∆ΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ∆Ε∆ΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ
Από RemoteSensing Wiki
Τίτλος: ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ
Συγγραφείς: Δερζέκος Παναγιώτης, Αργιαλάς Δημήτριος
Ίδρυμα: Εθνικό Μετσόβιο Πολυτεχνείο, Τμήμα Αγρονόμων και Τοπογράφων Μηχανικών, Εργαστήριο Τηλεπισκόπησης, Αθήνα
Πηγή: http://www.gipsynoise.gr/HellasGI/2oSynedrio/Papers/Derzekos_Argialas.pdf
Περίληψη
Η παρούσα εργασία αφορά στη μελέτη του αστικού πρασίνου, με χρήση αντικειμενοστραφούς ανάλυσης δεδομένων Τηλεπισκόπησης Ikonos, στο λογισμικό eCognition. Η ανάλυση της εικόνας Ikonos, περιέλαβε τρία επίπεδα κατάτμησης και ταξινόμησης. Στο πρώτο, αναλυτικό επίπεδο, τα τμήματα στα οποία κατατμήθηκε η εικόνα, ταξινομήθηκαν με βάση έναν δείκτη βλάστησης (Scaled MSAVI), σε περιοχές με πυκνή, αραιή ή χωρίς καθόλου βλάστηση. Στο δεύτερο, συνθετικό επίπεδο, επιχειρήθηκε μία ευρύτερη ταξινόμηση του αστικού χώρου, σε όλες τις φασματικές και εννοιολογικές (θεματικές) κατηγορίες εδαφοκάλυψης, που εντοπίζονταν σε αυτόν. Στο τρίτο επίπεδο, η εικόνα ταξινομήθηκε σε μεγαλύτερες περιοχές, που προσομοίαζαν οικοδομικά τετράγωνα, ανάλογα με το ποσοστό που καταλάμβανε η βλάστηση σε κάθε μία από αυτές, με αποτέλεσμα έναν θεματικό χάρτη πυκνότητας αστικού πρασίνου. Η αξιολόγηση των αποτελεσμάτων, καταδεικνύει πως η αντικειμενοστραφής ανάλυση παρουσιάζει μεγάλα πλεονεκτήματα σε σχέση με τις έως σήμερα διαθέσιμες μεθόδους, για τη μελέτη του αστικού πρασίνου, διότι ξεπερνά την ταξινόμηση στο επίπεδο του εικονοστοιχείου και χρησιμοποιεί χωρικά μαζί με τα φασματικά χαρακτηριστικά, ώστε να επιφέρει μια θεματική και όχι μόνο φασματική ταξινόμηση.
1. Εισαγωγή
Το αστικό πράσινο, δηλαδή το πράσινο που βρίσκεται στον αστικό χώρο, συνδέεται άρρηκτα με τους τομείς της αισθητικής και της ψυχαγωγίας, καθώς και με τον έλεγχο του κλίματος, τον περιβαλλοντικό σχεδιασμό και τη χρήση του ως αρχιτεκτονικό στοιχείο. Διακρίνεται, επιπλέον, όσον αφορά στο νομικό/ιδιοκτησιακό καθεστώς του, σε ιδιωτικό (σε πρασιές και ακάλυπτους οικοπέδων) και σε δημόσιο (σε άξονες μέσων μεταφοράς, κοινόχρηστους χώρους ή κοινωφελείς εγκαταστάσεις). Στις περισσότερες προσπάθειες για τη μελέτη του αστικού πρασίνου, την προηγούμενη δεκαετία, χρησιμοποιήθηκαν δεδομένα Landsat TM. Οι κυριότερες μέθοδοι επεξεργασίας τους αφορούσαν στα φασματικά χαρακτηριστικά της βλάστησης και ιδιαίτερα στη δημιουργία δεικτών βλάστησης (vegetation indices). Ωστόσο, η χαμηλή χωρική διακριτική ικανότητα (Δ. Ικ.) των δεδομένων αυτών, δε διευκολύνει τη μελέτη του πολύπλοκου σε υφή και κατηγορίες εδαφοκάλυψης, αστικού χώρου. Επιπλέον, άλλου τύπου δεδομένα είχαν μικρότερη εφαρμογή, λόγω της μικρής διαθεσιμότητάς τους (π.