ΕΞΑΓΩΓΗ ΚΑΙ ΤΑΞΙΝΟΜΗΣΗ ΑΣΤΙΚΩΝ ΠΕΡΙΟΧΩΝ ΠΟΥ ΚΙΝΔΥΝΕΥΟΥΝ ΑΠΟ ΔΙΑΒΡΩΣΗ ΤΟΥ ΓΥΜΝΟΥ ΕΔΑΦΟΥΣ ΜΕ ΧΡΗΣΗ ΤΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΑΦΟΥΣ ΑΝΑΛΥΣΗΣ

Από RemoteSensing Wiki

(Διαφορές μεταξύ αναθεωρήσεων)
Μετάβαση σε: πλοήγηση, αναζήτηση
(New page: category:Διαχείριση κινδύνων 1. '''Αντικείμενο Εφαρμογής: ΕΞΑΓΩΓΗ ΚΑΙ ΤΑΞΙΝΟΜΗΣΗ ΑΣΤΙΚΩΝ ΠΕΡΙΟΧΩΝ ΠΟΥ ΚΙ...)
 
Γραμμή 37: Γραμμή 37:
[[Εικόνα:t9eik4.jpg | thumb | right |]]
[[Εικόνα:t9eik4.jpg | thumb | right |]]
Στον ΠΙΝΑΚΑ 1 παρουσιάζεται το υπόμνημα και τα αποτελέσματα της ταξινόμησης για την κλίση του εδάφους.  
Στον ΠΙΝΑΚΑ 1 παρουσιάζεται το υπόμνημα και τα αποτελέσματα της ταξινόμησης για την κλίση του εδάφους.  
 +
 +
Στην ΕΙΚΟΝΑ 4 φαίνεται η κατάτμηση των πολυγώνων που έγινε σύμφωνα με το χάρτη κλίσης εδάφους.
Στην ΕΙΚΟΝΑ 4 φαίνεται η κατάτμηση των πολυγώνων που έγινε σύμφωνα με το χάρτη κλίσης εδάφους.
Κάποιες από τις περιοχές με μεγάλη κλίση δεν είναι πολύ ευαίσθητες στης διάβρωση αφού οι περισσότερες από αυτές βρίσκονται σε περιοχές που πλημμυρίζουν ή χαμηλές και επίπεδες περιοχές κοντά σε ρυάκια. Για την αποτελεσματικότερη ανάλυση του κινδύνου διάβρωσης σε αυτές τις περιοχές εξετάστηκαν παράλληλα και τα γεωλογικά χαρακτηριστικά του εδάφους.
Κάποιες από τις περιοχές με μεγάλη κλίση δεν είναι πολύ ευαίσθητες στης διάβρωση αφού οι περισσότερες από αυτές βρίσκονται σε περιοχές που πλημμυρίζουν ή χαμηλές και επίπεδες περιοχές κοντά σε ρυάκια. Για την αποτελεσματικότερη ανάλυση του κινδύνου διάβρωσης σε αυτές τις περιοχές εξετάστηκαν παράλληλα και τα γεωλογικά χαρακτηριστικά του εδάφους.

Παρούσα αναθεώρηση της 10:32, 9 Φεβρουαρίου 2010


1. Αντικείμενο Εφαρμογής: ΕΞΑΓΩΓΗ ΚΑΙ ΤΑΞΙΝΟΜΗΣΗ ΑΣΤΙΚΩΝ ΠΕΡΙΟΧΩΝ ΠΟΥ ΚΙΝΔΥΝΕΥΟΥΝ ΑΠΟ ΔΙΑΒΡΩΣΗ ΤΟΥ ΓΥΜΝΟΥ ΕΔΑΦΟΥΣ ΜΕ ΧΡΗΣΗ ΤΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΑΦΟΥΣ ΑΝΑΛΥΣΗΣ

