Σύντηξη ετερογενών δεδομένων τηλεπισκόπησης για την ταξινόμηση τοπικών κλιματικών ζωνών

Από RemoteSensing Wiki

Σύντηξη ετερογενών δεδομένων τηλεπισκόπησης για την ταξινόμηση τοπικών κλιματικών ζωνών

Fusion of Heterogeneous Earth Observation Data for the Classification of Local Climate Zones

Guichen Zhang, Pedram Ghamisi , Senior Member, IEEE, and Xiao Xiang Zhu , Senior Member, IEEE IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 57, NO. 10, OCTOBER 2019, 7623

Η παρούσα μελέτη καταπιάνεται με την προώθηση ενός πλαισίου συνδυασμού πολύ-χρονικών και πολύ-φασματικών δορυφορικών εικόνων με δεδομένα από το OpenStreetMap (OSM), προκειμένου να επιτευχθεί η κατηγοριοποίηση των τοπικών κλιματικών ζωνών για κάθε παρεχόμενη περιοχή.

Πιο συγκεκριμένα η έρευνα εντοπίζει πως παρά την ευρεία χρήση του συνδυασμού δεδομένων για την δημιουργία τοπικών κλιματικών μοντέλων, κανένα δεν λαμβάνει υπόψιν την ετερογένεια των διαφορετικών δορυφορικών εικόνων και των δεδομένων του OSM, κάτι το οποίο και αποτελεί μειονέκτημα των μεθόδων αυτών.

Για αυτό τον λόγο επιχειρείται η δημιουργία ενός πλαισίου επεξεργασίας δυο διαφορετικών πηγών; Μοντέλων χρήσης γης και μοντέλων κτηρίων. Ο στόχος της έρευνας είναι ο συνδυασμός οπτικών εικόνων με επίπεδα χρήσεων γης και μοντέλων κτηρίων από το OSM, ενώ παράλληλα επιχειρείται να δημιουργηθεί μια νέα προσέγγιση εντοπισμού μη ολοκληρωμένων κτηριακών μοντέλων από το OSM.

Το πρόβλημα που στοχεύει να αντιμετωπίσει η μελέτη εντοπίζεται στο γεγονός πως η πλειοψηφία των μελετών επικεντρώνεται στον δυαδικό διαχωρισμό των περιοχών σε είτε αστικό περιβάλλον είτε σε αγροτικό με βάση συγκεκριμένα χαρακτηριστικά, κάτι το οποίο αφαιρούσε από πολλές περιοχές την μοναδικότητα του χαρακτήρα τους κατά τις μελέτες, ομαδοποιώντας τες με το υπόλοιπο σύνολο και πολλές φορές οδηγώντας σε λανθασμένα συμπεράσματα (1).

Οι τοπικές κλιματικές ζώνες αποτελούν το πρώτο σχήμα κατηγοριοποίησης των αστικών τοπίων σεβόμενο τα εσωτερικά φυσικά χαρακτηριστικά των περιοχών σε παγκόσμια κλίμακα (2). Όπως γίνεται αντιληπτό, τέτοιων ειδών μελέτες δεν μπορούν να βασιστούν μόνο σε ένα μοντέλο, εξαιτίας της πολυπλοκότητας τους και των πλούσιων σε χαρακτηριστικά περιβαλλόντων τους, κάνοντας επιτακτική ανάγκη την χρήση δεδομένων από μια πληθώρα πηγών.

Η έρευνα βασίζεται σε 3 πυλώνες προκείμενου να επιτευχθεί ο στόχος της και αυτοί αποτελούν την κατηγοριοποίηση των χαρακτηριστικών των ζωνών μελέτης, τον συνδυασμό διαφορετικών δεδομένων και την χαρτογράφηση σε παγκόσμια κλίμακα.

Η κατηγοριοποίηση των δεδομένων βασίστηκε σε ελεγχόμενη, μη-παραμετρική και ανά εικονοστοιχείο μέθοδο, κυρίως λόγω της διαθεσιμότητας των κατηγοριοποιημένων δεδομένων από το 2017 IEEE GRSS Data Fusion Contest, του γεγονότος πως παλαιότερες έρευνες είχαν αποδείξει πως η μη-παραμετρική κατηγοριοποίηση προσέφερε καλύτερα αποτελέσματα και επειδή η ανά-εικονοστοιχείο κατηγοριοποίηση παραβλέπει τις ετερογένειες εντός του κάθε εικονοστοιχείου, παρέχοντας μια απλουστευμένη μέθοδο.

Τα δεδομένα που χρησιμοποιήθηκαν ως βάση για την έρευνα προήλθαν από το World Urban Database and Access Portal Tools (WUDAPT) project (3), προσφέροντας ομοιόμορφα δεδομένα υπό ένα ενιαίο πλαίσιο και χρησιμοποιώντας μια σειρά δεδομένων από διαφορετικές πηγές.

Οι περιορισμοί που συναντήθηκαν αφορούσαν την διαφορά της κλίμακας των δορυφορικών εικόνων με την κλίμακα των δεδομένων , τις διαφορετικές τεχνικές λήψης των δορυφορικών εικόνων και την δεδομένων από το OSM και τρίτων τις διαφορετικές πηγές θορύβου τόσο για τα δεδομένα αυτά κάθε αυτά, όσο και για τις εικόνες.

Οι προαναφερθέντες περιορισμοί τόνισαν ακόμα περισσότερο την ανάγκη δημιουργίας ενός πλαισίου λήψης και δημιουργίας των δεδομένων.

