Η Τηλεπισκόπησης των αδιαπέραστων επιφανειών αστικών περιοχών: Απαιτήσεις, μέθοδοι και τάσεις
Από RemoteSensing Wiki
Αντικείμενο Εφαρμογής: Αδιαπέραστες επιφάνειες αστικών περιοχών
Πρωτότυπος Τίτλος: «Remote sensing of impervious surfaces in the urban areas: Requirements, methods, and trends»
Συγγραφείς: Qihao Weng (Center for Urban and Environmental Change, Department of Earth and Environmental Systems, Indiana State University, Terre Haute, USA)
Πηγή: Elsevier, Remote Sensing of Urban Environments [1]
Περίληψη: Οι αδιαπέραστες επιφάνειες και η αναλογία διαπερατότητας/αδιαπερατότητας, είναι σημαντική για μια σειρά από ζητήματα και θέματα των περιβαλλοντικών επιστημών, της διαχείρισης των φυσικών πόρων αλλά και του αστικού σχεδιασμού. Σε αυτή τη μελέτη θα εξεταστούν οι ποικίλες προσεγγίσεις ψηφιακής τηλεπισκόπησης που χρησιμοποιούνται για την ανίχνευση και τον υπολογισμό των αδιαπέραστων επιφανειών. Η συζήτηση θα επικεντρωθεί κυρίως στα προαπαιτούμενα της χαρτογράφησης των αστικών αδιαπέραστων επιφανειών και ειδικότερα στην επίδραση που έχουν σε αυτή οι παράμετροι της χωρικής, γεωμετρικής, φασματικής και χρονικής ανάλυσης. Στηριζόμενοι την υπάρχουσα βιβλιογραφία, οι κυρίαρχες προσεγγίσεις είναι αυτές με βάση το εικονοστοιχείο, με βάση το υπο-εικονοστοιχείο, οι αντικειμενοστρεφείς αλγόριθμοι και τα τεχνητά νευρωνικά δίκτυα. Δυστυχώς δεν υπάρχουν αρκετές μελέτες που να ασχολούνται με τις φασματικές και γεωμετρικές ιδιότητες των αδιαπέρατων επιφανειών όπως επίσης και με την χρονική συχνότητα της χαρτογράφησής τους. Η κλίμακα των μελετών και κατά συνέπεια των αναπτυχθέντων μοντέλων και μεθόδων έχουν γίνει πάνω σε δεδομένα μεσαίας κλίμακας (10-100μ.), πράγμα που έχει αρχίσει να αλλάζει εξ' αιτίας των νέων τεχνολογιών δορυφορικών δεδομένων υψηλής χωρικής ανάλυσης.
Εισαγωγή - Στόχος: Οι αδιαπέραστες επιφάνειες είναι ανθρωπογενείς κατασκευές και το βασικό τους χαρακτηριστικό είναι πως εμποδίζουν τη διείσδυση του νερού στο έδαφος. Είναι οι δρόμοι, τα πεζοδρόμια, οι χώροι στάθμευσης, οι στέγες και άλλα στοιχεία του δομημένου περιβάλλοντος. Είναι δείκτης του βαθμού αστικοποίησης αλλά και της ποιότητας του περιβάλλοντος.
Το μέγεθος, η θέση, η γεωμετρία τους, όπως επίσης και η αναλογία διαπερατότητας/αδιαπερατότητας έχουν σημαντικές υδρολογικές συνέπειες. Μεγάλες αδιαπέρατες επιφάνειες μπορούν να έχουν σημαντικές επιπτώσεις στην αναπλήρωση των υπόγειων υδάτων, στην ποιότητα των υδάτων των λεκανών απορροής αλλά και στους παρόχθιους οικοτόπους και υδροβιότοπους. Όσον αφορά στο ίδιο το αστικό περιβάλλον, οι επιπτώσεις έχουν να κάνουν με την αύξηση των πλημμυρών και των αισθητών ζεστών ρευμάτων.
Παλαιότερες και Σύγχρονες μέθοδοι παρατήρησης των αδιαπέραστων επιφανειών: Πολλές τεχνικές έχουν εφαρμοστεί για την περιγραφή και ποσοτικοποίηση των αδιαπέραστων επιφανειών, χρησιμοποιώντας είτε μετρήσεις εδάφους είτε τηλεπισκοπικές μεθόδους. Για την χαρτογράφησή τους, αρχικά πραγματοποιούνταν ψηφιοποίηση των χαρτών ή φωτογραφιών, ενώ αργότερα η διαδικασία αυτοματοποιήθηκε και χρησιμοποιήθηκαν αλγόριθμοι για τη διάκριση των διάφορων χαρακτηριστικών των στοιχείων των εικόνων. Από τη δεκαετία του '70 και '80, η δορυφορική εικόνα άρχισε να κερδίζει έδαφος σε περιβαλλοντικές και άλλες μελέτες και χρησιμοποιήθηκε σε ερμηνευτικής φύσεως εφαρμογές, φασματικές και εφαρμογές μοντελοποίησης των αδιαπέραστων επιφανειών. Τη δεκαετία του '90, μειώθηκε αισθητά ο αριθμός των δημοσιεύσεων που αφορούν στην τηλεπισκόπηση των αδιαπέραστων επιφανειών και αυτό οφείλεται στην ανυπαρξία κατάλληλων αισθητήρων, ανεπτυγμένων μεθόδων ψηφιακής επεξεργασίας της εικόνας και της μειωμένης υπολογιστικής ισχύς, για το σκοπό αυτό. Τον 21ος αιώνας, με την εφεύρεση των εικόνων υψηλής ανάλυσης, ακόμη και κάτω των 5 μέτρων, και την ανάπτυξη στον τομέα της επεξεργασίας της εικόνας, έχει μετατρέψει τη μελέτη των αδιαπέραστων επιφανειών σε ένα ιδιαίτερα δυναμικό πεδίο μελέτης.
Χωρική Ανάλυση: Η χωρική ανάλυση είναι συνάρτηση του ύψους του αισθητήρα, του μεγέθους του ανιχνευτή, του μεγέθους της εστίασης και των προδιαγραφών του συστήματος. Καθορίζει το επίπεδο της χωρική λεπτομέρεια που μπορεί να απεικονιστεί σε μια εικόνα και σχετίζεται με το μέγεθος του μικρότερου στοιχείου που μπορεί να ανιχνευθεί σ' αυτή. Βέβαια, υπάρχει δυνατότητα ανίχνευσης και μικρότερων στοιχείων εάν η ανακλαστικότητά τους κυριαρχεί στην υπάρχουσα ανάλυση ή εαν έχει ιδιαίτερο σχήμα. Γενικά, η όλη λογική της χωρικής ανάλυσης έγγυται στη διακριτότητα και ανιχνευσιμότητα των στοιχείων. Για τη διαχωρισιμότητα, εκτός από τη χωρική ανάλυση, απαιτείται και φασματική αντίθεση όπως επίσης και χαρακτηριστικό σχήμα.
Εκτιμάται πως η ανάλυση πρέπει να είναι τουλάχιστον το 1/2 της διαμέτρου του μικρότερου στοιχείου προς μελέτη. Οι δύο βασικοί τύποι αδιαπέραστων επιφανειών, τα κτίρια και οι δρόμοι, ανιχνεύονται με χωρική κλίμακα 0.25-0.5μ., ενώ η γραμμή ενός οδικού άξονα μπορεί να ανιχνευθεί και με κλίμακα των 1-10μ. Κατά τις δεκαετίες '80 και '90, οι μεσαίες κλίμακες χωρικής ανάλυσης (10-100μ.), όπως αυτές των δεδομένων των δορυφόρων Landsat και STOT, δεν χρησιμοποιούνταν ευρέως εξ' αιτίας του υψηλού τους κόστους. Σήμερα, μπορούμε να κάνουμε χρήση δεδομένων υψηλής ανάλυσης εξ' αιτίας της ύπαρξης δορυφόρων νέας τεχνολογίας όπως IKONOS και QuickBird. Σε αυτές τις εικόνες, το πρόβλημα του ανάμεικτου εικονοστοιχείου έχει περιοριστεί πολύ, ενώ νέα προβλήματα εμφανίζονται, όπως αυτό των σκιών και της φασματικής ποικιλίας μέσα στην ίδια κατηγορία χρήσης γης.
Γεωμετρικά Χαρακτηριστικά των Αστικών Στοιχείων
Η γεωμετρία των αστικών επιφανειών έχει σημαντικό αντίκτυπο στην ανάλυση τηλεπισκοπικών δεδομένων γενικά και στον υπολογισμό των αδιαπέραστων επιφανειών ειδικότερα. Δεδομένα υψηλής χωρικής ανάλυσης της εικόνας βοηθούν στην πιστότερη χαρτογράφηση των αστικών χαρακτηριστικών (π.χ., κτίρια, δρόμους και χώρους στάθμευσης) χρησιμοποιώντας αυτοματοποιημένες μεθόδους. Δεν παύουν να υπάρχουν βέβαια τα προβλήματα της σκιάς και παραμόρφωση της εικόνας, τα οποία δύναται να επηρεάσουν σημαντικά τα αποτελέσματα της αυτόματης ταυτοποίησης των αστικών στοιχείων.