χ. Laser). Τα γεγονότα αυτά, λοιπόν, προσέδιδαν περιορισμένη επιχειρησιακή αξία στη μελέτη του αστικού πρασίνου, μέσω της Τηλεπισκόπησης. Πέραν, όμως, του προβλήματος της χαμηλής Δ. Ικ., το οποίο με τις εξελίξεις στον τομέα των δεδομένων, ξεπερνιέται εν πολλοίς, προκύπτει ένα άλλο, που αφορά στις διαθέσιμες μεθόδους επεξεργασίας των νέων αυτών δεδομένων. Οι χρησιμοποιούμενοι ως τώρα αλγόριθμοι ταξινόμησης (παραλληλεπιπέδου, μέγιστης πιθανοφάνειας κ.λπ.), αφενός αφορούσαν στην κατάταξη μεμονωμένων εικονοστοιχείων στις διάφορες κατηγορίες και αφετέρου εξέταζαν μόνο τα φασματικά χαρακτηριστικά τους, με αποτέλεσμα να μη μπορούν να διαχειριστούν ικανοποιητικά την πολυπλοκότητα των νέων δεδομένων. Μία λύση στα προβλήματα αυτά, προτείνει η αντικειμενοστραφής ανάλυση εικόνων, που ενσωματώνει το νεοεμφανιζόμενο λογισμικό eCognition.
2. Ανασκόπηση πεδίου
Η γενική ιδέα στην οποία βασίζεται το λογισμικό eCognition, είναι ότι σημαντικές εννοιολογικές πληροφορίες, απαραίτητες για να ερμηνευτεί μία εικόνα, δεν αναπαρίστανται από μεμονωμένα εικονοστοιχεία, αλλά από νοηματικά αντικείμενα/τμήματα της εικόνας και τις αλληλοσυσχετίσεις τους. Με βάση την παρατήρηση αυτή, πρώτο στάδιο ανάλυσης της εικόνας με το eCognition, αποτελεί η κατάτμησή της σε ομοιογενή τμήματα, μέσω μίας τεχνικής συγχώνευσης περιοχών. Μετά το στάδιο της κατάτμησης, ο χρήστης δεν έχει να διαχειριστεί ένα πολύ μεγάλο σύνολο μεμονωμένων εικονοστοιχείων, αλλά ένα πεπερασμένο σύνολο ομοιογενών τμημάτων. Η ταξινόμηση των τμημάτων αυτών, μπορεί να γίνει, όχι μόνο με βάση τα φασματικά τους χαρακτηριστικά, αλλά και ως προς ένα πλήθος άλλων κριτηρίων, όπως είναι το σχήμα, οι συσχετίσεις με άλλες κατηγορίες στο ίδιο ή διαφορετικό επίπεδο κατάτμησης, νέα χαρακτηριστικά, που ο χρήστης δημιουργεί από το συνδυασμό των υπαρχόντων στο λογισμικό κ.α. Τέλος, οι κατηγορίες που δημιουργούνται, μπορούν να οργανωθούν σε ευρύτερες εννοιολογικές (θεματικές) ομάδες, που αφορούν στο χώρο ή στην εδαφοκάλυψη, μέσω αντικειμενοστραφούς αναπαράστασης. Επιπλέον, ιδιαίτερα σημαντική είναι η δυνατότητα συνδυασμού διαφορετικών επιπέδων κατάτμησης και ταξινόμησης. Ένα επίπεδο μπορεί να ταξινομηθεί, λαμβάνοντας υπόψη την ταξινόμηση ενός ανώτερου ή κατώτερου ιεραρχικά επιπέδου. Ακόμη, οι κατηγορίες που παρουσιάζουν ενδιαφέρον στο κατώτερο επίπεδο, μπορούν να "προβληθούν" στο ανώτερο και με τον τρόπο αυτό, να διατηρηθούν οι καλύτερες –όσον αφορά στα αποτελέσματα- κατηγορίες από κάθε επίπεδο. Εν τέλει, τα αποτελέσματα της αντικειμενοστραφούς ανάλυσης μπορούν να εξαχθούν υπό μορφή εικόνας ράστερ, αλλά και υπό μορφή πολυγώνων, διευκολύνοντας τη συνεργασία με Συστήματα Γεωγραφικών Πληροφοριών (GIS). Η όλη διαδικασία ανάλυσης μίας εικόνας, μπορεί να αποθηκευτεί σε ένα μικρού μεγέθους ψηφιακό πρωτόκολλο και να εφαρμοστεί σε άλλες παρόμοιες εικόνες, διατηρώντας σταθερές τις συνθήκες επεξεργασίας και αυτοματοποιώντας την.
