Ταξινόμηση της χρήσης γης στη Ζάμπια χρησιμοποιώντας Quickbird και Landsat εικόνες
Από RemoteSensing Wiki
Ταξινόμηση της χρήσης γης στη Ζάμπια χρησιμοποιώντας Quickbird και Landsat εικόνες
Land use classification in Zambia using Quickbird and Landsat imagery
Younggu Her and Conrad Heatwole, Written for presentation at the 2007 ASABE Annual International Meeting Sponsored by ASABE 17 - 20 June 2007
[5]
Περίληψη
Η υψηλής ανάλυσης δορυφορικές εικόνες μπορούν να παρέχουν σημαντικά νέα εργαλεία και πληροφορίες για την υποστήριξη της διαχείρισης των φυσικών πόρων. Εικόνες Quickbird και Landsat 7 ETM+ πάνω από την ανατολική Ζάμπια χρησιμοποιήθηκαν μαζί για να παράγουν τα στρώματα κάλυψης του εδάφους για την περιοχή μελέτης. Διάφορες προσεγγίσεις ταξινόμησης, συμπεριλαμβανομένων των διαφορετικών συνδυασμών καναλιών, τις εναλλακτικές λύσεις για τον καθορισμό των πεδίων εκπαίδευσης και των διαφορετικών μεθόδων ταξινόμησης, συγκρίθηκαν ως προς την ακρίβεια της ταξινόμησης. Χρησιμοποιώντας έναν συνδυασμό κυρίων συνιστωσών και δείκτη βλάστησης είχε ως αποτέλεσμα μεγαλύτερη ακρίβεια ταξινόμησης από αυτή ενός τυπικού ψευδέχρωμου υπέρυθρου συνδυασμού καναλιών. Ο πίνακας σφάλματος και τα στατιστικά kappa για τις προσεγγίσεις υπολογίστηκαν και η ακρίβεια της ταξινόμησης αξιολογήθηκε.
Εισαγωγή
Τα τηλεπισκοπικά δεδομένα πολύ υψηλής ανάλυσης μπορούν ενδεχομένως να παρέχουν μια κατάλληλη πηγή υψηλής ποιότητας πληροφοριών και να λειτουργήσουν ως στοιχεία επίγειου ελέγχου για την ταξινόμηση της χρήσης γης. Σε αυτή τη μελέτη, μια σκηνή Quickbird χρησιμοποιήθηκε για την επιλογή των δεδομένων εκπαίδευσης για την διαδικασία ταξινόμησης και για την παραγωγή των στοιχείων αναφοράς. Υπάρχουν διάφοροι τρόποι να ομαδοποιηθούν τα pixels εικόνας σε τάξεις πληροφοριών και διαφορετικοί συνδυασμοί καναλιών και αλγόριθμοι ταξινόμησης μπορούν να αποδώσουν διαφορετικά αποτελέσματα. Επιπλέον, η επιλογή των δεδομένων εκπαίδευσης μπορεί να έχει μεγάλη επιρροή στο αποτέλεσμα της ταξινόμησης. Για την επιβλεπόμενη ταξινόμηση ειδικότερα, οι περιοχές εκπαίδευσης που χρησιμοποιούνται, έχει διαπιστωθεί να είναι ακόμη σημαντικότερες από την επιλογή του αλγόριθμου ταξινόμησης. Ο στόχος αυτής της μελέτης ήταν να αξιολογήσει το όφελος των διαφορετικών προσεγγίσεων για τη χρήση υψηλής ανάλυσης εικόνων (που αντιπροσωπεύονται από τις εικόνες Quickbird με 0,6m παγχρωματική και 2,4m πολυφασματική ανάλυση) για την ταξινόμηση χαμηλότερης ανάλυσης εικόνων (Landsat 7 ETM+ 30m ανάλυσης). Οι προσεγγίσεις ταξινόμησης συγκρίθηκαν όσον αφορά την ακρίβεια ταξινόμησης και περιλαμβάνουν διαφορετικούς συνδυασμούς καναλιών, διαφορετικά πεδία εκπαίδευσης και διαφορετικές μεθόδους ταξινόμησης.
