(Promovendin HU Berlin) - stadtentwicklung.berlin.de · (Promovendin HU Berlin) ... In den Schwerpunkten Luftfahrt, Weltraum, Energie, Verkehr und Sicherheit arbeiten insgesamt rund

Pilotstudie

„Bestimmung von Gebäude‐ und Vegetationshöhen/

‐strukturen aus hochaufgelösten Luftbildern“

– Abschlussbericht –

Projektleitung Corinna Brüßhaber

(Promovendin HU Berlin)

In Kooperation mit Deutsches Zentrum für Luft- und Raumfahrt e.V.

Einrichtung Optische Informationssysteme

am Institut für Robotik und Mechatronik

Auftraggeber: Senatsverwaltung für Stadtentwicklung und Umwelt

Abteilung III (Geoinformation)

Informationssystem Stadt und Umwelt

Berlin, Januar 2012

Bestimmung von Gebäude- und Vegetationshöhen/ -strukturen aus hochaufgelösten Luftbildern

Pilotstudie im Rahmen der Promotion von C. Brüßhaber (DLR e.V.); SenStadtUm Berlin, Abt. III

Auftraggeber: Senatsverwaltung für Stadtentwicklung und Umwelt

Abt. Geoinformation, Informationssystem Stadt und Umwelt

Ansprechpartner: Jörn Welsch III F 12

Fehrbelliner Platz 1, Zimmer 4031, 10707 Berlin

Tel: +49 - 30 - 90139-5256

Fax: +49 - 30 - 90139-5251

Email: [email protected]

Projektleitung/ Durchführung:

Corinna Brüßhaber (Promovendin HU Berlin)

DLR e. V. - Einrichtung Optische Informationssysteme,


Tel.: +49 -30- 67055 – 367


[email protected]

Bereitstellung der Daten/ technische Peripherie:

DLR e.V. - Einrichtung Optische Informationssysteme,


Ansprechpartner: Frank Lehmann (Abteilungsleiter)

Abt. Sensorkonzepte und Anwendungen

Tel: +49 -30- 67055 - 425


Weitere Projektbeteiligte:

Firma GEO-NET Umweltconsulting GmbH (Gutachterbüro)

Ansprechpartner: Peter Trute (Geschäftsführer)

Große Pfahlstraße 5a, 30161 Hannover

Tel.: +49 - 511 388 72 04


Web: www.geo-net.de

2

mailto:[email protected]





http://www.geo-net.de/



3

INHALT

1. Projektumfeld..............................................................................................................7

1.1 Beteiligte Institutionen ..................................................................................................7

1.2 Klimamodellierung im urbanen Raum ..........................................................................8

2. Vorbereitung .............................................................................................................10

2.1 Workflow.....................................................................................................................10

2.2 Klassensystematik......................................................................................................11

3. Digitale Luftbilddaten...............................................................................................12

3.1 Aufnahmeprinzip und das Kamerasystem UltraCam X ..............................................12

3.2 Gewinnung des Digitalen Oberflächenmodells (DOM)...............................................13

3.3 Bildflug 2010 und Bildprodukte...................................................................................15

3.4 Normierte Digitale Oberflächenmodell (nDOM)..........................................................17

3.5 Die Stärke der Bilddaten.............................................................................................19

4. Grundlagen und erweiteter Datenbestand .............................................................21

4.1 Untersuchungsgebiet..................................................................................................21

4.2 Geobasisdaten und Fachplanungsdaten....................................................................23

5. Methodik....................................................................................................................25

5.1 Objekt- und Merkmalserkennung ...............................................................................25

5.2 Segmentierung ...........................................................................................................26

5.3 Klassifizierung ............................................................................................................28

5.4 Software eCognition ..................................................................................................29

5.5 Künstliche Kanäle/ Indizes .........................................................................................30

6. Strategie und Umsetzung ........................................................................................33

6.1 Datenvorverarbeitung .................................................................................................33

6.2 Durchführung..............................................................................................................34

6.3 Teilprozess Gebäude (ALK) .......................................................................................36

6.4 Teilprozess: Vegetation ..............................................................................................41

7. Ergebnis ....................................................................................................................46

8. Fazit ...........................................................................................................................47



4

ABBILDUNGEN

Abb. 2-1: Workflow – Gebäude ................................................................................................... 10

Abb. 2-2: Klassifizierungsschema für Bebauung und Vegetation. .............................................. 11

Abb. 3-1: Prinzip der Bildaufnahme einer Matrixkamera (Zentralperspektive). ........................... 12

Abb. 3-2: Orthophoto (DOP 2010) - Differentialentzerrung mit DGM (FIS-Broker Berlin) ........... 14

Abb. 3-3: True-Orthophoto 2010 (SGM), real messbare Größen und keine Verkippung............ 14

Abb. 3-4: RGB (Pilotgebiet)......................................................................................................... 16

Abb. 3-5: nDOM (Pilotgebiet). ..................................................................................................... 16

Abb. 3-6: Prinzip der nDOM-Generierung (nach Mayer, 2004)................................................... 17

Abb. 3-7: Vorgehen zur Detektion erhöhter Punkte für die Grundhöheninterpolation. ................ 18

Abb. 3-8: Image Drape, nDOM texturiert mit dem RGB (Elsenbrücke)....................................... 18

Abb. 3-9: Auf die Geländehöhe 0 normiertes Oberflächenmodell............................................... 19

Abb. 3-10: Gebäude im nDOM (Kirche); horizontales (links), vertikales (rechts) Profil............... 19

Abb. 3-11: Kirche im RGB, überlagert mit Ergebnis-Vektoren. ................................................... 19

Abb. 3-12: Einzelbaum im nDOM - horizontales (links), vertikales (rechts) Profil ....................... 20

Abb. 4-1: Lage des Untersuchungsgebietes. .............................................................................. 22

Abb. 4-2: Berliner Dach (Querschnitt). ........................................................................................ 22

Abb. 4-3: ALK-Ausschnitt – Folien 11 Gebäude und Folie 520 mit Straßenbäumen. ................. 23

Abb. 4-4: Unterirdisch liegende Gebäudeteile, hier am Beispiel Tiefgaragen (0112363) ........... 24

Abb. 5-1: Schematische Darstellung der Multilevel-Segmentierung. .......................................... 25

Abb. 5-2: Beispiele für Segmentierungslevel (Abb. a bis e). ....................................................... 28

Abb. 5-3: Feature View in eCognition.......................................................................................... 29

Abb. 5-4: NDVI (rechts) - Farbcodierte Darstellung in der Feauture View (Segmente) .............. 30

Abb. 5-5: Identifikation von Schattenbereichen (Bsp. Wasserfläche). ........................................ 31

Abb. 5-6: Sobel Kantenfilter (links); Slope (mitte); Aspect (rechts). ............................................ 32

Abb. 6-1: Index – Kacheln 1 bis 12 ............................................................................................. 33

Abb. 6-2: Klassensystematik Gebäude/ Vegetation .................................................................... 35

Abb. 6-3: Unterirdische Gebäude und Gebäudeteile (ALK). ....................................................... 36

Abb. 6-4: “Doppelte“ ALK- Polygone ........................................................................................... 36

Abb. 6-5: Gebäude (ALK) unter Baumkronen. ............................................................................ 36

Abb. 6-6: Blick Richtung Süd-Osten, Elsenbrücke und dem Bürokomplex des Treptowers ....... 37

Abb. 6-7: Gebäude mit wenig Differenzierung in der ALK (blau). ............................................... 37

Abb. 6-8: Gebäude an der „MediaSpree“ mit Türmen, spezielle Dachform. ............................... 37

Abb. 6-9: Segmentierung Scale Parameter 25 (links); 100 (rechts), Basis-Geometrie ALK. ...... 38

Abb. 6-10: Klassen Gebäude (ALK) je Höhenintervall (unsortierte). ........................................... 38

Abb. 6-11: Ergebnis (Treptower) - ALK-Umrisse (links) zzgl. der Segmentierung (rechts) ......... 39



5

Abb. 6-12: Beispiel einer Segmentkorrektur, Walmdach auf ALK............................................... 39

Abb. 6-13:Ergebnis Gebäude – Finale Segmente umgesetzt in der Klassensystematik ............ 40

Abb. 6-14: Vollgeschosse (ALK) und Höhe je Gebäudetyp. ....................................................... 40

Abb. 6-15: Segmente der Klassen Vegetation Scale Parameter 20 (mitte) und 50 (rechts) ....... 41

Abb. 6-16: Vegetation Scale Parameter 20 (links) und 50 (rechts) - Detailansicht ..................... 42

Abb. 6-17: Klassifikationsergebnis „Baum“ überlagert mit Straßenbäumen der ALK.................. 43

Abb. 6-18: Klassen Vegetation je Höhenintervall (unsortierte Darstellung). ............................... 43

Abb. 6-19: Klassifikationsergebnis „Baum“ überlagert mit Straßenbäumen der ALK.................. 43

Abb. 6-20: Feature-Export (Attribut). ........................................................................................... 44

Abb. 6-21: DataBase (QGIS) mit Attributen der Gebäude .......................................................... 45

Abb. 6-22: Kartendarstellung der Kachel 01 ............................................................................... 45

Abb. 7-1: Zusammenschau des Ergebnisses.............................................................................. 46

Abb. 7-2: Kartendarstellung der Kachel 11 ................................................................................. 47



6

ABKÜRZUNGEN

ALK Automatisierte Liegenschaftskarte

ASMUS Ausbreitungs- und Strömungs-Modell für Urbane Stadtstrukturen

DBF DataBase File

DGM Digitales Geländemodell

DLR e.V. Deutsches Zentrum für Luft- und Raumfahrt e.V.