3. Μεθοδολογία και Υλοποίηση
3.1 Τα δεδομένα που χρησιμοποιήθηκαν και η περιοχή μελέτης
Περιοχή μελέτης της παρούσας εργασίας, αποτελεί η ευρύτερη περιοχή των Νέων Λιοσίων, στο βορειοδυτικό τμήμα του Λεκανοπεδίου Αττικής. Η ευρύτερη περιοχή των Νέων Λιοσίων, παρουσιάζει πλεονεκτήματα για τη μελέτη του αστικού πρασίνου, καθώς σε αυτήν εντοπίζονται χαρακτηριστικές περιπτώσεις εδαφοκάλυψης: πυκνός αστικός ιστός με καλή ρυμοτομία, αστικός ιστός, που γειτνιάζει με το όρος Χαϊδαρίου και αραιοκατοικημένες περιοχές. Για την περιοχή αυτή, ήταν διαθέσιμη μία εικόνα, πολύ υψηλής διακριτικής ικανότητας Δ. Ικ., του δορυφόρου Ikonos, η οποία είχε έκταση 61,5 km2 και κατεγράφη περίπου στις 9.00' π.μ. της 23ης Μαρτίου 2000. Αποτελείται από πέντε κανάλια, ένα παγχρωματικό και τέσσερα φασματικά: μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο. Η μεγάλη χωρική Δ. Ικ. των δεδομένων, διευκολύνει τη φωτοερμηνεία και επιτρέπει την αναγνώριση πολλών κατηγοριών εδαφοκάλυψης, όπως φαίνεται στην εικόνα 1. Σημειώνεται ότι σε έγχρωμο σύνθετο RGB: 432 η βλάστηση σημαίνεται με τόνους του κόκκινου χρώματος, ενώ διαχωρίζεται ευκρινώς από τις ανθρωπογενείς κατασκευές.
3.2 Προεπεξεργασία των δεδομένων
Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean Matching (LMM), ενώ, εξαιτίας των δοκιμαστικών εκδόσεων του λογισμικού eCognition, που χρησιμοποιήθηκαν, από τη διαθέσιμη εικόνα επιλέχτηκαν τρία μικρότερα χαρακτηριστικά τμήματά της, με το μέγιστο δεκτό μέγεθος 1024*1024 εικονοστοιχεία, που απεικονίζουν πυκνό αστικό ιστό, αστικό ιστό στα όρια με γειτονικό ορεινό όγκο και αραιοκατοικημένη περιοχή και ονομάστηκαν αντίστοιχα “urban1”, “fringe1” και “mixed1”. Οι τρεις αυτές εικόνες χωρίστηκαν στις επιμέρους φασματικές συνιστώσες τους, ενώ τα αρχεία ορίστηκε να διαθέτουν 256 τόνους ανά κανάλι (8-bit depth).
