Χαρτογράφηση κατολισθήσεων και Τηλεπισκόπηση: Προκλήσεις και Ευκαιρίες

Από RemoteSensing Wiki

Μετάβαση σε: πλοήγηση, αναζήτηση
Εικόνα 1. Τοποθεσία καλυμμένη από δασος (a) εικόνα δορυφόρου και (b) LIDAR DEM, πηγή: https://www.researchgate.net
Εικόνα 2. Τυπική δομή επιφάνειας κατολίσθησης, πηγή: https://www.researchgate.net


Χαρτογράφηση κατολισθήσεων και Τηλεπισκόπηση: Προκλήσεις και Ευκαιρίες

Landside mapping with remote sensing: challenges and opportunities

Cheng Zhong, Yue Liu, Peng Gao, Wenlong Chen, Hui Li, Yong Hou, Tuohuti Nuremanguli & Haijian Ma

πηγή: [[ https://www.researchgate.net/publication/336585484_Landslide_mapping_with_remote_sensing_challenges_and_opportunities ]]

Στη παρούσα εργασία επισημαίνονται ορισμένες από τις βασικές δυσκολίες που εμποδίζουν τη βελτίωση της χρήσης μεθόδων τηλεπισκόπησης LMRS στη μελέτη των κατολισθήσεων. Οι δυσκολίες που πρέπει να αντιμετωπιστούν είναι η απουσία φασματικών, χωρικών χαρακτηριστικών, η ποικιλία των χαρακτηριστικών μιας επιφάνειας κατολίσθησης και το γεγονός πως πολλά από αυτά είναι μη αναγνωρίσιμα. Προτείνονται ορισμένες λύσεις με στόχο τη βελτίωση της ακρίβειας των δυνατοτήτων που παρέχονται μέσω της τηλεπισκόπησης.

Οι κατολισθήσεις είναι ένα είδος μεγάλου κινδύνου καταστροφών σε χερσαία περιβάλλοντα για τον άνθρωπο, σε αστικούς οικισμούς, κατά μήκος διαδρόμων μεταφορών και σε χώρους αγροτικής βιομηχανίας. Η χρήση δορυφορικών εικόνων σε συνδυασμό με μεθόδους GIS και επιτόπιων μελετών μπορούν να δημιουργήσουν έναν συσχετισμό μεταξύ των γεωμορφολογικών συνθηκών που διαμορφώνονταν στο παρελθόν με τις συνθήκες που αναμένονται στο μέλλον.

Οπτική ερμηνεία εικόνων τηλεπισκόπησης

Τα χαρακτηριστικά των κατολισθήσεων μπορούν να αναγνωριστούν με οπτική ερμηνεία των περιοχών μέσω δορυφορικών εικόνων, αεροφωτογραφιών. Είναι σημαντικό να επιλυθούν προβλήματα εσφαλμένης ταξινόμησης που προκαλούνται από μορφολογική σύγκλιση. Συχνά απαιτείται στερεοσκοπική παρατήρηση για την ανάγνωση της τρίτης διάστασης.

Αυτόματη ερμηνεία εικόνων τηλεπισκόπησης

Η εξαγωγή χαρακτηριστικών ή κανόνων που αντιπροσωπεύουν τα τυπικά σήματα κατολισθήσεων αποτελεί μια δύσκολη εργασία , καθώς δεν υπάρχουν διακριτά φασματικά/χωρικά χαρακτηριστικά και υπάρχουν αρκετά σενάρια και τύποι κατολισθήσεων.

Οι συνήθεις μέθοδοι αυτόματης ερμηνείας είναι η τμηματοποίηση με εφαρμογή κατωφλίου , η εποπτευόμενη και μη εποπτευόμενη ταξινόμηση , όπου στη δεύτερη κάθε pixel αντιπροσωπεύει ένα δεδομένο εκπαίδευσης.

Οι εικόνες τηλεπισκόπησης συχνά επηρεάζονται από ομίχλη, νέφη ενώ οι κατολισθήσεις που καλύπτονται από δέντρα δεν μπορούν να εντοπιστούν σε αυτές.

