ΧΑΡΤΟΓΡΑΦΗΣΗ ΧΡΗΣΗΣ KAI ΚΑΛΥΨΗΣ ΓΗΣ ΠΕΡΙΟΧΗΣ ΤΗΣ ΠΑΦΟΥ ΜΕ ΜΕΘΟΔΟΥΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΤΗΛΕΠΙΣΚΟΠΙΚΩΝ ΔΕΔΟΜΕΝΩΝ QUICKBIRD

Από RemoteSensing Wiki

Το αντικείμενο της παρούσας εργασίας, αφορούσε την εξαγωγή ενός θεματικού χάρτη με τις χρήσεις και κάλυψη γης, μίας ορεινής αγροτικής περιοχής, στη πόλη της Πάφου και συγκεκριμένα στη κοινότητα Στρουμπιού, με τη χρήση και διερεύνηση αντικειμενοστραφούς ανάλυσης Τηλεπισκοπικών δεδομένων.

Για την εργασία αυτή χρησιμοποιήθηκε μια τηλεπισκοπική εικόνα από το δορυφόρο QuickBird μιας αγροτικής περιοχής, στο χωριό Στρουμπί, στην Πάφο της Κύπρου. Η πρώτη επεξεργασία της εικόνας αφορούσε την διαδικασία συγχώνευσης (merging) των 5 διαθέσιμων καναλιών της. Η διαδικασία αυτή είχε σαν αποτέλεσμα την δημιουργία ενός σύνθετου, από τον συνδυασμό του παγχρωματικού καναλιού και των υπόλοιπων τεσσάρων φασματικών καναλιών (κόκκινο, πράσινο, μπλε και εγγύς υπέρυθρο). Η μεγάλη διακριτική ικανότητα του παγχρωματικού καναλιού και οι φασματικές πληροφορίες των υπολοίπων καναλιών μας επιτρέπουν την ακριβέστερη ερμηνεία της εικόνας και αποδεικνύεται πολύ χρήσιμο για την μετέπειτα επεξεργασία της στο λογισμικό eCognition.

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean and Variance Matching (LMVM), ώστε να επιτευχθεί ο συνδυασμός της υψηλής χωρικής διακριτικής ικανότητας του παγχρωματικού καναλιού με τις φασματικές πληροφορίες που φέρουν τα υπόλοιπα τέσσερα φασματικά κανάλια (κόκκινο, πράσινο, μπλε, εγγύς υπέρυθρο). Η μέθοδος αυτή που είναι βασικά ένα φίλτρο, σχεδιάστηκε ειδικά ώστε η διαφορά ανάμεσα στα αρχικά φασματικά κανάλια χαμηλής διακριτικής ικανότητας και το τελικό προϊόν (τη συγχωνευμένη εικόνα) να είναι η ελάχιστη δυνατή, δηλαδή η φασματική πληροφορία να μένει κατά το δυνατό ανέπαφη. O αλγόριθμος της μεθόδου LMVM ορίζεται από την παρακάτω σχέση:

όπου:

Fi, j = είναι το αποτέλεσμα της συγχώνευσης για τις συντεταγμένες της εικόνας i και j,

HRi, j = είναι οι υψηλής διακριτικής ικανότητας συνιστώσες στις συντεταγμένες i, j, δηλαδή το παγχρωματικό κανάλι,

LRi, j(w, h), HRi, j(w, h) = είναι οι τοπικοί μέσοι όροι, υπολογισμένοι για ένα παράθυρο διαστάσεων (w, h),

std (LR)I, j (w, h) και std (HR)I, j (w, h) = είναι η τοπική κύρια απόκλιση της χαμηλής και υψηλής αντίστοιχα διακριτικής ικανότητας, υπολογισμένοι για ένα παράθυρο διαστάσεων (w, h).

Ακολουθήθηκε μια συγκεκριμένη μεθοδολογία, που αφορούσε τις διάφορες τεχνικές και λειτουργίες του λογισμικού eCognition. Αφού έγινε αρχικά η κατάτμηση πέντε επιπέδων με τις κατάλληλες επιλεγμένες τιμές παραμέτρων, ακολουθήθηκε η διαδικασία της ταξινόμησής τους.

Σχήμα 1: Η ιεραρχία των αντικειμένων και ο τρόπος δόμησης τους από επίπεδο σε επίπεδο.

Πιο συγκεκριμένα για την ταξινόμηση των δύο πρώτων επιπέδων χρησιμοποιήθηκε ο δείκτης βλάστησης NDVI για την ανίχνευση της βλάστησης.

Περαιτέρω, στο δεύτερο επίπεδο χρησιμοποιήθηκαν διάφορα χαρακτηριστικά (features), που υπάρχουν ενσωματωμένα μέσα στο λογισμικό, καθώς και άλλα που δημιουργήθηκαν για την παρούσα μελέτη, ώστε να υπάρχει δυνατότητα διαχωρισμού των κατηγοριών βλάστησης, που αναγνωρίστηκαν στη διαδικασία της Φωτοερμηνείας αλλά και από επιτόπια έρευνα. Στα επόμενα τρία επίπεδα, πάλι με τη χρήση ασαφών συναρτήσεων συμμετοχής και με τα κατάλληλα χαρακτηριστικά κάθε φορά, ταξινομήθηκαν οι ανθρωπογενής κατασκευές, όπως δρόμοι και σπίτια, καθώς και άλλες κατηγορίες που αφορούσαν την εδαφοκάλυψη. Στο τελευταίο επίπεδο συνδυάσθηκαν όλες οι ταξινομήσεις με μια λειτουργία που υπάρχει ενσωματωμένη στο λογισμικό και δημιουργήθηκε ο θεματικός χάρτης χρήσεων και κάλυψης γης της περιοχής.