2. Στόχος Εφαρμογής: Η εφαρμογή αυτή παρουσιάζει μία μεθοδολογία επεξεργασίας εικόνων η οποία δημιουργεί με υψηλή ακρίβεια πολύγωνα περιοχών με γυμνό έδαφος με τη βοήθεια τoυ αλγόριθμου μεθόδου της κατάτμησης. Η κατάτμηση αυτή χρησιμοποιείται για την ταξινόμηση της εικόνας με βάση την κλίση του εδάφους με τη βοήθεια της ανάλυσης GIS. Στόχος της εφαρμογής είναι η δημιουργία μιας μεθοδολογίας η οποία να προσφέρει ακριβείς «γεωπληροφορίες» (geoinformation) έτσι ώστε να μπορέσει να υποστηρίξει υδρολογικά έργα και έργα διαχείρισης της γης.

3. Είδη Δορυφόρων, Δεκτών και Καναλιών: Για την εφαρμογή αυτή χρησιμοποιήθηκε μία εικόνα της περιοχής από τον πολυφασματικό δέκτη ICONOS. Αρχικά η ορθοανηγμένη εικόνα αποτελούταν από το κόκκινο, το πράσινο, το μπλε και το εγγύς υπέρυθρο κανάλι με διακριτική ικανότητα 1μ.

4. Ψηφιακές επεξεργασίες/αλγόριθμοι και αποτελέσματα: Οι κύριες συνιστώσες της εικόνας είχαν υπολογιστεί εκ των προτέρων και στη συνέχεια εφαρμόστηκαν στην εικόνα για να δώσουν μεγαλύτερη «διαχωριστικότητα» στα αντικείμενα. Για να γίνει η ταξινόμηση της εδαφοκάλυψης χρησιμοποιήθηκαν τρία χαρακτηριστικά :ο δείκτης βλάστησης, ο δείκτης σκιάς και ο δείκτης γυμνού εδάφους. Ο δείκτης βλάστησης υπολογίζει τη διαφορά των τιμών φωτεινότητας μεταξύ του εγγύς υπέρυθρου και του κόκκινου καναλιού. Οι περιοχές με βλάστηση έχουν μεγαλύτερη τιμή του δείκτη αυτού σε σχέση με άλλα είδη εδαφοκάλυψης.

•NDVI = (NIR - RED )/ (NIR + RED)

Ο δείκτης σκιάς χρησιμοποιεί τη διαφορά μεταξύ των τιμών φωτεινότητας στο μπλε κανάλι και στην PC-1. Αν αναλύσουμε τις δύο αυτές εικόνες (μπλε και PC-1) ξεχωριστά η διαφορά στις τιμές φωτεινότητας της σκιάς με άλλα παρόμοια αντικείμενα είναι μικρές. Η αφαίρεση των τιμών στην PC-1 από τις τιμές στο μπλε κανάλι δημιουργούν έναν καινούριο χάρτη όπου η τιμές φωτεινότητας είναι αρνητικές. Στην παραγόμενη εικόνα οι φωτεινές περιοχές αναδεικνύουν τα σκιερά αντικείμενα τα οποία σε επόμενο στάδιο θα απαλειφθούν με μάσκα.

•Γενικός Δείκτης Σκιάς = μπλε – PC 1

Ο δείκτης γυμνού εδάφους είναι συνδυασμός της PC3 και του μπλε καναλιού. Αρχικά στην PC3 δεν μπορούσαν να διακριθούν καλά οι περιοχές γυμνού εδάφους λόγω μεγάλης ετερογένειας στην εικόνα ειδικά στις περιοχές που το γυμνό έδαφος βρίσκεται ανάμεσα σε κτίρια και δρόμους. Για να αντιμετωπιστεί αυτό το πρόβλημα έγινε συνδυασμός της PC3 με το μπλε κανάλι το οποίο διαθέτει μικρότερη εναλλαγή τόνων σε σχέση με τα άλλα κανάλια και στο οποίο οι τιμές φωτεινότητας του γυμνού εδάφους είναι χαμηλές. Στον τύπο του Γενικού Δείκτη Γυμνού Εδάφους χρησιμοποιήθηκε στον παρανομαστή ένας μεγάλος αρνητικός αριθμός για να προκύπτουν μικρές τιμές.

