image
1
Sächsisches Landesamt für Umwelt und Geologie
Abteilung Natur, Landschaft, Boden
Referat Bodenschutz
Abschlussbericht zum Forschungs- und Entwicklungsvorhaben:
Weiterentwicklung der Umweltbeobachtung
im Freistaat Sachsen
mittels Satellitenbilddaten
(Aktenzeichen: 13-8802.3524/36-1)
Berichtszeitraum:
Oktober 2001 – September 2003
von:
- Forschungsnehmer -
HUGIN GmbH
August-Bebel-Straße 24
07743 Jena

2
Inhaltsverzeichnis
1 DAS FORSCHUNGSPROJEKT IM ÜBERBLICK
10
2 STAND DER FORSCHUNG TEIL A: MACHBARKEITSSTUDIE
12
2.1 EINLEITUNG UND GRUNDLAGEN DER FERNERKUNDUNG
12
2.1.1 EINLEITUNG
12
2.2 GRUNDLAGEN DER FERNERKUNDUNG
13
2.2.1 AUFLÖSUNG VON FERNERKUNDUNGSDATEN
13
2.2.2 SYNTHETISCHE KANÄLE
14
2.2.3 KLASSIFIKATIONSANSÄTZE
14
2.2.3.1 Pixelbasierte Klassifikationsansätze
14
2.2.3.2 Erweiterungen der pixelweisen Klassifikationsansätze
15
2.2.3.3 Objektorientierte Klassifikationsansätze
16
2.2.3.4 Manuelle Klassifikation
16
2.2.3.5 Vergleich Landbedeckung und Landnutzung
17
2.3 MACHBARKEITSSTUDIE ZUR LEVEL1- UND LEVEL2-KLASSIFIKATION
17
2.3.1 BEISPIELSATELLITEN
17
2.4 LANDNUTZUNGSKLASSEN
18
2.4.1 SIEDLUNGSFLÄCHEN (100)
18
2.4.1.1 Besiedelte Fläche innerorts (110), Besiedelte Fläche außerorts (120)
18
2.4.2 VERKEHRSFLÄCHE (200)
18
2.4.3 LANDWIRTSCHAFTSFLÄCHE (300)
19
2.4.3.1 Ackerland (310)
19
2.4.3.2 Grünland (320)
20
2.4.4 WALD-, FORST- UND GEHÖLZFLÄCHE (400)
20
2.4.4.1 Laubwald (410), Nadelwald (420), Mischwald (430)
21
2.4.5 WASSERFLÄCHE (500)
21
2.4.5.1 Fließgewässer (510), Standgewässer (520)
22
2.5 MACHBARKEITSSTUDIE ZUR LEVEL3-KLASSIFIKATION
23
2.5.1 BEISPIELSATELLITEN
23
2.5.2 LANDNUTZUNGSKLASSEN
23
2.5.2.1 Siedlungsfläche (100)
23
2.5.2.2 Besiedelte Fläche innerorts (110)
24
2.5.2.3 Besiedelte Fläche außerorts (120)
27
2.5.3 VERKEHRSFLÄCHE (200)
27
2.5.3.1 Fahrbahn (201)
27
2.5.3.2 Weg (202)
28
2.5.3.3 Parkplatz (203)
28
2.5.3.4 Bahn (204)
28
2.5.3.5 Flughafen/-platz (205)
29
2.6 MODIFIZIERUNG DES OBJEKTARTENKATALOGES ENTSPRECHEND DER MACHBARKEITSSTUDIE
29

3
3 STAND DER FORSCHUNG TEIL B: WISSENSCHAFTLICHE BEGUTACHTUNG DES
GESAMTVORHABENS
30
3.1 EINLEITUNG
30
3.2 ANDERE ERHEBUNGSMETHODEN
30
3.2.1 TERRESTRISCHE ERHEBUNG
30
3.2.2 ERHEBUNG DURCH LUFTBILDAUSWERTUNG
30
3.2.3 VERGLEICH VON ORTHOPHOTOS MIT SATELLITENBILDDATEN
31
3.3 ANDERE DATENSÄTZE
32
3.3.1 ATKIS
32
3.3.2 SÄCHSISCHE GEMEINDESTATISTIK
33
3.3.3 CORINE LAND COVER
34
3.4 ANWENDUNGSBEISPIELE DER FERNERKUNDUNG
34
3.4.1 CORINE LAND COVER
36
3.4.1.1 CORINE Land Cover 1990 (CLC1990)
37
3.4.1.2 CORINE Land Cover 2000 (CLC2000)
37
3.4.2 NIEDERSÄCHSISCHES UMWELTINFORMATIONSSYSTEMS (NUMIS)
37
3.4.3 LANDNUTZUNGSKARTE DES FREISTAATES SACHSEN 1:100 000 (LN100)
38
3.5 POTENTIALE UND VORTEILE DER FERNERKUNDUNG
38
3.6 MAßSTABSBEREICH VON FERNERKUNDUNGSDATEN
40
3.6.1 WAHL DES AUFLÖSUNGSBEREICHES
41
3.6.2 KOMBINATION VERSCHIEDENER AUFLÖSUNGSBEREICHE
42
3.7 SYNERGIEEFFEKTE VERSCHIEDENER FACHBEREICHE
43
3.7.1 EMPFEHLUNGEN ZUR WEITEREN NUTZUNG VON FERNERKUNDUNGSDATEN
44
3.8 AKTUALISIERUNG DER LANDNUTZUNGSKLASSIFIKATION
44
3.8.1 AKTUALISIERUNGSNOTWENDIGKEIT
44
3.8.2 AKTUALISIERUNGSMETHODEN
45
3.9 ZUSAMMENFASSUNG UND AUSBLICK
47
4 ARBEITEN UND ERGEBNISSE
49
4.1 DATENBESCHAFFUNG UND AUFBEREITUNG
49
4.1.1 DATENBESCHAFFUNG
49
4.1.2 DATENAUFBEREITUNG
51
4.1.2.1 Geometrische und Radiometrische Korrektur
53
4.1.2.2 Siedlungsmaske aus Texturanalyse
57
4.2 KLASSIFIKATION IRS-1C SATELLITENBILDDATEN
66
4.2.1 KLASSIFIKATION DER FLÄCHENNUTZUNG - PIXELBASIERT
69
4.2.2 KLASSIFIKATION DER FLÄCHENNUTZUNG - KLASSENBILDUNG
70
4.2.3 KLASSIFIKATION DER FLÄCHENNUTZUNG - OBJEKTORIENTIERT
71
4.2.4 KLASSIFIKATION DER FLÄCHENNUTZUNG – VEKTORDATEN
75
4.2.5 KLASSIFIKATION DER FLÄCHENNUTZUNG - VALIDIERUNG
77
4.2.6 KLASSIFIKATION DER VERSIEGELUNG
80
4.2.6.1 Hintergrund und Methoden
80
4.2.6.2 Vergleichende Untersuchungen
82
4.2.6.3 Klassifikation und Validierung
86

4
4.3 KLASSIFIKATION IKONOS-, QUICKBIRD-DATEN
88
4.3.1 OBJEKTORIENTIERTES KLASSIFIKATIONSVERFAHREN
88
4.3.2 KLASSENCHARAKTERISTIK
94
4.3.3 ERGEBNISDARSTELLUNG UND VALIDIERUNG
98
4.3.3.1 Testgebiet Dresden
98
4.3.3.2 Testgebiet Freiberg
99
4.3.3.3 Testgebiet Chemnitz
100
4.3.3.4 Validierung
101
5 DATENBANK, PROGRAMMSYSTEM UND INTERAKTIVER DATENBROWSER
103
6 INSTALLATION UND ÜBERGABE
105
7 EMPFEHLUNGEN FÜR EINE FORTSCHREIBUNG DES PROJEKTES
105
8 LITERATUR
106

5
Tabellen
Tabelle 1: Ursprüngliche Objektarten der drei Levels ....................................................................12
Tabelle 2: Hauptanwendungsgebiete der Spektralbänder (verändert nach Kronberg, 1985:127)...... 14
Tabelle 3: Beispielsatelliten mit den spektralen Eigenschaften im sichtbaren und Infrarot-Bereich.... 17
Tabelle 4: Beispielsatelliten mit den spektralen Eigenschaften im sichtbaren und Infrarot-Bereich.... 23
Tabelle 5: Endgültige Objektarten der drei Levels.........................................................................29
Tabelle 6: Kosten für die Erstellung von Orthophotos (nach KONECNY, 2003)................................... 31
Tabelle 7: Kosten für IRS-1C Satellitenbildaufnahme (nach EUROMAP).............................................31
Tabelle 8: Kosten für IKONOS-Satellitenbildaufnahme (nach EUROPEAN SPACE IMAGING)..................... 32
Tabelle 9: Kosten für SPOT5-Satellitenbildaufnahme (nach SPOT IMAGE [2])....................................32
Tabelle10: Flächennutzungsklassen innerhalb der Gemeindestatistik ............................................. 34
Tabelle11: Flächenerhebungsprogramme..................................................................................... 35
Tabelle12: Flächennutzungsklassen der CORINE Land Cover......................................................... 36
Tabelle13: Flächennutzungsklassen innerhalb des NUMIS ............................................................ 37
Tabelle 14: Landnutzungsklassen der Landnutzungskarte des Freistaates Sachsen .......................... 38
Tabelle 15: Minimaldimensionen von Kartenzeichen (KOCH, 2002)................................................... 40
Tabelle 16: Maßstabsbereiche für die Erstellung von Satellitenbildkarten......................................... 40
Tabelle 17: ATKIS-DLM25 - Erfassungskriterien für flächenhafte Elemente..................................... 41
Tabelle 18: Synergieeffekte.......................................................................................................... 43
Tabelle 19: Bufferbreiten Vektordaten........................................................................................... 76
Tabelle 20: Statistik der Referenzgebiete ...................................................................................... 78
Tabelle 21: Validierung der Flächennutzung .................................................................................. 79
Tabelle 22: Versiegelung am Beispiel Dresden...............................................................................81
Tabelle 23: Versiegelungsanteile in Abhängigkeit von der Art des Bodenbelages.............................. 83
Tabelle 24: Untersuchte Versiegelungsflächen und Vergleich mit Bilddaten ..................................... 85
Tabelle 25: Kalibrierung NDVI .................................................................................................... 86
Tabelle 26: Validierung der Versiegelungsklassifiktion (Nutzergenauigkeit)...................................... 87
Tabelle 27: Sensorcharakteristik im Klassifikationsprozess.............................................................. 88
Tabelle 28: Objektarten im Klassifikationssystem...........................................................................94
Tabelle 29: Validierung - Nutzergenauigkeit Flächennutzung Ikonos / Quickbird........................... 101
Tabelle 30: Validierung - Nutzergenauigkeit Versiegelung Ikonos / Quickbird ............................... 101
Tabelle 31: Programmsystem für Flächennutzungs- und Versiegelungsabfrage Sachsen .................105

6
Abbildungen
Abbildung 1: Erkennbarkeit eines Objektes.................................................................................... 13
Abbildung 2: Maximum-Likelihood-Klassifikation ............................................................................15
Abbildung 3: Erkennbarkeit von Verkehrsflächen ...........................................................................19
Abbildung 4: Ackerland................................................................................................................ 19
Abbildung 5: Reflexion Laubwald / Nadelwald................................................................................21
Abbildung 6: Reflexion Gewässer.................................................................................................. 22
Abbildung 7: Engräumige bis geschlossene Bebauung....................................................................24
Abbildung 8: Mischbebauung........................................................................................................ 25
Abbildung 9: Weiträumige bis aufgelockerte Bebauung..................................................................25
Abbildung 10: Weiträumige Villenstadtteile.................................................................................... 25
Abbildung 11: Wohnblocks / Plattenbauten ................................................................................... 26
Abbildung 12: Wohnblocks / Plattenbauten - Schrägsicht ............................................................... 26
Abbildung 13: Gewerbe / Industrie...............................................................................................27
Abbildung 14: Fahrbahn............................................................................................................... 28
Abbildung 15: Bahn ..................................................................................................................... 28
Abbildung 16: Aktualität der ATKIS-DLM-Daten für Sachsen, Stand 28.5.03 ...................................33
Abbildung 17: Vergleich von Bildern unterschiedlicher geometrischer Auflösung .............................. 42
Abbildung 18: Multi-zyklischer Aktualisierungsansatz für die Landnutzungsklassifikation 1................ 45
Abbildung 19: Multi-zyklischer Aktualisierungsansatz für die Landnutzungsklassifikation 2................ 46
Abbildung 20: Multi-zyklischer Aktualisierungsansatz für die Landnutzungsklassifikation 3................ 46
Abbildung 21: IRS-Liss................................................................................................................. 49
Abbildung 23: Ikonos / Quickbird.................................................................................................. 49
Abbildung 24: Quickbird-Szene Chemnitz ......................................................................................50
Abbildung 28: Überlagerung des ATKIS DGM25 (grau) und des DHM/M745 (grün)..........................51
Abbildung 29: Residuen der Schnittkanten von ATKIS DGM25 und DHM/M745................................ 52
Abbildung 30: Mosaik der beiden Höhenmodelle............................................................................52
Abbildung 33: Passpunktverteilung über Pan-Szenen .....................................................................53
Abbildung 34: Referenzierte Pan-Szenen für den Bereich des vorliegenden Höhenmodells ..............53
Abbildung 40: Übersicht Aufnahmedaten bei IRS-Pan ....................................................................56
Abbildung 41: IRS-pan Datum......................................................................................................56
Abbildung 42 Überlappungsbereiche der IRS-Pan-Daten ............................................................... 56
Abbildung 43: Arbeitsschritte zur Erstellung von Siedlungsmasken.................................................. 57
Abbildung 44: Visualisierung der grey-level co-occurence Matrix (GLC) ........................................... 58
Abbildung 45: Summenbild aus Mittel und maximaler Differenz der IDM-Texturmerkmalsbilder........ 60
Abbildung 46: Siedlungsmaske aus IDM-Textur ............................................................................. 60
Abbildung 47: Siedlungsmaske Dresden........................................................................................61
Abbildung 48: Potentialflächen und deren Fehlerquellen................................................................. 62
Abbildung 49: Verfahren zur Reduktion der Potentialflächen........................................................... 63
Abbildung 50: Reduzierte Potentialflächen.....................................................................................63
Abbildung 51: Ergebnis reduzierter und generalisierter Potentialflächen.......................................... 64
Abbildung 53: Verfahren der multispektralen Klassifikation............................................................ 66
Abbildung 54: Grundannahmen der Klassifikation ..........................................................................66
Abbildung 55: „Nearest Neighbor“-Klassifikator..............................................................................68
Abbildung 56: pixelbasierte Klassifikation im Vektorformat, Beispiel Freiberg................................... 69
Abbildung 58: inhaltlicher Aufbau des Objektartenkataloges...........................................................70

7
Abbildung 59: Maskierung der Szenen in „Siedlung“ und „Umland“................................................. 71
Abbildung 60: Klassen Flächennutzung IRS ................................................................................... 71
Abbildung 61: IRS-liss Szenen ...................................................................................................... 73
Abbildung 62: Flächennutzung Freistaat Sachsen...........................................................................74
Abbildung 63: Siedlung innerorts, Siedlung außerorts und Bufferbereich ......................................... 75
Abbildung 64: Aufbereitung Vektordaten.......................................................................................75
Abbildung 65: Aufbereitung der Vektordaten: Linienelemente......................................................... 76
Abbildung 66: Flächennutzung Dresden mit Vektordaten...............................................................77
Abbildung 67: spektrale Reflexionsgrade verschiedener Oberflächen.............................................. 80
Abbildung 68: IRS-pan................................................................................................................ 81
Abbildung 69: NDVI....................................................................................................................81
Abbildung 70: Versiegelung......................................................................................................... 81
Abbildung 71: Ikonos multispektral – Testflächen BIUG, Stadtgebiet Dresden ................................82
Abbildung 72: Versiegelungsklassen............................................................................................. 83
Abbildung 73: Teilflächen Versiegelungskartierung Sachsen ...........................................................86
Abbildung 74: Klassifikation der Versiegelung IRS.........................................................................87
Abbildung 75:
hierarchische Netzwerkstruktur...............................................................................88
Abbildung 76: Dialogfeld
Segmentierung....................................................................................... 89
Abbildung 77: Segmentierung
Ikonos-Datensatz Dresden .............................................................. 90
Abbildung 78: Dialogfeld Klassenhierarchie ...................................................................................90
Abbildung 79: Dialogfelder Klassenbeschreibung und sample editor................................................ 91
Abbildung 80: 2D-feature space plot.............................................................................................92
Abbildung 81: membership functions ............................................................................................92
Abbildung 82: Klassenspezifische
Charakterisierungsmerkmale ...................................................... 93
Abbildung 83: Verkehrsflächen im Innenstadtbereich von Dresden ................................................. 97
Abbildung 84: Flächennutzung Dresden .......................................................................................98
Abbildung 85: Versiegelung Dresden............................................................................................98
Abbildung 86 : Flächennutzung Freiberg .......................................................................................99
Abbildung 87: Versiegelung Freiberg............................................................................................ 99
Abbildung 88: Flächennutzung Chemnitz.................................................................................... 100
Abbildung 89: Versiegelung Chemnitz........................................................................................ 100
Abbildung 90: SPOT5 panchromatisch........................................................................................102
Abbildung 91: SPOT5 multispektral............................................................................................102
Abbildung 92: Auswählen einer thematischen *shp Datei ...........................................................103
Abbildung 93: Auswählen einer administrativen Bezugsfläche (Gemeinde)................................... 103
Abbildung 94: Ausgabe der Statistik für eine administrative Themenauswahl................................103

8
Abkürzungen, Maßeinheiten, Symbole, Begriffe
Abkürzung Beschreibung
AIF
Adaptive Image Fusion
AdV
Arbeitsgemeischaften der Vermessungsverwaltungen der Länder der
Bundesrepublik Deutschland
AP Arbeitspaket
ArcView
GIS Software (ESRI, Inc.)
ASAR
Advanced Synthetic Aperture Radar (EU)
ASTER
Advanced Spaceborne Thermal Emission and Reflection Radiometer
ATKIS
Amtliches Topographisch-Kartographisches Informationssystem
ATM
Airborne Thematic Mapper (siehe TM, USA)
AVHRR
Advanced Very High Resolution Radiometer (USA)
CAD Computer Aided Design
CASI
Compact Airborne Spectral Imager
CD Change Detection
CORINE Coordinated Information on the European Environment
DEM Digital Elevation Model
DHM Digitales Höhenmodell
DIGROK Digitales Raumordnungskataster
DLM Digitales Landschaftsmodell
DLR
Deutsches Zentrum für Luft- und Raumfahrt
DN
Digital Number (Grauwert)
DPA
Digital-Photogrammetrische Ausrüstung (siehe MOMS, Deutschland)
eCognition
objektbasierte Bildverarbeitungssoftware (Definiens AG)
ERDAS Imagine
Bildverarbeitungssoftware (ERDAS, Inc.)
ERS
Earth Remote Sensing Satellite (EU)
ETM
Enhanced Thematic Mapper (siehe TM, USA)
FFH
Flora und Fauna Habitat-Richtlinie der EU
Fuzzy Logic
unscharfe Logik (Wertebereich [0..1]),
im Gegensatz zu scharfer Logik [0;1]
GIS Geographische(s) Informationssystem(e)
HCCM
Heat Capacity Mapping Mission (USA)
HRV
High Resolution Visible
IDM
Inverse Difference Moment
IFOV
Instantaneous Fild of View

9
Abkürzung Beschreibung
IRS
Indian Remote Sensing Satellite (Indien)
ISPRS
International Society for Photogrammetry and Remote Sensing
JERS-1
Japanese Earth Remote Sensing Satellite (Japan)
LFUG
Landesamt für Umwelt und Geologie (Sachsen)
LISS multispektraler Sensor
KFA
Kosmischer Fotoapparat (siehe KVR, Russland)
KVR
(Foto-)Kamera höchster Auflösung (Russland)
Membership-
funktionen
Zugehörigkeitsfunktionen zur Beschreibung einer Klasse
Merkmalsraum n-dimensionaler Raum zur Beschreibung von n Eigenschaften einer
Klasse
MIR Middle Infrared
ML Maximum Likelihood
MSS Multispectral Scanner
NASA
National Aeronautics and Space Administration (USA)
NDVI
Normalized Difference Vegetation Index
NIR Near Infrared
NN Neuronale Netze
NOAA
National Oceanography and Atmosphere Administration (USA)
Pan panchromatischer Sensor
PCA Principal Component Analysis
SAMS
Structural Analysing and Mapping System
SAR
Synthetic Aperture Radar
SIR
Shuttle Image Radar (USA)
SMA
Spectral Mixture Analysis
SPOT
Système Probatoire Oberservation de la Terre (Frankreich)
TIR Thermal Infrared
TM Thematic Mapper (USA)
TK Topographische Karte
VIS
Visible (part of the electromagnetic spectrum)
VSG Versiegelungsgrad

10
1 Das Forschungsprojekt im Überblick
Basierend auf der Ausschreibung vom 3.8.2001 im Sächsischen Ausschreibungsblatt vergab das Säch-
sische Landesamt für Umwelt und Geologie das Forschungs- und Entwicklungsvorhaben
„Weiter-
entwicklung der Umweltbeobachtung im Freistaat Sachsen mittels Satellitenbilddaten“
an
die HUGIN GmbH. Die TU Dresden, Institut für Kartographie sowie das Ing.-Büro BIUK GmbH Freiberg
wurden als Unterauftragnehmer für Fragen der Datensicherheit und der Ergebnisvalidierung (TU DD)
sowie für terrestrische Begleituntersuchungen (BIUK) beauftragt.
Inhaltlich konzentrierten sich die vergebenen Leistungen auf die Entwicklung spezifischer Auswerte-
methoden für hochauflösende und hochaktuelle Satellitenbilddaten zur Gewinnung klassifizierter Fach-
information sowie auf die Implementierung geeigneter statistischer Auswertewerkzeuge und grafi-
scher Visualisierungen.
Das Forschungsprojekt beinhaltet folgende
Aufgabenstellung
:
1. Erarbeitung einer
wissenschaftlich - technischen Studie
über die Verarbeitung, Klassifi-
zierung und Visualisierung von Satellitenbilddaten sowie ihrer Anwendung zum aktuellen
Stand.
2.
Beschaffung, Atmosphärenkorrektur, Georeferenzierung
von IRS-1C Satellitenbildda-
ten (panchromatisch, multispektral) des mittleren Auflösungsbereiches über die Gesamtfläche
des Freistaates Sachsen. Klassifikation der Daten mit den beiden Themenschwerpunkten:
Klassifikation der Landoberflächenbedeckung / Flächennutzung
Klassifikation des Versiegelungsgrades
3.
Beschaffung, Atmosphärenkorrektur, Georeferenzierung
von hochauflösenden pan-
chromatischen und multispektralen Ikonos- und Quickbird- Satellitenbilddaten für die drei
ausgewählten Testgebiete Freiberg, Dresden und Chemnitz. Klassifikation der Daten mit stark
erweitertem Klassenschlüssel in bebauten Bereichen mit den beiden Themenschwerpunkten:
Klassifikation der Landoberflächenbedeckung / Flächennutzung
Klassifikation des Versiegelungsgrades
4.
Begleitende Felduntersuchungen
mit dem Ziel der wissensbasierten Unterstützung des
Klassifikationsverfahrens und der Erhöhung der Klassifikationssicherheit. Die Mindestanforde-
rung an die Nutzergenauigkeit / Datensicherheit der Auswertungen wurde auf 90 % bei einer
Mindestflächengröße von 1 Hektar festgelegt.
5.
Aufbau einer Datenbank
„Bodenversiegelung und Flächennutzung“ zur Erfassung, Speiche-
rung und Auswertung der Satellitenbilddaten sowie ihrer Klassifikationsergebnisse.
6.
Entwicklung eines Programmsystems
mit interaktivem Datenbrowser zu den Themen
„Bodenversiegelung und Flächennutzung“ im Freistaat Sachsen. Einbindung der Klassifikati-
onsergebnisse jeweils als Einzel-, Misch- und Summenabfrage [in % und ha] unter Angabe
der klassifizierten Nutzergenauigkeit für die jeweiligen Bezugsflächen. Erstellung des Pro-
grammsystems in Visual Basic als Extension für ArcView 8.1.

Das Forschungsprojekt wurde in 11 Arbeitspakete unterteilt. Sie enthalten die nachfolgend beschrie-
benen thematischen Arbeitsbereiche.
Weiterentwicklung der Umweltbeobachtung im Freistaat Sachsen
mittels hochauflösender Satellitenbilddaten
AP 0000 -
Projektmanagement
HUGIN GmbH
Abstimmung mit AG
Koordination aller
Partner und
APs
Organisation
monatlicher
Arbeitstreffen
Berichte
Präsentations -
material
Kostenkontrolle
AP 5000 –
Begleitende
Felduntersuchungen
BIUG
AP 6000 –
Vergleichende
Untersuchungen
HUGIN GmbH
AP 4000 –
Klassifizierung Ikonos
HUGIN GmbH
AP 3000 –
Klassifizierung IRS
HUGIN GmbH
AP 2000 –
Datenbeschaffung und
Aufbereitung
HUGIN GmbH
AP 1000 – Wiss- techn .
Studie
TU Dresden
Machbarkeits-
untersuchung
Wissenschaftliche
Begleitung
Studie Daten-
sicherheit
AP 7000 –
Flächenscharfe
Abgrenzung
HUGIN GmbH
AP 8000 – Aufbau
Datenbank
RDS
AP 9000 – Aufbau
Programmsystem
HUGIN GmbH
AP 10000 – Interaktiver
Datenbrowser
HUGIN GmbH
AP 11000 – Übergabe
und Installation
HUGIN GmbH
Weiterentwicklung der Umweltbeobachtung im Freistaat Sachsen
mittels hochauflösender Satellitenbilddaten
AP 0000 -
Projektmanagement
HUGIN GmbH
Abstimmung mit AG
Koordination aller
Partner und
APs
Organisation
monatlicher
Arbeitstreffen
Berichte
Präsentations -
material
Kostenkontrolle
AP 5000 –
Begleitende
Felduntersuchungen
BIUG
AP 6000 –
Vergleichende
Untersuchungen
HUGIN GmbH
AP 4000 –
Klassifizierung Ikonos
HUGIN GmbH
AP 3000 –
Klassifizierung IRS
HUGIN GmbH
AP 2000 –
Datenbeschaffung und
Aufbereitung
HUGIN GmbH
AP 1000 – Wiss- techn .
Studie
TU Dresden
Machbarkeits-
untersuchung
Wissenschaftliche
Begleitung
Studie Daten-
sicherheit
AP 7000 –
Flächenscharfe
Abgrenzung
HUGIN GmbH
AP 8000 – Aufbau
Datenbank
RDS
AP 9000 – Aufbau
Programmsystem
HUGIN GmbH
AP 10000 – Interaktiver
Datenbrowser
HUGIN GmbH
AP 11000 – Übergabe
und Installation
HUGIN GmbH

12
2 Stand der Forschung Teil A: Machbarkeitsstudie
Dieser Teil des Endberichtes enthält eine wissenschaftliche Machbarkeitsstudie, erstellt durch den Un-
terauftragnehmer TU Dresden (AP1000).
2.1 Einleitung und Grundlagen der Fernerkundung
2.1.1 Einleitung
Im Verlauf des vorliegenden Projektes wurde eine Machbarkeitsstudie für die zu erfassenden Klassen
erstellt. Ziel war es, die Klassen daraufhin zu untersuchen, inwieweit sie aus Fernerkundungsdaten
sinnvoll und in ausreichender Qualität zu erfassen sind. Aufgrund dieser Machbarkeitsstudie und der
daraus gewonnenen Erfahrungen war es möglich die ursprünglich geforderten Klassen zu modifizie-
ren.
Tabelle 1: Ursprüngliche Objektarten der drei Levels
Level1
Level2
Level3
IRS-1C
IRS-1C
IKONOS / Quickbird
100
110
Besiedelte Fläche innerorts
111
Engräumige bis geschlossene Bebauung
Siedlungs-
fläche
112
Mischbebauung Wohnen / Gewerbe u.a.
113
Weiträumige bis aufgelockerte Bebauung
von 5-7 Geschossen
114 Weiträumige Villenstadtteile
115 Wohnblocks / Plattenbauten
116 Vorortbebauung
117 Gewerbegebiete, Industriegebiete
118 Restfläche L3 innerorts
120
Besiedelte Fläche außerorts
121
Einzelhäuser
122 Straßendorf
123 Haufendorf
124 Restfläche L3 außerorts
200 Verkehrsfläche
201 Fahrbahn
202 Weg
203 Parkplatz
204 Bahn
205 Flughafen/ -platz
206 Restfläche L3 Verkehr
300 310 Ackerland
Landwirt-
schaftsfläche
320 Grünland
330 Mischwald
400 410 Laubwald
420 Nadelwald
Wald-, Forst-
und Gehölz-
fläche
430
Restfläche L2 Wald-, Forst und
Gehölz
500 Wasserfläche 510 Fließgewässer
520 Standgewässer
530
Restfläche L2 Wasser
600 Restfläche L1 610
Rohstoffabbau sowie Ver- und
Entsorgung
620 Restfläche L2
Im Folgenden werden, nach einer kurzen Erläuterung von Grundlagen der Fernerkundung, die ur-
sprünglich im Objektartenkatalog aufgeführten Klassen der drei Levels (s. Tabelle 1) untersucht. Dabei

image
13
werden die Klassen von Level1 und 2 und die Klassen von Level3 getrennt behandelt, da letztere Sa-
tellitendaten höchster Auflösung voraussetzen.
2.2 Grundlagen der Fernerkundung
2.2.1 Auflösung von Fernerkundungsdaten
Die Qualität und Eignung von Fernerkundungsdaten kann nach zwei Gesichtspunkten eingeschätzt
werden: nach der geometrischen und der spektralen Auflösung. Bei digitalen Fernerkundungsdaten
gibt die
geometrische Auflösung die Größe des Einzelpixels in Metern an. Sie ist ein wichtiger Faktor
für die Erkennbarkeit eines Objektes in einem Satellitenbild. Allerdings hängt die Erkennbarkeit in gro-
ßem Maße auch vom ursprüngliche IFOV (Instantaneous Field of View, d.h. das momentane Gesichts-
feld des Aufnahmesystems) und von der Eigenschaft des betrachteten Objektes selbst ab, z.B. vom
Helligkeits- und Farbkontrast des Objektes zu seiner direkten Umgebung. Ein Beispiel findet sich in
Abbildung 1: Die neu gebauten hellen Straßenzüge im linken Bereich des Bildes sind im panchromati-
schen Band des IRS-Satelliten erkennbar, während die Straßen im bebauten rechten Teil des Bildes
aufgrund des fehlenden Kontrastes wesentlich schwerer zu erkennen sind (vgl. A
LBERTZ, 2001:84ff).
Abbildung 1: Erkennbarkeit eines Objektes
Die Erkennbarkeit eines Objektes hängt stark vom Kontrast zu
den Nachbarobjekten ab (IRS-Pan-Ausschnitt, Bereich Dresden-
Kaditz)
Einen ebenfalls großen Einfluss auf die Erkennbarkeit von Objekten hat die
spektrale Auflösung der
Fernerkundungsdaten (H
ILDEBRANDT, 1996:438). Die spektrale Auflösung ist abhängig von der Anzahl
an Spektralbändern und deren Bandbreite. Die Bandbreite gibt an, innerhalb welches Bereiches des
Spektrums der Sensor empfindlich ist. Beim IKONOS-Sensor beispielsweise gibt es drei Bänder, die
den drei für den Menschen sichtbaren Bereichen Rot, Grün und Blau entsprechen. Zusätzlich besitzt er
ein Band, das im nahen Infrarot empfindlich ist. Hyperspektrale Sensoren besitzen dagegen eine
Mehrzahl an Bändern, die eine schmale Bandbreite aufweisen. In der folgenden Tabelle wird anhand
des Satellitensystems Landsat gezeigt, in welchen Spektralbereichen welche Objekte erkannt werden
können.

