Γρήγορη ταξινόμηση τηλεπισκοπικών εικόνων και παραγωγή έξυπνων θεματικών χαρτών

Από RemoteSensing Wiki

Γρήγορη ταξινόμηση τηλεπισκοπικών εικόνων και παραγωγή έξυπνων θεματικών χαρτών

Πρωτότυπος τίτλος: Remotely sensed image fast classification and smart thematic map production

Συγγραφείς: Emanuele Alcaras , Pier Paolo Amoroso, Claudio Parente , Giuseppina Prezioso

Δημοσιεύθηκε: 23 Δεκεμβρίου 2021 - The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLVI-4/W5-2021, 43–50, 2021

Σύνδεσμος πρωτότυπου κειμένου: [1]

Λέξεις-Κλειδιά: Thematic Map, Landsat 8 OLI, GIS, Image Classification, Smart Applications, Vegetation Index.

Εικόνα 1. Γεωεντοπισμός της περιοχής μελέτης στο βόρειο τμήμα της Σικελίας (κόκκινο ορθογώνιο), σε ισόπλευρη προβολή και γεωγραφικές συντεταγμένες WGS84.

Εικόνα 2. Φυσικό έγχρωμο σύνθετο RGB των εικόνων Landsat 8 OLI, σε συντεταγμένες επιπέδου της προβολής UTM-WGS84.

Πίνακας 1. Κύρια χαρακτηριστικά των εικόνων Landsat 8 OLI.

Εικόνα 3. Θεματικοί χάρτες με 3 κατηγορίες (νερό, έδαφος, βλάστηση), όπως προέκυψαν από πάνω προς τα κάτω με εφαρμογή αντίστοιχα των NDVI KM, RN KM, RGBN MD και 8MS ML.

Πίνακας 2. Δείκτες θεματικής ακρίβειας που εφαρμόστηκαν στις μεθόδους ταξινόμησης.

Εικόνα 4. Απεικόνιση του θεματικού χάρτη από τον NDVI KM σε μορφή web σε επικάλυψη με το διανυσματικό αρχείο της Ιταλικής Περιφέρειας.

Οι εφαρμογές που διατίθενται για smartphone, καθώς και το λογισμικό για συσκευές GNSS/GIS, επιτρέπουν την εύκολη χαρτογράφηση του εντοπισμού και του σχήματος μιας περιοχής με την απόκτηση των συντεταγμένων των κορυφών του περιγράμματός της. Η επιλογή αυτή είναι χρήσιμη για την ταξινόμηση μέσω τηλεπισκόπησης, υποστηρίζοντας την ανίχνευση αντιπροσωπευτικών δειγματοληπτικών περιοχών ενός γνωστού τύπου κάλυψης που θα χρησιμοποιηθούν για την εκπαίδευση αλγορίθμων ή για τη δοκιμή των αποτελεσμάτων ταξινόμησης. Η παρούσα εργασία αποσκοπεί στην ανάλυση της δυνατότητας παραγωγής έξυπνων χαρτών από την ταξινόμηση τηλεπισκοπικών εικόνων με γρήγορο τρόπο. Η προσοχή επικεντρώνεται σε διαφορετικές μεθόδους που συγκρίνονται για τον εντοπισμό γρήγορης και ακριβούς διαδικασίας για την παραγωγή ενημερωμένων και αξιόπιστων χαρτών. Οι πολυφασματικές εικόνες Landsat 8 OLI υποβάλλονται σε διάφορους αλγορίθμους ταξινόμησης για τη διάκριση του νερού, του γυμνού εδάφους και της βλάστησης. Ο χάρτης που προκύπτει εισάγεται κατάλληλα σε μια ευρύτερη βάση δεδομένων με στόχο την αναπαράσταση της κατάστασης σε ένα χωροχρονικά εξελικτικό σενάριο και είναι κατάλληλος ώστε να αποτυπωθεί οποιαδήποτε μεταβολή προκαλείται, όπως π.χ. εντοπισμός καμένων περιοχών, καθορισμός περιοχών με βλάστηση για τουριστικούς σκοπούς κ.λπ.

