Classification of urban areas using airborne full-waveform laser scanning data

Abstract

Airborne Laserscanning Daten werden zunehmend zum Zwecke der Klassifizierung verwendet, und wobei sie, vor allem im Bereich mit Pflanzenbewuchs, im Vergleich zu herkömmlichen photogrammetrischen Techniken, bevorzugt zum Einsatz kommen. Diese Masterarbeit beschäftigt sich mit dem Potenzial der Full-Waveform Laserscanning Daten für die Klassifizierung des städtischen Raums. Weitere Information ist aus Full-Waveform ALS Daten ableitbar, wie Amplitude und Breite der Echos, die dann zum Berechnen der Backscatter Cross-section (Streu Querschnitt) verwendet werden können. Diese physikalischen Eigenschaften zusammen mit abgeleiteten geometrischen Eigenschaften wie normalisiertes Oberflächenmodell, Standardabweichung der Höhe, Geländeneigung und das echobasierte Merkmale Anzahl der Echos werden für die Klassifizierung eines Stadtgebiets verwendet. Das Untersuchungsgebiet liegt in der Stadt Wien und vier Klassen sollen unterschieden werden. Diese Klassen sind Gebäude, Bäume, Straßen und Grassflächen. Drei Klassifizierungsverfahren werden eingesetzt:<br />Maximum- Likelihood, Minimum-Distance und Decision Tree. Ein Vergleich der Ergebnisse dieser drei Methoden weist auf das Potenzial der von Full-Waveform Airborne Laserscanning Daten extrahierten Merkmale für die Klassifizierung von städtischem Gebiet hin. Es wird auch gezeigt, dass die Genauigkeit der Ergebnisse der Decision Tree Klassifizierng höher ist als jene der Maximum-Likelihood und der Minimum-Distance. Für die Maximum-Likelihood und Minimum-Distance Klassifizierung war die minimum Amplitude der letzten Echos von geringerer Bedeutung, obwohl es vielleicht für leichte Verbesserung für Straßen und Bäume verantwortlich zeichnet. Die minimale Echo-Breite der letzten Echos hat geringere Bedeutung. Aber es zeigte sich, dass die minimum Amplitude der letzten Echos und der Backscatter-Querschnitt sehr nützlich für Straßen- und Grassflächenklassifizierung mit der Decision Tree Methode sind.<br />

Airborne laser scanning (ALS) data is increasingly used for classification purposes,and preferred over traditional aerial photogrammetric techniques in particular in vegetated areas. This thesis deals with the potential of full-waveform airborne laser scanning data for classification of urban areas. Information derived from fullwaveform ALS data, such as amplitude and echo-width, can be used to calculate additional attributes such as backscatter cross-section. These physical attributes together with derived geometrical attributes like the normalized digital surface model, standard deviation of elevation, surface slope and the echo-based feature number of echoes are used for the classification of urban areas. The study area is located in Vienna city where four classes are to be distinguished. They are buildings,trees, roads and grass area. Three classification methods are used, which are Maximum-Likelihood, Minimum-Distance and Decision Tree.<br />A comparison of the results of these three methods proves the potential of features extracted from fullwaveform airborne laser scanning data for classification purposes in urban environment. It turns out that the achieved accuracy of the Decision Tree classification is better than that of Maximum-Likelihood and Minimum-Distance. For Maximum-Likelihood and Minimum-Distance classification, minimum amplitude of last echoes is of less importance, although it may be responsible for a slight improvement for roads and trees. Minimum echo width of last echoes is of less importance. But it has been seen that the minimum amplitude of the last echoes and backscatter cross-section are very useful for roads and grass areas classification using Decision Tree method.<br />