Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών
Από RemoteSensing Wiki
ISPRS Journal of Photogrammetry & Remote Sensing 58 (2004),
Object-based classification of remote sensing data for change detection
Volker Walter
Institute for Photogrammetry, University of Stuttgart, Germany
http://www.uprm.edu/biology/profs/chinea/gis/lectesc/objct_bsed_clasif.pdf
Αντικειμενοστραφής ταξινόμηση των τηλεπισκοπικών δεδομένων για την ανίχνευση μεταβολών.
Στο παρόν άρθρο εισάγεται μια προσέγγιση ανίχνευσης μεταβολών που βασίζεται στην αντικειμενοστραφή ταξινόμηση των τηλεπισκοπικών δεδομένων. Η προσέγγιση αυτή δεν ταξινομεί μόνο εικονοστοιχεία, αλλά ομάδες των εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών. Η προσέγγιση βασίζεται σε μια επιβλεπόμενη ταξινόμηση μεγίστης πιθανοφάνειας.Οι περιοχές εκπαίδευσης προέρχονται αυτόματα από τη βάση δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (Γ.Σ.Π.).
Μετά από μια εισαγωγή στη γενική προσέγγιση, ορίζονται τα διαφορετικά κανάλια εισόδου για την ταξινόμηση. Παρουσιάζονται τα αποτελέσματα μιας δοκιμής σε δύο δοκιμαστικές περιοχές και στη συνέχεια οι επιπλέον τρόποι που μπορούν να βελτιώσουν το αποτέλεσμα της ταξινόμησης και να ενεργοποιήσουν τη διάκριση μεταξύ περισσοτέρων κατηγοριών χρήσεων γης σε σχέση με τη συστηνόμενη προσέγγιση.
Από τους Walter and Fritsch (2000), εισήχθη η ιδέα για την αυτόματη ανανέωση της βάσης δεδομένων των Γεωγραφικών Συστημάτων Πληροφοριών (GIS) με τη χρήση βάσεων δεδομένων των πολυφασματικών τηλεπισκοπικών δεδομένων. Αυτή η προσέγγιση μπορεί να υποδιαιρεθεί σε δύο στάδια (εικόνα_1).
Σε πρώτη φάση, τα δεδομένα τηλεπισκόπησης ταξινομούνται σε διαφορετικές κατηγορίες χρήσεων γης, με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανότητας. Οι περιοχές εκπαίδευσης προέρχονται από μια ήδη υπάρχουσα βάση δεδομένων των Γ.Σ.Π., προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη/ χειροκίνητη διαδικασία. Αυτό μπορεί να γίνει με την υπόθεση ότι ο αριθμός των αλλαγών στον πραγματικό κόσμο είναι πολύ μικρός σε σχέση με τον αριθμό όλων των αντικειμένων της βάσης δεδομένων των Γ.Σ.Π., μια υπόθεση που δικαιολογείται, εφόσον θέλουμε να συνειδητοποιήσουμε τους κύκλους των ενημερώσεων σε διάστημα αρκετών μηνών.
Σε δεύτερη φάση, τα ταξινομημένα δεδομένα τηλεπισκόπησης θα πρέπει να αντιστοιχίζονται με τα υπάρχοντα αντικείμενα των ΓΣΠ, ώστε να βρεθούν αυτά τα αντικείμενα, στα οποία υπήρξε μεταβολή, ή τα οποία ταξινομήθηκαν λανθασμένα. Το θέμα αυτό επιλύθηκε μετρώντας ανά αντικείμενο, το ποσοστό, την ομοιογένεια, και τη μορφή των εικονοστοιχείων, τα οποία ταξινομούνται στην ίδια κατηγορία με του αντίστοιχου αποθηκευμένου στη βάση δεδομένων αντικειμένου (Walter, 2000). Όλα τα αντικείμενα ταξινομούνται σε κατηγορίες πλήρως επαληθευμένες, εν μέρει επαληθευμένες, και σε αυτές που δεν εντοπίζονται χρησιμοποιώντας τα κατώτατα όρια που μπορούν να οριστούν διαδραστικά από τον χρήστη. Το πρόβλημα χρήσης των κατώτατων ορίων είναι ότι εξαρτώνται από τα δεδομένα. Για παράδειγμα, το ποσοστό των εικονοστοιχείων βλάστησης ποικίλλει σημαντικά μεταξύ των δεδομένων που έχουν συλλεγεί το καλοκαίρι ή το χειμώνα. Άλλοι παράγοντες που επηρεάζουν το ποσοστό αυτό είναι το φως και οι καιρικές συνθήκες, ο τύπος του εδάφους και η ώρα της ημέρας. Ως εκ τούτου, δεν μπορούμε να χρησιμοποιήσουμε τα ίδια κατώτατα όρια για τις διάφορες βάσεις δεδομένων. Προκειμένου να αποφευχθεί το πρόβλημα του προσδιορισμού των κατώτατων ορίων που εξαρτώνται από τα δεδομένα, εισάγουμε μια προσέγγιση αντικειμενοστραφούς εποπτευόμενης ταξινόμησης. Η αντικειμενοστραφής ταξινόμηση λειτουργεί με τον ίδιο τρόπο όπως μια ταξινόμηση εικονοστοιχείων (εικόνα_2), με τη διαφορά ότι δεν ταξινομούμε κάθε εικονοστοιχείο, αλλά συνδυάζουμε όλα τα εικονοστοιχεία του κάθε αντικειμένου και τα ταξινομούμε μαζί.
