Ανίχνευση Αλλαγών μεταξύ Ιστορικών Χαρτών Χρήσης Γης και Σύγχρονων Δορυφορικών Εικόνων

Από RemoteSensing Wiki

Πρωτότυπος τίτλος: Cross-modal change detection using historical land use maps and current remote sensing images

Συγγραφείς: Kai Denga, Xiangyun Hua,b,∗, Zhili Zhanga, Bo Sua, Cunjun Fengc, Yuanzeng Zhand, Xingkun Wange, Yansong Duan

Πηγή: School of Remote Sensing and Information Engineering, Wuhan University, Wuhan, 430079, Hubei, PR China ,Hubei Luojia Laboratory, Wuhan, 430079, Hubei, PR China c Zhejiang Academy of Surveying and Mapping, No. 2 Dixin Road, Yuhang District, Hangzhou, 310000, Zhejiang, PR China d Zhejiang Application Center of Nature Resources Satellite Technology, No. 2 Dixin Road, Yuhang District, Hangzhou, 310000, Zhejiang, PR China e Key Laboratory of National Geographic Census and Monitoring, MNR, No. 2 Dixin Road, Yuhang District, Hangzhou, 310000, Zhejiang, PR China

Λέξεις κλειδιά: Historical land use maps, Remote sensing images, Deep learning, Cross-modal change detection

Σύνδεσμος πρωτότυπου κειμένου: https://www.sciencedirect.com/science/article/pii/S1877050924010317

Εισαγωγή

Η παρακολούθηση των αλλαγών στη χρήση γης, ιδιαίτερα όσον αφορά την κατασκευή, θεωρείται γενικά βασικός δείκτης αστικής ανάπτυξης (Huang et al., 2020). Η αστική εξάπλωση και η αύξηση του πληθυσμού συχνά οδηγούν σε ακατάλληλη χρήση φυσικών εκτάσεων και παράνομες κατασκευές (Singh, 1989), οι οποίες μπορούν να βλάψουν σοβαρά τα φυσικά οικοσυστήματα και να διαταράξουν την οικολογική ισορροπία. Αυτές οι διαταραχές υποβαθμίζουν όχι μόνο την περιβαλλοντική ποιότητα αλλά και απειλούν τα ανθρώπινα οικοσυστήματα και την υγεία (Chen et al., 2017). Είναι επομένως απαραίτητο να παρακολουθείται και να διαχειρίζεται η επέκταση των αστικών περιοχών έγκαιρα για την προστασία των φυσικών πόρων, τη διατήρηση της οικολογικής ισορροπίας και την προώθηση της βιώσιμης αστικής ανάπτυξης (Turner and Meyer, 1994).

Στόχος Ερευνών

Στόχος είναι να εντοπίζονται και να παρακολουθούνται με ακρίβεια οι αλλαγές στη χρήση γης, διευκολύνοντας την έγκαιρη ενημέρωση χαρτών κατάταξης χρήσης γης ώστε να ενισχύονται οι διαδικασίες λήψης αποφάσεων και σχεδιασμού (Du et al., 2023a). Με την εντυπωσιακή πρόοδο της δορυφορικής τεχνολογίας και της ανάλυσης βαθιάς μάθησης στη τηλεπισκόπηση, η χρήση εικόνων υψηλής ανάλυσης από δορυφόρους για ανίχνευση αλλαγών έχει γίνει η προτιμώμενη στρατηγική (Zhan et al., 2017; Daudt et al., 2018a; Alcantarilla et al., 2018; Jiang et al., 2020; Chen and Shi, 2020; Chen et al., 2021). Ωστόσο, η παραγωγή τέτοιων προϊόντων απαιτεί μεγάλους αποθηκευτικούς πόρους και περιπλέκει τη διαδικασία ανάκτησης δεδομένων καθώς ο όγκος των δορυφορικών δεδομένων αυξάνεται.

