Conference PaperPDF Available

Steigerung des Informationsgehaltes einer LULC Klassifikation durch hierarchische Datenintegration

Authors:

Figures

Content may be subject to copyright.
Steigerung des Informationsgehaltes einer LULC
Klassifikation durch hierarchische Datenintegration
Daniel HÖLBLING, Petra FÜREDER, Dirk TIEDE und Stefan LANG
Zusammenfassung
Die steigende Nachfrage nach genauen und aktuellen Geodaten sowie die konkreten Be-
dürfnisse und Anforderungen der Nutzer bedingen den Einsatz von fortgeschrittenen Me-
thoden zur Informationsgewinnung. Mit Hilfe der objekt-basierten Bildanalyse (OBIA)
können durch Modellierung der einzelnen Klassen, basierend auf spezifischen Regelsätzen,
die jeweils relevanten Informationen aus Fernerkundungsdaten in einem semi-
automatischen Prozess extrahiert werden. Da jedoch nicht immer alle gewünschten Infor-
mationen direkt aus Fernerkundungsdaten gewonnen werden können, ist die Integration
von thematischen Daten in den Bildanalyseprozess ein wichtiger Aspekt, um Ergebnisse
mit einem reicheren Informationsgehalt zu erzielen. Ziel der vorgestellten Arbeit war die
Erstellung einer grenzübergreifenden Landnutzungs- und Landbedeckungsklassifikation
unter Einbeziehung von heterogenen thematischen Daten. Dabei galt es vor allem, eine
vorgegebene Hierarchie während der Datenintegration zu berücksichtigen.
1 Einleitung
Verlässliche und aktuelle Informationen über die Landnutzung / Landbedeckung (land
use / land cover - LULC) der Erdoberfläche sind – in unterschiedlichen Maßstäben – für
viele Fragestellungen relevant und stellen einen großen Anteil an den geographischen In-
formationen dar (DURBHA et al. 2009). Nutzer von LULC Informationen finden sich u. a.
im Bereich der Wissenschaft, der Politik, im Umweltbereich, in der Raum- und Verkehrs-
planung und der Landwirtschaft; aber auch Hilfsorganisationen (z. B. UNEP, FAO) nutzen
entsprechende Daten, um etwa Hinweise auf potentielle Nahrungsmittelengpässe in Krisen-
gebieten zu erlangen oder Umweltschäden abzuschätzen (FULLER 2003, BARTHOLOMÉ &
BELWARD 2005, HARRISON 2006).
Die gegenwärtige Verfügbarkeit von Satellitenbildern unterschiedlichster räumlicher, zeit-
licher und spektraler Auflösungen erlaubt das Beobachten von Landschaftsveränderungen
und die Ableitung von Landnutzung und -bedeckung für spezifische Probleme. Allerdings
ist die Informationsgewinnung aus Fernerkundungsdaten häufig mit Einschränkungen ver-
bunden. So können beispielsweise administrative Einheiten und Grenzen nicht direkt abge-
leitet werden. Zudem können LULC Produkte aus Sicht von Behörden und Planungsbüros
meist nicht unmittelbar in den operationellen Planungsprozess miteinbezogen werden, da
diese Informationen mit bereits vorhandenen Daten in Bezug auf räumliche Eigenschaften
(Maßstab oder Grenzen) oft nicht übereinstimmen. Diese Restriktionen können aber durch
die aktive Einbindung von bestehenden Daten in den Prozess der Bildanalyse minimiert
werden. Die Integration von thematischen Daten in den Klassifikationsprozess liefert stabi-
lere und verlässlichere Ergebnisse mit einem reicheren Informationsgehalt, da bereits vor-
handenes Wissen und Informationen in die Bildauswertung mit einfließen und so neues
Wissen generiert wird. Damit wird eine Verfeinerung bzw. Schärfung sowie Aktualisierung
D. Hölbling, P. Füreder, D. Tiede und S. Lang
2
bestehender Geoinformationen erreicht (GOESSELN & SESTER 2003) und die Bedürfnisse
der Anwender, für deren Anforderungen globale LULC Klassifikationen wie GLC2000,
GlobCover oder das europäische CORINE-Programm oftmals zu wenig detailliert für re-
gionale Fragestellungen sind (BOCK et al. 2005), werden besser erfüllt. Hinderlich bei der
Datenintegration ist jedoch der Aspekt, dass thematische Daten häufig sehr heterogen sind
und sich hinsichtlich Aktualisierungsperiode, Datenquelle, Datenmodell, Datentyp, Maßs-
tab, thematischem Inhalt, Kontext und Bedeutung unterscheiden (WALTER & FRITSCH
1999, BALTSAVIAS 2004, BUTENUTH et al. 2007).
