Μελέτη της κάλυψης γης με βάση κανόνες με την χρήση εικόνων τηλεπισκόπισης υψηλής ανάλυσης

Από RemoteSensing Wiki

Συγγραφέας
Zhang Rongqun,Zhu Daolin
Institute of Remote Sensing and Geographic Information Engineering, College of Information and Electrical Engineering, China Agricultural University, College of Resources and Environmental Science, China Agricultural University USA

Πηγή

Science_direct

Published by Elsevier

Τίτλος:Study of land cover classification based on knowledge rules using high-resolution remote sensing images

Η παρούσα εργασία δημοσιεύτηκε από την εταιρεία Elsevier το 2010 με τίτλο «Study of land cover classification based on knowledge rules using high-resolution remote sensing images» και ανασύρθηκε από την ιστοσελίδα www. sciencedirect.com. Αντικείμενό της είναι η μελέτη των περιορισμών της οπτικής ερμηνείας από εικόνες υψηλής ανάλυσης και της αυτόματης ταξινόμησης από φασματικά δεδομένα. Προτείνεται μία μέθοδος που εμπεριέχει κάποιους κανόνες, η οποία στηρίζεται εκτός από τα φασματικά χαρακτηριστικά, σε χαρακτηριστικά υφής και σχήματος των αντικειμένων. Για την εργασία χρησιμοποιήθηκαν εικόνες Quickbird σε ζώνη μεταξύ αστικής και περιαστικής περιοχής στο Πεκίνο.

Ένα από τα σημαντικότερα στοιχεία του τοπίου της επιφάνειας της γης, είναι η μελέτη των χρήσεών της, έχοντας αποτελέσει ένα μεγάλο κομμάτι της παγκόσμιας έρευνας τα τελευταία χρόνια. Σήμερα, η τεχνολογία τηλεπισκόπισης είναι μία από τις σημαντικότερες τεχνικές για την απόκτηση πληροφορίας για την κάλυψη γης. Ωστόσο, η σύγχυση μεταξύ των φασματικών ιδιοτήτων των αντικειμένων του εδάφους δυσχεραίνει τις ταξινομήσεις υψηλής ακρίβειας. Τα τελευταία χρόνια έχουν προταθεί αρκετές θεωρίες και αλγόριθμοι αναγνώρισης στοιχείων στο χώρο, χωρίς όμως να έχουν επιτευχθεί καλύτερες ακρίβειες. Όταν η σύνθεση των αντικειμένων του εδάφους είναι περίπλοκη και τα μεγέθη τους είναι μεγαλύτερα από τη χωρική ανάλυση των αισθητήρων, η υφή και η σύνθεση του εδάφους μπορεί να παρατηρηθεί. Όταν όμως υπάρχει ένα χαρακτηριστικό διαφορετικής υφής από εκείνα των αντικειμένων της εικόνας, το αποτέλεσμα εξαγωγής ακριβούς πληροφορίας δεν μπορεί να επιτευχθεί μόνο με την χρήση γνώσεων σχετικά με τα φασματικά χαρακτηριστικά. Είναι απαραίτητο να λαμβάνεται υπόψη η γνώση σχετικά με την υφή και το σχήμα τους. Στην παρούσα εργασία, δημιουργούνται κάποιοι κανόνες γνώσης για την κατάταξη των δεδομένων Quickbird στα αντικείμενα των κτιρίων, εδάφους, δασικών περιοχών και νερού.

Εικόνα 1: Περιοχή μελέτης

Ανάλυση δεδομένων: Η ανάλυση των δεδομένων έδειξε κάποια ενδιαφέροντα στοιχεία για τα φασματικά χαρακτηριστικά και τα χαρακτηριστικά υφής και σχήματος. Όσον αφορά τα φασματικά χαρακτηριστικά, οι κατηγορίες που χωρίστηκε η περιοχή είναι τα κτίρια, οι δρόμοι, τα νερά (συνηθισμένες και μη υδάτινες επιφάνειες, έχουν να κάνουν με τη φυτοκάλυψη), δασικές εκτάσεις, χωράφια και σκιές. Το αποτέλεσμα της μελέτης των φασματικών υπογραφών των παραπάνω στοιχείων έδειξε ότι εκτός των δασικών και γεωργικών εκτάσεων, υπάρχει πρόβλημα διαφοροποίησης των υδάτινων επιφανειών με των σκιών, όπως επίσης και των κτιρίων με τους δρόμους (ίδια υλικά κατασκευής, ίδια φασματική υπογραφή). Συνεπώς οι φασματικές καμπύλες κάποιων στοιχείων συμπίπτουν μεταξύ τους και έτσι είναι αδύνατη η διαφοροποίηση με βάση μόνο φασματικά χαρακτηριστικά.

Εικόνα 2: Φασματικές καμπύλες των αντικειμένων της περιοχής

Όσον αφορά την υφή των αντικειμένων (χωρική διακύμανση τόνων του γκρί, περιγράφεται από το ιστόγραμμα), στην παρούσα εργασία διαχωρίστηκαν 4 διαφορετικοί δείκτες υφής, η αντίθεση (CON), η εντροπία (ΕΝΤ), η γωνιακή δεύτερη στιγμή (ASM) και η ομοιογένεια (HOMO). Τα αποτελέσματα έδειξαν ότι κάποιες κατηγορίες διαχωρίζονται μεταξύ τους (δρόμοι-κτίρια) αλλά κάποιες άλλες έχουν ακόμη πρόβλημα (μη συνηθισμένες υδάτινες επιφάνειες-σκιές). Συνεπώς, ούτε με βάση την υφή μπορούν να διαχωριστούν όλες οι κατηγορίες.

