Systematische Evaluierung geeigneter Verfahren der künstlichen Intelligenz für die semantische Segmentierung von Landbedeckung in fernerkundungsgestützten Bilddaten

Abstract

Im Zuge des globalen Wandels gewinnt die Analyse des Zustands der Erdoberfläche und ihrer Veränderungen immer mehr an Bedeutung. Die Bereitstellung geeigneter Informationen hinsichtlich der Landbedeckung und Landnutzung erfolgt dabei basierend auf der Auswertung fernerkundungsgestützter Bilddaten. Für die Auswertung werden gegenwärtig überwiegend hybride semi-automatische Klassifizierungsmethoden genutzt. Die aktuellen Entwicklungen im Hinblick auf eine steigende Datenqualität und stetig zunehmende verfügbare Datenmengen lassen jedoch den Bedarf nach geeigneteren Verfahren entstehen, um den Ansprüchen und dem Potenzial dieser Daten gerecht werden zu können. Durch entscheidende Fortschritte im Hardwarebereich und der Prozessparallelisierung rücken automatisierte, auf künstlicher Intelligenz basierende Klassifizierungsmethoden zunehmend in den Fokus der Wissenschaft. Diese Arbeit hat das Ziel, das Potenzial von Deep Learning Anwendungen für die Klassifizierung von Landbedeckung und Landnutzung zu evaluieren. Dazu wird ein neuronales Netzerk implementiert und mit einem fernerkundungsgestützten Bilddatensatz für Deutschland trainiert und getestet. Die gewählte Methode zeigt großes Potenzial hinsichtlich einer automatisierten Klassifizierung von Landbedeckung mit klassenspezifischen f1-Werten bis zu 0,93.