Die hier präsentierte Arbeit erfolgte im Rahmen des EK-RP6 Forschungsprojekts LIMES
(Land and Sea Integrated Monitoring for European Security), welches sich mit der Defini-
tion und Entwicklung prototypischer, auf Satellitentechnologien basierender Informations-
dienste zur Unterstützung des Sicherheitsmanagements auf europäischer und globaler Ebe-
ne beschäftigt. Die LULC Klassifikation war Teil einer Servicedemonstration des Projekt-
clusters Land and Border Monitoring, weswegen für die Analyse nur ein limitierter Zeit-
raum zur Verfügung stand (< 1 Woche) und auf die detaillierten Anforderungen des Nut-
zers – vor allem in Bezug auf eine hierarchische Datenintegration (siehe Kapitel 3) – einge-
gangen werden musste. In diesem Beitrag wird die Klassifikation der Landnutzung und -
bedeckung im Grenzgebiet Polen / Ukraine auf Grundlage eines IKONOS-Satellitenbildes
vorgestellt. Einen wichtigen Aspekt stellte dabei die Integration vorhandener thematischer
Daten dar, die in verschiedener Aktualität, Genauigkeit und Generalisierungsebene vorla-
gen.
2 Datengrundlage und Datenaufbereitung
Die LULC Klassifikation wurde mit der Software Definiens Developer 7 umgesetzt. Neben
einem IKONOS-Satellitenbild (1 m pangeschärft; Aufnahmedatum: 12/09/2004; ca.
100 km² Abdeckung) stand eine Vielzahl an thematischen Daten, wie Vektordaten (u. a.
Straßen, administrative Grenzen, Flüsse, bebaute Flächen, Brücken), topographische Kar-
ten, Orthophotos, ein digitales Höhenmodell und CORINE Landcover Daten zur Verfü-
gung. Deren Eignung zur Integration in die objekt-basierte Satellitenbildanalyse musste im
Vorfeld erst überprüft werden (GOESSELN & SESTER 2003). Von Seiten des Nutzers wurde
eine hierarchische Datenintegration erwünscht, die auch die Einbeziehung von Daten, die
nicht aus der Analyse des Satellitenbildes gewonnen werden konnten (z. B. Grenzkontroll-
punkte, Landesgrenze), umfassen sollte. Die Selektion der dafür geeigneten Daten aus mehr
als siebzig verschiedenen Geodatenschichten musste manuell erfolgen und erwies sich
aufgrund fehlender Metadaten als zeitintensiv. Im grenzüberschreitenden Untersuchungs-
gebiet zeichneten sich die thematischen Daten durch starke Heterogenität aus: einige Daten
waren nur auf polnischer Seite verfügbar, einige Daten deckten nur einen Teil des Untersu-
chungsgebiets ab, teilweise wurden unterschiedliche Klassenbezeichnungen und Erfas-
sungsmaßstäbe verwendet. Zudem reichte die Qualität der verfügbaren Daten in einigen
Fällen nicht aus, um sie ohne Aufbereitung in den Klassifikationsprozess integrieren zu
können. So wurden etwa aufgrund starker Generalisierung der Wasserläufe und der daraus
resultierenden Lageungenauigkeit die größeren Flüsse manuell nachdigitalisiert. Die Stra-
ßendaten wiesen vereinzelt erkennbare Lücken auf, die je nach Erkennbarkeit auf dem
Satellitenbild manuell geschlossen wurden. Brücken, Grenzkontrollpunkte und Grenzüber-
gänge wurden wegen ihrer Lageungenauigkeit ebenso korrigiert bzw. nachdigitalisiert.
Steigerung des Informationsgehaltes einer LULC Klassifikation 3
Abschließend wurden einige der Punkt- und Liniendaten, abhängig von ihren Attributen
(z. B. nach Straßenbreite je Ordnung) bzw. für die kartografische Darstellung im Ergebnis,
gebuffert (siehe Abbildung 1). Die CORINE Klassifikation, die für das polnische Grenzge-
biet zur Verfügung stand, konnte aufgrund der fehlenden Klassenübereinstimmung
(DURBHA et al. 2009) nicht direkt in die Klassifikation integriert werden und diente aus-
schließlich der Informationsgewinnung während der visuellen Interpretation des IKONOS-
Bildes und zum Abgleich mit ausgewählten Zielklassen.
