Skip to main content
SpringerLink
Log in
Book cover

Handbuch der Geodäsie pp 1–37Cite as

Fusion von optischen und Radardaten

  • Living reference work entry
  • First Online:

  • 619 Accesses

Part of the book series: Springer Reference Naturwissenschaften ((SRN))

Zusammenfassung

Durch Fusion von optischen Fernerkundungsbildern und SAR-Daten können komplementäre Informationen über die Geländebedeckung gewonnen werden. In diesem Kapitel werden zunächst Grundlagen der Sensorik behandelt, wobei der Schwerpunkt auf SAR liegt. Im Anschluss werden drei verschiedene Anwendungen vorgestellt, bei denen eine solche Fusion sinnvoll sein kann: die Landbedeckungsklassifikation, die Detektion von Änderungen im Zuge von Katastrophenereignissen und schließlich die Erkennung von Gebäuden.

Dieser Beitrag ist Teil des Handbuchs der Geodäsie, Band „Photogrammetrie und Fernerkundung“, herausgegeben von Christian Heipke, Hannover.

This is a preview of subscription content, log in via an institution.

Notes

  1. 1.

    Zunächst kamen sogenannte opto-mechanische Sensoren zum Einsatz, bei denen quer zur Flugrichtung ein rotierender Spiegel die Detektorelemente belichtet. Moderne hochauflösende Sensoren sowie Landsat 8 basieren hingegen auf dem Prinzip des Zeilenscanners.

  2. 2.

    Dies betrifft nicht das thermische Infrarot, dieses Signal wird von der temperaturabhängigen Eigenstrahlung der Erdoberfläche verursacht. Thermisches Infrarot spielt indes für die in diesem Kapitel betrachteten Anwendungen keine Rolle und wird daher nicht weiter behandelt.

  3. 3.

    Diesen Effekt nutzt man im Mikrowellenherd aus.

  4. 4.

    Den Begriff der Reflexion verwendet man bei Oberflächen, die groß verglichen mit der Wellenlänge des Signals sind, Streuung hingegen eher für Interaktion mit Objekten in Volumina in der Größenordnung der Wellenlänge oder kleiner. Raue Flächen stellen einen Übergangsbereich beider Effekte dar, weil nun eine Vielzahl einzelner Objektfacetten vorliegt, deren Ausdehnung der Größenordnung der Wellenlänge entspricht.

  5. 5.

    Innerhalb von Metallen kann weder ein elektrisches noch ein magnetisches Feld existieren, diesz gilt auch für tangentiale elektrische Felder an der Oberfläche, die sofort durch induzierte Ströme verschwinden würden. Es können also nur E-Felder in Normalenrichtung der Oberfläche auftreten. Die in der Abbildung beschriebenen Phasensprünge tangentialer Komponenten des elektrischen Feldes zwischen einfallender und reflektierter Welle an der Metalloberfläche haben zur Folge, dass das tangentiale E-Feld an der Oberfläche Null ist.

  6. 6.

    Siehe z. B. [51] für die Anwendung eines Conditional Random Fields auf optisch-SAR Fusion zur Gebäudedetektion und [37] für einen generellen Überblick und Vergleich verschiedener Glättungsmethoden am Beispiel von optischen Bildern.

  7. 7.

    Es findet eine Fülle von Klassifikationsansätzen Verwendung, deren vollständige Aufzählung und Beschreibung im Rahmen dieses Kapitels zu weit führen würde. So gibt es z. B. auch eine Vielzahl an regelbasierten Ansätzen oder unüberwachten (Clustering) Methoden (siehe z. B. [25] für eine Kombination von Clustering und Dempster-Shafer Evidenz-Theorie). An dieser Stelle soll aus Platzgründen nur auf die in der aktuellen Forschung bezüglich optisch-SAR Fusion gebräuchlichsten Methoden eingegangen werden. Dies sind vor allem überwachte (generative oder diskriminative) Verfahren.

  8. 8.

    Die Pioniere dieser Technik vom Polytechnikum Mailand [14] gründeten eine Firma namens TRE und ließen sich den Begriff „Permanent Scatterer Interferometry“ sowie das Akronym PSInSAR schützen. Daher verwendet man oft die freien Bezeichnungen „Persistent…“ und die Abkürzung PSI.

