Automating delineation and classification of alluvial fans by the use of object-based geomorphometry and machine learning

Pipaud, Isabel; Stauch, Georg; Lehmkuhl, Frank; Wellmann, Jan Florian

doi:HT020928030

Automating delineation and classification of alluvial fans by the use of object-based geomorphometry and machine learning = Automatische Identiﬁkation und Klassiﬁzierung von Schwemmfächern durch den Einsatz von objektbasierter Geomorphometrie und maschinellem Lernen

Pipaud, Isabel^RWTH*

2020 & 2021

Verantwortlichkeitsangabevorgelegt von M.Sc. Isabel Pipaud

ImpressumAachen : RWTH Aachen University 2020

Umfang1 Online-Ressource : Illustrationen, Diagramme

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2020

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2021

Genehmigende Fakultät
Fak05

Hauptberichter/Gutachter
Lehmkuhl, Frank (Thesis advisor)^RWTH* ; Wellmann, Jan Florian (Thesis advisor)^RWTH* ; Stauch, Georg (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2020-07-10

Online
DOI: 10.18154/RWTH-2021-03874
URL: https://publications.rwth-aachen.de/record/817365/files/817365.pdf

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
ML (frei) ; OBIA (frei) ; OBMA (frei) ; Schwemmfächer (frei) ; alluvial fans (frei) ; geomorphometry (frei) ; machine learning (frei) ; object-based (frei)

