Εφαρμογή Επαγωγικών Αλγορίθμων Μάθησης για την Αποτύπωση της Ακτογραμμής με Χρήση Δορυφορικών Καταγραφών
Από RemoteSensing Wiki
Εφαρμογή Επαγωγικών Αλγορίθμων Μάθησης για την Αποτύπωση της Ακτογραμμής με Χρήση Δορυφορικών Καταγραφών
Μητράκα Ζηνοβία1 Χρυσουλάκης Νεκτάριος1* και Λιπάκης Μιχάλης2
1 Ίδρυμα Τεχνολογίας και Έρευνας, Ινστιτούτο Υπολογιστικών Μαθηματικών, Ν. Πλαστήρα 100, Βασιλικά Βουτών, Τ. Θ. 1385, 71110, Ηράκλειο
2 Οργανισμός Ανάπτυξης Ανατολικής Κρήτης
e-mail: zedd2@iacm.forth.gr, τηλ: 2810-391762
Πηγή: www.iacm.forth.gr/regional/papers/2008b_Mitraka_et_al.pdf
Αντικείμενο Εφαρμογής: Διαχείριση Παράκτιας Ζώνης
Σκοπός Εφαρμογής: Η μεταβολή της ακτογραμμής με την πάροδο του χρόνου θεωρείται μία από τις πιο δυναμικές διεργασίες στις παράκτιες περιοχές και έχει ιδιαίτερο ενδιαφέρον τόσο για την εκτίμηση του κινδύνου διάβρωσης, όσο και για την υποστήριξη αναπτυξιακών δραστηριοτήτων σε τοπικό επίπεδο. Τα τελευταία χρόνια, έχουν αναπτυχθεί διάφορες τεχνικές αποτύπωσης της ακτογραμμής με χρήση δορυφορικών καταγραφών που αποτελεί και σκοπό της παρούσας εφαρμογής.
Περιοχή-Μελέτης
Στην παρούσα εργασία, παρουσιάζεται η αποτύπωσης της ακτογραμμής της περιοχή της Γεωργιούπολης στην Κρήτη, για τα έτη 1998 και 2005 με χρήση αεροφωτογραφιών και δορυφορικών δεδομένων πολύ υψηλής χωρικής διακριτικής ικανότητας, αντίστοιχα. Η αποτύπωση αυτή πραγματοποιήθηκε για τις ανάγκες του έργου BEACHMED-e/OpTIMALτο οποίο υλοποιήθηκε στα πλαίσια του INTERREG IIIC. Η αποτύπωση της ακτογραμμής για την περιοχή της Γεωργιούπολης στην Κρήτη πραγματοποιήθηκε έγινε με χρήση αεροφωτογραφιών και δορυφορικών καταγραφών IKONOS, αντίστοιχα. Τα αποτελέσματα συγκρίθηκαν με επιτόπιες μετρήσεις με χρήση διαφορικού GPS για τον έλεγχο της αξιοπιστίας τους, καθώς και μεταξύ τους για την εκτίμηση των μεταβολών της ακτογραμμής στη συγκεκριμένη χρονική περίοδο. Όλα τα δεδομένα διατέθηκαν από τον ΟΑΝΑΚ (Οργανισμός Ανάπτυξης Ανατολικής Κρήτης).
Μεθοδολογία
Όπως είναι γνωστό το δορυφορικό σύστημα IKONOS έχει τη δυνατότητα να παρέχει δεδομένα πολύ υψηλής χωρικής διακριτικής ικανότητας, 1 m στο παγχρωματικό και 4 m στο πολυφασματικό επίπεδο, με συγχώνευση των οποίων προκύπτουν έγχρωμες απεικονίσεις ανάλυσης 1 m (pansharpen) στα φασματικά κανάλια μπλε, κόκκινο, πράσινο και εγγύς υπέρυθρο. Το προϊόν αυτό χρησιμοποιήθηκε στην παρούσα εργασία αφού ορθοανορθώθηκε, για την εξάλειψη των γεωμετρικών παραμορφώσεων και την ορθή προβολή του στο σύστημα ΕΓΣΑ87, εφόσον ποσοτικές εκτιμήσεις όπως αυτές της αποτύπωσης της ακτογραμμής πραγματοποιούνται σε ορθοανηγμένες εικόνες. Ανεξάρτητα από τις διάφορες τεχνικές που μπορούν να εφαρμοστούν για την εξαγωγή και παρακολούθηση της ακτογραμμής από υψηλής χωρικής διακριτικής ικανότητας δορυφορικά δεδομένα, πρακτικά ακολουθούνται τα παρακάτω βήματα:
1. Προ-επεξεργασία των δορυφορικών δεδομένων.
