das Verhältnis zwischen Überlappungsfläche der 
Empfindlichkeitskurven der multispektralen Kanäle (M)) 
mit Pan und der Totalfäche unter der Empfindlichkeitskurve 
von M ; - Da der Gewichtungsfaktor für mehrere Kanäle 
bestimmt wird, kann er normalisiert werden: 
W = Wi (2) 
i n 
/ 
AW, 
i=l 
Nun kann der synthetische Kanal folgendermassen 
berechnet werden: 
  
SYN aM, (3) 
i=] 
Bei der vorliegenden Arbeit wurde das Warnicks' Verfahren 
für die TM-Kanäle 1, 2, 3 und 4 sowie XS-Kanile 
verwendet. 
5. Klassifikation 
Die Trennung des Waldes gegenüber den restlichen Flüchen 
bildet den ersten Schritt der digitalen Bestandeskartierung. 
Es werden mit Hilfe von Landsat TM oft die Kanäle TM2 
und TMS in einem hierarchischen Verfahren angewendet.. 
Bei SPOT kommen entsprechend die Kanäle XS1 und XS3 
zum Einsatz. Bei der vorliegenden Arbeit wurde zuerst die 
Wasserfläche und anschliessend die Waldfläche von der 
Restfláche abgegrenzt. Dabei wurde die aus dem DHM25 
abgeleitete Hangneigung als Zusatzinformation in den 
Klassifikationsprozess miteinbezogen, um Fehlklassier- 
ungen durch Wolkenschatten auf dem See zu vermeiden. 
Die klassierte Waldfláche wurde mit dem Wald- 
'groundtruth' Pixel-zu-Pixel verglichen. Die Gesamtgen- 
auigkeit ('overall accuracy') der Klassifikation von 
Wald/Nichtwald beträgt 93.83%. 
Die benótigen Trainingsgebiete für die Bestandes- 
kartierung wurde anhand der Bestandeskarte ('groundtruth'), 
welche in einem GIS (ARC/Info) eingebunden war, 
definiert. Dadurch konnten nach beliebigen Kriterien 
Polygone für die Musterklasse ausgeschieden werden. 
Aus den angeführten Signaturanalysen kann man 
schliessen, dass in diesem Untersuchungsgebiet eine 
Bestandesklassifikation nach Entwicklungsstufen (Alter) 
kaum möglich ist. Hingegen können die Mischungs- 
klassen als geeignete Klassen für die Bestandeskartierung 
betrachtet werden. 
Die Unterscheidung der Waldbestände wurde mit zwei 
verschiedenen Methoden, dem hierarchischen und dem 
'Maximum-Likelihood'-Verfahren (ML) durchgeführt. 
Anschliessend wurden die Klassifikationsresultate mit 
einem Modusfilter (mit 5 x 5 Fenster) nachbearbeitet, um 
isolierte Pixel zu eliminieren. 
Aus dem Pixel-zu-Pixel- Vergleich mit dem 'groundtruth' 
ergibt sich die Klassifikationsfehlermatrix. Tabelle 1 
zeigt die Ergebnisse der Klassifikation mit dem ML- 
Verfahren. Dabei sind neben der 'overall accuracy' und dem 
Kappakoeffizienten als Gesamtgenauigkeit, die 'user'- und 
'producer-accuracy' jeder Klasse angeführt. 
Das Resultat der Klassifikation mit dem ML-Klassifikator 
ergab eine hóhere Gesamtgenauigkeit als das mit dem 
hierarchischen Verfahren (um 5.3% overall accuracy und 
3.7% Kappa.). Aus dem visuellen Vergleich des 
Klassifikationsresultates mit dem 'groundtruth' (siehe 
Abb. 1) wird ersichtlich, dass der rechte Teil des 
Untersuchungsgebietes sehr gut klassifiziert worden ist. In 
diesem Teilgebiet treten wegen der hóheren Lage wenig 
Bestüánde mit vorwiegend Laubbaum und überhaupt kein 
reiner Laubwald auf. Ausserdem weist dessen flaches 
Gelände eine unterschiedliche Beleuchtung zum restlichen 
Untersuchungsgebiet (Westhang) auf. 
  
  
  
  
  
  
  
  
  
Klasse J/D/B Reiner Nadelwald Reiner Laubwald Mischwald 
'user accuracy' 59.096 73.9% ^ 60.3% 65.1% 
"producer accuracy’ 50.2% 57.0% 32.2% 83.9% 
'overall accuracy' = 65.4% Kappakoeffizient = 39.7% 
  
  
  
Tab. 1: Genauigkeit der Waldbestandesklassifikation nach Mischungsgraden mit dem 'Maximum-Likelihood'-Klassifikator 
188 
International Archives of Photogrammetry and Remote Sensing. Vol. XXXI, Part B7. Vienna 1996