Αξιολόγηση της προστιθέμενης αξίας του Sentinel – 2 για τον εντοπισμό χτισμένων περιοχών
Από RemoteSensing Wiki
Αξιολόγηση της προστιθέμενης αξίας του Sentinel – 2 για τον εντοπισμό χτισμένων περιοχών
Πρωτότυπος τίτλος: Assessment of the Added – Value of Sentinel – 2 for Detecting Built-up Areas
Συγγραφείς: Martino Pesaresi, Christina Corbane, Andreea Julea, Aneta J. Florczyk,Vasileios Syrris and Pierre Soille
Δημοσιεύθηκε: Remote Sensing, 2016, 8, 299
Η ανάγκη για ακριβείς, αξιόπιστες και έγκαιρες εκτιμήσεις της κάλυψης της γης του κόσμου σε επαρκώς λεπτομερείς χωροταξικές και θεματικές αποφάσεις υπογραμμίζεται από τις εθνικές και περιφερειακές αρχές τα διεθνή προγράμματα και την ερευνητική κοινότητα της παγκόσμιας αλλαγής. Συνεπώς, η μελέτη των ανθρωπογενών αλλαγών και η διαθεσιμότητα μεθοδολογιών και δεδομένων είναι αναγκαίες για την αειφόρο αστική ανάπτυξη σε παγκόσμια κλίμακα. Δορυφορικά δεδομένα ελεύθερα διαθέσιμα στο διαδίκτυο διευκολύνουν αυτή τη μελέτη. Ο πιο πρόσφατος δορυφόρος είναι ο Sentinel – 2, ο οποίος εκτοξεύθηκε τον Ιούνιο του 2015 και αποτελείται από 13 κανάλια με χωρική διακριτική ικανότητα τα 10 μέτρα. Σε συνδυασμό με τα δεδομένα ραντάρ του Sentinel – 1, προσφέρουν στο χρήστη εικόνες όσο το δυνατό με λιγότερα σύννεφα σε ιδανική κλίμακα για να μελετήσει τα ανάλογα φαινόμενα που εκτυλίσσονται στο χώρο.
Πρόσφατα αναπτύχθηκε μία νέα μέθοδος για την επιβλεπόμενη ταξινόμηση των δορυφορικών εικόνων με βάση τη συμβολική ανάλυση (Symbolic Learning) και την ανάλυση σχέσης (Association analysis). Αυτή η νέα προσέγγιση απέδειξε ότι είναι ικανή να επιλύσει το ζήτημα της παγκόσμιας επεξεργασίας δεδομένων πολλαπλών αισθητήρων και πολλαπλών χρονικών δεδομένων μεγάλης κλίμακας με σκοπό τη χαρτογράφηση του παγκόσμιου περιβάλλοντος σε διάστημα 40 ετών, ήδη χρησιμοποιήθηκε με επιτυχία στις εικόνες Landsat για τα έτη 1975, 1990, 2000 και 2014. Οι προκαταρκτικές δοκιμές της μεθόδου επιβεβαίωσαν την υψηλότερη ποιότητα των πληροφοριών σχετικά με τις κατοικημένες περιοχές σε δεδομένα Landsat που παραδόθηκαν από το Landsat-Global Layer Human Settlement Layer (Landsat-GHSL) σε σύγκριση με άλλα διαθέσιμα σφαιρικά στρώματα πληροφοριών. Στο GHSL, η κατηγορία των κατοικημένων περιοχών ορίζεται ως η ένωση όλων των χωρικών μονάδων που συλλέγονται από τον συγκεκριμένο αισθητήρα και περιέχουν ένα κτίριο ή μέρος αυτού.
Η συγκεκριμένη εργασία εφαρμόζει την ταξινόμηση GHSL σε δεδομένα Sentinel 2, ώστε να συγκρίνει τα αποτελέσματά του με αυτά των εικόνων του Landsat και εξετάζει την πιθανότητα συνδυασμού δεδομένων από διάφορους σένσορες. Η μεθοδολογία της ταξινόμησης είναι η νέα συμβολική μέθοδος SML (Symbolic Machine Learning) και εφαρμόστηκε σε διάφορες κατηγορίες δεδομένων, Landsat, Sentinel 1 και 2. Η μέθοδος SML είναι δομημένη με βάση την έννοια του εμπειρικού πολυδιάστατου ιστογράμματος, δηλαδή, οι τιμές χαρακτηριστικών προέρχονται από την ομαδοποίηση / ομαδοποίηση του πολυδιάστατου ιστογράμματος που περιγράφει τα υπό εξέταση δεδομένα και είναι καθορισμένες. Στη συνέχεια, ένα κανονικοποιημένο μέτρο βαθμολογεί τις κλάσεις των στοιχείων σύμφωνα με τον αριθμό των συμβάντων τους σε κάθε κατηγορία. Η μέθοδος SML βασίζεται στη μείωση των δεδομένων και στην ανάλυση σχέσης. Τα δεδομένα που προκύπτου από τη μείωση είναι αυτά που χρησιμοποιούνται στην ανάλυση, όπως περιγράφεται στο διάγραμμα ροής της εικόνας 1.
