Αντικειμενοστραφής χαρτογράφηση της εδαφοκάλυψης για την αυτοματοποιημένη παραγωγή των τύπων της αστικής δομής
Από RemoteSensing Wiki
Αντικείμενο Εφαρμογής: Αυτοματοποιημένη προσέγγιση για την ταξινόμηση των τύπων της αστικής δομής
Πλήρης Τίτλος: 'Αντικειμενοστραφής χαρτογράφηση της εδαφοκάλυψης και συνολικός υπολογισμός των χαρακτηριστικών για την αυτοματοποιημένη παραγωγή των τύπων της αστικής δομής σε επίπεδο οικοδομικού τετραγώνου'
Πρωτότυπος Τίτλος: 'Object-based land cover mapping and comprehensive feature calculation for an automated derivation of urban structure types at block level'
Συγγραφείς: Michael Voltersen*, Christian Berger, Sören Hese, Christiane Schmullius
- Department of Earth Observation, Institute of Geography, Friedrich-Schiller-University Jena, Loebdergraben 32, 07743 Jena, Germany
Πηγή: Elsevier, Remote Sensing of Environment, 154 (2014), 192-201
Λέξεις Κλειδιά: αστικές περιοχές, αντικειμενοστραφής ανάλυση εικόνας, αερομεταφερόμενοι αισθητήρες, χαρτογράφηση εδαφοκάλυψης, τύποι αστικής δομής
Περίληψη: Οι πόλεις έχουν εξελιχθεί κάτω από ποικίλες γεωγραφικές, οικονομικές, ιστορικές και πολιτιστικές παραμέτρους, με αποτέλεσμα μία μεγάλη διαφοροποίηση σε μέγεθος και σχήμα. Παρά την εμφάνιση ομοιοτήτων στη δομή, κάθε πόλη εμφανίζει ιδιαίτερα και μοναδικά χαρακτηριστικά. Ο διαχωρισμός σε επιμέρους μοτίβα, τα οποία συνήθως ονομάζονται τύποι αστικής δομής (Urban Structure Types - USTs), στηρίζεται στα ιδιαίτερα χαρακτηριστικά γνωρίσματα των φυσικών, λειτουργικών και ενεργειακών παραγόντων των οικιστικών δομών, επιτρέποντας την περιβαλλοντική και κοινωνικοοικονομική έρευνα και τη σύγκριση της μορφής διαφόρων πόλεων. Η μελέτη αυτή παρουσιάζει μια αυτοματοποιημένη προσέγγιση για την ταξινόμηση των USTs, η οποία βασίζεται σε τηλεπισκοπικά δεδομένα με σκοπό την ανάλυση της σχέσης μεταξύ των οικιστικών δομών και περιβαλλοντικών ζητημάτων, όπως είναι η ατμοσφαιρική ρύπανση ή, σε μεταγενέστερο επίπεδο, το φαινόμενο των θερμικών νησίδων.
Αρχικά, εφαρμόζεται μία αντικειμενοστραφής ταξινόμηση, προκειμένου να προσδιοριστεί η κάλυψη γης της πόλης του Βερολίνου, χρησιμοποιώντας πολύ υψηλής ανάλυσης αεροφωτογραφίες και δεδομένα για το ύψος των αντικειμένων. Οι κατηγορίες των USTs προσδιορίζονται με βάση την εμφάνιση στην περιοχή μελέτης και οριοθετούνται από τα όρια των οικοδομικών τετραγώνων. Στη συνέχεια, οι δείκτες για την παραγωγή των USTs δημιουργούνται με βάση τα προηγούμενα δεδομένα για την κάλυψη γης, ενώ τα πιο 'πολύτιμα' χαρακτηριστικά επιλέγονται με τη βοήθεια του αλγορίθμου 'Random Forests'. Τέλος, γίνεται η ταξινόμηση των USTs. Το ενδιαφέρον επικεντρώνεται στην παραγωγή μίας αυτοματοποιημένης και μεταβιβάσιμης μεθόδου συνολικής ταξινόμησης των USTs, η οποία καλύπτει ολόκληρη την πόλη.
