«Χρήση δορυφορικών εικόνων IKONOS και αντικειμενοστραφών μεθόδων για την αυτοματοποίηση ταξινόμησης δασών χαμηλής πυκνότητας»
Από RemoteSensing Wiki
μ (Η «Χρήση δορυφορικών IKONOS και αντικειμενοστραφών μεθόδων για την αυτοματοποίηση ταξινόμησης δασών χαμηλής πυκνότητας» μετονομάστηκε σε «) |
Παρούσα αναθεώρηση της 13:14, 9 Φεβρουαρίου 2010
Δημοσίευση Εφαρμογής Τηλεπισκόπισης: «Χρήση δορυφορικών εικόνων υψηλής χωρικής διακριτικής ικανότητας IKONOS και αντικειμενοστραφών μεθόδων για την αυτοματοποίηση ταξινόμησης δασών χαμηλής πυκνότητας» Συγγραφείς: Μιχελάκης Δημήτριος, Viergever Karin, Stuart Neil, Institute of Geography, School of Geosciences, University of Edinburgh, Edinburgh, UK
Ανάλυση – Παρουσίαση:
Αντικείμενο της μελέτης αποτελεί η διαχείριση των οικοσυστημάτων και πιο συγκεκριμένα τα δάση χαμηλής πυκνότητας. Η μελέτη επιδιώκει το χαρακτηρισμό των πευκόδασων των οικοσυστημάτων σαβάνας, της προστατευόμενης περιοχής Rio Bravo Conservation Management)στη χώρα του Μπελίζ της Κεντρικής Αμερικής, σύμφωνα με την πυκνότητα τους και τον βαθμό συγκόμωσης, εξετάζοντας εάν τα τηλεπισκοπικά δεδομένα μπορούν να χρησιμοποιηθούν για την αναγνώριση και περιγραφή ενός συγκεκριμένου είδους χρήσης γης σε αυτά τα οικοσυστήματα (Αραιά δασικά οικοσυστήματα Πεύκης) που είναι σημαντικά τόσο από οικονομικής άποψης όσο και λόγω των ικανοτήτων τους να απομονώνουν άνθρακα (σχήμα 1).
Στην εφαρμογή έγινε χρήση τηλεπισκοπικών δεδομένων. Τα τελευταία αποτελούν προϊόντα του δορυφόρου IKONOS BB με ημερομηνία λήψης 3/3/2007. Η πολυφασματική εικόνα είχε χωρική διακριτική ικανότητα τεσσάρων μέτρων (4μ) ενώ τα δεδομένα παρέχονταν σε τέσσερεις δίαυλους του ηλεκτρομαγνητικού φάσματος (μπλε, πράσινο, κόκκινο και κοντινό υπέρυθρο). Η πανχρωματική εικόνα είχε χωρική διακριτική ικανότητα ενός μέτρου (1μ). Για τη προσέγγιση του στόχου χρησιμοποιήθηκε η δορυφορική εικόνα που προκέκυψε από τη συγχώνευση της πανχρωματικής και της πολυφασματικής εικόνας, δημιουργώντας έτσι ένα προϊόν με χωρική διακριτική ικανότητα ενός μέτρου (1μ) που περιείχε πολυφασματική πληροφορία (σχήμα 2). Τόσο η πολυφασματική δορυφορική εικόνα όσο και η πανχρωματική ήταν ήδη γεω-αναφερμένες βάση του UTM της ζώνης 16 και του Datum WGS84. Αρχικά βελτιώθηκε η ποιότητα της συγχωνευμένης εικόνας αφαιρώντας τυχόν θόρυβο από τα δεδομένα, με την χωρική ενίσχυση της εφαρμόζοντας διάφορα φίλτρα. Αφού δοκιμάστηκαν αρκετά φίλτρα για την εξομάλυνση της εικόνας (Gaussian, mean και morphological) επιλέχθηκε η εφαρμογή του απλού φίλτρου χαμηλής διάβασης 3 x 3.
