Veröffentlichung: Österreichische Zeitschrift für Vermessung und Geoinformation, 83. Jahrgang, Heft 1+2, 1995
Neben dem für die Funknetzplanung abgeleiteten Landnutzungsmodell steht somit zum ersten Mal ein österreichweiter, digitaler Datensatz zur Verfügung, der für beliebige großräumige Anwendungen eingesetzt werden kann. Im Anschluß an dieses Projekt soll ein weiteres Produkt mit einer geometrisch niedrigeren Auflösung abgeleitet werden, das bei nationalen Fragestellungen in der Umweltplanung zum Einsatz kommen wird.
To derive the relevant land use classes for radio propagation models a methodology is demostrated, which combines three processing components. First the image data is geometrically corrected with respect to the topography. The resulting digital ortho-images are classified applying an unsupervised pixel wise classification procedure. Out of the high ground resolution of Landsat TM data the extracted classes represent land cover rather than land use. Therefore a rule based postclassification algorithm is applied to the classification result. Within this process the requested land use classes are found by analysing the spatial composition of land cover types in the neighbourhood of each pixel. The resulting land use data base will be used for the design of the Austrian mobile radio network.
Besides the application described above, the geocoded digital data set represents a valuable information source for a wide range of further uses. Subsequent to the presented project an additional data base with a lower ground resolution will be established for environmental planning on a national scale.
Im Bereich der Telekommunikation wurden dementsprechend Computermodelle entwickelt, die die Funkausbreitung in Abhängigkeit der Geländeform und der Landnutzung simulieren. Zum Einsatz dieser Modelle müssen sowohl die Geländeform als auch die Landnutzung flächendeckend in digitaler Form verfügbar sein. Die digitale Repräsentation der Geländeform ist durch das digitale Höhenmodell (DHM) des Bundesamtes für Eich- und Vermessungswesen (BEV) in ausreichender Weise gewährleistet. Ein adäquater Datensatz der Landnutzung stand jedoch bis dato nicht in digitaler Form zur Verfügung.
Die rationellste Methode zur Erfassung der gesuchten Information bietet die Fernerkundung, da Satellitenbilder eine flächendeckende, digitale Repräsentation der Erdoberfläche darstellen. Den von Seiten der Benutzer gestellten Anforderungen werden Fernerkundungsdaten sowohl hinsichtlich der thematischen als auch der räumlichen Differenzierbarkeit in ausreichender Weise gerecht. Auch im Hinblick auf die Veränderungen der Landnutzung, die in vergleichsweise kurzen Zeiträumen auftreten, bietet die Fernerkundung Aktualität, wie sie von anderen Datenerfassungsverfahren nicht erbracht werden kann. Zusätzlich stellt diese Methode im Hinblick auf großräumige Fragestellungen die mit Abstand kostengünstigste Variante der Informationserfassung dar.
Aufgrund der oben genannten Rahmenbedingungen wurden Bilddaten des auf dem amerikanischen Fernerkundungssatelliten Landsat 5 installierten digitalen Aufnahmesystems Thematic Mapper (TM) als Datengrundlage herangezogen. Der TM scannt einen 180 km breiten Streifen der Erdoberfläche in sieben Spektralkanälen mit einer geometrischen Auflösung von 30 x 30 m pro Pixel [12]. Zur Deckung des gesamten österreichischen Bundesgebietes inklusive des benachbarten Auslandes konnten 12 wolkenfreie Szenen erworben werden, die - mit einer Ausnahme - innerhalb von zwei Monaten aufgenommen worden waren. Damit steht für die weitere Verarbeitung ein ideales, weil zeitlich homogenes Bildmaterial zur Verfügung. Abbildung 1 zeigt eine Übersicht über die verwendeten Szenen.
Die Orthophotoherstellung aus Satellitenbildern unterscheidet sich von der konventionellen digitalen Orthophotoherstellung aus Luftbildern [6] in erster Linie in der Berechnung der Orientierungsparameter. Die äußere Orientierung (räumliche Lage) eines Luftbildes ist durch die Angabe des Projektionszentrums und der Drehwinkel zur Beschreibung der Lage der Bildebene im Raum festgelegt. Bei Satellitenbildszenen müssen hingegen unterschiedliche Parameter für jeden einzelnen Scan bestimmt werden. Für die Berechnung der Orientierungsparameter sind Paßpunkte die Voraussetzung.
