Wie lassen sich Satellitenbilder in zuverlässige Karten zur Bodenbedeckung und Landnutzung umsetzen? In diesem Blended-Learning-Kurs „Bildklassifizierung und Bodenbedeckung“ lernen Sie, wie Sie die Bildklassifizierung einsetzen, um unter anderem Vegetation, Gewässer, Boden und Bebauung automatisch zu erkennen und zu unterscheiden. Sie lernen, Klassifizierungsergebnisse zu bewerten, zu validieren und auf räumliche Fragestellungen anzuwenden.
In diesem Blended-Learning-Kurs lernen Sie, wie Sie Satellitenbilder in verwertbare Informationen zur Bodenbedeckung umwandeln. Sie lernen, verschiedene Klassifizierungsmethoden anzuwenden, Ergebnisse zu bewerten und Klassifizierungen in zuverlässige Karten umzusetzen, die unter anderem für Naturschutz, Landwirtschaft, Wasserwirtschaft, Stadtentwicklung und die Überwachung von Landschaftsveränderungen genutzt werden können.
Ein Satellitenbild besteht aus Pixeln mit Messwerten in verschiedenen Spektralbändern. Verschiedene Arten der Bodenbedeckung weisen jeweils eigene spektrale Eigenschaften auf. So reflektiert Vegetation Strahlung beispielsweise anders als Wasser, nackter Boden oder bebaute Flächen. Diese Unterschiede bilden die Grundlage für die automatische Klassifizierung von Satellitenbildern.
Sie lernen, wie Pixel anhand ihrer spektralen Eigenschaften in verschiedene Klassen eingeteilt werden können. Dabei werden Sie mit Begriffen wie Merkmalen, Klassen, Trainingsdaten, Entscheidungsregeln und Klassifikationsmodellen vertraut gemacht. Außerdem lernst du den Unterschied zwischen Landbedeckung und Landnutzung kennen und warum diese Unterscheidung bei der Interpretation von Klassifizierungsergebnissen wichtig ist.
Bei der Bildklassifizierung bestimmen Sie, zu welcher Kategorie ein Pixel oder eine Gruppe von Pixeln gehört. Sie lernen, wie verschiedene Spektralbänder, Bandkombinationen und abgeleitete Informationen genutzt werden können, um Klassen besser voneinander zu unterscheiden.
Du lernst überwachte und unüberwachte Klassifizierung kennen. Bei der überwachten Klassifizierung verwendest du bekannte Beispiele, um einem Modell beizubringen, welche Merkmale zu einer bestimmten Klasse gehören. Bei der unüberwachten Klassifizierung werden Pixel anhand von Ähnlichkeiten automatisch gruppiert, woraufhin du untersuchst, was diese Gruppen in der Landschaft darstellen.
Dabei lernst du vor allem, zu beurteilen, welcher Ansatz zur Fragestellung, zu den verfügbaren Satellitendaten und zur gewünschten Landbedeckungskarte passt.
Die Qualität einer Klassifizierung wird stark von der Qualität der verwendeten Daten bestimmt. Deshalb lernst du, wie du repräsentative Trainingsgebiete auswählst und wie du vermeidest, dass sich Klassen spektral zu sehr ähneln oder unzureichend vertreten sind.
Du lernst verschiedene Klassifizierungsmethoden kennen und erfährst, wie du deren Ergebnisse miteinander vergleichst. Dabei untersuchst du, wie die Wahl der Spektralbänder, der Trainingsdaten und der Klassifizierungsmethode das Endergebnis beeinflusst.
Für die Analysen arbeitest du mit offenen Satellitendaten und Open-Source-Software. QGIS bildet die zentrale Arbeitsumgebung, und wo relevant, können spezialisierte Open-Source-Algorithmen, wie beispielsweise aus der Orfeo ToolBox, eingesetzt werden. Die Software steht dabei nicht im Vordergrund: Im Mittelpunkt steht stets die Frage, wie man zu einer zuverlässigen Klassifizierung gelangt.
Eine Landbedeckungskarte ist erst dann nutzbar, wenn man weiß, wie zuverlässig die Klassifizierung ist. Deshalb lernst du, Klassifizierungsergebnisse kritisch zu bewerten und mit unabhängigen Referenzdaten zu vergleichen.
Sie lernen Validierungstechniken wie die Verwechslungsmatrix und Genauigkeitsmaße für einzelne Klassen sowie für die Klassifizierung als Ganzes kennen. Sie untersuchen, wo Fehler entstehen, welche Klassen häufig miteinander verwechselt werden und wie Trainingsdaten oder die gewählte Methode verbessert werden können.
So lernst du nicht nur, eine Klassifizierung durchzuführen, sondern auch zu begründen, wie zuverlässig das Ergebnis ist und für welche Anwendungen die Karte geeignet ist oder nicht.
Im Rahmen des Blended Learning arbeitest du mit realistischen Satellitenbildern und offenen Datensätzen. Du nutzt die Bildklassifizierung, um räumliche Muster sichtbar zu machen und Informationen zur Bodenbedeckung abzuleiten, die für Analysen und Entscheidungsfindungen verwendet werden können.
Du arbeitest unter anderem an Aufgaben wie:
Im Anschluss daran kannst du Satellitenbilder selbstständig klassifizieren und in zuverlässige Landbedeckungsinformationen umwandeln. Du kannst eine geeignete Klassifizierungsstrategie auswählen, Trainingsdaten bewerten, Ergebnisse validieren und Landbedeckungskarten nutzen, um räumliche Muster und Entwicklungen zu analysieren.
Sie erhalten eine persönliche Betreuung. Nach Ihrer Anmeldung wird sich unser Kurskoordinator mit Ihnen in Verbindung setzen, um Ihren ersten Termin zu vereinbaren.
Haben Sie Fragen zum Inhalt des Kurses? Oder sind Sie sich nicht sicher, ob der Kurs Ihren Lernzielen oder Wünschen entspricht? Bevorzugen Sie einen Inhouse- oder einen Privatkurs? Wir helfen Ihnen gerne weiter.