14
Tabelle 2: Hauptanwendungsgebiete der Spektralbänder (verändert nach Kronberg, 1985:127)
Spektral-
bereich
Spektrale
Auflösung [μm]
Hauptanwendungsgebiete
Satellitensysteme
(Beispiele)
Blau 0,40 - 0,50
Differenzierung von Wasser (z.B. Sedimenttransport in
Seen oder küstennahen Meeresbereichen)
Landsat
Grün
0,50 - 0,60
Ermittlung der Pflanzenvitalität (Reflexionspeak der
grünen Vegetation bei 550 nm);
IRS-1C, Landsat, SPOT,
ASTER
Rot 0,60 - 0,70
Differenzierung von Pflanzenarten (maximale Chloro-
phyllabsorption)
IRS-1C, Landsat, SPOT,
ASTER
nahes Infra-
rot
0,76 - 0,90
Vegetationsdichte und Pflanzenvitalität, Trennung von
Wasser und Land
IRS-1C, Landsat, SPOT,
ASTER
mittleres Inf-
rarot
1,55 - 1,75
Wassergehalt von Pflanzen und Böden, Differenzierung
von Schnee, Eis und Wolken, geologische Kartierungen
und Bestandsaufnahmen, scharfe Trennung innerhalb
der Siedlungsbereiche
IRS-1C, Landsat, SPOT,
ASTER
mittleres Inf-
rarot
2,08 - 2,35
Mineraldiagnose (Absorptionsbänder von Schichtsilika-
ten und Carbonaten)
Landsat
thermales
Infrarot
10,40 - 12,50
Thermalkartierungen (flächenhafte Verteilung der Ober-
flächentemperatur), Unterschiede in der Bodenfeuchte
Landsat
2.2.2 Synthetische Kanäle
Neben den vom Satelliten aufgenommenen Spektral-Bändern können für eine Klassifikation auch syn-
thetische Kanäle verwendet werden. Diese werden aus den originalen Spektral-Bändern berechnet
und verbessern die Informationsextraktion.
Der
Normalised Difference Vegetation Index (NDVI) wird aus den aufgenommenen Rot- und Nahen
Infrarot-Kanälen berechnet. Durch die Normierung kommen nur Werte von -1 bis 1 vor. Es werden
störende Einflüsse der Beleuchtungsverhältnisse und Geländeneigung zum Großteil kompensiert. Der
NDVI findet vor allem bei Vegetationskartierungen verbreitet Verwendung. Aus dem NDVI können
Aussagen über die Vitalität der Vegetation gewonnen werden (vgl. B
UCHROITHNER, 1989; GIERLOFF-
E
MDEN, 1989; ALBERTZ, 2001).
nIR R
nIR R
NDVI
+
=
Texturkanäle bilden ein Maß für die Homogenität bzw. die Heterogenität einer Fläche. Dabei wird für
jedes Pixel eine Berechnung durchgeführt, welche die Nachbarpixel einschließt. Es können unter-
schiedliche Algorithmen zum Einsatz kommen, die in ihrer Komplexität variieren. Es können bspw.
Texturfilter zur Anwendung kommen, die richtungsabhängig oder richtungsunabhängig Texturwerte
bestimmen. Ein hoher Texturwert stellt eine sehr heterogene, ein kleiner Wert eine homogene Umge-
bung dar.
2.2.3 Klassifikationsansätze
2.2.3.1 Pixelbasierte Klassifikationsansätze
Maximum-Likelihood-Klassifikation (Verfahren der größten Wahrscheinlichkeit): Bei der „überwachten“
Maximum-Likelihood-Klassifikation müssen in einem ersten Schritt Trainingsgebiete für jede zu klassi-
fizierende Klasse erhoben werden. Dabei ist zu beachten, dass diese Gebiete homogen sind und keine
anderen Klassen vorkommen, weil dadurch die Statistiken verfälscht würden. Für jedes dieser Gebiete

15
werden im Folgenden statistische Werte (Mittelwert und Standardabweichung) ermittelt. Diese werden
in der nachfolgenden Klassifizierung als Maß für die Zuweisung eines Pixels zu einer bestimmten Klas-
se verwendet. Die Zuweisung erfolgt in einem n-dimensionalen Raum, wobei n die Anzahl der zur Ver-
fügung stehenden multispektralen Bänder des Aufnahmesystems ist. Im Folgenden soll die Vorge-
hensweise anhand eines Beispiels für ein aus 2 Bändern bestehendes Aufnahmesystem erklärt wer-
den. Für zwei Klassen A und B sind in Abbildung 2 die Werte aller in den Trainingsgebieten vorkom-
menden Pixelwerte aufgetragen (x-Achse entspricht Band 1 und y-Achse entspricht Band 2). Diese
Klassen bilden eine Clusterwolke. Die um diese Wolken gezeichneten Ellipsen stellen die berechneten
statistischen Werte dar. Den Mittelpunkt der Ellipse bildet der Mittelwert und die Größe der Ellipse
hängt von der Standardabweichung der Clusterwolke ab. Aufgezeichnet sind die Ellipsen für die ein-
(a1, b1), zwei- (a2, b2) und dreifache (a3, b3) Standardabweichung. Ein zu klassifizierender Punkt P
mit dem Wert Px in Band 1 und Wert Py in Band 2 wird nun der Klasse zugewiesen, zu der der Ab-
stand in Abhängigkeit von der Standardabweichung am geringsten ist. Der Punkt liegt innerhalb der
dreifachen Standardabweichung der Klasse B und außerhalb der dreifachen Standardabweichung der
Klasse A, somit wird dieser Pixel der Klasse B zugewiesen (vgl. u.a. B
UCHROITHNER, 1989; HILDEBRANDT,
1996; A
LBERTZ, 2001)
A
B
a1
a2
a3
b1
b2
b3
P
Py
Px
x
y
Abbildung 2: Maximum-Likelihood-Klassifikation
Zuweisung der Pixels P zur Klasse B, aufgrund
der höheren Wahrscheinlichkeit
Schwellwertverfahren: Schwellwertverfahren bilden eine einfache Methode zur Unterscheidung ver-
schiedener Klassen. Dabei wird für ein geeignetes Spektralband ein Wert bestimmt, unter dem alle
Werte zu der einen und alle Werte darüber zu einer anderen Klasse gehören. So kann beispielsweise
aus dem NDVI-Kanal eine Vegetations- und Nicht-Vegetationsmaske erstellt werden. Dieses Verfahren
wurde ursprünglich als „Level slicing“ bezeichnet.
2.2.3.2 Erweiterungen der pixelweisen Klassifikationsansätze
Klassifikation unter Berücksichtigung von Zusatzdaten: Zusätzlich zu den spektralen können bei einer
Klassifikation auch andere Informationen verwendet werden. Dazu zählen beispielsweise synthetische
Kanäle, die aus den Spektralbändern berechnet werden (bspw. Texturkanäle und der Normalized Dif-
ference Vegetation Index (NDVI)) oder Digitale Geländemodelle.
Nachbereitung der Klassifikation mit GIS-Funktionen (Nachbarschaftsbeziehung): über Nachbar-
schaftsbeziehungen und Dichtewertberechnung können Nutzungsklassen abgeleitet werden, die aus
mehreren Bodenbedeckungstypen bestehen.
Einbeziehung anderer Vektor- oder Rasterlayer: Klassen die aufgrund der geometrischen Genauigkeit
nicht oder nur unzureichend erfasst werden können, können aus anderen Informationsquellen in das

16
Klassifikationsergebnis eingebunden werden. Zu diesen Klassen gehören vor allem lineare Elemente
wie etwa Straßen und Flüsse. Diese können aus ATKIS-Daten gewonnen werden. Vor allem die sich
schnell verändernden Straßen werden in ATKIS (zum Teil heute schon) mit einer Spitzenaktualität
1
er-
fasst (Aktualisierungsfristen von 3,6,12 Monaten; H
OLOMEK, 2002).
2.2.3.3 Objektorientierte Klassifikationsansätze
Beim objektorientierten Ansatz werden in einem ersten Schritt benachbarte Pixel zu einem Objekt zu-
sammengefasst, wenn sie bestimmte Voraussetzungen in Bezug auf Homogenität erfüllen. Zu diesen
Homogenitätskriterien können verschiedene Parameter herangezogen werden wie z.B. Farbe, Form,
Textur und Größe einer Fläche. Durch diesen Bearbeitungsschritt wird ein Bild in mehrere Segmente
unterteilt. Im nachfolgenden Schritt werden diesen Segmenten Klassen zugewiesen. Diese Zuweisung
kann über fuzzy logic basierte Funktionen oder über Maximum Likelihood Klassifikation erfolgen. Wer-
den mehrere Segmentierungen mit unterschiedlichen Parameterwerten erstellt, können semantische
Netze erstellt werden, die Zuweisungen aufgrund hierarchischer Beziehungen eines Objektes zu sei-
nen übergeordneten und untergeordneten Klassen ermöglicht. Ebenso kommen Nachbarschafts-
beziehungen zwischen angrenzenden Klassen zur Geltung.
Durch die Segmentbildung wird eine Klassifikation von Einzelpixeln, der so genannte „Salz-und-Pfeffer-
Effekt“, vermieden. Gerade bei hochauflösenden Bilddaten im Ein-Meter-Bereich ist diese Segmentbil-
dung entscheidend für ein qualitativ hochwertiges Ergebnis. In diesen Daten setzen sich Objekte (z.B.
ein Haus) aus mehreren Einzelpixeln zusammen. Da sich diese Einzelpixel oft nicht durch einen ein-
heitlichen Grauwert ausweisen (z.B. bei Auftreten verschiedener Dachmaterialien), würde bei eine pi-
xelorientierten Klassifikation dieses Objekt in mehrere Einzelklassen aufgeteilt. Allerdings weisen diese
Objekte andere Eigenschaften auf wie die Form. Da bei der objektorientierten Klassifikation mehrere
Pixel zusammenfassend analysiert werden, kann die Eigenschaft der Form berücksichtigt werden und
in die Zuweisungsprozess aufgenommen werden. (Vgl. B
AATZ et al., 2000; MEINEL et al., 2001, KÜHN,
2002)
2.2.3.4 Manuelle Klassifikation
Die visuelle Interpretation wird nach ALBERTZ (2001) in zwei Stufen unterteilt. In der ersten Stufe geht
es um das Erkennen von Objekten. Die zweite Stufe stellt das eigentliche Interpretieren dar. Aufgrund
der erkannten Objekte müssen Schlussfolgerungen gezogen werden, bei denen Vorkenntnisse voraus-
gesetzt werden. Faktoren, die das Erkennen beeinflussen, sind nach A
LBERTZ 2001): die Helligkeit der
Fläche, der Farbton und die Farbsättigung, die Form und Größe der Objekte, die Textur der Oberflä-
che und die relative Lage von Objekten.
Bei der visuellen Interpretation durch den Menschen werden die Objekte nicht als Einzelpixel wahrge-
nommen, sondern der Interpret betrachtet das gesamte zusammenhängende Objekt und kann auf-
grund seiner Erfahrungen diese Objekte erkennen und zuordnen. Bei der Auswertung wird ebenfalls
die Umgebung einer Fläche mit einbezogen, so dass bestimmte Klassen ausgeschlossen werden kön-
nen. Entscheidenden Einfluss auf das Interpretationsergebnis hat die Ortskenntnis des Interpreten.
1
In Sachsen wird eine Spitzenaktualität von < 1 Jahr angestrebt (Quelle: LANDESVERMESSUNGSAMT SACHSEN [1]).

17
2.2.3.5 Vergleich Landbedeckung und Landnutzung
Werden Daten aus Fernerkundungsdaten erhoben, muss beachtet werden, dass aus dem spektralen
Signal Rückschlüsse auf die Landbedeckung (Land Cover), d.h. das Oberflächenmaterial der Erde z.B.
Wasserflächen oder Bebauung, gewonnen werden. Die Landnutzung dagegen bezieht sich auf die
Funktion für den Menschen. Eine Landnutzungsklasse kann sich aus mehreren verschiedenen Landbe-
deckungsklassen zusammensetzen. Ein Wohngebiet ist eine Nutzungsklasse des Menschen. Sie setzt
sich aus mehreren Landbedeckungsklassen zusammen, z.B. Bebauung, Bäume, Wiesen. Werden aus
einem Fernerkundungsbild verschiedene Bedeckungsklassen erfasst, können durch Vergleich der
Nachbarschaft zwischen den Klassen, der Größe der einzelnen Klassen und der Zusammensetzung
verschiedener Klassen innerhalb einer Bezugsfläche, Rückschlüsse auf eine Nutzung gezogen werden.
Die Nutzungsklasse Wohngebiet kann innerhalb einer Landbedeckungsklassifikation folgende Klassen
aufweisen: kleine versiegelte Flächen mit benachbarten Wiesen, Bäumen, die Anschluss ans Straßen-
netz besitzen.
2.3 Machbarkeitsstudie zur Level1- und Level2-Klassifikation
2.3.1 Beispielsatelliten
Für eine landesweite, flächendeckende Klassifikation bieten sich Fernerkundungsdaten mit einer Auflö-
sung von 10-30 Metern im Multispektralbereich und von 5 Metern im Panchromatischen an. Damit ist
gewährleistet, dass eine Gesamtabdeckung mit einer überschaubaren Anzahl an Szenen erreicht wird
und die Daten insgesamt eine handhabbare Datengröße besitzen.
In der folgenden Tabelle werden Beispielssatelliten aufgeführt, die derzeit beziehbar sind und die ge-
forderten Eigenschaften erfüllen.
Tabelle 3: Beispielsatelliten mit den spektralen Eigenschaften im sichtbaren und Infrarot-Bereich
Multispektral
Satellitensystem
Geometrische
Spektrale Auflösung [μm]
Auflösung [m]
Blau
Grün
Rot
NIR
SWIR
IRS-1C (LISS)
1)
23
0,52-0,59 0,62-0,68 0,77-0,86 1,55-1,70
Landsat 7
2)
30
0,45-0,52 0,52-0,60 0,63-0,69 0,76-0,90 1,55-1,75
SPOT 5 (XS)
3)
10
0,50-0,59 0,61-0,68 0,78-0,89 1,58-1,75
ASTER
4)
15
0,52-0,60 0,63-0,69 0,76-0,86
30
1,60-1,70
ALOS
5)
10
0,42-0,50 0,52-0,60 0,61-0,69 0,76-0,89
Panchromatisch
Satellitensystem
Geometrische
Auflösung [m]
Spektrale Auflösung [μm]
IRS-1C (PAN)
1)
5 0,50-0,75
SPOT 5 (PAN)
3)
2,5 0,48-0,71
ALOS
5)
2,5 0,52-0,77
1)
Quelle: EURIMAGE,
2)
Quelle: LANDSAT,
3)
Quelle: SPOT IMAGE [1],
4)
Quelle: ASTER,
5)
Quelle:
N
ASDA, Start: Sommer 2004

18
2.4 Landnutzungsklassen
2.4.1 Siedlungsflächen (100)
Im panchromatischen Band können z. T. auch Einzelgebäude manuell erkannt werden, wodurch sich
Aussagen über die Struktur der Bebauung machen lassen. Siedlungsflächen weisen im panchromati-
schen Bereich eine hohe Textur auf, wodurch sie sich von anderen Klassen abheben. Diese kann ver-
wendet werden, um automatisch eine Siedlungsmaske zu erstellen, dabei ist eine manuelle Überarbei-
tung erforderlich, um Fehlklassifikationen auszuschließen. Im Multispektralbereich können Siedlungs-
flächen aufgrund ihrer geringen Reflexion im Infrarotbereich von anderen Klassen unterschieden wer-
den. Durch die geringere geometrische Auflösung können zumeist keine Einzelgebäude erfasst wer-
den. Bei kleinen Gebäudeflächen entstehen dabei Mischpixel, die z.B. aus Gebäuden und angrenzen-
der Vegetation bestehen. Bei unterschiedlichem Anteil von Gebäuden und Vegetation innerhalb eines
Pixels ändert sich das Reflexionsverhalten und es lassen sich aus dem Spektralwert Rückschlüsse auf
diese Zusammensetzung ziehen. Daher lassen sich z.B. Siedlungen mit geringem Vegetationsanteil
und Siedlungen mit höherem Vegetationsanteil unterscheiden (dicht und locker bebaute Siedlungsbe-
reiche). Da allerdings innerhalb der Siedlungsflächen alle versiegelten Areale und nicht nur Gebäude
erkannt werden, kann zwischen einer geschlossenen Bebauung und einer Fläche mit Einzelhäusern,
bei der die Freiräume zum Großteil versiegelt sind (z.B. versiegelte PKW-Einfahrten), nicht unterschie-
den werden. Probleme kann es bei der Trennung zwischen Siedlungsbereichen und abgeernteten Ä-
ckern geben. Unter Einbeziehung der Textur aus dem panchromatischen Spektralband kann das Klas-
sifikationsergebnis verbessert werden. Durch einen kombinierten Einsatz aller Bänder im Klassifikati-
onsprozess kann die hohe geometrische Auflösung des PAN-Bandes und die hohe spektrale Auflösung
der Spektralbänder genutzt werden. Dieses kann bspw. durch Fusionierung der Bänder erfolgen oder
durch Segmentierung des panchromatischen Bandes und nachfolgende Informationsgewinnung für
jedes Segment aus den Spektralbändern.
2.4.1.1 Besiedelte Fläche innerorts (110), Besiedelte Fläche außerorts (120)
Eine Untergliederung der Siedlungsflächen in die Klassen „Besiedelte Fläche innerorts“ und „Besiedelte
Fläche außerorts“ kann mit Fernerkundungsdaten nicht eindeutig erfolgen.
Eine eindeutige Unterscheidung kann nur erfolgen, wenn externe Vektordaten verschnitten werden,
die eine Abgrenzung der beiden Klassen enthalten. Evtl. kann hierfür die ATKIS-Objektart 2101 „Orts-
lage“ verwendet werden, die als „im Zusammenhang bebaute Fläche mit einer Ausdehnung von min-
destens etwa 10 ha oder 10 Anwesen“ definiert wird (A
DV, 2001).
In Anlehnung an diese Definition kann eine Unterscheidung aus dem Klassifikationsergebnisses durch
eine Nachbearbeitung mit GIS-Funktionen durchgeführt werden. Bei einer Größendifferenzierung ist
dabei zu beachten, dass Siedlungsflächen die nah beieinander liegen im Zusammenhang betrachtet
werden sollten. Dieses ist der Fall bei Siedlungen, die durch Grünflächen in Einzelflächen zerschnitten
werden, aber eine Einheit bilden, und im Klassifikationsergebnis als Einzelflächen erfasst werden.
Gebiete, die größer als ein Schwellwert sind, können als „innerorts“ angesehen werden, während an-
dere kleinere Bereiche als „außerorts“ klassifiziert werden.
2.4.2 Verkehrsfläche (200)
Bei einer Klassifikation der Spektralkanäle sind Verkehrsflächen in der Regel nicht erkennbar, da die
geometrische Auflösung zu gering ist. Große Verkehrsflächen (Flughäfen, Autobahnen) können er-

image
image
19
kannt werden. Lineare Elemente werden oft nur in einzelnen Teilstücken erfasst. Bei Verkehrsflächen
wird generell nur der versiegelte Anteil klassifiziert, begrünte Seiten- und Trennstreifen werden nicht
erkannt. Neu gebaute Verkehrsflächen sind wegen der hohen Kontrastunterschiede zur Umgebung oft
besser erkennbar. Die Erfassung ist insgesamt nicht in der geforderten Qualität gewährleistet, eine
Einbindung von externen Vektordaten ist erforderlich.
Abbildung 3: Erkennbarkeit von Verkehrsflächen
Die Erkennbarkeit von Verkehrsflächen ist abhängig von ihrer
Größe und ihrem Kontrast zu den Nachbarflächen. Große Flä-
chen wie die Landebahnen im östlichen Bildausschnitt sind gut
erkennbar. Bei linearen Verkehrswegen ist die Erkennbarkeit in
hohem Maße abhängig vom Kontrast.
Die im mittleren Bereich in nord-südlicher Richtung verlaufende Autobahn ist im Süden gut erkennbar
im Norden dagegen weniger gut. Straßen sind im bebauten Bereich nicht erkennbar, neu gebaute
Straßen (im nordwestlichen Bildausschnitt, sind dagegen gut erkennbar, wenn sie innerhalb von Wie-
sen verlaufen (IRS-LISS-Ausschnitt, Dresden Flughafen).
2.4.3 Landwirtschaftsfläche (300)
2.4.3.1 Ackerland (310)
Ackerland ist gekennzeichnet durch ein sich im Laufe eines Vegetationszyklusses ständig änderndes
spektrales Signal. Junges Getreide besitzt beispielsweise ein anderes Reflexionsverhalten als reifes Ge-
treide und dieses wieder ein anderes als abgeerntete Ackerflächen. Während sich reifes Getreide
spektral von anderen Klassen unterscheiden lässt, gibt es bei den anderen Zeitpunkten Probleme. So
sind frisches Getreide kaum von Grünland, und abgeerntete Ackerflächen kaum von versiegelten Flä-
chen zu unterscheiden. Da verschiedene Feldfrüchte zu unterschiedlichen Zeitpunkten gepflanzt und
geerntet werden, treten diese Problemfälle bei fast allen Aufnahmezeitpunkten auf. Um diese Verän-
derungen zu erkennen, müssen mehrere Aufnahmen eines Jahres verwendet werden (multitemporale
Klassifikation). Die Hinzunahme von Texturkanälen kann bei einer Aufnahme Abhilfe schaffen, da ab-
geerntete Felder im Gegensatz zu besiedelten Gebieten eine geringere Textur aufweisen.
Geht man von einer Mindestgröße der zu erfassenden Flächen von 10 ha aus, so kann die Klassifikati-
on ausschließlich in den Spektralbändern erfolgen, da in ihnen die Hauptinformation liegt und ihre ge-
ometrische Auflösung von 20-30 Metern ausreichen. Die im Randbereich der Flächen auftretenden
Mischpixel, die evtl. Fehlklassifikationen verursachen, können über nachfolgend durchzuführende
Nachbarschaftsanalysen bearbeitet werden und bspw. einer der benachbarten Klassen zugewiesen
werden.
Abbildung 4: Ackerland
Ackerland weist je nach Feldfrucht verschiedene spektrale Re-
flexionswerte auf. Abgeerntete Ackerflächen weisen eine ähnli-
che spektrale Signatur auf wie versiegelte Flächen, können aber
meist über die Textur unterschieden werden.
(IRS-LISS-Ausschnitt, südlich von Dresden)

20
2.4.3.2 Grünland (320)
Bei Grünland kann aufgrund der spektralen Eigenschaft im Infrarot-Bereich und im NDVI eine Unter-
scheidung zu anderen Klassen erfolgen. Probleme treten aufgrund der unterschiedlichen Einflussfakto-
ren auf: Bewirtschaftungsform (Intensiv-, Extensivgrünland, ausschließliche Weidenutzung), Wuchs-
bedingung (Boden, Wasserverfügbarkeit), Wuchshöhe (Schnittzeitpunkt) und ggf. Gehölzanteil. Des
Weiteren kann eine Abgrenzung zu Bereichen schwierig sein, die nicht als landwirtschaftliche Fläche
genutzt werden, den spektralen Eigenschaften nach allerdings dem Grünland entsprechen: bspw.
Kahlschlagflächen im Wald und Grünflächen in Parks, Gärten und Sportanlagen (vgl. P
RECHTEL et al.,
1994).
Geht man von einer Mindestgröße der zu erfassenden Flächen von 10 ha aus, so kann die Klassifikati-
on ausschließlich in den Spektralbändern erfolgen, da in ihnen die Hauptinformation liegt und ihre ge-
ometrische Auflösung von 20-30 Metern ausreichen. Die im Randbereich der Flächen auftretenden
Mischpixel, die evtl. Fehlklassifikationen verursachen, können über nachfolgend durchzuführende
Nachbarschaftsanalysen bearbeitet werden und bspw. einer der benachbarten Klassen zugewiesen
werden.
Probleme treten bei der Unterscheidung zu Ackerland auf. Ist zum Aufnahmezeitpunkt das Ackerland
mit jungem grünem Getreide bedeckt, kann eine eindeutige Unterscheidung zum Grünland mit einer
Aufnahme nicht erfolgen. Hierzu müssen mehrere Aufnahmen aus dem Vegetationszyklus genutzt
werden. Da Dauergrünland im gesamten Jahr spektral ähnliche Parameter aufweist, kann es von A-
ckerland unterschieden werden, welches innerhalb eines Jahres spektral großer Veränderungen auf-
weist: frisch gepflügt erscheint es als vegetationslos und junges Getreide wiederum besitzt ein ande-
res spektrales Reflexionsvermögen als reifes Getreide. Um diese Besonderheiten bei einer Klassifikati-
on zu berücksichtigen sollte ein multitemporaler Ansatz gewählt werden.
2.4.4 Wald-, Forst- und Gehölzfläche (400)
Wald-, Forst- und Gehölzflächen können aufgrund der spektralen Eigenschaften im Rot- und Infrarot-
Bereich von anderen Vegetationsflächen unterschieden werden. Bei einer lichten Bestockung kann es
zu Problemfällen bei der Differenzierung zu anderen Vegetationsflächen kommen, da die Reflexion des
Bodens überwiegt und das reflektierte Licht seine Eigenschaften verändert. Unterschieden werden
können Waldflächen nach dem Grad der Überschirmung. Für drei verschiedene Klassen können Ge-
nauigkeiten von über 95% erreicht werden (G
RANICA et al., 2000).
Bei der Erfassung von Flächen mit einzelnen Bäumen, Baumgruppen, Büschen, Hecken und Sträu-
chern kann es Probleme geben, da die einzeln stehenden Harthölzer in ihrer Ausdehnung meist unter
der geometrischen Auflösung der Satellitendaten liegen und so die anderen Bodenbedeckungstypen,
bspw. Wiesen, den Großteil des reflektierten Lichtes bilden.
Das Reflexionsverhalten von Wald-, Forst- und Gehölzflächen wird einerseits durch die Zusammenset-
zung aus Laub- oder Nadelwald bestimmt, andererseits haben auch andere Parameter einen großen
Einfluss: u.a. das Bestandsalter, der Bestandsaufbau, der Kronenschlussgrad, die Vitalität, der Tot-
holzanteil.
Bei einer Satellitenbildklassifikation werden Obstplantagen aufgrund ihrer spektralen Eigenschaft zu-
meist als Wald klassifiziert (bei hohem Wiesenanteil evtl. auch als Grünland). Ohne zusätzliche Infor-
mationen ist eine Unterscheidung zwischen Obstplantagen und Wald und damit eine Zuweisung von
Obstplantagen zu Landwirtschaftsfläche nicht möglich (vgl. P
RECHTEL et al., 1994).

21
2.4.4.1 Laubwald (410), Nadelwald (420), Mischwald (430)
Laub- und Nadelwald lassen sich aufgrund der spektralen Unterschiede im Infrarot-Bereich (siehe Ab-
bildung 5) unterscheiden. Eine Differenzierung ist auch nach verschiedenen Baumarten möglich
(G
RANICA et al., 2000). Da in Satellitenbildern mit der angegebenen geometrischen Auflösung keine
Einzelbäume erkennbar sind, kommt es bei Beständen mit Laub- und Nadelwald zu folgendem Effekt:
innerhalb eines Pixels können sowohl Laub- als auch Nadelbäume vorkommen. Dadurch ändert sich
das spektrale Signal und es kann keine eindeutige Zuordnung zu Laub- oder Nadelwald erfolgen. Die-
se Bereiche werden meist der Klasse „Mischwald“ zugewiesen. Für die Abgrenzung der Klassen
„Laubwald“ und „Nadelwald“ müssen Grenzwerte definiert werden, die angeben, wie groß der Anteil
am jeweiligen Typ sein muss, damit der Bestand als „reiner“ Laubwald oder Nadelwald klassifiziert
wird. Werden wie im vorliegenden Projekt die Schwellwerte bei 90% gesetzt, werden fast „reine“
Laub- und Nadelwälder ausgewiesen. Alle Bereiche, die unterhalb dieses Schwellwertes liegen, stellen
somit „Mischwald“ dar. Somit ist diese Klasse sehr groß und stellt im Prinzip eine Rückweisungsklasse
dar, die Bereiche enthält, die Wald sind, allerdings weder der Klasse Laub- noch Nadelwald zugeord-
net sind. Bei der Verwendung der Klassifikation sollte der Nutzer sich dieser Eigenschaft bewusst sein,
da 70%iger Nadelwald andere Eigenschaften haben kann als 70%iger Laubwald.
0,4
0,5
0,6
0,7
0,8
0,9
0
10
20
50
40
30
Wellenlänge [μm]
Laubwald
Blau
Grün
Rot
Nahes Infrarot
Nadelwald
Abbildung 5: Reflexion Laubwald / Nadelwald
Reflexionsgrad von Laub- und Nadelwald im
sichtbaren und nahen Infrarot-Bereich. Im
nahen Infrarot können die beiden Klassen
aufgrund des unterschiedlichen Reflexions-
grades unterschieden werden (verändert
nach K
ALENSKY et al., 1975 aus LILLESAND et
al., 2000)
2.4.5 Wasserfläche (500)
Wasserflächen wirken im sichtbaren und im Infrarot-Bereich wie Spiegelflächen. Das einfallende Licht
wird an ihnen zum Großteil gerichtet reflektiert. Liegt der Satellitensensor nicht innerhalb dieses re-
flektierten Lichtkegels, gelangt zu ihm daher nur ein geringer Anteil des reflektierten Lichtes. Daher
werden Gewässerflächen in der Regel als dunkle Flächen wiedergegeben. Ausnahmen bilden rauhe
Wasserflächen (Wellengang) und die seichten Uferbereiche bei denen der Gewässeruntergrund das
spektrale Signal mit beeinflusst. Im Uferbereich kann es daher zu Problemen bei der Abgrenzung zu

image
22
den Nachbarflächen kommen. Weitere Ausnahmen bilden Gewässer, die einen starken Schilf- oder
Wasserpflanzenanteil und daher ein anderes Reflexionsverhalten aufweisen.
Bei einer Klassifikation können nur Flächen als Wasser erkannt werden, die zum Zeitpunkt der Auf-
nahme mit Wasser bedeckt sind. Probleme wird es daher beim Erkennen von Flächen geben, die nur
zeitweilig mit Wasser bedeckt sind.
Zur Klasse der Wasserflächen werden laut Definition auch Bereiche gezählt, die nicht von Wasser be-
deckt sind, wie beispielsweise Böschungen und Uferbefestigungen. Diese Bereiche können nicht au-
tomatisch klassifiziert werden. In Satellitendaten mit den angegebenen Auflösungen sind diese Berei-
che wegen der geringen Ausdehnung meist nicht erkennbar. In höher aufgelösten Daten können diese
Bereiche aufgrund ihrer Nachbarschaft zu den Gewässern erkannt werden und diesen zugeordnet
werden.
In einer Satellitenaufnahme kann es vorkommen, dass die Wasserflächen zum Teil von anderen Ob-
jekten verdeckt werden, so dass nicht das Wasser sondern statt dessen diese Objekte erkannt wer-
den. Dazu zählen Brücken und überhängende Bäume aber auch Schiffe. In einigen Fällen sind diese
Objekte zu klein, um erkannt zu werden, aber sie können den reflektierten Spektralwert derart verän-
dern, dass das Pixel nicht mehr als Wasser klassifiziert wird.
Abbildung 6: Reflexion Gewässer
Wasserflächen erscheinen in Satellitenbildern in der Regel als
dunkle Flächen mit geringer Rückstrahlung (IRS-LISS-
Ausschnitt, Dresden Alberthafen, Ostragehege).
2.4.5.1 Fließgewässer (510), Standgewässer (520)
Aus statischen Bildern lassen sich dynamische Parameter wie die Fließrichtung nicht ableiten. Eine Un-
terscheidung zwischen Fließ- und Standgewässern ist somit nicht eindeutig möglich.
Ausschließlich über die Form lassen sich Stand- und Fließgewässer nicht eindeutig trennen. Fließge-
wässer, die aus dem Bild erfasst werden können, zeichnen sich überwiegend durch eine lange und
schmale Form aus. Über einfache Formparameter (z.B. Verhältnis von Fläche zu Umfang) lassen sich
linienförmige Flächen von kompakten trennen. Allerdings treten hierbei einige Problembereiche auf:
Wenn kompakte und linienförmige Flächen zusammenhängen, ist eine Trennung nur bedingt möglich;
wenn aufgrund der geometrischen Auflösung oder überhängender Bäume schmale linienförmige Flä-
chen (kleinere Flussläufe), aber auch breite Flüsse, die durch viele Brücken unterteilt sind, nicht zu-
sammenhängend erfasst werden, sondern als gerissene Linie, werden die Teilflächen über die Form-
parameter evtl. als Standgewässer erkannt; wenn Fließgewässer und Standgewässer ähnliche Formen
aufweisen, ist eine Unterscheidung automatisch kaum möglich (z.B. schmale, lang gestreckte Seen).
Eine genauere, aber nicht ausreichende Unterscheidung lässt sich visuell durchführen. Bei geeignetem
Wissen des Interpreten können die Klassen aufgrund der Form, des Reliefs und der Umgebung unter-
schieden werden. Dieses wäre allerdings mit einem hohen zeitlichen Aufwand verbunden.
Eine geeignete Verfahrensweise wäre die nachfolgende Einbeziehung der Flüsse aus anderen Vektor-
informationen (z.B. ATKIS).

