Χρήση του eCognition για καλύτερη διαχείριση και παρακολούθηση δασών.

Από RemoteSensing Wiki

Αναθεώρηση της 00:45, 30 Οκτωβρίου 2009

Add Your Content Here

Με τη χρήση υψηλής ανάλυσης δορυφορικών εικόνων (IKONOS, Quick Bird) είναι πιθανό να εντοπιστεί το είδος δασικής κάλυψης και η αλλαγή στο περιβάλλον από ότι µε συµβατικά δεδοµένα (εικόνες χαµηλής ανάλυσης). Όµως η υψηλή ανάλυση αυτών των εικόνων κάνει µια ταξινόµηση που βασίζεται µόνο στα φασµατικά χαρακτηριστικά δύσκολη. Οι τεχνικές αντικειµενοστραφούς ταξινόµησης ξεπερνούν αυτό το πρόβληµα µε το να ενσωµατώνουν τόσο φασµατικά όσο και χωρικά χαρακτηριστικά. Στην συγκεκρι µένη έρευνα χρησιµοποιήθηκε ένα ψηφιακό µοντέλο εδάφους του IKONOS (πανγχρωµατική εικόνα, πολυφασµατικά δεδοµένα,διαχωριστική ικανότητα 1m, επεξεργασία: όξυνση). Στόχος είναι η δηµιουργία διακριτών περιοχών σε δασική έκταση για επέµβαση. Η ακρίβεια των αποτελεσµάτων δείχνει καλύτερα αποτελέσµατα από αυτά που παράγει µια pixel-based ταξινόµηση. Τα αποτελέσµατα δείχνουν ότι µια αντικειµενοστραφής ταξινόµηση µπορεί να συνεισφέρει σηµαντικά στη και στη λήψη αποφάσεων και τη διαχείριση των δασών.

Author:

Author Masami Shiba, Akemi Itaya Field Science Education and Research Center, Kyoto Uni- versity, Japan Graduate School of Bioagricultural Sciences, Na- goya University, Japan E-mail: mshiba@kais.kyoto-u.ac.jp

ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ-EIKONA:

Κεντρική Ιαπωνία, περιοχή Miyagawa. Εµβαδό: 1600 ha

Δορυφόρος: IKONOS

Πολυφασµατικά δεδοµένα διαχωριστικής ικανότητας: 1m

Χρόνος λήψης: 23 Νοεµβρίου 2004

DEM της περιοχής (50m)

ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ:

Δηµιουργήθηκε •ψευδέχρωµο σύνθετο,

•µια εικόνα που προέκυψε από πράξεις καναλιών και συγκεκριµένα από υπολογισµό του δείκτη βλάστησης (NDVI)

•To DEM τροποποιήθηκε στα 4m µε τη µέθοδο της διγραµµικής παρεµβολής για να ταυτίζεται µε την εικόνα του IKONOS

•Με την βοήθεια GIS δηµιουργήθηκαν τα αρχεία slope και aspect της µορφολογίας του εδάφους.

ΜΕΘΟΔΟΛΟΓΙΑ

Το έγχρωµο σύνθετο και η εικόνα του NDVI χρησιµοποιήθηκαν για να εξαχθεί πληροφορία κάλυψης εδάφους. Σε κάθε υψόµετρο ευδοκιµεί και άλλο είδος βλάστησης. Τα δεδοµένα υψοµέτρου και κλίσης εδάφους (slope και aspect) χρησιµοποιήθηκαν για να γίνει η κατάτµηση βάση του υψοµέτρου (άρα και της γνώσης του είδους βλάστησης που ευδοκιµεί σε κάθε τµήµα της εικόνας).