DOM/nDOM Digitales Oberflächenmodell/ normiertes Digitales Oberflächenmodell

DOP Digitales Orthophoto

EPSG European Petroleum Survey Group

ETRS89 Europäisches Terrestrisches Referenzsystem 1989

FITNAH-3D Flow Over Irregular Terrain With Natural And Anthropogenic Heat Sources

GIS Geo(graphisches) Informationssystem

GPS Globales Positionierungssystem

GRS80 Geodetic Reference System 1980

IR/NIR Infrarot/ Nahes Infrarot

ISU Informationssystem Stadt und Umwelt

NDVI Normalized Vegetation Index

NN Normal Null

OBIA Object-Based Image Analysis

OSKA Objektschlüsselkatalog

PAN panchromatisch

RGB Rot Grün Blau (Echtfarbe)

ROI Region of Interest

SAPOS Satellitenpositionierungsdienst

Shp Shape (Vektordatenformat)

SGM Semi Global Matching

SenStadtUm Senatsverwaltung für Stadtentwicklung und Umwelt

TOM True-Orthophotomosaik

UCX UltraCamX

UTM Universal Transverse Mercator

WGS84 World Geodetic Reference System 1984


Pilo

tstudie im Rahmen der Promotion von C. Brüßhaber (DLR e.V.); SenStadtUm Berlin, Abt. III

7

1. Projektumfeld

1.1 Beteiligte Institutionen

Deutsches Zentrum für Luft‐ und Raumfahrt e.V. (DLR)

Das Deutsche Zentrum für Luft- und Raumfahrt e.V. (DLR) ist das nationale Forschungszentrum

für Luft- und Raumfahrt und die Raumfahrtagentur Deutschlands.

In den Schwerpunkten Luftfahrt, Weltraum, Energie, Verkehr und Sicherheit arbeiten insgesamt

rund 7000 Mitarbeiterinnen und Mitarbeiter, es unterhält 32 Institute, Test- und

Betriebseinrichtungen und ist an 16 Standorten vertreten1.

Senatsverwaltung für Stadtentwicklung und Umwelt (SenStadtUm) – Digitaler Umweltatlas von Berlin (ISU)

Der Umweltatlas von Berlin liegt seit 2000 auch in digitaler Form vor – als Informationssystem

Stadt und Umwelt - und beinhaltet die Themenbereiche Boden, Wasser, Luft, Klima, Biotope,

sowie Flächennutzung, Verkehr/Lärm und später auch Energie. Die thematischen Karten des

Umweltatlasses sollten zunächst die übergeordnete Planung unterstützen und umweltrelevante

Aspekte berücksichtigen, z. B. die Auswirkung von Bebauung und Vegetation auf das

Stadtklima. Heute ist der Umweltatlas vielmehr ein zentrales Element der

Umweltberichterstattung für Berlin.2

GEO‐NET Umweltconsulting GmbH

„GEO-NET ist ein interdisziplinär ausgerichtetes, technologieorientiertes Unternehmen im

Bereich Erneuerbare Energien, Umweltmeteorologie und Umweltplanung. GEO-NET führt seit

1996 Entwicklungen, Beratungen und Untersuchungen durch und ist Dienstleister für Wirtschaft,

Banken und Verbände sowie öffentliche Auftraggeber - von der Kommune bis hin zur

Bundesbehörde.“3

1 DLR auf www.dlr.de 2 SenStadtUm und Umwelt Online 3 GEO-NET auf www.geo-net.de



8

1.2 Klimamodellierung im urbanen

Umweltatlas Berlin (Windefeldmodellierung)

Raum

Ziel dieses Projektes ist es, die Objektinformationen für Gebäude und Vegetation aus

flugzeuggestützten Bilddaten der UltraCamX so zu erfassen und zu verarbeiten, dass sie den

Anforderungen einer komplexen stadtklimatischen Bewertung am Beispiel des Siedlungsraums

Berlin standhalten. Eine konkrete Anwendung ist die darauf basierende Ableitung des

Windfeldes für das Stadtgebiet von Berlin mithilfe der Simulationsmodelle ASMUS/ FITNAH-3D.

Ziel: Bestimmung von Gebäude- und Vegetationshöhen/ -strukturen aus

hochaufgelösten Luftbildern der UltraCamX, 2010-Befliegung

Rahmen: Vorbereitung eines Konzepts für die stadtweite Fortschreibung der

Klimakarten des Umweltatlasses des Landes für das Jahr 2012 seitens

SenStadtUm, Abt. III (ISU)

Idee: Zur Verfeinerung der Klimamodellierung durch zugrunde liegende

Eingangsdaten sollen möglichst hochaufgelöste Gebäudehöhen- und

Vegetationsdaten (Höhe, Begrenzung und Struktur) bereitgestellt werden

Veröffentlichung im Berliner Umweltatlas unter

http://www.stadtentwicklung.berlin.de/umwelt/umweltatlas/dinh_04.htm

Bisher: Angaben zu Vegetationshöhen liegen weder im Bebauungsbereich noch

innerhalb von Grünflächen flächendeckend und zugreifbar vor.

Berechnungsmodell: FITNAH 3D (Firma Geo-Net)/ ASMUS

Es wird eine Auflösung von 10* 10m angestrebt

Daten: Geometrien/ Fachdaten: für die Bearbeitung notwendigen Daten wie ALK,

ISU5_2010 (Nutzungsdaten) etc. werden von SenStadtUm kostenfrei zur

Verfügung gestellt.

Raster: Befliegung, Erfassung der Rohdaten für das Stadtgebiet Berlin und

Auswertung vom DLR bereitgestellt.

http://www.stadtentwicklung.berlin.de/umwelt/umweltatlas/dinh_04.htm



9

Grundlagen

Die Stadt bewirkt im Gegensatz zum Umland und zu weitestgehend unberührten Landschaften

ihr ganz spezifisches Klima, das Stadtklima, hervorgerufen durch die Gestaltung der städtischen

Oberfläche unter verstärkter Versiegelung durch Gebäude, Verkehrswege, Parkanlagen. Hinzu

kommt die Belastung durch Industrie- und Verkehrsabgase (Schadstoffe), die die ‚Stadtluft’ und

darüber hinaus auch das menschliche Wohlbefinden beeinträchtigen (Fehrenbach, 2001; Junk

et al., 2003).

Klimaeffekte, die aus der urbanen Struktur hervorgehen sind nächtliche Wärmeinseln (erhöhte

Oberflächen- und Lufttemperaturen in der Nacht), ein stark modifizierter Strahlungshaushalt und

veränderte Windströmungen (Windstille und erhöhte Geschwindigkeiten) (Offerle et al. 2007;

Bruse, 2001). Erhöhte Objekte, wie Gebäude oder ganze Gebäudeblöcke stellen Hindernisse

dar, die sich bremsend bis hin zur Windstille oder aber kanalisierend und damit beschleunigend

auf die Windströme auswirken.

Um solche stadtspezifischen, klimatischen Wechselwirkungen zu analysieren und ihnen

rechtzeitig entgegenzuwirken, werden vermehrt dreidimensionale, numerische

Simulationsmodelle (Klimamodelle) herangezogen. Solche computergestützten Modelle können

stadtklimatische Phänomene innerhalb der städtischen Grenzschicht unter Berücksichtung von

Einflussfaktoren simulieren und im Zuge eines Planungsprozesses räumliche Klimaszenarien

sichtbar machen und sogar die Umsetzung einer räumlichen Planung positiv beeinflussen.

Modelle stellen damit nicht nur den Ist-Zustand dar, sondern können auch zukünftige

Entwicklungen unter verschiedensten Planungs- und Klimabedingungen voraussagen. Sie

gelten daher als ein starkes Werkzeug innerhalb des Entscheidungsprozesses und während der

verbindlichen Bauleitplanung (§§ 8–10 BauGB).

Mit Hilfe der flugzeuggestützten Fernerkundung lassen sich, neben Thermalbildverfahren, auch

auf indirektem Wege objektbezogene Informationen über stadtklimatische Zustände ableiten.

Die Gestaltung der urbanen Oberfläche durch künstliche Versiegelung (Wohn- und

Geschäftsbebauung, Industrie, Verkehrsflächen und Parkanlagen) ist dabei ein wesentlicher

Faktor. Die Versiegelungsarten, sowie die Gebäude- und Vegetationsstrukturen können mit

Methoden der Fernerkundung (detailliert) bestimmt werden. Neben der spektralen Information

werden über das Digitale Oberflächenmodell und dem daraus abgeleiteten normierten

Oberflächenmodell die Höhen der urbanen Objekte erfasst. Diese Objekthöhen sind ein

wichtiger Bestandteil der Eingabegrößen in ein numerisches Simulationsmodell.

Konkretes Beispiel wird die Ableitung der Windfelder für den Großraum Berlin sein, wobei sich

dieser Teil der Untersuchung im Umfeld der Pilotphase auf das Gebiet um den Spreeraum

Friedrichshain-Kreuzberg reduziert.


Pilo


10

2. Vorbereitung

Einleitung

Anhand hochaufgelöster, flugzeuggestützter Bilddaten und der objektbasierten Klassifikation

wird versucht Vegetations- und Gebäudestrukturen, sowie deren Höhen zu detektieren und zu

erfassen. Dazu findet eine Kombination von optischen multispektralen Bilddaten (RGB, IR) mit

den Höheninformationen des Digitalen Oberflächenmodells und dem daraus abgeleiteten

normierten Oberflächenmodell statt.

2.1 Workflow

Abb. 2-1: Workflow – Gebäude

Analog zu diesem Vorgehen der Gebäudeklassifikation findet die Erfassung der Vegetation statt.

Das wesentliche Medium ist dabei das Hinzunehmen des NDVI (s. Kapitel 6) – basierend auf

dem Rot- und Infrarotkanal – der die Unterscheidung von Vegetation und Nicht-Vegetation

ermöglicht. Auch dabei wird die Ableitung der Höhen und die Differenzierung in Höhenklassen,

als wichtigstes Klassifikationskriterium über das nDOM (s. Kapitel 3) realisiert. Für die

Unterscheidung der Objekte (nach Höhe -> mean[nDOM]) fließt das nDOM mit einer höheren

Gewichtung in die eingangs stattfindende Segmentierung ein. Auf die abschließende Glättung

der Vegetationsgeometrien wird aufgrund der Andersartigkeit der natürlichen Strukturen

verzichtet.



In enger Abstimmung mit SenStadtUm; Abt. III – Geoinformation fand eine Definition der zu

erfassenden Objekte, sowie eine Erarbeitung von sinnvollen und praktikablen Klassen für die

Darstellung in Thematischen Karten statt.

