Συγχώνευση τηλεσκοπικών μεθόδων

Από RemoteSensing Wiki

Παρούσα αναθεώρηση της 23:14, 13 Φεβρουαρίου 2021

Εικ. 1 Περιοχή μελέτης, Ουγγαρία, Πηγή: [1]

Εικ. 2 Οριζόντια τομογραφική απεικόνιση για υψόμετρο των 93 μέτρων του λόφου Καστά, Πηγή: [2]

Εικ. 3 Μη επιβλεπόμενη ταξινόμηση, Πηγή: [3]

Εικ. 4 Μοντέλα Παλινδρόμησης, Πηγή: [4]

Πρωτότυπος Τίτλος: Συγχώνευση τηλεπισκοπικών δεδομένων για την ανίχνευση υπεδάφιων αρχαιολογικών καταλοίπων

Συγγραφείς: Μάνος Παπαγεωργίου

Πηγή: http://ktisis.cut.ac.cy/handle/10488/12745

Λέξεις Κλειδιά: ενίσχυση, συγχώνευση, επίγεια ραδιομετρία, γεωραντάρ, πολυφασματικές εικόνες, τηλεπισκόπηση στην αρχαιολογία, ταξινόμηση

Αντικείμενο Εφαρμογής: Συσχέτιση και συγχώνευση τηλεσκοπικών μεθόδων με σκοπό τη βελτιστοποίηση ανίχνευσης υπεδάφιων αρχαιολογικών θέσεων.

Περίληψη

Στην παρούσα μελέτη εξετάζεται η συσχέτιση μεταξύ γεωραντάρ, επίγειας ραδιομετρίας και πολυφασματικών δορυφορικών εικόνων και κατά πόσο είναι δυνατό να επιτευχθεί μια μορφή συγχώνευσης, ούτως ώστε να ανιχνεύονται καλύτερα υπεδάφια αρχαιολογικά κατάλοιπα. Αναπτύχθηκαν διάφορα μαθηματικά μοντέλα παλινδρόμησης για συσχέτιση ενός γεωραντάρ και ενός φασματοραδιόμετρου. Σε εικόνες με δείκτες βλάστησης εφαρμόστηκαν τεχνικές ανάλυσης εικόνων.

Εισαγωγή

Τα τελευταία χρόνια οι διάφοροι αισθητήρες και τεχνικές τηλεπισκόπησης έχουν αναδειχθεί σε σημαντικό εργαλείο για τον εντοπισμό αρχαιολογικών θέσεων. Πρόσφατα το ενδιαφέρον έχει στραφεί στη συγχώνευση δεδομένων από πηγές όπως πολυφασματικές εικόνες, φασματοραδιόμετρα, γεωραντάρ και άλλα τηλεσκοπικά μέσα. Αυτό στοχεύει στη βελτίωση της ερμηνείας των δεδομένων, ούτως ώστε όλες οι πληροφορίες που πάρθηκαν με διαφορετικές χωρικές και φασματικές αναλύσεις από αισθητήρες σε δορυφόρους, αεροσκάφη και επίγειες πλατφόρμες, να μας δώσουν στοιχεία για τον εντοπισμό αρχαιολογικών καταλοίπων. Σκοπός της μελέτης είναι να διερευνηθεί κατά πόσο είναι ικανοποιητική η συσχέτιση μεταξύ των δεδομένων από τις διάφορες πηγές. Η περιοχή μελέτης είναι ένας αρχαιολογικός χώρος στην Ουγγαρία (εικ1).

