Feuchtgebietsklassifizierung mittels multispektraler und multitemporaler optischer Fernerkundungsdaten in Neufundland und Labrador, Kanada

Neufundland und Labrador (NL) ist die einzige Provinz in Atlantik-Kanada, die kein Feuchtgebietsinventarsystem hat. Folglich sind sowohl die Klassifizierung als auch die Überwachung von Feuchtgebieten notwendig für den Schutz von Feuchtgebieten und für menschliche Dienstleistungen in der Provinz. In dieser Studie wurden Feuchtgebiete in 5 Pilotstandorten, die über NL verteilt sind, mittels multispektraler und multitemporaler optischer Fernerkundungsbilder klassifiziert. Die Verfahren umfassten die Anwendung einer objektbasierten Methode zur Segmentierung und Klassifizierung der Bilder. Zur Klassifikation der Flächen wurden 5 verschiedene Maschinenlern-Algorithmen untersucht. Die Ergebnisse zeigten, dass der Random Forest (RF)-Algorithmus in Kombination mit einem objektbasierten Ansatz die genaueste Methode zur Klassifizierung von Feuchtgebieten war. Die durchschnittlichen Produzenten- und Nutzergenauigkeiten der Feuchtgebietsklassen unter Berücksichtigung aller Pilotstandorte betrugen 68% bzw. 73%. Die Gesamtkategorisierungsgenauigkeiten, die die Genauigkeit aller Feucht- und Nicht-Feuchtgebietsklassen berücksichtigten, variierten zwischen 86% und 96% über alle Pilotstandorte hinweg und bestätigten die Robustheit der Methodologie trotz der biologischen, ökologischen und geografischen Unterschiede zwischen den Untersuchungsgebieten. Darüber hinaus haben wir die Auswirkungen der Abstimmung der Parameter auf die Genauigkeit der Ergebnisse sowie den Unterschied zwischen pixelbasierten und objektbasierten Methoden zur Klassifizierung von Feuchtgebieten in dieser Studie bewertet.