2. Καθορισμός και μέτρηση φωτοσταθερών σημείων (Ground Control Points: GCPs) για την ορθή σύνδεση των συστημάτων συντεταγμένων των πρωτογενών δεδομένων με το EGSA87.
3. Προμήθεια ή παραγωγή κατάλληλου ψηφιακού μοντέλου εδάφους (DEM)
4. Υπολογισμός των παραμέτρων των εξισώσεων αεροτριγωνισμού που χρησιμοποιούνται από το εκάστοτε μοντέλο γεωμετρικής διόρθωσης.
5. Ορθοαναγωγή της εικόνας και προβολή της στο EGSA87.
6. Καθορισμός του αλγορίθμου ταξινόμησης ή εξαγωγής χαρακτηριστικών που θα χρησιμοποιηθεί για την αποτύπωση της ακτογραμμής.
7. Εξαγωγή της ακτογραμμής σε διανυσματική μορφή.
8. Παρακολούθηση των αλλαγών της ακτογραμμής επαναλαμβάνοντας τα παραπάνω βήματα σε καθορισμένες χρονικές περιόδους με σύγκριση της σχετικής θέσης των παραγόμενων ακτογραμμών.
Είναι γνωστό ότι σε κάθε δορυφορικό σύστημα λήψης είναι αναπόφευκτη η γεωμετρική παραμόρφωση των εικόνων που λαμβάνονται και κατά συνέπεια οι εικόνες αυτές δεν είναι δυνατόν να προβληθούν ως έχουν σε δεδομένη χαρτογραφική προβολή, πριν διορθωθούν γεωμετρικά. Η γεωμετρική διόρθωση έχει άμεση σχέση με το είδος του αισθητήρα, το ύψος πτήσης του, καθώς και το οπτικό του πεδίο. Η βέλτιστη μέθοδος για το σκοπό αυτό είναι η χρήση ενός διδιάστατου ή τρισδιάστατου φυσικού τροχιακού μοντέλο (εφόσον αυτό είναι διαθέσιμο), το οποίο προσομοιώνει τις συνθήκες της δορυφορικής λήψης, υπολογίζοντας και λαμβάνοντας υπόψη τη συμβολή στη γεωμετρική παραμόρφωση του καθενός από τους γενεσιουργούς της παράγοντες ξεχωριστά.
Πρακτικά για την ορθοαναγωγή απαιτούνται δύο ειδών υπολογισμοί:
- Ένας γεωμετρικός μετασχηματιμός από το πεδίο της εικόνας στο πεδίο του χάρτη (EGSA87), για τον καθορισμό της θέσης κάθε εικονοστοιχείου της εικόνας στο χάρτη (ορθοανηγμένη εικόνα), με βάση τις αρχικές του συντεταγμένες στο πεδίο της εικόνας.
- Ένα ραδιομετρικό υπολογισμό της ψηφιακής τιμής κάθε εικονοστοιχείου στο πεδίο του χάρτη ως συνάρτηση των τιμών σε μια γειτονιά του εικονοστοιχείου αυτού στο πεδίο της εικόνας.
