RandomForest - OpenStreetMap
Referenzdaten
Als Trainingsdaten wurden die Daten der LUCAS-Erhebung aus dem Jahr 2018 verwendet.
Bilddaten
Die Waldmaske wurde basierend auf Sentinel-2 (Surface Reflectance) Bildern erstellt.
Zeitraum
Sentinel-2 Bilder aus dem Jahr 2019 wurden in vier Zeiträumen zusammengefasst:
Kalendertag 1-90(Jan-Mär)Kalendertag 90-150(Apr-Mai)Kalendertag 150-270(Jun-Sep)Kalendertag 270-330(Okt-Nov)
Beim Model-Tuning zeigten sich die Bilder aus Apr-Mai und Jun-Sep am relevantesten. In der finalen Klassifizierung wurden Bildkompositen aus diesen Zeiträumen verwendet.
Bänder
Als mögliche Modellvariablen wurden die folgenden Bänder und Indizes gewählt:
B2,B3,B4,B5,B6,B7,B8,B8A,B11,B12,NDVI,NDWI,NBRI,NDMI
Beim Model-Tuning zeigten sich die Bänder B2, B3, B5, B6, B7, B8, B8A, NDVI, NDWI, NBRI am relevantesten. In der finalen Klassifizierung wurden diese Bänder aus den beiden Zeiträumen verwendet.
Algorithmus
Zur Klassifizierung wurde der Random-Forest Algorithmus genutzt. Dabei wurden die Variablen numberOfTrees, variablesPerSplit und minLeafPopulation im Model-Tuning optimiert.
Prozessierung
Die Klassifizierung wurde komplett in der Google Earth Engine durchgeführt. Die Prozessierung in der Cloud ermöglicht die Verarbeitung großer Datenmengen und die Skalierung auf große Gebiete.
Postprozessierung
Im Nachgang zur Wald-/Nichtwald Klassifizierung aus den Satelitenbilddaten wurden OpenStreetMap Daten genutzt um größere Wege und Straßen im Wald der Nichtwald-Klasse zuzuordnen.
Übersicht
- - LUCAS
- - Sentinel-2 Surface Reflectance
- - Frühjar und Sommer 2019
- - B2, B3, B5, B6, B7, B8, B8A, NDVI, NDWI, NBRI
- - Random-Forest
- - Google Earth Engine
- - Open Street Map
Notebook zur Ableitung von OSM-Daten:
Skripte zur Datenprozessierung in GEE: