University of ZurichZurich Open Repository and Archive

Winterthurerstr. 190

CH-8057 Zurich

http://www.zora.uzh.ch

Year: 2010

Brandgutdifferenzierung in einem Wildland-Urban Interface mitHilfe von Laser Scanning und Bildspektrometrie

Frischknecht, C; Kneubühler, M; Morsdorf, F

Frischknecht, C; Kneubühler, M; Morsdorf, F (2010). Brandgutdifferenzierung in einem Wildland-Urban Interfacemit Hilfe von Laser Scanning und Bildspektrometrie. In: Kohlhofer, G [et al.]. Vortrage Dreilandertagung OVG,DGPF und SGPF. Wien, AT, 414-422.Postprint available at:http://www.zora.uzh.ch

Posted at the Zurich Open Repository and Archive, University of Zurich.http://www.zora.uzh.ch

Originally published at:Kohlhofer, G [et al.] 2010. Vortrage Dreilandertagung OVG, DGPF und SGPF. Wien, AT, 414-422.

Frischknecht, C; Kneubühler, M; Morsdorf, F (2010). Brandgutdifferenzierung in einem Wildland-Urban Interfacemit Hilfe von Laser Scanning und Bildspektrometrie. In: Kohlhofer, G [et al.]. Vortrage Dreilandertagung OVG,DGPF und SGPF. Wien, AT, 414-422.Postprint available at:http://www.zora.uzh.ch

Posted at the Zurich Open Repository and Archive, University of Zurich.http://www.zora.uzh.ch

Originally published at:Kohlhofer, G [et al.] 2010. Vortrage Dreilandertagung OVG, DGPF und SGPF. Wien, AT, 414-422.

Brandgutdifferenzierung in einem Wildland-Urban Interface mit Hilfe von Laser Scanning und Bildspektrometrie

CHRISTOPH FRISCHKNECHT1, MATHIAS KNEUBÜHLER1 & FELIX MORSDORF1

Zusammenfassung: Im Bereich von Waldbränden stellt die Kartierung von Brandgut zur Minderung von Risiken eine große Herausforderung dar. Besonders schwierig gestaltet sich das Unterfangen, wenn anthropogene und natürliche Strukturen aufeinander treffen und ein sogenanntes Wildland-Urban Interface bilden. Ein support vector machines-Algorithmus wird trainiert, um eine Landbedeckungskartierung aus einem kombinierten LiDAR- und Bildspektrometerdatensatz vorzunehmen. Es werden 18 Klassen unterschieden, wobei die Vegetation in sechs Brandguttypen eingeteilt wird. Sechs Prozessierungsketten mit unterschiedlichen Hierarchien und Fusionszeitpunkten werden untersucht. Die erreichten Gesamtgenauigkeiten liegen zwischen 53.07% und 70.69%, bzw. 0.48 und 0.68 Kappa. Diese Ergebnisse werden den Klassifikationen der einzelnen Sensorquellen gegenüber gestellt. Die maximal erreichte Verbesserung durch die Fusion beträgt 18.96% bzw. 0.19 Kappa.

