Beiträge zur Optimierung von multispektralen Klassifizierungen durch Trennbarkeitsmasse.

Abstract

Bei der ueberwachten multispektralen Klassifizierung von Fernerkundungsdaten mit Hilfe des Maximum-Likelihood-Verfahrens ist zunaechst der Ueberlappungsgrad der einzelnen Klassen nicht bekannt. In herkoemmlichen Verfahren erfolgt die Auswahl der Trainingsgebiete,Klassen und Kanaele daher meist nur qualitativ. Liegen jedoch mehrere schwer zu trennende Klassen vor, so sind diese Verfahren unzureichend. Um zu einer optimierten Klassifizierung zu gelangen, werden mehrere quantitative Trennbarkeitsmasse aus statistischen Abstandsmassen hergeleitet. Mit Hilfe dieser Masse ist es moeglich, eine objektivierte Auswahl von Trainingsgebieten, Klassen, Kanaelen und Zusatzkanaelen durchzufuehren sowie eine recht genaue Abschaetzung der zu erwartenden Fehlerwahrscheinlichkeiten fuer die Klassifizierung jeder einzelnen Klasse anzugeben. Am Beispiel der Klassifizierung von Baumarten und Baumschadstufen in Flugzeugscannerdaten des DAEDALUS ATM 1286 wird die entwickelte Methodik angewandt.