23
2.5 Machbarkeitsstudie zur Level3-Klassifikation
2.5.1 Beispielsatelliten
Für die Level3-Klassifikation, die differenziertere Klassen aufweist, werden Satellitenaufnahmen mit
einer höheren geometrischen Auflösung benötigt. Da diese Aufnahmen einen erheblich größeren Da-
tenumfang besitzen, ist eine landesweite automatische Klassifikation sehr rechenaufwändig. Beispiel-
satelliten mit einer Auflösung im Meterbereich sind in der folgenden Tabelle aufgelistet.
Tabelle 4: Beispielsatelliten mit den spektralen Eigenschaften im sichtbaren und Infrarot-Bereich
Multispektral
Satellitensystem
Geometrische
Spektrale Auflösung [μm]
Auflösung [m]
Blau
Grün
Rot
NIR
IKONOS
1)
4
0,45-0,52 0,51-0,60 0,63-0,70 0,76-0,85
Quickbird
2)
2,44-2,88
0,45-0,52 0,52-0,60 0,63-0,69 0,76-0,90
Orbview-3
3)
4
0,45-0,52 0,52-0,60 0,63-0,70 0,76-0,90
Panchromatisch
Satellitensystem
Geometrische
Auflösung [m]
Spektrale Auflösung [μm]
IKONOS
1)
1 0,45-0,90
Quickbird
2)
0,61-0,72 0,45-0,90
Orbview-3
3)
1 0,45-0,90
EROS A
4)
1,80 0,45-0,90
1)
Quelle: SPACE IMAGING,
2)
Quelle: DIGITALGLOBE,
3)
Quelle: ORBIMAGE,
4)
Quelle: IMAGESAT
2.5.2 Landnutzungsklassen
2.5.2.1 Siedlungsfläche (100)
Ansatz zur automatischen Extraktion verschiedener Siedlungstypen: Zur Detektion von Siedlungsflä-
chen können in einem ersten Schritt verschiedene Landbedeckungstypen klassifiziert werden (z.B.
verbaute Bereiche, Asphalt, Schotter, vgl. S
TEINOCHER et al., 2001). Diese können über Nachbar-
schaftsbeziehungen entsprechend einem Regelwerk zu verschiedenen Siedlungsklassen zusammenge-
fasst werden. Das Regelwerk kann Angaben zur Größe der einzelnen Objekte und zur Zusammenset-
zung verschiedener Landbedeckungstypen enthalten. Hierfür ist es wichtig, Bezugsflächen zu definie-
ren innerhalb derer die prozentualen Zusammensetzungen bestimmt werden. Als Bezugsflächen kön-
nen bspw. Wohnblocks genommen werden. Die Modellierung solcher Regeln ist im Allgemeinen als
sehr arbeitsintensiv einzuschätzen. Neben der programmtechnischen Umsetzung ist die Definition der
Regeln entscheidend für die Qualität des Ergebnisses. Die Regeln müssen so gegeben sein, dass eine
eindeutige Zuweisung zu einer der Klassen gegeben ist.
Im Gegensatz zu einer manuellen Erfassung besteht der Vorteil, dass ein Ergebnis immer reproduzier-
bar ist und nicht nach subjektivem Eindruck des Interpreten klassifiziert wird. Bei einer Klassifikation
von verbauten Bereichen sind Genauigkeiten von 90% und besser möglich (M
EINEL et al., 2001a).
Probleme treten aufgrund unterschiedlicher Dachmaterialien und Besonnungssituationen in Abhängig-

image
24
keit von der Gebäudeausrichtung auf. Um Fehlereinflüsse von Verkehrsflächen, die zum Teil nicht ein-
deutig von Häusern getrennt werden können, zu vermeiden, ist es ratsam, diese aus externen Vektor-
daten einzuspielen (vgl. M
EINEL et al., 2001a, STEINOCHER et al., 2001).
Manuelle Klassifikation: Siedlungsflächen können in Fernerkundungsdaten im Meterbereich, die auch
im Infrarot empfindlich sind, sehr gut erkannt werden. Nur einzelne Details können nicht erkannt wer-
den (vgl. J
ACOBSEN, 2003), so dass ein Großteil der Einzelgebäude und anderer Bodenbedeckungsklas-
sen im Siedlungsbereich interpretiert werden können. Zur Ableitung der im Folgenden beschriebenen
Klassen müssen genaue Regeln über die Verteilung, die räumliche Struktur und Zusammensetzung der
einzelnen Bodenbedeckungstypen gegeben werden.
2.5.2.2 Besiedelte Fläche innerorts (110)
Engräumige bis geschlossene Bebauung (111)
Aus Fernerkundungsdaten ist eine Ableitung dieser Klasse möglich, da alle entscheidenden Parameter
erfasst werden können. Aufgrund der räumlichen Verteilung der Gebäude kann ein typisches Muster
(geschlossene Häuserzeilen) interpretiert werden.
Ansatz zur automatischen Extraktion: Werden innerhalb einer Klassifikation Einzelgebäude erfasst,
kann ein Regelwerk aufgestellt werden, welches diese Klasse nach Zusammensetzung verschiedener
Landbedeckungstypen und Größenparametern definiert.
Eine Ableitung der Klasse „Engräumige bis geschlossene Bebauung“ lässt sich aus Formparametern
und Nachbarschaftsbeziehungen annähern. Dazu müssen genaue Regeln definiert werden, z.B.: zu-
sammenhängende Gebäudezeilen müssen in unmittelbarer Straßennähe vorkommen, die Innenhöfen
können bebaut oder unbebaut sein (für diese Modellierung ist eine Einbindung externer Straßenvekto-
ren, z.B. aus ATKIS, erforderlich). Eine Unterscheidung zu anderen Siedlungsklassen, vor allem zur
Klasse „Wohnblocks / Plattenbauten“, kann aufgrund ähnlicher Parameter schwierig sein.
Abbildung 7: Engräumige bis geschlossene Bebauung
Entlang der Straßen ist ein hoher Bebauungsgrad zu erkennen,
während die Hinterhöfe auch unbebaut sein können (IKONOS-
Ausschnitt, Dresden-Neustadt).
Mischbebauung Wohnen/Gewerbe u.a. (112)
„Mischbebauung Wohnen/Gewerbe u.a.“ stellt eine besondere Nutzungsklasse der bebauten Flächen
dar, die einen funktionalen Charakter einschließt. Aus Fernerkundungsdaten kann generell bei einem
Gebäude nicht festgestellt werden, wie es innen genutzt wird (ob bspw. als Geschäft oder als Woh-
nung). In einigen Fällen kann aufgrund der Größe oder der Struktur der Gebäude (z.B. große Fabrik-
hallen) Rückschlüsse gezogen werden. Bei der Klasse „Mischbebauung Wohnen / Gewerbe u.a.“ ist
dies allerdings nicht möglich, da ein bestimmtes Haus ausschließlich als Wohnhaus, das gleiche Haus
aber auch als Wohnhaus mit Geschäften im Erdgeschoss (Abbildung 8) genutzt werden kann. Zu er-
fassen ist diese Klasse nur dann, wenn die Hinterhöfe gewerblich genutzt werden und diese Nutzung
durch Hallen oder ähnliches klar zu erkennen ist. Allerdings ist auch hier keine eindeutige Zuweisung
möglich, da solche Hallen auch als Garagen genutzt werden können.

image
image
image
25
Abbildung 8: Mischbebauung
Aus Fernerkundungsdaten kann nicht erkannt werden, ob die
aufgenommenen Gebäude ausschließlich Wohnzwecken oder
auch gewerblichen Zwecken dienen (IKONOS-Ausschnitt, Dres-
den-Neustadt)
Weiträumige bis aufgelockerte Bebauung von 5-7 Geschossen (113)
Eine Ableitung der Klasse „Weiträumige bis aufgelockerte Bebauung von 5-7 Geschossen“ lässt sich
aus Formparametern und Nachbarschaftsbeziehungen annähern. Einzelne Eigenschaften dieser Klasse
lassen sich aus Fernerkundungsdaten ableiten. Die Gebäude sind i.d.R. großflächig und regelmäßig. Es
gibt einen hohen Anteil an Grünflächen oder nicht bebauten Flächen. Diese Parameter können sowohl
manuell als auch rechnergestützt gewonnen werden. Der Parameter Gebäudehöhe kann aus Einzelbil-
dern nicht erfasst werden. Diese wäre nur durch eine aufwändige Stereoauswertung möglich. Eine Un-
terscheidung zu anderen Siedlungsklassen kann aufgrund ähnlicher Parameter nicht immer eindeutig
sein, bei kleinen Gebäuden sind die Parameter ähnlich der Klasse „Weiträumige Villenstadtteile“ bei
großen Gebäuden ähnlich der Klasse „Wohnblocks / Plattenbauten“. Diese Klasse sollte in eine Klasse
„aufgelockerte Bebauung“ integriert werden.
Abbildung 9: Weiträumige bis aufgelockerte Bebauung
„Weiträumige bis aufgelockerte Bebauung von 5-7 Geschossen“
zeichnet sich durch große Einzelgebäude mit hohem Grünanteil
aus. Die Geschosshöhe ist aus Einzelbildern nicht ableitbar
(IKONOS-Ausschnitt, Dresden-Südvorstadt).
Weiträumige Villenstadtteile (114)
„Weiträumige Villenstadtteile“ zeichnen sich durch einen hohen Grünanteil und einen großen Abstand
zwischen den Gebäuden aus. Der Begriff Villa stellt jedoch eine funktionale Bedeutung dar, die aus
Bilddaten nicht erkannt werden kann. So können Bereiche mit Einfamilienhäusern die gleiche Struktur
aufweisen, allerdings werden diese nicht als Villen bezeichnet und widersprächen dieser Klasse. Eine
diesbezügliche Abgrenzung ist nicht möglich. Aus Fernerkundungsdaten ist eine Klassifikation nur als
aufgelockerte Bebauung möglich.
Abbildung 10: Weiträumige Villenstadtteile
Eine Klassifikation von „Villen“ aus Satellitendaten ist nicht mög-
lich. Es können allerdings bebaute Gebiete mit hohem Vegetati-
onsanteil erkannt werden. (IKONOS-Ausschnitt, Dresden-
Plauen)

image
image
26
Wohnblocks / Plattenbauten (115)
Zu dieser Klasse gehören großflächige, langgezogene Wohnblocks (Abbildung 11) und Hochhäuser
(Abbildung 12). Die Erstere sind gekennzeichnet durch ihre Form und ihre meist homogene Dachflä-
che. Hochhäuser sind meist kleiner, bei ihnen ist zu beachten, dass, wenn sie weit vom Nadir (Mittel-
punkt der Aufnahme, senkrechte Aufnahmerichtung) entfernt liegen, neben der Dachfläche auch die
Seitenwände sichtbar sind, wodurch es zu einer großen geometrischen Verzerrung kommt.
Eine Abgrenzung zur Klasse 113, „Weiträumige bis aufgelockerte Bebauung von 5-7 Geschossen, ist
nicht eindeutig, da sich die Gebäude meist nur über die Gebäudehöhe unterscheiden lassen und diese
aus Einzelbildern nicht zu erfassen ist (nur der Schatten der Gebäude lässt Rückschlüsse zu).
Abbildung 11: Wohnblocks / Plattenbauten
Wohnblocks/Plattenbaugebiete sind gekennzeichnet durch ihre
Form und ihre meist homogene Dachfläche (IKONOS-
Ausschnitt, Dresden-Gorbitz).
Abbildung 12: Wohnblocks / Plattenbauten - Schrägsicht
Bei Hochhäusern, die weit vom Nadir entfernt liegen, sind ne-
ben der Dachfläche auch die Seitenwände sichtbar, wodurch es
zu einer geometrischen Verzerrung kommt. Die Höhe kann aus
Einzelbildern nicht erfasst werden (IKONOS-Ausschnitt, Dres-
den-Gorbitz).
Vorortbebauung (116)
Die Klasse „Vorortbebauung“ lässt sich aufgrund der Größe und der relativen Lage zu anderen Sied-
lungsbereichen aus Satellitendaten erfassen. Sind zusammenhängende Polygone erfasst worden, kann
diese Atributierung auch rechnergestützt (über Flächenberechnung und Bufferung) erfolgen. In einer
Satellitenbildklassifikation erscheint diese Klasse als aufgelockerte Bebauung.
Gewerbegebiete/Industriegebiete (117)
Gewerbegebiete/Industriegebiete zeichnen sich durch einen hohen Versiegelungsgrad aus. Die Ge-
bäude sind erkennbar. Große Industrieflächen können meist eindeutig zugewiesen werden. Bei der vi-
suellen Interpretation können aufgrund der Umgebung zusätzliche Informationen gewonnen werden.
Bspw. liegen Industrieflächen oft in der Nähe von Häfen, Eisenbahnanlagen (evtl. mit eigenem Gleis-
anschluss), Autobahnen, etc. Bei kleineren Flächen ist eine Differenzierung von schwierig. Mitunter
können große Garagenanlagen als Industriefläche interpretiert werden. Eine Abgrenzung zu Nachbar-
flächen ist nicht immer eindeutig, benachbarte Häuser, können Verwaltungsgebäude des Betriebes
sein oder Wohnhäuser.

image
27
Abbildung 13: Gewerbe / Industrie
Bei Gewerbegebiete/Industriegebiete handelt es sich um eine
Klasse mit funktionaler Bedeutung, daher ist sie nicht immer
eindeutig zu klassifizieren. Große Fabrikhallen können allerdings
eindeutig zugewiesen werden (IKONOS-Ausschnitt, Dresden-
Friedrichstadt).
2.5.2.3 Besiedelte Fläche außerorts (120)
„Besiedelte Flächen außerorts“ weisen in sich meist ähnliche Bebauungsstrukturen auf (kleine Wohn-
häuser, mit größeren landwirtschaftlichen Gebäuden). Differenziert werden können sie nach ihrer Flä-
chengröße und ihrer Form.
Einzelhäuser (121)
Einzelhäuser außerhalb geschlossener Siedlungsbereiche sind automatisch nicht immer zu erkennen.
Das liegt daran, dass diese Flächen evtl. in einer Nachbearbeitung (z.B. Filterung) gelöscht werden, da
ihre Sicherheit nicht hoch genug ist.
Eine manuelle Klassifikation kann in sehr zersiedelten Bereichen aufwändig werden, da viele Einzelpo-
lygone erfasst werden müssen.
Straßendorf (122), Haufendorf (123)
Großflächige „besiedelte Flächen außerorts“ werden erkannt. Eine Untergliederung ist nach Formpa-
rametern möglich. Ein einfacher Formparameter ist das Breite-Länge-Verhältnis. Bei Straßendörfern ist
das Breite-Länge-Verhältnis klein bei Haufendörfern groß. Allerdings ist diese Unterscheidung nicht als
siedlungsgeographische Untergliederung zu verstehen, da auch andere Dorftypen ähnliche Formpara-
meter aufweisen.
2.5.3 Verkehrsfläche (200)
Verkehrsflächen sind bei entsprechender Größe erkennbar. Eine automatische Erfassung kann aller-
dings nicht lückenlos erfolgen, da evtl. Bäume die Verkehrsflächen verdecken. Eine spektrale Klassifi-
kation ist aufgrund der unterschiedlichen Straßenbeläge problematisch. Es kann nur der versiegelte
Anteil klassifiziert werden, begrünte Seiten- und Trennstreifen werden nicht erkannt. Neugebaute Ver-
kehrsflächen sind wegen der hohen Kontrastunterschiede zur Umgebung oft besser erkennbar. Eine
Erfassung ist insgesamt nicht in der geforderten Qualität gewährleistet, eine Einbindung aus externen
Vektordaten ist erforderlich.
2.5.3.1 Fahrbahn (201)
Straßen sind bei entsprechender Breite erkennbar. Eine automatische Erfassung kann allerdings nicht
lückenlos erfolgen, da evtl. Bäume die Fahrbahn verdecken. Eine spektrale Klassifikation ist aufgrund
der unterschiedlichen Straßenbeläge problematisch. Neugebaute Verkehrsflächen sind wegen der ho-

image
image
28
hen Kontrastunterschiede zur Umgebung oft besser erkennbar. Die Erfassung ist insgesamt nicht in
der geforderten Qualität gewährleistet, eine Einbindung aus externen Vektordaten ist erforderlich.
Abbildung 14: Fahrbahn
Fahrbahnen sind, wenn sie versiegelt sind, aufgrund der gerin-
gen Reflexion im Nahen Infrarot zu erkennen (1). Probleme tre-
ten auf, wenn die Fahrbahn von Bäumen verdeckt werden(2).
(IKONOS-Ausschnitt, Dresden-Plauen)
2.5.3.2 Weg (202)
Aufgrund der meist geringen Breite schwer oder gar nicht zu erkennen. Probleme gibt es bei unbefes-
tigten Wegen, da sie oft eine Vegetationsdecke besitzen und nur die Fahrspuren vegetationslos sind.
Die Erfassung ist daher insgesamt nicht in der geforderten Qualität gewährleistet, eine Einbindung aus
externen Vektordaten ist daher erforderlich.
2.5.3.3 Parkplatz (203)
Parkplatz stellt eine spezielle Nutzungsklasse der versiegelten Flächen dar, die aus Fernerkundungsda-
ten nicht von anderen versiegelten Flächen unterschieden werden kann. In Einzelfällen lässt sich aus
hochauflösenden Daten, in denen Autos zu erkennen sind, Vermutungen anstellen, die aber als nicht
ausreichend erscheinen, z.B. kann nicht erkannt werden, ob es sich um parkende Autos handelt, oder
um einen Wochenmarkt. Die Erfassung ist daher insgesamt nicht in der geforderten Qualität gewähr-
leistet, eine Einbindung aus externen Vektordaten ist daher erforderlich.
2.5.3.4 Bahn (204)
Bahnlinien sind bei entsprechender Breite (z.B. bei mehrgleisigen Hauptstrecken, Probleme gibt es bei
Schmalspurbahnen) erkennbar (siehe Abbildung 3-9). Eine automatische Erfassung kann allerdings
nicht lückenlos erfolgen, da evtl. Bäume die Verkehrsflächen verdecken. Bei einer manuellen Interpre-
tation können diese Bereiche aufgrund der Kenntnisse des Interpreten erfasst werden. Es kann nur
der versiegelte Anteil klassifiziert werden, begrünte Gräben, Seiten- und Schutzstreifen werden nicht
erkannt. Die Erfassung ist daher insgesamt nicht in der geforderten Qualität gewährleistet, eine Ein-
bindung aus externen Vektordaten ist daher erforderlich.
Abbildung 15: Bahn
Mehrgleisige Hauptstrecken sind erkennbar. Probleme gibt es
bei Schmalspurbahnen. Bei diesen ist eine Unterscheidung zu
anderen Verkehrswegen schwierig (IKONOS-Ausschnitt, Rade-
beul).
1
2
1
2

29
2.5.3.5 Flughafen/-platz (205)
Die versiegelten Anteile eines Flughafens lassen sich aus Fernerkundungsdaten extrahieren. Rück-
schlüsse auf die Nutzung als Flughafen lassen sich visuell z.T. ableiten. Aufgrund der charakteristi-
schen Form ist oft nur die Rollbahn zu differenzieren. Eine genaue Abgrenzung aller Betriebsgebäude
und Anlagen ist nicht möglich.
2.6 Modifizierung des Objektartenkataloges entsprechend der
Machbarkeitsstudie
Aufgrund der in den beiden vorherigen Kapiteln erläuterten Schwierigkeiten zur Detektion einiger
Klassen wurde folgender endgültiger Objektartenkatalog für die Klassifikation gewählt.
Tabelle 5: Endgültige Objektarten der drei Levels
Level1
Level2
Level3
IRS-1C
IRS-1C
IKONOS / Quickbird
100 110 Siedlung innerorts 111 Geschlossene Wohnbebauung
Siedlungsflä-
che-
112 Sport- und Freizeitflächen
113 Aufgelockerte städtische Bebauung
114 Aufgelockerte dörfliche Bebauung
115 Wohnblocks / Plattenbauten
116 Innerstädtische Grünflächen
117 Gewerbegebiete / Industriegebiete
200
Verkehrsfläche
201
Straßen (Vektor, extern)
201
Straßen (Vektor, extern)
202
Bahnlinien (Vektor, extern)
202
Bahnlinien (Vektor, extern)
203
Flughafen (Vektor, extern)
203
Flughafen (Vektor, extern)
300 310 Ackerland 310 Ackerland
Landwirt-
schaftsfläche
320 Dauergrünland
320 Dauergrünland
330
Restfläche L2 Landwirtschaft
330
Restfläche L2 Landwirtschaft
400 410 Laubwald 410 Laubwald
420 Nadelwald 420 Nadelwald
Wald-, Forst-
und Gehölz-
fläche
430 Mischwald
430 Mischwald
500 Wasserfläche 510 Fließgewässer
510 Fließgewässer
520 Standgewässer
520 Standgewässer
530
Restfläche L2 Wasser
530
Restfläche L2 Wasser
611 Baustelle
600 Restfläche L1 610
Rohstoffabbau sowie Ver- und
Entsorgung
612 Technische Infrastruktur
620 Restfläche L2

30
3 Stand der Forschung Teil B: Wissenschaftliche Begutachtung
des Gesamtvorhabens
Dieser Teil des Endberichtes enthält die wissenschaftliche Begutachtung des Gesamtvorhabens, er-
stellt durch den Unterauftragnehmer TU Dresden (AP1000).
3.1 Einleitung
In allen Bereichen der Planung sind flächendeckende und aktuelle Flächennutzungsdaten von großer
Bedeutung. Für die Erfassung dieser Daten bedeutet dies, dass Methoden gefunden werden müssen,
die kostengünstig und schnell durchführbar sind. Bisher war eine solche Erfassung oft durch fehlende
Ausgangsdaten eingeschränkt. Durch Einführung neuer Satellitensysteme in verschiedenen Auflö-
sungsstufen und eine Kombination dieser Daten, stehen diese Ausgangsdaten nun zur Verfügung. Ei-
ne weitere Voraussetzung ist durch die sich weiterentwickelnden Hardware- und Softwaresysteme, die
eine effizientere Auswertung dieser Datenmengen gewährleisten, gegeben. Neue Daten mit höherer
Auflösung erfordern neue Auswertemethoden. Durch objektorientierte Ansätze und komplexe Textur-
algorithmen lassen sich die Bilder in geeigneter Weise analysieren.
3.2 Andere Erhebungsmethoden
3.2.1 Terrestrische Erhebung
Bei der terrestrischen Erhebung wird das Aufnahmegebiet von mehreren Personen begangen und die
entsprechenden Klassen in der Natur verifiziert und kartiert. Vorteil dieses Verfahrens ist es, dass die
Realität direkt aufgenommen werden kann, sodass eine Bestimmung vereinfacht wird. Als entschei-
dender Nachteil kann der hohe personelle Aufwand und die daraus resultierenden hohen Kosten ge-
sehen werden. Zu diesen Kosten kommen noch die Kosten für die Datengrundlagen. Für die Aufnah-
me im Gelände werden Karten oder auch aktuelle Bilddaten benötigt, um eine Erfassung zu erleich-
tern.
Nachteilig bei der terrestrischen Erhebung ist des Weiteren die lange Erfassungszeit, da das Gesamt-
gebiet begangen werden muss. Hier ergeben sich z.T. auch Probleme beim Zugang, z.B. im Gebirge.
Bei der Aufnahme bestimmter Klassen erweist sich eine Erhebung aus der „Froschperspektive“ als
nachteilig. Wenn Klassen erhoben werden sollen, die einen Durchschnittswert einer größeren Fläche
als Grundlage haben, ist es von Vorteil, diese „von oben“ im Zusammenhang zu betrachten, um dar-
aus Rückschlüsse ziehen zu können, wie es bei Fernerkundungsdaten der Fall ist.
Sinnvoll ist dieses Verfahren in Kombination mit Bilddatenauswertung einsetzbar. Durch terrestrische
Erhebungen können Trainingsgebiete für eine Klassifikation erhoben werden. Es können auch Teilbe-
reiche komplett terrestrisch aufgenommen werden, wenn sie bspw. in den Bilddaten nicht zu klassifi-
zieren sind (Schattenbereiche im Hochgebirge).
3.2.2 Erhebung durch Luftbildauswertung
Bei Luftbilddaten handelt es sich um flugzeuggestützte Aufnahmen, die panchromatisch oder multi-
spektral vorliegen können. Luftbilder können stereoskopisch ausgewertet werden, wenn benachbarte
Luftbildpaare einen Überlappungsbereich aufweisen. Die Interpretation kann auch auf Grundlage von
geokodierten Bilddaten (Orthophotos) erfolgen.

31
Da Befliegungen von großen Aufnahmegebieten, wie bspw. bei einer landesweiten Aufnahme für
Sachsen, sehr zeitintensiv sind, entstehen zeitlich sehr inhomogene Datensätze. Eine Befliegung von
Sachsen wäre wie bei der Befliegung 1992/93 innerhalb eines Jahres nicht möglich. Durch einen zeit-
lich inhomogenen Datensatz kann es zu Problemen bei einer Zusammensetzung der Interpretation der
Einzelbilder zu einem Gesamtmosaik kommen (Randanpassungsprobleme). Ein weiteres Problem ent-
steht bei der Auswertung. Bei Aufnahmen aus unterschiedlichen Zeitpunkten im Vegetationszyklus
werden gleiche Vegetationstypen unterschiedlich dargestellt, somit muss der Auswerter über eine gro-
ße Erfahrung verfügen.
Zu den hohen Kosten der Aufnahme selbst (eigene Befliegung, Materialkosten, ...) kommt ein hoher
Kostenaufwand für die Auswertung. Diese kann nur von Experten durchgeführt werden.
3.2.3 Vergleich von Orthophotos mit Satellitenbilddaten
Im Folgenden werden die Kosten für Orthophotos denen von Satellitenbilddaten gegenübergestellt.
Für landesweite Erfassungen bieten sich demnach Daten wie etwa IRS-1C-Bilder an, die einen sehr
niedrigen Preis aufweisen. Orthophotos und höchst auflösende Satellitendaten (bspw. IKONOS) wei-
sen derzeit noch ähnliche Preisspannen auf. Wenn in Zukunft weitere Satellitensystem mit ähnlichen
Auflösungsbereichen gestartet werden, kann evtl. von günstigeren Daten ausgegangen werden. Da-
durch können in Zukunft solche Daten Luftbilddaten für viele Aufgabenbereiche vollständig ersetzen.
Zwischen diesen beiden Datensätzen, die preislich sehr hohe Unterschiede aufweisen, treten in Zu-
kunft Daten des SPOT5-Sensors. Mit einer Auflösung von 2,5m im Panchromatischen und im Vergleich
zu IKONOS erheblich günstigeren Preisen werden diese Daten in Zukunft von großer Bedeutung sein.
Gerade für stark strukturierte Gebiete wie den urbanen Bereichen können diese Bilder eingesetzt wer-
den (der Einsatz von Daten im 2,5-Meter-Bereich wurde von G
ALLAUN et al. (2001) für suburbane Be-
reiche getestet und empfohlen), da Daten mit 10 Metern Auflösung für bestimmte Fragestellungen
nicht ausreichend genau sind und IKONOS-Daten für eine flächendeckende Aufnahme ganz Sachsens
zu teuer sind.
Nach F
ORNEFELD et al. (2003) kann davon ausgegangen werden, dass in Zukunft Satellitenbilddaten
Orthophotos sukzessive ersetzen werden. Bemängelt wird in dieser Markstudie, dass Satellitenbildda-
ten dennoch im Produktionsablauf der Vermessungserwaltungen noch nicht integriert wurden. Emp-
fehlenswert wäre eine Bereitstellung der geokodierten Satellitendaten durch die Vermessungsverwal-
tungen der Länder. Durch die Kostenverteilung könnten in kurzen Zeitabständen (evtl. jährlich) flä-
chendeckende Bildmosaike erstellt werden.
Tabelle 6: Kosten für die Erstellung von Orthophotos (nach K
ONECNY, 2003).
Aufnahmemaßstab
Kosten pro km²
1:13.000
ca. 180 $
1:40.000
ca. 23 $
Tabelle 7: Kosten für IRS-1C Satellitenbildaufnahme (nach EUROMAP).
geometr. Auflösung
Kosten pro km²
10m-panchromatisch
ca. 0,51 €
25m-multispektral
ca. 0,14 €
Kommentar [MSOffice1]:
2500 € / 4900 km²
Kommentar [MSOffice2]:
2700 € / (141 km)²

32
Tabelle 8: Kosten für IKONOS-Satellitenbildaufnahme (nach E
UROPEAN SPACE IMAGING).
geometr. Auflösung
Kosten pro km²
1m-panchromatisch
ca. 21,50 $
4m-multispektral
ca. 21,50 $
1m-panchromatisch +
4m-multispektral im
Paket
ca. 28,25 $
Tabelle 9: Kosten für SPOT5-Satellitenbildaufnahme (nach SPOT IMAGE [2]).
geometr. Auflösung
Kosten pro km²
2,5m-panchromatisch
ca. 1,72 €
10m-multispektral
ca. 0,97 €
3.3 Andere Datensätze
In den Vergleich werden Flächennutzungsdaten aufgenommen, die landesweit in Sachsen verfügbar
sind. Dazu gehören die ATKIS-Daten des Landesvermessungsamtes und die Daten der Gemeindesta-
tistik des Statistischen Landesamtes.
3.3.1 ATKIS
ATKIS ist ein bundesweit einheitliches Projekt der AdV. Das Basis-DLM ist das DLM25. Es wird von den
jeweiligen Landesvermessungsämtern erhoben. Der Inhalt richtet sich nach der Topographischen Kar-
te 1:25.000. Erfasst werden die Daten in drei Realisierungsstufen. In der ersten Stufe werden die
wichtigsten Objektarten in ihrer geometrischen Ausprägung und mit einem Mindestumfang an attribu-
tiver Beschreibung erhoben, z.B. alle linienhaften Elemente (Straßen, Wege, Gewässer, Eisenbahnen,
administrative Grenzen). Die genauen Festlegungen sind abh. vom jeweiligen Bundesland. In Sachsen
wurden 61 Objektarten erfasst, die vollständig erhoben sind. In den folgenden Realisierungsstufen
werden weitere Objektarten aufgenommen und die Attribute bestehender Objektarten ergänzt.
Gleichzeitig erfolgt eine Aktualisierung der bestehenden Daten.
In ATKIS werden in erster Linie funktionale Sachverhalte aufgenommen. So werden Siedlungsbereiche
nach der unterschiedlichen Nutzung differenziert, z.B. Wohnbaufläche, Industrie- und Gewerbefläche,
Fläche gemischter Nutzung, Fläche besonderer funktionaler Prägung. Im Gegensatz zu einer Satelli-
tenbildauswertung lassen sich hieraus Angaben über den Versiegelungsgrad nicht direkt und nur mit
Mittelwerten ableiten. Unterschiedliche Versiegelungsgrade innerhalb einer Objektfläche können nicht
differenziert werden.
Für Anwendungen ist die Aktualität von Daten ein entscheidender Faktor (vgl. F
ORNEFELD et al., 2003).
ATKIS-Daten weisen in Sachsen derzeit eine sehr inhomogene Aktualität auf (vgl. Abbildung 16). Nur
Teilbereiche sind aktueller als drei Jahre (orange, graue und dunkelgraue Bereiche in Abbildung 16).
Problematisch ist eine Anwendung in Gebieten, in denen auf Daten zurückgegriffen werden muss, die
eine hohe zeitlicher Differenz aufweisen, da es beim Zusammensetzen dieser Daten zu großen Unter-
schieden in den Randbereichen kommen kann.
Für bestimmte Objekte, vor allem im Verkehrsbereich, werden die Daten im ATKIS mit einer
Spitzen-
aktualität
erhoben. Hier wird eine Aktualität von unter einem Jahr angestrebt. Derzeit sind in Sachsen
Verkehrsdaten der Jahre 2000-2002 „flächendeckend, aber noch nicht vollständig integriert“
Kommentar [MSOffice3]:
6200 € / (60 km )²
Kommentar [MSOffice4]:
3500 € / (60 km )²

image
image
33
(L
ANDESVERMESSUNGSAMT SACHSEN [2]). Für diese Objekte bietet sich eine Kombination mit einer aktuel-
len Landnutzungsklassifikation aus Satellitenbilddaten an.
Abbildung 16: Aktualität der ATKIS-DLM-Daten für Sachsen, Stand 28.5.03 (Landesvermessungsamt
Sachsen [2]).
3.3.2 Sächsische Gemeindestatistik
Vom Statistischen Landesamt werden Flächennutzungsdaten innerhalb der Gemeindestatistik erhoben.
Diese Daten werden regelmäßig jährlich veröffentlicht, zum Teil werden sie allerdings nicht jährlich
erhoben, sodass ältere Stände publiziert werden. Damit stellen sie einen zeitlich hochauflösenden Da-
tenbestand dar. Räumlich werden sie dagegen nur bezogen auf die kleinste statistische Einheit, näm-
lich die Gemeindegrenzen, erfasst. Pro Gemeinde werden für jede Flächennutzungsklasse dessen Ge-
samtfläche angegeben. Eine räumliche Abgrenzung innerhalb der Gemeindefläche ist nicht gegeben.
Somit ist die geometrische Auflösung sehr gering.
Aufgrund der hohen zeitlichen Auflösung ließe sich dieser Datensatz evtl. als Indikator für einen Ak-
tualisierungsbedarf der Satellitenbildklassifikation nutzen. Aufgrund der angegebenen Flächen-
nutzungsklassen können Veränderungen erfasst werden und darauf aufbauend kann bestimmt wer-
den, wann eine Aktualisierung der Satellitenbildklassifikation erforderlich sein sollte.

34
Tabelle 10: Flächennutzungsklassen innerhalb der Gemeindestatistik (S
TATISTISCHES LANDESAMT DES
FREISTAATES SACHSEN).
Flächennutzungsklassen
Siedlungs- und Verkehrsfläche
Gebäude- und Freifläche
Betriebsfläche (ohne Abbauland)
Erholungsfläche
Friedhofsfläche
Verkehrsfläche Straße
Weg
Platz
Landwirtschaftsfläche Ackerland
Dauerkulturen
Dauergrünland
Waldfläche
Wasserfläche
Abbauland
Flächen anderer Nutzung (ohne Friedhof)
3.3.3 CORINE Land Cover
CORINE-Landnutzungsdaten liegen für ganz Deutschland vor. Im Gegensatz zur Klassifikation aus dem
vorliegenden Projekt weist sie nur eine Erfassungsgröße von 25 ha auf. Ihre Qualität ist demnach
nicht vergleichbar. Hinzu kommt, dass CORINE-Daten erst nach 10 Jahren wieder aktualisiert wurden.
Derart große Abstände bei der Aktualisierungsdauer sind bei der hohen Veränderungsdynamik in der
Landnutzung nicht zu empfehlen. Bei der Erfassung der Daten ist eine rein manuelle Vorgehensweise
sehr zeitaufwändig.
3.4 Anwendungsbeispiele der Fernerkundung
Bei der Fernerkundung handelt es sich mittlerweile um eine mehrfach operationell eingesetzte Metho-
de, um aktuelle Landnutzungsdaten schnell zu erhalten. Angewendet werden diese Daten in verschie-
denen Fachbereichen. Tabelle 11 umfasst eine Auflistung verschiedener Flächenerhebungsprogram-
men, die Satellitenbilddaten verwenden. Im Folgenden werden einige Landnutzungsklassifikationen
näher beschrieben.

35
Name
Raumbezug
Maßstab
Daten-
grundlage
Anwendung
Ebenen/
Klassenzahl
Erst-
erhebung
Aktuali-
sierungszeit
[in Jahren]
BD-CARTO
Land Cover
F
1:500 000 -
1:50 000
Satellitenbild (SPOT), Karten
Kartographie,
Umwelt, Planung
2/12 1991 1-3
Land Cover
Map
(LCM2000)
GB 1:50 000
Satellitenbild (Landsat), Thema-
tische Karten, DTM
Kartographie,
Umwelt
2/26
1988/
1990
ca. 10, (wie
CORINE)
CLC50 E 1:50 000
Satellitenbild (Landsat), Luft-
bild, Karten, Statistik
Kartographie,
Umwelt
5/67
1987/
1991
wie
CORINE
Land
cover/use
mapping
(CLC25)
I 1:25 000 Satellitenbild, Luftbild, Karten
Kartographie,
Umwelt, Planung,
Agrar
4/63
1998,
in Bear-
beitung
/
Realraum-
analyse
A 1:50 000
Satellitenbild (KFA1000, Land-
sat TM), Thematische Karten,
Topographische Karten, FCIR
Luftbild
Kartographie,
Regionalplanung
3/97 2000 vorgesehen
SLAM FIN 1:50 000
Satellitenbild (Landsat, SPOT),
TK, Field sample plot Daten,
Gebäuderegister
Kartographie,
Umwelt, Planung,
Forst
1/ 70 1991
1994, 1997,
2002
Swedish LC
Data
(CLC/SLD)
S 1:50 000
Satellitenbilder (Landsat), digi-
tale Daten des NLSS, Themati-
sche Karten, Inventory plot Da-
ten vom National Forest Inven-
tory
Kartographie,
Umwelt
6/52
1999
(Pilot-
projekt)
wie
CORINE
Nat. LC-
Database
(LGN)
NL 1:50 000
Satellitenbild (Landsat, SPOT),
Luftbild, Digitale topographi-
sche Daten, Feldbegehung
Kartographie,
Umwelt, Agrar,
Planung
2/21 1986 5
Land Cover in
Wallonia
B 1:50 000
Satellitenbild (Landsat, SPOT),
CIR-Luftbild, Topographische
Karten 1:50 000, Flächennut-
zungsplan 1:25000
Kartographie,
Planung
1/16 1989 1993
CORINE
(CLC50)
Ost-
europa
1:50 000
Satellitenbilder (Landsat, SPOT,
IRS, COSMOS KVR-1000), TKs,
thematische Karten, CLC100
Kartographie,
Umwelt
5/ca.
113
1996 -
1999
wie
CORINE
Nat. Vegeta-
tion Class.
Standard
(FDGC-NVCS)
USA
Ground plot data samples;
Luftbilder (1:24000), Satelliten-
bilder (Landsat, SPOT) Video
Umwelt, Agrar,
Forst
5/133 1997
MOLAND Int. 1:25 000
Satellitenbild (IRS, IKONOS,
SPOT, CORONA), Luftbild
Planung, Umwelt
4/96
1999
Auf Anfor-
derung, nur
für aus-
gewählte
Städte
SPOT - Thema Int.
1:50 000
Satellitenbild (SPOT) TK, The-
matische Karten, Statistik,
Stadtpläne
Planung 2/29 1988
Auf Anfor-
derung
CLUSTERS Europa
1:25 000-
1:50 000
Satellitenbild, TKs, Statistik
Kartographie,
Statistik, Umwelt,
Agrar, Planung
4/60 1994
Auf Anfor-
derung, nur
in Pilot-
projekten
CORINE Land
Cover/
CLC2000
Europa 1:100 000
Satellitenbild (Landsat), Luft-
bild, Karten, Statistik
Kartographie,
Umwelt
3/44 1985 2000
Tabelle 11: Flächenerhebungsprogramme, die unter Verwendung von Satellitenbilddaten erhoben
werden (nach Meinel et al., 2002).