Στην παρούσα εργασία το γεωμετρικό μοντέλο (IGM: Image Geometry Model) κάθε σκηνής ήταν διαθέσιμο με τα δεδομένα IKONOS. Το IGM περιλαμβάνει τις παραμέτρους που απαιτούνται για την ορθοαναγωγή κάθε σκηνής. Συγκεκριμένα, το IGM παρείχε τους άρρητους πολυωνυμικούς συντελεστές (RPCs: Rational Polynomial Coefficients) για τις δορυφορικές εικόνες IKONOS που χρησιμοποιήθηκαν στην παρούσα εργασία. Οι RPCs είναι μια σειρά συντελεστών που περιγράφουν την σχέση μεταξύ της εικόνας τη στιγμή της λήψης της και της επιφάνειας της Γης την ίδια στιγμή. Αν και δεν περιγράφουν με αυστηρό τρόπο τις παραμέτρους του δέκτη, είναι εύκολο να εφαρμοστούν και να πραγματοποιηθούν οι γεωμετρικοί μετασχηματισμοί μέσω ρητών συναρτήσεων (RF: Rational Functions). Χάρη στην ύπαρξη των RPCs, ο εξωτερικός προσανατολισμός κάθε σκηνής μπορεί να προσδιοριστεί με ακρίβεια. Συνεπώς, στην περίπτωση που είναι διαθέσιμα το IGM, ένα ακριβές ψηφιακό μοντέλο εδάφους DEM και μερικά με ακρίβεια προσδιορισμένα φωτοσταθερά σημεία, τα δεδομένα IKONOS μπορούν να ορθοκανονικοποιηθούν με χρήση εξειδικευμένου φωτογραμμετικού λογισμικού όπως το Orthoengine (PCI, 2003) ή το Leica Photogrammetry Suite, το οποίο χρησιμοποιήθηκε στην παρούσα εργασία. Το επόμενο βήμα για την εξαγωγή της ακτογραμμής ήταν ο διαχωρισμός μεταξύ χερσαίων και θαλάσσιων περιοχών, δηλαδή η ταξινόμηση των εικονοστοιχείων της ορθοανηγμένης εικόνας για τον προσδιορισμό των πολυγώνων που αντιστοιχούσαν στις θαλάσσιες ή στις χερσαίες περιοχές. Λαμβάνοντας υπόψη τους περιορισμούς για την ταξινόμηση δορυφορικών δεδομένων πολύ υψηλής χωρικής διακριτικής ικανότητας που αναφέρθηκαν προηγουμένως, επελέγη να χρησιμοποιηθεί μια τεχνική της οποίας οι αλγόριθμοι να λαμβάνουν υπόψη τους εκτός από τη φασματική πληροφορία κάθε εικονοστοιχείου, το αντίστοιχο χωρικό πλαίσιο, δηλαδή τη φασματική πληροφορία προερχομένη από τη γειτονιά (γειτονικά εικονοστοιχεία) του εικονοστοιχείου αυτού. Με τον τρόπο αυτό, εκτός από τη φασματική υπογραφή, ελήφθη υπόψη από τον αλγόριθμο ταξινόμησης και η διάταξη των εικονοστοιχείων στο χώρο. Συγκεκριμένα εφαρμόστηκε η τεχνική της μηχανικής μάθησης, η οποία λειτουργεί εκπαιδεύοντας έναν ταξινομητή στο να ανιχνεύει χαρακτηριστικά σημεία ενός αντικειμένου, γνωστά και ως ομοειδείς περιοχές (patches) και να ταξινομεί ομάδες των περιοχών αυτών (αντικειμενοστραφής αλγόριθμος). Αυτού του τύπου ο ταξινομητής χρησιμοποιεί επαγωγικούς αλγορίθμους μάθησης για την παραγωγή κανόνων ταξινόμησης από ένα σετ δεδομένων. Όπως συμβαίνει και με ένα νευρωνικό δίκτυο, υπάρχουν αρκετά πλεονεκτήματα στην χρήση αλγορίθμων μηχανικής μάθησης. Επειδή είναι δυνατό να χρησιμοποιηθούν βοηθητικά επίπεδα δεδομένων για την βελτίωση του διαχωρισμού