Τηλεπισκόπηση μη Επανδρωμένου Αεροσκάφους για τη Χαρτογράφηση της Αστικής Βλάστησης Χρησιμοποιώντας τη μέθοδο Random Forest
Από RemoteSensing Wiki
(Νέα σελίδα με '[[Εικόνα: askisi9_eikona1.jpg|thumb | right |''Εικόνα 1: Πάρκο πυκνής βλάστησης (α), Πολύπλοκη περιοχή κατοικίας ...') |
|||
| (3 ενδιάμεσες αναθεωρήσεις δεν εμφανίζονται.) | |||
| Γραμμή 1: | Γραμμή 1: | ||
| - | [[Εικόνα: askisi9_eikona1.jpg|thumb | right |''Εικόνα 1: Πάρκο πυκνής βλάστησης ( | + | [[Εικόνα: askisi9_eikona1.jpg|thumb | right |''Εικόνα 1: Πάρκο πυκνής βλάστησης (a), Πολύπλοκη περιοχή κατοικίας (b)'']] |
[[Εικόνα: askisi9_eikona2.jpg|thumb | right |''Εικόνα 2: Αποτελέσματα ταξινόμησης για RGB-only και RGB+GT31 χρησιμοποιώντας τη μέθοδο Random Forest. (a) Περιοχή Α: RGB-only, (b) Περιοχή Α: RGB+GT31, (c) Περιοχή Β: RGB-only, (d) Περιοχή Β: RGB+GT31'']] | [[Εικόνα: askisi9_eikona2.jpg|thumb | right |''Εικόνα 2: Αποτελέσματα ταξινόμησης για RGB-only και RGB+GT31 χρησιμοποιώντας τη μέθοδο Random Forest. (a) Περιοχή Α: RGB-only, (b) Περιοχή Α: RGB+GT31, (c) Περιοχή Β: RGB-only, (d) Περιοχή Β: RGB+GT31'']] | ||
| Γραμμή 10: | Γραμμή 10: | ||
'''Εισαγωγή''' | '''Εισαγωγή''' | ||
| - | |||
''Χαρτογράφηση της αστικής βλάστησης'' | ''Χαρτογράφηση της αστικής βλάστησης'' | ||
Παρούσα αναθεώρηση της 18:05, 7 Φεβρουαρίου 2019
Πρωτότυπος τίτλος: UAV Remote Sensing for Urban Vegetation Mapping Using Random Forest and Texture Analysis
Συγγραφείς: Quanlong Feng, Jiantao Liu, Jianhua Gong
Εισαγωγή
Χαρτογράφηση της αστικής βλάστησης
Η βλάστηση διαδραματίζει σημαντικό ρόλο στα αστικά περιβάλλοντα. Χαρακτηριστικά αναφέρεται ότι μετριάζει το φαινόμενο της θερμικής νησίδας και συμβάλλει στη διατήρηση της οικολογικής ισορροπίας, στην προστασία της βιοποικιλότητας και στην βελτίωση του βιοτικού επιπέδου. Η χαρτογράφηση της αστικής βλάστησης μπορεί να οριστεί ως η ταυτοποίηση των τύπων κάλυψης γης σε αστικές περιοχές οι οποίες διαθέτουν πράσινους χώρους. Αυτοί οι χάρτες συνεισφέρουν στη διαδικασία του αστικού σχεδιασμού, στην βελτιστοποίηση των υπηρεσιών των αστικών οικοσυστημάτων και στην προσαρμογή στην κλιματική αλλαγή. Η τηλεπισκόπηση έχει χρησιμοποιηθεί για να χαρτογραφηθούν διάφορα περιβάλλοντα που περιέχουν βλάστηση (δομημένα και φυσικά). Η αστική (σε σύγκριση με την φυσική) βλάστηση είναι πιο κατακερματισμένη, άρα και πιο δύσκολη η καταγραφή της. Σε γενικές γραμμές, τα δεδομένα που χρησιμοποιούνται στην περίπτωση της αστικής βλάστησης διαθέτουν μέση (δορυφόρος Landsat), υψηλή (δορυφόροι IKONOS και QuickBird) και πολύ υψηλή (αισθητήρες ενσωματωμένοι σε μη επανδρωμένα αεροσκάφη) χωρική διακριτική ικανότητα. Επίσης, γίνεται και χρήση αεροφωτογραφιών.
Τηλεπισκόπηση με χρήση μη επανδρωμένου αεροσκάφους
Τα μη επανδρωμένα αεροσκάφη (Unmanned Aerial Vehicles ή αλλιώς UAV) μπορούν να αξιοποιηθούν για την ικανοποίηση των απαιτήσεων της ταχείας παρακολούθησης, αξιολόγησης και χαρτογράφησης φυσικών πόρων με καθορισμένη από τον χρήστη χωροχρονική κλίμακα. Ο αισθητήρας του σκάφους αυτού αποκτά εικόνες πολύ υψηλής ποιότητας, οι οποίες μπορούν να καταγράψουν λεπτομέρειες και να συμβάλλουν σε πολύ ακριβείς χαρτογραφήσεις της αστικής βλάστησης. Οι αισθητήρες ποικίλλουν από απλή ψηφιακή φωτογραφική μηχανή, πολυφασματική φωτογραφική μηχανή, υπερφασματικό αισθητήρα και αισθητήρα LiDAR,
Στόχοι
O γενικός στόχος αυτής της μελέτης είναι η ανάπτυξη μιας ακριβούς μεθόδου ταξινόμησης για τη χαρτογράφηση της αστικής βλάστησης μέσω της ταξινόμησης Τυχαίου Δάσους (Random Forest) και της ανάλυση υφής χρησιμοποιώντας πολύ υψηλής διακριτικής ικανότητας (7 εκ.) δεδομένα από αισθητήρα που βρίσκεται σε μη επανδρωμένο σκάφος.