Όσων αφορά την παγκόσμια χαρτογράφηση των τοπικών κλιματικών ζωνών, έχουν δημιουργηθεί μοντέλα που επιτυγχάνουν έναν ικανοποιητικό βαθμό κατηγοριοποίησης πόλεων, κάτι το οποίο φαίνεται ωστόσο πως δεν μπορεί να εφαρμοστεί σε διαφορετικές πόλεις με την χρήση της αυτοματοποιημένης κατηγοριοποίησης, καθώς εμφανίστηκε πολύ μικρή ακρίβεια κατηγοριοποίησης.

Κατά την μοντελοποίηση του πλαισίου, φασματικά και χωρικά δεδομένα εξήχθησαν από τις δορυφορικές εικόνες και τα δεδομένα του OSM, ενώ 3 διαφορετικά μοντέλα εφαρμόστηκαν στα εξαγόμενα δεδομένα.

Πιο συγκεκριμένα, τα μοντέλα που δοκιμάστηκαν ήταν αυτά των δορυφορικών εικόνων, της χρήσης γης και πυκνότητας κτηριακών αντικειμένων, ενώ επιπροσθέτως χρησιμοποιήθηκε μια μάσκα εντοπισμού ατελών κτηριακών περιοχών. Ως τελικό βήμα πραγματοποιήθηκε σύγκριση των παραγόμενων αποτελεσμάτων.

Τα αποτελέσματα της μελέτης ήταν αρκετά εντυπωσιακά καθώς παρατηρήθηκε σημαντική βελτίωση στην ακρίβεια του μοντέλου σε σύγκριση με τα παραγόμενα αποτελέσματα του 2017 IEEE GRSS Data Fusion Contest (4), αύξηση που άγγιξε σε ποσοστό το 6.01%.

Σημαντική αποδείχτηκε και η συνεισφορά των μοντέλων χρήσης γης και κτηρίων για την αύξηση της ακρίβειας του μοντέλου, ενώ παρατηρήθηκε πως η έλλειψη δειγμάτων για την εκπαίδευση του μοντέλου δεν οδηγούσε σε σωστά αποτελέσματα σε περιοχές όπου η πολυπλοκότητας τους άγγιζε υψηλότερα ποσοστά και ειδικότερα σε περιοχές όπου παρατηρούνταν έλλειψη δεδομένων από το OSM.

Συνοψίζοντας, η έρευνα στόχευσε στην δημιουργία ενός πλαισίου συνδυασμού 2 διαφορετικών μοντέλων για την κατηγοριοποίηση των τοπικών κλιματικών ζωνών διαφορετικών πόλεων. Ένα κομμάτι που ελέγχθηκε αφορούσε την συνεισφορά δεδομένων από το OSM, το οποίο υπό το πλαίσιο της μελέτης που πραγματοποιήθηκε πέτυχε καλύτερη απόδοση κατηγοριοποίησης απ΄ ότι τα έως τώρα υπάρχοντα πλαίσια.

Ένα επιπλέον τμήμα της έρευνας που αφορούσε τον εντοπισμό ελλείπων κτηριακών υποδομών από το OSM με βάση τα μοντέλα των δορυφορικών εικόνων, κάτι το οποίο αποδείχτηκε πως μπορεί να χρησιμοποιηθεί ως βάση σε καταστάσεις όπως παρατηρείται έλλειψη δορυφορικών εικόνων υψηλής ανάλυσης (5).

Η χρησιμότητα ενός εκπαιδευμένου μοντέλου για την ανάλυση άλλων πόλεων αποτελεί ένα κομμάτι για μελλοντική έρευνα καθώς η μεταβιβασιμότητα του μοντέλου δεν έχει ελεγχθεί πλήρως ως προς το σε τι ποσοστό αναλύει σωστά το τοπικό κλίμα ζώνης μιας πόλης έχοντας ως μοντέλο μια διαφορετική πόλη. Επιπλέον, αφήνει ανοιχτό το περιθώριο ενός πιο εκλεπτυσμένου μοντέλου, το οποίο θα περιέχει περισσότερες κανόνες μεταξύ των ετερογενών δεδομένων, όπως παραδείγματος χάρη τη χρήση διαφορετικών δορυφορικών δεδομένων.

Τέλος, ο εμπλουτισμός των δεδομένων του OSM θα είχε σημαντική συνεισφορά στην βελτίωση των αποτελεσμάτων του μοντέλου, ενώ θα άφηνε περιθώρια βελτίωσης και την μεταβιβασιμότητα του μοντέλου σε διαφορετικές πόλεις χρησιμοποιώντας ένα συγκεκριμένο αριθμό δειγμάτων, ώστε να μπορεί να παράξει ένα παγκόσμιο μοντέλο.

Βιβλιογραφία

(1) M. Jin, R. E. Dickinson, and D. Zhang, “The footprint of urban areas on global climate as characterized by MODIS,” J. Climate, vol. 18, no. 10, pp. 1551–1565, 2005.

(2) T. Esch et al., “Urban footprint processor—Fully automated processing chain generating settlement masks from global data of the TanDEM-X mission,” IEEE Geosci. Remote Sens. Lett., vol. 10, no. 6, pp. 1617–1621, Nov. 2013.

(3) G. Mills, J. Ching, L. See, B. Bechtel, and M. Foley, “An introduction to the WUDAPT project,” in Proc. 9th Int. Conf. Urban Climate, Toulouse, France, 2015, pp. 20–24.

(4) D. Tuia, G. Moser, B. Le Saux, B. Bechtel, and L. See, “2017 IEEE GRSS data fusion contest: Open data for global multimodal land use classification [technical committees],” IEEE Geosci. Remote Sens. Mag., vol. 5, no. 1, pp. 70–73, Mar. 2017.

(5) R. Agrawal, T. Imieli´nski, and A. Swami, “Mining association rules between sets of items in large databases,” ACM SIGMOD Rec., vol. 22, no. 2, pp. 207–216, 1993.