3 Klassifikation
3.1 Datenintegration und Klassenmodellierung
Der Ablauf der Datenaufbereitung, Datenintegration, Klassifikation und Nachbearbeitung
bis zum endgültigen LULC Ergebnis ist in Abbildung 1 dargestellt.
Abb. 1: Schematische Darstellung des Arbeitsablaufs (Datenaufbereitung - Datenintegra-
tion – Klassifikation - Nachbearbeitung)
In einem semi-automatischen, zyklischen Prozess von Segmentierung und Klassifikation,
der Klassenmodellierung (TIEDE et al. 2008), wurden insgesamt 19 Klassen abgegrenzt.
Einige der existierenden und vorprozessierten thematischen Daten wurden direkt in den
Prozess der Klassenmodellierung integriert, andere dienten nur der Abgrenzung einzelner
Klassen. Die Klassen wurden teils regelbasiert (rule-based), teils basierend auf Trainings-
gebieten (sample-based) und teils manuell klassifiziert (vgl. Abbildung 1 und 2).
D. Hölbling, P. Füreder, D. Tiede und S. Lang
4
Abb. 2: Objekt-basierte LULC Klassifikation und hierarchische Datenintegration
3.2 Hierarchische Repräsentation
Die Segmentierung aller thematischen Daten garantierte einen einheitlichen Maßstab, da
sich die Abgrenzung von Objekten an der vorgegebenen Auflösung des Satellitenbildes
orientiert (LANG 2008). Da aber während des Segmentierungsprozesses in Definiens Deve-
loper keine bzw. nur sehr aufwendig Hierarchien der zu integrierenden thematischen Layer
berücksichtigt werden können und Überlagerungen zwischen Klassen auftreten (z. B. kön-
nen Straßen sowohl über als auch unter Flüssen liegen), wurden einzelne Datenschichten
gesondert segmentiert. Während der Nachbearbeitung wurden teilweise auftretende Sliver-
Polygone automatisch entfernt und Gebäudeabgrenzungen mit Hilfe von GIS-
Generalisierungstechniken vereinfacht. Die hierarchische Datenintegration, bei der es galt
alle Einzelergebnisse zusammenzuführen und eine vordefinierte Priorität der Klassen zu
beachten (vgl. Tabelle 1), wurde abschließend in ArcGIS 9.2 umgesetzt. Dies erfolgte mit-
tels schrittweise durchgeführter GIS-Verschneidungsanalysen.
Tabelle 1: Reihung der Klassen aufgrund ihrer Prioritäten
Hohe Priorität Straßen (Asphaltstraße, Forststraße, nicht sichtbare Forststraße, Schotter-
straße unter 2 m, Schotterstraße über 2 m)
Flüsse
Landesgrenze
Grenzübergänge
Grenzkontrollpunkte
Brücken
Bebaute Flächen
Seen und Teiche
Nicht durchgängig städtisch geprägte Flächen
Geringe Priorität alle anderen LULC Klassen
Steigerung des Informationsgehaltes einer LULC Klassifikation 5
4 Ergebnisse
Das Endergebnis der Landnutzungs- / Landbedeckungsklassifikation umfasste 19 Klassen,
und berücksichtigte die geforderte Reihung der einzelnen Klassen. Die LULC Klassifikati-
on konnte innerhalb der LIMES-Servicedemonstration erfolgreich in die weiteren Arbeits-
abläufe integriert werden, um bestehende thematische Informationen zu aktualisieren. Eine
punkt-basierte Genauigkeitsabschätzung (stratified random) des Klassifikationsergebnisses
mit 300 zufallsgenerierten Punkten erzielte eine Gesamtgenauigkeit von 85 % für die unab-
hängig von thematischen Daten abgegrenzten Klassen (Tabelle 2).
Tabelle 2: Ergebnis der Genauigkeitsabschätzung
Klasse Producer‘s Accuracy User‘s Accuracy
Wald 93,54 % 93,54 %
Natürliches Grünland / Wiesen und Weiden 81,08 % 69,77 %
Krautvegetation 68,57 % 68,57 %
Ackerland, bebaut 62 % 83,78 %
Ackerland, gepflügt 96,55 % 87,50 %
Nicht durchgängig städtisch geprägte Flächen 96,43 % 87,10 %
Seen und Teiche 100 % 93,33 %
Einzelgebäude 93,55 % 96,67 %
Gesamtgenauigkeit (Overall Classification Accuracy) = 85 %
Kappa Statistik (Overall Kappa Statistics) = 0.8268
Die übrigen Klassen wurden entweder manuell klassifiziert bzw. in ihrer bereits bestehen-
den oder teils korrigierten Form in die Klassifikation übernommen und deshalb keiner Ge-
nauigkeitsüberprüfung unterzogen.
