sten Schritt die Panoramaverzerrung jeder Bildzeile korrigiert,
so daß - für jede Zeile - eine zentralperspektivische Abbil-
dungsgeometrie entstand. Im zweiten Schritt wurde dann ei-
ne Modellierung der tatsächlichen Flugbahn und momenta-
nen Oriehtierung des Sensors durch Polynome 3. Ordnung
durchgeführt. Zur Berechnung der Polynomparameter wur-
den Paßpunkte sowohl im Bild als auch in den entsprechen-
den Blättern der DGK 5 gemessen. Durch Verwendung eines
Digitalen Höhenmodells (DHM) wurde auch der Höhenwert
für jeden Paßpunkt bestimmt und damit die Topographie der
Testgebiete berücksichtigt.
In einem zweiten Ansatz haben wir die in [Albertz 1994]
veröffentlichten Gleichungen implementiert und verwendet.
Das Ergebnis der Korrektur ist auch dann nicht überall in den
Streifen befriedigend: in den Paßpunkten beträgt der Fehler
etwa 3 m rms. Fehlerquellen sind vermutlich:
e die Flugwegparameter sind nicht genau genug,
e die verfügbaren digitalen Hóhenwerte sind weder in ih-
rer Rasterweite noch in ihren Hóhenwerten genau ge-
nug,
e die Zahl der PaBpunkte (etwa 120 für jeden der großen
Steifen und etwa 30 für den kleinen Streifen) ist zu
niedrig, und die PaBpunkte sind nicht genau genug;
insbesondere stimmt die aus der DGK 5 entnommene
Hôhe der PaBpunkte nicht mit der im DGM verzeich-
neten Hóhe überein,
e für Autobahnbrücken, hohe Gebàude usw. gibt es über-
haupt keine Hóhenwerte.
Zur Korrektur der gelàndeneigungs- und blickwinkelabhängi-
gen Remissionswerte haben wir ein einfaches, nicht objektbe-
zogenes Strahlungsmodell verwendet, das nur approximativ
wirkt.
Für die rechnergestützte Klassifizierung der Bilddaten wur-
de das Verfahren der größten Ähnlichkeit auf der Basis sta-
tistischer Meßwerte (” Maximum-Likelihood-Klassifizierung" )
gewáhlt. Dazu ist es erforderlich, daB wir für jede zu unter-
scheidende Klasse eine reprásentative Anzahl von MeBwerten
(Grauwerte) durch visuelle Interpretation der Bilddaten am
Bildschirm bestimmen (Trainingsgebiete für den Klassifika-
tor). Für die Bestimmung der Trainingsgebiete sind eine ge-
naue Ortskenntnis oder eine Ortsbegehung, aktuelle topogra-
phische und thematische Karten und Luftbilder oder andere
Kontextinformation erforderlich.
Die Klassifizierung besteht dann in der Zuordnung aller Bild-
punkte zu den festgelegten (Unter-)Klassenrepräsentanten,
wobei hier nicht nur die aufgrund der gewáhlten Metrik beste
Zuordnung, sondern auch die jeweils zweit- und drittbeste Zu-
ordnung gespeichert werden. AuBerdem speichern wir die für
diese Zuordnungen berechneten Wahrscheinlichkeiten (nach
Skalierung) als Vertrauenswerte in die Klassifizierungsent-
scheidungen. Daran schlieBt sich eine Generalisierung durch
ein Relaxationsverfahren an, das auf einer Untersuchung der
Klassifizierungsergebnisse und ihrer Vertrauenswerte in einer
3 x 3 Bildpunkte groBen Umgebung basiert. Dabei werden
einzelne, isolierte Klassifizierungsentscheidungen mit niedri-
gen Vertrauenswerten in ihre Umgebung integriert und ein-
zelne, zuvor nicht zugeordnete Bildpunkte der örtlich benach-
barten Klasse mit dem höchsten Vertrauenswert zugewiesen.
