Ανίχνευση αλλαγών στις καλύψεις χρήσεων γης με τη χρήση δεδομένων LANDSAT
Από RemoteSensing Wiki
Στοιχεία κειμένου:Zhe Zhu, Curtis E.Woodcock: 'Continuous change detection and classification of land cover using all available Landsat data', Remote Sensing of Environment 144 (2014) 152–171
Εισαγωγή:
H χαρτογράφηση και παρακολούθηση της κάλυψης γης έχουν αναγνωριστεί ευρέως ως ένας σημαντικός επιστημονικός στόχος. Η κάλυψη του εδάφους επηρεάζει το ενεργειακό ισοζύγιο, τον προϋπολογισμό του άνθρακα, καθώς και τον υδρολογικό κύκλο, καθώς πολλά διαφορετικά φυσικά χαρακτηριστικά μεταβάλλονται από την κάλυψη γης, όπως η ακτινοβολία, η τραχύτητα, φωτοσυνθετική ικανότητα και η διαπνοή. Εικόνες από τη σειρά των δορυφόρων Landsat αποτελούν μία από τις πιο σημαντικές πηγές δεδομένων για τη μελέτη διαφόρων ειδών κάλυψης γης, όπως η αποψίλωση των δασών, η επέκταση της γεωργίας και της εντατικοποίησης, αστική ανάπτυξη, και την απώλεια υγροτόπων. Η ταξινόμηση των καλύψεων γης είναι ένα από τα πιο μελετημένα θέματα σε εφαρμογές απομακρυσμένης ανίχνευσης, καθώς και οι χάρτες κάλυψης του εδάφους παρέχουν τη βάση για πολλές εφαρμογές όπως η μοντελοποίηση των προϋπολογισμών του άνθρακα, η διαχείριση των δασών, καθώς και η εκτίμηση της απόδοσης των καλλιεργειών. Το άνοιγμα του αρχείου Landsat το 2008 οδήγησε σε μεγάλες αλλαγές στον τρόπο που χρησιμοποιούνται οι εικόνες Landsat. Προηγουμένως, μια ενιαία εικόνα Landsat κόστιζε εκατοντάδες δολάρια ΗΠΑ. Για ελαχιστοποίηση του κόστους, οι περισσότεροι ερευνητές συνήθως επέλεγαν να χρησιμοποιήσουν μόνο μερικά σύννεφο-δωρεάν εικόνες Landsat που αποκτήθηκαν κατά τη διάρκεια της καλλιεργητικής περιόδου για ανάλυση. Μετά την ελεύθερη πρόσβαση στο αρχείο Landsat, μελέτες που χρησιμοποιούν τις παρτίδες των εικόνων Landsat εμφανίζονται συχνότερα.
Δεδομένα και περιοχή μελέτης:
Η περιοχή μελέτης βρίσκεται στην παράκτια Νέα Αγγλία, Ηνωμένες Πολιτείες (Εικόνα 1). Περιλαμβάνει το σύνολο του Rhode Island, καθώς και ένα μεγάλο μέρος της ανατολικής Μασαχουσέτης και τμήματα του Ανατολικού Κονέκτικατ. Έχει επιλεγεί επειδή: (1) περιλαμβάνει τη Βοστόνη για εύκολες επιτόπιες επισκέψεις, (2) περιλαμβάνει μια μεγάλη ποικιλία περιβαλλόντων και καλύψεις γης που παρέχουν πολλά παραδείγματα από τα κύρια είδη των αλλαγών κάλυψης γης που λαμβάνουν χώρα στις Ηνωμένες Πολιτείες, συμπεριλαμβανομένων: της εκτεταμένης αστικοποίησης (τρεις μεγάλες μητροπολιτικές περιοχές-Βοστώνη, Providence, και Worcester), της εγκατάλειψης των γεωργικών τομέων, και της αποψίλωσης των δασών και (3) είναι σπάνιο να βρεθεί μια δορυφορική εικόνα χωρίς την παρεμβολή από σύννεφα σε αυτόν τον τομέα της μελέτης, καθιστώντας τη μια εξαιρετική θέση για να δοκιμαστεί η ευρωστία του νέου αυτού αλγορίθμου. Τα δεδομένα αναφοράς για την κάλυψη γης που συλλέγονται σε κάθε δεδομένη στιγμή (εντός της χρονικής περιόδου που καλύπτεται από τις εικόνες Landsat) αξιοποιήθηκαν για την κατάρτιση του CCDC αλγόριθμου. Τα δεδομένα αναφοράς κάλυψης γης που χρησιμοποιούνται σε αυτή την εργασία είχαν προηγουμένως χρησιμοποιηθεί για τη βαθμονόμηση του HERO Massachusetts Forest Monitoring Programme (MaFoMP) 2000 προϊόντος κάλυψης γης). Δημιουργήθηκαν με τη βοήθεια αεροφωτογραφιών και πολλές επισκέψεις πεδίου μεταξύ των ετών 2005 και 2007. Όλες οι τοποθεσίες αναφοράς ήταν 60 × 60 m διάσταση, και διανεμήθηκαν σε όλη τη Μασαχουσέτη για τον εντοπισμό της μεταβλητότητας στις τιμές ανακλαστικότητας στην περιοχή μελέτης. Στα αρχικά δεδομένα, το νερό χωρίζεται σε δύο κατηγορίες κάλυψης γης (ρηχά νερά και βαθιά ύδατα). Για την απλοποίηση, τοποθετήθηκαν σε συνδυασμό ρηχά νερά και βαθιά νερά σε μία κατηγορίας κάλυψης γης-νερού. Υπάρχουν συνολικά 8220 τύποι αναφοράς για 16 κατηγορίες κάλυψης γης.