Εισαγωγή: Μεταξύ του ενός τρίτου και του ημίσεως της συνολικής επιφάνειας της Γης έχει ήδη επηρεαστεί από την ανθρώπινη δραστηριότητα. Η αντικατάσταση της φυσικής επιφάνειας με τεχνητές δομές έχει ως άμεσο επακόλουθο διάφορες αλλαγές στο οικοσύστημα, μεταβολές στο υδρολογικό καθεστώς και αύξηση του φαινομένου της θερμικής νησίδας. Προκειμένου να επιτευχθεί μία βιώσιμη αστική ανάπτυξη, οι υπεύθυνοι λήψης αποφάσεων και οι πολεοδόμοι χρειάζονται αποτελεσματικές μεθόδους για την μεγάλης κλίμακας παρακολούθηση των αστικών περιοχών. Συνεπώς, είναι ιδιαίτερα σημαντικό να κατανοήσουμε τη σχέση μεταξύ των οικιστικών δομών και των κοινωνικοοικονομικών και των περιβαλλοντικών ζητημάτων. Η βάση για την επίτευξη του παραπάνω στόχου, μπορεί να υλοποιηθεί διαιρώντας τις πόλεις σε ένα σύνολο αστικών μοτίβων, που συνήθως ονομάζονται τύποι αστικής μορφολογίας (Urban Morphology Types - UMTs), αστικές δομικές μονάδες (Urban Structural Units - USUs) ή τύποι αστικής δομής (Urban Structure Types - USTs). Οι USTs περιγράφουν τη σύνθεση μιας πόλης με όλες τις τεχνητές και φυσικές επιφάνειες, με βάση την υπόθεση ότι οι οικισμοί αποτελούνται από διακριτές χωρικές ενότητες με παρόμοιες κτιριακές δομές και ανοικτούς χώρους, καθώς και χρήσεις γης που συνθέτουν οριοθετημένα μοτίβα. Κατά συνέπεια, με την κατανόηση της σχέσης του αστικού μικροκλίματος και της αστικής δομής, περιβαλλοντικά ζητήματα, όπως η διαχείριση των ομβρίων υδάτων, η στεγανοποίηση του εδάφους, ο σχεδιασμός τοπίου και η άμβλυνση του φαινομένου της θερμικής νησίδας, μπορούν να αντιμετωπιστούν ολιστικά, βελτιώνοντας την ποιότητα ζωής των κατοίκων.
Η UST κατάταξη για τις μεγάλες αστικές περιοχές εξαρτάται από τη χρήση μεθόδων και δεδομένων της Τηλεπισκόπισης. Η χρήση εικόνων από δορυφόρους ή αερομεταφερόμενους αισθητήρες προσφέρει έναν υψηλό βαθμό αντικειμενικότητας, δυνατότητας μεταφοράς και αυτοματισμού. Επιπλέον, παρέχει συνεχή, ενημερωμένα και εκτενή δεδομένα σχετικά με τις δομές των αστικών χρήσεων γης.
Το βάθος της ταξινόμησης διαφέρει από χονδροειδείς διαβαθμίσεις που διακρίνουν μόνο τους ανοικτούς χώρους και 3 διαφορετικές πυκνότητες κατοικημένων περιοχών, μέχρι λεπτομερείς ιεραρχίες 15 και παραπάνω κατηγοριών. Επιπλέον, τα όρια των ομοιογενών τμημάτων της πόλης είτε λαμβάνονται χειροκίνητα από την οπτική ερμηνεία αεροφωτογραφιών, είτε με τη βοήθεια βοηθητικών δεδομένων που παρέχονται από τους Δήμους ή που προέρχονται από το Open Street Map. Ως εκ τούτου, η επιλογή των χαρακτηριστικών, ένα καθοριστικό βήμα για την ορθή ταξινόμηση των USTs, παρουσιάζει, από τη μία πλευρά, ποικίλες διαφοροποιήσεις εξαιτίας της υποκειμενικής της φύσης, ενώ από την άλλη, εκτελείται χρησιμοποιώντας στατιστικές μεθόδους, όπως είναι η ' Random Forests' ή η μέθοδος των 'Διαδοχικών Προσεγγίσεων'.
