Gebäude- und Vegetationshöhen 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, insbesondere zu den “Feinheiten” der einzelnen Verfahrensschritte, die jedoch wesentlichen Einfluss auf die Güte der Ergebnisse haben, wird auf den Projektbericht, Fachliteratur oder entsprechende Websites, z.B. des DLR verwiesen.

Abb. 4 verdeutlicht den grundsätzlichen Ablauf des Vorgehens, der nachfolgend in seinen wichtigsten Abschnitten erläutert wird.

Die Hauptarbeitsschritte sind in unterschiedlichen Farben dargestellt: Segmentierungsschritte in Orange, Klassifizierung in Blau und Export der Ergebnisse in Grau.

Abb. 4: Ablaufplan zur Erfassung von Gebäude- und Vegetationsobjekten im Berliner Stadtgebiet

Datenprozessierung (DOM / TOM Erstellung)

Das digitale Oberflächenmodell (DOM) und das auf dessen Grundlage generierte TrueOrthoMosaik (TOM) werden auf der Basis von Stereoaufnahmen prozessiert. Liegen auch die Orientierungsparameter (Global Positioning System (GPS), Inertial Navigation System (INS) und der Satellitenpositionierungsdienst der deutschen Landesvermessung (SAPOS)) vor, werden die einzelnen breit überlappenden Luftbilder über sog. Verknüpfungspunkte zueinander in Beziehung gesetzt, als Bildverband zusammengefügt und gleichzeitig in das geforderte Koordinatensystem überführt (Kraus 2004).

Das DOM liefert kodierte Höhen der Erdoberfläche samt aller drauf befindlichen Objekte (Gebäude, Straßen, Vegetationsbewuchs, usw.). Dies geschieht, in dem die Geländehöhe zur Objekthöhe addiert wird. Da die Geländehöhe in Berlin trotz vergleichsweise geringer Topographieunterschiede (~35 m bis zu ~100 m ü. NN) nicht konstant ist, können zu diesem Zeitpunkt noch keine Rückschlusse auf die jeweilige absolute Objekthöhe getroffen werden. Dazu bedarf es eines normierten digitalen Oberflächenmodells (nDOM), bei dem das Gelände überall auf Null normiert wird. Das nDOM entsteht demzufolge durch die Subtraktion des digitalen Geländemodells (DGM) vom Oberflächenmodell (DOM):

  • nDOM = DOM – DGM

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. Abb. 5).

Abb. 5: Prinzip der Generierung eines normierten Digitalen Oberflächenmodells (nDOM)

Das Ausgangsmaterial der Befliegung vor der Datenprozessierung ist ein Luftbildverband mit einer zentralperspektivischen Abbildung. Bei dieser Projektion kommt es zu geometrischen Verzerrungen der aufgenommenen Objekte nach außen. Dadurch ist kein einheitlicher Maßstab im Bild vorhanden und es können keine realistischen Distanzen berechnet werden. Damit die Bilddaten aber in einem Geoinformationssystem (GIS) genutzt werden können, muss eine Differentialentzerrung unter Zuhilfenahme eines DOM durchgeführt werden. Dieser Vorgang resultiert in einem TrueOrthoMosaik (TOM). Mithilfe der TrueOrtho-Bildgenerierung lässt sich anschließend eine pixelgenaue, geometrisch exakte Lage bestimmen, da jeder Pixel nur eine einzige Position innerhalb eines DOM besitzt. Dadurch kommt es zu keinen Verkippungen mehr, bei denen z. B. Hausfassaden zu sehen sein würden, gleichzeitig wird durch diese Korrektur der Bilddaten das Messen realer Entfernungen erst ermöglicht (Heipke 2003, vgl. Abb. 6). Das Vorhandensein eines DOM sowie eines TOM ist demzufolge eine Grundvoraussetzung für genaue Analysen in dicht bebauten urbanen Räumen und steigert die Zuverlässigkeit der Aussagen entscheidend.

