Μελέτη της ταξινόμησης χρήσεων γης βασισμένης σε κανόνες εκμάθησης χρησιμοποιώντας δορυφορικές εικόνες υψηλής ανάλυσης
Από RemoteSensing Wiki
Μελέτη της ταξινόμησης χρήσεων γης βασισμένης σε κανόνες εκμάθησης χρησιμοποιώντας δορυφορικές εικόνες υψηλής ανάλυσης
Πρωτότυπος τίτλος : Study of land cover classification based on knowledge rules using high-resolution remote sensing images
Συγγραφείς : Zhang Rongqun, Zhu Daolin
Πηγή : Science Direct
Η παρούσα εργασία ασχολείται με τους περιορισμούς της οπτικής ερμηνείας των τηλεπισκοπικών εικόνων υψηλής ανάλυσης και της αυτόματης ταξινόμησης, εξαρτώμενης αποκλειστικά από φασματικά δεδομένα, και προτείνει μια μέθοδο, βασισμένη τόσο σε φασματικά χαρακτηριστικά, όσο και σε χαρακτηριστικά υφής και σχήματος, με σκοπό την ταξινόμηση των χρήσεων κάλυψης/γης μιας περιοχής της πόλης του Πεκίνο.
1.Εισαγωγή
Στις μέρες μας, η τηλεπισκόπηση είναι μια από τις πιο σημαντικές τεχνικές για την απόκτηση δεδομένων σχετικά με την χρήση/κάλυψη γης. Παλιότερα, η οπτική κρίση ήταν η κύρια μέθοδος για την εξαγωγή συμπερασμάτων από τηλεπισκοπικές εικόνες, μια τεχνική με σχετικά υψηλή ακρίβεια, αλλά χαμηλή αποτελεσματικότητα. Οι κύριες μέθοδοι για την αυτόματη εξαγωγή πληροφοριών από τηλεπισκοπικές εικόνες είναι η επιβλεπόμενη και η μη επιβλεπόμενη ταξινόμηση. Παρόλα αυτά, η παρουσία φασματικής σύγχυσης λόγω των αντικειμένων του εδάφους, δεν επιτρέπει μεγάλη ακρίβεια στα αποτελέσματα της ταξινόμησης. Λόγω της χαμηλής ακρίβειας που παρείχαν οι μέθοδοι ταξινόμησης των τηλεπισκοπικών εικόνων, «γεννήθηκε» η ανάγκη για ανάπτυξη νέων τεχνικών για να «διαβάζουμε» τις εικόνες. Αναπτύχθηκαν λοιπόν τεχνικές οι οποίες στηρίζονται σε φασματικά χαρακτηριστικά, καθώς και σε χαρακτηριστικά υφής και μεγέθους των αντικειμένων του εδάφους. Στην παρούσα εργασία, χρησιμοποιούμε κανόνες εκμάθησης για ταξινόμηση μιας δορυφορικής εικόνας υψηλής ανάλυσης προερχόμενης από το δορυφορικό σύστημα Quickbird, η οποία απεικονίζει την περιοχή μεταξύ των αστικών και προαστιακών περιοχών του Πεκίνου. Τα προς ταξινόμηση αντικείμενα περιλαμβάνουν κτίρια, δρόμους, δασικές εκτάσεις, αγροτικές εκτάσεις και υδάτινους όγκους.
2.Επεξεργασία δεδομένων και ανάλυση
2.1 Σύνθεση δεδομένων
Όπως προαναφέραμε, τα δεδομένα που χρησιμοποιήθηκαν προέρχονταν από τον δορυφόρο Quickbird και περιλαμβάνουν εικόνες από τέσσερα φασματικά κανάλια (κανάλι 1:μπλε, κανάλι 2 : πράσινο, κανάλι 3 : κόκκινο, κανάλι 4 : εγγύς υπέρυθρο, με ανάλυση 2,4m) που χρησιμοποιούνται για πολυφασματική απεικόνιση, και από ένα παγχρωματικό κανάλι(με ανάλυση 0,61m). Οι μέθοδοι που χρησιμοποιήθηκαν για την σύντηξη των πολυφασματικών και των παγχρωματικών δεδομένων περιλαμβάνουν μετασχηματισμό απόχρωσης, έντασης και κορεσμού (HIS transformation), PCA(Principal Composition Analysis), εξομάλυνση χρώματος και μετασχηματισμό κυματιδίων (wavelet transform). Πριν την σύνθεση των πολυφασματικών και πολυχρωματικών δεδομένων, που είχε ως αποτέλεσμα την πολυφασματική εικόνα ανάλυσης 0,61m της εικόνας 1, είχε προηγηθεί γεωμετρική διόρθωση των εικόνων.