2.2 Klassensystematik

Es handelt sich um die Klassifizierung von Landbedeckung d. h. um Objektklassen zur urbanen

Oberflächenbedeckung. Eine direkte Ableitung der Nutzungen (auch Stadtstrukturen) aus diesen

Oberflächenklassen findet dabei nicht statt. Diese Rückschlüsse würden eine Sinnbildung

bedeuten und so ein Wissen von Beziehungen der Objekte zueinander voraussetzen.

Die Oberflächenklassifikation wird zunächst mit einer Klassentiefe von jeweils 8 Klassen pro

Objektart (Gebäude und Vegetation) durchgeführt. Die visuelle Erkennbarkeit der Gebäude wird

mit Referenzdaten der ALK unterstützt. Gewässerflächen werden aus den ISU-Blockdaten

entnommen.

Abb. 2-2: Klassifizierungsschema für Bebauung und Vegetation.

Die zuvor definierte Klassifizierungssystematik (Grundlage der späteren Zuordnung der

Objektklassen) wurde im Laufe der Ergebniserarbeitung um die Klasse „Gebäude > 40 m“.

11


Pilo ie im Rahmen der Promotion von C

tstud . Brüßhaber (DLR e.V.); SenStadtUm Berlin, Abt. III

12

3. Digitale Luftbilddaten

3.1 Aufnahmeprinzip und das Kamerasystem UltraCam X

Matrixkameras realisieren die Aufnahme eines Bildes mittels digitaler matrixförmiger

Flächensensoren und der Zentralprojektion. Dabei beschränkt sich die Abbildung der

Erdoberfläche auf einen rechteckigen, meist quadratischen Bildausschnitt. Bei einer

Matrixkamera wird die Stereofähigkeit durch einen Überlappungsbereich in Flugrichtung von

üblicherweise etwa 60 % aus drei Bildern realisiert. Dieser Überlappungsbereich simuliert die

drei unabhängigen Blickwinkel über die bei einer Matrixkamera später das Stereobild realisiert

wird. Anschließend können die entstandenen Flugstreifen zu einem Bildblock über die zuvor

definierte Quer- und Längsüberdeckung verknüpft und im Zuge der Prozessierung als

Gesamtmosaik ausgegeben werden. Der Überlappungsbereich der drei Blickwinkel

gewährleistet die drei Sichtstrahlen zur Auffindung der notwendigen homologen Punkte zur

Generierung einer stabilen räumlichen Szene und eines Oberflächenmodells. Das GPS und INS

erreicht die hochgenaue Orientierung der Bilddaten.

Abb. 3-1: Prinzip der Bildaufnahme einer Matrixkamera (Zentralperspektive).

Bei einer Matrixkamera ändern sich bei der Aufnahme die Eigenschaften der äußeren

Orientierung von Bild zu Bild (vgl. Kraus, 2004), pro Bild entsteht eine eigenständige äußere

Orientierung. Durch die Abbildung in Zentralperspektive entstehen je Einzelbild Verklappungen

radial zu den Bildrändern. Eine Korrektur dieses Radialversatzes ermöglicht das digitale

Oberflächenmodell (DOM). Das so entstandene True-Orthobild (Beispiel in Abb. 3-2 und 3-3)

weist im Anschluss ebenfalls die Eigenschaften einer Karte auf und erhöhte Objekte werden

lagekorrigiert abgebildet (bei einem Orthobild bleiben die Verklappungen erhöhter Objekte



erhalten). Die Ableitung von tatsächlichen Entfernungsmesswerten aus dem Luftbild innerhalb

der Genauigkeiten ist darüber möglich. Die UltraCamX ist ein großformatiger, multispektraler

und digitaler Flächensensor. Das hochauflösende panchromatische Bild der Größe 9420 x

14430 Pixel (67.5mm x 103.5mm) wird von neun Flächendetektoren hinter vier Objektiven

erzeugt. Unter Verwendung von 4 Farbfiltern - für R, G, B und IR - gelingt die Gewinnung der

Farb- und Infrarotinformation in geringerer Auflösung. Zur Steigerung der Auflösung werden die

höher aufgelösten panchromatischen (PAN) Kanäle hinzugerechnet. (vgl. Gruber, 2009; Sandau

(Hrsg.), 2005 & Albertz, 2007)

Photogrammetrische Prozessierung

Anwendung findet hier eine Aerotriangulation, bei der die digital aufgezeichneten Einzelbilder zu

einem festen Bildverband unter Einbeziehung von Passpunkten (eindeutig identifizierbar und

Koordinaten im übergeordneten Referenzsystem bekannt) und hochpräziser Orientierungsdaten

verknüpft werden. Über das GPS wird fortlaufend die Flugbahn des Sensorträgers und mit Hilfe

des integrierten INS die ständige Position der Kamera und deren Bewegung während des

Messvorgangs erfasst. Nach Aufzeichnung der Spektraldaten und der Orientierungs- und

Navigationsdaten wird eine kombinierte Aerotriangulation zur direkten Sensororientierung mit

direkter Georeferenzierung durch GPS, IMU und zusätzlicher Passpunkte erreicht.

3.2 Gewinnung des Digitalen Oberflächenmodells (DOM)

Bei der Gewinnung des Oberflächenmodells kommt ein Algorithmus zum Tragen (SGM – Semi-

Global Matching), der ursprünglich am DLR, Institut für Robotik und Mechatronik von

Hirschmüller (2005) entwickelt wurde und fortwährend optimiert wird (vgl. Hirschmüller et al,

2010). Das SGM ist ein pixelbasiertes Verfahren zum Auffinden korrespondierender Bildpunkte.

Grundlage sind orientierte Luftbilder mit bekannter innerer und äußerer Orientierung, bei denen

entlang einer rekonstruierten Epipolarlinie nach diesen übereinstimmenden Pixel gesucht

werden kann. Die Epipolargeometrie beschreibt diese Abhängigkeit der korrespondierenden

Bildpunkte, die durch einen realen Objektbodenpunkt in den zueinander orientierten Luftbildern

erzeugt werden. (vgl. Schrerr, 2005) Eingerenzt wird die Suche durch das Bekanntsein einer

Höheninformation des gesuchten Objektpunktes. Das Verfahren wird ausführlich in Hirschmüller,

2005 & 2006 beschrieben. In einem DOM wird jedem Bildpixel die Höhe über dem definierten

Geoid bzw. Ellipsoid mit Hilfe eines Grauwerts zugeordnet. Zur Ableitung exakter Objekthöhen

wird das nDOM (auf die Grundhöhe NULL normiert) berechnet.

13



Abb. 3-2: Orthophoto (DOP 2010) - Differentialentzerrung mit DGM (FIS-Broker Berlin)

Abb. 3-3: True-Orthophoto 2010 (SGM), real messbare Größen und keine Verkippung.

Die Abbildungen (3-2 und 3-3) zeigen anschaulich die Unterschiede und den Vorteil eines True-

Orthophotos gegenüber dem DOP, welches lediglich mit Hilfe der Differentialentzerrung unter

Einbeziehung eines DGM korrigiert wird. Ebene Bereiche weisen die Eigenschaften einer Karte

auf, wogegen erhöhte Objekte aufgrund der Zentralprojektion noch immer verkippt dargestellt

werden. Bei einem True-Orthophoto wird das DOM in die Level 4-Prozessierung integriert. Auch

erhöhte Objekte werden nun lagekorrigiert dargestellt und ermöglichen das Messen realer

Entfernungen, Flächen und der exakten Position von Kanten.

14



15

3.3 Bildflug 2010 und Bildprodukte

Der UCX-Bildflug fand im Spätsommer 2010 aus einer Flughöhe von ~2100 m über NN statt.

Bildflug durchgeführt von: BSF Swissphoto GmbH

Kamera: UltraCamX

Flugdatum: 23.09.2010

Bodeauflösung: 10cm

Längsüberdeckung: 80%

Querüberdeckung: 60%

Prozessierung Einzelbilder: UltraMap Fa. Microsoft

Höhe über Grund: 6850 ft

Höhe ü NN: 7000 ft

Koordinatensystem: UTM, 33N

Geodätisches Datum: ETRS89

Bezugsellipsoid: GRS80

Höhenbezugssystem: ellipsoidische Höhen bzgl. GRS80

GPS-Referenzstation: SAPOS-Station, Berlin-Wilmersdorf

Genauigkeit der GPS-Prozessierung: Lage und Höhe theoretisch 5-6 cm

Die eigentliche Prozessierung der Einzelbilder - zu einem für diese Studie benötigten True-

Orthomosaik (TOM) - findet am DLR, am Institut für Robotik und Mechatronik in Berlin Adlershof

unter Verwendung des im Kapitel „Photogrammetrische Prozessierung“ beschriebenen SGM-

Algorithmus statt.

Durch die Größe des Aufnahmegebietes (Stadtfläche Berlin) und die daraus resultierte Dauer

des Bildfluges sind in den Bilddaten Schattenbereiche zu verzeichnen. Besonders deutlich zu

erkennen sind Schlagschatten im Bereich sehr hoher Gebäude (siehe Abbildungen auf Seite

zuvor) Diese Schatten können in weiten Teilen durch die hohe radiometrische Tiefe (16bit)

aufgefangen werden. Das Ableiten von Vegetationsstrukturen durch das nahe Infrarot (NIR) ist

fast immer gewährleistet, dies wird im Zuge der folgenden Auswertung näher betrachtet.



16

Produkte

Sensor: Matrixkamera UltraCam X

Aufnahmedatum: 23.09.2010

Geometrische Auflösung: x; y: 15cm; z: 10 cm

Radiometrische Tiefe: 16 bit

Bildprodukte: Echtfarbenbild (RGB) und Infrarotkanal (IR)

Digitales Oberflächenmodell (DOM)

abgeleitete Produkte: Normiertes Digitales Oberflächenmodell (nDOM)

Abb. 3-4: RGB (Pilotgebiet).

Abb. 3-5: nDOM (Pilotgebiet).



17

3.4 Normierte Digitale Oberflächenmodell (nDOM)

Da die Geländehöhe in Berlin (~35m bis zu ~100m ü NN) nicht konstant ist, wenn auch im

Vergleich zu anderen Regionen wenig, wird ein auf die Grundhöhe Null normiertes

Oberflächenmodell erzeugt. Das Prinzip der Generierung des normierten Oberflächenmodells

(nDOM) gewährleistet die Ableitung der „echten“ Objekthöhen ohne die aufsummierte

Geländehöhe.

