DeepIndices: Fernerkundungsindizes basierend auf der Approximation von Funktionen mittels Deep-Learning, Anwendung auf unkalibrierte Vegetationsbilder

Die Form eines Fernerkundungsindices wird in der Regel empirisch definiert, sei es durch die Auswahl spezifischer Reflexionsbänder, Gleichungsformen oder deren Koeffizienten. Diese spektralen Indizes werden typischerweise als Vorverarbeitungsschritt vor der Objekterkennung bzw. -klassifikation eingesetzt. Bisher scheint jedoch kein Ansatz existiert zu haben, der die optimale Form mittels Funktionsapproximation systematisch zu suchen und damit die Klassifikation und/oder Segmentierung zu optimieren. Ziel dieser Studie ist es, ein Verfahren zu entwickeln, das mithilfe eines statistischen Ansatzes mittels Gradientenabstieg die optimale Indexform auf Basis verschiedener allgemeiner Gleichungsformen ermittelt. Anhand von sechs Wellenbandbildern wurden fünf Gleichungsformen getestet: linear, lineare Ratio, polynomial, universeller Funktionsapproximator sowie dichter morphologischer Ansatz. Zudem werden verschiedene Techniken aus der Signalverarbeitung und Bildanalyse innerhalb eines Deep-Learning-Frameworks eingesetzt. Die Leistungsfähigkeit herkömmlicher Indizes und der neu entwickelten DeepIndices wurde anhand zweier Metriken bewertet: des Dice-Koeffizienten (ähnlich dem F1-Score) und des mittleren Intersection-over-Union (mIoU). Die Studie konzentriert sich auf eine spezifische Multispektralkamera, die für die Nahfeld-Aufnahme von Boden- und Pflanzenoberflächen eingesetzt wird. Die DeepIndices wurden anhand desselben Vegetationsdatensatzes und derselben Metriken mit 89 gängigen Vegetationsindizes verglichen. Als Beispiel: Der am häufigsten verwendete Vegetationsindex, der NDVI (Normalized Difference Vegetation Index), erreicht eine mIoU von 63,98 %, während unsere besten Modelle eine analytische Lösung zur Rekonstruktion eines Indices liefern, die eine mIoU von 82,19 % erzielt. Dieser Unterschied ist signifikant und ermöglicht eine verbesserte Segmentierung sowie eine höhere Robustheit gegenüber externen Einflussfaktoren sowie eine präzisere Formbestimmung der detektierten Objekte.