Advertisement

Einführung in die Fernerkundung und digitale Bildverarbeitung

  • Norbert de LangeEmail author
Chapter
  • 109 Downloads

Zusammenfassung

Kapitel 10 führt in zentrale Fragen, Aufgaben und Methoden der Fernerkundung und digitalen Bildverarbeitung ein. Behandelt werden u.a. physikalische Grundlagen, das Grundprinzip der Fernerkundung, bedeutende satellitengestützte Aufnahmesysteme sowie vor allem grundlegende Verfahren der digitalen Bildverarbeitung wie z.B. Atmosphärenkorrektur oder räumliche Filteroperationen. Ausführlich werden Klassifikationsverfahren thematisiert: klassische Verfahren aufgrund statistischer Parameter und moderne Ansätze auf Basis von Methoden der Künstlichen Intelligenz.

Schlüsselwörter

Elektromagnetisches Spektrum Reflexionsverhalten von Geoobjekten atmosphärisches Fenster spektraler Fingerabdruck Landsat SPOT Copernicus radiometrische Korrekturen (u.a. Empirical Line Methode) Entzerrung Resampling Kontrastverbesserung Filteroperationen Indexbildung wie NDVI Mosaikbildung Maximum-Likelihood-Klassifikator Random-Forest-Klassifikator Neuronale Netze 

