Ταξινόμηση κάλυψης γης με τη χρήση εικόνων IRS LISS III και ψηφιακών μοντέλων εδάφους σε ανώμαλο έδαφος: περίπτωση μελέτης στα Ιμαλάια

Από RemoteSensing Wiki

Παρούσα αναθεώρηση της 11:50, 3 Μαρτίου 2012

A. K. Saha, Department of Earth Sciences, Indian Institute of Technology Roorkee, Roorkee-247667, India

M. K. Arora, Department of Civil Engineering, Indian Institute of Technology Roorkee,Roorkee-247667, India

E. Csaplovics, Institute of Photogrammetry and Remote Sensing, TU- Dresden, Dresden, D-01069, Germany

R. P. Gupta, Department of Earth Sciences, Indian Institute of Technology Roorkee, Roorkee-247667, India

http://www.tandfonline.com/doi/abs/10.1080/10106040508542343#preview

Ταξινόμηση κάλυψης γης με τη χρήση εικόνων IRS LISS III και ψηφιακών μοντέλων εδάφους σε ανώμαλο έδαφος: περίπτωση μελέτης στα Ιμαλάια

Η ταξινόμηση ψηφιακής εικόνας πραγματοποιείται γενικά για την παραγωγή χαρτών κάλυψης γης από τηλεπισκοπικά δεδομένα, ιδιαίτερα για περιοχές μεγάλης έκτασης. Η απόδοση των ταξινομητών εικόνας που χρησιμοποιούν μόνο τα δεδομένα τηλεπισκόπησης μπορεί να μειωθεί, ιδιαίτερα στις ορεινές περιοχές, λόγω της παρουσίας των σκιών των ψηλών κορυφών. Στην παρούσα μελέτη, έχει υιοθετηθεί μια προσέγγιση ταξινόμησης πολλαπλών πηγών για την χαρτογράφηση της κάλυψης γης σε περιοχή με ψηλές βουνοκορφές, με υψόμετρα έως και 4785 μέτρα πάνω από τη μέση στάθμη της θάλασσας, στην περιοχή των Ιμαλαΐων. Δεδομένα τηλεπισκόπησης από εικόνες IRS LISS ΙΙΙ, αλλά και κανονικοποιημένοι δείκτες βλάστησης και ψηφιακά μοντέλα εδάφους έχουν χρησιμοποιηθεί για την εκτέλεση ταξινόμησης μεγίστης πιθανοφάνειας πολλαπλών πηγών. Τα αποτελέσματα δείχνουν μια σημαντική βελτίωση στην ακρίβεια της ταξινόμησης με την ενσωμάτωση των κανονικοποιημένων δεικτών βλάστησης και των ψηφιακών μοντέλων εδάφους ως βοηθητικά δεδομένα για την ταξινόμηση, η οποία γίνεται αποκλειστικά με βάση τα δεδομένα τηλεπισκόπησης.

Η γνώση των χωρικών πληροφοριών κάλυψης του εδάφους είναι απαραίτητη για τη σωστή διαχείριση, τον προγραμματισμό και την παρακολούθηση των φυσικών πόρων (Zhu, 1997). Για παράδειγμα, αποτελεί σημαντική πληροφορία για πολλούς τομείς της γεωργίας, της γεωλογίας, για υδρολογικά και οικολογικά μοντέλα. Επίσης, κάθε μελέτη επικινδυνότητας, όπως η μελέτη ζωνών επικινδυνότητας κατολίσθησης (π.χ. Gupta et al, 1999, Σάχα et al, 2002) εξαρτάται σε μεγάλο βαθμό από τη διαθεσιμότητα πληροφοριών κάλυψης γης που να έχουν ακρίβεια και να είναι επικαιροποιημένες.

