Μια πολλαπλών αισθητήρων και σε πολλούς χρόνους προσέγγιση για την αναγνώριση των δυναμικών στις μεταβολές καλύψεων γης...
Από RemoteSensing Wiki
| (5 ενδιάμεσες αναθεωρήσεις δεν εμφανίζονται.) | |||
| Γραμμή 1: | Γραμμή 1: | ||
Μια πολλαπλών αισθητήρων και σε πολλούς χρόνους προσέγγιση για την αναγνώριση των δυναμικών στις μεταβολές καλύψεων γης σε ετερογενή αστικά τοπία | Μια πολλαπλών αισθητήρων και σε πολλούς χρόνους προσέγγιση για την αναγνώριση των δυναμικών στις μεταβολές καλύψεων γης σε ετερογενή αστικά τοπία | ||
| - | [[Εικόνα:pa2020_pk_arthro2_εικόνα1_stress.jpg|thumb|right|Εικόνα1: | + | '''Πρωτότυπος τίτλος: ''' A multi-sensor and multi-temporal remote sensing approach to detect land cover change dynamics in heterogeneous urban landscapes |
| + | |||
| + | '''Συγγραφείς:''' Nadja Kabisch, Peter Selsam, Toralf Kirsten, Angela Lausch, Jan Bumberger | ||
| + | |||
| + | '''Δημοσιεύθηκε:''' Ecological Indicators | ||
| + | |||
| + | '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.sciencedirect.com/science/article/abs/pii/S1470160X1830966X] | ||
| + | |||
| + | '''Λέξεις-Κλειδιά:''' πράσινο, NDVI, Classified Vegetation Cover (CVC), τηλεπισκόπηση, αστικές περιοχές, Λειψία, νέα προσέγγιση, πολλαπλοί αισθητήρες, σε πολλούς χρόνους | ||
| + | |||
| + | [[Εικόνα:pa2020_pk_arthro2_εικόνα1_stress.jpg|thumb|right|Εικόνα1:α) Κατανομή όλων των τηλεπισκοπικών δεδομένων 2005-2017, τα διαφορετικά χρώματα απεικονίζουν τους μήνες των αποδεκτών τηλεπισκοπικών δεδομένων β) κατανομή όλων των τηλεπισκοπικών δεδομένων σε διαφορετικούς μήνες, τα διαφορετικά χρώματα απεικονίζουν διαφορετικές χρονολογίες]] | ||
| + | |||
| + | [[Εικόνα:pa2020_pk_arthro2_εικόνα2_stress.jpg|thumb|right|Εικόνα2:(Αριστερά) απεικόνιση του NDVI και (δεξιά) ο CVC για επτά κεντρικές περιοχές της πόλης της Λειψίας που δείχνουν τις μέσες περιοχές σε ξεχωριστές μέρες το 2005]] | ||
| + | |||
| + | [[Εικόνα:pa2020_pk_arthro2_εικόνα3_stress.jpg|thumb|right|Εικόνα3:α) Απεικόνιση του CVC της Λειψίας , πρωταρχικό συστατικό σε ετήσιους μέσους (συνολική περίοδος έρευνας, 2005 -2017) για την όλη πόλη της Λειψίας, β) για επιλεγμένες περιοχές της πόλης και μεταβολή τιμών ως παλινδρόμηση για τις τιμές CVC για δύο χρονικές περιόδους (γ) 2005-2011 και (δ) 2012-2017.]] | ||
| + | |||
| + | [[Εικόνα:pa2020_pk_arthro2_εικόνα4_stress.jpg|thumb|right|Εικόνα4:Διαφορά της ταξινομημένης κάλυψης βλάστησης (CVC) για ζευγάρια εικόνων που λαμβάνονται από διαφορετικούς αισθητήρες σε διαδοχικές ημέρες. Τα γκρίζα κουτάκια δείχνουν τη μέση διαφορά για ολόκληρη την πόλη. Οι ράβδοι σφάλματος υπολογίζονται ως διπλή τυπική απόκλιση των διαφορών μεταξύ 63 αστικών περιοχών. Ο πίνακας απεικονίζει τα ζεύγη εικόνων διαφορετικών τηλεπισκοπικών αισθητήρων. Σημείωση: L5 - Landsat 5, L7 - Landsat 7, L8 - Landsat 8, RE - RapidEye, S2 - Sentinel 2.]] | ||