Abb. 3-6: Prinzip der nDOM-Generierung (nach Mayer, 2004).

Das normierte Digitale Oberflächenmodell (nDOM) ergibt sich aus der Differenz eines Digitalen

Oberflächenmodells (DOM) mit einem Digitalen Geländemodell (DGM). Die Prozedur zur

Ableitung des nDOM wurde von Mayer, 2004 am DLR in Berlin-Adlershof entwickelt.

nDOM = DGM ‐ DOM

Das DOM bildet anders, als das DGM die tatsächliche Struktur auf der Erdoberfläche ab. Es

beschreibt neben der Geländeform die dreidimensionale Geometrie der Objekte auf der

Erdoberfläche, einschließlich der Gebäude (auch Brückenbauwerke), Gleisanlagen, der

Vegetation und weiterer anthropogener Objekte. Neben der Vegetation werden ebenso die

Höhen der künstlichen Strukturen – wie Gebäude – zum Zeitpunkt der Aufnahme dargestellt.

Das nDOM ist gekennzeichnet durch die ausschließliche Darstellung der Vegetation und der

Gebäude in ihrer Höhe normiert auf die Geländehöhe Null. Dies vereinfacht, hinsichtlich der

nachfolgenden Segmentierung und Klassifikation, die Unterscheidung der erhöhten von den

nicht erhöhten Objekten und gewährleistet eine direkte Messung der Objekthöhen. (Abschnitt

3.7) Es erlaubt die Unterscheidung von Straßen, erhöhter Vegetation und der Bebbauung und

liefert die exakte Höheninformation (siehe Abb. 3-6).



Abb. 3-7: Vorgehen zur Detektion

erhöhter Punkte für die

Grundhöheninterpolation.

(Quelle Mayer, 2004)

Zur Erzeugung des nDOM wird in einem ersten Schritt zunächst ein DGM erzeugt. Zu diesem

Zweck werden Suchfenster definiert und darüber das DOM in iterativen Schritten nach Kanten

und abrupten Höhensprüngen durchsucht. Über die Definition eines Höhenschwellenwertes

werden die erhabenen Objekte (Objektpixel) bestimmt. Gleichzeitig werden Punkte identifiziert,

die sich eindeutig am Boden befinden (Grundpixel). Ist eine genügende Anzahl dieser

Bodenpunkte sicher identifiziert, werden diese Punkte zu einer Fläche interpoliert, die

abschließend das DGM bilden. Das entstandene DGM ergibt schließlich durch eine Subtraktion

mit dem DOM das nDOM.

Abb. 3-8: Image Drape, nDOM texturiert mit dem RGB (Elsenbrücke).

18



3.5 Die

Gebäudehöhen

Stärke der Bilddaten

Abb. 3-9: Auf die Geländehöhe 0 normiertes Oberflächenmodell.

Abb. 3-10: Gebäude im nDOM (Kirche); horizontales (links), vertikales (rechts) Profil.

Abb. 3-11: Kirche im RGB, überlagert mit Ergebnis-Vektoren.

19



20

Vegetationshöhen

Abb. 3-12: Einzelbaum im nDOM - horizontales (links), vertikales (rechts) Profil

sen sich sehr gut über das nDOM in Kombination mit geeigneten

dass die Kontur und die Form der

d Stamm) – hier ein ca. 10m hoher Baum (Abb. 3-12) – nicht vollständig

n ist dabei nachteilig. Da es sich um eine Draufsicht handelt, ist die

Ableitung des absoluten Umfangs der Krone bei genauer Abgrenzung eines Objektes

realisierbar. Dichter Baumbestand erschwert dies aber häufig. Ähnliches trifft auf die Bebauung

zu, wobei es in vielen Fällen möglich ist, sofern Dachtraufe und Bodenpunkt identisch sind.

Dachübersprünge und Dachvor- und aufbauten verhindern dies allerdings in vielen Bereichen.

Vegetationshöhen las

Segmentierungsalgor

Vegetation (Krone un

real abgebildet werde

ithmen ableiten. Die Tatsache,



4. Grundlagen und erweiteter Datenbestand

4.1 Untersuchungsgebiet

Um die Eignung des gegebenen Rasterdatenbestandes, bestehend aus dem digitalen

multispektralen True-Orthophotomosaik (TOM) und des dafür erforderlichen Digitalen

Oberflächenmodell (DOM) - zur Ableitung der geforderten Objekthöhen - zu prüfen, liegt dieser

Pilotstudie ein rund 23 km² großer Bildausschnitt der Berliner Innenstadt zugrunde.

Geographische Ausdehnung

Fläche: 22,69 km²

UTM, WGS84, Zone33 (EPSG:32633)

UL X: 389084 UL Y: 5820065

LR X: 396500 LR Y: 5817000

Soldner Berlin (Rauenberg), Bessel, DE-40/83 to ETRS89 (EPSG: 3068)

UL X: 22342 UL Y: 18332

LR X: 29817 LR Y: 21539

Geometrische Ausdehnung

Pixel: 49.444px * 20.437 px (Originalpixel mit x/y 15cm, z 10cm)

Gebietsmerkmale

Das ausgewählte Projektgebiet für diese Pilotstudie erstreckt sich über weite Bereiche der

Innenstadt, zentral inmitten des Berliner S-Bahnrings und beinhaltet partiell die Stadtbezirke

Treptow-Köpenick, Friedrichshain-Kreuzberg und nordwestlich Berlin-Mitte mit dem

Reichstagsgebäude und dessen imposanter Kuppel, und einem ausgedehnten Bereich des

Stadtparks „Großer Tiergarten“. Dieser Bereich verfügt über einen hohen Anteil an

repräsentativen Grünflächen und höherem Bewuchs, sowie Bestand von bis zu über 20 Meter

hohen Bäumen.

21


Pilo ie im Rahmen der Promotion von C. Brüßhaber (DLR e.V.); SenS

tstud tadtUm Berlin, Abt. III

22

Abb. 4-1: Lage des Untersuchungsgebietes.

Das Untersuchungsgeb

Wohnbebauung - den „Mietskasern charakteristischen Traufhöhe von 22 Metern und

den charakt Berliner Dächern (Abb.4-2) - eine Vielzahl von architektonisch auffälligen

ondergebäuden. Zu diesen zählen neben modernen Bürobauten, wie dem „Trias“ (Sitz der

BVG) a tstätten,

wie die alle „O n Kreuzberg oder das „Sony Center“

am Potsdamer Platz. Daneben bestehen entlang der Berliner Stadtspree Industrie- und

uch eine Vielzahl historischer Gebäude, Kirchen und

en, sowie der nachfolgenden Einschätzung der Genauigkeiten

ontagebauten“

ie verfügen über eine sehr klare Gebäudestruktur und dienen aufgrund der

als idealer Vergleichsgegenstand.

iet enthält neben einer erheblichen Anzahl der typischen Berliner

en“ mit der

eristischen

S

n der Holzmarkstraße oder dem „Treptower“ an der Elsenbrücke ebenso Even

Multifunktionsh 2-World“, das „Tempodrom“ i

Dienstleistungsflächen und a

monumentalen Bauten.

Zur Ableitung der Gebäudehöh

ieser H nen d öhen eig sich besonders die ebenso häufig wie identisch erbauten „M

und Wohngebäude. S

einheitlichen Höhen,

Quelle: Wikipedia (Berliner Dach)

Abb. 4-2: Berliner Dach (Querschnitt).



4.2 Geobasisdaten und Fachplanungsdaten

ALK – OSKA 2010/2011

o Gebäude

o Straßenbaum

Blockdaten ISU 2010

Die Automatisierte Liegenschaftskarte enthält die gesamten Liegenschaften des Landes Berlin

und liegt flächendeckend im Landeskoordinatensystem Soldner Berlin vor. Der Bestand wird

fortwährend aktuell gehalten und wöchentlich aktualisiert. Die Vektoren der ALK bestehen für

diese Anwendung aus geschlossenen Polygonen (Flächen).

Abb. 4-3: ALK-Ausschnitt – Folien 11 Gebäude und Folie 520 mit Straßenbäumen.4

In diesem Gebiet befinden sich – Angaben basierend auf der Automatisierten

iegenschaftskarte (ALK) – rund 11.600 eingemessene Gebäude und Gebäudeteile und rund

23.500 Straßenbäume (Laub- und Nadelbäume), welche im Sachdatenbestand der ALK einzeln

erfasst sind (Abb. 4-3, überlagert mit den statistischen Blöcken des ISU5). Nicht erfasst und

nummeriert ist der Baumbestand auf Privatgrundstücken, sowie in Hinterhöfen und Parkanlagen

bspw. der Baumbestand innerhalb der weitläufigen innerstädtischen Parkanlage „Großer

Tiergarten“.

L

4 (Stand des Gebäudebestandes ist 30.06.2011) 5 dt und Umwelt (ISU) der Senatsver ng und Datengrundlage: Informationssystem Sta

Umwelt Berlin.

waltung für Stadtentwicklu

23



24

Automatisierte Liegenschaftskarte (ALK) Berlin/ Statisti

schlüsselkatalog B li

sche Blöcke (ISU)

Stand: 01.08.2005

Hier werden die Gebäudeumrisse des ALK-Datenbestandes dargestellt. Dieser Bestand wird

ge in einzelnen Folien vorgehalten. Die Gebäude bilden die Folie

1 i e tere Bezifferung beschreibt die Nutzung. Nach dieser Systematik ist es möglich die

068 Nicht eingemessene Gebäude

087 Geplante Gebäude

(Quelle: Informationssystem Stadt und Umwelt – GIS-Service)

Folie 011 – Gebäude Nutzung 011 1005 – Unterirdische Gebäude (allgemein)

011 2363 – Tiefgarage

011 2364 – Sammelgarage

011 2365 – Doppelgarage

011 2366 – Einzelgarage

011 2723 – Schuppen

Informationen aus dem Objekt er n (OSKA Bln)

mäß der Systematik der ALK

1, d e w i0

Vektoren unterirdischer Gebäude (Abb. 4-4), die für diese Untersuchung hinderlich sind, über

den eindeutigen Objektschlüssel aus der Bearbeitungsmenge zu entnehmen.