2. Κατάτµηση

A. Κατάτμηση ενός ψευδέγχρωμου σύνθετου που αποτελούταν από την εικόνα του NDVI για την περιοχή και τοπογραφικά δεδομένα (slope και aspect)

Εδώ κάθε αντικείμενο που διακρίνεται στην εικόνα είναι και περιοχή διαφορετικού υψομέτρου καθώς ο χάρτης κλίσεων έχει διαβαθμισεις του γκρίζου ανάλογα με το υψόμετρο αλλά και διαφορετικής βλάστησης ανάλογα με τον δείκτη NDVI.

ΠΙΝΑΚΑΣ ΕΙΚΟΝΩΝ

	Στάδια	Εικόνες
Εσύστηµα παρακολούθησης πληµµύρας	ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ - ΕΙΚΟΝΑ	Εικόνα 1. Η περιοχή µελέτης και η αντίστοιχη εικόνα του δορυφόρου SPOT4 Πηγή: www.definiens.com/resource-center_61_24_0.html Εικόνα 2. ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΤΩΝ ΕΙΚΟΝΩΝ Πηγή: www.definiens.com/resource-center_61_24_0.html
	1. Κατάτμηση	Εικόνα 2. Παράμετροι κατάτμησης Πηγή: www.definiens.com/resource-center_61_24_0.html Εικόνα 2. Πηγή: www.definiens.com/resource-center_61_24_0.html
	2α. Ταξινόμηση (pixel-based)	Εικόνα 4. Πριν την πληµµύρα. Ακρίβεια ταξινόµησης: 95.9538%. Συντελεστής kappa: 0.9477 Πηγή: www.definiens.com/resource-center_61_24_0.html Εικόνα 5. Μετά την πληµµύρα. Ακρίβεια ταξινόµησης: 96.2847 %. Συντελεστής kappa: 0.9538 Πηγή: www.definiens.com/resource-center_61_24_0.html
	2β.Ταξινόμηση (object-based)	Εικόνα 5. Κατηγορίες ταξινόμησης Πηγή: www.definiens.com/resource-center_61_24_0.html Εικόνα 5. Μετά την πληµµύρα. Ακρίβεια ταξινόµησης: 100 %. Συντελεστής kappa: 0.86 Πηγή: www.definiens.com/resource-center_61_24_0.html Εικόνα 5. Μετά την πληµµύρα. Ακρίβεια ταξινόµησης: 0.898 %. Συντελεστής kappa: 0.86 Πηγή: www.definiens.com/resource-center_61_24_0.html
	Επιπλέον ανάλυση	Εικόνα 6. Εξαγωγή σε ένα Σύστημα Γεωγραφικών Πληροφοριών για διαχείριση και εισαγωγή πληροφορίας για τα γεωτεμάχια. Ψηφιοποιήθηκαν τα όρια των χωραφιών στην εικόνα µε τη µεγαλύτερη χωρική ανάλυση που είχαµε στη διάθεσή µας (SPOT5 Pan). Στη συνέχεια ενσωµατώθηκαν όλα τα δεδοµένα (εικόνες, ταξινοµήσεις, κλπ ) ένα ΣΓΠ. Στη συνέχεια αφού καταγράφηκε στη βάση δεδοµενων ο ιδιοκτήτης του κάθε χωραφιού, το εµβαδό του κάθε χωραφιού, τον κτηµατολογικό αριθµό κ.ο.κ για να γίνει προσοµοίωση ενός πραγµατικού συστήµατος διαχείρισης πληµµύρας. Πηγή: www.definiens.com/resource-center_61_24_0.html Εικόνα 5. Με εντονο κόκκινο εµφανίζονται οι περιοχές όπου είναι εντελώς κάτω από το νερο. Οι περιοχές που επηρεάστηκαν στο ελάχιστο από την πληµµύρα είναι µε πράσινο και οι ενδιάµεσοι χρωµατισµοί αντιστοιχούν στις περιοχές µε µεγαλύτερο (αποχρώσεις του κόκκινου) και µικρότερο (αποχρώσεις του πράσινου) πρόβληµα. Πηγή: www.definiens.com/resource-center_61_24_0.html