Η μείωση ή αφαίρεση των δεδομένων πραγματοποιείται με βάση δύο κριτήρια, την (επαν) ποσοτικοποίηση δεδομένων και την αλληλούχιση. Το πρώτο κριτήριο προέρχεται από την απαίτηση μιας αντικειμενικής μεθόδου, όσο το δυνατόν περισσότερο ανεξάρτητα από τις υποθέσεις σχετικά με συγκεκριμένες στατιστικές κατανομές. Το δεύτερο κριτήριο συνδέεται με την ανάγκη να υιοθετηθεί μια αραιή αναπαράσταση των χαρακτηριστικών δεδομένων εισόδου και των λειτουργιών που δημιουργούν διακρίσεις αυτές. Αυτή η κωδικοποίηση επιτρέπει τη συμπίεση του χώρου χαρακτηριστικών, αυξάνοντας την υπολογιστική αποδοτικότητα για την παγκόσμια επεξεργασία δεδομένων τηλεπισκόπησης. Ενώ, η ανάλυση σχέσης χρησιμοποιείται για την αναζήτηση σχετικών, συστηματικών σχέσεων μεταξύ των δεδομένων της εικόνας, περιπτώσεων και χωρικών πληροφοριών που κωδικοποιούνται σε ένα επιλεγμένο σετ αναφοράς που περιέχει ιδιότητες για το κάθε δεδομένο που ανήκει σε αυτό.
Η μέθοδος SML έχει δοκιμαστεί μόνο σε δεδομένα Landsat, συνεπώς η εφαρμογή σε δεδομένα του Sentinel, απαιτεί παραπάνω μελέτη και έρευνα. Τα δεδομένα που χρησιμοποιήθηκαν για δομικές ήταν δορυφορική εικόνα Sentinel – 2, για την πόλη Porto Viro στη Βορειοανατολική Ιταλία. Η περιοχή μελέτης συνδυάζει αστικό με δασικό περιβάλλον και καλλιεργήσιμες εκτάσεις. Για τη σύνθεσή της αξιοποιήθηκαν 4 κανάλια, το μπλε, το κόκκινο, το πράσινο και το κοντινό υπέρυθρο. Η εικόνα προήλθε από την ιστοσελίδα της European Space Agency και η ημερομηνία της είναι 8 Ιουλίου του 2015.
Τα βασικά στοιχεία που χρησιμοποιεί ο αλγόριθμος ταξινόμησης είναι τα σύννεφα, το νερό και οι οικιστικές περιοχές. Για να δημιουργηθούν τα ανάλογα δείγματα της ταξινόμησης γίνεται χρήση των δεδομένων του Corine Landcover για το 2006. Έχοντας ως οδηγό τις κλάσεις του Corine δημιουργείται ένας χάρτης αναφοράς (εικόνα 3), ο οποίος περιλαμβάνει τις κατηγορίες νερό και οικιστικές περιοχές. Με βάση αυτόν, ταξινομήθηκε η δορυφορική εικόνα και οι κλάσεις νερό και οικιστικές περιοχές απεικονίζονται με μπλε και λευκό αντίστοιχα (εικόνα 4).
Μόλις ολοκληρωθεί η ταξινόμηση γίνεται ο έλεγχος εγκυρότητας των αποτελεσμάτων. Αρχικά γίνεται ένας έλεγχος των εικόνων 3 και 4 και παρατηρείται πως υπάρχουν κάποιες αναντιστοιχίες μεταξύ των δεδομένων του Corine και της ταξινομημένης εικόνας. Παρατηρήθηκαν σφάλματα λανθασμένης ταξινόμησης κατά μήκος των παράκτιων περιοχών σε περιοχές όπου οι αμμόλοφοι εντοπίστηκαν στην οικιστική κατηγορία λόγω παρόμοιων φασματικών χαρακτηριστικών. Η εγκυρότητα της ταξινόμησης SML αξιολογείται για τις χτισμένες περιοχές χρησιμοποιόντας 446 τυχαία δείγματα ισόποσα μοιρασμένα σε άκτιστες και χτισμένες περιοχές. Τα αποτελέσματα απεικονίζονται στον πίνακα της εικόνας 5 και η τιμή της εγκυρότητας της ταξινόμησης είναι 80%. Τα λάθη της ταξινόμησης οφείλονται σε κοντινές φασματικές περιοχές των χτισμένων περιοχών με παράκτιες περιοχές με βραχώδη ακτογραμμή ή αμμόλοφους, με γυμνό έδαφος και με τεχνητή βλάστηση.