3.3 Κατάτμηση των εικόνων
Οι παράμετροι που καθορίζονται για την κατάτμηση των εικόνων, είναι το βάρος με το οποίο θα συμμετέχει κάθε κανάλι, τα βάρη που θα δοθούν στα κριτήρια κατάτμησης (φασματικό και σχήματος) και η παράμετρος κλίμακας. Δεδομένου ότι όλα τα διαθέσιμα κανάλια είχαν την ίδια χωρική και ραδιομετρική διακριτική ικανότητα, τα βάρη που ανατέθηκαν στα κανάλια ήταν ίδια και ίσα με τη μονάδα. Για τον προσδιορισμό των βαρών των κριτηρίων κατάτμησης, ελήφθη υπ’ όψιν ότι η βλάστηση στον αστικό χώρο εμφανίζεται κυρίως σε συγκεντρώσεις συμπαγείς (ακάλυπτοι, κήποι κ.λπ.), που διαφοροποιούνται φασματικά έντονα από το γύρω χώρο (δρόμους, κτίρια). Επομένως, από τους συνδυασμούς που δοκιμάστηκαν, τα βέλτιστα αποτελέσματα απέδωσε ο συνδυασμός: φασματικό κριτήριο 0,7 και κριτήριο σχήματος 0,3. Η τελευταία παράμετρος, που ορίστηκε για την κατάτμηση, αφορούσε στην κλίμακα, όπου επιλέχτηκε μία σχετικά μικρή τιμή παραμέτρου κλίμακας (10), ώστε τα τμήματα που προκύπτουν, να είναι σχετικά μικρού μεγέθους. Η επιλογή αυτή, έγινε με βάση το γεγονός ότι οι συγκεντρώσεις πρασίνου, που απαντώνται σε αστικό χώρο, είναι συνήθως κατακερματισμένες και μικρές σε έκταση. Τα σχετικά μικρά και συμπαγή τμήματα, που προκύπτουν από την παραπάνω Ταξινόμηση, διευκολύνουν τον εντοπισμό των συγκεντρώσεων αστικού πρασίνου. Ωστόσο, η ομοιότητα των τμημάτων δεν επιτρέπει τη διάκρισή τους, ως προς το σχήμα. Συνεπώς, έγινε εμφανές ότι ήταν σκόπιμο να δημιουργηθεί ένα δεύτερο επίπεδο κατάτμησης, ώστε να χρησιμοποιηθεί και ένα δεύτερο κριτήριο κατά την ταξινόμηση και παράλληλα, να χρησιμεύει ως ένα ευρύτερο πλαίσιο πληροφορίας για τον αστικό χώρο. Πιο συγκεκριμένα, οι παράμετροι που υιοθετήθηκαν για το δεύτερο επίπεδο, ήταν: συμμετοχή και των τεσσάρων διαθέσιμων καναλιών με βάρος 1, τιμή παραμέτρου κλίμακας 15, βάρος φασματικού κριτηρίου 0,7 και βάρος κριτηρίου σχήματος 0,3, που μοιράζεται κατά 0,9 στο λείο της οριογραμμής και κατά 0,1 στο συμπαγές των τμημάτων. Στην εικόνα 2 παρουσιάζονται τα αποτελέσματα της εφαρμογής των δύο τελικών συνδυασμών παραμέτρων, για ένα κομμάτι της εικόνας "urban1", που εμφανίζεται σε έγχρωμο σύνθετο RGB: 432. Στο σύνθετο αυτό, η βλάστηση σημαίνεται με κόκκινο χρώμα. Για κάθε κατάτμηση, τα τμήματα που προκύπτουν, παρουσιάζονται αφενός με σκούρα μπλε όρια, σε λευκό υπόβαθρο και αφετέρου με κίτρινα όρια, σε ένα "διαφανές" σύνθετο, το οποίο επιτρέπει την αξιολόγηση του αποτελέσματος.