Abb. 6: Vergleich von DOP und TOM: a) DOP 20RGB 2011 mit verkippten Gebäudeobjekten, b) TOM RGB überlagert mit ALK Gebäudekonturen, Gebäudekanten lagegetreu korrigiert, c) nDOM überlagert mit ALK Gebäudekonturen

Abb. 6: Vergleich von DOP und TOM: a) DOP 20RGB 2011 mit verkippten Gebäudeobjekten, b) TOM RGB überlagert mit ALK Gebäudekonturen, Gebäudekanten lagegetreu korrigiert, c) nDOM überlagert mit ALK Gebäudekonturen

Das nachfolgend beschriebene weitere Vorgehen bezieht sich – soweit Werteangaben gegeben werden – auf das qualitativ durchweg bessere Ausgangsmaterial der Phase 1. Daraus folgt, dass nicht alle Korrekturschritte (z.B. zur Bestimmung von Vegetation in Schattenbereichen) auf den Flächen der Phase 2 durchgeführt werden konnten.

Der vorhandene TOM-Datensatz besteht aus vier Kanälen: Rot, Grün, Blau (Echtfarben RGB) und nahem-Infrarot (nIR) in einer geometrischen Auflösung in x/y von 15 cm. Ähnlich wie beim nDOM werden die spektralen Daten auf eine Auflösung von 30 cm reduziert. Dies dient in erster Linie der Reduktion der Datenmenge, nimmt aber auch Rücksicht auf die spektrale und geometrische Heterogenität der zu erfassenden Objekte (Trosset et al. 2009). Aufgrund der in beiden Phasen jahreszeitlich relativ späten Befliegungszeit (vgl. Flugparameter) weisen die Bildprodukte einen erhöhten Grad an Verschattung auf. Dank der hohen radiometrischen Auflösung von mehr als 12 Bit und des simultan generierten DOM lassen sich – allerdings nur in der Projektphase 1 – trotzdem viele Objekte in den Schattenbereichen korrekt identifizieren. Insbesondere durch den nIR Kanal, in dem die Vegetation hohe spektrale Werte aufweist, lässt sich der Vegetationsanteil zuverlässig erfassen (vgl. Abb. 7).

Abb. 7: Qualität der erzeugten TrueOrthoMosaik (TOM) Daten: Nutzung des Kanals nahes-Infrarot (nIR) (unten); die hellen Bereiche bedeuten hohe spektrale Werte und gute Bestimmbarkeit der Vegetationsanteile

Abb. 7: Qualität der erzeugten TrueOrthoMosaik (TOM) Daten: Nutzung des Kanals nahes-Infrarot (nIR) (unten); die hellen Bereiche bedeuten hohe spektrale Werte und gute Bestimmbarkeit der Vegetationsanteile

Durch die zunehmende Verfügbarkeit von sehr hochauflösenden Fernerkundungsdaten (Very High Spatial Resolution Data (VHSR)), nehmen auch die geeigneten Methoden zu deren Verarbeitung sowie zur Gewinnung von Informationen aus diesen Daten zu. Insbesondere in dicht bebauten städtischen Gebieten, die sich durch hohe Heterogenität ihrer Strukturen auszeichnen, gestaltet sich diese Aufgabe als sehr komplex. Obwohl die VHRS-Daten es erst ermöglichen urbane Räume zufriedenstellend zu analysieren, werden durch die hohe Auflösung und die dadurch entstehende größere Heterogenität der Daten weitere Probleme hervorgerufen. Wegen der großen Datenmengen müssen also geeignete Methoden zur großflächigen Bearbeitung der Daten angewendet werden.

Analyse und Segmentierung

In der Fernerkundung werden zwei unterschiedliche Ansätze der Bildanalyse verfolgt, der objektbasierte sowie der pixelbasierte Ansatz. Bei der hier eingesetzten objektbasierten Analyse werden einzelne Objekte in ihrem jeweiligen Kontext analysiert. Es werden demzufolge nicht nur die spektralen Eigenschaften, sondern auch die Objektform, Textur sowie vor allem die Nachbarschaftsbeziehungen – alles Informationen, die nicht aus einzelnen Pixeln abzuleiten sind – berücksichtigt. Auf diese Weise versucht das objektbasierte Verfahren die menschliche Wahrnehmung zu modellieren. Dabei bilden nicht wie bei der pixelbasierten Analyse die einzelnen Bildelemente, sondern aussagekräftigere homogene Segmente, die aus mehreren Pixeln bestehen, die Grundlage für die Klassifizierung (Blaschke 2000).

