Τεχνική ανίχνευσης υδάτινων όγκων στις ορεινές περιοχές από δορυφορικές εικόνες

Από RemoteSensing Wiki

Πρωτότυπος τίτλος: Water extraction technique in mountainous areas from satellite images

Συγγραφείς: Jovanovska Kaplan, Gordana & Avdan Ugur

Citation: Jovanovska Kaplan, Gordana & Avdan, Ugur. (2017). Water extraction technique in mountainous areas from satellite images. Journal of Applied Remote Sensing. 11. 046002. 10.1117/1.JRS.11.046002.

Πηγή:ResearchGate

Λέξεις κλειδιά  :remote sensing; water body extraction; land surface temperature; normalized difference water index; Landsat

Αντικείμενο εφαρμογής : Υδατικοί Πόροι - Ανίχνευση Υδάτινων Σωμάτων.

1. Σκοπός και χρήση εφαρμογής:
Η παρούσα έρευνα στοχεύει στην ανάπτυξη του βέλτιστου δείκτη ανίχνευσης υδάτινων όγκων, με όσο το δυνατόν λιγότερο εισερχόμενο “θόρυβο” (λ.χ. σκιάσεις), και πεδίο εφαρμογής τις ορεινές περιοχές.
2. Εισαγωγή:
Η παρακολούθηση των υδάτων αποτελεί ουσιώδες βήμα για τη διαχείριση των υδάτινων πόρων, ωστόσο η παρακολούθηση των μεταβολών και των ποιοτικών χαρακτηριστικών των υδάτινων σωμάτων μπορεί να αποδειχθεί ιδιαίτερα χρονοβόρα και κοστοβόρα. Τα επιφανειακά ύδατα αποτελούν ζωτικό πόρο για την ανθρωπότητα και υφίστανται αλλαγές στον χρόνο και το χώρο ως συνέπεια της αλλαγής της χρήσης γης / της κάλυψης γης (LUCL), της κλιματικής αλλαγής και άλλων περιβαλλοντικών παραγόντων [1]. Η έγκαιρη παρακολούθηση των υδάτινων σωμάτων είναι ουσιώδης για τη χάραξη πολιτικής και τη λήψη αποφάσεων [2],[3]. Στην κατεύθυνση αυτή και μαζί με την εδραίωση της τηλεπισκόπησης απο το 1970 και έπειτα, τα τελευταία 20 χρόνια μια σειρά από έρευνες έχουν επικεντρωθεί στην παρακολούθηση των υδάτων με χρήση δορυφορικών εικόνων και GIS [4-6].
3. O ρόλος της τηλεπισκόπησης:
Ο πρώτος δείκτης για την ανίχνευση του νερού αναπτύχθηκε το 1995. Ακολουθώντας το σκεπτικό πίσω από την κανονικοποιημένη διαφορά του δείκτη βλάστησης NDVI, δημιουργήθηκε ο δείκτης κανονικοποιημένης διαφοράς του δείκτη νερού NDWI, ο οποίος χρησιμοποιεί δύο κανάλια, στο εγγύς και το μικροκυματικό υπέρυθρο [7]. Έπειτα, αναπτύχθηκαν και άλλοι δείκτες, όπως ο δείκτης που πρότεινε McFeeter [8] έναν δείκτη νερού που αναπτύχθηκε για να οριοθετηθούν τα χαρακτηριστικά των ακάλυπτων υδάτων και τη βελτίωση της αποτύπωσης τους στις δορυφορικές εικόνες, χρησιμοποιώντας το πράσινο και το εγγύς υπέρυθρο κανάλι. Ο Xu [9] τροποποίησε τον ώς άνω δείκτη με τη χρήση μικροκυματικού υπέρυθρου καναλιού, για τον καλύτερο διαχωρισμό υδάτινων στοιχείων και τεχνητού περιβάλλοντος. Προτάθηκε, επίσης, δείκτης με δεδομένα από τον δορυφόρο Landsat και τον αισθητήρα OLI με χρήση των καναλιών σκούρο μπλέ και μικροκυματικό υπέρυθρο [11]. Γενικά, η επιλογή του κατάλληλου δείκτη εξαρτάται από την περιοχή μελέτης. Tέλος, αναδεικνύονται δύο σημαντικά εμπόδια για την μελέτη των υδάτων με τηλεπισκόπηση: α) Οι τοπογραφικές σκιές και οι σκιές από σύννεφα που εύκολα συγχέονται με υδάτινους όγκους. β) Η γωνία ηλιακού υψομέτρου , η οποία συνδέεται άμεσα με τις σκιάσεις, και πρέπει να είναι μεγαλύτερη των 40 μοιρών [1],[10],[11]. Η συνθήκη αυτή ικανοποιείται ορισμένες φορές μέσα στο χρόνο, ωστόσο η ανάγκη για παρακολούθηση των υδάτων είναι διαρκής.
4. Περιοχή μελέτης:
Ως περιοχή μελέτης επιλέγονται υδάτινα σώματα από ορεινές περιοχές, με χαμηλή γωνία ηλιακού υψομέτρου ς του ηλίου την χειμερινή περίοδο. Η περιοχή μελέτης απαρτίζεται κατά 90% από τη Βόρεια Μακεδονία, μέρος της Αλβανίας και το Κόσοβο επιλέχθηκαν λόγω της τοπογραφία τους, η οποία περιέχει υψηλά όρη, ένα μεταβατικό κλίμα από το Μεσογειακό έως το Ηπειρωτικό με θερμό καλοκαίρι και κρύο χειμώνα, χιόνι καθώς και σημαντικά μεγάλα και μικρά υδάτινα σώματα.
5. Δορυφορικά δεδομένα:
Χρησιμοποιήθηκαν 12 δορυφορικές εικόνες Landsat από την ίδια περιοχή μελέτης με διαφορετικές γωνίες ηλιακού υψομέτρου και καιρικές συνθήκες από δορυφόρους από το Landsat 5, Landsat 7 και ο Landsat 8. Στις απεικονίσεις δεν εμφανίστηκαν λάθη και δεν υπήρχε νεφοκάλυψη. Τα χαρακτηριστικά των δορυφορικών εικόνων παρουσιάζονται στον Πίνακα 1.

