2016 Ganz, Selina: Automatische Klassifizierung von Nadelbäumen basierend auf Luftbildern

Präzise und aktuelle Daten zur Baumartenzusammensetzung sind nicht nur für die Forstwirtschaft sondern auch für viele ökologische Fragestellungen wertvoll. Gegenwärtig wurden schon zahlreiche Studien zur fernerkundungsgestützten Baumartenerkennung veröffentlicht, doch die operationale Anwendung in Deutschland bleibt bis jetzt auf die Trennung von Laub- und Nadelbäumen beschränkt. In dieser Arbeit wird eine Methode zur automatischen Klassifizierung der Nadelbäume Fichte (Picea spec.), Tanne (Abies spec.), Kiefer (Pinus spec.), Douglasie (Pseudotsuga spec.) und Lärche (Larix spec.) mit Luftbildern vorgestellt. Dabei werden verschiedene Kombinationen an Trainingsgebieten und Variablen getestet und statistisch validiert.
Die Masterarbeit entstand an der Forstlichen Versuchs- und Forschungsanstalt Baden-Württemberg (FVA). Für die Klassifizierung werden hochauflösende und hochüberlappen-de Luftbilder verwendet, welche vom Nationalpark Schwarzwald in Auftrag gegeben wurden.
Bei der vorliegenden Arbeit wird der Frage nachgegangen, welche Genauigkeiten bei der Nadelbaumklassifizierung mit den vorliegenden Daten erreicht werden können. Es soll untersucht werden, ob 1) die zusätzliche Klasse ‚Mischpixel‘, 2) die separate Modellierung für die natürlichen Altersklasse Baum- bzw. Stangenholz oder 3) die Kombination aus zwei Bilddatensätzen die Klassifizierung verbessert. Die Modellierung soll auf weniger als 20 Variablen reduziert werden. Die wichtigsten Variablen für die Nadelbaumklassifizierung sollen identifiziert werden. Abschließend soll die entstandene Nadelbaumkarte mithilfe der Daten aus der Betriebsinventur (BI) validiert werden.
Aus Luftbildern von Juli 2014 und April 2015 wurden Oberflächenmodelle und Orthophotos berechnet. Um Schatten und Nicht-Waldflächen zu entfernen, wurden die Oberflächenmodelle und Orthophotos maskiert. Aus den verbleibenden Pixeln wurden spektrale und geometrische Variablen sowie Texturparameter abgeleitet. Mit einem rasterbasierten Ansatz wurden diese auf 2x2 m – Zellen aggregiert. Die Klassifizierung wurde mittels Support Vector Machine (SVM) mit verschiedenen Kernel durchgeführt. Nach Variablen und Modellselektion konnten verschiedene Kombinationen von Trainingsgebieten und Variablen auf ihre Genauigkeit getestet werden. Die Güte der Klassifizierung wurde nach einer k-fachen Kreuzvalidierung mittels Kappa-Koeffizient und Konfusionsmatrix validiert. Die Modelle mit und ohne Mischpixel wurden benutzt, um die Nadelbaumgattungen auf dem gesamten Untersuchungsgebiet vorherzusagen. Als Endprodukt der vorliegenden Arbeit entstand eine statistisch validierte Nadelbaumkarte.
Bei den verschiedenen Kombinationen konnten, mit Ausnahme der Klassifizierung der Luftbilder von Juli 2014, sehr gute Klassifizierungsergebnisse mit Gesamtgenauigkeiten zwischen 85,2% und 94,3% erzielt werden.
Sowohl mit als auch ohne die Klasse ‚Mischpixel‘ ließen sich mit über 90% Gesamtgenauigkeit und einem Kappa-Koeffizienten von über 0,92 sehr gute Ergebnisse erzielen. Im direkten Vergleich erreichte die Kombination ohne Mischpixel eine 4,3% höhere Genauigkeit. Die Klasse ‚Mischpixel‘ konnte folglich nicht zur Verbesserung der Klassifizierung beitragen.
Mit einem separaten Modell für die natürliche Altersklasse Baumholz konnte mit einer Gesamtgenauigkeit von 94,3% das statistisch beste Modell erstellt werden. Das für die jeweilige Altersklasse separate Modell konnte nur für die Altersklasse Baumholz die Klassifizierung verbessern.
Während die Klassifizierung der April-Variablen mit einem Kappa-Koeffizienten von 0,93 sehr gute Ergebnisse erzielt, ist die Klassifizierung der Juli-Variablen mit einem Kappa-Koeffizienten von 0,35 nur als ausreichend zu bewerten. Die Verwendung von zwei Befliegungen konnte die Klassifizierung nicht verbessern. Die unterschiedliche Eignung der Luftbilder von Juli bzw. April 2015 für eine Nadelbaumklassifizierung lassen sich auf die jahreszeitlichen Unterschiede und auf die Qualität der Luftbilder zurückführen.
Die Klassifizierung konnte mit etwa 90% der maximalen Genauigkeit erfolgreich auf 14 erklärenden Variablen reduziert werden. Die Klassifizierungsgenauigkeit lag dabei mit einem Kappa-Koeffizienten von 0,82 bei 85,2%.