των κλάσεων, απαιτούνται λιγότερα δείγματα περιοχών για εκπαίδευση. Επίσης, αυτό το μοντέλο μάθησης είναι μη παραμετρικό και δεν απαιτεί ομαλά κατανεμημένα δεδομένα. Μπορεί ακόμα να αναγνωρίσει μη γραμμικά πρότυπα στα δεδομένα εισόδου τα οποία είναι πολύ πολύπλοκα για συμβατικές στατιστικές αναλύσεις. Στην παρούσα εργασία η τεχνική της μηχανικής μάθησης για την εξαγωγή της ακτογραμμής εφαρμόστηκε με χρήση του λογισμικού Feature Analyst (VLS, 2007) σε περιβάλλον ERDAS Imagine. Το λογισμικό αυτό έχει σημαντικά πλεονεκτήματα στη εξαγωγή χαρακτηριστικών από πολύ υψηλής χωρικής διακριτικής ικανότητας δορυφορικά δεδομένα, εφόσον με βάση εάν μικρό και απλό σετ περιοχών εκπαίδευσης, αξιοποιεί την φασματική σε συνδυασμό με την χωρική πληροφορία, παρέχει τη δυνατότητα βελτιστοποίησης της τελικής ταξινόμησης απομακρύνοντας από την κλάση ενδιαφέροντος εικονοστοιχεία τα οποία έχουν λανθασμένα εισαχθεί στην κλάση αυτή κατά την αρχική ταξινόμηση (clutter removal). Οι παραδοσιακές τεχνικές ταξινόμησης βασίζονται στη φασματική υπογραφή και ίσως την υφή και τη διάταξη των εικονοστοιχείων στο χώρο. Ο αλγόριθμος που χρησιμοποιήθηκε στην παρούσα εργασία έλαβε υπόψη το σχήμα, το μέγεθος, τη φασματική υπογραφή, η διάταξη στο χώρο, η σκίαση και τη συσχέτιση μεταξύ αντικειμένων (patches). Η εξαγωγή της ακτογραμμής με τη χρήση του προαναφερθέντος λογισμικού είναι μια ημιαυτόματη διαδικασία, η οποία περιλαμβάνει τα ακόλουθα βήματα. Το πρώτο βήμα περιλαμβάνει τον καθορισμό των περιοχών εκπαίδευσης. Η επιλογή των περιοχών αυτών αποτελεί το πιο σημαντικό τμήμα της διαδικασίας γιατί το τελικό αποτέλεσμα καθορίζεται σε μεγάλο βαθμό από το περιεχόμενο των περιοχών αυτών. Το σύνολο των περιοχών εκπαίδευσης αποτελείται από πολύγωνα τα οποία αντιστοιχούν σε δύο κλάσεις: θαλάσσιες και χερσαίες περιοχές. Αρχικά, η επιλογή πραγματοποιείται δημιουργώντας δύο σύνολα πολυγώνων τα οποία έπειτα συγχωνεύονται σε ένα ενιαίο σύνολο, το οποίο αποτελεί την είσοδο για τον αλγόριθμο εκπαίδευσης. Η επιλογή των πολυγώνων που θα αποτελέσουν το τελικό σύνολο εκπαίδευσης πραγματοποιήθηκε έπειτα από μια σειρά δοκιμών, έτσι ώστε να αποφασιστεί ποιο σύνολο πολυγώνων αντιπροσωπεύει καλύτερα την κάθε κλάση. Το αποτέλεσμα των δοκιμών στα πλαίσια της παρούσας εργασίας, υπέδειξε τέσσερα πολύγωνα για την κλάση των θαλάσσιων περιοχών, τρία εκ των οποίων βρίσκονται πολύ κοντά στο σύνορο των δύο κλάσεων, και έξι πολύγωνα για την κλάση των χερσαίων περιοχών, τέσσερα από τα οποία βρίσκονται στις παραλιακές περιοχές. Τα πολύγωνα που αποτέλεσαν το σύνολο των περιοχών εκπαίδευσης φαίνονται στην Εικόνα 1. Τα μωβ πολύγωνα αντιστοιχούν στην κλάση των θαλάσσιων περιοχών και τα μπλε στην κλάση των χερσαίων περιοχών.