Οι δορυφορικές εικόνες αντλήθηκαν από τον ιστότοπου του United States Geological Survey, με path 185/ row 31.
6. Μέθοδος

6.1 Σύγκριση υφιστάμενων δεικτών για τις υδάτινες περιοχές:
Επτά δείκτες νερού με διαφορετικές γωνίες ηλιακού υψομέτρου και από διαφορετικές εποχές συγκρίθηκαν για την ίδια περιοχή. ΄Ολοι οι δείκτες χρησιμοποιούν κατ΄’ ελάχιστον δύο κανάλια. Οι δείκτες είναι οι εξής:

• AWEInsh - Automated water extraction index for satellite images [1]

• NDWI [8]

• Modified NDWI [9]

• EWI- Enhanced water index [12]

• BNDWI[13]

• NDWI [14]

Τα αποτελέσματα των δεικτών συγκρίθηκαν στη συνέχεια με υψηλής ανάλυσης εικόνα απο το Google Earth, που θεωρείται ότι είναι αντιπροσωπευτική της περιοχής [15] Αποδεικνύεται, ότι όλοι οι δείκτες χαρακτηρίζονται τόσο από μειονεκτήματα, όσο και πλεονεκτήματα. Σε πρώτο επίπεδο, μετά και την υψηλής ανάλυσης σύγκριση, τέσσερις δείκτες επιλέγονται να διερευνηθούν περαιτέρω: ο NDWI [8], ο BNDWI [13], o AWEInsh [1] και ο NDWI-DB (for Landsat 8 images). Οι μέθοδοι αυτές χρησιμοποιήθηκαν για τη σύγκριση υψηλής ανάλυσης που έγινε με τη χρήση τυχαίων σημείων σε κάθε δορυφορική εικόνα που χρησιμοποιείται σε αυτή τη μελέτη (Εικόνα 1α). Πρόσθετα σημεία τοποθετήθηκαν στα ποτάμια σώματα και σε μερικές μικρές λίμνες (Εικόνα 1β).