Εξετάζοντας προηγούμενες μελέτες, διαπιστώνουμε ότι είτε η ταξινόμηση των οικοδομικών τετραγώνων περιορίζεται σε μερικούς μόνο USTs καλύπτοντας μερικά σημεία της πόλης, είτε το τελικό αποτέλεσμα χρειάζεται βελτίωση όσον αφορά την ακρίβεια της ταξινόμησης. Η παρούσα μελέτη προσπαθώντας να επιτύχει καλύτερη ακρίβεια ταξινόμησης και να ξεπεράσει την αδυναμία της μη συστηματικής επιλογής των κατάλληλων περιγραφικών στοιχείων για την οριοθέτηση των USTs, χρησιμοποιεί μία ακριβής αντικειμενοστραφής ταξινόμηση των χρήσεων γης, πολυφασματικά δεδομένα και δεδομένα που αφορούν το ύψος, σε συνδυασμό με μία εις βάθος ανάλυση των USTs. Η λεπτομερής ιεράρχηση της ταξινόμησης καλύπτει τόσο τις φυσικές όσο και τις τεχνητές εκτάσεις του συνόλου της πόλης. Ιδιαίτερη έμφαση δίνεται στην αυτοματοποιημένη επεξεργασία των δεδομένων, ενώ το τελικό αποτέλεσμα συσχετίζεται με ένα χάρτη αναφοράς.
Η περιοχή μελέτης: Η πόλη του Βερολίνου βρίσκεται στο βορειοανατολικό τμήμα της Γερμανίας. Με πάνω από 3,3 εκατομμύρια κατοίκους και έκταση 891,7 km2, είναι η μεγαλύτερη πόλη και πρωτεύουσα της Γερμανίας. Εξαιτίας διάφορων ιστορικών γεγονότων (π.χ. εκβιομηχάνιση, καταστροφές κατά τη διάρκεια του Β' Παγκοσμίου Πολέμου, διαχωρισμός σε Ανατολικό και Δυτικό Βερολίνο), έχουν αναπτυχθεί ποικίλες τυπολογίες της αστικής δομής. Στον πυρήνα της πόλης, παρατηρούνται πυκνοδομημένες περιοχές που διαθέτουν υψηλό ποσοστό αδιαπέρατων επιφανειών (Impervious Surface Areas - ISA), ενώ οι περιμετρικές περιοχές χαρακτηρίζονται από υψηλά ποσοστά βλάστησης. Επιπλέον, υπάρχει μία έντονη διακύμανση των κτιριακών τύπων, ακόμη και στο ίδιο οικοδομικό τετράγωνο, καθώς και ένας μεγάλος αριθμός υδάτινων μαζών σε όλη την πόλη. Το έδαφος παρουσιάζει υψομετρικές διαφορές των 81m.
Βάση δεδομένων: Τα πολυφασματικά raster δεδομένα και τα δεδομένα του ύψους δόθηκαν από το Ινστιτούτο DLR Berlin-Adlershof. Η λήψη των υψηλής χωρικής ανάλυσης αερομεταφερόμενων δεδομένων πραγματοποιήθηκε από τον αισθητήρα UltraCamX, ο οποίος διαθέτει ραδιομετρική ανάλυση 12 bit με 1 m2 μέγεθος pixel. Τέσσερα κανάλια παρέχουν φασματικά χαρακτηριστικά σε ορατό φάσμα και εγγύς υπέρυθρο. Η λήψη των δεδομένων πραγματοποιήθηκε στις 23 Σεπτεμβρίου του 2010 κατά τη διάρκεια πρωινών ωρών. Έτσι, η μικρή γωνία πρόσπτωσης του ηλιακού φωτός είχε ως αποτέλεσμα ένα σημαντικό πλήθος σκιασμένων περιοχών.
Επιπλέον, υπολογίστηκε ένα Ψηφιακό Μοντέλο Επιφάνειας (Digital Surface Model - DSM) από τη στερεοσκοπική ερμηνεία πολλαπλών επικαλυπτόμενων UltraCamX εικόνων, εκδιδόμενες επίσης από το DLR Berlin-Adlershof, με την ίδια υψηλή χωρική ανάλυση του 1 m2 μεγέθους pixel. Τα διανυσματικά δεδομένα παραχωρήθηκαν από το τμήμα 'Senate Department for Urban Development and the Environment' του Βερολίνου.