Το επόμενο βήμα περιλαμβάνει την παραμετροποίηση του αλγορίθμου. Επιλέχθηκε να συμπεριληφθούν και τα τέσσερα κανάλια της εικόνας στην ανάλυση. Η φασματική πληροφορία εξάχθηκε μέσω της φασματικής υπογραφής κάθε εικονοστοιχείου, ενώ για την εξαγωγή χωρικής πληροφορίας για κάθε ένα εικονοστοιχείο, ορίστηκε κατάλληλη αναπαράσταση εισόδου (input representation) του αλγορίθμου ταξινόμησης. Η αναπαράσταση εισόδου παρέχει στον αλγόριθμο πληροφορία για το εικονοστοιχείο στόχο σε συνάρτηση με τις θέσεις και τις ψηφιακές τιμές των γειτονικών του εικονοστοιχείων. Για την παρούσα μελέτη καταλληλότερη κρίθηκε η πρότυπη αναπαράσταση “Manhattan”, που κυρίως χρησιμοποιείται για εξαγωγή συμπαγών στοιχείων κάλυψης γης. Η ακτίνα δράσης ορίστηκε σε 5 εικονοστοιχεία. Αυτό σημαίνει πως, αν θεωρηθεί ότι το εικονοστοιχείο για το οποίο θα ληφθεί η απόφαση ταξινόμησης (με κόκκινο πλαίσιο στην Εικόνα 3) είναι στο κέντρο ενός πλέγματος 5×5, σύμφωνα με το πρότυπο Manhattan ο αλγόριθμος θα λάβει υπόψη του 13 εικονοστοιχεία (μπλε στην Εικόνα 2) που το περιβάλλουν. Υπολογίζοντας 13 εικονοστοιχεία από κάθε κανάλι της εικόνας έχουμε ένα σύνολο από 52 εικονοστοιχεία που θα ληφθούν υπόψη για την ταξινόμηση κάθε εικονοστοιχείου στόχου. Για να διατηρηθούν τα σχετικά χαρακτηριστικά της κάθε κλάσης, στην προσπάθεια εντοπισμού μιας μεγάλης σε έκταση περιοχής, απαιτείται ο καθορισμός ενός ελάχιστου αριθμού εικονοστοιχείων που είναι απαραίτητα για τη δημιουργία ενός αντικειμένου κλάσης. Στην παρούσα εργασία ορίστηκε σε 500 εικονοστοιχεία.
Αποτελέσματα
Ως προϊόντα προηγούμενης μελέτης ήταν διαθέσιμα από τον ΟΑΝΑΚ μια ορθοανηγμέμη αεροφωτογραφία και ένα DEM ακριβείας της ευρύτερης περιοχής της Γεωργιούπολης. Η ανάλυση της αεροφωτογραφίας ήταν 1 m και η θέση κάθε εικονοστοιχείου της στο χώρο ήταν γνωστή με ακρίβεια καλύτερη των 2 m (RMSExy < 2). Στην Εικόνα 1 φαίνεται η αεροφωτογραφία με υπέρθεση του οδικού δικτύου της περιοχής (κόκκινες γραμμές). Με χρήση του λογισμικού Feature Analyst πραγματοποιήθηκε ταξινόμηση της εικόνας σε δύο κλάσεις: χερσαίες και θαλάσσιες περιοχές. Στη συνέχεια, πραγματοποιήθηκε εξαγωγή της ακτογραμμής ως το όριο του πολυγώνου πολύγωνο που αντιστοιχούσε στην κλάση των θαλάσσιων περιοχών. Η διαδικασία αυτή εφαρμόστηκε και στην εικόνα IKONOS και περιγράφεται με περισσότερες λεπτομέρειες παρακάτω. Η ακτογραμμή όπως αυτή αποτυπώθηκε για το 1998 φαίνεται στην Εικόνα 3 με κίτρινο.
Για την αποτύπωση της ακτογραμμής του 2005 χρησιμοποιήθηκε μια πολυφασματική εικόνα IKONOS. Το λογισμικό ERDAS Imagine χρησιμοποιήθηκε για την προ-επεξεργασία της εικόνας, το λογισμικό LPS χρησιμοποιήθηκε για την ορθοαναγωγή και το λογισμικό Feature Analyst για την εξαγωγή της ακτογραμμής.