Ένα από τα πλεονεκτήματα της μεθόδου SML είναι η δυνατότητα να εφαρμοστεί σε άλλης μορφής τηλεπισκοπικών δεδομένων και το αποτέλεσμα μπορεί να είναι συμπληρωματικό. Ως εκ τούτου, είναι σημαντικό να γίνουν κατανοητές οι διαφορές στην ανίχνευση των δομημένων περιοχών που παράγονται από δεδομένα από διαφορετικούς αισθητήρες. Για να συμβεί αυτό, γίνεται σύγκριση μεταξύ δεδομένων Sentinel – 2 και Landsat αλλά και Sentinel - 2 με Sentinel – 1. Η ταξινόμηση των εικόνων Landsat γίνεται με τη μέθοδο GHSL, η οποία περιεγράφηκε παραπάνω, για τη σύγκριση χρησιμοποιήθηκε μία εικόνα για το 2014. Μελετώντας τις εικόνες (εικόνα 6), προκύπτει ότι υπάρχει αισθητή διαφορά μεταξύ τους. Για παράδειγμα, στην εικόνα του Landsat οι αγροτικές περιοχές έχουν ταξινομηθεί ως αστικές ενώ στην εικόνα του Sentinel ο διαχωρισμός μεταξύ αγροτικών περιοχών και αστικού γίνεται ευκολότερα λόγω της υφής των αντικειμένων.
Για τις συγκρίσεις μεταξύ Sentinel – 1 και Sentinel – 2, χρησιμοποιήθηκε μία εικόνα Sentinel – 1 για τον Ιούνιο του 2015. Η ταξινόμηση SML έγινε και στις 2 εικόνες χρησιμοποιώντας σαν χάρτη αναφοράς την εικόνα που προέκυψε από το Corine (εικόνα 3). Τα αποτελέσματα αποτυπώνονται στην εικόνα 7, στην οποία τοποθετήθηκε και μία εικόνα Landsat για να γίνουν ευκολότερα αντιληπτές οι διαφορές μεταξύ των δεκτών. Οι χτισμένες περιοχές απεικονίζονται με λευκό χρώμα. Στην εικόνα φαίνεται πως οι εικόνες Sentinel είναι σημαντικά βελτιωμένες σε σχέση με την εικόνα Landsat. Τα αποτελέσματά τους είναι πιο κοντά στο χάρτη αναφοράς και αυτό οφείλεται στο γεγονός ότι οι εικόνες του Sentinel έχουν μεγαλύτερη χωρική διακριτική ικανότητα (5 και 10 μέτρα αντίστοιχα) για αυτό και οι υφές των οικιστικών δομών είναι πιο εύκολα διακριτές από ότι άλλα αντικείμενα. Ακόμα, παρατηρείται πως τα δεδομένα του Sentinel αλληλοσυμπληρώνονται και για αυξημένη εγκυρότητα της ταξινόμησης προτείνεται η σύνθεσή τους ή η σύντηξη(fusion) τους.
Συμπερασματικά, προκύπτει πως η εφαρμογή της μεθόδου SML στα δεδομένα Sentinel – 2 είναι ενθαρρυντική λόγω της βελτιωμένης χωρικής διακριτικής ικανότητας σε σχέση με τον Landsat (10 μέτρα έναντι 30 μέτρα του Landsat). Επίσης, η μεθοδολογία ταξινόμησης SML έχει τη δυνατότητα να χειρίζεται διαφορετικά δεδομένα εισόδου όπως ραδιομετρικά, μορφολογικά και περιγραφικά. Σημαντικό πλεονέκτημα της είναι πως μπορεί να ταξινομήσει και άλλους τύπους κάλυψης γης εκτός από το χτισμένο περιβάλλον, αλλά και να επεκτείνει την ταξινόμηση σε πολλές κατηγορίες. Με την ανάπτυξη αυτής της μεθοδολογίας μπορούν να επωφεληθούν πολλοί χρήστες σε μεγάλο εύρος εφαρμογών για χαρτογράφηση οικισμών. Τα αποτελέσματα που παρουσιάζονται στην εργασία αυτή προσφέρουν μία πρώτη ιδέα για τις δυνατότητες της μεθόδου, η οποία καλείται να αντιμετωπίσει χαρτογραφικά πλήθος χωρικών φαινομένων, όπως η ετερογένεια κατοικημένων περιοχών ή αλληλεπιδράσεις τους με το περιβάλλον.
Σύνδεσμος πρωτότυπου κειμένου: [1]
