Analyse von Fernerkundungsbildern

Fernerkundungsdaten können mit der Verbesserung der Datenverfügbarkeit, -abdeckung, -auflösung und -vielfalt potenziell eine riesige Menge an Informationen und Wissen liefern. Einerseits hat das maschinelle Lernen, insbesondere Deep-Learning-Techniken, die methodische Landschaft der Fernerkundung drastisch verändert und zahlreiche neue Anwendungen angeregt. Andererseits wird es immer schwieriger, die Daten und Methoden richtig zu nutzen, die Unsicherheit bei der Modellierung zu bewerten und zu verstehen, welche Erkenntnisse wir aus den Fernerkundungsdaten gewinnen können und welche nicht. Dies sind die Ziele, die wir verfolgen.

Derzeit arbeiten wir an den folgenden Forschungsthemen:

Bilder Klassifizierung

Deep Learning und OBIA-basierte Methoden für die geomorphologische Klassifizierung von Küstengebieten.

Der Schwerpunkt dieses Projekts liegt auf der Innovation der klassischen objektbasierten Bildanalyse mit Methoden des maschinellen Lernens und dem Verständnis, welche räumlichen, zeitlichen und spektralen Merkmale zur geomorphologischen Klassifizierung beitragen.

Dieses Projekt dient als Anwendung mit hoher sozialer Wirkung, um die Techniken der Fernerkundungsbildanalyse im Allgemeinen zu verbessern.

Extraktion städtischer Elemente und Erkennung von Veränderungen.

Wir entwickeln und verwenden Deep-Learning-Algorithmen für eine Vielzahl von Fernerkundungsbild-Analyseaufgaben für verschiedene Anwendungen wie die Abgrenzung von Gebäuden, die Klassifizierung von Pflanzen, die Erkennung und Entfernung von Bildwolken, die Abgrenzung von Gewässern und die Erkennung von Veränderungen der Bodenbedeckung.

Segmentierung von Gewässern.

Visualisierung von Merkmalskarten, die sich auf der letzten Schicht des Decoders von verschiedenen Netzstrukturen befinden.

Geomorphologische Klassifizierung von Küstengebieten anhand von Luftbildern mit optischen und Infrarot-Bändern und Lidar.

H1: hartes Substrat,
P1a1: sandige, wenig dynamische Ebenen,
P1a2: schluffige, wenig dynamische Ebenen -
P2b: Mega-Riffel,
P2c: hochdynamische Untiefen

Lu, M., Groeneveld, L., Karssenberg, D., Ji, S., Jentink, R., Paree, E., and Addink, E.:

GEOMORPHOLOGICAL MAPPING OF INTERTIDAL AREAS, Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci.,XLIII-B3-2021, 75–80,

https://doi.org/10.5194/isprs-archives-XLIII-B3-2021-75-2021, 2021.

Ji S, Shen Y, Lu M, Zhang Y.

Erkennung von Gebäudeveränderungen aus großflächigen Luftbildern mit Hilfe von neuronalen Faltungsnetzen und simulierten Mustern.

Remote Sensing. 2019; 11(11):1343.

https://doi.org/10.3390/rs11111343

Zhang Z, Lu M, Ji S, Yu H, Nie C. Rich

CNN-Merkmale für die Segmentierung von Gewässern aus sehr hoch aufgelösten Luft- und Satellitenbildern.

Remote Sensing. 2021; 13(10):1912.

https://doi.org/10.3390/rs13101912

Wir konzentrieren uns auf Methoden des maschinellen Lernens und speziell auf diese,

Transfer-Lernen. Verbesserung der Modellallgemeinheit für Daten aus verschiedenen Quellen.
Bildfusion und Downscaling: Innovation der derzeitigen Bildfusions- und Downscaling-Methoden durch maschinelles Lernen.
Integration von raum-zeitlichen und multispektralen Informationen: Entwicklung von Algorithmen, die spektrale und raum-zeitliche Informationen flexibel und explizit modellieren, sowie Ansätze für die Vor- und Nachbearbeitung von Bildern.
Schwaches und unüberwachtes Lernen, um die Abhängigkeit von (perfekten) Beschriftungen zu verringern und um Prioritäten oder zusätzliche Informationen einzubeziehen.
Generative Modelle für die Simulation von Merkmalen, Transferlernen und eine bessere Bildklassifizierung.

Change detection from remote sensing image time series and information integration from multispectral, spatiotemporal arrays

		Lu, M., Pebesma, E., Sanchez, A., & Verbesselt, J. (2016). Spatio-temporal change detection from multidimensional arrays: Detecting deforestation from MODIS time series. ISPRS Journal of Photogrammetry and Remote Sensing, 227-236. [117]. https://doi.org/10.1016/j.isprsjprs.2016.03.007

		Lu M, Hamunyela E, Verbesselt J, Pebesma E. Dimension Reduction of Multi-Spectral Satellite Image Time Series to Improve Deforestation Monitoring. Remote Sensing. 2017; 9(10):1025. https://doi.org/10.3390/rs9101025

Verantwortlich für die Redaktion: Sebastian De La Serna

Fakultät für Biologie, Chemie und Geowissenschaften

Geoinformatik - Spatial Big Data – Juniorprofessorin Dr. Meng Lu

Analyse von Fernerkundungsbildern