1 Einführung

Jährlich brechen in den mediterranen Regionen Europas über 45 000 Wald- und Buschbrände aus und zerstören dabei rund 2.6 Millionen Hektar Land (FAO, 2001). Es ist zu erwarten, dass das Feuerrisiko, die Länge der Feuersaison sowie die Feuerhäufigkeit im mediterranen Raum aufgrund des Klimawandels zunehmen werden (ALCAMO et al., 2007). Gleichzeitig vergrössert sich das Schadenspotenzial, da die Feuer immer öfter bewohntes Gebiet erreichen. Wo sich Busch- und Waldland mit von Menschen genutztem Land trefen und ineinandergreifen spricht man von einem wildland-urban interface (WUI) (VINCE et al., 2005). In dieser heterogenen Umgebung stellt die Kartierung von Brandgut zur Minderung von Risiken eine grosse Herausforderung dar. Potentiell Abhilfe können moderne Methoden der Fernerkundung schaffen, wobei sich Laserscanner- und Bildspektrometerdaten zur Klassi-fizierung optimal ergänzen sollten, da sie komplementäre spektrale und strukturelle Infor-mationen liefern (KOETZ et al., 2008). Die hohe spektrale Auflösung des Bildspektrometers erlaubt die Unterscheidung von Pflanzengesellschaften und verschiedenen urbanen Klassen (HEROLD et al., 2003, USTIN et al., 2004). Für eine umfassende Brandgutkartierung ist jedoch auch die vertikale Struktur der aufgenommen Vegetation von zentraler Bedeutung. Diese Informationen können aus den Laserscanner-Aufnahmen gewonnen werden. Erst die Synergie der beiden Systeme erlaubt eine präzise Beschreibung der vorhandenen Brandguttypen (KOETZ et al., 2008). Die Leistungsfähigkeit der üblicherweise zur Klassifizierung von Landbedeckung verwendeten Algorithmen (z.B. maximum likelihood) ist bei einem hohen Grad an Dimensionalität stark vermindert (BENEDIKSSON et al., 1990). In den letzten Jahren sind verschiedene nicht-parametrische Algorithmen erprobt worden, welche kein a priori Wissen über die statistische Verteilung der Daten verlangen. Die support vector machines haben sich als besonders geeignet zur Klassifikation von hoch dimensionalen Daten aus unterschiedlichen Quellen erwiesen

1 Remote Sensing Laboratories, Geographisches Institut, Universität Zürich, Winterthurerstr. 190, 8057 Zürich, Schweiz, Rückfragen an: felix.morsdorf@geo.uzh.ch

(WASKE UND BENEDIKTSSON, 2007; WASKE UND VAN DER LINDEN, 2008), ebenso wie bei Klassen mit multimodaler Verteilung im Merkmalsraum (VAN DER LINDEN et al., 2007). Die vorliegende Studie ist fokussiert auf Klassifizierung der Landbedeckung in einem Gebiet, welches als repräsentativ für das WUI im mediterranen Raum angesehen werden kann. Das Ziel ist es, das Potenzial von Multi-Sensor-Daten zur Beschreibung der komplexen anthropogenen und natürlichen Brandguttypen aufzuzeigen. Ebenso wird aufgezeigt, wie sich unterschiedliche Ansätze bei der Prozessierungskette auf die Güte der Klassifikation auswirkt.

2 Untersuchungsgebiet und Daten

Die verwendeten Daten stammen von einer Feldkampagne, welche im Rahmen des EU-Projektes FIREPARADOX anfangs Oktober 2006 in Frankreich stattfand. Bei einer Befliegung der Bois-des-Roussettes/Montaiguet-Region südlich von Aix-en-Provence (05°28'37''E, 43°29'44''N) wurden auf einem Gebiet von rund 13.5km x 3.5km simultan ein LiDAR und ein Bildspektrometer-Datensatz akquiriert, sowie, zur späteren Validierung, Orthofotos des gesamten Gebiets aufgenommen. Beim Untersuchungsgebiet handelt es sich um ein repräsentatives mediterranes WUI, wo natürliche und antropogene Struk-turen aufeinandertreffen. Die Vegetation besteht aus weit verbreiteten Pfanzenvergesellschaftungen (KOETZ et al., 2008): (1.) Eher feuerresistente Hartlaubvegetation, die sogenannte Garrigue, dominiert von Spezies wie Ulex spp. und Quercus coccifera. (2.) Feueranfällige Kiefernwälder (Pinus halepensis) und (3.) eher feuerresistente Eichenwälder, (Quercus illex und Quercus pubescens). Allen Vergesellschaftungen gemeinsam ist die Tatsache, dass sie immergrün sind und das Blattwerk während der Trockenperiode von Juli bis August die geringste Dichte aufweist (HUC UND SIMONI, 2009).