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Achen, M. (1993): Untersuchungen über Nutzungsmöglichkeiten von Satellitenbilddaten für eine ökologisch orientierte Stadtplanung am Beispiel Heidelberg. Heidelberg: Selbstverlag des geographischen Institutes Heidelberg.Google Scholar
  2. Airbus (2019a): Satellite Data. https://www.intelligence-airbusds.com/geostore/ (29.11.2019)
  3. Airbus (2019d): Pleiades Neo Trusted Intelligence. https://www.intelligence-airbusds.com/en/8671-pleiades-neo-trusted-intelligence (29.11.2019)
  4. Airbus (2019e): Optical and Radar Data. https://www.intelligence-airbusds.com/optical-and-radar-data/ (29.11.2019)
  5. Albertz, J. (2009): Einführung in die Fernerkundung. Grundlagen der Interpretation von Luft- und Satellitenbildern. Darmstadt: Wiss. Buchgesellsch. 4. Aufl.Google Scholar
  6. Bannari, A., Morin, D. u. F. Bonn (1995): A Review of Vegetation Indices. In: Remote Sensing Reviews 13, S. 95–120.Google Scholar
  7. Baret, F. (1995): Use of spectral reflectance variation to retrieve canopy biophysical characteristics. In: Danson, F.M. u. S. E. Plummer (Hrsg.): Advances in environmental remote sensing. Chichester: John Wiley.Google Scholar
  8. Belgiu, M. u. L. Drăgut (2016): Random forest in remote sensing: A review of applications and future directions. In: ISPRS Journal of Photogrammetry and Remote Sensing 114, S. 24–31.Google Scholar
  9. Blaschke, T. (2010): Object based image analysis for remote sensing. In: ISPRS Journal of Photogrammetry and Remote Sensing 65 (1), S. 2–16.Google Scholar
  10. Breiman, L. u.a (1984): CART: Classification and Regression Trees. Wadsworth: Belmont, CA, 1984.Google Scholar
  11. Breiman, L. (2001): Random Forests. In: Mach. Learning 45 (1), S. 5–32.Google Scholar
  12. Byrne, G.F. P.F. Crapper and K.K. Mayo (1980): Monitoring Land Cover Change by Principal Component Analysis of Multitemporal Landsat Data. In: Remote Sensing of Environment 10, S. 175–184.Google Scholar
  13. Chavez, P.S. (1996): Image-Based Atmospheric Corrections - Revisited and Improved. In: Photogrammetric Engineering and Remote Sensing 62, S. 1025 - 1036.Google Scholar
  14. Cihlar, J., St.-Laurent, L. u. J.A. Dyer (1991): Relation between the Normalized Difference Vegetation Index and Ecological Variables. In: Remote Sensing of Environment 35, S. 279–298.Google Scholar
  15. Congalton, R.G. (1991): A Review of Assessing the Accuracy of Classifications of Remotely Sensed Data. In: Remote Sensing of Environment 37, S. 35 - 46.Google Scholar
  16. Congalton, R.G. u. K. Green (1999): Assessing the Accuracy of Remotely Sensed Data. Principles and Practices. Boca Raton, Fl.: Lewis Publishers.Google Scholar
  17. Copernicus (2019a): Datenzugriff. https://www.copernicus.eu/de/datenzugriff (29.11.2019)
  18. de Lange, N. u. J. Nipper (2018): Quantitatice Methodik in der Geographie. Grundriss Allgemeine Geographie. Paderborn: Schöningh.Google Scholar
  19. Dennert-Möller, E. (1983): Untersuchungen zur digitalen multispektralen Klassifizierung von Fernerkundungsaufnahmen mit Beispielen aus den Wattgebieten der deutschen Nordseeküste. Dissertation an der Universität Hannover, Fachrichtung Vermessungswesen.Google Scholar
  20. DLR (2019a): Earth Observation Center. https://www.dlr.de/eoc/de/desktopdefault.aspx/tabid-5355/ (29.11.2019)
  21. DLR (2019c): TanDEM-X Science Service System https://tandemx-science.dlr.de (29.11.2019)
  22. DLR (2019e): Satellitendaten. https://www.dlr.de/eoc/desktopdefault.aspx/tabid-5356 / (29.11.2019)
  23. Drury, S.A. (1990): A Guide to Remote Sensing. Interpreting Images of the Earth. Oxford: Oxford University Press.Google Scholar
  24. DWD Deutscher Wetterdienst (2019): Wetterlexikon Stichwort Absorption https://www.dwd.de/DE/service/lexikon/Functions/glossar.html?lv2=100072&lv3=100160 (29.11.2019)
  25. eoPortal (2019): Sharing Earth Oberservation Resources. https://eoportal.org/web/eoportal/home (29.11.2019)
  26. EOS, Earth Observing System (2019a): Spot 6 & 7 https://eos.com/spot-6-and-7 (29.11.2019)
  27. EOS, Earth Observing System (2019b): Pléiades1. https://eos.com/pleiades-1 (29.11.2019)
  28. Ertel, W. (2016): Grundkurs Künstliche Intelligenz. Eine praxisorientierte Einführung. Springer Vieweg 4. Auflage, Heidelberg.Google Scholar
