Τεχνικές για την αξιολόγηση της ακρίβειας των θέσεων των δέντρων τα οποία προκύπτουν από τη χαρτογράφιση ψηφιακών απεικονίσεων.
Από RemoteSensing Wiki
Τεχνικές για την αξιολόγηση της ακρίβειας των θέσεων των δένδρων τα οποία προκύπτουν από την χαρτογράφιση ψηφιακών απεικονίσεων.
Πρωτότυπος τίτλος : Techniques for accuracy assessment of tree locations extracted
from remotely sensed imageryΠηγή : Trisalyn Nelson , Barry Boots, Michael A. Wulder, Journal of Environmental Management 74 (2005) 265–271
[4]
Περίληψη
Οι δορυφορικές εικόνες έχουν γίνει μια συνηθισμένη και αξιόπιστη πηγή περιβαλλοντικών δεδομένων. Αν και έχουν σχεδιαστεί αρκετές τεχνικές με στόχο να εξάγουν δεδομένα περιβάλλοντος από τις απεικονίσεις αυτές, εργαλεία τα οποία να είναι ικανά για την αξιολόγηση της ακρίβειας των αποτελεσμάτων τους, είναι περιορισμένα. Αντιστοιχίζοντας δέντρα εξαγόμενα από ψηφιακές λήψεις, με τα δέντρα όπως εμφανίζονται σε μια επίγεια απεικόνιση, μπορούμε να καθορίσουμε το ποσοστό ακρίβειας των θέσεων των δέντρων. Παρόλα αυτά, το ποσοστό αυτό δεν μας δίνει πληροφορία για τη φύση του σφάλματος. Θα ήταν ιδιαίτερα χρήσιμο να γνωρίζαμε αν το σφάλμα συνδέεται τυχαία ή είναι σχετικό με τα χαρακτηριστικά του αντικειμένου (δέντρα). Στην παρούσα λοιπόν εργασία, παρουσιάζεται ένας συνδυασμός χωρικών και μη μεθόδων, χρήσιμων για την έρευνα και τη φύση του σφάλματος, ακόμη και για τα χαρακτηριστικά γνωρίσματα του περιβάλλοντος, εφαρμοσμένος σε ψηφιακές απεικονίσεις.
Η περιοχή μελέτης και ο στόχος για την περιοχή
Προκειμένου να πραγματοποιηθεί η μελέτη, συλλέχθηκαν δεδομένα της τοποθεσίας και των χαρακτηριστικών των μεμονομένων δένδρων για μία επιφάνεια 0,72 εκταρίων στο Sooke Watershed που βρίσκεται κοντά στη Βικτώρια της Βρετανικής Κολομβίας. Μια επίγεια έρευνα έλαβε χώρα σε μια περιοχή με μικρή τοπογραφική μεταβλητότητα ώστε να παραχθεί ένας χάρτης συνολικών επιφανειών όπου τα δέντρα απέχουν μεταξύ τους 10cm και άνω. Συνολικά χαρτογραφήθηκαν 199 δέντρα από τα οποία 150 ταξινομήθηκαν ως νέα σε ηλικία ενώ τα 49 ως ώριμα. Τα νεότερα σε ηλικία αποτελούνται από έλατα (Douglas fir) και δυτικό κόκκινο κέδρο, ενώ τα ώριμα μόνο από έλατα (Douglas fir). Καταγράφηκαν επίσης τα χαρακτηριστικά κάθε δέντρου όπως το ύψος, η ακτίνα κορμών και η στηθιαία διάμετρος DBH, (περιφέρεια κορμού δέντρων σε 1,3m ύψος πάνω από το έδαφος). Το Local Maximum φίλτρο (LM Filter) πραγματοποιήθηκε σε 1 ορθοκανονική εικόνα IKONOS, υψηλής χωρικής ανάλυσης, η οποία λήφθηκε στις 19:05 GMT, 3 Ιουνίου του 2000. Το ηλιακό ύψος και το αζιμούθιο τη στιγμή της λήψης του δορυφόρου ήταν 60° και 146°αντίστοιχα. Η εικόνα είναι παγχρωματική με φασματικό εύρος 450-900nm, χωρικής ανάλυσης 1m όπου τα δέντρα εμφανίζονται σκούρα σε αντίθεση με το φωτεινό φόντο.