Das in diesem Projekt verwendete datengetriebene Verfahren segmentiert also mithilfe bestimmter statistischer Verfahren und definierter Parameter die gesamte Bildszene. Die daraus resultierenden Segmente sind Pixelcluster, die noch keine besondere semantische Bedeutung haben. Erst eine anschließende Klassifizierung weist den Objekten Klassen zu, mit deren Klassenbeschreibung sie am meisten übereinstimmen. Die Qualität der Segmentierung ist für die nachfolgende Klassifizierung ausschlaggebend. Aus diesem Grunde gibt es in der verwendeten Software auch verschiedene Segmentierungsalgorithmen, die eingesetzt werden können.

Eine herausragende Rolle – insbesondere zur Erstellung der Vegetationsmaske – spielt dabei die Segmentierungsmethode MRS (Multiresolution Segmentation) . Hier werden die benachbarten Pixel, die bestimmte Homogenitätskriterien erfüllen, zu immer größeren Segmenten zusammengefasst. Dies erfolgt solange ein bestimmter Homogenitätsschwellenwert nicht überschritten wird. Je genauer die gewünschten Objekte oder Objektteile deren reale Form widerspiegeln, umso einfacher lässt sich die anschließende Klassifizierung durchführen (Baatz & Schäpe 2000).

Abb. 8 eranschaulicht diesen Segmentierungsablauf über mehrere Objekt-Hierachiestufen, in dem sich die kleineren Objekte (z.B. Gebäudeteile) jeweils auf den unteren und die größeren (ALK-Gebäude) auf den oberen Ebenen befinden. Durch dieses Vorgehen “erben” die Teilobjekte die Eigenschaften (z.B. den Objektschlüssel) der “Mütter”, d.h. der ALK-Gebäude.

Abb. 8: Objekthierarchie auf mehreren Skalenebenen in abstrakter Darstellung (links) und mit Bildbeispielen (rechts)

Objektbasierte Klassifizierung

Auf der Grundlage der vorliegenden digitalen Luftbilder sowie des nDOM und unter Zuhilfenahme der ALK Gebäudedaten konnten die einzelnen Objektklassen definiert werden. Die objektbasierte Klassifizierung ist ein mehrstufiges Verfahren. Die einzelnen Schritte werden hierarchisch entlang eines sog. Process Tree (vgl. Abb. 9) bearbeitet und gespeichert und sind somit in späteren Anwendungen (etwa im Rahmen eines Monitoring durch eine Veränderungsanalyse) wieder einsetzbar.

Abb. 9: Für die objektbasierte Klassifizierung entwickelter Regelbaum (Process Tree) (Ausschnittsdarstellung)

Abb. 9: Für die objektbasierte Klassifizierung entwickelter Regelbaum (Process Tree) (Ausschnittsdarstellung)

Die Klassifizierung gliedert sich in die folgenden Auswertungsschwerpunkte:

Zunächst werden zwei Hauptklassen unterschieden (Gebäude und Vegetation). Zusätzlich werden weitere Unterklassen in Form von Höhenstufen jeweils für die Vegetation und die Gebäude erstellt, wobei die Gebäude auch noch in weitere semantische Klassen unterteilt sind (z. B. Garagen, Schuppen, Gartenhäuser und geplante oder im Bau befindliche Gebäude).

Erfassung der Gebäude

Im Gebäudebereich sind verschiedene Objektklassen zu unterscheiden, die auch im weiteren Verfahren und für die Datenhaltung im GIS getrennt bleiben sollen:

  • ALK-Ebene Gebäude, getrennt nach
    • vorhanden,
    • geplant/im Bau,
    • gesonderte Erfassung der Nutzungsarten Garagen, Schuppen, Garten- und Wochenendhäuser,
    • Sonderfall „Dachfläche unter Baum”.
  • ALK-Ebene Topographie (Brücken, oberirdische Bahngelände).
  • Hochbauten, die nicht Teil der ALK sind, getrennt nach
    • Schuppen/Gartenhäusern innerhalb des ALK-Objektschlüssels „Klein-, Schrebergarten oder Laubenkolonie”,
    • Gebäuden.
  • Begrünte Dächer, getrennt nach Lage auf
    • Gebäuden der ALK,
    • Gebäuden außerhalb der ALK.

