Aναγνώριση - με βάση την υφή - την των αστικών παραγκουπόλεων στο Hyderabad της Ινδίας, χρησιμοποιώντας δεδομένων τηλεπισκόπησης.
Από RemoteSensing Wiki
Αντικείμενο Εφαρμογής: Ανίχνευση παραγκουπόλεων σε αστική γη
Πρωτότυπος Τίτλος: «Remote Texture-based identification of urban slums in Hyderabad, India using remote sensing data»
Συγγραφείς: Oleksandr Kit, Matthias Lüdeke, Diana Reckien (Potsdam Institute for Climate Impact Research, P.O. Box 60 12 03, 14412 Potsdam, Germany)
Πηγή: Περιοδικό Applied Geograpgy, vol. 32, Issue 2, March 2012, Pages 660–667 [1]
Λέξεις Κλειδιά: άτυποι οικισμοί, τεχνική ανίχνευσης γραμμών, μέθοδος lacunarity
Περίληψη: Η παρούσα μελέτη περιγράφει μια μέθοδο εντοπισμού άτυπων οικισμών από δορυφορικών εικόνες υψηλή ανάλυση, χρησιμοποιώντας τη γενική ιδέα της λίμνης (lacunarity). Η μελέτη πραγματοποιήθηκε για την πόλη Hyperabad της Ινδίας. Για τη δυαδική απεικόνιση των αποτελεσμάτων χρησιμοποιήθηκαν ξεχωριστά δύο μέθοδοι: Η μέθοδος του Κυρίαχου Συστατικού και ο Αλγόριθμος Ανίχνευσης Γραμμών. Οι υπολογισμοί έγιναν για τον υπολογισμό τιμών lacunarity καννάβου 60Χ60 και πάνω. Στη συνέχεια χρησιμοποιήθηκε ένας αριθμός ερευνών πεδίου για την ταξινόμηση των δεδομένων, τον εντοπισμό της εμβέλειας των τιμών lacunarity, ώστε να είναι τυπικές για τους τύπους κατοικιών - μικρό μέγεθος και μεγάλη πυκνότητα για την Ινδία, και τη διασταύρωση των αποτελεσμάτων. Μέσα από τη μελέτη διαπιστώθηκε πως η ο αλγόριθμος Ανίχνευσης Γραμμών είχε καλύτερα αποτελέσματα σε σχέση με τη μέθοδο του Κυρίαρχου Στοιχείου για τον σχηματισμό δυαδικά σύνολα δεδομένων για ανάλυση lacunarity καθώς είναι λιγότερο ευαίσθητος στη φασματική μεταβλητότητα εικόνων με ποικιλία υλικών. Η προτεινόμενη μεθοδολογία επιτρέπει την ταχεία ανάλυση και σύγκριση πολλαπλών χρονικών δεδομένων και μπορεί να εφαρμοστεί σε πολλές αστικές περιοχές του αναπτυσσόμενου κόσμου.
Εισαγωγή: Ο υψηλός βαθμός αστικοποίησης έχει ξεπεράσει κάθε προηγούμενο στην ιστορία της ανθρωπότητας, θέλοντας τον μεγαλύτερο πληθυσμό της γης να κατοικεί σε πόλεις. Αυτός ο υψηλός βαθμός δε συνοδεύεται συνήθως με την κατασκευή των απαραίτητων αστικών υποδομών σε κατοικία, συγκοινωνία και χρήσεων κοινής ωφέλειας, ιδιαίτερα στον αναπτυσσόμενο κόσμο, όπου και λαμβάνει χώρα ο μεγαλύτερος βαθμός αστικοποίησης. Αποτέλεσμα όλων αυτών, σε συνδυασμό με τη χαμηλόμισθη εργασία, είναι η δημιουργία άτυπων οικισμών.
"Παραγκουπόλεις" είναι ο ορισμός που χαρακτηρίζει μια μεγάλη γκάμα κατοικίας υψηλής πυκνότητας και μικρού μεγέθους μονάδων κατοικίας χαμηλών κοινωνικών στρωμάτων, ου βρίσκεται στις πόλεις των αναπτυσσόμενων χωρών. Πρόσφατες μελέτες θέλουν το 16% του παγκόσμιου πληθυσμού να κατοικεί σε παραγκουπόλεις και την Ινδία να αγγίζει το 6%.