Die erforderlichen Arbeitsschritte zur Berechnung der Orthophotos sind daher die Messung der Paßpunkte, die Berechnung der Orientierungsparameter, der Aufbau eines digitalen Höhenmodelles und zuletzt die rechenintensive Entzerrung. Diese Schritte werden in den folgenden Kapiteln näher betrachtet.
Dabei handelt es sich um etwa 2 x 2 km große, vektorielle Kartenausschnitte, die dauerhafte Lineamente wie Waldgrenzen, Verkehrswege und Ufer von Gewässer enthalten. Jedem Paßelement ist ein eindeutiger Bezugspunkt mit dreidimensionalen Koordinaten zugeordnet. Die meisten Paßelemente wurden durch Digitalisierung aus Orthophotos gewonnen und konnten bereits für die Entzerrung von Satellitenbildern im Rahmen anderer Projekte genutzt werden [8].
Die Messung der Paßelemente erfolgt automationsunterstützt in 2 Schritten am Bildschirm. Zur Grobeinpassung werden manuell Verschiebungsvektoren für eine anschließende Transformation definiert (Abbildung 2a-c). Die verbliebenen Restfehler können in der Folge durch eine Feineinpassung mittels eines Zero Crossing Matchingalgorithmus [11] minimiert werden (Abbildung 2d-f). Als Ergebnis der Messung liegen die Bildkoordinaten des Bezugspunktes vor.
Anschließend wurden mit dem Programmsystem ORIENT [10] mittels Bündelblockausgleichung die Elemente der äußeren Orientierung jedes einzelnen Scans der Satellitenbilder bestimmt. Die äußere Orientierung eines Scans beschreibt die Position des Abtasters (Xo,Yo,Zo) und die Drehungen (Omega, Phi, Kappa) einer fiktiven Bildebene im Raum. Aufgrund der gleichmäßigen Bewegung des Satelliten besteht allerdings zwischen benachbarten Scans eine hohe Korrelation. Zur Modellierung dieser Abhängigkeiten können mit dem Programm ORIENT die Orientierungsparameter durch Polynome beliebigen Grades beschrieben werden. Ein quadratisches Polynom zur Beschreibung der X-Koordinate des Projektionszentrums in Abhängigkeit von der Scannummer i hat folgendes Aussehen:
Durch diesen Ansatz wird auch die Anzahl der Unbekannten stark reduziert. In obigem Beispiel müssen nur die 3 Koeffizienten a0 bis a2 zur Beschreibung der X-Komponente berechnet werden. Das verwendete Modell der Ausgleichung ist genauer in [5] und [13] beschrieben.
Um eine möglichst hohe Genauigkeit zu erreichen, wurden alle Szenen in einem Guß ausgeglichen. Insgesamt standen 1489 Messungen zur Verfügung. Sowohl die Bild- als auch die Geländekoordinaten der Paßelemente gingen als Messungen in die Ausgleichung ein. Insgesamt mußten 801 Unbekannte berechnet werden. Die Unbekannten sind die Polynomkoeffizienten für die Parameter der äußeren Orientierung und die Koordinaten der Paßelemente. Für die Koordinaten der Projektionszentren wurden quadratische Polynome zur Modellierung der näherungsweise kreisförmigen Umlaufbahn verwendet. Für die Beschreibung der Drehwinkel erwiesen sich lineare Polynome als ausreichend. Die Anzahl der Unbekannten konnte dadurch reduziert werden, indem für mehrere Szenen des gleichen Streifens und gleichen Aufnahmetages nur ein einziges Polynom pro Orientierungselement verwendet wurde. Die Ausgleichung ergab einen mittleren Lagefehler der Paßelemente im Gelände von +/- 7 m und einen Höhenfehler von +/- 13 m. Die Abbildung 3 zeigt die Fehlerellipsen der Paßelemente der Szene 194/27.