2.2 Ανάλυση φασματικών χαρακτηριστικών και χαρακτηριστικών υφής και σχήματος
Βασιζόμενοι στο συνδυασμό έρευνας πεδίου και οπτικής κρίσης των χαρτών χρήσης γης, η υπό εξέταση περιοχή χωρίστηκε σε τύπους κάλυψης γης, και συγκεκριμένα σε κτίρια, δρόμους, τυπικούς υδάτινους όγκους (μη μολυσμένους και με χαμηλή υδρόβια βλάστηση), μη τυπικούς υδάτινους όγκους( μολυσμένους ή με αυξημένη υδρόβια βλάστηση), δασικές εκτάσεις και γεωργικές εκτάσεις. Μια ξεχωριστή κατηγορία αποτελούν οι περιοχές σκίασης, οι οποίες αποτελούν χαρακτηριστικό του Quickbird. Gray-scale sampling πραγματοποιήθηκε σε όλες τις κατηγορίες αντικειμένων εδάφους που αναφέρθηκαν, έτσι ώστε να σχηματιστούν οι καμπύλες φασματικής απόκρισης των αντικειμένων σε όλα τα κανάλια, οι οποίες παρουσιάζονται στην εικόνα 2.
Προκύπτει λοιπόν ότι με χρήση φασματικών χαρακτηριστικών των διαφόρων αντικειμένων μπορούμε να διακρίνουμε τις δασικές από τις γεωργικές εκτάσεις , τους τυπικούς υδάτινους όγκους. Αντίθετα οι μη τυπικοί υδάτινοι όγκοι δεν ξεχωρίζουν από τις περιοχές σκίασης, και το ίδιο συμβαίνει και με τους δρόμους και τα κτίρια, καθώς οι φασματικές τους αποκρίσεις σχεδόν συμπίπτουν. Για τον διαχωρισμό λοιπόν ανάμεσα στους δρόμους και τα κτίρια, έγινε χρήση κάποιον δεικτών υφής (ομοιογένεια, αντίθεση, εντροπία κ.α. ), οι τιμές των οποίων διαφέρουν για τις δύο αυτές διαφορετικές κατηγορίες. Επίσης, μέσω των χαρακτηριστικών υφής μπορούν και διαχωρίζονται κτίρια τα οποία εύκολα θα μπορούσε να μπερδέψει κανείς με τυπικούς υδάτινους όγκους. Όμως, και πάλι δεν μπορεί να γίνει σαφής διάκρισης μεταξύ μη τυπικών υδάτινων όγκων και σκιών, η οποία εν τέλει επιτυγχάνεται παρατηρώντας τις διαφορές στα σχήματα των δύο αυτών κατηγοριών.
3.Θέσπιση κανόνων εκμάθησης και ταξινόμηση
Με βάση την ανάλυση των χαρακτηριστικών που προηγήθηκε, θεσπίστηκαν συνολικά 12 κανόνες εκμάθησης προκειμένου να επιτευχθεί η διάκριση μεταξύ των τύπων των αντικειμένων εδάφους. Στην συνέχεια πραγματοποιήθηκε μια «pixel-based» ταξινόμηση της εικόνας, καθώς και cluster analysis, κάτι που οδήγησε στην τελική μας εικόνα(εικόνα 3). Η ανάλυση ακρίβειας έδειξε ότι πληροφορίες σχετικά με δασικές εκτάσεις, τυπικούς υδάτινους όγκους, αγροτικές εκτάσεις και κτίρια μπορούν να εξαχθούν με σχετικά μεγάλη ακρίβεια (πάνω από 90%). Από την άλλη, το ποσοστό ακρίβειας για πληροφορίες σχετικά με τους μη τυπικούς υδάτινους όγκους, δρόμους και περιοχές σκίασης κυμαίνεται λίγο πάνω από το 80%.Συνολικά η ακρίβεια της ταξινόμησης κρίνεται πολύ ικανοποιητική.
4.Συμπεράσματα
Τα συμπεράσματα της παραπάνω εργασίας μπορούν να συνοψιστούν στα εξής :
- Ο μετασχηματισμός PCA ήταν μια αποτελεσματική μέθοδος προκειμένου να επιτευχθεί η σύντηξη των πολυφασματικών και παγχρωματικών δεδομένων . Πρέπει να τονιστεί επίσης η χρησιμότητα τόσο των φασματικών όσο και των χωρικών πληροφοριών για την μελέτη της ταξινόμησης
- Η ταξινόμηση κάνοντας χρήση χαρακτηριστικών υφής και σχήματος, συνεισφέρει στην διάκριση μεταξύ στοιχείων με ίδια φασματική απόκριση, αυξάνοντας την ακρίβεια διάκρισης αντικειμένων
- Η μέθοδος ταξινόμησης που περιγράφεται σε αυτή την εργασία, μπορεί να αυξήσει αποτελεσματικά την ακρίβεια ταξινόμησης των αντικειμένων του εδάφους, και θα μπορούσε να παρέχει θεωρητικές βάσεις και προσεγγίσεις για αυτοανοσοποίηση της κάλυψης γης. Η μέθοδος αναμένεται να μπορεί να εφαρμοστεί σε ένα ευρύ φάσμα τηλεπισκοπικών εικόνων υψηλής ανάλυσης από διαφορετικές πηγές, με καλές προοπτικές για την μελέτη της κάλυψης γης σε ένα ευρύ φάσμα καταστάσεων. Σε αυτή την εργασία φασματικά χαρακτηριστικά, καθώς και χαρακτηριστικά υφής και σχήματος χρησιμοποιήθηκαν για την θέσπιση κανόνες εκμάθησης, αλλά η δυνατότητα χρησιμοποίησης περισσοτέρων γεωγραφικών πληροφοριών, η ακρίβεια της ταξινόμησης θα μπορούσε να γίνει ακόμα καλύτερη.