| + | |||
| + | |||
| + | '''Εισαγωγή''' | ||
| + | |||
| + | Φαινόμενα όπως η κλιματική αλλαγή, ο αυξανόμενος παγκόσμιος πληθυσμός και η αστικοποίηση οδηγούν σε ραγδαίες αλλαγές ως προς την κάλυψη γης. Για έναν βιώσιμο σχεδιασμό είναι απαραίτητο να έχουμε επικαιροποιημένα τηλεπισκοπικά δεδομένα χρήσεων και καλύψεων γης (ΧΚΓ) προκειμένου για την οριοθέτηση περιοχών κατοικίας με ανοιχτούς ελεύθερους χώρους πρασίνου. | ||
| + | Αξίζει να σημειωθεί ότι από το έτος 2008 έχουμε στην κατοχή μας ανοιχτά δεδομένα δορυφορικών εικόνων Landsat υψηλής χωρικής ανάλυσης, της τάξεως των 30 μ. Η πληθώρα των εικόνων σε συνδυασμό με την ανοιχτότητα των δεδομένων οδήγησε στην ανάπτυξη πολλαπλών επιστημονικών πεδίων και ερευνών οι οποίες αξιοποιούν τηλεπισκοπικά δεδομένα (αναφέρονται από τους συγγραφείς πολλά παραδείγματα). | ||
| + | Η αναγνώριση πληροφοριών ΧΚΓ, σύμφωνα με τους συντάκτες, έχει να αντιμετωπίσει τις εξής προκλήσεις: | ||
| + | |||
| + | * Την ανάγκη για υψηλή χωρική ανάλυση αισθητήρων | ||
| + | * Η κατασκευή των αισθητήρων πρέπει να είναι κατάλληλη για την ορθή καταγραφή δεικτών (λόγου χάρη NDVI) | ||
| + | * Την έντονη δυναμικότητα των αστικών περιοχών που μεταβάλλονται εκθετικά με τον χρόνο | ||
| + | * Τους δορυφόροι: Σε ποιο βαθμό και σε ποιες περιπτώσεις είναι αξιόπιστοι στην καταγραφή σύνθετων, μικρής κλίμακας αστικών περιοχών; | ||
| + | |||
| + | |||
| + | '''Μεθοδολογία''' | ||
| + | |||
| + | Τις ανωτέρω προκλήσεις η παρούσα μελέτη επιχειρεί να αντιμετωπίσει με τις εξής στοχεύσεις: | ||
| + | * Συγκριτική εκτίμηση τηλεπισκοπικών δυνατοτήτων Landsat 5-8, Sentinel και RapidEye | ||
| + | * Ο δείκτης NDVI - ο οποίος μεταφράζεται σε ταξινομημένο NDVI (ταξινομημένη κάλυψη βλάστησης – CVC). αξιοποιείται με ανοιχτά δεδομένα μέσης ανάλυσης για την αντιπαραβολή των αλλαγών στη βλάστηση σε χρονικό διάστημα πλέον των δέκα ετών | ||
| + | * Πολλαπλότητα εικόνων για την κάλυψη μεγάλου χωρικού και χρονικού εύρους | ||
| + | Περιοχή μελέτης είναι η πόλη της Λειψίας στη Γερμανία, η οποία τοποθετείται στην παραποτάμια περιοχή μεταξύ των ποταμών Weiße, Elster, Pleiße και Parthe. Η πόλη αυτή παρουσιάζει ενδιαφέρον στην ανίχνευση μεταβολών ΧΚΓ, καθώς βίωσε τη μετασοσιαλιστική αστική δομική αλλαγή μετά το 1989 και έχει υποστεί από το 2000 μια ευρεία διαδικασία ανασυγκρότησης. Ακριβώς αυτή η ραγδαία ανάπτυξη της Λειψίας έχει καταστήσει επιτακτική την ανάγκη διατήρησης των υπαρχόντων χώρων πρασίνου και ταυτόχρονα της εξεύρεσης νέων χώρων κατοικίας με την αξιοποίηση του υπάρχοντος κτιριακού αποθέματος. | ||