Η μέθοδος Wavelet Resolution Merge χρησιμοποιήθηκε για την συγχώνευση της παγχρωματικής και της πολυφασματικής λήψης του IKONOS με αποτέλεσμα τη δημιουργία του pansharpen τεσσάρων φασματικών καναλιών (1-μπλε, 2-πράσινο, 3-κόκκινο και 4-εγγύς υπέρυθρο) ανάλυσης 1 m. Το αποτέλεσμα φαίνεται στην Εικόνα 4 ως ψευδόχρωμη σύνθεση RGB: 4-3-2 των καναλιών του εγγύς υπερύθρου, του κόκκινου και του πράσινου. Η θέση των φωτοσταθερών σημείων που προσδιορίστηκαν φαίνεται στην Εικόνα 5 με υπέρθεση του οδικού δικτύου της περιοχής. Η ακρίβεια προσδιορισμού τους στο χώρο ήταν της τάξης του 1 m (RMSExy < 1 m).
Ο εσωτερικός και εξωτερικός προσανατολισμός υπολογίστηκαν αυτόματα από το λογισμικό LPS, δεδομένου ότι ήταν διαθέσιμα τα IGM και GCPs. Έπειτα ακολούθησε η διαδικασία αεροτριγωνισμού. Η διαδικασία αυτή έλαβε υπόψη της τις πηγές σφαλμάτων για τις οποίες έγινε λόγος νωρίτερα, όχι όμως και την επίδραση του αναγλύφου, η οποία ελήφθη υπόψη με τη χρήση του ψηφιακού μοντέλου εδάφους DEM το οποίο είχε παραχθεί φωτογραμμετρικά με χρήση στερεοζεύγους αεροφωτογραφιών κατά τη λήψη του 1998. Το αποτέλεσμα της ορθοαναγωγής φαίνεται στην Εικόνα 6, ως ψευδόχρωμη σύνθεση RGB:3- 2-1 των φασματικών καναλιών 1, 2 και 3 με υπέρθεση του οδικού δικτύου (κόκκινες γραμμές) και της εξαχθείσας από την αεροφωτογραφία του 1998 ακτογραμμής (κίτρινη γραμμή). Η ανάλυση της εικόνας είναι 1 m και η ακρίβεια θέσης κάθε εικονοστοιχείου στο χώρο βρέθηκε καλύτερη των 2 m (RMSE < 2 m), με συνέπεια, όπως έχει προαναφερθεί, η αναμενόμενη ακρίβεια του υπολογισμού της ακτογραμμής να είναι της τάξης των 4 m. Τα αποτελέσματα της ταξινόμησης που πραγματοποιήθηκε με χρήση του λογισμικού Feature Analyst φαίνονται στην Εικόνα 7α. Αν και το σύνορο των δύο κλάσεων είναι η ίδια γραμμή (η ακτογραμμή), επιλέχθηκε το πολύγωνο της θάλασσας για την εξαγωγή της ακτογραμμής. Χρησιμοποιήθηκε μια συνάρτηση του Feature Analyst για τον διαχωρισμό των πολυγώνων. Το πολύγωνο που αντιστοιχεί στις θαλάσσιε επιφάνειες επεξεργάστηκε περεταίρω με χρήση του αλγορίθμου εξομάλυνσης Bezier (VLS, 2007) με την εξής παραμετροποίηση: Ο αριθμός των κορυφών σε κάθε μεριά ορίζεται να είναι 2 και η μέγιστη απόσταση που κάθε κορυφή επιτρέπεται μετακινηθεί είναι 3 m. Το αποτέλεσμα φαίνεται στην Εικόνα 7β. Από το πολύγωνο αυτό εξάχθηκε τελικά η ακτογραμμή που φαίνεται στην Εικόνα 8 ως υπέρθεση στην ορθοανηγμένη εικόνα IKONOS.