011 Gebäude

Abb. 4-4: Unterirdisch liegende Gebäudeteile, hier am Beispiel Tiefgaragen (0112363)



5. Methodik

5.1 Objekt‐ und Merkmalserkennung

Bei der objektbasierten Merkmalserkennung werden Segmente anstelle von einzelnen Pixeln

zur Klassifikation verwendet. (siehe Abb. 5-1). Diese Segmente bilden die Basis für die spätere

Klassifikation und werden durch die eingangs stattfindende Segmentierung de

25

s gesamten Bildes

erzeugt. J genauer diese Segmente die gewünschten Objekte repräsentieren, desto

erfolgreiche che Zuordnung in die zuvor definierten Objektklassen und die

Abgrenzung der Objekte.

Ausgedrüc der Segmentierung in Abstraktions- bzw.

Maßstabsebenen, den sogenannten Levels (Multilevel-Segmentierung). Innerhalb dieser

Stadien werden die Bildelemente nach bestimmten Einheitsprädikaten (Homogenitätskriterien)

zu Segmenten gruppiert. (vgl. Hildebrandt, 1996). Dieser Verfahrensschritt wird im Ergebnis

urch die benutzerdefinierten Segmentierungsparameter gesteuert (Beispiel, siehe Abb. 5-2).

Multilevel‐Segmentierung

el 3

sse

Segmente Level 2

Gebäudedetails

Segmente Level 1

Baum (Struktur)

Pixellevel (Eingangsdaten)

Abb. 5-1: Schematische Darstellung der Multilevel-Segmentierung.

(Trimble eCognition 2011; http://www.ecognition.com)

e

r ist die eigentli

kt werden die einzelnen Stadien

d

Segmente Lev

Gebäudeumri


Pilo


26

Bei der Segmentierun

bes ten Ho

der äteren

g der Bilddaten (RGB, IR und nDOM) werden benachbarte Pixel nach

mengefasst (geometrische Abgrenzung

erarbeitungsschritt kann auch als

in Richtung

nte stellt immer die zugrundeliegende

n die top-down-Strategie große in kleinere Bildsegmente zerlegt.

en

rbei auch die Festlegung einer Region of Interest. Dabei handelt

Liegenschaftskarte, welche die Begrenzung der segmentierten

und den Bereich der darauffolgenden Segmentierung eingrenzt.

5.2 Segmentierung

Jede Fragestellung benötigt ihren speziellen Auswertemaßstab: kleine Objekte benötigen eine

feinere Segmentierung (kleiner scale parameter 5-50), im Gegensatz zu flächenhaften, großen

Objekten. Für die Erfassung der Gebäude ist das zu erzielende Level eine grobe Segmentierung

(Umriss Gebäude und Gebäuteile, Abb. 5-2), wohingegen die Vegetation (bodennahe Sträucher,

Bäume) in ihrer Struktur wesentlich feiner abgebildet werden sollte, um vor allem feine lokale

Höhenunterschiede und Strukturen zu berücksichtigen. Die Standard-Segmentierung

Multiresolution Segmentation beruht auf Farb- und Formhomogenität und findet am häufigsten

Anwendung. Dieser Algorithmus ermöglicht die gleichzeitige Verarbeitung mehrerer Datensätze

(Kanäle RGB, IR, nDOM etc.) mit unterschiedlicher Gewichtun ameter bestimmt

die maximal zulässige Heterogenität der Objekte. Der Algorithmus Spectral Difference beruht

auf Grauwertdifferenzen, der Scale Parameter steht dabei für die maximal erlaubte

Grauwertdifferenz zweier Segmente. Die Spectral Difference Segmentierung kann nur auf einer

zuvor durchgeführten herkömmlichen Segmentierung erfolgen g der

nd die Gewichtung der Form- und

timm mogenitätskriterien zu Segmenten zusam

sp Klassifizierungsobjekte). Dieser V

Generalisierung der Bilddaten verstanden werden, da sich die Informationstiefe

logischer Objekte verringert. Die Summe aller Segme

Szene dar, d.h. die Topologie der Segmente sieht keine Überschneidungen vor. Unterschieden

wird in top-down (modellgetriebene) und bottom-up (datengetrieben) Verfahren. (vgl. Reference

Book: Trimble eCognition Developer 8.64.0/ User Guide 11/2010) Verwendet wird hier, bis auf

den Eingangsschritt, durchweg eine bottom-up Strategie, bei der kleinere benachbarte

Bildobjekte (paarweise) über Homogenitätskriterien zu größeren Segmenten verschmolzen

werden (merge), hingege

Leukert, (2005) beschreibt das Verfahren so: „Die bottom-up Methoden versuchen, aus den

Bildern heraus Objekte zu extrahieren, denen anschließend eine Bedeutung zugewiesen wird.

Im Gegensatz hierzu geht die top-down Vorgehensweise vom Objektmodell aus, um mit diesem

Wissen im Bild passende Objekte zu finden.“

ngsergebnis können auch in den Prozess integrierte VektorEinfluss auf das Segmentieru

haben. Diese unterstützen hie

es sich um die Automatisierte

Gebäude (vermessen) vorgibt

g. Der Scale Par

. Zudem spielt die Gewichtun

in den Prozess integrierten Bildkanäle, der Scale Parameter u

Kompaktheit eine wesentliche Rolle.



Vereinfachtes Beispiel für die unterschiedlichen Level der Segmentierung

Ziel der Segmentierung: Pixel werden zu eindeutigen Objekten aggregiert (Beispiel - Gebäude)

a) Erstellung der Gebäudemaske (top-down)

Eingangs ROI (Region of Interest) – grobe

Segmentierung zur Detektion Gebäude

unter Einbeziehung der ALK.

(Ziel, ROI = ALK)

b) Auf Level „ROI_ALK“ (bottom-up)

Feine Segmentierung durch Eingabe

kleiner Parameter zur ersten Erfassung der

verschiedenen Objektelemente anhand

multispektraler und nicht multispektraler

Eigenschaften.

(Ziel, Level 01_ROI)

c) Auf Level „01_ROI“ (bottom-up)

Eingabe größerer Segmentierungs-

Parameter. Gröbere Segmente durch

Zusammenfassung von Objektelementen

ähnlicher Eigenschaften.


27



d) Auf Level „02_ROI“ (bottom-up)

Segmentierung basierend auf spektralen

Eigenschaften. Niedriger Schwellenwert

und wenig Veränderung. Objekte mit sehr

ähnlichen spektralen Eigenschaften werden

zu einem Bildobjekt aggregiert.


e) Auf Level „03_ROI“ (b

nd auf spektralen

Eigenschaften. Hoher Schwellenwert mit

erhöhter Aggregation. Eindeutige separat

zu den vordefinierten Klassen zu

Abb. 5-2: Beispiele für Segmentierungslevel (Abb. a bis e

Die Fernerkundung ist ein typischer A wend em sehr heterogene

Bildelemente, sowohl über die spektrale Eigenschaft, als auch über Formparameter zu

homogenen Bildobjekten zusammengefasst werden können (Beispiel in Brüßhaber, C. et al.,

2010). Die optimale Einstellung und Parametrisierung zu finden bedarf einer Vielzahl an

Versuchen und wird im Laufe der Bearbeitung immer wieder angepasst – „Versuch und Irrtum“

(Definiens AG, 2009)

5.3 Klassifizierung

Die eigentliche Klassifizierung erfolgt über eine Wissensb elsätzen, die

anhand der Bilddaten und des darüber zur Verfügung stehenden Wissens und der Merkmale

(Spektral-, Form-, Kontur- und Kontexteigenschaften) entwickelt wird.

Über die Regelbasis findet die eigentliche Zuordnung der Segmente bzw. der Objekte als

Ganzes zu den Klassen statt. Die Klassifizierung basiert auf der „Fuzzy-Logik“ und

ottom-up)

Segmentierung basiere

zuordnende Bildobjekte bilden

abschließende Segmente.


).

n ungsbereich bei d

asis in Form von Reg

28



berücksichtigt demnach Unschärfen bei der Zuordnung der Objekte. Die Wahrscheinlichkeit

einer Erfüllung der zuvor definierten Kriterien fließt in die Zuordnung ein. Der Grad der

Zugehörigkeit wird mit Hilfe der Fuzzy-Funktion bestimmt. Es gibt naturgemäß keine harte

Abgrenzung zwischen Vegetationsklassen. Es be Unschärfen)

von einer Oberflächenbedeckungsart zur angrenz n.

Die Entwicklung der Regelbasis stellt neben en

aufwändigsten Part der Umsetzung dar. Ein hohes Wissen über die Bilddaten und deren

Eigenschaften werden vorausgesetzt.

5.4

Trimle eCognition Developer (vormals Definiens

eCogniti se-Software

(OBIA - en im

Bereich de 90

Jahre mit e

Die Softw erschiedener

Nutzungen von hoch- bis zum Teil sehr

hochaufgel uftbilddaten.

Die Stärke von eCognition liegt in der eingangs

Segmentierung, Grundlage für die

anschließende Klassifizierung.

anschließenden GIS-Bearbeitung und während des

Exports den Geometrien als Sachdaten hinzugefügt.

stehen i. d. R. seichte Übergänge (

enden, ähnlich den Temperaturübergänge

der rechenintensiven Segmentierung d

Software eCognition

on) ist eine objektbasierte Bildanaly

gl. Object-Based Image Analysis) u. a.

r Erdwissenschaften, die Ende der 19

iner Beta-Version den ersten Einsatz fand.

are erfüllt die Ansprüche v

östen Satelliten- und L

stattfindenden

Eine weitere Stärke der Software besteht in der

gleichzeitigen Verarbeitung von Raster- und

Vektordaten (thematische Fachdaten z. B. der ALK) und

die Bildverarbeitung begleitende Generierung von

Attributen. Die Attribute werden bereits vor der

Abb. 5-3: Feature View in eCognition

29



5.5 Künstliche Kanäle/ Indizes

Vegetationsindex

Künstlich abgeleitete Kanäle, bei denen sich die spektralen Vorteile der Einzelkanäle zu Nutze

gemacht werden können, erleichtern den Vorgang der Klassifikation.