2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ΚΑΙ ΔΕΔΟΜΕΝΑ

Η περιοχή μελέτης καλύπτει μια επιφάνεια 5.400 Km2 και βρίσκεται στο βόρειο τμήμα της Σικελίας (Ιταλία), όπως φαίνεται στις εικόνες (1) και (2). Η εξεταζόμενη περιοχή περιλαμβάνει πολλά από τα κύρια χαρακτηριστικά του νησιού όσον αφορά την κάλυψη γης, όπως πυκνή αλλά και διάσπαρτη βλάστηση, γυμνό έδαφος καλυμμένο με λάβα, μικρές δασώδεις εκτάσεις, καλλιεργούμενες εκτάσεις με καλή κατάσταση υγείας αλλά και σε γήρανση ,άγονες περιοχές, λίμνες νερού φυσικής και τεχνητής προέλευσης.Οι εικόνες Landsat 8 OLI περιλαμβάνουν 8 πολυφασματικές ζώνες (MS) και μία παγχρωματική ζώνη (PAN), όπως αναφέρεται στον πίνακα (1).

3. ΜΕΘΟΔΟΙ

Ακολουθούν τα βήματα για την παραγωγή ενός έξυπνου χάρτη:

3.1 Μετατροπή των τιμών BV σε ανακλαστικότητα στην κορυφή της ατμόσφαιρας (TOA) και ατμοσφαιρική διόρθωση εφαρμόζοντας το μοντέλο DOS

3.2 Ταξινόμηση των εικόνων

•3.2.1 Μη Επιβλεπόμενη Ταξινόμηση

Με εφαρμογή της μεθόδου K-means που είναι μια αριθμητική, μη εποπτευόμενη, μη ντετερμινιστική, επαναληπτική μέθοδος.

•3.2.2 Επιβλεπόμενη Ταξινόμηση

Στην οποία οι περιοχές εκπαίδευσης εντοπίζονται μέσω οπτικής ανάλυσης στη σύνθεση RGB, καθώς και μέσω της συμβουλευτικής εικόνας υψηλότερης ανάλυσης που αποκτήθηκε την ίδια περίοδο με εφαρμογή των μεθόδων της ελάχιστης απόστασης MD και της μέγιστης πιθανοφάνειας ΜL.

•3.2.3 Δείκτης κανονικοποιημένης διαφοράς βλάστησης NDVI

Με την εφαρμογή του NDVI (Normalized Difference Vegetation Index) παράγεται μια συνθετική εικόνα που χρειάζεται την εφαρμογή κριτηρίου ταξινόμησης για να κατηγοροποιηθούν στη συνέχεια εικονοστοιχεία νερού, γυμνού εδάφους και βλάστησης.

3.3 Αξιολόγηση της θεματικής ακρίβειας

Για να διαπιστωθεί η θεματική ακρίβεια των αποτελεσμάτων που προκύπτουν, επιλέγονται περιοχές δοκιμής, διαφορετικές από τις περιοχές εκπαίδευσης που χρησιμοποιούνται στην επιβλεπόμενη ταξινόμηση, και χρησιμοποιείται ο πίνακας σύγχυσης (Confusion Matrix) ως ποσοτική μέθοδος για την αξιολόγηση της ακρίβειας ταξινόμησης εικόνων, με τις τιμές των παραδοσιακών δεικτών που ονομάζονται Producer Accuracy (PA), User Accuracy (UA) και Overall Accuracy (OA)

3.4 Παραγωγή έξυπνων χαρτών για διαδικτυακή εφαρμογή

Οι εργασίες για τη δημοσίευση δεδομένων ΓΣΠ στο διαδίκτυο και την προσβασιμότητά τους σε άλλους χρήστες ονομάζονται συνήθως διαδικτυακή χαρτογράφηση. Τα προϊόντα που προκύπτουν είναι επίσης γνωστά ως "έξυπνοι χάρτες", δεδομένου ότι είναι κατάλληλα για έξυπνες εφαρμογές σε tablet και smartphone. Στην παρούσα μελέτη μετατρέπουμε τους παραγόμενους θεματικούς χάρτες με το πρόσθετο QGIS2Web σε κατάλληλα αρχεία μορφής για να τους καταστήσουμε κατάλληλους για δημοσίευση στο διαδίκτυο. Με αυτόν τον τρόπο μπορούμε να τους χρησιμοποιήσουμε και για τον έλεγχο του επιτευχθέντος επιπέδου θεματικής ακρίβειας στην περίπτωση επιτόπιας παρατήρησης.

4. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ

Στην παρούσα μελέτη εφαρμόζονται οι μέθοδοι ταξινόμησης Minimum Distance, Maximum Likelihood και K-means σε όλες τις εικόνες Landsat 8 OLI ή σε μια επιλογή από αυτές καθώς και στον NDVI- ειδικότερα χρησιμοποιείται ο ακόλουθος συνδυασμός:

- NDVI με ελάχιστη απόσταση (NDVI MD),

- NDVI με μέγιστη πιθανοφάνεια (NDVI ML),

- NDVI με K-Means (NDVI KM),

- RED & NIR με ελάχιστη απόσταση (RN MD),

- RED & NIR με μέγιστη πιθανοφάνεια (RN ML),

- RED & NIR με K-Means (RN KM),

- RGB & NIR με ελάχιστη απόσταση (RGBN MD),

- RGB & NIR με μέγιστη πιθανοφάνεια (RGBN ML),

- RGB & NIR με K-Means (RGBN KM),

- Και οι 8 ζώνες MS με ελάχιστη απόσταση (8MS MD),

- Και οι 8 ζώνες MS με μέγιστη πιθανοφάνεια (8MS ML),

- Και οι 8 ζώνες MS με K-Means (8MS KM).

Οι έξοδοι ταξινομούνται σε τρεις κατηγορίες: νερό, γυμνό έδαφος και βλάστηση. Μια οπτική σύγκριση ορισμένων αποτελεσμάτων ταξινόμησης, συγκεκριμένα εκείνων που λαμβάνονται από τα NDVI KM, RN KM, RGBN MD και 8MS ML, παρουσιάζεται στην εικόνα (3). Η μέθοδος NDVI KM είναι η πιο αποδοτική μέθοδος, παρέχοντας την υψηλότερη τιμή OA (0,9962) και τις βέλτιστες τιμές PA και UA, αφού είναι ίσες με 1, εκτός από την περίπτωση της PA της βλάστησης (0,9886) και της UA του εδάφους (0,9887). Ο θεματικός χάρτης που προκύπτει από τον NDVI KM σε μορφή ιστού, ο οποίος παράγεται με τη χρήση του πρόσθετου QGIS2Web, παρουσιάζεται στην εικόνα (4):

5. ΣΥΜΠΕΡΑΣΜΑΤΑ

Η μελέτη αυτή αποδεικνύει ότι οι θεματικοί διαδικτυακοί χάρτες που επικεντρώνονται στη διάκριση της γήινης επιφάνειας σε νερό, γυμνό έδαφος και βλάστηση μπορούν εύκολα να παραχθούν με αυτόματο τρόπο χρησιμοποιώντας λίγες ζώνες MS των δορυφορικών εικόνων, συγκεκριμένα μόνο δύο ζώνες της εικόνας Landsat 8 OLI, οι οποίες είναι η κόκκινη και η NIR που χρησιμοποιούνται για την παραγωγή του NDVI. Επίσης αποδεικνύεται ότι η χρήση του k-means, η οποία δεν απαιτεί την ανθρώπινη επίβλεψη, επιτρέπει τη διάκριση των αποτελεσμάτων του NDVI και τη γρήγορη απόδοση ετικετών στις τρεις ονομαστικές κλάσεις διατηρώντας πολύ υψηλό επίπεδο θεματικής ακρίβειας. Επομένως η μη επιβλεπόμενη ταξινόμηση είναι χρήσιμη για τη διάκριση λίγων, μη περίπλοκων και ευρείας κλίμακας κλάσεων κάλυψης γης, όπως το νερό, το γυμνό έδαφος και η βλάστηση και επιπλέον μπορεί να μειώσει τα σφάλματα του χειριστή κατά την αναγνώριση των περιοχών εκπαίδευσης. Τέλος η δημοσίευση στο διαδίκτυο του παραγόμενου θεματικού χάρτη, μια δύσκολη εργασία που συνήθως απαιτεί ειδικές δεξιότητες διαφορετικές από εκείνες που χαρακτηρίζουν τον παραδοσιακό χαρτογράφο, είναι δυνατή με γρήγορο τρόπο με τη χρήση ειδικών εργαλείων όπως το πρόσθετο QGIS2Web.