Οι δορυφορικές εικόνες τηλεπισκόπησης αποτελούν μια βιώσιμη πηγή για τη συλλογή πληροφοριών ποιότητας της κάλυψης γης σε τοπικό, περιφερειακό και παγκόσμιο επίπεδο (Csaplovics, 1998, Foody, 2002). Επιπλέον, τα δεδομένα τηλεπισκόπησης είναι, κυρίως, χρήσιμα για τη χαρτογράφηση κάλυψης γης σε ορεινές περιοχές, όπως τα Ιμαλάια, αφού οι περιοχές αυτές είναι γενικά απροσπέλαστες λόγω των μεγάλων υψομέτρων και της τραχύτητας του εδάφους. Στις υψηλές ορεινές περιοχές, έχουν πραγματοποιηθεί πολλές μελέτες χαρτογράφησης της κάλυψης του εδάφους με τη χρήση τηλεπισκοπικών δεδομένων, με διαφορετικό όμως βαθμό ακρίβειας. Αυτό μπορεί να οφείλεται σε ένα μεγάλο αριθμό παραγόντων που επηρεάζουν τη διαδικασία της τηλεπισκόπησης. Αυτοί περιλαμβάνουν την παρουσία των σκιών που οφείλονται σε μεγάλο υψόμετρο του εδάφους, τη νεφοκάλυψη, τις βαθιές στενές κοιλάδες και τις ρεματιές, τις χαμηλές γωνίες του ήλιου, τις απότομες πλαγιές και τη διαφοροποιημένη κάλυψη της βλάστησης. Ως εκ τούτου, λόγω των μεταβολών των περιβαλλοντικών συνθηκών, τα φασματικά χαρακτηριστικά αλλάζουν από τη μία περιοχή στην άλλη (Mathur και Arora, 2001). Έτσι, η ταξινόμηση που βασίζεται μόνο σε τηλεπισκοπικά δεδομένα μπορεί να μην είναι επαρκής για την αποτελεσματική συλλογή πληροφοριών κάλυψης γης. Τα βοηθητικά δεδομένα από άλλες πηγές μπορεί να αποκτηθούν από χάρτες (Bruzzone et al., 1997), γεωλογικούς (Γκονγκ, 1996) και άλλους χάρτες. Οι πιο χρήσιμες πληροφορίες που μπορούν να ληφθούν από τοπογραφικούς χάρτες είναι οι ισουψείς καμπύλες, οι οποίες μπορούν να ψηφιοποιηθούν και να παράγουν ένα ράστερ ψηφιακό μοντέλο εδάφους (DEM). Τα ψηφιακά μοντέλα εδάφους μαζί με τα παράγωγά τους, όπως η κλίση, αποτελούν τη βάση για την ταξινόμηση πολλαπλών πηγών (Jones et al 1988, Φρανκ 1988, Janssen et al 1990). Στοιχεία από διαφορετικούς αισθητήρες τηλεπισκόπησης μπορούν επίσης να συνδυαστούν για την ταξινόμηση (Michelson et al., 2000). Επιπλέον, ένας αριθμός παραγώγων των πολυφασματικών εικόνων, όπως η ανάλυση σε κύριες συνιστώσες (PCA) και ο κανονικοποιημένος δείκτης βλάστησης (NDVI), μπορεί επίσης να ενσωματωθεί στη διαδικασία ταξινόμησης για την ενίσχυση της ποιότητας των πληροφοριών κάλυψης γης από δεδομένα τηλεπισκόπησης στις ορεινές περιοχές (Eiumnoh και Shrestha, 2000). Στις ορεινές περιοχές, όπως στα Ιμαλάια, οι σκιές είναι η κύρια πηγή της σύγχυσης στην εξαγωγή πληροφοριών κάλυψης γης από δεδομένα τηλεπισκόπησης. Παρά το γεγονός ότι, δεν υπάρχει κατάλληλη μέθοδος για να καταργηθεί εντελώς η επίδραση των σκιών, υπάρχουν αρκετές εναλλακτικές λύσεις για να ελαχιστοποιηθούν οι επιπτώσεις τους, προκειμένου να βελτιωθεί η ταξινόμηση από τα τηλεπισκοπικά δεδομένα. Πολλές από τις μεθόδους βασίζονται σε μοντέλα σκιασμένου αναγλύφου που παράγονται από το ψηφιακό μοντέλο εδάφους. Ωστόσο, κάποιες μελέτες (π.χ. Kawata et al. 1988, Civco 1989, Colby 1991, Curran και Foody, 1994) έχουν δείξει ότι λόγω της παρουσίας λαθών στη δημιουργία ψηφιακών μοντέλων εδάφους και του τρόπου που το ψηφιακό μοντέλο εδάφους εφαρμόζεται στη διαδικασία ταξινόμησης, η διόρθωση για τις σκιασμένες πλαγιές μπορεί να είναι υπερεκτιμημένη. Για την αντιμετώπιση αυτού του προβλήματος, έχει προταθεί η χρήση ενός επιπλέον επιπέδου, του κανονικοποιημένου δείκτη βλάστησης (NDVI), δεδομένου ότι τα παράγωγα των λόγων των καναλιών μπορούν να βοηθήσουν στον μερικό περιορισμό τοπογραφικών στοιχείων (Holben and Justice 1981, Apan 1997). Μπορεί ωστόσο να σημειωθεί ότι το επίπεδο του κανονικοποιημένου δείκτη βλάστησης δεν μπορεί από μόνο του να καταργήσει τελείως την επίδραση της σκιάς. Οι Eiumnoh και Shrestha (2000) αξιοποίησαν τα πλεονεκτήματα της ενσωμάτωσης τόσο του κανονικοποιημένου δείκτη βλάστησης, όσο και του ψηφιακού μοντέλου εδάφους, κατά τη διαδικασία της ταξινόμησης και έδειξαν ότι βελτίωσαν την ακρίβεια στην ταξινόμηση κατά 10 έως 20%. Βασισμένη στην επιτυχία της ταξινόμησης πολλαπλών πηγών στην εξουδετέρωση της επίδρασης των σκιών, η παρούσα εργασία στοχεύει να παρουσιάσει μια μελέτη εξαγωγής χαρτών κάλυψης γης ακριβείας με χρήση τηλεπισκοπικών και βοηθητικών δεδομένων σε μια περιοχή με υψηλό υψόμετρο και δύσβατο έδαφος, στα Ιμαλάια, όπου οι σκιές είναι το μεγαλύτερο πρόβλημα, επομένως θα είναι ιδιαίτερα χρήσιμη η εφαρμογή μιας τέτοιας ταξινόμησης.