Μεθοδολογία
Το φίλτρο που χρησιμοποιείται προκειμένου να επιτευχθεί ο προαναφερόμενος στόχος, ονομάζεται Local Maximum Filter. Το LM φίλτρο αυτοματοποιεί την εξαγωγή των θέσεων των μεμονωμένων δέντρων από ψηφιακές εικόνες πολύ υψηλής χωρικής ανάλυσης. Ένας πίνακας 3x3 κινείται πάνω από τον πίνακα της εικόνας και τα δέντρα τοποθετούνται όταν η κεντρική ψηφιακή τιμή του παραθύρου του πίνακα είναι υψηλότερη από όλες τις υπόλοιπες τιμές. Η θεωρία του LM φίλτρου βασίζεται στην υπόθεση ότι η αντίθεση είναι μέγιστη στην κορυφή των δέντρων και μειώνεται προς της άκρη της κόμης του δέντρου. To LM φίλτρο περιορίζει τον προσδιορισμό των δέντρων σε pixels που δεν αγγίζει, περιορίζοντας τον μέγιστο αριθμό των δέντρων που μπορούν να βρεθούν σε οποιαδήποτε ψηφιακή εικόνα.
Υπάρχουν τριών ειδών αποτελέσματα που μπορεί να επιφέρει η χρήση ενός LM φίλτρου: α) επιτυχής προσδιορισμός δέντρου, β) μη επιτυχής προσδιορισμός δέντρου που στην πραγματικότητα υφίσταται (omission error) και γ) προσδιορισμός δέντρου που δεν υφίσταται στην πραγματικότητα (commission error). Αν τo μέγεθος των δέντρων είναι μικρό σε σχέση με αυτό του pixel της εικόνας, μειώνοντας το μέγεθος του πίνακα μεγιστοποιείται η ακρίβεια ενώ αν τα δέντρα είναι σχετικά μεγάλα εν συγκρίσει με το μέγεθος pixel, λειένοντας ή χρησιμοποιώντας μεγαλύτερο πίνακα τα αποτελέσματα βελτιώνονται. Στόχος είναι να προταθεί μια μέθοδος για την αξιολόγηση της ακρίβειας του LM φιλτραρίσματος, και άλλων τεχνικών εξαγωγής χαρακτηριστικών που παρουσιάζουν αντικείμενα ως σημεία.
Αξίζει να σημειωθεί, ότι η εικόνα IKONOS, υπέστη ένα πρώτο φιλτράρισμα με ένα φίλτρο μέσου όρου 3χ3 (averaging filter), προκειμένου να απαλλαχθεί από τον ραδιομετρικό θόρυβο και έπειτα ακολουθήθηκε το βασικό LM filter.
(Περισσότερες λεπτομέρειες μπορείτε να δείτε εδώ: Techniques for accuracy assessment of tree locations extracted
from remotely sensed imagery
Trisalyn Nelsona,b,*, Barry Bootsa, Michael A. Wulder )
Οι χαρτογραφημένες θέσεις των δέντρων αρχικά χωρίστηκαν σε εντοπισμένες και μη και με τη βοήθεια της μη χωρικής ανάλυσης ελέγχθηκε αν υπάρχουν διαφορές μεταξύ των χαρακτηριστικών των δύο κατηγοριών. Έπειτα χρησιμοποιήθηκε η στατιστική σχέση Mann-Whitney[5] προκειμένου να βρεθούν τα χαρακτηριστικά στα οποία διαφέρουν (ύψος δέντρων, στηθιαία διάμετρος, ακτίνα δέντρου) όταν τα δέντρα εντοπίζονται η όχι.
Στη συνέχεια πραγματοποιήθηκε χωρική ανάλυση ώστε να ερευνηθεί περαιτέρω αν η φύση του σφάλματος (μη εντοπισμού δέντρων) είναι τυχαία. Στο στάδιο αυτό, προηγείται μια μετατροπή των τοποθεσιών των δέντρων σε Voronoi Polygons[6]. Τα VPs έχουν το πλεονέκτημα του καθορισμού των χωρικών ιδιοτήτων όπως το εμβαδό του VP, την περίμετρο, τη μορφή και την αναλογία των εντοπισμένων γειτονικών από τα μη δέντρα. Βάσει των τιμών των ιδιοτήτων πραγματοποιήθηκε χωρική αυτοσυσχέτιση. Παρατηρήθηκε ότι για κάθε δέντρο και VP χαρακτηριστικό, προέκυψαν σημαντικές διαφορές μεταξύ των εντοπισμένων και μη δέντρων.