Οι περιοχές εκπαίδευσης για την ταξινόμηση των αντικειμένων και πάλι προέρχονται από την υπάρχουσα βάση δεδομένων, προκειμένου να αποφευχθεί η χρονοβόρα μη αυτόματη διαδικασία. Σε μια «κανονική» ταξινόμηση, οι τιμές της κλίμακας του γκρι κάθε εικονοστοιχείου σε διαφορετικά πολυφασματικά κανάλια και ενδεχομένως σε κάποια άλλα κανάλια με προεπεξεργασμένη υφή, χρησιμοποιούνται ως εισαγωγικά στοιχεία. Για την ταξινόμηση των ομάδων των εικονοστοιχείων, πρέπει να καθορίσουμε νέους κανόνες που μπορεί να είναι πολύ απλοί (π.χ. η μέση τιμή του γκρι από όλα τα εικονοστοιχεία ενός αντικειμένου σε ένα συγκεκριμένο κανάλι), αλλά και πολύ σύνθετοι, όπως είναι οι παράμετροι που περιγράφουν τη μορφή ενός αντικειμένου. Αυτή η προσέγγιση είναι πολύ ευέλικτη, διότι μπορεί να συνδυάσει πολύ διαφορετικούς κανόνες για την περιγραφή ενός αντικειμένου. Μπορούμε ακόμη να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να υπολογίσουμε για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Το αποτέλεσμα της προσέγγισης είναι μια ταξινόμηση στην πιο πιθανή κατηγορία και το προβληματικό μέρος της αντιστοίχισης έχει πλέον αντικατασταθεί από μια σύγκριση του αποτελέσματος της ταξινόμησης με τη βάση δεδομένων Γ.Σ.Π. χωρίς τη χρήση κατώτατων ορίων.
1. Σχετικές εργασίες
Αυτού του είδους η προσέγγιση είναι μια αντικειμενοστραφής ανάλυση εικόνας που έχει εφαρμοστεί με επιτυχία και σε άλλα προβλήματα. Μια καλή επισκόπηση των διαφορετικών προσεγγίσεων εντοπίζεται στους Blaschke et al. (2000). Αυτές οι προσεγγίσεις μπορούν να υποδιαιρεθούν σε αυτές που χρησιμοποιούν τα υπάρχοντα δεδομένα Γ.Π.Σ. για να τα τοποθετήσουν σε μια εικόνα (ανά τομέα ταξινόμηση), και προσεγγίσεις που χρησιμοποιούν κανόνες αντικειμενοστραφούς ταξινόμησης χωρίς οποιαδήποτε στοιχεία εισόδου Γ.Σ.Π. Σήμερα, οι προσεγγίσεις που χρησιμοποιούν τα υπάρχοντα δεδομένα των Γ.Σ.Π. δεν χρησιμοποιούνται ευρέως. Στους Aplin et al. (1999), εισάγεται ένα παράδειγμα προσέγγισης ανά τομέα ταξινόμησης, η οποία πρώτα ταξινομεί την εικόνα σε κατηγορίες διαφορετικών χρήσεων γης. Στη συνέχεια, τα πεδία (τα οποία αντιπροσωπεύουν τμήματα δάσους από μια βάση δεδομένων Γ.Σ.Π.) υποδιαιρούνται σε διάφορες κατηγορίες, ανάλογα με το αποτέλεσμα της ταξινόμησης, χρησιμοποιώντας τα κατώτατα όρια. Η κύρια διαφορά των υφιστάμενων προσεγγίσεων σε σχέση με την προσέγγισή μας είναι ότι δε χρησιμοποιούμε τα κατώτατα όρια.
2. Αντικειμενοστραφής ταξινόμηση
2.1 Δεδομένα εισόδου
Οι ακόλουθες δοκιμές έγιναν με δεδομένα ATKIS. Η ATKIS είναι η γερμανική εθνική βάση τοπογραφικών και χαρτογραφικών δεδομένων και καταγράφει το τοπίο στην κλίμακα 1:25.000 (ADV, 1988). Ο Walter (1999) είχε δείξει ότι για την επικαιροποίηση των δεδομένων της κλίμακας των 1:25.000, απαιτείται μια χωρική ανάλυση τουλάχιστον των 2 μ. Τα δεδομένα τηλεπισκόπησης καταγράφηκαν με το σύστημα DPA, το οποίο είναι μια εναέρια οπτική ψηφιακή κάμερα (Hahn et al., 1996). Το σύστημα DPA έχει τέσσερα πολυφασματικά κανάλια: μπλε 440-525nm, πράσινο 520 -600nm, κόκκινο 610-685 nm, εγγύς υπέρυθρο(NIR) 770-890 nm.
