ΧΡΗΣΗ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΗΣ ΔΥΝΑΜΙΚΗΣ ΤΩΝ ΥΔΡΟΒΙΟΤΟΠΩΝ (ΠΕΡΙΟΧΗ IOWA)

Από RemoteSensing Wiki

Μετάβαση σε: πλοήγηση, αναζήτηση


1. Αντικείμενο Εφαρμογής: ΧΡΗΣΗ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΗΣ ΔΥΝΑΜΙΚΗΣ ΤΩΝ ΥΔΡΟΒΙΟΤΟΠΩΝ (ΠΕΡΙΟΧΗ IOWA)

2. Στόχος Εφαρμογής: Ο βασικός στόχος της εφαρμογής είναι η χαρτογράφηση και παρακολούθηση των υδροβιότοπων χρησιμοποιώντας τηλεπισκοπικά δεδομένα. Για την επίτευξη του στόχου αυτού τέθηκαν και κάποιοι επιμέρους στόχοι. Αρχικά μελετήθηκε η πιθανή χρήση των εικόνων έγχρωμων υπέρυθρων Color Infrared (CIR) 2002 με δ.ι. 1μ μαζί με υβριδικά δεδομένα Landsat ETM+ και στη συνέχεια αξιολογήθηκαν διάφοροι αλγόριθμοι ταξινόμησης. Σε επόμενο στάδιο δημιουργήθηκαν χάρτες και έτσι μελετήθηκε η δυναμική των υδροβιότοπων. Τελικός στόχος ήταν η δημιουργία ενός εργαλείου που θα συνδέεται με το διαδίκτυο για τη διάδοση των πληροφοριών που θα αποκτηθούν από την έρευνα.

3. Πώς γινόταν παλαιότερα: Παραδοσιακά τα χαρακτηριστικά και τα όρια των υδροβιότοπων περιγράφονταν με χρήση ερευνών πεδίου, οι οποίες όμως είναι δύσκολες και χρονοβόρες.

Eik1.jpg

4. Είδη Δορυφόρων, Δεκτών και Καναλιών: Οι πολυφασματικές εικόνες που χρησιμοποιήθηκαν για την περιοχή περιλάμβαναν ένα έγχρωμο υπέρυθρο φωτομωσαϊκό (ΕΙΚΟΝΑ 1), δύο εικόνες Landsat με δ.ι. 15μ στο παγχρωματικό και τις κύριες συνιστώσες τους (PC) (ΕΙΚΟΝΑ 2). Το λογισμικό που χρησιμοποιήθηκε για την επεξεργασία των εικόνων και την ταξινόμηση ήταν το ERDAS Imagine 8.6 και το eCognition 4.0.

Οι υπερφασματικές εικόνες περιλάμβαναν εικόνες του δέκτη CASI και ήταν μωσαϊκά 7 γραμμών πτήσης με χωρική δ.ι. 60cm με 48 συνεχόμενα κανάλια με μέγεθος 0.018 μm περίπου το καθένα. Επίσης χρησιμοποιήθηκαν έγχρωμες υπέρυθρες εικόνες δ.ι. 1μ., ψηφιακοί χάρτες εδάφους και λεπτομερείς κατάλογοι δεδομένων της περιοχής για να γίνει σωστότερα η επιλογή περιοχών εκπαίδευσης για την ταξινόμηση. Το λογισμικό με το οποίο έγινε η επεξεργασία και η ταξινόμηση των υπερφασματικών εικόνων ήταν το ENVI 3.6 and eCognition 4.0. Στην ΕΙΚΟΝΑ 3 φαίνεται η υπερφασματική εικόνα της περιοχής.