Δεδομένα LiDAR χρησιμοποιούνται όλο και περισσότερο σε πολλές γεωχωρικές εφαρμογές λόγω της υψηλής ανάλυσης δεδομένων, του σύντομου χρόνου επεξεργασίας τους και του χαμηλού κόστους . Σε αντίθεση με άλλα τηλεπισκοπικά δεδομένα , τα δεδομένα LiDAR επικεντρώνονται αποκλειστικά στη γεωμετρία και όχι στη ραδιομετρία. Το σημαντικότερο πλεονέκτημα των δεδομένων αυτών είναι η ακριβής καταγραφή των υψομέτρων, πράγμα ιδιαίτερα σημαντικό για τον προσδιορισμό των κτηρίων. Επιπλέον, ορισμένοι ερευνητές έχουν χρησιμοποιήσει δεδομένα LiDAR σε συνδυασμό με οπτικά δεδομένα τηλεπισκόπησης, πράγμα που βελτίωσε τα αποτελέσματα κατάταξης των αδιαπέραστων επιφανειών από 2-25%.
Η ανίχνευση των κτιρίων αφορά τόσο το στοιχείο όσο και το πρότυπο αυτών. Ως εκ τούτου, εκτός από τα εικονικά δεδομένα υψηλής ανάλυσης, οι πολυφασματικές εικόνες έχουν πολλά να προσφέρουν, διότι η δυνατότητα πολλαπλής θέασης διευκολύνει την καλύτερη γεωμετρική ανασύσταση των κτιρίων-αντικειμένων, μειώνοντας το πρόβλημα της απόφραξης.
Τέλος, μια μεγάλη γκάμα μοντέλων και μεθόδων έχει αναπτυχθεί για την ανίχνευση κτιρίων. Οι περισσότεροι αλγόριθμοι ανίχνευσης χρησιμοποιούν τεχνικές με βάση την ακμή, οι οποίες ανιχνεύουν γραμμικά στοιχεία και οριζόντιες οροφές, σχηματίζοντας παραλληλόγραμμες δομές. Κατ' ουσίαν, η τεχνική αυτή εκμεταλλεύεται τις γεωμετρικές ιδιότητες των κτιρίων, σε αντίθεση με άλλες που ασχολούνται με τις ιδιότητες και τα χαρακτηριστικά της εικόνας σε διάφορες κλίμακες. Μια τέτοια τεχνική χρησιμοποιούν οι αλγόριθμοι μίξης εικόνας, επεξεργάζοντας δεδομένα από πανχρωματικές και πολυφασματικές εικόνες.
Φασματική Ανάλυση: Χαρτογραφώντας τα τρία βασικά στοιχεία της επιφάνειας της γης, πρέπει να λάβουμε υπ' όψιν τα φασματικά χαρακτηριστικά όπως ο αριθμός των φασματικών καναλιών, την τοποθεσία τους στο φάσμα και το εύρος τους. Ένας μεγάλος αριθμός φασματικών καναλιών δίνει τη δυνατότητα άντλησης λεπτομερούς πληροφορίας σχετικά με τη φύση και τις ιδιότητες του εκάστοτε υλικού επί εδάφους, αλλά ταυτόχρονα συνεπάγεται και αύξηση της δυσκολίας της επεξεργασίας εικόνας και δημιουργία ενός μεγάλου πλεονάσματος δεδομένων.
Η αύξηση του αριθμού των φασματικών ζωνών μπορεί να βελτιώσει την ακρίβεια της ταξινόμησης των υλικών μόνο όταν αυτές οι μπάντες είναι χρήσιμες στη διάκρισή τους. Η χαρτογράφηση της κάλυψης γης πρέπει να λαμβάνει υπ' όψιν την ενδοκατηγοριακή μεταβλητότητα και τη φασματική διακρισιμότητα των κατηγοριών. Κι αυτό επειδή δύο διαφορετικές κατηγορίες, για παράδειγμα η άσφαλτος και οι οροφές των κτιρίων μπορεί να αποτελούνται από παρόμοια υλικά. Αλλά και πάλι, η ανάλυση των κατηγοριών κάλυψης γης θα ήταν αδύνατη μόνο με τη χρήση φασματικών πληροφοριών. Είναι απαραίτητες επιπρόσθετες πληροφορίες, όπως χωρικά δεδομένα και πληροφορίες της υφής και του περιβάλλοντα χώρου για την αποτελεσματική κατηγοριοποίηση των χρήσεων γης σε αστικές περιοχές.
Η Τεχνική του Γραμμικού Φασματικού Μίγματος Ανάλυσης (LSMA) έχει χρησιμοποιηθεί ευρέως για την καταγραφή των αδιαπέραστων επιφανειών. LSMA είναι μια αιτιοκρατική μέθοδος μοντελοποίησης που αποσυνθέτει το σήμα ενός εικονοστοιχείου στα συστατικά του μέρη που ονομάζονται τερματικά μέλη. Τα τελευταία θεωρούνται αναγνωρίσιμες επιφάνειες υλικών που έχουν όμοιες φασματικές ιδιότητες σε όλη την εικόνα.
Παρ' όλα αυτά, τόσο η χωρική, όσο και η φασματική ανάλυση θεωρείται ιδιαίτερα χοντροειδής για την χρήση τους στα αστικά περιβάλλοντα, ενώ στη σύγκριση μεταξύ τους, ορισμένοι ερευνητές υποστηρίζουν πως η χωρική ανάλυση είναι πιο σημαντική από τη φασματική.
Χρονική Ανάλυση: Η χρονική ανάλυση αναφέρεται στον χρόνο που χρειάζεται για έναν αισθητήρα να επιστρέψει σε μία θέση που απεικονίστηκε σε προηγούμενο χρόνο, ευρέως γνωστό και ως συχνότητα λήψεως δύο διαδοχικών εικόνων. Ορισμένοι ερευνητές προτείνουν την καταγραφή κάθε 1-5 χρόνια, ενώ άλλοι 1-2 χρόνια.
Χρονικές διαφορές μεταξύ των τηλεπισκοπικών απεικονίσεων δεν είναι αποτέλεσμα μόνο των αλλαγών των φασματικών ιδιοτήτων των αντικειμένων της επιφάνειας της Γης αλλά μπορεί να προέρχονται από ατμοσφαιρικές διαφορές και αλλαγές της θέσης του ήλιου κατά τη διάρκεια της μέρας ή του χρόνου. Η χρονική ανάλυση είναι πολύ σημαντική για την επισκόπηση της βλάστησης και πώς οι εποχιακές αλλαγές της επηρεάζουν την ανίχνευση των αδιαπέραστων επιφανειών. Επιπλέον, η τροχιά των δορυφόρων μπορεί να συμπίπτει με ύπαρξη σύννεφων ή κακών καιρικών συνθηκών. Αυτό έχει εφαρμογή ιδιαίτερα στις τροπικές και παράκτιες περιοχές.
Σημαντικές μεθόδοι για τον υπολογισμό και τη χαρτογράφηση των αδιαπέραστων επιφανειών: Σύμφωνα με τη βιβλιογραφία, η χωρική ανάλυση των εικόνων παίζει καθοριστικό ρόλο στην επιλογή της κατάλληλης μεθόδου επεξεργασίας.
Εξ' αιτίας της σημαντικής επίδρασης που έχει η βλάστηση στην καταγραφή των αδιαπέραστων επιφανειών, ο Δείκτης Κανονικοποιημένης Διαφοράς Βλάστησης (NDVI) μπορεί να χρησιμοποιηθεί για να αντιπροσωπεύσει την κατανομή της. Οι αδιαπέραστες επιφάνειες υπολογίζονται με βάση : (1) του κλάσματος συμπληρωματικότητας της βλάστησης ή (2) τα μοντέλα παλινδρόμησης με δείκτες βλάστησης. Οι Yang et al. επέκτειναν το μοντέλο παλινδρόμησης αναπτύσσοντας τον αλγόριθμο δέντρου ταξινόμησης και παλινδρόμησης, το οποίο, χρησιμοποιώντας εικόνες μεγάλης ανάλυσης, δημιούργησε μοντέλα πρόβλεψης του ποσοστού αδιαπερατότητας των υπο-εικονοστειχείων, σε μεγάλες περιοχές, βασισμένα σε κανόνες. Το πλεονέκτημα της μεθόδου αυτής είναι η απλοποίηση πολύπλοκων, μη-γραμμικών σχέσεων μεταξύ των μεταβλητών-προβλέψεων και των μεταβλητών-στόχων, σε μια γραμμική σχέση και την αποδοχή συνεχόμενων και διακριτών μεταβλητών σαν δεδομένα για την πρόβλεψη των συνεχών μεταβλητών.