36
3.4.1 CORINE Land Cover
Das Projekt CORINE Land Cover (Coordinated Information on the European Environment) der EU-
Kommission bildet die erste flächendeckende Erfassung der Landnutzung in der gesamten europäi-
schen Union. Derzeit existieren zwei Datensätze von 1990 und 2000 (D
FD, UNIVERSITÄT ROSTOCK).
Tabelle 12: Flächennutzungsklassen der CORINE Land Cover (Klassen in
kursiver Schrift werden in
Deutschland nicht erhoben) (S
TATISTISCHES BUNDESAMT, DFD).
CORINE Land Cover
1 Bebaute Fläche
11 Städtisch geprägte Flächen
111 Durchgängig städtische Prägung
112 Nicht durchgängig städtische Prägung
12 Industrie-, Gewerbe- und Ver-
kehrsflächen
121 Industrie- und Gewerbeflächen
122 Straßen, Eisenbahn
123 Hafengebiete
124 Flughäfen
13 Abbauflächen, Deponien und
Baustellen
131 Abbauflächen
132 Deponien und Abraumhalden
133 Baustellen
14 Grünflächen
141 Städtische Grünflächen
142 Sport- und Freizeitanlagen
2 Landwirtschaftliche Flächen
21 Ackerkflächen
211 Nicht bewässertes Ackerland
212 Regelmäßig bewässertes Ackerland
213 Reisfelder
22 Dauerkulturen
221 Weinbauflächen
222 Obst- und Beerenobstbestände
223 Olivenhaine
23 Grünland
231 Wiesen und Weiden
24 Heterogene Landwirtschaftli-
che Flächen
241 Einjährige Kulturen und Dauerkulturen
242 Komplexe Parzellenstrukturen
243 Landwirtschaft und natürliche Bodenbedeckung
244 Land- und forstwirtschaftliche Flächen
3 Wälder und naturnahe Flä-
chen
31 Wälder
311 Laubwälder
312 Nadelwälder
313 Mischwälder
32 Strauch- und Krautvegetation
321 Natürliches Grünland
322 Heiden und Moorheiden
323 Hartlaubbewuchs
324 Wald-Strauch-Übergangsstadien
33 Offene Flächen ohne / mit ge-
ringer Vegetation
331 Strände, Dünen und Sandflächen
332 Felsflächen ohne Vegetation
333 Flächen mit spärlicher Vegetation
334 Brandflächen
335 Gletscher und Dauerschneegebiete
4 Feuchtflächen
41 Feuchtflächen im Landesin-
nern
411 Sümpfe
412 Torfmoore
42 Feuchtflächen an der Küste
421 Salzwiesen
422 Salinen
423 In der Gezeitenzone liegende Flächen
5 Wasserflächen
51 Wasserflächen im Landesin-
nern
511 Gewässerläufe
512 Wasserflächen
52 Meeresgewässer
521 Lagunen
522 Mündungsgebiete
523 Meere und Ozeane

37
3.4.1.1 CORINE Land Cover 1990 (CLC1990)
Die erste Erfassung erfolgte in den Jahren 1986 bis 1995 auf der Basis von Landsat4/5- Satellitenbild-
daten mit einer geometrischen Auflösung von 30 Metern im multispektralen Bereich. Die Auswertung
wurde mittels computergestützter visueller Photointerpretation in vorwiegend analoger Arbeitsweise
durchgeführt. Der Zielmaßstab ist 1:100.000 mit einer minimalen Erfassungsgröße von 25 Hektar.
Aufgrund der Aufnahmezeitpunkte aus neun Jahren entstand ein sehr heterogener Datensatz (D
FD;
U
NIVERSITÄT ROSTOCK; KEIL et al., 2002).
3.4.1.2 CORINE Land Cover 2000 (CLC2000)
Im Projekt CLC2000 erfolgt eine Aktualisierung der CLC1990 auf Basis von Landsat ETM 7-Daten aus
den Jahren 1999 – 2001 (30m multispektral, 15m panchromatisch). Durch die flächendeckende Erfas-
sung der gesamten EU und der Beitrittskandidaten innerhalb von drei Jahren kann ein homogenerer
Datensatz erstellt werden als innerhalb der CLC1990-Klassifikation. Die Auswertung erfolgt visuell. Er-
fasst werden Flächen ab einer Mindestgröße von 25 ha. Veränderungen von Landnutzungsgrenzen
werden ab 5 ha aufgenommen. Flächen mit linienförmiger Ausprägung (z.B. Gewässerläufe) werden
ab einer Breite von 100 m erfasst, es werden keine externen Vektorinformationen eingebunden. Kar-
tiert werden die aktuelle Bodenbedeckung CLC2000 und die Veränderungen gegenüber CLC1990. Zu-
sätzlich werden notwendig erschienene Korrekturen im Datensatz von 1990 in Form eines verbesser-
ten CLC1990- Datensatzes herausgegeben (D
FD, UNIVERSITÄT ROSTOCK).
3.4.2 Niedersächsisches Umweltinformationssystems (NUMIS)
Innerhalb des Niedersächsischen Umweltinformationssystems (NUMIS), das seit 1990 vom Nieder-
sächsischen Umweltministerium entwickelt und betrieben wird, wurden für die Jahre 1990/91 und
1994 Flächenutzungen aus Satellitendaten (LANDSAT-TM, SPOT) klassifiziert. Verwendet werden die
Daten für verschiedene Umweltmonitoring-Projekte. Der Schwerpunkt der 94er Klassifikation lag im
Bereich der Moore und des Waldes. Diese Daten wurden in das Geographische Informationssystem
Umwelt (GEOSUM) des Landes implementiert. Bereitgestellt werden sie im Maßstab 1:50.000
(N
IEDERSÄCHSISCHES UMWELTMINISTERIUM).
Klassen 1990/91
Klassen 1994
Stadtbebauung
Vorstadtbebauung
Versiegelte Flächen
Ackerland
Grünland
Mischung Feld/Wald
Laubwald
Mischwald
Nadelwald
Sonstiger Wald
Watt
Sand/Dünen
Heide
Moor
Heide/Moor
Gewässer
Ödland
Moorklassifikation:
Torfabbau
De-/Regenerationsstadien
Nässe/vernässte Flächen
Grünland
Laub-/Mischwald/ Gebüsch
Nadelwald
Acker
Wasserflächen
Waldklassifikation:
Laubwald
Mischwald/Bruchwald
Nadelwald
sonstiger Wald
Sonstige Flächen
Grünlandklassifikation:
Grünland feucht-nass
Grünland rocken-frisch
Ackerklassifikation:
Acker mit Vegetation
Acker ohne Vegetation
Tabelle 13: Flächennutzungsklassen innerhalb des Niedersächsischen Umweltinformationssystems
(NUMIS), Der Schwerpunkt der 94er Klassifikation lag im Bereich der Moore und des Waldes.

38
3.4.3 Landnutzungskarte des Freistaates Sachsen 1:100 000 (LN100)
Im Auftrag des Landesamtes für Umwelt und Geologie wurde in den Jahren 1993/1994 am Institut für
Kartographie der Technischen Universität Dresden eine flächendeckende Landnutzungsklassifikation
von Sachsen auf Grundlage von Landsat-Daten erfasst (P
RECHTEL, 1996). Die Gesamtklassifikation
wurde vom Landesvermessungsamt Sachsen als Landnutzungskarte des Freistaates Sachsen 1:100
000 (LN100) im Blattschnitt der TK100 (z.T. etwas modifiziert) gedruckt. Derzeit wird am Institut für
Kartographie eine Neuerfassung für das Jahr 2001 durchgeführt. Auftraggeber ist das Institut für Hyd-
rologie und Meteorologie der Technischen Universität Dresden. Um vergleichbare Daten zu erhalten,
werden dieselben Klassen verwendet. Der Klassifikationsschlüssel ist in der folgenden Tabelle aufge-
führt.
Landnutzungskarte des Freistaates Sachsen 1:100 000 (LN100)
Waldfläche (und Waldschadensfläche)
Laubwald
Mischwald
Nadelwald
Entwaldete Flächen in Waldschadensgebiet
Landwirtschaftliche Nutzfläche
Ackerfläche
Dauergrünland
Obstanbaufläche
Wein- und Hopfenanbaufläche
Siedlungsfläche Geringe Bebauungsdichte
Mittlere Bebauungsdichte
Hohe Bebauungsdichte
Kleingartenanlagen
Devastierte Fläche
Braunkohletagebauflächen
Sonstige Abgrabung, vegetationslose Halde, offene Bauflä-
che
Sonstige Fläche
Wasserfläche
Verkehrsfläche, nichtbebaute versiegelte Fläche
Tabelle 14: Landnutzungsklassen der Landnutzungskarte des Freistaates Sachsen 1:100 000 (LN100)
3.5 Potentiale und Vorteile der Fernerkundung
Bei der Fernerkundung handelt es sich um ein operationelles Werkzeug, mit dem große Flächen in re-
lativ schneller Zeit flächendeckend erfasst werden können. Vorteile gegenüber anderen Verfahren lie-
gen vor allem in der automationsgestützten Auswertung, in der Nutzung von homogenen Daten, der
einheitlichen Auswertung und der Kombinationsmöglichkeit verschiedener Daten und Verfahren.
Die automationsgestützte Auswertung von Fernerkundungsdaten hat Vorteile gegenüber manuellen
Verfahren. So sind die Auswertungen nachvollziehbar und wiederholbar. Dadurch können sie jederzeit
kontrolliert werden, da festgelegte Regeln benutzt werden. Die Erhebungsmethoden lassen sich auf
andere Daten übertragen. So können sie auch für Bilddaten anderer Gebiete genutzt werden wodurch
räumlich vergleichbare Ergebnis entstehen. Ferner können die Methoden auch auf Daten desselben
Gebietes angewendet werden, die zu anderen Zeitpunkte aufgenommen werden, und somit zeitlich
vergleichbare Ergebnisse entstehen.
Die Nachvollziehbarkeit von Erfassungsmethoden soll im Folgenden am Beispiel der Maximum-
Likelihood-Klassifikation dargestellt werden. Durch die Verwendung von Trainingsgebieten werden sta-

39
tistische Parameter abgeleitet, die für die Zuweisung einer Klasse verantwortlich sind. Diese Zuwei-
sung lässt sich wiederholen und ist somit im Nachhinein jederzeit kontrollierbar. Wird das Klassifikati-
onsergebnis im Anschluss durch ein Regelwerk über GIS-Funktionen weiterverarbeitet, sind auch diese
Schritte reproduzierbar.
Durch den Einsatz von Satellitendaten können große Gebiete unter einheitlichen Bedingungen erfasst
werden. Dadurch stehen auch für landesweite Aufnahmen relativ
homogene Daten zur Verfügung. Die
Homogenität bezieht sich zum einen auf die Daten und auf die Zeit. So können Daten mit homogener
Datenqualität erworben werden, d.h. mit ungefähr gleichen Aufnahmegegebenheiten, z.B. wenn nur
Daten aus den Sommermonaten und zur selben Tageszeit herangezogen werden. Dies ist eine ent-
scheidende Bedingung, dass die Daten einheitlich ausgewertet werden können. Die Daten sind ferner
auch zeitlich homogener als andere Grundlagen. Je nach Wetterlage können Aufnahmen aus einem
kleinen Aufnahmezeitraum genutzt werden.
Ein weiterer Vorteil gegenüber manuellen Verfahren ist die einheitliche Auswertung für das komplette
Aufnahmegebiet. Bei terrestrischen Aufnahmen und bei manueller Interpretation von Luftbildern sind
in der Regel mehrere Bearbeiter nötig. Da jeder Bearbeiter bei der Erfassung zum Teil subjektiv ent-
scheidet, werden die Ergebnisse insgesamt inhomogen. Bei der automatischen Klassifikation spielt die
Subjektivität lediglich bei der Erfassung der Trainingsgebiete und bei der Verifikation eine entschei-
dende Rolle. Da diese Aufgabe auch bei größeren Aufnahmegebieten in den meisten Fällen von einer
Person durchgeführt werden kann, entsteht ein in sich homogenerer Datenbestand. Die Auswertung
selbst ist dagegen wesentlich objektiver, da eine Zuweisung nach vorgegebenen Entscheidungs-
parametern einheitlich für die Gesamtfläche erfolgt.
Verfahren zur Datenerfassung lassen sich durch Kombination verschiedener Satellitendaten und durch
Kombination verschiedener Auswerteverfahren
erweitern und verbessern:
Durch die
Kombination verschiedener Satellitendaten mit unterschiedlicher Auflösung können Gebiete
entsprechend ihrer Heterogenität oder ihrer Wichtigkeit für das Gesamtergebnis in unterschiedlicher
Genauigkeit erfasst werden. Bereiche des ländlichen Raumes sind meist weniger strukturiert als urba-
ne Gebiete. Zusätzlich ist das Interesse an den urbanen Bereichen aufgrund des hohen Flächen-
verbrauchs höher. Eine Kombination von höher auflösenden Daten im urbanen und von geringer auf-
lösenden Daten im ländlichen Raum erscheinen als sinnvoll, um Kosten beim Datenerwerb und bei der
Datenauswertung zu reduzieren. Satellitendaten im ein- oder Zwei-Meter-Bereich können hier anstelle
von Luftbildern eingesetzt werden, da bereits Ansätze zur automationsgestützten Klassifikation beste-
hen. Ferner kann auf eine Befliegungen verzichtet werden, wodurch die Daten freier gewählt werden
können. Eine zusätzliche Kombination ist durch Einbindung externer Daten z.B. aus einem GIS zu
empfehlen, solange sie den Aktualitätserfordernissen entsprechen.
Auch eine
Kombination verschiedener Auswerteverfahren kann das Ergebnis positiv beeinflussen. Da
Daten unterschiedlicher geometrischer Auflösung andere Klassifikationsverfahren erfordern, ist eine
gemeinsame Nutzung von Segmentierungs- und Texturalgorithmen für hochauflösende und Maximum-
Likelihood-Verfahren für Daten geringerer Auflösung zu empfehlen.

40
3.6 Maßstabsbereich von Fernerkundungsdaten
Bei Rasterdaten gibt es im eigentlichen Sinne keinen Maßstab. Soll ein Maßstabsbereich festgelegt
werden, so kann dieses durch zwei verschiedene Betrachtungsweisen erfolgen. Zum einen aufgrund
der Minimaldimensionen, die vom menschlichen Auge erkannt werden können und zum anderen auf-
grund der Inhaltselemente, die aus den Daten abgeleitet werden können.
Häufig wird der Maßstabsbereich für Satellitenbildkarten aus den Minimaldimensionen, die vom
menschlichen Auge erfasst werden können, abgeleitet. Die untere Grenze der Unterscheidbarkeit
zweier Linien liegt bei ca. 0,02 mm (vgl. K
OCH, 2002). Daraus lassen sich verschiedene Richtwerte ab-
leiten, die bei der Darstellung von graphischen Objekten auf Papierkarten eingehalten werden sollen.
In der folgenden Tabelle sind einige diese Grenzwerte aufgeführt.
Tabelle 15: Minimaldimensionen von Kartenzeichen (K
OCH, 2002).
Minimaldimension
Schwarze Linie auf weißem Grund
0,05-0,08 mm
Quadratische Figur (Seitenbreite)
0,40 mm
Punktdurchmesser
0,25 mm
Für
Satellitenbildkarten wurde von COLVOCORESSES (1986) in verschiedenen Experimenten herausge-
funden, dass eine Größe von 0,3 mm des Originalpixels einer optimalen Kartenqualität entspricht
(d.h. ein Pixel mit einer geometrischen Auflösung von 5 m sollte in einer Karte nicht größer als 0,3
mm dargestellt werden. Gerundet auf den nächsten üblichen Maßstab ergäbe sich ein empfohlener
Maßstab von 1:25.000, sodass ein Pixel 0,2 mm groß ist. Hieraus lassen sich folgende Maßstabsbe-
reich für Bilder unterschiedlicher geometrischer Auflösung ableiten.
Tabelle 16: Maßstabsbereiche für die Erstellung von Satellitenbildkarten (A
LBERTZ et al., 1994).
Geometrische Auflösung
Maßstabsbereich
20 m
1:100.000
10 m
1: 50.000
5 m
1: 25.000
2 m
1: 10.000
Im Grunde können diese Werte auch für
Satellitenbildklassifikationen gelten. Allerdings sollte hier der
Betrachtungsgegenstand eher auf den Inhaltselementen liegen. Um den Maßstabsbereich nach den
Inhaltselementen bestimmen zu können, werden im Folgenden die Erfassungskriterien für das ATKIS-
DLM25 herangezogen (vgl. A
DV, 2001).
Bei Topographischen Karten, die aus dem ATKIS abgeleitet werden, handelt es sich wie bei jeder Kar-
te um eine generalisierte und symbolisierte Darstellung der Wirklichkeit. So können in einer Strichkar-
te auch Elemente dargestellt werden, die umgerechnet in den Kartenmaßstab kleiner sind als die Mi-
nimaldimensionen. Dieses betrifft vor allem solche Objekte, die aufgrund ihrer geringen Größe in der
Strichkarte nicht mehr flächenhaft dargestellt werden können und daher symbolisiert als punkt- oder
linienhafte Signatur erscheinen. In einer Satellitenbildklassifikation (Daten mittlerer Auflöung) können
punkt- und linienhafte Objekte i.d.R. nicht erkannt werden. Betrachtet man hingegen die flächenhaf-
ten Objekte, so ist die Erfassbarkeit wesentlich höher. In der folgenden Tabelle sind die flächenhaften
Objekte aus dem ATKIS-Objektartenkatalog und ihre minimale Erfassungsgröße aufgeführt.

41
Objektbereich
Objektart
Erfassungsgröße
2000 Siedlung
2101 Ortslage
10 ha
4000 Vegetation
4101 Ackerland
1 ha
4102 Grünland
1 ha
4107 Wald, Forst
0,1 ha
bei Änderung des Attributes Vegetationsmerkmal
(Laub-, Nadelwald): Erfassung nur, wenn Ob-
jektteile entstehen, die größer 10 ha sind
5000 Gewässer
5112 Binnensee, Stausee, Teich
0,1 ha
Tabelle 17: ATKIS-DLM25 - Erfassungskriterien für flächenhafte Elemente (ADV).
Bei dieser Aufstellung wird deutlich, dass eine Satellitenbildklassifikation aus IRS-Daten den meisten
dieser Erfassungskriterien entspricht. Bei den beiden Objektarten 4107 Wald, Forst und 5112 Binnen-
see, Stausee, Teich ist die Erfassungsgrenze mit 0,1 ha allerdings wesentlich kleiner als die in der
Klassifikation zu erfassenden Flächen. Bei der Objektart 4107 Wald, Forst wird allerdings erst bei einer
Größe von 10 ha eine Änderung von Laub- und Nadelwald erfasst, sodass dieses Kriterium erfüllt ist.
Die anderen Klassen können mit ihrer Minimalfläche mit ausreichender Sicherheit erfasst werden. Für
eine Klassifikation unter Zuhilfenahme des panchromatischen Bandes, wie es in diesem Projekt für ei-
nige Flächen durchgeführt wurde, können diese Kriterien noch besser erfüllt werden.
Für flächenhafte Objekte kann eine IRS-Klassifikation (25m) den Ansprüchen an eine Kartierung im
Maßstab 1:25 000 - 1:50 000 genügen. Dieses gilt nicht für linien- und punkthafte Objekte. Für diese
Objekte kann die Anforderung nur erfüllt werden, wenn eine Einbeziehung aus externen Daten erfolgt.
Für eine Klassifikation, die für flächenhafte Objekte einem Maßstab von 1:25 000 entspricht, wären
Daten mit höherer geometrischer Auflösung nötig (bspw. SPOT5). Somit stände dann auch ein Daten-
satz in einem für landesweite Aufgaben üblichen Maßstabsbereich (z.B. ATKIS, DIGROK) verfügbar.
3.6.1 Wahl des Auflösungsbereiches
Für die Wahl des Auflösungsbereiches ist als wichtigstes Kriterium die spätere Verwendung anzuse-
hen. Von ihr ist abhängig, in welcher Genauigkeit die Daten erfasst werden sollen. Dabei ist nicht
zwangsläufig die höhere geometrische Auflösung die bessere. Dieses soll am Beispiel der Bebauungs-
dichte gezeigt werden (Abbildung 17). Bei ihr handelt es sich um einen Durchschnittswert bezogen auf
eine bestimmte Fläche. In Satellitendaten mittlerer Auflösung treten innerhalb eines Pixels verschiede-
ne Nutzungstrukturen auf und der erfasste Wert ist bereits ein Dichtewert aus bebauten und unbebau-
ten Anteilen. Werden dagegen IKONOS-Daten verwendet, so können Gebäude und Grünflächen ein-
zeln erfasst werden. Um die Bebauungsdichte zu bestimmen, müssen aus diesen Daten Durch-
schnittswerte berechnet werden. Dabei stellt die Wahl der Bezugsfläche ein Problem dar. Wählt man
als Bezugsfläche Straßenblocks aus, ist deren Flächenausdehung i.d.R. größer als die Auflösung bspw.
einer IRS-Aufnahme. Da allerdings die IRS-Daten mit 25m z.T. auch zu grob für einige urbane An-
wendungen sind, können Daten mit einer höheren Auflösung empfohlen werden (bspw. SPOT5)

image
image
42
Abbildung 17: Vergleich von Bildern unterschiedlicher geometrischer Auflösung
(links: IKONOS-Merge (1m), rechts: IRS-LISS (25m)). Um die Bebauungsdichte abzuleiten, müssen
beim IKONOS-Bild aus den verschiedenen Flächennutzungen Dichtewerte berechnet werden. Dazu
müssen Referenzflächen (z.B. Straßenblöcke) herangezogen werden. Bei den IRS-Daten treten in ei-
nem Pixel z.T. mehrere Flächennutzungstypen auf, die Versiegelungsdichte kann hier direkt aus dem
NDVI abgeleitet werden.
Ein weiterer entscheidender Faktor ist derzeit noch die Gesamtdatengröße der Bilder. Mit einer zukünf-
tigen Weiterentwicklung der Rechnerressourcen wird dieses Problem geringer, allerdings sind die Kos-
ten für Neuanschaffungen zu berücksichtigen. Daher sollte dieser Faktor bei der Wahl der Auflösung
mit einbezogen werden, um landesweit einen handhabbaren Datensatz zu erzeugen. Ein entscheiden-
der Vorteil für die Handhabbarkeit der Endergebnisse ist eine, wie auch in diesem Projekt eingesetzte,
Vektorisierung der Daten. Mit ihr ist, je nachdem wie stark die Landschaft strukturiert ist, eine erhebli-
che Reduzierung des Datenumfangs zu erzielen.
3.6.2 Kombination verschiedener Auflösungsbereiche
Aufgrund der im vorherigen Abschnitt beschriebenen Gründe, ist bei einem landesweiten Einsatz von
Fernerkundungsdaten eine Kombination verschiedener Auflösungsbereiche (engl.: multiple level of de-
tail) empfehlenswert. In Abhängigkeit von der Thematik oder von der Strukturierung der Landschaft
können verschiedene levels of detail eingesetzt werden. Da die Landschaft im urban geprägten Raum
stärker strukturiert ist als im ländlichen und im urbanen Bereich eine höhere thematische Untergliede-
rung gewünscht ist, ist der Einsatz eines multiple-level-of-detail-Ansatzes für die Klassifikation in die-
sem Projekt zweckmäßig. Somit kann für einen großen Datensatz ein Mittelweg zwischen Datengenau-
igkeit und Datengröße gefunden werden.
Die Abgrenzung der Teilbereiche, in denen mit unterschiedlicher Auflösung klassifiziert wird, sollte,
wenn sie nicht eindeutig erfolgen kann, so gewählt werden, dass die Flächen mit der höheren Auflö-
sung größer sind, um sicher zu sein, dass alle Flächen dieses Teilbereiches enthalten sind. Beim Zu-
sammensetzen der Klassifikationsergebnisse kann es zu Problemen in den Randbereichen kommen,
dieses tritt vor allem dann auf, wenn die geringere Auflösung kein ganzzahliges Vielfaches der höhe-
ren Auflösung ist, d.h. innerhalb eines Pixels der niedrigen Auflösung liegen nicht genau n ganze Pixel
der höheren Auflösung (z.B. bei Auflösungen von 3 und 10 Metern). Die Probleme im Randbereich
können vermieden werden, wenn zwischen den Teilbereichen ein Überlappungsbereich eingefügt wird.

43
3.7 Synergieeffekte verschiedener Fachbereiche
Flächennutzungsdaten bilden eine thematische Ebene, die in Fachinformationssystemen verschiedener
Fachbereiche eine entscheidende Rolle spielt. Eine gemeinsame Nutzung der klassifizierten Daten in-
nerhalb verschiedener Fachbereiche auf Landesebene scheint daher als sehr empfehlenswert, um
Synergieeffekte und Kosteneinsparungen zu nutzen. Das Landesamt für Umwelt und Geologie könnte
eine zentrale Rolle bei der Bereitstellung dieser Daten übernehmen. Entscheidend für die Akzeptanz
der Daten und damit vielfältige Nutzung in anderen Fachbereichen und der Wirtschaft ist die Haltung
aktueller Daten. Nach F
ORNEFELD et al. (2003) kommt dieser Forderung eine zentrale Bedeutung zu, da
private Anbieter ebenfalls ständig aktuelle Daten vertreiben. Von zentraler Bedeutung sind auch die
Bilddaten selbst. Da verschiedene Fachdisziplinen unterschiedliche Ansprüche an die Dateninhalte stel-
len und weitere Informationen extrahieren wollen, sollten die Daten zentral verwaltet und vertrieben
werden. Hierbei wäre eine Bereitstellung durch das Landesvermessungsamt zu empfehlen. Werden
diese Daten von mehreren Nutzern verwendet, kann eine jährliche Bereitstellung aktueller Daten in
Betracht gezogen werden. Fachbereiche, in denen ein großer Bedarf an aktuellen und flächendecken-
den Flächennutzungsdaten besteht sind der folgenden Tabelle zu entnehmen.
Fachbereich
Einsatzgebiet
Landwirtschaft Agrarstatistik
Subventionspolitik und deren Kontrolle
Grundlagendaten zur Ausrichtung der künftigen Agrarpolitik
Forstwirtschaft Kartierung der Waldbedeckung (MANNHEIM, 2001)
Kontrolle der Bestandsentwicklung
Forstplanung
Erfassung von Waldstrukturparametern (z.B. Baumarten, Wuchsklassen, Altersbereiche)
Erfassung von Waldschäden
Umweltschutz/
Bodenschutz
Zustandsbeurteilung von Natur und Landschaft (z.B. Biotopkartierung (GALLAUN et al.,
1998), Biotopzustand und -entwicklung, Schutzgebietszustand, Versiegelungserhebung,
Landschaftsstrukturbewertung)
Ökologisch orientiertes Umweltmonitoring
Landschaftsstrukturen der Kulturlandschaft als Indikator nachhaltiger Landnutzung (vgl.
W
RBKA et al., 1999)
Erfassung der Bodenerosion
Erarbeitung und Bewertung von integrierten Managementkonzepten für Flusseinzugs-
gebiete (M
ÖLLER)
Habitateignung (E
BERHARDT et al., 2001)
Überwachung von Natura2000-Gebieten
Grundlage für die Entscheidung über Entwicklungsprogramme (z.B. europäische Struktur-
förderprogramme)
Räumliche Planung
Aktuelle Flächeninformationen erforderlich für die Planerarbeitung und Umsetzungs-
kontrolle: Aktualisierung bestehender Landnutzungsklassifikationen (G
ALLAUN et al.,
2001)
Stadtentwicklung (vgl. S
TEINNOCHER et al, 2001)
Flächenverbrauchserfassung
Bestimmung des Landschaftswandels und des Erholungswertes (B
ERGER, 2003)
Wirtschaft
Dokumentation und technische Planung von Versorgungs- und Telekommunikations-
netzen (Energie- und Wasserversorgung, Mobilfunk), Rohstoffabbau, Tourismus
Meteorologie Flächennutzungsdaten zur Bestimmung des Energiehaushaltes (BERGER, 2001)
Tabelle 18: Synergieeffekte durch Nutzung von Flächennutzungsklassifikationen und Satellitendaten
durch mehrere Nutzer: Auswahl von Fachbereichen, die diese Daten nutzen und ihre Einsatzgebiete
(geändert nach A
LBERTZ, 2001; MEINEL et al., 2002; FORNEFELD et al., 2003).

44
3.7.1 Empfehlungen zur weiteren Nutzung von Fernerkundungsdaten
Da aktuelle Satellitenbilddaten und Landnutzungsklassifikationen für breite Anwendungsbereiche in
der Verwaltung und Wirtschaft von hohem Interesse sind, sollten die im vorliegenden Projekt erstell-
ten Daten diesem Anwenderkreis zugänglich gemacht werden. Zu empfehlen wäre, dass die Daten
von einer zentralen Stelle innerhalb des Landes verwaltet und potenziellen Nutzern zur Verfügung ge-
stellt werden. Dabei sollten die von F
ORNEFELD et al. (2003) aufgestellten Anforderungen der Nutzer
erfüllt werden:
Verfügbarkeit: Die Landesverwaltung muss als Anbieter für potenzielle Nutzer in Erscheinung
treten. Der Nutzer muss wissen, welche Daten vorhanden sind und wie aktuell sie sind. Hier
wäre die Einrichtung einer zentralen Auskunftsstelle für sämtliche landesweiten Geodaten zu
empfehlen.
Aktualität: Besonders bei Anwendungen in der Planung sind aktuelle Daten erforderlich. Bei
fehlender Aktualität könnten potenzielle Kunden verloren gehen. Werden Daten von mehreren
Nutzern verwendet, kann eine Aktualisierung in möglichst kleinen Zeitabständen finanziell rea-
lisiert werden.
Flächendeckung: Die Daten sollten möglichst flächendeckend gehalten werden. Bei Flächen-
nutzungsdaten kann diese Forderung bei hoher Aktualität nur mit Fernerkundungsmethoden
erfüllt werden.
Nachvollziehbare Qualität: Dem Nutzer muss Transparenz über die Qualität der Daten gege-
ben sein. Dazu gehören bspw. Informationen zum Aufnahmezeitpunkt und zur Methode der
Aufnahme.
3.8 Aktualisierung der Landnutzungsklassifikation
3.8.1 Aktualisierungsnotwendigkeit
Bestehende Landnutzungsdaten müssen, um ihren Wert zu behalten, in regelmäßigen Zyklen aktuali-
siert werden. Dabei ist eine regelmäßige und in nicht zu großen zeitlichen Abständen durchgeführte
Aktualisierung aus verschiedener Sicht von Vorteil: zum einen aus der Sicht der Nutzung der Daten
und zum anderen aus Sicht der Datenerfassung.
Für die Datennutzung ist entscheidend, dass die Daten aktuell gehalten werden. Veränderungen in der
Landschaft unterliegen einem kontinuierlichen Prozess. Nur wenn diese Veränderungen in zeitlich kur-
zen Abständen in die Daten aufgenommen werden, behalten diese ihren Wert. Aus Nutzersicht gibt es
verschiedene Wichtigkeitsstufen, welche Veränderungen in welcher Häufigkeit aufgenommen werden
sollten. Hinzu kommt, dass sich verschiedene Landschaftsräume verschieden schnell verändern. Im
städtischen Bereich besteht aufgrund der höheren Bevölkerungsdichte und des daraus resultierenden
höheren Entscheidungsbedarfes und der größeren Veränderungsdynamik ein größeres Interesse an
aktuellen Daten. Daher wäre eine Aktualisierung in verschiedenen Levels von Vorteil.
Aus Sicht der Datenerfassung stellt eine Aktualisierung in regelmäßigen Zyklen und möglichst dicht
aufeinander folgend mehrere Vorteile dar. Dadurch kann die Ausgangsklassifikation als Referenz die-
nen. Die aktuellen Bilddaten können mit den Klassifikationsergebnissen verglichen werden. Es muss
keine Gesamterfassung durchgeführt werden, sondern nur die veränderten Bereiche werden neu klas-
sifiziert. Somit können die Ergebnisse schneller vorliegen, wodurch die Kosten erheblich gesenkt wer-

45
den können. Hinzu kommt, dass durch eine regelmäßige Aktualisierung die angewandte Technologie
stetig verbessert werden kann. So kann bspw. für jede klassifizierte Fläche eine Aussage über die Da-
tensicherheit gegeben werden, wenn sie zu mehreren Zeitpunkten identisch klassifiziert wurde. Durch
Einbeziehung mehrerer Datensätze aus unterschiedlichen Zeitpunkten im Vegetationszyklus kann ein
multitemporaler Klassifikationsansatz gewählt werden, in dem phänologische Aspekte berücksichtigt
werden können und somit ein sichereres Ergebnis erzielt werden.
3.8.2 Aktualisierungsmethoden
Für eine effiziente und kostengünstige Aktualisierung empfiehlt es sich einen multi-zyklischen Ansatz
zu wählen. Dabei wird die Klassifikation in verschiedenen regelmäßigen Zyklen mit unterschiedlicher
Zielstellung aktualisiert.
Eine vorliegende Landnutzungsklassifikation könnte demnach in unterschiedlicher Häufigkeit aktuali-
siert werden. Die nachfolgende Reihenfolge richtet sich nach der Periodendauer mit der gearbeitet
werden soll (Abbildung 18):
Aktualisierung von Bereichen, die für die Thematik interessant sind oder hohen dynamischen
Änderungen unterliegen und daher häufiger als andere Bereiche aktualisiert werden sollten.
Hier wird als Beispiel der urbane Bereich genommen für den die größte Veränderungsdynamik
zu erwarten ist. Mit dieser Methode kann für diese Bereiche eine „Spitzenaktualität“ wie in
ATKIS erzielt werden.
Vollständige Aktualisierung. Das Gesamtgebiet wird aktualisiert.
Vollständige Neuerfassung. Werden neue Methoden zur Klassifikation entwickelt, die ein bes-
seres Ergebnis erwarten lassen, sollten diese Neuerungen eingehen. In diesem Fall ist eine
Aktualisierung nicht empfehlenswert, sondern es sollte eine Neuerfassung stattfinden. Die
neuen Methoden können auch auf die alten Satellitendaten angewendet werden, sodass man
eine neue Klassifikation der alten Daten erhält, die wiederum besser mit den neuen Daten zu
vergleichen sind.
Abbildung 18: Multi-zyklischer Aktualisierungsansatz für die Landnutzungsklassifikation
Empfehlenswert ist es in diesen Aktualisierungsansatz aktuelle ATKIS-Daten einzubeziehen. Im ATKIS
sollen Straßen mit einer Spitzenaktualität erfasst werden. Diese Daten sollten, sobald sie vorliegen, in
den Datenbestand integriert werden, auch wenn keine neue Klassifikation durchgeführt wird (Abbil-
dung 19).