Τα δεδομένα των περιοχών εκπαίδευσης μπορούν να συνδυαστούν σε 3 επίπεδα για τη χαρτογράφηση κατολισθήσεων. Στο πρώτο η κλίση από το ψηφιακό υψομετρικό μοντέλο χρησιμοποιείται για την αφαίρεση απλών περιοχών ή λόφων, όπου οι κατολισθήσεις είναι σχετικά απίθανο να συμβούν, στο δεύτερο γίνεται συνδυασμός χρήσης δεικτών (π.χ. NDVI) με εξαγωγή χαρακτηριστικών όπως πλαγιά, πτυχή , καμπυλότητα σχεδίου και στο τρίτο χαρακτηριστικά από το έδαφος μπορούν να βελτιώσουν το αποτέλεσμα της ταξινόμησης.

Η μέθοδος στρωματοποιημένης τυχαίας δειγματοληψίας επιτυγχάνει καλύτερη ακρίβεια από τη τυχαία μη στρωματοποιημένη λαμβάνοντας υπόψη τις μεγάλες διαφορές μεταξύ περιοχών κατολίσθησης και περιοχών μη κατολίσθησης. Προτείνεται να γίνεται φιλτράρισμα και μείωση σφαλμάτων πριν τη ταξινόμηση.

LIDAR

LIDAR είναι ένας αισθητήρας λέιζερ σε αεροπλάνο ή ελικόπτερο που μετρά την απόσταση μεταξύ του οργάνου και των σημείων ενδιαφέροντος, παράγοντας DEM, VHR . Σε δασώδη έκταση το LIDAR μπορεί να ξεπεράσει το θόλο του δέντρου για τη καταγραφή στοιχείων της γης. Η ακρίβεια των δεδομένων που λαμβάνονται εξαρτάται όχι μόνο από την ανάλυση και τη ποιότητα της εικόνας αλλά και τα χαρακτηριστικά των εργαλείων που χρησιμοποιούνται για τη καταγραφή. Η ακρίβεια ενός χάρτη που έχει εξαχθεί μέσω LIDAR εξαρτάται από την ακρίβεια του ψηφιακού μοντέλου εδάφους που έχει εξαχθεί επίσης από αυτό. Η αυτόματη εξαγωγή γεωμορφικών χαρακτηριστικών από DEM υψηλής ανάλυσης προέρχεται από την αερομεταφερόμενη σάρωση λέιζερ (ALS). Αποτελεί περίπλοκη διαδικασία η ταυτοποίηση κατολισθήσεων λόγω των μεγάλων διαστάσεων των διαφόρων χωρικών χαρακτηριστικών.

DinSAR

Με το DinSAR υπολογίζεται το μοτίβο παρεμβολών που προκαλείται από τη διαφορά φάσης μεταξύ 2 εικόνων ραντάρ που συγκεντρώθηκαν σε ξεχωριστές ώρες. Οι εικόνες SAR επηρεάζονται από το χρονικό και γεωμετρικό αποχρωματισμό λόγω των μη ταυτόχρονων εξαγωγών δεδομένων. Δεδομένα ανάλυσης 30 μέτρων είναι πιο χρήσιμα από μονής ανάλυσης 10 μέτρων. Τα δεδομένα PALSAR χρησιμοποιούνται στη ταξινόμηση της κάλυψης γης και είναι πιο κατάλληλα στην ανίχνευση κατολισθήσεων. Η διαθεσιμότητα μεγάλων αρχείων C-BAND (μέσω ευρωπαϊκού οργανισμού διαστήματος) και L-band (Ιαπωνικά J-ERS,ALOS,PALSAR-1/2) παρέχουν μια παγκόσμια κάλυψη γης σε πολύ μικρότερο χρόνο επανάληψης λήψης κάτι που θα μπορούσε να αξιοποιηθεί για ταχύτερες διαδικασίες εκτίμησης σφαλμάτων.

