1. Vergleich unterschiedlicher Methoden der Fernerkundung zur Identifikation von Building Footprints am Beispiel eines ausgewählten Uferabschnitts des Wörthersees
- Author
-
Unterköfler, Dominik
- Subjects
remote sensing ,methodenvergleich ,Building Footprints ,quality assessment ,Satellitenbilddaten ,automatic ,Laserscanning ,deep learning ,Gebäudeerkennung ,building footprint extraction ,satellite imagery ,Fernerkundung - Abstract
Die Identifikation beziehungsweise Digitalisierung von Gebäudedaten spielt insbesondere für die öffentliche Verwaltung, Raum- und Infrastrukturplanung, Versicherungen, Besteuerung, Risikobewertungen oder für Basiskarten eine entscheidende Rolle. Vor nicht allzu langer Zeit mussten die Ausmaße der Gebäude noch manuell kartiert werden. Heute ist dies nicht mehr nötig, auch wenn sich bebaute Flächen im Vergleich zu anderen Landbedeckungen, wie Vegetation oder Wasser aus der Ferne betrachtet sehr heterogen darstellen, kaum ein Gebäude gleicht dem anderen. Dies stellt zumindest eine automatisierte Identifikation immer noch vor große Herausforderungen. Das Ziel dieser Untersuchung soll ein quantitativer Methodenvergleich sein, welcher den Output der verschiedenen Werkzeuge, die auf unterschiedliche Datengrundlagen der Fernerkundung angewandt werden, bewertet. Zu guter Letzt ist eine Implementierung von Deep Learning Modellen geplant, ein Versuch aufzuzeigen, wo der aktuelle Stand der automatisierten Auswertung von Gebäuden einzuordnen ist und wo diese moderne Methode noch Schwächen aufweist. Wie so oft ist es ein Abwiegen zwischen zeitintensiven, möglichst genauen, aber auch kostspieligen Untersuchungen auf der einen und kostenfreien und zeiteffizienten, aber weniger genauen Ergebnissen auf der anderen Seite.Die Forschungsfrage dieser Arbeit lautet: Wie präzise eignen sich unterschiedliche Methoden der Fernerkundung für die Identifikation von Gebäuden am Beispiel der Uferbebauung des Wörthersees in Kärnten und welche Vorteile kann eine Implementierung von Deep Learning Ansätzen bieten?Im Zuge der Untersuchung konnten interessante Resultate ermittelt werden. Zeit- und datenintensive Analysen, vor allem Kombinationen aus mehreren Werkzeugen und Datenquellen erreichen erwartungsgemäß die genauesten Ergebnisse. Deep Learning Ansätze konnten für die in dieser Untersuchung verwendeten Datengrundlagen mit ihren Genauigkeiten noch nicht mithalten, haben aber ein großes Potential durch ihre geringe Fehlerquote und der genauen Darstellung von Gebäudegrundrissen. Jedoch und das konnte ebenfalls herausgefunden werden, lassen sich auch durch geringen bis sehr geringen Arbeitsaufwand erstaunlich genaue Resultate erreichen., Dominik Unterköfler, Masterarbeit Universität Klagenfurt 2022, in englischer Sprache
- Published
- 2022