Im Rahmen der automatisierten Vorkartierung wurde eine überwachte Klassifizierung zur Vorhersage von Gründächern durchgeführt. Dafür mussten Referenzdaten in einem Teilgebiet (~2000 ha) von Berlin detailliert erfasst werden. Bei der Herleitung von Referenzdaten bilden die Gebäudeumrisse die Analysefläche, d. h. es wurde nur innerhalb dieser nach Vegetation gesucht. Gebäude, die nicht in den Datengrundlagen (ALKIS, NOT-ALKIS) vorhanden waren, wurden nicht analysiert. Zur Erfassung der Gründächer innerhalb der Analysefläche erwies sich eine Kombination aus einer unüberwachten Klassifizierung und Schwellwertanalyse unter Nutzung des Normalized Difference Vegetation Index (NDVI) als geeignete Vorgehensweise.
Im ersten Schritt wurde dabei ein dichtebasiertes Clustering (DBSCAN) bei Analyseflächen innerhalb der Gebäudeumrisse angewandt. Das DBSCAN ist ein unüberwachter Algorithmus, um Pixelwerte anhand der räumlichen Nähe im Merkmalsraum zu gruppieren und somit in Segmente zu unterteilen. Dabei wurden neben den Spektraldaten des TrueOrthophotos auch die Objekthöhe (nDOM) in die Analyse einbezogen. Die Segmente konnten daraufhin anhand ihres NDVI-Wertes charakterisiert werden und stellen bei einem durchschnittlichen Wert von über 0,1 eine erste Erfassung von Gründächern dar. Der NDVI ist ein synthetischer Kanal, der Informationen aus dem Nahen Infrarot (NIR-Kanal) und dem roten Spektralbereich (Rot-Kanal) miteinander kombiniert, wodurch Vegetationsflächen besonders hervorgehoben werden. In zahlreichen Untersuchungen hat sich dieser Zusatzkanal zur Differenzierung von vegetationsbedeckten und vegetationslosen Oberflächen sowie zur Klassifizierung von Versiegelungsgraden
bewährt (Coenradie et al. 2021, Coenradie & Haag 2016a). Aufgrund der geringen Flächengröße von ~2000 ha des Teilgebiets zur Herleitung von Referenzdaten, konnte die erste Erfassung von Gründächern mit geringem Aufwand durch eine visuelle Korrektur angepasst werden und diente im Weiteren als genaue Referenz für die überwachte Klassifizierung.
Für die überwachte Klassifizierung wurde ein Convolutional Neural Network (CNN) verwendet. Dies stellt eine Art von Neuronalen Netzen dar und hat sich bei der Klassifizierung von Bilddaten etabliert, da es neben der spektralen Signatur auch räumliche Strukturen innerhalb des Bildes in die Vorhersage mit einbezieht (Kattenborn et al. 2021). Eines der meist genutzten CNN-Architekturen ist das U-Net, das auch in diesem Projekt zur Gründacherkennung verwendet wurde (Ronneberger et al. 2015). Die überwachte Klassifizierung benötigt neben den beschriebenen Referenzdaten auch die zugehörigen Eingangsvariablen. Diese sind neben den Spektralbändern des Orthophotos auch das normalisierte Digitale Oberflächenmodell (nDOM) und die daraus berechnete Neigung der Dachfläche. Nach Training des Algorithmus konnte das Modell auf die restliche Untersuchungsfläche angewandt werden und erleichtert dabei die nachfolgende Kartierung. Aufgrund des hohen Datenbedarfs von Neuronalen Netzen und
der vergleichsweisen geringen Anzahl hergeleiteter Referenzdaten ist die Nachkartierung innerhalb der Prozesskette weiterhin ein essentieller Bestandteil. Die Modellvorhersage einer beispielhaften Teilfläche kann der folgenden Abb. 2 entnommen werden.