Όπως αναφέρθηκε νωρίτερα, η μέθοδος LSMA έχει ευρεία εφαρμογή διότι είναι αποτελεσματική στη διαχείριση του προβλήματος της φασματικής ανάμειξης. Το βασικό της μειονέκτημα όμως είναι η υπερεκτίμηση των αδιαπέραστων επιφανειών σε περιοχές όπου αυτά βρίσκονται σε μικρή συγκέντρωση και την υποτίμησή τους όταν βρίσκονται σε αφθονία. Σε γενικές γραμμές, οι αστικές περιοχές έχουν διαφορετικά αδιαπέραστα υλικά από άποψη τύπου, γεωμετρίας και ποσότητας. Για τον λόγο αυτό, το να βρεθεί ένα τερματικό μέλος που θα αντιπροσωπεύει όλα τα αδιαπέραστα υλικά είναι μάλλον προβληματικό. Οι Lu και Weng πρότειναν τρεις προσεγγίσεις για να ξεπεραστεί το πρόβλημα αυτό: (1) στρωματοποίηση, (2) πολλαπλά τερματικά μέλη και (3) χρήση υπερφασματικών εικόνων.
Η Ταξινόμηση Εικόνας είναι μια πολύ διαδεδομένη τεχνική για την ανίχνευση αδιαπέραστων επιφανειών, αλλά δυστυχώς τα αποτελέσματα δεν είναι τόσο ικανοποιητικά εξ'αιτίας της μεγάλης κλίμακας των εικόνων και την ποικιλομορφία των χαρακτηριστικών του αστικού ιστού. Δεδομένα μικρής κλίμακας εκτώς των άλλων πλεονεκτημάτων τους, όπως το να ξεχωρίζουν τις σκούρες αδιαπέραστες επιφάνειες με τις σκιασμένες και το στοιχείο του νερού, περιορίζουν και το πρόβλημα των μεικτών εικονοστοιχείων. Συγκρίνοντας τα αποτελέσματα της Ταξινόμησης Μέγιστης Πιθανότητας (ISODATA) και του αλγόριθμου ταξινόμησης στη βάση κανόνων, βρέθηκε πως η πρώτη απέδωσε μεγαλύτερη ακρίβεια απ' τη δεύτερη.
Η διαμάχη μεταξύ της ανα εικονοστοιχείο ή ανα υπο-εικονοστοιχείο λογικής: Τα μοντέλα κατηγοριοποίησης ανά εικονοστοιχείο μπορούν να είναι είτε παραμετρικοί ταξινομητές, είτε μη-παραμετρικοί. Οι τελευταίοι είναι ιδιαίτερα χρήσιμοι στις περιπτώσεις ενσωμάτωσης μη-φασματικών δεδομένων στη διαδικασία ταξινόμησης. Μάλιστα, πολλές μελέτες έχουν υποστηρίξει πως οι μη-παραμετρικοί ταξινομητές δίνουν καλύτερα αποτελέσματα σε εφαρμογές με πολύπλοκα τοπία.
Οι ταξινόμηση ανα εικονοστοιχείο, κατά την οποία κάθε εικονοστοιχείο εκχωρείται σε μια κατηγορία, επικρατεί στην υπάρχουσα βιβλιογραφία. Αυτού του είδους η ταξινόμηση ονομάζεται και "σκληρή" ταξινόμηση. Το μεικτό εικονοστοιχείο παραμένει ως το μεγαλύτερο πρόβλημα, επιρρεάζοντας σημαντικά την αποτελεσματικότητα της ταξινόμησης αυτής. Για τον λόγο αυτό, οι Ridd (1995) και Mather (1999) προτείνουν τη λογική της αναγνώρισης/περιγραφής ποσοτικοποίησης αντί της ταξινόμησης για περιβάλλοντα με μεγάλη ετερογένεια. Πιο συγκεκριμένα ο Ridd (1995) πρότεινε το σχήμα βλάστηση-αδιαπέραστες επιφάνειες-έδαφος (V-I-S), υποστηρίζοντας πως η αστική γη είναι ένας γραμμικός συνδυασμός των τριών αυτών στοιχείων.
Τεχνητό Νευρωνικό Δίκτυο (ANN): Τα Τεχνιτά Νευρωνικά Δίκτυα έχουν χρησιμοποιηθεί αρκετά στην τηλεπισκόπηση αδιαπέραστων επιφανειών. Συγκεκριμένα χρησιμοποιούνται στη διαδικασία της ταξινόμησης τόσο της ανα εικονοστοιχείο όσο και της ανα υπο-εικονοστοιχείο, με περισσότερη έμφαση στο πρώτο. Τα πλεονεκτήματά τους είναι η διαλεύκανση των μη-γραμμικών σχέσεων, η ενσωμάτωση της εκ των προτέρων γνώσης και διαφορετικών τύπων δεδομένων. Ο Πίνακας 1 μας δίνει μια περίληψη των χαρακτηριστικών, των δυνατοτήτων και των περιορισμών δύο τεχνικών ΑΝΝ.
Έχει επίσης αποδειχθεί πως το μοντέλο ΑΝΝ συμβάλει στη βελτίωση της χαρτογράφησης των αδιαπέραστων επιφανειών κατά 1% για δεδομένα ASTER και 2% για δεδομένα Landsat ETM+. Η Εικόνα 1 δείχνει ότι το μοντέλο ΑΝΝ οριοθετεί ένα πιο καθαρό πρότυπο των αδιαπέραστων επιφανειών απ' ότι το μοντέλο LSMA σε περιοχές κατοικίας, όπου και το μεικτό εικονοστοιχείο κυριαρχεί.
Ανάλυση Εικόνας με βάση το Αντικέιμενο (ΟΒΙΑ) : Η τεχνική αυτή χρησιμοποιείται όλο και περισσότερο εξ' αιτίας της εφεύρεσης των δορυφορικών εικόνων υψηλής ανάλυσης και της χρήσης εμπορικού λογισμικού επεξεργασίας εικόνας. Αναφέρθηκε προηγουμένως πως οι τεχνικές τμηματοποίησης δεν βρίσκουν καλή εφαρμογή σε φασματικά σύνθετα περιβάλλοντα όπως αυτά των πόλεων. Η ΟΒΙΑ τεχνική χρησιμοποιεί εκτός από τις φασματικές ιδιότητες των αντικειμένων και τα χαρακτηριστικά του σχήματος, της υφής, της γειτνίασης σε επίπεδο υπερ-εικονοστοιχείου και υπο-εικονοστοιχείου, με αποτέλεσμα την ιδιαίτερα επιτυχημένη εφαρμογή της.
Επιπλέον, τα δεδομένα LiDAR συνδυάζονται άριστα με την τεχνική αυτή. Λόγω των χαρακτηριστικών των δεδομένων LiDAR στη γεωμετρία, η συνδυαστική τους χρήση δίνει μεγάλες δυνατότητες στην ανίχνευση και διάκριση των κτιρίων και δρόμων στις αστικές περιοχές.
Η Τεχνική της Μίξης Εικόνας και Δεδομένων: Η τεχνική αυτή βρίσκει εφαρμογές στο πάντρεμα δεδομένων που προέρχονται από διαφορετικούς αισθητήρες, περιοχές μήκους κύματος και χωρική, χρονική και φασματική ανάλυση. Οι μέθοδοι αυτοί χωρίζονται σε τέσσερις βασικές κατηγορίες: στατιστικής, ασαφούς λογικής, αποδεικτικής συλλογιστικής και νευρωνικών δικτύων. Εδώ, αποδεικνύεται η αποτελεσματικότητα της μεθόδου στη μείωση της υποτίμησης των αδιαπέραστων επιφανειών στις ανεπτυγμένες περιοχές και την υπερεκτίμησή τους στις λιγότερο ανεπτυγμένες.
Η Τεχνική των Έμπειρων Συστημάτων: Το πρώτο βήμα για την εφαρμογή των Έμπειρων Συστημάτων είναι η ανάπτυξη των κανόνων στους οποίους θα βασιστούν ή η δημιουργία μιας μεθόδου ταξινόμησης βασισμένη στην καταγεγραμμένη εμπειρία. Η μέθοδος αυτή είναι ιδιαίτερα ικανοποιητική όταν απαιτείται ο συνδυασμός πολλών δεδομένων όπως δορυφορικές εικόνες και δεδομένα GIS. Έχει χρησιμοποιηθεί αποτελεσματικά στη βελτίωση της ταξινόμησης δεδομένων Landsat ETM+, σε αστικές περιοχές, αυξάνοντας την ακρίβεια κατά 8.5%.