Die Ergebnisse sind in Abschnitt 3 gezeigt. Eine ausführliche
Darstellung des Verfahrens ist in [Sties 1995] zu finden.
590
2.3 Auswertung von Satellitenbilddaten
Ergebnisse einer rechnergestützten Auswertung (multispek.
trale Klassifizierung) von Satellitenbilddaten dieser Gebiete
stehen aus zwei anderen Projekten des IPF vergleichshalber
zur Verfügung. In beiden Fällen handelt es sich um Bildda.
ten des LANDSAT TM: einerseits wurde die ganze Ober.
rheinebene auf der Basis von Bilddaten des Jahres 1991
ausgewertet;' andererseits liegt eine Auswertung der Banzen
Fläche des Landes Baden-Württemberg auf der Basis von
Bilddaten des Jahres 1993 vor.? Einzelheiten zu diesen Pro-
jekten sind in [Jacobs 1993] bzw. [Jacobs 1995] zy finden.
3 VERGLEICH DER ERGEBNISSE
Die nachfolgenden Abbildungen zeigen die Ergebnisse nur in
Grauton-Ausgabe und nur für ein Testgebiet; farbige Ver-
sionen der Ergebnis-Abbildungen werden im Vortrag gezeigt.
Abb. 1 zeigt das Endergebnis der Auswertung der Scanner-
bilddaten von Grünwinkel nach 5 Durchläufen des Generali.
sierungsprogramms und nach Maskierung mit der Maske des
Interessensgebiets im Maßstab 1 : 17.700. Tab. 1 zeigt die
Flächenbilanz für dieses Endergebnis. Die Klasse 15 (Stra-
| Nr Klasse | Anteil in % Größe in ha
0 reject 0.0 0.0
2 Industrie 8.1 14.7
3 Glasdach 0.1 0.1
7 Gebäude 13.1 23.6
8 Straßen 33.1 59.9
9 Wege 0.1 0.1
15 Straßenbahn 0.8 15
a Zwischensumme 55.3 99.9
4 Tennisplatz 0.2 0.4
6 Ascheplatz 0.6 1.1
b Zwischensumme 0.8 1.5
| unversiegelt | 43.9 79.3 |
| Summe | 100.0 180.7 |
Tabelle 1: Fláchenbilanz des Endergebnisses GRÜNWINKEL
Benbahn) ist zum Teil wohl auch der unversiegelten Fláche
zuzuordnen, soweit sie Gebiete mit eigenem Bahnkórper um-
faBt. Im ausmaskierten Interessensgebiet gibt es allerdings
nur noch StraBenbahnlinien auf den StraBen, weshalb die-
se Klasse ganz den versiegelten Flàchen zugerechnet wurde.
Die Klassen 4 bzw. 6 (Tennis- bzw. Aschesportplatz), die
fláchenmáBig keine groBe Rolle spielen, sind wegen des An-
schlusses an die Abwasserleitung der versiegelten Fläche zu-
zurechnen.
Abb. 2 zeigt den direkten Vergleich zwischen dem Ergebnis
der Kartendigitalisierung und der Auswertung der Scanner-
bilddaten für alle versiegelten Flächen. Die Flächenbilanz für
diesen Vergleich ist in Tab. 2 enthalten.
Diesem Vergleich kann man einige wichtige Erkenntnisse ent-
nehmen:
e wegen der stellenweise ungenauen geometrischen Ent-
zerrung der Scannerbilddaten ist der Anteil überein-
! Die Arbeit wurde durch das Projekt , Angewandte Okologie" der Lan-
desanstalt für Umweltschutz aus Mitteln des Umweltministeriums Baden-
Württemberg gefórdert N
?Die Arbeit wurde durch Mittel des Umweltministeriums Baden-Würt-
temberg gefórdert
International Archives of Photogrammetry and Remote Sensing. Vol. XXXI, Part B7. Vienna 1996