2.1 LiDARZur Aufnahme der LiDAR-Daten kam ein Optech ALTM3100 Laser-Scanner zum Einsatz. Das System arbeitet mit einer Wellenlänge von 1064 nm und kann bis zu vier Echos pro Pulsabgabe aufzeichnen (MALLET UND BRETAR, 2009). Die Flughöhe betrug 800 Meter über Grund. Die erreichte Punktdichte beträgt durchschnittlich 3.7 Punkte pro Quadratmeter.Aus den Rohdaten wurden verschiedene Produkte abgeleitet, welche sowohl die horizontalen, wie auch die vertikalen Eigenschaften der abgetasteten Oberfläche wiedergeben. Zur Charakterisierung der vertikalen Struktur der Bodenbedeckung wurde in einem 2m x 2m Fenster die relative Punktdichte in sechs verschiedenen Höhenstufen berechnet. Aus der Differenz von DSM und DTM ergibt sich ein canopy height model. Zudem wurden auch die Intensitäts-Daten berücksichtigt. Alle LiDAR-Produkte wurden bezüglich ihres Maximalwerts normalisiert, um die SVM-Klassifizierung zu erleichtern.

2.2 BildspektrometerDie Bildspektrometer-Daten wurden mit einem AISA EAGLE Sensor erhoben . Insgesamt wurden 97 Bänder zwischen 453 nm und 923 nm mit einer spektralen Bandbreite von 4.6 nm aufgenommen (KOETZ et al., 2008). Die geometrische und radiometrische Korrektur erfolgte mit dem PARGE-Ansatz sowie der ATCOR4 Software (SCHLÄPFER UND RICHTER 2002).

Verbleibende geometrische Ungenauigkeiten wurden mittels direkter Koregistrierung mit den LiDAR-Daten behoben. Die Bodenauflösung nach der Korrektur beträgt 1 m.

3 Methoden

Die Heterogenität eines wildland-urban interface und die Tatsache, dass Daten aus unterschiedlichen Quellen verwendet werden, stellen zwei spezifische Anforderungen an den verwendeten Klassifikations-Algorithmus: (1.) Der Algorithmus muss in der Lage sein, mit multimodalen Klassen umzugehen, die keiner bestimmten statistischen Verteilung folgen. (2.) Bedingt durch die hohe Anzahl Klassen (vgl. 4.1) ist mit einer Vielzahl von Mischpixeln zu rechnen. Erschwerend kommt hinzu, dass die Klasseninformation zum Teil mehrdeutig ist. Aus diesen Gründen ist es besonders wichtig, dass die Übergangszonen sauber klassifiziert werden können (KOETZ ET AL., 2008). In verschiedenen vergleichenden Studien zeigt sich, dass hinsichtlich der oben genannten Anforderungen die Leistungsfähigkeit der support vector machines (SVM) diejenige anderer nicht-parametrischer Ansätze übertrifft (PAL UND MATHER, 2006). Konsequenterweise wird ein SVM-Algorithmus für die vorliegende Klassifikation gewählt.

3.1 KlassifikationssystemBasierend auf der Definition für Brandguttypen aus dem PROMETHEUS-Projekt der EU (RIAÑO et al., 2002, PROMETHEUS 1996) und Erfahrungen in der Klassifizierung von urbanen Regionen (ROESSNER et al., 2001; HEROLD et al., 2003, 2004) wird ein Klassifikationssystem abgeleitet, welches speziell auf die Charakteristika des vorliegenden WUI angepasst ist. Das Klassifikationsschema umfasst 18 Klassen. Um das System besser auf die Feuerthematik anzupassen werden einige Klassen nach der Differenzierung wieder zusammengefasst. Danach umfasst das System noch 14 Klassen (Tabelle 1).