Ταξινόμηση Περιβάλλοντος: Οι ταξινομητές αυτοί χρησιμοποιούν τη χωρική πληροφορία των γειτονικών εικονοστοιχείων ώστε να βελτιώσουν τα αποτελέσματα της ταξινόμησης. Βασίζονται κυρίως στην τεχνική της εξομάλυνσης, στην τεχνική τυχαίων πεδίων Markov, σε στατιστικές του χώρου, στη λογική της μίξης, στην τμηματοποίηση και στα νευρωνικά δίκτυα. Το πιο συνηθισμένο πρόβλημα που καλούνται να λύσουν είναι αυτό της φασματικής διακύμανσης της ίδιας κατηγορίας. Συγκεκριμένα για τις αδιαπέραστες επιφάνειες, οι Ταξινομητές Περιβάλλοντος σκοπό έχουν να βελτιώσουν τη διακρισιμότητα των τύπων LULC (ξηρά εδάφη, μη φωτοσυνθετική βλάστηση και ελεύθερο έδαφος με λίγη βλάστηση).
Συμπεράσματα: Η μέχρι σήμερα αρθρογραφία για την τηλεπισκόπηση των αδιαπέραστων επιφανειών, τις αναγνωρίζει μόνο ως κατηγορία υλικού, κάλυψη ή χρήση γης. Η έρευνα κατευθύνθηκε προς τρεις άξονες: • Αλγόριθμοι υπο-εικονοστοιχείων που εφαρμόστηκαν σε μέτριας ανάλυσης δεδομένα. • Αλγόριθμοι ανα-εικονοστοιχείο που εφαρμόστηκαν σε όλες τις χωρικές αναλύσεις για την ταξινόμηση των αδιαπέραστων επιφανειών σε κατηγορίες κάλυψης/χρήσης γης. • Μέθοδοι ανίχνευσης χαρακτηριστικών που εφαρμόστηκαν σε εικόνες υψηλής χωρικής ανάλυσης και δεδομένα LiDAR για την ανίχνευση δρόμων και κτιρίων (έμμεσα χαρακτηρίζουν τις αδιαπέραστες επιφάνειες ως κατηγορία κάλυψης/χρήσης γης).
Επίσης, ελάχιστη έρευνα έχει γίνει πάνω στις διαφορετικές φασματικές ιδιότητες και απαιτήσεις των αδιαπέραστων επιφανειών. Το ίδιο συνέβη και με τα γεωμετρικά χαρακτηριστικά αυτών. Πιο παραμελημένη είναι η χρονική ανάλυση των εικόνων και το πώς αυτή σχετίζεται με τη φασματική ανάλυση, τη χωρική και τα γεωμετρικά χαρακτηριστικά των στοιχείων και αντικειμένων του αστικού περιβάλλοντος.
Τέλος, οι περισσότερες μελέτες τηλεπισκόπησης αδιαπέραστων επιφανειών έγιναν με τη χρήση εικόνων μέτριας ανάλυσης, πράγμα που σημαίνει πως όλοι οι αλγόριθμοι και οι τεχνικές που αναπτύχθηκαν προσανατολίστηκαν σ' αυτή τη χωρική ανάλυση εικόνας. Σήμερα, με την εμφάνιση των εικόνων υψηλής ανάλυσης και των δεδομένων LiDAR, ανοίγονται καινούργιες δυνατότητες. Συγκεκριμένα, αναπτύσσονται τρεις τάσεις: • Εφαρμογή πιο αποτελεσματικών μοντέλων ΑΝΝ και Έμπειρων Συστημάτων για την ανάλυση χαρακτηριστικών και την εξαγωγή πληροφοριών. • Ανάλυση εικόνας βασισμένης στα αντικείμενα. • Βελτιωμένη χαρτογράφηση αστικών περιοχών μέσω της μίξης εικόνων και δεδομένων διαφορετικών φασματικών, χωρικών και χρονικών αναλύσεων.
Αναφορές:
Adams, J. B., Smith, M. O., & Johnson, P. E. (1986). Spectral mixture modeling: A new analysis of road and soil types at the Viking Lander site. Journal of Geophysical Research, 91, 8098–8112.
Amini, J., Saradjian, M. R., Blais, J. A. R., & Azizi, A. (2002). Automatic road-side extraction from large scale image maps. International Journal of Applied Earth Observation and Geoinformation, 4(2), 96–98.
Arnold, C. L., Jr., & Gibbons, C. J. (1996). Impervious surface coverage: The emergence of a key environmental indicator. Journal of theAmerican Planning Association, 62, 243–258. Atkinson, P. M., & Tatnall, A. R. L. (1997). Neural networks in remote sensing. International Journal of Remote Sensing, 18, 699–709.
Bagheri, S., & Yu, T. (2008). Hyperspectral sensing for assessing nearshore water quality conditions of Hudson/Raritan estuary. Journal of Environmental Informatics, 11(2), 123–130.
Ban, Y. (2003). Synergy of multitemporal ERS-1 SAR and Landsat TM data for classification of agricultural crops. Canadian Journal of Remote Sensing, 29, 518–526.
Bauer, M. E., Heinert, N. J., Doyle, J. K., & Yuan, F. (2004). Impervious surface mapping and change monitoring using Landsat remote sensing. ASPRS Annual Conference Proceedings, Denver, Colorado, May 2004 (Unpaginated CD ROM).
Bauer, M. E., Loffelholz, B. C., & Wilson, B. (2007). Estimating and mapping impervious surface area by regression analysis of Landsat imagery. In Q. Weng (Ed.), Remote sensing of impervious surfaces (pp. 3–19). Boca Raton, Florida: CRC Press.
Ben-Dor, E., Levin, N., & Saaroni, H. (2001). A spectral based recognition of the urban environment using the visible and near-infrared spectral region (0.4–1.1 m)— A case study over Tel-Aviv. International Journal of Remote Sensing, 22(11), 2193–2218.
Benediktsson, J. A., & Kanellopoulos, I. (1999). Classification of multisource and hyperspectral data based on decision fusion. IEEE Transactions on Geoscience and Remote Sensing, 37, 1367–1377.
Benediktsson, J. A., Sveinsson, J. R., & Arnason, K. (1995). Classification and feature extraction of AVIRIS data. IEEE Transactions on Geoscience and Remote Sensing, 33, 1194–1205.
Benz, U. C., Hofmann, P., Willhauck, G., Lingenfelder, I., & Heynen, M. (2004). Multiresolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of Photogrammetry and Remote Sensing, 58, 239–258.
Binaghi, E., Madella, P., Montesano, M. G., & Rampini, A. (1997). Fuzzy contextual classification of multisource remote sensing images. IEEE Transactions on Geoscience and Remote Sensing, 35, 326–339.
Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 65, 2–16.
Bloch, I. (1996). Information combination operators for data fusion: a comparative review with classification. IEEE Transactions on Systems, Man, and Cybernetics, 26, 52–67.
Boardman, J. W. (1993). Automated spectral unmixing of AVIRIS data using convex geometry concepts. Summaries of the Fourth JPL Airborne Geoscience Workshop, JPL Publication 93–26 (pp. 11–14). Pasadena, California: NASA Jet Propulsion Laboratory.
Boardman, J. M., Kruse, F. A., & Green, R. O. (1995). Mapping target signature via partial unmixing of AVIRIS data. Summaries of the Fifth JPL Airborne Earth Science Workshop, JPL Publication 95–1 (pp. 23–26). Pasadena, California: NASA Jet Propulsion Laboratory.
Boegh, E., Poulsen, R. N., Butts, M., Abrahamsen, P., Dellwik, E., Hansen, S., et al. (2009). Remote sensing based evapotranspiration and runoff modeling of agricultural, forest and urban flux sites in Denmark: From field to macro-scale. Journal of Hydrology, 377(3–4), 300–316.
Brabec, E., Schulte, S., & Richards, P. L. (2002). Impervious surface and water quality: A review of current literature and its implications for watershed planning. Journal of Planning Literature, 16, 499–514.
Braun, C., Kolbe, T. H., Lang, F., Schickler, W., Cremers, A. B., Forstner, W., et al. (1995). Models for photogrammetric building reconstruction. Computer and Graphics, 19(1), 109–118.
Brennan, R., & Webster, T. L. (2006). Object-oriented land cover classification of LiDARderived surfaces. Canadian Journal of Remote Sensing, 32(2), 162–172.
Brun, S. E., & Band, L. E. (2000). Simulating runoff behavior in an urbanizing watershed. Computers, Environment and Urban Systems, 24, 5–22.
Cablk, M. E., & Minor, T. B. (2003). Detecting and discriminating impervious cover with high resolution IKONOS data using principal component analysis and morphological operators. International Journal of Remote Sensing, 24, 4627–4645.
Carlson, T. N. (2004). Analysis and prediction of surface runoff in an urbanizing watershed using satellite imagery. Journal of the American Water Resources Association, 40(4), 1087–1098.
Carlson, T. N., & Arthur, S. T. (2000). The impact of land use–land cover changes due to urbanization on surface microclimate and hydrology: A satellite perspective. Global and Planetary Change, 25, 49–65.
