Ταξινόμηση της κάλυψης του εδάφους χρησιμοποιώντας μια εικόνα IRS LISS III και ένα DEM σε έντονα ανώμαλο έδαφος

Από RemoteSensing Wiki

Ταξινόμηση της κάλυψης του εδάφους χρησιμοποιώντας μια εικόνα IRS LISS III και ένα DEM σε έντονα ανώμαλο έδαφος: Μια περίπτωση μελέτης στα Ιμαλάια

Land cover classification Using IRS LISS III Image and DEM in a rugged terrain: A Case Study in Himalayas
A. K. Saha, M. K. Arora, E. Csaplovics & R. P. Gupta, Geocarto International, Volume 20, Issue 2, 2005, pages 33-40[4]

Περίληψη

Η ψηφιακή ταξινόμηση εικόνας συνήθως εκτελείται για να παράγει χάρτες κάλυψης του εδάφους από τηλεπισκοπικά δεδομένα, ιδιαίτερα για τις μεγάλες περιοχές. Η απόδοση των ταξινομητών εικόνας που χρησιμοποιούν μόνο τα τηλεπισκοπικά δεδομένα μπορεί να επιδεινωθεί, ειδικά στις ορεινές περιοχές, εξαιτίας της παρουσίας σκιών και υψηλών κορυφών. Σε αυτή τη μελέτη, μια προσέγγιση πολλαπλών-πηγών ταξινόμησης για τη χαρτογράφηση της δασοκάλυψης στην περιοχή των Ιμαλαιων με υψηλές βουνοκορφές έχει εγκριθεί. Τηλεπισκοπικά δεδομένα από τον IRIS LISS III[5] μαζί με τον δείκτη NDVI[6] και ένα Ψηφιακό Μοντέλο Υψομέτρων DEM[7] έχουν χρησιμοποιηθεί για να εκτελέσουν την πολλαπλών-πηγών ταξινόμηση χρησιμοποιώντας τον ταξινομητή της Μεγίστης Πιθανοφάνειας ML. Τα αποτελέσματα δείχνουν ουσιαστική βελτίωση στην ακρίβεια της ταξινόμησης με την ενσωμάτωση των NDVI και DEM ως βοηθητικά δεδομένα σε σχέση με την ταξινόμηση που εκτελείται μόνο με τηλεπισκοπικά δεδομένα.

Εισαγωγή

Τα τηλεπισκοπικά δεδομένα είναι ,ειδικότερα, χρήσιμα για την χαρτογράφηση της εδαφοκάλυψης σε ορεινές περιοχές όπως τα Ιμαλάια, καθώς αυτές οι περιοχές είναι γενικά απροσπέλαστες λόγω των υψηλών υψομέτρων και της τραχύτητας του εδάφους. Η παρουσία σκιών και υψηλών κορυφών μπορεί να επηρεάσει την ακρίβεια της ταξινόμησης. Ως εκ τούτου, η ταξινόμηση μόνο βάσει των φασματικών δεδομένων από ένα τηλεπισκοπικό αισθητήρα μόνη της, να μην μπορεί να είναι επαρκής για να συγκεντρώσει αποτελεσματικές πληροφορίες για την εδαφοκάλυψη. Μια προσέγγιση ταξινόμησης η οποία ενσωματώνει δεδομένα από άλλες πηγές μπορεί συνεπώς να είναι πιο αποτελεσματική. Τα DEM μαζί με τα παράγωγα τους παρέχουν τη βάση για την πολλαπλών-πηγών ταξινόμηση. Επιπλέον, ένας αριθμός παραγώγων των πολυφασματικών εικόνων όπως ο δείκτης NDVI, μπορούν να ενσωματωθούν στη διαδικασία της ταξινόμησης για την ενίσχυση της ποιότητας των πληροφοριών για την κάλυψη του εδάφους. Ο στόχος αυτής της μελέτης είναι να παραχθεί ένας ακριβής χάρτης εδαφοκάλυψης χρησιμοποιώντας τηλεπισκοπικά και βοηθητικά δεδομένα σε μια περιοχή με υψηλά υψόμετρα στα Ιμαλάια, όπου οι σκιές είναι το σημαντικότερο πρόβλημα. Η πολυφασματική εικόνα από τον αισθητήρα IRS-LISS-III έχει χρησιμοποιηθεί ως πρωτογενές δεδομένο με τον δείκτη NDVI και το DEM ως τα επιπλέον δεδομένα για να εφαρμοστεί η πολλαπλών-πηγών ταξινόμηση της εδαφοκάλυψης. Η ταξινόμηση έχει εκτελεστεί χρησιμοποιώντας τον πιο ευρέως χρησιμοποιούμενο ταξινομητή της Μεγίστης Πιθανοφάνειας (ML).

