Ein Vergleich von Verfahren zu Landbedeckungsklassifikationen mittels Künstlicher Intelligenz

Abstract

Der Nutzen Künstlicher Intelligenz sorgt gegenwärtig für Paradigmenwechsel. Auch in der Fernerkundung nehmen Verfahren der Künstlichen Intelligenz, spezifisch Deep Learning, eine zunehmend übergeordnete Rolle ein. Die Anwendung von Deep Learning auf hoch aufgelösten Rapid Eye Satellitendaten zum Zweck der Landbedeckungsklassifikation wird mithilfe vom bestehenden Digitalen Landbedeckungsmodell für Deutschland gezeigt. Anhand des Bundeslandes Bayern werden Trainingsdaten für das künstliche neuronale Netzwerk generiert, trainiert, validiert und getestet. Ein Vergleich von Deep Learning und Shallow Learning Methoden – K-Nearest Neighbor und Random Forest – jeweils eingebunden in pixelbasierten und objektbasierten Verfahren in zwei Softwarepaketen – Arcgis Pro und eCognition – zeigt wie sich unterschiedliche Methodenkombinationen auf die Klassifikationsgüten der Landbedeckungen auswirkt. Als Resultat dieses quantitativen und qualitativen Vergleichs zeigt sich in dieser Arbeit, dass Deep Learning Methoden in der pixelbasierten Umgebung von Arcgis Pro, unter Berücksichtigung der zuverlässigsten Deep Learning Hyperparameter, die besten Klassifikationsgüten erzielen.