Detailansicht
Klassifikation von Geröll- und Felsformationen im Hochgebirge mittels Fernerkundung und Machine learning
Mina Sjerobabin
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.80746
URN
urn:nbn:at:at-ubw:1-15196.04589.256028-3
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Diese Masterarbeit untersucht die automatisierte Differenzierung von Geröll- und Felsformationen im Hochgebirge mittels Fernerkundung und maschinellem Lernen. Als Datenbasis dienen frei verfügbare multispektrale Sentinel-2-Aufnahmen sowie digitale Geländemodelle und Orthofotos aus Österreich. Ziel ist es, durch die Anwendung und Evaluierung klassischer Klassifikationsverfahren – insbesondere Random Forest – die Eignung maschineller Lernmethoden für eine präzise Trennung von Geröll- und Felsflächen zu bewerten. Ein besonderer Schwerpunkt liegt auf der Berücksichtigung topographischer Einflussfaktoren wie Schattenwurf, Hangneigung und Schnee, um die Klassifikationsergebnisse in steilen Gebirgslagen zu verbessern. Die Verarbeitung und Analyse der Daten erfolgt in ArcGIS Pro unter Nutzung der Python-Bibliothek arcpy. Die Modelle werden mithilfe etablierter Genauigkeitsmaße (Precision, Recall, Kappa) validiert. Die Ergebnisse leisten einen Beitrag zur Weiterentwicklung objekt- und datengetriebener Klassifikationsansätze in komplexem alpinen Gelände und liefern praxisrelevante Erkenntnisse für geomorphologische Analysen sowie die naturgefahrenbezogene Forschung im Kontext des Klimawandels.
Abstract
(Englisch)
This master’s thesis investigates the automated differentiation of debris and rock formations in high-mountain environments using remote sensing and machine learning. The study is based on freely available multispectral Sentinel-2 imagery, digital elevation models, and orthophotos from Austria. The objective is to evaluate the suitability of classical machine-learning algorithms—particularly Random Forest—for accurately distinguishing between debris and rock surfaces. Special attention is given to topographic factors such as shading, slope, and snow cover in order to improve classification accuracy in steep alpine terrain. Data processing and analysis are carried out in ArcGIS Pro using the Python library arcpy. Model performance is assessed through established accuracy metrics, including Precision, Recall, and the Kappa coefficient. The results contribute to the advancement of object- and data-driven classification approaches in complex alpine landscapes and provide practical insights for geomorphological studies and natural-hazard research in the context of climate change.
Schlagwörter
Schlagwörter
(Deutsch)
Klassifikation Geröll Felsformationen Hochgebirge Fernerkundung Machine learning ArcGIS Pro Sentinel-2 Random Forest
Autor*innen
Mina Sjerobabin
Haupttitel (Deutsch)
Klassifikation von Geröll- und Felsformationen im Hochgebirge mittels Fernerkundung und Machine learning
Paralleltitel (Englisch)
Classification of scree and rock formations in high alpine environments using remote sensing and machine learning
Publikationsjahr
2026
Umfangsangabe
60 Seiten : Illustrationen
Sprache
Deutsch
Beurteiler*in
Andreas Riedl
Klassifikation
38 Geowissenschaften > 38.03 Methoden und Techniken der Geowissenschaften
AC Nummer
AC17825694
Utheses ID
80003
Studienkennzahl
UA | 066 | 856 | |