Die Unterscheidung von Vegetation und Nicht-Vegetation wird über den NDVI (Normalized

Differenced Vegetation Index) realisiert. Vorraussetzung dafür ist das Vorhandensein eines

Infrarotkanals (IR). Der NDVI kann Werte zwischen -1 und +1 annehmen. Herg

IR] ‐ [Mean R]) / ([Mean IR] + [Mean R])

eleitet wird er

über folgende Formel:

NDVI = ([Mean

Alternativ kann auch der künstliche In

ermöglichen, wobei der NDVI verlässli

Oberflächen und Vegetation exakter ist.

blaue Bereiche stellen die vitale bis we f

versiegelte Strukturen (Gebäude, Straßen). Der richtige Schwellenwert zur sicheren Erkennung

der Vegetation liegt meist bei ca. > 0.1 u

dex (MeanIR / MeanG) ein Erkennen der Vegetation

cher und in der Unterscheidung zwischen versiegelten

Die Abb. 5-4 zeigt eine Darstellung des NDVI. Grüne bis

niger vitale Vegetation dar, graue Bereiche deuten au

nd wurde anhand der Daten bestimmt.

Abb. 5-4: NDVI (rechts) - Fa

30

rbcodierte Darstellung in der Feauture View (Segmente)



Ide atio

Schattenbereiche kö

Schwellenwert und e

ntifik n von Schatten

nnen über das Feauture He

ine benutzerdefinierte Variable definier

lligkeit, speziell über einen vorher bestimmten

t und identifiziert werden. Besonders

geeignet ist für die Ableitung des Werts der Helligkeit je Pixel durch folgenden Index:

([Mean R] + [Mean G] + [Mean B]) / 3

Abb. 5-5: Identifikation von Schattenbereichen (Bsp. Wasserfläche).

Ein Schwellenwert von < 8000 und damit sehr dunkle Bildbereiche deutet auf Schattenflächen.

Sobel‐Kanten ‐Filter

Die Kantendetektion (edge detection) ist Teil einer Segmentierung von Elementen in der

Bildbearbeitung. Dabei wird versucht flächige Bildbereiche in einem Bild voneinander zu

trennen, wenn sie sich ausreichend in Farb- oder Grauwert, Helligkeit oder Textur

unterscheiden. Spezielle Kantenoperatoren sollen die Übergänge zwischen diesen Bereichen

erkennen und als Kanten markieren.

Der für diese Untersuchung verwendete Filter zur Erkennung von Kanten ist der sogenannte

Sobel-Kantenfilter. Dieser macht Bruchkanten sichtbar und unterstützt damit die Segmentierung

der Gebäude- und Vegetationsstrukturen. Auch Objektinformationen in Schattenbereichen

können mit Hilfe des Filters identifiziert werden. Das so gewonnene Kantenbild fließt neben

RGB, IR, nDOM und den thematischen Vektoren parallel und mit eigener Gewicht g in di

Segmenti

un

erung ein.

e

31



Abb. 5-6: Sobel Kantenfilter (links); Slope (mitte); Aspect (rechts).

Weitere Verwendung finden ggf. in dieser Untersuchung der Slope, sowie der Aspect.

ie Steigung wird als Änderung in der Höhe über eine vorgegebene Strecke ausgedrückt. In

n

auch in Grad berechnet werden. (vgl. ERDAS online help,

in, um Vegetationsstrukturen, aber auch Dachflächentypen

nDOM. Berechnet wird diese Neigung pro Pixel. Das

Slope (Steigung)

D

diesem Fall ist die Dista

in Prozent ausgedrückt, kann aber

2012) Der Slope kann hilfreich se

nz durch die Größe eines Pixels bestimmt. Der Slope wird am häufigste

über ihre scheinbare Beschaffenheit zu unterscheiden.

Aspect (Neigung)

Ein weiterer Wert ist der Aspect. Dieser ermöglicht die Darstellung der Neigung eines DHM

(digitales Höhenmodell), hier eines

Ergebnisbild bildet die Werte in Grad, gemessen im Uhrzeigersinn von Norden ab. Ein Pixelwert

von 361 bedeutet, dass keine Neigung (flach) vorhanden ist. (vgl. ERDAS online help, 2012) Für

eine erweiterte Betrachtung der Gebäude und Dachflächen könnte dieser Wert relevant sein.

32



6. Strategie und Umsetzung

6.1 Datenvorverarbeitung

Das Untersuchungsgebiet mit 15 cm Auflösung in x, y und der geometrischen Ausdehnung von

49.444 x 20.437 Pixel wird in 12 Kacheln von 12.361 x 6.812 Pixel zerlegt (Abb. 6-1).

Dies ist anlässlich der Datenmenge und der damit einhergehenden Rechenintensität und

Rechenzeit zwingend notwendig. Aufgrund der Erstreckung des Gebietes, der hohen Auflösung

und der daraus resultierenden Speicherintensität kann so unter Umständen die Rechenzeit und

die Anfälligkeit gegenüber Datenverlust während des Rechenvorgangs minimiert werden.

Realisiert wird die Kachelung durch das eCognition-Tool Tiling & Stitching und ist speziell auf die

Verarbeitung großer Datensätze ausgelegt. Auf das Zusammenfügen der Einzelkacheln wird

infolge der weiteren Bearbeitung verzichtet und könnte ggf. im Zuge der GIS-Auswertung

geschehen. Die zuvor entwickelte Regelbasis und Klassenhierarchie wird anschließend auf jede

der 12 Kacheln angewandt. Da die Regelbasis auf einem kleineren repräsentativen und damit

leichter handhabbaren Ausschnitt entwickelt und erprobt wird, werden im Zuge dessen ggf. nicht

he Änderungen an der Regelbasis

rgeben sich daher auch während der Verarbeitung der Einzelkacheln.

alle spektralen Erscheinungen berücksichtigt. Unvermeidlic

e

Abb. 6-1: Index – Kacheln 1 bis 12

Radiometrisch wurden die Datensätze nach der TOM-Generierung keiner weiteren Korrektur

unterzogen, der originale multispektrale Umfang blieb somit vollständig erhalten.

Die Originalauflösun

Auflösung könnte ab

g der Datensätze von 15 cm bleibt erhalten. Eine Verringerung der

er die Bearbeitungszeit, u. a. die Dauer der Bildsegmentierung drastisch

reduzieren. Je nach gewünschter Informationstiefe könnte die Reduzierung der Auflösung für

weitere Bearbeitungen berücksichtigt werden. Zudem verursacht eine sehr hohe Auflösung oft

die Erfassung von nicht gewünschten Oberflächenstrukturen und verfälscht Objektkanten. Diese

könnten durch Filter und der damit erreichten Glättung der Bilddaten reduziert werden.

33



34

6.2 Durchführung

Vorgehensweise

Objekt-/ Segmentbasierte Klassifika

E klung einer Regelbasis zur Tr

tion (in Trimble eCognition)

chritt 1 besteht aus der Erfassung der Gebäude unter Einbeziehung der ALK, Schritt 2 gilt der

Erfassung der Vegetation. Diese Teilprozesse bestehen wiederum aus einem zweistufigen

Verfahren innerhalb des Verarbeitungsprozesses. Zunächst findet im ersten Verfahrensschritt

die Segmentierung der Eingangsdaten statt. Dabei werden, wie im Kapitel zuvor beschrieben,

die Pixel mit ähnlichen oder gleichen Eigenschaften zu Segmenten zusammengefasst. Dies

erfolgt solange, bis das Ergebnis zufriedenstellend ist und ggf. bereits Objekte, wie Dachflächen

oder Grünstrukturen sinnvoll repräsentiert werden. Dieser Verfahrensschritt wird durch die

benutzerspezifischen Parameter beeinflusst.

unterschiedlichen Gewichtungen, die Kanäle

ntwic ennung einzelner Objektklassen (Klassenhierarchie)

o Bestimmung von Schwellenwerten über:

spektrale Eigenschaften (Verwendung von Indizes z.B. des NDVI)

Form, Flächen, Höhen (nDOM)

Texturmerkmale, künstliche Kanäle (Edge, Slope, Aspect)

Nachbarschaften (z. B. Brücke/ Gewässer)

Thematische Layer (ALK)

Zuordnung der Ergebnis-Segmente zu vordefinierten Klassen

Bereinigung der Objekte

Export als Shape zzgl. der Attribute Höhe und der Objektschlüssel für die GIS-Integration

GIS-Import, Bereinigung über „Area“ und ggf. Glättung der Geometrien (Gebäude)

Die Objektextraktion wird in zwei unabhängig voneinander durchgeführte Teilprozesse zerlegt.

Begründet ist dies durch die unterschiedliche Herangehensweise und Zielstellung bei der

Klassifizierung von Vegetation und Bebauung.

S

In die einleitende Segmentierung fließen, mit

Rot, Grün und Blau (RGB), das nahe Infrarot

(IR), das normierte Oberflächenmodell (nDOM)

und auch ein Kantenfilterbild (sowie Aspect und

Slope) ein. Darüber hinaus werden für die

Abgrenzung der Gebäude bereits in diesem Schritt die ALK (Vektordatensatz) und die

Geometrien der statistischen Blöcke integriert. Des Weiteren erhalten die Geometrien

Sachdaten (Objektschlüssel), welche insbesondere beim abschließenden Vektordatenexport als

integriertes Attribut berücksichtigt werden.



Die exportierten Geometrien erh

M) als direk

ächen mit eine

35

alten zusätzlich zu den Objektschlüsseln aus der ALK das

ten Nachweis der Höhe und das Attribut Area u. a. um

r zu kleinen Ausdehnung zu identifizieren und der endgültigen

den zuvor definierten Objektklassen

ielzahl

orärer Klassen für die einzelnen

rden möglichst

Auffälligkeiten aus den Daten

separiert, um diese gesondert zu betrachten

rzuverarbeiten.

Attribut mean(nDO

überzählige oder Fl

Geb ud

ä emenge zu entnehmen.

Neben

wird während der Umsetzung eine V

temp

Zwischenschritte erstellt. So we

alle relevanten

und individuell weite

Abb. 6-2: Klassensystematik Gebäude/ Vegetation



6.3 Teilprozess Gebäude (ALK)

Begonnen wird der

Prozess mit einer Top-

Um den Prozess der Klassifizierung des Gebäudebesta

bestehenden ALK (ROI) zu beschränken wird die Eingang

Polygonen der ALK mit einem einfachen Chessboard Segmentierungs Algorithmus und einer

hohen Objektgröße (square-size) durchgeführt. So wird sichergestellt, dass die Startmenge aus

ALK-Polygonen besteht und der Bereich der nachfolgenden Segmentierungsschritte räumlich

eingegrenzt wird. Positiver Effekt, die Rechenzeit vermindert sich.

down-Strategie.