Thematische Einordnung (Klassifikation)
DDC: 550

Kurzfassung
Die automatische Erfassung von Oberflächenformen mittels digitaler Höhendaten ist ein zentrales Forschungsfeld der Geomorphometrie. Die Akquise umfangreicher thematischer Datensätze hat dabei das Potential, den wissenschaftlichen Fortschritt in der Geomorphologie und Nachbarwissenschaften zu forcieren – vor allem im Hinblick auf ein besseres Verständnis der Widerspiegelung formativer Prozesse in geomorphometrischen Variablen, sowie durch die Förderung des Transfers von in-situ gewonnenen Erkenntnissen in die Fläche. Im Zuge der stetig voranschreitenden Verbesserung der räumlichen Auﬂösung digitaler Höhenmodelle (DHM) weisen traditionelle, pixelbasierte Klassiﬁkationsverfahren zunehmende Deﬁzite auf. In Anerkennung dieses fundamentalen Problems wurden in der Fernerkundung entwickelte objektbasierte Verfahren auf geomorphologische Fragestellungen übertragen. Sämtliche bisher vorgestellten Verfahren für die Erfassung und Klassiﬁkation von Schwemmfächern führen die Differenzierung von lateral aneinander grenzenden Schwemmfächern allerdings nicht oder nur unzureichend durch, so dass weiterer Forschungsbedarf angezeigt ist. Wenngleich die objektbasierte Bildanalyse (OBIA) in den letzten zwei Jahrzehnten einen wichtigen Forschungszweig der Geomorphometrie darstellte, verhindern bisher unzureichend adressierte Probleme die operative Verwendung des Verfahrens: (1.) Während die Sensitivität des Segmentationsalgorithmus gegenüber Diskontinuitäten durch geeignete Parameterwahl gesteuert werden muss, kann die Bestimmung eines geeigneten Skalierungsfaktors beziehungsweise einer geeigneten Bandbreite lediglich a-posteriori erfolgen. (2.) Bei den bisher vorgestellten Anpassungen der OBIA für geomorphologische Fragestellungen wird zudem vernachlässigt, dass (i) morphometrische Variablen das lokale Höhenpunktfeld quantiﬁzieren und die Formalisierung geeigneter morphometrischer Metriken daher für sich ein Optimierungsproblem darstellt. Darüber hinaus ist (ii) die thematisch signiﬁkante Bandbreite stark durch die Charakteristiken des verwendeten DHMs beeinﬂusst. Als Grundlage für die anschließende Entwicklung eines auf geomorphometrische Fragestellungen spezialisierten objektbasierten Verfahrens werden in der vorliegenden Dissertation zunächst für wissenschaftliche Zwecke frei verfügbare, eine nahezu globale Auﬂösung aufweisende DHM-Datensätze vergleichend betrachtet. Sowohl die Ergebnisse der durchgeführten geomorphologischen Kartierung als auch die geomorphometrische Prozessierung attestieren dem TanDEM-X DHM eine gegenüber SRTM1 und ASTER GDEM überlegene Geländedarstellung. Lediglich für Bereiche extremen Reliefs treten der interferometrischen Radarprozessierung immanente Probleme zutage. Während das SRTM1 DHM durch eine grundsätzlich konsistente Geländewiedergabe gekennzeichnet ist, weist es eine durchgehend vorhandene, autokorrelierte körnige Textur auf. Im Gegensatz zu SRTM1 ist AW3D30 lediglich durch ein moderates, unkorreliertes Rauschen gekennzeichnet, welches über Filterungsverfahren leicht gedämpft werden kann. Von der Anwendung von ASTER GDEM für geomorphometrische Zwecke ist hingegen abzuraten, da hier eine unzureichende Genauigkeit der Parallaxenbestimmung in einer prominent welligen, Geländemerkmale überprägenden Textur resultiert. Im Hinblick auf den substantiellen Einﬂuss des verwendeten DHMs auf die signiﬁkanten Wertebereiche von geomorphometrischen Parametern kritisiert die vorliegende Dissertation den de-facto-Standard der Anwendung regelbasierter Klassiﬁkationsansätze für geomorphometrische Anwendungen. Als alternativer Ansatz wird ein auf der Anwendung von Methoden des überwachten maschinellen Lernens basierendes Verfahren vorgestellt, welches auf den folgenden Grundsätzen beruht: (1.) Das Verfahren berücksichtigt, dass die konsistente Segmentation und Klassiﬁkation von Oberflächenformen eine individuelle Zusammenstellung von morphometrischen Variablen erfordert. Im Falle von Schwemmfächern wird eine präzise Differenzierung lateral angrenzender Schwemmfächer durch den Einbezug des Sinus und des Kosinus der Exposition ermöglicht. Für die Klassiﬁkation von Schwemmfächern wurden die Morphologie der Oberflächenform speziﬁsch adressierende Algorithmen entwickelt, die unter anderem die Abweichung von einer idealen partiellen Kegelform quantiﬁzieren. (2.) Es