Landbedeckungsklassifizierung in einer komplexen städtisch-ländlichen Landschaft mit QuickBird-Bildern

Hochauflösende Bilder wurden zunehmend für die Klassifizierung der städtischen Landnutzung/-bedeckung verwendet, aber die hohe spektrale Variation innerhalb derselben Landbedeckung, die spektrale Verwirrung zwischen verschiedenen Landbedeckungen und das Schattenproblem führen oft zu einer schlechten Klassifizierungsleistung basierend auf den traditionellen pixelbasierten spektralen Klassifizierungsmethoden. Diese Arbeit untersucht Ansätze zur Verbesserung der Klassifizierung der städtischen Landbedeckung mit Quickbird-Bildern. Die traditionelle pixelbasierte spektrale überwachte Klassifizierung, die Einbeziehung von Texturbildern und multispektralen Bildern, der spektral-räumliche Klassifikator und die klassifikationsbasierte Segmentierung werden in einer relativ neu entwickelten städtischen Landschaft, Lucas do Rio Verde im Bundesstaat Mato Grosso, Brasilien, untersucht. Diese Forschung zeigt, dass die Nutzung räumlicher Informationen während des Bildklassifizierungsverfahrens, entweder durch die integrierte Verwendung von Textur- und Spektralbildern oder durch die Verwendung der klassifikationsbasierten Segmentierungsmethode, die Klassifizierungsleistung der Landbedeckung erheblich verbessern kann.