3.4 Ταξινόμηση του πρώτου επιπέδου
Όπως έχει προηγουμένως αναφερθεί, στην παράγραφο 3.3, το πρώτο επίπεδο κατάτμησης αφορούσε στο βέλτιστο εντοπισμό των συγκεντρώσεων αστικού πρασίνου και αποτελείται από τμήματα σχετικά μικρά και συμπαγή. Ακολουθήθηκε, δηλαδή, μία αναλυτική προσέγγιση (Moller-Jensen, 1990), που εστιάζει στην παρουσία ή την απουσία της βλάστησης. Για το λόγο αυτό, προτιμήθηκε να ταξινομηθεί ως προς ένα δείκτη βλάστησης και πιο συγκεκριμένα το δείκτη MSAVI (Modified Soil Adjusted Vegetation Index). Από τη φωτοερμηνεία των εικόνων και την απεικόνιση των τιμών του χαρακτηριστικού “Scaled MSAVI”, προέκυψε ο διαχωρισμός των κατηγοριών:
- “Dense vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής μορφής S, με διάστημα τιμών από 128 έως 134.
- “Thin or mixed vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής τραπεζοειδούς μορφής, με διάστημα τιμών από 120 έως 133.
- “Not vegetation (Level 1)”: Ορίζεται συμπληρωματικά ως προς τις άλλες δύο κατηγορίες, που είναι οι “Not Dense vegetation and (min) Not Thin or mixed vegetation".
Επίσης, οι τρεις αυτές κατηγορίες ορίζονται ως υποκατηγορίες μίας γενικότερης (“Level 1”), που αφορά στο επίπεδο που θα εφαρμόζονται. Τέλος, οι δύο κατηγορίες βλάστησης ομαδοποιήθηκαν σε μία εννοιολογική κατηγορία (“Total vegetation in Level 1”), που αφορά στη συνολική βλάστηση στο πρώτο επίπεδο και διευκολύνει τη διάκριση ανάμεσα στη βλάστηση και τον υπόλοιπο χώρο. Η ομαδοποίηση κατηγοριών σε εννοιολογικές ενότητες, πραγματοποιείται με τη βοήθεια της ιεραρχίας ομαδοποίησης (groups hierarchy), σύμφωνα με την οποία παρουσιάζονται και τα αποτελέσματα των ταξινομήσεων (εικόνα 3).
3.5 Η ταξινόμηση του δεύτερου επιπέδου
Το πρώτο βήμα της ταξινόμησης πραγματοποιήθηκε με τη μέθοδο της εγγύτερης γειτνίασης, ως προς τις μέσες φασματικές τιμές στα τέσσερα κανάλια και ορίστηκαν δείγματα για τις κύριες φασματικές ή/και εννοιολογικές κατηγορίες που εντοπίζονται. Η τελική επιλογή των δειγμάτων ήταν αποτέλεσμα μίας διαδικασίας αλλεπάλληλων δοκιμών, που πραγματοποιήθηκε με τη βοήθεια φωτοερμηνείας, επιλογής δειγμάτων και σύγκρισης των χαρακτηριστικών τους, καθώς και απεικονίσεων των τιμών επιλεγμένων χαρακτηριστικών με τιμές του γκρι. Οι κατηγορίες που ορίστηκαν είναι: βλάστηση (“Vegetation”), χώμα (“Soil”), σκιά (“Shade”), ασφαλτικά υλικά (“Asphalt-like materials”), κατασκευές από μπετό (“Concrete”) και στέγες από κεραμίδι (“Tile building roof”). Το αποτέλεσμα για ένα κομμάτι της εικόνας “fringe1”, παρουσιάζεται στην εικόνα 4.β. Για την ταξινόμηση ενός τεμαχίου σε μία κατηγορία εδαφοκάλυψης, το λογισμικό eCognition επιτρέπει τη χρήση, πέρα των φασματικών και γεωμετρικών χαρακτηριστικών του σχήματος, όπως η ασυμμετρία και η πυκνότητα. Για παράδειγμα, η γενική κατηγορία “Asphalt-like materials” περιλαμβάνει (εικόνα 4.β) δρόμους, αλλά και οροφές κτιρίων, με παρόμοια φασματικά χαρακτηριστικά. Το πρώτο βήμα της ταξινόμησης στο δεύτερο επίπεδο, το δεύτερο βήμα με χωρισμένες πλέον τις κατηγορίες "Shade" και "Asphalt-like materials" και η ομαδοποίηση των κατηγοριών, παρουσιάζονται για ένα κομμάτι της εικόνας “mixed1”, στην εκόνα 4.
