Χαρτογράφηση της πυκνότητας της βλάστησης ως δείκτη επικινδυνότητας εκδήλωσης πυρκαγιάς στα φαράγγια της πόλης Σαν Ντιέγκο.

Από RemoteSensing Wiki

Πηγή

International Society for Photogrammetry and Remote Sensing

Τίτλος κειμένου

Vegetation Fire Fuels Mapping in the San Diego City Canyons – A Method Comparison

Συγγραφέας

M. Neubert, S. Kropp, S. Wagenknecht, D. Stow, L. Coulter

Εισαγωγή

Οι καταστροφικές πυρκαγιές αποτελούν μεγάλη απειλή για τη ζωή, τις περιουσίες και τα φυσικά διαθέσιμα της Νότιας Καλιφόρνιας. Στην πόλη Σαν Ντιέγκο οι κάτοικοι είναι υποχρεωμένοι να καθαρίσουν ή να μειώσουν τη βλάστηση σε μια ζώνη 30m από τις ιδιοκτησίες τους ώστε να μειωθεί ο κίνδυνος από μια πιθανή πυρκαγιά. Στην προσπάθεια ανίχνευσης των περιοχών που ενέχουν υψηλό κίνδυνο εκδήλωσης πυρκαγιάς, το κέντρο διάσωσης της πόλης επιδιώκει τη χαρτογράφηση της πυκνότητας της βλάστησης που αντιπροσωπεύει διαφορετικές κατηγορίες κινδύνου. Η χαρτογράφηση αυτή βασίζεται μέχρι τώρα στη χονδροειδή ερμηνεία αεροφωτογραφιών. Στο παρόν άρθρο γίνεται προσπάθεια να χρησιμοποιηθούν τηλεπισκοπικές εικόνες υψηλής χωρικής ανάλυσης με σκοπό την λεπτομερή χαρτογράφηση της βλάστησης σε φαράγγια πόλεων και άλλες περιπτώσεις γειτονίας αστικών – ακαλλιέργητων εκτάσεων. Παράλληλα, αναλύεται η καταλληλότητα διαφορετικών πολυφασματικών τηλεπισκοπικών εικόνων για την χαρτογράφηση της πυκνότητας της βλάστησης. Επιπλέον, επιδιώκεται η χρήση της καταλληλότερης μεθόδου ταξινόμησης. Τέλος, ερευνώνται και οι δείκτες βλάστησης και περισσότερο η διαφοροποίηση μεταξύ δέντρων και θάμνων που θα αυξήσει την ποιότητα του χάρτη επικινδυνότητας.

Περιοχή μελέτης και δεδομένα

Το Σαν Ντιέγκο βρίσκεται στην πολιτεία της Καλιφόρνια στα Νοτιοδυτικά των Ηνωμένων Πολιτειών Αμερικής. Οι ζώνες γύρω από την πόλη χαρακτηρίζονται από κοιλάδες και λόφους. Αν οι κοιλάδες και οι λόφοι επεκτείνονται προς το αστικό περιβάλλον, χαρακτηρίζονται ως φαράγγια πόλεων. Επιλέχθηκαν 2 περιοχές μελέτης στην πόλη. Τα δεδομένα αποτελούνται από 3 διαφορετικές εικόνες υψηλής ανάλυσης με διαχωριστική ικανότητα μικρότερη από 1m:

• Μια σαρωμένη υπέρυθρη αεροφωτογραφία (εικόνα 1)

• Μια ψηφιακή αεροφωτογραφία ADS40 (εικόνα 2)

• Μια δορυφορική εικόνα του δέκτη Quickbird (εικόνα 3)

Στον πίνακα 1 φαίνονται τα γεωμετρικά, φασματικά και ραδιομετρικά χαρακτηριστικά των τριών παραπάνω εικόνων.

