Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

Z_GIS > Klassifikation von Fernerkundungsdaten > Flashcards

Klassifikation von Fernerkundungsdaten Flashcards

1
Q

Welche Arten von Bodenbedeckung gibt es?

A
  • Sumpfgebiete
  • Grünland
  • Baum- oder Buschbestand
  • Laubwald
  • Ein- bis dreistöckige Gebäude
  • Felsen und Steine
  • Stehende Binnengewässer
  • Landwirtschaft
  • Bergbau
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Was ist das “top down” Verfahren der Bodenbedeckungsklassifizierung?

A

Bodenbedeckungsarten werden aus Satellitendaten errechnet

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Was ist das “bottom up” Verfahren bei der Bodenbedeckungsklassifizierung?

A

Daten werden in erster Linie durch Kartierung im Feld erfasst

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Welche Arten von Klassifizierungsprozessen gibt es?

A
  • Überwachte Klassifizierung
  • Unüberwachte Klassifizierung
  • Hybride Klassifizierung
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Was ist unüberwachte Klassifizierung?

A
  • Muster werden aus Daten gezogen
  • Klassen werden erst nach der Identifizierung von Mustern festgelegt
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Was ist überwachte Klassifizierung?

A
  • Klassen werden im Vorhinein festgelegt
  • Algorithmen werden an “Trainingsstandorten” trainiert
  • Statistiken werden in mehrere “Klassifizierer” eingeführt um eine Karte zu generieren
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Was sind die allgemeinen Klassen für Bodenbedeckung?

A
  • Künstliches Land
  • Ackerland
  • Wälder
  • Verbuschung
  • Grünland
  • Kahlflächen und Flechten/Moos
  • Wasserflächen
  • Feuchtgebiete
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Was sind die allgemeinen Klassen für Landnutzung?

A
  • Landwirtschaft
  • Forstwirtschaft
  • Wasserwirtschaft & Fischerei
  • Bergbau & Steinbrüche
  • Energieerzeugung
  • Industrie und Handwerk
  • Transport-, Kommunikations-, Aufbewahrungs- und Schutzinfrastruktur
  • Wasser- & Abfallbehandlung
  • Bau
  • Handel
  • kommunale Dienstleistungen
  • Erholung, Freizeit, Sport
  • Wohngebiet
  • Ungenutzt
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Welche Alorithmen zur überwachten Klassifikation gibt es?

A
  • Density Slicing
  • Methode des minimalen Abstands
  • Parallelepiped
  • Maximum-Likelihood-Klassifizierung
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Was ist density slicing?

A

Datenintervalle werden zu einem einzelnen Wert zusammengefasst

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Was bedeutet Methode des minimalen Abstands?

A

Es werden zunächst die Mittelwerte sämtlicher vertretener Objektklassen im Trainingsraum berechnet. Später erfolgt die Zuweisung zu jener Objektklasse, zu deren Mittelwert der geringste euklidische Abstand festzustellen ist.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Was sind die die Vorteile der Methode des minimalen Abstands?

A
  • schnell
  • einfach einzusetzen
  • alles wird klassifiziert
  • funktioniert bei nomalverteilten Datensätzen gut
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Was sind die Nachteile der Methode des minimalen Abstands?

A
  • Statistische Unterschiede zwischen Klassen werden nicht betrachtet
  • Korellation zwischen Bändern wird nicht betrachtet
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Wie funktioniert die Klassifizierung durch Parallelipiped?

A

Pixel weden durch ihre Helligkeitswerte unter Einbezug der Standardabweichung klassifiziert

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Was sind die Vorteile von Parallelepiped Algorithmen?

A
  • schnell
  • n Bänder möglich
  • realistischer als die Methode des Minimalen Abstands
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Was sind die Nachteile von Parallelepiped Algorithmen?

A
  • einzelne Pixel werden nicht klassifiziert
  • bei Überschneidung werden Pixel der ersten Klasse zugeordnet
  • Abschnitte schwer festzulegen
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

Was ist die Maximum-Likelihood-Klassifizierung?

A

Eine statistische Entscheidungsregel (Probability Density Function; PDF) prüft die Wahrscheinlichkeitsdichte mit der ein Pixel zu den Klassen mit der vorgegebenen a-priori-Wahrscheinlichkeit gehört und weist es der Klasse mit dem höchsten Wert zu.

18
Q

Was sind die Vorteile der Maximum-Likelihood-Klassifizierung?

A
  • relativ schnell
  • relativ einfach einzusetzen
  • alles wird klassifiziert
  • funktioniert gut bei normalverteilten Datensätzen
19
Q

Was sind die Nachteile der Maximum-Likelihood-Klassifizierung?

A
  • vernachlässigt statistische Unterschiede zwischen Klassen
  • vernachlässigt Korellationen zwischen Bändern
20
Q

Was ist die Entscheidungsbaum-Klassifizierung?

A

Der Algorithmus entscheidet durch ja/nein Fragen welcher Klasse ein Pixel angehört

21
Q

Welche Vor- und Nachteile hat die Klassifikation mit Entscheidungsbäumen?