Μεθοδολογία

Τα τρία σετ δεδομένων ήταν τα εξής: α) μια υψηλής ανάλυσης δορυφορική εικόνα GeoEye με ανάλυση 50cm β) επίγειες υπερφασματικές υπογραφές, που συλλέχθηκαν από ένα φασματοραδιόμετρο GER-1500 με εύρος 350-1050 nm (Visible-Near Infrared φάσμα) και γ) μετρήσεις GPR με αντένα συχνότητας 250 MHz. Χρησιμοποιήθηκαν 18 δείκτες βλάστησης από τις μετρήσεις του GER-1500 για τη δημιουργία εικόνων, ώστε να εφαρμοστούν διάφορες τεχνικές ανάλυσης. Όλα τα σετ είχαν υποστεί τα απαραίτητα αρχικά βήματα προεπεξεργασίας.

Αρχικά επιχειρήθηκε να συσχετιστούν 6 δείκτες βλάστησης (Green NDVI, NDVI, NDVI 2, SARVI, RDVI και REP), οι τιμές 4 καναλιών (Band 1-4) και των 3 συντελεστών Crop mark, Vegetation και Soil της εικόνας GeoEye. Στο επόμενο στάδιο εξετάστηκαν υποσύνολα των μετρήσεων GPR και χωρίστηκαν σε ομάδες ανάλογα με τις τιμές σε διάφορους δείκτες. Επίσης χρησιμοποιήθηκε ο αλγόριθμος K-means. Εντοπίστηκαν τα βέλτιστα μαθηματικά μοντέλα παλινδρόμησης. Κατόπιν δημιουργήθηκαν 18 διαφορετικές εικόνες από τους αντίστοιχους 18 δείκτες βλάστησης. Η εντολή Composite bands συγχώνευσε τις εικόνες σε μία με 18 κανάλια. Η ίδια διαδικασία έγινε και για τις μετρήσεις του GPR.

Για την τεχνική ανάλυσης με τα έγχρωμα σύνθετα δημιουργήθηκαν 60 διαφορετικά έγχρωμα σύνθετα με διάφορους συνδυασμούς των 18 εικόνων των δεικτών βλάστησης και των 3 εικόνων των μετρήσεων του GPR. Έγινε εκτέλεση στο λογισμικό ArcMap και σε κάθε περίπτωση συνδυάζονταν οι τρεις παράγοντες R-G-B.

Επόμενη τεχνική ήταν η ταξινόμηση. Συγκεκριμένα η μη-επιβλεπόμενη (εικ.3), που εφαρμόστηκε σε κάθε μία εκ των 18 εικόνων, αλλά και στη γενική εικόνα με τα 18 κανάλια, έγινε στο λογισμικό ENVI με τον αλγόριθμο ISODATA (unsupervised classification). Επαναλήφθηκε η διαδικασία μέχρι τον εντοπισμό των βέλτιστων κέντρων. Η επιβλεπόμενη ταξινόμηση έγινε επίσης με το λογισμικό ENVI και χρησιμοποιήθηκαν οι αλγόριθμοι Μέγιστης Πιθανοφάνειας, Ελάχιστης Απόστασης και Φασματικής Γωνίας. Τελευταίο είδος ταξινόμησης ήταν επιβλεπόμενη με τη χρήση SVMs (Support Vector Machines). Εδώ, η συνάρτηση Kernel παρουσιάστηκε με τέσσερα διαφορετικά μαθηματικά μοντέλα: το Linear, το Polynomial, το Radial Basis Function και το Sigmoid. Στη συνέχεια εφαρμόστηκε ο αλγόριθμος RXD (Reed-Xiaoli Detector), UTD (Uniform Target Detector) και RXD-UTD με διάφορους συνδυασμούς στην εικόνα με τα 18 κανάλια.

Στο τελικό στάδιο παρουσιάστηκαν τα καλύτερα μοντέλα παλινδρόμησης στην προσπάθεια συσχέτισης των μετρήσεων GPR με τις μετρήσεις του φασματοραδιόμετρου πάνω στην πολυφασματική εικόνα GeoEye (εικ.4). Αρχικά απεικονίστηκε ο δείκτης βλάστησης SARVI (Soil and Atmospherically Resistant Vegetation Index) πάνω στην εικόνα GeoEye και μετά εντοπίστηκαν τα βέλτιστα μαθηματικά μοντέλα που συνδέουν το δείκτη SARVI με τις μετρήσεις του GPR που αντιστοιχούν σε βάθος 0-0,60m. Επιλέχθηκε το γραμμικό (Linear) μοντέλο, εξαιτίας της πολυπλοκότητας των υπολοίπων. Δημιουργήθηκαν τρεις νέες εικόνες που επεξεργάστηκαν με ENVI και ArcMap.