Μέθοδος: Η ροή εργασίας της παρούσας μελέτης χωρίζεται σε τρία στάδια: εξαγωγή ενός κανονικοποιημένου Ψηφιακού Μοντέλου Επιφάνειας (nDSM), χαρτογράφηση της εδαφοκάλυψης και χαρτογράφηση των τύπων της αστικής δομής (USTs). Μετά την αρχική δημιουργία ενός nDSM, δημιουργείται ένα σύνολο κανόνων για τη χαρτογράφηση της εδαφοκάλυψης, ενώ υπολογίζεται η ακρίβεια για την κάθε LC-class. Ακολούθως, χρησιμοποιούνται τα δεδομένα της κάλυψης γης για τη δημιουργία περιγραφικών χαρακτηριστικών για όλα τα οικοδομικά τετράγωνα εντός της περιοχής μελέτης. Μετά την ιεράρχηση των USTs, εκτελείται μία συνδυαστική προσέγγιση που βασίζεται στη γνώση και στη στατιστική επιλογή χαρακτηριστικών, προκειμένου να καθοριστούν οι τύποι της αστικής δομής. Τέλος, εκτιμάται η ακρίβεια του παραγόμενου UST χάρτη, με τη βοήθεια δεδομένων αναφοράς.
1. Εξαγωγή του nDSM: χρησιμοποιείται για τη δημιουργία του ύψους των αντικειμένων. Για το σκοπό αυτό, έχει αναπτυχθεί η προσέγγιση Diff2Min, η οποία χρησιμοποιεί το λογισμικό Trimble eCognition και τη γλώσσα 'cognition network language (CNL)'. Αρχικά δημιουργείται ένα Ψηφιακό Μοντέλο Εδάφους (Digital Terrain Model - DTM), το οποίο αφού εξομαλυνθεί, οδηγεί στη δημιουργία ενός DSM.
2. Χαρτογράφηση της εδαφοκάλυψης: αποτελεί τη βάση για την ταξινόμηση των USTs. Εξάγονται 6 κατηγορίες εδαφοκάλυψης, χρησιμοποιώντας πολυφασματικά δεδομένα και το nDSM. Αυτές είναι οι εξής: γυμνό έδαφος, κτίρια, γρασίδι/θάμνοι, αδιαπέρατες επιφάνειες, δέντρα και υδάτινες επιφάνειες. Η χρήση της αντικειμενοστραφούς προσέγγισης επιλέχτηκε λόγω του συγκριτικού πλεονεκτήματος που παρουσιάζει όσον αφορά την υψηλή χωρική ανάλυση της κάλυψης γης, σε σχέση με τις μεθόδους που βασίζονται στο pixel, ενώ μία περιοχή 18.000 × 18.000 pixels (324 km2) επιλέχτηκε για την ταξινόμηση. Η εικόνα 1 παρουσιάζει μία επισκόπηση της μεθόδου ταξινόμησης των καλύψεων γης.
3.Χαρτογράφηση των τύπων της αστικής δομής (USTs): καθώς δεν υπάρχουν σαφώς ορισμένοι τύποι της αστικής δομής, το σύστημα της ταξινόμησης εξαρτάται από την περιοχή μελέτης και το στόχο της ανάλυσης. Μετά την έρευνα των κατηγοριών που χρησιμοποιήθηκαν σε παρόμοιες μελέτες και την οπτική ερμηνεία των τηλεπισκοπικών δεδομένων της πόλης του Βερολίνου, σχεδιάστηκε ένα σύστημα ταξινόμησης που καλύπτει 15 USTs, οι οποίοι μπορούν να συνοψιστούν σε 6 κύριες κατηγορίες. Οι USTs που ορίστηκαν φαίνονται στην εικόνα 2. Τα κτίρια γραφείων και κατοικιών υποδιαιρούνται σε 7 κατηγορίες, ανάλογα με την κυρίαρχη χρήση. Οι διαφορετικοί συνδυασμοί της πυκνότητας της δόμησης και του ποσοστού της βλάστησης είναι καθοριστικής σημασίας. Οι εμπορικές και βιομηχανικές περιοχές συχνά χαρακτηρίζονται από διαφορετικούς τύπους κτιρίων, που κυμαίνονται από μικρής έκτασης κατασκευές μέχρι τεράστιες βιομηχανικές μονάδες έκτασης ενός ολόκληρου οικοδομικού τετραγώνου, ενώ εμφανίζουν λίγη ή καθόλου βλάστηση. Οι ανοιχτοί χώροι χωρίς καθόλου βλάστηση, αναφέρονται σε στεγανοποιημένες εκτάσεις, όπως είναι οι μεταφορικές υποδομές, τα αεροδρόμια, οι χώροι στάθμευσης και οι πλατείες της πόλης, καθώς και οι περιοχές γυμνού εδάφους, ενώ η κατηγορία των πράσινων χώρων περιλαμβάνει οικοδομικά τετράγωνα με κυρίαρχη τη χρήση της ψυχαγωγίας και ένα υψηλό ποσοστό βλάστησης. Οι γεωργικές εκτάσεις και οι υδάτινες επιφάνειες ολοκληρώνουν τις αστικές καλύψεις γης. Το επίπεδο λεπτομέρειας της ιεράρχησης των USTs, επιλέχτηκε προκειμένου να καλύψει τις ανάγκες μιας ολιστικής περιγραφής της δομής της πόλης και να είναι μεταβιβάσιμο.
