Self-taught Learning für die Klassifikation von Landbedeckungen großer Gebiete unter Verwendung von multispektralen Fernerkundungsdaten

• Antragsteller: Professor Dr. Björn Waske
• Fachliche Zuordnung: Geodäsie, Photogrammetrie, Fernerkundung, Geoinformatik, Kartographie
• Förderung: Förderung von 2013 bis 2018
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 240015646

Erdbeobachtungsdaten spielen eine wichtige Rolle für Entscheidungsunterstützungssysteme und bei der Überwachung der Einhaltung unterschiedlicher multilateraler Konventionen. Landbedeckungskarten von Fernerkundungsdaten sind das in diesem Zusammenhang am häufigsten verwendete Produkt und die Entwicklung von realisierbaren und genauen Klassifikationsstrategien ist Gegenstand aktueller Forschung. Insbesondere die Klassifikation von größeren Untersuchungsgebieten ist oftmals anspruchsvoll, z. B. infolge des Fehlens von einer ausreichenden Menge an Trainings- und Validierungsdaten. Dieses Forschungsprojekt zielt auf die Entwicklung eines Self-taught Learning Frameworks für die Landbedeckungsklassifikation von Fernerkundungsdaten. Der Ansatz ermöglicht die Verwendung von gelabelten Pixeln (d.h. mit Referenzinformationen) und ungelabelten Pixeln aus beliebigen Szenen und unterschiedlichen Aufnahmezeitpunkten. Im Gegensatz zu semi-überwachten Frameworks können die ungelabelten Daten unbekannte und irrelevante Klassen enthalten. Darüber hinaus müssen die Klassen nicht explizit modelliert werden. Das entwickelte Framework wird für die Klassifikation von multispektralen Fernerkundungsdaten verschiedener Untersuchungsgebieten verwendet, deren Landbedeckung beispielsweise durch (i) landwirtschaftliche Nutzung, (ii) Wälder und (iii) urbane Regionen gekennzeichnet ist. Die Güte des Self-taught Learning Frameworks wird durch den Vergleich zu anderen Methoden hinsichtlich Genauigkeit und Rechenaufwand bewertet.

• DFG-Verfahren: Sachbeihilfen