Deep-Learning-basierte Baumartenklassifizierung auf Basis von multitemporalen ALS-Daten

Sead Mustafic; Mathias Schardt

doi:10.14627/537669031

Deep-Learning-basierte Baumartenklassifizierung auf Basis von multitemporalen ALS-Daten

Research output: Chapter in Book/Report/Conference proceeding › Conference paper › peer-review

Abstract

In diesem Beitrag werden Methoden zur Baumartentrennung (Fichte, Kiefer und Laubbäume) auf Basis von multitemporalen ASL-Daten mit einem Deep-Learning(DL)-Ansatz unter Verwendung von Convolutional Neural Network (CNN) untersucht. Die Baumartentrennung wurde auf Einzelbaumbasis durchgeführt. Die erreichten Genauigkeiten für einzelne Datenepochen variieren zwi-schen 60 % und 80 %. Durch das Zusammenführen von einzelnen Ergebnissen zu einer multitempora-len Klassifikation konnte eine Genauigkeit von knapp 90 % erreicht werden.

Original language	German
Title of host publication	AGIT ‒ Journal für Angewandte Geoinformatik
Pages	329-337
Number of pages	9
Volume	5-2019
ISBN (Electronic)	ISBN 978-3-87907-671-0
DOIs	https://doi.org/10.14627/537669031
Publication status	Published - 3 Jul 2019

Access to Document

10.14627/537669031

Cite this

@inproceedings{7cf30cf244cd425c9976fbdaa884e934,

title = "Deep-Learning-basierte Baumartenklassifizierung auf Basis von multitemporalen ALS-Daten",

abstract = "In diesem Beitrag werden Methoden zur Baumartentrennung (Fichte, Kiefer und Laubb{\"a}ume) auf Basis von multitemporalen ASL-Daten mit einem Deep-Learning(DL)-Ansatz unter Verwendung von Convolutional Neural Network (CNN) untersucht. Die Baumartentrennung wurde auf Einzelbaumbasis durchgef{\"u}hrt. Die erreichten Genauigkeiten f{\"u}r einzelne Datenepochen variieren zwi-schen 60 % und 80 %. Durch das Zusammenf{\"u}hren von einzelnen Ergebnissen zu einer multitempora-len Klassifikation konnte eine Genauigkeit von knapp 90 % erreicht werden.",

author = "Sead Mustafic and Mathias Schardt",

year = "2019",

month = jul,

day = "3",

doi = "10.14627/537669031",

language = "deutsch",

isbn = "ISBN 978-3-87907-669-7",

volume = "5-2019",

pages = "329--337",

booktitle = "AGIT ‒ Journal f{\"u}r Angewandte Geoinformatik",

}

TY - GEN

T1 - Deep-Learning-basierte Baumartenklassifizierung auf Basis von multitemporalen ALS-Daten

AU - Mustafic, Sead

AU - Schardt, Mathias

PY - 2019/7/3

Y1 - 2019/7/3

N2 - In diesem Beitrag werden Methoden zur Baumartentrennung (Fichte, Kiefer und Laubbäume) auf Basis von multitemporalen ASL-Daten mit einem Deep-Learning(DL)-Ansatz unter Verwendung von Convolutional Neural Network (CNN) untersucht. Die Baumartentrennung wurde auf Einzelbaumbasis durchgeführt. Die erreichten Genauigkeiten für einzelne Datenepochen variieren zwi-schen 60 % und 80 %. Durch das Zusammenführen von einzelnen Ergebnissen zu einer multitempora-len Klassifikation konnte eine Genauigkeit von knapp 90 % erreicht werden.

AB - In diesem Beitrag werden Methoden zur Baumartentrennung (Fichte, Kiefer und Laubbäume) auf Basis von multitemporalen ASL-Daten mit einem Deep-Learning(DL)-Ansatz unter Verwendung von Convolutional Neural Network (CNN) untersucht. Die Baumartentrennung wurde auf Einzelbaumbasis durchgeführt. Die erreichten Genauigkeiten für einzelne Datenepochen variieren zwi-schen 60 % und 80 %. Durch das Zusammenführen von einzelnen Ergebnissen zu einer multitempora-len Klassifikation konnte eine Genauigkeit von knapp 90 % erreicht werden.

UR - https://gispoint.de/fileadmin/user_upload/paper_gis_open/AGIT_2019/537669031.pdf

U2 - 10.14627/537669031

DO - 10.14627/537669031

M3 - Beitrag in einem Konferenzband

SN - ISBN 978-3-87907-669-7

VL - 5-2019

SP - 329

EP - 337

BT - AGIT ‒ Journal für Angewandte Geoinformatik

ER -

Deep-Learning-basierte Baumartenklassifizierung auf Basis von multitemporalen ALS-Daten

Abstract

Access to Document

Other files and links

Cite this