Αποτελέσματα
1. Εξαγωγή του nDSM: Για τη γρήγορη παραγωγή ενός κανονικοποιημένου DSM από τα 250 χειροκίνητα ληφθέντα δείγματα από όλη την περιοχή μελέτης, εφαρμόστηκε η προσέγγιση Diff2Min. Όπως φαίνεται στην εικόνα 3, για τα περισσότερα από τα δείγματα (90,4%), η απόκλιση του υπολογιζόμενου και του πραγματικού ύψος είναι μικρότερη από 1 m, ενώ σχεδόν το 50% των υπολογιζόμενων υψών προκύπτει με σφάλμα μικρότερο των 0,3 m. Μόνο ένα μικρό ποσοστό (3,6%) των επιλεγμένων δειγμάτων παρουσιάζει απόκλιση μεγαλύτερη των 2 m, ενώ σε μία περίπτωση η προσέγγιση Diff2Min απέτυχε να υπολογίσει το ύψος, με απόκλιση 49,6 m.
2. Χαρτογράφηση της εδαφοκάλυψης: Η περιοχή μελέτης των 324 km2 καλύπτει όλο το κέντρο της πόλης του Βερολίνου καθώς και τις γύρω περιοχές. Και οι 6 κατηγορίες της κάλυψης γης εμφανίζονται συχνά στην επιλεγμένη περιοχή μελέτης. Ωστόσο, μόνο το 1,5% της περιοχής καλύπτεται από υδάτινες επιφάνειες και γυμνό έδαφος. Μεγάλο ποσοστό κάλυψης ανήκει στα κτίρια (21%) και στις αδιαπέρατες επιφάνειες (24,6%), ενώ οι περιοχές βλάστησης αντιπροσωπεύουν πάνω από το ήμισυ της περιοχής (17,5% γρασίδι/θάμνοι και 33,9% δέντρα). Μία συνολική επισκόπηση της κάλυψης γης, η οποία παρουσιάζεται στην εικόνα 4, αποκαλύπτει ότι ένα μεγάλο πλήθος των αδιαπέρατων επιφανειών βρίσκεται στο κέντρο της πόλης, ενώ τα δάση, το γρασίδι και οι θάμνοι βρίσκονται κυρίως στην περιφερειακή ζώνη. Συνολικά, 104.582 αντικείμενα ταξινομήθηκαν ως κτίρια.
Η ακρίβεια της ταξινόμησης αξιολογήθηκε μέσω 100 τυχαίων δειγμάτων ανά κατηγορία. Ο συνολικός βαθμός ακρίβειας που επιτεύχθηκε ήταν 92,2%, ενώ ο συντελεστής kappa του Cohen ήταν 0,91, αποδεικνύοντας την υψηλή ακρίβεια και την καταλληλότητα της προτεινόμενης μεθόδου.