Kl.Nr. KlasseNach

Zusammenfassung Kl.Nr. KlasseNach

Zusammenfassung1 Brandguttypus 1 10 Asphaltierte Strasse

Feuerbarrieren2 Brandguttypus 2 11 Kiesstrasse

Feuerbarrieren

3 Brandguttypus 3 12 Tennisplätze4 Brandguttypus 4 13 Abgedeckte Felder5 Brandguttypus 5 14 Erde6 Brandguttypen 6 & 7 15 Fels Feuerbarrieren7 Ziegeldächer Wohnbauten 16 Brandflächen8 Metalldächer

Gewerbebauten17 Schwimmbecken

Wasser9 Übrige Dachmaterialien

Gewerbebauten18 Natürliche Wasserkörper

Wasser

Tab. 1: Klassifikationssystem für das wildland-urban interface

3.2 Support vector machinesSVMs trennen zwei Klassen durch das Einpassen einer optimal separierenden Hyperebene im n-dimensionalen Merkmalsraum (VAPNIK 1998). Eine Hyperebene ist optimal, wenn sie: (1.) die

Distanz zwischen der Grenze und den nächst gelegenen Stichprobenpunkten maximiert und (2.) den Fehler bei nicht-trennbaren Stichprobenpunkten minimiert (BRUZZONE UND CARLIN 2006). Für linear nicht-trennbare Fälle werden die Datenpunkte mit Hilfe einer Kern-Funktion (z.B. gaussian radial basis function) in einen Raum höherer Dimension projiziert. Eine detaillierte Beschreibung der SVM-Funktionsweise findet man in der Arbeit von BURGES 1998.Um das Mehrklassenproblem mit den ursprünglich binären SVM zu lösen, wird eine one-against-all-Strategie (OAA) gewählt (FOODY UND MATHUR 2004). Für das Training und die Klassifizierung kommt eine IDL-Implementierung (JANZ et al., 2007) von LIBSVM (CHANG UND LIN, 2001) zum Einsatz.

3.3 HierarchienDa mit dem one-against-all-Ansatz gearbeitet wird, schneidet beim Training immer diejenige Parametrisierung am besten ab, welche über alle Klassen hinweg die beste Generalisierung ermöglicht. Eine Parameter-Kombination, welche für die Unterscheidung von Strassen und Häusern ideal ist, kann für die Differenzierung von unterschiedlichen Brandgut-Klassen suboptimal sein. Es liegt also nahe, die Klassen in Gruppen einzuteilen und für jede dieser Gruppen eine eigene SVM zu trainieren. Vier verschiedene Arten der Gruppenbildung werden untersucht: (1.) keine Gruppierung, (2.) die Trennung nach Höhenstufen, (3.) die Trennung von Vegetation und Nicht-Vegetation und (4.) die Kombination der Gruppierungen (2.) & (3.).

3.3.1 HöhenstufenhierarchieDie Grenzen für die vier gewählten Höhenstufen orientieren sich dabei an der Unterscheidung der Brandguttypen, da aufgrund ihrer Ähnlichkeit bei der Differenzierung dieser Klassen die größten Schwierigkeiten zu erwarten sind. Die Höhenstufen werden wie folgt definiert: (1.) 0 m – 0.5 m, (2.) 0.5 m – 2 m, (3.) 2 m – 4 m, (4.) über 4 m. Aus dem CHM wird für jede dieser Höhenstufen eine Maske gebildet. Für alle Pixel unter der jeweiligen Maske wird eine eigene SVM mit den dazugehörigen Klassen trainiert. Die Resultate der einzelnen Höhenstufen werden anschließend zusammengefügt.

3.3.2 VegetationshierarchieDie Unterscheidung zwischen Vegetation und Nicht-Vegetation erfolgt mit Hilfe des normalized difference vegetation index (NDVI). Die Ableitung des NDVI erfolgt über sechzehn Kanäle, um zufällige Effekte (z.B. durch Rauschen) zu vermeiden. Die NDVI-Daten werden mit den LiDAR-Messungen ergänzt. Eine SVM unterscheidet dann zwischen Vegetation und Nicht-Vegetation. Analog zum Vorgehen bei der Höhenhierarchie wird für die Pixel unter den Masken eine SVM nur mit den jeweiligen Klassen trainiert.