Εικόνα 3: Δείκτες υφής για τα αντικείμενα της εικόνας.

Όσον αφορά το σχήμα των αντικειμένων, διαπιστώθηκε ότι με την δημιουργία ενός δείκτη σχήματος με βάση την περιοχή και την περίμετρο, μπορεί να βοηθήσει στην διαφοροποίηση των χαρακτηριστικών που δεν διαφοροποιούνται παραπάνω.

Θέσπιση κανόνων και ταξινόμηση: Σύμφωνα με τις παραπάνω αναλύσεις θεσπίστηκαν κάποιοι κανόνες για τα αντικείμενα της ταξινόμησης με την βοήθεια του KnowledgeEngineer, από το ERDAS:

Δασικές περιοχές και καλλιέργειες: Για τα δάση και τις καλλιέργειες, θεσπίστηκαν τρείς κανόνες. Ο πρώτος έχει να κάνει με την αναγνώριση και των δύο κατηγοριών μαζί, με την χρήση του δείκτη βλάστησης RVI (band4/band3) και οι άλλοι δύο για την αναγνώριση των δασικών περιοχών και των καλλιεργειών αντίστοιχα, σε συνδυασμό πάντα με τον πρώτο: 1. Κανόνας 1: RVI > 1,7 2. Κανόνας 2: 200 < band 4 < 400 3. Κανόνας 3: band 4 > 600

Συνηθισμένες υδάτινες επιφάνειες: Για την κατηγορία αυτή θεσπίστηκαν 3 κανόνες. Οι δύο πρώτοι έχουν να κάνουν με τα φασματικά χαρακτηριστικά και ο τρίτος με την υφή, αφού παρατηρήθηκε σύγχυση μεταξύ της κατηγορίας και των κτιρίων όσον αφορά τις φασματικές ιδιότητες: 1. Κανόνας 1: RVI < 1 2. Κανόνας 2: band 2- band 4 >180 3. Κανόνας 3: HOMO > 140, ENT <120, CON < 30

Ασυνήθιστες υδάτινες επιφάνειες και σκιές: Εδώ θεσπίστηκαν 4 κανόνες. Οι δύο πρώτοι έχουν να κάνουν με τα φασματικά χαρακτηριστικά για την αναγνώριση και των δύο διαφορετικών κατηγοριών ταυτόχρονα. Ο τρίτος κανόνας έχει να κάνει με το εμβαδό των επιφανειών για την αναγνώριση των μεγάλων υδάτινων επιφανειών σε σχέση με τις σκιές, και ο τελευταίος με την χρήση ενός δείκτη k=√(a/p) ( όπου a το εμβαδό και p η περίμετρος) για την διαφοροποίηση των σκιών από την κατηγορία των ασυνήθιστων υδάτινων επιφανειών: 1. Κανόνας 1: band 4 < 200 και band 3 < 180 2. Κανόνας 2: band 2 – band 3 > 150 3. Κανόνας 3 : area > 11,000 4. Κανόνας 4: k > 0.27

Κτίρια και δρόμοι: Για αυτές τις κατηγορίες λαμβάνοντας υπόψη τους παραπάνω φασματικούς κανόνες για τις υπόλοιπες κατηγορίες, δημιουργήθηκαν 2 ακόμα δείκτες. Ο πρώτος έχει να κάνει με την υφή για τον διαχωρισμό τους από τις υπόλοιπες κατηγορίες. Ο δεύτερος έχει να κάνει με τον διαχωρισμό των δρόμων από τα κτίρια, χρησιμοποιώντας έναν δείκτη στρογγυλότητας c=p2/a (περιγραφή του κατά πόσο ένα σχήμα μπορεί να προσεγγιστεί από κύκλο), για να εξαλείψει τα κυκλικά σημεία που δεν ανήκουν σε δρόμο. 1. Κανόνας 1 : HOMO > 90, CON < 70, ASM < 70 2. Κανόνας 2: c < 70 Ταξινόμηση – Αποτελέσματα

Η συγκεκριμένη μέθοδος ταξινόμησης με βάση τους παραπάνω κανόνες, αναμένεται να είναι αρκετά εφαρμόσιμη σε εικόνες υψηλής ανάλυσης για την μελέτη της κάλυψης γης. Η ακρίβειά της ήταν ικανοποιητική (90,91%) με τις δασικές επιφάνειες, καλλιέργειες και κτίρια να ταξινομούνται ικανοποιητικά, ενώ λιγότερη ακρίβεια (πάνω από 80%) είχαν οι δρόμοι και οι σκιές. Αυτό οφείλεται κυρίως στο γεγονός ότι η συγκεκριμένη περιοχή μελέτης είχε υψηλό ποσοστό δασοκάλυψης σε κάποιους δρόμους με αποτέλεσμα να μειώσει την ακρίβεια.

Εικόνα 4: Αποτέλεσμα ταξινόμησης