2.2 Kατηγορίες ταξινόμησης
Σήμερα, στη βάση δεδομένων ATKIS συλλέγονται 63 διαφορετικές κατηγορίες αντικειμένων. Υπάρχουν πολλές κατηγορίες αντικειμένων που μπορεί να έχουν παρόμοιες εμφανίσεις σε μια εικόνα με μέγεθος εικονοστοιχείου 2 μ. (π.χ. βιομηχανικές περιοχές, κατοικημένες περιοχές, ή περιοχές μεικτής χρήσης). Ως εκ τούτου, δεν χρησιμοποιούμε 63 κατηγορίες χρήσεων γης για την ταξινόμηση, αλλά υποδιαιρούμε τις κατηγορίες των αντικειμένων σε πέντε κατηγορίες χρήσεως γης: νερό, δάσος, οικισμούς, βλάστηση και δρόμους. Η κατηγορία χρήσης γης των δρόμων χρησιμοποιείται μόνο στο πρώτο βήμα της διαδικασίας για την ταξινόμηση εικονοστοιχείων. Λόγω του γραμμικού σχήματος, οι δρόμοι αποτελούνται από πολλά εικονοστοιχεία σε ανάλυση 2μ. και θα πρέπει να ελέγχονται με άλλες τεχνικές (Walter, 1998).
2.3 Κανάλια εισόδου
Όπως και σε μια ταξινόμηση εικονοστοιχείων, μπορούμε να χρησιμοποιήσουμε όλα τα φασματικά κανάλια ως κανάλια εισόδου. Η διαφορά όμως είναι ότι στην ταξινόμηση εικονοστοιχείων, κάθε εικονοστοιχείο έχει ταξινομηθεί χωριστά, ενώ στην αντικειμενοστραφή ταξινόμηση, όλα τα εικονοστοιχεία που ανήκουν σε ένα αντικείμενο των Γ.Π.Σ. ομαδοποιούνται. Για την ανάλυση της φασματικής συμπεριφοράς των αντικειμένων, θα υπολογίζεται ο μέσος όρος της τιμής του γκρι του κάθε καναλιού για όλα τα αντικείμενα των Γ.Π.Σ. Η εικόνα 3 παρουσιάζει ως παράδειγμα τα αρχικά δεδομένα εισόδου (β) και τη μέση τιμή RGB (κόκκινο πράσινο μπλε) (α) για κάθε αντικείμενο των Γ.Π.Σ.
Το αποτέλεσμα της ομαδοποίησης των εικονοστοιχείων είναι σαν μια εξομάλυνση των δεδομένων. Η φασματική συμπεριφορά του αντικειμένου είναι παρόμοια με τη χαρακτηριστική φασματική συμπεριφορά των εικονοστοιχείων. Για παράδειγμα, οι δασικές περιοχές διακρίνονται στο πράσινο κανάλι ως σκούρα εικονοστοιχεία / αντικείμενα, ενώ οι οικισμοί ως φωτεινά. Αυτή η συμπεριφορά μπορεί να φανεί στην εικόνα 4.
Τα διαγράμματα διασποράς δείχνουν (α) την κατανομή των τιμών του γκρι του οικισμού και των δασικών εικονοστοιχείων σε σχέση με (β) την κατανομή των μέσων τιμών του γκρι των αντικειμένων του οικισμού και του δάσους, στα κανάλια κόκκινο και εγγύς υπέρυθρο(NIR). Είναι εμφανές ότι η συμπεριφορά είναι παρόμοια, αλλά ο διαχωρισμός στις δύο κατηγορίες γίνεται πιο δυσδιάκριτος, λόγω της εξομάλυνσης. Στην αντικειμενοστραφή ταξινόμηση, όλα τα πολυφασματικά κανάλια του συστήματος DPA (μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο) χρησιμοποιούνται ως κανάλια εισόδου.
Οι διαφορετικές κατηγορίες χρήσεων γης δεν μπορούν να διακριθούν μόνο από τη φασματική τους συμπεριφορά, αλλά και από τις διαφορετικές υφές. Οι χειρισμοί της υφής μετατρέπουν τις εικόνες εισόδου με τέτοιο τρόπο, ώστε η υφή να είναι κωδικοποιημένη σε τιμές του γκρι. Στην προσέγγισή μας, χρησιμοποιούμε ένα χειριστή υφής βασισμένο σε έναν πίνακα κοινής εμφάνισης που μετρά την αντίθεση σε ένα παράθυρο 55 εικονοστοιχείων. Η εικόνα 5 δείχνει τον χειριστή υφής που χρησιμοποιείται σε ένα παράδειγμα. Η εικόνα εισόδου φαίνεται στην εικόνα 5α, η υφή (που υπολογίζεται από το μπλε κανάλι) στην εικόνα 5β, και οι μέσες υφές των αντικειμένων στην εικόνα 5γ. Οι οικισμοί διακρίνονται ως σκούρα εικονοστοιχεία, η βλάστηση ως φωτεινά εικονοστοιχεία, και τα δάση ως ενδιάμεσα γκρι εικονοστοιχεία.
