Αυτοματοποιημένη μέθοδος ταξινόμησης χρήσεων γης σε εικόνες Landsat με χρήση βάσεων δεδομένων χαρακτηριστικών γνωρισμάτων

Από RemoteSensing Wiki

Μετάβαση σε: πλοήγηση, αναζήτηση

Πηγή

International Society for Photogrammetry and Remote Sensing

Τίτλος κειμένου

Automatic Land-Cover Classification of Landsat ImagesUsing Feature Database in a Network

Συγγραφείς

G. W. Yoon, S. I. Cho, G. J. Chae, J. H. Park

Εισαγωγή

Η τεχνολογία της τηλεπισκόπησης προσφέρει μια μεγάλη ποικιλία ψηφιακών εικόνων, οι οποίες καλύπτουν το μεγαλύτερο μέρος της επιφάνειας της γης. Οι εικόνες αυτές αποτελούν ένα πολλά υποσχόμενο εργαλείο για την παραγωγή χαρτών ακριβείας χρήσεων/καλύψεων γης. Η μέγιστη αξιοποίηση αυτών των δεδομένων γίνεται με χρήση αυτοματοποιημένων και αποτελεσματικών μεθόδων ταξινόμησης και κυρίως των ταξινομήσεων που βασίζονται στα pixel της εικόνας. Σήμερα γίνεται έρευνα πάνω σε ένα νέο είδος ταξινομήσεων, τις ταξινομήσεις με βάση τα αντικείμενα της εικόνας. Η βασική αρχή της νέας τεχνικής είναι η χρήση σημαντικών πληροφοριών (σχήμα, υφή και συναφείς πληροφορίες) που βρίσκονται στα αντικείμενα της εικόνας.

Ταξινόμηση με βάση τα αντικείμενα

ΕΙΚΟΝΑ 1: Εικόνα Landsat ΤΜ της περιοχής μελέτης

Η ταξινόμηση με βάση τα αντικείμενα στηρίζεται στην ιδέα πως οι απαραίτητες πληροφορίες για την ερμηνεία μιας εικόνας δεν αντιπροσωπεύονται στα pixel της εικόνας αλλά στα αντικείμενα της και στις αμοιβαίες σχέσεις τους. Η ανάλυση της εικόνας βασίζεται σε περιοχές της εικόνας που παρουσιάζουν ομοιογένεια και οι οποίες δημιουργούνται με κατάτμηση. Τα αντικείμενα της εικόνας χαρακτηρίζονται από πολύ περισσότερες χρήσιμες ιδιότητες όπως μορφή, υφή, γειτονιά η πλαίσιο σε σχέση με τα μεμονωμένα pixel που χαρακτηρίζονται μόνο από τη φασματική υπογραφή.

Κατάτμηση

Τα παρακείμενα και παρόμοια pixel συναθροίζονται σε κομμάτια υπό την προϋπόθεση ότι η ετερογένεια των φασματικών υπογραφών ελαχιστοποιείται σε αυτό το βήμα. Τα γειτονικά τμήματα συνενώνονται επίσης εφόσον η ετερογένεια δεν ξεπερνάει κάποιο προκαθορισμένο όριο.

Ταξινόμηση

Συνήθως η ταξινόμηση αποτελεί την προσθήκη αντικειμένων σε μια συγκεκριμένη κλάση ανάλογα με την περιγραφή της κλάσης αυτής και τα χαρακτηριστικά που έχουν οριστεί για αυτήν. Κατά συνέπεια κάθε αντικείμενο ανήκει σε μία ή σε καμία κλάση. Οι μέθοδοι ταξινόμησης χωρίζονται σε σκληρές (μέγιστη πιθανοφάνεια, ελάχιστη απόσταση, παραλληλεπίπεδο) και μαλακές (κυρίως συγκεχυμένα συστήματα η ταξινομητές Bayes), ανάλογα με την κλίμακα που χρησιμοποιούν για την ένταξη αντικειμένων στις κλάσεις.

Εφαρμογή

ΕΙΚΟΝΑ 2: Χάρτης χρήσεων γης ως υπόβαθρο της έρευνας
ΕΙΚΟΝΑ 3: Χάρτες ταξινομήσεων της περιοχής μελέτης: (α) χάρτης χρήσεων γης που χρησιμοποιήθηκε ως υπόβαθρο, (β) χάρτης ταξινόμησης με τη μέθοδο της βάσης δεδομένων χαρακτηριστικών γνωρισμάτων, (γ) χάρτης ταξινόμησης βάσει των pixel της εικόνας

Δεδομένα και περιοχή μελέτης

Η περιοχή μελέτης εντάσσεται γύρω από την πόλη Daejeon στο μέσο της χερσονήσου της Κορέας και περιλαμβάνει αστικές, γεωργικές, δασικές και άλλες εκτάσεις. Η ταξινόμηση για την περιοχή έγινε με χρήση των λήψεων του δέκτη Landsat TM στις 13 Μαρτίου 2000. Επιπλέον, χρησιμοποιήθηκε ένας χάρτης χρήσεων γης μεγάλης κλίμακας (1:50000) σαν υπόβαθρο για την ταξινόμηση. Ο χάρτης αποτελείται από 7 κλάσεις: αστική έκταση, δασική έκταση, χλόη, γεωργική έκταση, υγρότοπος, άγονη έκταση και νερό.