Τα δορυφορικά δεδομένα που παράχθηκαν από αυτή τη διαδικασία αξιολογήθηκαν μέσα από μία επαναληπτική διαδικασία κατάτμησης και ταξινόμησης της εικόνας. Ακολούθως εντοπίστηκε η κατάλληλη μετατροπή των διαύλων του ηλεκτρομαγνητικού φάσματος ώστε να είναι ορατή η διάκριση των διαφορετικών τύπων βλάστησης όπως πχ η διάκριση της ποώδους από τη δενδρώδη βλάστηση. Κατά τις μετατροπές των φασματικών διαύλων υπολογίστηκαν νέες τιμές για τους ψηφιακούς αριθμούς των εικονοστοιχείων της εικόνας χρησιμοποιώντας ένα συνδυασμό μαθηματικών πράξεων. Σε αυτά τα πλαίσια αξιολογήθηκε ένας μεγάλος αριθμός μετατροπών και δεικτών βλάστησης όπως είναι ο NDVI, SAVI καθώς και η HSI. Τα πιο ικανοποιητικά αποτελέσματα παράχθηκαν με τη χρήση του δείκτη βλάστησης RVI, το λόγο NIR προς Red. Στη συνέχεια με τη βοήθεια του λογισμικού eCognition 4.0 κατατμήθηκε η δορυφορική εικόνα IKONOS σε τέσσερα επίπεδα κατάτμησης της εικόνας κατά την ανάπτυξη του αλγορίθμου ταξινόμησης. Τα δύο πρώτα δημιουργήθηκαν για την σκιαγράφηση της κόμης μεμονωμένων δέντρων ενώ τα τελευταία δύο για την αποτύπωση ομάδων ή συστάδων δέντρων καθώς και εκτεταμένων δασικών εκτάσεων Πεύκης. Στο πρώτο επίπεδο κατάτμησης της εικόνας εφαρμόστηκε η τεχνική chessboard segmentation 1, ρυθμίζοντας τις παραμέτρους έτσι ώστε να επιτραπεί η δημιουργία μικρών αντικειμένων με μεγάλη ετερογένεια μεταξύ τους, δημιουργώντας ένα αντικείμενο για κάθε εικονοστοιχείο της εικόνας στο οποίο να χρησιμοποιηθεί στη συνέχεια η ραδιομετρική διακύμανση των αντικειμένων για τη διάκριση μεταξύ της κόμης των δέντρων και του υπόλοιπου περιβάλλοντος. Το δεύτερο επίπεδο κατάτμησης δημιουργήθηκε μετά την ταξινόμηση του πρώτου όσον αφορά την δενδρώδη βλάστηση, τις σκιές και το υπόλοιπο δασωγενές περιβάλλον, επιτρέποντας κατάτμηση της εικόνας μόνο στο εσωτερικό των ήδη ταξινομημένων περιοχών στο πρώτο επίπεδο.
Το πρώτο από τα δυο υποτμήματα της δορυφορικής εικόνας IKONOS χρησιμοποιήθηκε σαν περιοχή εκπαίδευσης για την ανάπτυξη αλγορίθμου ταξινόμησης με τη βοήθεια κανόνων ασαφούς λογικής. λαμβάνοντας υπόψη τη πολυπλοκότητα των φυσικών οικοσυστημάτων όπως των αραιά δασωμένων σαβάνων. Το αποτέλεσμα αυτής της ταξινόμησης θα είναι ένας αριθμός πιθανών κλάσεων για κάθε αντικείμενο της εικόνας καθώς και ο βαθμός συμμετοχής του αντικειμένου σε κάθε κλάση.
Για την πραγματοποίηση της ταξινόμησης χρησιμοποιήθηκαν οι τέσσερεις φασματικοί δίαυλοι της συγχωνευμένης εικόνας IKONOS (Μπλε, Πράσινος, Κόκκινος και Εγγύς υπέρυθρος), η πανχρωματική εικόνα καθώς και ο δείκτης βλάστησης RVI. Σε μεταγενέστερο στάδιο χρησιμοποιήθηκε η χωρική κατανομή των δέντρων για την δημιουργία ομάδων ή συστάδων δέντρων καθώς και εκτεταμένου δάσους. Οι κανόνες της ταξινόμησης δημιουργήθηκαν ακολουθώντας μία διαδικασία που διακρίνεται σε τρία στάδια χρησιμοποιώντας τα τέσσερα διαφορετικά επίπεδα κατάτμησης της εικόνας. Στο πρώτο επίπεδο τα δέντρα και οι σκιές διαχωρίστηκαν από το υπόλοιπο περιβάλλον και ταξινομήθηκαν χρησιμοποιώντας τον δείκτη RVI καθώς και την φωτεινότητα των εικονοστοιχείων. Στο δεύτερο επίπεδο κατάτμησης και στο εσωτερικό της κλάσης της δενδρώδους βλάστησης σκιαγραφήθηκαν και ταξινομήθηκαν οι κόμες μεμονωμένων δέντρων χρησιμοποιώντας χαρακτηριστικές ιδιότητες των αντικειμένων της εικόνας όπως η γεωμετρία τους και η γειτνίαση τους σε σκιές. Τα αντικείμενα που αναγνωρίστηκαν και ταξινομήθηκαν σαν μεμονωμένα δέντρα χρησιμοποιήθηκαν ως μονάδες για την διαμόρφωση ομάδων, συστάδων δέντρων καθώς και εκτεταμένων δασών μέσα από μία διαδικασία ομαδοποίησης. Κατά τη ομαδοποίηση των δέντρων χρησιμοποιήθηκε η τεχνική buffering. Η τελική οριοθέτηση των ομάδων των δέντρων ολοκληρώθηκε μετά την ένωση των αντικειμένων που καλύπτουν τις ουδέτερες ζώνες καθώς και των δέντρων που βρίσκονται στο εσωτερικό τους. Μετά το πέρας της σκιαγράφησης αυτών των μεγαλύτερων αντικειμένων η περαιτέρω ταξινόμηση τους βασίζεται στο εμβαδόν τους. Σε περίπτωση που δεν σχηματίζεται εκτεταμένο δάσος μετά τη ταξινόμηση σε αυτό το στάδιο το επόμενο βήμα είναι η χρησιμοποίηση των ίδιων κανόνων γειτνίασης και εμβαδού που χρησιμοποιήθηκαν στην παραπάνω διαδικασία για την συνάθροιση των ήδη σχηματισμένων ομάδων και συστάδων δέντρων σε μεγαλύτερες συστάδες ή εκτεταμένο δάσος. Μετά το τέλος δημιουργίας των τελικών κλάσεων νέοι κανόνες δημιουργήθηκαν για την εκτίμηση της πυκνότητας δέντρων καθώς και της συγκόμωσης. Εντός των επιπέδων 3 και 4 προστέθηκαν επιπλέον κλάσεις για την εκτίμηση πυκνότητας (δέντρα/εκτάριο) καθώς και συγκόμωσης.
