Αξιολόγηση της προστιθέμενης αξίας του Sentinel – 2 για τον εντοπισμό χτισμένων περιοχών
Από RemoteSensing Wiki
| Γραμμή 16: | Γραμμή 16: | ||
Η συγκεκριμένη εργασία εφαρμόζει την ταξινόμηση GHSL σε δεδομένα Sentinel 2, ώστε να συγκρίνει τα αποτελέσματά του με αυτά των εικόνων του Landsat και εξετάζει την πιθανότητα συνδυασμού δεδομένων από διάφορους σένσορες. Η μεθοδολογία της ταξινόμησης είναι η νέα συμβολική μέθοδος SML (Symbolic Machine Learning) και εφαρμόστηκε σε διάφορες κατηγορίες δεδομένων, Landsat, Sentinel 1 και 2. Η μέθοδος SML είναι δομημένη με βάση την έννοια του εμπειρικού πολυδιάστατου ιστογράμματος, δηλαδή, οι τιμές χαρακτηριστικών προέρχονται από την ομαδοποίηση / ομαδοποίηση του πολυδιάστατου ιστογράμματος που περιγράφει τα υπό εξέταση δεδομένα και είναι καθορισμένες. Στη συνέχεια, ένα κανονικοποιημένο μέτρο βαθμολογεί τις κλάσεις των στοιχείων σύμφωνα με τον αριθμό των συμβάντων τους σε κάθε κατηγορία. Η μέθοδος SML βασίζεται στη μείωση των δεδομένων και στην ανάλυση σχέσης. Τα δεδομένα που προκύπτου από τη μείωση είναι αυτά που χρησιμοποιούνται στην ανάλυση, όπως περιγράφεται στο διάγραμμα ροής της εικόνας 1. | Η συγκεκριμένη εργασία εφαρμόζει την ταξινόμηση GHSL σε δεδομένα Sentinel 2, ώστε να συγκρίνει τα αποτελέσματά του με αυτά των εικόνων του Landsat και εξετάζει την πιθανότητα συνδυασμού δεδομένων από διάφορους σένσορες. Η μεθοδολογία της ταξινόμησης είναι η νέα συμβολική μέθοδος SML (Symbolic Machine Learning) και εφαρμόστηκε σε διάφορες κατηγορίες δεδομένων, Landsat, Sentinel 1 και 2. Η μέθοδος SML είναι δομημένη με βάση την έννοια του εμπειρικού πολυδιάστατου ιστογράμματος, δηλαδή, οι τιμές χαρακτηριστικών προέρχονται από την ομαδοποίηση / ομαδοποίηση του πολυδιάστατου ιστογράμματος που περιγράφει τα υπό εξέταση δεδομένα και είναι καθορισμένες. Στη συνέχεια, ένα κανονικοποιημένο μέτρο βαθμολογεί τις κλάσεις των στοιχείων σύμφωνα με τον αριθμό των συμβάντων τους σε κάθε κατηγορία. Η μέθοδος SML βασίζεται στη μείωση των δεδομένων και στην ανάλυση σχέσης. Τα δεδομένα που προκύπτου από τη μείωση είναι αυτά που χρησιμοποιούνται στην ανάλυση, όπως περιγράφεται στο διάγραμμα ροής της εικόνας 1. | ||
| - | + | Η μείωση ή αφαίρεση των δεδομένων πραγματοποιείται με βάση δύο κριτήρια, την (επαν) ποσοτικοποίηση δεδομένων και την αλληλούχιση. Το πρώτο κριτήριο προέρχεται από την απαίτηση μιας αντικειμενικής μεθόδου, όσο το δυνατόν περισσότερο ανεξάρτητα από τις υποθέσεις σχετικά με συγκεκριμένες στατιστικές κατανομές. Το δεύτερο κριτήριο συνδέεται με την ανάγκη να υιοθετηθεί μια αραιή αναπαράσταση των χαρακτηριστικών δεδομένων εισόδου και των λειτουργιών που δημιουργούν διακρίσεις αυτές. Αυτή η κωδικοποίηση επιτρέπει τη συμπίεση του χώρου χαρακτηριστικών, αυξάνοντας την υπολογιστική αποδοτικότητα για την παγκόσμια επεξεργασία δεδομένων τηλεπισκόπησης. Ενώ, η ανάλυση σχέσης χρησιμοποιείται για την αναζήτηση σχετικών, συστηματικών σχέσεων μεταξύ των δεδομένων της εικόνας, περιπτώσεων και χωρικών πληροφοριών που κωδικοποιούνται σε ένα επιλεγμένο σετ αναφοράς που περιέχει ιδιότητες μέλους. | |
Αναθεώρηση της 18:21, 14 Φεβρουαρίου 2018
Αξιολόγηση της προστιθέμενης αξίας του Sentinel – 2 για τον εντοπισμό χτισμένων περιοχών
Πρωτότυπος τίτλος: Assessment of the Added – Value of Sentinel – 2 for Detecting Built-up Areas
Συγγραφείς: Martino Pesaresi, Christina Corbane, Andreea Julea, Aneta J. Florczyk,Vasileios Syrris and Pierre Soille
Δημοσιεύθηκε: Remote Sensing, 2016, 8, 299
Η ανάγκη για ακριβείς, αξιόπιστες και έγκαιρες εκτιμήσεις της κάλυψης της γης του κόσμου σε επαρκώς λεπτομερείς χωροταξικές και θεματικές αποφάσεις υπογραμμίζεται από τις εθνικές και περιφερειακές αρχές τα διεθνή προγράμματα και την ερευνητική κοινότητα της παγκόσμιας αλλαγής. Συνεπώς, η μελέτη των ανθρωπογενών αλλαγών και η διαθεσιμότητα μεθοδολογιών και δεδομένων είναι αναγκαίες για την αειφόρο αστική ανάπτυξη σε παγκόσμια κλίμακα. Δορυφορικά δεδομένα ελεύθερα διαθέσιμα στο διαδίκτυο διευκολύνουν αυτή τη μελέτη. Ο πιο πρόσφατος δορυφόρος είναι ο Sentinel – 2, ο οποίος εκτοξεύθηκε τον Ιούνιο του 2015 και αποτελείται από 13 κανάλια με χωρική διακριτική ικανότητα τα 10 μέτρα. Σε συνδυασμό με τα δεδομένα ραντάρ του Sentinel – 1, προσφέρουν στο χρήστη εικόνες όσο το δυνατό με λιγότερα σύννεφα σε ιδανική κλίμακα για να μελετήσει τα ανάλογα φαινόμενα που εκτυλίσσονται στο χώρο.
