Kurzfassung
Thermaldaten bilden die Grundlage für eine Vielzahl von
Anwendungen in der Fernerkundung. Meistens handelt es sich dabei
um Messungen zu einem oder zwei Tageszeitpunkten.
Wir untersuchen Methoden für die Verwendung von
multitemporalen Thermaldatensätzen.
Wir verfolgen dabei zwei unterschiedliche Ansätze:
einen physikalischen, bei dem Temperaturmessungen direkt
für die Berechnung von bodenbezogenen Parametern benutzt
werden, und einen statistischen, der Temperaturwerte als
Merkmale für die thematische Klassifikation definiert.
Im ersten Teil der Arbeit wird ein weiterentwickeltes analytisches Modell der Tagestemperaturkurve vorgestellt, das eine sich ändernde atmosphärische Transmissivität berücksichtigen kann. Auf Basis dieses Modells wird ein Verfahren zur Berechnung von Bodenparametern vorgeschlagen. Dafür wird der relative Aufwärmindex RHI eingeführt, der das Verhältnis aus zwei Temperaturdifferenzen repräsentiert. Durch den RHI ist eine einfache numerische Inversion des analytischen Tagestemperaturmodells möglich, die in allen untersuchten Fällen die optimale mathematische Lösung in Bezug auf die bestimmten Parameter darstellt.
Im zweiten Teil der Arbeit wird die Verwendbarkeit von multitemporalen Thermaldatensätzen für die thematische Klassifikation diskutiert. Im Gegensatz zu bisherigen Untersuchungen trennen wir Temperatur- und Reflektanzdaten für die statistische Auswertung, wodurch eine eindeutige Interpretation der Ergebnisse möglich ist. Nach der Untersuchung des Einflusses von Variationen der Bodenparameter auf die Oberflächentemperatur, kombinieren wir Thermaldaten mit den statistischen Konzepten der Klassifikation von multivariaten Datensätzen. Wir definieren dafür den Multitemporalen Temperaturmerkmalsraum (MTFS), der von Temperaturwerten, die zu verschiedenen Tageszeitpunkten gemessen wurden, aufgespannt wird.
Die Grundlage für die experimentellen Untersuchungen bildet eine Messkampagne in Nürnberg vom 27. August 1997. Mittels eines flugzeuggetragenen DAEDALUS-Sensors wurde ein multispektraler Datensatz zu vier verschiedenen Zeitpunkten aufgenommen: 4:30, 8:30, 11:30 und 12:30 (MEZ). Damit konnte die Anwendbarkeit des RHI-Algorithmus für große Fernerkundungsdatensätze gezeigt werden. Für die statistische Auswertung wurde ein MTFS aus den Temperaturdatensätzen der ersten drei Überflüge definiert. Die Klassifikationsergebnisse zeigen einen Genauigkeitsgewinn gegenüber einem aus Reflektanzen gebildeten Merkmalsraum bei der Unterscheidung von Vegetationsoberflächen und der Unterteilung von Dachflächen.
Thermal imagery has become a valuable information source for many applications in the field of remote sensing. Most of them rely on measurements at one or two times of a day. We investigate techniques to exploit multitemporal thermal data sets, focusing on those representing three or more measurements. We choose two different approaches: a physical one, directly connecting temperatures with surface related properties, and a {\em statistical} one, using temperature values as features for thematic classification.
In the first part, an improved fully analytical model of the diurnal temperature curve is introduced, being able to cope with a varying atmospheric transmissivity during a day. Based on this model we propose a method to calculate surface related properties. We therefore introduce a function representing the ratio of two temperature differences that we called the relative heating function RHI. The RHI allows the simple numerical inversion of the analytical temperature model, which in all cases investigated yields the optimum mathematical solution of the free model parameters. Thus, through the use of at least three temperature measurements, the simplifications of the model as performed by recent methods are prevented and the calculation of additional parameters is possible.
The applicability of multitemporal thermal data for thematic classification is the topic of the second part of this thesis. Other than recent approaches, we strictly separate thermal from reflective data during the statistical evaluation, providing us with a convenient interpretability of the results. After investigating the influences of variations in surface parameters on the surface temperature, we combine temperature data with the statistical concepts of classification based on multivariate data sets. We introduce the Multitemporal Temperature Feature Space (MTFS), which is spanned by a set of temperature values measured at different times a day.
Experimental results are based on a measurement campaign that took place at the city of Nuremberg on 27 August, 1997. Airborne multispectral imagery was acquired with a DAEDALUS sensor at four different times: 4:30, 8:30, 11:30 and 12:30 (MET). The RHI-algorithm proved to be applicable to large remotely sensed data sets. The calculated parameters are sensitive to errors of the measured temperature values, and usually an error reduction by averaging over larger areas has to be performed. A MTFS built by the first three overflights was used as basis for the statistical evaluation. Classification results show a considerable gain in accuracy in comparison with a reflectance feature space for the subdivision of vegetation types and the distinction of roof types.