3. Χαρτογράφηση των τύπων της αστικής δομής: για την εκτέλεση της ταξινόμησης των USTs ολόκληρου του υποσυνόλου χρησιμοποιήθηκαν τα πιο 'πολύτιμα' χαρακτηριστικά. Ο χάρτης που προέκυψε από την ανάλυση των USTs για την πόλη του Βερολίνου απεικονίζεται στην εικόνα 5, όπου οι λευκές περιοχές (23,8% του συνόλου της εικόνας) αντιπροσωπεύουν τις εξαιρεθείσες περιοχές, όπως είναι οι δρόμοι, οι διαχωριστικές νησίδες και τα οικοδομικά τετράγωνα που 'κόβονται' από τα όρια της εικόνας. Μεταξύ των πιο ομοιογενών USTs, τα πάρκα αντιπροσωπεύουν το μεγαλύτερο ποσοστό (12,7%) της εικόνας, ενώ ακολουθούν οι αστικές δομές επιπέδου ενός ολόκληρου οικοδομικού τετραγώνου (12%) και οι εμπορικές και βιομηχανικές περιοχές (11,5%). Αντίθετα, μόλις 0,5 km2 αποτελούνται από πολύ ψηλά κτίρια και δασικές εκτάσεις, ενώ το 0,4% της περιοχής καλύπτεται από γεωργικές εκτάσεις. Όσον αφορά τις περιοχές κατοικίας, πολλές περιοχές περιλαμβάνουν δόμηση περιμετρικά του οικοδομικού τετραγώνου (7%) ή περιοχές κτιρίων διαμερισμάτων (5,2%). Μόνο πολύ μικρές περιοχές περιλαμβάνουν μονοκατοικίες και διπλοκατοικίες (3,1%), ή κατοικίες σε σειρά (2,7%). Ο χάρτης αποκαλύπτει κάποιες χωρικές ομαδοποιήσεις τύπων δόμησης, όπως είναι τα πάρκα και η χαλαρή αστική δόμηση των περιαστικών περιοχών, καθώς και οι μικρές διακυμάνσεις των USTs στο κέντρο της πόλης.
Η ταξινόμηση οδήγησε σε μία συνολική ακρίβεια της τάξης του 82,1% με συντελεστή kappa ίσο με 0,79, γεγονός το οποίο σημαίνει λογικά αποτελέσματα χαρτογράφησης.
Συμπεράσματα: Ο διαχωρισμός των πόλεων σε περιοχές με ομοιογενή αστική δομή και παρόμοια κάλυψη γης αποτελεί τη βάση για μια αποτελεσματική διαχείριση της πόλης. Για το λόγο αυτό, έχει δημιουργηθεί η προσέγγιση του καθορισμού των τύπων της αστικής δομής, επιτρέποντας την ολιστική περιγραφή μίας πόλης και τις αλληλεπιδράσεις που λαμβάνουν χώρα σε αυτή. Τα δεδομένα και οι μέθοδοι της Τηλεπισκόπισης, καθώς και η ανάλυση των USTs, προσφέρουν αντικειμενικότητα, δυνατότητα μεταφοράς και αυτοματισμό. Καθώς η χειροκίνητη αξιολόγηση των πλέον κατάλληλων χαρακτηριστικών ενέχει τον κίνδυνο υποκειμενικών παραδοχών και ενδεχομένως αγνοεί πολύτιμες παραμέτρους, η επιλογή χαρακτηριστικών μέσω της μεθόδου Random Forests προσφέρει μια αυτοματοποιημένη προσέγγιση για την επιλογή των καλύτερων και πιο 'πολύτιμων' παραμέτρων. Η ταξινόμηση των USTs εκτελείται με τη βοήθεια ενός ακριβούς nDSM, της χαρτογράφησης της κάλυψης γης και της εξαγωγής χαρακτηριστικών, οδηγώντας σε τελικά αποτελέσματα συνολικής ακρίβειας 82,1%.
Αναφορές
Baatz, M., & Schäpe, A. (1999). Object-oriented and multi-scale image analysis in semantic networks. Proc. of the 2nd International Symposium on Operationalization of Remote Sensing. Enschede: ITC.
Banzhaf, E., & Höfer, R. (2008). Monitoring urban structure types as spatial indicators with CIR aerial photographs for a more effective urban environmental management. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 1(2), 129–138.
Barnsley, M. J., & Barr, S. L. (2000). Monitoring urban land use by earth observation. Surveys in Geophysics, 21(2), 269–289, http://dx.doi.org/10.1023/A:1006798328429.
Berger, C., Voltersen, M., Eckardt, R., Eberle, J., Heyer, T., Salepci, N., et al. (2013). Multimodal and multi-temporal data fusion: Outcome of the 2012 GRSS data fusion contest. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 6(3), 1324–1340.
Berger, C., Voltersen, M., Hese, S., Walde, I., & Schmullius, C. (2013). Robust extraction of urban land cover information from HSR multi-spectral and LiDAR data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 6(5), 2196–2211, http://dx.doi.org/10.1109/JSTARS.2013.2252329.
Blaschke, T. (2010). Object-based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 65(1), 2–16.
Blum, W. E. H. (2013). Land use planning and policy implication: Bridging between science, politics and decision making. In S. A. Shahid, F. K. Taha, & M.A. Abdelfattah (Eds.), Developments in soil classification, land use planning and policy implications (pp. 469–481). Springer Netherlands, http://dx.doi.org/10.1007/978-94-007-5332-7_25.