Η διασπορά των τιμών του γκρι των εικονοστοιχείων ενός αντικειμένου είναι επίσης ένας καλός δείκτης για την τραχύτητα της υφής. Η εικόνα 6 δείχνει την υπολογισμένη μέση διασπορά στο μπλε κανάλι για όλα τα αντικείμενα. Τα αντικείμενα των οικισμών έχουν υψηλή διασπορά, της βλάστησης έχουν μέση διασπορά, και των δασών χαμηλή διασπορά. Η εικόνα 7 δείχνει τη συμπεριφορά της διασποράς στα διαφορετικά κανάλια: μπλε, πράσινο, κόκκινο, και εγγύς υπέρυθρο. Η καλύτερη διάκριση ανάμεσα στις κατηγορίες χρήσεων γης, χρησιμοποιώντας τη διασπορά μπορεί να φανεί στο μπλε κανάλι. Στο εγγύς υπέρυθρο, όλες οι κατηγορίες χρήσεων γης έχουν παρόμοια κατανομή, γεγονός που καθιστά τη διάκριση στο εν λόγω κανάλι αδύνατη.
Οι δείκτες βλάστησης χρησιμοποιούνται πολύ συχνά σε ταξινόμηση εικονοστοιχείων ως δεδομένα εισόδου για τη βελτίωση του αποτέλεσματος της ταξινόμησης.Βασίζονται στη φασματική συμπεριφορά της χλωροφύλλης, η οποία απορροφά το κόκκινο φως και ανακλά το φως στο εγγύς υπέρυθρο. Στην παρούσα προσέγγιση, χρησιμοποιούνται οι κανονικοποιημένοι δείκτες βλάστησης (Campbell, 1987:) VI= (IR-R)/(IR+R).
Η εικόνα 8α δείχνει τον υπολογισμένο δείκτη βλάστησης για τα εικονοστοιχεία και η εικόνα 8b για τα αντικείμενα. Οι οικισμοί συνήθως διακρίνονται ως σκοτεινές περιοχές, ενώ τα δάση κυρίως ως φωτεινές περιοχές. Η ταξινόμηση των εκτάσεων βλάστησης είναι δύσκολη, επειδή μπορεί να διακρίνονται ως πολύ φωτεινές περιοχές (π.χ. τα χωράφια με ψηλό ποσοστό βλάστησης), αλλά και ως πολύ σκοτεινές περιοχές (π.χ. τα χωράφια λίγο μετά τη συγκομιδή).
Όλα τα μέχρι στιγμής κανάλια εισόδου χρησιμοποιούνται επίσης σε «κανονική» ταξινόμηση εικονοστοιχείων. Στην αντικειμενοστραφή ταξινόμηση, είναι δυνατό να προστεθούν επιπλέον κανάλια εισόδου, τα οποία δεν περιγράφουν άμεσα τη φασματική υπογραφή ή τα χαρακτηριστικά της υφής. Για παράδειγμα, μπορούμε να χρησιμοποιήσουμε το αποτέλεσμα μιας ταξινόμησης εικονοστοιχείων και να μετρήσουμε το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί σε μια συγκεκριμένη κατηγορία χρήσης γης. Η διαδικασία αυτή φαίνεται στην εικόνα 9. Η εικόνα εισόδου φαίνεται στην εικόνα 9α και το αποτέλεσμα της ταξινόμησης εικονοστοιχείων στην εικόνα 9b. H εικόνα 9c δείχνει για κάθε αντικείμενο το ποσοστό των εικονοστοιχείων που έχουν ταξινομηθεί στη κατηγορία χρήσης γης των δασικών περιοχών. Το λευκό χρώμα αντιπροσωπεύει το 100% και το μαύρο χρώμα αντιπροσωπεύει το 0%. Στις εικόνες 9b και 9c, φαίνεται ότι οι δασικές περιοχές αποτελούν μια κατηγορία χρήσεων γης που μπορεί να ταξινομηθεί με υψηλή ακρίβεια, τόσο σε ταξινόμηση εικονοστοιχείων όσο και σε αντικειμενοστραφή ταξινόμηση. Η εικόνα 9d δείχνει το ποσοστό των εικονοστοιχείων των οικισμών.
Λόγω της υψηλής ανάλυσης των δεδομένων (2 μ.), οι οικισμοί δεν μπορούν να ανιχνευτούν ως ομοιογενείς περιοχές, αλλά χωρίζονται σε διάφορες κατηγορίες χρήσεων γης, ανάλογα με το τι στην πραγματικότητα τα εικονοστοιχεία αντιπροσωπεύουν. Ως εκ τούτου, τα αντικείμενα των οικισμών περιέχουν συνήθως μόνο το 50-70% των εικονοστοιχείων των οικισμών στις εικόνες υψηλής ανάλυσης. Αυτό μπορεί επίσης να φανεί στην εικόνα 9e, η οποία δείχνει το ποσοστό των εικονοστοιχείων των περιοχών βλάστησης. Ενώ οι περιοχές βλάστησης περιέχουν έως και 100% εικονοστοιχεία βλάστησης, μπορεί να δει κανείς ότι, στις περιοχές των οικισμών, τα εικονοστοιχεία είναι επίσης ταξινομημένα ως περιοχές βλάστησης.