| + | Για να προσδιοριστεί η ανάπτυξη των ελεύθερων πράσινων χώρων ακολουθήθηκαν τα εξής βήματα: | ||
| + | * Συλλογή τηλεπισκοπικών δεδομένων από ποικίλους αισθητήρες για τη χρονική περίοδο 2005 – 2017 (μεγαλύτερη της δεκαετίας) | ||
| + | * Προεπεξεργασία εικόνων, αναδειγματοληψία, καλιμπράρισμα, αντιστοίχιση στις σωστές χρονικές περιόδους | ||
| + | * Διαλογή εικόνων: Οι εικόνες επιλέχθηκαν ώστε να παρουσιάζουν μικρή συννεφοκάλυψη | ||
| + | * Χρήση του NDVI για κατοπινούς υπολογισμούς. Προσδιορισμός πότε έχουμε και πότε δεν έχουμε βλάστηση. Οι εικόνες που δεν έδειξαν τα φυτά σε πλήρη ανάπτυξη απορρίφθηκαν | ||
| + | * Ταξινόμηση των περιοχών με φύτευση και χωρίς. Περιοχές εκπαίδευσης λαμβάνουν τιμές μεταξύ 0 και 1. | ||
| + | * Αναγωγή των αποτελεσμάτων CVC για διαφορετικές περιοχές και χρονικές περιόδους σε κοινό παρονομαστή, ώστε να γίνει μεταξύ τους σύγκριση | ||
| + | * Προσδιορισμός μέσων τιμών CVC για 63 επιμέρους περιοχές | ||
| + | * Ανάλυση βασισμένη στα εικονοστοιχεία (pixel based analysis): Σύγκριση αποτελεσμάτων για διαφορετικές χρονικές περιόδους | ||
| + | * Ετήσιες εποχιακές μεταβολές για κάθε έτος βασισμένοι στις 63 υπό-περιοχές | ||
| + | * Ανάλυση αβεβαιότητας: Για διαδοχικές μέρες σύγκριση των μεταβολών στις υπό-περιοχές σε εικόνες από διαφορετικούς αισθητήρες | ||
| + | |||
| + | |||
| + | |||
| + | '''Αποτελέσματα''' | ||
| + | |||
| + | Η μελέτη αυτή παρουσιάζει υψηλό επίπεδο αξιοπιστίας, καθώς τα δεδομένα της προέρχονται από πολλές εικόνες διαφορετικών αισθητήρων. Με αυτόν τον τρόπο η ταξινόμηση παρουσιάζει μεγαλύτερη ακρίβεια μιας και αποφεύγονται τα σφάλματα που προέρχονται από την εποχικότητα και τις διαφορές στους αισθητήρες. | ||
| + | |||
| + | Οι τοπικές αλλαγές στον NDVI παρουσιάζονται γραφικά. Η μείωση στην τιμή του NDVI απεικονίζεται με κόκκινο χρώμα και αυτό δείχνει επί παραδείγματι, πότε κατασκευάζονται νέα κτίρια. Νέα στοιχεία βλάστησης που αναπτύσσονται με το χρόνο παρίστανται με πράσινο. Η μείωση στον NDVI καθίσταται αντιληπτή τόσο για μικρότερες περιοχές της πόλης, όσο και για μεγαλύτερες περιοχές, ιδίως στο βόρειο κομμάτι της πόλης. | ||
| + | Η χρησιμότητα της μελέτης καθίσταται αντιληπτή: Μπορεί να αξιοποιηθεί στον αστικό σχεδιασμό καθώς παρέχει πληροφορίες για το πότε ένας αστικός χώρος απελευθερώνεται (επί παραδείγματι ύστερα από μία κατεδάφιση). Η ανάγκη για την αξιοποίηση τέτοιων εργαλείων είναι επιτακτική και θα είναι ακόμα πιο κρίσιμη στο μέλλον, όπου οι χωρικές μεταβολές προβλέπεται να είναι σημαντικά πιο έντονες. | ||
| + | |||
[[category:Ανίχνευση μεταβολών αστικής γης]] | [[category:Ανίχνευση μεταβολών αστικής γης]] | ||
