überwachte Klassifizierung

Engl. supervised classification, franz. classification supervisée; in der Fernerkundung und der digitalen Bildverarbeitung die Bildung von Objektklassen mit ihren spektralen Merkmalen nach vorgegebenen Entscheidungsregeln. Bei der überwachten Klassifikation müssen vorab die Landbedeckungsklassen anhand von Signaturkurven bestimmt sein. Diese Definition bzw. Festlegung erfolgt "überwacht", d. h. die Identifikation der Bildelemente und ihre Zuordnung zu Objektklassen erfolgt nach der Ähnlichkeit zu Trainingsgebieten ( Referenzflächen), von denen bekannt ist, welcher Objektklasse sie angehören. Die Signaturkurven dieser Trainingsgebiete werden als charakteristisch für den betreffenden Oberflächentyp in der vorliegenden Szene angesehen. Sie definieren dann die gesuchten Musterklassen oder Reflexionsklassen.

Anhand von ‘ground truth’ Information und / oder aufgrund von Geländekenntnis werden diese Trainingsgebiete als homogene Vorkommen von Landnutzungs- oder Vegetationseinheiten bestimmt. Es ist wichtig, dass die im Bild vorhandenen Objekte durch diese Trainingsgebiete möglichst komplett erfasst werden, um Unterscheidungskriterien festzulegen.

Aus der statistischen Analyse dieser ‘Proben’ werden spektrale Signaturen abgeleitet und der Rest eines Bildes auf ‘Ähnlichkeiten’ gegenüber diesen Signaturen hin untersucht und klassifiziert. Dabei wird den Pixelvektoren mittels spezieller Algorithmen zur Mustererkennung eine thematische Bedeutung zugewiesen.

Im Anschluss an die Bestimmung von Trainingsgebieten bzw. von Landbedeckungen erfolgt im zweiten Schritt eine Zuordnung der Pixel der Gesamtszene zu den ermittelten Musterklassen oder Reflexionsklassen. Für diese Zuweisung bestehen mehrere Methoden:

• Quader-Klassifikation (Parallelepiped Classification oder Box Classification),
• Minimum-Distanz-Klassifikation (Verfahren der nächsten Nachbarschaft),
• Maximum-Likelihood-Klassifikation (Verfahren der größten Wahrscheinlichkeit).

Ungeachtet der eingesetzten Methode zur Mustererkennung (Klassifikationsalgorithmus) sind dabei die folgenden Arbeitsschritte zu beachten:

• Festlegung von Anzahl und Art der thematischen Klassen. Dabei handelt es sich um Informationsklassen (z.B. Gewässer, Bebauung, Nutzpflanzen, Grünland, Wald ...)
• Auswahl repräsentativer Pixel für jede der gewünschten Klassen mittels extern definierter Trainingsareale. Diese können über unterschiedliche Erhebungsverfahren festgelegt werden (Geländeerhebungen, Luftbildauswertung, Karten ...)
• Schätzung von Parametern zur Beschreibung der Klassen (abhängig vom jeweiligen Algorithmus zur Mustererkennung)
• Bestimmung der Klassenzugehörigkeit eines jeden Pixels mit Hilfe spezieller Verfahren zur Mustererkennung
• Überprüfung der Klassifizierungsergebnisse

Überwachte Klassifizierungsverfahren gehören zu den am häufigsten eingesetzen Methoden zur thematischen Interpretation von Fernerkundungsdaten.