3.3.3 Kombinierte HierarchieDie kombinierte Hierarchie ist die Synthese der Höhenstufen- und der Vegetationshierarchie. Damit entstehen sowohl für Vegetation als auch für Nicht-Vegetation Klassengruppen, welche nach der Höhe eingeteilt sind.

3.4 DatenfusionBei der Arbeit mit Datensätzen verschiedener Quellen ist es wichtig, der Frage nchzugehen, zu welchem Zeitpunkt innerhalb der Prozessierungskette die Daten fusioniert werden sollen (POHL UND VAN GENDEREN, 1998). Um den Einfluss des Fusionszeitpunktes festzustellen, werden die Klassifizierungen ohne Hierarchie und diejenigen mit der kombinierten Hierarchie zwei mal durchgeführt. Für die erste Klassifikation werden die Daten vorher zusammengefügt, für die zweite werden die Datensätze einzeln bearbeitet und die Ergebnisse fusioniert.

3.5 ValidierungZur Beurteilung der Klassifikationsgüte werden in einem geschichteten Zufallsverfahren 1500 Stichprobenpunkte ausgewählt und deren Klassenzugehörigkeit anhand der Orthofotos bestimmt. Dies entspricht rund 83 Punkten pro Klasse. Mit Hilfe dieser Daten werden Konfusionsmatrizen erstellt aus welchen user, producer und overall accuracy (UA, PA, OA) sowie Cohen's Kappa-Koeffizient berechnet werden (CONGALTON, 1991).

4 Resultate und Diskussion

Tabelle 2 zeigt die overall accuracy sowie die Kappa-Koeffzienten der Einzelklassifkation von LiDAR- und Bildspektrometer-Daten, sowie diejenigen des vorgängig fusionierten Datensatzes ohne Hierarchie. In Abbildung 1 sind die user accuracies für alle Klassen der jeweiligen Datensätze dargestellt. Die LiDAR-Klassifkation weist deutlich tiefere Genauigkeiten auf als die anderen Klassifikationen. Allerdings gelingt die Differenzierung der Brandgut-Klassen außer für Klasse 1 mit den LiDAR-Daten deutlich besser als mit den spektralen Daten allein (Abbildung 2). Durch die Fusion erhöht sich die OA gegenüber den Spektraldaten / LiDAR-Daten um 18,96% / 30.24%, der Kappa-Koeffzient um 0.20 / 0.32 Kappa.

Datensatz OA [%] KappaBildspektrometer 40.52 0.38

LiDAR 29.24 0.24Fusioniert 59.48 0.57

Tab. 2: Overall accuracies und Kappa von Einzel- und Multi-Sensor-Daten

4.1 DatenfusionUnabhängig davon, welcher Prozessierungsablauf gewählt wird, führt die Fusion der beiden Datensätze immer zu einem markanten Anstieg der Klassifikationsgüte. Sowohl die overall accuracy als auch der Kappa-Koeffizient steigen stark. Der hohe Anstieg von Kappa um 0.2 zwischen den fusionierten Daten und der Klassifikation der Bildspektrometer-Daten allein deutet auf eine besser ausgewogene Leistung des Algorithmus über alle Klassen hinweg gesehen hin. Der Anstieg kann vor allem durch die bessere Differenzierbarkeit von Klassen mit ähnlichen spektralen, aber unterschiedlichen geometrischen Eigenschaften erklärt werden. Ein grosser Anteil der Verbesserung geht auf die wesentlich genauere Differenzierung der verschiedenen Brandgutklassen im fusionierten Datensatz zurück. Die durchschnittliche user accuracy der

Vegetationsklassen konnte um 36 % gesteigert werden. Die Genauigkeit über die restlichen Klassen hinweg wird um durchschnittlich 4 % erhöht.