Μέθοδος Ανίχνευσης Αλλαγών από Χάρτες σε Εικόνες (M2ICD)

Για να ξεπεραστούν αυτά τα προβλήματα, η μέθοδος "Map-to-Image Change Detection" (M2ICD) αναδεικνύεται ως μια πιο κατάλληλη εναλλακτική. Η M2ICD συγκρίνει άμεσα ιστορικούς χάρτες χρήσης γης με τρέχουσες δορυφορικές εικόνες για την ανίχνευση αλλαγών. Μειώνει την εξάρτηση από συχνές ενημερώσεις δορυφόρων και προσφέρει μια πιο οικονομική και προσβάσιμη επιλογή για μακροχρόνια παρακολούθηση. Ανίχνευση Αλλαγών μεταξύ Διαφορετικών Μορφών Δεδομένων (Cross-modal change detection): Η ανίχνευση αλλαγών μεταξύ διαφορετικών μορφών δεδομένων έχει αναδειχθεί ως ένας σημαντικός τομέας έρευνας τα τελευταία χρόνια, ιδιαίτερα σε περιπτώσεις όπου δεν υπάρχουν ομοιογενείς εικόνες (Lv et al., 2022). Μια βασική πρόκληση σε αυτόν τον τομέα είναι η δημιουργία αντιστοιχιών μεταξύ διαφορετικών μορφών δεδομένων, με στόχο τη μείωση των διαφορών στις κατανομές τους.

Οι πρώτες μέθοδοι χρησιμοποίησαν τεχνικές σε επίπεδο pixel για να χαρτογραφήσουν ετερογενή δεδομένα σε έναν ενιαίο χώρο χαρακτηριστικών, ιδιαίτερα για την ανίχνευση αλλαγών μεταξύ δεδομένων SAR και οπτικών εικόνων (Liu et al., 2018; Zhan et al., 2018; Zhang et al., 2016). Τα γενετικά αντιπαραθετικά δίκτυα (GANs) έχουν υιοθετηθεί για τον διαχωρισμό της διαδικασίας σε δύο βήματα: τη μετάφραση εικόνων και την ανίχνευση αλλαγών. Για παράδειγμα, το DTCDN (Li et al., 2021) χρησιμοποιεί μια προσέγγιση δύο σταδίων, αξιοποιώντας το CycleGAN (Chen et al., 2020) για τη μετάφραση εικόνων και κατόπιν εφαρμόζει βαθιά μάθηση για τη σύγκριση των μεταφρασμένων εικόνων. Το MTCDN (Du et al., 2023b) ενσωματώνει περαιτέρω το CycleGAN με δίκτυα ανίχνευσης αλλαγών για να δημιουργήσει μια ενιαία λύση για τη μετάφραση εικόνων και την ανίχνευση αλλαγών.

Δεδομένα

1. EVLab-CMCD Dataset: Σκοπός: Σχεδιάστηκε για την ανίχνευση αλλαγών στη χρήση γης, με εστίαση στις κατασκευαστικές αλλαγές. Περιέχονται Ιστορικοί χάρτες χρήσης γης (2019) και αντίστοιχες δορυφορικές εικόνες (2020) από 10 περιοχές στην Κίνα. Οι χάρτες περιλαμβάνουν 13 κύριες και 56 δευτερεύουσες κατηγορίες χρήσης γης, όπως υγροβιότοποι, καλλιεργήσιμες εκτάσεις, δάση, οικιστική γη, κλπ. Οι δορυφορικές εικόνες έχουν ανάλυση 0,8 m και λήφθηκαν από δορυφόρους όπως GaoFen2 και BeiJing2. Τα δεδομένα από χαρτογράφηση μετατράπηκαν από διανυσματική μορφή σε εικόνες κλίμακας του γκρι. Διαχωρίστηκαν σε αναλογία 7:3 (εκπαίδευση:δοκιμή), καταλήγοντας σε 5225 ζεύγη για εκπαίδευση και 397 για δοκιμή. 2. HRSCD Dataset: Σκοπός: Σχεδιάστηκε για σημασιολογική ανίχνευση αλλαγών μεγάλης κλίμακας. Περιέχονται 291 ζεύγη εικόνων υψηλής ανάλυσης (2006–2012), με ανάλυση 0,5 m. Περιλαμβάνει πέντε κατηγορίες χρήσης γης: τεχνητές επιφάνειες, καλλιεργήσιμες εκτάσεις, δάση, υγροβιότοποι και υδάτινες περιοχές. Πραγματοποιήθηκε διαχωρισμός σε αναλογία 7:3 (εκπαίδευση:δοκιμή), με μέγεθος εικόνας 512 × 512 pixels.