Περιοχή Μελέτης - Μέθοδοι
Η περιοχή μελέτης, Magodi βρίσκεται στην περιοχή Lundazi στην ανατολική επαρχία της Ζάμπια και είναι μέρος της περιοχής του οροπεδίου της λεκάνης ποταμών Luangwa. Η χρήση γης αποτελείται κυρίως από καλλιέργειες, δάση και υγροτόπους (εικόνα 1). Για αυτή τη μελέτη χρησιμοποιήσαμε μια Landsat 7 ETM+ εικόνα από τις 8 Μαΐου 2002 και μια Quickbird που αποκτήθηκε στις 23 Ιουλίου 2002. Η ανάλυση των 6 καναλιών Landsat (1-5 και 7) είναι 30m. Η εικόνα Quickbird έχει παγχρωματική ανάλυση 0,6m και 4 πολυφασματικά κανάλια ανάλυσης 2,4m. Η υψηλή ανάλυση καθιστά δυνατή την εύκολη αναγνώριση μεμονωμένων ορίων αγροτεμαχίων, τις κορυφές των δέντρων, τα δρομάκια και τις στέγες σπιτιών (εικόνα 2), έτσι ώστε να χρησιμοποιηθεί ως αναφορά για τα πραγματικά επίγεια στοιχεία κατά την ταξινόμηση της εικόνας Landsat. Η περιοχή μελέτης που χρησιμοποιήθηκε για την ανάλυση είναι η επέκταση της εικόνας Quickbird (11x12km).
Το ψευδέχρωμο υπέρυθρο το οποίο είναι το πιο συμβατικό σύνθετο καναλιών και ο συνδυασμός των 2 κυρίων συνιστωσών (PC) και του δείκτη βλάστησης (VI) χρησιμοποιήθηκαν στην ταξινόμηση της εικόνας. Αν και πολλές διαφορετικές μέθοδοι έχουν επινοηθεί για να εφαρμόσουν την επιβλεπόμενη ταξινόμηση, η μέθοδος της Μεγίστης Πιθανοφάνειας εξακολουθεί να είναι ένας από τους ευρύτατα χρησιμοποιημένους αλγορίθμους επιβλεπόμενης ταξινόμησης. Επίσης, είναι γνωστό ότι η μέθοδος ταξινόμησης του Παραλληλεπιπέδου μπορεί να παράγει την ακριβέστερη ταξινόμηση λόγω του συντηρητικού κανόνα απόφασης, παρόλο που μπορεί να αφήσει μεγάλες περιοχές στο χώρο των δεδομένων και στην εικόνα ανεκχώρητες στις ενημερωτικές τάξεις. Από αυτές τις δυο μεθόδους, μόνο η Μεγίστης Πιθανοφάνειας και μια μίξη των μεθόδων του Παραλληλεπιπέδου και της Μεγίστης Πιθανοφάνειας εφαρμόστηκαν μαζί στην ταξινόμηση. Σε αυτή τη μελέτη, 256 σημεία επίγειου ελέγχου επιλέχτηκαν τυχαία στην εικόνα αναφοράς χωρίς οποιαδήποτε εκτίμηση της κατανομής πληροφοριών στην τάξη για την αποφυγή στατιστικού σφάλματος. Δέκα σημεία προστέθηκαν στον υπολογισμένο μέγεθος δείγματος για ασφάλεια και μετά από ανάθεση, 1 σημείο απορρίφθηκε διότι ήταν έξω από το έγκυρο χώρο της εικόνας. Έτσι, τελικά χρησιμοποιήθηκαν 255 τυχαία επιλεγμένα σημεία, οι θέσεις των οποίων φαίνονται στην εικόνα 3.
Αποτελέσματα
Οκτώ διαφορετικές προσεγγίσεις ταξινόμησης εφαρμόστηκαν και τα αποτελέσματα παρατίθενται στον πίνακα 1 και παρουσιάζονται στην εικόνα 4. Οι μέθοδοι, η Μεγίστης Πιθανοφάνειας και ο συνδυασμός των μεθόδων του Παραλληλεπιπέδου και της Μ Πιθανοφάνειας δεν παρήγαγαν μεγάλες διαφορές στους ταξινομημένους τομείς των ενημερωτικών τάξεων. Αλλά οι συνδυασμοί καναλιών και οι εναλλακτικές λύσεις για τον καθορισμό των πεδίων κατάρτισης προκάλεσαν σημαντικά διαφορετικά αποτελέσματα στις ταξινομήσεις.
Η μελέτη αξιολόγησε την ακρίβεια των αποτελεσμάτων της ταξινόμησης με 255 τυχαία επιλεγμένα σημεία αναφοράς. Ο πίνακας σφάλματος για την κάθε ταξινόμηση (πίνακας 3) δημιουργήθηκε και στη συνέχεια η συνολική ακρίβεια και ο συντελεστής kappa υπολογίστηκαν και αξιολογήθηκαν (πίνακας 2).