Παρούσα αναθεώρηση της 15:49, 12 Φεβρουαρίου 2020
Μια πολλαπλών αισθητήρων και σε πολλούς χρόνους προσέγγιση για την αναγνώριση των δυναμικών στις μεταβολές καλύψεων γης σε ετερογενή αστικά τοπία
Πρωτότυπος τίτλος: A multi-sensor and multi-temporal remote sensing approach to detect land cover change dynamics in heterogeneous urban landscapes
Συγγραφείς: Nadja Kabisch, Peter Selsam, Toralf Kirsten, Angela Lausch, Jan Bumberger
Δημοσιεύθηκε: Ecological Indicators
Σύνδεσμος πρωτότυπου κειμένου: [1]
Λέξεις-Κλειδιά: πράσινο, NDVI, Classified Vegetation Cover (CVC), τηλεπισκόπηση, αστικές περιοχές, Λειψία, νέα προσέγγιση, πολλαπλοί αισθητήρες, σε πολλούς χρόνους
Εισαγωγή
Φαινόμενα όπως η κλιματική αλλαγή, ο αυξανόμενος παγκόσμιος πληθυσμός και η αστικοποίηση οδηγούν σε ραγδαίες αλλαγές ως προς την κάλυψη γης. Για έναν βιώσιμο σχεδιασμό είναι απαραίτητο να έχουμε επικαιροποιημένα τηλεπισκοπικά δεδομένα χρήσεων και καλύψεων γης (ΧΚΓ) προκειμένου για την οριοθέτηση περιοχών κατοικίας με ανοιχτούς ελεύθερους χώρους πρασίνου. Αξίζει να σημειωθεί ότι από το έτος 2008 έχουμε στην κατοχή μας ανοιχτά δεδομένα δορυφορικών εικόνων Landsat υψηλής χωρικής ανάλυσης, της τάξεως των 30 μ. Η πληθώρα των εικόνων σε συνδυασμό με την ανοιχτότητα των δεδομένων οδήγησε στην ανάπτυξη πολλαπλών επιστημονικών πεδίων και ερευνών οι οποίες αξιοποιούν τηλεπισκοπικά δεδομένα (αναφέρονται από τους συγγραφείς πολλά παραδείγματα). Η αναγνώριση πληροφοριών ΧΚΓ, σύμφωνα με τους συντάκτες, έχει να αντιμετωπίσει τις εξής προκλήσεις:
- Την ανάγκη για υψηλή χωρική ανάλυση αισθητήρων
- Η κατασκευή των αισθητήρων πρέπει να είναι κατάλληλη για την ορθή καταγραφή δεικτών (λόγου χάρη NDVI)
- Την έντονη δυναμικότητα των αστικών περιοχών που μεταβάλλονται εκθετικά με τον χρόνο
- Τους δορυφόροι: Σε ποιο βαθμό και σε ποιες περιπτώσεις είναι αξιόπιστοι στην καταγραφή σύνθετων, μικρής κλίμακας αστικών περιοχών;
Μεθοδολογία
Τις ανωτέρω προκλήσεις η παρούσα μελέτη επιχειρεί να αντιμετωπίσει με τις εξής στοχεύσεις:
- Συγκριτική εκτίμηση τηλεπισκοπικών δυνατοτήτων Landsat 5-8, Sentinel και RapidEye
- Ο δείκτης NDVI - ο οποίος μεταφράζεται σε ταξινομημένο NDVI (ταξινομημένη κάλυψη βλάστησης – CVC). αξιοποιείται με ανοιχτά δεδομένα μέσης ανάλυσης για την αντιπαραβολή των αλλαγών στη βλάστηση σε χρονικό διάστημα πλέον των δέκα ετών
- Πολλαπλότητα εικόνων για την κάλυψη μεγάλου χωρικού και χρονικού εύρους
