Stützpunkte ist Normal-Null (NN).

Vektorformat: Darstellung Erdoberfläche durch (Dreiecks-)Maschen mit ihren x,y,z-Koordinaten
Rasterformat: über Gelände gleichmäßiges Raster gelegt, jedem Rasterpunkt ein Höhenwert zugeordnet Arbeitsschritte Erstellung DGM

Herunterladen von Datein (aus Blackboard)

SRTM Oberrhein:
SRTM_u03_p195r027.tif.gz
SRTM_u03_p196r026.tif.gz

ls_195-27_1992-05-18_subset:
ls_195-27_1992-05-18_sub.img

Tools -> Image Drape
-> Subset Image reinladen

Image überhöhen
-> Utility -> Option -> Exaggeration -> hier: 20

-> beide SRTM-Images reinladen
-> dann nochmals ls_195-27_1992-05-18_sub.img über Layer legen 5. Quellenverzeichnis Textquellen: Vorlesungsfolien "Einführung in die Fernerkundung"

Bildquellen: Blackboard (FU-Berlin)
Erdas Imagine 8.5
Full transcript