3.6 Δημιουργία θεματικού χάρτη πυκνότητας αστικού πρασίνου
Όπως εξετάστηκε στις παραγράφους 3.4 και 3.5, το αστικό πράσινο εντοπίστηκε σε δύο διαφορετικά επίπεδα και ταξινομήθηκε με δύο διαφορετικούς τρόπους. Ωστόσο, για να εξυπηρετηθεί η μελέτη του αστικού πρασίνου, είναι χρήσιμο να υπάρχει μία συνολική άποψη για την παρουσία του, στην περιοχή που εξετάζεται. Η ανάγκη αυτή μπορεί να εξυπηρετηθεί με τη δημιουργία ενός θεματικού χάρτη πυκνότητας αστικού πρασίνου, ο οποίος θα αφορά αφενός στη συνολική παρουσία της βλάστησης (πυκνής ή αραιής, σκιασμένης ή όχι) και αφετέρου σε μεγαλύτερες περιοχές, από αυτές που αντιστοιχούν στα τμήματα των προηγούμενων κατατμήσεων. Από το πρώτο επίπεδο η κατηγορία “Total vegetation in Level 1” εξήχθη, δηλαδή προβλήθηκε, στο δεύτερο επίπεδο στη θέση της κατηγορίας “Total vegetation in Level 2”. Με τη διαδικασία αυτή τα τμήματα που έχουν ταξινομηθεί ως βλάστηση στο πρώτο επίπεδο, εμφανίζονται στο δεύτερο, αλλοιώνοντας την κατάτμησή του και μεταφέροντας την ταξινόμησή τους. Ένα παράδειγμα αυτής της προβολής, παρουσιάζεται στην εικόνα 5. Για να ταξινομηθούν οι περιοχές, που προέκυψαν από την κατάτμηση του τρίτου επιπέδου ως προς τη συνολική βλάστηση, οι συνολικές κατηγορίες της βλάστησης "Total vegetation in Level 1" και "Total vegetation in Level 2", ομαδοποιούνται σε μία νέα κατηγορία "Total vegetation in Levels 1 and 2". Η κατηγορία αυτή περιλαμβάνει τη συνολική βλάστηση, που ανιχνεύτηκε σε οποιοδήποτε από τα δύο προηγούμενα επίπεδα και ως προς αυτήν ταξινομείται το τρίτο επίπεδο. Πιο συγκεκριμένα, εφτά κατηγορίες ορίστηκαν με κριτήριο το ποσοστό (%) έκτασης, που καταλαμβάνουν τμήματα ταξινομημένα ως βλάστηση (Relative area of "Total vegetation in Levels 1 and 2"), με τη βοήθεια ασαφών συναρτήσεων συμμετοχής τραπεζοειδούς μορφής. Στην εικόνα 6, παρουσιάζονται (α) ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432, (β) η κατάτμησή του με τις νέες παραμέτρους, (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της.