  29. ESA (2019b): Copernicus. Observing the earth. https://www.esa.int/Applications/Observing_the_Earth/Copernicus/Overview3 (29.11.2019)
  30. ESA (2019d): Sentinel 1 heritage. https://sentinel.esa.int/web/sentinel/missions/sentinel-1/heritage (29.11.2019)
  31. ESA (2019e): Sentinel-2 im Dienste der Ernährung. http://www.esa.int/Space_in_Member_States/Germany/Sentinel-2_im_Dienste_der_Ernaehrung (29.11.2019)
  32. EUMETSAT (2019a). Satellites. https://www.eumetsat.int/website/home/Satellites/index.html (29.11.2019)
  33. EUMETSAT (2019c): Meteosat Second Generation (MSG). https://www.eumetsat.int/website/home/Satellites/CurrentSatellites/Meteosat/index.html (29.11.2019)
  34. EUMETSAT (2019d): Rapid Scanning Service. https://www.eumetsat.int/website/home/Data/RapidScanningService/index.html (29.11.2019)
  35. European Space Imaging (2019): Data Sheets. https://www.euspaceimaging.com/data-sheets/ (29.11.2019)
  36. Friedl, M.A. u. C. E. Brodley, “Decision tree classification of land cover from remotely sensed data,” Remote Sens. Environ., Vol. 61, No. 3, S. 399–409, Sep. 1997Google Scholar
  37. Gislason, P.O., Benediktsson, J.A., Sveinsson, J.R., 2006. Random forests for land cover classification. Pattern Recognition Letters 27 (4), 294–300.Google Scholar
  38. Goodfellow I. u.a. (2016): Deep Learning. Cambridge, Mass.: MIT Press. http://www.deeplearningbook.org (29.11.2019)
  39. Hänsch, R. u. O. Hellwich (2917): Random Forests. In: Heipke, C. (Hrsg.) Photogrammetrie und Fernerkundung. S. 603-643. Handbuch der Geodäsie. (Hrsg. Freeden, W. u. R. Rummel). Berlin: Springer.Google Scholar
  40. Heipke, C. (2017a): Photogrammetrie und Fernerkundung – eine Einführung. In: Heipke, C. (Hrsg.) Photogrammetrie und Fernerkundung. S. 1–27. Handbuch der Geodäsie. (Hrsg. Freeden, W. u. R. Rummel). Berlin: Springer.Google Scholar
  41. Heipke, C. (2017b): Photogrammetrie und Fernerkundung. Handbuch der Geodäsie. (Hrsg. Freeden, W. u. R. Rummel). Berlin: Springer.Google Scholar
  42. Hildebrandt, G. (1996): Fernerkundung und Luftbildmessung für Forstwirtschaft, Vegetationskartierung und Landschaftsökologie. Heidelberg: Wichmann.Google Scholar
  43. Huang, C. u.a. (2002): An assessment of support vector machines for land cover classification, In: Int. J. Remote Sensing vol. 23, No. 4, S. 725–749.Google Scholar
  44. Jensen, J.R. (2015): Introductory Digital Image Processing. A Remote Sensing Perspective. 4. Aufl. Glen View, Ill.: Pearson. Pearson series in geographic information scienceGoogle Scholar
  45. JPSS, Joint Polar Satellite System (2019a): Mission and Instruments. https://www.jpss.noaa.gov/mission_and_instruments.html (29.11.2019)
  46. JPSS, Joint Polar Satellite System (2019b): Visible Infrared Imaging Radiometer Suite (VIIRS). https://www.jpss.noaa.gov/viirs.html (29.11.2019)
  47. Jürgens, C. (1997): The modified normalized difference vegetation index (mNDVI) – a new index to determine frost damages in agriculture based on Landsat TM data. In: International Journal of Remote Sensing 18, S. 3583 - 3594Google Scholar
  48. Kauth, R.J. u. G.S. Thomas (1976): The tasseled cap -a graphic description of the spectral-temporal development of agricultural crops as seen as in Landsat. In: Proceedings on the Symposium on Machine Processing of Remotely Sensed Data, West Lafayette, Indiana, June 29 – July 1, 1976.Google Scholar
  49. Kraus, K. (2012): Photogrammetrie: Geometrische Informationen aus Photographien und Laserscanneraufnahmen. Berlin De Gruyter. 7. Aufl.Google Scholar
  50. Kruse, R. u.a. M. (2015): Computational Intelligence. Eine methodische Einführung in Künstliche Neuronale Netze, Evolutionäre Algorithmen, Fuzzy-Systeme und Bayes-Netze. Springer.Google Scholar
  51. Lillesand, T. Kiefer R.W. u. J.W. Chipman (2008): Remote Sensing and Image Interpretation. Chichester: John Wiley. 6. Aufl.Google Scholar
  52. Löffler, E. (1994): Geographie und Fernerkundung - Eine Einführung in die geographische Interpretation von Luftbildern und modernen Fernerkundungsdaten. Stuttgart: Teubner. 2. Aufl.Google Scholar
  53. Louis, J. u.a. (2016): SENTINEL-2 SEN2COR: L2A Processor for users. In: Proceedings of the Living Planet Symposium 2016. https://elib.dlr.de/107381/1/LPS2016_sm10_3louis.pdf (29.11.2019)