Εικόνα 1. Περιοχή μελέτης

Εικόνα 2. IRS 1C LISS ΙΙΙ έγχρωμο σύνθετο

Εικόνα 3. Δεδομένα IRS PAN

Η μελέτη επιτυγχάνεται εν μέρει από ένα μεγάλο εν εξελίξει Γεωγραφικό Σύστημα Πληροφοριών που βασίζεται στην έρευνα της εκτίμησης των επιπτώσεων από την κατολίσθηση για τον σχεδιασμό δρόμων στα Ιμαλάια, όπου οι ακριβείς πληροφορίες για την κάλυψη της γης αποτελούν μια καίρια συμβολή δεδομένων. Η πολυφασματική εικόνα από το IRS-LISS ΙΙΙ- έχει χρησιμοποιηθεί ως πρωτογενές δεδομένο, με πρόσθετα επίπεδα τον κανονικοποιημένο δείκτη βλάστησης και το ψηφιακό μοντέλο εδάφους για την εφαρμογή της ταξινόμησης της εδαφοκάλυψης πολλαπλών πηγών, χρησιμοποιώντας την προσέγγιση του λογικού καναλιού (Tso and Mather, 2001). Η ανάλυση της διαχωρισιμότητας στη βάση της μεταβλημένης απόκλισης έχει επίσης πραγματοποιηθεί για να εξετάσει τη σχετική σημασία των διαφόρων φασματικών καναλιών και των βοηθητικών επιπέδων δεδομένων κατά τη διαδικασία ταξινόμησης. Η ταξινόμηση που έχει γίνει είναι η πιο ευρέως χρησιμοποιούμενη, η ταξινόμηση μεγίστης πιθανοφάνειας (MLC). Η περιοχή μελέτης, τα δεδομένα και το αντικείμενο εργασίας

Η περιοχή μελέτης έχει έκταση περίπου 730 τ.χλμ., βρίσκεται στα Ιμαλάια, καλύπτει ένα μέρος των περιφερειών Rudraprayag και Chamoli του νεοσύστατου κράτους Uttaranchal στην Ινδία (Εικ. 1). Το έδαφος είναι ιδιαίτερα τραχύ με υψόμετρα που κυμαίνονται από 880μ. έως 4785μ. πάνω από τη μέση στάθμη της θάλασσας. Τα ποτάμια Alaknanda και Madhyamaheshwar Ganga ρέουν μέσω του βορειοδυτικού και νοτιοανατολικού τμήματος της περιοχής αντίστοιχα. Η περιοχή επίσης κυριαρχείται από πυκνή δασική κάλυψη (> 50%). Υπάρχουν χέρσες και γεωργικές εκτάσεις, με καλλιέργειες σε αναβαθμίδες.