46
Abbildung 19: Multi-zyklischer Aktualisierungsansatz für die Landnutzungsklassifikation mit Einbindung
neuer Daten aus ATKIS mit Spitzenaktualität als weiteren Aktualisierungszyklus.
Eine Aktualisierung kann in regelmäßigen Abständen erfolgen. Es wäre möglich, eine Aktualisierung in
Abhängigkeit von der Veränderungsdynamik durchzuführen, d.h. ändert sich viel, wird häufiger aktua-
lisiert und umgekehrt. Dazu muss ein Indikator gefunden werden, aus dem die Dynamik abgeleitet
werden kann. Hierzu könnte die Sächsische Gemeindestatistik herangezogen werden, in der jährlich
Landnutzungsdaten für jede Gemeinde erhoben werden (Abbildung 20).
Abbildung 20: Multi-zyklischer Aktualisierungsansatz für die Landnutzungsklassifikation mit zusätzlicher
Einbindung von Daten der Gemeindestatistik als Indikator für einen Aktualisierungsbedarf.

47
3.9 Zusammenfassung und Ausblick
Wachsende wirtschaftliche Aktivitäten sind eine Ursache für ständige Veränderungsprozesse in der
Flächennutzung und zunehmende Dynamik in den Veränderungen des Landnutzungsmusters. Die öko-
logischen wie ökonomischen Auswirkungen dieser Veränderungen sind von wesentlichem Interesse für
politische Entscheidungsträger auf allen Ebenen. Um diese Veränderungen bewerten und beobachten
zu können, sind sowohl qualitative als auch quantitative Informationen nötig. Der Bedarf an standardi-
sierten Erhebungsmethoden für größere Untersuchungsbereiche wächst. Die Satellitenfernerkundung
spielt hier eine wichtige Rolle, da diese Daten eine kontinuierliche und einheitliche Informationsquelle
für größere Untersuchungsräume darstellen. Ein weiterer Vorteil ist in der leichten Integrierbarkeit der
Auswerteergebnisse in Geoinformationssysteme zu sehen. Hierfür ist die Interoperabilität der Daten
entscheidend, die eine Integration verschiedenartiger Daten in einem Arbeitsablauf zum Ziel hat, um
diesen zu verbessern. Bei der Datenerfassung bedeutet dies die Nutzung von verschiedenen Grundla-
gendaten, wie Rasterdaten unterschiedlicher geometrischer und spektraler Auflösung und aktuelle
Vektordaten. Entscheidend ist eine vielfältige Nutzung der Daten, sowohl der Satellitenbilder als auch
der Klassifikationsergebnisse. Hier ist eine Kooperation zwischen den Landesverwaltungen wichtig.
Beispielgebend für eine Zusammenarbeit zwischen Verwaltung und Wirtschaft im Geoinformationswe-
sen ist die „Initiative Geodateninfrastruktur Nordrhein-Westfalen“, die bestrebt ist, den Geoinfor-
mationsmarkt zu aktivieren und den Zugang zu Geoinformation zu verbessern (G
EODATENINFRASTRUKTUR
NRW).
Im Zuge des vorliegenden Projektes wurden wichtige Datensätze erstellt, die eine vielfältige Nutzung
in verschiedenen Bereichen der Verwaltung und Wirtschaft zulässt. Für eine zukünftige, effiziente Wei-
terverarbeitung und Nutzung der Flächennutzungsklassifikation lassen sich folgende Handlungsemp-
fehlungen geben:
(1) Die Flächennutzungsklassifikation stellt einen wichtigen Datensatz für verschiedenste Planungs-
entscheidungen dar. Entscheidend für die Qualität ist die Aktualität der Daten. Daher muss der
Datenbestand aktuell gehalten werden. Es wird eine Aktualisierung in Abständen von 2-3 Jahren
empfohlen (bei einem Flächenverbrauch in Sachsen von 8 ha pro Tag (bezogen auf 1996-2000),
entstehen innerhalb dieses Zeitraumes neue Siedlungs- und Verkehrsflächen mit eine Größe, die
die Gesamtfläche des Kreises Görlitz, Stadt übertrifft!).
(2) Eine Aktualisierung in diesen Abständen ist effizient nur mit Fernerkundungsmethoden möglich.
Bei festgelegten Vorgehensweisen ist bei der automatischen Klassifikation eine schnelle Erfassung
(wenige Monate) möglich. Andere Aufnahmemethoden, wie terrestrische oder Luftbildauswertun-
gen können diese nicht leisten. Andere flächendeckende Daten, wie bspw. ATKIS weisen eine
nicht ausreichende Aktualität und Homogenität auf.
(3) Innerhalb des Projektes sind Datensätze entstanden, die für verschiedene Nutzer interessant sind.
Diesen potenziellen Nutzern sollten die Daten zur Verfügung gestellt werden. Hierzu wäre es emp-
fehlenswert, wenn Geodaten der Landesverwaltung von einer zentralen Stelle gehalten und ver-
trieben werden. Bei gemeinsamer Nutzung durch mehrere Nutzer wäre eine laufende in kurzen
Zeitintervallen zu erfolgende Aktualisierung finanziell zu bewerkstelligen.
(4) Satellitenbilddaten als Grundlage für vielfältige Anwendungen sollten zentral von einer Stelle in
der Landeserwaltung erworben werden. Den potenziellen Anwendern in den Verwaltungen sollten
diese Daten für ihre fachspezifischen Auswertungen zur Verfügung gestellt werden. Werden die

48
Satellitenbilder von mehreren Anwendern genutzt, wäre eine jährliche Anschaffung empfehlens-
wert, um stetig aktuelle Datensätze bereitstellen zu können. Die Kosten werden dabei auf mehre-
re verteilt. Zu empfehlen wäre ein Ankauf von SPOT5-Daten, da sie für einen relativ geringen
Preis Daten bieten, die sowohl für landesweite als auch für kommunale Aufgabenstellungen ge-
eignet sind.
(5) Da von den verschiedenen Verwaltungen Geodaten zur Verfügung gestellt werden, die für viele
Anwender interessant sind, ist wäre eine horizontale (innerhalb der Landesverwaltungen, aber
auch länderübergreifend - Ziel sollte eine länderübergreifende Homogenisierung sein) und vertika-
le Integration (zur kommunalen und Bundesverwaltung) von Daten äußerst empfehlenswert.

image
image
image
image
image
image
image
49
4 Arbeiten und Ergebnisse
4.1 Datenbeschaffung und Aufbereitung
Im Rahmen des AP 2000 erfolgte u.a. die Beschaffung, Atmosphärenkorrektur und Georeferenzierung
der erforderlichen Satellitenbilddaten und benötigten Zusatzdaten.
4.1.1 Datenbeschaffung
Für Sachsen wurden IRS-1C/1D Daten, davon 3 Szenen IRS-Liss und 14 Szenen IRS-Pan gekauft. Die-
se dienten als Ausgangsbasis für eine flächendeckende Landnutzungs- und Versiegelungskartierung
des Freistaates. Diese Daten wurden im Verlauf des Projektes noch durch aktuelle Landsat-ETM Daten
ergänzt. Die Landsat-ETM Daten wurden jedoch nicht gesondert ausgewertet, sondern als Zusatzin-
formation zur besseren Erkennung von Dauergrünland in die Klassifikation der Flächennutzung einge-
bunden. Diese Satellitenbilddaten können nach Projektende nicht dem LfUG zur Verfügung gestellt
werden. Für die Auswertung der Beispielgebiete Freiberg, Dresden und Chemnitz wurden modernste
hochauflösende IKONOS-Archivdaten und Quickbird-Daten gekauft.
Abbildung 21: IRS-Liss (Falschfarben)
– 24.09.2000 / 10.06.2000
IKONOS (Pan) Freiberg
(21.05.2000)
IKONOS (ms) Freiberg
(21.05.2000)
IKONOS (pan)
Dresden (04.06.2000)
IKONOS (ms)
Dresden (04.06.2000)
Abbildung 23: Ikonos / Quickbird
Abbildung 22: IRS-Pan
– versch. Aufnahmezeitpunkte
aus dem Jahr 2000

image
image
image
image
image
50
Die IKONOS Neuaufnahme vom Gebiet Chemnitz konnte von Space Imaging Europe nicht geliefert
werden, da der Betrieb der Empfangsstation eingestellt wurde. Aus diesem Grund wurde für das Test-
gebiet in Absprache mit dem LfUG auf Quickbird-Daten ausgewichen. Seit dem 5.7.2002 liegen die
Quickbird-Daten des Gebietes Chemnitz vor. Die Daten wurden am 18.6.2002 aufgenommen und sind
komplett wolkenfrei. Quickbird-Daten besitzen vier multispektrale Kanäle mit einer Pixelauflösung von
2.80 Meter sowie einen panchromatischen Kanal mit einer Auflösung von 0.70 Meter.
Abbildung 24: Quickbird-Szene Chemnitz
Aufgrund einer umfangreichen Datenübergabe durch das LfUG konnte auf folgende Zusatzdaten zu-
rückgegriffen werden
-
DLM25
-
DGM25, DHM/M745
-
RD10, RD50, RD200,
-
VÜK
-
Ortholuftbilder
Diese Daten liegen seit 17. Januar 2002 vor und wurden im Projektverlauf in die Auswertung einge-
bunden.
Abbildung 25: DGM25
Abbildung 26: RD50
Abbildung 27: Ortholuftbild

image
51
4.1.2 Datenaufbereitung
Um die gewünschte Klassifikationsgenauigkeit zu erreichen, ist bereits bei der Datenaufbereitung auf
eine Minimierung der geometrischen und radiometrischen Fehler zu achten. Erfahrungen zeigen, dass
die Höhenunterschiede im Süden Sachsens die Georeferenzierung mit Höhenmodell und eine Beleuch-
tungskorrektur notwendig machen, um eine homogene Auswertung der Satellitenbilddaten zu gewähr-
leisten. Um den phenologischen Gegebenheiten Rechnung zu tragen, ist zumindest eine Histogramm-
anpassung aller Szenen auf jeweils eine Master-Szene (LISS und Pan) erforderlich.
Nach erfolgter Georeferenzierung und radiometrischer Korrektur wurden die Daten mit Hilfe von Cutli-
nes mosaikiert. Die Digitalisierung von Cutlines entlang von Flächennutzungsgrenzen verhindert die
Teilung homogener Gebiete, z.B. Waldflächen, an Kanten von Satellitenbildszenen. Noch vorhandene
radiometrische Unterschiede haben somit keinen Einfluss auf das Klassifikationsergebnis innerhalb ei-
ner gleichartigen Flächennutzung.
Liegen die georeferenzierten Mosaike für IRS-Liss und Pan Daten vor, werden sie zur besseren Hand-
habbarkeit in gleich große Kacheln unterteilt. Durch dieses Vorgehen wird die Prozessierungsge-
schwindigkeit um ein Vielfaches erhöht. Angedacht war zu Beginn des Projektes eine Kachelgröße ent-
sprechend dem Blattschnitt der Topographischen Karte 1:100 000. Im weiteren Verlauf des Projektes
zeigte sich jedoch, dass die Größe der zu verarbeitenden Schnitte auf die maximal mögliche Segmen-
tierungs- und Klassifikationsgröße in der objektorientierten Klassifikationssoftware eCognition ange-
passt werden sollten. Die Landesfläche des Freistaates Sachsen wurde hierzu in 26 überlappende Teil-
flächen unterteilt.
Um ein digitales Höhenmodell flächendeckend für Sachsen zu erstellen, wurden die zwei Höhenmodel-
le ATKIS DGM25 und DHM/M745 zusammengesetzt. Das DGM25 liegt im 4. Meridianstreifen, Kron-
städter Pegel (HN) mit einer Auflösung von 20m und einer Genauigkeit von +/-2m vor. Das DHM 745
liegt im 4. Meridianstreifen, Amsterdamer Pegel (NN) mit einer Auflösung von 50m und einer Genau-
igkeit von +/-5m im Flachland, +/- 9m im Berg- und Hügelland sowie +/-15m im Gebirge vor. Da das
DGM25 nicht flächendeckend vorhanden ist, wurde ein Mosaik aus beiden Höhenmodellen erstellt,
wobei das DGM25 mit seiner besseren Auflösung den Großteil des Gebietes abdeckt.
Abbildung 28: Überlagerung des ATKIS DGM25 (grau) und des DHM/M745 (grün)

image
image
52
Die Abweichungen der Höhen an der Schnittkante sind vernachlässigbar klein und werden in folgen-
dem Diagramm dargestellt.
Abbildung 29: Residuen der Schnittkanten von ATKIS DGM25 und DHM/M745
Abbildung 30: Mosaik der beiden Höhenmodelle
Die Bereitstellung des vollständigen ATKIS DGM25 Höhenmodells durch das LfUG im April 2002 er-
möglichte eine verbesserte Aufbereitung der Satellitenbilddaten, da nicht wie beim bisherigen Höhen-
modell eine Verschneidung von zwei unterschiedlichen Modellen (ATKIS DGM25, nicht flächende-
ckend, und DHM/M745) notwendig ist. Das DGM25 liegt im 4. Meridianstreifen, Kronstädter Pegel mit
einer Auflösung von 20m und einer Genauigkeit von+/-2m vor.

image
image
image
image
53
Für die Aufbereitung der Referenzierungsgrundlage wurden die Rasterdaten der TK50 zunächst als
img-Files importiert, die drei Layer Situation, Gewässer und Wald in einem Pseudocolorbild kombiniert
sowie zu Karten mit jeweils 4 TK50 Blattschnitten mosaikiert. Dabei entstanden 23 Karten für das Ge-
samtgebiet Sachsens. Sie bilden die Referenzierungsgrundlage für die Georeferenzierung der IRS-Pan
Daten.
4.1.2.1 Geometrische und Radiometrische Korrektur
Die Georeferenzierung der IRS-Pan Daten erfolgte als Orthorektifizierung mit Höhenmodell im 4. Meri-
dianstreifen. Die Vorteile einer dreidimensionalen Entzerrung liegen vor allem in einer höheren Pass-
genauigkeit im Bergland, wo Reliefunterschiede signifikante Abweichungen hervorrufen können. Die
Referenzierungsgrundlage für die x,y-Richtung bildeten die Topographischen Karten, die z-Koordinate
wurde aus dem aufbereiteten Höhenmodell übernommen. In den Überlappungsbereichen der einzel-
nen IRS-Pan Szenen erfolgte zusätzlich eine Bild-zu-Bild-Entzerrung. Insgesamt wurden 268 über
Sachsen gleichverteilte Passpunkte gesetzt. Referenziert wurden nur die Bereiche der IRS-Pan Szenen,
die durch das Höhenmodell abgedeckt waren.
Abbildung 33: Passpunktverteilung über Pan-
Szenen
Abbildung 34: Referenzierte Pan-Szenen für den
Bereich des vorliegenden Höhenmodells
Abbildung 31: Überlagerung des ATKIS
Abbildung 32: vollständiges ATKIS
DGM25 (grau) und des DHM/M745 (grün)

image
image
54
Als nächster Schritt war eine Beleuchtungskorrektur auf Basis des Höhenmodells (topographische Kor-
rektur) vorgesehen. Nach durchgeführten Tests erwies es sich jedoch, dass die dafür standardmäßig
verwendete Kosinuskorrektur für den Zweck der Eliminierung von Beleuchtungsunterschieden nicht
brauchbar ist, da Schattenbereiche extrem aufgehellt werden. Die in der Literatur empfohlene semi-
empirische Kosinuskorrektur liefert gute Ergebnisse, allerdings erfolgt sie über Testgebiete, dass heißt,
die Korrektur wird auf spezielle Flächenbedeckungen ausgerichtet, so dass z.B. nur Waldgebiete opti-
mal korrigiert werden. Für die hier vorgesehene Anwendung würde das bedeuten, dass für jede Land-
nutzung eine getrennte Korrektur stattfinden müsste, also für jede dieser Nutzungen ein eigens korri-
gierter Datensatz entstehen würde. Damit würde der Rahmen an Arbeitsaufwand und Datenmenge
wesentlich gesprengt werden. Zusätzlich müsste auf Referenzdaten, also vorliegende Flächennut-
zungsklassifikationen zurückgegriffen werden, um die Bereitstellung von Testgebieten zu ermöglichen.
Die von 1991 existierende Flächennutzungsklassifikation kann allerdings nur sehr eingeschränkt auf
die aktuellen Satellitenbilddaten angewandt werden. Im weiteren Vorgehen wird deshalb auf eine Be-
leuchtungskorrektur der Satellitenbilddaten verzichtet. Die Definitionen der einzelnen Klassen werden
so weit gefasst, dass sie diese Unterschiede mit beinhalten.
Um die IRS-Pan-Daten in guter Qualität segmentieren zu können, ist die Entfernung der IRS-typischen
Streifen erforderlich. Die Streifung entsteht bei der Aufnahme oder der Prozessierung der Szenen und
wird durch die Streckung der in 6bit aufgenommenen Daten auf 8bit verstärkt. Um diesem Effekt ent-
gegenzuwirken, wurden die Daten zunächst wieder auf 6bit skaliert und anschließend mit einem Medi-
an-Filter gefiltert. Bereits durch die Skalierung auf 6bit wird das Segmentierungsergebnis wesentlich
verbessert. Für die Verwendung eines Filters wurden verschiedene Tests durchgeführt, um die Eig-
nung zur Verbesserung des Segmentierungsergebnisses zu untersuchen. Das beste Ergebnis wurde
bei der Verwendung eines 5x5 Median-Filters erzielt, bei dem die ursprünglichen Konturen und Grau-
wertinformationen weitgehend erhalten bleiben.
Für die Verwendung eines Filters wurden zunächst Tests durchgeführt, um die Eignung zur Verbesse-
rung des Segmentierungsergebnisses zu untersuchen. Das Ergebnis einer Low-Pass-Filterung ergab
eine Glättung der Konturen, die allerdings auf das Segmentierungsergebnis keinen negativen Einfluss
hatte. Bei der Median-Filterung blieben die Konturen erhalten. Einen größeren Einfluss auf die Aus-
Abbildung 35: segmentiertes Originalbild (8bit)
Abbildung 36 Segmente im skalierten Bild (6bit)

image
image
image
55
wahl des Filters hatte jedoch der bessere Erhalt der Grauwertinformationen beim Median-Filter, wo-
hingegen der Low-Pass-Filter zu viele Strukturen vernachlässigte (vgl. Abb.38 / 39).
Eine Schwierigkeit für die Klassifizierung der IRS-Daten ergab sich durch die unterschiedlichen Auf-
nahmezeitpunkte. Die Daten der einzelnen Szenen variierten sowohl im Aufnahmejahr als auch im
Monat, wobei sich durch die jahreszeitlichen Abweichungen (Mai - September) wesentlich größere Un-
terschiede, vor allem in der Vegetation, ergaben. Eine gemeinsame Klassifizierung aller Szenen mit
einem Klassifikationsalgorithmus war aus diesem Grunde nicht empfehlenswert. Angestrebt war daher
die Einbeziehung der temporalen Eigenschaften der einzelnen Klassen in das objektartenbasierte Klas-
sifizierungssystem sowie die getrennte Aufbereitung und Klassifikation der Szenen verschiedenen Da-
tums.
Abbildung 38: Low-Pass gefilterte Daten
Abbildung 39: Filterung mit Median-Filter
Abbildung 37: skaliertes Bild (6bit)

image
image
image
image
image
56
Abbildung 40: Übersicht Aufnahmedaten bei IRS-Pan
Abbildung 41: IRS-pan Datum
2 Szenen vom 13. Juni 2000
c) 2 Szenen vom 10. Juni 2000 d) 4 Szenen vom
24. September 2000
Abbildung 42 Überlappungsbereiche der IRS-Pan-
Daten (braun)
In Abb. 42 wird deutlich, dass ca. 40% des
gesamten Gebietes von zwei oder mehreren
Zeitschnitten abgedeckt wird. Da angestrebt
wird, die Szenen einzeln und in ihrer gesam-
ten Größe zu klassifizieren, ist der daraus ent-
stehende Mehraufwand genauer zu betrach-
ten. Es ist jedoch unbestreitbar, dass der hö-
here Rechenaufwand durch die Möglichkeit
einer multitemporalen Auswertung der Daten
kompensiert werden kann. Das heißt, durch
die Integration der temporalen Eigenschaften
einer Klasse in das Auswertesystem lassen
sich in solchen Überlappungsbereichen Objek-
te wesentlich besser einer Klasse zuweisen,
wenn sie zu verschiedenen Aufnahmezeit-
punkten aufgenommen wurden und für sie
somit ein höherer Informationsgehalt vorliegt.
Abb. 40 zeigt eine Übersicht der einzelnen
IRS-Pan-Szenen und ihrer Aufnahmedaten.
Es ist zu erkennen, dass drei Gruppen glei-
chen Datums zusammengefasst werden
konnten (vgl. Abb. 41).
Diese Szenen wurden mosaikiert und im
Weiteren jeweils als ein Teilstück betrach-
tet. Damit ergab sich eine Anzahl von 9
Szenen/Teilstücken für die weitere Bearbei-
tung

57
Die Referenzierung der IRS-Liss Daten erfolgte nicht über die Orthorektifizierung, da bei dieser Auflö-
sung Verschiebungen durch Reliefeinwirkungen nicht mehr relevant sind. Die Passpunkte wurden je-
doch von der Orthorektifizierung der IRS-Pan Daten übernommen.
4.1.2.2 Siedlungsmaske aus Texturanalyse
Für die Klassifikation der Flächennutzung als auch des Versiegelungsgrades ist es sinnvoll, verschiede-
ne Zusatzlayer zu prozessieren, die in den Klassifikationsprozess einbezogen werden können. Dazu
zählen Texturlayer, aus denen sich z.B. Siedlungsmasken ableiten lassen. Siedlungen definieren sich
dabei als im Zusammenhang bebaute Flächen mit mindestens 10 ha Flächengröße oder 10 Anwesen,
die miteinander in räumlichen Zusammenhang stehen. Die Siedlungsfläche enthält neben Wohnbau-,
Industrie- und Gewerbefläche auch Fläche gemischter Nutzung (Gebäude und Freifläche), Fläche be-
sonderer funktionaler Prägung und dazu in engen räumlichen und funktionalen Zusammenhang ste-
hende Flächen des Verkehrs. Hofflächen, Hausgärten, Gewässer und Erholungsflächen sind in die De-
finition der Siedlung ebenfalls mit einzubeziehen. Um Siedlungsbereiche aus panchromatischen IRS-
Daten selektieren zu können, wurden nachfolgende Bearbeitungsschritte eingehalten:
Abbildung 43: Arbeitsschritte zur Erstellung von Siedlungsmasken
Die meisten Ansätze zur Quantifizierung von Textur beruhen auf der Untersuchung der räumlichen
Verteilungen von Grauwerten mit Hilfe von verschiedenen statistischen Modellen, wodurch eine zah-
lenmäßige Erfassung und Beschreibung der Grauwertstatistik möglich wird. Die statistischen Parame-
ter zweiter Ordnung verwenden so genannte Grauwert-Abhängigkeitsmatrizen („grey-level co-
occurence matrices“, GLC), die die räumliche und spektrale Verteilung der Grauwerte in einem Bild
Vorverarbeitung IRS-pan (median 3x3)
Texturberechnung (Entropie, Kontrast,
IDM, Urban)
Potentialflächen aus Schwellwerten
Lokale Statistik & Formparameter
bestimmen
Reduktion über Schwellwerte
Manuelle Nachbearbeitung /
Generalisierung
Prozessierung Siedlungsmaske

image
image
image
image
image
image
image
58
statistisch wiedergeben. Diese Berücksichtigung der Nachbarschaftsbeziehungen ist ein grundlegendes
Merkmal der Textur. Die Statistischen Parameter erster Ordnung, wie z.B. Varianz oder Mittelwert, ge-
ben zwar Auskunft über die Nachbarschaft eines Pixels, jedoch nicht über die räumliche Verteilung der
Grauwerte. Nach HARALICK et al. (1973) werden Texturmerkmale über die Verwendung von GLC-
Matrizen abgeleitet. Eine GLC-Matrix ist die Schätzung der Wahrscheinlichkeit des Übergangs von ei-
nem bestimmten Grauwertniveau auf ein anderes Grauwertniveau zweier benachbarter Bildelemente.
Die Achsen (x,y) der Matrix definieren sich über den Grauwertbereich. Die Schätzung erfolgt durch
Zählen der auftretenden Grauwertübergänge und anschließende Normierung. Eine GLC-Matrix beinhal-
tet demnach die normierten Häufigkeiten p(i,j) mit der zwei in einem definierten Abstand benachbarte
Bildelemente mit den Grauwerten i beziehungsweise j in einer bestimmten Richtung im Bild auftreten.
Jedes Element in dieser Matrix drückt somit aus, wie oft ein Grauwert einem anderen in einem be-
stimmten Abstand und Richtung folgt. Abstand und Richtung sind zuvor festzulegen. Die Reihenfolge
der Grauwerte wird nicht berücksichtigt, d.h. p(i,j)=p(j,i). Die Größe der GLC-Matrix ergibt sich aus
dem Grauwertbereich des untersuchten Bildes (8-Bit = 256 Grauwerte) (vgl. STEINNOCHER 1997, 145
und MATHER 1987 112ff.).
Abbildung 44: Visualisierung der grey-level co-occurence Matrix (GLC)
Abbildung 20 zeigt die Ausbreitung der Bildelemente der Landbedeckungsart „Siedlung“ in den vier
Bildrichtungen horinzontal (hor), vertikal (ver), rechtsdiagonal (hd) und linksdiagonal (nd). Je weiter
sich die Bildelemente von der Hauptdiagonalen entfernen, desto heterogener ist das Bild und größer
sind die Grauwertübergänge in der jeweiligen Bildrichtung. Im gezeigten Fall sind z.B. die Grauwertun-
terschiede in horizontaler Richtung (hor) größer als in vertikaler Richtung (ver). Es ist grundsätzlich
möglich, die Textur eines Bildes in drei verschiedene Arten einzuteilen (vgl. Abb 44). Dies sind
rich-
tungsabhängige Flächen
(z.B. Acker), richtungsunabhängige inhomogene Flächen (z.B. Siedlungen)
und
richtungsunabhängige homogene Flächen (z.B. Wald). Die Siedlungen sind richtungsunabhängige
Acker
ver
hd
nd
hor
richtungsunabhängig
homogen
richtungsabhängig
richtungsunabhängig,
inhomogen
Acker
Siedlung
Wald

59
inhomogene Flächen, die in jeder Richtung eine andere Streuung der Grauwerte aufweisen und insge-
samt einer sehr starken Streuung unterliegen. Wald- oder Wasserflächen hingegen sind homogene
Landbedeckungsarten mit nur geringer Streuung. Wenn das Grauwertniveau benachbarter Bildele-
mente nur gering differiert, sind die Häufigkeitsangaben (>0) in den GLC-Matrizen eher diagonal an-
gesammelt, d.h. das Bild ist relativ homogen. Im Gegensatz dazu bedeuten Elemente, die weit von
der Diagonale entfernt liegen, starke Grauwertsprünge, also Inhomogenität im Bild. Durch die Analyse
der lokalen Umgebung kann für jedes Pixel eine GLC-Matrix berechnet und in der Folge ein Textur-
merkmal abgeleitet werden. Dieses Texturmerkmal gibt die Charakteristik der GLC-Matrix in einem
einzigen Wert wieder. Ergebnis dieses Prozesses ist ein sogenanntes Texturmerkmalsbild, dessen
Grauwerte die gerichtete texturale Charakteristik des Ausgangsbildes repräsentieren. Um die gesamte
texturale Ausprägung eines Bildes zu erfassen, ist die Berechnung von Texturmerkmalen unterschied-
licher Orientierungen, d.h. horizontal, vertikal, rechtsdiagonal und linksdiagonal notwendig.
(STEINNOCHER et al. 2000, 483). HARALICK et. al (1973) geben 14 unterschiedliche Texturmerkmale
an, von denen vier für die Texturanalyse der IRS-Pan Daten berechnet wurden. Das „Angular Second
Moment“ (ASM) entspricht der Quadratsumme der Häufigkeiten der GLC-Matrix und beschreibt damit
die Homogenität des untersuchten Bildes.
ASM =
∑∑
[p(i,j)]²
i
j
Ein Datensatz, dessen Elemente mit einem einzigen Grauwert besetzt sind, würde dementsprechend
den Texturwert eins erhalten. Bei steigender Inhomogenität reduziert sich das ASM potentiell. Berück-
sicht wird hierbei nur, ob benachbarte Bildelemente identisch sind oder nicht, das Ausmaß des Grau-
wertunterschiedes zwischen den Bildelemente wird nicht beachtet. Ein Schachbrettmuster, das aus
den Grauwerten 254 und 255 besteht, würde das gleiche ASM ergeben, wie eines, das sich aus den
Grauwerten 0 und 255 zusammensetzt. Bei dem „Inverse Difference Moment“ (IDM) wird im Gegen-
satz dazu die Grauwertdifferenz im Nenner als Gewichtungsfaktors eingeführt. Je geringer die Diffe-
renz benachbarter Grauwerte, desto höher wird es gewichtet.
IDM =
∑∑
1/(1+(i-j)²) * p(i,j)
i
j
Bei dem oben genannten Beispiel des Schachbrettmusters würden also deutlich unterschiedliche IDM-
Werte, bedingt durch die Grauwertdifferenz, errechnet werden (STEINNOCHER 1997, 146). Nach
STEINNOCHER (1994) hat sich das IDM zur Analyse panchromatischer Satellitenbilddaten als vorteil-
hafter erwiesen, da das ASM durch die fehlende Grauwertgewichtung bereits leicht verrauschte ho-
mogene Ausschnitte als inhomogen ausweist. Zwei weitere Texturmerkmale sind die Entropie und der
Kontrast, die ebenfalls für die panchromatischen Szenen berechnet wurden. Die Entropie ist ein Maß
für den Informationsgehalt der Textur, d.h. je größer die Anzahl unterschiedlicher Grauwertübergän-
ge, umso größer ist die Entropie.
ENT = -
∑∑
p(i,j) log (p(i,j))
i j
Der Kontrast ist das Maß für die Stärke der Grauwertübergänge. Je größer die Differenz zwischen den
Grauwerten, umso höher ist der Kontrast.

image
image
60
(Ng-1)
Ng Ng
CON =
(i-j)² * [∑∑ p(i,j)]
|i-j|
i=1 j=1
Mit Hilfe des IDM-Texturmerkmals lässt sich ein Merkmalsbild berechnen, welches die Siedlungsberei-
che deutlich von ihrer Umgebung abheben lässt. Über dieses Merkmalsbild kann in einem weiteren
Schritt eine Siedlungsmaske berechnet werden. Das IDM-Merkmalsbild enthält zunächst auch alle Ob-
jektkanten der Szene. Objektkanten geben aber nur die spezifischen Grenzen der Objekte wieder, sie
weisen weder Ton noch Textur auf. Zwar lässt sich Textur über das regelmäßige Auftreten von Kanten
definieren, eine einzelne Objektkante kann jedoch noch nicht als Textur bezeichnet werden. Daher ist
es notwendig, „kantenfreie“ Texturmerkmalsbilder zu erzeugen (STEINNOCHER 1997, 146ff).
Die Extraktion textureller Charakteristiken sowie die Eliminierung von Objektkanten ist über verschie-
dene Rechenoperationen möglich: Das Mittel aus den IDM-Texturmerkmalsbildern erlaubt die Diffe-
renzierung zwischen richtungsunabhängigen homogenen und inhomogenen Gebieten. Die Bildung der
maximalen Differenz der Texturmerkmalsbilder orthogonaler Richtungen weist richtungsabhängige
Flächen (z.B. Feldkanten) durch hohe Grauwerte aus, während Flächen wie z.B. Siedlung oder Wald
aufgrund ihrer richtungsunabhängigen Texturierung nur geringe Werte erhalten. Die Summenbildung
des Mittels und der maximalen Differenz schließlich eliminiert die Kanten, sie werden auf das Werteni-
veau der homogenen Gebiete angehoben, inhomogene Gebiete bleiben jedoch auf ihrem niedrigen
Niveau. Dieses Summenbild ist nun richtungsunabhängig, unterscheidet homogene und inhomogene
Gebiete und weist keine Einzelkante mehr auf (STEINNOCHER 1997, 148ff.).
Abbildung 45: Summenbild aus Mittel und maxi-
maler Differenz der IDM-Texturmerkmalsbilder
Abbildung 46: Siedlungsmaske aus IDM-Textur

image
61
Die Berechnung der Texturmerkmalsbilder für die Merkmale IDM, ASM, Entropie, Kontrast und die Be-
rechnung der Summenbilder aus den IDM-Texturen für alle IRS-Pan Szenen entsprach einem Prozes-
sierungszeitraum von ca. 3 Wochen (Rechnerzeit). Darin nicht eingeschlossen sind die Tests für die
endgültige Vorgehensweise.
Um aus den Texturmerkmalsbildern eine Siedlungsmaske abzuleiten, wurde folgendes Konzept entwi-
ckelt. Das Summenbild aus dem Mittel und den maximalen Differenzen der IDM-Texturbildern wird
über einen Schwellwert, der sich mit Hilfe des Mittelwertes und der Standardabweichung ableiten
lässt, in ein Binärbild gewandelt, aus dem nach entsprechender Filterung (Opening, Closing) eine
Siedlungsmaske prozessiert werden kann. Um dieses Ergebnis noch zu verbessern, wird die Sied-
lungsmaske durch eine weitere Maske ergänzt, die über das Texturmerkmal Kontrast abgeleitet wird
und alle homogenen Flächen erfasst. Damit werden weitestgehend alle Ackerflächen eliminiert, die
das Ergebnis der Versiegelungskartierung verfälschen könnten. Letztendlich ist es jedoch auf Grund
der begrenzten spektralen und geometrischen Eigenschaften des Sensors nicht möglich, eine Sied-
lungsmaske ohne Fehlklassifikationen auf automatisiertem Wege zu prozessieren. Da eine solche Sied-
lungsmaske für den weiteren Klassifizierungsalgorithmus jedoch von größter Bedeutung ist, wird an
dieser Stelle eine Nachbearbeitung der Maske durchgeführt.
Abbildung 47: Siedlungsmaske Dresden – Ableitung automatisiert
Nach der automatisierten Berechnung einer Siedlungsmaske aus den Texturparametern Kontrast, Ent-
ropie und Inverse Difference Moment werden für Siedlungsbereiche über Schwellwertbildung und ver-
schiedene Filterverfahren Flächen ausgewiesen, die aufgrund ihrer Formverfälschung, Lage und An-
zahl zunächst nur
Potentialflächen
darstellen. Jede Siedlung sollte dabei durch wenigstens eine Poten-
tialfläche bedeckt oder angeschnitten werden. Die errechneten Potentialflächen erreichen eine Abde-
ckung der Siedlungsbereiche von 100%, enthalten jedoch noch zahlreiche Fehlflächen und Mischflä-
chen, die durch weitere Nachbearbeitungsschritte herausgefiltert werden können (vgl. Abb. 48).