Carlson, T. N., & Ripley, A. J. (1997). On the relationship between fractional vegetation cover, leaf area index and NDVI. Remote Sensing of Environment, 62, 241–252.
Chabaeva, A. A., Civco, D. L., & Prisloe, S. (2004). Development of a population density and land use based regression model to calculate the amount of imperviousness. ASPRS Annual Conference Proceedings, Denver, Colorado, May 2004 (Unpaginated CD ROM).
Chen, D., & Stow, D. A. (2003). Strategies for integrating information from multiple spatial resolutions into land-use/land-cover classification routines. Photogrammetric Engineering and Remote Sensing, 69, 1279–1287.
Chen, K. S., Tzeng, Y. C., Chen, C. F., & Kao, W. L. (1995). Land-cover classification of multispectral imagery using a dynamic learning neural network. Photogrammetric Engineering and Remote Sensing, 61(4), 403–408.
Chormanski, J., Voorde, T. V. d., Roeck, T. D., Batelaan, O., & Canters, F. (2008). Improving distributed runoff prediction in urbanized catchments with remote sensing based estimates of impervious surface cover. Sensors, 8, 910–932.
Civco, D. L. (1993). Artificial neural networks for land-cover classification and mapping. International Journal of Geographical Information Systems, 7(2), 173–186.
Civco, D. L.,Hurd, J. D.,Wilson, E. H., Arnold, C. L.,& Prisloe, M. P., Jr. (2002).Quantifying and describing urbanizing landscapes in the northeast United States. Photogrammetric Engineering and Remote Sensing, 68(10), 1083–1090.
Clode, S., Kootsookos, P., & Rottensteiner, F. (2004). The automatic extraction of roads from LIDAR data. International Archives of Photogrammetry, Remote Sensing and Spatial Information Science, Vol. XXXV-B3, 231–236.
Clode, S., Kootsookos, P., & Rottensteiner, F. (2005). Improving city model determination by using road detection from Lidar data. In U. Stilla, F. Rottensteiner, & S. Hinz (Eds.), CMRT05. IAPRS, Vol. XXXVI, Part 3/W24 (pp. 159–164). Vienna, Austria, August 29–30, 2005.
Clode, S., Rottensteinerb, F., Kootsookosc, P., & Zelniker, E. (2007). Detection and vectorization of roads from LiDAR data. Photogrammetric Engineering and Remote Sensing, 73(5), 517–535.
Cortijo, F. J., & de la Blanca, N. P. (1998). Improving classical contextual classification. International Journal of Remote Sensing, 19, 1591–1613.
Cracknell, A. P. (1998). Synergy in remote sensing — What's in a pixel? International Journal of Remote Sensing, 19, 2025–2047.
Cracknell, A. P. (1999). Twenty years of publication of the International Journal of Remote Sensing. International Journal of Remote Sensing, 20, 3469–3484.
Cushnie, J. L. (1987). The interactive effect of spatial resolution and degree of internal variability within land-cover types on classification accuracies. International Journal of Remote Sensing, 8, 15–29.
Dare, P. M. (2005). Shadow analysis in high-resolution satellite imagery of urban areas. Photogrammetric Engineering and Remote Sensing, 71, 169–177.
DeFries, R. S., & Chan, J. C. (2000). Multiple criteria for evaluating machine learning algorithms for land cover classification from satellite data. Remote Sensing of Environment, 74, 503–515.
Dougherty, M., Dymond, R. L., Goetz, S. J., Jantz, C. A., & Goulet, N. (2004). Evaluation of impervious surface estimates in a rapidly urbanizing watershed. Photogrammetric Engineering and Remote Sensing, 70, 1275–1284.
Elberink, S. O., & Vosselman, G. (2009). 3D information extraction from laser point clouds covering complex road junctions. The Photogrammetric Record, 24(125), 23–36.
Elmore, A. J., & Guinn, S. M. (2010). Synergistic use of Landsat Multispectral Scanner with GIRAS land-cover data to retrieve impervious surface area for the Potomac River Basin in 1975. Remote Sensing of Environment, 114, 2384–2391.
Elvidge, C., Tuttle, B. T., Sutton, P. C., Baugh, K. E., Howard, A. T., Milesi, C., et al. (2007). Global distribution and density of constructed impervious surfaces. Sensors, 7, 1962–1979.
Epstein, J., Payne, K., & Kramer, E. (2002). Techniques for mapping suburban sprawl. Photogrammetric Engineering and Remote Sensing, 68, 913–918.
Filin, S. (2004). Surface classification from airborne laser scanning data. Computers and Geosciences, 30(9–10), 1033–1041. Fisher, P. (1997). The pixel: A snare and a delusion. International Journal of Remote Sensing, 18, 679–685.
Flanagan, M., & Civco, D. L. (2001). Subpixel impervious surface mapping. ASPRS Annual Conference Proceedings, St. Louis, Missouri, April 2001 (Unpaginated CD ROM).
Flygare, A. -M. (1997). A comparison of contextual classification methods using Landsat TM. International Journal of Remote Sensing, 18, 3835–3842.
Foody, G. M. (1999). Image classification with a neural network: from completely-crisp to fully-fuzzy situation. In P. M. Atkinson, & N. J. Tate (Eds.), Advances in Remote Sensing and GIS Analysis (pp. 17–37). New York: John Wiley and Sons.
Foody, G. M., & Arora, M. K. (1997). An evaluation of some factors affecting the accuracy of classification by an artificial neural network. International Journal of Remote Sensing, 18, 799–810.
Foody, G. M., Lucas, R. M., Curran, P. J., & Honzak, M. (1997). Non-linear mixture modelling without end-members using an artificial neural network. International Journal of Remote Sensing, 18, 937–953.
Foody, G. M., McCulloch, M. B., & Yates, W. B. (1995). Classification of remotely sensed data by an artificial neural network: Issues related to training data characteristics. Photogrammetric Engineering and Remote Sensing, 61, 391–401.
Forlani, G., Nardinocchi, C., Scaioni, M., & Zingaretti, P. (2006). Complete classification of raw LIDAR data and 3D reconstruction of buildings. Pattern Analysis and Applications, 8(4), 357–374.
Franke, J., Roberts, D. A., Halligan, K., & Menz, G. (2009). Hierarchical Multiple Endmember Spectral Mixture Analysis (MESMA) of hyperspectral imagery for urban environments. Remote Sensing of Environment, 113, 1712–1723.
Gamba, P., & Herold, M. (2009). Global mapping of human settlements: Experiences, datasets, and prospects. Boca Raton, FL: CRC Press.
Gillies, R. R., Box, J. B., Symanzik, J., & Rodemaker, E. J. (2003). Effects of urbanization on the aquatic fauna of the Line Creek watershed, Atlanta — A satellite perspective. Remote Sensing of Environment, 86, 411–422.
Gillies, R. R., Carlson, T. N., Cui, J., Kustas,W. P., & Humes, K. S. (1997). A verification of the ‘triangle’ method for obtaining surface soil water content and energy fluxes from remote measurements of the normalized difference vegetation index (NDVI) and surface temperature. International Journal of Remote Sensing, 18, 3145–3166.
Gitas, I. Z., Mitri, G. H., & Ventura, G. (2004). Object-based image classification for burned area mapping of Creus Cape Spain, using NOAA-AVHRR imagery. Remote Sensing of Environment, 92, 409–413.
Goetz, S. J., Wright, R. K., Smith, A. J., Zinecker, E., & Schaub, E. (2003). IKONOS imagery for resource management: Tree cover, impervious surfaces, and riparian buffer analyses in the mid-Atlantic region. Remote Sensing of Environment, 88, 195–208.
Gong, P. (1994). Integrated analysis of spatial data from multiple sources: An overview. Canadian Journal of Remote Sensing, 20, 349–359. Gong, P., & Howarth, P. J. (1990). The use of structure information for improving landcover classification accuracies at the rural–urban fringe. Photogrammetric Engineering and Remote Sensing, 56(1), 67–73.
Gong, P., & Howarth, P. J. (1992). Frequency-based contextual classification and graylevel vector reduction for land-use identification. Photogrammetric Engineering and Remote Sensing, 58(4), 423–437.
Haack, B. N., Solomon, E. K., Bechdol, M. A., & Herold, N. D. (2002). Radar and optical data comparison/integration for urban delineation: A case study. Photogrammetric Engineering and Remote Sensing, 68, 1289–1296.
Heiden, U., Segl, K., Roessner, S., & Kaufmann, H. (2007). Determination of robust spectral features for identification of urban surface materials in hyperspectral remote sensing data. Remote Sensing of Environment, 111, 537–552.
Henricsson, O. (1998). The role of color attributes and similarity grouping in 3-D building reconstruction. Computer Vision and Image Understanding, 72(2), 163–184.
Hepner, G. F., Houshmand, B., Kulikov, I., & Bryant, N. (1998). Investigation of the integration of AVIRIS and IFSAR for urban analysis. Photogrammetric Engineering and Remote Sensing, 64(8), 813–820.
