Beurteilende(r)| Name: | Univ.-Prof. i.R. Dipl.-Ing. Dr.techn. Werner Schneider |
| Herkunftsbetrieb: | |
| Arbeit |
| Typ der Arbeit: | Masterarbeit |
| Sprache der Arbeit: | Deutsch |
| Titel der Arbeit in Originalsprache: | Vergleich der Methoden der Landbedeckungsklassifikation mit Satellitenbildern zur Erkennung von Risikoflächen für den Drogenanbau in Myanmar |
| Titel der Arbeit in deutsch: | Vergleich der Methoden der Landbedeckungsklassifikation mit Satellitenbildern zur Erkennung von Risikoflächen für den Drogenanbau in Myanmar |
| Titel der Arbeit in englisch: | Comparison of methods for land cover classification using satellite imagery for the detection of risk areas for illicit crop cultivation in Myanmar |
| Publikationsmonat: | 03.2007 |
| Seitenanzahl: | VII, 70 S. |
| Online-Katalog der Universitätsbibliothek Bodenkultur |
| AC-Nummer: | AC05903906 |
| Abstract |
| Abstract in Deutsch: | Bei der flächendeckenden Überwachung von Drogenanbaugebieten in Myanmar durch das Büro für Drogen- und Verbrechensbekämpfung der Vereinten Nationen (UNODC) werden aktuelle, großflächige Landbedeckungskarten benötigt. Diese können durch die Klassifikation von Satellitenbildern erstellt werden.
Ziel dieser Diplomarbeit ist der Vergleich unterschiedlicher Methoden zur semi-automatisierten Klassifikation der Landbedeckung. Semi-automatisiert bedeutet, dass die Satellitenbilder nicht ausschließlich automatisiert von einem Computerprogramm klassifiziert werden, sondern dass die Eingabe zusätzlicher Informationen von einem menschlichen Interpreten notwendig ist. Verglichen wurden die parametrischen Algorithmen Minimum-Distance, Mahalanobis-Distance und Maximum-Likelihood und der nicht-parametrische Algorithmus k-Nearest-Neighbour (kNN).
Im Rahmen der vorliegenden Arbeit hat sich der Maximum-Likelihood-Algorithmus als geeignetste parametrische Methode erwiesen. Er wurde dem nicht-parametrischen kNN-Algorithmus mittels Fehlerabschätzung gegenübergestellt. Die Genauigkeit der vier umfangreichsten Landbedeckungsklassen Geschlossener Wald, Lichter Wald, Vegetation exklusive Wald - trocken und Offener Boden ist mit dem kNN-Algorithmus entweder wesentlich besser oder ähnlich im Vergleich zum Maximum-Likelihood-Algorithmus. Für die Erstellung einer Landbedeckungskarte wurde daher der kNN-Algorithmus verwendet. |
| Abstract in Englisch: | The United Nations Office on Drugs and Crime (UNODC) needs extensive up-to-date land cover maps for the area-wide illicit crop monitoring programme in Myanmar. These land cover maps can be derived from the classification of remotely sensed images.
The aim of this thesis is to compare different methods of semi-automatic land cover classification. Semi-automatic means that the satellite data are not only classified automatically but with additional interaction by a human interpreter. The parametric algorithms Minimum-Distance, Mahalanobis-Distance and Maximum-Likelihood and the non-parametric algorithm k-Nearest-Neighbour (kNN) were compared.
Among the parametric methods, the Maximum-Likelihood algorithm performed best in this research. It was compared with the non-parametric algorithm kNN using accuracy assessment techniques. The classification accuracy for the four most extensive land cover classes Forest closed, Forest scattered, Vegetation excluding forest - dry and Bare soil obtained by the algorithm kNN provided a higher or similar accuracy level as the algorithm Maximum-Likelihood. The algorithm kNN was therefore applied for producing a land cover map. |
| Schlagworte |
| Schlagwörter Deutsch: | Fernerkundung, Landbedeckung, Klassifikation, k-Nearest-Neighbour, kNN, Maximum Likelihood, Satellit, Landsat, illegale Drogen, Anbaufläche, Myanmar |
| Schlagwörter Englisch: | remote sensing, land cover, classification, k-Nearest-Neighbour, kNN, Maximum Likelihood, satellite, Landsat, illicit crop, cultivation area, Myanmar |
| Sonstiges |
| Signatur: | D-12890 |
| Organisationseinheit, auf der die Arbeit eingereicht wird: | H85700 Institut für Geomatik |
Zurück zur Auswahl der Arbeiten