Οι εξαγόμενες ακτογραμμές για τα έτη 1998 και 2005 συγκρίθηκαν και υπολογίστηκε το μέσο τετραγωνικό σφάλμα (RMSE) για να αποτυπωθεί η διαφορά στην ακτογραμμή για την περίοδο των 7 αυτών ετών. Το RMSE χρησιμοποιήθηκε για να αναδειχτεί η μέγιστη αλλαγή η οποία παρουσιάζεται παρακάτω. Το RMSE είναι μια ποσοτική εκτίμηση της ακρίβειας των εξαγόμενων ακτογραμμών που περιλαμβάνει συστηματικά και τυχαία σφάλματα. Τελικά, και οι δύο εξαγόμενες από τις εικόνες ακτογραμμές συγκρίθηκαν με την ακτογραμμή που υπολογίστηκε από επιτόπιες μετρήσεις με χρήση διαφορικού παγκόσμιου συστήματος εντοπισμού θέσης GPS. Οι τρεις γραμμές φαίνονται στην Εικόνα 9, όπου απεικονίζεται τμήμα της περιοχής μελέτης. Η ακτογραμμή που υπολογίστηκε με επιτόπιες μετρήσεις απεικονίζεται με κόκκινο και οι ακτογραμμές που υπολογίστηκαν από αεροφωτογραφίες (1998) και από δεδομένα IKONOS (2005) φαίνονται με πράσινο και κίτρινο αντίστοιχα. Το μέσο τετραγωνικό σφάλμα RMSE μεταξύ ακτογραμμής προερχόμενης από αεροφωτογραφία και GPS υπολογίστηκε σε 3,01 m. Το RMSE μεταξύ ακτογραμμής προερχόμενης από δορυφορικά δεδομένα και GPS υπολογίστηκε σε 5,65 m. Τέλος, το RMSE μεταξύ ακτογραμμής προερχόμενης από δορυφορικά δεδομένα και αεροφωτογραφία υπολογίστηκε σε 6,46 m.
Συμπεράσματα
Η ανάλυση έδειξε ότι δεν υπήρχαν σημαντικές αλλαγές στην ακτογραμμή για την περιοχή μελέτης, για την χρονική περίοδο 1998 με 2005, εκτός από κάποια σημεία, όπου η μεταβολή ήταν εμφανής. Η πιο σημαντική αλλαγή εντοπίστηκε γύρω από την εκβολή χειμάρρου κοντά στον οικισμό της Γεωργιούπολης (Εικόνα 10), όπου η ακτογραμμή για το 1998 απεικονίζεται με πράσινο και η ακτογραμμή για το 2005 απεικονίζεται με κίτρινο χρώμα. Υπολογίστηκε μετατόπιση περίπου 50 m στην ΕΝΕ διεύθυνση
Βιβλιογραφία
Bagli, S.and Soille, P., 2003. Morhological automatic extraction of Pan-European coastline from
Landsat ETM+ images. International Symposium on GIS and Computer Cartography for
Coastal Zone Management, Genova, Italy.
Berberoglu, S., Lloyd, C. D., Atkinson, P. M. and Curran, P. J., 2000. The integration of spectral and textural information using neural networks for land cover mapping in the Mediterranean. Computers & Geosciences, 26, 385 - 396.
Chalabi, A., Mohd-Lokman, H., Mohd-Suffian, I., Karamali., K., Karthigeyan., V. and Masita, M., 2006. Monitoring shoreline change using Ikonos image and aerial photographs: a case study of Kuala Terengganu area, Malaysia. In: Proceedings of the ISPRS Mid-term Symposium Proceeding, Enschede, The Netherlands.
Congalton, R. G., 1991. A Review of Assessing the Accuracy of Classifications of Remotely Sensed Data. Remote Sensing of Environment, 37, 35 - 46.
Di, K., Wang, J., Ma, R. and Li, R., 2003. Automatic shoreline extraction from high-resolution Ikonos satellite imagery. In proceeding of the Annual ASPRS Conference. Anchorage, Alaska.
Elkoushy, A. A. and Tolba, R. A., 2004. Prediction of shoreline change by using satellite aerial imagery. In: Proceeding of the XX ISPRS Congress, Istanbul, Turkey.
Foody, G. M., 2000. Estimation of sub-pixel land cover composition in the presence of untrained classes. Computers & Geosciences, 26, 469 - 478.
Frazier, P. S. and Page, K. J., 2000. Water body detection and delineation with Landsat TM data. Photogrammetric Engineering and Remote Sensing, 66, 147 - 167.
Gallego, F. J., 2004. Remote sensing and land cover area estimation. International Journal of Remote Sensing, 25, 3019 - 3047.