Μέθοδοι:
Η μελέτη αυτή αποτελεί "πρωτότυπο" για την ανίχνευση συνεχών αλλαγών και την ταξινόμηση χρησιμοποιώντας όλα τα διαθέσιμα δεδομένα Landsat. Αυτός ο αλγόριθμος CCDC έχει πολλές συνιστώσες, συμπεριλαμβανομένων: προεπεξεργασία εικόνας, ανίχνευση συνεχών αλλαγών , και συνεχής ταξινόμηση καλύψεων γης.
Προεπεξεργασία εικόνας: Η γεωμετρική εγγραφή και η ατμοσφαιρική διόρθωση είναι κρίσιμης σημασίας για τον CCDC αλγόριθμο, καθώς διευκολύνουν τη σύγκριση των εικόνων μέσα στο χρόνο. Σε αυτή την έρευνα, χρησιμοποιήθηκαν μόνο εικόνες Landsat L1T που είναι πιο ακριβείς. Η ατμοσφαιρική διόρθωση πραγματοποιήθηκε με χρήση Landsat Ecosystem Disturbance Adaptive Processing System (LEDAPS), στην οποία οι τιμές των πρώτων DN μετατρέπονται σε συντελεστή ανάκλασης επιφάνειας (SR) και φωτεινότητας θερμοκρασίας (BT).
Το μοντέλο χρονοσειρών CCDC: Γενικώς, η αλλαγή της επιφάνειας της γης μπορεί να διαιρεθεί σε τρεις κατηγορίες: (1) ενδο-ετήσια μεταβολή , που προκαλείται από τη βλάστηση, καθοδηγείται από τις εποχιακές τάσεις των περιβαλλοντικών παραγόντων όπως η θερμοκρασία και η καθίζηση, (2) η προοδευτική μεταξύ τους ετήσια μεταβολή, που προκαλείται από την κλιματική μεταβλητότητα, την ανάπτυξη της βλάστησης ή σταδιακή αλλαγή στη διαχείριση της γης ή την υποβάθμιση του εδάφους και (3) η απότομη αλλαγή, που προκαλείται από την αποψίλωση των δασών, τις πλημμύρες, τις πυρκαγιές, τα έντομα, την αστικοποίηση κτλ. Ως εκ τούτου, χρησιμοποιήθηκε ένα μοντέλο της σειράς του χρόνου που έχει στοιχεία από την εποχικότητα και τα διαλείμματα που κατέγαψαν όλες τις τρεις κατηγορίες. Οι συντελεστές μοντέλου υπολογίστηκαν από την Ordinary Least Squares (OLS) μέθοδο με βάση τις υπόλοιπες σαφείς παρατηρήσεις Landsat.
Συνεχής ταξινόμηση καλύψεων γης: Η κύρια ιδέα της ταξινόμησης καλύψεων γης είναι ότι διαφορετικές κατηγορίες κάλυψης γης θα έχουν διαφορετικά σχήματα για τον εκτιμώμενο χρόνο σειράς μοντέλου. Το Σχήμα 3 απεικονίζει διαφορετικά εκτιμώμενα μοντέλα χρονοσειρών για τέσσερα διαφορετικά είδη της αλλαγής καλύψεων γης που σημειώθηκαν στη περιοχή μελέτης. Μία από τις λήψεις βοήθησε την πρώτη φορά γιατί ο αλγόριθμος CCDC είναι ικανός να παρέχει μια κάλυψη εδάφους κλάση (δάσος) για αυτό το pixel μεταξύ του 2001 και του 2003. Ομοίως, η κατάταξη για τα αποτελέσματα του δεύτερου μοντέλου χρονοσειρών βοήθησε στον εντοπισμό των καλύψεων στην κατηγορία για το pixel μεταξύ του 2005 και του 2006. Τα κενά στη μέση των δύο μοντέλων ταξινομούνται ως "διαταραγμένα" επειδή η μεγάλη μεταβλητότητα των δεδομένων κατά τη διάρκεια της μετάβασης αποτρέπει ένα σταθερό μοντέλο προετοιμασίας. Με τη μείωση του καναλιού ανάκλασης 4: το δάσος αντανακλά έντονα, ενώ οι ανεπτυγμένες περιοχές δεν το κάνουν. Η αύξηση στο κανάλι 6 οφείλεται κυρίως σε μειωμένη εξατμισοδιαπνοή και στις αστικές συνέπειες θερμικής νησίδας όταν το δάσος μετατρέπεται σε ανεπτυγμένες περιοχές. Όταν το δάσος μετατρέπεται σε άγονο έδαφος, σημαντικές αλλαγές παρατηρούνται στο κανάλι 5 και 7, επειδή το δάσος φαίνεται λιγότερο στις μικροκυματικές μπάντες, αλλά το άγονο έδαφος έχει πάντα υψηλό συντελεστή ανάκλασης σε αυτές τις φασματικές ζώνες. Η απεικόνιση σε μικροκυματικές μπάντες (SWIR) και σε θερμικές ζώνες είναι εντελώς διαφορετικές. Αυτά τα παραδείγματα δείχνουν ότι οι πληροφορίες που περιέχονται στο χρόνο-μοντέλο της σειράς είναι χρήσιμες για την κατάταξη κάλυψης του εδάφους και με τη χρήση των συντελεστών του μοντέλου χρονοσειρών είναι δυνατόν να μια ενιαία ταξινόμηση καλύψεων γης για όλη την περίοδο.