folgt, dass ein optimierter objektbasierter Klassiﬁkationsansatz zwingend formspeziﬁsch ausgestaltet werden muss. Um diesen Umstand im Rahmen der Klassiﬁkation zu berücksichtigen, erfolgte die im Kontext der objektbasierten Analyse erstmalige Verwendung von Ein-Klassen-Schätzern. (3.) Das Problem der Festsetzung einer geeigneten Bandbreite für den Segmentationsalgorithmus wird aus einer A-posteriori-Perspektive betrachtet, indem die Segmentation zunächst für ein Spektrum an unterschiedlichen Parametrisierungen durchgeführt wird, und die erhaltenen Rohdaten zunächst separat klassiﬁziert werden. Im Anschluss werden die einzelnen Segmentationslayer zu einem thematischen Datensatz vereinigt, indem die unter Berücksichtigung topologischer Beziehungen bestklassiﬁzierten Segmentationsobjekte selektiert werden. Das postulierte Verfahren wird zunächst auf ein einzelnes, im östlichen Monglischen Altai gelegenes Untersuchungsgebiet angewendet, wobei eine raumbezogene Variante des Mean-Shift Clustering-Verfahrens sowie die Ein-Klassen-Variante des Support Vector Machine-Algorithmus (OCSVM) zur Anwendung kommen. Es wird aufgezeigt, dass der Prozessierungsansatz in der Lage ist, auch lateral aneinander grenzende Schwemmfächer als individuelle Oberflächenformen auszuweisen. Einschränkungen bestehen diesbezüglich lediglich für lateral angrenzende Schwemmfächer mit diffusen und/oder mehrdeutigen Begrenzungen (Bajada). OCSVM weisen eine hohe Suszeptibilität gegenüber ihrer Parametrisierung auf, so dass die Ermittlung einer geeigneten Parameterwahl eine tentative Herangehensweise erfordert. Andererseits ergibt sich hierdurch das Potential, den Generalisierungsgrad speziﬁsch auf den Umfang des verwendeten Trainingsdatensatzes anzupassen. Die vorliegende Dissertation macht sich diese Eigenschaft zunutze, um trotz des Einbezugs von lediglich elf Stichproben eine vielversprechende Klassiﬁkationsgenauigkeit zu erzielen. Das erhebliche Ausmaß an erforderlicher Anwenderinteraktion erschwert die Übertragung des Ansatzes auf andere Oberflächenformen und/oder DHM-Produkte, und damit die operative Anwendung von objektbasierten Verfahren. Zur Adressierung dieses Problems wird in der vorliegenden Thesis eine Ein-Klassen-Implementierung des Random Forests-Algorithmus (OCRF) eingeführt, und unter Einbezug eines 306 Stichproben umfassenden Trainingsdatensatzes evaluiert. Aufgrund einer hohen Performanz und einer ausgeprägten Robustheit gegenüber der Parametrisierung sowie potentiell nicht signiﬁkanter morphometrischer Variablen konnte einerseits die Klassiﬁkationsgenauigkeit deutlich verbessert werden, andererseits ergibt sich hieraus das Potential für eine automatisierte Kreuzvalidierung – zum Beispiel von DHM-Filterungsintensitäten. Diese Fortschritte erfolgen auf Kosten eines deutlich höheren Bedarfs an Stichproben, da der Anwender über die Parametrisierung des Schätzers keinen unmittelbaren Einﬂuss auf die Umgrenzung des Merkmalsraumes einer thematischen Klasse ausübt. In einer abschließenden Fallstudie wird unter Anwendung der im Rahmen der Dissertation entwickelten geomorphometrischen Parameter evaluiert, inwieweit die Morphometrie von Schwemmfächern Rückschlüsse auf morphogenetische Randbedingungen ermöglicht. Analog zur klassischen morphometrischen Betrachtung von Schwemmfächer–Einzugsgebiets-Relationen ist auch der morphometrische Eigenschaftsraum von Schwemmfächeroberﬂächen stark durch Skalenbeziehungen geprägt. In dieser Dissertation konnte unter Nutzung trendbereinigter Daten aufgezeigt werden, dass die Differenzierung zwischen durch tektonische Aktivität dominierten und durch Sedimentzufuhr dominierten Schwemmfächersystemen über die morphometrische Formalisierung der Schwemmfächer-Progradation verbessert werden kann. In einer Gesamtschau zeigt die vorliegende Arbeit auf, dass sich die Ansprüche an ein objektbasiertes Verfahren in der Geomorphometrie deutlich von den in der Fernerkundung etablierten Verfahren unterscheiden. Als zentralen Punkt stellt sich dabei heraus, dass die Zusammenstellung von morphometrischen Parametern formspeziﬁsch erfolgen sollte. Für die Generierung umfangreicher, verschiedene Oberflächenformen umfassender Datensätze wird daher ein Ansatz vorgeschlagen, bei welchem einzelne Oberflächenformen unter Anwendung von angepassten Prozessierungsketten auf serielle Art und Weise ausgewiesen werden.