Gong, P. and Howarth, P. J., 1990. The use of structural information for improving land-cover classification accuracies at the rural – urban fringe. Photogrammetric Engineering and Remote Sensing, 56, 67- 73..
Grodecki, J. and Dial, G., 2003. Block adjustment of highresolution satellite images described by rational polynomials. Photogrammetric Engineering and Remote Sensing, 69, 59 - 68.
Harris, P. M. and Ventura, S. J., 1995. The integration of geographic data with remotely sensed imagery to improve classification in an urban area. Photogrammetric Engineering and Remote Sensing, 61, 993 - 998.
Kontoes, C. C., Raptis, V., Lautner, M. and Oberstadler, R., 2000. The potential of kernel classification techniques for land use mapping in urban areas using 5 m-spatial resolution IRS-1C imagery. International Journal of Remote Sensing, 21, 3145 - 3151.
Leica, 2005. ERDAS Field Guide. Leica Geosystems. Atlanta, Georgia, USA.
Li, R., Di, K. and Ma, R., 2003. 3-D Shoreline Extraction from IKONOS Satellite Imagery. Martin LRG Howarth PJ and Holder G (1988) Multispectral classification of land use at the rural-urban fringe using SPOT data. Canadian Journal of Remote Sensing, 14, 72 - 79.
Lipakis, M., Chrysoulakis, N. and Kamarianakis, Y., 2008. Shoreline extraction using satellite imagery. In: Pranzini, E. and Wetzel, E. (eds): Beach Erosion Monitoring. Results from BEACHMED/e-OpTIMAL Project (Optimization des Techniques Integrées de Monitorage Appliquées aux Lottoraux) INTERREG IIIC South. Nuova Grafica Fiorentina, Florence, Italy, pp. 81 - 95
PCI, 2003. OrthoEngine User Guide, PCI Geomatics, Ontario, Canada.
Ryan, T. W., Sementilli, P. J. Yuen, P. and Hunt, B. R., 1991. Extraction of shoreline features by neural nets and image processing. Photogrammetric Engineering and Remote Sensing, 57, 947 - 955.
Scott, J. W., Moore, L. R., Harris, W. M. and Reed, M. D., 2003. Using the Landsat 7 Enhanced Thematic Mapper Tasseled Cap Transformation to Extract Shoreline. Open-File Report OF 03-272 U.S. Geological Survey.
Stefanov, W. L, Ramseyc, M. S. and Christensen, P. R., 2001. Monitoring urban land cover change: An expert system approach to land cover classification of semiarid to arid urban centers. Remote Sensing of Environment, 77, 173 - 185.
Stuckens, J., Coppin, P. R. and Bauer, M. E., 2000. Integrating contextual information with perpixel classification for improved land cover classification. Remote Sensing of Environment, 71, 282 - 296.
Toutin, Th., 2004. Review article: Geometric processing of remote sensing images: models, algorithms and methods. International Journal of Remote Sensing, 25,1893 - 1924
Trebossen, H., Deffontaines, B., Classeau, N., Kouame, J. and Rudant., J-P., 2005. Monitoring coastal evolution and associated littoral hazards of French Guiana shoreline with radar images. Comptes Rendus Geosciences, 337, 1140 - 1153.
VLS, 2007. Feature Analyst Version 4.1 for Imagine. Reference Manual. Visual Learning Systems Inc. Missoula, USA.
Wang, K. D. J., Ma, R. and Li, R., 2003. Automatic shoreline extraction from high resolution Ikonos satellite imagery. In: Proceedings of the ASPRS Annual Conference, Anchorage, Alaska.
Wu, T. D. and Lee, M. T., 2007. Geological Lineament and Shoreline Detection in SAR Images In Proceeding of IEEE Geosciences and Remote Sensing Symposium (IGARSS 2007), Barcelona, Spain.
Zang, J. and Foody, G. M., 1998. A fuzzy classification of sub-urban land cover from remotely sensed imagery. International Journal of Remote Sensing, 19: 2721 - 2738.
Zhou, G. and Li. R., 2000. Accuracy Evaluation of Ground Points from IKONOS High-Resolution Satellite Imagery. Photogrammetric Engineering and Remote Sensing, 66, 1103 - 1112.
