Beiträge zur Optimierung von multispektralen Klassifizierungen durch Trennbarkeitsmaße

Bei der überwachten multispektralen Klassifizierung von Fernerkundungsdaten mit Hilfe des Maximum-Likelihood-Verfahrens, ist zunächst der Überlappungsgrad der einzelnen Klassen nicht bekannt. In herkömmlichen Verfahren erfolgt die Auswahl der Trainingsgebiete, Klassen und Kanäle daher meist nur qualitativ. Liegen jedoch mehrere schwer zu trennende Klassen vor, so sind diese Verfahren unzureichend. Um zu einer optimierten Klassifizierung zu gelangen, werden mehrere quantitative Trennbarkeitsmaße aus statistischen Abstandsmaßen hergeleitet. Mit Hilfe dieser Maße ist es möglich eine objektivierte Auswahl von Trainingsgebieten, Klassen, Kanälen und Zusatzkanälen durchzuführen sowie eine recht genaue Abschätzung der zu erwartenden Fehlerwahrscheinlichkeiten für die Klassifizierung jeder einzelnen Klasse anzugeben. Am Beispiel der Klassifizierung von Baumarten und Baumschadstufen in Flugzeugscannerdaten des DAEDALUS ATM 1286 wird die entwickelte Methodik angewandt.