Οι παραγκουπόλεις στην Ινδία μπορούν να χαρακτηριστούν ανάλογα με τον τύπο κατοικίας σε δύο κατηγορίες: ημι-pucca ή ημι-kutcha. Τα σπίτια Pucca κατασκευάζονται με πιό μόνιμα οικοδομικά υλικά όπως τούβλα, πέτρα, φύλα αμιάντου, μεταλλικά στρώματα και κεραμίδια, ενώ τα σπίτια Kutcha είναι μονώροφα και μοιάζουν περισσότερο με τέντες.
Σε αντίθεση με την αγροτική γη, οι αστικές κατασκευές δεν έχουν καμία μοναδική φασματική ταυτότητα. Ταυτόχρονα, οι πόλεις δεν είναι χωρικά ενιαία σώματα αλλά αποτελούνται από μια ποικιλία δυσδιάκριτων αντικειμένων. Αυτό ισχύει ακόμα περισσότερο για τις παραγκουπόλεις, πράγμα που απαγορεύει τη χρήση ταξινόμησης υλικών βάση των φασματικών τους ιδιοτήτων. Αντίθετα, το μέγεθος και η δομή των κατοικιών φαίνεται να μπορούν να χρησιμοποιηθούν καλύτερα στην ανίχνευση παραγκουπόλεων. Σε αυτό βοηθά ιδιαίτερα η χρήση δορυφορικών εικόνων υψηλής ανάλυσης. Οι αντικειμενοστρεφείς μέθοδοι ανάλυσης δεδομένων υψηλής χωρικής ανάλυσης φαίνεται να είναι πιο αποτελεσματική από την ταξινόμηση ανα εικονοστοιχείο.
Μέθοδος Lacunarity
Για να εντοπίσουμε τις παραγκουπόλεις, θεωρούμε πως οι πόλεις είναι σύνθετα συστήματα, συντιθέμενα από μη-γραμμικά, ποικίλης κλίμακας επαναλήψεις χωρικών και φυσικών ετερογενών συστατικών που θα μπορούσαν να αναλυθούν με μαθηματικά μορφοκλάσματα (fractals). Πολλοί ερευνητές χρησιμοποιούν τη μέθοδο lacunarity για τη μέτρηση των επιφανειακών υλικών και την ταξινόμηση των ειδών κατοικίας. Οι Gefen et al. περιγράφουν τη μέθοδο lacunarity ως το μέτρο της παρέκκλισης των γεωμετρικών αντικειμένων απ' την αμεταβλητότητα και άρα αποτελεί έναν καλό δείκτη της χωρικής ετερογένειας. Με άλλα λόγια, οι τιμές lacunarity αντιπροσωπεύουν την κατανομή των κενών σε μια εικόνα, σε διάφορες κλίμακες.
Στόχοι Μελέτης: • Ανίχνευση παραγκουπόλεων βασιζόμενοι σε αλγόριθμο lacunarity. • Διασταύρωση των αποτελεσμάτων. • Σύγκριση μεταξύ των μεθόδων αλγορίθμου Γραμμικής Ανίχνευσης και Μεθόδου Βασικού Συστατικού στην παραγωγή δυαδικών συνόλων δεδομένων.
Πηγές Δεδομένα: Τα δεδομένα που χρησιμοποιήθηκαν προέρχονται από τον δορυφόρο Quickbird. Ο αισθητήρας του καταγράφει πολυφασματικές και πανχρωματικές εικόνες ταυτόχρονα, με χωρική ανάλυση 2.44-2.88 μ. και 0.61-0.72 μ. αντίστοιχα, ανάλογα με την οπτική γωνία λήψης (0-25 μοίρες). Οι εικόνες έχουν καλιμπραριστεί ραδιομετρικά, pan-sharpened και διορθωθεί από ανωμαλίες που προέρχονται από τον αισθητήρα και την πλατφόρμα και χαρτογραφηθεί σε 44Ν UTM σύστημα προβολής. Τα δεδομένα καλύπτουν έκταση 400χλμ της αστικής επικράτειας.