Herold, M. (2007). Spectral characteristics of asphalt road surfaces. In Q. Weng (Ed.), Remote Sensing of Impervious Surfaces (pp. 237–247). Boca Raton, Florida: CRC Press.
Herold, M., Liu, X., & Clark, K. C. (2003). Spatial metrics and image texture for mapping urban land use. Photogrammetric Engineering and Remote Sensing, 69(9), 991–1001.
Herold, M., Schiefer, S., Hostert, P., & Roberts, D. A. (2006). Applying imaging spectrometry in urban areas. In Q. Weng, & D. Quattrochi (Eds.), Urban Remote Sensing (pp. 137–161). Boca Raton, FL: CRC Press.
Hinton, J. C. (1996). GIS and remote sensing integration for environmental applications. International Journal of Geographic Information Systems, 10(7), 877–890.
Hodgson, M. E. (1998). What size window for image classification? — A cognitive perspective. Photogrammetric Engineering and Remote Sensing, 64, 797–808.
Hodgson, M. E., Jensen, J. R., Tullis, J. A., Riordan, K. D., & Archer, C. M. (2003). Synergistic use of Lidar and color aerial photography for mapping urban parcel imperviousness. Photogrammetric Engineering and Remote Sensing, 69, 973–980.
Hoffbeck, J. P., & Landgrebe, D. A. (1996). Classification of remote sensing having high spectral resolution images. Remote Sensing of Environment, 57, 119–126.
Hsieh, P. -F., Lee, L. C., & Chen, N. -Y. (2001). Effect of spatial resolution on classification errors of pure and mixed pixels in remote sensing. IEEE Transactions on Geoscience and Remote Sensing, 39, 2657–2663.
Hu, J., Razdan, A., Femiani, J., Cui, M., & Wonka, P. (2007). Road network extraction and intersection detection from aerial images by tracking road footprints. IEEE Transactions on Geoscience and Remote Sensing, 45(12), 4144–4157.
Hu, X., & Weng, Q. (2009). Estimating impervious surfaces from medium spatial resolution imagery using the self-organizing map and multi-layer perceptron neural networks. Remote Sensing of Environment, 113(10), 2089–2102.
Hu, X., &Weng, Q. (2011). Impervious surface area extraction fromIKONOS imagery using an object-based fuzzy method. Geocarto International, 26(1), 3–20.
Huang, X., & Jensen, J. R. (1997). A machine-learning approach to automated knowledge-base building for remote sensing image analysis with GIS data. Photogrammetric Engineering and Remote Sensing, 63, 1185–1194.
Hung, M., & Ridd, M. K. (2002). A subpixel classifier for urban land-cover mapping based on a maximum-likelihood approach and expert system rules. Photogrammetric Engineering and Remote Sensing, 68, 1173–1180.
Hurd, J. D., & Civco, D. L. (2004). Temporal characterization of impervious surfaces for the State of Connecticut. ASPRS Annual Conference Proceedings, Denver, Colorado, May 2004 (Unpaginated CD ROM). Irons, J. R., Markham, B. L., Nelson, R. F., Toll, D. L., Williams, D. L., Latty, R. S., et al. (1985). The effects of spatial resolution on the classification of Thematic Mapper data. International Journal of Remote Sensing, 6, 1385–1403.
Jennings, D. B., Jarnagin, S. T., & Ebert, C. W. (2004). A modeling approach for estimating watershed impervious surface area from national land cover data 92. Photogrammetric Engineering and Remote Sensing, 70, 1295–1307.
Jensen, J. R. (2005). Introductory digital image processing: A remote sensing perspective (Third Edition). Upper Saddle River, NJ: Prentice Hall.
Jensen, J. R., & Cowen, D. C. (1999). Remote sensing of urban/suburban infrastructure and socioeconomic attributes. Photogrammetric Engineering andRemote Sensing, 65, 611–622.
Ji, C. Y. (2000). Land-use classification of remotely sensed data using Kohonen selforganizing feature map neural networks. Photogrammetric Engineering and Remote Sensing, 66, 1451–1460.
Jimenez, L. O., Morales-Morell, A., & Creus, A. (1999). Classification of hyperdimensional data based on feature and decision fusion approaches using projection pursuit, majority voting, and neural networks. IEEE Transactions on Geoscience and Remote Sensing, 37, 1360–1366.
Jin, X., & Davis, C. H. (2005). Automated building extraction from high-resolution satellite imagery in urban areas using structural, contextual, and spectral information. EURASIP Journal on Applied Signal Processing, 14, 2196–2206.
Jin, X., & Paswaters, S. (2007). A fuzzy rule base system for object-based feature extraction and classification. In K. Ivan (Ed.), SPIE (pp. 65671H).
Kartikeyan, B., Gopalakrishna, B., Kalubarme, M. H., & Majumder, K. L. (1994). Contextual techniques for classification of high and low resolution remote sensing data. International Journal of Remote Sensing, 15, 1037–1051.
Kavzoglu, T., & Mather, P. M. (2003). The use of backpropagating artificial neural networks in land cover classification. International Journal of Remote Sensing, 24, 4907–4938.
Keuchel, J., Naumann, S., Heiler, M., & Siegmund, A. (2003). Automatic land cover analysis for Tenerife by supervised classification using remotely sensed data. Remote Sensing of Environment, 86, 530–541.
Kim, H., Pang, S., Je, H., Kim, D., & Bang, S. Y. (2003). Constructing support vector machine ensemble. Pattern Recognition, 36, 2757–2767.
Laguarde, J. -P., Bach, M., Boulet, G., Briottet, X., Cherchali, S., Dadou, I., et al. (2010). Combining high spatial resolution and revisit capabilities in the thermal infrared: The MISTIGRI Mission Project. In R. Reuter (Ed.), Proceeding of 30th EARSeL Symposium: Remote Sensing for Science, Education, and Natural and Cultural Heritage (pp. 165–172). Paris, France: UNESCO May 31–June 3, 2010.
Lang, F., & Forstner, W. (1996). Surface reconstruction of man-made objects using polymorphic mid-level features and generic scene knowledge. International Archives of Photogrammetry and Remote Sensing, 31(B/3), 415–420. Lawrence, R., Bunn, A., Powell, S., & Zmabon, M. (2004). Classification of remotely sensed imagery using stochastic gradient boosting as a refinement of classification tree analysis. Remote Sensing of Environment, 90, 331–336.
Lee, S., & Lathrop, R. G. (2006). Subpixel analysis of Landsat ETM+ using Self-Organizing Map (SOM) neural networks for urban land cover characterization. IEEE Transactions on Geoscience and Remote Sensing, 44(6), 1642–1654.
Lee, D. H., Lee, K. M., & Lee, S. U. (2008). Fusion of lidar and imagery for reliable building extraction. Photogrammetric Engineering and Remote Sensing, 74(2), 215–225.
Li, G. (2008). Integration of Remote Sensing and Census Data for Land Use and Land Cover Classification and Population Estimation in Indianapolis, Indiana, Ph.D. Dissertation, Department of Geography, Geology, and Anthropology, Indiana State University, Terre haute, Indiana.
Li, Z., & Eastman, J. R. (2006a). Commitment and typicality measurements for the selforganizing map. Bellingham, WA: Proceedings of SPIE — The International Society for Optical Engineering (pp. 64201I-1-64201I-4).
Li, Z., & Eastman, J. R. (2006b). The nature and classification of unlabelled neurons in the use of Kohonen's self-organizing map for supervised classification. Transactions in GIS, 10(4), 599.
Lillesand, T. M., Kiefer, R. W., & Chipman, J. W. (2004). Remote sensing and image interpretation (pp. 614). New York: John Wiley and Sons.
Linden, S. van der, & Hostert, P. (2009). The influence of urban structures on impervious surface maps from airborne hyperspectral data. Remote Sensing of Environment, 113, 2298–2305.
Lloyd, R. E., Hodgson, M. E., & Stokes, A. (2002). Visual categorization with aerial photography. Annals of the Association of American Geographers, 92, 241–266.
Long, H., & Zhao, Z. M. (2005). Urban road extraction from high-resolution optical satellite images. International Journal of Remote Sensing, 26(22), 4907–4921.
Lu, D., Tian, H., Zhou, G., & Ge, H. (2008). Regional mapping of human settlements in southeastern China with multisensor remotely sensed data. Remote Sensing of Environment, 112(9), 3668–3679.
Lu, D., & Weng, Q. (2004). Spectral mixture analysis of the urban landscape in Indianapolis with Landsat ETM+ imagery. Photogrammetric Engineering and Remote Sensing, 70, 1053–1062.
Lu, D., & Weng, Q. (2005). Urban land-use and land-cover mapping using the full spectral information of Landsat ETM+ data in Indianapolis, Indiana. Photogrammetric Engineering and Remote Sensing, 71(11), 1275–1284.