In einer generalisierten Segmentierung werden anhand von bestimmten Homogenitätskriterien die höheren Gebäude von den niedrigeren getrennt. Anschließend erfolgt eine feinere Segmentierung, um die Vegetation von den anthropogenen Objekten abzugrenzen. Hierzu sind benachbarte Pixel, die bestimmte Homogenitätskriterien erfüllen, zu immer größeren Segmenten zusammengefasst. Dies geschieht solange, wie ein festgesetzter Homogenitätsschwellenwert nicht überschritten wird. Verteilt über die ganze Szene wachsen alle Segmente simultan, was gewährleistet, dass sie ähnliche Größen haben und dadurch vergleichbar sind (Baatz & Schäpe 2000).

Die Klassifizierung der vermessenen Gebäude erfolgt unter Zuhilfenahme des ALK-Gebäudelayers, so dass zum Beispiel auch größere Dachüberstände, die in den Luftbilddaten erfasst werden, herausgerechnet werden können. Zusätzlich sind Brückenobjekte sowie oberirdische Bahnanlagen unterschiedlicher Ausprägung (vor allem Bahnhöfe und aufgeständerte Gleisanlagen) als Teil der ALK-Topographie erfasst.

Niedrige Bauten wie Schuppen, Garagen oder Lauben, die zum Teil durch Interpolationsregeln des Oberflächenmodells nicht ausmaskiert werden, können anschließend anhand der entsprechenden Schlüssel aus dem Objektschlüsselkatalog (OSKA) der ALK bestimmt werden. Die spätere Höhenzuweisung findet in diesem Fall nutzungsbezogen statt (Geschossigkeit = 1 * 2,8 m).

Ebenfalls eine eigene Objektklasse stellt die ALK-Ebene “Geplante Gebäude” dar, die geplante oder im Bau befindliche ober- und unterirdische Gebäude umfasst. Bei diesen Objekten – rund 1.400 im Stadtgebiet laut ALK Stand Juni 2010 – sind keine abschließenden Höhen bestimmbar. Sie bieten sich besonders für eine spätere Veränderungsanalyse an (vgl. Abb. 10). Allerdings ist hierbei zu beachten, dass bauliche Veränderungen bzw. Neubaumaßnahmen weit zahlreicher stattfinden, als dies im ALK-erfassten Datenbestand dokumentiert ist.

Abb. 10: Zwei Klassifizierungsbeispiele für Gebäude der Objektklasse „geplante oder im Bau befindliches Gebäude“ (Stand 06/2012); Links und mittig: einzelne klassifizierte Segmente sowie rechts als jeweils zusammengefasstes Objekt; obere Reihe ein Beispiel für laufende Baumaßnahmen, unten ein zum Befliegungszeitpunkt 09/2010 bereits fertig gestelltes Gebäude (2010)

Abb. 10: Zwei Klassifizierungsbeispiele für Gebäude der Objektklasse „geplante oder im Bau befindliches Gebäude“ (Stand 06/2012); Links und mittig: einzelne klassifizierte Segmente sowie rechts als jeweils zusammengefasstes Objekt; obere Reihe ein Beispiel für laufende Baumaßnahmen, unten ein zum Befliegungszeitpunkt 09/2010 bereits fertig gestelltes Gebäude (2010)

Genauso umfassend sind alle Gebäudeobjekte erfasst, die nicht Teil der ALK-Strukturen sind, aber bauliche Objekte darstellen. Am Beispiel der Objektklasse “Schuppen/ Gartenhäuser” in Lauben- und Kleingartenkolonien soll die Kleinteiligkeit des Vorgehens illustriert werden, um noch vor der Erstellung der Vegetationsmaske möglichst alle bebauten Bereiche weitgehend fehlerfrei zu klassifizieren. Im Falle der niedrigen Gartenhäuser und Lauben wurden vor allem deren Formeigenschaften genutzt, um sie von Straßen und Wegeflächen abzugrenzen (vgl. Abb. 11).

Abb. 11: Klassifizierungsschritte zur Bestimmung der Objektklasse Lauben/Gartenhäuser außerhalb der ALK-Erfassung: a) bis zu diesem Schritt erreichte Klassifizierung der Vegetationsmaske überlagert mit dem Echtfarben-RGB-Luftbilddatensatz; b) lagegetreuer Ausschnitt des Oberflächenmodells nDOM – keine Höhen für die Gartenhäuser direkt ableitbar; c) erster Klassifizierungsversuch ergibt Fehler im Bereich der Straßen; d) abschließender Klassifizierungsschritt mit Bereinigung um die Straßenanteile

