Veränderungserkennung

Veränderungserkennung ist der Prozess der Identifikation und Lokalisierung von Veränderungen zwischen zwei oder mehreren zeitlich versetzten Mess- oder Bilddaten. In der Fernerkundung dient sie dem Erkennen von Veränderungen der Oberflächenbeschaffenheit, in der Medizin der Nachweis von Gewebsveränderungen und in der Umweltüberwachung der Dokumentation von Landnutzungs- oder Infrastrukturänderungen. Ziel ist meist die Erstellung einer Veränderungskarte, die Bereiche mit relevanten Veränderungen markiert.

Typische Datenquellen sind optische Satellitenbilder, Luftaufnahmen, Radarbilder (SAR) sowie zeitliche Sequenzen verschiedener Sensoren. Wesentliche Vorbedingungen sind eine gute geometrische Ko-registration, radiometrische Korrekturen und eine möglichst vergleichbare Aufnahmebedingung zwischen den Datensätzen.

Verfahren der Veränderungserkennung lassen sich grob in pixelbasierte, instanzenbasierte (objektbasierte) und lernbasierte Ansätze einteilen. Klassische Methoden umfassen Bilddifferenz, Verhältnisbildverfahren und Change Vector Analysis. Moderne Ansätze nutzen maschinelles Lernen oder Deep Learning, um Merkmale aus mehreren Zeitpunkten zu kombinieren und komplexe Änderungsmuster zu identifizieren.

Der typische Workflow umfasst Datenerwerb, Vorverarbeitung, Ko-Registrierung, Merkmalsextraktion, die eigentliche Change-Detection-Operation, Postprocessing sowie Validierung. Die Validierung erfolgt häufig über Kontingenzmatrizen und Kennzahlen wie Overall Accuracy, Producer’s und User’s Accuracy sowie den Kappa-Wert.

Herausforderungen sind saisonale und phenologische Unterschiede, atmosphärische oder Beleuchtungsunterschiede, Schatteneffekte, Abbildungsverzerrungen und Mehrsensorprobleme. Anwendungen finden sich in Umwelt- und Naturschutz, Stadt- und Infrastrukturüberwachung, Katastrophenbewertung sowie Landwirtschaft und Ressourcenmanagement. Der Trend geht zu daten- und modellintensiven Ansätzen mit Multi-Temporal-Analysen und der Integration von Multi-Sensor-Daten.