Οι Gopeshwar και Chamoli αποτελούν τις μεγάλες πόλεις που περιβάλλονται από πολλά μικρά χωριά, σκορπισμένα σε όλη την περιοχή. Στο βορειοανατολικό τμήμα της περιοχής βρίσκονται άγονες εκτάσεις και ψηλά βουνά καλυμμένα με χιόνι. Από γεωλογική άποψη, η περιοχή περιλαμβάνει τα χαμηλότερα Ιμαλάια και τα ψηλότερα Ιμαλάια (Valdiya, 1980) και αποτελείται από μια σειρά λιθολογικών ενοτήτων και συγκεκριμένα από ψαμμίτες, ασβεστόλιθους, γρανίτη γνεύσιο. Δομικά, η περιοχή είναι πολύπλοκη λόγω της παρουσίας διαφόρων ωθήσεων. Κατά συνέπεια, η σεισμική δραστηριότητα και οι κατολισθήσεις στην περιοχή συχνά οδηγούν σε αλλαγή των τοπικών χαρακτηριστικών εδαφοκάλυψης. Η τακτική παρακολούθηση και χαρτογράφηση της κάλυψης της γης είναι λοιπόν απαραίτητη. Η παρούσα μελέτη βασίζεται στην χαρτογράφηση κάλυψη γης από τα δεδομένα τηλεπισκόπησης IRS-1C. Η LISS ΙΙΙ πολυφασματική εικόνα (23,5 m χωρική διακριτική ικανότητα) (Εικ. 2) έχει χρησιμοποιηθεί ως η πρωτογενές δεδομένο για την ταξινόμηση της κάλυψης γης, ενώ η εικόνα PAN (5,8 m χωρική διακριτική ικανότητα) (Εικ. 3), λόγω της ανάλυσής της, έχει χρησιμοποιηθεί ως στοιχείο αναφοράς για τη δημιουργία δοκιμαστικών συνόλων δεδομένων. Πολλές άλλες μελέτες (π.χ. Fisher και Pathirana 1990, Foody και Arora 1996, Shalan et al, 2003) έχουν επίσης χρησιμοποιήσει εικόνες υψηλής ανάλυσης για αυτό το σκοπό, λόγω απουσίας επαρκών στοιχείων της έρευνας πεδίου.

Παρ 'όλα αυτά, στην παρούσα μελέτη, η προετοιμασία των δεδομένων αναφοράς συμπληρώνεται με έρευνες πεδίου που έλαβαν χώρα σε προηγούμενα έτη και το Δεκέμβριο του 2001. Η εποχή της τελευταίας επίσκεψης πεδίου συνέπεσε με την ημερομηνία της απόκτησης των εικόνων LISS ΙΙΙ και PAN, ώστε ταυτόχρονα να περιγραφούν ατμοσφαιρικές και περιβαλλοντικές συνθήκες. Δεδομένου ότι δεν υπάρχει επαρκές δίκτυο δρόμων και το έδαφος είναι απροσπέλαστο λόγω των υψηλών υψομέτρων και της τραχύτητας, οι πληροφορίες σχετικά με την υπάρχουσα κάλυψη γης συλλέγονταν μόνο κατά μήκος των δρόμων πρόσβασης κατά τη διάρκεια των ερευνών πεδίου. Επίσης χρησιμοποιήθηκε το Global Positioning System (GPS) για την απόκτηση ακριβών θέσεων των κατηγοριών κάλυψης γης για την εύκολη οριοθέτηση τους σε γεωαναφερμένες εικόνες LISS ΙΙΙ και PAN. Οι βοηθητικές πληροφορίες υπό τη μορφή ψηφιακών μοντέλων εδάφους προήλθαν από τοπογραφικούς χάρτες.