Tabelle 2 zeigt, daß ein Höhenfehler von 228 m bereits eine Lageversetzung von einem Pixel bewirkt. Deshalb ist in Österreich ein digitales Höhenmodell für die Berechnung der Orthophotos unbedingt notwendig. Um die hohe Lagegenauigkeit der Bündelblockausgleichung von +/- 7 m auch in den Orthophotos zu gewährleisten, ist - wie Tabelle 2 zeigt - eine DHM-Genauigkeit von etwa +/- 50 m erforderlich.
Für das vorgestellte Projekt wurde auf Basis des Höhenmodelles des BEV ein DHM mit 100 m Rasterweite im UTM-System bezogen auf den 15. Längengrad aufgebaut. Dadurch konnte ein für ganz Österreich einheitliches System verwendet werden, in dem auch die Orthophotos erstellt wurden.
Für die Berechnung der Orthophotos kam der Modul SCOP.DOP [4] des Programmsystems SCOP zum Einsatz. Die Entzerrung ist ein rechenintensiver Prozeß, der auf der verwendeten HP 9000/730 Workstation mit 64 MB Hauptspeicher für alle Szenen eines Kanales ca. 7 Stunden Rechenzeit benötigte. Der komplette Datensatz für Österreich in 7 Kanälen belegt ca. 2.8 Gigabyte Massenspeicher. Das ist weit mehr als sich aus der Fläche Österreichs ergeben würde und kommt vor allem durch die große Überlappung der Streifen zustande. Die Abbildung 7 zeigt das Ergebnis der Rektifizierung als Darstellung Österreichs in der Kanalkombination 7, 5 und 3.
Zur Zeit werden die Orthophotos auch für die Lambertsche Kegelprojektion und für die Gauß-Krüger- Projektion mit bikubischer Resamplingfunktion berechnet. Damit wird ein kompletter Datensatz von Orthophotos aus Landsat Thematic Mapper Aufnahmen des Jahres 1991 in den in Österreich üblichen Kartenprojektionen zur Verfügung stehen. Dieser Datensatz kann in Zukunft für andere großräumige Analysen Anwendung finden.
Bei der überwachten Klassifikation werden zuerst sogenannte Trainingsgebiete definiert. Das sind Bereiche im Bild, die per definitionem ausschließlich Elemente einer Klasse enthalten. Die spektralen Signaturen - statistische Beschreibungen - dieser Trainingsgebiete definieren die Cluster im Merkmalsraum. Anschließend wird jedes Pixel über eine Distanzfunktion - z.B. "Maximum Likelyhood" - einem Cluster zugeordnet [13].
Die unüberwachte Klassifikation bedient sich der sogenannten Cluster-Analyse [9], um Punktwolken im Merkmalsraum zu finden. Das sind statistische Verfahren, die ohne interaktive Eingriffe den Merkmalsraum in einzelne Cluster zerlegen. Die Segmentierung erfolgt in zwei Schritten. Zuerst werden die Cluster definiert, dann erfolgt die Zuordnung der einzelnen Pixel zu den Clustern [7]. Den Abschluß der Klassifikation bildet die interaktive Zuweisung der Objektklassen zu den Bildsegmenten.
Es ist zu beachten, daß beide Verfahren "nur" die Segmentierung automatisch durchführen, die thematische Interpretation der Objekte erfolgt interaktiv über die Zuordnung der Objektklassen zu den Clustern, im ersten Fall vor der Segmentierung, im zweiten Fall nach der Segmentierung.
Dazu wurde der geokodierte Datensatz in 30 zusammenhängende Gebiete von ca. 3000 km2 aufgeteilt. Jeder dieser Datensätze wurde unüberwacht klassifiziert, wobei im Durchschnitt jeweils 50 spektrale Klassen extrahiert wurden. Die thematische Zuordnung der einzelnen Klassen erfolgt interaktiv mit Hilfe der ÖK 50 und visueller Interpretation der Originaldaten.
Die ausgewiesenen Klassen weisen zwar spektral unterschiedliche Bereiche auf, die aber zum Teil durchaus einer thematischen Klasse entsprechen können (z.B. Wald im Schatten versus Wald in direkter Sonneneinstrahlung). Solche Klassen werden zu jeweils einer thematischen Klasse zusammengefaßt (Abbildung 9b).