image
image
62
Erstellung
von
Potentialflächen
-
Statistik Input berechnen (Ignore 0)
-
Binärbild mit Schwellwert (Mittelwert minus Standardabweichung/2)
-
Degradierung mit Faktor 2 (Pixelgröße 10m)
-
iterative Filterung mit Median-Filter 5x5 (2 Iterationen)
-
Clump-Funktion mit 4er-Nachbarschaft (Regionierung)
-
Eliminierung von Kleinregionen innerhalb der Siedlung (<3000 Pixel)
-
Vektorisierung der Binärmaske
Abbildung 48: Potentialflächen und deren Fehlerquellen
Wie in Abb. 48 erkennbar, werden häufig landwirtschaftliche Nutzflächen als Siedlungsgebiete er-
kannt oder als Mischflächen aus Siedlung und Landwirtschaft herausgefiltert. Es entstehen Shapefiles
mit sehr großer Anzahl an Potentialflächen, die auch deutlichen Formverfälschungen unterliegen. Die
Festlegung geeigneter Parameter für die eindeutige Bestimmung der Siedlungsgebiete ist dabei die
Vorraussetzung für weiteres automatisiertes Vorgehen zur Reduktion der Potentialflächen.
Die Reduktion der Potentialflächen (Verfahren schematisch dargestellt in Abb. 49) erfolgt zunächst auf
statistischer Basis. Dabei wird die shape-bezogene Statistik in ENVI-IDL ermittelt und in Attributtabel-
len abgelegt. Über diese Statistik können dann robuste Grenzwerte ermittelt werden, um unzutreffen-
Siedlung zusammenhängend
-richtig-
Siedlung & Landwirtschaft
-teilweise richtig-
Landwirtschaft
-falsch-

image
image
63
de Potentialflächen aus dem Datensatz zu entfernen. Dabei werden statistische Informationen aus den
Originaldaten des IRS-pan und aus Texturmerkmalen, wie z.B. Entropie und Kontrast, genutzt. Die
Mindestflächengröße, die eine Potentialfläche haben sollte um als Siedlung erkannt zu werden, wurde
auf 0,5 ha festgelegt. Damit ist es möglich, Einzelhausbebauungen und vegetationslose Einzelflächen
aus der Siedlungsmaske auszuschließen.
Abbildung 49: Verfahren zur Reduktion der Potentialflächen
Die Ergebnisse der Ableitung von Potentialflächen stellen einen ersten Schritt zur Reduktion des Bild-
signals auf Bereiche von besonderem Interesse (z.B. Siedlung) dar. Die Potentialflächen können mit
diesem Verfahren auf ca. 17% der ursprünglichen Bildfläche reduziert werden (vgl. Abb. 50, blaue
Flächen). Die inhaltliche Genauigkeit des Ergebnisses ist sehr gut, jedoch sind die Flächen noch über-
bestimmt (vgl. Abb. 50, gelbe Flächen).
Abbildung 50: Reduzierte Potentialflächen (blau: automatisierte Flächenreduzierung, gelb: Potential-
flächen vor manueller Generalisierung mit Überbestimmung der Siedlung)
Um die Anzahl der Potentialflächen weiter zu reduzieren, werden im Anschluß an die statistische Da-
tenanalyse noch pixelbasierte Vorklassifikationen und deren spektrale Eigenschaften sowie Formcha-
Reduktion der Potentialflächen
(Statistik)
- Ermittlung der shape-bezogenen Statistik;
- Ableitung robuster Grenzwerte für Siedlung aus IRS-pan, Entropie
und Kontrast
- Verfahren automatisiert
Reduktion der Potentialflächen
(Spektral & Form)
- Einbeziehung der pixelbasierten Klassifikation;
- Eliminierung siedlungsuntypischer, kompakter und kleiner Formen
- Verfahren automatisiert

image
image
64
rakteristika der Potentialflächen in die Auswertung einbezogen. Für diesen Arbeitsschritt wird die Klas-
se Siedlungs- und Verkehrsfläche aus der pixelbasierten IRS-liss-Klassifikation selektiert und mit den
vorhandenen Potentialflächen verglichen. Unter gleichzeitiger Einbeziehung der Formanalyse werden
diejenigen Potentialflächen aus dem Datensatz entfernt, die weniger als 5% der Klasse Siedlungs- und
Verkehrsfläche aus der pixelbasierten Klassifikation enthalten und in sehr kompakter und kleiner Form
vorliegen (Siedlungen sind aufgrund des verwendeten Algorithmus nicht kompakt). Diese Potentialflä-
chen eignen sich nach automatischer Reduzierung bezüglich ihrer Form noch nicht als Siedlungsmas-
ke.
Abbildung 51: Ergebnis reduzierter und generalisierter Potentialflächen - IRS-pan-Szene b0s0wa6n
Aus diesem Grund werden verbleibende Flächen durch manuelle Nachbearbeitung an die reale Sied-
lungsstruktur und -,form angepasst (Generalisierung). Die Nachbearbeitung erfolgte in ARC-VIEW 3.2
im Bearbeitungsmaßstab 1:25.000. Kleinere Siedlungen werden dabei sehr effektiv an ihre realisti-
schen Form angepasst. Die Umformung großflächiger Potentialflächen erwies sich als recht arbeits-
aufwändig. In Abb. 51 ist das Ergebnis für einen Ausschnitt der IRS-pan-Szene b0s0wa6n visualisiert.
Die dargestellte Methode genügt aufgrund ihrer Notwendigkeit zur manuellen Anpassung der reduzier-
ten Potentialflächen noch nicht vollständig den Ansprüchen an eine sichere Wiederholgenauigkeit. Um
eine automatisierte Anpassung an die reale Siedlungsstruktur zu erreichen, besteht weiterer For-
schungs-, und Entwicklungsbedarf. Die manuell nachbearbeiteten Ergebnisse geben ein „generalisier-
tes“ Bild, der Aufwand kann gegenüber einer Neudigitalisierung deutlich reduziert werden.
Nachfolgende Tabelle zeigt die Genauigkeitsabschätzungen anhand der Validierungsindizes „Herstel-
lergenauigkeit“ und „Nutzergenauigkeit“ beispielgebend für die Siedlungsmasken der beiden panchro-
matischen Datensätze b0s0wa6n und d0r0va3u.

image
65
Datei
b0s0wa6n
d0r0va3u
Herstellergenauigkeit (%)
95,07
78,77
Nutzergenauigkeit (%)
81,95
65,41
Bei Analyse der Hersteller-, und Nutzergenauigkeiten für beide Szenen ist ein deutlicher Genauigkeits-
unterschied festzustellen. Dieser ist zum einen darauf zurückzuführen, dass bei der Szene d0r0va3u
sehr große Tagebaugebiete des Südraumes Leipzig im automatisierten Teil der Texturanalyse (blau)
als Siedlung ausgewiesen wurden. Die Flächen sind aufgrund ihrer spektralen und texturellen Eigen-
schaften nur schwer von versiegelten Flächen trennbar. Die Gebiete wurden bei der manuellen Nach-
bearbeitung aus dem Versiegelungskataster eliminiert und verfälschen die Genauigkeitsanalyse deut-
lich. Des weitern wurde bei dieser Szene getestet, inwieweit eine Neudigitalisierung von Siedlungsge-
bieten gegenüber der manuellen Nachbearbeitung automatisiert abgeleiteter Siedlungen qualitativ ü-
berlegen ist. Dafür wurden Teile der Siedlungsmaske aus Szene d0r0va3u vollständig manuell erstellt.
Im Ergebnis des Tests bleibt festzustellen, dass bei Neudigitalisierung durch Fehlinterpretation des
Bearbeiters eine deutlich höhere Fehlerquote entsteht. Die Nutzergenauigkeit der Siedlungsmaske aus
Szene b0s0wa6n ist mit 81,95% sehr gut. Dabei wird angegeben, mit welcher Wahrscheinlichkeit der
Nutzer dieser Siedlungsmaske, die Landnutzung Siedlung auch in der Realität wiederfindet. Bei dieser
Szene wurden nur manuelle Nachbearbeitungen, jedoch keine Neudigitalisierungen angewendet. Das
Ergebnis macht deutlich, dass die automatisierte Ableitung von Siedlungsmasken in Kombination mit
manueller Nachbearbeitung eine qualitätsoptimierende Methode darstellt. Die Siedlungsmasken wei-
sen eine sehr hohe Qualität auf. Sie dienen nach der Umwandlung in Rasterdaten als thematische In-
formation für die Flächennutzungsklassifikation.
Abbildung 52: Siedlungsmaske Sachsen

66
4.2 Klassifikation IRS-1C Satellitenbilddaten
Der digitale Klassifikationsprozess aus AP 3000 lässt sich in folgende Verfahren gliedern:
Abbildung 53: Verfahren der multispektralen Klassifikation
Die Grundannahme aller Klassifikationsverfahren ist, dass in einem Merkmalsraum, in dem die Ein-
gangsdaten (Intensitäten, Texturmerkmalsbilder, Streumerkmalsbilder uvm.) die Koordinatenachsen
bilden, verschiedene Objekte trennbare Punkthaufen aufzeigen (vgl. Abb. 54). Im Idealfall lassen sich
zwischen diesen Anhäufungen eindeutige Grenzen ziehen und somit jedem Pixel oder Objekt automa-
tisch eine Klasse zuordnen.
Abbildung 54: Grundannahmen der Klassifikation (nach ALBERTZ 1991, 141)
Die Zuordnung der Punkthaufen zu den jeweiligen Objektklassen kann über die Klassifikationsverfah-
ren der „unüberwachten Klassifikation“, „überwachten Klassifikation“ oder „Schwellwertanalyse“ erfol-
gen.
unüberwachte Klassifikation
z.B. Maximum-Likelihood
Minimum-Distance
parallelepiped - Verfahren
spektrale
Signaturanalyse
per-pixel-Ansatz
z.B. Nearest-Neighbor-Verfahren
spektrale
Signaturanayse
Objektorientierte Klassifikation
Erstellung der
Wissensbasis
Segmentierung
per-parcel-Ansatz
überwachte Klassifikation
Schwellwertverfahren
Klasse 1
Klasse 2
Klasse 3
Merkmal A
Merkmal B
Merkmal C

67
Unüberwachte Klassifikationsverfahren (Clusteranalyse)
sind im Grunde automatisierte Klassi-
fikationsverfahren, die aufgrund der Statistik die Klasseneinteilung nach einer bestimmten, vorgege-
benen Klassenanzahl vornehmen. Es entstehen Klassen mit Flächen gleicher spektraler Charakteristi-
ka, die noch einer Interpretation bedürfen. Clusterverfahren haben einen besonderen Nutzen, wenn
man nur wenig Wissen über das Gebiet hat oder keine falschen Wissensaspekte in den Klassifikations-
prozess mit einfließen lassen möchte. Sie können auch als Vorprozessierungsschritt zur überwachten
Klassifikation genutzt werden (KLENKE 1999, 40 / LILLESAND & KIEFER 1987, 685ff).
Bei der in diesem Projekt angewandten
Überwachten Klassifikation
werden Trainingsgebiete, d.h.
Referenzflächen, von denen bekannt ist, welcher Objektklasse sie angehören, verwendet. Es ist wich-
tig, dass die im Bild vorhandenen Objekte durch diese Trainingsgebiete möglichst komplett erfasst,
um Unterscheidungskriterien festzulegen. Bei einem Überwachten Klassifikationsverfahren können ver-
schiedene methodische Ansätze zur Klassenzuweisung in Betracht gezogen werden.
Nach STEINNOCHER (2001, 63) ist das
Maximum-Likelihood-Verfahren
als pixelbasierter Seg-
mentierungsalgorithmus für urbane Studien am besten geeignet, da Art und Anzahl der Klassen sehr
gut kontrolliert werden können. Das „Verfahren der größten Wahrscheinlichkeit“ berechnet auf statis-
tischer Grundlage der vordefinierten Klassen, mit welcher Wahrscheinlichkeit jedes Bildelement zu ei-
ner dieser Klassen gehört (vgl. Abb. 54). Die Bildelemente sollten dabei im spektralen Merkmalsraum
um den Klassenmittelpunkt einer Objektklasse normal verteilt sein. Ist dies nicht der Fall, sollte man
auf einen Klassifikator zurückgreifen, der möglichst keinen Anspruch an die Grauwertverteilung stellt
(RICHARDS & JIA 1999, 183f).
Das
Minimum-Distance-Verfahren
gilt als das einfachste Segmentierungsverfahren und erfordert
nur geringen Rechenaufwand. Hierbei
wird anhand der Testpolygone für jede Klasse ein Mittelwert be-
rechnet. Die Grauwerte aller Bildelemente werden damit verglichen und in die Klasse mit dem gerings-
ten Abstand zum Referenzmittelwert eingeordnet. Unterschiedliche Streubereiche der Messwerte fin-
den in diesem Verfahren keine Berücksichtigung (RICHARDS & JIA 1999, 189ff).
Das
Parallelepiped
(auch Quader oder Box-) Verfahren erfolgt auf die Weise, dass für jeden Spekt-
ralkanal eine obere und untere Grauwertschwelle definiert wird, die im dreidimensionalen Raum zur
Ausbildung von Quadern führen. Jedes Bildelement wird bei der Klassifikation dem Quader zugeord-
net, der die Grauwertkombination des Elements in den verschiedenen Spektralkanälen enthält. Alle
Pixel außerhalb der Quader bleiben unklassifiziert. Die Quader dürfen sich nicht überlappen –bzw. die
Grauwerte der einzelnen Kanäle sollten keine starken Korrelationen aufweisen. Sollten dennoch über-
lappende oder unklassifizierte Bereiche auftreten, ist es üblich, diese mit einer anderen Methode (z.B.
Maximum Likelihood) nachzuklassifizieren. Man spricht in diesem Falle von einem
hybriden Klassifi-
kationsansatz
(RICHARDS & JIA 1999, 192ff / ERDAS 1997, 242f / ALBERTZ 1991, 144f / MEINEL
1997, 36f).
Jede überwachte Klassifikation erfordert gute Geländekenntnisse des Bearbeiters. Die
Auswahl der
Trainingsgebiete
kann anhand aktueller Kartierungen, topographischer Karten oder Luftbilder erfol-
gen. Die Gebiete sollten „sicher“ erkannt worden und möglichst „mustergültige“ Referenzflächen für
die jeweilige Klasse sein. Um mögliche Klassentrennungen leichter vornehmen zu können, bieten sich
die in gängigen Fernerkundungssoftwareprodukten vorhandenen Tools zur Datenraumanalyse an.
(GÜNTHER & RIEKERT 1992, 150f / SCHULZ 1990, 67f).

68
Nachfolgend soll kurz auf den „Nearest Neighbor“-Klassifikator eingegangen werden, da er in diesem
Projekt zur Anwendung kam. Der Vorteil des „
Nearest Neighbor“-Klassifikators
ist, dass seine
Anwendung nur geringen Rechenaufwand erfordert. Aus den zu definierenden Trainingsgebieten wer-
den dabei die Mittelwerte für jede Eingangsinformation (Intensitäten, Texturparameter, Streuparame-
ter uvm.) berechnet. Dies geschieht unabhängig davon, welcher Klasse sie angehören, so dass eine
Klasse sich aus ungleichen Referenzflächen zusammensetzen kann.
Für jedes zu klassifizierende Bildelement wird der
Abstand zu den Mittelpunkten der Trainingsge-
biete berechnet. Ein Bildelement (Pixel oder Ob-
jekt) wird dann der Referenz zugeteilt, zu deren
Mittelpunkt der Abstand am kürzesten ist (vgl.
Abb.4, orangefarbener Abstand). Ist der Abstand
größer als ein zuvor festzulegender Grenzwert,
wird das entsprechende Bildelement nicht klassi-
fiziert (vgl. H
ILDEBRANDT 1996 und DEFINIENS
2002).
Abbildung 55: „Nearest Neighbor“-Klassifikator
(nach DEFINIENS 2002, 37)
Schwellwertverfahren
dienen im einfachsten Sinne der Erstellung von Binärbildern, beispielsweise
zur Erstellung von Wolkenmasken (bewölkt / nicht bewölkt). Dabei werden die Bildelemente nur zwei
Grauwertestufen zugeordnet, die Bildmatrix besteht aus 0 und 1. Die Bildelemente werden anhand ei-
nes vorher durch Signaturanalyse getesteten Schwellwertes in ihre Klassen eingeteilt. Besonders bei
hierarchischen Klassifikationsverfahren werden häufig zuerst Schwellwertverfahren angewandt, um
über Maskierungsverfahren Teile des Datensatzes zur weiteren Klassifikation auszuschließen. Auf diese
Weise ist es schon frühzeitig möglich, den Rechenaufwand zu minimieren oder störende „Konkurrenz-
objekte“ auszuschließen (HILDEBRANDT 1996, 529f).
Eine hundertprozentig richtige Zuweisung der Klassen gibt es nicht. Die natürliche Abwandlung der
spektralen Merkmale von verschiedenen Landnutzungsklassen bestimmt entscheidend die Genauig-
keit. Fehler können z.B. auftreten, wenn verschiedene Oberflächen mehr oder weniger gleiches spekt-
rales Verhalten aufweisen oder homogen angesehene Oberflächen Anteile signifikant verschiedener
Klassen enthalten. Neben der unsicheren Klassenzuweisung können auch bei der benutzerabhängigen
Klassendefinition unscharfe Aussagen das Klassifikationsergebnis beeinträchtigen.
Merkmal A
Klasse 1
Klasse 2
Merkmal B

image
image
69
4.2.1 Klassifikation der Flächennutzung - pixelbasiert
Die flächendeckende Landnutzungsklassifikation für das Bundesland Sachsen aus IRS-Daten wurde
bereits als
Vorklassifikation
pixelbasiert mit ERDAS Imagine durchgeführt. Die Klassifikationsergeb-
nisse wurden nachfolgend als thematische Information in die objektorientierte Bildanalysesoftware
eCognition importiert. Dort erfolgte eine Segmentierung und Neuzuweisung der Klassen. Im Anschluss
wurden die Klassifikationsergebnisse im Vektorformat exportiert und im GIS ArcView zu einem Klassi-
fikationsprodukt im shape-Format verarbeitet. Die Vektordaten stehen dem LfUG seit dem 08.11.2002
zur Verfügung. Abb. 56 zeigt ein Beispiel der flächenscharfen Abgrenzung der pixelbasierten Klassifi-
kation.
Abbildung 56: pixelbasierte Klassifikation im Vektorformat, Beispiel Freiberg
Ackerland bestanden
Ackerland unbestanden
Gewässer
Grünland, Acker (grün)
Laubwald
Nadelwald
Siedlungs- u. Verkehrsfläche

image
image
70
4.2.2 Klassifikation der Flächennutzung - Klassenbildung
Die im Kapitel 2 beschriebenen theoretischen Ansätze zu Objektartenkatalog, Wissenskatalog und
Wissensbasis wurden in Zusammenarbeit mit dem LfUG umgesetzt. Dabei wurden zunächst einmal die
Definitionen der zu klassifizierenden Flächennutzungen mit dem Auftraggeber abgesprochen und in
einem Objektartenkatalog beschrieben.
Abbildung 57: Objektartenbeispiel Landwirtschaftsfläche
Bei der Zusammenstellung des Objektartenkataloges wurde jede Klasse und deren Unterklassen defi-
niert, Bildbeispiele integriert und mit den spektralen Signaturen ergänzt. Dabei wurden auch die Defi-
nitionen des LfUG bezüglich der urbanen Klassen einbezogen. Das Dokument beinhaltet 40 Klassen,
davon 29 Hauptklassen und 11 Unterklassen (die zur Definition der Hauptklassen benötigt werden).
Dieser Objektartenkatalog diente ebenfalls als Vorlage für die Arbeiten des Subauftragnehmers TU
Dresden.
Abbildung 58: inhaltlicher Aufbau des Objektartenkataloges

image
image
71
4.2.3 Klassifikation der Flächennutzung - objektorientiert
Die
objektorientierte Klassifikation
der IRS-Daten in eCognition konnte nach der Erstellung der
Siedlungsmaske beginnen. Hierfür war ein Verfahren vorgesehen, das zunächst die Maskierung /
Trennung der Szenen in die Bereiche Siedlung und Umland erforderte.
Abbildung 59: Maskierung der Szenen in „Siedlung“ und „Umland“
Hierbei wurde die Siedlungsmaske im Rasterformat als Maskierungslayer verwendet. In Folge entspre-
chen alle Siedlungsbereiche exakt der Siedlungsmaske. Die Umlandbereiche definieren sich durch alle
Gebiete, die nicht Siedlung sind. Für die Klassifikation wurde die Bearbeitung auf der Basis IRS-liss mit
25m geometrischer Bodenauflösung aufgegriffen. Sie erfolgte unter Nutzung der objektorientierten
Bildverarbeitungssoftware eCognition. Die Flächennutzungsklassifikation des Umlandes erfolgte in den
Klassen Ackerland, Dauergrünland, Gewässer, Laubwald, Mischwald, Nadelwald und Betriebsflächen
des Rohstoffabbaus.
Abbildung 60: Klassen Flächennutzung IRS
Die Klasse „Siedlung“ entspricht der aus den IRS-pan Daten abgeleiteten Siedlungsmaske von Sach-
sen. Sie wurde übernommen, nicht neu klassifiziert. Alle weiteren Klassen wurden gemäß der im Ob-
jektartenkatalog beschriebenen Eigenschaften klassifiziert. Sie können wie folgt beschrieben werden:
Siedlung
Umland
Klassifikation Flächennutzung IRS
(Siedlung)
Dauergrünland
Nadelwald,
Laubwald,
Mischwald
Rohstoff-
abbau
Ackerland
Gewässer

image
image
image
72
Ackerland
sind unbebaute Flächen, auf denen
landwirtschaftliche Feldfrüchte angebaut wer-
den (Fruchtfolge).
gut klassifizierbar
Überschneidungen zur Klasse Dauergrünland
und Laubwald aufgrund ähnlicher spektraler
Eigenschaften
Multitemporale Analyse und Texturanalyse
kann die Klassifikationsgenauigkeit erheblich
verbessern.
Dauergrünland
sind nicht in die Fruchtfolge
einbezogenen Flächen, auf denen dauernd (für
einen Zeitraum von mindestens fünf Jahren)
Grünland steht. Es kann sich um angebautes
oder natürliches Grünland handeln, jedoch
nicht um sog. „grünes Ackerland“ handeln.
monotemporal nur unsicher klassifizierbar
starke Überschneidungen zur Klasse Ackerland
und Laubwald möglich
Multitemporale Analyse > 5 Jahre verbessert
die Klassifikationsgenauigkeit erheblich
Fließgewässer:
Wasserfläche, der eine Fließ-
richtung zugeordnet werden kann;
Standgewässer:
mit Wasser gefüllte Hohl-
form der Landoberfläche;
Standgewässer gut klassifizierbar;
Fließgewässer nur schwach klassifizierbar, da
oft das Spektralsignal durch Randeinflüsse
verdeckt wird (Bäume, Ufervegetation)
Trennung in Fließ-, und Standgewässer eher
unsicher, da die Unterscheidung nur über
Formparameter, wie z.B. Länge/Breite, Kan-
tenlänge oder Kompaktheit möglich ist.
Einbeziehung externer Vektordaten unbedingt
anzuraten.

image
image
73
Wald-, Forst- und Gehölzflächen
gut klas-
sifizierbar
Nadelwald:
Fläche mit min. 90% Nadelbäu-
men
Laubwald:
Fläche mit min. 90% Laubbäumen
Mischwald:
Fläche gemischter Baumstruktur
Überschneidungen der Klasse Mischwald zu
Laubwald und Nadelwald möglich
Überschneidungen der Klasse Laubwald zur
Klasse Dauergrünland und „grünem“ Ackerland
möglich
Schattenbereiche im Wald werden gern als
Wasserflächen fehl klassifiziert
Multitemporale Analyse kann die Klassifikati-
onsgenauigkeit erheblich verbessern.
Rohstoffabbau:
unbebaute Fläche, die ge-
werblich / industriell zum Abbau von Rohstof-
fen genutzt wird.
teilweise klassifizierbar
Spektral sehr vielfältig
Überschneidungen zu „unbestandenen Acker-
flächen“, Baustellen und unbefestigten Freiflä-
chen
Problematische Erfassung durch heterogene
Struktur
Manuelle Maskierung / Postklassifikation hilf-
reich
Einbeziehung externer Vektordaten sinnvoll
Die Flächenutzungsklassifikation erfolgte nach den
genannten Kriterien für jeden Aufnahmezeitpunkt
der IRS-liss Szenen einzeln. Die Klassifikationskri-
terien wurden entsprechend der abweichenden
spektralen Charaktereigenschaften jeder Szene
angepasst. Die Szenen wurden nach der Klassifi-
kation wieder zu einem Bild mosaikiert.
Abbildung 61: IRS-liss Szenen
n0o0va7g
n0o0wa7g
n0q0wa4i
24.09.2000 10.06.2000

image
image
74
Abbildung 62 zeigt das Gesamtergebnis der Flächennutzung Sachsen in den festgelegten Klassen.
Abbildung 62: Flächennutzung Freistaat Sachsen
Die
Klassifikation der Siedlungsgebiete
erfolgte in den Klassen „Siedlung, innerorts“ und „Sied-
lung, außerorts“. Die Einteilung der Siedlungsgebiete in diese beiden Klassen wurde über Verschnei-
dungsoperationen anhand der Siedlungsmaske in ARC View nach folgenden Merkmalen durchgeführt:
Die Trennung beider Klassen erfolgte zunächst über die Flächengröße. Anschließend wurde in einem
zweiten Schritt ein Buffer von 500 m um die „Siedlung außerorts“ gelegt. Alle „Siedlungen außerorts“,
die dabei mit ihrem Buffer eine Siedlung innerorts trafen, wurden der Klasse „Siedlung innerorts“ hin-
zugefügt.
Siedlung, innerorts
:
Flächengröße: >= 10 ha
Siedlung, außerorts
Flächengröße: < 10ha

image
image
75
Abbildung 63: Siedlung innerorts, Siedlung außerorts und Bufferbereich
4.2.4 Klassifikation der Flächennutzung – Vektordaten
Die vorliegende Flächennutzungsklassifikation wurde, wie in Abb. 64 dargestellt, weiter verarbeitet.
Abbildung 64: Aufbereitung der Vektordaten
Aufbereitung der Klassifikation (dissolve,
union,
merge) im Vektorformat *.shp
Aufbereitung Verkehrsflächen (Strassen-
netz,
Schienennetz, Flughafen)
Aufbereitung Gewässernetz
Entwicklung des Gesamtproduktes durch
Verschneidung aller Vektordaten
Qualitätskontrolle,
Validierung

76
Das Ergebnis der Flächennutzungsklassifikation wurde im Raster- und Vektorformat exportiert. Die
Genauigkeitsanalysen erfolgen auf Rasterbasis. Die exportierten Vektordaten wurden in einem recht
aufwändigen Verfahren einzeln bereinigt (dissolve) und statistisch aufbereitet. Danach wurden die
Themen unter Nutzung von ArcView und ArcInfo wieder zusammengesetzt und miteinander verschnit-
ten (union). Bei der Vielzahl an Polygonen für das gesamte Bundesland obliegt diese Prozedur langen
Rechenprozessen. Das entstandene Produkt enthält bis dahin die klassifizierten Daten und die der
Siedlungsmaske entsprechenden urbanen Bereiche. Mit weiteren Verschneidungsoperationen erfolgte
die Einarbeitung von Gewässer- und Straßennetz sowie Gleisanlagen und Flughäfen.
Gewässernetz
Verkehrsnetz
Ordnung
Bufferbreite (m) Gattung
Bufferbreite (m)
B
nach Kartierung
Bundesautobahnen
26 (pro Spur bei parallel verlaufenden
Linien)
40 (bei Auffahrten..)
1
nach Kartierung
oder 25
Bundesstraßen
Staatsstraßen
20
2 10
Landstraßen
Kreisstraßen
Stadtstraßen
8
3 1,5 Gleisanlagen 15
Tabelle 19: Bufferbreiten Vektordaten
Die Verkehrsflächen (Straßen- und Schienennetz) wurde entsprechend der festgelegten Bufferbreiten
aufbereitet. Dabei waren mehrere Iterationsstufen nötig, um den Datensatz zu erstellen. Abb. 65 zeigt
die Arbeitsschritte buffer, union und dissolve. Diese sind mindestens notwendig, um verschneidungs-
fähige Datensätze im Polygonformat aus den Linienelementen herzustellen.
Abbildung 65: Aufbereitung der Vektordaten: Linienelemente
inside-Polygone
Buffer
Klasse 1
Klasse 2
vor Dissolve (Union)
nach Dissolve
Klasse 1 und 2

image
image
77
Die Erarbeitung eines geeigneten Gewässernetzes erfolgte ebenso. Hierzu wurde neben dem amtli-
chen Gewässernetz noch das Gewässernetz aus der Biotoptypenkartierung herangezogen. Die Gewäs-
serdaten aus der Biotoptypenkartierung wurden Mitte Januar 2003 vom LfUG übergeben. Die Daten
enthalten im Wesentlichen nur die Gewässer der Ordnung B und 1. Um fehlende Gewässerabschnitte
und die Gewässer weiterer Ordnungen einzubringen, wurden beide Gewässernetze miteinander ver-
schnitten. Das Ergebnis ist ein vervollständigtes Netz aus beiden Datenquellen, das die gegenwärtige
Gewässersituation in Sachsen realistischer widerspiegelt. Abbildung 66 zeigt ein Beispiel der Stadt
Dresden mit überlagerten Vektordatensätzen.
Abbildung 66: Flächennutzung Dresden mit Vektordaten
4.2.5 Klassifikation der Flächennutzung - Validierung
Die Beurteilung der Klassifikationsergebnisse ist ein sehr wichtiger Arbeitschritt im Klassifikationsver-
fahren. Der Prozess ist in vieler Hinsicht subjektiv und von der Erfahrung des Bearbeiters sowie der
Güte der Validierungsreferenzen abhängig. Um die Klassifikationsgenauigkeit abzuschätzen, werden
die Ergebnisse der Flächennutzungsklassifikationen mit der „Realnutzung“ von Referenzstandorten
verglichen, die im Idealfall durch umfassende Kartierungen im Gelände zum Aufnahmezeitpunkt der
Satellitenszene aufgenommen wurden. Zur Genauigkeitsabschätzung klassifizierter Fernerkundungsda-
ten können verschiedene Verfahren und Indizes angewendet und berechnet werden. Eine breite Dis-
kussion hierüber findet bei GANKOFNER (1996) statt. Nach KLENKE (1998, 87) erfolgt die Validierung
in drei Arbeitsschritten:
Stichprobenahme durch Einzelpixel oder cluster;
Gegenüberstellung der klassenspezifischen Ergebnisse mit den Referenzinformationen in einer
Konfusionsmatrix;
Berechnung verschiedener Indizes zur Genauigkeitsabschätzung;
Die Entnahme der Validierungsstichproben können nach dem Zufallsprinzip oder einem bestimmten
System (z.B. klassenspezifisch gewichtet oder regelmäßig verteilt) erfolgen. Die Stichproben können in

78
ihrer räumlichen Ausbreitung den Umfang eines Einzelpixels oder mehrerer zusammenhängender Pixel
(cluster) annehmen. Zufallsverteilte Verfahren basieren häufig auf der Auswertung von Einzelpixeln.
Die Vorteile dieses Verfahrens liegen in ihrer höheren Objektivität gegenüber der Analyse von
clustern. Sie haben jedoch den Nachteil, dass sie geometrisch exakt oft nur schwer den Referenzin-
formationen zugeordnet werden können (FOODY 1999, 450). Auch bedarf es einer sehr hohen, gut
verteilten Stichprobenmenge, die in vielen Fällen nicht durch Referenzinformationen über das gesamte
Testgebiet abgedeckt wird. So benötigt man nach COGNALTON (1991, zit. in ERDAS 1997, 256) für
ein pixelbasiertes Auswerteverfahren mindestens 250 Referenzpixel pro Klasse. Dabei wird von einem
Mindeststichprobenumfang von 1% der Gesamtfläche des Untersuchungsgebietes ausgegangen. Der
Aufwand für die Validierung von Klassifikationen steigt dabei mit der Anzahl ihrer ausgewiesenen Klas-
sen beträchtlich.
Um die Stichprobenauswahl effektiver zu gestalten, kann man cluster innerhalb der Testgebiete erstel-
len (STEHMANN 1999, 2429). Die Qualität der Validierung ist sehr stark von der korrekten Auswahl
dieser cluster durch den Bearbeiter abhängig. Die cluster sollten in keinem Falle bereits als Trainings-
gebiete genutzt worden sein, da die richtige Ausweisung der Klassen in diesen Gebieten aufgrund ih-
rer homogenen Charakteristik sehr wahrscheinlich und für die Qualität der Klassifikation nicht unbe-
dingt charakteristisch ist. Bei Klassen mit sehr geringer Flächenausbreitung ist die Umsetzung dieser
Vorgabe mitunter problematisch. Die Stichprobenauswahl erfolgt bei der Verwendung von clustern
häufig in Abhängigkeit der räumlichen Ausprägung des Referenzmaterials. Die erforderliche Stichpro-
benmenge kann auf diese Weise relativ schnell und kostengünstig erfasst werden. Tabelle 20 zeigt die
Statistik des angewandten Clusterverfahrens für die Flächennutzungsklassifikation. Die Stichproben-
auswahl erfolgte nach den bereits beschriebenen Kriterien. Der Flächenanteil der Referenzgebiete am
Untersuchungsgebiet beträgt in jedem Fall > 1%. Die Klasse „Siedlung“ obliegt nur einer einge-
schränkten Bewertung, da sie nicht klassifiziert, sondern entsprechend den Flächen der bereits erstell-
ten Siedlungsmaske nur zugewiesen wurde.
Klasse
Anteil (%) am Unter-
Pixelanzahl
Referenz
Klassifikation suchungsgebiet
Gewässer
15987 268632 5,95
Nadelwald
350440 4036956 8,68
Laubwald
123750 2111950 5,86
Mischwald
148220 2023317 7,33
Grünland
26910 997264 2,70
Rohstoffabbau
102467 446826 22,90
Acker
470370 15915509 2,96
(Siedlung)
46500 3750549 1,20
Gesamt 1284644 29551003 4,35
Tabelle 20: Statistik der Referenzgebiete
Nach der Auswahl der Referenzgebiete wurden die Indizes der Hersteller-, und Nutzergenauigkeit zur
Gütebeurteilung ausgewählt. Dabei definieren sich die Genauigkeitsmaße wie folgt:

79
Die Herstellergenauigkeit wird dabei als Genauigkeit aus der Sicht des Herstellers der Klassifikation
angegeben. Sie drückt die Wahrscheinlichkeit aus, mit der die Referenzpixel richtig klassifiziert wur-
den. Man bezeichnet Fehlklassifikationen in diesem Zusammenhang auch als „Unterlassungsfehler“.
Die Herstellergenauigkeit ist dann niedrig, wenn die spezifischen Trainingsgebiete einer Klasse nicht
vollständig die spektrale Signatur dieser Klasse widerspiegeln. Die Nutzergenauigkeit definiert sich als
Genauigkeit aus der Sicht des Nutzers der Klassifikation. Sie drückt die Wahrscheinlichkeit aus, mit der
Referenzpixel anderen Klassen zugewiesen wurden. Man bezeichnet diese Klassifikationsdefizite auch
als Zuweisungsfehler (GANGKOFNER 1996). Die Ergebnisse der Flächennutzungsklassifikation Sach-
sen, dargestellt als Nutzergenauigkeit sind in Tab. 21 dargestellt.
Klasse
SGW
FGW
NW
LW
MW
DGR
RST
A
SI
SA
STR
BA
FH
HG (%)
SGW
98,70
0,00 0,32 0,20 0,05 0,02 0,00 0,00 0,07 0,32 0,00 0,00 0,00
99,21
FGW
0,00
97,40
0,28 0,38 0,13 0,14 0,02 0,01 0,13 0,29 0,00 0,00 0,00
99,05
NW
0,17 1,01
97,32
0,03 5,32 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
97,36
LW
0,00 0,00 0,00
88,86
4,62 2,73 0,00 1,59 0,00 0,00 0,00 0,00 0,00
89,02
MW
0,02 0,05 0,75 5,00
84,09
0,00 0,00 0,19 0,00 0,00 0,00 0,00 0,00
86,15
DGR
0,05 0,47 0,00 0,00 0,00
85,52
0,99 6,34 1,51 2,01 0,00 0,00 0,00
87,37
RST
0,00 0,00 0,00 0,00 0,00 0,00
96,63
0,00 0,00 1,71 0,00 0,00 0,00
99,32
A
1,06 1,04 1,02 4,74 5,54 10,89 2,36
91,59
2,51 2,11 1,46 0,00 0,00
91,32
SI
0,00 0,03 0,00 0,46 0,00 0,64 0,00 0,05
92,81
0,00 0,45 2,17 0,00
96,78
SA
0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
91,11
0,00 0,00 0,00
94,34
STR
0,00 0,00 0,31 0,33 0,25 0,06 0,00 0,21 2,95 2,45
98,09
0,00 0,00
98,89
BA
0,00 0,00 0.05 0,00 0,00 0,00 0,00 0,02 0,02 0,00 0,00
97,83
0,00
99,78
FH
0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
100,00
100,00
NG (%)
98,70 97,40 97,32 88,86 84,09 85,52 96,63 91,59 92,81 91,11 98,09 97,83 100,00
93,84
Tabelle 21: Validierung der Flächennutzung
SGW: Standgewässer / FGW: Fließgewässer / NW: Nadelwald / LW: Laubwald /
MW: Mischwald / DGR: Dauergrünland / RST: Rohstoffabbau / A: Ackerland / SI: Siedlung innerorts /
SA: Siedlung außerorts / STR: Strassen / BA: Bahnlinien / FH: Flughafen / NG: Nutzergenauigkeit
Die Analyse ergibt insgesamt eine sehr hohe Genauigkeit der Flächenutzungsklassifikation. Klassen mit
homogenen Spektraleigenschaften sind häufig sicherer zu klassifizieren als Klassen mit heterogenen
Spektraleigenschaften. Während Gewässer in ihren sichtbaren Bereichen mit einer Nutzergenauigkeit
von 98,7% sehr sicher klassifiziert wurden, konnte bei der Klasse Mischwald nur eine Nutzergenauig-
keit von 84,09% erreicht werden. Sowohl Hersteller- als auch Nutzergenauigkeit erreichen insgesamt
Anzahl der richtig klassifizierten Pixel einer Klasse
Herstellergenauigkeit
=
Anzahl aller Pixel der Klasse in Referenzgebieten
Anzahl der richtig klassifizierten Pixel einer Klasse
Nutzergenauigkeit
=
Anzahl aller Pixel der Klasse in der Klassifikation

image
80
jedoch eine Klassifikationsgüte von > 90%. Damit ist die Zielvorgabe der Klassifikationsgenauigkeit
(mindestens 90%) für die Flächennutzungsklassifikation erfüllt.
4.2.6 Klassifikation der Versiegelung
Siedlungsentwicklung ist ein Spiegelbild der Gesellschaft und ihrer Veränderungen durch wirtschaftli-
che, soziale, politische und kulturelle Einflüsse. Diese Indikatoren bestimmen die Entwicklung der
Siedlungen im Hinblick ihrer baulich-räumlichen, sozialen und wirtschaftlichen Struktur (KRÄTKE 1995,
10). Der Mensch verringert natürliche Bodenressourcen zugunsten zunehmender Siedlungstätigkeit.
Durch die Trennung der menschlichen Daseinsgrundfunktionen in modernen Industriegesellschaften
steigt die Mobilität der Bevölkerung und der Flächenverbrauch. Schädigungen des natürlichen Bodens,
des Wasserhaushaltes, der biotischen Umwelt sowie lokale Klimabelastungen sind die Folgen (NETZ-
BAND 1998, 1). Die Auswertung von Fernerkundungsdaten ist eine Möglichkeit, die Ausbreitung von
Siedlungen und ihre baulichen Veränderungen in hoher zeitlicher Auflösung flächendeckend zu beo-
bachten und kartographisch zu erfassen.
4.2.6.1 Hintergrund und Methoden
Urbane Landschaften sind durch kleinräumig variable Bodenbeckungen charakterisiert, die sehr unter-
schiedliche Reflexionseigenschaften gegenüber der eintreffenden Globalstrahlung aufweisen. Die Un-
terschiede im Reflexionsverhalten sind auf die physikalischen und chemischen Charaktereigenschaften
der Objekte (z.B. Oberflächenrauhigkeit, Feuchte, Dichte) und den Einfallswinkel der Sonnenstrahlung
zurückzuführen (HILDEBRANDT 1996, 30). In urbanen Gebieten treten neben anthropogenen Flächen,
wie Gebäuden oder Verkehrsflächen auch Vegetations-, und Wasserflächen sowie offene Böden auf.
Abb. 67 zeigt die spektralen Reflexionsgrade einiger Oberflächenarten im sichtbaren Licht und nahen
Infrarot. Im sichtbaren Licht absorbieren Pflanzen die einfallende Strahlung. Ab einer Wellenlänge
von 700 nm steigt jedoch die Reflexion stark an und Flächen mit hohem Vegetationsanteil unter-
scheiden sich in ihrem Spektralverhalten deutlich von versiegelten Flächen mit niedrigem Vegetations-
anteil. Besonders auffällig ist der Unterschied im Spektralverhalten bei ca. 800 nm.
Abbildung 67: spektrale Reflexionsgrade verschiedener Oberflächen (ALBERTZ 1991, 19)

image
image
image
81
Vor dem Hintergrund dieser Theorie erfolgte die Klassifikation des Versiegelungsgrades im Projekt auf
Basis des „Normalized Difference Vegetation Index“ (NDVI). Der Versiegelungsgrad wurde flächende-
ckend innerhalb der urbanen Bereiche (ausgewiesen durch die Siedlungsmaske) ermittelt. Daten-
grundlage bildete der IRS-pan und der aus den Spektralkanälen 2 und 3 des IRS-liss errechnete NDVI.
Abbildung 68: IRS-pan
Abbildung 69: NDVI
Abbildung 70: Versiegelung
Die Klassifikation erfolgte unter Nutzung der objektorientierten Bildanalysesoftware eCognition. Die
Daten wurden für jede der panchromatischen IRS-Szenen getrennt segmentiert und klassifiziert. Die
NDVI-Wertebereiche wurden nach ihrer Berechnung für die unterschiedlichen IRS-liss Szenen aufein-
ander angepasst. In Folge konnte ein übertragbarerer Klassenbaum mit entsprechenden Klassendefi-
nitionen für alle Szenen erstellt werden.
Als problematisch stellte sich zu Beginn die Einschätzung heraus, welcher NDVI-Wert in der Szene
letztendlich welchem Versiegelungsgrad entspricht. Oder anders gefragt – wie die NDVI-Werte auf
den Klassenbaum mit 11 Versiegelungsklassen realitätsnah verteilt werden können. Um eine richtige
Einschätzung zu gewährleisten wurden zunächst Literaturquellen herangezogen. Das Ergebnis einer
Dresdener Studie mit unterschiedlichen Sensoren zeigt Tabelle 22. Die Klasseneinteilung ist nur ein
grober Orientierungswert, der aus der Recherche resultiert.
Stadtstrukturtyp
Versiegelungsgrad (%)
Boden-
daten
Landsat-
TM
SPOT-XS
Flug-
zeug-
scan-
ner
Satelliten-
daten
gemittelt
Klassen
Geschlossene Blockbebauung
85.8 83.2 76.9 91.5 85.7 70/80 – 90
Offene Blockbebauung
68 61.3 69.2 51.7 61.1 60 – 70
Mehrgesch. Wohnungsbau
(> 3 Geschosse)
50.2
54.3
47.8
45.2
46.9
40 – 50
Siedlungen (< 3 Geschosse)
50.3
49.3
49.7
33.9
44.4
40 – 50
Einzel-, und Reihenhausbebauung
44
39.7
42.4
26.6
32.5
30 – 40
Grünanlagen
35.6
40.1
44.2
6.8
18.8
20 – 40
Industrieanlagen
79.6
77.6
78.9
62.0
70 – 80
Alte Ortskerne
29.8
33.9
41.5
44.9
32.5
30 – 50
Wohnpark
71.3
52.8
50 – 70
Tabelle 22: Versiegelung am Beispiel Dresden (vgl. NETZBAND 1998 / NETZBAND-MEINEL 1996)

image
82
4.2.6.2 Vergleichende Untersuchungen
Das Literaturstudium konnte insgesamt als nicht ausreichend bewertet werden, da die Angaben zwi-
schen den Autoren sehr schwankend waren und sich alle auf unterschiedliche Fernerkundungssenso-
ren, Aufnahmezeitpunkte und Testgebiete konzentrierten. Aus diesem Grund wurde zusätzlich die Fir-
ma BIUG GmbH beauftragt, im Stadtgebiet von Dresden eine detaillierte Versiegelungskartierung
durchzuführen. Der Auftrag unterlag einer inhaltlichen Spezifizierung in folgenden Punkten
Kartierung von mindestens je 3 repräsentativen Flächen pro Versiegelungsklasse mit einer
Mindestflächengröße von 50m x 50m (4 Pixel à 25m) im vorgegebenen Kartierungsgebiet;
Einschätzung des Versiegelungsgrades durch Analyse der Vegetationsbedeckung, Bebauungs-
dichte und eingesetzter Baustoffe (z.B. Bitumen, Schotter, Rasengittersteine) zur Versiege-
lung;
Angabe des Versiegelungsgrades für jedes enthaltene Pixel einer repräsentativen Fläche;
Beschreibung der Charakteristik jeder repräsentativen Fläche anhand bereits genannter Para-
meter und kartographische / photographische Dokumentation (1-2 Fotos pro repräsentativer
Fläche);
Vermessung der untersuchten Flächen mit GPS, um Lagegenauigkeit zu garantieren
Das vorgegebene Testgebiet befindet sich im Zentrum von Dresden und umfasst die Gebiete im Süd-
westen der Altstadt, Hauptbahnhof, Südwestvorstadt, Löbtau-Nord und –Süd.
Abbildung 71: Ikonos multispektral – Testflächen BIUG, Stadtgebiet Dresden

image
83
Die zu untersuchenden Klassen wurden
im Bereich von unversiegelt bis vollver-
siegelt wie nebenstehend vorgegeben:
Abbildung 72: Versiegelungsklassen
Im vorgegebenen Untersuchungsgebiet wurden insgesamt 41 Flächen (50 m x 50 m) (vgl. Abb. 9)
kartiert und der entsprechenden Versiegelungsklasse zugeordnet. Hierbei ist für jedes Pixel der Grad
der Versiegelung aufgrund der vorgefundenen Vegetationsbedeckung, Bebauung usw. abgeschätzt
worden. In Flächen mit Mischsignaturen infolge verschiedener Arten der Geländebedeckung setzt sich
der durchschnittliche Versiegelungsgrad für das einzelne Pixel (Vg
(P)
) aus der Summe der flächenan-
teilbezogenen (F
(n)
) Versiegelungsgrade (Vg
(n)
) zusammen:
Für die Bestimmung des Versiegelungsgrades der repräsentativen Flächen ist der arithmetische Mit-
telwert der Versiegelungsgrade der jeweils zur Fläche gehörenden 4 Pixel errechnet worden. Die Ab-
schätzung des Versiegelungsgrades orientierte sich an Handlungsempfehlungen zum BBodSchG. Die
verwendeten Versiegelungsanteile sind in nachfolgender Tabelle aufgelistet:
Versiegelungsanteil
(%)
Art des Bodenbelags
100 Gebäude
90
Asphaltdecken, Pflaster und Plattenbeläge mit Fugenverguss oder gebun-
denem Unterbau, Abrissflächen (mit betonierten Anteilen)
80
Verbundpflaster, Kunststein- und Plattenbeläge
70
Mittel- und Großpflaster mit offenen Fugen und einem Sand-Kies-
Unterbau
60
Mosaik und Kleinpflaster mit großen, offenen Fugen
40
wassergebundene Decken (Schotterrasen, Kiesflächen) und Rasengitter-
steine auf natürlichem Boden
30 Bolzplatz
20 unbefestigte Wege
0
Natürlicher Boden mit klarer Lagerungsdichte
Tabelle 23: Versiegelungsanteile in Abhängigkeit von der Art des Bodenbelages
Vg
(P)
= F
(a)
Vg
(a)
+ F
(b)
(b)
Vg
+ ...... + F
(n)
(n)
Vg[%].

image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
84
Die detaillierte Beschreibung der Flächen einschließlich der Zuordnung in die vorgegebenen Versiege-
lungsklassen wurden in einer Excel-Tabelle abgelegt. Die Beispielflächen der Geländebegehung ver-
deutlichten besonders aufgrund ihrer genauen Lagezuweisung, Versiegelungseinschätzung und photo-
grafischen Dokumentation die Versiegelungsintensität vor Ort. Ein pixelgenauer Vergleich mit den
NDVI-Daten ermöglichte eine sichere Kalibrierung der NDVI-Werteskala in den entsprechenden Ver-
siegelungsklassen.
Klasse /
Beschreibung
Foto
IRS-pan
NDVI
Klassifikation
0
Fritz-Löffler-Str. /
Russische Kirche
Vsg: 0% / Grünfläche
1-10
Fritz-Löffler-Str. /
Russische Kirche
Vsg: 1%
Grünfläche / Schotter-
weg
11-20
Bahnhofsviertel
(westl. Hauptbahnhof)
Vsg: 15%
Bolzplatz / Spielplatz
21-30
Bahnhofsviertel
(westl. Hauptbahnhof)
Vsg: 21,5%
Grünfläche / Bolzplatz /
Kiesweg
31-40
Bahnhofsviertel
(westl. Hauptbahnhof)
Vsg: 39%
Asphaltstrasse, Grünflä-
che, Gebäude

image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
85
Klasse /
Beschreibung
Foto
IRS-pan
NDVI
Klassifikation
41-50
Bahnhofsviertel
(westl. Hauptbahnhof)
Vsg: 42,8%
Gebäude / Weg
51-60
Kaintzer Str.
Bernhardstr.
Leubnitzer Str.
Altenzeller Str.
Vsg: 54,3%
Asphalt / Grünfläche /
Gebäude
61-70
Zwickauer Straße
Vsg: 68%
Verbundpflaster / Ge-
bäude / Grünfläche
71-80
Zwickauer Straße /
Bamberger Straße
Vsg: 75%
Gebäude / Verbund-
pflaster / Rasengitter-
steine / Grünfläche
81-90
Bahnhofsviertel
(westl. Hauptbahnhof)
Vsg: 82,1%
Gebäude / Asphalt /
Grünfläche
91-100
Hauptbahnhof
Vsg: 94,5
Gebäude / Hallendach /
Gleis und Außenbahn-
steig
Tabelle 24: Untersuchte Versiegelungsflächen und Vergleich mit Bilddaten

image
86
Die Ergebnisse der Felduntersuchung der Firma BIUG GmbH werden durchweg positiv bewertet. Ein
direkter Vergleich mit den NDVI Daten zeigt allerdings auch, dass die Situation vor Ort nicht immer
exakt der spektralen Situation im Satellitenbild entspricht. Optische Bilddaten unterliegen bei der Auf-
nahme unterschiedlichen Beleuchtungseinflüssen der Atmosphäre oder Störungen, wie z.B. Nebel.
Weiterhin entstehen auch Überstrahlungseffekte, besonders in der näheren Umgebung stark reflektie-
render Oberflächen. Hohe Gebäude können ebenso wie große Bäume auch Schatteneffekte verursa-
chen, die zu einer Veränderung des Signals in der unmittelbaren Umgebung führen. Bei genauer Ana-
lyse der Testgebiete lassen sich problematische Flächen jedoch sehr gut feststellen. Da die Firma
BIUG GmbH pro Versiegelungsklasse mindestens 3 Testflächen kartiert hat, standen auch genug si-
chere Flächen zur Kalibrierung der NDVI-Werte zur Verfügung.
Versiegelung
(%)
NDVI
0
0,50 - 0,7
1-10
0,42 - 0,5
11-20
0,35 - 0,42
21-30
0,28 - 0,35
31-40
0,23 - 0,28
41-50
0,15 - 0,23
51-60
0,10 - 0,15
61-70
0,05 - 0,10
71-80
0,00 - 0,05
81-90 -0,07 - 0,00
91-00 -0,27 - -0,07
4.2.6.3 Klassifikation und Validierung
Die Klassifikation erfolgte nach Erstellung der Klassencharakteristik für jede der 26 Teilflächen ge-
trennt. Die Daten wurden auf Basis des IRS-pan segmentiert und über den NDVI, errechnet aus dem
IRS-liss, klassifiziert. Die Aufteilung der Landesfläche Sachsens wurde in eine sehr hohe Anzahl einzel-
ner Flächen wurde notwendig, da die Bildanalysesoftware eCognition aufgrund ihres Speichermana-
gements nur relativ kleine Flächen ca. im Bereich von 6000 x 6000 Pixel verarbeiten kann. An einer
zukunftsorientierten Softwarelösung für größere Flächen wird bei der HUGIN GmbH gegenwärtig ge-
arbeitet. Um die Teilflächen nach der Klassifikation wieder zu einem Stück mosaikieren zu können, be-
nötigt man zusätzlich noch deutliche Überlappungsbereiche. Abbildung 73 zeigt die Lage der Teilflä-
chen vor dem Mosaikieren.
Abbildung 73: Teilflächen Versiegelungs-
kartierung Sachsen
Tabelle 25 zeigt die Kalibrierung der NDVI-Werte für die 11
Versiegelungsklassen. Diese Kalibrierung wurde als Grundlage
der Klassenbeschreibung für die Bildverarbeitungssoftware
eCognition festgelegt.
Tabelle 25: Kalibrierung NDVI

image
image
image
image
image
87
Die Klassifikationsergebnisse der Teilflächen wurden im Vektor- und Rasterformat exportiert. Die wei-
tere Verarbeitung der Vektordaten war bei der großen Anzahl an Teilflächen sehr aufwendig. Jede der
Teilflächen wird vor der Verschneidung mit der Nachbarfläche in den Überlappungsbereichen bereinigt
und einem „dissolve“ unterzogen, um benachbarte Flächen gleicher Klassenzuweisung zu verbinden.
Die Daten wurden anschließend nach ihrer Nutzergenauigkeit validiert. Das Ergebnis der Gesamtklassi-
fikation Versiegelung ist in Abb. 74 , die Genauigkeit in Tab. 26 dargestellt.
Abbildung 74: Klassifikation der Versiegelung IRS
Klasse
0% 1-10%
11-
20%
21-
30%
31-
40%
41-
50%
51-
60%
61-
70%
71-
80%
81-
90%
91-
100%
HG
(%)
0%
93,17
3,40 0,00 0,00 0,00 1,32 0,00 0 0,00 0,00 0,00
96,78
1-10%
6,83
94,90
1,84 0,00 0,00 0,68 0,00 0 0,00 0,00 0,00
93,23
11-20%
0,00 1,70
95,18
2,93 0,00 0,00 0,00 0 0,00 0,00 0,00
96,02
21-30%
0,00 0,00 2,98
92,40
6,88 0,05 0,00 0 0,00 0,00 0,00
92,10
31-40%
0,00 0,00 0,00 4,67
90,69
4,78 0,00
0 0,00 0,00 0,00
92,47
41-50%
0,00 0,00 0,00 0,00 2,43
87,32
3,34 0 0,00 0,00 0,00
89,37
51-60%
0,00 0,00 0,00 0,00 0,00 3,92
92,54
3,1 0,95 0,00 0,00
93,16
61-70%
0,00 0,00 0,00 0,00 0,00 1,91 4,12
93,11
4,26 0,00 0,00
91,78
71-80%
0,00 0,00 0,00 0,00 0,00 0,02 0,00 3,79
92,78
2,68 1,52
90,32
81-90%
0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 2,01
94,31
2,67
94,45
91-
100%
0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 3,01
95,81 98,20
gesamt 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00
93,44
NG (%)
93,17 94,90 95,18 92,40 90,69 87,32 92,54 93,11 92,78 94,31 95,81
92,93
Tabelle 26: Validierung der Versiegelungsklassifikation (Nutzergenauigkeit - NG)

image
88
4.3 Klassifikation Ikonos-, Quickbird-Daten
4.3.1 Objektorientiertes Klassifikationsverfahren
Die Klassifikation der hochauflösenden Daten in den drei Testgebieten Dresden, Freiberg erfolgt mit
dem objektorientierten Klassifizierungssystem e-Cognition. Segmentierung und Klassifikation werden
gemäß den in Tab. 27 aufgelisteten geometrischen Auslösungen durchgeführt.
Ikonos
Quickbird
Segmentierung
panchromatisch: 1 m
panchromatisch: 0.72 m
Klassifikation
multispektral: 4 m
multispektral: 3 m
Tabelle 27: Sensorcharakteristik im Klassifikationsprozess
Mit dem Programm eCognition wurde eine Software entwickelt, die in Anlehnung an menschliche Fä-
higkeiten der Mustererkennung Objekte aus Fernerkundungsdaten selektiert und in Klassifikationsal-
gorithmen einbezieht. Die erkannten Bildobjekte des Eingangsdatensatzes werden dabei in Abhängig-
keit verschiedener Maßstäbe / Auflösungen auf ihre spektralen und texturellen Eigenschaften geprüft
und extrahiert, so dass diese Objekte anschließend „simultan in verschiedenen Auflösungen“ vorkom-
men.
Die Beziehungen zwischen den Objekten können über spektrale Informationen, Form- oder Texturpa-
rameter und Kontextinformationen definiert werden. Über diese Schaltstellen wird dem System eine
objektorientierte Sichtweise, wie wir sie von unserer eigenen Wahrnehmung der Umwelt kennen, imp-
lementiert. Ausgehend von kleinen Details (Pixelinformationen), werden vom System Muster (Segmen-
te) und ein Gesamtbild (Klassifikation) konstruiert. Die Bildobjekte werden auf die Kriterien Homogeni-
tät, Farbe und Form geprüft und entsprechend einer hierarchischen Baumstruktur vernetzt. Jedes Ob-
jekt kennt dabei seine Nachbarobjekte in horizontaler und vertikaler Richtung (vgl. Abb. 75). Auf der
untersten Ebene des hierarchischen Netzwerkes finden wir die Einzelpixel, in den nächst höheren Ebe-
nen unterscheiden sich die Bildobjekte durch ihre Auflösungen, die von oben nach unten ansteigt.
Während des Segmentierungsverfahrens werden aus den Einzelpixeln Objekte konstruiert, die alle ei-
gene Attribute besitzen und Beziehungen zu ihren Nachbarn haben.
Abbildung 75:
hierarchische Netzwerkstruktur
http://www.definiens.com)

image
89
Mit dem Import der Daten wird die unterste Ebene des hierarchischen Netzwerkes, das sog. „pixel-
level“,
angelegt. Auf diesem level wird die Segmentierung aufgesetzt (Abb. 76). Die Kanäle können
beliebig ausgewählt und nach ihrer Bedeutung gewichtet werden. Es ist auch möglich, einzelne Kanäle
nicht mit in die Segmentierung einzubeziehen, jedoch später in der Klassifikation zu verwenden. Wäh-
rend der ersten Segmentierungsphase wird ein neues „level“
festgelegt, das zunächst automatisch ü-
ber dem „pixel-level“
liegt.
In weiteren Segmentierungsschritten kann die Reihenfolge der unterschiedlich skalierten „Segmentie-
rungsebenen“ wechseln. Nicht benötigte Ebenen können jederzeit entfernt werden. Die Objektgröße
der Ebenen erhöht sich von unten nach oben immer weiter. Der wichtigste einzustellende Parameter
ist der „scale
parameter“, der die maximale Heterogenität festlegt, die ein Objekt haben darf, um als
gemeinsames Segment mit einem oder mehreren Nachbarobjekten ausgewiesen zu werden. Auf diese
Weise werden verschiedene Nachbarobjekte zu Superobjekten zusammengefasst.
Abbildung 76: Dialogfeld
Segmentierung
Die beiden Parameter „color“
und „shape“ werden zur Verfeinerung der Segmentierung in Hinblick auf
ihre spätere Gestalt herangezogen. Je nach Einstellung der Parameter werden bei der Objektgenerie-
rung eher Farbe oder Form berücksichtigt. Die Form der Segmente kann mit den shape-Parametern
„smoothness“
und „compactness“ noch einmal in eine längliche oder kompakte, runde Form optimiert
werden. Es ist weiterhin möglich, mit dem button „diagonal
pixel neighbourhood“ diagonale Nachbar-
schaftskriterien auszuwählen. Diese Option ist dann interessant, wenn schmale Strukturen, wie Stra-
ßen oder Fließgewässer erfasst werden sollen. Entscheidet man sich für diese Option, so muss sie je-
doch für alle Segmentierungsebenen durchgeführt werden.

image
image
90
Abbildung 77:
Segmentierung
Ikonos-Datensatz
Dresden
Im Rahmen dieses Projektes werden jeweils bis zu 6 unterschiedlichen Segmentierungsstufen mit den
„object scale“ – Parametern 30 bis 120 angelegt. Je kleiner die Parametereinstellung, desto detaillier-
ter wird das segmentierte Bild. Die Objektgrenzen einer höheren Ebene folgen damit immer den Gren-
zen ihrer Unterobjekte. Die Einstellung der Verfeinerungsparameter erfolgt in jeder Szene unterschied-
lich. Die besten Ergebnisse konnten bisher bei gleicher Gewichtung von color (0.5) und shape (0.5)
mit unterschiedlicher Gewichtung auf „smoothness“ (0.8) und „compactness“ (0.2) erzielt werden.
Abb. 6 zeigt eine Segmentierung des Stadtgebietes von Dresden.
In die Ebene „inheritance“
werden zuerst die
Klassen eingefügt (vgl. Abb. 78) und danach die
Klassencharakteristika von Oberklassen auf Un-
terklassen vererbt. Die Anlage der „groups“
defi-
niert z.B. die Gruppierung der Klasse „Laubwald“
und Nadelwald“ zur Oberklasse „Wald- Forst- und
Gehölzfläche“.
Gruppen sind immer Ansammlungen von Unter-
klassen, die aufgrund ihrer Charakteristik zu ei-
ner gemeinsamen Oberklasse gehören. Dabei dif-
ferenzieren die Unterklassen die von der Ober-
klasse geerbten Charakteristika auf ihrer Ebene
weiter aus. Die Klassenbeschreibungen werden
von der Oberklasse zur Unterklasse immer kom-
plexer.
Abbildung 78: Dialogfeld Klassenhierarchie

image
image
91
Mit „structure“
werden bei einer wissensbasierten Klassifikation Strukturgruppen gleicher Charakteris-
tik definiert. Klassenbeschreibungen werden im Dialogfeld „class
description“ angelegt. Hier können
Bezeichnungen und Farbvorgaben für die Abbildung der Klassen im Klassifikationsergebnis festgelegt
werden. Nach der Anlage der Klassenhierarchie wird jede Klasse im System mit eigenen Klassen-
merkmalen beschrieben. Dabei bieten sich zwei Wegen zur überwachten Klassifikation der Bilddaten
an, die miteinander verknüpft werden können. Dies sind die Methoden der „Nearest-Neighbor-
Klassifikation“ und der wissensbasierten Klassifikation über „membership functions“. Bei der
Nearest-
Neighbor-Klassifikation
werden die Klassen über Referenzobjekte (samples) definiert. Die Definition
dieser samples erfolgt im „sample editor“ (Abb. 79).
Abbildung 79: Dialogfelder Klassenbe-
schreibung und sample editor
Zur Festlegung der Klassencharakteristik können die Trennbarkeiten zweier Klassen direkt gegenüber-
gestellt werden. Durch Selektion verschiedener klassentypischer „samples“ (Segmente) werden im
sample editor Wertbeispiele gesammelt und mit den anderen Klassen in den verschiedenen Spektral-
bereichen verglichen. Es ist dabei möglich, die Merkmale verschiedener objekt-features (Mittelwert,
Standardabweichung etc) anzuzeigen. Eine weitere Analysemöglichkeit bietet der „2d – feature space
plot“. Hierbei werden zwei Merkmale in einem zweidimensionalen Merkmalsraum gegenübergestellt
und Klassentrennbarkeiten visualisiert. Abb. 80 zeigt die Gegenüberstellung der Mittelwerte aus den
„Umlandklassen“ der Ikonos-Kanäle 3 und 4.

image
image
92
Abbildung 80: 2D-feature space plot
Die „wissensbasierte
Klassifikation“ kann durch die Charakterisierung von „objekt-features“ (z.B. va-
lues, Form, Textur) oder „class-related-features“ (Verhältnisse zu Nachbar- und Subobjekten) durch-
geführt werden. Zugehörigkeitsfunktionen (membership functions) bestimmen den Kontext für jede
Klasse. Es ist auch möglich, ein hierarchisches Netzwerk von Klassen anzulegen und die Klassen auf
verschiedenen „Segmentierungslevels“ zu klassifizieren.
Abbildung 81: membership functions
Ein erweitertes Dialogfeld bietet u.a. die Möglichkeit der Merkmalsauswahl von „object
features“. Dies
können Farb-, Form-, Textur-, oder Hierarchie - merkmale sein.
Zur näheren Charakterisierung dieser
features werden Funktionen über das Di-
alogfeld „membership function“ festge-
legt. Diese Zugehörigkeitsfunktionen ba-
sieren auf „fuzzy-logic“ Methoden, d.h.
bei der Klassenzuweisung wird eine kon-
tinuierliche Funktion im Wertebereich 0
bis 1 eingesetzt. Null bedeutet dabei
„nein“ – also die Ablehnung der Zugehö-
rigkeit, Eins bedeutet die volle Zustim-
mung. Die dazwischen befindlichen Zu-
gehörigkeiten sind Werte mit bestimmten
Wahrscheinlichkeiten. Die Darstellung
der fuzzy logic ist durch vorgefertigte
Grundformen mit eigenen Modifikationen
möglich.

image
image
image
image
image
image
image
93
Abbildung 82: Klassenspezifische
Charakterisierungsmerkmale
Mit den in Abb. 82 dargestellten Merkmalen lassen sich z.B. Verkehrsflächen oder verschiedene Sied-
lungsstrukturen besser von anderen Landnutzungen trennen. So kann die Kantenlänge von Segmen-
Standardabweichung
Entropie
length / width
density
border length

94
ten ein sinnvoller Wert zur Trennung von linearen versiegelten Flächen zu großflächig versiegelten
Gebieten sein. Das Verhältnis von Länge / Breite ist ein ähnlicher Formparameter, der sich auch gut
zur Beschreibung von Plattenbauten eignet. Die Entropie hingegen ist ein Texturparameter, der sich
gut zur Trennung von Grünstrukturen einsetzen lässt. Zusätzlich zu den fest implementierten Parame-
tern ist es zudem möglich, eigene Parameter zu definieren, um die Trennbarkeit von Klassen zu
verbessern.
4.3.2 Klassencharakteristik
Die Klassifikation der Testgebiete Dresden, Freiberg und Chemnitz erfolgte mit einer stark erweiterten
Klassencharakteristik im Siedlungsbereich. Die „Umlandklassen“ Ackerland, Gewässer, Dauergrünland,
Nadelwald, Laubwald, Mischwald und Rohstoffabbau wurden bereits im Kapitel 4.2.3 beschrieben.
Gleiches gilt für die aus Vektordaten erzeugten Informationslayer Strassen, Bahnlinien und Flughafen.
Dieses Kapitel widmet sich der Klassencharakteristik der testgebietsspezifischen Klassen aus level 3
(vgl. Tab. 28).
IRS
IRS
IKONOS / Quickbird
level 1 (Gruppe)
level 2 (Klasse)
level 3 (Klasse)
Siedlungsfläche
Siedlung innerorts
geschlossene Wohnbebauung
aufgelockerte städtische Bebauung
aufgelockerte dörfliche Bebauung
Wohnblocks / Plattenbauten
Gewerbegebiet / Industriegebiet
innerstädtische Grünfläche
Sport- und Freizeitfläche
Siedlungsfläche Siedlung außerorts
Verkehrsfläche
Strassen
Strassen
Bahnlinien
Bahnlinien
Flughafen
Flughafen
sonstige Verkehrsflächen
Landwirtschaftsfläche Dauergrünland Dauergrünland
Ackerland
Ackerland
Wald-, Forst- und Gehölzfläche Nadelwald
Nadelwald
Mischwald
Mischwald
Laubwald
Laubwald
Wasserfläche Standgewässer Standgewässer
Fliessgewässer
Fließgewässer
Restfläche Rohstoffabbau Rohstoffabbau
Baustelle
technische Infrastruktur
Tabelle 28:
Objektarten im Klassifikationssystem
Die zu klassifizierenden Objektarten innerhalb von Siedlungsbereichen werden im Anschluss stich-
punktartig erläutert und entsprechend ihrer Charakteristik eingeordnet.