Der Zeitpunkt der Datenfusion beeinflusst das Ergebnis erheblich (Tabelle 3). Klassen-gruppierungen reduzieren den Einfluss jedoch stark. Ohne Hierarchien beträgt die Differenz der OA 12.82 % bzw. 0.15 Kappa (nach der Klassenzusammenfassung). Betrachtet man nur die durchschnittliche user und producer accuracy für die Vegetationsklassen, so fällt die Differenz noch größer aus, nämlich 16 % (user) bzw. 21 % (producer). Bei der kombinierten Hierarchie betragen die Unterschiede zwischen 0.7%-1.26 % OA bzw. 0.01-0.02 Kappa und liegen damit eine Größenordnung tiefer. Die Fusion nach der Klassifikation führt zu einer deutlichen Verschlechterung der Genauigkeit. Besonders stark beeinträchtigt wird die Differenzierung der Brandguttypen. Probleme treten vor allem seitens der LiDAR-Daten auf. Die Trennung verschiedener Oberflächen ist schwierig, da dazu nur die Intensitätswerte zur Verfügung stehen. Klassen mit ähnlichen vertikalen Eigenschaften werden oft verwechselt. Das schlechte Ergebnis der LiDAR-Klassifikation (vgl. oben) wirkt sich stark auf das Endergebnis aus.

4.2 HierarchienDie Bildung von Klassengruppen wirkt sich immer positiv auf die Güte der Klassifkation aus. Der Effekt von Höhenstufen und die Unterscheidung zwischen Vegetation und Nicht-Vegetation ist ungefähr gleich groß (Tabelle 3). Allerdings wirken sich die Gruppierungen auf unterschiedliche Klassen aus. So hat die Einteilung in Höhenstufen einen deutlich positiven Effekt auf die Differenzierung von Straßen und Dächern. Allerdings kommt es zum Beispiel oft zu Verwechslungen zwischen „Brandguttypus 1“ und „Erde“, welche sich nicht in der Höhe unterscheiden. In der Vegetationshierarchie ist dies kaum mehr der Fall, dafür ist die Unterscheidung von Straßen und Dächer schwierig. Da sich die zwei Gruppierungen auf

Abbildung 1: User accuracies von LiDAR-, Bildspektrometer- und fusionierten Daten. Die grau hinterlegte Fläche visualisiert die Durchschnittsgenauigkeit über alle Klassen. Die Balken repräsentieren die 18 Klassen aus Tabelle 1 (von links nach rechts).

Abbildung 2: User accuracies der sechs Brandgut-Klassen von fusionierten und nicht fusionierten Daten. Die Klassennummern entsprechen denjenigen aus Tabelle 1.

unterschiedliche Aspekte der Klassendifferenzierung auswirken, ist klar, dass eine Verbindung der beiden die positive Wirkung noch verstärkt. Durch die Kombination der beiden Hierarchien wird eine Steigerung der OA um 4.8 % und 0.04 Kappa gegenüber der Variante ohne Hierarchie erreicht (Tabelle 3). In Abbildung 3 ist ein Auschnitt der Klassifikationsergebnisse räumlich dargestellt.

OA [%]OA [%] KappaKappaFusion vorher nachher vorher nachher

Keine Hierarchie 65.89 53.07 0.63 0.48Höhenstufenhierarchie 67.09 - 0.64 -2

Vegetationshierarchie 66.76 -2 0.63 -2

Kombination 70.69 69.43 0.68 0.66Tab. 3: Overall accuracies und Kappa aller Varianten nach der Klassenzusammenfassung

5 Schlussfolgerungen

Die erreichte maximale overall accuracy von 70.69 % bei einem Kappa-Koeffizienten von 0.68 ist unter Berücksichtigung der hohen Klassenzahl ein gutes Ergebnis. Dies zeigt, dass der gewählte SVM-Algorithmus eine gute Generalisierung ermöglicht. Der Einbezug von mehr als einer Datenquelle verbessert die Klassifikationsgüte erheblich. Die dreidimensionale Information der LiDAR-Daten ergänzt die spektrale Information der Bildspektrometer-Daten. Dies führt zu einem signifikanten Anstieg der Klassifikationsgenauigkeit. Die overall accuracy kann mit dem fusionierten Datensatz um rund 19 % gesteigert werden. Insbesondere die Differenzierung der verschiedenen Brandguttypen profitiert von der Fusion. Die Prozessierungskette hat einen erheblichen Einfluss auf die Güte der Klassifikation. Eine hierarchische Vorgehensweise bringt eine klare Verbesserung der erreichbaren Klassifikations-genauigkeit. Sowohl die Einteilung in Höhenstufen als auch diejenige in „Vegetation“ und „Nicht-Vegetation“ führen zu besseren Differenzierungen. Die Kombination der beiden Hierarchien bringt eine Verbesserung von 4.8% OA gegenüber der Klassifikation ohne Hierarchie. Der Unterschied zwischen der schlechtesten