  9. 9.

    In diesem Abschnitt ist mit der Kurzform Cornerlinie (engl. Corner = Ecke) eine in SAR-Amplitudenbildern oftmals beobachtet helle Linie entlang des ausgedehnten Dieders gemeint, welcher auf der dem Sensor zugewandten Gebäudeseite zwischen Fassade und davorliegendem Grund aufgespannt wird.

Literatur

  1. Auer, S., Hinz, S., Bamler, R.: Ray-tracing simulation techniques for understanding high-resolution SAR images. IEEE Trans. Geosci. Remote Sens. 48(3), 1445–1456 (2010). doi:10.1109/TGRS.2009.2029339

    Article  Google Scholar 

  2. Bamler, R., Hartl, P.: Synthetic aperture radar interferometry. Inverse Probl. 14(4), R1-R54 (1998)

    Article  Google Scholar 

  3. Bamler, R., Schättler, B.: SAR data acquisition and image formation. In: Schreier, G. (Hrsg.) SAR Geocoding: Data and systems, S. 53–102. Wichmann, Karlsruhe (1993)

    Google Scholar 

  4. Ban, Y.: Synergy of multitemporal ERS-1 SAR and landsat TM data for classification of agricultural crops. Can. J. Remote Sens. 29(4), 518–526 (2003)

    Article  Google Scholar 

  5. Boerner, W.M., Mott, H., Lüneburg, E., Livingston, C., Brisco, B., Brown, R.J., Paterson, J.S.: Polarimetry in radar remote sensing: Basic and applied concepts, Chapter 5. In: Henderson, F.M., Lewis, A.J. (Hrsg.) Principles and Applications of Imaging Radar. Volume 2 of Manual of Remote Sensing (Reyerson, R.A. (Hrsg.)), 3. Aufl. Wiley, New York (1998)

    Google Scholar 

  6. Brunner, D., Lemoine, G., Bruzzone, L., Greidanus, H.: Building height retrieval from VHR SAR imagery based on an iterative simulation and matching technique. IEEE Trans. Geosci. Remote Sens. 48(3), 1487–1504 (2010)

    Article  Google Scholar 

  7. Brunner, D., Lemoine, G., Bruzzone, L.: Earthquake damage assessment of buildings using VHR optical and SAR imagery. IEEE Trans. Geosci. Remote Sens. 48(5), 2403–2420 (2010)

    Article  Google Scholar 

  8. Chini, M., Pierdicca, N., Emery, W.: Exploiting SAR and VHR optical images to quantify damage caused by the 2003 Bam earthquake. IEEE Trans. Geosci. Remote Sens. 47(1), 145–152 (2009)

    Article  Google Scholar 

  9. Dare, P., Dowman, I.: A new approach to automatic feature based registration of SAR and SPOT images. In: International Archives of Photogrammetry and Remote Sensing, Amsterdam, vol. XXXIII, Part B2, S. 125–130 (2000)

    Google Scholar 

  10. Dekker, R.J.: Texture analysis and classification of SAR images of urban areas. In: Proceedings of 2nd GRSS/ISPRS Joint workshop on remote sensing and data fusion on urban area, Berlin, S. 258–262 (2003)

    Google Scholar 

  11. Denis, L., Tupin, F., Darbon, J., Sigelle, M.: Joint regularization of phase and amplitude of InSAR data: application to 3-D reconstruction. IEEE Trans. Geosci. Remote Sens. 47(11), 3774–3785 (2009)

    Article  Google Scholar 

  12. Ehlers, M., Tomowski, D.: On segment based image fusion. In: Blaschke, T., Lang, S., Hay, G.J. (Hrsg.) Object-Based Image Analysis: Spatial Concepts for Knowledge-Driven Remote Sensing Applications. Lecture Notes in Geoinformation and Cartography, S. 735–754. Springer, Berlin/London (2008)

    Chapter  Google Scholar 

  13. ERS-Programm der ESA seit 1991. https://earth.esa.int/web/guest/missions/esa-operational-eo-missions/ers. Zugegriffen am 25.02.2016