5 Diskussion und Ausblick
LULC Klassifikationen unter Einbindung von Daten unterschiedlicher Qualität und Maßs-
täbe und unter Berücksichtigung einer bestimmten Hierarchie der Datenschichten ist auf-
grund der semi-automatischen Arbeitsabläufe und der Abhängigkeit von a-priori Informa-
tionen zeitaufwendig und erfordert den Einsatz von Expertenwissen. In dieser Arbeit konn-
te gezeigt werden, wie durch die Anwendung integrierter Arbeitsabläufe zeitkritische Anf-
ragen qualitativ zufriedenstellend bearbeitet werden können. Aufgrund des steigenden Be-
darfs an komplexen, den spezifischen Anforderungen angepassten LULC Klassifikationen,
gilt es, weitere innovative Ansätze und Methoden zu entwickeln, um den Arbeitsablauf
unter Berücksichtigung einer hierarchischen Datenintegration weiter zu optimieren und eine
bessere Übertragbarkeit zu ermöglichen.
Die vorgestellte Arbeit wurde aus Mitteln des 6. Forschungsrahmenprogramms der Europä-
ischen Kommission gefördert (SIP-CT-2006-031046).
D. Hölbling, P. Füreder, D. Tiede und S. Lang
6
Literatur
BALTSAVIAS, E. P. (2004), Object extraction and revision by image analysis using existing
geodata and knowledge: current status and steps towards operational systems. In: ISPRS
Journal of Photogrammetry and Remote Sensing, 58 (3-4), S. 129-151.
BARTHOLOMÉ E. & BELWARD, A. S. (2005), GLC2000: A new approach to global land
cover mapping from Earth observation data. In: International Journal of Remote Sen-
sing, 26 (9), S. 1959-1977.
BOCK, M., XOFIS, P., MITCHLEY, J., ROSSNER, G., & WISSEN, M. (2005), Object oriented
methods for habitat mapping in multiple scales: Case studies from Northern Germany
and Wye Downs, UK. In: Journal for Nature Conservation, 13 (2-3), S. 75–89.
BUTENUTH, M., GÖSSELN, G. V., TIEDKE, M., HEIPKE, C., LIPECK, U., & SESTER, M. (2007),
Integration of heterogeneous geospatial data in a federated database. In: ISPRS Journal
of Photogrammetry and Remote Sensing 62 (5), S. 328-346.
DURBHA S. S., KING, R. L., SHAH, V. P. & YOUNAN, N. H. (2009), A framework for se-
mantic reconciliation of disparate earth observation thematic data. In: Computers &
Geosciences, 35 (4), S. 761-773.
FULLER, R. M., SMITH, G. M. & DEVEREUX, B. J. (2003), The characterisation and measu-
rement of land cover change through remote sensing: problems in operational applicati-
ons? In: International Journal of Applied Earth Observation and Geoinformation, 4 (3),
S. 243-253.
GÖSSELN, G. & SESTER, M. (2003), Semantic and Geometric Integration of Geoscientific
Data Sets with ATKIS – Applied to Geo-objects from Geology and Soil Science. In:
Proceedings of ISPRS Commission IV Joint Workshop, 8.-9. September, Stuttgart, Ge-
rmany.
HARRISON, A. R. (2006), National Land Use Database: Land Use and Land Cover Classifi-
cation, Version 4.4. London, Queen’s Printer and Controller of Her Majesty’s Statione-
ry Office.
LANG, S. (2008), Object-based image analysis for remote sensing applications: modeling
reality – dealing with complexity. In: BLASCHKE T, LANG S, HAY G (Hrsg.), Object-
Based Image Analysis - Spatial concepts for knowledge-driven remote sensing applica-
tions, Springer, Berlin, S. 3-28.
TIEDE, D., LANG, S. & HOFFMANN, C. (2008), Type-specific class modelling for one-level
representation of single trees. In: BLASCHKE T, LANG S, HAY G (Hrsg.), Object-Based
Image Analysis - Spatial concepts for knowledge-driven remote sensing applications.
Springer, Berlin, S. 133-151.