Im Gegensatz dazu kann es auch vorkommen, daß Gebiete unterschiedlicher thematischer Bedeutung ähnliche spektrale Charakteristika aufweisen und dementsprechend als eine Bedeckungsform klassifiziert werden. Dieses Problem tritt z.B. bei bestimmten versiegelten Flächen in Stadtgebieten auf, die in die gleiche Klasse fallen wie einzelne Felsregionen. Eine thematische Unterteilung kann mit Hilfe des digitalen Höhenmodells erfolgen, wobei in höheren Lagen die Klasse "Fels", in Tallagen die Klasse "versiegelt" zugeordnet wird. In gleicher Weise können alpine von nicht-alpinen Vegetationsformen unterschieden werden.
Im hochalpinen Bereich entsteht ein weiteres Problem durch die unzureichende Reflexion sonnenabgewandter Felshänge. Diese Gebiete weisen spektrale Ähnlichkeiten mit bestimmten Waldklassen auf und werden dementsprechend als Wald klassifiziert. Die Trennung dieser Gebiete von den 'wirklichen' Waldregionen erfolgt über den Vegetationsindex. Der Vegetationsindex ist ein "künstlicher" Kanal, der die Intensität der Vegetation repräsentiert. Berechnet wird er aus der normierten Differenz der Spektralkanäle des nahen Infrarot und des sichtbaren Rot. Durch die Verknüpfung und anschließende Normierung reduzieren sich die angesprochenen Schattenwirkungen auf ein Minimum und es zeigt sich eine deutliche Abstufung verschiedener Vegetationsintensitäten. Durch Abgrenzung der vegetationslosen Bereiche können dann diejenigen Gebiete ermittelt werden, die zu unrecht als Wald klassifiziert worden sind.
Nach der semi-automatischen Überarbeitung der multispektralen Klassifikationsergebnisse liegt ein Datensatz vor, der in einer 25 m Pixelauflösung verschiedene Ausprägungen der Oberflächenbedeckung repräsentiert. Diese Ausprägungen werden in Folge als Primärklassen bezeichnet. Tabelle 3 enthält eine Liste von Beispielen solcher Primärklassen. Das Ergebnis einer Primärklassifikation für den Raum Innsbruck ist in Abbildung 9c zu sehen.
Will man z.B. verschiedene Bebauungsdichten in urbanen Räumen differenzieren, wird die multispektrale Klassifikation nur Oberflächenkomponenten wie Ziegeldächer, Asphalt- oder Betonflächen, Grünland etc. erkennen. Diese Komponenten kommen jedoch in allen Bebauungsklassen vor, wobei sie sich nur durch ihre prozentuellen Anteile unterscheiden. Daher ist es notwendig, neben der spektralen Information auch deren räumliche Verteilung zu analysieren, und daraus die gesuchten Landnutzungsklassen zu ermitteln. Diese werden in Folge als Sekundärklassen bezeichnet.
Um die räumliche Verteilung der Primärklassen analysieren und daraus die Sekundärklassen zu ermitteln, wurde eine Methode zur Postklassifikation entwickelt [15]. Der Begriff Postklassifikation versteht sich dabei nicht nur im Sinne "nach der Klassifikation", sondern stellt ein eigenes Klassifikationsverfahren dar, das auf dem Ergebnis einer pixelweisen Klassifikation aufsetzt.
Die Regeln sind heuristisch, d.h. sie repräsentieren das Wissen und die Erfahrung des Bearbeiters und können daher verschiedenen Bilddaten und Aufgabenstellungen angepaßt werden. Die Erstellung erfolgt interaktiv über die Definition und Eingabe der klassenrelevanten Schwellwerte. Die Größe der untersuchten Nachbarschaft ist ein entscheidender Parameter der Klassifikation. Wird das Fenster zu klein gewählt, werden nur kleinste Strukturen erkannt und das Bild behält seinen unruhigen Charakter. Größere Fenster ermöglichen das Erkennen niedrigfrequenter Strukturen und bewirken eine stärkere Generalisierung. Das Maß der Generalisierung kann auch über die Pixelgröße des postklassifizierten Bildes gesteuert werden. So kann z.B. eine 4x4 Umgebung auf die 2x2 mittleren Pixel abgebildet werden (Abbildung 6), d.h. 4x4 Pixel werden zur Histogrammberechnung herangezogen, die aus dem Regelsystem ermittelte Sekundärklasse wird den mittleren 2x2 Pixel zugewiesen. Die Schrittweite des bewegten Fensters entspricht jeweils der Größe des Ausgabefensters, im eben beschriebenen Fall dementsprechend 2 Pixel.