Για την εκτίμηση της ακρίβειας, υπολογίστηκε η συνολική ακρίβεια. Από τους συνολικούς υπολογισμούς ακριβείας, μπορεί να συναχθεί το συμπέρασμα ότι, με ορισμένες μικρές διαφορές,οι τέσσερις δείκτες σημείωσαν παρόμοια αποτελέσματα. Η συνολική ακρίβεια ήταν χαμηλότερη για τις δορυφορικές εικόνες με γωνία ηλιακού υψομέτρου μικρότερη από 30 μοίρες. Η συνολική ακρίβεια των εικόνων με μικρή γωνία υψομέτρου ποικίλλει από 65% σε 75%, με τις χαμηλότερες τιμές για εικόνες με πολύ μικρή γωνία ηλιακού υψομέτρου Από την ανάλυση της ακρίβειας, παρατηρήθηκε ότι τα πλέον παραπλανητικά στοιχεία είναι οι τοπογραφικές σκιές, οι σκιές σύννεφων και το χιόνι. Τελικά, αν και οι μέθοδοι [1] και [13] έδωσαν καλύτερα αποτελέσματα σε κάποιες περιπτώσεις, επιλέγεται ο δείκτης που εισήχθη από τον McFeeter [8], για την περαιτέρω τροποποίηση, καθώς όταν άλλοι δείκτες αποτυγχάνουν να εντοπίσουν τα υδάτινα σώματα, ο δείκτης αυτός καταφέρνει να τα εντοπίσει, ειδικά τα ποτάμια και τα όρια των υδάτινων σωμάτων (Εικόνα 2).
6.2 Ανάπτυξη του δείκτη Water Extraction Surface Temperature Index (WESTI)
Η μέθοδος που χρησιμοποιήθηκε για την ανάπτυξη του δείκτη WESTI παρουσιάζεται σχηματικά στην Εικόνα 3 :

Για την ανάκτηση των φασματικών πληροφοριών σχετικά με τους υδάτινους φορείς, παρατηρήθηκαν ορισμένα σημεία σε κάθε δορυφορική εικόνα, ενώ αναλύθηκαν και οι φασματικές τους υπογραφές. . Επιλέχθηκαν συνολικά 264 σημεία υδάτινων σωμάτων, μικρότερα και μεγαλύτερα για καλύτερη αντιπροσωπευτικότητα Χρησιμοποιήθηκαν ορισμένα σημεία για την ανάλυση των εικονοστοιχείων που διαταράσσουν την ανίχνευση του νερού, όπως οι σκιάσεις και το χιόνι Η φασματική υπογραφή του νερού και της σκιά του βουνού έδωσαν τα ίδια αποτελέσματα σε όλες τις ζώνες, με μόνο μια μικρή διαφορά στη θερμική περιοχή, όπου οι σκιές έχουν χαμηλότερες τιμές.Λαμβάνοντας υπόψη τις διαφορές που παρατηρήθηκαν το διαφοροποίηση στο θερμικό κανάλι. Για το λόγο αυτό, χρησιμοποιήθηκαν για κάθε αισθητήρα διαφορετικοί αλγόριθμοι LST [16-20], προκειμένου να επιτευχθεί η διάκριση του νερού από τα παραπλανητικά εικονοστοιχεία [15]. Στην ουσία, το LST μπορεί να περιγραφεί ως η “θερμοκρασία” του δέρματος του εδάφους [15]. Ο αλγόριθμος της παρούσας έρευνας βασίζεται σε κατάσταση που αποκλείει τα εικονοστοιχεία από την εφαρμογή του NDWI και που έχουν τιμές NDWI και LST χαμηλότερες από μηδέν. Με βάση την προϋπόθεση αυτή οι ι σκιές των βουνών, το χιόνι, ο πάγος και τα σύννεφα αφαιρούνται από τα αποτελέσματα.

7. Αποτελέσματα και συζήτηση:
Για την εκτίμηση της ακρίβειας της μεθόδου WESTI, τα ίδια τυχαία σημεία με την ενότητα 6.1. Από την αξιολόγηση της ακρίβειας προέκυψε ότι η μέθοδος WESTI βελτίωσε την ανίχνευση των υδάτινων περιοχών. Η μεγαλύτερη βελτίωση παρατηρήθηκε στη δορυφορική εικόνα με τη μικρότερη γωνία ηλιακού υψομέτρου με συνολική ακρίβεια η οποία μεταβλήθηκε από 65,8% σε 98,0% Ακόμη και στις περιπτώσεις όπου η γωνία ηλιακού υψομέτρου δεν ήταν χαμηλή, τα αποτελέσματα έχουν βελτιωθεί. Ο δείκτης WESTI δεν εξάλειψε με επιτυχία όλα τα παραπλανητικά στοιχεία, αλλά βελτίωσαν τα αποτελέσματα κατά περισσότερο από 80%. Τα πλεονεκτήματα του δείκτη είναι εμφανή κοιτώντας την Εικόνα 4, όπου ο δείκτης WESTI συγκρίνεται με όλους τους δείκτες που χρησιμοποιήθηκαν στην παρούσα έρευνα:
8. Συμπεράσματα:
Συνολικά, η μέθοδος WESTI προτείνεται για την ανίχνευση υδάτινων σωμάτων σε ορεινές περιοχές και για την απαλοιφή των τοπογραφικών σκιάσεων από εικόνες που λήφθηκαν υπο μικρό γωνιακό ηλιακό υψόμετρο. Tέλος, η μέθοδος μελλοντικά θα επαληθευθεί και σε παγκόσμιο επίπεδο.

