Wissensbasierte, semantische Klassifikation von Landformen

In diesem weiterführenden Projekt soll als übergeordnetes Ziel eine Methodik entwickelt werden, die eine bessere Integration von Semantik im Hinblick auf die hierarchische Modellierung von Landformen erlaubt. Der gewählte Ansatz basiert sehr stark auf den geleisteten Vorarbeiten im Projekt SCALA (Skalen und Hierarchien in der Klassifikation von Landformen), vor allem auf die multiskalare Analyse von digitalen Oberflächenmustern und die Erkennung von charakteristischen Mustern in einer objektbasierten Umgebung. Digitale Oberflächenmuster werden durch Bildsegmentierung erzeugt und setzen sich aus einzelnen Segmenten zusammen. Für die automatisierte Klassifikation/Extraktion von Objekten wie zum Beispiel Landformen ist es in der objektbasierten Bildanalyse erforderlich, die digital generierten Bildsegmente mit Konzeptionen von realen Objekten abzugleichen. Dazu werden Modelle herangezogen, die die Bedeutung und das vorhandene Wissen über reale Objekte in strukturierter Weise darstellen. Die wesentlichen Ziele der vorgeschlagenen Arbeit sind folgende: 1. Die Formalisierung des vorhandenen Wissens über Morphologie, Morphometrie und kontextuelle Einbettung von glazialen Landformen unter Anwendung der semantischen Modellierung; 2. Der Abgleich des semantischen Landform-Modells mit signifikanten Oberflächenmustern sowie mit geeigneten Objekt- und Mustereigenschaften, sodass die Entwicklung von übertragbaren Klassifikationsregeln für die Modellierung von glazialen Landformen gewährleistet wird; 3. Die Untersuchung von Möglichkeiten für die Bewertung der Stabilität und Übertragbarkeit der abgeleiteten Landform-Klassen unter Berücksichtigung der räumlichen Auflösung sowie im Hinblick auf die Wahl des Untersuchungsgebietes. Das vorgeschlagene System wird die Objektivität und Übertragbarkeit von objektbasierten Landform- Klassifikationen deutlich erhöhen. Im weitesten Sinne sollen die erzielten Ergebnisse die wissenschaftliche Grundlage für die semantische Klassifikation/Extraktion von jeglicher Art von Objekten bilden, die aus multidimensionalen und multiskalaren Rastermodellen (z.B. ein digitales Geländemodell) mit Hilfe der objektbasierten Bildanalyse abgeleitet werden können.

Im Projekt KnowLand wurde ein halbautomatischer Ansatz entwickelt, der die computergestützte räumliche Abgrenzung (Kartierung) von Landformen (z.B. glaziale Kare, Rundhöcker, etc.) in digitalen Geländemodellen (DGMs) standardisiert. Bisher waren digitale Kartierungen von Landformen mehr oder weniger stark vom individuellen Wissensstand und Vorlieben geprägt. Die Folge war, dass die Genauigkeit und Anzahl der erkannten Landformen in ein und demselben DGM je nach Person variierte. Der neu entwickelte Ansatz begegnet dieser Problematik von zwei Seiten: Einerseits werden automatisierte Verfahren verwendet, um aussagekräftige Maßstabsebenen eines DGMs zu extrahieren. Andererseits werden Methoden integriert, die das allgemeine Verständnis (Wissen) über bestimmte Typen von Landformen explizit in Form strukturierter Modelle erfassen und für potentielle Nutzer speichern. Das allgemeine Verständnis über Landformen kann qualitative Aussagen wie zum Beispiel hoch, Vertiefung, unterhalb eines Bergkammes usw. beinhalten. Für die digitale Kartierung müssen diese qualitativen Informationen in eine computerverständliche Sprache übersetzt werden. Meist geht es dabei darum, numerische Schwellwerte festzulegen. Zum Beispiel kann die Information hoch in computergestützten Programmen mit > 2000 m quantifiziert werden. Die Summe dieser Übersetzungen ergibt ein Kartierungssystem, dass möglichst objektiv ist und daher universell, d. h. unabhängig vom DGM und der Person, eingesetzt werden kann. Die durch Tests belegte Objektivität der digitalen Kartierung ergibt sich aus der Integration von Wissensmodellen, die das Standardwissen über Landformen beinhalten und aus denen das Kartierungssystem abgeleitet wird, und aus der Integration von repräsentativen DGM Maßstabsebenen auf die das abgeleitete Kartierungssystem schlussendlich angewandt wird. Der entwickelte Ansatz hat das Potential, ein Standard für die computergestützte Kartierung von Landformen in DGMs zu werden. Es ist naheliegend, den Ansatz überall dort anzuwenden, wo es darum geht, flächige Objekte in digitalen Aufnahmen (z. B. Luft- und Satellitenbilder, medizinische Bilder) möglichst automatisiert und vor allem objektiv abzuleiten. Diese Objekte können Gehirnareale sein, aber auch Habitate oder Ölteppiche.