WALTER, V. & FRITSCH, D. (1999), Matching spatial data sets: a statistical approach. In:
International Journal of Geographical Information Science 13 (5), S. 445–473.
ResearchGate has not been able to resolve any citations for this publication.
Article
Full-text available
Solving problems in an environmental or geoscientific domain usually involves various data from different sources: Typically, not all the data is available in one dataset, but is distributed, has different formats, and different thematic focus. Data integration is therefore needed for the combination and analysis of different data sets. The project "Geotechnologien – New methods for semantic and geometric integration of geoscientific data sets with ATKIS – applied to geo-objects from geology and soil science" funded by the German Ministry of Research investigates different aspects of data integration and aims at developing methods for automatic integration from different data-sets and their consistent management in a federated data base. Three different vector data sets are used in the project: the topographic data set ATKIS, the geological map and the soil science map. The topographic component of the geological and the soil science map is based on topographic maps, but the frequency of update differs between ATKIS and the geoscience maps. Thus, the data sets differ not only in thematic content, but also referring to seemingly identical topographic objects. In the first step of the project the objects and their semantics in the different data sets are investigated in detail, the object water will be the first very promising candidate for identifying the conformity between the different data sets. In the second step, a geometric reconciliation will be established. To this end, firstly corresponding objects will be identified using matching procedures. The identified objects from the geoscientific maps will be adapted to the reference objects from ATKIS. Following this procedure the automatic change detection shows all the differences between the reference data set and the data sets to be integrated.
Article
Full-text available
This paper presents an application of object-oriented techniques for habitat classification based on remotely sensed images and ancillary data. The study reports the results of habitat mapping at multiple scales using Earth Observation (EO) data at various spatial resolutions and multi temporal acquisition dates. We investigate the role of object texture and context in classification as well as the value of integrating knowledge from ancillary data sources. Habitat maps were produced at regional and local scales in two case studies; Schleswig-Holstein, Germany and Wye Downs, United Kingdom. At the regional scale, the main task was the development of a consistent object-oriented classification scheme that is transferable to satellite images for other years. This is demonstrated for a time series of Landsat TM/ETM+ scenes. At the local scale, investigations focus on the development of appropriate object-oriented rule networks for the detailed mapping of habitats, e.g. dry grasslands and wetlands using very high resolution satellite and airborne scanner images. The results are evaluated using statistical accuracy assessment and visual comparison with traditional field-based habitat maps. Whereas the application of traditional pixel-based classification result in a pixelised (salt and pepper) representation of land cover, the object-based classification technique result in solid habitat objects allowing easy integration into a vector-GIS for further analysis. The level of detail obtained at the local scale is comparable to that achieved by visual interpretation of aerial photographs or field-based mapping and also retains spatially explicit, fine scale information such as scrub encroachment or ecotone patterns within habitats.
Article
Full-text available
Although the acquisition and maintenance of spatial data is very costly and time consuming very often the same objects of the real world are captured in many different data models, at different acquisition times, with different quality characteristics or at different scales. This situation will become intensified when more and more digital spatial data are offered by using internet technologies. Integration methods are needed to take advantage of the characteristics of more than one data set. These advantages could be, for example, new applications for which the data models had not been originally designed, higher reusability, improvement of the quality, or cost minimization of data acquisition. In this paper a relational matching approach for integration of spatial data from different sources is introduced. The research work was performed on street centrelines which were captured in different data models. The approach is based on statistical investigations between the data of two data models, and can be used in the same way for other data models. The matching problem is mapped onto a communication system, and measures, derived from information theory, are used to find an optimal solution. These measures can also be used for calculating local and global quality characteristics of the matching result.
Article
This paper examines issues surrounding the detection, measurement and characterisation of landscape changes by remote sensing and other means. First it compares the remotely sensed Land Cover Map of Great Britain (LCMGB), 1990, with the UK Land Cover Map 2000 (LCM2000). Then it considers the more general circumstances where users compare any two thematic maps incorporating independent inaccuracies, to record changes. The paper concludes that the measurement of small to medium scale changes over large areas requires levels of precision in mapping which are near impossible to achieve with satellite image classifications alone; indeed they may be difficult to achieve in any form of survey unless it is tailor-made and rigorously applied specifically to the recording of real changes. The paper argues that users of all such data products therefore need to treat with extreme caution their maps of differences and their conclusions about change. It suggests that users need also to develop intelligent approaches, which draw upon a broader knowledge of the directions, patterns and scale of the changes to be recorded, in order to refine their assessments.