ΑΝΑΦΟΡΕΣ

1. G. L. Feyisa et al., “Automated water extraction index: a new technique for surface water mapping using Landsat imagery,” Remote Sens. Environ. 140, 23–35 (2014).

2. C. Giardino et al., “Application of remote sensing in water resource management: the case study of Lake Trasimeno, Italy,” Water Resour. Manage. 24(14), 3885–3899 (2010).

3. R. E. Morss et al., “Flood risk, uncertainty, and scientific information for decision making: lessons from an interdisciplinary project,” Bull. Am. Meteorol. Soc. 86(11), 1593–1601 (2005).

4. A. M. Dewan et al., “Evaluating flood hazard for land-use planning in Greater Dhaka of Bangladesh using remote sensing and GIS techniques,” Water Resour. Manage. 21(9), 1601–1612 (2007).

5. S. R. Proud et al., “Rapid response flood detection using the MSG geostationary satellite,” Int. J. Appl. Earth Obs. Geoinf. 13(4), 536–544 (2011).

6. J. Gardelle et al., “Less rain, more water in ponds: a remote sensing study of the dynamics of surface waters from 1950 to present in pastoral Sahel (Gourma region, Mali),” Hydrol. Earth Syst. Sci. 14(2), 309–324 (2010).

7. B. C. Gao, “A normalized difference water index for remote sensing of vegetation liquid water from space,” Imaging Spectrom. 2480, 225–236 (1995).

8. S. K. McFeeters, “The use of the normalized difference water index (NDWI) in the delineation of open water features,” Int. J. Remote Sens. 17(7), 1425–1432 (1996).

9. H. Q. Xu, “Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery,” Int. J. Remote Sens. 27(14), 3025–3033 (2006).

10. Z. F. Liu, Z. J. Yao, and R. Wang, “Assessing methods of identifying open water bodies using Landsat 8 OLI imagery,” Environ. Earth Sci. 75(10), 873 (2016).

11. A. S. Rogers and M. S. Kearney, “Reducing signature variability in unmixing coastal marsh thematic mapper scenes using spectral indices,” Int. J. Remote Sens. 25(12), 2317–2335 (2004).

12. P. Yan, Y. Zhang, and Y. Zhang, “A study on information extraction of water enhanced water index (EWI) and GIS system in semi-arid regions with the based noise remove techniques,” Remote Sens. Inf. 62–67 (2007).

13. Q. Wei, L. Jingxuan, and L. Lin, “Research on automatic extraction of water bodies and wetlands on HJ satellite CCD images,” Remote Sens. Inf. 4, 28–33 (2011).

14. F. Becker and Z.L. Li, “Towards a local split window method over land surfaces,” Int. J. Remote Sens. 11(3), 369–393 (1990).

15. A. Tilahun and B. Teferie, “Accuracy assessment of land use land cover classification using Google Earth,” Am. J. Environ. Prot. 4, 193–198 (2015).

16. A. Rajeshwari and N. Mani, “Estimation of land surface temperature of Dindigul district using Landsat 8 data,” Int. J. Res. Eng. Technol. 3(5), 122–126 (2014).

17. U. Avdan and G. Jovanovska, “Algorithm for automated mapping of land surface temperature using LANDSAT 8 satellite data,” J. Sens. 2016, 1480307 (2016).

18. J. A. Sobrino, J. C. Jiménez-Muñoz, and L. Paolini, “Land surface temperature retrieval from LANDSAT TM 5,” Remote Sens. Environ. 90(4), 434–440 (2004).

19. M. Stathopoulou and C. Cartalis, “Daytime urban heat islands from Landsat ETM+ and Corine land cover data: an application to major cities in Greece,” Sol. Energy 81(3), 358–368 (2007).

20. M. I. Ndossi and U. Avdan, “Application of open source coding technologies in the production of land surface temperature (LST) maps from Landsat: a PyQGIS plugin,” Remote Sens. 8(5), 413 (2016).