  54. Markwitz, W. (1989): Vom Satellitensignal zur Bildkarte. Einsatz von Daten- und Informationstechniken zur Fernerkundung der Erde. In: Markwitz, W. u. R. Winter (Hrsg.): Fernerkundung: Daten und Anwendungen, S. 1–10. Karlruhe = Beiträge der Interessengemeinschaft Fernerkundung, Leitfaden 1.Google Scholar
  55. Mather, P.M. u. M. Koch (2011): Computer Processing of Remotely Sensed Images – An Introduction. Chichester: Wiley-Blackwell . 4. Aufl.Google Scholar
  56. Mountrakis, G., J. Im u. C. Ogole (2011): Support vector machines in re-mote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing 66, S. 247 – 259.Google Scholar
  57. NASA (2019a): Jet Propulsion Laboratory. ECOSTRESS Spectral Library. https://speclib.jpl.nasa.gov/library (29.11.2019)
  58. NASA (2019b): Landsat Science. Landsat sensors: pushbroom vs whiskbroom https://svs.gsfc.nasa.gov/12754 (29.11.2019)
  59. NASA (2019c): Landsat Science .The Worldwide Reference System. https://landsat.gsfc.nasa.gov/the-worldwide-reference-system/ (29.11.2019)
  60. NASA Jet Propulsion Laboratory (2019d): Shuttle Radar Topography Mission. https://www2.jpl.nasa.gov/srtm/index.html (29.11.2019)
  61. NASA (2019e): NASA’s Earth Observing System. https://eospso.nasa.gov/content/nasas-earth-observing-system-project-science-office (29.11.2019)
  62. NASA (2019f): Terra. The EOS Flagship. https://terra.nasa.gov/ (29.11.2019)
  63. NASA (2019g): Jet Propulsion Laboratory. Advanced Spaceborne Thermal Emission and Reflection Radiometer. http://asterweb.jpl.nasa.gov (29.11.2019)
  64. Nielsen, M. A. (2015): Neural Networks and Deep Learning, Determination Press, 2015 (free online book http://neuralnetworksanddeeplearning.com/)
  65. NOAA (2019a): Satellites. https://www.noaa.gov/satellites (29.11.2019)
  66. NOAA (2019b): Our Satellites https://www.nesdis.noaa.gov/content/our-satellites (29.11.2019)
  67. NOAA (2019c): GOES-R Series. https://www.nesdis.noaa.gov/GOES-R-Series-Satellites (29.11.2019)
  68. NOAA (2019d): GOES-R Series Satellites Spacecraft and Instruments. https://www.nesdis.noaa.gov/GOES-R-Spacecraft (29.11.2019)
  69. Olofsson, P. u.a. (2014): Good practices for estimating area and assessing accuracy of land change. Remote Sens. Environ. 148, 42–57.Google Scholar
  70. Planet (2019a). Planet monitoring. https://www.planet.com/products/monitoring/ (29.11.2019)
  71. Planet (2019b): Planet tasking. https://www.planet.com/products/hi-res-monitoring (29.11.2019)
  72. Pohl, C. u. J.L. van Genderen (1998): Multisensor Image Fusion in Remote Sensing: Concepts, Methods and Applications. In: International Journal of Remote Sensing 19, S. 823–854.Google Scholar
  73. Pohl, C. u. J.L. van Genderen (1999): Multisensor Image Maps from SPOT, ERS und JERS. In: Geocarto International 14, S. 35–41.Google Scholar
  74. Pontius, R.G. u. M. Millones (2011): Death to Kappa: Birth of quantity disagreement and allocation disagreement for accuracy assessment. In: Intern. Journ. of Remote Sensing 32(15):4407–4429.Google Scholar
  75. Pontius, R.G. (2019): Component intensities to relate difference by categorie with difference overall. In. Int. Journal Appl. Earth Obs. Geoinformation 77, S. 94–99.Google Scholar
  76. Quirk, B.K. (2011): Landsat Program Overview. https://landsat.usgs.gov/sites/default/files/documents/Quirk_LST_03-3-2011sh.pdf (29.11.2019)
  77. Richards, J.A. (2013): Remote Sensing Digital Image Analysis. 5. Aufl. Berlin: Springer.Google Scholar
  78. Richter, R. (1996): A spatially adaptive fast atmospheric correction algorithm. In: Intern. Journ. of Remote Sensing 17, S. 1201–1214.Google Scholar
  79. Schowengerdt, R. A. (2006): Remote Sensing - Models and Methods for Image Processing. San Diego: Academic Press. 3. Aufl.Google Scholar
  80. Schumacher, H. (1992): Überwachte Klassifikation von Fernerkundungsaufnahmen. Oberpfaffenhofen. Forschungsbericht der DLR: DLR-FB 92 - 07.Google Scholar
  81. SEOS (2019). Einführung in die Fernerkundung. eLearning Tutorial des Projektes „Science Education through Earth Observation for High Schools“ in Kooperation mit der European Space Agency. https://seos-project.eu/remotesensing/remotesensing-c01-p01.de.html (29.11.2019)