Πρόσφατα αναπτύχθηκε μία νέα μέθοδος για την επιβλεπόμενη ταξινόμηση των δορυφορικών εικόνων με βάση τη συμβολική ανάλυση (Symbolic Learning) και την ανάλυση σχέσης (Association analysis). Αυτή η νέα προσέγγιση απέδειξε ότι είναι ικανή να επιλύσει το ζήτημα της παγκόσμιας επεξεργασίας δεδομένων πολλαπλών αισθητήρων και πολλαπλών χρονικών δεδομένων μεγάλης κλίμακας με σκοπό τη χαρτογράφηση του παγκόσμιου περιβάλλοντος σε διάστημα 40 ετών, ήδη χρησιμοποιήθηκε με επιτυχία στις εικόνες Landsat για τα έτη 1975, 1990, 2000 και 2014. Οι προκαταρκτικές δοκιμές της μεθόδου επιβεβαίωσαν την υψηλότερη ποιότητα των πληροφοριών σχετικά με τις κατοικημένες περιοχές σε δεδομένα Landsat που παραδόθηκαν από το Landsat-Global Layer Human Settlement Layer (Landsat-GHSL) σε σύγκριση με άλλα διαθέσιμα σφαιρικά στρώματα πληροφοριών. Στο GHSL, η κατηγορία των κατοικημένων περιοχών ορίζεται ως η ένωση όλων των χωρικών μονάδων που συλλέγονται από τον συγκεκριμένο αισθητήρα και περιέχουν ένα κτίριο ή μέρος αυτού.
Η συγκεκριμένη εργασία εφαρμόζει την ταξινόμηση GHSL σε δεδομένα Sentinel 2, ώστε να συγκρίνει τα αποτελέσματά του με αυτά των εικόνων του Landsat και εξετάζει την πιθανότητα συνδυασμού δεδομένων από διάφορους σένσορες. Η μεθοδολογία της ταξινόμησης είναι η νέα συμβολική μέθοδος SML (Symbolic Machine Learning) και εφαρμόστηκε σε διάφορες κατηγορίες δεδομένων, Landsat, Sentinel 1 και 2. Η μέθοδος SML είναι δομημένη με βάση την έννοια του εμπειρικού πολυδιάστατου ιστογράμματος, δηλαδή, οι τιμές χαρακτηριστικών προέρχονται από την ομαδοποίηση / ομαδοποίηση του πολυδιάστατου ιστογράμματος που περιγράφει τα υπό εξέταση δεδομένα και είναι καθορισμένες. Στη συνέχεια, ένα κανονικοποιημένο μέτρο βαθμολογεί τις κλάσεις των στοιχείων σύμφωνα με τον αριθμό των συμβάντων τους σε κάθε κατηγορία. Η μέθοδος SML βασίζεται στη μείωση των δεδομένων και στην ανάλυση σχέσης. Τα δεδομένα που προκύπτου από τη μείωση είναι αυτά που χρησιμοποιούνται στην ανάλυση, όπως περιγράφεται στο διάγραμμα ροής της εικόνας 1.
Η μείωση ή αφαίρεση των δεδομένων πραγματοποιείται με βάση δύο κριτήρια, την (επαν) ποσοτικοποίηση δεδομένων και την αλληλούχιση. Το πρώτο κριτήριο προέρχεται από την απαίτηση μιας αντικειμενικής μεθόδου, όσο το δυνατόν περισσότερο ανεξάρτητα από τις υποθέσεις σχετικά με συγκεκριμένες στατιστικές κατανομές. Το δεύτερο κριτήριο συνδέεται με την ανάγκη να υιοθετηθεί μια αραιή αναπαράσταση των χαρακτηριστικών δεδομένων εισόδου και των λειτουργιών που δημιουργούν διακρίσεις αυτές. Αυτή η κωδικοποίηση επιτρέπει τη συμπίεση του χώρου χαρακτηριστικών, αυξάνοντας την υπολογιστική αποδοτικότητα για την παγκόσμια επεξεργασία δεδομένων τηλεπισκόπησης. Ενώ, η ανάλυση σχέσης χρησιμοποιείται για την αναζήτηση σχετικών, συστηματικών σχέσεων μεταξύ των δεδομένων της εικόνας, περιπτώσεων και χωρικών πληροφοριών που κωδικοποιούνται σε ένα επιλεγμένο σετ αναφοράς που περιέχει ιδιότητες μέλους.
Σύνδεσμος πρωτότυπου κειμένου: [1]