Μια ενδιαφέρουσα απεικόνιση του χαρακτηριστικού χώρου της αντικειμενοστραφούς ταξινόμησης μπορεί να γίνει με το συνδυασμό των τριών αντικειμενοστραφών εκτιμήσεων της ταξινόμησης εικονοστοιχείων. Στην εικόνα 10, το ποσοστό των εικονοστοιχείων των οικισμών αντιστοιχεί στο κόκκινο κανάλι, το ποσοστό των εικονοστοιχείων των δασών στο πράσινο κανάλι, και το ποσοστό των εικονοστοιχείων βλάστησης στο μπλε κανάλι μιας εικόνας RGB. Ο συνδυασμός των τριών αυτών καναλιών δείχνει ότι η ταξινόμηση εικονοστοιχείων των δασών και των εκτάσεων βλάστησης είναι πολύ αξιόπιστο, το οποίο μπορεί να φανεί στο ανοιχτό πράσινο και μπλε χρώμα των αντίστοιχων αντικειμένων. Οι περιοχές των οικισμών αντιθέτως, δεν μπορούν να χαρακτηριστούν ως ομοιογενείς περιοχές. Ως εκ τούτου, τα αντικείμενα των οικισμών διακρίνονται σε ένα κοκκινωπό χρώμα που μπορεί να είναι καφετί ή μωβ.
3. Αποτελέσματα ταξινόμησης
Η προσέγγιση αυτή δοκιμάστηκε σε δύο περιοχές εκπαίδευσης (16 και 9,1τ.χλμ.), οι οποίες καταγράφηκαν σε διαφορετικές ημερομηνίες, με συνολικά 951 αντικείμενα (194 δασικών περιοχών, 252 περιοχών βλάστησης, 497 οικιστικών περιοχών, και 8 υδάτινων περιοχών). Τα κανάλια εισόδου ήταν: μέση τιμή του γκρι στο μπλε κανάλι μέση τιμή του γκρι στο πράσινο κανάλι μέση τιμή του γκρι στο κόκκινο κανάλι μέση τιμή του γκρι στο εγγύς υπέρυθρο NIR κανάλι μέση τιμή κανονικοποιημένου δείκτη βλάστησης μέση τιμή της γκρι υφής στο μπλε κανάλι διασπορά στο μπλε κανάλι διασπορά στο πράσινο κανάλι διασπορά στο κόκκινο κανάλι διασπορά στο εγγύς υπέρυθρο NIR κανάλι διασπορά του δείκτη βλάστησης διασπορά της υφής ποσοστό εικονοστοιχείων δασικών περιοχών ποσοστό εικονοστοιχείων περιοχών βλάστησης ποσοστό εικονοστοιχείων οικιστικών περιοχών ποσοστό εικονοστοιχείων υδάτινων περιοχών
Τα κανάλια εισόδου καλύπτουν ένα 16-διάστατο χώρο των χαρακτηριστικών. Όλα τα αντικείμενα από τις περιοχές δοκιμής χρησιμοποιούνται ως αντικείμενα εκπαίδευσης για την ταξινόμηση. Αυτό σημαίνει ότι τα αντικείμενα αυτά είναι επίσης αντικείμενα εκπαίδευσης που είναι λάθος στη βάση δεδομένων. Σε μια μη αυτόματη/ χειροκίνητη επανεξέταση, έγινε σύγκριση των δεδομένων Γ.Σ.Π. με τις εικόνες. Ο αριθμός των αντικειμένων που δεν συλλέχθηκαν σωστά, ή εκείνων που δεν ήταν δυνατό να αποφασιστεί αν θα συλλέγονται σωστά χωρίς περαιτέρω πηγές πληροφοριών, είναι 63, που είναι περισσότερο από το 6% του συνόλου των αντικειμένων. Το μέσο ποσοστό των αλλαγών στους τοπογραφικούς χάρτες στη Δυτική Ευρώπη ανά έτος είναι 6,4% σε κλίμακα 1:50.000, 7,4% σε κλίμακα 1:25.000 και 8% σε κλίμακα 1:1.000.000 (Konecny, 1996). Συνεπώς, η προσέγγιση είναι αρκετά ισχυρή, αν θέλουμε να ενημερώνουμε τη βάση δεδομένων του Γ.Σ.Π. σε κύκλους 1 έτους.