Abbildung 3: Klassifikation mit kombinierter Hierarchie und Fusion vor der Klassifizierung (Ausschnitt).

und der besten Variante beträgt rund 17 % OA. Damit ist die Verbesserung fast so hoch, wie diejenige, welche durch den Einbezug der zweiten Datenquelle erreicht wird. Die höhere Genauigkeit rechtfertigt also den zusätzlichen Arbeitsaufwand durch eine komplexere Prozesskette. Die Frage nach dem günstigsten Fusionszeitpunkt kann nicht abschließend geklärt werden. Die Ergebnisse deuten darauf hin, dass die Daten besser vor der Klassifizierung fusioniert werden sollen. Die Befunde sind allerdings nicht eindeutig. Nach der Einführung von Hierarchien zur Klassengruppierung sind die Unterschiede nur noch minimal. Der präsentierte Klassifikationsansatz mittels SVM erlaubt eine genauere Kartierung von heterogenen Gebieten, wie sie das wildland-urban interface darstellt. Das Wissen über die Position von Gebäuden relativ zum Brandgut erlaubt zudem eine präzisere Planung und Überwachung von Feuermanagement zur Vermeidung von Brandschäden an der Infrastruktur.

6 Danksagung

Wir möchten uns bei Britta Allgöwer (Universität Zürich) für die Bereitstellung der FireParadox-Daten, Andreas Janz (Humboldt Universität zu Berlin) für die Bereitstellung und den Support seiner imageSVM-Software, Benjamin Koetz (ESA) und Sebastian van der Linden (Humboldt Universität zu Berlin) für zahlreiche Inputs und Tipps zum Umgang mit support vector machines bedanken.

7 Literaturverzeichnis

ALCAMO, J., MORENO, J.M., NOVÁKY, B., BINDI, M., COROBOV, R., DEVOY, R. J.N., GIANNAKOPOULOS, C., MARTIN, E., OLESEN, J.E. & SHVIDENKO, A., 2007: Climate Change 2007: Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. M. L. PARRY, J. P. PALUTIKOF P. J. VAN DER LINDEN C. E. HANSON, O .F. CANZIANI (Eds.), Fourth Assessment Report. IPCC Cambridge University Press, Cambridge, UK.

BENEDIKTSSON, J.A., SWAIN, P.H. & ERSOY, O.K., 1990: Neural network approaches versus statistical-methods in classification of multisource remote-sensing data. IEEE Transactions on Geoscience and Remote Sensing, 28 (4), S. 540–552.

BRUZZONE, L. & CARLIN, L., 2006: A multilevel context-based system for classifiaction of very high spatial resolution images. IEEE Transactions on Geoscience and Remote Sensing, 44 (9), S. 2587-2600.

CHANG, C.-C. & LIN, C.-J., 2006: LIBSVM: a Library for Support Vector Machines. Implementation manual.

CONGALTON, R.G., 1991: A Review of Assessing the Accuracy of Classifications of Remotely Sensed Data. Remote Sensing of Environment, 37, S. 35-46.

FAO, 2001: Global Forest Ressources Assessment 2000 – Main report. http://www.fao.org/forestry /fo/fra/docs/Wp55_eng.pdf, Zugriff: 11.10.09.

FOODY, G.M. & MATHUR, A., 2004: A Relative Evaluation of Multiclass Image Classification by Support Vector Machines. IEEE Transactions on Geoscience and Remote Sensing, 42 (6), S. 1335-1343.

