Αποτελεσματική Ομαδοποίηση και Ταξινόμηση Δορυφορικών Εικόνων σε Τύπους Εδαφικής Κάλυψης με Χρήση Αυτό-Οργανούμενων Χαρτών

Από RemoteSensing Wiki

Αποτελεσματική Ομαδοποίηση και Ταξινόμηση Δορυφορικών Εικόνων σε Τύπους Εδαφικής Κάλυψης με Χρήση Αυτό-Οργανούμενων Χαρτών

Ν. ΒΑΣΙΛΑΣ , Δ. ΒΑΪΟΠΟΥΛΟΣ, Ε. ΧΑΡΟΥ, Σ. ΒΑΡΟΥΦΑΚΗΣ

(http://library.tee.gr/digital/techr/1999/techr_1999_iii_1_2_31.pdf)

Εικόνα 1: Φυσικό έγχρωμο σύνθετο περιοχής μελέτης.

Εικόνα 2: Αποτελέσματα ταξινόμησης σε 8 υποομάδες με την προτεινόμενη μέθοδο.

Εικόνα 3: Αποτελέσματα ταξινόμησης σε 8 υποομάδες με την κλασική μέθοδο.

Εικόνα 4: Εικόνα 4: Τελικό αποτέλεσμα ταξινόμησης σε 4 κατηγορίες.

Αντικείμενο

Η εργασία παρουσιάζει μία νέα μέθοδο για αποτελεσματική ομαδοποίηση και αυτόματη ταξινόμηση πολυφασματικών εικόνων σε χρήσεις γης. Οι μεταβολές στη χρήση γης, όπως η πολεοδομική ανάπτυξη, και η διαρκής παρακολούθηση της υποβάθμισής της, από ερημοποίηση εξαφάνιση δασών, αποξήρανση υγροτόπων, μπορούν να ανιχνευτούν με χρησιμοποίηση δεδομένων τηλεπισκόπισης. Ο όγκος των πληροφοριών που δίνεται με τις δορυφορικές εικόνες είναι τεράστιος. Συνεπώς, δημιουργείται η ανάγκη για ταχεία και έγκαιρη ανάλυση και επεξεργασία αυτών των δεδομένων με αποδοτικές μεθόδους. Τη λύση σε αυτή την ανάγκη προσπαθεί να δώσει η παρούσα εργασία.

Δεδομένα

Για την μελέτη αυτή χρησιμοποιείται μία δορυφορική εικόνα από το νησί της Λέσβου από τα τρία πρώτα φασματικά κανάλια του δείκτη ΤΜ του δορυφόρου LANDSAT με κβάντιση της φωτεινότητας σε 256 επίπεδα γκρίζου (8 bits). Στόχος είναι η ταξινόμηση σε 4 κατηγορίες εδαφικής κάλυψης: α)δάσος (Δ), β)θάλασσα (Θ), γ)αγροτικές καλλιέργειες (Α) και δ)κατοικημένες περιοχές-βραχώδεις εκτάσεις-λατομεία-αραιή βλάστηση (Κ). Η ψηφιακή επεξεργασία έγινε σε σταθμό εργασίας SUN ULTRA II Enterprise (64MB, 167MHz).

Μεθοδολογία

1. Δημιουργείται το φυσικό έγχρωμο σύνθετο της εικόνας προβάλλοντας τις φασματικές ζώνες 1, 2 και 3 στο κόκκινο, μπλε και πράσινο κανάλι αντίστοιχα. (εικόνα 1) 2. Αρχικά γίνεται ομαδοποίηση σε περισσότερες ομάδες, σε 8 υποομάδες. 3. Τα δεδομένα ταξινομούνται στις 8 υποομάδες τόσο με την κλασσική μέθοδο όσο και με την προτεινόμενη. Κάθε φορά ακολουθούνται δύο αλγόριθμοι ταξινόμησης, ο Isodata και ο Fuzzy Isodata. Τα αποτελέσματα που προκύπτουν από την προτεινόμενη μέθοδο παρουσιάζονται στην εικόνα 2 ενώ από την κλασσική στην εικόνα 3. 4. Στη συνέχεια γίνεται αξιολόγηση των δεδομένων ανάλογα με την επίδοσή τους, που είναι και το ζητούμενο της εργασία. 5. Έπειτα ακολουθεί η συνένωση των 8 υποομάδων στις 4 νέες ομάδες που αντιστοιχούν στις κατηγορίες που περιγράφηκαν πρωτύτερα. (εικόνα 4) 6. Τα αποτελέσματα ταξινόμησης των δεδομένων αξιολόγησης με τις άλλες τεχνικές διαφέρουν κατά 0,5%, τόσο για την προτεινόμενη όσο και για την κλασική μέθοδο, αποδεικνύοντας τη χρήση της προτεινόμενης μεθόδου ως προς την ταχύτητα και την αποτελεσματικότητα της.

Αποτελέσματα – Συμπεράσματα

Η μεθοδολογία που μελετήθηκε προσφέρει σημαντικές δυνατότητες επιτάχυνσης και εξοικονόμησης μνήμης κατά την ταξινόμηση ειδών εδαφικής κάλυψης από πολυφασματικά δεδομένα παρέχοντας μία λύση στην ανάγκη για γρήγορη ανάλυση και επεξεργασία του τεράστιου όγκου δεδομένων. Αυτό επιτυγχάνεται καθώς: α) δεν απαιτούνται περιοχές εκπαίδευσης β) τα δεδομένα συμπιέζονται γ) επιταχύνει την ομαδοποίηση των δεδομένων και διευκολύνει τους πολύπλοκους αλγορίθμους δ) χρησιμοποιεί ταχύτατες τεχνικές δεικτοδότησης για αποτελεσματική ταξινόμηση των δεδομένων.