Η εικόνα 11α δείχνει τα δεδομένα του Γ.Σ.Π. και η εικόνα 11b το αποτέλεσμα της αντικειμενοστραφούς ταξινόμησης σε ένα μέρος μιας περιοχής εκπαίδευσης. Συνολικά, 82 αντικείμενα (τα οποία είναι 8,6% του συνόλου των αντικειμένων) ταξινομήθηκαν σε διαφορετική κατηγορία χρήσης γης από εκείνη που υπάγονται στη βάση δεδομένων του Γ.Σ.Π. Αυτά τα αντικείμενα υποδιαιρέθηκαν με μη αυτόματο τρόπο (χειροκίνητα) σε τρεις κατηγορίες. Η πρώτη κατηγορία περιλαμβάνει όλα τα αντικείμενα στα οποία έχει λάβει χώρα μια μεταβολή στο τοπίο και γι’αυτό είναι αναγκαία η επικαιροποίηση της βάσης δεδομένων Γ.Σ.Π. Σε αυτή την κατηγορία, υπάρχουν 37 αντικείμενα (45%). Η δεύτερη κατηγορία περιλαμβάνει όλα τα αντικείμενα που δεν είναι σαφές αν συλλέχθηκαν σωστά στο Γ.Σ.Π. Για να αποφασιστεί εάν η βάση δεδομένων του Γ.Σ.Π. πρέπει να ενημερωθεί ή όχι, χρειάζονται υψηλότερης ανάλυσης δεδομένα ή μερικές φορές ακόμη και επιτόπιες επιθεωρήσεις. Σε αυτή την κατηγορία, υπάρχουν 26 αντικείμενα (31%). Η τρίτη κατηγορία περιλαμβάνει όλα τα αντικείμενα για τα οποία το αποτέλεσμα της ταξινόμησής τους είναι εσφαλμένο. Σε αυτή την κατηγορία, υπάρχουν 19 αντικείμενα (23%).
4. Περαιτέρω εργασίες
Η προσέγγιση διαχωρίζει όλα τα αντικείμενα σε κατηγορίες υδάτινων περιοχών, δασικών περιοχών, οικιστικών περιοχών και περιοχών βλάστησης. Η διάκριση αυτή μπορεί να βελτιωθεί όταν αξιολογούνται περισσότερα χαρακτηριστικά του αντικειμένου. Στη συνέχεια, προτείνονται τρεις πιθανές επεκτάσεις της προσέγγισης.
4.1 Επιπρόσθετη χρήση των δεδομένων λέιζερ
Οι Haala και Walter (1999), απέδειξαν ότι το αποτέλεσμα της ταξινόμησης εικονοστοιχείων μπορεί να βελτιωθεί σημαντικά με τη συνδυασμένη χρήση των πολυφασματικών δεδομένων και των δεδομένων λέιζερ. Η εικόνα 12 δείχνει το αποτέλεσμα της ταξινόμησης εικονοστοιχείων του CIR (έγχρωμο υπέρυθρο) με την εικόνα (b) και χωρίς τη χρήση των δεδομένων λέιζερ ως ένα επιπλέον κανάλι (c). Τα δεδομένα λέιζερ βελτιώνουν το αποτέλεσμα της κατάταξης, επειδή έχουν μια συμπληρωματική «συμπεριφορά» των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, οι κατηγορίες των περιοχών βλάστησης και των δρόμων μπορούν να διαχωριστούν πολύ καλά από τις κατηγορίες των δασικών και οικιστικών περιοχών, εξαιτίας των διαφορετικών υψών των εικονοστοιχείων πάνω από το έδαφος, ενώ στα πολυφασματικά δεδομένα, οι κατηγορίες των περιοχών βλάστησης και των δασικών περιοχών μπορεί να διαχωριστεί πολύ καλά από τις κατηγορίες των δρόμων και των οικιστικών περιοχών, λόγω των έντονα διαφορετικών ποσοστών της χλωροφύλλης.
Τα τέσσερα κανάλια εισόδου, τα οποία υπολογίζονται από το αποτέλεσμα της ταξινόμησης εικονοστοιχείων (ποσοστό εικονοστοιχείων δασικών περιοχών, ποσοστό εικονοστοιχείων περιοχών βλάστησης, ποσοστό εικονοστοιχείων οικιστικών περιοχών και ποσοστό εικονοστοιχείων υδάτινων περιοχών), είναι τα κανάλια με την ανώτατη επιρροή για την αντικειμενοστραφή ταξινόμηση. Η αντικειμενοστραφής ταξινόμηση οπότε, πρέπει επίσης να βελτιωθεί με τη συνδυασμένη χρήση των λέιζερ και των πολυφασματικών δεδομένων. Με τα δεδομένα λέιζερ, περαιτέρω κανάλια εισόδου μπορούν να υπολογιστούν, όπως η κλίση, το μέσο ύψος του αντικειμένου, η μέση κλίση του αντικειμένου, κλπ. Με υψηλής πυκνότητας δεδομένα λέιζερ, θα μπορούσε να γίνει διάκριση, για παράδειγμα, μεταξύ των κατοικημένων περιοχών και βιομηχανικών περιοχών.