Fortgesetzt wird auf der

Pixelebene mit einer

hierfür üblichen bottom-

up-Strategie.

nds zunächst auf den Bereich der

ssegmentierung, basierend auf den

Abb. 6-3: Unterirdische Gebäude und Gebäudeteile (ALK).

Abb. 6-4: “Doppelte“ ALK- Polygone Abb. 6-5: Gebäude (ALK) unter Baumkronen.

Unterirdische ALK-Gebäude und doppelte Polygone werden im Zuge der Vorverarbeitung aus

dem thematischen Daten anhand ihrer Objektschlüssel entnommen.

36



Abb. 6-6: Blick Richtung Süd-Osten, Elsenbrücke und dem Bürokomplex des Treptowers

Um Gebäude mit starken Höhendifferenzen zu identifizieren kommt die Standardabweichung

zum Einsatz. Diese ist sinnvoll, da Gebäude in der ALK häufig nicht differenziert genug

dargestellt werden. Höhensprünge und deutliche Abweichungen werden oft nicht berücksichtigt.

Der Gebäudekomplex rund um den „Treptower“ (Abb. 6-6 bis 6-8) besteht aus einem flacheren

Gebäudeteil mit einer Höhe < 40m und dem eigentlichen Büroturm mit ca. 120m. In der ALK

wird dies durch ein einziges Gebäudepolygon dargestellt. Das Ergebnis ist in Abbildung 6-11 im

direkten Vergleich zur ALK abgebildet.

Um solche Gebäude vor Beginn der eigentlichen Segmentierung zu identifizieren und ggf.

gesondert zu betrachten, wird eine temporäre Klasse Gebäude Stdw >100 erzeugt, deren

Klassifikationsmenge im späteren Prozess wieder in die Verarbeitung fließt.

Abb. 6-7: Gebäude mit wenig Differenzierung in der ALK (blau).

Abb. 6-8: Gebäude an der „MediaSpree“ mit T m , spezielle Dachform.

Region of Interest (ALK) erfolgt nun die weitere, feinere Segmentierung (bottom-

ür en

Auf Basis der

up), die mit immer wieder angepassten Parametern solange fortgesetzt wird, bis die

gewünschten Objekte als jeweils ein Zielsegment erfasst sind.

37



Segmentierung und Klassifizierung

Abb. 6-9: Segmentierung Scale Parameter 25 (links); 100 (rechts), Basis-Geometrie ALK.

Das primäre Ziel dieser Studie ist die Ableitung der Gebäudehöhen. Die erzeugten

Gebäudeumrisse basieren diesbezüglich auf der ALK. Eine Differenzierung in Gebäudeteile

unterschiedlicher Höhen wird, wie beschrieben, darüber hinaus bedacht. Dachneigung und

Dachformen werden i. d. R. nicht berücksichtigt. Wobei besondere Ausgestaltungen vereinzelt

(Beispiel: Tempodrom in Kreuzberg), manuell ergänzt werden.

Die Gebäudehöhe wird pro erfassten Gebäudeteil gemittelt ausgegeben. In Einzelfällen stellt die

Höhe „mean[nDOM]“ die absolute Höhe eines Gebäudes dar. Eine absolute Höhe ist aufgrund

der vielen Einflussfaktoren nur bei optimal gestalteten Gebäuden mit einem Flachdach und ohne

Aufbauten (z.B. Klimatechnik, Aufzugbauten etc.) möglich. Für Gebäude mit einem typischen

Berliner Dach, einem Satteldach oder einem der unzähligen Sonderformen wird versucht pro zu

separierendem Gebäude- bzw. Dachteil eine gemittelte Höhe auszugeben.

Schwierigkeiten entstehen in zum Teil verschatteten Bereichen, u. a. bei Dach- und

Gebäudebereichen, die durch höhere Dachaufbauten oder benachbarte Objekte entstehen.

Auch durch Grün verdeckte Gebäude (Abb. 6-5) können nicht erfasst und deren Höhe ermittelt

werden. Diese Gebäude fallen in die Klasse „Gebäude keine Höhe“.

Gebäude oder Gebäudeteile mit einer Höhe

von über 40m, 50m und 100 Meter sind im

ungsgebiet nur vereinzelt vorhanden.

nsortierte).

Untersuch

Abb. 6-10: Klassen Gebäude (ALK) je

Höhenintervall (u

38



Abb. 6-11: Ergebnis (Treptower) - ALK-Umrisse (links) zzgl. der Segmentierung (rechts)

ereinigung der Gebäudesegmente

er abgehenden Grate.

über einen solchen

B

Die schematische Abbildung 6-12 zeigt ein Walmdach bei welchem die Dachsegmente im

Wesentlichen durch die vorherrschenden Lichteinflüsse abgegrenzt werden, insbesondere durch

die spektrale Differenz von Sonnen- und Schattenseite. Das zuvor erstellte Kantenbild (Sobel-

Filter) verstärkt die Detektion des hier sehr kurzen Firstes und d

Neben der nicht sauberen Erfassung der Dachkanten, begründet durch die spektralen Einflüsse

z. B. kleinste Schattenwürfe entlang von Bruchkanten, werden auch Dachfenster, Schornsteine

und sogar durch andersfarbige Dachziegel sehr kleine Segmente abgebildet. Diese störenden

Segmente werden wiederum über einen Schwellenwert eliminiert (bspw. Remove Objects -

Number of Pixels <= 100). Das gilt zugleich für schmale Segmente, die durch besagten

Schattenwurf entlang von Kanten zu finden sind. Sie werden ebenfalls

Zwischenschritt, über das Verhältnis von Segmentbreite zu Segmnentlänge identifiziert und

entfernt.

Abb. 6-12: Beispiel einer Segmentkorrektur, Walmda

ch auf ALK.

39



Ergebnis – Gebäude

Abb. 6-13:Ergebnis Gebäude – Finale Segmente umgesetzt in der Klassensystematik

Der Gebäudebestand besteht typischerweise überwiegend aus Gebäuden mit einer absoluten

Höhe größer 12 m und insbesondere den Altbauten mit einer Traufhöhe von 22 m. Die Berliner

Traufhöhe entspricht bei einem Gebäude aus der Gründerzeit 5 Vollgeschossen. Bei einem

Neubau z.B. in Montagebauweise mit niedriger Geschosshöhe sind dies meist 6 Vollgeschosse.

Abb. 6-14: Vollgeschosse (ALK) und absolute

ebäudetyp.

Quelle: SenStadt. Abt. I

Höhe je G

40



41

6.4 Teilpro

Da für die Vegetation se

zess: Vegetation

hr viel kleinere Strukturen zu erfassen sind, kommt eine sehr viel feinere

Segmentierung (Scale Parameter 15 bis 20) zum Einsatz. Neben äußerst differenzierten

Baumstrukturen wird so vor allem niedriger Bewuchs berücksichtigt. Es kann verhindert werden,

dass durch das Verschmelzen (merge) benachbarter, ähnlich erscheinender Pixel feinere,

kleinflächige Strukturen verschluckt werden (siehe Abb. S. 42).

Die Segmentierung der Vegetation erwartet demnach ein feiner skaliertes Ergebnis der

Geometrien. Anders als dies bei Gebäuden der Fall ist, ist die Struktur der Vegetation - bis auf

sehr flache Vegetationsklassen (Rasen) – sehr inhomogen und eine absolute Höhe nicht genau

feststellbar. Daher sollten feinere Strukturen erhalten bleiben.

Diese feine Segmentierung hat aber auch zur Folge, dass neben der arbeitspeicherintensiven

Verarbeitung das abschließende Ergebnis – bestehend aus zahlreichen sehr kleinen Segmenten

– auch durch die Attributierung (Zuordnung der Höhe) sehr viel mehr Speicherkapazität benötigt.

Des Weiteren müssen die nachfolgende Bearbeitung und das eigentliche Ziel, das Klimamodell

auf diese Datenmenge ausgelegt sein. Ggf. müssen die Ergebnisse wiederum zu größeren

Objekten im Zuge der Modellierung aggregiert werden. Begründet durch die eingangs erwähnte

Skalierung des Klimamodells auf 10 x 10m findet dieser Vorgang u. U. in jedem Fall statt.

Abb. 6-15: Segmente der Klassen Vegetation Scale Pa meter 20 (mitte) und 50 (rechts) ra



42

Ergebnis – Vegetation

Ein niedriger Scale Parameter, hier 20 (Abb. 6-16, links) bewirkt

eine sehr viel detaillierter ausgeführte Segmentierung und bringt

kleinere Segmente hervor. Die Objektstrukturen sind detaillierter

und die Höhenwiedergabe feingliedriger. Es ist ebenfalls zu

erkennen, dass angrenzende Klassen, durch das Verschmelzen der

lzen

Segmente, der nächstangrenzenden Klasse zugeordnet werden.

Strukturen innerhalb einer Klasse bleiben durch einen erhöhten

Scale Parameter, hier 50 (Abb. 6-16, rechts) allerdings bei diesem

Maßstabssprung erhalten. Dabei findet lediglich ein Verschme

der Segmente innerhalb einer Objektklasse statt.

Abb. 6-16: Vegetation Scale Parameter 20 (links) und 50 (rechts) - Detailansicht

Straßenbäume

Es gibt vereinzelt sehr schmale, vermutlich sehr junge Straßenbäume, denen aus dem nDOM

keine Höhe zugeordnet werden kann. (siehe Abb. 6-17 und 6-19) Diese werden fälschlich als

Vegetation ohne Höhe klassifiziert, gehören richtigerweise aber in eine der Baumkategorien.

Eine neuerliche Zuordnung könnte über die Charakteristik der Ausdehnung und der

Nachbarschaftsbeziehungen stattfinden. Die Problematik der fehlenden Höhe könnte darüber

aber nicht bereinigt werden. Für eine stadtweite Erfassung des Stadtgrüns müsste die

ung ausgelegt,

generiert werden.