Περιοχή Μελέτης - Μέθοδοι

Η περιοχή μελέτης περίπου 730km2 βρίσκεται στα Ιμαλάια[8], καλύπτει μέρος των επαρχιών Rudraprayag και Chamoli του νεοσύστατου κράτους Uttaranchal στην Ινδία[9]. Το έδαφος είναι ιδιαίτερα τραχύ με υψόμετρα που κυμαίνονται από 880m ως 4785m πάνω από τη μέση στάθμη της θάλασσας. Η παρούσα μελέτη βασίζεται στη χαρτογράφηση της εδαφοκάλυψης από IRC-1C τηλεπισκοπικά δεδομένα. Η πολυφασματική εικόνα LISS III (εικόνα 1) έχει χρησιμοποιηθεί ως πρωτογενές δεδομένο για την παραγωγή της ταξινόμησης.

Εικόνα 1 : Το έγχρωμο υπέρυθρο σύνθετο IRS 1C LISS III (NIR, Red, Green –RGB, ημερομηνία απόκτησης: 26/11/1998) .[1]πηγή

Ένα DEM και ο δείκτης NDVI χρησιμοποιήθηκαν ως πρόσθετα βοηθητικά δεδομένα για την εκτέλεση της πολλαπλών-πηγών ταξινόμησης. Σε αυτή τη μελέτη, βασισμένη στο σύστημα ταξινόμησης του Anderson, εννέα τάξεις εδαφοκάλυψης καθορίστηκαν. Η λεπτομερής περιγραφή αυτών των τάξεων μαζί με τα ερμηνευτικά τους χαρακτηριστικά τόσο στο ψευδέχρωμο σύνθετο (FCC)[10] της εικόνας LISS-III όσο και στην εικόνα PAN παρέχονται στον πίνακα 1.

Εικόνα 2 : Ένα μέρος των δεδομένων IRIS PAN που δείχνουν διάφορες τάξεις χρήσης/κάλυψης του εδάφους (Df-πυκνό δάσος, Sv-αραιή βλάστηση, Ag-γεωργία, F1-αγρανάπαυση, St-οικισμοί, Fs-νωπά ιζήματα, Wb-νερό, ημερομηνία απόκτησης 10/11/2001).[2]πηγή

Καθώς η επιτυχία της ταξινόμησης εξαρτάται ιδιαίτερα από την ποιότητα των δεδομένων εκπαίδευσης, αυτά πρέπει να επιλεχτούν από περιοχές αντιπροσωπευτικές των τάξεων εδαφοκάλυψης. Εδώ, το σύνολο των στοιχείων εκπαίδευσης αποτελείται περίπου από το 1% του συνόλου των pixels στην εικόνα LISS III.

Για ευκολία, το Πράσινο, το Κόκκινο, το NIR και το SWIR κανάλι , ο δείκτης NDVI και το DEM έχουν αριθμηθεί ως 1, 2, 3, 4, 5 και 6 αντίστοιχα. Ο ML έχει αποδειχθεί ότι είναι ο πιο ακριβής και ο πιο συχνά χρησιμοποιημένος ταξινομητής, όταν συναντώνται διανεμητικές υποθέσεις δεδομένων. Αυτός ο ταξινομητής βασίζεται στον κανόνα απόφασης ότι τα pixels με άγνωστη συμμετοχή σε τάξη κατανέμονται σε εκείνες τις τάξεις με τις οποίες έχουν την υψηλότερη πιθανότητα συμμετοχής. Ο ML ταξινομητής έχει χρησιμοποιηθεί εδώ για να παράγει έναν αριθμό χαρτών εδαφοκάλυψης χρησιμοποιώντας διαφορετικούς συνδυασμούς καναλιών.