Όπως φαίνεται στον πίνακα 2, παρήγαγε σχετικά υψηλή ακρίβεια της ταξινόμησης που οι προσεγγίσεις που χρησιμοποίησαν τα στοιχεία εκπαίδευσης που δημιουργήθηκαν από τον συνδυασμό των στρωμάτων πληροφοριών, τα οποία αποτελούνται από την πρώτη και δεύτερη κύρια συνιστώσα και τον δείκτη βλάστησης της εικόνας Landsat, με εργαλείο το μίγμα των αλγορίθμων της Μεγίστης Πιθανοφάνειας και του Παραλληλεπιπέδου. Με βάση τις τιμές kappa, η προσέγγιση που χρησιμοποιεί τις κύριες συνιστώσες και τον δείκτη βλάστησης έχει ως αποτέλεσμα μια μέτρια συμφωνία ανάμεσα στον ταξινομημένο χάρτη και τα σημεία αναφοράς και οι τιμές kappa είναι μεταξύ 0,40 και 0.80. Αλλά η χρήση του συνδυασμού των καναλιών 4, 3 και 2 αντιπροσωπεύει κακή συμφωνία και οι τιμές kappa είναι μικρότερες από 0,40.
Στον πίνακα 3, αποκαλύπτεται ότι οι μικτές και οι κατοικημένες περιοχές είναι οι κύριες πηγές των λαθών της ταξινόμησης. Καθώς οι μικτές περιοχές κυρίως χωρίζονται μεταξύ των δασών και των υγροτόπων, μπορεί να έχει υπολογίσει κατά μέσο όρο τα χαρακτηριστικά τους. Επίσης, δεν ήταν εύκολο να διακριθούν οι κατοικημένες περιοχές από τις καλλιέργειες λόγω παρόμοιων χαρακτηριστικών. Έτσι, η ακρίβεια ξανά υπολογίστηκε χωρίς την διάκριση των καλλιεργειών από τις κατοικημένες περιοχές και τα αποτελέσματα παρουσιάζονται στον πίνακα 4. Παραβλέποντας τις κατοικημένες περιοχές, η συνολική ακρίβεια και οι τιμές kappa αυξήθηκαν πάνω από 10% και η χρήση των πεδίων κατάρτισης που δημιουργήθηκαν χειροκίνητα στον Quickbird, έδειξε λίγο μεγαλύτερη ακρίβεια από ότι στον Landsat.
Συμπεράσματα
Η πιο ακριβής προσέγγιση για την ταξινόμηση της εικόνας Landsat της περιοχής μελέτης ήταν ο συνδυασμός που αποτελείται από τις κύριες συνιστώσες και τον δείκτη βλάστησης. Τα άμεσα ψηφιοποιημένα πεδία εκπαίδευσης από την εικόνα Quickbird παρήγαγαν παρόμοια ακρίβεια στη χρησιμοποίηση περιοχών εκπαίδευσης βασισμένες στην «διασπορά» της εικόνας Landsat. Έτσι μπορεί να είναι πρακτικό να συγκριθούν οι ακρίβειες ταξινόμησης για την περιοχή μελέτης από άλλους διαφορετικούς συνδυασμούς καναλιών και αλγορίθμων ταξινόμησης με τα ίδια πεδία εκπαίδευσης. Οι διαφορετικοί αλγόριθμοι ταξινόμησης που αξιολογήθηκαν, ο Μεγίστης Πιθανοφάνειας και ο συνδυασμός Παραλληλεπιπέδου και Μ Πιθανοφάνειας δεν οδήγησαν σε σημαντικές διαφορές στην ακρίβεια ταξινόμησης για την περιοχή μελέτης. Η υψηλής ανάλυσης εικόνα Quickbird, παρέχει χρήσιμες πληροφορίες για την ταξινόμηση της περιοχής μελέτης στην ανατολική Ζάμπια. Επειδή για πολλές περιοχές στη Γη, αεροφωτογραφίες δεν είναι άμεσα διαθέσιμες και τα σημεία επίγειου ελέγχου είναι δύσκολο να αποκτηθούν, η ταξινόμηση της χρήσης γης αυτών των περιοχών είναι δύσκολη με υψηλό βαθμό αβεβαιότητας. Δορυφορικές εικόνες όπως οι Quickbird μπορούν να παρέχουν χρήσιμες και αποτελεσματικές πληροφορίες για το τοπίο, που κατά τα άλλα είναι απροσδιόριστες και απροσπέλαστες εξαιτίας του κόστους και του χρόνου που απαιτείται.
