Detailansicht
Evaluierung verschiedener Klassifikationsmethoden zur fernerkundlichen Veränderungsdetektion der Bodenversiegelung anhand einer Langzeitstudie von Graz
Anton Wolf Kiesling
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Geowissenschaften, Geographie und Astronomie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Kartographie und Geoinformation
Betreuer*in
Andreas Riedl
DOI
10.25365/thesis.78051
URN
urn:nbn:at:at-ubw:1-25495.53605.774458-4
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Für die fernerkundliche Veränderungsdetektion der Bodenversiegelung ist die Klassifikation der Erdoberfläche von zentraler Bedeutung. Für die Fernerkundung kommen überwiegend Satellitenbilder oder Orthophotos zum Einsatz. Zur Bestimmung der Bodenbedeckung stehen verschiedene Klassifikationsmethoden zur Verfügung. Sie lassen sich in pixelbasierte und objektbasierte Verfahren unterteile. Darüber hinaus unterscheidet man zwischen überwachten und unüberwachten Methoden. Während bei überwachten Verfahren der Nutzer dem System zusätzliche Informationen wie Trainingsdaten bereitstellt, erfolgt die Klassifikation bei unüberwachten Verfahren ausschließlich durch Algorithmen. In dieser Masterarbeit werden vier unterschiedliche Klassifikationsmethoden anhand von fünf hochauflösenden Orthophotos des politischen Bezirks Graz aus den Jahren 2009, 2012, 2015, 2018 und 2021 angewendet und evaluiert. Um eine fundierte Vergleichsbasis für die Klassifikationsergebnisse zu schaffen, wurde zunächst ein Grunddatensatz für den gesamten Bezirk erstellt. Hierfür kam ein Convolutional Neural Network zum Einsatz. Pro Orthophoto wurden Testdaten generiert anhand derer die Deep-Learning-Modelle trainiert wurden. Um möglichst präzise Ergebnisse zu erzielen wurden die Klassifikationsergebnisse der verschiedenen Methoden anschließend anhand einer Genauigkeitsanalyse miteinander verglichen. Für die Erstellung und das Training der Deep-Learning-Modelle sowie für die Klassifikation der Orthophotos mit den unterschiedlichen Methoden, wurde die Software ArcGIS Pro verwendet. Die Analyse der erstellten Grunddaten zeigte, dass die Deep-Learning-Modelle insgesamt präzise Klassifikationen liefern, jedoch nicht frei von Fehlern sind. Die Evaluierung der Klassifikationsmethoden ergab, dass insbesondere überwachte, objektbasierte Verfahren deutlich genauere Ergebnisse lieferten, als unüberwachte Methoden. Auch die überwachte, pixelbasierte Klassifikation erzielte gute Resultate, war jedoch anfällig für den Salz- und Pfeffer-Effekt, der durch die Fehlklassifizierung einzelner Pixel verursacht wird.
Abstract
(Englisch)
The classification of the earth's surface is of central importance for the remote sensing detection of changes in soil sealing. Satellite images or orthophotos are mainly used for remote sensing. Various classification methods are available for determining land cover. They can be divided into pixel-based and object-based methods. A distinction is also made between supervised and unsupervised methods. While in supervised methods the user provides the system with additional information such as training data, in unsupervised methods the classification is performed exclusively by algorithms. In this master's thesis, four different classification methods are applied and evaluated using five high-resolution orthophotos of the political district of Graz from the years 2009, 2012, 2015, 2018 and 2021. In order to create a sound basis for comparison for the classification results, a ground truth data set was first created for the entire district. A convolutional neural network was used for this. Test data was generated for each orthophoto and used to train the deep learning models. In order to achieve the most precise results possible, the classification results of the different methods were then compared with each other using an accuracy assessment. ArcGIS Pro software was used to create and train the deep learning models and to classify the orthophotos using the different methods. The analysis of the ground truth data showed that the deep learning models provide precise classifications overall, but are not free of errors. The evaluation of the classification methods showed that supervised, object-based methods in particular delivered significantly more accurate results than unsupervised methods. The supervised, pixel-based classification also achieved good results, but was susceptible to the salt and pepper effect, which is caused by the misclassification of individual pixels.
Schlagwörter
Schlagwörter
(Deutsch)
Fernerkundung Deep Learning Klassifikation
Autor*innen
Anton Wolf Kiesling
Haupttitel (Deutsch)
Evaluierung verschiedener Klassifikationsmethoden zur fernerkundlichen Veränderungsdetektion der Bodenversiegelung anhand einer Langzeitstudie von Graz
Paralleltitel (Englisch)
Evaluation of different classification methods for remote sensing change detection of soil sealing based on a long-term study of Graz
Publikationsjahr
2025
Umfangsangabe
ix, 101 Seiten : Illustrationen
Sprache
Deutsch
Beurteiler*in
Andreas Riedl
Klassifikation
74 Geographie > 74.48 Geoinformationssysteme
AC Nummer
AC17477740
Utheses ID
75101
Studienkennzahl
UA | 066 | 856 | |