Volltextdatei(en) vorhanden
Titel: Untersuchung der Eignung logistischer Regressionsmodelle zur Kartierung forstlicher Merkmale mit Satelliten-Fernerkundungsdaten
Sonstige Titel: Analysis of the Feasibility of Logistic Regression Models for Mapping Forestal Parameters with Satellite Remote Sensing Data
Sprache: Deutsch
Autor*in: Iost, André
Schlagwörter: Logistische Regression; Bundeswaldinventur; Logistic Regression; Classification; Remote Sensing; German National Forest Inventory
GND-Schlagwörter: Satellitenfernerkundung
KlassifikationGND
Erscheinungsdatum: 2006
Tag der mündlichen Prüfung: 2006-10-31
Zusammenfassung: 
Zur Kartierung der forstlichen Merkmale Waldstatus, Mischung und Totholzvorkommen wurde die Eignung logistischer Regressionsmodelle untersucht. In fünf Testgebieten, die zusammen rund 11 % der Waldfläche Deutschlands abdecken, wurden Modelle für Landsat-TM- und -ETM+-Daten angepasst, für ein Testgebiet zusätzlich eine multispektrale QuickBird-Szene. Als Informationsquelle diente ein Auszug der Bundeswaldinventurdatenbank. Mit den Modellen als Basis wurden Waldmasken erzeugt. Die Modelle wurden mit der k-Block-Kreuzvalidierungsmethode auf numerische Stabilität geprüft, für die Genauigkeitsanalyse der Waldmasken wurden Orthophotos verwendet.

Das Merkmal „Waldvorkommen“ war mit einer maximalen Gesamtgenauigkeit von 95,4 % (Modell) bzw. 94,6 % (Karte) mit Landsat-Daten klassifizierbar. Das für die QuickBird-Szene angepasste Modell lieferte eine vergleichsweise niedrige Gesamtgenauigkeit von 83 %, weshalb keine Waldmaske erzeugt wurde. Ein 3 x 3 km großer Ausschnitt innerhalb des QuickBird-Bildes wurde getrennt untersucht; dort konnte durch die Delinierung von Trainingsgebieten unabhängig von der BWI-Datenbank mit umfangreicheren Parametrisierungsdatensätzen gearbeitet werden. Die Modellanpassung gestattete dann eine Modellklassifizierungsgenauigkeit von rund 99 %; die resultierende Waldmaske wies 94%ige Übereinstimmung mit der Referenz auf.

Weniger genau ließen sich unterschiedliche Waldmischungen klassifizieren. Bei drei Klassen - Nadel-, Misch-, Laubwald - waren Mischwaldpixel per Model nur marginal besser als durch Zufallswahl zu klassifizieren. Die ungemischten Klassen waren aus Sicht des Erstellers mit ca. 75 bis 83 % Übereinstimmung zwischen Trainingsdaten und BWI-Referenz trennbar.

Das Vorkommen des in der BWI-Datenbank aufgenommenen Totholzes konnte ebenfalls erfolgreich mit logistischen Regressionsmodellen in den Landsat-ETM+-Szenen vorhergesagt werden. Die Streuung der Gesamtgenauigkeiten (ca. 70 bis fast 90 %) war größer als bei der Klassifizierung von Waldvorkommen.
URL: https://ediss.sub.uni-hamburg.de/handle/ediss/1581
URN: urn:nbn:de:gbv:18-31487
Dokumenttyp: Dissertation
Betreuer*in: Köhl, Michael (Prof. Dr.)
Enthalten in den Sammlungen:Elektronische Dissertationen und Habilitationen

Dateien zu dieser Ressource:
Datei Beschreibung Prüfsumme GrößeFormat  
Diss_Iost_2006_Final.pdf51144a2210138244eacbb725329d9dbf5.08 MBAdobe PDFÖffnen/Anzeigen
Zur Langanzeige

Diese Publikation steht in elektronischer Form im Internet bereit und kann gelesen werden. Über den freien Zugang hinaus wurden durch die Urheberin / den Urheber keine weiteren Rechte eingeräumt. Nutzungshandlungen (wie zum Beispiel der Download, das Bearbeiten, das Weiterverbreiten) sind daher nur im Rahmen der gesetzlichen Erlaubnisse des Urheberrechtsgesetzes (UrhG) erlaubt. Dies gilt für die Publikation sowie für ihre einzelnen Bestandteile, soweit nichts Anderes ausgewiesen ist.

Info

Seitenansichten

224
Letzte Woche
Letzten Monat
geprüft am 27.03.2024

Download(s)

273
Letzte Woche
Letzten Monat
geprüft am 27.03.2024
Werkzeuge

Google ScholarTM

Prüfe