A

Vorteile:
- Kann sehr akkurat sein

Nachteile:
- erste Entscheidungen überproportional wichtig
- zu viel Training möglich

22
Q

Welche nicht-quantitativen Möglichkeiten gibt es um die Genauigkeit der Klassifikation zu überprüfen?

A
  • Vergleich mit Bild (visuell; sehr unzuverlässig)
  • Vergleich mit Karte (visuell; unzuverlässig)
  • Vergleich mit ground truth (visuell; bedingt abschätzbar)
23
Q

Welche quantitativen Möglichkeiten gibt es um die Genauigkeit der Klassifikation zu überprüfen?

A
  • Vergleich mit ground truth (digital; zuverlässig)
  • Verwendung von ground truth für Training (digital; zuverlässig)
  • Vergleich mit statistisch basierter Referenz (digital; best practice)
24
Q

Wie funktioniert die Überprüfung der Genauigkeit der Klassifikation?

A
  1. Stichprobenplan auswählen
  2. Beschaffung von Bodenreferenzdaten an den Beobachtungsorten
  3. Erstellung und Analyse der Fehlermatrix
  4. Akzeptieren oder Verwerfen der zuvor erstellten thematischen Karte

Wiederholen bis funzt.

25
Q

Was ist die Gesamtgenauigkeit (Overall accuracy)?

A

Wie viele der Pixel richtig klassifiziert wurden

26
Q

Was ist die Produzenten-Genauigkeit (Producer’s accuracy)?

A

Wie viele der Pixel im Testdatensatz wurden pro Klasse richtig klassifiziert?

27
Q

Was ist die Kappa-Analyse?

A

Die Kappa-Analyse gibt die Differenz in der Genauigkeit zwischen dem Datensatz aus Fernerkundungsdaten und den Referenzdaten an

28
Q

Welche Klassifizierungsmethoden gibt es bei unüberwachten Algorithmen?

A
  • k-Means
  • ISODATA (Iterative Self-Organizing Data Analysis Technique)
29
Q

Wie funktioniert der k-Means-Algorithmus?

A

Der Spektralraum wird in Kandidatencluster zerlegt.
Daten werden in Cluster eingeteilt, indem sie dem nächstgelegenen Clusterzentrum zugeordnet werden.

30
Q

Was sind die Vorteile des k-Means-Algorithmus?

A
  • Setzt kein konkretes Wissen oder Training voraus
  • Ideal für Erkundung neuer Regionen
  • Kann als Datenreduktionsschritt genutzt werden
  • Industriestandard
31
Q

Was sind die Nachteile des k-Means-Algorithmus?

A
  • Anzahl der benötigten Cluster schlecht definiert
  • Cluster müssen identifiziert werden
  • Cluster können stark durchmischt sein
  • Falsche Cluster sind üblich
  • Funktioniert bei Datensätzen mit viel Rauschen nicht
32
Q

Was ist der ISODATA-Algorithmus?

A

Der ISODATA-Algorithmus ist eine Modifikation des k-Means-Algorithmus bei dem Cluster verbunden und aufgeteilt werden können

33
Q

Wie werden die Bereiche zum Training von Algorithmen ausgewählt?

A

Basierend auf bekannten Daten aus Feldarbeit, Kartenanalyse und persönlicher Erfahrung

34
Q

Was muss bei Change Detection auf Basis von Fernerkundungsdaten beachtet werden?

A
  • Fehler bei der Aufzeichnung können zu Fehlern in der Auswertung führen
  • Unterschiedliche Sensoren können in der Definition ihrer spektralen Bänder variieren und unterschiedlich kalibriert sein
  • Jahreszeitliche Änderungen sowie der Sonnenstand können die Daten beeinflussen
  • Unterschiedliche atmosphärische Bedingungen sorgen für Variationen in der Qualität der Daten
35
Q

Was ist Write Function Memory (WFM)?

A

Die Bänder in den RGB-Kanälen

36
Q

Welche Vorteile hat WFM?

A
  • visuelle Untersuchung von 2 oder 3 Jahren unspezifischer Veränderungen
  • erfordert normalerweise keine atmosphärische Korrektur
37
Q

Welche Nachteile hat WFM?

A
  • Nichtquantitativ
  • Keine “von-bis” Wechselklasseninformation
38
Q

Was passiert bei Multiple-Date Composite Image Change Detection?

A

Die Bänder von unterschiedlichen Zeitpunkten werden übereinander gelegt

39
Q

Was ist Image Algebra?

A

Änderung zwischen zwei Bildern wird durch band rationing und image differencing berechnet

40
Q

Was ist Image Differencing?

A

Die Werte von einem Bild werden von denen von einem anderen Bild abgezogen

41
Q

Was ist Post-Classisfication Comparison?

A

Zwei Karten werden in jedem Pixel verglichen

42
Q
A

Z_GIS (11 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2024 Bold Learning Solutions. Terms and Conditions