Μεθοδολογία

Στην εκτέλεση της ταξινόμησης πολλαπλών πηγών συμμετέχουν μια σειρά από βήματα επεξεργασίας δεδομένων. Αυτά περιλαμβάνουν προεπεξεργασία της εικόνας LISS ΙΙΙ για να διορθωθούν τα ατμοσφαιρικά λάθη, καταγραφή των LISS ΙΙΙ και ΡΑΝ εικόνων, παραγωγή των βοηθητικών επιπέδων δεδομένων, η ταξινόμηση της εικόνας και η αξιολόγηση της ακρίβειας. Όλη η επεξεργασία έχει γίνει με λογισμικά ERDAS, GIS Arc και ILWIS.

Προ-επεξεργασία της εικόνας LISS ΙΙΙ

Η ατμοσφαιρική σκέδαση είναι κοινή σε δεδομένα τηλεπισκόπησης και γενικά είναι πιο έντονη στις περιοχές μικρότερου μήκους κύματος (π.χ. μπλε). Το αποτέλεσμα της ατμοσφαιρικής σκέδασης είναι κάποιες πρόσθετες φασματικές τιμές για την ανάκλαση του εδάφους (Gupta 2003, Jensen 1986). Σε αυτή τη μελέτη, η εικόνα LISS ΙΙΙ διορθώθηκε για την ατμοσφαιρική ακτινοβολία με τη μέθοδο αφαίρεσης σκοτεινού αντικειμένου (Chavez, 1988). Η μέθοδος είναι γρήγορη και εύκολη, δεδομένου ότι δεν απαιτεί πληροφορίες σχετικά με τις ατμοσφαιρικές συνθήκες κατά τη στιγμή της λήψης της εικόνας. Για την εφαρμογή αυτής της μεθόδου, το εικονοστοιχείο (που συνδέεται με το σκοτεινό αντικείμενο) με ελάχιστη τιμή φωτεινότητας στο εγγύς υπέρυθρο (NIR) κανάλι εντοπίστηκε και οι αντίστοιχες τιμές των εικονοστοιχείων σε όλα τα κανάλια αφαιρέθηκαν από τα συγκεκριμένα πρώτα κανάλια. Αυτό θα οδηγήσει σε μια εικόνα που έχει διορθωθεί για την ατμοσφαιρική σκέδαση.

Γεωμετρική καταγραφή των εικόνων

Η ακριβής γεωμετρική καταγραφή των εικόνων είναι ένα προαπαιτούμενο για να την εκτέλεση της ταξινόμησης. Πρώτον, η εικόνα LISS ΙΙΙ διορθώθηκε γεωμετρικά χρησιμοποιώντας 39 σωστά κατανεμημένα σημεία ελέγχου εδάφους (GCPs) που εξάγονται από τον τοπογραφικό χάρτη. Λόγω της μη ύπαρξης έντονων, σαφώς καθορισμένων, σταθερών και αξιοπρόσεκτων χαρακτηριστικών της εικόνας, τα κατανεμημένα σημεία ελέγχου εδάφους (GCPs) αποκτήθηκαν κυρίως από τη διασταύρωση των γραμμών αποστράγγισης. Λόγω της απότομης τοπογραφίας και των στενών κοιλάδων στα Ιμαλάια, θεωρήθηκε ότι δεν υπήρξε καμία μεταβολή στο δίκτυο αποστράγγισης μεταξύ του έτους παραγωγής του τοπογραφικού χάρτη και της ημερομηνίας απόκτησης της εικόνας LISS ΙΙΙ.

Η καταγραφή έγινε με ακρίβεια δευτερεύοντος εικονοστοιχείου με πολυωνυμική τροποποίηση και με τη μέθοδο «επαναδειγματοληψίας του πλησιέστερου γείτονα», αφήνοντας έτσι τις τιμές φωτεινότητας αναλλοίωτες. Η εικόνα PAN έχει επίσης καταχωρηθεί με ακρίβεια δευτερεύοντος εικονοστοιχείου χρησιμοποιώντας 60 σωστά κατανεμημένα σημεία (GCPs). Η καταγραφή της εικόνας PAN ήταν απαραίτητη καθώς η εικόνα αυτή χρησιμοποιήθηκε ως στοιχείο αναφοράς για την ακριβή οριοθέτηση των περιοχών εκπαίδευσης και εξέτασης στην εικόνα LISS ΙΙΙ.