Ausgehend von den Klassen in Tabelle 1 und 3 sei nun der Aufbau einer Regelbasis an einem Beispiel dokumentiert (Tabelle 4). Die höchste Priorität bekommen diejenigen Gebiete, die eine homogene Ausprägung einer Primärklasse aufweisen (Regel 1 - 6). Im nächsten Schritt werden verschiedene Bebauungsgrade differenziert, indem die Primärklasse 3 (bebaut) zugunsten von Grünland und Wald zurückgesetzt wird (Regel 7 und 8). Die für Industrieanlagen typische Zusammensetzung von Gebäuden und versiegelten Flächen wird in Regel 9 berücksichtigt. Regel 10 definiert halb-offene Gebiete, die sich aus einer Mischung von Grünland und Wald zusammensetzen. Übergänge, die einen unscharfen Charakter aufweisen, wie z.B. der von alpiner Vegetation auf Fels im Hochgebirge, zeichnen sich durch eine hohe Variation der entsprechenden Klassen aus. Um in solchen Bereichen trotzdem die geforderte scharfe Trennung zu erreichen, werden kombinierte Regeln eingesetzt (Regel 11 und 12). Dabei wird zuerst geprüft, ob die beiden Primärklassen zusammen den Großteil der lokalen Umgebung bedecken, und danach die dominierende Klasse ermittelt. Diejenigen Gebiete, die keine der definierten Regeln erfüllen, werden der Klasse 0 (undefiniert) zugeordnet.
Die Postklassifikation erfolgte jeweils im Anschluß an die multispektrale Klassifikation der einzelnen Teilgebiete. Die Größe der untersuchten Nachbarschaft wurde mit 6x6 Pixel, das Ausgabefenster mit 2x2 Pixel festgelegt. Diese Definition entspricht der geforderten geometrischen Auflösung von 50 x 50 m. Die Erstellung der Regelbasen erfolgt iterativ, wobei nach jedem Schritt die postklassifizierten Teilergebnisse überprüft werden. Durch die hierarchische Struktur des Verfahrens beeinflussen zusätzliche Regeln, solange sie den bestehenden nachgestellt werden, die bereits erstellten Ergebnisse nicht, sondern wirken sich nur auf Bereiche aus, die bislang als "undefiniert" klassifiziert worden sind. Die Anzahl der notwendigen Iterationen - und auch die Anzahl der aufgestellten Regeln - ist sowohl von der Heterogenität der untersuchten Region als auch von der Qualität der Primärklassifikation abhängig. Es konnte jedoch festgestellt werden, daß - bedingt durch den Erfahrungsgewinn der Bearbeiter - im Laufe der Projektarbeit die durchgeführten Iterationen pro Teilgebiet deutlich abnahmen. Abbildung 8 gibt eine österreichweite Übersicht der Resultate der Postklassifikation mit der auch für Abbildung 9d und Abbildung 10 gültigen Legende. Abbildung 9d und Abbildung 10 zeigen Ausschnitte vom Raum Innsbruck und von der Umgebung Wiens. Deutlich ist in allen drei Abbildungen der durch die Postklassifizierung erzielte Generalisierungseffekt zu erkennen.
Der Vergleich der Klassifikation mit den Referenzdaten wird mittels Konfusionsmatrizen veranschaulicht (Tabelle 5). Die Spalten repräsentieren die Referenzdaten, die Zeilen die Ergebnisse der Klassifikation in Prozent der Gesamtanzahl der referenzierten Punkte. Die letzte Spalte beschreibt die innerhalb einer Klasse korrekt klassifizierten Pixel in Prozent der Häufigkeit der Klasse. Die letzte Zeile beschreibt die innerhalb einer Klasse richtig erkannten Referenzdaten in Prozent der Häufigkeit der Klasse. Das letzte Element der Matrix - letzte Zeile, letzte Spalte - beinhaltet die insgesamt korrekt klassifizierten Pixel in Prozent der Gesamtzahl der referenzierten Punkte.