Bochow, M., Taubenböck, H., Segl, K., & Kaufmann, H. (2010). An automated and adaptable approach for characterizing and partitioning cities into urban structure types. Geoscience and Remote Sensing Symposium (IGARSS) 2010 IEEE International (pp. 1796–1799). Honolulu: IEEE, http://dx.doi.org/10.1109/IGARSS.2010.5652972.
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32, http://dx.doi.org/10. 1023/A:1010933404324.
Breiman, L. (2002). Manual on setting up, using, and understanding random forests v3.1. Retrieved from http://www.stat.berkeley.edu/~breiman/Using_random_forests_V3.1.pdf
Breuste, J., Wächter, M., & Bauer, B. (2001). Beiträge zur umwelt-und sozialverträglichen Entwicklung von Stadtregionen. Leipzig: Umweltforschungszentrum Leipzig-Halle.
Bridgman, H. A., Warner, R. F., & Dodson, J. R. (1995). Urban biophysical environments. Meridian Australian geographical perspectives. Oxford University Press, 152.
Cohen, J. (1960). A coefficient of agreement of nominal scales. Educational and Psychological Measurement, 20(1), 37–46, http://dx.doi.org/10.1177/001316446002000104.
Congalton, R. G., & Green, K. (2009). Assessing the accuracy of remotely sensed data— Principles and practices (2nd ed.). Boca Raton: CRC Press, 183.
Destatis (2013). German cities sorted by area, population, and population density (31.12.2012). Retrieved November 04, 2013, from. https://www.destatis.de/DE/ ZahlenFakten/LaenderRegionen/Regionales/Gemeindeverzeichnis/Administrativ/ Aktuell/05Staedte.html
Erell, E., Pearlmutter, D., & Williamson, T. (2010). Urban microclimate—Designing the spaces between buildings. London: Earthscan.
Gill, S. E., Handley, J. F., Ennos, A.R., Pauleit, S., Theuray, N., & Lindley, S. J. (2008). Characterising the urban environment of UK cities and towns: A template for landscape planning. Landscape and Urban Planning, 87(3), 210–222, http://dx.doi.org/10. 1016/j.landurbplan.2008.06.008.
Gruber, M., Ponticelli, M., Bernögger, S., & Leberl, F. (2008). UltraCamX, the large format digital aerial camera system by Vexcel Imaging/Microsoft. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 37, 665–670.
Hay, G., & Castilla, G. (2008). Geographic object-based image analysis (GEOBIA): A new name for a new discipline. In T. Blaschke, S. Lang, & G. Hay (Eds.), Object-based image analysis. Spatial concepts for knowledge-driven remote sensing applications (pp. 75–89). Berlin: Springer.
Heiden, U., Heldens, W., Roessner, S., Segl, K., Esch, T., & Mueller, A. (2012). Urban structure type characterization using hyperspectral remote sensing and height information. Landscape and Urban Planning, 105(4), 361–375, http://dx.doi.org/10.1016/j. landurbplan.2012.01.001.
Hermosilla, T., Ruiz, L. A., Recio, J. A., & Balsa-Barreiro, J. (2012). Land-use mapping of Valencia City area from aerial images and LiDAR data. GEOProcessing 2012: The Fourth International Conference on Advanced Geographic Information Systems, Applications, and Services (pp. 232–237). Valencia: IARIA.
Herold, M., Liu, X., & Clarke, K. C. (2003). Spatial metrics and image texture for mapping urban land use. Photogrammetric Engineering Remote Sensing, 69(9), 991–1001.
Herold, M., Scepan, J., & Clarke, K. C. (2002). The use of remote sensing and landscape metrics to describe structures and changes in urban land uses. Environment and Planning - Part A, 34(8), 1443–1458, http://dx.doi.org/10.1068/a3496.
Lang, S. (2008). Object-based image analysis for remote sensing applications: modeling reality—Dealing with complexity. In T. Blaschke, S. Lang, & G. Hay (Eds.), Objectbased image analysis (pp. 3–27). Springer Berlin Heidelberg, http://dx.doi.org/10.1007/978-3-540-77058-9_1.
Lindner,M., Hese, S., Berger, C., & Schmullius, C. (2011). An object-basedmultisensoral approach for the derivation of urban land use structures in the city of Rostock, Germany. Earth Resources and Environmental Remote Sensing/gis Applications II, Vol. 8181, http://dx.doi.org/10.1117/12.898134.
