Klassifikation von ASAS-Multiwinkel- und Multispektral-Messungen mit künstlichen neuronalen Netzwerken

Da die Anisotropie der Reflektivität der Erdoberfläche stark durch die Vegetationsbedeckung beeinflusst wird, können multidirektionale aus der Ferne erfasste Daten äußerst effektiv bei der Differenzierung zwischen Landnutzungsklassen sein. Dieser Artikel untersucht die Verwendung von Multiwinkel- und multispektralen Daten des Advanced Solid-State Airay Spectroradiometer (ASAS) in der Landbedeckungskartierung unter Verwendung künstlicher neuronaler Netzwerke. Ein mehrschichtiges Feedforward-neuronales Netzwerk wird trainiert, um fünf Landbedeckungsklassen im Voyageurs Nationalpark in Minnesota zu identifizieren. Multiwinkeldaten erreichen eine Genauigkeit von 89 %, wenn sie auf ein einzelnes Band (774–790 nm) angewendet werden, 7-richtungsbilder und 88 % Genauigkeit, wenn sie auf multiesktrale Nadir-Daten angewendet werden. Die Fehleranalyse mittels der Verwirrungsmatrix zeigt, dass die höhere Klassifikationsgenauigkeit hauptsächlich für drei Klassen erreicht wird: Laubwald, Feuchtgebiete und Wasser. Die Ergebnisse deuten darauf hin, dass 1) die Richtung der Strahlungsmeßungen viele nützliche Informationen zur Differenzierung zwischen Landnutzungsklassen enthält, 2) die Einbeziehung von mehr als einem spektralen Multiwinkelband die Gesamtergebnisgenauigkeit im Vergleich zu einem einzelnen Multiwinkelband verbessert, und 3) neuronale Netzwerke erfolgreich Klassendifferenzierungen aus Richtungsstrahlungsdaten und/oder multidomain-Daten lernen können.