Περιοχή μελέτης είναι η πόλη της Λειψίας στη Γερμανία, η οποία τοποθετείται στην παραποτάμια περιοχή μεταξύ των ποταμών Weiße, Elster, Pleiße και Parthe. Η πόλη αυτή παρουσιάζει ενδιαφέρον στην ανίχνευση μεταβολών ΧΚΓ, καθώς βίωσε τη μετασοσιαλιστική αστική δομική αλλαγή μετά το 1989 και έχει υποστεί από το 2000 μια ευρεία διαδικασία ανασυγκρότησης. Ακριβώς αυτή η ραγδαία ανάπτυξη της Λειψίας έχει καταστήσει επιτακτική την ανάγκη διατήρησης των υπαρχόντων χώρων πρασίνου και ταυτόχρονα της εξεύρεσης νέων χώρων κατοικίας με την αξιοποίηση του υπάρχοντος κτιριακού αποθέματος. Για να προσδιοριστεί η ανάπτυξη των ελεύθερων πράσινων χώρων ακολουθήθηκαν τα εξής βήματα:
- Συλλογή τηλεπισκοπικών δεδομένων από ποικίλους αισθητήρες για τη χρονική περίοδο 2005 – 2017 (μεγαλύτερη της δεκαετίας)
- Προεπεξεργασία εικόνων, αναδειγματοληψία, καλιμπράρισμα, αντιστοίχιση στις σωστές χρονικές περιόδους
- Διαλογή εικόνων: Οι εικόνες επιλέχθηκαν ώστε να παρουσιάζουν μικρή συννεφοκάλυψη
- Χρήση του NDVI για κατοπινούς υπολογισμούς. Προσδιορισμός πότε έχουμε και πότε δεν έχουμε βλάστηση. Οι εικόνες που δεν έδειξαν τα φυτά σε πλήρη ανάπτυξη απορρίφθηκαν
- Ταξινόμηση των περιοχών με φύτευση και χωρίς. Περιοχές εκπαίδευσης λαμβάνουν τιμές μεταξύ 0 και 1.
- Αναγωγή των αποτελεσμάτων CVC για διαφορετικές περιοχές και χρονικές περιόδους σε κοινό παρονομαστή, ώστε να γίνει μεταξύ τους σύγκριση
- Προσδιορισμός μέσων τιμών CVC για 63 επιμέρους περιοχές
- Ανάλυση βασισμένη στα εικονοστοιχεία (pixel based analysis): Σύγκριση αποτελεσμάτων για διαφορετικές χρονικές περιόδους
- Ετήσιες εποχιακές μεταβολές για κάθε έτος βασισμένοι στις 63 υπό-περιοχές
- Ανάλυση αβεβαιότητας: Για διαδοχικές μέρες σύγκριση των μεταβολών στις υπό-περιοχές σε εικόνες από διαφορετικούς αισθητήρες
Αποτελέσματα
Η μελέτη αυτή παρουσιάζει υψηλό επίπεδο αξιοπιστίας, καθώς τα δεδομένα της προέρχονται από πολλές εικόνες διαφορετικών αισθητήρων. Με αυτόν τον τρόπο η ταξινόμηση παρουσιάζει μεγαλύτερη ακρίβεια μιας και αποφεύγονται τα σφάλματα που προέρχονται από την εποχικότητα και τις διαφορές στους αισθητήρες.
Οι τοπικές αλλαγές στον NDVI παρουσιάζονται γραφικά. Η μείωση στην τιμή του NDVI απεικονίζεται με κόκκινο χρώμα και αυτό δείχνει επί παραδείγματι, πότε κατασκευάζονται νέα κτίρια. Νέα στοιχεία βλάστησης που αναπτύσσονται με το χρόνο παρίστανται με πράσινο. Η μείωση στον NDVI καθίσταται αντιληπτή τόσο για μικρότερες περιοχές της πόλης, όσο και για μεγαλύτερες περιοχές, ιδίως στο βόρειο κομμάτι της πόλης. Η χρησιμότητα της μελέτης καθίσταται αντιληπτή: Μπορεί να αξιοποιηθεί στον αστικό σχεδιασμό καθώς παρέχει πληροφορίες για το πότε ένας αστικός χώρος απελευθερώνεται (επί παραδείγματι ύστερα από μία κατεδάφιση). Η ανάγκη για την αξιοποίηση τέτοιων εργαλείων είναι επιτακτική και θα είναι ακόμα πιο κρίσιμη στο μέλλον, όπου οι χωρικές μεταβολές προβλέπεται να είναι σημαντικά πιο έντονες.