Automating the mapping of landforms via digital elevation data is a key research topic in the ﬁeld of geomorphometry. The acquisition of extensive thematic datasets has the potential to foster scientiﬁc progress in geomorphology and related disciplines by enhancing our understanding of how formative processes are reﬂected in geomorphometric variables and by facilitating the transfer of in-ﬁeld results to larger study areas. In the wake of continuously improving spatial resolutions of DEMs, traditional pixel-based classiﬁcation approaches fail in accounting for the irregular boundaries of landforms. To address this fundamental issue, object-based frameworks developed in the ﬁeld of remote sensing have been adopted for geomorphometric research. With respect to alluvial fans, all workﬂows presented hitherto are, however, deﬁcient in delineating laterally adjoining fans as individual landforms. Since coalescing fans represent a common scenario for (semi-) arid mountain ranges, further research is warranted. Although object-based image analysis (OBIA) gained considerable emphasis during the last two decades, scientiﬁc progress is complicated by substantial challenges. (1.) The sensitivity of segmentation algorithms to local discontinuities requires a proper choice of parameters. The appropriate selection of scaling factors or bandwidths is, however, an issue which is not comprehensively resolved to this date, because segmentation is an ill-structured problem which is not conducive to an a-prori assessment. (2.) Existing adaptions of object-based image analysis (OBIA) in the ﬁeld of geomorphometry neglect that by formalizing the local altitude ﬁeld, morphometric variables act (i) as an interface to the land surface characteristics of interest and (ii) are strongly inﬂuenced by the terrain rendition characteristics of the DEM in use. This doctoral dissertation ﬁrst sets the stage by evaluating freely available near-global DEM data— ASTER GDEM, AW3D30, SRTM1 (30 m posting each), and a self-processed TanDEM-X DEM (15 m posting). Both geomorphological mapping and geomorphometric processing attest TanDEM-X a superior terrain rendition up to moderate relief. In settings of strong topographic contrasts, however, challenges toward interferometric processing result in a deterioration of terrain representation. SRTM1 shows an overall consistent depiction of terrain, but is characterized by an autocorrelated grainy texture of moderate magnitude. The most recent 30 m-digital elevation model (DEM) product, ALOS World-3D DEM with 1'' (~30 m) posting (AW3D30), shows improvements over Shuttle Radar Topography Mission DEM with 1'' posting (SRTM1) by displaying only uncorrelated systematic noise of relatively low magnitude, which suitable ﬁltering can remove. In contrast to the aforementioned DEM products, ASTER GDEM displays a striking bumpy texture, and it is strongly discouraged to use the DEM in geomorphometric research. Since DEM characteristics exert a strong inﬂuence on signiﬁcant ranges of morphometric variables, this doctoral dissertation challenges the de facto standard of utilizing rule-based classiﬁcation schemes for object-based analysis in the ﬁeld of geomorphometry. As an alternative, a framework is proposed where both segmentation and classiﬁcation are controlled by supervised machine learning in the following way: (1.) The approach recognizes that segmentation and classiﬁcation need to be addressed with individual compilations of morphometric variables. In the case of alluvial fans, a robust segmentation of laterally adjoining fans can be accomplished by incorporating the sine and cosine of slope aspect in addition to slope and curvature values. For classiﬁcation, tailored algorithms have been developed to formalize the morphometric signature of alluvial fans. (2.) A high-performing object-based workﬂow is thus compulsorily feature-speciﬁc. To formalize the morphometric signature of a landform, one-class estimators are for the ﬁrst time integrated into an object-based workﬂow. (3.) To account for the ill-structured nature of segmentation, the issue of selecting appropriate bandwidths for segmentation is tackled from an a-posteriori perspective. Speciﬁcally, segmentation is ﬁrst performed for a range of parametrizations, and all raw datasets are classiﬁed. Subsequently, the ﬁnal thematic dataset is compiled by applying an overlap resolve algorithm on the raw segmentation data, selecting ﬁnal objects according to their estimator scores and topological relationships. The framework was ﬁrst tested for the delineation and discrimination of alluvial fans situated in a single study area within the Mongolian Altai, using a spatial variant of the mean-shift algorithm for segmentation and a one-class support vector machine (OCSVM) for classiﬁcation. The framework is able to accurately delineate laterally coalescing fans with the exception of fans grading into a bajada, i.e., fans displaying diffuse and ambiguous lateral delimitations. By successively adapting the feature space representation yielded by the one-class support vector machine (OCSVM) estimator, a promising diagnostic ability could be achieved by using just eleven training samples. The sensitivity of the OCSVM algorithm to the choice of its parameters hampers, however, the transferability of the workﬂow to different landforms and DEM datasets. To address this issue, this thesis introduces a new one-class random forest (OCRF) and trials the algorithm with a training dataset of 306 fans compiled from seven different study areas. Owing to a high diagnostic ability and a robustness towards its parametrization and morphometric variables with little discriminatory potential, the OCRF improves the delineation and classiﬁcation of alluvial fans at the expense of requiring a larger training dataset. Furthermore, the non-parametric nature of OCRF can be capitalized on by performing a fully data-driven optimization of parameters and DEM preprocessing. Eventually, the geomorphometric variables developed in this thesis are utilized to assess whether controlling factors can be inferred from the geomorphometry of alluvial fan surfaces. While the ﬁndings demonstrate that scaling relationships exert a dominant inﬂuence on the expected range of morphometric parameter values, it could be shown that the differentiation between tectonic activity and the capability of the fan–catchment system in evacuating sediment can be improved by quantifying the degree of fan progradation. In essence, this doctoral dissertation showcases that object-based analysis in the ﬁeld of geomorphometry poses different demands on methodological frameworks as is the case in the ﬁeld of remote sensing, and the term object-based morphometric analysis (OBMA) is suggested to emphasize this difference. The methodological framework developed in this thesis offers excellent prospects for an extensive use of object-based techniques in the ﬁelds of geomorphology and geomorphometry. Libraries of feature perimeters and feature signatures can be set up in a staggered, semi-automated manner, by ﬁrst performing an OBMA analysis using an OCSVM or a comparable algorithm, and switching to a one-class random forest (OCRF) once suffcient training data has been acquired. For the thematic mapping of larger portions of the geomorphological inventory, it is envisaged to pursue a stratiﬁed approach where landform types are delineated and identiﬁed in a serial manner, utilizing object-based morphometric analysis (OBMA) workﬂows tailored towards each geomorphic feature of interest.

OpenAccess:
PDF
(additional files)