Έπειτα αναλύθηκαν οι εμπεριεχόμενες πληροφορίες των εντοπισμένων δέντρων από το LM Filter. Η διαδικασία αυτή πραγματοποιήθηκε επικαλύπτοντας τα VPs δημιουργημένα από τις χαρτογραφημένες θέσεις των δέντρων (SM-VPs) με αυτά αυτά των αποτελεσμάτων από το LM Filter (LM-VPs). Τα εμβαδά των πρώτων αφαιρέθηκαν από αυτά των δεύτερων και αν το αποτέλεσμα είναι 1 τα πολύγωνα είναι ισεμβαδικά, αν μικρότερο από 1 το LM-VPs είναι μεγαλύτερο από το SM-VPs ενώ αν το αποτέλεσμα μεγαλύτερο του ενός ισχύει το αντίστροφο.
Αποτελέσματα
Όταν αναλύθηκαν όλα τα δέντρα, οι διαφορές στη στηθιαία διάμετρο DBH, στην ακτίνα των κορμών και στα ύψη των δέντρων ήταν σημαντικές μεταξύ των εντοπισμένων και μη δέντρων. Τα ώριμα δέντρα παρουσίασαν σημαντικές διαφορές στα DBH και στα ύψη ενώ τα νεότερα στα DBH, στην ακτίνα των κορμών, στο εμβαδό του VP και στην περίμετρο.
Ανεξαρτήτου ηλικίας, οι διαφορές στις VPs μορφές δεν ήταν στατιστικά σημαντικές. Σε όλες τις κατηγορίες, το RNFO είναι χαμηλότερο για τα εντοπισμένα δέντρα. Να σημειωθεί ότι τα περισσότερα από τα ώριμα δέντρα είναι αρκετά μεγάλα και εντοπίζονται εύκολα από το LM filter επομένως λαμβάνονται εύκολα από τον δέκτη και γι’ αυτό το σφάλμα είναι πιο τυχαίο από αυτό των νεότερων.
Τα νεότερα δέντρα έχουν ακτίνα κορμού που είναι παρόμοια με τη χωρική ανάλυση της εικόνας. Όταν το μέγεθος του αντικειμένου (δέντρο) είναι παρόμοιο με της χωρικής ανάλυσης της εικόνας, τότε απεικονίζεται μεταξύ μερικών pixels μειώνοντας την επιρροή της ανάλυσης του LM και επιτυγχάνοντας μεγαλύτερα σφάλματα παράλειψης κατά την διάρκεια εξαγωγής χαρακτηριστικών. Το εμβαδό των VPs, φαίνεται να είναι πιο σημαντικό εργαλείο για τον σωστό εντοπισμό των δέντρων. Περισσότερα συμπεράσματα παρατίθενται στον Πίνακα1.
