Überwachte Klassifikation

Die überwachte Klassifikation ist ein weit verbreitetes Verfahren zur Erstellung thematischer Karten aus Fernerkundungsbildern. Der Analyst definiert die Zielklassen (etwa Wasser, Wald, Siedlungsfläche und Ackerland), sammelt repräsentative Trainingsdaten für jede Klasse und trainiert anschließend einen Klassifikationsalgorithmus, der jedem Pixel oder Objekt im Bild anhand seiner spektralen, räumlichen oder texturellen Eigenschaften eine dieser Klassen zuordnet.

Zu den gebräuchlichen überwachten Klassifikatoren zählen Maximum Likelihood (eine parametrische statistische Methode), Random ForestRandom ForestRandom Forest is an ensemble machine learning method that builds multiple decision trees during training and merges t... und Gradient BoostingGradient BoostingGradient Boosting is a sequential ensemble learning technique that builds models iteratively, with each new model cor... (Ensemble-Methoden auf Basis von Entscheidungsbäumen), Support Vector Machines (SVM) sowie Deep-Learning-Architekturen wie Convolutional Neural Networks. Jeder Ansatz bietet unterschiedliche Abwägungen zwischen Genauigkeit, Rechenaufwand und Empfindlichkeit gegenüber Umfang und Qualität der Trainingsdaten.

Der Arbeitsablauf der überwachten Klassifikation umfasst die Klassendefinition, die Sammlung von Trainingsdaten, die Merkmalsauswahl, das Training des Algorithmus, die Klassifikation des gesamten Bildes sowie die Genauigkeitsbewertung anhand eines unabhängigen Validierungsdatensatzes. Genauigkeitskennzahlen wie die Gesamtgenauigkeit, die Produzenten- und Nutzergenauigkeit sowie der Kappa-Koeffizient quantifizieren, wie gut die klassifizierte Karte mit der Bodenwahrheit übereinstimmt.

Die überwachte Klassifikation bleibt der dominierende Ansatz zur Erstellung hochwertiger Landbedeckungskarten aus Fernerkundungsdaten. Mit der fortschreitenden Entwicklung von Methoden des maschinellen Lernens werden überwachte Verfahren zunehmend genauer, effizienter und für operative Kartierungsprogramme besser zugänglich.