Εφαρμογή

Σύμφωνα με το μοντέλο που έχει δημιουργηθεί από το κέντρο πρόληψης του Σαν Ντιέγκο, δημιουργούνται 5 κλάσεις. Οι πληροφορίες που λαμβάνονται υπόψη αφορούν στη γενική βλάστηση, στην τοπογραφία, στα κτίρια, στις διαθέσιμες πηγές προστασίας από πυρκαγιά, στις χρήσεις και σε άλλους παράγοντες. Οι κλάσεις που σχηματίζονται είναι οι εξής:

1. Καθόλου - Βλάστηση ανθεκτική σε πυρκαγιά.

2. Λίγο – γρασίδι, αραιή βλάστηση που καίγεται γρήγορα αλλά χαμηλά.

3. Μέσο – χαμηλοί θάμνοι που καίγονται γρήγορα με μικρές θερμοκρασίες.

4. Πολύ - Δέντρα και θάμνοι μέσης πυκνότητας που καίγονται γρήγορα με μεγάλες θερμοκρασίες.

5. Τεράστιο – Δέντρα και θάμνοι με μεγάλη πυκνότητα που καίγονται γρήγορα σε μεγάλα ύψη και υψηλές θερμοκρασίες.

Επιπλέον δημιουργήθηκε ένας χάρτης καλύψεων γης με επιτόπια έρευνα με σκοπό να εκτιμηθεί η ακρίβεια των αποτελεσμάτων της ταξινόμησης. Στη συνέχεια, οι ταξινομήσεις που πραγματοποιήθηκαν ώστε να εκτιμηθεί η καταλληλότερη ήταν οι εξής: μη επιβλεπόμενη (Isodata), επιβλεπόμενη ( μέγιστης πιθανοφάνειας, ελάχιστης απόστασης, παραλληλεπιπέδου), fuzzy-logic, segment-based και rule-based. Επιπρόσθετα, αξιολογήθηκαν κάποιοι δείκτες βλάστησης ώστε να διαπιστωθεί η ικανότητά τους να βελτιώσουν την ακρίβεια των αποτελεσμάτων. Οι δείκτες που χρησιμοποιήθηκαν φαίνονται στον πίνακα 2. Ο τελευταίος στόχος της εργασίας ήταν η δημιουργία μιας μεθόδου διαφοροποίησης των θόλων που σχηματίζουν τα ψηλά δέντρα από αυτούς των θάμνων. Λόγω της μεγάλης ομοιότητας των δύο αυτών ειδών, είναι δύσκολος ο διαχωρισμός τους τόσο φασματικά όσο και από άποψη υφής. Η κεντρική ιδέα της μεθόδου είναι η ανίχνευση των ψηλών δέντρων με βάση την παρακείμενη σκιά που σχηματίζουν.

Αποτελέσματα

Οι ταξινομήσεις που έγιναν για κάθε εικόνα και με κάθε μέθοδο, εκτιμήθηκαν με βάση το χάρτη που δημιουργήθηκε από την επιτόπια έρευνα. Οι τελικές ακρίβειες παρουσιάζονται στον πίνακα 3. Όλες οι τιμές βρίσκονται μεταξύ των ποσοστών 51% και 68%. Η μικρότερη ακρίβεια προέκυψε από την ταξινόμηση ελάχιστης απόστασης για την σαρωμένη υπέρυθρη αεροφωτογραφία, ενώ η μέγιστη ακρίβεια επιτεύχθηκε από την segment-based ταξινόμηση της ψηφιακής εικόνας ADS40. Γενικότερα, συγκρίνοντας τις ακρίβειες αποδείχθηκε πως η συγκεκριμένη ψηφιακή εικόνα ήταν η καταλληλότερη. Εντούτοις, η επιλογή δεδομένων εξαρτάται και από άλλους παράγοντες όπως η διαθεσιμότητα και το κόστος. Όσον αφορά στις ακρίβειες για κάθε τύπο ταξινόμησης, διαφαίνεται ότι καταλληλότερες είναι η μη επιβλεπόμενη ταξινόμηση, η segment-based και η rule-based. Συνολικά, τα αποτελέσματα των ταξινομήσεων, συγκρινόμενα με άλλες διεξαχθείσες έρευνες, χαρακτηρίζονται μέτρια ως προς τις ακρίβειες που έχουν επιτευχθεί. Για να εκτιμηθεί ο αριθμός των σωστά εντοπισμένων δέντρων, έγινε μια αξιολόγηση βασισμένη στα pixel της εικόνας και μία στα αντικείμενα αυτής. Οι ακρίβειες που επιτεύχθηκαν και από τις 2 τεχνικές ήταν αρκετά χαμηλές. Κατά συνέπεια, κρίνεται πως η προτεινόμενη μέθοδος για την ανίχνευση των θόλων των δέντρων με βάση την παρακείμενη σκιά δεν είναι κατάλληλη.