  14. Ferretti, A., Prati, C., Rocca, F.: Nonlinear subsidence rate estimation permanent scatterers in differential SAR interferometry. IEEE Trans. Geosci. Remote Sens. 38(5), 2202–2212 (2000)

    Article  Google Scholar 

  15. Gamba, P., Houshmand, B.: Hyperspectral and IFSAR data for 3D urban characterization. In: IEEE International Geoscience and Remote Sensing Symposium, Bd. 6, S. 2611–2613 (2000)

    Google Scholar 

  16. Hepner, G.F., Houshmand, B., Kulikov, I., Bryant, N.: Investigation of the integration of AVIRIS and IFSAR for urban analysis. Photogramm. Eng. Remote Sens. 64(8), 813–820 (1998)

    Google Scholar 

  17. Hong, T.D., Schowengerdt, R.A.: A robust technique for precise registration of radar and optical satellite images. Photogramm. Eng. Remote Sens. 71(5), 585–593 (2005)

    Article  Google Scholar 

  18. Inglada, J., Giros, A.: On the possibility of automatic multisensor image registration. IEEE Trans. Geosci. Remote Sens. 42(10), 2104–2120 (2004)

    Article  Google Scholar 

  19. Jacobsen, K.: Satellitenphotogrammetrie, Handbuch für Geodäsie, dieser Band (2015)

    Google Scholar 

  20. Klare, J., Weiss, M., Peters, O., Brenner, A., Ender, J.: ARTINO: A new high resolution 3D imaging radar system on an autonomous airborne platform. In: IEEE Geoscience and Remote Sensing Symposium, Denver, S. 3842–3845 (2006)

    Google Scholar 

  21. Klausing, H., Holpp, W.: Radar mit realer und synthetischer Apertur. Oldenbourg Verlag, München (2000)

    Book  Google Scholar 

  22. Krieger, G., Moreira, A., Fiedler, H., Hajnsek, I., Werner, M., Younis, M., Zink, M.: TanDEM-X: a satellite formation for high-resolution SAR interferometry. IEEE Trans. Geosci. Remote Sens. 45(11), 3317–3341 (2007). doi:10.1109/TGRS.2007.900693

    Article  Google Scholar 

  23. Landsat-Programm der USA seit 1972. http://landsat.gsfc.nasa.gov/. Zugegriffen am 25.02.2016

  24. Leberl, F.: Radargrammetric Image Processing. Artech House (1990). ISBN:978-0890062739

    Google Scholar 

  25. Le Hégarat-Mascle, S., Bloch, I., Vidal-Madjar, D.: Application of Dempster-Shafer evidence theory to unsupervised classification in multisource remote sensing. IEEE Trans. Geosci. Remote Sens. 35(4), 1018–1031 (1997)

    Article  Google Scholar 

  26. Li, K., Brisco, B., Shao, Y., Touzi, R.: Polarimetric decomposition with RADARSAT-2 for rice mapping and monitoring. Can. J. Remote Sens. 38(2), 169–179 (2012)

    Article  Google Scholar 

  27. Lopes, A., Nezry, E., Touzi, R., Laur, H.: Structure detection and statistical adaptive speckle filtering in SAR images. Int. J. Remote Sens. 1366–5901 14(9), 1735–1758 (1993)

    Google Scholar 

  28. Lu, D., Weng, Q.: A survey of image classification methods and techniques for improving classification performance. Int. J. Remote Sens. 28(5), 823–870 (2007)

    Article  Google Scholar 

  29. Macri-Pellizzeri, T., Oliver, C.J., Lombardo, P.: Segmentation-based joint classification of SAR and optical images. IEE Radar Sonar Navig. 149(6), 281–296 (2002)

    Article  Google Scholar 

  30. McNairn, H., Champagne, C., Shang, J., Holmstrom, D., Reicher, G.: Integration of optical and synthetic aperture radar (SAR) imagery for delivering operational annual crop inventories. ISPRS J. Photogramm. Remote Sens. 64(5), 434–449 (2009)

    Article  Google Scholar 

  31. Rabus, B., Eineder, M., Roth, A., Bamler, R.: The shuttle radar topography mission – A new class of digital elevation models acquired by spaceborne radar. ISPRS J. Photogramm. Remote Sens. 57(4), 241–262 (2003)