Κατά τα χωρικό σχεδιασμό των εντοπισμένων και μη δέντρων παρατηρήθηκαν τα εξής:
Η διασπορά στο σφάλμα παράλειψης των νέων δέντρων οφείλεται κατά βάση στο LM φίλτρο, το οποίο απαγορεύει την τοποθέτηση δέντρων στα γειτονικά pixels. Αυτό δείχνει ότι το εμβαδό που καλύπτει κάθε δέντρο είναι το λιγότερο αυτό των 9 pixels, που καταλήγει σε μία διάμετρο 3m. Επομένως, στη κλίμακα των pixels, το φίλτρο επιβάλλει ένα συγκεκριμένο επίπεδο διασποράς. Απ’ τη στιγμή που μερικά νέα δέντρα έχουν ακτίνα κορμών μικρότερη των 3m, το φίλτρο επιβάλει προσδιορισμό δέντρων, επομένως σφάλμα παράλειψης, για να σκορπιστεί. Απ την άλλη πλευρά, τα ώριμα δέντρα, τυπικά έχουν ακτίνα κορμών μεγαλύτερη του μεγέθους ενός pixel, κι έτσι το χωρικό σχέδιο του λάθους δεν είναι δυνατά επηρεασμένο από το γειτονικό αναγκασμό του φίλτρου. Η χωρική φύση του σφάλματος μη υφιστάμενου αντικειμένου, εξηγεί γιατί η μη χωρική ανάλυση εμφανίζει το RNFO (Ratio of Neighbors Found and Omitted) να είναι σημαντικά διαφορετικό για νέα μη εντοπισμένα δέντρα και για τα εντοπισμένα αλλά όχι για τα ώριμα σε ηλικία δέντρα
Συμπεράσματα
Έχει περιγραφεί ένα σύνολο εργαλείων, για την αξιολόγηση της ακρίβειας των τεχνικών εξαγωγής γνωρισμάτων από δορυφορικές εικόνες υψηλής ανάλυσης. Αν τα χαρακτηριστικά γνωρίσματα αντιπροσωπεύονται από σημεία, και μια συγκρινόμενη επιφάνεια αντιπροσωπεύει την πραγματική επιφάνεια, αυτές οι μέθοδοι μπορούν να χρησιμοποιηθούν ώστε να αναλύονται και η φύση του σφάλματος και η εμπεριεχόμενη πληροφορία. Όμως το LM φίλτρο είναι περιοριστικό, απαγορεύοντας σε δέντρα να τοποθετούνται σε παρακείμενα pixels, επιτυγχάνοντας τη διασπορά σφάλματος για τα νέα δέντρα αλλά όχι για τα ώριμα. Όταν το μέγεθος του αντικειμένου είναι παρόμοιο με το μέγεθος του pixel,τα γειτονικά δέντρα αυτομάτως χάνονται. Παρόλ’ αυτά, όταν το μέγεθος του αντικειμένου είναι πολύ μεγαλύτερο του pixel, αυτός ο αναγκασμός δεν είναι πρόβλημα και το σφάλμα είναι τυχαίο. Αν και τα LM σημεία(υψηλής φωτεινότητας, μεγάλης ψηφιακής τιμής) αντιπροσωπεύουν συχνά την θέση μεμονομένων δέντρων, δεν είναι πάντα αυτό το πρόβλημα. Για παράδειγμα, δημιουργούνται προβλήματα στον προσδιορισμό των δένδρων, στα νέα δάση, όπου πολλά pixel της δορυφορικής απεικόνισης έχουν υψηλές ψηφιακές τιμές. Αυτό το πρόβλημα επιδεινώνεται από τον τρόπο εφαρμογής του LM στην ψηφιακή απεικόνιση, με αποτέλεσμα ακόμα κι όταν τα σημεία που αναδεικνύονται από το LM φίλτρο, αντιπροσωπεύουν ένα και μοναδικό δέντρο, είναι πιθανό ότι το εμβαδό που συνδέεται με το σημείο αυτό, να αφορά σύνολο νέων σε ηλικία δέντρων. Ακόμη και εάν εφαρμοσθεί κάποιο φίλτρο εξομάλυνσης της εικόνας για να μειωθεί το σφάλμα μη υφιστάμενου αντικειμένου, πάντοτε χάνεται πληροφορία, η οποία μπορεί να βοηθήσει στον προσδιορισμό νέων δέντρων. Αν και το δέντρο και τα χαρακτηριστικά του VP είναι σημαντικά για τον καθορισμό του εντοπισμού ή και μη των δέντρων, η χωρική φύση των χαρακτηριστικών αυτών δεν σχετίζονται με αυτά των σφαλμάτων παράλειψης. Όταν ένα δέντρο είναι μικρό σε σχέση με το μέγεθος του pixel( ιδίως στην περίπτωση των νέων δέντρων), είναι λιγότερο πιθανό να απεικονιστεί ολόκληρο από τους αισθητήρες και γι αυτό είναι λιγότερο πιθανό να εξαχθεί από την εικόνα. Σχετίζοντας το περιεχόμενο της εικόνας με την επιρροή του LM filter, εξηγείται γιατί τα νέα δέντρα είναι πιο ευαίσθητα σε διαφορές σε μεμονωμένο δέντρο και τα VP χαρακτηριστικά, απ’ ότι είναι στα ώριμα δέντρα.