Προετοιμασία Δεδομένων: Οι υπολογισμοί lacunarity λειτουργούν καλύτερα με δυαδικά δεδομένα. Στην παρούσα μελέτη θα χρησιμοποιηθούν και θα συγκριθούν δύο μέθοδοι δυαδιοποίησης: • O αλγόριθμος Ανίχνευσης Γραμμών - LD. • H μέθοδος του Κυρίαρχου Στοιχείου - PCA. O Muchoney υποστήριξε πως η PCA μέθοδος είναι πιο αποτελεσματική σε διαδικασία αυτόματης ανίχνευσης.
Υπολογισμός Lacunarity: Ο αλγόριθμος παράγει έναν τετράγωνο πίνακα με δεκαδικές τιμές lacunarity, που αποθηκεύονται με μορφή εικόνας GeoTIFF. Υποστηρίζεται πως το μέγεθος του παραθύρου του αλγορίθμου πρέπει να είναι τόσο μεγάλο ώστε να καλύπτει τις μεγαλύτερες μονάδες ενδιαφέροντος, αλλά όχι να μην εξέχει του μεγέθους που να αποκαλύπτει τη διακύμανση της πληροφορίας στις εικόνες υψηλής ανάλυσης. Το μέγεθος τον μονάδων των κατοικιών στις παραγκουπόλεις δεν ξεπερνά το μέγεθος μερικών μέτρων και οι αποστάσεις τους κλάσματα του μέτρου. Συνεπώς, το παράθυρο του αλγορίθμου είναι της τάξεως των 3-15 μ.
Αποτελέσματα: Χρησιμοποιώντας τρεις τιμές δυαδιοποίησης και τρί μεγέθη παραθύρων αλγορίθμου κατά τη διάρκεια των δύο μεθόδων, έχουν δημιουργηθεί 18 διαφορετικοί πίνακες lacunarity. Για να διαλέξουμε την καλύτερη μέθοδο δυαδιοποίησης, συγκρίναμε τα αποτελέσματα με δεδομένα που προέκυψαν μετά από έρευνα πεδίου. Τα αποτελέσματα της διακρίβωσης έδειξαν πως ο αλγόριθμος LD έδωσε καλύτερα αποτελέσματα και τα βέλτιστα αποτελέσματα παρατηρήθηκαν με παράθυρο αλγορίθμου της τάξεως των 10px με κατώφλι δυαδιοποίησης 60. Η μεγαλύτερη συσχέτιση μεταξύ υπολογισμένων και παρατηρημένων θέσεων παραγκουπόλεων συμβαίνει με τιμές lacunarity 1.10-1.15, με βαθμό επιτυχίας 83.33%. Ανάλυση Αποτελεσμάτων: Με τις παραγκουπόλεις να έχουν τιμές lacunarity 1.10-1.15, επιβεβαιώθηκαν οι Malhi και Roman-Cuesta, οι οποίοι υποστήριξαν των χαμηλές τιμές lacunarity σημαίνει πυκνότερη δόμηση, οπότε και μεγαλύτερη πιθανότητα ύπαρξης παραγκουπόλεων. Βέβαια, στην κατηγορία αυτή ενέπεσαν και περιοχές νερού και βλάστησης. Εξ' αιτίας όμως των ιδιαίτερων φασματικών τους ιδιοτήτων, τα σώματα αυτά μπορούν πολύ εύκολα να ανιχνευθούν, μέσω μη-εποπτευόμενης ομαδοποίησης και να απομονωθούν.