•Γ.Δ. Γυμνού Εδάφους = PC3 * μπλε/(-100000)



T9eik1.jpg
T9eik2.jpg

Για την ταξινόμηση της εικόνας είχαν αποφασιστεί από πριν τρεις κατηγορίες : γενική βλάστηση, γενική σκιά και γενικό γυμνό έδαφος. Η ταξινόμηση για το γυμνό έδαφος ξεκίνησε από την ταξινόμηση των περιοχών βλάστησης με τη βοήθεια του NDVI. Τα αντικείμενα με τιμή NDVI πάνω από 0.2 θεωρούνταν ως βλάστηση. Ομοίως οι περιοχές σκιάς διαχωρίστηκαν από το υπόλοιπο φόντο με χρήση του Γενικού Δείκτη Σκιάς με μικρότερη τιμή 425. Κάθε αντικείμενο ταξινομήθηκε με βάση το βαθμό συνάφειάς του με κάθε τάξη. Οι περιοχές βλάστησης και σκιάς αφαιρέθηκαν από την τελική εικόνα ταξινόμησης με τη χρήση μάσκας για να μπορέσουν να ανιχνευθούν ευκολότερα και αποτελεσματικότερα οι περιοχές γυμνού εδάφους. Στη συνέχεια εισήχθησαν δύο νέες κλάσεις στην ταξινόμηση, η κεραμοσκεπές και γυμνό έδαφος ως υποκατηγορίες του γενικού γυμνού εδάφους. Τα φασματικά πρότυπα των κεραμοσκεπών και του γυμνού εδάφους είναι παρόμοια. Τα αντικείμενα αναλύθηκαν με βάση το εμβαδόν τους, το πόσο πλησίαζαν στο σχήμα του παραλληλογράμμου και τα όριά τους σε σχέση με τις περιοχές «Γενικής Σκιάς» (κατηγορία που αναφέρθηκε παραπάνω). Όσα αντικείμενα είχαν μεγαλύτερη συνάφεια με τα στοιχεία αυτά είχαν μεγαλύτερη πιθανότητα να ταξινομηθούν ως «Κεραμοσκεπές» και τα υπόλοιπα ως «Γυμνό Έδαφος». H ΕΙΚΟΝΑ 1 και ΕΙΚΟΝΑ 2 παρουσιάζουν την αρχική εικόνα σε φυσικό έγχρωμο σύνθετο και την τελική ταξινόμηση αντίστοιχα.


T9eik3.jpg

Η επόμενη ταξινόμηση που έγινε μετά την εξαγωγή των περιοχών γυμνού εδάφους ήταν η ταξινόμηση με βάση την κλίση του εδάφους. Για την ταξινόμηση αυτή χρησιμοποιήθηκαν τοπογραφικοί χάρτες κλίσης εδάφους. Για την επεξεργασία αυτή έπρεπε να γίνει μετατροπή των πολυγώνων σε raster δεδομένα για να υπολογιστούν τα κοινά σημεία μεταξύ των εικόνων με το γυμνό έδαφος και του τοπογραφικού χάρτη. Κατά τη διάρκεια αυτής της επεξεργασίας πρέπει να διατηρηθεί η συμβατότητα της χωρικής διακριτικής ικανότητας μεταξύ των δύο πηγών δεδομένων. Η διακριτική ικανότητα των raster δεδομένων για τα υψόμετρα ήταν 1μ. Για τις ανάγκες της ανάλυσης αυτής δημιουργήθηκε μία νέα εικόνα που περιείχε 5 επίπεδα πληροφορίας με κλίση(%) 0-10, 10-25, 25-50, 50-100, >100 όπως φαίνεται στην ΕΙΚΟΝΑ 3.Από την εικόνα βλέπουμε ότι η πλειοψηφία (86%) των πολυγώνων γυμνού εδάφους βρίσκεται σε περιοχές μικρής κλίσης και λιγότερο από 1% βρίσκεται σε περιοχές πολύ μεγάλης κλίσης.