Abb. 11: Klassifizierungsschritte zur Bestimmung der Objektklasse Lauben/Gartenhäuser außerhalb der ALK-Erfassung: a) bis zu diesem Schritt erreichte Klassifizierung der Vegetationsmaske überlagert mit dem Echtfarben-RGB-Luftbilddatensatz; b) lagegetreuer Ausschnitt des Oberflächenmodells nDOM – keine Höhen für die Gartenhäuser direkt ableitbar; c) erster Klassifizierungsversuch ergibt Fehler im Bereich der Straßen; d) abschließender Klassifizierungsschritt mit Bereinigung um die Straßenanteile

Für Gebäude, die in der ALK vorhanden sind, erfolgt die Darstellung der Gebäudehöhen abschließend auf Grundlage der ALK-Gebäudeumringe und ihrer Geschosslinien. Hierfür werden zunächst die Gebäudepolygone der ALK mittels der Geschosslinien in ALK-Gebäudeteile geteilt. Die Höhen der Gebäudesegmente werden anschließend anteilig auf diese ALK-Gebäudeteile aggregiert (Abb. 12).

Die Darstellung der mittleren Höhen der ALK-Gebäude erfolgt somit auf Grundlage der ALK-Geometrien. Gebäude, die nicht in der ALK vorhanden sind, werden weiterhin mittels der Gebäudesegmente dargestellt.

Abb. 12: Aggregation der Höhen der Gebäudesegmente auf die ALK-Gebäudeteile; links: Gebäudesegmente; rechts: ALK-Gebäudeteile

Abb. 12: Aggregation der Höhen der Gebäudesegmente auf die ALK-Gebäudeteile; links: Gebäudesegmente; rechts: ALK-Gebäudeteile

Erfassung der Vegetation

Nach der Klassifizierung der Gebäudeobjekte erfolgt die Klassifizierung der Vegetationsmaske. Durch die vorherige Multiresolution Segmentation (MRS) sind die vorhandenen Objekte sehr feingliedrig, weshalb die differenzierte Vielfalt der vorkommenden Vegetation dargestellt werden kann. Die in der digitalen Fernerkundung übliche Methode der Vegetationsextraktion basiert auf einem Vegetationsindex, der sich durch die in den Luftbildern erfassten Kanäle Rot (R) und nahes Infrarot (nIR) berechnet. Dieser Normalized Differenced Vegetation Index (NDVI) ergibt sich wie folgt:

  • NDVI = (nIR – R) / (nIR + R).

Der Index nutzt die Gegebenheit aus, dass die vitale Vegetation besonders hohe Werte im nahen Infrarot Bereich aufweist, während sie im roten Spektralbereich viel niedrigere Werte hat. Diese Konstellation findet sich in keiner weiteren Objektklasse wieder, wodurch eine einfache Trennung der Vegetation von anderen Klassen gewährleistet wird (Albertz 2001).

Um die vorkommenden Vegetationsstrukturen und -höhen zu erfassen, wird eine Contrast Split Segmentation (CSS) durchgeführt. Dadurch kann die Vegetationsmaske in niedrige und erhöhte Vegetation unterteilt werden. Das resultierende und detaillierte Ergebnis bietet eine geeignete Grundlage für die nachfolgenden Berechnungen bezüglich der weiteren Differenzierung der Vegetationshöhenangaben. Dazu wird die Methode der Multi Threshold Segmentation (MTS) eingesetzt. Dieses Verfahren nutzt die Pixelwerte des nDOM und unterteilt die bereits vorhandenen Segmente entlang der vorgegebenen neun Höhenstufen vergleichbar der Erstellung einer Höhenlinienkarte (vgl. Abb. 13).

Abb. 13: Ergebnis der Multi Threshold Segmentation (MTS) – Unterteilung der Vegetation in neun Höhenstufen

Um auf die differenzierte Vielfalt der Vegetation noch kleinteiliger eingehen zu können, werden die nun vorhandenen neun Vegetationshöhenstufen unter der Berücksichtigung von Höhenstrukturen weiter unterteilt. Mithilfe der bereits beschriebenen MRS kann so festgestellt werden, welche unterschiedlichen Vegetationsstrukturen vorhanden sind (vgl. 14).