Αποτελέσματα

Οι διάφορες τεχνικές τηλεπισκόπησης μπορούν να δώσουν διαφορετικά αποτελέσματα μεταξύ τους χωρίς αυτά να σχετίζονται απαραίτητα. Η ερμηνεία, δηλαδή, γίνεται σαν παζλ, όπου έχουμε αποσπασματικές πληροφορίες που πρέπει να συνδυαστούν για την κατανόηση μέρους του συνόλου της περιοχής μελέτης. Μετά από αρκετές προσπάθειες και δοκιμές, τα θετικά αποτελέσματα για τη συσχέτιση μεταξύ δεδομένων από GPR, φασματοραδιόμετρο και πολυφασματικές εικόνες υπήρξαν λίγα. Σε ανάλογη μελέτη (Agapiou et al.) διαπιστώθηκε πως το γραμμικό μοντέλο παλινδρόμησης (Linear) είναι το καταλληλότερο για τη συγχώνευση των μετρήσεων, καθώς παρουσίασε αποτελέσματα με το Pearson coefficient (R) να φτάνει σχεδόν ως το 50%. Στην παρούσα μελέτη υπήρξαν νέα ευρήματα που ενθαρρύνουν την περαιτέρω έρευνα στο συγκεκριμένο θέμα. Από τα μαθηματικά μοντέλα παλινδρόμησης, το κυβικό (Cubic) αποδείχτηκε το βέλτιστο για τη δημιουργία ισχυρής συσχέτισης των δύο σετ δεδομένων. Στους δείκτες βλάστησης ο REP και ο GREEN NDVI έδωσαν τους υψηλότερους συντελεστές προσδιορισμού (R2). Στις τεχνικές ανάλυσης της εικόνας, τα έγχρωμα σύνθετα (RGB composites) παρά τις προσπάθειες, δεν παρουσίασαν ιδιαίτερα αποτελέσματα. Η επιβλεπόμενη ταξινόμηση αποδείχτηκε πως υπερτερεί κατά πολύ έναντι της μη επιβλεπόμενης, ενώ και η χρήση των SVMs (Support Vector Machine Classification) έδωσε σχετικά καλά αποτελέσματα. Οι εφαρμογές των αλγορίθμων RXD και UTD μέσω του εργαλείου RX Anomaly Detection του λογισμικού ENVI δεν επέφερε κάτι επιθυμητό. Η εικόνα που δημιουργήθηκε μέσω των μαθηματικών μοντέλων παλινδρόμησης, δε φαίνεται να βοηθά στον εντοπισμό υπεδάφιων αρχαιολογικών καταλοίπων.

Συμπεράσματα

Συμπεραίνουμε λοιπόν, πως μπορεί να υπάρξει συσχέτιση μεταξύ των μετρήσεων του Γεωραντάρ (GPR) και ορισμένων δεικτών βλάστησης μέσω του κυβικού μοντέλου παλινδρόμησης (Cubic), ωστόσο μόνο για ορισμένες από αυτές. Περαιτέρω διερεύνηση των μετρήσεων με τη χρήση του PCT πιθανόν να επιφέρει καλύτερα αποτελέσματα. Συνεπώς φανερώνεται πως η ενίσχυση της οπτικής τηλεπισκόπησης για τον καλύτερο εντοπισμό αρχαιολογικών καταλοίπων είναι εφικτή, δίνοντας έτσι τη δυνατότητα για μελλοντική έρευνα και πρακτικές εφαρμογές.