Παραγωγή των βοηθητικών δεδομένων

Τα επίπεδα δεδομένων ψηφιακού μοντέλου εδάφους (DEM) και κανονικοποιημένου δείκτη βλάστησης (NDVI) χρησιμοποιήθηκαν ως πρόσθετα κανάλια (που αναφέρονται ως δευτερεύοντα στοιχεία) την εκτέλεση της ταξινόμησης πολλαπλών πηγών

α) Παραγωγή ψηφιακού μοντέλου εδάφους

Σε μεγάλα υψόμετρα και δύσβατα εδάφη, μπορεί να βρεθεί σημαντική διακύμανση στις τιμές φωτεινότητας των εικονοστοιχείων, λόγω της παρουσίας των σκιών. Αυτό μπορεί να οδηγήσει σε λανθασμένη ταξινόμηση. Ως εκ τούτου, το ψηφιακό μοντέλο εδάφους χρησιμοποιήθηκε ως βοηθητικό δεδομένο στη διαδικασία ταξινόμησης κυρίως για να μειωθούν τα σφάλματα ταξινόμησης. Επιπλέον, οι πληροφορίες υψομέτρων από το ψηφιακό μοντέλο εδάφους μπορούν επίσης να ενεργήσουν ως ένας λογικός κανόνας για την παρουσία ή την απουσία ορισμένων κατηγοριών σε συγκεκριμένες ζώνες υψομέτρων. Για παράδειγμα, δεν αναμένεται να υπάρχουν αγραναπαύσεις σε μεγάλα υψόμετρα που καλύπτονται με χιόνι, αφού οι κλιματολογικές συνθήκες δεν επιτρέπουν τη γεωργική δραστηριότητα σε τόσο μεγάλα υψόμετρα. Οι περιοχές αυτές συνεπώς θα πρέπει να κατηγοριοποιούνται ως άγονη γη. Οποιαδήποτε παρουσία αγρανάπαυσης σε χιονισμένες περιοχές λοιπόν μπορεί να αντιπροσωπεύει εσφαλμένη ταξινόμηση, η οποία μπορεί να μειωθεί με την καταγραφή του ψηφιακού μοντέλου εδάφους. Το ψηφιακό μοντέλο εδάφους δημιουργήθηκε με την ψηφιοποίηση ισοϋψών ανά 40 μέτρα από τοπογραφικό χάρτη σε κλίμακα 1:50.000. Χρησιμοποιήθηκε ακανόνιστο δίκτυο τριγώνων (TIN) για την παραγωγή ψηφιδωτού μοντέλου εδάφους με ανάλυση 23,5μ. που ταιριάζει με της εικόνας LISS ΙΙΙ.

Εικόνα 4. NDVI: κανονικοποιημένος δείκτης βλάστησης, Ταξινόμηση εικόνας

β) Επίπεδο NDVI: κανονικοποιημένος δείκτης βλάστησης

Δεδομένου ότι η περιοχή μελέτης κυριαρχείται από διαφορετικούς τύπους βλάστησης, ο κανονικοποιημένος δείκτης βλάστησης χρησιμοποιήθηκε ως βοηθητικό επίπεδο δεδομένων στη διαδικασία ταξινόμησης για την ενίσχυση της διάκρισης των διαφόρων κατηγοριών βλάστησης, αλλά και για τη μείωση της σκιάς. Ο κανονικοποιημένος δείκτης βλάστησης δημιουργήθηκε από το κόκκινο και εγγύς υπέρυθρο κανάλι και από την εικόνα LISS ΙΙΙ και ορίζεται ως εξής:NDVI=(NIRΚόκκινο)/(NIR + Κόκκινο).

Οι τιμές των εικονοστοιχείων του επιπέδου NDVI κυμαίνονται από -1 έως +1 και κλιμακώνονται από 0 έως 255 αντίστοιχα. Οι μεγαλύτερες τιμές NDVI δείχνουν αύξηση της βιομάζας ανά μονάδα επιφάνειας. Στην εικόνα 4 παρουσιάζεται το επίπεδο NDVI τοποθετημένο πάνω στο ψηφιακό μοντέλο εδάφους DEM. Στο σχήμα αυτό, οι τιμές NDVI ποικίλλουν από -0,36 έως 0,62. Οι θετικές τιμές αντιπροσωπεύουν διαφορετικές κατηγορίες τύπων βλάστησης, ενώ κοντά στο μηδέν και σε αρνητικές τιμές υποδηλώνουν κατηγορίες μη βλάστησης, όπως το νερό, το χιόνι και η άγονη γη (Εικ. 4).