Κατασκευή βάσης δεδομένων χαρακτηριστικών γνωρισμάτων

Στην επιβλεπόμενη ταξινόμηση γίνεται επιλογή περιοχών εκπαίδευσης, αντιπροσωπευτικών κάθε κλάσης. Οι περιοχές αυτές είναι ιδιαίτερα σημαντικές αν το περιβάλλον στο οποίο βρίσκονται είναι ομογενές, ενώ αν οι χρήσεις γης αλλάζουν δραματικά στην περιοχή μελέτης, τότε και οι περιοχές εκπαίδευσης θα περιέχουν πολλές διαφορετικές φασματικές υπογραφές. Σύμφωνα με το γενικό κανόνα που ακολουθείται, αν τα δεδομένα εξάγονται από ν κανάλια, τότε οι περιοχές εκπαίδευσης για κάθε κλάση πρέπει να έχουν έκταση μεγαλύτερη των 10ν pixel. Η διαδικασία επιλογής περιοχών εκπαίδευσης είναι αρκετά χρονοβόρα, και έτσι στο παρόν άρθρο εισάγεται η έννοια της βάσης δεδομένων χαρακτηριστικών γνωρισμάτων. Έτσι, οι μη ειδικοί χρήστες των λογισμικών ταξινόμησης έχουν το πλεονέκτημα της άνεσης και της ακρίβειας κατά τη διαδικασία ταξινόμησης. Το σύστημα ταξινόμησης που χρησιμοποιήθηκε στην εργασία είχε 7 κλάσεις, όπως ακριβώς και ο χάρτης χρήσεων γης. Η εξαγωγή των χαρακτηριστικών της εικόνας γίνεται ανά δύο μήνες εξαιτίας της διαφοράς στη φωτεινότητα των pixel ανάλογα με τη στιγμή της λήψης. Στις βάσεις δεδομένων τα αντικείμενα που δημιουργήθηκαν από την κατάτμηση, έχουν πληροφορία σχετικά με τα χαρακτηριστικά γνωρίσματα.

Επεξεργασία και αποτελέσματα

Χρησιμοποιώντας τη βάση δεδομένων της εικόνας Landsat και τη βάση δεδομένων του υποβάθρου, κατασκευάζεται η βάση δεδομένων χαρακτηριστικών γνωρισμάτων, όπως αναφέρθηκε παραπάνω. Όταν ταξινομηθούν οι εικόνες Landsat, η βάση δεδομένων θα βοηθήσει τους χρήστες να πραγματοποιήσουν τα βήματα για την τελική ταξινόμηση των χρήσεων γης. Ουσιαστικά, οι περιοχές εκπαίδευσης έχουν αντικατασταθεί από τις βάσεις δεδομένων που δημιουργήθηκαν. Με αυτό τον τρόπο, οι χρήστες δεν χρειάζεται να καταπιαστούν με τη χρονοβόρα διαδικασία της επιλογής περιοχών εκπαίδευσης. Η εικόνα 7(b) αποτελεί τον τελικό χάρτη ταξινόμησης με τη μέθοδο της βάσης δεδομένων χαρακτηριστικών γνωρισμάτων, η εικόνα 7(a) αποτελεί τον χάρτη χρήσεων γης που χρησιμοποιήθηκε ως υπόβαθρο και η εικόνα 7(c) είναι ένας χάρτης ταξινόμησης βάσει των pixel της εικόνας με χρήση του λογισμικού Earth 2.0.

Συμπεράσματα

Στο παρόν άρθρο προτείνεται η χρήση αυτοματοποιημένης μεθόδου ταξινόμησης για τον προσδιορισμό των χρήσεων γης κατά την οποία δημιουργούνται βάσεις δεδομένων χαρακτηριστικών γνωρισμάτων αντί για περιοχές εκπαίδευσης. Οι βάσεις αυτές έχουν υπολογισμένα στατιστικά για τις περιοχές εκπαίδευσης. Το αποτέλεσμα της μεθόδου αυτής είναι η μεγαλύτερη ακρίβεια σε σχέση με τις παραδοσιακές τεχνικές και ένα πιο άνετο περιβάλλον για τους άπειρους χρήστες.

Προσωπικά εργαλεία