Εικόνα 1: Παρουσίαση του συνόλου δεδομένων EVLab-CMCD:Πάνω μέρος: Παράδειγμα αρχικών δεδομένων, με την ιστορική κατηγοριοποίηση χρήσης γης στα αριστερά και την τρέχουσα δορυφορική εικόνα στα δεξιά.Κάτω μέρος: Μεγεθυμένη προβολή, με κόκκινα σημεία που υποδεικνύουν περιοχές αλλαγών. Ο υπόμνημα δείχνει τις κατηγορίες επιπέδου-1 της ιστορικής χρήσης γης και τις κόκκινες περιοχές αλλαγών.

Εικόνα 2: Δείγματα από το σύνολο δεδομένων EVLab-CMCD: Πρώτη σειρά: Οπτικοποίηση του ιστορικού χάρτη χρήσης γης, με κατηγορίες πρώτου επιπέδου. Δεύτερη σειρά: Παρουσίαση της τρέχουσας δορυφορικής εικόνας. Τρίτη σειρά: Ετικέτες των αλλαγών που εντοπίστηκαν.

Αποτελέσματα

1. Απόδοση CMPANet: Οι πειραματικές δοκιμές έδειξαν ότι το CMPANet υπερέχει έναντι άλλων μοντέλων σε ακρίβεια και ευελιξία. Το μοντέλο σημείωσε σημαντική βελτίωση στην ανίχνευση αλλαγών σε σύνθετα σενάρια με δεδομένα διαφορετικών μορφών. 2. Σύγκριση Δεδομένων: Το EVLab-CMCD διακρίνεται για τη λεπτομέρεια και την ποικιλία των κατηγοριών, καθιστώντας το ιδανικό για παρακολούθηση ετήσιων αλλαγών. Το HRSCD επικεντρώνεται σε μακροχρόνιες αλλαγές με λιγότερες κατηγορίες, καθιστώντας το κατάλληλο για παρατήρηση μεγάλης κλίμακας. 3. Δημόσια Διάθεση Δεδομένων: Το σύνολο EVLab-CMCD είναι διαθέσιμο στο GitHub, αποκλειστικά για ακαδημαϊκή χρήση.

Συμπεράσματα

Σε αυτό το άρθρο, προτείνουμε το CMPANet για την αντιμετώπιση της πρόκλησης ανίχνευσης αλλαγών μεταξύ διαφορετικών μορφών δεδομένων (cross-modal change detection) μεταξύ χαρτών και εικόνων. Η μεθοδολογία περιλαμβάνει: • Ένα μοντέλο ευθυγράμμισης για την εναρμόνιση δύο διαφορετικών μορφών δεδομένων. • Ένα μοντέλο αλληλεπίδρασης χαρακτηριστικών για την ανταλλαγή πληροφοριών μεταξύ διαφορετικών μορφών στο πλαίσιο μακροχρόνιων συμφραζομένων και εννοιών. Τα πειράματα απάλειψης (ablation) που πραγματοποιήσαμε έδειξαν τη θετική επίδραση διαφόρων μονάδων στη βελτίωση της απόδοσης, ενώ τα συγκριτικά αποτελέσματα επιβεβαίωσαν ότι η προτεινόμενη προσέγγιση αποτελεί μέθοδο αιχμής. Επιπλέον, παρουσιάσαμε το πρώτο δημόσια διαθέσιμο σύνολο δεδομένων που έχει σχεδιαστεί ειδικά για ανίχνευση αλλαγών μεταξύ χαρτών και εικόνων, το οποίο θα συμβάλει σε περαιτέρω έρευνα στον τομέα.