T9pin1.jpg
T9eik4.jpg

Στον ΠΙΝΑΚΑ 1 παρουσιάζεται το υπόμνημα και τα αποτελέσματα της ταξινόμησης για την κλίση του εδάφους.


Στην ΕΙΚΟΝΑ 4 φαίνεται η κατάτμηση των πολυγώνων που έγινε σύμφωνα με το χάρτη κλίσης εδάφους. Κάποιες από τις περιοχές με μεγάλη κλίση δεν είναι πολύ ευαίσθητες στης διάβρωση αφού οι περισσότερες από αυτές βρίσκονται σε περιοχές που πλημμυρίζουν ή χαμηλές και επίπεδες περιοχές κοντά σε ρυάκια. Για την αποτελεσματικότερη ανάλυση του κινδύνου διάβρωσης σε αυτές τις περιοχές εξετάστηκαν παράλληλα και τα γεωλογικά χαρακτηριστικά του εδάφους.

T9eik5.jpg


Στην ΕΙΚΟΝΑ 5 φαίνεται η υπέρθεση ενός ψηφιακού Μοντέλου Εδάφους, ορθοφωτογραφιών και των πολυγώνων γυμνού εδάφους που προέκυψαν από την πρώτη ταξινόμηση.

5. Χρήση επιπρόσθετων χαρτών, βάσεων δεδομένων, GIS και ποιών: Η μεθοδολογία απαιτούσε επίσης τη δημιουργία ενός χάρτη κλίσεων του εδάφους από ένα Ψηφιακό Μοντέλο Εδάφους. Η ανάλυση των τοπογραφικών χαρτών σε συνδυασμό με τις δορυφορικές εικόνες έγινε με χρήση του λογισμικού ESRI ArcGIS

6. Προχωρημένες επεξεργασίες τηλεπισκοπικών εικόνων: Στην εικόνα εφαρμόστηκε η μέθοδος της κατάτμησης με πειραματισμούς με την παράμετρο της κλίμακας, τα κανάλια, το βαθμό της ομοιογένειας σχήματος, το βαθμό ομοιογένειας για τη συνεκτικότητα (compactness) κ.α. Τελικά ως καλύτερος συνδυασμός προέκυψε εκείνος των αρχικών καναλιών, παράμετρο κλίμακας 30, ομοιογένεια σχήματος 0.9 και compactness 0.1. Μια σημαντική παρατήρηση που έγινε για την παράμετρο ομοιογένειας των σχημάτων είναι ότι όσο μεγαλύτερη η τιμή της τόσο λιγότερο λαμβάνεται υπ’ όψιν το χρώμα στη δημιουργία πολυγώνων.

7. Σημαντικά αποτελέσματα και αξιολόγηση των μεθόδων: Τα αποτελέσματα της μελέτης δείχνουν ότι η μέθοδος της αντικειμενοστραφούς ανάλυσης σε δορυφορικές εικόνες είναι πολλά υποσχόμενη. Σε σχέση με την παραδοσιακή φωτοερμηνεία η ακρίβεια της τάξης του 81,3% δείχνει πόσο ακριβής είναι η μέθοδος της ταξινόμησης παρόλο που τα αντικείμενα της περιοχής μελέτης παρουσιάζουν μεγάλη ετερογένεια στα χωρικά και φασματικά χαρακτηριστικά τους. Η ακρίβεια της επεξεργασίας των δεδομένων που έγινε σε αυτή την έρευνα δείχνει ότι η τελική χαρτογράφηση της περιοχής μπορεί να δώσει καλής ποιότητας τεχνικές πληροφορίες για τη διαχείριση αστικών και υδάτινων περιοχών.


ΠΡΩΤΟΤΥΠΟ ΑΡΘΡΟ GEOGRAPHIC INFORMATION SYSTEMS AND WATER RESOURCES IV AWRA SPRING SPECIALTY CONFERENCE Houston, Texas

Προσωπικά εργαλεία