Kombination optischer und SAR-Daten

Kombination: keine Veränderung der Grauwerte der verschiedenen Datenquellen

Pixelbasierte Bildfusion: „Image fusion is the combination of two or more different images to form a new image by using a certain algorithm“ (Pohl & van Genderen 1998), getestet wurden Wavelet Transformation, multiplikativer Ansatz, IHS Transformation and PCA.



 Ergebnisse verschiedener pixelbasierter Fusionsversuche, ganz links jeweils die Landsat-
 bzw. ASAR-Eingangsdaten.

Um die Auswirkung der einzelnen pixelbasierten Fusionsverfahren und der schlichten Kombination der Eingangsdaten auf die Klassifikation zu erfassen, wurden die Trennungsindizes (Jeffries Matusita Distance) für 20 Klassen berechnet (Wasser, Nadelwald, Laub-/ Mischwald, Urban, unbewachsen, Grünland & 14 Getreidearten, das bedeutet 197 Klassenpaare). Es zeigte sich, dass die Klassentrennbarkeit durch die Kombination von optischen und SAR-Daten gegenüber der monosensoralen Nutzung von Landsat-TM Daten verbessert wird, während infolge der pixelbasierten Kombination die Trennbarkeit für viele Klassenpaare sinkt:



Klassifikationsergebnisse (in Übereinstimmung mit den Ergebnissen der Trennbarkeits-analysen) – angewandte pixelbasierte Ansätze waren Wavelet Transformation, multiplikativer Ansatz, IHS Transformation and PCA:



Durch die Kombination der Eingangsdaten konnte für folgende Klassen die Klassifikations-genauigkeit erhöht werden:
Winterweizen, Wintergerste, Sommergerste, Mais, Erbsen, Grünland, Siedlungsflächen. Bei der Klassifikation nach pixelbasierter Fusion der Eingangsdaten gab es keine Verbesserungen.