Συμπεράσματα:
Η ανίχνευση αλλαγής της εδαφοκάλυψης και η ταξινόμηση είναι δύσκολα προβλήματα στην τηλεπισκόπηση. H καλύτερη χρήση των δεδομένων του Landsat, στο πέρασμα του χρόνου, μπορεί να βελτιώσει τον εντοπισμό αλλαγών στις διάφορες καλύψεις. Στην παρούσα μελέτη, έχει αναπτυχθεί ένας νέος αλγόριθμος για συνεχή ανίχνευση αλλαγών και ταξινόμηση σε υψηλή χρονική συχνότητα. Με τη χρήση όλων των διαθέσιμων δεδομένων Landsat, η προσέγγιση αυτή επιτρέπει την ανακατασκευή της επιφάνειας της Γης, στη Landsat TM και ΕΤΜ + εποχή. Ο αλγόριθμος CCDC καθορίζει ένα εικονοστοιχείο το οποίο έχει υποστεί μια αλλαγή στη χρήση, αν εμφανίζει "αλλαγή" για τρεις συνεχόμενες φορές. Τα δεδομένα αναφοράς αποκάλυψαν ότι τα αποτελέσματα του αλγορίθμου CCDC για την ανίχνευση αλλαγής της εδαφοκάλυψης έχουν τις εξής ακρίβειες: ακρίβεια στην παραγωγή 97,72%, ακρίβεια των χρηστών της τάξης του 85,60% στο πεδίο του χώρου και χρονική ακρίβεια 79,91%. Τα αποτελέσματα της κατάταξης CCDC έδειξαν επίσης υψηλή συνολική ακρίβεια 90.20%. Ο αλγόριθμος CCDC έχει επίσης περιορισμούς. Πρώτα από όλα, είναι αλγόριθμος υπολογιστικά ακριβός, χρειάζεται μεγάλο χώρο αποθήκευσης δεδομένων και απαιτεί υψηλή χρονική συχνότητα παρατηρήσεων. Για ακραίες περιπτώσεις, εάν υπάρχουν λιγότερο από 15 σαφείς παρατηρήσεις, ο αλγόριθμος CCDC δεν είναι σε θέση να προετοιμάσει το μοντέλο χρονοσειρών. Για τους τόπους εκτός των Ηνωμένων Πολιτειών αυτό το πρόβλημα θα είναι πιο κοινό. Τρίτον, γίνεται υπόθεση ότι η μέθοδος αυτή θα είναι σε θέση να εκτιμήσει όλα τα είδη των τύπων κάλυψης γης, δεν μπορεί να ισχύει για τους τύπους καλύψεων γης που έχουν περισσότερη ενδο-ετήσια διακύμανση, όπως η γεωργία. Ένα πιο πολύπλοκο μοντέλο χρονοσειρών είναι απαραίτητο για εφαρμογή σε άλλα μέρη του κόσμου. Τέλος, αν και με γνώμονα τα δεδομένα, το κατώτατο όριο που χρησιμοποιείται σε αυτόν τον αλγόριθμο είναι σε θέση να χειριστεί πολλά είδη της γης η αλλαγή κάλυψης για την περιοχή της Βοστώνης, αυτό μπορεί να έχει προβλήματα για χώρους που έχουν μεγάλη ετήσια διακύμανση. Για παράδειγμα ημι-άνυδρες περιοχές που εμφανίζουν υψηλή μεταβλητότητα στο χρονοδιάγραμμα των φαινολογικών διαδικασιών μπορεί να αποδειχθεί ιδιαίτερα δύσκολο, καθώς τα δεδομένα θα υολείπονται σε ορισμένες περιόδους του χρόνου και αυτή τη στιγμή χρειάζεται ένα υψηλότερο κατώτατο όριο.