Eik2.jpg

5. Χρησιμότητα Δορυφόρων, Δεκτών και Καναλιών: Οι τηλεπισκοπικές μεθοδολογίες και τεχνολογίες δίνουν τη δυνατότητα εύρεσης πιο αποτελεσματικών χρονικά αλλά και οικονομικά λύσεων για την άμβλυνση των προβλημάτων που αντιμετωπίζουν οι υδροβιότοποι. Επίσης παρέχουν πληροφορίες για την έκταση των υδροβιότοπων, την αναγνώριση της κατηγορίας στην οποία ανήκουν, το χαρακτηρισμό των γενικών χρήσεων γης της περιοχής, τον εντοπισμό αναδυόμενων και καταδυόμενων υδροβιότοπων καθώς και για τους φυσικούς πόρους.

Eik3.jpg

6. Ψηφιακές επεξεργασίες/αλγόριθμοι και αποτελέσματα:

• Ταξινόμηση πολυφασματικών εικόνων CIR: Η μη επιβλεπόμενη ταξινόμηση των εικόνων CIR έγινε με χρήση του λογισμικού ERDAS με τον αλγόριθμο ISODATA με παραμέτρους 120 κλάσεις με κατώφλι σύγκλισης 0.95 και μέγιστο αριθμό επαναλήψεων 30. Οι κατηγορίες της ταξινόμησης αναγνωρίστηκαν με φωτοερμηνεία της αρχικής ψευδοχρωματικής εικόνας και σύμφωνα με το σύστημα ταξινόμησης Anderson USGS κατεγράφησαν ως υδροβιότοπος, δάσος, αδιαπέραστες επιφάνειες, γυμνό έδαφος, αστικό πράσινο και ανοιχτά υδάτινα σώματα. Η επιβλεπόμενη ταξινόμηση ολοκληρώθηκε με τον αλγόριθμο της μέγιστης πιθανοφάνειας του λογισμικού ERDAS. Στην ΕΙΚΟΝΑ 4 φαίνονται τα αποτελέσματα.

Diagr1.jpg
Eik4.jpg


• Ταξινόμηση πολυφασματικών εικόνων ETM: Η μη επιβλεπόμενη ταξινόμηση των εικόνων Landsat ETM+ 15 m έγινε με τις ίδιες παραμέτρους όπως αυτή των εικόνων CIR έτσι ώστε τα αποτελέσματα των δύο να είναι συγκρίσιμα. Σε αυτήν την περίπτωση οι παράμετροι του αλγόριθμου ISODATA ήταν 120 κλάσεις με κατώφλι σύγκλισης 0.95 και μέγιστο αριθμό επαναλήψεων 20. Οι κλάσεις αναγνωρίστηκαν με Φωτοερμηνεία, με τη βοήθεια των ιστογραμμάτων και άλλων βοηθητικών στοιχείων και ομαδοποιήθηκαν σε 7 κατηγορίες. Η ταξινόμηση αυτή περιέλαβε και την κατηγορία «σειρά/ συστάδα καλλιεργειών» επειδή την ημερομηνία λήψης η βλάστηση ήταν πιο εμφανής και ανεπτυγμένη σε σχέση με την ημερομηνία λήψης των εικόνων CIR. Η επιβλεπόμενη ταξινόμηση ολοκληρώθηκε με τον αλγόριθμο της μέγιστης πιθανοφάνειας του λογισμικού ERDAS και με τη δημιουργία ενός φακέλου με τις περιοχές εκπαίδευσης και τις φασματικές τους υπογραφές. Οι πληροφορίες για τους φακέλους ομαδοποιήθηκαν σε 7 κατηγορίες και περιλάμβαναν σημεία επίγειου ελέγχου, φωτοερμηνεία και βοηθητικά στοιχεία για την καθεμία όπως προέκυψαν από την επιβλεπόμενη ταξινόμηση των εικόνων ASTER και τη μη επιβλεπόμενη των εικόνων Landsat. Για την αντικειμενοστραφή ταξινόμηση με το eCognition χρησιμοποιήθηκαν τα κανάλια 3,4 και 5 του Landsat και δόθηκε ελαφρώς μεγαλύτερο βάρος στο layer 3 SWIR στις εικόνες CIR (εικόνες Landsat : 0.8 , εικόνες CIR : 1) επειδή στο στάδιο της κατάτμησης οι εικόνες CIR είναι πιο ευαίσθητες στην αναγνώριση των χαρακτηριστικών της βλάστησης. Τα αντικείμενα που προέκυψαν από την κατάτμηση κυμαίνονταν ως προς το μέγεθός τους από 5-15 pixels για τις εικόνες CIR και 94-95 για τις εικόνες Landsat. Το ΔΙΑΓΡΑΜΜΑ 1 παρουσιάζει το διάγραμμα ροής της διαδικασίας.