    Article  Google Scholar 

  32. Rappl, A., Elatawneh, A., Thiele, A., Troycke, A., Schneider, T., Knoke, T., Hinz, S.: Einsatz der Fernerkundungssysteme TerraSAR-X und RapidEye im Katastrophenmanagement von Windwurfereignissen. Informationstechnologie für eine nachhaltige Landbewirtschaftung – Referate der 32. GIL-Jahrestagung, GI-Edition – Lecture Notes in Informatics (LNI), Bd. 194, S. 235–238 (2012). ISBN:978-3885792888

    Google Scholar 

  33. Reiche, J., Souza, C.M., Hoekman, D.H., Verbesselt, J., Persaud, H., Herold, M.: Feature level fusion of multi-temporal ALOS PALSAR and landsat data for mapping and monitoring of tropical deforestation and forest degradation. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 6(5), 2159–2173 (2013)

    Article  Google Scholar 

  34. Reigber, A., Scheiber, R., Jäger, M., Prats, P., Hajnsek, I., Jagdhuber, T., Papathanassiou, K., Nannini, M., Aguilera, E., Baumgartner, S., Horn, R., Nottensteiner, A., Moreira, A.: Very-high-resolution airborne synthetic aperture radar imaging: signal processing and applications. Proc. IEEE 101(3), 759–783 (2013)

    Article  Google Scholar 

  35. Sauer, S., Ferro-Famil, L., Reigber, A., Pottier, E.: Polarimetric dual-baseline InSAR building height estimation at L-band. IEEE Geosci. Remote Sens. Lett. 6(3), 408–412 (2009)

    Article  Google Scholar 

  36. Schack, L., Soergel, U.: Exploiting regular patterns to group persistent scatterers in urban areas. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 7(10), 4177–4183 (2014)

    Article  Google Scholar 

  37. Schindler, K.: An overview and comparison of smooth labeling methods for land-cover classification. IEEE Trans. Geosci. Remote Sens. 50(11), 4534–4545 (2012)

    Article  Google Scholar 

  38. Schunert, A., Soergel, U.: Grouping of persistent scatterers in high-resolution SAR data of urban scenes. ISPRS J. Photogramm. Remote Sens. 73, 80–88 (2012)

    Article  Google Scholar 

  39. Simard, M., Saatchi, S., DeGrandi, G.: The use of decision tree and multiscale texture for classification of JERS-1 SAR data over tropical forest. IEEE Trans. Geosci. Remote Sens. 38(5), 2310–2321 (2000)

    Article  Google Scholar 

  40. Soergel, U., Cadario, E., Thiele, A., Thoennessen, U.: Feature extraction and visualization of bridges over water from high-resolution InSAR data and one orthophoto. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 1(2), 147–153 (2008)

    Article  Google Scholar 

  41. Sportouche, H., Tupin, F., Denise, L.: Extraction and three-dimensional reconstruction of isolated buildings in urban scenes from high-resolution optical and SAR spaceborne images. IEEE Trans. Geosci. Remote Sens. 49(10), 3932–3946 (2011)

    Article  Google Scholar 

  42. Suri, S., Reinartz, P.: Mutual-information-based registration of TerraSAR-X and IKONOS imagery in urban areas. IEEE Trans. Geosci. Remote Sens. 48(2), 939–949 (2010)

    Article  Google Scholar 

  43. TerraSAR-X Produktspezifikation. http://www.dlr.de/PortalData/1/Resources/raumfahrt/weltraum/TX-GS-DD-3302_Basic-Product-Specification-Document_1.5.pdf. Zugegriffen am 25.02.2016

  44. Thiele, A., Boldt, M., Hinz, S.: Automated detection of storm damage in forest areas by analizing TerraSAR-X data. In: IEEE International Geoscience and Remote Sensing Symposium, Munich, S. 1672–1675 (2012)

    Google Scholar 

  45. Tison, C., Nicolas, J.-M., Tupin, F., Maître, H.: A new statistical model for Markovian classification of urban areas in high-resolution SAR images. IEEE Trans. Geosci. Remote Sens. 42(10), 2046–2057 (2004)