  82. Shabanov, N. u.a.(2002): Analysis of Interannual Changes in Northern Vegetation Activity Observed in AVHRR Data during 1981 to 1994. IEEE Transactions on Geoscience and Remote Sensing (Download von http://cybele.bu.edu/download/manuscripts/shabanov02.pdf) (29.11.2019)
  83. Stehman, S.V. u. G.M. Foody (2019): Key issues in rigorous accuracy assessment of land cover products. In: Remote Sensing of Environment 231, S.Google Scholar
  84. Steinwart, I. u. A. Christmann (2008): Support Vector Machines Springer 2008Google Scholar
  85. Swain, P.H. u. S.M. Davis (1978, Hrsg.): Remote Sensing: The Quantitative Approach. New York: McGraw-Hill.Google Scholar
  86. Thenkabail, P.S., A.D. Ward, J.G. Lyon u. C.J. Merry (1994): Thematic Mapper Vegetation for Determining Soybean and Corn Growth Parameters. In: Photogrammtric Engineering a. Remote Sensing 60, S. 437 - 442.Google Scholar
  87. Trimble (2019): Trimble eCognition Suite. http://www.ecognition.com/suite (29.11.2019)
  88. Toth, C. u. B. Jutzi (2017): Plattformen und Sensoren für die Fernerkundung und deren Geopositionierung. In: Heipke, C. (2017): Photogrammetrie und Fernerkundung. S. 29-64. Handbuch der Geodäsie. (Hrsg. Freeden, W. u. R. Rummel). Berlin: SpringerGoogle Scholar
  89. UrtheCast (2019): Deimos-2. https://www.urthecast.com/sensors/#deimos-2 (29.11.2019)
  90. USGS, US Geological Survey (2012): Data Continuity Mission. https://pubs.usgs.gov/fs/2012/3066/fs2012-3066.pdf (29.11.2019)
  91. USGS, US Geological Survey (2019a): Spectroscopy Lab. https://www.usgs.gov/labs/speclab (29.11.2019)
  92. USGS, US Geological Survey (2019b): Spectroscopy Lab. https://www.usgs.gov/labs/spec-lab/capabilities/spectral-library (29.11.2019)
  93. USGS, US-Geological Survey (2019c): USGS EROS Archive - Advanced Very High Resolution Radiometer – AVHRR. https://www.usgs.gov/centers/eros/science/usgs-eros-archive-advanced-very-high-resolution-radiometer-avhrr (29.11.2019)
  94. USGS, US Geological Survey (2019d): Landsat – a global land-imaging mission. https://pubs.usgs.gov/fs/2012/3072/fs2012-3072.pdf (29.11.2019)
  95. USGS, US Geological Survey (2019e): Landsat. https://www.usgs.gov/land-resources/nli/landsat (29.11.2019)
  96. USGS, US Geological Survey (2019f): Landsat 7. https://www.usgs.gov/land-resources/nli/landsat/landsat-7 (29.11.2019)
  97. USGS, US Geological Survey (2019g): Landsat Missions. https://www.usgs.gov/land-resources/nli/landsat/landsat-satellite-missions (29.11.2019)
  98. USGS, US Geological Survey (2019h): Landsat Level-1 Processing Details. https://www.usgs.gov/land-resources/nli/landsat/landsat-level-1-processing-details (29.11.2019)
  99. USGS, US Geological Survey (2019i): Landsat Levels of Processing. https://www.usgs.gov/land-resources/nli/landsat/landsat-levels-processing (29.11.2019)
  100. USGS, US Geological Survey (2019j): Landsat 8. https://www.usgs.gov/land-resources/nli/land-sat/landsat-8 (29.11.2019)
  101. USGS, US Geological Survey (2019k): Landsat 9. https://www.usgs.gov/land-resources/nli/land-sat/landsat-9 (29.11.2019)
  102. USGS, US Geological Survey (2019l): USGS EROS Archive – Digital Elevation – Shuttle Radar Topography Mission (SRTM) 1 Arc-Second Global. https://www.usgs.gov/centers/eros/science/usgs-eros-archive-digital-elevation-shuttle-radar-topography-mission-srtm-1-arc (29.11.2019)
  103. USGS, US Geological Survey (2019m): Earth Resources Observation and Science (EROS) Center. https://www.usgs.gov/centers/eros/data-tools (29.11.2019)
  104. Vrabel, J. (2000): Multispectral Imagery Advanced Band Sharpening Study. In: Photogrammetric Engineering and Remote Sensing 66, S. 73–79.Google Scholar
  105. Zhu, X. X. u.a. (2017): Deep Learning in Remote Sensing: A comprehensive review and list of resources. In: IEEE Geoscience and Remote Sensing Magazine 5; 4; S. 8–36.Google Scholar
  106. Zink, M. u.a. (2017): TanDEM-X. In: Heipke, C. (Hrsg.) Photogrammetrie und Fernerkundung. S. 525-554. Handbuch der Geodäsie. (Hrsg. Freeden, W. u. R. Rummel). Berlin: Springer.Google Scholar

Copyright information

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2020

Authors and Affiliations

  1. 1.Universität OsnabrückInstitut für InformatikOsnabrückDeutschland

Personalised recommendations