Ο λόγος που η LD μέθοδος απέδωσε καλύτερα είναι γιατί με αυτήν περιγράφονταν καλύτερα τα διαφορετικά αντικείμενα. Η μέθοδος lacunarity είναι αποτελεσματική σε παραγκουπόλεις που έχουν επιφάνεια μεγαλύτερη των 3600μ2. Αυτό συμβαίνει γιατί ο πίνακας που σχηματίζει έχει διαστάσεις 100Χ100, σε εικόνα ανάλυσης 60εκ. Συμπεράσματα: Η μέθοδος αυτή μπορεί να αναπτύξει γρήγορα δεδομένα, ανιχνεύοντας τη συντριπτική πλειοψηφία των περιοχών παραγκουπόλεων, ανεξάρτητα από τεχνικούς και πολιτικούς περιορισμούς. Επίσης, το κόστος της εφαρμογής της είναι ιδιαίτερα χαμηλό και μπορεί να υποστηριχθεί από φτωχές αναπτυσσόμενες χώρες.
Ένας περιορισμός της μεθόδου είναι το τί ορίζει η κάθε κοινωνία κάνοντας λόγο για παραγκουπόλεις. Η μέθοδος βασίζεται μόνο σε μορφολογικά χαρακτηριστικά και δεν μπορεί να συγκριθεί άμεσα με το ευρύ ορισμό στην Ινδία.
Αναφορές:
Amorim, L., Barros Filho, M. N., & Cruz, D. (2009). Analysing Recife’s urban fragments. In D. Koch, L. Marcus, & J. Steen (Eds.), Proceedings of the 7th international space syntax symposium (pp. 003:1e14). Stockholm: KTH.
Baltsavias, E.P.,&Mason, S. (1997).Image-basedreconstructionof informal settlements. In A. Gruen, E. P. Baltsavias, & O. Henricsson (Eds.), Proceedings of 17. International workshop "Automatic extraction of man-made objects from aerial and space images (II)", 5e9. May, Ascona, Switzerland (pp. 87e96). Basel: Birkhäuser Verlag.
Baud, I., Pfeffer, K., Sridharan, N., & Nainan, N. (2009). Matching deprivation mapping to urban governance in three Indian mega-cities. Habitat International, 33(2009), 365e377.
Baud, I., Kuffer, M., Pfeffer, K., Sliuzas, R., & Karuppannan, S. (2010). Understanding heterogeneity in metropolitan India: the added value of remote sensing data for analyzing sub-standard residential areas. International Journal of Applied Earth Observation and Geoinformation, 12(5), 359e374.
Bhaskaran, S., Paramananda, S., & Ramnarayan, M. (2010). Per-pixel and objectoriented classification methods for mapping urban features using Ikonos satellite data. Applied Geography, 30(4), 650e665.
Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensin, 65(1), 2e16. Census of India. (2001). Metadata and brief highlights on slum population. http://censusindia.gov.in/Data_Products/Data_Highlights/Data_Highlights_link/metadata_ highlights.pdf [Access: 05.07.11].
Cheng, P., Toutin, T., & Zhang, Y. (2003). QuickBird e geometric correction data fusion and automatic DEM extraction. Earth Observation Magazine, 11(4), 14e18.
Dewan, A. M., & Yamaguchi, Y. (2009). Land use and land cover change in Greater Dhaka, Bangladesh: using remote sensing to promote sustainable urbanisation. Applied Geography, 29, 390e401.
Ellefsen, R., Swain, P. H., & Wray, J. (1973). Urban land-use mapping by machine processing of ERTS-1 multispectral data: a San Francisco Bay area example. In Proceedings of the conference on machine processing of remotely sensed data. West Lafayette: Purdue University, 2A2e2A22.
Filho, M. N. B., & Sobreira, F. (2008). Accuracy of lacunarity algorithms in texture classification of high spatial resolution images from urban areas. The International Archives of the Photogrammetry, Remote Sensing, and Spatial Information Sciences, 36, 417e422.
Gefen, Y., Meir, Y., Mandelbrot, B., & Aharony, A. (1983). Geometric implementation of hypercubic lattices with noninteger dimensionality by use of low lacunarity fractal lattices. Physical Review Letters, 50(3), 145e148.
GHMC. (2010). Revised master plan for core area (erstwhile MCH area) of GHMC. Report No. 3650, Hyderabad.