image
image
image
image
95
Siedlungsfläche:
entspricht der aus dem IRS-pan Kanal entwickelten Sied-
lungsmaske, aktualisiert auf der Grundlage von Ikonos
und Quickbird
die Siedlungsfläche wurde visuell interpretiert und ange-
passt
sie dient als Maske für die Unterscheidung in „Siedlung“
und „Umland“ im Klassifikationsprozess
geschlossene Wohnbebauung:
gut klassifizierbar
Eindeutige Klassenmerkmale sind: im Zusammenhang be-
baute Flächen mit hohem Versiegelungsanteil, geringem
Grünflächenanteil, häufig regelmäßige Gebäudestrukturen,
gitterartig angeordnet.
Analyse enger Gebäudestrukturen, oft auch entlang von
größeren Straßen
z.B. Gründerzeitviertel in Dresden und Leipzig
Gewerbe- / Industriegebiet:
gut klassifizierbar
Analyse von Versiegelungsgrad, Dachgröße und –form
Eindeutige Klassenmerkmale sind hoher Versiegelungs-
grad, große versiegelte Flächen (Dachflächen, Parkplätze),
häufig Flachdächer
Fehlklassifikationen zu großen Gebäuden anderer Nutzung
möglich (Verwaltungsgebäude, Universität..)
Aufgelockerte, dörfliche Bebauung:
relativ gut klassifizierbar
Analyse von Hausgröße und Durchgrünungsanteil
Eindeutige Klassenmerkmale sind Einzelhausbebauungen,
auch ohne regelmäßige Bebauungsstruktur mit hohem Ve-
getationsanteil zwischen den Gebäuden
Erfasst werden Einfamilienhäuser, Kleingärten, neue peri-
phere Wohnbausiedlungen mit ländlichem Charakter

image
image
image
image
96
Aufgelockerte, städtische Bebauung:
gut klassifizierbar
Analyse von Hausgröße, Vegetationsanteil und Gebiets-
struktur
Eindeutige Klassenmerkmale sind kleinere Einzelhausbe-
bauungen in regelmäßiger Struktur mit hohem Vegetati-
onsanteil
Tendenziell in begünstigten, stadtnahen Gebieten
Erfasst werden Einfamilienhäuser, kleine Mehrfamilienhäu-
ser, Villen, städtischen Kleingartenanlagen
Wohnblocks / Plattenbauten:
gut klassifizierbar
Analyse von Form, Dachstruktur, unbebauter Zwischen-
räume
Eindeutige Klassenmerkmale sind rechteckige Bebauungen
mit sichtbaren Häuserfronten und hohem Vegetationsan-
teil zwischen den Gebäuden
Häufig in etwas peripherer Lage
Innerstädtische Grünfläche:
Relativ gut klassifizierbar
Geplante Grünfläche innerhalb im Zusammenhang bebau-
ter Ortslagen, wie z.B. Parkanlagen, Erholungsflächen zwi-
schen Wohnblocks etc.
Analyse von Durchgrünungsgrad und angrenzende Nut-
zung
Sport- und Freizeitfläche:
Relativ gut klassifizierbar
Geplante Flächen zur sportlichen Freizeitgestaltung inner-
halb im Zusammenhang bebauter Ortslagen (Stadion,
Sportplatz, Bolzplatz, Tennisplatz
Analyse von Form, Nachbarschaft, besondere Spektralei-
genschaften
Technische Infrastruktur
sind Flächen innerhalb und außerhalb bebauter Gebiete, die ausschließ-
lich der Bereitstellung von Strom, Wasser etc. dienen (z.B. Windkraftanlagen, Umspannwerk, Kläran-

image
image
image
97
lagen).
Baustellen
sind vorübergehend uncharakterisierte Flächen offenen Bodens, die aufgrund ih-
rer Struktur und umliegenden Nutzung als Baugebiete erkannt werden.
Die Untergliederung der
Verkehrsflächen
in weitere Klassen über automatisierte Klassifikationsver-
fahren entfällt, da diese Flächen nur sehr unsicher klassifizierbar sind. Verkehrsflächen sind automati-
siert nicht lückenlos erfassbar, da sie in Form, Struktur und spektraler Eigenschaft sehr differieren und
durch zahlreiche Störeinflüsse (Bäume, Grünstreifen etc.) verdeckt bzw. unterbrochen werden. Ver-
kehrsflächen wurden dennoch in die Klassifikation mit einbezogen und so weit wie möglich klassifi-
ziert. Eine weitere Unterscheidung in Strassen, Bahnlinien oder Parkflächen konnte aufgrund starker
Überschneidungen in den Spektraleigenschaften jedoch nicht automatisiert getroffen werden. Nach
Abschluss der Klassifikation wurde das gebufferte Strassen- und Bahnliniennetz mit oberster Priorität
hineingeschnitten. Allerdings ist diese Verfahrensweise ein wenig problematisch, da sehr viele Flächen
übrig bleiben, die aus der Klassifikation stammen und nicht weiter attributiert werden können. Aus
diesem Grund wurde eine Restklasse eingeführt, die unter der Bezeichnung
„sonstige Verkehrsflä-
chen“
alle nicht zuweisbaren Verkehrsflächen beinhaltet.
Abbildung 83: Verkehrsflächen im Innenstadtbereich von Dresden / Sensor: Ikonos-ms

image
image
image
image
98
4.3.3 Ergebnisdarstellung und Validierung
Die Testgebiete Dresden, Freiberg und Chemnitz wurden klassifiziert und in Bezug auf ihre Klassifika-
tionsgenauigkeit validiert. Abb. 84 / 85 zeigen die Flächennutzungs- und Versiegelungsklassifikation
der Stadt Dresden, überlagert mit den Vektordaten Schienennetz und Straßennetz.
4.3.3.1 Testgebiet Dresden
Abbildung 84: Flächennutzung Dresden
Abbildung 85: Versiegelung Dresden

image
image
image
image
99
4.3.3.2 Testgebiet Freiberg
Abb. 86 / 87 zeigen die Flächennutzungs- und Versiegelungsklassifikation der Stadt Freiberg, überla-
gert mit den Vektordaten Schienennetz und Straßennetz.
Abbildung 86 :
Flächennutzung Freiberg
Abbildung 87:
Versiegelung Freiberg

image
image
image
image
100
4.3.3.3 Testgebiet Chemnitz
Abb. 88 / 89 zeigen die Flächennutzungs- und Versiegelungsklassifikation der Stadt Chemnitz, überla-
gert mit den Vektordaten Schienennetz und Straßennetz.
Abbildung 88:
Flächennutzung Chemnitz
Abbildung 89:
Versiegelung Chemnitz

101
4.3.3.4 Validierung
Die Validierung der hochauflösenden Klassifikationsergebnisse hat gezeigt, dass die Nutzergenauigkeit
den Anforderungen einer Mindestgenauigkeit von 90% entspricht. Dies betrifft die Gesamtgenauigkeit
jeder Klassifikation, jedoch nicht unbedingt jede einzelne Klasse.
Klassen Flächennutzung
Dresden
Freiberg
Chemnitz
Nutzergenauigkeit (%)
Standgewässer
97,49 98,58 96,07
Fliessgewässer
97,12 98,45 96,02
Nadelwald
92,03 90,44 90,58
Laubwald
89,06 87,06 85,90
Mischwald
89,20 85,48 85,61
Dauergrünland
90,32 92,20 89,75
Rohstoffabbau
91,74 90,44 93,28
Ackerland
92,25 93,78 93,30
geschlossene Wohnbebauung
91,07 89,61 90,49
aufgelockerte städtische Bebauung
91,43 89,91 unklassifiziert
aufgelockerte dörfliche Bebauung
unklassifiziert 91,69 91,22
Wohnblocks / Plattenbauten
90,27 87,47 90,03
Gewerbe / Industrie
93,61 91,72 92,19
Sport- u. Freizeitfläche
96,93 96,36 94,85
Innerstädt. Grünflächen
87,43 87,26 86,06
Strassen
97,46 99,22 97,57
Bahnlinien
98,17 96,24 97,24
Baustelle
91,91 92,36 92,26
Technische Infrastruktur
unklassifiziert 92,69 92,49
insgesamt (%)
92,79
92,16
91,93
Tabelle 29: Validierung - Nutzergenauigkeit Flächennutzung Ikonos / Quickbird
Klassen Versiegelung
Dresden
Freiberg
Chemnitz
Nutzergenauigkeit (%)
0%
95,67 95,77 93,48
1-10%
94,96 94,87 95,23
11-20%
95,97 94,29 95,76
21-30%
93,25 93,25 91,89
31-40%
92,17 92,43 91,96
41-50%
90,46 91,42 91,67
51-60%
93,79 92,52 91,82
61-70%
93,78 93,87 92,97
71-80%
92,78 92,13 93,93
81-90%
94,53 95,79 95,45
91-100%
95,64 96,02 96,96
Insgesamt(%) 93,91 93,85 93,74
Tabelle 30: Validierung - Nutzergenauigkeit Versiegelung Ikonos / Quickbird
Insgesamt bleibt festzustellen, dass die Sicherheit des Ergebnisses mit höher aufgelösten Daten in
keinem Falle steigt, da gleichzeitig auch entsprechend erweiterte Anforderungen an die Klassenvielfalt
gestellt wurden und die Daten aufgrund ihrer Komplexität eine hohe Variabilität in Spektralverhalten,
Form und Struktur aufweisen.

image
image
102
Die Anwendung der Sensoren Ikonos und Quickbird hat gezeigt, dass beide in den spektralen Eigen-
schaften sehr ähnlich sind. Jedoch bleibt festzustellen, dass diese Daten aufgrund ihrer sehr hohen
geometrischen Auflösung im Grunde zu viele Details hervorheben und die automatisierte Klassifikation
dadurch erheblich erschweren. In jedem Fall wird deutlich, dass die bislang angewandten Klassifikati-
onsverfahren unbedingt weiterentwickelt werden sollten. Während die hier vorliegenden Klassifikatio-
nen zu einem Großteil auf das Spektralverhalten der Daten abheben ist es in der Zukunft notwendig
Methoden und Software zu entwickeln, die deutlich mehr auf Formparameter und Nachbarschaftsana-
lysen setzen. Wir befinden uns gegenwärtig noch am Beginn der objektorientierten Bildverarbeitung.
Es ist aufgrund der Datengröße und den entsprechenden Datenkosten auch nicht anzuraten, größere
Gebiete oder gar die Fläche eines Bundeslandes damit abzudecken. Ein großes Potential wird für die
Zukunft in der Auswertung von SPOT5-Daten, die bei einer geometrischen Auflösung von 2,50 Meter
im panchromatischen und 10 Meter im multispektralen Bilddatensatz eine hervorragende Basis für
Klassifikationen im Maßstabsbereich 1:25.000 darstellen. Abbildungen 90 und 91 zeigen anhand eines
Ausschnittes der Dresdener Innenstadt eine kleine Vorschau in die Zukunft.
Abbildung 90: SPOT5 panchromatisch,
Geometr. Auflösung 2,5m
Abbildung 91: SPOT5 multispektral,
Geometr. Auflösung 10m

image
image
image
103
5 Datenbank, Programmsystem und interaktiver Datenbrowser
Der
Aufbau der Datenbank
sollte planmäßig auf dem Datenbanksystem ORACLE erfolgen. Der
Zugriff des Programmsystems war dabei über die Datenschnittstelle ArcSDE geplant. Da diese
Schnittstelle vom LfUG nicht zur Verfügung gestellt werden konnte, wurde das AP8000 nicht durchge-
führt. Die Erstellung der Datenbank erfolgte nach Absprache mit dem LfUG unter Beachtung der zum
Übergabezeitpunkt vorhandenen örtlichen Gegebenheiten. Die Realisierung
des Programmsystems
erfolgte in Visual Basic für ArcMap 8.1. Die Funktionalitäten der
interaktiven Benutzeroberfläche
wurden dabei in Absprache mit dem Auftraggeber ausgebaut und implementiert. Nachfolgende Abbil-
dungen zeigen auszugsweise einige Funktionalitäten der Benutzeroberfläche.
Abbildung 92: Auswählen einer
thematischen *shp Datei
Abbildung 93: Auswählen einer admi-
nistrativen Bezugsfläche (Gemeinde)
Abbildung 94: Ausgabe der Statistik für
eine administrative Themenauswahl

104
Das Programmsystem ermöglicht die Abfrage der Flächennutzungsarten bzw. der Bodenversiegelung
für die Gesamtfläche von Sachsen nach Kreisgrenzen, Gemeindegrenzen, Boxkoordinaten oder belie-
bigen Polygonen. Im Zuge dieser Abfrage wird eine statistische Auswertung der Abfrageergebnisse
und die Darstellung der Datensicherheit (Nutzergenauigkeit) angezeigt. Diese Ergebnisse können als
Textdatei, Excel-Arbeitsblatt oder *.shape-Datei exportiert werden. Die Darstellung von Abfrageergeb-
nissen erfolgt in einem einheitlichen Layout mit entsprechend zugeordneten Legenden. Tab. 31 gibt
einen zusammenfassenden Überblick über das Programmsystem.
Thema
Funktionalität
Datei
Beschreibung
Programmier-
sprache
Visual Basic
Systemanforde-
rungen
Windows 2000
ArcMap 8.1
Microsoft Excel
Komponenten
Nutzvers.dll
Nva.ini
Nutzvers.install.reg
Nutzvers.uninstall.reg
Zusatzdaten
ADMIN_2001.lyr Gemeinde- und Kreisgrenzen Sachsen
Funktionalität
Abfrage der Daten-
sätze
FN_SAX.lyr
Flächennutzung, Sachsen
FN_DD.lyr Flächennutzung Dresden
FN_FG.lyr Flächennutzung Freiberg
FN_CH.lyr Flächennutzung Chemnitz
VE_SAX.lyr Versiegelung, Sachsen
VE_DD.lyr Versiegelung, Dresden
VE_FG.lyr Versiegelung, Freiberg
VE_CH.lyr Versiegelung, Chemnitz
Export der Abfra-
geergebnisse
Statistische Daten als Textdatei
Statistische Daten als Excel-Arbeitsblatt
Geometriedaten als shape-Datei
Räumliche Aus-
wahlkriterien
Administrativ (Kreisgrenze, Gemeindegrenze)
Gebiet (freies Rechteck, freies Polygon
Koordinaten (Boxkoordinaten)
shape-Datei (Polygon beliebig)
Thematische Aus-
wahlkriterien
Auswahl nach Klassen / Gruppen
Installation
nva.ini
in C:\winnt kopieren (windows-Verzeichnis)
nutzvers.dll registrieren (DOS_PROMPT>regsvr32
Pfad\nutzvers.dll)
anlegen einer Schaltfläche in ArcMap
Tabelle 31: Programmsystem für Flächennutzungs- und Versiegelungsabfrage Sachsen

105
6 Installation und Übergabe
Die Installation bzw. Anbindung der Daten und Software im LfUG erfolgt laut Ausschreibung. Insge-
samt 10 Kopien der Software und des Abschlußberichtes werden zusammengestellt und dem Auftrag-
geber übergeben. AP 10000 umfasst weiterhin die Verantwortlichkeit für den Funktionstest der CD Pa-
kete, die Übergabe der Programme und Quelltexte sowie zur Verfügung gestellte Unterlagen des Auf-
traggebers.
7 Empfehlungen für eine Fortschreibung des Projektes
Durch ihren hohen Informationsgehalt, ihre Aktualität, ihre historische Abdeckung seit 40 Jahren so-
wie durch ihr sehr gutes Preis-Leistungsverhältnis stellen Satellitendaten mittlerweile eine unverzicht-
bare Datenquelle für die Umwelt- und Landesplanung dar. Während der letzten 3 Jahre gab es dabei
sowohl auf Datenseite durch höhere Auflösung als auch auf der Softwareseite durch die Operationali-
sierung der objektorientierten Bildprozessierung einen regelrechten Entwicklungsschub. Insbesondere
die hohe Auflösung und die Tatsache, dass Satellitenbilddaten - ihren Stärken entsprechend - inzwi-
schen auch operativ auf großen Flächen zum Einsatz kommen, stellen sehr große Anforderungen an
die Prozessierung der Daten.
Mit dem erfolgreichen Abschluss dieses Projektes stellt sich die Frage, wie das im Rahmen diese Pro-
jektes entwickelte Verfahren im Freistaat Sachsen in Zukunft eingesetzt werden kann. Von zentraler
Bedeutung hierbei ist, dass die Methodik auch mit Satellitenbilddaten anderer Sensoren zum Einsatz
kommen kann. Besonders zu erwähnen und empfehlen sind hierbei die neuen SPOT 5 Daten. Mit die-
sen Daten werden derzeit im Rahmen eines GMES Projektes (Global Monitoring for Environment and
Security – ein gemeinsames Programm der Europäischen Raumfahrtbehörde ESA und der Europäi-
schen Kommission) durch HUGIN GmbH Demonstrationsprodukte zu Flächennutzung und Versiege-
lung am Beispiel Dresden und Erfurt erstellt
(www.gmes-urbanservices.com).
Mit der geometrischen Auflösung von 2,5 m (panchromatisch) und 10 m (multispektral) lassen sich
dabei Kartierungsmaßstäbe von 1:10.000 bei vergleichsweise sehr geringen Kosten erzielen. Diese Da-
ten bieten sich, gemeinsam mit der entwickelten Auswertungsmethodik, als Basis für eine Vielzahl ak-
tueller, topographischer und thematischer Geoinformationsdaten für den Freistaat Sachsen an. Durch
die Tatsache, dass einige Klassen, insbesondere Grünland, erst durch multitemporale Satellitenbildda-
ten mit entsprechender Genauigkeit klassifiziert werden können, empfiehlt es sich, zusätzlich die kos-
tengünstigen und mit hoher spektraler Auflösung versehenen Landsat TM / ETM Daten heranzuziehen.
Die dadurch entstehenden Zusatzkosten sind vernachlässigbar.
Die damit geschaffene Datengrundlage aus georeferenzierten Satellitenbilddaten unterschiedlicher ge-
ometrischer und spektraler Auflösung sowie die daraus abgeleiteten Produkte wie Landbedeckung /
Flächennutzung, Versiegelung und Veränderungsanalyse entfalten den nachhaltigsten fachlichen und
ökonomischen Effekt, wenn sie in verschiedenen Teilen der sächsischen Landesverwaltung zur An-
wendung kommen. Dies gilt horizontal für verschiedene Ministerien und Behörden aus den Bereichen
Umwelt, Planung, Landwirtschaft, Forst, Rohstoffe, Vermessung und Kartographie etc. und vertikal
von Gemeindeebene bis zu den Ministerien. Die aus den Satellitenbilddaten generierten Geoinformati-
onen sollten in einem Abstand von 2-3 Jahren aktualisiert werden.

106
8 Literatur
AdV - Arbeitsgemeinschaft der Vermessungsverwaltungen der Länder der Bundesrepublik Deutschland
(2001),
Amtliches Topographisch-Kartographisches Informationssystem ATKIS - Objektartenkata-
log
Albertz, J. (1991), Einführung in die Fernerkundung - Grundlagen der Interpretation von Luft- und Sa-
tellitenbildern,
Darmstadt
Albertz, J. (2001),
Einführung in die Fernerkundung - Grundlagen der Interpretation von Luft- und Sa-
tellitenbildern,
Darmstadt
Albertz, J., R. Tauch (1994),
Mapping from Space - Cartographic Applications of Satellite Image Data,
GeoJournal, Heft 32, S. 29-37
Aster,
Characteristics,
http://asterweb.jpl.nasa.gov/instrument/character.htm
Baatz, M., A. Schäpe (2000), Multiresolution segmentation - an optimization approach for high quality
multi-scale image segmentation, in: S
TROBL, J. et al. (Hrsg., 2000),
http://www.agit.at/papers/2000/baatz_FP_12.pdf
Bannari, A.; Morin, D.; Bonn, F. & Huete, A. R. (1995): A Review of Vegeatation Indices. In: Remote
Sensing Reviews, Vol.: 13, S. 95-120.
Benes (Hrsg, 2003),
Geoinformation for European-wide Integration, Proceedings of the 22nd Sympo-
sium of the European Association of Remote Sensing Laboratories (Praque), Rotterdam
Berger, A. (2003),
Langzeitmonitoring einer Landschaft mittels GIS - Landschaftswandel und Erho-
lungswert,
Diplomarbeit Technische Universität Dresden, Institut für Kartographie
Berger, F.H., (2001),
Bestimmung des Energiehaushalts am Erdboden mit Hilfe von Satellitendaten,
Tharandter Klimaprotokolle - Band 5
Bollmann, J., W.G. Koch (Hrsg., 2002),
Lexikon der Kartographie und Geomatik, Heidelberg
Buchroithner, M.F. (1989),
Fernerkundungskartographie mit Satellitenaufnahmen - Teilband 2 Digitale
Methoden, Reliefkartierung, geowissenschaftliche Applikationsbeispiele,
Enzyklopädie der Kartogra-
phie und ihrer Randgebiete, Band IV/2, Wien
Colvocoresses, A.P.,
Image Mapping with th Thematic Mapper, Photogrammetric Engineering and Re-
mote Sensing, Heft 52, S. 1499-1505
Dech, S., H. Mehl, G. Strunz (Hrsg., 2002),
Tagungsband 19. DFD-Nutzerseminar, 2002,
http://www.caf.dlr.de/caf/aktuelles/veranstaltungen/nutzerseminar/dfd_19/x_images/DFD-
Nutzerseminar-2002.pdf
Definiens (Ed.) (2002): Functional guide – How to use eCognition. München
DFD - Deutsches Fernerkundungsdatenzentrum,
CORINE Land Cover 2000,
http://www.dfd.dlr.de/projects/CLC2000/indexframe.htm
DigitalGlobe,
QuickBird Imagery Products - Product Guide,
http://www.digitalglobe.com/downloads/QuickBird%20Imagery%20Products%20-
%20Product%20Guide.pdf
Eberhardt, R., K. Wiesmann-Eberhardt, U. Brendel, W. d’Oleire-Oltmanns,
Gis-Einsatz verbessert ein
nachhaltiges Nebeneinander von Mensch und Steinadler in den Alpen,
8. Deutschsprachige ESRI
Anwenderkonferenz,
http://www.zukunft-biosphaere.de/html/Referenzen/ESRI-01.htm
ERDAS (1997): ERDAS Field Guide. Atlanta / USA
Eurimage,
IRS,
http://www.eurimage.com/Products/irs.html
Euromap,
IRS Product Guide and Prices,
http://www.euromap.de/prod_001.htm
European Space Imaging, IKONOS GEO - Pricing,
http://www.euspaceimaging.com/content/products/GEO/index.asp

107
Foody, G.M. (1999):
The continuum of classification fuzziness in thematic mapping. In: Photogram-
metric Engineering & Remote Sensing, vol. 65, no. 4, pp. 443 – 451. Beteshda
Fornefeld, M., P. Oefinger, U. Rausch (2003),
Der Markt für Geoinformationen: e für Beschäftigung,
Innovation und Wertschöpfung,
Markstudie im Auftrag des Bundesministeriums für Wirtschaft und
Arbeit,
http://www.micus.de/pdf/micus_bmwa_vollversion.pdf
Gallaun, H.; Schardt, M. & Granica, K.; (1998):
Biotopkartierung im alpinen Raum mit Methoden der
Fernerkundung,
VGI - Österreichische Zeitschrift für Vermessung & Geoinformation, Heft 3/98, S.
137-143
Gallaun, H., M. Schardt, S. Etzold, H. Pamser, H. Pirkl, K. Granica, G. Flaschberger (2001),
Fusion von
Fernerkundungsdaten und GIS-Daten zur optimierten Informationsgewinnung in Landesinformati-
onssystemen,
Endbericht, Institut für Digitale Bildverarbeitung, Joanneum Research, Graz
Gangkofner, U. (1996),
Methodische Untersuchungen zur Vor- und Nachbereitung der Maximum Like-
lihood Klassifizierung optischer Fernerkundungsdaten.
= Münchener Geographische Abhandlungen,
Reihe B, Heft 24. Geobuch Verlag München
Geodateninfrastruktur NRW,
http://www.gdi-nrw.org
Gierloff-Emden, H.G., (1989),
Fernerkundungskartographie mit Satellitenaufnahmen - Teilband 1 All-
gemeine Grundlagen und Anwendungen,
Enzyklopädie der Kartographie und ihrer Randgebiete,
Band IV/1, Wien
Granica, K., G. Flaschberger, H. Gallaun, M. Schardt (2000),
Der Einsatz von GIS- und Fernerkun-
dungsmethoden in der Schutzwaldplanung und im Schutzwaldcontrolling,
in: STROBL, J. et al.
(Hrsg., 2000),
http://www.agit.at/papers/2000/granica_EA_8.pdf
Günther, O. / Riekert, W. (1992):
Wissensbasierte Methoden zur Fernerkundung der Umwelt. Wich-
mann-Verlag Heidelberg
Haralick, R. M., Shangmugam, K. & Dinstein, I. (1973): Textural Features for Image Classification. In:
IEEE Transactions on Systems, Man, and Cybernetics, Vol.:SMC-3, S. 610-621.
Hildebrandt, G. (1996),
Fernerkundung und Luftbildmessung - für Forstwirtschaft, Vegetationskartie-
rung und Landschaftsökologie,
Heidelberg
Holomek, D. (2002),
Technologische Aspekte des ATKIS Basis-DLM, in: PRECHTEL (Hrsg., 2002)
ImageSat,
Products & Services - EROS,
http://www.imagesatintl.com/productsservices/proddetail/products.shtml
Jacobsen, K (2003),
Mapping with IKONOS Images, in: BENES (Hrsg., 2003)
Kalensky, Z., D.A. Wilson (1975),
Spectral Signatures of Forest Trees, Proceedings of Third Canadian
Symposium on Remote Sensing, S. 155-171
Keil, M., B. Mohaupt-Jahr, R. Kiefl, G. Strunz (2002),
Das Projekt CORINE Land Cover 2000 in
Deutschland,
in: DECH et al. (Hrsg., 2002)
Koch, W.G., 2002,
Stichwort Minimaldimensionen von Kartenzeichen, in: BOLLMANN, J., W.G. KOCH
(Hrsg., 2002), Band 2, S. 152-154
Konecny, G. (2003),
Mapping from Space, GIS-Conference Ostrava
Kronberg, P. (1985):
Fernerkundung der Erde - Grundlagen und Methoden des Remote Sensing in der
Geologie.
Stuttgart
Kühn, S. (2002),
Objektorientierte Analyse von RADARSAT-1-Daten in Überflutungsgebieten am Bei-
spiel eines Testgebietes in Bangladesh,
Diplomarbeit Technische Universität Dresden, Institut für
Kartographie
Landesvermessungsamt Sachsen [1],
ATKIS-DLM Digitales Landschaftsmodell,
http://www.lverma.smi.sachsen.de/produkte/atkis/dlm/index_dlm.html

108
Landesvermessungsamt Sachsen [2],
Aktualität und Verfügbarkeit ATKIS-DLM25,
http://www.lverma.smi.sachsen.de/produkte/uebersicht/stand_atkis_dlm/index_stand_atkis_dlm.ht
ml
Landsat,
L7 Mission Specification,
http://landsat.gsfc.nasa.gov/project/L7_Specifications.html
Lillesand, T.M., R.W. Kiefer (1987),
Remote Sensing and Image Interpretation, New York
Lillesand, T.M., R.W. Kiefer (2000),
Remote Sensing and Image Interpretation, New York
Mannheim, S. (2001),
Kartierung der aktuellen Waldbedeckung im zentralen Altai (Südsibirien) mittels
Fernerkundung und Feldaufnahmen,
Diplomarbeit Technische Universität Dresden, Institut für Kar-
tographie
Mather, P. M. (1987): Computer processing of remotly-sensed images. Chichester.
Meinel, G. (1997):
Bestimmung von Flächennutzungsänderungen mittels Satellitenbilddaten – Metho-
dische Untersuchungen am Beispiel der Stadt-Umland-Region Dresden und Leipzig
= Institut für
ökologische Raumentwicklung e.V. (Hg.): IÖR-Schift 21. Dresden
Meinel, G., M. Neubert, J. Reder (2001a), Pixelorientierte versus segmentorientierte Klassifikation von
IKONOS-Satellitenbilddaten - ein Methodenvergleich, Photogrammetrie Fernerkundung Geoinfor-
mation, Heft 3, S. 157-170
Meinel, G., J. Reder (2001b), IKONOS-Satellitenbilddaten - ein erster Erfahrungsbericht, Kartographi-
sche Nachrichten, Heft1, S. 40-46
Meinel, G., J. Hennersdorf (2002),
Erhebungsmethoden, Programme und Nomenklaturen der Flächen-
bedeckung und Flächennutzung,
Photogrammetrie Fernerkundung Geoinformation, Heft 4/2002, S.
271-286
Möller, M.,
Monitoring der Landnutzung und der landwirtschaftlichen Bodennutzung mittels Satelliten-
fernerkundung in Kombination mit Geographischen Informationssystemen für ein Flusseinzugsge-
biet mittlerer Größenordnung (Mittlere Weiße Elster),
http://www.ufz.de/spb/aloe/moeller/konzept.pdf
Nasda,
Advanced Land Observing Satellite (ALOS),
http://www.nasda.go.jp/projects/sat/alos/component_e.html#specification
Netzband, M. (1998):
Möglichkeiten und Grenzen der Fernerkundung zur Versiegelungskartierung in
Siedlungsräumen.
= IÖR-Schriften 28. Dresden
Netzband, M. / Meinel, G. (1996):
Erarbeitung von Übersichtskarten zur Versiegelungsintensität mit
verschiedenen Fernerkundungsmethoden.
in: Umweltforschungszentrum Leipzig-Halle GmbH (Hg.):
Erfassung und Bewertung des Versiegelungsgrades befestigter Flächen = UFZ-Bericht Nr. 12/1996,
S. V-1 – V-60. Leipzig
Niedersächsisches Umweltministerium,
GEOSUM-Grundlagen,
http://www.mu.niedersachsen.de/GEOSUM/geosum.html
Orbimage,
OrbView-3 - High-Resolution Imagery In Real-Time,
http://www.orbimage.com/corp/orbimage_system/ov3/
Prechtel, N., M. Buchroithner (1994),
Beschaffung, Bearbeitung und Klassifizierung von Landsat-TM-
Daten,
Endbericht zum Projekt des Sächsischen Landesamtes für Umwelt und Geologie, Dresden
Prechtel, N. (1996),
Flächennutzungskartierung mit Satellitenaufnahmen, Wissenschaftliche Zeitschrift
der Technischen Universität Dresden, Heft 1
Prechtel, N. (Hrsg., 2002),
Geoinformationssysteme - Theorie, Anwendungen, Problemlösungen, Vor-
träge der 7. Dresdner Sommerschule, Technische Universität Dresden
Richards, J. A. & Jia, X. (1999): Remote Sensing Digital Image Analysis – An Introduction. Berlin.
Schulz, B. (1990):
Analyse multispektraler Daten. In: Zeitschrift für Photogrammetrie und Fernerkun-
dung, Nr. 3, S. 66 – 74. Heidelberg

109
Stehmann, S.V. (1999):
Basic probability sampling designs for thematic map accuracy assessment. In:
International Journal of Remote Sensing, vol. 20, no. 12, pp. 2423 – 2441. London
Steinnocher, K., T. Bauer, M. Köstl, F. Kressler (2001),
Beobachtung von Stadtentwicklung mit Ferner-
kundung - Applikationen und Innovationen,
Österreichische Zeitschrift für Vermessung & Geoin-
formation, Heft 3, S. 145-149
Steinnocher, K. (1994): Methodische Erweiterung der Landnutzungsklassifikation und Implementierung
auf einem Transputernetzwerk.
In: Geowissenschaftliche Mitteilungen, Vol.: 40, Technische Univer-
sität Wien, Wien.
Steinnocher, K. (1997): Texturanalyse zur Detektion von Siedlungsgebieten in hochauflösenden pan-
chromatischen Satellitenbilddaten.
In: DOLLINGER, F. & STROBL, J. (Hrsg.): Angewandte Geogra-
phische Informationsverarbeitung IX, Beiträge zum GIS-Symposium, 2.-4. Juli 1997; Salzburger
Geographische Materialien, Vol.: 26, S. 143-152.
Steinnocher, K., Kressler, F. & Köstl, M. (2000): Erstellung einer Siedlungsmaske aus Fernerkundungs-
daten und Integration zusätzlicher Information aus Zensusdaten.
In: Angewandte Geographische
Informationsverarbeitung XII: Beiträge zum AGIT-Symposium Salzburg 2000. S. 481-488, Heidel-
berg.
Space Imaging,
IKONOS Imagery Products and Product Guide,
http://www.spaceimaging.com/whitepapers_pdfs/IKONOS_Product_Guide.pdf
Spot Image [1],
Spot Image: Technical Data,
http://www.spotimage.fr/home/system/introsat/seltec/welcome.htm
Spot Image [2],
Spot Products and Services - Price list,
http://www.spotimage.fr/spot5/prodserv/eng/price.pdf
Statistisches Bundesamt,
GiSU - Objektliste Bodenbedeckungsarten,
http://www.destatis.de/stabis/oc_1120/m/list.htm
Statistisches Landesamt des Freistaates Sachsen,
Sächsische Gemeindestatistik,
http://www.statistik.sachsen.de/index/21gemstat/unterseite21.htm
Strobl, J., T. Blaschke und G. Griesebner (Hrsg., 2000)
Angewandte Geographische Informationsver-
arbeitung,
Beiträge zum AGIT-Symposium Salzburg 2000, Karlsruhe
Universität Rostock,
Geoinformatik-Service - GI-Lexikon,
http://www.geoinformatik.uni-
rostock.de/lexikon.asp
Wrbka, T., E. Szerencsits, A. Kiss (1999),
Die Landschaftsstruktur - ein aussagekräftiges und rasch
verfügbares Indikatorenset zur Dokumentation der Umweltsituation in Österreich,
in: Umweltindi-
katoren für Österreich, Umweltbundesamt Österreich, Tagungsberichte Bd. 26, Wien (siehe auch:
http://www.pph.univie.ac.at/intwo/inhalt.htm)