Tulkintamenetelmiä rakennetun ympäristön kartoitukseen

There is a growing demand for high-quality spatial data and for efficient methods of updating spatial databases. In the present study, automated object-based interpretation methods were developed and tested for coarse land use mapping, detailed land cover and building mapping, and change detection of buildings. Various modern remotely sensed datasets were used in the study. An automatic classification tree method was applied to building detection and land cover classification to automate the development of classification rules. A combination of a permanent land cover classification test field and the classification tree method was suggested and tested to allow rapid analysis and comparison of new datasets. The classification and change detection results were compared with up-to-date map data or reference points to evaluate their quality. The combined use of airborne laser scanner data and digital aerial imagery gave promising results considering topographic mapping. In automated building detection using laser scanner and aerial image data, 96% of all buildings larger than 60 m2 were correctly detected. This accuracy level (96%) is compatible with operational quality requirements. In automated change detection, about 80% of all reference buildings were correctly classified. The overall accuracy of a land cover classification into buildings, trees, vegetated ground and non-vegetated ground using laser scanner and aerial image data was 97% compared with reference points. When aerial image data alone were used, the accuracy was 74%. A comparison between first pulse and last pulse laser scanner data in building detection was also carried out. The comparison showed that the use of last pulse data instead of first pulse data can improve the building detection results. The results yielded by automated interpretation methods could be helpful in the manual updating process of a topographic database. The results could also be used as the basis for further automated processing steps to delineate and reconstruct objects. The synthetic aperture radar (SAR) and optical satellite image data used in the study have their main potential in land cover monitoring applications. The coarse land use classification of a multitemporal interferometric SAR dataset into built-up areas, forests and open areas lead to an overall accuracy of 97% when compared with reference points. This dataset also appeared to be promising for classifying built-up areas into subclasses according to building density. Important topics for further research include more advanced interpretation methods, new and multitemporal datasets, optimal combinations of the datasets, and wider sets of objects and classes. From the practical point of view, work is needed in fitting automated interpretation methods in operational mapping processes and in further testing of the methods.Laadukkaan paikkatiedon tarve kasvaa jatkuvasti, ja paikkatietokantojen ajantasaistukseen tarvitaan tehokkaita menetelmiä. Tässä tutkimuksessa käytettiin useita uudenaikaisia kaukokartoitusaineistoja. Niiden pohjalta kehitettiin ja testattiin automaattisia, objektipohjaisia tulkintamenetelmiä yleispiirteiseen maankäytön luokitteluun, yksityiskohtaiseen maanpeitteen ja rakennusten kartoitukseen sekä rakennusten muutostulkintaan. Rakennusten tulkintaan ja maanpeiteluokitteluun sovellettiin automaattista luokittelupuumenetelmää, jonka avulla voidaan automatisoida luokittelusääntöjen kehittäminen. Uusia aineistoja voidaan analysoida ja vertailla nopeasti, kun luokittelupuumenetelmää käytetään yhdessä pysyvän maanpeiteluokittelutestikentän kanssa. Luokittelu- ja muutostulkintatuloksia verrattiin niiden laadun arvioimiseksi ajantasaiseen kartta-aineistoon tai referenssipisteisiin. Ilmalaserkeilausaineisto ja digitaalinen ilmakuva-aineisto yhdessä antoivat lupaavia tuloksia maastotietojen kartoitusta ajatellen. Automaattisessa rakennusten tulkinnassa 96 % kaikista yli 60 m2:n rakennuksista tunnistettiin oikein. Tämä tarkkuustaso (96 %) vastaa käytännön laatuvaatimuksia. Automaattisessa muutostulkinnassa noin 80 % kaikista referenssirakennuksista luokiteltiin oikein. Maanpeiteluokittelussa neljään luokkaan saavutettiin laserkeilaus- ja ilmakuva-aineistoa käyttäen 97 %:n kokonaistarkkuus referenssipisteisiin verrattuna. Pelkkää ilmakuva-aineistoa käytettäessä tarkkuus oli 74 %. Tutkimuksessa verrattiin myös ensimmäiseen ja viimeiseen paluupulssiin perustuvia laserkeilausaineistoja rakennusten tulkinnassa. Vertailu osoitti, että viimeisen paluupulssin käyttö ensimmäisen sijasta voi parantaa tulkintatuloksia. Automaattisten tulkintamenetelmien tuloksista voisi olla hyötyä maastotietojen manuaalisessa ajantasaistusprosessissa tai lähtötietoina kohteiden automaattisessa rajauksessa ja mallinnuksessa. Tutkimuksessa käytettyjen synteettisen apertuurin tutkan (SAR) tuottamien kuvien ja optisen satelliittikuvan tärkeimmät hyödyntämismahdollisuudet liittyvät maanpeitteen kartoitukseen. Yleispiirteisessä maankäyttöluokittelussa kolmeen luokkaan saavutettiin moniaikaista interferometrista SAR-aineistoa käyttäen 97 %:n kokonaistarkkuus referenssipisteisiin verrattuna. Aineisto osoittautui lupaavaksi myös rakennettujen alueiden jatkoluokitteluun rakennustiheyden perusteella. Jatkotutkimusten kannalta tärkeitä aiheita ovat edistyneemmät tulkintamenetelmät, uudet ja moniaikaiset aineistot, eri aineistojen optimaalinen yhdistäminen sekä useampien kohteiden ja luokkien tarkastelu. Käytännön näkökulmasta työtä tarvitaan automaattisten tulkintamenetelmien sovittamiseksi operatiivisiin kartoitusprosesseihin. Myös menetelmien testausta on jatkettava