Lu, D., & Weng, Q. (2006). Use of impervious surface in urban land use classification. Remote Sensing of Environment, 102(1–2), 146–160. Lu, D., & Weng, Q. (2007). A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 28 (5), 823–870.
Lu, D., & Weng, Q. (2009). Extraction of urban impervious surfaces from IKONOS imagery. International Journal of Remote Sensing, 30(5), 1297–1311.
Lu, D., Hetrick, S., & Moran, E. in press. Impervious surface mapping with Quickbird imagery. International Journal of Remote Sensing. doi:10.1080/01431161003698393.
Luo, R. C., & Kay, M. G. (1989). Multisensor integration and fusion for intelligent systems. IEEE Transactions on Systems, Man, and Cybernetics, 19, 901–931.
Luo, L., & Mountrakis, G. (2010). Integrating intermediate inputs from partially classified images within a hybrid classification framework: An impervious surface estimation example. Remote Sensing of Environment, 114, 1220–1229.
Madhavan, B. B., Kubo, S., Kurisaki, N., & Sivakumar, T. V. L. N. (2001). Appraising the anatomy and spatial growth of the Bangkok Metropolitan area using a vegetationimpervious–soil model through remote sensing. International Journal of Remote Sensing, 22, 789–806.
Magnussen, S., Boudewyn, P., & Wulder, M. (2004). Contextual classification of Landsat TM images to forest inventory cover types. International Journal of Remote Sensing, 25, 2421–2440.
Mannan, B., & Ray, A. K. (2003). Crisp and fuzzy competitive learning networks for supervised classification of multispectral IRS scenes. International Journal of Remote Sensing, 24, 3491–3502.
Mather, P. M. (1999). Land cover classification revisited. In P. M. Atkinson, & N. J. Tate (Eds.), Advances in Remote Sensing and GIS (pp. 7–16). New York: John Wiley & Sons.
Mayer, H. (1999). Automatic object extraction from aerial imagery — A survey focusing on building. Computer Vision and Image Understanding, 74(2), 138–139.
McGwire, K., Minor, T., & Fenstermaker, L. (2000). Hyperspectral mixture modeling for quantifying sparse vegetation cover in arid environments. Remote Sensing of Environment, 72, 360–374.
Mena, J. B. (2003). State of the art on automatic road extraction for GIS update: A novel classification. Pattern Recognition Letters, 24(16), 3037–3058.
Miliaresis, G., & Kokkas, N. (2007). Segmentation and object-based classification for the extraction of the building class from LiDAR DEMs. Computers and Geosciences, 33 (8), 1076–1087.
Mohapatra, R. P., & Wu, C. (2007). Subpixel imperviousness estimation with IKONOS imagery: An Artificial Neural Network approach. In Q. Weng (Ed.), Remote Sensing of Impervious Surfaces (pp. 21–37). Boca Raton, FL: CRC Press.
Moons, T., Frère, D., Vandekerckhove, J., & Van Gool, L. (1998). Automatic modeling and 3D reconstruction of urban house roofs from high resolution aerial imagery. Proceedings Of Fifth European Conference On Computer Vision I (pp. 410–425).
Moses, W. J., Gitelson, A. A., Berdnikov, S., & Povazhnyy, V. (2009). Satellite estimation of Chlorophyll-a concentration using the red and NIR bands of MERIS—The Azov Sea case study. IEEE Geoscience and Remote Sensing Letters, 6, 845–849.
Myint, S. W. (2001). A robust texture analysis and classification approach for urban land-use and land-cover feature discrimination. Geocarto International, 16, 27–38. National Research Council (2007). Earth science and applications from space: National imperatives for the next decade and beyond. Washington, DC: The National Academy Press.
Pal, N. R., Laha, A., & Das, J. (2005). Designing fuzzy rule based classifier using selforganizing feature map for analysis of multispectral satellite images. International Journal of Remote Sensing, 26(10), 2219–2240.
Pal, M., & Mather, P. M. (2003). An assessment of the effectiveness of decision tree methods for land cover classification. Remote Sensing of Environment, 86, 554–565.
Pal, N. R., & Pal, S. K. (1993). A review on image segmentation techniques. Pattern Recognition, 26(9), 1277–1294.
Paola, J. D., & Schowengerdt, R. A. (1995). A review and analysis of back propagation neural networks for classification of remotely sensed multispectral imagery. International Journal of Remote Sensing, 16, 3033–3058.
Peteri, R., & Ranchin, T. (2007). Road networks derived from high spatial resolution satellite remote sensing data. In Q. Weng (Ed.), Remote Sensing of Impervious Surfaces (pp. 215–236). Boca Raton, Florida: CRC Press.
Phinn, S. R. (1998). A framework for selecting appropriate remotely sensed data dimensions for environmental monitoring and management. International Journal of Remote Sensing, 19, 3457–3463.
Phinn, S. R., Menges, C., Hill, G. J. E., & Stanford, M. (2000). Optimizing remotely sensed solutions for monitoring, modeling, and managing coastal environments. Remote Sensing of Environment, 73, 117–132.
Phinn, S., Stanford, M., Scarth, P., Murray, A. T., & Shyy, P. T. (2002). Monitoring the composition of urban environments based on the vegetation–impervious surface soil (VIS) model by subpixel analysis techniques. International Journal of Remote Sensing, 23, 4131–4153.
Platt, R. V., & Goetz, A. F. H. (2004). A comparison of AVIRIS and Landsat for land use classification at the urban fringe. Photogrammetric Engineering and Remote Sensing, 70, 813–819.
Pohl, C., & van Genderen, J. L. (1998).Multisensor image fusion in remote sensing: Concepts, methods, and applications. International Journal of Remote Sensing, 19, 823–854.
Powell, S. L., Cohen, W. B., Yang, Z., Pierce, J. D., & Alberti, M. (2008). Quantification of impervious surface in the Snohomish Water Resources Inventory Area of Western Washington from 1972–2006. Remote Sensing of Environment, 112, 1895–1908.
Powell, R. L., Roberts, D. A., Dennison, P. E., & Hess, L. L. (2007). Sub-pixel mapping of urban land cover using multiple endmember spectral mixture analysis: Manaus, Brazil. Remote Sensing of Environment, 106(2), 253–267.
Pu, R., Kelly, M., Anderson, G. L., & Gong, P. (2008). Using CASI hyperspectral imagery to detect mortality and vegetation stress associated with a new hardwood forest disease. Photogrammetric Engineering and Remote Sensing, 74(1), 65–75.
Quattrochi, D. A., & Goodchild, M. F. (1997). Scale in remote sensing and GIS. New York City, NY: Lewis Publishers.
Rashed, T., Weeks, J. R., Roberts, D., Rogan, J., & Powell, R. (2003). Measuring the physical composition of urban morphology using multiple endmember spectral mixture models. Photogrammetric Engineering and Remote Sensing, 69, 1011–1020.
Ridd, M. K. (1995). Exploring a V–I–S (Vegetation–Impervious Surface–Soil) model for urban ecosystem analysis through remote sensing: Comparative anatomy for cities. International Journal of Remote Sensing, 16(12), 2165–2185.
Roberts, D. A., Batista, G. T., Pereira, J. L. G., Waller, E. K., & Nelson, B. W. (1998). Change identification using multitemporal spectral mixture analysis: Applications in eastern Amazônia. In
R. S. Lunetta, & C. D. Elvidge (Eds.), Remote sensing change detection: Environmental monitoring methods and applications (pp. 137–161). Ann Arbor, MI: Ann Arbor Press.
Roberts, D. A., Gardner, M., Church, R., Ustin, S., Scheer, G., & Green, R. O. (1998). Mapping chaparral in the Santa Monica mountains using multiple endmember spectral mixture models. Remote Sensing of Environment, 65, 267–279.
Samadzadegan, F., Bigdeli, B., & Hahn, M. (2009). Automatic road extraction from LIDAR data based on classifier fusion in urban area. 2009 Joint Urban Remote Sensing Event (pp. 1–6). doi:10.1109/URS.2009.5137739.
Schmidt, K. S., Skidmore, A. K., Kloosterman, E. H., van Oosten, H., Kumar, L., & Janssen, J.A.M. (2004). Mapping coastal vegetation using an expert system and hyperspectral imagery. Photogrammetric Engineering and Remote Sensing, 70, 703–715.
Schneider, A., Friedl, M. A., & Potere, D. (2010). Mapping global urban areas using MODIS 500-m data: New methods and datasets based on ‘urban ecoregions’. Remote Sensing of Environment, 114, 1733–1746.
Schueler, T. R. (1994). The importance of imperviousness. Watershed Protection Techniques, 1, 100–111.
Setiawan, H., Mathieu, R., & Thompson-Fawcett, M. (2006). Assessing the applicability of the V–I–S model to map urban land use in the developing world: Case study of Yogyakarta, Indonesia. Computers, Environment and Urban Systems, 30(4), 503–522.
Shaban, M. A., & Dikshit, O. (2001). Improvement of classification in urban areas by the use of textural features: The case study of Lucknow City, Uttar Pradesh. International Journal of Remote Sensing, 22, 565–593.
