KLASSIFIKATION

Ist ein digitaler Fernerkundungsdatensatz erst einmal korrigiert und georeferenziert, steht der Informationsextraktion, also dem eigentlichen Anliegen der Analyse von Fernerkundungsdaten zur Erstellung von Karten oder dem Verknüpfen der gewonnenen Informationen mit anderen Geodaten, nichts mehr im Wege. Dieser Prozess wird als Klassifikation bezeichnet und kann manuell oder automatisiert erfolgen.
Um ein digitales Bild manuell zu klassifizieren, müssen Formen und Gebilde des Bildes interpretiert werden können. Gleiche Erscheinungen werden zu bestimmten Klassen geordnet, wodurch aus umfangreichen digitalen Informationen leicht verständliche semantische Begriffe werden. Ein einfaches Beispiel ist die manuelle Klassifikation eines Satellitenbildes von Berlin, aus dem beispielsweise Seen, Stadtviertel, Parks oder Waldgebiete digitalisiert werden können (Abb. 3.1).
Im Gegensatz dazu stehen automatische Verfahren, bei denen die Klassen durch mathematische Berechnungen aus dem spektralen Profil jedes Objekts ermittelt werden und die meist bessere und wesentlich schneller Ergebnisse liefern. Zudem sind sie unabhängig von den bearbeitenden Personen, daher sind die Ergebnisse objektiv und reproduzierbar. Unterschieden werden dabei „überwachte“ und „unüberwachte“ Klassifikationen.
Jedes Pixel eines digitalen, multispektralen Bildes lässt sich durch seine Lage in einem mehrdimensionalen Merkmalsraum („feature space“) beschreiben, der aus den Reflektanzen des Bildpunktes in den verschiedenen Kanälen des Datensatzes gebildet wird. Ein ganzes Objekt besteht aus mehreren Pixeln, die auf Grund ihrer ähnlichen spektralen Eigenschaften in einem solchen Merkmalsraum eine „Pixelwolke“ bilden. Abbildung 3.2. stellt ein zweidimensionales „feature space image“ dar, dessen Achsen durch die Reflektanzen eines Bildpunktes in den Kanälen 3 und 4 des ETM+-Sensors des Satelliten gebildet werden. Jedes Pixel des Bildes ist in diesem Merkmalsraum repräsentiert, die spektralen Eigenschaften in den gelben und roten Gebieten kommen dabei besonders häufig vor.


Es lassen sich deutlich von einander abgetrennte Bereiche erkennen, in denen sich besonders viele Pixel konzentrieren. Bereich 1 stellt beispielsweise die spektralen Eigenschaften der Wasserflächen des Bildes dar: Sowohl im Bereich des sichtbaren roten Lichts (x-Achse) als auch im nahen Infrarot (y-Achse) reflektiert Wasser wenig Strahlung. Vegetation dagegen reflektiert mehr Strahlung im nahen Infrarot, vegetationsreiche Flächen sind daher vor allem in Bereich 2 repräsentiert.
Ein Algorithmus zur Erzeugung einer unüberwachten Klassifikation würde nun nach statistischen Gesichtspunkten Klassen ähnlicher spektraler Eigenschaften der enthaltenen Bildpunkte berechnen. Werden die Bereiche 2 und 3 verglichen, fällt jedoch auf, dass eine Zuordnung in manchen Bereichen nicht mehr so leicht möglich ist, da sich die Punktwolken verschiedener Objekte überschneiden können und „Mischpixel“ auftreten. Um ein genaueres Ergebnis zu erzielen, wird daher oft auf eine überwachte Klassifikation zurückgegriffen: Die spektralen Klasseneigenschaften werden dabei aus den Eigenschaften manuell digitalisierter „Trainingsgebiete“ berechnet. Die Trainingsgebiete spiegeln dabei die Spektralsignaturen der Klassen, die sie repräsentieren, besonders gut wieder.