Umweltatlas Berlin 06.10 Gebäude- und Vegetationshöhen (Ausgabe 2012)

Methode

Vorgehensweise

Das Verfahren der Bestimmung der Gebäude- und Vegetationshöhen folgt einem aufwändigen Arbeitsablauf, der an dieser Stelle nur im Überblick dargestellt werden kann. Für detallierte Hinweise wird auf den Projektbericht, Fachliteratur, etwa Brüßhaber, C. et al. 2010, oder entsprechende Websites, z.B. des DLR verwiesen.

Abbildung 3 verdeutlicht den grundsätzlichen Ablauf des Vorgehens, der nachfolgend in seinen wichtigsten Abschnitten erläutert wird.

Digitale Luftbilddaten und photogrammetrische Prozessierung

Zur Bildaufnahme wurde eine digitale Luftbildkamera der Marke Vexcel UltracamX eingesetzt. Grundprinzip dieser Kameras ist die Aufteilung in zwei Klassen mit jeweils mehreren Objektiven, wobei die eine Klasse die panchromatischen, die andere über einen CCD-Sensor, in diesem Fall mit 14.430 x 9.420 Pixelauflösung, die Farbbilder in den Kanälen Rot, Grün, Blau und Infrarot liefert.
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. Die einzelnen Bildausschnitte überlappen sich um etwa 60%, dieser Überlappungsbereich dient der späteren Zusammensetzung des Gesamtmosaikes sowie der Generierung eines Oberflächenmodells der überflogenen Geländebereiche. Das GPS und INS erreicht die hochgenaue Orientierung der Bilddaten.

Über weitere Prozessierungsschritte, insbesondere die Korrektur des Versatzes der aufgenommenen Einzelbilder als Voraussetzung zur Erzeugung des Digitalen Oberflächenmodells DOM sowie die Lagekorrektur erhöhter Objekte zur Erzeugung der True-Orthobilder, werden die Grundlagen für das spätere Messen realer Entfernungen, Flächen und der exakten Position von Kanten geschaffen (vgl. Abbildung 4)

Gewinnung des Normierten Digitalen Oberflächenmodells

Bei der Gewinnung des Oberflächenmodells kommt ein Algorithmus zum Tragen (SGM – Semi-Global Matching), der ursprünglich am Deutschen Luft- und Raumfahrtzentrum DLR, Institut für Robotik und Mechatronik von Hirschmüller 2005 entwickelt wurde und fortwährend optimiert wird (vgl. auch Hirschmüller 2010). In einem DOM wird jedem Bildpixel die Höhe über dem definierten Geoid (in guter Näherung gleichzusetzen mit dem mittleren Meeresspiegel) mit Hilfe eines Grauwerts zugeordnet. Zur Ableitung exakter Objekthöhen wird das nDOM (auf die Grundhöhe NULL normiert) berechnet.

Da die Geländehöhe in Berlin trotz vergleichsweise geringer Topographieunterschiede (~35m bis zu ~100m ü NN) nicht konstant ist, 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.
Das normierte Digitale Oberflächenmodell (nDOM) ergibt sich aus der Differenz eines Digitalen Oberflächenmodells (DOM) mit einem Digitalen Geländemodell (DGM).

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. Es erlaubt die Unterscheidung von Straßen, erhöhter Vegetation und der Bebauung und liefert die exakte Höheninformation (vgl. Abbildung 5).

Objekt- und Merkmalserkennung

Bei der objektbasierten Merkmalserkennung werden Segmente anstelle von einzelnen Pixeln zur Klassifikation verwendet. vgl. Abbildung 6). Diese Segmente bilden die Basis für die spätere Klassifikation und werden durch die eingangs stattfindende Segmentierung des gesamten Bildes erzeugt. Je genauer diese Segmente die gewünschten Objekte repräsentieren, desto erfolgreicher ist die eigentliche Zuordnung in die zuvor definierten Objektklassen und die Abgrenzung der Objekte. Ausgedrückt werden die einzelnen Stadien der Segmentierung in Abstraktions- bzw. Maßstabsebenen, den sogenannten Levels (Multilevel-Segmentierung).

Innerhalb der Stadien der Segmentierung werden die Bildelemente nach bestimmten Einheitsprädikaten (Homogenitätskriterien) zu Segmenten gruppiert. Dieser Verfahrensschritt wird im Ergebnis durch die benutzerdefinierten Segmentierungsparameter gesteuert.
An einem vereinfachten Beispiel in Abbildung 7 sollen diese unterschiedlichen Level der Segmentierung veranschaulicht werden, die in einem immer wieder anzupassenden Prozess durchlaufen werden. Die Abbildung ist in ihren Ausschnitten von links nach rechts und von oben nach unten zu lesen:

1. Erstellung der Gebäudemaske, entsprechend grobe Segmentierung auf dieser Stufe. Das Ziel (auch ausgedrückt als Region of Interest ROI) ist die Detektion der Gebäudeumrisse unter Einbeziehung der Liegenschaftskarte ALK (Ziel: ROI = ALK)
2. Auf Level "ROI_ALK" erfolgt eine feine Segmentierung durch Eingabe kleiner Parameter zur ersten Erfassung der verschiedenen Objektelemente. Gebäudetyp (Ziel: Level 01_ROI)
3. Auf Level "01_ROI" Eingabe gröberer Segmentierungsparameter, so dass eine Zusammenfassung von Elementen ähnlicher Eigenschaften erfolgen kann (Ziel: Level 02_ROI)
4. Auf Level "02_ROI" weitere Segmentierung auf Basis spektraler Eigenschaften, wodurch Objekte mit sehr ähnlichen Eigenschaften zu einem Bildobjekt aggregiert werden können (Ziel: Level 03_ROI)
5. Auf Level "03_ROI" weitere Segmentierung auf Basis spektraler Eigenschaften, diesmal mit hohem Schwellenwert und erhöhter Aggregation. Eindeutig abzugrenzende Klassen werden zu abschließenden Segmenten zusammengefasst.

Klassifizierung

Auf der Basis einer zu Beginn der Arbeiten abgestimmten Klassifizierungssystematik mit einer Klassentiefe von 8 Klassen pro Objektart Gebäude bzw. Vegetation fand anschließend die Zuordnung der Objektklassen statt. Da insbesondere bei den Vegetationsstrukturen in der Regel keine klaren Übergänge bestehen, sondern seichte Übergänge, ist diesem Arbeitsschritt eine große Aufmerksamkeit zu widmen. Ein hohes Wissen über die Bilddaten und deren Eigenschaften erleichtern die Ableitung der notwendigen Wissensbasis in Form von Regelsätze und Abhängigkeiten.

Vegetation

Die Differenzierung in die Objekte Gebäude bzw. Vegetation wurde über die Bestimmung des NDVI (Normalized Differenced Vegetation Index) des Infrarotkanals realisiert. Die Abbildung 8 zeigt eine Darstellung des NDVI. Grüne bis blaue Bereiche stellen die vitale bis weniger vitale Vegetation dar, graue Bereiche deuten auf versiegelte Strukturen (Gebäude, Straßen) hin. Der richtige Schwellenwert zur sicheren Erkennung der Vegetation liegt meist bei ca. >0,1 und wurde anhand der Daten bestimmt.

Datenverarbeitung

Für die Verarbeitung wurde das Untersuchungsgebiet in 12 Kacheln von je 12.361 * 6.812 Pixel zerlegt. Diese Aufteilung war aufgrund der enormen Datenmenge und der für den Verarbeitungsprozess vorzuhaltenden Rechenkapazität zwingend notwendig. Im Zuge der Weiterverarbeitung wurden alle Kacheln dann zusammengefügt.
Die eigentliche Verarbeitung der Daten wurde für die beiden Objektklassen Gebäude und Vegetation aufgrund der unterschiedlichen Herangehensweise und Zielstellung getrennt durchgeführt.
Für weitere Details des Verarbeitungsprozesses wird auf den Projektbericht verwiesen.

An dieser Stelle sei nur auf einige Besonderheiten und Schwierigkeiten im Zuge des Bearbeitungsprozesses hingewiesen:

• In Einzelfällen, z.B. bei markanten Gebäuden mit starken Höhendifferenzen wie der Treptower ist die Erfassung und Darstellung in der Automatisierten Liegenschaftskarte ALK nicht detailliert genug, so dass diese durch Hinzuziehung der statistischen Größe der Standardabweichung gesondert behandelt werden müssen.
• Schwierigkeiten bestehen weiterhin bei Gebäuden, die entweder komplett, z.B. durch Bäume, oder in Teilen durch benachbarte Objekte verdeckt werden.
• Die Inhomogenität der Vegetationsstrukturen erforderte eine sehr arbeitsspeicherintensive und zeitaufwändige Verarbeitung. Die drückt sich bereits in der weit auseinander liegenden Anzahl der bearbeiteten Flächen aus: Gebäudeflächen rund 27.700 gegenüber etwa 4,65 Millionen Vegetationsflächen.
• Es gibt vereinzelt sehr schmale, vermutlich sehr junge Straßenbäume, denen aus dem nDOM keine Höhe zugeordnet werden konnte. Diese wurden fälschlich als Vegetation ohne Höhe klassifiziert, gehören richtigerweise aber in eine der Baumkategorien. Um diese Fehler abzustellen, müsste das Oberflächenmodell noch sehr viel präziser auf die Bedürfnisse der Vegetationserfassung ausgelegt werden.

Datenanzeige

Die Datenanzeige im FIS-Broker umfasst folgende Informationen zum ausgewählten Gebäude(teil) bzw. der jeweiligen Vegetationsfläche:

• Objekt Gebäude:
  • Object-ID
  • mittlere Höhe des Gebäude(teil)s in m
  • Klassenzuordnung entsprechend Kartendarstellung
  • Zuordnung zu einem Block(teil) der ISU5 (2010) Umweltatlas
  • Zuordnung zum Gebäudeschlüssel der ALK
  • Nutzung nach Objektschlüsselkatalog der ALK
  • Flächengröße in m²
• Objekt Vegetation:
  • Object-ID
  • mittlere Vegetationshöhe in m
  • Klassenzuordnung entsprechend Kartendarstellung
  • Zuordnung zu einem Block(teil) der ISU5 (2010) Umweltatlas