4. Αξιολόγηση αποτελεσμάτων
Ένα χρήσιμο μέτρο αξιολόγησης της ταξινόμησης, είναι η διερεύνηση της διαφοράς ανάμεσα στον πρώτο και δεύτερο μεγαλύτερο βαθμό συμμετοχής ανά τμήμα, που αναδεικνύει τη σύγχυση ανάμεσα στις κατηγορίες που ορίστηκαν και συνεπώς την ευστάθεια της ταξινόμησης. Το λογισμικό eCognition προσφέρει τη δυνατότητα γραφικής απεικόνισης της ευστάθειας μία ταξινόμησης, μέσω ενός σύνθετου, στο οποίο κάθε τμήμα σημαίνεται με μία ποιοτική κλίμακα χρωμάτων, από έντονο κόκκινο έως σκούρο πράσινο ανάλογα με την ευστάθεια της ταξινόμησής του, δηλαδή ανάλογα με τη διαφορά ανάμεσα στον πρώτο και το δεύτερο μεγαλύτερο βαθμό συμμετοχής. Στην εικόνα 7, παρουσιάζονται τα σύνθετα αξιολόγησης της ευστάθειας, για όλα τα επίπεδα ταξινόμησης της εικόνας "mixed1". Επιπλέον, μπορούμε να συμπεράνουμε πως το πρώτο επίπεδο, που αφορά στον εντοπισμό του αστικού πρασίνου, έχει πολύ υψηλή ευστάθεια. Εν αντιθέσει, το δεύτερο επίπεδο παρουσιάζει σύγχυση μεταξύ κατηγοριών, που οφείλεται: στην πολυπλοκότητα του αστικού χώρου, την παρουσία πολλών κατηγοριών και τη φασματική συγγένεια κατηγοριών, γεγονός που εμποδίζει την περαιτέρω ταξινόμηση του αστικού πρασίνου, σε υποκατηγορίες, ανάλογα με το νομικό/ιδιοκτησιακό καθεστώς του. Τελειώνοντας, σημειώνουμε ότι παρατηρείται βελτίωση της ταξινόμησης του δεύτερου επιπέδου μετά την προβολή της βλάστησης από το πρώτο, που οφείλεται στο ότι τα τμήματα που προβάλλονται, μεταφέρουν στο δεύτερο επίπεδο, την πολύ σταθερή ταξινόμησή τους.
5. Συμπεράσματα και προοπτικές
Τα συμπεράσματα από την εφαρμογή της αντικειμενοστραφούς ανάλυσης και γενικότερα των τεχνικών που ενσωματώνει το λογισμικό eCognition, στη μελέτη του αστικού πρασίνου, καταδεικνύουν επιμέρους σημεία επιτυχούς εφαρμογής, αλλά και περιορισμούς. Οι αναλύσεις των αποτελεσμάτων συγκλίνουν στο ότι η ταξινόμηση του πρώτου επιπέδου, για το οποίο ακολουθήθηκε μία αναλυτική προσέγγιση, ήταν πολύ επιτυχής. Ωστόσο, η ανάλυση που περιγράφηκε, γνώρισε περιορισμούς ως προς τον περαιτέρω προσδιορισμό αυτών των συγκεντρώσεων αστικού πρασίνου, στο συνθετικό, δεύτερο επίπεδο ταξινόμησης. Ο διαχωρισμός των συγκεντρώσεων αστικού πρασίνου, σε δημόσιες ή ιδιωτικές, προϋποθέτει την κατάταξή τους σε επιμέρους κατηγορίες (π.χ. πρασιές, νησίδες, ακάλυπτους χώρους κ.α.), οι οποίες με τη σειρά τους απαιτούν μία γενικότερη, υψηλής ακριβείας κατάταξη του ευρύτερου αστικού χώρου, η οποία δε θα είναι δυνατό να επιτευχθεί χωρίς τη συνδρομή άλλων δεδομένων (π.χ. GIS). Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία. 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, τόσο γενικότερα όσο και συγκεκριμένα για τη μελέτη του αστικού πρασίνου.