Αποτελέσματα

Η ακρίβεια των χαρτών εδαφοκάλυψης που λαμβάνεται από την πολλαπλών-πηγών ταξινόμηση συνόλων δεδομένων χρησιμοποιώντας διαφορετικούς συνδυασμούς καναλιών φαίνεται στον πίνακα 2. Η ταξινόμηση βασισμένη μόνο στα φασματικά δεδομένα της εικόνας LISS IIΙ παρήγαγε μια ακρίβεια 86,94%. Με την ένταξη του δείκτη NDVI με τα φασματικά δεδομένα, αυτή η ακρίβεια μειώθηκε οριακά σε 84,78%, ωστόσο αυξήθηκε εντυπωσιακά σε 91% όταν τα δεδομένα του DEM και του δείκτη NDVI μαζί, συμπεριλήφθηκαν στην διαδικασία ταξινόμησης. Η υψηλότερη ακρίβεια 92,04% λήφθηκε με τον συνδυασμό των 5 καναλιών (δηλαδή, 1, 2, 4, 5, 6) που περιέχει και το NDVI και το DEM, παράγοντας έτσι μια σημαντική αύξηση στην ακρίβεια 5%. Για να εκτιμηθεί η ακρίβεια των μεμονωμένων τάξεων κάλυψης του εδάφους, η ακρίβεια παραγωγού καθορίστηκε επίσης, για την ταξινόμηση που παρείχε την υψηλότερη συνολική ακρίβεια (δηλαδή, την ταξινόμηση που λήφθηκε χρησιμοποιώντας τον συνδυασμό καναλιών 1, 2, 4, 5, 6). Αυτές οι τιμές της ακρίβειας συγκρίθηκαν επίσης με αυτές που λήφθηκαν από την ταξινόμηση χρησιμοποιώντας μόνο τα φασματικά δεδομένα (πίνακας 2). Όπου φαίνεται ότι η ακρίβεια των περισσοτέρων τάξεων αυξήθηκε όταν τα δεδομένα NDVI και DEM προστέθηκαν στη διαδικασία ταξινόμησης. Τέλος, στην οπτική σύγκριση της εικόνας FCC[12] (εικόνα 1) με την εικόνα που παρήχθη από την ταξινόμηση με την υψηλότερη ακρίβεια (εικόνα 3) μπορεί να παρατηρηθεί ότι η προσθήκη του DEM και του δείκτη NDVI είχε ως αποτέλεσμα την ορθή ταξινόμηση των σκιασμένων περιοχών.

Εικόνα 3 : Η ταξινόμηση της κάλυψης του εδάφους με την υψηλότερη ακρίβεια (92,06%) που παράγεται από τον συνδυασμό καναλιών 1, 2, 4, 5, 6.[3]πηγή

Συμπεράσματα

Η χρήση βοηθητικών συνόλων δεδομένων εκτός των τηλεπισκοπικών δεδομένων, συστήνεται. Αυτή η μελέτη έδειξε μια αξιοσημείωτη αύξηση στην ακρίβεια της ταξινόμησης της εδαφοκάλυψης με την ένταξη των δεδομένων του DEM και του δείκτη NDVI στην εικόνα IRS-LISS-III. Ακρίβειες ταξινόμησης της τάξης του 90% λήφθηκαν για την πλειοψηφία των εννέα τάξεων κάλυψης του εδάφους που χαρτογραφήθηκαν. Η προσθήκη των βοηθητικών δεδομένων μείωσε σημαντικά τις λανθασμένες ταξινομήσεις που οφείλονται στην επίδραση των σκιών στην εικόνα και στην ομοιότητα των φασματικών χαρακτηριστικών ορισμένων τάξεων στις περιοχές υψηλού υψόμετρου. Η παρούσα μελέτη τονίζει την αποτελεσματικότητα της ενσωμάτωσης των δεδομένων του DEM και του δείκτη NDVI με τα φασματικά δεδομένα για την ενίσχυση της ποιότητας της ταξινόμησης σε ορεινές περιοχές όπως τα Ιμαλάια.