Datenfusion von TerraSAR-X und RapidEye Daten für ... · 15 IPF – Institut für Photogrammetrie...
Transcript of Datenfusion von TerraSAR-X und RapidEye Daten für ... · 15 IPF – Institut für Photogrammetrie...
KIT – die Kooperation von Forschungszentrum Karlsruhe GmbH und Universität Karlsruhe (TH) www.kit.edu
Datenfusion von TerraSAR-X und RapidEye Daten für Forstanwendungen – Konzepte und Ideen
Prof. Stefan Hinz
Photogrammetrie und Fernerkundung
Karlsruher Institut für Technologie
IPF – Institut für Photogrammetrie und Fernerkundung2
Motivation
Bisherige Praxis:
Stichprobenartige Erfassung von Forstparametern durch
Begehungen von Testflächen
Luftbildinterpretation und –Kartierung
Regionale Analysen mittels Satellitendaten
Derzeitige Entwicklungen:
Automatisierung der Luftbildinterpretation
Methodische Erweiterungen von Klassifikationsalgorithmen
- Support Vector Machines, Relevance Vector Machines
- Conditional Markov Random Fields, Discriminative MRFs
Full-waveform Laserscanning
Geometrisch und spektral hochauflösende Satellitendaten
IPF – Institut für Photogrammetrie und Fernerkundung3
Beispiele
Einzelbäume aus Luftbildern
Texturfilter
Höhenmodell
Formanalyse
IPF – Institut für Photogrammetrie und Fernerkundung4
Beispiele
Baumparameter aus Full-Waveform Laserdaten
Stammdetektion
3D-Clustering
Dichteschätzung
sX
X
Y
Z
Y
sr
first
last
I2
middle
W2
Reitberger et al. 2008
IPF – Institut für Photogrammetrie und Fernerkundung5
Beispiele
Waldparameter aus polorimetrischem (In-)SAR
Physikalisches Modell für Rückstreuverhalten
Polarimetrische Dekomposition
red = L-HH green = L-HV blue = L-VV courtesy of JPL
native
forest lakes
clear-cuts
IPF – Institut für Photogrammetrie und Fernerkundung6
Beispiele
Waldparameter aus polorimetrischem (In-)SAR
Physikalisches Modell für Rückstreuverhalten
Polarimetrische Dekomposition
Klassifikation von “Kontextgebieten”
IPF – Institut für Photogrammetrie und Fernerkundung7
Nutzung von Satellitendaten
Kostengünstiger für langfristiges Monitoring
für kurzfristige großräumige Analysen schneller verfügbar
Hohe Auflösung inzwischen verfügbar
spektral: z.B. 5 Kanäle (RapidEye)
polarimetrisch: quad-pol (TerraSAR-X)
geometrisch: 1m und besser
=> Entwicklung geeigneter
Fusionsmethoden nötig
RapidEye
TerraSAR-X
TanDEM-X
CosmoSkymed, …
Quickbird,
Ikonos,…
Wellenlänge
Wieder-
holrate
2007
2008 2009
IPF – Institut für Photogrammetrie und Fernerkundung8
RapidEye und TerraSAR-X Daten
Konzept: Fusion basierend auf strukturellen Merkmalen
(bedingt nur für Einzelbäume gültig)
Informationen aus geometrischen Parametern:
Höhen von Waldrändern
Abgrenzung von Sturmwurfflächen, Schädlingsbefall, etc.