GoI. (2010a). Government sets up an eight member expert committee to examine the draft Rajiv Awas Yojana. Mumbai: Government of India, Press Information Bureau. Available online at: http://pibmumbai.gov.in/scripts/static.asp?releaseID¼E2010PR424 [Last accessed 30.03.11].
GoI. (2010b). Census of India 2001: (Provisional) Slum population - Explanatory note. Government of India. Available online at: http://censusindia.gov.in/Tables/_Published/Admin/_Units/Admin/_links/slum note.html [Last Accessed 2.02.11].
GoI. (2010c). Census of India 2001: (provisional) slum population in million plus cities (municipal corporations): Part A. Government of India. Available online at: http://censusindia.gov.in/Tables/ _Published/Admin/_Units/Admin/_links/slum1/_m/_plus.html [Last Accessed 7.02.11].
Herold, M., Goldstein, N. C., & Clarke, K. C. (2003). The spatiotemporal form of urban growth: measurement, analysis and modeling. Remote Sensing of Environment, 86(3), 286e302.
Hurskainen, P., & Pellikka, P. (18e21 October, 2004). Change detection of informal settlements using multi-temporal aerial photographs e the case of Voi, SE Kenya. In Paper presented at the 5th AARSE conference. Nairobi: African Association of Remote Sensing of the Environment.
Lillesand, T. (1990). Satellite remote sensing: its evolution and synergism with GIS technology. Government Information Quarterly, 7(3), 307e327.
Lo, C. P., & Welch, R. (1977). Chinese urban population estimates. Annals of the Association of American Geographers, 67(2), 246e253.
Maktav, D., Erbek, F. S., & Jürgens, C. (2005). Remote sensing of urban areas. International Journal of Remote Sensing, 26(4), 655e659.
Malhi, Y., & Román-Cuesta, R. (2008). Analysis of lacunarity and scales of spatial homogeneity in IKONOS images of Amazonian tropical forest canopies. Remote Sensing of Environment, 112(5), 2074e2087.
Martinez, K., Cupitt, J. (2005) VIPS e a highly tuned image processing software architecture. In: Proceedings of the IEEE International Conference on Image Processing, Sept. 2005, Genoa. pp. 574e577. MCH. (2005). Draft city development plan. Hyderabad: Municipal Corporation of Hyderabad.
Muchoney, D. M., & Haack, B. N. (1994). Change detection for monitoring forest defoliation. Photogrammetric Engineering & Remote Sensing, 60, 1243e1251.
Myint, S., & Lam, N. (2005). A study of lacunarity-based texture analysis approaches to improve urban image classification. Computers, Environment and Urban Systems, 29(5), 501e523.
Naidu, R. (1990). Old cities, new predicaments: A study of Hyderabad. London and New Delhi: Sage.
Niebergall, S., Loew, A., & Mauser, W. (2008). Integrative assessment of informal settlements using VHR remote sensing data e the Delhi case study. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 1(3), 193e205.
Richards, J. A., & Jia, X. (2006). Remote sensing digital image analysis. Berlin: Springer-Verlag.
Rozenstein, O., & Karnieli, A. (2011). Comparison of methods for land-use classification incorporating remote sensing and GIS inputs. Applied Geography, 31(2011), 533e544.
The Community Studies Team. (2007). Food and nutritional security in the slums of Hyderabad. Humboldt University. http://www.sustainable-hyderabad.de/index.php?page¼workingpapers [Access: 08.05.11].
UN. (2002). Sustainable urbanisation - Achieving Agenda 21. Nairobi: United Nations Human Settlements Programme.
UN. (2003). The challenge of slums - Global report on human settlements. Nairobi: United Nations Human Settlements Programme.
UN. (2006). State of the world’s cities report 2006/7. Nairobi: United Nations Human Settlements Programme.
UN. (2009). World urbanization prospects. The 2009 revision. New York: Population Division, Department of Economic and Social Affairs, United Nations Secretariat.
UN. (2011). UN data glossary. Available online from. http://data.un.org/Glossary.aspx [Last Accessed 2.02.11].
Weizman, L., & Goldberger, J. (2009). Urban-area segmentation using visual words. IEEE Geoscience and Remote Sensing Letters, 6(3), 388e392.