Die geschätzte Gesamtgenauigkeit von über 80 % entspricht den gestellten Erwartungen. Auffallend sind jedoch die unterschiedlichen Genauigkeiten der einzelnen Klassen. Der Grund dafür liegt in der natürlichen Unschärfe der gesuchten Objekte.
Der Übergang von einer Klasse auf eine thematisch benachbarte Klasse erfolgt fließend, daher ist die Abgrenzung der Klassen gegeneinander mit einer hohen Definitionsunsicherheit behaftet [15]. Fehlklassifikation, die in solchen Übergangsbereichen auftreten, sind dementsprechend eher als Unsicherheiten zu werten, ihre Auswirkung in der anschließenden Ausbreitungsmodellierung ist gering.
Eine genauere Betrachtung der Konfusionsmatrix ergibt, daß 15 % der referenzierten Punkte in diese Gruppe fallen. Lediglich 3.1 % der referenzierten Punkte sind als "echte" Fehlklassifikationen zu werten. Zusätzlich sei noch bemerkt, daß die Genauigkeitsabschätzungen für Klasse 2 (Dicht Bebaut) und Klasse 5 (Industrie) aufgrund der kleinen Stichprobenanzahl (<30) als nicht repräsentativ zu betrachten sind.
[2] Bühler, H.:
Estimation of radio channel dispersion for mobile radio network planning.
Dissertation, Fakultät für Elektrotechnik, Technische Universität Wien, 1994.
[3] dtv-Brockhaus-Lexikon
Band 9, S. 327. Deutscher Taschenbuch Verlag, München,1984.
[4] Ecker, R.:
Rastergraphische Visualisierungen mittels digitaler Geländemodelle. Geowissenschaftliche Mitteilungen, Heft
38, Technische Universität Wien, 1991.
[5] Ecker, R., Gsandtner, M., Jansa, J.:
Geocoding Using Hybrid Bundle Adjustment and a Sophisticated DTM. Proceedings of the
11th EARSel Symposium, Graz 1991.
[6] Ecker, R., Kalliany, R., Otepka, G.:
High quality rectification and image enhancement techniques for digital orthophoto production. 43.
Photogrammeterische Woche, Stuttgart 1993.
[7] Erdas: Field Guide.
Erdas, Atlanta, 1991.
[8] Falkner, T., Kalliany, R., Ecker, R.:
Die Bearbeitung von Satellitenbilddaten für
eine europaweite Bodennutzungserhebung. Österreichische Zeitschrift für Vermessungswesen
und Geoinformation, Heft 1+2/94.
[9] Hair, J.F., Anderson, R.E., Tatham, R.L.:
Multivariate Data Analysis. Macmillan, New York, 1987.
[10] Kager, H.:
A Universial Photogrammetric Adjustment System. In: Optical 3-D Measurement Techniques, Wichmann,
Karlsruhe, 1989.
[11] Kalliany, R.:
Locating Ground Control Features with Subpixel-
Accuracy. Proceedings of the 11th EARSel Symposium, Graz 1991.
[12] Kraus, K., Schneider, W.:
Fernerkundung Band 1: Physikalische Grundlagen und Aufnahmetechniken.
Dümmler, Bonn, 1989.
[13] Kraus, K., mit Beiträgen von Jansa, J. und Schneider, W.:
Fernerkundung Band 2: Auswertung photographischer und digitaler Bilder. Dümmler,
Bonn, 1990.
[14] Staufer, J.:
Zellularer Mobilfunk. Technische Grundlagen und
ökonomische Aspekte des analogen Mobilfunknetzes D und des paneuropäischen digitalen
Mobilfunksystems GSM. Diplomarbeit, Institut für Wirtschafts- und Sozialgeographie,
Wirtschaftsuniversität Wien, 1993.
[15] Steinnocher, K.:
Methodische Erweiterung der Landnutzungsklassifikation und Implementierung auf einem Transputernetzwerk.
Geowissenschaftliche Mitteilungen, Heft 40, Technische Universität Wien, 1994.
[16] Zhang, Z., Shimoda, H., Fukue, K., Matsumae, Y., Sakata, T.:
New classification algorithms using spatial information for high resolution image data. International Archives of Photogrammetry
and Remote Sensing, Vol. 27, B 7, Commission VII, 1988.