Erzeugung des nDOM noch sehr viel präziser, speziell auf die Vegetationserfass



Abb. 6-17: Klassifikationsergebnis „Baum“ überlagert m

43

it Straßenbäumen der ALK.

Auch Schattenbereiche, besonders in engen

Straßenzügen ergeben Schwierigkeiten bei

der Erfassung und vor allem der Höhenbe-

stimmung. Dies ist u. a. in der Beschaffenheit

des normierten DOM begründet.

Abb. 6-18: Klassen Vegetation je Höhenintervall

(unsortierte Darstellung).

Abb. 6-19: Klassifikationsergebnis „Baum“ überlagert mit Straßenbäumen der ALK.



GIS‐Export

Zur Weiterverarbeitung der Klassifikationsergebnisse werden die Geometrien der Vegetation

und Gebäudesegmente als geschlossene Polygone ins Shape-Format (*.shp) exportiert.

Export Type: Shape file

Content type: Polygon smoothed

Format: Shapefile (*.shp)

Level: ROI_veg

Export File Name:

Kachel6_gr250cm_mittelhohe_Vgt

Neben der Klasse und den dazugehörigen Polygonen werden auch Features und auch

verknüpfte Attribute aus den thematischen Daten (ALK, ISU Blockdaten) z. B. die OSKA-

Schlüssel in die dazugehörige Database (DBF) integriert (Abb. 6-20).

In den Export wird als Attribut die durchschnittliche Höhe des nDOM pro Segment

(mean[nDOM]) und im Fall der Gebäude auch d s

ermöglicht die Bereinigung von Fehlsegmentierungen – Segmente, die etwa nur aus einem Pixel

estehen werden während der GIS-Verarbeitung eliminiert.

Abb. 6-20: Feature-Export (Attribut).

ie Fläche pro Segment (Area) integriert. Die

b

44



45

Verarbeitung im Quantum‐GIS

Die Attribute der Shape-Dateien werden um die Spalte „Klasse“ erweitert (Abb.6-21).

Abb. 6-21: DataBase (QGIS) mit Attributen der Gebäude

Die Höhen im normierten Oberflächenmodell werden in D ben. Das nDOM

verfügt über eine Auflösung in z von 10 cm. Die unzähligen n sind im Zuge

der Klassifikation entstanden und müssen in der DBF und in der Umsetzung der Höhen

demnach nicht weiter berücksichtigt werden.

ezimeter angege

Nachkommastelle

Abb. 6-22: Kartendarstellung der Kachel 01



46

7. Ergebnis

Bei der Genauigkeitsbetrachtung wird auf ein für die objektbasierte Klassifikation übliches

Accuracy Assessment und eine Error-Matrix verzichtet. Die Eindeutigkeit der Gebäudeerfassung

wird durch die Einbeziehung der ALK als amtliche Referenz gewährleistet. Schwierigkeiten

ergaben sich lediglich im Bereich großer Baustellen, wie am Bahnhof Ostkreuz. In der ALK

t mehr vorhanden. Diese wurden demnach

er Kategorie Gebäude_keine Höhe zugeordnet. Auch Gebäude, die sich noch im Bau befanden

ng des nDOM. Auffällig ist das nicht durchgängig

orhandensein von Baumhöhen. Des Weiteren wurden Straßenbäume detektiert, die noch nicht

in der ALK erfasst sind. Schwierigkeiten ergaben sich zudem in verschatteten Bereichen entlang

von Gebäudezügen, die wiederum auf das nDOM zurückzuführen ist.

verzeichnete, kleinere Gebäude waren zum Teil nich

d

wurden nicht berücksichtigt.

Die Genauigkeit des erfassten Grün- und Baumbestandes wird visuell über eine Stichprobe

gewonnen. Verglichen wurde die Klassifikation der detektierten Bäume mit den Polygonen der

Straßenbäume aus der ALK unter Betrachtu

V

Abb. 7-1: Zusammenschau des Ergebnisses

Insgesamt als sehr auffällig zeigt sich die Fülle an Grünflächen und hohem bis sehr hohem

Baumbestand in der Berliner Innenstadt, was sich im Vergleich der einzelnen Kacheln

zueinander aber sehr unterschiedlich darstellt. In Kachel 1 (im Bereich „Großer Tiergarten“) ist

aufgrund des Stadtparks sehr viel Grün vorhanden, der übrige Bereich verfügt vermutlich wegen

Baum- und Grünflächenbestand (s. Abb. 6-22). Kachel

11 dagegen, im Süden des Untersuchungsgebiets, verfügt im direkten Umfeld der Wohn- und

Geschäftsbebauung vergleichsweise über einen sehr viel höheren Grünflächen- und

Baumbestand (Abb. 7-2).

der dichten Bebauung, über sehr wenig


otion von C. Brüßhaber (DLR e.V.); SenStadtUm Berlin, Abt. III

47

Pilotstudie im Rahmen der Prom

Abb. 7-2: Kartendarstellung der Kachel 11

8. Fazit

Die objektbasierte Klassifikation in Kombination mit den hochaufgelösten Luftbilddaten der

UltraCamX und dem abgeleiteten normierten Oberflächenmodell bilden ein geeignetes

Werkzeug zur Erfassung von Vegetations- und Höheninformationen.

Die verwendete Datenbasis, bestehend aus digitalen, multispektralen Luftbilddaten (zzgl. des

matisierten Liegenschaftskarte von Berlin

nd den abgeleiteten, künstlichen Kanälen und Indizes bildet im Zusammenspiel mit der

sichtigt werden können.

DOM und nDOM), den amtlichen Geometrien der Auto

u

gewählten Methodik die Grundlage einer gezielten Bestandsaufnahme des Stadtgrüns und der

Objekthöhen von Berlin.

Für eine stadtweite Erfassung sollte ggf. die gewünschte Detailtiefe der zu erfassenden Objekte

berücksichtigt und dem eigentlichen Verwendungszweck, der Klimamodellierung entsprechend

angepasst werden. Ebenso denkbar ist die Reduzierung der Auflösung, um die Performanz der

verwendeten Software zu steigern und die durchgeführte Segmentierung zu beschleunigen.

Das nDOM müsste soweit angepasst werden, dass kleinere Vegetationsstrukturen auch in

Schattenbereichen berück



QUELLEN

Baatz, M. et al. (2000) Multiresolution Segmentation: an optimization approach for high quality

multi-scale image segmentation, Proc. AGIT-Symposium, S. 12-23.

Blaschke, T. (2000): Objektextraktion und regelbasierte Klassifikation von

Fernerkundungsdaten: Neue Möglichkeiten für GIS-Anwender und Planer. Schrenk, M. (Ed.),

CORP’ 2000, Computergestützte Raumplanung, Wien, Vol. 1, S. 153-162.

Bruse, M. (2001): Anwendung von mikroskaligen Simulationsmodellen in der Stadtplanung.

Geographisches Institut, AG Klimaforschung, Ruhr-Universität Bochum.

Brüßhaber, C. et al. (2010) Possibilities and constraints in the use of very high spatial resolution

UltraCamX airborne imagery and Digital Surface Models for classification in densely built-up

areas – a case study Berlin. In: Remote Sensing f. Environmtl. Monitoring, GIS Applications, and

Geololgy X, 7831. SPIE, 2010, Toulouse.

Fehrenbach, U.; Scherer, D. Parlow E. (2001): Automated classification of planning objectives

for the consideration of climate and air quality in urban and regional planning for the example o

ospheric Environment 35, S. 5605–5615.

007), UltraCamX, the new Digital Aerial Camera System by Microsoft

y, Fritsch D. (Ed.) Photogrammetric Week ’07, S. 137-145.

Stereo Vision in Structured Environment by Consistent Semi-Global

ng,

f

the ion of Ba

Gruber, M. (2

Photogrammetr

reg sel/Switzerland. In: Atm

Hildebrandt, G. (1996): Fernerkundung und Luftbildmessung, Wichmann Verlag, Heidelberg.

Hirschmüller, H., (2005): Accurate and Efficient Stereo Processing by Semi-Global Matching and

Mutual Information. In Pro. of the IEEE International Conference on Computer Vision and

Pattern Recognition (CVPR 2005), San Diego, CA, USA, S. 807-814, 20-25.

Hirschmüller, H., (2006):

Matching. In Proc. of the IEEE, International Conference on Computer Vision and Pattern

Recognition (CVPR 2006), New York, NY, USA.

Hirschmüller, H. et al. (2010): Evaluation of Digital Surface Models by Semi-Global-Matchi

DGPF Tagungsband 19/2010, Dreiländertagung OVG, DGPF and SGPF, 571-580

48



49

Junk, J. et al. (

Biometeorology

2003): Urban climate and air quality in Trier Germany. In: International Journal of

, 47 (4), S. 230–238.

ionen aus Photographien

nd Laseraufnahmen. 7. Aufl. de Gruyter Lehrbuch, Walter de Gruyter Berlin, New York.

BW München.

04.

tbildkamera – Einführung und Grundlagen. 1. Aufl.

erbert Wichmann Verlag, Hüthig GmbH & Co. KG, Heidelberg, S. 5.

Kraus, K. (2004): Photogrammetrie Band 1 – Geometrische Informat

u

Leukert, K. (2005): Übertragbarkeit der objektbasierten Analyse bei der Gewinnung von GIS-

Daten aus Satellitenbildern mittlerer Auflösung, Dissertation Universität der

Mayer, S., (2004): Automatisierte Objekterkennung zur Interpretation hochauflösender Bilddaten

in der Erdfernerkundung, Dissertation, Humboldt-Universität zu Berlin, 20

Offerle, B. et al. (2007): Surface heating in relation to air temperature, wind and turbulence in an

urban street canyon. In: Boundary-Layer Meteorol 122 (2), S. 273–292.

Sandau, R. (Hrsg.), (2005): Digitale Luf

H

Schrerr, O., (2005): Stereoanalyse und Bildanalyse, Springer Verlag Berlin Heidelberg, S. 65-78.

Documents

(Promovendin HU Berlin) - stadtentwicklung.berlin.de · (Promovendin HU Berlin) ... In den Schwerpunkten Luftfahrt, Weltraum, Energie, Verkehr und Sicherheit arbeiten insgesamt rund