Abb. 14: Ergebnis der Unterteilung in Vegetationsstrukturen mithilfe der Multiresolution Segmentation (b und c) innerhalb der einzelnen Höhenstufen aus der vorangehenden Multi Threshold Segmentation (a, vgl. Abb. 13)

Begrünte Dachflächen

Im Zusammenhang mit Maßnahmen zur Anpassung an den Klimawandel oder dem Bemühen um nachhaltige Konzepte zur Regenwasserbewirtschaftung wird der ökologische Wert von Gründächern verstärkt diskutiert. Berlin besitzt zwar eine lange Tradition bei der Begrünung von Dachflächen, jedoch liegt bis heute keine flächendeckende Kartierung dieser Dachformen vor.

Bei der im Rahmen des Projektes durchgeführten Ersterfassung wird nicht nach unterschiedlichen Intensitäten der Dachbegrünung wie etwa intensiv genutzten Dachgärten oder ausschließlich bemoosten Dachflächen unterschieden (vgl. Abb. 14). Die alleinige Überschneidung der Vegetationsmaske mit dem Gebäude-Layer auf Grundlage der ALK dient der Einstufung als begrüntes Dach, liefert jedoch noch kein eindeutiges Ergebnis. Hierbei wird nicht auf nebenstehende Vegetation Rücksicht genommen, welche teilweise die Dächer verdeckt und somit das Ergebnis etwas verfälscht.

Abb. 15: Begrünte Dachflächen durch die Verschneidung der Vegetationsmaske mit dem ALK Gebäude-Layer

Abb. 15: Begrünte Dachflächen durch die Verschneidung der Vegetationsmaske mit dem ALK Gebäude-Layer

Um die Vegetationsobjekte, die Dachteile verdecken und keine begrünten Dachflächen darstellen, zu klassifizieren, wird die Klasse begrünte Dächer auf die Unterschiede im nDOM und im NDVI zu den angrenzenden Objekten untersucht. Weisen die Objekte der Klasse ‘begrünte Dächer’ nur einen geringen Höhenunterschied zu den benachbarten Baumobjekten und einen höheren zu den Gebäudeobjekten sowie sehr ähnliche spektrale Eigenschaften zu den Bäumen auf, werden sie iterativ in die Klasse ‘Vegetation verdeckt Dachteile’ verschoben. In Abbildung 16 ist anhand des beigefügten nDOM-Abbildes die Notwendigkeit dieser Klassenbildung deutlich zu erkennen. Für den Fall, dass sie als Gebäude klassifiziert bleiben, würden sie zur Verfälschung der durchschnittlichen Gebäudehöhe führen.

Abb. 16: Klassifizierungsergebnis der Klasse ‚Vegetation verdeckt Dachteile‘ (abschließende Darstellung unten rechts)

Abb. 16: Klassifizierungsergebnis der Klasse ‚Vegetation verdeckt Dachteile‘ (abschließende Darstellung unten rechts)

Die klassifizierten begrünten Dächer weisen noch einige weitere Fehler auf, die über spektrale Analysen der Nachbarsegmente weitgehend behoben werden können. Für eine sehr genaue Detektion begrünter Dachflächen hinsichtlich ihrer Abgrenzung, ggf. auch ihres Vegetationsbestandes reichen die im Rahmen des Projektes durchgeführten Analysen nicht aus. Sie geben aber bereits weitgehend vollständig einen Überblick über die generell begrünten Dachflächen. Die Ersterfassung ergibt, dass auf den bearbeiteten 445 km2 rund 10.000 Dachflächenbereiche (nicht gleichzusetzen mit Gebäuden) in unterschiedlichen Intensitäten begrünt sind.

Gesamteinschätzung der Erfassungsqualität

Zur Beurteilung der Ergebnisgüte müssen die beiden Projektphasen unterschieden werden.
Zusammenfassend gilt, dass die resultierenden Gebäude- und Vegetationsobjekte im Innenstadtbereich insgesamt zufriedenstellend, in Teilen (Gebäude des ALK-Bestandes) auch sehr gut erfasst sind Sie zeigen jedoch auch gewisse Schwächen, die im Folgenden näher betrachtet werden und sich in den Resultaten der Projektphase 2 aufgrund der ungenaueren Ausgangsdaten teilwesie deutlich stärker niederschlagen, da sie nur bedingt korrigiert werden konnten.