Tέλος, για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης χρησιμοποιήθηκαν δύο λειτουργίες που υπάρχουν ενσωματωμένες μέσα στο λογισμικό, όπως είναι η αξιολόγηση με βάση τη διαφορά ανάμεσα στον πρώτο και το δεύτερο καλύτερο βαθμό συμμετοχής, καθώς και με βάση τους μεγαλύτερους βαθμούς συμμετοχής (Best Classification Result). Επίσης χρησιμοποιήθηκε ένας τρίτος, πιο αξιόπιστος τρόπος αξιολόγησης, που αφορούσε στην δημιουργία πίνακα σύγχυσης, από τον οποίο εξάγονται σημαντικά συμπεράσματα για την ακρίβεια της ταξινόμησης, μέσω της στατιστικής ανάλυσης των στοιχείων του πίνακα.

Προεπεξεργασία των δεδομένων

Ανάλυση Κύριων Συνιστωσών

Στην παρούσα μελέτη εφαρμόστηκε μετασχηματισμός κυρίων συνιστωσών και αντί για τα τέσσερα αρχικά κανάλια (τα οποία συσχετίζονται μεταξύ τους σε ένα βαθμό), χρησιμοποιήθηκαν οι τρεις πρώτες κύριες συνιστώσες (3-2-1) και σε άλλη περίπτωση οι συνιστώσες (4-3-2), για τη δημιουργία έγχρωμων σύνθετων (σχήμα 1) ώστε να διευκολύνουμε την διαδικασία της φωτοερμηνείας.

Σχήμα 2: Δημιουργία έγχρωμων σύνθετων εικόνων.

Σχήμα 3: Τρία έγχρωμα σύνθετα που μπορούν να χρησιμοποιηθούν μεταξύ άλλων.

Από την αναλυτική και προσεχτική λοιπόν, Φωτοερμηνεία των εικόνων και την επιτόπεια έρευνα διακρίνονται οι κύριες φασματικές και εννοιολογικές κατηγορίες και υποκατηγορίες οι οποίες είναι:

- Δρόμοι, δηλαδή ασφαλτόδρομοι και χωματόδρομοι.

- Κεραμίδι, δηλαδή κεραμοσκεπές κτηρίων.

- Κτήρια, δηλαδή συμπαγή τμήματα (με σκιά σε ορισμένα, που πέφτει προς μια συγκεκριμένη κατεύθυνση (βορειοδυτικά).

- Χώμα, δηλαδή γυμνό έδαφος σε μη δομημένα οικόπεδα ή άγονα αγροτεμάχια και χωμάτινοι δρόμοι.

- Καλλιέργειες (αμπέλια, κηπευτικά).

- Δέντρα, δηλαδή εσπεριδοειδή, ευκάλυπτοι, αμυγδαλιές, κυπαρίσσια.

- Νερό, δηλαδή τεχνητές πισίνες.

- Σκιές δέντρων.

- Σκιές κτηρίων, σκιασμένοι δρόμοι, δηλαδή δρόμος πάνω στον οποίο πέφτει σκιά από κτίρια ή δέντρα και παρουσιάζεται πιο σκούρος.

Σχήμα 4: Κομμάτι εικόνας σε έγχρωμο σύνθετο RGB: 4-3-2. Οι πορτοκαλί αριθμοί σημαίνουν κατηγορίες εδαφοκάλυψης, σύμφωνα με το δεξιό πίνακα. Σ΄ αυτή την εικόνα δεν υπάρχουν κτήρια ή άλλες κατασκευές εκτός από δρόμους, γιατί η διαθέσιμη εικόνα είχε μόνο δύο κατοικημένες περιοχές.

Σχετικά με τη λειτουργικότητα του λογισμικού eCognition, οι δυνατότητες που παρέχονται για ταξινόμηση (ιεραρχία τάξεων, ασαφής λογική, γεωμετρικά και χωρικά κριτήρια) προσφέρουν ευελιξία και διευκολύνουν τη δημιουργία σχετικά πολύπλοκων εννοιολογικών περιγραφών για τις θεματικές κατηγορίες. Ταυτόχρονα, η υποστήριξη πλέον των διανυσματικών δεδομένων ανοίγει προοπτικές για συνεργασία με τα Συστήματα Γεωγραφικών Πληροφοριών.

Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία, χωρίς να αποτελεί πανάκεια. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί.

Πηγή: ΠΑΠΑΓΕΩΡΓΙΟΥ Μ., ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ, ΣΧΟΛΗ ΑΓΡΟΝΟΜΩΝ & ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ, ΤΟΜΕΑΣ ΤΟΠΟΓΡΑΦΙΑΣ, ΕΡΓΑΣΤΗΡΙΟ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ, ΑΘΗΝΑ 2007.