Book
Advances in earth observations sensors and GIScience have led to the emerging fields of Object-based Image Analysis (OBIA). The need for timely and accurate geo-spatial information is steadily increasing. This book discusses means, technologies and approaches related to the processing and analysis of multi-sensor, multi-resolution data with a focus on the generation, modelling and classification of objects. In high resolution images these objects are typically derived through regionalisation principles. The advancement of feature recognition and advanced image analysis techniques facilitate the extraction of thematic information for policy making support and informed decisions. The applications also address the integration of Geographic Information and the concurrent developments of GIScience and vanquish limitations of pixelwise image processing by exploiting image information context-driven and "intelligently".
Article
A new global land cover database for the year 2000 (GLC2000) has been produced by an international partnership of 30 research groups coordinated by the European Commission’s Joint Research Centre. The database contains two levels of land cover information—detailed, regionally optimized land cover legends for each continent and a less thematically detailed global legend that harmonizes regional legends into one consistent product. The land cover maps are all based on daily data from the VEGETATION sensor on-board SPOT 4, though mapping of some regions involved use of data from other Earth observing sensors to resolve specific issues. Detailed legend definition, image classification and map quality assurance were carried out region by region. The global product was made through aggregation of these. The database is designed to serve users from science programmes, policy makers, environmental convention secretariats, non-governmental organizations and development-aid projects. The regional and global data are available free of charge for all noncommercial applications from http://www.gvm.jrc.it/glc2000.
Article
The paper focuses mainly on extraction of important topographic objects, like buildings and roads, that have received much attention the last decade. As main input data, aerial imagery is considered, although other data, like from laser scanner, SAR and high-resolution satellite imagery, can be also used. After a short review of recent image analysis trends, and strategy and overall system aspects of knowledge-based image analysis, the paper focuses on aspects of knowledge that can be used for object extraction: types of knowledge, problems in using existing knowledge, knowledge representation and management, current and possible use of knowledge, upgrading and augmenting of knowledge. Finally, an overview on commercial systems regarding automated object extraction and use of a priori knowledge is given. In spite of many remaining unsolved problems and need for further research and development, use of knowledge and semi-automation are the only viable alternatives towards development of useful object extraction systems, as some commercial systems on building extraction and 3D city modelling as well as advanced, practically oriented research have shown.
Article
The integration of heterogeneous geospatial data offers possibilities to manually and automatically derive new information, which are not available when using only a single data source. Furthermore, it allows for a consistent representation and the propagation of updates from one data set to the other. However, different acquisition methods, data schemata and updating cycles of the content can lead to discrepancies in geometric and thematic accuracy and correctness which hamper the combined integration. To overcome these difficulties, appropriate methods for the integration and harmonization of data from different sources and of different types are needed. In this paper we describe two generic cases including novel integration algorithms, namely the integration of two heterogeneous vector data sets, and the integration of raster and vector data. Both algorithms are linked to a federated database which allows for automatic object matching and for managing n:m relationships. We describe and illustrate our work using vector data from topography and the geosciences, as well as multi-spectral imagery.
Article
There is a growing demand for digital databases of topographic and thematic information for a multitude of applications in environmental management, and also in data integration and efficient updating of other spatially oriented data. These thematic data sets are highly heterogeneous in syntax, structure and semantics as they are produced and provided by a variety of agencies having different definitions, standards and applications of the data. In this paper, we focus on the semantic heterogeneity in thematic information sources, as it has been widely recognized that the semantic conflicts are responsible for the most serious data heterogeneity problems hindering the efficient interoperability between heterogeneous information sources. In particular, we focus on the semantic heterogeneities present in the land cover classification schemes corresponding to the global land cover characterization data. We propose a framework (semantics enabled thematic data Integration (SETI)) that describes in depth the methodology involved in the reconciliation of such semantic conflicts by adopting the emerging semantic web technologies. Ontologies were developed for the classification schemes and a shared-ontology approach for integrating the application level ontologies as described. We employ description logics (DL)-based reasoning on the terminological knowledge base developed for the land cover characterization which enables querying and retrieval that goes beyond keyword-based searches.
Semantic and Geometric Integration of Geoscientific Data Sets with ATKIS-Applied to Geo-objects from Geology and Soil Science
  • G Sester
GÖSSELN, G. & SESTER, M. (2003), Semantic and Geometric Integration of Geoscientific Data Sets with ATKIS-Applied to Geo-objects from Geology and Soil Science. In: Proceedings of ISPRS Commission IV Joint Workshop, 8.-9. September, Stuttgart, Germany.