Μεθοδολογία
Το διάγραμμα ροής μπορεί να χωριστεί σε τρία μέρη: α) απόκτηση δεδομένων και προεπεξεργασία, β) ταξινόμηση εικόνων και γ) ανάλυση ακρίβειας. Οι εικόνες ανακτήθηκαν μέσω ενός μίνι μη UAV που ονομάζεται River-Map . Το UAV River-Map αποτελείται από ωφέλιμο φορτίο αισθητήρα, αυτόματο πιλότο, GPS / INS και σταθμό εδάφους. Αρχικά, πραγματοποιήθηκε γεωαναφορά των εικόνων και παράθεση σε μωσαϊκό. Αποτέλεσμα ήταν δύο μικρές εικόνες (1700 × 1700 εικονοστοιχεία, 120 × 120 μ.) που αντιπροσωπεύουν τυπικά αστικά τοπία τα οποία επελέγησαν ως δεδομένα δοκιμών (εικ. 1). Έπειτα, εξετάστηκαν τα στατιστικά στοιχεία που αφορούν την υφή (π.χ. μέση τιμή, διακύμανση, ομοιογένεια). Η συμβολή των χαρακτηριστικών υφής στην ακρίβεια ταξινόμησης εξαρτάται τόσο από την κλίμακα της υφής όσο και από την κλίμακα των αντικειμένων εδάφους. Η υψηλότερη ακρίβεια μπορεί να επιτευχθεί με τη συμπερίληψη της βέλτιστης κλίμακας σε αντικείμενα εδάφους τα οποία αντιπροσωπεύουν την υψηλότερη διακύμανση μεταξύ των κλάσεων και τη μικρότερη διακύμανση εντός της κλάσης. Στη συνέχεια πραγματοποιήθηκε η ταξινόμηση με χρήση της μεθόδου Random Forest. Η συγκεκριμένη μέθοδος επιλέχθηκε λόγω της σταθερότητας και της αποτελεσματικότητάς που διαθέτει. Επίσης, διαθέτει χαμηλό υπολογιστικό βάρος και είναι εύκολος ο προσδιορισμός των παραμέτρων που πρόκειται να χρησιμοποιηθούν.
Αποτελέσματα
Τα αποτελέσματα που προέκυψαν από την ταξινόμηση ήταν 10 διαφορετικοί χάρτες κάλυψης γης για κάθε εικόνα. Παρακάτω (εικ. 2) παρουσιάζονται τα αποτελέσματα για RGB-only και RGB+GT31 (υψηλότερη δυνατή ακρίβεια) των περιοχών Α και Β. Κατά την ταξινόμηση των εικόνων RGB-only, τόσο στην περιοχή-A όσο και στην περιοχή-B φαίνεται ότι μεγάλη ποσότητα από τα δέντρα έχουν ταξινομηθεί εσφαλμένα σαν γρασίδι και θάμνοι. Αυτό οφείλεται κυρίως στην χαμηλή φασματική ανάλυση των εικόνων UAV και της έλλειψης του εγγύς υπέρυθρου καναλιού. Ωστόσο, η συμπερίληψη της υφής βελτιώνει την ακρίβεια ταξινόμησης. Αυτό γίνεται εμφανές στις εικόνες RGB+GT31. Αυτό συμβαίνει επειδή η παρουσία της υφής αυξάνει την διαχωριστικότητα μεταξύ των κατηγοριών και τείνει να απομακρύνει μικρές απομονωμένες ομάδες εικονοστοιχείων. Για περαιτέρω πληροφορίες που αφορούν στην ανάλυση των αποτελεσμάτων βλ. Quanlong et al., 2015.
Συμπεράσματα
Οι εξαιρετικά υψηλής χωρικής διακριτικής ικανότητας εικόνες που αποκτήθηκαν από το UAV παρέχουν επαρκείς λεπτομέρειες για την χαρτογράφηση της αστικής βλάστησης. Τα αποτελέσματα έδειξαν ότι η συνολική ακρίβεια για τις περιοχές Α και Β αυξήθηκε από 73,5% σε 90,6% και από 76,6% σε 86,2%, αντίστοιχα, μετά την ένταξη των χαρακτηριστικών της υφής, στοιχείο που καταδεικνύει τη σημασία του συγκεκριμένου παράγοντα στην βελτίωση της ακρίβειας ταξινόμησης. Εκτός αυτού, όταν χρησιμοποιήθηκε η μέθοδος του Τυχαίου Δάσους (Random Forest) αντί της Μέγιστης Πιθανοφάνειας (Maximum Likehood), η ακρίβεια αυξήθηκε κατά περίπου 4%. Επισημαίνεται ότι από αυτή τη μελέτη ότι τα δεδομένα μέσω UAV παρέχουν πληροφορίες εξαιρετικής ποιότητας για την παρακολούθηση της αστικής βλάστησης. Ωστόσο, θα ήταν επιθυμητό να χρησιμοποιούνται αισθητήρες οι οποίοι έχουν ενσωματωμένο το εγγύς υπέρυθρο κανάλι. Επίσης, η προτεινόμενη μέθοδος θα πρέπει να δοκιμαστεί και σε εικόνες από διαφορετικές περιοχές και σε διαφορετικές περιόδους για να αποδειχθεί η εγκυρότητά της. Επιπλέον, θα είναι σκόπιμο να ληφθεί υπόψιν η σύγκριση μεταξύ της προτεινόμενης μεθόδου και της εξομαλυνθείσας έκδοσης της ταξινόμησης RGB-only. Τελευταία, θα πρέπει να εξεταστεί η ανάλυση αβεβαιότητας της μεθόδου αυτής.