Genauigkeit der Gebäudeobjekte

h5. Projektphase 1

Bei den angewendeten Methoden handelt es sich ausschließlich um rechnergestützte und automatisierte Verfahren der Objektextraktion, welche einen großen Einfluss auf die Qualität der Ergebnisse haben. Die Vollständigkeit und Übereinstimmung der erfassten Gebäudeobjekte kann immer dann als sehr gut eingeschätzt werden, wenn auf den ALK-Gebäudebestand zurückgegriffen wird.

Die Erfassungsgenauigkeit der Gebäudeobjekte, die nicht Teil der ALK sind, kann bis auf einige Ausnahmen ebenfalls als sehr gut bewertet werden. Diese Ausnahmen betreffen temporäre Objekte, wie z. B. Zirkuszelte oder große Baucontainer, deren Erfassung sich nur durch manuelle Nachbearbeitung korrigieren lässt.

Die weitere Unterteilung von Gebäuden anhand ihrer Dachteile, die sich nach der jeweiligen Dachgeometrie richtet, lässt sich in Teilen nur mit einer zufriedenstellenden Genauigkeit umsetzen. Die bisher erreichte Empfindlichkeit der MRS-Methode unter Einbeziehung der spektralen Kanäle reicht nicht aus, die problematischen Bereiche mit Verschattung ausreichend genau zu bestimmen. Die Problematik dieser Grenzen von Bestimmungsverfahren werden auch im Zusammenhang mit der Erfassung von begrünten Dächern im Schatten von überstehenden Bäumen und Vegetationsobjekten im Sichtschatten von Gebäuden deutlich (vgl. Genauigkeit der Vegetationshöhen).

Die begrünten Dächer sind ebenfalls zufriedenstellend im Sinne der angestrebten Ersterfassung bestimmt worden. Die Vollständigkeit der Extraktion ist jedoch ab und zu durch Schattenwurf gestört. Mit Hilfe einer ersten relativen Genauigkeitsuntersuchung an 60 ausgewählten begrünten Dachflächen kann eine hohe Übereinstimmung hinsichtlich Korrektheit und Vollständigkeit der Ergebnisse nachgewiesen werden. Ungefähr ein Drittel der korrekt detektierten Flächen weisen eine Vollständigkeit (der erfassten Fläche) von unter 50% und rund die Hälfte eine Vollständigkeit von mehr als 75 % auf. Unter Berücksichtigung der unterschiedlichen Störfaktoren bei der Klassifizierung ist dieses Ergebnis als gut zu bewerten.

Neben der Verwirklichung einer möglichst realitätsnahen Erfassung der Objekte in ihrer flächenhaften Ausdehnung ist die Qualität der Bestimmung der Objekthöhen von besonderer Bedeutung. In Bezug auf den in der Sachdatendarstellung angegebenen “Mittelwert der ermittelten Höhe” ist darauf hinzuweisen, dass solche Mittelwerte in Einzelfällen, in denen mehrere Bereiche des Gebäudes sehr unterschiedliche Höhen und Flächengrößen aufweisen, zu einem rechnerischen Gesamtwert führen, der von der maximalen Höhe eines Gebäudeteils sehr deutlich abweichen kann. Im Rahmen der Objektbestimmung werden auch die maximalen Höhen ermittelt, die jedoch für den Großteil der Gebäude von minderer Bedeutung sind, da sie nur einzelne Schornsteinbereiche o.ä. umfassen. So ist beispielsweise die Siegessäule mit einer durchschnittlichen Höhe von etwa 20 m abgebildet, obwohl ihre maximale Höhe fast 70 m beträgt (vgl. Abb. 17). In anderen Fällen, wie beispielsweise bei gewöhnlichen Wohnhäusern, ist diese Berechnung jedoch eher von Vorteil, da die maximale Höhe hier weniger Aussagekraft hat, als die errechnete mittlere Höhe.

Abb. 17: Gebäudehöhenerfassung am Beispiel der Siegessäule; hier weicht die berechnete mittlere Höhe von rund 20 m deutlich von der maximalen Höhe des gesamten Objektes von 67 m ab

h5. Projektphase 2

Obwohl die Qualität der erfassten Gebäudeobjekte durch nachträgliche Korrekturläufe ncoh merkbar verbessert werden konnte, weichen sie im abschließenden Bearbeitungsstand doch von denen der Phase 1 ab. Da auf manuelle Nachbearbeitung verzichtet werden musste, ließ es sich nicht vermeiden, dass vereinzelt Gebäude (außerhalb des ALK-Bestandes) detektiert wurden, die real nicht vorhanden sind. Ebenso wurde gerade bei niedrigeren Objekten die Höhe tendenziell eher unterschätzt. Daher wurde zur weiteren Information die Angabe der „Maximale Anzahl der Vollgeschosse nach ALK” in die Sachdatenanzeige integriert (im Rahmen dieser Untersuchung wurden je Viollgeschoss eine Höhe von 2,8 m angesetzt).