Δυνατότητες αύξησης της ακρίβειας των ταξινομήσεων

Καθώς οι ακρίβειες της διαδικασίας δεν ήταν ιδιαίτερα υψηλές, έγιναν κάποιες προσπάθειες με σκοπό τη βελτίωσή τους. Αρχικά, έγινε εισαγωγή των δεικτών βλάστησης που παρουσιάστηκαν προηγουμένως. Αποδείχθηκε ότι ο κανονικοποιημένος δείκτης βλάστησης (NDVI) είναι ο καταλληλότερος αλλά όταν προστέθηκε στη διαδικασία, οι ακρίβειες έμειναν σχεδόν αναλλοίωτες ((+/- 1-2 %). Στη συνέχεια, δημιουργήθηκε ένας νέος, λεπτομερής και μεγάλης ακρίβειας χάρτης χρήσεων γης στο πεδίο καθώς ο προηγούμενος χάρτης ενδέχεται να περιείχε λάθη. Πράγματι οι ακρίβειες των ταξινομήσεων βελτιώθηκαν μέχρι και το ποσοστό του 20% και ιδιαίτερα η ταξινόμηση rule-based για την εικόνα ADS40. Η τρίτη δοκιμή που έγινε περιελάμβανε τη συνένωση κλάσεων. Έτσι, συνενώθηκαν οι κλάσεις 2 και 3 καθώς και οι κλάσεις 4 και 5 και οι ακρίβειες βελτιώθηκαν κατά 22% κατά μέσο όρο για όλες τις εικόνες και όλους τους ταξινομητές Η επόμενη τεχνική βελτίωσης αφορά στην ταξινόμηση ενός μόνο συγκεκριμένου τύπου χρήσης γης, του γρασιδιού που έχει συνολικά υψηλές ακρίβειες. Για την δορυφορική εικόνα του δέκτη Quickbird, επιτεύχθηκαν ακρίβειες της τάξης του 84% για την rule-based ταξινόμηση και 87% για την segment-based. Τέλος, προστέθηκαν και δεδομένα Lidar τα οποία σε συνδυασμό με την πολυφασματική εικόνα ADS40 έδωσαν ακρίβεια 84% για όλες τις κλάσεις.

Συμπεράσματα

Ο βασικός στόχος της έρευνας ήταν να εκτιμηθεί η καταλληλότητα των τηλεπισκοπικών πολυφασματικών εικόνων υψηλής διαχωριστικής ικανότητας για ταξινόμηση της πυκνότητας της βλάστησης. Η έρευνα κατέδειξε πως οι εικόνες αυτές είναι κατάλληλες, καθώς επετεύχθη μια ικανοποιητική ταξινόμηση. Ακόμα καλύτερα αποτελέσματα μπορούν να εξαχθούν αν γίνει συνδυασμός ακριβούς και λεπτομερούς χάρτη χρήσεων γης καθώς και δεδομένων Lidar. Η καλύτερη εικόνα για την συγκεκριμένη διαδικασία αποδείχθηκε πως ήταν η ADS40 και η καλύτερη ταξινόμηση ήταν η μη επιβλεπόμενη. Εντούτοις, αν διατίθενται κάποια επιπλέον δεδομένα ή αν πρέπει να ανιχνευθούν συγκεκριμένα αντικείμενα της εικόνας προτείνεται ο συνδυασμός μιας προσέγγισης με κατάτμηση της εικόνας και rule-based ταξινόμησης. Τέλος, ο στόχος της ανίχνευσης των θόλων των δέντρων δεν ήταν εφικτός.