McGarigal, K., & Marks, B. J. (1995). FRAGSTATS: Spatial pattern analysis program for quantifying landscape structure. General Technical Report PNW-GTR-351. Osmond, P. (2011). Application of the urban structural unit method to inform postcarbon planning and design. International Seminar on Urban Form: Urban Morphology and the Post-Carbon City. Montreal: ISUF.
Paine, D. P., & Kiser, J.D. (2003). Aerial photography and image interpretation (2nd ed.). Hoboken: John Wiley & Sons.
Pauleit, S., & Burkhardt, I. (2004). Umweltqualität und Stadtentwicklung. Landschaftsökologische Projekte von Friedrich Duhme für die Landeshauptstadt München. Landschaftsökologie in Forschung, Planung und Anwendung (pp. 89–116).
Pauleit, S., & Duhme, F. (1998). Assessing the metabolism of urban systems for urban planning. In J. Breuste, H. Feldmann, & O. Uhlmann (Eds.), Urban ecology (pp. 65–69).
Pauleit, S., & Duhme, F. (2000). Assessing the environmental performance of land cover types for urban planning. Landscape and Urban Planning, 52(1), 1–20, http://dx.doi.org/10.1016/S0169-2046(00)00109-2.
Puissant, A., Zhang, W., & Skupinski, G. (2012). Urban morphology analysis by high and very high spatial resolution remote sensing. 4th GEOBIA (pp. 524–529). Rio de Janeiro: INPE.
R Core Team (2014). R: A language and environment for statistical computing. Vienna: R Foundation for Statistical Computing (Retrieved from http://www.r-project.org/).
Schiewe, J. (2002). Segmentation of high-resolution remotely sensed data—Concepts, applications and problems. International Archives of Photogrammetry and Remote Sensing, 34(4), 380–385.
Senate Department for Urban Development and the Environment Berlin. (2010). Geoportal-Berlin.
Spellerberg, I. F., & Fedor, P. J. (2003). A tribute to Claude Shannon (1916-2001) and a plea for more rigorous use of species richness, species diversity and the “Shannon–Wiener” Index. Global Ecology and Biogeography, 12(3), 177–179, http://dx.doi.org/10.1046/j.1466-822X.2003.00015.x.
Taubenböck, H., Esch, T., & Roth, A. (2006). An urban classification approach based on an object-oriented analysis of high resolution satellite imagery for a spatial structuring within urban areas. 1st EARSeL Workshop of the SIG Urban Remote Sensing (pp. 8). Berlin: EARSel.
Tompalski, P., & Wezyk, P. (2012). LiDAR and VHRS data for assessing living quality in cities—An approach based on 3D indices. ISPRS International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XXXIX-B6. (pp. 173–176).
Trimble (2013). eCognition Developer 8.9 reference book. Munich: Trimble Germany GmbH.
Tucker, C. (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8(2), 127–150.
Tzotsos, A., Iosifidis, C., & Argialas, D. (2008). A hybrid texture-based and region-based multi-scale image segmentation algorithm. In T. Blaschke, S. Lang, & G. Hay (Eds.), Object-based image analysis (pp. 221–236). Springer Berlin Heidelberg, http://dx.doi.org/10.1007/978-3-540-77058-9_12.
Vitousek, P.M., Mooney, H. A., Lubchenco, J., & Melillo, J. M. (1997). Human domination of Earth's ecosystems. Science, 277(5325), 494–499, http://dx.doi.org/10.1126/science.277.5325.494.
Walde, I., Hese, S., Berger, C., & Schmullius, C. (2014). From land cover-graphs to urban structure types. International Journal of Geographical Information Science, 28(3), 584–609, http://dx.doi.org/10.1080/13658816.2013.865189.
Wurm, M., Taubenböck, H., & Dech, S. (2010). Quantification of urban structure on building block level utilizing multisensoral remote sensing data. Earth, 7831(1), 1–12, http://dx.doi.org/10.1117/12.864930.
Wurm, M., Taubenböck, H., Roth, A., & Dech, S. (2009). Urban structuring using multisensoral remote sensing data: By the example of the German cities Cologne and Dresden. 2009 Joint Urban Remote Sensing Event (pp. 1–8). IEEE, http://dx.doi.org/10.1109/URS.2009.5137555