Πίνακας 1. Κατηγορίες κάλυψης γης, περιγραφή, χαρακτηριστικά

Πίνακας 2. Αριθμός εικονοστοιχείων εκπαίδευσης ανά κατηγορία κάλυψης γης

Για την παραγωγή του χάρτη κάλυψης γης από την εικόνα LISS ΙΙΙ και από τα βοηθητικά επίπεδα δεδομένων πραγματοποιήθηκε μια σειρά ενεργειών ταξινόμησης εικόνας, οι οποίες περιγράφονται παρακάτω.

Επιλογή συστήματος ταξινόμησης κάλυψης γης

Ένα σύστημα ταξινόμησης πρέπει να καθορίζει τις κατηγορίες κάλυψης γης για να θεωρηθεί ταξινομημένη η εικόνα τηλεπισκόπησης. Μερικές φορές χρησιμοποιείται ένα πρότυπο σύστημα ταξινόμησης, όπως το σύστημα ταξινόμησης κατηγοριών χρήσεων και κάλυψης γης του Άντερσον (Anderson et al., 1976), ενώ άλλες φορές ο αριθμός των κατηγοριών κάλυψης γης επιλέγονται σύμφωνα με τις απαιτήσεις της συγκεκριμένης εφαρμογής. Στη μελέτη αυτή, που βασίζεται στο σύστημα ταξινόμησης του Άντερσον, ορίστηκαν εννέα κατηγορίες κάλυψης γης. Η λεπτομερής περιγραφή αυτών των κατηγοριών με τα ερμηνευτικά χαρακτηριστικά τους τόσο στο ψευδές έγχρωμο σύνθετο (FCC) των εικόνων LISS ΙΙΙ και PAN παρέχονται στον παρακάτω πίνακα (πίνακας 1).

Δημιουργία δεδομένων εκπαίδευσης

Η εξαγωγή δεδομένων εκπαίδευσης αποτελεί ένα κρίσιμο βήμα στην διαδικασία εποπτευόμενης ταξινόμησης εικόνας. Δεδομένου ότι η επιτυχία μιας ταξινόμησης εξαρτάται ιδιαίτερα από την ποιότητα των δεδομένων εκπαίδευσης, αυτά πρέπει να επιλεγούν από αντιπροσωπευτικές περιοχές των κατηγοριών κάλυψης του εδάφους. Τα δεδομένα πρέπει να συλλέγονται από ομοιογενείς περιοχές που εκφράζουν τις κατηγορίες. Η συλλογή των δεδομένων εκπαίδευσης είναι γενικά μια χρονοβόρα και κουραστική διαδικασία, δεδομένου ότι περιλαμβάνει επίπονες έρευνες πεδίου και τη συσσώρευση δεδομένων αναφοράς από διάφορες πηγές. Ο αριθμός των εικονοστοιχείων που αποτελούν το σύνολο των δεδομένων εκπαίδευσης πρέπει να είναι αρκετά μεγάλος για να χαρακτηριστούν επακριβώς οι κατηγορίες κάλυψης γης. Ως γενικός κανόνας, ο αριθμός των εικονοστοιχείων εκπαίδευσης για κάθε κατηγορία μπορεί να διατηρηθεί ως 30 φορές επί τον αριθμό των καναλιών υπό εξέταση (Mather, 1999). Στη μελέτη αυτή, το σύνολο δεδομένων εκπαίδευσης αποτελείται από περίπου το 1% του συνόλου των εικονοστοιχείων στην εικόνα LISS ΙΙΙ. Ο αριθμός των δειγμάτων εκπαίδευσης για κάθε κατηγορία επιλέχθηκαν κατ 'αναλογία προς την έκταση που καλύπτεται από τις αντίστοιχες κατηγορίες κάλυψης εδάφος (πίνακας 2) .