HEROLD, M., GARDNER, M.E. & ROBERTS, D.A., 2003: Spectral Resolution Requirements for

Mapping Urban Areas. IEEE Transactions on Geoscience and Remote Sensing, 41 (9), S. 1907-1919.

HEROLD, M., ROBERTS, D.A., GARDNER, M.E. & DENNISON, P.E., 2004: Spectrometry for urban area remote sensing – Development and analysis of a spectral library from 350 to 2400 nm. Remote Sensing of Environment, 91, S. 304-319.

HUC, R. & SIMONI, G., 2009: Persönliche Kommunikation.JANZ, A., SCHIEFER, S., WASKE, B. & HOSTERT, P., 2007: imageSVM – A user-oriented tool for

advanced classification of hyperspectral data using support vector machines. Proceedings of the 5th EARSeL Workshop on Imaging Spectroscopy.

KOETZ, B., MORSDORF, F., VAN DER LINDEN, S., CURT, T. & ALLGÖWER, B., 2008: Multi-source land cover classification for forest fire mangement based on imaging spectrometry and LiDAR data. Forest Ecology and Management, 256, S. 263-271.

MALLET, C. & BRETAR, F., 2009: Full-waveform topographic lidar: State-of-the-art. ISPRS Journal of Photogrammetry & Remote Sensing, 64 (1), S. 1-16.

PAL, M. & MATHER, P.M., 2006: Some issues in the classification of DAIS hyperspectral data. International Journal of Remote Sensing, 27 (14), S. 2895-2916.

POHL, C. & VAN GENDEREN, J.L., 1998: Multisensor image fusion in remote sensing: concepts, methods and applications. International Journal of Remote Sensing, 19 (5), S. 823-854.

PROMETHEUS, 1996: PROMETHEUS S.V. (project management techniques for optimization of suppression and minimization of wildfire effects). European Commission (Ed.).

RIAÑO, D., CHUVIECO, E., SALAS, J., PALACIOS-ORUETA, A. & BASTARRIKA, A., 2002: Generation of fuel type maps from Landsat TM images and ancillary data in Mediterranean ecosystems. Canadian Journal of Forest Research, 32, S. 1301-1315.

ROESSNER, S., SEGL, K., HEIDEN, U. & KAUFMANN, H., 2001: Automated Differentiation of Urban Surfaces Based on Airborne Hyperspectral Imagery. IEEE Transactions on Geoscience and Remote Sensing, 39 (7), S. 1525-1532.

SCHLÄPFER, D. & RICHTER, R., 2002: Geo-atmospheric processing of airborne imaging spectrometry data. Part 1. Parametric orthorectification. International Journal of Remote Sensing, 23 (13), S. 2609-2630.

USTIN, S.L., ROBERTS, D.A., GAMON, J.A., ASNER, G.P. & GREEN, R.O., 2004: Using imaging spectroscopy to study ecosystem processes and properties. Bioscience, 54, S. 523–534.

VAN DER LINDEN, S., JANZ, A., WASKE, B., EIDEN, M. & HOSTERT, P., 2007: Classifying segmented hyperspectral data from a heterogeneous urban environment using support vector machines. Journal of Applied Remote Sensing, 1, S. 1-17.

VAPNIK, V.N., 1998: Statistical Learning Theory. Wiley, New York. VINCE, S.W., DURYEA, M.L., MACIE, E.A. & HERMANSEN, L.A., 2005: Forests at the Wildland-

Urban Interface: Conservation and Management. CRC Press LLC, Boca Raton, USA.WASKE, B. & BENEDIKTSSON, J.A., 2007: Fusion of support vector machines for classification of

multisensor data. IEEE Transactions on Geoscience and Remote Sensing, 45 (12), S. 3858-3866.

WASKE, B. & VAN DER LINDEN, S., 2008: Classifying Multilevel Imagery From SAR and Optical Sensors by Decision Fusion. IEEE Transactions on Geoscience and Remote Sensing, 46 (5), S. 1457-1466.