Überdies wird empfohlen, gerade bei kleinräumigen Analysen in der FIS-Broker-Kartenpräsentation die Möglichkeit der Überlagerung mit aktuellen Luftbildern zu nutzen.

Genauigkeit der Vegetationsobjekte

h5. Projektphase 1

Die Klasse Vegetation enthält insgesamt neun Höhenstufen. Diese werden ebenfalls zusammen mit den Höhenattributen exportiert, sodass auch die Vegetation einer eigenständigen Höhenunterteilung zugeordnet werden kann. Diese Unterteilung in Höhenstufen und Strukturen ist sehr genau und naturgetreu und das Erscheinungsbild der Segmente ist homogen. Lediglich in den interpolierten Bereichen des digitalen Geländemodells kommt es zu Fehlklassifizierungen der Vegetation, was seine Ursache jedoch an den in diesen Bereichen unzulänglichen Eingangsdaten und nicht an den Bestimmungsmethoden hat. Auch in diesen Fällen können die Ungenauigkeiten nur durch nachträgliche manuelle Korrekturen behoben werden.

h5. Projektphase 2

Die auch für die Phase 1 geltenden Qualitätseinschränkungen im Interpolationsbereich des Geländemodells wirken sich im Außenbereich durch die ungenauere Datengrundlage 50cm Bodenauflösung gegenüber 10cm im Innenstadtbereich) je nach Örtlichkeit sichtbarer aus. In orographisch bewegtem Gelände treten die größten Höhenverfälschungen, die durch manuelle Höhenpunkt-Setzungen größtenteils ausgeglichen werden konnten, so dass die letztlich bestimmten Höhenwerte der Vegetation weitgehnd wirklichkeitsnah ausfalle. Allerdings hat verminderte Ausgangsqualität einen negativen Einfluss auf die Segmentierung der Vegetationsobjekte, was sich in einer größeren Anzahl von ‚Fehlstellen’ bemerkbar macht, an denen keine Aussage zum Vegetaionsbestand getroffen werden konnte.

Abbildung 18 zeigt dies recht deutlich im Übergangsbereich Phase 1 zu Phase 2 im Gebiet des westlichen Grunewaldes.

Abb. 18: Segmentierungslücken in Projektphase 2 als Folge der verminderten Qualität des Bilddatenmaterials (hier am Beispiel Forst Grunewald)

Abb. 18: Segmentierungslücken in Projektphase 2 als Folge der verminderten Qualität des Bilddatenmaterials (hier am Beispiel Forst Grunewald)

Datenanzeige

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

  • Objekt Gebäude:
    • Object-ID
    • Gebäudeschlüssel nach ALK
    • Klassenzuordnung
    • Objektschlüsselkatalog Berlin (Gebäudenutzungs-Code)
    • Nutzung nach Objektschlüsselkatalog Berlin (ALK-Stand 30.06.2012)
    • Gebäudeschlüssel nachr ALK
    • Maximale Anzahl der Vollgeschosse nach ALK
    • Mittelwert der ermittelten Höhe [m]
    • Begrüntes Dach [ja/nein] (nur im Bereich der Phase 1, siehe Abb. 2)
    • Gebäude liegt in Block bzw. Blockteilfläche mit Schlüssel…
    • Bezirk
    • Flächengröße [m2]
  • Objekt Vegetation:
    • Object-ID
    • Objektschlüssel
    • Flächengröße [m2]
    • Mittelwert der ermittelten Höhe [m]
    • Vegetation liegt in Block bzw. Blockteilfläche mit Schlüssel…

Von Nutzen ist weiterhin die Möglichkeit, sich über den entsprechenden Button in der FIS-Broker-Kartenpräsentation als Hintergundkarten für den gewählten Kartenausschnitt die aktuellen Luftbilder als Orthophotos bzw. in der Color-Infrared (CIR) – Variante aufzurufen.