Urbane Landbedeckung (Urban Land Cover)

Die Informationsebenen Urbane Landbedeckung stellen die in Rostock und Umgebung vorherrschende Landbedeckung dar. Während das erste Produkt auf der Basis von Quickbird und LiDAR Daten abgeleitet wurde, kamen für das zweite Produkt RapidEye, TerraSAR-X und LiDAR Daten zum Einsatz. Es werden sechs Hauptklassen der Landbedeckung unterschieden: Wasser (blau), Gras- und Strauchvegetation (hellgrün), Wald (dunkelgrün), Offenland (gelb), Versiegelungsflächen (grau) und Gebäude (rot). Mit einer Gesamtgenauigkeit von 91,3 % (Produkt 1) bzw. 90,0 % (Produkt 2) und einem Kappa-Index von 0,89 (0,88) ist die Landbedeckungsklassifikation für Rostock als gut bis sehr gut zu bewerten.

Ziel:
Im Rahmen des Arbeitspaketes Urbane Strukturanalyse wird das Ziel definiert, städtische Landnutzung auf der Basis von RapidEye und TerraSAR-X Daten abzuleiten. Um diese Aufgabe zu bewältigen, sind zwei aufeinander aufbauende Arbeitsschritte notwendig. Im ersten Schritt werden die Fernerkundungsdaten verwendet, um städtische Landbedeckung zu klassifizieren. Im zweiten Schritt werden die extrahierten Landbedeckungsinformationen ausgewertet, um die angestrebten Landnutzungsinformationen zu erhalten. Die dargestellte Landbedeckungskarte ist demnach, neben ihrer Relevanz für zahlreiche stadtplanerische Anwendungen, als wesentliche Informationsebene zur Ableitung urbaner Landnutzung zu betrachten.

Methodisches Vorgehen:
Die Informationsebenen Urbane Landbedeckung wurden auf Basis von Quickbird und LiDAR Daten (Produkt 1) bzw. auf Basis von RapidEye, TerraSAR-X und LiDAR Daten (Produkt 2) abgeleitet. Es kamen Methoden der objekt-basierten Bildklassifikation zum Einsatz. In einem ersten Arbeitsschritt wurden die Bildpunkte (Pixel) der Eingangsdaten gemäß eines zuvor definierten Homogenitätskriteriums zu ähnlichen Regionen (Segmenten) zusammengefasst. Darauf folgte die regelbasierte Klassifikation der so erzeugten Segmente. Die Segmente wurden zunächst bezüglich ihrer Ausprägung im Objekthöhenmodell in erhöhte und nicht-erhöhte Objekte eingeteilt. Hierfür wurde eine Grenze von 2 m festgelegt. Die Grenze wurde so gewählt, dass Gartenhäuser mit ihrer geringen Höhe ebenfalls als Gebäude klassifiziert wurden, jedoch erhöhte Objekte, welche in diesem Fall eher der Erdoberfläche zugeordnet werden (z.B. Fahrzeuge), unterhalb dieser Grenze liegen. Danach wurden erhöhte Objekte in Gebäude und Vegetation (Bäume) unterschieden. Das Hauptmerkmal hierbei waren die Werte des erzeugten Vegetationsindizes (NDVI). Nachdem die Klassifikation von erhöhten Landbedeckungsobjekten abgeschlossen war, erfolgte die Analyse von Wasser, Gras- und Strauchvegetation (Wiesen, Büsche kleiner 2 m, bepflanzte Felder), Offenland (brache Ackerflächen, blanker Boden, Gesteinsflächen, Sand) und Versiegelungsflächen (versiegelte Flächen kleiner 2 m). Hierfür wurden zunächst dunkle Flächen untersucht, um diese von der weiteren Klassifikation auszuschließen. Die dunklen Areale wurden durch Generieren von seed-Objekten mit sehr geringer Helligkeit und anschließendem reshaping auf Grund von Nachbarschaftsvergleichen bezüglich der Helligkeit erzeugt. Die Aufteilung dunkler Gebiete in Schatten und Wasser gelang durch folgende Merkmale: Objektgröße, gemeinsame Grenze eines Objekts mit Gebäuden oder Bäumen sowie die Standardabweichung der Helligkeit innerhalb eines 25 x 25 Pixel Fensters. Für die anschließende Klassifizierung der restlichen Vegetationsflächen konnten durch Nutzung des NDVI-Layers gute Ergebnisse erzielt werden, so dass abschließend die Unterscheidung von Offenland und Versiegelungsflächen erfolgte. Hierfür wurden Helligkeitsintensitäten und deren Standardabweichungen genutzt. Im Anschluss erfolgten einige formverändernde Prozesse zur Optimierung der Objekt- und Klassifikationsgrenzen.

Um Referenzdaten für die Genauigkeitsanalyse zu erzeugen, wurden die zur Verfügung stehenden Luftbilder mosaikiert und die Lage der QuickBird-Aufnahme angepasst. Da sich die Verfügbarkeit der Luftbilder auf die Gebiete um das Stadtzentrum beschränkt, musste für die restlichen Gebiete auf die hochaufgelösten QuickBird-Daten zurückgegriffen werden. Für die Analyse der Klassifikationsgenauigkeit wurde ein Stratified Random Sampling Design mit jeweils 50 Punkten pro Klasse gewählt. Dabei wird sichergestellt, dass Klassen mit geringen Flächenanteilen (Gebäude und Versiegelungsflächen) anhand einer ausreichenden Anzahl von Stichproben überprüft werden. Für alle 300 Stichproben wurde die reale Landbedeckung aus den Referenzdaten ermittelt und zugewiesen. Anschließend konnte eine Genauigkeitsmatrix mit den einzelnen Klassen erarbeitet werden.

Weitere Informationen:

OGC-konforme Datendienste:

WMS GetMap: RapidEye Szene
WMS GetMap: Klassifikation auf RapidEye
WMS GetMap: Quickbird Szene
WMS GetMap: Klassifikation auf Quickbird

Metadaten nach ISO-Standard:

Kontaktdaten:
Organisation: FSU Jena
Name: Christian Berger
Position: Research Assistant
Telefon: +49-3641-948974
Telefax: +49-3641-948882
EMail: christian.berger@uni-jena.de

Anschrift:
Institut für Geographie, Abteilung Fernerkundung
07749 Jena

Internet-Profil: Uni Jena Website Profile