Ausdehnung verschiedener Bestandsarten
Informationen aus radiometrischen Parametern
Bestandsdichten, -volumina
Durchschnittliche Waldhöhen
IPF – Institut für Photogrammetrie und Fernerkundung9
Geometrische Parameter
Beispiel: Waldrandhöhen aus Radar-Layoverbereich
Differentialgeometrische Linienextraktion:
Linienmittelachsen
Linienbreiten
=> Höhenschätzung in Abhängigkeit des Aspektwinkels
IPF – Institut für Photogrammetrie und Fernerkundung10
Geometrische Parameter
Beispiel: Waldrandhöhen aus Radar-Layoverbereich
Differentialgeometrische Linienextraktion:
Linienmittelachsen
Linienbreiten
=> Höhenschätzung in Abhängigkeit des Aspektwinkels
IPF – Institut für Photogrammetrie und Fernerkundung11
Geometrische Parameter
Beispiel: Waldrandhöhen aus Radar-Layoverbereich
Differentialgeometrische Linienextraktion:
Linienmittelachsen
Linienbreiten
=> Höhenschätzung in Abhängigkeit des Aspektwinkels
IPF – Institut für Photogrammetrie und Fernerkundung12
Geometrische Parameter
Beispiel: Lichtungen aus optischen Daten
Texturanalyse:
Gaborfilter
Detektion von Texturanomalien
IPF – Institut für Photogrammetrie und Fernerkundung13
Radiometrische Parameter
Polarimetrie (monotemporal), SAR-Tomographie (multitemporal, eher L-Band):
Zhu et al. 2008
IPF – Institut für Photogrammetrie und Fernerkundung14
SAR-Tomographie
x
θ
s
o
flight direction
o
x
0P
θ
r
s
IPF – Institut für Photogrammetrie und Fernerkundung15
Fusionskonzept
Schematisch: TerraSAR-X Bilddaten (ko-registriert, georektifiziert,
interferometrische, polarimetrische Basisprodukte)
RapidEye Bilddaten (ko-registriert, georektifiziert,
atmosphärisch korrigiert)
Informationsextraktion TerraSAR-X Daten (Objekte, Strukturen,
Parameter)
Informationsextraktion RapidEye Daten
(Objekte, Strukturen, Parameter)
Fusion supplementärer Information
(Objekte + Parameter)
Vegetationsmodell, Waldwachstumsmodell Simulator SILVA
Komplementär- Information
Hintergrundmodelle Kontextinformation
Sensormodelle etc.
Abb. 4: Nutzung von Modellwissen und schematischer Informationsfluss
IPF – Institut für Photogrammetrie und Fernerkundung16
Fusionskonzept
Schematisch: TerraSAR-X Bilddaten (ko-registriert, georektifiziert,
interferometrische, polarimetrische Basisprodukte)
RapidEye Bilddaten (ko-registriert, georektifiziert,
atmosphärisch korrigiert)
Informationsextraktion TerraSAR-X Daten (Objekte, Strukturen,
Parameter)
Informationsextraktion RapidEye Daten
(Objekte, Strukturen, Parameter)
Fusion supplementärer Information
(Objekte + Parameter)
Vegetationsmodell, Waldwachstumsmodell Simulator SILVA
Komplementär- Information
Hintergrundmodelle Kontextinformation
Sensormodelle etc.
Abb. 4: Nutzung von Modellwissen und schematischer Informationsfluss
IPF – Institut für Photogrammetrie und Fernerkundung17
Hierarchische Aggregation von Teil-Objekten:
Types of evaluation:
a) autonomous evaluation (σi)
b) bottom- up evaluation (σi,j)
c) top-down evaluation (C)
Object 1 (e.g. Layover boundary)
Extraction & internal evaluation
=> Hypothesis + σσσσ1
Object 2 (e.g. texture boundary)
Extraction & internal evaluation
=> Hypothesis + σσσσ2
Object 3 (e.g. forest boundary)
Extraction & internal evaluation
=> Hypothesis + σσσσ3
Fusionskonzept
Consistency-
Check (C)
Consistency-
Ceck (C)+ σ1,2
IPF – Institut für Photogrammetrie und Fernerkundung18
Relevanz von Alternativ-Hypothesen
Hypotheses:
H0 : Object parts belong to same object (incl. noise)
H1 : Object parts belong to different objects (incl. noise)
Requirement for hypothesis testing of extracted objects or parameters x:
Probability density functions and
=> Application of test statistics
( )1| Hxfr
( )0| Hxfr
threshold
x
p(x)
( )1| Hxfr
( )0| Hxfr
IPF – Institut für Photogrammetrie und Fernerkundung19
Generierung der Wahrscheinlichkeitsdichten
Trainingsdaten
Numerische Simulationen
(analog Lepetit-Operator in Merkmalszuordnung)
Beispiel: Aussagekraft von Layover-Linien bzgl. Aspektwinkel
IPF – Institut für Photogrammetrie und Fernerkundung20
Finale Klassifikation (statistisch)
Support Vector Machines (SVM)
Handhabung von hochdimensionalen Merkmalsräumen
Robust gegen Unsicherheiten in Wahrscheinlichkeitsverteilungen
“Softe” Trennung von überlappenden Klassen
IPF – Institut für Photogrammetrie und Fernerkundung21
Zusammenfassung
Extraktion struktureller Merkmale in multisensoriellen Daten
Integration von Sensor- und Modellwissen zur Ableitung von Hinweisen auf (unterschiedliche) Objektklassen
Hierarchische statistische Fusion inkl. Rückkopplungsmechanismus (“Konsistenz-Checks”)
Finale Klassifikation mittels SVM
IPF – Institut für Photogrammetrie und Fernerkundung22
Vielen Dank für die Aufmerksamkeit!