Sharma, K. M. S., & Sarkar, A. (1998). A modified contextual classification technique for remote sensing data. Photogrammetric Engineering and Remote Sensing, 64(4), 273–280.
Shi, W. Z., & Zhu, C. Q. (2002). The line segment match method for extracting road network from high-resolution satellite images. IEEE Transactions on Geoscience and Remote Sensing, 40(2), 511–514.
Slonecker, E. T., Jennings, D., & Garofalo, D. (2001). Remote sensing of impervious surface: A review. Remote Sensing Reviews, 20, 227–255. Soil Conservation Service (1975). Urban hydrology for small watersheds, USDA Soil Conservation Service Technical Release No. 55. Washington, DC: U.S. Department of Agriculture.
Solberg, A. H. S., Taxt, T., & Jain, A. K. (1996). A Markov random field model for classification of multisource satellite imagery. IEEE Transactions on Geoscience and Remote Sensing, 34, 100–112.
Stefanov, W. L., Ramsey, M. S., & 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.
Stow, D., Coulter, L., Kaiser, J., Hope, A., Service, D., Schutte, K., et al. (2003). Irrigated vegetation assessment for urban environments. Photogrammetric Engineering and Remote Sensing, 69, 381–390.
Strahler, A. H., Woodcock, C. E., & Smith, J. A. (1986). On the nature of models in remote sensing. Remote Sensing of Environment, 70, 121–139.
Stuckens, J., Coppin, P. R., & Bauer, M. E. (2000). Integrating contextual information with per-pixel classification for improved land cover classification. Remote Sensing of Environment, 71, 282–296.
Tan, Q., Liu, Z., & Li, X. (2009). Mapping urban surface imperviousness using SPOT multispectral satellite images. Proceedings of IEEE Geoscience and Remote Sensing Symposium (IGARSS 2009), III-346 - III-348, Cape Town. doi:10.1109/IGARSS. 2009.5417773.
Thenkabail, P. S., Enclona, E. A., Ashton, M. S., Legg, C., & de Dieu, M. J. (2004a). Hyperion, IKONOS, ALI, and ETM+ sensors in the study of African rainforests. Remote Sensing of Environment, 90, 23–43.
Thenkabail, P. S., Enclona, E. A., Ashton, M. S., & van der Meer, B. (2004b). Accuracy assessments of hyperspectral waveband performance for vegetation analysis applications. Remote Sensing of Environment, 91, 354–376.
Tiwari, P. S., Pande, H., & Pandey, A. K. (2009). Automatic urban road extraction using airborne laser scanning/altimetry and high resolution satellite data. Journal of the Indian Society of Remote Sensing, 37(2), 223–231. doi:10.1007/s12524-009-0023-9.
Tong, X., Liu, S., & Weng, Q. (2009). Geometric processing of Quickbird stereo imagery for urban land use mapping — A case study in Shanghai, China. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2(2), 61–66.
Tullis, J. A., & Jensen, J. R. (2003). Export system house detection in high spatial resolution imagery using size, shape, and context. Geocarto International, 18, 5–15.
Turner, B. L. I. I., Skole, D., Sanderson, S., Fisher, G., Fresco, L., & Leemans, R. (1995). Landuse and land-cover change: Science and research plan. Stockhdm and Geneva: International Geosphere-Bioshere Program and the Human Dimensions of Global Environmental Change Programme (IGBP Report No. 35 and HDP Report No. 7). Van der Linden, S., & Hostert, P. (2009). The influence of urban structures on impervious surface maps from airborne hyperspectral data. Remote Sensing of Environment, 113, 2298–2305.
Van de Voore, T., De Genst,W., Canters, F., Stephenne, N.,Wolff, E., & Binnard, M. (2003). Extraction of land use/land cover — Related information from very high resolution data in urban and suburban areas. Proceedings of the 23 rd Symposiumof the European Association of Remote Sensing Laboratories (pp. 237–244).
Wang, F. (1990). Fuzzy supervised classification of remote sensing images. IEEE Transactions on Geoscience and Remote Sensing, 28(2), 194–201.
Wang, L., Sousa, W. P., Gong, P., & Biging, G. S. (2004). Comparison of IKONOS and QuickBird images for mapping mangrove species on the Caribbean coast of panama. Remote Sensing of Environment, 91, 432–440.
Ward, D., Phinn, S. R., & Murray, A. T. (2000). Monitoring growth in rapidly urbanizing areas using remotely sensed data. The Professional Geographer, 53, 371–386.
Weng, Q. (2001). Modeling urban growth effect on surface runoff with the integration of remote sensing and GIS. Environmental Management, 28, 737–748.
Weng, Q. (2007). Remote sensing of impervious surfaces (pp. xv–xxvii). Boca Raton, FL: CRC Press.
Weng, Q. (2009). Remote sensing and GIS integration: Theories, methods, and applications. New York: McGraw-Hill.
Weng, Q., & Hu, X. (2008). Medium spatial resolution satellite imagery for estimating and mapping urban impervious surfaces using LSMA and ANN. IEEE Transaction on Geosciences and Remote Sensing, 46(8), 2397–2406.
Weng, Q., Hu, X., & Liu, H. (2009). Estimating impervious surfaces using linear spectral mixture analysis with multi-temporal ASTER images. International Journal of Remote Sensing, 30(18), 4807–4830.
Weng, Q., Hu, X., & Lu, D. (2008). Extracting impervious surface from medium spatial resolution multispectral and hyperspectral imagery: A comparison. International Journal of Remote Sensing, 29(11), 3209–3232.
Weng, Q., & Lu, D. (2009). Landscape as a continuum: An examination of the urban landscape structures and dynamics of Indianapolis city, 1991–2000. International Journal of Remote Sensing, 30(10), 2547–2577.
Wu, C. (2004). Normalized spectral mixture analysis for monitoring urban composition using ETM+ imagery. Remote Sensing of Environment, 93, 480–492.
Wu, C. (2009). Quantifying high-resolution impervious surfaces using spectral mixture analysis. International Journal of Remote Sensing, 30(11), 2915–2932.
Wu, C., & Murray, A. T. (2003). Estimating impervious surface distribution by spectral mixture analysis. Remote Sensing of Environment, 84, 493–505.
Xian, G. (2007). Mapping impervious surfaces using classification and regression tree algorithm. In Q. Weng (Ed.), Remote Sensing of Impervious Surfaces (pp. 39–58). Boca Rotan, FL: CRC Press.
Yang, L., Huang, C., Homer, C. G., Wylie, B. K., & Coan, M. J. (2003). An approach for mapping large-scale impervious surfaces: Synergistic use of Landsat-7 ETM+ and high spatial resolution imagery. Canadian Journal of Remote Sensing, 29, 230–240.
Yang, L., Jiang, L., Lin, H., & Liao, M. (2009). Quantifying sub-pixel urban impervious surface through fusion of optical and InSAR imagery. GIScience & Remote Sensing, 46(2), 161–171.
Yang, F., Matsushita, B., & Fukushima, T. (2010). A pre-screened and normalized multiple endmember spectral mixture analysis for mapping impervious surface area in Lake Kasumigaura Basin, Japan. ISPRS Journal of Photogrammetry and Remote Sensing, 65, 479–490.
Yu, B., Liu, H., Wu, J., Hu, Y., & Zhang, L. (2010). Automated derivation of urban building density information using airborne LiDAR data and object-based method. Landscape and Urban Planning, 98(3–4), 210–219. Yuan, F., & Bauer, M. E. (2006). Mapping impervious surface area using high resolution imagery: A comparison of object-based and per pixel classification. American Society for Photogrammetry and Remote Sensing Annual Conference Proceedings, Reno, Nevada (unpaginated).
Yuan, F., Wu, C., & Bauer, M. E. (2008). Comparison of spectral analysis techniques for impervious surface estimation using Landsat imagery. Photogrammetric Engineering and Remote Sensing, 74(8), 1045–1055.
Zhou, G. Q., & Kelmelis, J. A. (2006). True orthoimage generation for urban areas withnvery buildings. In Q. Weng, & D. A. Quattrochi (Eds.), Urban Remote Sensing (pp. 3–20). Boca Raton, FL: CRC Press.
Zhou, W., & Troy, A. (2008). An object-oriented approach for analyzing and characterizing urban landscape at the parcel level. International Journal of Remote Sensing, 29(11), 3119–3135.
Zhou, Y. Y., & Wang, Y. Q. (2008). Extraction of impervious, surface areas from high spatial resolution imagery by multiple agent segmentation and classification. Photogrammetric Engineering and Remote Sensing, 74(7), 857–868.
Zhu, C., Shi, W., Pesaresi, M., Liu, L., Chen, X., & King, B. (2005). The recognition of road network from high-resolution satellite remotely sensed data using image morphological characteristics. International Journal of Remote Sensing, 26(24), 5493–5508.