    Article  Google Scholar 

  46. Toutin, T.: Multisource data fusion with an integrated and unified geometric modelling. EARSeL J. Adv. Remote Sens. 4(2), 118–129 (1995)

    Google Scholar 

  47. Tupin, F., Roux, M.: Detection of building outlines based on the fusion of SAR and optical features. ISPRS J. Photogramm. Remote Sens. 58, 71–82 (2003)

    Article  Google Scholar 

  48. Tupin, F., Roux, M.: Markov random field on region adjacency graph for the fusion of SAR and optical data in radargrammetric applications. IEEE Trans. Geosci. Remote Sens. 43(8), 1920–1928 (2005)

    Article  Google Scholar 

  49. Waske, B., Benediktsson, J.A.: Fusion of support vector machines for classification of multisensor data. IEEE Trans. Geosci. Remote Sens. 45(12), 3858–3866 (2007)

    Article  Google Scholar 

  50. Waske, B., van der Linden, S.: Classifying multilevel imagery from SAR and optical sensors by decision fusion. IEEE Trans. Geosci. Remote Sens. 46(5), 1457–1466 (2008)

    Article  Google Scholar 

  51. Wegner, J.D., Haensch, R., Thiele, A., Soergel, U.: Building detection from one orthophoto and high-resolution InSAR data using conditional random fields. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 4(1), 83–91 (2011)

    Article  Google Scholar 

  52. Wegner, J.D., Rosenhahn, B., Soergel, U.: Segment-based building detection with conditional random fields. In: 6th IEEE/GRSS/ISPRS Joint Urban Remote Sensing Event, Munich, S. 205–208 (2011)

    Google Scholar 

  53. Wegner, J.D., Ziehn, J.R., Soergel, U.: Combining high-resolution optical and InSAR features for height estimation of buildings with flat roofs. IEEE Trans. Geosci. Remote Sens. 52(9), 5840–5854 (2014)

    Article  Google Scholar 

  54. Xiao, R., Lesher, C., Wilson, B.: Building detection and localization using a fusion of interferometric synthetic aperture radar and multispectral image. In: ARPA Image Understanding Workshop, S. 583–588 (1998)

    Google Scholar 

  55. Yang, C.H., Soergel, U., Lanaras, C., Baltsavias, E., Remondino, F., Wakabayashi, H.: Rapid disaster analysis based on remote sensing: a case study about the Tohoku Tsunami disaster 2011. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. XL-7, 209–216 (2014)

    Article  Google Scholar 

  56. Zink, M., Bachmann, M., Bräutigam, B., Fritz, T., Hajnsek, I., Krieger, G., Moreira, A., Wessel, B.: TanDEM-X: Das neue globale Höhenmodell der Erde, Handbuch für Geodäsie, dieser Band (2015)

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Universität Stuttgart, Stuttgart, Deutschland

    Uwe Sörgel

  2. ETH Zürich, Zürich, Schweiz

    Jan Dirk Wegner

  3. KIT und Fraunhofer IOSB, Karlsruhe, Deutschland

    Antje Thiele

Authors
  1. Uwe Sörgel
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Jan Dirk Wegner
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Antje Thiele
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Uwe Sörgel .

Editor information

Editors and Affiliations

  1. Lehr- und Forschungsgebiet "Geomathemati, TU Kaiserslautern, Kaiserslautern, Germany

    Willi Freeden

  2. Physikalische Geodäsie, TU München Inst. Astronomische und, München, Germany

    Reiner Rummel

Rights and permissions

Reprints and permissions

Copyright information

© 2015 Springer-Verlag Berlin Heidelberg

About this entry

Cite this entry

Sörgel, U., Wegner, J., Thiele, A. (2015). Fusion von optischen und Radardaten. In: Freeden, W., Rummel, R. (eds) Handbuch der Geodäsie. Springer Reference Naturwissenschaften . Springer Spektrum, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-46900-2_54-1

Download citation

  • DOI: https://doi.org/10.1007/978-3-662-46900-2_54-1

  • Received:

  • Accepted:

  • Published:

  • Publisher Name: Springer Spektrum, Berlin, Heidelberg

  • Online ISBN: 978-3-662-46900-2

  • eBook Packages: Springer Referenz Naturwissenschaften

Publish with us

Policies and ethics

Search

Navigation