Μόλις η ταξινόμηση πραγματοποιήθηκε το δεύτερο υπότμημα χρησιμοποιήθηκε για να εξεταστεί η πιθανότητα αυτοματοποίησης της διαδικασίας χρησιμοποιώντας τον αλγόριθμο ταξινόμησης σε άλλα μέρη της εικόνας. Για λόγους αξιολόγησης της ακρίβειας της ταξινόμησης πραγματοποιήθηκε οπτική ερμηνεία των περιοχών εκπαίδευσης και επαλήθευσης (σχήμα 3).
Αξιολογώντας τα αποτελέσματα εντοπίστηκαν και σφάλματα. Τα τελευταία παρατηρήθηκαν κατά την αυτοματοποιημένη ταξινόμηση και σκιαγράφηση των μεμονωμένων δέντρων και δασικών εκτάσεων καθώς και στην εκτίμηση του αριθμού των δέντρων σε μία έκταση οδηγούν σε διακυμάνσεις μεταξύ των τιμών που εκτιμήθηκαν για τη πυκνότητα των δέντρων και της συγκόμωσης όταν συγκρίνονται με τις εκτιμήσεις που έγιναν κατά την οπτική ερμηνεία των δεδομένων.
Οι αντικειμενοστραφείς ταξινομητές και η χωρική διακριτική ικανότητα της συγχωνευμένης εικόνας IKONOS φαίνεται να είναι κατάλληλα για την αναγνώριση και χαρτογράφηση αρκετών χαρακτηριστικών των αραιών δασικών εκτάσεων σαβάνας στη χώρα του Μπελίζ, αλλά δεν πραγματοποιήθηκε η αναμενόμενη ακρίβεια, δείχνοντας πως ενώ η χωρική ανάλυση του δορυφόρου IKONOS μπορεί να είναι κατάλληλη για την εκτίμηση του αριθμού των δέντρων σε μία περιοχή, δεν συμβαίνει το ίδιο για την εκτίμηση της επιφάνειας της κόμης των δέντρων. Η εξερεύνηση και η εξαγωγή πληροφοριών αντικειμένων σε επίπεδο μεμονωμένου δέντρου απαιτεί πιθανόν μεγαλύτερη φασματική διακριτική ικανότητα έτσι ώστε η διάκριση μεταξύ της ποώδους βλάστησης και των δέντρων να είναι περισσότερο ευκρινής. Τέλος θα ήταν καλό να διεξαχθεί επί πλέον έρευνα όσον αφορά διαφορετικές μεθόδους για την αυτοματοποίηση της διαδικασίας ταξινόμησης χρησιμοποιώντας και άλλες πηγές δεδομένων όπως είναι το LiDAR η ξεχωριστά ή σε συνδυασμό με άλλα δεδομένα.
Τα αποτελέσματα για την αναγνώριση μεμονωμένων δέντρων κρίνονται ικανοποιητικά, παρόλα ταύτα η σκιαγράφηση της κόμης τους είναι απογοητευτική. Τα σύνορα των δασωμένων περιοχών Πεύκης σκιαγραφούνται επίσης ικανοποιητικά αλλά στο εσωτερικό τους παρατηρούνται κενά. Συγκρίνοντας οπτικά τα αποτελέσματα με προηγούμενες ταξινομήσεις όσον αφορά την χάραξη των ορίων των δασωμένων περιοχών Πεύκης, παρατηρείται ότι η μέθοδος που εφαρμόζεται σε αυτή τη μελέτη παράγει ικανοποιητικότερα αποτελέσματα.
Your Content Here