Ανάλυση διαχωρισιμότητας

Το σύνολο των δεδομένων για την ταξινόμηση αποτελείται από έξι επίπεδα (τέσσερα κανάλια της πολυφασματικής εικόνα LISS ΙΙΙ, δύο βοηθητικές πηγές δεδομένων: κανονικοποιημένος δείκτης βλάστησης και ψηφιακό μοντέλο εδάφους). Για τον προσδιορισμό του πιο κατάλληλου συνδυασμού των καναλιών για την καλύτερη διάκριση μεταξύ των κατηγοριών κάλυψης γης, πραγματοποιήθηκε ανάλυση διαχωρισιμότητας των αποτελεσμάτων, (μια στατιστική μέθοδος) για τον υπολογισμό των φασματικών αποστάσεων για κάθε συνδυασμό καναλιών, η μεταβλημένη απόκλιση (TD), με τιμές από 0-2000, με πιο κατάλληλες τις μεγαλύτερες.

Ταξινόμηση μεγίστης πιθανοφάνειας (MLC)

Η ταξινόμηση μεγίστης πιθανοφάνειας έχει διαπιστωθεί ότι είναι πολύ ακριβής όταν πληρούνται οι παραδοχές κατανομής δεδομένων και έχει χρησιμοποιηθεί εδώ προς την παραγωγή θεματικών χαρτών χήσης και κάλυψης γης με διαφορετικούς συνδυασμούς καναλιών.

Εκτίμηση ακρίβειας της ταξινόμησης

Καμία ταξινόμηση εικόνας δε μπορεί να είναι πλήρης, αν δεν έχει εκτιμηθεί η ακρίβειά της. Για τον έλεγχο της ακρίβειας της ταξινόμησης, έχει επιλεγεί ένα δείγμα των εικονοστοιχείων, για τα οποία συγκρίνεται η κατηγορία στην οποία έχουν ταξινομηθεί με την κατηγορία που ανήκουν στην πραγματικότητα με επίγειο έλεγχο. Η επιλογή του κατάλληλου δείγματος και του μεγέθους του διαδραματίζει καίριο ρόλο στην αξιολόγηση της ακρίβειας της ταξινόμησης.

Εικόνα 5. Ταξινόμηση κάλυψης γης μεγίστης ακρίβειας

Αποτελέσματα

Ο σκοπός της παρούσας μελέτης είναι η εφαρμογή ταξινόμησης πολλαπλών πηγών για την παραγωγή χάρτη κάλυψης γης για τον καθορισμό ζωνών επικινδυνότητας λόγω κατολίσθησης. Η ταξινόμηση με βάση μόνο τα φασματικά δεδομένα της εικόνας LISS ΙΙΙ έχει ακρίβεια 86,94%, η οποία είναι μεγαλύτερη από την ελάχιστη απαιτούμενη ακρίβεια 85% (Anderson, 1976). Η επιπλέον ένταξη του κανονικοποιημένου δείκτη βλάστησης μείωσε την ακρίβεια στο 84,78%, όταν όμως προστέθηκε και το επίπεδο του ψηφιακού μοντέλου εδάφους, η ακρίβεια αυξήθηκε στο 92,04%. Συγκεκριμένα οι κατηγορίες αραιή βλάστηση, γεωργία, χέρσα και άγονη γη, οικισμοί και χιόνι παρουσίασαν σημαντική αύξηση της ακρίβειας που κυμαίνεται από 1,5% έως 20%., δεδομένου ότι, τα μεγάλα υψόμετρα και η παρουσία των σκιών αποκλείουν κάποιες κατηγορίες. Από την οπτική σύγκριση του έγχρωμου σύνθετου (Εικ. 2) και την ταξινόμηση της εδαφοκάλυψης υψηλής ακρίβειας (Εικ. 5), μπορεί να παρατηρηθεί ότι η προσθήκη του κανονικοποιημένου δείκτη βλάστησης και του ψηφιακού μοντέλου εδάφους είχε ως αποτέλεσμα την ορθή ταξινόμηση των σκιασμένων περιοχών.

Συμπεράσματα

Στην παρούσα μελέτη αποδείχτηκε η αποτελεσματικότητα της ενσωμάτωσης του ψηφιακού μοντέλου εδάφους και του κανονικοποιημένου δείκτη βλάστησης παράλληλα με τη χρήση των τηλεπισκοπικών δεδομένων για την ακριβέστερη ταξινόμηση χαρτών κάλυψης γης σε ορεινές και απροσπέλαστες περιοχές με σημαντική παρουσία έντονων σκιών, όπως στην περιοχή των Ιμαλαΐων.