Eik5.jpg

Στην ΕΙΚΟΝΑ 5 φαίνονται τα αποτελέσματα.

• Ταξινόμηση υπερφασματικών εικόνων: Αρχικά εφαρμόστηκε ο αλγόριθμος MNF του ENVI 3.6 (Minimum Noise Fraction) για να γίνει η επιλογή των καναλιών. Ο αλγόριθμος αυτός περιλαμβάνει δύο μετασχηματισμούς κύριων συνιστωσών. Ο πρώτος μετασχηματισμός στηρίζεται σε έναν πίνακα συνδιασποράς και συσχετίζει και επαναδιαβαθμίζει το θόρυβο. Ο δεύτερος μετασχηματισμός είναι ένας κλασσικός μετασχηματισμός της εικόνας στις κύριες συνιστώσες της. Στη συνέχεια εφαρμόστηκε ο αλγόριθμος Spectral Angle Mapper (SAM) ο οποίος είναι ουσιαστικά ένας φασματικός ταξινομητής που χρησιμοποιεί μια ν-διάστατη γωνία για να ταιριάξει τα pixels της εικόνας με το φάσμα αναφοράς, δηλαδή τις περιοχές εκπαίδευσης. Το περιθώριο σφάλματος της γωνίας επιλέχθηκε να είναι 0,15 rad. Οι περιοχές εκπαίδευσης προέκυψαν από κάποια αρχικά pixels (seed pixels) και τελικά οριοθετήθηκαν με το χέρι από Φωτοερμηνεία έγχρωμων υπέρυθρων εικόνων (1μ) σε συνδυασμό με ψηφιακούς χάρτες εδάφους και άλλα βοηθητικά δεδομένα. Η ταξινόμηση έγινε σε 25 κανάλια με τον αλγόριθμο SAM του λογισμικού ENVI και με την αντικειμενοστραφή ανάλυση του λογισμικού eCognition. Στην ΕΙΚΟΝΑ 6 φαίνονται τα αποτελέσματα.


7. Σημαντικά αποτελέσματα και αξιολόγηση των μεθόδων: Τα αποτελέσματα έδειξαν ότι από τις υπερφασματικές εικόνες όταν χρησιμοποιείται η αντικειμενοστραφής ανάλυση προκύπτει ακριβέστερη χαρτογράφηση των υγροβιότοπων σε σχέση με αυτή των πολυφασματικών. Κάθε υγροβιότοπος που αναγνωρίζεται με τηλεπισκοπικές μεθόδους πρέπει να ελέγχεται και με έρευνες πεδίου. Μία μελλοντική εφαρμογή που προκύπτει είναι ο έλεγχος άλλων μη παραμετρικών μεθόδων ταξινόμησης σε υπερφασματικές εικόνες για τη μελέτη της επίδρασης που έχουν τα εποχιακά φαινόμενα στους υγροβιότοπους. Τέλος με την ενσωμάτωση της ανάλυσης GIS θα μπορέσει να δημιουργηθεί ένα μοντέλο αποκατάστασης των περιοχών αυτών.

ΠΡΩΤΟΤΥΠΟ ΑΡΘΡΟ

Using Remote Sensing Data to Study Wetland Dynamics in Iowa Principal Investigator: Dr. Ramanathan Sugumaran

Προσωπικά εργαλεία