CNN-basierte großräumige Landnutzungs- und Landbedeckungsklassifizierung

Sentinel-2 Echtfarbenbild (Zusammenstellung der RGB Kanäle), aufgenommen über dem Gebiet der Metropolregion München
Informationen über Landnutzung- und Landbedeckung, mit Hilfe der entwickelten Methode aus dem multispektralen Sentinel-2 Bild extrahiert

Landnutzungs- und Landbedeckungsklassifizierung ist eine altbekannte Aufgabe der Fernerkundung. Da als Grundlage der Klassifizierung zumeist multispektrale Satellitenbilder herangezogen werden, kann die Aufgabe auch als semantische Segmentierung von Satellitenbildern betrachtet werden. Semantische Segmentierung von Bildern ist auch eine typische Aufgabe aus dem Bereich Computer Vision. Dort wurden im Laufe der letzten Jahre beeindruckende Ergebnisse für die Bilderkenung und semantische Segmentierung von Bildern durch die Anwendung von Methoden des Machine Learnings, insbesondere tiefe Convolutional Neural Networks (CNNs), erzielt. Da Methoden zur Bilderkennung und semantische Segmentierung von Bildern auf den gleichen Grundlagen beruhen, sind entwickelte Lösungsansätze zumeist ineinander umformbar.

In diesem Projekt sollen CNNs zur Bilderkennung für Anwendungen der Fernerkundung angepasst werden. Das Antrainieren eines CNNs auf eine neue Aufgabe erfordert eine große Menge an Trainingsdaten. Um genügend Trainingsdaten erzeugen zu können wurde ein neuer Ansatz zur quasi-automatischen Gewinnung eines Trainingsdatensatzes, bestehend aus Sentinel-2 Bildern und Ground Truth aus Volunteered Geographic Information, entwickelt. Mit Hilfe dieses Datensatzes konnte ein tiefes CNN, welches ursprünglich für die Bilderkennung entwickelt wurde, zur Landnutzungs- und Landbedeckungsklassifizierung angepasst und antrainiert werden. Die Nutzung dieses CNNs soll die automatische Produktion von großräumigen Landnutzungs- und Landbedeckungskarten mit höherer räumlicher Auflösung als aktuell verfügbare Karten (CORINE, GlobeLand30) ermöglichen. Durch die hohe temporale Auflösung der Sentinel-2 Konstellation, ist eine automatische Produktion von Karten in einem zeitlichen Abstand von nur fünf Tagen denkbar.

Publikationen

  • Liebel, Lukas: Deep Convolutional Neural Networks for Semantic Segmentation of Multispectral Sentinel-2 Satellite Imagery: An Open Data Approach to Large-Scale Land Use and Land Cover Classification. 2017 mehr…