Άλλα Πλεονεκτήματα

Η εφαρμογή της πρότυπης ανάλυσης τημάτων (PCA) σε υπερφασματικά δεδομένα που σχετίζονται με αποτελέσματα ανάλυσης του DTM είναι το πιο κατάλληλο σύστημα για τον εντοπισμό της εξάντλησης του φαινομένου των κατολισθήσεων. Η IRT προσέγγιση αποδείχθηκε χρήσιμη για την αξιολόγηση της συνεισφοράς των ανοιχτών ρωγμών, των τάσεων των ασυνεχειών, πληροφορίες που αποτελούν κλειδιά για την εκτίμηση των κινδύνων από βράχους και κατολισθήσεις.

Προκλήσεις Οι βασικές δυσκολίες που εμποδίζουν τη βελτίωση του LMRS είναι οι παρακάτω:

  • Η έλλειψη διακριτών φασματικών χωρικών ή χρονικών χαρακτηριστικών

Είναι εξαιρετικά δύσκολη η αναγνώριση κατολισθήσεων με ακρίβεια μέσω των δημοφιλών μεθόδων ταξινόμησης εικόνων και θα πρέπει περισσότερες μελέτες να επικεντρωθούν στον εντοπισμό των χαρακτηριστικών των κατολισθήσεων. Δεν είναι όλες οι κατολισθήσεις σαφείς και εύκολα αναγνωρίσιμες μέσω αεροφωτογραφιών και δορυφορικών εικόνων.

  • Τα επιφανειακά χαρακτηριστικά των κατολισθήσεων μπορεί να είναι πολύ διαφορετικά

Εν παραδείγματι, υπάρχουν φαινόμενα τα οποία περιγράφονται με την εξέλιξη μιας καταιγίδας μετά τη κατολίσθηση. Για αυτό λοιπόν η χαρτογράφηση κατολισθήσεων πρέπει να εστιάζει στο τρόπο αναγνώρισης των κατολισθήσεων.

  • Οι διαφορές μεταξύ των στοιχείων είναι αβάσιμες

Λαμβάνοντας υπόψη πως τα στοιχεία μιας κατολίσθησης μπορούν να παρατηρηθούν μέσω VHR τηλεπισκόπησης προτείνεται η τμηματική ανίχνευση της αντί της συνολικής ανίχνευσής της μονομιάς. Παρόλα αυτά τέτοιου είδους συστηματικές μελέτες είναι μικρές σε αριθμό.

Ευκαιρίες

  • Στοιχεία κατολισθήσεων και οι χωρικές τους σχέσεις

Πρέπει να εντοπίζονται και να οργανώνονται τα σωστά στοιχεία μιας κατολίσθησης καθώς και η τυπική χωρική σχέση μεταξύ των στοιχείων.

  • Μοτίβα κατολισθήσεων και μεγάλα δεδομένα

Προτείνεται να συνοψίζονται τα μοτίβα των επιφανειακών χαρακτηριστικών των κατολισθήσεων, η σχεδίαση ενός συγκεκριμένου αλγορίθμου για τον προσδιορισμό τους που ανήκουν σε ένα συγκεκριμένο μοτίβο καθώς και ο προσδιορισμός παραγόντων που επηρεάζουν τέτοια μοτίβα. Βέβαια είναι δύσκολο να προσδιοριστεί μαθηματική σχέση μεταξύ ενός παράγοντα και χαρακτηριστικού, οι ιδιότητες πετρωμάτων , βροχοπτώσεις, υπόγεια ύδατα και τέλος διάφορα σφάλματα όπως η αβεβαιότητα στη προσομοίωση.

  • Εμβάθυνση για τη χαρτογράφηση κατολισθήσεων

Η προσέγγιση μέσω συνελικτικών νευρικών δικτύων DCNN θα μπορούσε να βελτιώσει τη χαρτογράφηση κατολισθήσεων εάν τα αποτελέσματα διαφορετικών τύπων τους μπορούσαν να γίνουν πιο κατανοητά . Η συγκεκριμένου τύπου εμβάθυνση θα μπορούσε να κάνει πιο κατανοητά και τα υπάρχοντα δείγματα κατολισθήσεων.

Προσωπικά εργαλεία