Was die Datenfusion beiträgt

Die Schweizer Arealstatistik erfasst mehr als 4,1 Millionen Stichprobenpunkte auf einem regelmäßigen 100-Meter-Raster. Landnutzung beschreibt die Funktion einer Fläche, Bodenbedeckung ihre sichtbare Oberfläche. Ein Luftbild allein kann diese Unterscheidung nicht immer auflösen: Eine Wiese im Tal und eine Alpweide können ähnlich aussehen, obwohl sie verschiedenen Nutzungsklassen angehören.

Der Forschungsprototyp kombiniert deshalb zwei Verarbeitungsschritte. Convolutional Neural Networks analysieren RGB- und Falschfarben-Infrarot-Luftbilder. Ein Random Forest führt ihre Klassenwahrscheinlichkeiten mit Landsat-Zeitreihen, Geländehöhe, Vegetationshöhe und Katasterinformationen zusammen. Die Zeitreihen ergänzen saisonale Vegetationsmuster, die räumlichen Daten unterstützen die Interpretation des entscheidenden Stichprobenpunkts.

Belege [1]

Tabelle der verwendeten SWISSIMAGE-Luftbilder mit RGB- und Infrarotbeispielen; darunter drei Bildausschnitte mit markierten Referenzpunkten.
Luftbilddaten für ADELE: SWISSIMAGE in RGB und Falschfarbeninfrarot, unterschiedliche Aufnahmeperioden und Auflösungen sowie 50 × 50 m große Bildausschnitte um die Referenzpunkte der Arealstatistik. Die Beispiele verdeutlichen den Unterschied zwischen Bodenbedeckung und Bodennutzung. Meyer et al. (2025), Abb. 2. Bild und Quelle ↗

Ergebnisse und praktischer Nutzen

Im repräsentativen Evaluationsdatensatz erreicht die vollständige Fusion 83 % Gesamtgenauigkeit für die Landnutzung und 86 % für die Bodenbedeckung. Die entsprechenden RGB-Bildmodelle erreichen 53 % und 72 %. Der Vergleich belegt den Nutzen ergänzender Daten für diese Aufgabe. Die Ergebnisse erschienen 2025 im European Journal of Remote Sensing.

Gesamtgenauigkeit allein verdeckt Unterschiede zwischen häufigen und seltenen Klassen. Die Publikation berichtet daher auch klassenweise F1-Werte und beschreibt Schwierigkeiten bei kleinen, heterogenen oder visuell ähnlichen Kategorien. Im berichteten ADELE-Einsatz werden nur ausreichend sichere Fälle ohne Veränderung automatisch übernommen. Das Präzisionsziel von 98 % gilt für diese ausgewählte Teilmenge, nicht für alle Klassen und Stichprobenpunkte.

Belege [1]

Balkendiagramme mit F1-Werten von CNN- und Random-Forest-Modellen für häufige Bodennutzungs- und Bodenbedeckungsklassen sowie den Beiträgen der Datengruppen.
Was die Datenfusion beiträgt: F1-Werte der fünf häufigsten Klassen für Bodennutzung und Bodenbedeckung im Vergleich der CNN-Varianten mit dem vollständigen Random-Forest-Modell. Unten: geschätzte Beiträge der Eingabedaten zur Random-Forest-Klassifikation. Meyer et al. (2025), Abb. 8. Bild und Quelle ↗
Vorgehen im Detail
  1. RGB- und Falschfarben-Infrarot-Luftbilder mit neuronalen Netzen klassifizieren.
  2. Klassenwahrscheinlichkeiten mit Landsat-Zeitreihen, Höhen-, Vegetations- und Katasterdaten in einem Random Forest zusammenführen.
  3. Gesamtgenauigkeit und klassenweise F1-Werte auf einem repräsentativen Datensatz auswerten.

Publikationen und Quellen

  1. VeröffentlichtMeyer et al. (2025), European Journal of Remote Sensing