Η εικόνα 13 παρουσιάζει ένα προφίλ λέιζερ (1 μ. πλάτος ράστερ) σε μία κατοικημένη περιοχή (α) και σε μια βιομηχανική περιοχή (β). Στις κατοικημένες περιοχές, υπάρχουν συνήθως σπίτια με επικλινείς στέγες και πολλή βλάστηση ανάμεσα στα σπίτια, ενώ στις βιομηχανικές περιοχές, υπάρχουν κτίρια με επίπεδες στέγες και λιγότερη βλάστηση. Αυτό το χαρακτηριστικό μπορεί να περιγραφεί από μια δισδιάστατη εκτίμηση των κατευθύνσεων κλίσης του κάθε αντικειμένου και θα μπορούσε επίσης να είναι χρήσιμο ώστε να γίνεται η διάκριση μεταξύ των διαφορετικών τύπων βλάστησης. Η συγχώνευση των δεδομένων από διαφορετικούς αισθητήρες για την κατηγοριοποίηση εικόνων αποτελεί ένα σχετικά νέο πεδίο (Pohl και van Genderen, 1998). Ο γενικός στόχος είναι να αυξηθεί το περιεχόμενο των πληροφοριών, προκειμένου να καταστεί ευκολότερη. Αντί των δεδομένων λέιζερ, θα μπορούσε ακόμα να γίνει μια συγχώνευση με τα δεδομένα SAR (π.χ. Dupas, 2000).
4.2 Περισσότεροι παράμετροι για την υφή
Αυτή τη στιγμή, χρησιμοποιούμε πίνακα κοινής εμφάνισης, τη μέση διασπορά, και τη μέση αντίθεση για να περιγράψουμε την υφή των αντικειμένων. Αυτές οι παράμετροι για την υφή μπορούν επίσης να χρησιμοποιηθούν και σε μια ταξινόμηση εικονοστοιχείων με τη μέτρηση της διασποράς και την αντίθεσης του κάθε εικονοστοιχείου σε ένα παράθυρο ν _ν. Το πρόβλημα του παραθύρου με σταθερό μέγεθος είναι ότι τα μεικτά εικονοστοιχεία στα όρια των αντικειμένων κατατάσσονται πολύ συχνά σε λάθος κατηγορία χρήσης γης. Όσο μεγαλύτερο είναι το παράθυρο, τόσο περισσότερα εικονοστοιχεία θα ταξινομηθούν λανθασμένα. Αυτό το πρόβλημα δεν εμφανίζεται στην αντικειμενοστραφή ταξινόμηση, διότι δε λαμβάνεται υπόψη το παράθυρο με ένα σταθερό μέγεθος, αλλά χρησιμοποιείται η υπάρχουσα γεωμετρία του αντικειμένου. Ως εκ τούτου, προτείνεται η χρήση περισσότερων παραμέτρων για την υφή.
Η εικόνα 14 δείχνει ένα παράδειγμα μιας πιθανής εκτίμησης της υφής. Οι εικόνες υποβάλλονται σε επεξεργασία με ένα χειριστή Σόμπελ. Συνήθως, τα αντικείμενα στα οποία διακρίνονται τα χωράφια περιέχουν πολλές ακμές με μια κύρια κατεύθυνση (α), ενώ τα αντικείμενα στα οποία διακρίνονται τα δάση, η κατεύθυνση των ακμών είναι ισόποσα κατανεμημένη (β) και στα αντικείμενα που διακρίνονται τα δάση, μπορούν να βρεθούν αρκετές βασικές κατευθύνσεις (γ). Άλλη παράμετρος για την υφή θα μπορούσε να είναι, για παράδειγμα, η μέση απόσταση/ μήκος ή η αντίθεση των άκρων. Ωστόσο, πρέπει να πραγματοποιηθούν αρκετές δοκιμές για να αποδειχτούν αυτές οι ιδέες.
4.3 Χρήση πολλαπλών χρονικών δεδομένων
Ο κύριος λόγος που η προσέγγιση κατατάσσει τα αντικείμενα σε λάθος κατηγορία είναι ότι, στην πράξη, η εμφάνιση των αντικειμένων μπορεί να είναι πολύ ανομοιογενής. Αν για παράδειγμα, ένα αντικείμενο ορισμένο ως οικισμός περιλαμβάνει μεγάλες περιοχές βλάστησης, αλλά μόνο μερικά εικονοστοιχεία που αντιπροσωπεύουν ένα σπίτι ή ένα δρόμο, θα πρέπει να χαρακτηριστεί ως περιοχή βλάστησης και όχι ως οικισμός. Το αντικείμενο θα πρέπει να επισημαίνεται ως ενημερωμένο αντικείμενο και ο χειριστής πρέπει να ελέγχει το αντικείμενο κάθε φορά που ανανεώνονται τα δεδομένα, διότι η προσέγγιση θα ταξινομήσει το αντικείμενο κάθε φορά ως βλάστηση. Μια λύση για το πρόβλημα αυτό είναι να αποθηκεύονται όλες οι παράμετροι των χαρακτηριστικών του ν-διάστατου χώρου (μέσες τιμές γκρι, μέση διασπορά, κλπ.) ενός αντικειμένου όταν αυτό ελέγχεται για πρώτη φορά. Αν λοιπόν αργότερα, το αντικείμενο επισημαίνεται ξανά ως ενημερωμένο, το πρόγραμμα μπορεί να μετρήσει τη μεταβολή του από την προηγούμενη αποθηκευμένη κατάσταση. Αν η μεταβολή είναι κάτω από ένα συγκεκριμένο όριο, μπορεί να υποτεθεί ότι το αντικείμενο εξακολουθεί να είναι το ίδιο, οπότε δε χρειάζεται να ενημερωθεί.
5. Σύνοψη
Η βασική ιδέα της προσέγγισης είναι ότι η ερμηνεία της εικόνας δεν βασίζεται μόνο στην ερμηνεία των εικονοστοιχείων, αλλά και σε ολόκληρες δομές αντικειμένων. Ως εκ τούτου, δεν ταξινομούνται μόνο εικονοστοιχεία, αλλά και ομάδες εικονοστοιχείων που αντιπροσωπεύουν ήδη υπάρχοντα αντικείμενα σε μια βάση δεδομένων του Γ.Σ.Π. Κάθε αντικείμενο περιγράφεται από ένα ν-διάστατο διάνυσμα χαρακτηριστικών γνωρισμάτων και ταξινομείται με μια επιβλεπόμενη ταξινόμηση μέγιστης πιθανοφάνειας. Η αντικειμενοστραφής ταξινόμηση δε χρειάζεται ρύθμιση παραμέτρων, όπως ο ορισμός των κατώτατων ορίων από το χρήστη. Λειτουργεί εντελώς αυτόματα, διότι όλες οι πληροφορίες για την ταξινόμηση προέρχονται από αυτοματοποιημένες περιοχές εκπαίδευσης. Το αποτέλεσμα δεν είναι μόνο η ανίχνευση των μεταβολών, αλλά και η κατάταξη στην πιθανότερη κατηγορία χρήσης γης.
Τα αποτελέσματα δείχνουν ότι περίπου στο 8,6% του συνόλου των αντικειμένων (82 αντικείμενα από 951) σημειώνονται οι μεταβολές. Από αυτά τα 82 αντικείμενα, το 45% είναι πραγματικές αλλαγές, το 31% είναι πιθανές αλλαγές, και το 23% έχει ταξινομηθεί εσφαλμένα. Αυτό σημαίνει ότι ο διαδραστικός έλεγχος των δεδομένων μπορεί να μειωθεί σημαντικά. Από την άλλη πλευρά, πρέπει να αναρωτηθούμε εάν η αντικειμενοστραφής ταξινόμηση εντοπίζει όλες τις μεταβολές. Μια αλλαγή στο τοπίο μπορεί να ανιχνευθεί μόνο αν επηρεάζει ένα μεγάλο μέρος ενός αντικειμένου, καθώς η αντικειμενοστραφής ταξινόμηση χρησιμοποιεί την υπάρχουσα γεωμετρία του αντικειμένου. Αν, για παράδειγμα, ένα αντικείμενο που ορίζεται ως δάσος έχει έκταση 5000 τ.μ. και στη δασική αυτή περιοχή έχει δημιουργηθεί μια μικρή οικιστική περιοχή 200 τ.μ., τότε η προσέγγιση αυτή θα αποτύχει. Για να ξεπεραστεί αυτό το πρόβλημα, πρέπει να αναπτυχθούν περαιτέρω τεχνικές. Επειδή οι δασικές περιοχές μπορούν να ταξινομηθούν με μεγάλη ακρίβεια με την ταξινόμηση εικονοστοιχείων, θα μπορούσε επιπλέον να δοκιμαστεί αν υπάρχουν μεγάλες εκτάσεις στο αντικείμενο που ορίζει το δάσος που να είναι ταξινομημένες σε άλλη κατηγορία χρήσης γης. Η ίδια προσέγγιση θα μπορούσε να χρησιμοποιηθεί για τις υδάτινες περιοχές, γιατί το νερό αποτελεί επίσης μια κατηγορία χρήσης γης που μπορεί να ταξινομηθεί με μεγάλη ακρίβεια στην ταξινόμηση εικονοστοιχείων. Πιο δύσκολη είναι η κατάσταση για τις κατηγορίες χρήσεωνς γης των περιοχών βλάστησης και των οικιστικών περιοχών, οι οποίες συνήθως έχουν μια ανομοιογενή εμφάνιση σε μια ταξινόμηση εικονοστοιχείων. Εδώ, προτείνεται να χρησιμοποιηθεί μια πολυδιάστατη προσέγγιση για να γίνεται επιπλέον έλεγχος των αντικειμένων (π.χ. Heipke και Straub, 1999). Μέχρι τώρα, μπορούμε να διακρίνουμε μεταξύ των κατηγοριών χρήσεων γης, τις δασικές περιοχές, τις οικιστικές, τις υδάτινες και της περιοχές βλάστησης. Αυτό μπορεί να βελτιωθεί εάν εκτιμηθούν περισσότερα χαρακτηριστικά του αντικειμένου, ορισμένα από τα οποία εντοπίζονται στο παρόν άρθρο, αλλά πρέπει να εξεταστούν και σε μελλοντικές εργασίες.
